CN115184322A - 一种水稻叶片水分含量监测方法 - Google Patents
一种水稻叶片水分含量监测方法 Download PDFInfo
- Publication number
- CN115184322A CN115184322A CN202210811604.9A CN202210811604A CN115184322A CN 115184322 A CN115184322 A CN 115184322A CN 202210811604 A CN202210811604 A CN 202210811604A CN 115184322 A CN115184322 A CN 115184322A
- Authority
- CN
- China
- Prior art keywords
- rice
- leaf
- water content
- monitoring
- lwc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N21/6486—Measuring fluorescence of biological material, e.g. DNA, RNA, cells
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供了一种水稻叶片水分含量监测方法,属于植物叶片含水量检测领域,包括以下步骤:通过光谱反射获取水稻不同叶位水稻叶片反射率敏感波段,并基于所述水稻含水量反射率敏感波段构建叶片含水量(LWC)的新型植被指数NDSII(归一化差值短红外指数);获取不同叶位叶绿素荧光参数;通过不同叶位及叶位组合下的叶绿素荧光参数、新型植被指数NDSII及多元线性回归模型构建LWC多元线性回归监测模型,根据水稻含水量LWC多元线性回归监测模型监测水稻含水量。该发明能够获得精度最高的水稻LWC多元线性回归监测模型为顶2叶和顶3叶组合(L23)Y(Ⅱ)+NDSII,为精确估测植株LWC的研究提供了理论参考。
Description
技术领域
本发明属于植物叶片含水量检测领域,具体涉及一种水稻叶片水分含量监测方法。
背景技术
水稻作为世界上消耗水分最多的主要粮食作物,在水资源紧缺的社会背景下亟需提高稻田水分利用率。水稻叶片水分含量(LWC)作为植物需水状况的评价指标之一,在保证水稻正常生长的情况下控制土壤水分含量可有效改善作物需水状态,从而实现水稻的精准灌溉。
水稻叶片水分含量快速无损监测对指导稻田精准灌溉及提高稻田水分利用效率具有重要意义。传统的通过破坏性取样方法获取叶片含水量的方法既耗时耗力又影响水稻生长,现有的关于水稻叶片含水量的监测手段主要基于光谱反射特征建模检测,通过挖掘水分敏感波段建立新型植被指数、通过不同波段处理方法监测模型精度,而叶片含水量除了受光谱反射特征影响外可能受其它指标的影响,因此,现有的水稻叶片水分含量监测模型精度不够高。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种水稻叶片水分含量监测方法。
为了实现上述目的,本发明提供如下技术方案:
一种水稻叶片水分含量监测方法,包括以下步骤:
获取水稻单叶含水量反射率敏感波段,并基于所述含水量反射率敏感波段构建新型植被指数NDSII(归一化差值短红外指数);
获取水稻不同叶位叶绿素荧光参数;
通过水稻不同叶位及叶位组合下的所述叶绿素荧光参数、新型植被指数NDSII及多元线性回归模型构建水稻含水量(LWC)多元线性回归监测模型;
根据所述水稻含水量LWC多元线性回归监测模型监测水稻含水量。
优选的,通过光谱仪获取所述水稻单叶含水量反射率敏感波段,具体步骤为:
分别于稻谷的抽穗期、开花期、灌浆期选取3株水稻并通过光谱仪分别采集每株水稻顶部完全展开的前3张叶片在350nm—2500nm波段下的反射光谱,分别记为顶1叶(L1)、顶2叶(L2)和顶3叶(L3),分析在350nm—2500nm范围内任意两个波段的光谱组合与水稻LWC的关系,构建新型植被指数NDSII。
优选的,所述新型植被指数NDSII的计算公式为:
NDSII=(R1114-R1387)/(R1114+R1387)
式中下标为波段,R为该波段的反射率值。
优选的,所述获取水稻不同叶位叶绿素荧光参数的步骤为:
先使用叶绿素荧光仪测定所述顶1叶(L1)、顶2叶(L2)和顶3叶(L3)的叶绿素荧光,再使用慢速动力学监测图形自动测定叶片的初始荧光Fo、最大荧光Fm和叶绿素荧光参数Y(Ⅱ)。
优选的,所述多元线性回归模型为:
y=b0+b1x1+…+bkxk+e
式中:y为因变量,x1,x2...xk为自变量,b0为常数项,e为误差项,b1,b2…bk为回归系数。
优选的,所述水稻含水量LWC多元线性回归监测模型为:
y=b0+b1x1+b2x2+e
式中:y为叶片含水量LWC,x1为叶绿素荧光参数Y(Ⅱ),x2为新型植被指数NDSII,b0为常数项,e为误差项,b1,b2为回归系数。
优选的,采用模型精度R2、均方根误差RMSE、平均相对误差RE以及预测精度R'2,综合评价所述水稻含水量LWC多元线性回归监测模型,具体计算公式如(1)-(3)所示:
优选的,单叶叶片含水量LWC计算公式为:
LWC(%)=[(FW-DW)/FW]×100%
式中,FW为鲜叶质量,DW为干质量。
本发明提供的水稻叶片水分含量监测方法具有以下有益效果:通过对叶片含水量反射率全波段筛选构建了新型植被指数NDSII;通过叶绿素荧光参数获得的叶位组合模型精度有所提高;通过不同叶位及叶位组合下的叶绿素荧光参数、新型植被指数NDSII及多元线性回归模型构建了水稻含水量(LWC)多元线性回归监测模型,通过水稻含水量(LWC)多元线性回归监测模型能够提高含水量的监测精准度,为易旱区水稻节水抗旱栽培的灌溉制度提供参考。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的水稻叶片水分含量监测方法的流程图;
图2为不同水分处理间水稻叶片光谱变化特征。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明的技术方案和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。在本发明的描述中,需要说明的是,除非另有明确的规定或限定,术语“相连”、“连接”应作广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体式连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以是通过中间媒介间接相连。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上,在此不再详述。
实施例
本发明提供了一种水稻叶片水分含量监测方法,包括以下步骤(如图1所示):
通过光谱反射获取叶位组合时含水量反射率敏感波段,并基于含水量反射率敏感波段构建新型植被指数NDSII(归一化差值短红外指数),在本实施例中,单叶叶片含水量LWC计算公式为:
LWC(%)=[(FW-DW)/FW]×100%
式中,FW为鲜叶质量,DW为干质量。
通过光谱仪获取单叶含水量反射率敏感波段的步骤为:分别于水稻水分敏感时期抽穗期、开花期、灌浆期通过光谱仪分别采集顶部完全展开顶部3张叶片在350nm—2500nm波段下的反射光谱,分别记为顶1叶(L1)、顶2叶(L2)和顶3叶(L3),分析在350nm—2500nm范围内任意两个波段的光谱组合与水稻LWC的关系,分析发现,单叶水分敏感波段选取水分最敏感的两个波段1114nm和1387nm,如图2所示,并在这两个波段构建新型植被指数NDSII,新型植被指数NDSII的计算公式为NDSII=(R1114-R1387)/(R1114+R1387),式中下标为波段,R为该波段的反射率值。
获取不同叶位叶绿素荧光参数的具体步骤为:先使用叶绿素荧光仪测定顶1叶(L1)、顶2叶(L2)和顶3叶(L3)的叶绿素荧光,再使用慢速动力学监测图形自动测定叶片的初始荧光Fo、最大荧光Fm和叶绿素荧光参数Y(Ⅱ)。
在本实施例中,多元线性回归模型为:
y=b0+b1x1+…+bkxk+e,
式中:y为因变量,x1,x2...xk为自变量,b0为常数项,e为误差项,b1,b2…bk为回归系数。
根据多元线性回归模型构建水稻LWC(y)与叶绿素荧光参数Y(Ⅱ)(x1)的定量关系模型:
y=b0+b1x1+e
其中,y为叶片含水量LWC,x1为叶绿素荧光参数Y(Ⅱ),b0为常数项,e为误差项,b1为回归系数。
采用模型精度R2、均方根误差RMSE、平均相对误差RE以及预测精度R'2,(模型精度R2及预测精度R'2为实测值和模型估算值之间的决定系数)对模型进行分析评价。
模型精度(R2)、均方根误差(RMSE)、平均相对误差(RE)以及预测精度R'2的具体计算公式如(1)-(3)所示:
通过选用相关性较好的叶绿素荧光参数Y(Ⅱ)进行实验并汇总全观测时期的数据并进行分析(表1),研究发现,单叶水平下Y(Ⅱ)在顶2叶的模型精度明显高于顶1叶和顶3叶,顶2叶和顶3叶组合(L23)较顶2叶和顶3叶有所提高,R2(L23)=0.439。
通过不同叶位及叶位组合下的叶绿素荧光参数、新型植被指数NDSII及多元线性回归模型构建水稻含水量(LWC)多元线性回归监测模型,选取模拟精度最高的水稻LWC多元线性回归监测模型。
x1、x2分别代表荧光参数Y(Ⅱ)和植被指数NDSII的实测值,将其带入多元线性回归模型得到水稻含水量LWC多元线性回归监测模型,所得到的水稻含水量LWC多元线性回归监测模型为:
y=b0+b1x1+b2x2+e
式中:y为叶片含水量LWC,x1为叶绿素荧光参数,x2为新型植被指数NDSII,b0为常数项,e为误差项,b1,b2为回归系数,b0、e、b1及b2是通过origin软件将实测叶片含水量LWC、荧光参数Y(Ⅱ)和植被指数NDSII的值运用多元线性回归分析方法拟合得出的。采用模型精度(R2)、均方根误差(RMSE)、平均相对误差(RE)以及预测精度R'2对模型进行分析评价。如表2所示,表2中结果表明,不同叶位及叶位组合预测模型的模型精度明显优于植被指数和叶绿素荧光参数单独预测,其中,顶2叶和顶3叶组合(L23)时NDSII与Y(Ⅱ)拟合的模型精度最高(R2=0.796,RMSE=0.007,RE=0.917)。
由以上描述可知,通过对叶片含水量反射率全波段筛选,获得单叶光谱监测水稻LWC的敏感波段为短波红外波段1114nm和1387nm,并通过敏感波段构建的新型植被指数NDSII;通过叶绿素荧光参数获得顶2叶和顶3叶组合R2(L23)的模型精度有所提高;通过不同叶位及叶位组合下的叶绿素荧光参数、新型植被指数NDSII及多元线性回归模型构建的水稻含水量(LWC)多元线性回归监测模型所获得精度最高的水稻LWC多元线性回归监测模型为顶2叶和顶3叶组合(L23)NDSII+Y(Ⅱ),通过该模型能够提高含水量的监测精准度,准确反演植株含水量状态,为我国主要稻作区水稻高水分利用效率的灌溉制度提供参考;另外,也为易旱区水稻节水抗旱栽培的灌溉制度提供参考。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (8)
1.一种水稻叶片水分含量监测方法,其特征在于,包括以下步骤:
获取水稻单叶含水量反射率敏感波段,并基于所述含水量反射率敏感波段构建新型植被指数NDSII;
获取水稻不同叶位叶绿素荧光参数;
通过水稻不同叶位及叶位组合下的所述叶绿素荧光参数、新型植被指数NDSII及多元线性回归模型构建水稻含水量LWC多元线性回归监测模型;
根据所述水稻含水量LWC多元线性回归监测模型监测水稻含水量。
2.根据权利要求1所述的水稻叶片水分含量监测方法,其特征在于,通过光谱仪获取所述水稻单叶含水量反射率敏感波段,具体步骤为:
分别于稻谷的抽穗期、开花期、灌浆期选取3株水稻并通过光谱仪分别采集每株水稻顶部完全展开的前3张叶片在350nm—2500nm波段下的反射光谱,分别记为顶1叶L1、顶2叶L2和顶3叶L3,分析在350nm—2500nm范围内任意两个波段的光谱组合与水稻LWC的关系,构建所述新型植被指数NDSII。
3.根据权利要求2所述的水稻叶片水分含量监测方法,其特征在于,所述新型植被指数NDSII的计算公式为:
NDSII=(R1114-R1387)/(R1114+R1387)
式中R1114、R1387分别为波段1114、1387处的反射率值。
4.根据权利要求1所述的水稻叶片水分含量监测方法,其特征在于,所述获取水稻不同叶位组合下的叶绿素荧光参数的步骤为:
先使用叶绿素荧光仪测定所述顶1叶L1、顶2叶L2和顶3叶L3的叶绿素荧光,再使用慢速动力学监测图形自动测定叶片的初始荧光Fo、最大荧光Fm和叶绿素荧光参数Y(Ⅱ)。
5.根据权利要求1所述的水稻叶片水分含量监测方法,其特征在于,所述多元线性回归模型为:
y=b0+b1x1+…+bkxk+e
式中:y为因变量,x1,x2...xk为自变量,b0为常数项,e为误差项,b1,b2…bk为回归系数。
6.根据权利要求5所述的水稻叶片水分含量监测方法,其特征在于,所述水稻含水量LWC多元线性回归监测模型为:
y=b0+b1x1+b2x2+e
式中:y为叶片含水量LWC,x1为叶绿素荧光参数Y(Ⅱ),x2为新型植被指数NDSII,b0为常数项,e为误差项,b1,b2为回归系数。
8.根据权利要求7所述的水稻叶片水分含量监测方法,其特征在于,单叶叶片含水量LWC计算公式为:
LWC(%)=[(FW-DW)/FW]×100%
式中,FW为鲜叶质量,DW为干质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811604.9A CN115184322A (zh) | 2022-07-12 | 2022-07-12 | 一种水稻叶片水分含量监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210811604.9A CN115184322A (zh) | 2022-07-12 | 2022-07-12 | 一种水稻叶片水分含量监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115184322A true CN115184322A (zh) | 2022-10-14 |
Family
ID=83516539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210811604.9A Pending CN115184322A (zh) | 2022-07-12 | 2022-07-12 | 一种水稻叶片水分含量监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115184322A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116304524A (zh) * | 2022-12-20 | 2023-06-23 | 宁夏回族自治区气象科学研究所 | 土壤含水量监测方法、设备、存储介质及装置 |
-
2022
- 2022-07-12 CN CN202210811604.9A patent/CN115184322A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116304524A (zh) * | 2022-12-20 | 2023-06-23 | 宁夏回族自治区气象科学研究所 | 土壤含水量监测方法、设备、存储介质及装置 |
CN116304524B (zh) * | 2022-12-20 | 2024-04-09 | 宁夏回族自治区气象科学研究所 | 土壤含水量监测方法、设备、存储介质及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082300B (zh) | 基于光谱参量的冬小麦冠层含水率监测模型建立方法 | |
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 | |
CN115184322A (zh) | 一种水稻叶片水分含量监测方法 | |
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 | |
CN109187398A (zh) | 一种小麦植株氮含量的高光谱测定方法 | |
CN102435564B (zh) | 一种基于三波段光谱指数估测植物氮含量的方法 | |
CN110376167A (zh) | 基于无人机高光谱的水稻叶片氮含量监测方法 | |
CN113268923B (zh) | 一种基于模拟多光谱的夏玉米产量估算方法 | |
CN103293111B (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 | |
CN103868880B (zh) | 基于光谱双峰指数的小麦叶片氮含量监测方法及其监测模型的构建方法 | |
CN103472009B (zh) | 一种不同植株氮含量水平下小麦植株含水率的监测方法 | |
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 | |
CN102426153A (zh) | 一种基于冠层高光谱指数的小麦植株水分监测方法 | |
CN110069895B (zh) | 冬小麦含氮量全生育时段光谱监测模型建立方法 | |
CN101762463A (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 | |
CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
CN111044516B (zh) | 一种水稻叶绿素含量遥感估测方法 | |
CN102374971A (zh) | 一种基于高光谱技术的玉米叶片氮含量估算方法 | |
CN109060676A (zh) | 基于高光谱的夏玉米冠层spad值估算模型的确定方法 | |
CN113514410A (zh) | 一种基于冠层高光谱技术的夏玉米全生育期氮素利用率垂向分布的实时定量监测方法 | |
CN112129709A (zh) | 一种苹果树冠层尺度氮含量诊断方法 | |
CN112270131A (zh) | 基于ard回归算法的水稻叶面积指数遥感反演模型和方法 | |
CN103913425B (zh) | 基于光谱指数和气候因子耦合的冬小麦籽粒蛋白质含量预测方法及其预测模型的构建方法 | |
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 | |
CN105806803A (zh) | 一种多指标协同分析波长组合及其选择方法 |
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 |