CN113504186B - 一种遥感估算小麦氮肥利用率的方法 - Google Patents
一种遥感估算小麦氮肥利用率的方法 Download PDFInfo
- Publication number
- CN113504186B CN113504186B CN202110981824.1A CN202110981824A CN113504186B CN 113504186 B CN113504186 B CN 113504186B CN 202110981824 A CN202110981824 A CN 202110981824A CN 113504186 B CN113504186 B CN 113504186B
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- utilization rate
- nitrogen fertilizer
- sampling
- period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种遥感估算小麦氮肥利用率的方法,属于氮肥利用率预估相关技术领域,具体步骤为:数据获取、数据处理、相关性获取、筛选取样时期、筛选植被指数、确定植被指数、建立PNUE‑VIs定量模型和NUE‑PNUE定量模型、构建成熟期氮肥利用率估算模型、确定最终氮肥利用率估算模型。本申请通过一种无损、实时、快速的方法来评价PNUE将有助于估算作物成熟期NUE,在作物生长进程中利用遥感技术可以准确评估作物成熟期NUE状况,有助于量化和传达氮在农业粮食生产中的利用效率,为农田氮肥精确管理提供支持和参考。
Description
技术领域
本发明涉及氮肥利用率预估相关技术领域,更具体的说是涉及一种基于光谱信息技术估算小麦氮肥利用率的方法。
背景技术
小麦是世界上种植最广泛的粮食作物,是我国最重要的口粮品种,在保障国家粮食安全方面至关重要。近年来,我国小麦生产取得了连年丰产的突出成绩,但是氮肥用量也较高,氮肥的过量不仅造成生产成本过高、氮肥利用效率及收益降低,还造成土壤质量恶化、环境污染严重等问题。因此,在保障产量的同时,协同提高作物氮肥利用效率(NUE)是未来农业发展的重要目标和方向。
NUE定义方法有很多种,一般可分为氮农学效率、氮回收效率和氮生理效率,大多数研究者认为NUE本质为作物单位产量的供氮数量。NUE可以很好地衡量作物吸收氮和合理分配氮的能力,表征氮素对植株生长和光合生产力的影响,有效的氮分配可达到最佳的氮素利用效率,从而节本增效。
遥感技术目前已广泛应用于农作物的精确管理,该方法涉及与蛋白质浓度、叶绿素荧光、营养状态和作物产量相关的诸多植被指数。研究已经证实,高光谱植被指数可以准确评价叶绿素含量和氮含量,估算水分含量和反演叶面积,并可对产量品质进行预测。近年来,不少研究者开始关注并利用遥感反射率评价作物功能性指标,例如光合速率、光能利用率、氮肥利用率等,研究表明光合速率(Pn)与植被指数(VIs)之间存在曲线关系,大田作物的叶片Pn与光谱反射率之间存在线性关系。光合速率Pn与叶片氮含量的比值被称之为光合氮素利用效率(PNUE),是表征叶片瞬时利用氮素的生理性指标,其与小麦成熟期NUE密切相关。前人利用遥感观测技术估算PNUE也取得了很好进展,比值植被指数R810/R680被证明是评价作物叶片PNUE的最佳植被指数。
作物叶片PNUE受氮素组分、氮素分配、光氮协调等诸多因子影响,进而表现出生育期间、品种间、氮肥处理间存在很大差异,且其与光合速率之间关系发生变化。作物成熟期的氮肥利用率是表征整个生育时期作物生长对氮肥的总体利用情况,因此快速准确估算作物成熟期NUE是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于光谱信息技术估算小麦氮肥利用率的方法。
为了实现上述目的,本发明提供如下技术方案:
一种基于光谱信息技术估算小麦氮肥利用率的方法,具体步骤为:
数据获取:对各个采样区域中采样主体的各个取样时期的数据进行测定;
数据处理:对获取的数据进行处理,计算出常规植被指数的值以及其与相关生理生化指标之间的关系;
相关性获取:根据获取的数据计算各个取样时期的光合氮素利用效率与成熟期氮肥利用率之间的相关系数;
筛选取样时期:分别判断各个取样时期的光合氮素利用效率与成熟期氮肥利用率之间的相关系数是否大于最高相关系数阈值,若是,将取样时期保存至第一集合;
筛选植被指数:根据历史数据筛选出数据处理结果中与作物氮素及生长状况相关的植被指数;
确定植被指数:根据任一植被指数的光谱数值与PNUE1之间的线性决定系数的大小,筛选出设定数量的植被指数;
