基于卫星光谱尺度反射率的冬小麦生物量估算

为探索基于光学卫星遥感数据的冬小麦地上生物量估算方法,本研究通过3年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平下的地上生物量以及对应的近地冠层高光谱反射率数据。通过将高光谱数据重采样为具有红边波段的RapidEye、Sentinel-2和WorldView-2卫星波段反射率数据,构建任意两波段归一化植被指数。同时,将卫星波段反射率数据与6种机器学习和深度学习算法相结合,构建冬小麦生物量估算模型。研究结果表明：任意两波段构建的最佳植被指数在冬小麦开花期对生物量的敏感性最强（决定系数R2为0.50～0.56）。在不同施氮水平条件下,高施氮水平增强了植被指数对生物量的敏感性。Sentinel-2波段数据所构建的植被指数优于其他两颗卫星波段数据。对6种机器学习和深度学习算法,总的来说,基于深度神经网络（Deep Neural Networks,DNN）算法所构建的模型要优于其他算法。在单一生育期中,在拔节期（R2为0.69～0.78,归一化均方根误差为26%～31%）和开花期（R2为0.69～0.70,归一化均方根误差为24%～25%）的估算精度最高。Sentinel-2波段数据与DNN算法结合的估算精度最高,在全生育期中预测精度R2为0.70。施氮水平的提高同样增强了DNN模型的估算精度,3颗卫星波段数据在300 kg/hm2施氮条件下的预测精度R2都在0.71以上,均方根误差小于219 g/m2。研究结果揭示了光学卫星遥感数据在不同生育期和施氮条件下估算冬小麦生物量的潜力。     

冬小麦鲜生物量估算敏感波段中心及波宽优选

开展高光谱作物生物量估算敏感波段中心和最优波段宽度筛选对提高作物生物量估算精度具有重要意义。该文以冬小麦为研究对象,利用小麦关键生育期内350～1000 nm 冠层高光谱数据和实测地上鲜生物量,研究任意两波段构建的窄波段归一化植被指数 N-NDVI（narrow band normalized difference vegetation index）与冬小麦地上鲜生物量间的相关关系,构建拟合精度 R2二维图,并以 R2极大值区域重心作为高光谱估算鲜生物量敏感波段中心。通过对敏感波段中心进行波段扩展和相应生物量估算验证,最终确定敏感波段最佳波段宽度。在此基础上,开展基于敏感波段最优波段宽度下冬小麦地上鲜生物量估算和精度验证。结果表明,在 N-NDVI 与冬小麦鲜生物量间拟合 R2≥0.65的二维区域内,确定了401 nm/692 nm、579 nm/698 nm、732 nm/773 nm、725 nm/860 nm、727 nm/977 nm 5个鲜生物量估算的高光谱敏感波段中心;在高光谱估算生物量归一化均方根误差 NRMSE≤10%、相对误差 RE≤10%条件下,上述5个敏感波段中心的最优波段宽度分别为±21 nm、±5 nm、±51 nm、±40 nm 和±23 nm。通过与实测鲜生物量数据对比,利用上述敏感波段中心最优波段宽度进行作物生物量估算,精度在 P<0.01水平上均达到极显著水平,且 RE、NRMSE 分别在8.15%～9.14%、8.69%～9.65%范围内。可见,利用作物冠层高光谱进行冬小麦地上鲜生物量估算时,N-NDVI 与鲜生物量间拟合 R2极大值区域重心的作物高光谱敏感波段筛选和最优波段宽度确定具有一定可行性,为开展作物高光谱数据波段优选提供了新思路,也为多光谱遥感波段设置及遥感数据应用潜力评价提供一定依据。     

基于水稻背景特性的植被指数参数修正研究

植被指数广泛应用在各种植被遥感监测中,但不同土壤背景会对基于植被指数的遥感监测精度产生影响,特别是以水为背景的水稻遥感监测.该研究旨在对各种背景调节植被指数的参数进行修正,以便更适合以水土混合物为背景的水稻参数估算.首先通过不同生育期水稻的冠层光谱构建在不同参数条件下的背景调节植被指数(WDVI、SAVI、SAVI2、TSAVI),然后以多种方程形式拟合以不同参数构建的各个植被指数与水稻叶面积指数LAI的关系,最后通过比较各拟合方程的决定系数(R2)得到各植被指数修正后的合适参数.结果表明:在使用植被指数估算水稻LAI时,其参数都需要修正.对WDVI,其修正后的参数α=1.44;对SAVI,其修正后的参数L=0.08;对SAVI2,其修正后的参数θ=0.02;而对TSAVI,其修正后的参数a=0.5,b=0.02,X=0.02.另外,在各种拟合方程形式中,以指数和幂函数的拟合效果最佳.在以WDVI、SAVI、SAVI2和TSAVI为自变量,以LAI为因变量的各种估算模型中,TSAVI对LAI具有较高的估算精度,SAVI和SAVI2次之,WDVI最差.总之,在进行水稻遥感监测时,对植被指数的参数进行修正有利于提高监测精度.     

棉花地上鲜生物量的高光谱估算模型研究

通过测试棉花6个生育时期350～2500 nm波段的冠层高光谱数据,采用连续统去除和波段深度归一化的分析方法,计算出棉花反射光谱550～750 nm波段深度参数(Dc);同时,将冠层反射光谱数据与棉花鲜生物量进行逐步回归分析,确定了近红外波段763 nm及红光波段670 nm是棉花鲜生物量的2个敏感波段,并组成了高光谱归一化植被指数(NDVI)和比值植被指数(RVI);基于Dc参数和NDVI、RVI植被指数,建立了棉花地上鲜生物量的5种单变量线性与非线性函数模型,分析表明,RVI的指数函数模型反演的棉花地上鲜生物量的估计值与实测值的相关系数最大(R=0.7289^**,RMSE=0.8776);5种函数模型方程,经检验均达到1%的极显著水平,其中,以指数函数、幂函数和双曲线函数构建的棉花鲜生物量估算模型精度相对较高;该研究采用高光谱植被参数和指数,实时、无损、动态、定量提取了棉花地上鲜生物量,为分析、模拟、评价、预测棉花群体大小,设计理想棉花群体及棉花高光谱遥感估产提供了科学的依据。     

基于花后累积地上生物量比例的冬小麦动态收获指数估算

针对已有基于遥感信息的收获指数估算对籽粒灌浆过程中作物生物量变化和收获指数变化过程考虑不足且估算精度有待进一步提高的现状,该研究以冬小麦为研究对象,基于冠层高光谱数据、地上生物量和动态籽粒产量等数据,在提出灌浆至成熟阶段动态收获指数（Dynamic Harvest Index, DHI）和构建花后累积地上生物量比例动态参数（Dynamic fG, D-fG）基础上,提出了敏感波段中心构建归一化差值光谱指数（Normalized Difference Spectral Index, NDSI）估算D-fG的作物动态收获指数估测技术方法并进行精度验证。在此基础上,通过敏感波段宽度扩展确定了冬小麦D-fG估算敏感波段最大宽度,并实现了最大波宽下D-fG和DHI的遥感获取。结果表明,筛选的5个敏感波段中心λ（366 nm, 489 nm）、λ（443 nm, 495 nm）、λ（449 nm, 643 nm）、λ（579 nm, 856 nm）、λ（715 nm, 849 nm）构建NDSI进行D-fG遥感估算均达到了较高精度水平,均方根误差（Root Mean Square Error, RMSE）在0.036～0.050之间,归一化均方根误差（Normalized Root Mean Square Error, NRMSE）在10.46%～14.59%之间;基于敏感波段中心的DHI估算中,RMSE在0.039～0.053之间,NRMSE在10.50%～14.28%之间;估算D-fG的5个敏感波段中心最大波段宽度分别为30、68、58、20和86 nm,基于最大波宽获取DHI估算结果中,RMSE在0.054～0.055之间,NRMSE在14.38%～14.65%之间。可见,该研究所提收获指数遥感估算方法具有一定的可行性,为获取冬小麦动态收获指数提供了新思路和新方法,也为窄波段高光谱卫星遥感和宽波段多光谱卫星遥感获取大范围作物收获指数空间信息提供一定技术参考。     

高光谱反射率与大豆叶面积及地上鲜生物量的相关分析

以ASD FieldSpec光谱仪实测了不同生长季大豆的冠层高光谱,同期采集了对应大豆LAI、地上鲜生物量。逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量的相关关系;采用单变量线性回归逐波段分析了冠层光谱反射率、导数光谱与大豆LAI、地上鲜生物量确定性系数随波长的变化趋势;并建立了以近红外与可见光波段的冠层光谱反射率的比值植被指数RVI与大豆LAI、地上鲜生物量的高光谱遥感估算模型。结果表明,冠层光谱反射率在350～680 nm、760～1050 nm波谱区与大豆LAI、地上鲜生物量相关性     

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机（unmanned aerial vehicle, UAV）机动灵活、操作简便,可以按需获取高空间分辨率影像,是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数（LAI, Leaf Area Index）和叶绿素含量的参数确定问题,该研究以DJI S1000+无人机为平台,搭载法国Parrot Sequoia相机,获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像,采用重采样的方式获得不同分辨率下（0.1～1 m）的不同植被指数,所构建的植被指数包括归一化植被指数（normalized difference vegetation index,NDVI）、叶绿素指数（grassland chlorophyll index,GCI）、比值植被指数（ratio vegetation index,RVI）、归一化红边红指数（normalized difference rededge-red index,NDIrer）、归一化红边绿指数(normalized difference rededge-green index,NDIreg)和重归一化植被指数(renormalized difference vegetation index,RDVI),通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析,以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数,以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现,在分辨率为0.6 m时,NDVI与地面实测LAI之间的决定系数R2为0.80,决定系数达到了最大,利用该分辨率下的NDVI反演得到的LAI验证精度R2达到了0.73;在分辨率为0.1 m时,NDIreg与地面实测叶绿素含量之间的决定系数R2为0.70,决定系数达到了最大,利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R2达到了0.63。因此得出结论：1）植被指数的选择：① 对于玉米冠层LAI的反演来说,不包含绿波段的植被指数的LAI反演精度较高,这说明绿波段对LAI的变化不敏感;② 对于玉米冠层叶绿素含量反演来说,包含红边波段的植被指数的反演精度较高,因此影像的红边波段对叶绿素含量的变化非常敏感。2）UAV影像空间分辨率的选择：反演LAI的最优分辨率是0.6 m,此时NDVI与实测LAI的决定系数达到最大;反演冠层叶绿素含量的最优分辨率是0.1～0.3 m范围内,此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。     

基于无人机数码影像的马铃薯生物量估算

株高和植被覆盖度（Vegetation Coverage, VC）是估算生物量的重要参数,而生物量的准确估算对农业生产具有重要作用。该研究获取马铃薯现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的无人机和地面数码影像,并实测株高、地上生物量和地面控制点（Ground Control Point, GCP）的三维空间坐标。首先基于数字表面模型（Digital Surface Model, DSM）提取马铃薯株高,其次利用地面和无人机数码影像提取马铃薯VC实测值和估测值,然后将提取的株高、VC和二者乘积与选取的11种植被指数和生物量作相关性分析,挑选出相关性较好的前6种植被指数和3种农学参数,最后通过线性回归（Linear Regression,LR）、偏最小二乘回归（Partial Least Square Regression,PLSR）、随机森林（Random Forest,RF）算法和支持向量机（Support Vector Machine, SVM）估算生物量。结果表明,提取株高和实测株高拟合的决定系数为0.86,标准均方根误差为13.42%;提取VC值和实测VC值拟合的决定系数为0.84,标准均方根误差为15.76%;利用LR建模和验证精度由低到高依次为提取的株高、VC和二者乘积,每种变量的估算效果均从现蕾期到块茎增长期逐渐变好,从淀粉积累期到成熟期逐渐变差;每个生育期利用3种方法以不同变量估算生物量效果依次由低到高为植被指数、植被指数结合提取株高、植被指数结合提取VC、植被指数结合提取的株高和VC,其中PLSR模型效果优于RF和SVM模型。该研究为马铃薯长势快速监测提供参考。     

基于多种光谱仪的水稻前期植株氮积累量监测

为了明确水稻穗肥施用前地上部植株氮积累量与各光谱仪冠层光谱参数的定量关系,进而为水稻精确追氮提供决策依据。基于不同品种和不同施氮水平的7个水稻田间试验,于分蘖期和拔节期利用ASD Fieldspec FR2500高光谱仪、Cropscan MSR-16多光谱仪和Greenseeker RT100主动光谱仪同时采集冠层光谱反射率,并同步取样测定地上部植株氮积累量,研究基于不同光谱仪构建的植被指数与植株氮积累量之间的关系。结果表明,部分植被指数与水稻地上部植株氮积累量关系密切,基于3种光谱仪构建的水稻地上部植株氮积累量监测模型的稳定性和适用性有较大差异。对于ASD高光谱仪,虽然基于差值植被指数（760,740）能较好估测植株氮积累量,拟合模型决定系数R2为0.79,但模型检验效果较差,其R2和均方根误差分别为0.15和2.11 g/m2;对于Cropscan多光谱仪,差值植被指数（760,710）能较好反演植株氮积累量,拟合模型的R2为0.94,模型检验的R2和均方根误差分别为0.94和0.76 g/m2;Greenseeker主动光谱仪的归一化植被指数（770,660）对地上部植株氮积累量的反演效果最好,拟合模型的R2为0.97,模型检验的R2和均方根误差分别为0.97和0.62 g/m2。研究结果可为水稻前期植株氮积累量监测过程中的光谱仪选择提供参考,为水稻精确追氮管理提供技术支撑。     

夏玉米叶片全氮含量高光谱遥感估算模型研究

在5种不同施氮量和2种夏玉米品种处理下,分别在玉米拔节期、大喇叭口期、抽雄期、吐丝期、乳熟期测定了玉米冠层高光谱反射率及其对应叶片的全氮含量。选取了470、550、620和720 nm 4个代表性光谱波段,分品种对叶片全氮含量与原始光谱反射率、光谱反射率一阶微分以及部分高光谱特征参数（基于光谱位置、面积、植被指数的特征参量）分别进行线性回归和非线性回归拟合。在每个生育时期,选择决定系数和F值最高的模型3个,并分别用第二年测定的光谱和全氮含量数据分别对两个品种进行均方根差和相对误差的验证,选择均方根差和相对误差较小的拟合模型。结果表明:在拔节期、大喇叭口期、抽雄期、吐丝期和乳熟期,玉米叶片全氮含量最佳拟合光谱参量分别为R720、DR720、SDb、DR550和DR550,玉米叶片全氮含量最佳高光谱遥感估算模型依次为:Y=5.129e-2.317x、Y=3.421－10.010x－477802.331x3、Y=4.070－2.304x－52.177x2、Y=－0.468－0.528lnx和Y=－2.390－0.793lnx。     

潮土小麦碳氮含量对长期不同施肥模式的响应

【目的】以潮土21年长期定位试验为基础,分析不同施肥模式下冬小麦不同生育期的地上部生物量、碳氮含量、碳氮比及碳氮积累量,探讨冬小麦碳氮含量对不同施肥模式的响应规律。【方法】试验包括不施肥(CK)、单施氮肥(N)、施氮磷肥(NP)、施氮钾肥(NK)、氮磷钾配施(NPK)、氮磷钾肥配施有机肥(NPKM)、施氮磷钾肥及玉米秸秆还田(NPKS)7个处理。在2011 2012年冬小麦生长季,分别采集越冬、拔节、灌浆、成熟四个生育时期地上部植株样品,利用Euro Vector EA3000型元素分析仪对小麦植株样品的全碳、全氮含量进行测定。【结果】NPK、NPKM和NPKS处理均能显著提高各生育期小麦地上部干重,其中NPKM处理小麦地上部干重在越冬、拔节、灌浆、成熟期分别比CK提高了111%、194%、238%、206%,除越冬期外,等量氮肥条件下,NPK、NPKM和NPKS 3个处理间小麦同一生育期地上部干重无显著差异,说明与氮磷钾配施相比,有机无机配施与秸秆还田这两种措施并不能显著提高小麦地上部生物量;小麦地上部碳含量受不同施肥影响很小,不同生育期小麦地上部碳含量平均值为410 g/kg;小麦成熟期地上部氮含量以N和NK处理最高,分别达到19.4和18.1 g/kg,其中N处理小麦地上部氮含量分别比NPKM和NPKS处理高52%和66%。随着生育期的推移,各处理小麦氮含量逐渐降低,总体表现为越冬期拔节期灌浆期≥成熟期;在整个生育期中各施肥处理碳含量基本保持不变而氮含量呈逐渐下降趋势,这就使得各施肥处理地上部分C/N比随生育期的推移呈逐渐增加趋势;不同施肥下小麦碳积累量差异性和地上部干物质重差异性规律一致,而不同施肥下地上部氮积累量差异性不同于干物质重的差异性,以NP处理最高,达545 kg/hm2,分别比NPKM和NPKS处理高61%和68%。【结论】施肥方式不能显著改变小麦碳含量但能影响氮含量,因此小麦生物量大小决定了其碳的积累量,相应地,C/N比大小则由氮含量决定。氮磷钾配施、有机无机配施及秸秆还田处理下,小麦具有较高的生物量从而具有较高的碳氮积累量,这有利于增加农田系统碳、氮积累,提升土壤碳、氮肥力。     

基于全株生物量和全株氮浓度的马铃薯氮临界浓度稀释模型的构建及验证

  【目的】  临界氮浓度稀释曲线的构建是作物氮素营养诊断的基础,然而其曲线参数可能受品种等因素影响。本研究的主要目的是构建滴灌条件下常见马铃薯品种临界氮浓度稀释曲线模型,并利用相应的氮素营养指数进行马铃薯氮素营养诊断。  【方法】  于2014—2016年分别进行了滴灌条件下3个马铃薯品种、不同施氮量的田间试验。在马铃薯苗期、块茎形成期、块茎膨大期、淀粉积累期和收获期5个关键时期,进行地上部茎叶和地下部块茎取样,分别测定了生物量和氮浓度,根据公式计算出马铃薯全株生物量和全株氮浓度。根据全株生物量和全株氮浓度建立临界氮浓度稀释模型和相应的氮素营养指数。  【结果】  马铃薯地上部生物量和地上部氮浓度以及全株生物量和全株氮浓度都是随着生育时期的推进呈现出负幂函数关系,基于地上部生物量和地上部氮浓度建立的临界氮浓度稀释曲线决定系数平均为0.52,而以马铃薯全株生物量和全株氮浓度建立临界氮浓度稀释曲线决定系数平均为0.94,较前者提高了80%。以马铃薯全株生物量和全株氮浓度建立临界氮浓度稀释模型更为合理,且受品种影响较小,克新1号、夏坡地和荷兰14用同一个临界氮浓度稀释曲线的决定系数均达到0.95,表明构建的氮素营养模型可以进行不同品种的马铃薯氮素营养诊断。  【结论】  相对于传统籽粒型作物基于地上部生物量和地上部氮浓度建立临界氮浓度稀释模型,基于全株生物量和全株氮浓度建立的临界氮浓度稀释模型适用于不同品种马铃薯的营养诊断。在内蒙古滴灌生产条件下,马铃薯临界氮浓度稀释模型为Nc = 4.57W–0.41,基于该模型计算的马铃薯克新1号合理施氮量为N 170～180 kg/hm2、夏坡地合理施氮量为 190～200 kg/hm2、荷兰14合理施氮量为 215～225 kg/hm2。这些计算结果与试验结果的吻合度达到了0.95。     

Observed and modelled soil carbon and nitrogen changes after planting a Pinus radiata stand onto former pasture

After reforesting pasture land, it is often observed that soil carbon stocks decrease. The present work reports findings from a site near Canberra, Australia, where a pine forest (Pinus radiata) was planted onto a former unimproved pasture site. We report a number of detailed observations seeking to understand the basis of the decline in soil C stocks. This is supported by simulations using the whole-ecosystem carbon and nitrogen cycling model CenW 3.1. The model indicated that over the first 18 years after forest establishment, the site lost about 5.5 t C ha^?1 and 588 kgN ha^?1 from the soil. The C:N ratio of soil organic matter did not change in a systematic manner over the observational period. Carbon and nitrogen stocks contained in the biomass of the 18-year old pine stand exceeded that of the pasture by 88 t C ha^?1 and 393 kgN ha^?1. An additional 6.1 t C ha^?1 and 110 kgN ha^?1 accumulated in above-ground litter. These changes, together with the vertical distribution of carbon and nitrogen in the soil, agreed well with the observation at the site. It was assumed that over 18 years, there was also a loss of 86 kgN ha^?1 from the ecosystem because of normal gaseous losses during nitrogen turn-over and a small amount of nitrogen leaching. Those losses could not be replenished in the pine system without symbiotic biological nitrogen fixation, and there were no fertiliser additions. A simple mass balance approach indicated that the amount of nitrogen accumulating in plant biomass and the litter layer plus the assumed nitrogen loss from the site matched the amount of nitrogen lost from the soil organic nitrogen pool. This reduction in soil nitrogen, together with an unchanged C:N ratio, provided a simple and internally consistent explanation for the observed reduction of soil carbon after reforestation. It supports the general notion that trends in soil carbon upon land-use change can often be controlled by the possible fates of available soil nitrogen.     

Distribution of Nitrogen between Crop and Weeds in Spring Cereals

Abstract

The nitrogen content of the above-ground biomass of crop and weeds was assessed one week after crop heading in the beginning of July in spring barley and spring wheat. Crops were sown with a combined sowing and fertilizing machine at five seed rates. The trial plots received nitrogen, 90 kg ha^?1. No herbicides were applied. In spring barley sown at a normal seed rate, less than 5% of the nitrogen in the above-ground biomass was accumulated in weeds. In spring wheat stands the corresponding amount averaged 10–15%. The nitrogen concentration in the crop biomass averaged 1.8% of the dry weight and that in mixed weed species 3.2%. Under normal growth conditions the N concentration in crop and weeds was relatively constant at the time of crop heading. Variations in N accumulation between crop plants and weeds are explained by the different biomass production of the plants.     

Modelling nitrogen fixation of pea ( Pisum sativum L.)

Abstract

Nitrogen fixation was simulated for a leafless variety (Delta) of pea (Pisum sativum L.) in central Sweden. It is assumed that N₂ fixation is basically proportional to root biomass, but limited by high root N or low substrate carbon concentrations. Input data on root carbon and nitrogen were estimated from observations of above-ground biomass and nitrogen. The simulated N₂ fixation was compared with estimated values from observations using the ¹⁵N labelling technique. Test data were taken from pea monocultures and pea-oat mixtures with varying pea biomass levels during 1999. Simulated within-season accumulated N₂ fixation correlated to the estimated N₂ fixation with a correlation coefficient (R ²) of 0.74. For seasonal simulations, the predictability was higher (R ²=0.93). Two alternative non-dynamic models, estimating seasonal N₂ fixation as proportional to above-ground biomass and above-ground N, respectively, gave lower predictability (R ²=0.83 and 0.80, respectively). The models were also applied to a second year (1998) and two other sites by comparison with accumulated N₂ fixation estimated by the Difference method. A halved specific N₂ fixation rate (expressed per unit of root biomass) in 1999, compared with 1998, corresponded to essentially dryer and warmer soil conditions during 1999. It was indicated that the variations in soil moisture were more important than soil temperature. It was concluded that the abiotic responses might be of great importance for modelling N₂ fixation rate under different soil conditions.     

盐氮效应对棉花氮素分配、转运和利用效率的影响

探究盐氮效应对棉花氮素动态积累、运转及利用效率的影响机制。以棉花“新陆中68号”为材料,设置土壤盐分含量为S1(2.5~3 g/kg)、S2(5~6 g/kg)和S3(8~9 g/kg),施氮量分别N1(105 kg/hm²)、N2(210 kg/hm²)、N3(315 kg/hm²)处理进行田间小区试验。通过Logistic生长函数模型对各器官生物量氮素累积进行拟合,以V m(最高累积速率)和Δt(持续时间)为2个动态特征指标分析盐氮对棉花生物量氮素快速累积时间和速率的影响。结果表明,营养器官(根、茎、叶)生物量S1N3处理最大,棉铃生物量S1N2处理最大,S3条件下棉铃生物量表现为N3>N2>N1。各营养器官积氮量S2处理均达到较大,在S1和S2中茎积氮量为N2>N3>N1。在S2和S3中叶积氮量为N3>N2>N1,棉铃积氮量为S1>S2>S3和N3>N2>N1,根积氮量N3>N2>N。N1S3处理各营养器官生物量积氮量Δt最小,V m最大。盐分显著抑制棉花各器官生物量和氮素积累量及V m(P<0.5)。施氮量与土壤盐分存在明显的互作效应。氮肥在盐分S1和S2中N2和在盐分S3中氮肥N3最利于生殖器官生物量积累及V m。盐分越高,氮素运转率越低。施氮量促进氮素运转率。各器官积氮量累积和营养器官氮分布使作物氮分布更均衡,导致产量的最优。S1N2产量最大达到6683 kg/hm²。氮肥在盐分S1和S2中N1氮利用效率最优,盐分S3中氮肥N2最利于氮利用效率。因此在盐分<6 g/kg土壤施用氮肥105 kg/hm²或210 kg/hm²,最利于棉花生产和效益。盐分在8~9 g/kg土壤应施用氮肥315 kg/hm²。研究结果为合理利用盐碱土和施肥管理提供科学依据。     

基于敏感光谱波段图像特征的冬小麦LAI和地上部生物量监测

叶面积指数(LAI,leaf area index)和地上部生物量是评价冬小麦长势的重要农学参数,其实时动态监测对冬小麦的长势诊断、产量预测和管理调控等具有重要意义。该研究通过分析叶面积指数、地上部生物量与冬小麦冠层光谱参数的相关性,筛选出冬小麦长势指标敏感波段及最佳带宽范围;基于敏感光谱波段下图像的彩色因子,构建冬小麦叶面积指数和地上部生物量监测模型。结果表明,叶面积指数、地上部生物量长势指标的敏感波段及最佳带宽范围为(560±6)和(810±10)nm。敏感波段560、810 nm波段下获得的图像特征因子中,RGB颜色空间R810、G560、B810对叶面积指数的拟合效果最好,决定系数高达0.989;HSI颜色空间H810、S810、I560对地上部生物量的拟合效果最好,决定系数为0.937。试验数据检验表明,叶面积指数、地上部生物量监测模型的均方根误差RMSE分别为0.4515、3.3556,相对误差分别为15.7%、15.9%,所构建监测模型的精确度较高。因此,基于敏感光谱波段及相应图像特征构建的监测模型可有效对冬小麦叶面积指数、地上部生物量进行实时、快速、准确监测与诊断。     

基于无人机高光谱的冬小麦氮素营养监测

为了实现小区域尺度上的作物氮素营养状况遥感监测,该研究利用无人机搭载Cubert UHD185成像光谱仪对2016 -2017年关中地区的冬小麦进行遥感监测,通过分析冠层光谱参数与植株氮含量、地上部生物量和氮素营养指数的相关性,筛选出对三者均敏感的光谱参数,结合多元线性逐步回归、偏最小二乘回归和随机森林回归建立抽穗期冬小麦氮素营养指数（Nitrogen Nutrition Index,NNI）估测模型,并与单个光谱参数建立的冬小麦氮素营养指数模型进行比较。结果表明,任意两波段光谱指数对氮素营养指数更为敏感,与氮素营养指数均达到了极显著性相关;基于差值光谱指数和红边归一化指数的单个光谱参数构建的模型具有粗略估算氮素营养指数的能力,相对预测偏差分别为1.53和1.56;基于随机森林回归构建的多变量冬小麦氮素营养指数估算模型具有极好的预测能力,模型决定系数为0.79,均方根误差为0.13,相对预测偏差为2.25,可以用来进行小区域范围内的冬小麦氮素营养指数遥感填图,为冬小麦氮素营养诊断、产量和品质监测及后期田间管理提供科学依据。     

基于线性光谱混合模型的荒漠草地覆盖度估测

为了解决草地混合像元对草地植被覆盖度监测的影响,该研究以Landsat TM为数据源,探讨线性光谱混合模型进行混合像元分解的关键问题,分析混合光谱模型获得的不同组分分量与植被覆盖度之间的关系,以期建立适合天山北坡荒漠草地覆盖度监测模型。结果表明:通过光谱混合模型获得植被、沙丘以及盐碱化土壤3个基本组分,其中植被组分与覆盖度拟合效果较好(R2=0.62),与植被指数法估测草地覆盖度相比,决定系数R2均高于比值植被指数、归一化植被指数、土壤调节植被指数及修正土壤调整植被指数MSAVI。通过对所获模型精度检验,均方根误差RMSE为1.28,结果较为理想。因此,利用线性光谱混合模型解析混合像元估测天山北坡荒漠草地覆盖度具有可行性。     

Contributions from carbon and nitrogen in roots to closing the yield gap between conventional and organic cropping systems

This study investigates the effect of different crop rotation systems on carbon (C) and nitrogen (N) in root biomass as well as on soil organic carbon (SOC ). Soils under spring barley and spring barley/pea mixture were sampled both in organic and conventional crop rotations. The amounts of root biomass and SOC in fine (250–253 μ m), medium (425–250 μ m) and coarse (>425 μ m) soil particulate organic matter (POM ) were determined. Grain dry matter (DM ) and the amount of N in harvested grain were also quantified. Organic systems with varying use of manure and catch crops had lower spring barley grain DM yield compared to those in conventional systems, whereas barley/pea showed no differences. The largest benefits were observed for grain N yields and grain DM yields for spring barley, where grain N yield was positively correlated with root N. The inclusion of catch crops in organic rotations resulted in higher root N and SOC (g C/m²) in fine POM in soils under barley/pea. Our results suggest that manure application and inclusion of catch crops improve crop N supply and reduce the yield gap between conventional and organic rotations. The observed positive correlation between root N and grain N imply that management practices aimed at increasing grain N could also increase root N and thus enhance N supply for subsequent crops.