CN115443889A - 作物精准灌溉方法及装置 - Google Patents
作物精准灌溉方法及装置 Download PDFInfo
- Publication number
- CN115443889A CN115443889A CN202211021876.5A CN202211021876A CN115443889A CN 115443889 A CN115443889 A CN 115443889A CN 202211021876 A CN202211021876 A CN 202211021876A CN 115443889 A CN115443889 A CN 115443889A
- Authority
- CN
- China
- Prior art keywords
- water
- target area
- crop
- canopy
- parameter
- 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
- 238000003973 irrigation Methods 0.000 title claims abstract description 85
- 230000002262 irrigation Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 53
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims description 17
- 230000005484 gravity Effects 0.000 claims description 10
- 230000003595 spectral effect Effects 0.000 description 18
- 240000008042 Zea mays Species 0.000 description 9
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 8
- 235000005822 corn Nutrition 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 239000003621 irrigation water Substances 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 208000005156 Dehydration Diseases 0.000 description 1
- 241001057636 Dracaena deremensis Species 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 239000000463 material Substances 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
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000013014 water-saving technology Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- 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
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Abstract
本发明涉及农业信息化领域,尤其涉及一种作物精准灌溉方法及装置。方法包括:采集目标区域的高光谱数据;将所述目标区域的高光谱数据输入水分参数反演模型,得到所述水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;基于所述目标区域的作物冠层水分参数的预测值,确定所述目标区域的目标灌溉量;其中,所述水分参数反演模型是通过样本区域的作物冠层水分参数和所述样本区域的高光谱数据训练得到的,所述作物冠层水分参数标签集是基于作物冠层覆盖度确定的。本发明可以实时预测作物水分盈亏状态,计算出每个目标区域的灌溉推荐量,可实现作物精准灌溉。
Description
技术领域
本发明涉及农业信息化领域,尤其涉及一种作物精准灌溉方法及装置。
背景技术
全球粮食灌溉种植区多数面临水资源短缺威胁,发达国家一直把发展节水技术作为农业可持续发展的重要措施,其中,提高农业用水利用效率是主要的研究目标。利用遥感技术提高灌溉精准度和农业节水管理水平是近年来快速发展的应用方向之一,利用遥感和作物模型在区域尺度下准确估算蒸散量、水分利用率可为科学灌溉制度提供依据。