根据确定植被指数,建立NUE-PNUE定量模型和PNUE-VIs定量模型,以NUE-PNUE定量模型和PNUE-VIs定量模型为基础,分别对第一集合中的各个取样时期构建成熟期氮肥利用率估算模型;
确定最终氮肥利用率估算模型:根据建立的各个成熟期氮肥利用率估算模型的精确度,确定最终氮肥利用率估算模型。
其优点在于,通过对不同采样时期的数据进行采样处理,获取更加精确的估算模型。
优选的,各个取样时期内的测定数据包括光谱数据、净光合速率和蒸腾速率、氮含量及成熟期氮肥利用效率。
优选的,光谱数据采样前或采样过程中均对仪器进行矫正。
优选的,氮含量的测定步骤为:
在各个取样时期选取固定数量的采样主体并将采样主体放入液氮保存;
采样主体进行茎叶分离;
将茎叶分离的采样主体进行杀青,恒温烘干至恒重;
对烘干至恒重的采样主体各部位进行氮含量的测定;
光合氮素利用效率为净光合速率与氮含量的比值。
优选的,成熟期氮肥利用效率测定步骤为:
依据各个采样区域中划分区域的采样主体的数量,计算单位面积成穗数;
以固定数量的采样主体的穗粒数,计算单个采样主体的穗粒数;
在各个采样区域中的固定范围内随机选取籽粒,测定千粒重;
根据单位面积成穗数、单个采样主体的穗粒数以及千粒重,计算收获产量;
收获产量与植株吸氮量的比值为成熟期氮肥利用率。
优选的,植株吸氮量由采样主体的干重和氮含量计算获得。
优选的,构建成熟期氮肥利用率估算模型的具体步骤为:
以设定数量的植被指数为自变量,以PNUE1为因变量,基于逐步多元回归分析方法确立PNUE-VIs定量模型;
以PNUE为自变量,以NUE为因变量进行一元一次回归建模,根据第一集合的各个取样时期分别建立NUE-PNUE定量模型;
根据NUE-PNUE定量模型和PNUE-VIs定量模型,以PNUE为模型链接因子和节点,利用模型链接技术和指标转换方法,对第一集合中的各个取样时期分别构建成熟期氮肥利用率估算模型。
优选的,各个取样时期的氮肥利用率估算模型的精确度通过决定系数R2、均方根误差RMSE、相对误差RE和信噪比NE进行评价。
经由上述的技术方案可知,与现有技术相比,本发明公开了一种基于光谱信息技术估算小麦氮肥利用率的方法,通过一种无损、实时、快速的方法来评价PNUE将有助于估算作物成熟期NUE,在作物生长进程中利用遥感技术可以准确评估作物成熟期NUE状况,有助于量化和传达氮在农业粮食生产中的利用效率,为农田氮肥精确管理提供支持和参考。
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为本发明的方法流程示意图;
图2为本发明的实施例中小麦光合氮素利用率与成熟期氮肥利用率之间的关系示意图;
图3为本发明的实施例中小麦开花-灌浆期光合氮素利用率与成熟期氮肥利用率之间定量关系示意图;
图4为本发明的实施例中小麦开花-灌浆期光合氮素利用率PNUE1与植被指数之间线性决定关系示意图;
图5为本发明的实施例中基于NUE-VIs模型预测值与实测值之间比较关系示意图。
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。
本发明实施例公开了一种基于光谱信息技术估算小麦氮肥利用率的方法,其步骤如图1所示,具体为:
数据获取:对各个采样区域中采样主体的各个取样时期的数据进行测定;
数据处理:对获取的数据进行处理,计算出常规植被指数的值以及其与相关生理生化指标之间的关系;
相关性获取:根据获取的数据计算各个取样时期的光合氮素利用效率与成熟期氮肥利用率之间的相关系数;
筛选取样时期:分别判断各个取样时期的光合氮素利用效率与成熟期氮肥利用率之间的相关系数是否大于最高相关系数阈值,若是,将取样时期保存至第一集合;
筛选植被指数:根据历史数据筛选出数据处理结果中与作物氮素及生长状况相关的植被指数;
确定植被指数:根据任一植被指数的光谱数值与PNUE1之间的线性决定系数的大小,筛选出设定数量的植被指数;
构建氮肥利用率估算模型:根据确定的植被指数构建PNUE-VIs定量模型和NUE-PNUE定量模型,根据构建的NUE-PNUE定量模型和PNUE-VIs定量模型,对第一集合中的各个取样时期分别构建成熟期氮肥利用率估算模型;
确定最终氮肥利用率估算模型:以各个成熟期氮肥利用率估算模型的精确度为标准,确定最终氮肥利用率估算模型。
详细内容为:
1.数据获取主体:
主体1:
于2015-2016年在郑州点河南农业大学科教园区(34°51′N,113°35′E)设置水氮耦合试验。土质为沙壤土,供试品种为豫麦49-198,前茬作物为玉米秸秆还田,土壤pH为7.8。共设置3个水分梯度W0(全生育期不灌水)、W1(拔节期灌一次水)、W2(拔节期和开花期各灌一次水),每次灌水量为75m2/亩,每个水分条件下设置5个氮肥梯度,分别为:N0(0kg ha-1)、N6(60kg ha-1)、N12(120kg ha-1)、N18(180kg ha-1)、N24(240kg ha-1),其中二分之一作为底肥施入,剩余一半在拔节期进行追施。试验小区面积为20.3m2(7×2.9m),行距为20cm。分别在拔节期、孕穗期、开花期、灌浆盛期四个主要生育时期进行光谱数据的采集和相关生理指标测定,其它管理措施同常规措施。
主体2:
于2016-2017年在河南省原阳县河南农业大学示范园区(34°51′N,113°35′E)设置水氮耦合大田试验。土质为沙壤土,供试品种为豫麦49-198,前茬作物为玉米秸秆还田,土壤pH为7.8。共设置3个水分梯度W0(全生育期不灌水)、W1(拔节期灌一次水)、W2(拔节期和开花期各灌一次水),每次灌水量为75m2/亩,每个水分条件下设置5个氮肥梯度,分别为:N0(0kg ha-1)、N6(60kg ha-1)、N12(120kg ha-1)、N18(180kg ha-1)、N24(240kg ha-1),其中二分之一作为底肥播种前施入,剩余一半在拔节期进行追施。试验规划小区面积为20.3m2(7×2.9m),行距为20cm。取样时期分别为拔节期、孕穗期、抽穗期、开花期、灌浆前期和灌浆中期,其它管理措施同常规措施。
2.测定项目及方法
2.1光谱数据的测定
冠层光谱采集使用ASD光谱测定仪(美国)在一平方范围内每10个点平均为一个数据,在关键生育时期选择晴朗无云的天气,上午10时至下午13时之间完成测定,光谱仪视场角设置为25°,光谱测定范围为350-2500nm,每个采样间隔为1.6nm。采样前及使用过程中使用40×40cm的BaSO4白板对仪器进行校正。
2.2净光合速率和蒸腾速率的测定
顶一叶的净光合速率(PN)与冠层光谱采集同时在田间使用光合装置(LI-6400光合速率系统,Li-Cor,Inc,美国)采集,测定系统在一个开放的环境,二氧化碳浓度大约为385μmol 1-1,根据文献要求设置内置光源强度为1600μmol m-2s-1。
2.3氮含量及氮肥利用效率测定
每个取样时期,在大田将相关指标测定完成后,每个小区选取有设置处理代表性的样品20株,放置在液氮中带回实验室。将茎叶分离,并单独分装,放置在烘箱中105℃杀青半个小时使叶片和茎秆失活,然后保持在70℃下干燥至恒重。干燥样品用流动分析仪方法测定各部位氮含量。通过干重和氮含量计算出植株吸氮量。光合氮素利用效率计算公式如下:
在成熟期,调查每一个取样小区的一米双行群体数量,折算单位面积成穗数,并随机取30个单茎测定穗粒数。在每一个小区麦田中心收取2.0m长×6行(1.5m)的样方,在此样方中随机取籽粒测定千粒重,并计算产量(grain yield)。
成熟期氮肥利用效率计算公式如下:
3.数据处理与统计分析
3.1光谱数据的处理
首先将得到的所有光谱数据采用Savitaky-Golay平滑法进行平滑,减少噪音。然后通过MATLAB软件计算出常规植被指数的值以及其与所有相关生理生化指标之间的关系。
3.2植被指数
依据相关文献,筛选出与作物氮素及生长状况相关的植被指数,具体见表1,以进一步分析植被指数。
表1所涉及的光谱参数总结
注:Rλ表示在波长λ处的反射率R,采用地物光谱仪测定小麦冠层光谱反射率。
3.4回归分析
光谱参数计算完成后,使用excel通过线性回归来分析光谱参数与预测指标之间的相关性,并确立估算方程。最后使用决定系数(R2)、均方根误差(RMSE)、相对误差(RE)和信噪比(NE)对模型进行评价。其中RMSE和RE计算公式如下:
其中P为预测值,Q为实测值,n为样本个数。
4.构建估算模型
4.1分析小麦叶片光合氮素利用率与氮肥利用率之间的关系
叶片的光合能力与氮含量通常呈高度正相关,虽然植物光合面积随着氮供应的提高而逐渐提高,但光合氮素利用效率却逐渐下降,这与作物最终的氮肥利用率的变化趋势是一致的。图2为不同生育时期小麦光合氮素利用效率与氮肥利用率之间的关系,从图中可以看出,尽管两者间相关性均达显著水平,但是不同时期的表现还是存在差异。在拔节期和孕穗期相关系数相对较低(r<0.65),而在开花期和灌浆期的相关系数均达0.8以上。为进一步明确光合氮素利用率和氮肥利用率之间的数量化关系,分时期确立了开花期和灌浆期PNUE-NUE之间的定量模型,具体如图3所示,方程拟合R2分别为0.7038和0.8271,两个时期的拟合方程斜率和截距存在差异,时期间数据异质性高,不能够统一建模,需区分时期分别进行。
4.2分析植被指数与叶片光合氮素利用率间关系
依据文献检索及植被指数与氮素的关系,从常规植被指数中挑选出9个表现较好的光谱参数,分析其与PNUE1间的关系,具体如图4所示。光谱参数DCNI(720,700,680)表现最差,R2仅为0.145,(R780-R710)/(R780-R680)、RES(755,718,675)和NDchl(925,710)的相关性有所改善,但三个参数间无明显差异,R2分别为0.349、0.351和0.348。与以上四个参数相比,SAVI(825,735)、NDSI(788,756)和GNDVI(750,550)表现相对较好(R2=0.485、0.447和0.427),但方程拟合决定系数低于0.5,误差较大。MSR(850,760,680)为三波段植被指数,其相关系数表现最高,方程R2为0.614,但是误差控制依然较大。
为进一步提高PNUE估算精度,考虑到单个植被指数信息有限的局限性,将以上9个植被指数作为自变量,PNUE1为因变量,采用多元逐步回归算法,得到三元一次回归方程,具体的三个自变量因子分别为REPle、SAVI和MSR,回归模型的决定系数R2为0.722,较单个表现最好的植被指数的方程拟合精度提高了17.6%,具体方程式为:
PNUE=-32.588-11.669REPle+20.414SAVI+0.03MSR;
4.3分析基于模型转移确立植被指数与NUE之间关系
基于叶片氮素利用率与成熟期氮肥利用率间的关系,以PNUE为自变量、NUE为因变量进行一元一次回归建模,确立了分时期的NUE-PNUE定量模型:
灌浆期NUE-PNUE(成熟期氮肥利用率-光合氮素利用效率)模型:
NUE=4.7194PNUE+10.499 R2=0.8271 (1);
开花期NUE-PNUE(成熟期氮肥利用率-光合氮素利用效率)模型:
NUE=4.9607PNUE+4.1244 R2=0.7038 (2);
为克服单个植被指数对小麦叶片PNUE指示性较差的弊端,以PNUE1为因变量、9个植被指数为自变量,基于逐步多元回归分析方法,得到三元一次回归方程,具体的三个自变量因子分别为REPle、SAVI和MSR,确立了PNUE-VIs(光合氮素利用效率-植被指数)定量模型:
PNUE=-32.588-11.669REPle+20.414SAVI+0.03MSR R2=0.722 (3);
基于上述公式(1)、(2)和(3),以PNUE为模型链接因子和节点,利用模型链接技术和指标转换方法,将公式(3)带入(1)和(2),从而得到小麦氮肥利用率估算模型(NUE-VIs模型)。
灌浆期NUE-VIs模型:
NUE=-143.2968-55.0707REPle+6.3418SAVI+0.1416MSR (4);
开花期NUE-VIs模型:
NUE=-157.5349-57.886REPle+101.3963SAVI+0.1488MSR (5);
为了检验NUE-VIs模型对小麦成熟期氮肥利用效率的估算效果,使用独立年份试验数据对估算模型进行检验。通过绘制开花期和灌浆期NUE预测值与实测值之间1:1关系图,如图5所示,结果显示开花期预测精度为0.6522,RMSE为6.709,灌浆期预测精度高于开花期(0.7165),RMSE为4.751。这表明利用灌浆期光谱植被指数REPle、SAVI和MSR可以较好地估算小麦成熟期的氮肥利用率。
因此采用灌浆期的NUE-VIs模型作为小麦成熟期氮肥利用效率的估算模型。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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 (7)
1.一种基于光谱信息技术估算小麦氮肥利用率的方法,其特征在于,具体步骤为:
数据获取:对各个采样区域中采样主体的各个取样时期的数据进行测定;
数据处理:对获取的数据进行处理,计算出常规植被指数的值以及其与相关生理生化指标之间的关系;
相关性获取:根据获取的数据计算各个取样时期的光合氮素利用效率与成熟期氮肥利用率之间的相关系数;
筛选取样时期:分别判断各个取样时期的光合氮素利用效率与成熟期氮肥利用率之间的相关系数是否大于最高相关系数阈值,若是,将取样时期保存至第一集合;
筛选植被指数:根据历史数据筛选出数据处理结果中与作物氮素及生长状况相关的植被指数;
确定植被指数:根据任一植被指数的光谱数值与PNUE1之间的线性决定系数的大小,筛选出设定数量的植被指数;
构建氮肥利用率估算模型:根据确定的植被指数构建PNUE-VIs定量模型和NUE-PNUE定量模型,根据构建的NUE-PNUE定量模型和PNUE-VIs定量模型,对第一集合中的各个取样时期分别构建成熟期氮肥利用率估算模型;
确定最终氮肥利用率估算模型:以各个成熟期氮肥利用率估算模型的精确度为标准,确定最终氮肥利用率估算模型;
其中,构建成熟期氮肥利用率估算模型的具体步骤为:
以设定数量的植被指数为自变量,以PNUE1为因变量,基于逐步多元回归分析方法确立PNUE-VIs定量模型;
以PNUE为自变量,以NUE为因变量进行一元一次回归建模,根据第一集合的各个取样时期分别建立NUE-PNUE定量模型;
根据NUE-PNUE定量模型和PNUE-VIs定量模型,以PNUE为模型链接因子和节点,利用模型链接技术和指标转换方法,对第一集合中的各个取样时期分别构建成熟期氮肥利用率估算模型。
2.根据权利要求1所述的一种基于光谱信息技术估算小麦氮肥利用率的方法,其特征在于,各个取样时期内的测定数据包括光谱数据、净光合速率和蒸腾速率、氮含量及成熟期氮肥利用效率。
3.根据权利要求2所述的一种基于光谱信息技术估算小麦氮肥利用率的方法,其特征在于,光谱数据采样前或采样过程中均对仪器进行矫正。
4.根据权利要求2所述的一种基于光谱信息技术估算小麦氮肥利用率的方法,其特征在于,氮含量的测定步骤为:
在各个取样时期选取固定数量的采样主体并将采样主体放入液氮保存;
采样主体进行茎叶分离;
将茎叶分离的采样主体进行杀青,恒温烘干至恒重;
对烘干至恒重的采样主体各部位进行氮含量的测定;
光合氮素利用效率为净光合速率与氮含量的比值。
5.根据权利要求4所述的一种基于光谱信息技术估算小麦氮肥利用率的方法,其特征在于,成熟期氮肥利用效率测定步骤为:
依据各个采样区域中划分区域的采样主体的数量,计算单位面积成穗数;
以固定数量的采样主体的穗粒数,计算单个采样主体的穗粒数;
在各个采样区域中的固定范围内随机选取籽粒,测定千粒重;
根据单位面积成穗数、单个采样主体的穗粒数以及千粒重,计算收获产量;
收获产量与植株吸氮量的比值为成熟期氮肥利用率。
6.根据权利要求5所述的一种基于光谱信息技术估算小麦氮肥利用率的方法,其特征在于,植株吸氮量由采样主体的干重和氮含量计算获得。
7.根据权利要求1所述的一种基于光谱信息技术估算小麦氮肥利用率的方法,其特征在于,各个成熟期氮肥利用率估算模型的精确度通过决定系数R2、均方根误差RMSE、相对误差RE和信噪比NE进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981824.1A CN113504186B (zh) | 2021-08-25 | 2021-08-25 | 一种遥感估算小麦氮肥利用率的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981824.1A CN113504186B (zh) | 2021-08-25 | 2021-08-25 | 一种遥感估算小麦氮肥利用率的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113504186A CN113504186A (zh) | 2021-10-15 |
CN113504186B true CN113504186B (zh) | 2022-07-29 |
Family
ID=78016397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981824.1A Active CN113504186B (zh) | 2021-08-25 | 2021-08-25 | 一种遥感估算小麦氮肥利用率的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113504186B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN102982486A (zh) * | 2012-11-14 | 2013-03-20 | 北京农业信息技术研究中心 | 一种基于作物长势遥感监测信息的施肥决策方法 |
CN113035290A (zh) * | 2021-03-12 | 2021-06-25 | 河南省农业科学院植物营养与资源环境研究所 | 一种基于高光谱遥感技术的小麦植株氮积累量监测方法 |
CN113268703A (zh) * | 2021-06-23 | 2021-08-17 | 河南农业大学 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112834442A (zh) * | 2021-01-04 | 2021-05-25 | 四川大学 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
CN112903600B (zh) * | 2021-01-15 | 2022-06-03 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
-
2021
- 2021-08-25 CN CN202110981824.1A patent/CN113504186B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
CN102982486A (zh) * | 2012-11-14 | 2013-03-20 | 北京农业信息技术研究中心 | 一种基于作物长势遥感监测信息的施肥决策方法 |
CN113035290A (zh) * | 2021-03-12 | 2021-06-25 | 河南省农业科学院植物营养与资源环境研究所 | 一种基于高光谱遥感技术的小麦植株氮积累量监测方法 |
CN113268703A (zh) * | 2021-06-23 | 2021-08-17 | 河南农业大学 | 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 |
Non-Patent Citations (2)
Title |
---|
基于高光谱遥感的小麦资源利用效率研究;张海艳;《中国博士学位论文全文数据库(电子期刊)》;20210515(第5期);第13-19、20-31页 * |
张海艳.基于高光谱遥感的小麦资源利用效率研究.《中国博士学位论文全文数据库(电子期刊)》.2021,(第5期), * |
Also Published As
Publication number | Publication date |
---|---|
CN113504186A (zh) | 2021-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
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 | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
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 | |
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 | |
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 | |
CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
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 | |
CN111965117A (zh) | 基于prospect模型的冬小麦水分监测方法、监测系统 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
Wen et al. | Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters | |
Peng et al. | Winter wheat canopy water content monitoring based on spectral transforms and “three-edge” parameters | |
CN113552096A (zh) | 一种基于光谱的菠萝叶片氮含量估算方法 | |
Zhao et al. | Estimation of the net primary productivity of winter wheat based on the near-infrared radiance of vegetation | |
CN113504186B (zh) | 一种遥感估算小麦氮肥利用率的方法 | |
CN107274002A (zh) | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 | |
CN113640230B (zh) | 一种田间小麦水分利用率快速检测方法及系统 | |
Zhang et al. | Key variable for simulating critical nitrogen dilution curve of wheat: Leaf area ratio-driven approach |
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 |