《基于无人机遥感可见光参数的水稻氮素营养诊断》-农学论文，农业论文-论文范文参考-科学狗论文网

标题

基于无人机遥感可见光参数的水稻氮素营养诊断

范文

袁璐袁自然屠人凤叶寅陈晓芳杨欣

摘要：氮素是决定水稻产量的重要因素之一，传统水稻氮素的诊断耗时费力且对作物的损害较大，确定无人机遥感水稻氮素营养诊断的最佳可见光参数，对水稻氮素的快速诊断具有良好的实用价值。该研究在安徽省怀远县试验基地，设置5个施氮水平，先后2次进行无人机采样，计算出10个可见光参数，并分析可见光参数与水稻含氮量之间的关系，结合相关系数与变异系数的大小筛选出诊断水稻氮素的最佳可见光参数。结果表明，参数B、G/（R+G+B）、G/B、RGBV1与作物含氮量的相关性较强，其中参数G/（R+G+B）可作为无人机为遥感水稻氮素诊断的最佳可见光参数。通过回归分析得到y（含氮量）与x（绿光化标准值）之间的回归方程y=0.0017x2-0.0074x+0.7201，R2=0.9825。

关键词：无人机遥感;可见光参数;水稻;氮素营养

中图分类号 S511文献标识码 A文章编号 1007-7731（2021）10-0035-04

Rice Nitrogen Nutrition Diagnosis Based on UAV Remote Sensing Visible Light Parameters

YUAN Lu1， 3 et al.

（1Institute of Soil and Fertilizer， Anhui Academy of Agricultural Sciences， Hefei 230031， China; 3College of Resources and Environment， Anhui Agricultural University， Hefei 230031， China）

Abstract： Nitrogen is one of the important factors that determine rice yield. Traditional rice nitrogen diagnosis is time-consuming and laborious and has great damage to crops. To determine the best parameters for the diagnosis of rice nitrogen nutrition by UAV remote sensing visible light parameters. The rapid diagnosis of nitrogen in rice has good practical value. In this study， a field experiment area was set up in the experimental base of Huaiyuan county， Anhui Province， and 5 nitrogen levels were set up. UAV sampling was conducted twice， and 10 visible light parameters were calculated， and the relationship between visible light parameters and nitrogen content of rice was analyzed. Combining the correlation coefficient and the coefficient of variation to screen out the best visible light parameters for diagnosing rice nitrogen. The results show that the parameters B， G/（R+G+B）， G/B， RGBV1 have a strong correlation with crop nitrogen content， and the parameter G/（R+G+B） can be used as UAV visible light remote sensing The best visible light parameters for rice nitrogen diagnosis. Through regression analysis， the regression equation between y （nitrogen content） and x （standard value of green light） is y = 0.0017x2-0.0074x + 0.7201， R2=0.9825.

Key words： UAV remote sensing; Visible light parameters; Rice; Nitrogen nutrition

中國水稻种植面积约占全国耕地面积的27.1%，在我国粮食生产中占有举足轻重的地方。水稻产量受诸多因素的影响，如品种特性、土壤环境、施肥技术等[1]，而良好精准的施肥策略则是提高水稻产量和品质最有效的措施。氮肥的合理施用直接影响着水稻的生长，氮素营养缺乏或者过剩都不利于水稻生长[2]。如何快速准确地获取水稻氮素状况，及时调整施肥技术，实现氮肥的合理施用是水稻生产中需要解决的重要课题。

传统的水稻氮素诊断耗时费力，对水稻的损伤较大，具有一定的滞后性，并不能快速地获取水稻的氮素营养状况[4]。随着水稻的生长、土壤氮素供应水平的变化，叶片中叶绿素的变化从而引起水稻冠层光谱特征的变化[5]。无人机遥感技术在军事、气象、资源勘测、海事、农业等方面都有着广泛的应用。在“精准农业”发展的今天，无人机遥感因其时效快、操作简便灵活的优点，在作物信息的提取上越来越受到重视[3]。采用无人机光谱分析植株氮素的亏欠相较于传统的方法，对作物不会造成不可逆转的损伤。利用无人机遥感技术测出水稻冠层的R（红光值）、G（绿光值）、B（蓝光值）3个可见光参数值，并对各个参数值之间的关系进行数据组合，从而进行水稻氮素的诊断和预估。无人机搭载数码相机拍照速度快且精准，图像的处理较为简便。经研究发现，红光标准化值[R/（R+G+B）]能够有效地进行水稻、油菜的氮素营养诊断，绿光标准化值[G/（R+G+B）]是冬小麦进行氮素诊断的重要参数，而蓝光标准化值[B/（R+G+B）]是较好的表征夏玉米氮素营养的指标[6，7]。

本研究分析了水稻含氮量和水稻冠层可见光参数之间的相关关系，利用水稻抽穗期和水稻结实期2个时期两者的相关分析和变异系数分析，得出最佳诊断水稻氮素的最佳可见光参数，进而拟合出水稻含氮量与该参数之间相关关系的方程，以提高水稻含氮量诊断的准确性。

1 材料与方法

1.1 供试材料供试水稻品种为Y两优1998，氮肥为尿素。

1.2 试验方法试验于怀远县试验基地进行，对水稻长穗期（9月中旬）和结实期（10月中旬）时期进行采样，在水稻的整个生长季节内无明显的干旱胁迫和病虫草害。氮肥试验进行5个处理，5个氮素水平，分别为：（1）不施氮肥（CK）;（2）氮基肥，不追肥[NO，（基肥N-P2O5-K2O=135-90-105）];（3）氮基肥，追肥[N1/2，（基肥N-P2O5-K2O=135-90-105，分蘖肥N33.8，穗肥N33.8）];（4）氮基肥，追肥[N1，（基肥N-P2O5-K2O=135-90-105，分蘖肥N67.5，穗肥N67.5）];（5）氮基肥，追肥[N2，（基肥135-90-105，分蘖肥N135，穗肥N135）]。3次重复，随机区组排列。

1.3 样品全氮含量測定

1.3.1 植物样品前处理在抽穗期和结实期采集地上部生物样品，取样时在每个小区中部5点法采集水稻样品，立即装入自封袋，带回试验室。首先在烘箱105℃杀青30min再在80℃条件下烘干至恒重，进行粉碎磨样后用凯氏定氮法测定水稻的全氮含量。

1.3.2 凯氏定氮法定氮用浓硫酸消化样品，将消煮完全的样品中的有机氮转化为铵态氮，然后在10mol/L NaOH的碱性条件下将铵盐转化为氨。氨会随着水蒸气蒸馏出来，利用20g/L的硼酸溶液吸收，并用标准酸进行滴定，从而计算出样品的全氮含量。

1.4 遥感数字图像的获取与处理

1.4.1 图像获取本试验无人机飞行时天气晴、无风。时间为上午10时，此时太阳高度角大于45°，由无人机搭载数码相机，此数码相机最大像素为1600万，在离地面高度约为120m的高度上飞行。相机调至TV模式，分别在抽穗期（2018.9.8）和结实期（2018.10.8）进行遥感图像的采集，最终得到RGB真彩色图像，电脑内存储为JEPG格式，并进行无损压缩。

1.4.2 图像处理利用Matlab软件进行每个小区R（红光值），G（绿光值），B（蓝光值）的读取。为更好地探究可见光参数与植株氮素营养的关系，对参数的绝对值以及数据组合进行处理，获取多种可见光参数。将2个时期获取的光谱参数与其所测到的全氮量进行相关分析，并分别分析2个时期水稻参数的变异系数，选取相关性高且变异系数小的参数作为最佳诊断参数。数据采用SPSS软件进行斯皮尔曼相关分析，并计算变异系数。

2 结果与分析

2.1 水稻冠层与全氮含量的相关关系从表1可以看出，无论是抽穗期期还是结实期，不施氮肥处理的水稻全氮含量都最低，低于其他处理，且N1/2和N1处理间无显著差异。

2.2 水稻冠层可见光参数变异系数遥感图像每个像源点对应一个参数值，采用求平均值的方法得到每个小区的R，G，B值，各处理3组平行间存在一定误差，采用舍弃一组平行的方法分析可见光参数与水稻含氮量之间的关系，进行后续试验分析。由图2和图3可知，本试验水稻在抽穗期，绿光值G在各个处理下均高于红光值R和蓝光值B;在抽穗期，处理N1下，水稻冠层的3个可见光参数值均较小;而在结实期，随着不同处理氮肥施加增多，各可见光参数值也随之增大。

从表3相关系数大小分析，参数R、G、G/R和R/B在结实期与水稻含氮量呈现出较强的相关性，在抽穗期却没有呈现出相关性;参数B、G/（R+G+B）、G/B、RGBV1与水稻含氮量间，无论在抽穗期还是结实期都具有较强的相关性，其他参数的相关性不稳定。

结合表3变异系数大小分析，水稻在抽穗期和结实期，图像可见光参数的变异系数具有较大差异，范围在2.0%～67.8%。上述遥感参数与水稻含氮量的相关分析中得出，参数B、G/（R+G+B）、G/B、RGBV1可作为水稻氮素营养诊断的指标。其中，参数G/（R+G+B）与水稻含氮量的变异系数较为稳定，所以参数G/（R+G+B）可作为水稻中稻期和晚稻期氮素营养诊断的最佳可见光参数。

2.3 含氮量与最佳参数之间相关模型综上，水稻在长穗期和结实期的含氮量与绿光化标准值之间存在着很强的相关关系，通过Excel对水稻长穗期和结实期2个时期的含氮量以及可见光参数G/（R+G+B）进行回归分析，得到y（含氮量）与x（绿光化标准值）之间的回归方程为y=0.0017x2-0.0074x+0.7201，R2=0.9825。

3 讨论

在本研究中，同一个处理平行间可见光参数存在差异。无人机数码相机可见光分辨率、空间分辨率可能是造成试验误差最大的原因，加上图像由人工进行处理，加大了试验误差[8-9];遥感图像1个像源点均对应1个参数值，本研究直接取平均值的方法忽略了同一个小区之间不同像源点可见光参数的差异[10]。

研究发现，各种作物叶片数量有差异，且作物颜色不同，所以导致不同作物对各个可见光参数的敏感度不同[12-13];本研究发现，水稻的含氮量与绿光标准化值[G/（R+G+B）]也能呈现出较好的相关性。因此，同一个作物在不同的研究中氮素诊断的最佳的参数也不一定相同，这可能是不同地理环境，气候因素对水稻的生长影响不同导致的[14]。因此，可见光参数与作物的含氮量的相关性并不是绝对的。

由于分蘖期水稻生长不成熟，水稻冠层对可见光的敏感度较弱[15]，本试验只对水稻抽穗期和结实期进行了采样，并且由于个别处理不同平行间可见光参数值差异较大。本研究采用舍弃一组偏差较大的参数值来求平均值的方法，每个处理最终得到两组可见光参数值，进行与水稻含氮量与可见光参数的相关分析。水稻抽穗期和结实期的2组可见光参数数据进行组合，最终拟合出最佳可见光参数值与水稻含氮量之间的回归方程。由于水稻生长受到很多不可控因素的影响，例如气候和地理位置，无人机可见光分辨率的误差，该回归方程只能适用于本研究下的水稻含氮量的氮素诊断。

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。