CN114169165A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114169165A CN114169165A CN202111475282.7A CN202111475282A CN114169165A CN 114169165 A CN114169165 A CN 114169165A CN 202111475282 A CN202111475282 A CN 202111475282A CN 114169165 A CN114169165 A CN 114169165A
- Authority
- CN
- China
- Prior art keywords
- rice
- chlorophyll
- band
- index
- optimal
- 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
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 111
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 111
- 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 title claims abstract description 111
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 102
- 235000009566 rice Nutrition 0.000 title claims abstract description 102
- 229910052793 cadmium Inorganic materials 0.000 title claims abstract description 25
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 101
- 230000003595 spectral effect Effects 0.000 claims abstract description 34
- 229910001385 heavy metal Inorganic materials 0.000 claims abstract description 13
- 238000002310 reflectometry Methods 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims description 16
- 239000002689 soil Substances 0.000 claims description 16
- 239000000523 sample Substances 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 230000029087 digestion Effects 0.000 claims description 5
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000000120 microwave digestion Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000002378 acidificating effect Effects 0.000 claims description 2
- 238000007605 air drying Methods 0.000 claims description 2
- 238000000227 grinding Methods 0.000 claims description 2
- 238000007873 sieving Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 10
- 230000012010 growth Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000002835 absorbance Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000012496 blank sample Substances 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910017604 nitric acid Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003938 response to stress Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了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。首先规范采集水稻的冠层光谱反射率和叶绿素浓度数据；基于归一化植被指数构建新型的三波段植被指数形式；利用建模数据，采用比较任意组合形式的指数与叶绿素含量决定系数R2的值来确定三个波段最佳波长和常数值；得到一种适用于水稻叶绿素浓度估算的最优三波段植被指数并以此建立水稻叶绿素浓度估算模型。采用独立实验数据对该新型植被指数及其估算模型进行验证。本发明通过构建新型三波段指数并构建水稻叶绿素含量的估算模型，结构简单、估算精度高、适用范围广，对估算水稻叶绿素的含量不仅具有较高的精度，同时也能有效识别出水稻受重金属污染的状况。
Description
技术领域
本发明涉及农业植被遥感领域，具体涉及一种三波段植被指数估算镉胁迫下水稻叶绿素的模型构建方法。
背景技术
水稻的叶绿素含量受到光照、水、氧气、土壤养分等环境因素的影响，可以作为水稻光合作用能力、生长状况、营养状况的指示剂。土壤中的重金属被水稻吸收后，阻碍了水稻叶绿素的合成，而叶片光谱特征会随着水稻细胞的生理变化发生改变，进而植被从生理生态呈现出应激反应，使可见光近红外波段反应灵敏，所以反射光谱也会随之发生变化。
传统的叶绿素含量检测方法是分析化学方法，即将叶片采集到实验室，经过化学溶剂提取，再在分光光度计上测定其提取液在两个特定波长处的吸光度，根据公式计算出叶绿索的含量。该方法测量精度高，但操作繁琐、费时费力，且取样时对植株有损伤，无法满足现场快速无损的检测要求。通常采用便携式叶绿素计(SPAD-502)测定植物叶片SPAD值来直接表征植物叶绿素含量的相对大小，但使用过程中需要将叶片反复插入测量，难以用于大范围的叶绿素检测。遥感技术的发展为农作物叶绿素含量的动态监测提供了新的技术手段，以其能够快速、连续并且能够大面积获取地面信息的优势，成为叶绿素含量估算的强有力工具。在遥感应用领域，植被指数已广泛用来定性和定量评价植被覆盖及其生长活力，用于预测植被生长参数，如叶绿素含量、氮含量、水分含量、干物质量等。植被指数就是将植被光谱中不同的波段进行组合，多数是使用可见光和近红外波段的不同组合，能够使植被光谱信息得到最大限度的利用，同时还可以部分地消除太阳高度角、土壤、大气等外部条件的影响，使得其在植物生化参数反演方面得到了广泛的应用和研究，在一定程度上反映了植物生理生化特征与光谱相互作用的物理机制。植被指数具有将特征波段进行运算组合的特点，因而通过植被指数可以获取植物生长发育情况、环境条件、受胁迫状况等多种信息。
目前最常用的二波段植被指数归一化植被指数(Normalized DifferenceVegetation Index，NDVI)和比值植被指数(Ratio Vegetation Index，RVI)，NDVI的组成方式为近红外波段的反射率(Rnir)与可见光红光波段的反射率(Rred)之差比上两者之和，即NDVI＝(Rnir-Rred)/(Rnir+Rred)，RVI的组成方式为近红外波段反射率(Rnir)和可见光红光波段反射率(Rred)的比值，即RVI＝(Rnir)/(Rred)。二者对植被有着较好的分辨能力，是植被生长状态及植被覆盖度的最佳指示因子，被广泛应用于科学研究以及农业生产实践当中。但是对于植被覆盖密集的地区，NDVI监测植被的灵敏性受到严重影响，限制了其在生产实践中的应用。RVI受大气条件影响，大气效应大大降低对植被检测的灵敏度，所以在计算前需要进行大气校正，而且二者针对受到重金属污染的水稻叶绿素，估计能力会受到不良影响。
水稻农田植被长势旺盛，覆盖度高，由于植被光谱反射率中近红外部分较可见光部分过大，此时，可见光部分波段的变化并不对植被指数整体产生明显影响，植被指数的饱和性问题依然没有很好地解决。因此，有必要对NDVI的结构进行相应调整，构建新的植被指数，以减轻植被指数估算时的饱和性。通过增加波段信息，构建多波段植被指数解决具体问题。
发明内容
本发明的目的是提供一种三波段植被指数估算镉胁迫下水稻叶绿素的模型构建方法，向植被指数中增加波段和比较任意波段组合寻找最优植被指数的方式相结合，构建一种可以有效识别重金属镉污染下水稻叶绿素含量变化的三波段植被指数，并基于该指数构建水稻叶绿素含量估算模型。
本发明所采用的技术方案为:
一种三波段植被指数估算镉胁迫下水稻叶绿素的模型构建方法，包括以下步骤：
(1)数据采集：采集水稻冠层光谱反射率数据，同步测定水稻叶片叶绿素含量和水稻土壤的重金属镉含量，对数据进行统计分析描述，结合z-score标准化方法，检验数据服从正态分布；
(2)构建三波段光谱指数NTI：
其中，Ri为第一波段i的反射率，Rj为第二波段j反射率，Rk为第三波段k的反射率，第一波段、第二波段、第三波段的波长范围均为水稻叶绿素敏感波段范围400～900nm；c为修正常数，-5≤c≤5；
(3)在(-5，5)区间内，间隔0.3～0.7(优选0.5)的步长变化下，取c的值，在植被敏感波段400-900nm内任意取Ri、Rj、Rk，随机组合建立NTI与水稻叶绿素含量的相关性等势图模型，取较高的决定系数R2所对应的波段，确定新三波段植被指数的最优波段组合，即最优植被指数波段组合；
(4)取NTI与水稻叶绿素含量相关性最高时的c值及对应的最优植被指数波段组合；
(5)在确定了最优植被指数波段组合后，对最优植被指数NTI与叶绿素之间进行线性、多项式、指数、幂函数和对数关系拟合，得到拟合公式并计算每种拟合关系的决定系数R2，以具有最大决定系数R2的函数关系为新指数NTI与叶绿素浓度的最优拟合公式，建立水稻叶绿素浓度的估计模型；
(6)检验步骤(5)中得到的估计模型：根据水稻叶绿素含量估算模型，通过检验数据的水稻冠层光谱反射率估算得到叶绿素含量预测值，然后通过检验数据中的水稻叶绿素含量实测值对叶绿素含量预测值进行检验，计算相关系数R2和均方根误差RMSE；
其中n是样本数，F(xi)是预测值，yi是测量值，y是测量值的平均值。
进一步地，步骤(1)中，水稻冠层光谱反射率使用近红外光谱仪FieldSpecHandHeld 2进行测定；所述近红外光谱仪FieldSpec HandHeld 2为美国ASD公司生产，测定波长范围为325～1075nm，其中光谱采样间隔为1nm，光谱分辨率为3nm，视场角为25°，测定前进行BaSO4标准白板校正，每次测量根据光照条件调整光谱仪的灵敏度，光谱仪探头垂直向下，距离水稻冠层约50cm，每个样本点采集3条水稻光谱数据，每条光谱曲线是通过光谱仪自动采集10条光谱后的平均值。然后通过ViewSpec Pro软件，取3次测得的光谱数据的平均值作为该点的光谱数据；
水稻叶片的叶绿素含量测量使用SPAD-502型叶绿素仪，与水稻冠层光谱采集同步进行。对每个采样点用GPS定位仪进行定点之后，用叶绿素仪对水稻叶片现场测定水稻叶片SPAD数值。测量时每组数据共采集10～15个水稻叶片的SPAD值，最后取10～15次测量的平均值作为此水稻样点的叶绿素的相对含量，叶绿素公式为：
y＝0.996x-1.52
其中，y和x分别是叶绿素浓度和SPAD-502型叶绿素仪读数，单位为μg/cm2。
所述重金属镉含量的测量过程为：将土样样品风干、研磨、过筛，使用物质的量之比为1:3:1的HF-HCl-HNO3的酸性混合物完全消化土壤样品，用微波消解仪进行消解，土壤消解液用具有优良长程稳定性的电感耦合等离子体质谱法(ICP-MS)检测。
进一步地，步骤(3)中，模拟c在(-5，5)区间内，间隔0.3～0.7(优选0.5)的步长变化下，通过模拟NTI与水稻叶绿素含量相关性最高的c值；模拟步长要结合实际情况进行调整，当间隔步长过大，会遗漏最佳c值，而当间隔步长过小时，会增加计算工作量，且没有显著提高模型精度。
进一步地，步骤(4)中，寻找最佳c值和指数的最优波段组合时，确定步骤(3)中不同c值下新指数中三个波段的最优波段组合：将三个波段作为x、y、z三个坐标轴，建立一个新指数的三维空间，坐标轴的范围为400-900nm，以1nm为波段步长，代表了指数三个波段，空间中每一个点代表由这个点的三个坐标值组成的新指数；计算三维空间中每一个点生成的新指数与叶绿素浓度的决定系数(R2)，通过寻找R2最大的点来确定NTI的最优波段组合，R2最大的点的x、y、z坐标为最优波段的波长；确定的最优波段组合：k＝1，Ri＝778nm，Rj＝748nm，Rk＝706nm；确定的最优三波段指数为：
进一步地，步骤(5)中，建立水稻叶绿素浓度的估计模型时，利用步骤(4)中确定的最佳c值及最优波段组合，计算新指数NTI，将新指数与叶绿素浓度进行线性关系拟合，得到拟合公式并计算拟合关系的R2，以新指数NTI与叶绿素浓度的最优拟合公式，建立水稻叶绿素浓度的估计模型。
进一步地，步骤(6)中，对步骤(5)中建立的水稻叶绿素浓度估计模型进行检验，检验模型采用决定系数R2和均方根误差RMSE进行综合评价：
其中，n是样本数，F(xi)是预测值，yi是测量值，y是测量值的平均值。
本发明的有益效果在于：
本发明通过构建新型三波段指数并构建水稻叶绿素含量的估算模型，结构简单、估算精度高、适用范围广，对估算水稻叶绿素的含量不仅具有较高的精度，同时也能有效识别出水稻受重金属污染的状况。
附图说明
图1为本发明构建基于三波段植被指数NTI的水稻叶片叶绿素含量估算模型的流程示意图。
图2为本发明中，新三波段植被指数和水稻叶绿素含量之间关系的决定系数(R2)三维等势图的水平切片图和垂直切片图。
图3为具有最佳c值的三波段植被指数的和水稻叶绿素含量之间关系的决定系数(R2)的三维等势图和基于新指数的估算模型结果图
图4为基于新型三波段植被指数对水稻叶绿素含量预测值与叶绿素含量实测值的1:1关系图。
具体实施方式
以下结合具体实施例对本发明作进一步说明，但本发明并不限于此。
本发明依据在长期的镉胁迫下，使水稻体内的生化组分发生改变，合成叶绿素含量减少，植物光谱特征发生变化，根据学者研究植物叶面反射光谱在400～900nm波段的变化较为显著。
实施例1
步骤(1)数据采集
1、采集水稻冠层光谱反射率
研究区位于湖南省岳阳市(113°8'E,29°22'N)(图1)，该地区属亚热带季风气候，年平均气温16.7℃，年平均降雨量约1247.6mm。根据“S”形取样方法，在研究区选取30个样本，受到不同程度重金属镉污染，各农田地块温度、湿度、降水、气候等环境因素都与自然条件相同，水稻灌溉、肥料施用等影响水稻生长条件也基本一致。于2021年8月23日使用美国ASD公司生产的便携式近红外光谱仪FieldSpec HandHeld 2测量了325～1075nm波段范围的野外水稻冠层光谱反射率，其中光谱采样间隔为1nm，光谱分辨率为3nm，视场角为25°，测定前进行BaSO4标准白板校正，每次测量根据光照条件调整光谱仪的灵敏度，光谱仪探头垂直向下，距离水稻冠层约50cm，每个样本点采集3条水稻光谱数据，每条光谱曲线是通过光谱仪自动采集10条光谱后的平均值。然后通过ViewSpec Pro软件，取3次测得的光谱数据的平均值作为该点的光谱数据，最后得到30条平均光谱曲线。
2、同步测定水稻叶片叶绿素含量
水稻叶片的叶绿素含量测量使用SPAD-502型叶绿素仪，与水稻冠层光谱采集同步进行。对每个采样点用GPS定位仪进行定点之后，用叶绿素仪对水稻叶片现场测定水稻叶片SPAD数值。测量时每组数据共采集10个水稻叶片的SPAD值，最后取10次测量的平均值作为此水稻样点的叶绿素的相对含量，叶绿素公式为：
Y＝0.996x-1.52
其中，y和x分别是叶绿素浓度和SPAD-502叶绿素读数，单位:μg/cm2。水稻叶片叶绿素浓度值描述性统计结果如表1所示。
表1水稻叶片叶绿素浓度值描述性统计结果
3、同步测定土壤重金属镉含量
使用物质的量之比为1:3:1的HF-HCl-HNO3的酸性混合物完全消化土壤样品，用微波消解仪进行消解，土壤消解液用具有优良长程稳定性的电感耦合等离子体质谱法(ICP-MS)检测，分析过程中使用国家标准样品和空白样品进行质控，标准样品为国家标准物质土壤(GBW07430)，对所有测得的土壤样本结果进行统计分析。步骤(4)确定最优的新型三波段植被指数NTI:如图4所示，确定步骤(3)中不同c值下新指数中三个波段的最优波段组合：将三个波段作为x、y、z三个坐标轴，建立一个新指数的三维空间，坐标轴的范围为400-900nm，以1nm为波段步长，代表了指数的三个波段，空间中每一个点代表由这个点的三个坐标值代表的波段组成的新指数。计算三维空间中每一个点生成的新指数与叶绿素浓度的决定系数R2，通过在切片图中寻找R2最大的点来确定NTI的最优波段组合，R2最大的点的x、y、z坐标为最优波段的波长。
步骤(5)中，利用NTI建立叶绿素含量估计模型：基于上述新构建的NTI指数，利用采集的光谱反射率数据，构建适用于重金属镉污染的水稻叶绿素含量的估计模型，将NTI作为自变量X，水稻叶片叶绿素含量作为自变量Y，建立估计模型Y＝22.492X2-128.95X+201.95,并采用决定系数R2和均方根误差RMSE对估计模型的拟合优度进行评估。
表2为植被指数对叶绿素含量估计模型的比较结果，显示了本发明NTI与其他现有植被指数的水稻叶片叶绿素含量估计模型的模型效果比较结果，这些植被指数包括：NDVI、MCARI、MTCI、CIre等。结果表明：在重金属镉污染下，新指数对水稻叶绿素含量的估计模型Y＝22.492x2-128.95x+201.95，估计决定系数R2＝0.85，均方根误差RMSE＝1.96，估计效果优于其他现有植被指数估计模型。
表2各植被指数对叶绿素含量估计模型的比较结果
检验叶绿素估计模型
利用独立年份实验数据作为检验数据，建立水稻叶片叶绿素含量的估算模型，通过检验决定系数R2和均方根误差RMSE进行综合评价。综上，本发明基于归一化植被指数提出，与相关指标相比，新指数估算精度最高，对镉胁迫下叶绿素浓度的微小变化最为敏感。在镉胁迫下，新指数可以广泛用作对水稻叶绿素的估算。
Claims (7)
1.一种三波段植被指数估算镉胁迫下水稻叶绿素的模型构建方法，其特征在于，包括如下步骤：
(1)数据采集：采集水稻冠层光谱反射率数据，同步测定水稻叶片叶绿素含量和水稻土壤的重金属镉含量，对数据进行统计分析检验；
(2)构建三波段光谱指数NTI：
其中，Ri为第一波段i的反射率，Rj为第二波段j反射率，Rk为第三波段k的反射率，第一波段、第二波段、第三波段的波长范围均为水稻叶绿素敏感波段范围400～900nm；c为修正常数，-5≤c≤5；
(3)在(-5，5)区间内，间隔0.3～0.7的步长变化下，取c的值，在不同c值下，取植被敏感波段400-900nm内任意三个波段Ri、Rj、Rk，随机组合三个波段，建立NTI与水稻叶绿素含量的相关性等势图模型，取最大的决定系数R2所对应的c值和波段，确定新三波段植被指数的最优c值和波段组合，即最优植被指数波段组合；
(4)对步骤(3)所得的最优植被指数NTI与叶绿素之间进行线性、多项式、指数、幂函数和对数关系拟合，得到拟合公式并计算每种拟合关系的决定系数R2，以具有最大决定系数R2的函数关系为新指数NTI与叶绿素浓度的最优拟合公式，建立水稻叶绿素浓度的估计模型；
(5)检验步骤(4)中得到的估计模型：根据水稻叶绿素含量估算模型，通过验证数据的水稻冠层光谱反射率估算得到叶绿素含量预测值，然后通过验证数据中的水稻叶绿素含量实测值对叶绿素含量预测值进行检验，计算相关系数R2和均方误差RMSE；
其中n是样本数，F(xi)是预测值，yi是测量值，y是测量值的平均值。
2.根据权利要求1所述的镉胁迫下基于三波段植被指数的水稻叶绿素估算模型的构建方法，其特征在于，步骤(1)中，水稻冠层光谱反射率使用近红外光谱仪FieldSpecHandHeld 2进行测定；所述近红外光谱仪FieldSpec HandHeld 2为美国ASD公司生产，测定波长范围为325～1075nm，其中光谱采样间隔为1nm，光谱分辨率为3nm，视场角为25°，测定前进行BaSO4标准白板校正，每次测量根据光照条件调整光谱仪的灵敏度，光谱仪探头垂直向下，距离水稻冠层约50cm，每个样本点采集3条水稻光谱数据，每条光谱曲线是通过光谱仪自动采集10条光谱后的平均值。然后通过ViewSpec Pro软件，取3次测得的光谱数据的平均值作为该点的光谱数据；
水稻叶片的叶绿素含量测量使用SPAD-502型叶绿素仪，与水稻冠层光谱采集同步进行；对每个采样点用GPS定位仪进行定点之后，用叶绿素仪对水稻叶片现场测定水稻叶片SPAD数值；测量时每组数据共采集10～15个水稻叶片的SPAD值，最后取10～15次测量的平均值作为此水稻样点的叶绿素的相对含量，叶绿素公式为：
y＝0.996x-1.52
其中，y和x分别是叶绿素浓度和SPAD-502型叶绿素仪读数，单位为μg/cm2。
3.根据权利要求1所述的镉胁迫下基于三波段植被指数的水稻叶绿素估算模型的构建方法，其特征在于，步骤(1)中，所述重金属镉含量的测量步骤为：将土样样品风干、研磨、过筛，使用物质的量之比为1:3:1的HF-HCl-HNO3的酸性混合物完全消化土壤样品，用微波消解仪进行消解，土壤消解液用具有优良长程稳定性的电感耦合等离子体质谱法检测。
4.根据权利要求1所述的镉胁迫下基于三波段植被指数的水稻叶绿素估算模型的构建方法，其特征在于，步骤(3)中，模拟c在(-5，5)区间内，间隔0.3～0.7的步长变化下，通过模拟NTI与水稻叶绿素含量相关性最高的c值。
5.根据权利要求1所述的镉胁迫下基于三波段植被指数的水稻叶绿素估算模型的构建方法，其特征在于，步骤(4)中，寻找最佳c值和指数的最优波段组合时，确定步骤(3)中不同c值下新指数中三个波段的最优波段组合：将三个波段作为x、y、z三个坐标轴，建立一个新指数的三维空间，坐标轴的范围为400-900nm，以1nm为波段步长，代表了指数三个波段，空间中每一个点代表由这个点的三个坐标值组成的新指数；计算三维空间中每一个点生成的新指数与叶绿素浓度的决定系数(R2)，通过寻找R2最大的点来确定NTI的最优波段组合，R2最大的点的x、y、z坐标为最优波段的波长；确定的最优波段组合：k＝1，Ri＝778nm，Rj＝748nm，Rk＝706nm；确定的最优三波段指数为：
6.根据权利要求1所述的镉胁迫下基于三波段植被指数的水稻叶绿素估算模型的构建方法，其特征在于，步骤(5)中，建立水稻叶绿素浓度的估计模型时，利用步骤(4)中确定的最佳c值及最优波段组合，计算新指数NTI，将新指数与叶绿素浓度进行线性关系拟合，得到拟合公式并计算拟合关系的R2，以新指数NTI与叶绿素浓度的最优拟合公式，建立水稻叶绿素浓度的估计模型。
7.根据权利要求1所述的镉胁迫下基于三波段植被指数的水稻叶绿素估算模型的构建方法，其特征在于，步骤(6)中，对步骤(5)中建立的水稻叶绿素浓度估计模型进行检验，检验模型采用决定系数R2和均方根误差RMSE进行综合评价：
其中，n是样本数，F(xi)是预测值，yi是测量值，y是测量值的平均值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111475282.7A CN114169165B (zh) | 2021-12-06 | 2021-12-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111475282.7A CN114169165B (zh) | 2021-12-06 | 2021-12-06 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114169165A true CN114169165A (zh) | 2022-03-11 |
| CN114169165B CN114169165B (zh) | 2024-04-26 |
Family
ID=80483509
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111475282.7A Active CN114169165B (zh) | 2021-12-06 | 2021-12-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114169165B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115508314A (zh) * | 2022-09-23 | 2022-12-23 | 南京农业大学 | 一种基于冠层组分光谱分离的土壤影响消除与小麦叶片叶绿素含量高精度估算方法 |
| CN115684107A (zh) * | 2022-10-17 | 2023-02-03 | 南京农业大学 | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080239293A1 (en) * | 2005-11-21 | 2008-10-02 | Fuchigami Leslie H | Portable Meter to Measure Chlorophyll, Nitrogen and Water and Methods |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
| US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
-
2021
- 2021-12-06 CN CN202111475282.7A patent/CN114169165B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080239293A1 (en) * | 2005-11-21 | 2008-10-02 | Fuchigami Leslie H | Portable Meter to Measure Chlorophyll, Nitrogen and Water and Methods |
| CN107796764A (zh) * | 2016-09-05 | 2018-03-13 | 南京农业大学 | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 |
| CN107024439A (zh) * | 2017-03-23 | 2017-08-08 | 西北农林科技大学 | 一种水稻不同生育期叶绿素含量高光谱估测方法 |
| US20200225075A1 (en) * | 2019-01-14 | 2020-07-16 | Wuhan University | Method and system for optical and microwave synergistic retrieval of aboveground biomass |
Non-Patent Citations (1)
| Title |
|---|
| 苏伟;赵晓凤;孙中平;张明政;邹再超;王伟;史园莉;: "基于Sentinel-2A影像的玉米冠层叶绿素含量估算", 光谱学与光谱分析, no. 05, 15 May 2019 (2019-05-15) * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115508314A (zh) * | 2022-09-23 | 2022-12-23 | 南京农业大学 | 一种基于冠层组分光谱分离的土壤影响消除与小麦叶片叶绿素含量高精度估算方法 |
| CN115684107A (zh) * | 2022-10-17 | 2023-02-03 | 南京农业大学 | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 |
| CN115684107B (zh) * | 2022-10-17 | 2024-05-24 | 南京农业大学 | 一种基于日光诱导叶绿素荧光指数的水稻盐胁迫早期定量监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114169165B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107796764B (zh) | 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法 | |
| CN102426153B (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
| CN101762463B (zh) | 一种基于冠层多光谱的烤烟鲜烟叶叶绿素含量测定方法 | |
| CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
| CN107271382A (zh) | 一种不同生育期油菜叶片spad值遥感估算方法 | |
| CN110160967A (zh) | 一种作物冠层叶片的全氮含量估算方法 | |
| CN114169165B (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 | |
| CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
| CN1837787A (zh) | 一种无损伤精准测定棉花生物物理参数的方法 | |
| Song et al. | Using multi-angle hyperspectral data to monitor canopy leaf nitrogen content of wheat | |
| CN111965140B (zh) | 基于特征峰的波长点重组方法 | |
| CN102435564A (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
| CN110567892A (zh) | 一种基于临界氮浓度的夏玉米氮素高光谱预测方法 | |
| CN109754127A (zh) | 基于无人机成像高光谱的水稻籽粒直链淀粉含量估测方法 | |
| Wei et al. | Monitoring leaf nitrogen accumulation in wheat with hyper-spectral remote sensing | |
| CN113252583B (zh) | 一种基于枯草植被指数计算高寒枯草覆盖度的方法 | |
| CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
| Wang et al. | Estimation of plant water content by spectral absorption features centered at 1,450 nm and 1,940 nm regions | |
| Wang et al. | Rapid detection of chlorophyll content and distribution in citrus orchards based on low-altitude remote sensing and bio-sensors | |
| CN105608296B (zh) | 一种基于荔枝冠层光谱的叶片钾浓度反演方法 | |
| CN105136686B (zh) | 紫叶李叶片花青素含量的测定方法 | |
| CN112113930B (zh) | 一种杏果实品质多尺度表型方法 | |
| Qiong et al. | Field monitoring of wheat seedling stage with hyperspectral imaging | |
| CN111595806A (zh) | 一种利用中红外漫反射光谱监测土壤碳组分的方法 | |
| CN103575680A (zh) | 一种评估有机肥质量指标的光谱学方法 |
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 |