CN113298859B - 一种基于无人机影像的作物氮肥变量管理方法 - Google Patents

一种基于无人机影像的作物氮肥变量管理方法 Download PDF

Info

Publication number
CN113298859B
CN113298859B CN202110575011.2A CN202110575011A CN113298859B CN 113298859 B CN113298859 B CN 113298859B CN 202110575011 A CN202110575011 A CN 202110575011A CN 113298859 B CN113298859 B CN 113298859B
Authority
CN
China
Prior art keywords
index
nitrogen
crop
nitrogen nutrition
reip
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
Application number
CN202110575011.2A
Other languages
English (en)
Other versions
CN113298859A (zh
Inventor
陈鹏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Geographic Sciences and Natural Resources of CAS
Original Assignee
Institute of Geographic Sciences and Natural Resources of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Geographic Sciences and Natural Resources of CAS filed Critical Institute of Geographic Sciences and Natural Resources of CAS
Priority to CN202110575011.2A priority Critical patent/CN113298859B/zh
Publication of CN113298859A publication Critical patent/CN113298859A/zh
Application granted granted Critical
Publication of CN113298859B publication Critical patent/CN113298859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G06T7/41—Analysis of texture based on statistical description of texture
    • G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
    • 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
    • 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
    • G01N21/55—Specular reflectivity
    • 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
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • 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
    • G01N2021/1793—Remote sensing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fertilizing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于无人机影像的作物氮肥变量管理方法，包括以下步骤：小区设计；无人机影像获取；诊断氮素营养指数的纹理指数构建；耦合纹理指数和光谱指数的作物氮素营养指数反演；追肥量计算模型的构建。本发明摒弃了传统作物氮素营养指数反演中仅利用光谱信息的缺陷，提出可基于无人机影像纹理特征来诊断氮素营养指数，提出了耦合影像光谱、纹理特征开展作物氮素营养指数反演的技术方法，提高了作物氮素营养水平判定的精度，同时耦合作物需肥规律和氮素营养指数设计了高精度的作物变量施肥方法。

