CN113063740A - 一种基于多源遥感数据的小麦冠层氮含量监测方法 - Google Patents
一种基于多源遥感数据的小麦冠层氮含量监测方法 Download PDFInfo
- Publication number
- CN113063740A CN113063740A CN202110214846.5A CN202110214846A CN113063740A CN 113063740 A CN113063740 A CN 113063740A CN 202110214846 A CN202110214846 A CN 202110214846A CN 113063740 A CN113063740 A CN 113063740A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- nitrogen content
- wheat
- sensing data
- sample
- 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.)
- Pending
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 232
- 241000209140 Triticum Species 0.000 title claims abstract description 117
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 116
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000002310 reflectometry Methods 0.000 claims abstract description 36
- 238000012417 linear regression Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 230000001360 synchronised effect Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 18
- 238000001035 drying Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 102000004190 Enzymes Human genes 0.000 claims description 3
- 108090000790 Enzymes Proteins 0.000 claims description 3
- 238000007696 Kjeldahl method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 230000035558 fertility Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 2
- 238000011835 investigation Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G01N1/00—Sampling; Preparing specimens for investigation
- G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
- G01N1/44—Sample treatment involving radiation, e.g. heat
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Theoretical Computer Science (AREA)
- Wood Science & Technology (AREA)
- Botany (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多源遥感数据的小麦冠层氮含量监测方法，其技术方案是：包括获取样方区域近低空多光谱影像和同步的卫星遥感影像数据，所述获取样方区域近低空多光谱影像连接端设有多光谱影像预处理，所述多光谱影像预处理连接端设有获取氮素反射率指数平均值，所述获取氮素反射率指数平均值连接端设有建立线性回归模型，所述建立线性回归模型连接端设有评价模型精度，所述建立线性回归模型输入端设有人工获取样方内小麦冠层氮含量真实值，本发明的有益效果是：可对监测区域进行长时序的监测，弥补时间、空间和效率的短板，获得更为精准的小麦冠层氮含量长时序分布变化结果，是精准农业和智慧农业的基础。
Description
技术领域
本发明涉及小麦冠层氮含量监测方法领域，具体涉及一种基于多源遥感数据的小麦冠层氮含量监测方法。
背景技术