近年来光谱诊断技术的快速发展,使叶片水分状况的无损实时监测成为可能。然而,现有的卫星遥感技术由于其空间和时间分辨率的不足,在精准农业应用上虽然可以实现作物水分状况的监测,但是其准确性和实效性难以保证,故不能实时获取作物的具体灌溉量,难以实现对不同区域精准灌溉。
发明内容
本发明提供一种作物精准灌溉方法及装置,用以解决现有技术中不能够实时监测作物水分情况并获取具体灌溉量的缺陷,实现对目标区域的精准灌溉。
本发明提供一种作物精准灌溉方法,包括:
采集目标区域的高光谱数据;
将所述目标区域的高光谱数据输入水分参数反演模型,得到所述水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
基于所述目标区域的作物冠层水分参数的预测值,确定所述目标区域的目标灌溉量;
其中,所述水分参数反演模型是通过样本区域的作物冠层水分参数和所述样本区域的高光谱数据训练得到的,所述作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
根据本发明提供的一种作物精准灌溉方法,所述基于所述目标区域的作物冠层水分参数的预测值,确定所述目标区域的目标灌溉量,包括:
确定所述目标区域的作物冠层水分参数的标准值;
基于所述目标区域的作物冠层水分参数的预测值和所述目标区域的作物冠层水分参数的标准值,确定所述目标区域的作物水分盈亏状态;
基于所述目标区域的作物水分盈亏状态,确定所述目标区域的目标灌溉量。
根据本发明提供的一种作物精准灌溉方法,所述基于所述目标区域的作物水分盈亏状态,确定所述目标区域的目标灌溉量,包括:
确定目标区域内目标产量下获得单位作物冠层水分参数所需的灌溉量;
基于所述目标产量下获得单位作物冠层水分参数所需的灌溉量和所述目标区域的作物水分盈亏状态,确定所述目标区域的目标灌溉量。
根据本发明提供的一种作物精准灌溉方法,确定所述样本区域的作物冠层水分参数,包括:
采集样本区域的无人机数码数据;
基于所述样本区域的无人机数码数据,确定所述样本区域的作物冠层覆盖度;
基于所述样本区域的作物冠层覆盖度,确定所述样本区域的作物冠层水分参数。
根据本发明提供的一种作物精准灌溉方法,所述作物冠层水分参数包括冠层等效水厚度和冠层可燃物含水率。
根据本发明提供的一种作物精准灌溉方法,所述基于所述样本区域的作物冠层覆盖度,确定所述样本区域的作物冠层水分参数,包括:
采集所述样本区域的叶片鲜重、叶片干重、叶片面积和水比重;
基于所述样本区域的作物冠层覆盖度、叶片鲜重、叶片干重、叶片面积和水比重,确定所述样本区域的冠层等效水厚度;
基于所述样本区域的作物冠层覆盖度、叶片鲜重和叶片干重,确定所述样本区域的冠层可燃物含水率。
本发明还提供一种作物精准灌溉装置,包括:
采集模块,用于采集目标区域的高光谱数据;
预测模块,用于将所述目标区域的高光谱数据输入水分参数反演模型,得到所述水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
输出模块,用于基于所述目标区域的作物冠层水分参数的预测值,确定所述目标区域的目标灌溉量;
其中,所述水分参数反演模型是通过样本区域的作物冠层水分参数和所述样本区域的高光谱数据训练得到的,所述作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述作物精准灌溉方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述作物精准灌溉方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述作物精准灌溉方法。
本发明提供的作物精准灌溉方法及装置,通过构建水分参数反演模型,可以克服目标区域内水分参数不易采集的问题,输出的目标区域的作物冠层水分参数的预测值可以有效克服单波段光谱预测精度较低的缺陷。同时,由于无人机成像技术可以更加快速地获取作物覆盖度,因此采用覆盖度,来构建作物冠层水分参数,相对于数据获取成本更低。另外本发明通过实时监测目标区域的高光谱数据可以实时预测目标区域的作物冠层水分参数,从而精确计算出每个目标区域的目标灌溉量,可实现作物精准灌溉决策。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,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是本发明实施例提供的作物精准灌溉方法的流程示意图;
图2是本发明实施例提供的基于最优光谱指数估算的水分指标与实测值的散点图之一;
图3是本发明实施例提供的基于最优光谱指数估算的水分指标与实测值的散点图之二;
图4是本发明实施例提供的目标区域夏玉米大喇叭口期灌溉量示意图;
图5是本发明实施例提供的作物精准灌溉装置的结构示意图;
图6是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
水分是植被的重要组成成分,一般植物体都含有60%-80%的水分。水是植物生存的物质条件,植被的光合、呼吸、蒸腾等生理作用、有机物的合成和分解过程等都必须在水分的参与下进行。水分盈亏直接影响作物的生长发育、产量高低和品质优劣。因此,准确快速地获取作物水分状况是进行评估作物长势和开展精准灌溉的前提。水分含量表征着植被水分胁迫生理状况,水分亏缺直接影响植被的生理生化过程,会引起叶片颜色、伸展姿态、形态结构、厚度等发生一系列的变化,从而影响着植被生长和发育,导致叶片、冠层光谱吸收和反射特征的变化。
叶片含水量是植株水分状况的良好度量和诊断指标,采用传统的测定方法测定叶片含水量存在测试时间长并具破坏性等缺陷。近年来光谱诊断技术的快速发展,使叶片水分状况的无损实时监测成为可能。为了对作物水分盈亏状态进行实时监测,进而精准控制目标区域的灌溉量,本发明实施例提出了一种作物精准灌溉方法,下面结合图1-图3对本发明方法进行描述。如图1所示,本发明实施例的作物精准灌溉方法,至少包括如下步骤:
步骤101、采集目标区域的高光谱数据;
步骤102、将目标区域的高光谱数据输入水分参数反演模型,得到水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
步骤103、基于目标区域的作物冠层水分参数的预测值,确定目标区域的目标灌溉量;
其中,水分参数反演模型是通过样本区域的作物冠层水分参数和样本区域的高光谱数据训练得到的,作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
针对步骤101,需要说明的是,当前用于监测作物水分的无人机成像影像主要为多光谱,相对于多光谱影像和热红外影像,高光谱成像仪波段更多,光谱分辨率更高,在作物表型参数估算方面有更好的应用。因此,本发明实施例选取目标区域的高光谱数据作为分析作物冠层水分参数的基础。通过无人机采集目标区域的高光谱图像,获得高光谱数据。
针对步骤102,需要说明的是,水分参数反演模型是将样本区域的作物冠层水分参数作为标签,将样本区域的高光谱数据作为训练集进行训练后得到的。样本区域的作物冠层水分参数是通过对无人机成像影像分析得到的。现有方法中,常通过叶面积指数确定作物冠层水分参数,将提取叶面积指数是监测作物冠层水分参数的前提,然而影像上直接获取LAI较为复杂。同时,LAI的精度会影响作物冠层水分参数的监测精度。冠层覆盖度(Canopy coverage,CC)和叶面积指数(Leaf area index,LAI)均是作物群体指标,均与作物的光合作用和蒸腾作用密切相关,是表征作物长势的关键参数。然而冠层覆盖度的获取方式较为简单,一般情况下可以通过分类的方式直接从无人机影像上计算得到。考虑到冠层覆盖度和LAI均是作物结构参数且覆盖度获取更为方便受外界干扰较小,本发明实施例中通过作物冠层覆盖度来确定作物冠层水分参数标签集。
本发明实施例的作物精准灌溉方法,可以实时监测作物水分盈亏状态,计算冠层水分参数与目标区域作物适宜水分参数值之间的差值,结合目标区域常规灌溉量,计算出每个管理分区的灌溉推荐量,可实现作物精准灌溉无人机决策。
可以理解的是,确定样本区域的作物冠层水分参数,包括:
采集样本区域的无人机数码数据;
基于样本区域的无人机数码数据,确定样本区域的作物冠层覆盖度;
基于样本区域的作物冠层覆盖度,确定样本区域的作物冠层水分参数。
需要说明的是,本发明实施例中无人机数码数据是指无人机数码影像。无人机成像技术作为低空遥感技术之一,对于地块尺度获取作物水分盈亏状态具有重要应用价值,其时效性、操作性更强,有效弥补了卫星遥感在精准农业应用上空间和时间分辨率的不足。因此,本实施例选用无人机数码数据来获取作物冠层覆盖度,方便快捷成本低,相较于通过LAI建立作物冠层水分参数,从成本核算方面考虑,数据获取成本更低。
另外,本实施例选取冠层覆盖度的原因还包括:覆盖度的获取较为简单,一般情况下可以通过分类的方式直接从无人机影像上计算得到作物冠层覆盖度。而从影像上直接获取LAI较为复杂,例如,对于玉米作物而言,可利用Beer-Lambert消光定律遥感反演玉米叶面积指数,但是该方法受归一化植被指数(normalized differential vegetation index,NDVI)的影响较大,且与所选土壤的NDVI值相关。NDVI需要近红外和红光波段才能获得,要求数据源必须有近红外波段。玉米后期群体过大时,NDVI易发生饱和现象。而冠层覆盖度仅需可见光波段就可以获得。
可以理解的是,作物冠层水分参数包括冠层等效水厚度和冠层可燃物含水率。
需要说明的是,作物冠层光谱是各种理化参数的综合反映,在反演叶片含水量时容易受到冠层结构参数的干扰,影响了反演精度。冠层等效水厚度和冠层可燃物含水量是为了提升冠层光谱对于作物水分状态的表征能力提出的水分参数。
可以理解的是,基于样本区域的作物冠层覆盖度,确定样本区域的作物冠层水分参数,包括:
采集样本区域的叶片鲜重、叶片干重和叶片面积;
需要说明的是,采集方法为:将玉米植株进行破坏性取样,迅速带回实验室进行测定。用直尺测量并记录每片叶的长和最大宽,随后将植株器官分离,分别称取各自鲜重(Fresh weight,FW)。采用Montgomery法计算玉米叶面积(Leaf area,LA),然后通过烘干称重法获取各器官干重(dry weight,DW)。水比重为1g·cm-3。基于样本区域的作物冠层覆盖度、叶片鲜重、叶片干重、叶片面积和水比重,确定样本区域的冠层等效水厚度;
基于样本区域的作物冠层覆盖度、叶片鲜重和叶片干重,确定目样本区域的冠层可燃物含水率。
需要说明的是,通过叶片鲜重和叶片干重可以确定叶片含水量,综合叶片含水量、叶片面积和水比重以及作物冠层覆盖度可以最终确定作物冠层水分参数。
冠层等效水厚度采用式(1)计算得到:
其中,CC表示作物冠层覆盖度,Im_EWTC表示冠层等效水厚度,单位为cm;FW表示叶片鲜重,单位为g;DW表示叶片干重,g;LA表示叶片面积(Leaf area,LA),cm2,dw表示水比重,单位为1g·cm-3。
冠层可燃物含水率采用式(2)计算得到:
其中,Im_EWTC表示冠层可燃物含水率。
可以理解的是,水分参数反演模型用于建立高光谱数据中较优的光谱指数和作物冠层水分参数的关系。
需要说明的是,高光谱数据的波段范围为450-950nm,缺少常见水分指数所用的波段。因此,本发明实施例在训练时,拟使用获取的125个波段任意组合构建光谱指数,结合相关性分析确定冠层光谱对冠层水分参数反演的核心波段,得到各水分参数相关性最优的光谱参数。将筛选出的较优的光谱指数与水分参量建立反演模型。
可以理解的是,基于目标区域的作物冠层水分参数的预测值,确定目标区域的目标灌溉量,包括:
确定目标区域的作物冠层水分参数的标准值;
基于目标区域的作物冠层水分参数的预测值和目标区域的作物冠层水分参数的标准值,确定目标区域的作物水分盈亏状态;
基于目标区域的作物水分盈亏状态,确定目标区域的目标灌溉量。
需要说明的是,本发明实施例通过分析不同灌溉水平下的作物冠层水分参数随着生育进程推进的变化规律,选取冠层等效水厚度和冠层可燃物含水率作为表征作物水分盈亏状态的生长指标。通过对当地农技推广人员的广泛调研,确定监测区域高产目标下的冠层等效水厚度和冠层可燃物含水率随着生育期推进的适宜动态曲线。标准值是根据多年获取目标产量情况的用水量构建的适宜性需水量曲线,某个时间点下的适宜需水量即为当下的标准值。在灌溉窗口期采用无人机实时获取地块内的作物冠层水分参数,将标准值与预测值进行对比,根据两者之间的差距确定作物水分盈亏状态,进而计算出该地块内的精准灌溉量。
可以理解的是,基于目标区域的作物水分盈亏状态,确定目标区域的目标灌溉量,包括:
确定目标区域内目标产量下获得单位作物冠层水分参数所需的灌溉量;
基于目标产量下获得单位作物冠层水分参数所需的灌溉量和目标区域的作物水分盈亏状态,确定目标区域的目标灌溉量。
需要说明的是,本发明实施例中按照公式(3)计算目标灌溉量FWR:
FWR=(WI标准-WI预测)*LWD△WI 式(3)
其中,FWR表示灌溉推荐量,单位为立方米/亩,WI标准表示目标产量下某个灌溉窗口期的作物标准冠层水分参数,目标产量是当地农业技术专家根据作物品种适应当地气候条件确定的值,一般为正常年份当地该品种80%田块可以达到的平均单产水平。WI预测表示某个灌溉窗口期的无人机预测的冠层水分参数,由无人机采集的高光谱数据通过上述预测方法的水分参数反演模型获取;WI=f(VI),LWD△WI=TWD/WI标准,LWD△WI表示目标产量下获得单位水分参数所需的灌溉水量,单位为立方米/亩,TWD表示获得目标产量时该灌溉窗口所需的灌溉总水量,VI表示光谱参数,依据目标产量下的适宜性需水量由用户设定,单位为立方米/亩。
可以理解的是,玉米作为世界上最重要的粮食作物之一,广泛使用于食品、饲料、能源、化工等行业,研究玉米的作物灌溉决策对于粮食产量有着重大意义。因此,在本实施例中目标区域的作物为玉米,采集了492个玉米育种小区内的无人机数码影像和无人机高光谱影像进行研究分析。
首先将获取的无人机高光谱影像进行拼接,并基于数码影像计算各小区冠层覆盖度、提取无人机高光谱影像上高光谱波段反射率。然后,分别计算出改进后的水分参数。随后筛选出各水分参数的最优光谱指数,利用线性回归构建模型,采用决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)3个指标对水分参数反演模型进行精度评价。
采用的光谱指数包括:归一化光谱指数(Normalized difference spectralindex,NDSI)、比值光谱指数(Ratio spectral index,RSI)、差值植被指数(Differencevegetation index,DVI)和优化土壤调节植被指数(Optimized soil adjustedvegetation index,OSAVI)。光谱指数中的x和y分别为450-950nm波段内125个波段中任意2个波段对应的光谱反射率。
