CN113268923B - 一种基于模拟多光谱的夏玉米产量估算方法 - Google Patents
一种基于模拟多光谱的夏玉米产量估算方法 Download PDFInfo
- Publication number
- CN113268923B CN113268923B CN202110536753.4A CN202110536753A CN113268923B CN 113268923 B CN113268923 B CN 113268923B CN 202110536753 A CN202110536753 A CN 202110536753A CN 113268923 B CN113268923 B CN 113268923B
- Authority
- CN
- China
- Prior art keywords
- summer
- chlorophyll
- index
- summer corn
- yield
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 180
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 138
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 114
- 235000005822 corn Nutrition 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 63
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 270
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 135
- 235000016709 nutrition Nutrition 0.000 claims abstract description 101
- 230000035764 nutrition Effects 0.000 claims abstract description 99
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 94
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 94
- 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 claims abstract description 94
- 230000012010 growth Effects 0.000 claims abstract description 64
- 239000002028 Biomass Substances 0.000 claims abstract description 36
- 241001057636 Dracaena deremensis Species 0.000 claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 208000000509 infertility Diseases 0.000 claims abstract description 10
- 238000002310 reflectometry Methods 0.000 claims abstract description 7
- 241000196324 Embryophyta Species 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 35
- 238000004088 simulation Methods 0.000 claims description 33
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 24
- 235000009973 maize Nutrition 0.000 claims description 24
- 230000008878 coupling Effects 0.000 claims description 23
- 238000010168 coupling process Methods 0.000 claims description 23
- 238000005859 coupling reaction Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000002068 genetic effect Effects 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000011282 treatment Methods 0.000 claims description 16
- 230000035558 fertility Effects 0.000 claims description 13
- 239000002689 soil Substances 0.000 claims description 12
- 238000005316 response function Methods 0.000 claims description 11
- 208000003643 Callosities Diseases 0.000 claims description 10
- 206010020649 Hyperkeratosis Diseases 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 9
- 230000001850 reproductive effect Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000009105 vegetative growth Effects 0.000 claims description 7
- 238000010790 dilution Methods 0.000 claims description 6
- 239000012895 dilution Substances 0.000 claims description 6
- 238000001035 drying Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 238000009987 spinning Methods 0.000 claims description 4
