共查询到10条相似文献,搜索用时 46 毫秒
1.
2.
为探索作物生长监测诊断仪(Crop Growth Monitoring and Diagnosis Apparatus,CGMD)在不同株型双季稻长势指标监测应用的准确性和适用性,该研究开展了不同株型品种和施氮量的田间试验,采用CGMD获取冠层差值植被指数(Differential Vegetation Index,DVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和比值植被指数(RatioVegetationIndex,RVI),并同步采用高光谱仪(AnalyticalSpectralDevices,ASD)获取冠层光谱反射率,构建DVI、NDVI和RVI;通过比较2种光谱仪获取的植被指数变化特征及相互定量关系,评价CGMD的监测精度,建立基于CGMD的不同株型双季稻叶面积指数(Leaf Area Index,LAI)监测模型,并用独立数据对模型进行检验。结果表明:不同株型品种的LAI、DVI、NDVI和RVI随施氮量增加而增大,随生育进程推进呈"低—高—低"的变化趋势;基于CGMD与ASD的DVI、NDVI和RVI间的决定系数(Determination Coefficient,R2)分别为0.959~0.968、0.961~0.966和0.957~0.959,表明CGMD具有较高监测精度,可替代价格昂贵的ASD获取DVI、NDVI和RVI。基于CGMD植被指数的单生育期LAI监测模型的预测效果优于全生育期,基于CGMD植被指数的松散型品种LAI监测模型的预测效果优于紧凑型品种;基于DVICGMD的线性方程可较好地预测LAI,模型R2为0.857~0.903,模型检验的相关系数(Correlation Coefficient,r)、均方根误差(Root Mean Square Error,RMSE)和相对均方根误差(Relative Root Mean Square Error,RRMSE)分别为0.950~0.984、0.18~0.43和3.95%~9.40%;基于NDVICGMD的指数方程可较好地预测LAI,模型R2为0.831~0.884,模型检验的r、RMSE和RRMSE分别为0.906~0.967、0.24~0.38和5.73%~9.16%;基于RVICGMD的幂函数方程可较好地预测LAI,模型R2为0.830~0.881,模型检验的r、RMSE和RRMSE分别为0.905~0.954、0.25~0.56和7.37%~9.99%。与传统人工取样测定LAI法相比,利用CGMD可实时无损监测双季稻LAI动态变化,可替代SunScan植物冠层分析仪获取双季稻LAI,在双季稻生产中具有推广应用价值。 相似文献
3.
基于Greenseeker光谱法的棉花氮素营养诊断研究 总被引:3,自引:0,他引:3
利用主动遥感光谱仪(Greenseeker)对新疆2个主栽棉花品种4个施氮量条件下2年生育期间的冠层归一化植被指数(NDVI)值进行测试,研究不同施氮量对棉花冠层NDVI值、植株氮素积累速率和叶片全氮含量的影响以及田间条件下简便、快速、非接触性的作物氮素营养状况诊断方法。结果表明:在棉花生育期内,冠层NDVI值呈单峰曲线变化,峰值出现在出苗后90d左右,以后逐渐降低;NDVI值和棉株氮素积累速率呈正相关关系,决定系数R~2在盛花期达到最大,为0.844.7;NDVI值变化趋势与叶片全氮含量呈正相关,决定系数R~2在盛花期达到0.7980。棉花冠层NDVI值随着施氮量增加而提高,不同氮素处理间NDVI值在盛花期和花铃期达极显著差异;主动遥感光谱仪在棉花生长的盛花期和花铃期可以预测棉花氮素养分状况。 相似文献
4.
基于数码相机图像的甜菜冠层氮素营养监测 总被引:1,自引:0,他引:1
为探究数码相机监测甜菜冠层叶片氮素的可行性,2014年于内蒙古赤峰市松山区太平地镇采用不同种植方案设计了田间试验。利用数码相机获取甜菜冠层数字图像,基于灰度值的阈值分割方法提取冠层图像的红光值(R)、绿光值(G)和蓝光值(B),交互调优R、G、B单色分量权重,提出三原色权值调优方法,并挖掘出适宜于表征甜菜冠层LNC(leaf nitrogen content)的基础调优参数BOP(basic optimal parameter)和归一化调优参数NOP(normalized optimal parameter)。结果表明:采用常规方法选取的敏感颜色参数G/R、NRI(R/(R+G+B))与冠层LNC的相关系数分别为0.80和0.79,三原色权值调优方法确定的调优参数BOP、NOP与冠层LNC的相关系数分别为0.83和0.84,算法优化后提高了颜色参数与冠层LNC的相关性。对比常规参数和调优参数对冠层LNC的预测精度,结果显示调优参数BOP、NOP建立模型的预测精度均高于常规参数G/R、NRI,BOP预测模型的决定系数R2和均方根误差RMSE(root mean square error)分别为0.69和2.65,NOP预测模型的R2和RMSE分别为0.68和2.73。该研究表明,在大田自然光照条件下,借助数码相机实时、准确监测甜菜氮素营养丰缺水平具有较高的可行性,数字图像处理技术在作物营养无损诊断中存在很大的应用潜力。 相似文献
5.
基于水稻冠层植被指数的龟裂碱土盐碱化信息预测研究 总被引:2,自引:1,他引:1
土壤盐碱化是危及农业生产的重大生态环境问题,遥感技术可以通过植被冠层光谱来估测土壤的盐碱化程度。试验结果表明:土壤pH与ESP(exchangeable sodium saturation percentage)之间有极显著相关关系;随着生育期的推移,水稻冠层NDVI逐渐增大,RVI逐渐减小,孕穗期水稻冠层NDVI值最高,RVI值最低。从拔节期到乳熟期的水稻冠层NDVI和RVI与相应时期的土壤pH和ESP都有较好的相关性,而且随着作物生长期的延伸,NDVI估测土壤pH和ESP的准确性有增加的趋势;返青期和分蘖期相关性不稳定。NDVI和RVI对pH和ESP估测的精度无显著性差异,但NDVI对ESP的估测效果更好一些。所以,从拔节期到乳熟期,通过水稻冠层植被指数可以较准确地预测龟裂碱土的碱化程度。 相似文献
6.
基于双波段作物长势分析仪的东北水稻长势监测 总被引:4,自引:3,他引:1
为了实现水稻精细栽培和变量管理的目的,利用独立开发的双波段作物长势分析仪,进行了水稻生长监测的试验与分析。传感器分别在610与1220 nm处测量太阳光与作物冠层反射光的强度,进而计算光谱反射率。利用双波段作物长势分析仪于2008年在黑龙江省农垦总局建三江分局2处水稻试验田,在分蘖期与抽穗早期进行了氮肥胁迫试验,结果表明水稻叶片氮浓度及生物质干质量与RVI、NDVI都具有很高的相关性,但与NDVI的相关性比与RVI的更高。分蘖期的测量结果表明,NDVI与施肥量的相关性非常显著,R2大于0.94。但NDVI并不与施肥量成线性相关,过量的施氮量反而会引起NDVI值的降低。分蘖期、抽穗早期的NDVI值都与最终产量有着显著的相关,其中抽穗早期的NDVI与产量的决定系数(R2)达到了0.96。分析结果显示利用双波段作物长势分析仪监测水稻冠层,可达到控制投入和提高产量的目的,为水稻的精细栽培提供理论与技术支持。 相似文献
7.
江西鹰潭早稻关键生育期的NDVI诊断指标 总被引:2,自引:0,他引:2
确定水稻不同生育期的适宜和临界光谱诊断指标,是进行水稻生长光谱诊断从而判断施肥量的关键。该研究采取主动式的Greenseeker光谱仪,测定了不同氮肥处理下水稻早稻关键生育期的NDVI,并以水稻产量为判断依据,结合判别式分析计算了江西鹰潭早稻关键施肥期适宜的和临界NDVI诊断指标。结果表明,早稻中选181分蘖期、拔节期(穗分化期)和抽穗期的适宜NDVI值分别为0.37~0.55,0.76~0.80和0.72~0.75,其临界值分别为0.346、0.703和0.654。同品种不同新型肥料共27个小区的试验数据对NDVI临界值的检验表明,分蘖期、拔节期和抽穗期光谱诊断的正确率分别为63%(17个)、81.5%(22个)和96.3%(26个)。表明根据关键生育期的冠层NDVI 能够预测水稻的预期产量水平并用来指导施肥。但还需要开展相关试验来确定不同冠层NDVI下的适宜施肥量,建立基于NDVI的追肥模型。 相似文献
8.
基于冠层覆盖度的玉米植株临界氮浓度模型构建与产量预测 总被引:2,自引:1,他引:1
9.
基于多种光谱仪的水稻前期植株氮积累量监测 总被引:6,自引:5,他引:1
为了明确水稻穗肥施用前地上部植株氮积累量与各光谱仪冠层光谱参数的定量关系,进而为水稻精确追氮提供决策依据。基于不同品种和不同施氮水平的7个水稻田间试验,于分蘖期和拔节期利用ASD Fieldspec FR2500高光谱仪、Cropscan MSR-16多光谱仪和Greenseeker RT100主动光谱仪同时采集冠层光谱反射率,并同步取样测定地上部植株氮积累量,研究基于不同光谱仪构建的植被指数与植株氮积累量之间的关系。结果表明,部分植被指数与水稻地上部植株氮积累量关系密切,基于3种光谱仪构建的水稻地上部植株氮积累量监测模型的稳定性和适用性有较大差异。对于ASD高光谱仪,虽然基于差值植被指数(760,740)能较好估测植株氮积累量,拟合模型决定系数R2为0.79,但模型检验效果较差,其R2和均方根误差分别为0.15和2.11 g/m2;对于Cropscan多光谱仪,差值植被指数(760,710)能较好反演植株氮积累量,拟合模型的R2为0.94,模型检验的R2和均方根误差分别为0.94和0.76 g/m2;Greenseeker主动光谱仪的归一化植被指数(770,660)对地上部植株氮积累量的反演效果最好,拟合模型的R2为0.97,模型检验的R2和均方根误差分别为0.97和0.62 g/m2。研究结果可为水稻前期植株氮积累量监测过程中的光谱仪选择提供参考,为水稻精确追氮管理提供技术支撑。 相似文献
10.
基于无人机影像的冠层光谱和结构特征监测甜菜长势 总被引:2,自引:1,他引:1
甜菜是中国北方地区重要的经济作物。快速、准确、高通量的获取甜菜的地上部和块根鲜质量、块根含糖率、叶绿素含量对甜菜生产具有重要意义。该研究采用无人机搭载数码和多光谱相机,获取甜菜叶丛快速生长期、块根及糖分增长期和糖分积累期的数码影像和多光谱影像,提取了冠层的结构特征和光谱特征。选择随机森林回归(Random Forest Regression,RFR)和偏最小二乘回归(Partial Least Squares Regression,PLSR)2种建模方法基于获取的冠层特征,构建甜菜全生育期的地上部和块根鲜质量、块根含糖率和SPAD(Soil and Plant Analyzer Development)值估算模型。研究结果表明,随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.9~0.94、0.88~0.9,rRMSE范围分别为7.6%~17%、8.8%~20%。对SPAD值的预测均较弱,R2分别为0.66和0.67。为了减小输入变量集的大小以及去掉对预测不敏感的变量,该研究采用置换重要性(Permutation Importance,PIMP)来筛选冠层光谱特征和结构特征中对预测有重要影响的变量。结果表明基于筛选出的重要性特征构建的随机森林回归模型和偏最小二乘回归模型对地上部和块根鲜质量、含糖率都做出较好的预测,R2范围分别为0.89~0.94、0.74~0.91,rRMSE范围分别为7.3%~19%、7.6%~19%。对SPAD值的预测均较弱,R2分别为0.65和0.68。进一步表明随机森林回归模型在精度上略好于偏最小二乘回归模型。同时基于PIMP筛选变量的方法在保持原有精度的同时能实现降低数据收集复杂性的目的。研究结果为基于无人机遥感技术快速、准确监测甜菜长势和估测块根类作物的根部活性物质提供了参考。 相似文献