生姜叶片氮含量的高光谱遥感估算模型研究

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象,获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据,对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上,基于波段组合算法,筛选出了生姜叶片氮含量的敏感波段,并构建了两个新型光谱指数NDSI_((754,713))和RSI_((754,713))。结果表明,所选择的植被指数中,MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量估算效果最好,模型精度R~2、RMSE和RE分别为0.73、0.27、11.64%;利用波段组合算法构建的归一化光谱指数NDSI(754,713)对生姜叶片氮含量估算效果要优于MCARI(705,750)/OSAVI(705,750),模型估算精度R~2达0.83,使用的敏感波段713 nm与754 nm均位于植被的"红边"区域。对所建模型进行验证,叶片氮含量的预测值和实测值具有较好的一致性,验证样本R~2为0.78,RMSE为0.20,RE为9.81%。上述分析结果可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。     

基于不同土壤质地的小麦叶片氮含量高光谱 差异及监测模型构建

【目的】叶片氮素状况是小麦生产中精确施氮管理与调控的前提,实时无损监测叶片氮素状况对小麦生产管理具有重要意义。本文旨在综合分析不同环境下小麦冠层光谱响应差异,进而构建其估测模型,为小麦氮肥合理运筹提供技术支持。【方法】本研究基于3种不同土壤质地（砂土、壤土和黏土）、5种不同施氮水平（0、120、225、330和435 kg•hm-2）及3种河南省主栽小麦品种（矮抗58、周麦22和郑麦366）连续2年的大田试验,于小麦主要生育时期同步测定冠层光谱反射率和叶片氮含量,对3种不同土壤质地条件下小麦冠层叶片氮含量的高光谱响应差异进行比较,系统分析350—1 050 nm 波段范围内任意两波段组合而成的差值（DSI）、比值（RSI）及归一化差值（NDSI）光谱指数与叶片氮含量的量化关系,并建立估算模型。【结果】冠层光谱反射率在不同施氮水平和不同生育时期下存在明显差异,但趋势基本一致;比较3种土壤质地小麦冠层光谱反射率大小表现为：黏土＞壤土＞砂土,可以反映小麦实时田间长势。通过系统分析3种土壤质地小麦冠层反射光谱与对应叶片氮含量间的定量关系,表明在可见光和近红外区域均有较好的相关性,但敏感波段区域有所不同。对3种质地获取的样本进行系统分析表明,砂土、壤土和黏土质地小麦叶片氮含量分别以光谱指数NDSI（FD710,FD690）、DSI（R515,R460）和RSI（R535,R715）建模结果表现最好,决定系数分别达到0.88、0.87和0.87。经不同年份独立资料检验结果显示,基于上述光谱指数估测小麦叶片氮含量的预测决定系数分别为0.87、0.85和0.77,预测均方根误差分别为0.31、0.32和0.26。【结论】利用光谱参数NDSI（FD710,FD690）、DSI（R515,R460）和RSI（R535,R715）为自变量建立的估测模型分别可以较好地预测砂土、壤土和黏土3种质地小麦叶片氮含量。     

灰漠土土壤全氮含量的高光谱特征分析及估测

【目的】研究传统土壤全氮含量测定方法,解决复杂、耗时、耗力等问题。【方法】以新疆干旱区灰漠土为研究对象,运用经典统计学和光谱学相结合的方法,研究灰漠土土壤全氮含量的光谱反射特性,通过对原始光谱的数据变换和相关性分析,构建了土壤全氮含量的高光谱估测模型,并对模型进行对比和验证。【结果】土壤中全氮含量不同光谱反射特性趋势相近,土壤的光谱反射率在780、1 800和2 140 nm波长附近出现波峰,在1 910 nm附近有明显的波谷,土壤全氮含量与原始光谱反射率相关性较差。通过一阶微分处理后的光谱数据与全氮含量的相关性显著优于原始光谱和二阶微分处理,最大相关系数为0.819,达到极显著相关;利用一阶微分变换从中提取特征波段667和1 414 nm,建立土壤全氮含量的估测模型:Y=2 698.048 X667-1062.149 X1414-0.015,R2为0.75,对估测模型进行验证发现,R2为0.80,当全氮含量过大或过小时,模型估测偏差相对较大,总体预测精度较高。【结论】高光谱分析技术对土壤全氮含量的预测具有一定的意义,利用估测模型可以快速鉴定土壤全氮含量。     

糜子叶片氮含量和籽粒蛋白质含量高光谱监测研究

【目的】本研究以叶片氮含量为切入点,探求糜子籽粒蛋白质含量的最佳光谱预测模型,为糜子优质生产的管理调控提供理论依据。【方法】结合2017年和2018年2年的氮肥运筹试验数据和光谱数据,通过“光谱特征信息—叶片氮含量—籽粒蛋白质含量”这一研究思路,以叶片氮含量为中间链接点将光谱模型和籽粒蛋白质含量链接,建立基于高光谱糜子籽粒蛋白质含量监测模型。【结果】利用支持向量机（SVM）构建的糜子全生育期叶片氮含量监测模型要优于逐步多元线性回归（SMLR）和偏最小二乘法（PLS）,并且原始光谱反射率（R）的SVM模型效果优于一阶导数（1ST）模型,建模集和验证集的R ²分别为0.928、0.924;RMSE相对较小,分别为0.19、0.12;RPD都大于2,分别为3.71、6.07。开花期、灌浆期和成熟期的叶片氮含量和籽粒蛋白质含量均达到极显著正相关,相关系数分别为0.48、0.66和0.73。灌浆期R-SVM模型能准确的监测糜子籽粒蛋白质含量,决定系数R ²为0.798,均方根误差RMSE为0.14,预测残差RPD为1.65。 【结论】建立基于灌浆期糜子籽粒蛋白质含量的高光谱R-SVM监测模型,有助于指导糜子优化田间管理、种植业结构调整和籽粒品质分级,为高光谱技术在糜子优质高产栽培和精准农业发展提供技术基础。     

基于近地高光谱遥感的小麦叶片生长参数动态模型研究

【目的】探讨利用遥感技术实时监测小麦叶片生长动态变化。【方法】以生产中大面积推广应用的小麦品种周麦27为试验材料,在2个试验地点布置水氮耦合处理试验,依据相关回归分析筛选出对叶片氮含量（LNC）和叶面积指数（LAI）反应敏感的高光谱植被指数,进而确立了不同产量层次的植被指数生育进程动态模型。【结果】LNC和LAI与近红外短波段735～1 075 nm呈显著正相关关系,而与可见光波段350～730 nm呈显著负相关关系。对LNC敏感的植被指数主要有AIVI、RES和mND924,而对LAI敏感的植被指数主要有ONLI、CI_green和MSR（800,670）,以上2类植被指数和籽粒产量间关系均密切,表现较好的时期主要为拔节期至灌浆中期阶段。采用双LOGISTIC模拟模型方法,优选的方程能够较好地模拟植被指数的生育进程动态轨迹,模型精度（R²）随着产量水平的逐渐提高而增加,低产水平的精度相对较差（0.627～0.703）,而高产及以上水平的R²较高（0.868～0.972）。【结论】高光谱植被指数AIVI和CI_gr...     

基于高光谱的土壤全氮含量估测

针对不同土壤特性的光谱相关分析,研究其与土壤全氮含量之间的关系,筛选出可以预测土壤全氮含量的最佳光谱特征参量,并构建相关估算模型。研究表明,土壤光谱反射率与土壤全氮含量之间呈较好的相关性。其中,全氮含量与土壤原始光谱反射率在1 867 nm处呈极显著负相关,相关系数达到-0.939 2;基于NDI预测土壤全氮含量的估算模型中,以指数函数关系模型(yTN=0.000 5e~(4.700 3)xNDI,R~2=0.798 2)为预测土壤全氮含量的最优模型,基于归一化光谱指数NDI在预测土壤全氮含量时表现出较好的效果。     

基于成像高光谱的小麦叶片叶绿素含量估测模型研究

为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。     

基于高光谱特征波长的冬小麦水分含量估测模型

【目的】以高光谱技术为核心,结合理化数据,建立快速、无损的冬小麦冠层水分含量估算模型,为利用高光谱技术进行小麦水分含量的无损检测提供参考。【方法】测定两种冬小麦的叶片、植株含水量,采集其光谱数据作SG平滑、一阶导数和二阶导数处理,分析其相关关系,构建冬小麦叶片和植株含水量的多种估算模型,进行精度评价。【结果】不同光谱数据处理中一阶导数变换能够显著增加与小麦含水量的相关性,叶片含水量在456 nm波长处达到了最大负相关,相关系数为0.87,植株含水量在457 nm波长处达到了最大负相关,相关系数为0.890 9;偏最小二乘回归构建的水分含量估测模型拟合精度优于线性和多元回归模型,线性模型采用R₆₅₀、SG₁₉₄₄、R′₄₅₆、R″₆₈₁构建的模型估测叶片含水量较好,估测植株含水量R₆₆₄、SG₆₆₃、R′₄₅₇、R″ ₆₈₁精度较高; 多元线性回归和偏最小二乘回归都是采用一阶导数变换构建的模型拟合精度最高,叶片和植株水分含量估测模型的外部检验R²分别达到0.803 2、0.867 0、0.854 0、0.885 6。【结论】小麦原始光谱一阶导数变换后能够显著提高与水分含量的相关性,利用PLSR方法构建的小麦水分含量估测模型拟合精度最高。     

基于土壤优化光谱参数估测太湖地区土壤全氮含量

为明确太湖地区土壤全氮的高光谱特征,构建定量分析模型,以江苏省无锡市滨湖区为研究区域,选取地理位置跨度大、土壤质地相似的93个样品,进行土壤风干样品全氮含量测定和光谱数据采集,对光谱反射率进行一阶微分,运用相关系数峰谷值法筛选敏感波长,将敏感波长两两结合进行土壤调节光谱指数（MSASI）运算。将两两结合后敏感波段分别采用多元线性回归分析、人工神经网络分析和偏最小二乘法构建土壤全氮含量的定量高光谱分析模型。结果表明,研究区内土壤全氮含量与光谱反射率呈正相关,敏感波段包括420~444 nm和480~537 nm。基于土壤调节光谱指数的多元线性回归分析对敏感波段诊断的效果最佳（R²=0.98、RMSE=0.04）,其精度高、可靠性强,是筛选出的最佳土壤全氮含量估测模型。偏最小二乘法模型（R²=0.70、RMSE=0.13）次之,而人工神经网络模型（R²=0.69、RMSE=0.15）精度最低。该研究结果为太湖地区土壤全氮水平的高光谱快速估测提供了方法借鉴,可为土壤养分精准管理提供技术参考。     

冬小麦冠层水平叶绿素含量的高光谱估测

【目的】利用高光谱数据对抽穗期冬小麦冠层叶绿素含量进行估测,旨在为叶绿素含量快速准确估测提供参考。【方法】利用ASD便携式野外光谱仪和SPAD-502叶绿素仪实测了冬小麦抽穗期冠层光谱反射率及叶绿素含量,并对原始光谱反射率及其一阶导数光谱与叶绿素相对含量进行了相关分析,建立了基于敏感波段、红边位置、原始光谱峰度和偏度、一阶导数光谱峰度和偏度的叶绿素估算模型,并进行检验,从中筛选出精度最高的模型。【结果】冬小麦冠层光谱曲线特征与叶绿素含量之间有着密切联系。基于原始光谱一阶导数偏度和峰度的冬小麦(抽穗期)叶绿素含量估算模型拟合精度优于其他4种估算模型,决定系数R2分别为0.847和0.572,均方根误差RMSE分别为0.397和0.697,相对误差RE分别为61.0%和119.0%,拟合精度优于其他4种估算模型。【结论】原始光谱一阶导数的偏度和峰度作为自变量能很好地估测抽穗期小麦冠层叶绿素含量。     

Common Spectral Bands and Optimum Vegetation Indices for Monitoring Leaf Nitrogen Accumulation in Rice andWheat

Real-time monitoring of nitrogen status in rice and wheat plant is of significant importance for nitrogen diagnosis, fertilization recommendation, and productivity prediction. With 11 field experiments involving different cultivars, nitrogen rates, and water regimes, time-course measurements were taken of canopy hyperspectral reflectance between 350-2 500 nm and leaf nitrogen accumulation (LNA) in rice and wheat. A new spectral analysis method through the consideration of characteristics of canopy components and plant growth status varied with phenological growth stages was designed to explore the common central bands in rice and wheat. Comprehensive analyses were made on the quantitative relationships of LNA to soil adjusted vegetation index (SAVI) and ratio vegetation index (RVI) composed of any two bands between 350-2 500 nm in rice and wheat. The results showed that the ranges of indicative spectral reflectance were largely located in 770-913 and 729-742 nm in both rice and wheat. The optimum spectral vegetation index for estimating LNA was SAVI (R822,R738) during the early-mid period (from jointing to booting), and it was RVI (R822,R738) during the mid-late period (from heading to filling) with the common central bands of 822 and 738 nm in rice and wheat. Comparison of the present spectral vegetation indices with previously reported vegetation indices gave a satisfactory performance in estimating LNA. It is concluded that the spectral bands of 822 and 738 nm can be used as common reflectance indicators for monitoring leaf nitrogen accumulation in rice and wheat.     

基于氮素叶绿素关系的冬小麦籽粒蛋白质含量高光谱反演

为进一步提高光谱数据反演小麦籽粒蛋白质含量的精度以及反演模型的可解释性,研究以籽粒蛋白质含量（GPC）-氮素-叶绿素之间的关系为载体,通过叶绿素筛选相关植被指数,采用偏最小二乘回归（PLS）方法建立GPC反演模型。结果表明,开花期是监测籽粒蛋白质含量的最优时期。开花期氮素与对应密度叶绿素的相关性较高。通过筛选出与叶绿素密切相关的植被指数,利用PLS建立籽粒蛋白质含量反演模型,模型决定系数R2为0.77,RMSE为0.95%,用其他年份数据进行模型验证,结果显示RMSE达到1.22%。本研究表明：基于氮素、叶绿素关系建立PLS反演模型能够实现不同年份GPC光谱遥感反演,且模型在年际间表现出较高的精度和稳定性。     

贵州南江3号烟叶全氮含量高光谱估算模型

为实现烟叶全氮含量快速无损检测,及时获取烤烟生长实时信息,以贵州喀斯特山区主栽品种南江3号为研究对象,利用地物高光谱仪采集烟叶高光谱,并测定其全氮含量,采用相关性和逐步回归方程分析全氮含量与原始光谱反射率、光谱反射率一阶微分、高光谱特征变量之间的关系。结果表明:全氮含量高光谱原始反射率的特征波长为702nm(r=—0.587),呈极显著负相关;光谱反射率一阶微分的特征波长为632nm(r=0.812),呈极显著正相关;绿峰与红谷比值Rg/Rr(r=—0.812)的相关系数较高;基于光谱反射率一阶微分的逐步回归方程对烟叶全氮含量的估测效果较好(R2=0.961,p0.01)。     

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

【目的】氮素是作物生长发育过程中最重要的营养元素之一,研究叶氮含量反演的有效光谱指标设置,为应用高光谱植被指数反演作物叶氮含量,以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例,选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据,通过遥感方法建立模型,模拟了不同光谱指标,即中心波长、信噪比和波段宽度对定量模型的影响,通过模型精度评价指标决定系数(coefficient of determination,R~2)、根均方差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、平均相对误差(mean relative error,MRE)和显著性检验水平(P0.01)确定最优模型及最佳指标,分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为MTCI_B,与实测叶氮含量的相关性最好(R~2=0.7674,RMSE=0.5511%,MAE=0.4625%,MRE=11.11个百分点,且P0.01),对应的最佳指标为中心波长420 nm、508 nm和405 nm,波段宽度1 nm,信噪比大于70 DB;高覆盖状况反演的最优指数为RVIinf_r(R~2=0.6739,RMSE=0.2964%,MAE=0.2851%,MRE=6.44个百分点,且P0.01),最优中心波长为826 nm和760 nm;低覆盖状况反演的最优指数为MTCI(R~2=0.8252,RMSE=0.4032%,MAE=0.4408%,MRE=12.22个百分点,且P0.01),最优中心波长为750 nm、693 nm和680 nm;应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型(R~2=0.9286,RMSE=0.3416%,MAE=0.2988%,MRE=7.16个百分点,且P0.01),明显优于最佳单一指数MTCI_B;模拟Hyperion和HJ1A-HSI传感器数据,联合反演模型精度(R~2为0.92—0.93,RMSE在0.37%—0.39%,MAE为0.285%左右,MRE约为7.00个百分点)明显优于单一植被指数反演精度(R~2为0.79—0.81,RMSE为0.63%—0.66%,MAE为0.455%左右,MRE约为10.90个百分点)。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演,作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度,具有较强敏感性。应用多指数联合反演模型,可显著提高反演精度,并且联合反演模型在不同高光谱传感器下有一定普适性。     

不同播种时期的冬小麦含氮量的研究

采用凯氏定氮法分别于10月10日、10月25日和11月10日测定了8月25日和9月24日播种的冬小麦的土壤、根和茎叶的含氮量。结果表明,10月10日测定的8月25日播种冬小麦土壤、根和茎叶含氮量为0.96,10.39,21.98g/kg,比10月25日与11月10日测定的含氮量分别高18.52%与71.43%,88.57%与131.40%,54.14%与92.98%;10月10日测定的9月24日播种冬小麦土壤、根和茎叶含氮量为0.97,16.66,42.50g/kg,比10月25日与11月10日测定的含氮量分别高31.08%与59.02%,51.18%与56.73%,55.28%与71.58%。随着气温降低,冬小麦土壤矿化氮的能力、根吸收氮的能力和茎叶积累氮的能力都在下降。