- 229930002877 anthocyanin Natural products 0.000 claims description 3
- 235000010208 anthocyanin Nutrition 0.000 claims description 3
- 239000004410 anthocyanin Substances 0.000 claims description 3
- 150000004636 anthocyanins Chemical class 0.000 claims description 3
- 235000021466 carotenoid Nutrition 0.000 claims description 3
- 150000001747 carotenoids Chemical group 0.000 claims description 3
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 230000035800 maturation Effects 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- 230000003698 anagen phase Effects 0.000 claims description 2
- DGNIJJSSARBJSH-NLJAFYFLSA-L magnesium (E)-3-[(3R)-16-ethenyl-11-ethyl-3-methoxycarbonyl-12,17,21,26-tetramethyl-4-oxo-7,24-diaza-23,25-diazanidahexacyclo[18.2.1.15,8.110,13.115,18.02,6]hexacosa-1(22),2(6),5(26),7,9,11,13,15(24),16,18,20-undecaen-22-yl]prop-2-enoic acid Chemical compound [Mg++].CCc1c(C)c2cc3nc(cc4[n-]c(c(\C=C\C(O)=O)c4C)c4[C@@H](C(=O)OC)C(=O)c5c(C)c(cc1[n-]2)nc45)c(C)c3C=C DGNIJJSSARBJSH-NLJAFYFLSA-L 0.000 claims description 2
- 239000001058 brown pigment Substances 0.000 claims 1
- 230000004720 fertilization Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 10
- 238000003973 irrigation Methods 0.000 description 9
- 230000002262 irrigation Effects 0.000 description 9
- 239000003337 fertilizer Substances 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009395 breeding Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010946 mechanistic model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- PYMYPHUHKUWMLA-VAYJURFESA-N aldehydo-L-arabinose Chemical compound OC[C@H](O)[C@H](O)[C@@H](O)C=O PYMYPHUHKUWMLA-VAYJURFESA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003113 dilution method Methods 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Biochemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
Abstract
本发明公开了一种基于模拟多光谱的夏玉米产量估算方法,包括以下步骤:S1:测定田间试验区域的夏玉米植株叶绿素、叶面积指数、生物量、全氮含量和氮营养指数;S2:构建考虑生育阶段的叶面积指数估算模型;S3:构建耦合的夏玉米植株氮营养指数估算模型;S4:构建基于分生育阶段氮营养指数的相对产量估算模型;S5:采集田间试验区域的地面实测光谱数据,得到夏玉米植株冠层模拟多光谱反射率;S6:构建耦合的叶绿素估算模型;S7:构建基于模拟多光谱数据的夏玉米植株氮营养指数估算模型;S8:构建基于模拟多光谱的夏玉米产量估算模型,并进行计算。本发明构建了夏玉米产量的预测模型,物理意义较明确,结果有可解释性。
Description
技术领域
本发明属于作物估产技术领域,具体涉及一种基于模拟多光谱的夏玉米产量估算方法。
背景技术
我国作为一个农业大国,粮食作物的优质高产与国计民生息息相关。夏玉米作为华北地区种植面积最大的粮食作物之一,其稳产与高产与否对国家粮食安全具有重要实际意义,所以规模化玉米精准估产至关重要。在统计年鉴中玉米产量主要是通过调查统计获得,但调查统计多以调查问卷形式,通过调查统计估算玉米产量精度受制于调查人员与被调查人员专业素养,受主观因素影响较大;且受制于人力物力等因素影响,开展大范围调查统计困难重重,仅通过点面转换方式获取区域产量,但点面转换也会受制于面积或其他因素影响,由于样点代表性不够等因素影响,导致调查统计结果精度不如预期。而在田间试验中玉米产量测定精准,且多以水肥作为作物产量影响的主要因素,该研究中多缺乏对土壤背景值中水肥因素差异考虑;仅依靠实际灌溉量与施肥量作为作物估产因素,因未考虑土壤背景值导致其该类模型在实际推广中存在较大误差。作物生理特性指标能精准反映作物水肥状况及其土壤背景值,但该类指标在整个生育期内受水肥管理影响较大,导致单个生育阶段生理指标状态量难以反映最终产量结果;虽然部分研究表明,在作物关键生育期,作物生理特性指标与产量存在很好统计关系,并利用该关系构建了作物产量估算模型,但利用该模型进行跨年跨地区的估产精度不高,主要原因在于单个生育时段生理生态指标不稳定,势必兼顾全生育各个生育时段生理生态指标才能保证最终产量模拟精准与稳定,但是考虑各个生育时段生理生态指标进行作物估产存在空白。另外,在以往田间试验中,作物生理生态指标测定主要通过破坏性采样获得,难以获得该作物整个生育生理生态指标动态变化,所以在建模时不同生育时段生理生态指标来自于同一处理下不同植株测定结果,采用该类方法构建估产模型也因植株差异影响模型估产精度;同时该类破坏性采样,但受制于人力、物力及时间等因素限制,该类方法难以大规模推广,更难以满足规模化下作物产量及时、精准监测要求。
随着光谱技术发展,多个平台如卫星、无人机及便携式光谱仪等监测光谱分辨率、时空分辨率等越来越高,完全满足规模化作物无损精准估产要求。目前,利用光谱进行作物水分生理特性指标监测研究,多局限于经验统计模型,相关监测也以特定生育时段监测为研究对象,而对于全生育模型筛选研究比较少;与统计模型受其他因素影响较大相比,机理性模型模拟结果更具有可解释性,模拟结果更稳定,但利用机理性模型进行估产相关研究未见报道。结合地面作物水分生理指标监测,如何利用便携式光谱仪获得高光谱,研究适用于规模化、无损的作物生理生态指标与产量的光谱监测技术,将为规模化作物生理生态指标与产量监测开辟新的途径。
发明内容
本发明的目的是为了解决规模化夏玉米产量估算的问题,提出了一种基于模拟多光谱的夏玉米产量估算方法。
本发明的技术方案是:一种基于模拟多光谱的夏玉米产量估算方法包括以下步骤:
S1:测定田间试验区域的夏玉米植株叶绿素、叶面积指数、生物量、全氮含量和氮营养指数;
S2:根据测定夏玉米叶面积指数,构建考虑生育阶段的叶面积指数估算模型;
S3:构建基于出苗天数、植株叶绿素和测定的叶面积指数耦合的夏玉米植株氮营养指数估算模型;
S4:根据氮营养指数和夏玉米植株氮营养指数估算模型,构建基于分生育阶段氮营养指数的相对产量估算模型;
S5:采集田间试验区域的地面实测光谱数据,并通过光谱响应函数将其转换成模拟多光谱数据,得到夏玉米植株冠层模拟多光谱反射率;
S6:根据夏玉米植株冠层模拟多光谱反射率、夏玉米植株叶绿素和考虑生育阶段的叶面积指数估算模型,构建基于PROSAIL模型和遗传算法耦合的叶绿素估算模型;
S7:根据基于PROSAIL模型和遗传算法耦合的叶绿素估算模型,以估算的植株叶绿素、出苗后天数和估算的叶面积指数为参量,构建基于模拟多光谱数据的夏玉米植株氮营养指数估算模型;
S8:以基于模拟多光谱的夏玉米氮营养指数为参量,构建基于模拟多光谱的夏玉米产量估算模型,并对夏玉米产量进行计算。
进一步地,步骤S1中,测定夏玉米植株叶绿素的具体方法为:将夏玉米叶片按高度均分为三层,每层取一片叶子,选择叶片中部作为测定位置进行叶绿素测定,每个测定样点测量连续测定2次,取其平均值作为此层叶片的叶绿素相对含量值,取三层叶片的叶绿素相对含量值的平均值作为此株玉米的叶绿素相对含量值SPAD,并将叶绿素相对含量值SPAD转化为叶绿素含量值Cab,叶绿素相对含量值SPAD和叶绿素含量值Cab的计算公式分别为:
Cab=6.343e(0.4379SPAD)-6.106
其中,K表示常量,lg[·]表示对数运算,IR1表示940nm的透射率,R1表示650nm的透射率,IR0表示近红外波谱的入射率,R0表示红光波谱的入射率;
测定夏玉米叶面积指数的方法具体为:使用直尺测量每株夏玉米各叶片的最大叶长Lij和最大叶宽Bij,得到叶面积指数LAI,其计算公式为:
其中,α表示折算系数;ρ表示种植密度,n表示第j株的总叶片数,m表示测定株数;
测定夏玉米生物量的具体方法为:利用烘干法,将测定光谱的夏玉米植株采样后进行称鲜重,并放入烘箱105℃杀青30min后调至75℃烘干至恒重,得到夏玉米生物量,夏玉米生物量的包括叶片生物量LBiomass、茎生物量SBiomass和植株干物质W,其计算公式分别为:
LBiomass=ρ·M1
SBiomass=ρ·M2
W=LBiomass+SBiomass
其中,ρ表示种植密度,M1表示叶片干物质,M2表示茎干物质;
根据夏玉米生物量计算夏玉米植株全氮含量PNC的公式为:
PNC=PNA/(LBiomass+SBiomass)
其中,PNA=LNA+SNA,PNA表示植株氮累积量,LNA表示叶片氮累积量,SNA表示茎的氮累积量;
根据夏玉米生物量计算氮营养指数NNI的公式为:
其中,PNCc表示临界氮浓度值(%),Wmax表示地上部干生物量的最大值(t/ha),a表示夏玉米地上部单位生物量的临界氮浓度,b表示控制该曲线斜率统计学参数,取-0.554,若NNI<1,则表明植株氮缺乏;若NNI=1,则表明植株体内氮营养处于最佳状态;若NNI>1,则表明植株氮营养过剩。
进一步地,步骤S2中,构建考虑生育阶段的叶面积指数估算模型的具体方法为:对夏玉米生育期相对叶面积指数RLAIj进行拟合,并根据归一化积温DSj构建考虑生育阶段的叶面积指数估算模型,其计算公式分别为:
RLAIj=LAI1/LAImax
其中,LAI1表示测定的叶面积指数,LAImax表示整个生育期内最大叶面积指数,n1表示玉米出苗到吐丝日天数,m1表示吐丝日到成熟期天数,Tj1表示逐日平均气温,AT1表示营养生长阶段积温,AT2表示生殖生长阶段积温,RLAIg表示模拟计算的相对叶面积指数。
进一步地,步骤S3中,基于出苗天数、植株叶绿素含量和叶面积指数耦合的夏玉米植株氮营养指数估算模型,耦合的夏玉米植株氮营养指数NNIg估算的具体计算公式为:
NNIg=0.01Cab-0.03D-0.005LAIg+0.54
其中,Cab表示植株叶绿素含量,D表示出苗后天数,LAIg表示模型计算的叶面积指数。
其中,Y表示夏玉米的产量,Ym表示夏玉米的最大产量,NNIk,k=1,2,3,4表示夏玉米第k生育阶段的氮营养指数,NNImk,k=1,2,3,4表示夏玉米最大产量处理对应的k生育阶段的氮营养指数,k为1、2、3、4分别对应拔节期、抽穗期、灌浆期和成熟期。
进一步地,步骤S5中,测定夏玉米植株冠层高光谱反射率的方法具体为:使用ASD光谱仪分别对夏玉米植株冠层的3处测定样点采集10次高光谱反射率,取其平均值作为该测定样点的光谱反射率,并取3处样点测定的平均值作为该田间试验区域的地面实测光谱数据,利用光谱响应函数将其转换成夏玉米植株冠层模拟多光谱反射率R,其计算公式如下为:
其中,λmin表示卫星传感器的起始波长,λmax表示卫星传感器的终止波长,Sλ表示卫星传感器在波长处的光谱响应函数值,Rλ表示夏玉米植株冠层光谱在波长处的高光谱反射率。
进一步地,步骤S6中,构建基于PROSAIL模型和遗传算法耦合的叶绿素估算模型的具体方法为:利用PROSAIL模型随机模拟夏玉米植株冠层多光谱反射率,其计算公式如下:
(ρ1,τ1)=PROSPECT((N,Cab,Car,Cbrown,Cw,Cm)
ρ(λ)=PROSAIL(ρ1,τ1,LIDFa,LIDFb,TypeLidf,lai,ant,q,tts,tto,psi,Rsoil)
