CN110567892A - 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 - Google Patents

一种基于临界氮浓度的夏玉米氮素高光谱预测方法 Download PDF

Info

Publication number
CN110567892A
CN110567892A CN201910876269.9A CN201910876269A CN110567892A CN 110567892 A CN110567892 A CN 110567892A CN 201910876269 A CN201910876269 A CN 201910876269A CN 110567892 A CN110567892 A CN 110567892A
Authority
CN
China
Prior art keywords
model
nitrogen
index
nni
hyperspectral
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
Application number
CN201910876269.9A
Other languages
English (en)
Other versions
CN110567892B (zh
Inventor
张宝忠
韩娜娜
周青云
彭致功
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute of Water Resources and Hydropower Research
Tianjin Agricultural University
Original Assignee
China Institute of Water Resources and Hydropower Research
Tianjin Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Institute of Water Resources and Hydropower Research, Tianjin Agricultural University filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN201910876269.9A priority Critical patent/CN110567892B/zh
Publication of CN110567892A publication Critical patent/CN110567892A/zh
Application granted granted Critical
Publication of CN110567892B publication Critical patent/CN110567892B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于临界氮浓度的夏玉米氮素高光谱预测方法，首先建立SPAD与NNI之间的关系，然后建立SPAD与半经验的光谱指数之间的关系，最后通过中间变量SPAD将半经验的光谱指数和氮营养指数联系起来，得到光谱指数和氮营养之间的关系，作为氮营养指数高光谱诊断模型对夏玉米植株内的氮素进行预测，克服了现有的直接建立光谱指数和NNI之间的统计关系，提高了诊断模型的稳定性和植株内氮素含量预测的准确性。

Description

一种基于临界氮浓度的夏玉米氮素高光谱预测方法
技术领域
本发明属于植株氮营养指数预测技术领域，具体涉及一种基于临界氮浓度的夏玉米氮素高光谱预测方法。
背景技术
玉米作为我国主要的粮食作物之一，氮是玉米生长发育需求量最大的营养元素，对玉米地上干物质量和产量的形成有重要作用。但不合理的施肥尤其是过量施氮又会导致生态环境问题突出，因此实现氮肥精准管理，对保障粮食安全生产和生态环境安全具有非常重要的意义。实现氮肥精准管理，需要掌握植株氮素状况。目前许多学者围绕植株氮素诊断方法做了大量的研究，植株氮素诊断的指标主要有SPAD和氮营养指数(NNI)，SPAD属于无损监测叶片叶绿素的一种方法，具有诊断快速、简便的优点，虽然在一定程度上也能反映植株氮素的情况，但不够直接。但营养指数(NNI)目前被国内外学者认为是诊断植株氮营养状况的一个可靠指标，但是NNI确定需要检测植株的含氮量，破坏性较大，且周期时间长。因此，不少学者将SPAD与NNI建立关系进行植株氮素诊断，也取得了一定的成果，随着遥感技术在农业中的应用，研究这建立光谱指数与SPAD、光谱指数与NNI的关系，通过高光谱、遥感等技术对植株的SPAD或NNI进行适时、无损、快速诊断，评价植株的氮素状况。
综上所述，植株氮素适时、无损、快速诊断的研究思路可以分为三类：第一类，建立SPAD与NNI的关系；第二类。建立光谱指数和NNI之间的关系；第三类，建立光谱指数和SPAD之间的关系。虽然氮营养指数(NNI)具有一定理论基础，但目前的研究成果表明SPAD与NNI，光谱指数与NNI之间均为统计关系，稳定性较差。
发明内容
针对现有技术中的上述不足，本发明提供的基于临界氮浓度的夏玉米氮素高光谱预测方法解决了现有的用于预测夏玉米植株内氮素含量的诊断模型稳定性较差，预测效果不理想的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于临界氮浓度的夏玉米氮素高光谱预测方法，包括以下步骤：
S1、确定在夏玉米各个生育期中，SPAD值与氮营养指数之间的关系；
S2、选取高光谱指数，确定在夏玉米各个生育期中，SPAD值与高光谱指数之间的关系；
S3、将SPAD值作为中间量，构建用于描述氮营养指数与高光谱指数之间关系的氮营养指数高光谱诊断模型；
S4、根据构建的氮营养指数高光谱诊断模型，对夏玉米各个生育期内的氮素进行预测。
进一步地，所述步骤S1中夏玉米的生育期包括喇叭口期、抽雄期、开花期、抽丝期和灌浆期；
确定各个生育期中SPAD值的方法具体为：
对各个生育期中的夏玉米样本的顶1和顶2，采用SPAD-502叶绿素仪测定SPAD值，每个夏玉米叶片测定3次，将其3次SPAD值的平均值作为对应生育期内的SPAD值；
所述顶1为夏玉米样本从上往下数第一片叶子，所述顶2为夏玉米从上往下数第二片叶子。
进一步地，所述步骤S1中的氮营养指数NNI为：
式中，Na为夏玉米植株上部氮浓度的实测值；
Nc为夏玉米植株地上部的临界氮浓度值；
其中，夏玉米植株地上部的临界氮浓度值Nc为：
式中，a为植株地上部单位生物量的临界氮浓度；
b为临界氮浓度的稀释系数；
Wmax为夏玉米植株地上部干物质的最大值。
进一步地，所述步骤S1中，通过回归分析模型确定SPAD值与氮营养指数NNI之间的关系；
所述回归分析模型包括线性模型、对数模型、抛物线模型、指数模型、单变量幂函数模型；
所述线性模型为：
NNI＝a+b·X
式中，a、b均为线性模型中计算NNI的系数；
X为测得的各生育期内的SPAD值；
所述对数模型为：
NNI＝c+d·ln X
式中，c、d均为对数模型中计算NNI的系数；
所述抛物线模型为：
NNI＝e+f·X+g·X2
式中，e、f和g均为抛物线模型中计算NNI的系数；
所述指数模型为：
NNI＝hei·X
式中，h、i均为指数模型中计算NNI的系数；
所述单变量幂函数模型为：
NNI＝l·Xm
式中，l、m均为单变量幂函数模型中计算NNI的系数。
进一步地，所述步骤S2中选取的高光谱指数包括半经验半理论光谱指数TCARI/OSAVI和叶绿素指数MTCI；
所述半经验半理论光谱指数TCARI/OSAVI为：
式中，Rx为在x波段下对应的中心波长的反射率，其中，x＝700,670,550,800；
所述叶绿素指数MTCI为：
式中，Ry为MERIS标准波段y设置中心波长的反射率，y＝753.75,708.75,708.75,681.25。
进一步地，所述步骤S2中，通过回归分析模型确定SPAD值与高光谱指数之间的关系：
所述回归分析模型包括线性模型、对数模型、抛物线模型、指数模型、单变量幂函数模型；
所述线性模型为：
SPAD＝a+b·x
式中，a、b均为线性模型中计算SPAD的系数；
x为选取的半经验半理论的高光谱指数CARI/OSAVI或MTCI的值；
所述对数模型为：
NNI＝c+d·ln x
式中，c、d均为对数模型中计算SPAD的系数；
所述抛物线模型为：
NNI＝e+f·x+g·x2
式中，e、f和g均为抛物线模型中计算SPAD的系数；
所述指数模型为：
NNI＝hei·x
式中，h、i均为指数模型中计算SPAD的系数；
所述单变量幂函数模型为：
NNI＝l·xm
式中，l、m均为单变量幂函数模型中计算SPAD的系数。
进一步地，所述步骤S3具体为：
根据SPAD值与氮营养指数之间的关系及SPAD值与高光谱指数之间的关系，将SPAD值作为中间量，得到氮营养指数与高光指数的关系式，作为氮营养指数高光谱诊断模型；
在所述氮营养指数高光谱诊断模型中，将高光谱指数作为自变量，氮营养指数作为因变量。
进一步地，所述步骤S4具体为：
获取待预测年份内的夏玉米各个生育期内的高光谱指数数据，将其代入到氮营养指数高光谱诊断模型中，得到夏玉米各个生育期内的氮素预测结果。
本发明的有益效果：
本发明提供的基于临界氮浓度的夏玉米氮素高光谱预测方法，首先建立SPAD与NNI之间的关系，然后建立SPAD与半经验的光谱指数之间的关系，最后通过中间变量SPAD将半经验的光谱指数和氮营养指数联系起来，得到光谱指数和氮营养之间的关系，作为氮营养指数高光谱诊断模型对夏玉米植株内的氮素进行预测，克服了现有的直接建立光谱指数和NNI之间的统计关系，提高了诊断模型的稳定性和植株内氮素含量预测的准确性。
附图说明
图1为基于临界氮浓度的夏玉米氮素高光谱预测方法流程图。
图2为本发明实施例中玉米植株临界氮浓度与地上部生物量的关系示意图。
图3为本发明实施例中不同氮肥用量下玉米不同时间植株氮营养指数对比示意图。
图4为本发明实施例中高光谱指数TCARI/OSAVI预测值与实测值对比示意图。
图5为本发明实施例中高光谱指数MTCI预测值与实测值对比示意图。
图6为本发明实施例中NNI与相对产量的关系对比示意图。
图7为本发明实施例中SPAD与相对产量的关系对比示意图。
图8为本发明实施例中2017年REP对MTIC变化的敏感性对比示意图。
图9为本发明实施例中REP对MTCI对叶绿素含量变化的敏感性对比示意图。
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。
如图1所示，一种基于临界氮浓度的夏玉米氮素高光谱预测方法，包括以下步骤：
S1、确定在夏玉米各个生育期中，SPAD值与氮营养指数之间的关系；
S2、选取高光谱指数，确定在夏玉米各个生育期中，SPAD值与高光谱指数之间的关系；
S3、将SPAD值作为中间量，构建用于描述氮营养指数与高光谱指数之间关系的氮营养指数高光谱诊断模型；
S4、根据构建的氮营养指数高光谱诊断模型，对夏玉米各个生育期内的氮素进行预测。
上述步骤S1中夏玉米的生育期包括喇叭口期、抽雄期、开花期、抽丝期和灌浆期；
确定各个生育期中SPAD值的方法具体为：
对各个生育期中的夏玉米样本的顶1和顶2，采用SPAD-502叶绿素仪测定SPAD值，每个夏玉米叶片测定3次，将其3次SPAD值的平均值作为对应生育期内的SPAD值。由于测定部位对读数影响较大，测定部位保持在叶片中避开叶脉；其中，顶1为夏玉米样本从上往下数第一片叶子，顶2为夏玉米从上往下数第二片叶子。
本发明中的氮营养指数NNI为：
式中，Na为夏玉米植株上部氮浓度的实测值；
Nc为夏玉米植株地上部的临界氮浓度值；
当NNI<1，表明植株氮缺乏；NNI＝1，表明植株体内但营养处于最佳状态；当NNI>1，表明植株氮营养过剩；
其中，夏玉米植株地上部的临界氮浓度值Nc为：
式中，a为植株地上部单位生物量的临界氮浓度；
b为临界氮浓度的稀释系数；
Wmax为夏玉米植株地上部干物质的最大值。
在测定上述参数值时，在夏玉米不同的生育期内(喇叭口、抽雄期、开花期、抽丝期和灌浆期)进行测量，每个小区取三株具有代表性的植株，先将样本恒温105℃杀青1h，再以恒温75℃烘干至恒重，测量其干质量，即地上部生物量。再将烘干后的干物质粉碎过筛，称1g样本粉末至消化管，加入2片催化剂，然后加入浓硫酸12ml，置于420℃消化池内消化，冷却后将消煮液转移至凯氏定氮仪测定植株全氮含量。
上述步骤S1中，通过回归分析模型确定SPAD值与氮营养指数NNI之间的关系；
回归分析模型包括线性模型、对数模型、抛物线模型、指数模型、单变量幂函数模型；
线性模型为：
NNI＝a+b·X
式中，a、b均为线性模型中计算NNI的系数；
X为测得的各生育期内的SPAD值；
对数模型为：
NNI＝c+d·ln X
式中，c、d均为对数模型中计算NNI的系数；
抛物线模型为：
NNI＝e+f·X+g·X2
式中，e、f和g均为抛物线模型中计算NNI的系数；
指数模型为：
NNI＝hei·X
式中，h、i均为指数模型中计算NNI的系数；
单变量幂函数模型为：
NNI＝l·Xm
式中，l、m均为单变量幂函数模型中计算NNI的系数。
近地面光谱观测最终的目的是和无人机、遥感结合，因此引入叶绿素含量的半经验半理论光谱指数TCARI/OSAVI和叶绿素指数MTCI，将地面光谱观测和大尺度的遥感观测结合起来，实现大区域尺度内的作为氮素；其中，TCARI/OSAVI光谱指数对SPAD无论较高值还是较低值变化都比较敏感，而且TCARI/OSAVI能够利用窄波段的遥感数据最大程度减少叶面积指数(LAI)和土壤背景值的变化对反演结果的影响，已被证实可以应用于农作物和稀疏冠层叶绿素含量的反演。MTCI光谱指数和红边位置相关，随着叶绿素含量的增加，作物吸收特征的长波(红色)边缘向更长的波长移动，红色边缘位置(REP)可以定义为沿该边缘反射率变化最大的点。由于REP与叶绿素含量之间存在渐近关系，所以在叶绿素含量高的情况下，利用MTCI光谱指数，第一可以结合遥感的标准波段的数据进行计算，从而为大区域尺度的应用奠定基础，第二对叶绿素含量变化的敏感性较高。
因此，上述步骤S2中光谱指数中的半经验半理论光谱指数TCARI/OSAVI为：
式中，Rx为在x波段下对应的中心波长的反射率，其中，x＝700,670,550,800；
叶绿素指数MTCI为：
式中，Ry为MERIS标准波段y设置中心波长的反射率，y＝753.75,708.75,708.75,681.25。
在上述光谱采集过程中，采用美国Analytical Spectral Devices(ASD)公司Field-Spechandheld2型手持式地物光谱仪，光谱仪视角为25度，波段为350～1075nm，光谱采样间隔为1mm，光谱分辨率为3nm。在天气晴朗、无风时测量，适宜时间为10:00～14:00。每个小区选取3个具有代表性的点，测量时保持传感器探头垂直向下，测量过程中，每一样本测量完毕后，及时进行标准白板校正，取3处光谱反射率的算数平均数值作为该观测小区光谱反射率。
上述步骤S2中，通过回归分析模型确定SPAD值与高光谱指数之间的关系：
回归分析模型包括线性模型、对数模型、抛物线模型、指数模型、单变量幂函数模型；
线性模型为：
SPAD＝a+b·x
式中，a、b均为线性模型中计算SPAD的系数；
x为选取的半经验半理论的高光谱指数CARI/OSAVI或MTCI的值；
对数模型为：
NNI＝c+d·ln x
式中，c、d均为对数模型中计算SPAD的系数；
抛物线模型为：
NNI＝e+f·x+g·x2
式中，e、f和g均为抛物线模型中计算SPAD的系数；
指数模型为：
NNI＝hei·x
式中，h、i均为指数模型中计算SPAD的系数；
单变量幂函数模型为：
NNI＝l·xm
式中，l、m均为单变量幂函数模型中计算SPAD的系数。
上述步骤S3具体为：
根据SPAD值与氮营养指数之间的关系及SPAD值与高光谱指数之间的关系，将SPAD值作为中间量，得到氮营养指数与高光指数的关系式，作为氮营养指数高光谱诊断模型；
在氮营养指数高光谱诊断模型中，将高光谱指数作为自变量，氮营养指数作为因变量。
上述步骤S4具体为：
获取待预测年份内的夏玉米各个生育期内的高光谱指数数据，将其代入到氮营养指数高光谱诊断模型中，得到夏玉米各个生育期内的氮素预测结果。
本发明实施例中，步骤S4中的氮营养指数高光谱诊断模型的评价指标包括均方根误差和相对误差；
均方根误差RMSE为：
式中，yi为第i个样本的实测值；
为第i个样本的预测值；
n为样本个数；
相对误差RE为：
均方根误差RMSE越小，模拟值和测定值的一致性越好，偏差越小，模型的精度越高；RE<10％，模型稳定性极好，10％<RE<20％，模型稳定性较好，20％<RE<30％，模型稳定性一般，RE>30％，模型稳定性较差。
在本发明实施例中，假设SPAD值与氮营养指数之间的关系为：
SPAD＝A(NNI)+B
SPAD值与高光谱指数之间的关系式为：
SPAD＝C(光谱指数)+D
得到氮营养指数与高光指数的关系式为：
上述式中，A、B、C、D均为中间计算系数，根据选用的不同回归分析模型确定其取值。
在本发明的一个实施例中，提供了通过本发明方法进行夏玉米氮素预测的具体试验实例：
试验区概况：
2017年和2018年试验在中国国家节水灌溉工程技术研究中心进行，位于中国北京市大兴区魏善庄镇(北纬39°39′，东经116°15′)。属于半干旱温带大陆性季风气候，年平均降雨量为540mm，全年80％的降雨多集中在6月至9月，夏玉米在生育期内通常不需要灌溉。
试验设计：
试验夏玉米品种为“纪元168”，2017年和2018年均在6月15日播种，9月24日收获。种植密度55000株/hm2。两年试验设完相同，均为整个生育期施肥分两次，第一次是在播种前施底肥，选用的是“科霸”复混肥料(含氮量为15％)，第二次施肥在抽雄期(2017年8月5日，2018年8月8日)，肥料为尿素(含氮量47％)。每次施肥共设0，225，337.5，450，675(单位：kg/hm2)5个处理(N0，N1，N2，N3，N4，N5)，每个处理设3个重复。
夏玉米临界氮浓度模型的建立：
分别对2017年和2018年不同施氮处理每个取样日的生物量进行方差分析(P<0.05)，结果见表1和表2。由表1，表2可知，同一时期，随着施氮量的增加，夏玉米地上部生物量均显著增加，继续增加施肥量至337.5kg/hm2(处理编号为N2)时，同时期N2、N3、N4处理地上部生物量整体差异不显著。这说明，氮肥达到一定量后，玉米地上部生物量将不受氮素限制。对作物生长受氮素营养限制的施氮水平，对其地上部生物量和对应的氮浓度进行线性拟合；对不受氮素营养限制的施氮水平，用其地上部生物量的平均值代表最大生物量。每个取样日的临界氮浓度即为以上线性曲线与以最大生物量为横坐标的垂线的交点纵坐标植(图2、图3)。由图2和图3可知，随着地上部生物量的增长，临界氮浓度呈下降趋势。分别对临界氮浓度进行幂函数拟合建立玉米整个生育时期的临界氮浓度稀释曲线(图2)，结果显示拟合方程达到了极显著水平，决定系数分别为0.9690、0.9206，表明该模型可以用来表征玉米地上部生物量和植株氮浓度的关系。
表1不同氮肥用量下玉米出苗后不同时间的地上部生物量(2017年)(t/hm2)
表2不同氮肥用量下玉米出苗后不同时间的地上部生物量(2018年)
为了检验通过玉米临界氮稀释模型来估测玉米植株氮素盈亏水平的可行性，依据上述模型分析了2017年和2018年不同时期的氮营养指数(NNI)。图3表明，氮营养指数均随施氮量的增加而上升。随着玉米生育时期的推进，所有处理NNI呈先降低再升高再降低的趋势，2017年8月5日，2018年8月8日进行了追肥，出现了追肥后，NNI升高的现象。但N0和N1始终低于1；N4处理则一直高。N2和N3基本上在1附近。大喇叭口期至吐丝期，氮营养指数均上升；吐丝期到成熟期，呈下降趋势，趋于平稳，且成熟期NNI均在1附近。由此可见，依据临界氮稀释模型计算的氮营养指数可以很好地评价玉米植株氮营养状况。
SPAD值和氮营养指数(NNI)之间的关系：
氮营养指数(NNI)具有合理的生物学意义，可以定量地反映作物体内氮营养状况，但计算NNI的方法需要破坏性取样，获取作物实际的生物量，且要进行室内化学分析获取氮浓度，从而计算临界氮浓度，一定程度上具有滞后性。叶绿素仪(Soil and plant analyzerdevelopment，SPAD-502)具有快速、简便和无损的特点，常被用来快速无损的监测诊断作物氮素营养。近年来利用SPAD值来估算作物NNI从而快速无损诊断氮素营养状况已经在小麦、玉米、茅草等作物上被应用。本文根据2017年夏玉米不同时期顶1、顶2叶SPAD的平均值和植株的氮营养指数NNI建立两者之间的关系，结果见表3。
表3SPAD值和氮营养指数(NNI)之间的关系
生育期 观测日期 叶位 定量关系 R2
喇叭口期 2017/7/25 冠层 NNI＝0.219 SPAD-0.2425 0.4680
抽雄期 2017/7/31 1-2平均 NNI＝0.0352 SPAD-0.9612 0.5889
开花期 2017/8/17 冠层 NNI＝0.0206 SPAD-0.1374 0.5112
抽丝期 2017/8/29 1-2平均 NNI＝0.0263 SPAD-0.5617 0.5405
灌浆期 2017/9/11 冠层 NNI＝0.0236 SPAD-0.2942 0.6894
SPAD值与高光谱指数之间的关系：
本发明实施例采用的是(ASD)公司Field-Spec HandHeld2型手持式地物光谱仪对夏玉米的冠层光谱进行采集，分辨率为1nm，利用地物光谱仪采集的数据能够选出精度较高的光谱指数和SPAD的统计模型，但模型在第二年进行验证时，模拟效果不太好，稳定性较差。且入选的波段和无人机及遥感的波段不一致，难以在大区域大尺度上应用。因此结合遥感的波段，根据2017年的试验数据选用了叶绿素含量估算的半经验光谱指数——TCARI/OSAVI和MTCI，分别和夏玉米顶1和顶2叶片的SPAD的平均值建立半经验半理论的关系，具体结果见表4。
表4叶片SPAD与高光谱指数之间的关系
生育期 TCARI/OSAVI R2 MTCI R2
喇叭口期 SPAD＝-129.04x+62.56 0.6070 SPAD＝24.48ln(x)+16.78 0.5962
抽雄期 SPAD＝21.25ln(x)+90.27 0.6250 SPAD＝3.08x+34.75 0.5251
开花期 SPAD＝-199.23x+81.945 0.6824 SPAD＝4.97x+27.02 0.3335
抽丝期 SPAD＝-171.49x+79.11 0.5411 SPAD＝17.74ln(x)+30.95 0.2443
灌浆期 SPAD＝-107.16x+61.885 0.1099 SPAD＝6.8543x+15.046 0.4766
由表4可以看出，整体上来看，指数光谱TCARI/OSAVI比MTCI的相关系数除了灌浆期较小外，其他生育期都较大，SPAD与光谱指数的最佳关系为线性和对数函数。
氮营养指数的高光谱诊断模型：
根据2017年不同时期SPAD值和氮营养指数NNI之间的关系(表3)，和SPAD与高光谱指数之间的关系(表4)，利用SPAD中间变量，建立不同时期氮营养指数NNI与半经验的高光谱指数(TCARI/OSAVI、MTCI)的诊断模型，结果见表5，根据诊断模型对2018年的夏玉米氮营养指数NNI进行预测。两个半经验半理论的光谱参数预测的结果及精度评价见表5，表6和图4，图5。(图4和图5中，a为喇叭口期、b为抽雄期、c为开花期、d为抽丝期、e为灌浆期)。
表5氮营养指数的高光谱诊断模型
生育期 日期 诊断模型(TCARI/OSAVI) 诊断模型(MTCI)
喇叭口期 2017/7/25 NNI＝-2.8260x+1.1276 NNI＝0.5360ln(x)+0.1251
抽雄期 2017/7/31 NNI＝0.7480ln(x)+2.2163 NNI＝0.0484x+0.5844
开花期 2017/8/17 NNI＝-4.1041X+1.5507 NNI＝0.1024X+0.4192
抽丝期 2017/8/29 NNI＝-3.0354x+1.3790 NNI＝0.3140ln(x)+0.5266
灌浆期 2017/9/11 NNI＝-2.5289+1.166286 NNI＝0.1618X+0.0609
表6间接法预测模型及精度(TCARI/OSAVI)
日期 定量关系 R2 RMSE RE
2018/7/26 y＝0.4149x+0.0197 0.2656 0.5107 58.13％
2018/8/3 y＝0.3382x+0.1245 0.2209 0.4195 72.16％
2018/8/15 y＝1.9744x-1.2294 0.7255 0.3267 25.53％
2018/8/21 y＝0.4598x+0.2164 0.8672 0.3274 17.50％
2018/9/16 y＝0.938x+0.0432 0.7522 0.1033 20.16％
表7间接法预测模型及精度(MTCI)
表5，表6和图4，图5表明，由高光谱指数TCARI/OSAVI预测的氮营养指数NNI在喇叭口期和抽雄期RE超过了30％，模型的稳定性较差，开花期和灌浆期模型RE在20％左右，模型的稳定性一般，抽丝期模型的稳定性较好。由高光谱指数MTCI预测的氮营养指数NNI，在整个生育期，RE均在30％以内，尤其是喇叭口期、开花期和灌浆期模型的稳定性较好。MTCI比TCARI/OSAVI预测的氮营养指数RMSE偏小，R2较大，综上，由高光谱指数MTCI预测的氮营养指数NNI比TCARI/OSAVI预测的更接近实测值，较符合实际。
结论1)：氮营养指数NNI与相对产量之间的关系：
根据植株实测的氮含量和临界氮浓度计算2017年度不同生育期的植株氮营养指数NNI，为了比较，研究了相对产量与NNI之间的关系。NNI在抽雄期和抽丝期用二次函数表示。2017年抽雄期NNI>1.06与抽丝期NNI>0.88和2018年抽雄期NNI>0.76与抽丝期与抽丝期NNI>0.88的相对籽粒产量接近1.0(图6)。相对粮食产量与NNI的关系比与SPAD值的关系更密切(图7)。相对粮食产量与NNI之间的关系也比相对粮食产量与SPAD值之间的关系具有其他优势。它不仅可以检测N营养不足，还可以检测N营养过剩，因此选择氮营养指数NNI对植株的氮素进行诊断。(图6中，a为2017年抽雄期、b为2017年抽丝期、c为2018年抽雄期、d为2018年抽丝期；图7中，a为2017年抽雄期、b为2017年抽丝期、c为2018年抽雄期、d为2018年抽丝期)。
结论2)：SPAD与半经验高光谱指数的关系：
在众多的高光谱指数中，筛选出具有半经验半理论的光谱指数TCARI/OSAVI和MTCI，建立其与SPAD之间的关系。前人研究表明有些光谱指数在SPAD值较高时敏感性较低，有些较低时敏感性较低，但是TCARI/OSAVI光谱指数对SPAD无论较高值还是较低值变化都比较敏感，而且TCARI/OSAVI能够利用窄波段的遥感数据最大程度减少叶面积指数(LAI)和土壤背景值的变化对反演结果的影响，MTCI把冠层叶绿素含量和红边位置的测量关联了起来，因此本文选用选用了具有半经验半理论的TCARI/OSAVI、MTCI光谱指数与SPAD建立关系。本试验采用手持地物光谱仪，拍摄时，距离冠层15cm，基本上能够保证视野范围内大部分是作物，因此光谱的数据受叶面积指数和土壤背景值的影响比遥感获取的光谱数据较小。前面结果表明MTCI高光谱指数对氮营养指数诊断，符合实际。重点分析叶绿素含量和MTCI光谱指数的关系。
MTCI光谱指数和红边位置相关，随着叶绿素含量的增加，作物吸收特征的长波(红色)边缘向更长的波长移动，红色边缘位置(REP)可以定义为沿该边缘[9]反射率变化最大的点。由于REP与叶绿素含量之间存在渐近关系，所以在叶绿素含量高的情况下，REP并不是叶绿素含量的准确指标，因此在此基础上引出了MTCI光谱指数，第一可以结合遥感的标准波段的数据进行计算，从而为大区域尺度的应用奠定基础，第二对叶绿素含量变化的敏感性较高，具体见图8和图9。
图8和图9结果表明，红边位置RED随着MTCI的增大而增大，但是增加大一定程度后，RED变化较小，呈渐近关系。叶绿素含量较高时，叶绿素含量变化不大，但MTCI变化较大。这意味着在叶绿素含量高的情况下，MTCI对叶绿素含量的变化比RED更敏感。叶绿素含量的增加与红波长吸收的增加有关，但叶绿素含量高时的吸收量小于叶绿素含量低时的吸收量。分别回归MTCI与SPAD，RED与SPAD之间的关系，MTCI的回归线的斜坡比RED回归线的斜坡略陡，这说明MTCI比REP对SPAD更敏感。
结论3)：直接法与间接法对比分析：
利用光谱诊断作物氮素的研究方法是直接建立光谱指数和反映氮素水平的参数(如SPAD、NNI)之间的关系，在此称为直接法，由于直接法大多为统计关系，年际之间应用效果较差；基于此，本文借助中间变量SPAD，分别建立其与氮养指数与半经验光谱指数(TCARI/OSAVI、MTCI)的关系，最后得到氮营养指数NNI与半经验的光谱指数之间的关系，称为间接法。根据2017年的试验数据，利用直接法和间接法建立的氮营养指数NNI与光谱指数(TCARI/OSAVI、MTCI)之间的模型对2018年的夏玉米的氮营养指数NNI进行预测，预测精度通过预测模型的R2，均方根误差RMSE，相对误差RE进行评价，间接法见表6，表7，直接法见表8，表9。
表8直接法诊断模型及精度(TCARI/OSAVI)
日期 诊断模型 R2 定量关系 R2 RMSE RE
2018/7/26 y＝0.2232x+0.9343 0.0118 y＝-0.0328x+1.0218 0.2656 0.1544 16.04％
2018/8/3 y＝-1.3825x+1.1765 0.1062 y＝0.1654x+0.6857 0.2209 0.2562 30.14％
2018/8/15 y＝-1.9963x+1.2032 0.1012 y＝-0.0036x+0.8041 3.00E-05 0.2170 23.97％
2018/8/21 y＝-5.3513x+1.7936 0.2706 y＝-0.0036x+0.8041 3.00E-05 0.2019 20.39％
2018/9/16 y＝-5.7059x+1.4414 0.1267 y＝1.2823x-0.1519 0.5724 0.4764 68.51％
表9直接法诊断模型及精度(MTCI)
日期 诊断模型 R2 定量关系 R2 RMSE RE
2018/7/26 y＝-0.0235x+1.0392 0.0367 y＝-0.0019x+0.9587 0.3465 0.1544 16.05％
2018/8/3 y＝0.0513x+0.6405 0.1077 y＝0.1359x+0.7271 0.3734 0.2593 30.05％
2018/8/15 y＝0.0581x+0.5932 0.084 y＝0.0731x+0.8367 0.0344 0.1452 16.05％
2018/8/21 y＝0.2834x-0.352 0.3916 y＝0.0731x+0.8367 0.0344 0.2433 24.57％
2018/9/16 y＝0.2834x-0.352 0.3916 y＝1.402x-0.1929 0.5981 0.2851 40.99％
对比分析表6和表8可知，整个生育期，由TCARI/OSAVI预测NNI的直接法和间接法RE和RMSE相差不大，但是预测的R2，直接法比间接法要小很多。再对比分析表7和表9，整个生育期，由MTCI预测NNI直接法的RE和RMSE都偏大，R2偏小，模型效果较差。综上，用NNI和半经验光谱指数建立关系的直接法，与通过SPAD中间变量将NNI与半经验光谱指数建立关系的间接法，对作物氮素进行诊断时，间接法的模型较符合实际，尤其是和红边位置有关的半经验光谱指数MTCI预测的精度较高，稳定性较好。
本发明的有益效果：
本发明提供的基于临界氮浓度的夏玉米氮素高光谱预测方法，首先建立SPAD与NNI之间的关系，然后建立SPAD与半经验的光谱指数之间的关系，最后通过中间变量SPAD将半经验的光谱指数和氮营养指数联系起来，得到光谱指数和氮营养之间的关系，作为氮营养指数高光谱诊断模型对夏玉米植株内的氮素进行预测，克服了现有的直接建立光谱指数和NNI之间的统计关系，提高了诊断模型的稳定性和植株内氮素含量预测的准确性。

Claims (8)

1.一种基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，包括以下步骤：
S1、确定在夏玉米各个生育期中，SPAD值与氮营养指数之间的关系；
S2、选取高光谱指数，确定在夏玉米各个生育期中，SPAD值与高光谱指数之间的关系；
S3、将SPAD值作为中间量，构建用于描述氮营养指数与高光谱指数之间关系的氮营养指数高光谱诊断模型；
S4、根据构建的氮营养指数高光谱诊断模型，对夏玉米各个生育期内的氮素进行预测。
2.根据权利要求1所述的基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，所述步骤S1中夏玉米的生育期包括喇叭口期、抽雄期、开花期、抽丝期和灌浆期；
确定各个生育期中SPAD值的方法具体为：
对各个生育期中的夏玉米样本的顶1和顶2，采用SPAD-502叶绿素仪测定SPAD值，每个夏玉米叶片测定3次，将其3次SPAD值的平均值作为对应生育期内的SPAD值；
所述顶1为夏玉米样本从上往下数第一片叶子，所述顶2为夏玉米从上往下数第二片叶子。
3.根据权利要求1所述的基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，所述步骤S1中的氮营养指数NNI为：
式中，Na为夏玉米植株上部氮浓度的实测值；
Nc为夏玉米植株地上部的临界氮浓度值；
其中，夏玉米植株地上部的临界氮浓度值Nc为：
式中，a为植株地上部单位生物量的临界氮浓度；
b为临界氮浓度的稀释系数；
Wmax为夏玉米植株地上部干物质的最大值。
4.根据权利要求1所述的基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，所述步骤S1中，通过回归分析模型确定SPAD值与氮营养指数NNI之间的关系；
所述回归分析模型包括线性模型、对数模型、抛物线模型、指数模型、单变量幂函数模型；
所述线性模型为：
NNI＝a+b·X
式中，a、b均为线性模型中计算NNI的系数；
X为测得的各生育期内的SPAD值；
所述对数模型为：
NNI＝c+d·lnX
式中，c、d均为对数模型中计算NNI的系数；
所述抛物线模型为：
NNI＝e+f·X+g·X2
式中，e、f和g均为抛物线模型中计算NNI的系数；
所述指数模型为：
NNI＝hei·X
式中，h、i均为指数模型中计算NNI的系数；
所述单变量幂函数模型为：
NNI＝l·Xm
式中，l、m均为单变量幂函数模型中计算NNI的系数。
5.根据权利要求2所述的基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，所述步骤S2中选取的高光谱指数包括半经验半理论光谱指数TCARI/OSAVI和叶绿素指数MTCI；
所述半经验半理论光谱指数TCARI/OSAVI为：
式中，Rx为在x波段下对应的中心波长的反射率，其中，x＝700,670,550,800；
所述叶绿素指数MTCI为：
式中，Ry为MERIS标准波段y设置中心波长的反射率，y＝753.75,708.75,708.75,681.25。
6.根据权利要求5所述的基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，所述步骤S2中，通过回归分析模型确定SPAD值与高光谱指数之间的关系：
所述回归分析模型包括线性模型、对数模型、抛物线模型、指数模型、单变量幂函数模型；
所述线性模型为：
SPAD＝a+b·x
式中，a、b均为线性模型中计算SPAD的系数；
x为选取的半经验半理论的高光谱指数CARI/OSAVI或MTCI的值；
所述对数模型为：
NNI＝c+d·lnx
式中，c、d均为对数模型中计算SPAD的系数；
所述抛物线模型为：
NNI＝e+f·x+g·x2
式中，e、f和g均为抛物线模型中计算SPAD的系数；
所述指数模型为：
NNI＝hei·x
式中，h、i均为指数模型中计算SPAD的系数；
所述单变量幂函数模型为：
NNI＝l·xm
式中，l、m均为单变量幂函数模型中计算SPAD的系数。
7.根据权利要求1所述的基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，所述步骤S3具体为：
根据SPAD值与氮营养指数之间的关系及SPAD值与高光谱指数之间的关系，将SPAD值作为中间量，得到氮营养指数与高光指数的关系式，作为氮营养指数高光谱诊断模型；
在所述氮营养指数高光谱诊断模型中，将高光谱指数作为自变量，氮营养指数作为因变量。
8.根据权利要求1所述的基于临界氮浓度的夏玉米氮素高光谱预测方法，其特征在于，所述步骤S4具体为：
获取待预测年份内的夏玉米各个生育期内的高光谱指数数据，将其代入到氮营养指数高光谱诊断模型中，得到夏玉米各个生育期内的氮素预测结果。
CN201910876269.9A 2019-09-17 2019-09-17 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 Active CN110567892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910876269.9A CN110567892B (zh) 2019-09-17 2019-09-17 一种基于临界氮浓度的夏玉米氮素高光谱预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910876269.9A CN110567892B (zh) 2019-09-17 2019-09-17 一种基于临界氮浓度的夏玉米氮素高光谱预测方法

Publications (2)

Publication Number Publication Date
CN110567892A true CN110567892A (zh) 2019-12-13
CN110567892B CN110567892B (zh) 2020-11-24

Family

ID=68780446

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910876269.9A Active CN110567892B (zh) 2019-09-17 2019-09-17 一种基于临界氮浓度的夏玉米氮素高光谱预测方法

Country Status (1)

Country Link
CN (1) CN110567892B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903600A (zh) * 2021-01-15 2021-06-04 南京农业大学 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
CN113268923A (zh) * 2021-05-17 2021-08-17 中国水利水电科学研究院 一种基于模拟多光谱的夏玉米产量估算方法
CN113433127A (zh) * 2021-06-24 2021-09-24 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN113866104A (zh) * 2021-09-27 2021-12-31 太原理工大学 一种基于数码相机检测温室番茄氮素营养状况的方法
WO2022222522A1 (zh) * 2021-04-20 2022-10-27 石河子大学 一种滴灌棉花氮营养亏损诊断方法及系统
CN115343249A (zh) * 2022-07-11 2022-11-15 中国水利水电科学研究院 一种夏玉米全生命周期叶片尺度氮素营养高光谱诊断方法
CN117195609A (zh) * 2023-11-08 2023-12-08 吉林大学 一种区域玉米植株氮营养匮缺的定量诊断方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007041755A1 (en) * 2005-10-07 2007-04-19 The Australian Wine Research Institute Hyperspectral imaging of contaminants in products and processes of agriculture
US8012912B1 (en) * 2007-09-28 2011-09-06 Bret Barrick Method of increasing the yield of sugar from sugarcane
CN103063601A (zh) * 2012-12-10 2013-04-24 新疆农业科学院土壤肥料与农业节水研究所 一种基于spad-502的棉花叶片测定方法
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
JP2016127806A (ja) * 2015-01-09 2016-07-14 日立マクセル株式会社 植物情報取得システム、植物情報取得装置および植物情報取得方法
CN106841051A (zh) * 2016-12-19 2017-06-13 中国科学院南京土壤研究所 一种基于可见光图像融合值的作物氮素营养检测方法
CN107271382A (zh) * 2017-06-02 2017-10-20 西北农林科技大学 一种不同生育期油菜叶片spad值遥感估算方法
CN107389573A (zh) * 2017-07-28 2017-11-24 中国农业科学院农田灌溉研究所 氮营养指数估算方法及装置
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
CN109211801A (zh) * 2018-09-03 2019-01-15 中国科学院南京土壤研究所 一种作物氮素需求量实时获取方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007041755A1 (en) * 2005-10-07 2007-04-19 The Australian Wine Research Institute Hyperspectral imaging of contaminants in products and processes of agriculture
US8012912B1 (en) * 2007-09-28 2011-09-06 Bret Barrick Method of increasing the yield of sugar from sugarcane
CN103063601A (zh) * 2012-12-10 2013-04-24 新疆农业科学院土壤肥料与农业节水研究所 一种基于spad-502的棉花叶片测定方法
JP2016127806A (ja) * 2015-01-09 2016-07-14 日立マクセル株式会社 植物情報取得システム、植物情報取得装置および植物情報取得方法
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
CN106841051A (zh) * 2016-12-19 2017-06-13 中国科学院南京土壤研究所 一种基于可见光图像融合值的作物氮素营养检测方法
CN107271382A (zh) * 2017-06-02 2017-10-20 西北农林科技大学 一种不同生育期油菜叶片spad值遥感估算方法
CN107389573A (zh) * 2017-07-28 2017-11-24 中国农业科学院农田灌溉研究所 氮营养指数估算方法及装置
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
CN109211801A (zh) * 2018-09-03 2019-01-15 中国科学院南京土壤研究所 一种作物氮素需求量实时获取方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
FANGFANG JIA: "Comparison of different methods for estimating nitrogen concentration in flue-cured tobacco leaves based on hyperspectral reflectance", 《FIELD CROPS RESEARCH》 *
NOURA ZIADI: "Chlorophyll Measurements and Nitrogen Nutrition Index for the", 《AGRONOMY JOURNAL》 *
刘露: "基于高光谱的夏玉米冠层SPAD值监测研究", 《水土保持学报》 *
梁慧平: "玉米氮营养指数的高光谱计算模型", 《农业工程学报》 *
王孟和: "基于高光谱的玉米叶片氮含量监测模型", 《扬州大学学报（农业与生命科学版）》 *
董哲: "基于高光谱遥感的玉米叶片SPAD 值估算模型研究", 《作物杂志CROPS》 *
赵犇: "基于上部叶片 SPAD 值估算小麦氮营养指数", 《生态学报》 *
陈志强: "不同氮素水平下玉米叶片的高光谱响应及其诊断", 《中国博士学位论文全文数据库 农业科技辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112903600A (zh) * 2021-01-15 2021-06-04 南京农业大学 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
WO2022222522A1 (zh) * 2021-04-20 2022-10-27 石河子大学 一种滴灌棉花氮营养亏损诊断方法及系统
CN113268923A (zh) * 2021-05-17 2021-08-17 中国水利水电科学研究院 一种基于模拟多光谱的夏玉米产量估算方法
CN113433127A (zh) * 2021-06-24 2021-09-24 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN113433127B (zh) * 2021-06-24 2024-02-23 内蒙古农业大学 基于优化光谱指数的马铃薯生长季氮肥用量施用方法
CN113866104A (zh) * 2021-09-27 2021-12-31 太原理工大学 一种基于数码相机检测温室番茄氮素营养状况的方法
CN115343249A (zh) * 2022-07-11 2022-11-15 中国水利水电科学研究院 一种夏玉米全生命周期叶片尺度氮素营养高光谱诊断方法
CN117195609A (zh) * 2023-11-08 2023-12-08 吉林大学 一种区域玉米植株氮营养匮缺的定量诊断方法
CN117195609B (zh) * 2023-11-08 2024-01-26 吉林大学 一种区域玉米植株氮营养匮缺的定量诊断方法

Also Published As

Publication number Publication date
CN110567892B (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
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
CN113268923B (zh) 一种基于模拟多光谱的夏玉米产量估算方法
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
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
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
CN113268703B (zh) 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
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
CN111855591A (zh) 水稻地上部碳氮比遥感反演模型和方法
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
CN103293111A (zh) 一种土壤背景干扰下小麦叶层氮含量光谱监测模型及建模方法
CN110082309B (zh) 冬小麦冠层spad值综合光谱监测模型建立方法
CN112816618A (zh) 一种氮高效小麦品种的筛选方法
CN113670913B (zh) 水稻氮素含量反演高光谱植被指数构建方法
CN113035290A (zh) 一种基于高光谱遥感技术的小麦植株氮积累量监测方法
CN111855592A (zh) 水稻单位面积内地上部干物重遥感反演模型和方法
CN112362812A (zh) 基于Lars算法的水稻叶片叶绿素类胡萝卜素含量比值遥感反演模型和方法
CN114169165A (zh) 一种三波段植被指数估算镉胁迫下水稻叶绿素的模型方法
CN112632847A (zh) 基于XGBoost回归算法的水稻叶片淀粉含量遥感反演模型和方法
CN103575680A (zh) 一种评估有机肥质量指标的光谱学方法
CN112525831A (zh) 基于CatBoost回归算法的水稻地上部蛋白氮积累量遥感反演模型和方法
CN112270130A (zh) 基于LightGBM回归算法的水稻叶片可溶性糖积累量遥感反演模型和方法
CN112630167A (zh) 基于支持向量机回归算法的水稻叶片碳氮比遥感反演模型和方法
CN111027523A (zh) 一种棉花冠层类胡萝卜素含量的卫星遥感监测方法
CN112362659A (zh) 基于贝叶斯岭回归算法的水稻地上部糖氮比遥感反演模型和方法

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