CN110082300A - 基于光谱参量的冬小麦冠层含水率监测模型建立方法 - Google Patents
基于光谱参量的冬小麦冠层含水率监测模型建立方法 Download PDFInfo
- Publication number
- CN110082300A CN110082300A CN201910416336.9A CN201910416336A CN110082300A CN 110082300 A CN110082300 A CN 110082300A CN 201910416336 A CN201910416336 A CN 201910416336A CN 110082300 A CN110082300 A CN 110082300A
- Authority
- CN
- China
- Prior art keywords
- moisture content
- winter wheat
- canopy
- differential
- sdr
- 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.)
- Granted
Links
- 230000003595 spectral effect Effects 0.000 title claims abstract description 107
- 241000209140 Triticum Species 0.000 title claims abstract description 89
- 238000012544 monitoring process Methods 0.000 title claims abstract description 64
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims abstract description 56
- 238000002310 reflectometry Methods 0.000 claims abstract description 44
- 238000009395 breeding Methods 0.000 claims abstract description 26
- 230000001488 breeding effect Effects 0.000 claims abstract description 26
- 230000035558 fertility Effects 0.000 claims abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 230000036512 infertility Effects 0.000 claims description 14
- 208000000509 infertility Diseases 0.000 claims description 14
- 231100000535 infertility Toxicity 0.000 claims description 14
- 238000010521 absorption reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 241001062009 Indigofera Species 0.000 claims description 7
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 abstract description 33
- 230000009466 transformation Effects 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000003455 independent Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 14
- 238000003973 irrigation Methods 0.000 description 8
- 230000002262 irrigation Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 description 2
- 244000038559 crop plants Species 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000985 reflectance spectrum Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009331 sowing Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009418 agronomic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000004202 carbamide Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000003608 fece Anatomy 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000010871 livestock manure Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000643 oven drying Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3577—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing liquids, e.g. polluted water
-
- 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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/20—Cereals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/42—Absorption spectrometry; Double beam spectrometry; Flicker spectrometry; Reflection spectrometry
- G01J2003/425—Reflectance
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于光谱参量的冬小麦冠层含水率监测模型建立方法。本发明根据不同水分处理下各生育期冬小麦冠层光谱反射率与植株冠层含水率数据，分析了光谱信息基础变换与“三边”参数对植株冠层含水率之间相关关系，提出了考虑各生育期特点且具有较高精度的适宜模型组合，并构建了综合光谱信息基础变换与“三边”参数等诸多自变量的植株冠层含水率的主成分估算模型，突破了光谱监测生育时段制约及其他背景噪声影响，为冬小麦植株水分含量高光谱准确诊断提供理论依据和技术支持。
Description
技术领域
本发明涉及农业种植技术领域，具体涉及一种基于光谱参量的冬小麦冠层含水率监测模型建立方法。
背景技术
水分作为作物生长过程中主要的限制因子之一，其亏缺直接影响植株的生理生化过程和形态结构，最终导致作物减产或品质不佳；所以大规模实时监测植株水分状况，对提高作物水分管理水平，确保作物提质增效具有重要的理论和实践意义。为保证冬小麦稳产高产，势必结合其植株冠层含水率实时动态精准监控数据，及时通过灌溉补充冬小麦生育期内缺水量。植株水分亏缺造成冬小麦生理生化特征变化与植株冠层光谱特征差异，使采用光谱技术监测植株冠层含水率成为可能。相比于传统监测植株水分的方法如烘干法，属于破坏性采样，不仅费时费力，也难以获得单个植株水分的动态变化；但近年来随着光谱技术的快速发展，光谱时空分辨率大幅提高，为大面积植株水分实时动态精准无损监测提供了技术支撑。
近年来国内外学者对作物水分光谱监测进行了大量的研究，并建立了不同作物水分光谱估算模型。由于受破坏性试验采样量的限制或生育期内天气状况不佳等关键因素影响，诸多研究成果多局限于特定生育期植株含水率光谱监测模型构建；作物不同生育期内光谱特征变化较显著，特定生育期光谱模型能否适用于全生育期植株含水率监测令人质疑。为了便于操作，相关学者也开展多种模型在不同生育阶段模拟效果对比研究，后提出适用于全生育期植株含水率的光谱监测模型，但是该全生育期模型在各个生育期模拟精度与适用性有待进一步验证，才有利于该模型应用与推广；由于受不同生育期植株生理结构及生长特性指标等因素变异影响，不同生育时段光谱反射率也随之变化，采用特定全生育期光谱监测模型在各个生育期模拟精度存在较大差异，特别是针对整个生育期模型监测精度也亟待提高，才能满足作物植株水分精准管理需要。
随着光谱分辨率提高，丰富了光谱信息数据，但也增加了背景和噪声干扰。相关研究表明，通过反射光谱信息的基础变换如倒数、对数与微分等，能降低背景与噪音影响，增强光谱吸收与提取特征，提高模型模拟精度。“三边”位置、幅值、面积等参数及其由该类参数构建的光谱指数等信息能较好反映绿色植被光谱特征，且“三边”参数对叶面积指数、氮含量和叶绿素含量较为敏感，但目前选择“三边”参数监测作物植株含水率的研究并不多见。采用综合光谱参量能有效减少背景与噪声的干扰，能确保监测模型稳定可靠，所以本发明专利综合了光谱信息基础变换与“三边”参数等光谱参量，在此基础上建立能满足不同生育时段冬小麦冠层含水率监测模型建立方法，确保各生育时段冬小麦冠层含水率监测精准与稳定。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于光谱参量的冬小麦冠层含水率监测模型建立方法突破了植株冠层含水率光谱监测生育时段制约与其他背景噪声的影响，实现了作物全生育期光谱监测精准与稳定。
为了达到上述发明目的，本发明采用的技术方案为：一种基于光谱参量的冬小麦冠层含水率监测模型建立方法，包括以下步骤：
S1、测量冬小麦冠层的光谱反射率和含水率；
S2、通过光谱反射率构建光谱参量；
所述光谱参量包括光谱变换形式和“三边”参数；
S3、对冬小麦冠层含水率与光谱变换形式和“三边”参数进行相关性分析，选择各生育期相关性显著的光谱参量，对其进行主成分分析，通过主成分分析结果分别构建各生育时段综合光谱参量的含水率监测模型，将各生育时段综合光谱参量的含水率监测模型组合作为全生育期综合光谱参量的冠层含水率监测模型；
所述生育期包括拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期。
进一步地：所述步骤S1中光谱反射率的测量方法为：
在每次监测前采用反射率为1的白板进行校正，将地物光谱仪的探头垂直向下监测15cm冬小麦冠层，选择三处监测点并采用手持式地物光谱仪监测冬小麦植株冠层光谱，将三次检测结果的平均值作为冬小麦冠层的光谱反射率。
进一步地：所述步骤S1中含水率的测量方法为：
将测定光谱后的冬小麦植株进行采样，称取其鲜重，放入烘箱在105℃下将冬小麦植株杀青30min，再将烘箱的温度调至75℃，将冬小麦植株烘干至恒重，并称其干重，即可计算得到冬小麦植株的含水率；
冬小麦植株含水率的计算公式为：
ω＝(M1-M2)/M1
上式中，ω为含水率，M1为鲜重，M2为恒重。
进一步地：所述步骤S2中光谱变换形式为对光谱反射率进行变换，包括除以R450-750、除以R930、倒数、倒数的对数、倒数的对数的一阶微分、倒数的一阶微分、对数、对数的一阶微分、吸收深度670nm和一阶微分；
所述R450-750为450nm-750nm波段反射率的平均值，所述R930为930nm波段的反射率值，所述吸收深度670nm的计算公式为：
上式中，A560为吸收特征起始点560nm处的光谱反射率，B670为吸收特征中心点670nm处的光谱反射率，C760为吸收特征结束点760nm处的光谱反射率；进一步地：所述步骤S2中“三边”参数包括红边幅值Dr、红边位置λr、蓝边幅值Db、蓝边位置λb、黄边幅值Dy、黄边位置λy、绿峰幅值Rg、绿峰位置λg、红谷幅值Rr、红谷位置λv、红边面积SDr、蓝边面积SDb、黄边面积SDy、(Rg-Rr)/(Rg+Rr)、Rg/Rr、SDr/SDb、SDr/SDy、(SDr-SDb)、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)；
所述红边幅值Dr为红光范围680～760nm内一阶导数光谱中的最大值，所述红边位置λr为红边幅值Dr相对应的波长位置，所述蓝边幅值Db为蓝光范围490nm～530nm内一阶导数光谱中的最大值，所述蓝边位置λb为蓝边幅值Db相对应的波长位置，所述黄边幅值Dy为黄光范围560～640nm内一阶导数光谱中的最大值，所述黄边位置λy为黄边幅值Dy相对应的波长位置，所述绿峰幅值Rg为绿光范围510～560nm内的最大波段反射率，所述绿峰位置λg为绿峰幅值Rg相对应的波长位置，所述红谷幅值Rr为红光范围640～680nm内的最小波段反射率，所述红谷位置λv为红谷幅值Rr相对应的波长位置。
进一步地：所述步骤S3中含水率监测模型的综合光谱参量以各生育时段冬小麦冠层含水率与相应的光谱变换形式及“三边”参数相关性显著为标准选取，其中拔节-抽穗期的光谱参量包括：对数的一阶微分、倒数的对数的一阶微分、Rg/Rr、一阶微分、倒数的一阶微分、除以R450-750、(Rg-Rr)/(Rg+Rr)、倒数、倒数的对数；抽穗-灌浆期的光谱参量包括：除以R930、SDr/SDy、(SDr-SDy)/(SDr+SDy)、黄边面积SDy、一阶微分、倒数、倒数的对数、对数、倒数的一阶微分；灌浆-成熟期的光谱参量包括(Rg-Rr)/(Rg+Rr)、Rg/Rr、除以R450-750、对数的一阶微分、倒数的对数的一阶微分、(SDr-SDb)/(SDr+SDb)、原始反射率、红谷幅值Rr、除以R930。
进一步地：所述步骤S3中冠层含水率监测模型为：
上式中，Y为冬小麦冠层含水率/(g.g-1)，M1为拔节-抽穗期的第一主成分，M2为拔节-抽穗期的第二主成分，M3为拔节-抽穗期的第三主成分，N1为抽穗-灌浆期的第一主成分，N2为抽穗-灌浆期的第二主成分，N3为抽穗-灌浆期的第三主成分，L1为灌浆-成熟期的第一主成分，L2为灌浆-成熟期的第二主成分，L3为灌浆-成熟期的第三主成分；
M1＝0.3489X1-0.3489X2+0.3542X3+0.029X4-0.3516X5
+0.3563X6+0.3573X7+0.3546X8+0.3551X9
M2＝-0.0182X1+0.0182X2+0.0020X3+0.9962X4+0.0717X5
-0.0120X6+0.0373X7-0.0191X8+0.0178X9
M3＝-0.5675X1+0.5675X2+0.0519X3+0.0152X4-0.4140X5
+0.1459X6-0.0337X7+0.3484X8+0.1921X9
上式中，X1为对数的一阶微分，X2为倒数的对数的一阶微分，X3为Rg/Rr，X4为一阶微分，X5为倒数的一阶微分，X6为除以R450-750，X7为(Rg-Rr)/(Rg+Rr)，X8为倒数，X9为倒数的对数；
N1＝0.3113Q1-0.2973Q2-0.3011Q3+0.3626Q4+0.3441Q5
-0.3544Q6-0.3531Q7+0.3531Q8+0.3149Q9
N2＝-0.1811Q1+0.5257Q2+0.5275Q3+0.0676Q4+0.1590Q5
-0.3216Q6-0.3441Q7+0.3441Q8-0.2053Q9
N3＝0.6511Q1+0.3235Q2+0.2660Q3-0.2341Q4-0.2332Q5
+0.0289Q6+0.0289Q7-0.0289Q8+0.5379Q9
上式中，Q1为除以R930，Q2为SDr/SDy，Q3为(SDr-SDy)/(SDr+SDy)，Q4为黄边面积SDy，Q5为一阶微分，Q6为倒数，Q7为倒数的对数，Q8为对数，Q9为倒数的一阶微分；
L1＝-0.3301Z1-0.3311Z2+0.3417Z3-0.3392Z4+0.3392Z5
-0.3351Z6+0.3197Z7+0.3202Z8+0.3428Z9
L2＝0.4065Z1+0.3971Z2-0.2538Z3+0.1021Z4-0.1021Z5
-0.0844Z6+0.5348Z7+0.5232Z8+0.1602Z9
L3＝-0.3082Z1-0.2994Z2+0.1956Z3+0.5979Z4-0.5979Z5
+0.0073Z6+0.1196Z7+0.1624Z8+0.1461Z9
上式中，Z1为(Rg-Rr)/(Rg+Rr)，Z2为Rg/Rr，Z3为除以R450-750，Z4为对数的一阶微分，Z5为倒数的对数的一阶微分，Z6为(SDr-SDb)/(SDr+SDb)，Z7为原始反射率，Z8为红谷幅值Rr，Z9为除以R930。
本发明的有益效果为：本发明根据不同水分处理下各生育期冬小麦冠层光谱反射率与植株冠层含水率数据，光谱信息基础变换与“三边”参数对植株冠层含水率之间相关关系，提出了考虑各生育期特点且具有较高精度的适宜模型组合，并构建了综合光谱信息基础变换与“三边”参数等诸多自变量的植株冠层含水率的主成分估算模型，突破了光谱监测生育时段制约与其他背景噪声的影响，为冬小麦植株水分含量高光谱准确诊断提供理论依据和技术支持。
附图说明
图1为本发明流程图；
图2为不同水分处理下冬小麦植株冠层光谱特征图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
冬小麦供试品种为中麦175，2016-2017年冬小麦播种与收获日期分别为2016年10月6日、2017年6月7日；2017-2018年冬小麦播种与收获日期分别为2017年10月13日、2018年6月6日。选择播前、播种-越冬期、返青-拔节期、拔节-抽穗期、抽穗-灌浆期等5个阶段，分别考虑灌1水、灌2水、灌3水、灌4水与灌5水等，设置5个水分处理，即W1、W2、W3、W4、W5，每处理3次重复，共15个小区，小区面积约为60m2。各处理灌水情况见表1，灌溉水源为地下水，采用水表计量。播前将复合肥(含N量15％、含P2O5量15％、含K2O量15％)作为基肥施入，在返青-拔节期追肥尿素，每次施肥量均为225kg/hm2，各处理施肥水平相同。田间管理，如除草、病虫害防治等农艺措施与当地农民习惯保持一致。
表1冬小麦灌溉制度
如图1所示，一种基于光谱参量的冬小麦冠层含水率监测模型建立方法，包括以下步骤：
S1、测量冬小麦冠层的光谱反射率和含水率；
光谱反射率的测量方法为：在每次监测前采用反射率为1的白板进行校正，将地物光谱仪的探头垂直向下监测15cm冬小麦冠层，选择3处监测点并采用手持式地物光谱仪监测冬小麦植株冠层光谱，将3次检测结果的平均值作为冬小麦冠层的光谱反射率。地物光谱仪选择美国ASD公司生产的Field-Spec HandHeld2型手持式地物光谱仪，该地物光谱仪的有效波段范围是325-1075nm，采样间隔为1nm，分辨率为3nm。
含水率的测量方法为：将测定光谱后的冬小麦植株进行采样，称取其鲜重，放入烘箱在105℃下将冬小麦植株杀青30min，再将烘箱的温度调至75℃，将冬小麦植株烘干至恒重，并称其干重，即可计算得到冬小麦植株的含水率；
冬小麦植株含水率的计算公式为：
ω＝(M1-M2)/M1
上式中，ω为含水率，M1为鲜重，M2为恒重。
S2、通过光谱反射率构建光谱参量；
所述光谱参量包括光谱变换形式和“三边”参数；
所述步骤S2中光谱变换形式为对光谱反射率进行变换，包括除以R450-750、除以R930、倒数、倒数的对数、倒数的对数的一阶微分、倒数的一阶微分、对数、对数的一阶微分、吸收深度670nm和一阶微分，如表2所示；
所述R450-750为450nm-750nm波段反射率的平均值，所述R930为930nm波段的反射率值，所述吸收深度670nm的计算公式为：
上式中，A560为吸收特征起始点560nm处的光谱反射率，B670为吸收特征中心点670nm处的光谱反射率，C760为吸收特征结束点760nm处的光谱反射率；
表2 11种光谱变换形式计算公式
所述“三边”参数包括红边幅值Dr、红边位置λr、蓝边幅值Db、蓝边位置λb、黄边幅值Dy、黄边位置λy、绿峰幅值Rg、绿峰位置λg、红谷幅值Rr、红谷位置λv、红边面积SDr、蓝边面积SDb、黄边面积SDy、(Rg-Rr)/(Rg+Rr)、Rg/Rr、SDr/SDb、SDr/SDy、(SDr-SDb)、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)，如表3所示；
所述红边幅值Dr为红光范围680～760nm内一阶导数光谱中的最大值，所述红边位置λr为红边幅值Dr相对应的波长位置，所述蓝边幅值Db为蓝光范围490nm～530nm内一阶导数光谱中的最大值，所述蓝边位置λb为蓝边幅值Db相对应的波长位置，所述黄边幅值Dy为黄光范围560～640nm内一阶导数光谱中的最大值，所述黄边位置λy为黄边幅值Dy相对应的波长位置，所述绿峰幅值Rg为绿光范围510～560nm内的最大波段反射率，所述绿峰位置λg为绿峰幅值Rg相对应的波长位置，所述红谷幅值Rr为红光范围640～680nm内的最小波段反射率，所述红谷位置λv为红谷幅值Rr相对应的波长位置。
表3本文采用的光谱特征参量
不同水分处理下冬小麦植株冠层含水率见表4、表5，随着冬小麦生育期的推进，植株含水率总体呈减少趋势，其中2016-2017年由拔节-抽穗0.762降至灌浆-成熟期0.528，降幅达到44.3％；2017-2018年由拔节-抽穗期0.744降至灌浆-成熟期0.553，降幅达到34.5％。不同水分处理下，随着灌溉量增加，冬小麦植株冠层含水率也呈增加趋势。为了保证小麦出苗有足够底墒，确保苗壮苗齐，各水分处理都考虑了播前灌，加之播前灌后至拔节期前气温低，作物腾发量小，导致在拔节-抽穗期各处理差异不显著；在抽穗-灌浆期，2016-2017年W1处理与其他处理间的植株冠层含水率差异达显著水平，而2017-2018年处理间差异不显著；在灌浆-成熟期，2016-2017年W1处理与其他处理间的植株冠层含水率差异达显著水平，而2017-2018年二者间达极显著水平。不同年份各生育阶段植株冠层含水率差异，除由灌溉量差异造成之外，同时也受制于冬小麦生育期内降水及其他气象因子不同。
表4 2016-2017年不同水分处理下冬小麦植株冠层含水率
表5 2017-2018年不同水分处理下冬小麦植株冠层含水率
不同水分处理下冬小麦植株冠层光谱特征见图2，各年不同生育期植株冠层光谱特征变化规律基本一致，即在可见光波段光谱反射率较低，在近红外波段光谱反射率较高；在蓝紫光波段(350nm-500nm)和红光波段(650nm-710nm)存在两个明显的吸收谷，而在绿光波段(500-600nm)形成明显的反射峰，主要原因是由于作物光合作用下叶绿素对红光、蓝光的吸收能力较强，而对绿光的吸收较弱；在690nm后，光谱反射率急剧上升，形成一个高反射平台，即在690-740nm出现所谓“红边现象”。随着生育期推进，特别是在近红外波段(760-1075nm)，植株冠层光谱反射率呈显著降低的趋势，主要是由于不同生育期叶片组织结构变化造成的。植株冠层光谱特征因生育期而不同，采用全生育期光谱监测数据建立光谱估算模型，能否满足对各个生育期监测精度要求亟待进一步验证，否则利用该模型进行特定生育时段光谱监测难以达到预期效果。在可见光波段范围内，随着灌溉量增加，冬小麦植株冠层反射率呈降低趋势，特别是在灌浆-成熟期各处理之间光谱反射差异达极显著水平；而在近红外波段范围内，随着灌溉量增加，冬小麦植株冠层反射率呈增加趋势，并且在各个生育时段不同水分处理间植株冠层光谱反射率差异均达极显著水平。可见，不同水分处理各生育时段光谱反射率存在显著差异，而与之相应的植株冠层含水率存在类似的变化规律，间接证实了采用光谱反射数据构建冬小麦植株冠层含水率估算模型可行性。
对冬小麦各生育期光谱变换形式与冠层含水率进行相关性分析，选择各生育期相关性最大的光谱变换形式及其敏感波段，并通过其构建各生育期不同光谱变换形式下的回归模型1；选择全生育期相关性最大的光谱变换形式及其敏感波段，并通过其构建全生育期的回归监测模型2；
所述相关性的计算公式为：
上式中，r为相关性，xi与yi为实测值，与为实测平均值。
以相关系数高为原则，获得不同光谱变换形式下敏感波段及其相应的相关系数见表6，在拔节-抽穗期，除吸收深度670nm对应的相关性达显著水平外，其它变换形式下敏感波段对应的相关性均达到极显著水平；在抽穗-灌浆期，除吸收深度670nm对应的相关性未达显著水平外，其它变换形式下敏感波段对应的相关性均达到极显著水平；在灌浆-成熟期，不同光谱变换形式下敏感波段的相关系数的绝对值均大于0.615，且达到极显著水平。与其他生育期相比，拔节-抽穗期相关性较低，主要原因是该生育期不同水分处理下冬小麦植株冠层含水率差异不显著。以相关系数绝对值由高到低排序获得特定生育期排序前3的变换形式，其中拔节-抽穗期为倒数的对数一阶微分、对数的一阶微分以及一阶微分，其对应的敏感波段分别为697nm、697nm、639nm，其相关系数绝对值分别0.574、0.574、0.539；抽穗-灌浆期为除以R930、一阶微分以及倒数，其对应的敏感波段分别为756nm、703nm、743nm，其相关系数绝对值分别为0.785、0.666、0.647；灌浆-成熟期为除以R450-750、对数的一阶微分以及倒数的对数一阶微分，其对应的敏感波段分别为690nm、707nm、707nm，其相关系数绝对值分别为0.786、0.747、0.747。综上可看出，不同生育期与冬小麦植株冠层含水率相关系数较高的光谱变换及相应敏感波段各异，所以采用光谱变换构建冬小麦植株冠层含水率模型需兼顾不同生育期各光谱变换形式下敏感波段及其相关性状况，才能确保模拟结果更合理。
表6冬小麦不同生育期不同光谱变换形式与植株含水率的相关系数
以相关系数最高为原则，获得不同“三边”参数与冬小麦冠层植株含水率的相应的相关系数见表7，在特定生育期不同“三边”参数对应的显著相关性差异较大，其中在拔节-抽穗期，绿峰幅值、红谷幅值、(Rg-Rr)/(Rg+Rr)及Rg/Rr达到极显著相关，蓝边幅值、蓝边面积、SDr/SDb及(SDr-SDb)/(SDr+SDb)仅达显著水平，而其它“三边”参数均未达显著水平；在抽穗-灌浆期，红边幅值、蓝边幅值、绿峰幅值、红边面积、黄边面积、蓝边面积、(Rg-Rr)/(Rg+Rr)、Rg/Rr、(SDr-SDb)、SDr/SDy及(SDr-SDy)/(SDr+SDy)对应的相关性均达到极显著相关水平，黄边幅值对应的相关性仅达到显著水平，而红边位置、蓝边位置、及黄边位置等8个“三边”参数对应的相关性均未达到显著水平；在灌浆-成熟期，红边幅值、红边位置、蓝边幅值、蓝边位置及黄边位置对应的相关性未达显著水平，SDr/SDy仅达显著水平，黄边幅值、绿峰幅值及绿峰位置等14个“三边”参数均达到极显著水平。针对不同生育期，以相关系数绝对值由高到低排序获得各生育期排序前3的“三边”参数，其中拔节-抽穗期为Rg/Rr、(Rg-Rr)/(Rg+Rr)及红谷幅值，其相关系数绝对值分别为0.552、0.519、0.485；抽穗-灌浆期为(SDr-SDb)、(SDr-SDy)/(SDr+SDy)及黄边面积，其相关系数绝对值分别为0.736、0.731、0.697；灌浆-成熟期为(Rg-Rr)/(Rg+Rr)、Rg/Rr及(SDr-SDb)/(SDr+SDb)，其相关系数绝对值分别为0.798、0.796、0.724。综上可看出，不同生育期与冬小麦植株冠层含水率相关系数较高的“三边”参数并不相同，为确保估算结果精确且合理，因此采用“三边”参数构建冬小麦植株冠层含水率模型时应兼顾其生育期内相关性差异变化特征。
表7冬小麦不同生育期“三边”参数与植株含水率的相关系数
S3、对冬小麦冠层含水率与光谱变换形式和“三边”参数进行相关性分析，选择各生育期相关性显著的光谱参量，对其进行主成分分析，通过主成分分析结果分别构建各生育时段综合光谱参量的含水率监测模型，将各生育时段综合光谱参量的含水率监测模型组合作为全生育期综合光谱参量的冠层含水率监测模型；
所述生育期包括拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期。
所述步骤S3中含水率监测模型的综合光谱参量以各生育时段冬小麦冠层含水率与相应的光谱变换形式及“三边”参数相关性显著为标准选取，其中拔节-抽穗期的光谱参量包括：对数的一阶微分、倒数的对数的一阶微分、Rg/Rr、一阶微分、倒数的一阶微分、除以R450-750、(Rg-Rr)/(Rg+Rr)、倒数、倒数的对数；抽穗-灌浆期的光谱参量包括：除以R930、SDr/SDy、(SDr-SDy)/(SDr+SDy)、黄边面积SDy、一阶微分、倒数、倒数的对数、对数、倒数的一阶微分；灌浆-成熟期的光谱参量包括(Rg-Rr)/(Rg+Rr)、Rg/Rr、除以R450-750、对数的一阶微分、倒数的对数的一阶微分、(SDr-SDb)/(SDr+SDb)、原始反射率、红谷幅值Rr、除以R930。
根据各生育时段关键参量的相关系数，如表8-表10所示，在拔节-抽穗期，除一阶微分与其他参数之间的相关系数较小，未达显著水平以外，其他各参数之间相关系数的绝对值均大于0.877，且均达极显著水平；在抽穗-灌浆期，各关键参数之间的相关系数绝对值均大于0.503，且相关性全部达极显著水平；在灌浆-成熟期，各关键参数之间的相关系数绝对值均大于0.746，且相关性全部达极显著水平，,因此表明各关键光谱参量之间存在多重共线性，所以采用选取关键参量进行多元回归方式建立模型，由于各关键因素间存在信息重叠问题，则会降低多元线性回归估算模型的预测精度。
表8拔节-抽穗期光谱参量间的相关系数
表9抽穗-灌浆期光谱参量间的相关系数
表10灌浆-成熟期光谱参量间的相关系数
主成分分析可以消除自变量之间存在的共线性以提高模型的预测精度。本发明针对冬小麦各生育时段筛选确定关键光谱参量进行主成分分析，固定每个关键生育期的主成分因子数为3个，其中拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期的累积贡献率分别为97.6％、94.7％、97.8％，表明各生育时段确定主成分能代表94％以上综合光谱参量信息。以此为基础建立了冬小麦全生育期综合光谱参量的冠层含水率监测模型为：
上式中，Y为冬小麦冠层含水率/(g.g-1)，M1为拔节-抽穗期的第一主成分，M2为拔节-抽穗期的第二主成分，M3为拔节-抽穗期的第三主成分，N1为抽穗-灌浆期的第一主成分，N2为抽穗-灌浆期的第二主成分，N3为抽穗-灌浆期的第三主成分，L1为灌浆-成熟期的第一主成分，L2为灌浆-成熟期的第二主成分，L3为灌浆-成熟期的第三主成分；
M1＝0.3489X1-0.3489X2+0.3542X3+0.029X4-0.3516X5
+0.3563X6+0.3573X7+0.3546X8+0.3551X9
M2＝-0.0182X1+0.0182X2+0.0020X3+0.9962X4+0.0717X5
-0.0120X6+0.0373X7-0.0191X8+0.0178X9
M3＝-0.5675X1+0.5675X2+0.0519X3+0.0152X4-0.4140X5
+0.1459X6-0.0337X7+0.3484X8+0.1921X9
上式中，X1为对数的一阶微分，X2为倒数的对数的一阶微分，X3为Rg/Rr，X4为一阶微分，X5为倒数的一阶微分，X6为除以R450-750，X7为(Rg-Rr)/(Rg+Rr)，X8为倒数，X9为倒数的对数；
N1＝0.3113Q1-0.2973Q2-0.3011Q3+0.3626Q4+0.3441Q5
-0.3544Q6-0.3531Q7+0.3531Q8+0.3149Q9
N2＝-0.1811Q1+0.5257Q2+0.5275Q3+0.0676Q4+0.1590Q5
-0.3216Q6-0.3441Q7+0.3441Q8-0.2053Q9
N3＝0.6511Q1+0.3235Q2+0.2660Q3-0.2341Q4-0.2332Q5
+0.0289Q6+0.0289Q7-0.0289Q8+0.5379Q9
上式中，Q1为除以R930，Q2为SDr/SDy，Q3为(SDr-SDy)/(SDr+SDy)，Q4为黄边面积SDy，Q5为一阶微分，Q6为倒数，Q7为倒数的对数，Q8为对数，Q9为倒数的一阶微分；
L1＝-0.3301Z1-0.3311Z2+0.3417Z3-0.3392Z4+0.3392Z5
-0.3351Z6+0.3197Z7+0.3202Z8+0.3428Z9
L2＝0.4065Z1+0.3971Z2-0.2538Z3+0.1021Z4-0.1021Z5
-0.0844Z6+0.5348Z7+0.5232Z8+0.1602Z9
L3＝-0.3082Z1-0.2994Z2+0.1956Z3+0.5979Z4-0.5979Z5
+0.0073Z6+0.1196Z7+0.1624Z8+0.1461Z9
上式中，Z1为(Rg-Rr)/(Rg+Rr)，Z2为Rg/Rr，Z3为除以R450-750，Z4为对数的一阶微分，Z5为倒数的对数的一阶微分，Z6为(SDr-SDb)/(SDr+SDb)，Z7为原始反射率，Z8为红谷幅值Rr，Z9为除以R930。
评价指标包括决定系数、均方根误差和平均绝对误差；
所述决定系数R2的计算公式为：
所述均方根误差RMSE的计算公式为：
所述平均绝对误差MAE的计算公式为：
上式中，yi为实测值，y′i为预测值，为实测平均值，n为样本数。
以决定系数R2、均方根误差RMSE和平均绝对误差MAE为评价指标对冬小麦冠层含水率监测模型进行综合评定，如表11所示。结果表明，在拔节-抽穗期的R2为0.564，RMSE为0.015，MAE为0.012；在抽穗-灌浆期的R2为0.657，RMSE为0.036，MAE为0.029；在灌浆-成熟期的R2为0.640，RMSE为0.034，MAE为0.029。由此可见，构建的冬小麦全生育期综合光谱参量的冠层含水率监测模型在冬小麦各个生育时段含水率监测的决定系数R2大于0.564，均方根误差RMSE小于0.036，平均绝对误差MAE小于0.029，所以采用本发明构建全生育期综合光谱参量的冠层含水率监测模型在全生育与各生育时段都具有较高的估算精度，能够为冬小麦冠层含水率的监测、诊断以及灌溉调控提供依据。
表11模型评价指数
Claims (7)
1.一种基于光谱参量的冬小麦冠层含水率监测模型建立方法，其特征在于，包括以下步骤：
S1、测量冬小麦冠层的光谱反射率和含水率；
S2、通过光谱反射率构建光谱参量；
所述光谱参量包括光谱变换形式和“三边”参数；
S3、对冬小麦冠层含水率与光谱变换形式和“三边”参数进行相关性分析，选择各生育期相关性显著的光谱参量，对其进行主成分分析，通过主成分分析结果分别构建各生育时段综合光谱参量的含水率监测模型，将各生育时段综合光谱参量的含水率监测模型组合作为全生育期综合光谱参量的冠层含水率监测模型；
所述生育期包括拔节-抽穗期、抽穗-灌浆期和灌浆-成熟期。
2.根据权利要求1所述的基于光谱参量的冬小麦冠层含水率监测模型建立方法，其特征在于，所述步骤S1中光谱反射率的测量方法为：
在每次监测前采用反射率为1的白板进行校正，将地物光谱仪的探头垂直向下监测15cm冬小麦冠层，选择三处监测点并采用手持式地物光谱仪监测冬小麦植株冠层光谱，将三次监测结果的平均值作为冬小麦冠层的光谱反射率。
3.根据权利要求2所述的基于光谱参量的冬小麦冠层含水率监测模型建立方法，其特征在于，所述步骤S1中含水率的测量方法为：
将测定光谱后的冬小麦植株进行采样，称取其鲜重，放入烘箱在105℃下将冬小麦植株杀青30min，再将烘箱的温度调至75℃，将冬小麦植株烘干至恒重，并称其干重，即可计算得到冬小麦植株的含水率；
冬小麦植株含水率的计算公式为：
ω＝(M1-M2)/M1
上式中，ω为含水率，M1为鲜重，M2为干重。
4.根据权利要求1所述的基于光谱参量的冬小麦冠层含水率监测模型建立方法，其特征在于，所述步骤S2中光谱变换形式为对光谱反射率进行变换，包括除以R450-750、除以R930、倒数、倒数的对数、倒数的对数的一阶微分、倒数的一阶微分、对数、对数的一阶微分、吸收深度670nm和一阶微分；
所述R450-750为450nm-750nm波段反射率的平均值，所述R930为930nm波段的反射率值，所述吸收深度670nm的计算公式为：
上式中，A560为吸收特征起始点560nm处的光谱反射率，B670为吸收特征中心点670nm处的光谱反射率，C760为吸收特征结束点760nm处的光谱反射率。
5.根据权利要求4所述的基于光谱参量的冬小麦冠层含水率监测模型建立方法，其特征在于，所述步骤S2中“三边”参数包括红边幅值Dr、红边位置λr、蓝边幅值Db、蓝边位置λb、黄边幅值Dy、黄边位置λy、绿峰幅值Rg、绿峰位置λg、红谷幅值Rr、红谷位置λv、红边面积SDr、蓝边面积SDb、黄边面积SDy、(Rg-Rr)/(Rg+Rr)、Rg/Rr、SDr/SDb、SDr/SDy、(SDr-SDb)、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)；
所述红边幅值Dr为红光范围680～760nm内一阶导数光谱中的最大值，所述红边位置λr为红边幅值Dr相对应的波长位置，所述蓝边幅值Db为蓝光范围490nm～530nm内一阶导数光谱中的最大值，所述蓝边位置λb为蓝边幅值Db相对应的波长位置，所述黄边幅值Dy为黄光范围560～640nm内一阶导数光谱中的最大值，所述黄边位置λy为黄边幅值Dy相对应的波长位置，所述绿峰幅值Rg为绿光范围510～560nm内的最大波段反射率，所述绿峰位置λg为绿峰幅值Rg相对应的波长位置，所述红谷幅值Rr为红光范围640～680nm内的最小波段反射率，所述红谷位置λv为红谷幅值Rr相对应的波长位置。
6.根据权利要求5所述的基于光谱参量的冬小麦冠层含水率监测模型建立方法，其特征在于，所述步骤S3中含水率监测模型的综合光谱参量以各生育时段冬小麦冠层含水率与相应的光谱变换形式及“三边”参数相关性显著为标准选取，其中拔节-抽穗期的光谱参量包括：对数的一阶微分、倒数的对数的一阶微分、Rg/Rr、一阶微分、倒数的一阶微分、除以R450-750、(Rg-Rr)/(Rg+Rr)、倒数、倒数的对数；抽穗-灌浆期的光谱参量包括：除以R930、SDr/SDy、(SDr-SDy)/(SDr+SDy)、黄边面积SDy、一阶微分、倒数、倒数的对数、对数、倒数的一阶微分；灌浆-成熟期的光谱参量包括(Rg-Rr)/(Rg+Rr)、Rg/Rr、除以R450-750、对数的一阶微分、倒数的对数的一阶微分、(SDr-SDb)/(SDr+SDb)、原始反射率、红谷幅值Rr、除以R930。
7.根据权利要求6所述的基于光谱参量的冬小麦冠层含水率监测模型建立方法，其特征在于，所述步骤S3中冠层含水率监测模型为：
上式中，Y为冬小麦冠层含水率，M1为拔节-抽穗期的第一主成分，M2为拔节-抽穗期的第二主成分，M3为拔节-抽穗期的第三主成分，N1为抽穗-灌浆期的第一主成分，N2为抽穗-灌浆期的第二主成分，N3为抽穗-灌浆期的第三主成分，L1为灌浆-成熟期的第一主成分，L2为灌浆-成熟期的第二主成分，L3为灌浆-成熟期的第三主成分；
M1＝0.3489X1-0.3489X2+0.3542X3+0.029X4-0.3516X5+0.3563X6+0.3573X7+0.3546X8+0.3551X9
M2＝-0.0182X1+0.0182X2+0.0020X3+0.9962X4+0.0717X5-0.0120X6+0.0373X7-0.0191X8+0.0178X9
M3＝-0.5675X1+0.5675X2+0.0519X3+0.0152X4-0.4140X5+0.1459X6-0.0337X7+0.3484X8+0.1921X9
上式中，X1为对数的一阶微分，X2为倒数的对数的一阶微分，X3为Rg/Rr，X4为一阶微分，X5为倒数的一阶微分，X6为除以R450-750，X7为(Rg-Rr)/(Rg+Rr)，X8为倒数，X9为倒数的对数；
N1＝0.3113Q1-0.2973Q2-0.3011Q3+0.3626Q4+0.3441Q5-0.3544Q6-0.3531Q7+0.3531Q8+0.3149Q9
N2＝-0.1811Q1+0.5257Q2+0.5275Q3+0.0676Q4+0.1590Q5-0.3216Q6-0.3441Q7+0.3441Q8-0.2053Q9
N3＝0.6511Q1+0.3235Q2+0.2660Q3-0.2341Q4-0.2332Q5+0.0289Q6+0.0289Q7-0.0289Q8+0.5379Q9
上式中，Q1为除以R930，Q2为SDr/SDy，Q3为(SDr-SDy)/(SDr+SDy)，Q4为黄边面积SDy，Q5为一阶微分，Q6为倒数，Q7为倒数的对数，Q8为对数，Q9为倒数的一阶微分；
L1＝-0.3301Z1-0.3311Z2+0.3417Z3-0.3392Z4+0.3392Z5-0.3351Z6+0.3197Z7+0.3202Z8+0.3428Z9
L2＝0.4065Z1+0.3971Z2-0.2538Z3+0.1021Z4-0.1021Z5-0.0844Z6+0.5348Z7+0.5232Z8+0.1602Z9
L3＝-0.3082Z1-0.2994Z2+0.1956Z3+0.5979Z4-0.5979Z5+0.0073Z6+0.1196Z7+0.1624Z8+0.1461Z9
上式中，Z1为(Rg-Rr)/(Rg+Rr)，Z2为Rg/Rr，Z3为除以R450-750，Z4为对数的一阶微分，Z5为倒数的对数的一阶微分，Z6为(SDr-SDb)/(SDr+SDb)，Z7为原始反射率，Z8为红谷幅值Rr，Z9为除以R930。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910416336.9A CN110082300B (zh) | 2019-05-20 | 2019-05-20 | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 |
| US16/878,620 US10845243B1 (en) | 2019-05-20 | 2020-05-20 | Method for establishing content monitoring model of canopy water of winter wheat based on spectral parameters |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910416336.9A CN110082300B (zh) | 2019-05-20 | 2019-05-20 | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110082300A true CN110082300A (zh) | 2019-08-02 |
| CN110082300B CN110082300B (zh) | 2020-03-03 |
Family
ID=67420741
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910416336.9A Active CN110082300B (zh) | 2019-05-20 | 2019-05-20 | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US10845243B1 (zh) |
| CN (1) | CN110082300B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110779875A (zh) * | 2019-11-01 | 2020-02-11 | 北华航天工业学院 | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 |
| CN110851789A (zh) * | 2019-09-30 | 2020-02-28 | 广州地理研究所 | 基于极端梯度提升的岛礁浅海水深预测方法 |
| CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
| CN115641502A (zh) * | 2022-09-20 | 2023-01-24 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112630184B (zh) * | 2020-12-10 | 2023-07-14 | 新疆农业大学 | 一种棉花黄萎病病害发生表型识别的方法 |
| CN112683822B (zh) * | 2020-12-17 | 2024-04-05 | 淮阴师范学院 | 基于可见光波段的植被与非植被识别方法 |
| CN113155747B (zh) * | 2021-01-15 | 2022-12-06 | 西安科技大学 | 一种构建分数阶微分光谱指数及其监测小麦条锈病的方法 |
| CN112945881B (zh) * | 2021-03-11 | 2022-10-25 | 内蒙古农业大学 | 一种基于高光谱特征参数的马铃薯叶片含水量监测方法 |
| CN113125356A (zh) * | 2021-03-26 | 2021-07-16 | 塔里木大学 | 遥感信息与农学知识的红枣树冠层叶氮垂直分布探测方法 |
| CN113109272B (zh) * | 2021-04-20 | 2023-01-24 | 石河子大学 | 一种滴灌棉花氮营养亏损诊断方法及系统 |
| CN113607681A (zh) * | 2021-07-19 | 2021-11-05 | 黑龙江八一农垦大学 | 杏鲍菇菌丝体检测方法、装置、电子设备及存储介质 |
| CN113826520B (zh) * | 2021-09-30 | 2022-08-16 | 五河县绿色农产品协会 | 一种耐受力强的稳产小麦品种筛选方法 |
| CN114202702B (zh) * | 2021-10-12 | 2022-06-21 | 中国农业科学院农业资源与农业区划研究所 | 基于D-fG参数遥感获取的冬小麦动态收获指数遥感估算方法 |
| CN114486761B (zh) * | 2022-01-24 | 2024-04-12 | 云南省热带作物科学研究所 | 一种橡胶树叶片镁含量快速估算方法 |
| CN114651676A (zh) * | 2022-04-06 | 2022-06-24 | 宁夏大学 | 干旱区野生沙芦草种子的人工繁育方法 |
| CN115144346B (zh) * | 2022-06-23 | 2023-03-28 | 勐海曼香云天农业发展有限公司 | 一种香米田间成熟度确定方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101968443A (zh) * | 2010-09-07 | 2011-02-09 | 中国农业大学 | 反射式近红外植物叶片含水量的无损检测装置及方法 |
| CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
| CN102507480A (zh) * | 2011-11-23 | 2012-06-20 | 浙江大学 | 基于12个特征波长的无损快速检测茶叶含水率的方法 |
| CN102721651A (zh) * | 2012-06-18 | 2012-10-10 | 浙江大学 | 基于多光谱图像的植物叶片水分含量的检测方法及系统 |
| CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
| CN108548793A (zh) * | 2018-03-26 | 2018-09-18 | 山东省农业可持续发展研究所 | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 |
| CN109187441A (zh) * | 2018-08-27 | 2019-01-11 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
-
2019
- 2019-05-20 CN CN201910416336.9A patent/CN110082300B/zh active Active
-
2020
- 2020-05-20 US US16/878,620 patent/US10845243B1/en active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101968443A (zh) * | 2010-09-07 | 2011-02-09 | 中国农业大学 | 反射式近红外植物叶片含水量的无损检测装置及方法 |
| CN102426153A (zh) * | 2011-11-21 | 2012-04-25 | 南京农业大学 | 一种基于冠层高光谱指数的小麦植株水分监测方法 |
| CN102507480A (zh) * | 2011-11-23 | 2012-06-20 | 浙江大学 | 基于12个特征波长的无损快速检测茶叶含水率的方法 |
| CN102721651A (zh) * | 2012-06-18 | 2012-10-10 | 浙江大学 | 基于多光谱图像的植物叶片水分含量的检测方法及系统 |
| CN103472009A (zh) * | 2013-09-16 | 2013-12-25 | 南京农业大学 | 一种不同植株氮含量水平下小麦植株含水率的监测方法 |
| CN108548793A (zh) * | 2018-03-26 | 2018-09-18 | 山东省农业可持续发展研究所 | 一种综合Nir-Red-Swir光谱特征的小麦冠层含水量反演方法 |
| CN109187441A (zh) * | 2018-08-27 | 2019-01-11 | 中国水利水电科学研究院 | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 |
Non-Patent Citations (6)
| Title |
|---|
| E. H. RONG ET AL: "CHANGES IN WINTER WHEAT GROWN UNDER IRRIGATED AND RAINFED CONDITIONS", 《THE JOURNAL OF ANIMAL & PLANT SCIENCES》 * |
| 刘露等: "基于高光谱的夏玉米冠层ＳＰＡＤ值监测研究", 《水土保持学报》 * |
| 哈布热等: "基于冠层光谱特征的冬小麦植株含水率诊断研究", 《灌溉排水学报》 * |
| 李晓静等: "基于SOC710VP 高光谱成像仪的冬小麦土壤含水率反演模型研究", 《灌溉排水学报》 * |
| 王圆圆等: "利用偏最小二乘回归从冬小麦冠层光谱提取叶片含水量", 《光谱学与光谱分析》 * |
| 田永超等: "小麦冠层反射光谱与植株水分状况的关系", 《应用生态学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110851789A (zh) * | 2019-09-30 | 2020-02-28 | 广州地理研究所 | 基于极端梯度提升的岛礁浅海水深预测方法 |
| CN110851789B (zh) * | 2019-09-30 | 2020-12-08 | 广州地理研究所 | 基于极端梯度提升的岛礁浅海水深预测方法 |
| CN110779875A (zh) * | 2019-11-01 | 2020-02-11 | 北华航天工业学院 | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 |
| CN110779875B (zh) * | 2019-11-01 | 2022-03-01 | 北华航天工业学院 | 一种基于高光谱技术检测冬小麦麦穗水分含量的方法 |
| CN115015132A (zh) * | 2022-06-01 | 2022-09-06 | 南京农业大学 | 一种基于数据融合的冬小麦水分状况监测方法 |
| CN115641502A (zh) * | 2022-09-20 | 2023-01-24 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
| CN115641502B (zh) * | 2022-09-20 | 2023-05-12 | 中国水利水电科学研究院 | 基于叶面积指数的冬小麦旱情无人机快速监测判别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110082300B (zh) | 2020-03-03 |
| US10845243B1 (en) | 2020-11-24 |
| US20200370961A1 (en) | 2020-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110082300A (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
| CN109187441B (zh) | 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法 | |
| Yoder et al. | The normalized difference vegetation index of small Douglas-fir canopies with varying chlorophyll concentrations | |
| Feng et al. | Remote detection of canopy leaf nitrogen concentration in winter wheat by using water resistance vegetation indices from in-situ hyperspectral data | |
| Rodríguez-Pérez et al. | Evaluation of hyperspectral reflectance indexes to detect grapevine water status in vineyards | |
| Yang et al. | Growth of soybean seedlings in relay strip intercropping systems in relation to light quantity and red: far-red ratio | |
| Stroppiana et al. | Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry | |
| Er-Raki et al. | Determination of crop evapotranspiration of table grapes in a semi-arid region of Northwest Mexico using multi-spectral vegetation index | |
| CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
| Mao et al. | Spatiotemporal dynamics of grassland aboveground net primary productivity and its association with climatic pattern and changes in Northern China | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| Dillen et al. | Seasonal patterns of foliar reflectance in relation to photosynthetic capacity and color index in two co-occurring tree species, Quercus rubra and Betula papyrifera | |
| Middleton et al. | Linking foliage spectral responses to canopy-level ecosystem photosynthetic light-use efficiency at a Douglas-fir forest in Canada | |
| CN107505271B (zh) | 基于氮素组分辐射传输模型的植株氮素估算方法和系统 | |
| CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
| CN113268923A (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
| CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
| Wiegand et al. | Spectral observations for estimating the growth and yield of rice | |
| Martín et al. | Using hyperspectral remote sensing to map grape quality inTempranillo'vineyards affected by iron deficiency chlorosis | |
| CN107356569A (zh) | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 | |
| CN104408307A (zh) | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 | |
| Zhang et al. | Monitoring daily variation of leaf layer photosynthesis in rice using UAV-based multi-spectral imagery and a light response curve model | |
| Peng et al. | Winter wheat canopy water content monitoring based on spectral transforms and “three-edge” parameters | |
| Nakaji et al. | Utility of spectral vegetation index for estimation of gross CO2 flux under varied sky conditions | |
| CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |