CN117274915A - 一种监测水稻冠层氮含量的数据计算方法及*** - Google Patents
一种监测水稻冠层氮含量的数据计算方法及*** Download PDFInfo
- Publication number
- CN117274915A CN117274915A CN202311541874.3A CN202311541874A CN117274915A CN 117274915 A CN117274915 A CN 117274915A CN 202311541874 A CN202311541874 A CN 202311541874A CN 117274915 A CN117274915 A CN 117274915A
- Authority
- CN
- China
- Prior art keywords
- matrix
- cross
- spad
- value
- spectrum
- 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 160
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 84
- 235000009566 rice Nutrition 0.000 title claims abstract description 84
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 80
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 title claims abstract description 29
- 240000007594 Oryza sativa Species 0.000 title 1
- 239000011159 matrix material Substances 0.000 claims abstract description 203
- 238000001228 spectrum Methods 0.000 claims abstract description 101
- 241000209094 Oryza Species 0.000 claims abstract description 83
- 238000005070 sampling Methods 0.000 claims abstract description 77
- 239000000618 nitrogen fertilizer Substances 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 29
- 238000004132 cross linking Methods 0.000 claims description 25
- 230000012010 growth Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 18
- 241000196324 Embryophyta Species 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 14
- 239000002689 soil Substances 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000012271 agricultural production Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 14
- 230000003595 spectral effect Effects 0.000 description 12
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 6
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 6
- 210000003763 chloroplast Anatomy 0.000 description 6
- 239000002366 mineral element Substances 0.000 description 6
- 229910052698 phosphorus Inorganic materials 0.000 description 6
- 239000011574 phosphorus Substances 0.000 description 6
- 239000011591 potassium Substances 0.000 description 6
- 229910052700 potassium Inorganic materials 0.000 description 6
- 235000019804 chlorophyll Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 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 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 101000822633 Pseudomonas sp 3-succinoylsemialdehyde-pyridine dehydrogenase Proteins 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种监测水稻冠层氮含量的数据计算方法及***,属于数据处理、自动控制识别的领域,通过对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。有助于提高农业生产效率并扩大规模,同时可以有效防止氮肥滥用造成的浪费和土壤结构破坏。
Description
技术领域
本发明属于数据处理、自动控制识别的领域,具体涉及一种监测水稻冠层氮含量的数据计算方法及***。
背景技术
如何控制氮肥的合理施用是水稻增产增收的长期技术难题,氮肥施用不当不仅会导致水稻分蘖期植株过分生长、成熟期倒伏、产量降低,还将会对农田土壤及周边环境造成污染,破坏土壤养分结构。SPAD是一个叶绿素(Chlorophyl)相对含量读数,反映了植物的健康程度。通过水稻冠层光谱数据提取的GNDVI可以较好地表征水稻氮素含量,较其他光谱指数更为合适。水稻是南方地区的重要粮食作物之一,近年来该地区优质杂交稻的推广取得了长足的进步,但是仍然存在繁制种产量不高不稳、栽培配套技术不完善等瓶颈问题,南方地区土壤较为缺少氮元素,也是制约水稻增产的客观因素。在公开号为CN113063739A的专利文献中提供的一种基于机载高光谱传感器的水稻冠层氮含量监测方法,虽然可利用近低空无人机高光谱遥感等方式监测水稻冠层氮含量,获得水稻冠层氮含量长时序分布变化结果,但是准确率不高,不足以在时间和空间上监测水稻冠层氮含量,更不能对氮含量的施肥进行优化分配。
发明内容
本发明的目的在于提出一种监测水稻冠层氮含量的数据计算方法及***,以解决现有技术中所存在的一个或多个技术问题,至少提供一种有益的选择或创造条件。
本发明提供了一种监测水稻冠层氮含量的数据计算方法及***,对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。
为了实现上述目的,根据本发明的一方面,提供一种监测水稻冠层氮含量的数据计算方法,所述方法包括以下步骤:
对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;
于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;
根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;
以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。
进一步地,在进行矩阵化采样的过程中,设定在水稻农田上选取待监测区域,将待监测区域划分成多个采样方格组成的方阵,从每个方格中进行SPAD值与光谱指数的提取,以各方格对应的SPAD值组成SPAD值矩阵,以各方格对应的光谱指数组成光谱指数矩阵。在一些实施例中,每个方格的中心点之间互相距离均等,待监测区域划分成多个采样方格组成的方阵中行数目等于列数目,在每个方格的中心点处获取SPAD值的数据与光谱指数的数据来构建SPAD值矩阵与光谱指数矩阵,于多个采样时刻分别从各方格进行SPAD值与光谱指数的提取,从而得到各采样时刻对应的SPAD值矩阵与光谱指数矩阵。
进一步地,调用通过无人机搭载多光谱传感器采集到的田间水稻冠层的多光谱图像,通过多光谱影像分析技术求得光谱指数。在一些实施例中,所述光谱指数可包括DVI、RVI、GNDVI、NDVI等植被指数的数据,可优选地,可选用GNDVI的数据作为所述光谱指数的数值,或者,若不选用GNDVI的数据,则需要先对各光谱指数矩阵分别在每个光谱指数矩阵中对各行列位置的数值进行归一化处理,可选用mean-max归一化算法进行归一化。
进一步地,在进行矩阵化采样的方格中选取植株利用SPAD仪器进行叶片SPAD值测定。
进一步地,根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵的方法为:
SPAD值矩阵与光谱指数矩阵上各行列的位置始终与待监测区域上的位置保持一致;
令各采样时刻对应的SPAD值矩阵按时间先后顺序排列,对各SPAD值矩阵分别在每个SPAD值矩阵中对各行列位置的数值进行归一化处理后,将归一化处理后的各SPAD值矩阵按采样时刻的顺序进行连续的叉乘得到SPAD交叉矩阵;
在一些实施例中,第一个采样时刻对应的SPAD值矩阵叉乘第二个采样时刻对应的SPAD值矩阵后,以第一个采样时刻对应的SPAD值矩阵叉乘第二个采样时刻对应的SPAD值矩阵所得的矩阵作为第一叉乘SPAD值矩阵,继续将第一叉乘SPAD值矩阵与第三个采样时刻对应的SPAD值矩阵,然后继续叉乘直到最后一个采样时刻对应的SPAD值矩阵得到的结果作为所述SPAD交叉矩阵,叶绿素含量与SPAD值高度相关,SPAD值与叶子中的氮含量成比例增长,SAPD指数越高代表此植株越健康,由于稻田上各处的SPAD值是与叶绿体线性相关的,而叶绿体的生长不是孤立的,稻田上一个局部区域的氮磷钾等矿物元素的含量会使得这一片的植株的叶绿体生长对比周边部分的植株较为繁盛,从而影响SPAD值在矩阵上的数值分布状态,使用SPAD值矩阵按时间先后顺序连续叉乘,在叉乘的过程中需要结合相邻两采样时刻之间的SPAD值矩阵的行列元素的数值相互交叉结合,更好地在线性关系上提取了稻田上一个局部区域的氮磷钾等矿物元素的含量的交叉分布趋势,从而有助于水稻冠层氮含量的在空间上的特征监测监测水稻冠层氮含量的准确率;
令各采样时刻对应的光谱指数矩阵按时间先后顺序排列,对各光谱指数矩阵分别在每个光谱指数矩阵中对各行列位置的数值进行归一化处理后,将归一化处理后的各光谱指数矩阵按采样时刻的顺序进行连续的点乘得到光谱连协矩阵;
在一些实施例中,将归一化处理后的各光谱指数矩阵按采样时刻的顺序进行连续的点乘得到的哈达玛积作为所述光谱连协矩阵,若选用了GNDVI的数据,则不需要对各光谱指数矩阵分别在每个光谱指数矩阵中对各行列位置的数值进行归一化处理,由于稻田上一个局部区域的光谱指数是根据该点的植被生长随时间变化而波动的,所以对各光谱指数矩阵点对点进行的点乘更有利于提取出某一点在各采样时刻连续的时间分布上植被生长的持续的概率趋势,这样更有利于监测某一时刻氮磷钾等矿物元素的含量的骤然缺失对整个时间维度上的波动影响,有助于水稻冠层氮含量的在时间上的特征监测,单一使用光谱指数不足以在数学统计上直接指向氮含量在植株生厂上的影响关系,但是结合SPAD值与GNDVI数据则会间接有助于修正SPAD交叉矩阵在时间上的特征监测的短板,有助于提高准确性;
将所述SPAD交叉矩阵的对角线上的元素的数值的累加和作为SPAD交叉值,SPAD交叉矩阵的各行列位置上的数值与所述SPAD交叉值的比值作为该行列位置对应的交叉特征,再将该行列位置对应的交叉特征与光谱连协矩阵上同样行列位置的数值相乘之积的绝对值的平方根,作为待监测区域上同样行列位置对应的交叉连协值,以各行列位置对应的交叉连协值组成的矩阵为所述交叉连协网格;
值得注意的是,在实验计算过程中发现,SPAD交叉矩阵的元素数值在经历了连续的叉乘后变得数值特别大,这样不利于后续对氮含量影响植株生长概率的运算,曾试过用寻常的均值化归一方法对SPAD交叉矩阵的元素数值进行归一化,但是发现效果并不好,会使得归一化后的SPAD交叉矩阵数值分布近乎正态分布,在进行特征工程的灵敏度分析过程中又发现了SPAD交叉矩阵的对角线上的元素的数值分布具有明显的突出特征,SPAD交叉矩阵的各行列位置上的数值与所述SPAD交叉值的比值不仅可以令数值得到很好的压缩,而且可以很好地表现还原出水稻冠层氮含量的在空间上的数据概率分布特征,如果直接使用同样行列位置对应的交叉特征与光谱连协矩阵上同样行列位置的数值相乘之积的话会发现这个乘积地数值很小,由于交叉特征与光谱连协矩阵上的数值为非负地统计概率较大,所以使用各行列位置对应的交叉特征与光谱连协矩阵上同样行列位置的数值相乘之积的绝对值的平方根,作为待监测区域上同样行列位置对应的交叉连协值,所述交叉连协网格地每一个格子中包含了一个行列位置的交叉连协值,同时对应了待监测区域上的位置,交叉连协值越高代表该位置的植株生长越好越不缺氮元素,如此有助于反演水稻冠层氮含量,帮助提高农业生产效率并扩大规模,同时可以有效防止氮肥滥用造成的浪费和土壤结构破坏。
进一步地,根据交叉连协网格中各位置的交叉连协值,优化调配待监测区域上各位置的氮肥使用比例,具体方法为:可优选地,将交叉连协网格中各位置的交叉连协值中的最大值与交叉连协网格中各位置的交叉连协值的中位数两者之间的算数平均数作为阈值,将交叉连协网格中交叉连协值数值小于所述阈值的位置记为生长弱势位置,将生长弱势位置的交叉连协值与所述阈值的差的绝对值再除以所述阈值得到的比值作为优化比例,将所述标准用量乘以优化比例后所得的氮肥用量作为弥补用量,弥补用量用于对生长弱势位置上再施以弥补用量的氮肥。这样有助于提高农业生产效率并扩大规模,同时可以有效防止氮肥滥用造成的浪费和土壤结构破坏。
进一步地,根据交叉连协网格中各位置的交叉连协值,计算进行异常识别,具体方法为:选定交叉连协网格中各位置的交叉连协值中的中位数作为临界值,统计交叉连协网格的各位置中交叉连协值小于所述临界值的比重作为弱势比重,当弱势比重大于1/2则判断待监测区域的植株处于缺乏氮元素的异常状态,并发送预警信号。
本发明还提供了一种监测水稻冠层氮含量的数据计算***,所述一种监测水稻冠层氮含量的数据计算***包括:处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种监测水稻冠层氮含量的数据计算方法中的步骤,所述一种监测水稻冠层氮含量的数据计算***可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中,可运行的***可包括,但不仅限于,处理器、存储器、服务器集群,所述处理器执行所述计算机程序运行在以下***的单元中:
采样单元,用于对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;
获取单元,用于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;
计算单元,用于根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;
反演单元,用于以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。
本发明的有益效果为:本发明提供了一种监测水稻冠层氮含量的数据计算方法及***,对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。有助于提高农业生产效率并扩大规模,同时可以有效防止氮肥滥用造成的浪费和土壤结构破坏。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本发明的上述以及其他特征将更加明显,本发明附图中相同的参考标号表示相同或相似的元素,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的前提下,还可以根据这些附图获得其他的附图,在附图中:
图1所示为一种监测水稻冠层氮含量的数据计算方法的流程图;
图2所示为一种监测水稻冠层氮含量的数据计算***的***结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
如图1所示为根据本发明的一种监测水稻冠层氮含量的数据计算方法的流程图,下面结合图1来阐述根据本发明的实施方式的一种监测水稻冠层氮含量的数据计算方法及***。
本发明提出一种监测水稻冠层氮含量的数据计算方法,所述方法具体包括以下步骤:
对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;
于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;
根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;
以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。
进一步地,在进行矩阵化采样的过程中,设定在水稻农田上选取待监测区域,将待监测区域划分成多个采样方格组成的方阵,从每个方格中进行SPAD值与光谱指数的提取,以各方格对应的SPAD值组成SPAD值矩阵,以各方格对应的光谱指数组成光谱指数矩阵。在一些实施例中,每个方格的中心点之间互相距离均等,待监测区域划分成多个采样方格组成的方阵中行数目等于列数目,例如,在实验过程中可以将9亩地的水稻田划分成9个方格组成的方阵,每个方格对应一亩地,在每个方格的中心点处获取SPAD值的数据与光谱指数的数据来构建SPAD值矩阵与光谱指数矩阵,于多个采样时刻分别从各方格进行SPAD值与光谱指数的提取,从而得到各采样时刻对应的SPAD值矩阵与光谱指数矩阵。
进一步地,调用通过无人机搭载多光谱传感器采集到的田间水稻冠层的多光谱图像,通过多光谱影像分析技术求得光谱指数。在一些实施例中,所述光谱指数可包括DVI、RVI、GNDVI、NDVI等植被指数的数据,可优选地,可选用GNDVI的数据作为所述光谱指数的数值,或者,若不选用GNDVI的数据,则需要先对各光谱指数矩阵分别在每个光谱指数矩阵中对各行列位置的数值进行归一化处理,可选用mean-max归一化算法进行归一化。
进一步地,在进行矩阵化采样的方格中选取植株利用SPAD仪器进行叶片SPAD值测定。
进一步地,根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵的方法为:
SPAD值矩阵与光谱指数矩阵上各行列的位置始终与待监测区域上的位置保持一致;
令各采样时刻对应的SPAD值矩阵按时间先后顺序排列,对各SPAD值矩阵分别在每个SPAD值矩阵中对各行列位置的数值进行归一化处理后,将归一化处理后的各SPAD值矩阵按采样时刻的顺序进行连续的叉乘得到SPAD交叉矩阵;
在一些实施例中,第一个采样时刻对应的SPAD值矩阵叉乘第二个采样时刻对应的SPAD值矩阵后,以第一个采样时刻对应的SPAD值矩阵叉乘第二个采样时刻对应的SPAD值矩阵所得的矩阵作为第一叉乘SPAD值矩阵,继续将第一叉乘SPAD值矩阵与第三个采样时刻对应的SPAD值矩阵,然后继续叉乘直到最后一个采样时刻对应的SPAD值矩阵得到的结果作为所述SPAD交叉矩阵,叶绿素含量与SPAD值高度相关,SPAD值与叶子中的氮含量成比例增长,SAPD指数越高代表此植株越健康,由于稻田上各处的SPAD值是与叶绿体线性相关的,而叶绿体的生长不是孤立的,稻田上一个局部区域的氮磷钾等矿物元素的含量会使得这一片的植株的叶绿体生长对比周边部分的植株较为繁盛,从而影响SPAD值在矩阵上的数值分布状态,使用SPAD值矩阵按时间先后顺序连续叉乘,在叉乘的过程中需要结合相邻两采样时刻之间的SPAD值矩阵的行列元素的数值相互交叉结合,更好地在线性关系上提取了稻田上一个局部区域的氮磷钾等矿物元素的含量的交叉分布趋势,从而有助于水稻冠层氮含量的在空间上的特征监测监测水稻冠层氮含量的准确率;
令各采样时刻对应的光谱指数矩阵按时间先后顺序排列,对各光谱指数矩阵分别在每个光谱指数矩阵中对各行列位置的数值进行归一化处理后,将归一化处理后的各光谱指数矩阵按采样时刻的顺序进行连续的点乘得到光谱连协矩阵;
在一些实施例中,将归一化处理后的各光谱指数矩阵按采样时刻的顺序进行连续的点乘得到的哈达玛积作为所述光谱连协矩阵,若选用了GNDVI的数据,则不需要对各光谱指数矩阵分别在每个光谱指数矩阵中对各行列位置的数值进行归一化处理,由于稻田上一个局部区域的光谱指数是根据该点的植被生长随时间变化而波动的,所以对各光谱指数矩阵点对点进行的点乘更有利于提取出某一点在各采样时刻连续的时间分布上植被生长的持续的概率趋势,这样更有利于监测某一时刻氮磷钾等矿物元素的含量的骤然缺失对整个时间维度上的波动影响,有助于水稻冠层氮含量的在时间上的特征监测,单一使用光谱指数不足以在数学统计上直接指向氮含量在植株生厂上的影响关系,但是结合SPAD值与GNDVI数据则会间接有助于修正SPAD交叉矩阵在时间上的特征监测的短板,有助于提高准确性;
将所述SPAD交叉矩阵的对角线上的元素的数值的累加和作为SPAD交叉值,SPAD交叉矩阵的各行列位置上的数值与所述SPAD交叉值的比值作为该行列位置对应的交叉特征,再将该行列位置对应的交叉特征与光谱连协矩阵上同样行列位置的数值相乘之积的绝对值的平方根,作为待监测区域上同样行列位置对应的交叉连协值,以各行列位置对应的交叉连协值组成的矩阵为所述交叉连协网格;
值得注意的是,在实验计算过程中发现,SPAD交叉矩阵的元素数值在经历了连续的叉乘后变得数值特别大,这样不利于后续对氮含量影响植株生长概率的运算,曾试过用寻常的均值化归一方法对SPAD交叉矩阵的元素数值进行归一化,但是发现效果并不好,会使得归一化后的SPAD交叉矩阵数值分布近乎正态分布,在进行特征工程的灵敏度分析过程中又发现了SPAD交叉矩阵的对角线上的元素的数值分布具有明显的突出特征,SPAD交叉矩阵的各行列位置上的数值与所述SPAD交叉值的比值不仅可以令数值得到很好的压缩,而且可以很好地表现还原出水稻冠层氮含量的在空间上的数据概率分布特征,如果直接使用同样行列位置对应的交叉特征与光谱连协矩阵上同样行列位置的数值相乘之积的话会发现这个乘积地数值很小,由于交叉特征与光谱连协矩阵上的数值为非负地统计概率较大,所以使用各行列位置对应的交叉特征与光谱连协矩阵上同样行列位置的数值相乘之积的绝对值的平方根,作为待监测区域上同样行列位置对应的交叉连协值,所述交叉连协网格地每一个格子中包含了一个行列位置的交叉连协值,同时对应了待监测区域上的位置,交叉连协值越高代表该位置的植株生长越好越不缺氮元素,如此有助于反演水稻冠层氮含量。
进一步地,根据交叉连协网格中各位置的交叉连协值,优化调配待监测区域上各位置的氮肥使用比例,具体方法为:从交叉连协网格中各位置的交叉连协值中选取一个阈值,将阈值对应的位置的氮肥用量作为标准用量,可优选地,可以将交叉连协网格中各位置的交叉连协值中的最大值与交叉连协网格中各位置的交叉连协值的中位数两者之间的算数平均数作为所述阈值,将交叉连协网格中交叉连协值数值小于所述阈值的位置记为生长弱势位置,将生长弱势位置的交叉连协值与所述阈值的差的绝对值再除以所述阈值得到的比值作为优化比例,将所述标准用量乘以优化比例后所得的氮肥用量作为弥补用量,弥补用量用于对生长弱势位置上再施以弥补用量的氮肥。采用两组种植长粒香型优质稻的试验田作为实验对照组,使用了本发明所述方法的对照组比未使用了本发明所述方法的对照组种植增产约53公斤,收购价比市场晚籼收购指导价2.58元/公斤多0.7元/公斤,按一般品种亩产450公斤计,每年可增产稻谷530万公斤,可为农业大规模集约化生产增加产值约1300万元。
进一步地,根据交叉连协网格中各位置的交叉连协值,计算进行异常识别,具体方法为:选定交叉连协网格中各位置的交叉连协值中的中位数作为临界值,统计交叉连协网格的各位置中交叉连协值小于所述临界值的比重作为弱势比重,当弱势比重大于1/2则判断待监测区域的植株处于缺乏氮元素的异常状态,并发送预警信号。
这样根据交叉连协网格中各位置的交叉连协值来计算高效快捷,相较于其他识别方法节省了大量的运算成本,及时阻止了农田种植因为营养不良的损失在短时内的快速扩大。
所述一种监测水稻冠层氮含量的数据计算***运行于桌上型计算机、笔记本电脑、掌上电脑或云端数据中心的任一计算设备中,所述计算设备包括:处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述一种监测水稻冠层氮含量的数据计算方法中的步骤,可运行的***可包括,但不仅限于,处理器、存储器、服务器集群。
本发明的实施例提供的一种监测水稻冠层氮含量的数据计算***,如图2所示,该实施例的一种监测水稻冠层氮含量的数据计算***包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种监测水稻冠层氮含量的数据计算方法实施例中的步骤,所述处理器执行所述计算机程序运行在以下***的单元中:
采样单元,用于对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;
获取单元,用于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;
计算单元,用于根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;
反演单元,用于以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。
其中,优选地,本发明中所有未定义的变量,若未有明确定义,均可为人工设置的阈值。
其中,为了更好地统一计算获取不同单位的物理量间间的线性联系,可以对不同单位的物理量间采用无量纲化的数值计算。
所述一种监测水稻冠层氮含量的数据计算***可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种监测水稻冠层氮含量的数据计算***包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种监测水稻冠层氮含量的数据计算方法及***的示例,并不构成对一种监测水稻冠层氮含量的数据计算方法及***的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种监测水稻冠层氮含量的数据计算***还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种监测水稻冠层氮含量的数据计算***的控制中心,利用各种接口和线路连接整个一种监测水稻冠层氮含量的数据计算***的各个分区域。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种监测水稻冠层氮含量的数据计算方法及***的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明提供了一种监测水稻冠层氮含量的数据计算方法及***,对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。有助于提高农业生产效率并扩大规模,同时可以有效防止氮肥滥用造成的浪费和土壤结构破坏。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,从而有效地涵盖本发明的预定范围。此外,上文以发明人可预见的实施例对本发明进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (8)
1.一种监测水稻冠层氮含量的数据计算方法,其特征在于,所述方法包括以下步骤:
对待监测区域进行矩阵化采样,获取SPAD值矩阵,并获取光谱指数矩阵;
于多个采样时刻分别获取SPAD值矩阵与光谱指数矩阵;
根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵;
以SPAD交叉矩阵与光谱连协矩阵,通过计算交叉连协网格,反演水稻冠层氮含量。
2.根据权利要求1所述的一种监测水稻冠层氮含量的数据计算方法,其特征在于,在进行矩阵化采样的过程中,设定在水稻农田上选取待监测区域,将待监测区域划分成多个采样方格组成的方阵,从每个方格中进行SPAD值与光谱指数的提取,以各方格对应的SPAD值组成SPAD值矩阵,以各方格对应的光谱指数组成光谱指数矩阵。
3.根据权利要求1所述的一种监测水稻冠层氮含量的数据计算方法,其特征在于,调用通过无人机搭载多光谱传感器采集到的田间水稻冠层的多光谱图像,通过多光谱影像分析技术求得光谱指数。
4.根据权利要求1所述的一种监测水稻冠层氮含量的数据计算方法,其特征在于,在进行矩阵化采样的方格中选取植株利用SPAD仪器进行叶片SPAD值测定。
5.根据权利要求1所述的一种监测水稻冠层氮含量的数据计算方法,其特征在于,根据各采样时刻的SPAD值矩阵与光谱指数矩阵,计算SPAD交叉矩阵与光谱连协矩阵的方法为:
SPAD值矩阵与光谱指数矩阵上各行列的位置始终与待监测区域上的位置保持一致;
令各采样时刻对应的SPAD值矩阵按时间先后顺序排列,对各SPAD值矩阵分别在每个SPAD值矩阵中对各行列位置的数值进行归一化处理后,将归一化处理后的各SPAD值矩阵按采样时刻的顺序进行连续的叉乘得到SPAD交叉矩阵;
令各采样时刻对应的光谱指数矩阵按时间先后顺序排列,对各光谱指数矩阵分别在每个光谱指数矩阵中对各行列位置的数值进行归一化处理后,将归一化处理后的各光谱指数矩阵按采样时刻的顺序进行连续的点乘得到光谱连协矩阵;
将所述SPAD交叉矩阵的对角线上的元素的数值的累加和作为SPAD交叉值,SPAD交叉矩阵的各行列位置上的数值与所述SPAD交叉值的比值作为该行列位置对应的交叉特征,再将该行列位置对应的交叉特征与光谱连协矩阵上同样行列位置的数值相乘之积的绝对值的平方根,作为待监测区域上同样行列位置对应的交叉连协值,以各行列位置对应的交叉连协值组成的矩阵为所述交叉连协网格。
6.根据权利要求5所述的一种监测水稻冠层氮含量的数据计算方法,其特征在于,根据交叉连协网格中各位置的交叉连协值,优化调配待监测区域上各位置的氮肥使用比例,具体方法为:从交叉连协网格中各位置的交叉连协值中选取一个阈值,将阈值对应的位置的氮肥用量作为标准用量,将交叉连协网格中交叉连协值数值小于所述阈值的位置记为生长弱势位置,将生长弱势位置的交叉连协值与所述阈值的差的绝对值再除以所述阈值得到的比值作为优化比例,将所述标准用量乘以优化比例后所得的氮肥用量作为弥补用量,弥补用量用于对生长弱势位置上再施以弥补用量的氮肥。
7.根据权利要求5所述的一种监测水稻冠层氮含量的数据计算方法,其特征在于,根据交叉连协网格中各位置的交叉连协值,计算进行异常识别,具体方法为:选定交叉连协网格中各位置的交叉连协值中的中位数作为临界值,统计交叉连协网格的各位置中交叉连协值小于所述临界值的比重作为弱势比重,当弱势比重大于1/2则判断待监测区域的植株处于缺乏氮元素的异常状态,并发送预警信号。
8.一种监测水稻冠层氮含量的数据计算***,其特征在于,所述一种监测水稻冠层氮含量的数据计算***运行于桌上型计算机、笔记本电脑或云端数据中心的任一计算设备中,所述计算设备包括:处理器、存储器及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的一种监测水稻冠层氮含量的数据计算方法中的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541874.3A CN117274915B (zh) | 2023-11-20 | 2023-11-20 | 一种监测水稻冠层氮含量的数据计算方法及*** |
GBGB2400271.9A GB202400271D0 (en) | 2023-11-20 | 2024-01-09 | Method of water-preserved coal mining in light-coloured clay area |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311541874.3A CN117274915B (zh) | 2023-11-20 | 2023-11-20 | 一种监测水稻冠层氮含量的数据计算方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117274915A true CN117274915A (zh) | 2023-12-22 |
CN117274915B CN117274915B (zh) | 2024-01-30 |
Family
ID=89204739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311541874.3A Active CN117274915B (zh) | 2023-11-20 | 2023-11-20 | 一种监测水稻冠层氮含量的数据计算方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN117274915B (zh) |
GB (1) | GB202400271D0 (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2942622A1 (fr) * | 2014-05-06 | 2015-11-11 | Polyor SARL | Méthode de détermination de teneurs critiques en azote de cultures |
CN106442338A (zh) * | 2016-09-06 | 2017-02-22 | 西北农林科技大学 | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 |
CN106469240A (zh) * | 2016-09-06 | 2017-03-01 | 西北农林科技大学 | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 |
CN106841051A (zh) * | 2016-12-19 | 2017-06-13 | 中国科学院南京土壤研究所 | 一种基于可见光图像融合值的作物氮素营养检测方法 |
WO2019040866A2 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | APPARATUS AND METHOD FOR COLLECTING AGRICULTURAL DATA AND AGRICULTURAL OPERATIONS |
CN112990782A (zh) * | 2021-04-30 | 2021-06-18 | 浙江甲骨文超级码科技股份有限公司 | 基于时空自相关分析的作物生长环境智能调节方法和装置 |
CN113125356A (zh) * | 2021-03-26 | 2021-07-16 | 塔里木大学 | 遥感信息与农学知识的红枣树冠层叶氮垂直分布探测方法 |
CN114202675A (zh) * | 2021-12-17 | 2022-03-18 | 青岛农业大学 | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及*** |
-
2023
- 2023-11-20 CN CN202311541874.3A patent/CN117274915B/zh active Active
-
2024
- 2024-01-09 GB GBGB2400271.9A patent/GB202400271D0/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2942622A1 (fr) * | 2014-05-06 | 2015-11-11 | Polyor SARL | Méthode de détermination de teneurs critiques en azote de cultures |
CN106442338A (zh) * | 2016-09-06 | 2017-02-22 | 西北农林科技大学 | 一种基于svr算法的苹果叶片叶绿素含量高光谱反演方法 |
CN106469240A (zh) * | 2016-09-06 | 2017-03-01 | 西北农林科技大学 | 基于光谱指数的油菜叶片spad估测及估测模型构建方法 |
CN106841051A (zh) * | 2016-12-19 | 2017-06-13 | 中国科学院南京土壤研究所 | 一种基于可见光图像融合值的作物氮素营养检测方法 |
WO2019040866A2 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | APPARATUS AND METHOD FOR COLLECTING AGRICULTURAL DATA AND AGRICULTURAL OPERATIONS |
CN113125356A (zh) * | 2021-03-26 | 2021-07-16 | 塔里木大学 | 遥感信息与农学知识的红枣树冠层叶氮垂直分布探测方法 |
CN112990782A (zh) * | 2021-04-30 | 2021-06-18 | 浙江甲骨文超级码科技股份有限公司 | 基于时空自相关分析的作物生长环境智能调节方法和装置 |
CN114202675A (zh) * | 2021-12-17 | 2022-03-18 | 青岛农业大学 | 一种基于无人机多光谱遥感影像的作物生长参数测定方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117274915B (zh) | 2024-01-30 |
GB202400271D0 (en) | 2024-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Accessing the temporal and spectral features in crop type mapping using multi-temporal Sentinel-2 imagery: A case study of Yi’an County, Heilongjiang province, China | |
CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
EP3816880A1 (en) | A yield estimation method for arable crops and grasslands, coping with extreme weather conditions and with limited reference data requirements | |
CN112712038B (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及*** | |
CN116012720B (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
Huang et al. | Early mapping of winter wheat in Henan province of China using time series of Sentinel-2 data | |
CN111798028A (zh) | 一种作物产量预测方法、装置、电子设备和存储介质 | |
Moreno-Cadena et al. | Importance of genetic parameters and uncertainty of MANIHOT, a new mechanistic cassava simulation model | |
Xu et al. | Machine learning-based modeling of spatio-temporally varying responses of rainfed corn yield to climate, soil, and management in the US Corn Belt | |
CN117274915B (zh) | 一种监测水稻冠层氮含量的数据计算方法及*** | |
CN112527442B (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
Zhao et al. | Cropland abandonment mapping at sub-pixel scales using crop phenological information and MODIS time-series images | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN117456367A (zh) | 一种农作物种植区域识别方法、装置、设备及存储介质 | |
CN112668448A (zh) | 一种生态进程变化分析方法、装置、介质及终端设备 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和*** | |
CN115909063A (zh) | 一种中分辨率水稻提取方法及*** | |
CN115553186A (zh) | 一种氮高效水稻品种的筛选方法 | |
CN114663780A (zh) | 基于gee和机器学习的河套灌区种植结构识别方法及*** | |
Amujoyegbe et al. | Cropping system analysis of two agro ecological zones of Southwestern Nigeria | |
Liu et al. | An approach for multi-depth soil moisture prediction in alfalfa based on a dual-branch combined model | |
CN113868826A (zh) | 一种基于栅格尺度耕地农田生产能力重心变化的测度方法 | |
CN113591632A (zh) | 一种基于多源数据的果树估产方法、装置及设备 | |
Harmon et al. | Selecting cotton yield response function to estimate profit-maximizing potassium fertilization rates for cotton production in Tennessee | |
Chinene | The Zambian land evaluation system (ZLES) |
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 |