基于无人机和地面数字影像的水稻氮素营养诊断研究

选用扫描仪和无人机平台获取水稻叶片和冠层的数字图像,运用数字图像处理技术研究不同氮素营养水平水稻叶片和冠层的综合特征信息,从而应用于水稻的氮素营养诊断。结果表明:1)通过叶片叶绿素a含量和扫描叶片颜色参量之间的相关性分析,得到可用于诊断水稻氮素营养水平的叶片颜色特征参量B、b、b/(r+g)、b/r、b/g。通过叶片的颜色、形状综合特征信息与YIQ电视信号彩色坐标系统的参量建立氮素营养的识别模型,4个不同氮素水平的正确识别率分别为:N0(0 kg N.hm-2)74.9%,N1(60 kgN.hm-2)52%,N2(90 kg N.hm-2)84.7%,N3(120 kg N.hm-2)75%;2)无人机获取的田间冠层图像识别水稻氮素营养水平的综合特征参量是G、B、b、g、b/(r+g)、b/r、b/g、H、S、DGCI,选择相同的CB参量建立冠层氮素营养的识别模型,4个不同氮素水平的正确识别率为:N0(0 kg N.hm-2)91.6%,N1(60 kgN.hm-2)70.83%,N2(90 kg N.hm-2)86.7%,N3(120 kg N.hm-2)95%。初步研究表明基于综合特征的氮素诊断模型区分效果比较好,利用叶片扫描图像和无人机识别与诊断田间水稻氮素是可行的。     

傅立叶变换中红外光谱估测水稻叶片氮素含量的研究

通过不同氮素水平的水稻田间试验,在分析测定了水稻叶片叶绿素、氮素等农学参数后,采用傅立叶中红外光谱仪测定了水稻孕穗期叶片干样的透射光谱,利用协同偏最小二乘算法（siPLS）分析选取了傅立叶变换红外光谱估测水稻氮素含量的敏感波段及其组合。结果表明,其最优主成分数是9个,最佳估测建模的波段组合分别为1350.89～1586.57, 1587.53～1822.40 和 3709.41～3943.72 cm-1;建立的水稻氮素预测模型的精度较高,交互验证均方根误差（RMSECV）和预测均方根误差（RMSEP）分别为0.1538和0.1933,预测值与化学分析获得的叶片总氮浓度之间的交互相关系数和独立检验相关系数分别为0.9393和0.6649,高于中红外光谱指数NFS和NFSA的预测精度。说明利用傅立叶红外光谱作为水稻氮含量的诊断技术是可能的,值得进一步验证和完善。     

基于GIS和地统计学的低丘红壤地区三种土壤性质空间变异性研究

以浙江省金华市为例,采用地统计学和GIS相结合的方法,对低丘红壤地区土壤有机质、有效N、有效K3种主要性质的空间变异特性进行研究。研究表明,通过平方根转换后,三者都呈很好的正态分布。有机质的变异函数曲线的理论模型较好地符合球状模型,有效N和有效K则符合指数模型。三者都属于中等空间相关性,同时受到结构性因素和随机性因素的共同影响。通过分析3种土壤性质的各向异性,发现不同的土壤性质有不同的空间分布,同一土壤性质在不同的方向上也有不同的空间变异性。