CN107389573A - 氮营养指数估算方法及装置 - Google Patents
氮营养指数估算方法及装置 Download PDFInfo
- Publication number
- CN107389573A CN107389573A CN201710628132.2A CN201710628132A CN107389573A CN 107389573 A CN107389573 A CN 107389573A CN 201710628132 A CN201710628132 A CN 201710628132A CN 107389573 A CN107389573 A CN 107389573A
- Authority
- CN
- China
- Prior art keywords
- index
- nitrogen nutrition
- target
- fitting
- nutrition index
- 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
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
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
本发明实施例提供一种氮营养指数估算方法及装置。该方法包括:获得夏玉米的初始数据,初始数据包括各个采样点的冠层光谱反射率、植株地上部生物量以及地上部氮浓度;根据初始数据计算出每个采样点的氮营养指数;通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,其中,预设拟合函数包括幂函数、线性函数、指数函数以及对数函数,归一化光谱指数通过一预设光谱波段范围内的任意两个波段组合得到;选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数;根据目标光谱指数和目标拟合函数生成目标氮营养指数估算模型。本发明可以快速精确地估测夏玉米的氮营养指数。
Description
技术领域
本发明涉及作物营养诊断领域,具体而言,涉及一种氮营养指数估算方法及装置。
背景技术
氮营养指数(Nitrogen Nutrition Index,NNI)能全面地反应作物氮素营养状况。传统的NNI计算方法需要在田间进行破坏性的取样,但是该方法费时费力,在作物生长过程中进行氮营养诊断过程具有滞后性,不利于在大田环境下实际应用。
目前可以,高光谱遥感以其独特的信息获取优势(时间短、效率高、宏观综合、自动化程度高)正逐渐成为农田信息获取的主要手段,目前普遍采用的是通过选择已有的光谱指数分别反演植株地上部生物量和地上部氮浓度,间接的估算NNI。但是该方法需要选择多个光谱指数计算NNI,增加了预测NNI的误差,而且所选用的光谱指数结构复杂,在实际应用中计算复杂,存在较大的局限性。
发明内容
为了克服现有技术中的上述不足,本发明的目的在于提供一种氮营养指数估算方法及装置,所选取的目标光谱指数结构简单,计算方便,极大程度地克服了预测氮营养指数的过程过于复杂并且误差较大的问题,可以快速精确的估测夏玉米的氮营养指数。
为了实现上述目的,本发明较佳实施例采用的技术方案如下:
本发明较佳实施例提供一种氮营养指数估算方法,用于对夏玉米的氮营养指数进行估算,所述方法包括:
获得夏玉米的初始数据,其中,所述初始数据包括各个采样点的冠层光谱反射率、植株地上部生物量以及地上部氮浓度;
根据所述初始数据计算出每个采样点的氮营养指数;
通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,其中,所述预设拟合函数包括幂函数、线性函数、指数函数以及对数函数,所述归一化光谱指数通过一预设光谱波段范围内的任意两个波段组合得到;
选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数;
根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型。
在本发明较佳实施例中,所述方法还包括:
采用相对根均方差和相对误差对所述目标氮营养指数估算模型进行评价。
在本发明较佳实施例中,所述根据所述初始数据计算出每个采样点的氮营养指数的步骤,包括:
获取在预设光谱波段范围内的冠层光谱反射率对应的植株地上部生物量以及地上部氮浓度;
将所述植株地上部生物量输入到临界氮浓度稀释模型计算得到对应的临界氮浓度值;
根据所述临界氮浓度值和所述地上部氮浓度计算出每个采样点的氮营养指数。
在本发明较佳实施例中,所述通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的步骤,包括:
将预设光谱波段范围内的预设间隔的任意波段进行组合得到多个归一化光谱指数;
通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的结果集,其中,所述结果集呈矩阵排列;
将所述结果集中的各个波段组合的拟合系数对应的矩阵数据绘制成等高线进行输出。
在本发明较佳实施例中,所述根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型的步骤,包括:
将所述目标光谱指数代入到所述目标拟合函数中生成所述目标氮营养指数估算模型。
本发明较佳实施例还提供一种氮营养指数估算装置,用于对夏玉米的氮营养指数进行估算,所述装置包括:
获得模块,用于获得夏玉米的初始数据,其中,所述初始数据包括各个采样点的冠层光谱反射率、植株地上部生物量以及地上部氮浓度;
计算模块,用于根据所述初始数据计算出每个采样点的氮营养指数,并通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,其中,所述预设拟合函数包括幂函数、线性函数、指数函数以及对数函数,所述归一化光谱指数通过一预设光谱波段范围内的任意两个波段组合得到;
选取模块,用于选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数;
生成模块,用于根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型。
相对于现有技术而言,本发明具有以下有益效果:
本发明实施例提供的氮营养指数估算方法及装置,根据获得初始数据计算出每个采样点的氮营养指数,然后通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,并选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数,最后根据目标光谱指数和目标拟合函数生成目标氮营养指数估算模型。基于上述设计,本发明提供的技术方案所选取的目标光谱指数结构简单,计算方便,极大程度地克服了预测氮营养指数的过程过于复杂并且误差较大的问题,可以快速精确的估测夏玉米的氮营养指数,为精确农业中夏玉米氮素营养诊断的高光谱反演提供重要的技术支撑。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本发明较佳实施例提供的计算机设备的一种方框示意图;
图2为本发明较佳实施例提供的氮营养指数估算方法的一种流程示意图;
图3为图2中所示的步骤S220包括的各个子步骤的一种流程示意图;
图4为图2中所示的步骤S230包括的各个子步骤的一种流程示意图;
图5为本发明较佳实施例提供的氮营养指数估算方法的另一种流程示意图;
图6为本发明较佳实施例提供的氮营养指数估算装置的一种功能模块图;
图7为本发明较佳实施例提供的氮营养指数估算装置的另一种功能模块图。
图标:100-计算机设备;110-存储器;120-处理器;130-通信单元;140-存储控制器;150-显示单元;200-氮营养指数估算装置;210-获得模块;220-计算模块;230-选取模块;240-生成模块;250-评价模块。
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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它实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语"第一"、"第二"等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图,对本发明的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
请参阅图1,为本发明较佳实施例提供的计算机设备100的方框示意图。本发明实施例中,所述计算机设备100可以是,但不限于,个人电脑(Personal Computer,PC)、笔记本电脑、平板电脑、个人数字助理(Personal Digital Assistant,PDA)、移动上网设备(Mobile Internet Device,MID)等。所述计算机设备100的操作***可以是,但不限于,Windows***、Linux***、OSX***等。优选地,在本实施例中,所述计算机设备100的操作***可以为Windows***。
如图1所示,所述计算机设备100可以包括存储器110、处理器120、通信单元130、存储控制器140以及显示单元150。所述存储器110、处理器120、通信单元130、存储控制器140以及显示单元150相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器110中存储有氮营养指数估算装置200,所述氮营养指数估算装置200包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器110中的软件功能模块,所述处理器120通过运行存储在存储器110内的软件程序以及功能模块,如本发明实施例中的氮营养指数估算装置200,从而执行各种功能应用以及数据处理,即实现本发明实施例中的氮营养指数估算方法。
其中,所述存储器110可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其它非易失性固态存储器。在一些实例中,存储器110可进一步包括相对于处理器120远程设置的远程存储器,这些远程存储器可以通过网络连接至所述计算机设备100。其中,存储器110用于存储程序,所述处理器120在接收到执行指令后,执行所述程序。进一步地,通信单元130将各种输入/输入装置耦合至处理器120以及存储器110,上述存储器110内的软件程序以及模块还可包括操作***,其可包括各种用于管理***任务(例如内存管理、存储设备控制、电源管理等)的软件组件和/或驱动,并可与各种硬件或软件组件相互通讯,从而提供其它软件组件的运行环境。
所述处理器120可以是一种集成电路芯片,具有信号的处理能力。上述的处理器120可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器120也可以是任何常规的处理器等。
所述显示单元150可以在所述计算机设备100与用户之间同时提供一个输出及输入界面。具体地,所述显示单元150向用户显示视频或者图像输出,这些视频输出的内容可包括文字、图形、视频、及其任意组合。一些输出结果是对应于一些用户界面对象。此外,所述显示单元150还可以接收用户的输入,例如用户的点击、滑动等手势操作,以便用户界面对象对这些用户的输入做出响应。检测用户输入的技术可以是基于电阻式、电容式或者其它任意可能的触控检测技术。可选地,所述显示单元150的具体实例可以包括但并不限于液晶显示器或发光聚合物显示器。
可以理解,图1所示的结构仅为示意,所述计算机设备100还可以包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参阅图2,为本发明较佳实施例提供的氮营养指数估算方法的一种流程示意图,所述方法由图1所示的计算机设备100执行。所应说明的是,本发明实施例提供的方法不以图2及以下所述的具体顺序为限制。所述方法的具体流程如下:
步骤S210,获得夏玉米的初始数据。
具体地,在本实施例中,所述初始数据可包括各个采样点的冠层光谱反射率、植株地上部生物量以及地上部氮浓度。其中,各个采样点可为不同品种和不同施氮水平(例如,0-320kg*ha-1)互作的夏玉米氮肥田间。可通过采集预设时间段内的不同的夏玉米品种从拔节到大喇叭口各个关键生育时期的冠层光谱反射率,所述冠层光谱反射率可采用野外高光谱辐射仪进行采集,可选地,采集的冠层光谱反射率的波段范围可以为325-1075nm,波段间隔为1nm。作为一种实施方式,冠层光谱反射率的测定可以选择晴朗无云的天气,在10:00-14:00内距冠层上方0.5m进行测试。经发明人长期研究发现,由于外界环境和机器噪音的影响,本实施例选择的波段范围优选为325-905nm。
同时,同步选取可表征各个采样点区域平均长势的多株玉米进行破坏性取样,并称量干重,计算出地上部生物量,在磨碎后可采用凯氏定氮法测试计算对应的地上部氮浓度。
容易理解的是,上述原始数据也可以不仅限于上述采集方式,本领域技术人员可以根据实际的情况选择其它采集方式。
基于上述设计,可以实现后续对于各种环境(不同施氮水平,不同年份或者不同区域等)的夏玉米下的氮营养指数的估测。
步骤S220,根据所述初始数据计算出每个采样点的氮营养指数。
详细地,请参阅图3,作为一种实施方式,所述步骤S220可以包括以下子步骤:
子步骤S221,获取在预设光谱波段范围内的冠层光谱反射率对应的植株地上部生物量以及地上部氮浓度。
本实施例中,所述预设光谱波段范围可根据实际情况进行设置,例如,所述预设光谱波段可以为325-905nm。
子步骤S222,将所述植株地上部生物量输入到临界氮浓度稀释模型计算得到对应的临界氮浓度值。
本实施例中,可将获取到的上述预设光谱波段范围内的冠层光谱反射率对应的植株地上部生物量输入到植株临界氮浓度稀释模型中计算到对应的临界氮浓度值,其中计算公式为:
Nc=3.4W-0.37
其中W为地上部生物量(t.ha-1),Nc为临界氮浓度值(%)
子步骤S223,根据所述临界氮浓度值和所述地上部氮浓度计算出每个采样点的氮营养指数。
本实施例中,在计算得到各个采样点的地上部临界氮浓度值后,可结合下面计算公式计算出每个采样点的氮营养指数:
NNI=Na/Nc
其中Na为地上部实际氮浓度(%),NNI为各采样点的氮营养指数值。
步骤S230,通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数。
详细地,请参阅图4,作为一种实施方式,所述步骤S230可以包括以下子步骤:
子步骤S231,将预设光谱波段范围内的预设间隔的任意波段进行组合得到多个归一化光谱指数。
作为一种优选的实施方式,所述预设光谱波段可以为325-905nm,所述预设间隔可以为1nm,也就是说,将325-905nm波段内以1nm为间隔的两两波段对应组合可以得到对应的多个归一化光谱指数(Normalized difference spectral index,NDSI)。
子步骤S232,通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的结果集。
子步骤S233,将所述结果集中的各个波段组合的拟合系数对应的矩阵数据绘制成等高线进行输出。
本实施例中,所述预设拟合函数可以包括幂函数、线性函数、指数函数以及对数函数,通过所述幂函数、线性函数、指数函数以及对数函数分别计算氮营养指数与预设光谱波段(325-905nm)范围内任意两波段组合的归一化光谱指数之间的拟合系数(R2)结果集,其中,所述结果集呈矩阵排列。接下来,将结果集中所有波段组合的拟合系数R2的矩阵数据绘制成等高线图输出,以颜色深度变化显示拟合系数R2大小的变化。
本实施例中,可选地,可以采用Matlab9.0编程计算归一化光谱指数与氮营养指数之间的拟合系数的结果集。
步骤S240,选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数。
具体地,在本实施例中,对比分析计算得到的所述幂函数、线性函数、指数函数以及对数函数下的归一化光谱指数与氮营养指数之间的拟合系数R2,选取最大的拟合系数R2对应的拟合函数类型作为所述目标拟合函数,对应的光谱指数作为所述目标光谱指数。
步骤S250,根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型。
示例性地,经发明人经过长期研究得出所述目标拟合函数为线性函数,所述目标光谱指数对应的光谱指数组合为NDSI(R788,R465),其中,波段R788位于近红外波段,R465位于蓝光波段。因此建立的基于目标光谱指数NDSI(R788,R465)的夏玉米目标氮营养指数估算模型为:NNI=0.95NDSI(R788,R465)+0.14。
当然,容易理解的是,上述目标氮营养指数估算模型仅为示例,本领域技术人员可以根据本实施例提供的上述方法进行研究,从而得出所述目标氮营养指数估算模型。
此外还需要注意的是,本实施例提供的技术方案并不仅限于应用于对夏玉米的氮营养指数进行估算,也可以对其它作物的氮营养指数进行估算,本领域技术人员可以根据实际的情况应用本实施例提供的技术方案。
基于上述设计,本实施例基于目标光谱指数NDSI所建立的目标氮营养指数估算模型,对于各种环境(不同施氮水平,不同年份或者不同区域等)的夏玉米下的氮营养指数均显示出较高的估算预测能力,所述目标光谱指数结构简单,选取的过程中计算方便,与已存在的估算氮营养指数方法相比,极大程度地克服了预测氮营养指数过程过于复杂和准确度不高等问题,对精确农业中利用高光谱遥感对夏玉米氮素状况进行诊断提供重要技术支撑。
进一步地,请参阅图5,所述方法还可以包括:
步骤S260,采用相对根均方差和相对误差对所述目标氮营养指数估算模型进行评价。
具体地,在本实施例中,可以通过利用预设配置的试验资料中的夏玉米试验数据验证来估算所述目标氮营养指数估算模型的准确性和普适性。作为一种实施方式,可以采用相对根均方差(RMSE)和相对误差(RE)对所述目标氮营养指数估算模型进行综合评价。
其中,RRMSE计算公式为:
RE的计算公式为:
其中,n为样本数,Pi为模型预测值,Oi为试验观察值。
进一步地,请参阅图6,本发明较佳实施例还提供一种氮营养指数估算装置200,所述装置安装于所述存储器110中并包括一个或多个可由所述处理器120执行的软件功能模块,所述装置包括:
获得模块210,用于获得夏玉米的初始数据,其中,所述初始数据包括各个采样点的冠层光谱反射率、植株地上部生物量以及地上部氮浓度。
计算模块220,用于根据所述初始数据计算出每个采样点的氮营养指数,并通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,其中,所述预设拟合函数包括幂函数、线性函数、指数函数以及对数函数,所述归一化光谱指数通过一预设光谱波段范围内的任意两个波段组合得到。
选取模块230,用于选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数。
生成模块240,用于根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型。
进一步地,请参阅图7,所述装置还可以包括:
评价模块250,用于采用相对根均方差和相对误差对所述目标氮营养指数估算模型进行评价。
优选地,所述根据所述初始数据计算出每个采样点的氮营养指数的方式可以是:获取在预设光谱波段范围内的冠层光谱反射率对应的植株地上部生物量以及地上部氮浓度;将所述植株地上部生物量输入到临界氮浓度稀释模型计算得到对应的临界氮浓度值;根据所述临界氮浓度值和所述地上部氮浓度计算出每个采样点的氮营养指数。
优选地,所述通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的方式可以是:将预设光谱波段范围内的预设间隔的任意波段进行组合得到多个归一化光谱指数;通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的结果集,其中,所述结果集呈矩阵排列;将所述结果集中的各个波段组合的拟合系数对应的矩阵数据绘制成等高线进行输出。
优选地,所述根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型的方式可以是:将所述目标光谱指数代入到所述目标拟合函数中生成所述目标氮营养指数估算模型。
本实施例中的各功能模块的具体操作方法可参照上述方法实施例中相应步骤的详细描述,在此不再重复赘述。
综上所述,本发明实施例提供的氮营养指数估算方法及装置,根据获得初始数据计算出每个采样点的氮营养指数,然后通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,并选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数,最后根据目标光谱指数和目标拟合函数生成目标氮营养指数估算模型。基于上述设计,本发明提供的技术方案所选取的目标光谱指数结构简单,计算方便,极大程度地克服了预测氮营养指数的过程过于复杂并且误差较大的问题,可以快速精确的估测夏玉米的氮营养指数,为精确农业中夏玉米氮素营养诊断的高光谱反演提供重要的技术支撑。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
需要说明的是,在本文中,术语"包括"、"包含"或者其任何其它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它要素,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。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其它的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种氮营养指数估算方法,用于对夏玉米的氮营养指数进行估算,其特征在于,所述方法包括:
获得夏玉米的初始数据,其中,所述初始数据包括各个采样点的冠层光谱反射率、植株地上部生物量以及地上部氮浓度;
根据所述初始数据计算出每个采样点的氮营养指数;
通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,其中,所述预设拟合函数包括幂函数、线性函数、指数函数以及对数函数,所述归一化光谱指数通过一预设光谱波段范围内的任意两个波段组合得到;
选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数;
根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型。
2.根据权利要求1所述的氮营养指数估算方法,其特征在于,所述方法还包括:
采用相对根均方差和相对误差对所述目标氮营养指数估算模型进行评价。
3.根据权利要求1所述的氮营养指数估算方法,其特征在于,所述根据所述初始数据计算出每个采样点的氮营养指数的步骤,包括:
获取在预设光谱波段范围内的冠层光谱反射率对应的植株地上部生物量以及地上部氮浓度;
将所述植株地上部生物量输入到临界氮浓度稀释模型计算得到对应的临界氮浓度值;
根据所述临界氮浓度值和所述地上部氮浓度计算出每个采样点的氮营养指数。
4.根据权利要求1所述的氮营养指数估算方法,其特征在于,所述通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的步骤,包括:
将预设光谱波段范围内的预设间隔的任意波段进行组合得到多个归一化光谱指数;
通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的结果集,其中,所述结果集呈矩阵排列;
将所述结果集中的各个波段组合的拟合系数对应的矩阵数据绘制成等高线进行输出。
5.根据权利要求1所述的氮营养指数估算方法,其特征在于,所述根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型的步骤,包括:
将所述目标光谱指数代入到所述目标拟合函数中生成所述目标氮营养指数估算模型。
6.一种氮营养指数估算装置,用于对夏玉米的氮营养指数进行估算,其特征在于,所述装置包括:
获得模块,用于获得夏玉米的初始数据,其中,所述初始数据包括各个采样点的冠层光谱反射率、植株地上部生物量以及地上部氮浓度;
计算模块,用于根据所述初始数据计算出每个采样点的氮营养指数,并通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数,其中,所述预设拟合函数包括幂函数、线性函数、指数函数以及对数函数,所述归一化光谱指数通过一预设光谱波段范围内的任意两个波段组合得到;
选取模块,用于选取计算得到的最大的拟合系数对应的目标光谱指数和目标拟合函数;
生成模块,用于根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型。
7.根据权利要求6所述的氮营养指数估算装置,其特征在于,所述装置还包括:
采用相对根均方差和相对误差对所述目标氮营养指数估算模型进行评价。
8.根据权利要求6所述的氮营养指数估算装置,其特征在于,所述根据所述初始数据计算出每个采样点的氮营养指数的方式,包括:
获取在预设光谱波段范围内的冠层光谱反射率对应的植株地上部生物量以及地上部氮浓度;
将所述植株地上部生物量输入到临界氮浓度稀释模型计算得到对应的临界氮浓度值;
根据所述临界氮浓度值和所述地上部氮浓度计算出每个采样点的氮营养指数。
9.根据权利要求6所述的氮营养指数估算装置,其特征在于,所述通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的方式,包括:
将预设光谱波段范围内的预设间隔的任意波段进行组合得到多个归一化光谱指数;
通过多个预设拟合函数分别计算归一化光谱指数与氮营养指数之间的拟合系数的结果集,其中,所述结果集呈矩阵排列;
将所述结果集中的各个波段组合的拟合系数对应的矩阵数据绘制成等高线进行输出。
10.根据权利要求6所述的氮营养指数估算装置,其特征在于,所述根据所述目标光谱指数和所述目标拟合函数生成目标氮营养指数估算模型的方式,包括:
将所述目标光谱指数代入到所述目标拟合函数中生成所述目标氮营养指数估算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710628132.2A CN107389573A (zh) | 2017-07-28 | 2017-07-28 | 氮营养指数估算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710628132.2A CN107389573A (zh) | 2017-07-28 | 2017-07-28 | 氮营养指数估算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107389573A true CN107389573A (zh) | 2017-11-24 |
Family
ID=60342034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710628132.2A Pending CN107389573A (zh) | 2017-07-28 | 2017-07-28 | 氮营养指数估算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107389573A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109089858A (zh) * | 2018-09-29 | 2018-12-28 | 北京农业智能装备技术研究中心 | 水培作物的氮肥管理方法及装置 |
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 |
CN110567892A (zh) * | 2019-09-17 | 2019-12-13 | 中国水利水电科学研究院 | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 |
CN116187299A (zh) * | 2023-03-07 | 2023-05-30 | 广东省技术经济研究发展中心 | 一种科技项目文本数据检定评价方法、***及介质 |
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 |
CN117195609A (zh) * | 2023-11-08 | 2023-12-08 | 吉林大学 | 一种区域玉米植株氮营养匮缺的定量诊断方法 |
CN117575830A (zh) * | 2023-11-10 | 2024-02-20 | 南京农业大学 | 一种基于nki预测氮钾互作下小麦植株氮钾亏缺和产量状况的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000034772A1 (fr) * | 1998-12-07 | 2000-06-15 | Ulice | Procede de suivi d'une culture de plantes de grandes cultures |
CN102374971A (zh) * | 2010-08-09 | 2012-03-14 | 中国农业大学 | 一种基于高光谱技术的玉米叶片氮含量估算方法 |
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 |
CN104849219A (zh) * | 2015-03-11 | 2015-08-19 | 中国科学院地理科学与资源研究所 | 一种作物氮素营养诊断仪及方法 |
-
2017
- 2017-07-28 CN CN201710628132.2A patent/CN107389573A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000034772A1 (fr) * | 1998-12-07 | 2000-06-15 | Ulice | Procede de suivi d'une culture de plantes de grandes cultures |
CN102374971A (zh) * | 2010-08-09 | 2012-03-14 | 中国农业大学 | 一种基于高光谱技术的玉米叶片氮含量估算方法 |
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 |
CN104849219A (zh) * | 2015-03-11 | 2015-08-19 | 中国科学院地理科学与资源研究所 | 一种作物氮素营养诊断仪及方法 |
Non-Patent Citations (3)
Title |
---|
梁惠平等: "玉米氮营养指数的高光谱计算模型", 《农业工程学报》 * |
王仁红等: "基于高光谱的冬小麦氮素营养指数估测", 《农业工程学报》 * |
贺婷等: "基于高光谱遥感的玉米全氮含量估测模型", 《沈阳农业大学学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109211801B (zh) * | 2018-09-03 | 2020-03-31 | 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 |
CN109089858A (zh) * | 2018-09-29 | 2018-12-28 | 北京农业智能装备技术研究中心 | 水培作物的氮肥管理方法及装置 |
CN109089858B (zh) * | 2018-09-29 | 2021-03-02 | 北京农业智能装备技术研究中心 | 水培作物的氮肥管理方法及装置 |
CN110567892A (zh) * | 2019-09-17 | 2019-12-13 | 中国水利水电科学研究院 | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 |
CN110567892B (zh) * | 2019-09-17 | 2020-11-24 | 中国水利水电科学研究院 | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 |
CN116187299A (zh) * | 2023-03-07 | 2023-05-30 | 广东省技术经济研究发展中心 | 一种科技项目文本数据检定评价方法、***及介质 |
CN116187299B (zh) * | 2023-03-07 | 2024-03-15 | 广东省技术经济研究发展中心 | 一种科技项目文本数据检定评价方法、***及介质 |
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 |
CN116662753B (zh) * | 2023-05-18 | 2024-01-23 | 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 |
CN117195609A (zh) * | 2023-11-08 | 2023-12-08 | 吉林大学 | 一种区域玉米植株氮营养匮缺的定量诊断方法 |
CN117195609B (zh) * | 2023-11-08 | 2024-01-26 | 吉林大学 | 一种区域玉米植株氮营养匮缺的定量诊断方法 |
CN117575830A (zh) * | 2023-11-10 | 2024-02-20 | 南京农业大学 | 一种基于nki预测氮钾互作下小麦植株氮钾亏缺和产量状况的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107389573A (zh) | 氮营养指数估算方法及装置 | |
Hassan-Esfahani et al. | Assessment of surface soil moisture using high-resolution multi-spectral imagery and artificial neural networks | |
Aboutalebi et al. | Estimation of soil moisture at different soil levels using machine learning techniques and unmanned aerial vehicle (UAV) multispectral imagery | |
CN109767038A (zh) | 农作物产量预测方法、装置及计算机可读存储介质 | |
Lottering et al. | Estimating the road edge effect on adjacent Eucalyptus grandis forests in KwaZulu-Natal, South Africa, using texture measures and an artificial neural network | |
Zhao et al. | Melon yield prediction using small unmanned aerial vehicles | |
Amani et al. | A parametric method for estimation of leaf area index using landsat ETM+ data | |
Runfola et al. | Measuring the temporal instability of land change using the Flow matrix | |
Li et al. | Estimation of potato chlorophyll content using composite hyperspectral index parameters collected by an unmanned aerial vehicle | |
Casa et al. | Retrieval of crop canopy properties: a comparison between model inversion from hyperspectral data and image classification | |
Yang et al. | Effect of spring irrigation on soil salinity monitoring with UAV-borne multispectral sensor | |
Sonobe et al. | Quantifying chlorophyll-a and b content in tea leaves using hyperspectral reflectance and deep learning | |
Yuan et al. | Study on the optimization of hyperspectral characteristic bands combined with monitoring and visualization of pepper leaf SPAD value | |
Liu et al. | Rapid prediction of winter wheat yield and nitrogen use efficiency using consumer-grade unmanned aerial vehicles multispectral imagery | |
Atkinson Amorim et al. | Biomass estimation of spring wheat with machine learning methods using UAV-based multispectral imaging | |
Bulut et al. | Modelling some stand parameters using Landsat 8 OLI and Sentinel-2 satellite images by machine learning techniques: a case study in Türkiye | |
Li et al. | Monitoring of leaf nitrogen content of winter wheat using multi-angle hyperspectral data | |
Hussain et al. | A systematic review on crop-yield prediction through unmanned aerial vehicles | |
Farooque et al. | Red-green-blue to normalized difference vegetation index translation: a robust and inexpensive approach for vegetation monitoring using machine vision and generative adversarial networks | |
Yin et al. | Predicting soil moisture content of tea plantation using support vector machine optimized by arithmetic optimization algorithm | |
Kolios et al. | Achieving downscaling of Meteosat thermal infrared imagery using artificial neural networks | |
Qu et al. | MLAOS: A multi-point linear array of optical sensors for coniferous foliage clumping index measurement | |
Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
Li et al. | Neural networks modelling of nitrogen export: model development and application to unmonitored boreal forest watersheds | |
Álvarez-Martínez et al. | Can training data counteract topographic effects in supervised image classification? A sensitivity analysis in the Cantabrian Mountains (Spain) |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171124 |
|
RJ01 | Rejection of invention patent application after publication |