CN115344997A - 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 - Google Patents
夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 Download PDFInfo
- Publication number
- CN115344997A CN115344997A CN202210932128.6A CN202210932128A CN115344997A CN 115344997 A CN115344997 A CN 115344997A CN 202210932128 A CN202210932128 A CN 202210932128A CN 115344997 A CN115344997 A CN 115344997A
- Authority
- CN
- China
- Prior art keywords
- canopy
- stage
- nitrogen concentration
- scale
- pixel scale
- 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.)
- Granted
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 182
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 27
- 241001057636 Dracaena deremensis Species 0.000 title claims abstract description 11
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims abstract description 38
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims abstract description 29
- 235000005822 corn Nutrition 0.000 claims abstract description 29
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 240000008042 Zea mays Species 0.000 claims description 65
- 230000003595 spectral effect Effects 0.000 claims description 34
- 238000001228 spectrum Methods 0.000 claims description 25
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000005316 response function Methods 0.000 claims description 3
- 235000016709 nutrition Nutrition 0.000 abstract description 14
- 230000035764 nutrition Effects 0.000 abstract description 14
- 238000012544 monitoring process Methods 0.000 abstract description 13
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 241000209149 Zea Species 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 21
- 230000012010 growth Effects 0.000 description 19
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 9
- 230000008901 benefit Effects 0.000 description 9
- 235000009973 maize Nutrition 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 8
- 239000002689 soil Substances 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000000618 nitrogen fertilizer Substances 0.000 description 4
- 101100402694 Arabidopsis thaliana MSR2 gene Proteins 0.000 description 3
- 101001134216 Homo sapiens Macrophage scavenger receptor types I and II Proteins 0.000 description 3
- 102100034184 Macrophage scavenger receptor types I and II Human genes 0.000 description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 3
- 208000012886 Vertigo Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000009987 spinning Methods 0.000 description 2
- 230000007103 stamina Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000003041 laboratory chemical Substances 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种夏玉米植株叶片‑冠层‑像元尺度氮浓度协同预测方法，包括以下步骤：S1：基于尺度指数，构建叶片‑冠层尺度融合模型；S2：构建冠层‑像元尺度氮浓度估算模型；S3：根据叶片‑冠层尺度融合模型和冠层‑像元尺度氮浓度估算模型进行氮浓度协同预测。本发明实现了对作物氮素营养状况实时、高效、准确的监测、估算和诊断，为判断不同尺度夏玉米氮素营养状况提供了参考。
Description
技术领域
本发明属于植株预测技术领域，具体涉及一种夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法。
背景技术
玉米作为全球重要的粮食作物，种植广泛。在我国种植面积约占粮食种植面积的40％左右。2021年，播种面积达到43320千公顷，较2020年增长3.4％，总产量达到2.73亿吨，增产4.6％，我国的玉米产量约占粮食产量的三分之一。氮素是玉米需求量最大的养分，对夏玉米产量的增加具有重要的作用，是作物生长发育最重要的限制因子。研究表明施用氮肥可以增加30～50％的产量，但按照目前我国氮肥投入情况来看，若继续增加投入量，产量增加效果不显著，若过量施氮肥，其会通过挥发或雨水冲刷淋洗等途径进入大气或水环境中，导致水体环境中氮素含量增加，富营养化严重。因此对夏玉米全生命周期氮素状况实施准确、实时和快速地无损监测和诊断是确保粮食产量和品质，同时也是减少因田间施肥管理不当带来的环境污染风险的关键技术，是农业绿色发展的必然要求。
近年来，光谱遥感技术因其快速、及时和无损监测的优势在作物营养诊断中应用越来越广泛，克服了传统的基于实验室化学分析诊断作物氮素营养方法周期长、破化性、时效差的缺点。采用光谱遥感技术对作物氮素营养状况的监测是精准农业、智慧农业研究领域的热点。
发明内容
本发明为了解决上述问题，提出了一种夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法。
本发明的技术方案是：一种夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法包括以下步骤：
S1：基于尺度指数，构建叶片-冠层尺度融合模型；
S2：构建冠层-像元尺度氮浓度估算模型；
S3：根据叶片-冠层尺度融合模型和冠层-像元尺度氮浓度估算模型进行氮浓度协同预测。
进一步地，步骤S1包括以下子步骤：
S11：确定夏玉米植株第一阶段和第二阶段的阶段函数；
S12：根据夏玉米植株第一阶段和第二阶段的阶段函数，构建叶片-冠层尺度融合模型。
进一步地，步骤S11中，夏玉米植株第一阶段为拔节期至大喇叭口期，第二阶段为抽雄期至成熟期。
进一步地，步骤S12中，叶片-冠层尺度融合模型的表达式为：
其中，IREAc为冠层尺度的IREA指数，IREAl为叶片尺度的IREA指数，f(·)为夏玉米植株的阶段函数，t为夏玉米生长天数，LAI为叶面积指数。
进一步地，步骤S2中，构建冠层-像元尺度氮浓度估算模型的具体方法为：获取叶片和冠层尺度的高光谱数据，利用无人机获取像元尺度的多光谱数据，并将叶片和冠层尺度的高光谱数据转换为像元尺度的多光谱数据，构建冠层-像元尺度氮浓度估算模型。
进一步地，步骤S2中，冠层-像元尺度氮浓度估算模型的表达式为：
其中，R为模拟多光谱的宽波段反射率，λmin为无人机传感器的起始波长，λmax为无人机传感器的结束波长，Sλ为传感器在λ波长处的光谱响应函数值，Rλ为夏玉米冠层光谱在λ波长处的高光谱反射率。
本发明的有益效果是：本发明充分发挥了不同叶位光谱数据“点”上监测精度高的优势，近地面冠层尺度光谱数据“线”上监测作物整体性的优势，并结合空无人机光谱数据“面”上监测范围广的特点，将不同尺度获取的多种光谱数据进行转换和融合，发挥了“点－线－面”各自的优势，再结合不同尺度提出的光谱指数阈值或临界氮浓度值，实现了对作物氮素营养状况实时、高效、准确的监测、估算和诊断，为判断不同尺度夏玉米氮素营养状况提供了参考。
附图说明
图1为夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法的流程图；
图2为以开花期N3处理为例夏玉米叶片、冠层尺度反射率曲线比较图；
图3为以开花期N3处理为例夏玉米冠层、像元尺度反射率曲线比较图；
图4为夏玉米不同生育阶段排名前6个多光谱指标及其模型评价结果图；
图5为利用GBNDVI、TCARI、NRI和NDVI光谱指数估算植物氮浓度的敏感性分析图；
图6为拔节期、小喇叭口期、大喇叭口期、抽雄至灌浆期的夏玉米植株氮浓度预测图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
在描述本发明的具体实施例之前，为使本发明的方案更加清楚完整，首先对本发明中出现的缩略语和关键术语定义进行说明：
拔节期：禾谷类作物生长过程中，茎的节间向上迅速伸长的时期。
大喇叭口期：玉米生长的关键时期，从这一时期开始，玉米进入快速生长期，营养生长和生殖生长齐头并进。
抽雄期：玉米抽穗期中雄穗的抽出的时期。
如图1所示，本发明提供了一种夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法，包括以下步骤：
S1：基于尺度指数，构建叶片-冠层尺度融合模型；
S2：构建冠层-像元尺度氮浓度估算模型；
S3：根据叶片-冠层尺度融合模型和冠层-像元尺度氮浓度估算模型进行氮浓度协同预测。
在本发明实施例中，步骤S1包括以下子步骤：
S11：确定夏玉米植株第一阶段和第二阶段的阶段函数；
S12：根据夏玉米植株第一阶段和第二阶段的阶段函数，构建叶片-冠层尺度融合模型。
在本发明实施例中，步骤S11中，夏玉米植株第一阶段为拔节期至大喇叭口期，第二阶段为抽雄期至成熟期。
在本发明实施例中，步骤S12中，叶片-冠层尺度融合模型的表达式为：
其中，IREAc为冠层尺度的IREA指数，IREAl为叶片尺度的IREA指数，f(·)为夏玉米植株的阶段函数，t为夏玉米生长天数，LAI为叶面积指数。
在本发明实施例中，步骤S2中，构建冠层-像元尺度氮浓度估算模型的具体方法为：获取叶片和冠层尺度的高光谱数据，利用无人机获取像元尺度的多光谱数据，并将叶片和冠层尺度的高光谱数据转换为像元尺度的多光谱数据，构建冠层-像元尺度氮浓度估算模型。
在本发明实施例中，步骤S2中，冠层-像元尺度氮浓度估算模型的表达式为：
其中，R为模拟多光谱的宽波段反射率，λmin为无人机传感器的起始波长，λmax为无人机传感器的结束波长，Sλ为传感器在λ波长处的光谱响应函数值，Rλ为夏玉米冠层光谱在λ波长处的高光谱反射率。
下面结合具体实施实施例对本发明进行说明。
叶片尺度获得的光谱和冠层尺度获得的光谱，受到的影响因素不同导致的。叶片尺度光谱受叶片色素和形状等因素影响较大，而冠层尺度的光谱受到冠层结构、叶片倾角和土壤背景等因素的影响，因此两个尺度的光谱存在一定差异。IREA指数由550、680、752和760nm四波段的反射率组合而成，这四个波段是氮素敏感波段，能较好反映氮素营养状况。结合引入的能反映土壤影响因素的叶面积指数(LAI)，融合后的模型估算精度较高。叶片到冠层尺度提升效果如表1所示。基于叶片尺度的IREAl估测冠层尺度夏玉米氮浓度效果较好，决定系数R2平均为0.532，RMSE平均为0.293，RE平均为13.98％。
表1
根据2019年冠层尺度高光谱数据转换后获取的多光谱数据评价的结果表明，抽雄期至成熟期前6位的多光谱指数(MSAVI2、GRNDVI、MSR、NDVI、NRI、VARI)诊断模型的精度R2在0.431～0.750范围内，其中，R2最大的高光谱指数为NDVI，其次为GRNDVI(R2为0.646)，RMSE的值在0.271～0.448范围内，RE在6.22％～9.93％范围内，均小于10％，模型稳定性很好。可见，基于NDVI指数构建的预测模型精度较高，能较好预测冠层尺度夏玉米植株氮浓度。
优化四阶段组合模型(拔节期、小喇叭口期、大喇叭口期、抽雄至成熟期)以GBNDVI、TCARI、NRI和NDVI等4个光谱指数为基础，构建植株氮浓度预测模型，如表2所示，其形式为线性函数，模型函数形式与其他研究结果一致。
表2
以2019年开花期(R1)N3处理同一天获取的光谱数据为例，分析叶片尺度和冠层尺度获取的夏玉米反射率曲线的差异，如图2所示。由图2可以看出，在可见光和近红外波段，叶片的反射率(上、中、下层叶片)比冠层较高。叶片光谱在550nm左右的反射峰和680nm左右的吸收峰较冠层明显。因冠层尺度获取的光谱受叶片的三维结构在空间的分布及土壤背景的影响。
植被反射光谱的红边参数在理化参数反演中具有非常重要的地位。根据本研究中基于550、680、752、和760nm四波段构建的改进红边吸收面积(IREA)指数，对叶片和冠层尺度的IREA做了比较。如表3所示，通过IREA指数反映不同尺度光谱的差异。
表3
叶片到冠层尺度提升效果如表4所示。基于叶片尺度的IREAl估测冠层尺度夏玉米氮浓度效果较好，决定系数R2平均为0.532，RMSE平均为0.293，RE平均为13.98％。
表4
叶片尺度获得的光谱和冠层尺度获得的光谱，受到的影响因素不同导致的。叶片尺度光谱受叶片色素和形状等因素影响较大，而冠层尺度的光谱受到冠层结构、叶片倾角和土壤背景等因素的影响，因此两个尺度的光谱存在一定差异。IREA指数由550、680、752和760nm四波段的反射率组合而成，这四个波段是氮素敏感波段，能较好反映氮素营养状况。结合引入的能反映土壤影响因素的叶面积指数(LAI)，融合后的模型估算精度较高。
以2019年开花期N3处理同一天获取的光谱数据为例，分析冠层尺度和像元尺度获取的夏玉米反射率曲线的差异，如图3所示。由图可以看出，在蓝光(475nm)、绿光(560nm)、红光(668nm)、红边(717nm)波段和近红外波段(840nm)冠层的反射率较像元尺度高。主要是像元尺度获取的光谱是混合像元，受土壤因素影响的原因。因此可通过波段组合的光谱指数反映不同尺度的差异。
本研究中近地面获取叶片和冠层尺度的光谱为高光谱(2017-2019年)，无人机获取像元尺度的光谱为多光谱(2019年)，将2017-2019年高光谱数据转化为5个波段的多光谱数据，五个多光谱波段分别为475nm(蓝色，带宽：20nm)，560nm(绿色，带宽：20nm)，668nm(红、带宽：10nm)，840nm(近红外，带宽：40nm)，和717nm(红边，带宽：10nm)。
