CN117309857A - 一种小麦均匀度的监测方法 - Google Patents
一种小麦均匀度的监测方法 Download PDFInfo
- Publication number
- CN117309857A CN117309857A CN202311138546.9A CN202311138546A CN117309857A CN 117309857 A CN117309857 A CN 117309857A CN 202311138546 A CN202311138546 A CN 202311138546A CN 117309857 A CN117309857 A CN 117309857A
- Authority
- CN
- China
- Prior art keywords
- uniformity
- index
- wheat
- formula
- leaf area
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 86
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 36
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 36
- 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 abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 239000002028 Biomass Substances 0.000 claims description 32
- 238000010219 correlation analysis Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 12
- 230000009418 agronomic effect Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 9
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 238000009331 sowing Methods 0.000 description 5
- 230000032683 aging Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 240000000233 Melia azedarach Species 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000011077 uniformity evaluation Methods 0.000 description 3
- 101100492787 Caenorhabditis elegans mai-1 gene Proteins 0.000 description 2
- WCUXLLCKKVVCTQ-UHFFFAOYSA-M Potassium chloride Chemical compound [Cl-].[K+] WCUXLLCKKVVCTQ-UHFFFAOYSA-M 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209504 Poaceae Species 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 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
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013502 data validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 235000011164 potassium chloride Nutrition 0.000 description 1
- 239000001103 potassium chloride Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明属于统计学技术领域,具体为一种小麦均匀度的监测方法,所述小麦均匀度包括叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度中的任一种或几种;所述监测方法包括以下步骤:(1)采集小麦高光谱数据和RGB数据;(2)测量建模用的叶面积指数、叶绿素相对含量;(3)建立叶面积指数与高光谱数据的反向传播神经网络模型,得到所有叶面积指数,计算叶面积指数的均匀度;建立叶绿素相对含量与高光谱数据的反向传播神经网络模型,得到叶绿素相对含量,计算叶绿素相对含量的均匀度;提取冠层高度、植被覆盖度;计算冠层高度、被覆盖度的均匀度;本发明的监测方法能很好的描述小麦均匀度。
Description
技术领域
本发明涉及统计学技术领域,具体涉及一种小麦均匀度的监测方法。
