论文部分内容阅读
水分是限制小麦生长发育的重要因素之一,不合理的灌溉不仅造成水资源浪费,还会影响小麦的外部表型、内部生理、产量与品质。因此,在水资源短缺条件下,研究不同灌水次数对小麦叶片及植株含水量的影响,构建小麦叶片及植株含水量的高光谱监测模型,对实现麦田精准灌溉管理具有重要意义。为此,以河南省7个主推小麦品种为材料,设置全生育期不灌水(w0)和拔节期灌1水(w1)、拔节期+灌浆期灌2水(w2)三个灌水次数处理,系统研究了灌水次数对小麦叶面积指数、生理参数、产量和灌水效率等的影响;分析了小麦冠层含水量、植株含水量、冠层等效水厚度、倒一叶、倒二叶及倒三叶含水量等对灌水次数的响应及与产量的关系。采用相关系数法和载荷系数法筛选与小麦水分含量相关的特征波段,利用光谱指数、偏最小二乘法(PLSR)、随机森林(RF)、极端随机树(ERF)和最邻近结点(KNN)等5种不同建模方法,构建小麦叶片及植株含水量监测模型。主要结果如下:
1.研究灌水次数对不同小麦品种叶面积指数、生理参数、产量和灌水效率的影响。结果表明,灌1水(w1)和灌2水(w2)条件下,小麦叶面积指数(LAI)和叶绿素含量(SPAD)都显著高于不灌水(w0)处理;可溶性糖和脯氨酸含量均表现为w0>w1>w2。w1处理下产量和灌水利用效率相对较高。不同品种间比较,w0处理洛麦27和洛麦34的产量均高于其他品种;灌水后所有品种均表现出增产趋势,其中,w1处理周麦22和中育1211的增产率较高,洛麦34和洛麦27的增产率较低;w2处理郑麦16的增产率最高,郑麦136和郑麦22增产率较低。
2.研究灌水次数对小麦植株与叶片含水量的影响,构建了小麦水分高光谱监测模型。结果表明,小麦冠层叶片含水量、植株含水量、冠层等效水厚度均在拔节水后10d达最大值,其中,冠层等效水厚度对灌水次数的响应程度最高。w0处理下六个含水量指标均在生育后期显著低于灌1水和灌2水处理(除灌浆后倒三叶)。小麦叶片和植株含水量等指标与产量在灌浆期后均存在显著相关性,其中冠层等效水厚度与产量的相关性最好。小麦品种间冠层光谱反射率随生育时期的递进呈先增后减的趋势,抽穗期达最大值;灌水次数间,冠层光谱反射率随灌水次数的增加而增加,并以近红外波段(750~1350nm)最为明显。光谱指数NDVI(R1181,R1301)和RVI(R540,R699)与冠层含水量、植株含水量、冠层等效水厚度、不同叶位含水量具有较好的相关性;以两个光谱指数结合构建的多元回归模型能够显著提高建模精度和预测精度,除倒三叶外,建模决定系数R2均达0.80以上,验证集决定系数分别为0.83、0.88、0.80、0.72、0.72和0.64。
3.利用机器学习优化小麦叶片和植株含水量相关指标监测模型的构建方法。结果表明,与全波段(350~2500nm)光谱反射率构建的模型相比,相关系数法和载荷系数法分别提取的100个和28个水分特征波段所构建的小麦含水量估测模型精度未有明显降低。其中,载荷系数法结合极端随机树(ERT-x-LW)构建的模型精度表现最好,构建的冠层含水量、植株含水量、等效水厚度、倒一叶含水量、倒二叶含水量和倒三叶含水量估测模型的决定系数R2分别为0.88,0.90,0.92,0.90,0.88和0.79,验证集决定系数分别为0.84,0.86,0.84,0.86,0.83,0.76。利用载荷系数法提取水分特征波段构建的极端随机树模型能够简化模型输入,模型精度优于光谱参数NDVI(R1181,R1301)和RVI(R540,R699)构建的含水量估测模型。
1.研究灌水次数对不同小麦品种叶面积指数、生理参数、产量和灌水效率的影响。结果表明,灌1水(w1)和灌2水(w2)条件下,小麦叶面积指数(LAI)和叶绿素含量(SPAD)都显著高于不灌水(w0)处理;可溶性糖和脯氨酸含量均表现为w0>w1>w2。w1处理下产量和灌水利用效率相对较高。不同品种间比较,w0处理洛麦27和洛麦34的产量均高于其他品种;灌水后所有品种均表现出增产趋势,其中,w1处理周麦22和中育1211的增产率较高,洛麦34和洛麦27的增产率较低;w2处理郑麦16的增产率最高,郑麦136和郑麦22增产率较低。
2.研究灌水次数对小麦植株与叶片含水量的影响,构建了小麦水分高光谱监测模型。结果表明,小麦冠层叶片含水量、植株含水量、冠层等效水厚度均在拔节水后10d达最大值,其中,冠层等效水厚度对灌水次数的响应程度最高。w0处理下六个含水量指标均在生育后期显著低于灌1水和灌2水处理(除灌浆后倒三叶)。小麦叶片和植株含水量等指标与产量在灌浆期后均存在显著相关性,其中冠层等效水厚度与产量的相关性最好。小麦品种间冠层光谱反射率随生育时期的递进呈先增后减的趋势,抽穗期达最大值;灌水次数间,冠层光谱反射率随灌水次数的增加而增加,并以近红外波段(750~1350nm)最为明显。光谱指数NDVI(R1181,R1301)和RVI(R540,R699)与冠层含水量、植株含水量、冠层等效水厚度、不同叶位含水量具有较好的相关性;以两个光谱指数结合构建的多元回归模型能够显著提高建模精度和预测精度,除倒三叶外,建模决定系数R2均达0.80以上,验证集决定系数分别为0.83、0.88、0.80、0.72、0.72和0.64。
3.利用机器学习优化小麦叶片和植株含水量相关指标监测模型的构建方法。结果表明,与全波段(350~2500nm)光谱反射率构建的模型相比,相关系数法和载荷系数法分别提取的100个和28个水分特征波段所构建的小麦含水量估测模型精度未有明显降低。其中,载荷系数法结合极端随机树(ERT-x-LW)构建的模型精度表现最好,构建的冠层含水量、植株含水量、等效水厚度、倒一叶含水量、倒二叶含水量和倒三叶含水量估测模型的决定系数R2分别为0.88,0.90,0.92,0.90,0.88和0.79,验证集决定系数分别为0.84,0.86,0.84,0.86,0.83,0.76。利用载荷系数法提取水分特征波段构建的极端随机树模型能够简化模型输入,模型精度优于光谱参数NDVI(R1181,R1301)和RVI(R540,R699)构建的含水量估测模型。