基于高光谱数据的水稻叶片净光合速率反演

以水稻叶片光谱和光合入射有效辐射(PARin)为数据源,分别使用8种叶绿素相关植被指数和其与PARin的乘积对珞优9348和丰两优4号品种水稻叶片在3种氮肥浓度下的净光合速率进行反演,建立不同氮肥水平下,品种无关的水稻叶片净光合速率估算模型,并验证精度。结果表明:1)仅基于叶绿素相关植被指数反演叶片净光合速率是不可行的,模型R~2均0.48;2)考虑区分品种与氮浓度,使用叶绿素相关植被指数与PARin的乘积来反演叶片净光合速率可以显著提高模型精度,植被指数CI(Chlorophyll Index, CI)反演效果最好,R~2均0.75,RMSE不超过1.85μmol/(m~2·s);3)区分高、低氮水平进行反演,基于CI的模型R~2分别为0.80和0.89,RMSE分别为1.25和1.37μmol/(m~2·s),可满足反演需求。因此,基于叶绿素植被指数CI的模型可适用于不同品种的水稻叶片净光合速率统一反演。     

基于高光谱遥感的棉花叶片叶绿素含量估算

为提高高光谱植被指数对棉花叶绿素含量的估算精度,以陕西省关中地区棉花花铃期叶片高光谱反射率为数据源,分析了13种植被指数与棉花叶片叶绿素相对含量(SPAD)的相关关系;同时采用降精细采样法,详细分析400~2 000nm波段范围内原始光谱反射率的任意两两波段组合而成的优化光谱指数RSI与SPAD值的定量关系,构建线性及非线性回归监测模型,并对模型进行验证。结果表明:1)所提取的13种植被指数中NIR/NIR与SPAD值的相关系数最大(r=0.914),并且基于NIR/NIR(R780/R740)构建的回归方程模型优于其他植被指数,其构建的二次曲线方程回归模型建模与验模R2分别为0.900和0.785,RMSE为4.762,RE为7.86%,为基于提取的12种植被指数构建SPAD值估算模型中最佳模型;2)优化后的比值光谱指数RSI(Ration spectral index)的敏感波段为500和563nm,RSI(500,563)与SPAD值的相关系数r=0.999,与棉花叶片SPAD含量在0.01水平下呈显著相关,其构建的二次曲线方程模型效果最优,建模和验模R2分别为0.912和1.000,RMSE为2.848,RE为4.38%。与提取的13种植被指数相比,基于RSI指数二次曲线回归模型为估算叶绿素含量的最佳模型,并且模型预测值和实测值之间的符合度较高R2=0.843,表明基于波段优化算法的优化光谱指数RSI能更好的预测棉花叶片叶绿素含量。     

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。     

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。     

基于无人机多光谱遥感的冬小麦叶面积指数反演

以获取的冬小麦无人机多光谱影像为数据源,充分利用多光谱传感器的红边通道对传统植被指数进行改进,通过灰色关联度分析后基于多个植被指数建模的方法对冬小麦的叶面积指数(leaf area index,LAI)进行反演精度对比。结果显示:使用基于多植被指数的随机森林(RF)比赤池信息量准则-偏最小二乘法(AIC-PLS)反演精度高。得到的LAI反演值和真实值之间的R~2=0.822,RMSE=1.218。研究证明通过随机森林预测具有更好的拟合效果,对冬小麦的LAI反演有较好的适用性。     

基于高光谱的油菜叶面积指数估计

以冬油菜为研究对象,2014-2015年度设计了不同施氮水平直播油菜小区试验,在不同生育时期测量冠层光谱、土壤背景光谱以及叶面积指数(leaf area index,LAI),通过相关分析选取了12个光谱特征参数和11个植被指数,建立6叶期至角果期LAI的5种线性和非线性定量反演模型。结果表明:二次多项式反演模型比较适合估算油菜LAI苗期时以红边参数为代表的光谱特征参数,可准确估算出LAI;6叶期时红边幅值预测模型R~2为0.81,RMSEP为0.39,RPD为1.62;8叶期时红蓝边面积比归一化预测模型R~2为0.79,RMSEP为0.60,RPD为2.30;10叶期时红边幅值预测模型R~2为0.92,RMSEP为0.47,RPD为2.36;盛花期时蓝边面积预测模型R~2为0.87,RMSEP为0.34,RPD为2.57;角果期时以RDVI为代表的植被指数也可准确估算出LAI,预测模型R~2为0.74,RMSEP为0.57,RPD为1.36。油菜全生育期采用相同光谱特征参数、植被指数建模估计LAI精度明显降低,预测R~2远小于0.75,RMSEP大于0.65,RPD值均小于1.40,表明难以采用统一参数建模准确估计油菜全生育期LAI,不同生长时期需选择合适的光谱参数、植被指数分段建模估计LAI。     

多层离散各向异性辐射传输模型在玉米叶面积指数垂直分布反演中的应用

为更准确地监测玉米叶面积指数(leaf area index, LAI)垂直分布,以多层离散各向异性辐射传输(discrete anisotropic radiative transfer, DART)模型构建的模拟数据集为基础,提出一种条件约束的LAI垂直分布反演方法。首先,基于3层垂直分布场景,评价DART模型对玉米冠层反射率和光合有效辐射(photosynthetically active radiation, PAR)的模拟效果,并构建相应的模拟数据集。其次,基于模拟数据集构建LAI和PAR单参数反演模型。最后,以单参数反演模型为先验知识,通过求解约束化问题实现基于高光谱植被指数的玉米冠层LAI垂直分布反演。结果表明:相较于单参数反演模型,约束优化条件下的反演模型精度更高。玉米上层LAI反演结果的决定系数(R2)提高0.022,均方根误差(root-mean-square error, RMSE)降低0.016 m~2/m~2,归一化均方根误差(normalized root-mean-square error, NRMSE)降低1.3%;玉米中层LAI反演结果的R2提高0.08,RMSE降低0.219 m~2/m~2,NRMSE降低10.1%;玉米下层LAI反演结果的R2提高0.069,RMSE降低0.041 m~2/m~2,NRMSE降低4.6%。说明利用条件约束优化的方法进行玉米冠层LAI的垂直分布反演,能有效提高反演精度。     

冬小麦叶片氮含量遥感估算方法对比研究

精确、快速估算冬小麦叶片氮含量,对冬小麦长势监测及田间管理指导具有重要的研究意义。为精确反演冬小麦叶片氮含量（leaf nitrogen content , LNC）,该文利用遥感方法,依托不同氮处理水平冬小麦试验,基于获取的高光谱遥感数据和LNC地面实测数据,对比分析光谱指数与随机森林算法（random forest , RF）反演冬小麦叶片氮含量的精度和稳健性。结果表明,以敏感波段496 nm、604 nm为自变量,利用随机森林算法构建的LNC回归模型精度较光谱指数法有了大幅提高,模型的建模精度为R2=0.922,RMSE=0.290,验证精度为R2=0.873,RMSE=0.397,并且相对分析误差RPD值为2.22,表明将敏感波段与随机森林算法组合构建的反演模型能较好反演对冬小麦LNC。     

基于物理模型与查找表策略的南繁水稻叶片叶绿素含量反演研究

[目的] 利用海南省中南部5市县采集的南繁水稻光谱、叶绿素等数据，研究物理模型与查找表策略对南繁水稻叶片叶绿素的反演，并对不同查找表进行比较分析。[方法] 文章先根据研究区调查与文献调研，利用辐射传输模型PROSAIL-PRO模拟2万条冠层光谱，分别构建波长400～1 000 nm区间的全波段查找表和双植被指数（Vegetation Index，VI）查找表，并使用实测的南繁水稻冠层光谱与叶绿素含量进行验证。其中，双VI查找表包括TCARI-OSAVI查找表、比值型植被指数（Ratio Vegetation Index，RVI）查找表和红边相对指数（Red Edge Relative Indices，RERI）查找表3种。[结果] （1）传统的全波段查找表反演叶片叶绿素含量的精度较差，R值为0.46，均方根误差（Root Mean Squared Error，RMSE）为8.84 μg/cm²，正规化均方根误差（Normalized Root Mean Squared Error，NRMSE）为 0.32。（2）双VI查找表反演结果较传统查找表更好，TCARI-OSAVI查找表的R值为0.55，RMSE为8.16 μg/cm²，NRMSE为0.29；RVI查找表的R值为0.70，RMSE为8.80 μg/cm²，NRMSE为0.32；RERI查找表的R值0.63，RMSE为10.53 μg/cm²，NRMSE为 0.38；其中TCARI-OSAVI查找表反演效果最好，RVI查找表与RERI查找表的反演都存在高估的现象；与前人关于冬小麦的叶片叶绿素反演研究相比，双VI查找表在南繁水稻的叶片叶绿素反演方面的NRMSE相对更高，尽管如此，与其他水稻叶绿素反演的研究相比，该文所用方法具有更高的可靠性与可迁移性。[结论] 双VI查找表相对于传统查找表具有一定的优势，在南繁水稻叶片叶绿素含量反演方面具备应用的潜能，然而该方法仍有一定的改进空间。     

基于遥感技术的不同施氮水平下小麦条锈病病情反演研究

为构建不同施氮条件下,小麦条锈病病情光谱反演模型,设置了在不同氮素水平条件下接种小麦条锈病,将菌情指数与植被指数、一阶微分参数进行回归分析,构建抽穗期、开花期、灌浆期、乳熟期共5个模型。为了评估施氮量对病情反演模型的影响,在模型中加入氮素因子,模型病情反演预测效果表明,抽穗期模型加入氮素因子后预测效果有所提高,抽穗期的模型1-1(R2=0.392 8,P=0.005 4)、1-2(R2=0.449 8,P=0.011 3)、2-2(R2=0.573 3,P=0.001 7)预测效果较好且较稳定,开花期、灌浆期、乳熟期模型预测效果不理想。本研究结果表明,可以利用植被指数、一阶微分参数较好反演抽穗期小麦条锈病病情,加入氮素因子后预测效果有所提高,说明氮素因子对病情反演有影响。     

生物炭对铜胁迫下红壤地油菜苗期叶绿素和保护性酶活性的影响

通过盆栽试验,研究了不同生物炭添加量(质量分数为0、2%、5%)对铜胁迫(300 mg·kg~(-1))下红壤地油菜(Brassica campestris L.)苗期叶绿素含量、抗氧化酶活性[超氧化物歧化酶(SOD)、过氧化氢酶(CAT)和过氧化物酶(POD)]、可溶性蛋白含量及丙二醛含量(MDA)的影响。结果表明:铜胁迫下油菜叶片的叶绿素a、b和总叶绿素含量均有所降低,SOD、CAT、POD、MDA及可溶性蛋白含量均增加;随着生物炭添加量的增加,油菜叶片的叶绿素a、b及总叶绿素含量呈上升趋势,油菜叶片的SOD、CAT、POD、MDA及可溶性蛋白含量则均呈一定的下降趋势。综合来看,施加生物炭有利于提高红壤地铜污染(300 mg·kg~(-1))中油菜苗期的叶绿素含量,减缓铜胁迫的毒害作用,从而有利于维持油菜正常生长。     

温室番茄营养生长期叶片蒸腾速率的模拟模型研究

建立节水条件下作物叶片的蒸腾速率模拟模型将为温室作物节水灌溉提供理论依据。本研究以温室盆栽番茄营养生长期叶片为研究对象,在温室内进行了不同定植期和水分处理试验。以光合速率光响应曲线模拟值为基础,建立了不同水分条件下的气孔导度模型以及基于气孔导度模型的Penman-Monteith叶片蒸腾速率模型,并采用不同播期试验下的试验数据对建立的模型进行检验。结果表明,气孔导度模型模拟番茄叶片气孔导度的均方根误差(RMSE)和相对回归估计标准误差(rRMSE)分别为0.0109mol/(m2·s)(H2O)和12.83%,叶片蒸腾速率模型的RMSE和rRMSE分别为0.18mmol/(m2·s)(H2O)和15.55%。建立的番茄叶片蒸腾速率模型实现了通过基本温室气象参数和土壤水分参数模拟叶片蒸腾速率,模拟精度较高,参数便于获取,是对短时间尺度蒸腾速率模拟研究的有益探索,具有一定的理论意义和良好的应用前景。     

亚热带地区水稻(Oryza sativa L.)气孔臭氧通量和产量的响应关系

基于开放式臭氧浓度升高O_3-FACE(Free-Air Concentration Elevation of O_3)实验平台,利用前期水稻O_3-FACE试验的基础数据,通过建立水稻产量与不同评价指标(累积气孔O_3吸收通量PODY和O_3浓度指标AOTX)的响应关系,比较了水稻产量损失与各评价指标的相关性差异,通过对暴露剂量、吸收通量相关参数取值与产量损失的观察和分析结果的比较,找出更为合理的农作物臭氧风险评估阈值。结果表明:随着通量阈值Y[0~11 nmol O_3·m~(-2)PLA·s~(-1)(PLA:projected leaf area,投影叶面积)]和暴露浓度阈值X(0~50 n L·L~(-1))的增加,回归分析R~2值逐渐增加,当Y为11 nmol O_3m~(-2)PLA·s~(-1)和X为50 n L·L~(-1)时,气孔臭氧吸收通量POD11和累积暴露剂量AOT50与水稻相对产量的相关性最大,当通量阈值Y为8~13 nmol O_3·m~(-2)PLA·s~(-1)和暴露阈值X为46~58 n L·L~(-1)时,可获得较高的R~2值取值范围,分别为0.70~0.75和0.70~0.745。参考文献发现,目前地表臭氧污染可能引起的水稻产量损失范围为5%~8%,对照圈中POD9~10和AOT40~45产量损失的预测值亦在这区间,但前者R~2值(0.73~0.74)明显高于后者R~2值(0.64~0.69),表明基于气孔臭氧通量的评价指标能更好地反映水稻产量的变化。通过进一步分析发现,当通量阈值Y为9 nmol O_3·m~(-2)PLA·s~(-1)时,能更准确地评估水稻产量损失,且其R~2值(0.73)高于通量指标POD6(0.57)。以上研究结果表明,通量指标POD9更适合评估亚热带地区O_3污染对水稻作物的影响。     

生物絮凝反应器处理水产养殖废水的中试研究

运用序批式生物絮凝反应器,研究不同混合液悬浮固体浓度(MLSS,1 500 mg/L、3 000 mg/L和5 000mg/L)下反应器对循环水养殖系统吉富罗非鱼(GIFT Oreochromis niloticus)养殖废水的处理效果。结果表明:反应器内氨氮(TAN)、亚硝氮(NO-2-N)和硝氮(NO-3-N)出水浓度分别为(0.29~0.39)mg/L、(0.005~0.006)mg/L、(7.11~7.60)mg/L,平均去除率分别为82.20%~86.20%、98.40%±0.89%、38.40%~40.00%(P0.05),体积去除负荷为(2.51~2.64)g/(m3·d)、0.56 g/(m3·d)、(8.52~9.78)g/(m3·d);溶解性无机氮(DIN)的去除率为43.20%~44.60%,体积去除负荷为(10.25~11.61)g/(m3·d)。三组絮体蛋白质含量差异不显著,分别为30.00%±1.32%、29.87%±0.67%、31.00%±0.75%;粗脂肪含量分别为9.51%±0.94%、4.37%±0.42%、3.65%±0.22%,MLSS 1500 mg/L组显著高于其他两组(P0.05)。微生物群落结构分析表明反应器中生物絮体主要为变形菌门(44.66%、44.51%、44.29%),其次是拟杆菌门(13.89%、13.98%、14.07%);优势菌属包括Alishewanella、Blastocatella、Amaricoccus、Rhodobacteraceae_unclassified、Terrimonas、Devosia等。实验表明中试生物絮凝反应器具有较好的脱氮效果,有助于实现养殖废水的资源化应用。     

小麦秸秆生物质炭对碱性土壤中油菜生长和镉吸收的影响

为探讨小麦秸秆生物质炭对镉（Cd）污染碱性土壤的修复效果,采用序批式吸附试验和Cd污染土壤盆栽试验,研究了小麦秸秆生物质炭施用（1%,m/m）对碱性土壤吸附Cd的影响,以及对Cd污染土壤中油菜生长和Cd吸收的影响。结果表明：Cd在生物质炭上的吸附等温线非线性较强,生物质炭对Cd的表面吸附起主导作用,Cd在生物质炭上的分配系数（K_d）是在土壤上的1.5~3.0倍。生物质炭施用可促进土壤对低浓度Cd的吸附,0.1 mg·L^-1平衡浓度下K_d值提高了19.5%;生物质炭施用可抑制土壤对高浓度Cd的吸附,在10 mg·L^-1条件下K_d值降低了37.2%。生物质炭施用对土壤pH值影响不显著,但缓解了Cd污染对油菜生长的抑制作用,油菜生物量最高提高了45.0%,也抑制了油菜对Cd的富集,油菜富集Cd的量最高降低了40.6%;CaCl₂、Mg（NO₃）₂、NH₄OAC、HCl、DTPA和BCR1作为提取剂提取出土壤中Cd的量与油菜地上部分吸收Cd的量相关性较强（线性回归方程决定系数R²> 0.8）,而Mg（NO₃）₂萃取出土壤中Cd的量更能预测油菜地上部分吸收Cd的量。研究表明,小麦秸秆生物质炭有利于降低碱性土壤中Cd的生物有效性,但并非通过提高土壤pH值和吸附能力来实现。     

“双季稻-冬闲田”生态系统碳交换动态变化及其影响因素

采用涡度相关技术对南方"双季稻-冬闲田"生态系统CO_2通量进行了一年的连续监测,分析了"双季稻-冬闲田"生态系统碳交换[净碳交换量(NEE)、总初级生产力(GPP)和生态系统总呼吸(Reco)]的动态变化及其影响因子。结果表明:南方"双季稻-冬闲田"生态系统NEE具有明显的日变化和季节变化,NEE月平均日变化在生长季表现为较明显的"U"型曲线,不同月份"U"型高度不同;NEE季节变化存在明显的两个吸收期(NEE为负)和三个排放期(NEE为正),NEE在早稻和晚稻的生长季有两个明显的碳吸收期,早稻平均值为-0.58 g C·m~(-2)·d~(-1),最大值出现在2015年6月20日,为-1.77 g C·m~(-2)·d~(-1),晚稻平均值为-1.28 g C·m~(-2),最大值出现在2015年9月19日,为-2.23 g C·m~(-2)·d~(-1);冬闲期存在两个碳排放期,平均值为2.68 g C·m~(-2)·d~(-1)。水稻种植期间白天的净碳交换受光合有效辐射的影响显著,夜间的净碳交换受5 cm土壤温度的显著影响,温度低时的冬闲期温度敏感性高于温度高时的双季稻种植期。全年的NEE总和表现为碳排放,达778.4 g C·m~(-2),GPP为1 643.7 g C·m~(-2),Reco为2 425.8 g C·m~(-2)。因此,南方"双季稻-冬闲田"生态系统有可观的固碳减排潜力。     

An entirely new approach based on remote sensing data to calculate the nitrogen nutrition index of winter wheat

The nitrogen nutrition index(NNI) is a reliable indicator for diagnosing crop nitrogen(N) status. However, there is currently no specific vegetation index for the NNI inversion across multiple growth periods. To overcome the limitations of the traditional direct NNI inversion method(NNI_(T1)) of the vegetation index and traditional indirect NNI inversion method(NNI_(T2)) by inverting intermediate variables including the aboveground dry biomass(AGB) and plant N concentration(PNC), this study proposed a new NNI remote sensing index(NNI_(RS)). A remote-sensing-based critical N dilution curve(Nc_(_RS)) was set up directly from two vegetation indices and then used to calculate NNI_(RS). Field data including AGB, PNC, and canopy hyperspectral data were collected over four growing seasons(2012–2013(Exp.1), 2013–2014(Exp. 2), 2014–2015(Exp. 3), 2015–2016(Exp. 4)) in Beijing, China. All experimental datasets were cross-validated to each of the NNI models(NNI_(T1), NNI_(T2) and NNI_(RS)). The results showed that:(1) the NNI_(RS) models were represented by the standardized leaf area index determining index(sLAIDI) and the red-edge chlorophyll index(CI_(red edge)) in the form of NNI_(RS)=CI_(red edge)/(a×sLAIDI~b), where "a" equals 2.06, 2.10, 2.08 and 2.02 and "b" equals 0.66, 0.73, 0.67 and 0.62 when the modeling set data came from Exp.1/2/4, Exp.1/2/3, Exp.1/3/4, and Exp.2/3/4, respectively;(2) the NNI_(RS) models achieved better performance than the other two NNI revised methods, and the ranges of R2 and RMSE were 0.50–0.82 and 0.12–0.14, respectively;(3) when the remaining data were used for verification, the NNI_(RS) models also showed good stability, with RMSE values of 0.09, 0.18, 0.13 and 0.10, respectively. Therefore, it is concluded that the NNI_(RS) method is promising for the remote assessment of crop N status.     

Nitrogen nutrition diagnosis for cotton under mulched drip irrigation using unmanned aerial vehicle multispectral images

Remote sensing has been increasingly used for precision nitrogen management to assess the plant nitrogen status in a spatial and real-time manner. The nitrogen nutrition index (NNI) can quantitatively describe the nitrogen status of crops. Nevertheless, the NNI diagnosis for cotton with unmanned aerial vehicle (UAV) multispectral images has not been evaluated yet. This study aimed to evaluate the performance of three machine learning models, i.e., support vector machine (SVM), back propagation neural network (BPNN), and extreme gradient boosting (XGB) for predicting canopy nitrogen weight and NNI of cotton over the whole growing season from UAV images. The results indicated that the models performed better when the top 15 vegetation indices were used as input variables based on their correlation ranking with nitrogen weight and NNI. The XGB model performed the best among the three models in predicting nitrogen weight. The prediction accuracy of nitrogen weight at the upper half-leaf level (R²=0.89, RMSE=0.68 g m^–2, RE=14.62% for calibration and R²=0.83, RMSE=1.08 g m^–2, RE=19.71% for validation) was much better than that at the all-leaf level (R²=0.73, RMSE=2.20 g m^–2, RE=26.70% for calibration and R²=0.70, RMSE=2.48 g m^–2, RE=31.49% for validation) and at the plant level (R²=0.66, RMSE=4.46 g m^–2, RE=30.96% for calibration and R²=0.63, RMSE=3.69 g m^–2, RE=24.81% for validation). Similarly, the XGB model (R²=0.65, RMSE=0.09, RE=8.59% for calibration and R²=0.63, RMSE=0.09, RE=8.87% for validation) also outperformed the SVM model (R²=0.62, RMSE=0.10, RE=7.92% for calibration and R²=0.60, RMSE=0.09, RE=8.03% for validation) and BPNN model (R²=0.64, RMSE=0.09, RE=9.24% for calibration and R²=0.62, RMSE=0.09, RE=8.38% for validation) in predicting NNI. The NNI predictive map generated from the optimal XGB model can intuitively diagnose the spatial distribution and dynamics of nitrogen nutrition in cotton fields, which can help farmers implement precise cotton nitrogen management in a timely and accurate manner.     

不同地面形式自然通风奶牛舍冬季温室气体和氨气排放量

研究不同地面形式对我国自然通风奶牛舍气体排放量的影响。选取河南省郑州市中荷奶牛培训中心2个典型的带有放牧场自然通风奶牛舍,牛舍地面分别为漏缝地板和实体地面,使用CO_2平衡法计算通风换气量,同时测试分析舍内冬季温室气体和NH_3的排放量。结果表明:1)采用改进的CO_2平衡法计算的自然通风牛舍通风量与奶牛的生产阶段有关;2)漏缝地板牛舍内CO_2、N_2O、NH_3和CH_4的质量浓度均显著高于实体地面牛舍(P0.05),2栋奶牛舍内CO_2和CH_4浓度存在一定的正相关关系(R~2=0.37～0.65);3)漏缝地板牛舍的NH_3和CH_4排放量显著高于实体地面牛舍(P0.05),其NH_3排放量分别为19.83和11.45 g/(HPU·d),CH_4排放量为117.22和32.66 g/(HPU·d)。漏缝地板牛舍的N_2O排放量和实体地面牛舍无显著差异,其排放量分别为0.12和0.11 g/(HPU·d);4)温度可以显著影响舍内NH_3排放量,舍内温度与氨气的排放量呈现正相关关系(R~2=0.76)。实体地面奶牛舍内温室气体和NH_3的浓度和排放量均低于漏缝地板奶牛舍,主要原因是实体地面的清粪次数明显高于漏缝地板。因此,漏缝地板牛舍需要增加粪坑中粪尿的清除次数,以此降低舍内有害气体的浓度和排放量。