共查询到20条相似文献,搜索用时 250 毫秒
1.
基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测 总被引:18,自引:14,他引:4
实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。 相似文献
2.
基于敏感波段的小麦冠层氮含量估测模型 总被引:1,自引:2,他引:1
为提高小麦冠层叶片氮素含量检测精度,在不同生育时期对5种不同氮素水平的小麦试验田进行光谱采集,获取了234个范围为350~2 500 nm的高光谱数据。在比较蒙特卡洛-无信息变量消除(monte carlo-uninformative variable elimination,MC-UVE)、随机青蛙(random frog)、竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)及移动窗口偏最小二乘法的波段选择等方法的基础上,提出一种竞争性自适应重加权算法与相关系数法相结合的敏感波段选择方法,并从2151个原始波段中选出了30个敏感波段。用筛选后的30个波段数据建立非线性回归模型,得到了径向基神经网络模型校正集均方根误差为0.3699,预测集均方根误差为1.074e-009,校正决定系数为0.9832,预测决定系数为0.9982。试验结果表明:经过竞争自适应重加权采样的相关分析后所建立的径向基神经网络预测模型,无论是预测精度还是建模精度,比误差后向传播(back propagation,BP)神经网络和支持向量回归模型相比都有了显著提高,该方法在小麦氮含量预测过程中具有明显的优势,可在实际生产中应用。 相似文献
3.
基于近红外光谱分析的土壤分层氮素含量预测 总被引:4,自引:7,他引:4
准确、快速地估测土壤中的氮素含量是推动配方施肥顺利开展的保障。该研究在不同区域随机选取了30个点位,每个点位分别取其表土层(0~30 cm)、心土层(30~48 cm)以及底土层(48~60 cm)3个部位进行取样,利用傅里叶型光谱分析仪MATRIX_I测量了土壤样本在近红外区域的吸收光谱,并使用实验室手段测量了土壤样本的水分及氮素含量。分析了不同层次土壤样本的吸收光谱特性,以及土壤水分、氮素不同层次的变化规律。同时对原始光谱吸收率进行一阶微分处理,而后利用微分光谱与土壤全氮含量进行相关性分析,选取反应土壤全氮含量的敏感波段1 387、1 496、1 738、1 876、2 120以及2 316 nm。利用所得敏感波段与土壤氮素含量分别建立多元线性回归模型,BP神经网络预测模型以及基于遗传算法优化的BP神经网络建模。结果显示,基于遗传算法优化的BP神经网络建模,其决定系数为0.883,均方根误差为0.0278 mg/kg。表土层土壤的预测验证结果决定系数为0.716,均方根误差为0.031 mg/kg;心土层土壤的预测验证结果决定系数为0.801,均方根误差为0.030 mg/kg;底土层土壤的预测验证结果决定系数为0.667,均方根误差为0.033 mg/kg。无论是建模精度还是模型在土壤各个层次的预测精度相比于多元线性回归模型和BP神经网络模型相比都有了显著的提高,说明该方法在土壤全氮含量预测过程中具有明显的优势,可应用于实际生产。 相似文献
4.
基于无人机高光谱的冬小麦氮素营养监测 总被引:11,自引:10,他引:1
为了实现小区域尺度上的作物氮素营养状况遥感监测,该研究利用无人机搭载Cubert UHD185成像光谱仪对2016 -2017年关中地区的冬小麦进行遥感监测,通过分析冠层光谱参数与植株氮含量、地上部生物量和氮素营养指数的相关性,筛选出对三者均敏感的光谱参数,结合多元线性逐步回归、偏最小二乘回归和随机森林回归建立抽穗期冬小麦氮素营养指数(Nitrogen Nutrition Index,NNI)估测模型,并与单个光谱参数建立的冬小麦氮素营养指数模型进行比较。结果表明,任意两波段光谱指数对氮素营养指数更为敏感,与氮素营养指数均达到了极显著性相关;基于差值光谱指数和红边归一化指数的单个光谱参数构建的模型具有粗略估算氮素营养指数的能力,相对预测偏差分别为1.53和1.56;基于随机森林回归构建的多变量冬小麦氮素营养指数估算模型具有极好的预测能力,模型决定系数为0.79,均方根误差为0.13,相对预测偏差为2.25,可以用来进行小区域范围内的冬小麦氮素营养指数遥感填图,为冬小麦氮素营养诊断、产量和品质监测及后期田间管理提供科学依据。 相似文献
5.
通过不同氮素水平的水稻田间试验,在分析测定了水稻叶片叶绿素、氮素等农学参数后,采用傅立叶中红外光谱仪测定了水稻孕穗期叶片干样的透射光谱,利用协同偏最小二乘算法(siPLS)分析选取了傅立叶变换红外光谱估测水稻氮素含量的敏感波段及其组合。结果表明,其最优主成分数是9个,最佳估测建模的波段组合分别为1350.89~1586.57, 1587.53~1822.40 和 3709.41~3943.72 cm-1;建立的水稻氮素预测模型的精度较高,交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.1538和0.1933,预测值与化学分析获得的叶片总氮浓度之间的交互相关系数和独立检验相关系数分别为0.9393和0.6649,高于中红外光谱指数NFS和NFSA的预测精度。说明利用傅立叶红外光谱作为水稻氮含量的诊断技术是可能的,值得进一步验证和完善。 相似文献
6.
基于高光谱图像光谱与纹理信息的生菜氮素含量检测 总被引:13,自引:10,他引:3
高光谱图像包含丰富的光谱与图像信息,该文基于此试图构建生菜氮素检测模型。利用高光谱图像采集系统获取可见-近红外(390~1 050 nm)范围内的生菜叶片高光谱图像,同时利用凯氏定氮法获取对应叶片的氮素值。将光谱反射值较大波长图像与反射值较小波长图像相除并用阈值化法构建掩膜图像,获取感兴趣区域(ROI,region of interest)。由于高光谱数据量大、且数据间冗余性强,因此如何有效的提取一些特征波长十分重要。该文采用主成分分析(PCA,principal component analysis)对原始高光谱图像进行处理,根据前3个主成分图像(PC1、PC2、PC3)在全波长下的权重系数分布图选出662.9、711.7、735.0、934.6 nm 4个特征波长及对应的光谱特征,并且分别提取4个特征波长图像、主成分图像PC1、PC2、PC3在ROI下的基于灰度共生矩阵的纹理特征,最后利用支持向量机回归(SVR,support vector machine regression)分别建立生菜叶片基于特征波长光谱特征、特征波长图像与主成分图像的纹理特征及光谱纹理融合特征与对应氮素值之间的关系模型。结果表明,在校正性能指标决定系数R2C上,基于光谱特征+特征波长图像纹理特征的模型较好,R2C=0.996,校正集均方根误差RMSEC为0.034;在预测性能指标决定系数R2P上,基于光谱特征的模型较好,R2P=0.86,预测集均方根误差RMSEP为0.22。该研究结果可为农作物氮素的快速、无损检测提供一定的参考价值。 相似文献
7.
结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度 总被引:3,自引:1,他引:2
8.
氮磷互作水稻冠层氮素敏感光谱筛选研究 总被引:2,自引:0,他引:2
基于连续两年的水稻氮磷互作盆栽试验,于水稻拔节、抽穗、灌浆等主要生育时期同步测定了冠层反射光谱和水稻植株总氮含量,系统分析了350~1 330 nm波段范围内任意两波段组合而成的差值(DVI)、比值(RVI)及归一化(NDVI)光谱指数与植株总氮含量的关系,筛选了可用于氮磷互作环境下的最佳光谱指数,建立了估算模型,并与已有的水稻氮光谱反演指数进行了比较。结果表明:氮磷交互下水稻冠层光谱受氮素的影响明显高于磷素,呈现随施氮量的增加可见光区反射率下降,近红外区上升的规律;但对磷肥的响应受施氮水平的影响,施磷在缺氮情况下提高了可见光区和近红外区的反射率,不缺氮情况下却使可见光区反射率降低。与植株总氮含量相关性较好的波段组合基本不受植被指数构造形式的影响,表现较为稳定,主要分布在近红外(780~1 330 nm)/可见光(750~770 nm)区域、红边(640~700 nm)区域和可见光(450~500 nm)区域。但施磷与不施磷处理的总氮光谱指数敏感波段组合区域有所变化,施磷处理的敏感区域要小于不施磷处理,且相关性决定系数有所降低。存在对施磷不施磷处理都比较敏感的光谱指数区域,拔节、抽穗和灌浆期分别以RVI(FD719,FD740),NDVI(FD419,FD552),DVI(FD707,FD713)表现最佳,建模决定系数分别为0.87、0.80、0.87,几乎不受氮磷交互作用的影响,验证模型均方根误差分别为1.98、3.68、3.47。已有的氮光谱反演参数中则以m ND705、PRI、NDVI705表现最好,但其预测精度明显受磷肥作用的影响,尤其是在拔节期,不施磷处理下的精度要远低于施磷处理,且整体精度均低于本研究新选的氮光谱指数。因此,氮磷互作对水稻氮光谱反演指数的波段组合及预测精度产生影响,要提高氮素光谱诊断精度,需要根据情况选择适宜的光谱指数。 相似文献
9.
采用GA-ELM的寒地水稻缺氮量诊断方法 总被引:5,自引:3,他引:2
为快速、准确、无损实现寒地水稻缺氮量的诊断。该文基于田间试验系统采集的资料,研究东北粳稻氮素含量的亏损或富余与光谱反射率差值之间的关系,并建立东北粳稻氮素含量差值的反演模型。该文采用高光谱反演水稻的缺氮量,并为实施精准施肥提供参考依据,达到减肥不减产的目的,采用产量最高的原则来构建标准氮素含量与标准光谱反射率,并在此基础上,将获取的水稻叶片氮素含量和叶片光谱反射率分别与标准氮素含量和标准光谱反射率做差,得到氮素含量差值和光谱反射率差值,然后对光谱反射率差值分别采用离散小波多尺度分解、连续投影法(successive projections algorithm,SPA)和构建植被指数的方法进行降维处理,将处理后的结果分别作为偏最小二乘(partial least squares regression,PLSR)、极限学习机(extreme learning machine,ELM)和遗传算法优化极限学习机(genetic algorithm-extreme learning machine,GA-ELM)的建模输入,构建东北粳稻氮素含量差值的反演模型。结果分析表明:采用离散小波多尺度分解的结果建立的GA-ELM反演模型预测效果最好,训练集与验证集的R2均在0.7062以上,均方根误差(root mean square error,RMSE)均低于0.51mg/g以下,在预测能力、稳定性和泛化性上比PLSR和ELM的预测模型有明显提高。 相似文献
10.
同时反演氮、磷元素含量相对于单一元素反演可以更加全面地表达水稻的营养状况,为快速、准确获取水稻叶片氮、磷含量和精准变量施肥提供依据。该研究基于不同氮肥处理的田间小区试验,获取水稻叶片氮、磷含量数据,采用竞争性自适应重加权采样法(Competitive Adapative Reweighted Sampling,CARS)筛选氮素与磷素共同特征波长,以特征波长反射率为输入,以化学方法测得叶片氮、磷元素含量为输出,分别使用反向传播神经网络、极限学习机(Extreme Learning Machine,ELM)、龙格-库塔算法优化极限学习机(RUNge Kutta optimizer-Extreme Learning Machine,RUN-ELM)构建水稻叶片氮、磷含量反演模型并分析。结果表明:采用CARS方法有效去除了高光谱中大量无用、冗余信息,得到5个氮、磷元素共同特征波长,去除具有共线性的特征波长,最后筛选出的特征波长分别是451、488、780、813 nm。使用筛选后的特征波长反射率构建RUN-ELM水稻叶片氮、磷含量反演模型效果最好,氮素训练集的决定系数R2为0.690,均方根误差为0.669 mg/g,磷素训练集的决定系数R2为0.620,均方根误差为0.027 mg/g。通过对比,RUN-ELM在预测能力、模型稳定性上优于反向传播神经网络以及ELM模型。综上研究,基于CARS-RUN-ELM的水稻叶片氮、磷含量反演模型可以快速、准确获取水稻叶片氮、磷含量,可为水稻精准施肥提供参考。 相似文献
11.
基于波段深度分析和BP神经网络的水稻色素含量高光谱估算 总被引:2,自引:1,他引:1
该文以水稻田间氮肥水平试验为基础,采用单变量的线性和非线性回归方法,建立基于植被指数的水稻色素含量高光谱估算模型。各植被指数对色素含量的估计能力分析结果显示,植被指数在色素含量较大时存在饱和问题,为此尝试将波段深度分析(BDA)与BP神经网络结合,以提高利用高光谱技术对水稻叶片色素含量的估算精度。基于连续统去除处理的水稻冠层高光谱数据(400~750 nm),选取波段深度(BD)、波段深度比(BDR)、归一化波段深度(NBDI)和归一化面积波段指数(BNA)4种波段指数,在此基础上进行主成分分析(PCA)实现降维,然后采用反向传播(BP)神经网络方法对水稻叶片色素含量进行高光谱反演,探讨BDA与BP神经网络结合解决植被指数饱和问题的可能性和有效性。结果表明,波段深度分析突出了光谱吸收特征差异,挖掘了更多的潜在信息,使得光谱曲线的差异性得到增强。BD与BP结合的估算模型对水稻叶片中的类胡萝卜素含量估算精度最高(R~2=0.61,RMSEP=0.128 mg?g~(-1)),BNA与BP结合的估算模型对水稻叶片中的叶绿素含量估算精度最高(R~2=0.73,RMSEP=0.343 mg?g~(-1))。对比分析BDA与BP结合的模型和植被指数最佳回归模型的精度,发现波段深度分析建立的BP神经网络模型能较好地解决饱和问题,提高水稻叶片色素含量的估算精度。 相似文献
12.
施硅对水稻白叶枯病抗性及叶片抗氧化酶活性的影响 总被引:3,自引:2,他引:1
【目的】水稻白叶枯病是一种细菌性枯萎病害,是限制水稻生产的重要生物因素之一。通过田间接种白叶枯病菌,研究施硅对水稻叶片中丙二醛含量及抗氧化系统酶活性的影响及其抗白叶枯病的机理,为安全有效的防治病害提供理论依据。【方法】以唐粳2号水稻品种为材料,2013年在河北省秦皇岛市进行田间试验,试验在两个施氮水平 [N 180 kg/hm2(正常供氮,N180), 450 kg/hm2(高量供氮,N450)]下设3个硅处理[不施硅(-Si),施硅酸钠(Si1, 以SiO2计,70 kg/hm2), 施硅钙肥(Si2, 以SiO2计,70 kg/hm2)],在水稻孕穗期采用剪叶法接种白叶枯病菌,研究硅对接种后30 d水稻病情指数和第1 d、 3 d、 5 d、 7 d和10 d水稻叶片中丙二醛(MDA)含量、 超氧化物歧化酶(SOD)活性、 过氧化氢酶(CAT)活性、 抗坏血酸过氧化物酶(APX)活性的影响。【结果】接种白叶枯病菌后,正常供氮水平,施硅处理的病情指数比不施硅处理平均降低17.8%(P0.05); 高量供氮水平,施硅钙肥的病情指数比不施硅降低15.1%(P0.05),而施硅酸钠的病情指数差异不显著。接种白叶枯病菌后,施硅处理的水稻叶片MDA均低于不施硅处理,且在正常供氮水平第7 d和高量供氮水平第3 d、 第7 d差异达显著水平。接种白叶枯病菌后,正常供氮水平第1 d、 第7 d和高量供氮水平第1 d、 第5 d,施硅处理的水稻叶片中SOD活性均显著高于不施硅处理,且第1 d施硅钙肥的叶片SOD显著高于施硅酸钠处理; 接种白叶枯病菌后,施硅处理的水稻叶片中CAT活性均高于不施硅处理,但未达显著水平; 高量供氮水平第1 d、 第7 d和第10 d施硅处理的水稻叶片中APX活性均显著高于不施硅处理。【结论】施硅能提高感病水稻叶片中SOD、 CAT和APX的活性,降低水稻叶片中MDA含量,有效清除植物体内活性氧(ROS),从而增强了水稻抗白叶枯病的能力; 在高量供氮水平下,硅钙肥抵御白叶枯病效果好于硅酸钠。 相似文献
13.
14.
研究钵苗摆栽下籼粳杂交稻、常规粳稻丰产优质施氮量及综合效益,提出安徽沿江地区钵苗摆栽下适宜粳稻类型及施氮量。于2016—2017年连续2 a开展大田试验,以当地主栽籼粳杂交稻甬优1540和常规粳稻镇稻18为供试品种,设置0、195、255、315、375 kg/hm~2共5个氮肥水平(分别用N0、N195、N255、N315、N375表示),研究不同施氮水平对钵苗摆栽下不同类型粳稻产量、品质、相关农艺性状及经济效益的影响。结果表明,籼粳杂交稻甬优15402a均在N315处理下产量最高,达到10.30~11.55t/hm~2。常规粳稻镇稻18各施氮处理下水稻产量无显著差异,产量为7.43~8.91 t/hm~2。增施氮肥,不同程度增加了2个品种的糙米率、精米率和蛋白质含量,提高了加工品质和营养品质,但垩白率和垩白度整体有所提高,直链淀粉含量增高,不利于外观品质和食味的改善。甬优1540在N315处理下的整精米率与N375无差异,且在N315处理下的垩白度与N195无显著差异。另外,镇稻18在N195处理下的整精米率、蛋白质含量、垩白度和直链淀粉含量与其他氮肥处理无显著差异。钵苗摆栽下籼粳杂交稻丰产优质施氮量为315kg/hm~2,常规粳稻为195 kg/hm~2。在适氮水平下,钵苗摆栽甬优1540较镇稻18提高水稻产量22.9%~23.2%,整精米率2.15%~4.50%,蛋白质含量30.44%~37.41%,经济效益51.07%~53.33%,同时降低垩白度9.52%~13.73%。总的来说,在适宜氮肥水平下,钵苗摆栽下籼粳杂交稻较常规粳稻提高了水稻产量、品质和经济效益。 相似文献
15.
16.
不同施氮量下缺钾对水稻叶片营养及生理性状的影响 总被引:2,自引:2,他引:0
17.
基于临界氮浓度的水稻氮素营养诊断研究 总被引:5,自引:1,他引:4
18.
为给长沙烟区烟后晚稻高产高效栽培提供科学依据,以超级杂交稻品种深优9586为材料,于2011~2012年在长沙市宁乡烟区研究了施氮量与氮肥运筹方式对烟后晚稻产量形成与氮素吸收利用的影响。结果表明:(1)在施氮0~120 kg/hm~2范围内,晚稻产量随施氮量增加呈先增后降趋势,施氮90 kg/hm~2条件下产量最高,过量施氮导致减产的原因在于有效穗数与千粒重下降;(2)氮肥运筹方式影响晚稻产量,施氮90 kg/hm~2时W3处理(基蘖肥∶穗肥∶粒肥比例为0.5∶0.25∶0.25)产量最高,施氮30~60 kg/hm~2时以W4处理(0.25∶0.5∶0.25)产量最高,增产的原因在于氮肥后移提高了烟后晚稻齐穗期叶面积指数、灌浆中期叶面积指数和SPAD值;(3)氮肥用量增大,烟后晚稻氮积累量提高,但氮农学利用率、氮肥吸收利用率、氮生理利用率、氮素干物质生产效率、氮素稻谷生产效率下降;氮肥运筹方式影响氮素利用效率,施氮量较低时,氮肥后移有利于氮素利用效率的提高,而施氮量偏高时(90 kg/hm~2)后期施用氮肥比例不宜过高。可见,为提高长沙烟区烟后晚稻产量和氮素利用效率,施氮量在60 kg/hm~2以内可采取氮肥后移策略,而施氮90 kg/hm~2时后期施氮比例不宜过高。 相似文献
19.
不同施氮水平对南方甜玉米氮素吸收利用的影响 总被引:12,自引:2,他引:10
20.
不同轮作和氮肥分配季节下土壤氮素供应和油菜氮素吸收差异 总被引:4,自引:0,他引:4