CN114813607A - 一种利用植被指数估算水稻拔节期氮营养的方法 - Google Patents
一种利用植被指数估算水稻拔节期氮营养的方法 Download PDFInfo
- Publication number
- CN114813607A CN114813607A CN202210532359.8A CN202210532359A CN114813607A CN 114813607 A CN114813607 A CN 114813607A CN 202210532359 A CN202210532359 A CN 202210532359A CN 114813607 A CN114813607 A CN 114813607A
- Authority
- CN
- China
- Prior art keywords
- rice
- canopy
- total nitrogen
- rice plant
- nutrition
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 254
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 127
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 55
- 230000035764 nutrition Effects 0.000 title claims abstract description 55
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 45
- 235000009566 rice Nutrition 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 22
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 108
- 230000003595 spectral effect Effects 0.000 claims abstract description 28
- 238000011155 quantitative monitoring Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000009825 accumulation Methods 0.000 claims description 28
- 238000001035 drying Methods 0.000 claims description 5
- 238000005303 weighing Methods 0.000 claims description 5
- 238000007696 Kjeldahl method Methods 0.000 claims description 4
- 238000009841 combustion method Methods 0.000 claims description 4
- 210000005069 ears Anatomy 0.000 claims description 4
- 238000000227 grinding Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 3
- 239000000618 nitrogen fertilizer Substances 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 230000029553 photosynthesis Effects 0.000 description 3
- 238000010672 photosynthesis Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000893384 Ceratorhiza oryzae-sativae Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种利用植被指数估算水稻拔节期氮营养的方法,所述利用植被指数估算水稻拔节期氮营养的方法包括:S1:利用无人机多光谱版采集水稻植株冠层多光谱图像,其中,所述水稻植株冠层多光谱图像是根据处于拔节期的水稻植株样本采集到的;S2:对所述水稻植株冠层多光谱图像集进行处理,得到冠层光谱值;S3:利用所述冠层光谱值,得到近红外归一化植被指数;S4:对所述水稻植株样本进行氮营养测定,得到测定结果;S5:根据所述近红外归一化植被指数和所述测定结果,得到所述冠层光谱值和相对于所述测定结果的定量监测模型;S6:根据所述定量监测模型,得到水稻拔节期氮营养估算结果。
Description
技术领域
本发明涉及水稻种植技术领域,具体涉及一种利用植被指数估算水稻拔节期氮营养的方法。
背景技术
氮素是水稻生长发育过程中所必需的元素,参与水稻体内重要化合物的合成,只有合理的氮肥用量才能确保水稻的正常生长发育。在水稻拔节期,氮素与光合作用以及干物质积累量密切相关。适量的氮素能够促光合作用和干物质积累,而氮素供应不足则会导致水稻生长发育不良,除此以外,过量的氮肥施用不仅会在一定程度降低产量、水稻倒伏、引起气候变暖、水体富营养化等一系列环境污染问题。
