论文部分内容阅读
作物氮素营养诊断不仅能在保证产量的前提下减少氮肥用量,而且可以有效降低因过量氮肥施用造成的环境污染。近年来,图像传感器和计算机视觉技术迅速发展,为利用数字图像进行氮素营养诊断提供了更为便捷的方式。但在大田自然光条件下,拍摄的图像易受到大尺度光照变化和作物冠层结构的影响。因此,如何提高氮素诊断精度还需要更深入的研究。本研究以不同年份、品种和施氮水平下的大田试验为基础(中国科学院常熟农业生态实验站),在不同生育期获取了自然光条件下的水稻冠层可见光图像和标准光源下的单叶可见光图像,并同步测试了生物量、植株氮浓度和SPAD值(相对叶绿素含量)等指标。图像经过校正、分割和转换等预处理后,提取与冠层覆盖度和颜色相关的特征参数,并与植株实测的生理指标对比分析以判断水稻氮素营养状况。获得的主要研究结果如下: 自然光条件下冠层图像中提取的颜色特征参数与水稻叶片SPAD值和叶片氮浓度(LNC)间存在显著线性相关关系。在这些特征参数中,CIEL*a*b*颜色空间中的参数b*与SPAD和LNC间的相关系数最高。但基于颜色特征参数和SPAD值构建的LNC估计模型受水稻生育时期的影响。在模型中引入移栽后天数(DAT)进行二元线性回归有效的消除了生育时期的影响。 水稻在不同生育时期的比叶重(SLW)存在差异,它反映了叶片厚度的变化,也在一定程度上解释了不同生育时期特征参数的变化。SPAD值通过SLW校正后显著消除了LNC估计模型在不同生育时期的差异。与光照强度变化不相关的特征参数通过SLW校正后,特征参数与LNC间在不同生育时期的关系也得到了改善。但受光照强度影响的特征参数和LNC间的关系不能通过SLW进行校正。 与颜色特征参数相比,从图像中提取的冠层覆盖度(CC)具有精度高,不易受光照条件变化影响等特点。CC与水稻地上部干物质量、叶面积指数和地上部植株氮素积累量之间具有显著指数相关关系,不同氮肥处理下的CC随施氮量的增加而增加。本研究建立了一种基于冠层覆盖度的新的临界氮稀释模型(Nc=1.89CC-0.51)。与传统的基于地上部干物质量的临界氮稀释模型(Nc=3.33DM-0.26)相比(由相同数据集建立),新建立的模型具有更高的精度。基于不同指标建立的临界氮稀释模型都可以准确区分水稻的氮素营养状况,但新模型的建立(通过数字图像)具有速度快、操作简单、精度高、成本低等优点。 基于冠层覆盖度的氮营养指数(NNI)与各试验水稻相对产量和施氮量间都具有显著线性相关关系。当NNI≤0.94时,水稻产量随NNI线性增加,当NNI>0.94时水稻产量维持恒定。基于本研究试验所处的气候和土壤条件,NNI=0.94为最佳供氮状态,对应的氮肥施用量为180 kg hm-2。此外,由图像参数b*和CC计算的氮饱和指数(NSI)与施氮量间也存在显著指数相关关系,回归分析的R2分别达到0.97**和0.95**。但应用这两种类型的NSI推荐施肥时结果存在一定差异,需要根据参数类型和实际水稻氮素营养状况单独设定NSI临界值。 虽然自然光条件下拍摄的图像容易受到光照变化的影响,但利用数字图像对作物进行氮素营养诊断和推荐施肥操作简单,成本低,与终端设备结合后可以在田间实时获取诊断结果。下一步研究将致力于如何消除光照强度变化对图像特征参数的影响。