基于高光谱的寒地水稻叶片氮素含量预测

为快速、无损和准确地诊断水稻营养状况,开展了基于高光谱成像技术的寒地水稻叶片氮素含量预测研究。以不同施氮水平下的水稻叶片为研究对象,利用高光谱成像技术,分析拔节期水稻叶片光谱,采用全波段高光谱数据、连续投影算法及分段主成分分析(segmented principal components analysis,SPCA)与相关分析(correlation analysis,CA)相结合的方法建立多种回归分析模型,并对模型进行检验和筛选。结果表明:随着施氮水平提高,水稻叶片反射率在可见光区域降低,在近红外区域升高。在校正集决定系数上,基于多元逐步回归分析的全波段模型较好,校正集决定系数为0.821,校正集均方根误差RMSEC=0.079;在预测集决定系数上,基于SPCA-CA结合多元回归分析的多变量单波段指数、差值指数、双差值指数模型较好,预测集决定系数为0.869,预测集均方根误差RMSEP=0.085。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了参考。     

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

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。     

基于包络线消除法的油菜氮素营养高光谱评价

该文将广泛应用于岩矿高光谱分析中的包络线消除法借用至鲜叶片的光谱分析及作物氮素营养状况评价。利用油菜主要生育期的不同氮处理下鲜叶片反射光谱及全氮含量数据,对鲜叶片可见光波段反射光谱进行包络线消除处理,以及吸收特征与叶片全氮含量的统计分析。结果表明:在可见光区域,叶片反射率随着施氮量的增加而减小,包络线消除处理扩大了原始反射光谱中由氮素胁迫引起的吸收特征微小变化。在油菜的苗期、现蕾期至开花始期三个生育期中,550～750 nm波段的红光吸收峰总面积、吸收峰左面积和吸收峰右面积均随着施氮量的增加而增大,面积归一化最大吸收深度均随着施氮量的增加而减小。相关分析表明,苗期叶片全氮含量与吸收特征参量相关性最为密切。进一步基于各光谱吸收特征参数建立了油菜氮素营养的评价模型,这些评价模型除现蕾期外,其他均达到了1%的极显著性水平。研究表明,利用包络线消除法为定性和定量评价油菜氮素营养是可行的,苗期是利用光谱吸收特征来定量评价油菜氮素营养的最佳生育期。     

基于玉米叶片光谱特征的土壤无机氮含量估算模型的建立与验证

  【目的】  作物叶片颜色反映土壤养分的供应状况。研究作物叶片氮素相关的特征光谱信息与土壤无机氮含量的关系，以建立基于叶片光谱信息的土壤无机氮含量诊断模型，实现利用高光谱技术对作物和土壤进行实时监测。  【方法】  在两年(2017—2018) 的玉米 (郑单958) 田间试验中，设置6个施氮水平，施氮量分别为0、60、120、180、240、300 kg/hm2。在玉米的拔节期、大喇叭口期、开花吐丝期、灌浆期测定叶片高光谱反射率，对植株和土壤样品进行采集，分析土壤无机氮含量的变化，明确叶片光谱反射率与土壤无机氮含量的关系，利用光谱参数和偏最小二乘回归法 (partial least squares regression，PLSR) 建立诊断模型并进行模型精度的评价。  【结果】  施氮处理土壤无机氮含量显著高于不施氮处理，随着生育期的推移，土壤无机氮含量呈递减趋势，追肥可显著提高土壤无机氮含量。拔节期和开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光波段呈负相关关系，在近红外波段呈正相关关系；大喇叭口期两者在可见光波段呈负相关关系，灌浆期两者无明显相关关系。在光谱参数模型中，4个生育期土壤无机氮含量预测的最佳光谱指数分别为RVI-2、RSI (534，726)、RSI (567，519) 和RVI-2，其回归模型验证集的R2分别为0.642、0.749、0.696、0.540。在PLSR预测模型中，利用PLSR建立的诊断模型验证集的R2分别为0.876、0.838、0.765、0.595，RPD (ratio of percent deviation) 分别为2.140、2.077、2.002、1.369。  【结论】  基于叶片光谱反射率建立的PLSR估算模型，在玉米的拔节期、大喇叭口期、开花吐丝期均能很好地预测土壤无机氮含量。因此，利用叶片光谱特征诊断土壤无机氮含量具有一定的可行性。     

基于LISS4数据的小麦氮素营养状况反演研究

利用LISS4卫星遥感数据在小麦氮素营养状况监测方面进行了初步研究。根据搭载多光谱传感器LISS4的IRS-P6的过境周期,2006年5月3日在江苏省盐城地区进行同步地面取样测试,通过分析试验点小麦LISS4影像光谱信息与小麦叶面积指数及叶片氮含量的相关关系,发现小麦叶面积指数和叶片氮含量与LISS4影像三个波段反射率及植被指数RVI、NDVI、GNDVI均密切相关,表明利用LISS4遥感影像监测小麦氮素营养状况是可行的。比较不同波段原始反射率和植被指数,在本研究中LISS4影像波段4反射率与小麦氮素营养状况相关最密切。检验结果也表明利用LISS4影像波段4反射率估测小麦氮素营养状况是可行的。研究成果为利用遥感技术大面积监测小麦氮素营养状况和实施精确栽培管理提供了理论依据。     

不同形式的光谱参量对春玉米氮素营养诊断的比较

选择适宜的光谱参量,对利用光谱技术进行作物营养诊断精确度的提高是至关重要的。该文对单因素氮处理下春玉米（Zea may L.）不同层位叶片光谱反射率与氮含量作了相关分析,探讨了叶片水平上单波段光谱反射率（R）、单波段光谱反射率的对数（LgR）、双波段组合光谱反射率（R1+R2）、以及对数形式的双波段组合光谱反射率（LgR1+ LgR2）4种形式光谱参量对氮素营养诊断的可靠性。结果表明,第6片完全展开叶叶片光谱反射率与氮含量在可见光波段存在较高的负相关关系,以550和720 nm两波段组合的光谱参量（LgR550+LgR720和Lg(R550+R720)）建立的线性回归方程的拟合度最好;不同生育期应选择对养分盈亏敏感的叶片作为营养诊断的光谱监测目标,不同生育期叶片氮素营养的光谱敏感波段不同,应选择二者相关性高的波段,较为适宜的光谱参量形式与营养成分建立估算模型。研究表明,经对数处理后的光谱参量,无论是单波段还是双波段,拟合方程的精度都有不同程度的提高,且方程的稳定性也增强,说明对数形式的光谱参量提高了对氮素营养诊断的精确度。     

基于鲜叶光谱估测氮素营养的新植被指数(英)

采用田间试验的方法开展利用鲜叶光谱反射率估测水稻氮素营养状况的研究.基于氮素在水稻不同功能叶片之间运转规律的机理,文章重点分析了第一和第三完全展开叶红边斜率和红边位置的变化,并基于红边位置和红边斜率构建了一个新的植被指数(命名为"红边曲线肩夹角植被指数",简称为RSAVI)监测水稻氮素营养状况.为了证明RSAVI在监测水稻氮素营养状况的可行性,分析了不同生育时期氮素含量和RSAVI之间的相关性.结果表明RSAVI和叶片氮素含量显著相关,相关系数介于0.867～0.938之间.并且RSAVI和氮素含量之间建立的回归模型以多项式模型效果最佳.决定系数介于0.7512～0.8796之间,模型均通过0.01水平检验.因此研究结果表明,在本次试验中使用RSAVI估测水稻氮素营养是可行的.     

基于特征转移植被指数的水稻叶片氮素含量定量估算

水稻叶片氮素含量遥感检测是实现水稻精准施肥的前提条件。为了探究利用光谱技术快速、便捷的实现水稻叶片氮素的精准检测，该研究在水稻关键生育期，利用水稻叶片400～1000 nm高光谱反射率信息，利用连续投影法提取敏感波段，在此基础上，提出了一种波段特征转移的植被指数构建思路，构建了由3个波段构成的氮素特征转移指数（Nitrogen Characteristic Transfer Index，NCTI），并利用线性归回模型构建了水稻叶片氮素含量反演模型。结果表明：该研究采用连续投影法从水稻叶片光谱中提取了6个特征波段，具体为500、555、662、690、729、800 nm；运用氮素特征转移思路构建了由550、729和800 nm构成的氮素特征转移指数（NCTI）；以NCTI为输入，运用线性回归的方式构建水稻是氮素含量反演模型，其模型决定系数为0.774，均方根误差为0.379 mg/g，反演效果优于归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强植被指数（Enhanced Vegetation Index，EVI）等传统植被指数所建立的氮素含量反演模型，说明了NCTI在实际的应用中，能够作为快速反演水稻叶片氮素含量的高光谱植被指数。该研究能够为水稻叶片氮素含量光谱检测提供一定的客观数据支撑和模型参考。     

