利用高光谱遥感预测小麦籽粒蛋白质产量

2003-2006年连续3年采用不同小麦品种在不同施氮水平下进行大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定植株氮素含量.根据特征光谱参数-叶片氮素营养-籽粒蛋白质产量这一技术路径,以叶片氮素营养为连接点将模型链接,建立基于开花期高光谱参数的小麦籽粒蛋白质产量预报模型.结果表明:开花期叶片氮含量、氮积累量以及花后叶片氮转运量均能够较好地反映成熟期籽粒蛋白质产量状况;对叶片氮含量和氮积累量的光谱反演,在不同品种、氮素水平和年度间可以使用统一的光谱参数,其中利用红边位置(REPle)和修正型ND705(mND705)可以较好表达叶片氮含量的动态变化,以红蓝边面积比(SDr/SDb)和742nm处一阶微分(FD742)为变量建立叶片氮积累量监测模型效果较好;经独立试验数据的检验表明,以参数REPle、SDr/SDb和FD742为变量建立成熟期籽粒蛋白质产量预报模型均给出理想的检验结果,模型测试精度R2分别为0.854、0.803和0.795,相对误差RE分别为16.4%、18.2%和14.9%;利用开花期关键特征光谱指数可以有效地评价小麦成熟期籽粒蛋白质产量状况.     

基于冠层反射光谱的棉花干物质积累量估测

通过分析不同施氮水平下棉花地上部干物质积累量与冠层光谱反射率及其衍生的比值植被指数(RVI)、归一化植被指数(NDVI)及差值植被指数(DVI)之间的关系,确立了棉花地上部干物质积累量的敏感波段及预测模型.结果表明:两个可见光波段(560和710 nm)和5个近红外波段(810、870、950、1 100和1 220 nm)组成的植被指数与棉花地上部干物质积累量的相关性较好,其中RVI(1 100, 560)的相关性最好.通过逐步回归分析确立的棉花地上部干物质积累量的预测模型为:地上部干物质积累量(g·m-2)=66.274×RVI(1 100, 560)-148.84.说明通过遥感手段估测棉花地上部干物质积累量是可行的.     

不同水分条件下氮素供应对小麦植株氮代谢及籽粒蛋白质积累的影响

土壤水分逆境是限制小麦籽粒品质形成的重要生态因子,明确土壤水分逆境下小麦籽粒品质形成的生理机制及调优技术途径,对于深化小麦品质生理生态研究和指导小麦调优栽培具有重要的理论意义和应用前景。在防雨池栽条件下,设置渍水、干旱和对照3个水分处理,每个水分处理下再设置120和240 kg.hm-2两个施氮水平,研究了花后渍水和干旱逆境下氮素对两个籽粒蛋白质含量不同的小麦品种植株氮代谢和籽粒蛋白质积累的影响。结果表明,与正常水分处理相比,花后干旱和渍水均降低旗叶硝酸还原酶活性、叶片总氮含量和游离氨基酸含量。干旱处理提高了茎鞘总氮与游离氨基酸含量以及籽粒蛋白质含量,而渍水处理则使其降低。水分逆境下增施氮肥提高旗叶硝酸还原酶活性、叶片与茎鞘总氮和游离氨基酸含量以及籽粒游离氨基酸和蛋白质含量。花后干旱和渍水均显著降低了小麦籽粒产量和蛋白质产量。增施氮肥提高适宜水分和水分亏缺条件下小麦籽粒产量,但不利于渍水下小麦产量的提高。这说明,花后渍水和干旱逆境下施用氮肥对小麦植株氮代谢和籽粒蛋白质积累有明显的调节效应。     

应用近红外光谱法估测小麦叶片糖氮比

糖氮比能够反映作物碳氮代谢的协调程度,及时、准确地监测糖氮比对于作物氮素营养诊断和调控具有重要意义.本研究以不同年份、品种、施氮水平的小麦大田试验为基础,获取鲜叶和粉末状干叶近红外(NIR)光谱及糖氮比信息,分别运用偏最小二乘法(partial least squares, PLS)、BP神经网络(back propagation neural network, BPNN)和小波神经网络(wavelet neural network, WNN)3种方法建立了小麦叶片糖氮比预测模型,并利用随机选择的样品集对所建模型进行测试和检验.结果表明： 小麦鲜叶光谱模型预测性能不佳;而干叶片预测模型表现了较好的准确性,在1655~2378 nm谱区范围内基于3种方法构建的干叶粉末糖氮比估算模型,其预测均方根误差均低于0.3%,决定系数均高于0.9.比较而言,WNN法表现最佳.总体显示,近红外光谱法可以准确预测小麦叶片糖氮比状况,为科学诊断糖氮比提供了理论基础和技术途径.     

水氮处理下不同品种水稻根系生长分布特征

为明确不同栽培条件下水稻(Oryza sativa)根系生长分布特征, 通过不同水氮处理和不同品种的水稻桶栽试验, 采用内置根架法, 于拔节期和抽穗期取样, 获取根系总干重(TRW)、不定根数(ARN)以及各类根(不定根、细分枝根和粗分枝根)的形态指标(长度、表面积和体积), 并分析植株根系生长状况和根系分布特征。结果显示: (1)各试验条件下抽穗期各项根系指标较拔节期均呈增长趋势。同一时期, 各项根系指标在3个施氮水平间均差异显著, 且随施氮量的增加而增加。不同水分处理下, 两个时期的ARN在湿润灌溉(W2)与保持水层(W1)之间差异均不显著, 而其他指标上W2处理均显著最高; 干旱处理 (W3)下, 仅拔节期的TRW和粗分枝形态指标与W1处理接近, 而在其他指标上均显著最低。不同品种间, ‘扬稻6号’ (V3)的各项根系指标均最高, 而‘日本晴’ (V1)和‘武香粳14’ (V2)间差异不显著。(2)各试验条件下, 抽穗期较拔节期根系下扎生长比例增加, 多分布于表层(0-5 cm)土中; 减少氮素和水分供应可提高根系在5 cm以下土层中的分布比例, 且分枝根反应最为明显; 品种V1和V2的深扎根性较V3明显。结果表明, 合理施氮与控水可优化水稻不同类型根的生长与分布特征, 但需考虑不同品种之间的差异。     

水稻物质生产与氮、磷、钾、硅素积累特点及其相互关系

大田条件下研究了30个水稻基因型的干物质与N、P、K、Si积累特性及其相互关系.结果表明,水稻干物质积累总量随N、P、K和Si积累总量的增加呈直线增加,其相关系数早季和晚季均达极显著水平.同时,N、P、K、Si积累的平衡有利于干物质积累,干物质积累量随NBI(养分平衡指数)直线增加,随NDI(养分偏离指数)直线下降.30个水稻品种平均N、P、K、Si积累总量比值早季为3.76:1:4.55:7.10,晚季为2.88:1:4.54:8.09.干物质积累能力以中期最强,前期最弱,而N积累能力却以前期最强,后期最弱.水稻抽穗前积累的干物质主要分配在茎鞘中,当抽穗期茎鞘比率达到最大时,茎鞘重约为叶片重的2倍,而抽穗前积累的N主要分配在叶片中,叶片中N的分配比率全生育期均比干物质分配比率高.成熟期积累的干物质、N和P主要分配在穗部,早、晚季稻的平均分配比率分别为58.01%、66.42%和70.06%,而K主要分配在茎鞘中,早、晚季稻的平均分配比率为62.08%.早季Si在茎中的分配比率(43.11%)最大,而晚季却以穗中的分配比率(46.99%)最大.     

不同生育时期增铵营养对小麦生长及氮素利用的影响

通过两年的田间试验,研究了不同生育时期增铵营养(EAN)对小麦生长和氮素利用的影响.结果表明,田间增铵营养促进了小麦植株的生长和氮素吸收.其中基肥、分蘖期、拔节期EAN提高了小麦的干物质积累量、地上部氮积累量、有效穗数、叶面积指数、叶片叶绿素含量以及小麦的籽粒产量;孕穗期EAN效果不明显;全生育期EAN在促进生长方面的效果并无明显优势,但可有效降低土壤N₃^--N的淋溶损失.与对照相比,EAN提高了氮流效率和吸收效率,但以拔节前处理最为明显.拔节期EAN主要在于改善后期的叶片光合性能,并促进同化物向籽粒的再分配,而基肥和分蘖期EAN主要在于提高有效分蘖数.     

小麦目标产量设计及适宜品种选择的动态知识模型

运用知识工程和系统建模方法,在综合考虑决策点光温生产潜力、历史平均产量水平、土壤肥力、肥水管理水平和生产技术水平等诸多因子对增产系数影响的基础上,通过定量计算动态增产系数,建立了具有时空适应性的小麦目标产量设计知识模型;通过定量计算小麦品种特征值与环境因子和生产需求之间的符合度,建立了适宜品种选择的量化知识模型．利用南京、郑州、泰安、保定和太原5个不同生态点的不同年型每日气象资料以及不同历史平均产量水平、土壤肥力和肥水管理水平,对目标产量设计模型进行了实例分析;利用广州、南京、泰安、北京、哈尔滨5个不同生态点常年气象资料以及15个不同品种资料,对品种选择知识模型进行了实例分析．结果表明,所建知识模型具有较好的决策性和广泛适应性．     

花后干旱和渍水对不同品质类型小麦籽粒品质形成的影响

 防雨池栽条件下研究了花后干旱和渍水胁迫对两个不同品质类型小麦（Triticum aestivum）品种籽粒产量和品质形成的影响。结果表明,花后渍水和干旱处理明显降低了小麦籽粒产量和蛋白质产量。在整个灌浆期内干旱处理明显提高了籽粒蛋白质和醇溶蛋白含量,而渍水处理降低了籽粒蛋白质及其组分的积累量。籽粒总淀粉和直链淀粉含量以渍水处理最高,而支链淀粉以对照最高。干旱处理提高了籽粒干、湿面筋含量、沉降值和降落值,而渍水处理降低了上述品质指标。试验表明干旱和渍水胁迫对小麦籽粒蛋白质与淀粉的含量和组分及面粉品质等均有不同程度的影响,从而改变了不同品质类型小麦的籽粒品质。     

水稻上部叶片叶绿素含量的高光谱估算模型

叶片叶绿素 (Chl) 状况是评价植株光合效率和营养胁迫的重要指标,实时无损监测Chl状况对作物生长诊断及氮素管理具有重要意义.以不同生态点、不同年份、不同施氮水平、不同类型水稻品种的4个田间试验为基础,于主要生育期同步测定了水稻主茎顶部4张叶片的高光谱反射率及Chl含量,并计算了350～2500 nm范围内任意两波段组合而成的比值(SR[λ1,λ2])和归一化(ND[λ1,λ2])光谱指数以及已报道的对Chl敏感的光谱指数,进一步系统分析了叶片Chl含量与上述光谱指数之间的定量关系.结果表明,红边波段的比值和归一化光谱指数可以较好地预测水稻上部4叶的Chl含量(R~2>0.9),但对于不同Chl指标其最佳组合波段有所差异.估算叶绿素a (Chla)、叶绿素总量(Chla+b)和叶绿素b (Chlb)的最佳比值光谱指数分别为SR(724,709)、SR(728,709)和SR(749,745),方程拟合决定系数R~2分别是0.947、0.946、0.905;最佳归一化光谱指数分别为ND(780,709)、ND(780,712)和ND(749,745),R~2分别是0.944、0.943、0.905.引入445 nm波段反射率对上述光谱指数进行修正,可以降低叶片表面反射差异的影响,提高模型的应用范围.利用不同年份独立的试验资料对所建模型进行了检验,结果表明,修正型比值光谱指数 mSR(724,709)、mSR(728,709) 和 mSR(749,745),以及修正型归一化光谱指数mND(780,709)、mND(780,712) 和 mND(749,745) 预测 Chla、Chla+b 和 Chlb 的效果更好,其测试的RMSE分别为 0.169、0.192、0.052、0.159、0.176、0.052,RE分别为8.18%、7.74%、13.01%、8.26%、7.59%、12.96%,均较修正前降低,说明修正后的光谱指数普适性更好.