CN116308866A - 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 - Google Patents
一种基于冠层反射光谱的水稻穗生物量估算方法及系统 Download PDFInfo
- Publication number
- CN116308866A CN116308866A CN202310585558.XA CN202310585558A CN116308866A CN 116308866 A CN116308866 A CN 116308866A CN 202310585558 A CN202310585558 A CN 202310585558A CN 116308866 A CN116308866 A CN 116308866A
- Authority
- CN
- China
- Prior art keywords
- rice
- canopy
- biomass
- band
- absorption
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 104
- 235000009566 rice Nutrition 0.000 title claims abstract description 104
- 239000002028 Biomass Substances 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000001228 spectrum Methods 0.000 title claims abstract description 14
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 104
- 238000010521 absorption reaction Methods 0.000 claims abstract description 67
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 44
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 239000000049 pigment Substances 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 12
- 239000000203 mixture Substances 0.000 claims abstract description 4
- 210000005069 ears Anatomy 0.000 claims description 18
- 238000002310 reflectometry Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 14
- 238000000985 reflectance spectrum Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000005070 ripening Effects 0.000 claims description 6
- 238000009331 sowing Methods 0.000 claims description 4
- 230000009418 agronomic effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000004577 ear development Effects 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 239000008267 milk Substances 0.000 claims description 3
- 210000004080 milk Anatomy 0.000 claims description 3
- 235000013336 milk Nutrition 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000009395 breeding Methods 0.000 abstract 1
- 230000001488 breeding effect Effects 0.000 abstract 1
- 230000029553 photosynthesis Effects 0.000 abstract 1
- 238000010672 photosynthesis Methods 0.000 abstract 1
- 235000021466 carotenoid Nutrition 0.000 description 6
- 150000001747 carotenoids Chemical class 0.000 description 6
- 229930002875 chlorophyll Natural products 0.000 description 6
- 235000019804 chlorophyll Nutrition 0.000 description 6
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 240000002582 Oryza sativa Indica Group Species 0.000 description 1
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- -1 absorbs blue light Chemical class 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 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
- G01N21/55—Specular reflectivity
-
- 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
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Algebra (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于冠层反射光谱的水稻穗生物量估算方法及系统,首先利用无人机搭载的多光谱/高光谱传感器获得水稻抽穗期‑成熟期冠层光谱反射率,推演出水稻对可见光波段的吸收特性,计算出水稻光合吸收指数;然后根据不同波段范围光合吸收指数的时序变化特征,分析水稻冠层色素组成模式及其变化趋势,并计算稻穗色素组分相关的植被指数;最后将植被指数输入至植被指数‑穗生物量估算模型中对相应水稻种植区的穗生物量进行估算。本发明依赖少量人工有损采样,可以在不考虑不同水稻的冠层结构和其他生理特性的情况下揭示水稻抽穗后的色素组分变化,估算穗生物量,为高效快捷地进行大规模田间水稻育种提供参考,能够大力推动智慧农业的发展。
Description
技术领域
本发明属于农业遥感技术领域,具体涉及一种基于冠层反射光谱的水稻穗生物量估算方法及系统。
背景技术
水稻是最重要的粮食作物,其耕种面积占全球粮食作物的25%以上,养活了世界一半以上的人口。为了满足日益增长的水稻生产需求,开发产量更高、抗胁迫能力更强的水稻新品种迫在眉睫。育种人员需要在不同的环境条件下测试所开发的种质资源,这项任务涉及对大量株系进行高通量表型分析,以确定最优异、最稳定的子代。地上生物量的积累动态反映了水稻的生长状态,与水稻的生长速度、健康状态、光能利用效率、产量及品质都息息相关。传统的水稻生物量估算方法依赖于专家的实地调查和实验室测量,这些方法速度缓慢,且空间覆盖范围有限。遥感是收集作物生物量的高通量无损方法,适用于小田块、大区域和全球范围内的各种耕地环境和各种季节与气候。
遥感通过冠层反射信号可以推断出作物的有价值信息,包括物候、生物量、光合特性等,甚至可以通过穗生物量、每株穗数、结实率等信息预测作物产量。光学遥感常用于估算水稻叶生物量和地上总生物量,但是由于可见光难以穿透冠层,利用光学数据估算穗部生物量较为困难,因此许多研究采用SAR和激光雷达数据反演穗部结构信息,但这种方法成本高且较为复杂。近年来,无人机由于其高分辨率、低成本和灵活性被广泛应用于水稻生理参数估算,进而进行品种产能的评价和开展进一步的研究。
发明内容
针对现有技术的不足,本发明提供一种基于冠层反射光谱的水稻穗生物量估算方法,包括以下步骤:
步骤1,使用搭载多光谱/高光谱传感器的无人机获取水稻抽穗期-成熟期冠层光谱反射率;
步骤2,根据步骤1得到的冠层光谱反射率计算水稻种植区在可见光波段的光合吸收指数,统计各波段范围光合吸收指数的时序变化特征;
步骤3,结合单一色素光谱吸收特征与冠层光合吸收指数的时序变化特征,分析水稻不同生育期冠层色素组成模式;
步骤4,根据光合吸收指数,结合农学田间管理知识,计算稻穗色素组分相关的蓝-红吸收差值植被指数;
步骤5,利用样本田块的蓝-红吸收差值植被指数与对应的实测穗生物量建立植被指数-穗生物量估算模型;
步骤6,计算种植区域水稻的蓝-红吸收差值植被指数,并将其输入至步骤5建立的植被指数-穗生物量估算模型中,通过估算模型对相应水稻种植区的生物量进行估算。
而且,所述步骤1中水稻抽穗期-成熟期应至少覆盖水稻穗发育的四个重要阶段:抽穗期、灌浆期、乳熟期与收割前的完熟期。飞行拍摄前,需要对多光谱/高光谱传感器进行波段间光学配准,以保证不同镜头拍摄的同一地物对应影像上的同一个像素。由于多光谱/高光谱传感器获取到的是影像像元DN值,因此需要进行辐射定标将其转换为地表反射率,DN值和地表反射率的转换公式如下:
通过最小二乘求解,能够得到每个波段内的增益系数和偏置系数,利用求解得到的增益系数与偏置系数分别对各波段的影像进行辐射定标,即可得到水稻各波段的冠层光谱反射率。
而且,所述步骤2中可见光波段的光合吸收指数由Kubelka-Munk理论推导出来,具体计算公式如下:
针对不同的多光谱/高光谱传感器,存在某波段由多个传感器共同组成的情况,对不同传感器采用加权平均的方式获取整个波段的光合吸收指数。以播种后天数DAS作为横坐标,计算得到的水稻各生育期的可见光波段的光合吸收指数为纵坐标,构建时序光合吸收指数曲线。
而且,所述步骤4中稻穗色素组分相关的蓝-红吸收差值植被指数BRADVI的计算公式为:
而且,所述步骤5中将各样本田块的蓝-红吸收差值植被指数与对应的实测穗生物量进行线性拟合,得出植被指数-穗生物量估算模型,即:
式中,y表示水稻穗生物量,x表示BRADVI指数。
本发明还提供一种基于冠层反射光谱的水稻穗生物量估算系统,用于实现如上所述的一种基于冠层反射光谱的水稻穗生物量估算方法。
而且,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于冠层反射光谱的水稻穗生物量估算方法。
或者,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于冠层反射光谱的水稻穗生物量估算方法。
与现有技术相比,本发明具有如下优点:
本发明建立的植被指数-穗生物量估算模型使光学传感器获取的遥感数据与穗生物量之间具有更高的相关性与准确性,使无损、快速、低成本获取水稻穗生物量成为可能,为估测产量提供了有利参考,为智慧农业和精准农业的发展提供助力。
附图说明
图1是本发明实施例水稻穗生物量估测的技术流程图。
图2是本发明实施例水稻种植区单一田块全生育期红、蓝波段的光合吸收指数时序变化,该田块抽穗期为育秧后97天(DAS=97)。
图3是本发明实施例水稻种植区单一田块全生育期BRADVI时序变化,该田块抽穗期为育秧后97天(DAS=97)。
图4是本发明实施例中5个田块抽穗BRADVI数据与穗生物量数据构建的回归模型,R2=0.71。
图5是本发明实施例22个田块(除训练集5个田块)地面实测穗生物量与根据无人机采集的图像和计算的BRADVI数据输入随机使用5个样本田块建立的估算模型得到的估测穗生物量的比较。
具体实施方式
本发明提供一种基于冠层反射光谱的水稻穗生物量估算方法及系统,下面结合附图和实施例对本发明的技术方案作进行说明。
实施例一
以种植在武汉大学花山水稻试验基地(30°33′8.3″N,114°32′3.6″E)的3个水稻品种为例,阐述本发明方法的技术方案。3个水稻品种包括2个籼稻品种和1个常种植于长江中下游平原的粳稻品种。每个田块种植27行,每行14穴,每穴2株,行距20cm,列距16cm,两个田块之间间隔40cm。设定3个N梯度,每公顷分别施用复合肥100Kg、375Kg、750Kg(氮磷钾比率为15:15:15),进行常规稻田管理。水稻于2022年5月14日播种,并于2022年6月14日移栽,到2022年10月3日收割。
如图1所示,本发明提供一种基于冠层反射光谱的水稻穗生物量估算方法,包括以下步骤:
步骤1,使用搭载多光谱/高光谱传感器的无人机获取水稻抽穗期-成熟期冠层光谱反射率。
本实施例使用搭载在无人机上的Mini-MCA多光谱相机获取水稻抽穗期-成熟期的多光谱影像。搭载了Mini-MCA多光谱相机的无人机在获取冠层光谱反射率信息时,应处于水稻种植区上方50-210m的高度。抽穗期-成熟期应至少覆盖水稻穗发育的四个重要阶段:抽穗期、灌浆期、乳熟期与收割前的完熟期。由于Mini-MCA多光谱相机12个镜头间独立成像,各镜头之间存在一定偏移,因此需要进行影像波段间配准。在飞行拍摄前,应在实验室内对Mini-MCA多光谱相机进行检校,获取其物镜畸变差改正系数,并应用该参数进行波段间光学配准。配准后的12个波段影像将处于统一的坐标系统中,使其可以保证不同镜头拍摄的同一地物对应影像上的同一个像素。
通过Mini-MCA多光谱相机直接获取到的是影像像元DN(Digital Number,DN)值。辐射定标就是建立影像DN值与实际地表反射率之间的定量关系。通常使用经验线性校正方法,借助8块经过严密实验室定标的标准定标毯来进行场地定标。8块定标毯在可见光至近红外波段内具有恒定的反射率,依次为0.03、0.06、0.12、0.24、0.36、0.48、0.56和0.80。每一次无人机飞行作业之前,在田间拍摄范围内田埂处依次铺设这8块定标毯,确保能与所有种植的水稻同时出现在同一张影像上。对DN值和地表反射率之间进行线性转换,公式如下:
通过最小二乘求解,可以得到每个波段内的增益系数和偏置系数,利用求解得到的增益系数与偏置系数分别对各波段的影像进行辐射定标,得到各波段影像的反射率。获得辐射定标后的图像,使用ENVI 5.3的ROI(Region of Interest,ROI)工具,圈定各个田块,并以单个ROI范围内的平均反射率作为该田块水稻的冠层反射率。
为简化技术方案并提升方法的普适性,将可见光波段划分为蓝(400-500nm)、绿(500-600nm)、红(600-700nm)三部分,针对本实施例中无人机Mini-MCA多光谱传感器平台,冠层光谱反射率的计算为:
步骤2,根据步骤1所得冠层光谱反射率计算水稻种植区在可见光波段的光合吸收指数,统计各波段范围光合吸收指数的时序变化特征。
可见光波段的光合吸收指数由Kubelka-Munk理论推导出来,具体计算公式如下:
针对不同的多光谱/高光谱传感器,存在某波段由多个传感器共同组成的情况,对不同传感器采用加权平均的方式获取整个波段的光合吸收指数。以播种后天数(Day AfterSowing,DAS)作为横坐标,计算得到的水稻各生育期的可见光波段的光合吸收指数为纵坐标,构建时序光合吸收指数曲线如图2所示。
步骤3,结合单一色素光谱吸收特征与冠层光合吸收指数的时序变化特征,分析水稻不同生育期冠层色素组成模式。
水稻冠层所含色素主要为叶绿素与类胡萝卜素,其中,前者使水稻冠层呈绿色,后者使水稻冠层呈黄色。对两者的吸收特征进行分析,得知叶绿素主要吸收蓝光与红光,类胡萝卜素主要吸收蓝光,结合水稻冠层光合吸收指数的时序变化特征,可以得出,在水稻生长初期(封垄前),水稻冠层对红、蓝波段的吸收以叶绿素为主导,且随着生长进程,冠层叶绿素含量逐步增加,于拔节后期达到饱和。抽穗前,水稻田间状态的不断变化引起色素含量、光合速率等生理参数的细小变动,导致冠层对红、蓝波段的吸收有轻微浮动,但仍处于高吸收水平。抽穗后,由于叶片、穗子变黄,冠层叶绿素含量急剧下降,类胡萝卜素占据主要地位,红波段的光合吸收指数随之急剧下降,蓝波段的光合吸收指数的下降相较于红波段有所减缓。因此可以利用红、蓝波段的光合吸收指数之间的差异体现水稻冠层中叶绿素与类胡萝卜素的含量差异。
步骤4,根据光合吸收指数,结合农学田间管理知识,计算稻穗色素组分相关的蓝-红吸收差值植被指数。
类胡萝卜素的含量影响水稻的冠层颜色,间接反映了水稻穗成熟程度。由于抽穗后,水稻在不同器官之间进行了营养物质的转运,整个植株进入逐渐衰老的进程,水稻冠层对光的吸收能力整体下降,为消除水稻衰老的影响,将红、蓝波段之间的差异进行归一化,以代表类胡萝卜素在水稻冠层中的相对含量。定义稻穗色素组分相关的蓝-红吸收差值植被指数(Blue-Red Absorption Difference Vegetation Index,BRADVI)的计算公式为:
以播种后天数(Day After Sowing,DAS)作为横坐标,计算得到的水稻各生育期的BRADVI指数为纵坐标,构建时序BRADVI指数曲线如图3所示。
步骤5,利用样本田块的蓝-红吸收差值植被指数与对应的实测穗生物量建立植被指数-穗生物量估算模型。
在水稻生长期间,进行8次破坏性采样(采样率<6%)。每次采样时,在每个田块的采样区避开区域边缘随机选取6株水稻(3穴,每穴2株)。采样后,去除根系,清洗植株的其余部分,并将其分离为三个子样本:茎、叶和穗(抽穗后)。将每个子样本放置烘箱内,在105°C下杀青30分钟,在80°C下烘干至恒重后称重获得生物量。由于生物量值在生长期间逐渐变化,因此对每个田块的测量值进行线性内插获取整个生长期间的生物量。
蓝-红吸收差值植被指数和水稻穗生物量存在较强的线性相关,相关系数R2达0.72以上。在27块田中随机选择5块田作为训练集,将该5块田人工获取的实测穗生物量与BRADVI指数进行线性拟合,得出植被指数-穗生物量估算模型,即:
式中,y表示水稻穗生物量,x表示BRADVI指数。
将其余22块田的BRADVI指数作为估算模型的输入,输出相应穗生物量的估测值,将估测值与人工实测值进行对比,验证模型精度,结果如图5所示。
步骤6,计算种植区域水稻的蓝-红吸收差值植被指数,并将其输入至步骤5建立的植被指数-穗生物量估算模型中,通过估算模型对相应水稻种植区的生物量进行估算。
为验证本发明所提方法的总体精度,采用K折交叉验证(K=5)的方法将27个田块数据分成5组,每组数据轮流做验证集,其余4组数据做训练集,得到估测穗生物量值和地面实测穗生物量值的相关系数R2为0.69,相对均方根误差rRMSE为0.40,表明模型至少有60%的预测精度。
实施例二
基于同一发明构思,本发明还提供一种基于冠层反射光谱的水稻穗生物量估算系统,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如上所述的一种基于冠层反射光谱的水稻穗生物量估算方法。
实施例三
基于同一发明构思,本发明还提供一种基于冠层反射光谱的水稻穗生物量估算系统,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如上所述的一种基于冠层反射光谱的水稻穗生物量估算方法。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,实现方法的系统装置例如存储本发明技术方案相应计算机程序的计算机可读存储介质以及包括运行相应计算机程序的计算机设备,也应当在本发明的保护范围内。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例,做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (8)
1.一种基于冠层反射光谱的水稻穗生物量估算方法,其特征在于,包括以下步骤:
步骤1,使用搭载多光谱/高光谱传感器的无人机获取水稻抽穗期-成熟期冠层光谱反射率;
步骤2,根据步骤1得到的冠层光谱反射率计算水稻种植区在可见光波段的光合吸收指数,统计各波段范围光合吸收指数的时序变化特征;
步骤3,结合单一色素光谱吸收特征与冠层光合吸收指数的时序变化特征,分析水稻不同生育期冠层色素组成模式;
步骤4,根据光合吸收指数,结合农学田间管理知识,计算稻穗色素组分相关的蓝-红吸收差值植被指数;
步骤5,利用样本田块的蓝-红吸收差值植被指数与对应的实测穗生物量建立植被指数-穗生物量估算模型;
步骤6,计算种植区域水稻的蓝-红吸收差值植被指数,并将其输入至步骤5建立的植被指数-穗生物量估算模型中,通过估算模型对相应水稻种植区的生物量进行估算。
2.如权利要求1所述的一种基于冠层反射光谱的水稻穗生物量估算方法,其特征在于:步骤1中水稻抽穗期-成熟期应至少覆盖水稻穗发育的四个重要阶段:抽穗期、灌浆期、乳熟期与收割前的完熟期;飞行拍摄前,需要对多光谱/高光谱传感器进行波段间光学配准。
7.一种基于冠层反射光谱的水稻穗生物量估算系统,其特征在于,包括处理器和存储器,存储器用于存储程序指令,处理器用于调用存储器中的存储指令执行如权利要求1-6任一项所述的一种基于冠层反射光谱的水稻穗生物量估算方法。
8.一种基于冠层反射光谱的水稻穗生物量估算系统,其特征在于,包括可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序执行时,实现如权利要求1-6任一项所述的一种基于冠层反射光谱的水稻穗生物量估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310585558.XA CN116308866B (zh) | 2023-05-23 | 2023-05-23 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310585558.XA CN116308866B (zh) | 2023-05-23 | 2023-05-23 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116308866A true CN116308866A (zh) | 2023-06-23 |
CN116308866B CN116308866B (zh) | 2023-07-28 |
Family
ID=86801780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310585558.XA Active CN116308866B (zh) | 2023-05-23 | 2023-05-23 | 一种基于冠层反射光谱的水稻穗生物量估算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116308866B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN118015473A (zh) * | 2024-04-08 | 2024-05-10 | 山东科技大学 | 一种基于多光谱无人机的田间花生生物量反演方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10002880C1 (de) * | 2000-01-10 | 2001-06-13 | Norsk Hydro As | Verfahren und Vorrichtung zum Kontrollieren und Beeinflussen des Pflanzenzustandes durch Pflanzenzustandsinformationen |
US6489156B1 (en) * | 1999-05-07 | 2002-12-03 | Iowa State University Research Foundation, Inc. | Rhodobacter strain for odor remediation of anaerobic livestock waste lagoons and biomass production |
CN102207453A (zh) * | 2011-03-23 | 2011-10-05 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟地上鲜生物量测定方法 |
US20130262008A1 (en) * | 2012-03-28 | 2013-10-03 | Nithya Ramanathan | Measurement of light-absorption qualities in the visible spectrum using a camera |
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 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
US10386296B1 (en) * | 2017-12-06 | 2019-08-20 | Arable Labs, Inc. | Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements |
US20200334458A1 (en) * | 2019-04-16 | 2020-10-22 | Precision Silver, LLC | Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data |
CN112285062A (zh) * | 2020-09-22 | 2021-01-29 | 武汉大学 | 一种高nue水稻筛选标志及筛选方法 |
CN112345467A (zh) * | 2020-09-22 | 2021-02-09 | 武汉大学 | 利用遥感技术估算水稻生理参数的模型及其应用 |
CN112362803A (zh) * | 2020-09-22 | 2021-02-12 | 武汉大学 | Ly9348在高通量筛选高nue水稻品种中的应用 |
CN113514410A (zh) * | 2021-07-07 | 2021-10-19 | 河南农业大学 | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 |
WO2022069505A1 (en) * | 2020-10-02 | 2022-04-07 | Akzo Nobel Coatings International B.V. | Estimating biofilm biomass on objects in an aquatic environment |
CN115292616A (zh) * | 2022-06-30 | 2022-11-04 | 北京大学 | 基于光谱不变理论的植被蓝天空反照率估算方法及装置 |
CN115878944A (zh) * | 2022-12-08 | 2023-03-31 | 中国科学院地理科学与资源研究所 | 基于植被覆盖波谱特征的地表热通量估算方法及系统 |
-
2023
- 2023-05-23 CN CN202310585558.XA patent/CN116308866B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6489156B1 (en) * | 1999-05-07 | 2002-12-03 | Iowa State University Research Foundation, Inc. | Rhodobacter strain for odor remediation of anaerobic livestock waste lagoons and biomass production |
DE10002880C1 (de) * | 2000-01-10 | 2001-06-13 | Norsk Hydro As | Verfahren und Vorrichtung zum Kontrollieren und Beeinflussen des Pflanzenzustandes durch Pflanzenzustandsinformationen |
CN102207453A (zh) * | 2011-03-23 | 2011-10-05 | 中国烟草总公司郑州烟草研究院 | 一种基于冠层多光谱的烤烟地上鲜生物量测定方法 |
US20130262008A1 (en) * | 2012-03-28 | 2013-10-03 | Nithya Ramanathan | Measurement of light-absorption qualities in the visible spectrum using a camera |
US10386296B1 (en) * | 2017-12-06 | 2019-08-20 | Arable Labs, Inc. | Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements |
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 |
CN109508693A (zh) * | 2018-12-10 | 2019-03-22 | 浙江大学 | 基于成像高光谱植被指数和生育期长度信息的无人机遥感水稻估产方法 |
US20200334458A1 (en) * | 2019-04-16 | 2020-10-22 | Precision Silver, LLC | Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data |
CN112285062A (zh) * | 2020-09-22 | 2021-01-29 | 武汉大学 | 一种高nue水稻筛选标志及筛选方法 |
CN112345467A (zh) * | 2020-09-22 | 2021-02-09 | 武汉大学 | 利用遥感技术估算水稻生理参数的模型及其应用 |
CN112362803A (zh) * | 2020-09-22 | 2021-02-12 | 武汉大学 | Ly9348在高通量筛选高nue水稻品种中的应用 |
WO2022069505A1 (en) * | 2020-10-02 | 2022-04-07 | Akzo Nobel Coatings International B.V. | Estimating biofilm biomass on objects in an aquatic environment |
CN113514410A (zh) * | 2021-07-07 | 2021-10-19 | 河南农业大学 | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 |
CN115292616A (zh) * | 2022-06-30 | 2022-11-04 | 北京大学 | 基于光谱不变理论的植被蓝天空反照率估算方法及装置 |
CN115878944A (zh) * | 2022-12-08 | 2023-03-31 | 中国科学院地理科学与资源研究所 | 基于植被覆盖波谱特征的地表热通量估算方法及系统 |
Non-Patent Citations (7)
Title |
---|
刘怡晨;马驿;仝春艳;段博;蒋琦;: "基于偏角光谱检索算法的油菜和水稻LAI反演研究", 中国生态农业学报, no. 07 * |
刘聪;彭漪;方圣辉;: "基于高光谱数据的水稻叶片净光合速率反演", 中国农业大学学报, no. 01 * |
周冬琴;田永超;姚霞;朱艳;曹卫星;: "水稻叶片全氮浓度与冠层反射光谱的定量关系", 应用生态学报, no. 02 * |
杨振忠;方圣辉;彭漪;龚?;王东;: "基于机器学习结合植被指数阈值的水稻关键生育期识别", 中国农业大学学报, no. 01 * |
辛明月;殷红;陈龙;张美玲;任智勇;苗静;: "不同生育期水稻叶面积指数的高光谱遥感估算模型", 中国农业气象, no. 06 * |
邵佩佩;柴如珲;林志恒;方圣辉;: "基于高光谱遥感的叶片总初级生产力GPP反演", 中国农业大学学报, no. 08 * |
韩超;张金恒;: "SO_2毒害水稻叶片吸收光谱植被指数研究", 农业环境科学学报, no. 11 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN118015473A (zh) * | 2024-04-08 | 2024-05-10 | 山东科技大学 | 一种基于多光谱无人机的田间花生生物量反演方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116308866B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN110567891B (zh) | 一种冬小麦冠层叶绿素估测系统及方法 | |
Dobrowski et al. | Grapevine dormant pruning weight prediction using remotely sensed data | |
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 | |
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 | |
CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
Dong et al. | Deriving maximum light use efficiency from crop growth model and satellite data to improve crop biomass estimation | |
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 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
CN117292267B (zh) | 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 | |
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 | |
CN116482041B (zh) | 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 | |
CN112345467B (zh) | 利用遥感技术估算水稻生理参数的模型及其应用 | |
CN117074340A (zh) | 一种基于无人机高光谱遥感图像的小麦氮含量测算方法 | |
CN112285062B (zh) | 一种高nue水稻筛选标志及筛选方法 | |
CN112362803B (zh) | Ly9348在高通量筛选高nue水稻品种中的应用 | |
Zheng et al. | Using high spatial and temporal resolution data blended from SPOT-5 and MODIS to map biomass of summer maize | |
Parker | Sustainable sidedress nitrogen applications for early corn and cotton crops using small unmanned aerial systems | |
CN112504972A (zh) | 一种快速监测烟草氮含量的方法 | |
Alsadik et al. | UAV Remote Sensing for Smart Agriculture |
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 |