CN113268703B - 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 - Google Patents
一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 Download PDFInfo
- Publication number
- CN113268703B CN113268703B CN202110699976.2A CN202110699976A CN113268703B CN 113268703 B CN113268703 B CN 113268703B CN 202110699976 A CN202110699976 A CN 202110699976A CN 113268703 B CN113268703 B CN 113268703B
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- index
- nni
- deficiency
- ndvigb
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 63
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 61
- 230000007812 deficiency Effects 0.000 title claims abstract description 53
- 239000000618 nitrogen fertilizer Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 343
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 173
- 235000016709 nutrition Nutrition 0.000 claims abstract description 50
- 230000035764 nutrition Effects 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 239000002028 Biomass Substances 0.000 claims abstract description 12
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 239000002131 composite material Substances 0.000 claims description 17
- 238000009825 accumulation Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000011282 treatment Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims description 3
- 238000003912 environmental pollution Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000012272 crop production Methods 0.000 abstract description 3
- 238000003745 diagnosis Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010790 dilution Methods 0.000 description 3
- 239000012895 dilution Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 description 2
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000008187 granular material Substances 0.000 description 2
- 239000005416 organic matter Substances 0.000 description 2
- 239000002686 phosphate fertilizer Substances 0.000 description 2
- 229940072033 potash Drugs 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 235000015320 potassium carbonate Nutrition 0.000 description 2
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 description 2
- 230000037452 priming Effects 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000007696 Kjeldahl method Methods 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000014075 nitrogen utilization Effects 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/002—Determining nitrogen by transformation into ammonia, e.g. KJELDAHL method
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Mathematical Optimization (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computing Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明公开了一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法，属于遥感技术监测领域，包括将叶片氮指示指标NDVIgb与生物量指示指标MSAVI以比值的形式进行结合，计算新结合参数与叶片氮素营养指数NNI之间的线性决定系数及模型，同步构建氮亏缺量NDA与NNI间定量关系，以NNI为关联节点，通过模型链接和指标转换方法，确定NDA与NDVIgb/MSAVI之间数量化关系，实现由遥感指标NDVIgb/MSAVI到氮肥亏缺量的反演，完成小麦田间管理的氮肥亏缺快速检测与精量追施。本发明在作物生产过程中能够快速、准确的监测作物氮素营养状况，实现氮肥精确管理，提高作物产量和品质，降低环境污染风险。
Description
技术领域
本发明属于遥感技术监测领域，更具体的说是涉及一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法。
背景技术
氮素(N)是促进作物光合作用，提高产量和品质的关键因素。为了获得高产，农民往往施入大量的氮肥，不仅影响小麦的品质，而且导致大量硝酸盐向下渗漏，温室气体(N2O)排放量增加，地下水被污染，从而严重威胁到人类的健康。如何保证作物高产、优质的同时，尽可能的减少因氮肥施用不当所造成的环境污染成为目前亟待解决的技术难题。因此，在作物生产过程中急需具有快速、准确的监测作物氮素营养状况的有效技术，以便实现氮肥精确管理，提高作物产量和品质，降低环境污染风险。
小氮素是作物生长需求量最大的元素之一，小麦生长过程中对氮素盈亏反映尤为敏感。氮肥过少则会限制作物生长，氮肥施用过量容易导致氮肥利用率低下，造成资源浪费、污染环境。合理的氮肥供应是调控小麦生长发育，改善光合性能，提高产量和品质的关键因素。传统的氮素营养诊断的方法主要包括长势诊断、叶色诊断、症状诊断等，这些诊断方法主要靠专家的经验进行主观判断，误差相对较大，这就大大制约了这些诊断方法的精度和应用。化学诊断方法，准确，但费时力。不同时期、不同生产条件下氮素含量适宜值的确立各不相同。因此，加强各时期氮素精确定量诊断，对于氮肥优化管理具有重要意义。目前，已有不少学者提出了：“临界氮浓度”的诊断方法，即获得最大生物量增长所需要的最低氮浓度值。研究表明，作物体内的氮浓度随着生物量的增加而降低，两者之间的关系可以用幂函数方程N＝aDW-b表示，即临界氮浓度稀释曲线。当作物实际氮含量低于临界氮浓度时，将会限制作物生长；高于临界氮浓度时，说明氮素供应过量。在临界值附近时，说明氮素供应适当，刚好满足作物生长需求。据此，提出并构建氮营养指数(NNI，NitrogenNutrientIndex)指标，它是一个评价作物氮素营养处于正常、不良或过剩状态的十分重要的管理指标。
目前，高光谱遥感技术已经被证明是可以快速、无损监测作物长势和生理指标的有效方法。遥感监测主要是通过提取作物特征光谱信息，筛选出对生理指标反映敏感的波段，从而构建出预测模型。大量研究表明，敏感波段及其反射率组合(例如NDVI)与植株氮积累量、叶绿素、类胡萝卜素、冠层生物量等多种生理生化指标间关系密切，高光谱遥感已经成为当前数字农业领域获取田间定量信息的一种重要手段。但是，当前借助高光谱遥感技术实时监测氮素营养指数的研究相对较少，尤其是小麦生产区域性及品种选择性较强，导致小麦氮素营养指数的监测指标、模型及方法难以统一，适用性差。
因此，如何提供一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法，在作物生产过程中能够快速、准确的监测作物氮素营养状况，以便实现氮肥精确管理，提高作物产量和品质，降低环境污染风险。
为了实现上述目的，本发明采用如下技术方案：
一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法，包括：将叶片氮素指示指标NDVIgb与生物量指示指数MSAVI以比值的形式进行结合，并计算新结合参数与叶片氮素营养指数NNI之间的线性决定系数及其模型，同步确立氮亏缺量NDA与NNI之间定量关系，以NNI为关联节点，通过模型链接和指标转换方法，构建NDA与复合植被指数NDVIgb/MSAVI之间数量化关系，实现由遥感指标NDVIgb/MSAVI到氮肥亏缺量的反演，完成小麦田间管理的氮肥亏缺快速检测与精量追施。
优选的，氮亏缺量与复合植被指数间定量模型，基于小麦主产区氮肥水平的试验数据，以NNI为链接点进行指标转换，将NDA-NNI模型和NNI-NDVIgb/MSAVI模型进行链接，确立NDA-NDVIgb/MSAVI之间数量关系：
NDA＝113.66×NDVIgb/MSAVI-28.98 (1)
其中，NDVIgb为氮素指示指数，MSAVI为生物量指示指数。
优选的，氮肥亏缺量-复合植被指数模型是通过氮肥亏缺量-NNI模型与氮素营养指数-NDVIgb/MSAVI监测模型联立得到，其中，
氮肥亏缺量-NNI模型，依据小麦试验点数据，将氮素亏缺量与氮营养指数进行回归拟合，得到两者间定量关系：
NDA＝-31.816×NNI+30.528 (2)
氮素营养指数-NDVIgb/MSAVI监测模型，依据小麦试验点数据，将氮素营养指数与遥感复合植被指数进行回归建模，得到两者间定量关系：
NNI＝-3.5723×NDVIgb/MSAVI+1.8703 (3)
将公式(2)和(3)联立，得到氮亏缺量与复合植被指数间定量模型。
优选的，氮营养指数公式为NNI＝Na/Nc (4)
其中，Na为小麦氮浓度实测值，Nc为临界氮浓度值。
优选的，小麦临界氮浓度值的计算方法如下:
Nc＝aDM-b (5)
其中，Nc为小麦临界氮浓度值，DM为最大干物质积累量，a和b为参数，a表示干物质为1thm-2时的临界氮浓度值，b表示控制此曲线斜率的参数。
优选的，小麦氮亏缺量公式为NDA＝Ncna-Nna (6)
其中，Ncna为临界氮浓度条件下的氮积累量，Nna为不同处理的实际氮积累量。
本发明的有益效果在于：
本发明在作物生产过程中能够快速、准确的监测作物氮素营养状况，以便实现氮肥精确管理，提高作物产量和品质，降低环境污染风险，保证作物高产、优质的同时，尽可能的减少因氮肥施用不当所造成的环境污染。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1附图为氮营养指数与小麦相对产量之间的关系。
图2附图为小麦氮素营养指数与氮亏缺值的关系图。
图3附图为小麦叶片氮营养指数与复合植被指数NDVIgb/MSAVI2间定量关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法，包括：将叶片氮素指示指标NDVIgb与生物量指示指数MSAVI以比值的形式进行结合，并计算新结合参数与叶片氮素营养指数NNI之间的线性决定系数及模型，并同步构建氮亏缺量NDA与NNI之间定量关系，以NNI为关联节点，通过模型链接和指标转换方法，确立了氮亏缺量与复合植被指数间定量模型，实现由遥感指标NDVIgb/MSAVI到氮肥亏缺量的反演，完成小麦田间管理的氮肥亏缺快速检测与精量追施。
本发明中，氮亏缺量与复合植被指数间定量模型，河南小麦主产区氮肥水平的试验数据，以NNI为链接点进行指标转换，将NDA-NNI模型和NNI-NDVIgb/MSAVI模型进行链接，确立NDA-NDVIgb/MSAVI之间数量关系。
NDA＝113.66×NDVIgb/MSAVI-28.98 (1)
其中，NDVIgb为氮素指示指数，MSAVI为生物量指示指数。
本发明中，氮肥亏缺量-复合植被指数模型是通过氮肥亏缺量-NNI模型与氮素营养指数-NDVIgb/MSAVI监测模型联立得到，其中，
氮肥亏缺量-NNI模型，依据小麦主产区的河南郑州和商水试验点数据，将氮素亏缺量与氮营养指数进行回归拟合，得到两者间定量关系：
NDA＝-31.816×NNI+30.528 (2)
氮素营养指数-NDVIgb/MSAVI监测模型，依据小麦主产区的河南郑州和商水试验点数据，将氮素营养指数与遥感复合植被指数进行回归建模，得到两者间定量关系：
NNI＝-3.5723×NDVIgb/MSAVI+1.8703 (3)
将公式(2)和(3)联立，得到氮亏缺量与复合植被指数间定量模型。
本发明中，氮营养指数公式为：
NNI＝Na/Nc (4)
其中，Na为小麦氮浓度实测值，Nc为临界氮浓度值。
本发明中，小麦临界氮浓度值的计算方法如下:
Nc＝aDM-b (5)
其中，Nc为小麦临界氮浓度值，DM为最大干物质积累量，a和b为参数，a表示干物质为1thm-2时的临界氮浓度值，b表示控制此曲线斜率的参数。
本发明中，小麦氮亏缺量公式为NDA＝Ncna-Nna (6)
其中，Ncna为临界氮浓度条件下的氮积累量，Nna为不同处理的实际氮积累量。
实施例
1.1试验设计
试验1：在河南农业大学郑州科教示范园进行，土壤质地为潮土，pH为7.8～7.9，有机质、全氮、硝态氮、速效氮、速效磷和速效钾分别为10.6～17.47g/kg，0.84～0.91g/kg，8.1～9.3mg/kg，78.4～113.0mg/kg，18.83～25.6mg/kg和124.5～252.56mg/kg。供试品种为矮抗58。设4个施氮水平：0(N0)，120(N1)，240(N2)，360(N3)kg/hm，氮肥50％基施，剩余50％在拔节期结合浇水进行追施。磷肥(150kg/hmP2O5)和钾肥(90kg/hmK2O)在播种前全部底施。小区面积为7m×2.9m＝20.3m2，3次重复，按随机区组排列。在小麦返青期、拔节期、孕穗期、开花期、灌浆前期、灌浆中期和灌浆后期进行取样。其他栽培管理措施同当地高产田。
试验2：在河南周口市商水县国营农场十四分场进行，土壤质地为砂姜黑土，pH为7.1，有机质、全氮、硝态氮、速效氮、速效磷和速效钾分别为21.5g/kg，1.35g/kg，15.5mg/kg，81.4mg/kg，4.86mg/kg和175.2mg/kg。供试品种为周麦27。设4个施氮水平：0(N0)，180(N1)，240(N2)，300(N3)kg/hm2，氮肥50％基施，剩余50％在拔节期结合浇水进行追施。磷肥(150kg/hm2 P2O5)和钾肥(90kg/hm2K2O)在播种前全部底施。小区面积为9m×7m＝63m2，3次重复，按随机区组排列。在小麦返青期、拔节期、孕穗期、开花期、灌浆前期、灌浆中期和灌浆后期进行取样。其他栽培管理措施同当地高产田。
1.2小麦冠层光谱测定
小麦冠层光谱测定采用Field Spec HH 2，波段范围为350～1050nm，光谱分辨率为3nm，采样间隔为1.4nm。测量时传感器探头垂直向下，光谱仪视场角为25°，距离冠层垂直高度约1.0m。在晴朗无云无风天气，于10:00-14:00进行测定。以5个光谱为一采样光谱，取平均值作为该观测点的光谱反射值，测量过程中，及时进行标准白板校正。
1.3生物量和氮含量测定
与光谱测量同步，每个小区取0.20m2小麦植株(0.5m，2行)，按器官分离后在105℃下杀青30分钟，并在70℃烘干、称重，得到叶片及不同器官重量。粉碎后采用凯氏定氮法测定各器官的全氮含量。氮积累量(g/m2)＝氮含量(％)×干物质(g/m2)。
1.3.1小麦临界氮浓度稀释曲线模型的建立
根据计算临界氮浓度稀释曲线的方法，其公式如下:
Nc＝aDM-b
其中，Nc为小麦临界氮浓度值(％)，DM为最大干物质积累量(t/hm2)，a和b为参数，a表示干物质为1t/hm2时的临界氮浓度值，b表示控制此曲线斜率的参数。
1.3.2小麦氮营养指数NNI
氮营养指数公式为NNI＝Na/Nc，其中Na为小麦氮浓度实测值，Nc为临界氮浓度值。
1.3.3小麦氮亏缺量NDA
小麦氮亏缺量公式为NDA＝Ncna-Nna，其中，Ncna为临界氮浓度条件下的氮积累量(g/m2)，Nna为不同处理的实际氮积累量。NDA大于0为氮积累不足，NDA小于0为氮积累过量。
结果与分析
1、小麦氮营养指数与相对产量间关系(依据NNI，氮肥亏缺程度划分确立)
为了更加精确地反映小麦植株氮素营养是否适宜，分析了氮营养指数与相对产量间关系，符合线性+平台规律，尤其在线性阶段方程拟合决定系数达到0.80，显示出氮素状况的好坏严重影响产量的形成，最终决定籽粒产量的高低，但是当氮素投入量达到一定程度后，产量基本维持不变，保持徘徊(平台阶段)，氮素利用率显著下降。依据相对产量范围，可划分4个氮素丰缺等级(严重亏缺区、亏缺区、适量区和过量区)，如图1所示，其NNI对应为<0.7、0.7～0.9、0.9～1.05和>1.05，在严重亏缺区相对产量仅为60％，亏缺区为60％～90％，适量区达到90％以上。
2、小麦氮素营养指数与氮亏缺值的关系
为了拓展NNI在精确施氮管理中应用性，汇总两个地点的数据分析了NNI与氮亏缺值之间的定量关系。从图2中可以看出，NNI-NDA关系在不同试验点和不同灌水处理间关系趋同，可以统一建模，呈线性极显著负相关关系。当NNI从0.5到1变化时，植株分别需要积累15.0g/m2和18.0g/m2的氮素，这说明当氮素条件逐渐改善时，植株吸收并累积更多的氮素以供植株器官建成及生长需要。可见，NNI与氮亏缺间关系密切，利用NNI可以定量评价植株氮素需求数量。
3、小麦冠层植被指数与叶片氮营养指数间关系
从前人研究文献中查询筛选出与作物氮素及生长相关的光谱指数350个，并与小麦氮营养指数进行相关分析，按照相关性强弱选择9个植被指数列表1。对氮素营养指数反应最为敏感的植被指数为Carter1、Readone和BATVI，方程预测决定系数大于0.6，可见选择适宜的植被指数能够较好地监测作物氮素营养状况，为田间施肥管理提供依据和指导。
表1
4、小麦植被指数比值与叶片氮营养指数间关系(NNI监测指标的确立)尽管单个传统的植被指数在一定程度上可以监测作物氮素营养指数NNI，但是模型预测精度最高只有0.638，还有36.2％的预测因素不能解释，这将为田间管理带来较大误差，限制了遥感技术在施肥诊断应用的应用，难以满足现代精细农业对信息需求的精确要求。前人已经证实将多个植被指数结合将有助于提升对目标物的监测能力，并在多个学科领域及监测目标中得到很好地应用。本发明将两个植被指数以比值的形式进行结合，并计算新结合参数与叶片氮素营养指数之间的线性决定系数。表2为任意两植被指数比值与叶片氮营养指数间关系，从表2中横向可以看出，叶片氮素指示指标NDVIgb表现最好，其次为mND705，RES也表现出不错的结果；从纵向来看，生物量指示指标MSAVI2表现最好，明显高于其他植被指数。从双向组合来看，NDVIgb与MSAVI2、NDVI和OSAVI进行比值效果较好(R2>0.70)，其中NDVIgb/MSAVI2最为突出(R2＝0.776)，显示出该组合参数能够很好地预测小麦叶片氮营养指数。本发明创立的敏感指示NNI的复合植被指数及模型较常规植被指数的表现效果明显改善，拟合精度从Carter1的R2＝0.638提升至R2＝0.776，提高幅度达21.6％。
表2
5、小麦氮素诊断的NNI阈值划分以及氮肥亏缺量的确立(氮亏缺量划分确立)
为将NNI指标快捷灵便地应用于小麦田间生产中，需要对氮素监测指标及其氮肥亏缺量进行阈值范围划分。
参考附图2，氮肥亏缺量-NNI模型为：NDA＝-31.816×NNI+30.528(1)
参考附图3，氮素营养指数-NDVIgb/MSAVI监测模型为：
NNI＝-3.5723×NDVIgb/MSAVI+1.8703 (2)
将公式(1)和(2)联立，得到氮亏缺量与复合植被指数间定量模型，具体如下：
氮肥亏缺量-复合植被指数模型为NDA＝113.66×NDVIgb/MSAVI-28.98(3)
通过上述模型链接和指标转换方法，实现了由遥感指标NDVIgb/MSAVI到氮肥亏缺量的反演，便于直接应用高光谱数据实时监测氮素营养状况。在小麦氮素丰缺的4个等级(严重亏缺区、亏缺区、适量区和过量区)分别对应的遥感指标NDVIgb/MSAVI数值范围分别为>0.328、0.272～0.328、0.230～0.272和<0.230，氮肥建议量及措施分别为>8.30g/m2、1.94～8.30g/m2、酌情不施氮以及控制旺长。小麦氮素营养诊断指标及亏缺量阈值划分，如表3所示。
| 指标 | 严重缺氮 | 适度缺氮 | 适量 | 过量 |
| NNI | <0.7 | 0.7-0.9 | 0.9-1.05 | >1.05 |
| NDVIgb/MSAVI | >0.328 | 0.272—0.328 | 0.230—0.272 | <0.230 |
| NDA(g/m2) | >8.30 | 1.94-8.30 | 不施氮 | 控旺长 |
表3
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法，其特征在于，包括：将叶片氮指示指数NDVIgb与生物量指示指数MSAVI以比值的形式进行结合，并计算新结合参数与叶片氮素营养指数NNI之间的线性决定系数及模型，并建立氮亏缺量NDA与NNI之间定量模型，以NNI为模型链接节点，通过模型链接和指标转换方法，确立了NDA与复合植被指数NDVIgb/MSAVI间数量化关系，实现由遥感指标NDVIgb/MSAVI到氮肥亏缺量的反演，完成小麦田间管理的氮肥亏缺快速检测与精量追施；
氮亏缺量与复合植被指数间定量模型，基于小麦主产区氮肥水平的试验数据，以NNI为链接点进行指标转换，将NDA-NNI模型和NNI-NDVIgb/MSAVI模型进行链接，确立NDA-NDVIgb/MSAVI之间数量关系：
NDA＝113.66×NDVIgb/MSAVI-28.98 (1)
其中，NDVIgb为氮素指示指数，MSAVI为生物量指示指数；
氮肥亏缺量-复合植被指数模型是通过氮肥亏缺量-NNI模型与氮素营养指数-NDVIgb/MSAVI模型联立得到，其中，
氮肥亏缺量-NNI模型，依据小麦试验点数据，将氮素亏缺量与氮营养指数进行回归拟合，得到两者间定量关系：
NDA＝-31.816×NNI+30.528 (2)
氮素营养指数-NDVIgb/MSAVI监测模型，依据小麦试验点数据，将氮素营养指数与遥感复合植被指数进行回归建模，得到两者间定量关系：
NNI＝-3.5723×NDVIgb/MSAVI+1.8703 (3)
将公式(2)和(3)联立，得到氮亏缺量与复合植被指数间定量模型(1)；
氮营养指数公式为：NNI＝Na/Nc(4)其中，Na为小麦氮浓度实测值，Nc为临界氮浓度值；
小麦临界氮浓度值的计算方法如下：
Nc＝aDM-b (5)
其中，Nc为小麦临界氮浓度值，DM为最大干物质积累量，a和b为参数，a表示干物质为1thm-2时的临界氮浓度值，b表示控制此曲线斜率的参数；
小麦氮亏缺量公式为：
NDA＝Ncna-Nna (6)
其中，Ncna为临界氮浓度条件下的氮积累量，Nna为不同处理的实际氮积累量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110699976.2A CN113268703B (zh) | 2021-06-23 | 2021-06-23 | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110699976.2A CN113268703B (zh) | 2021-06-23 | 2021-06-23 | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113268703A CN113268703A (zh) | 2021-08-17 |
| CN113268703B true CN113268703B (zh) | 2024-01-12 |
Family
ID=77235730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110699976.2A Active CN113268703B (zh) | 2021-06-23 | 2021-06-23 | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113268703B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504186B (zh) * | 2021-08-25 | 2022-07-29 | 河南农业大学 | 一种遥感估算小麦氮肥利用率的方法 |
| CN113640230B (zh) * | 2021-08-31 | 2022-06-21 | 河南农业大学 | 一种田间小麦水分利用率快速检测方法及系统 |
| CN114509403A (zh) * | 2021-12-28 | 2022-05-17 | 广东省科学院广州地理研究所 | 马铃薯叶柄的硝酸盐预测方法、装置、设备及存储介质 |
| CN115482120A (zh) * | 2022-10-12 | 2022-12-16 | 安徽科技学院 | 一种无人机精准变量施肥方法及系统 |
| CN116108318B (zh) * | 2023-04-06 | 2023-06-13 | 华中农业大学 | 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 |
| CN117575830A (zh) * | 2023-11-10 | 2024-02-20 | 南京农业大学 | 一种基于nki预测氮钾互作下小麦植株氮钾亏缺和产量状况的方法 |
| CN117716858A (zh) * | 2024-02-08 | 2024-03-19 | 内蒙古农业大学 | 一种生育期马铃薯钾肥追施推荐方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485204A (zh) * | 2020-11-06 | 2021-03-12 | 安徽农业大学 | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 |
| CN112763427A (zh) * | 2020-12-24 | 2021-05-07 | 中国科学院空天信息创新研究院 | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200025741A1 (en) * | 2018-07-20 | 2020-01-23 | Regents Of The University Of Minnesota | Method to predict crop nitrogen status using remote sensing |
-
2021
- 2021-06-23 CN CN202110699976.2A patent/CN113268703B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112485204A (zh) * | 2020-11-06 | 2021-03-12 | 安徽农业大学 | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 |
| CN112763427A (zh) * | 2020-12-24 | 2021-05-07 | 中国科学院空天信息创新研究院 | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于上部叶片SPAD值估算小麦氮营养指数;赵姚霞;田永超;刘小军;曹卫星;朱艳;;生态学报(第03期);全文 * |
| 基于无人机遥感的冬小麦氮素营养诊断;刘昌华;马文玉;陈志超;王春阳;芦俊俊;岳学智;王哲;方征;苗宇新;;河南理工大学学报(自然科学版)(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113268703A (zh) | 2021-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113268703B (zh) | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 | |
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| CN110082300B (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
| CN110309985B (zh) | 一种农作物产量预测方法及系统 | |
| CN105445229B (zh) | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 | |
| CN110189793B (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
| CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| CN112485204A (zh) | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 | |
| CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| CN109211801B (zh) | 一种作物氮素需求量实时获取方法 | |
| CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
| CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
| CN109392398A (zh) | 一种土壤测试与植株诊断相结合的马铃薯氮肥推荐方法 | |
| CN113298859B (zh) | 一种基于无人机影像的作物氮肥变量管理方法 | |
| CN109673439B (zh) | 一种水肥耦合对水稻产量及生长性状的调控方法 | |
| CN108401634B (zh) | 一种大棚鲜食番茄氮素营养诊断及推荐施氮方法 | |
| CN111742793B (zh) | 基于盐氮影响的向日葵叶面积指数增长的预测方法 | |
| CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
| Wang et al. | Solar-induced chlorophyll fluorescence as an indicator for determining the end date of the vegetation growing season | |
| Liu et al. | Real-time and multi-stage recommendations for nitrogen fertilizer topdressing rates in winter oilseed rape based on canopy hyperspectral data | |
| CN113035290A (zh) | 一种基于高光谱遥感技术的小麦植株氮积累量监测方法 | |
| Rongting et al. | Nondestructive estimation of bok choy nitrogen status with an active canopy sensor in comparison to a chlorophyll meter | |
| CN106717425B (zh) | 一种利用植株叶片相对spad值对作物进行氮肥推荐的方法 | |
| CN113269450B (zh) | 一种县级尺度农作物资源利用与环境效应评估方法与系统 | |
| CN117716858A (zh) | 一种生育期马铃薯钾肥追施推荐方法 |
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 |