不同滴灌量和施氮量对马铃薯硝酸盐累积的影响

通过田间试验,采用植株反射仪来探讨了不同滴灌量和施氮量对马铃薯硝酸盐累积影响,试验结果表明:在滴灌条件下,在马铃薯现蕾期和块茎膨大期,随着滴灌量的增加,马铃薯叶柄硝酸盐有降低的趋势,但随着施氮量的增加,马铃薯叶柄硝酸盐也随着增加。现蕾期叶柄硝酸盐逐步增加累积,块茎膨大期叶柄硝酸盐浓度则逐渐降低。马铃薯现蕾期和块茎膨大期,叶柄硝酸盐浓度与产量之间有很好的相关性。     

不同滴灌量和施氮量对马铃薯硝酸盐累积的影响

采用植株反射仪探讨了不同滴灌量和施氮量对马铃薯硝酸盐累积影响，试验结果表明：在滴灌条件下，在马铃薯现蕾期和块茎膨大期，随着滴灌量的增加，马铃薯叶柄硝酸盐有降低的趋势，但随着施氮量的增加，马铃薯叶柄硝酸盐也随着增加。现蕾期叶柄硝酸盐逐步增加累积，块茎膨大期叶柄硝酸盐浓度则逐渐降低。马铃薯现蕾期和块茎膨大期，叶柄硝酸盐浓度与产量之间有很好的相关性。     

基于冠层尺度的花生叶片糖氮比高光谱监测

通过分析花生叶片糖氮比与冠层高光谱参数的定量关系,确立花生叶片糖氮比的定量监测模型。选用丰花1号花生品种作为研究对象,在不同施氮水平下进行了田间试验,于花生不同生育时期采集田间冠层高光谱数据并测定叶片糖氮比,进而分析建立冠层高光谱参数与叶片糖氮比的回归模型。结果表明,花生叶片糖氮比随生育进程呈“高-低-高-低”的动态变化模式;从出苗到结荚之前,均是施氮处理低于对照,在花生收获期,施氮处理高于对照。利用高光谱参数对叶片糖氮比进行监测的适宜时期是出苗期到饱果成熟期,开花下针期冠层植被指数与糖氮比相关性均达显著水平,且利用DVI建立的回归方程更为可靠,R2为0.866~0.993,SE为0.026~0.083。花生结荚期以后,利用EVI建立的回归方程更可靠,R2为0.893~0.927,SE为0.054~0.082。通过模拟值与实测值的拟合,发现DVI和EVI两个特征光谱参数表现良好,可分别对生长前期和后期的花生叶片糖氮比进行可靠监测。     

基于可见光-近红外光谱特征参数的苹果叶片氮含量预测

苹果叶片氮素是反映苹果品质高低的营养元素之一。为了准确地估算苹果叶片全氮含量(LNC),从可见光-近红外区域的高光谱反射曲线中提取光谱特征参数,应用经验回归分析,实现了对苹果LNC的高光谱监测。研究表明,除了光谱特征曲线面积变量S_(△EFG)显著相关以及面积归一化植被指数(S_(△CDE)-S_(△FGH))/(S_(△CDE)+S_(△FGH))不相关外,其余光谱特征参数与苹果LNC都极显著相关,其中光谱特征曲线斜率K_(ge)、K_(gprv),光谱特征曲线面积S_(△ABC)、S_(△BCD),面积比值植被指数S_(△CDE)/S_(△ABC)、S_(△CDE)/S_(△BCD)、S_(△DEF)/S_(△ABC),面积归一化植被指数(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))、(S_(△CDE)-S_(△BCD))/(S_(△CDE)+S_(△BCD))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))可以较好地描述LNC的动态变化,这些特征参数对苹果LNC进行估算是可行的。通过检验,最终确定基于S_(△CDE)/S_(△ABC)、(S_(△CDE)-S_(△ABC))/(S_(△CDE)+S_(△ABC))和(S_(△DEF)-S_(△ABC))/(S_(△DEF)+S_(△ABC))所构建的模型为预测苹果LNC的理想模型。     

基于流形学习算法的柑橘叶片氮含量光谱估测模型

提出了一种基于流形学习算法的柑橘叶片氮含量光谱快速检测方法。分别在萌芽期、稳果期、壮果促梢期和采果期,使用ASD Field Spec 3光谱仪采集了柑橘叶片的反射光谱,并同步采用凯式定氮法测定叶片的氮含量。首先采用正交试验确定各个生长期小波去噪的最佳参数组合,然后分别采用主成分分析、多维尺度变换、局部线性嵌入、等距映射和拉普拉斯特征映射5种流形学习算法对原始光谱和经小波去噪后的光谱数据进行特征提取,将特征数据导入支持向量机回归建立柑橘叶片氮含量预测模型,4个生长期的最佳验证集模型决定系数依次为0.901 4、0.934 4、0.895 4和0.877 9。试验结果表明,这5种流形学习算法都能有效地用于柑橘叶片氮含量预测,为柑橘叶片氮含量快速无损检测、生长态势监测和变量施肥提供了理论依据。     

模拟多光谱卫星宽波段反射率的冬小麦叶片氮含量估算

基于多年大田和小区试验下的实测小麦冠层高光谱信息,利用传感器光谱响应函数模拟Landsat 8、SPOT 6、HJ-1A、HJ-1B、GF-1和ZY-3卫星可见光-近红外波段的冠层光谱反射率,构建基于光谱指数的全生育期叶片氮含量(Leaf nitrogen concentration,LNC)估算模型。结果表明,基于不同传感器模拟的宽波段光谱反射率、光谱指数之间存在差异,但差异不显著;所有筛选的光谱指数和叶片氮含量都在P0.01水平显著相关,基于各光谱指数所构建的全生育期叶片氮含量估算通用模型均通过显著性检验;基于综合指数(TCARI/OSAVI)、转化叶绿素吸收反射指数(TCARI)、比值植被指数(RVI)的叶片氮含量估算模型具有较高的敏感性,噪声等效误差(NE)均小于1.6,其中以TCARI/OSAVI建立的叶片氮含量估算通用模型具有最好的拟合、检验精度和适用性,模型决定系数为0.62,NE为1.26。     

基于粒子群算法优化光谱指数的甜菜叶片氮含量估测研究

为对甜菜叶片氮含量进行快速估测,利用高光谱成像仪获取甜菜冠层叶片高光谱图像数据,通过凯氏定氮法测定叶片氮含量。基于精细采样法在全波段范围内构建归一化光谱指数(Normalized difference spectral index,NDSI)和土壤调节光谱指数(Soil-adjusted spectral index,SASI),并提出了基于粒子群算法的植被冠层调节参数L优化方法,探寻任意波段组合下SASI的最佳L值及其变化规律。在筛选出特征光谱指数基础上,开展甜菜叶片氮含量的定量估测和可视化研究。结果表明,各生育期SASI对甜菜冠层叶片氮含量(Canopy leaf nitrogen content,CLNC)的敏感度高于NDSI,尤其在NDSI易发生饱和现象的近红外区域。相比常规光谱指数,叶丛快速生长期基于SASI1(R430. 20,R896. 76)和SASI2(R433. 03,R896. 01)建立的CLNC估测模型预测效果最优,2015年验证集R~2为0. 78,RMSE为2. 48 g/kg,RE为4. 18%;糖分增长期以SASI3(R952. 09,R946. 11)和SASI4(R760. 37,R803. 48)的建模效果最佳,2015年验证集R~2为0. 67,RMSE为2. 71 g/kg,RE为4. 72%;糖分积累期的最优建模参数为SASI5(R883. 30,R887. 79),2015年模型R~2为0. 72,RMSE为2. 54 g/kg,RE为4. 49%。为直观显示甜菜CLNC在时间和空间尺度上的变化规律,基于上述估测模型计算并生成甜菜CLNC的预测分布图,实现了甜菜CLNC的可视化。研究结果表明,提出的甜菜CLNC估测方法具有可行性,可为及时了解作物长势及营养估测提供技术支持。     

基于高光谱遥感的苹果树冠层叶片全氮量估测

【目的】快速准确获取大面积果园冠层叶片全氮含量（LNC ,Leaf Nitrogen Content）是实现现代精准农业的基本要求。【方法】本试验通过无人机高光谱成像仪（391.9nm ~ 1006.2nm）采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率（OD）、倒数光谱（RT）、对数光谱（LF)、一阶微分光谱（FD）,构建任意两个光谱波段集组合的差值植被指数（Difference spectral index,DSI ）、土壤调节植被指数（Soil Adjusted Vegetation Index ,SAVI）、归一化光谱指数（Normalized Different Spectral Index, NDSI）,分析三种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。【结果】研究表明：人工灌溉区的FD-SAVI(825,536）、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6746和0.0665。本试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。     

基于高光谱成像的马铃薯叶片叶绿素分布可视化研究

针对马铃薯作物叶片进行了叶绿素含量无损检测技术及分布图绘制方法研究,用以指示作物长势并指导精细化管理。首先利用高光谱成像技术采集了65个马铃薯叶片的400个样本点高光谱图像和相应的SPAD值,提取并计算叶绿素测量区域的叶片平均光谱后,分别采用蒙特卡罗无信息变量消除算法（MC-UVE）和自适应重加权算法（CARS）筛选出了12个和23个叶绿素含量敏感波长,建立了马铃薯叶片叶绿素含量偏最小二乘（PLS）回归模型。建模结果如下：基于MC-UVE算法筛选的12个敏感波长的PLSR诊断模型,建模精度R2C为0.79,验证精度R2V为0.73;基于CARS算法筛选的23个敏感波长建立的PLSR诊断模型,建模精度R2C为0.82,验证精度R2V为0.80。择优选取CARS-PLSR模型计算马铃薯叶片每个像素点的叶绿素含量,从而利用伪彩色绘图绘制了马铃薯叶片叶绿素含量可视化分布图,最终实现马铃薯叶片含量无损检测以及叶绿素分布可视化表达,以期为后续马铃薯作物大田冠层叶绿素分布诊断提供支持。     

基于冠层光谱和覆盖度的马铃薯叶片钾含量估算方法

叶片钾含量(Leaf potassium content, LKC)是表征作物钾素营养状况的重要指标,高效准确地获取马铃薯LKC有助于精准农业施肥管理。本研究旨在通过结合马铃薯关键生育期RGB影像提取的植被指数(VIs)和植被覆盖度(FVC),提高马铃薯关键生育期LKC估算的准确性。首先从马铃薯块茎形成期(S1)、块茎增长期(S2)和淀粉积累期(S3)的RGB影像中提取VIs和FVC,然后分别分析每个生育期VIs和FVC与马铃薯LKC的相关性,最后利用支持向量机(Support vector machine, SVM)、Lasso回归(Least absolute shrinkage and selection operator, Lasso)和岭回归构建马铃薯LKC的估算模型。结果表明：基于RGB影像提取的马铃薯FVC精度较高,且前两个生育期高于第3个生育期;利用VIs估算马铃薯LKC是可行的,但精度有待进一步提高;VIs结合FVC可以提高马铃薯LKC的估算精度。本研究可为作物生长和钾素营养状况监测提供技术参考。     

马铃薯叶片早疫病的高光谱识别研究

为实现马铃薯叶片早疫病的快速识别,达到尽早防治的目的,利用高光谱成像系统连续4天采集375~1018nm波段内的健康和染病马铃薯叶片的高光谱数据信息,并用ENVI软件提取感兴趣区域的光谱反射率平均值。分别建立基于全光谱(full spectrum,FS)、连续投影算法(SPA)和载荷系数法(x-LW)提取的特征波长的BP网络和LS-SVM识别模型,其中FS-BP、SPA-BP、x-LW-BP模型中预测集识别率分别为100%、100%、98.33%,LS-SVM模型的预测集识别率均为100%;SPA和x-LW提取的特征波长个数均仅占全波长的1.47%,大大简化了模型,提高了运算速率。实验表明:应用高光谱成像技术可以快速、准确地识别出马铃薯叶片早疫病,且SPA和x-LW可以作为特征波长提取的有效方法,为田间马铃薯早疫病的在线实时检测仪器的开发提供理论依据。     

马铃薯叶片光化学吸收与反射光谱关联分析及检测

为开展马铃薯叶片PSⅡ叶绿素荧光参数无损检测研究,利用高光谱成像系统采集200个感兴趣区域样本点的光谱图像并提取反射率,使用封闭式叶绿素荧光成像系统采集相应样本点的qP值。采用SPXY算法将总样本按照2∶1的比例划分为建模集(135个样本)和验证集(65个样本),采用联合区间偏最小二乘法(Synergy interval partial least squares,si-PLS)和随机蛙跳(Random frog,RF)算法各筛选出18个敏感波长,并用选择的特征波长建立偏最小二乘回归(Partial least squares regression,PLSR)模型。结果表明：si-PLS-PLSR模型的建模集决定系数R2c为0.6285,验证集决定系数R2v为0.6103;RF-PLSR模型的建模集决定系数R2c为0.7093,验证集决定系数R2v为0.6872。结果表明利用RF算法筛选的特征波长对马铃薯叶片qP值检测的解释性优于si-PLS算法,特征波长在518.72~640.64nm、650~800nm和850~1000nm范围,体现了荧光发射信号是马铃薯作物光化学吸收qP值的重要响应特征,且叶片光化学吸收与叶绿素含量、叶片结构、水分含量等属性紧密关联。绘制叶片qP值分布图为分析马铃薯叶片光化学吸收和光合作用动态提供了直观的分析手段,可为马铃薯作物光合活性评价及复杂生理生化动态监测提供支持。     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量（PNC）信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高（H）和地面控制点（GCP）的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像（DOM）和数字表面模型（DSM）,并从中提取冠层光谱特征和株高(H_dsm)。然后将各生育期提取的H_dsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和H_dsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合H_dsm利用多元线性回归（MLR）、误差反向传播（BP）神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的H_dsm与实测H具有较高的拟合度（R²为0.860,RMSE为2.663 cm, NRMSE为10.234%）;各生育期加入H_d...     

水氮量对层状包气带土壤氮素迁移累积的影响分析

采用田间小区试验,研究夏玉米/冬小麦轮作期间不同水氮处理对0~450cm土壤NO-3-N、NH+4-N和总N迁移累积的影响。结果表明,层状包气带土壤的质地和结构对水分、NO-3-N和总N在土层中的分布均有显著影响,而土壤结构只对NH+4-N有显著影响。不同水氮处理对土壤NO-3-N、NH+4-N和总N的直接影响深度分别为400、200和120cm,间接影响深度都为400 cm。单次灌水量52.5 mm、单次施氮量195 kg/hm2的处理土壤NO-3-N在0~250cm土层发生明显的迁移现象;而单次灌水量105 mm、单次施氮量大于等于130kg/hm2的处理在0~400 cm土层发生明显的迁移现象。对于“壤土-砂土-壤土” 结构的包气带土壤,土壤中NO-3-N、NH+4-N和总N质量比从大到小为：380~450 cm壤土土层、0~120 cm壤土土层、120~380 cm砂土土层、380~450 cm特殊的壤土土层对水分和氮素的迁移起到了阻碍作用。建议当地种植夏玉米/冬小麦期间,单次灌水量为52.5 mm、施氮量为65 kg/hm2。     

基于冠层光谱特征和株高的马铃薯植株氮含量估算

为及时准确地掌握作物的植株氮含量(PNC)信息,监测作物生长状况,实现农田氮素施肥的科学管理,以马铃薯为研究对象,首先获取了现蕾期、块茎形成期、块茎增长期、淀粉积累期和成熟期的数码影像,并实测了各生育期的PNC、株高(H)和地面控制点(GCP)的三维坐标。其次利用各生育期的无人机数码影像与GCP结合生成试验区域的数字正射影像(DOM)和数字表面模型(DSM),并从中提取冠层光谱特征和株高(Hdsm)。然后将各生育期提取的Hdsm和数码影像变量与地面实测的PNC进行相关性分析,从中筛选出相关性较好的影像变量和Hdsm作为马铃薯PNC估算模型的输入参数。最后分别基于影像变量和影像变量结合Hdsm利用多元线性回归(MLR)、误差反向传播(BP)神经网络和Lasso回归3种方法构建马铃薯PNC估算模型。结果表明：基于DSM提取的Hdsm与实测H具有较高的拟合度(R2为0.860,RMSE为2.663cm,NRMSE为10.234%);各生育期加入Hdsm,均能提高马铃薯PNC的估算精度和稳定性;各生育期利用MLR方法构建的PNC估算模型优于BP神经网络和Lasso回归。该研究可为马铃薯PNC状况的高效、无损监测提供技术支撑。     

马铃薯晚疫病叶片SPAD值的高光谱研究

对晚疫病害胁迫下马铃薯叶片中叶绿素含量(SPAD)及植被指数与高光谱特性进行了关联研究。首先,对接种晚疫病菌的马铃薯叶片进行连续观测7天,获取375~1 018nm波段范围内叶片的高光谱信息和SPAD信息;然后,应用ENVI软件提取高光谱数据中感兴趣区域的平均光谱信息,选择预处理效果最好的方法建立不同的预测模型,包括基于全光谱和连续投影算法(Successive Projection Algorithm,SPA)选择特征波长的偏最小二乘回归(Partial Least Squares Regression,PLSR)模型与最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)模型,以及4种植被指数RENDVI、VOG1、VOG2、VOG3建立的简单经验估测模型。建模结果表示:全光谱的PLSR模型预测效果最好,而基于特征波长的LS-SVM模型和植被指数的二次多项式模型预测效果稍差,但大大简化了模型,为后续开发便携式仪器提供理论依据。研究表明:应用高光谱技术检测遭受晚疫病害的马铃薯叶片的SPAD及植被指数是可行的,为病害胁迫下作物的其他化学指标实时监测提供了新的路径。     

基于不同有效积温的玉米干物质累积量模拟

为获得研究区适宜的玉米干物质累积量(DM)估算模型,通过2017—2019年在吉林省长春地区开展的3年农田试验,观测玉米生育期内作物根区20 cm地温、40 cm地温、农田气温、作物冠层温度以及玉米地上部干物质累积量等数据,建立基于不同有效积温的Logistic模型及其归一化模型,并用实测数据进行模型验证。结果表明,基于有效积温建立的Logistic模型可以模拟单株玉米干物质累积量生长,但不同地点、不同年份所建立的模型参数差异较大;Logistic归一化模型能够很好地模拟区域玉米干物质增长,在利用实测数据进行模型验证中,基于作物根区20 cm地温、40 cm地温、农田气温和作物冠层温度4种类型有效积温的Logistic归一化模型,其均方根误差、相对误差、决定系数和模型一致性系数都能达到较优值;以2019年数据建立的Logistic归一化模型对玉米干物质累积量模拟效果最优;基于有效冠层积温的Logistic归一化模型模拟效果较优。本研究结果可为灌区精量灌溉决策和管理提供技术支撑。     

基于SVR算法的苹果叶片叶绿素含量高光谱反演

为实现苹果叶片叶绿素含量的高光谱反演,分析了多种光谱参数与实测SPAD值的相关性,并将归一化光谱参数值及SPAD值进行多项式回归及支持向量回归。其中以归一化植被指数为变量的SVR(Support vector regression)反演模型在建模及模型检验中决定系数分别为0.741 0、0.891 4,均方根误差分别为0.133 2、0.125 6,具有较高的精度及良好的预测能力。与多项式回归相比,SVR具有更好的反演效果,可以作为叶绿素高光谱反演的优选算法。     

高光谱成像技术的玉米叶片氮含量检测模型

应用高光谱成像技术,实现了玉米拔节期叶片氮含量的检测。提取出240个叶片样本的平均光谱反射率数据(400~1 000nm),对原始数据分别进行3种预处理(1stDer、2ndDer、SNV),建立了4种预测模型,包括基于幅值参数(Dλr、Dλy、Dλb)的多种回归模型、全光谱PLS模型、基于连续投影算法(SPA)的PLS模型及基于主成分分析法(PCA)的PLS模型。建模结果显示:基于PCA的PLS模型预测精度最低;全光谱的PLS模型Rc2和RP2分别为0.967、0.821;基于SPA算法的PLS模型R_c~2、R_P~2分别为0.944、0.749,与全光谱的PLS模型预测精度相当,而自变量个数减少了95.07%。基于幅值参数的多元回归模型其预测结果虽与基于全光谱的PLS模型有些许差距,但模型简单,运算量最小,适用于对精度要求不高的场合。