CN109444069A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109444069A CN109444069A CN201811067606.1A CN201811067606A CN109444069A CN 109444069 A CN109444069 A CN 109444069A CN 201811067606 A CN201811067606 A CN 201811067606A CN 109444069 A CN109444069 A CN 109444069A
- Authority
- CN
- China
- Prior art keywords
- canopy
- sensor
- rervi
- nitrogen
- monitoring
- 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
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 137
- 238000012544 monitoring process Methods 0.000 title claims abstract description 79
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 69
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 32
- 230000035764 nutrition Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 241000209094 Oryza Species 0.000 claims abstract description 39
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 39
- 235000009566 rice Nutrition 0.000 claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims abstract description 21
- 238000009825 accumulation Methods 0.000 claims abstract description 14
- 238000002310 reflectometry Methods 0.000 claims description 17
- 230000003595 spectral effect Effects 0.000 claims description 12
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 10
- 230000000149 penetrating effect Effects 0.000 claims description 4
- 230000008033 biological extinction Effects 0.000 claims description 3
- 239000000618 nitrogen fertilizer Substances 0.000 abstract description 7
- 238000004611 spectroscopical analysis Methods 0.000 abstract description 7
- 230000001066 destructive effect Effects 0.000 abstract description 3
- 239000000523 sample Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000001035 drying Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 230000008676 import Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012272 crop production Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001983 electron spin resonance imaging Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000003892 spreading Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 241001494115 Stomoxys calcitrans Species 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005292 diamagnetic effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000009415 formwork Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005121 nitriding Methods 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010998 test method Methods 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
- G01N21/17—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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/4738—Diffuse reflection, e.g. also for testing fluids, fibrous materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- 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
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N2021/4735—Solid samples, e.g. paper, glass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了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,包括:构建无人机搭载主动式非成像冠层光谱传感器的作物监测平台;采用无人机地面站***,操控无人机监测***,在高于冠层1.5m的测试距离和2m/s的飞行速度下,自动获取水稻冠层光谱数据和对应测试点位置信息;采用地理信息***软件提取各田块光谱数据;计算植被指数RERVI;运用基于RERVI的监测模型,估测水稻叶片干物重、叶面积指数、叶片氮积累量,对水稻氮素营养状况进行评价。本发明方法提升了作物氮素无损监测的能力,进而服务较大尺度、综合性的作物氮肥决策和精准农业的实施,提升农业现代化水平。
Description
技术领域
本发明属于作物氮素营养监测技术领域,涉及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。
背景技术
氮素是在作物生长和发育中发挥重要作用的一种主要元素,氮肥的大量施用为我国的粮食生产做出了重要贡献[1]。然而,在实际生产中,由于缺乏对作物氮素营养状况的实时、无损、定量化的监测技术,农民常常施用较多的氮肥以期实现最高产量,农民的施氮量往往超过了满足作物生产所需的用量,这不仅导致了氮肥利用率的降低,也带来了土壤酸化、氮沉降、水体富营养化以及氮沉降等问题[2–4]。因此,为了更好地指导施肥、优化氮肥管理,发展高效可靠的作物氮素监测技术迫在眉睫[5]。
近年来,基于反射光谱的地物特征识别技术已逐渐成为作物生长监测的有效手段[6]。已有较多研究运用对地观测卫星,进行大范围的作物生长监测[7]。然而,采用卫星平台的传感器受平台所限,遥感影像易受大气和传感器自身姿态影响,造成所需遥感数据缺失,且卫星遥感数据前期处理繁琐,费时费力。
无人机,作为一种可重复使用的新型遥感平台,具有优于其他遥感平台的灵活性、移动性和实时性等特点[8]。前人已经基于无人机平台成功监测作物生物量、LAI、叶片氮含量等作物生长和氮素指标[9],反映了不同氮素处理下作物氮素营养状况[10]。然而,上述研究均是利用无人机平台搭载成像光谱仪或数码相机,其后续的图像拼接、处理、解析工作较为繁琐,不利于实时运用。
非成像的主动式冠层传感器,由于其可直接采集标准化的作物光谱信息,从而在数据获取、处理和使用上比成像式光谱仪有较强的便利性[11]。同时,带有自身光源的主动冠层传感器,具有不受环境条件营养,可全天候作业的特点,很好地克服了被动传感器的不足[12]。然而,运用无人机搭载非成像冠层传感器进行作物监测的研究鲜有报道。
作为无人机遥感在作物遥感上的全新运用,无人机平台搭载主动式传感器的监测***有望结合主动式光谱传感器在作物生长监测上的优势和无人机平台的灵活性,且相较于传统的手持测试模式,该模式能较好地适用于大面积作物生产,服务于较大尺度、综合性的作物氮肥决策应用。因此,探究并得出基于无人机载主动冠层传感器进行水稻氮素营养监测所需平台的构建、使用方法及相关技术要领具有十分重要的科研价值和实用意义。
参考文献:
[1]Novoa R,Loomis R S.Nitrogen and plant production[J].Plant&Soil,1981,58(1–3):177–204.
[2]Conant R T,Berdanier A B,Grace P R.Patterns and trends in nitrogenuse and nitrogen recovery efficiency in world agriculture[J].GlobalBiogeochemical Cycles,2013,27(2):558–566.
[3]Huang J,Xu C,Ridoutt B G,Wang X,Ren P.Nitrogen and phosphoruslosses and eutrophication potential associated with fertilizer application tocropland in China[J].Journal of Cleaner Production,2017,159:171–179.
[4]Liu X,Zhang Y,Han W,Tang A,Shen J,Cui Z,Vitousek P,Erisman J W,Goulding K,Christie P,Fangmeier A,Zhang F.Enhanced nitrogen deposition overChina[J].Nature,2013,494(7438):459–462.
[5]Miao Y,Stewart B A,Zhang F.Long-term experiments for sustainablenutrient management in China.A review[J].Agronomy for SustainableDevelopment,2011,31(2):397–414.
[6]Padilla F M,Gallardo M,M T,de Souza R,Thompson RB.Proximal Optical Sensors for Nitrogen Management of Vegetable Crops:AReview[J].Sensors,2018,18(7):2083.
[7]贾玉秋;李冰;程永政;刘婷;郭燕;武喜红;王来刚;基于GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较[J].农业工程学报,2015(09):173–179.
[8]Yang G,Liu J,Zhao C,Li Z,Huang Y,Yu H,Xu B,Yang X,Zhu D,Zhang X,Zhang R,Feng H,Zhao X,Li Z,Li H,Yang H.Unmanned Aerial Vehicle Remote Sensingfor Field-Based Crop Phenotyping:Current Status and Perspectives[J].Frontiersin Plant Science,2017,8:1111.
[9]Bendig J,Yu K,Aasen H,Bolten A,Bennertz S,Broscheit J,Gnyp M L,Bareth G.Combining UAV-based plant height from crop surface models,visible,and near infrared vegetation indices for biomass monitoring in barley[J].International Journal of Applied Earth Observation&Geoinformation,2015,39:79–87.
[10]MaresmaAriza M,Martínez E,Lloveras J,Martínez-CasasnovasJ.Analysis of Vegetation Indices to Determine Nitrogen Application and YieldPrediction in Maize(Zea mays L.)from a Standard UAV Service[J].RemoteSensing,2016,8(12):973.
[11]Tian Y-C,Gu K-J,Chu X,Yao X,Cao W-X,Zhu Y.Comparison of differenthyperspectral vegetation indices for canopy leaf nitrogen concentrationestimation in rice[J].Plant and Soil,2014,376(1–2):193–209.
[12]Holland K H,Lamb D W,Schepers J S.Radiometry of Proximal ActiveOptical Sensors(AOS)for Agricultural Sensing[J].IEEE Journal of SelectedTopics in Applied Earth Observations and Remote Sensing,2012,5(6):1793–1802.
发明内容
针对现有技术存在的问题,本发明的目的在于提供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,能够在农田开放环境下,通过传感器获取的水稻冠层的特定波段冠层光谱反射率,计算合适的植被指数,估测水稻的叶片干物重、叶面积指数和叶片氮积累量等氮素营养指标,实现对水稻氮素营养状况的实时监测。
本发明为了解决上述问题采用了以下的技术方案:
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,包括以下步骤:
步骤(1)、构建无人机搭载主动式作物冠层传感器的监测平台;
步骤(2)、通过无人机地面站控制无人机搭载主动式作物冠层传感器的监测平台的航线于所测田块水稻冠层上方近地面飞行,获取并存储近红外(780nm)、红边波段(730nm)的冠层光谱反射率和GPS地理坐标;
步骤(3)、测试结束后,将导出传感器内每一个包含GPS地理坐标的测试点的数据,导入地理信息***软件,同时导入一幅带有地理坐标信息的图像用于地物对照,在地理信息***软件中勾选提取对应田块各测试点的冠层光谱反射率数据,求取反射率均值代表田块光谱反射率数据;
步骤(4)、计算各田块的红边比值植被指数RERVI,RERVI=NIR/RE;其中,NIR和RE分别为所测田块所有测试点在近红外和红边波段的冠层光谱反射率的均值;
步骤(5)、基于RERVI的监测模型估测对应田块水稻的氮素营养指标,监测水稻氮素营养状况。
步骤(1)中,构建无人机搭载主动式作物冠层传感器的监测平台的方法:在无人机上挂载维持传感器测试稳定性的云台,在云台上挂载RapidSCAN CS-45多光谱主动冠层传感器,在监测过程中,传感器的出光口、吸光口保持垂直正射下方的姿态,正对作物冠层。
所述的无人机为多旋翼无人机,多旋翼无人机满足搭载云台、传感器进行长时间飞行的能力;优选的,所述的多旋翼无人机为大疆DJI S1000+八旋翼无人机,该无人机由八颗动力强劲的无刷电机驱动,八旋翼的冗余布局为飞行时出现旋翼损坏等突发情况提供了安全保障,即使有一个桨叶脱落,无人机***仍具有安全降落的能力;机翼连接件采用碳纤维构造,保证了结构强度的同时,也降低了机体质量,且机翼连接杆、无人机支撑支架可折叠;S1000+无人机平台具有标准化的模块接口,用于装载大疆和第三方品牌的飞行控制、RTK、云台等模块。
所述的无人机配备高精度GPS定位和飞行控制模块,在可设立航线的无人机地面站***的操控下,进行符合航线、特定高度的稳定飞行;所述的高精度GPS定位和飞行控制模块优选为大疆DJI A3 PRO飞行控制模块。所述的无人机配备RTK辅助定位模块,与飞控模块协作,保证厘米级的定位能力;所述的RTK辅助定位模块优选为大疆D-RTK辅助定位模块。
所述的云台需满足在无人机飞行过程中,保持传感器出光、收光口正对作物冠层进行稳定测试;选用可由无人机供电并协同使用的三轴无刷电机云台,优选为大疆禅思Z15-A7云台。
所述的主动式作物冠层传感器自带测试光源,至少包含近红外、红边波段,实时获取所测范围内作物冠层光谱反射率并记录相应的GPS地理坐标信息,且所用传感器需轻便便携,可适用于无人机搭载。优选的,所述的主动式作物冠层传感器为RapidSCAN CS-45多光谱主动冠层传感器,RapidSCAN CS-45多光谱主动冠层传感器配置了红光(670nm)、红边(730nm)和近红外(780nm)3个固定的光谱波段,该传感器将光学传感器、数据存储模块、GPS模块以及电池都集合为一个整体,重量仅为0.8kg,具有搭载于小型无人机上的潜力。
具体的,构建无人机搭载主动式作物冠层传感器的监测平台的方法:通过大疆DJIS1000+八旋翼无人机顶部的模块接口装载大疆DJI A3 PRO飞行控制模块、大疆D-RTK辅助定位模块;在大疆DJI S1000+八旋翼无人机下方装载大疆禅思Z15-A7云台,移除云台上原配的针对SONY A7相机设计的固定组件,采用1/4快装板专用螺丝固定并挂载RapidSCANCS-45多光谱主动冠层传感器,在监测过程中,传感器的出光口、吸光口保持垂直正射下方的姿态,正对作物冠层。
步骤(2)中,所述的无人机地面站为大疆DJI GS Pro地面站***,该***通过软件形式于PC端或iPad端运行,可于飞行前通过地图选点设置无人机飞行航线,并操控无人机沿所设定航线,依特定高度和特定速度飞行。
所述的航线为沿水稻行播方向下所测田块的中轴线,操作人员在DJI GS Pro地面站***中选取小区两端中点,即可自动生成该航线;同时通过大疆DJI GS Pro地面站***设置传感器距离水稻冠层1.5m飞行,航向飞行速度为2m/s;飞行过程中,传感器每隔0.4s测试和获取冠层光谱反射率数据和GPS地理坐标。
步骤(3)中,运用传感器配备的软件(RapidTalk,Holland Scientific Inc.)及USB数据连接线导出传感器内包含各测试点信息的.csv文件,导入地理信息***软件(ArcMap 10.4,ESRI Inc.),同时导入一张带有地理坐标信息的当地无人机或卫星图像用于地物对照,在地理信息***软件中勾选对应田块小区的区域,提取各所测田块的光谱信息,并进行求均值的处理,以该均值代表该田块的光谱信息。
步骤(5)中,所述的氮素营养指标为叶片氮浓度、叶面积指数、叶片氮积累量。
基于RERVI估算水稻叶片干物重的监测模型:
叶片干物重LDM(kg ha-1)=813.18*RERVI2–385.18*RERVI–341.74。
基于RERVI估算水稻叶面积指数的监测模型:
叶面积指数LAI=2.14*RERVI2+3.14*RERVI+1.50。
基于RERVI估算水稻叶片氮积累量的监测模型:
叶片氮积累量LNA=58.66*RERVI2–122.89*RERVI+71.37。
所述的基于RERVI的监测模型的建立方法:采用与步骤(2)无人机搭载主动式作物冠层传感器的监测平台相同的路径,手持主动式作物冠层传感器于水稻冠层上方1.5m处获取待测各田块小区的近红外(780nm)、红边波段(730nm)光谱数据;分别求取同田块小区内所有测试点在近红外和红边波段的冠层光谱反射率均值,代表对应小区的光谱反射率数据;计算各小区的红边比值植被指数RERVI;测试光谱数据的同时进行水稻样本的破坏性取样,在待测小区中随机选取20穴水稻,求取平均分蘖数,并根据平均分蘖数随机破坏性采集具有对应分蘖数的三穴植株;减除根部后,将地上部分的样品分离为叶、茎、穗部分,通过单位面积地上部叶片总面积计算得叶面积指数LAI;烘箱105℃条件下杀青30分钟,然后调至80℃烘干24小时至恒重后称量,根据叶重比的方法,计算得到水稻叶片干物重LDM;烘干称重后的植物叶片样品通过凯氏定氮法测定全氮含量,通过干物重与氮含量相乘,计算得叶片氮积累量LNA;分别构建RERVI与氮素营养指标LDM、LAI、LNA的线性、指数、二次项、乘幂型函数关系,通过评价比较,选取具有最高决定系数R2的模型作为监测模型。
本发明的有益效果:
本发明提出了一种创新性的无人机搭载主动式冠层光谱传感器,于超低空进行水稻氮素营养状况监测的模式,内容包括监测***的构建方式、监测方法的确立和可用于实际运用的水稻氮素营养指标监测模型,有利于结合无人机和主动冠层传感器的优点,提升作物氮素无损监测的能力,进而服务较大尺度、综合性的作物氮肥决策和精准农业的实施,提升农业现代化水平。
附图说明
图1为RERVI与水稻叶片干物重的关系实例图。
图2为RERVI与叶面积指数的关系实例图。
图3为RERVI与叶片氮积累量的关系实例图。
具体实施方式
下面结合实施例进一步阐明本发明的技术方案,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
为了更好地研究基于RapidSCAN CS-45多光谱主动冠层传感器的波段拟合的敏感植被指数,建立水稻氮素营养指标光谱监测模型,于2015年至2017年于江苏省如皋市(32.27°N,120.75°E)、泗洪市(33.37°N,118.26°E)和连云港市(34.56°N,119.32°E),共开展了4次不同施氮处理下的大田水稻试验,具体试验概况如表1所示。
表1 田间试验安排与设置
试验一于2016年在泗洪试验站开展,设置了4个不同的氮肥处理(0,120,240,360kg Nha-1),并种植了三个水稻品种,各试验小区面积均为56m2(7×8m)。
试验二于2017年在连云港试验站开展,设置了4个不同的氮肥处理(0,135,270,405kg N ha-1),并种植了两个水稻品种,并采用了两种不同的机播方式(钵苗机栽、毯苗机栽),各试验小区面积均为120m2(8×15m)。
试验三于2015年在如皋试验站开展,设置了4个不同的氮肥处理(0,60,150,240kgN ha-1),种植了一个水稻品种,各试验小区面积均为35m2(5×7m)。
试验四于2016年在如皋试验站开展,设置了4个不同的氮肥处理(0,100,250,400kg N ha-1)并种植了两个水稻品种,各试验小区面积均35m2(5×7m)。
所有田间试验均设置了三个重复的随机区组试验。在每个试验中,分别施用于移栽前、分蘖期和拔节期采用粒状尿素进行氮肥施用,基追比5:3:2。每一个田块,基于土壤化学分析和地方农技部门推荐,分别于移栽前施用127kg P2O5 ha-1的的磷酸钙肥料,并施用225kg K2O ha-1的KCl肥料(分两份,50%施用于移栽前,50%施用于拔节期)。
1.构建无人机搭载主动式作物冠层传感器的监测平台
选用DJI Spreading Wings S1000+型八旋翼无人机平台(大疆DJI-Innovatiosn公司),满足搭载RapidSCAN CS-45多光谱主动冠层传感器(Holland Scientific公司)进行长时间稳定测试的潜在要求。DJI Spreading Wings S1000+型八旋翼无人机通过顶部的模块接口装载大疆DJI A3 PRO飞行控制模块和大疆DJI D-RTK辅助定位模块;大疆DJI A3PRO飞行控制模块配备了三套IMU和GNSS芯片,配合软件解析余度可实现6路冗余导航,保证当导航***中的传感器出现异常时,***立即切换至另一套传感器,以保障可靠稳定的飞行表现。RTK(Real-time kinematic)技术为监测***提供了厘米级的定位精度,保证无人机监测***稳定飞行和精准监测;同时,D-RTK辅助定位模块也提供了强大的抗磁干扰能力,在飞行器进行近地面和复杂环境飞行时保障可靠的飞行。
采用大疆禅思Z15-A7,移除云台上原配的针对SONY A7相机设计的固定组件,采用1/4快装板专用螺丝固定并挂载RapidSCAN CS-45多光谱主动冠层传感器,即可进行稳定地监测;使用该云台可确保在不同的飞行状况下,传感器收光口始终保持垂直正射下方的姿态。同时,该云台与大疆DJI A3 PRO飞行控制模块保持了良好的协同性,可实时根据大疆DJI A3 PRO飞行控制模块所获取的飞行状态信息,进行自我姿态调整,保证所搭载的RapidSCAN CS-45多光谱主动冠层传感器进行稳定的监测。
2.监测与数据获取
合适的运行模式是无人机机载作物监测平台顺利进行数据获取、监测的关键。其中一个关键因素便是传感器距离作物冠层的距离,也反应在无人机飞行器的高度上。传感器有效监测距离范围为0.3m–3m,本研究分别采取三种不同测试高度:1m、1.5m、2m。在实际测试过程中,发明人发现受地面效应影像,无人机在1m高度下会产生较为明显的波动,难以保持稳定的飞行状态,并产生一定的安全隐患,无法用于实际使用。最终采取了1.5m和2m的测试高度。
采用平板电脑端的DJI GS PRO无人机地面站控制***控制无人机,提前设定飞行的航线、高度、速度等参数。航线:水稻行播方向下所测田块的中轴线,操作人员在DJI GSPro无人机地面站***中选取小区两端中点,即可自动生成该航线;航向飞行速度:2m/s。
为了满足无人机飞行器期间传感器进行自动化的数据测试和存储,RapidSCANCS-45多光谱主动冠层传感器采用存储所有数据点的数据获取模式(1.05***固件),飞行开始前打开传感器开关,每0.4秒一个测试点的速率自动化获取近红外(780nm)、红边波段(730nm)的冠层光谱反射率和GPS地理坐标,并存储光谱和GPS数据。测试结束后,运用传感器配备的软件(RapidTalk,Holland Scientific Inc.)及USB数据连接线导出包含各测试点信息的.csv文件。
运用传感器配备的软件(RapidTalk,Holland Scientific Inc.)及USB数据连接线导出包含各测试点信息的.csv文件导入地理信息***软件ArcMap 10.4(ESRI,Redlands,CA,USA),并导入一张带有地理坐标信息的当地无人机或卫星图像用于地物对照,基于所测数据点的GPS信息,在地理信息***软件中勾选对应田块小区的区域,提取各所测小区内所有测试点的光谱信息,同小区内所有测试点光谱数据的均值用于代表该小区的光谱反射率数据。计算各小区的红边比值植被指数RERVI,RERVI=NIR/RE;其中,NIR和RE分别为所测小区所有测试点在近红外和红边波段的冠层光谱反射率的均值;
为了建立和验证监测模型,同步进行手持RapidSCAN CS-45多光谱主动冠层传感器获取监测数据,手持监测数据采取与无人机监测相同的路径,于水稻冠层上方1.5m处获取对应小区的光谱测量值,手持测试数据的提取、计算方式同无人机测试。
3.模型构建结果与验证
以LDM、LAI和LNA作为待预测的水稻氮素指标。
在各关键时期,测试光谱数据的同时进行水稻样本的破坏性取样。每次在进行过光谱测试的单一田块中随机选取20穴水稻,求取平均分蘖数,并根据平均分蘖数随机破坏性采集具有对应分蘖数的三穴植株。减除根部后,将地上部分的样品分离为叶、茎、穗部分,分别标记装袋,通过单位面积地上部叶片总面积计算得叶面积指数LAI(Leaf AreaIndex);烘箱105℃条件下杀青30分钟,然后调至80℃烘干24小时至恒重后称量,根据叶重比的方法,计算得到水稻叶片干物重LDM(Leaf Dry Matter)。将烘干称重后的植物叶片样品使用研磨机研磨粉碎,过1mm筛后采用自封袋密封并编号保存;将各组分粉末样品通过凯氏定氮法消煮,并运用AA3型流动分析仪(BRAN_LUEBBE AA3,Germany)测定各样本叶片全氮含量,通过干物重与氮含量相乘,计算得叶片氮积累量LNA(Leaf NitrogenAccumulation)。
采用不同测试方法下获取的各波段光谱反射率,分别构建植被指数RERVI与LDM、LAI、LNA三个指标的监测模型。运用试验一和试验二获取的手持光谱数据分别建立基于各植被指数VI对LDM、LAI、LNA的线性、指数、二次项、乘幂型预测模型,并选取了最优(具有最高R2)的预测模型(分别如图1、2、3所示)。对应各指标的估测公式和预测精度如下:
叶片干物重LDM(kg ha-1)=813.18*RERVI2–385.18*RERVI–341.74,R2=0.772
叶面积指数LAI=2.14*RERVI2–3.14*RERVI+1.50,R2=0.793
叶片氮积累量LNA=58.66*RERVI2–122.89*RERVI+71.37,R2=0.832
表2 不同类型监测模型下RERVI对水稻氮素营养指标的监测效果
运用试验三和试验四中手持获取的光谱数据进行模型的验证,测试相应模型的普适性;同时也运用于试验二中1.5m和2m测试下获取的光谱数据,分别对通过手持数据建立的模型进行验证,以此测试无人机搭载RapidSCAN CS-45多光谱主动冠层传感器进行水稻叶片氮素状态监测的能力,同时也检测了通过手持数据建立的模型在无人机监测的情况下的表现。
通过决定系数(R2)进行各监测模型的评价比较,采用相对均方根误差(RRMSE,%)和相对误差(RE,%)评价模型验证的结果,RRMSE和RE越低,表明该模型有更优的估测效果。RRMSE和RE的计算公式如下:
其中Pi和Oi分别代表对应氮素指标的模型预测值和实测值;代表对应氮素指标的平均值;n是所有参与验证样本的总数量。
验证结果如表3所示,运用独立的手持测试验证数据对前文所建立的模型进行验证,结果表明模型在手持监测模式下具有较强的普遍适用性;通过运用两种不同高度下的无人机监测数据对所建立的模型进行验证,结果表明相较于2m的监测高度,无人机搭载RapidSCAN CS-45多光谱主动冠层传感器在1.5m监测高度下具有较好的的验证效果;1.5m监测高度的结果表明,运用无人机搭载RapidSCAN CS-45多光谱主动冠层传感器,可以较好地用于估测水稻叶片干物重(RRMSE=16.0%,RE=18.6%)、叶面积指数(RRMSE=18.1%,RE=19.2%)、叶片氮积累量(RRMSE=19.7%,RE=21.1%),具有实用价值。综上所述,所建立模型在无人机载主动冠层传感器进行水稻氮素营养监测时具有切实可用的效果,1.5m高度为较为合适的测试高度。
表3 水稻氮素营养监测模型的验证
除本实施例所提供的监测模型外,研究人员和使用者亦可以自行组织试验,采用相似方法,构建其他氮素营养指标的监测模型进行使用。
Claims (6)
1.一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,其特征在于包括以下步骤:
步骤(1)、构建无人机搭载主动式作物冠层传感器的监测平台;
步骤(2)、通过无人机地面站控制无人机搭载主动式作物冠层传感器的监测平台的航线于所测田块水稻冠层上方近地面飞行,获取并存储近红外780nm、红边波段730nm的冠层光谱反射率和GPS地理坐标;
步骤(3)、测试结束后,将导出传感器内每一个包含GPS地理坐标的测试点的数据,导入地理信息***软件,同时导入一幅带有地理坐标信息的图像用于地物对照,在地理信息***软件中勾选提取对应田块各测试点的冠层光谱反射率数据,求取反射率均值代表全田块光谱反射率数据;
步骤(4)、计算各田块的红边比值植被指数RERVI,RERVI=NIR/RE;其中,NIR和RE分别为所测田块所有测试点在近红外和红边波段的冠层光谱反射率的均值;
步骤(5)、基于RERVI的监测模型估测对应田块水稻的氮素营养指标,监测水稻氮素营养状况。
2.根据权利要求1所述的基于无人机载主动冠层传感器的水稻氮素营养监测方法,其特征在于步骤(1)中,构建无人机搭载主动式作物冠层传感器的监测平台的方法:在无人机上挂载云台,在云台上挂载RapidSCAN CS-45多光谱主动冠层传感器,在监测过程中,传感器的出光口、吸光口保持垂直正射下方的姿态,正对作物冠层。
3.根据权利要求2所述的基于无人机载主动冠层传感器的水稻氮素营养监测方法,其特征在于所述的无人机为多旋翼无人机;所述的无人机配备高精度GPS定位和飞行控制模块、RTK辅助定位模块;所述的云台为三轴无刷电机云台。
4.根据权利要求1所述的基于无人机载主动冠层传感器的水稻氮素营养监测方法,其特征在于步骤(2)中,所述的航线为水稻行播方向下所测田块的中轴线。
5.根据权利要求1所述的基于无人机载主动冠层传感器的水稻氮素营养监测方法,其特征在于步骤(2)中,传感器距离水稻冠层1.5m飞行,航向飞行速度为2m/s,飞行过程中,传感器每隔0.4s获取冠层光谱反射率数据和GPS地理坐标。
6.根据权利要求1所述的基于无人机载主动冠层传感器的水稻氮素营养监测方法,其特征在于步骤(5)中,所述的氮素营养指标为叶片氮浓度、叶面积指数、叶片氮积累量;
基于RERVI估算水稻叶片干物重的监测模型:
叶片干物重LDM(kg ha-1)=813.18*RERVI2–385.18*RERVI–341.74;
基于RERVI估算水稻叶面积指数的监测模型:
叶面积指数LAI=2.14*RERVI2+3.14*RERVI+1.50;
基于RERVI估算水稻叶片氮积累量的监测模型:
叶片氮积累量LNA=58.66*RERVI2–122.89*RERVI+71.37。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811067606.1A CN109444069A (zh) | 2018-09-13 | 2018-09-13 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811067606.1A CN109444069A (zh) | 2018-09-13 | 2018-09-13 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109444069A true CN109444069A (zh) | 2019-03-08 |
Family
ID=65530557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811067606.1A Pending CN109444069A (zh) | 2018-09-13 | 2018-09-13 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109444069A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652754A (zh) * | 2020-05-19 | 2020-09-11 | 江西省农业科学院农业工程研究所 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断***及方法 |
CN111982298A (zh) * | 2020-08-14 | 2020-11-24 | 扬州大学 | 一种基于无人机的水稻冠层温度检测方法 |
CN112285062A (zh) * | 2020-09-22 | 2021-01-29 | 武汉大学 | 一种高nue水稻筛选标志及筛选方法 |
CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
CN112986158A (zh) * | 2021-02-23 | 2021-06-18 | 内蒙古农业大学 | 基于无人机多光谱数据的甜菜氮素营养检测方法及*** |
CN113324870A (zh) * | 2021-06-18 | 2021-08-31 | 河北省农林科学院粮油作物研究所 | 一种定量作物非根器官氮素吸收及其氮营养贡献的方法 |
GR20200100182A (el) * | 2020-03-24 | 2021-10-13 | Διονυσιος Επαμεινωνδα Μπιττας | Αυτονομο συστημα για φασματοσκοπηση και μετρηση παραμετρων εδαφους και περιβαλλοντος |
CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
CN114324193A (zh) * | 2022-01-10 | 2022-04-12 | 浙江大学华南工业技术研究院 | 基于uav-ppk技术的作物养分原位监测***及方法 |
CN114813607A (zh) * | 2022-05-09 | 2022-07-29 | 西南大学 | 一种利用植被指数估算水稻拔节期氮营养的方法 |
CN115144346A (zh) * | 2022-06-23 | 2022-10-04 | 勐海曼香云天农业发展有限公司 | 一种香米田间成熟度确定方法及*** |
CN116500205A (zh) * | 2023-06-26 | 2023-07-28 | 中国农业科学院农业信息研究所 | 一种农田氮素地下淋溶监测机器人***及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
CN106525731A (zh) * | 2016-09-27 | 2017-03-22 | 北京农业信息技术研究中心 | 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 |
-
2018
- 2018-09-13 CN CN201811067606.1A patent/CN109444069A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102175618A (zh) * | 2011-01-31 | 2011-09-07 | 南京农业大学 | 一种稻麦叶片氮含量光谱监测模型建模方法 |
CN106290197A (zh) * | 2016-09-06 | 2017-01-04 | 西北农林科技大学 | 水稻叶片全氮含量高光谱估测及估测模型构建方法 |
CN106525731A (zh) * | 2016-09-27 | 2017-03-22 | 北京农业信息技术研究中心 | 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 |
Non-Patent Citations (2)
Title |
---|
田永超等: "基于光谱信息的作物氮素营养无损监测技术", 《生态学杂志》 * |
黄春燕 等: "棉花叶绿素密度和叶片氮积累量的高光谱监测研究", 《作物学报》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GR20200100182A (el) * | 2020-03-24 | 2021-10-13 | Διονυσιος Επαμεινωνδα Μπιττας | Αυτονομο συστημα για φασματοσκοπηση και μετρηση παραμετρων εδαφους και περιβαλλοντος |
CN111652754B (zh) * | 2020-05-19 | 2022-04-22 | 江西省农业科学院农业工程研究所 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断***及方法 |
CN111652754A (zh) * | 2020-05-19 | 2020-09-11 | 江西省农业科学院农业工程研究所 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断***及方法 |
CN111982298A (zh) * | 2020-08-14 | 2020-11-24 | 扬州大学 | 一种基于无人机的水稻冠层温度检测方法 |
CN112285062A (zh) * | 2020-09-22 | 2021-01-29 | 武汉大学 | 一种高nue水稻筛选标志及筛选方法 |
CN112903600A (zh) * | 2021-01-15 | 2021-06-04 | 南京农业大学 | 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法 |
CN112986158B (zh) * | 2021-02-23 | 2023-05-12 | 内蒙古农业大学 | 基于无人机多光谱数据的甜菜氮素营养检测方法及*** |
CN112986158A (zh) * | 2021-02-23 | 2021-06-18 | 内蒙古农业大学 | 基于无人机多光谱数据的甜菜氮素营养检测方法及*** |
CN113324870A (zh) * | 2021-06-18 | 2021-08-31 | 河北省农林科学院粮油作物研究所 | 一种定量作物非根器官氮素吸收及其氮营养贡献的方法 |
CN114252406A (zh) * | 2021-12-30 | 2022-03-29 | 黑龙江八一农垦大学 | 一种小麦生长期养分信息检测方法 |
CN114324193A (zh) * | 2022-01-10 | 2022-04-12 | 浙江大学华南工业技术研究院 | 基于uav-ppk技术的作物养分原位监测***及方法 |
CN114813607A (zh) * | 2022-05-09 | 2022-07-29 | 西南大学 | 一种利用植被指数估算水稻拔节期氮营养的方法 |
CN115144346A (zh) * | 2022-06-23 | 2022-10-04 | 勐海曼香云天农业发展有限公司 | 一种香米田间成熟度确定方法及*** |
CN116500205A (zh) * | 2023-06-26 | 2023-07-28 | 中国农业科学院农业信息研究所 | 一种农田氮素地下淋溶监测机器人***及方法 |
CN116500205B (zh) * | 2023-06-26 | 2023-09-22 | 中国农业科学院农业信息研究所 | 一种农田氮素地下淋溶监测机器人***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109444069A (zh) | 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 | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
Haboudane et al. | Remote estimation of crop chlorophyll content using spectral indices derived from hyperspectral data | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
Li et al. | Combined use of airborne LiDAR and satellite GF-1 data to estimate leaf area index, height, and aboveground biomass of maize during peak growing season | |
CN108760660A (zh) | 一种返青期冬小麦叶绿素含量估算方法 | |
Wang et al. | Estimation of nitrogen status of paddy rice at vegetative phase using unmanned aerial vehicle based multispectral imagery | |
Kokhan et al. | Using vegetative indices to quantify agricultural crop characteristics | |
CN111882242A (zh) | 一种植被指数在牧草生物量估算研究中的评价方法 | |
Zhao et al. | Estimating and Validating Wheat Leaf Water Content wi th Three MODIS Spectral Indexes: A Case Study in Ningx ia Plain, China | |
Erena et al. | Configuration and specifications of an unmanned aerial vehicle for precision agriculture | |
Zhang et al. | High-throughput phenotyping of plant leaf morphological, physiological, and biochemical traits on multiple scales using optical sensing | |
Marin et al. | Unmanned aerial vehicle to evaluate frost damage in coffee plants | |
CN106504240B (zh) | 一种枣树冠层叶绿素a含量的卫星遥感监测方法 | |
Hu et al. | Comparison of the performance of Multi-source Three-dimensional structural data in the application of monitoring maize lodging | |
CN116773516A (zh) | 一种基于遥感数据的土壤碳含量分析*** | |
CN106501454A (zh) | 一种枣树冠层叶绿素b含量的卫星遥感监测方法 | |
CN116628405A (zh) | 一种估算草地植被高度的遥感方法 | |
Zhu et al. | Mapping crop leaf area index from multi-spectral imagery onboard an unmanned aerial vehicle | |
CN106324617A (zh) | 一种枣树冠层类胡萝卜素含量的卫星遥感监测方法 | |
Wittamperuma et al. | Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin | |
Mian et al. | Wheat biomass estimation in different growth stages based on color and texture features of UAV images | |
Mõttus et al. | A forestry GIS-based study on evaluating the potential of imaging spectroscopy in mapping forest land fertility | |
CN112504972A (zh) | 一种快速监测烟草氮含量的方法 | |
Bauer et al. | Spectral properties of agricultural crops and soils measured from space, aerial, field, and laboratory sensors |
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 |