【技术实现步骤摘要】
本专利技术涉及现代农业领域，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。
技术介绍
1、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。
2、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。
技术实现思路
1、本专利技术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。本专利技术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系统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。
2、为达到上述目的，本专利技术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：
3、步骤1，所述稻麦氮营养遥感诊断板块，获取多光谱无人机
4、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。
5、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。
6、作为优选，步骤1，包括以下步骤：
7、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。
8、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。
9、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。
10、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。
11、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。
12、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。
13、作为优选，步骤2，包括以下步骤：
14、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；
15、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；
16、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；
17、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；
18、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。
19、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。
20、作为优选，步骤3，包括以下步骤：
21、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；
22、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；
23、步骤3.3，将矢量面数据集转换为shp数据集；
24、步骤3.4，在arcmap中导入shp数据，将输入的shp文件转为栅格；
25、步本文档来自技高网...
【技术保护点】
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：
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：
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。p>
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：
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：
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：
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系统，其特征在于，包括：
...【技术特征摘要】
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：
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：
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...
【专利技术属性】
技术研发人员：谭昌伟，史长蓉，洪青青，李振旺，阳韵琴，卢芷欣，
申请(专利权)人：扬州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。