CN112986158B - 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 - Google Patents
基于无人机多光谱数据的甜菜氮素营养检测方法及系统 Download PDFInfo
- Publication number
- CN112986158B CN112986158B CN202110200291.9A CN202110200291A CN112986158B CN 112986158 B CN112986158 B CN 112986158B CN 202110200291 A CN202110200291 A CN 202110200291A CN 112986158 B CN112986158 B CN 112986158B
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- beet
- index
- vegetation
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
本发明属于营养诊断技术领域,公开了一种基于无人机多光谱数据的甜菜氮素营养检测方法及系统,反演得到十种植被指数3大类19种植被指数;分析不同品种甜菜在不同施氮量下氮素营养变化规律;评估甜菜试验小区无人机多光谱指数与甜菜叶丛含氮率、根含氮率、整株含氮率、叶丛氮积累量、根氮积累量和整株氮积累量的相关性和相关系数;筛选三类植被指数中与甜菜氮素营养指标相关性最高的植被指数进行建模;找出精度最高的甜菜生长监测指标;制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系。实验表明,无人机对单位面积的叶丛氮累积量NWL、根氮积累量NWT和整株氮积累量NWP可以进行诊断,且诊断结果具有统计学意义。
Description
技术领域
本发明属于营养诊断技术领域,尤其涉及一种基于无人机多光谱数据的甜菜氮素营养检测方法及系统。
背景技术
目前,甜菜生物量大,可达150t/ha以上,需氮量也大,内蒙地区甜菜肥料成本占生产总成本的20%以上。氮素营养水平影响甜菜产质量重要的因素之一。为了在集约耕作的情况下保持高产,大量的氮肥被施入田间。过多的施用氮肥降低了甜菜品种,提高农民的种植管理成本而且会导致地表水富营养化、地下水污染等一系列的环境问题。在甜菜生产中快速诊断氮素营养水平的方法是提升甜菜优质高产栽培管理质量的重要支撑技术。
传统的氮素含量测定方法(如凯氏定氮法)测定样本有限,代表性差,并测定需要较长的时间,获取的结果不能实时指导生产。因此寻求一种能快速、精准、简易、实时的监测甜菜氮素含量、诊断氮素营养状况的技术方法成为保证甜菜产质量亟待解决的问题。自上世纪五十年代遥感技术出现以来,基于光学传感器反射率数据监测农作物营养和产质量一直是人员的重点。但是传统遥感技术在氮素营养诊断中具有较大的局限性。遥感卫星数据受限于其轨道特性,空间分辨率较低;机载和热气球搭载多光谱传感器,对飞行姿态要求较高,成本也更高,不适合大规模推广;而近些年出现的小型多旋翼无人机可以搭建飞行姿态稳定、成本低、分辨率高的多光谱遥感平台。
人员发现利用农作物在不同生长状态下光谱差异诊断农作物的营养生长状况,发现在田间非破坏性、快速、精确的诊断农作物营养状况是可行的;随着生物量的增加,叶片和冠层的氮浓度在整个生长季节都会下降,直到衰老,因此不适合对作物进行全时期氮素营养诊断;有人员通过经验法建立了作物含氮量与测量的反射率、植被指数之间的回归模型,发现,归一化植被指数(NDVI)和改良土壤调节植被指数(MGSAVI)等多种植被指数与作物的氮素营养具有极显著相关性;遥感被动光源反射观测技术监测作物冠层的可见光和近红外波段与作物氮素营养状况相关性最高;Ni等发现基于400nm和370nm的NDVI和RVI对冬小麦进行氮素营养估算具有很好的效果;基于423nm、703nm和924nm波段反演出的植被指数与水稻的氮素含量具有显著的相关性;有者对比发现多光谱分辨率对小麦的氮含量指标评价具有很高的精度;利用新的植被指数代替常规的叶面积指数对作物叶片和整体的氮浓度进行估算可以提升估算的代表性和准确性;Cilia等表明,无人机高光谱反演作物全氮含量对监测水稻长势及田间精准管理具有重要意义,无人机高光谱图像的多种植被指数与作物氮含量具有很好的相关性。
但是,无人机多光谱在甜菜上应用的未见报道。近年来以农机合作社形式的甜菜种植模式逐渐兴起,单户连片种植甜菜面积达几百亩甚至上千亩。大面积的甜菜种植必须有配套的田间管理手段。传统小面积的管理措施有些不适用于大面积的管理。而无人机技术的出现为甜菜氮素营养诊断提供了新的思路。
通过上述分析,现有技术存在的问题及缺陷为:
(1)传统的氮素含量测定方法(如凯氏定氮法)测定样本有限,代表性差,并测定需要较长的时间,获取的结果不能实时指导生产。
(2)传统遥感技术在氮素营养诊断中具有较大的局限性。遥感卫星数据受限于其轨道特性,空间分辨率较低;机载和热气球搭载多光谱传感器,对飞行姿态要求较高,成本也更高,不适合大规模推广。
(3)传统小面积的管理措施有些不适用于大面积的管理。
解决以上问题及缺陷的难度为:无人机是近年来新兴的一种监测技术,关于无人机对作物生长监测和氮素营养诊断的研究也是目前的研究热点。但是尚未有研究人员对基于无人机的甜菜氮素营养诊断进行研究。本发明以无人机遥感平台为基础通过搭载的多光谱传感器收集甜菜不同生育时期的多光谱反射率数据,同步进行地面取样工作,并通过凯氏定氮法在室内统一完成甜菜样品含氮率和含氮量数据的分析工作,最后通过MATLAB、SPSS等数据统计分析软件对甜菜实际含氮指数与基于无人机多光谱数据反演出的3大类19种植被指数进行一次线性、二次线性、幂函数和指数函数拟合,最终筛选出基于无人机多光谱遥感的甜菜氮素营养诊断的最佳时期、最佳植被指数和最佳诊断模型,实现基于无人机多光谱的甜菜氮素营养精准诊断。
解决以上问题及缺陷的意义为:无人机多光谱遥感平台具有飞行路线和姿态高度可控、监测范围广泛、计算快速精准等诸多优点,相对于传统的凯氏定氮法、地面SPAD、Green Seeker多光谱诊断技术等,该方法可以实现氮素营养诊断的可视化、实时动态监测。该方法可以极大的提高农户对甜菜氮素营养的管理效率,在农业合作社的种植管理模式下,为精准农业的发展提供技术支持和理论依据。
发明内容
针对现有技术存在的问题,本发明提供了一种基于无人机多光谱数据的甜菜氮素营养检测方法及系统。
本发明是这样实现的,一种基于无人机多光谱数据的甜菜氮素营养检测方法,所述基于无人机多光谱数据的甜菜氮素营养检测方法包括以下步骤:
步骤一,利用无人机多光谱传感器获取的反射率数据反演多种植被指数,通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数。
步骤二,分析不同品种甜菜在不同施氮量下氮素营养变化规律。
步骤三,通过SPSS软件评估不同时期不同施氮量处理下甜菜试验小区无人机多光谱指数与甜菜叶丛含氮率、根含氮率、整株含氮率、叶丛氮积累量、根氮积累量和整株氮积累量的相关性和相关系数。
步骤四,依据步骤一中划分的三类不同无人机植被指数,分别筛选三类植被指数中与甜菜氮素营养指标相关性最高的植被指数进行建模。
步骤五,通过R2、RMSE和RRMSE等评价、验证模型精度,最终找出精度最高的甜菜生长监测指标。
步骤六,确定不同品种的甜菜在氮素供应不足、适量和过量情况下的植被指数变化特点,制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系。
进一步,步骤一中,所述通过多光谱传感器获取的是五个波段的反射率。
进一步,步骤一中,所述通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数中,传统植被指数10种,红边植被指数5种,宽动态范围植被指数4种。
进一步,步骤一中,所述植被指数均来自无人机多光谱平台获取的试验小区光谱反射数据。
进一步,步骤一中,所述多光谱传感器为五波段Red Edge-M多光谱传感器。
进一步,步骤三中,所述氮素营养相关指数共有八个,分别是氮肥偏生产力指数NPP、块根干物质收获指数HID、糖收获指数HIS、氮素收获指数NHI、块根干物质量的植物总氮利用效率指数PNUTED、块根干物质量的块根氮素利用效率指数TNUTED、产糖量的植物总氮素利用效率指数PNUTES、产糖量的块根氮素利用效率指数TNUTES。
进一步,步骤三中,所述甜菜单位面积叶丛氮累积量(NWL)与移栽后天数呈线性关系:
Nc=2.6239*DAS-40.6784;
其中,NWL表示单位面积叶丛氮积累量,DAS表示移栽后天数。
在叶丛快速生长期SAVI-NWL的二次线性模型精度最高;
所述二次线性模型为:
Nt=5259*SAVI2-2716*SAVI+387.6;
Ntop=(Nc-Nt)/NUE;
甜菜冠层SAVI植被指数与单位面积甜菜叶丛氮积累量具有极显著相关性,因此可根据实测SAVI值计算出对应时期单位面积甜菜叶丛氮累积量,用Nt表示。计算出此时单位面积叶丛氮累积量的临界值Nc:
Ntop=(2.6239*DAS-5259*SAVI2-2716*SAVI+387.6)/NUE;
若Ntop>0,表示该甜菜地块需要追肥,若Ntop<0,说明该地块氮肥供给充足,不需要追肥。
本发明的另一目的在于提供一种实施所述基于无人机多光谱数据的甜菜氮素营养检测方法的基于无人机多光谱数据的甜菜氮素营养检测系统,所述基于无人机多光谱数据的甜菜氮素营养检测系统包括:
植被指数获取模块,用于利用无人机多光谱传感器获取的反射率数据反演多种植被指数,通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数;
氮素营养变化规律分析模块,用于分析不同品种甜菜在不同施氮量下氮素营养变化规律;
软件评估模块,用于通过SPSS软件评估不同时期不同施氮量处理下甜菜试验小区无人机多光谱指数与甜菜叶丛含氮率、根含氮率、整株含氮率、叶丛氮积累量、根氮积累量和整株氮积累量的相关性和相关系数;
植被指数建模模块,用于依据划分的三类不同无人机植被指数,分别筛选三类植被指数中与甜菜氮素营养指标相关性最高的植被指数进行建模;