本研究根据2017-2018年转化后的多光谱数据，计算多光谱指数，然后分析多光谱指数与植物氮浓度的相关关系。将夏玉米全生命周期划分为八个阶段(拔节期、小喇叭口期、大喇叭口期、抽雄期、开花期、抽丝期和成熟期)，分别筛选出各阶段相关系数较好的前6个光谱指数。通过幂函数、对数函数、指数函数和线性函数等形式分别构建各生育期基于多光谱指数的夏玉米植株氮浓度预测模型，选择决定系数高的为该指数最佳形式，结果如表5所示，其中，“N”表示夏玉米植株氮浓度，％；“x”表示多光谱指数。
表5
夏玉米不同生育期的多光谱指数与植株氮浓度密切相关；然而，它们并不完全一致。各阶段的前6个多光谱指数分别为：拔节期：BNDVI、BRNDVI、GBNDVI、PNRI、NRI、NDVI；小喇叭口期：TCARI，TCARI/OSAVI，NPCI，BNDVI，PVI和RVI；大喇叭口期：NRI、BNDVI、TVI、RDVI、DVI、SAVI；抽雄期：NRI、OSAVI、NLI、RDVI、SAVI、MSAV2；开花期：DVI、GDVI、TVI、MNLI、EVI、RDVI；抽丝期：MSR1、RVI、MSR2、NDVI、BRNDVI、PVI；灌浆期：OSAVI、NDVI、MSR1、MSR2、RVI和TCARI/OSAVI；成熟期：GDVI、DVI、MNLI、MSAV2、TVI、SAVI。
各生育期前6个多光谱指数因夏玉米在不同生育阶段生长环境和生理生态的不同而存在差异。虽然大喇叭口期和抽雄期均与多光谱指数NRI密切相关，相应的诊断模型也均为线性，但两个生育阶段模型的斜率不一致。大喇叭口期模型的斜率为-5.833；抽雄期模型为-2.816。大喇叭口期期植株氮浓度随NRI变化较大，该阶段NRI对夏玉米植株的氮素浓度变化较敏感。
从夏玉米全生命周期来看，拔节期、小喇叭口期、大喇叭口期和灌浆期，最佳多光谱指数和植株氮浓度的决定系数R2在0.5以上，而抽雄期、开花期、抽丝期和成熟期的决定系数R2在0.4以下，为了提高夏玉米植株氮浓度在全生命周期内的预测准确性，本研究考虑将夏玉米全生命周期根据夏玉米生长覆盖的情况划分为4个生育阶段(拔节期、小喇叭口期、大喇叭口期、抽雄至灌浆期)，因为夏玉米叶面积指数LAI在拔节期至大喇叭口期存在显著差异(LAI在0.34-3.66之间)，P<0.01)，但从抽雄期开始至夏玉米成熟期叶面积指数LAI变化不大(LAI在3.13-4.74之间)，因此，本研究将抽雄至成熟期合并为一个阶段，按照前面方法重新分析，进一步优化基于多光谱指数构建的植株氮浓度估测模型，结果如表6所示。
表6
模型优化后，抽雄至灌浆期阶段相关系数排名前6多光谱指数分别为NDVI、GRNDVI、MSR、MSAVI2、NRI和VARI。决定系数R2均在0.45以上，最高的为0.682。通过对比分析四阶段模型和八阶段模型建模精度，发现四阶段模型决定系数R2平均提升了70.7％，可见优化后的四阶段模型建模精度较高。
利用2019年高光谱数据转化的多光谱数据对八阶段模型评价。每个生育阶段的前6个多光谱指数模型决定系数R2、均方根误差(RMSE)、RE等如图4所示。不同生育阶段夏玉米植株氮浓度预测模型RMSE为0.14％～0.32％，RE均小于10％，各阶段基于排名前6位的多光谱指数构建的模型均方根误差(RMSE)较低，且差异不显著(P<0.05)，相对误差(RE)均小于10％，表明各模型的稳定性很好。因此，各阶段根据决定系数R2确定最佳多光谱指数。从图4中可以看出，GBNDVI在拔节期表现突出，R2达到0.832。小喇叭口期最佳光谱指数为TCARI(R2＝0.599)。大喇叭口期和抽雄期均采用NRI(R2分别为0.747和0.342)。开花期DVI、GDVI和TVI的估计精度均较高。抽丝期的最佳多光谱指数为OSAVI(R2＝0.287)。灌浆期MSR1、RVI、MSR2和NDVI的预测效果均较好。成熟期(R6)可采用MNLI、GDVI或MSAVI2作为最佳多光谱指数。可见，拔节期、小喇叭口期和大喇叭口期最佳多光谱指数模型的决定系数较高(R2>0.599)，模型的预测精度较高，但其他阶段模型的决定系数R2小于0.4，预测模型的精度需进一步提高。
针对玉米自抽雄期以后，模型评价效果不佳情况，本研究将抽雄期至成熟期合并为一个生育阶段，然后再重新构建模型，称为优化四阶段模型，前三个阶段已经在前一节中进行了评估。利用冠层尺度高光谱数据转换后获取的多光谱数和无人机获取的多光谱数据分别对第四阶段进行评价，结果如表7所示。
根据2019年冠层尺度高光谱数据转换后获取的多光谱数据评价的结果表明，抽雄期至成熟期前6位的多光谱指数(MSAVI2、GRNDVI、MSR、NDVI、NRI、VARI)诊断模型的精度R2在0.431～0.750范围内，其中R2最大的高光谱指数为NDVI，其次为GRNDVI(R2为0.646)，RMSE的值在0.271～0.448范围内，RE在6.22％～9.93％范围内，均小于10％，模型稳定性很好。可见，基于NDVI指数构建的预测模型精度较高，能较好预测冠层尺度夏玉米植株氮浓度。
表7
优化四阶段组合模型(拔节期、小喇叭口期、大喇叭口期、抽雄至成熟期)以GBNDVI、TCARI、NRI和NDVI等4个光谱指数为基础，构建植株氮浓度预测模型，如表8所示，其形式为线性函数，模型函数形式与其他研究结果一致。
表8
为了进一步分析这些光谱指数，基于NE讨论了模型的敏感性，如图5所示，结果表明，基于GBNDVI构建的植株氮浓度预测模型NE值最低，尤其是当植物氮浓度超过4％时(NE小于0.3)。当植株氮浓度为5％时，NE值为0.5。其次为基于TCARI构建的预测模型，当植株氮浓度超过1％时，其NE值为第二低。NRI指数表现出与TCARI指数相似的NE值。当植物氮浓度为3％时，TCARI和NRI模型的NE值分别为0.5。NDVI模型NE值也较低，但与其他3个光谱指标相比，其NE值最高。当植株氮浓度为3％时，NE值为0.1左右。由于植物氮素浓度随着生育期的推移而降低，GBNDVI、TCARI、NRI和MSAVI2模型在各自应用阶段均表现出较高的敏感性。
利用2019年像元尺度获取的独立多光谱数据，计算各阶段像元尺度的最佳多光谱指数，融合后冠层尺度的模型预测结果如图6所示。由图6可知，冠层尺度不同生育期夏玉米植株氮浓度均具有较高的预测精度，决定系数R2在0.576至0.779范围内，平均为0.671，RMSE在0.181～0.265范围内，平均为0.206，RE在4.97％至12.76％，平均为7.33％。研究结果表明，植株氮浓度和植株氮浓度评价样本点大致均分布在1:1线附近，RE基本小于10％，可见，融合后模型反演精度较高，稳定性很好。由图6可知，像元尺度抽雄至灌浆期模型预测精度R2为0.727，RMSE为0.265，RE为12.76％。
结合近地面高光谱和无人机多光谱遥感数据，充分发挥近地面高光谱传感器可以同时获取数百个窄光谱波段，具有较高的精度的优势，及无人机多光谱传感器可以获取区域尺度氮素敏感波段——蓝、绿、红、近红外和红边的光谱信息的优势，本发明通过分析GBNDVI、TCARI、NRI和NDVI等4个光谱指数为在冠层和像元尺度的相关关系，将冠层和像元尺度融合预测夏玉米氮浓度。该方法简单、便捷。
三尺度波谱的差异主要是由于地物空间分布的不均一性，使得在不同观测尺度上所观测到的目标发生改变，不再是单一的一种地物，而是多种地物按某种方式混合而成。不同尺度获取的光谱数据存在一定的差异：在叶片尺度，主要受到叶片自身的生化参数的影响，影响因素为氮素含量与叶片结构参数；在冠层尺度，主要影响因素为叶面积指数(LAI)；在像元尺度，主要影响因素为土壤背景、作物和阴影等。因此为了更好的利用光谱数据，需正确认识光谱的尺度性。不同尺度之间的转换，为充分发挥不同尺度光谱数据的优势，因此对光谱尺度之间的转换具有非常重要的意义。
本发明在实际应用中，夏玉米受氮素胁迫后，中下部首先在胁迫初期表现明显，冠层早期表现并不明显，因此通过对夏玉米多角度立体监测，根据本发明确定的不同生育阶段的最佳诊断叶位及其诊断模型，能够对夏玉米受氮素胁迫早期及时诊断。为了进一步研究夏玉米植株氮素状况，结合本发明提出的冠层尺度的模型进行单株夏玉米氮素状况诊断，这样能够掌握植株整体的氮素营养状况。为掌握区域尺度夏玉米氮素营养状况，结合本发明提出的无人机遥感技术进一步对夏玉米空间氮素营养状况进行监测和诊断。
本发明的工作原理及过程为：本发明结合近地面(叶片尺度和冠层尺度)高光谱技术和无人机多光谱技术(像元尺度)，将近地面高光谱与无人机遥感数据相融合，引入改进红边吸收面积指数(IREA)构建了考虑叶面积指数(LAI)的夏玉米氮浓度叶片-冠层融合预测模型；基于高光谱转化为多光谱方法，构建冠层-像元尺度融合模型。
本发明的有益效果为：本发明充分发挥了不同叶位光谱数据“点”上监测精度高的优势，近地面冠层尺度光谱数据“线”上监测作物整体性的优势，并结合空无人机光谱数据“面”上监测范围广的特点，将不同尺度获取的多种光谱数据进行转换和融合，发挥了“点－线－面”各自的优势，再结合不同尺度提出的光谱指数阈值或临界氮浓度值，实现了对作物氮素营养状况实时、高效、准确的监测、估算和诊断，为判断不同尺度夏玉米氮素营养状况提供了参考。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法，其特征在于，包括以下步骤：
S1：基于尺度指数，构建叶片-冠层尺度融合模型；
S2：构建冠层-像元尺度氮浓度估算模型；
S3：根据叶片-冠层尺度融合模型和冠层-像元尺度氮浓度估算模型进行氮浓度协同预测。
2.根据权利要求1所述的夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法，其特征在于，所述步骤S1包括以下子步骤：
S11：确定夏玉米植株第一阶段和第二阶段的阶段函数；
S12：根据夏玉米植株第一阶段和第二阶段的阶段函数，构建叶片-冠层尺度融合模型。
3.根据权利要求2所述的夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法，其特征在于，所述步骤S11中，夏玉米植株第一阶段为拔节期至大喇叭口期，第二阶段为抽雄期至成熟期。
4.根据权利要求1所述的夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法，其特征在于，所述步骤S12中，叶片-冠层尺度融合模型的表达式为：
其中，IREAc为冠层尺度的IREA指数，IREAl为叶片尺度的IREA指数，f(·)为夏玉米植株的阶段函数，t为夏玉米生长天数，LAI为叶面积指数。
5.根据权利要求1所述的夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法，其特征在于，所述步骤S2中，构建冠层-像元尺度氮浓度估算模型的具体方法为：获取叶片和冠层尺度的高光谱数据，利用无人机获取像元尺度的多光谱数据，并将叶片和冠层尺度的高光谱数据转换为像元尺度的多光谱数据，构建冠层-像元尺度氮浓度估算模型。
6.根据权利要求5所述的夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法，其特征在于，所述步骤S2中，冠层-像元尺度氮浓度估算模型的表达式为：
其中，R为模拟多光谱的宽波段反射率，λmin为无人机传感器的起始波长，λmax为无人机传感器的结束波长，Sλ为传感器在λ波长处的光谱响应函数值，Rλ为夏玉米冠层光谱在λ波长处的高光谱反射率。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2022108090299 | 2022-07-11 | ||
| CN202210809029 | 2022-07-11 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115344997A true CN115344997A (zh) | 2022-11-15 |
| CN115344997B CN115344997B (zh) | 2024-05-31 |
Family
ID=83949721
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210932128.6A Active CN115344997B (zh) | 2022-07-11 | 2022-08-04 | 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115344997B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004032857A2 (en) * | 2002-10-08 | 2004-04-22 | Immunomedics, Inc. | Antibody therapy |
| AU2008229750A1 (en) * | 2008-10-01 | 2010-04-15 | O'Collins, Frank Anthony Mr | UCA Model |
| CN107505271A (zh) * | 2017-07-13 | 2017-12-22 | 北京农业信息技术研究中心 | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 |
| CN109060676A (zh) * | 2018-07-05 | 2018-12-21 | 中国水利水电科学研究院 | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 |
| CN110332957A (zh) * | 2019-07-12 | 2019-10-15 | 仲恺农业工程学院 | 一种农作物栽培信息处理系统及方法 |
| CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
| CN112884079A (zh) * | 2021-03-30 | 2021-06-01 | 河南大学 | 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法 |
| CN113049499A (zh) * | 2021-03-16 | 2021-06-29 | 深圳大学 | 水体总氮浓度间接遥感反演方法、存储介质和终端设备 |
| CN113268923A (zh) * | 2021-05-17 | 2021-08-17 | 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 |
| CN113490558A (zh) * | 2019-03-04 | 2021-10-08 | 日立金属株式会社 | 层叠造型用Ni基耐腐蚀合金粉末、使用所述粉末的层叠造型品的制造方法 |
-
2022
- 2022-08-04 CN CN202210932128.6A patent/CN115344997B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2004032857A2 (en) * | 2002-10-08 | 2004-04-22 | Immunomedics, Inc. | Antibody therapy |
| AU2008229750A1 (en) * | 2008-10-01 | 2010-04-15 | O'Collins, Frank Anthony Mr | UCA Model |
| CN107505271A (zh) * | 2017-07-13 | 2017-12-22 | 北京农业信息技术研究中心 | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 |
| CN109060676A (zh) * | 2018-07-05 | 2018-12-21 | 中国水利水电科学研究院 | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 |
| CN113490558A (zh) * | 2019-03-04 | 2021-10-08 | 日立金属株式会社 | 层叠造型用Ni基耐腐蚀合金粉末、使用所述粉末的层叠造型品的制造方法 |
| CN110332957A (zh) * | 2019-07-12 | 2019-10-15 | 仲恺农业工程学院 | 一种农作物栽培信息处理系统及方法 |
| CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
| CN113049499A (zh) * | 2021-03-16 | 2021-06-29 | 深圳大学 | 水体总氮浓度间接遥感反演方法、存储介质和终端设备 |
| CN112884079A (zh) * | 2021-03-30 | 2021-06-01 | 河南大学 | 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法 |
| CN113268923A (zh) * | 2021-05-17 | 2021-08-17 | 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 |
Non-Patent Citations (3)
| Title |
|---|
| NANA HAN 等: "Rapid Diagnosis of Nitrogen Nutrition Status in Summer Maize over Its Life Cycle by a Multi-Index Synergy Model Using Ground Hyperspectral and UAV Multispectral Sensor Data", pages 1 - 23, Retrieved from the Internet <URL:《网页在线公开：https://www.mdpi.com/2073-4433/13/1/122》> * |
| XINBING WANG等: "Evaluating model-based strategies for in-season nitrogen management of maize using weather data fusion", pages 1 - 12, Retrieved from the Internet <URL:《网页在线公开：https://www.sciencedirect.com/science/article/pii/S0168192321002483》> * |
| 翟勇全等: "基于无人机图像参数对滴灌条件下玉米氮素营养的动态诊断", 《中国农业气象》, no. 4, 27 April 2022 (2022-04-27), pages 308 - 320 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115344997B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| 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 | |
| CN114821362B (zh) | 一种基于多源数据的水稻种植面积提取方法 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN110874617B (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
| CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| CN113268923A (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
| CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| CN111242934B (zh) | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 | |
| CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
| CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
| CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
| Brambilla et al. | Application of a low-cost RGB sensor to detect basil (Ocimum basilicum L.) nutritional status at pilot scale level | |
| Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
| CN115684107B (zh) | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 | |
| CN115343249A (zh) | 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 | |
| Fan et al. | Using an optimized texture index to monitor the nitrogen content of potato plants over multiple growth stages | |
| Liao et al. | A double-layer model for improving the estimation of wheat canopy nitrogen content from unmanned aerial vehicle multispectral imagery | |
| CN114549881A (zh) | 一种基于区域渐变植被指数的小麦早期茎蘖数估测方法 | |
| Feng et al. | Monitoring leaf pigment status with hyperspectral remote sensing in wheat | |
| CN115344997B (zh) | 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |