本技术涉及农作物生长营养定量遥感监测，尤其涉及一种基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法。
背景技术：
1、氮是作物生长的关键营养元素，不同生育期作物氮含量对最终产量和品质有重要影响。传统的作物氮素检测方法通常采用室外采样和室内检测，不仅费时费力，而且具有破坏性和滞后性。随着遥感光谱监测技术的发展，无损遥感已成为作物氮素评估的一个有吸引力的工具。基于面积的叶片氮含量(lnc_a，g/m2)是定量评价玉米氮素营养状况的关键指标。利用遥感手段从冠层尺度对作物氮含量进行估测，主要有两大类方法：经验模型法和物理模型法。
2、依靠现有的经验模型或物理模型对于玉米多生育期叶片含氮量的监测不够精确，并且，难以在农场尺度投入实际监测。
技术实现思路
1、本发明旨在提供一种基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，以解决依靠现有经验模型或物理模型估测不够精确、难以在农场尺度投入实际监测的问题，同时弥补在田间监测中卫星遥感分辨率较低，影像易受到云层覆盖的不足。
2、为实现上述目的，本发明的一种基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法提供了以下技术方案：
3、基于无人机平台获取目标玉米多生育期的遥感影像，同期采集地面实测数据，地面实测数据用于表征遥感影像对应的地面农情；对遥感影像和地面实测数据进行预处理；
4、将预处理后的地面实测数据输入到基于prosail-pro的辐射传输模型中，得到模拟光谱；基于prosail-pro的辐射传输模型用于分析地面实测数据的敏感程度，标定关键模型参数，反演作物冠层光谱以构建模拟光谱，计算重要生理生化参数；
5、依据模拟光谱选择高敏感的输入参数，结合随机森林模型，构建基于面积的叶片氮含量的目标监测模型；
6、利用地面实测数据中的的不同生育期的玉米叶片氮含量数据，从目标反演模型中对比评估各玉米生育期的最优基于面积的叶片氮含量的目标监测模型；
7、将各玉米生育期获得的预处理后的遥感影像输入对应的最优反演模型中，得到各个玉米生育期的叶片含氮量的监测结果；监测结果为厘米级分辨率。
8、可选的，基于无人机平台获取目标玉米多生育期的遥感影像，同期采集地面实测数据，包括：
9、确定并拍摄玉米多生育期中关键玉米生育期的无人机遥感影像，对无人机遥感影像进行辐射定标、几何校正等预处理，拼接完成得到农场尺度厘米级分辨率遥感影像；
10、采集田间玉米植株和地面实测数据，对各采样点的地面实测数据进行整理分析，充分研磨玉米叶片，使之过100目筛，利用元素分析仪获取叶片全氮参数。
11、可选的，prosail-pro辐射传输模型由prosail-pro和4sail耦合得到，用于基于太阳辐射与植被冠层交互的物理过程，建立作物状态与其双向反射特性之间的物理关系；
12、prosail-pro辐射传输模型中，植被对光的吸收过程由每个基本层的吸收系数k(λ)决定，散射过程由叶片结构参数n和折射率n(λ)决定，每个波段的反射率r(λ)和透射率t(λ)为：
13、[r(λ)，t(λ)＝prospect_pro(n，k(λ)，n(λ))
14、其中，k(λ)是叶片各生理生化参数值ci与相应吸收系数ki(λ)的乘积：
15、k(λ)＝∑ki(λ)·ci·n·i
16、优选的，为提升遥感影像的精度，待拼接的无人机影像需经过相机参数优化，筛选不符合要求的影像，将gcp的三维坐标信息导入到pix4dmapper中以保证影像的水平精度和垂直精度，针对每一个控制点进行相应的校准，并确立dn值与实际反射率之间的对应关系以调整影像数据，满足影像准确性、完整性、兼容性的要求。
17、可选的，将预处理后的地面实测数据输入到基于prosail-pro的辐射传输模型中，得到模拟光谱，包括：
18、将地面实测数据和玉米多生育期的先验知识输入基于prosail-pro的辐射传输模型中，分析地面实测数据中生理生化参数的光谱敏感性，通过对基于prosail-pro的辐射传输模型中的关键模型参数进行标定，精确模拟实际植被的反射光谱特性；使用差分进化自适应metropolis算法进行马尔科夫链蒙特卡方法进行采样，引入马尔科夫并行链，构建似然函数，最终生成玉米冠层的模拟光谱。
19、优选的，为提升玉米冠层光谱的准确度，对prosail-pro的光谱敏感性进行评估，并基于马尔科夫链蒙特卡方法mcmc采样平稳分布后的参数样本，判断每个参数的最大似然值是否都处于参数分布的高密度区，从而结合实测数据和先验知识对模型的参数值进行校正，构建精确的冠层模拟光谱。
20、可选的，基于面积的叶片氮含量的目标监测模型包括基于光谱特征和植被指数的玉米叶片含氮量的监测模型、基于叶绿素含量的玉米叶片含氮量的监测模型和基于蛋白质的玉米叶片含氮量的监测模型；依据模拟光谱选择高敏感的输入参数，结合随机森林模型，构建基于面积的叶片氮含量的目标监测模型，包括：
21、步骤一、使用索波尔模型，通过计算模拟光谱中输入参数的总体方差和部分方差对基于prosail-pro的辐射传输模型输出的贡献度，以评估每个参数的重要程度；
22、步骤二：采用随机森林模型直接建立基于光谱特征和植被指数的玉米叶片含氮量的监测模型、基于叶绿素含量的玉米叶片含氮量的监测模型和基于蛋白质的玉米叶片含氮量的监测模型；采用十折交叉验证为基于光谱特征和植被指数的玉米叶片含氮量的监测模型、基于叶绿素含量的玉米叶片含氮量的监测模型和基于蛋白质的玉米叶片含氮量的监测模型调参。
23、优选的，为提升反演生理生化参数的代表性，使用索波尔sobol模型，考虑玉米在不同生育期之间特征的差异，分析主要指标参数对不同波段的敏感性，使用三种方法构建玉米叶片含氮量的监测模型。利用随机森林机器学习建立基于光谱特征和植被指数的玉米叶片含氮量的监测模型、基于叶绿素含量的玉米叶片含氮量的监测模型、基于蛋白质的玉米叶片含氮量的监测模型。
24、可选的，地面实测数据中的不同生育期的玉米叶片含氮量数据基于元素分析仪测量得到，不同生育期的玉米叶片含氮量数据用于验证基于面积的叶片氮含量的目标监测模型的精度；基于面积的叶片氮含量的目标监测模型的精度的验证过程的统计学平价指标包括判定系数、均方根误差、相对均方根误差。
25、优选的，为筛选得到精度最高即各玉米生育期的最优的基于面积的叶片氮含量的目标监测模型，结合地面实测数据，判定系数r2，均方根误差rmse，相对均方根误差rrmse等统计学指标评定三种基于面积的叶片氮含量的目标监测模型精度，最终得到玉米各生育期最优的叶片含氮量的监测方法，用于监测结果的输出。基于prosail-pro的辐射传输模型本发明的一种基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，具有以下优点：
26、具有厘米级分辨率，且监测方法易于在实际生产中的应用，具有较好的社会效益。已知技术中采用高光谱传感器进行监测玉米多生育期叶片含氮量，但是高光谱传感器成本高、操作复杂，且容易出现数据冗余、迁移性较差，高光谱传感器在实际的农业生产中难以普及。与之相比，本技术采用了成本较低且同样具有良好可靠性的多光谱传感器，适合进行大批量投入应用。
27、本技术结合基于prosail-pro辐射传输模型，对模型中的各输入参数分别进行了敏感性分析。这有助于降低模型参数的冗余度，建立模型和实际遥感数据之间建立更准确的联系，进一步提高重要参数的准确测量和估算能力。
28、利用实际测量的叶面积指数lai数值而非叶面积扫描仪作为输入模型，精度更加可靠。lai作为prosail-pro辐射传输模型中具有极高敏感性的参数，田间测量的准确度将对玉米冠层光谱的构建产生重要影响。本技术利用叶片实际测量数值而非叶面积扫描仪，可以更大程度上降低lai测量误差。
29、对多种基于面积的叶片氮含量的目标监测模型的筛选，提高了模型精度且适用于不同生育期。在玉米关键生育期采集无人机影像和实测数据，采用随机森林模型建立多个基于面积的叶片氮含量的目标监测模型，之后根据通用统计学指标对比各生育期模型优度，筛选集成能更好监测不同生育期的叶片含氮量。
1.一种基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，其特征在于，包括：
2.根据权利要求1所述的基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，其特征在于，所述基于无人机平台获取目标玉米多生育期的遥感影像，同期采集地面实测数据，包括：
3.根据权利要求1所述的基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，其特征在于，所述prosail-pro辐射传输模型由prosail-pro和4sail耦合得到，用于基于太阳辐射与植被冠层交互的物理过程，建立作物状态与其双向反射特性之间的物理关系；
4.根据权利要求3所述的基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，其特征在于，所述将所述预处理后的所述地面实测数据输入到基于prosail-pro的辐射传输模型中，得到模拟光谱，包括：
5.根据权利要求1所述的基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，其特征在于，所述基于面积的叶片氮含量的目标监测模型包括基于光谱特征和植被指数的玉米叶片含氮量的监测模型、基于叶绿素含量的玉米叶片含氮量的监测模型和基于蛋白质的玉米叶片含氮量的监测模型；所述依据所述模拟光谱选择高敏感的输入参数，结合随机森林模型，构建基于面积的叶片氮含量的目标监测模型，包括：
6.根据权利要求1所述的基于prosail-pro和多光谱无人机遥感的玉米多生育期叶片含氮量的监测方法，其特征在于，所述地面实测数据中的不同生育期的玉米叶片含氮量数据基于元素分析仪测量得到，所述不同生育期的玉米叶片含氮量数据用于验证所述基于面积的叶片氮含量的目标监测模型的精度；所述基于面积的叶片氮含量的目标监测模型的精度的验证过程的统计学平价指标包括判定系数、均方根误差、相对均方根误差。
