日本水稻氮素营养诊断简介

日本SPAD—501型叶绿素计系日本农林水产省农蚕园艺局农产科土壤、作物分析仪器开发事业机构(简称SPAD)协同美能达照象机公司开发而得的新产品。据黑龙江省农业科学院水稻研究所引用结果,该叶绿素计体积小(70×212.3×37毫米)、重量轻(350克)、携带方便,测定方法简单,所得数据精确,适于各种作物及林木氮素营养诊断,尤其适于水稻,是看苗施肥实行科学种田的得力助手。可供科研、生产单位广泛应用。     

基于无人机遥感可见光参数的水稻氮素营养诊断

氮素是决定水稻产量的重要因素之一,传统水稻氮素的诊断耗时费力且对作物的损害较大,确定无人机遥感水稻氮素营养诊断的最佳可见光参数,对水稻氮素的快速诊断具有良好的实用价值.该研究在安徽省怀远县试验基地,设置5个施氮水平,先后2次进行无人机采样,计算出10个可见光参数,并分析可见光参数与水稻含氮量之间的关系,结合相关系数与变异系数的大小筛选出诊断水稻氮素的最佳可见光参数.结果表明,参数B、G/(R+G+B)、G/B、RGBV1与作物含氮量的相关性较强,其中参数G/(R+G+B)可作为无人机为遥感水稻氮素诊断的最佳可见光参数.通过回归分析得到y(含氮量)与x(绿光化标准值)之间的回归方程y=0.0017x2-0.0074x+0.7201,R2=0.9825.     

基于卷积神经网络的水稻氮素营养诊断

为了快速、准确诊断和识别水稻氮素胁迫程度,对水稻进行大田栽培试验。以超级水稻‘两优培九’为试验对象,设置0、210、300和390 kg·hm^-2共4个施氮水平处理,通过扫描采集幼穗分化期和齐穗期水稻顶1、顶2、顶3叶图像,在卷积神经网络(convolutional neural network,CNN)ResNet34的每个残差块中加入SE block(squeeze-and-excitation block)模块,并将在图像数据集ImageNet(ImageNet large scale visual recognition challenge)上训练得到的权重参数迁移到水稻氮素营养诊断的识别模型中,ResNet34的特征提取层保持原结构,模型结尾的池化层替换为全局平均池化层,利用改进后的网络对水稻图像进行特征提取,训练得到最优的权重参数。结果表明,改进后的网络对水稻幼穗分化期的模型测试准确率达到98.13%,齐穗期的准确率达到99.46%,且模型的收敛速度更快,相比于改进前的网络准确率均提升了7%以上。以上结果表明,通过在ResNet34残差块中加入SE b...     

水稻叶色分布特点与氮素营养诊断

 选用叶色不同的粳稻和籼稻品种 ,测定了植株不同含氮水平下主茎各叶的叶色和氮含量。发现顶 4叶在稻株氮素营养丰缺演变过程中表现较活跃 ,植株含氮量较低时 ,顶 4叶的叶色和氮含量明显低于上部各叶 ;随植株含氮量提高 ,顶 4叶的叶色和氮含量迅速提高 ,与其上位各叶的差距缩小。顶 4叶是反映水稻氮素营养状况的理想指示叶。同时还发现顶 4叶与顶 3叶的叶色差与稻株含氮量关系密切 ,且不受品种和生育进程影响 ,因此 ,用顶 4叶与顶 3叶的叶色差诊断水稻氮素营养状况具有普适性。研究提出在有效分蘖临界叶龄期、倒 2叶出生期和抽穗期顶 4叶与顶 3叶叶色相近为高产水稻的标志 ,粳稻植株含氮量 2 7g·kg-1DW和籼稻植株含氮量 2 5g·kg-1DW可作为水稻氮素丰缺的临界指标。     

基于自适应特征融合的水稻氮素营养诊断

为了快速准确地对水稻进行氮素营养诊断,提出一种基于自适应特征融合的水稻氮素营养诊断方法。该方法通过对杂交稻两优培九进行田间试验,设置4组不同的氮肥梯度(施氮量分别为0、210、300、390 kg/hm²),扫描获取水稻叶片图像并进行数据预处理,构建基于自适应特征融合的水稻氮素营养诊断模型ResNet34-AFF-SE。使用构建的ResNet34-AFF-SE模型对水稻叶片进行氮素营养诊断,结果表明,在水稻生长的幼穗分化期、齐穗期,ResNet34-AFF-SE的识别准确率为97.5%、97.2%,模型大小为87.9 MB。ResNet34-AFF-SE模型在准确率和训练时间上优于AlexNet、VGG16、MobilNet v3-small等网络模型。基于自适应特征融合的水稻氮素营养诊断方法所建立的ResNet34-AFF-SE模型具有较高的识别准确率,可以精准地识别水稻叶片的氮素营养状况,为水稻作物的氮素营养诊断提供了新的思路。     

利用叶绿素计诊断水稻氮素营养的研究

以2个叶色不同的晚熟粳稻品种为试验材料,测定了4个氮肥水平下水稻分蘖盛期和抽穗期主茎顶部3张叶片的叶色SPAD值以及叶片氮含量.结果表明:2个水稻品种顶3叶SPAD值在不同氮肥水平下变化最大,不受品种的影响,并且与水稻总叶片含氮量及植株含氮量呈极显著的相关性.因此,通过测定水稻顶3叶的SPAD值可以诊断水稻的氮素营养状况.     

基于改进的VGG16网络和迁移学习的水稻氮素营养诊断

为实现水稻氮素营养的快速、准确识别,采用改进的VGG 16网络和迁移学习相结合的水稻氮素营养诊断识别方法,以杂交稻‘两优培九’为试验对象进行田间试验,设置4组不同的施氮水平(施氮量分别为0、210、300和390 kg/hm²),在水稻幼穗分化期和齐穗期,扫描获取水稻叶片图像数据;通过图像预处理方法,对数据进行扩充;构建改进的VGG16和迁移学习相结合的网络模型对水稻叶片图像数据进行氮素营养诊断识别。结果表明：1)在幼穗分化期时,改进的VGG16网络的识别准确率为93.1%,模型大小约为迁移学习VGG16模型的1/6,训练时间约为1 261 s。2)在水稻幼穗分化期和齐穗期,该模型微调后的识别准确率均能达到95%以上。基于迁移学习和改进的VGG16网络所建立的水稻氮素营养诊断模型具有较好的泛化能力,可以预测水稻氮素营养状况,为水稻氮素营养诊断提供参考。     

基于高光谱的水稻叶片氮素营养诊断研究

为快速、准确地实现水稻氮素营养诊断,以中嘉早17水稻为试验对象,设置4种施氮水平的水稻栽培试验,利用便携式地物波谱仪获取240组水稻分蘖期顶三叶在350~2 500 nm的光谱数据。随机将样本划分为训练集(160个样本)和测试集(80个样本)。首先,通过多元散射校正(MSC)、变量标准化校正(SNV)、平滑算法(SG)3种方法分别对原始光谱进行预处理;然后,采用主成分分析(PCA)和连续投影算法(SPA)对预处理后的光谱进行特征降维,选取累积贡献率超过99.98%的前24个主成分作为模型的输入变量,对于经过MSC、SNV和SG处理后的光谱数据,还分别筛选出12、15、19个特征波长;最后,应用支持向量机(SVM)基于上述处理分别建立水稻氮素营养诊断模型。结果表明,采用MSC-PCA-SVM模型进行水稻氮素营养诊断的识别准确率最高,其在训练集和预测集上的准确率分别达99.38%和97.50%。     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断,为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’,设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期,扫描获取水稻顶部第三完全展开叶图像,并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征,采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理,并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好,模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%,测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力,能够很好地识别出水稻氮素营养的缺失,表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

水稻氮素营养诊断方法研究进展

分析比较3种水稻氮素营养诊断方法:形态诊断法、化学诊断法和无损氮素营养诊断法,并提出了它们今后的发展方向。     

Effects of nitrogen nutrition on the spectral reflectance characteristics of rice leaf and canopy

遥感技术使大面积监测植物长势及估测化学组成有了可能,高分辩力地物光谱仪应用于简单、快速、非破坏性地估测植物冠层化学组成的前景正引起越来越多的关注．本文通过田间试验及室内分析研究了氮肥水平对水稻叶片及冠层反射光谱特性的影响,氮素营养对从可见光至近红外较大范围水稻反射光谱特性有较大影响,随着氮素营养水平的提高,叶片及冠层可见光波段的光谱反射率下降,而近红外波段则增加,经两样本ｔ检验统计分析,在５４０,６８０ｎｍ和７４０～１０７０ｎｍ波段处对氮素营养水平最为敏感,而且各氮营养水平之间的反射率呈显著或极显著的差异．水稻叶片氮含量与冠层和叶片光谱变量呈极显著或显著的相关性,这表明利用光谱测试简单、快速、非破坏性地估测水稻氮素营养水平是可行的．     

水稻叶片SPAD值分布特征及其与施氮量的关系

[目的]探明水稻叶片SPAD值分布特征及其与施氮量的关系,为构建基于SPAD值的水稻施氮管理线性模型提供参考依据.[方法]试验采用裂区设计,主处理设2个不同品种(Q优6号和准两优527),副处理设6种不同施氮量水平(0、75、150、225、300和375 kg/ha,以纯N计),测定不同施氮水平下水稻重要生育时期的叶片SPAD值,并分析稻叶SPAD值分布特征及其与施氮量的关系.[结果]Q优6号在不同施氮处理下的产量排序为300 kg/ha>225 kg/ha> 150kg/ha>375 kg/ha>75 kg/ha>0 kg/ha,准两优527产量随施氮量的增加而增加;准两优527的有效穗数和千粒重显著高于Q优6号.两个水稻品种不同施氮水平间SPAD值的动态变化趋势相似,但SPAD值最高值出现的时间和幅度略有差别.两个水稻品种SPAD值与施氮量在拔节期、抽穗期和成熟期均呈极显著正相关(P<0.01),拟合方程斜率均较低.不同测定时期SPAD值存在品种间和叶位间的差异.各SPAD值次级指标与施氮量的一元二次多项式拟合结果表明,下部叶片SPAD值(L3和L4)与施氮量的曲线拟合度高于上部叶片SPAD值(L1和L2),两次追肥时期的SPADL4X3/mean值可作为氮素营养实时诊断的理想指标.[结论]水稻叶片SPADL4xL3/mean与施氮量具有较好的拟合关系,且这一关系不受时间和品种的影响,可作为构建基于SPAD值水稻变量施氮模型时的理想参数.     

水稻叶片反射光谱诊断氮素营养敏感波段的研究

田间小区试验叶色差异明显而生育期相似的两品种第一和第三完全展开叶片光谱反射率与氮素营养相关性分析表明,不同品种同一叶位之间这种相关性变化规律一致,然而在不同叶位之间相关性变化不尽一致.进一步对比分析大田区域试验和小区试验叶片光谱反射率与氮素营养相关性发现两区域样本相同叶位之间相关性变化规律相同.分析第一、三完全展开叶叶片光谱反射率处理之间差异显著性表明,存在差异显著的波段范围主要集中在绿光(525～605 nm)、黄光(605～655 nm)和短波近红外光(750～1100nm)范围内.和叶片氮素含量之间相关性最大的波段主要为绿光(525～605 nm)和黄光(605～655 nm)范围,而短波近红外光范围与叶片氮素含量之间相关性最小.因此和IKONOS2、IKONOS4、MSS4、MSS6、MSS7、SPOT1、SPOT3、TM2、TM4、AVHRRCH1、AVHRRCH2相对应的绿光(525～605 nm)、黄光(605～655 nm)和短波近红外光(750～1100nm)是叶片反射光谱诊断氮素营养的敏感波段范围.     

不同氮素水平下水稻叶片及相邻叶位SPAD值变化特征

通过大田试验,研究在3种不同施肥方案和6个施氮水平下,水稻植株整个生长周期SPAD值的变化情况以及水稻分蘖、孕穗和抽穗3个重要时期主茎顶1叶至顶4叶的SPAD值分布变化特征。结果表明:水稻整个生长期叶色呈现"黑黄"交替的变化规律,而主茎顶4叶对氮素供应盈缺的反应最为敏感,可作为反映水稻N素营养状况的理想指示叶;对水稻主茎上各个相邻叶位的SPAD差值与施氮水平之间的相关性比较发现,顶4叶和顶3叶的SPAD差值(SPADL4-L3)与施氮水平之间存在明显的相关性,随着施氮水平的提高,顶4叶与顶3叶间的SPAD值差异逐渐缩小,且这一结果不受施肥条件和水稻生长时期的影响,因此,也可以利用SPADL4-L3值作为水稻整个生育期N素营养状况实时诊断的指标。     

叶绿素计SPAD-502在水稻氮素营养诊断中的应用

基于水稻氮素营养及氮肥诊断的意义 ,在比较了几种氮素营养诊断方法的利弊之后 ,重点阐述叶绿素计的工作原理和作为氮素营养诊断工具的优缺点以及研究进展。并对叶绿素计诊断水稻氮素营养可能的发展前景进行了阐述。     

基于RGB颜色空间的早稻氮素营养监测研究

针对双季稻区水稻过量施肥带来环境污染和成本提高问题,设计不同品种氮肥梯度大田试验,应用数码相机获取早稻冠层数字图像,研究不同色彩参数及早稻氮素营养指标的时空变化特征,以期确立双季早稻氮素营养预测模型。结果表明:不同品种同一氮肥处理下图像色彩参数差异不大;拔节期数字图像参数对氮素营养指标敏感;模型构建结果显示,图像参数INT与水稻氮素营养指标构建的模型决定系数(R2)最大,模型预测效果最佳,R2分别为0.895 7和0.924 7;进一步采用多元回归分析和BP神经网络分析法进行预测,预测效果均较好。对预测结果进行检验,发现品种对于模型的构建影响不大,以BP神经网络分析法构建的叶片氮浓度(LNC)模型和以INT为敏感色彩参数构建的叶片氮积累量(LNA)回归模型效果最优,而多元回归分析方法则效果不佳。早稻冠层RGB颜色空间敏感参数与氮素营养指标间相关性较好,可以实现氮素营养的无损监测诊断。     

基于数字图像技术的黄瓜缺氮营养诊断

以节节瓜和日本小黄瓜2个品种为试验对象,设计田间不同氮肥处理试验研究数字图像技术对于黄瓜缺氮无损诊断的可行性。每隔3d利用数码相机和叶绿素仪获取固定叶位的叶片图像和叶绿素测量(SPAD)值,利用图像处理技术获取叶片的颜色特征参数,分析这些参数和SPAD值之间的相关性,并建立回归方程。结果表明,红光标准化值(NRI)、色调(H)、深绿色指数(DGCI)和SPAD值之间存在良好的线性关系,其决定系数分别为0.86、0.70和0.65。利用数码相机和数字图像技术进行黄瓜氮素营养状况诊断具有快速、无损、易于操作的特点,易于在生产实际应用中推广。     

基于LBPHSV+ResNet50融合的水稻冠层氮素营养监测方法

为采用数码相机拍摄的水稻冠层图像来估测作物的氮素含量。以自然环境下获得的水稻冠层图像为研究对象,提出一种基于图像纹理色彩特征(LBPHSV)和ResNet50网络融合算法的氮素含量预测方法。LBPHSV+ResNet50融合算法是通过运用LBP算子和HSV颜色空间矩阵提取图像特征参数,将提取到的融合特征集作为ResNet50模型输入以加强对作物氮素营养的表征,并将预测结果与常用的多元线性回归、随机森林(RF)、支持向量回归模型、多层感知机、卷积神经网络、长短记忆网络(LSTM)及组合模型预测结果进行对比分析。结果显示:相比于浅层机器学习模型,深度学习算法能显著提高预测模型的准确率;LBPHSV+ResNet50融合模型的预测能力和泛化能力达到最优,R²和 RMSE分别为 0.97、0.02。相比于RF、LBP+LSTM、ResNet50,新模型的R²分别提升了16.36%、9.72%、16.55%和1.13%,RMSE 分别下降了 0.35、0.46、0.05和 0.002。因此,LBPHSV+ResNet50融合模型在预测水稻氮素含量时可提供令人满意的性能,能够满足对水稻氮素营养无损精准监测的农业需求。     

水稻氮素营养水平与光谱特性的关系

用土培方法培养出5个不同氮素营养水平的早稻,测定了不同生育期单张叶片的光谱曲线,对盆栽水稻群体进行了多光谱摄影及彩色红外摄影。对叶片氮素营养水平与光谱特性的关系进行了分析,结果表明:缺氮处理及正常氮水平处理的早稻单张叶片的光谱特征明显不同,运用适宜的光谱分类统计量,可以对早稻的氮素水平进行光谱分类,ND和RVI等植被指数与稻叶含氮量之间有良好的相关性。对影象进行目视解译及图象处理,发现用蓝、绿、红波段的多光谱影象解译早稻的氮素营养状态的效果不佳,而用彩色红外影象解译则效果较好。     

Leaf area index based nitrogen diagnosis in irrigated lowland rice

Leaf area index(LAI)is used for crop growth monitoring in agronomic research,and is promising to diagnose the nitrogen(N)status of crops.This study was conducted to develop appropriate LAI-based N diagnostic models in irrigated lowland rice.Four field experiments were carried out in Jiangsu Province of East China from 2009 to 2014.Different N application rates and plant densities were used to generate contrasting conditions of N availability or population densities in rice.LAI was determined by LI-3000,and estimated indirectly by LAI-2000 during vegetative growth period.Group and individual plant characters(e.g.,tiller number(TN)and plant height(H))were investigated simultaneously.Two N indicators of plant N accumulation(NA)and N nutrition index(NNI)were measured as well.A calibration equation(LAI=1.7787LAI_(2000)–0.8816,R~2=0.870~(**))was developed for LAI-2000.The linear regression analysis showed a significant relationship between NA and actual LAI(R~2=0.863~(**)).For the NNI,the relative LAI(R~2=0.808~(**))was a relatively unbiased variable in the regression than the LAI(R~2=0.33~(**)).The results were used to formulate two LAI-based N diagnostic models for irrigated lowland rice(NA=29.778LAI–5.9397;NNI=0.7705RLAI+0.2764).Finally,a simple LAI deterministic model was developed to estimate the actual LAI using the characters of TN and H(LAI=–0.3375(TH×H×0.01)~2+3.665(TH×H×0.01)–1.8249,R~2=0.875~(**)).With these models,the N status of rice can be diagnosed conveniently in the field.