从图2和图3两种水分指标的基于最优光谱指数估算的水分指标与实测值的散点图可看出:各模型预测值和实测值均接近于1:1趋势线。各指标训练集和测试集均取得了好的结果如表1所示。其中,表现最优的是Im_FMCc且模型精度较稳定,建模集R2=0.856,RMSE=0.054,MAE=0.040,验证集R2=0.855,RMSE=0.054,MAE=0.040。结果表明改进的水分参数表现均较好,说明本发明实施例的方法能够高效准确的预测作物水分状况,可作为判断水分盈亏状态定量表征指标。
表1各水分参数与最优光谱指数所建模型的结果
利用无人机高光谱影像根据上述方法预测目标区域每个管理单元的冠层水分参数,再根据式(3)计算出每个管理单元目标区域的精准灌溉水量,如图4所示。
下面对本发明提供的作物精准灌溉装置进行描述,下文描述的作物精准灌溉装置与上文描述的作物精准灌溉方法可相互对应参照。如图5所示,本发明实施例公开了一种作物精准灌溉装置,包括:
采集模块501,用于采集目标区域的高光谱数据;
预测模块502,用于将目标区域的高光谱数据输入水分参数反演模型,得到水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
输出模块503,用于基于目标区域的作物冠层水分参数的预测值,确定目标区域的目标灌溉量;
其中,水分参数反演模型是通过样本区域的作物冠层水分参数和样本区域的高光谱数据训练得到的,作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
本发明提供的作物精准灌溉装置,通过构建水分参数反演模型,可以克服目标区域内水分参数不易采集的问题,输出的目标区域的作物冠层水分参数的预测值可以有效克服单波段光谱预测精度较低的缺陷。同时,由于无人机成像技术可以更加快速地获取作物覆盖度,因此采用覆盖度,来构建作物冠层水分参数,相对于数据获取成本更低。另外本发明通过实时监测目标区域的高光谱数据可以实时预测目标区域的作物冠层水分参数,从而精确计算出每个目标区域的目标灌溉量,可实现作物精准灌溉决策。
可以理解的是,确定样本区域的作物冠层水分参数,包括:
采集样本区域的无人机数码数据;
基于样本区域的无人机数码数据,确定样本区域的作物冠层覆盖度;
基于样本区域的作物冠层覆盖度,确定样本区域的作物冠层水分参数。
可以理解的是,作物冠层水分参数包括冠层等效水厚度和冠层可燃物含水率。
可以理解的是,基于样本区域的作物冠层覆盖度,确定样本区域的作物冠层水分参数,包括:
采集样本区域的叶片鲜重、叶片干重、叶片面积和水比重;
基于样本区域的作物冠层覆盖度、叶片鲜重、叶片干重、叶片面积和水比重,确定样本区域的冠层等效水厚度;
基于样本区域的作物冠层覆盖度、叶片鲜重和叶片干重,确定目样本区域的冠层可燃物含水率。
可以理解的是,基于目标区域的作物冠层水分参数的预测值,确定目标区域的目标灌溉量,包括:
确定目标区域的作物冠层水分参数的标准值;
基于目标区域的作物冠层水分参数的预测值和目标区域的作物冠层水分参数的标准值,确定目标区域的作物水分盈亏状态;
基于目标区域的作物水分盈亏状态,确定目标区域的目标灌溉量。
可以理解的是,基于目标区域的作物水分盈亏状态,确定目标区域的目标灌溉量,包括:
确定目标区域内目标产量下获得单位作物冠层水分参数所需的灌溉量;
基于目标产量下获得单位作物冠层水分参数所需的灌溉量和目标区域的作物水分盈亏状态,确定目标区域的目标灌溉量。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行作物精准灌溉方法,该方法包括:
采集目标区域的高光谱数据;
将目标区域的高光谱数据输入水分参数反演模型,得到水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
基于目标区域的作物冠层水分参数的预测值,确定目标区域的目标灌溉量;
其中,水分参数反演模型是通过样本区域的作物冠层水分参数和样本区域的高光谱数据训练得到的,作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,计算机程序被处理器执行时,计算机能够执行上述各方法所提供的作物精准灌溉方法,该方法包括:
采集目标区域的高光谱数据;
将目标区域的高光谱数据输入水分参数反演模型,得到水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
基于目标区域的作物冠层水分参数的预测值,确定目标区域的目标灌溉量;
其中,水分参数反演模型是通过样本区域的作物冠层水分参数和样本区域的高光谱数据训练得到的,作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的作物精准灌溉方法,该方法包括:
采集目标区域的高光谱数据;
将目标区域的高光谱数据输入水分参数反演模型,得到水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
基于目标区域的作物冠层水分参数的预测值,确定目标区域的目标灌溉量;
其中,水分参数反演模型是通过样本区域的作物冠层水分参数和样本区域的高光谱数据训练得到的,作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种作物精准灌溉方法,其特征在于,包括:
采集目标区域的高光谱数据;
将所述目标区域的高光谱数据输入水分参数反演模型,得到所述水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
基于所述目标区域的作物冠层水分参数的预测值,确定所述目标区域的目标灌溉量;
其中,所述水分参数反演模型是通过样本区域的作物冠层水分参数和所述样本区域的高光谱数据训练得到的,所述作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
2.根据权利要求1所述的作物精准灌溉方法,其特征在于,所述基于所述目标区域的作物冠层水分参数的预测值,确定所述目标区域的目标灌溉量,包括:
确定所述目标区域的作物冠层水分参数的标准值;
基于所述目标区域的作物冠层水分参数的预测值和所述目标区域的作物冠层水分参数的标准值,确定所述目标区域的作物水分盈亏状态;
基于所述目标区域的作物水分盈亏状态,确定所述目标区域的目标灌溉量。
3.根据权利要求2所述的作物精准灌溉方法,其特征在于,所述基于所述目标区域的作物水分盈亏状态,确定所述目标区域的目标灌溉量,包括:
确定目标区域内目标产量下获得单位作物冠层水分参数所需的灌溉量;
基于所述目标产量下获得单位作物冠层水分参数所需的灌溉量和所述目标区域的作物水分盈亏状态,确定所述目标区域的目标灌溉量。
4.根据权利要求1所述的作物精准灌溉方法,其特征在于,确定所述样本区域的作物冠层水分参数,包括:
采集样本区域的无人机数码数据;
基于所述样本区域的无人机数码数据,确定所述样本区域的作物冠层覆盖度;
基于所述样本区域的作物冠层覆盖度,确定所述样本区域的作物冠层水分参数。
5.根据权利要求4所述的作物精准灌溉方法,其特征在于,所述作物冠层水分参数包括冠层等效水厚度和冠层可燃物含水率。
6.根据权利要求5所述的作物精准灌溉方法,其特征在于,所述基于所述样本区域的作物冠层覆盖度,确定所述样本区域的作物冠层水分参数,包括:
采集所述样本区域的叶片鲜重、叶片干重、叶片面积和水比重;
基于所述样本区域的作物冠层覆盖度、叶片鲜重、叶片干重、叶片面积和水比重,确定所述样本区域的冠层等效水厚度;
基于所述样本区域的作物冠层覆盖度、叶片鲜重和叶片干重,确定所述样本区域的冠层可燃物含水率。
7.一种作物精准灌溉装置,其特征在于,包括:
采集模块,用于采集目标区域的高光谱数据;
预测模块,用于将所述目标区域的高光谱数据输入水分参数反演模型,得到所述水分参数反演模型输出的目标区域的作物冠层水分参数的预测值;
输出模块,用于基于所述目标区域的作物冠层水分参数的预测值,确定所述目标区域的目标灌溉量;
其中,所述水分参数反演模型是通过样本区域的作物冠层水分参数和所述样本区域的高光谱数据训练得到的,所述作物冠层水分参数标签集是基于作物冠层覆盖度确定的。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述作物精准灌溉方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述作物精准灌溉方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述作物精准灌溉方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021876.5A CN115443889A (zh) | 2022-08-24 | 2022-08-24 | 作物精准灌溉方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211021876.5A CN115443889A (zh) | 2022-08-24 | 2022-08-24 | 作物精准灌溉方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115443889A true CN115443889A (zh) | 2022-12-09 |
Family
ID=84299346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211021876.5A Pending CN115443889A (zh) | 2022-08-24 | 2022-08-24 | 作物精准灌溉方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115443889A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050679A (zh) * | 2023-04-03 | 2023-05-02 | 中化现代农业有限公司 | 灌溉决策方法、装置和电子设备 |
