CN115661601A - 基于ceemdan的农田土壤水分胁迫甄别与监测方法 - Google Patents
基于ceemdan的农田土壤水分胁迫甄别与监测方法 Download PDFInfo
- Publication number
- CN115661601A CN115661601A CN202211402702.3A CN202211402702A CN115661601A CN 115661601 A CN115661601 A CN 115661601A CN 202211402702 A CN202211402702 A CN 202211402702A CN 115661601 A CN115661601 A CN 115661601A
- Authority
- CN
- China
- Prior art keywords
- soil water
- water stress
- ceemdan
- stress
- imf
- 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.)
- Withdrawn
Links
- 239000002689 soil Substances 0.000 title claims abstract description 173
- 208000005156 Dehydration Diseases 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 58
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 28
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000003938 response to stress Effects 0.000 claims abstract description 4
- 241000196324 Embryophyta Species 0.000 claims description 33
- 229930002875 chlorophyll Natural products 0.000 claims description 33
- 235000019804 chlorophyll Nutrition 0.000 claims description 33
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 33
- 230000004044 response Effects 0.000 claims description 28
- 238000001035 drying Methods 0.000 claims description 14
- 238000005303 weighing Methods 0.000 claims description 12
- 238000002310 reflectometry Methods 0.000 claims description 9
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 239000002028 Biomass Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 244000038559 crop plants Species 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000007796 conventional method Methods 0.000 abstract 1
- 230000002349 favourable effect Effects 0.000 abstract 1
- 229910001385 heavy metal Inorganic materials 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 241000209140 Triticum Species 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 210000003462 vein Anatomy 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
- 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
- G01N21/25—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
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- 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
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0098—Plants or trees
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
- G01N2021/1797—Remote sensing in landscape, e.g. crops
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Engineering & Computer Science (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Botany (AREA)
- Wood Science & Technology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,其特征在于:包括步骤遥感影像预处理、NDVI长时间序列构建、CEEMDAN分解、统计性描述指标计算、土壤水分胁迫序列甄别、地面数据实测、构建土壤水分胁迫特征曲线、拟合土壤水分胁迫响应特征曲线和预测土壤水分胁迫程度。本发明采用CEEMDAN分解,解决了以往方法中存在的噪声残留问题以及重构精度不高等问题,分解分量数据的高重构精度更有利于捕捉土壤水分胁迫的瞬时影响,结合实测数据实现对土壤水分胁迫的甄别提取;综合多指标对土壤含水量的影响拟合多指标与土壤含水量的函数模型,结合CEEMDAN算法与遥感技术手段实现大面积农田土壤水分的精准监测。
Description
技术领域
本发明涉及一种农田土壤水分胁迫甄别与监测方法,涉及一种基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,属于遥感技术领域。
背景技术
传统的土壤含水量测量方法包括接触式测量方法和间接测量法,接触式测量方法如时域反射法、电容感应器法等;间接测量法如被动式微波辐射仪、散射仪等。传统方式可以实时测得土壤水分含量,但其只适于实验场地上小尺度的情况。传统方式在进行大尺度测量时费时费力,难以满足大面积监测的需求。近年来遥感技术发展迅猛,遥感数据采集速度快、信息更新频率高,充分体现出其在大面积动态实时监测中的显著优势。其中,光学遥感方法具备高空间分辨率的优势,光学植被指数数据与土壤水分高度相关,是进行土壤水分监测最常用的一种数据。我国国产高分一号卫星突破了高时间分辨率、多光谱与宽覆盖相结合的光学遥感等关键技术,具有16m分辨率的多光谱波段影像,并且重访周期较短,在分辨率和幅宽的综合指标上达到了目前国内外民用光学遥感卫星的领先水平,在相关研究中得到了广泛应用。归一化植被指数(Normalized Difference Vegetation Index,NDVI)定义为近红波段与红光波段的反射率差值除以近红外波段与红光波段的反射率和值,是反映农作物长势的重要参数之一。NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化,增强对植被的响应能力。
自然农田生态***中农作物生长环境的复杂性导致其在生长过程中受土壤水分胁迫、病虫害胁迫、重金属胁迫、土壤肥力胁迫等多源复合胁迫因素的影响,各胁迫因素间具有交互性、伴生性等特征。由遥感影像数据提取出的长时间植被指数序列所表征信息受多源性以及复杂性因素的影响,混叠了多种时间尺度的信息,具有非线性以及非平稳性的特点。在实现特定特征的提取时需要进行处理,特别是具有自适应非线性的信号处理方法,对植被指数序列信号进行分解,提取出表征特定特征的分量。准确地甄别提取出土壤水分胁迫,剔除农作物生长过程中所受病虫害胁迫、重金属胁迫及土壤肥力胁迫等其他胁迫因素的影响是农田土壤水分精准监测的关键所在。集合经验模态分解(Ensemble EmpiricalMode Decomposition,EEMD)算法在经验模态分解(Empirical Mode Decomposition,EMD)算法的基础上进行了改进,能将原始长时间序列数据进行不断分解,获取不同本征模态函数(Intrinsic Mode Function,IMF)分量,最终分解为若干单一频率的序列以及一个残差组分的形式。有学者对逐月降水资料数据进行EEMD算法分解并建立了统计预报模型,实现了黄河中上游区域夏季降水的月预报;另有学者提出了基于时空特征指标的水稻重金属胁迫识别模型,实现了水稻重金属胁迫的监测;部分学者基于EEMD算法对水稻重金属胁迫信号特征进行了甄别,提取结果能较好地反映胁迫信号对水稻重金属胁迫的响应。以往的方法证明了长时间序列数据用于胁迫甄别的可行性以及EEMD算法提取不同时间尺度特征量的优势,但是仍存以下几个方面的缺陷与不足:首先对土壤水分的监测多是基于降水或旱涝灾害数据,没有充分利用遥感影像植被指数数据的优势;而利用遥感植被指数数据进行分解与甄别提取的大都是针对重金属等具有稳定性的长期胁迫信息,对属于短期胁迫组分的土壤水分胁迫却未能实现精准甄别与提取;此外,虽然EEMD算法可以提取不同时间尺度的特征量,但是其分解后的IMF中仍会残留噪声,影响后续特征分量的处理与分析,导致最终的监测精度不高。
自适应噪声完全集合经验模态分解(Complete Ensemble Empirical ModeDecomposition with Adaptive Noise,CEEMDAN)算法对长时间序列进行分解,能够很好解决噪声传递及残留问题,为农田土壤水分胁迫甄别与监测提供了新的思路。
发明内容
发明的目的是提供一种基于CEEMDAN的农田土壤水分胁迫甄别与监测方法。
为解决上述技术问题,本发明采用的技术方案是:
一种基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,包括以下步骤:
步骤1:遥感影像预处理:对N幅遥感影像数据均进行辐射定标、大气校正以及几何校正预处理;
步骤2:NDVI长时间序列构建:基于预处理后的遥感影像数据计算NDVI长时间序列x(n),1≤n≤N:
其中ρNIR(n)为第n幅遥感影像近红外波段的反射率,ρRED(n)为第n幅遥感影像红光波段的反射率,构建自然农田生态***中作物的NDVI长时间序列;
步骤3:CEEMDAN分解:基于CEEMDAN算法对NDVI长时间序列x(n)进行分解,其分解流程如下:
首先在NDVI长时间序列x(n)中添加自适应白噪声Z(m)(n),其中m表示添加噪声的次数,1≤m≤M,得到第一待分解信号:
式中,m=1,2,...,50,εm为第m次加入白噪声的标准差;CEEMDAN分解得到的第一IMF分量为:
第r余项为Sr(n)=Sr-1(n)-IMFr r=1,...,R;
步骤4:统计性描述指标计算:计算第一个至第R IMF分量IMFr,r=1,...,R的统计性描述指标,所述统计性描述指标包括波动周期Pr、均值Mr、方差Vr、方差贡献率Cr和Pearson相关系数PSr,其中,Kr为第r本征模态分量IMFr,r=1,...,R的极值点个数,
步骤5:土壤水分胁迫序列甄别:所述统计性描述指标与土壤水分胁迫的机理分析特征相结合甄别出土壤水分胁迫序列,按照预设条件进行土壤水分胁迫子序列甄别;选择符合短周期土壤水分胁迫特征及甄别条件的IMF分量累加合成为土壤水分胁迫序列;
步骤6:地面数据实测:使用手持式叶绿素测定仪对作物植株叶片进行叶绿素含量测定,称取其鲜生物量FB,采用烘干法在预设杀青温度条件下杀青预定时间后,将温度转为预设烘干温度烘干至恒重,再称取其干生物量DB,计算植株含水量PWC:
称取土壤样本湿重FW,采用烘干法在预设烘干温度下烘干至恒重,再称取其干重DW,计算土壤含水量SMC:
步骤7:构建土壤水分胁迫特征曲线:取土壤水分胁迫序列上包含实测时间t在内的两点n与n+1及对应数值y(n)与y(n+1),拟合实测时间t对应数值,作为实测时间点对应的土壤水分胁迫量Y(t):
Y(t)=(t-n)(y(n+1)-y(n))+y(n) (公式9)
步骤8:拟合土壤水分胁迫响应特征曲线:以土壤水分胁迫量为自变量,以实测叶绿素含量为因变量构建土壤水分胁迫叶绿素响应量指标;以土壤水分胁迫量为自变量,以实测植株含水量为因变量构建土壤水分胁迫植株水分响应量指标;拟合土壤水分胁迫量与叶绿素含量的函数关系以及土壤水分胁迫量与植株含水量的函数关系;
步骤9:预测土壤水分胁迫程度:构建土壤水分胁迫量、土壤水分胁迫叶绿素响应量和土壤水分胁迫植株水分响应量三者多指标与土壤含水量间的模型反演土壤含水量,预测土壤水分胁迫程度。
进一步,所述步骤5甄别出土壤水分胁迫序列的条件为波动周期Pr小于7,均值Mr最小,方差Vr、方差贡献率Cr与Pearson相关系数PSr最大。
进一步,所述步骤5甄别出土壤水分胁迫序列将第一和第二IMF分量IMF1与IMF2累加合成为土壤水分胁迫序列;
进一步,使用二次方曲线拟合叶绿素含量与土壤水分胁迫量的函数关系,使用复合曲线拟合植株含水量与土壤水分胁迫量的函数关系。
更进一步,叶绿素含量与土壤水分胁迫量的函数关系为y=58.241-19.917x-393.742x2;植株含水量与土壤水分胁迫量的函数关系为y=68.121+0.404x。
进一步,所述步骤9中土壤水分胁迫量、土壤水分胁迫叶绿素响应量和土壤水分胁迫植株水分响应量与土壤含水量间的模型为:
SMC=20.58-0.02x1+10-2x2-1.76x3-2×10-3x1x2-0.065x1x3-0.045x2x3-1.83×10- 4x1 2+7.91×10-5x2 2+3.99x3 2
其中,x1代表土壤水分胁迫叶绿素响应量,x2代表土壤水分胁迫植株水分响应量,x3代表土壤水分胁迫量。
采用上述技术方案,本发明的有益效果是:
1.本发明结合CEEMDAN算法与遥感技术手段实现大面积农田土壤水分的精准监测,提升反演精度;
2.采用CEEMDAN分解,具有较好的完备性,解决了传统算法的噪声传递及残留问题;不仅解决了模态混叠问题以及噪声传递问题,还提高了算法的自适应性以及分量数据的重构精度;
3.本发明构建多指标与土壤含水量的拟合函数,涵盖多变量指标对土壤含水量的多方位影响,实现土壤含水量的精准监测。
附图说明
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是本发明的流程图;
图2是本发明的实施例2中的NDVI长时间序列图。
具体实施方式
实施例1:
一种基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,包括以下步骤:
步骤1:遥感影像预处理:对N幅高分一号影像数据均进行辐射定标、大气校正以及几何校正预处理;
步骤2:NDVI长时间序列构建:基于预处理后的高分一号影像数据计算NDVI长时间序列x(n),1≤n≤N:
其中ρNIR(n)为第n幅高分一号影像近红外波段的反射率,ρRED(n)为第n幅高分一号影像红光波段的反射率,构建自然农田生态***中作物的NDVI长时间序列;
步骤3:CEEMDAN分解:基于CEEMDAN算法对NDVI长时间序列x(n)进行分解,其分解流程如下,
首先在NDVI长时间序列x(n)中添加自适应白噪声Z(m)(n),其中m表示添加噪声的次数,一般取10至50,本实施例取50,则第一次添加第m次自适应白噪声后的NDVI长时间序列信号可表示为:
式中,m=1,2,...,50,εm为第m次加入白噪声的标准差。则CEEMDAN分解得到的第一IMF分量为:
表示进行EMD分解得到的IMF分量,EMD分解方法采用郭腾霄等于2013年发表在《红外与激光工程》中“基于EMD的红外遥测光谱信号预处理新方法”所提的方法。第一余项为S1(n)=x(n)-IMF1,在第一余项上叠加白噪声得到新的待分解信号对新的待分解信号再次进行EMD分解,得到IMF分量则CEEMDAN分解得到的第二IMF分量为:
第二余项为S2(n)=S1(n)-IMF2。重复上述流程,得到第一至第RIMF分量IMFr,r=1,...,R,最终余项为:
SR=SR-1(n)-IMFR
步骤4:统计性描述指标计算:计算第一个至第R IMF分量IMFr,r=1,...,R的统计性描述指标,所述统计性描述指标包括波动周期Pr、均值Mr、方差Vr、方差贡献率Cr和Pearson相关系数PSr,其中,Kr为第r本征模态分量IMFr,r=1,...,R的极值点个数,
步骤5:土壤水分胁迫序列甄别:所述统计性描述指标与土壤水分胁迫的机理分析特征相结合甄别出土壤水分胁迫序列,以波动周期Pr小于7,均值Mr最小,方差Vr、方差贡献率Cr与Pearson相关系数PSr最大为条件进行土壤水分胁迫子序列甄别;其中第一和第二IMF分量IMF1与IMF2符合短周期土壤水分胁迫特征及甄别条件,将第一和第二IMF分量IMF1与IMF2累加合成为土壤水分胁迫序列;
步骤6:地面数据实测:使用手持式叶绿素测定仪对作物植株叶片进行叶绿素含量测定,测量时避开植株叶片叶脉及附近位置。使用工兵铲挖取采样点完整作物植株,置于密封袋内带回实验室,将根部杂质处理干净后用吸水纸吸干水分,用0.1g精度的天平称取其鲜生物量FB。采用烘干法在105℃下杀青两小时后,将温度转为80℃烘干至恒重,再称取其干生物量DB,最后计算植株含水量PWC。用工兵铲挖取样本点5至10cm内的土壤,将土壤样本后密封好带回实验室,用0.1g精度的天平称取土壤样本的湿重FW,在105℃的烘箱内将土壤样本烘干至恒重,然后称取其干重DW,最后计算土壤含水量SMC:
步骤7:构建土壤水分胁迫特征曲线:取土壤水分胁迫序列上包含实测时间t在内的两点n与n+1及对应数值y(n)与y(n+1),拟合实测时间t对应数值,作为实测时间点对应的土壤水分胁迫量Y(t):
Y(t)=(t-n)(y(n+1)-y(n))+y(n) (公式10)
步骤8:拟合土壤水分胁迫响应特征曲线:以土壤水分胁迫量为自变量,以实测叶绿素含量为因变量构建土壤水分胁迫叶绿素响应量指标;以土壤水分胁迫量为自变量,以实测植株含水量为因变量构建土壤水分胁迫植株水分响应量指标;拟合土壤水分胁迫量与叶绿素含量的函数关系以及土壤水分胁迫量与植株含水量的函数关系;
步骤9:预测土壤水分胁迫程度:构建土壤水分胁迫量、土壤水分胁迫叶绿素响应量和土壤水分胁迫植株水分响应量三者多指标与土壤含水量间的模型反演土壤含水量,预测土壤水分胁迫程度;
SMC=20.58-0.02x1+10-2x2-1.76x3-2×10-3x1x2-0.065x1x3-0.045x2x3-1.83×10- 4x1 2+7.91×10-5x2 2+3.99x3 2
其中,x1代表土壤水分胁迫叶绿素响应量,x2代表土壤水分胁迫植株水分响应量,x3代表土壤水分胁迫量。
本实施例使用二次方曲线拟合叶绿素含量与土壤水分胁迫量的函数关系,使用复合曲线拟合植株含水量与土壤水分胁迫量的函数关系。叶绿素含量与土壤水分胁迫量的的函数关系为y=58.241-19.917x-393.742x2;植株含水量与土壤水分胁迫量的函数关系为y=68.121+0.404x。拟合结果表明土壤水分胁迫叶绿素响应量指标以及土壤水分胁迫植株水分响应量指标可以有效反映冬小麦叶片叶绿素含量以及植株含水量对土壤水分胁迫的响应程度。
本实施例基于高分一号遥感影像对冬小麦进行NDVI长时间序列构建,对所构建的长时间序列进行CEEMDAN分解得到各IMF分量,计算各分量的波动周期、均值、方差、方差贡献率以及Pearson相关系数等统计性描述指标。于冬小麦不同生育期进行地面数据实测,测定植株叶片叶绿素含量、植株含水量、土壤含水量数据,获取自然农田生态***下地面多指标真实值。结合各IMF分量的统计性描述指标进行对比分析,甄别提取出土壤水分胁迫子序列,然后将甄别出的土壤水分胁迫子序列进行合成获得土壤水分胁迫序列。结合土壤水分胁迫数据与地面实测数据构建土壤水分胁迫叶绿素响应量指标以及土壤水分胁迫植株水分响应量指标,最终构建多指标反演模型实现土壤水分的精准监测。
本实施例使用CEEMDAN分解的重构精度达到了100%,表示将分解后的各个分量IMFr相加能够获得原始数据的性质,CEEMDAN分解只产生唯一的IMF余项,有效地解决了白噪声从高频到低频的转移传递问题,充分展示出算法分解数据重构的完备性,体现了CEEMDAN分解的优势。CEEMDAN减少了白噪声对原始数据的干扰,保留原始数据的细节信息,使用CEEMDAN算法能更好的捕捉属于短期胁迫组分的土壤水分胁迫的瞬时影响,有利于土壤水分胁迫的准确甄别提取及后续土壤含水量反演精度的提升。
农作物受到土壤水分胁迫后,存在可见光波段高反射率,近红外波段低反射率现象,导致NDVI值下降明显。土壤水分胁迫属于短期胁迫,波动周期较短;胁迫持续时间短,则表征短期胁迫的分量数据与原始数据的相关性较之表征长期胁迫的分量更大些。第一和第二IMF分量IMF1与IMF2的波动周期小于7个月(冬小麦生长周期)、均值最低、方差与方差贡献率最大且二者与原始数据的Pearson相关系数最大,判定第一至和第二IMF分量IMF1与IMF2为土壤水分胁迫子系列。将第一至和第二IMF分量IMF1与IMF2进行合成,表征冬小麦生长周期内受到的土壤水分胁迫的影响。表1为本实施例的各IMF统计性描述。
表1
Claims (6)
1.一种基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,包括以下步骤:
一种基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,包括以下步骤:
步骤1:遥感影像预处理:对N幅遥感影像数据均进行辐射定标、大气校正以及几何校正预处理;
步骤2:NDVI长时间序列构建:基于预处理后的遥感影像数据计算NDVI长时间序列x(n),1≤n≤N:
其中ρNIR(n)为第n幅遥感影像近红外波段的反射率,ρRED(n)为第n幅遥感影像红光波段的反射率,构建自然农田生态***中作物的NDVI长时间序列;
步骤3:CEEMDAN分解:基于CEEMDAN算法对NDVI长时间序列x(n)进行分解,其分解流程如下:
首先在NDVI长时间序列x(n)中添加自适应白噪声Z(m)(n),其中m表示添加噪声的次数,1≤m≤M,得到第一待分解信号:
式中,m=1,2,...,50,εm为第m次加入白噪声的标准差;CEEMDAN分解得到的第一IMF分量为:
第r余项为Sr(n)=Sr-1(n)-IMFr r=1,...,R;
步骤4:统计性描述指标计算:计算第一个至第R IMF分量IMFr,r=1,...,R的统计性描述指标,所述统计性描述指标包括波动周期Pr、均值Mr、方差Vr、方差贡献率Cr和Pearson相关系数PSr,其中,Kr为第r本征模态分量IMFr,r=1,...,R的极值点个数,
步骤5:土壤水分胁迫序列甄别:所述统计性描述指标与土壤水分胁迫的机理分析特征相结合甄别出土壤水分胁迫序列,按照预设条件进行土壤水分胁迫子序列甄别;选择符合短周期土壤水分胁迫特征及甄别条件的IMF分量累加合成为土壤水分胁迫序列;
步骤6:地面数据实测:使用手持式叶绿素测定仪对作物植株叶片进行叶绿素含量测定,称取作物植株鲜生物量FB,采用烘干法在预设杀青温度条件下杀青预定时间后,将温度转为预设烘干温度烘干至恒重,再称取其干生物量DB,计算植株含水量PWC:
称取土壤样本湿重FW,采用烘干法在预设烘干温度下烘干至恒重,再称取其干重DW,计算土壤含水量SMC:
步骤7:构建土壤水分胁迫特征曲线:取土壤水分胁迫序列上包含实测时间t在内的两点n与n+1及对应数值y(n)与y(n+1),拟合实测时间t对应数值,作为实测时间点对应的土壤水分胁迫量Y(t):
Y(t)=(t-n)(y(n+1)-y(n))+y(n) (公式9)
步骤8:拟合土壤水分胁迫响应特征曲线:以土壤水分胁迫量为自变量,以实测叶绿素含量为因变量构建土壤水分胁迫叶绿素响应量指标;以土壤水分胁迫量为自变量,以实测植株含水量为因变量构建土壤水分胁迫植株水分响应量指标;拟合土壤水分胁迫量与叶绿素含量的函数关系以及土壤水分胁迫量与植株含水量的函数关系;
步骤9:预测土壤水分胁迫程度:构建土壤水分胁迫量、土壤水分胁迫叶绿素响应量和土壤水分胁迫植株水分响应量三者多指标与土壤含水量间的模型反演土壤含水量,预测土壤水分胁迫程度。
2.根据权利要求1所述的基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,其特征在于:所述步骤5甄别出土壤水分胁迫序列的条件为波动周期Pr小于7,均值Mr最小,方差Vr、方差贡献率Cr与Pearson相关系数PSr最大。
4.根据权利要求1所述的基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,其特征在于:所述步骤8中使用二次方曲线拟合叶绿素含量与土壤水分胁迫量的函数关系,使用复合曲线拟合植株含水量与土壤水分胁迫量的函数关系。
5.根据权利要求4所述的基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,其特征在于:所述步骤8中叶绿素含量与土壤水分胁迫量的函数关系为y=58.241-19.917x-393.742x2;植株含水量与土壤水分胁迫量的函数关系为y=68.121+0.404x。
6.根据权利要求2所述的基于CEEMDAN的农田土壤水分胁迫甄别与监测方法,其特征在于:所述步骤9中土壤水分胁迫量、土壤水分胁迫叶绿素响应量和土壤水分胁迫植株水分响应量与土壤含水量间的模型为:
SMC=20.58-0.02x1+10-2x2-1.76x3-2×10-3x1x2-0.065x1x3-0.045x2x3-1.83×10-4x1 2+7.91×10-5x2 2+3.99x3 2
其中,x1代表土壤水分胁迫叶绿素响应量,x2代表土壤水分胁迫植株水分响应量,x3代表土壤水分胁迫量。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402702.3A CN115661601A (zh) | 2022-11-10 | 2022-11-10 | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
PCT/CN2023/078316 WO2024098587A1 (zh) | 2022-11-10 | 2023-02-27 | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
US18/143,849 US20240167947A1 (en) | 2022-11-10 | 2023-05-05 | CEEMDAN-based method for screening and monitoring soil moisture stress in agricultural fields |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211402702.3A CN115661601A (zh) | 2022-11-10 | 2022-11-10 | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661601A true CN115661601A (zh) | 2023-01-31 |
Family
ID=85015413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211402702.3A Withdrawn CN115661601A (zh) | 2022-11-10 | 2022-11-10 | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240167947A1 (zh) |
CN (1) | CN115661601A (zh) |
WO (1) | WO2024098587A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098587A1 (zh) * | 2022-11-10 | 2024-05-16 | 北华航天工业学院 | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11985925B2 (en) * | 2017-08-22 | 2024-05-21 | Sentek Pty Ltd. | Method of determination of water stress in a one or more plants in a crop located in the region of a soil moisture sensor array and knowledge of ETo |
CN110322032A (zh) * | 2019-04-17 | 2019-10-11 | 四川大学 | 一种基于ceemdan的金融时间序列组合预测方法 |
CN112506663A (zh) * | 2020-12-17 | 2021-03-16 | 华南理工大学 | 基于去噪和误差修正的云服务器cpu负载预测方法、***和介质 |
CN113111799B (zh) * | 2021-04-19 | 2024-01-30 | 北华航天工业学院 | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 |
CN114676636B (zh) * | 2022-04-01 | 2023-08-29 | 自然资源部国土卫星遥感应用中心 | 一种综合植被和生境特征的草原区土壤水分快速反演方法 |
CN115661601A (zh) * | 2022-11-10 | 2023-01-31 | 北华航天工业学院 | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
-
2022
- 2022-11-10 CN CN202211402702.3A patent/CN115661601A/zh not_active Withdrawn
-
2023
- 2023-02-27 WO PCT/CN2023/078316 patent/WO2024098587A1/zh unknown
- 2023-05-05 US US18/143,849 patent/US20240167947A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024098587A1 (zh) * | 2022-11-10 | 2024-05-16 | 北华航天工业学院 | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 |
Also Published As
Publication number | Publication date |
---|---|
US20240167947A1 (en) | 2024-05-23 |
WO2024098587A1 (zh) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104266982B (zh) | 一种大面积虫害量化监测*** | |
He et al. | Estimating the aboveground dry biomass of grass by assimilation of retrieved LAI into a crop growth model | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
CN105608293A (zh) | 融合光谱与纹理特征的森林地上生物量反演方法及*** | |
CN102073869A (zh) | 基于点位数据和遥感影像数据的区域耕地质量监测方法 | |
CN107607486B (zh) | 一种土壤全氮检测方法及装置 | |
Zhang et al. | Estimating wheat yield by integrating the WheatGrow and PROSAIL models | |
CN103345707A (zh) | 一种基于多源遥感数据的农作物成熟期遥感预测方法 | |
CN116665073A (zh) | 一种基于多源数据的玉米产量遥感估测方法 | |
WO2018107245A1 (en) | Detection of environmental conditions | |
CN113111799B (zh) | 一种基于集合经验模态分解的耕地土壤肥力水平监测方法 | |
CN110836870B (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
CN106485345A (zh) | 棉花全生育期冠层spad值遥感估算及估算模型构建方法 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN111044516A (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN114782834A (zh) | 基于比值法的农田土壤水分反演方法及*** | |
Clevers et al. | Imaging spectrometry for agricultural applications | |
CN115661601A (zh) | 基于ceemdan的农田土壤水分胁迫甄别与监测方法 | |
CN115375036A (zh) | 遥感、光能利用率模型与气象融合的作物成熟期预测方法 | |
LU506698B1 (en) | Method for discriminating heavy metal stress on soil on the basis of long-time-series ndvi | |
CN113534083B (zh) | 基于sar的玉米留茬方式识别方法、装置和介质 | |
Cheng et al. | Improving soil available nutrient estimation by integrating modified WOFOST model and time-series earth observations | |
Krishnan et al. | Semi-empirical SAR vegetation index for crop discrimination based on biomass in semi-arid region: a case study in Perambalur district, India | |
CN111579565B (zh) | 农业干旱监测方法、***及存储介质 | |
CN116611352A (zh) | 极轨卫星地表温度时间可比性校正通用方法与*** |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230131 |
|
WW01 | Invention patent application withdrawn after publication |