在水稻生育期内,基于两波段的植被指数在氮含量大于3时,光谱指数会出现严重的饱和现象,影响了在水稻氮营养诊断上的准确性。而拔节期水稻氮含量处于该范围。前人采用实验室近景高光谱技术能够准确的在水稻拔节期进行作物氮营养诊断,然而在基于田块尺度上的近景高光谱技术无法获取大面积的光谱信息,并且监测设备贵、无法进行大面积推广使用。卫星遥感在一定程度上能够进行对大尺度的地块的作物氮营养诊断,然而其精确度低、重访周期长、影像分辨率粗糙,无法达到实时和精准诊断的效果。
消费级无人机价格低廉、具有很高的时效性、空间分辨率高,作业成本以及损耗风险低、精准诊断等优点,可以高效、快速的获取较大面积农田的厘米级遥感影像,能够有效的辅助调控农业经营者进行作业管理与调控,适合在个体农户和合作社大面积推广使用。目前,基于植被指数的经验统计模型被广泛的应用于无人机载尺度作物营养生理的无损监测。但是基于消费级无人机在水稻拔节期氮营养诊断避免过饱和现象的高精度植被指数估算模型还未见报道。
发明内容
本发明的目的在于提供一种利用植被指数估算水稻拔节期氮营养的方法,以能够快速诊断水稻氮营养,从而能够合理使用氮肥。
本发明解决上述技术问题的技术方案如下:
本发明提供一种利用植被指数估算水稻拔节期氮营养的方法,所述利用植被指数估算水稻拔节期氮营养的方法包括:
S1:利用无人机多光谱版采集水稻植株冠层多光谱图像,其中,所述水稻植株冠层多光谱图像是根据处于拔节期的水稻植株样本采集到的;
S2:对所述水稻植株冠层多光谱图像集进行处理,得到冠层光谱值;
S3:利用所述冠层光谱值,得到近红外归一化植被指数;
S4:对所述水稻植株样本进行氮营养测定,得到测定结果;
S5:根据所述近红外归一化植被指数和所述测定结果,得到所述冠层光谱值和相对于所述测定结果的定量监测模型;
S6:根据所述定量监测模型,得到水稻拔节期氮营养估算结果。
可选择地,所述步骤S1中,设置所述无人机的飞行高度范围为80-120m,航向重叠率为80%,旁向重叠率为70%。
可选择地,所述步骤S2中,所述冠层光谱值包括处于红光Rred(650nm±20nm)波段的光谱值和处于近红外Rnir(840nm±20nm)波段的光谱值;
所述步骤S3中,所述近红外归一化植被指数NNVI为:
其中,Rnir为处于近红外Rnir(840nm±20nm)波段的光谱值,Rred为处于红光Rred(650nm±20nm)波段的光谱值。
可选择地,所述步骤S4包括:
S41:对所述水稻植株样本按照茎、叶、穗分类并进行标记,得到分类后的水稻植株样本;
S42:将所述分类后的水稻植株样本放入烘箱,设置烘箱温度小于105℃,以对所述分类后的水稻植株样本进行杀青操作,得到杀青后的水稻植株样本;
S43:调整所述烘箱的温度为70℃,并对所述杀青后的水稻植株样本进行烘干操作,得到烘干后的水稻植株样本;
S44:对所述烘干后的水稻植株样本进行称重,分别得到所述茎、叶、穗的干重重量;
S45:研磨所述烘干后的水稻植株样本至粉碎,得到粉碎后的水稻植株样本;
S46:根据所述粉碎后的水稻植株样本和所述干重重量,利用杜马仕燃烧法和/或凯氏定氮法,得到所述水稻植株样本拔节期的氮营养测定结果。
可选择地,所述氮营养包括全氮含量和全氮累积量,所述全氮含量包括冠层全氮含量,所述全氮累积量包括冠层全氮累积量和地上部全氮累积量,所述全氮含量和所述全氮累积量的计算公式为:
冠层全氮含量=叶片全氮含量
冠层全氮累积量=叶片全氮含量*叶片干物质量
地上部全氮累积量=叶片全氮含量*叶片干物质量+茎秆全氮含量*茎秆干物质量。
可选择地,所述步骤S5包括:
对所述近红外归一化植被指数和所述氮营养做氮营养相关函数的指数函数拟合,得到拟合函数;
将所述拟合函数作为所述定量监测模型输出。
可选择地,所述氮营养相关函数为:
y=aebx
所述拟合函数包括冠层全氮含量的拟合函数、冠层全氮累积量的拟合函数和地上部全氮累积量的拟合函数;
所述冠层全氮含量的拟合函数y1为:
y1=1.4741e1.4775x
所述冠层全氮累积量的拟合函数y2为:
y2=1.3271e73395x
所述地上部全氮累积量的拟合函数y3为:
y3=2.1307e7.404x
其中,x表示近红外归一化植被指数,a、b为常数。
本发明具有以下有益效果:
本发明方法可以快速、无损、简便地得到水稻拔节期氮营养,为水稻拔节期氮营养快速诊断和合理施用氮肥提供依据,本发明方法不需要化学试剂、光谱波段获取数量少和算法简单。
附图说明
图1为本发明所提供的利用植被指数估算水稻拔节期氮营养的方法的流程图;
图2为水稻冠层NNVI值与水稻氮营养拟合结果示意图,其中样本量为54;
图3为外部验证集待测水稻氮营养结果示意图,其中样本量为27。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例
本发明提供一种利用植被指数估算水稻拔节期氮营养的方法,参考图1所示,所述利用植被指数估算水稻拔节期氮营养的方法包括:
S1:利用无人机多光谱版采集水稻植株冠层多光谱图像,其中,所述水稻植株冠层多光谱图像是根据处于拔节期的水稻植株样本采集到的;
具体地,本发明利用大疆无人机精灵4多光谱版选择天气晴朗无风、太阳光照强烈时10:00-14:00采集图像。且设置所述无人机的飞行高度范围为80-120m,航向重叠率为80%,旁向重叠率为70%。
由于在水稻拔节期,氮素与光合作用以及干物质积累量密切相关。适量的氮素能够促光合作用和干物质积累,因此本发明的水稻植株冠层多光谱图像是处理拔节期的水稻植株样本采集到的。
S2:对所述水稻植株冠层多光谱图像集进行处理,得到冠层光谱值;
采集的图像在大疆智图中进行二维多光谱重建,进行辐射校正,输出5个反射率地图。在ENVI 5.8中,进行波段融合,通过ROI工具选择感兴趣区域提取红光Rred(650nm±20nm),近红外Rnir(840nm±20nm)两组波段的反射率。
S3:利用所述冠层光谱值,得到近红外归一化植被指数;
所述冠层光谱值包括处于红光Rred(650nm±20nm)波段的光谱值和处于近红外Rnir(840nm±20nm)波段的光谱值;
所述步骤S3中,所述近红外归一化植被指数NNVI为:
其中,Rnir为处于近红外Rnir(840nm±20nm)波段的光谱值,Rred为处于红光Rred(650nm±20nm)波段的光谱值。
S4:对所述水稻植株样本进行氮营养测定,得到测定结果;
具体地测定方法包括:
S41:对所述水稻植株样本按照茎、叶、穗分类并进行标记,得到分类后的水稻植株样本;
S42:将所述分类后的水稻植株样本放入烘箱,设置烘箱温度小于105℃,以对所述分类后的水稻植株样本进行杀青操作,得到杀青后的水稻植株样本;
S43:调整所述烘箱的温度为70℃,并对所述杀青后的水稻植株样本进行烘干操作,得到烘干后的水稻植株样本;
S44:对所述烘干后的水稻植株样本进行称重,分别得到所述茎、叶、穗的干重重量;
S45:研磨所述烘干后的水稻植株样本至粉碎,得到粉碎后的水稻植株样本;
S46:根据所述粉碎后的水稻植株样本和所述干重重量,利用杜马仕燃烧法和/或凯氏定氮法,得到所述水稻植株样本拔节期的氮营养测定结果。
具体地,从每个小区破坏性获取具有代表性水稻植株3穴,带回实验室,按照茎、叶、穗单独分装标记,将各时期的水稻样品放入烘箱,并于温度为105℃内杀青30min。并在70℃的烘箱中将各部位烘干至恒重,称量后将其粉碎,称取烘干磨碎后的叶片、茎秆、穗干样0.25g(b)无论使用杜马仕燃烧法还是凯氏定氮法,测定时每个样品设置重复3个以上,优选3-4个重复。其中最多每测定40组样品,设置标准样品测定参照,优选20-30组样品设置参照。
可选择地,所述氮营养包括全氮含量和全氮累积量,所述全氮含量包括冠层全氮含量,所述全氮累积量包括冠层全氮累积量和地上部全氮累积量,所述全氮含量和所述全氮累积量的计算公式为:
冠层全氮含量=叶片全氮含量
冠层全氮累积量=叶片全氮含量*叶片干物质量
地上部全氮累积量=叶片全氮含量*叶片干物质量+茎秆全氮含量*茎秆干物质量。
S5:根据所述近红外归一化植被指数和所述测定结果,得到所述冠层光谱值和相对于所述测定结果的定量监测模型;
对所述近红外归一化植被指数和所述氮营养做氮营养相关函数的指数函数拟合,得到拟合函数;
将所述拟合函数作为所述定量监测模型输出。
可选择地,所述氮营养相关函数为:
y=aebx
所述拟合函数包括冠层全氮含量的拟合函数、冠层全氮累积量的拟合函数和地上部全氮累积量的拟合函数;
所述冠层全氮含量的拟合函数y1为:
y1=1.4741e1.4775x
所述冠层全氮累积量的拟合函数y2为:
y2=1.3271e73395x
所述地上部全氮累积量的拟合函数y3为:
y3=2.1307e7.404x
其中,x表示近红外归一化植被指数,a、b为常数。
这里,拟合函数并不唯一,其实根据氮营养相关函数和近红外归一化植被指数拟合得到的,因此常数a、b为拟合得到的值,根据常数a、b,确定该拟合函数。
S6:根据所述定量监测模型,得到水稻拔节期氮营养估算结果。
即将用于测量的水稻样本数据输入至所述定量监测模型中,进行估算,便可得到估算结果。这里的水稻样本数据包括红光Rred(650nm±20nm),近红外Rnir(840nm±20nm)两组波段即可。
基于NDVI多光谱植被指数的水稻氮营养无损监测模型建模集和外部验证结果如图2和图3所示,建模样本量54,外部验证样本量为27。冠层全氮量的建模集的R2为0.86,验证集的R2为0.92,RMSE为3.63%;冠层全氮累积量的建模集的R2为0.94,验证集的R2为0.91,RMSE为2.21kg/hm2;地上部全氮累积量的建模集的R2为0.93,验证集的R2为0.92,RMSE为2.21kg/hm2。本发明方法使用波段数少,计算方法简便,可以快速、无损、廉价地得到水稻拔节期氮营养,为水稻拔节期氮素营养快速诊断和合理施用氮肥提供依据。
本发明具有以下有益效果:
本发明方法可以快速、无损、简便地得到水稻拔节期氮营养,为水稻拔节期氮营养快速诊断和合理施用氮肥提供依据,本发明方法不需要化学试剂、光谱波段获取数量少和算法简单。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种利用植被指数估算水稻拔节期氮营养的方法,其特征在于,所述利用植被指数估算水稻拔节期氮营养的方法包括:
S1:利用无人机多光谱版采集水稻植株冠层多光谱图像,其中,所述水稻植株冠层多光谱图像是根据处于拔节期的水稻植株样本采集到的;
S2:对所述水稻植株冠层多光谱图像集进行处理,得到冠层光谱值;
S3:利用所述冠层光谱值,得到近红外归一化植被指数;
S4:对所述水稻植株样本进行氮营养测定,得到测定结果;
S5:根据所述近红外归一化植被指数和所述测定结果,得到所述冠层光谱值和相对于所述测定结果的定量监测模型;
S6:根据所述定量监测模型,得到水稻拔节期氮营养估算结果。
2.根据权利要求1所述的利用植被指数估算水稻拔节期氮营养的方法,其特征在于,所述步骤S1中,设置所述无人机的飞行高度范围为80-120m,航向重叠率为80%,旁向重叠率为70%。
4.根据权利要求1所述的利用植被指数估算水稻拔节期氮营养的方法,其特征在于,所述步骤S4包括:
S41:对所述水稻植株样本按照茎、叶、穗分类并进行标记,得到分类后的水稻植株样本;
S42:将所述分类后的水稻植株样本放入烘箱,设置烘箱温度小于105℃,以对所述分类后的水稻植株样本进行杀青操作,得到杀青后的水稻植株样本;
S43:调整所述烘箱的温度为70℃,并对所述杀青后的水稻植株样本进行烘干操作,得到烘干后的水稻植株样本;
S44:对所述烘干后的水稻植株样本进行称重,分别得到所述茎、叶、穗的干重重量;
S45:研磨所述烘干后的水稻植株样本至粉碎,得到粉碎后的水稻植株样本;
S46:根据所述粉碎后的水稻植株样本和所述干重重量,利用杜马仕燃烧法和/或凯氏定氮法,得到所述水稻植株样本拔节期的氮营养测定结果。
5.根据权利要求1或4所述的利用植被指数估算水稻拔节期氮营养的方法,其特征在于,所述氮营养包括全氮含量和全氮累积量,所述全氮含量包括冠层全氮含量,所述全氮累积量包括冠层全氮累积量和地上部全氮累积量,所述全氮含量和所述全氮累积量的计算方式为:
冠层全氮含量即为叶片全氮含量;
冠层全氮累积量为叶片全氮含量和叶片干物质量之积;
地上部全氮累积量为叶片全氮含量和叶片干物质量之积与茎秆全氮含量和茎秆干物质量之积的和。
6.根据权利要求1所述的利用植被指数估算水稻拔节期氮营养的方法,其特征在于,所述步骤S5包括:
对所述近红外归一化植被指数和所述氮营养做氮营养相关函数的指数函数拟合,得到拟合函数;
将所述拟合函数作为所述定量监测模型输出。
7.根据权利要求5所述的利用植被指数估算水稻拔节期氮营养的方法,其特征在于,所述氮营养相关函数为:
y=aebx
所述拟合函数包括冠层全氮含量的拟合函数、冠层全氮累积量的拟合函数和地上部全氮累积量的拟合函数;
所述冠层全氮含量的拟合函数y1为:
y1=1.4741e1.4775x
所述冠层全氮累积量的拟合函数y2为:
y2=1.3271e73395x
所述地上部全氮累积量的拟合函数y3为:
y3=2.1307e7.404x
其中,x表示近红外归一化植被指数,a、b为常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532359.8A CN114813607A (zh) | 2022-05-09 | 2022-05-09 | 一种利用植被指数估算水稻拔节期氮营养的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210532359.8A CN114813607A (zh) | 2022-05-09 | 2022-05-09 | 一种利用植被指数估算水稻拔节期氮营养的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114813607A true CN114813607A (zh) | 2022-07-29 |
Family
ID=82515813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210532359.8A Pending CN114813607A (zh) | 2022-05-09 | 2022-05-09 | 一种利用植被指数估算水稻拔节期氮营养的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114813607A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104584851A (zh) * | 2015-02-09 | 2015-05-06 | 上海交通大学 | 有机肥高效利用的大豆品种的筛选方法 |
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 |
CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
CN110189793A (zh) * | 2019-06-04 | 2019-08-30 | 河南农业大学 | 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 |
CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 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 |
-
2022
- 2022-05-09 CN CN202210532359.8A patent/CN114813607A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104584851A (zh) * | 2015-02-09 | 2015-05-06 | 上海交通大学 | 有机肥高效利用的大豆品种的筛选方法 |
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 |
CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
CN110189793A (zh) * | 2019-06-04 | 2019-08-30 | 河南农业大学 | 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 |
CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 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 |
Non-Patent Citations (2)
Title |
---|
王振华等: "水氮耦合对滴灌复播油葵氮素吸收与土壤硝态氮的影响", 农业机械学报, vol. 47, no. 10, pages 93 * |