CN116210571A (zh) * | 2023-03-06 | 2023-06-06 | 广州市林业和园林科学研究院 | 一种立体绿化遥感智能灌溉方法及系统 |
CN116380708A (zh) * | 2023-02-22 | 2023-07-04 | 北京市农林科学院智能装备技术研究中心 | 灌溉量预测方法、装置、系统、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016154482A1 (en) * | 2015-03-25 | 2016-09-29 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
CN107133882A (zh) * | 2017-05-19 | 2017-09-05 | 苏州润文生态科技有限公司 | 生态灌区智能高效管理系统 |
CN211960395U (zh) * | 2020-01-10 | 2020-11-20 | 中国农业科学院作物科学研究所 | 一种现代化农业精准灌溉系统 |
CN114429592A (zh) * | 2021-12-30 | 2022-05-03 | 山东浪潮工业互联网产业股份有限公司 | 一种基于人工智能的自动灌溉方法及设备 |
CN114897423A (zh) * | 2022-06-06 | 2022-08-12 | 河海大学 | 基于作物水分指示线的农田灌溉概率指数计算方法 |
-
2022
- 2022-08-24 CN CN202211021876.5A patent/CN115443889A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016154482A1 (en) * | 2015-03-25 | 2016-09-29 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
CN107133882A (zh) * | 2017-05-19 | 2017-09-05 | 苏州润文生态科技有限公司 | 生态灌区智能高效管理系统 |
CN211960395U (zh) * | 2020-01-10 | 2020-11-20 | 中国农业科学院作物科学研究所 | 一种现代化农业精准灌溉系统 |
CN114429592A (zh) * | 2021-12-30 | 2022-05-03 | 山东浪潮工业互联网产业股份有限公司 | 一种基于人工智能的自动灌溉方法及设备 |
CN114897423A (zh) * | 2022-06-06 | 2022-08-12 | 河海大学 | 基于作物水分指示线的农田灌溉概率指数计算方法 |
Non-Patent Citations (2)
Title |
---|
SHU MEIYAN等: "Improved estimation of canopy water status in maize using UAV-based digital and hyperspectral images", COMPUTERS AND ELECTRONICS IN AGRICULTURE, vol. 197, pages 5 - 10 * |
西北农业大学农业水土工程研究所,农业部农业水土工程重点开放实验室: "《西北地区农业节水与水资源持续利用》", 中国农业出版社, pages: 125 - 128 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116380708A (zh) * | 2023-02-22 | 2023-07-04 | 北京市农林科学院智能装备技术研究中心 | 灌溉量预测方法、装置、系统、设备及介质 |
CN116380708B (zh) * | 2023-02-22 | 2024-02-06 | 北京市农林科学院智能装备技术研究中心 | 灌溉量预测方法、装置、系统、设备及介质 |
CN116210571A (zh) * | 2023-03-06 | 2023-06-06 | 广州市林业和园林科学研究院 | 一种立体绿化遥感智能灌溉方法及系统 |
CN116210571B (zh) * | 2023-03-06 | 2023-10-20 | 广州市林业和园林科学研究院 | 一种立体绿化遥感智能灌溉方法及系统 |
CN116050679A (zh) * | 2023-04-03 | 2023-05-02 | 中化现代农业有限公司 | 灌溉决策方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Estimating leaf functional traits by inversion of PROSPECT: Assessing leaf dry matter content and specific leaf area in mixed mountainous forest | |
Li et al. | WREP: A wavelet-based technique for extracting the red edge position from reflectance spectra for estimating leaf and canopy chlorophyll contents of cereal crops | |
CN109115725B (zh) | 一种玉米冠层lai和叶绿素含量联合反演方法和设备 | |
CN115443889A (zh) | 作物精准灌溉方法及装置 | |
Lee et al. | Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis | |
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 | |
Qi et al. | Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Gholizadeh et al. | Multi‐temporal assessment of grassland α‐and β‐diversity using hyperspectral imaging | |
Wang et al. | Estimating dry matter content from spectral reflectance for green leaves of different species | |
CN110455722A (zh) | 橡胶树叶片磷含量高光谱反演方法和系统 | |
CN112858632B (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
Zhang et al. | Estimating wheat yield by integrating the WheatGrow and PROSAIL models | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN109754127A (zh) | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 | |
Shu et al. | Improving the estimation accuracy of SPAD values for maize leaves by removing UAV hyperspectral image backgrounds | |
Wang et al. | Assessing canopy nitrogen and carbon content in maize by canopy spectral reflectance and uninformative variable elimination | |
Chen et al. | Retrieval of cotton plant water content by UAV-based vegetation supply water index (VSWI) | |
CN112903606B (zh) | 一种基于无人机高光谱的红树林生态恢复力评估方法 | |
Pereira et al. | Nitrogen variability assessment of pasture fields under an integrated crop-livestock system using UAV, PlanetScope, and Sentinel-2 data | |
CN108106676A (zh) | 一种基于遥感数据的农作物晚霜冻害的监测方法和装置 | |
CN114372707A (zh) | 一种基于遥感数据的高寒湿地退化程度监测方法 | |
Ji et al. | Multiscale leaf area index assimilation for Moso bamboo forest based on Sentinel-2 and MODIS data | |
Yu et al. | Improving sugarcane growth simulations by integrating multi-source observations into a crop model | |
Hajeb et al. | Simultaneous retrieval of sugarcane variables from Sentinel-2 data using Bayesian regularized neural network |
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 |