检测指标获取模块,用于通过R2、RMSE和RRMSE的评价、验证模型精度,最终找出精度最高的甜菜生长监测指标;
评价体系建立模块,用于确定不同品种的甜菜在氮素供应不足、适量和过量情况下的植被指数变化特点,制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系。
本发明的另一目的在于提供一种甜菜生长的监测方法,所述甜菜生长的监测方法实施所述的基于无人机多光谱数据的甜菜氮素营养检测方法。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:本发明提供的基于无人机多光谱数据的甜菜氮素营养检测方法,对不同品种、不同氮处理的甜菜在各时期进行氮素营养与传统植被指数、红边植被指数和WDRVI指数进行相关性分析,筛选出各时期对甜菜进行氮素营养诊断最佳的植被指数:
发现,无人机对单位面积的叶丛氮累积量(NWL)、根氮积累量(NWT)和整株氮积累量(NWP)可以进行诊断,且诊断结果具有统计学意义。
在叶丛快速生长期传统植被指数诊断NWL精度最高的是SAVI-NWL二次线性模型NWL=5259*SAVI2-2716*SAVI+387.6,R2=0.883,RMSE=32.044,RRMSE=0.249,Bias=25.94;传统植被指数诊断NWT精度最高的是SAVI-NWT二次线性模型NWT=1479*SAVI2-768.6*SAVI+109.1,R2=0.883,RMSE=8.869,RRMSE=0.256,Bias=6.23;传统植被指数诊断NWP精度最高的是SAVI-NWP的幂函数模型NWP=4.315e+04*SAVI6.42+43.75,R2=0.895,RMSE=38.529,RRMSE=0.236,Bias=31.31。
在叶丛快速生长期红边植被指数诊断NWL精度最高的是ESAVI-NWL幂函数模型NWL=7168*ESAVI2.798-29.8,R2=0.874,RMSE=33.210,RRMSE=0.258,Bias=26.88,红边植被指数诊断NWT精度最高的是ESAVI-NWT的二次线性模型NWT=2129*ESAVI2-598.2*ESAVI+46.85,R2=0.873,RMSE=9.201,RRMSE=0.266,Bias=6.84,红边植被指数诊断NWP精度最高的是ESAVI-NWP的二次线性模型NWP=9097*ESAVI2-2399*ESAVI+177,R2=0.887,RMSE=39.966,RRMSE=0.245,Bias=32.42。
在叶丛快速生长期WDRVI指数诊断NWL精度最高的是WDRVI3-NWL的二次线性模型NWL=507.5*WDRVI32-69.01*WDRVI3+40.25,R2=0.875,RMSE=33.062,RRMSE=0.257,Bias=26.48,WDRVI指数诊断NWT精度最高的是WDRVI1-NWT的指数函数模型NWT=41.02*exp(3.233*WDRVI1),R2=0.886,RMSE=8.655,RRMSE=0.250,Bias=6.34,WDRVI指数诊断NWP精度最高的是WDRVI1-NWP指数函数模型NWP=194.8*exp(3.081*WDRVI1),R2=0.900,RMSE=39.022,RRMSE=0.239,Bias=30.91。
在块根和糖分增长期,传统植被指数与氮素营养指标没有显著的相关性,红边植被指数中,ERDVI-NWT幂函数模型NWT=20.6*ERDVI-1.51+45.56,精度最高,R2=0.781,RMSE=10.835,RRMSE=0.313,Bias=8.01;WDRVI指数中,WDRVI3-NWT的指数函数模型NWT=41.02*exp(3.233*WDRVI1),精度最高,R2=0.769,RMSE=11.038,RRMSE=0.319,Bias=8.41。
在糖分积累期所有植被指数与氮素营养指标相关性不显著。
在全生育时期所有植被指数均不能精确的预测甜菜氮素营养指标。
综上所述,结果表明最适于进行甜菜氮素营养诊断的时期为叶丛快速生长期。对比三类无人机植被指数发现,在叶丛快速生长期甜菜的叶丛氮积累量(NWL)、根氮积累量(NWT)和整株氮积累量(NWP)可以用于甜菜氮素营养诊断。通过对传统植被指数、红边植被指数和WDRVI宽动态范围指数三类无人机植被与上述三个甜菜氮素营养指标模型的R2、RMSE、RRMSE和Bias四个精度评估参数进行精度评估,最终筛选出在叶丛快速生长期预测叶丛氮积累量精度最高的模型是基于传统植被指数SAVI-NWL的二次线性模型;预测根氮积累量精度最高的模型是基于宽动态范围指数WDRVI1-NWT的二次线性模型;预测整株氮积累量精度最高的模型是基于宽动态范围指数WDRVI1-NWP的指数函数模型。从模型验证精度分析发现,NWL模型精度>NWP模型精度>NWT模型精度。
权重系数α=0.01的宽动态植被指数WDRVI1对甜菜NWT和NWP两个指标的预测模型精度最高。在甜菜叶丛快速生长期,降低近红外波段的权重系数可以有效的提高对NWT和NWP的预测精度,WDRVI1-NWT的精度较传统植被指数提高了6.4%,WDRVI1-NWP的精度提高3.8%。在本发明中所使用的5个红边植被指数在甜菜氮素营养诊断中同样具有较高的精度,但整体精度低于宽动态植被指数。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图做简单的介绍,显而易见地,下面所描述的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于无人机多光谱数据的甜菜氮素营养检测方法流程图。
图2是本发明实施例提供的传感器反射波段示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明提供了一种基于无人机多光谱数据的甜菜氮素营养检测方法及系统,下面结合附图对本发明作详细的描述。
如图1所示,本发明实施例提供的基于无人机多光谱数据的甜菜氮素营养检测方法包括以下步骤:
S101,利用无人机多光谱传感器获取的反射率数据反演多种植被指数,通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数。
S102,分析不同品种甜菜在不同施氮量下氮素营养变化规律。
S103,通过SPSS软件评估不同时期不同施氮量处理下甜菜试验小区无人机多光谱指数与甜菜叶丛含氮率、根含氮率、整株含氮率、叶丛氮积累量、根氮积累量和整株氮积累量的相关性和相关系数。
S104,依据S101中划分的三类不同无人机植被指数,分别筛选三类植被指数中与甜菜氮素营养指标相关性最高的植被指数进行建模。
S105,通过R2、RMSE和RRMSE等评价、验证模型精度,最终找出精度最高的甜菜生长监测指标。
S106,确定不同品种的甜菜在氮素供应不足、适量和过量情况下的植被指数变化特点,制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系。
本发明提供的基于无人机多光谱数据的甜菜氮素营养检测方法业内的普通技术人员还可以采用其他的步骤实施,图1的本发明提供的基于无人机多光谱数据的甜菜氮素营养检测方法仅仅是一个具体实施例而已。
下面结合实施例对本发明的技术方案作进一步的描述。
1、主要内容
通过两年的大田试验,在甜菜不同的生育时期(苗期、叶丛快速生长期、块根及糖分增长期和糖分积累期)同步进行地面试验小区取样和利用无人机多光谱传感器获取反射率数据。最终形成以下:
(1)反演多种植被指数
利用无人机多光谱传感器获取的反射率数据反演多种植被指数,通过多光谱传感器获取的是五个波段的反射率,通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数,其中传统植被指数10种,红边植被指数5种,宽动态范围植被指数4种。
(2)分析不同品种甜菜在不同施氮量下氮素营养变化规律。
(3)通过SPSS软件评估不同时期不同施氮量处理下甜菜试验小区无人机多光谱指数与甜菜叶丛含氮率、根含氮率、整株含氮率、叶丛氮积累量、根氮积累量和整株氮积累量的相关性和相关系数,依据(1)中划分的三类不同无人机植被指数,分别筛选三类植被指数中与甜菜氮素营养指标相关性最高的植被指数进行建模,并通过R2、RMSE和RRMSE等评价、验证模型精度,最终找出精度最高的甜菜生长监测指标。
(4)不同品种的甜菜在氮素供应不足、适量和过量情况下的植被指数变化特点,最终制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并尝试建立具有广泛性的评价体系。
2、无人机多光谱数据获取和处理
所有植被指数均来自无人机多光谱平台获取的试验小区光谱反射数据。无人机多光谱数据获取外部条件:(1)无人机飞行姿态稳定;(2)保障一定程度的重叠度,保障后期数据拼接的准确性;(3)尽量在晴朗无风的天气进行,如果是多云天气,要保证在飞行获取数据期间,试验小区无云层阴影。
针对上述条件,无人机获取遥感数据分别在2018年和2019年苗龄40天、60天、80天、100天和120天(因天气原因可前后调整1天),晴朗无云,风力小于2级,飞行时间选择上午11:30至12:30时间段。飞行高度设定为50米,利用DJI GS PRO规划试验区航线,航向重叠率设定75%,航间重叠率设定75%,获取45个试验小区的多光谱数据。
多光谱传感器为五波段Red Edge-M多光谱传感器。该传感器具有七大优势:(1)紧凑的尺寸允许集成到各种各样的无人机飞行器上;(2)同时捕获5个光谱通道,包括RGB可见光波段;(3)快速捕获速度快。最高可满足0.96s/张的捕获频,可以使飞行器速度更快、飞行高度更低;(4)全局快门设计满足在每个平台无失真,成像质量高;(5)定位精确,拥有GPS导航、IMU惯性导航、光学导航三大导航定位校准模块,配合地面白板校正精度可达1cm;(6)扩展电压范围以满足更多的集成环境,无需额外的电源转换;(7)设计坚固,没有可移动的部件。传感器反射波段如图2所示。
Red Edge-M五波段多光谱传感器光谱波段范围见表3,无人机参数见表4。
表3Red Edge-M五波段多光谱传感器光谱波段范围
表4无人机参数
