不同覆蓋度條件下水稻葉層氮素營養(yǎng)的高光譜監(jiān)測研究.pdf

1、作物氮素營養(yǎng)的光譜監(jiān)測對氮肥精確管理具有重要意義。基于高光譜技術的作物生長監(jiān)測技術為作物氮素營養(yǎng)信息的準確獲取提供了有效的手段。本研究以不同年份、不同品種、不同種植密度、不同施氮處理的水稻田間試驗為依托，在創(chuàng)造不同土壤背景影響的基礎上，研究了不同施氮水平和種植密度條件下的水稻冠層高光譜反射率特征，系統(tǒng)分析了冠層高光譜與水稻葉層氮素營養(yǎng)的定量關系，探討了量化或消除土壤背景及冠層結構干擾因子的有效途徑與方法，確立了適用于不同植被覆蓋度條件下

2、水稻葉層氮素營養(yǎng)指標估算的高光譜參數，進而構建了兼具機理性與普適性的估算模型，從而為不同栽培條件下水稻氮素營養(yǎng)無損估算與精確管理提供了有效的技術支撐。
　　首先，在明確不同生育期水稻冠層光譜隨施氮水平及種植密度變化特征的基礎上，系統(tǒng)分析了350-2500nm波段（原始光譜與一階導數光譜）范圍內任意的兩波段構成的已有及新建的高光譜指數與水稻葉層氮素狀況的定量關系，篩選出了對水稻LNC敏感及水稻LAI(VC)鈍感的共性波段組合，其中基

3、于綠光區(qū)域553nm與537nm組合的新建指數SR2(553，537)表現(xiàn)最好。在引入由土壤線參數計算的系數θ的基礎上，得到了改進型簡單植被指數SR2(553，537);并依據植被指數結合技術得到了組合型植被指數DI(D875，D645)+SR2(537，537)，兩參數較已有各類光譜植被指數對水稻氮素營養(yǎng)指標更為敏感。水稻LNC方面，兩種構建的新型光譜指數均能較好的估測LNC且受土壤背景及冠層結構參數的影響較小，與LNC及LAI的建模

4、R2分別為0.68、0.69，0.17、0.16，獨立試驗檢驗的結果顯示，基于兩種新建植被指數建立的回歸模型對水稻LNC的估測精度(R2)和相對根均方差（RRMSE）均為0.70和0.14。在水稻LNA方面，SR2(770，752)仍然表現(xiàn)較好，估測水稻LNA的S-R2為0.90，除此以外，篩選的一階導數光譜指數NDI(D754，D700)亦能較好的指示水稻LNA的動態(tài)變化，S-R2為0.88，兩者多年數據的檢驗效果亦較好?？傮w上，前人

5、構造的氮/色素敏感光譜指數中，LNC方面，雖然其中NDVIg-b和ND(503，483)能很好的預測水稻LNC，但受LAI的影響亦較大，大部分指數建模S-R2低于兩種新建指數;大部分已有光譜指數能很好地估測LNA，但效果稍差于新構建的光譜指數。
　　探討了紅邊參數和連續(xù)統(tǒng)去除方法在水稻葉層氮素營養(yǎng)狀況估算的表現(xiàn)。結果表明，已有紅邊面積參數（DD、DPS和NDPS）在水土背景比例較大時表現(xiàn)不佳，但利用藍綠光波段對其進行修正后，得到的

6、新型紅邊參數mDD、mDPS和mNDPS對水稻氮素營養(yǎng)有較好的預測性。其中改進型雙峰差值mNDPS(A680-700，A700-724)和改進型雙峰對稱度mDPS(A680-720，A700-720)預測LNC的S-R2和SE分別到達了0.73和0.22，獨立試驗數據檢驗的估測精度(P-R2)和相對根均方差（RRMSE）為0.60和0.16。在水稻LNA方面，兩種波形分析方法提取的各類參數均能很好的預測水稻LNA的動態(tài)變化，其中原有的紅

7、邊參數NDPS(A680-735,A735-755)和修正得到的mNDPS(A735-755，A680-735)的效果最好，其預測S-R2均達到了0.87，獨立試驗數據檢驗的P-R2分別為0.76和0.75;而基于連續(xù)統(tǒng)去除后提取的吸收右峰面積RA(560-760)對LNA也具有較好的預測性，預測的S-R2和SE分別到達了0.92和0.85，獨立試驗數據檢驗的P-R2和RRMSE分別為0.77和0.21?？傮w上，原有各類參數在預測水稻L

8、NC上的表現(xiàn)并不理想，修正后的三種紅邊面積參數能夠在監(jiān)測水稻葉層氮素狀況的同時較好的消除各類影響因子的作用，且相比原有參數提升較大;文中提出的及已有的紅邊參數及連續(xù)統(tǒng)去除參數均能很好的指示水稻LNA的動態(tài)變化。另外，除了挑選的紅邊面積參數，還列舉了其他幾種紅邊參數以及黃邊和藍邊參數等，但它們在估測葉層氮素營養(yǎng)狀況上的能力均較差。
　　系統(tǒng)分析了試驗場景不同觀測高度及太陽主平面內不同觀測天頂角條件下水稻冠層反射光譜的變化特征，并研究

9、了不同觀測天頂角及高度條件下三種光譜指數（SR2、NDVI和SR）與水稻葉層氮素營養(yǎng)狀況的定量關系。結果表明，恰當的觀測天頂角與觀測高度能規(guī)避部分水土背景的影響。冠層上方1m位置和后向60°獲取的冠層光譜能夠最大程度的抑制土壤背景及冠層結構的影響，從而較好地估測不同覆蓋度條件下水稻LNC;其中SR(701，520)表現(xiàn)最為穩(wěn)定，其估測LNC的S-R2和SE分別達到了0.62和0.39，獨立試驗檢驗的結果表明SR(701，520)的P-R

10、2和RRMSE為0.61和0.15，且將2011年和2012年冠層上方1m位置和后向60°獲取的冠層光譜進一步一分為二（封行前后），三種指數中SR(701,520)表現(xiàn)也最好。在水稻LNA方面，無論3種指數間還是單個指數不同觀測位置間差異均不明顯，其中以SR(955，655)和SR(950，660)表現(xiàn)稍好。
　　對不同年份試驗獲取的冠層光譜進行線性混合分解，首先選取了植被冠層及土壤兩個端元，進一步采用覆蓋度作為植被及土壤端元的面

11、積比例，最后根據線性混合模型的公式進行分解?；诘玫降墓庾V數據采用5種植被指數對比分解前后與水稻氮素營養(yǎng)狀況的關系，探討線性混合像元分解對于消除或降低土壤背景干擾的效果。結果顯示，分解前后，選取的5種植被指數（SR、SR2、NDVI、SAVI和PVI）除PVI外與水稻LNC的相關關系大多有所提高，且波段范圍沒有大的變化，其中提升最大的是SR。但基于獨立樣本檢驗數據發(fā)現(xiàn)線性混合分解的效果并不穩(wěn)定，S-R2與P-R2差異較大，可能是端元的選