棉花叶绿素密度和叶片氮积累量的高光谱监测研究

利用非成像高光谱仪,获取棉花不同品种、不同密度冠层关键生育时期的反射光谱数据,应用光谱多元统计分析技术,研究表明,棉花冠层叶绿素密度（CH.D）和叶片氮积累量（LNA）分别在反射光谱762 nm和763 nm处的相关系数达最大值（R_CH.D= 0.8845**和R_LNA= 0.7870**,n = 47）;而一阶微分光谱数据对CH.D、LNA最敏感的波段均发生在750 nm处(R_CH.D= 0.9098**和R_LNA = 0.9164**,n = 47);采用47个建模样本的一阶微分光谱750 nm处的数值与棉花冠层CH.D建立线性相关模型方程,估算47个检验样本的棉花冠层CH.D,再根据CH.D与LNA建立的线性相关方程估算检验样本的LNA,47个检验样本的实测LNA与估测LNA极显著线性相关（R = 0.8982**,n = 94）,模型方程的估算精度达86.3%,实测值与估算值的R_MSE = 1.0155,相对误差为0.1380。说明基于高光谱数据的棉花冠层叶绿素密度的遥感估测,可以间接用于棉花冠层叶片氮积累量的监测研究。     

用高光谱数据诊断水分胁迫下棉花冠层叶片氮素状况的研究

利用ASD地物光谱仪,获取北疆棉花冠层关键生育时期的高光谱数据,应用一阶微分光谱,衍生出基于光谱位置变量的分析方法,以红边积分面积(SDr)为自变量,冠层全氮(TN)含量为因变量,做相关分析,结果表明:红边积分面积变量与冠层TN含量呈显著的相关性,相关系数是0.7394(n=40),利用构建的相关模型可以较为精确地估测棉花两个品种新陆早6号与8号冠层叶片的全氮含量,均方差(RMSE)分别为0.3859和0.4272。研究认为面积变量具有预测棉花冠层全氮含量的应用潜力。     

高光谱数据与棉花叶绿素含量和叶绿素密度的相关分析

 通过获取棉花不同品种、不同种植密度单叶和冠层关键生育时期的反射光谱,与其相应的单叶叶绿素含量（CHL.C,下同）和冠层叶绿素密度（CH.D,下同）进行多元统计的逐步相关分析。结果表明,棉花冠层CH.D在其反射光谱762 nm波段处的相关系数达最大值（R_CH.D=0.8134^**,n=94）;对于一阶微分光谱,单叶CHL.C和冠层CH.D的敏感波段均发生在750 nm波段处,基于750 nm波段的微分数值,建立了棉花CHL.C和CH.D线性相关模型(R_CHL.C=0.7382^**,RMSE=0.1831,n=66;R_CH.D =0.9027^**,RMSE=0.3078,n=94）,为利用高光谱遥感技术精确提取反映棉花生长状况的叶绿素信息提供了依据。     

滴灌棉花不同生育时期冠层叶片叶绿素含量的高光谱估测模型

【目的】利用高光谱数据对新疆北方地区不同生育时期滴灌棉花冠层叶片叶绿素含量进行估测,建立生长时序的叶绿素含量估算模型。【方法】以新陆早45号为试验材料,测定不同施氮水平和生育时期棉花冠层叶片叶绿素含量及对应的光谱反射率,分析了12种指数与叶绿素含量的关系,构建了滴灌棉花冠层叶片叶绿素含量的估测模型。【结果】棉花的4个生育时期(现蕾期、盛蕾期、花铃期和吐絮期)中冠层叶片叶绿素含量与Vogelmann红边指数1的相关系数都高,分别是0.944、0.907、0.895、0.930;采用多元回归方法建立的模型精度高于单指数线性模型,其决定系数都大于0.8,且均方根误差(RMSE)都较小。现蕾期模型(y=82.509x_1+89.937x_2-94.438)精度最好。【结论】针对不同生育时期建立的模型均可对棉花冠层叶片叶绿素含量进行估测,其中现蕾期模型监测效果最好。     

利用冠层光谱监测小麦籽粒蛋白质积累动态

于2003-2006年连续3个生长季, 利用不同小麦品种在不同施氮水平下进行大田试验,在小麦不同生育期采集田间冠层高光谱数据并测定植株氮素含量、生物量和籽粒蛋白质积累量(GPA)。通过定量分析小麦籽粒蛋白质积累量、冠层氮素营养指标及高光谱参数的相互关系,确立了能够准确预测小麦籽粒蛋白质积累动态的敏感光谱参数及定量模型。结果表明,在籽粒灌浆期间冠层氮素营养指标(CNNI)自开花期随时间进程的积分累积值与对应时期籽粒蛋白质积累状况存在显著的定量关系,其中植株氮积累量(PNA)表现最好。对冠层氮素营养指标的光谱估算,在不同品种、氮素水平、生育时期和年度间可以使用统一的光谱模型。根据特征光谱参数-冠层氮素营养指标-籽粒蛋白质积累量这一技术路径,以冠层氮素营养指标为交接点将两部分模型链接,建立高光谱参数与籽粒蛋白质积累量间定量方程。经不同年际独立数据的检验,基于SDr/SDb–PNA–GPA技术路径建立模型可以估算小麦籽粒生长过程中蛋白质积累动态,预测精度和相对误差分别为0.954和13.1%。因此,利用关键特征光谱参数可以实时监测小麦籽粒生长进程中蛋白质积累状况。     

单作套作大豆叶片氮素积累与光谱特征

种植模式和氮肥水平直接影响作物的生长和氮素的吸收,无损、即时监测大豆叶片氮素水平对大豆生产中的氮肥精确管理十分重要。本研究设置4个氮肥水平,分析单作套作下大豆在不同生育时期叶片氮素动态和光谱特征,明确对叶片氮素敏感的光谱特征参数,构建单作套作大豆通用的叶片氮素积累量估测模型。结果表明,随大豆生育时期的推进,单作套作种植模式下的大豆冠层叶片氮素积累量均呈现单峰变化趋势,最大值出现在N3处理下的结荚期,两种模式两年最大值平均分别为8.70 g m~(–2)和8.38 g m~(–2);不同生育时期和种植模式的大豆冠层原始反射光谱的变化规律与冠层叶片氮素变化规律均为先增加后降低,原始反射光谱在700~1000 nm波段的反射率以结荚期为拐点先增大后减小,最大反射率达到60%~70%左右;通过对单作套作大豆冠层光谱一阶导数变换,红边幅值呈现先增加后降低的趋势,同时红边位置随叶片氮积累量的增加和减小出现"红移"与"蓝移"现象。经波段自由组合和回归分析表明,以DSI(771、755)构建的线性(y=–1.249+3.209x,R~2=0.847)和乘幂(y=–1.470x~(1.676),R~2=0.872)模型能较精确地估测不同生育时期大豆冠层叶片氮素状况。     

棉花高光谱及其红边特征(Ⅱ)

通过大田和室内试验,测定了2个棉花品种的冠层、完全展开倒1、3叶在不同时期的高光谱反射率及对应叶片的叶绿素、类胡萝卜素含量。结果表明:棉花冠层光谱红边具有“双峰”和“红边平台”现象,且红边位置λ_(red)位于695～720nm之间,红边幅值Dλ_(red)和红边面积S_(red)有“红移”和“蓝移”现象;叶面积指数、鲜叶重和干叶重与冠层光谱红边参数λ_(red)、Dλ(red)、S_(red)之间存在显著相关,叶片叶绿素和类胡萝卜素含量与其反射光谱的λ_(red)、Dλ(red)、S_(red)也有显著相关。     

不同水分条件下棉花光谱数据对冠层叶片温度的响应特征

利用Fluke热像仪和ASD地物非成像高光谱仪,分别记录棉花新陆早33号、13号2个品种、4个水分处理、5个关键生育时期的冠层红外热图像和反射光谱数据;在红外热图像上提取棉花冠层受光叶片的温度,同时处理高光谱数据获得归一化植被指数(NDVI)、比值植被指数(RVI)、红光620 nm和近红外850 nm波段的反射率(ρ620,ρ850)。分析表明,棉花2个品种4个水分处理的冠层叶片温度(TL)在盛花期、盛花结铃期较高,在盛铃期达到最大值,在开花期和吐絮初期较低;棉花受到水分胁迫,冠层近红外波段光谱的反射率降低,红光波段的反射率升高,NDVI和RVI变小,TL升高;在充分灌溉条件下棉花近红外、红光波段的光谱反射率、NDVI和RVI及TL则与水分胁迫处理的表现相反。和620 nm和850 nm波段反射率与TL的线性相关比较,棉花NDVI和RVI与TL的线性相关性更强。研究表明,将红外热图像和高光谱遥感技术相结合,具有实时、非破坏性地监测棉花水分状况的潜力。     

棉花叶面积指数和地上干物质积累量的高光谱估算模型研究

 用ASD FieldSpec光谱仪实测棉花冠层不同生育时期的高光谱数据,同期获取棉花叶面积指数(LAI)和地上干物质积累量(Above-ground Dry Matter Accumulation,ADMA)。分析棉花冠层反射光谱与棉花LAI、地上部干物质积累量（ADMA）的相关关系,分析结果表明,反射光谱数据与棉花LAI、ADMA的相关系数的最高值分别发生在783 nm（r=0.6394^**）和766 nm处(r=0.6287^**);对反射光谱数据进行统计分析,建立了基于比值植被指数(RVI)和归一化植被指数(NDVI)的5种函数形式的棉花LAI、ADMA估测模型。经检验,基于RVI的估测模型具有较高的精度;对一阶微分光谱数据与棉花LAI和ADMA的逐步回归相关分析表明,敏感波段分别发生在736 nm（r=0.6769^**）和742 nm处(r=0.6847^**)。由736 nm、742 nm波段处的微分数值建立的LAI和ADMA线性回归估测模型,R值均达到了1%极显著的检验水平,说明一阶微分光谱敏感波段的数值,对棉花LAI和ADMA具有一定的估算能力。     

棉花苗期氮营养高效品种筛选

以33个棉花品种（系）为材料,采用温室苗期水培方法,在低氮和正常供氮2个水平下,对耐低氮棉花基因型的筛选指标进行了分析,并对氮高效型品种进行了筛选。结果表明,相对整株干重与相对氮积累量呈极显著正相关（r=0.946**,N=33,P<0.01）,与相对氮利用效率呈显著正相关（r=0.432*,N=33,P<0.05）,说明整株干重可作为棉花苗期氮高效基因型筛选的主要指标,相对氮积累量与相对氮利用效率呈显著正相关（r=0.445*,N=33,P<0.05）,这2个指标可作为苗期筛选的辅助指标。不同棉花品种的耐低氮能力不同,其中新陆早12号、新陆早21号、新陆早32号、新陆中26号、新陆中31号、新海25号品种的相对整株干重较高,具有在低氮条件下氮积累干物质能力强,氮利用效率较高等特点;炮台一号、新陆早19号、新陆早36号、A杂交铃、新海3号、新海13号为氮低效基因型品种,具有正常氮条件下干物质积累较少、吸氮能力相对较弱等特点。通过对不同时期苗期水培试验,在正常和缺氮条件下对不同棉花基因型形态和生理指标进行了分析比较,初步探讨了氮高效的机理,以为棉花优质、高产、高效栽培和棉花氮素高效利用品种的选育提供理论依据。     

棉花冠层高光谱指数与叶片氮积累量的定量关系

利用冠层高光谱反射率及演变的多种高光谱植被指数(VI),分析了不同施氮水平下不同棉花品种叶片氮积累量与冠层反射光谱的定量关系,建立了棉花叶片氮积累量的敏感光谱参数及预测方程。结果显示,棉花叶片氮积累量和冠层高光谱反射率均随不同施氮水平显著变化;棉花叶片氮含量的敏感光谱波段为600~700 nm的红谷波段和750~900 nm的近红外波段,叶片氮积累量与光谱指数NVD672有密切的定量关系,且不同品种可以用统一的方程来描述,从而为棉花氮素营养的监测诊断与精确施肥提供了技术支持。     

基于冠层反射光谱的夏玉米叶片氮积累量估测

为实现夏玉米冠层氮素状况的实时无损监测,于2009—2010年连续2个生长季,通过不同玉米品种和施氮水平下的田间试验,研究夏玉米叶片氮积累量与冠层反射光谱的相关关系,提出叶片氮积累量的敏感光谱参数,并建立叶片氮积累量的定量估算模型。结果表明,夏玉米叶片氮积累量随施氮水平的提高而增加;可见光波段的460~670 nm和近红外区的780~1100 nm是监测玉米叶片氮积累量变化差异的敏感波段;归一化植被指数(NDVI)、优化的简单比值指数(MSR)、优化土壤调节植被指数(OSAVI)、修正土壤调整植被指数(MSAVI)和土壤调整植被指数(SAVI)与叶片氮积累量相关性较好。利用不同年际独立试验数据对监测模型进行检验,以OSAVI为自变量构建的叶片氮积累量监测模型效果最优,相关系数(r)为0.6745,均方根差(RMSE)为1.2368。利用本研究确立的玉米叶片氮积累量与冠层反射光谱的定量关系,可用来定量估测叶片氮积累量的变化状况。     

小麦叶片氮素状况与冠层反射光谱指数的关系

利用不同小麦品种在不同施氮水平下的3年田间试验数据,研究了小麦叶片氮积累量与冠层反射光谱间的定量关系。结果显示,不同试验中拔节后叶片氮积累量均随施氮水平呈上升趋势,同时冠层光谱反射率在不同施氮水平下存在明显差异。对于低、中、高蛋白质含量的品种类型,近红外区域若干相邻波段和可见光波段组成的比值植被指数与单位土地面积上叶片氮素积累量的相关关系均表现较好,因此可用760、810、870、950和1 100 nm反射率的平均值与660 nm组成的比值植被指数对不同蛋白质类型小麦品种的叶片氮素积累量进行定量监测,但回归方程的斜率在不同类型品种之间存在显著差异。本研究确立的小麦叶片氮积累量与冠层反射光谱的定量关系可用于不同的小麦品种、生育时期和施氮水平,为小麦氮素营养的监测诊断与精确施肥等提供理论依据和技术途径。     

基于机器视觉的棉花群体叶绿素监测

研究了利用机器视觉技术快速获取棉花群体叶绿素信息的方法，以期获得预测性高的颜色特征参数。结果表明，RGB颜色系统的G－R、(G－R)/(G+R)、r与g的组合值和棉花功能叶叶绿素含量、群体绿色指数呈极显著相关，而且拟合度较高；HIS颜色系统的Hue值和棉花功能叶叶绿素含量、群体绿色指数之间也极显著相关。对筛选出的两组模型进行检验，预测精度在84.07%~93.04%之间，推荐预测精度最高的G－R参数作为获取棉花群体叶绿素信息的最佳颜色指标。G－R预测叶绿素含量和群体绿色指数的模型分别为y=－1.3008+0.2125(G－R)－0.0038(G－R)2（R²=0.8669**）和y=－0.9726+0.1227 (G－R)－0.0016(G－R)²（R²=0.7487**）。     

基于RF和SPA的无人机高光谱估算棉花叶片全氮含量

为分析棉花叶片全氮含量（LNC）与冠层光谱反射特征的关系，实现作物生长过程中氮素水平的快速、准确和无损监测，以石河子大学教学试验场2019年棉花小区试验为基础，选用多元散射校正、SG平滑算法、变量标准化校正和一阶导数4种方法分别对棉花冠层原始光谱进行预处理，使用随机蛙跳（random frog,RF）和连续投影算法（successive projections algorithm,SPA）筛选特征波长并结合偏最小二乘回归法建立棉花LNC光谱估算模型。RF和SPA算法从棉花冠层398～1000nm的光谱中优选5组LNC的敏感特征波段，波段数目下降了93.0%～96.3%，有效降低了光谱的冗余信息；基于SPA算法筛选的敏感波段构建的LNC偏最小二乘回归模型的决定系数和均方根误差分别为0.52和2.55，模型验证的决定系数和均方根误差分别为0.70和2.37，模型具有较好的精度和稳定性，可作为棉花LNC的无人机高光谱估算方法。