目前,无人机多光谱在甜菜上应用的未见报道。近年来内蒙古地区以农机合作社形式的甜菜种植模式逐渐兴起,单户连片种植甜菜面积达几百亩甚至上千亩。大面积的甜菜种植必须有配套的田间管理手段。传统小面积的管理措施有些不适用于大面积的管理。而无人机技术的出现为甜菜氮素营养诊断提供了新的思路。
本发明的内容是无人机平台获取的多种植被指数与甜菜的氮营养指标的相关性和进行甜菜氮素营养诊断技术的。甜菜的主要产量在块根,因此本对甜菜叶丛含氮率(LNC)、根含氮率(RNC)、全植株含氮率(PNC)、叶丛含氮量(NWL)、根含氮量(NWR)和全株含氮量(NWP)共6个氮营养指标与无人机植被指数的相关关系进行,尝试找出基于多光谱无人机植被指数对根生长指标进行预测的关系模型;针对目前中存在的品种普适性不足的问题,本选择了高产型、高糖型和标准型三个在内蒙地区种植最广泛的具有代表性的品种进行;针对NDVI易饱和的问题,通过引入α权重系数宽动态范围植被指数、十种传统植被指数和红边植被指数对甜菜生长指标进行。
结合前人的经验,本发明在叶丛快速生长期同步获取甜菜氮素营养指标和无人机植被指数2次,分别在苗龄40天和苗龄60天;块根及糖分增长期2次,分别在苗龄80天和苗龄100天;糖分积累期1次,在苗龄120天。以时期为准甜菜氮素营养指标与无人机植被指数的相关关系以及建立模型。
3、基于无人机植被指数建立精准氮肥模型
为建立精准施肥模型,本对不同品种、不同氮处理的甜菜试验小区进行了测产工作,并以最高产量和最高边际收益两个指标作为标准,以90%置信区间作为最佳施氮区间对三个品种的最佳施氮区间进行了计算。结果表明,发现在区同等农事管理水平下,品种HI1003获取最大产量的施氮阈值在169kg/ha~220kg/ha,获得最高单位边际收益的施氮阈值在160kg/ha~197kg/ha。单位边际收益的施氮阈值在两年间的变化浮动较小。在区同等农事管理水平下,品种KWS7156获取最大产量的施氮阈值在177kg/ha~216kg/ha,获得最高单位边际收益的施氮阈值在156kg/ha~194kg/ha。单位边际收益的施氮阈值在两年间的变化浮动较小。在区同等农事管理水平下,品种H809获取最大产量的施氮阈值在155kg/ha~221kg/ha,获得最高单位边际收益的施氮阈值在150kg/ha~197kg/ha。单位边际收益的施氮阈值在两年间的变化浮动较小。即在区所有甜菜品种在施氮量155kg/ha~221kg/ha下可获得最高产量,在施氮量150kg/ha~197kg/ha下可获得最高单位边际收益。
本收集了相同农业管理措施下区2016年~2017年李智等人的,收集了移栽后15天、18天、25天、40天和60天的叶丛氮累积量数据,绘制出苗期后期和整个叶丛快速生长期区甜菜叶丛氮累积量散点图,并进行了线性拟合。
发现在该时期甜菜单位面积叶丛氮累积量(NWL)与移栽后天数呈线性关系。
Nc=2.6239*DAS-40.6784
上式中,NWL表示单位面积叶丛氮积累量,DAS表示移栽后天数。
分析结果表明,在叶丛快速生长期SAVI-NWL的二次线性模型精度最高。其二次线性模型为:
Nt=5259*SAVI2-2716*SAVI+387.6
Ntop=(Nc-Nt)/NUE
甜菜冠层SAVI植被指数与单位面积甜菜叶丛氮积累量具有极显著相关性,因此可根据实测SAVI值计算出对应时期单位面积甜菜叶丛氮累积量,用Nt表示。同时计算出此时单位面积叶丛氮累积量的临界值Nc,多年发现内蒙古中西部地区甜菜氮肥利用率NUE为40%。
Ntop=(2.6239*DAS-5259*SAVI2-2716*SAVI+387.6)/NUE;
若Ntop>0,表示该甜菜地块需要追肥,若Ntop<0,说明该地块氮肥供给充足,不需要追肥。
9、结果
本发明对不同品种、不同氮处理的甜菜在各时期进行氮素营养与传统植被指数、红边植被指数和WDRVI指数进行相关性分析,筛选出各时期对甜菜进行氮素营养诊断最佳的植被指数:
发现无人机植被指数与含氮率的预测精度不高,但是对单位面积的叶丛氮累积量(NWL)、根氮积累量(NWT)和整株氮积累量(NWP)可以进行诊断,且诊断结果具有统计学意义。
在叶丛快速生长期传统植被指数诊断NWL精度最高的是SAVI-NWL二次线性模型NWL=5259*SAVI2-2716*SAVI+387.6,R2=0.883,RMSE=32.044,RRMSE=0.249,Bias=25.94;传统植被指数诊断NWT精度最高的是SAVI-NWT二次线性模型NWT=1479*SAVI2-768.6*SAVI+109.1,R2=0.883,RMSE=8.869,RRMSE=0.256,Bias=6.23;传统植被指数诊断NWP精度最高的是SAVI-NWP的幂函数模型NWP=4.315e+04*SAVI6.42+43.75,R2=0.895,RMSE=38.529,RRMSE=0.236,Bias=31.31。
在叶丛快速生长期红边植被指数诊断NWL精度最高的是ESAVI-NWL幂函数模型NWL=7168*ESAVI2.798-29.8,R2=0.874,RMSE=33.210,RRMSE=0.258,Bias=26.88,红边植被指数诊断NWT精度最高的是ESAVI-NWT的二次线性模型NWT=2129*ESAVI2-598.2*ESAVI+46.85,R2=0.873,RMSE=9.201,RRMSE=0.266,Bias=6.84,红边植被指数诊断NWP精度最高的是ESAVI-NWP的二次线性模型NWP=9097*ESAVI2-2399*ESAVI+177,R2=0.887,RMSE=39.966,RRMSE=0.245,Bias=32.42。
在叶丛快速生长期WDRVI指数诊断NWL精度最高的是WDRVI3-NWL的二次线性模型NWL=507.5*WDRVI32-69.01*WDRVI3+40.25,R2=0.875,RMSE=33.062,RRMSE=0.257,Bias=26.48,WDRVI指数诊断NWT精度最高的是WDRVI1-NWT的指数函数模型NWT=41.02*exp(3.233*WDRVI1),R2=0.886,RMSE=8.655,RRMSE=0.250,Bias=6.34,WDRVI指数诊断NWP精度最高的是WDRVI1-NWP指数函数模型NWP=194.8*exp(3.081*WDRVI1),R2=0.900,RMSE=39.022,RRMSE=0.239,Bias=30.91。
在块根和糖分增长期,传统植被指数与氮素营养指标没有显著的相关性,红边植被指数中,ERDVI-NWT幂函数模型NWT=20.6*ERDVI-1.51+45.56,精度最高,R2=0.781,RMSE=10.835,RRMSE=0.313,Bias=8.01;WDRVI指数中,WDRVI3-NWT的指数函数模型NWT=41.02*exp(3.233*WDRVI1),精度最高,R2=0.769,RMSE=11.038,RRMSE=0.319,Bias=8.41。
在糖分积累期所有植被指数与氮素营养指标相关性不显著。
在全生育时期所有植被指数均不能精确的预测甜菜氮素营养指标。
综上所述,结果表明最适于进行甜菜氮素营养诊断的时期为叶丛快速生长期。对比三类无人机植被指数发现,在叶丛快速生长期甜菜的叶丛氮积累量(NWL)、根氮积累量(NWT)和整株氮积累量(NWP)可以用于甜菜氮素营养诊断。通过对传统植被指数、红边植被指数和WDRVI宽动态范围指数三类无人机植被与上述三个甜菜氮素营养指标模型的R2、RMSE、RRMSE和Bias四个精度评估参数进行精度评估,最终筛选出在叶丛快速生长期预测叶丛氮积累量精度最高的模型是基于传统植被指数SAVI-NWL的二次线性模型;预测根氮积累量精度最高的模型是基于宽动态范围指数WDRVI1-NWT的二次线性模型;预测整株氮积累量精度最高的模型是基于宽动态范围指数WDRVI1-NWP的指数函数模型。从模型验证精度分析发现,NWL模型精度>NWP模型精度>NWT模型精度。
权重系数α=0.01的宽动态植被指数WDRVI1对甜菜NWT和NWP两个指标的预测模型精度最高。在甜菜叶丛快速生长期,降低近红外波段的权重系数可以有效的提高对NWT和NWP的预测精度,WDRVI1-NWT的精度较传统植被指数提高了6.4%,WDRVI1-NWP的精度提高3.8%。在本发明中所使用的的5个红边植被指数在甜菜氮素营养诊断中同样具有较高的精度,但整体精度低于宽动态植被指数。
表明在区内,不同品种的甜菜在叶丛快速生长期均可用该氮素营养诊断模型进行定量的氮素营养诊断:
Ntop=(Nt=5259*SAVI2-2716*SAVI+387.6)/NUE;
若Ntop<0,说明该地块氮肥供给充足,不需要追肥;若Ntop>0,表示该甜菜地块需要追肥,推荐的追施量为Ntop值。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于无人机多光谱数据的甜菜氮素营养检测方法,其特征在于,所述基于无人机多光谱数据的甜菜氮素营养检测方法包括:
利用无人机多光谱传感器获取的反射率数据反演多种植被指数,通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数;
分析不同品种甜菜在不同施氮量下氮素营养变化规律;
通过SPSS软件评估不同时期不同施氮量处理下甜菜试验小区无人机多光谱指数与甜菜叶丛含氮率、根含氮率、整株含氮率、叶丛氮积累量、根氮积累量和整株氮积累量的相关性和相关系数;
依据划分的三类不同无人机植被指数,分别筛选三类植被指数中与甜菜氮素营养指标相关性最高的植被指数进行建模;
通过R2、RMSE和RRMSE评价、验证模型精度,最终找出精度最高的甜菜生长监测指标;
确定不同品种的甜菜在氮素供应不足、适量和过量情况下的植被指数变化特点,制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系;
所述通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数中,传统植被指数10种,红边植被指数5种,宽动态范围植被指数4种;
所述三类不同无人机植被指数分别为:传统植被指数、红边植被指数和WDRVI宽动态范围指数;
所述制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系如下:
Ntop=(2.6239*DAS-5259*SAVI2-2716*SAVI+387.6)/NUE;
