基于水稻冠层高光谱的叶片SPAD值估算模型研究

为进一步提高水稻冠层光谱对叶片叶绿素相对含量(soil and plant analyzer development,SPAD)值的反演精度,利用光谱仪和叶绿素计实测了水稻全生育期的冠层高光谱反射率和SPAD值,并对原始光谱反射率及一阶导数光谱与叶片SPAD值进行了相关性分析;利用主成分分析(principle component analysis,PCA)对原始光谱数据进行降维,将得到的主成分作为输入变量,分别应用逐步多元线性回归分析法(stepwise multiple linear regression,SMLR)与支持向量回归(support vector regression,SVR)构建叶片SPAD值的高光谱估算模型;另分析322种冠层光谱参数与叶片SPAD值之间的相关关系,筛选相关系数高的14种特征参数作为输入变量,分别应用逐步回归与支持向量回归构建SPAD值的高光谱估算模型,并进行验证。结果表明,叶片SPAD值与水稻冠层原始光谱反射率的相关性在669 nm处高达-0.876,与一阶导数光谱的相关性在543 nm处最高达-0.834;不同模型的精度值各异,以特征参数为输入变量建立的逐步回归模型和SVR模型的均方根误差RMSEv分别为2.926、3.895,相对分析误差RPD分别为2.064、1.55。而基于主成分分析建立的逐步回归模型和SVR模型的RMSEv分别为3.349、2.631,RPD分别为1.803、2.295。对比发现主成分分析结合支持向量机模型可以很好地预测叶片SPAD值。     

密植减氮对三熟区不同肥力红壤稻田作物产量和耕层氮素的影响

2017-2018年在长江中游三熟制区(江西进贤)开展油菜—早稻—晚稻3季作物田间试验,初步探究了油稻稻秸秆还田下密植减氮对不同肥力红壤稻田作物产量和耕层氮素的影响,为三熟制区资源节约型与环境友好型生产技术发展提供参考。结果表明:在油稻稻三熟秸秆还田条件下,提高土壤肥力和增加种植密度能够促进油菜及双季水稻群体生长,显著提高作物产量。增密30%、减氮20%的密植减氮处理,可以满足油稻稻3季作物生育期内的氮素需求,保证作物正常生长,并明显提高氮肥利用率。总体而言,密植减氮栽培能够达到甚至略高于常规栽培的产量水平,尤其是在高肥力条件下。短期内的密植减氮栽培并不会造成耕层土壤全氮含量及库容量显著降低,但在低肥力条件下显著降低了耕层的碱解氮含量及库容量。     

水稻高光谱遥感监测研究综述

高光谱遥感技术凭借其可以快速、实时、准确、无损地获取水稻生长信息的优势,已经成为监测水稻生长状况的重要手段。本研究综述了高光谱遥感技术在水稻长势监测(包括叶绿素含量、叶面积指数和地上生物量)、产量估算、养分诊断(包括氮素、磷素和钾素)、数据处理与反演方法等领域的国内外研究进展,并针对目前的研究进行了展望,以期为水稻的精准管理提供参考。     

基于RBF组合模型的山地红壤有机质含量光谱估测

【目的】探讨组合模型在山地红壤有机质含量高光谱估算中应用的可行性,以期为土壤有机质含量估测提供基础数据和科学依据。【方法】基于山地红壤光谱的全波段(400~2 450 nm)研究范围,选择偏最小二乘回归(PLSR)、BP神经网络(BP)和支持向量机回归分析(SVMR)3种单一高光谱估测模型,分别获得预测结果,并重构预测结果数据,以绝对误差和最小为目标,计算固定权重与不固定权重两种组合模型的权重值,并基于径向基函数(RBF)神经网络法建立组合模型,探讨不同赋权方法与是否重构数据条件下的最优组合模型。通过均方根误差(RMSE)、预测偏差比(RPD)和决定系数(R2)评价山地红壤有机质含量的预测精度。【结果】单一预测模型中的SVMR估测精度最高,验证决定系数(R2)为0.64,均方根误差为9.76 g·kg-1,测定值标准差与标准预测误差的比值为1.67;在组合模型数据不重构的条件下,不定权组合模型要优于定权组合模型;在组合模型数据重构的条件下,定权组合模型要略优于不定权组合模型,估测精度相差不大;最优模型是数据重构定权组合模型,模型验证决定系数(R2)为0.87,均方根误差为7.91 g·kg-1,测定值标准差与标准预测误差的比值为2.06;组合模型验证精度优于单一模型,说明利用RBF组合模型估算山地红壤有机质含量是可行的。【结论】对山地红壤有机质含量的快速估测而言,单一模型具有操作简单、运算速度快等特点,因而具有较大应用价值,但组合模型能较大限度地利用各种预测样本信息,从而能有效减少应用单一模型时所受随机因素的影响,从而提高山地红壤有机质含量的估测精度。