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.     

水稻高光谱变化特征与叶绿素含量监测研究

叶绿素含量是评价水稻光合效率的重要指标,实时无损监测叶绿素含量对水稻生长诊断具有重要意义。以水稻P88S(绿叶)和黄1S(黄叶)为试验材料,分析高光谱指数与水稻叶绿素含量的关系,并构建冠层反射光谱与水稻叶绿素含量监测模型。研究结果表明:水稻不同叶色的冠层光谱反射率随着植株生长而不断变化,在绿叶材料P88S的502-711 nm和黄叶材料黄1S的487-716 nm可见光波长范围内,叶绿素含量与一阶微分光谱的相关系数呈极显著正相关。以P88S RVI(363,675)和黄1S DVI'(639,680)作为光谱参数,与叶绿素含量建立估算模型拟合效果最佳,说明利用高光谱技术结合一阶微分光谱的方法可以监测水稻叶绿素含量。     

应用近红外光谱预测水稻叶片氮含量

以水稻(Oryza sativa)新鲜叶片和干叶粉末两种状态的样品为研究对象, 基于近红外光谱(NIRS)技术, 应用偏最小二乘法(PLS)、主成分回归(PCR)和逐步多元回归(SMLR), 建立并评价了水稻叶片氮含量(NC)近红外光谱模型。结果表明, 基于PLS建立的模型表现最好, 鲜叶氮含量近红外光谱校正模型校正决定系数R_C²为0.940, 校正标准误差RMSEC为0.226; 干叶粉末氮含量的近红外光谱校正模型R_C²为0.977, RMSEC为0.136。模型的内部交叉验证分析表明, 预测鲜叶氮含量内部验证决定系数R_CV²为0.866, 内部验证标准误差RMSECV为0.243; 预测干叶粉末氮含量R_CV²为0.900, RMSECV为0.202。模型的外部验证分析表明, 预测水稻鲜叶氮含量的外部验证决定系数R_V²大于0.800, 外部验证标准误差RMSEP小于0.500, 预测干叶粉末氮含量的R_V²为0.944, RMSEP为0.142。说明, 近红外光谱分析技术与化学分析方法一致性较好, 且基于干叶粉末建立的近红外光谱预测模型的准确性和精确度较新鲜叶片高。     

基于光谱指数的喀斯特植物叶片叶绿素含量定量估算

为了探讨适合于喀斯特植物叶片叶绿素含量估算的光谱指数,在总结以往基于光谱指数的植物生化参数估算研究基础上发现,常用光谱指数通常采用差值、比值、归一化以及倒数差值方式来构建。因此,我们通过上述4种光谱指数构建方式对所采集的4种典型喀斯特植物——黄荆(Vitex negundo)、盐麸木(Rhus chinensis)、朴树(Celtis sinensis)和红背山麻杆(Alchornea trewioides)叶片原始光谱反射率及其一阶导数值与同步测定的叶片叶绿素含量进行遍历分析,以期获得最优光谱指数并将其应用于喀斯特植物叶片叶绿素含量定量估算研究。结果表明：(1)常用光谱指数中,改良红边归一化指数(modified red-edge normalized difference vegetation index, mND705)对喀斯特植物叶片叶绿素含量估算效果较好(决定系数为0.45,均方根误差为0.26 mg·g^-1)。(2)虽然荧光比值(fluorescence ratio index, FRI1)和叶绿素吸收面积光谱指数(chlorophyll absorp...     

基于因子分析的苜蓿叶片叶绿素高光谱反演研究

因子分析是一种能够将具有错综复杂关系的变量归结为少数几个综合因子的多变量统计分析方法,在降低数据维数的同时又可以保存足够的信息,这为处理信息量丰富但冗余较大的高光谱数据提供了一种有效方法。本文利用2010年9月23日采集的16个样点的苜蓿叶片反射率及叶绿素含量数据,采用因子分析方法,分别提取苜蓿叶片反射率光谱400～900nm,以及可见光400nm～760nm和近红外760～900nm光谱区的公共因子,分析因子载荷分布、载荷总量对公共因子与叶绿素含量相关性的影响。利用逐步回归法建立基于公共因子的叶片叶绿素反演模型,并将反演模型与光谱指数建立的模型进行对比。研究表明,1）公共因子与叶片叶绿素的相关性,在更大程度上是与该因子在各个波段上载荷分布有关,而不是总载荷量;2）对波谱进行分区建立的反演模型略优于全区因子分析建立的反演模型;3）与常用于叶片叶绿素含量反演的光谱指数CARI、MCARI、mND680、mND705、mSR705、TVI、DmSR、BGI、BRI相比,因子分析建立的叶绿素反演模型精度更高。     

桂北岩溶区与非岩溶区植物叶片含水率高光谱反演

叶片水分状况是反映植被生理状况的重要指标,构建高普适性的植物叶片含水率高光谱反演模型对准确评价岩溶和非岩溶植被生态功能具有重要意义.该文以我国西南典型区域内岩溶区与非岩溶区共17种植物694个样品为研究对象,同步测量叶片含水率和反射光谱,采用单波段、差值型、比值型、归一化型等四类光谱指数模型,对反射光谱及一阶导数光谱进...     

秋茄类胡萝卜素含量高光谱反演

类胡萝卜素(Car)作为植物主要色素,对诊断植被生理状态有重要作用。于2013年4月和7月采集闽江口秋茄(Kandelia candel)叶片,室内测定其叶片正面和背面反射光谱,同时测定其Car含量[单位面积(μg·cm-2)和单位质量(mg·g-1)]。选取常见Car含量估算的光谱参数,同时分析确定最佳比值植被指数(SR),基于回归分析,建立秋茄叶片Car含量估算与验证模型。结果表明,叶片光谱反射率表现为叶片背面大于正面(350~2350 nm);基于叶面背面光谱计算的SR与叶片Car含量(μg·cm-2)的相关系数优于其他组合,相关系数较高的区域分布在520~540 nm与1000~1100 nm波段组合,700~720 nm与800~1100 nm波段组合;基于背面光谱计算的大部分光谱参数与Car含量(μg·cm-2)的相关系数要高于基于正面光谱计算的。因此,以叶片背面光谱作为Car含量估算的光谱数据,以单位面积Car含量为估算量纲建立反演模型。本研究表明,光谱指数LCI、DD、NDVI(770,713)、NDVI(773,562)、SR(723,770)和SR(1000,700)均可实现Car含量的反演,估算与检验模型的R2均0.65,RMSE均1.52;并且新构建的SR(1000,700)估算精度最好,模型和检验R2分别为0.77和0.87,模型和检验RMSE分别为1.08和1.11。这些预味着基于高光谱遥感对闽江河口湿地秋茄Car含量进行估算是可行的。     

基于小波分析的大豆叶面积高光谱反演

实测了不同水肥耦合、经营制度及有效营养面积条件下的大豆(Glycinemax)冠层高光谱反射率与叶面积指数(LAI),并对光谱反射率、微分光谱与LAI的关系进行了分析;采用比值植被指数(RVI)与归一化植被指数(NDVI)建立了大豆LAI反演模型;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对大豆LAI进行估算。结果表明:大豆LAI与光谱反射率在可见光波段呈负相关;在近红外波段呈正相关;微分光谱在红边处与大豆LAI密切相关(R2=0.92);RVI与NDVI可以提高大豆LAI的估算精度(R2分别达0.79、0.84);各植被指数各有优缺点,应根据需要进行选择;小波能量系数回归模型可以进一步提高大豆叶面积的估算水平,以一个特定小波能量系数作为自变量的回归模型,大豆LAI回归确定系数R2高达0.884;以4个和6个小波能量系数建立LAI回归分析模型(R2分别达0.92、0.93),2个模型LAI预测值与大豆LAI实测值线性回归确定性系数R2分别为0.90、0.92。比较可知,小波分析可以对高光谱进行特征变量提取,进而反演大豆生理参数,并且反演的LAI精度较光谱反射率、微分光谱及植被指数都有明显提高,小波分析在植被生理参数的高光谱提取方面有着广阔的应用前景。     

基于小波分析的大豆叶绿素a含量高光谱反演模型

 2003和2004年分别在长春市良种场和中国科学院海伦黑土生态实验站实测了大田耕作与水肥耦合作用下大豆（Glycine max）冠层高光谱反射率 与叶绿素a含量数据,对光谱反射率、微分光谱与叶绿素a含量进行了相关分析;采用归一化植被指数(Normalized diffe rence vegetation index, NDVI)、土壤调和植被指数(Soil-adjusted vegetation index, SAVI)、再归一植被指数(Renormalized difference vegetation index, RDVI)、第二修正比值植被指数(Modified second ratio index, MSRI)等建立了大豆叶绿素a反演模型;应用小波分析对采集的光谱反 射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对大豆叶绿素a进行了估算。研究结果表明,大 豆叶绿素a 与可见光光谱反射率相关性较好,并在红光波段取得最大值(R²>0.70),但在红边处,微分光谱与大豆叶绿素a的相关性较反射率好 得多,在其它波段则相反;由NDVI、SAVI、RDVI、MSRI等植被指数建立的估算模型可以提高大豆叶绿素a的估算精度（R²>0.75）;小波能量系 数回归模型可以进一步提高大豆叶绿素a含量的估算水平,以一个特定小波能量系数作为自变量的回归模型,大豆叶绿素a回归决定系数R²高达 0.78;多变量回归分析结果表明,大豆叶绿素a实测值与预测值的线性回归决定系数R²均高达0.85。以上结果表明, 小波分析可以对高光谱进 行特征变量提取,并可在一定程度上提高大豆生理参数反演精度。     

基于光谱指数的植物叶片叶绿素含量的估算模型

叶绿素是光合作用能力和植被发育阶段的指示器,是监测湿地植被生长健康状况的重要指标之一;高光谱遥感技术可以为植物叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法。为保证被探测叶片面积相同,消除背景反射、叶片表面弯曲造成的光谱波动及叶片内部变异造成的影响,研究采用Field Spec 3光谱仪加载手持叶夹式叶片光谱探测器,测定野鸭湖湿地典型植物的叶片高光谱反射率数据,同时通过分光光度计室内测定相应叶片的叶绿素含量。采用相关性及单变量线性拟合分析技术,建立二者的关系模型,包括叶绿素含量与"三边"参数的相关模型以及比值光谱指数(SR)模型和归一化差值光谱指数(ND)模型,并采用交叉检验中的3K-CV方法对估算模型进行模型精度检验。结果表明:植物叶片叶绿素含量与"三边"参数大多都呈极显著相关,相关系数最大达到0.867;计算光谱反射率组成的比值(SR)和归一化(ND)光谱指数与叶绿素含量的决定系数,总体相关性比较高,较好的波段组合均为550—700nm与700—1400nm以及550—700nm与1600—1900nm,与叶绿素含量相关性最好的指数分别是SR(565nm,740nm)和ND(565nm,735nm)。并通过选取相关性最佳的光谱特征参数,分别基于"三边"参数和ND模型指数构建了植物叶片叶绿素含量的估算模型。其中,基于红边位置(WP_r)光谱特征参数和ND(565nm,735nm)光谱指数建立的叶绿素含量估算模型,取得了较好的测试效果,检验拟合方程的决定系数(R2)都达到0.8以上,估算模型分别为y=0.113x-78.74,y=5.5762x+4.4828。通过3K-CV方法进行测试和检验,植物叶绿素含量估算模型均取得了较为理想的预测精度,预测精度的分别为93.9%及90.7%。高光谱遥感技术对植被进行微弱光谱差异的定量分析,在植被遥感研究与应用中表现出强大优势,为植物叶绿素含量诊断中的实际应用提供了重要的理论依据和技术支持。     

Sodium chloride induced changes in leaf growth, and pigment and protein contents in two rice cultivars

Rice (Oryza sativa L.) seedlings were grown under NaCl stress. The leaf growth of resistant cv. Damodar was less affected than that of the susceptible cv. Jaya. The leaf protein content showed no distinct cultivar or age dependent differences under NaCl salinity. There was a significant increase in chlorophyll (Chl) and carotenoid (Car) contents of 25-d-oldseedlings of both cv. Jaya and cv. Damodar. However, Chl and Car content of 15-d-old seedlings of cv. Jaya decreased and that of cv. Damodar increased, under NaCl stress. This revised version was published online in July 2006 with corrections to the Cover Date.     

基于高光谱遥感的小麦冠层叶片色素密度监测

作物叶片色素状况是评价植株光合效率和营养胁迫的重要指标,冠层叶片色素密度（单位土地面积叶片色素总量）的实时无损监测对作物生长诊断、产量估算及氮素管理具有重要意义。以包括不同品质类型（高蛋白、中蛋白和低蛋白）的多个小麦品种在不同施氮水平下的连续2a大田试验为基础,研究了小麦叶片色素密度与冠层高光谱参数的定量关系。结果表明,叶片色素（叶绿素a、叶绿素b、叶绿素a＋b和类胡萝卜素）密度随施氮水平增加而提高,不施氮处理的叶片色素密度随生育进程而下降,施氮处理的叶片色素密度呈单峰曲线,品种间存在明显差异。群体叶片色素密度的敏感波段主要分布在可见光区,而红边区域导数光谱表现更显著。光谱参数VOG2、VOG3、RVI（810,560）、SRE／SBE和SDr／SDb等与叶绿素密度关系较为密切,线性方程决定系数R^2均在0．858以上,而与类胡萝卜素密度关系减弱,决定系数R^2低于0．780,且参数间差异较小。经独立试验资料的检验表明,VOG2、VOG3、SRE／SBE和SDr／SDb对不同色素的估测结果较好,预测相对误差RE低于17．6％,虽然对叶绿素b的准确性稍低。总体上,光谱参数VOG2、VOG3、SRE／SBE和SDr／SDb与小麦群体叶片色素密度关系密切,特别是对叶片叶绿素a和叶绿素a＋b的密度可以进行准确可靠的实时监测。     

Best hyperspectral indices for assessing leaf chlorophyll content in a degraded temperate vegetation

Extensive studies have focused on assessing leaf chlorophyll content through spectral indices; however, the accuracy is weakened by limited wavebands and coarse resolution. With hundreds of wavebands, hyperspectral data can substantially capture the essential absorption features of leaf chlorophyll; however, few such studies have been conducted on same species in various degraded vegetations. In this investigation, complete combinations of either original reflectance or first‐order derivative spectra we conducted a complete combination on either original reflectance or its first‐order derivative value from 350 to 1000 nm to quantify leaf total chlorophyll (Chll), chlorophyll‐a (Chla), and chlorophyll‐b (Chlb) contents. This was performed using three hyperspectral datasets collected in situ from lightly, moderately, and severely degraded vegetations in temperate Helin County, China. Suitable combinations were selected by comparing the numbers of significant correlation coefficients with leaf Chll, Chla, and Chlb contents. The combinations of reflectance difference (D_ij), normalized differences (ND), first‐order derivative (FD), and first‐order derivative difference (FD(D)) were found to be the most effective. These sensitive band‐based combinations were further optimized by means of a stepwise linear regression analysis and were compared with 43 empirical spectral indices, frequently used in the literature. These sensitive band‐based combinations on hyperspectral data proved to be the most effective indices for quantifying leaf chlorophyll content (R² > 0.7, p < 0.01), demonstrating great potential for the use of hyperspectral data in monitoring degraded vegetation at a fine scale.     

Relationship between water content and afterripening in red rice

Reactions regulating seed dormancy can proceed at water contents which are probably too low to permit metabolic activity. The loss of dormancy via afterripening of red rice. ( Oryza sativa L.) seeds was examined as a representative case. Equilibration of seeds to various moisture contents showed that afterripening was most rapid at 6–14% moisture content (dry weight basis). Afterripening did not occur at > 18% moisture content and was severely inhibited at < 5% moisture content. Seed viability was greater than 95% for all treatments. Utilization of moisture isotherms to calculate water-binding enthalpy values identified the optimal afterripening range as approximately the boundary between water-binding region 1 and region 2. From these findings, it is suggested that afterripening may involve some oxidative reactions which are inhibited at lower water contents by the rising free-energy and at the higher side by metabolic reactions.     

基于神经网络的马尾松叶绿素含量高光谱估算模型

分析不同生长期的马尾松冠层反射光谱特征与相应叶绿素含量的相关关系.利用36个红边参数逐一筛选,最终确定7个与叶绿素含量相关性较高的红边参数作为光谱特征参数,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型;同样,筛选出4个植被指数作为光谱特征参数,同时,将对原始光谱进行主成分分析降维后的前4个主成分作为BP神经网络的输入变量,分别应用逐步分析法与BP神经网络构建叶绿素含量的高光谱估算模型.结果表明: 将红边参数作为输入变量建立的逐步回归模型和BP神经网络模型的决定系数(R²)分别为0.5205、0.7253,均方根误差(RMSE)分别为0.1004、0.0848,相对误差分别为6.3%、5.7%.将植被指数作为输入变量建立的逐步回归模型和BP神经网络模型的R²分别为0.5392、0.7064,RMSE分别为0.0978、0.0871,相对误差分别为6.2%、6.0%.基于主成分分析的BP神经网络模型的预测效果最好,R²为0.7475,RMSE为0.0540,相对误差为4.8%.     

Ammonium, calcium, and leaf senescence in rice

The possible involvement of calcium in the regulation of ammonium-promoted senescence of detached rice leaves was investigated. Calcium effectively reduced ammonium-promoted senescence of detached rice leaves. The effect of ammonium on the senescence was also significantly reduced by the calcium ionophore A23187. Ammonium-promoted senescence of detached rice leaves may be mediated through blocking the entrance of calcium ions into the cytosol.