若Ntop>0,表示该甜菜地块需要追肥,若Ntop<0,说明该地块氮肥供给充足,不需要追肥;其中,Ntop表示推荐的追施量;DAS表示移栽后天数;NUE表示甜菜氮肥利用率;SAVI表示甜菜冠层植被指数。
2.如权利要求1所述的基于无人机多光谱数据的甜菜氮素营养检测方法,其特征在于,所述通过多光谱传感器获取的是五个波段的反射率。
3.如权利要求1所述的基于无人机多光谱数据的甜菜氮素营养检测方法,其特征在于,所述植被指数均来自无人机多光谱平台获取的试验小区光谱反射数据。
4.如权利要求1所述的基于无人机多光谱数据的甜菜氮素营养检测方法,其特征在于,所述多光谱传感器为五波段RedEdge-M多光谱传感器。
5.如权利要求1所述的基于无人机多光谱数据的甜菜氮素营养检测方法,其特征在于,所述氮素营养相关指数共有八个,分别是氮肥偏生产力指数NPP、块根干物质收获指数HID、糖收获指数HIS、氮素收获指数NHI、块根干物质量的植物总氮利用效率指数PNUTED、块根干物质量的块根氮素利用效率指数TNUTED、产糖量的植物总氮素利用效率指数PNUTES、产糖量的块根氮素利用效率指数TNUTES。
6.如权利要求1所述的基于无人机多光谱数据的甜菜氮素营养检测方法,其特征在于,所述甜菜单位面积叶丛氮累积量NWL与移栽后天数呈线性关系:
Nc=2.6239*DAS-40.6784;
其中,NWL表示单位面积叶丛氮积累量,DAS表示移栽后天数。
7.一种实施权利要求1~6任意一项所述基于无人机多光谱数据的甜菜氮素营养检测方法的基于无人机多光谱数据的甜菜氮素营养检测系统,其特征在于,所述基于无人机多光谱数据的甜菜氮素营养检测系统包括:
植被指数获取模块,用于利用无人机多光谱传感器获取的反射率数据反演多种植被指数,通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数;
氮素营养变化规律分析模块,用于分析不同品种甜菜在不同施氮量下氮素营养变化规律;
软件评估模块,用于通过SPSS软件评估不同时期不同施氮量处理下甜菜试验小区无人机多光谱指数与甜菜叶丛含氮率、根含氮率、整株含氮率、叶丛氮积累量、根氮积累量和整株氮积累量的相关性和相关系数;
植被指数建模模块,用于依据划分的三类不同无人机植被指数,分别筛选三类植被指数中与甜菜氮素营养指标相关性最高的植被指数进行建模;
检测指标获取模块,用于通过R2、RMSE和RRMSE的评价、验证模型精度,最终找出精度最高的甜菜生长监测指标;
评价体系建立模块,用于确定不同品种的甜菜在氮素供应不足、适量和过量情况下的植被指数变化特点,制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系;
所述通过不同的计算公式反演出相应的十种植被指数3大类19种植被指数中,传统植被指数10种,红边植被指数5种,宽动态范围植被指数4种;
所述三类不同无人机植被指数分别为:传统植被指数、红边植被指数和WDRVI宽动态范围指数;
所述制定基于最优光谱植被指数的甜菜氮素营养诊断标准,并建立评价体系如下:
Ntop=(2.6239*DAS-5259*SAVI2-2716*SAVI+387.6)/NUE;
若Ntop>0,表示该甜菜地块需要追肥,若Ntop<0,说明该地块氮肥供给充足,不需要追肥;其中,Ntop表示推荐的追施量;DAS表示移栽后天数;NUE表示甜菜氮肥利用率;SAVI表示甜菜冠层植被指数。
8.一种甜菜生长的监测方法,其特征在于,所述甜菜生长的监测方法实施权利要求1~6任意一项所述的基于无人机多光谱数据的甜菜氮素营养检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200291.9A CN112986158B (zh) | 2021-02-23 | 2021-02-23 | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110200291.9A CN112986158B (zh) | 2021-02-23 | 2021-02-23 | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112986158A CN112986158A (zh) | 2021-06-18 |
CN112986158B true CN112986158B (zh) | 2023-05-12 |
Family
ID=76350300
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110200291.9A Active CN112986158B (zh) | 2021-02-23 | 2021-02-23 | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112986158B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128568A (zh) * | 2021-11-26 | 2022-03-04 | 泉州市金草生物技术有限公司 | 一种林下金线莲仿野生种植方法 |
