基于高光谱遥感的小麦籽粒产量预测模型研究

为了确立能够准确预测小麦籽粒产量的敏感光谱参数和定量模型,于2003～2006年连续3个生长季,通过不同小麦品种和不同施氮水平的4个大田试验,在小麦不同生育期采集田间冠层高光谱数据并测定植株氮含量、重量和叶面积指数及成熟期籽粒产量,定量分析小麦籽粒产量与冠层高光谱参数的相互关系.结果显示,小麦籽粒产量随施氮水平的提高而增加,不同地力水平间存在显著差异.灌浆前期叶片氮积累量和叶面积氮指数均能够较好地反映成熟期籽粒产量状况,而叶片氮含量和氮积累量及叶面积氮指数在拔节～成熟期的累积值与成熟期籽粒产量的回归拟合效果更好.对叶片氮含量和氮积累量及叶面积氮指数的光谱反演,在不同品种、氮素水平和年度间可以使用统一的光谱参数.根据"特征光谱参数-叶片氮素营养-籽粒产量"这一技术路径,以叶片氮素营养为交接点将模型链接,建立了基于灌浆前期高光谱参数及拔节期～成熟期特征光谱指数累积值的小麦籽粒产量预测模型.经两年独立试验数据检验表明,利用灌浆前期关键特征光谱指数可以有效地评价小麦成熟期籽粒产量状况,拔节～成熟期特征光谱指数的累积值能够稳定预报不同条件下小麦成熟期籽粒产量的变化.因此,利用冠层特征光谱指数可以快速无损地预报小麦成熟期籽粒产量.     

监测花生叶面积指数和地上部生物量的最优植被指数及适宜波段带宽

为推动光谱遥感在快速无损监测花生生长中的应用,明确监测花生叶面积指数（leaf area index,LAI）和地上部生物量（aboveground biomass,AGB）的最优植被指数及适宜的核心波段带宽。设置2个花生品种、4个施氮水平的花生田间试验,在不同生育时期（苗期、开花下针期、结荚期、成熟期）用Analytical Spectral Devices（ASD）公司生产的FieldSpec HandHeld 2型野外高光谱辐射仪,采集325~1075 nm范围冠层反射光谱,筛选敏感植被指数,并研究核心波段带宽对其监测叶面积指数（LAI）和地上部生物量（AGB）时精度的影响。结果显示,对花生LAI和AGB敏感的植被指数均为归一化红边指数（normalized difference red edge）,即NDRE（λ₇₉₀, λ₇₂₀）。进一步分析这一指数的监测精度随波段带宽的变化,发现监测LAI时,核心波段带宽（bandwidth,b）在（λ₇₉₀：1~33 nm,λ₇₂₀：41~59 nm）范围内时能使NDRE（λ₇₉₀, λ₇₂₀）保持较高监测精度,其中带宽组合（λ₇₉₀：33 nm,λ₇₂₀：53 nm）的带宽和值最大,对核心波段带宽的要求最低,利用其构建监测模型时决定系数（determination coefficient,R²）为0.7482,利用独立试验数据检验模型时相对均方根误差（relative root mean square difference,RRMSE）为13.88%。监测花生AGB时,核心波段带宽在（λ₇₉₀：1~101 nm,λ₇₂₀：19~101 nm）范围内时能使NDRE（λ₇₉₀, λ₇₂₀）保持较高的监测精度,其中带宽和值最大的核心波段带宽组合为（λ₇₉₀：89 nm,λ₇₂₀：89 nm）,其建模R²为0.7103,检验RRMSE为20.42%。综上,在花生整个生长进程中,可用上述两个具有不同核心波段带宽的植被指数NDRE（λ₇₉₀-b₃₃, λ₇₂₀-b₅₃）和NDRE（λ₇₉₀-b₈₉, λ₇₂₀-b₈₉）分别对LAI和AGB进行监测,监测模型为LAI = 0.0296 × exp^{（14.365×NDRE）}和AGB = 0.6240 × exp^{（20.222×NDRE）}。在核心波段适宜带宽上的研究结果,可以为花生长势光谱监测设备研发及评估提供参考。     

基于知识模型和生长模型的小麦管理决策支持系统

 将系统分析方法和数学建模技术应用于小麦栽培管理知识表达体系,通过解析和提炼小麦生育、管理指标与环境因子、生产水平之间的基础性关系和定量化算法,创建了小麦栽培管理动态知识模型(WheatKnow);进一步结合小麦生长模拟模型(WheatGrow)和小麦管理智能系统,充分利用软构件的语言无关性、可重用性及简便快捷的系统维护机制等特点,在Visual　C++和Visual　Basic平台上构建了综合性、数字化和构件化的基于知识模型与生长模型的小麦管理决策支持系统(MBDSSWM),实现了预测功能和决策功能的有机耦     

水稻高光谱红边位置与叶层氮浓度的关系

实时无损监测叶片氮素状况对水稻精确氮素管理具有重要意义。本研究基于多年不同施氮水平和不同水稻品种的田间试验观测资料,系统分析了水稻高光谱红边区域和位置特征与冠层叶片氮浓度的定量关系。结果表明,水稻冠层的红边区域光谱受施氮水平和品种影响较大,一阶导数光谱在红边区域出现“三峰”现象。经典的红边位置(660~750 nm之间光谱反射率的一阶导数最大值)由于“三峰”特征现象而对水稻氮素浓度变化不够敏感,难以适用于水稻氮素状况的准确监测。基于倒高斯模型、线性内插法和线性外推法构造的红边位置随水稻氮浓度呈现连续变化模式,适用于水稻叶层氮浓度的定量监测;另外,基于695 nm、700 nm和705 nm等3个波段的拉格朗日算法也可估测水稻叶层氮浓度。比较不同红边位置发现,改进型线性外推法较其他几种算法更能有效地监测水稻冠层叶片氮浓度。