CN111721738A - 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 - Google Patents
基于高光谱的植物生长状态与土壤含氮量关系的分析方法 Download PDFInfo
- Publication number
- CN111721738A CN111721738A CN202010583170.2A CN202010583170A CN111721738A CN 111721738 A CN111721738 A CN 111721738A CN 202010583170 A CN202010583170 A CN 202010583170A CN 111721738 A CN111721738 A CN 111721738A
- Authority
- CN
- China
- Prior art keywords
- nitrogen content
- soil
- growth state
- reflectivity
- hyperspectral
- 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 160
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 80
- 239000002689 soil Substances 0.000 title claims abstract description 64
- 230000008635 plant growth Effects 0.000 title claims abstract description 32
- 238000004458 analytical method Methods 0.000 title claims abstract description 20
- 241000196324 Embryophyta Species 0.000 claims abstract description 62
- 238000002310 reflectometry Methods 0.000 claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims abstract description 46
- 230000012010 growth Effects 0.000 claims abstract description 38
- 238000003384 imaging method Methods 0.000 claims abstract description 13
- 239000003337 fertilizer Substances 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 11
- 238000007781 pre-processing Methods 0.000 claims description 11
- 229910052736 halogen Inorganic materials 0.000 claims description 9
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims description 8
- 240000003553 Leptospermum scoparium Species 0.000 claims description 8
- 235000015459 Lycium barbarum Nutrition 0.000 claims description 8
- -1 15W halogen Chemical class 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 11
- 239000000618 nitrogen fertilizer Substances 0.000 description 7
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013519 translation Methods 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 150000002367 halogens Chemical class 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 125000005843 halogen group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012306 spectroscopic technique Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model 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
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
本发明提供基于高光谱的植物生长状态与土壤含氮量关系的分析方法,本发明涉及农业检测领域。本发明的方案:设置多个相同植物的实验组,分别对多个实验组施加不同分量的相同氮肥进行种植,分别记录每个实验组的植物生长状态;每个实验组的土壤通过SOC710VP高光谱成像仪对土壤的成像光谱数据进行采集得到DN值(DigitalNumber),然后将DN值(DigitalNumber)转换成反射率;根据每个实验组施加不同量的氮肥,判断土壤的含氮量与植物生长状态的关系,从而得知植物叶片含氮量与土壤含氮量的关系。本发明通过分析土壤含氮量与植物长势的关系,得到植物生长所需含氮量,可以对植物进行高效率种植。
Description
技术领域
本发明涉及农业检测领域,具体而言,涉及一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法。
背景技术
氮素是植物在生长过程中所必需的元素,直接影响植物的长势和产量。利用高光谱成像技术对土壤氮素含量与植物长势关系进行反演研究,对于评估植物最优生长氮素需求及精准施肥具有重要意义。
现有技术中,茶树本身是以收获芽叶为主的经济作物,氮对茶树生长及品质成分有重要的影响,影响着芽叶的生长和发育,没有人使用光谱技术测定茶树的叶片氮素光谱信息,氮对茶树生长及品质成分有重要的影响,影响着芽叶的生长和发育。没有人将光谱技术用于茶树施肥指导,以及基于光谱信息分析植物氮素应用与土壤氮含量的关系。
发明内容
本发明的目的在于提供一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,通过分析土壤含氮量与植物长势的关系,得到植物生长所需含氮量,可以对植物进行高效率种植。
本发明的实施例是这样实现的:
一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,包括以下步骤:
A:设置多个相同植物的实验组,分别对多个实验组施加不同分量的相同氮肥进行种植,分别记录每个实验组的植物生长状态;
B:每个实验组的土壤通过SOC710VP高光谱成像仪对土壤的成像光谱数据进行采集得到DN值,然后将DN值转换成反射率;
C:反射率进行预处理,通过反射率对土壤的含氮量进行判断,获得每个实验组土壤的含氮量;
D:根据每个实验组施加不同量的氮肥,判断土壤的含氮量与植物生长状态的关系。
在本发明的一些实施例中,上述步骤B中植物数据进行采集前进行黑白校正:
其中,I:原始采集图像,B:全黑标定图像,W:全白反射标定图像,r:校正后的图像。
在本发明的一些实施例中,上述步骤B中图像采集过程在暗箱中进行。
在本发明的一些实施例中,上述步骤B中对成像光谱数据进行采集时使用双15W卤素灯作为光源。
在本发明的一些实施例中,上述步骤B中SOC710VP高光谱成像仪对反射率进行标准化。
在本发明的一些实施例中,上述反射率标准化包括几何定标和辐射定标;
所述几何定标:对图像几何特征进行校正,还原真实情况;
所述辐射定标:消除图像数据辐射亮度中的各类失真过程,对遥感图像的辐射度进行校准,实现定量遥感。
在本发明的一些实施例中,上述步骤C中对反射率进行一阶微分:
其中,R:反射率;FDRi:反射率的一阶微分;i:反射率对应波长位置;λ:反射率对应波长。
在本发明的一些实施例中,上述步骤C中对反射率进行多元散射校正。
在本发明的一些实施例中,上述步骤C中对反射率进行SG平滑处理。
在本发明的一些实施例中,上述植物选取茶树。
本发明提供的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,具有如下优点或有益效果:
首先设置多个相同植物的实验组,分别对多个实验组施加不同分量的相同氮肥进行种植,分别记录每个实验组的植物生长状态,种植的过程中记录植物的生长状态,可以每隔一周对植物的生长状态进行记录,一共记录12组数据。然后记录每组数据的同时通过SOC710VP高光谱成像仪获得土壤的DN值,DN值是记录地物的灰度值,但并不是真正的光谱值,必须进行反射率转换,把不可用的DN值转化为可以使用的反射率,利用ENVI软件提取反射率,即选取感兴趣区域(ROI),提取反射率,将经过标准化后的高光谱图像数据加载到ENVI中。同时,光谱数据预处理也是一种可以有效提高光谱准确性和筛选有效光谱信息的重要方法。本研究采用了多元散射校正、SG平滑处理,一阶微分处理。通过处理后的反射率得到土壤的含氮量,根据各个时间段土壤的含氮量与植物在各个时间段的生长状态的关系可以判断出植物生长状态较优时土壤的含氮量,通过得出植物生长过程中所需最佳的土壤含氮量可以在栽培植物时施加对应的氮肥,此方法可以得出较优生长状态的植物,避免了过多施加氮肥不仅浪费资源而且抑制植物生长,从而可以更高效的栽培植物。
具体实施方式
因此,以下对本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
实施例
一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,包括以下步骤:
A:设置多个相同植物的实验组,分别对多个实验组施加不同分量的相同氮肥进行种植,分别记录每个实验组的植物生长状态;
B:每个实验组的土壤通过SOC710VP高光谱成像仪对土壤的成像光谱数据进行采集得到DN值,然后将DN值转换成反射率;
C:反射率进行预处理,通过反射率对土壤的含氮量进行判断,获得每个实验组土壤的含氮量;
D:根据每个实验组施加不同量的氮肥,判断土壤的含氮量与植物生长状态的关系。
上述实施方式中,首先设置多个相同植物的实验组,分别对多个实验组施加不同分量的相同氮肥进行种植,分别记录每个实验组的植物生长状态,种植的过程中记录植物的生长状态,可以每隔一周对植物的生长状态进行记录,一共记录12组数据。然后记录每组数据的同时通过SOC710VP高光谱成像仪获得土壤的DN值,DN值是记录地物的灰度值,但并不是真正的光谱值,必须进行反射率转换,把不可用的DN值转化为可以使用的反射率,利用ENVI软件提取反射率,即选取感兴趣区域(ROI),提取反射率,将经过标准化后的高光谱图像数据加载到ENVI中。同时,光谱数据预处理也是一种可以有效提高光谱准确性和筛选有效光谱信息的重要方法。本研究采用了多元散射校正、SG平滑处理,一阶微分处理。通过处理后的反射率得到土壤的含氮量。对植物叶片使用与土壤获得含氮量方法的相同方法获得植物叶片的含氮量,其中:
A:分别记录土壤含氮量不同时植物的生长状态;
B:植物生长的每个时间段通过SOC710VP高光谱成像仪对植物的成像光谱数据进行采集得到DN值,然后将DN值转换成反射率;
C:反射率进行预处理,通过反射率对植物的含氮量进行判断,获得土壤含氮量不同时植物的含氮量;
D:根据植物各个阶段不同的含氮量可以得知植物生长过程中土壤含氮量对植物含氮量的影响。
从上述即可得知植物叶片含氮量与土壤含氮量的关系,根据各个时间段土壤的含氮量与植物在各个时间段的生长状态的关系可以判断出植物生长状态较优时土壤的含氮量,通过得出植物生长过程中所需最佳的土壤含氮量可以在栽培植物时施加对应的氮肥,此方法可以得出较优生长状态的植物,避免了过多施加氮肥不仅浪费资源而且抑制植物生长,从而可以更高效的栽培植物。
在本发明的一些实施例中,步骤B中土壤数据进行采集前进行黑白校正:
其中,I:原始采集图像,B:全黑标定图像,W:全白反射标定图像,r:校正后的图像。
上述实施方式中,为减少采集过程光源强度分布不均匀以及镜头中存在暗电流所产生的噪声,需要在采集图像前进行图像的黑白校正。
在本发明的一些实施例中,步骤B中图像采集过程在暗箱中进行。
上述实施方式中,为了免在图像采集过程中受到外界环境和光线干扰,整个过程在暗箱中进行。
在本发明的一些实施例中,步骤B中对成像光谱数据进行采集时使用双15W卤素灯作为光源。
上述实施方式中,15W卤素灯对土壤成像光谱数据的采集更佳。
在本发明的一些实施例中,骤B中SOC710VP高光谱成像仪对反射率进行标准化。
上述实施方式中,通过高光谱成像***得到的是遥感影像像元亮度值即DN值,DN值是记录地物的灰度值,但并不是地物的真正光谱值,所以必须进行反射率转换,把不可用的DN值转化为可以使用的反射率,本次实验用SOC710VP成像光谱仪自带软件来进行反射率标准化,包括几何定标,辐射定标。
在本发明的一些实施例中,反射率标准化包括几何定标和辐射定标;
所述几何定标:对图像几何特征进行校正,还原真实情况;
所述辐射定标:消除图像数据辐射亮度中的各类失真过程,对遥感图像的辐射度进行校准,实现定量遥感。
在本发明的一些实施例中,步骤C中对反射率进行一阶微分:
其中,R:反射率;FDRi:反射率的一阶微分;i:反射率对应波长位置;λ:反射率对应波长。
上述实施方式中,由于外界环境、光源、仪器的精度等因素的影响,高光谱技术获得的光谱信息会出现噪声、失真、信息冗余等情况,因此,需要对光谱进行预处理来消除光谱数据的噪声、信息冗余等,光谱数据预处理是高光谱图像的基本处理,后续的研究都是基于这些处理,一阶微分光谱技术是一种在高光谱数据处理分析中常用的变化手段,该方法可以确定光谱曲线的拐点以及最大、最小反射率对应的波长位置,同时可以有效降低或者消除背景噪声,提高辨识信息能力及模型精度。
在本发明的一些实施例中,步骤C中对反射率进行多元散射校正。
上述实施方式中,多元散射校正是针对多个波长的一种比较常见的处理方法。用多元散射校正的方法对光谱数据进行处理,减少因光的散射产生的影响,并且增强与组分含量相关的光谱吸收信息。第一步需要建立待测物的标准光谱,并且在标准光谱的基础上将近红外波段以外的待测物的反射率进行校正。该手段仅用于校正每个样品的近红外光谱之间迁移,因此将所有光谱的平均值作为标准光谱是可行的。首先,对待测物的近红外光谱的进行平均,并作为标准光谱,并对每个待测物的近红外光谱和标准光谱进行回归分析,以获得每个光谱相对于标准光谱的线性平移以及倾斜偏移,从每个样本的原始光谱中去掉线性平移量再除以回归系数以校正光谱的基线相对的倾斜度,以便每个光谱的基线平移和偏移在标准光谱校正。
在本发明的一些实施例中,步骤C中对反射率进行SG平滑处理。
上述实施方式中,平滑滤波是光谱分析中常用的预处理方法之一,用Savitzky-Golay方法进行平滑滤波,可以提高光谱的平滑性,并降低噪音的干扰,SG平滑滤波的效果,可以满足多种不同场合的需求。
在本发明的一些实施例中,植物选取茶树。
在本发明的一些实施例中,对植物进行种植,分别记录每个时间段植物的生长状态,可以每隔相对的周期对植物的生长状态进行记录,其中设定的周期可以视情况而定;使用SOC710VP高光谱对成像光谱数据的采集,采集装置包括光谱仪、15W的卤素灯、国家标准灰板、暗箱和装有采集软件的电脑,将国家标准灰板放置暗箱内部,在暗箱中安装卤素灯并且调节卤素灯的照射位置,使卤素灯光源照射在国家标准灰板的中心位置,国家标准灰板的上方固定成像光谱仪。设备调整好后将土壤放置国家标准灰板中心,连接卤素灯电源,打开图像采集软件,待软件显示样本图像时调节成像光谱仪的镜头焦距,使样本图像清晰可见,为减少采集过程光源强度分布不均匀以及镜头中存在暗电流所产生的噪声,需要在采集图像前进行图像的黑白校正,为了免在图像采集过程中受到外界环境和光线干扰,整个过程在暗箱中进行。