背景技术
小麦是一种广泛种植和消费的重要作物,在全球范围内都有种植。长势均匀的小麦具有许多优势,例如更充分地利用光、肥、水等资源;增加光拦截,减少中下层的光漏失,增加消光系数;抑制杂草的生长等,所以长势均匀的作物具有高产和优势的潜力。因此,均匀度不仅可以作为筛选优良小麦品种的指标,还可以作为评估小麦长势的指标,帮助农民进行田间管理决策。
在20世纪20年代,Gleason和Svedburg是最早独立研究群落种群个体分布均匀度的学者。研究人员提出了许多均匀度指数来描述均匀度问题,这些指数可以分为三类。第一类是基于均值/方差的传统指标。Svedburg通过将测得频率与Possion分布的理论频率进行比较,使用方差和均值作为随机性的估计器来测试分布的均匀性,许多研究人员将这种方法作为测试种群均匀性分布的标准方法之一。此后,一些研究提出了许多用于均匀性测试的统计指标。Lloyd提出了平均拥挤指数和集聚指数,可以用于测量聚集程度,客观反映模式的强度。David和Moore构建了聚集度指数作为聚集程度的衡量。该指数的优点在于可以比较两个种群的聚集程度。Morisita定义了离散度指数,该指数独立于方格中个体的均值和总数。近年来,还有一些研究基于变异系数(标准差与均值的比值)计算作物均匀度参数。然而,这些参数主要基于均值和方差计算,并且对样本的描述相似。第二类是基于距离的指标。Clark和Evans定义了非随机性度量:单位半径圆内的植物数量以及随机植物与其最近邻的距离。Unwin引入了数学模型:其中/>是点集的最近邻距离的平均值,n是点的数量,a是包含点集的多边形面积。Yang和Ma提出了玉米的均匀分布模型,并进行了数据验证。该研究表明,蜂窝状分布的均匀度优于矩形分布和菱形分布。Luo基于最近邻点的距离提出了独占圆理论,并将其推广到多维空间。这种方法可以很好地描述均匀度问题,而不考虑样本数目。第三类是基于熵或概率的指标。熵的概念由德国物理学家Clausius于1865年提出,与通信理论以及更广泛地与信息理论的关系分别由Shannon于1948年和Jaynes于1957年引入,因此由Shannon定义的"熵"也被称为Shannon熵或信息熵。熵的本质是系统的"内部混乱程度",它解决了信息的定量测量问题。许多研究认为熵可以很好地描述均匀度问题。在熵的基础上,许多研究提出了基于熵值的均匀度指数,例如Sheldon指数、Heip指数和Pielou指数,它们将均匀度定义为种群的测量多样性与最大多样性之比。上述三个指数都包括物种丰富度指数(S),而S与样本大小有关,所以上述三个指数都受样本大小的影响。Alatalo提出了一种对样本大小不敏感的均匀度指数。在上述三类指数中,基于距离的均匀度指数不适合描述小麦的均匀度,因为单株小麦之间的距离非常小,有时甚至为零。基于均值和方差的传统指标以及基于熵或概率的指标可以用来描述小麦的均匀度。熵值可以很好地描述均匀度问题,然而,由于熵需要大量的计算,很难应用于高通量的田间作物表型分析,因此许多研究放弃了这种方法。
过去,大部分关于均匀度的研究集中在生态群落上,对于田间作物的均匀度研究较少。现有的田间作物均匀度研究都是描述空间中个体分布的均匀度,而没有考虑个体生长的均匀度,比如对叶面积指数、叶绿素相对含量、冠层高度和植被覆盖度等参数的均匀度监测也具有重要意义。均匀度的研究可以对群体的水平结构进行定量描述,还可以用于揭示群体的动态变化。如果同时研究群体的某些生物指标(如叶绿素、叶面积指数)和环境因素的均匀度,将为我们提供关于群体与环境之间相互作用的大量信息,并解释个体群体分布格局的原因。
人工统计作物均匀度的统计数据是劳动密集型、效率低下且容易出错的。因此,需要一种高通量的作物均匀度监测方法。近年来,基于无人机的遥感技术已成为监测作物生长的重要工具,具有操作简便、快速灵活、高效率和高空间分辨率的优势。基于无人机的作物表型监测和图像处理技术可以快速获取高通量的小麦田数据,并在农业领域得到广泛应用。无人机可以配备多种传感器(如高光谱相机和RGB相机),快速获取田间作物信息。高光谱相机具有丰富的光谱信息,在小麦覆盖度、叶绿素含量和叶面积指数等方面具有良好的监测效果。很多学者使用支持向量回归、随机森林、反向传播神经网络和偏最小二乘回归(PLSR)算法等机器学习方法来监测农艺参数。Ma比较了三种模型的LAI预测效果,发现后向传播神经网络的效果优于其他模型。RGB相机具有高空间分辨率、低成本和简单的数据处理。它被用于作物高度数据提取,并取得了令人满意的结果。Volpato在不同时期提取了小麦植株高度数据,并发现每个时期提取的植株高度参数与地面测量值有良好的相关性。然而,当前并没有基于无人机监测小麦叶面积指数、叶绿素、冠层高度均匀度的研究。
生命存在于不同的层次,如分子、细胞、个体、种群和群落层次,每个层次都展示出独特的时空特性。种群分布的均匀度指的是种群层次上在一定空间范围内个体的分布情况。然而,由于先前的研究主要关注种群个体的非随机分布,均匀度通常被狭义地定义为个体分布与随机分布之间的偏差。在农业中,均匀度一直是一个模糊的概念。现有的作物均匀度概念是片面的,通常用于指示作物的空间分布,例如缺苗或垄行作物的简单统计,而没有探究叶绿素、叶面积指数、冠层覆盖度和植株高度(冠层高度)等生长指标的均匀度。
