CN106525731B - 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 - Google Patents

基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 Download PDF

Info

Publication number
CN106525731B
CN106525731B CN201610856308.5A CN201610856308A CN106525731B CN 106525731 B CN106525731 B CN 106525731B CN 201610856308 A CN201610856308 A CN 201610856308A CN 106525731 B CN106525731 B CN 106525731B
Authority
CN
China
Prior art keywords
canopy
remote sensing
nitrogen
crop canopies
vertical
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
Application number
CN201610856308.5A
Other languages
English (en)
Other versions
CN106525731A (zh
Inventor
李贺丽
杨贵军
冯海宽
于海洋
赵晓庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Center for Information Technology in Agriculture
Original Assignee
Beijing Research Center for Information Technology in Agriculture
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Center for Information Technology in Agriculture filed Critical Beijing Research Center for Information Technology in Agriculture
Priority to CN201610856308.5A priority Critical patent/CN106525731B/zh
Publication of CN106525731A publication Critical patent/CN106525731A/zh
Application granted granted Critical
Publication of CN106525731B publication Critical patent/CN106525731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • 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
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (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)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供了一种基于遥感信息与农学知识的冠层叶氮垂直分布探测方法及装置，所述方法包括：获取作物冠层红光、绿光和近红外波段的遥感反射信息；根据农学知识建立作物冠层叶氮垂直分布数学模型；根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布模型参数K(即垂直分布系数)和N0(即冠层顶部叶片的氮含量)的估计值；根据冠层氮素垂直分布模型和遥感获取的参数K、N0估计值，得到作物冠层叶氮垂直分布信息。本发明充分利用遥感技术快速无损监测优势和农学知识模型具有的机理性和普适性优点，实现了作物不同层次叶氮浓度的高精度遥感探测，即实现了作物叶氮垂直分布的高精度遥感探测。

Description

基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置
技术领域
本发明涉及农业技术领域，具体涉及一种基于遥感信息与农学知识的冠层叶氮垂直分布探测方法及装置。
背景技术
目前土地资源严重紧缺，气候条件复杂多变，提高现有可耕土地生产力对维系粮食安全至关重要。氮是作物不可缺少的重要营养元素。作物生长和生产不仅依赖于植株从土壤中吸取氮素的数量，而且很大程度上还取决于氮素在冠层内的垂直分布形态。改善和调节氮素在冠层内的垂直分布可作为提高作物生产力的一种可行性途径，其作用在未来大气二氧化碳浓度不断升高的气候条件下变得更加重要。利用遥感技术监测作物氮素状况，具有快速、无损、范围大等优势，对于现代农业生产的重要性和必要性已被普遍认可。目前已有作物氮素遥感监测方法基本上都是以冠层平均叶氮浓度或冠层氮素累积量为目标，针对冠层叶氮垂直分布的遥感估测方法还十分缺乏。同时，鉴于作物不同层次叶片氮含量的差异分布以及不同层次叶片对氮素胁迫的敏感性不同，构建冠层叶氮垂直分布遥感方法对提高作物氮素遥感监测精度及其实际应用价值亦非常重要。
目前，作物冠层不同层次叶氮含量的遥感探测方法非常有限。其中，基于作物冠层反射光谱和偏最小二乘算法的估算方法，鉴于下层叶片对冠层反射光谱的贡献相对较小，利用该法估算下层叶氮含量存在较大的不确定性。基于作物冠层反射光谱和不同层次光合有效辐射截获量的估算方法，由于获取大面积作物不同层次的光能截获信息比较困难，限制了该法的实际应用。利用多角度冠层反射光谱提取不同层次的叶氮含量，鉴于多角度观测的仍是不同叶层的混合光谱，其估算精度受到限制。利用不同层次单叶片反射光谱或荧光特性估算各层次叶片的氮含量，面临着大面积遥感监测难以获取作物不同层次叶片反射光谱和荧光信息的困境，实际应用受限。
发明内容
针对现有技术中的缺陷，本发明提供一种基于遥感信息与农学知识的冠层叶氮垂直分布探测方法及装置，充分利用遥感技术快速无损监测优势和农学知识模型具有的机理性和普适性优点，实现了作物不同层次叶氮浓度的高精度遥感探测，即实现了作物叶氮垂直分布的高精度遥感探测。
第一方面，本发明提供了一种基于遥感信息与农学知识的冠层叶氮垂直分布探测方法，包括：
获取作物冠层红光、绿光和近红外波段的遥感反射信息；
根据农学知识建立作物冠层叶氮垂直分布数学模型：
N＝N0·exp(-K·LAI)
其中，N为因变量，即冠层某深度位置处的氮含量；LAI为自变量，即冠层顶部至冠层某一深度位置处的累积叶面积指数；K为氮素垂直分布系数，其值越大，表示氮素垂直分布剖面越陡，不同层次氮含量差异越大；系数N0为LAI为0时的氮含量，即冠层顶部叶片的氮含量；
根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值；
根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值；
根据冠层叶氮垂直分布数学模型和遥感获取的模型参数K、N0的估计值，得到作物冠层叶氮垂直分布信息。
进一步地，所述获取作物冠层红光、绿光和近红外波段的遥感反射信息，包括：
根据预设需求，基于现有遥感平台和传感器获取作物冠层红光、绿光和近红外波段的遥感反射信息。
进一步地，所述根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值，包括：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层氮素垂直分布系数K之间的经验统计关系，得到冠层氮素垂直分布系数K的估计值。
进一步地，所述根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值，包括：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层顶部叶片的氮含量N0之间的经验统计关系，得到冠层顶部叶片的氮含量N0的估计值。
进一步地，所述冠层光谱植被指数包括：归一化差值植被指数NDVI、红绿比植被指数RGVI、比值植被指数RVI和/或宽动态范围植被指数WDRVI。
进一步地，所述根据冠层叶氮垂直分布数学模型和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息，包括：
根据冠层叶氮垂直分布数学模型N＝N0·exp(-K·LAI)和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息。
第二方面，本发明还提供了一种基于遥感信息与农学知识的冠层叶氮垂直分布探测装置，包括：
第一获取模块，用于获取作物冠层红光、绿光和近红外波段的遥感反射信息；
建立模块，用于根据农学知识建立作物冠层叶氮垂直分布数学模型：
N＝N0·exp(-K·LAI)
其中，N为因变量，即冠层某深度位置处的氮含量；LAI为自变量，即冠层顶部至冠层某一深度位置处的累积叶面积指数；K为氮素垂直分布系数，其值越大，表示氮素垂直分布剖面越陡，不同层次氮含量差异越大；系数N0为LAI为0时的氮含量，即冠层顶部叶片的氮含量；
第二获取模块，用于根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值；
第三获取模块，用于根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值；
第四获取模块，用于根据冠层叶氮垂直分布数学模型和遥感获取的模型参数K、N0的估计值，得到作物冠层叶氮垂直分布信息。
进一步地，所述第一获取模块具体用于：
根据预设需求，基于现有遥感平台和传感器获取作物冠层红光、绿光和近红外波段的遥感反射信息。
进一步地，所述第二获取模块具体用于：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层氮素垂直分布系数K之间的经验统计关系，得到冠层氮素垂直分布系数K的估计值。
进一步地，所述第三获取模块具体用于：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层顶部叶片的氮含量N0之间的经验统计关系，得到冠层顶部叶片的氮含量N0的估计值。
进一步地，所述冠层光谱植被指数包括：归一化差值植被指数NDVI、红绿比植被指数RGVI、比值植被指数RVI和/或宽动态范围植被指数WDRVI。
进一步地，所述第四获取模块具体用于：
根据冠层叶氮垂直分布数学模型N＝N0·exp(-K·LAI)和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息。
由上述技术方案可知，本发明提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法，充分利用遥感技术快速无损监测优势和农学知识模型具有的机理性和普适性优点，运用遥感技术获取作物面上信息，采用农学模型实现冠层垂向扩展，建立了机理性强而又可靠的作物冠层叶氮垂直分布遥感探测方法，实现了作物不同层次叶氮浓度的高精度遥感探测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法的流程图；
图2是本发明一较佳实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法的流程图；
图3a-图3c是不同水肥条件下、不同时期冬小麦冠层叶氮垂直分布及数学模型描述示意图；
图4a-图4d是冬小麦冠层叶氮垂直分布系数K与植被指数NDVI、RVI、RGVI、WDRVI的关系描述示意图；
图5是冬小麦冠层基于光谱植被指数RGVI估算的K值精度分析示意图；
图6a-图6d是冬小麦冠层叶氮垂直分布模型参数N0与植被指数NDVI、RVI、RGVI、WDRVI的关系描述示意图；
图7是冬小麦冠层基于光谱植被指数RVI估算的N0值精度分析示意图；
图8a-图8c是基于遥感信息与农学知识相结合的方法估测的冬小麦冠层不同层次叶氮浓度的精度分析示意图；
图9是本发明另一实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例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。
对于背景技术部分提到的方案，存在的主要缺陷为：1、基于作物冠层反射光谱和偏最小二乘算法估算不同层次的叶氮含量，由于下层叶片对冠层反射的贡献相对较小，利用该法估算下层叶氮含量存在较大的不确定性。2、基于作物冠层反射光谱和不同层次光合有效辐射截获量估算不同层次的叶氮含量，由于实际应用中获取大面积作物不同层次的光能截获信息比较困难，限制了该法的实用性。3、利用多角度冠层反射光谱提取不同层次的叶氮含量，鉴于多角度观测的仍是不同叶层的混合光谱，其估算精度受限。4、基于不同层次单叶片反射光谱或荧光特性估算各层次叶片的氮含量，由于实际应用中难以遥感获取大面积作物不同层位叶片的反射和荧光信息，实用性较弱。5、缺乏适用于不同尺度和不同遥感平台的作物冠层叶氮垂直分布遥感方法。
针对背景技术方案的缺陷，本发明的目的是综合考虑作物冠层叶氮垂直分布形态特征和获取所需数据的难易程度等因素，通过链接作物遥感信息(即作物冠层光谱反射)与农学知识(即作物冠层叶氮垂直分布数学模型)，建立机理性强而又可靠的作物冠层叶氮垂直分布遥感探测方法，从而可基于较易获取的遥感光谱数据提取作物不同层次叶片的氮素含量，实现作物冠层叶氮垂直分布的高精度遥感探测，同时便于在不同遥感平台(星-机-地等)和不同空间尺度上(田块-区域等)实际运用，具有较强的实用性和普适性。本发明基于遥感信息与农学模型相结合，通过二者优势互补，建立机理性强而又可靠的作物冠层叶氮垂直分布遥感监测方法。即利用遥感技术获取作物面上信息，利用农学模型实现作物信息在冠层垂直方向上的扩展。下面将通过具体实施例对本发明进行详细解释说明。
图1示出了本发明一实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法的流程图。参见图1，本发明实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法，包括如下步骤：
步骤101：获取作物冠层红光、绿光和近红外波段的遥感反射信息。
步骤102：根据农学知识建立作物冠层叶氮垂直分布数学模型。
在本步骤中，根据农学知识建立如下的作物冠层叶氮垂直分布数学模型：
N＝N0·exp(-K·LAI)
其中，N为因变量，即冠层某深度位置处的氮含量；LAI为自变量，即冠层顶部至冠层某一深度位置处的累积叶面积指数；K为氮素垂直分布系数，其值越大，表示氮素垂直分布剖面越陡，不同层次氮含量差异越大；系数N0为LAI为0时的氮含量，即冠层顶部叶片的氮含量。
步骤103：根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值。
步骤104：根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值。
步骤105：根据冠层叶氮素垂直分布数学模型和遥感获取的模型参数K、N0的估计值，得到作物冠层叶氮垂直分布信息。
从上面描述可知，本发明实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法，充分利用遥感技术快速无损监测优势和农学知识模型具有的机理性和普适性优点，运用遥感技术获取作物面上信息，采用农学模型实现冠层垂向扩展，建立了机理性强而又可靠的作物冠层叶氮垂直分布遥感探测方法，实现了作物不同层次叶氮浓度的高精度遥感探测。
下面结合图2并通过一个较佳实施例对本发明提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法进行详细解释说明。
遥感技术的飞速发展提供了丰富的不同时空分辨率和光谱分辨率的影像数据，同时使数据获取和使用更加便易。现代农业生产中，利用遥感技术监测作物氮素营养状况的重要性已被广泛认可。但目前尚缺乏具有较强普适性和稳定性的作物冠层叶氮垂直分布遥感探测方法。针对这一问题，本发明实施例旨在：充分利用遥感技术快速无损监测优势和农学知识模型具有的机理性和普适性优点，运用遥感技术获取作物面上信息，采用农学模型实现冠层垂向扩展，建立机理性强而又可靠的作物冠层叶氮垂直分布遥感探测方法，实现作物不同层次叶氮浓度的高精度遥感探测，同时该法便于在不同遥感平台和不同空间尺度上应用，具有较强的实用性和普适性。
本发明实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法，包括如下过程：
步骤101：获取作物冠层红光、绿光和近红外波段的遥感反射信息。
在本步骤中，根据预设需求，基于现有遥感平台和传感器获取作物冠层红光、绿光和近红外波段的遥感反射信息。
这里，所述预设需求包括：需要监测的作物面积、需要监测的时期，和/或，对监测结果的空间分辨率的要求。比如，某一预设需求为：需要监测冬小麦作物，面积100公顷，需要监测的生长时期为拔节至开花，时间间隔不超过5天，对监测结果的空间分辨率要求为20m以下，则可以根据该需求，基于现有遥感平台和传感器获取作物冠层红光、绿光和近红外波段的遥感反射信息。
如国内外各种航天卫星观测平台的光学影像，航空无人机观测的可见光—近红外遥感影像，地基塔、车平台以及人工便携式光谱反射观测等。实际应用中，根据作物监测面积、监测时期、以及对监测结果的空间分辨率需求等，确定所需遥感信息的时空分辨率之后，即可基于上述遥感平台收集满足需要的数据信息。
步骤102：根据农学知识建立作物冠层叶氮垂直分布数学模型。
在本步骤中，需要根据农学知识建立作物冠层叶氮垂直分布数学模型。具体地，由于氮素是调控植物叶片光合能力最有效因子之一。冠层尺度上，植物叶片氮含量垂直分布差异与冠层内光分布差异有关；叶片尺度上，与维系二磷酸核酮糖羧化酶(Rubisco)限制的羧化速率和电子传输限制的羧化速率之间的平衡有关。植物冠层氮素垂直分布可采用与光分布类似的形式定量描述，即遵循比尔定律自冠层顶部向下按指数递减的形式随累积叶面积指数(LAI)的增加逐渐降低。具体如下：
N＝N0·exp(-K·LAI)
其中，N为因变量，即冠层某深度位置处的氮含量；LAI为自变量，即冠层顶部至冠层某一深度位置处的累积叶面积指数；K为氮素垂直分布系数，其值越大，表示氮素垂直分布剖面越陡，不同层次氮含量差异越大；系数N0为LAI为0时的氮含量，即冠层顶部叶片的氮含量。不同水肥条件下不同时期冬小麦冠层叶氮垂直分布及模型描述如图3a-图3c所示。检验表明，采用上述指数递减模式描述冠层叶氮垂直分布是可行的，且具有比较高的精度。
步骤103：根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值。
在本步骤中，首先根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数，然后根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层氮素垂直分布系数K之间的经验统计关系，得到冠层氮素垂直分布系数K的估计值。
可见，本步骤采用了经验统计的方法获取冠层氮素垂直分布系数K的估计值。其中经验统计模型是当前作物信息遥感提取中广泛采用的方法。该法主要依据作物参数与冠层光谱植被指数(即敏感波段反射率的数学组合)之间的经验统计关系，具有结构简单、精度较高、便于应用等优点。由冠层近红外、红光和绿光波段反射率导出的光谱植被指数与冠层氮素垂直分布系数K之间具有非常显著的相关关系，如归一化差值植被指数(NDVI)、红绿比植被指数(RGVI)、比值植被指数(RVI)、宽动态范围植被指数(WDRVI)等(植被指数定义见下表1)。冬小麦冠层氮素垂直分布系数K与上述植被指数的统计关系如图4a-图4d所示。基于上述统计关系可以遥感提取参数K信息。图5示出了利用RGVI提取的冬小麦冠层氮素垂直分布系数K值与实测值比较结果。检验表明，基于冠层光谱指数遥感提取K值是可行的，并具有较高的精度。
表1光谱植被指数定义
式中，Rnir、Rred、Rgreen分别表示作物冠层在近红外波段、红光波段和绿光波段的反射率值。
步骤104：根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值。
在本步骤中，首先根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数，然后根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层顶部叶片的氮含量N0之间的经验统计关系，得到冠层顶部叶片的氮含量N0的估计值。
可见，与上述步骤类似，本步骤也采用了经验统计的方法获取冠层顶部叶片的氮含量N0的估计值。其中冠层氮素垂直分布模型参数N0表示冠层顶部叶片氮含量，其与冠层近红外、红光和绿光波段反射率导出的光谱植被指数(如NDVI、RVI、WDRVI、RGVI等)之间亦具有非常显著的相关性。冬小麦冠层顶部叶片的氮含量N0与上述植被指数的统计关系如图6a-图6d所示。基于上述统计关系可以遥感提取参数N0信息。图7示出了利用RVI提取的冬小麦冠层顶部叶片的氮含量N0值与实测值比较结果。检验表明，基于冠层光谱指数遥感提取N0值是可行的，且具有较高的精度。
步骤105：根据冠层叶氮垂直分布数学模型和遥感获取的参数K、N0的估计值，得到作物冠层叶氮垂直分布信息。
在本步骤中，利用遥感反射信息提取到冠层叶氮垂直分布数学模型参数K和N0之后，冠层叶氮垂直分布剖面即被确定，或者说上述模型N＝N0·exp(-K·LAI)的关系即被确定，那么即可得到作物不同层次的叶氮含量信息。利用该方法得到的不同处理条件下、不同生育期冬小麦冠层不同层次叶氮浓度的估算结果如图8a-图8c所示。检验表明，与实测值比较一致，精度比较高。
通过上面描述可知，本发明在充分考虑技术方案可行性和实用性的基础上，通过链接遥感信息与农学模型，提出了作物冠层叶氮垂直分布遥感探测方法，具有较强的机理性和可靠性，从而可基于较易获取的遥感数据提取作物不同层次叶片的氮素含量。检验结果表明(见图8a-图8c)，利用该法可以提取不同时期、不同条件下的作物冠层不同层次的叶氮浓度信息，并具有较高的精度，普适性和稳定性较强。同时，该法可适用于不同遥感平台(星-机-地等)和不同空间尺度(田块-区域等)，实际应用中应根据作物监测面积和具体需求，确定所需遥感数据的时空分辨率和收集方式。由于目前我国氮肥存在过量施用问题，造成了巨大浪费和环境污染，而开展作物冠层叶氮垂直分布遥感探测对于提高作物氮素遥感诊断精度，改善作物生产和管理水平，促进现代农业可持续发展，维护国家粮食和生态安全具有重要意义。
本发明另一实施例提供了一种基于遥感信息与农学知识的冠层叶氮垂直分布探测装置，参见图9，该装置包括：第一获取模块91、建立模块92、第二获取模块93、第三获取模块94和第四获取模块95；其中：
第一获取模块91，用于获取作物冠层红光、绿光和近红外波段的遥感反射信息；
建立模块92，用于根据农学知识建立作物冠层叶氮垂直分布数学模型：
N＝N0·exp(-K·LAI)
其中，N为因变量，即冠层某深度位置处的氮含量；LAI为自变量，即冠层顶部至冠层某一深度位置处的累积叶面积指数；K为氮素垂直分布系数，其值越大，表示氮素垂直分布剖面越陡，不同层次氮含量差异越大；系数N0为LAI为0时的氮含量，即冠层顶部叶片的氮含量；
第二获取模块93，用于根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值；
第三获取模块94，用于根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值；
第四获取模块95，用于根据冠层叶氮垂直分布数学模型和遥感获取的参数K、N0的估计值，得到作物冠层叶氮垂直分布信息。
进一步地，所述第一获取模块91具体用于：
根据预设需求，基于现有遥感平台和传感器获取作物冠层红光、绿光和近红外波段的遥感反射信息。
进一步地，所述第二获取模块93具体用于：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；以及，根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层氮素垂直分布系数K之间的经验统计关系，得到冠层氮素垂直分布系数K的估计值。
进一步地，所述第三获取模块94具体用于：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；以及，根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层顶部叶片的氮含量N0之间的经验统计关系，得到冠层顶部叶片的氮含量N0的估计值。
进一步地，所述冠层光谱植被指数包括：归一化差值植被指数NDVI、红绿比植被指数RGVI、比值植被指数RVI和/或宽动态范围植被指数WDRVI。
进一步地，所述第四获取模块95具体用于：
根据冠层叶氮垂直分布数学模型N＝N0·exp(-K·LAI)和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息。
本发明实施例提供的基于遥感信息与农学知识的冠层叶氮垂直分布探测装置可以用于执行上述任一实施例所述的基于遥感信息与农学知识的冠层叶氮垂直分布探测方法，其技术原理和技术效果类似，此处不再赘述。
在本发明的描述中，需要说明的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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，或者对其中部分技术特征进行等同替换；而这些修改或替换，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精神和范围。

Claims (6)

1.一种基于遥感信息与农学知识的冠层叶氮垂直分布探测方法，其特征在于，包括：
获取作物冠层红光、绿光和近红外波段的遥感反射信息；
根据农学知识建立作物冠层叶氮垂直分布数学模型：
N＝N0·exp(-K·LAI)
其中，N为因变量，即冠层某深度位置处的氮含量；LAI为自变量，即冠层顶部至冠层某一深度位置处的累积叶面积指数；K为氮素垂直分布系数；系数N0为LAI为0时的氮含量，即冠层顶部叶片的氮含量；
根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值；
根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值；
根据冠层叶氮垂直分布数学模型和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息；
其中，所述根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值，包括：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层氮素垂直分布系数K之间的经验统计关系，得到冠层氮素垂直分布系数K的估计值；
其中，所述根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值，包括：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层顶部叶片的氮含量N0之间的经验统计关系，得到冠层顶部叶片的氮含量N0的估计值。
2.根据权利要求1所述的方法，其特征在于，所述获取作物冠层红光、绿光和近红外波段的遥感反射信息，包括：
根据预设需求，基于现有遥感平台和传感器获取作物冠层红光、绿光和近红外波段的遥感反射信息。
3.根据权利要求1或2所述的方法，其特征在于，所述根据冠层叶氮垂直分布数学模型和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息，包括：
根据冠层叶氮垂直分布数学模型N＝N0·exp(-K·LAI)和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息。
4.一种基于遥感信息与农学知识的冠层叶氮垂直分布探测装置，其特征在于，包括：
第一获取模块，用于获取作物冠层红光、绿光和近红外波段的遥感反射信息；
建立模块，用于根据农学知识建立作物冠层叶氮垂直分布数学模型：
N＝N0·exp(-K·LAI)
其中，N为因变量，即冠层某深度位置处的氮含量；LAI为自变量，即冠层顶部至冠层某一深度位置处的累积叶面积指数；K为氮素垂直分布系数；系数N0为LAI为0时的氮含量，即冠层顶部叶片的氮含量；
第二获取模块，用于根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层氮素垂直分布系数K的估计值；
第三获取模块，用于根据作物冠层红光、绿光和近红外波段的遥感反射信息，采用经验统计的方法，获取冠层顶部叶片的氮含量N0的估计值；
第四获取模块，用于根据冠层叶氮垂直分布数学模型和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息；
其中，所述第二获取模块具体用于：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层氮素垂直分布系数K之间的经验统计关系，得到冠层氮素垂直分布系数K的估计值；
其中，所述第三获取模块具体用于：
根据作物冠层红光、绿光和近红外波段的遥感反射信息获取冠层光谱植被指数；
根据获取的冠层光谱植被指数，以及冠层光谱植被指数与冠层顶部叶片的氮含量N0之间的经验统计关系，得到冠层顶部叶片的氮含量N0的估计值。
5.根据权利要求4所述的装置，其特征在于，所述第一获取模块具体用于：
根据预设需求，基于现有遥感平台和传感器获取作物冠层红光、绿光和近红外波段的遥感反射信息。
6.根据权利要求4或5所述的装置，其特征在于，所述第四获取模块具体用于：
根据冠层叶氮垂直分布数学模型N＝N0·exp(-K·LAI)和遥感获取的K、N0参数估计值，得到作物冠层叶氮垂直分布信息。
CN201610856308.5A 2016-09-27 2016-09-27 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置 Active CN106525731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610856308.5A CN106525731B (zh) 2016-09-27 2016-09-27 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610856308.5A CN106525731B (zh) 2016-09-27 2016-09-27 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置

Publications (2)

Publication Number Publication Date
CN106525731A CN106525731A (zh) 2017-03-22
CN106525731B true CN106525731B (zh) 2019-01-22

Family

ID=58344510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610856308.5A Active CN106525731B (zh) 2016-09-27 2016-09-27 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置

Country Status (1)

Country Link
CN (1) CN106525731B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108693154B (zh) * 2018-04-25 2020-08-14 南京大学 一种多角度观测精确反演植被阴阳叶日光诱导叶绿素荧光的方法
CN109444069A (zh) * 2018-09-13 2019-03-08 南京农业大学 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法
CN109752487A (zh) * 2018-11-29 2019-05-14 北京农业信息技术研究中心 冬小麦叶片氮素含量预估方法及装置
CN110426491A (zh) * 2019-07-26 2019-11-08 北京农业信息技术研究中心 一种果树垂直结构的分层光学测量方法及装置
CN112763427B (zh) * 2020-12-24 2022-05-17 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
CN112785590B (zh) * 2021-02-09 2022-09-13 河北地质大学 一种基于双差值归一化的植被指数计算方法
CN113075251A (zh) * 2021-03-04 2021-07-06 山西省农业科学院经济作物研究所 一种高粱涝害的检测方法
CN113125356A (zh) * 2021-03-26 2021-07-16 塔里木大学 遥感信息与农学知识的红枣树冠层叶氮垂直分布探测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102313699A (zh) * 2011-05-26 2012-01-11 北京农业信息技术研究中心 作物冠层叶片的全氮含量估算方法
CN102338738A (zh) * 2010-07-16 2012-02-01 上海海洋大学 作物植株及叶片氮素含量现场快速检测方法及装置
CN102435564A (zh) * 2011-09-19 2012-05-02 南京农业大学 一种基于三波段光谱指数估测植物氮含量的方法
CN103868880A (zh) * 2014-01-24 2014-06-18 河南农业大学 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
EP2942622A1 (fr) * 2014-05-06 2015-11-11 Polyor SARL Méthode de détermination de teneurs critiques en azote de cultures

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102338738A (zh) * 2010-07-16 2012-02-01 上海海洋大学 作物植株及叶片氮素含量现场快速检测方法及装置
CN102313699A (zh) * 2011-05-26 2012-01-11 北京农业信息技术研究中心 作物冠层叶片的全氮含量估算方法
CN102435564A (zh) * 2011-09-19 2012-05-02 南京农业大学 一种基于三波段光谱指数估测植物氮含量的方法
CN103868880A (zh) * 2014-01-24 2014-06-18 河南农业大学 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
EP2942622A1 (fr) * 2014-05-06 2015-11-11 Polyor SARL Méthode de détermination de teneurs critiques en azote de cultures

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Non-uniform vertical nitrogen distribution within plant canopy and its estimation by remote sensing: A review;Heli Li, et al.;《Field Crops Research》;20131231;第142卷;75-84

Also Published As

Publication number Publication date
CN106525731A (zh) 2017-03-22

Similar Documents

Publication Publication Date Title
CN106525731B (zh) 基于遥感与农学知识的冠层叶氮垂直分布探测方法及装置
US11100264B2 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that integrates a satellite date model and an orchard data model
Le Maire et al. Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content, leaf mass per area, leaf area index and leaf canopy biomass
CN100394212C (zh) 一种大面积作物种植面积及其产量的遥感检测估算方法
CN104089647B (zh) 一种作物病害发生范围监测方法及***
CN103868880B (zh) 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法
CN103048266B (zh) 一种设施番茄氮磷钾胁迫自动识别方法和装置
CN107796764A (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
CN102455282A (zh) 测量土壤含水量的方法
Li et al. Collaborative inversion heavy metal stress in rice by using two-dimensional spectral feature space based on HJ-1 A HSI and radarsat-2 SAR remote sensing data
US20180330487A1 (en) Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model
CN110208878A (zh) 绿色屋顶气象监测与热岛效应影响评估方法
CN110456684A (zh) 农田干旱过程监测方法及装置
CN113252583B (zh) 一种基于枯草植被指数计算高寒枯草覆盖度的方法
Cozzolino The role of near-infrared sensors to measure water relationships in crops and plants
CN1900695A (zh) 基于高光谱的小麦氮素含量与籽粒蛋白品质田间快速监测方法
Bell et al. The evolution of spectral sensing and advances in precision turfgrass management
Wanjura et al. Scanned and spot measured canopy temperatures of cotton and corn
Hu et al. Comparison of the performance of Multi-source Three-dimensional structural data in the application of monitoring maize lodging
Mattia et al. Time series of COSMO-SkyMed data for landcover classification and surface parameter retrieval over agricultural sites
ZhongGuo et al. Retrieval of leaf biochemical properties by inversed PROSPECT model and hyperspectral indices: an application to Populus euphratica polymorphic leaves
CN102636439A (zh) 一种确定小麦植株吸氮量核心波段的方法
Black et al. Estimation of grassland CO2 exchange rates using hyperspectral remote sensing techniques
Youqing et al. Pathway and method of forest health assessment using remote sensing technology
Yuke Greenness index from phenocams performs well in linking climatic factors and monitoring grass phenology in a temperate prairie ecosystem

Legal Events

Date Code Title Description
C06 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