CN113218887A - 一种小麦冻害严重程度快速监测评估方法 - Google Patents

一种小麦冻害严重程度快速监测评估方法 Download PDF

Info

Publication number
CN113218887A
CN113218887A CN202110698627.9A CN202110698627A CN113218887A CN 113218887 A CN113218887 A CN 113218887A CN 202110698627 A CN202110698627 A CN 202110698627A CN 113218887 A CN113218887 A CN 113218887A
Authority
CN
China
Prior art keywords
wheat
spectral
parameters
canopy
freezing injury
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
CN202110698627.9A
Other languages
English (en)
Other versions
CN113218887B (zh
Inventor
冯伟
贺利
段剑钊
王洋洋
冯子恒
宋晓
郭天财
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.)
Henan Agricultural University
Original Assignee
Henan 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 Henan Agricultural University filed Critical Henan Agricultural University
Priority to CN202110698627.9A priority Critical patent/CN113218887B/zh
Publication of CN113218887A publication Critical patent/CN113218887A/zh
Application granted granted Critical
Publication of CN113218887B publication Critical patent/CN113218887B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Abstract

本发明公开了一种小麦冻害严重程度快速监测评估方法，属于遥感技术监测领域，包括依据冠层光谱参数和叶绿素荧光参数与产量损失率之间的相关性及其遥感信息源特性，将冠层光谱参数和荧光参数进行优化组合，以产量损失率为因变量，组合参数为自变量，分别采用偏最小二乘法、神经网络、多元逐步回归运算去选取最佳参数组合，确立模型，分析模型结果在训练集和测试集中的表现，建立最优化多元回归方程，通过最优化多元回归方程获取小麦冻害严重程度的快速监测。本发明综合利用冠层光谱参数和叶绿素荧光参数快速评估不同水分及品种条件下冬小麦冻害程度，并依据冻害评估结果，进而及时采取栽培措施减缓冻害造成的损失。

Description

一种小麦冻害严重程度快速监测评估方法
技术领域
本发明属于遥感技术监测领域，更具体的说是涉及一种小麦冻害严重程度快速监测评估方法。
背景技术
近年来全球气候变暖的背景下，极端低温天气频频发生，尤其是在农业气象上更是频繁，在对农业经济造成重大影响的同时，对全世界粮食安全生产造成巨大的损失。
冬小麦是世界主要粮食之一，全球有60％的人口的以小麦为主食。作为主要粮食作物的小麦在我国占有1/4的种植面积和1/5的粮食总产量。因此，小麦的安全生产对我国的粮食安全、经济发展和人民生活具有重大的意义。小麦作为喜凉作物，对于温度的变化较为敏感，当降温强度和低温持续时间超过其各个生育时期所能承受的范围之后就会引起受害。而拔节期冻害(晚霜冻害)是制约我国冬小麦安全生产的主要障碍，也是我国麦区实现高产稳产的重要限制因子。小麦晚霜冻害是指拔节后遭受到0℃以下低温所造成的灾害，主要发生在拔节前4d至拔节后20d，且冬小麦拔节后雌雄蕊分化期抗寒性较低，低温使得幼穗受到伤害，导致产量降低。晚霜冻害是我国小麦生产所面临的一个重大挑战，研究小麦冻害监测对农业生产抵御晚霜冻害具有重要的意义。
目前大多研究低温对小麦生理指标的影响，例如抗氧化物酶活性、渗透调节物质含量、叶绿素含量等指标的变化，进而利用多元分析方法综合评价小麦的抗冻性。例如，利用主成分分析的方法将低温胁迫下多个生理指标的变化值转化为一个综合评估指标，利用聚类分析将不同品种划分为强抗冻、中度抗冻、弱抗冻。通过多个小麦品种的生理指标在低温胁迫下的变化情况，利用隶属函数法和极点排序法对多个小麦品种的抗寒性进行鉴定，将各个品种的抗寒性进行排序分类。但是这些研究中，植株生理指标的测定仍然依靠人力在田间破坏性取样等方式，不仅费时费力，在冻害后无法快速大面积评估冻害程度。
因此，如何提供一种舒适度高的躺睡摇椅是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种小麦冻害严重程度快速监测评估方法，综合利用冠层光谱参数和叶绿素荧光参数快速评估不同水分及品种条件下冬小麦冻害程度，并依据冻害评估结果，进而及时采取栽培措施减缓冻害造成的损失。
为了实现上述目的，本发明采用如下技术方案：
一种小麦冻害严重程度快速监测评估方法，包括：依据冠层光谱参数和叶绿素荧光参数与产量损失率之间的相关性及其遥感信息源特性，将冠层光谱参数和荧光参数进行优化组合，以产量损失率为因变量，组合参数为自变量，分别采用偏最小二乘法、神经网络、多元逐步回归运算去选取最佳参数组合，并确立模型，将每种遥感参数组合数据集分别进行偏最小二乘法、神经网络、多元逐步回归运算，进一步分析模型结果在训练集和测试集中的表现，建立最优化多元回归方程，通过最优化多元回归方程获取小麦冻害严重程度的快速监测。
优选的，通过光量子分析仪测定小麦顶部第1张全展叶片的荧光参数，包括实际光化学效率Y(II)、PSⅡ最大光学效率Fv/Fm、光化淬灭系qp、非光化学猝灭系数NPQ以及PSII非循环光合电子传递速率ETR。
优选的，利用光谱仪，在低温胁迫后第2天进行冠层光谱反射率的测定，作为冠层光谱参数，光谱仪波段范围为350～2500nm，其中350～1050nm光谱采样间隔为1.4nm，光谱分辨率为3nm；1050～2500nm光谱采样间隔为2nm，光谱分辨率为10nm；测定3次，每次测量5条光谱曲线，取其平均值作为冬小麦冠层光谱反射率值。
优选的，待小麦成熟后，测定穗粒数、穗数和千粒重，计算出单株产量Y；然后计算冻害处理的产量损失率，如下：
Figure BDA0003128821040000031
在公式(1)中，i为品种，Yic为每个品种在不同水分条件下对照CK的产量，而Yid为与对照相同品种在相同水分条件下冻害处理的产量，YLR的单位为百分率。
优选的，采用逐步回归算法，构建基于冠层光谱参数的冻害程度预测模型，以产量损失率作因变量，遥感参数为自变量，建立最优回归方程：
YLR＝-4.389X1-1068.48X2-0.07X9+7.81 (2)
其中，X1、X2、X9分别代表NPQI、PND920、左右峰面积比。
优选的，采用逐步回归算法，构建基于叶绿素荧光参数的冻害程度预测模型，以产量损失率作因变量，叶绿素荧光参数为自变量，建立最优化回归方程：
YLR＝1.098-0.645S1-0.672S2 (3)
其中S1、S2分别代表Qp和Fv/Fm。
优选的，最优化多元回归方程为：
YLR＝5.925-1.048S1-0.662S2+0.016S3-5.251X1-761.076X2-0.053X9 (4)
其中S1、S2、S3、X1、X2和X9分别代表Qp、Fv/Fm、ETR、NPQI、PND920和DIDA。
优选的，在低温模拟室内培养小麦进行试验，低温模拟室的规格为长7m、宽5m、高2.6m，低温模拟室的顶部装置有两条尼龙布形成的通风管道，分别为室外的两台制冷压缩机连接；在管道两侧均匀分布着若干个直径为5cm的圆形通风口，冷风通过圆形通风口在1.9m以上的水平方向上进行冷气流动，并形成一个制冷空间；冷空气均匀的向下沉，从而形成强辐射降温。
本发明的有益效果在于：
本发明综合利用冠层光谱参数和叶绿素荧光参数快速评估不同水分及品种条件下冬小麦冻害程度，并依据冻害评估结果，进而及时采取栽培措施减缓冻害造成的损失，这对农业灾害监测预警及灾后补救具有十分重要的意义和价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1附图为本发明的产量损失率与遥感融合值之间的关系图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参考附图1，本发明提供了一种小麦冻害严重程度快速监测评估方法，包括：依据冠层光谱参数和叶绿素荧光参数与产量损失率之间的相关性及其遥感信息源特性，将冠层光谱参数和荧光参数进行优化组合，以产量损失率为因变量，组合参数为自变量(遥感融合值)，分别采用偏最小二乘法、神经网络、多元逐步回归运算去选取最佳参数组合，并确立模型，将每种遥感参数组合数据集分别进行偏最小二乘法、神经网络、多元逐步回归运算，进一步分析模型结果在训练集和测试集中的表现，建立最优化多元回归方程，通过最优化多元回归方程获取小麦冻害严重程度的快速监测。
通过光量子分析仪测定小麦顶部第1张全展叶片的荧光参数，包括实际光化学效率Y(II)、PSⅡ最大光学效率Fv/Fm、光化淬灭系qp、非光化学猝灭系数NPQ以及PSII非循环光合电子传递速率ETR。
利用光谱仪，在低温胁迫后第2天进行冠层光谱反射率的测定，作为冠层光谱参数，光谱仪波段范围为350～2500nm，其中350～1050nm光谱采样间隔为1.4nm，光谱分辨率为3nm；1050～2500nm光谱采样间隔为2nm，光谱分辨率为10nm；测定3次，每次测量5条光谱曲线，取其平均值作为冬小麦冠层光谱反射率值。
待小麦成熟后，测定穗粒数、穗数和千粒重，计算出单株产量Y；然后计算冻害处理的产量损失率，如下：
Figure BDA0003128821040000051
在公式(1)中，i为品种，Yic为每个品种在不同水分条件下对照CK的产量，而Yid为与对照相同品种在相同水分条件下冻害处理的产量，YLR的单位为百分率。
采用逐步回归算法，构建基于冠层光谱参数的冻害程度预测模型，以产量损失率作因变量，遥感参数为自变量，建立最优回归方程：
YLR＝-4.389X1-1068.48X2-0.07X9+7.81 (2)
其中，X1、X2、X9分别代表NPQI、PND920、左右峰面积比。
采用逐步回归算法，构建基于叶绿素荧光参数的冻害程度预测模型，以产量损失率作因变量，叶绿素荧光参数为自变量，建立最优化回归方程：
YLR＝1.098-0.645S1-0.672S2 (3)
其中S1、S2分别代表Qp和Fv/Fm。
最优化多元回归方程为：
YLR＝5.925-1.048S1-0.662S2+0.016S3-5.251X1-761.076X2-0.053X9 (4)
其中S1、S2、S3、X1、X2和X9分别代表Qp、Fv/Fm、ETR、NPQI、PND920和DIDA。
实施例1
1.1试验设计
本发明方法试验于2018—2020年连续两个小麦生长季，在河南省商丘农林科学院小麦试验基地的低温模拟室进行。土壤类型为潮土，土壤肥力状况平均为：有机质13.4g/kg，水解氮74.2mg/g，速效磷36.31mg/g，速效钾129.48mg/g。试验用盆为直径25cm，高度为35cm的圆柱形、两头开口空心管。播种前先将盆埋在大田之中，使其顶部与地表基本持平，这样是为了让盆栽生长环境等同于大田条件。
供试品种为弱春性品种偃展4110(YZ4110)和兰考198(LK198)以及半冬性品种郑麦366(ZM366)和丰德存麦21(FDC21)。偃展4110和兰考198产量水平分别为6900kg/hm2和7800kg/hm2；郑麦366和丰德存麦21产量水平分别为7425kg/hm和6375kg/hm2。两年度分别于2018年11月9日以及2019年11月12日种植，每盆均匀定株11株。低温处理时期为雌雄蕊分化期，并设置2个水分条件，其中低温处理前一周进行灌水一次W1(灌水量750m3/hm2，土壤含水量22％左右，土壤水饱和)，另外一个不灌水处理W0(土壤含水量13％左右，土壤稍微干旱)。在2种水分条件下，再设置6个温度梯度处理，分别为CK(2年当日气温分别为11℃/5℃、22℃/8℃)、T1(-2℃)、T2(-4℃)、T3(-6℃)、T4(-8℃)和T5(-10℃)，低温处理时间8h，每处理5个重复。低温处理结束后，尽快将盆栽搬至田间原处，恢复原来的生长环境。
1.2低温模拟室概况
在低温模拟室内培养小麦进行试验，低温模拟室的规格为长7m、宽5m、高2.6m，低温模拟室的顶部装置有两条尼龙布形成的通风管道，分别为室外的两台制冷压缩机连接；在管道两侧均匀分布着若干个直径为5cm的圆形通风口，冷风通过圆形通风口在1.9m以上的水平方向上进行冷气流动，并形成一个制冷空间；冷空气均匀的向下沉，从而形成强辐射降温。
1.3叶绿素荧光参数的测定
利用MINI-PAM光量子分析仪测定小麦顶部第1张全展叶片的荧光参数，包括实际光化学效率(Y(II))、PSⅡ最大光学效率(Fv/Fm)、光化淬灭系数(qp)、非光化学猝灭系数(NPQ)、PSII非循环光合电子传递速率(ETR)，每个处理测试3张叶片。
1.4冠层光谱参数测定
利用ASD FieldSpec 3光谱仪，与低温胁迫后第2天进行冠层光谱反射率的测定。光谱仪波段范围为350～2500nm，其中350～1050nm光谱采样间隔为1.4nm，光谱分辨率为3nm；1050～2500nm光谱采样间隔为2nm，光谱分辨率为10nm。每盆测定3次，每次测量5条光谱曲线，取其平均值作为冬小麦冠层光谱反射率值。
1.5籽粒产量
待小麦成熟后，将每盆内的所有小麦植株装袋带回实验室，测定穗粒数、穗数和千粒重，同时计算出单株产量Y。然后计算冻害处理的产量损失率(％)，如下：
Figure BDA0003128821040000081
在公式(1)中，i为品种，Yic为每个品种在不同水分条件下对照CK的产量，而Yid为与对照相同品种在相同水分条件下冻害处理的产量，YLR的单位为百分率。
1.6植被指数提取
表1为冠层光谱参数列表。
序号 冠层光谱参数 参数计算公式及说明
X1 NPQI (R415-R435)/(R415+R435)
X2 PND920 920nm处反射归一化高度
X3 FWBI R900/min(R930-980)
X4 PND560 560nm处反射归一化高度
X5 NDVI(560,450) (R560-R450)/(R560+R450)
X6 CCI D720/D725
X7 NDWI(860,1240) (R860-R1240)/(R860+R1240)
X8 (R850-R710)/(R850-R680) (R850-R710)/(R850-R680)
X9 DIDA 微分光谱中红边左峰面积与右峰面积之差
X10 Vari-700(700,670,450) [R700-1.7*R670+0.7*R450]/[R700+2.3*R670-1.3*R450]
表1
2.结果与分析
2.1低温胁迫下各处理下单株产量和产量损失率，如表2所示。
Figure BDA0003128821040000082
Figure BDA0003128821040000091
表2
产量损失率可以作为小麦冻害程度深浅的有效表示指标。
2.2冠层光谱参数与产量损失率的相关性分析，如表3所示。
Figure BDA0003128821040000092
