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。     

不同冷季型牧草品种的产草量及品质比较分析

采用随机区组试验设计,对引进的8个冷季型牧草品种进行产草量和营养成分的比较分析.结果表明:4次刈割的总鲜重和总干重在品种间差异极显著,且以蓝天堂黑麦草(7号)最高.品种间的粗蛋白含量差异显著,其中第1次刈割以奇可利(3号)最高,蓝天堂黑麦草(7号)居第2位;第2次仍以奇可利(3号)最高,特高黑麦草(1号)和蓝天堂黑麦草(7号)居其次;第3次以紫花苜蓿(8号)最高,其次是多年生黑麦草(4号);第4次以奇可利(3号)最高,多年生黑麦草(4号)居第2位;粗纤维、粗脂肪和粗灰分在品种间的差别较小.综合产草量和品质两方面考虑,蓝天堂黑麦草(7号)可作为本地首选推广的冷季型牧草品种,奇可利(3号)和多年生黑麦草(4号)可作为备选推广的牧草品种.     

双季稻光合生产模型的建立与应用

综合已有作物模型(包括冠层结构、冠层光分布和冠层光合作用与干物质生产模型)的优点,构建了双季稻光合生产模型.利用独立的田间试验资料,对冠层内的光分布和干物质积累量进行了初步检验;利用模型定量分析了直接辐射在上挺下挺、上挺下披和上披下披3种典型株型水稻冠层内水平面上和叶面上的分布、冠层日光合量及其随叶面积指数的变化特征.结果表明: 模拟值与观测值之间具有较好的一致性,预测双季稻冠层内光分布的根均方差、相对根均方差和相关系数分别为12.01 J·m^-2·s^-1、8.2%和0.9929;预测双季稻干物质积累量的根均方差、相对根均方差和相关系数分别为0.83 t·hm^-2、14.6%和0.9772,表明模型预测性较好;上挺下披株型水稻的冠层日光合量最高,取决于较大的叶面受光量、叶片光合效能和叶面积指数.     

基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测

为了验证作物生长监测诊断仪(CGMD)监测双季稻氮素营养指标的准确性和适用性,构建基于CGMD的双季稻叶片氮含量(LNC)和氮积累量(LNA)的监测模型。选用8个不同早、晚稻品种,设置4个不同施氮水平,利用CGMD采集冠层差值植被指数(DVI)、归一化植被指数(NDVI)和比值植被指数(RVI),同步利用ASD FH2高光谱仪采集冠层光谱反射率,并计算DVI、NDVI和RVI;通过比较CGMD和ASD FH2采集的冠层植被指数变化特征,验证CGMD的测量精度,构建基于CGMD的LNC和LNA监测模型,并利用独立试验数据对模型进行检验。结果表明: 早、晚稻LNC、LNA、DVI、NDVI和RVI随施氮水平的增加而增大,随生育进程的推进呈先升后降的趋势;CGMD与ASD FH2采集的DVI、NDVI和RVI间拟合的决定系数(R²)分别为0.9350、0.9436和0.9433,表明CGMD的测量精度较高,可替代ASD FH2采集冠层植被指数。基于CGMD的3个冠层植被指数相比,NDVI_CGMD与LNC的相关性最高,RVI_CGMD与LNA的相关性最高;基于NDVI_CGMD的指数模型可较准确地预测LNC,模型R²为0.8581～0.9318,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0.1%～0.2%、4.0%～8.5%和0.9041～0.9854;基于RVI_CGMD的幂函数模型可较准确地预测LNA,模型R²为0.8684～0.9577,模型检验的RMSE、RRMSE和r分别为0.37～0.89 g·m^-2、6.7%～20.4%和0.9191～0.9851。与化学分析方法相比,利用CGMD可便捷准确地获取早、晚稻的LNC和LNA,在双季稻丰产高效栽培和氮肥精确管理中具有应用价值。