麦冠层氮含量监测是获取小麦冠层氮素营养状况的重要方法，监测结果与小麦产量息息相关，目前主要有两类方法，一类是采用了地面实地采样调查的方法，构建采样网格，从田块中均匀获取小麦植株的冠层叶片，通过实验室烘干称重等处理，最后得到小麦冠层的氮素含量百分比；另一类是基于卫星遥感数据，结合多个田间调查数据，建立卫星遥感数据与田间调查数据的反演模型，得到整个田块的小麦冠层氮含量分布结果。
现有技术存在以下不足：现有的田间调查方法费时费力，无法大面积推广；卫星遥感数据分辨率不高，信噪比低，重访时间长，无法满足田间尺度的小麦冠层氮含量分布监测要求。
因此，发明一种基于多源遥感数据的小麦冠层氮含量监测方法很有必要。
发明内容
为此，本发明提供一种基于多源遥感数据的小麦冠层氮含量监测方法，通过获得基于无人机遥感数据的小麦冠层氮含量反演模型，再以无人机遥感反演的小麦冠层氮含量结果为基础，对卫星反演结果进行校正，得到最终的多源遥感数据小麦冠层氮含量反演模型，以解决间调查方法费时费力，无法大面积推广，卫星遥感数据分辨率不高，信噪比低，重访时间长，无法满足田间尺度的小麦冠层氮含量分布监测要求的问题。
为了实现上述目的，本发明提供如下技术方案：一种基于多源遥感数据的小麦冠层氮含量监测方法，包括获取样方区域近低空多光谱影像和同步的卫星遥感影像数据，所述获取样方区域近低空多光谱影像连接端设有多光谱影像预处理，所述多光谱影像预处理连接端设有获取氮素反射率指数平均值，所述获取氮素反射率指数平均值连接端设有建立线性回归模型，所述建立线性回归模型连接端设有评价模型精度，所述建立线性回归模型输入端设有人工获取样方内小麦冠层氮含量真实值，所述同步的卫星遥感影像数据连接端设有无人机遥感数据反演的小麦冠层氮含量，所述无人机遥感数据反演的小麦冠层氮含量连接端设有根据经验模型反演的小麦冠层氮含量，所述根据经验模型反演的小麦冠层氮含量连接端设有模型校正，所述模型校正连接端设有多源遥感数据小麦冠层氮含量反演模型，所述模型校正输入端设有卫星遥感影像预处理；
具体步骤如下：
S1、麦田选取：选取多个在相同地理环境下的麦田，麦田气候环境一致、麦田土壤肥沃度相同，同时将麦田分割成多个相似模块，麦田小麦长势基本一致；
S2、田间采样：根据选取实验区域作物种植的陇宽确定样方的大小，本发采用便携式地面GPS接收站记录20cm*20cm的样方框位置，并将样方框位置内的小麦样本进行采集并试验，在化学实验室内进行叶片全氮的测定；
S3、无人机摄像：选择晴朗的天气，使用搭载有多光谱相机的无人机自动飞行，高度为40米，相机拍摄方向为竖直向下，获取对应的地面遥感影像数据，通过记录的样方点位信息，对样方数据进行裁剪，获取样方多光谱遥感影像数据；
S4、获取基础数据：获取参考白板的反射率，然后利用参考白板对样方的多光谱遥感数据进行辐射校正，算出影像中每个像元的氮素反射率指数值，进而求平均；
S5、建立回归模型：基于所求的氮素反射率指数平均值，建立与小麦冠层氮含量真实值的线性回归估算模型，并通过线性回归估算模型估算小麦冠层氮含量；
S6、同步卫星：选择同步的卫星遥感数据，经过辐射定标、几何校正、大气校正等预处理后，利用经验模型，得到基于卫星遥感数据的小麦冠层氮含量反演结果；
S7、反演模型：基于无人机遥感数据的小麦冠层氮含量反演结果为基础，对卫星反演结果进行校正，得到校正后的多源遥感数据小麦冠层氮含量反演模型。
优选的，在所述S2中小麦样本冠层样本制作工艺为
(1)、人工采集的样方框位置内小麦冠层叶片；
(2)、将小麦冠层叶片样本放入烘箱内进行烘干杀青处理；
(3)、将烘干杀青后的小麦冠层叶片样本进行叶片全氮的测定。
优选的，在所述S3中方多光谱遥感影像以用带通或者槽形滤波的方法来消除，消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理。
优选的，在所述步骤S4中的参考白板的反射率计算公式为：样方反射率＝样方影像/白板影像*0.73，经过校正的样方反射率共有绿光、红光、红边和近红外四个波段，通过氮素反射率指数计算公式：氮素反射率指数＝(绿光-红光)/(绿光+红光)以此获取多光谱影像氮素反射率指数平均值。
优选的，在所述步骤S5中的线性回归估算模型的计算公式为y＝ax+b，式中，y为小麦冠层氮含量的回归值，x为氮素反射率指数平均值，a、b为回归系数。
优选的，在所述步骤S6中的利用无人机和卫星遥感数据，在监测区域反演得到长时序的小麦冠层氮含量分布结果。
优选的，所述卫星遥感数据遥感图像信息融合是将多源遥感数据在统一的地理坐标系中，采用一定的算法生成一组新的信息或合成图像的过程，不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率，如果能将它们各自的优势综合起来，可以弥补单一图像上信息的不足，这样不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分析的精度。
优选的，所述烘箱温度设置为105℃，烘箱烘干时间为30min，叶片氮含量测定方法为半微量凯氏法。
本发明的有益效果是：
本发明根据经验模型，得到小麦冠层氮含量反演结果，再以无人机遥感反演的小麦冠层氮含量结果为基础，对卫星反演结果进行校正，得到最终的多源遥感数据小麦冠层氮含量反演模型，可分别利用近低空无人机遥感和卫星遥感等方式监测小麦冠层氮含量，可对监测区域进行长时序的监测，弥补时间、空间和效率的短板，获得更为精准的小麦冠层氮含量长时序分布变化结果，是精准农业和智慧农业的基础。
附图说明
图1为本发明提供的建立回归模型技术流程图；
图2为本发明提供的多源遥感数据模型技术流程图；
图3为本发明提供的小麦冠层氮含量真实值与无人机遥感反演小麦冠层氮含量估计值图；
图4为本发明提供的小麦冠层氮含量(卫星)与小麦冠层氮含量(无人机)结果图。
图中：1获取样方区域近低空多光谱影像、2人工获取样方内小麦冠层氮含量真实值、3多光谱影像预处理、4获取氮素反射率指数平均值、5建立线性回归模型、6评价模型精度、7同步的卫星遥感影像数据、8卫星遥感影像预处理、9 无人机遥感数据反演的小麦冠层氮含量、10根据经验模型反演的小麦冠层氮含量、11模型校正、12多源遥感数据小麦冠层氮含量反演模型。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例1，参照附图1-4，本发明提供的一种基于多源遥感数据的小麦冠层氮含量监测方法，包括获取样方区域近低空多光谱影像1和同步的卫星遥感影像数据7，所述获取样方区域近低空多光谱影像1连接端设有多光谱影像预处理3，所述多光谱影像预处理3连接端设有获取氮素反射率指数平均值4，所述获取氮素反射率指数平均值4连接端设有建立线性回归模型5，所述建立线性回归模型5 连接端设有评价模型精度6，所述建立线性回归模型5输入端设有人工获取样方内小麦冠层氮含量真实值2，所述同步的卫星遥感影像数据7连接端设有无人机遥感数据反演的小麦冠层氮含量9，所述无人机遥感数据反演的小麦冠层氮含量 9连接端设有根据经验模型反演的小麦冠层氮含量10，所述根据经验模型反演的小麦冠层氮含量10连接端设有模型校正11，所述模型校正11连接端设有多源遥感数据小麦冠层氮含量反演模型12，所述模型校正11输入端设有卫星遥感影像预处理8；
具体步骤如下：
S1、麦田选取：选取多个在相同地理环境下的麦田，麦田气候环境一致、麦田土壤肥沃度相同，同时将麦田分割成多个相似模块，麦田小麦长势基本一致；
S2、田间采样：根据选取实验区域作物种植的陇宽确定样方的大小，本发采用便携式地面GPS接收站记录20cm*20cm的样方框位置，并将样方框位置内的小麦样本进行采集并试验，在化学实验室内进行叶片全氮的测定；
S3、无人机摄像：选择晴朗的天气，使用搭载有多光谱相机的无人机自动飞行，高度为40米，相机拍摄方向为竖直向下，获取对应的地面遥感影像数据，通过记录的样方点位信息，对样方数据进行裁剪，获取样方多光谱遥感影像数据；
S4、获取基础数据：获取参考白板的反射率，然后利用参考白板对样方的多光谱遥感数据进行辐射校正，算出影像中每个像元的氮素反射率指数值，进而求平均；
S5、建立回归模型：基于所求的氮素反射率指数平均值，建立与小麦冠层氮含量真实值的线性回归估算模型，并通过线性回归估算模型估算小麦冠层氮含量；
S6、同步卫星：选择同步的卫星遥感数据，经过辐射定标、几何校正、大气校正等预处理后，利用经验模型，得到基于卫星遥感数据的小麦冠层氮含量反演结果；
S7、反演模型：基于无人机遥感数据的小麦冠层氮含量反演结果为基础，对卫星反演结果进行校正，得到校正后的多源遥感数据小麦冠层氮含量反演模型。
进一步地，在所述S2中小麦样本冠层样本制作工艺为
(1)、人工采集的样方框位置内小麦冠层叶片；
(2)、将小麦冠层叶片样本放入烘箱内进行烘干杀青处理；
(3)、将烘干杀青后的小麦冠层叶片样本进行叶片全氮的测定。
进一步地，在所述S3中方多光谱遥感影像以用带通或者槽形滤波的方法来消除，消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理。
进一步地，在所述步骤S4中的参考白板的反射率计算公式为：样方反射率＝样方影像/白板影像*0.73，经过校正的样方反射率共有绿光、红光、红边和近红外四个波段，通过氮素反射率指数计算公式：氮素反射率指数＝(绿光-红光)/(绿光+红光)以此获取多光谱影像氮素反射率指数平均值。
进一步地，在所述步骤S5中的线性回归估算模型的计算公式为y＝ax+ b，式中，y为小麦冠层氮含量的回归值，x为氮素反射率指数平均值，a、b为回归系数，如图3所示，图中的y＝0.835x+0.023为回归模型，RMSE为均方根误差，R2为回归平方和与总离差平方和的比值。将氮素反射率指数平均值代入回归模型可得到小麦冠层氮含量估计值，由图可知R2达到了0.835的显著性水平，同时RMSE较小，说明氮素反射率指数估算小麦冠层氮含量的方法可行、可靠。
进一步地，在所述步骤S6中的利用无人机和卫星遥感数据，在监测区域反演得到长时序的小麦冠层氮含量分布结果，如图4所示，图中的y＝9.0881X– 41.4358为回归模型，RMSE为均方根误差，R2为回归平方和与总离差平方和的比值，由图可知R2达到了0.6737的显著性水平，同时RMSE较小，说明多源遥感数据估算小麦冠层氮含量的方法可行、可靠。
进一步地，所述卫星遥感数据遥感图像信息融合是将多源遥感数据在统一的地理坐标系中，采用一定的算法生成一组新的信息或合成图像的过程，不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率，如果能将它们各自的优势综合起来，可以弥补单一图像上信息的不足，这样不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分析的精度。
进一步地，所述烘箱温度设置为105℃，烘箱烘干时间为30min，叶片氮含量测定方法为半微量凯氏法。
以上所述，仅是本发明的较佳实施例，任何熟悉本领域的技术人员均可能利用上述阐述的技术方案对本发明加以修改或将其修改为等同的技术方案。因此，依据本发明的技术方案所进行的任何简单修改或等同置换，尽属于本发明要求保护的范围。
Claims (8)
1.一种基于多源遥感数据的小麦冠层氮含量监测方法，包括获取样方区域近低空多光谱影像(1)和同步的卫星遥感影像数据(7)，其特征在于：所述获取样方区域近低空多光谱影像(1)连接端设有多光谱影像预处理(3)，所述多光谱影像预处理(3)连接端设有获取氮素反射率指数平均值(4)，所述获取氮素反射率指数平均值(4)连接端设有建立线性回归模型(5)，所述建立线性回归模型(5)连接端设有评价模型精度(6)，所述建立线性回归模型(5)输入端设有人工获取样方内小麦冠层氮含量真实值(2)，所述同步的卫星遥感影像数据(7)连接端设有无人机遥感数据反演的小麦冠层氮含量(9)，所述无人机遥感数据反演的小麦冠层氮含量(9)连接端设有根据经验模型反演的小麦冠层氮含量(10)，所述根据经验模型反演的小麦冠层氮含量(10)连接端设有模型校正(11)，所述模型校正(11)连接端设有多源遥感数据小麦冠层氮含量反演模型(12)，所述模型校正(11)输入端设有卫星遥感影像预处理(8)；
具体步骤如下：
S1、麦田选取：选取多个在相同地理环境下的麦田，麦田气候环境一致、麦田土壤肥沃度相同，同时将麦田分割成多个相似模块，麦田小麦长势基本一致；
S2、田间采样：根据选取实验区域作物种植的陇宽确定样方的大小，本发采用便携式地面GPS接收站记录20cm*20cm的样方框位置，并将样方框位置内的小麦样本进行采集并试验，在化学实验室内进行叶片全氮的测定；
S3、无人机摄像：选择晴朗的天气，使用搭载有多光谱相机的无人机自动飞行，高度为40米，相机拍摄方向为竖直向下，获取对应的地面遥感影像数据，通过记录的样方点位信息，对样方数据进行裁剪，获取样方多光谱遥感影像数据；
S4、获取基础数据：获取参考白板的反射率，然后利用参考白板对样方的多光谱遥感数据进行辐射校正，算出影像中每个像元的氮素反射率指数值，进而求平均；
S5、建立回归模型：基于所求的氮素反射率指数平均值，建立与小麦冠层氮含量真实值的线性回归估算模型，并通过线性回归估算模型估算小麦冠层氮含量；
S6、同步卫星：选择同步的卫星遥感数据，经过辐射定标、几何校正、大气校正等预处理后，利用经验模型，得到基于卫星遥感数据的小麦冠层氮含量反演结果；
S7、反演模型：基于无人机遥感数据的小麦冠层氮含量反演结果为基础，对卫星反演结果进行校正，得到校正后的多源遥感数据小麦冠层氮含量反演模型。
2.根据权利要求1所述的一种基于多源遥感数据的小麦冠层氮含量监测方法，其特征在于：在所述S2中小麦样本冠层样本制作工艺为
(1)、人工采集的样方框位置内小麦冠层叶片；
(2)、将小麦冠层叶片样本放入烘箱内进行烘干杀青处理；
(3)、将烘干杀青后的小麦冠层叶片样本进行叶片全氮的测定。
3.根据权利要求1所述的一种基于多源遥感数据的小麦冠层氮含量监测方法，其特征在于：在所述S3中方多光谱遥感影像以用带通或者槽形滤波的方法来消除，消除尖峰噪声，特别是与扫描方向不平行的，一般用傅立叶变换进行滤波处理。
4.根据权利要求1所述的一种基于多源遥感数据的小麦冠层氮含量监测方法，在所述步骤S4中的参考白板的反射率计算公式为：样方反射率＝样方影像/白板影像*0.73，经过校正的样方反射率共有绿光、红光、红边和近红外四个波段，通过氮素反射率指数计算公式：氮素反射率指数＝(绿光-红光)/(绿光+红光)以此获取多光谱影像氮素反射率指数平均值。
5.根据权利要求1所述的一种基于多源遥感数据的小麦冠层氮含量监测方法，在所述步骤S5中的线性回归估算模型的计算公式为y＝ax+b，式中，y为小麦冠层氮含量的回归值，x为氮素反射率指数平均值，a、b为回归系数。
6.根据权利要求1所述的一种基于多源遥感数据的小麦冠层氮含量监测方法，在所述步骤S6中的利用无人机和卫星遥感数据，在监测区域反演得到长时序的小麦冠层氮含量分布结果。
7.根据权利要求1所述的一种基于多源遥感数据的小麦冠层氮含量监测方法，其特征在于：所述卫星遥感数据遥感图像信息融合是将多源遥感数据在统一的地理坐标系中，采用一定的算法生成一组新的信息或合成图像的过程，不同的遥感数据具有不同的空间分辨率、波谱分辨率和时相分辨率，如果能将它们各自的优势综合起来，可以弥补单一图像上信息的不足，这样不仅扩大了各自信息的应用范围，而且大大提高了遥感影像分析的精度。
8.根据权利要求2所述的一种基于多源遥感数据的小麦冠层氮含量监测方法，其特征在于：所述烘箱温度设置为105℃，烘箱烘干时间为30min，叶片氮含量测定方法为半微量凯氏法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110214846.5A CN113063740A (zh) | 2021-02-25 | 2021-02-25 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110214846.5A CN113063740A (zh) | 2021-02-25 | 2021-02-25 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113063740A true CN113063740A (zh) | 2021-07-02 |
Family
ID=76559077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110214846.5A Pending CN113063740A (zh) | 2021-02-25 | 2021-02-25 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113063740A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570251A (zh) * | 2021-07-29 | 2021-10-29 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
| CN115144342A (zh) * | 2022-06-21 | 2022-10-04 | 河海大学 | 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
| CN106501816A (zh) * | 2016-10-31 | 2017-03-15 | 塔里木大学 | 一种枣树冠层氮含量的卫星遥感监测方法 |
| US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| CN108760660A (zh) * | 2018-08-17 | 2018-11-06 | 山东农业大学 | 一种返青期冬小麦叶绿素含量估算方法 |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
| CN111062251A (zh) * | 2020-03-23 | 2020-04-24 | 乔红波 | 基于无人机成像的农田棉蚜为害等级模型的监测方法 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN111829957A (zh) * | 2020-07-07 | 2020-10-27 | 塔里木大学 | 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法 |
-
2021
- 2021-02-25 CN CN202110214846.5A patent/CN113063740A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104567754A (zh) * | 2014-12-26 | 2015-04-29 | 河南省农业科学院农业经济与信息研究所 | 一种耦合星-地遥感的小麦叶面积指数估算方法 |
| US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| CN106501816A (zh) * | 2016-10-31 | 2017-03-15 | 塔里木大学 | 一种枣树冠层氮含量的卫星遥感监测方法 |
| CN108760660A (zh) * | 2018-08-17 | 2018-11-06 | 山东农业大学 | 一种返青期冬小麦叶绿素含量估算方法 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN110514597A (zh) * | 2019-09-04 | 2019-11-29 | 北京麦飞科技有限公司 | 基于星地遥感数据协同的农作物病虫害监测方法 |
| CN111062251A (zh) * | 2020-03-23 | 2020-04-24 | 乔红波 | 基于无人机成像的农田棉蚜为害等级模型的监测方法 |
| CN111829957A (zh) * | 2020-07-07 | 2020-10-27 | 塔里木大学 | 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 秦占飞: "西北地区水稻长势遥感监测研究", 《中国博士学位论文全文数据库农业科学辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570251A (zh) * | 2021-07-29 | 2021-10-29 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
| CN113570251B (zh) * | 2021-07-29 | 2023-08-11 | 福州大学 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
| CN115144342A (zh) * | 2022-06-21 | 2022-10-04 | 河海大学 | 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 |
| CN115144342B (zh) * | 2022-06-21 | 2024-05-28 | 河海大学 | 基于半监督学习的无人机多光谱柑橘叶片氮含量估算方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110567891B (zh) | 一种冬小麦冠层叶绿素估测系统及方法 | |
| CN108732129B (zh) | 一种用图像表示农田土壤成分的系统及其方法 | |
| CN100394212C (zh) | 一种大面积作物种植面积及其产量的遥感检测估算方法 | |
| 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 | |
| CN108169138B (zh) | 一种利用热红外图像的水稻倒伏监测方法 | |
| Yang et al. | MODIS leaf area index products: From validation to algorithm improvement | |
| CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
| CN108760660A (zh) | 一种返青期冬小麦叶绿素含量估算方法 | |
| CN108680509A (zh) | 一种滨海盐渍区土壤盐分含量估算方法 | |
| CN113063740A (zh) | 一种基于多源遥感数据的小麦冠层氮含量监测方法 | |
| CN108896022A (zh) | 一种植被覆盖度估算方法 | |
| 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 | |
| CN111738066A (zh) | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 | |
| CN112380980A (zh) | 一种人工龙竹林lai遥感估测最佳尺度选择方法 | |
| 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 | |
| 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 | |
| CN103278503A (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN103971199A (zh) | 一种大范围农作物长势的遥感评级方法 | |
| CN112434569A (zh) | 一种无人机热成像系统 | |
| Disney et al. | Comparison of MODIS broadband albedo over an agricultural site with ground measurements and values derived from Earth observation data at a range of spatial scales | |
| Hoffmeister et al. | 3D terres-trial laser scanning for field crop modelling | |
| CN112364691A (zh) | 一种烟草病虫害识别方法 | |
| Timmermans et al. | An overview of the Regional Experiments for Land-atmosphere Exchanges 2012 (REFLEX 2012) campaign | |
| Liu et al. | Estimating wheat coverage using multispectral images collected by unmanned aerial vehicles and a new sensor | |
| Restrepo-Coupe et al. | Satellite Phenology Validation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |
|
| RJ01 | Rejection of invention patent application after publication |