CN114965847B (zh) * | 2022-05-23 | 2023-05-12 | 西南大学 | 一种基于机载激光雷达的花椒氮累积量的无损监测方法 |
CN114902947B (zh) * | 2022-07-18 | 2022-10-28 | 黑龙江大学 | 白菜糖度在线监测装置及采用该装置实现的滴灌调控系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ID26882A (id) * | 1999-08-10 | 2001-02-15 | Satake Eng Co Ltd | Metode diagnosa kondisi nutrisi hasil panen di ladang tanaman |
CN103424366A (zh) * | 2013-07-30 | 2013-12-04 | 上海丰凸通讯科技有限公司 | 一种多光谱精准识别的智能施肥实施方法 |
CN103868860B (zh) * | 2014-03-25 | 2016-04-13 | 辽宁师范大学 | 一种基于高光谱植被指数监测湿地植被冠层氮浓度的方法 |
CN106941843A (zh) * | 2016-08-26 | 2017-07-14 | 江苏省农业科学院 | 一种基于土壤地力和冠层光谱的水稻高产诊断施氮肥方法 |
CN107796764B (zh) * | 2016-09-05 | 2020-01-24 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
US10942113B2 (en) * | 2018-03-07 | 2021-03-09 | Emerald Metrics | Methods, systems, and components thereof relating to using multi-spectral imaging for improved cultivation of cannabis and other crops |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
-
2021
- 2021-02-23 CN CN202110200291.9A patent/CN112986158B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112986158A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112986158B (zh) | 基于无人机多光谱数据的甜菜氮素营养检测方法及系统 | |
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
CN112903600B (zh) | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN102435564A (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
CN111418323A (zh) | 一种基于设施作物冠层覆盖度和株高的氮肥实时推荐方法 | |
CN113298859B (zh) | 一种基于无人机影像的作物氮肥变量管理方法 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
CN114202675A (zh) | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及系统 | |
CN113063739A (zh) | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 | |
CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
CN104236486A (zh) | 一种棉花叶面积指数快速无损测定方法 | |
CN114460015A (zh) | 一种用于预测寒地水稻冠层叶绿素含量的方法及模型 | |
CN116482041B (zh) | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 | |
CN113552096A (zh) | 一种基于光谱的菠萝叶片氮含量估算方法 | |
CN116308866B (zh) | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Parker | Sustainable sidedress nitrogen applications for early corn and cotton crops using small unmanned aerial systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |