CN114747349A

CN114747349A - 基于群体长势遥感检测与分级的小麦健壮群体培育方法

Info

Publication number: CN114747349A
Application number: CN202210469949.0A
Authority: CN
Inventors: 杜蒙蒙; 夏洛舜; 李瀚远; 刘松; 王睛雯
Original assignee: Henan University of Science and Technology
Current assignee: Henan University of Science and Technology
Priority date: 2022-04-28
Filing date: 2022-04-28
Publication date: 2022-07-15
Anticipated expiration: 2042-04-28
Also published as: CN114747349B

Abstract

基于群体长势遥感检测与分级的小麦健壮群体培育方法，利用无人机遥感平台采集遥感图像，建立决策树分类模型，将植被覆盖度、叶片重叠度、植株高度平均值、土壤碱解氮含量作为输入，对小麦群体长势自动进行分级处理，最终根据小麦群体长势状况实施精准减量追施氮肥，按照“抑强扶弱”、“促控结合”的原则调控小麦群体长势，培育小麦健壮群体，最终实现小麦高产稳产、氮肥减量增效的目标。

Description

基于群体长势遥感检测与分级的小麦健壮群体培育方法

技术领域

本发明涉及小麦培育技术领域，具体说的是基于群体长势遥感检测与分级的小麦健壮群体培育方法。

背景技术

小麦是我国第二大粮食作物，随着选育优良品种、优化水肥运筹、建设高标准农田等技术的推广实施，我国小麦产量得到了大幅提升。近年来，由于上述增产措施的边际效益日益显现，持续小麦单产的任务愈发艰巨。另一方面，随着工业化与城镇化深入发展，我国小麦种植面积逐年减少，亟须提高小麦单产以保障粮食供应能力。小麦单产受品种特性、环境条件及栽培措施等多重因素影响，由亩穗数、穗粒数及千粒重三个指标共同决定。而亩穗数作为小麦产量的基础，是左右小麦产量高低的主导因素。

小麦是具有分蘖特性的禾本科作物。小麦主茎上的分蘖节可以产生腋芽，由腋芽生成的新的茎秆即小麦分蘖。小麦分蘖是小麦群体的重要组成部分，是小麦亩穗数的重要来源。能够抽穗结实的小麦分蘖为有效分蘖，而不能抽穗或抽穗但不结籽粒的则为无效分蘖。小麦群体结构随小麦的生长发育不断变化，在一定限度内具有较强的调节能力。也就是说，当水、肥、光照、积温等条件适合时，大量分蘖可以转化为有效分蘖；相反地，水肥胁迫往往导致小麦的无效分蘖数量增多。有效分蘖占小麦分蘖总数的比例即有效分蘖成穗率。小麦分蘖数量与有效分蘖成穗率直接决定小麦的亩穗数指标，最终影响小麦产量。

分蘖节内具有十分活跃的分生组织，呼吸作用旺盛，需要充足的养分供应。氮是作物生长发育所必需的大量元素，是叶绿体和蛋白质的重要组成成分。氮肥胁迫是限制小麦健壮群体形成的主要因素之一。在小麦分蘖期适时适量追施氮肥可显著促进小麦分蘖的发生与发育、提高小麦分蘖数与有效分蘖成穗率，是保障小麦高产稳产的重要技术措施。

小麦在分蘖期对氮肥施用量十分敏感。在小麦群体长势差的区域，氮肥供应不足易导致分蘖节分生组织发育障碍，小麦分蘖数减少。而在小麦群体长势旺盛、分蘖数量充足的区域过量施用氮肥，往往造成小麦倒伏、贪青旺长、有效分蘖成穗率下降等问题。此外，过度施用氮肥不仅增加生产成本、降低氮素利用率与氮肥农学效率，还导致氮淋失量上升，造成面源污染，妨碍农业可持续发展。

开展节肥行动，实现化肥使用量负增长，已成为全社会共识。但是，忽视小麦分蘖期氮肥需求高峰的生理特性与小麦群体长势的实际发育状况，盲目开展减量追施氮肥则易造成小麦分蘖数量少，叶面积指数提前下降，穗小、粒少，最终导致产量下降。

根据小麦分蘖期的群体长势差异，精准调整氮肥追施用量可有效解决这一结构性矛盾。小麦分蘖期的群体长势指标包括群体数量与群体分布。群体数量即单位面积总茎蘖数，是小麦有效穗数的基础。群体分布的主要指标有叶片重叠度与植株高度。叶片重叠度表征叶片的空间分布，是衡量小麦群体长势强弱的重要指标。小麦群体的叶片重叠度过高，造成光合效率低，影响有效分蘖成穗率，需要对群体长势进行适当抑制。相反地，小麦群体的叶片重叠度过低则无法高效利用冠层空间与光照条件，不能充分发挥潜在产量，亟需进一步提高个体的分蘖能力，进而改善群体长势。类似地，植株高度过低表明小麦发育受阻，群体长势有待提高。

传统的小麦群体长势检测依赖于人工田间巡查，效率低、精度差、覆盖面积小。而无人机遥感通过图像分割与植被特征提取等技术可以高效实现田块尺度的小麦群体长势定量解析与检测。在无人机遥感图像中，像元不仅具有光谱属性，还表征了地物的空间分布状况。无人机遥感图像除仅包含单一植被特征的像元即植被端元与仅包含土壤特征的像元即土壤端元外，往往存在大量同时包含不同植被特征的像元即植被-植被混合像元、同时包含植被与土壤两种特征的像元即植被-土壤混合像元。传统的无人机遥感仅关注植被与土壤两类特征而忽略混合像元的影响，无法在大田环境下高效、准确地检测小麦群体长势。

发明内容

为解决上述技术问题，本发明提供一种基于群体长势遥感检测与分级的小麦健壮群体培育方法，基于无人机遥感平台获取麦田遥感图像，建立决策树分类模型，以植被覆盖度、叶片重叠度、植株高度平均值、土壤碱解氮含量作为输入，对小麦群体长势进行分级处理，最终根据小麦群体长势等级实施精准减量追施氮肥，按照“抑强扶弱”、“促控结合”的原则调控小麦群体长势，培育小麦健壮群体，最终实现小麦高产稳产、氮肥减量增效的目标。

为实现上述技术目的，所采用的技术方案是：基于群体长势遥感检测与分级的小麦健壮群体培育方法，具体包括以下步骤：

步骤1、使用无人机遥感平台在小麦分蘖期获取麦田的遥感图像；

步骤2、遥感图像经处理得到植被覆盖度专题图、叶片重叠度专题图、植株高度专题图，并进行M米×M米网格化处理；

步骤3、在麦田内均匀布点，使用土壤碱解氮含量速测仪测量各采样点距离地表3-10厘米深度的土壤碱解氮含量，经空间插值生成空间分辨率为M米×M米的网格化土壤碱解氮含量专题图；

步骤4、通过人工田间巡察，选取若干个小麦群体长势强弱不等的样本区域，在植被覆盖度专题图、叶片重叠度专题图、植株高度专题图和土壤碱解氮含量专题图中，确定包含各样本区域中心位置的网格，提取并统计各网格的植被覆盖度 FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N；

步骤5、建立决策树分类模型，输入各网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N，将对应网格的小麦群体长势进行分级处理，生成田块尺度的小麦群体长势专题图；

步骤6、基于田块尺度的麦群体长势专题图，采用人工撒施或机械施肥的方式，按长势等级由高至低，对应尿素施用量由少到多，完成精准减量追施氮肥作业。

进一步，步骤1中的遥感图像具有最优空间分辨率，当平均局部方差取最大值时空间分辨率为最优空间分辨率。

进一步，无人机遥感平台具有自主导航功能，根据规划好的路径，按照设定的巡航速度完成循迹飞行。

进一步，步骤3中决策树分类模型的具体实现方法为，采用决策树监督分类算法，以各网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N为特征属性，以小麦群体长势等级为输出类别，确定分类特征，递推至输出类别为单一类别时停止训练，建立小麦群体长势判别的决策树分类模型。

进一步，根据信息增益或基尼指数确定分类特征。

本发明有益效果是：与传统的均一化追施尿素来促进小麦分蘖的方法相比较，本发明将小麦分蘖期群体长势的遥感监测与精准减量追施氮肥技术相结合，利用决策树分类算法建立田块尺度的精准减量追施氮肥模型，不仅可以大幅节省氮肥投入量，而且有针对性地促进长势太弱的小麦群体加速分蘖，同时防止长势过旺的小麦群体贪青旺长。该模型与传统的变量施肥处方图相比较，不仅考虑土壤氮含量，还综合植被覆盖度、叶片重叠度、植株高度等多种小麦群体长势参数，更加科学、合理地利用氮肥运筹手段对小麦群体长势进行精准调控，可大幅提高小麦种植的数字化管理水平，促进小麦高产稳产、化肥减量增效。

附图说明

图1为本发明的流程图；

图2为表1中各样本的小麦群体长势等级初次分类图；

图3为表1中各样本的小麦群体长势等级二次分类图；

图4为表1中各样本的小麦群体长势等级三次分类图；

图5为表1中各样本的小麦群体长势等级四次分类图；

图6为表1中各样本的小麦群体长势等级五次分类图；

具体实施方式

进一步对本发明的技术方案进行清楚、完整地描述：

选用“矮抗58”小麦品种，按照15厘米等行距、5厘米播种深度的规格进行播种，播种量为300千克/公顷。基肥均采用磷酸二铵、氯化钾与尿素(施用量均为200千克/公顷)混合施用，于播种前撒施，并进行旋耕翻埋。

如图1所示，基于群体长势遥感检测与分级的小麦健壮群体培育方法，具体包括以下步骤：

步骤1、使用无人机遥感平台在小麦分蘖期获取麦田的遥感图像。

使用无人机遥感平台在小麦分蘖期获取麦田的遥感图像。按照航向重叠率 80％、旁向重叠率60％的技术规范，分别执行距离地面高度为50米、60米、70 米、80米、90米、100米、110米及120米的无人机遥感作业，以获取不同空间分辨率的无人机遥感图像。分析无人机遥感图像的平均局部方差随空间分辨率的变化趋势，确定平均局部方差取最大值时的遥感图像空间分辨率为最优空间分辨率，无人机遥感平台采集的遥感图像具有最优空间分辨率为最优采集结果。

所述的无人机平台具有自主导航功能，可根据规划好的路径，按照设定好的巡航速度完成循迹飞行，包括但不限于多旋翼无人机、电动或油动无人直升机、固定翼无人机。

所述的无人机平台上装载多光谱遥感相机，能够获取红色波段(波长为约 620纳米至约690纳米)及近红外波段(波长为约760纳米至960纳米)的光谱信息。

步骤2、遥感图像经处理得到植被覆盖度专题图、叶片重叠度专题图、植株高度专题图，并进行M米×M米网格化处理。

针对所述的最优空间分辨率的无人机遥感图像，使用K-means聚类、支持向量机、卷积神经网络等监督分类或非监督分类的图像处理方法，提取仅包含单一植被特征的像元即植被端元、仅包含土壤特征的像元即土壤端元、同时包含不同植被特征的像元即植被-植被混合像元、同时包含植被与土壤两种特征的像元即植被-土壤混合像元，共计四类地物特征。

根据线性光谱混合理论，建立所述的植被—土壤混合像元模型，并将其分解为植被与土壤两种组分，如公式(1)所示。式中，ρ_i为植被—土壤混合像元在第i个波段上的像素值，i＝1代表红色波段、i＝2代表近红外波段； r_ij为各端元在相应波段上的像素平均值，j＝1代表植被、j＝2代表土壤；a_j为植被—土壤混合像元的第j个组分所占的面积。

在所述的最优空间分辨率的无人机遥感图像中，采样获取植被端元与土壤端元分别在红色波段与近红外波段上的像素值r₁₁、r₁₂、r₂₁、r₂₂，以及植被—土壤混合像元在相应波段上的像素值ρ₁、ρ₂。将r_ij及ρ_i代入公式(1)，得到线性方程组如公式(2)所示。

根据所述的线性方程组，计算植被组分及土壤组分在植被—土壤混合像元中所占的面积a_j，获取植被组分在植被—土壤混合像元中的面积比例为 a₁/(a₁+a₂)。

根据所述的植被-土壤混合像元分解结果，利用公式(3)计算无人机遥感图像各网格的植被覆盖度FVC，表征小麦群体数量，生成植被覆盖度专题图，并进行M米×M米网格化处理，此处选用1米×1米网格化处理。式中，N_v、N_vv、N_s与N_vs分别为各网格内植被端元、植被-植被混合像元、土壤端元、以及植被-土壤混合像元的像素个数，N_v/vs为各网格内植被-土壤混合像元中的植被组分的像素个数，在数值上等同于植被-土壤混合像元中的植被组分所占的面积与单个像元的面积之比。

FVC＝(N_v+N_vv+N_v/vs)/(N_v+N_vv+N_s+N_vs) (3)

根据所述的植被-土壤混合像元分解结果，利用公式(4)计算无人机遥感图像中各个网格的叶片重叠度LeOv，生成叶片重叠度专题图，并进行M米×M 米网格化处理，此处选用1米×1米网格化处理。

LeOv＝N_vv/(N_v+N_vv+N_v/vs) (4)

采用所述的无人机遥感图像，建立麦田的数字表面模型DSM，对数字表面模型DSM进行M米×M米网格化处理，此处选用1米×1米网格化处理，计算各网格的平均高程DSM_f,f为网格序号。进一步地，在DSM模型内提取若干个均匀分布的地面点的三维坐标(经度、纬度和标高)，通过空间插值生成农田数字地形模型DTM，对数字地形模型DTM进行1米×1米网格化处理，计算各网格的地面平均高程DTM_f。最终，利用公式(5)计算各网格的小麦植株高度平均值H_f，生成植株高度专题图。

H_f＝DSM_f-DTM_f (5)

步骤3、在麦田内均匀布点，使用土壤碱解氮含量速测仪测量各采样点距离地表3-10厘米深度的土壤碱解氮含量，此处选5厘米深度，经空间插值生成空间分辨率为M米×M米，此处选用1米×1米的土壤碱解氮含量专题图。

步骤4、小麦群体长势可由人工进行采样分级，例如，通过人工田间巡察，分别采样选取小麦群体长势弱(C1)、群体长势较弱(C2)、群体长势中等(C3)、群体长势较强(C4)、群体长势强(C5)的样本区域，各群体长势等级的样本区域不少于2处。采用GPS设备记录各样本区域中心位置的地理坐标(经度与纬度)。

根据所述的各样本区域中心位置的地理坐标，在地理空间数据处理软件环境(ArcMap或Envi)下，分别在植被覆盖度专题图、叶片重叠度专题图、植株高度专题图、土壤碱解氮含量专题图中确定包含各样本区域中心位置的网格，提取并统计各网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N，如表1所示。

表1各样本区域的小麦群体长势等级及对应参数

步骤5、在地理空间数据处理软件环境下，提取并统计所有网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N。调用所述的决策树分类模型，输入各网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N，将对应网格的小麦群体长势自动进行分级处理，生成田块尺度的小麦群体长势等级专题图。。

步骤5中决策树分类模型的具体实现方法为，以信息增益确定分类特征为例，也可采用基尼指数确定分类特征，并采用决策树监督分类算法，以表1中各采样网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N为特征属性，以小麦群体长势等级为输出类别，根据信息增益确定分类特征，递推至输出类别为单一类别时停止训练，建立小麦群体长势检测的决策树分类模型。

更具体地，根据信息熵的计算公式(6)，以及所述的表1中5个小麦群体长势等级，计算表1的信息熵

Ent(D)＝-∑p_i log₂p_i (6)

式中，p_i为第i个类别在全体样本中的概率。

将所述的表1中的植被覆盖度FVC按照数值从小到大的顺序进行排序，得到序列FVC_a＝[0.26,0.28,0.32,0.34,0.36,0.37,0.37,0.38,0.44,0.47]。根据中位点公式

计算候选划分点，得到候选划分点序列 FVC_t_ai＝[0.27,0.3,0.33,0.35,0.365,0.37,0.375,0.41,0.455]。使用所述的第一个候选划分点FVC_t_a1＝0.27，将所述的序列FVC_a划分为两部分，即小于候选划分点0.27的序列FVC_a1-＝[0.26]与大于候选划分点0.27的序列 FVC_a1+＝[0.28,0.32,0.34,0.36,0.37,0.37,0.38,0.44,0.47]。

根据公式(5)计算所述序列FVC_a1-及FVC_a1+的信息熵，分别为

与

根据公式(7)计算当前候选划分点下的信息增益

式中，a1为当前候选划分点，D_a1-为序列FVC_a1-的元素个数，D_a1+为序列 FVC_a1+的元素个数，D为表1的训练样本总个数，Ent(D)为表1的信息熵， Ent(D_a1-)与Ent(D_a1+)分别为序列FVC_a1-及FVC_a1+的信息熵。

类似地，分别使用所述的第二个、第三个、第四个、第五个、第六个、第七个、第八个、第九个候选划分点，将所述的序列FVC_a划分为两部分，计算各候选划分点对应的信息增益Gain(D,FVC_a2)＝0.69、Gain(D,FVC_a3)＝1.014、 Gain(D,FVC_a4)＝0.766、Gain(D,FVC_a5)＝0.962、Gain(D,FVC_a6)＝0.426、 Gain(D,FVC_a7)＝0.426、Gain(D,FVC_a8)＝0.322、Gain(D,FVC_a9)＝0.269。由此可知，植被覆盖度FVC在第三个候选划分点时信息增益取得最大值，即Gain(D,FVC)＝Gain(D,FVC_a3)＝1.014。

同样地，分别计算叶片重叠度LeOv、植株高度平均值H_f以及土壤碱解氮含量N的信息增益最大值为Gain(D,LeOv)＝0.971、Gain(D,Hi)＝0.971、 Gain(D,N)＝0.802。

比较各分类特征的信息增益最大值Gain(D,FVC)、Gain(D,LeOv)、 Gain(D,Hi)、Gain(D,N)的数值，确定使得信息增益取最大值的特征为所述表1 的训练样本分类特征，即植被覆盖度FVC。

因植被覆盖度FVC在第三个候选划分点FVC_t_a3＝0.33时取得信息增益的最大值，所以使用植被覆盖度FVC＝0.33对所述表1的训练样本进行小麦群体长势等级的分类。即将FVC取值小于等于0.33的样本划分为集合A(表2)、将FVC 取值大于0.33的样本划分为集合B(表3)，完成所述表1中各训练样本的小麦群体长势等级的初次分类，如图2所示。观察可知，表2及表3中的小麦群体长势等级均为非单一类别，需要进一步进行小麦群体长势级别的分类。

表2集合A的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C1	0.26	0.12	0.082	22
C2	0.28	0.22	0.08	24
					C1	0.32	0.1	0.087	20

表3集合B的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C3	0.34	0.27	0.088	24
C3	0.36	0.29	0.091	28
					C2	0.37	0.27	0.084	23
C4	0.37	0.34	0.09	26
					C5	0.38	0.32	0.089	32
C4	0.44	0.36	0.092	34
					C5	0.47	0.3	0.092	35

同样地，使用决策树分类方法，针对表2中的样本进行分类。根据公式(6) 与公式(7)分别计算表2中的样本的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f以及土壤碱解氮含量N的信息增益。选取信息增益取最大值时的特征作为所述表2样本的分类特征，即叶片重叠度LeOv。

叶片重叠度LeOv在第二个候选划分点LeOV_t_a2＝0.17时取得信息增益的最大值，所以使用叶片重叠度LeOv＝0.17对所述表2的样本进行小麦群体长势等级的分类。即将LeOv取值小于等于0.17的样本划分为集合A_A(表4)、将 LeOv取值大于0.17的样本划分为集合A_B(表5)，完成所述表2中各样本的小麦群体长势等级分类。小麦群体长势等级的二次分类如图3所示。观察可知，表 4及表5中的小麦群体长势等级均为单一类别，不需要进一步进行小麦群体长势级别的分类。

表4集合A_A的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C1	0.26	0.12	0.082	22
C1	0.32	0.1	0.087	20

表5集合A_B的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C2	0.28	0.22	0.08	24

同样地，使用决策树分类方法，针对表3中的样本进行分类。根据公式(6) 与公式(7)分别计算表3中的样本的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f以及土壤碱解氮含量N的信息增益。选取信息增益取最大值时的特征作为所述表3样本的分类特征，即植被覆盖度FVC。

植被覆盖度FVC在第二个候选划分点FVC_t_a2＝0.365时取得信息增益的最大值，所以使用叶片重叠度FVC＝0.365对所述表3中的样本进行小麦群体长势等级的分类。即将FVC取值小于等于0.365的样本划分为集合B_A(表6)、将 FVC取值大于0.365的样本划分为集合B_B(表7)，完成所述表3中各样本的小麦群体长势等级分类。小麦群体长势等级的三次分类如图4所示。观察可知，表 6中的小麦群体长势等级为单一类别，不需要进一步进行小麦群体长势级别的分类。而表7中的小麦群体长势等级为非单一类别，需要进一步进行小麦群体长势级别的分类。

表6集合B_A的小麦群体长势等级及对应参数

表7集合B_B的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C2	0.37	0.27	0.084	23
C4	0.37	0.34	0.09	26
					C5	0.38	0.32	0.089	32
C4	0.44	0.36	0.092	34
					C5	0.47	0.3	0.092	35

同样地，使用决策树分类方法，针对表7中的样本进行分类。根据公式(6) 与公式(7)分别计算表7中的样本的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f以及土壤碱解氮含量N的信息增益。选取信息增益取最大值时的特征作为所述表7样本的分类特征，即土壤碱解氮含量N。

土壤碱解氮N在第一个候选划分点N_t_a1＝24.5时取得信息增益的最大值，所以使用叶片重叠度N＝24.5对所述表7中的样本进行小麦群体长势等级的分类。即将N取值小于等于24.5的样本划分为集合B_B_A(表8)、将N取值大于24.5 的样本划分为集合B_B_B(表9)，完成所述表7中各样本的小麦群体长势等级分类。小麦群体长势等级的四次分类如图5所示。观察可知，表8中的小麦群体长势等级为单一类别，不需要进一步进行小麦群体长势级别的分类。而表9中的小麦群体长势等级为非单一类别，需要进一步进行小麦群体长势级别的分类。

表8集合B_B_A的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C2	0.37	0.27	0.084	23

表9集合B_B_B的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C4	0.37	0.34	0.09	26
C5	0.38	0.32	0.089	32
					C4	0.44	0.36	0.092	34
C5	0.47	0.3	0.092	35

同样地，使用决策树分类方法，针对表9中的样本进行分类。根据公式(6) 与公式(7)分别计算表7中的样本的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f以及土壤碱解氮含量N的信息增益。选取信息增益取最大值时的特征作为所述表9样本的分类特征，即叶片重叠度LeOv。

叶片重叠度LeOv在第二个候选划分点LeOv_t_a2＝0.33时取得信息增益的最大值，所以使用叶片重叠度LeOv＝0.33对所述表9中的样本进行小麦群体长势等级的分类。即将叶片重叠度LeOv取值小于等于0.33的样本划分为集合 B_B_B_A(表10)、将叶片重叠度LeOv取值大于0.33的样本划分为集合B_B_B_B (表11)，完成表9所述的小麦群体长势等级分类。观察可知，表10及表11中的小麦群体长势等级均为单一类别，不需要进一步进行小麦群体长势级别的分类。至此，小麦群体长势等级的分类全部得以实现，如图6所示。

表10集合B_B_B_A的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C5	0.47	0.3	0.092	35
C5	0.38	0.32	0.089	32

表11集合B_B_B_B的小麦群体长势等级及对应参数

小麦群体长势等级	FVC	LeOv	H<sub>i</sub>(米)	N(mg/kg)
					C4	0.37	0.34	0.09	26
C4	0.44	0.36	0.092	34

由图6可知，当植被覆盖度FVC≤0.33，并且叶片重叠度LeOv≤0.17时，该网格的小麦群体长势等级为C1(弱)。当植被覆盖度FVC≤0.33，并且叶片重叠度LeOv＞0.17时，以及当植被覆盖度FVC＞0.365，并且土壤碱解氮含量N≤24.5时，该网格的小麦群体长势等级为C2(较弱)。当植被覆盖度0.365≥FVC ＞0.33时，该网格的小麦群体长势等级为C3(中等)。当植被覆盖度FVC＞0.365，并且土壤碱解氮含量N＞24.5、叶片重叠度LeOv＞0.33时，该网格的小麦群体长势等级为C4(较强)。当植被覆盖度FVC＞0.365，并且土壤碱解氮含量N＞24.5、叶片重叠度LeOv≤0.33时，该网格的小麦群体长势等级为C5(强)。

基于所述的田块尺度的小麦群体长势专题图，采用人工撒施或机械施肥的方式，针对C1小麦群体长势等级的网格追施传统施用量A千克/公顷的的尿素，针对C2小麦群体长势等级的网格追施传统施用量0.8×A千克/公顷的尿素，针对C3小麦群体长势等级的网格追施传统施用量0.6×A千克/公顷的尿素，针对 C4小麦群体长势等级的网格追施传统施用量0.4×A千克/公顷的尿素，针对C5 小麦群体长势等级的网格追施传统施用量0.2×A千克/公顷的尿素，完成精准减量追施氮肥作业。

例如，采用人工撒施或机械施肥的方式，针对C1～C5小麦群体长势等级的网格，分别追施传统施用量200千克/公顷、160千克/公顷、120千克/公顷、 80千克/公顷、40千克/公顷的尿素，完成精准减量追施氮肥作业。

通过以上所述的方式，本发明结合小麦群体长势的无人机遥感检测与精准减量追施氮肥，实现小麦健壮群体的培育及化肥减量增效的目的。本发明公开的小麦健壮群体培育方案仅用于帮助阐明本发明的原理与实际应用，从而使所属技术领域的技术人员可以很好地理解和利用本发明，不限制本发明仅为所述的具体实施方式。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims

1.基于群体长势遥感检测与分级的小麦健壮群体培育方法，其特征在于：具体包括以下步骤：

步骤4、通过人工田间巡察，选取若干个小麦群体长势强弱不等的样本区域，在植被覆盖度专题图、叶片重叠度专题图、植株高度专题图和土壤碱解氮含量专题图中，确定包含各样本区域中心位置的网格，提取并统计各网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N；

2.如权利要求1所述的基于群体长势遥感检测与分级的小麦健壮群体培育方法，其特征在于：步骤1中的遥感图像具有最优空间分辨率，当平均局部方差取最大值时空间分辨率为最优空间分辨率。

3.如权利要求1所述的基于群体长势遥感检测与分级的小麦健壮群体培育方法，其特征在于：无人机遥感平台具有自主导航功能，根据规划好的路径，按照设定的巡航速度完成循迹飞行。

4.如权利要求1所述的基于群体长势遥感检测与分级的小麦健壮群体培育方法，其特征在于：步骤6中决策树分类模型的具体实现方法为，采用决策树监督分类算法，以各网格的植被覆盖度FVC、叶片重叠度LeOv、植株高度平均值H_f、土壤碱解氮含量N为特征属性，以小麦群体长势等级为输出类别，确定分类特征，递推至输出类别为单一类别时停止训练，建立小麦群体长势判别的决策树分类模型。

5.如权利要求4所述的基于群体长势遥感检测与分级的小麦健壮群体培育方法，其特征在于：根据信息增益或基尼指数确定分类特征。