CN113514410A - 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 - Google Patents
一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 Download PDFInfo
- Publication number
- CN113514410A CN113514410A CN202110765676.XA CN202110765676A CN113514410A CN 113514410 A CN113514410 A CN 113514410A CN 202110765676 A CN202110765676 A CN 202110765676A CN 113514410 A CN113514410 A CN 113514410A
- Authority
- CN
- China
- Prior art keywords
- nitrogen utilization
- utilization rate
- nitrogen
- layer
- vertical distribution
- 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
- 230000014075 nitrogen utilization Effects 0.000 title claims abstract description 101
- 240000008042 Zea mays Species 0.000 title claims abstract description 87
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 85
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 79
- 235000005822 corn Nutrition 0.000 title claims abstract description 79
- 230000012010 growth Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005516 engineering process Methods 0.000 title claims abstract description 21
- 238000011155 quantitative monitoring Methods 0.000 title claims abstract description 19
- 238000001228 spectrum Methods 0.000 claims abstract description 66
- 230000003595 spectral effect Effects 0.000 claims abstract description 52
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 16
- 230000004044 response Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 64
- 229910052757 nitrogen Inorganic materials 0.000 claims description 32
- 241000196324 Embryophyta Species 0.000 claims description 14
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 12
- 239000002028 Biomass Substances 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 10
- 235000016709 nutrition Nutrition 0.000 claims description 9
- 230000035764 nutrition Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 8
- 208000012886 Vertigo Diseases 0.000 claims description 6
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 claims description 6
- 235000009973 maize Nutrition 0.000 claims description 6
- 239000008267 milk Substances 0.000 claims description 6
- 210000004080 milk Anatomy 0.000 claims description 6
- 235000013336 milk Nutrition 0.000 claims description 6
- 238000010183 spectrum analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000010298 pulverizing process Methods 0.000 claims description 5
- 238000009987 spinning Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 102000004190 Enzymes Human genes 0.000 claims description 3
- 108090000790 Enzymes Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 3
- 230000029087 digestion Effects 0.000 claims description 3
- 238000004401 flow injection analysis Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 2
- 238000010238 partial least squares regression Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 208000003643 Callosities Diseases 0.000 abstract description 6
- 206010020649 Hyperkeratosis Diseases 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010521 absorption reaction Methods 0.000 description 9
- 230000009466 transformation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009105 vegetative growth Effects 0.000 description 2
- 206010006895 Cachexia Diseases 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 208000026500 emaciation Diseases 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,包括选取玉米试验区域若干处进行取样,每一处采集多条光谱曲线,对光谱曲线进行平滑波形处理,并删除产生波形噪声的波段区域,得到去噪后的光谱曲线;对去噪后的光谱曲线进行平均值处理,生成对应区域处的光谱测定值,得到光谱数据;利用偏最小二乘法模型筛选出不同生育期玉米各叶层氮素利用率的有效波段,预测氮素利用率垂直分布特性,根据氮素利用率垂直分布特性对不同叶层氮素利用率进行实时监测,从而更有利于开展夏玉米氮素利用率垂向分布对光谱响应特征的分析,实现生育期间氮素利用率时空变异效应的定量与精准监测。
Description
技术领域
本发明涉及氮素利用率定量监测领域,尤其涉及一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法。
背景技术
氮素利用率是农业中一个极为重要的指标,表示植株所吸收的单位氮素积累量而形成的生物量或产量,即地上部植株或籽粒生物量除以氮积累量;从内涵上来讲,是表征单位氮肥投入下作物产出的高低,指示氮素吸收与分配性能的关键因子,因此,快捷、有效开展夏玉米氮素利用率精确和实时诊断,做到按需施氮、精准施氮,对逐步实现夏玉米绿色增效与减投增效的目标具有重要意义。
夏玉米缺氮时症状表现为新叶生长缓慢,叶色变淡,长势瘦弱等。上述特征虽然直观但往往难以量化,同时对氮胁迫响应具有一定滞后性。相比之下,其植株氮营养生理生化指标,如氮浓度、生物量以及由此计算而得的氮素利用率则更为敏感。目前,常规的氮素利用率检测方法主要以基于植株的实验室化学测试为主,该法虽可以获得相对较为准确的结果,但因其在田间样品采集和室内分析等过程而耗时久、花费高且时效性差,具有破坏性,同时无法快速获取大区域氮素利用率的数据,不利于推广应用。近年来,高光谱技术以其波段连续性强、波谱分辨率高、光谱信息量大等优势在植被遥感研究与应用中表现出强大优势,为利用反射光谱数据来无损、快捷获取作物氮素利用率实时动态监测作物营养状态提供了一种重要手段。
目前为止,大部分利用垂向观测的冠层反射光谱监测作物氮素利用率的研究均以作物冠层整体为分析对象,很少有研究去系统探索作物氮素利用率垂直分布特征与冠层高光谱间内在关系和实现夏玉米氮素利用率精准监测的,以植株整体为监测对象,其冠层内色素含量、结构参数、光能分配与利用等因素变化对监测结果的影响可显著降低,然而叶片冠层作为叶片群体的综合反映,各叶层间所接受外界资源是具有明显差异的,氮含量和氮分配呈梯度衰减的变化趋势,继而使氮素利用率在作物冠层分布也具有明显的空间异质性,因此,对于夏玉米而言,不同叶层氮素利用率分布有何特征,各叶层氮素利用率与冠层高光谱间有何定量关系,其高光谱监测有效叶层分布位置,均是亟待需要解决的问题。
发明内容
本发明克服了现有技术的不足,提供一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法。
为达到上述目的,本发明采用的技术方案为:一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,包括以下步骤:
选取玉米试验区域若干处进行取样,每一处采集多条光谱曲线,对光谱曲线进行平滑波形处理,并删除产生波形噪声的波段区域,得到去噪后的光谱曲线;
对去噪后的光谱曲线进行平均值处理,生成对应区域处的光谱测定值,得到光谱数据;
利用偏最小二乘法模型筛选出不同生育期玉米各叶层氮素利用率的有效波段,预测氮素利用率垂直分布特性,
根据氮素利用率垂直分布特性对不同叶层氮素利用率进行实时监测。
本发明一个较佳实施例中,利用平滑去噪法对采集光谱曲线进行平滑波形,去除噪声,删除信噪比波段范围325-399nm和1000-1075nm的波段区域,采用400-1000nm光谱区间对玉米氮素利用率垂向分布的高光谱定量反演与动态监测。
本发明一个较佳实施例中,采用连续小波变换对不同氮营养水平下夏玉米冠层高光谱反射率曲线进行转换分析,从光谱数据中分离出有效信息,小波变换公式如下:
