CN116602106A - 一种基于无人机的水稻田内变量施肥方法 - Google Patents
一种基于无人机的水稻田内变量施肥方法 Download PDFInfo
- Publication number
- CN116602106A CN116602106A CN202310890649.4A CN202310890649A CN116602106A CN 116602106 A CN116602106 A CN 116602106A CN 202310890649 A CN202310890649 A CN 202310890649A CN 116602106 A CN116602106 A CN 116602106A
- Authority
- CN
- China
- Prior art keywords
- rice
- unmanned aerial
- aerial vehicle
- nitrogen
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004720 fertilization Effects 0.000 title claims abstract description 38
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 142
- 241000209094 Oryza Species 0.000 claims abstract description 84
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 73
- 235000009566 rice Nutrition 0.000 claims abstract description 73
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 71
- 239000003337 fertilizer Substances 0.000 claims abstract description 39
- 239000000618 nitrogen fertilizer Substances 0.000 claims abstract description 32
- 230000007480 spreading Effects 0.000 claims abstract description 17
- 238000003892 spreading Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 37
- 241000196324 Embryophyta Species 0.000 claims description 33
- 238000009825 accumulation Methods 0.000 claims description 27
- 238000002310 reflectometry Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 17
- 238000012544 monitoring process Methods 0.000 claims description 15
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 claims description 11
- 239000004202 carbamide Substances 0.000 claims description 11
- 230000001105 regulatory effect Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000011282 treatment Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000009331 sowing Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 3
- 125000001475 halogen functional group Chemical group 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000007705 chemical test Methods 0.000 claims description 2
- 230000002354 daily effect Effects 0.000 claims 1
- 230000003203 everyday effect Effects 0.000 claims 1
- 230000035558 fertility Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000012876 topography Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 12