不同施氮水平下温室番茄叶片反射光谱特征分析

利用便携式光谱辐射仪测定了温室番茄叶片的光谱反射率,研究了不同施氮水平下特定光谱指数与叶片氮含量、光合速率及产量的关系。结果表明,温室番茄叶片的光谱反射率在可见光波段随供氮水平的升高而降低,在近红外波段随供氮水平的升高而增加。随施氮水平的提高,绿峰的蓝移和红边的红移现象明显,而红谷反射率与光合速率之间的关系可用二次方程拟合,相关系数达0.805。番茄叶片氮含量的敏感光谱波段为580~695 nm,740~900 nm,由695 nm、770 nm两个波段构建的高光谱指数(RVI、NDVI)与叶片氮含量的相关性显著。而基于原始光谱数据对番茄产量的估测也可在温室中得到很好的运用,其中光谱指数RV(I710,680)、VARI700和产量的拟合方程最优。     

基于高光谱指数估测马铃薯植株氮素浓度的敏感波段提取

  【目的】  基于光谱指数的氮素营养诊断是快速获取作物氮素营养状况的方式之一。其中，利用可见光和近红外波段光谱反射率构建的比率和归一化光谱指数对估测作物氮素营养状况具有重要意义。解决氮素营养诊断过程中存在的指数饱和及数据离散问题，以评价已有比率和归一化光谱指数对马铃薯关键生育时期植株氮素浓度诊断的可行性。  【方法】  2014—2016年在内蒙古武川县和四子王旗，设置了4个不同氮肥梯度的多点田间试验。在马铃薯块茎形成期、块茎膨大期和淀粉积累期，采集试验地和邻近农田马铃薯地上部和块茎样品，分析其氮素含量。并在马铃薯冠层以上50～80 cm采集光谱数据。用试验田数据建立了12个已发表的比率、归一化光谱指数和波段优化光谱指数与马铃薯关键生育时期植株氮素浓度的相关性与估测模型，并用农田马铃薯数据验证模型的精度。  【结果】  马铃薯植株氮素浓度分布范围在1.89%～4.69%，平均氮素浓度为3.30%，变异系数为18.75%；验证集数据来源于农民田块，马铃薯植株氮素浓度分布范围在2.00%～4.92%，平均氮素浓度为3.34%，变异系数为19.27%。蓝紫光400～450 nm和红边690～720 nm波段是马铃薯植株氮素浓度估测的敏感波段，部分已有光谱指数虽然可以用于马铃薯植株氮素浓度的估测，但是蓝紫光波段的缺失大大降低了估测的准确性。通过波段优化算法确定的优化光谱指数RSI、NDSI最佳波段位置分别为430、694和426、694 nm。基于优化光谱指数NDSI (426 nm、694 nm) 建立的马铃薯植株氮素浓度线性估测模型为y=?6.87x+6.08，决定系数R2最高，为0.68；RSI光谱指数与马铃薯植株氮素浓度的线性估测模型为y=?1.11x+5.92，R2为0.65，与已有比率和归一化光谱指数相比，优化光谱指数RSI和NDSI克服了高氮浓度条件下光谱指数饱和现象，显著提高了马铃薯植株氮素浓度的线性建模效果。农民田块验证数据显示，估测模型的估测值与实测值接近1∶1线，其中NDSI光谱指数估测模型的验证效果最佳，平均相对误差RE 和均方根误差RMSE分别为10.58%和0.42%。  【结论】  本研究通过波段优化算法确定了比率和归一化光谱指数的马铃薯植株氮素浓度敏感波段，采用蓝紫光400～450 nm和红边690～720 nm波段进行马铃薯植株氮素浓度估测，可以改善诊断高氮浓度时的指数灵敏度和数据离散问题，提高马铃薯植株氮素营养诊断的精度。