CN116735538A - 一种基于氮素分配模型的作物氮素累积量遥感预测方法 - Google Patents
一种基于氮素分配模型的作物氮素累积量遥感预测方法 Download PDFInfo
- Publication number
- CN116735538A CN116735538A CN202311021078.7A CN202311021078A CN116735538A CN 116735538 A CN116735538 A CN 116735538A CN 202311021078 A CN202311021078 A CN 202311021078A CN 116735538 A CN116735538 A CN 116735538A
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- model
- accumulation
- lna
- nitrogen accumulation
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 294
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 147
- 238000009825 accumulation Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009826 distribution Methods 0.000 title claims abstract description 36
- 230000012010 growth Effects 0.000 claims abstract description 53
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 6
- 241000196324 Embryophyta Species 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 14
- 241000209140 Triticum Species 0.000 claims description 7
- 235000021307 Triticum Nutrition 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 3
- 238000003306 harvesting Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims 4
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 240000007594 Oryza sativa Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 244000061456 Solanum tuberosum Species 0.000 description 4
- 235000002595 Solanum tuberosum Nutrition 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 2
- 240000003553 Leptospermum scoparium Species 0.000 description 2
- 235000015459 Lycium barbarum Nutrition 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 244000038559 crop plants Species 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明公开一种基于氮素分配模型的作物氮素累积量遥感预测方法，属于专门适用于预测目的的数据处理方法技术领域，用于进行作物氮素累积量预测，包括：遥感植被指数计算与敏感指数筛选，根据敏感植被指数构建LNA反演模型，对作物整体与部分之间的联系和区别进行分析，找到植株中的氮素在整个生育期的分配规律，构建氮素分配模型NDM。本发明所构建的植株氮素累积量遥感监测模型结合了作物生理生态特点及氮素分配的动态规律，具有一定的机理性，能够消除因生长阶段不同而影响的估测不准确问题，可用于作物全生育期的植株氮素累积量预测，同时能够有效解决生育后期存在的部分预测值低估问题。
Description
技术领域
本发明公开一种基于氮素分配模型的作物氮素累积量遥感预测方法，属于专门适用于预测目的的数据处理方法技术领域。
背景技术
氮素是对维持作物生长发育、提高产量以及改善作物品质影响最为显著的营养元素。缺氮会限制作物的产量，而过量的氮则会影响作物品质，造成土壤板结酸化，水体富营养化，空气污染等不可修复的生态损伤，因此，需要对作物氮素状况进行精准监测与管理。氮素累积量不仅可以反映出植株个体氮素含量，还可以反映出群体的植被覆盖率，是作物氮素营养诊断的适用指标。近年来，遥感技术在农业领域中的应用已经得到了飞速发展，在及时、快速和高效获取农田信息方面具有无可比拟的优势。因此，构建具有高监测精度的植株氮素累积量遥感估算模型对于实现作物氮素信息的精确诊断，指导精准施肥及降低农业生态环境负荷具有重要作用。
目前，作物氮素遥感估算方法主要归结为四类：（1）光谱特征分析法，CN112881309A公开了一种马铃薯叶片氮素检测模型的建立方法及马铃薯叶片氮素的检测方法，通过相关性分析筛选出与马铃薯叶片氮累积量相关性最大的敏感光谱特征值，再利用回归分析实现对马铃薯叶片氮素的准确监测，方法简单，能够实现大批量监测。（2）植被指数筛选法， CN113670913B公开了水稻氮素含量反演高光谱植被指数构建方法，提供了一种植被指数构建方法，首先对高光谱反射信息进行重采样，提取与水稻叶片氮素具有相关性的特征波段，然后利用波段特征转移法构建了氮素特征转移指数，进而实现对水稻叶片氮素浓度的反演。（3）高级数据挖掘法， CN115356295A公开了一种基于叶片反射光谱的茶树氮素营养快速诊断技术，通过对多种机器学习算法的比较和优化，确定了一种茶树氮素营养快速诊断技术。（4）物理模型反演法， CN107505271B公开了基于氮素组分辐射传输模型的植株氮素估算方法和系统，结合构建的氮素辐射传输模型与复合型混合演化算法实现不同时期叶片和高管层氮素信息的精准估算。综合分析前述专利及研究，针对植株氮素累积量遥感估算研究较少，模型多是基于单个生育期进行预测，无法实现全生育期的扩展，另外，植株氮素累积量反演容易受到遥感监测后期光谱特征饱和现象造成后期预测低估。
发明内容
本发明的目的在于提供一种基于氮素分配模型的作物氮素累积量遥感预测方法，以解决现有技术中，针对植株氮素累积量遥感估算无法实现全生育期的扩展、植株氮素累积量反演容易受到遥感监测后期光谱特征饱和现象造成后期预测低估的问题。
一种基于氮素分配模型的作物氮素累积量遥感预测方法，包括：
（一）、遥感植被指数计算与敏感指数筛选；
（二）、根据敏感植被指数构建LNA反演模型；
（三）、对作物整体与部分之间的联系和区别进行分析，找到植株中的氮素在整个生育期的分配规律，构建氮素分配模型NDM。
步骤（一）包括：
选取多个对叶片氮累积量LNA敏感的植被指数，并利用Pearson相关性分析比较敏感指数与LNA之间的相关关系，筛选出敏感植被指数，其中相关系数值为正时代表正相关，负数代表负相关，相关系数计算公式如下：
；
式中，为第/>个波段和叶片氮累积量之间的相关系数，/>是指第/>个样本中的某/>个波段的光谱反射率值，/>是指第/>波段所有样本反射率的均值，/>表示第/>个样本叶片氮累积量，/>表示所有样本叶片氮累积量的均值，/>表示样本总数。
步骤（二）包括：
采用单一指数GNDVI作为LNA反演模型的输入因子，分别利用指数函数、线性函数、二次非线性函数、对数函数和乘幂函数5种统计回归方法建立LNA与GNDVI之间的回归方程，选取回归方程进行LNA反演模型构建：
；
式中，为叶片氮累积量，/>和/>分别为回归方程的系数和截距。
步骤（三）包括：
S1. 选定相对生育期；
将这两个时间尺度产生的连续归一化数值表示为作物的相对生育期RGS：
；
；
式中，GDD表示生长度日，和/>分别代表每日最高和最低温度，/>代表冬小麦的基本温度，使用0°作为基本温度，/>代表/>日的/>，/>表示从年初到收获日期的整个/>。
步骤（三）包括：
S2.构建氮素分配模型；
基于叶片氮累积量与植株氮累积量的比值变化，引入RGS对生育期进行归一化，构建氮素分配模型NDM：
；
式中，为植株氮累积量，f(RGS)为LNA/PNA随生育时期的函数，PNA植株氮累积量，冬小麦的LNA/PNA与RGS最佳的拟合关系为线性模型：
。
步骤（三）包括：
S3.植株氮累积量估算；
耦合LNA反演模型和氮素分配模型得到PNA估算模型：
；
采用通用的决定系数R²和均方根误差RMSE进行检验，具体计算公式如下：
；
式中，为模型估测氮累积量值，/>为试验观测氮累积量值。
相对比现有技术，本发明具有以下有益效果：本发明以光谱指数和相对生育期作为输入变量，可靠度高且灵活性强，适用于小麦、玉米和水稻等多种作物，且相对生育期（RGS）可用ZS、DOY 等指标进行替代。通过结合遥感信息与农学知识实现在作物全生育期上的植株氮素累积量准确估算，有助于深化和完善氮素遥感监测理论研究，实现作物精确氮素管理和早期氮素亏缺诊断，为指导精准施肥，提高氮肥利用效率及发展生态农业提供技术支持。
附图说明
图1是本发明的技术流程图。
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的一部分实施例，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作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。
一种基于氮素分配模型的作物氮素累积量遥感预测方法，包括：
（一）、遥感植被指数计算与敏感指数筛选；
（二）、根据敏感植被指数构建LNA反演模型；
（三）、对作物整体与部分之间的联系和区别进行分析，找到植株中的氮素在整个生育期的分配规律，构建氮素分配模型NDM。
步骤（一）包括：
选取多个对叶片氮累积量LNA敏感的植被指数，并利用Pearson相关性分析比较敏感指数与LNA之间的相关关系，筛选出敏感植被指数，其中相关系数值为正时代表正相关，负数代表负相关，相关系数计算公式如下：
；
式中，为第/>个波段和叶片氮累积量之间的相关系数，/>是指第/>个样本中的某/>个波段的光谱反射率值，/>是指第/>波段所有样本反射率的均值，/>表示第/>个样本叶片氮累积量，/>表示所有样本叶片氮累积量的均值，/>表示样本总数。
步骤（二）包括：
采用单一指数GNDVI作为LNA反演模型的输入因子，分别利用指数函数、线性函数、二次非线性函数、对数函数和乘幂函数5种统计回归方法建立LNA与GNDVI之间的回归方程，选取回归方程进行LNA反演模型构建：
；
式中，为叶片氮累积量，/>和/>分别为回归方程的系数和截距。
步骤（三）包括：
S1. 选定相对生育期；
将这两个时间尺度产生的连续归一化数值表示为作物的相对生育期RGS：
；
；
式中，GDD表示生长度日，和/>分别代表每日最高和最低温度，/>代表冬小麦的基本温度，使用0°作为基本温度，/>代表/>日的/>，/>表示从年初到收获日期的整个/>。
步骤（三）包括：
S2.构建氮素分配模型；
基于叶片氮累积量与植株氮累积量的比值变化，引入RGS对生育期进行归一化，构建氮素分配模型NDM：
；
式中，为植株氮累积量，f(RGS)为LNA/PNA随生育时期的函数，PNA植株氮累积量，冬小麦的LNA/PNA与RGS最佳的拟合关系为线性模型：
。
步骤（三）包括：
S3.植株氮累积量估算；
耦合LNA反演模型和氮素分配模型得到PNA估算模型：
；
采用通用的决定系数R²和均方根误差RMSE进行检验，具体计算公式如下：
；
式中，为模型估测氮累积量值，/>为试验观测氮累积量值。
现有的植株氮素累积量监测模型多是基于敏感光谱波段或特征以及通过波段之间组合构建的植被指数进行构建的，仅在单个生长阶段或少数生长阶段进行测试，缺乏在全生育期的迁移性；植被生长过程中，叶片不断长大，植被覆盖度也随之增大，出现遮挡、重叠，对获取植被光谱信息造成干扰，使植被指数对植株氮累积量的敏感性降低，最终出现光谱饱和问题。随着生育期的发展，叶片与茎秆的生长比例发生改变，而遥感观测只能获取作物叶片的光谱反射信息，加大了生育后期对植株氮素累积量的低估现象。
本发明技术流程如图1所示，首先进行实测数据统计分析，然后进行敏感植被指数计算，进行相对生育期的确定。进行LNA反演模型构建、氮分配模型构建、作物PNA估算。本发明综合利用高光谱遥感数据和农学数据，通过优选对叶片氮素累积量（LNA）敏感的植被指数，采用线性回归或随机森林等算法构建作物LNA的反演模型；根据作物植株体内氮素随生育期发展在各器官之间的动态分配现象，引入相对生育期（RGS）这一连续归一化数值来描述作物的发育过程，分析叶片氮累积量（LNA）与植株氮累积量（PNA）的比值随物候进展的变化趋势，以此构建一个以RGS为自变量、LNA/PNA为因变量的氮素分配模型；耦合LNA反演模型和氮素分配模型进行对PNA的反演，从而实现对整个生长季的植株氮素累积量预测，解决生育后期存在的饱和性问题。
遥感植被指数计算与敏感指数筛选：冠层高光谱反射信息可以指示作物的生长状态及各项指标，通过波段之间的线性或非线性组合计算得到可以反映作物叶片氮累积量状况的植被指数。根据大量基础性研究，选取多个对叶片氮累积量（LNA）敏感的植被指数，并利用Pearson相关性分析比较敏感指数与LNA之间的相关关系，最终筛选出相关性较强的指数。
植物各部分之间的生长存在着相互促进和相互抑制的关系，在不同的生长发育阶段，植株体内的氮素分配呈动态变化。在开花期表现为叶片含氮量最高，其次为叶鞘和穗轴，茎秆含氮量最低；在成熟期则表现为籽粒含氮量最高，其次为叶片、穗轴和叶鞘，这是营养器官中的氮素向生殖器官转移的结果。另外，随着生育期的发展，各器官的生长比例也发生变化，如在生长季节早期，叶茎比大于1，在生长季节后期，叶茎比则小于1，进一步造成了叶片氮累积量占整个植株氮累积量的比例产生动态变化。
实施例中，利用其他年份实测数据对上述所得模型进行验证，绘制出预测值和实测值的1：1关系图。
利用遥感技术进行作物氮素累积量的预测，对于精确氮素管理和优质高效生产具有重要意义，但是现有模型大多缺乏机理性，无法实现在全生育期的准确估算，且在植被覆盖度较大时易出现作物氮素累积量估算饱和现象。本发明的关键点在于：综合考虑作物生长的全生育期，将叶片与植株作为两个独立尺度，并引入生育期数据，分析叶片氮累积量与植株氮累积量的比值随物候进展产生的动态变化，以此构建氮素分配模型；同时利用高光谱遥感数据进行叶片尺度的氮累积量精确反演，进而将叶片氮累积量的反演结果与氮分配模型相结合，实现植株尺度的氮累积量预测。本发明充分利用了作物氮素分配的机理特点，建立两个尺度的联系，有效地克服了预测模型的饱和局限性，为作物植株氮素累积量在全生育期的准确估算提供了稳定可靠的模型和方法。
以上实施例仅用于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，或者对其中部分或者全部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范围。
Claims (6)
1.一种基于氮素分配模型的作物氮素累积量遥感预测方法，其特征在于，包括：
（一）、遥感植被指数计算与敏感指数筛选；
（二）、根据敏感植被指数构建LNA反演模型；
（三）、对作物整体与部分之间的联系和区别进行分析，找到植株中的氮素在整个生育期的分配规律，构建氮素分配模型NDM。
2.根据权利要求1所述的一种基于氮素分配模型的作物氮素累积量遥感预测方法，其特征在于，步骤（一）包括：
选取多个对叶片氮累积量LNA敏感的植被指数，并利用Pearson相关性分析比较敏感指数与LNA之间的相关关系，筛选出敏感植被指数，其中相关系数值为正时代表正相关，负数代表负相关，相关系数计算公式如下：
；
式中，为第/>个波段和叶片氮累积量之间的相关系数，/>是指第/>个样本中的某/>个波段的光谱反射率值，/>是指第/>波段所有样本反射率的均值，/>表示第/>个样本叶片氮累积量，/>表示所有样本叶片氮累积量的均值，/>表示样本总数。
3.根据权利要求1所述的一种基于氮素分配模型的作物氮素累积量遥感预测方法，其特征在于，步骤（二）包括：
采用单一指数GNDVI作为LNA反演模型的输入因子，分别利用指数函数、线性函数、二次非线性函数、对数函数和乘幂函数5种统计回归方法建立LNA与GNDVI之间的回归方程，选取回归方程进行LNA反演模型构建：
；
式中，为叶片氮累积量，/>和/>分别为回归方程的系数和截距。
4.根据权利要求1所述的一种基于氮素分配模型的作物氮素累积量遥感预测方法，其特征在于，步骤（三）包括：
S1. 选定相对生育期；
将这两个时间尺度产生的连续归一化数值表示为作物的相对生育期RGS：
；
；
式中，GDD表示生长度日，和/>分别代表每日最高和最低温度，/>代表冬小麦的基本温度，使用0°作为基本温度，/>代表/>日的/>，/>表示从年初到收获日期的整个。
5.根据权利要求4所述的一种基于氮素分配模型的作物氮素累积量遥感预测方法，其特征在于，步骤（三）包括：
S2.构建氮素分配模型；
基于叶片氮累积量与植株氮累积量的比值变化，引入RGS对生育期进行归一化，构建氮素分配模型NDM：
；
式中，为植株氮累积量，f(RGS)为LNA/PNA随生育时期的函数，PNA植株氮累积量，冬小麦的LNA/PNA与RGS最佳的拟合关系为线性模型：
。
6.根据权利要求5所述的一种基于氮素分配模型的作物氮素累积量遥感预测方法，其特征在于，步骤（三）包括：
S3.植株氮累积量估算；
耦合LNA反演模型和氮素分配模型得到PNA估算模型：
；
采用通用的决定系数R²和均方根误差RMSE进行检验，具体计算公式如下：
；
式中，为模型估测氮累积量值，/>为试验观测氮累积量值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021078.7A CN116735538B (zh) | 2023-08-15 | 2023-08-15 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311021078.7A CN116735538B (zh) | 2023-08-15 | 2023-08-15 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116735538A true CN116735538A (zh) | 2023-09-12 |
| CN116735538B CN116735538B (zh) | 2024-05-24 |
Family
ID=87901602
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311021078.7A Active CN116735538B (zh) | 2023-08-15 | 2023-08-15 | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116735538B (zh) |
Citations (10)
| 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 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| CN107505271A (zh) * | 2017-07-13 | 2017-12-22 | 北京农业信息技术研究中心 | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 |
| CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
| 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 |
| CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
| CN113035290A (zh) * | 2021-03-12 | 2021-06-25 | 河南省农业科学院植物营养与资源环境研究所 | 一种基于高光谱遥感技术的小麦植株氮积累量监测方法 |
| 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 |
| CN115508356A (zh) * | 2022-10-24 | 2022-12-23 | 南京农业大学 | 一种基于氮分配理论的稻麦叶片氮含量高光谱估算方法 |
| CN115950838A (zh) * | 2022-09-20 | 2023-04-11 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
-
2023
- 2023-08-15 CN CN202311021078.7A patent/CN116735538B/zh active Active
Patent Citations (10)
| 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 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| CN107505271A (zh) * | 2017-07-13 | 2017-12-22 | 北京农业信息技术研究中心 | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 |
| 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 |
| CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
| CN111783538A (zh) * | 2020-05-29 | 2020-10-16 | 北京农业信息技术研究中心 | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 |
| CN113035290A (zh) * | 2021-03-12 | 2021-06-25 | 河南省农业科学院植物营养与资源环境研究所 | 一种基于高光谱遥感技术的小麦植株氮积累量监测方法 |
| 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 |
| CN115950838A (zh) * | 2022-09-20 | 2023-04-11 | 中国水利水电科学研究院 | 一种基于叶绿素含量的夏玉米旱情无人机快速监测判别方法 |
| CN115508356A (zh) * | 2022-10-24 | 2022-12-23 | 南京农业大学 | 一种基于氮分配理论的稻麦叶片氮含量高光谱估算方法 |
Non-Patent Citations (4)
| Title |
|---|
| DUAN DAN-DAN等: "Estimating total leaf nitrogen concentration in winter wheat by canopy hyperspectral data and nitrogen vertical distribution", 《JOURNAL OF INTEGRATIVE AGRICULTURE》, vol. 18, no. 7, pages 1563 - 1567 * |
| 杨黎等: "向日葵各器官干物质和吸氮量的积累与分配规律", 《节水灌溉》, pages 22 - 28 * |
| 欧明烛等: "雌雄株香榧生育期光合特性与氮分配关系研究", 《种子》, vol. 24, no. 2, pages 121 - 127 * |
| 董春华等: "不同品种油菜不同生育期植株氮素分配动态", 《西北农业学报》, vol. 19, no. 2, pages 70 - 74 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116735538B (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| CN110082300B (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
| CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| Raun et al. | Optical sensor‐based algorithm for crop nitrogen fertilization | |
| CN112485204A (zh) | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 | |
| CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| Zhu et al. | Monitoring leaf nitrogen in wheat using canopy reflectance spectra | |
| CN110189793B (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
| Wang et al. | Development of a model using the nitrogen nutrition index to estimate in-season rice nitrogen requirement | |
| CN113268703A (zh) | 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法 | |
| CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
| CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
| Zhang et al. | Evaluation of the chlorophyll meter and GreenSeeker for the assessment of rice nitrogen status | |
| Liu et al. | Statistical analysis of nitrogen use efficiency in Northeast China using multiple linear regression and Random Forest | |
| CN113552096A (zh) | 一种基于光谱的菠萝叶片氮含量估算方法 | |
| CN107274002A (zh) | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 | |
| Wang et al. | Development of nitrogen fertilizer topdressing model for winter wheat based on critical nitrogen dilution curve | |
| CN116735538B (zh) | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 | |
| CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| CN112632847A (zh) | 基于XGBoost回归算法的水稻叶片淀粉含量遥感反演模型和方法 | |
| CN112990692B (zh) | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 | |
| CN113504186B (zh) | 一种遥感估算小麦氮肥利用率的方法 | |
| Sun et al. | Potential of multi-seasonal vegetation indices to predict rice yield from UAV multispectral observations | |
| Fu et al. | Using the time series nitrogen diagnosis curve for precise nitrogen management in wheat and rice |
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 |