华南晚籼杂交稻叶片SPAD值及其一般配合力和遗传效应的动态变化

本研究旨在揭示华南晚籼杂交稻叶片SPAD值一般配合力及遗传参数的动态变化规律,为华南杂交水稻的高产高效新品种培育提供相关的科学依据。以华南地区生产上广泛应用的3个籼稻不育系和6个籼稻恢复系配置了18个不完全双列杂交组合,分析不同发育阶段叶片SPAD值及其一般配合力及遗传效应的动态变化规律。结果表明:杂种及其亲本叶片SPAD值移栽后呈逐渐下降趋势,于幼穗分化期(栽后43或50 d)达到最低点,始穗期(60 DAT)后快速下降。不同组合以及同一组合在不同发育时期叶片SPAD值存在较大差异。灌浆结实期至蜡熟期,‘荣丰A’、‘五丰A’、‘华占’和‘广恢308’及其相应组合叶片SPAD值下降较快,而‘明恢63’和‘桂99’及其相应杂交组合依然保持相对较高的SPAD值,并与亲本SPAD值一般配合力的动态变化相一致。除分蘖始期叶片SPAD值以特殊配合力为主外,达70.76%,其余发育阶段叶片SPAD值均以一般配合力起主导作用。杂种叶片SPAD值在生殖生长阶段的遗传力(21.90%~63.89%),显著高于其营养生长阶段的遗传力(8.02%~14.79%);其遗传效应以加性效应为主,同时存在显性或/和上位性效应,始穗期至抽穗扬花期的显性或/和上位性效应增大,达18.37%和22.02%。发育前期和中期,叶片SPAD值受环境条件影响较小,后期则较大地受到环境条件影响。

基于无人机多光谱遥感的苹果树冠层SPAD反演

为探讨利用无人机多光谱遥感影像监测苹果树冠层叶绿素含量的可行性,以南疆矮砧密植苹果树为研究对象,利用无人机获取试验区多光谱影像,选取10个植被指数,分析所选植被指数与实测SPAD值的相关性,将与SPAD相关性较好的7个植被指数作为模型的输入变量,利用机器学习构建一元线性回归、偏最小二乘回归、支持向量机回归、随机森林回归和岭回归的苹果树冠层SPAD反演模型,通过精度检验确定最优模型.结果表明,7个植被指数NDVI,EVI,SAVI,OSAVI,GNDVI,RVI,GRVI与SPAD具有较好的相关性,相关系数为0.4~0.7,均在P小于0.01水平上极显著相关.采用随机森林回归建立的模型表现最优,其建模集R 2为0.728,RMSE为2.292,RPD为1.920;验证集R 2为0.702,RMSE为2.527,RPD为1.832.因此,基于无人机多光谱遥感的RF模型可以实现苹果树冠层SPAD的快速准确估算.

机器学习结合高光谱植被指数与SPAD值估算冬小麦氮含量

冬小麦叶片氮含量与叶片光合作用和营养状况密切相关,直接影响植株生长发育,而茎秆中的氮含量与茎秆中纤维素、半纤维素和木质素的比例和含量密切相关,直接影响茎秆质量及植株的抗倒伏能力。然而,有关对冬小麦茎秆氮含量估算研究较为有限,限制了从氮含量角度判断茎秆质量及对倒伏的预测能力。为精准估算冬小麦不同器官(叶片、茎秆)氮含量,该研究通过2年田间试验,获取冬小麦4个关键生育期(拔节期、抽穗期、开花期、灌浆期)和3种施氮水平条件下(N1、N2和N3)的冠层光谱反射率、叶片、茎秆氮含量及叶片SPAD(soil and plant analyzer development,SPAD)值。分析了不同生育期和施氮水平条件下高光谱植被指数对叶片和茎秆氮含量的敏感性,并结合5种常用的机器学习算法:随机森林回归(random forest regression,RFR)、支持向量回归(support vector regression,SVR)、偏最小二乘回归(partial least squares regression,PLSR)、高斯过程回归(gaussian process regression,GPR)、深度神经网络回归(deep neural networks,DNN)构建冬小麦叶片和茎秆氮含量估算模型。结果表明:高光谱植被指数对叶片和茎秆氮含量的敏感性受到生育期和施氮水平的影响。在灌浆期,最佳植被指数双峰冠层植被指数DCNI(double-peak canopy nitrogen index)对叶片氮含量的敏感性最高,R^(2)为0.866。对茎秆氮含量,在抽穗期的敏感性最高,最佳植被指数归一化叶绿素比值指数NPQI(normalized phaeophytinization index)与氮含量决定系数R^(2)=0.677。施氮水平的提升增加了光谱植被指数对茎秆氮含量的敏感性。结合SPAD值的机器学习算法提升了氮含量的估算精度,对叶片氮含量,在不同生育期和施氮水平条件下估算精度提升了1%~7%,其中在全生育期的归一化均方根误差NRMSE从0.254降低到0.214,抽穗期的NRMSE提升最大,从0.201降低到0.128。对茎秆氮含量,全生育期的NRMSE从0.443降低到0.400,抽穗期的NRMSE变化最大,从0.323降低到0.268。在全生育期,结合SPAD值的DNN模型对叶片(R^(2)=0.782、NRMSE=0.214)和茎秆(R^(2)=0.802、NRMSE=0.400)氮含量的估算精度最佳。研究说明,SPAD值与光谱植被指数结合有利于提升冬小麦不同生育期和施氮水平条件下叶片和茎秆氮含量的估算精度。

基于SPAD值的不同海拔烤烟采收成熟度研究

为探索不同海拔下烟叶成熟度采收标准及采收时间,以张家界市主栽品种K326为研究对象,使用SPAD-502叶绿素仪测定了400和600 m海拔区域下上、中、下各部位不同成熟度鲜烟叶的SPAD值,分析不同成熟度下烟叶外观质量、感官质量及经济性状,找出不同海拔下各部位烟叶适宜采收的SPAD值。结果表明:400 m海拔下部烟叶适宜采收的SPAD值为26.57~29.99,中部鲜烟叶SPAD值为15.48~23.08,上部鲜烟叶SPAD值为17.19~20.81;600 m海拔下部烟叶适宜采收的SPAD值为21.60~24.06,中部鲜烟叶SPAD值为19.82~24.40,上部鲜烟叶SPAD值为13.49~16.65,烤后烟叶外观质量表现较优,感官质量属于较高档次。

基于杂交水稻叶片SPAD值的氮素营养诊断模型的初步构建

为探明水稻叶片SPAD值的最佳测定叶位和最佳的SPAD值次级指标,并构建基于水稻叶片SPAD值的氮素营养诊断模型,开展以品种为主区,氮肥施用量为副区的双因素裂区设计试验。参试品种为Q优6号和宜香优2115,氮肥施用量设5个水平(纯N 0、75、150、225、300 kg/hm^(2)),分析叶片的敏感性、代表性和稳定性,并探讨SPAD值次级指标与施氮量和叶片含氮量之间,及叶片氮积累量与叶片含氮量和产量之间的关系。结果表明,叶片敏感性、代表性和稳定性大小顺序分别为L4(顶4叶)>L3(顶3叶)>L1(顶1叶)>L2(顶2叶)和L3>L4>L2>L1、L2>L3>L4>L1,可见,L3、L4可作为氮素营养诊断的共同理想指示叶。选择L3、L4的SPAD值几何平均数(GMSI34)作为最佳的SPAD值次级指标。由叶片氮积累量与产量和叶片含氮量的抛物线方程、一元线性回归方程,GMSI34与叶片含氮量的指数方程,求得拔节期、孕穗期、抽穗期的SPAD值次级指标的临界值(GMSI34_(临))分别为48.5、44.3和42.9,与实际获取的GMSI34实相比较,若GMSI34_(实)-GMSI34_(临)<0时,则表明水稻缺氮,需要追氮,若GMSI34_(实)-GMSI34_(临)≥0,则表明水稻氮营养充足,无需追氮。综上,基于杂交水稻叶片SPAD值的氮素营养诊断模型,可为杂交水稻高效氮肥管理提供技术支持。

基于叶片SPAD值的微型盆栽月季氮素营养诊断研究

氮素是微型盆栽月季生长发育的必需元素,实时监测植株生长过程中氮素的变化,精准估测氮素含量尤为重要。设置4个施氮水平(包含高氮处理),分析施氮量对微型盆栽月季生长发育的影响,测定不同施氮水平下4种微型盆栽月季在不同生长时期、不同叶片层位的SPAD值,利用线性及非线性回归分析等方法,构建基于叶片SPAD值的单一品种和混合品种叶片氮含量估测模型,并对此模型进行检验和通用性评价,利用SPAD氮饱和指数评估临界氮含量。结果显示,4个不同微型月季品种在整个生长发育时期的营养生长趋势相似,且在不同施氮水平下性状指标具有差异。随着施氮量的增加,叶片氮含量和叶片SPAD值均呈先上升后平稳的趋势。叶片SPAD值与叶片氮含量之间存在显著相关性,且不同层位的叶片SPAD值与叶片氮含量的相关性存在差异。多品种混合构建的综合模型在通用性上优于单一品种模型,S1和S2时期的下层叶片、S3和S4时期的上层叶片SPAD值与叶片氮含量回归决定系数较高,构建的模型分别为y=0.0009x^(2)+0.6115x+0.8047、y=0.002x2+0.7118x+2.3382、y=0.1279x^(1.4938)、y=-0.0015x^(2)+0.5204x+3.7738。氮饱和指数利用多项式模型估测较为可靠。综上所述,施氮水平、生育期、叶片层位均会影响SPAD值与叶片氮含量的相关性,可利用混合品种建立的叶片氮含量估测综合模型作为通用模型,利用氮饱和指数多项式方程进行氮素诊断较为准确,为微型盆栽月季氮素营养实时诊断提供理论数据。

田间即时鲜烟叶SPAD值预测和成熟度识别方法

成熟程度判定作为烟叶采收时的重要工作,需要满足即时性、科学性和准确性要求。目前烟叶成熟度识别实施存在测量仪器价格昂贵且操作繁琐,无法在田间推广使用;手机摄像头的内嵌图像处理算法干扰图像有效特征,田间复杂天气环境影响图像采集一致性;现存识别算法忽略植物学领域信息,影响模型准确性和普适性等问题。据此提出一种低成本且有效的田间即时鲜烟叶SPAD值预测和成熟度识别方法,通过提高识别准确率保障烟叶后续调制质量。研发便携式拍摄装置,实现田间高质量图片采集;并以CX-26烟叶品种为研究对象,提出一种适配于田间烟叶图像的分割方法,通过提取图像目标区域特征数据,利用XGBoost算法依次搭建鲜烟叶SPAD值预测模型和成熟度识别模型。提出两个模型的集成思路,集成模型能够利用SPAD值和成熟度的强相关关系,通过预测SPAD值提高成熟度识别准确性。该方法在各项评价指标中均表现优秀,其中SPAD值预测平均误差为0.4703,成熟度识别宏F1-Score为95.27%。研发手机APP完成拍摄装置和云端模型之间烟叶图像和预测结果的传输,实现在田间对烟叶成熟程度快速、客观、准确的即时预测。该成果可为田间农作物精准采收提供有效技术支持。

不同施肥处理对桃容器苗生长及SPAD的影响

[目的]研究不同肥料种类及施肥量对桃容器苗生长及叶绿素相对含量(SPAD)的影响,为快速培育出优质桃苗木而筛选出最适合的施肥方法。[方法]采用13种不同施肥处理,研究不同时期不同处理下桃容器苗株高、地径、冠幅、分枝数量、一年生枝条长度等生长指标及SPAD的变化。[结果]在植物生长季施用平衡型复合肥料比磷钾型腐殖酸肥料更适合植株生长;平衡型复合肥与低浓度EM菌剂组合施用比复合肥单独施用,更有利于桃容器苗的生长。[结论]生长季施用浓度1∶1000~1∶500的氮、磷、钾平衡型(20∶20∶20)复合肥+浓度1∶200的EM菌剂最有利于桃容器苗的生长及快速成苗。

基于分数阶微分的葡萄叶片SPAD值高光谱遥感反演研究

【目的】探明高光谱遥感技术反演葡萄叶片叶绿素含量的可能性,构建葡萄叶片叶绿素含量反演模型,为快速且无损估测葡萄长势提供技术参考。【方法】以西南山区成熟期葡萄叶片为研究对象,同步获取冠层叶片高光谱数据和SPAD值,研究不同分数阶(0.0~1.4阶,步长0.2阶)微分光谱反演葡萄叶片SPAD值的能力,构建多个基于特征波段和光谱指数的单因素模型及基于连续投影算法的多因素模型。【结果】不同SPAD值葡萄叶片原始光谱曲线整体一致,在可见光区域反射率较低而在近红外区域反射率高;可见光、近红外区域反射率与SPAD值分别呈反比和正比;随着分数阶上升,特征波段由近红外向红边靠近,光谱指数由近红外与蓝光组合变更为近红外与绿光组合,单因素模型建模变量相关性呈先升后降趋势,在0.6阶达峰值;除0.6与0.8阶外,其余分数阶微分光谱单因素模型建模变量均为DSI;多因素模型优于单因素模型,机器学习算法可提升传统回归模型精度,所有模型以0.6阶下SPA⁃GA⁃XGBoost回归模型精度最优,其建模与验证R^(2)分别为0.79和0.75,相应均方根误差(nRMSE)分别为15.54%和14.45%。【结论】分数阶微分变换在葡萄叶片SPAD值反演方面具有较大潜力,特定分数阶下,光谱指数优于特征波段,GA⁃XGBoost算法能产生较好的建模效果。

太原市5种常绿植物入冬期间叶片SPAD值的变化特征

SPAD值能够反映植物叶片叶绿素含量,是表征植物生长状况的重要指标.以太原市5种常绿植物为研究对象,分别测定其在入冬期间的SPAD值,结合气象数据,运用方差分析、主成分分析和相关性分析,总结其在入冬期间SPAD值的变化特征.结果表明:入冬期间,刚竹和胶东卫矛的SPAD值整体表现为随时间推移而逐渐降低的趋势;巴山箬竹的SPAD值随时间推移变化幅度较小;刚竹、胶东卫矛的SPAD值与气温之间呈显著正相关(P<0.01),粗榧的SPAD值则与气温之间呈显著负相关(P<0.01),表明这三种植物的SPAD值受温度影响较大;小叶黄杨的SPAD值与相对湿度呈显著负相关(P<0.05);主成分分析将6个气象指标归纳成两个综合因子,分别为直接对叶片SPAD值影响的温度和间接对叶片SPAD值影响的相对湿度和日照时长.在园林应用方面,5种常绿植物在太原市入冬期均表现良好.本研究可为太原市园林植物选择、配置及养护管理提供参考依据.

基于无人机多光谱遥感的芳樟矮林SPAD反演

为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测,及时快速诊断芳樟矮林生长状况,为田间管理决策提供信息支持,以红壤区芳樟矮林为研究对象,利用无人机多光谱遥感影像,提取波段反射率,筛选植被指数,分别以波段反射率和植被指数为模型输入量,采用偏最小二乘回归、支持向量回归、反向传播(Back propagation,BP)神经网络和径向基函数(Radial basis function,RBF)神经网络4种方法构建芳樟矮林SPAD反演模型,并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明:对比两种不同的输入量,在同一模型反演的精度相差不大;其中,基于偏最小二乘回归法,以植被指数为模型自变量估测芳樟矮林SPAD效果略优;基于支持向量回归、BP神经网络和RBF神经网络,以波段反射率为模型自变量估测芳樟矮林SPAD效果略优;对比4种建模方法,不同方法建模预测精度不同,与偏最小二乘回归、支持向量回归和BP神经网络相比,基于RBF神经网络反演芳樟SPAD的精度最高,以波段反射率和植被指数为模型输入量的测试集为例,其决定系数R^(2)分别为0.788、0.751,均方根误差(RMSE)分别为1.838、2.457,表明RBF神经网络在芳樟矮林SPAD预测过程中具有明显优势。

晚籼杂交稻LAI、SPAD和LTR的动态变化及对产量性状的影响

【目的】研究晚籼杂交稻单株穗数、叶面积指数(Leaf area index,LAI)、叶片SPAD和透光率(Light transmittance rate,LTR)等指标的动态变化,进一步明确它们之间的相互关系及其对杂交稻产量和产量性状的影响,为杂交水稻育种和生产实践提供理论指导。【方法】以华南地区广泛应用的5个三系不育系和6个恢复系配置杂交组合,于2021年晚季在广州进行27个杂交组合的随机区组试验,分析杂种光合参数的动态变化规律以及不同发育阶段各光合参数对产量及产量性状的影响及相关性。【结果】杂种茎蘖数自移栽后直线上升,于移栽后25 d达分蘖高峰,始穗期(移栽后60 d)进入平稳期;杂种LAI自移栽后快速上升,于幼穗分化后期(移栽后50 d)后达最高值,之后进入回落期;叶片SPAD自移栽后逐步走低,生长发育前期组合间叶片SPAD差异不明显,进入灌浆结实期后存在显著(P<0.05)或极显著(P<0.01)差异;杂种群体LTR随发育进程呈逐步下降趋势。相关分析表明:分蘖盛期前(移栽后10~20 d)以及始穗期至灌浆期(移栽后60~76 d)的单株茎蘖数与杂种产量呈极显著正相关,增产作用主要通过增加单株实粒数实现;分蘖盛期至幼穗分化后期(移栽后25~50 d)的茎蘖数过多,增加了杂种群体的无效分蘖,造成杂种结实率下降和产量显著降低;分蘖前期(移栽后20 d)和始穗期(移栽后60 d)杂种LAI与产量呈极显著和显著正相关,相关系数分别为0.296和0.255,增产作用主要通过提高单株实粒数和千粒质量实现;灌浆期(移栽后76 d)的LAI与产量呈极显著负相关,相关系数为-0.312;生育前期(移栽后15~50 d)杂种SPAD对产量具有显著或极显著增产效应,而灌浆结实期(移栽后76~90 d)的SPAD则造成极显著减产;杂种群体LTR与产量呈极显著负相关,分蘖前期(移栽后20 d)和幼穗分化前期(移栽后38 d)的LTR与产量的相关系数分别为-0.282和-0.384。【结论】‘天丰A’‘五丰A’‘广恢998’和‘广恢308’组合的前期分蘖力强,茎蘖数多,叶面积系数大,早生快发性好;‘扬泰A’‘广恢998’等组合前期LTR较低、后期较高,有利于植株光合作用和产量提高。在不同生长发育阶段,光合参数通过影响杂种的不同产量性状,实现对杂种产量的影响。通过光合参数与杂种产量回归方程的拟合,能较好地对杂交水稻早期产量进行预测。

基于SPAD的西瓜氮素营养诊断与推荐施肥技术研究

为解决西瓜生产中存在盲目或过量氮肥施用导致的果实品质下降和氮素利用率低下等突出问题,开展了基于叶绿素仪测定值(SPAD值)的西瓜全生育期氮素营养诊断与推荐施肥技术研究,以期为利用SPAD仪建立田间西瓜氮素营养实时诊断技术、开发西瓜精准氮素养分管理模式提供理论依据。试验于2020-2021年在甘肃河西灌区的张掖市以‘金城5号’西瓜为材料,设置了0、80、160、240、320、400 kg/hm^(2)6个氮肥水平,通过研究不同施氮水平下西瓜关键生育时期不同叶位及叶片不同位置上的SPAD值、叶绿素含量、全氮含量的变化特征及其与西瓜产量、品质指标的相互关系,建立基于SPAD值进行西瓜氮素营养诊断与推荐施肥的实时氮肥管理(RTNM)模式,并开展RTNM模式的生产性验证。西瓜苗期顶一叶叶尖、伸蔓期顶三叶叶中、膨果期功能叶叶中位置SPAD值与叶片叶绿素、全氮含量相关性最佳,且变异系数小,是较为理想的指示叶或参照叶;通过指示叶SPAD值与西瓜产量、品质指标及施氮量的回归分析,获得西瓜产量超过60000 kg/hm^(2)的SPAD阈值范围为苗期49.1~51.0、伸蔓期60.3~64.1、膨果期64.8~67.5;西瓜果实可溶性固形物含量超过11.5%的SPAD阈值范围为苗期49.0~50.5、伸蔓期59.8~63.6、膨果期64.0~66.5;SPAD值每变动1个单位的氮肥施用量分别为苗期30.96 kg/hm^(2)、伸蔓期31.95 kg/hm^(2)、膨果期50.51 kg/hm^(2)。通过与传统施肥模式(N 240 kg/hm^(2))相比较,RTNM模式在氮肥施用量减少15.29%的条件下,西瓜产量较高、品质较优,且氮肥利用率显著提高了30.53%。综合分析得出,甘肃河西灌区‘金城5号’西瓜膜下滴灌栽培模式下,应用SPAD仪进行氮素营养诊断与推荐施肥,适宜的指示叶及SPAD阈值范围为苗期顶一叶叶尖49.1~50.5、伸蔓期顶三叶叶中60.3~63.6、膨果期功能叶叶中64.8~66.5。

基于内置时钟的低功耗高精度SPAD阵列读出电路

SPAD阵列的规模不断扩大对读出电路(Read-out Integrated Circuit,ROIC)提出了更高的要求,时间数字转换器(Time to Digital Converter,TDC)是ROIC的核心电路,完成对光子飞行时间(Time-of-Flight,TOF)高精度量化。为避免大规模阵列中高频时钟信号长距离走线而引起的串扰和噪声干扰,抑制初相误差引起的检测精度退化,设计了一种基于内置时钟的ROIC阵列电路,阵列像素间距均为100μm,内置于各像素内的门控环形振荡器(Gated Ring Oscillator,GRO)独立提供像素TDC所需的高频分相时钟信号,各像素GRO均由像素外置锁相环(Phase Locked Loop,PLL)产生的压控信号控制。由于采用一种基于事件驱动的检测策略,只量化光子事件有效触发的TOF,有效降低了系统功耗。该芯片采用TSMC 0.18μm 1.8 V标准CMOS工艺制造,测试结果表明:TDC的时间分辨率和量程分别为102 ps和100 ns,微分非线性DNL低于0.8 LSB,积分非线性INL低于1.3 LSB,系统功耗小于59.3 mW。

基于无人机多光谱影像的佛手瓜叶片SPAD值估算模型

以贵州省惠水县好花红镇弄苑村佛手瓜(Sechium edule)为研究对象,通过获取佛手瓜种植基地无人机多光谱影像,计算植被指数,分析不同植被指数与SPAD值的相关性,筛选出模型的输入变量,利用偏最小二乘法(PLS)和随机森林法(RF)构建SPAD估算模型,对佛手瓜绿色和黄色叶片进行SPAD值估算。结果表明,除CIre外,NDVI、GNDVI、RVI与SPAD值具有较强的相关性;在绿色叶片和黄色叶片PLS估算模型中,验证集R2分别为0.814、0.660,RMSE分别为1.12、1.16,绿色叶片SPAD值估算效果高于黄色叶片;在RF模型中,验证集和建模集R2均低于PLS模型。因此,基于多光谱影像,利用PLS建立的佛手瓜叶片SPAD估算模型效果优于RF模型,可以实现佛手瓜叶片SPAD值快速估算。

基于无人机多光谱影像的水稻冠层SPAD值预测研究

比较筛选水稻冠层SPAD值估测模型,为无人机多光谱遥感反演水稻SPAD值提供依据。利用无人机获取水稻拔节期、抽穗期、乳熟期的冠层多光谱影像,选取7种常用的植被指数,利用3种回归方法建立基于植被指数的水稻叶片SPAD值反演模型。结果表明,在不同生育期与水稻叶片SPAD值相关系数最高的植被指数不相同,拔节期最高的是GNDVI,抽穗期最高的是CIGreen,乳熟期最高的是CIRededge。抽穗期是水稻叶片SPAD值反演的最佳时期,模型具有较好的建模精度和估测效果,其中多元线性回归的建模精度较高,偏最小二乘回归模型的估测效果最好。试验结果可为水稻长势的实时无损监测提供参考。

基于无人机多光谱影像的棉花SPAD值及叶片含水量估测

利用多光谱快速准确获取棉花花铃期旱胁迫性状对棉花后期产量和纤维品质具有重要帮助。为实现棉花关键抗旱指标的快速检测,该研究以253份棉花品种为材料,设置干旱胁迫和正常灌溉2个处理,在花铃期通过大疆精灵4多光谱无人机获得图像,分析花铃期干旱胁迫和正常处理棉花的光谱反射率,结合地面调查叶绿素相对值(S_(PAD))和叶片含水量(L_(WC))数据,结合神经网络算法中的径向基函数进行模型的预测。结果显示:棉花干旱胁迫前后除红光反射值略上升,其余4个光谱均小于正常处理;通过径向基函数模型估测S_(PAD)和L_(WC)的最佳估测模型都为二次函数,决定系数R^(2)分别为0.8488和0.9366,均方根误差R_(MSE)分别为2.005和0.930,相对误差R_(E)分别为0.004和0.011;将2个模型应用于试验区影像,对S_(PAD)及L_(WC)预测值进行聚类分析,根据S_(PAD)聚类结果,试验棉花旱情等级划分为特旱、重旱、中旱、轻旱、无旱5类,根据LWC聚类结果,试验棉花旱情等级划分为特旱、重旱、中旱、干旱、轻旱、无旱6类。以上模型及分类效果良好且符合棉花干旱胁迫的特点,研究结果可为快速评价棉花抗旱性、挖掘棉花抗旱基因提供技术支持。

基于不同分析模型的大豆叶片SPAD值和LAI光谱估算比较

为探讨在大豆鼓粒期采用光谱技术估算叶片SPAD值和LAI的有效分析模型和方法,本研究以大田鼓粒期大豆为试验材料,在3个不同时段9:45~10:15(10AM)、11:45~12:15(12PM)和13:45~14:15(2PM)测量冠层全波段光谱反射率,并分别使用极限学习机(ELM)、偏最小二乘回归(PLSR)、支持向量机(SVM)和随机森林(RF)构建大豆叶片SPAD值和LAI估算模型,并对比不同模型分析结果的估算精度。结果表明:在各模型中,12PM和2PM测定的光谱反射率与大豆叶片SPAD值和LAI的拟合精度均高于10AM。基于RF的大豆叶片SPAD值估算模型验证集的R2为0.910,RMSE为2.006,MRE为3.684;基于RF的大豆LAI估算模型验证集的R^(2)为0.916,RMSE为0.209,MRE为4.383,与ELM、PLSR和SVM相比,有更高的估算精度。综上结果说明大豆鼓粒期在11:45~12:15和13:45~14:15采用RF模型,运用全波段的光谱反射率估算大豆叶片SPAD值和LAI可得到较准确的结果。

基于无人机多光谱遥感的水稻冠层SPAD值反演

为研究水稻叶片叶绿素相对含量(SPAD)在3种水分处理和5种施氮处理下的变化规律,探讨无人机多光谱遥感技术反演水稻SPAD的可行性,本研究利用大疆精灵4多光谱无人机,采集了水稻拔节孕穗期、抽穗开花期和乳熟期的冠层多光谱遥感影像,并同步测定水稻SPAD值,基于25个光谱变量(5个波段反射率和20个植被指数),采用多元线性逐步回归、岭回归和套索回归3种方法构建了水稻SPAD的反演模型。结果表明:水稻3个生育期的SPAD最佳反演模型均是采用套索回归方法构建的,其中乳熟期建立的SPAD最佳反演模型在3个生育期中的反演精度最高,决定系数为0.782,均方根误差为1.2177,相对误差为6.6113%。因此,该研究可对水稻叶片SPAD进行遥感监测,并为水稻精准灌溉和施肥提供科学依据和数据支撑。

基于无人机高光谱分数阶微分玉米SPAD值估算

以夏玉米为研究对象,基于无人机高光谱数据和野外玉米冠层叶片实测SPAD值,以0.2阶为步长,计算光谱0~2阶分数阶微分,分析其与玉米冠层实测SPAD值之间相关性,筛选相关系数绝对值前10波段为特征波段组合,构建并比较玉米冠层叶片SPAD值的支持向量回归模型(SVR)、反向传播神经网络模型(BPNN)和麻雀优化算法随机森林模型(SSA-RFR)。结果表明,经分数阶微分变换可显著提高与SPAD值相关性,其中以0.6阶698 nm处相关系数绝对值最大;基于分数阶微分模型整体精度高于整数阶模型,其中基于分数阶微分的SSARFR模型精度最高,R2为0.706,较整数阶提高32.46%,RMSE和MRE分别为2.444和3.579%,较整数阶降低13.46%和12.95%。