综上所述,现有的均匀度评估方法在适用性方面相对较弱,主要适用于作物的单个生长阶段,亟需开发一种适用于全生育期的田间均匀度评估方法。
发明内容
为解决上述技术问题,本发明提供了一种小麦均匀度的监测方法。
一种小麦均匀度的监测方法,所述小麦均匀度包括叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度中的任一种或几种;
所述监测方法包括以下步骤:
(1)采集小麦高光谱数据和RGB数据;
(2)测量建模用的叶面积指数、叶绿素相对含量;
(3)利用(2)测得的叶面积指数建立叶面积指数与高光谱数据的反向传播神经网络模型,得到所有叶面积指数,计算叶面积指数的均匀度;
利用(2)测得的叶绿素相对含量建立叶绿素相对含量与高光谱数据的反向传播神经网络模型;得到叶绿素相对含量,计算叶绿素相对含量的均匀度;
利用RGB数据提取冠层高度,计算冠层高度的均匀度;
利用高光谱数据提取植被覆盖度,计算植被覆盖度的均匀度;
优选的,所述叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度均包括平均值、方差、变异系数、香农熵、Pielou指数、Alatalo指数中任一种或几种;
植被覆盖度的均匀度包括被覆盖度均匀性指数、植被覆盖度中的任一种或几种;
优选的,方差、变异系数、香农熵、Pielou指数、Alatalo指数的计算公式分别见公式一、公式二、公式三、公式四、公式五;
公式一:
公式二:
公式三:H'=-∑Piln(Pi)
公式四:J'=H'/lnS
公式五:
其中,公式一和公式二中V代表样本点在样方内的方差,CV代表变异系数,n代表样方内的样本数,xi代表样本值,代表平均值;
公式三中H'代表Shannon熵,Pi代表某一特定类别的数量与总数的比值;
公式四中H'代表Shannon熵,S代表样方的丰富度,Pi代表某一特定类别的数量与总数的比值;
公式五中E代表Alatalo指数,Pi代表某个类别的出现概率,H'代表Shannon熵。
植被覆盖度均匀度的计算公式见公式六;
公式六:
其中CU代表植被覆盖度均匀度指数,FVC代表植被覆盖度,E代表欧拉数,S表示小区面积,Sb表示非植被区域的面积,当小区中没有空洞时,欧拉数为0。
优选的,将得到的叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度与小麦产量进行相关性分析,得到小麦均匀度与产量的关系;
将得到的叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度与小麦生物量进行相关性分析,得到小麦均匀度与生物量的关系。
优选的,获取高光谱数据时,图像在30米的飞行高度下采集,前向和横向重叠度分别为50%和30%,空间分辨率为3厘米。
优选的,获取RGB数据时,图像在20米的飞行高度下采集,前向和横向重叠度分别为80%。
优选的,用Pielou指数分析叶面积指数均匀度。
优选的,用Pielou指数分析叶绿素相对含量均匀度。
优选的,用平均值分析冠层高度均匀度。
优选的,用CU指数分析植被覆盖度均匀度。
与现有技术相比,本发明的有益效果在于:
本发明基于无人机图像的均匀度指数可以较好的描述小麦整个生育期的均匀度变化,与观察到的均匀度变化一致。均匀度指数与产量和生物量的相关性分析结果表明,LJ指数要优于传统的均值方差等指数,这种优势几乎在整个生育期内都有所体现,小麦产量和生物量与LJ指数的相关性最高,相关系数分别为-0.760,-0.801。LJ指数能较好描述均匀度的动态变化,本研究提出的方法可为小麦均匀度评估,优良表型品种筛选,作物产量、生物量预测等提供参考。
附图说明
图1为研究区域图;
图2为工作流程图;
图3为小麦均匀度动态变化,图(a),(b),(c),(d),(e),(f),(g),(h),(i),(j),(k),(l),(m),(n),(o),(p),(q),(r),(s),(t)分别表示均匀度指数LM,LV,LCV,LH,LJ,LE,SM,SV,SCV,SH,SJ,SE,CM,CV,CCV,CH,CJ,CE,FVC,CU的动态变化;
图4为均匀度指数与产量、生物量相关系数图,图(a)表示小麦产量与6个LAI均匀度指数的相关系数,图(b)表示小麦产量与6个SPAD均匀度指数的相关系数,图(c)表示小麦产量与6个冠层高度均匀度指数的相关系数,图(d)表示小麦产量与2个覆盖度均匀度指数的相关系数,图(e)表示小麦生物量与6个LAI均匀度指数的相关系数,图(f)表示小麦生物量与6个SPAD均匀度指数的相关系数,图(g)表示小麦生物量与6个冠层高度均匀度指数的相关系数,图(h)表示小麦生物量与2个覆盖度均匀度指数的相关系数;
图5为分类参数值对相关系数的影响,图(a)产量与熵值类参数的相关系数,图(b)生物量与熵值类参数的相关系数;
图6为空间分辨率对均匀度指数的影响,图(a)产量与LAI均匀度指数的相关系数,图(b)生物量与LAI均匀度指数的相关系数。
图7为聚类分析图,图(a)系统聚类将小麦分为3类;图(b)表示图(a)中三类小麦的均匀度动态变化。
具体实施方式
