水稻叶片全氮浓度与冠层反射光谱的定量关系

利用数学统计方法分析了不同施氮水平和不同水稻品种群体叶片全氮浓度(LNC)与冠层反射光谱的定量关系,建立了水稻群体叶片全氮浓度的光谱监测模型.结果表明:基于原始反射率构造的光谱参数与叶片全氮浓度的相关程度均高于原始反射率,近红外波段(760～1220nm)与可见光波段510、560、680及710nm组成的比值植被指数、差值植被指数和归一化植被指数与群体叶片全氮浓度呈极显著正相关,其中与归一化植被指数(NDVI)的相关性最好;对拟合较好的6个两波段组合参数及4个特征光谱参数的预测标准误(SE)和决定系数(R2)进行比较后,选取参数NDVI(1220,710)为反演群体叶片全氮浓度的最佳光谱参数,方程为LNC=3.2708×NDVI(1220,710)+0.8654.利用不同粳稻品种、水分和氮肥处理的试验数据对监测模型进行了检验,估计的根均方差(RMSE)均小于20%,预测值和实测值的拟合R2为0.674～0.862,拟合斜率为0.908～1.010,RMSE为11.315%～19.491%,表明模型预测值与实测值之间符合度较高,对不同栽培条件下的水稻群体叶片全氮浓度具有较好的预测性.

基于冠层光谱和BP神经网络的水稻叶片氮素浓度估算模型

[目的]快速、准确地诊断水稻叶片氮素营养状况,为水稻氮肥精准管理提供依据。[方法]以江西省农科院8种不同施肥处理的晚稻为研究对象,于主要生育期同步测定了水稻冠层光谱反射率及叶片全氮浓度(Leaf Nitrogen Concentration,LNC),系统分析了原始光谱反射率、一阶微分光谱、"三边"参数以及由350～1 350nm两两波段组合的差值(SD (Rλ1,Rλ2))、比值(SR (Rλ1,Rλ2))及归一化(ND(Rλ1,Rλ2))光谱指数与水稻LNC的相关关系,筛选出敏感参数,并以之为自变量构建了水稻LNC的传统预测模型,另外构建不同指标个数的多元线性与BP神经网络模型,并对模型进行验证。[结果](1)水稻LNC与一阶微分光谱在751nm处的相关性最高(r=0. 822);(2)"三边"参数中的红边面积SDr与LNC的相关性较高(r=0. 687);(3) 750nm附近的红边波段与近红外波段差值组合、550nm附近的绿光波段与近红外波段的比值及归一化差值组合与水稻LNC的相关性较高,以SD (R752,R751)、SR (R534,R1 350)和ND (R534,R1 349)表现最好,相关系数分别为0. 827、-0. 790和0. 788;(4)传统回归模型中以SD(R752,R751)构建的一元线性模型最佳(RC2=0. 665、RV2=0. 750、RMSEV=0. 4%、RPD=2. 034);(5)利用5个指标((R'751、SDr、SD (R752,R751)、SR (R534,R1 350)、ND (R534,R1 349))经逐步回归筛选出的2个指标SD ((R752,R751)和SR (R534,R1 350))构建预测水稻氮素的BP神经网络模型,预测效果最佳,其验证参数值分别为R2=0. 859、RMSEV=0. 302%和RPD=2. 669。[结论]基于单指标构建的传统线性模型计算过程简单但精度略低,而基于2个指标(SD (R752,R751)、SR (R534,R1 350))构建的BP神经网络模型预测精度高于该2指标构建的多元线性模型,表明在指标适合的情况下,BP神经网络对氮素具有较好的预测能力,是一种快速准确估算水稻叶片全氮浓度的方法。

松嫩平原草甸三种植物叶片N、P化学计量特征及其与土壤N、P浓度的关系

测定了松嫩平原草甸3种主要植物羊草(Leymus chinensis)、芦苇(Phragmites com-munis)和尖叶胡枝子(Lespedeza hedysaroides)叶片全氮、全磷浓度,并分析了它们与土壤全氮、全磷浓度的关系。结果表明:3种植物叶片全氮浓度种间差异显著(P<0.05),而全磷浓度种间差异不显著(P>0.05);3种植物叶片全氮浓度与土壤全氮浓度相关性不显著(P>0.05),而叶片氮磷比与土壤全磷浓度均呈显著负相关(P<0.05);表明同一地区,不同植物叶片全氮浓度差异较大,而全磷浓度差异较小;与叶片全氮、全磷浓度相比,叶片氮磷比受土壤养分的影响更显著;另外,该地区羊草和尖叶胡枝子生长受到磷限制,可考虑适当施用磷肥。