本发明一个较佳实施例中,所有田间试验样品采集及高光谱测试均于夏玉米拔节期、大喇叭口期、吐丝期、灌浆期和乳熟期进行,其中拔节期和大喇叭口期将夏玉米植株平均分为3层,每层为相应时期株高的1/3,自上而下依次为第一层、第二层与第三层;吐丝期、灌浆期和乳熟期均分为4层,每层,为相应时期株高的1/4,自上而下依次为第一层、第二层、第三层和第四层。
本发明一个较佳实施例中,取样后将样品置于100-105℃下杀青20-30min,然后在50-60℃烘箱中烘干、称重,计算生物量;采用微型植物粉碎机粉碎,用H2SO4-H2O2法消化,利用流动注射分析仪测定含氮量,计算各层氮素积累量。
本发明一个较佳实施例中,玉米各层氮素累利用率计算公式如下:
式中NUtEi表示氮素利用率,i表示玉米不同分层,i=1,2,3,4;Pwi表示地上部分各层生物量;Nupi为相应分层氮素累积量。
本发明一个较佳实施例中,通过玉米冠层光谱反射率数据,按照预定的分解尺度进行分解光谱波段数,提取有效光谱信息,将原初光谱变换为对应的尺度小波系数,利用偏最小二乘回归模型定量分析各尺度小波系数与玉米不同叶层氮素利用率之间的关系,确定最优分解层、光谱监测有效叶层与有效波段。
本发明一个较佳实施例中,通过不同生育期夏玉米冠层原初光谱和连续小波变换光谱为自变量,各叶层氮素利用率为因变量,利用偏最小二乘法确立在动态、定量监测不同叶层氮素利用率对生育期和氮肥的响应,确定光谱监测有效叶层,降低光谱分析维数,筛选有效特征波段。
本发明一个较佳实施例中,筛选有效特征波段还包括:采用LLr2分析方法将400-1000nm波段的光谱反射率随机两两组合,构建与夏玉米全生育期各叶层氮素利用率的归一化植被指数,然后分别制作归一化植被指数与氮素利用率的r2等势图,获取具有高预测能力的归一化植被指数及对应的光谱波段。
本发明一个较佳实施例中,归一化指数计算公式如下:
其中,x表示100-700nm波段的光谱反射率;y表示700-1000nm波段的光谱反射率。
本发明解决了背景技术中存在的缺陷,本发明具备以下有益效果:
通过建模对不同氮营养水平下夏玉米全生育期冠层原初高光谱及连续小波变换变换光谱求取平均值,经连续小波变换后的响应特征与变化趋势进行氮素利用率分析,玉米不同生育期冠层连续小波变换光谱具有相对一致的波谱特征,随分解尺度提高,不同波段范围的光谱吸收、反射波谱特征均得到加强,吸收或反射强度与光谱反射或吸收强度呈正比,且位于同一波谱位置的吸收峰值或反射峰值呈多线性增长,从而更有利于开展夏玉米氮素利用率垂向分布对光谱响应特征的分析,实现生育期间氮素利用率时空变异效应的定量与精准监测。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明不同氮肥水平下夏玉米全生育期不同叶层氮素利用率垂向分布特征示意图;
图2示出了本发明优选实施例中偏最小二乘法模型预测精度分布范围表;
图3示出了本发明优选实施例中夏玉米不同叶层氮素利用率测试分层示意图;
图4示出了本发明优选实施例中夏玉米全生育期氮素利用率垂向分布的偏最小二乘法模型精度分析表
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。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。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明不同氮肥水平下夏玉米全生育期不同叶层氮素利用率垂向分布特征示意图。
本发明第一方面提供了一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,包括以下步骤:
选取玉米试验区域若干处进行取样,每一处采集多条光谱曲线,对光谱曲线进行平滑波形处理,并删除产生波形噪声的波段区域,得到去噪后的光谱曲线;
对去噪后的光谱曲线进行平均值处理,生成对应区域处的光谱测定值,得到光谱数据;
利用偏最小二乘法模型筛选出不同生育期玉米各叶层氮素利用率的有效波段,预测氮素利用率垂直分布特性,
根据氮素利用率垂直分布特性对不同叶层氮素利用率进行实时监测。
需要说明的是,从海量高光谱数据中筛选出有效波段并能精确预测氮素利用率垂直分布特性、有效叶层和敏感生育期,对降低光谱分析维度,提高分析时效性,偏最小二乘法技术所构建定量反演模型在研究夏玉米氮素利用率垂直分布特性时于不同生育期对氮肥响应的适用性和稳定性具有重要意义。本申请利用偏最小二乘法模型中的无量纲评价指标从全波段高光谱范围内筛选出不同生育期夏玉米各叶层氮素利用率的有效波段。无量纲评价指标值可以直观和定量表征每一个波段在解释因变量时的重要性,其临界阈值为1.0,无量纲评价指标值越高,表明对因变量的预测能力越强。
全生育期夏玉米不同叶层氮素利用率垂直分布规律,3年度不同氮肥水平下夏玉米氮素利用率垂直分布与时序变化特征均相一致,故以2019年温县建模集(试验2)和2020年鹤壁验证集(试验4)为例,阐明不同氮营养水平下全生育期夏玉米各叶层氮素利用率垂直分布规律。处理间,与N0相比,随氮肥用量增加,夏玉米各生育期不同叶层氮素利用率均显著下降,分别至N240(试验2)和N280(试验4)时最低,且N240与N300,N280与N350间无明显差异,表明本研究所设置氮肥梯度可满足缺乏、适宜和过量需求,能够用于NUtE(氮素利用率)敏感叶层筛选和光谱实时定量监测。叶层间,随玉米冠层深度增加,各叶层NUtE(氮素利用率)呈逐步升高趋势,该差异在中、下层之间表现尤为明显。此外,增加氮肥用量可进一步提高叶层间氮素利用率差异性,且随生育期推进差异逐步提高。上述结果为构建符合夏玉米氮营养垂直分布特征的分层监测模型,有效捕捉中下层氮营养胁迫状况。
根据本发明实施例,利用平滑去噪法对采集光谱曲线进行平滑波形,去除噪声,删除信噪比波段范围325-399nm和1000-1075nm的波段区域,采用400-1000nm光谱区间对玉米氮素利用率垂向分布的高光谱定量反演与动态监测。
根据本发明实施例,采用连续小波变换对不同氮营养水平下夏玉米冠层高光谱反射率曲线进行转换分析,从光谱数据中分离出有效信息,小波变换公式如下:
式中f(λ)为冠层高光谱反射率,λ为400-1000nm波段范围,Ψa,b为小波基函数,a为尺度因子,b为平移因子。
需要说明的是,本申请采用连续小波变换对不同氮营养水平下夏玉米冠层高光谱反射率曲线进行转换分析,连续小波变换是一种线性变换方式,是将原始光谱信号在连续波段上进行分解,分解后的系数与原始光谱波段一一对应,可以从海量高光谱数据中分离出更多有效信息,
如图3所示,本发明公开了夏玉米不同叶层氮素利用率测试分层示意图。
根据本发明实施例,所有田间试验样品采集及高光谱测试均于夏玉米拔节期、大喇叭口期、吐丝期、灌浆期和乳熟期进行,其中拔节期和大喇叭口期将夏玉米植株平均分为3层,每层为相应时期株高的1/3,自上而下依次为第一层、第二层与第三层;吐丝期、灌浆期和乳熟期均分为4层,每层,为相应时期株高的1/4,自上而下依次为第一层、第二层、第三层和第四层。
根据本发明实施例,取样后将样品置于100-105℃下杀青20-30min,然后在50-60℃烘箱中烘干、称重,计算生物量;采用微型植物粉碎机粉碎,用H2SO4-H2O2法消化,利用流动注射分析仪测定含氮量,计算各层氮素积累量。
根据本发明实施例,玉米各层氮素累利用率计算公式如下:
式中NUtEi表示氮素利用率,i表示玉米不同分层,i=1,2,3,4;Pwi表示地上部分各层生物量;Nupi为相应分层氮素累积量。
根据本发明实施例,通过玉米冠层光谱反射率数据,按照预定的分解尺度进行分解光谱波段数,提取有效光谱信息,将原初光谱变换为对应的尺度小波系数,利用偏最小二乘回归模型定量分析各尺度小波系数与玉米不同叶层氮素利用率之间的关系,确定最优分解层、光谱监测有效叶层与有效波段。
如图4所示,本发明公开了夏玉米全生育期氮素利用率垂向分布的偏最小二乘法模型精度分析表。
为进一步探究全生育期夏玉米冠层高光谱与不同叶层NUtE(氮素利用率)间的定量回归关系,明确光谱监测有效叶层,构建定量预测模型。在相关性分析基础上,以冠层R光谱及CWT(连续小波变换)相关性较好的4-6尺度变换光谱为自变量,不同叶层氮素利用率为因变量,利用PLS(偏最小二乘法)全波段光谱分析技术定量表征两者间关系。光谱变换方式间,对于R光谱,各生育期其对不同叶层氮素利用率预测精度整体均相对较高(RPDcal和RPDval均大于1.40),满足氮素利用率垂向分布精准分析需求;相比于R光谱,CWT 4-6尺度变换光谱对夏玉米不同生育期各叶层NUtE(氮素利用率)预测性能均得以明显提高,且以CWT-6性能最优,CWT-5次之,CWT表示连续小波变换。不同叶层间,无论是建模集亦或验证集,拔节-大喇叭口期、吐丝-灌浆期和全生育期夏玉米NUtE(氮素利用率)预测精度均随叶层下移其模型精准度(r2)和稳定性(RPD)而逐步提高,即第一层大于第二层大于第三层大于第四层。生育期间,营养生长期夏玉米冠层R及CWT(连续小波变换)变换光谱对不同叶层NUtE(氮素利用率)预测精度则整体优于生殖生长期,建模集r2 cal和RPDcal分别平均提高3.01%和4.62%,验证集则分别平均增加r2 val和RPDval 4.77%和3.59%。上述结果表明在利用冠层高光谱技术开展夏玉米NUtE(氮素利用率)垂向分布实时监测时,需充分考虑中下层叶片氮营养状况及影响效应,且生长前期(如夏玉米营养生长期)是开展NUtE(氮素利用率)定量诊断的关键时期。
根据本发明实施例,通过不同生育期夏玉米冠层原初光谱和连续小波变换光谱为自变量,各叶层氮素利用率为因变量,利用偏最小二乘法确立在动态、定量监测不同叶层氮素利用率对生育期和氮肥的响应,确定光谱监测有效叶层,降低光谱分析维数,筛选有效特征波段。
需要说明的是,PLS(偏最小二乘法)分析是集典型相关分析、主成分分析和多元线性回归分析为一体的多元统计分析方法,可有效利用所有自变量信息(x,光谱反射率)构建模型,并提取出对因变量(y,NUtE(氮素利用率))贡献较大的主控因子,使新构建模型具有较强的鲁棒性。此外,PLS(偏最小二乘法)可有效消除多个自变量间的共线性问题,优化变量信息,最大化x和y间的共线性,提取对模型最优解释能力的新综合成分。
如图2所示,本发明偏最小二乘法模型预测精度分布范围表。
本申请以不同生育期夏玉米冠层原初光谱和连续小波变换光谱为自变量,各叶层氮素利用率为因变量,利用偏最小二乘法模型定量化探究两者间关系,确立偏最小二乘法在动态、定量监测不同叶层氮素利用率时对生育期和氮肥响应的适用性,确定光谱监测有效叶层。同时,在确保模型精度条件下,降低光谱分析维数,筛选有效特征波段,为夏玉米氮素利用率实时、动态和精准监测提供支撑。偏最小二乘法模型预测精度采用实测值与预测值间的决定系数(r2)、均方根误差(RMSE)和相对分析误差(RPD)来评估,其分布范围如图2所示。
根据本发明实施例,筛选有效特征波段还包括:采用LLr2分析方法将400-1000nm波段的光谱反射率随机两两组合,构建与夏玉米全生育期各叶层氮素利用率的归一化植被指数,然后分别制作归一化植被指数与氮素利用率的r2等势图,获取具有高预测能力的归一化植被指数及对应的光谱波段。
根据本发明实施例,归一化指数计算公式如下:
其中,x表示100-700nm波段的光谱反射率;y表示700-1000nm波段的光谱反射率。
综上所述,通过建模对不同氮营养水平下夏玉米全生育期冠层原初高光谱及连续小波变换变换光谱求取平均值,经连续小波变换后的响应特征与变化趋势进行氮素利用率分析,玉米不同生育期冠层连续小波变换光谱具有相对一致的波谱特征,随分解尺度提高,不同波段范围的光谱吸收、反射波谱特征均得到加强,吸收或反射强度与光谱反射或吸收强度呈正比,且位于同一波谱位置的吸收峰或反射峰值呈多线性增长,从而更有利于开展夏玉米氮素利用率垂向分布对光谱响应特征的分析,实现生育期间氮素利用率时空变异效应的定量与精准监测。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,其特征在于,包括以下步骤:
选取玉米试验区域若干处进行取样,每一处采集多条光谱曲线,对光谱曲线进行平滑波形处理,并删除产生波形噪声的波段区域,得到去噪后的光谱曲线;
对去噪后的光谱曲线进行平均值处理,生成对应区域处的光谱测定值,得到光谱数据;
利用偏最小二乘法模型筛选出不同生育期玉米各叶层氮素利用率的有效波段,预测氮素利用率垂直分布特性,
根据氮素利用率垂直分布特性对不同叶层氮素利用率进行实时监测。
2.根据权利要求1所述的一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,其特征在于,利用平滑去噪法对采集光谱曲线进行平滑波形,去除噪声,删除信噪比波段范围325-399nm和1000-1075nm的波段区域,采用400-1000nm光谱区间对玉米氮素利用率垂向分布的高光谱定量反演与动态监测。
4.根据权利要求1所述的一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,其特征在于,所有田间试验样品采集及高光谱测试均于夏玉米拔节期、大喇叭口期、吐丝期、灌浆期和乳熟期进行,其中拔节期和大喇叭口期将夏玉米植株平均分为3层,每层为相应时期株高的1/3,自上而下依次为第一层、第二层与第三层;吐丝期、灌浆期和乳熟期均分为4层,每层,为相应时期株高的1/4,自上而下依次为第一层、第二层、第三层和第四层。
5.根据权利要求4所述的一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,其特征在于,取样后将样品置于100-105℃下杀青20-30min,然后在50-60℃烘箱中烘干、称重,计算生物量;采用微型植物粉碎机粉碎,用H2SO4-H2O2法消化,利用流动注射分析仪测定含氮量,计算各层氮素积累量。
7.根据权利要求1所述的一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,其特征在于,通过玉米冠层光谱反射率数据,按照预定的分解尺度进行分解光谱波段数,提取有效光谱信息,将原初光谱变换为对应的尺度小波系数,利用偏最小二乘回归模型定量分析各尺度小波系数与玉米不同叶层氮素利用率之间的关系,确定最优分解层、光谱监测有效叶层与有效波段。
8.根据权利要求7所述的一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,其特征在于,通过不同生育期夏玉米冠层原初光谱和连续小波变换光谱为自变量,各叶层氮素利用率为因变量,利用偏最小二乘法确立在动态、定量监测不同叶层氮素利用率对生育期和氮肥的响应,确定光谱监测有效叶层,降低光谱分析维数,筛选有效特征波段。
9.根据权利要求1所述的一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法,其特征在于,筛选有效特征波段还包括:
采用LLr2分析方法将400-1000nm波段的光谱反射率随机两两组合,构建与夏玉米全生育期各叶层氮素利用率的归一化植被指数,然后分别制作归一化植被指数与氮素利用率的r2等势图,获取具有高预测能力的归一化植被指数及对应的光谱波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110765676.XA CN113514410A (zh) | 2021-07-07 | 2021-07-07 | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110765676.XA CN113514410A (zh) | 2021-07-07 | 2021-07-07 | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113514410A true CN113514410A (zh) | 2021-10-19 |
Family
ID=78066927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110765676.XA Pending CN113514410A (zh) | 2021-07-07 | 2021-07-07 | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113514410A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343249A (zh) * | 2022-07-11 | 2022-11-15 | 中国水利水电科学研究院 | 一种夏玉米全生命周期叶片尺度氮素营养高光谱诊断方法 |
CN116308866A (zh) * | 2023-05-23 | 2023-06-23 | 武汉大学 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
CN116735538A (zh) * | 2023-08-15 | 2023-09-12 | 山东科技大学 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986139A (zh) * | 2010-08-25 | 2011-03-16 | 浙江大学 | 一种基于反射光谱小波变换的植被参数遥感反演方法 |
CN106323466A (zh) * | 2016-08-09 | 2017-01-11 | 西北农林科技大学 | 一种连续小波变换分析的叶片氮含量高光谱估算方法 |
-
2021
- 2021-07-07 CN CN202110765676.XA patent/CN113514410A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986139A (zh) * | 2010-08-25 | 2011-03-16 | 浙江大学 | 一种基于反射光谱小波变换的植被参数遥感反演方法 |
CN106323466A (zh) * | 2016-08-09 | 2017-01-11 | 西北农林科技大学 | 一种连续小波变换分析的叶片氮含量高光谱估算方法 |
Non-Patent Citations (1)
Title |
---|
LANTAO LI等: "Assessing leaf nitrogen concentration of winter oilseed rape with canopy", 《INDUSTRIAL CROPS & PRODUCTS》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343249A (zh) * | 2022-07-11 | 2022-11-15 | 中国水利水电科学研究院 | 一种夏玉米全生命周期叶片尺度氮素营养高光谱诊断方法 |
CN116308866A (zh) * | 2023-05-23 | 2023-06-23 | 武汉大学 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
CN116735538A (zh) * | 2023-08-15 | 2023-09-12 | 山东科技大学 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
CN116735538B (zh) * | 2023-08-15 | 2024-05-24 | 山东科技大学 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113514410A (zh) | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 | |
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 | |
Bao et al. | Vis-SWIR spectral prediction model for soil organic matter with different grouping strategies | |
CN105181642B (zh) | 一种花生品质的近红外检测方法及应用 | |
Zhang et al. | Allocate soil individuals to soil classes with topsoil spectral characteristics and decision trees | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
CN110333195A (zh) | 植物叶片水分含量检测方法及装置 | |
CN103278473B (zh) | 白胡椒中胡椒碱及水分含量的测定和品质评价方法 | |
CN110779875B (zh) | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 | |
CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
Li et al. | Accurate modeling of vertical leaf nitrogen distribution in summer maize using in situ leaf spectroscopy via CWT and PLS-based approaches | |
Huang et al. | Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm | |
CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
CN104255118B (zh) | 基于近红外光谱技术的水稻种子发芽率快速无损测试方法 | |
CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
CN115392120A (zh) | 一种基于lstm的土壤有机质含量高光谱建模方法 | |
CN113866102A (zh) | 一种基于光谱的土壤健康调查监测方法 | |
CN112270131A (zh) | 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 | |
CN114694023A (zh) | 一种光谱指数数据重构的棉花蚜害严重度分级方法 | |
CN115184322A (zh) | 一种水稻叶片水分含量监测方法 | |
CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
Wang et al. | Monitoring model for predicting maize grain moisture at the filling stage using NIRS and a small sample size | |
Yao et al. | Prediction of total nitrogen content in different soil types based on spectroscopy | |
CN116578851A (zh) | 一种高光谱土壤有效硼含量预测方法 | |
CN115392305A (zh) | 基于改进时间卷积网络的土壤有机质含量高光谱建模方法 |
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 |