Description

一种基于无人机影像的作物氮肥变量管理方法
技术领域
本发明涉及一种作物氮肥变量管理方法，尤其涉及一种基于无人机影像的作物氮肥变量管理方法，属于遥感反演技术领域。
背景技术
氮素是作物生长、发育所必需的重要营养元素。对大多数土壤来说，其当季有效氮含量不能满足作物生长需要，需要添加外来氮源，因此氮肥管理是实现高产优质为目标的作物生产中最为重要的环节之一。作物生长发育过程对氮的需求受土壤条件、农田气候及作物特性综合因素的影响，其在时间、空间上变化很大。为保证产量，农民往往向田间施入过量氮肥。氮肥滥施不但污染环境，而且降低农民收益，给农业生产带来不可估量的损失。
变量施肥技术是根据作物对氮肥的时、空需求，精细准确地调整氮肥投入的一种施肥策略。它在小麦播种期施用少量氮肥，然后在追肥期根据作物氮素营养状况决定追施氮肥的多少，能大大提高肥料利用率，从而增加农民收益、降低环境污染。然而，传统的变量施肥方法采用测土施肥的方式，根据若干采样点获得的土壤样品，通过实验室化学分析测定土壤氮素含量，然后基于空间插值等方法获取土壤氮素的空间分布，最后根据作物目标产量及需肥量计算出空间任意单元的施肥量信息。这种方法的主要问题是需要采集大量的土壤样品，测试耗时/耗力、成本高，且通过收集土壤样品测定的肥力到底有多少能够释放并被作物吸收利用难以估算，很难满足大面积推广应用。
作物氮素缺乏时，其生理、生化参数会发生变化，研究表明这些参数可用于准确指示作物氮素营养状况。遥感技术基于作物冠层反射光谱来实现对生理生化参数的估测，可用于设计变量施肥方法。不少变量施肥方法依托于地基遥感平台而设计，比如GeenSeeker便携式光谱仪等。但基于地基遥感平台的变量施肥方法，受限于观测范围、人力等原因，大面积推广存在困难。近些年，无人机技术得到了飞速发展，基于无人机携带传感器来实现作物氮素营养诊断并设计变量施肥方法具有效率高、低成本、时空分辨率高等特点。但目前基于无人机遥感的作物变量施肥技术还很少。仅见周卫等提出了一种基于无人机监测的玉米变量施肥方法。在他们的方法中，设置了包含有7个施肥水平的氮肥梯度试验，利用变量施肥区玉米的光谱指数值与氮肥梯度试验区玉米的光谱指数值对比，然后将变量施肥区目前的氮素营养水平归为于它最接近的一个施肥水平，最后确定变量施肥区的施肥量为不施肥小区的推荐施肥量减去该施肥水平的施肥量。这种方法存在如下缺陷：1)只基于无人机影像光谱信息来判断作物氮素营养水平，容易受“饱和”现象的影响而产生误差，没有考虑无人机影像有超高的空间分辨率，可以依赖无人机影像纹理特征来耦合光谱信息开展作物氮素营养诊断；2)仅把作物的氮素营养水平划分为7个等级，是一种定性的变量施肥方式，当作物氮素营养状况恰好位于等级中间时，会产生较大误差；3)设置有7个施肥水平的氮肥梯度试验，增加了很大的田间管理成本，不利于推广。
变量施肥技术根据作物对氮肥的需求来精准定量的供给作物氮肥，可提高农民收益，减少环境污染。氮素营养指数根据作物临界氮浓度曲线构建，是公认的、较为准确的判定作物氮素营养状况的指标。遥感技术可用来实现氮素营养指数的快速、无损探测，并以进一步实现作物的变量施肥管理。但是已有作物变量施肥方法，存在以下缺陷：第一，测土施肥的方法耗时、耗力，且精度不高；第二，依托地基遥感平台而设计的利用遥感技术的变量施肥方法，由于观测范围小等缺陷难以推广；第三，基于新兴无人机遥感平台的作物变量施肥管理技术还不成熟，在氮素营养状况判定和变量施肥策略制定方面精准化水平不高。
发明内容
为了解决上述技术所存在的不足之处，本发明提出一种基于无人机影像光谱与纹理特征、低成本、精准定量的作物变量施肥方法，可提高作物氮素营养状况的判定精度和变量氮肥管理氮肥施用量确定的精度，本发明提供了一种基于无人机影像的作物氮肥变量管理方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于无人机影像的作物氮肥变量管理方法，包括以下步骤：
I、小区设计；
II、无人机影像获取；
III、诊断氮素营养指数的纹理指数构建，具体过程为：
红边位置REIP为最优计算氮素营养指数的光谱指数，因此，应用红边位置的纹理特征构建诊断氮素营养指数的纹理指数；
红边位置的光谱指数基于步骤II获取的无人机影像，其计算方法如公式①所示，然后应用灰度共生矩阵法计算REIP图像的纹理特征，基于获得的灰度共生矩阵，计算的纹理参数为逆差矩和对比度，其计算公式分别为公式④、⑤所示，氮素营养指数的纹理指数TINNI的构建公式，如公式⑥所示；
Figure GDA0003554583720000031
式中，REIP为红边位置；R702为702nm处的波段反射率；R742为742nm处的波段反射率；R782为782nm处的波段反射率；R670为670nm处的波段反射率；
Figure GDA0003554583720000032
式中，CONREIP为REIP图像的对比度；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16：
Figure GDA0003554583720000033