- 235000015097 nutrients Nutrition 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000008187 granular material Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 240000008467 Oryza sativa Japonica Group Species 0.000 description 2
- 241001116459 Sequoia Species 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 210000005069 ears Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011982 device technology Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000011236 particulate material Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- 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
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明公开了一种基于无人机的水稻田内变量施肥方法。基于无人机多光谱影像及旋翼无人机撒肥平台,提出基于无人机的水稻田内变量施肥技术,在水稻追肥关键生育期根据氮肥优化算法NFOA利用无人机变量撒肥平台实现田内精确变量施肥。通过当地多年不同品种及氮素水平的水稻田间互作试验,确定NFOA追氮算法的最适参数,并根据追肥关键生育期的无人机多光谱影像生成适用于无人机撒肥平台的追氮处方图,配套大疆T20变量施肥装置,进行无人机变量施肥。本发明对比传统的人工均匀撒肥方式,大大节约了人力和肥料成本,追肥作业更加精确、快捷,此外受天气和地形因素影响较小,真正实现了基于无人机精确变量施肥作业。
Description
技术领域
本发明属于作物氮肥变量调控领域,涉及一种基于无人机多光谱影像的水稻追氮处方图的生成与应用。
背景技术
作物氮素监测与诊断的最终目的是实现作物实时精准调控氮肥用量,提高氮肥利用率。氮肥优化算法(NFOA)是各类推荐算法之中较为经典且应用最多的一个,该算法最先由美国俄克拉荷马州立大学的Lukina等提出的,主要根据田间作物植被指数 NDVI来估测产量潜力和当季作物的吸氮量,根据产量与籽粒氮含量的相关关系估测最终的籽粒吸氮量,从而根据籽粒与植株吸氮量的差值来计算施氮量。利用NFOA进行氮肥推荐的最关键步骤是对作物产量潜力进行估测,而水稻作为水田作物,其在生育前期进估产的难度在于复杂的水土背景对水稻冠层光谱信息的干扰。
作为精准农业的重要组成部分,基于已生成的精确施肥处方图在特定地点实现变量施肥是非常必要的。变量施肥技术(VRT)不仅可以减少化肥用量和化肥污染,还可以提高工作效率,降低生产成本。然而目前VRT主要应用于地面机器如拖拉机,很少有关于基于无人机的VRT研究。目前广泛使用地面颗粒撒肥机具有诸多弊端,通常情况下受限于撒肥机的大小和外形,目标施肥田地中的不规则边缘地块往往难以覆盖。其次,受限于水稻田复杂的地形环境,地面颗粒撒飞机在深水田、陡坡、排水不良的地区无法正常作业。此外,由于水稻的生长特性,在分蘖期茎叶高到足以封行时,地面机械在田间行进作业很容易压损稻苗,因此采用地面颗粒撒肥机针对水稻田进行变量追肥作业存在一定的弊端。
对比地面机器,无人机具有不可替代的优势。配备具有变量施肥装置技术无人机可以在潮湿的田间环境中进行作业,并且实现在不破坏植物的情况下精确移动到确切的位置,准确、均匀地播撒肥料,根据施肥处方图科学变量追肥,大大降低了人力、肥料成本同时提高了施肥作业效率。因此,进一步研发农用无人机并逐步在全球范围内商业化成为现代农业发展的必然趋势。目前,随着无人机电池容量和有效载荷的提高,农用无人机在精确施肥应用方面的潜力也引起了研究人员的关注,用于播撒颗粒材料的相关商业产品和学术研究成为热门焦点。宋灿灿等人提出了一种基于处方图的无人机颗粒施肥机 (GFS) 可变施肥控制系统 (VRFCS),根据GFS的实时坐标,通过调节计量器的槽轮转速实现变量施肥。
无人机精准施肥需要综合考虑无人机作业状态和排肥器的变量调节,以提高无人机作业的稳定性和撒肥的均匀性。目前,用于无人机的撒肥装置主要由地面撒肥机械改装而来,撒肥量控制主要采用改变出料口大小的方式实现,难以实现撒肥量连续可调,抛撒方式较多采用离心圆盘式,而该方式在前进方向上形成较多环形重叠条带,重撒和漏撒现象较严重。此外,无人机机身周围的风场是由无人机旋翼推动空气进行流动形成的,风场分布规律及风速大小等也会影响田间撒播作业效果。因此,未来针对无人机撒播装置的研究是农业航空产业发展的重要方向。
发明内容
本发明所解决的技术问题在于提供一种基于无人机的水稻氮肥处方图生成与追肥应用方法,基于无人机获取水稻追肥期多光谱影像数据,根据NFOA算法计算合理的氮肥施用量并生成追肥处方图,利用大疆T20植保无人机实现精确变量追肥作业,该方法为基于无人机的大规模农田作物氮素管理提供技术支持。
实现本发明目的的技术解决方案为:
一种基于无人机的水稻田内变量施肥方法,包括以下步骤:
步骤1:设置水稻田间互作试验,在水稻各关键生育期取样并于成熟期测产,获取水稻植株氮积累量数据以及移栽后每日的气温数据;
步骤2:获取水稻冠层多光谱影像数据:
采用无人机搭载多光谱相机分别在水稻各关键生育期获取水稻冠层多光谱影像数据,并随机选取70%的影像数据作为建模数据,其余30%作为模型验证数据;
步骤3:对水稻冠层多光谱影像数据进行预处理,计算得到水稻冠层多光谱影像反射率数据;
步骤4:根据水稻冠层多光谱影像反射率数据构建植被指数NDRE;
步骤5: 根据获取的每日最高温和最低温数据,计算播种到测试时的累积生长度日AGDD;
步骤6:根据步骤4中计算的植被指数与步骤5中的累积生长度日计算当季估产指数INSEY;
步骤7:将水稻各关键生育期的植被指数与植株氮积累量PNA数据进行相关性分析,采用指数函数模型构建基于NDRE的植株氮积累量监测模型,决定系数R2和相对均方根误差RRMSE来评价模型的表现;
步骤8:将当季估产指数与当季水稻实际产量Yield数据进行相关性分析,结合多年试验结果,回归拟合分析方法与步骤7相同,构建基于NDRE的水稻潜在产量PGY预测模型;
步骤9:根据步骤7和步骤8中构建的潜在产量预测模型与植株氮积累量监测模型,依据氮肥优化算法NFOA计算追肥量;
步骤10:基于拔节期获取的无人机多光谱影像,计算生成NDRE影像,以每个像素点为单位面积,计算每个单位面积的水稻追肥量,生成适用于大疆T20植保无人机的田内变量追肥处方图;
步骤11:根据步骤10生成的处方图每一个追肥栅格的4个顶点GPS坐标及追施量生成航点数据,并通过地面站写入大疆T20植保无人机飞控中,依据当地的地形和天气环境设定飞行速度和高度,对待调控田块进行变量撒施尿素。
进一步的,本发明的基于无人机的水稻田内变量施肥技术评价,步骤1中的水稻田间互作试验包括不同品种、不同施氮水平的水稻。
进一步的,本发明的基于无人机的水稻田内变量施肥技术评价,步骤1中水稻氮积累量和产量获取的步骤包括:于水稻各关键生育期,在试验小区内统计连续10穴的水稻分蘖数,计算水稻每穴的平均分蘖数,取3穴水稻植株进行室内化学试验分析获取植株氮积累量数据;成熟期于试验小区内未取样处取1㎡的水稻植株进行脱粒并计算产量。
进一步的,本发明的基于无人机的水稻田内变量施肥技术评价,步骤1、2中的关键生育期包括分蘖期、穗分化期、拔节期、孕穗期、成熟期。
进一步的,本发明的基于无人机的水稻田内变量施肥技术评价,步骤3中的预处理具体为:
3-1)噪声消除:将成像传感器置于暗室内,并设置不同的曝光时间进行拍摄,将提取出的DN值作为噪声影像,将原始影像减去噪声影像进行去噪处理;
3-2)光晕校正:取斑点临近像元的亮度值均值作为斑点亮度,或者采用三次立方卷积法修正斑点亮度;
3-3)镜头畸变校正:采用足够多的黑白棋盘图,利用最小二乘法计算镜头的内参和外参,根据剩余的点坐标求出畸变相关参数进行校正;
3-4)波段配准:采用SIFT特征配准方法,分别提取基准影像与待配准影像的特征并进行特征描述,然后进行特征匹配,计算得到变换模型参数后进行影像变换配准;
3-5)辐射定标:采用经验线性法,通过特定反射率的校正白板进行辐射校正,校正白板于每次无人机飞行前放置于拍摄区域内。
进一步的,本发明的基于无人机的水稻田内变量施肥技术评价,步骤4中构建的植被指数为归一化差分红边指数NDRE,公式如下:
其中, RE和NIR分别代表730nm和850nm波段处的反射率。
构建指标指数NDRE需先圈出各试验小区的感兴趣区域ROI,提取水稻冠层多光谱影像中每个试验小区的反射率,并计算每个试验小区的平均反射率,然后根据试验小区的反射率值进行计算。
进一步的,本发明的一种基于无人机的水稻田内变量施肥技术评价,步骤5中累积生长度日(AGDD)计算公式如下:
其中和分别为水稻移栽后每日的最高气温和最低气温(℃) ,单位:
℃;d表示从播种到测试的天数。
进一步的,本发明的一种基于无人机的水稻田内变量施肥技术评价,步骤6中当季估产指数(INSEY)计算公式如下:
其中,INSEY为当季估产指数,NDRE为待调控区的NDRE值,从无人机多光谱影像中获取。
进一步的,本发明的一种基于无人机的水稻田内变量施肥技术评价,步骤7中的植株氮积累量监测模型结构为:
其中,a、b、c皆为模型特征系数;
决定系数R2和相对均方根误差RRMSE的计算公式为:
其中,m和n分别是预测值和实测值,和/>分别是平均预测值和实测值,k是样品数目。
进一步的,本发明的一种基于无人机的水稻田内变量施肥技术评价,步骤8中的水稻潜在产量预测模型结构为:
其中,PGY为潜在产量预测模型计算的待调控田块的潜在产量,p、q都表示模型特征系数;
决定系数R2和相对均方根误差RRMSE的计算公式为:
其中,m和n分别是预测值和实测值,和/>分别是平均预测值和实测值,k是样品数目。
其中,GNA为目标产量需氮量,依据江苏省常规粳稻亩产600kg为准,百公斤籽粒需氮量为1.9kg; PNA为根据步骤7构建的植株氮积累量监测模型计算的待调控田块的实时植株氮含量;NUE为水稻平均氮肥利用率,此处NUE取60%。
进一步的,本发明的一种基于无人机的水稻田内变量施肥技术评价,步骤10具体分为3步:
10-1)根据步骤9的氮肥优化算法生成当季纯氮推荐用量的处方图;
10-2)根据大疆T20植保无人机平台的撒肥作业精度,对生成的当季纯氮推荐用量处方图在Arcgis 10.5中采用最邻近内插法重采样至3m,生成平台可读取的无人机的田内变量追氮处方图;
10-3)根据尿素中的纯氮含量对步骤10-2生成的处方图进行换算,生成当季尿素追肥推荐用量的处方图。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明的基于无人机的水稻田内变量施肥技术评价利用无人机NDRE影像,以每个像素点为单位面积,计算每个单位面积的水稻追肥量,生成适用于大疆T20植保无人机的追肥处方图实现田内变量追肥。对比采用统一追肥策略的人工撒肥田块方法,该技术更加大大节约了人力和肥料成本,追肥作业更加精确、快捷,此外受天气和地形因素影响较小,真正实现了基于无人机精确变量施肥作业。
附图说明
图1是基于2020年7月29日获取的无人机多光谱影像计算生成的水稻追肥量处方图。
图2是图1进行重采样至3m生成大疆T20植保无人机撒肥平台可读取的田内变量追肥处方图。
图3根据尿素中的纯氮含量进行换算后生成的当季尿素追肥推荐用量的处方图。
图4是实施例中追肥前不同处理田块的水稻氮营养生长状况示意图。
图5是实施例中追肥后不同处理田块的水稻氮营养生长状况示意图。
图6是本发明的基于无人机的水稻田内变量施肥技术评价的流程图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
表1所示,试验1和试验2用于氮肥调控模型构建,试验3基于NFOA算法进行无人机田内变量施肥评价。
表1试验设计与数据采集的基本信息
本试验包含不同的处理,使建模数据包含更多的可能,从而提高模型的通用性。由于品种和氮肥水平的差异,数据呈现一定幅度的变化,这表示涵盖了大多数可能的情况。因此,该数据集可以为建立可靠的水稻氮肥推荐模型提供支持。
如图6所示,一种基于无人机的水稻田内变量施肥技术评价具体步骤如下:
步骤1、农学数据的获取
植株氮积累量数据:于水稻各关键生育期,在每个试验小区内统计连续10穴的水稻分蘖数,用于计算水稻每穴的平均分蘖数,取3穴水稻植株进行分样后烘干称重获取水稻生物量数据,随后将样品研磨成粉末状,并使用德国AA3连续流动分析仪测试样品氮浓度,水稻各器官的生物量与氮浓度的乘积之和即为植株氮积累量。
产量数据:成熟期于各小区未取样处取1m2的植株计算单位土地面积穗数,并取30株室内考种,计算穗粒数、千粒重和结实率。每小区收获两个1m2的水稻进行脱粒测产。
步骤2、无人机多光谱影像数据获取
本发明采用的eBeeSQ固定翼无人机是一种手抛式起飞的自动飞行器,由一对固定机翼和一个电动推进螺旋桨组成。eBeeSQ(搭载多光谱传感器)的最大续航时间约为55分钟,单块电池最大可覆盖面积约80ha(空间分辨率为8cm,旁向和航向重叠度为70%)。本发明采用eBeeSQ搭载Sequoia多光谱相机于水稻冠层上方80米高度获取多光谱影像数据(地面分辨率为8cm,旁向和航向重叠75%),飞行速度为10m/s。eMotion Ag软件可以用来预先规划航线,并监测无人机的飞行轨迹。Sequoia相机由五个通道组成,包括一个1600万像素滚动快门的RGB相机,分辨率为4608×3456像素,以及四个150万像素全局快门的单波段相机,分辨率为1280×960像素,分别是绿光波段(波长=550nm,带宽=40nm)、红光波段(波长=660nm,带宽=40nm)、红边波段(波长=735nm,带宽=10nm)和近红外波段(波长=790nm,带宽=40nm)。辐射校正图像是在每次飞行前对地面上的标准反射板进行拍摄。ParrotSequoia相机同时还搭载一个光强传感器根据周围光线来自动调整读数,从而最大限度地减少拍摄过程中的误差。无人机的绝对位置是利用无人机内嵌GPS/IMU装置获得的位置/高度测量值记录的。分别在水稻抽穗前各个关键生育时期(分蘖期、穗分化期、拔节期、孕穗期)于江苏省兴化市试验地点进行飞行测试,无人机影像保存为TIFF格式,多光谱相机根据规划航线设置为自动拍照,飞行选择在选择晴朗无云、少云无风的天气进行,时间控制在上午10点至下午2点之间。
步骤3、无人机多光谱影像的预处理
3-1)噪声消除:将成像传感器置于暗室内,设置不同的曝光时间进行拍摄,将提取出的DN值作为噪声影像,而去噪过程即原始影像减去噪声影像;
3-2)光晕校正:校正后的斑点亮度值取其临近像元的亮度值的均值或者用三次立方卷积法进行修正;
3-3)镜头畸变校正:采用足够多的黑白棋盘图,从而利用最小二乘得出更精确的解,计算出镜头的内参和外参,根据剩余的点坐标求出畸变相关参数进行校正;
3-4)波段配准:采用SIFT特征配准方法,分别提取基准影像与待配准影像的特征并进行特征描述,然后进行特征匹配,计算得到变换模型参数后进行影像变换配准;
3-5)辐射定标:采用经验线性法,通过特定反射率的校正白板进行辐射校正,校正白板于每次无人机飞行前放置于拍摄区域内。
步骤4-6、计算植被指数(NDRE)和当季估产系数(INSEY)
试验所涉及的飞行试验数据的预处理、提取与分类制图等均由软件Pix4D 4.1和ENVI5.3完成。每次飞行获取四个波段的影像集,即波长分别为550nm、660nm、735nm、790nm的四个多光谱影像集。每个采样时期的四幅多光谱反射率图都是分别由四个多光谱图像集生成的。经由无人机多光谱影像数据的预处理后,计算得到了反射率数据。通过对每一个小区的总反射率进行平均,可以获得每一个小区的平均反射率。根据NDRE的公式定义,计算出每个采样时期的每个小区的NDRE值。根据获取的每日气温数据,计算播种到测试时的累积生长度日(AGDD),进而根据当季估产系数INSEY公式计算出每个采样时期的每个小区的INSEY值,具体各参数的计算公式如表2所示。
表2 NFOA算法涉及的各参数计算公式
步骤7-8、植株氮积累量监测和当季潜在产量预测模型的构建与检验
利用步骤4中计算获得的NDRE数据和相对应的每个采样时期不同小区的植株氮积累量数据进行相关性分析,然后采用指数函数模型构建基于NDRE的植株氮积累量监测模型,并对模型进行验证。当季潜在产量预测模型的构建方法与植株氮积累量监测模型的构建方法类似,利用步骤4中计算获得的INSEY数据和相对应的小区实际产量进行相关性分析,然后采用指数函数模型构建基于INSEY的当季潜在产量预测模型,并对模型进行验证。具体的介绍如下:
指数函数模型结构如下:
其中x为自变量值(如NDRE或INSEY),y为因变量值(如植株氮积累量或者产量),a、b和c为模型系数,潜在产量预测模型的模型系数c固定取0。
标准差(SD)和变异系数(C .V .)被用来表征总试验数据的分离分散程度。C .V .越大,则所有数据包含的可能性就越多。SD和C.V.的计算如下:
其中,是总样本的均值、k是样本的数量。
如表3所示,为水稻植株氮积累量数据的描述性统计:
如表4所示,为水稻当季实际产量的描述性统计:
表3水稻植株氮积累量(PNA)数据的描述性统计
表4水稻当季实际产量(Yield)数据的描述性统计
试验利用无人机获取的水稻冠层多光谱数据与植株氮积累量构建预测模型,采用决定系数R2和相对均方根误差RRMSE两个指标来评价模型的表现,其中R2和RRMSE的具体计算公式如下:
其中,m和n分别是预测值和实测值,和/>分别是平均预测值和实测值,k是样品数目。
模型验证的数据是采用独立数据进行验证。基于两个试验地点的数据随机选取70%作建模数据,30%作模型验证数据。
如表5所示,通过指数函数回归拟合生成的水稻植株氮积累量监测和当季潜在产量预测模型的公式、决定系数R2和验证RRMSE:
表5不同植被指数与水稻植株氮积累量回归分析的决定系数
步骤9、基于NFOA算法计算田块平均追肥量
根据NFOA算法,追肥量计算公式如下:
其中,PGY和PNA计算公式为表5中模型公式,公式涉及到的NDRE和INSEY值分别由待调控田块的平均反射率计算获得; GNA为目标产量需氮量,依据江苏省常规粳稻亩产600kg为准,百公斤籽粒需氮量为1.9kg;NUE为水稻平均氮肥利用率,此处NUE取60%。
步骤10、基于NFOA算法生成田内变量追肥处方图
基于拔节期获取的无人机多光谱影像,计算生成NDRE影像,以每个像素点为单位面积,计算每个单位面积的水稻追肥量,如图1所示。
对水稻追肥量图进行重采样至3m,生成大疆T20植保无人机撒肥平台可读取的田内变量追肥处方图,如图2所示;根据尿素中的纯氮含量对步骤生成的处方图进行换算,生成当季尿素追肥推荐用量的处方图,如图3所示。
试验3用于对本发明的基于无人机的水稻田内变量施肥技术评价进行验证,共设置四个氮肥梯度N0、N1、N2、N3,其中N0不额外施氮肥作为空白对照组,N3设为氮充足区,氮肥施用量参考当地一般高产田,对N1和N2田块额外进行变量追氮调控,共采取两种调控方法:一种是采用人工均匀撒肥,另一种是基于无人机多光谱影像生成的追氮处方图采用大疆T20植保无人机田内变量施肥,但是两种调控方法所涉及的追肥量计算方法均参考NFOA追氮算法,差异在于人工撒肥是基于待调控田块的NDRE均值通过NFOA算法公式计算出田块平均追肥量,而基于无人机的变量追肥方法的变量追肥尺度为3x3m的像素单元,详见步骤6和步骤7的描述。
各处理的施肥量见表6:
表6不同追肥方法、氮肥处理条件下的纯氮用量情况(kg N ha-1)
注:带*号的两个处理N1(NFOA-无人机)和N2(NFOA-无人机)穗肥追施方法采用基于生成的处方图无人机变量撒施,纯氮用量区间在118.32-154.86 kg N ha-1。
步骤11、根据步骤10生成的处方图每一个追肥栅格的4个顶点GPS坐标及追施量生成航点数据,并通过地面站写入大疆T20植保无人机飞控中,依据当地的地形和天气环境设定合理的飞行速度和高度,对待调控田块进行变量撒施尿素。
表7展示了基于不同氮肥处理、不同追肥方式的水稻产量、氮肥偏生产力(NPFP)、氮肥农学利用率(NAE)以及去除生产成本后的产量净收益(NP)。由表可知,各施氮区的产量净收益明显高于不施氮区;对比不进行氮肥调控的N1、N2、N3田块,基于NFOA算法的氮肥调控田块在减少中后期氮肥施用的情况下,仍然保持了高产水平,说明当地水稻一般高产田块的氮肥用量处于过量施用状态;对比传统的人工均匀撒肥方式,采用大疆T20无人机田内变量施肥可以提高氮肥利用率和产量,真正实现了因地制宜的氮肥精确管理。
图4和图5分别展示了施肥前后不同处理田块的水稻氮营养生长状况,采用NNI作为氮营养生长状况诊断指标,图中左上为N1(NFOA-人工)处理、右上为N2(NFOA-人工) 处理、左中为N1(NFOA-无人机)处理、右中为N2(NFOA-无人机)处理、左下为N1处理、右下为N2处理。表8为施肥前后不同处理田块的水稻氮营养生长状况变化差异的量化描述。由表8可知人工均匀撒肥和无人机田内变量施肥两种追肥方式都能够有效改善田块氮素营养状况,使田块处于氮适宜的状态,但对比施肥前后田块内部NNI的变异系数,可以发现无人机田内变量施肥能够更加针对田内水稻生长差异精确施肥,有效改善田块内的氮素营养生长状况差异,降低田块内的水稻生长状况差异。
综上,这充分说明了本发明构建的无人机田内变量施肥方法可以有效根据无人机监测作物实时生长状况生成的追肥推荐处方图,实现精确变量施肥,在保证不减产的同时大大节约了人工劳力成本和肥料成本,有效推动了全面机械化的智慧农业发展,对于我国未来智慧农业的发展具有一定的指导意义。
表7不同氮肥处理条件下的水稻产量、氮肥利用效率及经济效益
表8不同氮肥处理条件下的田块NNI值差异变化统计
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。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 (10)
1.一种基于无人机的水稻田内变量施肥方法,其特征在于,包括以下步骤:
步骤1:设置水稻田间互作试验,在水稻各关键生育期取样并于成熟期测产,获取水稻植株氮积累量数据以及移栽后每日的气温数据;
步骤2:获取水稻冠层多光谱影像数据:
采用无人机搭载多光谱相机分别在水稻各关键生育期获取水稻冠层多光谱影像数据,并随机选取70%的影像数据作为建模数据,其余30%作为模型验证数据;
步骤3:对水稻冠层多光谱影像数据进行预处理,计算得到水稻冠层多光谱影像反射率数据;
步骤4:根据水稻冠层多光谱影像反射率数据构建植被指数NDRE;
步骤5: 根据获取的每日最高温和最低温数据,计算播种到测试时的累积生长度日AGDD;
步骤6:根据步骤4中计算的植被指数与步骤5中的累积生长度日计算当季估产指数INSEY;
步骤7:将水稻各关键生育期的植被指数与植株氮积累量PNA数据进行相关性分析,采用指数函数模型构建基于NDRE的植株氮积累量监测模型,决定系数R2和相对均方根误差RRMSE来评价模型的表现;
步骤8:将当季估产指数与当季水稻实际产量Yield数据进行相关性分析,结合多年试验结果,回归拟合分析方法与步骤7相同,构建基于NDRE的水稻潜在产量PGY预测模型;
步骤9:根据步骤7和步骤8中构建的潜在产量预测模型与植株氮积累量监测模型,依据氮肥优化算法NFOA计算追肥量;
步骤10:基于拔节期获取的无人机多光谱影像,计算生成NDRE影像,以每个像素点为单位面积,计算每个单位面积的水稻追肥量,生成适用于无人机的田内变量追肥处方图;
步骤11:根据步骤10生成的处方图每一个追肥栅格的4个顶点GPS坐标及追施量生成航点数据,并通过地面站写入无人机飞控中,依据当地的地形和天气环境设定飞行速度和高度,对待调控田块进行变量撒施尿素。
2.根据权利要求1所述的方法,其特征在于,步骤1中水稻氮积累量和产量获取的步骤包括:于水稻各关键生育期,在试验小区内统计连续10穴的水稻分蘖数,计算水稻每穴的平均分蘖数,取3穴水稻植株进行室内化学试验分析获取植株氮积累量数据;成熟期于试验小区内未取样处取1㎡的水稻植株进行脱粒并计算产量。
3.根据权利要求1所述的方法,其特征在于,步骤3中的预处理具体为:
3-1)噪声消除:将成像传感器置于暗室内,并设置不同的曝光时间进行拍摄,将提取出的DN值作为噪声影像,将原始影像减去噪声影像进行去噪处理;
3-2)光晕校正:取斑点临近像元的亮度值均值作为斑点亮度,或者采用三次立方卷积法修正斑点亮度;
3-3)镜头畸变校正:采用足够多的黑白棋盘图,利用最小二乘法计算镜头的内参和外参,根据剩余的点坐标求出畸变相关参数进行校正;
3-4)波段配准:采用SIFT特征配准方法,分别提取基准影像与待配准影像的特征并进行特征描述,然后进行特征匹配,计算得到变换模型参数后进行影像变换配准;
3-5)辐射定标:采用经验线性法,通过特定反射率的校正白板进行辐射校正,校正白板于每次无人机飞行前放置于拍摄区域内。
4.根据权利要求1所述的方法,其特征在于,步骤4中构建的植被指数为归一化差分红边指数NDRE,公式如下:
其中, RE和NIR分别代表730nm和850nm波段处的反射率;
构建指标指数NDRE需先圈出各试验小区的感兴趣区域ROI,提取水稻冠层多光谱影像中每个试验小区的反射率,并计算每个试验小区的平均反射率,然后根据试验小区的反射率值进行计算。
5.根据权利要求1所述的方法,其特征在于,步骤5中累积生长度日AGDD计算公式如下:
其中和/>分别为水稻移栽后每日的最高气温和最低气温,单位:℃;d表示从播种到测试的天数。
6.根据权利要求1所述的方法,其特征在于,步骤6中当季估产指数INSEY计算公式如下:
其中,INSEY为当季估产指数,NDRE为待调控区的NDRE值,从无人机多光谱影像中获取。
7.根据权利要求1所述的方法,其特征在于,步骤7中的植株氮积累量监测模型结构为:
其中,a、b、c皆为模型特征系数;
决定系数R2和相对均方根误差RRMSE的计算公式为:
其中,m和n分别是预测值和实测值,/>和/>分别是平均预测值和实测值,k是样品数目。
8.根据权利要求1所述的方法,其特征在于,步骤8中的水稻潜在产量预测模型结构为:
其中,PGY为潜在产量预测模型计算的待调控田块的潜在产量,p、q都表示模型特征系数;
决定系数R2和相对均方根误差RRMSE的计算公式为:
其中,m和n分别是预测值和实测值,/>和/>分别是平均预测值和实测值,k是样品数目。
9.根据权利要求1所述的方法,其特征在于,步骤9中追肥量计算公式如下:
其中,GNA为目标产量需氮量; PNA为根据步骤7构建的植株氮积累量监测模型计算的待调控田块的实时植株氮含量;NUE为水稻平均氮肥利用率。
10.根据权利要求1所述的方法,其特征在于,步骤10具体分为3步:
10-1)根据步骤9的氮肥优化算法生成当季纯氮推荐用量的处方图;
10-2)根据无人机平台的撒肥作业精度,对生成的当季纯氮推荐用量处方图在Arcgis10.5中采用最邻近内插法重采样至3m,生成平台可读取的无人机的田内变量追氮处方图;
10-3)根据尿素中的纯氮含量对步骤10-2生成的处方图进行换算,生成当季尿素追肥推荐用量的处方图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310890649.4A CN116602106A (zh) | 2023-07-20 | 2023-07-20 | 一种基于无人机的水稻田内变量施肥方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310890649.4A CN116602106A (zh) | 2023-07-20 | 2023-07-20 | 一种基于无人机的水稻田内变量施肥方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116602106A true CN116602106A (zh) | 2023-08-18 |
Family
ID=87675109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310890649.4A Pending CN116602106A (zh) | 2023-07-20 | 2023-07-20 | 一种基于无人机的水稻田内变量施肥方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116602106A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117063826A (zh) * | 2023-10-17 | 2023-11-17 | 寿光市茂藤农业科技有限公司 | 一种基于植物形态监测的植株立体水培系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2202108C2 (ru) * | 2001-04-10 | 2003-04-10 | Институт почвоведения и агрохимии СО РАН | Способ определения потребности сельскохозяйственной культуры в азотном удобрении |
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 |
CN102435564A (zh) * | 2011-09-19 | 2012-05-02 | 南京农业大学 | 一种基于三波段光谱指数估测植物氮含量的方法 |
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 |
CN104091067A (zh) * | 2014-07-04 | 2014-10-08 | 南京农业大学 | 一种基于临界氮浓度预测水稻植株各器官氮含量的方法 |
CN106941843A (zh) * | 2016-08-26 | 2017-07-14 | 江苏省农业科学院 | 一种基于土壤地力和冠层光谱的水稻高产诊断施氮肥方法 |
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 |
US20210188731A1 (en) * | 2019-12-22 | 2021-06-24 | Institute Of Agricultural Resources And Environment, Shandong Academy Of Agricultural Sciences | One-Off Fertilization Method Suitable for Winter Wheat in Areas with Less Rainfall in Spring |
-
2023
- 2023-07-20 CN CN202310890649.4A patent/CN116602106A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2202108C2 (ru) * | 2001-04-10 | 2003-04-10 | Институт почвоведения и агрохимии СО РАН | Способ определения потребности сельскохозяйственной культуры в азотном удобрении |
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 |
CN102435564A (zh) * | 2011-09-19 | 2012-05-02 | 南京农业大学 | 一种基于三波段光谱指数估测植物氮含量的方法 |
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 |
CN104091067A (zh) * | 2014-07-04 | 2014-10-08 | 南京农业大学 | 一种基于临界氮浓度预测水稻植株各器官氮含量的方法 |
CN106941843A (zh) * | 2016-08-26 | 2017-07-14 | 江苏省农业科学院 | 一种基于土壤地力和冠层光谱的水稻高产诊断施氮肥方法 |
US20210188731A1 (en) * | 2019-12-22 | 2021-06-24 | Institute Of Agricultural Resources And Environment, Shandong Academy Of Agricultural Sciences | One-Off Fertilization Method Suitable for Winter Wheat in Areas with Less Rainfall in Spring |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117063826A (zh) * | 2023-10-17 | 2023-11-17 | 寿光市茂藤农业科技有限公司 | 一种基于植物形态监测的植株立体水培系统 |
CN117063826B (zh) * | 2023-10-17 | 2023-12-19 | 寿光市茂藤农业科技有限公司 | 一种基于植物形态监测的植株立体水培系统 |
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 | |
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 | |
CN111399508B (zh) | 智慧农业系统和智慧农业方法 | |
Cao et al. | Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images | |
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 | |
Lu et al. | Improving Unmanned Aerial Vehicle (UAV) remote sensing of rice plant potassium accumulation by fusing spectral and textural information | |
CN1505794A (zh) | 用于农田的计算机定位施肥 | |
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 | |
CN112906477B (zh) | 一种基于无人机光谱数据的灌溉处方图反演方法 | |
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 | |
Noguera et al. | Nutritional status assessment of olive crops by means of the analysis and modelling of multispectral images taken with UAVs | |
CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
CN110954650A (zh) | 一种棉花冠层氮素的卫星遥感监测方法 | |
Kawamura et al. | Mapping herbage biomass and nitrogen status in an Italian ryegrass (Lolium multiflorum L.) field using a digital video camera with balloon system | |
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 | |
Peng et al. | Improving the spatial and temporal estimation of maize daytime net ecosystem carbon exchange variation based on unmanned aerial vehicle multispectral remote sensing | |
CN116124774A (zh) | 一种基于无人机光谱多源数据预测冠层氮含量方法 | |
CN116297243B (zh) | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 | |
CN116897670B (zh) | 作物施肥方法、装置、电子设备和存储介质 | |
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 | |
Lin et al. | Diagnosis of Nitrogen Concentration of Maize Based on Sentinel-2 Images: A Case Study of the Hetao Irrigation District | |
CN117347283A (zh) | 一种适用于农业园区尺度的小麦氮肥推荐方法 | |
EP4162783A1 (en) | Method and system for providing a site specific fertilizer recommendation | |
CN117371600A (zh) | 一种通过冬小麦水分利用效率进行防旱预警的方法 |
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 |