基于多光谱技术的甜菜块根糖分增长期施氮决策模型

doi:10.11924/j.issn.1000-6850.casb2023-0343

中国农学通报 ›› 2024, Vol. 40 ›› Issue (10): 132-139.doi: 10.11924/j.issn.1000-6850.casb2023-0343

基于多光谱技术的甜菜块根糖分增长期施氮决策模型

王敬云¹(), 胡晓航¹(), 董心久²(), 马亚怀¹, 李彦丽¹

¹ 黑龙江大学现代农业与生态环境学院，哈尔滨 150008
² 新疆农业科学院经济作物研究所，乌鲁木齐 830000

收稿日期:2023-05-05 修回日期:2023-11-20 出版日期:2024-04-05 发布日期:2024-04-01
通讯作者:
胡晓航，女，1980年出生，黑龙江哈尔滨人，副研究员，博士，主要从事土壤生态与作物栽培方向的研究。Tel：0451-86609312，E-mail：hxhlmz@163.com。
董心久，男，1980年出生，山东临沂人，副研究员，研究方向为甜菜栽培与生理。E-mail：80416913@qq.com。
作者简介:
王敬云，女，2000年出生，山西阳泉人，研究生，研究方向：农艺与种业。通信地址：150080黑龙江省哈尔滨市南岗区学府路74号，E-mail：2867365617@qq.com。
基金资助:
黑龙江省省属高等学校基本科研业务费项目“DSSAT-CERES-BEET模型在东北寒地甜菜生产中的适用性评价”(2020-KYYWF-1025); 国家糖料产业技术体系分解项目“基于无人机遥感技术的糖用甜菜施肥决策模型研究”(CARS-170202); 黑龙江省生态环境厅项目“农业废弃物糖厂滤泥还田在黑土区土壤改良及碳排放研究”(HST2022TR003)

Nitrogen Fertilization Decision-Making Model During Sugar Growth Period of Sugar Beet Roots Based on Multispectral Technology

WANG Jingyun¹(), HU Xiaohang¹(), DONG Xinjiu²(), MA Yahuai¹, LI Yanli¹

¹ College of Modern Agriculture and Ecological Environment, Heilongjiang University, Harbin 150008
² Institute of Cash Crops, Xinjiang Academy of Agricultural Sciences, Urumqi 830000

Received:2023-05-05 Revised:2023-11-20 Published:2024-04-05 Online:2024-04-01

摘要/Abstract

摘要：

为快速准确地获取甜菜的生长状况，在东北寒区对糖用甜菜精准施肥，达到高质高产的目地。2022年在黑龙江省哈尔滨市黑龙江大学呼兰校区试验基地，以糖用甜菜‘KWS7748’为参试材料，获取甜菜块根糖分增长期不同施氮水平下的多光谱影像和田间实测数据，选出能反映甜菜此时期冠层生理生化的最优植被指数构建甜菜施氮决策模型。结果表明，甜菜的产量随着施氮水平的增加呈现先增加后减少的趋势，而含糖率随施氮水平的增加而显著下降；将各植被指数与甜菜SPAD进行回归分析，优选最优植被指数为LCI，不同施氮水平下LCI变化与根产量高度相关，与含糖率呈负相关关系；根据小区的最佳施氮量，生成试验区甜菜氮肥变量施肥图，与实际情况具有一致性。无人机遥感技术对甜菜氮素营养诊断，指导精准施用氮肥，实现高质高产具有重要的理论意义。

关键词: 甜菜, 多光谱, 氮肥推荐, 植被指数, 无人机遥感

Abstract:

To obtain fast and accurate information of the growth of sugar beet and to achieve high quality and high yield by precise fertilization of sugar beet in the cold region of Northeast China, the multi-spectral images and field measurements of sugar beet ‘KWS7748’ were obtained at the experimental site of Hulan Campus of Heilongjiang University in Harbin, Heilongjiang Province in 2022. The optimum vegetation index reflecting the physiology and biochemistry of sugar beet during this period was selected, and a decision-making model for sugar beet N application was constructed. The results showed that the sugar beet yield increased and gradually decreased, while the sugar content significantly reduced with the increase of N-fertilizer application. Based on the optimum N application rate of the plot, it generated a fertilizer map of N fertilizer variables used for sugar beet in the experimental area, which was consistent with the actual situation. UAV remote sensing technology is of theoretical importance in diagnosing nitrogen nutrition in sugar beet and guiding the precise application of nitrogen fertilizer to achieve high quality and yield.

Key words: sugar beet, multispectral, nitrogen fertilizer recommendation, vegetation index, UAV remote sensing

王敬云, 胡晓航, 董心久, 马亚怀, 李彦丽. 基于多光谱技术的甜菜块根糖分增长期施氮决策模型[J]. 中国农学通报, 2024, 40(10): 132-139.

WANG Jingyun, HU Xiaohang, DONG Xinjiu, MA Yahuai, LI Yanli. Nitrogen Fertilization Decision-Making Model During Sugar Growth Period of Sugar Beet Roots Based on Multispectral Technology[J]. Chinese Agricultural Science Bulletin, 2024, 40(10): 132-139.

图/表 11

图1. RGB影像与氮肥处理小区

编号	植被指数	计算公式	参考文献
1	GNDVI	$R N I R - R g r e e n R N I R + R g r e e n$	[21]
2	LCI	$R N I R - R r e d - e d g e R N I R + R r e d$	[22]
3	MCARI2	$3.75 (R N I R - R r e d) - 1.95 (R N I R - R g r e e n) (2 R N I R + 1) 2 - (6 R N I R - 5 R r e d) - 0.5$	[23]
4	NDVI	$R N I R - R r e d R N I R + R r e d$	[24]
5	NDRE	$R N I R - R r e d - e d g e R N I R + R r e d - e d g e$	[25]
6	OSAVI	$1.16 (R N I R - R r e d) R N I R - R r e d + 0.16$	[26]
7	SAVI	$R N I R - R r e d (R N I R + R r e d + L) (1 + L)$ L=0.5	[27]

编号	植被指数	计算公式	参考文献
1	GNDVI	$R N I R - R g r e e n R N I R + R g r e e n$	[21]
2	LCI	$R N I R - R r e d - e d g e R N I R + R r e d$	[22]
3	MCARI2	$3.75 (R N I R - R r e d) - 1.95 (R N I R - R g r e e n) (2 R N I R + 1) 2 - (6 R N I R - 5 R r e d) - 0.5$	[23]
4	NDVI	$R N I R - R r e d R N I R + R r e d$	[24]
5	NDRE	$R N I R - R r e d - e d g e R N I R + R r e d - e d g e$	[25]
6	OSAVI	$1.16 (R N I R - R r e d) R N I R - R r e d + 0.16$	[26]
7	SAVI	$R N I R - R r e d (R N I R + R r e d + L) (1 + L)$ L=0.5	[27]

表1. 植被指数计算公式

图2. 不同施氮水平的甜菜农艺性状

模型类型	植被指数	a	b	c	R²	RMSE
线性模型 Y=a+bx	GNDVI	-64.89	126.29		0.6524	0.8383
	LCI	-2.69	73.03		0.6981	0.7812
	MCARI2	83.75	-49.50		0.0260	1.4033
	NDVI	-131.79	192.53		0.3023	1.1878
	NDRE	9.42	68.00		0.6679	0.8195
	OSAVI	-131.26	165.47		0.3034	1.1868
	SAVI	-131.40	256.17		0.3046	1.1858
二项式 Y=a+bx+cx²	GNDVI	1335.82	-2088.89	853.36	0.6603	0.8736
	LCI	-530.87	693.75	-184.02	0.7086	0.8091
	MCARI2	-49198.33	86723.84	-38176.87	0.4346	1.1271
	NDVI	-21759.85	39018.49	-17450.71	0.3775	1.1826
	NDRE	-869.73	852.28	-167.17	0.6977	0.8241
	OSAVI	-15554.28	32356.44	-16786.48	0.3755	1.1845
	SAVI	-37083.85	49873.37	-16727.74	0.3764	1.1836
对数 Y=a+blnx	GNDVI	59.43	104.63		0.6515	0.8394
	LCI	62.96	42.74		0.7005	0.7782
	MCARI2	34.66	-43.26		0.0255	1.4037
	NDVI	59.61	171.97		0.3030	1.1871
	NDRE	64.60	30.75		0.6729	0.8132
	OSAVI	34.11	171.43		0.3041	1.1862
	SAVI	108.95	171.58		0.3053	1.1852
指数 Y=ae^bx	GNDVI	2.85	3.18		0.6547	0.8356
	LCI	13.81	1.82		0.6954	0.7848
	MCARI2	90.49	-0.92		0.0239	1.4049
	NDVI	0.57	4.76		0.2990	1.1905
	NDRE	18.74	1.69		0.6638	0.8244
	OSAVI	0.58	4.10		0.3002	1.1895
	SAVI	0.57	6.34		0.3014	1.1885
幂函数 Y=ax^b	GNDVI	65.25	2.64		0.6538	0.8366
	LCI	70.86	1.07		0.6980	0.7815
	MCARI2	35.10	-1.06		0.0250	1.4040
	NDVI	0.57	4.76		0.2990	1.1905
	NDRE	73.63	0.76		0.6691	0.8180
	OSAVI	34.57	4.24		0.3010	1.1889
	SAVI	220.43	4.25		0.3021	1.1879

表2. 模型及精度评价结果

图3. 试验区LCI指数等级图

图4. 不同施氮水平的根产量

图5. 不同施氮水平的含糖率

图6. 根产量与LCI指数关系

图7. 含糖率与LCI指数关系

图8. 氮肥水平分布图

图9. 试验区推荐施肥图

参考文献 30

[1]	刘洪, 董元华, 隋跃宇, 等. 甜菜抗病品种产生抗性的土壤微生物机理[J]. 中国农学通报, 2021, 37(15):78-86. doi: 10.11924/j.issn.1000-6850.casb2020-0441
[2]	白如霄, 范守杰, 和海秀, 等. 不同氮磷肥施用量对甜菜生长、生理及产量品质的影响[J]. 江苏农业科学, 2022, 50(10):117-124.
[3]	倪洪涛, 孙元, 黄雅曦. 甜菜氮代谢的研究进展[J]. 中国甜菜糖业, 2008(4):35-38.
[4]	FU Y, YANG G, PU R, et al. An overview of crop nitrogen status assessment using hyperspectral remote sensing: Current status and perspectives[J]. European journal of agronomy, 2021, 124:126241. doi: 10.1016/j.eja.2021.126241 URL
[5]	尹彦鑫, 孟志军, 赵春江, 等. 大田无人农场关键技术研究现状与展望[J]. 智慧农业(中英文), 2022, 4(4):1-25.
[6]	付婷婷, 邓永卓, 韩志江. 无人机在现代农业生产中的应用[J]. 天津农林科技, 2017(4):14-15.
[7]	于丰华, 曹英丽, 许童羽, 等. 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[J]. 农业工程学报, 2020, 36(15):103-110.
[8]	许童羽, 白驹驰, 郭忠辉, 等. 基于无人机高光谱遥感的水稻氮营养诊断方法[J]. 农业机械学报, 2023, 54(2):189-197,222.
[9]	郑启帅. 基于多旋翼无人机的油菜变量追肥技术研究[D]. 杭州: 浙江大学, 2019.
[10]	孙志伟, 王晓琳, 张启明, 等. 基于无人机可见光谱平台的烤烟氮素营养诊断[J]. 光谱学与光谱分析, 2021, 41(2):586-591.
[11]	魏全全, 李飞, 张萌, 等. 基于数字图像技术的马铃薯氮素营养估测及验证[J]. 生态学杂志, 2021, 40(9):3017-3024.
[12]	宋成阳. 无人机表型技术在冬小麦产量性状鉴定中的应用[D]. 乌鲁木齐: 新疆农业大学, 2022.
[13]	QIU Z, MA F, LI Z, et al. Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms[J]. Computers and electronics in agriculture, 2021, 189:106421. doi: 10.1016/j.compag.2021.106421 URL
[14]	张晶. 基于高光谱成像技术的甜菜生理生态参数检测方法研究[D]. 呼和浩特: 内蒙古农业大学, 2021.
[15]	CAO Y, LI G L, LUO Y K, et al. Monitoring of sugar beet growth indicators using wide-dynamic-range vegetation index (WDRVI) derived from UAV multispectral images[J]. Computers and electronics in agriculture, 2020, 171:105331. doi: 10.1016/j.compag.2020.105331 URL
[16]	CHANCIA R, VAN AARDT J, PETHYBRIDGE S, et al. Predicting table beet root yield with multispectral UAS imagery[J]. Remote sensing, 2021, 13(11):2180. doi: 10.3390/rs13112180 URL
[17]	SAIF M S, CHANCIA R, PETHYBRIDGE S, et al. Forecasting table beet root yield using spectral and textural features from hyperspectral UAS imagery[J]. Remote sensing, 2023, 15(3):794. doi: 10.3390/rs15030794 URL
[18]	WALSH O S, NAMBI E, SHAFIAN S, et al. UAV-based NDVI estimation of sugarbeet yield and quality under varied nitrogen and water rates[J]. Agrosystems, geosciences & environment, 2023, 6(1):e20337.
[19]	ZENG Y, HAO D, HUETE A, et al. Optical vegetation indices for monitoring terrestrial ecosystems globally[J]. Nature reviews earth & environment, 2022, 3(7):477-493.
[20]	FERCHICHI A, ABBES A B, BARRA V, et al. Forecasting vegetation indices from spatio-temporal remotely sensed data using deep learning-based approaches: A systematic literature review[J]. Ecological informatics, 2022:101552.
[21]	樊鸿叶, 李姚姚, 卢宪菊, 等. 基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究[J]. 中国农业科技导报, 2021, 23(9):112-120.
[22]	边立丽. 基于地面与低空影像的烤烟氮素营养诊断[D]. 北京: 中国农业科学院, 2021.
[23]	姜海玲, 杨杭, 陈小平, 等. 利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J]. 光谱学与光谱分析, 2015, 35(4):975-981.
[24]	ROUSE J J W, HAAS R H, DEERING D W, et al. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[R]. 1974.
[25]	BARNES E M, CLARKE T R, RICHARDS S E, et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data[A].//Proceedings of the Fifth International Conference on Precision Agriculture[C]. Bloomington, MN, USA, 2000:6.
[26]	RONDEAUX G, STEVEN M, BARET F. Optimization of soil-adjusted vegetation indices[J]. Remote sensing of environment, 1996, 55(2):95-107. doi: 10.1016/0034-4257(95)00186-7 URL
[27]	LIAQAT M U, CHEEMA M J M, HUANG W, et al. Evaluation of MODIS and Landsat multiband vegetation indices used for wheat yield estimation in irrigated Indus Basin[J]. Computers and electronics in agriculture, 2017, 138:39-47. doi: 10.1016/j.compag.2017.04.006 URL
[28]	林明, 王荣华, 曹禹, 等. 基于光合性状和农艺性状评价不同甜菜品种的生态稳定性[J]. 中国农业大学学报, 2023, 28(2):43-58.
[29]	VERMA B, PRASAD R, SRIVASTAVA P K, et al. Investigation of optimal vegetation indices for retrieval of leaf chlorophyll and leaf area index using enhanced learning algorithms[J]. Computers and electronics in agriculture, 2022, 192:106581. doi: 10.1016/j.compag.2021.106581 URL
[30]	CILIA C, PANIGADA C, ROSSINI M, et al. Nitrogen status assessment for variable rate fertilization in maize through hyperspectral imagery[J]. Remote sensing, 2014, 6(7):6549-6565. doi: 10.3390/rs6076549 URL

基于多光谱技术的甜菜块根糖分增长期施氮决策模型

Nitrogen Fertilization Decision-Making Model During Sugar Growth Period of Sugar Beet Roots Based on Multispectral Technology

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 30

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

[1]	杨家琪, 韩广源, 刘乃新, 周芹. 甜菜酪氨酸代谢途径关键酶的生物信息学研究[J]. 中国农学通报, 2024, 40(9): 124-131.
[2]	王鹏翔, 陈翔宇, 魏春月, 马怡茹, 秦诗哲, 周泽轩, 张泽. 基于机器学习算法的滴灌棉花地上部氮浓度估测模型研究[J]. 中国农学通报, 2024, 40(4): 148-157.
[3]	李佳颖, 刘乃新, 韩广源. 红甜菜根中萜类代谢物的比较代谢组学分析[J]. 中国农学通报, 2024, 40(2): 137-142.
[4]	陈丽楠, 刘秀春, 周晏起, 朱红. 设施土壤次生盐渍化特征及修复进展[J]. 中国农学通报, 2023, 39(9): 79-84.
[5]	江婉玥, 胡晓航, 马亚怀, 李彦丽. 基于R语言的GGE双标图法在甜菜品种区域试验中的应用[J]. 中国农学通报, 2023, 39(8): 7-14.
[6]	张春峰, 刘军亮, 王囡囡, 朱宝国, 孟庆英, 冯浩原. 根菜类作物块根测定装置的研制[J]. 中国农学通报, 2023, 39(7): 129-134.
[7]	田婷, 张青, 徐雯. 基于无人机多光谱影像的水稻冠层SPAD值预测研究[J]. 中国农学通报, 2023, 39(4): 149-153.
[8]	刘爱杰, 张惠忠, 王茂芊. 亚硒酸钠浸种对盐胁迫下甜菜种子萌发的影响[J]. 中国农学通报, 2023, 39(35): 20-26.
[9]	张于, 邳植, 李胜男, 吴则东. 甜菜生物育种的研究进展及未来展望[J]. 中国农学通报, 2023, 39(31): 7-12.
[10]	苏炀, 胡华兵, 王荣华, 王茂芊. 不同浓度酒石酸对甜菜种子萌发的影响[J]. 中国农学通报, 2023, 39(30): 21-27.
[11]	刘爱杰, 张惠忠, 兴旺, 王茂芊. 木酢液处理对甜菜种子萌发及物质效率的影响[J]. 中国农学通报, 2023, 39(30): 28-35.
[12]	杨然, 兴旺, 刘大丽, 吴则东, 王茂芊. 褪黑素和多巴胺对甜菜种子引发与盐胁迫的比较研究[J]. 中国农学通报, 2023, 39(30): 36-46.
[13]	郇町, 胡华兵, 贺碧微, 孙琳琳, 刘建雄, 刘珣, 袁团团, 丁兆斐. 不同引进甜菜品种经济性状关系分析[J]. 中国农学通报, 2023, 39(3): 11-19.
[14]	黄烁淇, 赵晓鑫, 翟妍, 倪渊嵘, 鲁振强, 刘大丽. BvHIPP24介导甜菜应答镉胁迫的作用分析[J]. 中国农学通报, 2023, 39(27): 110-117.
[15]	朱生翠, 李国婷, 魏永林, 马扶林, 金显玲, 曹迎敏. 青海湖北岸天然牧草产量预测模型研究[J]. 中国农学通报, 2023, 39(25): 109-115.