论文部分内容阅读
基于光谱的作物氮素营养无损监测与精确调控技术对于高产优质高效作物生产及精确氮肥管理具有重要的意义。本研究以不同年份、不同品种、不同密度、不同氮肥水平、不同播期和不同生态点的11个小麦田间试验数据为基础,利用多种光谱仪获取冠层反射光谱数据,确定小麦植株吸氮量核心波段、适宜带宽和特征光谱指数,建立基于光谱指数的小麦植株吸氮量(plant nitrogen uptake, PNU)监测模型,探寻小麦生育期快速监测方法,构建植株吸氮量和光谱指数适宜动态模型,并集成建立植株氮素营养实时调控模型,研究结果为遥感技术在作物氮素营养管理上的应用提供理论基础与技术支持。首先,提出了一种新的确定小麦植株吸氮量核心波段和适宜带宽的方法。利用该方法,确定NDVI (807,736)是小麦植株吸氮量估测的最佳指数,定义为植株吸氮量指数(plant nitrogen uptake index, PNUI)。基于植株吸氮量指数构建的监测模型具有较高的准确性,决定系数(R2)达到0.878,均方根误差(RMSE)为1.501gNm-2。独立试验资料的检验证明模型的稳定性高,检验的决定系数(R2)为0.834,均方根误差(RMSE)为1.316gNm-2。进一步研究发现不同的核心波段具有特定的最适带宽,并且最适带宽与其构成植被指数的另一核心波段相关。NDVI (807,736)的核心波段807nm和736nm的最优带宽分别为71nm和18nm。其次,比较了不同年份、品种及氮肥处理下植株吸氮量和植株吸氮量指数(PUNI)的变化规律。根据小麦不同产量水平进行聚类分析,结果发现成熟期植株吸氮量按照相应的产量水平大致可以分为中产(Median yield,5250kg·hm-2),高产(High yield,6750kg·hm-2)和超高产(Super high yield,8250kg·hm-2)。利用动态建模技术,建立了不同产量水平下的适宜植株吸氮量和植株吸氮量指数动态模型。拟合的定量模型具有较好的表现,植株吸氮量的Logistic模型的决定系数(R2)均大于0.93,均方根误差(RMSE)均小于0.56gNm-2；植株吸氮量指数的双Logistic模型的决定系数(R2)均大于0.93,均方根误差(RMSE)均小于0.005。进一步构建了基于植被指数的小麦追氮调控模型,并设置了不同的基施氮肥试验,根据小麦精确追氮调控模型所计算出的适宜追氮量进行调控,比较了各调控处理和相应对照处理下的施氮量、生物量、植株吸氮量、产量及氮肥利用率。结果表明与相应的对照处理相比,精确追氮调控处理下的小麦产量分别提高了10.3%、2.9%和3.7%,总施氮量分别为对照处理的176.3%、103.7%和85.3%；氮肥利用率也得到了提高。然后,基于不同施氮量、品种、播期和密度的六年小麦田间试验,利用GreenSeeker系统测定了不同处理下主要生育期的冠层反射光谱,通过分析冠层反射光谱与生育进程之间的规律性关系,提出了一种快速监测冬小麦生育期的新方法。结果表明,NDVI随累积生长度日的变化规律可以通过双Logistic方程来拟合；基于NDVI及其一阶导数值(FD_NDVI),通过Fisher线性判别函数,建立了小麦生育期监测模型。研究结果表明,双Logistic方程可以较好解释不同处理下NDVI时间序列的变化规律,而建立的Fisher线性判别函数可以可靠地监测生育期,精度达87.23%。最后,比较和转化了不同传感器获得的光谱反射率和植被指数数据。同步获取的不同地面传感器(ASD, CropScan, GreenSeeker)光谱反射率数据的比较研究发现：基于ASD传感器构建的植株吸氮量指数PUNI为植株吸氮量监测的最佳光谱指数,构建的植株吸氮量模型表现优于CropScan和GreenSeeker (R2为0.885,RMSE为1.440gNm-2)。最后构建了不同传感器的植被指数的相互校正模型,实现了不同传感器数据的相互校正。