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

发布时间：2021-04-22 17:44

　　分蘖期根外追肥是水稻生产的重要田间管理环节,也是水稻生长中的第一个需肥高峰期,追肥效果直接影响分蘖数以及中后期长势。为了探究利用无人机遥感构建施肥量处方图指导农用无人机对分蘖期水稻精准追肥,在保障水稻产量的前提下降低化肥施用量,该研究在水稻分蘖期追肥窗口期,利用无人机遥感诊断与农用无人机精准作业相结合,采用无人机高光谱技术建立水稻分蘖期施肥量处方图,结合农用无人机作业参数对待施肥地块进行栅格划分,确定精准施肥量,并通过农用无人机进行精准施肥。结果表明:利用特征波段选择与特征提取的方式在450～950nm范围内共提取5个水稻高光谱特征变量用于水稻氮素含量的反演;利用粒子群优化的极限学习机（Particle Swarm Optimization-Extreme Learning Machine,PSO-ELM）构建的水稻氮素含量反演模型效果要好于极限学习机（Extreme Learning Machine,ELM）反演效果,模型决定系数为0.838;结合待追肥区域反演氮素含量（N_r）,标准田氮素含量(N_std)、氮肥浓度（p）、水稻地上生物量(B... 

【文章来源】：农业工程学报. 2020,36(15)北大核心EICSCD

【文章页数】：8 页

【文章目录】：
0 引言
1 材料与方法
    1.1 研究区概况
    1.2 数据获取
        1.2.1 无人机高光谱遥感影像获取
        1.2.2 水稻叶片氮素含量测定
        1.2.3 水稻产量测定
        1.2.4 稻田土壤氮含量测定
    1.3 研究方法
        1.3.1 无人机高光谱遥感影像解混
        1.3.2 水稻氮素含量高光谱遥感建模方法
        1.3.3 水稻农用无人机氮肥追施量精准决策方法
        1.3.4 农用无人机追肥量处方图生成方法
    1.4 模型精度与效果评价
2 结果与分析
    2.1 数据分析
        2.1.1 水稻氮素样本量
        2.1.2 高光谱数据分析
    2.2 水稻分蘖期高光谱影像解混结果
    2.3 水稻高光谱特征提取
    2.4 水稻氮素含量PSO-ELM反演结果
    2.5 水稻分蘖期无人机追肥量处方图生成
    2.6 农用无人机精准追肥与效果评价
        2.6.1 农用无人机精准追肥作业
        2.6.2 农用无人机喷施效果
        2.6.3 水稻产量分析
        2.6.4 收获后土壤含氮量分析
3 讨论
4 结论


【参考文献】：
期刊论文
[1]采用GA-ELM的寒地水稻缺氮量诊断方法[J]. 许童羽,郭忠辉,于丰华,徐博,冯帅.  农业工程学报. 2020(02)
[2]水稻氮利用效率评价及其与产量性状的关系[J]. 江琳琳,赵晗舒,杨武,赵明辉,范淑秀,曹英丽,任彬彬,马殿荣.  沈阳农业大学学报. 2019(06)
[3]分蘖期深施液体氮肥对水稻分蘖及产量影响[J]. 郑文汉,齐龙,曹聪,龚浩,邓若玲,陶明,刘闯.  农机化研究. 2020(07)
[4]基于无人机高光谱遥感的东北粳稻冠层叶片氮素含量反演方法研究[J]. 冯帅,许童羽,于丰华,陈春玲,杨雪,王念一.  光谱学与光谱分析. 2019(10)
[5]东北地区食物安全可持续发展战略研究[J]. 唐亮,吴东立,苗微,蒲红霞,江琳琳,王绍斌,钟文田,陈温福.  中国工程科学. 2019(05)
[6]中国植保无人机发展形势及问题分析[J]. 兰玉彬,陈盛德,邓继忠,周志艳,欧阳帆.  华南农业大学学报. 2019(05)
[7]基于无人机遥感技术的黄华占水稻施肥决策模型研究[J]. 臧英,侯晓博,汪沛,周志艳,姜锐,李克亮.  沈阳农业大学学报. 2019(03)
[8]液滴体积对水稻叶面接触角的影响[J]. 张建桃,曾家骏,尹选春,兰玉彬,文晟,林耿纯.  浙江农业学报. 2019(06)
[9]精准变量施肥机械研究现状与发展建议[J]. 韩英,贾如,唐汉.  农业工程. 2019(05)
[10]水稻高光谱遥感监测研究综述[J]. 赵小敏,孙小香,王芳东,谢文,郭熙.  江西农业大学学报. 2019(01)



本文编号：3154196