CN117554301A - 一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法 - Google Patents
一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法 Download PDFInfo
- Publication number
- CN117554301A CN117554301A CN202311479919.9A CN202311479919A CN117554301A CN 117554301 A CN117554301 A CN 117554301A CN 202311479919 A CN202311479919 A CN 202311479919A CN 117554301 A CN117554301 A CN 117554301A
- Authority
- CN
- China
- Prior art keywords
- nitrogen content
- red soil
- soil
- nitrogen
- peanut
- 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 342
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 171
- 239000002689 soil Substances 0.000 title claims abstract description 132
- 241001553178 Arachis glabrata Species 0.000 title claims abstract description 93
- 235000020232 peanut Nutrition 0.000 title claims abstract description 92
- 235000017060 Arachis glabrata Nutrition 0.000 title claims abstract description 77
- 235000010777 Arachis hypogaea Nutrition 0.000 title claims abstract description 77
- 235000018262 Arachis monticola Nutrition 0.000 title claims abstract description 77
- 238000001228 spectrum Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 239000000618 nitrogen fertilizer Substances 0.000 claims abstract description 13
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims description 15
- 238000002310 reflectometry Methods 0.000 claims description 10
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000002329 infrared spectrum Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000004497 NIR spectroscopy Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 239000002245 particle Substances 0.000 description 30
- 241000196324 Embryophyta Species 0.000 description 4
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000003337 fertilizer Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000295 emission spectrum Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010058314 Dysplasia Diseases 0.000 description 1
- 208000002720 Malnutrition Diseases 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 102000039446 nucleic acids Human genes 0.000 description 1
- 108020004707 nucleic acids Proteins 0.000 description 1
- 150000007523 nucleic acids Chemical class 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 238000001243 protein synthesis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法，所述的监测诊断系统包括：氮含量获取模块、模型构建模块、土壤含氮量模块和诊断模块；所述氮含量获取模块用于测定不同时期花生叶片与红壤的氮含量；所述模型构建模块用于基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；所述土壤含氮量模块将当前获得的花生叶片氮含量输入所述氮含量关系模型中，输出当前花生叶片对应的土壤氮含量；所述诊断模块用于基于所述土壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥。
Description
技术领域
本发明属于农业检测技术领域，具体涉及一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法。
背景技术
我国地区红壤地区多，花生是红壤区的主要经济作物。然而，红壤具有酸性强、低磷低钙、低有机质等特点。严重影响花生正常生长发育。此外，在花生种植中过度使用肥料回降低肥料的效率，造成生态污染，土壤质量降低，最终导致可持续生产能力的下降。
氮对花生的生命活动有重大作用，直接或间接的影响花生的代谢和生长发育。氮供应适宜时，蛋白质合成量大，细胞的分裂和增长加快，花生生长茂盛，叶面积增长快，叶色深绿，光合强度稿，荚果果实饱满；氮供应不足时，蛋白质、核酸、叶绿素的合成受阻，花生植株矮小、叶片黄瘦，分支少，光合强度降低，产量降低；氮供应过多，尤其是磷钾配合不当时，会造成植株营养失调，营养体过旺，生殖体发育不良，植株贪青晚熟或倒伏，结果少，荚果秕。
目前大部分土壤氮含量都采用化学测量，但是，该方法步骤较为繁琐，需要专业人员操作，时间较为耗时。如何较少测试成本与时耗，降低操作难度的土壤氮含量监测诊断方法是一个难题。
发明内容
为了解决以上技术问题，本发明提供了一种基于光谱的红壤花生叶片氮含量监测诊断系统和方法，监测诊断系统包括：
氮含量获取模块、模型构建模块、土壤含氮量模块和诊断模块；
所述氮含量获取模块用于测定不同时期花生叶片与红壤的氮含量；
所述模型构建模块用于基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；
所述土壤含氮量模块将当前获得的花生叶片氮含量输入所述氮含量关系模型中，输出当前花生叶片对应的红壤氮含量；
所述诊断模块用于基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥。
可选的，所述氮含量获取模块还包括叶片氮含量子模块和红壤氮含量子模块；
所述叶片氮含量子模块用于利用光谱计算叶片氮含量；
所述红壤氮含量子模块用于利用近红外光谱计算红壤的氮含量。
可选的，所述利用光谱计算叶片氮含量的方法包括：
采用高光谱成像仪对不同阶段的花生进行叶片图像的采集；
根据采集到的花生叶片图像采用凯氏定氮法获取叶片的氮含量。
可选的，所述利用近红外光谱计算红壤氮含量的方法包括：
获取栽种有花生的红壤进行土壤样本；
使用近红外光谱获取所述土壤样本的土壤图像；
对所述土壤图像进行预处理；
利用训练好的卷积神经网络获取预处理图像的特征；
根据所述预处理图像的特征得到红壤氮含量。
基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型的方法包括：
利用回归分析模型建立不同时期花生叶片与红壤的氮含量之间的关系模型。
可选的，利用回归分析模型建立关系模型的过程具体包括：
根据花生叶片与红壤的光谱反射率、一阶微分光谱和SPAD的相关关系，建立氮含量关系模型。
可选的，基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥具体包括：
将红壤土地不同时期花生所需的标准氮需求与测得的当前红壤含氮量进行对比；
根据对比结果判断是否需要追加氮肥。
本发明还一种基于光谱的红壤花生叶片氮含量监测诊断方法，所述监测诊断方法包括：
测定不同时期花生叶片与红壤的氮含量；
基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；
将当前获得的花生叶片氮含量输入所述氮含量关系模型中，输出当前花生叶片对应的红壤氮含量；
基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥。
与现有技术相比，本发明的有益效果为：
本发明根据不同时期的花生对氮含量的不同需求对红壤的含氮量进行监测，适时提醒是否需要追加肥料。本发明检测时间短，监测效果更准确，适用性更强，降低了人工人本。
附图说明
为了更清楚地说明本发明的技术方案，下面对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法的系统结构图；
图2为本发明实施例的一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法的方法步骤图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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做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。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一：
在本实施例中，如图1所示，一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法，所述系统包括：氮含量获取模块、模型构建模块、土壤含氮量模块和诊断模块；
所述氮含量获取模块用于测定不同时期花生叶片与红壤的氮含量；
可选的，所述氮含量获取模块还包括叶片氮含量子模块和红壤氮含量子模块；
所述叶片氮含量子模块用于利用光谱计算叶片氮含量；
所述红壤氮含量子模块用于利用近红外光谱计算红壤的氮含量。
可选的，所述利用光谱计算叶片氮含量的方法包括：
采用高光谱成像仪对不同阶段的花生进行叶片图像的采集；
根据采集到的花生叶片图像采用凯氏定氮法获取叶片的氮含量。
其中，高光谱图像的采集使用ImSpectorV10E高光谱成像系统，其中，成像光谱仪的分辨率为2.8nm，波长范围为383～1003nm。选择在天气晴朗，无风无云，光照强度最强且较稳定的10：00-14：00进行冠层光谱采集。采集时，成像光谱仪通过三角架固定在距冠层顶部垂直高度约1m处，扫描角度为40°。采集过程中，图像分辨率设置为1628像素×428像素，曝光时间为5ms，电控旋转平台每秒转动0.36°。为去除背景信息和暗电流的影响，需通过采集全黑和全白图像，对高光谱数据进行校正处理，该处理在成像系统配套的采集软件中进行。利用ENVI5.1软件在每个冠层叶片样本的高光谱图像中，避开叶脉部分，分别于冠层叶片尖部、中部和基部共选取5个20像素×20像素的矩形感兴趣区域(Region of interest,ROI)，并提取平均光谱值，将各ROI加权平均后的光谱值作为该样本的原始光谱数据。
不同氮胁迫下花生叶片的光谱响应曲线不同，但是区分度较差，一些细节信息被掩盖。将原始光谱数据以光谱指数的形式进行分析，可降低外接环境对光谱检测精度的影响个，放大细节信息，提高光谱信息对目标参数的敏感度。
其中，常用的光谱指数为NDVI和SAVI，计算公式为：
其中，λi为近红外波段内的任一个波长，单位为nm；λj为红光波段内的任意一个波长，单位为nm；为λi、λj波长所对应的反射率。
通过优化NDVI与SAVI的波段组合，构建了归一化光谱指数和土壤调节光谱指数。
充分利用PSO算法的优化性能，在0～1之间搜寻所有波段信息组合下的SASI的最优冠层调节参数L，若某一粒子能够使SASI与CLNC的相关系数最大，则该粒子所在位置即为搜寻的最优L值。
本实施例中，将SASI与CLNC的相关性作为PSO的适应度函数，适应度fness的计算公式为：
fness＝fcorrcoef(SASI，CLNC)
式中，fcorrcoef(.)为相关性函数。
算法的具体运行步骤如下：
初始化粒子群参数：随机设定粒子的初始位置xi和初始飞行速度vi，设定待优化参数L的取值范围为[0，1]，设定学习因子c1＝c2＝0.1，初始种群数为10，惯性权重ω为0.1，最大迭代次数t为30。xi和vi分别为：
xi＝(xi，1，xi，2，xi，3，…，xi，d)
vi＝(vi，1，vi，2，vi，3，…，vi，d)
其中，i为粒子序号；d为第i个粒子所在空间的维数；xi，d为第i个粒子在d维的位置；vi，d为第i个粒子在d维的速度。
计算各粒子的适应度fness，并将粒子当前所在位置作为个体最佳位置，记为Pi。通过对比各粒子适应度，确定种群最佳文职，并记为Pg。
更新粒子的速度和位置，即：
vi，d(t+1)＝wvi，d+c1r1(Pi，d-xi，d(t))+c2r2(Pg，d-xi，d(t))
xi，d(t+1)＝xi，d(t)+vi，d(t+1)
其中，t为迭代次数，Pi，d为第i个粒子经历的历史最佳位置；Pg，d为群体中所有粒子经历的最佳位置；r1、r2为0～1之间服从均匀分布的随机数。
根据粒子更新后的位置和速度重新进行迭代寻优，若xi(t)≥Pi，则Pi＝xi(t)；若xi(t)≥Pg，则Pg＝xi(t)。不断更新Pi和Pg，直到循环达到最大迭代次数，搜寻结束，输出最优L值。
将PSO寻找到的最优L值代入相应的SASI中，并于CLNC进行相关性分析，确定最佳SASI参数的分布区域。
使用单隐含层结构的BP神经网络输出叶片氮含量的预测值。
利用近红外光谱计算红壤氮含量的方法包括：
获取栽种有花生的红壤进行土壤样本；
使用近红外光谱获取所述土壤样本的土壤图像；
对所述土壤图像进行预处理；
利用训练好的卷积神经网络获取预处理图像的特征；
其中，使用较差验证和网格搜索的方法进行调整，提高模型的准确率和稳定性。
根据所述预处理图像的特征得到红壤氮含量。
使用随机梯度下降法对CNN模型进行训练，训练过程汇中使用softmax分类器和交叉熵损失函数，以最小化模型的损失。模型训练完成后，使用测试集对模型进行测试和评估。
所述模型构建模块用于基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；
基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型的方法包括：
利用回归分析模型建立不同时期花生叶片与红壤的氮含量之间的关系模型。
利用回归分析模型建立关系模型的过程具体包括：
根据花生叶片与红壤的光谱反射率、一阶微分光谱和SPAD的相关关系，建立氮含量关系模型。
利用光谱仪自带的处理软件将测定的原始光谱数据进行重采样并导出，采样间隔为1nm；为减少背景噪声的影响，有效提高对植物生物理化参数的监测，采用光谱归一化微分分析技术，对光谱求一阶微分；由于光谱仪采集的数据是离散的，一阶微分公式为：
其中，Di是波段i的一阶微分值。
不同SPAD值得叶片发射光谱存在明显差异，在可见光区域，光谱反射率随着叶片SPAD值的升高而降低，在近红外波段光谱反射率则随着叶片SPAD值得升高而升高。
所述土壤含氮量模块将当前获得的花生叶片氮含量输入所述氮含量关系模型中，输出当前花生叶片对应的红壤氮含量；
所述诊断模块用于基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥。
可选的，基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥具体包括：
将红壤土地不同时期花生所需的标准氮需求与测得的当前红壤含氮量进行对比；
根据对比结果判断是否需要追加氮肥。
实施例二
如图2所示，一种基于光谱的红壤花生叶片氮含量监测诊断方法，所述监测诊断方法包括：
测定不同时期花生叶片与红壤的氮含量；
基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；
将当前获得的花生叶片氮含量输入所述氮含量关系模型中，输出当前花生叶片对应的红壤氮含量；
基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥。
不同氮胁迫下花生叶片的光谱响应曲线不同，但是区分度较差，一些细节信息被掩盖。将原始光谱数据以光谱指数的形式进行分析，可降低外接环境对光谱检测精度的影响个，放大细节信息，提高光谱信息对目标参数的敏感度。
其中，常用的光谱指数为NDVI和SAVI，计算公式为：
其中，λi为近红外波段内的任一个波长，单位为nm；λj为红光波段内的任意一个波长，单位为nm；为λi、λj波长所对应的反射率。
通过优化NDVI与SAVI的波段组合，构建了归一化光谱指数和土壤调节光谱指数。
充分利用PSO算法的优化性能，在0～1之间搜寻所有波段信息组合下的SASI的最优冠层调节参数L，若某一粒子能够使SASI与CLNC的相关系数最大，则该粒子所在位置即为搜寻的最优L值。
本实施例中，将SASI与CLNC的相关性作为PSO的适应度函数，适应度fness的计算公式为：
fness＝fcorrcoef(SASI，CLNC)
式中，fcorrcoef(·)为相关性函数。
算法的具体运行步骤如下：
初始化粒子群参数：随机设定粒子的初始位置xi和初始飞行速度vi，设定待优化参数L的取值范围为[0，1]，设定学习因子c1＝c2＝0.1，初始种群数为10，惯性权重ω为0.1，最大迭代次数t为30。xi和vi分别为：
xi＝(xi，1，xi，2，xi，3，…，xi，d)
vi＝(vi，1，vi，2，vi，3，…，vi，d)
其中，i为粒子序号；d为第i个粒子所在空间的维数；xi，d为第i个粒子在d维的位置；vi，d为第i个粒子在d维的速度。
计算各粒子的适应度fness，并将粒子当前所在位置作为个体最佳位置，记为Pi。通过对比各粒子适应度，确定种群最佳文职，并记为Pg。
更新粒子的速度和位置，即：
vi，d(t+1)＝wui，d+c1r1(Pi，d-xi，d(t))+c2r2(Pg，d-xi，d(t))
xi，d(t+1)＝xi，d(t)+vi，d(t+1)
其中，t为迭代次数，Pi，d为第i个粒子经历的历史最佳位置；Pg，d为群体中所有粒子经历的最佳位置；r1、r2为0～1之间服从均匀分布的随机数。
根据粒子更新后的位置和速度重新进行迭代寻优，若xi(t)≥Pi，则Pi＝xi(t)；若xi(t)≥Pg，则Pg＝xi(t)。不断更新Pi和Pg，直到循环达到最大迭代次数，搜寻结束，输出最优L值。
将PSO寻找到的最优L值代入相应的SASI中，并于CLNC进行相关性分析，确定最佳SASI参数的分布区域。
使用单隐含层结构的BP神经网络输出叶片氮含量的预测值。
利用近红外光谱计算红壤氮含量的方法包括：
获取栽种有花生的红壤进行土壤样本；
使用近红外光谱获取所述土壤样本的土壤图像；
对所述土壤图像进行预处理；
利用训练好的卷积神经网络获取预处理图像的特征；
其中，使用较差验证和网格搜索的方法进行调整，提高模型的准确率和稳定性。
根据所述预处理图像的特征得到红壤氮含量。
使用随机梯度下降法对CNN模型进行训练，训练过程汇中使用softmax分类器和交叉熵损失函数，以最小化模型的损失。模型训练完成后，使用测试集对模型进行测试和评估。
所述模型构建模块用于基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；
基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型的方法包括：
利用回归分析模型建立不同时期花生叶片与红壤的氮含量之间的关系模型。
利用回归分析模型建立关系模型的过程具体包括：
根据花生叶片与红壤的光谱反射率、一阶微分光谱和SPAD的相关关系，建立氮含量关系模型。
利用光谱仪自带的处理软件将测定的原始光谱数据进行重采样并导出，采样间隔为1nm；为减少背景噪声的影响，有效提高对植物生物理化参数的监测，采用光谱归一化微分分析技术，对光谱求一阶微分；由于光谱仪采集的数据是离散的，一阶微分公式为：
其中，Di是波段i的一阶微分值。
不同SPAD值得叶片发射光谱存在明显差异，在可见光区域，光谱反射率随着叶片SPAD值的升高而降低，在近红外波段光谱反射率则随着叶片SPAD值得升高而升高。
以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种基于光谱的红壤花生叶片氮含量监测诊断系统，其特征在于，所述的监测诊断系统包括：氮含量获取模块、模型构建模块、土壤含氮量模块和诊断模块；
所述氮含量获取模块用于测定不同时期花生叶片与红壤的氮含量；
所述模型构建模块用于基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；
所述土壤含氮量模块将当前获得的花生叶片氮含量输入所述氮含量关系模型中，输出当前花生叶片对应的红壤氮含量；
所述诊断模块用于基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥。
2.根据权利要求1所述的基于光谱的红壤花生叶片氮含量监测诊断系统，其特征在于，所述氮含量获取模块还包括叶片氮含量子模块和红壤氮含量子模块；
所述叶片氮含量子模块用于利用光谱计算叶片氮含量；
所述红壤氮含量子模块用于利用近红外光谱计算红壤的氮含量。
3.根据权利要求2所述的基于光谱的红壤花生叶片氮含量监测诊断系统，其特征在于：所述叶片氮含量子模块利用光谱计算叶片氮含量包括：
采用高光谱成像仪对不同阶段的花生进行叶片图像的采集；
根据采集到的花生叶片图像采用凯氏定氮法获取叶片的氮含量。
4.根据权利要求2所述的基于光谱的红壤花生叶片氮含量监测诊断系统，其特征在于，所述红壤氮含量子模块利用近红外光谱计算红壤氮含量包括：
获取栽种有花生的红壤进行土壤样本；
使用近红外光谱获取所述土壤样本的土壤图像；
对所述土壤图像进行预处理；
利用训练好的卷积神经网络获取预处理图像的特征；
根据所述预处理图像的特征得到红壤氮含量。
5.根据权利要求1所述的基于光谱的红壤花生叶片氮含量监测诊断系统，其特征在于，基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型包括：
利用回归分析模型建立不同时期花生叶片与红壤的氮含量之间的关系模型。
6.根据权利要求5所述的基于光谱的红壤花生叶片氮含量监测诊断系统，其特征在于，利用回归分析模型建立关系模型的过程具体包括：
根据花生叶片与红壤的光谱反射率、一阶微分光谱和SPAD的相关关系，建立氮含量关系模型。
7.根据权利要求1所述的基于光谱的红壤花生叶片氮含量监测诊断系统，其特征在于，基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥具体包括：
将红壤土地不同时期花生所需的标准氮需求与测得的当前红壤含氮量进行对比；
根据对比结果判断是否需要追加氮肥。
8.一种基于光谱的红壤花生叶片氮含量监测诊断方法，其特征在于，
测定不同时期花生叶片与红壤的氮含量；
基于所述不同时期花生叶片与红壤的氮含量建立不同时期的叶片与红壤之间的氮含量关系模型；
将当前获得的花生叶片氮含量输入所述氮含量关系模型中，输出当前花生叶片对应的红壤氮含量；
基于所述红壤氮含量与标准氮含量进行比对，确认是否需要追加氮肥。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311479919.9A CN117554301B (zh) | 2023-11-08 | 2023-11-08 | 一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311479919.9A CN117554301B (zh) | 2023-11-08 | 2023-11-08 | 一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117554301A true CN117554301A (zh) | 2024-02-13 |
| CN117554301B CN117554301B (zh) | 2024-10-11 |
Family
ID=89812044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311479919.9A Active CN117554301B (zh) | 2023-11-08 | 2023-11-08 | 一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117554301B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040080506A (ko) * | 2003-03-12 | 2004-09-20 | 전라북도 | 근적외선분광광도계를 이용한 벼 식물체의 질소성분분석방법 |
| CN103293111A (zh) * | 2013-06-07 | 2013-09-11 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
| US20140039967A1 (en) * | 2006-11-07 | 2014-02-06 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
| JP2016065777A (ja) * | 2014-09-24 | 2016-04-28 | 浜松ホトニクス株式会社 | 植物における窒素欠乏症を診断する方法 |
| CN107764976A (zh) * | 2017-09-28 | 2018-03-06 | 广州市健坤网络科技发展有限公司 | 土壤氮素快速诊断方法及在线监测系统 |
| CN109392398A (zh) * | 2018-11-20 | 2019-03-01 | 内蒙古农业大学 | 一种土壤测试与植株诊断相结合的马铃薯氮肥推荐方法 |
| WO2020013736A1 (ru) * | 2018-07-11 | 2020-01-16 | Общество с ограниченной ответственностью "АгроДронГрупп" | Дистанционная рекогносцировочная диагностика обеспечения растений азотом |
| 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 |
| CN116662753A (zh) * | 2023-05-18 | 2023-08-29 | 中国农业大学 | 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 |
-
2023
- 2023-11-08 CN CN202311479919.9A patent/CN117554301B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20040080506A (ko) * | 2003-03-12 | 2004-09-20 | 전라북도 | 근적외선분광광도계를 이용한 벼 식물체의 질소성분분석방법 |
| US20140039967A1 (en) * | 2006-11-07 | 2014-02-06 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
| CN103293111A (zh) * | 2013-06-07 | 2013-09-11 | 南京农业大学 | 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法 |
| JP2016065777A (ja) * | 2014-09-24 | 2016-04-28 | 浜松ホトニクス株式会社 | 植物における窒素欠乏症を診断する方法 |
| CN107764976A (zh) * | 2017-09-28 | 2018-03-06 | 广州市健坤网络科技发展有限公司 | 土壤氮素快速诊断方法及在线监测系统 |
| WO2020013736A1 (ru) * | 2018-07-11 | 2020-01-16 | Общество с ограниченной ответственностью "АгроДронГрупп" | Дистанционная рекогносцировочная диагностика обеспечения растений азотом |
| CN109392398A (zh) * | 2018-11-20 | 2019-03-01 | 内蒙古农业大学 | 一种土壤测试与植株诊断相结合的马铃薯氮肥推荐方法 |
| 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 |
| CN116662753A (zh) * | 2023-05-18 | 2023-08-29 | 中国农业大学 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117554301B (zh) | 2024-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102788752B (zh) | 基于光谱技术的农作物内部信息无损检测装置及方法 | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN110363246B (zh) | 一种高时空分辨率植被指数ndvi的融合方法 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN113537108B (zh) | 一种基于无人机高光谱遥感的农作物叶绿素含量反演方法 | |
| CN108520127A (zh) | 一种树种叶面积指数的高光谱反演方法 | |
| CN114441457A (zh) | 一种基于无人机多光谱影像消除水稻冠层背景效应并提升叶片氮浓度监测精度的方法 | |
| CN111751376A (zh) | 一种基于冠层图像特征衍生的水稻氮素营养估算方法 | |
| Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
| CN115879836A (zh) | 一种耦合机理模型的大豆作物遥感大区域快速估产方法 | |
| CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
| CN114140695A (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 | |
| CN115169728A (zh) | 一种基于简化神经网络的土壤肥力预测方法 | |
| CN115684107A (zh) | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 | |
| CN114782840A (zh) | 一种基于无人机rgb影像的小麦物候期实时分类方法 | |
| CN117554301B (zh) | 一种基于光谱的红壤花生叶片氮含量监测诊断系统及方法 | |
| CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| CN115358321A (zh) | 基于卷积神经网络的高光谱土壤速效钾含量预测方法 | |
| CN115266720A (zh) | 多尺度光谱成像的玉米生长期养分信息检测方法 | |
| CN115344997B (zh) | 夏玉米植株叶片-冠层-像元尺度氮浓度协同预测方法 | |
| CN116973314B (zh) | 一种多品种蚕豆赤斑病病情人工智能评估方法 | |
| CN117371603A (zh) | 基于多模态数据和集成学习的小麦倒伏参数预测方法 | |
| CN117760984A (zh) | 一种冬小麦spad时空变化监测方法 | |
| CN115909062A (zh) | 基于多点位融合的小麦产量估测方法 |
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 | ||
| GR01 | Patent grant |