基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测
发布时间：2021-06-08 05:13
为了验证作物生长监测诊断仪（CGMD）监测双季稻氮素营养指标的准确性和适用性,构建基于CGMD的双季稻叶片氮含量（LNC）和氮积累量（LNA）的监测模型。选用8个不同早、晚稻品种,设置4个不同施氮水平,利用CGMD采集冠层差值植被指数（DVI）、归一化植被指数（NDVI）和比值植被指数（RVI）,同步利用ASD FH2高光谱仪采集冠层光谱反射率,并计算DVI、NDVI和RVI;通过比较CGMD和ASD FH2采集的冠层植被指数变化特征,验证CGMD的测量精度,构建基于CGMD的LNC和LNA监测模型,并利用独立试验数据对模型进行检验。结果表明:早、晚稻LNC、LNA、DVI、NDVI和RVI随施氮水平的增加而增大,随生育进程的推进呈先升后降的趋势;CGMD与ASD FH2采集的DVI、NDVI和RVI间拟合的决定系数（R2）分别为0.9350、0.9436和0.9433,表明CGMD的测量精度较高,可替代ASD FH2采集冠层植被指数。基于CGMD的3个冠层植被指数相比,NDVICGMD与LNC的相关性最高,RVICGMD
【文章来源】：应用生态学报. 2020,31(09)北大核心CSCD
【文章页数】：11 页
【部分图文】：
不同生育期和施氮水平下早、晚稻冠层植被指数的变化特征
ASD FH2和CGMD两种光谱仪采集的冠层植被指数间的关系
本研究利用CGMD采集不同早、晚稻品种和不同施氮水平的试验数据,构建了基于DVICGMD、NDVICGMD和RVICGMD 3个冠层植被指数的早、晚稻LNC和LNA监测模型,并用不同年份的独立试验数据对模型进行了验验。结果表明,DVICGMD与LNC和LNA相关性最高的模型为线性模型,NDVICGMD与LNC和LNA相关性最高的模型为指数模型,RVICGMD与LNC和LNA相关性最高的模型为幂函数模型。3个冠层植被指数相比,NDVICGMD与LNC的相关性最高,RVICGMD与LNA的相关性最高。这与前人研究结论一致[21-22,26-27];基于NDVICGMD的LNC监测模型的R2为0.8581～0.9318,模型检验的RMSE、RRMSE和r分别为0.1%～0.2%、4.0%～8.5%和0.9041～0.9854,比前人采用NDVI(1220, 710)[21]和NDVI(1220, 610)[26]对水稻LNC的监测精度更高;基于RVICGMD的LNA监测模型的R2为0.8684～0.9577,模型检验的RMSE、RRMSE和r分别为0.37～0.89 g·m-2、6.7%～20.4%和0.9191～0.9851,比前人采用RVI(1100, 560)[22]和RVI(870, 660)[27]对水稻LNA的监测精度更高。说明基于CGMD冠层植被指数能快速、准确反演早、晚稻的LNC和LNA,构建的LNC和LNA监测模型具有参数少、计算简便和准确实用等优点,是对前人研究[17]在江西双季稻区的进一步深化发展和本地化应用,使其更适合江西双季稻生产的精确管理,具有推广应用价值。此外,与常规田间采样室内化学分析测定LNC和LNA相比,本研究采用CGMD采集冠层植被指数数据构建LNC和LNA监测模型,进而计算早、晚稻LNC和LNA,具有数据获取简便、无损和准确等优点,可克服常规方法取样误差大、费时耗工等不足。图4 不同生育期早、晚稻叶片氮含量和氮积累量观测值与模拟值的比较
【参考文献】：
期刊论文
[1]基于作物生长监测诊断仪的玉米LAI监测模型研究[J]. 贺佳,郭燕,王利军,张彦,赵犇,王来刚. 农业机械学报. 2019(12)
[2]基于便携式作物生长监测诊断仪的江西双季稻氮肥调控研究[J]. 李艳大,舒时富,陈立才,叶春,黄俊宝,孙滨峰,王康军,曹中盛. 农业工程学报. 2019(02)
[3]基于新型植被指数的冬小麦LAI高光谱反演[J]. 束美艳,顾晓鹤,孙林,朱金山,杨贵军,王延仓,张丽妍. 中国农业科学. 2018(18)
[4]冬小麦叶面积指数的品种差异性与高光谱估算研究[J]. 郭建彪,马新明,时雷,张娟娟,杜盼,魏钦钦. 麦类作物学报. 2018(03)
[5]不同氮素水平下水稻LAI与冠层反射光谱的定量关系（英文）[J]. 刘桃菊,徐涛,姚静,张笑东,江绍琳,唐建军. Agricultural Science & Technology. 2016(11)
[6]基于高光谱的寒地水稻叶片氮素含量预测[J]. 王树文,赵越,王丽凤,王润涛,宋玉柱,张长利,苏中滨. 农业工程学报. 2016(20)
[7]基于4波段作物光谱测量仪的小麦分蘖数预测[J]. 张猛,孙红,李民赞,Zhang Qin,郑立华. 农业机械学报. 2016(09)
[8]基于冠层高光谱的南方丘陵地区晚稻氮素营养诊断[J]. 邵华,石庆华,郭熙,赵小敏. 江西农业大学学报. 2015(06)
[9]便携式作物生长监测诊断仪的设计与试验[J]. 倪军,姚霞,田永超,曹卫星,朱艳. 农业工程学报. 2013(06)
[10]长江流域双季稻栽培技术发展[J]. 邹应斌. 中国农业科学. 2011(02)
本文编号：3217771
【文章来源】：应用生态学报. 2020,31(09)北大核心CSCD
【文章页数】：11 页
【部分图文】：
不同生育期和施氮水平下早、晚稻冠层植被指数的变化特征
ASD FH2和CGMD两种光谱仪采集的冠层植被指数间的关系
本研究利用CGMD采集不同早、晚稻品种和不同施氮水平的试验数据,构建了基于DVICGMD、NDVICGMD和RVICGMD 3个冠层植被指数的早、晚稻LNC和LNA监测模型,并用不同年份的独立试验数据对模型进行了验验。结果表明,DVICGMD与LNC和LNA相关性最高的模型为线性模型,NDVICGMD与LNC和LNA相关性最高的模型为指数模型,RVICGMD与LNC和LNA相关性最高的模型为幂函数模型。3个冠层植被指数相比,NDVICGMD与LNC的相关性最高,RVICGMD与LNA的相关性最高。这与前人研究结论一致[21-22,26-27];基于NDVICGMD的LNC监测模型的R2为0.8581～0.9318,模型检验的RMSE、RRMSE和r分别为0.1%～0.2%、4.0%～8.5%和0.9041～0.9854,比前人采用NDVI(1220, 710)[21]和NDVI(1220, 610)[26]对水稻LNC的监测精度更高;基于RVICGMD的LNA监测模型的R2为0.8684～0.9577,模型检验的RMSE、RRMSE和r分别为0.37～0.89 g·m-2、6.7%～20.4%和0.9191～0.9851,比前人采用RVI(1100, 560)[22]和RVI(870, 660)[27]对水稻LNA的监测精度更高。说明基于CGMD冠层植被指数能快速、准确反演早、晚稻的LNC和LNA,构建的LNC和LNA监测模型具有参数少、计算简便和准确实用等优点,是对前人研究[17]在江西双季稻区的进一步深化发展和本地化应用,使其更适合江西双季稻生产的精确管理,具有推广应用价值。此外,与常规田间采样室内化学分析测定LNC和LNA相比,本研究采用CGMD采集冠层植被指数数据构建LNC和LNA监测模型,进而计算早、晚稻LNC和LNA,具有数据获取简便、无损和准确等优点,可克服常规方法取样误差大、费时耗工等不足。图4 不同生育期早、晚稻叶片氮含量和氮积累量观测值与模拟值的比较
【参考文献】：
期刊论文
[1]基于作物生长监测诊断仪的玉米LAI监测模型研究[J]. 贺佳,郭燕,王利军,张彦,赵犇,王来刚. 农业机械学报. 2019(12)
[2]基于便携式作物生长监测诊断仪的江西双季稻氮肥调控研究[J]. 李艳大,舒时富,陈立才,叶春,黄俊宝,孙滨峰,王康军,曹中盛. 农业工程学报. 2019(02)
[3]基于新型植被指数的冬小麦LAI高光谱反演[J]. 束美艳,顾晓鹤,孙林,朱金山,杨贵军,王延仓,张丽妍. 中国农业科学. 2018(18)
[4]冬小麦叶面积指数的品种差异性与高光谱估算研究[J]. 郭建彪,马新明,时雷,张娟娟,杜盼,魏钦钦. 麦类作物学报. 2018(03)
[5]不同氮素水平下水稻LAI与冠层反射光谱的定量关系（英文）[J]. 刘桃菊,徐涛,姚静,张笑东,江绍琳,唐建军. Agricultural Science & Technology. 2016(11)
[6]基于高光谱的寒地水稻叶片氮素含量预测[J]. 王树文,赵越,王丽凤,王润涛,宋玉柱,张长利,苏中滨. 农业工程学报. 2016(20)
[7]基于4波段作物光谱测量仪的小麦分蘖数预测[J]. 张猛,孙红,李民赞,Zhang Qin,郑立华. 农业机械学报. 2016(09)
[8]基于冠层高光谱的南方丘陵地区晚稻氮素营养诊断[J]. 邵华,石庆华,郭熙,赵小敏. 江西农业大学学报. 2015(06)
[9]便携式作物生长监测诊断仪的设计与试验[J]. 倪军,姚霞,田永超,曹卫星,朱艳. 农业工程学报. 2013(06)
[10]长江流域双季稻栽培技术发展[J]. 邹应斌. 中国农业科学. 2011(02)
本文编号：3217771
本文链接：https://www.wllwen.com/nykjlw/nzwlw/3217771.html
最近更新
教材专著
