基于固定翼无人机多光谱影像的水稻长势关键指标无损监测

【背景】近年来随着遥感技术的快速发展,实时无损监测作物生长状况已成为当前研究热点,遥感获取的农情信息将为实现大面积作物精确管理提供指导。在众多遥感监测平台里,无人机因其操作简单、使用成本低等特点而受到广泛关注,无人机搭载多光谱相机可以快速获取作物的长势信息。【目的】尝试将固定翼无人机多光谱影像纹理信息与光谱信息结合,探究“图谱”信息对水稻长势指标的监测效果。【方法】通过开展两年涉及不同播期、品种、播栽方式、施氮水平的水稻田间试验,在水稻关键生育期使用固定翼无人机搭载Sequoia多光谱相机获取水稻冠层遥感影像,同步进行地上部破坏性取样以获取水稻叶面积指数(LAI)、地上部生物量(AGB)和植株氮含量(PNC)等农学指标,采用简单线性回归、偏最小二乘回归和人工神经网络回归算法,构建基于固定翼无人机多光谱影像的水稻长势指标监测模型,比较分析光谱纹理信息在不同模型中的监测效果。【结果】利用简单线性回归方法探究了植被指数(VI)、单波段纹理特征与水稻LAI、AGB和PNC间的定量关系,结果表明植被指数与LAI和AGB之间有较强的相关性,表现最好的植被指数为CIRE和NDRE,R 2分别为0.80和0.76,但对于PNC的监测,植被指数并未达到理想的效果,表现最好的RESAVI和NDRE与PNC的决定系数仅为0.13。通过简单线性回归进一步发现单波段的纹理特征在对水稻生长指标的监测中表现并不理想;为进一步分析影像纹理对上述3个指标的监测效果,参照植被指数的构建方法构建了归一化纹理指数(NDTI)、比值纹理指数(RTI)和差值纹理指数(DTI),通过相关性分析发现新构建的纹理指数(TI)相较于单波段纹理特征对水稻生长指标的监测精度有所提升,但效果并未好于植被指数。为实现光谱与纹理间的结合,采用偏最小二乘和人工神经网络的建模方法,以VI、VI+TI为不同的输入参数组合进行水稻LAI、AGB和PNC的监测模型构建,结果表明采用偏最小二乘和人工神经网络的建模方法与简单线性回归相比模型的监测精度均得到了大幅提升,以VI+TI为输入变量,采用人工神经网络构建的模型在模型验证中取得了最佳效果,LAI模型的验证R^(2)由0.75提升至0.86,AGB和PNC的模型验证R2也分别由0.72和0.26提升至0.92和0.86,同时模型的RMSE均显著降低。【结论】利用固定翼无人机采集水稻冠层多光谱影像,通过人工神经网络算法融合光谱和纹理信息能够有效提升水稻LAI、AGB和PNC的监测精度,该研究结果将为快速大面积作物长势监测提供理论依据。

白粉病对小麦光合特性的影响及病害严重度的定量模拟

【目的】明确白粉病胁迫对小麦光合特性的影响规律,构建白粉病胁迫下小麦光合生产的模拟模型。【方法】以小麦为试验材料,分别于拔节期和孕穗期进行不同接种程度的小麦白粉病试验,明确白粉病对小麦光合特性的影响规律;在此基础上构建小麦白粉病严重度预测模型,量化白粉病对小麦的生理影响;基于单叶净光合速率(Pn)和叶面积指数(LAI),实现小麦白粉病严重度预测模型与作物生长模型(WheatGrow)的耦合。【结果】白粉病胁迫下,小麦单叶Pn和LAI均呈现下降趋势,与对照(CK)相比分别平均下降18.81%和23.41%,且与初始接种程度相比,发病时期对小麦Pn和LAI的影响更为严重;小麦白粉病田间病情发展具有明显的平缓期、指数爆发期和稳定期,总的来说各处理下小麦白粉病流行的时间动态变化特征符合Logistic函数,基于白粉病胁迫对小麦影响的拟合结果,构建小麦白粉病病害胁迫因子,用以反映白粉病对小麦生理指标影响的胁迫效应;基于WheatGrow模型的光合生产子模型,结合小麦白粉病病害胁迫因子,提出模拟白粉病对小麦叶片Pn和LAI效应的算法,并利用独立年份的数据资料对改进后的WheatGrow模型进行检验。【结论】耦合白粉病胁迫因子的WheatGrow模型对白粉病胁迫下小麦叶片Pn、LAI、地上部生物量和产量的预测精度均好于原模型,模拟精度较原模型分别提高了53.29%、43.61%、60.09%和67.57%,改进后的模型可为小麦白粉病严重度的预测与小麦产量损失的定量评估等提供数字化工具和技术支撑。

小麦生长模型对拔节期和孕穗期低温胁迫响应能力的比较

【目的】作物生长模型是预测和评估气候变化对作物生产力影响的重要量化工具,明确典型作物生长模型对小麦拔节期和孕穗期低温胁迫响应能力的不足,可以为进一步改进低温胁迫对小麦生产力影响的模拟算法提供指导。【方法】本研究将来自4套国际知名小麦生长模型(美国密歇根州立大学的CERES-Wheat、美国华盛顿州立大学的CropSyst、荷兰瓦赫宁根大学的WOFOST和法国国家农业科学研究院的STICS模型)的典型低温胁迫效应算法,与本课题组研发的小麦生长模拟模型Wheat Grow相耦合,利用2012—2013年南京和2013—2015如皋不同品种(扬麦16和徐麦30)、不同温度水平(最低至-6℃)和持续时间(2、4、6 d)的人工气候室低温盆栽试验资料,检验和评价了原WheatGrow模型和耦合后低温胁迫效应算法的WheatGrow模型在拔节期和孕穗期低温胁迫下对小麦叶面积指数动态、茎生物量、地上部总生物量、籽粒产量等指标的预测能力。【结果】拔节—孕穗期低温胁迫明显降低了小麦叶面积指数、地上部生物量积累和籽粒产量,且随低温水平的降低和持续时间的增加降低幅度呈明显升高趋势。比较不同处理时期和品种发现,小麦生长发育及产量对孕穗期低温处理较拔节期低温处理更加敏感,扬麦16较徐麦30对低温胁迫更为敏感。耦合了4种低温胁迫效应算法的WheatGrow模型在模拟叶面积指数动态上较原WheatGrow模型有所改善,但模拟误差仍然较大,其中对孕穗期低温处理的模拟误差大于拔节期处理。4种低温胁迫算法均低估了低温胁迫对茎生物量以及成熟期地上部生物量积累的不利影响。综合比较4种低温胁迫算法的预测能力可以看出,对于叶面积指数和地上部生物量的动态模拟,CropSyst模型中的低温胁迫效应算法表现最好;对于茎生物量的动态模拟,WOFOST模型中的低温胁迫效应算法表现最好,特别是孕穗期低温处理;对于籽粒产量的模拟,STICS模型中的低温胁迫效应算法表现最好,其次是CropSyst模型。【结论】耦合低温胁迫效应算法后的WheatGrow模型,在模拟叶面积指数、茎生物量、地上部生物量和籽粒产量上均好于原WheatGrow模型,且在弱低温条件下的模拟效果好于强低温条件,但是4套算法由于没有考虑低温胁迫对茎秆的直接伤害、低温胁迫对干物质分配的影响以及低温胁迫后的恢复和补偿效应,因此在模拟茎生物量积累,以及模拟不同低温持续时间下的地上部生物量积累存在明显不足。此外,4套低温效应算法引入参数较多,为模型的参数化带来一定的困难,有待今后进一步改进和完善。研究结果对改进小麦生长模型对低温胁迫响应,降低气候变化背景下作物生产力的预测预警的不确定性具有重要意义。

基于成像高光谱的小麦冠层白粉病早期监测方法

【目的】本研究利用近地面成像高光谱仪,获取接种白粉病菌后的小麦田间冠层时序影像,探索光谱信息与纹理信息的结合在冠层尺度上早期监测小麦白粉病的能力和表现。【方法】本试验以不同年份、不同抗病性小麦品种的田间试验为基础,利用连续小波(continuous wavelet transform,CWT)方法提取对小麦白粉病敏感的小波特征,并基于小波特征获取对应的纹理特征,用以构建归一化纹理指数(normalized difference texture index,NDTI),同时选取具有代表性的传统植被指数(vegetation indices,VIs),然后利用偏最小二乘判别分析模型(partial least squares-linear discrimination analysis,PLS-LDA)基于上述特征及组合,建立小麦冠层健康与感病状态识别模型,并利用偏最小二乘回归(partial least-squares regression,PLSR)构建了小麦冠层病情严重度估测模型,并利用该技术基于最优特征及组合判别接种后不同天数的小麦健康与感病状态。【结果】基于 CWT算法入选的 4 个小波特征分别是 6 尺度的 595 nm(黄光区域),5 尺度的 614 nm(红光区域),3 尺度的 708 nm(近红外区域)和 4 尺度的 754 nm(近红外区域);进一步确定了构建最佳纹理指数组合的纹理特征有:754 nm 处的熵(entropy,ENT)、均值(mean,MEA)、均一性(homogeneity,HOM),7 008 nm 处的 ENT、HOM,614 nm 处的 ENT、HOM、异质性(dissimilarity, DIS),595 nm 处的 ENT、HOM、DIS。其中,近红外波段 754 nm 处的纹理特征 MEA表现最优越,与病情严重度的相关性最高(R^(2)=0.67)。本研究进一步发现基于小波特征与纹理特征结合构建的小麦健康与病害判别 PLS-LDA 模型的精度最高,其总体分类精度为 81.17%,Kappa 系数为 0.63;基于光谱指数与纹理指数组合构建的小麦病情严重度 PLSR 模型效果最优,建模和检验 R^(2)分别为 0.76 和 0.71。本研究中最早能够识别的小麦冠层白粉病的病情严重度为 26%左右(接种后 24 d 左右)。【结论】基于小波特征与纹理特征结合构建的小麦健康与病害识别模型能够显著提高病害的分类精度,而光谱指数与纹理指数的特征组合能够显著提高病情严重度的估测精度以及稳定性。本研究方法和结果可为其他作物的病害监测提供借鉴和参考,对现代智慧农业的精确施药提供了技术支持。