其中,N表示叶片内部结构参数,描述叶子内部细胞结构,与植物的种类和生长状态(衰老与否)有关,一般情况下单子叶植物(夏玉米和冬小麦都为单子叶植物)的N为1~1.5,双子叶植物的N为1.5~2.5,老化叶N>2.5,Cab表示叶片叶绿素含量(μg·cm-2),Cw表示水含量(g·cm-2);Cm表示叶片干物质量(g·cm-2),Car表示类胡萝卜素(μg·cm-2),Cbrown表示棕色素组分(经验值取0);ant:花青素(μg·cm-2),LIDFa表示第一叶倾角分布因子,LIDFb表示第二叶倾角分布因子;TypeLidf表示冠层类型,1代表针叶型,2代表阔叶型),psi表示相对方位角,tts表示太阳天顶角(在landsat 8OLI元文件中提取),tto表示观测天顶角(landsat 8OLI正射成像,所以tto取0),Rsoil表示土壤反射率系数(0-1);
进行耦合的具体方法为:在PROSIAL模型中,考虑生育阶段的叶面积指数的变量范围包括营养生长阶段取值[0.1-4]和生殖生长阶段[3.5-7],叶绿素Cab的变量范围为[10-100];使用遗传算法分别在[0.1-4]和[10-100]与[3.5-7]和[10-100]的变量范围内分别取出若干组参数组合,带入PROSAIL模型计算,得到若干组多光谱,并使用最小偏二乘法作为实测的模拟多光谱的代价函数,确定在若干组多光谱中与实测的模拟多光谱代价函数差别最小的一组,将其输入的叶绿素作为反演的叶绿素;重复若干次耦合操作,将实测模拟多光谱代价函数值小于0.001的叶绿素作为反演的叶绿素。
进一步地,步骤S7中,基于模拟多光谱数据的夏玉米植株氮营养指数估算模型,估算的夏玉米植株氮营养指数NNIgn的表达式为:
NNIgn=0.01Cabm-0.03D-0.005LAIg+0.54
其中,Cabm表示耦合估算的叶绿素含量模拟值,D表示出苗后天数,LAIg表示模拟计算的相对叶面积指数乘LAImax得到的叶面积指数。
其中,Y表示玉米产量,Ym表示夏玉米的最大产量,NNIgnk,k=1,2,3,4表示夏玉米第k生育阶段的基于模拟多光谱的氮营养指数估算值,NNImk,k=1,2,3,4表示夏玉米最大产量处理对应的k生育阶段的氮营养指数,k为1、2、3、4分别对应拔节期、抽穗期、灌浆期和成熟期。
本发明的有益效果是:
(1)本发明考虑了分生育阶段叶面积指数差异,耦合了PROSAIL与遗传算法,采用了多光谱对叶绿素含量进行估算,并以此为基础构建了基于模拟多光谱的夏玉米产量估算模型,实现了采用机理模型进行规模化作物产量估算。与以往采用经验统计方法构建作物产量估算模型不同,本发明方法研究结果具有可解释性,模拟结果较为稳定,具有一定普适性。
(2)本发明分别考虑营养生长阶段与生殖生长阶段参数差异,提出考虑分生育阶段作物叶面积指数模拟方法,实现了全生育期叶面积指数精准模拟,为以叶面积指数为参量的植株氮营养指数精准模拟提供数据支撑。
(3)本发明提出了基于氮营养指数分生育阶段的产量估算连乘模型,破解采用特定生育阶段氮营养指数进行产量模拟精度不高,且受制于模型稳定性等因素推广受限,为规模化作物估产提供了技术与理论支持,为规模化作物无损营养诊断与产量评估提供了技术支撑。
附图说明
图1为夏玉米产量估算方法的流程图;
图2为氮浓度稀释曲线图;
图3为夏玉米植株临界氮稀释模型检验图;
图4为夏玉米氮营养指数变化趋势图;
图5为不同处理下的模型LAI和实测LAI图;
图6为产量模拟效果图;
图7为全生育期叶绿素预测精度图;
图8为NNI估算模型检验图;
图9为产量估算模型检验图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前,为使本发明的方案更加清楚完整,首先对本发明中出现的缩略语和关键术语定义进行说明:
PROSAIL模型:冠层辐射传输模型。
如图1所示,本发明提供了一种基于模拟多光谱的夏玉米产量估算方法,包括以下步骤:
S1:测定田间试验区域的夏玉米植株叶绿素、叶面积指数、生物量、全氮含量和氮营养指数;
S2:根据测定夏玉米叶面积指数,构建考虑生育阶段的叶面积指数估算模型;
S3:构建基于出苗天数、植株叶绿素和测定的叶面积指数耦合的夏玉米植株氮营养指数估算模型;
S4:根据氮营养指数和夏玉米植株氮营养指数估算模型,构建基于分生育阶段氮营养指数的相对产量估算模型;
S5:采集田间试验区域的地面实测光谱数据,并通过光谱响应函数将其转换成模拟多光谱数据,得到夏玉米植株冠层模拟多光谱反射率;
S6:根据夏玉米植株冠层模拟多光谱反射率、夏玉米植株叶绿素和考虑生育阶段的叶面积指数估算模型,构建基于PROSAIL模型和遗传算法耦合的叶绿素估算模型;
S7:根据基于PROSAIL模型和遗传算法耦合的叶绿素估算模型,以估算的植株叶绿素、出苗后天数和估算的叶面积指数为参量,构建基于模拟多光谱数据的夏玉米植株氮营养指数估算模型;
S8:以基于模拟多光谱的夏玉米氮营养指数为参量,构建基于模拟多光谱的夏玉米产量估算模型,并对夏玉米产量进行计算。
在本发明实施例中,步骤S1中,测定夏玉米植株叶绿素的具体方法为:将夏玉米叶片按高度均分为三层,每层取一片叶子,选择叶片中部作为测定位置进行叶绿素测定,每个测定样点测量连续测定2次,取其平均值作为此层叶片的叶绿素相对含量值,取三层叶片的叶绿素相对含量值的平均值作为此株玉米的叶绿素相对含量值SPAD,并将叶绿素相对含量值SPAD转化为叶绿素含量值Cab,叶绿素相对含量值SPAD和叶绿素含量值Cab的计算公式分别为:
Cab=6.343e(0.4379SPAD)-6.106
其中,K表示常量,lg[·]表示对数运算,IR1表示940nm的透射率,R1表示650nm的透射率,IR0表示近红外波谱的入射率,R0表示红光波谱的入射率;
测定夏玉米叶面积指数的方法具体为:使用直尺测量每株夏玉米各叶片的最大叶长Lij和最大叶宽Bij,得到叶面积指数LAI,其计算公式为:
其中,α表示折算系数;ρ表示种植密度,n表示第j株的总叶片数,m表示测定株数;
测定夏玉米生物量的具体方法为:利用烘干法,将测定光谱的夏玉米植株采样后进行称鲜重,并放入烘箱105℃杀青30min后调至75℃烘干至恒重,得到夏玉米生物量,夏玉米生物量的包括叶片生物量LBiomass、茎生物量SBiomass和植株干物质W,其计算公式分别为:
LBiomass=ρ·M1
SBiomass=ρ·M2
W=LBiomass+SBiomass
其中,ρ表示种植密度,M1表示叶片干物质,M2表示茎干物质;
根据夏玉米生物量计算夏玉米植株全氮含量PNC的公式为:
PNC=PNA/(LBiomass+SBiomass)
其中,PNA=LNA+SNA,PNA表示植株氮累积量,LNA表示叶片氮累积量,SNA表示茎的氮累积量;
根据夏玉米生物量计算氮营养指数NNI的公式为:
计算出氮营养指数,参与后续构建叶绿素反演氮营养指数的模型
其中,PNCc表示临界氮浓度值(%),Wmax表示地上部干生物量的最大值(t/ha),a表示夏玉米地上部单位生物量的临界氮浓度,b表示控制该曲线斜率统计学参数,取-0.554,若NNI<1,则表明植株氮缺乏;若NNI=1,则表明植株体内氮营养处于最佳状态;若NNI>1,则表明植株氮营养过剩。
在本发明实施例中,步骤S2中,叶面积指数在全生育期内仅有特定生育期的数据,用模型可以求出全生育期内每天的叶面积指数,能更清楚的揭示其变化规律,为后续模型中叶面积指数分段取值提供数据支撑。
NNI试验结果为:模型的精度评价使用大兴试验研究基地小区内夏玉米全生育期的数据点,如图2所示使用5次试验的临界氮浓度和其最大地上生物量对夏玉米植株临界氮浓度稀释模型进行检验。对不同施肥水平下的玉米生物量和含氮量进行分析,通过建立夏玉米植株临界氮浓度点,然后将每次试验中的最大生物量带入建立的氮临界稀释模型后,对比实测临界氮浓度和预测临界氮浓度,其拟合度的判断使用1:1直方图。计算结果如图3所示,模型检验的决定系数R2为0.99,均方根误差RMSE和平均绝对误差MAE分别为0.57%和0.04%,拟合效果很好。如图4所示,表明该模型可以用来解释夏玉米体内的氮稀释过程和评价夏玉米的氮素营养水平。
构建考虑生育阶段的叶面积指数估算模型的具体方法为:对夏玉米生育期相对叶面积指数RLAIj进行拟合,并根据归一化积温DSj构建考虑生育阶段的叶面积指数估算模型,其计算公式分别为:
RLAIj=LAI1/LAImax
其中,LAI1表示测定的叶面积指数,LAImax表示整个生育期内最大叶面积指数,n1表示玉米出苗到吐丝日天数,m1表示吐丝日到成熟期天数,Tj1表示逐日平均气温,AT1表示营养生长阶段积温,AT2表示生殖生长阶段积温,RLAIg表示模拟计算的相对叶面积指数。
RLAIg为某日归一化后叶面积指数,称为相对叶面积指数,其最大取值为1。营养生长阶段DSj取值范围为0~1,生殖生长阶段其取值范围为1~2。出苗~吐丝前1d为第1阶段,即营养生长阶段,积温用AT1表示,吐丝日~成熟期为第2阶段,即生殖生长阶段,积温用AT2表示。
叶面积模拟效果为:表1为叶面积指数增长普适模型精度评价表,由表1可知,对所有处理下的玉米LAI进行预测精度评价,R2为0.932,RMSE为1.62,MAE为0.31,模型预测精度非常好。表明使用模型进行夏玉米全生育期内的LAI插补值具有可行性。使用叶面积指数增长普适模型补全N1~N5全生育期的LAI如图5所示。相同灌水条件下不同施肥处理下叶面积指数增长普适模型预测的LAI与实测的玉米LAI具有较高的一致性,说明模型预测的LAI具有较高的精度。玉米在出苗后的前50天内属于营养生长,此阶段LAI迅速增长。之后进入生殖生长,此阶段LAI平缓变动,在80天左右进入衰减阶段。由N1-N5的最大值可知,N2和N5的玉米最大LAI大于其他施肥水平。
表1
在本发明实施例中,步骤S3中,基于出苗天数、植株叶绿素含量和叶面积指数耦合的夏玉米植株氮营养指数估算模型,耦合的夏玉米植株氮营养指数NNIg估算的具体计算公式为:
NNIg=0.01Cab-0.03D-0.005LAIg+0.54
其中,Cab表示植株叶绿素含量,D表示出苗后天数,LAIg表示模拟计算的相对叶面积指数乘LAImax得到的叶面积指数。
因此,本发明选择以夏玉米叶绿素含量为主要因子,结合与氮营养指数(NNI)相关性较好的出苗后天数和玉米LAI建立夏玉米植株氮营养指数(NNI)反演的单参数和多参数模型如表2。选择决定系数R2、均方根误差RMSE和平均绝对误差MAE作为模型的评价指标。2个模型分别为模型1基于夏玉米叶绿素含量的单参数幂函数回归模型、模型2基于叶绿素、LAI和出苗后天数的三元线性回归模型。其中效果较差的为模型1,决定系数R2分别为0.57,均方根误差RMSE分别为0.26,平均绝对误差MAE分别为0.15;模型2的效果较好,其决定系数R2为0.69,均方根误差RMSE为0.27,平均绝对误差MAE为0.13。故选择模型2作为夏玉米植株氮营养指数的估算模型。
表2
其中,Y表示夏玉米的产量,Ym表示夏玉米的最大产量,NNIk,k=1,2,3,4表示夏玉米第k生育阶段的氮营养指数,NNImk,k=1,2,3,4表示夏玉米最大产量处理对应的k生育阶段的氮营养指数,k为1、2、3、4分别对应拔节期、抽穗期、灌浆期和成熟期。
产量模拟效果的如图6所示。
在本发明实施例中,步骤S5中,测定夏玉米植株冠层高光谱反射率的方法具体为:使用ASD光谱仪分别对夏玉米植株冠层的3处测定样点采集10次高光谱反射率,取其平均值作为该测定样点的光谱反射率,并取3处样点测定的平均值作为该田间试验区域的地面实测光谱数据,利用光谱响应函数将其转换成夏玉米植株冠层模拟多光谱反射率R,其计算公式如下为:
其中,λmin表示卫星传感器的起始波长,λmax表示卫星传感器的终止波长,Sλ表示卫星传感器在波长处的光谱响应函数值,Rλ表示夏玉米植株冠层光谱在波长处的高光谱反射率。
在本发明实施例中,步骤S6中,构建基于PROSAIL模型和遗传算法耦合的叶绿素估算模型的具体方法为:利用PROSAIL模型随机模拟夏玉米植株冠层模拟多光谱反射率,其计算公式如下:
(ρ1,τ1)=PROSPECT((N,Cab,Car,Cbrown,Cw,Cm)
ρ(λ)=PROSAIL(ρ1,τ1,LIDFa,LIDFb,TypeLidf,lai,ant,q,tts,tto,psi,Rsoil)
其中,N表示叶片内部结构参数,描述叶子内部细胞结构,与植物的种类和生长状态(衰老与否)有关,一般情况下单子叶植物(夏玉米和冬小麦都为单子叶植物)的N为1~1.5,双子叶植物的N为1.5~2.5,老化叶N>2.5,Cab表示叶片叶绿素含量(μg·cm-2),Cw表示水含量(g·cm-2);Cm表示叶片干物质量(g·cm-2),Car表示类胡萝卜素(μg·cm-2),Cbrown表示棕色素组分(经验值取0);ant:花青素(μg·cm-2),LIDFa表示第一叶倾角分布因子,LIDFb表示第二叶倾角分布因子;TypeLidf表示冠层类型,1代表针叶型,2代表阔叶型),psi表示相对方位角,tts表示太阳天顶角(在landsat 8OLI元文件中提取),tto表示观测天顶角(landsat 8OLI正射成像,所以tto取0),Rsoil表示土壤反射率系数(0-1);PROSAIL参数设置见表3。
表3
进行耦合的具体方法为:在PROSIAL模型中,考虑生育阶段的叶面积指数的变量范围包括营养生长阶段取值[0.1-4]和生殖生长阶段[3.5-7],叶绿素的变量范围为[10-100];使用遗传算法在两个变量范围内分别取出若干组参数组合,带入PROSAIL模型计算,得到若干组多光谱,并使用最小偏二乘法作为实测的模拟多光谱的代价函数,确定在若干组多光谱中与实测的模拟多光谱代价函数差别最小的一组,将其输入的叶绿素作为反演的叶绿素;重复若干次耦合操作,将实测模拟多光谱代价函数值小于0.001的叶绿素作为反演的叶绿素。
全生育期叶绿素预测精度的叶绿素模拟效果如图7所示。
8.在本发明实施例中,步骤S7中,基于模拟多光谱数据的夏玉米植株氮营养指数估算模型估算的基于模拟多光谱数据的夏玉米植株氮营养指数NNIgn的表达式为:
NNIgn=0.01Cabm-0.03D-0.005LAIg+0.54
其中,Cabm表示耦合估算的叶绿素含量模拟值,D表示出苗后天数,LAIg表示模拟计算的相对叶面积指数乘LAImax得到的叶面积指数。
氮营养指数模拟效果为:使用Python运行模型得到预测NNI。选取48个样点,采用1:1直方图来判断模型实测值和预测值拟合度。计算结果如图8所示,模型检验的决定系数R2为0.638,均方根误差RMSE和平均绝对误差MAE分别为0.24和0.24,拟合效果较好。
其中,Y表示玉米产量,Ym表示夏玉米的最大产量,NNIgk,k=1,2,3,4表示夏玉米第k生育阶段的基于模拟多光谱的氮营养指数估算值,NNImk,k=1,2,3,4表示夏玉米最大产量处理对应的k生育阶段的氮营养指数,k为1、2、3、4分别对应拔节期、抽穗期、灌浆期和成熟期。
产量模拟效果为:使用Python运行模型得到预测产量。选取15个小区的产量数据,采用1:1直方图来判断模型实测值和预测值拟合度。计算结果如图9所示,模型检验的决定系数R2为0.776,均方根误差RMSE和平均绝对误差MAE分别为1536.11kg/ha和1140.39kg/ha,拟合效果较好。
在本发明实施例中,本试验在大兴节水试验基地进行,拟开展植株氮素营养状况的遥感诊断研究和产量预估,以模拟大田实际情况的小区试验为基本途径,以夏玉米为研究对象,设置1个不灌溉不施肥处理和相同灌水条件下5个不同的施肥处理,以地面高光谱仪和实地采样为数据获取手段。试验将夏玉米划分为四个主要生育期,分别为出苗-拔节期、拔节-抽穗期、出院抽雄-灌浆期和灌浆-成熟期,获取夏玉米植株光谱反射率和植株叶绿素、LAI、植株含氮量和植株生物量等生理生态数据。利用光谱响应函数模拟Landsat8OLI卫星传感器拍摄的多光谱数据;同时利用辐射传输模型——PROSAIL模型,结合EFAST方法进行敏感性分析,筛选叶绿素的敏感波段;利用植株叶绿素、植株含氮量等信息,构建夏玉米NNI预测模型和产量预测模型,按照“遥感信息—农学参数—氮营养指数—产量”的思路实现作物氮素营养光谱诊断和产量预估,为大面积快速、准确的遥感氮营养诊断和估产提供科学方法。
夏玉米光谱监测试验于6-9月份开展,进行夏玉米的田间试验。夏玉米的供试品种为纪元168,实行人工播种,株间距为30cm,行间距为60cm。该试验设置5个施肥梯度处理,施肥分别为0kg/ha(N1)、225kg/ha(N2)、337.5kg/ha(N3)、450kg/ha(N4)、675kg/ha(N5),且450kg/hm2(N4)符合当地施肥水平。在全生育期内共施肥两次,其中复合肥(含N量15%、含P2O5量15%、含K2O量15%)作为底肥施入,追肥时施入尿素(含N量46%)。每个处理设置3次重复,共15个小区,灌水小区均保持灌溉水平一致,播前灌60mm。在玉米生育期内根据天气情况平均每7~10d测定一次冠层光谱反射率且同步测量植株生理生态参数。其他管理措施如播种、耕作及锄草等措施与当地农民习惯保持一致。表4为夏玉米灌水施肥方案。
表4
具体研究内容包括:
(1)分析在不同施肥处理下夏玉米叶绿素、LAI、植株含氮量、地上部生物量和产量的响应关系;基于氮浓度稀释曲线计算夏玉米的氮营养指数(NNI),构建基于农学参数的NNI的估算模型。
(2)分析不同施肥处理的氮营养指数与产量之间的关系,构建以NNI为主要因子的产量预测模型。
(3)将地面实测光谱数据通过Landsat 8OLI光谱响应函数模拟成卫星多光谱数据;结合PROSAIL模型和EFAST法进行敏感性分析,筛选出叶绿素敏感波段,在此基础上构建基于PROSAIL模型、模拟多光谱和遗传算法的叶绿素预测模型,并对模型进行精度评价。
(4)构建基于多光谱数据的玉米氮营养指数(NNI)估算模型,实现玉米的氮营养诊断;在此基础上,构建基于多光谱数据的产量预估模型。
本研究按照“遥感信息—农学参数—氮营养指数—产量”思路,构建了基于光谱信息的玉米氮营养诊断模型和产量估算模型,为规模化夏玉米营养诊断及产量估算提供了技术与理论支持,并为精准农业的灌水施肥提供科学指导。
研究主要结论如下:
(2)构建玉米氮营养指数(NNIg)估算模型,NNIg=0.01Cab-0.03D-0.005LAIg+0.54,模型决定系数R2为0.693,均方根误差RMSE为0.27,平均绝对误差MAE为0.13,表明采用该模型能较好模拟夏玉米指数氮营养状况。
(3)构建了基于分生育阶段夏玉米植株的氮营养指数(NNI)估算连乘模型,模型决定系数R2为0.777,均方根误差RMSE为1429.43kg/ha,平均绝对误差MAE为1100.58kg/ha,采用该模型避免以往采用特定生育期模型造成误差与不稳定性,能更好进行作物产量评估。
(4)分别考虑营养生长与生殖下叶面积指数差异,构建了基于PROSAIL模型和遗传算法耦合的叶绿素含量估算模型,模型的决定系数R2为0.591,均方根误差RMSE为22.24μg/cm2,平均绝对误差MAE为15.11μg/cm2,能够较准确生育期内叶绿素变化规律。
(5)建立了基于光谱信息的夏玉米植株的氮营养监测模型,NNIgn=0.01Cabm-0.03D-0.005LAIg+0.54,模型决定系数R2为0.638,方根误差RMSE和平均绝对误差MAE分别为0.24和0.24;构建基于模拟多光谱信息的玉米产量的估算模型,预测产量与实测产量拟合的决定系数R2为0.776,均方根误差RMSE和平均绝对误差MAE分别为1536.11kg/ha和1140.39kg/ha;可见,提出基于模拟多光谱的夏玉米氮营养指数与产量估算模型模拟精度较高,满足利用该模型进行作物氮素亏缺诊断与产量评估精度要求。
本发明的工作原理及过程为:本发明按照“遥感信息—农学参数—氮营养指数—产量”的思路构建模型,实现作物氮营养诊断模型和产量预估模型的目标,以期利用氮营养指数实现作物氮素营养状况的准确诊断和产量评估,从而为精准农业灌溉施肥制度的制定提供服务。
本发明的有益效果为:
(1)本发明考虑了分生育阶段叶面积指数差异,耦合了PROSAIL与遗传算法,采用了多光谱对叶绿素含量进行估算,并以此为基础构建了基于模拟多光谱的夏玉米产量估算模型,实现了采用机理模型进行规模化作物产量光谱估算。与以往采用经验统计方法构建作物产量估算模型不同,本发明方法研究结果具有可解释性,模拟结果较为稳定,具有一定普适性。
(2)本发明提出考虑分生育阶段作物叶面积指数模拟方法,实现了全生育期叶面积指数精准模拟,为以叶面积指数为参量的植株氮营养指数精准模拟提供数据支撑。
(3)本发明提出了基于氮营养指数分生育阶段的产量估算连乘模型,破解采用特定生育阶段氮营养指数进行产量模拟精度不高,且受制于模型稳定性等因素推广受限,为规模化作物估产提供了技术与理论支持,为规模化作物无损营养诊断与产量评估提供了技术支撑。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (7)
1.一种基于模拟多光谱的夏玉米产量估算方法,其特征在于,包括以下步骤:
S1:测定田间试验区域的夏玉米植株叶绿素、叶面积指数、生物量、全氮含量和氮营养指数;
S2:根据测定夏玉米叶面积指数,构建考虑生育阶段的叶面积指数估算模型;
S3:构建基于出苗天数、植株叶绿素和测定的叶面积指数耦合的夏玉米植株氮营养指数估算模型;
S4:根据夏玉米植株氮营养指数估算模型估算得到的分生育阶段的氮营养指数,构建基于分生育阶段氮营养指数的相对产量估算模型;
S5:采集田间试验区域的地面实测光谱数据,并通过光谱响应函数将其转换成模拟多光谱数据,得到夏玉米植株冠层模拟多光谱反射率;
S6:根据夏玉米植株冠层模拟多光谱反射率、夏玉米植株叶绿素和考虑生育阶段的叶面积指数估算模型,构建基于PROSAIL模型和遗传算法耦合的叶绿素估算模型;
S7:根据基于PROSAIL模型和遗传算法耦合的叶绿素估算模型,以估算的植株叶绿素、出苗后天数和估算的叶面积指数为参量,构建基于模拟多光谱数据的夏玉米植株氮营养指数估算模型;
S8:以基于模拟多光谱的夏玉米氮营养指数为参量,构建基于模拟多光谱的夏玉米产量估算模型,并对夏玉米产量进行计算;
所述步骤S3中,基于出苗天数、植株叶绿素含量和叶面积指数耦合的夏玉米植株氮营养指数估算模型,耦合的夏玉米植株氮营养指数NNIg估算的具体计算公式为:
NNIg=0.01Cab-0.03D-0.005LAIg+0.54
其中,Cab表示植株叶绿素含量,D表示出苗后天数,LAIg表示模拟计算的相对叶面积指数乘LAImax得到的叶面积指数;
其中,Y表示夏玉米的产量,Ym表示夏玉米的最大产量,NNIk,k=1,2,3,4表示夏玉米第k生育阶段的氮营养指数,NNImk,k=1,2,3,4表示夏玉米最大产量处理对应的k生育阶段的氮营养指数,k为1、2、3、4分别对应拔节期、抽穗期、灌浆期和成熟期。
2.根据权利要求1所述的基于模拟多光谱的夏玉米产量估算方法,其特征在于,所述步骤S1中,测定夏玉米植株叶绿素的具体方法为:将夏玉米叶片按高度均分为三层,每层取一片叶子,选择叶片中部作为测定位置进行叶绿素测定,每个测定样点测量连续测定2次,取其平均值作为此层叶片的叶绿素相对含量值,取三层叶片叶绿素相的平均值作为该株玉米的叶绿素相对含量值SPAD,并将叶绿素相对含量值SPAD转化为叶绿素含量值Cab,叶绿素相对含量值SPAD和叶绿素含量值Cab的计算公式分别为:
Cab=6.343e(0.4379SPAD)-6.106
其中,K表示常量,lg[·]表示对数运算,IR1表示940nm的透射率,R1表示650nm的透射率,IR0表示近红外波谱的入射率,R0表示红光波谱的入射率;
测定夏玉米叶面积指数的方法具体为:使用直尺测量每株夏玉米各叶片的最大叶长Lij和最大叶宽Bij,得到叶面积指数LAI1,其计算公式为:
其中,α表示折算系数;ρ表示种植密度,n表示第j株的总叶片数,m表示测定株数;
测定夏玉米生物量的具体方法为:利用烘干法,将测定光谱的夏玉米植株采样后进行称鲜重,并放入烘箱105℃杀青30min后调至75℃烘干至恒重,得到夏玉米生物量,夏玉米生物量的包括叶片生物量LBiomass、茎生物量SBiomass和植株干物质W,其计算公式分别为:
LBiomass=ρ·M1
SBiomass=ρ·M2
W=LBiomass+SBiomass
其中,ρ表示种植密度,M1表示叶片干物质,M2表示茎干物质;
根据夏玉米生物量计算夏玉米植株全氮含量PNCa的公式为:
PNCa=PNA/(LBiomass+SBiomass)
其中,PNCa=LNA+SNA,PNA表示植株氮累积量,LNA表示叶片氮累积量,SNA表示茎的氮累积量;
根据夏玉米生物量计算氮营养指数NNI的公式为:
5.根据权利要求1所述的基于模拟多光谱的夏玉米产量估算方法,其特征在于,所述步骤S6中,构建基于PROSAIL模型和遗传算法耦合的叶绿素估算模型的具体方法为:利用PROSAIL模型随机模拟夏玉米植株冠层多光谱反射率,其计算公式如下:
(ρ1,τ1)=PROSPECT((N,Cab,Car,Cbrown,Cw,Cm)
ρ(λ)=PROSAIL(ρ1,τ1,LIDFa,LIDFb,TypeLidf,lai,ant,q,tts,tto,psi,Rsoil)
其中,N表示叶片内部结构参数,Cab表示叶片叶绿素含量,Cw表示水含量;Cm表示叶片干物质量,Car表示类胡萝卜素,Cbrown表示棕色素组分;ant:花青素,LIDFa表示第一叶倾角分布因子,LIDFb表示第二叶倾角分布因子;TypeLidf表示冠层类型,1代表针叶型,2代表阔叶型,psi表示相对方位角,tts表示太阳天顶角,tto表示观测天顶角,Rsoil表示土壤反射率系数;
进行耦合的具体方法为:在PROSIAL模型中,考虑生育阶段的叶面积指数的变量范围包括营养生长阶段取值[0.1-4]和生殖生长阶段[3.5-7],叶绿素Cab的变量范围为[10-100];使用遗传算法分别在[0.1-4]和[10-100]与[3.5-7]和[10-100]的变量范围内分别取出若干组参数组合,带入PROSAIL模型计算,得到若干组多光谱,并使用最小偏二乘法作为实测的模拟多光谱的代价函数,确定在若干组多光谱中与实测的模拟多光谱代价函数差别最小的一组,将其输入的叶绿素作为反演的叶绿素;重复若干次耦合操作,将实测模拟多光谱代价函数值小于0.001的叶绿素作为反演的叶绿素。
6.根据权利要求1所述的基于模拟多光谱的夏玉米产量估算方法,其特征在于,所述步骤S7中,基于模拟多光谱数据的夏玉米植株氮营养指数估算模型估算的基于模拟多光谱数据的夏玉米植株氮营养指数NNIgn的表达式为:
NNIgn=0.01Cabm-0.03D-0.005LAIg+0.54
其中,Cabm表示耦合估算的叶绿素含量模拟值,D表示出苗后天数,LAIg表示模拟计算的相对叶面积指数乘LAImax得到的叶面积指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536753.4A CN113268923B (zh) | 2021-05-17 | 2021-05-17 | 一种基于模拟多光谱的夏玉米产量估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110536753.4A CN113268923B (zh) | 2021-05-17 | 2021-05-17 | 一种基于模拟多光谱的夏玉米产量估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113268923A CN113268923A (zh) | 2021-08-17 |
CN113268923B true CN113268923B (zh) | 2023-06-20 |
Family
ID=77231346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110536753.4A Active CN113268923B (zh) | 2021-05-17 | 2021-05-17 | 一种基于模拟多光谱的夏玉米产量估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113268923B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113670913B (zh) * | 2021-08-18 | 2023-05-16 | 沈阳农业大学 | 水稻氮素含量反演高光谱植被指数构建方法 |
WO2023147050A1 (en) * | 2022-01-27 | 2023-08-03 | Pivot Bio, Inc. | Assessing relative plant nitrogen in a field environment |
CN115855841B (zh) * | 2022-09-20 | 2023-08-01 | 中国水利水电科学研究院 | 基于叶面积指数的夏玉米旱情无人机快速监测判别方法 |
CN115950838B (zh) * | 2022-09-20 | 2023-08-01 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
CN117195609B (zh) * | 2023-11-08 | 2024-01-26 | 吉林大学 | 一种区域玉米植株氮营养匮缺的定量诊断方法 |
CN117236070B (zh) * | 2023-11-08 | 2024-01-30 | 吉林大学 | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107505271B (zh) * | 2017-07-13 | 2020-02-14 | 北京农业信息技术研究中心 | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 |
CN109115725B (zh) * | 2018-06-14 | 2020-04-14 | 中国农业大学 | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 |
CN110567892B (zh) * | 2019-09-17 | 2020-11-24 | 中国水利水电科学研究院 | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 |
-
2021
- 2021-05-17 CN CN202110536753.4A patent/CN113268923B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113268923A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
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 | |
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 | |
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 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Inoue et al. | Analysis of spectral measurements in paddy field for predicting rice growth and yield based on a simple crop simulation model | |
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 | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
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 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
CN111855591A (zh) | 水稻地上部碳氮比遥感反演模型和方法 | |
CN113268703A (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 | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
CN111829965A (zh) | 水稻地上部淀粉积累量遥感反演模型和方法 | |
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 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
CN111965117A (zh) | 基于prospect模型的冬小麦水分监测方法、监测系统 | |
CN115452822B (zh) | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 | |
CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
CN115439402A (zh) | 基于SAFY-Sugar模型的糖料蔗单产遥感估算方法和装置 | |
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 | |
CN107274002A (zh) | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 | |
Gao et al. | Regional winter wheat maturity date prediction using remote sensing-crop model data assimilation and numerical weather prediction |
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 |