基于无人机高光谱影像的马铃薯叶绿素含量估测

  【目的】  叶绿素含量高低反映植被的健康状况与光合能力。研究准确、有效地将冠层影像反演为叶绿素含量的技术参数,以便经济快速、实时地监测作物生长状况。  【方法】  田间试验于2018—2020年在内蒙古阴山北麓马铃薯主产区进行,设置氮肥梯度处理,在马铃薯块茎膨大期和淀粉积累期,测定试验地马铃薯植株SPAD值,通过线性关系将其转化成叶绿素含量。利用无人机为平台搭载S185成像光谱仪获取马铃薯试验区高光谱影像,并从中提取马铃薯冠层光谱反射率。将3年田间试验所获取的125个样本点数据按80%、20%的比例随机划分为训练集与验证集。用训练集数据建立了8个比率、归一化光谱指数,通过波段优化算法建立优化光谱指数和马铃薯关键生育期叶绿素含量的相关性与估测模型,并用验证集数据检验所建立模型的精度,最后利用所构建的估测模型制作马铃薯叶绿素含量分布图。  【结果】  根据训练集数据,马铃薯植株叶绿素含量分布范围在10.58～23.14 mg/g,平均叶绿素含量为19.80 mg/g,变异系数为14.9%;根据验证集数据,马铃薯植株叶绿素含量分布范围在12.80～23.73 mg/g,平均为19.59 mg/g,变异系数为17.0%。基于绿光波段建立的叶绿素光谱指数(CI_green)和归一化光谱指数550 (ND550)均与马铃薯叶绿素含量具有较好相关性(R2分别为0.48、0.61),但作物种类及生育时期的影响降低了估测的准确性。通过优化波段586、462 nm和586、498 nm计算的优化比率光谱指数(RSI)和优化归一化光谱指数(NDSI)能够明显提高模型准确性,具备良好的线性拟合效果,决定系数R2分别由0.48和0.61提高到0.82和0.83。经验证后,估测模型预测值与实测值接近1∶1线,决定系数R2分别为0.77和0.79,均方根误差RMSE较低。通过反演马铃薯叶绿素含量分布图可知,优化光谱指数(NDSI)模型反演效果较好,叶绿素含量分布范围为18～21 mg/g,与实测值相符合。  【结论】  本研究优化光谱指数RSI和NDSI最佳敏感波段分别为586、462和586、498 nm,此波段范围内RSI和NDSI与马铃薯关键生育期叶绿素含量相关性最优,通过波段优化算法重新构建的优化光谱指数预测模型可靠性及精度显著高于已有光谱指数,决定系数分别为0.82和0.83,且验证效果较好。应用两种光谱指数对研究区高光谱影像进行叶绿素反演估测,生成的田间马铃薯叶绿素含量分布图显示优化光谱指数NDSI估测效果最好,为光谱指数估测马铃薯关键生育期叶绿素含量提供了理论支持。     

玉米叶片氮含量的高光谱估算及其品种差异

准确、快速、及时地对玉米氮营养状况做出判断是氮肥合理施用的基础。该研究在水培条件下对3个玉米品种（组合）叶片氮含量（LNC）的高光谱敏感波段、估算模型及其品种差异进行了探讨。结果表明,LNC与不同波段叶片光谱反射率的相关性存在品种差异,但3个品种（组合）都在500～649 nm和691～730 nm表现极显著的负相关关系,并在同一波长获得最高的相关系数,说明可以利用统一的波段来预测不同品种的LNC。依品种建立了LNC与归一化差值光谱指数（NDSI）或比值光谱指数（RSI）的定量关系模型,NDSI（714,554）和RSI（714,554）所建模型的拟合度最好,直线和指数模型拟合度均达到极显著水平,可以用来估算玉米LNC。玉米LNC估算中,以该品种数据所建模型的估算偏差最低,利用综合模型或其他品种模型则加大了估算偏差,高估与低估的最高偏差分别为35.6%和32.7%。在利用高光谱技术进行玉米氮营养状况诊断的研究及应用中,应考虑品种间差异。     

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。     

基于成像光谱技术的寒地玉米苗期冠层氮含量预测模型

为了探索寒地玉米冠层氮素含量,以不同氮素水平下玉米大田试验为基础,利用高光谱成像技术探讨苗期玉米冠层光谱,通过相关矩阵法选择植被指数的变量,并依据叶片氮素含量与植被指数的相关性,建立玉米冠层氮素含量预测模型。结果表明:根据玉米冠层高光谱图像,选择与各波段相关性较强的525、566、700、715、895 nm作为植被指数的变量,构建与氮素含量相关性强的植被指数归一化植被指数NDVI(normalized difference vegetation index)、归一化光谱植被指数NDSI(normalized difference spectral index)、比值光谱指数RSI(ratio spectral index)、差值光谱指数DSI(difference spectral index)。以与叶片氮素含量相关性较高的植被指数为自变量,建立单变量、多变量回归预测模型。采用单变量NDVI二次函数回归模型作为0、50 kg/hm~2施氮量下玉米冠层氮素含量预测模型,其R~2分别为0.719、0.803。在100 kg/hm~2施氮量下玉米冠层氮素含量的预测模型为3变量回归模型,其R~2达到0.657。用置信椭圆F检验法检验预测模型,其F值均小于F0.05,估测值与实测值间R2分别是0.724、0.798、0.655,标准误差RMSE分别为0.156、0.140、0.156 mg/g,表明实测值和估测值间的差异不明显,预测模型可用。     

基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测

实时监测水稻氮素状况对于评估水稻长势及精准田间管理意义重大。为确定宁夏引黄灌区水稻叶片全氮含量的最优高光谱估测方法,该文依托不同氮素水平水稻试验,基于成像高光谱数据和无人机高光谱影像,综合运用统计分析及遥感参数成图技术,对比分析光谱指数与偏最小二乘回归方法预测水稻叶片全氮含量的精确度和稳健性。结果表明,以组合波段738和522 nm光谱反射率的一阶导数构成的比值光谱指数(ratio spectral index,RSI)构建的线性模型为水稻叶片全氮含量的最优估测模型(检验R2为0.673,均方根误差为0.329,相对分析误差为2.02);无人机高光谱影像反演的水稻叶片全氮含量分布范围(1.28%~2.56%)与地面实际情况较相符(1.34%~2.49%)。研究结果可为区域尺度水稻氮素含量的空间反演及精准农业的高效实施提供科学和技术依据。     

无人机高光谱遥感估算冬小麦叶面积指数

为探讨利用低空无人机平台和高光谱影像对冬小麦叶面积指数进行遥感估算,该研究以拔节期冬小麦小区试验为基础,对原始冠层光谱进行一阶导数和连续统去除光谱变换,并在此基础上提取任意两波段组合的差值光谱指数（Difference Spectral Index,DSI）、比值光谱指数（Ratio Spectral Index,RSI）和归一化光谱指数（Normalized Spectral Index,NDSI）,以最优窄波段光谱指数进行叶面积指数估算模型的构建。结果表明,最优窄波段指数的构成波段主要位于红边区域,最优窄波段指数与叶面积指数均呈现非线性关系;光谱变换显著提升了光谱变量与叶面积指数的相关性,其中连续统去除光谱所获取的NDSI（738,822）光谱指数与叶面积指数的相关性最佳;窄波段光谱指数和随机森林回归算法的叶面积指数估算模型精度最高,其相对预测偏差为2.01,验证集的决定系数和均方根误差分别为0.77和0.27。基于随机森林回归算法的无人机高光谱叶面积指数估算模型能够准确地实现小区域的叶面积指数遥感填图,为后期作物长势、变量施肥等提供理论依据。     

基于高光谱的叶片滞尘量估测模型

为探索建立叶片滞尘量高光谱估测模型,利用光谱仪和电子分析天平采集了北京市区杨树叶片高光谱数据和滞尘量数据,研究了叶片光谱特征与滞尘量间的关系,并建立了基于光谱参数的叶片滞尘量估测模型。研究结果表明:近红外波段(730~1 000 nm)光谱反射率与叶片滞尘量呈现明显的线性相关性,各波段相关系数均高于0.7,绿光区波段反射率对叶片滞尘的影响不敏感;三边参数中仅红边幅值、红边面积与叶片滞尘量达到显著相关;基于多元线性回归、主成分回归、偏最小二乘回归建立的模型均具有较强的预测能力,其中以偏最小二乘回归为模型构建方法,以749、644、514 nm波段的光谱反射率值,红边幅值,红边面积,924、1 010 nm波段组成的归一化指数,713、725 nm波段组成的差值指数,749、644 nm波段组成的归一化植被指数为自变量建立的模型估测精度最好,其建模和预测的决定系数分别达到0.734和0.731,预测均方根误差为0.311。该研究为促进高光谱技术在大气降尘监测中的应用提供参考。     

基于高光谱的冬油菜植株氮素积累量监测模型

为无损和定量研究高光谱技术在冬油菜植株氮素积累量(PNA,plant nitrogen accumulation)时空变化监测的适宜性及准确性,该文以两年田间氮肥水平试验为基础,采用单变量线性和非线性回归方法,建立基于特征光谱参数的冬油菜P NA高光谱估算模型。结果表明,采用比值光谱的方法可显著提高冬油菜冠层光谱反射率与PNA间的相关性,其最佳的波段组合为1 259 nm与492 nm处光谱反射率比值(R1259/R492),决定系数R2为0.85。高光谱参数间,以比值植被指数(RVI-5)、归一化光谱指数(NDSI)、线性内插法红边位置(REIP)、三角植被指数(TVI)、742 nm处一阶微分光谱值(FD742)和红边面积(SDR)等光谱参数与PNA相关性较好(平均R2和标准误SE分别为0.69和42.70),且以FD742表现最优(R2=0.79,SE=35.66)。精度分析结果显示,以光谱参数R1259/R492和FD742为自变量的指数方程模型作为高光谱监测油菜PNA的最佳模型,各生育期Noise Equivalent(NE)均较低且表现稳定,同时模型估测精度较高,R2分别为0.98和0.98,相对均方根误差RRMSE分别为0.73和0.72,相对误差MRE分别为14.42%和10.31%。该方法为快捷和精确评估冬油菜PNA提供了新的研究思路。     

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。     

基于高光谱数据预测土壤碱化程度最佳模型及其影响因素的研究

为快速准确地估测土壤碱化程度,对实测波段范围为400~900 nm的土壤光谱数据进行了波段差、波段比、波段归一化3种预处理,采用偏最小二乘法(PLSR)建立了不同波段范围的土壤pH的预测模型,并利用测试集数据对模型进行精度检验。结果表明:采用归一化、波段比2种方式对原始光谱进行预处理,可有效地增强光谱与土壤pH的相关性,并抑制干扰信息,其中归一化最优。虽然可见光波段范围(400~750 nm)所建立的预测模型与全波段(400~900 nm)预测模型R2相同,但其RMSEP比全波段减少了0.059,RPD提高了0.2,说明该波段范围包括了反映土壤pH的大部分信息,是建立其预测模型的优势波段。因此,利用可见光波段的光谱数据,采用归一化预处理可以具有较好稳定性和预测能力地预测土壤pH的最佳模型(R2=0.90,RMSECV=0.104)。     

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。     

马铃薯产量品质与氮磷钾吸收利用的关系

【目的】分析马铃薯品种(系)产量和品质在不同栽培条件下与养分吸收及利用的关系,为马铃薯科学施肥提供理论基础。【方法】在宁夏固原和甘肃定西开展马铃薯品种(系)田间试验,宁夏收集了76份品种(系),甘肃收集了83份,马铃薯试验均采用当地水肥管理技术。成熟期测定产量及产量构成因素,取样分析马铃薯品质和氮磷钾养分含量,以及土壤有机质和速效养分含量。【结果】两地马铃薯块茎产量差异不显著。将马铃薯产量分为<30 t/hm² (低)、30～45 t/hm² (中)和>45 t/hm² (高) 3个等级,宁夏种植的76个品种(系)中低产、中产、高产的占比分别为27.6%、34.2%、38.2%,甘肃种植的83个品种(系)中的占比分别为15.7%、49.4%、34.9%。随着不同马铃薯品种(系)产量的不断增加,干物质和淀粉含量呈现增加趋势,而蛋白质含量则呈现降低趋势。无论产量水平高低,每生产1 t马铃薯块茎需吸收N 2.9 kg、P 0.5 kg、K 4.0 kg。产量与氮磷钾养分吸收量呈显著正相关,维生素C和蛋白质含量与氮磷...     

基于红边位置的马铃薯植株氮浓度估测方法研究

【目的】高光谱遥感技术可以用于植被生长状况的监测和研究光谱与植被理化性质间的关系。红边位置是与作物氮素营养关系较为密切的光谱参数,常用于作物叶绿素或氮素的含量监测,监测参数以及数据的计算都影响着该方法的准确性和实用性。为此,本研究优化了红边位置方法的参数,比较了六种方法对所得马铃薯氮浓度预测数据的翻译的准确性和精确度。【方法】于2014—2016年在内蒙古阴山北麓,进行了三个马铃薯品种、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,使用红边位置获取了马铃薯冠层反射光谱,采用六种方法计算了该数据翻译的马铃薯地上部氮浓度,并分别与实测值进行了相关性分析。【结果】马铃薯生育后期一阶导数光谱中双峰现象较为明显。不同生育时期中苗期由于受到噪声光谱的影响氮浓度,与红边位置相关性较差,块茎形成期至淀粉积累期的氮浓度与红边位置相关性较高,其中块茎膨大期相关性最高。最大一阶导数法和拉格朗日内插法所得红边位置无连续性;线性外推法所得红边位置变幅与标准差最高,最大分别可达到44.6和9.3;多项式拟合法次之,变幅和标准差分别为15.1和2.6;倒高斯拟合法和线性四点内插法的变幅和标准差较小。在六种方法所得红边位置与马铃薯地上部氮浓度的预测模型中,线性外推法决定系数最高(R^2=0.55),预测值与观测值相关性最好(R^2=0.44,RMSE=3.96 g/kg,RE=11.46%);倒高斯拟合法与多项式拟合法模型决定系数相近,R^2均在0.40左右,倒高斯拟合法对氮浓度的预测能力更高一些(R^2=0.31,RMSE=4.33 g/kg, RE=12.03%)。【结论】红边位置能够对块茎形成期至淀粉积累期的植株氮浓度进行诊断,花期红边位置有轻微的饱和现象,但并不影响整体的预测,在花期和块茎膨大期采集光谱时需要注意传感器与植物冠层的距离,保证采集数据的准确性。线性外推法是最适合马铃薯冠层光谱的红边位置计算方法,所得红边位置变幅大,对马铃薯地上部氮浓度的变化较为敏感,回归模型决定系数和预测精度也最高,而且对于高氮浓度处的饱和现象有较好的缓解作用。     

基于综合指标的冬小麦长势无人机遥感监测

作物长势监测可以及时获取作物的长势信息,该文尝试建立新型长势指标,监测小麦总体长势情况。将反映小麦长势的叶面积指数(leaf area index,LAI)、叶片叶绿素含量、植株氮含量、植株水分含量和生物量5个指标按照均等权重综合成一个指标,综合长势指标(comprehensive growth index,CGI)。利用450~882 nm范围内单波段和任意两个波段构建归一化光谱指数(normalized difference spectral index,NDSI),比值光谱指数(ratio spectral index,RSI)和简单光谱指数(simple spectral index,SSI),计算CGI与光谱指数的相关性,筛选出相关性好的光谱指数,结合偏最小二乘回归(partial least squares regression,PLSR)建立反演模型。以CGI为指标,运用无人机高光谱影像对2015年小麦多生育期的长势监测。结果表明:1)冬小麦各生育期,总体上CGI与光谱指数的决定系数R~2均好于各项单独指标与相应光谱指数的R~2。仅孕穗期CGI和RSI(754,694)的R~2比叶绿素和RSI(486,518)的R~2低,开花期的CGI和R570的R~2比生物量和R834的R~2低以及灌浆期CGI和SSI(582,498)的R~2比植株含水量和SSI(790,862)的R~2低。2)拔节期,孕穗期,开花期,灌浆期和全生育期PLSR模型的建模R~2分别为0.70,0.72,0.78,0.78和0.61。拔节期,孕穗期和开花期的无人机CGI影像验证模型的均方根误差RMSE(root mean square error)分别为0.050,0.032和0.047。CGI与相应光谱指数的R~2高于单独各项指标与相应光谱指数的R~2,光谱指数能够很好反映CGI包含的信息。无人机高光谱影像反演CGI精度较高,能够判断出小麦总体的长势差异,可为监测小麦长势提供参考。     

典型黑土不同施氮量对马铃薯产量和氮素利用率的影响

  【目的】  我国马铃薯生产中养分不平衡施用问题严重，过量施氮不利于农业可持续发展和生态环境保护。在养分专家系统 (Nutrient Expert，NE) 推荐施肥量基础上，研究不同施氮量对马铃薯产量、养分吸收和氮肥利用率的影响，为马铃薯推荐施肥提供科学依据。  【方法】  于2017―2018年，分别在黑龙江克山县不同地块进行2个田间试验，在NE系统推荐施肥量 (N₁₈₀) 的基础上，设减施推荐施氮量的50% (N₉₀)、25% (N₁₃₅) 和增施25% (N₂₂₅)、50% (N₂₇₀) 4个处理，并以不施氮肥的处理作对照 (N₀)。测定马铃薯产量、养分吸收量、肥料利用率等指标。  【结果】  017和2018年马铃薯产量均以NE系统推荐的N₁₈₀处理最高，较N₀处理两年平均增产40.4%。N₉₀和N₁₃₅处理低施氮水平 (≤ 180 kg/hm2) 下，随着施氮量的增加，马铃薯产量也明显增加，当施氮量超过NE系统推荐的施肥量 (180 kg/hm2) 后，继续增施氮肥对产量增加无明显作用。与N₀处理相比，两年N₁₈₀处理的块茎、秸秆和全株氮素吸收量平均增幅分别为49.8%、58.2%和52.0%，磷素吸收量平均增幅为36.3%、52.2%和39.8%，钾素吸收量平均增幅为26.4%、46.8%和31.3%，生产1 t块茎 (鲜重) 所需要的氮、磷、钾养分分别为4.6、1.1和5.8 kg。N₁₈₀处理的产量和氮磷钾养分吸收量均为最高，氮素农学效率和回收率与N₉₀和N₁₃₅处理差异不显著。  【结论】  在不超过马铃薯氮素需求条件下，增加氮肥投入可显著增加马铃薯产量和氮素吸收量，NE系统能够指导马铃薯科学施肥，保障马铃薯产量，提高氮肥利用效率。     

基于玉米叶片光谱特征的土壤无机氮含量估算模型的建立与验证

  【目的】  作物叶片颜色反映土壤养分的供应状况。研究作物叶片氮素相关的特征光谱信息与土壤无机氮含量的关系,以建立基于叶片光谱信息的土壤无机氮含量诊断模型,实现利用高光谱技术对作物和土壤进行实时监测。  【方法】  在两年(2017—2018) 的玉米 (郑单958) 田间试验中,设置6个施氮水平,施氮量分别为0、60、120、180、240、300 kg/hm2。在玉米的拔节期、大喇叭口期、开花吐丝期、灌浆期测定叶片高光谱反射率,对植株和土壤样品进行采集,分析土壤无机氮含量的变化,明确叶片光谱反射率与土壤无机氮含量的关系,利用光谱参数和偏最小二乘回归法 (partial least squares regression,PLSR) 建立诊断模型并进行模型精度的评价。  【结果】  施氮处理土壤无机氮含量显著高于不施氮处理,随着生育期的推移,土壤无机氮含量呈递减趋势,追肥可显著提高土壤无机氮含量。拔节期和开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光波段呈负相关关系,在近红外波段呈正相关关系;大喇叭口期两者在可见光波段呈负相关关系,灌浆期两者无明显相关关系。在光谱参数模型中,4个生育期土壤无机氮含量预测的最佳光谱指数分别为RVI-2、RSI (534,726)、RSI (567,519) 和RVI-2,其回归模型验证集的R2分别为0.642、0.749、0.696、0.540。在PLSR预测模型中,利用PLSR建立的诊断模型验证集的R2分别为0.876、0.838、0.765、0.595,RPD (ratio of percent deviation) 分别为2.140、2.077、2.002、1.369。  【结论】  基于叶片光谱反射率建立的PLSR估算模型,在玉米的拔节期、大喇叭口期、开花吐丝期均能很好地预测土壤无机氮含量。因此,利用叶片光谱特征诊断土壤无机氮含量具有一定的可行性。     

宁夏马铃薯氮、 磷、 钾养分的吸收累积特征

【目的】马铃薯氮、 磷、 钾养分吸收累积特点国内外已有不少报道,但在宁夏地区的生产条件下尚缺乏系统研究,马铃薯配方施肥技术推广中也缺少施肥参数,难以确定合理的施肥量。因此,针对宁夏地区马铃薯种植基地的土壤条件,系统分析马铃薯干物质累积和氮、 磷、 钾养分含量,探明其对氮、 磷、 钾养分吸收累积特点,以期为马铃薯的精准施肥提供科学依据。【方法】采用田间试验和室内测定相结合的方法。于2012年分别在宁夏西吉县、 原州区、 红寺堡和同心县马铃薯种植基地进行肥料田间试验,按照当地推荐的施肥量统一施肥量和施肥方法(农家肥、 70%氮肥、 全部磷、 钾肥基施,30%氮肥在现蕾期追施),在马铃薯不同生育期采集植株样品,测定不同器官干重和氮、 磷、 钾含量,分析不同生育期马铃薯干物质累积量、 氮、 磷、 钾含量及其吸收累积量的变化特点。【结果】1)从不同种植基地来看,红寺堡区马铃薯干物质累积量最高,其次是原州区和西吉县,同心县最低;马铃薯干物质累积量随生育期的推进而增加,符合Logistic曲线,幼苗期、 块茎形成期、 块茎膨大期和淀粉累积期的干物质累积量分别占总累积量的5%、 20%、 40%和35%。2)马铃薯植株氮含量随生育期而降低,其变异系数较大; 磷、 钾含量随生育期呈先增后减的变化态势,但变异系数较小; 氮、 磷含量叶片高于其他器官,钾含量茎秆中较高。3)马铃薯氮、 磷、 钾吸收累积量在红寺堡区最高,原州区和西吉县居中,同心县最低;苗期氮、 磷、 钾的吸收量分别占全生育期总吸收量的11%、 6%、 8%,块茎形成期占28%、 23%、 31%,块茎膨大期占36%、 39%、 41%,淀粉积累期占25%、 31%、 20%;成熟期块茎中氮和磷的累积量分别占各自总累积量的60%以上,钾的累积量占50%。【结论】供试土壤条件下,马铃薯干物质累积量及养分吸收量因种植基地、 生育期和器官不同而异。从不同种植基地来看,红寺堡区马铃薯的干物质及氮、 磷、 钾累积量较高,原州区和西吉县居中,同心县最低;干物质及氮、 磷、 钾累积量随生育期的变化符合Logistic曲线,具有明显的阶段性特点,块茎膨大期累积最多,块茎形成期和淀粉积累期次之;马铃薯根、 茎和叶中吸收累积的氮、 磷、 钾占同期总累积量的比例随生育期而降低,但块茎则相反,氮、 磷、 钾吸收累积量随生育期而增加,成熟期块茎中吸收累积的养分量占全株的一半以上。     

内蒙古中西部玉米临界氮浓度稀释模型的构建与验证

【目的】建立内蒙古中西部地区玉米临界氮浓度稀释曲线模型,利用相应的氮营养指数对玉米进行氮素营养诊断,并验证曲线的可靠性,以期为实现内蒙古中西部玉米合理施用氮肥提供理论依据。【方法】于2019—2021 年,分别在内蒙古中部的达拉特旗和西部的五原县、乌拉特前旗 3 个典型区域,以新玉 12、晋单42、先玉 1225、泽玉 19、宏育 203 和晋单 542 以及东农 258 为试验材料,进行建模田间试验。6 个氮肥处理包括传统氮肥 (N 400 kg/hm²)、不施氮 (对照)、推荐优化施氮 (N) 180 kg/hm² (OPT) 以及 70% OPT、130% OPT、170% OPT,分别在玉米拔节期 (V6)、八叶期(V8)、十叶期(V10)、大喇叭口期 (V12)、吐丝期 (R1)、乳熟期(R3) 和蜡熟期 (R5) 进行植株取样,测定植株地上部生物量和植株氮浓度,利用地上部生物量和植株氮浓度构建临界氮浓度稀释模型。2021 年在达拉特旗进行验证试验,设置推荐施氮示范田和传统习惯生产田,测定玉米植株地上部生物量和植株氮浓度,利用氮营养...