式中，IDMREIP为绿波段图像的逆差矩；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16；
Figure GDA0003554583720000041
式中，TINNIREIP为诊断氮素营养指数的纹理指数；CONREIP为基于REIP图像计算的对比度；IDMREIP为基于REIP图像计算的逆差矩；作物氮素营养越缺乏，其REIP图像的同质性会变小，异质性会变大，TINNI值变小，因此，TINNI值与氮素营养指数值呈正相关；
IV、耦合纹理指数和光谱指数的作物氮素营养指数反演；
V、追肥量计算模型的构建，具体过程为：
基于变量施肥小区氮素营养指数值、对照试验小区氮素营养指数值、作物需肥规律曲线、当地推荐施肥量，搭建追肥量计算模型，作物变量氮肥管理的追肥量按公式⑧计算；
Figure GDA0003554583720000042
式中，N追为追肥量；N推为当地推荐施肥量；N吸为根据作物需肥规律确定的当前生育期的累积吸肥比例；NNI变量为变量施肥小区的氮素营养指数值；NNI饱和为饱和施肥对照小区的氮素营养指数值；NNI空白为空白施肥对照小区的氮素营养指数值。
优选的，步骤I的具体过程为：根据地块历史产量空间分布信息，将整个地块划分为不同的变量施肥小区并建立对照试验小区。
优选的，步骤I中，小区划分的基本原则是将毗邻的产量相似的区域划分在同一个变量施肥小区中，同时设置饱和施肥对照小区和空白施肥对照小区，它们的大小视作物的行、株距确定，宽度≥10行作物，长度≥2倍的宽度。
优选的，步骤II的具体过程为：在作物氮肥管理的关键期获取无人机影像，无人机影像在10:00-14:00之间晴朗无云时进行获取，影像至少具有782nm、742nm、702nm、670nm四个光谱波段信息，影像对应地面分辨率为0.8cm。
优选的，步骤III中灰度共生矩阵描述的是在θ方向上，相隔d像元距离的一对像元分别具有灰度级i和j出现的概率，如公式②、③所示：
Figure GDA0003554583720000051
p(i，j)＝P(i，j)/R 公式③
式中，GLCM为灰度共生矩阵；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；P(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的次数；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16；R为灰度共生矩阵中所有元素之和；
计算灰度共生矩阵时，选择的窗口大小为整个目标区域；灰度分级数设为16，即将目标区域REIP图像最大值和最小值之间16等分，并按值大小命名为从1到16共十六级，像元REIP值落入哪一等分内，即为哪一级灰度值；搜索的方向设定为0°、45°、90°、135°四个方向，步长为1个像元。
优选的，步骤IV的具体过程为：耦合诊断氮素营养指数的纹理指数TINNI和已有诊断氮素营养指数的光谱指数REIP，采用多元线性回归法建立氮素营养指数的诊断模型，用于氮素营养指数的反演，如公式⑦所示：
NNI＝a×TINNI+b×REIP+c 公式⑦
式中，NNI表示氮素营养指数；a，b，c均为模型系数，由地区决定。
本发明提出了一种基于无人机影像的作物氮肥变量管理方法，首先，根据地块历史产量信息划分变量施肥小区并建立对照试验小区；其次，在作物氮肥管理的关键期获取无人机影像；然后，基于无人机影像，设计估测氮素营养指数的纹理指数，并耦合已有最优诊断氮素营养指数的光谱指数实现氮素营养指数的准确估测；最后，基于变量施肥区氮素营养指数值、对照小区氮素营养指数值、作物需肥规律曲线、当地推荐最优施肥量，设计追肥量计算模型。
本发明摒弃了传统作物氮素营养指数反演中仅利用光谱信息的缺陷，提出可基于无人机影像纹理特征来诊断氮素营养指数，提出了耦合影像光谱、纹理特征开展作物氮素营养指数反演的技术方法；本发明基于氮素营养指数和作物需肥规律，设计了精准、定量的作物变量施肥方案。
与现有方法相比，本发明充分利用了无人机影像光谱和纹理信息开展作物氮素营养指数反演，提高了作物氮素营养水平判定的精度，同时耦合作物需肥规律和氮素营养指数设计了高精度的作物变量施肥方法。
附图说明
图1为本发明的整体流程图。
图2为小区布设示意图：(a)某地块产量空间分布；(b)按地块产量空间分布划分的5个变量施肥小区及饱和、空白施肥对照小区。
图3为变量施肥小区划分及追肥量：(a)研究区无人机影像；(b)根据历史产量划分的变量施肥小区及各小区追肥量。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示的一种基于无人机影像的作物氮肥变量管理方法，包括以下步骤：
I、小区设计；
根据地块历史产量空间分布信息，将整个地块划分为不同的变量施肥小区并建立对照试验小区，如图2所示。小区划分的基本原则是将毗邻的产量相似的区域划分在同一个变量施肥小区中，在氮肥管理时，不同变量施肥小区间氮肥用量可以不同，主要根据作物氮素营养状况确定，同一变量施肥小区内，施肥量相同。同时设置饱和施肥对照小区和空白施肥对照小区，它们的大小视作物的行、株距确定，宽度≥10行作物，长度≥2倍的宽度。其中，饱和施肥对照小区的施氮量为当地农民的正常施氮量，要保证地块不缺氮肥；空白施肥对照小区为不施用氮肥的小区。
II、无人机影像获取；
基于大疆M600 Pro搭载德国Cubert公司生产的S185组成无人机观测系统。飞行高度设定为30m，航向、旁向的重叠率设定为75％。S185光谱范围为450-950nm，采样间隔为4nm，光谱分辨率为8nm，共具有125个波段。
在作物氮肥管理的关键期获取无人机影像，无人机影像在10:00-14:00之间晴朗无云时进行获取，影像至少具有782nm、742nm、702nm、670nm四个光谱波段信息，影像对应地面分辨率为0.8cm。
III、诊断氮素营养指数的纹理指数构建；
植物缺氮下部叶片最先失绿，然后逐渐向上部新叶转移，因此在高分辨率无人机影像上，随着植株缺氮症状的加剧，影像颜色的对比度逐渐加大，同质性减弱，这是纹理特征的体现。此外，前人的研究表明红边位置为最优计算氮素营养指数的光谱指数。这样，红边位置(REIP，Red Edge Inflection Point)的纹理特征被用来构建诊断氮素营养指数的纹理指数。
红边位置REIP为最优计算氮素营养指数的光谱指数，因此，应用红边位置的纹理特征构建诊断氮素营养指数的纹理指数；红边位置的光谱指数基于步骤II获取的无人机影像，其计算方法如公式①所示，
Figure GDA0003554583720000071
式中，REIP为红边位置；R702为702nm处的波段反射率；R742为742nm处的波段反射率；R782为782nm处的波段反射率；R670为670nm处的波段反射率；
然后，应用灰度共生矩阵法计算REIP图像的纹理特征：灰度共生矩阵法是常用的计算图像纹理特征的一种方法。
灰度共生矩阵描述的是在0方向上，相隔d像元距离的一对像元分别具有灰度级i和j出现的概率，如公式②、③所示：从灰度共生矩阵计算的常用纹理信息包括对比度、能量值、逆差矩、熵、方差、二阶距、相关性等。
Figure GDA0003554583720000081
p(i，j)＝P(i，j)/R 公式③
式中，GLCM为灰度共生矩阵；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；P(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的次数；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16；R为灰度共生矩阵中所有元素之和；
计算灰度共生矩阵时，选择的窗口大小为整个目标区域(如：某一变量施肥单元区)；灰度分级数设为16，即将目标区域REIP图像最大值和最小值之间16等分，并按值大小命名为从1到16共十六级，像元REIP值落入哪一等分内，即为哪一级灰度值；搜索的方向设定为0°、45°、90°、135°四个方向，步长为1个像元。
基于获得的灰度共生矩阵，计算的纹理参数为逆差矩和对比度，其计算公式分别为公式④、⑤所示，
Figure GDA0003554583720000082
式中，CONREIP为REIP图像的对比度；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16：
Figure GDA0003554583720000083
式中，IDMRELP为绿波段图像的逆差矩；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16；
其中，对比度是衡量图像区域异质性的参数，而逆差矩是衡量图像区域同质性的参数。选择这两个参数的原因是根据前文所述作物冠层在缺氮时其异质性会加大，同质性会变弱。
氮素营养指数的纹理指数TINNI的构建公式，如公式⑥所示；
Figure GDA0003554583720000091
式中，TINNIREIP为诊断氮素营养指数的纹理指数；CONREIP为基于REIP图像计算的对比度；IDMREIP为基于REIP图像计算的逆差矩；作物氮素营养越缺乏，其REIP图像的同质性会变小，异质性会变大，TINNI值变小，因此，TINNI值与氮素营养指数值呈正相关，随着其增大而增大。
氮素营养指数的纹理指数：Texture Index of Nitrogen Nutrition Index，简称TINNI。
IV、耦合纹理指数和光谱指数的作物氮素营养指数反演；
步骤IV的具体过程为：耦合诊断氮素营养指数的纹理指数TINNI和已有诊断氮素营养指数的光谱指数REIP，采用多元线性回归法建立氮素营养指数的诊断模型，用于氮素营养指数的反演，如公式⑦所示：
NNI＝a×TINNI+b×REIP+c 公式⑦
式中，NNI表示氮素营养指数；a，b，c均为模型系数，由地区决定。
考虑到不同地区作物品种、气候的差异，不同地区公式中的模型系数会有所不同，其值由不同区域采集的训练样本来确定。另外，需要说明的是变量施肥小区的REIP值，采用平均小区内所有像素点的REIP值获得。