肖焱波等: "应用数字图像分析技术进行冬小麦拔节期氮营养诊断", 中国农学通报, vol. 24, no. 8, pages 448 - 453 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Estimation of corn yield based on hyperspectral imagery and convolutional neural network | |
CN110222475B (zh) | 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Ryu et al. | Multivariate analysis of nitrogen content for rice at the heading stage using reflectance of airborne hyperspectral remote sensing | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN112903600B (zh) | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 | |
Lu et al. | Improving Unmanned Aerial Vehicle (UAV) remote sensing of rice plant potassium accumulation by fusing spectral and textural information | |
CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
Tong et al. | Combined use of in situ hyperspectral vegetation indices for estimating pasture biomass at peak productive period for harvest decision | |
CN110544277A (zh) | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 | |
Ye et al. | Potential of airborne hyperspectral imagery to estimate fruit yield in citrus | |
Jiang et al. | Combining fixed-wing UAV multispectral imagery and machine learning to diagnose winter wheat nitrogen status at the farm scale | |
CN110954650A (zh) | 一种棉花冠层氮素的卫星遥感监测方法 | |
Yuhao et al. | Rice Chlorophyll Content Monitoring using Vegetation Indices from Multispectral Aerial Imagery. | |
Choudhary et al. | Rice growth vegetation index 2 for improving estimation of rice plant phenology in costal ecosystems | |
Sahoo et al. | Drone remote sensing of wheat N using hyperspectral sensor and machine learning | |
Chen et al. | Effect of crop spectra purification on plant nitrogen concentration estimations performed using high-spatial-resolution images obtained with unmanned aerial vehicles | |
CN112364691B (zh) | 一种烟草病虫害识别方法 | |
Ya et al. | Development of rice growth map using the advanced remote sensing techniques | |
Cai et al. | Water productivity mapping using remote sensing data of various resolutions to support more crop per drop | |
Kasim et al. | Estimation of the relative chlorophyll content in spring wheat Based on an optimized spectral index | |
CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Zhu et al. | Mapping crop leaf area index from multi-spectral imagery onboard an unmanned aerial vehicle |
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 |