CN113570251B - 基于生长前后期氮素输出累积指数的土豆制图方法 - Google Patents
基于生长前后期氮素输出累积指数的土豆制图方法 Download PDFInfo
- Publication number
- CN113570251B CN113570251B CN202110865431.4A CN202110865431A CN113570251B CN 113570251 B CN113570251 B CN 113570251B CN 202110865431 A CN202110865431 A CN 202110865431A CN 113570251 B CN113570251 B CN 113570251B
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- growth
- index
- crop
- early
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 322
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 161
- 230000012010 growth Effects 0.000 title claims abstract description 133
- 244000061456 Solanum tuberosum Species 0.000 title claims abstract description 63
- 235000002595 Solanum tuberosum Nutrition 0.000 title claims abstract description 60
- 238000009825 accumulation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011160 research Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 235000012015 potatoes Nutrition 0.000 abstract description 17
- 230000008859 change Effects 0.000 abstract description 7
- 101001057166 Homo sapiens Protein EVI2A Proteins 0.000 description 15
- 102100027246 Protein EVI2A Human genes 0.000 description 15
- 244000068988 Glycine max Species 0.000 description 10
- 235000010469 Glycine max Nutrition 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000007423 decrease Effects 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 6
- 240000007594 Oryza sativa Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 235000003276 Apios tuberosa Nutrition 0.000 description 3
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Animal Husbandry (AREA)
- Fuzzy Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于生长前后期氮素输出累积指数的土豆制图方法,该方法首先建立植被指数、氮素指数时序数据集,对氮素指数时序数据进行时序差分,获得氮素指数差分时序数据集,进而对其实施取绝对值操作,获得氮素指数变化量时序数据集,同时基于植被指数时序曲线获得农作物物候期。在农作物生长前期,分别计算氮素输出量和氮素变化量,两者相除获得农作物生长前期氮素输出率;在农作物生长后期,分别计算氮素累积量和氮素变化量,两者相除获得农作物生长后期氮素累积率;在此基础上,构建生长前后期氮素输出累积指数,建立土豆制图方法。该方法简便易行,精度合理,适用于大尺度土豆自动制图。
Description
技术领域
本发明属于农作物生长监测技术领域,具体涉及一种基于生长前后期氮素输出累积指数的土豆制图方法。
背景技术