V、追肥量计算模型的构建：基于变量施肥小区氮素营养指数值、对照试验小区氮素营养指数值、作物需肥规律曲线、当地推荐施肥量，搭建追肥量计算模型，作物变量氮肥管理的追肥量按公式⑧计算；
Figure GDA0003554583720000101
式中，N追为追肥量；N推为当地推荐施肥量；N吸为根据作物需肥规律确定的当前生育期的累积吸肥比例；N变量为变量施肥小区的氮素营养指数值值；NNI饱和为饱和施肥对照小区的氮素营养指数值；NNI空白为空白施肥对照小区的氮素营养指数值。
当NNI变量/NNI饱和≥0.95时，说明此时变量施肥小区氮肥不缺乏，追肥量设定为当地推荐施肥量减去按作物需肥规律确定的当前生育期累积需肥量再乘以95％。其中作物需肥规律为由农学家确定的作物不同生育期的吸肥比例，可以通过文献查阅获得；
当NNI变量/NNI饱和＜0.95时，说明此时变量施肥小区氮肥缺乏，在追肥时既需要考虑要施用以后作物生长需要的氮肥，又需要为以前的生长补施氮肥，这样追肥量为这两者之和。
其中，作物以后生长需要的氮肥量以当地推荐施肥量按作物需肥规律确定的以后各生育期总的需肥量确定，具体见公式⑧的前半部分(当NNI变量/NNI饱和＜0.95时)；为以前的生长补施的氮肥量则根据变量施肥小区氮素营养指数值与饱和施肥对照小区氮素营养指数值、空白施肥对照小区氮素营养指数值的对比情况结合作物需肥规律和当地推荐施肥量计算，具体见公式⑧的后半部分(当NNI变量/NNI饱和＜0.95时)。
与现有技术相比，本发明的优势主要体现在以下两点：
1.耦合无人机影像光谱和纹理特征反演氮素营养指数的方法
传统基于遥感的作物变量施肥方法中，在进行作物氮素营养诊断时仅基于遥感光谱信息，但光谱信息在反演作物参数时容易出现“饱和”、“同物异谱、异物同谱”等问题。氮素营养指数是公认的比较好的判定作物氮素营养状况的指标，本发明以其作为变量氮肥管理时计算施肥量的中介，在基于遥感反演氮素营养指数时，提出了基于光谱和纹理信息的反演方法，克服已有方法的缺陷，大大提高了作物氮素营养诊断的精度。
2.基于无人机影像开展作物变量施肥的技术流程
本发明提出了变量施肥小区划分方法，及结合遥感反演变量施肥区及对照施肥区氮素营养指数、作物需肥规律、当地推荐施肥量的作物氮素变量管理方法及技术流程。
与已有基于无人机影像的变量施肥方法相比，本发明充分利用了低空无人机影像高空间分辨率的特征，在开展作物氮素营养诊断时引入的纹理信息，提出了耦合光谱和纹理信息反演氮素营养指数的方法，比已有方法在判定作物氮素营养状况时具有更好的精度，并进一步利用反演的变量施肥区及对照施肥区氮素营养指数，结合作物需肥规律、当地推荐施肥量，提出了变量氮肥管理方法，提高了精准氮肥管理的精度。
下面结合具体实施例对本发明作进一步详细的说明。
要实施变量施肥管理的小区要求上一年的产量空间分布信息已知。下面结合吉林地区玉米的变量施肥管理描述如下：
1)根据变量管理区域玉米上一年产量空间分布信息将整个田块划分为若干同质性的单元。单元内部玉米产量相似，不同单元间玉米产量存在差异。划分单元的数量结合田间实际产量变异情况确定。如果地块产量变异大划分单元多些，变异小划分单元少一些。每个单元作为一个变量施肥小区。变量施肥小区划分后，在变量施肥小区的旁边设置饱和施肥对照小区(280kgN/ha)和空白施肥对照小区(0kgN/ha)。小区大小为5m×10m，饱和施肥对照小区氮肥一半在播前施用，一半在玉米8叶期施用。变量施肥小区仅在播种前施用氮肥30kgN/ha，在8叶期进行追肥，肥料的追施量根据II-V步的结果确定。
2)基于大疆M600Pro无人机和S185高光谱传感器获取无人机影像。无人机影像在10:00-14:00之间晴朗无云时进行获取。飞行高度设定为30m，航向、旁向的重叠率设定为75％。
3)基于获取的影像，本发明利用782nm、742nm、702nm、670nm等四个光谱波段按公式①计算光谱指数REIP，并基于REIP图像按公式②-⑤计算纹理特征参数对比度和逆差矩，最后按公式⑥计算TINNI纹理指数。
4)基于TINNI纹理指数和提取的每个变量施肥小区REIP值(包括对照小区)，利用公式⑦获得变量施肥小区、饱和施肥对照小区、空白施肥对照小区的氮素营养指数值。
5)基于各个施肥小区的氮素营养指数值，结合当地推荐施肥量、玉米的吸肥规律按公式⑧确定各个变量施肥小区的氮肥施用量，如图3所示。其中，当地推荐施肥量为210kgN/ha，玉米在各个生育期的吸肥比例可以参考文献(Abendroth L J,Elmore R W,Boyer M J,Marlay S K.Understanding corn development:a key for successful cropmanagement.IOWA STATE University.2010.)的研究。根据他们的研究，玉米在8叶期需要吸收整个生育期19％的氮肥。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (6)