下面对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的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。本发明各实施例中所述试验方法,如无特殊说明,均为常规方法。
本发明中4个农艺参数指的是叶面积指数、叶绿素相对含量、冠层高度、植被覆盖度。
实施例1
试验于2022年在南京农业大学白马教学科研基地(N 31°37′08″,E119°10′28″)进行。试验选择了210个小麦品种矮抗58,保麦10号,北京10号,博爱7023,川麦22,川麦36,川麦42,德抗961,德选1号,鄂麦11,鄂麦12,鄂麦15,鄂麦19,鄂麦6号,繁6,丰德存麦1号,丰抗8号,高优503,国麦301,邯7086,蒿优2018,河农2063,河农6049,河农825,衡136,衡4399,扬麦20,衡观35,衡杂102,淮麦20,淮麦22,淮麦28,淮麦29,淮麦30,淮麦33,淮麦6号,济麦19,济麦20,济麦21,济麦22,济麦229,济麦23,济南16,济南17,济南2号,济南8号,济南矮6号,济宁16号,冀5265,冀麦19,冀麦1号,冀麦26,金禾9123,晋麦31,晋麦33,晋麦47,京冬17,京冬18,京冬22,京花9,京双16,科源088(荷麦17号),莱州137,莱州953,连麦2号,连麦6号,连麦7号,良星66,良星77,临Y8012(品育8012),临麦4,鲁垦麦9,鲁麦14,鲁麦15,鲁麦1号,鲁麦21,鲁麦22,鲁麦5号,鲁原502,轮选987,洛旱11号,洛旱13号,洛旱2,洛旱9号,洛麦21号,洛麦26,洛麦7号(漯麦7号),马场2号,绵麦37,绵麦39,徐麦32,南农0686,宁麦13,宁麦15,宁麦22,宁麦24,宁麦26,宁麦9号,宁糯麦1号,农大211,齐大195,齐麦2号,青农2号,儒麦1号,瑞华麦520,瑞华麦523,山农12号,山农15,山农20,山农205,山农21,山农22,山农24,山农28,山农29,生选3号,生选6号,师栾02-1,石10-4393-14(石麦26),石12-4025(石麦28),石4185,石家庄407,石家庄8号,石麦12,石麦15,石麦18,石麦22,石优20,舜麦1718,苏麦188,苏麦3号,太10604,泰科麦31,泰科麦33,泰麦1918(太麦198),泰农19,泰山1号,泰山27,泰山28,泰山4号,泰山5366,泰田麦118,泰农24,皖麦0066,皖麦19,皖麦33,皖麦50,皖西麦0638,万丰269,万年2号,汶农14,汶农5,汶农17,新麦16,新麦18,新麦20,新麦9号,鑫麦296,邢麦18,邢麦7号,徐麦30,徐麦33,徐州24,徐州438,徐州8号,烟辐188,烟农0428,烟农1212,烟农15,烟农173,烟农19,烟农22号,烟农836,烟农999,扬麦10号,扬麦13,扬麦15,扬麦158,扬麦16,扬麦18,扬麦1号,扬麦22,扬麦5号,扬麦9号,豫麦13,豫麦18,豫麦2号,运旱2233,运旱618,徐麦31,长4738,浙麦1号,镇麦12号,镇麦168,镇麦3号,镇麦4号,镇麦9号,郑麦004,郑麦7698,郑麦9023,中麦175,中麦9号,周麦12,周麦18,周麦23,周麦24,周麦26,周麦27,周麦32,淄农033。按当地常规水平进行施肥,氮肥(尿素,240kg/hm2)其中一半在播种前施用,另一半在联合扩展期施用;磷肥(P2O5,12%,120kg/hm2)和氯化钾(K2O,60%,120kg/hm2)在播种前作为基肥施用。总共有630个小区,小区大小为1.5*1.25米,约为1.8平方米。为了尽量减少杂草对试验数据的干扰,试验田多次除草。其他管理措施均相同,试验区域如图1所示。
1、高光谱(HSI)数据获取
使用Pika-L推扫式高光谱相机(Resonon,美国蒙大拿州博兹曼市)采集了小麦高光谱图像,其在400nm至1000nm波长范围内的光谱分辨率为2.1nm。该高光谱相机安装在DJIMatrice 600六旋翼无人机(深圳大疆创新科技有限公司,中国深圳市),配备了用于获取地理参考图像和进一步正射校正程序的GPS/IMU系统。图像在30米的飞行高度下采集,前向和横向重叠度分别为50%和30%,提供了约3厘米的空间分辨率。飞行过程中使用了相机稳定系统以避免振动。高光谱数据在无云无风的天气下获取,采集时间在10:00至14:00之间。使用ArcMap 10.7进行地理配准,并使用MegaCube对高光谱图像进行几何校正和辐射校正等预处理。所获得的高光谱数据的日期如表1所示。
2、RGB(Red,Green,Blue)数据获取
使用数字相机Phantom 4(深圳大疆创新科技有限公司,中国深圳市)采集了RGB图像。相机的视场为84°,镜头为35mm。采用了交叉飞行路线,并增加了环绕飞行。图像在20米的飞行高度下采集,前向和横向重叠度分别为80%。使用Pix4D Mapper软件(v4.7.5;Pix4D,瑞士洛桑)进行图像拼接,并生成三维点云数据。所获得的RGB数据的日期如表1所示。
表1数据采集日期
3、测量叶面积指数(LAI)和叶绿素相对含量(SPAD)
(1)叶面积指数(LAI)使用SunScan设备进行测量,按照公司的说明进行操作。将设备的长杆(传感器)垂直于小麦种植行测量LAI,在每个小区的左侧和右侧的三分之一处各进行一次测量,取两次测量的平均值作为小区的LAI值。所有小区的LAI在2天内测量完成。
(2)叶绿素使用手持式叶绿素仪(SPAD-502,Minola有限公司,日本大阪)进行测量。在该过程中,首先选择五棵代表性植株。然后,测量它们的第一片完全展开的叶片的SPAD值,并求平均值表示每个小区的SPAD值。
4、建模:反向传播神经网络(BPNN)是一种按照误差反向传播算法训练的多层前馈神经网络,是最常用的神经网络模型之一。本发明选取与产量高相关的19个指标和与生物量高相关的22个指标作为BPNN模型的输入,LAI和SPAD估计模型的输入如表2和表3所示。本发明使用确定系数(R2)和均方根误差(RMSE)来评估LAI和SPAD值的预测精度。这些评估参数的计算公式见公式七和公式八。
公式七:
公式八:
其中,N表示样本数,yi为实测值,为模型预测值。
选择Matlab2019b进行模型的训练和测试,并对结果进行可视化,地理配准等操作,然后通过感兴趣区域(ROI)提取图像中所有小区的叶面积指数和叶绿素相对含量。
表2SPAD估计模型的输入参数。
表3LAI估计模型的输入参数
5、冠层高度和植被覆盖度提取
(1)提取冠层高度
收集到的RGB图像通过Pix4D进行正射校正并生成三维点云。使用Cloudcompare(v2.11.3)处理小麦的三维点云,并使用自编写的Python代码逐个提取每个小区的冠层高度信息。
选择最高的植株作为小区的植株高度人工测量,用于验证提取的冠层高度的精度。
(2)提取植被覆盖度(FVC)
采用阈值分割方法进行FVC提取。使用ROI(感兴趣区域)绘制区域的范围,并提取区域内的信息。区域内植被像素数与区域内总像素数的比值即为该区域的植被覆盖度。此外,本研究还采用基于支持向量机的监督分类方法提取植被覆盖度,并将数据作为真实值用于测试阈值分割方法提取的覆盖参数的准确性。
本研究选择了归一化植被指数(NDVI)作为提取植被覆盖度的参数,并使用阈值分割方法提取小区的植被覆盖度。选择第68波段(669nm)和第103波段(820nm)来计算NDVI值。
6、计算叶面积指数的平均值、方差、变异系数、香农熵、Pielou指数、Alatalo指数;
计算叶绿素含量的平均值、方差、变异系数、香农熵、Pielou指数、Alatalo指数;
计算冠层高度的平均值、方差、变异系数、香农熵、Pielou指数、Alatalo指数;
计算植被覆盖度均匀度;
方差、变异系数、香农熵、Pielou指数、Alatalo指数的计算公式分别为公式一、公式二、公式三、公式四、公式五;
公式一:
公式二:
公式三:H'=-∑Piln(Pi)
公式四:J'=H'/lnS
公式五:
其中,公式一和公式二中V代表样本点在样方内的方差,CV代表变异系数,n代表样方内的样本数,xi代表样本值,代表平均值;
公式三中H'代表Shannon熵,Pi代表某一特定类别的数量与总数的比值;
公式四中H'代表Shannon熵,S代表样方的丰富度,Pi代表某一特定类别的数量与总数的比值;
公式五中E代表Alatalo指数,Pi代表每个类别的出现概率,H'代表Shannon熵;
计算植被覆盖度均匀度,植被覆盖度均匀度的计算公式为公式六;
公式六:
公式六中CU代表植被覆盖度均匀度,FVC代表植被覆盖度,E代表欧拉数,S表示小区面积,Sb表示非植被区域的面积,当小区中没有空洞时,欧拉数为0。
从4个农学参数中共提取了20个均匀度指数,见表4。
表4从4个农艺参数中提取的20个均匀度指数
实施例1中的数据处理流程见图2。
7、均匀度指数与产量、生物量的相关性
将提取的20个均匀度指数并与产量、生物量进行相关性分析,结果如图3所示。
对于农学参数LAI,平均值与产量呈正相关,其余5个均匀度指数与产量呈负相关,其中,均值的相关系数大于方差、变异系数和Alatalo指数的相关系数,香农熵和Pielou指数在抽穗期至灌浆期多个时期的相关系数要高于均值的相关系数。各个指数与产量的相关系数最大值均出现在第四次数据(播种后147天)开花期,其次是拔节期。与产量相关性最大的是Pielou指数,r=0.760。对于SPAD值,除Alatalo指数,各均匀度指数与产量的相关系数在拔节期至灌浆期大于均值的相关系数。与LAI相似,各指数的最大相关系数也出现在第四次数据(播种后147天)开花期,其次是灌浆初期。与产量相关性最高的SPAD均匀度指数是Pielou指数,r=0.706。提取的6个冠层高度均匀度指数与产量的相关性较低,基于熵值的参数表现不佳,冠层高度平均值与产量的相关性在移栽后153天表现最佳,r=0.45。FVC和CU2个覆盖度参数与产量的关系在整个生育期具有相似的变化,本文提出的覆盖度均匀度参数的表现在大多数时期要优于覆盖度,最大相关系数出现在移栽后147天,r=0.69。4个农学参数提取出的所有均匀度指数中,开花期(播种后147天)LAI的Pielou指数与产量的相关性最高,r=-0.760。
对于生物量,LAI的方差,变异系数和Alatalo指数的相关系数与均值相比差异不大,香农熵和Pielou指数在抽穗期至灌浆期多个时期的相关系数要高于均值的相关系数。各参数均在开花期(移栽后147天)与生物量的相关性最高,各参数之间进行比较发现开花期LAI的Pielou指数与生物量的相关系数最大,r=-0.801。SPAD的均值与生物量相关性较低,方差,变异系数,香农熵,Pielou指数4个SPAD均匀度指数与生物量的相关性较高,SPAD均匀度指数之间进行比较发现,开花期SPAD的Pielou指数与生物量的相关系数最大,r=-0.770。6个冠层高度的均匀度指数与生物量的相关性整体较差,其中表现最好的参数为冠层高度平均值,灌浆期与生物量的相关系数达到最大,r=0.508。FVC和CU与生物量相关系数最大值也出现在移栽后147天。提出的覆盖度均匀度指数(r=0.702)与产量的相关系数大于FVC(r=0.675)。对20个均匀度进行比较发现,开花期LAI的Pielou指数与生物量的相关系数最大,r=-0.801。
8、小麦栽培品种的聚类分析
通过相关性分析结果可以发现,开花期的LJ指数与产量和生物量都具有较高的相关性。基于实测的产量和生物量,对所有品种进行了系统聚类分析,将其分为三类:C1,C2,C3,如图4(a)。三类品种的平均产量C1为8605.4kg/hm2,C2为6719.1kg/hm2,C3为4932.0kg/hm2。在图4(b)中分析了该三类品种的LJ均匀度指数的动态变化。从图中可以看出,均匀度与产量呈正相关,即产量高的小麦品种具有稳定良好的群体结构,小麦群体之间的长势差异较小,小麦的均匀度也就越高。
可行性验证
4个农艺参数估算
使用实测的LAI和22个植被指数构建了一个反向传播神经网络估计模型,该模型训练集的R2为0.889,RMSE为0.317,测试集的R2为0.883,RMSE为0.363。同样,对于SPAD值的估计,使用测得的SPAD值和19个植被指数开发了一个反向传播神经网络模型。该模型训练集的R2为0.804,RMSE为3.556,测试集的R2为0.791,RMSE为3.719。对于植被覆盖度的估计,采用支持向量机提取的覆盖度作为地面真实值,通过阈值分割获得的植被覆盖数据的准确性显示了R2为0.925,RMSE为0.172。基于三维点云数据提取的小麦冠层高度精度R2为0.812,RMSE为1.632。
小麦均匀度动态变化
不同的农学参数在生育期内的变化不尽相同,LM与均匀度是正相关,LV,LCV,LH,LJ,LE与均匀度负相关,见图5,叶面积指数的均匀度是先升高后降低的。开始低是因为冠层没有闭合前靠近边缘的位置与中间的位置的叶面积指数有一定差异,随着生长发育,冠层逐渐闭合,小区内叶面积指数逐渐一致而均匀度增加,最后均匀度降低,是由于衰老的原因。SPAD均匀度与LAI均匀度的变化趋势较为一致,也是先升高后降低的。越冬期至分蘖期会有一些衰老的叶片会出现在视野内,此外,由于冠层未闭合,行间小麦与背景存在一些混合像元,随着生育进程冠层逐渐闭合,混合像元和衰老叶片逐渐消失,开花后均匀度略有降低生育后期小麦衰老后导致均匀度降低。冠层高度的均匀度随生育期的进程先逐渐升高后略有降低。冠层闭合前均匀度逐渐升高,均匀度保持相对稳定,衰老时叶片下垂,导致均匀度再次降低。除了CV,CCV各均匀度指数与对应的农学参数均匀度动态变化趋势基本一致。
分类参数对熵值类参数的影响
影响熵值变化的有两个因素:一个是丰富度,另一个是概率。对于某个时期的小麦来说,给定一个分层参数,每个分层之间的丰富度和概率也将相应确定,因此分层参数的设置非常重要。本研究以LAI为例进行数据分析,如图6所示。随着分层参数的减小,三个均匀度参数与产量或生物量的相关性增加。对于三个参数的不同分层结果的分析发现,当分层参数值设定在LAI最大值的15%范围内时,将会取得良好的结果。
空间分辨率对均匀度指数的影响
空间分辨率是用来表征图像区分地面目标细节的指标,对试验田中农艺参数的提取有一定影响,特别是当小麦冠层闭合时,背景和小麦会形成混合像素,影响数据的准确性。为了分析空间分辨率对结果的影响,收集了小麦高光谱图像的四种分辨率数据,采集时间为2022年4月21日10:00至14:00,对应的地面采样距离(GSD)分别为:3cm、6cm、12cm、24cm。使用相同的方法和分层参数提取均匀度指数,并与产量和生物量进行相关分析。结果如图7所示,Shannon熵和Pielou指数与产量或生物量的相关性随着空间分辨率的增加而逐渐增强。由于硬件设备的限制,本试验中收集的高光谱图像已达到最高的空间分辨率(3cm)。然而,从图7中可以看出,在最高空间分辨率下没有饱和点,进一步提高空间分辨率仍有可能提高均匀度指数的准确性。
均匀度指标的适用性
不同的均匀度指数具有不同的适用方面。4个农学参数中提取的均匀度指数不可相互替代,它们分别表示小麦不同方面的均匀度。冠层高度的均匀度指数主要描述冠层垂直结构均匀度;而覆盖度均匀度指数则描述水平结构的均匀度;SPAD的均匀度描述小麦生理状况的均匀度;LAI的均匀度描述小麦形态的均匀度。
在作物生长过程中,背景(土壤、阴影)占据着的一定比例。土壤背景存在于作物生长的整个周期,不仅在作物生长的早期阶段占据了大部分地块面积,而且由于作物间某些因素(如苗期出苗率)的差异,在作物生长的后期阶段也可以找到裸露的土壤。然而,目前部分无人机遥感研究仍然使用卫星遥感的方式,即直接使用未经背景处理的提取植被信息进行作物性状估算,导致LAI估算不准确。数据分析的过程中,尝试分析了未去除背景的数据发现,熵值类的指数在一定程度上可以减少背景的影响,而传统的基于均值/方差的参数受背景的影响较大,且分辨率越高受影响的程度也越大。这可为以后定量遥感在参数的选择和数据处理过程中提供新的参考。
此外,本研究同样适用于禾本科密集分布的水稻。
需要说明的是,本发明权利要求书中涉及数值范围时,应理解为每个数值范围的两个端点以及两个端点之间任何一个数值均可选用,为了防止赘述,本发明描述了优选的实施例。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种小麦均匀度的监测方法,其特征在于,所述小麦均匀度包括叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度中的任一种或几种;
所述监测方法包括以下步骤:
(1)采集小麦高光谱数据和RGB数据;
(2)测量建模用的叶面积指数、叶绿素相对含量;
(3)利用(2)测得的叶面积指数建立叶面积指数与高光谱数据的反向传播神经网络模型,得到所有叶面积指数,计算叶面积指数的均匀度;
利用(2)测得的叶绿素相对含量建立叶绿素相对含量与高光谱数据的反向传播神经网络模型;得到叶绿素相对含量,计算叶绿素相对含量的均匀度;
利用RGB数据提取冠层高度,计算冠层高度的均匀度;
利用高光谱数据提取植被覆盖度,计算植被覆盖度的均匀度。
2.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,所述叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度均包括平均值、方差、变异系数、香农熵、Pielou指数、Alatalo指数中任一种或几种;
植被覆盖度的均匀度包括被覆盖度均匀性指数、植被覆盖度中的任一种或几种。
3.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,方差、变异系数、香农熵、Pielou指数、Alatalo指数的计算公式分别见公式一、公式二、公式三、公式四、公式五;
公式一:
公式二:
公式三:H'=-∑Piln(Pi)
公式四:J'=H'/lnS
公式五:
其中,公式一和公式二中V代表样本点在样方内的方差,CV代表变异系数,n代表样方内的样本数,xi代表样本值,代表平均值;
公式三中H'代表Shannon熵,Pi代表某一特定类别的数量与总数的比值;
公式四中H'代表Shannon熵,S代表样方的丰富度,Pi代表某一特定类别的数量与总数的比值;
公式五中E代表Alatalo指数,Pi代表某个类别的出现概率,H'代表Shannon熵。
植被覆盖度的计算公式见公式六;
公式六:
其中CU代表植被覆盖度均匀度指数,FVC代表植被覆盖度,E代表欧拉数,当目标区域中没有空洞时,S表示小区面积,Sb表示非植被区域的面积,欧拉数为0。
4.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,将得到的叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度与小麦产量进行相关性分析,得到小麦均匀度与产量的关系;
将得到的叶面积指数的均匀度、叶绿素相对含量的均匀度、冠层高度的均匀度、植被覆盖度的均匀度与小麦生物量进行相关性分析,得到小麦均匀度与生物量的关系。
5.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,获取高光谱数据时,图像在30米的飞行高度下采集,前向和横向重叠度分别为50%和30%,空间分辨率为3厘米。
6.根据权利要求1所述的一种小麦均匀度的监测方法,其特征在于,获取RGB数据时,图像在20米的飞行高度下采集,前向和横向重叠度均为80%。
7.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用Pielou指数分析叶面积指数均匀度。
8.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用Pielou指数分析叶绿素相对含量均匀度。
9.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用平均值分析冠层高度均匀度。
10.根据权利要求2所述的一种小麦均匀度的监测方法,其特征在于,用CU指数分析植被覆盖度均匀度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311138546.9A CN117309857A (zh) | 2023-09-05 | 2023-09-05 | 一种小麦均匀度的监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311138546.9A CN117309857A (zh) | 2023-09-05 | 2023-09-05 | 一种小麦均匀度的监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117309857A true CN117309857A (zh) | 2023-12-29 |
Family
ID=89236250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311138546.9A Pending CN117309857A (zh) | 2023-09-05 | 2023-09-05 | 一种小麦均匀度的监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117309857A (zh) |
-
2023
- 2023-09-05 CN CN202311138546.9A patent/CN117309857A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
Whetton et al. | Nonlinear parametric modelling to study how soil properties affect crop yields and NDVI | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN110927082A (zh) | 一种基于无人机成像高光谱遥感的冬小麦产量预测方法 | |
CN105675821B (zh) | 一种作物氮素营养无损诊断的图像评价指标的建立方法 | |
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 | |
CN107103378B (zh) | 一种玉米种植环境测试站点布局方法及系统 | |
CN110569605B (zh) | 一种基于nsga2-elm的粳稻叶片氮素含量反演模型方法 | |
Wang et al. | Classification of rice yield using UAV-based hyperspectral imagery and lodging feature | |
Fan et al. | Estimation of the nitrogen content of potato plants based on morphological parameters and visible light vegetation indices | |
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 | |
Huang et al. | Assimilating remotely sensed information with the wheatgrow model based on the ensemble square root filter for improving regional wheat yield forecasts | |
Dong et al. | Using RapidEye imagery to identify within-field variability of crop growth and yield in Ontario, Canada | |
CN116258060A (zh) | 基于机器学习的测土配方施肥方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN113139717B (zh) | 作物苗情分级遥感监测方法及装置 | |
CHENG et al. | Spectral purification improves monitoring accuracy of the comprehensive growth evaluation index for film-mulched winter wheat | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
CN110245867A (zh) | 一种基于bp神经网络的草地退化分级方法 | |
Yang et al. | Estimation of rice aboveground biomass by UAV imagery with photosynthetic accumulation models | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
Yu et al. | UAV hyperspectral inversion modeling of rice nitrogen content based on WOA-ELM | |
CN116030345A (zh) | 基于机器学习模型的叶龄预测方法 | |
CN117309857A (zh) | 一种小麦均匀度的监测方法 | |
Li et al. | Soybean leaf estimation based on RGB images and machine learning methods |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |