CN107274002A - 小麦氮素丰缺诊断方法及其诊断模型的构建方法 - Google Patents
小麦氮素丰缺诊断方法及其诊断模型的构建方法 Download PDFInfo
- Publication number
- CN107274002A CN107274002A CN201710296621.2A CN201710296621A CN107274002A CN 107274002 A CN107274002 A CN 107274002A CN 201710296621 A CN201710296621 A CN 201710296621A CN 107274002 A CN107274002 A CN 107274002A
- Authority
- CN
- China
- Prior art keywords
- nitrogen
- wheat
- ndf
- rich scarce
- plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 259
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 133
- 241000209140 Triticum Species 0.000 title claims abstract description 79
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 59
- 238000010276 construction Methods 0.000 title claims abstract description 11
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 9
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 59
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 59
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 59
- 241000196324 Embryophyta Species 0.000 claims abstract description 41
- 238000003745 diagnosis Methods 0.000 claims abstract description 18
- 235000016709 nutrition Nutrition 0.000 claims abstract description 10
- 230000035764 nutrition Effects 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 14
- 235000013339 cereals Nutrition 0.000 claims description 11
- 230000007812 deficiency Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000003337 fertilizer Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000004720 fertilization Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 claims description 2
- 238000009395 breeding Methods 0.000 claims 2
- 230000001488 breeding effect Effects 0.000 claims 2
- 229920002678 cellulose Polymers 0.000 claims 1
- 239000001913 cellulose Substances 0.000 claims 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen group Chemical group [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 claims 1
- 210000000056 organ Anatomy 0.000 claims 1
- 238000000611 regression analysis Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 16
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 244000038559 crop plants Species 0.000 description 3
- 230000009257 reactivity Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000004300 dark adaptation Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000001917 fluorescence detection Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 235000019624 protein content Nutrition 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000032258 transport Effects 0.000 description 2
- 240000007171 Imperata cylindrica Species 0.000 description 1
- 241001582888 Lobus Species 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- 108090000913 Nitrate Reductases Proteins 0.000 description 1
- 244000275012 Sesbania cannabina Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical class C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000020774 essential nutrients Nutrition 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000014075 nitrogen utilization Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000003715 nutritional status Nutrition 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Game Theory and Decision Science (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Entrepreneurship & Innovation (AREA)
- Chemical & Material Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种小麦氮素丰缺诊断方法及其诊断模型的构建方法。主要包括下列步骤：数据采集；构建叶绿素荧光指数；建立产量−氮反应模型；确立氮素营养丰缺指数；确定叶位空间组合优化模式；建立氮素丰缺诊断模型。对于黄淮生态区而言，在返青期和拔节期，叶绿素荧光指数（NDF14(Fv/Fo)、NDF14(Fv/Fm)）可指示植株氮素丰缺指数（NAI）（R2=0.768、0.767）；在孕穗期和开花期，叶绿素荧光指数（NDF24(Fm)）可指示氮素丰缺指数（R2=740）；本发明有效减少生育时期的影响，在不同地点、品种和生育时期之间表现稳定，对小麦植氮素丰缺诊断具有较高的精度和准确性，方法简单、易于操作。
Description
技术领域
本发明涉及农业植被生长信息无损监测领域技术领域，具体涉及一种基于叶绿素荧光探测的小麦氮素丰缺诊断方法及其诊断模型的构建方法。
背景技术
氮素是小麦生长及影响产量和品质的最主要必需营养元素之一。随着生长期施氮量的增加，小麦单产虽有一定程度提高，但氮素利用率却明显降低，且加重了环境污染。而且过量施氮可能造成植株倒伏、后期贪青迟熟、加重病虫害的发生和籽粒品质变劣。而传统的氮肥管理是建立在田间作物形态诊断和室内测试分析基础上，常规的小麦氮素营养诊断的生理方法主要有反射仪法和Nmin法、植株硝酸盐法、二苯胺法和叶片硝酸还原酶法等，这些方法在取样测定和数据分析等过程中需要耗费大量的人力和物力，而且时效性差，依据其结果往往难以做出及时有效的反应。
而快捷、无损和准确的小麦植株氮素营养监测与诊断技术将有助于指导小麦氮肥的精确施用和动态调控。近年来，无损测试技术在作物氮营养诊断及氮肥推荐中得到了广泛的关注，有着广阔的发展前景。近年来利用SPAD值来评价作物氮素营养状况，已经应用于小麦、玉米、茅草等作物上，但这种评价诊断方式易受到外界环境和品种特性等的影响，其监测精度难以尽如人意。
发明内容
本发明要解决的技术问题是提供一种基于荧光探测的小麦氮素丰缺诊断方法，并构建了诊断模型，本发明方法克服了冠层光谱等被动式遥感受测试环境影响大、且难以探测冠层群体中下部生长状况的弊端，能提高小麦作物植株氮素监测精度。
研究表明，叶片叶绿素荧光参数可反映作物内在特性，可作为主动式遥感技术应用于监测植物的健康和生长状况；随施氮量增加，小麦叶绿素荧光参数呈规律性变化，且与叶片氮含量和产量关系密切。基于此，本发明通过测量小麦植株不同叶位叶片的荧光参数，结合小麦叶位间氮素差异生理学规律，创建小麦植株氮素丰缺诊断模型及方法，为小麦生产氮素营养诊断及动态管理调控提供依据。其诊断模型的构建方法包括如下步骤：
(1)数据采集
①施肥试验设置
按常规方法在待建模生态区设置不同施氮量处理的小麦施肥试验；
②叶片荧光参数测定
用叶绿素荧光分析仪测定不同施肥处理小麦植株在不同生长时期的全展开的顶部第1至4叶的叶绿素荧光参数初始荧光(Fo)、最大荧光(Fm)、可变荧光(Fv)、PSII潜在活性(Fv/Fo)和最大光化学速率(Fv/Fm)；
③植株氮含量测定
与荧光参数测量同步，测定小麦植株各生育时期的植株氮含量；
④产量
根据实产或常规测产方法确定对应小麦的单位面积籽粒产量(kg·hm-2)；
(2)构建叶绿素荧光指数
以下述公式计算不同生长时期的不同叶位的叶绿素荧光指数(NDFij)：
NDFij＝(Fi-Fj)/(Fi+Fj)
式中，Fi和Fj分别代表小麦主茎顶1叶到顶4叶中第i叶位和j叶位的叶绿素荧光参数数值，i和j的值为1到4，且i<j；
(3)建立产量-氮反应模型
通过对不同施氮处理条件下小麦籽粒产量与各生育时期地上部植株氮含量间关系的回归比较分析，依据下述一元二次定量方程拟合出对应的产量-氮反应模型：
Yield＝aX2+bX+c
其中，Yield为成熟期小麦籽粒产量(㎏/hm2)，X为各关键生育时期地上部所有器官植株的氮素含量(％)，这里关键生育时期为用于小麦施肥诊断的关键时期，包括返青期、拔节期、孕穗期和开花期；
(4)确立植株氮素营养丰缺指数
由下述公式确立对应的小麦作物的植株氮素丰缺指数(NAI)：
NAI＝Na/Nopt
式中，Na为小麦植株地上部氮浓度的实测值(％)；Nopt为由步骤(3)产量-氮反应模型求得的最佳氮浓度值(％)；
(5)确定叶位空间组合
利用叶片荧光参数Fo、Fm、Fv、Fv/Fo和Fv/Fm，计算不同叶位组合模式下叶绿素荧光指数值(NDF)，并与对应的植株氮含量进行相关分析，确定不同生育期的与植株氮含量间关系最为显著的叶位组合模式及对应的叶绿素荧光指数值；
(6)拟合回归方程
将上步选择确定的叶绿素荧光指数与对应的氮素丰缺指数进行线性回归，拟合出对应时期的植株氮素丰缺状况诊断模型。
利用上述诊断模型进行小麦氮素丰缺诊断的方法，包括如下步骤：
(1)用叶绿素荧光分析仪测定待诊断麦田中小麦植株的全展开的顶部第1至4叶的叶绿素荧光参数初始荧光Fo、最大荧光Fm、可变荧光Fv、PSII潜在活性Fv/Fo和最大光化学速率Fv/Fm；
(2)利用上步所得叶片荧光参数，并根据前述所确定的待诊断麦田所在生态区的叶位空间组合模式，确定诊断时期所对应的叶位空间组合模式的叶绿素荧光指数值NDF；
(3)依据上步所得叶绿素荧光指数值NDF，代入对应的植株氮素丰缺状况诊断模型，得出小麦植株氮丰缺指数，从而快速诊断小麦氮素是否亏缺。
对于黄淮生态区，在返青期和拔节期，选用叶绿素荧光指数NDF14(Fv/Fo)或NDF14(Fv/Fm)；在孕穗期和开花期，选用叶绿素荧光指数NDF24(Fm)。
对于黄淮生态区，从返青期到拔节期的植株氮素丰缺状况诊断模型为：
y＝-2.281×NDF14(Fv/Fo)+0.907，R2＝0.768，或
y＝-10.53×NDF14(Fv/Fm)+0.906，R2＝0.767；
式中y为氮素丰缺指数。
对于黄淮生态区，从孕穗期到开花期的植株氮素丰缺状况诊断模型为：
y＝-1.291×NDF24(Fm)+0.845，R2＝0.740；
式中y为氮素丰缺指数。
本发明积极有益的技术效果在于：
1.本发明充分利用叶绿素荧光技术的“内在性”和主动式遥感受环境因素影响较小的优势，克服了冠层光谱被动式遥感受测试环境影响大、且难以探测冠层群体中下部生长状况的弊端，有利于小麦作物植株氮素监测精度的提高。
2.该方法充分利用叶绿素荧光参数对叶位空间差异的敏感性，结合小麦叶位差的氮素营养学转运规律，实现了小麦旺盛生长期的植株氮素丰缺诊断，显著增强了小麦植株氮素丰缺状态的机理性。
3.相比前人利用作物上层叶片氮含量、SPAD和遥感等方法估算氮营养指数，本发明仅需测量小麦植株主茎顶部第1、2和顶4叶的荧光参数，构建小麦植株氮素丰缺指数诊断模型，避免了植株破坏性取样，且不受品种、土壤和天气等因素的影响，方法简单快捷准确，诊断成本低且普适性和应用性较好。
附图说明
图1是本发明基于叶绿素荧光参数的小麦氮素丰缺诊断模型的构建方法的流程图。
图2是本发明返青期至拔节期叶绿素荧光指数与小麦植株氮丰缺指数诊断模型的模型效果图(包括图2a、图2b)。
图3是本发明孕穗期至开花期叶绿素荧光指数与小麦植株氮丰缺指数诊断模型的模型效果图。
具体实施例
实施例：黄淮小麦生态区小麦氮素丰缺诊断模型的构建，主要步骤如下：
1.数据采集
①施肥试验设置：在黄淮小麦生态区设计2个田间试验，涉及到不同地点、不同品质类型和不同氮肥处理，具体如下：
试验a：试验点在郑州；前茬为玉米，0～20cm土层含有机质18.6g·kg-1、总氮0.93g·kg-1、速效磷66.32mg·kg-1、速效钾94.86mg·kg-1。供试品种为矮抗58(蛋白质含量13.0％～14.5％)和郑麦366(蛋白质含量15.0％～16.0％)。设4个施氮水平，分别施纯氮(N0)0、(N1)90、(N2)180和(N3)270kg·hm-2，其中50％作基肥，50％于拔节期追肥。所有处理均基施P2O5 150kg·hm-2和K2O 90kg·hm-2。小区随机排列，3次重复，小区面积5.8m×7.0m＝40.6m2，基本苗1.8×106株·hm-2，行距20cm。于返青期{50％麦苗心叶(春生一叶)长出部分达到1～2cm时}、拔节期(50％植株主茎基部第1节间伸长2.0cm)、孕穗期(50％植株旗叶叶片全部伸出叶鞘)和开花期测试田间荧光参数。
试验b：试验点在温县；小麦播前田菁掩底，0～20cm土壤含有机质19.8g·kg-1、总氮0.99g·kg-1、速效磷70.02mg·kg-1、速效钾79.99mg·kg-1。设同样用量的4个氮处理，50％作基肥，50％为拔节期追肥。基施P2O5 150kg·hm-2和K2O 120kg·hm-2。基本苗2.0×106株·hm-2，行距20cm。分别于返青期、拔节期、孕穗期和开花期测定小麦叶片荧光参数。
②叶片荧光参数测定
于晴朗无云或少云的上午(9:30-12:00)，用OS5-FL型调制式叶绿素荧光分析仪(OPTI-SCIENCES,美国)测定叶绿素荧光参数初始荧光(Fo)、最大荧光(Fm)、可变荧光(Fv)、PSII潜在活性(Fv/Fo)和最大光化学速率(Fv/Fm)，以及荧光光化学猝灭系数(qP)、非光化学猝灭系数(qN)、PSII量子效率(ΦPSII)和电子传递速率(ETR)。取每处理各小区植株完全展开的顶部第1、2、3、4叶；测定时先用夹子固定小麦叶片，使各叶位叶片受光一致，交叉测量，避免辐射对不同处理的影响，每小区每个叶位测定5～8片叶。测定暗适应荧光参数前，将叶片充分暗适应20min。
③植株氮含量测定
与荧光参数测量同步，每小区取20株，孕穗期取50个单茎，将植株分离为叶片(从上到下第1～4完全展开叶)和茎鞘，并自灌浆开始从穗部剥离籽粒。将各部分样品在105℃下杀青20min，80℃烘干，然后称重。样品经粉碎后，采用凯氏定氮法，测定叶片、茎鞘、颖壳和籽粒等部位的全氮含量(％)。各器官的氮素积累量(g·m-2)＝氮含量(％)×干物质重(g·m-2)。植株氮含量为所有绿叶片和茎鞘氮总积累量与对应总干物质量的比值(％)。
④产量性状调查
成熟前每小区测定1m双行3个样点折算出单位面积穗数，收获后取20株室内考种，统计每穗粒数、千粒重和穗粒重；每小区实收4m2，换算出单位面积籽粒产量(kg·hm-2)。
2.构建叶绿素荧光指数
利用不同年度和品种数据相关分析，除顶部第4叶Fo外，不同叶位叶片叶绿素荧光参数与对应叶片氮含量相关均显著(表1)，其中顶部第1叶和第2叶相关系数最高，顶部第4叶最差。综合所有叶位数据分析，荧光参数间差异表现为Fv、Fm和Fv/Fo与叶片氮含量间相关性较好，最优化的相关系数也仅为0.742。经线性回归分析，方程决定系数R2＝0.55，这说明利用单一叶片荧光参数预测叶片氮含量方程精度低，误差大。
本例考虑将不同空间位置的叶片进行组合，以提高叶片属性的空间性对植株氮素营养状况的敏感程度。不同叶位的归一化叶绿素荧光指数(NDFij)的计算公式为：
NDFij＝(Fi-Fj)/(Fi+Fj)
式中，Fi和Fj分别代表小麦主茎顶1叶到顶4叶中第i叶位和j叶位的叶绿素荧光参数数值，i和j的值为1到4，且i<j。
表1不同叶位叶绿素荧光参数与对应叶片氮含量间的相关系数
注：*P<0.05；**P<0.01.
3.建立产量-氮反应模型
通过对不同试验条件下小麦籽粒产量与地上部植株氮含量间关系的回归比较分析，产量-氮反应模式为一元二次定量方程，具体见表2。
表2不同施氮处理下小麦籽粒产量(y，公斤/公顷)与地上部植株氮含量(x，％)间关系
经优化求解，试验a在返青、拔节、孕穗和开花期的适宜植株氮含量分别为4.89％、3.67％、2.96％和1.82％，而试验b的适宜植株氮含量分别为4.67％、3.78％、2.75％和2.09％，适宜的植株氮含量在拔节期两试验间差距最小，而在开花期差异最大。
4.确立植株氮素营养丰缺指数
本发明建立了小麦作物植株氮素营养指标，具体的植株氮素丰缺指数(NAI)计算公式如下：
NAI＝Na/Nopt
式中，Na为作物地上部氮浓度的实测值(％)；Nopt为产量-氮反应模型求得的最佳氮浓度值(％)。
5.确定叶位空间组合优化模式
利用试验设置的两品种叶片荧光参数Fo、Fm、Fv、Fv/Fo和Fv/Fm，计算叶绿素荧光指数(NDF)值，并与对应植株氮含量进行相关分析(表3)。NDF值与植株氮含量的关系随生育时期、叶位和荧光参数的不同而不同。返青期和拔节期基于Fv/Fo和Fv/Fm的顶部第1和第2叶与顶部第4叶间的差值(NDF14和NDF24)与植株氮含量间关系最为显著，相关系数均低于-0.815(P﹤0.001)，而Fo、Fv和Fm相关性较差，其它叶位间差异与植株氮含量间相关系数范围为-0.582～0.034。叶绿素荧光指数的叶位组合模式间比较，NDF14优于NDF24。
在孕穗和开花期，基于Fo、Fm和Fv的顶部两张叶片与第4叶间的差值与植株氮含量也具有较好相关性，其中，基于Fm和Fv的相关系数分别低于-0.761(P﹤0.001)和-0.746(P﹤0.001)，孕穗期优于开花期，而基于Fv/Fo和Fv/Fm的叶位间差值与植株氮含量关系较差。叶绿素荧光指数的叶位组合模式间比较，在孕穗期NDF24与NDF14间差异较小，而在开花期NDF24较NDF14表现更好。
由于不同叶位叶片荧光参数对施氮的反应存在空间差异，顶部第4叶与顶1叶和顶2叶的荧光差值(NDF14和NDF24)对增施氮肥反应敏感，通过计算荧光参数的叶位差异指数，以减少不同地点和品种间差异。
表3不同叶位差异的叶绿素荧光指数与植株氮含量间相关系数
注：*P<0.05；**P<0.01.
6.构建植株氮丰缺诊断模型
植株氮素丰缺指数较氮素绝对含量对施肥管理的田间指导价值更大；本发明将植株氮含量转换为氮素丰缺指数，分析氮素丰缺指数与叶绿素荧光指数间定量关系(表4)；在返青期和拔节期间，基于顶部第1叶与第4叶差异的叶绿素荧光指数(NDF14)与植株氮素丰缺指数的相关系数优于基于顶部第2叶与第4叶差异的叶绿素荧光指数(NDF24)；通过回归分析，植株氮素丰缺指数与叶绿素荧光指数间关系在返青期和拔节期间差异较小，可用统一回归方程表达(图2a，图2b)；图2显示了本发明NDF14与小麦植株氮素丰缺指数诊断模型的模拟效果，其中纵坐标表示小麦植株氮素丰缺指数，横坐标表示对应的叶绿素荧光指数NDF14。
黄淮生态区小麦从返青期到拔节期的植株氮素丰缺状况诊断方程为：
y＝-2.281×NDF14(Fv/Fo)+0.907，R2＝0.768；或
y＝-10.53×NDF14(Fv/Fm)+0.906，R2＝0.767。
在孕穗期和开花期间，基于顶部第2叶与第4叶差异的叶绿素荧光指数(NDF24)与植株氮素丰缺指数的相关系数优于基于顶部第1叶与第4叶差异的叶绿素荧光指数(NDF14)；荧光参数间比较，Fm优于Fo和Fv；氮素丰缺指数与叶绿素荧光指数间定量关系在孕穗期和开花期表现一致，可用统一回归方程表达(图3)。
黄淮生态区小麦从孕穗期到开花期的植株氮素丰缺状况诊断方程为：
y＝-1.291×NDF24(Fm)+0.845，R2＝0.740。
这说明，NDF与NAI之间关系有效减少生育时期的影响，在不同地点、品种和生育时期之间表现稳定，因此，可以使用NDF14和NDF24定量估算小麦植株氮丰缺指数，从而快速诊断小麦氮素是否亏缺。
表4基于顶部2叶与第4叶差的叶绿素荧光指数与植株氮素丰缺指数间的相关系数
注：**P<0.01.
上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。
Claims (9)
1.一种小麦氮素丰缺诊断模型的构建方法，包括如下步骤：
（1）数据采集
①施肥试验设置
按常规方法在待建模生态区设置不同施氮量处理水平的小麦施肥试验；
②叶片荧光参数测定
用叶绿素荧光分析仪测定不同施肥处理小麦植株在不同生长时期的全展开的顶部第1至4叶的叶绿素荧光参数初始荧光F o、最大荧光F m、可变荧光F v、PSII潜在活性F v/F o和最大光化学速率F v/F m；
③植株氮含量测定
与荧光参数测量同步，测定小麦植株各生育期的植株氮含量；
④产量
根据实产或常规测产方法确定对应小麦的单位面积籽粒产量；
（2）构建叶绿素荧光指数
以下式计算不同生长时期的不同叶位的叶绿素荧光指数NDFij：
NDFij =(Fi -Fj ) / (Fi +Fj )
式中，Fi 和Fj 分别代表小麦主茎顶1 叶到顶4 叶中第i 叶位和j 叶位的叶绿素荧光参数数值，i 和j 的值为1到4，且i<j；
（3）建立产量−氮反应模型
通过对不同施氮处理条件下的小麦籽粒产量与对应的地上部各关键生育时期的植株氮含量间关系的回归分析，依据下述一元二次定量方程拟合出对应的产量−氮反应模型：
Yield = aX2 + bX+c
其中，Yield为成熟期小麦籽粒产量，X为各关键生育时期的地上部所有器官植株的氮素含量；
（4）确立氮素营养丰缺指数
以如下式计算出对应的小麦作物的植株氮素丰缺指数NAI：
NAI = Na / Nopt
式中，Na 为小麦地上部植株氮含量的实测值；Nopt 为根据步骤（3）所得产量−氮反应模型求得的最佳氮含量值；
（5）确定叶位空间组合
利用叶片荧光参数F o、F m、F v、F v/F o和F v/F m，计算不同叶位组合模式下叶绿素荧光指数值NDF，并与对应的植株氮含量进行相关分析，确定各生育期的与植株氮含量间关系显著的叶位组合模式及对应的叶绿素荧光指数值；
（6）拟合回归方程
将上步选择确定的叶绿素荧光指数与对应的氮素丰缺指数进行线性回归，拟合出对应的拟合方程，即为对应生育时期的植株氮素丰缺状况诊断模型。
2.根据权利要求1所述的小麦氮素丰缺诊断模型的构建方法，其特征在于，所述关键生育时期包括返青期、拔节期、孕穗期和开花期。
3.根据权利要求1所述的小麦氮素丰缺诊断模型的构建方法，其特征在于，在所述步骤（6）中，对于黄淮生态区，在返青期和拔节期，选用叶绿素荧光指数NDF14(Fv/Fo)或NDF14(Fv/Fm) ；在孕穗期和开花期，选用叶绿素荧光指数NDF24(Fm)。
4.根据权利要求3所述的小麦氮素丰缺诊断模型的构建方法，其特征在于，在所述步骤（6）中，对于黄淮生态区，从返青期到拔节期的植株氮素丰缺状况诊断模型为：
y = -2.281×NDF14（Fv/Fo）+ 0.907，R²= 0.768，或
y = -10.53×NDF14（Fv/Fm）+ 0.906，R²= 0.767；
式中y为氮素丰缺指数。
5.根据权利要求3或4所述的小麦氮素丰缺诊断模型的构建方法，其特征在于，在所述步骤（6）中，对于黄淮生态区，从孕穗期到开花期的植株氮素丰缺状况诊断模型为：
y = -1.291×NDF24（Fm）+ 0.845，R²= 0.740；
式中y为氮素丰缺指数。
6.一种小麦氮素丰缺诊断方法，包括如下步骤：
（1）用叶绿素荧光分析仪测定待诊断麦田中小麦植株的全展开的顶部第1至4叶的叶绿素荧光参数初始荧光F o、最大荧光F m、可变荧光F v、PSII潜在活性F v/F o和最大光化学速率F v/F m；
（2）利用上步所得叶片荧光参数，并根据权利要求1所确定的待诊断麦田所在生态区的叶位空间组合模式，确定诊断时期所对应的叶位空间组合模式的叶绿素荧光指数值NDF；
（3）依据上步所得叶绿素荧光指数值NDF，代入权利要求1所得的对应的植株氮素丰缺状况诊断模型，得出小麦植株氮丰缺指数，从而快速诊断小麦氮素是否亏缺。
7.根据权利要求6所述的小麦氮素丰缺诊断方法，其特征在于，对于黄淮生态区，在所述步骤（2）中，在返青期和拔节期进行氮素丰缺诊断时，确定选用叶绿素荧光指数NDF14(Fv/Fo)或NDF14(Fv/Fm) ；在孕穗期和开花期，选用叶绿素荧光指数NDF24(Fm)。
8.根据权利要求7所述的小麦氮素丰缺诊断方法，其特征在于，对于黄淮生态区，在所述步骤（3）中，在返青期到拔节期进行氮素丰缺诊断时，采用的植株氮素丰缺状况诊断模型为：
y = -2.281×NDF14（Fv/Fo）+ 0.907，R²= 0.768，或
y = -10.53×NDF14（Fv/Fm）+ 0.906，R²= 0.767；
式中y为氮素丰缺指数。
9.根据权利要求7所述的小麦氮素丰缺诊断方法，其特征在于，对于黄淮生态区，在所述步骤（3）中，在孕穗期到开花期进行氮素丰缺诊断时，采用的植株氮素丰缺状况诊断模型为：
y = -1.291×NDF24（Fm）+ 0.845，R²= 0.740；
式中y为氮素丰缺指数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710296621.2A CN107274002A (zh) | 2017-04-28 | 2017-04-28 | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710296621.2A CN107274002A (zh) | 2017-04-28 | 2017-04-28 | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107274002A true CN107274002A (zh) | 2017-10-20 |
Family
ID=60073649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710296621.2A Pending CN107274002A (zh) | 2017-04-28 | 2017-04-28 | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107274002A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108401634A (zh) * | 2018-02-07 | 2018-08-17 | 扬州大学 | 一种大棚鲜食番茄氮素营养诊断及推荐施氮方法 |
| CN109089790A (zh) * | 2018-09-17 | 2018-12-28 | 河北农业大学 | 利用小麦春生3、4叶spad值诊断水肥施用时间的方法 |
| CN113282642A (zh) * | 2021-06-02 | 2021-08-20 | 宁夏农产品质量标准与检测技术研究所(宁夏农产品质量监测中心) | 基于Excel软件的农作物植株营养平衡诊断与调节系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104584751A (zh) * | 2014-12-20 | 2015-05-06 | 华中农业大学 | 基于冬油菜氮素营养无损检测的施肥方法 |
| CN105445229A (zh) * | 2015-12-15 | 2016-03-30 | 河南农业大学 | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 |
| CN105675821A (zh) * | 2016-02-21 | 2016-06-15 | 南京农业大学 | 一种作物氮素营养无损诊断的图像评价指标的建立方法 |
-
2017
- 2017-04-28 CN CN201710296621.2A patent/CN107274002A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104584751A (zh) * | 2014-12-20 | 2015-05-06 | 华中农业大学 | 基于冬油菜氮素营养无损检测的施肥方法 |
| CN105445229A (zh) * | 2015-12-15 | 2016-03-30 | 河南农业大学 | 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法 |
| CN105675821A (zh) * | 2016-02-21 | 2016-06-15 | 南京农业大学 | 一种作物氮素营养无损诊断的图像评价指标的建立方法 |
Non-Patent Citations (2)
| Title |
|---|
| WEI FENG等: ""Assessment of plant nitrogen status using chlorophyll fluorescence parameters of the upper leaves in winter wheat"", 《EUROPEAN JOURNAL OF AGRONOMY》 * |
| 冯伟等: ""小麦叶绿素荧光参数叶位差异及其与植株氮含量的关系"", 《作物学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108401634A (zh) * | 2018-02-07 | 2018-08-17 | 扬州大学 | 一种大棚鲜食番茄氮素营养诊断及推荐施氮方法 |
| CN108401634B (zh) * | 2018-02-07 | 2020-03-31 | 扬州大学 | 一种大棚鲜食番茄氮素营养诊断及推荐施氮方法 |
| CN109089790A (zh) * | 2018-09-17 | 2018-12-28 | 河北农业大学 | 利用小麦春生3、4叶spad值诊断水肥施用时间的方法 |
| CN113282642A (zh) * | 2021-06-02 | 2021-08-20 | 宁夏农产品质量标准与检测技术研究所(宁夏农产品质量监测中心) | 基于Excel软件的农作物植株营养平衡诊断与调节系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Crop yield forecasting and associated optimum lead time analysis based on multi-source environmental data across China | |
| CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| Gnyp et al. | Hyperspectral canopy sensing of paddy rice aboveground biomass at different growth stages | |
| Li et al. | Irrigation scheduling optimization for cotton based on the AquaCrop model | |
| Li et al. | Developing machine learning models with multi-source environmental data to predict wheat yield in China | |
| CN110189793B (zh) | 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 | |
| CN112485204A (zh) | 基于高光谱的水稻穗期氮营养监测与诊断方法及应用 | |
| Zhu et al. | Monitoring leaf nitrogen in wheat using canopy reflectance spectra | |
| Wang et al. | Development of a model using the nitrogen nutrition index to estimate in-season rice nitrogen requirement | |
| Wang et al. | Prediction of winter wheat yield and dry matter in North China Plain using machine learning algorithms for optimal water and nitrogen application | |
| CN107274002A (zh) | 小麦氮素丰缺诊断方法及其诊断模型的构建方法 | |
| Peng et al. | Winter wheat canopy water content monitoring based on spectral transforms and “three-edge” parameters | |
| CN112816618A (zh) | 一种氮高效小麦品种的筛选方法 | |
| Wang et al. | Evaluating model-based strategies for in-season nitrogen management of maize using weather data fusion | |
| Du et al. | Corn variable-rate seeding decision based on gradient boosting decision tree model | |
| Liu et al. | Statistical analysis of nitrogen use efficiency in Northeast China using multiple linear regression and Random Forest | |
| Ruan et al. | Exploring the transferability of wheat nitrogen status estimation with multisource data and Evolutionary Algorithm-Deep Learning (EA-DL) framework | |
| Zhang et al. | Estimation of relative water content in rice panicle based on hyperspectral vegetation indexes under water saving irrigation | |
| Ren et al. | Based on historical weather data to predict summer field-scale maize yield: Assimilation of remote sensing data to WOFOST model by ensemble Kalman filter algorithm | |
| Kunal et al. | Prediction of grain yield and nitrogen uptake by basmati rice through in-season proximal sensing with a canopy reflectance sensor | |
| Zhang et al. | Key variable for simulating critical nitrogen dilution curve of wheat: Leaf area ratio-driven approach | |
| Ma et al. | Exploring the relationships between biomass production, nutrient acquisition, and phenotypic traits: testing oat genotypes as a cover crop | |
| Dong et al. | Estimation of nitrate nitrogen content in cotton petioles under drip irrigation based on wavelet neural network approach using spectral indices | |
| CN112990692B (zh) | 一种基于分生育阶段多参数耦合的冬小麦产量估计方法 | |
| CN116735538B (zh) | 一种基于氮素分配模型的作物氮素累积量遥感预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
| RJ01 | Rejection of invention patent application after publication |