CN116662753B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116662753B CN116662753B CN202310561959.1A CN202310561959A CN116662753B CN 116662753 B CN116662753 B CN 116662753B CN 202310561959 A CN202310561959 A CN 202310561959A CN 116662753 B CN116662753 B CN 116662753B
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- remote sensing
- index
- model
- rice
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 406
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 203
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 108
- 235000009566 rice Nutrition 0.000 title claims abstract description 108
- 239000003337 fertilizer Substances 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000008878 coupling Effects 0.000 title claims abstract description 19
- 238000010168 coupling process Methods 0.000 title claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 19
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 108
- 230000012010 growth Effects 0.000 claims abstract description 59
- 235000016709 nutrition Nutrition 0.000 claims abstract description 58
- 230000035764 nutrition Effects 0.000 claims abstract description 58
- 238000003745 diagnosis Methods 0.000 claims abstract description 16
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 230000009418 agronomic effect Effects 0.000 claims abstract description 12
- 239000002689 soil Substances 0.000 claims description 58
- 241000196324 Embryophyta Species 0.000 claims description 32
- 239000002028 Biomass Substances 0.000 claims description 30
- 238000010521 absorption reaction Methods 0.000 claims description 23
- 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 claims description 23
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 22
- 230000001105 regulatory effect Effects 0.000 claims description 18
- 229930002875 chlorophyll Natural products 0.000 claims description 17
- 235000019804 chlorophyll Nutrition 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 13
- 239000012895 dilution Substances 0.000 claims description 10
- 238000010790 dilution Methods 0.000 claims description 10
- 235000013339 cereals Nutrition 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000004720 fertilization Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 241001420622 Meris Species 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 claims description 3
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 claims description 3
- 238000005341 cation exchange Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000009313 farming Methods 0.000 claims description 3
- 239000003292 glue Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000035800 maturation Effects 0.000 claims description 3
- 229910052698 phosphorus Inorganic materials 0.000 claims description 3
- 239000011574 phosphorus Substances 0.000 claims description 3
- 239000011591 potassium Substances 0.000 claims description 3
- 229910052700 potassium Inorganic materials 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000004016 soil organic matter Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000033228 biological regulation Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000004088 simulation Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- RDXARWSSOJYNLI-UHFFFAOYSA-N [P].[K] Chemical compound [P].[K] RDXARWSSOJYNLI-UHFFFAOYSA-N 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 235000015816 nutrient absorption Nutrition 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000014075 nitrogen utilization Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Pathology (AREA)
- Mining & Mineral Resources (AREA)
- Biochemistry (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Immunology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于水稻穗肥估算技术领域，涉及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。所述方法包括如下步骤：S1、基础数据库构建；S2、基于遥感植被指数的农学参数反演建模；S3、基于氮营养指数NNI的水稻氮营养诊断；S4、基于作物生长模型和遥感氮营养诊断的穗肥氮精准推荐。本发明通过遥感反演技术实现关键生育期水稻长势和氮营养估测，以水稻长势多源遥感反演空间数据集为结合点耦合作物生长模型实时模拟水稻产量，进一步结合水稻氮营养状况和氮需求，最终实现地块级的穗肥氮精准推荐，以期实现水稻更精准、高效、绿色的生产。
Description
技术领域
本发明属于水稻穗肥估算技术领域，涉及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。
背景技术
水稻是我国重要的粮食作物之一，全国有2/3的人口以水稻为主食，水稻生产对于保障我国粮食安全有着重要意义。氮是水稻生产最主要的限制因子，但是我国当前水稻生产的氮肥管理不合理、氮肥损失严重等问题仍很突出。因此，实现水稻生产的氮素精准管理至关重要。
水稻氮素管理中，施用穗肥是一项重要措施,它对水稻生育性状、群体质量、产量都有极其重要的影响。随着水稻测深施肥技术的应用，水稻氮肥施用的模式向轻简化发展，由过去的施用基肥、蘖肥、穗肥和或粒肥3-4次施肥模式，逐渐改变为基蘖肥一次性测深施用和幼穗分化期施用穗肥的2次施肥模式；精准施用穗肥是水稻高产、氮高效利用的重要保证。
传统的穗肥推荐方法要么根据目标产量确定总施氮量，再根据水稻养分吸收规律将基蘖肥与穗肥按一定的固定比例直接施用；或者是在水稻生长中期对水稻进行营养诊断，根据水稻的氮营养状况调整穗肥施用量。传统的化学诊断能够比较准确地反映作物的氮养分状况，但是需要进行破坏性取样，耗费大量人力且所需时间较长，所需成本较高，难以实现水稻的实时监测，无法在实际生产中大面积广泛应用；遥感技术具有覆盖面积大、决策迅速等特点，在农业上可用于监测作物生长、作物胁迫和预测作物产量。其应用主要与植物叶片光谱特性有关，叶绿素强烈吸收蓝光和红光形成吸收峰，强烈反射红边以及近红外光形成吸收谷。作物缺氮会造成叶绿素对可见光和中红外波段的反射加强而对近红外光反射减弱；遥感技术农业应用进一步拓展了植物氮营养诊断的应用尺度，使大面积无损、快速诊断和施肥精准推荐成为可能。
水稻穗肥氮推荐用量的精准确定，除了依赖水稻植株氮营养的准确诊断外，同时还与目标产量有关，即，穗肥氮推荐用量是目标产量下的氮营养需求与前期氮用量、诊断期水稻氮营养、以及穗肥氮利用效率的函数；当前水稻穗肥氮推荐用量的确定中普遍采用了产前确定的目标产量，是经验性的；而作物生长模型是基于作物生长发育及产量形成与环境条件、田间管理措施之间的定量化关系，通过实时模型参数输入动态连续模拟作物的生长发育和产量形成过程，具有较强机理性；因此，通过作物模型实时模拟作物产量是穗肥氮用量精准确定的可行的、关键的措施。但是，作物模型模拟的是点状数据，是连续对作物生长发育过程的机理性模拟，在其发展到区域时，所需的输入参数往往只能获得有限的空间离散数据，空间异质性不易体现。而遥感技术具有宏观性、实时性的特点，通过把遥感探测数据融合在作物模型过程模拟中，在优化同时刻模型模拟值的基础上，并改变优化时刻之后的模型模拟状态变量，可实现作物生长发育和产量的大面积实时模拟；因此，耦合遥感技术和作物生长模型，融合遥感技术在作物生长空间域上的优势和作物模型在时间域上的优势是区域精准施肥推荐的新途径。
发明内容
针对上述技术问题，本发明的目的是提供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，通过遥感反演技术实现关键生育期水稻长势和氮营养估测，以水稻长势多源遥感反演空间数据集为结合点耦合作物生长模型实时模拟水稻产量，进一步结合水稻氮营养状况和氮需求，最终实现地块级的穗肥氮精准推荐，以期实现水稻更精准、高效、绿色的生产。
为了实现上述目的，本发明提供了如下技术方案：
本发明首先构建包括多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度Na数据、水稻关键生育期多源(卫星和无人机)遥感数据、预测年施用穗肥前各地块实际施氮量数据、研究区地块矢量图层数据以及DSSAT调参数据库的基础数据库；所述DSSAT调参数据库包括水稻种植区至少3年氮肥梯度试验数据、气象数据、地块尺度土壤数据、水稻品种信息和管理数据。然后运用遥感植被指数计算和机器学习回归建模构建农学参数(地上部生物量AGB、植株氮浓度Na)的最优反演模型；进一步根据水稻氮稀释曲线和地上部生物量AGB、植株氮浓度Na计算氮营养指数NNI，并以NNI阈值范围为判断依据进行水稻氮营养诊断，借助ArcGIS空间分析工具整合为地块级氮营养诊断结果；最后以遥感反演地上部生物量为结合点耦合本地化后的DSSAT作物生长模型实时模拟水稻产量，以该产量为依据调整穗肥氮用量，最终实现地块级的穗肥氮精准推荐。
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，包括如下步骤：
S1、基础数据库构建；
获取多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度Na数据、水稻关键生育期多源遥感数据、预测年穗肥前各地块实际施氮量数据、研究区地块矢量图层数据以及DSSAT调参数据库，构建基础数据库；
所述水稻关键生育期包括分蘖期、幼穗分化期和拔节期；
所述水稻关键生育期多源遥感数据包括卫星影像数据和无人机影像数据，含多年历史数据和预测年数据；
S2、基于遥感植被指数的农学参数反演建模；
S2.1、使用ENVI软件提取步骤S1获取的水稻关键生育期卫星影像数据和无人机影像数据中试验点位的光谱反射率数据，并根据卫星影像数据和无人机影像数据的光谱反射率数据计算植被指数；
S2.2、利用scikit-learn库的线性回归模型LinearRegression、近邻模型KNeighborsRegressor、决策树模型DecisionTreeRegressor、支持向量机SVR和随机森林模型RandomForestRegressor来分别构建步骤S2.1获得的各植被指数与地上部生物量AGB、植株氮浓度Na的关系模型，并通过模型评价指标进行最优模型筛选，分别获得基于卫星遥感的AGB、Na最优反演模型和基于无人机遥感的AGB、Na最优反演模型；
S3、基于氮营养指数NNI的水稻氮营养诊断；
S3.1、利用python的GDAL库将步骤S2获得的基于卫星遥感的AGB、Na最优反演模型和基于无人机遥感的AGB、Na最优反演模型分别应用于步骤S1获得的预测年对应的卫星影像数据和无人机影像数据，基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层；
S3.2、基于水稻氮稀释曲线以及ENVI软件的波段运算功能对步骤S3.1获得的基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层分别计算，得到基于卫星遥感的氮营养指数NNI图层和基于无人机遥感的氮营养指数NNI图层；
NNI＝Na/Nc 公式5
公式4即为氮稀释曲线，公式4和公式5中，Nc为临界氮浓度，单位为g kg-1；AGB为地上部生物量，单位为t ha-1；a、b为氮稀释曲线系数；NNI为氮营养指数；Na为植株氮浓度，单位为g kg-1；
S3.3、结合步骤S1获取的研究区地块矢量图层利用ArcGIS区域分析工具，分别对步骤S3.1获得的基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层以及步骤S3.2获得的基于卫星遥感的NNI图层和基于无人机遥感的NNI图层进行处理，得到基于卫星遥感的地块级氮营养指数NNI估测图层和地块级AGB、Na估测图层以及基于无人机遥感的地块级氮营养指数NNI估测图层和地块级AGB、Na估测图层；
S3.4、根据氮营养指数NNI阈值范围对步骤S3.3获得各遥感源的地块级氮营养指数NNI估测图层中的各地块氮营养状况进行判断；
NNI<0.95为氮缺乏，0.95<NNI<1.05为氮适宜，NNI>1.05为氮充足；
S4、基于作物生长模型和遥感氮营养诊断的穗肥氮精准推荐；
S4.1、水稻生长模型DSSAT模型遗传参数本地化；
将步骤S1获得DSSAT调参数据库中的数据输入DSSAT模型，通过DSSAT-GLUE和试错法不断调整模型的遗传系数；
S4.2、使用ArcGIS软件提取步骤S3.3获得的各遥感源的地块级AGB、Na估测图层的栅格值获得各遥感源各地块的AGB、Na估测值，计算各遥感源各地块植株吸氮量差PNU差并将各遥感源的地块级地上部生物量AGB估测值输入步骤S4.1获得的本地化后的水稻生长模型DSSAT，获得各遥感源的产中地块级目标产量和总推荐施氮量；
PNU＝Na×AGB 公式9
PNUC＝Nc×AGB 公式10
PNU差＝PNU-PNUc 公式11
公式9～11中，PNU为植株吸氮量，单位为kg ha-1；PNUC为植株临界吸氮量，单位为kg ha-1；PNU差为植株吸氮量差，单位为kg ha-1；AGB为地上部生物量，单位为tha-1；Nc为临界氮浓度，单位为g kg-1；Na为植株氮浓度，单位为g kg-1；
S4.3、以步骤S4.2获得的各遥感源的产中地块级目标产量和总推荐施氮量为依据，结合预测年穗肥前各地块实际施氮量数据，根据公式12计算各遥感源各地块的穗肥氮推荐用量，最终实现各遥感源地块级的穗肥氮精准推荐；
各地块的穗肥氮推荐用量＝(总推荐施氮量-穗肥前实际施氮量)-PNU差/穗肥氮回收率 公式12
所述植被指数包括绿色差异植被指数GDVI、绿度归一化植被指数GNDVI、绿色宽动态范围植被指数GWDRVI、绿色叶绿素指数Cig、修正绿色简单比指数MSR_G、绿色土壤调节植被指数GSAVI、修正型绿色土壤调节植被指数MGSAVI、绿色优化土壤调节植被指数GOSAVI、绿色复归一化植被指数GRDVI、归一化植被指数NDVI、比值植被指数RVI、优化土壤调节植被指数OSAVI、宽动态范围植被指数WDRVI、土壤调节植被指数SAVI、修正型土壤调节植被指数MSAVI、差值植被指数DVI、复归一化差值植被指数RDVI、转化型归一化植被指数TNDVI、优化植被指数VIopt、MERIS数据植被指数、红边差值植被指数REDVI、归一化差异红边植被指数NDRE、红边优化土壤调节植被指数REOSAVI、红边差值植被指数1RDVI1、红边归一化差值植被指数RENDVI、红边绿波比值植被指数REGRVI、红边绿波差值植被指数REGDVI、红边绿波归一化植被指数REGNDVI、MERIS数据叶绿素指数MTCI、归一化绿波指数NGI、归一化红边指数NRI、归一化近红外指数NNIR、修正双重差值指数MDD、修正增强植被指数MEVI、修正归一化差值红边指数MNDRE、修正型叶绿素吸收反射率指数1MCARI1、修正型叶绿素吸收反射率指数1MCARI2、修正转换型叶绿素吸收反射率指数MTCARI、修正冠层叶绿素含量指数MCCCI。
所述DSSAT调参数据库包括水稻种植区至少3年氮肥梯度试验数据、气象数据、地块尺度土壤数据、水稻品种信息和管理数据；所述气象数据包括日最高温、日最低温、每日光照、日降水量、湿度、风向和云层厚度；所述土壤数据包括土壤pH值、土壤有机质含量、土壤全氮含量、土壤有效磷含量、土壤有效钾含量、土壤容重、土壤质地、土壤含水量、土壤阳离子交换量、土壤硝态氮含量和土壤铵态氮含量；所述氮肥梯度试验数据包括不同氮肥用量梯度下水稻的开花期、成熟期时间和产量，以及不同氮肥用量梯度下和水稻关键生育期的地上部生物量、叶面积指数、籽粒重和叶绿素含量；其中，所述氮肥梯度为：不施氮处理、50％当地推荐施氮量、当地推荐施氮量和150％当地推荐施氮量，分别记为N0、N1、N2、N3；每个氮肥梯度的磷钾肥用量均为当地推荐磷钾使用量。
所述水稻关键生育期为：分蘖期、幼穗分化期、拔节期、抽穗期、抽穗后20天和成熟期；所述管理数据包括地块信息、农事操作信息、施肥信息和环境信息。
所述步骤S2.2中，所述scikit-learn库为python的机器学习库，以地上部生物量AGB、植株氮浓度Na为自变量，以对应的植被指数为因变量。
所述步骤S2.2中，所述模型评价指标包括决定系数R2、平均绝对误差MAE和均方根误差RMSE，依据决定系数R2越大且平均绝对误差MAE和均方根误差RMSE越小的原则进行最优模型的筛选；
公式1～公式3中，R2为决定系数；MAE为平均绝对误差；RMSE为均方根误差；yi为模型预测值；xi为实测值；为实测值的平均值；n为参与计算的样本数量。
所述步骤S4.1中，以调整遗传参数后模型预测的地上部生物量、叶面积指数、籽粒重和叶绿素含量农学参数与实测值之间的决定系数R2、归一化均方根误差nRMSE和平均误差E为评价指标，直至R2达到85％以上，nRMSE小于15％即完成模型调参，实现模型本地化，其中平均误差E<0或E>0用于判断模型低估或高估以上农学参数；此时的遗传参数为本地化后的遗传参数，此时的DSSAT模型即为本地化后的模型；
E＝∑(yi-xi)/n 公式6
公式6～8中，E为平均误差；R2为决定系数；nRMSE为归一化均方根误差；yi为模型预测值；xi为实测值；为实测值的平均值；n为参与计算的样本数量。
与现有技术相比，本发明的有益效果在于：
传统的穗肥氮推荐方法根据产前设定的目标产量确定总施氮量，再根据水稻养分吸收规律将基蘖肥与穗肥按一定的固定比例要么直接施用，或者是在水稻生长中期进行营养诊断，根据水稻的氮营养状况调整穗肥氮施用量。但是，传统的化学诊断需要进行破坏性取样，耗时费力，难以实现水稻的实时大面积监测；同时，基于产前已设定的目标产量确定穗肥氮用量，是经验性的，不能精准匹配作物实时生长发育动态与产量形成过程。因此，本发明，融合遥感技术在作物营养监测的瞬时性、空间域优势和作物模型对作物生长发育过程的连续性、机理性模拟优势，通过遥感反演技术实现关键生育期水稻长势和氮营养估测，以水稻长势多源遥感反演空间数据集为结合点耦合作物生长模型实时模拟水稻产量，进一步结合水稻氮营养遥感监测空间数据集和氮需求，最终实现地块级的穗肥氮精准推荐。
附图说明
图1为本发明的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法的流程图；
图2为基于无人机遥感的试验区氮营养指数(NNI)估测图；
图3a为基于无人机遥感的试验区氮营养诊断图；
图3b为基于无人机遥感的试验区地块氮营养诊断图；
图4为基于模型与无人机遥感耦合的地块穗肥氮推荐图。
具体实施方式
下面结合附图和实施例对本发明进行进一步说明。
如图1所示，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，包括如下步骤：
S1、基础数据库构建；
获取多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度Na数据、水稻关键生育期多源遥感数据、预测年穗肥前各地块实际施氮量数据、研究区地块矢量图层数据以及DSSAT调参数据库，构建基础数据库，详见表1；
所述水稻关键生育期包括分蘖期、幼穗分化期和拔节期；
所述水稻关键生育期多源遥感数据包括卫星影像数据和无人机影像数据，含多年历史数据和预测年数据；
所述DSSAT调参数据库包括水稻种植区至少3年氮肥梯度试验数据、气象数据、地块尺度土壤数据、水稻品种信息和管理数据。所述气象数据包括日最高温、日最低温、每日光照、日降水量、湿度、风向和云层厚度；所述土壤数据包括土壤pH值、土壤有机质含量、土壤全氮含量、土壤有效磷含量、土壤有效钾含量、土壤容重、土壤质地、土壤含水量、土壤阳离子交换量、土壤硝态氮含量和土壤铵态氮含量；所述氮肥梯度试验数据包括不同氮肥用量梯度下水稻的开花期、成熟期时间和产量，以及不同氮肥用量梯度下和水稻关键生育期的地上部生物量、叶面积指数、籽粒重和叶绿素含量。其中，所述氮肥梯度为：不施氮处理、50％当地推荐施氮量、当地推荐施氮量和150％当地推荐施氮量，分别记为N0、N1、N2、N3；本实施例氮肥梯度中，N1＝50kg N/ha,N2＝100kg N/ha，N3＝150kg N/ha；每个氮肥梯度的磷钾肥用量均为当地推荐磷钾使用量；所述水稻关键生育期为：分蘖期、幼穗分化期、拔节期、抽穗期、抽穗后20天和成熟期；所述管理数据包括地块信息、农事操作信息、施肥信息和环境信息。
表1.基础数据库
S2、基于遥感植被指数的农学参数反演建模；
S2.1、使用ENVI软件提取步骤S1获取的水稻关键生育期卫星影像数据和无人机影像数据中试验点位的光谱反射率数据，并根据卫星影像数据和无人机影像数据的光谱反射率数据计算植被指数，详见表2；
所述植被指数包括绿色差异植被指数GDVI、绿度归一化植被指数GNDVI、绿色宽动态范围植被指数GWDRVI、绿色叶绿素指数Cig、修正绿色简单比指数MSR_G、绿色土壤调节植被指数GSAVI、修正型绿色土壤调节植被指数MGSAVI、绿色优化土壤调节植被指数GOSAVI、绿色复归一化植被指数GRDVI、归一化植被指数NDVI、比值植被指数RVI、优化土壤调节植被指数OSAVI、宽动态范围植被指数WDRVI、土壤调节植被指数SAVI、修正型土壤调节植被指数MSAVI、差值植被指数DVI、复归一化差值植被指数RDVI、转化型归一化植被指数TNDVI、优化植被指数VIopt、MERIS数据植被指数、红边差值植被指数REDVI、归一化差异红边植被指数NDRE、红边优化土壤调节植被指数REOSAVI、红边差值植被指数1RDVI1、红边归一化差值植被指数RENDVI、红边绿波比值植被指数REGRVI、红边绿波差值植被指数REGDVI、红边绿波归一化植被指数REGNDVI、MERIS数据叶绿素指数MTCI、归一化绿波指数NGI、归一化红边指数NRI、归一化近红外指数NNIR、修正双重差值指数MDD、修正增强植被指数MEVI、修正归一化差值红边指数MNDRE、修正型叶绿素吸收反射率指数1MCARI1、修正型叶绿素吸收反射率指数1MCARI2、修正转换型叶绿素吸收反射率指数MTCARI、修正冠层叶绿素含量指数MCCCI；
S2.2、利用scikit-learn库的线性回归模型LinearRegression、近邻模型KNeighborsRegressor、决策树模型DecisionTreeRegressor、支持向量机SVR和随机森林模型RandomForestRegressor来分别构建步骤S2.1获得的各植被指数与地上部生物量AGB、植株氮浓度Na的关系模型，并通过模型评价指标进行最优模型筛选，分别获得基于卫星遥感的AGB、Na最优反演模型和基于无人机遥感的AGB、Na最优反演模型；
所述scikit-learn库为现有python的机器学习库，分别以地上部生物量AGB、植株氮浓度Na为自变量，以对应的植被指数为因变量，输入上述机器学习回归模型中即可构建植被指数与地上部生物量AGB、植株氮浓度Na的关系模型。
所述模型评价指标包括决定系数R2、平均绝对误差MAE和均方根误差RMSE，依据决定系数R2越大且平均绝对误差MAE和均方根误差RMSE越小的原则进行最优模型的筛选。
公式1～公式3中，R2为决定系数；MAE为平均绝对误差；RMSE为均方根误差；yi为模型预测值；xi为实测值；为实测值的平均值；n为参与计算的样本数量。
表2.植被指数列表
表2中G、R、RE和NIR分别表示各途径遥感数据自带的绿波段、红波段、红边波段和近红外波段的光谱反射率数据。
S3、基于氮营养指数NNI的水稻氮营养诊断；
S3.1、利用python的GDAL库将步骤S2获得的基于卫星遥感的AGB、Na最优反演模型和基于无人机遥感的AGB、Na最优反演模型分别应用于步骤S1获得的预测年对应的卫星影像数据和无人机影像数据，基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层。
所述水稻关键生育期多源遥感数据是图层数据，包括历史数据和预测年数据两类；GDAL库是专门处理各种栅格地理数据格式的库。用GDAL库加载并提取遥感影像数据各个像元的像素值，再加载步骤S2.2获取的基于卫星遥感的AGB、Na最优反演模型和基于无人机遥感的AGB、Na最优反演模型，将各像素值计算为对应的农学参数(地上部生物量AGB和植株氮浓度Na)，最后GDAL库再将计算后的值按照原先像素的空间位置重新整合为原始遥感影像数据格式，从而得到基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层。
S3.2、基于水稻氮稀释曲线以及ENVI软件的波段运算功能对步骤S3.1获得的基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层分别计算，得到基于卫星遥感的氮营养指数NNI图层和基于无人机遥感的氮营养指数NNI图层；
NNI＝Na/Nc 公式5
公式4即为本实施例种植区水稻氮稀释曲线(该曲线为参考文献Huang S Y,MiaoY X,Cao Q,Yao Y K,Zhao G M,Yu W F,Shen J N,Yu K,Bareth G.2018.Anew criticalnitrogen dilution curve for rice nitrogen status diagnosis in NortheastChina.Pedosphere.28(5):814–822.中提出的适用于寒地水稻的公式，a＝27.7，b＝0.34)，公式4和公式5中，Nc为临界氮浓度，单位为g kg-1；AGB为地上部生物量，单位为t ha-1；NNI为氮营养指数；Na为植株氮浓度，单位为g kg-1；
S3.3、结合步骤S1获取的研究区地块矢量图层利用ArcGIS区域分析工具，分别对步骤S3.1获得的基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层以及步骤S3.2获得的基于卫星遥感的NNI图层和基于无人机遥感的NNI图层进行处理，得到基于卫星遥感的地块级氮营养指数NNI估测图层(如图2所示)和地块级AGB、Na估测图层以及基于无人机遥感的地块级氮营养指数NNI估测图层和地块级AGB、Na估测图层；
S3.4、根据氮营养指数NNI阈值范围对步骤S3.3获得各遥感源的地块级氮营养指数NNI估测图层中的各地块氮营养状况进行判断；
NNI<0.95为氮缺乏，0.95<NNI<1.05为氮适宜，NNI>1.05为氮充足(详见图3a、图3b)。
S4、基于作物生长模型和遥感氮营养诊断的穗肥氮精准推荐；
S4.1、水稻生长模型DSSAT模型遗传参数本地化；
将步骤S1获得DSSAT调参数据库中的数据输入现有DSSAT(Decision SupportSystem For Agro-technology Transfer)模型，通过DSSAT-GLUE和试错法不断调整模型的遗传系数，以调整遗传参数后模型预测的地上部生物量、叶面积指数、籽粒重和叶绿素含量等农学参数与实测值之间的决定系数R2、归一化均方根误差nRMSE和平均误差E为评价指标，直至R2达到85％以上，nRMSE小于15％即完成模型调参，实现模型本地化，其中平均误差E<0或E>0用于判断模型低估或高估以上农学参数；此时的遗传参数为本地化后的遗传参数，此时的DSSAT模型即为本地化后的模型；
E＝∑(yi-xi)/n 公式6
公式6～8中，E为平均误差；R2为决定系数；nRMSE为归一化均方根误差；yi为模型预测值；xi为实测值；为实测值的平均值；n为参与计算的样本数量。
S4.2、使用ArcGIS软件提取步骤S3.3获得的各遥感源的地块级AGB、Na估测图层的栅格值获得各遥感源各地块的AGB、Na估测值，计算各遥感源各地块植株吸氮量差PNU差并将各遥感源的地块级地上部生物量AGB估测值输入步骤S4.1获得的本地化后的水稻生长模型DSSAT，获得各遥感源的产中地块级目标产量和总推荐施氮量；
PNU＝na×AGB 公式9
PNUC＝nc×AGB 公式10
PNU差＝PNU-PNUc 公式11
公式9～11中，PNU为植株吸氮量，单位为kg ha-1；PNUC为植株临界吸氮量，单位为kg ha-1；PNU差为植株吸氮量差，单位为kg ha-1；AGB为地上部生物量，单位为t ha-1；nc为临界氮浓度，单位为g kg-1；Na为植株氮浓度，单位为g kg-1。
S4.3、以步骤S4.2获得的各遥感源的产中地块级目标产量和总推荐施氮量为依据，结合预测年穗肥前各地块实际施氮量数据，根据公式12计算各遥感源各地块的穗肥氮推荐用量，最终实现各遥感源地块级的穗肥氮精准推荐，如图4所示；
各地块的穗肥氮推荐用量＝(总推荐施氮量-穗肥前实际施氮量)-PNU差/穗肥氮回收率公式12
公式12中，穗肥氮回收率为62.5％。
Claims (6)
1.一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特征在于，所述方法包括如下步骤：
S1、基础数据库构建；
获取多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度Na数据、水稻关键生育期多源遥感数据、预测年穗肥前各地块实际施氮量数据、研究区地块矢量图层数据以及DSSAT调参数据库，构建基础数据库；
所述水稻关键生育期包括分蘖期、幼穗分化期和拔节期；
所述水稻关键生育期多源遥感数据包括卫星影像数据和无人机影像数据，含多年历史数据和预测年数据；
S2、基于遥感植被指数的农学参数反演建模；
S2.1、使用ENVI软件提取步骤S1获取的水稻关键生育期卫星影像数据和无人机影像数据中试验点位的光谱反射率数据，并根据卫星影像数据和无人机影像数据的光谱反射率数据计算植被指数；
S2.2、利用scikit-learn库的线性回归模型LinearRegression、近邻模型KNeighborsRegressor、决策树模型DecisionTreeRegressor、支持向量机SVR和随机森林模型RandomForestRegressor来分别构建步骤S2.1获得的各植被指数与地上部生物量AGB、植株氮浓度Na的关系模型，并通过模型评价指标进行最优模型筛选，分别获得基于卫星遥感的AGB、Na最优反演模型和基于无人机遥感的AGB、Na最优反演模型；
S3、基于氮营养指数NNI的水稻氮营养诊断；
S3.1、利用python的GDAL库将步骤S2获得的基于卫星遥感的AGB、Na最优反演模型和基于无人机遥感的AGB、Na最优反演模型分别应用于步骤S1获得的预测年对应的卫星影像数据和无人机影像数据，基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层；
S3.2、基于水稻氮稀释曲线以及ENVI软件的波段运算功能对步骤S3.1获得的基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层分别计算，得到基于卫星遥感的氮营养指数NNI图层和基于无人机遥感的氮营养指数NNI图层；
NNI＝Na/Nc 公式5
公式4即为氮稀释曲线，公式4和公式5中，Nc为临界氮浓度，单位为g kg-1；AGB为地上部生物量，单位为t ha-1；a、b为氮稀释曲线系数；NNI为氮营养指数；Na为植株氮浓度，单位为gkg-1；
S3.3、结合步骤S1获取的研究区地块矢量图层利用ArcGIS区域分析工具，分别对步骤S3.1获得的基于卫星遥感的AGB、Na估测图层和基于无人机遥感的AGB、Na估测图层以及步骤S3.2获得的基于卫星遥感的NNI图层和基于无人机遥感的NNI图层进行处理，得到基于卫星遥感的地块级氮营养指数NNI估测图层和地块级AGB、Na估测图层以及基于无人机遥感的地块级氮营养指数NNI估测图层和地块级AGB、Na估测图层；
S3.4、根据氮营养指数NNI阈值范围对步骤S3.3获得各遥感源的地块级氮营养指数NNI估测图层中的各地块氮营养状况进行判断；
NNI<0.95为氮缺乏，0.95<NNI<1.05为氮适宜，NNI>1.05为氮充足；
S4、基于作物生长模型和遥感氮营养诊断的穗肥氮精准推荐；
S4.1、水稻生长模型DSSAT模型遗传参数本地化；
将步骤S1获得DSSAT调参数据库中的数据输入DSSAT模型，通过DSSAT-GLUE和试错法不断调整模型的遗传系数接近实测值，此时的遗传参数为本地化后的遗传参数，此时的DSSAT模型即为本地化后的模型；
S4.2、使用ArcGIS软件提取步骤S3.3获得的各遥感源的地块级AGB、Na估测图层的栅格值获得各遥感源各地块的AGB、Na估测值，计算各遥感源各地块植株吸氮量差PNU差并将各遥感源的地块级地上部生物量AGB估测值输入步骤S4.1获得的本地化后的水稻生长模型DSSAT，获得各遥感源的产中地块级目标产量和总推荐施氮量；
PNU＝Na×AGB 公式9
PNUC＝Nc×AGB 公式10
PNU差＝PNU-PNUc 公式11
公式9～11中，PNU为植株吸氮量，单位为kg ha-1；PNUC为植株临界吸氮量，单位为kg ha-1；PNU差为植株吸氮量差，单位为kg ha-1；AGB为地上部生物量，单位为t ha-1；Nc为临界氮浓度，单位为g kg-1；Na为植株氮浓度，单位为g kg-1；
S4.3、以步骤S4.2获得的各遥感源的产中地块级目标产量和总推荐施氮量为依据，结合预测年穗肥前各地块实际施氮量数据，根据公式12计算各遥感源各地块的穗肥氮推荐用量，最终实现各遥感源地块级的穗肥氮精准推荐；
各地块的穗肥氮推荐用量＝(总推荐施氮量-穗肥前实际施氮量)-PNU差/穗肥氮回收率公式12。
2.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特征在于，所述植被指数包括绿色差异植被指数GDVI、绿度归一化植被指数GNDVI、绿色宽动态范围植被指数GWDRVI、绿色叶绿素指数Cig、修正绿色简单比指数MSR_G、绿色土壤调节植被指数GSAVI、修正型绿色土壤调节植被指数MGSAVI、绿色优化土壤调节植被指数GOSAVI、绿色复归一化植被指数GRDVI、归一化植被指数NDVI、比值植被指数RVI、优化土壤调节植被指数OSAVI、宽动态范围植被指数WDRVI、土壤调节植被指数SAVI、修正型土壤调节植被指数MSAVI、差值植被指数DVI、复归一化差值植被指数RDVI、转化型归一化植被指数TNDVI、优化植被指数VIopt、MERIS数据植被指数、红边差值植被指数REDVI、归一化差异红边植被指数NDRE、红边优化土壤调节植被指数REOSAVI、红边差值植被指数1RDVI1、红边归一化差值植被指数RENDVI、红边绿波比值植被指数REGRVI、红边绿波差值植被指数REGDVI、红边绿波归一化植被指数REGNDVI、MERIS数据叶绿素指数MTCI、归一化绿波指数NGI、归一化红边指数NRI、归一化近红外指数NNIR、修正双重差值指数MDD、修正增强植被指数MEVI、修正归一化差值红边指数MNDRE、修正型叶绿素吸收反射率指数1MCARI1、修正型叶绿素吸收反射率指数1MCARI2、修正转换型叶绿素吸收反射率指数MTCARI、修正冠层叶绿素含量指数MCCCI。
3.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特征在于，所述DSSAT调参数据库包括水稻种植区至少3年氮肥梯度试验数据、气象数据、地块尺度土壤数据、水稻品种信息和管理数据；所述气象数据包括日最高温、日最低温、每日光照、日降水量、湿度、风向和云层厚度；所述土壤数据包括土壤pH值、土壤有机质含量、土壤全氮含量、土壤有效磷含量、土壤有效钾含量、土壤容重、土壤质地、土壤含水量、土壤阳离子交换量、土壤硝态氮含量和土壤铵态氮含量；所述氮肥梯度试验数据包括不同氮肥用量梯度下水稻的开花期、成熟期时间和产量，以及不同氮肥用量梯度下和水稻关键生育期的地上部生物量、叶面积指数、籽粒重和叶绿素含量；其中，所述氮肥梯度为：不施氮处理、50％当地推荐施氮量、当地推荐施氮量和150％当地推荐施氮量，分别记为N0、N1、N2、N3；
所述水稻关键生育期为：分蘖期、幼穗分化期、拔节期、抽穗期、抽穗后20天和成熟期；所述管理数据包括地块信息、农事操作信息、施肥信息和环境信息。
4.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特征在于，所述步骤S2.2中，所述scikit-learn库为python的机器学习库，以地上部生物量AGB、植株氮浓度Na为自变量，以对应的植被指数为因变量。
5.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特征在于，所述步骤S2.2中，所述模型评价指标包括决定系数R2、平均绝对误差MAE和均方根误差RMSE，依据决定系数R2越大且平均绝对误差MAE和均方根误差RMSE越小的原则进行最优模型的筛选；
公式1～公式3中，R2为决定系数；MAE为平均绝对误差；RMSE为均方根误差；yi为模型预测值；xi为实测值；为实测值的平均值；n为参与计算的样本数量。
6.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特征在于，所述步骤S4.1中，以调整遗传参数后模型预测的地上部生物量、叶面积指数、籽粒重和叶绿素含量农学参数与实测值之间的决定系数R2、归一化均方根误差nRMSE和平均误差E为评价指标，直至R2达到85％以上，nRMSE小于15％即完成模型调参，实现模型本地化，其中平均误差E<0或E>0用于判断模型低估或高估以上农学参数；此时的遗传参数为本地化后的遗传参数，此时的DSSAT模型即为本地化后的模型；
E＝∑(yi-xi)/n 公式6
公式6～8中，E为平均误差；R2为决定系数；nRMSE为归一化均方根误差；yi为模型预测值；xi为实测值；为实测值的平均值；n为参与计算的样本数量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310561959.1A CN116662753B (zh) | 2023-05-18 | 2023-05-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310561959.1A CN116662753B (zh) | 2023-05-18 | 2023-05-18 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116662753A CN116662753A (zh) | 2023-08-29 |
| CN116662753B true CN116662753B (zh) | 2024-01-23 |
Family
ID=87718321
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310561959.1A Active CN116662753B (zh) | 2023-05-18 | 2023-05-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662753B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236070B (zh) * | 2023-11-08 | 2024-01-30 | 吉林大学 | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107389573A (zh) * | 2017-07-28 | 2017-11-24 | 中国农业科学院农田灌溉研究所 | 氮营养指数估算方法及装置 |
| CN109211801A (zh) * | 2018-09-03 | 2019-01-15 | 中国科学院南京土壤研究所 | 一种作物氮素需求量实时获取方法 |
| 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 |
| EP3497414A1 (en) * | 2016-08-08 | 2019-06-19 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| 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 |
| CN112763427A (zh) * | 2020-12-24 | 2021-05-07 | 中国科学院空天信息创新研究院 | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 |
| CN113269374A (zh) * | 2021-06-25 | 2021-08-17 | 内蒙古农业大学 | 基于优化光谱指数的玉米生长季氮肥施用方法 |
| CN115316097A (zh) * | 2022-08-02 | 2022-11-11 | 中联智慧农业股份有限公司 | 确定针对种植区域土壤的氮肥施加量的方法、处理器 |
| CN115619583A (zh) * | 2022-10-19 | 2023-01-17 | 中国气象局沈阳大气环境研究所 | 一种复合农业气象灾害监测指标体系的构建方法 |
| CN116108318A (zh) * | 2023-04-06 | 2023-05-12 | 华中农业大学 | 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 |
| CN116109087A (zh) * | 2023-02-01 | 2023-05-12 | 重庆市气象科学研究所(重庆市生态气象和卫星遥感中心、重庆市农业气象中心) | 水稻生长评估控制方法、电子设备及存储介质 |
-
2023
- 2023-05-18 CN CN202310561959.1A patent/CN116662753B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| EP3497414A1 (en) * | 2016-08-08 | 2019-06-19 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| CN107389573A (zh) * | 2017-07-28 | 2017-11-24 | 中国农业科学院农田灌溉研究所 | 氮营养指数估算方法及装置 |
| CN109211801A (zh) * | 2018-09-03 | 2019-01-15 | 中国科学院南京土壤研究所 | 一种作物氮素需求量实时获取方法 |
| 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 |
| 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 |
| CN112763427A (zh) * | 2020-12-24 | 2021-05-07 | 中国科学院空天信息创新研究院 | 一种耦合遥感氮素信息的作物生长与施肥诊断模拟方法 |
| CN113269374A (zh) * | 2021-06-25 | 2021-08-17 | 内蒙古农业大学 | 基于优化光谱指数的玉米生长季氮肥施用方法 |
| CN115316097A (zh) * | 2022-08-02 | 2022-11-11 | 中联智慧农业股份有限公司 | 确定针对种植区域土壤的氮肥施加量的方法、处理器 |
| CN115619583A (zh) * | 2022-10-19 | 2023-01-17 | 中国气象局沈阳大气环境研究所 | 一种复合农业气象灾害监测指标体系的构建方法 |
| CN116109087A (zh) * | 2023-02-01 | 2023-05-12 | 重庆市气象科学研究所(重庆市生态气象和卫星遥感中心、重庆市农业气象中心) | 水稻生长评估控制方法、电子设备及存储介质 |
| CN116108318A (zh) * | 2023-04-06 | 2023-05-12 | 华中农业大学 | 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 |
Non-Patent Citations (8)
| Title |
|---|
| A New Critical Nitrogen Dilution Curve for Rice Nitrogen Status Diagnosis in Northeast China;HUANG Shanyu 等;《Pedosphere》;第28卷(第5期);814-822 * |
| Assessing the contribution of nitrogen fertilizer and soil quality to yield gaps: A study for irrigated and rainfed maize in China;Lei Qiao 等;《Field Crops Research》;第273卷;1-11 * |
| Preparation of SrZrAl multiple oxide catalyst for produce biodiesel from acidified palm oil;Yujiao Zhang 等;《Renewable Energy》;116-127 * |
| 利用高光谱影像估算氮营养指数;肖天豪 等;《遥感信息》;第37卷(第3期);7-11 * |
| 基于临界氮浓度稀释曲线模型的辣椒氮素营养诊断研究;肖蕊;《中国蔬菜》;90-97 * |
| 基于无人机多光谱遥感的水稻冠层 光谱特征和氮素营养关系研究;傅友强 等;《广东农业科学》;第48卷(第10期);121-131 * |
| 基于无人机遥感的华北平原冬小麦氮营养诊断与精准养分调控;陈志超 等;《中国博士学位论文全文数据库 信息科技辑》(第2021年04期);D043-2 * |
| 基于无人机高光谱遥感的水稻氮营养诊断方法;许童羽 等;《农业机械学报》;第54卷(第2期);189-197、222 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116662753A (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model | |
| CN105608293B (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及系统 | |
| CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
| CN110751094A (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 | |
| Wang et al. | Monitoring maize growth on the North China Plain using a hybrid genetic algorithm-based back-propagation neural network model | |
| Zhang et al. | Estimating wheat yield by integrating the WheatGrow and PROSAIL models | |
| CN116662753B (zh) | 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 | |
| CN110472281B (zh) | 一种估算时空连续地表水热通量的数据同化方法 | |
| Dehkordi et al. | Yield gap analysis using remote sensing and modelling approaches: Wheat in the northwest of Iran | |
| CN112858632B (zh) | 一种综合考虑温度和水分胁迫的草地旱情监测方法 | |
| CN106845428A (zh) | 一种作物产量遥感估算方法及系统 | |
| CN115759524B (zh) | 一种基于遥感影像植被指数的土壤生产力等级识别方法 | |
| Chen et al. | Global datasets of leaf photosynthetic capacity for ecological and earth system research | |
| CN110705182A (zh) | 耦合作物模型和机器学习的作物育种适应时间预测方法 | |
| CN116485757A (zh) | 一种冬小麦全氮含量预测方法 | |
| Bregaglio et al. | Improving crop yield prediction accuracy by embedding phenological heterogeneity into model parameter sets | |
| Cheng et al. | Spectral purification improves monitoring accuracy of the comprehensive growth evaluation index for film-mulched winter wheat | |
| Zhang et al. | Inversion models of aboveground grassland biomass in Xinjiang based on multisource data | |
| CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
| Jin et al. | Research on the rice fertiliser decision-making method based on UAV remote sensing data assimilation | |
| CN116522145B (zh) | 一种顾及时空约束和植被状况的旱情预测方法 | |
| CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
| CN116114450A (zh) | 基于遥感的玉米氮素立体调控方法 | |
| Zou et al. | Combining spectral and texture feature of UAV image with plant height to improve LAI estimation of winter wheat at jointing stage |
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 |