CN116108318A - 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 - Google Patents

基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 Download PDF

Info

Publication number
CN116108318A
CN116108318A CN202310354697.1A CN202310354697A CN116108318A CN 116108318 A CN116108318 A CN 116108318A CN 202310354697 A CN202310354697 A CN 202310354697A CN 116108318 A CN116108318 A CN 116108318A
Authority
CN
China
Prior art keywords
rape
calculating
nitrogen
reflectivity
nitrogen content
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
Application number
CN202310354697.1A
Other languages
English (en)
Other versions
CN116108318B (zh
Inventor
刘诗诗
鲁剑巍
张宇
任涛
张洋洋
廖世鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202310354697.1A priority Critical patent/CN116108318B/zh
Publication of CN116108318A publication Critical patent/CN116108318A/zh
Application granted granted Critical
Publication of CN116108318B publication Critical patent/CN116108318B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
    • Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
    • Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，该方法提出校正反射系数构建模型估测实际植株氮含量，计算田块红边叶绿素指数估测油菜地上部干物质积累量，进一步判断田块是否需要追肥计算氮肥推荐追施量；本发明基于无人机多光谱影像提取的光谱特征，提出了降低油菜生长期间冠层结构变化的影响、适用于不同生育期的油菜实际植株氮含量估测模型，提高了植株氮含量的估测精度和可迁移性。本发明实现了无损、实时地根据油菜生长状况按需追肥，在保证产量的同时节约肥料用量。

Description

基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
技术领域
本发明涉及作物精准追肥和人工智能应用领域，具体涉及一种基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法。
背景技术
氮素是维持油菜进行光合作用、提高油菜产量与品质的必要元素。油菜施用过少或过多的氮肥均会导致营养生长迟缓、有效分枝数减少、籽粒减轻，最终导致减产的后果。在其他营养元素供应比较充足的情况下，一定程度的增加氮肥施用量能够促进油菜营养生长阶段，增加油菜的产量。因此，油菜生长阶段的氮素营养的实时精准的管理是实现油菜高产、养分高效利用、以及绿色生产的重要管理措施之一。
随着无人机的轻简化发展，无人机遥感技术已广泛服务于中、小尺度的农业生产。近年来多光谱无人机技术的发展为农情监测提供了更加丰富的信息。利用无人机多光谱影像监测作物氮养分状况并实时计算所需氮肥用量的关键是对作物氮养分状况的准确、定量的估测。然而，无人机多光谱影像所捕捉到的作物的生长状态是植株氮含量和冠层结构的综合呈现。生长和缺氮条件下冠层结构与植株氮含量的变化并不协同，导致冠层结构的变化成为养分监测的干扰因素，影响了植株氮含量估测和追肥推荐的准确性和可迁移性。
因此，目前的研究主要利用无人机多光谱影像进行作物养分缺乏程度的监测，缺乏适用于不同生育期的油菜氮肥追施量计算模型。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，该方法为基于无人机多光谱影像和机器学习技术的油菜生长期间实时监测氮养分状况并根据油菜生长需要计算推荐追肥量的方法。因此，本发明基于无人机多光谱影像，利用代表油菜冠层结构的近红外反射率植被指数降低冠层结构对冠层反射率的影响计算得到校正反射系数，利用校正反射系数构建适用于不同生育期的植株氮含量估测模型和氮肥追肥量推荐模型，以实现油菜生长期间的按需追肥，减少肥料过量使用对环境造成的负面影响。
为实现上述目的，本发明设计一种基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，包括以下步骤：
1）计算校正反射系数
a. 采集待测田块无人机多光谱影像，计算待测田块内所有影像像素的每个波段的反射率平均值；
b. 利用待测田块中近红外波段的反射率平均值（ R nir ）和红波段的反射率平均值（ R red ）计算近红外反射率指数（ NIR V ）；
c. 将待测田块每个波段的反射率平均值分别除以近红外反射率指数，得到各个波段降低冠层影响后的校正反射系数；
2）构建油菜实际植株氮含量估测模型
以上述降低冠层影响后的校正反射系数作为模型输入，以植株氮含量实际测量值作为模型输出，建立估测油菜实际植株氮含量的随机森林回归模型（建立随机森林回归模型需要对ntree和mtry校正，校正依据以估测精度最高为宜）；
3）利用校正反射系数估测油菜实际植株氮含量
以待测田块的各个波段降低冠层影响后的校正反射系数作为估测油菜实际植株氮含量的随机森林回归模型（即为油菜植株氮含量估测模型）的输入，计算得到待测田块的实际植株氮含量（ N a ，%）。
4）计算田块的红边叶绿素指数
利用待测田块中近红外波段的反射率平均值（ R nir ）和红边波段的反射率平均值（ R red edge ）计算红边叶绿素指数（ CI red edge ）；
5）利用红边叶绿素指数估测油菜地上部干物质积累量
利用步骤4）计算得到的红边叶绿素指数（ CI red edge ）计算油菜地上部干物质积累量（ ADM，kg/hm2）：
公式中， CI red edge 为红边叶绿素指数；
ADM为油菜地上部干物质积累量，单位为：kg/hm2；
6）判断田块是否需要追肥
a. 将步骤5）估测得到的 ADM代入氮浓度稀释曲线公式，计算得到临界氮浓度 N c ；
公式中， N c  为临界氮浓度，%，
ADM为油菜地上部干物质积累量，单位为：kg/hm2；
b. 利用估测得到的临界氮浓度 N c 和 N a 计算氮营养指数 NNI：
公式中， NNI为氮营养指数；
N c  为临界氮浓度，%；
N a 为实际植株氮含量，%；
c.根据 NNI和ADM的值判断田块是否需要追肥：
当 NNI大于等于1.26或 ADM小于等于300 kg/hm2时，则因为油菜营养状况良好或处于生长初期不需要进行追肥；
或者，当 NNI小于1.26且 ADM大于300 kg/hm2时，则因为油菜氮素营养缺乏需要进行追肥；
7）计算氮肥推荐追施量
推荐追施纯氮量N为：
公式中， ADM为步骤5）估测得到的地上部干物质积累，单位为：kg/hm2，
N a 为步骤2）估测得到的待测田块的实际植株氮含量，%，
N c  为步骤6）计算得到的临界氮浓度，%，
N为推荐追施纯氮量，单位为：kg/hm2。
进一步地，所述步骤1）第b小步中，计算近红外反射率指数（ NIR V ）的计算公式如下：
公式中， R nir 为近红外波段的反射率平均值；
R red 为红波段的反射率平均值。
再进一步地，所述步骤2）中，植株氮含量实际测量值为每个待测田块中采集的3株油菜样本生育期的平均值。
建立油菜实际植株氮含量估测模型需要在模型应用前几个油菜生育期间采集试验数据。试验数据包括试验田块的无人机多光谱影像和对应的能代表田块氮养分状况的油菜植株氮含量。需要在追肥的关键生育期（如越冬期、蕾薹期）采集至少40个田块的无人机多光谱影像。拍摄无人机多光谱影像后，每个田块采集3株油菜样本，在实验室分析得到实际植株氮含量，植株氮含量实际测量值为每个待测田块中采集的3株油菜样本生育期的平均值。
再进一步地，所述步骤2）中，估测油菜实际植株氮含量的随机森林回归模型中，
ntree的取值范围为100-1000， 步长为100， mtry的取值范围为3-10，步长为1，在取值范围内，以步长为取值间隔构建随机森林模型，计算模型估测结果的均方根误差（RMSE）：
式中，为样本真实值，为模型估测值，为样本个数；
RMSE为计算模型估测结果的均方根误差；
当RMSE最小时即估测精度最高时，确定ntree和mtry的取值（拍摄无人机多光谱影像后，每个田块采集3株油菜样本，在实验室分析得到植株氮含量，植株氮含量的值通常在1% - 5%之间。40个田块采集到的多光谱影像将用于计算校正反射系数作为随机森林的模型输入，植株氮含量用于随机森林模型的输出，从而确定使模型估测效果最好的模型参数ntree和mtry）。
再进一步地，所述步骤4）中，红边叶绿素指数（ CI red edge ）计算公式如下：
公式中， R nir  为近红外波段的反射率取平均值，
R red edge 为红边波段的反射率平均值，
CI red edge 为红边叶绿素指数。
本发明的有益效果：
（1）本发明基于无人机多光谱影像提取的光谱特征，提出了降低油菜生长期间冠层结构变化的影响、适用于不同生育期的油菜实际植株氮含量估测模型，提高了植株氮含量的估测精度和可迁移性。
（2） 本发明基于无人机多光谱数据估测的实际植株氮含量和地上部干物质积累量，结合氮浓度稀释曲线，提出了基于无人机多光谱技术的油菜关键生育期的氮肥推荐追施量的计算模型，实现了无损、实时地根据油菜生长状况按需追肥，在保证产量的同时节约肥料用量。
附图说明
图1是一种基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法的流程图。
图2是一种基于无人机多光谱影像提取的校正反射系数估测植株氮含量 （ N a ）的结果（a、b）与原始的光谱反射率估测植株氮含量的结果（c、d）的对比图。
实施方式
下面结合具体实施例对本发明作进一步的详细描述，以便本领域技术人员理解。
本发明于2020-2021年在湖北省沙洋市开展直播冬油菜追肥推荐试验。试验共设6个氮肥处理，分别为0 （N0）、60（N60）、120（N120）、180（N180）、240（N240）和300kg （N300）氮/hm2。其中N60、N120和N180处理所有的氮肥均做基肥一次性施用，在越冬期和蕾薹期通过无人机多光谱诊断技术按需追肥；N240和N300采用分次施肥的方式，60%做基肥，越冬期和薹肥分别追施20%用于对照。
在油菜越冬期和蕾薹期选择晴朗、无风的天气，于上午11:00至下午1:00间利用大疆精灵4无人机（多光谱版本）在冬油菜的越冬期和蕾薹期拍摄油菜田的多光谱影像。在飞控软件中设置飞行高度20米，航向重叠80%，旁向重叠60%。起飞后先悬停在5米处拍摄定标板。至少需在无人机视野内放置3块反射率不同的定标板，比如反射率分别为10%， 50%，75%的定标板。拍摄结束后多光谱影像导入至大疆智图软件，首先针对每幅影像进行正射校正，再利用拍摄的定标板影像进行辐射定标，将影像的DN值转换为反射率，再进行拼接。
选取需要判断追肥的区域，利用如图1所示的基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法对待定田块精准计算氮肥追施量，具体步骤如下：
1）计算校正反射系数
a. 采集待测田块无人机多光谱影像，计算待测田块内所有影像像素的每个波段的反射率平均值；
b. 利用待测田块中近红外波段的反射率平均值（ R nir ）和红波段的反射率平均值（ R red ）计算近红外反射率指数（ NIR V ）；
公式中， R nir 为近红外波段的反射率平均值；
R red 为红波段的反射率平均值。
c.将待测田块每个波段的反射率平均值分别除以近红外反射率指数，得到各个波段降低冠层影响后的校正反射系数；
2）构建油菜实际植株氮含量估测模型
以上述降低冠层影响后的校正反射系数作为模型输入，以植株氮含量实际测量值作为模型输出，建立估测油菜实际植株氮含量的随机森林回归模型（建立随机森林回归模型需要对ntree和mtry校正，校正依据以估测精度最高为宜）；
其中，建立油菜实际植株氮含量估测模型需要在模型应用前几个油菜生育期间采集试验数据。试验数据包括试验田块的无人机多光谱影像和对应的能代表田块氮养分状况的油菜植株氮含量。需要在追肥的关键生育期（如越冬期、蕾薹期）采集至少40个田块的无人机多光谱影像。拍摄无人机多光谱影像后，每个田块采集3株油菜样本，在实验室分析得到实际植株氮含量，植株氮含量实际测量值为每个待测田块中采集的3株油菜样本生育期的平均值。
估测油菜实际植株氮含量的随机森林回归模型中，
ntree的取值范围为100-1000， 步长为100， mtry的取值范围为3-10，步长为1，在取值范围内，以步长为取值间隔构建随机森林模型，计算模型估测结果的均方根误差（RMSE）：
式中，为样本真实值，为模型估测值，为样本个数；
RMSE为计算模型估测结果的均方根误差；
当RMSE最小时即估测精度最高时，确定ntree和mtry的取值（拍摄无人机多光谱影像后，每个田块采集3株油菜样本，在实验室分析得到植株氮含量，植株氮含量的值通常在1% - 5%之间。40个田块采集到的多光谱影像将用于计算校正反射系数作为随机森林的模型输入，植株氮含量用于随机森林模型的输出，从而确定使模型估测效果最好的模型参数ntree和mtry）。
3）利用校正反射系数估测油菜实际植株氮含量
利用Python 3.5 中sklearn 0.19.2机器学习框架，以待测田块的各个波段降低冠层影响后的校正反射系数作为估测油菜实际植株氮含量的随机森林回归模型（即为油菜植株氮含量估测模型）的输入，计算得到待测田块的实际植株氮含量（ N a ，%）。
如图2所示，与未校正的原始反射率相比，校正反射系数能提供更高精度的油菜实际植株估测，RMSE值在验证集上比基于原始反射率的估测值低8%。
4）计算田块的红边叶绿素指数
利用待测田块中近红外波段的反射率平均值（ R nir ）和红边波段的反射率平均值（ R red edge ）计算红边叶绿素指数（ CI red edge ）；
公式中， R nir  为近红外波段的反射率取平均值，
R red edge 为红边波段的反射率平均值，
CI red edge 为红边叶绿素指数。
5）利用红边叶绿素指数估测油菜地上部干物质积累量
利用步骤4）计算得到的红边叶绿素指数（ CI red edge ）计算油菜地上部干物质积累量（ ADM，kg/hm2）：
公式中， CI red edge 为红边叶绿素指数；
ADM为油菜地上部干物质积累量，单位为：kg/hm2；
6）判断田块是否需要追肥
a. 将步骤5）估测得到的 ADM代入氮浓度稀释曲线公式，计算得到临界氮浓度 N c ；
公式中， N c  为临界氮浓度，%，
ADM为油菜地上部干物质积累量，单位为：kg/hm2；
b. 利用估测得到的临界氮浓度 N c 和实际植株氮含量 N a 计算氮营养指数 NNI：
公式中， NNI为氮营养指数；
N c  为临界氮浓度，%；
N a 为实际植株氮含量，%；
d.根据 NNI和ADM的值判断田块是否需要追肥：
若 NNI大于等于1.26或 ADM小于等于300 kg/hm2，则因为油菜营养状况良好或处于生长初期不需要进行追肥；
或者，若 NNI小于1.26且 ADM大于300 kg/hm2，则因为油菜氮素营养缺乏需要进行追肥；
7）计算氮肥推荐追施量
推荐追施纯氮量N为：
公式中， ADM为步骤5）估测得到的地上部干物质积累，单位为：kg/hm2，
N a 为步骤2）估测得到的待测田块的实际植株氮含量，%，
N c  为步骤6）计算得到的临界氮浓度，%，
N
为推荐追施纯氮量，单位为：kg/hm2。
在计算推荐追肥量后，于观测的第二天按计算的追肥量进行均匀撒播肥料至追肥区域。在实施例中方法与当地常规施肥下产出的油菜籽产量和肥料贡献率的对比。对比结果如表1所示，可以看到本实施例在基施纯氮180 kg/hm2，越冬期和蕾薹期利用本发明方法计算的追肥量进行追肥后获得的油菜籽产量仅比当地常规施肥收获的产量低3.68%，但是节约氮肥用量12.9%，证明了本发明在保证产量的同时能够节约氮肥施用量，实现直播冬油菜科学、按需追肥。
表1 不同追肥方法的总施氮量、收获后的油菜籽实收产量、肥料贡献率的对比表
其它未详细说明的部分均为现有技术。尽管上述实施例对本发明做出了详尽的描述，但它仅仅是本发明一部分实施例，而不是全部实施例，人们还可以根据本实施例在不经创造性前提下获得其他实施例，这些实施例都属于本发明保护范围。

Claims (5)

1.一种基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，包括以下步骤：
1）计算校正反射系数
a. 采集待测田块无人机多光谱影像，计算待测田块内所有影像像素的每个波段的反射率平均值；
b. 利用待测田块中近红外波段的反射率平均值和红波段的反射率平均值计算近红外反射率指数；
c. 将待测田块每个波段的反射率平均值分别除以近红外反射率指数，得到各个波段降低冠层影响后的校正反射系数；
2）构建油菜实际植株氮含量估测模型
以上述降低冠层影响后的校正反射系数作为模型输入，以植株氮含量实际测量值作为模型输出，建立估测油菜实际植株氮含量的随机森林回归模型；
3）利用校正反射系数估测油菜实际植株氮含量
以待测田块的各个波段降低冠层影响后的校正反射系数作为估测油菜实际植株氮含量的随机森林回归模型的输入，计算得到待测田块的实际植株氮含量；
4）计算田块的红边叶绿素指数
利用待测田块中近红外波段的反射率平均值和红边波段的反射率平均值计算红边叶绿素指数；
5）利用红边叶绿素指数估测油菜地上部干物质积累量
利用步骤4）计算得到的红边叶绿素指数计算油菜地上部干物质积累量：
公式中，CI red edge 为红边叶绿素指数；
ADM为油菜地上部干物质积累量，单位为：kg/hm2；
6）判断田块是否需要追肥
a.将步骤5）估测得到的ADM代入氮浓度稀释曲线公式，计算得到临界氮浓度N c ；
公式中，N c 为临界氮浓度，%，
ADM为油菜地上部干物质积累量，单位为：kg/hm2；
b.利用估测得到的临界氮浓度N c 和实际植株氮含量N a 计算氮营养指数NNI：
公式中，NNI为氮营养指数；
N c 为临界氮浓度，%；
N a 为实际植株氮含量，%；
c.根据NNI和ADM的值判断田块是否需要追肥：
当NNI大于等于1.26或ADM小于等于300 kg/hm2时，则因为油菜营养状况良好或处于生长初期不需要进行追肥；
或者，当NNI小于1.26且ADM大于300 kg/hm2时，则因为油菜氮素营养缺乏需要进行追肥；
7）计算氮肥推荐追施量
推荐追施纯氮量N为：
公式中，
ADM为步骤5）估测得到的地上部干物质积累，单位为：kg/hm2，
N a 为步骤2）估测得到的待测田块的实际植株氮含量，%，
N c 为步骤6）计算得到的临界氮浓度，%，
N为推荐追施纯氮量，单位为：kg/hm2。
2.根据权利要求1所述基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，其特征在于：所述步骤1）第b小步中，计算近红外反射率指数（NIR V ）的计算公式如下：
公式中，R nir 为近红外波段的反射率平均值；
R red 为红波段的反射率平均值。
3.根据权利要求1所述基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，其特征在于：所述步骤2）中，植株氮含量实际测量值为每个待测田块中采集的3株油菜样本生育期的平均值。
4.根据权利要求1所述基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，其特征在于：所述步骤2）中，估测油菜实际植株氮含量的随机森林回归模型中，
ntree的取值范围为100-1000， 步长为100， mtry的取值范围为3-10，步长为1，在取值范围内，以步长为取值间隔构建随机森林模型，计算模型估测结果的均方根误差：
公式中，为样本真实值，为模型估测值，为样本个数；
RMSE为计算模型估测结果的均方根误差；
当RMSE最小时即估测精度最高时，确定ntree和mtry的取值。
5.根据权利要求1所述基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法，其特征在于：所述步骤4）中，红边叶绿素指数计算公式如下：
公式中，R nir 为近红外波段的反射率取平均值，
R red edge 为红边波段的反射率平均值，
CI red edge 为红边叶绿素指数。
CN202310354697.1A 2023-04-06 2023-04-06 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 Active CN116108318B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310354697.1A CN116108318B (zh) 2023-04-06 2023-04-06 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310354697.1A CN116108318B (zh) 2023-04-06 2023-04-06 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法

Publications (2)

Publication Number Publication Date
CN116108318A true CN116108318A (zh) 2023-05-12
CN116108318B CN116108318B (zh) 2023-06-13

Family

ID=86261854

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310354697.1A Active CN116108318B (zh) 2023-04-06 2023-04-06 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法

Country Status (1)

Country Link
CN (1) CN116108318B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116482041A (zh) * 2023-06-25 2023-07-25 武汉大学 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN116662753A (zh) * 2023-05-18 2023-08-29 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN117292267A (zh) * 2023-11-27 2023-12-26 武汉大学 一种基于物候信息的水稻地上生物量分段估算方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6160902A (en) * 1997-10-10 2000-12-12 Case Corporation Method for monitoring nitrogen status using a multi-spectral imaging system
US20030019408A1 (en) * 2001-02-28 2003-01-30 Clyde Fraisse Method for prescribing site-specific fertilizer application in agricultural fields
US20120082362A1 (en) * 2010-06-25 2012-04-05 Northeastern University Method for analyzing biological specimens by spectral imaging
US20130272614A1 (en) * 2011-08-29 2013-10-17 Lawrence Livermore National Security, Llc Estimating atmospheric parameters and reducing noise for multispectral imaging
CN103699803A (zh) * 2013-12-31 2014-04-02 北京农业信息技术研究中心 一种基于多光谱遥感信息的区域作物养分管理方法
CN104584751A (zh) * 2014-12-20 2015-05-06 华中农业大学 基于冬油菜氮素营养无损检测的施肥方法
CN109459392A (zh) * 2018-11-06 2019-03-12 南京农业大学 一种基于无人机多光谱影像的水稻地上部生物量估测方法
CN111257240A (zh) * 2020-01-17 2020-06-09 华中农业大学 基于近地高光谱数据和集成模型的油菜氮磷钾养分诊断方法
CN112485204A (zh) * 2020-11-06 2021-03-12 安徽农业大学 基于高光谱的水稻穗期氮营养监测与诊断方法及应用
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
CN113268703A (zh) * 2021-06-23 2021-08-17 河南农业大学 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
CN113298859A (zh) * 2021-05-26 2021-08-24 中国科学院地理科学与资源研究所 一种基于无人机影像的作物氮肥变量管理方法
US20220397517A1 (en) * 2019-10-07 2022-12-15 Innopix, Inc. Spectral imaging and analysis for remote and noninvasive detection of plant responses to herbicide treatments

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6160902A (en) * 1997-10-10 2000-12-12 Case Corporation Method for monitoring nitrogen status using a multi-spectral imaging system
US20030019408A1 (en) * 2001-02-28 2003-01-30 Clyde Fraisse Method for prescribing site-specific fertilizer application in agricultural fields
US20120082362A1 (en) * 2010-06-25 2012-04-05 Northeastern University Method for analyzing biological specimens by spectral imaging
US20130272614A1 (en) * 2011-08-29 2013-10-17 Lawrence Livermore National Security, Llc Estimating atmospheric parameters and reducing noise for multispectral imaging
CN103699803A (zh) * 2013-12-31 2014-04-02 北京农业信息技术研究中心 一种基于多光谱遥感信息的区域作物养分管理方法
CN104584751A (zh) * 2014-12-20 2015-05-06 华中农业大学 基于冬油菜氮素营养无损检测的施肥方法
CN109459392A (zh) * 2018-11-06 2019-03-12 南京农业大学 一种基于无人机多光谱影像的水稻地上部生物量估测方法
US20220397517A1 (en) * 2019-10-07 2022-12-15 Innopix, Inc. Spectral imaging and analysis for remote and noninvasive detection of plant responses to herbicide treatments
CN111257240A (zh) * 2020-01-17 2020-06-09 华中农业大学 基于近地高光谱数据和集成模型的油菜氮磷钾养分诊断方法
CN112485204A (zh) * 2020-11-06 2021-03-12 安徽农业大学 基于高光谱的水稻穗期氮营养监测与诊断方法及应用
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
CN113298859A (zh) * 2021-05-26 2021-08-24 中国科学院地理科学与资源研究所 一种基于无人机影像的作物氮肥变量管理方法
CN113268703A (zh) * 2021-06-23 2021-08-17 河南农业大学 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李岚涛: "冬油菜氮素营养高光谱特异性及定量诊断模型构建与推荐追肥研究", 《中国博士学位论文全文数据库（电子期刊）》 *
高开秀，高雯晗，明金，李岚涛，汪善勤，鲁剑巍: "无人机载多光谱遥感监测冬油菜氮素营养研究", 《中国油料作物学报》, vol. 2, no. 41 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116662753A (zh) * 2023-05-18 2023-08-29 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN116662753B (zh) * 2023-05-18 2024-01-23 中国农业大学 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法
CN116482041A (zh) * 2023-06-25 2023-07-25 武汉大学 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN116482041B (zh) * 2023-06-25 2023-09-05 武汉大学 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
CN117292267A (zh) * 2023-11-27 2023-12-26 武汉大学 一种基于物候信息的水稻地上生物量分段估算方法及系统
CN117292267B (zh) * 2023-11-27 2024-02-02 武汉大学 一种基于物候信息的水稻地上生物量分段估算方法及系统

Also Published As

Publication number Publication date
CN116108318B (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN116108318B (zh) 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法
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
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
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
CN112986158B (zh) 基于无人机多光谱数据的甜菜氮素营养检测方法及系统
CN112052988B (zh) 耦合多目标优化和集合同化的作物产量估测方法及应用
CN112042353A (zh) 一种适用于日光温室的水肥精准决策方法及系统
CN115456476B (zh) 一种基于机器视觉的国土空间规划数据采集分析系统
CN111418323A (zh) 一种基于设施作物冠层覆盖度和株高的氮肥实时推荐方法
CN110954650A (zh) 一种棉花冠层氮素的卫星遥感监测方法
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
CN115062863A (zh) 基于作物参考曲线和积温校正的苹果的始花期预测方法
CN115439402A (zh) 基于SAFY-Sugar模型的糖料蔗单产遥感估算方法和装置
CN116602106A (zh) 一种基于无人机的水稻田内变量施肥方法
CN116308866B (zh) 一种基于冠层反射光谱的水稻穗生物量估算方法及系统
CN116124774A (zh) 一种基于无人机光谱多源数据预测冠层氮含量方法
CN111860220B (zh) 一种小麦幼苗分布特征的评价方法
CN114494689A (zh) 番茄干旱胁迫的识别方法
CN116897670B (zh) 作物施肥方法、装置、电子设备和存储介质
CN116156329B (zh) 基于图像分析的黑土地退化快速监测方法、存储介质及设备
CN117848975B (zh) 一种农业遥感图像分析方法及系统
CN116297243B (zh) 烤烟氮肥追施量估计方法、装置、电子设备及存储介质
CN117649599B (zh) 基于改进光能利用效率模型的冬小麦产量大面积估算方法
CN114202247A (zh) 一种农作物生长环境大数据分析系统

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