其中通过高光谱得到的是遥感影像像元亮度值DN值,DN值是记录地物的灰度值,但并不是真正的光谱值,必须进行反射率转换,把不可用的DN值转化为可以使用的反射率,利用ENVI软件提取反射率,即选取感兴趣区域(ROI),提取反射率,将经过标准化后的高光谱图像数据加载到ENVI中。由于外界环境、光源、仪器的精度等因素的影响,高光谱技术获得的光谱信息会出现噪声、失真、信息冗余等情况,因此,需要对光谱进行预处理来消除光谱数据的噪声、信息冗余等,光谱数据预处理是高光谱图像的基本处理,后续的研究都是基于这些处理。同时,光谱数据预处理也是一种可以有效提高光谱准确性和筛选有效光谱信息的重要方法。进行不同预处理得到的结果会有所差异,预处理方法有多元散射校正、导数变换、SG平滑处理、标准正态变量变化、归一化处理和傅里叶变换等。本研究采用了多元散射校正、SG平滑处理,一阶微分处理。通过处理后的反射率得到土壤的含氮量,根据土壤的含氮量与植物对应含氮量的生长状态得出植物生长状态与土壤含氮量的关系,通过以上关系可以提供植物最佳的生长环境,避免了过多施加氮肥不仅浪费资源而且抑制植物生长,从而可以更高效的栽培植物。
在本发明的一些实施例中,光谱数据所蕴含的信息量十分巨大,如果将数据全部计算,不仅耗费人力和时间,还可能会使模型过度拟合,这就需要进行光谱特征提取。这样既可以进行光谱数据降维又可以去除无关信息,减少误差。为了降低信息冗余和提高运算的速度,利用SPSS软件用逐步回归分析筛选敏感波长。回归分析是通过建立统计模型来研究变量间相关关系的结构状态、密切程度的一种有效工具。通过回归方程的形式来观察描述数量的变化规律,帮助我们分析变量受其他变量影响程度,为预测提供依据。SPSS中一元线性回归和多元线性回归分析的功能集成在一起,都是通过“回归”子菜单中的“线性”命令。用98个样本建立逐步回归(SR)模型。基于SG平滑一阶微分筛选的5个敏感波长535nm、576nm、633nm、654nm、701nm建立模型,对建模结果的实际值和预测值进行拟合,其拟合结果的决定系数R2=0.7431,均方根误差RMSE=0.3016,相对误差RE=8.24%。利用植被指数NIR/NIR(740,780)、RVI2(765,787)、ZTM(710,750)、VLOPT2(730,760)、GRVI(550,800)、GNDVI(550,800)来建立模型,对建模结果进行拟合,其拟合结果决定系数R2=0.6944,均方根误差RMSE=0.3957,相对误差=13.81%。用32个检验集样本对逐步回归分析模型的效果进行检验,将预测的氮素含量与实测值拟合,并观察拟合结果,基于SG平滑一阶微分筛选的5个敏感波长535nm、576nm、633nm、654nm、701nm建立逐步回归分析模型,其实测值与预测值的决定系数R2=0.6866,均方根误差RMSE=0.3188,相对误差RE=10.21%。730,760)、GRVI(550,800)、GNDVI(550,800)建立逐步回归分析模型,其检验结果决定系数R2=0.6270,均方根误差RMSE=0.4891,相对误差RE=13.27%。与传统多元线性回归模型相比,其可以在自变量存在多重相关性的条件下进行,允许样本个数少于变量个数,每一个自变量的回归系数更易解释。偏最小二乘回归适用于当预测矩阵比观测的有更多变量及X的值中有多重共线性时。偏最小二乘法可以克服回归建模中的许多问题,解决一般的最小二乘回归分析方法无法解决的问题。偏最小二乘回归分析目的是将数据集投影到一系列的潜变量tj和uj(j=1,2,…,A),A为潜变量个数,然后再tj和uj之间建立回归方程uj=bjtj+ej,其中ej是误差向量,bj是未知参量,且bj可以通过公式进行估计。其中tj和uj满足两点,一是最大可能包含数据表达X和Y的信息,二是相关程度最大。b^=(tj Ttj)-1tj,设因变量集合为Y=(y1,y2,...,yq),yj∈Rn,自变量集合为X=(x1,x2...xp),xj∈Rn。偏最小二乘回归方法分别在X和Y中线性组合。提取的这两个成分应满足两个要求:一是t1和u1应最大程度携带数据表中的变异信息;二是t1和u1的相关程度最大。提取第一个成分t1和u1后,分别实施对X和Y对t1的回归,若回归方程达到适合的精度,就终止计算;否则用残余信息再次成分提取,直至达到满意的精度。若最终对X共提取m个成分t1,t2,…,tm,那么实施yk(k=1,2,...,q)对t1,t2,…,tm的回归分析,最终还原成与原变量x1,x2,…,xp的相关的yk回归方程。
综上,本发明的实施例提供一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其有益效果:
首先设置多个相同植物的实验组,分别对多个实验组施加不同分量的相同氮肥进行种植,分别记录每个实验组的植物生长状态,种植的过程中记录植物的生长状态,可以每隔一周对植物的生长状态进行记录,一共记录12组数据。然后记录每组数据的同时通过SOC710VP高光谱成像仪获得土壤的DN值,DN值是记录地物的灰度值,但并不是真正的光谱值,必须进行反射率转换,把不可用的DN值转化为可以使用的反射率,利用ENVI软件提取反射率,即选取感兴趣区域(ROI),提取反射率,将经过标准化后的高光谱图像数据加载到ENVI中。同时,光谱数据预处理也是一种可以有效提高光谱准确性和筛选有效光谱信息的重要方法。本研究采用了多元散射校正、SG平滑处理,一阶微分处理。通过处理后的反射率得到土壤的含氮量,根据各个时间段土壤的含氮量与植物在各个时间段的生长状态的关系可以判断出植物生长状态较优时土壤的含氮量,通过得出植物生长过程中所需最佳的土壤含氮量可以在栽培植物时施加对应的氮肥,此方法可以得出较优生长状态的植物,避免了过多施加氮肥不仅浪费资源而且抑制植物生长,从而可以更高效的栽培植物。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,包括以下步骤:
A:设置多个相同植物的实验组,分别对多个实验组施加不同分量的相同氮肥进行种植,分别记录每个实验组的植物生长状态;
B:每个实验组的土壤通过SOC710VP高光谱成像仪对土壤的成像光谱数据进行采集得到DN值,然后将DN值转换成反射率;
C:反射率进行预处理,通过反射率对土壤的含氮量进行判断,获得每个实验组土壤的含氮量;
D:根据每个实验组施加不同量的氮肥,判断土壤的含氮量与植物生长状态的关系。
3.根据权利要求1所述的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,所述步骤B中图像采集过程在暗箱中进行。
4.根据权利要求1所述的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,所述步骤B中对成像光谱数据进行采集时使用双15W卤素灯作为光源。
5.根据权利要求1所述的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,所述步骤B中SOC710VP高光谱成像仪对反射率进行标准化。
6.根据权利要求5所述的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,所述反射率标准化包括几何定标和辐射定标;
所述几何定标:对图像几何特征进行校正,还原真实情况;
所述辐射定标:消除图像数据辐射亮度中的各类失真过程,对遥感图像的辐射度进行校准,实现定量遥感。
8.根据权利要求1所述的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,所述步骤C中对反射率进行多元散射校正。
9.根据权利要求1所述的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,所述步骤C中对反射率进行SG平滑处理。
10.根据权利要求1所述的一种基于高光谱的植物生长状态与土壤含氮量关系的分析方法,其特征在于,所述植物选取茶树。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010583170.2A CN111721738A (zh) | 2020-06-23 | 2020-06-23 | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010583170.2A CN111721738A (zh) | 2020-06-23 | 2020-06-23 | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111721738A true CN111721738A (zh) | 2020-09-29 |
Family
ID=72568442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010583170.2A Pending CN111721738A (zh) | 2020-06-23 | 2020-06-23 | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111721738A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
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 |
CN107421911A (zh) * | 2017-05-10 | 2017-12-01 | 浙江大学 | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 |
US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
CN107907490A (zh) * | 2017-11-02 | 2018-04-13 | 北京师范大学 | 基于室外降雨和室内土壤的土壤侵蚀高光谱反演方法 |
CN108663330A (zh) * | 2018-04-19 | 2018-10-16 | 中国国土资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
-
2020
- 2020-06-23 CN CN202010583170.2A patent/CN111721738A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
CN103884661A (zh) * | 2014-02-21 | 2014-06-25 | 浙江大学 | 基于土壤可见-近红外光谱库的土壤全氮实时检测方法 |
US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
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 |
CN107421911A (zh) * | 2017-05-10 | 2017-12-01 | 浙江大学 | 一种基于便携式近红外光谱仪的土壤氮素检测的预处理方法 |
CN107907490A (zh) * | 2017-11-02 | 2018-04-13 | 北京师范大学 | 基于室外降雨和室内土壤的土壤侵蚀高光谱反演方法 |
CN108663330A (zh) * | 2018-04-19 | 2018-10-16 | 中国国土资源航空物探遥感中心 | 一种基于叶片实测光谱的植被覆盖区土壤铜元素反演方法 |
US20200141877A1 (en) * | 2018-11-06 | 2020-05-07 | Nanjing Agricultural University | Method for estimating aboveground biomass of rice based on multi-spectral images of unmanned aerial vehicle |
CN109187398A (zh) * | 2018-11-08 | 2019-01-11 | 河南省农业科学院植物营养与资源环境研究所 | 一种小麦植株氮含量的高光谱测定方法 |
CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
CN110376138A (zh) * | 2019-08-05 | 2019-10-25 | 北京绿土科技有限公司 | 基于航空高光谱的土地质量监测方法 |
Non-Patent Citations (17)
Title |
---|
Y-J WANG ET AL: "Qualitative and quantitative diagnosis of nitrogen nutrition of tea plants under field condition using hyperspectral imaging coupled with chemometrics", 《J SCI FOOD AGRIC》, 8 October 2019 (2019-10-08), pages 161 - 167 * |
于雷等: "高光谱估算土壤有机质含量的波长变量筛选方法", 《农业工程学报》, vol. 32, no. 13, pages 95 - 102 * |
刘昌华等: "ASD Field Spec3 野外便携式高光谱仪诊断冬小麦氮营养", 《农业工程学报》, vol. 34, no. 19, pages 162 - 169 * |
吴伟斌等: "基于高光谱图像的茶树 LAI 与氮含量反演", 《农业工程学报》 * |
吴伟斌等: "基于高光谱图像的茶树 LAI 与氮含量反演", 《农业工程学报》, vol. 34, no. 3, 28 February 2018 (2018-02-28), pages 195 - 199 * |
孔令华,易定荣编著: "《光谱和光谱影像技术在各学科领域中的应用》", 北京:北京理工大学出版社 , pages: 208 - 211 * |
张 强等: "基于高光谱的土壤全氮含量估测", 《山西农业科学》 * |
张 强等: "基于高光谱的土壤全氮含量估测", 《山西农业科学》, vol. 44, no. 7, 20 July 2016 (2016-07-20), pages 972 - 976 * |
张娟娟等: "基于高光谱的土壤全氮含量估测", 《自然资源学报》 * |
张娟娟等: "基于高光谱的土壤全氮含量估测", 《自然资源学报》, vol. 26, no. 5, 31 May 2011 (2011-05-31), pages 881 - 888 * |
李阳等: "基于可见光近红外光谱的南疆荒漠土壤有机质反演研究", 《土壤通报》, vol. 49, no. 4, pages 767 - 772 * |
潘文超: "基于高光谱遥感的棉田土壤含氮量监测模型研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 * |
潘文超: "基于高光谱遥感的棉田土壤含氮量监测模型研究", 《中国优秀硕士学位论文全文数据库农业科技辑》, 15 March 2012 (2012-03-15), pages 8 - 45 * |
翟清云等: "基于不同土壤质地的小麦叶片氮含量高光谱差异及监测模型构建", 《中国农业科学》 * |
翟清云等: "基于不同土壤质地的小麦叶片氮含量高光谱差异及监测模型构建", 《中国农业科学》, vol. 46, no. 13, 1 July 2013 (2013-07-01), pages 2655 - 2667 * |
胡永光等: "基于可见-近红外光谱技术预测茶鲜叶全氮含量", 《光谱学与光谱分析》 * |
胡永光等: "基于可见-近红外光谱技术预测茶鲜叶全氮含量", 《光谱学与光谱分析》, vol. 28, no. 12, 31 December 2008 (2008-12-31), pages 2821 - 2825 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Virlet et al. | Field Scanalyzer: An automated robotic field phenotyping platform for detailed crop monitoring | |
Liu et al. | Prediction of nitrogen and phosphorus contents in citrus leaves based on hyperspectral imaging | |
Banerjee et al. | High-throughput phenotyping using digital and hyperspectral imaging-derived biomarkers for genotypic nitrogen response | |
Cogdill et al. | Single-kernel maize analysis by near-infrared hyperspectral imaging | |
Li et al. | Modern imaging techniques in plant nutrition analysis: A review | |
Vigneau et al. | Potential of field hyperspectral imaging as a non destructive method to assess leaf nitrogen content in Wheat | |
Corti et al. | Application of a low-cost camera on a UAV to estimate maize nitrogen-related variables | |
CN109916838B (zh) | 一种水稻种子发芽能力的检测方法 | |
CN110874617B (zh) | 一种冬小麦叶片氮含量估算模型的建立方法 | |
CN112345458A (zh) | 一种基于无人机多光谱影像的小麦产量估测方法 | |
Zhang et al. | Spectral technology and multispectral imaging for estimating the photosynthetic pigments and SPAD of the Chinese cabbage based on machine learning | |
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 | |
Wang et al. | Study on starch content detection and visualization of potato based on hyperspectral imaging | |
CN112557393A (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 | |
CN115235997A (zh) | 一种基于卫星高光谱影像的土壤质地反演方法 | |
Somers et al. | A conceptual framework for the simultaneous extraction of sub-pixel spatial extent and spectral characteristics of crops | |
Mishra et al. | A short note on achieving similar performance to deep learning with practical chemometrics | |
Sun et al. | Estimation of biomass and nutritive value of grass and clover mixtures by analyzing spectral and crop height data using chemometric methods | |
Singh et al. | Near-infrared hyperspectral imaging for determination of protein content in barley samples using convolutional neural network | |
Wen et al. | Visualization of chlorophyll content distribution in apple leaves based on hyperspectral imaging technology | |
CN117541835A (zh) | 基于高光谱成像及深度学习的柑橘叶片水分胁迫检测方法及*** | |
Stamford et al. | Remote sensing techniques: hyperspectral imaging and data analysis | |
Yao et al. | Image-based plant nutrient status analysis: An overview | |
Xu et al. | Predicting the dietary fiber content of fresh-cut bamboo shoots using a visible and near-infrared hyperspectral technique | |
CN111721738A (zh) | 基于高光谱的植物生长状态与土壤含氮量关系的分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |