一种垂直生长作物地上生物量模型构建方法及系统

1.本发明涉及农作物种植技术领域，更具体的说是涉及一种垂直生长作物地上生物量模型构建方法及系统。


背景技术：

2.小麦和玉米是我国重要的储备粮食作物，其高产稳产是保障国家粮食安全的关键，及时准确的小麦和玉米的长势定量评价技术已成为农业部门农情调度和广大农民调整田间管理措施的重要科学决策依据。作物地上生物量(aboveground biomass,agb)是反映作物生长状况的重要生理参数，且与作物产量密切相关，是作物长势监测和产量预测重点关注的指标之一。目前，在实际生产中为掌握作物生物量信息，多需要农技人员选取代表性样点，进行破坏性采样，然后将样本送回实验室进行预处理、烘干和称重。此方法具有破坏性、滞后性和非动态性，且成本较高。且以点带面较容易产生偏差，不适合大面积的作物生物量信息的获取。此外选取的代表性样点受调查人员主观影响较大，存在同一区域不同调查人员，给出结果不一致的问题。遥感技术作为目前唯一能够在大范围内实现快速获取空间连续地表信息的手段，对于发展高产高效和环境友好型现代农业的重要性已被普遍认可。但是现有的光学遥感植被指数在中到高程度的作物覆盖度下往往趋于饱和，且光学遥感往往无法较好地探测分布在作物茎秆和生殖器官(如穗)中的生物量，从而无法较准确地估算作物生物量，是目前光学遥感监测作物生物量的主要瓶颈之一。尽管现有遥感技术和先进的统计回归模型的结合能在一定程度上提高了生物量估算的精度，但是这类数据驱动的生物量模型缺乏对作物在营养生长和生殖生长阶段光合产物转移的解释，从而不能反映不同生育时期叶片生物量、茎秆和穗生物量对总体生物量贡献的变化，因此构建能反映这种变化且简单有效的作物生物量模型，及时准确大面积地获取作物生物量信息，对于农业部门掌握全国各地的作物长势信息和产量预测，及时做出调度和决策具有重要意义。


技术实现要素：

3.有鉴于此，本发明提供了一种垂直生长作物地上生物量模型构建方法及系统。
4.为了实现上述目的，本发明采用如下技术方案：
5.一种垂直生长作物地上生物量模型构建方法，包括以下步骤：
6.利用遥感生物量监测方法获取作物生物量相关参数；
7.基于作物初期的遥感影像计算作物种植密度；
8.根据作物生物量相关参数以及作物种植密度构建作物生物量模型：
9.agb＝[lai]cm c
dchcsm
；
[0010]
其中，agb为总体生物量，lai为叶面积指数，cm为平均叶片干物质含量，cd为种植密度，ch为株高，c
sm
为茎秆或生殖器官平均干物质含量。
[0011]
可选的，所述叶面积指数的计算公式如下：
[0012]
[0013]
表示一株代表性植株所有叶片的面积之和。
[0014]
可选的，所述茎秆或生殖器官平均干物质含量的定义式如下：
[0015]csm
＝a
as
×das
；
[0016]aas
为平均茎秆或生殖器官横截面积，d
as
为平均茎秆或生殖器官干物质密度。
[0017]
可选的，还包括基于遥感数据的叶面积指数反演方法采用光谱植被指数法，机器学习法以及基于辐射传输模型的反演方法。
[0018]
可选的，所述株高基于无人机遥感平台获取的数码、多光谱或者高光谱影像生成的作物表面模型得到。
[0019]
一种垂直生长作物地上生物量模型构建系统，包括：
[0020]
作物生物量相关参数获取模块：用于利用遥感生物量监测方法获取作物生物量相关参数；
[0021]
作物种植密度计算模块：用于基于作物初期的遥感影像计算作物种植密度；
[0022]
作物生物量构建模块：用于根据作物生物量相关参数以及作物种植密度构建作物生物量模型：
[0023]
agb＝[lai]cm c
dchcsm
；
[0024]
其中，agb为总体生物量，lai为叶面积指数，cm为平均叶片干物质含量，cd为种植密度，ch为株高，c
sm
为茎秆或生殖器官平均干物质含量。
[0025]
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种垂直生长作物地上生物量模型构建方法及系统，具有以下有益效果：通过分别对作物叶片生物量和茎秆或生殖器官生物量建立模型，较好地刻画了作物在营养生长和生殖生长阶段光合产物转移过程。与现有基于光学遥感的生物量模型相比，该模型估算的生物量具有较高的精度，普适性和稳定性较强，能较大地提高作物生物量信息获取的效率。
附图说明
[0026]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0027]
图1为本发明的流程示意图。
具体实施方式
[0028]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0029]
本发明实施例公开了一种垂直生长作物地上生物量模型构建方法，如图1所示包括以下步骤：
[0030]
利用遥感生物量监测方法获取作物生物量相关参数；
[0031]
基于作物初期的遥感影像计算作物种植密度；
[0032]
根据作物生物量相关参数以及作物种植密度构建作物生物量模型：
[0033]
agb＝[lai]cm c
dchcsm
；
[0034]
其中，agb为总体生物量，lai为叶面积指数，cm为平均叶片干物质含量，cd为种植密度，ch为株高，c
sm
为茎秆或生殖器官平均干物质含量。
[0035]
本发明构建了一个新的作物生物量模型，该模型的适用对象是垂直生长的作物，如小麦和玉米。该模型能够反映作物在营养生长和生殖生长阶段光合产物的转移，从而能较好的解释不同生育时期，叶片生物量、茎秆和穗生物量对总体生物量贡献的变化。在营养生长早期阶段，如小麦出苗期和分蘖期，光合产物主要存储在作物叶片中。在营养生长中后期阶段，如小麦拔节和挑旗期，光合产物存储在作物叶片和茎秆中。在生殖生长阶段，如小麦的开花期和灌浆期，光合产物主要存储在作物茎秆和穗中。为了反映不同生育时期光合产物的转移，新构建的作物生物量模型由两个部分组成，即：叶片生物量模型和茎秆生物量模型，随着作物生长进程的推进，其中茎秆生物量包括茎秆或穗的生物量。叶片生物量(agb
l
)、茎秆生物量(agbs)和总体生物量(agb)的计算公式如下：
[0036]
agb＝agb
l
agbs(1)
[0037][0038]
其中cd为种植密度，单位为m-2
；cm为平均叶片干物质含量，单位为g/m2；l
a,i
为一株代表性植株的第i片叶片的面积，单位为m2，表示一株代表性植株所有叶片的面积之和，实际中可以用多株植株叶片面积的平均值代替，缓解采样带来的偏差。由于lai(leafareaindex)为叶面积指数，单位为m2/m2，因此，式(2)可以改写为：
[0039]
agb
l
＝lai
×cm
(3)
[0040]
作物茎秆生物量模型可以用式(4)描述，
[0041][0042]
其中ch为株高，是从地面到作物顶部(顶端的叶片、小麦的麦穗或玉米的雄穗)的高度，单位为m；a(h)为作物茎部的截面积，单位为m2；d(h)为作物茎部或生殖器官干物质密度，单位为g/m3。为了便于实际应用，引入两个参量，其一是平均茎秆或生殖器官干物质密度d
as
，单位为g/m3；其二是平均茎秆或生殖器官横截面积a
as
,单位为m2，因此，因此
[0043]
则式(4)可以改写为式(5)，
[0044]
agbs＝cdd
aschaas
(5)
[0045]
在茎生物量模型中，定义一个新的参数c
sm
＝a
as
×das
，它表示茎秆平均干物质含量，单位为g/m。因此式(5)可以改写为式(6)，
[0046]
agbs＝c
dchcsm
(6)
[0047]
因此作物生物量模型式(1)可以展开为式(7)，
[0048]
agb＝[lai]cm c
dchcsm
(7)
[0049]
新构建的作物生物量模型，适用于田间实际调查和大面积遥感生物量监测。
[0050]
在田间实际调查中，模型中lai，cd和ch三个参量均可以非破坏性的方式直接测定；而cm和c
sm
，对于处于同一生育时期的同种作物，它们的值的波动较小，因此可以根据实际田间测量累积的数据，给出小麦和玉米不同生育时期cm和c
sm
两个参量的查找表，从而可以直接估算出作物的生物量，免去了破坏性的采样和后期样本的预处理和烘干称重等操作，大大提高了生物量信息获取的时效性。
[0051]
在大面积的遥感生物量监测中，cd，lai，cm,ch和c
sm
可以由遥感数据间接获得。基于作物生长初期的遥感影像，结合数字图像处理方法和机器学习方法，可以估算cd。基于遥感数据的lai反演方法有(1)光谱植被指数法，常用的植被指数有归一化植被指数ndvi(normalized difference vegetation index)，增强植被指数evi(enhanced vegetation index)和优化土壤调节植被指数osavi(optimized soil adjust vegetation index)等，通过已有的植被指数和lai之间的线性或非线性模型，可以获得大面积lai信息；(2)机器学习方法，与植被指数方法相比，这种方法相对较复杂，但是lai估算精度相对较高，常用的机器学习方法有人工神经网络、支持向量机、随机森林和深度学习等；(3)基于辐射传输模型的反演方法，常用于作物lai反演的辐射传输模型有prosect叶片光学模型和sail冠层反射率模型。株高ch可以基于无人机遥感平台获取的数码、多光谱或者高光谱影像生成的作物表面模型得到。cm和c
sm
与株高ch存在一定的关系，随着作物株高的增加，茎秆将逐渐变粗以支撑垂直生长结构，因此cm和c
sm
可以通过基于作物表面模型和光谱指数或光谱反射率建立的机器学习模型估算得到。
[0052]
基于某年冬小麦实验数据进行了分析，结果表明不同生育时期叶片生物量均与lai存在较强的线性相关性。随着作物生长进程的推进，茎秆或生殖器官生物量占总生物量的比重逐渐增加，直至占主导地位。这与光合产物的转移过程是一致的，作物生长初期光合产物主要存储于叶片，随后主要存储于叶片和茎秆，最后存在茎秆和生殖器官(如麦穗)中。ch,ch×cd
,ch×cd
×csm
和茎秆或生殖器官生物量相关性分析结果表明，ch×cd
×csm
与茎秆或生殖器官生物量的相关性最高，达到了极显著水平。综上表明提出的作物生物量模型能较好的刻画作物不同部分的生物量，能反映光合产物转移的过程。
[0053]
基于积累的冬小麦和夏玉米田间采样数据，初步形成了部分生育时期cm和c
sm
的查找表，后期随着数据的增多，包括不同品种、不同地域采集的田间数据，可做修正。
[0054]
表1基于现有冬小麦和夏玉米数据初步得出的cm和c
sm
查找表
[0055][0056]
一个具体的应用实例，基于构建的生物量模型，结合无人机高光谱数据，估算冬小麦生物量。首先在无人机高光谱数据拼接过程中可以生成作物表面模型，基于此模型可以估算得到作物的株高。采用多输入多输出人工神经网络模型，获得lai,cm和c
sm
三个参数，该模型的输入为作物表面模型、光谱指数和光谱反射率，输出为lai,cm和c
sm
。种植密度为田间调查得到。
[0057]
表2提出方法和最优指数模型估算结果对比
[0058][0059]
注：最优指数模型为y＝a
×
x1x2 b,a和b为模型系数；x1为无人机高光谱数据提取的作物表面模型参数；x2为红边叶绿素指数cire＝r
782
/r
702-1,其中r
782
和r
702
分别为波段782nm和702nm的反射率。
[0060]
本实施例还公开了一种垂直生长作物地上生物量模型构建系统，其特征在于，包括：
[0061]
作物生物量相关参数获取模块：用于利用遥感生物量监测方法获取作物生物量相关参数；
[0062]
作物种植密度计算模块：用于基于作物初期的遥感影像计算作物种植密度；
[0063]
作物生物量构建模块：用于根据作物生物量相关参数以及作物种植密度构建作物生物量模型：
[0064]
agb＝[lai]cm c
dchcsm
；
[0065]
其中，agb为总体生物量，lai为叶面积指数，cm为平均叶片干物质含量，cd为种植密度，ch为株高，c
sm
为茎秆或生殖器官平均干物质含量。
[0066]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0067]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。