CN115984718B - 灌区水稻需水信息感知及灌溉决策方法 - Google Patents
灌区水稻需水信息感知及灌溉决策方法 Download PDFInfo
- Publication number
- CN115984718B CN115984718B CN202211546471.3A CN202211546471A CN115984718B CN 115984718 B CN115984718 B CN 115984718B CN 202211546471 A CN202211546471 A CN 202211546471A CN 115984718 B CN115984718 B CN 115984718B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- water
- rice
- remote sensing
- aerial vehicle
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种灌区水稻需水信息感知及灌溉决策的方法,包括:1)按照设定的频次,通过无人机遥感系统获取代表性稻田区域的水稻冠层遥感影像;2)结合无人机遥感系统的工作区域,在稻田布设监测点位,获取稻田实测水分数据;3)识别无人机遥感系统的工作区域内水稻水分状况;4)判断该工作区域内是否需要灌溉,若是,则直接进行灌溉作业;若否,则进行步骤5);5)结合无人机遥感系统的工作区域的气象资料及天气预报对田间水分进行预测,获取田间水分预测结果;6)进行数据融合,根据融合结果明确稻田灌溉量,实现灌区水稻灌溉决策。本发明具有可科学优化灌区的灌溉决策过程的优点。
Description
技术领域
本发明属于农业节水灌溉技术领域,涉及一种灌区水稻需水信息感知及灌溉决策的方法,尤其涉为一种可应用于农业用水管理、灌区管理以及农业遥感等方面的基于无人机遥感和多源数据结合的灌区水稻需水信息感知及灌溉决策的方法。
背景技术
进入新时期,水利部提出了新阶段水利高质量发展六条实施路径,智慧水利作为路径之一,以构建数字孪生流域为核心,全面推进算据、算法、算力建设,加快构建具有预报、预警、预演、预案功能的智慧水利体系。灌区是农业和农村经济发展的重要基础设施,是我国农产品的重要生产基地。同时,灌区也是各大流域及国家水网工程的重要组成。在数字孪生流域的背景下,建设数字灌区,推进“四预”能力向灌区尺度及管理场景的精准应用,开展取供用耗排全过程智慧化模拟、支撑精准化灌溉决策,具有重要的现实意义。
目前,国家启动了大型灌区现代化改造工作,对灌区用水效率及管理调度水平提出了更高要求。水稻作为我国南方灌区的主要种植作物,传统稻田管理模式灌溉用水量较大,在灌区实际灌溉管理中,农户依据各自经验判断稻田水分状况,将灌水需求上报灌区管理处后,灌区工作人员汇总用水需求,依据工作经验设置渠系配水方案并通知至村组及农户。农民确定稻田水分状况时缺少数据支撑,多为主观经验判断,且主动采用水稻节水灌溉技术的意识相对薄弱,存在较大的节水潜力。作物的需水诊断是实现精量灌溉的前提,实时准确的获取灌区水稻的需水信息并开展科学的灌溉决策,对于提高灌溉用水效率和优化灌区水资源配置具有重要意义。
在作物需水信息感知上,国内外学者基于田间试验,围绕土壤水分状况、作物生理信息和气象条件等指标开展了大量研究工作,信息获取的准确性较高,但传统的原位观测方法因布设成本高、代表性较差、设备管理维护难度高等弊端,无法在灌区尺度大面积应用。得益于卫星遥感的迅速发展,基于星载的光谱技术已经成功地应用于宏观农情监测,弥补了原位观测适用范围小的缺点,但同时卫星遥感存在影像分辨率低、重现期较长等缺点,受到云雨的影响,在作物关键生育期对指定区域作物进行遥感监测,卫星遥感往往难以满足需求。无人机作为平台搭载有效载荷能够实时快速地获取遥感数据,从根本上解决了卫星遥感技术由于时间重现期长、空间分辨率低而引起的技术问题,使农情监测更加精细化,在农业生产中应用更广。
在灌溉决策上,水稻需水是土壤水分条件和外部环境条件的综合影响结果,若只考虑其中的一个因素进行灌溉决策可能存在一定的风险。鉴于单项指标决策的局限性,众多学者开始考虑利用多源信息进行融合,以期从多信息融合的角度来提高获取信息的能力,通过对不同来源的农业数据进行分析与综合,产生对灌溉决策的一致性解释和描述,消除信息之间可能存在的冗余和矛盾,降低灌溉决策的不确定性,进而提高灌溉决策的可靠性。
发明内容
