不同生育期冬小麦叶面积指数高光谱遥感估算模型

基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型。结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显著相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用m SRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型。     

基于氮素叶绿素关系的冬小麦籽粒蛋白质含量高光谱反演

为进一步提高光谱数据反演小麦籽粒蛋白质含量的精度以及反演模型的可解释性,研究以籽粒蛋白质含量（GPC）-氮素-叶绿素之间的关系为载体,通过叶绿素筛选相关植被指数,采用偏最小二乘回归（PLS）方法建立GPC反演模型。结果表明,开花期是监测籽粒蛋白质含量的最优时期。开花期氮素与对应密度叶绿素的相关性较高。通过筛选出与叶绿素密切相关的植被指数,利用PLS建立籽粒蛋白质含量反演模型,模型决定系数R2为0.77,RMSE为0.95%,用其他年份数据进行模型验证,结果显示RMSE达到1.22%。本研究表明：基于氮素、叶绿素关系建立PLS反演模型能够实现不同年份GPC光谱遥感反演,且模型在年际间表现出较高的精度和稳定性。     

水氮互作对石羊河流域春小麦群体产量和水氮利用的影响

【目的】探讨西北旱区春小麦最佳的水氮耦合形式。【方法】在甘肃石羊河流域绿洲区采用田间试验,研究不同生育阶段的水量分配以及氮肥处理对春小麦群体产量和水氮利用的影响。【结果】施氮量、拔节期和抽穗期灌水对干旱区春小麦的产量影响显著;施氮量168 kg/hm2,并于拔节期灌水90 mm、抽穗期灌水70 mm,小麦可获得较高的籽粒产量。水氮对小麦地上干物质累积量的影响与对籽粒产量的影响相似,但抽穗期灌水对地上干物质累积量影响不显著。在施氮量224 kg/hm2、抽穗期和灌浆期灌水均为50 mm的条件下,小麦可获得较高的收获指数。在生产中考虑提高小麦收获指数时,首先应保证较高的籽粒产量。分蘖期和灌浆期灌水均为30 mm时,小麦的水分利用效率高达2.424 kg/m3,但产量降低约45%。施氮量对小麦地上干物质和籽粒氮素累积量影响显著;拔节期灌水90 mm、施氮量168 kg/hm2时,小麦籽粒的氮素累积量最大。【结论】石羊河流域春小麦最优灌水施氮模式为:施氮量168 kg/hm2,全生育期灌水4次,拔节期灌水90 mm,分蘖期、抽穗期、灌浆期均灌水60 mm。     

利用卫星遥感进行冬小麦籽粒淀粉含量监测研究

 通过对不同年份、不同区域的遥感影像的植被指数和小麦GPS定点长势数据的综合分析，基于遥感影像信息获取的瞬时性和准确性，结合小麦灌浆期间气候环境条件对籽粒品质形成的影响特点，建立了基于不同生育期（拔节期、抽穗期以及灌浆期）遥感影像归一化植被指数（NDVI）和气候环境因子（气温、日照、氮素营养、土壤水分）的籽粒淀粉含量监测模型，并对模型的可靠性进行了检验。结果表明，模型的监测值与实测值较为一致，利用拔节期、抽穗期、灌浆期遥感影像NDVI和气候环境数据预测籽粒淀粉含量的RMSE值分别为4.57%，4.2%和3.84%。模型监测性能好，且具有解释性，可以用于不同年度、不同区域和不同小麦生长阶段对籽粒淀粉含量的预测。     

基于VSURF-CA的小麦条锈病高光谱病情指数估测模型

【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌浆期和成熟期)高光谱数据,采用随机森林变量选择(VSURF)方法结合相关性分析(CA)对原始光谱(OR)和一阶微分光谱(FD)进行特征波段筛选。使用随机森林(RF)对比不同数据集的特征波段建模结果,确定模型效果最佳的特征集。随后借助偏最小二乘回归(PLSR)、极致梯度提升(XGBoost)以及反向传播神经网络(BPNN),对比特征集在不同算法中的建模效果。通过对比建模效果,确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果,利用特征集在3个生育期重新构建模型,并对比模型效果。【结果】对不同数据集进行特征筛选,并使用RF构建条锈病DI估测模型,通过比较模型效果,确定VSURF-CA-FD特征集(绿光范围的537 nm以及近红外范围的821和846nm)在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度,R     

基于氮素运转原理和GRA-PLS算法的冬小麦籽粒蛋白质含量遥感预测

【目的】及时、有效地预测籽粒蛋白质含量,能够为优质小麦品种的收购和加工提供科学合理的决策支持信息。本研究从籽粒蛋白质形成的氮素运转规律出发,研究冬小麦籽粒蛋白质遥感预测的可行性及在区域与年际间的扩展性,为高分辨率遥感卫星进行大面积蛋白质预测提供理论依据。【方法】利用2012-2013年4个冬小麦品种×4个氮肥梯度的试验数据和地面高光谱数据进行建模;基于小麦籽粒蛋白质形成的氮素运转机理,通过分析籽粒氮素累积量的两个主要来源及其之间的比例关系,重点抓住开花前的植株氮素累积量再运转这一主要来源,而灌浆期根际的氮素直接吸收则通过其与前者的比例关系来确定,通过相关农学参数模型的耦合,同时加入温度影响因子对籽粒氮素运转的影响,初步阐明了利用开花期小麦叶片氮含量可以预测籽粒蛋白质含量的应用机理;然后选择与叶片氮含量相关的植被指数,利用灰色关联分析-偏最小二乘算法（GRA-PLS）选择与叶片氮含量关联度较高的植被指数并进行小麦叶片氮含量的估算,通过与氮素运转模型的耦合构建了基于氮素运转原理的籽粒蛋白质含量遥感预测模型;最后利用2009-2010年的品种×播期×肥料试验和2012-2013年的其他品种氮肥处理试验进行验证。【结果】（1）通过GRA方法对叶片氮含量和植被指数间的关联度进行计算,选择关联度较大的前5个植被指数进行叶片氮含量建模,其植被指数分别为mND705、NDVIcanste、Readone、DCNI和NDCI;（2）通过PLS方法构建的叶片氮含量模型,建模结果的预测值与实测值的决定系数（R2）和均方根误差（RMSE）分别为0.859和0.257%,验证结果的R2和RMSE分别为0.726和0.063%,利用GRA-PLS方法估算叶片氮素含量具有较好的稳定性;（3）构建的蛋白质预测模型,建模结果和验证结果的预测值与实测值的R2和RMSE分别为0.713、1.30%和0.609、1.19%,预测模型具有较高的精度与可靠性。【结论】基于氮素运转规律构建的小麦籽粒蛋白质含量遥感预测模型,可以作为应用开花期遥感信息来预测籽粒蛋白质含量的机理性解释,初步实现了本研究区域和年际间的籽粒蛋白质含量预测,具有一定的应用前景。     

基于冠层高光谱的南方丘陵地区晚稻氮素营养诊断

为研究水稻氮素营养诊断的快速方法、初步构建基于高光谱的水稻氮素营养诊断模型,以南方丘陵区晚稻氮肥试验为例,利用分别测定不同施氮水平及水稻不同生育期水稻冠层叶片的高光谱反射特征,应用一阶微分光谱以及植被指数分别构建基于高光谱的晚稻氮素营养诊断模型。结果表明:不同氮素水平下冠层叶片光谱反射率的差异主要集中在400~650 nm可见光处和730~1350 nm近红外处,随着冠层氮素含量增加可见光处光谱反射率降低,而在近红外范围内反射率增加。随着水稻生长发育,冠层叶片光谱反射率降低,而且反射峰值由519 nm向554 nm移动。应用738 nm处的光谱反射率与叶片氮素含量建模,用一阶微分反射率得到的最优模型为指数模型Y=1.591 4e~(88.794X)(R~2=0.736 2),用比值植被指数(RVI)和归一化植被指数(NDVI)得到的最优模型分别为指数模型Y=18.658e~(-1.040 9X)(R~2=0.630 4)和二次多项式Y=-17.454X~2+0.733 1X+4.130 2(R~2=0.652 3),所有模型中以一阶微分反射率得到的模型最佳,最适合于在供试条件下的水稻氮素营养诊断。     

基于高光谱的枣树叶片氮素表征方法

为提高枣树种植过程中施用氮肥的精准性,本研究以南疆重要经济作物骏枣(Ziziphus jujuba Mill.)为研究对象,通过对枣树叶片原始光谱和一阶微分光谱与全氮含量的相关性进行分析,利用光谱敏感变量构建植被指数作为衍生变量,再以衍生变量作为变量建立多种线性和非线性的氮素含量预测模型,并对氮素含量预测模型进行精度检验。结果显示：基于枣树原始光谱和一阶微分光谱的模型拟合决定系数均大于0.75,原始光谱变量的预测效果整体好于一阶微分光谱;预测效果最好的是基于原始光谱变量4的幂函数模型：Nit=1.097x^0.735,R²为0.821,RMSE为0.024 5。研究表明,建立的氮素含量预测模型能够实现基于高光谱反射率特征对枣树氮素的较好监测效果,能够作为枣树营养素诊断的重要理论依据。     

水旱地冬小麦植株氮素含量的高光谱监测

作物氮素状况是评价作物长势的关键指标之一,利用高光谱技术对水旱地植株氮素含量进行监测具有重要的实践意义。通过研究闻喜县水旱地小麦植株氮含量与叶面积指数(LAI)的定量关系,探索建立以LAI为中间变量的水旱地冬小麦氮素含量的监测模型的可行性。结果表明,水旱地冬小麦不同生育时期LAI特征波段不同,LAI与植被指数FDDVI,FDNDVI和FDMSAVI的相关性均好;冬小麦LAI与植株氮素含量在拔节期、抽穗期和灌浆期3个主要的生育时期均达到较好的相关性;水地冬小麦以FDNDVI(770,688 nm)为自变量建立的植株氮素含量监测模型最优,R2=0.849 9,RE=0.220 8,RMSE=0.060 2,RE和RMSE最小,预测性最好;旱地冬小麦以FDDVI(771,685 nm)为自变量建立的植株氮素含量监测模型最优,R2=0.802 9,RMSE=0.032 6,RE=0.17。研究结果可为实现水旱地冬小麦氮素的准确、快速、大面积的监测提供新的途径。     

水氮互作对春小麦植株养分含量及产量的影响

以春小麦宁春4号为材料,采用随机区组设计,研究水氮互作对春小麦植株养分含量及产量的影响。结果表明:(1)在丰水和干旱条件下,小麦叶片的全N含量表现为高氮处理>中氮处理>不施氮处理;在严重干旱条件下,中氮处理的最高;在拔节期和灌浆期,高氮处理的却最低。表明施氮能提高小麦对氮素的吸收积累,改善其分配状况。(2)与不施氮相比,施氮能提高植株磷素积累量,中度干旱条件下,扬花期对照和中氮处理小麦植株含磷量显著高于高氮处理;严重干旱下,灌浆期中氮处理的小麦植株含磷量最高,但其他生育期均以高氮处理为最高;中氮条件下,拔节期和抽穗期中度干旱的小麦植株全磷含量最低,而扬花期中度干旱的最高,灌浆期随着水分胁迫的加剧而减小;高氮条件下,扬花期小麦植株全磷含量为严重干旱的最高,灌浆期中度干旱的最高。(3)在氮素一定的条件下,随着干旱胁迫的加剧,小麦植株全K含量减小;3个水分条件下,小麦叶片含钾量无明显差异。千粒质量、穗粒数和穗粒质量均以高氮处理最大;3种氮素营养水平下,小麦千粒质量和每盆穗粒质量均是中度干旱的最高。     

小麦条锈病产量损失估计

1987～1989年的田间试验表明:小麦灌浆期条锈病的病情指数与产量的相关性最强,发病越重,灌浆速度越慢。但病害对灌浆时间的长短影响不大。盆栽试验证明:旗叶发病对千粒重的影响最大,特别当旗叶、倒二叶的病情严重度达5％以上时,对千粒重影响更为明显。因此认为小麦灌浆期的病情指数为5时,作为条锈病损失的临界病情比较合适,并组建了产量损失预测模型。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

A double-layer model for improving the estimation of wheat canopy nitrogen content from unmanned aerial vehicle multispectral imagery

The accurate and rapid estimation of canopy nitrogen content (CNC) in crops is the key to optimizing in-season nitrogen fertilizer application in precision agriculture. However, the determination of CNC from field sampling data for leaf area index (LAI), canopy photosynthetic pigments (CPP; including chlorophyll a, chlorophyll b and carotenoids) and leaf nitrogen concentration (LNC) can be time-consuming and costly. Here we evaluated the use of high-precision unmanned aerial vehicle (UAV) multispectral imagery for estimating the LAI, CPP and CNC of winter wheat over the whole growth period. A total of 23 spectral features (SFs; five original spectrum bands, 17 vegetation indices and the gray scale of the RGB image) and eight texture features (TFs; contrast, entropy, variance, mean, homogeneity, dissimilarity, second moment, and correlation) were selected as inputs for the models. Six machine learning methods, i.e., multiple stepwise regression (MSR), support vector regression (SVR), gradient boosting decision tree (GBDT), Gaussian process regression (GPR), back propagation neural network (BPNN) and radial basis function neural network (RBFNN), were compared for the retrieval of winter wheat LAI, CPP and CNC values, and a double-layer model was proposed for estimating CNC based on LAI and CPP. The results showed that the inversion of winter wheat LAI, CPP and CNC by the combination of SFs+TFs greatly improved the estimation accuracy compared with that by using only the SFs. The RBFNN and BPNN models outperformed the other machine learning models in estimating winter wheat LAI, CPP and CNC. The proposed double-layer models (R²=0.67–0.89, RMSE=13.63–23.71 mg g^–1, MAE=10.75–17.59 mg g^–1) performed better than the direct inversion models (R²=0.61–0.80, RMSE=18.01–25.12 mg g^–1, MAE=12.96–18.88 mg g^–1) in estimating winter wheat CNC. The best winter wheat CNC accuracy was obtained by the double-layer RBFNN model with SFs+TFs as inputs (R²=0.89, RMSE=13.63 mg g^–1, MAE=10.75 mg g^–1). The results of this study can provide guidance for the accurate and rapid determination of winter wheat canopy nitrogen content in the field.     

基于开花期卫星遥感数据的大田小麦估产方法比较

【目的】卫星遥感具有覆盖范围广、获取速度快、信息量大、动态性强等优势,能够及时准确地获取作物产量信息,反映作物产量空间变化趋势。遥感技术作物估产已成为现代农业生产中研究热点。通过改善遥感估产建模方法,以实现进一步提高大田作物遥感估产精度,为宏观了解不同区域作物产量形成情况及变化趋势提供直观、可靠的参考。【方法】论文结合2011—2012年江苏省大丰、兴化、姜堰、泰兴、仪征5个县区的定点观测试验,以国产卫星产品HJ-1A/1B影像为遥感数据,于小麦开花期开展大田定位观测区卫星遥感植被指数、关键生长指标与收获期单产间的定量分析。通过对产量与小麦生长指标以及植被指数进行定量关系分析,进一步增强遥感反演的机理性和重演性。将卫星遥感变量与小麦产量进行相关关系分析作为遥感估产的直接建模方法,间接建模方法则是选取与产量相关性较好的遥感变量以及与遥感变量相关性较好的主要苗情指标,利用筛选得到的敏感遥感变量,首先监测对应的小麦生长指标,结合该小麦生长指标与产量间的定量关系,进而建立间接估产模型,利用此模型进行小麦遥感间接估产。利用直接和间接建模方法,以相关性最高为原则,筛选估算产量的敏感卫星遥感变量。以2012年试验数据为建模样本,采用线性回归分析方法,分析小麦开花期苗情指标、产量与卫星遥感变量两两之间的相关性,分别构建以遥感植被指数为基础的大田小麦估产模型,与地面实测结果一起建立模型共同分析。以2011年试验数据为验证样本,选取评价指标拟合度(R2)和均方根误差(RMSE),对两类模型的估算精度进行验证和比较,以提高遥感反演的定量化水平和可信度。【结果】分别以差值植被指数(difference vegetation index,DVI)和比值植被指数(ratio vegetation index,RVI)为基础的单因子直接估产模型的均方根误差(root mean square error,RMSE)为918 kg·hm-2和1 399.5 kg·hm-2,以DVI和RVI遥感变量构建双变量估产模型的RMSE为1 036.5 kg·hm-2,以归一化植被指数(normalized difference vegetation index,NDVI)和叶片氮积累量为基础构建的间接估产模型的RMSE为805.5 kg·hm-2,说明开花期HJ-1A/1B影像估算小麦区域产量是可行的,且精度较高;经比较,以NDVI和叶片氮积累量为基础的间接估产模型精度明显高于直接估产模型,相较于DVI直接估产模型RMSE降低了112.5 kg·hm-2,相较于RVI直接估产模型RMSE降低了594 kg·hm-2,相较于双因子模型RMSE降低了231 kg·hm-2。【结论】国产卫星HJ-1A/B可以较好满足估测小麦产量要求,且利用间接方法建立作物遥感估产模型要好于直接方法,研究结果为利用遥感技术更为准确估算大田小麦产量提供了一种新的途径。     

旱地不同基因型冬小麦光合特性与产量的研究

以晋麦47为对照,选用HM 385、西农6082、旱丰115、普冰476和西农418等不同基因型旱地冬小麦为材料,通过测定小麦旗叶净光合速率(Pn)、气孔导度(Gs)、胞间CO2体积分数(Ci)、蒸腾速率(Tr)和SPAD值等植物生理指标,比较不同基因型小麦光合生理指标和产量及产量构成因素的差异,分析旱地条件下Pn与产量及产量构成因素的相关性。结果表明,HM 385在3个生育时期的旗叶平均Pn、Gs、Ci、Tr、SPAD值均最高,分别较对照高8.7%、21.8%、6.6%、6.7%和15.2%,其次是西农418,而西农6082、旱丰115和普冰476表现一般;各基因型小麦产量表现为:HM 385对照西农418西农6082普冰476旱丰115,5个基因型小麦产量均与对照有显著差异(P0.05);旱地冬小麦开花期Pn与小麦产量相关性(r=0.709)达极显著水平。可见,HM 385具有较高的光能利用率,可以作为旱地条件下优良品种的种质资源;在旱地冬小麦高产品种的选用中,小麦开花期旗叶的Pn可作为重要参考指标。     

Effects of UV-B radiation intensity and timing on epidemiological components of wheat stripe rust

Stripe rust caused by Puccinia striiformis f. sp. tritici is an important wheat disease worldwide that is greatly influenced by environmental conditions. Ultraviolet B (UV-B) radiation is one important environmental factor affecting the occurrence and epidemiology of wheat stripe rust. Investigating UV-B radiation effects on the epidemiology of stripe rust may be conducive to monitoring and predicting this disease. In this study, wheat seedlings were exposed to UV-B radiation during different periods under laboratory conditions and radiation effects on epidemiological components of wheat stripe rust were investigated. Results showed that incubation period was shortened, and the infection efficiency, sporulation quantity and disease index increased when UV-B radiation was performed only pre-inoculation. When the UV-B radiation was performed only post-inoculation or both pre- and post-inoculation, the incubation period was prolonged, and the infection efficiency, sporulation quantity and disease index were reduced. When healthy wheat seedlings were inoculated using urediospores collected from wheat leaves irradiated by UV-B only post-inoculation or both pre- and post-inoculation, infection efficiency, sporulation quantity and disease index were also reduced. However, in the latter, the disease incubation period did not differ under varying UV-B radiation intensities compared to that when wheat leaves were not treated with UV-B radiation. Overall, the effects of direct exposure of wheat plants to UV-B radiation with different intensities in different periods on epidemiological components of wheat stripe rust were systematically explored, and the results suggest that the effects of UV-B radiation increased gradually with the increase of UV-B radiation intensity. This information provides a basis for monitoring and predicting this disease as well as for conducting further studies on pathogen virulence variation.     

Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging

The aim of this study was to evaluate the accuracy of the spectro-optical, photochemical reflectance index (PRI) for quantifying the disease index (DI) of yellow rust (Biotroph Puccinia striiformis) in wheat (Triticum aestivum L.), and its applicability in the detection of the disease using hyperspectral imagery. Over two successive seasons, canopy reflectance spectra and disease index (DI) were measured five times during the growth of wheat plants (3 varieties) infected with varying amounts of yellow rust. Airborne hyperspectral images of the field site were also acquired in the second season. The PRI exhibited a significant, negative, linear, relationship with DI in the first season (r ² = 0.91, n = 64), which was insensitive to both variety and stage of crop development from Zadoks stage 3–9. Application of the PRI regression equation to measured spectral data in the second season yielded a coefficient of determination of r ² = 0.97 (n = 80). Application of the same PRI regression equation to airborne hyperspectral imagery in the second season also yielded a coefficient of determination of DI of r ² = 0.91 (n = 120). The results show clearly the potential of PRI for quantifying yellow rust levels in winter wheat, and as the basis for developing a proximal, or airborne/spaceborne imaging sensor of yellow rust in fields of winter wheat.     

Estimating total leaf nitrogen concentration in winter wheat by canopy hyperspectral data and nitrogen vertical distribution

The use of remote sensing to monitor nitrogen(N) in crops is important for obtaining both economic benefit and ecological value because it helps to improve the efficiency of fertilization and reduces the ecological and environmental burden. In this study, we model the total leaf N concentration(TLNC) in winter wheat constructed from hyperspectral data by considering the vertical N distribution(VND). The field hyperspectral data of winter wheat acquired during the 2013–2014 growing season were used to construct and validate the model. The results show that:(1) the vertical distribution law of LNC was distinct, presenting a quadratic polynomial tendency from the top layer to the bottom layer.(2) The effective layer for remote sensing detection varied at different growth stages. The entire canopy, the three upper layers, the three upper layers, and the top layer are the effective layers at the jointing stage, flag leaf stage, flowering stages, and filling stage, respectively.(3) The TLNC model considering the VND has high predicting accuracy and stability. For models based on the greenness index(GI), mND705(modified normalized difference 705), and normalized difference vegetation index(NDVI), the values for the determining coefficient(R2), and normalized root mean square error(nRMSE) are 0.61 and 8.84%, 0.59 and 8.89%, and 0.53 and 9.37%, respectively. Therefore, the LNC model with VND provides an accurate and non-destructive method to monitor N levels in the field.     

基于高光谱遥感的叶片总初级生产力GPP反演

为探究利用高光谱植被指数反演叶片总初级生产力(GPP)的模型,以湖北省武汉大学试验田油菜和小麦叶片高光谱反射率和光照强度(PARin)为数据源,利用7种植被指数与PARin的乘积分别反演2种植被叶片GPP,构建线性及非线性回归模型,并对模型进行验证。结果表明:1)从油菜生理特点出发,需要分生育期建模。在选择的7种植被指数中,花期SR构建的一次模型效果最优,建模和验模R2分别为0.80和0.82,RMSE不超过2.85g/(m~2·d);荚果期选择CIred edge和MTCI为优选模型,建模和验模R2为0.84和0.72,RMSE3.91g/(m~2·d);全时期基于红边波段的CIred edge、MTCI为优选模型,建模集R2达到0.80,RMSE3.67g/(m~2·d),验模R2达到0.65,RMSE3.92g/(m~2·d);2)小麦中NDVI模型效果最优,建模集R2=0.59,RMSE=2.80g/(m~2·d),验模R2=0.67,RMSE=3.39g/(m~2·d)。将油菜与小麦做对比,基于红边波段的植被指数CIred edge和MTCI对2种植被差异不敏感,R2为0.72~0.73,表明CIred edge和MTCI模型可以用于小麦和油菜叶片GPP的统一反演。