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.     

江西双季稻氮素监测诊断模型的建立与应用

建立基于光谱仪的江西双季稻氮素监测诊断模型,可指导氮肥精确施用,达到双季稻丰产、提质、增效的目的。本研究开展了不同早、晚稻品种与氮素水平的小区试验,采用GreenSeeker光谱仪和作物生长监测诊断仪(CGMD)于分蘖期和拔节期测定了早、晚稻冠层光谱植被指数和植株氮积累量,建立了双季稻植株氮积累量光谱监测模型,并采用独立的田间试验数据对模型进行检验。利用双季稻丰产栽培经验及建立的氮素光谱诊断模型,对双季稻分蘖肥和穗肥施氮量进行定量推荐。结果表明: 双季稻氮肥施用关键期(分蘖期和拔节期)基于两种光谱仪的光谱植被指数与植株氮积累量均呈显著正相关,分蘖期和拔节期的模型预测效果比生长前期模型好。基于GreenSeeker光谱仪的归一化差值植被指数(NDVI_(780,660))的指数方程可较好地预测植株氮积累量,模型决定系数(R²)为0.92～0.94,模型检验的均方根误差(RMSE)、相对均方根误差(RRMSE)和相关系数(r)分别为3.09～5.96 kg·hm^-2、5.8%～18.5%和0.92～0.98;基于CGMD光谱仪的差值植被指数(DVI_(810,720))的线性方程可较好地预测植株氮积累量,R²为0.90～0.93,模型检验的RMSE、RRMSE和r分别为3.71～6.33 kg·hm^-2、11.7%～14.3%和0.93～0.96。基于CGMD光谱仪的模型推荐的施氮量高于基于GreenSeeker光谱仪的模型推荐的施氮量;模型生成的精确施氮方案较传统农户方案减少施氮量5.5 kg·hm^-2,氮肥农学利用率提高0.8%,纯收益提高128元·hm^-2。用双季稻氮素光谱诊断方法指导施肥能在增产的同时,降低成本,增加纯收益,对科学指导双季稻生产具有重要意义。     

高光谱植被指数与水稻叶面积指数的定量关系

基于不同水稻品种、施氮水平和不同生育期下的大田试验,确立了水稻叶面积指数（LAI）与冠层光谱特征参数的定量关系.结果表明：水稻叶面积指数与部分高光谱植被指数存在良好的相关性,其中原始光谱组成的2波段差值指数（DI）形式相关性最好,其次为比值（RI）和归一化（NI）植被指数.相关最好的原始光谱植被指数是由近红外波段组成的差值指数DI(854,760),相关最好的一阶导数光谱植被指数是红光和近红外光组成的导数差值指数DI(D₆₇₆, D₇₇₈),但总体上导数光谱指数不如原始光谱指数与LAI关系密切.独立试验数据检验结果表明,以差值指数DI(854,760)为变量建立的水稻LAI监测模型具有较好的表现,可用于水稻LAI的估测.     

利用红边面积形状参数估测水稻叶层氮浓度

 研究红边面积参数与叶层氮素状况的定量关系, 有助于水稻(Oryza sativa)生长信息的实时无损获取及精确追氮管理。该研究基于多年不同施氮水平和不同水稻品种的冠层高光谱数据, 系统分析了水稻的红边区域光谱、面积形状特征及其与叶层氮浓度的定量关系。结果表明, 水稻冠层红边区域微分光谱随不同氮素水平变化出现“三峰”现象, 峰值分别出现在700、720和730 nm附近, 且3个波段的峰值高低发生交替变化; 同时, 以3个峰值波段为中心与x坐标轴组成的微分光谱面积和形状相应发生变化。发现基于两两峰值波段划分所得红边子面积所构成的比值(双峰对称度)、归一化差值(归一化对称度)参数与叶层氮浓度具有密切的定量关系, 可作为估测水稻叶层氮浓度的红边面积形状参数。经曲线拟合和模型检验的结果显示, 双峰对称度DPS(A675-700, A675-755), 即由675~700 nm区域面积与675~755 nm区域面积的比值, 和DPS(A730-755,A675-700)(由730~755 nm区域面积和675~700 nm区域面积的比值)对水稻叶层氮浓度的估测效果最好, 可用于不同水稻品种和生长条件下的叶层氮浓度估测。     

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.     

基于高光谱遥感的小麦叶干重和叶面积指数监测

 生物量和叶面积指数(LAI)是描述作物长势的重要参数, 叶干重和LAI的实时动态监测对小麦(Triticum aestivum)生长诊断和管理调控具有重要意义。为分析多种高光谱参数估算小麦叶干重和LAI的效果, 建立小麦叶干重和LAI的定量监测模型, 该研究连续3年采用不同小麦品种进行不同施氮水平的大田试验, 于小麦不同生育期采集田间冠层高光谱数据并测定叶片叶干重和LAI。试验结果显示, 小麦叶干重和LAI随施氮水平的提高而增加, 随生育进程呈单峰动态变化模式。小麦叶干重和LAI与光谱反射率间相关性较好的区域主要位于红光波段(590~710 nm, r<–0.60)和近红外波段(745~1 130 nm, r>0.69)。对于不同试验条件下的叶干重和LAI, 可以使用统一的光谱参数进行定量反演, 其中基于RVI (810, 560)、FD755、GM1、SARVI (MSS)和TC3等光谱参数的方程拟合效果较好。经不同年际独立试验数据的检验表明, 以参数RVI (810, 560)、GM1、SARVI (MSS)、PSSRb、(R750-800/R695-740) –1、VOG2和MSR705为变量建立的叶干重和LAI监测模型均给出较好的检验结果。因此, 利用关键特征光谱参数可以有效地评价小麦叶片生长状况, 尤其是光谱参数RVI (810, 560)、GM1和SARVI (MSS)可以对不同条件下小麦叶干重和LAI进行准确可靠的监测。     

不同土壤水分处理对水稻光合特性及产量的影响

为探明土壤水分对水稻生长发育的影响机理,以武香粳14和两优培九为试验材料,分析了不同土壤水分处理下(W1、W2、W3和CK分别表示土壤体积含水量为20%、30%、40%和5cm水层灌溉)的水稻光合特性、产量及水分生产率等。结果表明,轻度水分胁迫(W3)具有处理间最大的叶片气孔导度、蒸腾速率和净光合速率,其他处理规律不显著。灌浆初期各水分处理下叶位间光合指标均表现为:剑叶＞顶2叶＞顶3叶>顶4叶,其他生育期规律不显著。与对照处理(CK)相比,武香粳14的W1、W2和W3处理的产量分别减少61.14%和29.13%、增加0.96%,水分生产率分别减少10.69%、增加1.53%和20.61%;两优培九的产量分别减少64.11%和28.76%,增加2.08%,水分生产率分别减少16.39%,增加2.46%和22.13%。研究结果为水稻精确灌溉和节水生产提供了技术支撑。     

基于临界氮浓度的小麦地上部氮亏缺模型

基于3年的大田试验,选择代表性的中蛋白小麦品种(扬麦16)和低蛋白小麦品种(宁麦13),分别构建了小麦地上部干物质临界氮浓度(Ncnc)稀释曲线模型、氮营养指数(NNI)模型和氮亏缺(Nand)模型.结果表明:小麦地上部干物质临界氮浓度稀释曲线模型具有明确的生物学意义,小麦临界氮浓度与地上部最大干物质(DM)符合幂函数关系(扬麦16为Ncnc=4.65DM-0.44;宁麦13为Ncnc=4.33DM-0.45);小麦地上部氮营养指数模型可以准确诊断氮素营养状况;小麦地上部氮亏缺模型可以定量调控氮肥管理措施.利用2007-2008年的独立试验资料对小麦地上部干物质临界氮浓度稀释模型、氮营养指数模型和氮亏缺模型进行检验和测试,结果表明模型的准确性较高,普适性较强.本文所构建模型可以直接用于诊断调控小麦氮素营养,为小麦生产中精确施肥管理提供了较好的技术途径和理论基础.     

基于地-空遥感耦合的冬小麦叶片氮积累量估算

利用不同冬小麦生态区同步的SPOT-5多光谱遥感影像、地面光谱数据和植株取样数据,提出一种基于波谱响应函数拟合和混合像元分解的纯净像元光谱提取方法,并对比分析了纯净像元光谱、模拟像元光谱和实测像元光谱与冬小麦叶片氮积累量(LNA)的定量关系.结果表明:模拟像元光谱对叶片氮积累量的反演效果较好,纯净像元光谱反演效果次之,实测像元光谱最差;但基于模拟像元光谱的LNA监测模型不能直接外推至空间尺度.模型检验结果表明,基于纯净像元光谱的LNA监测模型在2个小麦生态区均具有较好的精度和稳定性,该方法综合利用了地-空遥感的优点,可以推广应用到其他不同空间分辨率和光谱分辨率的遥感数据,从而为区域性冬小麦氮素营养状况的遥感监测提供技术依据.     

利用高光谱参数反演水稻叶片类胡萝卜素含量

为了探讨快速、准确预测水稻(Oryza sativa)叶片类胡萝卜素(Car)含量的敏感光谱波段和光谱指数,通过实施涉及不同年份、不同生态点、不同施氮水平和不同品种类型的4个田间试验,于主要生育期同步测定了水稻顶部4张叶片的光谱反射率及Car含量,系统分析了350-2500nm范围内任意两波段组合而成的比值(SR(λ1,λ2))、归一化(ND(λ1,λ2))及已报道的对Car敏感的光谱指数与水稻叶片Car含量间的定量关系。结果表明,不同Car含量水平下水稻叶片光谱反射率存在着明显变化,以绿光及红边波段对水稻叶片Car含量变化最为敏感。723nm附近的波段与近红外波段的比值组合以及713nm附近的波段与近红外波段的归一化组合可以较好地预测水稻叶片Car含量,以SR(723,770)和ND(770,713)表现最好,线性拟合R2分别达到0.897和0.898。基于独立的试验资料的检验表明,预测值和实测值的拟合R2分别为0.856和0.858,均方根差RMSE均为0.072,平均相对误差RE分别为11.9%和12.0%,表明SR(723,770)和ND(770,713)可有效地估算水稻上部叶片的Car含量。