扫描成像光谱仪和地物光谱仪在单叶尺度上的对比研究

【目的】对图谱合一的冬小麦叶片高光谱数据进行分析,验证扫描成像光谱仪(PIS)在近地使用的可行性。【方法】利用扫描成像光谱仪和地物光谱仪(ASD)获取冬小麦关键生育期的叶片光谱信息,比较两仪器在450—850nm获得的光谱曲线;选取15种植被指数,对两仪器获得的光谱值进行植被指数运算,并将结果与叶片叶绿素含量进行相关分析。【结果】在冬小麦的不同生育期,扫描成像光谱仪和地物光谱仪获得叶片的反射率曲线趋势一致,在对应的波段均表现出相应的波峰、波谷、高反射区等特征,但扫描成像光谱仪获得的反射率值都高于地物光谱仪。对比两仪器15种植被指数和叶绿素含量之间的相关系数得出,扫描成像光谱仪获得的相关系数普遍高于地物光谱仪。【结论】扫描成像光谱仪和地物光谱仪获取的数据有相同的曲线特征,说明扫描成像光谱仪获得的数据是可靠的;植被指数与叶绿素含量的相关系数比较结果表明,扫描成像光谱仪获得的图谱合一的数据在近地遥感研究中有很大的优势。     

基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算

【目的】建立并研究棉花冠层叶片叶绿素含量的高光谱估算模型,探讨合适的建模方法,以提高棉花叶绿素含量的高光谱遥感估算精度。【方法】以2016年种植的渭北旱塬区棉花鲁棉研28号为试验对象,用SPAD-502型手持式叶绿素仪和HR-1024i便携式地物光谱仪,分别测定棉花不同生育期冠层叶片SPAD值和对应的光谱反射率,分析SPAD值与光谱反射率的相关性。选取8个光谱参数,分析SPAD值与这8个光谱参数的相关性,并采用单因素回归、多元逐步回归和支持向量机(SVM)回归方法,构建棉花冠层叶片叶绿素含量的高光谱估算模型,比较各模型的决定系数(R2)、均方根误差(RMSE)以及相对误差(RE),评价模型的精度。【结果】(1)棉花冠层叶片光谱反射率在400～700nm波段随叶片SPAD值升高而降低,在700～1 000nm波段表现为SPAD值越高,叶片光谱反射率越高;(2)在530～570nm和680～730nm处叶绿素含量与光谱反射率呈极显著负相关(99.99%置信区间,n=144);(3)所选用的8个光谱参数与叶绿素含量均达到极显著相关,相关系数最高为0.686;(4)SVM回归模型验证R2达到了0.884,RMSE和RE最低,分别为2.186和3.419,比单因素回归模型中预测精度最高的SPAD-RVI1的RMSE和RE分别降低46.4%和46.3%,较多元逐步回归模型SPAD-MSR的RMSE和RE分别降低33.4%和32.1%,明显提高了棉花叶绿素含量的估算效果。采用8个光谱参数构建的SPAD-SVM8模型RMSE和RE比采用4个光谱参数构建的SPAD-SVM8模型分别降低了19.2%和23.5%。【结论】支持向量机(SVM)回归方法可以作为棉花冠层叶片叶绿素含量高光谱遥感估算的优选方法,且采用较多光谱参数构建的SVM模型估算精度更高。     

水稻叶片SPAD值的高光谱估算模型

[目的]构建水稻叶片SPAD值的高光谱精确估算模型,为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据.[方法]利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值,以FieldSpec 4光谱仪采集水稻叶片光谱数据.通过分析光谱植被指数、位置参数与SPAD值的相关性,构建4个水稻叶片SPAD值高光谱估测模型,即逐步多元线性回归(SMLR)模型、支持向量机回归(SVR)模型、基于主成分分析的支持向量机回归(PCA+SVR)模型和以逐步多元线性回归确定最佳参数的支持向量机回归(SMLR+SVR)模型;并采用均方根误差(RMSE)、平方相关系数(R2)、相对分析误差(RPD)和平均相对误差(MRE)等指标对模型进行评价.[结果]在分析的15个光谱特征参数中,除黄边位置(λy)无显著相关外(P>0.01),水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性,选择相关系数大于0.800的5个植被指数参数(VOG1、VOG2、VOG3、CARI和PRI)和7个光谱位置参数[蓝边面积(SDb)、黄边振幅(Dy)、黄边面积(SDy)、绿峰反射率(Rg)、红谷净深度(Hr)、蓝边振幅(Db)和红边位置(λh)]作为输入变量构建水稻叶片SPAD值的估测模型.R2和RPD值越大,RMSE和MRE值越小,则表明模型的性能越好,估算精度高.比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知,在模型估算精度上,SMLR+SVR模型高于SMLR模型,PCA+SVR模型高于SVR模型.总体上,SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测,其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550.[建议]进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系,提出新的光谱特征参数或优化特征参数选择组合方法,增加回归建模算法,提高高光谱对水稻叶片SPAD值的有效估算.采集水稻冠层高光谱图像,反演出高光谱图像中的水稻冠层SPAD值,研究冠层SPAD与水稻长势关系,为水稻科学管理提供技术支持.     

基于数码影像的香樟树叶片叶绿素分布可视化研究

叶绿素含量是植物生长的重要指标。为了快速、无损地测定香樟树叶片中叶绿素含量分布情况,本研究基于数码相机和Field Spec 4便携式地物光谱仪2种不同传感器,对比分析了颜色参数和光谱与SPAD值的关系,分别建立了多种定量预测模型,并且借助图像处理软件,实现了基于数码影像香樟树叶片SPAD值的可视化。结果表明:红光和R720波段分别是数码相机和光谱仪对SPAD值最敏感的波段;光谱指数可以提高光谱与SPAD值的相关性,而且以红光和蓝光波段组合的差值指数(R-B和DI)相关性水平最高;R-B所建香樟树叶片SPAD值预测模型的均方根误差RMSE为3.9736,预测精度R~2为0.6197;而DI构建的模型对SPAD值的预测能力比R-B高,其均方根误差为2.002,且精度最高(R~2=0.7338)。基于数码影像的香樟树叶片SPAD值分布图在一定程度上可以有效描述叶片叶绿素分布状况,进而判断香樟树的生长情况。因此,可以利用数码相机的颜色参数监测香樟树叶片叶绿素含量及分布状况。     

基于连续投影算法与BP神经网络的玉米叶片SPAD值高光谱估算

叶片叶绿素含量是评价作物生长状况的重要指标。为实现玉米叶片叶绿素含量的准确、高效高光谱估测,以玉米大田试验为基础,于7月1日(大喇叭口期)、7月19日(灌浆初期)和8月18日(腊熟期)利用ASD高光谱仪和便携式叶绿素仪(SPAD-502)分别测定了玉米叶片高光谱数据和叶绿素含量相对值SPAD;利用连续投影算法提取出玉米叶片光谱的特征波长,再用BP神经网络构建SPAD值的估算模型,并对模型进行验证。结果表明,3个日期的分段监测模型及统一监测模型的R2分别为0.885,0.900,0.675,0.827;RMSE分别为2.156,2.103,3.236,2.651;7月1日模型、7月19日模型和统一监测模型均具有较高的精度,同时检验模型RPD均大于2,具有很好的预测能力;而8月18日的监测模型表现较差(RPD=1.641),但也达到可用水平。表明利用连续投影算法结合BP神经网络可以进行玉米叶片SPAD值的高光谱估算。     

喷水方式对葡萄叶片SPAD值和叶绿素含量及产量的影响

【目的】研究极端干旱区葡萄微喷条件下,不同喷水方式对葡萄叶片SPAD值和叶绿素含量及产量的影响,确定优质高产的喷水方式,为快速测定大田葡萄叶片叶绿素含量提供新方法。【方法】采用微喷灌溉,对不同喷水方式下,测定葡萄SPAD值、叶绿素含量及品质与产量,分析不同喷水方式处理下的SPAD值日变化及连日变化特征、SPAD值与叶绿素含量相关关系。【结果】在不同喷水时长条件下,各处理的SPAD值呈先减小后增大的变化趋势,日变化值在40.1~45.6 SPAD,其中,WP1的SPAD值(44.3)日平均值最高,其次是WP2(43.5)和WP3(42.9),CK(41.2)最低。葡萄SPAD值与叶绿素a、叶绿素b以及总叶绿素含量间的回归方程,分别为C_a=0.068 5VSPAD-0.890 2,C_b=0.045 4VSPAD-1.019 4,C_t=0.114VSPAD-1.909 6,在葡萄品质指标和产量上,采用微喷可以提高VC含量、多酚含量和单宁含量等多项品质指标,并使葡萄平均增产8.6%。【结论】不同喷水方式下,葡萄叶片SPAD值与叶绿素a、叶绿素b以及总叶绿素含量间均存在极显著正相关关系,利用SPAD值预测叶绿素a含量、b含量与总叶绿素含量是可行的。     

不同菌草品种叶片叶绿素含量的光谱特征参数模型研究

【目的】建立各种品种菌草叶片叶绿素光谱模型为快速无损地评估菌草健康状态提供理论依据。【方法】利用多光谱相机拍摄光谱信息，使用RGB和HSV两种颜色空间系统进行NDSI、RSI植被指数指标的建立，并采用4种回归算法进行叶绿素相对含量即SPAD值和光谱信息建模，选出合适菌草的模型。【结果】不同品种的菌草SPAD值差异不显著，主要是健康和干枯叶片的差异。叶片SPAD值和光谱反射值具有良好的相关性，RGB颜色系统红波段是最相关的波段，相关性达到-0.79。试验证明红波段的变化在健康叶片和干枯叶片之间更敏感。2种颜色系统综合评价，建模精度及稳定由高到低依次为：包含5个通道的RGB颜色系统，HSV颜色系统，仅包含R、G、B 3个通道的颜色系统。4种反演方法中，反演效果最好依次为随机森林机器学习方法、支持向量机机器学习和逐步线性回归方法、一元线性统计方法。预测SPAD值拟合效果最好的是RGB-NDSI-RF类型，其拟合数R²为0.95、RMSE为3.04、MRE为0.19，验证R²为0.75、RMSE为8.26、MRE为0.76。【结论】机器学习方法尤其是...     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

甜柚叶绿素含量高光谱无损检测模型

目的 为监测甜柚Citrus maxima果树生长健康状况及预测甜柚产量,以赣州南康地区一片甜柚果园为研究对象,建立甜柚叶片叶绿素含量检测模型。方法 使用Field Spec4便携式地物光谱仪和SPAD-502叶绿素仪测定甜柚叶片光谱及SPAD值,分别采用单变量回归、逐步回归及偏最小二乘法(PLS)构建其叶绿素含量高光谱无损检测模型并进行精度检验。结果 原始光谱在553 nm处、一阶光谱在692和752 nm处的反射率与叶绿素含量相关性最高,这3个波段为甜柚叶片光谱反射率敏感波段;当主成分个数为4时,PLS具有最高的精度,且基于PLS技术所建立的模型较单变量、逐步回归模型精度更好,模型拟合度较高,其决定系数(r²)最高,为0.869,均方根误差(RMSE)和相对误差(RE)最小,分别为3.013和6.82%。对原始光谱、一阶导数光谱及PLS拟合的估测模型进行对比分析显示,PLS模型无论是从建模样本精度还是模型预测能力方面均优于前2种传统模型。结论 PLS模型适合于利用高光谱数据进行叶绿素含量的估测,可作为甜柚叶绿素含量的最佳无损检测模型。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

整形修剪对高接换种纽荷尔脐橙生长和产量的影响

为了提高榕江县低产脐橙果园的产量,整形修剪方法,研究其对高接换种纽荷尔脐橙生长和产量的影响。结果表明:整形修剪可以显著增加纽荷尔脐橙冠幅和果实产量,尤以第3年最为明显,其冠幅是对照的1.95倍,单株挂果数较对照提高55%(增加46个),单位面积产量比对照提高60%。整形修剪是一项改造低产果园的重要措施。     

基于PLS的不同水氮条件下带状套作玉米产量预测

[目的]利用高光谱数据构建一种"高光谱参数-光合色素-产量"模型间接估测套作玉米产量,为带状套作玉米产量无损预测提供技术手段.[方法]以不同年份、地点、品种、处理(氮肥、水分)的田间试验为基础,综合分析带状套作玉米各生育时期及全生育期光合色素参数与冠层高光谱参数和玉米产量的关系,明确玉米产量预测的最佳生育时期及光合色素...     

基于数码相机的玉米冠层SPAD遥感估算

【目的】叶绿素是植物光合作用中重要的色素。利用作物光谱信息对叶绿素含量进行反演,为作物的实时监测和生长状态诊断提供重要依据。【方法】以大田环境下不同氮肥水平(0,50%和100%)的开花期玉米为研究对象,利用轻小型无人机搭载数码相机,获取试验区RGB影像。使用土壤调整植被指数(soil adjusted vegetation index,SAVIgreen)对图像进行分割,基于分割前后的影像分别提取15种常见的可见光植被指数,综合分析指数与玉米冠层叶绿素相对含量SPAD值的相关关系。采用单变量回归模型、多元逐步回归模型和随机森林(random forest,RF)回归算法构建玉米SPAD值的遥感估算模型,通过模型精度评价指标决定系数(coefficient of determination,R2)、均方根误差(root mean square error,RMSE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01),确定最佳指标和最优模型。【结果】基于分割前后的数码影像提取的VIplot和VIplant植被指数与玉米冠层SPAD值之间具有显著的相关关系,其中VIplant中的红光标准化值(NRI)、归一化叶绿素比值植被指数(NPCI)、蓝红比值指数(BRRI)、差值植被指数(DVI)与SPAD值的相关性在0.77以上;以相关性高于0.77的VIplant指数NRI、NPCI、BRRI、DVI构建的线性、指数、对数、二次多项式、幂函数的单变量回归模型中,NRI指数构建的二次多项式模型效果最好,决定系数R2为0.7976,RMSE为4.31,MRE为5.91%。在VIplant指数NRI、NPCI、BRRI、DVI参与建立的多变量SPAD反演模型中,使用随机森林方法的模型精度最高,决定系数R2为0.8682,RMSE为3.92,MRE为4.98%,而多元逐步回归模型的精度高于任意单变量回归模型,决定系数R2为0.819,RMSE为4,MRE为5.67%;对数码影像结合各模型制作的SPAD分布图进行精度分析,使用随机森林回归模型对SPAD的估测值与实测值最为接近,具有最佳的预测效果,R2为0.8247,RMSE为4.3,MRE为5.36%,可以作为玉米冠层叶绿素信息监测的主要方法。【结论】本研究证明将数码相机影像提取的可见光植被指数应用于玉米叶绿素相对含量的估测是可行的,这也为无人机遥感系统在农业方面的应用增添了新的手段和经验。     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

基于星-机光谱融合的棉花叶片SPAD值反演

【目的】为提高棉花叶片叶绿素含量的反演精度,并掌握其在山东省夏津县的空间分布特征。【方法】本研究以山东省德州市夏津县为研究区,以夏津县大李庄棉田为试验区,通过SPAD（soil and plant analyzer development,SPAD）仪实地测定试验区棉花叶片叶绿素含量的相对值（SPAD值）,并获取同期试验区无人机（unmanned aerial vehicle,UAV）近地多光谱图像和研究区Sentinel-2A MSI（MSI）卫星影像;然后分别基于UAV和MSI的光谱反射率,构建并筛选最优光谱参量,采用多元线性回归（multiple linear regression,MLR）建立SPAD值定量反演模型;最后采用二次多项式拟合法融合UAV和Sentinel-2A MSI对应的最优光谱参量,对比分析融合前后模型效果,优选最佳反演模型,实现研究区SPAD值反演。【结果】研究表明,(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作为SPAD值的最优光谱参量;基于UAV图像的定量反演模型精度优于基于MSI影像的模型;基于二次多项式拟合后建模R ²提高了0.015—0.057,RMSE降低了0.457—0.638,验证R ²提高了0.040—0.085,RMSE降低了0.387—0.397,RPD提高了0.020—0.139;将融合后的MSI光谱参量代入基于UAV图像的反演模型（Fused MSI-Mod_UAV）,也可获得较高的反演精度,建模R ²达0.672,RMSE为3.982,验证R ²达0.713,RMSE为3.859,RPD为1.685;基于上述模型进行研究区棉花叶片SPAD值反演分析,试验区整体呈南高北低的分布趋势,研究区呈中间低、四周高的分布趋势,均与实地情况一致,具有较好的预测效果。【结论】采用二次多项式拟合法融合无人机和卫星影像数据,可较好地实现区域高精度作物生长指标的定量反演,研究结果可丰富多源遥感融合理论与技术,为后续棉花长势监测与精准生产提供技术参考和数据支持。     

csi-miR399响应柑橘溃疡病菌侵染的表达模式及其抗病性分析

【目的】明确csi-miR399响应柑橘溃疡病菌（Xanthomonas citri subsp. citri,Xcc）侵染的表达模式，筛选其靶基因，进而分析csi-miR399与寄主Xcc抗性的相关性，为柑橘溃疡病抗性种质的创制打下基础。【方法】分别以柑橘溃疡病抗性品种四季橘（Citrus microcarpa）和感病品种纽荷尔脐橙（Citrus sinensis）为试材，通过茎环qPCR方法分析csi-miR399在叶片离体注射Xcc 1、3和5 d时的表达量变化，明确抗/感品种中csi-miR399响应Xcc侵染的表达模式；利用在线软件psRNATarget预测csi-miR399的靶基因，并通过qPCR分析候选靶基因在接种Xcc柑橘叶片和瞬时表达csi-miR399叶片中表达量的变化；克隆csi-miR399前体基因序列，通过同源重组方法构建病毒表达载体pCLBV202-MIR399，根癌农杆菌介导的真空浸润法接种尤力克柠檬（Citrus limon），通过qPCR分析csi-miR399表达量；进而采用离体叶片针刺法接种Xcc，观察发病症状，统计病情指数，分析csi-miR3...     

纽荷尔脐橙果实套袋品质分析

【目的】探讨果实套袋技术对纽荷尔脐橙果实外观质量和内在品质的影响,为贵州南亚热带低热河谷地区纽荷尔脐橙无公害栽培提供参考依据。【方法】以纽荷尔脐橙果实为材料,分别采用黄色单层纸袋和内层黑色双层纸袋进行套袋,对套袋果实的主要品质指标进行分析。【结果】纽荷尔脐橙果实套袋后,能促进果实生长发育,明显改善果实外观;果形指数与未套袋果实无显著差异;套袋后果实可溶性固形物、总糖、维生素C和酸含量均有所下降,除酸含量外,内层黑色双层纸袋与未套袋处理之间均存在极显著差异。【结论】纽荷尔脐橙进行套袋后能促进果实生长发育,改善果实外观品质,减少病虫为害,增加果品商品价值,减少投入成本,且黄色单层纸袋套袋效果优于内层黑色双层纸袋。因此,在贵州南亚热带低热河谷地区生产纽荷尔脐橙时,宜采用黄色单层纸袋进行果实套袋。     

柑橘园紫色土Fe/Mn/Zn含量近红外光谱监测模型研究

 【目的】探索建立基于近红外光谱技术的土壤微量元素监测技术。【方法】采集三峡库区（重庆）主要加工甜橙基地果园背景土壤样品168个,随机选取100个作为建模样本,其余为检验样本;测定所有样本的近红外反射光谱和土壤Fe、Mn、Zn全含量;运用最佳光谱预处理方法和偏最小二乘法（partial least square method, PLS）及内部交叉验证方法建立校正模型,并进行模型精度检验。【结果】变量标准化（standard normal variables,SNV）为土壤Fe、Mn、Zn含量近红外光谱预测的最佳光谱预处理方法;运用SNV光谱预处理和偏最小二乘法（PLS）及内部交叉验证法建立的土壤Fe、Mn、Zn含量校正模型,95%置信区间内的预测精度分别为92.65%、95.59%和95.59%。【结论】利用近红外反射光谱技术进行土壤Fe、Mn、Zn含量检测可行且精度较高。     

基于高光谱的苹果盛果期冠层叶绿素含量监测研究

【目的】建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用。【方法】以蒙阴县果园的苹果树为试验材料,连续2年分别测定了苹果冠层光谱反射率和冠层叶绿素（Chl(a+b)）含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了400—1 000 nm任意两波段组合而成的RVI、DVI、NDVI和RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型。【结果】结果表明,以单变量估算叶绿素含量的最佳光谱指数为NDVI(975,742),相关系数为0.5093。利用多元逐步回归建立的苹果冠层叶绿素含量最佳监测模型为Y=-0.56(log1/R)771-0.48(log1/R)1978 +0.20(log1/R)2407 -0.10(log1/R)2440+4.749。【结论】用多元逐步回归方法建立的模型来监测苹果冠层叶绿素含量效果较好,为利用高光谱技术监测苹果生长状况提供了理论依据。     

基于数字图像技术的冬油菜氮素营养诊断

【目的】利用田间氮肥梯度试验探讨数字图像技术对冬油菜氮素营养无损评估预测的可行性,明确该技术的最佳数码参数和方程模型,为数字图像技术进行冬油菜氮素无损诊断提供依据。【方法】2013-2014年在湖北省武穴市开展不同施氮处理田间试验,以冬油菜为试验材料,设置不同氮素水平（0、90、180、270和360 kg·hm^-2）,分别于六叶期、十叶期、蕾薹期和开花期,利用数码相机获取冠层数字图像数据,同时采集植株样品分析其生长特征值,研究其相关性并建立氮素营养参数的方程模型。利用2014-2015年独立氮肥水平试验,对上述方程模型拟合精度进行验证并绘制1﹕1线性关系图。【结果】数字图像红光值（R）、红光标准化值（NRI）和绿光与蓝光比值（G/B）与冬油菜氮营养状况常规诊断指标地上部生物量、叶片氮浓度和叶绿素浓度等呈负相关关系,而绿光值（G）、蓝光值（B）、绿光与红光比值（G/R）、蓝光与红光比值（B/R）、绿光标准化值（NGI）和蓝光标准化值（NBI）则与上述指标呈正相关关系,红光标准化值（NRI）与其他数码参数相比能更好地表征冬油菜的氮素营养状况,蕾薹期红光标准化值NRI与氮肥用量、地上部生物量、叶片氮浓度、叶绿素浓度、氮素吸收量和氮营养指数之间的关系可分别用线性方程y(t·hm^-2)=-8.003x+2.706、y(t·hm^-2)=-106.072x+38.200、y(g·kg^-1)=-692.99x+ 261.84、y(mg·g^-1)=-12.750x+5.665、y(kg·hm^-2)=-4087.416x+1414.274和y=-27.198x+9.812来表达,其相关性达到极显著水平。2014-2015年独立试验模型检验结果表明,叶片氮浓度、叶绿素浓度和氮营养指数实测值与预测值的决定系数R²分别为0.917^**、0.746^**和0.953^**;均方根误差RMSE分别为0.821、0.330和0.228;相对误差RE %分别为26.32%、28.57%和28.39%,模型预测精度较好。【结论】数字图像技术可以用于冬油菜氮素营养的评估预测,评估时期为蕾薹期（包括）之前均可,最佳预测参数为红光标准化值NRI,参数的最佳方程模型为直线方程函数。