发明目的:本发明所要解决的技术问题是提供了一种可科学优化灌区灌溉决策过程的方法。
技术方案:为了解决上述技术问题,本发明提供了一种灌区水稻需水信息感知及灌溉决策的方法,包括以下步骤:
1)按照设定的频次,通过无人机遥感系统周期性获取代表性稻田区域的水稻冠层遥感影像;
2)结合无人机遥感系统的工作区域,在稻田布设监测点位,获取稻田实测水分数据;
3)根据步骤1)的结果以及步骤2)的结果识别代表性稻田区域内的水稻水分状况;
4)根据步骤3)所得到的水稻水分状况判断该区域内稻田是否需要灌溉,若是,则直接进行灌溉作业;若否,则进行步骤5);
5)结合区域气象资料及天气预报对稻田田间水分状况进行预测;
6)将步骤1)得到的水稻冠层的遥感影像、步骤2)得到的监测点位稻田实测水分数据、步骤3)所得到的工作区域内水稻水分状况以及步骤5)所得到的田间水分预测结果进行数据融合,根据融合结果明确稻田灌溉量,实现灌溉决策。
作为优选,本发明所采用的无人机遥感系统包括无人机平台以及设置在无人机平台上的机载光谱成像仪;所述无人机平台是M300 RTK;所述机载光谱成像仪是MS600 Pro。
作为优选,本发明所采用的步骤1)的具体实现方式是:
1.1)根据灌区渠系分布以及灌溉农田空间分布特征等,确定具有代表性的稻田作为无人机遥感系统的工作区域;所述无人机遥感系统的工作区域是将无人机平台在天气晴朗且无云的条件下由闭合飞行航线所形成的区域;
1.2)获取步骤1.1)所确定的无人机遥感系统的工作区域的稻田灌溉前水稻冠层光谱影像;
1.3)对稻田灌溉前水稻冠层光谱影像进行预处理,获取稻田灌溉前水稻冠层的遥感影像;所述预处理的方式是图像配准、影像拼接和辐射校正、相机参数进行初始化处理、空中三角测量、概略DSM、单片正射影像以及镶嵌正射影像。
作为优选,本发明所采用的步骤2)的具体实现方式是:根据无人机遥感系统的工作区域,均匀地在工作区域内布设监测点位,所述监测点位包括用于观测稻田水分状况的TDR以及用于观测水稻叶片含水量信息的光合仪;所述光合仪的型号是LI-6800。
作为优选,本发明所采用的步骤3)的具体实现方式是:
3.1)基于步骤1)所获取得到的稻田灌溉水稻冠层的遥感影像构建植被水分指数,所述植被水分指数的表达形式是:
其中:
R代表红光的反射率;
NIR代表近红外波段的反射率;
3.2)采用支持向量机算法建立拟合回归函数,得到植被水分指数与田间水分的转换函数关系,将植被水分指数转换为田间水分w1;
3.3)根据植被水分指数确定灌溉阈值;
3.4)根据灌溉阈值识别无人机遥感系统的工作区域内水稻水分状况。
作为优选,本发明所采用的步骤3.3)的具体实现方式是:
3.3.1)计算工作区域内灌溉前后的植被水分指数OSAVI1和OSAVI2,其中,OSAVI1为灌溉前植被水分指数;OSAVI2为灌溉后植被水分指数;
3.3.2)获取工作区域内灌溉前后的植被水分指数的差值ΔOSAVI,其中,
ΔOSAVI=OSAVI2-OSAVI1;
3.3.3)根据步骤3.3.2)获取得到的差值确定灌溉阈值。
作为优选,本发明所采用的步骤3.4)的具体实现方式是:当植被水分指数的差值大于灌溉阈值时,表明此时作物含水量较低,识别得到无人机遥感系统的工作区域应当进行灌溉;当小于临界值时,表明此时作物含水量较高,识别得到无人机遥感系统的工作区域当前不需要灌溉。
作为优选,本发明所采用的步骤5)的具体实现方式是:
5.1)根据历史气象数据获取参照作物需水量;
5.2)根据步骤5.1)的结果计算无人机遥感系统的工作区域内水稻实际需水量;
5.3)根据步骤5.2)的结果预测无人机遥感系统的工作区域内田间水分,得到田间水分预测结果。
作为优选,本发明所采用的步骤5.1)的具体实现方式是:
5.1.1)搜集工作区域所在地的历史气象数据,所述历史气象数据包括最高气温、最低气温、平均气温、相对湿度、平均风速和日照时数;
5.1.2)从中国天气官方网站获取工作区域所在地的天气预报数据,所述天气预报数据包括日最高气温、最低气温和日降雨量;
5.1.3)根据历史气象数据以及天气预报数据建立BP-ET0神经网络模型,具体是:选取历史气象数据中每天最高温度、最低温度以及该天的日序数作为输入层因子,以ET0为输出层,将输出的ET0,BP与FAO-56 Penman-Montieth方法计算出的ET0,PM进行比较,得以训练BP-ET0神经网络模型;所述FAO-56 Penman-Montieth方法的表达式是:
式中:
ET0为参照作物需水量,mm/d;
Rn为作物表面的净辐射,MJ/(M2·d);
G土壤热通量MJ/(M2·d);
T为地面以上2m高处日平均温度,℃;
μ2为地面以上2m高处的风速,m/s;
es为饱合水汽压,kPa;
ea为实际水汽压,kPa;
es-ea为饱合水汽压差,kPa;
Δ为饱和水汽压曲线斜率,kpa/℃;
γ为湿度计常数,kpa/℃;
5.1.4)根据BP-ET0神经网络模型获取参照作物需水量ET0。
作为优选,本发明所采用的步骤5.2)的具体实现方式是:
对步骤5.1)获取得到的水稻蒸发蒸腾量进行修正,得到作物实际需水量ETc,所述修正的具体方式是:
ETc=kc·ET0
其中:
ET0是参照作物需水量,mm/d;
kc是作物系数,所述kc是采用FAO-56中分段单值平均法进行分析计算;
所述ETc是作物实际需水量,mm/d;
所述步骤5.3)的具体实现方式是:
w1+P+m-ETc-d=w2
式中:
w1为时段初田间水分,用土壤水分/田面水层深度表示;所述时段初是无人机获取遥感影像的初始时间,所述w1是根据植被水分指数与田间水分的转换函数关系将植被水分指数转换得到的;
w2为时段末田间水分,由土壤水分/田面水层深度表示;
P为时段内降雨量;
d为时段内排水量;
m为时段内的灌水量;ETc为作物实际需水量,mm/d。
有益效果:与现有技术相比,本发明的优点是:本发明提供了一种灌区水稻需水信息感知及灌溉决策的方法,该方法针对灌溉水稻用水情况复杂,灌溉决策难以科学判定的问题,利用无人机遥感、田间墒情监测和天气预报等多源数据,根据田间水分状况及需灌水量,科学划定灌溉阈值,并结合田间水量平衡关系,推求预见期内田间水分状况,实现未来5天内灌溉决策及适宜水量推算,科学优化灌区的灌溉决策过程。
附图说明
图1是本发明所提供的灌区水稻需水信息感知及灌溉决策的方法的流程示意图;
图2是基于本发明所提供的方法进行灌溉水量的结果图。
具体实施方式
本发明的实施案例位于高邮灌区南关干渠。高邮灌区位于江苏省高邮市,是典型的南方自流渠灌区,灌区地势平缓,水稻是灌区内主要用水户。通过本技术方案的实施,可以有效开展灌区水稻需水信息感知及灌溉决策,具体实施步骤如下。
步骤一、无人机遥感系统搭建、数据获取和预处理
无人机遥感系统由无人机平台(M300 RTK)、机载光谱成像仪(MS600 Pro)及若干附件组成,用于测定水稻冠层光谱,光谱图像采集六通道分别为455nm、555nm、660nm、720nm、750nm、840nm。
确定工作区域,将机载光谱成像仪搭载在无人机平台上,选择天气晴朗且无云的条件下开展,设置飞行高度、飞行速度、规划工作区域飞行航线,根据设定的频次,周期性(例如,一周一次,同时考虑到水稻的生育期是在夏天,下雨也比较频繁,因此周期性是按照一周一次的频率,结合雨天进行推后或提前)的获取稻田灌溉前后水稻冠层的遥感影像。
采用Yusense Map软件对无人机飞行的水稻冠层光谱影像进行预处理,主要包括图像配准、影像拼接和辐射校正,设置相机参数进行初始化处理、空中三角测量、概略DSM、单片正射影像、镶嵌正射影像等操作。
步骤二、实测样点布置
结合工作区域与步骤一获取的遥感影像,均匀地在工作区域内布设监测点位,在无人机遥感系统获取遥感影像时,同步采用便携式TDR观测稻田水分状况和LI-6800光合仪观测水稻叶片含水量信息。
步骤三、基于无人机遥感影像与实测数据的水稻水分状况识别
3.1)基于无人机遥感数据构建植被水分指数。本实施例采用优化土壤调节植被水分指数OSAVI、抗大气指数VARI和归一化绿红差值指数NGRDI三个植被水分指数,与实测样点数据值建模,筛选最优指数,其中:
其中:B、G、R、NIR分别代表蓝、绿、红、近红外波段的反射率,分别对应MS600Pro光谱成像仪455nm,555nm,660nm和840nm的反射率。
3.2)植被水分指数与田间水分的转化。通过随机森林算法进行三种植被水分指数与稻田实测田间水层深度、土壤含水率的相关性分析,选用三种植被水分指数中反演精度最高的植被水分指数用于田间水分表征,采用支持向量机算法建立拟合回归函数,可得到植被水分指数与田间水分的转换函数关系,实现二者的转换。
3.3)划定灌溉阈值。将上述计算的三种植被水分指数与水稻叶片实测含水量建立机器学习,计算灌水前后植被水分指数,选用三种植被水分指数中反演水稻叶片含水量精度最高的植被水分指数OSAVI,用于表征水稻叶片含水量。计算出灌水前后的植被水分指数OSAVI1和OSAVI2,并计算灌水前后植被水分指数差值ΔOSAVI。
ΔOSAVI=OSAVI2-OSAVI1
式中:OSAVI2为灌溉后相关植被水分指数;OSAVI1为灌溉前相关植被水分指数。
结合每个发生灌溉行为的采样点的平均计算结果,对相关植被水分指数的变化值进行分析,得到适合的灌溉阈值,当指数差值大于灌溉阈值时,表明此时作物含水量较之前变低,该区域属于未灌溉状态;当小于临界值时,表明此时作物含水量较高,该处已进行了灌溉,利用反演的灌溉面积与实际灌溉面积对比,验证选择的临界值的精度。将验证后的临界值代入其他次的灌溉过程,反演灌溉面积对比实际灌溉面积,验证该方法的精度。灌溉阈值的确定一方面是根据实测样点的灌水情况,统计实测样点中的灌溉点与非灌溉点,测定灌溉点位和非灌溉点位土壤水分,比较灌溉点位与非灌溉点位对应位置的植被水分差值,分析采用植被水分差值,可区分灌溉点位与非灌溉点位,而初步确定了灌溉阈值。另一方面,将上述实测样点所确定的植被水分指数的灌溉阈值带入到整个区域中,并小幅度变化,当临界值达到某一值时,灌溉面积出现明显变化,即为灌溉阈值。
步骤四、基于天气预报的作物需水及田间水分状况预测
1.水稻蒸发蒸腾量预报
资料搜集与准备。搜集灌区所在地的历史气象数据,包括最高气温、最低气温、平均气温、相对湿度、平均风速和日照时数;从“中国天气”网站(http://www.weather.com.cn)获取数值天气预报数据,包括日最高气温、最低气温和日降雨量,根据天气预报接口地址输入请求参数,返回所需气象数据。
建立BP-ET0神经网络模型。选取每天最高、最低温度,另外考虑了参考作物腾发量在时间序列上的规律性,加入了该天的日序数,将这3个因子作为输入层因子,以ET0为输出层,输出的ET0,BP与FAO-56 Penman-Montieth方法计算出的ET0,PM进行比较以训练网络。此神经网络的隐含层采用试算法确定,经过比较优选确定网络隐含层单元个数为10,由此形成一个具有3个输入层单元,10个隐含层单元1个输出层单元的3层BP-ET0神经网络。
式中:ET0为参照作物需水量,mm/d;Rn为作物表面的净辐射,MJ/(M2·d);G土壤热通量MJ/(M2·d);T为地面以上2m高处日平均温度,℃;μ2为地面以上2m高处的风速,m/s;es为饱合水汽压,kPa;ea为实际水汽压,kPa;es-ea为饱合水汽压差,kPa;Δ为饱和水汽压曲线斜率,kpa/℃;γ为湿度计常数,kpa/℃。
未来5天参考作物腾发量预报。采用从“中国天气”搜集的高邮灌区未来5天逐日最高和最低气温预报数据,输入训练好的网络,得到5组预见期分别为1-5天的ET0,BP预报数据。
2.水稻实际需水量的计算
根据上述确定参照作物需水量ET0后,采用作物系数kc对ET0进行修正,得到作物实际需水量ETc,即
ETc=kc·ET0
式中:ETc与ET0单位相同。作物系数kc值采用FAO-56中分段单值平均法进行分析计算。
3.稻田水分预测
在水稻生育期中任何一个时段内,农田水分的变化决定于该时段内的来水和耗水之间的消长,采用用水量平衡方程(7)表示:
w1+P+m-ET-d=w2
式中:w1为时段初田间水分,用土壤水分/田面水层深度表示,采用随机森林算法,建立拟合回归函数,可得到植被水分指数与田间水分的转换函数关系,即通过植被水分指数转换得到田间水分w1;w2为时段末田间水分,由土壤水分/田面水层深度表示;P为时段内降雨量;d为时段内排水量;m为时段内的灌水量;ET为时段内作物实际蒸发蒸腾量。
步骤五、多源数据融合的灌溉决策
综合考虑光谱信息、土壤水分、气象数据等直接、间接数据对水稻水分亏缺的反映,进行多源数据融合。结合上述植被水分指数-田间水分转化机制,明确表征植被水分指数对应的田间水分状况,依据基于天气预报的作物需水预测结果及田间水量平衡关系,由气象预测数据获取未来时刻稻田的总降雨量,并计算总蒸腾量预测值,利用水量平衡方程推测预见期内田间水分状况。根据由上述推算的灌溉判定阈值,明确稻田灌溉水量,实现基于多源融合的灌溉决策。
步骤六、灌溉水量统计与制图
根据步骤五计算的灌溉水量,统计区域内渠道所需引水量,结合区域基础地理信息数据实现灌溉水量的制图输出。本发明提出的基于无人机遥感和多源数据融合的灌区水稻需水信息感知及灌溉决策方法具体步骤见图1,灌溉水量结果见图2。
Claims (10)
1.一种灌区水稻需水信息感知及灌溉决策的方法,其特征在于,包括以下步骤:
1)按照设定的频次,通过无人机遥感系统周期性获取代表性稻田区域的水稻冠层遥感影像;
2)结合无人机遥感系统的工作区域,在稻田布设监测点位,获取稻田实测水分数据;
3)根据步骤1)的结果以及步骤2)的结果识别代表性稻田区域内的水稻水分状况;
4)根据步骤3)所得到的水稻水分状况判断该区域内稻田是否需要灌溉,若是,则直接进行灌溉作业;若否,则进行步骤5);
5)结合区域气象资料及天气预报对稻田田间水分状况进行预测;
6)将步骤1)得到的水稻冠层的遥感影像、步骤2)得到的监测点位稻田实测水分数据、步骤3)所得到的工作区域内水稻水分状况以及步骤5)所得到的田间水分预测结果进行数据融合,根据融合结果明确稻田灌溉量,实现灌溉决策。
2.根据权利要求1所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述无人机遥感系统包括无人机平台以及设置在无人机平台上的机载光谱成像仪;所述无人机平台是M300 RTK;所述机载光谱成像仪是MS600 Pro。
3.根据权利要求2所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤1)的具体实现方式是:
1.1)根据灌区渠系分布以及灌溉农田空间分布特征,确定具备代表性的稻田作为无人机遥感系统的工作区域;所述无人机遥感系统的工作区域是将无人机平台在天气晴朗且无云的条件下由闭合飞行航线所形成的区域;
1.2)获取步骤1.1)所确定的无人机遥感系统工作区域稻田灌溉前的水稻冠层光谱影像;
1.3)对稻田灌溉前水稻冠层光谱影像进行预处理,获取稻田灌溉前水稻冠层的遥感影像;所述预处理的方式是图像配准、影像拼接和辐射校正、相机参数进行初始化处理、空中三角测量、概略DSM、单片正射影像以及镶嵌正射影像。
4.根据权利要求3所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤2)的具体实现方式是:根据无人机遥感系统的工作区域,均匀地布设监测点位,所述监测点位包括用于观测稻田水分状况的TDR以及用于观测水稻叶片含水量信息的光合仪;所述光合仪的型号是LI-6800。
5.根据权利要求4所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤3)的具体实现方式是:
3.1)基于步骤1)所获取得到的稻田灌溉水稻冠层的遥感影像构建植被水分指数,所述植被水分指数的表达形式是:
式中:
R代表红光的反射率;
NIR代表近红外波段的反射率;
3.2)采用支持向量机算法建立拟合回归函数,得到植被水分指数与田间水分的转换函数关系,将植被水分指数转换为田间水分w1;
3.3)根据植被水分指数确定灌溉阈值;
3.4)根据灌溉阈值识别无人机遥感系统的工作区域内水稻水分状况。
6.根据权利要求5所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤3.3)的具体实现方式是:
3.3.1)计算工作区域内灌溉前后的植被水分指数OSAVI1和OSAVI2,其中,OSAVI1为灌溉前植被水分指数,OSAVI2为灌溉后植被水分指数;
3.3.2)获取工作区域内灌溉前后的植被水分指数的差值ΔOSAVI,其中,
ΔOSAVI=OSAVI2-OSAVI1;
3.3.3)根据步骤3.3.2)获取得到的差值确定灌溉阈值。
7.根据权利要求6所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤3.4)的具体实现方式是:当植被水分指数的差值大于灌溉阈值时,表明此时作物含水量较低,识别得到无人机遥感系统的工作区域应当进行灌溉;当小于临界值时,表明此时作物含水量较高,识别得到无人机遥感系统的工作区域当前不需要灌溉。
8.根据权利要求7所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤5)的具体实现方式是:
5.1)根据历史气象数据获取参照作物需水量;
5.2)根据步骤5.1)的结果计算无人机遥感系统的工作区域内水稻实际需水量;
5.3)根据步骤5.2)的结果预测无人机遥感系统的工作区域内田间水分,得到田间水分预测结果。
9.根据权利要求8所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤5.1)的具体实现方式是:
5.1.1)搜集工作区域所在地的历史气象数据,所述历史气象数据包括最高气温、最低气温、平均气温、相对湿度、平均风速和日照时数;
5.1.2)从中国天气官方网站获取工作区域所在地的天气预报数据,所述天气预报数据包括日最高气温、最低气温和日降雨量;
5.1.3)根据历史气象数据以及天气预报数据建立BP-ET0神经网络模型,具体是:选取历史气象数据中每天最高温度、最低温度以及该天的日序数作为输入层因子,以ET0为输出层,将输出的ET0,BP与FAO-56Penman-Montieth方法计算出的ET0,PM进行比较,得以训练BP-ET0神经网络模型;所述FAO-56Penman-Montieth方法的表达式是:
式中:
ET0为参照作物需水量,mm/d;
Rn为作物表面的净辐射,MJ/(M2·d);
G土壤热通量MJ/(M2·d);
T为地面以上2m高处日平均温度,℃;
μ2为地面以上2m高处的风速,m/s;
es为饱合水汽压,kPa;
ea为实际水汽压,kPa;
es-ea为饱合水汽压差,kPa;
Δ为饱和水汽压曲线斜率,kpa/℃;
γ为湿度计常数,kpa/℃;
5.1.4)根据BP-ET0神经网络模型获取参照作物需水量ET0。
10.根据权利要求9所述的灌区水稻需水信息感知及灌溉决策的方法,其特征在于,所述步骤5.2)的具体实现方式是:
对步骤5.1)获取得到的水稻蒸发蒸腾量进行修正,得到作物实际需水量ETc,所述修正的具体方式是:
ETc=kc·ET0
式中:
ET0是参照作物需水量,mm/d;
kc是作物系数,所述kc是采用FAO-56中分段单值平均法进行分析计算;
所述ETc是作物实际需水量,mm/d;
所述步骤5.3)的具体实现方式是:
w1+P+m-ETc-d=w2
式中:
w1为时段初田间水分,用土壤水分/田面水层深度表示;所述时段初是无人机获取遥感影像的初始时间,所述w1是根据植被水分指数与田间水分的转换函数关系将植被水分指数转换得到的;
w2为时段末田间水分,由土壤水分/田面水层深度表示;
P为时段内降雨量;
d为时段内排水量;
m为时段内的灌水量;ETc为作物实际需水量,mm/d。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546471.3A CN115984718B (zh) | 2022-12-02 | 2022-12-02 | 灌区水稻需水信息感知及灌溉决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546471.3A CN115984718B (zh) | 2022-12-02 | 2022-12-02 | 灌区水稻需水信息感知及灌溉决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115984718A CN115984718A (zh) | 2023-04-18 |
CN115984718B true CN115984718B (zh) | 2023-07-18 |
Family
ID=85971370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211546471.3A Active CN115984718B (zh) | 2022-12-02 | 2022-12-02 | 灌区水稻需水信息感知及灌溉决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115984718B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819673A (zh) * | 2012-07-26 | 2012-12-12 | 中国农业科学院农田灌溉研究所 | 一种多源灌溉信息融合方法及装置 |
CN106845808A (zh) * | 2017-01-10 | 2017-06-13 | 北京师范大学 | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 |
CN108446997A (zh) * | 2018-03-28 | 2018-08-24 | 江苏大学 | 一种基于多源信息融合的作物节水灌溉决策方法及测控系统 |
CN110754344A (zh) * | 2019-10-08 | 2020-02-07 | 京蓝物联技术(北京)有限公司 | 基于气象预告的灌溉决策方法及装置 |
CN112602563A (zh) * | 2020-12-15 | 2021-04-06 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种节水灌溉系统及精准灌溉方法 |
CN113919615A (zh) * | 2021-05-31 | 2022-01-11 | 江苏大学 | 一种基于无人机遥感数据反演的农田智能灌溉决策系统 |
CN115376016A (zh) * | 2022-08-16 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130104455A1 (en) * | 2011-05-13 | 2013-05-02 | David P. Groeneveld | Method and System for Remote Sensing and Limited Field Sampling to Prescribe and Deliver Soil Amendments Targeted Discretely Across Cultivated Fields |
US11026376B2 (en) * | 2015-08-05 | 2021-06-08 | Dtn, Llc | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
WO2017024254A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
-
2022
- 2022-12-02 CN CN202211546471.3A patent/CN115984718B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102819673A (zh) * | 2012-07-26 | 2012-12-12 | 中国农业科学院农田灌溉研究所 | 一种多源灌溉信息融合方法及装置 |
CN106845808A (zh) * | 2017-01-10 | 2017-06-13 | 北京师范大学 | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 |
CN108446997A (zh) * | 2018-03-28 | 2018-08-24 | 江苏大学 | 一种基于多源信息融合的作物节水灌溉决策方法及测控系统 |
CN110754344A (zh) * | 2019-10-08 | 2020-02-07 | 京蓝物联技术(北京)有限公司 | 基于气象预告的灌溉决策方法及装置 |
CN112602563A (zh) * | 2020-12-15 | 2021-04-06 | 珠海市现代农业发展中心(珠海市金湾区台湾农民创业园管理委员会、珠海市农渔业科研与推广中心) | 一种节水灌溉系统及精准灌溉方法 |
CN113919615A (zh) * | 2021-05-31 | 2022-01-11 | 江苏大学 | 一种基于无人机遥感数据反演的农田智能灌溉决策系统 |
CN115376016A (zh) * | 2022-08-16 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 |
Non-Patent Citations (5)
Title |
---|
Effects of water saving irrigation and controlled release nitrogen fertilizer managements on nitrogen losses from paddy fields;Shihong Yang 等;《Paddy and Water Environment》;第13卷;71–80 * |
Estimation of daily evapotranspiration and irrigation water efficiency at a Landsat-like scale for an arid irrigation area using multi-source remote sensing data;Yanfei Ma 等;《Remote Sensing of Environment》;第216卷;715-734 * |
园林绿地智能化灌溉技术推广探讨;史作亚 等;《山东林业科技》;第52卷(第03期);81-85 * |
基于Hydrus-1D模型模拟灌排调控稻田地下水补给过程;杨锋 等;《灌溉排水学报》;第40卷(第11期);90-97 * |
基于多源信息融合的灌溉决策方法研究;陈智芳;《中国博士学位论文全文数据库农业科技辑》(第12期);D044-40 * |
Also Published As
Publication number | Publication date |
---|---|
CN115984718A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109934515B (zh) | 一种作物精量灌溉决策方法及系统 | |
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
Xia et al. | Mapping evapotranspiration with high-resolution aircraft imagery over vineyards using one-and two-source modeling schemes | |
CN105230450B (zh) | 一种智能式灌溉快速诊断装置与方法 | |
CN113177744B (zh) | 一种城市绿地系统碳汇量估算方法及系统 | |
CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
CN108958329B (zh) | 一种滴灌水肥一体化智能决策方法 | |
CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
CN110750904A (zh) | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 | |
CN106054679A (zh) | 一种基于物联网的农业智能监控系统及作物种植方法 | |
Yu et al. | Quantifying grazing patterns using a new growth function based on MODIS Leaf Area Index | |
CN112906477A (zh) | 一种基于无人机光谱数据的灌溉处方图反演方法 | |
CN111062526A (zh) | 一种冬小麦单产预测方法及系统 | |
CN111506097A (zh) | 一种无人机遥感技术在精准农业中的应用系统及方法 | |
CN110210142B (zh) | 一种南方大型灌区水稻实时需水量测算方法 | |
Wei et al. | Regional water-saving potential calculation method for paddy rice based on remote sensing | |
CN115984718B (zh) | 灌区水稻需水信息感知及灌溉决策方法 | |
CN109598455A (zh) | 一种适用于新疆机采棉种植的区划方法及系统 | |
Kite et al. | Comparing estimates of actual evapotranspiration from satellites, hydrological models, and field data: A case study from Western Turkey | |
Varentsov et al. | Citizen weather stations data for monitoring applications and urban climate research: an example of Moscow megacity | |
Razakova et al. | Development of hardware and software architecture for analysis and processing of the field data | |
Çolakkadıoğlu | The Effects of Urbanization and Vegetation Cover on Urban Heat Island: A Case Study in Osmaniye Province | |
CN114778476A (zh) | 一种基于无人机遥感的苜蓿棉田土壤含水量监测模型 | |
CN108427847A (zh) | 一种基于GIS-mapping的严寒地区城市室外温度预测方法 |
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 |