一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法

1.本发明属于农业面源污染模拟技术领域，涉及一种精准的稻作灌区田面水氮浓度的预测方法，尤其涉及一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法。


背景技术：

[0002][0003]
准确获取灌区稻田施肥时间/量的时空信息是提高流域尺度面源污染模型模拟精度的关键。然而，灌区稻田实际生产活动中，农户在不同田块、不同生长阶段的施肥时间/量具有显著差异。区域尺度传统施肥时空信息的获取存在一些挑战：传统的野外区域尺度多点位施肥时间/量调研，但通常需要耗费大量时间和人力成本，调研数据误差较大；此外，基于gis不同点位的调研施肥信息进行空间插值导致数据不确定性较大。研究表明，施肥时间/量与物候阶段和植被指数具有显著相关性。施肥时间主要取决于水稻的物候阶段；基于遥感的植被指数(如ndvi、lai等)也可以识别水稻物候阶段并且能够定量反演养分需求，进而调控水稻的施肥管理。因此，遥感技术在准确获取区域尺度内不同田块的施肥时间/量方面具有巨大潜力。以往区域/流域尺度的稻田面源污染模型(如swat、swat-paddy、hspf)在实际应用中不同田块都是采用统一的施肥时间/量，未考虑灌区内田块尺度的施肥时空异质性，导致区域尺度稻田田面水污染物浓度及流失负荷评估结果不确定性较大。
[0004]
针对上述问题，有必要建立一种行之有效的精准预测方法：提出了一种基于遥感物候/植被信息的施肥时间/量定量评估方法，结合稻田田面水氮浓度预测模型，对灌区田块尺度田面水氮浓度时空变化进行精准监测评估。


技术实现要素：

[0005]
本发明的目的在于提供一种稻作灌区田面水氮浓度的预测方法，是一种基于物候/植被信息的稻田田面水氮浓度预测方法，可精准有效的实现定量模拟稻田田面水中的氮浓度。
[0006]
一种基于遥感物候/植被信息的稻田田面水氮浓度预测方法，包括以下步骤：
[0007]
s1、基于gee云平台运用javascript语言采用谐波分析提取水稻种植范围，通过双逻辑函数识别水稻主要物候时间，包括：移栽、分蘖、抽穗时间；
[0008]
s2、通过实地调研灌区内水稻主要物候时间(包括移栽、分蘖、抽穗时间)/施肥时间(包括基肥、分蘖肥、穗肥)，建立基于物候的施肥时间预测模型；
[0009]
s3、通过文献收集，构建水稻不同物候期的基于lai的施氮量反演模型；
[0010]
s4、基于gee云平台通过javascript语言运用步骤s2中拟合的模型在步骤s1的稻作灌区物候时间的基础上获得稻作灌区内三次施肥时间的时空变化；
[0011]
s5、基于gee云平台通过javascript语言运用步骤s3中拟合的模型结合步骤s4的稻作灌区内三次施肥时间反演相应的稻田施氮量；
[0012]
s6、通过文献和实测数据收集，分别建立基于施肥后天数、施氮量的稻田田面水din/tn浓度的非线性模型；
[0013]
s7、基于gee平台通过javascript语言运用步骤s6中拟合的模型，获得不同施肥时间下的稻田田面水din/tn浓度的时空变化；
[0014]
其中，在步骤s2中所述的基于物候的施肥时间预测模型包括：基于移栽时间的施基肥时间的线性模型，基于分蘖时间的施蘖肥时间的线性模型，以及基于抽穗时间的施穗肥时间的非线性模型；
[0015]
(1)基于移栽时间的施基肥时间的线性模型为：
[0016]
f_time1＝1.3408
×
bos-58.3
[0017]
式中，f_time1是实地调研的施基肥时间(day of year,doy)，bos是步骤s1中基于gee识别的水稻移栽时间(doy)。
[0018]
(2)基于分蘖时间的施蘖肥时间的线性模型为：
[0019]
f_time2＝1.7731
×
mid1-172.51
[0020]
式中，f_time2是实地调研的施蘖肥时间(doy)，mid1是步骤s1中基于gee识别的水稻分蘖时间(doy)。
[0021]
(3)基于抽穗时间的施穗肥时间的非线性模型为：
[0022]
f_time3＝0.1082
×
pos
2-53.244
×
pos+6762
[0023]
式中，f_time3是实地调研的施穗肥时间(doy)，pos是步骤s1中基于gee识别的水稻抽穗时间(doy)。
[0024]
在步骤s3中所述建立水稻不同物候期的基于lai的施氮量反演模型包括：分蘖开始时基于lai的基肥施氮量的线性模型，穗分化时基于lai的蘖肥施氮量的非线性模型，抽穗时基于lai的lai-穗肥施氮量的非线性模型；
[0025]
(1)分蘖开始时基于lai的基肥施氮量的线性模型为：
[0026]
n_application197.6
×
lai1+53.7
[0027]
式中，n_application1是基肥施氮量(kg/ha)，lai1是水稻分蘖开始时的lai值。
[0028]
(2)穗分化时基于lai的蘖肥施氮量的非线性模型为：
[0029]
n_application2＝9.094
×
lai
21.253
[0030]
式中，n_application2是蘖肥施氮量(kg/ha)，lai2是水稻穗分化开始时的lai值。
[0031]
(3)抽穗时基于lai的lai-穗肥施氮量的非线性模型为：
[0032][0033]
式中，n_application3是穗肥施氮量(kg/ha)，lai3是水稻抽穗开始时的lai值。
[0034]
在步骤s6中所述基于施肥后天数、施氮量的稻田田面水din/tn浓度的非线性模型包括：基于施肥后天数、施氮量的din浓度的非线性模型；基于施肥后天数、施氮量的tn的非线性模型；
[0035]
(1)基于施肥后天数、施氮量的din浓度的非线性模型为：
[0036][0037]
式中，y
din
为施肥后稻田田面水无机氮浓度(mg/l)，fn为施氮量(kg/ha)，t为施肥后的第i天(i＝1,2,3
…
)。
[0038]
(2)基于施肥后天数、施氮量的tn的非线性模型为：
[0039][0040]
式中，y
tn
为施肥后稻田田面水总氮浓度(mg/l)，fn为施氮量(kg/ha)，t为施肥后的第i天(i＝1,2,3
…
)。
[0041]
与现有技术相比，本发明的有益效果为：
[0042]
本发明提供了一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，基于gee云平台，运用施肥时间预测模型以及施氮量反演模型获取稻作灌区内施肥时间及施氮量的时空变化，结合基于施肥后天数、施氮量的稻田田面水氮浓度预测模型，能够精准预测稻作灌区稻田田面水氮浓度时空热点。而以往区域/流域尺度的稻田面源污染模型在实际应用中不同田块都是采用统一的施肥时间/量，未考虑灌区内田块尺度的施肥时空异质性，导致区域尺度稻田田面水污染物浓度及流失负荷评估结果不确定性较大。因此，本发明不仅实现了稻作灌区内田块尺度的施肥时间的预测以及施肥量的反演，也显著提高了区域尺度稻田田面水污染物浓度的预测精度。
[0043]
本发明基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，通过gee云平台获取稻作灌区内水稻三次施肥时间及施氮量，结合稻田田面水氮浓度预测模型，精准预测稻作灌区稻田田面水氮浓度时空热点，与其他常规方法相比较，预测田面水氮浓度精度更高，也具有更高的可靠性和科学性。
附图说明
[0044]
图1是本发明中一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法的步骤流程图。
[0045]
图2a、图2b、图2c是本发明中基于物候的施肥时间预测模型。
[0046]
图3是本发明中施肥时间预测模型验证结果图。
[0047]
图4a、图4b、图4c是本发明中水稻不同物候期的基于lai的施氮量反演模型。
[0048]
图5是本发明中反演稻田施氮量模型验证结果图。
[0049]
图6a、图6b、图6c、图6d是本发明中稻田田面水din/tn浓度的预测模型及其参数拟合方程。
[0050]
图7a、图7b是本发明中稻田田面水din/tn浓度的预测模型验证结果图。
[0051]
图8a、图8b、图8c是本发明中基于gee获取的水稻移栽、分蘖、抽穗时间的时空分布图。
[0052]
图9a、图9b、图9c是本发明中基于gee获取的水稻施用基肥、蘖肥、穗肥时间的时空分布图。
[0053]
图10a、图10b、图10c是本发明中基于gee获取的水稻施用基肥、蘖肥、穗肥的施氮量的时空分布图。
[0054]
图11a、图11b、图11c、图11d、图11e、图11f是本发明中基于gee获取的稻田田面水din/tn浓度时空分布图。
具体实施方式
[0055]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对
本发明进行进一步详细说明。此处所描述的实施例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。
[0056]
一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，如图1所示，包括以下步骤：
[0057]
s1、基于gee云平台运用javascript语言采用谐波分析提取水稻种植范围，通过双逻辑函数识别水稻主要物候时间，包括：移栽、分蘖、抽穗时间；
[0058]
本发明在步骤s1中基于谐波分析统计研究区地物的振幅，因为其谐波成分与周期性物候节律的内在一致性，在水稻与其他地物的两个明显波峰中选择0.5作为提取水稻种植范围的阈值进行提取。基于s-g滤波得到具有高时空分辨率的ndvi时间序列，进而通过双逻辑函数进行物候提取，将平滑拟合后的ndvi的最低点—bos定义为水稻移栽期，增长速率最大的点——mid1定义为分蘖期，最高点—pos定义为水稻抽穗期。
[0059]
s2、建立基于物候的施肥时间预测模型，如图2a、图2b、图2c所示；
[0060]
(1)基于移栽时间的施基肥时间的线性模型为：
[0061]
f_time1＝1.3408
×
bos-58.3
[0062]
式中，f_time1是实地调研的施基肥时间(day of year,doy)，bos是步骤s1中基于gee识别的水稻移栽时间(doy)。
[0063]
(2)基于分蘖时间的施蘖肥时间的线性模型为：
[0064]
f_time2＝1.7731
×
mid1-172.51
[0065]
式中，f_time2是实地调研的施蘖肥时间(doy)，mid1是步骤s1中基于gee识别的水稻分蘖时间(doy)。
[0066]
(3)基于抽穗时间的施穗肥时间的非线性模型为：
[0067]
f_time3＝0.1082
×
pos
2-53.244
×
pos+6762
[0068]
式中，f_time3是实地调研的施穗肥时间(doy)，pos是步骤s1中基于gee识别的水稻抽穗时间(doy)。
[0069]
为了保证施肥时间预测模型可靠性，对模型进行评估验证，如图3所示。
[0070]
s3、通过文献收集，构建水稻不同物候期的基于lai的施氮量反演模型；
[0071]
具体包括以下步骤：首先采用基于python的scikit-learn库的train_test_split()拆分数据集，将收集的不同物候期的lai各自随机拆分成70％的训练样本和30％的验证样本；然后将各训练样本分别拟合模型如图4a、图4b、图4c所示，包括：分蘖开始时基于lai的基肥施氮量的线性模型，穗分化时的基于lai蘖肥施氮量的非线性模型，抽穗时基于lai的lai-穗肥施氮量的非线性模型。
[0072]
(1)分蘖开始时基于lai的基肥施氮量的线性模型为：
[0073]
n_application1＝97.6
×
lai1+53.7
[0074]
式中，n_application1是基肥施氮量(kg/ha)，lai1是水稻分蘖开始时的lai值。
[0075]
(2)穗分化时基于lai的蘖肥施氮量的非线性模型为：
[0076]
n_application2＝9.094
×
lai
21.253
[0077]
式中，n_application2是蘖肥施氮量(kg/ha)，lai2是水稻穗分化开始时的lai值。
[0078]
(3)抽穗时基于lai的lai-穗肥施氮量的非线性模型为：
[0079][0080]
式中，n_application3是穗肥施氮量(kg/ha)，lai3是水稻抽穗开始时的lai值。
[0081]
运用30％的验证样本，对不同物候期的基于lai的施氮量反演模型进行评估验证，如图5所示。
[0082]
s4、基于gee云平台通过javascript语言获得稻作灌区内三次施肥时间；
[0083]
在s4步骤中运用步骤s2中拟合的施肥时间预测模型在gee云平台通过javascript语言在步骤s1的物候时间上获得灌区三次施肥时间。
[0084]
s5、基于gee云平台通过javascript语言获取稻作灌区内三次施肥时间相应的稻田施氮量；
[0085]
运用步骤s3中拟合的不同物候期的施氮量反演模型结合步骤s4的稻作灌区内三次施肥时间在gee云平台通过javascript语言获取三次施肥时间相应的稻田施氮量。
[0086]
s6、通过文献和实测数据收集，分别建立基于施肥后天数、施氮量的稻田田面水din/tn浓度的非线性模型；
[0087]
具体包括以下步骤：首先，基于spss构建不同施氮量下田面水氮浓度预测模型，设置参数为c、k，模型表达式设置为：y＝c
×
e-kt
；然后，结合基于spss拟合得出的多个田面水氮浓度预测方程的c、k与不同施氮水平分别建立非线性模型，如图6a、图6b、图6c、图6d所示；最后代入模型表达式，得到基于施肥后天数、施氮量的稻田田面水din/tn浓度的非线性模型。
[0088]
(1)施肥后稻田田面水氮浓度预测模型：
[0089]ydin/tn
＝c
×
e-kt
[0090]
式中，y
din/tn
是施肥后稻田田面水无机氮/总氮浓度(mg/l)，t为施肥后的第i天(i＝1,2,3
…
)，c、k为模型表达式参数。
[0091]
(2)参数c与不同施氮量拟合模型：
[0092]cdin
＝10.273
×
ln(fn)-26.454
[0093]ctn
＝0.0044fn
2-0.1855fn+47.704
[0094]
式中，c
din/tn
分别是din/tn浓度预测模型表达式的参数c，fn为施氮量(kg/ha)。
[0095]
(3)参数k与不同施氮量拟合模型：
[0096]kdin
＝0.2147e-0.009
×
fn
[0097]ktn
＝-1.1921fn-0.327
[0098]
式中，k
din/tn
分别是din/tn浓度预测模型表达式的参数k，fn为施氮量(kg/ha)。
[0099]
(4)基于施肥后天数、施氮量的稻田田面水din/tn浓度的非线性模型
[0100]
a、基于施肥后天数、施氮量的din浓度的非线性模型为：
[0101][0102]
式中，y
din
为施肥后稻田田面水无机氮浓度(mg/l)，fn为施氮量(kg/ha)，t为施肥后的第i天(i＝1,2,3
…
)。
[0103]
b、基于施肥后天数、施氮量的tn的非线性模型为：
[0104][0105]
式中，y
tn
为施肥后稻田田面水总氮浓度(mg/l)，fn为施氮量(kg/ha)，t为施肥后的
第i天(i＝1,2,3
…
)。
[0106]
为了保证稻田田面水din/tn浓度预测模型可靠性，对模型进行评估验证，如图7a、图7b所示。
[0107]
s7、基于gee平台通过javascript语言获得不同施肥时间下的稻田田面水din/tn浓度的时空变化；
[0108]
基于步骤s4、s5中分别获得稻作灌区内三次施肥时间及相应施氮量，运用步骤s6的稻田田面水din/tn浓度预测模型，基于gee平台通过javascript语言获得不同施肥时间下的稻田田面水din/tn浓度的时空变化，预测灌区稻田田面水氮浓度时空热点。
[0109]
在本发明的实际应用过程中，包括以下具体步骤：
[0110]
1、基于gee利用高时空分辨率遥感影像采用谐波分析法对周期性的水稻生长过程分析，识别水稻物候阶段(包括移栽、分蘖、抽穗时间)，如图8a、图8b、图8c所示，并根据拟合方程获取水稻施肥时间(包括基肥、分蘖肥、穗肥)，如图9a、图9b、图9c所示。
[0111]
2、利用gee云平台基于水稻不同物候期的lai反演施氮量，得到三次施肥相应的施氮量的时空分布图，如图10a、图10b、图10c所示。
[0112]
3、运用稻田田面水din/tn浓度预测模型，结合三次施氮量的空间分布图，预测灌区稻田田面水氮浓度时空分布，如图11a、图11b、图11c、图11d、图11e、图11f所示。

技术特征：
1.一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于，包括以下步骤：s1、基于gee云平台运用javascript语言采用谐波分析提取水稻种植范围，通过双逻辑函数识别水稻物候时间，包括：移栽、分蘖、抽穗时间；s2、通过实地调研灌区内水稻物候时间/施肥时间，包括基肥、分蘖肥、穗肥，建立基于物候的施肥时间预测模型；s3、构建水稻不同物候期的基于lai的施氮量反演模型；s4、基于gee云平台通过javascript语言运用步骤s2中拟合的模型在步骤s1的稻作灌区物候时间的基础上获得稻作灌区内三次施肥时间的时空变化；s5、基于gee云平台通过javascript语言运用步骤s3中拟合的模型结合步骤s4的稻作灌区内三次施肥时间反演相应的稻田施氮量；s6、分别建立基于施肥后天数、施氮量的稻田田面水din/tn浓度的非线性模型；s7、基于gee平台通过javascript语言运用步骤s6中拟合的模型，获得不同施肥时间下的稻田田面水din/tn浓度的时空变化。2.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：基于物候的施肥时间预测模型包括：基于移栽时间的施基肥时间的线性模型，基于分蘖时间的施蘖肥时间的线性模型，以及基于抽穗时间的施穗肥时间的非线性模型。3.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：基于移栽时间的施基肥时间的线性模型为：f_time1＝1.3408
×
bos-58.3式中，f_time1是实地调研的施基肥时间，bos是步骤s1中基于gee识别的水稻移栽时间。4.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：基于分蘖时间的施蘖肥时间的线性模型为：f_time2＝1.7731
×
mid1-172.51式中，f_time2是实地调研的施蘖肥时间，mid1是步骤s1中基于gee识别的水稻分蘖时间。5.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：基于抽穗时间的施穗肥时间的非线性模型为：f_time3＝0.1082
×
pos
2-53.244
×
pos+6762式中，f_time3是实地调研的施穗肥时间，pos是步骤s1中基于gee识别的水稻抽穗时间。6.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：建立水稻不同物候期的基于lai的施氮量反演模型包括：分蘖开始时基于lai的基肥施氮量的线性模型、穗分化时基于lai的蘖肥施氮量的非线性模型及抽穗时基于lai的lai-穗肥施氮量的非线性模型。7.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：分蘖开始时基于lai的基肥施氮量的线性模型为：n_application1＝97.6
×
lai1+53.7式中，n_application1是基肥施氮量(kg/ha)，lai1是水稻分蘖开始时的lai值。
8.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：穗分化时基于lai的蘖肥施氮量的非线性模型为：n_application2＝9.094
×
lal
21.253
式中，n_application2是蘖肥施氮量(kg/ha)，lai2是水稻穗分化开始时的lai值。9.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：抽穗时基于lai的lai-穗肥施氮量的非线性模型为：式中，n_application3是穗肥施氮量(kg/ha)，lai3是水稻抽穗开始时的lai值。10.根据权利要求1所述的一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，其特征在于：所述基于施肥后天数、施氮量的稻田田面水din/tn浓度的非线性模型包括：基于施肥后天数、施氮量的din浓度的非线性模型；基于施肥后天数、施氮量的tn的非线性模型；其中，基于施肥后天数、施氮量的din浓度的非线性模型为：式中，y
din
为施肥后稻田田面水无机氮浓度(mg/l)，fn为施氮量(kg/ha)，t为施肥后的第i天，i＝1，2，3...；基于施肥后天数、施氮量的tn的非线性模型为：式中，y
tn
为施肥后稻田田面水总氮浓度(mg/l)，fn为施氮量(kg/ha)，t为施肥后的第i天，i＝1，2，3...。

技术总结
本发明提供了一种基于遥感物候/植被信息的稻作灌区田面水氮浓度预测方法，运用GEE云平台，采用谐波分析提取水稻种植范围，通过双逻辑函数识别水稻主要物候时间；结合实地调研建立基于物候的施肥时间预测模型，建立基于水稻不同物候阶段LAI的施氮量反演模型，建立基于施肥后天数和施氮量的稻田田面水氮浓度预测模型；基于GEE云平台，运用施肥时间预测模型以及施氮量反演模型获取灌区内施肥时间及施氮量的时空变化，结合稻田田面水氮浓度预测模型，能够精准预测灌区稻田田面水氮浓度时空热点。本方法充分考虑了灌区不同田块施肥日期\量的时空变异性，并科学刻画出不同施肥日期\量下田面水氮浓度衰减规律，为面源氮污染物流失精准定量评估及减排提供保障。失精准定量评估及减排提供保障。失精准定量评估及减排提供保障。


技术研发人员：高翔 任睿 穆悦 张华瞻 王侯生 蒋薇 丁艳锋 姜小三 李兆富 潘剑君
受保护的技术使用者：南京农业大学泰州研究院
技术研发日：2023.04.11
技术公布日：2023/8/5