CN116662753B 一种基于作物模型与遥感耦合的水稻穗肥氮精准推 荐方法 （中国农业大学）

EP3497414A1,2019.06.19NitrogenDilutionCurveforRiceNitro一种基于作物模型与遥感耦合的水稻穗肥种基于作物模型与遥感耦合的水稻穗肥氮精准建模；S3、基于氮营养指数NNI的水稻氮营养诊多源遥感反演空间数据集为结合点耦合作物生23获取多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度Na数据、水稻关键生所述水稻关键生育期多源遥感数据包括卫星影像数据和S2.1、使用ENVI软件提取步骤S1获取的水稻关S2.2、利用scikit_learn库的线性回归模型LinearRegression、近邻模型于无人机遥感的AGB、Na最优反演模型分别应用于步骤S1获得的预测年对应的卫星影像数的氮营养指数NNI图层和基于无人机遥感的氮营养指数NNNI＝Na/Nc_14将步骤S1获得DSSAT调参数据库中的数据输入DSSAT模型，通过DSSAT_GL感源的地块级地上部生物量AGB估测值输入步骤S4.1获得的本地化后的水稻生长模型PNU＝NaxAGB公式9PNUC＝NcxAGB公式10_1各地块的穗肥氮推荐用量＝(总推荐施氮量_穗肥前实际施氮量2.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特3.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特54.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特5.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特误差RMSE，依据决定系数R2越大且平均绝对误差MAE和均方根误差RMSE越小的原则进行最6.根据权利要求1所述的基于作物模型与遥感耦合的水稻穗肥氮精准推荐方法，其特重和叶绿素含量农学参数与实测值之间的决定系数R2、归一化均方根误差nRMSE和平均误i_xi)/n公式66将基蘖肥与穗肥按一定的固定比例直接施用；或者是在水稻生长中期对水稻进行营养诊7[0008]本发明首先构建包括多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度种信息和管理数据。然后运用遥感植被指数计算和机器量为结合点耦合本地化后的DSSAT作物生长模型实时模拟水稻产量，以该产量为依据调整[0011]获取多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度Na数据、水稻关[0016]S2.2、利用scikit_learn库的线性回归模型LinearRegression、近邻模型和基于无人机遥感的AGB、Na最优反演模型分别应用于步骤S1获得的预测年对应的卫星影8遥感的氮营养指数NNI图层和基于无人机遥感的氮营养指数NAGB为地各遥感源的地块级地上部生物量AGB估测值输入步骤S4.1获得的本地化后的水稻生长模型[0034]S4.3、以步骤S4.2获得的各遥感源的产中地块级目标产量和总推荐施氮量为依9误差RMSE，依据决定系数R2越大且平均绝对误差MAE和均方根误差RMSE越小的原则进行最重和叶绿素含量农学参数与实测值之间的决定系数R2、归一化均方根误差nRMSE和平均误i_xi)/n公式6[0060]获取多年多点的水稻关键生育期地上部生物量AGB和植株氮浓度Na数据、水稻关[0070]S2.2、利用scikit_learn库的线性回归模型LinearRegression、近邻模型定系数R2越大且平均绝对误差MAE和均方根误差RMSE越小的原则进行和基于无人机遥感的AGB、Na最优反演模型分别应用于步骤S1获得的预测年对应的卫星影[0083]所述水稻关键生育期多源遥感数据是图层数据，包括历史数据和预测年数据两株氮浓度Na)，最后GDAL库再将计算后的值按照原先像素的空间位置重新整合为原始遥感遥感的氮营养指数NNI图层和基于无人机遥感的氮营养指数N[0087]公式4即为本实施例种植区水稻氮稀释曲线(该曲线为参考文献HuangSY,MiaonitrogendilutioncurveforricenitrogenstatusdiagnosisinNortheast于卫星遥感的地块级氮营养指数NNI估测图层(如图2所示)和地块级AGB、Na估测图层以及[0093]将步骤S1获得DSSAT调参数据库中的数据输入现有DSSAT(DecisionSupport等农学参数与实测值之间的决定系数R2、归一化均方根误差nRMSE和平均误差E为评价指E<0或E>0用于判断模型低估或高估以上农学参数；此时的遗传参数为本地化后的遗传参i_xi)/n公式6各遥感源的地块级地上部生物量AGB估测值输入步骤S4.1获得的本地化后的水稻生长模型[