便携式作物生长监测诊断仪的设计与试验

为了解决当前作物生长信息实时、快速、无损测量手段瓶颈问题,研发了一种基于多光谱传感器的便携式作物生长监测诊断仪。该仪器由多光谱传感器系统、处理器系统及附属机构组成,能实时无损地获取作物叶层氮含量、叶层氮积累量、叶面积指数、生物量等主要生长指标。对水稻的试验结果表明,便携式作物生长监测诊断仪测得的DVI值与水稻叶层氮含量、氮积累量、叶面积指数、叶干重的决定系数R2分别为0.711,0.8231,0.7698,0.7212。该仪器结构简单,集成度高,性价比好,携带方便,易于田间操作。     

基于临界氮浓度稀释曲线的小麦氮肥需求量估测研究

为探究基于临界氮浓度稀释曲线估测小麦氮素需求量的可行性,基于不同生态区开展的不同品种及氮肥水平的小麦试验,结合小麦临界氮浓度曲线(N_c=4.16W~(-0.41)),构建了拔节期、孕穗期、抽穗期和开花期四个关键生育时期下,小麦氮营养指数(NNI)、氮素需求量(NR)及相对产量(RY)三者间的关系模型,并进行了验证。结果表明,在江苏地区,当总施氮量在120～180kg·hm~(-2)时,小麦的氮素需求量最接近于0,氮营养指数最接近于1,为最优的氮素施用量。氮营养指数与氮素需求量(NNI-NR)在小麦生长的各关键阶段存在极强的线性关系(R~2=0.93～0.97);相对产量与氮营养指数(RY-NNI)在各生育时期呈现线性加平台关系,在开花期表现最好,R~2=0.86;相对产量与氮素需求量(RY-NR)的拟合关系在抽穗期表现最好,R~2值为0.72。NNI-NR验证结果与建模结果一致,即在各时期均表现良好,其中拔节期相关关系最强;但RY-NNI和RY-NR验证结果显示两模型分别在开花期和抽穗期预测效果表现最佳。综上,所构建的NNI-NR、RY-NNI和RY-NR三种模型均具有良好的拟合优度和稳定性,运用基于临界氮浓度曲线的小麦氮营养指数和确立的相对产量水平,可以较好地估测当季的小麦氮素需求量,并进行小麦田间氮素精确管理。     

基于消费级无人机搭载数码相机监测小麦长势状况研究

[目的]本文旨在探究消费级无人机搭载数码相机更好地用于小麦长势快速监测。[方法]于2015—2017年开展涉及2个小麦品种和4个施氮水平处理的田间小区试验,在小麦关键生育期采用大疆精灵3专业版无人机自带的数码相机获取试验区数码影像,并提取6种颜色指数,同步取样并测定叶面积指数、叶片干物质量及叶片氮积累量等小麦长势信息,在小麦抽穗前、后及全生育期分别运用指数函数和随机森林算法定量分析长势信息与颜色指数的关系。[结果]在小麦各生长阶段,指数函数模型表现较好,可见光大气阻抗指数(visible atmospherically resistant index,VARI)、超红指数(excess red index,ExR)和归一化绿减红差值指数(normalized green minus red difference index,NGRDI)与叶面积指数、叶片干物质量和叶片氮积累量的相关性均表现较好,继而分别建立了基于VARI、ExR和NGRDI的叶面积指数(R~2=0.71～0.82)、叶片干物质量(R~2=0.42～0.71)和叶片氮积累量(R~2=0.52～0.76)的指数函数监测模型。独立试验数据的检验结果表明:在抽穗前及全生育期,ExR(R~2=0.45～0.70和0.42～0.62)监测模型估测的叶面积指数、叶片干物质量和叶片氮积累量与实测值拟合性更好,在抽穗后期,VARI(R~2=0.68～0.72)监测模型估测效果更好。[结论]结合小麦各生长阶段指数函数监测模型,利用无人机搭载数码相机可以快速无损监测小麦长势状况。     

基于LISS4数据的小麦氮素营养状况反演研究

利用LISS4卫星遥感数据在小麦氮素营养状况监测方面进行了初步研究。根据搭载多光谱传感器LISS4的IRS-P6的过境周期,2006年5月3日在江苏省盐城地区进行同步地面取样测试,通过分析试验点小麦LISS4影像光谱信息与小麦叶面积指数及叶片氮含量的相关关系,发现小麦叶面积指数和叶片氮含量与LISS4影像三个波段反射率及植被指数RVI、NDVI、GNDVI均密切相关,表明利用LISS4遥感影像监测小麦氮素营养状况是可行的。比较不同波段原始反射率和植被指数,在本研究中LISS4影像波段4反射率与小麦氮素营养状况相关最密切。检验结果也表明利用LISS4影像波段4反射率估测小麦氮素营养状况是可行的。研究成果为利用遥感技术大面积监测小麦氮素营养状况和实施精确栽培管理提供了理论依据。     

基于上部叶片SPAD值估算小麦氮营养指数

快速、准确的监测诊断小麦氮营养状态对于评价小麦长势、指导氮肥运筹并预测籽粒产量均具有重要的意义.基于2009-2011年的大田试验,系统分析了小麦上部4张单叶不同叶位的SPAD值和归一化SPAD指数(NDSPADij)与氮营养指数的定量关系,通过简单分组线性回归筛选出在不同年际和不同品种间表现稳定的氮营养指数(NNI)定量方程.结果表明,小麦上部不同叶位SPAD值和NNI随施氮量提高而提高,而NDSPADij随施氮量的提高而降低.小麦单叶SPAD值与NNI的关系呈显著正相关,但这种关系在品种或年份之间不稳定,对小麦氮素诊断存在风险;除NDSPAD12外,NDSPADij与NNI之间呈显著负相关,经简单分组线性分析发现NDSPAD14与NNI之间在年份和品种之间表现最稳定,能够较好的定量估算氮营养指数,从而快速诊断小麦氮素是否亏缺.     

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。     

耕地细碎化条件的机械化特征 ——小型收割机的田间作业行为调查

南方丘陵山地农业具有耕地细碎化的典型特征,土地细碎化条件下的紧凑型种植模式是普遍现象,细碎化耕地条件的机械化依靠小型作业机械。为描述作业机械在细碎化耕地条件下的行为特征,田间调查发现,快速进退、频繁转向、循边收获、移动困难等是细碎化耕地条件机械化田间作业的显著特点。小型收割机在南方的普遍应用状况表明丘陵山地作业机械的性能评价需要以土地适应性为主导的评价指标。     

基于高光谱遥感的小麦叶片糖氮比监测

 【目的】碳氮代谢反映植株生理状况和生长活力,是小麦籽粒产量与品质形成的生理基础,因而叶片糖氮比的实时无损监测对小麦生长诊断和氮素管理具有重要意义。本研究的主要目的是通过分析小麦叶片糖氮比与冠层高光谱参数的定量关系,确立小麦叶片糖氮比的定量监测模型。【方法】采用不同蛋白质含量的小麦品种在不同施氮水平下进行了连续3年大田试验,于小麦不同生育期采集田间冠层高光谱数据并测定叶片糖氮比值,进而分析建立冠层高光谱参数与叶片糖氮比的回归模型。【结果】小麦叶片糖氮比随施氮水平的提高而下降,随生育进程呈“高-低-高”动态变化模式。利用高光谱对叶片糖氮比进行监测的适宜时期为拔节期至灌浆中期,其中开花期最好。水分特征参数FWBI和Area980与叶片糖氮比关系密切,指数方程拟合决定系数（R2）分别为0.762和0.768,估计标准误差（SE）分别为1.27和1.28。色素特征参数（R750-800/R695-740）-1和VOG2为变量,指数方程拟合决定系数（R2）分别为0.718和0.712,估计标准误差SE分别为1.87和1.95。经不同年际独立试验数据的检验表明,以参数FWBI、Area1190、（R750-800/R695-740）-1和VOG2参数为变量建立的叶片糖氮比监测模型表现很好,预测精度R2分别为0.627、0.618、0.691和0.795,预测相对误差RE分别为19.2%、18.7%、17.9%和18.3%。【结论】与色素指数和水分指数相关的特征光谱参数可以有效地评价小麦叶片糖氮比的变化状况,利用FWBI、Area1190、（R750-800/R695-740）-1和VOG2 4个参数可以对生长盛期的小麦叶片糖氮比进行可靠的监测。     

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。     

一种新的估算水稻上部叶片蛋白氮含量的植被指数

 【目的】阐明水稻顶部4张叶片蛋白氮含量和反射光谱特征的变化规律及其相互关系,建立快速、准确诊断水稻功能叶片蛋白氮含量的方法。【方法】通过3年不同施氮水平和不同品种类型的大田试验,分生育期同步测定顶部4张叶片的光谱反射率及蛋白氮含量,系统分析叶片蛋白氮含量与多种高光谱参数的定量关系。【结果】水稻叶片蛋白氮含量和光谱反射率在不同施氮水平、不同生育期及不同叶位间均存在明显差异,叶片蛋白氮含量的敏感波段主要存在于可见光绿光区530～580 nm及红边区域695～715 nm,其中红边区域表现最为显著。红边区域700 nm附近波段与近红外短波段的比值组合(SRs)可以有效地估算水稻上部功能叶片的蛋白氮含量,其次是绿光区587 nm左右的波段与近红外短波段的比值组合。基于新提出的SR（770,700）及已报道的GM-2、SR705、RI-half光谱指数,线性回归模型的拟合精度（R2）分别达到 0.874,0.873,0.871和0.867。经独立资料的检验表明,这些回归模型可以实时监测叶片蛋白氮含量变化,预测精度R2分别为0.810、0.806、0.804和0.800,相对误差RE 分别为12.1%、12.4%、12.6%和12.9%。【结论】可以利用关键特征光谱指数来诊断水稻上部叶片的蛋白氮含量状况,尤以SR（770,700）、GM-2、SR705和RI-half表现为较强的估测能力。