CN112461773A - 一种确定果实膨大期树体叶片氮含量的方法及*** - Google Patents
一种确定果实膨大期树体叶片氮含量的方法及*** Download PDFInfo
- Publication number
- CN112461773A CN112461773A CN202011296053.4A CN202011296053A CN112461773A CN 112461773 A CN112461773 A CN 112461773A CN 202011296053 A CN202011296053 A CN 202011296053A CN 112461773 A CN112461773 A CN 112461773A
- Authority
- CN
- China
- Prior art keywords
- nitrogen content
- leaf
- waveband
- index
- spectral
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 206
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 103
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000003595 spectral effect Effects 0.000 claims abstract description 82
- 238000001228 spectrum Methods 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000001035 drying Methods 0.000 claims description 6
- 210000003462 vein Anatomy 0.000 claims description 5
- 238000007696 Kjeldahl method Methods 0.000 claims description 4
- 238000009841 combustion method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 102000004190 Enzymes Human genes 0.000 claims description 3
- 108090000790 Enzymes Proteins 0.000 claims description 3
- 230000009849 deactivation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000010298 pulverizing process Methods 0.000 claims description 3
- 238000007873 sieving Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 235000020971 citrus fruits Nutrition 0.000 description 12
- 241000207199 Citrus Species 0.000 description 11
- 240000001987 Pyrus communis Species 0.000 description 7
- 235000014443 Pyrus communis Nutrition 0.000 description 7
- 239000000618 nitrogen fertilizer Substances 0.000 description 6
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 5
- 244000144730 Amygdalus persica Species 0.000 description 4
- 235000006040 Prunus persica var persica Nutrition 0.000 description 4
- 230000001066 destructive effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- 230000035764 nutrition Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001850 reproductive effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009105 vegetative growth Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010042674 Swelling Diseases 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000020477 pH reduction Effects 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
-
- 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
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- 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
本发明涉及一种确定果实膨大期树体叶片氮含量的方法,包括:对叶片样本进行光谱采样,得到四组敏感波段光谱值;获取叶片样本的氮含量;根据第一组和第二组的敏感波段光谱值计算第一差值植被指数;根据第三组和第四组的敏感波段光谱值计算第二差值植被指数,根据第一差值植被指数和第二差值植被指数计算初始四波段高光谱指数;根据初始四波段高光谱指数和氮含量绘制初始回归曲线;根据初始回归曲线确定最优四波段高光谱指数;根据最优四波段高光谱指数和氮含量建立最优监测模型;根据最优监测模型计算检测样本中的叶片氮含量。本发明使用波段数少,计算方法简便,能够提高确定果实膨大期树体叶片氮含量的精确性、简便性和高效性。
Description
技术领域
本发明涉及农业植被遥感技术领域,特别是涉及一种确定果实膨大期树体叶片氮含量的方法及***。
背景技术
果树年际生长发育各个物候期中,果实膨大期是树体营养生长和生殖生长的分界点,标志着果树将从营养生长过渡到生殖生长。由于这个时期是当年果树产量和品质形成的重要时期,其生产管理状况好坏可直接影响当年果农的产品经济收益。因此在生产上,农户为了提高产量往往在果实膨大期,盲目、多次过量施用氮肥(俗称“催果肥”),以期获得高产。然而过量的氮肥施用不仅会在一定程度降低产量、果实品质,还会导致土壤活性氮损失增加,引起气候变暖、水体富营养化及土壤酸化等一系列环境污染问题。实时、准确、无损的获取果实膨大期树体叶片氮含量,在此基础上进行适量的氮肥施用管理,是保证果树绿色可持续发展的重要技术手段。
传统的果树叶片氮素营养诊断方法是基于叶色的判别分析或者叶片的化学分析,这两种测定方法有一定的延迟、破坏性采样且需耗费大量的时间、人力和物力。近年来,随着高光谱遥感技术的发展,基于高光谱的植物营养无损诊断逐渐发展起来。目前所建立的诸多果树叶片氮含量的预测模型大多都是用一些样本做化学计量运算,由于高光谱信息量大,采集的数据共线性强,所得到的模型运算量大,运算时间长,应用推广困难。近年来,利用作物敏感波段构建植被指数拟合多种植物生化组分含量已成为现实。其中,应用单波段、两波段和三波段的植被指数法构建水稻、小麦、玉米等大田作物的叶片氮含量已得到广泛应用。但是对果树膨大期叶片氮含量的四波段高光谱指数估算模型还未见报道,同时现有技术中无法实现精确、简便、高效的估算果实膨大期树体叶片氮含量。
发明内容
本发明的目的是提供一种确定果实膨大期树体叶片氮含量的方法及***。能够提高确定果实膨大期树体叶片氮含量的精确性、简便性和高效性。
为实现上述目的,本发明提供了如下方案:
一种确定果实膨大期树体叶片氮含量的方法,包括:
对叶片样本进行光谱采样,得到四组敏感波段光谱值;
获取所述叶片样本的氮含量;
根据第一组和第二组的敏感波段光谱值计算第一差值植被指数;根据第三组和第四组的敏感波段光谱值计算第二差值植被指数,根据所述第一差值植被指数和所述第二差值植被指数计算初始四波段高光谱指数;
根据所述初始四波段高光谱指数和所述氮含量绘制初始回归曲线;
根据所述初始回归曲线确定最优四波段高光谱指数;
根据所述最优四波段高光谱指数和所述氮含量建立最优监测模型;
根据所述最优监测模型计算检测样本中的叶片氮含量。
优选地,对叶片样本进行光谱采样,得到四组敏感波段光谱值,具体包括:
在所述叶片样本中选择N个采样点,N为大于或等于2的正整数;
对所述N个采样点取平均值计算四组敏感波段光谱值。
优选地,所述四组敏感波段光谱值包括:
蓝光的叶片光谱值、绿光的叶片光谱值、红光的叶片光谱值和长波红外的叶片光谱值;其中,所述蓝光的波长为420-440nm、所述绿光的波长为540-560nm、所述蓝光的波长为670-690nm和所述蓝光的波长为710-730nm。
优选地,所述第一差值植被指数、所述第二差值植被指数和所述初始四波段高光谱指数的计算公式具体为:
DVI1=Rgreen-Rblue
其中,DVI1为第一差值植被指数;Rgreen为所述绿光的叶片光谱值;Rblue为所述蓝光的叶片光谱值;
DVI2=Rlnir-Rred
其中,DVI2为第二差值植被指数,Rred为所述红光的叶片光谱值;Rlnir为所述长波红外的叶片光谱值;
mDVI=DVI1×DVI2
其中,mDVI为所述初始四波段高光谱指数。
优选地,获取所述叶片样本的氮含量,包括:
对所述叶片进行杀青烘干,使用杜马仕燃烧法或凯氏定氮法测定氮含量。
优选地,对所述叶片进行杀青烘干后,还包括:
去掉所述叶片的叶脉部分,取叶肉部分粉碎过筛。
优选地,所述初始回归曲线的公式具体为:
y=aln(mDVI)+b
其中,y为所述氮含量,mDVI为所述初始四波段高光谱指数;a为初始回归模型的第一参量;b为初始回归模型的第二参量。
一种确定果实膨大期树体叶片氮含量的***,包括:
光谱采样模块,用于对叶片样本进行光谱采样,得到四组敏感波段光谱值;
氮含量获取模块,用于获取所述叶片样本的氮含量;
初始光谱指数计算模块,用于根据第一组和第二组的敏感波段光谱值计算第一差值植被指数;根据第三组和第四组的敏感波段光谱值计算第二差值植被指数,根据所述第一差值植被指数和所述第二差值植被指数计算初始四波段高光谱指数;
曲线绘制模块,用于根据所述初始四波段高光谱指数和所述氮含量绘制初始回归曲线;
最优指数确定模块,用于根据所述初始回归曲线确定最优四波段高光谱指数;
最优模型建立模块,用于根据所述最优四波段高光谱指数和所述氮含量建立最优监测模型;
检验模块,用于根据所述最优监测模型计算检测样本中的叶片氮含量。
优选地,所述光谱采样模块,具体包括:
采样单元,用于在所述叶片样本中选择N个采样点,N为大于或等于2的正整数。
四组敏感波段光谱值确定单元,用于对所述N个采样点取平均值计算四组敏感波段光谱值。
优选地,所述四组敏感波段光谱值包括:
蓝光的叶片光谱值、绿光的叶片光谱值、红光的叶片光谱值和长波红外的叶片光谱值;其中,所述蓝光的波长为420-440nm、所述绿光的波长为540-560nm、所述蓝光的波长为670-690nm和所述蓝光的波长为710-730nm。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种确定果实膨大期树体叶片氮含量的方法及***,通过采集叶片蓝光、绿光、红光以及长波近红外四组波段的光谱值后,测定氮素含量;将得到的4个波段光谱值两两分组,计算差值植被指数,并定义四波段高光谱指数。将四波段高光谱指数与叶片氮含量做一元对数函数拟合,取决定系数最大和相对误差最小的波段,从而得到一种最优监测模型模型。本发明公开技术方案使用波段数少,计算方法简便,可以快速、无损、廉价地得到果实膨大期树体叶片氮素含量,能够提高确定果实膨大期树体叶片氮含量的精确性、简便性和高效性,为果实膨大期树体氮素营养快速诊断和合理施用氮肥提供依据。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明确定果实膨大期树体叶片氮含量的方法流程图;
图2(a)(b)(c)(d)为本发明叶片光谱与氮含量在不同花期下的相关性分析图;
图3为本发明柑橘叶片核心波段mDVI值与叶片氮含量拟合图;
图4为本发明外部验证集待测柑橘膨大期叶片氮素含量结果图;
图5为本发明建立膨大期叶片氮含量无损监测结果;
图6为本发明建立膨大期叶片氮含量无损监测结果;
图7为本发明确定果实膨大期树体叶片氮含量***结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种确定果实膨大期树体叶片氮含量的方法及***。能够提高估算果实膨大期树体叶片氮含量的精确性、简便性和高效性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明确定果实膨大期树体叶片氮含量的方法及***的方法流程图,如图1所示,包括:
步骤100:对叶片样本进行光谱采样,得到四组敏感波段光谱值。
步骤200:获取所述叶片样本的氮含量。
步骤300:根据第一组和第二组的敏感波段光谱值计算第一差值植被指数;根据第三组和第四组的敏感波段光谱值计算第二差值植被指数,根据所述第一差值植被指数和所述第二差值植被指数计算初始四波段高光谱指数。
步骤400:根据所述初始四波段高光谱指数和所述氮含量绘制初始回归曲线。
步骤500:根据所述初始回归曲线确定最优四波段高光谱指数。
步骤600:根据所述最优四波段高光谱指数和所述氮含量建立最优监测模型。
步骤700:根据所述最优监测模型计算检测样本中的叶片氮含量。
步骤100:对叶片样本进行光谱采样,得到四组敏感波段光谱值,具体包括:
在所述叶片样本中选择N个采样点,N为大于或等于2的正整数。
对所述N个采样点取平均值计算四组敏感波段光谱值。
具体的,步骤100的采集时期为果实膨大期,选定健康的果树当年生成熟春梢中下部叶片样本,使用光谱仪原位采集四组波段的叶片光谱值。
为了方便间隔采样计算,光谱分辨率在5nm以下。
本实施例中所述四组敏感波段光谱值包括:蓝光的叶片光谱值、绿光的叶片光谱值、红光的叶片光谱值和长波红外的叶片光谱值;其中,所述蓝光的波长为420-440nm、所述绿光的波长为540-560nm、所述蓝光的波长为670-690nm和所述蓝光的波长为710-730nm。
本发明所述第一差值植被指数、所述第二差值植被指数和所述初始四波段高光谱指数的计算公式具体为:
DVI1=Rgreen-Rblue
其中,DVI1为第一差值植被指数;Rgreen为所述绿光的叶片光谱值;Rblue为所述蓝光的叶片光谱值。
DVI2=Rlnir-Rred
其中,DVI2为第二差值植被指数,Rred为所述红光的叶片光谱值;Rlnir为所述长波红外的叶片光谱值。
mDVI=DVI1×DVI2
其中,mDVI为所述初始四波段高光谱指数。
步骤200:获取所述叶片样本的氮含量,包括:
对所述叶片进行杀青烘干,使用杜马仕燃烧法或凯氏定氮法测定氮含量。
优选地,对所述叶片进行杀青烘干后,还包括:
去掉所述叶片的叶脉部分,取叶肉部分粉碎过筛。
具体的,步骤200中测定叶片氮含量包含以下关键步骤:
(a)叶片样品烘干后,去掉叶脉部分,只取叶肉部分粉碎过筛(筛子不低于200目)。
(b)无论使用杜马仕燃烧法还是凯氏定氮法,测定时每个样品设置重复3个以上,优选3-4个重复。其中最多每测定40组样品,设置标准样品测定参照,优选20-30组样品设置参照。
可选地,将步骤100中得到的光谱值Rblue和Rgreen分为S1组,同时将Rred及Rlnir分为S2组。每组光谱数据间隔5nm,计算差值植被指数(DVI1=Rgreen-Rblue、DVI2=Rlnir-Rred),定义四波段高光谱指数mDVI=DVI1×DVI2。将mDVI值与叶片氮含量做的y=aln(mDVI)+b的一元对数函数拟合,取决定系数(R2)最大和相对误差(MRE)最小的四个敏感波段,从而得到步骤100所述光谱值相对步骤200所述氮素含量的最优监测模型。
本发明所述初始回归曲线的公式具体为:
y=aln(mDVI)+b
其中,y为所述氮含量,mDVI为所述初始四波段高光谱指数;a为初始回归模型的第一参量;b为初始回归模型的第二参量。
作为一种可选的实施方式,本发明利用柑橘和梨树叶片进行验证,具体步骤为:
(1)果实膨大期叶片因果树类型的不同,采集时间不同。常绿果树柑橘膨大期是指花后70-90天,落叶果树梨果实膨大期是指花后40-60天,具体时间根据品种不同最多有10-20天的差异,果实膨大期果树主要特征是幼果发育完成,当年生春梢停止生长。图2(a)(b)(c)(d)为叶片光谱与氮含量在不同花期下的相关性分析图,如图2(a)(b)(c)(d)所示,柑橘膨大期(花后80天),蓝光。红光波段吸收峰与叶片氮含量呈极显著相关,绿光和长波近红外处反射峰与叶片氮含量呈极显著相关。在膨大期前后10天,即花后70、90天,特征吸收峰和反射与叶片氮含量峰显著性没有明显下降。然而,在花后50、110天时,特征吸收峰和反射峰与叶片氮含量显著性下降明显。因此,将此品种柑橘膨大期果树叶片氮含量无损监测时期定义在花后70-90天。
(2)柑橘膨大期叶片光谱采集。
于果树膨大期,选定健康的柑橘当年生成熟春梢中下部叶片样本,使用光谱仪原位采集四组波段的叶片光谱值。
(3)柑橘叶片干基氮含量测定。
叶片样品烘干后,去掉叶脉部分,只取叶肉部分粉碎过筛(筛子不低于200目),使用杜马仕燃烧法,测定时每个样品设置重复3个。其中最多每测定30组样品,设置标准样品测定参照。
(4)梨树叶片氮素含量无损诊断模型构建。
将蓝光和绿光分为S1组,同时将红光及红外近光分为S2组。每组光谱数据间隔5nm,计算差值植被指数(DVI1=Rgreen-Rblue、DVI2=Rlnir-Rred),定义四波段高光谱指数mDVI=DVI1×DVI2。将mDVI值与叶片氮含量做的一元对数函数拟合,取决定系数(R2)最大和相对误差(MRE)最小的四个敏感波段,从而得到基于四波段高光谱植被指数(mDVI)的柑橘叶片氮含量的无损监测模型。
图3和图4分别为柑橘叶片氮含量无损监测模型建模集和外部验证结果,如图3和图4所示,建模样本量100,R2为0.81,外部验证样本量为80,R2为0.75。
图5和图6分别为桃树和梨树建立膨大期叶片氮含量无损监测结果,可以看出的,对于梨树和桃树,本发明提供的实施例中的监测结果具有准确性,且适于在其他农作物的生产中进行广泛推广。应用本发明方法在梨树、桃树膨大期构建叶片氮含量无损监测模型,梨树建模样本量为92,R2为0.81,桃树叶片样本量为82,R2为0.71,表明本发明方法可适用于一般果树果实膨大期叶片氮含量的无损测定。本发明方法使用波段数少,计算方法简便,可以快速、无损、廉价地得到果实膨大期树体叶片氮素含量,为果实膨大期树体氮素营养快速诊断和合理施用氮肥提供依据。
图7为本发明确定果实膨大期树体叶片氮含量结构图,如图7所示,包括:
光谱采样模块,用于对叶片样本进行光谱采样,得到四组敏感波段光谱值。
氮含量获取模块,用于获取所述叶片样本的氮含量。
初始光谱指数计算模块,用于根据第一组和第二组的敏感波段光谱值计算第一差值植被指数;根据第三组和第四组的敏感波段光谱值计算第二差值植被指数,根据所述第一差值植被指数和所述第二差值植被指数计算初始四波段高光谱指数。
曲线绘制模块,用于根据所述初始四波段高光谱指数和所述氮含量绘制初始回归曲线。
最优指数确定模块,用于根据所述初始回归曲线确定最优四波段高光谱指数。
最优模型建立模块,用于根据所述最优四波段高光谱指数和所述氮含量建立最优监测模型。
检验模块,用于根据所述最优监测模型计算检测样本中的叶片氮含量。
作为一种实施方式,本发明所述光谱采样模块,具体包括:
采样单元,用于在所述叶片样本中选择N个采样点,N为大于或等于2的正整数。
四组敏感波段光谱值确定单元,用于对所述N个采样点取平均值计算四组敏感波段光谱值。
作为一种实施方式,本发明所述四组敏感波段光谱值包括:蓝光的叶片光谱值、绿光的叶片光谱值、红光的叶片光谱值和长波红外的叶片光谱值;其中,所述蓝光的波长为420-440nm、所述绿光的波长为540-560nm、所述蓝光的波长为670-690nm和所述蓝光的波长为710-730nm。
本发明的有益效果如下:
本发明一种确定果实膨大期树体叶片氮含量的方法及***可以快速、无损、简便地得到果实膨大期果树叶片氮含量,为果实膨大期树体叶片氮素快速诊断和合理施用氮肥提供依据,本发明方法不需要化学试剂、光谱波段获取数量少和算法简单。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种确定果实膨大期树体叶片氮含量的方法,其特征在于,包括:
对叶片样本进行光谱采样,得到四组敏感波段光谱值;
获取所述叶片样本的氮含量;
根据第一组和第二组的敏感波段光谱值计算第一差值植被指数;根据第三组和第四组的敏感波段光谱值计算第二差值植被指数,根据所述第一差值植被指数和所述第二差值植被指数计算初始四波段高光谱指数;
根据所述初始四波段高光谱指数和所述氮含量绘制初始回归曲线;
根据所述初始回归曲线确定最优四波段高光谱指数;
根据所述最优四波段高光谱指数和所述氮含量建立最优监测模型;
根据所述最优监测模型计算检测样本中的叶片氮含量。
2.根据权利要求1所述的确定果实膨大期树体叶片氮含量的方法,其特征在于,对叶片样本进行光谱采样,得到四组敏感波段光谱值,具体包括:
在所述叶片样本中选择N个采样点,N为大于或等于2的正整数;
对所述N个采样点取平均值计算四组敏感波段光谱值。
3.根据权利要求1所述的确定果实膨大期树体叶片氮含量的方法,其特征在于,所述四组敏感波段光谱值包括:
蓝光的叶片光谱值、绿光的叶片光谱值、红光的叶片光谱值和长波红外的叶片光谱值;其中,所述蓝光的波长为420-440nm、所述绿光的波长为540-560nm、所述蓝光的波长为670-690nm和所述蓝光的波长为710-730nm。
4.根据权利要求3所述的确定果实膨大期树体叶片氮含量的方法,其特征在于,所述第一差值植被指数、所述第二差值植被指数和所述初始四波段高光谱指数的计算公式具体为:
DVI1=Rgreen-Rblue
其中,DVI1为第一差值植被指数;Rgreen为所述绿光的叶片光谱值;Rblue为所述蓝光的叶片光谱值;
DVI2=Rlnir-Rred
其中,DVI2为第二差值植被指数,Rred为所述红光的叶片光谱值;Rlnir为所述长波红外的叶片光谱值;
mDVI=DVI1×DVI2
其中,mDVI为所述初始四波段高光谱指数。
5.根据权利要求1所述的确定果实膨大期树体叶片氮含量的方法,其特征在于,获取所述叶片样本的氮含量,包括:
对所述叶片进行杀青烘干,使用杜马仕燃烧法或凯氏定氮法测定氮含量。
6.根据权利要求4所述的确定果实膨大期树体叶片氮含量的方法,其特征在于,对所述叶片进行杀青烘干后,还包括:
去掉所述叶片的叶脉部分,取叶肉部分粉碎过筛。
7.根据权利要求1所述的确定果实膨大期树体叶片氮含量的方法,其特征在于,所述初始回归曲线的公式具体为:
y=aln(mDVI)+b
其中,y为所述氮含量,mDVI为所述初始四波段高光谱指数;a为初始回归模型的第一参量;b为初始回归模型的第二参量。
8.一种确定果实膨大期树体叶片氮含量的***,其特征在于,包括:
光谱采样模块,用于对叶片样本进行光谱采样,得到四组敏感波段光谱值;
氮含量获取模块,用于获取所述叶片样本的氮含量;
初始光谱指数计算模块,用于根据第一组和第二组的敏感波段光谱值计算第一差值植被指数;根据第三组和第四组的敏感波段光谱值计算第二差值植被指数,根据所述第一差值植被指数和所述第二差值植被指数计算初始四波段高光谱指数;
曲线绘制模块,用于根据所述初始四波段高光谱指数和所述氮含量绘制初始回归曲线;
最优指数确定模块,用于根据所述初始回归曲线确定最优四波段高光谱指数;
最优模型建立模块,用于根据所述最优四波段高光谱指数和所述氮含量建立最优监测模型;
检验模块,用于根据所述最优监测模型计算检测样本中的叶片氮含量。
9.根据权利要求8所述的确定果实膨大期树体叶片氮含量的***,其特征在于,所述光谱采样模块,具体包括:
采样单元,用于在所述叶片样本中选择N个采样点,N为大于或等于2的正整数;
四组敏感波段光谱值确定单元,用于对所述N个采样点取平均值计算四组敏感波段光谱值。
10.根据权利要求8所述的确定果实膨大期树体叶片氮含量的方法,其特征在于,所述四组敏感波段光谱值包括:
蓝光的叶片光谱值、绿光的叶片光谱值、红光的叶片光谱值和长波红外的叶片光谱值;其中,所述蓝光的波长为420-440nm、所述绿光的波长为540-560nm、所述蓝光的波长为670-690nm和所述蓝光的波长为710-730nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296053.4A CN112461773B (zh) | 2020-11-18 | 2020-11-18 | 一种确定果实膨大期树体叶片氮含量的方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011296053.4A CN112461773B (zh) | 2020-11-18 | 2020-11-18 | 一种确定果实膨大期树体叶片氮含量的方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112461773A true CN112461773A (zh) | 2021-03-09 |
CN112461773B CN112461773B (zh) | 2021-07-06 |
Family
ID=74837217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011296053.4A Active CN112461773B (zh) | 2020-11-18 | 2020-11-18 | 一种确定果实膨大期树体叶片氮含量的方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112461773B (zh) |
Citations (6)
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 |
CN103528965A (zh) * | 2013-08-28 | 2014-01-22 | 南京农业大学 | 一种小麦叶片等效水厚度高光谱监测方法 |
US10386296B1 (en) * | 2017-12-06 | 2019-08-20 | Arable Labs, Inc. | Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
US10609860B1 (en) * | 2016-08-08 | 2020-04-07 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
-
2020
- 2020-11-18 CN CN202011296053.4A patent/CN112461773B/zh active Active
Patent Citations (6)
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 |
CN103528965A (zh) * | 2013-08-28 | 2014-01-22 | 南京农业大学 | 一种小麦叶片等效水厚度高光谱监测方法 |
US10609860B1 (en) * | 2016-08-08 | 2020-04-07 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
US10386296B1 (en) * | 2017-12-06 | 2019-08-20 | Arable Labs, Inc. | Systems and methods for determination and application of nitrogen fertilizer using crop canopy measurements |
CN110160967A (zh) * | 2019-04-16 | 2019-08-23 | 安徽大学 | 一种作物冠层叶片的全氮含量估算方法 |
Non-Patent Citations (1)
Title |
---|
张潇元 等: "不同光谱植被指数反演冬小麦叶氮含量的敏感性研究", 《中国农业科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112461773B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN110160967A (zh) | 一种作物冠层叶片的全氮含量估算方法 | |
CN110567892B (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
CN111855589A (zh) | 水稻叶片氮积累量遥感反演模型和方法 | |
CN110189793B (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
CN103185695A (zh) | 一种基于光谱的烤烟成熟度田间快速判断方法 | |
CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
CN104502283A (zh) | 估测大豆产量和地上部干重的一套两波段高光谱指数和预测模型 | |
CN108732137B (zh) | 基于高光谱遥感数据估算植物物种多样性的模型及方法 | |
CN103528965A (zh) | 一种小麦叶片等效水厚度高光谱监测方法 | |
CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
CN109142238B (zh) | 一种棉花磷素营养快速诊断方法 | |
CN110967300A (zh) | 一种维管植物物种丰富度估测的高光谱遥感方法 | |
CN113552096A (zh) | 一种基于光谱的菠萝叶片氮含量估算方法 | |
CN114169165A (zh) | 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法 | |
CN106203673A (zh) | 考虑水分胁迫的农作物生物量遥感估算方法 | |
CN112461773B (zh) | 一种确定果实膨大期树体叶片氮含量的方法及*** | |
CN103575680A (zh) | 一种评估有机肥质量指标的光谱学方法 | |
Li et al. | Hyper-spectral estimation of soil organic matter in apple orchard based on CWT | |
Shimojo et al. | A leaf area index visualization method using wireless sensor networks | |
CN113640230B (zh) | 一种田间小麦水分利用率快速检测方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |