基于高分一号影像数据的水稻定量施肥可视化
发布时间：2021-07-14 06:37
为提高水稻施肥便捷和精准的生产管理能力,实现实时监测和决策一体的可视化定量施肥,利用高分一号卫星遥感（GF-1）影像数据,研究了以多种典型植被指数的水稻分蘖期、拔节期和抽穗期等关键生育时期的氮素营养诊断模型,临界诊断植被指数值和定量追肥模型,并实现了氮素营养诊断和定量施肥推荐的可视化表达。研究结果表明:建立的水稻关键生育时期分蘖期、拔节期和抽穗期的最优植被指数临界诊断值分别为-0.384、0.658和0.782;根据水稻氮肥效应曲线的分析得到的总施氮量（298.4 kg/hm2）和最佳经济施肥量（285.5 kg/hm2）;综合水稻施氮总量与最优植被指数值线性关系、最佳施肥量、最高施肥量可得定量追肥模型。水稻关键生育时期的氮素营养诊断和定量模型的建立,实现了定量施肥可视化表达。
【文章来源】：科学技术与工程. 2020,20(19)北大核心
【文章页数】：5 页
【部分图文】：
研究区区位图
从地理空间数据云下载2016年水稻分蘖期(6月28日)、拔节期(7月13日)和抽穗期(8月20日)等关键生育期时期GF-1 WFV遥感影像(多光谱波段包括R、G、B和NIR四个波段,空间分辨率16 m)。边界矢量数据为RTK实地获取后再ArcGIS中矢量化编辑。获取72个小区植株样品,每个时期获取植株样本216个,如图2所示。2 结果与分析
表1 植被指数与水稻植株氮浓度的相关关系Table 1 Correlation between vegetation index and nitrogen concentration of rice plants 植被指数 分蘖期 拔节期 抽穗期 回归方程 R2 回归方程 R2 回归方程 R2 NDVI y=-0.502 4x2+0.924 2x+0.377 2 0.554 9 y=-0.502 4x2+0.924 2x+0.377 2 0.554 9 y=-0.257 7x2 + 0.594x+0.594 3 0.381 0 NIR y=70.989x2+1 021.3x+1 130.2 0.749 7 y=3×10-7x2-0.001 2x+1.465 9 0.718 9 y=-1 377.5x2+3 207.7x+1 428.7 0.574 0 GRVI y=-0.441 5x2+3.014 4x+1.065 2 0.750 8 y=0.061 4x2-0.308 6x+0.584 2 0.651 3 y=-2.528 7x2+8.114 3x+3.366 7 0.501 4 GDVI y=-202.99x2+1 594.3x+228 0.736 1 y=2×10-7x2-0.000 6x+0.604 1 0.720 4 y=-1 367.3x2+3 290.9x+966.08 0.569 6 GNDVI y=-0.285x2+0.765 1x+0.093 5 0.746 9 y=-0.392 8x2+0.728 4x+0.371 1 0.564 1 y=-0.250 9x2+0.567 4x+0.494 9 0.401 3 GOWDRVI y=-0.128 5x2+0.503 1x-0.767 0.755 4 y=4.999 6x2+5.3103 x+1.592 2 0.635 5 y=-0.306 5x2+0.795 4x-0.445 7 0.465 6 CI y=-0.4415x2+3.014 4x+0.065 2 0.750 8 y=0.061 4x2-0.185 8x+0.337 0.651 3 y=-2.528 7x2+8.114 3x+2.366 7 0.501 4 DVI y=8×10-8x2+0.0003x+0.065 0.746 5 y=2×10-7x2-0.000 5x+0.544 6 0.716 7 y=2×10-7x2-0.000 5x+0.433 3 0.638 6 GSAVI y=-0.427 4x2+1.147 4x+0.140 2 0.746 9 y=-0.589 2x2+1.092 5x+0.556 6 0.564 1 y=-0.376 3x2+0.851 1x+0.742 2 0.401 4图4 水稻施肥效应曲线
【参考文献】：
期刊论文
[1]基于无人机影像的滑坡地质灾害解译与稳定性评价——以秭归县盐关滑坡为例[J]. 余宏明,栗志斌,邸同宇,李原. 科学技术与工程. 2019(32)
[2]水稻氮肥精准管理技术研究进展[J]. 李克亮,周志艳. 江苏农业科学. 2019(12)
[3]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)
[4]冬小麦双变量施肥控制策略研究[J]. 陈满,施印炎,汪小旵,孙国祥,鲁伟. 江苏农业科学. 2018(11)
[5]基于高分一号WFV影像的随机森林算法反演水稻LAI[J]. 刘振波,邹娴,葛云健,陈健,曹雨濛. 遥感技术与应用. 2018(03)
[6]数字农业的发展现状及展望[J]. 葛佳琨,刘淑霞. 东北农业科学. 2017(03)
[7]光谱仪在作物施氮推荐中的应用研究进展——以GreenSeeker光谱仪为例[J]. 纪荣婷,闵炬,黄程鹏,施卫明. 江苏农业科学. 2017(02)
[8]氮素管理的指标[J]. 巨晓棠,谷保静. 土壤学报. 2017(02)
[9]水稻氮素吸收利用研究进展[J]. 张晓果,王丹英,计成林,徐春梅,陈松,章秀福. 中国稻米. 2015(05)
[10]农业遥感研究现状与展望[J]. 史舟,梁宗正,杨媛媛,郭燕. 农业机械学报. 2015(02)
硕士论文
[1]基于卫星遥感的水稻生长监测与氮素营养诊断系统[D]. 查海涅.安徽科技学院 2016
本文编号：3283625
【文章来源】：科学技术与工程. 2020,20(19)北大核心
【文章页数】：5 页
【部分图文】：
研究区区位图
从地理空间数据云下载2016年水稻分蘖期(6月28日)、拔节期(7月13日)和抽穗期(8月20日)等关键生育期时期GF-1 WFV遥感影像(多光谱波段包括R、G、B和NIR四个波段,空间分辨率16 m)。边界矢量数据为RTK实地获取后再ArcGIS中矢量化编辑。获取72个小区植株样品,每个时期获取植株样本216个,如图2所示。2 结果与分析
表1 植被指数与水稻植株氮浓度的相关关系Table 1 Correlation between vegetation index and nitrogen concentration of rice plants 植被指数 分蘖期 拔节期 抽穗期 回归方程 R2 回归方程 R2 回归方程 R2 NDVI y=-0.502 4x2+0.924 2x+0.377 2 0.554 9 y=-0.502 4x2+0.924 2x+0.377 2 0.554 9 y=-0.257 7x2 + 0.594x+0.594 3 0.381 0 NIR y=70.989x2+1 021.3x+1 130.2 0.749 7 y=3×10-7x2-0.001 2x+1.465 9 0.718 9 y=-1 377.5x2+3 207.7x+1 428.7 0.574 0 GRVI y=-0.441 5x2+3.014 4x+1.065 2 0.750 8 y=0.061 4x2-0.308 6x+0.584 2 0.651 3 y=-2.528 7x2+8.114 3x+3.366 7 0.501 4 GDVI y=-202.99x2+1 594.3x+228 0.736 1 y=2×10-7x2-0.000 6x+0.604 1 0.720 4 y=-1 367.3x2+3 290.9x+966.08 0.569 6 GNDVI y=-0.285x2+0.765 1x+0.093 5 0.746 9 y=-0.392 8x2+0.728 4x+0.371 1 0.564 1 y=-0.250 9x2+0.567 4x+0.494 9 0.401 3 GOWDRVI y=-0.128 5x2+0.503 1x-0.767 0.755 4 y=4.999 6x2+5.3103 x+1.592 2 0.635 5 y=-0.306 5x2+0.795 4x-0.445 7 0.465 6 CI y=-0.4415x2+3.014 4x+0.065 2 0.750 8 y=0.061 4x2-0.185 8x+0.337 0.651 3 y=-2.528 7x2+8.114 3x+2.366 7 0.501 4 DVI y=8×10-8x2+0.0003x+0.065 0.746 5 y=2×10-7x2-0.000 5x+0.544 6 0.716 7 y=2×10-7x2-0.000 5x+0.433 3 0.638 6 GSAVI y=-0.427 4x2+1.147 4x+0.140 2 0.746 9 y=-0.589 2x2+1.092 5x+0.556 6 0.564 1 y=-0.376 3x2+0.851 1x+0.742 2 0.401 4图4 水稻施肥效应曲线
【参考文献】：
期刊论文
[1]基于无人机影像的滑坡地质灾害解译与稳定性评价——以秭归县盐关滑坡为例[J]. 余宏明,栗志斌,邸同宇,李原. 科学技术与工程. 2019(32)
[2]水稻氮肥精准管理技术研究进展[J]. 李克亮,周志艳. 江苏农业科学. 2019(12)
[3]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)
[4]冬小麦双变量施肥控制策略研究[J]. 陈满,施印炎,汪小旵,孙国祥,鲁伟. 江苏农业科学. 2018(11)
[5]基于高分一号WFV影像的随机森林算法反演水稻LAI[J]. 刘振波,邹娴,葛云健,陈健,曹雨濛. 遥感技术与应用. 2018(03)
[6]数字农业的发展现状及展望[J]. 葛佳琨,刘淑霞. 东北农业科学. 2017(03)
[7]光谱仪在作物施氮推荐中的应用研究进展——以GreenSeeker光谱仪为例[J]. 纪荣婷,闵炬,黄程鹏,施卫明. 江苏农业科学. 2017(02)
[8]氮素管理的指标[J]. 巨晓棠,谷保静. 土壤学报. 2017(02)
[9]水稻氮素吸收利用研究进展[J]. 张晓果,王丹英,计成林,徐春梅,陈松,章秀福. 中国稻米. 2015(05)
[10]农业遥感研究现状与展望[J]. 史舟,梁宗正,杨媛媛,郭燕. 农业机械学报. 2015(02)
硕士论文
[1]基于卫星遥感的水稻生长监测与氮素营养诊断系统[D]. 查海涅.安徽科技学院 2016
本文编号：3283625
本文链接：https://www.wllwen.com/nykjlw/nzwlw/3283625.html
最近更新
教材专著
