科研产出
不同施氮水平下棉花叶片最大羧化速率的高光谱估测
《农业工程学报 》 2020 EI 北大核心 CSCD
摘要：植物叶片最大羧化速率(Maximum Carboxylation Rate,V_(cmax))是表征植被光合能力的重要参数之一,研究叶片V_(cmax)对氮素的响应对预测植被光合作用和未来植被生产力具有重要意义。该研究以国欣棉9号为试验材料,设置4个施氮水平,测定棉花不同生育时期叶片生理参数和叶片反射光谱,探究V_(cmax)与生理参数及光谱指数的关系,建立叶片V_(cmax)最优反演模型。结果显示,棉花叶片V_(cmax)在苗期至蕾期不受施氮水平的影响,随着生育进程的推进,氮素逐渐成为影响叶片V_(cmax)高低的主要因素之一。此外,叶片V_(cmax)与含氮量的相关程度最高,远高于叶片V_(cmax)与叶绿素、比叶重的关系。对叶片V_(cmax)与光谱指数进行回归分析发现,由蓝光和红边波段组合的光谱指数能较好的预测叶片V_(cmax),其中表现最好的为归一化差值植被指数(Normalized Difference Vegetation Index,NDVI697,445)和比值植被指数(Ratio Vegetation Index,RVI445,694),决定系数(R~2)均大于0.75。最后,以生理参数和光谱指数为基础,采用一般线性回归和多元逐步回归构建棉花叶片V_(cmax)估算模型,结果表明,由RVI445,694、光化学植被指数(Photochemical Vegetation Index,PRI)、修正型归一化差值植被指数(Modified Normalized Difference Vegetation Index,m ND705)所构建的多元逐步回归模型精度最高(R~2=0.809, RMSE=16.93μmol/(m~2·s)),叶片含氮量和叶绿素所构建的多元逐步回归模型次之(R~2=0.801,RMSE=17.01μmol/(m~2·s)),高于其他单变量线性回归模型。研究表明,利用高光谱指数可以有效地估测棉花叶片最大羧化速率,结果可为叶片V_(cmax)准确反演和评估光合能力提供支撑。
全文链接
请求原文
基于成像高光谱的苹果叶片叶绿素含量估测模型研究
《江西农业学报 》 2018
摘要：以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。
全文链接
请求原文
基于冠层尺度的花生叶片糖氮比高光谱监测
《农业机械学报 》 2017 EI 北大核心 CSCD
摘要：通过分析花生叶片糖氮比与冠层高光谱参数的定量关系,确立花生叶片糖氮比的定量监测模型。选用丰花1号花生品种作为研究对象,在不同施氮水平下进行了田间试验,于花生不同生育时期采集田间冠层高光谱数据并测定叶片糖氮比,进而分析建立冠层高光谱参数与叶片糖氮比的回归模型。结果表明,花生叶片糖氮比随生育进程呈"高-低-高-低"的动态变化模式;从出苗到结荚之前,均是施氮处理低于对照,在花生收获期,施氮处理高于对照。利用高光谱参数对叶片糖氮比进行监测的适宜时期是出苗期到饱果成熟期,开花下针期冠层植被指数与糖氮比相关性均达显著水平,且利用DVI建立的回归方程更为可靠,R~2为0.866~0.993,SE为0.026~0.083。花生结荚期以后,利用EVI建立的回归方程更可靠,R~2为0.893~0.927,SE为0.054~0.082。通过模拟值与实测值的拟合,发现DVI和EVI两个特征光谱参数表现良好,可分别对生长前期和后期的花生叶片糖氮比进行可靠监测。
全文链接
请求原文
花生叶鲜生物量的高光谱估算模型
《江苏农业科学 》 2017 北大核心
摘要：利用花生生物物理参数和冠层高光谱数据,基于光谱一阶微分技术,选取对生物量敏感的波段组成高光谱植被指数,建立花生叶鲜生物量的高光谱遥感估算模型。结果表明,花生叶鲜生物量在绿峰525~556 nm、红谷645~689 nm和近红外710~900 nm波段范围反射光谱与花生叶鲜生物量有极显著相关关系。高光谱反射率与叶鲜生物量在大部分可见光区和近红外波段呈显著相关,并且在可见光红光波段呈负相关,在近红外波段呈极显著正相关。花生光谱反射率与花生叶鲜生物量相关的近红外、红光波段的敏感波段分别为770、673 nm,用这2个波段构建植被指数,组成高光谱归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)和再次归一化植被指数(RDVI),并构建生物量反演模型;相对于NDVI、DVI、RDVI建立的简单线性函数估测模型,RVI所构建的花生叶鲜生物量估测模型的预测精度较高。
全文链接
请求原文
不同生育期冬小麦叶面积指数高光谱遥感估算模型
《江苏农业科学 》 2017 北大核心
摘要：基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型。结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显著相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用m SRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型。
关键词： 冬小麦 生育期 叶面积指数 等效植被指数 高光谱遥感 估算模型
全文链接
请求原文
花生叶绿素含量的高光谱遥感估算模型研究
《江苏农业科学 》 2017 北大核心
摘要：叶绿素是植物体进行光合作用吸收光能物质的主要色素,直接影响植被的光合作用。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。实测了不同品种、肥水条件下,花生冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;首先采用相关系数较大的波段作为变量进行叶绿素含量的估算,其次采用特定叶绿素敏感波段建立叶绿素估算模型。经对比发现,以原始高光谱反射率所构建的估算模型精度不高;一阶导数与叶绿素含量之间的关系采取同样的方法,表明线性模型可较好地预测叶绿素含量;最后在高光谱特征变量中,λr、λg、λo为自变量所构建的模型均通过极显著检验,以λr所构建的指数模型具有最大的决定系数(r2=0.543 5)和F值(F=33.333);通过精度检验,综合分析认为,以662 nm处的一阶微分反射率所构建的线性模型和以红边位置所构建的指数模型均可作为叶绿素含量估算较为合适的高光谱模型。
全文链接
请求原文
基于成像高光谱的小麦叶片叶绿素含量估测模型研究
《河南农业科学 》 2016 北大核心 CSCD
摘要：为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用。采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型。经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2 094.242R'7153+112 646.744R'7152-1.561E7R'715+42.991。这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高。
全文链接
请求原文
基于高光谱遥感的花生叶片氮积累量监测模型的研究
《山东农业科学 》 2012
摘要：作物氮素状况是评价长势、提高产量和改善品质的重要指标,因此叶片氮积累量的实时无损估测对作物生产的氮素管理具有重要意义。本研究选用大花生品种丰花1号为试验材料,在大田生产条件下,分析了花生叶片氮积累量与冠层高光谱参数的定量关系。结果表明,叶片氮素含量随生育进程逐渐下降,不同处理之间差异较小;叶片氮素积累量随生育时期推进呈现先升后降的单峰曲线变化趋势,在结荚期达到高峰。花生冠层光谱反射率在740～1 100 nm波段内随叶片氮积累量的增加而增加,叶片氮积累量的敏感波段主要存在于近红外平台和可见光区,其中,"红边"区域表现最为显著。通过微分等技术构造多种植被指数,对高光谱参数和叶片氮积累量进行相关回归分析,红边振幅(Dr)、氮素反射指数(NRI)、归一化植被指数(NDVI)各波段组合平均值及比值植被指数(RVI)与叶片氮积累量关系最密切,方程拟合决定系数分别为0.9194、0.8984、0.8918、0.8899、0.8794、0.8797。经另外一组独立数据的检验表明,对叶片氮积累量的预测以红边位置(REP)和Dr两个参数表现最优,预测的根均方差(RMSE)分别为1.78和1.10,相对误差为5.29%和3.59%。NDVI[Average(1230,1240,1250,1260),640]和土壤调整植被指数(SAVI)两个光谱参数预测的RMSE分别为1.15和1.19,预测相对误差为5.42%和7.41%。比较而言,Dr为自变量建立的模型,可以更好地评估不同条件下叶片氮素积累状况。
全文链接
请求原文
首页上一页1下一页尾页
