CN118010648A - 一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法 - Google Patents
一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法 Download PDFInfo
- Publication number
- CN118010648A CN118010648A CN202410271406.7A CN202410271406A CN118010648A CN 118010648 A CN118010648 A CN 118010648A CN 202410271406 A CN202410271406 A CN 202410271406A CN 118010648 A CN118010648 A CN 118010648A
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- rice
- wheat
- aerial vehicle
- unmanned aerial
- 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 380
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 190
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 97
- 235000009566 rice Nutrition 0.000 title claims abstract description 97
- 241000209140 Triticum Species 0.000 title claims abstract description 93
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 93
- 230000004720 fertilization Effects 0.000 title claims abstract description 56
- 235000016709 nutrition Nutrition 0.000 title claims abstract description 54
- 230000035764 nutrition Effects 0.000 title claims abstract description 54
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 21
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 96
- 238000010521 absorption reaction Methods 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000010790 dilution Methods 0.000 claims abstract description 13
- 239000012895 dilution Substances 0.000 claims abstract description 13
- 230000009418 agronomic effect Effects 0.000 claims abstract description 12
- 239000003337 fertilizer Substances 0.000 claims abstract description 11
- 241000196324 Embryophyta Species 0.000 claims description 51
- 239000002028 Biomass Substances 0.000 claims description 33
- 239000002689 soil Substances 0.000 claims description 21
- 238000002405 diagnostic procedure Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 239000000618 nitrogen fertilizer Substances 0.000 claims description 6
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 102000004190 Enzymes Human genes 0.000 claims description 3
- 108090000790 Enzymes Proteins 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000001066 destructive effect Effects 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000035558 fertility Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- PNNCWTXUWKENPE-UHFFFAOYSA-N [N].NC(N)=O Chemical compound [N].NC(N)=O PNNCWTXUWKENPE-UHFFFAOYSA-N 0.000 claims description 2
- 239000000126 substance Substances 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 6
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 4
- 239000004202 carbamide Substances 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007865 diluting Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Landscapes
- Cultivation Of Plants (AREA)
Abstract
本发明公开了一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，包括：步骤1，获取多光谱无人机遥感影像并采集稻麦农学参数，建立氮营养光谱诊断模型；步骤2，基于干物质量的临界氮浓度稀释模型计算得到稻麦的地上部临界氮浓度，进一步得到临界吸氮量；基于氮营养光谱诊断模型计算稻麦地上部实际吸氮量；基于临界吸氮量、实际吸氮量得到稻麦相应时期的推荐追氮量。本发明通过多光谱无人机对稻麦生长进行影像获取，建立氮营养参数动态诊断模型，根据临界氮浓度稀释模型实现氮素营养快速诊断并生成施肥处方图，根据计算出的推荐施氮量指导农用无人机精准施肥，在保证稻麦稳产的前提下，减少化肥和人力的投入，具有良好的应用前景。
Description
技术领域
本发明涉及现代农业领域，具体涉及到基于多光谱无人机影像的稻麦氮营养遥感诊断和基于临界氮浓度的农业无人机精准施肥方法。
背景技术
氮肥施用量显著影响生物量积累和籽粒产量形成，除此之外，氮肥施用的多少会影响籽粒的蛋白质含量，进而会影响籽粒的品质。稻麦的产量等一般随施氮量的提高而增加，但过量使用不会显著提高作物的产量，会显著降低氮肥利用率造成报酬递减。当前无人机追肥普遍依靠经验，多只关注肥料撒施的均匀性，对作物实际需肥关注较少，未考虑肥料施用与作物营养需求关系，造成肥料利用率低带来营养流失风险等问题。
因此，如何能够快速、准确的对植株进行氮营养诊断，构建适用于农用无人机精准施肥的作物氮营养盈亏遥感诊断方法，解决施肥与作物营养需求不匹配是当前亟需解决的问题。
发明内容
本发明的目的是克服现在技术中，无法实现对作物的实时营养诊断来对作物进行施肥，而是采用经验施肥并且不能针对某一生长较差的片区进行单独的施肥问题。本发明基于多光谱无人机对作物进行营养诊断，利用临界氮浓度，来计算植株在不同生育期的缺氮量并且利用农用无人机自带的变量施肥***对植株在不同时期进行精准施肥。通过此种方法，我们能够简单快速的获取植株的营养盈亏状况，从而能够做到点对点的农用无人机精准施肥。
为达到上述目的，本发明所采用的技术方案是：一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，包括以下步骤：
步骤1，所述稻麦氮营养遥感诊断板块，获取多光谱无人机遥感影像和采集稻麦农学参数，利用机器学习算法将多光谱无人机遥感影像与获取的氮素浓度建立诊断模型。
步骤2，所述追肥决策模型生成板块，根据前人研究可知，作物的氮浓度随干物质积累的增加而下降，临界氮浓度即在作物在一定的生长时期内获得的最大干物质积累量所需的最小的氮素浓度。干物质的临界氮浓度稀释模型就是依据此理论形成的模型，即为Nc=a*AGB^(-b)。以所研究地区的稻麦地上干生物量为横坐标，地上氮浓度为横坐标进行建模，即可得到该地区的临界氮浓度稀释模型。依据前人提出的基于干物质量的临界氮浓度稀释模型计算出稻麦的地上部（稻麦茎叶）临界氮浓度，运用步骤1训练好的模型计算稻麦地上部实际吸氮量，依靠地上部临界氮浓度计算临界吸氮量和实际吸氮量计算出稻麦相应时期的推荐追氮量。
步骤3，所述数字化多维处方图的生成和农用无人机精准施肥板块，利用超图、GlobalMappper等软件将推荐施氮量保存为高程图像，生成数字化施肥处方图，为农用无人机精准作业提供“智慧大脑”，以指导农用无人机进行精准施肥作业。
作为优选，步骤1，包括以下步骤：
步骤1.1，获取数据，在水稻、小麦的关键施肥期（拔节期、孕穗期）对不同氮肥梯度下的水稻、小麦进行多光谱无人机影像获取，同时运用五点采样法对每个小区进行破坏性采样。
步骤1.2，获取农学参数，对采回的稻麦样品在105℃下杀青30min，再在80℃下烘干至恒重。对烘干后的样品进行称重，计算生物量，再将其粉碎，利用凯氏定氮仪对每个小区采回的样品进行植株含氮量（plant nitrogen content，PNC）测定。
步骤1.3，多光谱无人机影像处理，将获取的多光谱无人机影像利用大疆智图软件进行拼接并同时进行辐射定标，通过有0.25、0.5、0.95三个反射率的反射板将数字量化值（Digital Number，DN）转化为反射率，生成研究区域的正射影像的TIFF文件。
步骤1.4，去除土壤背景值，由于前期植株较小，植株间的土壤和水体反射对遥感诊断结果影像较大，因此对于处于分蘖期和返青期的多光谱无人机影像进行土壤、水体背景值去除。NDVI为归一化植被指数，是反应作物长势的最常用的植被指数之一，因此采用NDVI作为土壤、水体与作物分类的主要植被指数。将由大疆智图直接计算好的NDVI和真彩色遥感影像导入Arcmap软件，在图层属性中找到土壤与植株临界的NDVI值，在Arcmap中“Raster Calculator”输入“＞临界NDVI值”，在“Output raster”中设置生成的栅格名称以及储存路径，即可生成去除土壤的新栅格数据。在“Raster to polygon”中输入生成的新栅格数据，将其转化为矢量数据。运用矢量数据对原始数据进行裁剪，即可获得去除土壤背景的图像。
步骤1.5，无人机植被指数提取，运用ENVI的“band math”和植被指数公式对多光谱无人机影像进行波段运算，计算出植被指数。将多光谱无人机影像运用Arcmap软件对其进行感兴趣区域划分，然后提取每个感兴趣区域内的植被指数的均值，用均值代表每块小区的植被指数。
步骤1.6，数据分析，将步骤1.5所得的植被指数与步骤1.2实验所得的植株含氮量进行相关性分析：选取与植株含氮量相关性最高的植被指数作为最优植被指数进行线性建模，以最优植被指数作为横坐标，以植株含氮量作为纵坐标进行线性、指数、多项式以及对数四种基础建模方式进行建模，以绝对系数（R2）和均方根误差（RMSE）作为模型的评价指标对模型进行评价，及选取并建立最优的氮营养光谱诊断模型。
作为优选，步骤2，包括以下步骤：
步骤2.1，根据步骤1.2获得的干生物量和前人提出的临界氮浓度稀释曲线计算出稻麦的临界氮浓度；
步骤2.2，基于所述氮营养光谱诊断模型得到植株地上氮浓度y1，根据所述植株地上氮浓度y1和植株干生物量y2的乘积得到稻麦实际吸氮量；
步骤2.3，根据步骤2.1计算的植株临界氮浓度和植株干生物量的乘积计算出稻麦临界吸氮量；
步骤2.4，根据步骤2.2和步骤2.3计算出的水稻实际吸氮量和水稻临界吸氮量的差计算出水稻临界吸氮量和实际吸氮量的差值；
步骤2.5，按水稻、小麦现在的生长时长占总生育天数的比值计算得出理论缺氮量，即理论施氮量。
作为优选，步骤2.2中，在步骤1.2中得到采回样品的干生物量并且同时也获取了遥感影像，将所述干生物量作为纵坐标y，将运用遥感影像计算出来的植被指数与干生物量做相关性分析，选取相关性最高的植被指数，将其作为横坐标x进行建模，即可获得y2=kx+b的模型，该模型即为通过遥感影像监测本块田植株干生物量的模型；稻麦实际吸氮量为y1和y2的乘积。
作为优选，步骤3，包括以下步骤：
步骤3.1，在超图软件中创建新的数据源，并导入多光谱无人机影像tif文件；
步骤3.2，根据上述步骤中计算的理论追氮量（Nd）在超图软件中创建面数据集，根据尿素含氮量计算出需施肥量，并绘制需要施肥田块添加数据；
步骤3.3，将矢量面数据集转换为shp数据集；
步骤3.4，在Arcmap中导入shp数据，将输入的shp文件转为栅格；
步骤3.5，将步骤3.4转化的栅格自定义写入具有拓展名的栅格数据名称，像素类型改为3_BIT_FLOAT，波段改为1；
步骤3.6，将步骤3.5中嵌入的新栅格转为tif格式；
步骤3.7，在GlobalMappper中导入tif文件，选择32位浮点样本，取消始终生成方形像素，生成TFW文件；
步骤3.8，按照农用无人机保存路径保存高程图像，生成农用无人机可识别的数字化施肥处方图。
本发明还公开了一种用于无人机精准施肥的稻麦氮素营养多光谱诊断的***包括：稻麦氮营养遥感诊断模块，用于获取多光谱无人机遥感影像、采集稻麦农学参数，利用机器学习算法将多光谱无人机遥感影像与获取的农学参数建立氮营养光谱诊断模型；
追肥决策模型生成模块，基于干物质量的临界氮浓度稀释模型计算出稻麦的地上部临界氮浓度，进一步计算临界吸氮量；基于稻麦氮营养遥感诊断模块计算稻麦地上部实际吸氮量；基于临界吸氮量和实际吸氮量计算出稻麦相应时期的推荐追氮量；
数字化多维处方图的生成和农用无人机精准施肥模块，利用超图、GlobalMappper软件将推荐施氮量保存为高程图像，生成数字化施肥处方图，指导农用无人机进行精准施肥作业。
有益效果
本发明通过消费级多光谱无人机对稻麦生长进行影像获取，建立氮营养参数动态诊断模型，根据临界氮浓度稀释模型实现氮素营养快速诊断并生成施肥处方图，根据计算出的推荐施氮量指导农用无人机精准施肥。该方法在保证稻麦稳产的前提下，减少化肥和人力的投入，实现便捷，具有良好的应用前景。
附图说明
图1是本发明一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法的实施结构图；
图2是本发明中稻麦氮营养遥感诊断板块的***框图；
图3是本发明中稻麦追肥决策模型生成板块的***框图‘
图4是本发明中数字化多维处方图的生成和农用无人机精准施肥板块的***框图；
图5是本发明一个实施例的植被区域划分实验图。
具体实施方式
下面将结合说明书附图，对本发明作进一步的说明。
本发明公开了一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，本方法包括三个板块：稻麦氮营养遥感诊断板块、追肥决策模型生成板块、数字化多维处方图的生成和农用无人机精准施肥板块。本发明通过多光谱无人机对稻麦生长进行影像获取，建立氮营养参数遥感诊断模型，根据临界氮浓度计算出的推荐施氮量建立农用无人机可识别的文件，以指导农用无人机精准施肥作业。该方法在保证稻麦稳产的前提下，减少化肥和人力的投入，应用便捷，具有良好的应用前景。
如图1至图4所示，包括以下步骤：
步骤1，所述稻麦氮营养遥感诊断板块，获取多光谱无人机遥感影像和采集稻麦农学参数，利用机器学习算法将多光谱无人机遥感影像与获取的氮素浓度建立遥感诊断模型。
步骤1.1，获取数据，在水稻、小麦的关键施肥期对不同氮肥梯度下的水稻、小麦进行多光谱无人机影像的获取，同时运用五点采样法对每个小区进行破坏性采样。需要说明的是，“关键施肥期”为拔节期、孕穗期。
步骤1.2，获取农学参数，对采回的稻麦样品在105℃下杀青30min，再在80℃下烘干至恒重。对烘干后的样品进行称重，计算生物量，再将其粉碎，利用凯氏定氮仪对每个小区采回的样品进行植株含氮量（plant nitrogen content，PNC）测定。
步骤1.3，多光谱无人机影像处理，将获取的多光谱无人机影像利用大疆智图软件进行拼接并同时进行辐射定标，通过有0.25、0.5、0.95三个反射率的反射板将数字量化值（Digital Number，DN）转化为反射率，生成研究区域的正射影像的TIFF文件。
步骤1.4，去除土壤背景值，由于前期植株较小，植株间的土壤和水体反射对诊断结果影像较大，因此对于处于分蘖期和返青期的多光谱无人机影像进行土壤、水体背景值去除。NDVI为归一化植被指数，是反应作物长势的最常用的植被指数之一，因此采用NDVI作为土壤、水体与作物分类的主要植被指数。将由大疆智图直接计算好的NDVI和真彩色遥感影像导入Arcmap软件，在图层属性中找到土壤与植株临界的NDVI值，在Arcmap中“RasterCalculator”输入“＞临界NDVI值”，在“Output raster”中设置生成的栅格名称以及储存路径，即可生成去除土壤的新栅格数据。在“Raster to polygon”中输入生成的新栅格数据，将其转化为矢量数据。运用矢量数据对原始数据进行裁剪，即可获得去除土壤背景的图像。
步骤1.5，无人机植被指数提取，运用ENVI的“band math”和植被指数公式对多光谱无人机影像进行波段运算，计算出植被指数。将多光谱无人机影像运用Arcmap软件其进行感兴趣区域划分，然后提取每个感兴趣区域内的植被指数的均值，用均值代表每块小区的植被指数，如图5所示。
步骤1.6，数据分析，将步骤1.5所得的植被指数与步骤1.2实验所得的植株含氮量进行相关性分析：通过上述的采取的少量的样品用凯氏定氮法所计算出植株的含氮量，选取与植株含氮量相关性最高的植被指数（植被指数是通过无人机获取的影像所计算出来的数值）作为最优植被指数进行线性建模，以最优植被指数作为横坐标，以植株含氮量作为纵坐标进行线性、指数、多项式以及对数四种基础建模方式进行建模，以绝对系数（R2）和均方根误差（RMSE）作为模型的评价指标对模型进行评价，及基于机器学习算法对植被指数与氮营养浓度进行回归建模选取并，建立最优的氮营养光谱诊断模型（即图2中无人机遥感LNC监测模型），表示为y1=kx+b，该模型即为通过遥感影像监测本块田的植株含氮量的模型。本实施例中，以小麦拔节期为例：对遥感影像进行预处理并提取光谱计算植被指数，选取与植株含氮量相关性最高的植被指数，为RVI,，相关系数r=-0.792。将RVI作为x与植株含氮量进行建模，得出模型为y=-0.8592x+5.2054（x:为RVI，y为植株含氮量），R2=0.58。
步骤2，依据基于干物质量的临界氮浓度稀释模型计算出稻麦的地上部临界氮浓度，运用步骤1训练好的模型计算稻麦地上部实际吸氮量，依靠地上部临界氮浓度计算临界吸氮量，临界吸氮量和实际吸氮量计算出稻麦相应时期的推荐追氮量。需要说明的是，“地上部”为植株地上部指植物的茎、叶、花、果实、种子，本申请中稻麦地上部指茎、叶。
步骤2.1，根据步骤1.2获得的干生物量和前人提出的临界氮浓度稀释曲线计算出稻麦的临界氮浓度。
作物的氮浓度随干物质积累的增加而下降，临界氮浓度即在作物在一定的生长时期内获得的最大干物质积累量所需的最小的氮素浓度。干物质的临界氮浓度稀释模型为依据此理论形成的模型，表示为Nc=a*AGB^(-b)，式中,Nc为植株地上部的临界氮浓度，AGB为植株地上部的干生物量，a 为地上部干生物量为1 t·hm–2 时的氮浓度,b表示氮素相对积累速率与生物量之比。步骤2.2，根据植株地上氮浓度和植株干生物量的乘积得出稻麦实际吸氮量。在步骤1.2中得到了采回样品的干生物量并且同时也获取了遥感影像，将干生物量作为纵坐标y，将运用遥感影像计算出来的植被指数与干生物量做相关性分析，选取相关性最高的植被指数，将其作为横坐标x进行建模，即可获得y2=kx+b的模型，此模型即为通过遥感影像监测本块田植株干生物量的模型。稻麦实际吸氮量为y1和y2的乘积。步骤2.3，根据步骤2.1计算的植株临界氮浓度和植株干生物量的乘积计算出稻麦临界吸氮量。
步骤2.4，根据步骤2.2和步骤2.3计算出的水稻实际吸氮量和水稻临界吸氮量的差计算出水稻临界吸氮量和实际吸氮量的差值。
步骤2.5，按水稻、小麦现在的生长时长占总生育天数的比值计算得出理论缺氮量，即理论施氮量。
步骤3，所述数字化多维处方图的生成和农用无人机精准施肥板块，利用超图、GlobalMappper等软件将推荐施氮量保存为高程图像，生成数字化施肥处方图，为农用无人机精准作业提供“智慧大脑”， 以指导农用无人机进行精准施肥作业。
步骤3.1，在超图软件中创建新的数据源（即软件中新建空白页），并导入多光谱无人机影像tif文件（即步骤1.3中的研究区域的正射影像的TIFF文件）。
步骤3.2，根据上述步骤中计算的理论追氮量（Nd）在超图软件中创建面数据集，根据尿素含氮量计算出需施肥量，并绘制需要施肥田块添加数据。尿素含氮量一般在42%~46%间，以具体施用的化肥的尿素含氮量为准。
步骤3.3，将矢量面数据集转换为shp数据集。
步骤3.4，在Arcmap中导入shp数据，将输入的shp文件转为栅格。
步骤3.5，将步骤3.4转化的栅格自定义写入具有拓展名的栅格数据名称，像素类型改为3_BIT_FLOAT，波段改为1。
步骤3.6，将步骤3.5中嵌入的新栅格转为tif格式。
步骤3.7，在GlobalMappper中导入tif文件，选择32位浮点样本，取消始终生成方形像素，生成TFW文件。
步骤3.8，按照农用无人机保存路径保存高程图像，生成农用无人机可识别的数字化施肥处方图。
本发明利用遥感技术对农田作物进行实时监测和营养诊断，可以做到因田因苗施肥，减少了因人为经验施肥所造成的误差和田块施肥不能按需供给的问题。
最后应说明的是：以上所述仅为本发明的优选实施案例，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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)
1.一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，包括以下步骤：
步骤1，获取多光谱无人机遥感影像并采集稻麦农学参数，基于所述遥感影像及稻麦农学参数建立氮营养光谱诊断模型；
步骤2，基于干物质量的临界氮浓度稀释模型计算得到稻麦的地上部临界氮浓度，进一步得到临界吸氮量；基于所述氮营养光谱诊断模型计算稻麦地上部实际吸氮量；基于所述临界吸氮量、实际吸氮量得到稻麦相应时期的推荐追氮量。
2.根据权利要求1所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，所述步骤1包括以下步骤：
步骤1.1，获取数据：在水稻、小麦的关键施肥期对不同氮肥梯度下的水稻、小麦进行多光谱无人机影像获取；对多光谱无人机影像进行感兴趣区域划分，得到若干个小区，运用五点采样法对每个小区进行破坏性采样；
步骤1.2，获取农学参数：对水稻、小麦样品进行处理得到干生物量，测定其植株含氮量；
步骤1.3，进行多光谱无人机影像处理：将获取的多光谱无人机影像进行拼接并同时进行辐射定标，基于一组不同反射率的反射板将数字量化值转化为反射率，生成研究区域的正射影像的TIFF文件；
步骤1.4，去除土壤背景值：在水稻、小麦的关键施肥期，对处于分蘖期和返青期的多光谱无人机影像进行土壤、水体背景值去除；
步骤1.5，无人机植被指数提取：运用ENVI的“band math”和植被指数公式对多光谱无人机影像进行波段运算，计算出植被指数；提取每个感兴趣区域内的植被指数的均值，用均值代表每块小区的植被指数；
步骤1.6，数据分析：将步骤1.5所得的植被指数与步骤1.2实验所得的植株含氮量进行相关性分析，建立氮营养光谱诊断模型。
3.根据权利要求1或2所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，所述建立氮营养光谱诊断模型的方法具体为：选取与植株含氮量相关性最高的植被指数作为最优植被指数进行线性建模，以最优植被指数作为横坐标x，以植株含氮量作为纵坐标y进行线性、指数、多项式以及对数建模，以绝对系数R2和均方根误差RMSE作为模型的评价指标对模型进行评价，建立最优的氮营养光谱诊断模型，得到y1=kx+b的模型，该模型即为通过遥感影像监测本块田的植株含氮量的模型。
4.根据权利要求2所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，所述步骤1.2具体为：对采回的稻麦样品在105℃±5℃下杀青30min±5min，再在80℃±5℃下烘干至恒重；对烘干后的样品进行称重，计算生物量，再将其粉碎，利用定氮仪对每个小区采回的样品进行植株含氮量PNC测定。
5.根据权利要求2所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，所述步骤1.4中去除背景值具体为：
步骤1.41，NDVI为归一化植被指数：采用NDVI作为土壤、水体与作物分类的主要植被指数，生成去除土壤的新栅格数据；
步骤1.42，将由大疆智图直接计算好的NDVI和真彩色遥感影像导入Arcmap软件，在图层属性中找到土壤与植株临界的NDVI值，在Arcmap中“Raster Calculator”输入“＞临界NDVI值”，在“Output raster”中设置生成的栅格名称以及储存路径，生成去除土壤的新栅格数据；
步骤1.43，在Arcmap的“Raster to polygon”中输入生成的新栅格数据，将其转化为矢量数据；运用矢量数据对原始数据进行裁剪，获得去除土壤背景的图像。
6.根据权利要求3所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1，根据步骤1.2中所述干生物量结合临界氮浓度稀释曲线计算出稻麦的临界氮浓度；
步骤2.2，基于所述氮营养光谱诊断模型得到植株地上氮浓度y1，根据所述植株地上氮浓度y1和植株干生物量y2的乘积得到稻麦实际吸氮量；
步骤2.3，根据步骤2.1得到的所述植株临界氮浓度和植株干生物量的乘积计算出稻麦临界吸氮量；
步骤2.4，根据步骤2.2和步骤2.3计算出的稻麦实际吸氮量和稻麦临界吸氮量计算差值；
步骤2.5，按水稻、小麦当下生长时长占总生育天数的比值计算得出理论缺氮量，即理论施氮量Nd。
7.根据权利要求6所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，步骤2.2中，在步骤1.2中得到采回样品的干生物量并且同时也获取了遥感影像，将所述干生物量作为纵坐标y，将运用遥感影像计算出来的植被指数与干生物量做相关性分析，选取相关性最高的植被指数，将其作为横坐标x进行建模，即可获得y2=kx+b的模型，该模型即为通过遥感影像监测本块田植株干生物量的模型；稻麦实际吸氮量为y1和y2的乘积。
8.根据权利要求1所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，将所述推荐追氮量保存为高程图像，生成数字化施肥处方图，指导农用无人机精准施肥。
9.根据权利要求8所述的用于无人机精准施肥的稻麦氮素营养多光谱诊断方法，其特征在于，所述指导农用无人机精准施肥包括以下步骤：
步骤3.1，在超图软件中创建新的数据源，并导入多光谱无人机影像tif文件；
步骤3.2，根据所述理论施氮量Nd在超图软件中创建面数据集，根据尿素含氮量计算出需施肥量，并绘制需要施肥田块添加数据；
步骤3.3，将矢量面数据集转换为shp数据集；
步骤3.4，在Arcmap中导入shp数据，将输入的shp文件转为栅格；
步骤3.5，将步骤3.4转化的栅格自定义写入具有拓展名的栅格数据名称，像素类型改为3_BIT_FLOAT，波段改为1；
步骤3.6，将步骤3.5中嵌入的新栅格转为tif格式；
步骤3.7，在GlobalMappper中导入tif文件，选择32位浮点样本，取消始终生成方形像素，生成TFW文件；
步骤3.8，按照农用无人机保存路径保存高程图像，生成农用无人机可识别的数字化施肥处方图。
10.一种用于无人机精准施肥的稻麦氮素营养多光谱诊断的***，其特征在于，包括：
稻麦氮营养遥感诊断模块，用于获取多光谱无人机遥感影像、采集稻麦农学参数，利用机器学习算法将多光谱无人机遥感影像与获取的农学参数建立氮营养光谱诊断模型；
追肥决策模型生成模块，基于干物质量的临界氮浓度稀释模型计算出稻麦的地上部临界氮浓度，进一步计算临界吸氮量；基于稻麦氮营养遥感诊断模块计算稻麦地上部实际吸氮量；基于临界吸氮量和实际吸氮量计算出稻麦相应时期的推荐追氮量；
数字化多维处方图的生成和农用无人机精准施肥模块，利用超图、GlobalMappper软件将推荐施氮量保存为高程图像，生成数字化施肥处方图，指导农用无人机进行精准施肥作业。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410271406.7A CN118010648A (zh) | 2024-03-11 | 2024-03-11 | 一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410271406.7A CN118010648A (zh) | 2024-03-11 | 2024-03-11 | 一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118010648A true CN118010648A (zh) | 2024-05-10 |
Family
ID=90950576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410271406.7A Pending CN118010648A (zh) | 2024-03-11 | 2024-03-11 | 一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118010648A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170039449A1 (en) * | 2006-11-07 | 2017-02-09 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
| CN112485204A (zh) * | 2020-11-06 | 2021-03-12 | 安徽农业大学 | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 |
| CN116602106A (zh) * | 2023-07-20 | 2023-08-18 | 南京农业大学三亚研究院 | 一种基于无人机的水稻田内变量施肥方法 |
| CN116662753A (zh) * | 2023-05-18 | 2023-08-29 | 中国农业大学 | 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法 |
| CN117347283A (zh) * | 2023-02-17 | 2024-01-05 | 南京农业大学 | 一种适用于农业园区尺度的小麦氮肥推荐方法 |
-
2024
- 2024-03-11 CN CN202410271406.7A patent/CN118010648A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170039449A1 (en) * | 2006-11-07 | 2017-02-09 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
| CN112485204A (zh) * | 2020-11-06 | 2021-03-12 | 安徽农业大学 | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 |
| CN117347283A (zh) * | 2023-02-17 | 2024-01-05 | 南京农业大学 | 一种适用于农业园区尺度的小麦氮肥推荐方法 |
| CN116662753A (zh) * | 2023-05-18 | 2023-08-29 | 中国农业大学 | 一种基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法 |
| CN116602106A (zh) * | 2023-07-20 | 2023-08-18 | 南京农业大学三亚研究院 | 一种基于无人机的水稻田内变量施肥方法 |
Non-Patent Citations (2)
| Title |
|---|
| 于丰华 等: "基于高光谱遥感处方图的寒地分蘖期水稻无人机精准施肥", 农业工程学报, vol. 36, no. 15, 31 August 2020 (2020-08-31), pages 103 - 110 * |
| 刘昌华 等: "基于无人机遥感影像的冬小麦氮素监测", 农业机械学报, vol. 49, no. 06, 31 May 2018 (2018-05-31), pages 207 - 214 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711102B (zh) | 一种作物灾害损失快速评估方法 | |
| CN111241912A (zh) | 一种基于机器学习算法的多植被指数的水稻产量估测方法 | |
| CN113268923A (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
| 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 | |
| CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
| CN112149827A (zh) | 基于卫星影像的土壤速效钾分析模型构建***及方法 | |
| CN111783538B (zh) | 小麦生物量的遥感估算方法、装置、电子设备及存储介质 | |
| Liu et al. | Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model | |
| CN116602106A (zh) | 一种基于无人机的水稻田内变量施肥方法 | |
| CN101578936A (zh) | 施肥处理方法及*** | |
| CN113785759A (zh) | 一种作物间套作种植智能灌溉***、方法及可存储介质 | |
| CN118010648A (zh) | 一种用于无人机精准施肥的稻麦氮素营养多光谱诊断方法 | |
| CN116114450A (zh) | 基于遥感的玉米氮素立体调控方法 | |
| CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及*** | |
| CN114219227A (zh) | 一种精准施肥决策及地块级展示方法和*** | |
| CN113435574A (zh) | 一种卷积神经网络土壤速效钾分析模型构建***及方法 | |
| CN112733780A (zh) | 一种基于卫星影像的土壤有效磷分析模型构建***及方法 | |
| Li et al. | Determinants of paddy yield of individual fields measured by IT combine: empirical analysis from the perspective of large-scale farm management in Japan | |
| CN117035471B (zh) | 一种基于多植被指数图像的施肥决策方法及*** | |
| Kirui et al. | Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya | |
| CN117751738B (zh) | 一种水稻种植施肥管理***及方法 | |
| CN113008890B (zh) | 基于无人机高光谱的棉花叶片氮含量监测方法及*** | |
| CN117929292A (zh) | 一种土壤速效养分反演方法及*** | |
| Humburg et al. | Modeling of sugarbeet quality variables from canopy spectral indices in a fertility trial |
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 |