1.一种基于无人机影像的作物氮肥变量管理方法，其特征在于：所述方法包括以下步骤：
I、小区设计；
II、无人机影像获取；
III、诊断氮素营养指数的纹理指数构建，具体过程为：
红边位置REIP为最优计算氮素营养指数的光谱指数，因此，应用红边位置的纹理特征构建诊断氮素营养指数的纹理指数；
红边位置的光谱指数基于步骤II获取的无人机影像，其计算方法如公式①所示，然后应用灰度共生矩阵法计算REIP图像的纹理特征，基于获得的灰度共生矩阵，计算的纹理参数为逆差矩和对比度，其计算公式分别为公式④、⑤所示，氮素营养指数的纹理指数TINNI的构建公式，如公式⑥所示；
Figure FDA0003554583710000011
式中，REIP为红边位置；R702为702nm处的波段反射率；R742为742nm处的波段反射率；R782为782nm处的波段反射率；R670为670nm处的波段反射率；
Figure FDA0003554583710000012
式中，CONREIP为REIP图像的对比度；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16；
Figure FDA0003554583710000013
式中，IDMREIP为绿波段图像的逆差矩；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16；
Figure FDA0003554583710000021
式中，TINNIREIP为诊断氮素营养指数的纹理指数；CONREIP为基于REIP图像计算的对比度；IDMREIP为基于REIP图像计算的逆差矩；作物氮素营养越缺乏，其REIP图像的同质性会变小，异质性会变大，TINNI值变小，因此，TINNI值与氮素营养指数值呈正相关；
IV、耦合纹理指数和光谱指数的作物氮素营养指数反演；
V、追肥量计算模型的构建，具体过程为：
基于变量施肥小区氮素营养指数值、对照试验小区氮素营养指数值、作物需肥规律曲线、当地推荐施肥量，搭建追肥量计算模型，作物变量氮肥管理的追肥量按公式⑧计算；
Figure FDA0003554583710000022
式中，N追为追肥量；N推为当地推荐施肥量；N吸为根据作物需肥规律确定的当前生育期的累积吸肥比例；NNI变量为变量施肥小区的氮素营养指数值；NNI饱和为饱和施肥对照小区的氮素营养指数值；NNI空白为空白施肥对照小区的氮素营养指数值。
2.根据权利要求1所述的基于无人机影像的作物氮肥变量管理方法，其特征在于：所述步骤I的具体过程为：根据地块历史产量空间分布信息，将整个地块划分为不同的变量施肥小区并建立对照试验小区。
3.根据权利要求1或2所述的基于无人机影像的作物氮肥变量管理方法，其特征在于：所述步骤I中，小区划分的基本原则是将毗邻的产量相似的区域划分在同一个变量施肥小区中，同时设置饱和施肥对照小区和空白施肥对照小区，它们的大小视作物的行、株距确定，宽度≥10行作物，长度≥2倍的宽度。
4.根据权利要求1所述的基于无人机影像的作物氮肥变量管理方法，其特征在于：所述步骤II的具体过程为：在作物氮肥管理的关键期获取无人机影像，无人机影像在10:00-14:00之间晴朗无云时进行获取，影像至少具有782nm、742nm、702nm、670nm四个光谱波段信息，影像对应地面分辨率为0.8cm。
5.根据权利要求1所述的基于无人机影像的作物氮肥变量管理方法，其特征在于：所述步骤III中灰度共生矩阵描述的是在θ方向上，相隔d像元距离的一对像元分别具有灰度级i和j出现的概率，如公式②、③所示：
Figure FDA0003554583710000031
p(i，j)＝P(i，j)/R 公式③
式中，GLCM为灰度共生矩阵；p(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的概率；P(i，j)为灰度级为i的像元与灰度级为j的像元同时出现的次数；i，j的取值为1到Ng，Ng为总的灰度分级数，这里为16；R为灰度共生矩阵中所有元素之和；
计算灰度共生矩阵时，选择的窗口大小为整个目标区域；灰度分级数设为16，即将目标区域REIP图像最大值和最小值之间16等分，并按值大小命名为从1到16共十六级，像元REIP值落入哪一等分内，即为哪一级灰度值；搜索的方向设定为0°、45°、90°、135°四个方向，步长为1个像元。
6.根据权利要求1所述的基于无人机影像的作物氮肥变量管理方法，其特征在于：所述步骤IV的具体过程为：耦合诊断氮素营养指数的纹理指数TINNI和已有诊断氮素营养指数的光谱指数REIP，采用多元线性回归法建立氮素营养指数的诊断模型，用于氮素营养指数的反演，如公式⑦所示：
NNI＝a×TINNI+b×REIP+c 公式⑦
式中，NNI表示氮素营养指数；a，b，c均为模型系数，由地区决定。
CN202110575011.2A 2021-05-26 2021-05-26 一种基于无人机影像的作物氮肥变量管理方法 Active CN113298859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110575011.2A CN113298859B (zh) 2021-05-26 2021-05-26 一种基于无人机影像的作物氮肥变量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110575011.2A CN113298859B (zh) 2021-05-26 2021-05-26 一种基于无人机影像的作物氮肥变量管理方法

Publications (2)

Publication Number Publication Date
CN113298859A CN113298859A (zh) 2021-08-24
CN113298859B true CN113298859B (zh) 2022-04-26

Family

ID=77324968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110575011.2A Active CN113298859B (zh) 2021-05-26 2021-05-26 一种基于无人机影像的作物氮肥变量管理方法

Country Status (1)

Country Link
CN (1) CN113298859B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116228768B (zh) * 2023-05-09 2023-07-21 济宁众达利电气设备有限公司 一种电子元器件表面划痕检测方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105445229B (zh) * 2015-12-15 2018-06-05 河南农业大学 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
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
CN109211801B (zh) * 2018-09-03 2020-03-31 中国科学院南京土壤研究所 一种作物氮素需求量实时获取方法
CN109580512A (zh) * 2018-12-10 2019-04-05 北京航天泰坦科技股份有限公司 一种基于光谱和纹理特征的小麦氮素营养监测方法
CN109673454A (zh) * 2019-02-11 2019-04-26 石河子大学 一种滴灌棉花氮素营养诊断模型的构建方法和应用
CN109757175B (zh) * 2019-03-18 2020-10-30 中国农业科学院农业资源与农业区划研究所 一种基于无人机监测的玉米水肥一体化变量施肥方法
CN110082310A (zh) * 2019-05-30 2019-08-02 海南大学 一种橡胶树叶片氮素含量的近红外波段高光谱诊断方法
CN111242934B (zh) * 2020-01-16 2020-08-07 中国科学院地理科学与资源研究所 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法
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
CN112287886B (zh) * 2020-11-19 2023-09-22 安徽农业大学 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法
CN112763427B (zh) * 2020-12-24 2022-05-17 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

Also Published As

Publication number Publication date
CN113298859A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN113298859B (zh) 一种基于无人机影像的作物氮肥变量管理方法
CN102495005B (zh) 高光谱图像技术诊断作物水分亏缺的方法
CN107796764B (zh) 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
CN110376167A (zh) 基于无人机高光谱的水稻叶片氮含量监测方法
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
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
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
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
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
CN105739575A (zh) 一种设施蔬菜环境参数的数据融合方法、装置及系统
Zhang et al. Estimating wheat yield by integrating the WheatGrow and PROSAIL models
CN103345707A (zh) 一种基于多源遥感数据的农作物成熟期遥感预测方法
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
CN111044516A (zh) 一种水稻叶绿素含量遥感估测方法
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
CN110189793A (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
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
CN106295953A (zh) 一种农作物生产适宜性评价方法和系统
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
CN111242934B (zh) 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法
CN116485757A (zh) 一种冬小麦全氮含量预测方法
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
Chen et al. Spatiotemporal variation of vegetation net primary productivity and its responses to climate change in the Huainan Coal Mining Area
CN101430735B (zh) 一种保护性耕作模式选择方法

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