论文部分内容阅读
作物氮素营养的无损监测对氮肥精确管理具有重要意义。基于高光谱技术的作物生长监测技术为作物氮素营养信息的准确获取提供了有效的手段。本研究的目的是以不同年份、不同品种、不同施氮水平、不同水分处理的水稻和小麦田间试验为基础,对不同生育期下的冠层高光谱数据进行深入挖掘,探索指示稻麦氮素营养状况的共性核心波段和特征光谱参数,建立准确和可靠的氮素监测模型,为便携式稻麦氮素监测仪的研制提供技术支持。首先在充分考虑不同生育期下稻麦冠层光谱特征和田间生长状况的基础上,综合利用光谱分析法、作物生理生态原理和统计分析法,在水稻和小麦的不同生育阶段挖掘能反映稻麦氮素营养信息的共性核心波段,构建土壤调节植被指数和比值植被指数,并建立解释性较强、准确性较高的稻麦冠层氮素营养监测模型。结果显示,基于不同形式的植被指数类型,稻麦叶片氮含量估测的最佳植被指数抽穗前和抽穗后分别为SAVI(R722, R815)和RVI(R722, R815);稻麦叶片氮积累量的最佳植被指数抽穗前和抽穗后分别为SAVI(R822,R738)和RVI(R822, R738).进一步构建了可用于减轻两波段光谱植被指数饱和的三波段指数形式,并确立了新的最优稻麦冠层叶片氮含量和冠层叶片氮积累量的共性估测指数和定量模型。结果表明三波段光谱植被指数构建的监测模型稳定性和预测性较好,可用于稻麦拔节-灌浆期氮素营养的无损监测。其中光谱植被指数(R924-R703+2*R423)/(R924+R703-2*R423)构建的水稻、小麦叶片氮含量监测模型,决定系数R2分别为0.870和0.857,标准误SE为0.052和0.148,模型经独立试验资料的检验表现较好,精度均大于0.86,RRMSE均小于17%；三波段光谱植被指数(R816-R732-R537)/(R816+R732+R537)构建的水稻、小麦叶片氮积累量监测模型,决定系数R2分别为0.803和0.862,标准误SE为1.244和0.942,模型经独立试验资料的检验表现较好,精度均大于0.82,RRMSE均小于27%。基于研究中确定的稻麦氮素营养估测的最佳光谱植被指数,进一步分析了核心波段带宽的变化对稻麦氮素营养估测的影响。结果发现不同波段位置的核心波段对带宽变化的响应规律不同。稻麦叶片氮含量估测的最佳两波段光谱植被指数SAVI(R722,R815)和RVI(R722,R815)的适宜带宽为24nm(722nm)和48nm(815nm)；稻麦叶片氮积累量估测的最佳两波段光谱植被指数SAVI(R822, R738)和RVI(R822, R738)的适宜带宽为33nm(822nm)和15nm(738nm)；稻麦叶片氮含量估测的最佳三波段光谱植被指数(R924-R703+2*R423)/(R924+R703-2*R423)的适宜带宽为36nm (924nm),15nm(703nm)和21nm (423nm);稻麦叶片氮积累量估测的最佳三波段光谱植被指数(R816-R732-R537)/(R816+R732+R537)的适宜带宽为20nm (816nm),8nm (732nm)和14nm (537nm).红边区域的光谱在不同氮素状况下变化模式具有一定的规律。通过比较常用的红边位置提取技术和已有的红边形状参数在稻麦氮素营养监测中的应用发现改进的线性外推法在稻麦氮素营养监测中稳定性最好；同时,红边对称度和双峰对称度在稻麦氮素营养监测中表现较好,具有良好的应用潜力。最后本研究基于混合编程思想,集成已有的高光谱数据处理分析技术与方法,按照模块化、组件化的系统设计方法,构建了高光谱数据处理与分析系统。系统可用于挖掘反映作物生长信息的核心波段,确定核心波段适宜的带宽范围,构建敏感的光谱参数,建立可靠的监测模型。同时,基于高光谱的小麦叶片氮含量数据的实例分析表明系统能有效的挖掘新的高光谱参数,实现对叶片氮含量的准确估测。