高时效精准获取农作物时空分布信息,对于确保农业可持续发展意义重大。传统农情调查收集数据成本非常昂贵,而且耗时长、覆盖范围极为有限。随着时序遥感数据源的不断丰富,时空分辨率和光谱分辨率均持续提高,并且向公众免费开放,为农情遥感监测带来了难得的机遇。但是,基于时序遥感数据开展农作物遥感制图面临两方面的挑战:一方面,农作物光谱通常具有一定的相似性;另一方面,同一种农作物由于种植熟制、不同区域与年份气候差异以及耕作管理条件等多方面因素,导致同一种农作物光谱存在很强的类内异质性,甚至远远超过了不同农作物之间的光谱差异。因此,如何有效地提取不同农作物独特的时序变化特征,巧妙地对应农作物光谱类内异质性问题,成为基于时序遥感数据开展农作物制图的关键技术瓶颈。
土豆作为全球第四大粮食作物,对环境适应能力强。土豆在我国分布范围很广,即使在高寒地带、土壤气候条件差的区域,土豆也能正常生长,因此土豆对于确保我国粮食稳产增收具有不可忽略的重要意义。虽然土豆在农业生产中具有举足轻重的地位,但目前依然缺乏有效的土豆时序遥感制图方法。基于时序遥感数据,特别是利用农作物物候特征开展农作物遥感制图技术方法研究方兴未艾,但相关研究技术仍集中在水稻、玉米和小麦等三种主要农作物方面。如:利用水稻需要漫灌移栽的特点,设计水体植被比值指数用于水稻分布信息提取;利用冬小麦冬天播种、生长期较长并且收割成熟期通常处于其他农作物生长盛期的特点,设计生长期植被指数增量指标,用于冬小麦制图。相比而言,土豆的农作物物候期与其他农作物接近,而且很难找到类似于水稻需要漫灌等独特耕作管理措施,因此很难依据植被指数时序特征设计有效的土豆制图方法。
Sentinel时序遥感数据,时空分辨率和光谱分辨率均较为理想。哨兵2号(Sentinel-2)作为新型光学遥感卫星,具有宽幅和高时空分辨率以及免费共享等多重优势。其所特有的红光边缘波段,为监测植被生长与健康状态非常有效。哨兵数据特有的三个红光边沿波段,给农作物遥感制图带来很好的机遇。但哨兵数据作为一种较为新型的遥感时序数据,基于哨兵时序数据的农作物制图技术方法相对匮乏。
发明内容
本发明的目的在于提供一种基于生长前后期氮素输出累积指数的土豆制图方法,该方法简便易行,精度合理,适用于大尺度土豆自动制图。
为实现上述目的,本发明采用的技术方案是:一种基于生长前后期氮素输出累积指数的土豆制图方法,包括如下步骤:
步骤S01:建立研究区植被指数时序数据集和氮素指数时序数据集;
步骤S02:建立氮素指数差分时序数据集;
步骤S03:建立氮素指数变化量时序数据集;
步骤S04:逐像元动态获取农作物物候期;
步骤S05:获取农作物生长前期氮素输出率指标;
步骤S06:获取农作物生长后期氮素累积率指标;
步骤S07:建立生长前后期氮素输出累积指数;
步骤S08:构建土豆制图技术流程方法;
步骤S09:获得研究区土豆空间分布图。
进一步地,所述步骤S02中,针对研究区耕地区域,在研究年份内,逐日对氮素指数时序数据进行时序差分,建立氮素指数差分时序数据集。
进一步地,所述步骤S03中,对氮素指数差分时序数据集中数据实施取绝对值运算,建立研究区氮素指数变化量时序数据集。
进一步地,所述步骤S04中,在研究区耕地区域,逐像元动态获取包括农作物生长盛期、生长开始期和生长结束期的农作物物候期,并针对每个农作物生长期,求算植被指数时序曲线最大值,将该生长期内植被指数最大值所处时刻确定为农作物生长盛期。
进一步地,所述步骤S05中,在农作物生长前期,将氮素指数差分时序数据与氮素指数变化量时序数据实施相减后取绝对值操作,获得农作物生长前期氮素输出量;在农作物生长前期,将氮素指数变化量时序数据逐日累加,获得农作物生长前期氮素变化量;将农作物生长前期氮素输出量除以农作物生长前期氮素变化量,获得农作物生长前期氮素输出率指标NORE,其计算公式为:
式中,NRIt+1、NRIt分别表示第t+1天、t天氮素指数数值;Start、Heading分别对应农作物生长开始期和生长盛期。
进一步地,所述步骤S06中,在农作物生长后期,将氮素指数差分时序数据与氮素指数变化量时序数据实施相加后取绝对值操作,获得农作物生长后期氮素累积量;将农作物生长后期氮素累积量除以农作物生长后期氮素变化量,获得农作物生长后期氮素累积率指标NARL,其计算公式为:
式中,NRIt+1、NRIt分别表示第t+1天、t天氮素指数数值;Heading、End分别对应农作物生长盛期和生长结束期。
进一步地,所述步骤S07中,将农作物生长前期氮素输出率指标乘以农作物生长后期氮素累积率指标,获得该农作物生长期内的生长前后期氮素输出累积指数OAI,其计算公式为:
OAI=NORE×NARL;
式中,NORE、NARL分别表示农作物生长前期氮素输出率、农作物生长后期氮素累积率。
进一步地,所述步骤S08中,利用所构建的生长前后期氮素输出累积指数OAI,建立土豆制图判别规则:如果满足OAI>θ,则该像元为土豆,否则为其他农作物;阈值θ在不同区域实际应用中可作调整。
与现有技术相比,本发明具有以下有益效果:
(1)本发明构思新颖,从土豆通常食用地下茎而非果实的特点出发,挖掘氮素指数所揭示的营养元素在农作物生长期内的时序变化规律,有助于全面推动突破目前农作物时序遥感制图主要依赖常规植被指数难以有效区分不同农作物的技术瓶颈。
(2)充分分析挖掘土豆氮素营养在生长前期和生长后期的变化规律,即:土豆需要形成块茎氮素在生长前期输出大以及在生长盛期后氮素含量持续累积,而其他农作物氮素含量与植被指数时序同步的特点;设计生长前后期氮素输出累积指数,有助于凸显土豆有别于其他农作物的生长特性从而更好地实现农作物自动制图。
(3)依据所设计的生长前后期氮素输出累积指数,依据该指数数值大小进行土豆识别,所设计的技术流程具有简便易行并且精度合理的特点。
附图说明
图1为本发明实施例的方法实现流程图。
图2为本发明实施例中土豆、大豆的EVI2、NRI指数的时序信号图。
图3为本发明实施例中土豆、大豆的EVI2和氮素指数差分时序曲线图。
图4为本发明实施例中土豆、大豆的EVI2和氮素指数变化量时序曲线图。
图5为本发明实施例中农作物生长期示意图。
图6为本发明实施例中农作物生长前期氮素输出量示意图。
图7为本发明实施例中农作物生长后期氮素累积量示意图。
图8为本发明实施例中土豆制图技术流程图。
图9为本发明实施例中研究区土豆空间分布图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本实施例提供了一种基于生长前后期氮素输出累积指数的土豆制图方法,如图1所示,首先建立研究区植被指数EVI2和氮素指数NRI时序数据集,在耕地区域内,依据土豆在生长前期氮素输出率以及生长后期氮素累积量均较大的特点,通过设计生长前后期氮素输出累积指数,建立土豆识别技术流程,实现研究区土豆分布制图。所述基于生长前后期氮素输出累积指数的土豆制图方法,具体包括以下步骤:
步骤S01:建立研究区植被指数与氮素指数时序数据集
植被指数:植被指数是表征植被生长状态以及空间分布密度的因子。常见的植被指数有NDVI和EVI2。NDVI为归一化植被指数,全称为Normalized Difference VegetationIndex。EVI2为增强型植被指数,全称为Enhanced Vegetation Index。EVI2指数的计算公式为:
其中ρRed,ρNIR分别为哨兵影像的红光、近红外波段的反射率。
氮素指数:氮素,是维持农作物正常生长发育以及确保粮食高产稳产的重要营养元素。氮素指数能很好地揭示作物冠层氮素含量水平变化。氮素指数NRI(Nitrogen RatioIndex,简称NRI)的计算公式为:
其中ρSWIR1,ρNIR分别为哨兵影像的短波红外第一波段、红光波段的反射率。
基于哨兵波段的反射率数据,依次计算植被指数EVI2和氮素指数NRI。逐像元在研究年份内按照时间顺序依次计算EVI2、NRI指数,从而获得研究区该年份EVI2、NRI指数时序数据集。基于研究区剔除云干扰后的EVI2、NRI指数时序数据集,采用Whittaker Smoother数据平滑方法,逐像元构建研究年份内逐日连续平滑的EVI2、NRI指数时序数据集。所建立的土豆、大豆的EVI2、NRI指数年内时序曲线图,见图2。由图可见,土豆和大豆的植被指数EVI时序曲线具有很大程度的相似性,均表现为先升后降的特点,即随着农作物开始生长逐渐升高,在生长盛期达到峰值,随着逐渐下降,在农作物成熟收割时接近谷值。但土豆和大豆的氮素指数NRI时序曲线,呈现出明显不一样的时序特征,具体表现为大豆的氮素指数NRI与植被指数EVI2在农作物生长期内时序同步性好,而土豆的氮素指数NRI与植被指数EVI2在农作物生长期并非完全同步。
步骤S02:建立氮素指数差分时序数据集
针对研究区耕地区域,在研究年份内,逐日对氮素指数NRI时序数据进行时序差分,从而形成氮素指数差分时序数据集(DifferencedNRI,简称DNRI)。所建立的土豆、大豆的氮素指数差分时序曲线,见图3。由图可见,不同农作物的氮素指数差分时序曲线,虽然都具有正值和负值区间,但不同农作物变化频率以及正负值所对应的物候期存在明显差异。表现为,土豆在农作物生长前期和生长后期均有两个明显的负值持续时段。而大豆的氮素指数差分时序曲线,在农作物生长期内首先表现为正值,然后接近于零,最后转变为负值,因此正负值持续时段分别对应生长前期和生长后期。
步骤S03:建立氮素指数变化量时序数据集
对氮素指数差分时序数据集,实施取绝对值运算,建立研究区氮素指数变化量时序数据集。所建立的土豆、大豆的氮素指数变化量时序曲线图,见图4。
步骤S04:逐像元动态获取农作物物候期
在研究区耕地区域,逐像元动态获取农作物生长盛期、生长开始期和生长结束期等农作物物候期。针对每个农作物生长期,求算植被指数时序曲线最大值,将该生长期内植被指数最大值所处时刻确定为农作物生长盛期。进一步依据农作物生长盛期,动态确定农作物生长开始期和生长结束期。生长峰值期前50天定义为农作物生长开始期,生长峰值期后40天定义为农作物生长结束期。同时,将农作物生长开始期到生长盛期这段时间,记录为农作物生长前期;将农作物生长盛期到农作物生长结束期这段时间,记录为农作物生长后期。农作物物候期示意图,见图5。
步骤S05:设计农作物生长前期氮素输出率指标
在农作物生长前期,将氮素指数差分时序数据,与氮素指数变化量时序数据,实施相减后取绝对值操作,获得农作物生长前期氮素输出量(见图6)。在农作物生长前期,将氮素指数变化量时序数据,逐日累加,获得农作物生长前期氮素变化量。最后,将农作物生长前期氮素输出量,除以农作物生长前期氮素变化量,获得农作物生长前期氮素输出率指标(Nitrogen Output Ratio during Early growing stage,简称NORE)。其计算公式为:
上式中,NRIt+1、NRIt分别表示第t+1天、t天氮素指数数值;Start、Heading分别对应农作物生长开始期和生长盛期。
步骤S06:设计农作物生长后期氮素累积率指标
在农作物生长后期,将氮素指数差分时序数据,与氮素指数变化量时序数据,实施相加后取绝对值操作,获得农作物生长后期氮素累积量(见图7)。然后,将农作物生长后期氮素累积量,除以农作物生长后期氮素变化量,获得农作物生长后期氮素累积率指标(Nitrogen Accumulation Ratio during Late growing stage,简称NARL)。其计算公式为:
上式中,NRIt+1、NRIt分别表示第t+1天、t天氮素指数数值;Heading、End分别对应农作物生长盛期和生长结束期。
步骤S07:建立生长前后期氮素输出累积指数
综合农作物生长前期氮素输出率指标、农作物生长后期氮素累积率指标,建立生长前后期氮素输出累积指数(Output Accumulation Index,简称OAI)。具体操作为,将农作物生长前期氮素输出率指标,乘以农作物生长后期氮素累积率指标,获得该农作物生长期内的生长前后期氮素输出累积指数。其计算公式为:
OAI=NORE×NARL
上式中,NORE、NARL分别表示农作物生长前期氮素输出率、农作物生长后期氮素累积率。
步骤S08:构建土豆制图技术流程方法
对于土豆而言,在其生长前期,随着土豆生育期的推进,块茎逐渐形成,氮素输出量大。从土豆播种发芽、出苗和现蕾期内,土豆各器官含氮量持续下降,其中茎和叶片下降幅度较大。开花期内土豆叶片中的含氮量逐渐累积并达到峰值,随着开花期结束进入淀粉积累期,土豆叶片中氮元素逐渐向着根茎转移,表现为氮含量持续下降。因此,土豆在生长期内,叶片和地上茎氮含量经历了先下降,然后急剧上升,最终逐渐下降的过程。
对于玉米、水稻和油菜等其他农作物而言,植株氮含量随着农作物出苗生长发育逐渐上升,通常在开花期达到峰值,然后随着果实发育成熟逐渐下降。除土豆以外的其他农作物,氮素指数与植被指数时序曲线呈现出同步变化的特点,表现为氮素含量在生长前期逐渐增加、生长后期逐渐下降。
对于除土豆以外的其他农作物而言,生长前后期氮素输出累积指数数值很低,接近于零。与其他农作物所不同的是,土豆在生长前期氮素具有一定的输出量,而生长后期具有一定的累积量。因此,土豆的生长前后期氮素输出累积指数数值明显偏高。因此,可以利用所构建的生长前后期氮素输出累积指数OAI,建立土豆制图判别规则。
如果满足OAI>θ,则该像元为土豆,否则为其他农作物(见图8)。在本实施例中,设置阈值ω取值为0.1,该阈值ω在不同区域实际应用中可以适当调整。
步骤S09:获得研究区土豆空间分布图
以山东省吕梁市岚县为例,获得的研究区土豆空间分布图见图9。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (1)
1.一种基于生长前后期氮素输出累积指数的土豆制图方法,其特征在于,包括如下步骤:
步骤S01:建立研究区植被指数时序数据集和氮素指数时序数据集;
步骤S02:建立氮素指数差分时序数据集;
步骤S03:建立氮素指数变化量时序数据集;
步骤S04:逐像元动态获取农作物物候期;
步骤S05:获取农作物生长前期氮素输出率指标;
步骤S06:获取农作物生长后期氮素累积率指标;
步骤S07:建立生长前后期氮素输出累积指数;
步骤S08:构建土豆制图技术流程方法;
步骤S09:获得研究区土豆空间分布图;
所述步骤S02中,针对研究区耕地区域,在研究年份内,逐日对氮素指数时序数据进行时序差分,建立氮素指数差分时序数据集;
所述步骤S03中,对氮素指数差分时序数据集中数据实施取绝对值运算,建立研究区氮素指数变化量时序数据集;
所述步骤S04中,在研究区耕地区域,逐像元动态获取包括农作物生长盛期、生长开始期和生长结束期的农作物物候期,并针对每个农作物生长期,求算植被指数时序曲线最大值,将该生长期内植被指数最大值所处时刻确定为农作物生长盛期;
所述步骤S05中,在农作物生长前期,将氮素指数差分时序数据与氮素指数变化量时序数据实施相减后取绝对值操作,获得农作物生长前期氮素输出量;在农作物生长前期,将氮素指数变化量时序数据逐日累加,获得农作物生长前期氮素变化量;将农作物生长前期氮素输出量除以农作物生长前期氮素变化量,获得农作物生长前期氮素输出率指标NORE,其计算公式为:
;
式中,NRIt+1、NRIt分别表示第t+1天、t天氮素指数数值;Start、Heading分别对应农作物生长开始期和生长盛期;
所述步骤S06中,在农作物生长后期,将氮素指数差分时序数据与氮素指数变化量时序数据实施相加后取绝对值操作,获得农作物生长后期氮素累积量;将农作物生长后期氮素累积量除以农作物生长后期氮素变化量,获得农作物生长后期氮素累积率指标NARL,其计算公式为:
;
式中,NRIt+1、NRIt分别表示第t+1天、t天氮素指数数值;Heading、End分别对应农作物生长盛期和生长结束期;
所述步骤S07中,将农作物生长前期氮素输出率指标乘以农作物生长后期氮素累积率指标,获得该农作物生长期内的生长前后期氮素输出累积指数OAI,其计算公式为:
;
式中,NORE、NARL分别表示农作物生长前期氮素输出率、农作物生长后期氮素累积率;
所述步骤S08中,利用所构建的生长前后期氮素输出累积指数OAI,建立土豆制图判别规则:如果满足OAI>θ,则该像元为土豆,否则为其他农作物;阈值θ在不同区域实际应用中可作调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865431.4A CN113570251B (zh) | 2021-07-29 | 2021-07-29 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865431.4A CN113570251B (zh) | 2021-07-29 | 2021-07-29 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570251A CN113570251A (zh) | 2021-10-29 |
CN113570251B true CN113570251B (zh) | 2023-08-11 |
Family
ID=78169061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110865431.4A Active CN113570251B (zh) | 2021-07-29 | 2021-07-29 | 基于生长前后期氮素输出累积指数的土豆制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570251B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013102805A1 (en) * | 2012-01-08 | 2013-07-11 | International Business Machines Corporation | Spatial representation of temporal value distributions |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
CN111612777A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于叶片衰老失水指数的大豆制图方法 |
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 |
CN113063740A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
-
2021
- 2021-07-29 CN CN202110865431.4A patent/CN113570251B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013102805A1 (en) * | 2012-01-08 | 2013-07-11 | International Business Machines Corporation | Spatial representation of temporal value distributions |
CN111191963A (zh) * | 2020-01-21 | 2020-05-22 | 福州大学 | 一种基于生长期色素变化特征的花生空间分布制图方法 |
CN111612777A (zh) * | 2020-05-23 | 2020-09-01 | 福州大学 | 一种基于叶片衰老失水指数的大豆制图方法 |
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 |
CN113063740A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于多源遥感数据的小麦冠层氮含量监测方法 |
Non-Patent Citations (1)
Title |
---|
Sentinel-2数据的冬小麦地上干生物量估算及评价;郑阳;吴炳方;张淼;;遥感学报(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113570251A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cannell | Production and distribution of dry matter in trees of Coffea arabica L. in Kenya as affected by seasonal climatic differences and the presence of fruits | |
CN106529451A (zh) | 一种冬小麦—夏玉米种植模式遥感识别方法 | |
Marino et al. | Validation of an online system for the continuous monitoring of tree water status for sustainable irrigation managements in olive (Olea europaea L.) | |
CN109740570B (zh) | 一种基于地形指数和物候差异的梯田遥感识别方法 | |
CN111612777B (zh) | 一种基于叶片衰老失水指数的大豆制图方法 | |
Ruiz-Sánchez et al. | Deficit irrigation management in early-maturing peach crop | |
CN105918059A (zh) | 榛子种植方法 | |
CN111191963A (zh) | 一种基于生长期色素变化特征的花生空间分布制图方法 | |
CN114299393A (zh) | 一种基于光学和雷达时序数据的烟稻种植模式识别方法 | |
CN109543552A (zh) | 基于生长期多特征提取的水稻生长区域制图方法及系统 | |
CN106772429B (zh) | 基于生长盛期nmdi增减比值指数的玉米自动制图方法 | |
CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
CN114549967A (zh) | 一种大蒜种植区域的提取方法及装置 | |
CN113570251B (zh) | 基于生长前后期氮素输出累积指数的土豆制图方法 | |
Hong et al. | Relationship between Radarsat backscattering coefficient and rice growth | |
CN113376123B (zh) | 基于植被-色素-土壤时序耦合离散度的耕地抛荒信息提取方法 | |
CN111160151A (zh) | 基于雷达时序图像的甘蔗连作范围提取方法及装置、设备 | |
CN109918826A (zh) | 一种基于关键物候期多源植被参量的水稻估产方法 | |
Jiang et al. | An automatic rice mapping method based on constrained feature matching exploiting Sentinel-1 data for arbitrary length time series | |
CN117975293B (zh) | 多云雾地区水稻种植区域提取方法 | |
CN114739943A (zh) | 基于农作物发育成熟全生命周期的熟制信息精准提取方法 | |
Salma et al. | An optimum datasets analysis for monitoring crops using remotely sensed Sentinel-1A SAR data | |
Stewart | Tea—a new agricultural industry for Argentina | |
Nambaa et al. | Optimal Pattern Discovery based on Cultivation Data for Elucidation of High Yield Inhibition Factor of Soybean | |
Domiri | The New Method for Detecting Early Planting and Bare Land Condition in Paddy Field by Using Vegetation-Bare-Water Index |
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 |