小麦叶片氮含量与冠层反射光谱指数的定量关系

本文以3种蛋白质类型的小麦品种在不同施氮水平下的3年田间试验为基础，研究了小麦叶片氮含量与冠层反射光谱的定量关系。结果显示，不同试验中拔节后叶片氮含量均随施氮水平呈上升趋势，同时冠层光谱反射率在不同施氮水平下存在明显差异。对于低、中、高籽粒蛋白质含量的品种，叶片氮含量与冠层反射光谱的归一化植被指数NDVI (1 220, 710)和红边位置均有密切的定量关系，决定系数在0.80左右。对于不同品质类型小麦品种，均可利用统一的回归方程描述其叶片氮含量随反射光谱参数的变化，对于低蛋白类型品种，采用单独的回归系数即可提高叶片氮含量估测的准确性。本研究确立的小麦叶片氮含量与冠层反射光谱的定量关系可用于不同的小麦品种、生育时期和施氮水平，为小麦氮素营养的监测诊断与精确施肥等提供理论依据和技术途径。     

稻茬麦根系构型可视化与三向分型维研究

提出一种根系可视化分析方法用于定量稻茬田环境的小麦根系构型。使用根系构型数字化仪测试稻茬麦苗期根系构型,将所测数据导入Pro/E平台进行根系构型的3-D重构,然后对可视化根系进行3向平面投影,计算小麦根系在不同平面的分形维数与分形丰度。结果表明,该方法可以真实反映出田间稻茬麦根系构型的动态变化状况,而根系分形维数与分形丰度随时间逐步递增,正视图面的分形维数和分形丰度总大于左视图面。从播后第98天开始,俯视图面的根系构型分形维数与分形丰度出现突增。在3个投影面上稻茬麦根系的分形维数与分形丰度都高度相关,二者与根总长也存在一定的相关关系。     

作物管理知识模型系统设计与开发框架研究

在提炼小麦栽培管理知识模型框架的基础上，通过综合不同作物管理知识模型系统的共性及软件设计与开发的特点，初步确立了作物管理知识模型系统的通用设计与开发框架，包括系统总体结构框架、软构件的基本标准、开发平台框架及系统应用框架等。其中，开发平台框架包括系统开发平台的结构和功能、模型库管理系统的功能设置和模型库管理系统的框架及构件；系统应用框架包括系统应用框架结构、应用系统开发框架、应用系统功能框架及构件、应用系统功能构件的输入输出接口框架及应用系统自定义构件中的通用算法函数框架等。研究结果对于提高作物管理知识模     

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。     

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。     

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。     

水稻叶片氮含量与荧光参数的关系

在3个供氮水平和2个水稻品种(华粳2号和武香粳9号）的田间试验条件下,测试分析了不同处理水稻顶部4张完全展开叶片氮含量及对应的荧光参数。不同供氮水平的水稻叶片氮含量和荧光参数差异明显,均随施氮量的增加呈上升趋势。叶片荧光参数随生育期推迟呈抛物线型变化,以抽穗期为界先上升后下降,直到成熟期降为最低。叶片荧光参数随不同叶位的变化规律为：顶1叶>顶2叶>顶3叶>顶4叶。同一水稻品种各叶位叶片氮含量分别与荧光参数呈极显著相关,且华粳2号的相关性高于武香粳9号。综合水稻品种的不同叶位,叶片氮含量与荧光参数ΦPSⅡ、qP均呈良好的线性相关。基于ΦPSⅡ和qP宜采用不同的回归方程来反演不同叶位叶片氮含量。因此,荧光参数ΦPSⅡ和qP有可能用来估算水稻叶片氮含量。     

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。