基于多光谱无人机产量预测的小麦精量叶面肥追施方法

摘要: 本发明涉及无人机变量施肥,尤其是涉及基于多光谱无人机产量预测的小麦精量叶面肥追施方法。背景技术:1、小麦的产量和品质与追肥管理密切相关,尤其是旱作区因为不具有灌...
基于多光谱无人机产量预测的小麦精量叶面肥追施方法

本发明涉及无人机变量施肥,尤其是涉及基于多光谱无人机产量预测的小麦精量叶面肥追施方法。

背景技术:

1、小麦的产量和品质与追肥管理密切相关,尤其是旱作区因为不具有灌溉条件,需要通过增施肥料确保小麦的生长发育。叶面追肥是补充中后期养分的重要手段;然而,传统叶面施肥多采用全田统一剂量喷施,存在以下不足:

2、第一,在部分潜在产量已较高的区域过量施入叶面肥,导致小麦中上部叶片过度生长、叶片宽大披垂,群体郁蔽加重,中下层叶片受光不足,整体光合效率下降,反而可能导致贪青晚熟和千粒重降低。

3、第二,过量氮、钾等元素通过叶面进入体内后,会打破原有元素平衡。例如叶面过量施用尿素或磷酸二氢钾,会诱发氮-钾拮抗、钙-钾拮抗,抑制部分中微量元素的吸收与转运,降低肥料实际利用率。

4、第三,无效施肥不仅增加了肥料成本,多余的养分经淋溶挥发进入环境,带来面源污染风险。

5、现有无人机施肥作业虽然能够实现按区变量喷洒,但其决策依据多为归一化植被指数(ndvi)等单一指标且依赖经验,没有具体参考数值,难以直接推广,并且缺乏将实时光谱指数、关键生育期农学参数与最终产量挂钩的定量模型,导致施肥决策与小麦真实的产量形成需求脱节,“需多少、补多少”的精量调控无法实现。

6、在农业领域,无人机遥感凭借高时空分辨率、灵活性及易用性优势而能够高效收集作物冠层数据,并评估作物生长状况,如水分、养分、病虫害和光合作用等。多光谱成像技术的应用日益广泛。相比多光谱相机,多光谱相机能够利用可见光和近红外光谱提供更详细的光谱信息。此外,多光谱相机相比多光谱相机具有便捷、高性价比和数据处理方便等优势。植被指数作为反映作物生长状况的重要指标,已广泛应用于作物产量预测中。尽管如此,基于无人机多光谱影像的作物产量预测仍面临一些挑战,尤其表现在提升预测精度方面。

7、机器学习技术的发展,作物产量预测的准确性得到了显著提高。机器学习能够分析预测变量与响应变量之间的非线性关系,通常在拟合精度上优于传统的线性回归方法。深度学习中的长短期记忆网络等模型能够更好地处理时间序列数据,有效预测小麦的产量。现在研究人员开始使用不同时期小麦的生长指数来预测小麦的产量,使得数据更加真实可靠。

技术实现思路

1、本发明的目的是提供基于多光谱无人机产量预测的小麦精量叶面肥追施方法,以解决现有技术中施肥与最终产量目标关联弱、无法动态精量调控叶面肥供给的问题。

2、为实现上述目的,本发明提供了基于多光谱无人机产量预测的小麦精量叶面肥追施方法,包括以下步骤:

3、s1、构建跨生育期的小麦产量预测模型;

4、s2、实时获取待作业田块冠层光谱,反演得到各作业单元的spad值和叶面积指数lai,输入产量预测模型生成预估产量空间分布图;

5、s3、将预估产量与预设的目标产量阈值进行比较,生成变量施肥处方图;

6、s4、无人机根据变量施肥处方图,在各生育期对应施用适配的叶面肥类型进行对靶喷施。

7、优选的,s1包括以下步骤:

8、s11、分别在小麦的孕穗期和灌浆期,使用搭载多光谱相机与rtk定位模块的无人机采集试验地块的冠层多光谱影像;同时在田间均布选取n个标定样点,并同步人工测定各时期各样点的spad值和叶面积指数lai;在小麦成熟后,对各标定样点单独收获测产,获得籽粒产量数据;

9、s12、针对各时期的冠层光谱影像,提取植被指数,利用多元回归或机器学习算法,建立以植被指数为输入、分别输出spad值和叶面积指数lai的光谱反演模型;

10、s13、以标定样点在孕穗期和灌浆期的spad值和叶面积指数lai作为输入变量,以成熟期产量作为输出变量,构建跨生育期的产量预测模型。

11、优选的,s12中,植被指数包括ndvi、rvi、dvi、红边叶绿素指数中的一种或多种。

12、优选的,s13中,采用偏最小二乘回归、随机森林或人工神经网络构建跨生育期的小麦产量预测模型,并通过交叉验证确定最优spad值和叶面积指数lai。

13、优选的,s2包括以下步骤:

14、s21、分别在小麦的孕穗期和灌浆期,采用搭载喷施系统、多光谱成像机和rtk的无人机,对待作业田块进行12m-130m的低空遥感飞行,获取实时冠层光谱影像;调用s12构建的光谱反演模型,将光谱影像解算为各作业单元的spad值和叶面积指数lai;

15、s22、将解算得到的spad值和叶面积指数lai输入s13构建的小麦产量预测模型,生成当前时期的预估产量空间分布图。

16、优选的,s3中,将预估产量与预设的目标产量阈值进行比较,生成变量施肥处方图:

17、当预估产量低于目标产量下限时,判定为养分亏缺区,控制增加叶面肥喷洒量;

18、当预估产量高于目标产量上限时,判定为长势过盛区,控制减少或停止叶面肥喷洒;

19、当预估产量位于目标产量上限和下限之间时,维持基准喷洒量。

20、优选的,s3中,引入施肥调整系数量化预估产量相对目标产量的偏离幅度,根据施肥调整系数数值区间匹配差异化施肥调控策略;

21、施肥调整系数计算公式如下:

22、;

23、其中,为预估产量,为目标产量;

24、当时,判定为养分亏缺,施肥量在基准量上增加,且不超过基准量的50%;

25、当时,判定为长势过剩,施肥量减少;

26、当时,维持基准量。

27、优选的,s3中,目标产量上限和下限根据该田块所在产区的历史平均产量、品种产量潜力和土壤地力水平预先设定,并且在每次作业前调整并手动修改。

28、优选的,s3中,孕穗期喷施的叶面肥为磷钾型及硼肥;灌浆期喷施的叶面肥为钾肥及抗早衰功能型叶面肥。

29、因此,本发明采用上述基于多光谱无人机产量预测的小麦精量叶面肥追施方法,有益效果如下:

30、(1)本发明将无人机光谱数据、跨生育期农学参数与最终产量进行了定量关联,施药决策直接服务于产量目标,实现了“以产定肥”,施肥依据更科学。

31、(2)本发明通过产量预估,识别出田块内潜在高产而无需多肥的区域,停止或减少叶面肥供给,能在保证产量潜力的前提下整体节约叶面肥用量15%~30%,直接降低种植成本。

32、(3)本发明对产量偏低区域进行按需补充,避免全田“一刀切”式的过重追肥,能有效避免因过量叶面肥导致的功能叶徒长过大、群体遮光严重、植株呼吸消耗增加以及元素间拮抗失衡等问题,保障小麦生育后期光合生产和物质转运效率,进而提高小麦的结实率与粒重。

33、(4)本发明全程利用rtk高精度定位,使得多期光谱数据与地面实测点、后期施肥点精准匹配,保证了模型解算和处方图生成的空间精度,为无人机的厘米级变量喷洒提供支持。

34、下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。