1.本发明涉及农作物施肥技术领域，具体为一种无人机精准变量施肥方法及系统。
背景技术：2.小麦是我国重要的三大粮食作物之一，小麦的稳产与高产对于保障国家粮食安全起着举足轻重的作用，而氮肥是促进小麦有机氮化合物合成、增加同化物和光合作用必需的大量元素，也是形成籽粒产量的重要因子，所以氮肥管理是小麦生产管理中最重要的环节之一，如何做到定量施肥、按需施肥是国内外学者研究小麦氮肥精准管理的热点，随着农业信息技术的发展，国内外学者从19世纪后期就开始研究科学定量的推荐施肥技术，建立在传统实验室化验、肥料窗口法、叶色卡片法、光谱反射法、高光谱遥感、卫星遥感法等氮肥营养诊断的基础上进行科学氮肥管理方法先后应运而生，尤其是农业遥感技术的成熟，作物氮肥管理正由定性或半定量向精准变量方向发展，由传统实验室化验向便捷化监测方向发展，实时、便捷、精准的施肥是小麦科学管理的重要手段。
3.由于近二十年来测土配方施肥技术的普及，小麦的施肥管理水平有了较大提高，逐渐改变一刀切、一次性施肥的传统经验施肥方式，正向着多次、定性施肥方向发展，尽管如此，小麦生产上仍然存在施肥方式不科学，肥料效率低下，单位肥料利用率不高等问题，因此提出一种无人机精准变量施肥方法及系统。
技术实现要素：4.本发明提供如下技术方案：一种无人机精准变量施肥方法，包括以下步骤；
5.s1：选取无人机精准变量施肥农作物试验区；
6.s2：设计无人机精准变量施肥农作物试验计划；
7.s3：通过无人机精准变量施肥系统对步骤s2中的试验计划进行解析；
8.s4：通过步骤s3中得出的试验解析对农作物在生长关键生育时期所需的施肥量进行延伸分析。
9.通过采用上述技术方案；利用无人机遥感在农作物生产管理上的机动灵活性、操作简单、成本低、时效性高和高空间分辨率等特点，在进行冬小麦氮肥营养诊断的基础上，依据光谱诊断的施肥模型，建立冬小麦返青期、拔节期和抽穗期等关键生育期追肥推荐模型，实现冬小麦的氮肥精准管理。
10.优选的，所述步骤s1中所选的无人机精准变量施肥农作物试验区的年均温度为15.0℃，年均降雨量为907mm，无霜期为200d，土壤为典型的砂姜黑土。
11.通过采用上述技术方案；对试验区的信息进行全面掌握，结合试验区气候、土壤和降雨量等信息对试验区农作物的施肥量进行精准研究，提高试验区研究的效率。
12.优选的，所述步骤s2中设计的无人机精准变量施肥农作物试验计划为试验区主栽品种为皖麦38，为冬小麦，试验区面积为10m
×
5m，采用播种量为90～120kg/hm2的10～12cm等行距机械化播种，采用氮肥单因素120kg/hm2的梯度试验，3次重复，每个梯度设3个试验
区，45个试验区随机排列，磷、钾肥全部作为基肥施用。
13.通过采用上述技术方案；设计梯度试验，并多次重复降低试验研究的误差，提高试验研究的精准度，并对试验研究内冬小麦在不同生长时期进行深度研究。
14.优选的，所述步骤s3中通过无人机精准变量施肥系统对步骤s2中的试验计划进行解析，以得到最优冬小麦氮肥营养诊断的指标。
15.通过采用上述技术方案；对试验设计得出的结果进行深入剖析，以便于对不同时期的冬小麦进行灵活运用。
16.优选的，所述步骤s4中对农作物在生长关键生育时期所需的施肥量进行延伸分析包括植被指数与冬小麦各关键生育时期施氮量和产量的关系、氮肥效应曲线和冬小麦关键生育期追肥推荐模型的建立。
17.通过采用上述技术方案；对冬小麦在生长过程中的不同时期进行不同肥料量的施加，保证施肥的效果。
18.优选的，所述植被指数与冬小麦各关键生育时期施氮量和产量的关系为通过冬小麦返青期、拔节期和抽穗期累积氮肥施用量和产量统计数据与dvi相关关系分析，建立dvi与冬小麦关键生育时期施肥量及产量的回归模型，所述氮肥效应曲线为通过冬小麦全生育期不同处理总施氮量与小麦籽粒产量的回归关系拟合，得到冬小麦的氮肥效应曲线，所述冬小麦关键生育期追肥推荐模型的建立为根据小麦关键生育时期的施氮总量与dvi值线性关系、最佳施肥量、最高施肥量可得基于dvi值的定量追肥模型。
19.通过采用上述技术方案；冬小麦累积氮肥施用量与dvi呈线性回归关系，两者的决定系数在三个关键生育期拔节期最高(r2＝0.8012)、返青期最低(r2＝0.5732)，这是由于返青期小麦覆盖度不高导致光谱反射率受土壤背景影响较大，拔节期小麦对氮肥需求敏感和水肥充足，而抽穗期充足或过量的氮肥积累使小麦吸收养分饱和，冬小麦三个生育时期的dvi值和产量之间表现为二次函数曲线的关系，以抽穗期的相关性最好(r2＝0.8882)，当dvi值高到一定程度时产量稍有下降，这表明小麦吸收氮肥达到过饱和时会抑制有机氮化合物合成，导致产量下降。
20.优选的，所述步骤s3中的无人机精准变量施肥系统包括数据收集模块、数据处理模块和数据结果分析模块，所述数据收集模块的输出端与数据处理模块的输入端连接，数据处理模块的输出端与数据结果分析模块的输入端连接。
21.通过采用上述技术方案；对试验计划中的数据进行收集和处理，整合数据形成试验结构，并对试验结果进行分析。
22.优选的，所述数据收集模块采用无人机光谱数据获取，所述无人机光谱数据获取通过ebeesq固定翼无人机采集数据，无人机主要参数为飞行高度100～2000m，飞控软件规划自主飞行，4个独立波段(r、g、b、nir)，1个rgb摄像头，相机分辨率(单色：120万像素，rgb：1600万像素)，120m高度地面分辨率(单色：0.15m，rgb：0.03m)，将无人机与emtionag软件连接并使用软件规划好无人机飞行参数(飞行航线、飞行高度等)，无人机在飞行过程中，多光谱传感器会根据图像的40％重叠度按照一定频率对地面的数据进行采集，本次研究采集的相片数共382张。
23.通过采用上述技术方案；保证对试验计划中的冬小麦进行全面和准确的信息收集。
24.优选的，所述数据处理模块采用pix4dmapper pro无人机处理软件对无人机影像数据预处理，使用envi5.1对光谱数据提取，数据统计分析和绘图运用excel、spss11.0和origin9.1。
25.通过采用上述技术方案；对数据收集模块收集的信息进行处理，并整合得出试验结果。
26.优选的，所述数据结果分析模块通过无人机影像提取r、g、b、nir四个波段的反射率，计算归一化植被指数ndvi等10个典型植被指数值，并与反映小麦氮肥营养状况的农学参数如叶片氮含量、叶片氮积累量和植株氮浓度等进行相关分析，以期得到最优冬小麦氮肥营养诊断的指标。
27.通过采用上述技术方案；本发明主要选取冬小麦拔节期的光谱指数与氮肥参数进行相关关系分析，返青期和孕穗期不再赘述(三个生育期的植被指数与氮肥参数规律基本一致)，10种植被指数与小麦各氮肥指标相关性不同，同一种植被指数与小麦各氮肥指标相关性也不同，10种植被指数与植株氮浓度的整体相关性较好，叶片氮肥积累量次之，叶片氮含量的最差，这是因为植株氮浓度包含小麦冠层的叶片氮含量和生物量的信息，综合反映小麦群体氮营养状况，从10种植被指数与植株氮浓度的相关系数看，差值植被指数差值植被指数(dvi)与植株氮浓度的决定系数最大(r2＝0.8698)，dvi与叶片氮含量、叶片氮积累量的相关性比其他9种植被指数整体上较好。
28.有益效果
29.与现有技术相比，本发明提供了一种无人机精准变量施肥方法及系统，具备以下有益效果：
30.本发明利用无人机遥感在农作物生产管理上的机动灵活性、操作简单、成本低、时效性高和高空间分辨率等特点，在进行冬小麦氮肥营养诊断的基础上，依据光谱诊断的施肥模型，建立冬小麦返青期、拔节期和抽穗期等关键生育期追肥推荐模型，实现冬小麦的氮肥精准管理。
附图说明
31.图1为本发明一种无人机精准变量施肥方法及系统的氮肥效应曲线示意图；
32.图2为本发明一种无人机精准变量施肥方法及系统的系统示意图。
具体实施方式
33.下面将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。
34.实施例一；
35.一种无人机精准变量施肥方法，包括以下步骤；
36.s1：选取无人机精准变量施肥农作物试验区；
37.步骤s1中所选的无人机精准变量施肥农作物试验区为位于临泉县城关镇农业科学研究所农场麦-玉轮作试验区(32
°
25
′
25
″
n，114
°
50
′
13
″
e)，该试验区属大陆性暖温带半
湿润季风气候区，年均温度15.0℃，年均降雨量为907mm，无霜期为200d，土壤为典型的砂姜黑土，对试验区的信息进行全面掌握，结合试验区气候、土壤和降雨量等信息对试验区农作物的施肥量进行精准研究，提高试验区研究的效率。
38.实施例二；
39.s2：设计无人机精准变量施肥农作物试验计划；
40.步骤s2中设计的无人机精准变量施肥农作物试验计划为试验区主栽品种为皖麦38，为冬小麦，试验区面积为10m
×
5m，采用播种量为90～120kg/hm2的10～12cm等行距机械化播种，10月中下旬播种，2月20日为返青期，3月15日为拔节期，4月22日为抽穗期，6月10日为收获期，2017～2018年，采用氮肥单因素120kg/hm2的梯度试验，3次重复，每个梯度设3个试验区，45个试验区随机排列，磷、钾肥全部作为基肥施用，通过采用上述技术方案；设计梯度试验，并多次重复降低试验研究的误差，提高试验研究的精准度，并对试验研究内冬小麦在不同生长时期进行深度研究，施肥处理详见表1。
41.表1小区施肥方案kg/hm2[0042][0043]
实施例三；
[0044]
s3：通过无人机精准变量施肥系统对步骤s2中的试验计划进行解析；
[0045]
步骤s3中通过无人机精准变量施肥系统对步骤s2中的试验计划进行解析，以得到最优冬小麦氮肥营养诊断的指标，对试验设计得出的结果进行深入剖析，以便于对不同时期的冬小麦进行灵活运用。
[0046]
参照图2；步骤s3中的无人机精准变量施肥系统包括数据收集模块、数据处理模块和数据结果分析模块，数据收集模块的输出端与数据处理模块的输入端连接，数据处理模块的输出端与数据结果分析模块的输入端连接，对试验计划中的数据进行收集和处理，整合数据形成试验结构，并对试验结果进行分析。
[0047]
数据收集模块采用无人机光谱数据获取，无人机光谱数据获取通过ebeesq固定翼无人机采集数据，无人机主要参数为飞行高度100～2000m，飞控软件规划自主飞行，4个独立波段(r、g、b、nir)，1个rgb摄像头，相机分辨率(单色：120万像素，rgb：1600万像素)，120m高度地面分辨率(单色：0.15m，rgb：0.03m)，将无人机与emtionag软件连接并使用软件规划好无人机飞行参数(飞行航线、飞行高度等)，无人机在飞行过程中，多光谱传感器会根据图像的40％重叠度按照一定频率对地面的数据进行采集，本次研究采集的相片数共382张。
[0048]
数据处理模块采用pix4dmapper pro无人机处理软件对无人机影像数据预处理，使用envi5.1对光谱数据提取，数据统计分析和绘图运用excel、spss11.0和origin9.1。
[0049]
数据结果分析模块通过无人机影像提取r、g、b、nir四个波段的反射率，计算归一化植被指数ndvi等10个典型植被指数值，并与反映小麦氮肥营养状况的农学参数如叶片氮含量、叶片氮积累量和植株氮浓度等进行相关分析，以期得到最优冬小麦氮肥营养诊断的指标，本文主要选取冬小麦拔节期的光谱指数与氮肥参数进行相关关系分析，返青期和孕穗期不再赘述(三个生育期的植被指数与氮肥参数规律基本一致)。
[0050]
从表2可以看出，10种植被指数与小麦各氮肥指标相关性不同，同一种植被指数与小麦各氮肥指标相关性也不同，10种植被指数与植株氮浓度的整体相关性较好，叶片氮肥积累量次之，叶片氮含量的最差，这是因为植株氮浓度包含小麦冠层的叶片氮含量和生物量的信息，综合反映小麦群体氮营养状况，从10种植被指数与植株氮浓度的相关系数看，差值植被指数差值植被指数(dvi)与植株氮浓度的决定系数最大(r2＝0.8698)，dvi与叶片氮含量、叶片氮积累量的相关性比其他9种植被指数整体上较好，因此，本文选取dvi作为无人机遥感光谱诊断指标，植株氮浓度作为冬小麦关键生育期的农学参数诊断指标。氮肥营养诊断指标的建立为冬小麦基于光谱诊断的追肥推荐模型奠定基础。
[0051]
表2植被指数与小麦拔节期氮素参数的相关关系
[0052][0053]
实施例四；
[0054]
s4：通过步骤s3中得出的试验解析对农作物在生长关键生育时期所需的施肥量进行延伸分析。
[0055]
步骤s4中对农作物在生长关键生育时期所需的施肥量进行延伸分析包括植被指数与冬小麦各关键生育时期施氮量和产量的关系、氮肥效应曲线和冬小麦关键生育期追肥推荐模型的建立，对冬小麦在生长过程中的不同时期进行不同肥料量的施加，保证施肥的效果。
[0056]
植被指数与冬小麦各关键生育时期施氮量和产量的关系为通过冬小麦返青期、拔节期和抽穗期累积氮肥施用量和产量统计数据与dvi相关关系分析，建立dvi与冬小麦关键
生育时期施肥量及产量的回归模型，从表3可以看出，冬小麦累积氮肥施用量与dvi呈线性回归关系，两者的决定系数在三个关键生育期拔节期最(r2＝0.8012)、返青期最低(r2＝0.5732)，这是由于返青期小麦覆盖度不高导致光谱反射率受土壤背景影响较大，拔节期小麦对氮肥需求敏感和水肥充足，而抽穗期充足或过量的氮肥积累使小麦吸收养分饱和，冬小麦三个生育时期的dvi值和产量之间表现为二次函数曲线的关系，以抽穗期的相关性最好(r2＝0.8882)，当dvi值高到一定程度时产量稍有下降，这表明小麦吸收氮肥达到过饱和时会抑制有机氮化合物合成，导致产量下降，冬小麦关键生育时期dvi与施肥量线性关系的建立，为追肥推荐模型确立提供必要的参数，dvi与籽粒产量回归模型的建立，可结合下文中的最佳产量计算临界dvi值，为诊断冬小麦关键生育期是否补充氮肥提供依据。
[0057]
表3 dvi与施肥量、产量之间的回归模型
[0058][0059]
注：样本数n＝15
[0060]
参照图1；氮肥效应曲线为通过冬小麦全生育期不同处理总施氮量与小麦籽粒产量的回归关系拟合，得到冬小麦的氮肥效应曲线，总施氮量与小麦籽粒产量呈抛物线的变化趋势，总施氮量0～300kg/hm2表现为随着施氮量的增加产量逐渐增加，而总施氮量300～400kg/hm2表现为随着施氮量的增加产量逐渐下降，这表明小麦总施氮量增加到300kg/hm2后，营养过剩反而会抑制产量的增加，冬小麦氮肥效应曲线为；y＝-0.03x2+16.372x+9130.574，对此回归方程求极值，可得冬小麦最高产量为11364.3kg/hm2，对应的氮肥量272.9kg/hm2是冬小麦总施氮量，再结合边际产量，对氮肥效应曲线求偏导可得，可计算最佳经济施肥量264.1kg/hm2，最佳产量为11230.9kg/hm2，具体计算如下：
[0061]
16.372+2
×
(-0.031)x＝qy/q
x
ꢀꢀꢀ
(1)
[0062]
式中qy为小麦商品价，2.0元/kg；q
x
为氮肥商品价，2.0元/kg；x为最佳经济施肥量，利用最佳产量，结合dvi与产量的回归模型，可计算出临界dvi值，见表3。
[0063]
表3 dvi与施肥量、产量之间的回归模型
[0064]
[0065]
注：样本数n＝15
[0066]
冬小麦关键生育期追肥推荐模型的建立为根据小麦关键生育时期的施氮总量与dvi值线性关系、最佳施肥量、最高施肥量可得基于dvi值的定量追肥模型，具体公式如下：
[0067]sdvi
＝a+b
qcon
ꢀꢀ
(2)
[0068]
qd＝q
opt-q
con
ꢀꢀ
(3)
[0069]
将式(2)代入式(3)
[0070]
qd＝q
opt
+a/b-s
dvi
/b
ꢀꢀ
(4)
[0071]
式中s
dvi
为无人机实测dvi值，q
opt
为追肥总量，q
d-冬小麦关键生育时期施肥量，a、b分别为施氮量与dvi值回归曲线的截距和回归系数。将冬小麦全生育期总施氮量272.9kg/hm2以及a，b值代入式(4)，结合临界dvi值，即可获得以判断临界dvi值养分诊断的小麦各生育期的施肥模型，见表4。
[0072]
表4冬小麦推荐施肥模型
[0073][0074]
注：x为冬小麦的dvi值；y为尿素追施量(kg/667m2)；当x值小于临界dvi值时使用模型计算施肥量，否则不需要施肥
[0075]
综上所述；(1)基于无人机影像获得的10种典型植被指数，可以对冬小麦关键生育时期进行氮肥营养诊断。10种典型植被指数与植株氮浓度的整体相关性较好，dvi与拔节期小麦植株氮浓度的相关性最好(r2＝0.8698)。因此，本文选取无人机遥感光谱参数dvi作为诊断冬小麦返青期、拔节期和抽穗期的氮肥营养状况。诊断指标的建立为冬小麦基于光谱诊断的追肥推荐模型奠定了基础。
[0076]
(2)通过dvi值和产量的回归分析，再结合边际产量效应计算的最佳产量11230.9kg/hm2，得到冬小麦返青期、拔节期和抽穗期临界dvi值分别为0.594、0.784和0.807，临界dvi值的确定为诊断冬小麦关键生育期是否补充氮肥提供依据。
[0077]
(3)冬小麦总施氮量与籽粒产量的回归关系表明小麦籽粒产量随施氮量的增加先增加后略有降低的趋势。根据冬小麦氮肥效应曲线的分析，冬小麦最高产量为11364.3kg/hm2,冬小麦总施氮量为272.9kg/hm2，可作为追肥总量的参考。
[0078]
(4)根据小麦关键生育时期的施氮总量与dvi值线性关系、最佳施肥量、最高施肥量可得基于dvi值的定量追肥模型。
[0079]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0080]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
技术特征：1.一种无人机精准变量施肥方法，其特征在于：包括以下步骤；s1：选取无人机精准变量施肥农作物试验区；s2：设计无人机精准变量施肥农作物试验计划；s3：通过无人机精准变量施肥系统对步骤s2中的试验计划进行解析；s4：通过步骤s3中得出的试验解析对农作物在生长关键生育时期所需的施肥量进行延伸分析。2.根据权利要求1所述的一种无人机精准变量施肥方法，其特征在于：所述步骤s1中所选的无人机精准变量施肥农作物试验区的年均温度为15.0℃，年均降雨量为907mm，无霜期为200d，土壤为典型的砂姜黑土。3.根据权利要求1所述的一种无人机精准变量施肥方法，其特征在于：所述步骤s2中设计的无人机精准变量施肥农作物试验计划为试验区主栽品种为皖麦38，为冬小麦，试验区面积为10m
×
5m，采用播种量为90～120kg/hm2的10～12cm等行距机械化播种，采用氮肥单因素120kg/hm2的梯度试验，3次重复，每个梯度设3个试验区，45个试验区随机排列，磷、钾肥全部作为基肥施用。4.根据权利要求1所述的一种无人机精准变量施肥方法，其特征在于：所述步骤s3中通过无人机精准变量施肥系统对步骤s2中的试验计划进行解析，以得到最优冬小麦氮肥营养诊断的指标。5.根据权利要求1所述的一种无人机精准变量施肥方法，其特征在于：所述步骤s4中对农作物在生长关键生育时期所需的施肥量进行延伸分析包括植被指数与冬小麦各关键生育时期施氮量和产量的关系、氮肥效应曲线和冬小麦关键生育期追肥推荐模型的建立。6.根据权利要求5所述的一种无人机精准变量施肥方法，其特征在于：所述植被指数与冬小麦各关键生育时期施氮量和产量的关系为通过冬小麦返青期、拔节期和抽穗期累积氮肥施用量和产量统计数据与差值植被指数差值植被指数(dvi)相关关系分析，建立dvi与冬小麦关键生育时期施肥量及产量的回归模型，所述氮肥效应曲线为通过冬小麦全生育期不同处理总施氮量与小麦籽粒产量的回归关系拟合，得到冬小麦的氮肥效应曲线，所述冬小麦关键生育期追肥推荐模型的建立为根据小麦关键生育时期的施氮总量与dvi值线性关系、最佳施肥量、最高施肥量可得基于dvi值的定量追肥模型。7.根据权利要求1所述的一种无人机精准变量施肥系统，其特征在于：所述步骤s3中的无人机精准变量施肥系统包括数据收集模块、数据处理模块和数据结果分析模块，所述数据收集模块的输出端与数据处理模块的输入端连接，数据处理模块的输出端与数据结果分析模块的输入端连接。8.根据权利要求7所述的一种无人机精准变量施肥系统，其特征在于：所述数据收集模块采用无人机光谱数据获取，所述无人机光谱数据获取通过ebeesq固定翼无人机采集数据，将无人机与emtionag软件连接并使用软件规划好无人机飞行参数，无人机在飞行过程中，多光谱传感器会根据图像的40％重叠度按照一定频率对地面的数据进行采集，本次研究采集的相片数共382张。9.根据权利要求7所述的一种无人机精准变量施肥系统，其特征在于：所述数据处理模块采用pix4dmapper pro无人机处理软件对无人机影像数据预处理，使用envi 5.1对光谱数据提取，数据统计分析和绘图运用excel、spss11.0和origin9.1。
10.根据权利要求7所述的一种无人机精准变量施肥系统，其特征在于：所述数据结果分析模块通过无人机影像提取r、g、b、nir四个波段的反射率，计算归一化植被指数ndvi等10个典型植被指数值，并与反映小麦氮肥营养状况的农学参数如叶片氮含量、叶片氮积累量和植株氮浓度等进行相关分析，以期得到最优冬小麦氮肥营养诊断的指标。
技术总结本发明涉及农作物生产技术领域，且公开了一种无人机精准变量施肥方法，包括以下步骤；S1：选取无人机精准变量施肥农作物试验区；S2：设计无人机精准变量施肥农作物试验计划；S3：通过无人机精准变量施肥系统对步骤S2中的试验计划进行解析；S4：通过步骤S3中得出的试验解析对农作物在生长关键生育时期所需的施肥量进行延伸分析，解决了小麦生产上仍然存在施肥方式不科学，肥料效率低下，单位肥料利用率不高等问题，本发明利用无人机遥感在农作物生产管理上的机动灵活性和高空间分辨率等特点，在进行冬小麦氮肥营养诊断的基础上，依据光谱诊断的施肥模型，建立冬小麦返青期和抽穗期等关键生育期追肥推荐模型，实现冬小麦的氮肥精准管理。准管理。准管理。
技术研发人员：李新伟 李军 刘吉凯 苏祥祥 陶新宇 年颖 岳虎 刘庆洋 王伟强 祝雪晴
受保护的技术使用者：安徽科技学院
技术研发日：2022.10.12
技术公布日：2022/12/16