表3
由表3可以得出，10个冠层光谱参数与产量损失率的相关性都能达到极显著水平(P＜0.01)。其中显著性水平最高的参数为PND920，相关系数为-0.832；显著性水平最差的参数为Vari-700(700，670，450)，其相关系数为-0.352。采用逐步回归算法，构建基于冠层光谱参数的冻害程度预测模型，以产量损失率作因变量，遥感参数为自变量，建立最优回归方程：YLR＝-4.389X1-1068.48X2-0.07X9+7.81(R2＝0.812，RMSE＝0.130954，P＝0.000)，其中X1、X2、X9分别代表NPQI、PND920、左右峰面积比。目的：筛选出敏感的表征冻害程度的光谱学指标。
2.3叶绿素荧光参数与产量损失率的相关性分析，如表4所示。
Figure BDA0003128821040000101
表4
由表4可以看出，叶绿素荧光参数与产量损失率之间均达到极显著水平，其中显著性水平最高的为Qp(-0.850**)，其次为Fv/Fm(-0.850**)，排在第三位的是ETR(-0.817**)，相关性最差的参数为NPQ(-0.651**)。采用逐步回归算法，构建出基于叶绿素荧光参数的冻害程度预测模型，以产量损失率作因变量，叶绿素荧光参数为自变量，建立最优化回归方程：YLR＝1.098-0.645S1-0.672S2(R2＝0.762，RMSE＝0.147414，P＝0.000)，其中S1、S2分别代表Qp和Fv/Fm。目的：筛选敏感的表征冻害程度的叶绿素荧光参数指标。
2.4利用多元统计分析方法融合两种数据源构建冻害综合评价指数
筛选出建模预测方法，多元线性回归；筛选出荧光与光谱融合的指标；构建出冻害严重度评估模型。
本发明依据冠层光谱参数和荧光参数与产量损失率之间的相关性及其遥感信息源特性，考虑将以上两类遥感信息源数据进行优化组合，共分为5组。组合1为5个荧光参数；组合2为10个冠层光谱参数；组合3为5个荧光参数与10个冠层光谱参数；组合4为荧光参数中与产量损失率相关性最密切的3个参数，以及相关性最强的5个冠层光谱参数；组合5为利用多元逐步回归构建冻害模型选取的6个参数。基于以上5种参数组合情况，以产量损失率为因变量，5个参数组合为自变量，分别采用偏最小二乘法(PLS)、神经网络(BP)、多元逐步回归(MLR)分析去选取最佳参数组合，并确立适宜的模型预测方法。
表5为不同数据组合下三种建模算法的R2及RMSE。
Figure BDA0003128821040000111
表5
将每种遥感参数组合数据集分别进行偏最小二乘法、神经网络、多元逐步回归运算，进一步分析模型结果在训练集和测试集中的表现。依照R2最高、RMSE最低的原则，
发现在1-4数据组合中，偏最小二乘法建模方法精度最高，训练集R2分别达到0.854、0.812、0.952和0.868，检验集R2分别达到0.951、0.873、0.928和0.909，而神经网络法偏低。在数据组合5中，多元逐步回归分析的精度以及准确性在3种算法中均最优，建模集R2＝0.903和RMSE＝0.094，检验集R2＝0.921和RMSE＝0.0896。比较而言，在数据组合5中，所用参数较少，且包含荧光参数及高光谱参数，多元逐步回归模型精度达到0.90以上，尽管比最优化数据组合及反演算法(R2＝0.952)有所降低，但是考虑到实用方便，组合5中的多元逐步回归方法在评价晚霜冻害的冻害程度更具生产应用优势。
以产量损失率作因变量，以6个优选的高光谱和荧光参数为自变量，建立最优化多元回归方程：YLR＝5.925-1.048S1-0.662S2+0.016S3-5.251X1-761.076X2-0.053X9(R2＝0.903，RMSE＝0.0943，P＝0.000)，其中S1、S2、S3、X1、X2和X9分别代表Qp、Fv/Fm、ETR、NPQI、PND920和DIDA。
本发明综合利用冠层光谱参数和叶绿素荧光参数快速评估不同水分及品种条件下冬小麦冻害程度，并依据冻害评估结果，进而及时采取栽培措施减缓冻害造成的损失，这对农业灾害监测预警及灾后补救具有十分重要的意义和价值。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种小麦冻害严重程度快速监测评估方法，其特征在于，包括：依据冠层光谱参数和叶绿素荧光参数与产量损失率之间的相关性及其遥感信息源特性，将冠层光谱参数和荧光参数进行优化组合，以产量损失率为因变量，组合参数为自变量，分别采用偏最小二乘法、神经网络、多元逐步回归运算去选取最佳参数组合，并确立模型，将每种遥感参数组合数据集分别进行偏最小二乘法、神经网络、多元逐步回归运算，进一步分析模型结果在训练集和测试集中的表现，建立最优化多元回归方程，通过最优化多元回归方程获取小麦冻害严重程度的快速监测。
2.根据权利要求1所述的一种小麦冻害严重程度快速监测评估方法，其特征在于，通过光量子分析仪测定小麦顶部第1张全展叶片的荧光参数，包括实际光化学效率Y(II)、PSⅡ最大光学效率Fv/Fm、光化淬灭系qp、非光化学猝灭系数NPQ以及PSII非循环光合电子传递速率ETR。
3.根据权利要求2所述的一种小麦冻害严重程度快速监测评估方法，其特征在于，利用光谱仪，在低温胁迫后第2天进行冠层光谱反射率的测定，作为冠层光谱参数，光谱仪波段范围为350～2500nm，其中350～1050nm光谱采样间隔为1.4nm，光谱分辨率为3nm；1050～2500nm光谱采样间隔为2nm，光谱分辨率为10nm；测定3次，每次测量5条光谱曲线，取其平均值作为冬小麦冠层光谱反射率值。
4.根据权利要求3所述的一种小麦冻害严重程度快速监测评估方法，其特征在于，待小麦成熟后，测定穗粒数、穗数和千粒重，计算出单株产量Y；然后计算冻害处理的产量损失率，如下：
Figure FDA0003128821030000011
在公式(1)中，i为品种，Yic为每个品种在不同水分条件下对照CK的产量，而Yid为与对照相同品种在相同水分条件下冻害处理的产量，YLR的单位为百分率。
5.根据权利要求4所述的一种小麦冻害严重程度快速监测评估方法，其特征在于，采用逐步回归算法，构建基于冠层光谱参数的冻害程度预测模型，以产量损失率作因变量，遥感参数为自变量，建立最优回归方程：
YLR＝-4.389X1-1068.48X2-0.07X9+7.81 (2)
其中，X1、X2、X9分别代表NPQI、PND920、左右峰面积比。
6.根据权利要求5所述的一种小麦冻害严重程度快速监测评估方法，其特征在于，采用逐步回归算法，构建基于叶绿素荧光参数的冻害程度预测模型，以产量损失率作因变量，叶绿素荧光参数为自变量，建立最优化回归方程：
YLR＝1.098-0.645S1-0.672S2 (3)
其中S1、S2分别代表Qp和Fv/Fm。
7.根据权利要求6所述的一种小麦冻害严重程度快速监测评估方法，其特征在于，最优化多元回归方程为：
YLR＝5.925-1.048S1-0.662S2+0.016S3-5.251X1-761.076X2-0.053X9 (4)
其中S1、S2、S3、X1、X2和X9分别代表Qp、Fv/Fm、ETR、NPQI、PND920和DIDA。
8.根据权利要求1所述的一种小麦冻害严重程度快速监测评估方法，其特征在于，在低温模拟室内培养小麦进行试验，低温模拟室的规格为长7m、宽5m、高2.6m，低温模拟室的顶部装置有两条尼龙布形成的通风管道，分别为室外的两台制冷压缩机连接；在管道两侧均匀分布着若干个直径为5cm的圆形通风口，冷风通过圆形通风口在1.9m以上的水平方向上进行冷气流动，并形成一个制冷空间；冷空气均匀的向下沉，从而形成强辐射降温。
CN202110698627.9A 2021-06-23 2021-06-23 一种小麦冻害严重程度快速监测评估方法 Active CN113218887B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110698627.9A CN113218887B (zh) 2021-06-23 2021-06-23 一种小麦冻害严重程度快速监测评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110698627.9A CN113218887B (zh) 2021-06-23 2021-06-23 一种小麦冻害严重程度快速监测评估方法

Publications (2)

Publication Number Publication Date
CN113218887A true CN113218887A (zh) 2021-08-06
CN113218887B CN113218887B (zh) 2022-06-21

Family

ID=77081100

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110698627.9A Active CN113218887B (zh) 2021-06-23 2021-06-23 一种小麦冻害严重程度快速监测评估方法

Country Status (1)

Country Link
CN (1) CN113218887B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113575240A (zh) * 2021-09-02 2021-11-02 西北农林科技大学 一种基于累积空气温度亏缺量的植物低温伤害评价预警系统
CN113592201A (zh) * 2021-08-31 2021-11-02 中国农业科学院农业环境与可持续发展研究所 一种拔节后受冻冬小麦产量损失早期预测方法
CN117451639A (zh) * 2023-12-21 2024-01-26 内蒙古工业大学 一种基于遥感数据的水体叶绿素浓度反演方法
CN117853936A (zh) * 2024-03-08 2024-04-09 山东省气候中心 小麦冠层图像的冻害识别方法、系统、终端及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598266A (zh) * 2020-12-19 2021-04-02 中国农业大学 基于产量构成要素的冬小麦气象灾害产量损失评估方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112598266A (zh) * 2020-12-19 2021-04-02 中国农业大学 基于产量构成要素的冬小麦气象灾害产量损失评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WEI FENG ET.AL: "Assessment of plant nitrogen status using chlorophyll fluorescenceparameters of the upper leaves in winter wheat", 《EUROPEAN JOURNAL OF AGRONOMY》 *
王慧芳等: "冬小麦冻害胁迫高光谱分析与冻害严重度反演", 《光谱学与光谱分析》 *
王洋洋等: "基于主成分-聚类分析的不同水分冬小麦晚霜冻害评价", 《作物学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113592201A (zh) * 2021-08-31 2021-11-02 中国农业科学院农业环境与可持续发展研究所 一种拔节后受冻冬小麦产量损失早期预测方法
CN113592201B (zh) * 2021-08-31 2023-06-20 中国农业科学院农业环境与可持续发展研究所 一种拔节后受冻冬小麦产量损失早期预测方法
CN113575240A (zh) * 2021-09-02 2021-11-02 西北农林科技大学 一种基于累积空气温度亏缺量的植物低温伤害评价预警系统
CN117451639A (zh) * 2023-12-21 2024-01-26 内蒙古工业大学 一种基于遥感数据的水体叶绿素浓度反演方法
CN117853936A (zh) * 2024-03-08 2024-04-09 山东省气候中心 小麦冠层图像的冻害识别方法、系统、终端及存储介质
CN117853936B (zh) * 2024-03-08 2024-05-31 山东省气候中心 小麦冠层图像的冻害识别方法、系统、终端及存储介质

Also Published As

Publication number Publication date
CN113218887B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN113218887B (zh) 一种小麦冻害严重程度快速监测评估方法
Huang et al. Influence of plant architecture on maize physiology and yield in the Heilonggang River valley
Shaw et al. Effects of Canopy Arrangements on Light Interception and Yield of Soybeans 1
Caldiz et al. Agro-ecological zoning and potential yield of single or double cropping of potato in Argentina
Joshi et al. How narrowly adapted are the products of decentralised breeding? The spread of rice varieties from a participatory plant breeding programme in Nepal
Lamien et al. Variations in dendrometric and fruiting characters of Vitellaria paradoxa populations and multivariate models for estimation of fruit yield
Quinta-Nova et al. Land suitability analysis for emerging fruit crops in central Portugal using GIS
CN112561315A (zh) 烤烟气象灾害定量评估及预估方法
Gómez-del-Campo et al. Long-term effects of row spacing on radiation interception, fruit characteristics and production of hedgerow olive orchard (cv. Arbequina)
Tustin et al. The influence of orchard row canopy discontinuity on irradiance and leaf area distribution iii apple trees
González-Santos et al. Prediction of the effects of climate change on Sechium edule (Jacq.) Swartz varietal groups in Mexico
Poage et al. Tree species and size structure of old-growth Douglas-fir forests in central western Oregon, USA
CN115152624A (zh) 一种抗逆高产冬小麦新品种快速培育方法
Davis et al. Reducing yield variation in peach orchards by geographic scattering
Treter et al. Agronomic performance of white oats in organic system in the northwest region of Rio Grande do Sul
He et al. Potential and actual yields of potato at different elevations and in different seasons in subtropical southwest China
Lemma et al. Estimation of genetic erosion on Ethiopian tetraploid wheat landraces using different approaches
Jain et al. Forecasting of crop yields using second order Markov Chains
Silleos et al. Relationships between remote sensing spectral indices and crops discrimination
Silva Neto et al. Effects of shade trees spatial distribution and species on photosynthetic rate of coffee trees
Ramírez-Arias et al. Analysis of energy consumption for tomato production in low technology greenhouses of Mexico
Fardeeva et al. Features of Spatial and Temporal Dynamics of Tuberous Orchid Populations
Rassele et al. Phytosociological survey of weeds in the grapevine.
CN117935053A (zh) 一种基于遥感数据的油菜关键发育期识别和预报方法
Abera et al. Sensor based in-season nitrogen prediction for quality protein maize varieties on farmers’ field around Bako-Tibe, Western Ethiopia

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