CN116297243A - 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 - Google Patents
烤烟氮肥追施量估计方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116297243A CN116297243A CN202310194616.6A CN202310194616A CN116297243A CN 116297243 A CN116297243 A CN 116297243A CN 202310194616 A CN202310194616 A CN 202310194616A CN 116297243 A CN116297243 A CN 116297243A
- Authority
- CN
- China
- Prior art keywords
- target
- nitrogen fertilizer
- flue
- amount
- cured tobacco
- 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
- 239000000618 nitrogen fertilizer Substances 0.000 title claims abstract description 254
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 170
- 241000208125 Nicotiana Species 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 60
- 239000011248 coating agent Substances 0.000 claims abstract description 7
- 238000000576 coating method Methods 0.000 claims abstract description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 26
- 239000003337 fertilizer Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 229910052757 nitrogen Inorganic materials 0.000 claims description 13
- 230000012010 growth Effects 0.000 description 23
- 230000008569 process Effects 0.000 description 12
- 239000002689 soil Substances 0.000 description 11
- 238000001514 detection method Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000002310 reflectometry Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- RDXARWSSOJYNLI-UHFFFAOYSA-N [P].[K] Chemical compound [P].[K] RDXARWSSOJYNLI-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011155 quantitative monitoring Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种烤烟氮肥追施量估计方法、装置、电子设备及存储介质，涉及农业技术领域，该方法包括：基于目标区域的多光谱影像，获取目标区域在目标观测时间点的叶面积指数实测值；在基于叶面积指数实测值以及与目标区域和目标观测时间点相对应的叶面积指数目标值，确定目标区域在目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于叶面积指数实测值和叶面积指数目标值，获取目标区域在目标时间窗口内的氮肥追施量。本发明提供的烤烟氮肥追施量估计方法、装置、电子设备及存储介质，能更准确、更客观地估计烤烟的氮肥追施量，能提高烤烟氮肥追施量的估计效率，能降低烤烟氮肥追施量的估计成本投入，能提高烤烟的产量和质量。
Description
技术领域
本发明涉及农业技术领域，尤其涉及一种烤烟氮肥追施量估计方法、装置、电子设备及存储介质。
背景技术
烤烟是重要的经济作物之一，追肥是烤烟生产中的重要技术环节。
现有技术中，对烤烟进行追施氮肥时，烟农通常基于传统的种植习惯以及种植经验，对烤烟的氮肥追施量进行估计。但是，由于烟农的种植习惯以及种植经验参差不齐，基于种植习惯和种植经验估计得到的氮肥追施量存在较大的主观偏差，难以准确、客观地估计烤烟的氮肥追施量。
基于烤烟种植地的土壤检测结果，可以更客观地估计烤烟的氮肥追施量。但是，受气象条件等因素的影响，基于烤烟种植地的土壤检测结果估计得到的氮肥追施量的准确率依旧不高。因此，如何更准确地估计烤烟的氮肥追施量，是本领域亟待解决的技术问题。
发明内容
本发明提供一种烤烟氮肥追施量估计方法、装置、电子设备及存储介质，用以解决现有技术中难以准确地估计烤烟的氮肥追施量的缺陷，实现更准确地估计烤烟的氮肥追施量。
本发明提供一种烤烟氮肥追施量估计方法，包括：
获取目标区域的多光谱影像，所述多光谱影像与目标观测时间点对应，所述目标区域内种植有烤烟；
基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的叶面积指数实测值；
在基于所述叶面积指数实测值以及与所述目标区域和所述目标观测时间点相对应的叶面积指数目标值，确定所述目标区域在所述目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于所述叶面积指数实测值和所述叶面积指数目标值，获取所述目标区域在所述目标时间窗口内的氮肥追施量。
根据本发明提供的一种烤烟氮肥追施量估计方法，所述获取目标区域的多光谱影像，包括：
获取所述目标区域的无人机影像，获取所述无人机影像的时间点为所述目标观测时间点；
基于所述无人机影像，获取所述多光谱影像。
根据本发明提供的一种烤烟氮肥追施量估计方法，所述基于所述叶面积指数实测值和所述叶面积指数目标值，获取所述目标区域在所述目标时间窗口内的氮肥追施量，包括：
获取预设叶面积指数、第一氮肥量和第二氮肥量，所述第一氮肥量表示当季自所述目标区域种植烤烟的时间点起，至所述目标观测时间点止的时段内，已施用于所述目标区域内的氮肥总量，所述第二氮肥量表示在种植于所述目标区域内的烤烟，叶面积指数每增加1，所述目标区域所需的氮肥量；
基于所述叶面积指数实测值、所述叶面积指数目标值、所述第一氮肥量、所述第二氮肥量和所述预设叶面积指数，获取所述氮肥追施量。
根据本发明提供的一种烤烟氮肥追施量估计方法，所述基于所述叶面积指数实测值、所述叶面积指数目标值、所述第一氮肥量、所述第二氮肥量和所述预设叶面积指数，获取所述氮肥追施量，包括：基于所述叶面积指数实测值、所述叶面积指数目标值、所述第一氮肥量、所述第二氮肥量和所述预设叶面积指数，获取所述氮肥追施量的具体公式如下：
FNR＝(LAI目标-LAI实测)×LNDΔLAI；
LNDΔLAI＝TFD/(LAI目标-LAImin)；
其中，FNR表示所述氮肥追施量；LAI目标表示所述叶面积指数目标值；LAI实测表示所述叶面积指数实测值；TFD表示所述第一氮肥量；LNDΔLAI表示所述第二氮肥量；LAImin表示所述预设叶面积指数。
根据本发明提供的一种烤烟氮肥追施量估计方法，基于所述叶面积指数实测值和所述叶面积指数目标值，确定所述目标区域在所述目标时间窗口内是否需要追施氮肥，包括：
在所述叶面积指数实测值小于所述叶面积指数目标值的情况下，确定所述目标区域在所述目标时间窗口内需要追施氮肥。
根据本发明提供的一种烤烟氮肥追施量估计方法，所述基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的叶面积指数实测值，包括：
基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的归一化植被指数实测值；
基于所述归一化植被指数实测值，计算得到所述叶面积指数实测值。
根据本发明提供的一种烤烟氮肥追施量估计方法，所述获取所述目标区域在所述目标时间窗口内的氮肥追施量之后，所述方法还包括：
基于所述氮肥追施量以及目标化肥中的含氮量，确定所述目标区域在所述目标时间窗口内所述目标化肥的使用量。
本发明还提供一种烤烟氮肥追施量估计装置，包括：
多光谱影像获取模块，用于获取目标区域的多光谱影像，所述多光谱影像与目标观测时间点对应，所述目标区域内种植有烤烟；
叶面积指数计算模块，用于基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的叶面积指数实测值；
氮肥追施量估计模块，用于在基于所述叶面积指数实测值以及与所述目标区域和所述目标观测时间点相对应的叶面积指数目标值，确定所述目标区域在所述目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于所述叶面积指数实测值和所述叶面积指数目标值，获取所述目标区域在所述目标时间窗口内的氮肥追施量。
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烤烟氮肥追施量估计方法。
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烤烟氮肥追施量估计方法。
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烤烟氮肥追施量估计方法。
本发明提供的烤烟氮肥追施量估计方法、装置、电子设备及存储介质，通过基于目标区域的多光谱影像，获取目标区域在目标观测时间点的LAI实测值，进而在基于上述LAI实测值和与上述目标区域和上述目标观测时间点相对于的LAI目标值，确定上述目标区域在上述目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于上述LAI实测值和上述LAI目标值，获取上述目标区域在上述目标时间窗口内的氮肥追施量，能更准确、更客观地估计烤烟的氮肥追施量，能提高烤烟氮肥追施量的估计效率，能降低烤烟氮肥追施量的估计成本投入，能提高烤烟的产量和质量。
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是本发明提供的烤烟氮肥追施量估计方法的流程示意图之一；
图2是本发明提供的烤烟氮肥追施量估计方法的流程示意图之二；
图3是本发明提供的烤烟氮肥追施量估计装置的结构示意图；
图4是本发明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做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。
在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
需要说明的是，化肥的过量施用不仅会造成农业资源的巨大浪费，还会带来严重的二氧化氮排放和氨排放，造成地表水富营养化和地下水的硝酸盐污染。
烤烟是重要的经济作物之一，追肥是烤烟生产中的重要技术环节。
氮、磷、钾作为植物生长所需的三种营养元素，磷钾肥的过量施用通常不会对烤烟的品质造成不良影响，但是氮素用量的不同对烤烟的品质具有较大影响。因此，对烤烟进行氮肥追施时，精准调控烤烟的氮肥追施量，对于提升烤烟品质、节约成本投入以及耕地可持续利用具有重要意义。
通常情况下，烟农估计烤烟的氮肥追施量的常用方法有两种，第一种方法中烟农基于往年的种植习惯，估计烤烟当季的氮肥追施量，但是，由于每年的光、温、水、热等气象因素变动较大，且土壤肥力在年际间也有所变化，基于种植习惯估计得到的氮肥追施量对烤烟进行追施氮肥，会造成年际间烤烟长势的较大变化，进而造成烤烟产量和品质的年际波动；
第二种方法中烟农基于种植经验对烤烟的苗情长势进行主观判断，进而基于主观判断结果确定烤烟当季的氮肥追施量，但是，由于不同烟农的种植经验参差不齐，这种定性判断易产生较大的主观偏差，进而导致估计得到的氮肥追氮量存在较大误差，难以准确匹配真实的烤烟苗情，严重影响烤烟的产量与品质。
基于烤烟种植地的土壤检测结果，可以更客观地估计烤烟的氮肥追施量。
但是，由于优质稳产的烤烟要求关键生育期具有合理的群体结构和营养状况，实时表征烤烟苗情的农学参数都应处于合适的阈值范围内，超过或小于一定的阈值，均不能实现稳产优质的目标。
并且，受烟草种植需轮作以及年际间气象条件差异等因素，不同年际种植的烤烟会表现出较大的苗情长势波动。
因此，基于上述土壤检测结果估计得到的氮肥追施量的准确率依旧不高，难以确保烤烟的产量和品质。
并且，进行土壤检测所需投入的成本较高，检测过程较繁琐，使得难以基于烤烟种植地的土壤检测结果简单、高效且低成本地估计烤烟的氮肥追施量。
无人机成像技术具有快速应急、机动灵活的特点。随着无人机成像技术的迅速发展，无人机成像已广泛应用于农作物的苗情、灾情以及水肥管理等领域，可以为规模化烤烟种植中的氮肥追施量的精准估计提供技术支撑。
对此，本发明提供一种烤烟氮肥追施量估计方法。基于本发明提供的烤烟氮肥追施量估计方法，可以利用无人机成像技术可以快速监测每个烤烟地块的苗情长势，定量计算各种生长指标，结合烤烟栽培农学知识，对每个烤烟地块的氮肥追施量进行估计，进而可以实现烤烟氮肥追施量的精准估计，提升烤烟氮肥管理的客观性。
图1是本发明提供的烤烟氮肥追施量估计方法的流程示意图之一。下面结合图1描述本发明的烤烟氮肥追施量估计方法。如图1所示，该方法包括：步骤101、获取目标区域的多光谱影像，获取多光谱影像的时间点为目标观测时间点，目标区域内种植有烤烟。
需要说明的是，本发明实施例的执行主体为烤烟氮肥追施量估计装置。
具体地，种植有烤烟的目标区域为本发明提供的烤烟氮肥追施量估计方法的估计对象。基于本发明提供的烤烟氮肥追施量估计方法可以确定目标区域在目标时间窗口内是否需要追施氮肥，并在确定目标区域在目标时间窗口内需要追施氮肥，对目标区域在目标时间窗口内的氮肥追施量进行估计。
需要说明的是，目标区域可以是基于实际情况预先确定的，例如：可以将规划化的烤烟种植区域作为监测区，将上述监测区划分为多个子区域之后，可以将每一子区域依次确定为目标区域；又或者，可以基于用户的输入，确定目标区域。本发明实施例中对目标区域不作具体限定。
本发明实施例中可以通过多种方式获取目标区域的多光谱影像，例如：可以利用无人机成像技术获取目标区域的多光谱影像；或者，还可以基于遥感技术获取目标区域的多光谱影像。本发明实施例中对获取目标区域的多光谱影像的具体方式不作限定。
需要说明的是，本发明实施例中目标区域的多光谱影像与目标观测时间点。上述目标观测时间点可以是预先确定的，还可以是在获取到上述多光谱影像之后，将获取上述多光谱影像的时间点确定为目标观测时间点。本发明实施例中对上述目标观测时间点不作具体限定。
其中，本发明实施例中时间点可以以“天”为单位。
需要说明的是，本发明实施例中的目标观测时间点与目标时间窗口之间具有对应关系。
本发明实施例中的目标时间窗口可以是基于实际情况和/或先验知识预先确定的，例如：基于烤烟种植当年的气象条件、烤烟的种植时间点、烤烟首次施氮肥的时间点以及烤烟上一次追施氮肥的时间点等因素中的一个或多个，可以在当年内确定多个时间窗口，进而可以将上述每一时间窗口依次确定为目标时间窗口；又或者，可以基于用户的输入，确定目标时间窗口；
本发明实施例中的目标时间窗口还可以是基于目标观测时间点确定的；本发明实施例中对目标时间窗口不作具体限定。
在上述目标观测时间点为预先确定的情况下，可以基于目标时间窗口的起始时间点以及预设天数，将目标时间窗口的起始时间点之前预设天数的时间点，确定为上述目标时间窗口对应的目标观测时间点。其中，上述预设天数的取值范围可以在2至6天之间，例如可以将目标时间窗口的起始时间点之前3天的时间点，确定为上述目标时间窗口对应的目标观测时间点。
在上述目标观测时间点为在获取到目标区域的多光谱影像之后，基于获取上述多光谱影像的时间点确定的情况下，可以基于目标观测时间点、预设天数以及预设窗口时长，将目标观测时间点之后预设天数的时间点，确定为目标时间窗口的起始时间点，将上述起始时间点之后预设窗口时长的时间点，确定为目标时间窗口的终止时间点，进而可以确定上述目标观测时间点对应的目标数据窗口。其中，上述预设天数的取值范围可以在2至6天之间，例如可以将目标观测时间点之后3天的时间点，确定为目标时间窗口的起始时间点。
作为一个可选地实施例，获取目标区域的多光谱影像，包括：获取目标区域的无人机影像，获取无人机影像的时间点为目标观测时间点。
具体地，本发明实施例中可以控制多光谱无人机在满足预设天气条件、预设飞行高度、预设航向重叠度和预设旁向重叠度的情况下，按照预设航线飞过目标区域，对目标区域进行垂直拍摄，获取目标区域的无人机影像。上述无人机影像可以包括绿光、红光、红边以及近红外波段。
需要说明的是，获取上述无人机影像的时间点为上述目标观测时间点。
需要说明的是，本发明实施例中的垂直拍摄，指拍摄时拍摄方向垂直于地面。
需要说明的是，上述预设天气条件、上述预设航线、上述预设飞行高度、上述预设航向重叠度和上述预设旁向重叠度可以是基于先验知识和/或实际情况确定的。本发明实施例中对上述预设条件、上述预设航线、上述预设飞行高度、上述预设航向重叠度和上述预设旁向重叠度不作具体限定。
可选地，上述预设航线还可以是基于无人机航线规划软件获取的。
可以理解的是，天气晴朗的情况下，多光谱无人机获取到的无人机影像精度较高。本发明实施例中上述预设天气条件可以包括晴朗、无云且风速低于3级。
可以理解的是，多光谱无人机在对目标区域进行垂直拍摄的过程中，飞行高度越低，获取到的无人机影像精度越高，但后续计算量也随之增大。本发明实施例中上述预设飞行高度的取值范围可以为30米至50米；
可以理解的是，多光谱无人机在对目标区域进行垂直拍摄的过程中，航向重叠度和旁向重叠度越高，获取到的无人机影像精度越高。本发明实施例中，上述预设航向重叠度的取值范围可以在75％至85％之间；上述预设旁向重叠度的取值范围可以在70％至80％之间。
优选地，上述预设航向重叠度可以为80％；上述预设旁向重叠度可以为75％。
基于无人机影像，获取多光谱影像。
具体地，获取目标区域的无人机影像之后，可以对上述无人机影像进行数据处理，获得目标区域的多光谱影像。
可选地，本发明实施例中对上述无人机影像进行数据处理的流程包括：第一步、影像筛选：删除无人机起飞和降落过程中采集到的、质量较差的无人机影像，以保证无人机影像拼接质量；
第二步、影像拼接：利用Pix4D mapper软件的农业多光谱模板对筛选后的所有单幅无人机影像进行拼接，得到上述多光谱影像，上述多光谱影像包括地表物体的真实反射率。其中，上述多光谱影像的地理坐标系采用GCS_WGS_1984，投影坐标系采用UTM_Zone_50N，空间分辨率为0.05m。
本发明实施例基于无人机成像技术具有快速应急、机动灵活的监测能力，特别适用于规模化烤烟种植区的苗情快速监测的特点，通过无人机成像技术获取目标区域的多光谱影像，具有客观性强、时效性高、响应迅速等优点，且成本较低，仅需少量人员即可实现百亩级、千亩级的烤烟苗情全覆盖定量监测，能在无需破坏性取样的情况下，就为烤烟氮肥追施量的估计提供数据支撑，能进一步提高估计烤烟氮肥追施量的效率。
步骤102、基于多光谱影像，获取目标区域在目标观测时间点的叶面积指数实测值。
需要说明的是，叶面积指数(leaf area index，LAI)，又称叶面积系数，指单位土地面积上植物叶片总面积占土地面积的倍数。LAI与植被的密度、结构(单层或复层)、树木的生物学特性(分枝角、叶着生角以及耐荫性等)和环境条件(光照、水分以及土壤营养状况)有关，是表示植被利用光能状况和冠层结构的一个综合指标。
具体地，获取目标区域的多光谱影像之后，基于上述多光谱影像，可以通过数值计算的方式，获取目标区域在目标观测时间点的LAI实测值。
其中，目标区域在目标观测时间点的LAI实测值可以用于表征目标区域中的烤烟在目标观测时间点的苗情长势。
作为一个可选地实施例，基于多光谱影像，获取目标区域在目标观测时间点的叶面积指数实测值，包括：基于多光谱影像，获取目标区域在目标观测时间点的归一化植被指数实测值。
需要说明的是，归一化植被指数(英文缩写为：NDVI)，是反映农作物长势和营养信息的重要参数之一。作物缺氮状态对于作物苗情长势具有决定性作用，进而决定了NDVI值的高低。通常情况下，作物缺氮越严重，则叶片含氮量越低，同时叶面积指数越小，相应的NDVI就越低。
因此，利用目标区域在目标观测时间点的NDVI实测值，可以定量估算目标区域在目标观测时间点的LAI实测值，进而可以基于上述LAI实测值，表征目标区域在目标观测时间点的苗情长势。
具体地，获取目标区域的多光谱影像之后，可以基于上述多光谱影像近红外波段的反射率和红光波段的反射率，计算得到目标区域在目标观测时间点的NDVI实测值，具体计算公式如公式(1)所示：
其中，NDVI表示上述多光谱影像中任一像元的NDVI实测值；NIR表示上述像元近红外波段的反射率；R表示上述像元红光波段的反射率。
需要说明的是，目标区域在目标观测时间点的NDVI实测值，包括上述多光谱影像中每一像元的NDVI实测值。
基于归一化植被指数实测值，计算得到叶面积指数实测值。
具体地，由于烤烟叶片分布近似且各向同性分布，本发明实施例中可以基于Beer-Lambert定律构建叶面积指数估算模型，进而可以基于上述叶面积指数估算模型，计算目标区域在目标观测时间点的LAI实测值。
上述叶面积指数估算模型可以用公式(3)表示，公式(3)由公式(2)推导得到。公式(2)和公式(3)如下所示：
NDVI＝NDVI∞+(NDVIpw-NDVI∞)*exp(-Kndvi*LAI) (2)
LAI＝ln(NDVI∞-NDVIpw)/(NDVI∞-NDVI)/Kndvi (3)
其中，LAI表示上述多光谱影像中任一像元的LAI实测值；NDVIpw表示目标观测时间点目标区域中裸土的NDVI实测值；NDVI∞表示在LAI达到无穷大的情况下的NDVI值(通常取0.9)；Kndvi表示消光系数，与烤烟群体结构参数和叶片光学属性有关(烤烟对应的Kndvi通常取0.3)。
需要说明的是，获取目标区域在目标观测时间点的NDVI实测值之后，可以基于目标区域在目标观测时间点的NDVI实测值，进一步获取目标观测时间点目标区域中裸土的NDVI实测值NDVIpw。
需要说明的是，目标区域在目标观测时间点的LAI实测值，包括上述多光谱影像中每一像元的LAI实测值。
本发明实施例通过基于目标区域的多光谱影像，获取目标区域在目标观测时间点的NDVI实测值之后，基于上述NDVI实测值，计算得到目标区域在目标观测时间点的LAI实测值，能更准确、更高效地获取目标区域在目标观测时间点的LAI实测值。
步骤103、在基于叶面积指数实测值以及与目标区域和目标观测时间点相对应的叶面积指数目标值，确定目标区域在目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于叶面积指数实测值和叶面积指数目标值，获取目标区域在目标时间窗口内的氮肥追施量。
需要说明的是，由于LAI是表示植被利用光能状况和冠层结构的一个综合指标，本发明实施例中与目标区域和目标观测时间点相对应的LAI目标值，可以表示种植于目标区域的烤烟、处于最优生长状态下、在目标观测时间点的LAI值。
可以理解的是，最优生长状态下的烤烟的LAI值是随着烤烟的生长而变化的。在烤烟生长过程的早期，最优生长状态下的烤烟的LAI值是较小的，随着烤烟的生长，到烤烟生长过程的后期，最优生长状态下的烤烟的LAI值显著增大。
因此，在烤烟生长过程中的任意时间点，上述时间点对应的LAI目标值不应为定值，且上述时间点对应的LAI目标值过大或过小都是不利的，上述时间点对应的LAI目标值处在一个较适宜的位置，有利于烤烟产量和品质的提升。
本发明实施例中可以基于先验知识和实际情况，预先获取种植于目标区域的烤烟，在生长周期内的每一时间点对应的LAI目标值，进而可以在上述每一时间点对应的LAI目标值中，确定与目标区域和目标观测时间点相对应的LAI目标值。
其中，上述先验知识和实际情况可以包括目标区域的地理因素、烤烟品种因素以及目标区域的气象条件因素等。
可选地，本发明实施例中可以通过多种方式获取与目标区域和目标观测时间点相对应的LAI目标值，例如，可以基于用户的输入，获取上述LAI目标值；又例如，还可以通过数据查询的方式或接收其他电子设备发送的上述LAI目标值。
确定目标观测时间点对应的LAI目标值之后，本发明实施例中可以基于目标区域在目标观测时间点的LAI实测值以及目标观测时间点对应的LAI目标值进行条件判断，并可以基于条件判断结果确定目标区域在目标观测时间点对应的目标时间窗口内是否需要追施氮肥。
在确定目标区域在目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于上述LAI实测值和上述LAI目标值，通过数值计算的方式，获取目标区域在目标数据窗口内的氮肥追施量。
作为一个可选地实施例，基于叶面积指数实测值和叶面积指数目标值，确定目标区域在目标时间窗口内是否需要追施氮肥，包括：在叶面积指数实测值小于叶面积指数目标值的情况下，确定目标区域在目标时间窗口内需要追施氮肥。
具体地，确定与目标区域和目标观测时间点相对应的LAI目标值之后，可以判断目标区域在目标观测时间点的LAI实测值是否小于上述LAI目标值；
若上述LAI实测值小于上述LAI目标值，则可以确定目标区域在目标时间窗口内需要追施氮肥；
若上述LAI实测值不小于上述LAI目标值，则可以确定目标区域在目标时间窗口内不需要追施氮肥。
本发明实施例通过基于目标区域的多光谱影像，获取目标区域在目标观测时间点的LAI实测值，进而在基于上述LAI实测值和与上述目标区域和上述目标观测时间点相对于的LAI目标值，确定上述目标区域在上述目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于上述LAI实测值和上述LAI目标值，获取上述目标区域在上述目标时间窗口内的氮肥追施量，能更准确、更客观地估计烤烟的氮肥追施量，能提高烤烟氮肥追施量的估计效率，能降低烤烟氮肥追施量的估计成本投入，能提高烤烟的产量和质量。
本发明实施例中利用无人机成像技术进行烤烟氮肥追施量的精准估计的应用效果还包括：一、时效性高，无人机可以在烤烟生长的任意时间点快速应急监测，20分钟即可完成规模化种植烟区的多光谱影像获取，30分钟即可完成监测区内每个地块的苗情长势监测与追氮量计算，有效提升了田间烤烟缺氮状态诊断的时效性；二、全覆盖监测，无人机可以获取整个监测区的全覆盖影像，提取所有烟株的覆盖范围和空间分布，避免取样分析法中以点代面的代表性不足问题；三、客观性强，烤烟追氮精准估计的依据来源于无人机影像的光谱和植被指数信息，决策全程人为干预较少，降低了氮肥决策的主观判断误差。
基于上述各实施例的内容，基于叶面积指数实测值和叶面积指数目标值，获取目标区域在目标时间窗口内的氮肥追施量，包括：获取预设叶面积指数、第一氮肥量和第二氮肥量，所述第一氮肥量表示当季自目标区域种植烤烟的时间点起，至目标观测时间点止的时段内，已施用于目标区域内的氮肥总量，第二氮肥量表示种植于目标区域内的烤烟叶面积指数每增加1目标区域所需的氮肥量。
需要说明的是，上述预设叶面积指数可以是基于先验知识和/或实际情况确定的。本发明实施例中对上述预设叶面积指数不作具体限定。
需要说明的是，本发明实施例中可以将当季自目标区域种植烤烟的时间点起，至目标观测时间点止的时段内，已施用于目标区域内的氮肥总量，确定为第一氮肥量，例如：若当季自目标区域种植烤烟的时间点位当年4月30日，目标观测时间点为当前6月1日，6月1日至4月30日之间，目标区域内已施用一次化肥，上述化肥的含氮量为6公斤，则上述第一氮肥量为6公斤。
需要说明的是，本发明实施例中可以将种植于目标区域内的烤烟叶面积指数每增加1目标区域所需的氮肥量，确定为第二氮肥量。
本发明实施例中可以基于先验知识和/或实际情况，预先确定上述预设叶面积指数、第一氮肥量和第二氮肥量。
本发明实施例中还以通过多种方式获取上述预设叶面积指数、第一氮肥量和第二氮肥量，例如：可以基于用户的输入，获取上述预设叶面积指数；或者，还可以接收其他电子设备发送的上述第一氮肥量和第二氮肥量。
需要说明的是，上述先验知识和实际情况中可以包括目标区域的土壤检测结果。
基于叶面积指数实测值、叶面积指数目标值、第一氮肥量、第二氮肥量和预设叶面积指数，获取氮肥追施量。
具体地，获取上述第一氮肥量和上述第二氮肥量之后，可以基于上述LAI实测值、上述LAI目标值、上述第一氮肥量和上述第二氮肥量，通过数值计算的方式，获取目标区域在目标时间窗口内的氮肥追施量。
作为一个可选地实施例，基于叶面积指数实测值、叶面积指数目标值、第一氮肥量、第二氮肥量和预设叶面积指数，获取氮肥追施量，包括：基于叶面积指数实测值、叶面积指数目标值、第一氮肥量、第二氮肥量和预设叶面积指数，获取氮肥追施量的具体公式如下：
FNR＝(LAI目标-LAI实测)×LNDΔLAI
LNDΔLAO＝TFD/(LAI目标-LAImin)
其中，FNR表示氮肥追施量；LAI目标表示叶面积指数目标值；LAI实测表示叶面积指数实测值；TFD表示第一氮肥量；LNDΔLII表示第二氮肥量；LAImin表示预设叶面积指数。
可选地，预设叶面积指数LAImin的取值可以为0。
需要说明的是，由上述公式可知，对于烤烟生长过程中的多个时间点，若上述多个时间点对应的LAI目标值为定值，则在烤烟生长过程的早期，基于上述定值以及上述公式对烤烟的氮肥追施量进行估计，得到的氮肥追施量将大于实际所需氮肥，在烤烟生长过程的后期，基于上述定值以及上述公式对烤烟的氮肥追施量进行估计，得到的氮肥追施量则小于实际所需氮肥。
本发明实施例通过基于第一氮肥量、第二氮肥量、预设叶面积指数、目标区域在目标观测时间点的LAI实测值以及与目标区域和目标观测时间点相对应的LAI目标值，通过数值计算的方式，能更准确、更高效的获取目标区域在目标时间窗口内的氮肥追施量。
基于上述各实施例的内容，获取目标区域在目标时间窗口内的氮肥追施量之后，所述方法还包括：基于氮肥追施量以及目标化肥中的含氮量，确定目标区域在目标时间窗口内目标化肥的使用量。
具体地，本发明实施例中的目标化肥，为目标区域所施用的化肥。
在获取目标区域在目标时间窗口内的氮肥追施量之后，还可以基于目标化肥中的含氮量以及上述氮肥追施量，通过数值计算的方式，确定目标区域在目标时间窗口内目标化肥的使用量，进而可以基于上述目标化肥的使用量，在目标时间窗口内对目标区域进行追施氮肥。
为了便于对本发明提供的烤烟氮肥追施量估计方法的理解，以下通过一个实例说明本发明提供的烤烟氮肥追施量估计方法。
图2是本发明提供的烤烟氮肥追施量估计方法的流程示意图之二。如图2所示，获取种植有烤烟的目标区域的无人机影像之后，基于上述无人机影像，获取目标区域的多光谱影像。
获取目标区域的多光谱影像之后，可以基于上述多光谱影像，获取目标区域在目标观测时间点的归一化植被指数实测值，进而可以基于目标区域在目标观测时间点的归一化植被指数实测值，获取目标区域在目标观测时间点的叶面积指数实测值。
将上述叶面积指数实测值、与目标区域和目标观测时间点相对应的叶面积指数目标值、预设叶面积指数、第一氮肥量和第二氮肥量输入氮肥追施量估计模型，由上述氮肥追施量估计模型基于上述叶面积指数实测值和上述叶面积指数目标值进行数值计算，确定目标区域在目标时间窗口内是否需要追施氮肥，并在确定目标区域在目标时间窗口内需要追施氮肥的情况下，基于上述叶面积指数实测值、上述叶面积指数目标值、上述预设叶面积指数、上述第一氮肥量和上述第二氮肥量，通过数值计算的方式，获取并输出目标区域在目标时间窗口内的氮肥追施量。
获取上述氮肥追施量估计模型输入的上述氮肥追施量之后，可以基于上述氮肥追施量，确定目标区域在目标时间窗口内目标化肥的使用量。
确定目标区域在目标时间窗口内目标化肥的使用量之后，可以基于上述目标化肥的使用量，指导烟农在目标窗口期内对目标区域追施氮肥。
图3是本发明提供的烤烟氮肥追施量估计装置的结构示意图。下面结合图3对本发明提供的烤烟氮肥追施量估计装置进行描述，下文描述的烤烟氮肥追施量估计装置与上文描述的本发明提供的烤烟氮肥追施量估计方法可相互对应参照。如图3所示，多光谱影像获取模块301、叶面积指数计算模块302和氮肥追施量估计模块303。
多光谱影像获取模块301，用于获取目标区域的多光谱影像，多光谱影像与目标观测时间点对应，目标区域内种植有烤烟；
叶面积指数计算模块302，用于基于多光谱影像，获取目标区域在目标观测时间点的叶面积指数实测值；
氮肥追施量估计模块303，用于在基于叶面积指数实测值以及与目标区域和目标观测时间点相对应的叶面积指数目标值，确定目标区域在目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于叶面积指数实测值和叶面积指数目标值，获取目标区域在目标时间窗口内的氮肥追施量。
具体地，多光谱影像获取模块301、叶面积指数计算模块302和氮肥追施量估计模块303电连接。
可选地，多光谱影像获取模块301可以具体用于获取目标区域的无人机影像，获取无人机影像的时间点为目标观测时间点；基于无人机影像，获取多光谱影像。
可选地，氮肥追施量估计模块303可以具体用于获取预设叶面积指数、第一氮肥量和第二氮肥量，第一氮肥量表示当季自目标区域种植烤烟的时间点起，至目标观测时间点止的时段内，已施用于目标区域内的氮肥总量，第二氮肥量表示种植于目标区域内的烤烟叶面积指数每增加1目标区域所需的氮肥量；基于叶面积指数实测值、叶面积指数目标值、第一氮肥量、第二氮肥量和预设叶面积指数，获取氮肥追施量。
可选地，氮肥追施量估计模块303还可以具体用于在叶面积指数实测值小于叶面积指数目标值的情况下，确定目标区域在目标时间窗口内需要追施氮肥。
可选地，叶面积指数计算模块302可以具体用于基于多光谱影像，获取目标区域在目标观测时间点的归一化植被指数实测值；基于归一化植被指数实测值，计算得到叶面积指数实测值。
可选地，烤烟氮肥追施量估计装置还包括化肥使用量确定模块。
化肥使用量确定模块可以用于基于氮肥追施量以及目标化肥中的含氮量，确定目标区域在目标时间窗口内目标化肥的使用量。
本发明实施例中的烤烟氮肥追施量估计装置，通过基于目标区域的多光谱影像，获取目标区域在目标观测时间点的LAI实测值，进而在基于上述LAI实测值和与上述目标区域和上述目标观测时间点相对于的LAI目标值，确定上述目标区域在上述目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于上述LAI实测值和上述LAI目标值，获取上述目标区域在上述目标时间窗口内的氮肥追施量，能更准确、更客观地估计烤烟的氮肥追施量，能提高烤烟氮肥追施量的估计效率，能降低烤烟氮肥追施量的估计成本投入，能提高烤烟的产量和质量。
图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行烤烟氮肥追施量估计方法，该方法包括：获取目标区域的多光谱影像，多光谱影像与目标观测时间点对应，目标区域内种植有烤烟；基于多光谱影像，获取目标区域在目标观测时间点的叶面积指数实测值；在基于叶面积指数实测值以及与目标区域和目标观测时间点相对应的叶面积指数目标值，确定目标区域在目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于叶面积指数实测值和叶面积指数目标值，获取目标区域在目标时间窗口内的氮肥追施量。
此外，上述的存储器430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所述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，所述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，所述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烤烟氮肥追施量估计方法，该方法包括：获取目标区域的多光谱影像，多光谱影像与目标观测时间点对应，目标区域内种植有烤烟；基于多光谱影像，获取目标区域在目标观测时间点的叶面积指数实测值；在基于叶面积指数实测值以及与目标区域和目标观测时间点相对应的叶面积指数目标值，确定目标区域在目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于叶面积指数实测值和叶面积指数目标值，获取目标区域在目标时间窗口内的氮肥追施量。
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烤烟氮肥追施量估计方法，该方法包括：获取目标区域的多光谱影像，多光谱影像与目标观测时间点对应，目标区域内种植有烤烟；基于多光谱影像，获取目标区域在目标观测时间点的叶面积指数实测值；在基于叶面积指数实测值以及与目标区域和目标观测时间点相对应的叶面积指数目标值，确定目标区域在目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于叶面积指数实测值和叶面积指数目标值，获取目标区域在目标时间窗口内的氮肥追施量。
以上所描述的装置实施例仅仅是示意性的，其中所述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所述的方法。
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)
1.一种烤烟氮肥追施量估计方法，其特征在于，包括：
获取目标区域的多光谱影像，所述多光谱影像与目标观测时间点对应，所述目标区域内种植有烤烟；
基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的叶面积指数实测值；
在基于所述叶面积指数实测值以及与所述目标区域和所述目标观测时间点相对应的叶面积指数目标值，确定所述目标区域在所述目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于所述叶面积指数实测值和所述叶面积指数目标值，获取所述目标区域在所述目标时间窗口内的氮肥追施量。
2.根据权利要求1所述的烤烟氮肥追施量估计方法，其特征在于，所述获取目标区域的多光谱影像，包括：
获取所述目标区域的无人机影像，获取所述无人机影像的时间点为所述目标观测时间点；
基于所述无人机影像，获取所述多光谱影像。
3.根据权利要求1所述的烤烟氮肥追施量估计方法，其特征在于，所述基于所述叶面积指数实测值和所述叶面积指数目标值，获取所述目标区域在所述目标时间窗口内的氮肥追施量，包括：
获取预设叶面积指数、第一氮肥量和第二氮肥量，所述第一氮肥量表示当季自所述目标区域种植烤烟的时间点起，至所述目标观测时间点止的时段内，已施用于所述目标区域内的氮肥总量，所述第二氮肥量表示种植于所述目标区域内的烤烟叶面积指数每增加1所述目标区域所需的氮肥量；
基于所述叶面积指数实测值、所述叶面积指数目标值、所述第一氮肥量、所述第二氮肥量和所述预设叶面积指数，获取所述氮肥追施量。
4.根据权利要求3所述的烤烟氮肥追施量估计方法，其特征在于，所述基于所述叶面积指数实测值、所述叶面积指数目标值、所述第一氮肥量、所述第二氮肥量和所述预设叶面积指数，获取所述氮肥追施量，包括：基于所述叶面积指数实测值、所述叶面积指数目标值、所述第一氮肥量、所述第二氮肥量和所述预设叶面积指数，获取所述氮肥追施量的具体公式如下：
FNR＝(LAI目标-LAI实测)×LNDΔLAI；
LNDΔLAI＝TFD/(LAI目标-LAImin)；
其中，FNR表示所述氮肥追施量；LAI目标表示所述叶面积指数目标值；LAI实测表示所述叶面积指数实测值；TFD表示所述第一氮肥量；LNDΔLAI表示所述第二氮肥量；LAImin表示所述预设叶面积指数。
5.根据权利要求1所述的烤烟氮肥追施量估计方法，其特征在于，基于所述叶面积指数实测值和所述叶面积指数目标值，确定所述目标区域在所述目标时间窗口内是否需要追施氮肥，包括：
在所述叶面积指数实测值小于所述叶面积指数目标值的情况下，确定所述目标区域在所述目标时间窗口内需要追施氮肥。
6.根据权利要求1所述的烤烟氮肥追施量估计方法，其特征在于，所述基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的叶面积指数实测值，包括：
基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的归一化植被指数实测值；
基于所述归一化植被指数实测值，计算得到所述叶面积指数实测值。
7.根据权利要求1至6任一所述的烤烟氮肥追施量估计方法，其特征在于，所述获取所述目标区域在所述目标时间窗口内的氮肥追施量之后，所述方法还包括：
基于所述氮肥追施量以及目标化肥中的含氮量，确定所述目标区域在所述目标时间窗口内所述目标化肥的使用量。
8.一种烤烟氮肥追施量估计装置，其特征在于，包括：
多光谱影像获取模块，用于获取目标区域的多光谱影像，所述多光谱影像与目标观测时间点对应，所述目标区域内种植有烤烟；
叶面积指数计算模块，用于基于所述多光谱影像，获取所述目标区域在所述目标观测时间点的叶面积指数实测值；
氮肥追施量估计模块，用于在基于所述叶面积指数实测值以及与所述目标区域和所述目标观测时间点相对应的叶面积指数目标值，确定所述目标区域在所述目标观测时间点对应的目标时间窗口内需要追施氮肥的情况下，基于所述叶面积指数实测值和所述叶面积指数目标值，获取所述目标区域在所述目标时间窗口内的氮肥追施量。
9.一种电子设备，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7任一项所述烤烟氮肥追施量估计方法。
10.一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7任一项所述烤烟氮肥追施量估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310194616.6A CN116297243B (zh) | 2023-02-28 | 2023-02-28 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310194616.6A CN116297243B (zh) | 2023-02-28 | 2023-02-28 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116297243A true CN116297243A (zh) | 2023-06-23 |
| CN116297243B CN116297243B (zh) | 2024-02-02 |
Family
ID=86837259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310194616.6A Active CN116297243B (zh) | 2023-02-28 | 2023-02-28 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116297243B (zh) |
Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030019151A1 (en) * | 2001-07-24 | 2003-01-30 | Raun William R. | Process for in-season fertilizer nitrogen application based on predicted yield potential |
| CN101788283A (zh) * | 2010-03-31 | 2010-07-28 | 东北林业大学 | 叶面积指数的测定方法 |
| CN102318466A (zh) * | 2011-07-12 | 2012-01-18 | 南京农业大学 | 一种基于氮素光谱指数法的水稻追氮调控方法 |
| US20130235190A1 (en) * | 2010-12-02 | 2013-09-12 | Nec Corporation | Leaf area index measurement system, device, method, and program |
| CN103424366A (zh) * | 2013-07-30 | 2013-12-04 | 上海丰凸通讯科技有限公司 | 一种多光谱精准识别的智能施肥实施方法 |
| CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
| CN105445229A (zh) * | 2015-12-15 | 2016-03-30 | 河南农业大学 | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 |
| CN108476696A (zh) * | 2018-03-20 | 2018-09-04 | 江西省农业科学院农业工程研究所 | 一种基于光谱的双季稻穗肥追氮调控方法 |
| CN108981617A (zh) * | 2018-09-27 | 2018-12-11 | 北京师范大学 | 一种冬小麦叶面积指数反演方法及系统 |
| CN109197437A (zh) * | 2018-11-05 | 2019-01-15 | 黑龙江八农垦大学 | 一种寒地半干旱区玉米大垄双行膜下滴灌的水肥高效调控方法 |
| CN109580512A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种基于光谱和纹理特征的小麦氮素营养监测方法 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN111241487A (zh) * | 2020-01-15 | 2020-06-05 | 济南启源信息科技有限公司 | 一种基于群体表型特征的氮素诊断变量追施方法 |
| CN111652754A (zh) * | 2020-05-19 | 2020-09-11 | 江西省农业科学院农业工程研究所 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 |
| CN111742793A (zh) * | 2020-06-19 | 2020-10-09 | 武汉大学 | 基于盐氮影响的向日葵叶面积指数增长的预测方法 |
| GB202101106D0 (en) * | 2020-07-14 | 2021-03-10 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for performing inversion of crop leaf area index |
| WO2021056297A1 (zh) * | 2019-09-25 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 图像处理方法、设备、无人机、系统和存储介质 |
| CN112632796A (zh) * | 2020-12-31 | 2021-04-09 | 广州极飞科技有限公司 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
| 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 |
| CN113450353A (zh) * | 2021-08-30 | 2021-09-28 | 航天宏图信息技术股份有限公司 | 一种叶面积指数精度的优化方法和装置 |
| AU2021107219A4 (en) * | 2021-08-25 | 2021-12-09 | Institute Of Agricultural Engineering, Jiangxi Academy Of Agricultural Sciences | Spectral-based regulation and control method of double-cropping rice panicle fertilizer topdressing nitrogen |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN114996628A (zh) * | 2022-05-05 | 2022-09-02 | 北京师范大学 | 叶面积指数反演方法、装置、设备和介质 |
| JP2022136365A (ja) * | 2021-03-08 | 2022-09-21 | Ｎｅｃソリューションイノベータ株式会社 | 植物評価装置、植物評価方法、及びプログラム |
-
2023
- 2023-02-28 CN CN202310194616.6A patent/CN116297243B/zh active Active
Patent Citations (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030019151A1 (en) * | 2001-07-24 | 2003-01-30 | Raun William R. | Process for in-season fertilizer nitrogen application based on predicted yield potential |
| CN101788283A (zh) * | 2010-03-31 | 2010-07-28 | 东北林业大学 | 叶面积指数的测定方法 |
| US20130235190A1 (en) * | 2010-12-02 | 2013-09-12 | Nec Corporation | Leaf area index measurement system, device, method, and program |
| CN102318466A (zh) * | 2011-07-12 | 2012-01-18 | 南京农业大学 | 一种基于氮素光谱指数法的水稻追氮调控方法 |
| CN103424366A (zh) * | 2013-07-30 | 2013-12-04 | 上海丰凸通讯科技有限公司 | 一种多光谱精准识别的智能施肥实施方法 |
| CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
| CN105445229A (zh) * | 2015-12-15 | 2016-03-30 | 河南农业大学 | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 |
| CN108476696A (zh) * | 2018-03-20 | 2018-09-04 | 江西省农业科学院农业工程研究所 | 一种基于光谱的双季稻穗肥追氮调控方法 |
| CN108981617A (zh) * | 2018-09-27 | 2018-12-11 | 北京师范大学 | 一种冬小麦叶面积指数反演方法及系统 |
| CN109197437A (zh) * | 2018-11-05 | 2019-01-15 | 黑龙江八农垦大学 | 一种寒地半干旱区玉米大垄双行膜下滴灌的水肥高效调控方法 |
| US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
| CN109580512A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种基于光谱和纹理特征的小麦氮素营养监测方法 |
| WO2021056297A1 (zh) * | 2019-09-25 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 图像处理方法、设备、无人机、系统和存储介质 |
| CN110927082A (zh) * | 2019-11-25 | 2020-03-27 | 北京大学 | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 |
| CN111241487A (zh) * | 2020-01-15 | 2020-06-05 | 济南启源信息科技有限公司 | 一种基于群体表型特征的氮素诊断变量追施方法 |
| CN111652754A (zh) * | 2020-05-19 | 2020-09-11 | 江西省农业科学院农业工程研究所 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 |
| CN111742793A (zh) * | 2020-06-19 | 2020-10-09 | 武汉大学 | 基于盐氮影响的向日葵叶面积指数增长的预测方法 |
| GB202101106D0 (en) * | 2020-07-14 | 2021-03-10 | Aerospace Information Research Institute Chinese Academy Of Sciences | Method and device for performing inversion of crop leaf area index |
| CN112632796A (zh) * | 2020-12-31 | 2021-04-09 | 广州极飞科技有限公司 | 氮含量确定方法、作业方法、装置、电子设备及存储介质 |
| 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 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| JP2022136365A (ja) * | 2021-03-08 | 2022-09-21 | Ｎｅｃソリューションイノベータ株式会社 | 植物評価装置、植物評価方法、及びプログラム |
| AU2021107219A4 (en) * | 2021-08-25 | 2021-12-09 | Institute Of Agricultural Engineering, Jiangxi Academy Of Agricultural Sciences | Spectral-based regulation and control method of double-cropping rice panicle fertilizer topdressing nitrogen |
| CN113450353A (zh) * | 2021-08-30 | 2021-09-28 | 航天宏图信息技术股份有限公司 | 一种叶面积指数精度的优化方法和装置 |
| CN114996628A (zh) * | 2022-05-05 | 2022-09-02 | 北京师范大学 | 叶面积指数反演方法、装置、设备和介质 |
Non-Patent Citations (3)
| Title |
|---|
| 余长平: "玉米新品种郧单 23 氮肥追施量试验研究", 《中国农业科技通讯》, pages 80 - 82 * |
| 郭 涛: "氮肥追施量对香稻 1601 品质和淀粉 RVA 谱特征值的影响", 《北方水稻》, vol. 51, no. 1, pages 6 - 10 * |
| 顾晓鹤: "冬小麦光合速率对施氮量与光照强度的响应分析", 《华北农学报》, vol. 31, no. 4, pages 122 - 128 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116297243B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khan et al. | Estimation of vegetation indices for high-throughput phenotyping of wheat using aerial imaging | |
| Cao et al. | Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images | |
| 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 | |
| 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 | |
| US11631166B2 (en) | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle | |
| 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 | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| CN101699315A (zh) | 一种作物长势均匀度的监测装置和方法 | |
| CN111316802B (zh) | 基于大型喷灌机的作物水肥监测方法、装置、设备及介质 | |
| CN112906477B (zh) | 一种基于无人机光谱数据的灌溉处方图反演方法 | |
| CN111275567B (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
| CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
| WO2022072345A1 (en) | Systems, methods and devices for using machine learning to optimize crop residue management | |
| CN117347283A (zh) | 一种适用于农业园区尺度的小麦氮肥推荐方法 | |
| Hama et al. | Examination of appropriate observation time and correction of vegetation index for drone-based crop monitoring | |
| CN117876870B (zh) | 一种基于多源遥感数据的农作物估产的方法和系统 | |
| Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
| Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
| CN116297243B (zh) | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 | |
| Arai et al. | Artificial intelligence based fertilizer control for improvement of rice quality and harvest amount | |
| CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
| CN115512233A (zh) | 地块尺度耕地种植属性多时相遥感提取方法 | |
| CN118209502B (zh) | 烤烟烟叶含钾量估计方法、装置、电子设备及存储介质 | |
| CN114202702B (zh) | 基于D-fG参数遥感获取的冬小麦动态收获指数遥感估算方法 | |
| US20230018041A1 (en) | Optical analysis paired plot automated fertigation systems, methods and datastructures |
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 |