CN113670913B - 水稻氮素含量反演高光谱植被指数构建方法 - Google Patents
水稻氮素含量反演高光谱植被指数构建方法 Download PDFInfo
- Publication number
- CN113670913B CN113670913B CN202110950751.XA CN202110950751A CN113670913B CN 113670913 B CN113670913 B CN 113670913B CN 202110950751 A CN202110950751 A CN 202110950751A CN 113670913 B CN113670913 B CN 113670913B
- Authority
- CN
- China
- Prior art keywords
- rice
- nitrogen content
- hyperspectral
- nitrogen
- characteristic
- 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
- G01N21/75—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated
- G01N21/77—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator
- G01N21/78—Systems in which material is subjected to a chemical reaction, the progress or the result of the reaction being investigated by observing the effect on a chemical indicator producing a change of colour
- G01N21/79—Photometric titration
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
-
- 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
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Plasma & Fusion (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种水稻氮素含量反演高光谱植被指数构建方法,属于精准农业领域,包括:采集水稻叶片高光谱反射率信息及水稻叶片氮素含量;对采集的400nm~1000nm范围内的水稻叶片高光谱反射率信息进行重采样;提取重采样后的水稻叶片高光谱反射率信息中与水稻叶片氮素含量具有相关性的特征波段;利用波段特征转移法对所述特征波段进行转换,构建氮素特征转移指数NCTI;以氮素特征转移指数NCTI为输入,采用线性回归方法构建水稻叶片氮素浓度反演模型。本发明通过选取400nm~1000nm范围内水稻叶片高光谱反射率的特征波段,采用基于特征转移的思想,构建水稻氮素含量氮素特征转移植被指数,以期为水稻叶片氮素含量快速监测构建一种高效、精准的植被指数。
Description
技术领域
本发明属于精准农业领域,具体涉及一种水稻氮素含量反演高光谱植被指数构建方法。
背景技术
随着光学遥感技术的不断发展,利用多光谱、高光谱遥感数据面向水稻进行定量遥感反演,已成为快速获取水稻营养状况、病虫害胁迫、表型信息等理化参量的重要技术手段。氮素作为水稻生长过程中所必须的大量元素,其含量在水稻叶片内的亏缺程度将对水稻的生长状态有着重要影响。因此如何利用光谱技术实现水稻氮素含量的快速、精准反演,是近年来水稻数字化生产、育种表型高通量获取等研究中重要的研究热点。
近年来,高光谱技术由于光谱分辨较高,相比传统的多光谱监测能够快速获取水稻连续波段的高光谱反射率信息。如何利用丰富的高光谱信息构建植被指数,高效、准确实现水稻氮素含量的定量反演模型,国内外研究人员已开展了大量研究工作。
林维潘等借鉴了NDVI的构建原理及形式构建了三波段植被指数TVI,结果表明该植被指数型可以有效预测叶片氮积累量,决定系数为0.68,相对均方根误差为0.39。李艳大等基于CGMD光谱仪的差值植被指数DVI(810,720)的线性方程可较好地预测植株氮积累量,R2为0.90~0.93,模型检验的RMSE、RRMSE和r分别为3.71~6.33kg·hm-2、11.7%~14.3%和0.93~0.96。宋红燕等研究了植株冠层光谱特征与植株氮素含量之间的关系,并构建了植株含氮量的估算模型。结果表明覆膜旱作水稻植株氮含量与552和890nm等2个敏感波段构成的比值(RVI)和绿色归一化植被指数(GNDVI)的关系最佳,其中植株全氮含量拟合方程的决定系数为0.730~0.808。田永超等,综合分析了水稻冠层高光谱植被指数与叶层氮浓度的定量关系,结果表明以3个蓝光波段构建的光谱参数R434/(R496+R401)与水稻叶层氮浓度呈极显著的直线相关关系,该植被指数对水稻叶层氮浓度具有较好的预测性。谭昌伟等对水稻氮素含量与原始光谱反射率、一阶微分光谱以及高光谱特征参数间的相关性进行了分析,结果表明以植被指数的归一化变量(SDr-SDb)/(SDr+SDb)为自变量构建的水稻氮素营养高光谱遥感诊断模型能较好地诊断水稻氮素营养,R2=0.8755,RMSE=0.2372,该模型可定量诊断水稻氮素营养。薛利红等研究了不同氮肥水平下多时相水稻冠层光谱反射特征及其与叶片含氮量等参数的关系。结果表明是近红外与绿光波段的比值(R810/R560)与叶片氮积累量(LNA)呈显著线性关系不受氮肥水平和生育时期的影响,模拟值与实测值之间符合度较高估算精度为91.22%,估计的RMSE为1.09平均相对误差为0.026。
目前,水稻氮素含量植被指数的构建形式还是以传统的NDVI(NormalizedDifference Vegetation Index,植被覆盖指数)、EVI(EnhancedVegetation Index,增强型植被指数)等植被指数的构建方法为主,只是在特征波长选择上存在不同。
因此,本申请提出一种水稻氮素含量反演高光谱植被指数构建方法。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种水稻氮素含量反演高光谱植被指数构建方法。
为了实现上述目的,本发明提供如下技术方案:
一种水稻氮素含量反演高光谱植被指数构建方法,包括以下步骤:
采集水稻叶片高光谱反射率信息及水稻叶片氮素含量;
对采集的400nm~1000nm范围内的水稻叶片高光谱反射率信息进行重采样;
提取重采样后的水稻叶片高光谱反射率信息中与水稻叶片氮素含量具有相关性的特征波段;
利用波段特征转移法对所述特征波段进行转换,构建氮素特征转移指数NCTI;
以氮素特征转移指数NCTI为输入,采用线性回归方法构建水稻叶片氮素浓度反演模型。
优选地,采用海洋光学的HR2000+光纤光谱仪采集所述水稻叶片高光谱反射率信息,每个叶片采集三个位置,每个位置进行五次重复采集,通过计算平均高光谱反射率来表征水稻最终的高光谱反射率信息。
优选地,所述采集水稻叶片氮素含量包括:对采样点水稻进行整穴破坏性取样,将水稻所有新鲜叶片剪下置于烘箱中以120℃杀青60min,再以80℃烘干至恒重;称量后将其粉碎,把研磨好的粉末采用凯氏定氮法检测叶片的含氮量。
优选地,所述采集水稻叶片氮素含量具体包括以下步骤:
称量与炭化,在分析天平中放入称量纸进行校零;将干燥过后的水稻叶片样品放入称量纸上,称取0.2±0.01g;将称量好的水稻干叶样品放入50mL锥形瓶内并编号,将100mL的浓硫酸溶液分别加入锥形瓶,摇匀,放至干燥器皿中静置4h,直至瓶中样品彻底炭化;
煮沸与蒸馏,将2~3mL浓度为30%的过氧化氢溶液加入每个锥形瓶中,然后加热至出现酸雾后,继续加热10min后取下,并继续向其中滴入2~3mL浓度为30%的过氧化氢溶液,加热至瓶中溶液澄清透明;将溶液放入量程为50mL的容量瓶内,待溶液冷却后定容至50mL;称量10mL浓度为2%的硼酸溶液,并滴入1~2滴甲基红-溴甲酚绿指示剂,将配置好的硼酸溶液置于蒸馏器的出液口处;量取5mL配置好的过氧化氢溶液与5mL的10mol/L过氧化钠溶液混合,放入蒸馏器中加热蒸馏;同时,使用pH试纸对蒸馏器出口处的冷凝液进行pH测试,当pH等于7时,暂停加热;
滴定,采用浓度为0.02mol/L的硫酸对硼酸溶液进行滴定,直至硼酸溶液逐渐变成酒红色为止,并记下所用硫酸体积;同时进行空白对照实验;
水稻叶片氮素含量计算,计算公式如下:
V1、V0分别为样品所用的硫酸溶液体积和空白实验所用的硫酸溶液体积;N为硫酸溶液浓度;w为样品重量。
优选地,采用光谱插值方法对采集的400nm~1000nm范围内的水稻叶片高光谱反射率信息进行重采样。
优选地,利用续投影法提取重采样后的水稻叶片高光谱反射率信息中与水稻叶片氮素含量具有相关性的特征波段,提取的特征波段具体为500nm、555nm、662nm、690nm、729nm、800nm。
优选地,所述利用波段特征转移法对所述特征波段进行转换,构建氮素特征转移指数NCTI具体包括如下步骤:
已知氮素含量高光谱特征波段x1、x2、x3……xn;
选择波段xt(t∈1、2……n)作为特征转移波段;
选择两组特征光谱比值Bf(f∈1、2……n),采用公式2构建氮素特征转移指数(NCTI):
其中,xt、xa、xb为三个不同的氮素含量高光谱特征波段。
优选地,需要采集所述高光谱反射率信息及水稻叶片氮素含量的水稻种植在经过氮肥梯度处理的试验区,试验区划分为5个氮肥梯度处理,分别为N0、N1、N2、N3,N4;其中N0为对照组,即不施用基肥;N1至N4采用不同的施肥量施加氮肥,氮肥按基肥:分蘖肥:穗肥=5:3:2追加施用。
优选地,在水稻的返青期、分蘖期、拔节期、抽穗期进行水稻叶片高光谱反射率测量与全氮含量测定。
本发明提供的水稻氮素含量反演高光谱植被指数构建方法具有以下有益效果:
本发明采用连续投影法提取了5个水稻叶片氮素含量特征波长,运用氮素特征转移思路构建了由三个特征波段组合而成的氮素特征转移指数(NCTI);以NCTI为输入,运用线性回归的方式构建水稻氮素含量反演模型,反演效果优于NDVI、EVI等传统植被指数所建立的氮素含量反演模型,说明了NCTI在实际的应用中,能够作为快速反演水稻叶片氮素含量的高光谱植被指数;本发明能够为水稻叶片氮素含量光谱检测提供一定的客观数据支撑和模型参考,提升水稻氮素营养的匮缺的诊断精度。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的水稻氮素含量反演高光谱植被指数构建方法的流程图;
图2为水稻叶片高光谱特征波段SPA筛选结果;
图3为6个特征波段的反射率分布图;
图4为与800nm做比值后的反射率特征变化图;
图5为550nm/800nm反射率比值图;
图6为729nm/800nm反射率比值图;
图7为NCTI植被指数散点图;
图8为水稻氮素含量反演结果;
图9为氮素含量反演中常用的植被指数与本发明的NCTI型植被指数对比图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种水稻氮素含量反演高光谱植被指数构建方法,如图1所示,包括以下步骤:
S1、划分氮肥处理梯度,对不同梯度的水稻选用不同的氮肥、磷肥和钾肥施肥量,获得对照组和实验组。
本实施例的试验地点位于辽宁省海城市耿庄镇沈阳农业大学精准农业航空科研基地(北纬40°58'45.39",东经122°43'47.0064"),试验品种为辽宁地区广泛种植的“粳优653”品种。试验在水稻生长的不同阶段进行:返青期、分蘖期、拔节期、抽穗期进行水稻叶片高光谱反射率测量与全氮含量测定。
试验小区设计为5个氮肥梯度处理,分别为N0、N1、N2、N3,N4;各小区之间采用田埂进行分隔。其中N0为对照组,即不施用基肥;N3为当地标准氮基肥施用水平,氮肥施用量为150kg/hm2,N1,N2为低氮施肥水平,施用量分别为50kg/kg/hm2,100kg/kg/hm2;N4为高氮施肥水平,施用量为200kg/hm2;磷肥和钾肥的施用按照当地标准施用量进行,其中磷肥标准施用量为144kg/hm2,钾肥标准施用量为192kg/hm2。每个氮肥梯度进行三次重复,每个小区面积40m2(5m×8m),区组随机排列。氮肥按基肥:分蘖肥:穗肥=5:3:2追加施用。其他田间管理按当地正常水平进行。每周进行一次样品采集,每小区取四穴样本测量鲜物质重,干物质重及氮素含量。
S2、获取植被指数构建数据。
S2.1、获取水稻叶片高光谱反射率信息。
水稻叶片高光谱测量采用海洋光学的HR2000+光纤光谱仪,HR2000+整合了高分辨率光学平台,2MHz的A/D转换器,可编程电子器件,采集速度、光谱分辨率较高(半高峰宽为0.035nm),有效波长范围在400nm~1000nm之间,适合用于水稻叶片高光谱反射率数据快速采集。为了保证光谱反射率的采集质量,本发明在测量环节接入积分球,保证光谱仪光源发出的光在叶片上分布均匀。水稻叶片高光谱采集过程中,每5分钟进行一次标准版反射率定标(反射率>99%)和光谱仪仪器背景暗噪声光谱数据的采集,用于获取水稻叶片精准的反射率信息。每个叶片采集三个位置,每个位置进行五次重复采集,通过计算平均高光谱反射率来表征水稻最终的高光谱反射率信息。
S2.2、测定水稻叶片氮素含量。
对每个小区中采样点水稻进行整穴破坏性取样,带回实验室后将该穴水稻所有新鲜叶片剪下置于烘箱中以120℃杀青60min,再以80℃烘干至恒重。称量后将其粉碎,把研磨好的粉末采用凯氏定氮法检测叶片的含氮量(mg/g),具体步骤如下:
(1)称量与炭化,在分析天平中放入称量纸进行校零;将干燥过后的样品放入称量纸上,称取0.2±0.01g;将称量好的水稻干叶样品放入50mL锥形瓶内并编号,将100mL的浓硫酸溶液分别加入锥形瓶,摇匀,放至干燥器皿中静置4h,直至瓶中样品彻底炭化;
(2)煮沸与蒸馏,将2~3mL浓度为30%的过氧化氢溶液加入每个锥形瓶中,然后加热至出现酸雾后,继续加热10min后取下,并继续向其中滴入2~3mL浓度为30%的过氧化氢溶液,加热至瓶中溶液澄清透明;将溶液放入量程为50mL的容量瓶内,待溶液冷却后定容至50mL;称量10mL浓度为2%的硼酸溶液,并滴入1~2滴甲基红-溴甲酚绿指示剂,将配置好的硼酸溶液置于蒸馏器的出液口处;量取5mL配置好的过氧化氢溶液与5mL的10mol/L过氧化钠溶液混合,放入蒸馏器中加热蒸馏;同时,使用pH试纸对蒸馏器出口处的冷凝液进行pH测试,当pH等于7时,暂停加热;
(3)滴定,采用浓度为0.02mol/L的硫酸对硼酸溶液进行滴定,直至硼酸溶液逐渐变成酒红色为止,并记下所用硫酸体积;同时进行空白对照实验;
(4)水稻叶片氮素含量计算,计算公式如下:
V1、V0分别为样品所用的硫酸溶液体积和空白实验所用的硫酸溶液体积;N为硫酸溶液浓度;w为样品重量。
S3、对采集的400nm~1000nm范围内的水稻叶片高光谱反射率信息进行重采样。
由于高光谱仪具有较高的光谱分辨率,在400nm~1000nm之间,本发明所获取的水稻高光谱反射率具有较高的数据维度,而植被指数通常是由几个特征波段通过一定方式组合构建的一种数学表达形式,因此如何从连续的高光谱反射率中提取与水稻氮素含量具有相关性的特征波段是构建氮素含量反演植被指数的基础。
本发明采集的水稻叶片高光谱反射率信息,相邻波段之间的具有较强的共线性,本发明首先利用光谱插值方法,对所采集的400nm~1000nm范围内的水稻叶片高光谱信息进行重采样。在此基础上,利用连续投影法对所选范围内的高光谱反射率信息进行特征波段提取。
S4、提取重采样后的水稻叶片高光谱反射率信息中与水稻叶片氮素含量具有相关性的特征波段
连续投影算法(successive projections algorithm,SPA)是一种前向波段选取方法,从一个波段变量开始,每次循环都计算其在剩余波段内的投影,并将投影向量最大值对应的波段引入到波段组合中,同时保证选入波段与前一个波段的相关度最低,之后重复以上步骤,直至选出的波段数满足给定的要求为止。由于连续投影算法能够在有效减小变量间的共线性的同时建立冗余信息量最小的波段组合,大大降低了建模所用的波段数目,连续投影法算法流程如下:
将样本数据组合成光谱数据矩阵XM×K,其中M为样品数,K为波段个数,从矩阵中选取。
{XK(0)}为初始的迭代向量,假设根据实际需求需选取N个特征波段变量,则{XK(0)=0,…,N-1}为最后提取的变量。
首先,当初始情况即仅选择一个特征波长(N=1)时,首先从光谱矩阵中随机选择一个列向量j(j=K(0))赋值给X,X即为初始迭代向量Xk(0),同时将去除这个列向量后的光谱数据矩阵定义为S,那么S可表示为:
其中,将挑选投影中的最大序号记为K(n)=arg(max||Pxj||),其中j∈S。循环计算后,用所选变量初步建立多元线性回归模型并选择最小均方根误差对应的K(p)为最终的特征波长选择结果。
S5、利用波段特征转移法对所述特征波段进行转换,构建氮素特征转移指数NCTI(Nitrogen Characteristic TransferIndex)。
现有水稻氮素含量植被指数的构建大多是在植被指数形式已确定的情况下,通过更换不同波段来形成新的植被指数,这种方法的特点是可利用成熟的植被指数构建行式,根据反演参量的不同来确定最优的波段,例如NDSI等,这样植被指数的构建形式大多以两波段植被指数居多。
本发明在植被指数构建过程中,首先通过特征波段选择方法,从高维的高光谱信息中提取特征波段子集。在此基础上,提出了一种波段特征转移的思路,将多个特征波段转换为3个波段构成氮素特征转移指数NCTI,波段特征转移法构建植被指数具体步骤如下:
S5.1、已知氮素含量高光谱特征波段x1、x2、x3……xn,选择波段xt(t∈1、2……n)作为特征转移波段;
S5.3、选择两组特征光谱比值Bf(f∈1、2……n),采用公式2构建氮素特征转移指数(NCTI):
S6、以氮素特征转移指数NCTI为输入,采用线性回归方法构建水稻叶片氮素浓度反演模型。
本发明采用线性回归方法构建水稻叶片氮素浓度反演模型,采用均方根误差(RMSE)和模型决定系数(R2)作为氮素反演模型的评价标准。
下面对上述方法的结果进行分析,包括数据分析、氮素特征转移指数构建结果分析、水稻氮素含量反演结果分析、反演结果分析与评价。
第一、数据分析
(1)水稻叶片氮素样本量
将试验中测得的氮素含量数据,采用3倍标准差分别对各个关键生育期氮素含量进行异常值剔除。同时采用蒙特卡洛算法将各关键生育期异常光谱数据剔除,最终得到173个样本。同时采用Kennard-Stone算法(KS)将样本按照训练集与验证集4∶1的比例进行划分,其中训练集138个,验证集35个,其氮素含量统计表如表1所示,由表1可知,本发明的建模数据集和验证数据集2组数据除样本量不同之外,其他统计参量相差不大,变异系数均小于40%,满足氮素含量反演要求。
表1水稻叶片氮素质量分数统计表
Table1 Statistical table ofnitrogen content inrice leaves
(2)高光谱数据分析
高光谱仪获取的水稻叶片高光谱反射率是开展定量反演的重要前提,高光谱虽然具有较高的光谱分辨率,但连续波段的高光谱反射率信息中含有大量的冗余信息,本发明采用连续投影算法对400-1000nm波段的水稻高光谱进行特征波段筛选,并利用校正集对筛选波段进行内部交叉验证,根据验证结果的RMSECV值筛选了6个水稻叶片氮素含量高光谱特征波段(见图2),对应波段分别为500nm,555nm,662nm,690nm,729nm,800nm,筛选的特征波段可作为植被指数构建的数据基础。
第二、氮素特征转移指数构建结果
本发明共提取了6个特征波段,按照所对应氮素含量进行排序,则建模样本量的6个特征波段的反射率分布如图3所示:
由图3可知,SPA所提取的6个特征波段,在氮素含量不同的情况下,存在一定的变化。在所采集的172个样本中可知,所提取的特征波段均有一定的变化,为了能够突出变化特征,本发明将800nm波长作为统一变化基础,另每一个特征波段均与800nm波段反射率做比值,处理后的水稻叶片样本特征变化如图4所示:
由图4可知,其余5个波段与800nm作比值后,其中550nm波长的反射率特征变化较为明显,500nm、662nm、690nm的反射率特征几乎没有变化。729nm与800nm特征较为相近,但729nm与800nm作比值后,仍然保持了很好的特征变化区间。因此本发明分别选择550nm/800nm、729nm/800nm,作为构建植被指数的基础。
由图5和图6可知,经过比值计算后与氮素含量之间的单调关系均有所增加,采用公式(2)构建植被指数如下:
图7为NCTI指数的散点图,通过散点图可知,本发明构建的新型植被指数具有较好的单调变化。
第三、水稻氮素含量反演结果
将本发明所构建的NCTI新型植被指数作为模型输入吗,采用线性回归方法构建水稻叶片氮素含量反演模型,模型决定系数R2为0.813,均方根误差RMSE为0.987(见图8)。
第四、反演结果分析与评价
已有较多学者发明利用植被指数开展水稻叶片氮素含量的反演,本发明从IndexData-Base数据库中选择氮素含量反演中常用的植被指数,用来与本发明所建立的NCTI型植被指数作对比,具体植被指数如表2所示:
表2植被指数表达式一览表
Table 1 Rice yieldperunit area ofdifferent fertilizationmethods
结合表2和图9所示5种指数采用线性回归方法构建的水稻叶片氮素含量反演模型结果,模型决定系数R2均小于0.813,其中归一化植被指数构建的幂函数拟合效果最好,决定系数为0.729。综合模型结果来看,本发明所构建的NCTI新型植被指数线性拟合的效果最好。
本发明以水稻叶片氮素含量高光谱为发明对象,通过特征波段提取筛选出对水稻叶片氮素含量变化敏感的特征波段,构建新型植被指数反演水稻叶片氮素含量。本发明植被指数构建主要思路是首先按照叶片氮素含量由低到高排列,再利用数学变换方法对特征波段进行组合成新型植被指数,通过判断单调性来初步评价植被指数构建的效果。本发明所构建的氮素特征转移指数(NCTI)虽然比传统的植被指数效果要好,但考虑到本发明所采集的试验品种、样本量、数据处理方式等因素,还需要进一步扩大指数的普适性的发明。同时本发明所构建的植被指数还需要进一步探讨农学意义,从而提升光谱技术用于水稻营养定量遥感的机理性。
本发明利用水稻叶片高光谱反射率信息,通过连续投影法提取高光谱特征波段,并运用氮素特征转移法构建了氮素特征转移指数,为水稻氮素含量的快速反演提供技术基础。运用氮素特征转移思路构建了由三个特征波段组合而成的氮素特征转移指数(NCTI),具体公式为:
以NCTI为输入,运用线性回归的方式构建水稻氮素含量反演模型,其模型R2为0.813,RMSE为0.987,反演效果优于NDVI、EVI等传统植被指数所建立的氮素含量反演模型。
本发明通过选取400nm-1000nm范围内水稻叶片高光谱反射率的特征波段,采用基于特征转移的思想,构建水稻氮素含量氮素特征转移植被指数,以期为水稻叶片氮素含量快速监测构建一种高效、精准的植被指数,为水稻营养诊断、氮高效品种筛选等应用场景提供一种新的易于操作的检测方法。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (8)
1.一种水稻氮素含量反演高光谱植被指数构建方法,其特征在于,包括以下步骤:
采集水稻叶片高光谱反射率信息及水稻叶片氮素含量;
对采集的400nm~1000nm范围内的水稻叶片高光谱反射率信息进行重采样;
提取重采样后的水稻叶片高光谱反射率信息中与水稻叶片氮素含量具有相关性的特征波段;
利用波段特征转移法对所述特征波段进行转换,构建氮素特征转移指数NCTI;
以氮素特征转移指数NCTI为输入,采用线性回归方法构建水稻叶片氮素浓度反演模型;
所述利用波段特征转移法对所述特征波段进行转换,构建氮素特征转移指数NCTI具体包括如下步骤:
已知氮素含量高光谱特征波段x1、x2、x3……xn;
选择波段xt作为特征转移波段,t∈1、2……n;
选择两组特征光谱比值Bf,采用公式(2)构建氮素特征转移指数NCTI,f∈1、2……n:
其中,xt、xa、xb为三个不同的氮素含量高光谱特征波段。
2.根据权利要求1所述的水稻氮素含量反演高光谱植被指数构建方法,其特征在于,采用海洋光学的HR2000+光纤光谱仪采集所述水稻叶片高光谱反射率信息,每个叶片采集三个位置,每个位置进行五次重复采集,通过计算平均高光谱反射率来表征水稻最终的高光谱反射率信息。
3.根据权利要求1所述的水稻氮素含量反演高光谱植被指数构建方法,其特征在于,所述采集水稻叶片氮素含量包括:对采样点水稻进行整穴破坏性取样,将水稻所有新鲜叶片剪下置于烘箱中以120℃杀青60min,再以80℃烘干至恒重;称量后将其粉碎,把研磨好的粉末采用凯氏定氮法检测叶片的含氮量。
4.根据权利要求3所述的水稻氮素含量反演高光谱植被指数构建方法,其特征在于,所述采集水稻叶片氮素含量具体包括以下步骤:
称量与炭化,在分析天平中放入称量纸进行校零;将干燥过后的水稻叶片样品放入称量纸上,称取0.2±0.01g;将称量好的水稻干叶样品放入50mL锥形瓶内并编号,将100mL的浓硫酸溶液分别加入锥形瓶,摇匀,放至干燥器皿中静置4h,直至瓶中样品彻底炭化;
煮沸与蒸馏,将2~3mL浓度为30%的过氧化氢溶液加入每个锥形瓶中,然后加热至出现酸雾后,继续加热10min后取下,并继续向其中滴入2~3mL浓度为30%的过氧化氢溶液,加热至瓶中溶液澄清透明;将溶液放入量程为50mL的容量瓶内,待溶液冷却后定容至50mL;称量10mL浓度为2%的硼酸溶液,并滴入1~2滴甲基红-溴甲酚绿指示剂,将配置好的硼酸溶液置于蒸馏器的出液口处;量取5mL配置好的过氧化氢溶液与5mL的10mol/L过氧化钠溶液混合,放入蒸馏器中加热蒸馏;同时,使用pH试纸对蒸馏器出口处的冷凝液进行pH测试,当pH等于7时,暂停加热;
滴定,采用浓度为0.02mol/L的硫酸对硼酸溶液进行滴定,直至硼酸溶液逐渐变成酒红色为止,并记下所用硫酸体积;同时进行空白对照实验;
水稻叶片氮素含量计算,计算公式如下:
V1、V0分别为样品所用的硫酸溶液体积和空白实验所用的硫酸溶液体积;N为硫酸溶液浓度;w为样品重量。
5.根据权利要求1所述的水稻氮素含量反演高光谱植被指数构建方法,其特征在于,采用光谱插值方法对采集的400nm~1000nm范围内的水稻叶片高光谱反射率信息进行重采样。
6.根据权利要求5所述的水稻氮素含量反演高光谱植被指数构建方法,其特征在于,利用续投影法提取重采样后的水稻叶片高光谱反射率信息中与水稻叶片氮素含量具有相关性的特征波段,提取的特征波段具体为500nm、555nm、662nm、690nm、729nm、800nm。
7.根据权利要求1所述的水稻氮素含量反演高光谱植被指数构建方法,其特征在于,需要采集所述高光谱反射率信息及水稻叶片氮素含量的水稻种植在经过氮肥梯度处理的试验区,试验区划分为5个氮肥梯度处理,分别为N0、N1、N2、N3,N4;其中N0为对照组,即不施用基肥;N1至N4采用不同的施肥量施加氮肥,氮肥按基肥:分蘖肥:穗肥=5:3:2追加施用。
8.根据权利要求7所述的水稻氮素含量反演高光谱植被指数构建方法,其特征在于,在水稻的返青期、分蘖期、拔节期、抽穗期进行水稻叶片高光谱反射率测量与全氮含量测定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950751.XA CN113670913B (zh) | 2021-08-18 | 2021-08-18 | 水稻氮素含量反演高光谱植被指数构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110950751.XA CN113670913B (zh) | 2021-08-18 | 2021-08-18 | 水稻氮素含量反演高光谱植被指数构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113670913A CN113670913A (zh) | 2021-11-19 |
CN113670913B true CN113670913B (zh) | 2023-05-16 |
Family
ID=78543720
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110950751.XA Active CN113670913B (zh) | 2021-08-18 | 2021-08-18 | 水稻氮素含量反演高光谱植被指数构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113670913B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128568A (zh) * | 2021-11-26 | 2022-03-04 | 泉州市金草生物技术有限公司 | 一种林下金线莲仿野生种植方法 |
CN114486761B (zh) * | 2022-01-24 | 2024-04-12 | 云南省热带作物科学研究所 | 一种橡胶树叶片镁含量快速估算方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021472A (zh) * | 2007-01-17 | 2007-08-22 | 南京农业大学 | 便携式多通道作物叶片氮素营养指标无损监测装置 |
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102435564A (zh) * | 2011-09-19 | 2012-05-02 | 南京农业大学 | 一种基于三波段光谱指数估测植物氮含量的方法 |
CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
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 |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN110569605A (zh) * | 2019-09-11 | 2019-12-13 | 沈阳农业大学 | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 |
CN111855589A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片氮积累量遥感反演模型和方法 |
CN113063739A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006250827A (ja) * | 2005-03-11 | 2006-09-21 | Pasuko:Kk | 作物の生育状況分析方法 |
US10154624B2 (en) * | 2016-08-08 | 2018-12-18 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
CN109459392B (zh) * | 2018-11-06 | 2019-06-14 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
CN110346305B (zh) * | 2019-07-17 | 2021-04-13 | 浙江大学 | 一种测量植物叶片氮含量的方法和装置 |
CN110954650A (zh) * | 2019-12-31 | 2020-04-03 | 塔里木大学 | 一种棉花冠层氮素的卫星遥感监测方法 |
CN111426645A (zh) * | 2020-05-20 | 2020-07-17 | 中国农业大学 | 一种快速测定植株不同器官氮含量的方法 |
CN113076692B (zh) * | 2021-03-29 | 2021-09-28 | 中国农业科学院农业资源与农业区划研究所 | 一种反演叶片氮素含量的方法 |
CN113268923B (zh) * | 2021-05-17 | 2023-06-20 | 中国水利水电科学研究院 | 一种基于模拟多光谱的夏玉米产量估算方法 |
-
2021
- 2021-08-18 CN CN202110950751.XA patent/CN113670913B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021472A (zh) * | 2007-01-17 | 2007-08-22 | 南京农业大学 | 便携式多通道作物叶片氮素营养指标无损监测装置 |
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN102313699A (zh) * | 2011-05-26 | 2012-01-11 | 北京农业信息技术研究中心 | 作物冠层叶片的全氮含量估算方法 |
CN102435564A (zh) * | 2011-09-19 | 2012-05-02 | 南京农业大学 | 一种基于三波段光谱指数估测植物氮含量的方法 |
CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
CN109115951A (zh) * | 2018-07-31 | 2019-01-01 | 东北农业大学 | 基于冠层结构与冠层光谱的水稻植株全氮估测方法 |
CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
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 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN110569605A (zh) * | 2019-09-11 | 2019-12-13 | 沈阳农业大学 | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 |
CN111855589A (zh) * | 2020-08-04 | 2020-10-30 | 淮阴师范学院 | 水稻叶片氮积累量遥感反演模型和方法 |
CN113063739A (zh) * | 2021-02-25 | 2021-07-02 | 北京麦飞科技有限公司 | 一种基于机载高光谱传感器的水稻冠层氮含量监测方法 |
Non-Patent Citations (3)
Title |
---|
A Study of Nitrogen Deficiency Inversion in Rice Leaves Based on the Hyperspectral Reflectance Differential;Yu Fenghua等;Frontiers in Plant Science;第11卷;全文 * |
基于光谱特征参数的粳稻冠层氮素含量反演方法;陈春玲等;沈阳农业大学学报;第51卷(第2期);全文 * |
基于高光谱的水稻叶片氮素估测与反演模型;张国圣等;浙江农业学报;第29卷(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113670913A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN113670913B (zh) | 水稻氮素含量反演高光谱植被指数构建方法 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN105675821B (zh) | 一种作物氮素营养无损诊断的图像评价指标的建立方法 | |
CN110874617B (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
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 | |
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 | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
Zhu et al. | Monitoring leaf nitrogen in wheat using canopy reflectance spectra | |
CN107796764A (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 | |
CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
CN106323880A (zh) | 基于soc高光谱指数的植物叶片花青素含量估算方法及装置 | |
CN111426645A (zh) | 一种快速测定植株不同器官氮含量的方法 | |
CN111855592A (zh) | 水稻单位面积内地上部干物重遥感反演模型和方法 | |
Song et al. | Monitoring of nitrogen accumulation in wheat plants based on hyperspectral data | |
He et al. | Remote estimation of leaf water concentration in winter wheat under different nitrogen treatments and plant growth stages | |
Qiong et al. | Field monitoring of wheat seedling stage with hyperspectral imaging | |
CN112362812A (zh) | 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法 | |
Lu et al. | Estimation of plant water content in cut chrysanthemum using leaf-based hyperspectral reflectance | |
Li et al. | Assessing plant nitrogen concentration in winter oilseed rape using hyperspectral measurements | |
Fan et al. | Estimation of the ratio of leaf carbon to nitrogen in winter wheat based on hyperspectral data and machine learning method | |
CN113640230B (zh) | 一种田间小麦水分利用率快速检测方法及系统 | |
Tang et al. | Estimation of Leaf Area Index and Above-Ground Biomass of Winter Wheat Based on Optimal Spectral Index. Agronomy 2022, 12, 1729 |
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 |