一種不同植株氮含量水平下小麥植株含水率的監測方法
2023-05-30 11:05:11
一種不同植株氮含量水平下小麥植株含水率的監測方法
【專利摘要】本發明屬於作物生長監測領域，公開了一種不同植株氮含量水平下小麥植株含水率的監測方法，將小麥冠層葉片反射光譜數據與PWC數據相結合，按照不同PNC大小水平分類，確定不同PNC水平下的核心波段共性區域，構建基於核心波段共性區域的最優光譜指數，建立基於最優光譜指數通用的小麥植株含水率的監測模型。本發明充分考慮了低、中、高不同氮素營養條件對PWC監測的影響，所選最優光譜指數適用於多類氮素營養下的小麥PWC高光譜監測，可以快速、無損、精準的估測不同水氮條件下的小麥PWC。該發明將對精確農業中不同氮素營養條件下的小麥植株水分含量的高光譜監測提供重要技術支撐。
【專利說明】一種不同植株氮含量水平下小麥植株含水率的監測方法
【技術領域】
[0001]本發明屬於作物生長監測領域，涉及一種不同植株氮含量水平下小麥植株含水率的監測方法，具體涉及一種基於高光譜技術確定不同植株氮含量水平下的小麥植株含水率核心波段共性區域最優光譜指數、建立基於最優光譜指數的小麥PWC監測模型的方法，特別適用於不同氮營養水平下小麥植株含水率的高光譜監測研究。
【背景技術】
[0002]基於高光譜遙感技術可實現作物水分狀況的實時監測和快速診斷，對提高作物灌溉管理水平和水分利用效率具有重要意義。
[0003]植株含水率(PWC)能全面反應作物需水信息。近年來，國內外學者對作物PWC的敏感波段和特徵光譜參數做了大量研究，提出了形式多樣的水分光譜指數，但這些光譜指數往往只考慮了的單一的水分影響。已有研究證明，作物體內生化成分間存在強烈的相關性，其中氮(N)素通過葉綠素、木質素和纖維素等與作物水分間接相關，因此，不同植株氮含量(PNC)水平必然影響作物生長發育，從而間接影響作物PWC監測。由於實際大田生產中往往涉及不同施氮水平，而已有水分光譜指數鮮有考慮不同氮素營養水平的影響，且部分光譜指數雖對整體PWC監測研究有較高精度，但在某些PNC水平下對PWC的監測精度則較低，誤差較大，因此，迫切需要一種確定適用於不同PNC水平條件下的PWC光譜指數的技術和方法。
【發明內容】
[0004]本發明的目的是針對上述現有技術的不足，充分考慮不同氮營養水平對小麥水分監測的影響，通過將所有PWC及對應冠層光譜反射率按照不同PNC大小水平分類，尋找不同PNC水平下的PWC核心波段共性區域，確定適用於不同PNC水平條件下的PWC最優光譜指數，從而建立基於最優光譜指數的小麥PWC監測模型，該方法可以快速、無損、精準的估測不同水氮條件下的小麥PWC。
[0005]本發明的目的是通過以下技術方案實現的:
[0006]一種不同植株氮含量水平下小麥植株含水率的監測方法，包括以下步驟:
[0007]步驟一、取樣，採集小麥冠層光譜反射率、PNC和PWC數值；樣本點採自不同生育期、不同水分處理、不同施氮水平和不同年份；
[0008]步驟二、按不同PNC水平將全部PWC和冠層光譜反射率分為三個子數據集；
[0009]步驟三、獲取不同PNC水平子數據集下PWC與NDSI的決定係數(R2)結果集；
[0010]步驟四、確定不同PNC水平下的PWC核心波段共性區域；
[0011]步驟五、確定基於核心波段共性區域的最優光譜指數；
[0012]步驟六、建立基於最優光譜指數的小麥PWC監測模型；
[0013]步驟七、檢驗小麥PWC監測模型的準確性和普適性。
[0014]步驟一中，設置不同水分處理和不同施氮水平互作的小麥田間實驗，採集拔節至灌漿各關鍵生育時期冠層光譜反射率，並在每小區內同步選取可表徵小區平均長勢的10個單莖進行破壞性取樣，稱量鮮重和乾重，計算PWC結果，磨樣稱重後採用凱氏定氮法測定對應PNC。
[0015]採集的冠層高光譜反射率解析度高、信息量大，光譜波段範圍為350-2500nm，波段間隔為Inm0
[0016]PffC的計算方式為:植株含水率(PWC) (%) = (Wf-Wd)/WfX 100，其中Wf為植株鮮重(g)總和，Wd為植株乾重(g)總和。
[0017]步驟二中，綜合考慮PNC大小範圍，及各範圍內數據量分布情況，將PNC分為PNCX1.3%、PNC1.3-1.6%,PNO1.6%三個範圍，按照對應PNC值範圍，將全部的PWC和對應的冠層光譜反射率分為對應不同PNC水平的三個子數據集。
[0018]基本分類原則為:保證各水平PNC值的範圍存在一定差異的基礎上，控制各PNC水平所屬子數據集的數據量無太大差異。總數據量越大越有助於尋找核心波段共性區域。
[0019]步驟三中，使用Matlab9.0編程計算，獲取不同PNC水平子數據集下PWC與350-2500nm波段範圍內任意兩波段組合的NDSI所建對應模型的決定係數(R2)結果集；並將各結果集中所有波段組合的模型R2矩陣數據繪製成等高線圖，以顏色深度變化顯示R2大小的變化。
[0020]R2結果集具體為:在350-2500nm波段內，以Inm為間隔的兩兩波段對應組合的NDSI與PWC所建模型的R2集，呈矩陣排列。
[0021]步驟四中，以上述各決定係數(R2)結果集中R2的最大值為標準，定義R2前10%對應的等高線圖區域為核心波段區域；通過Matlab9.0尋找各PNC水平子數據集的核心波段區域的相同部分，即為核心波段共性區域。
[0022]步驟五中，在步驟四已確定的核心波段共性區域內計算兩兩波段組合的所有NDSI與PWC所建模型所對應的建模精度(R2)和檢驗誤差(RRMSE)，選取R2-RRMSE最大值對應的光譜指數為最優光譜指數，確定最優光譜指數為NDSI (1302，1190)。
[0023]步驟六中，基於最優光譜指數NDSI (1302, 1190)的小麥PWC監測模型為:Y=-1289.4Χ+78.29，其中，模型 R2 為 0.876，SE 為 2.702。
[0024]步驟七中，利用獨立年份小麥試驗數據驗證監測模型的準確性和普適性，採用復相關係數R2、相對根均方差RRMSE對監測模型進行綜合評價(檢驗監測模型R2為0.7979，RRMSE為0.0662)，並驗證監測模型對PNC的敏感性(PNC檢驗模型R2為0.3242，RRMSE為45.7011)。
[0025]本發明相對傳統技術的優點:
[0026]本發明基於不同PNC分類水平下PWC核心波段共性區域篩選出的NDSI最優波段組合，充分考慮了低、中、高不同氮素營養條件對PWC監測的影響，所選光譜指數適用於不同氮素營養下的小麥PWC高光譜監測。而傳統光譜指數構建篩選技術則往往只是針對PWC的研究，很少考慮不同氮營養條件的影響，特別是對不同氮營養水平條件下的PWC監測廣適性鮮有提到。本發明可以快速、無損、精準的估測不同水氮條件下的小麥PWC，將對精確農業中不同氮素營養條件下的小麥植株水分含量的高光譜監測提供重要技術支撐。
【專利附圖】
【附圖說明】[0027]圖1為不同PNC水平下的小麥PWC與任意兩波段組合的NDSI決定係數前10%等高線圖(A:PNC〈1.3%;B:PNC1.3-1.6%; C:PNOl.6%)及其共性區域圖(D)。
[0028]圖2為基於不同PNC水平核心波段共性區域NDSI (1302, 1190)的小麥PWC模型構建(A)和模型檢驗(B)。
[0029]圖3為基於總數據集的小麥PWC與任意兩波段組合的NDSI決定係數等高線圖。
[0030]圖4為基於總數據集NDSI (1727，1539)的小麥PWC模型構建(A)和模型檢驗(B)。
[0031]圖5為本發明不同植株氮含量水平下小麥植株含水率的監測方法流程圖。
【具體實施方式】
[0032]本發明通過實施不同年份、不同施氮水平和不同水分處理互作的兩個小麥試驗，結合附圖，考察了基於高光譜技術的不同PNC水平下的PWC核心波段共性區域最優光譜指數的應用優勢。
[0033]如圖5所示，不同植株氮含量水平下小麥植株含水率的監測方法，包括以下步驟:
[0034]SlOl:取樣，採集小麥冠層光譜反射率、PNC和PWC數值；樣本點採自不同生育期、不同水分處理、不同施氮水平和不同年份；
[0035]S102:按不同PNC水平將PWC和冠層光譜反射率數據分為三個子數據集；
[0036]S103:獲取不同PNC水平子數據集下PWC與NDSI的決定係數(R2)結果集；
[0037]S104:確定不同PNC水平下的PWC核心波段共性區域；
[0038]S105:確定核心波段共性區域的最優光譜指數；
[0039]S106:建立基於最優光譜指數的小麥PWC監測模型；
[0040]S107:檢驗小麥PWC監測模型的準確性和普適性。
[0041]本發明利用不同年份(連續兩季2010.11-2011.06,2011.11-2012.06)、不同水分
處理、不同施氮水平和不同生育期的小麥田間試驗，採集不同氮含量水平下的小麥植株含水率及對應冠層光譜反射率，按照不同PNC大小水平分類，尋找不同PNC水平下的PWC核心波段共性區域，確定適用於不同PNC水平條件下的PWC最優光譜指數，從而基於最優光譜指數構建面向小麥拔節到灌漿期的監測模型。
[0042]小麥品種為揚麥18，種植方式採用條播，行距為25cm，基本苗為每畝12萬株，小區面積為10m2。
[0043]試驗I (2010.11-2011.06)中設置 4 個水分處理水平，為 9.5-10.5%、15.5-16.5%、21.5-22.5%和29.5-30.5% (以體積含水率表示)；設置2個施氮水平，為150kg/hm2、300kg/hm2。試驗 2 (2011.11-2012.06)中設置 3 個水分處理為 13.5-14.5%、21.5-22.5%、29.5-30.5% ;設置3個施氮水平，為90kg/hm2、180kg/hm2、270kg/hm2。試驗I用於建立監測模型，試驗2用於檢驗監測模型。
[0044]具體包括以下步驟:
[0045]SlOl:取樣，採集小麥冠層光譜反射率、PNC和PWC數值。實施不同水分處理和不同施氮水平互作的小麥田間實驗，設置4個水分處理水平，為9.5-10.5%、15.5-16.5%、21.5-22.5%和29.5-30.5% (以體積含水率表示)，2個施氮水平，為150kg/hm2、300kg/hm2。
[0046]採集2010.11-2011.06揚麥18從拔節至灌漿各關鍵生育時期的冠層光譜反射率，冠層光譜反射率採用野外高光譜輻射儀，波段範圍為350-2500nm，波段間隔為Inm ;冠層光譜反射率測定:選擇晴朗無雲的天氣，10:00-14:00，距冠層上方Im測試。
[0047]於各小區同步選取可表徵本小區平均長勢的10株單莖進行破壞性取樣，稱量鮮重和乾重，計算PWC，磨樣稱重後採用凱氏定氮法測試計算對應PNC。
[0048]PffC計算方式:植株含水率(PWC)(%) = (Wf-Wd)/WfX 100，其中Wf為植株鮮重(g)總和，Wd為植株乾重(g)總和。
[0049]S102:按不同PNC水平將PWC和冠層光譜反射率數據分為三個子數據集。將採集的PWC及對應冠層光譜反射率的總數據集按照PNC值大小範圍及數據量分布情況，分為PNCX1.3%、PNC1.3-1.6%,PNO1.6%三個範圍，按照對應PNC值範圍，將全部的PWC和對應的冠層光譜反射率分為對應不同PNC水平的三個子數據集。
[0050]基本分類原則:保證各水平PNC值的範圍存在一定差異的基礎上，控制各PNC水平所屬子數據集的數據量無過大差異。其中，試驗I中PNCX1.3%, PNC1.3-1.6%, PNOl.6%對應的三個子數據集數據量分別為:32、27、21，試驗2中子數據集數據量分別為:23、38、46。
[0051]S103:獲取不同PNC水平子數據集下PWC與NDSI的決定係數(R2)結果集。使用Matlab9.0編程計算，獲取不同PNC水平子數據集下PWC與350_2500nm波段範圍內任意兩波段組合的NDSI所建對應模型的決定係數(R2)結果集；並將各結果集中所有波段組合的模型R2矩陣數據繪製成等高線圖輸出，以顏色深度變化顯示R2大小的變化。
[0052]R2結果集具體為:在350-2500nm波段內，以Inm為間隔的兩兩波段對應組合的NDSI與PWC所建模型的R2集，呈矩陣排列。
[0053]S104:確定不同PNC水平下的PWC核心波段共性區域。以上述各決定係數(R2)結果集中R2的最大值為標準，定義R2前10%對應的等高線圖區域為核心波段區域(如圖1中A、B、C);通過Matlab9.0尋找各PNC水平子數據集的核心波段區域的相同部分，即為核心波段共性區域，以等高線圖形式輸出(如圖1中D)。
[0054]S105:確定基於核心波段共性區域的最優光譜指數。在上述確定的核心波段共性區域內綜合計算兩兩波段組合的所有NDSI與PWC所建模型所對應的建模精度(R2)和檢驗誤差(相對根均方差RRMSE)，綜合考慮R2和RRMSE大小，選取R2-RRMSE最大值對應的核心波段共性區域波段組合NDSI (1302，1190)為最優光譜指數，其中1190nm位於水分特徵吸收波段1200nm附近，1302nm為PWC的最優敏感波段1300nm附近。
[0055]S106:如圖2A，建立基於最優光譜指數NDSI (1302，1190)的小麥PWC監測模型:Y=-1289.4Χ+78.29，其中，檢測模型 R2 為 0.876，SE 為 2.702。
[0056]S107:如圖2Β，利用獨立年份(試驗2，201L 11-2012.06)小麥試驗數據驗證監測模型的準確性和普適性，採用復相關係數R2、相對根均方差RRMSE對監測模型進行綜合評價(檢驗監測模型R2為0.7979, RRMSE為0.0662)，並驗證監測模型對PNC的敏感性(PNC檢驗模型 R2 為 0.3242，RRMSE 為 45.7011)。
[0057]其中，RRMSE的計算公式如下:
[0058]
【權利要求】
1.一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於包括以下步驟: 步驟一、取樣，採集小麥冠層光譜反射率、PNC和PWC數值；樣本點採自不同生育期、不同水分處理、不同施氮水平和不同年份； 步驟二、按不同PNC水平將全部PWC和冠層光譜反射率分為三個子數據集； 步驟三、獲取不同PNC水平子數據集下PWC與NDSI的決定係數R2結果集； 步驟四、確定不同PNC水平下的PWC核心波段共性區域； 步驟五、確定基於核心波段共性區域的最優光譜指數； 步驟六、建立基於最優光譜指數的小麥PWC監測模型； 步驟七、檢驗小麥PWC監測模型的準確性和普適性。
2.根據權利要求1所述的一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於步驟一中，設置不同水分處理和不同施氮水平互作的小麥田間實驗，採集拔節至灌漿各關鍵生育時期冠層光譜反射率，並在每小區內同步選取可表徵小區平均長勢的10個單莖進行破壞性取樣，稱量鮮重和乾重，計算PWC結果，磨樣稱重後採用凱氏定氮法測定對應PNC。
3.根據權利要求1所述的一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於步驟二中，將PNC分為PNCX1.3%、PNC1.3-1.6%,PNO1.6%三個範圍，按照對應PNC值範圍，將全部的PWC和對應的冠層光譜反射率分為對應不同PNC水平的三個子數據集。
4.根據權利要求1所述的一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於步驟三中，使用Matlab9.0編程計算，獲取不同PNC水平子數據集下PWC與350-2500nm波段範圍內任意兩波段組合的NDSI所建對應模型的決定係數R2結果集；並將各結果集中所有波段組合的模型R2矩陣數據繪製成等高線圖，以顏色深度變化顯示R2大小的變化。
5.根據權利要求1所述的一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於步驟四中，以上述各決定係數結果集中R2的最大值為標準，定義R2前10%對應的等高線圖區域為核心波段區域；通過Matlab9.0尋找各PNC水平子數據集的核心波段區域的相同部分，即為核心波段共性區域。
6.根據權利要求1所述的一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於步驟五中，已確定的核心波段共性區域內計算兩兩波段組合的所有NDSI與PWC所建模型所對應的建模精度R2和檢驗誤差RRMSE，選取R2-RRMSE最大值對應的光譜指數為最優光譜指數，確定最優光譜指數為NDSI (1302, 1190)。
7.根據權利要求1所述的一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於小麥PWC監測模型為:gamma=-1289.4Χ+78.29。
8.根據權利要求1所述的一種不同植株氮含量水平下小麥植株含水率的監測方法，其特徵在於步驟七中，利用獨立年份小麥試驗數據驗證監測模型的準確性和普適性，採用復相關係數R2、相對根均方差RRMSE對監測模型進行綜合評價，並檢驗監測模型對PNC的敏感性。
【文檔編號】G01N31/16GK103472009SQ201310422607
【公開日】2013年12月25日 申請日期:2013年9月16日 優先權日:2013年9月16日
【發明者】朱豔, 姚霞, 賈雯晴, 田永超, 劉小軍, 倪軍, 曹衛星 申請人:南京農業大學