利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数F_v_F_m_谭昌伟

合集下载

基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究

基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究

基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究一、概要本文主要探讨了基于高光谱成像技术的作物叶绿素信息诊断机理及方法。

随着光谱技术的发展,高光谱成像技术在农业领域的应用逐渐受到关注。

本文通过对水稻、小麦等作物叶片的高光谱成像数据分析,研究了作物叶绿素含量的空间分布特征及其与作物生长指标的关系;建立了基于高光谱成像技术的作物叶绿素含量预测模型,并对模型的准确性进行了验证。

高光谱成像技术可以准确地区分作物的健康状态和健康状况的变化,为农业生产提供有力支持。

本文还提出了针对不同作物、不同生长阶段的叶绿素含量预测方法,为农业生产提供了科学依据。

本研究对于推动高光谱成像技术在农业领域的应用和发展具有重要意义。

1. 高光谱成像技术的发展与应用背景随着科技的不断发展,高光谱成像技术在植物学领域中的应用越来越广泛。

高光谱成像技术是一种能够同时获取物体光谐波段信息的技术,通过对生物组织在红外、可见光和短波段范围内的吸收情况进行测量,可以获取植物生长状况、养分含量、病虫害等多种信息,为农业生产提供科学依据和技术支持。

在过去几十年中,研究者们已经开展了许多关于高光谱成像技术在农业领域应用的研究。

叶绿素信息诊断是一种重要的应用方向。

叶绿素是植物进行光合作用的必需元素,其含量的变化直接影响到植物的生长和发育,通过对植物叶片中叶绿素的含量和分布进行准确测量,可以为农作物栽培管理提供重要指导。

传统的叶绿素检测方法如分光光度法、荧光法等虽然在一定程度上能够满足需求,但存在操作复杂、精度低等问题。

随着高光谱成像技术的发展,这些问题逐渐得到解决。

通过高光谱成像技术,可以实现同时对植物叶片中多种成分进行定量测量和分析,提高叶绿素检测的准确性和效率。

高光谱成像技术在作物叶绿素信息诊断方面的应用前景广阔。

除了叶绿素含量与分布的测量外,还可以应用于作物生长速度、产量预测、抗病性评价等方面。

通过对高光谱图像数据进行分析和处理,可以实现作物生长信息的实时监测和评估,为农业生产提供更加智能、精准的管理服务。

甘蓝型油菜叶绿素荧光参数的高光谱预测

甘蓝型油菜叶绿素荧光参数的高光谱预测

櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄 modelforearlyappleleafpestsanddiseasesclassification[J].IEEE/ACMTransactionsonComputationalBiologyandBioinformatics,2023,20(2):1156-1169.[14]ZhaoSY,LiuJZ,WuS.Multiplediseasedetectionmethodforgreenhouse-cultivatedstrawberrybasedonmultiscalefeaturefusionFasterR_CNN[J].ComputersandElectronicsinAgriculture,2022,199:107176.[15]HeKM,ZhangXY,RenSQ,etal.Deepresiduallearningforimagerecognition[C]//2016IEEEConferenceonComputerVisionandPatternRecognition(CVPR).LasVegas:IEEE,2016:770-778.[16]SzegedyC,VanhouckeV,IoffeS,etal.Rethinkingtheinceptionarchitectureforcomputervision[EB/OL].(2015-12-11)[2022-11-01].https://arxiv.org/abs/1512.00567.[17]ZhangH,ZuKK,LuJ,etal.EPSANet:anefficientpyramidsqueezeattentionblockonconvolutionalneuralnetwork[EB/OL].(2021-07-22)[2022-11-01].https://arxiv.org/abs/2105.14447.[18]KrizhevskyA,SutskeverI,HintonG.ImageNetclassificationwithdeepconvolutionalneuralnetworks[J].AdvancesinNeuralInformationProcessingSystems,2012,25(2):84-90.[19]SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[EB/OL].(2015-04-10)[2022-10-11].https://arxiv.org/abs/1409.1556.[20]SzegedyC,LiuW,JiaYQ,etal.Goingdeeperwithconvolutions[C]//2015IEEEConferenceonComputerVisionandPatternRecognition(CVPR).Boston:IEEE,2015:1-9.曹正邓渊,文双雅,高志强.甘蓝型油菜叶绿素荧光参数的高光谱预测[J].江苏农业科学,2023,51(18):185-190.doi:10.15889/j.issn.1002-1302.2023.18.027甘蓝型油菜叶绿素荧光参数的高光谱预测曹正邓渊,文双雅,高志强(湖南农业大学农学院,湖南长沙410128) 摘要:叶绿素荧光参数Fv/Fm是作物逆境胁迫研究中的重要指标。

利用高光谱技术反演作物叶绿素浓度

利用高光谱技术反演作物叶绿素浓度

利用高光谱技术反演作物叶绿素浓度摘要:高光谱技术作为一种新兴光谱技术,被广泛应用于植物的无损检测中,植被叶片叶绿素含量的估测就是其中之一。

利用可见-近红外成像光谱仪采集不同生育期玉米和大豆的冠层“图谱”数据,在逐步提取影像中光照土壤、阴影土壤、光照植被、阴影植被四种组分光谱的基础上,通过选取的敏感波段构建光谱植被指数和叶绿素密度进行波段自相关分析,探讨各个分量对作物叶绿素密度反演的影响。

关键词:高光谱技术;叶绿素;反演0 引言植物通过光合作用获取营养物质,在植物光合作用中,植物细胞中的叶绿体占据了重要的地位,而叶绿体中的色素有叶绿素(叶绿素a,叶绿素b 和叶绿素a+b)与类胡萝卜素(胡萝卜素和叶黄素)。

其中,叶绿素是植物光合作用中最重要的色素,其作为主要吸收光能的物质,直接影响植物光合作用的光能利用率。

叶片单位面积的叶绿素含量是植物总体生长状况的一个重要指标。

叶片叶绿素含量的测定可以用来检测和研究植物突变、压力和营养状态,作物压力和萎黄病的检测对精细农业具有重要的潜在影响[1]。

随着光谱技术的发展,其被应用到各个领域。

而高光谱技术作为光谱技术的一种,由于具有众多优点,在光谱检测方面应用十分广泛,备受人们的青睐。

人类肉眼的视觉范围在380~780 nm 之间,而高光谱的波段非常宽,一些高光谱仪器的波段达350~2 500 nm。

因此,通过高光谱技术可以对绿色植物进行叶绿素的检测和定量分析。

本文对高光谱技术在植物,特别是在经济作物的叶绿素含量检测和定量分析中的应用加以概述[2]。

1 成像系统简介及数据处理1.1 高光谱成像技术简介高光谱成像技术是在多光谱成像的基础上发展而来的,在较宽的波段范围内,利用成像光谱仪对目标物体进行连续成像,从而获得每个像元的数十或数百条光谱信息。

其成像特点是:光谱范围广(200~2 500nm)、超多波段(上百个波段)、高的高光谱分辨率(几个nm)、波段窄(≤10-2λ)和图谱合一等。

北京地区3种观赏竹叶绿素荧光参数Fv/Fm年变化规律

北京地区3种观赏竹叶绿素荧光参数Fv/Fm年变化规律

t o i n v e s t i g a t e t h e i r a d a p t i o n a t B e i j i n g .T h e a n n u a l c h a n g e i n F / F m w e r e t e s t e d u s i n g D u l a - P A M- 1 0 0 a n d I m a g i n g —
D OI :1 0 . 1 3 6 4 0 / i . c n k i . w b r . 2 0 1 5 . 0 5 . 0 0 2
An n ua l Ch a n g e i n Ch l o r o ph y l l Fl uo r e s c e n c e P a r a me t e r F / F
世 界 竹藤 通 讯
W ORLD BAM BOO AND R ATTAN
北 京地 区 3种观 赏竹 叶绿 素 荧 光参 数 F v / F m年变 化 规律
孙化雨 李利超Leabharlann 娄 永峰 赵韩生 高志 民 ( 国际竹藤 中心 国家林业 局竹藤科学 与技术重点开放实 验室 北京 1 0 0 1 0 2 )
i n T h r e e Or n a me n t a l B a mb o o S p e c i e s a t B e i j i n g
S u n Hu a y u Li Li c h a o Lo u Yo n g f e n g Zh a o Ha n s h e n g Ga o Z h i mi n
i n c l u d i n g P h y l l o s t a c h y s a u r e o s u l c a t a f s p e c t a b i l i s ,Ph .a u r e o s u l c a t a£ a u r e o c a u l  ̄a n d S a s a a u r i c o ma,w e r e s e l e c t e d

玉米叶绿素含量高光谱反演的线性模型研究

玉米叶绿素含量高光谱反演的线性模型研究

t i o n,S O h i g h r e d un d a n c y b e t we e n t h e b a n d s o f h y p e r s p e c t r a l d a t a r e s u l t e d i n l o we r a c c u r a c y o f t h e g e n e r a l l i n—
谱信息建立叶绿素含量 的关 系模 型 , 已成为监测植被长势 的一种有效手段 。传统 叶绿 素含量线性 回归模 型的
输入 因子是植被特征提取参数 , 由于高光谱数据波段间的冗余度较高 , 导致一般 的线性模型 的反演精度较低 。
主成分分析可 以减少数据 的维数 , 简化 网络结构 , 得 出能反 映原始信息 的综合变量 。本 文以盆栽 玉米为研究 对象 , 利 用植 被特征和主成分分析方法提取光谱反演参数 , 根据所 提取 的参数 建立玉米 叶片 叶绿 素含量 的一
e a r mo d e 1 .T h e p r i n c i p a l c o mp o n e n t a n a l y s i s( P C A)c a n e f f e c t i v e l y r e d u c e t h e d a t a d i m e n s i o n s a n d s i m p l i f y
山东 农 业 科 学
2 0 1 5 , 4 7 ( 7 ) : 1 1 7~1 2 1
S h a n d o n g A g r i c u l t u r a l S c i e n c e s
D O I : 1 0 . 1 4 0 8 3 / j . i s s n . 1 0 0 1 — 4 9 4 2 . 2 0 1 5 . 0 7 . 0 2 7

近红外光谱技术在玉米种子质量检验上的应用研究进展

近红外光谱技术在玉米种子质量检验上的应用研究进展

近红外光谱技术在玉米种子质量检验上的应用研究进展作者:吕巨智石达金唐国荣覃永嫒李发桥钟昌松邓锡肖来源:《种子科技》2020年第13期摘要:玉米是世界上最重要的粮食作物之一,其种子质量的好坏直接影响粮食的产量,与食品生产安全息息相关,种子作为生产源头牵动着整个玉米产业链的发展。

种子的质量还影响农作物的生存能力,是农业生产资料重要的组成部分。

种子作为各种技术的关键载体,优质高产的种子对于提高食品安全和经济产量有着重要意义。

随着农作物种子检测技术的不断进步,玉米的产量和质量得到有效提高。

尤其是将近红外光谱分析技术应用在玉米种子检测中,使玉米种子检测质量与效果得到明显提高,为农户育种、种植及营销节省了成本,提高了经济效益。

首先介绍了近红外光谱检测技术的应用原理,之后分析了近红外光谱分析技术的优缺点,最后探讨了近红外光谱分析技术在玉米种子检测中的应用。

关键词:近红外光谱技术;玉米种子;质量检验;应用;研究进展玉米是老百姓餐桌上常见的食物,也是动物饲料及酿酒的重要原料。

玉米富含人体所需的多种营养素,其中维生素B1、B2、B6,胡萝卜素和膳食纤维的含量要高于稻米与小麦,是我国最重要的粮食作物之一。

提高玉米产量与质量,对农业发展和经济稳定起着至关重要的作用。

随着生活质量的不断提升,人们对食品的安全性要求也不断提升,所以玉米种子的鉴定工作显得尤为重要,加强农产品种子检测工作的更新和完善势在必行。

近红外光谱检测技术借助其无破坏性、测量速度快、检测数据误差小等技术优势,成为玉米种子品质检测领域的研究热点。

近红外光是一种波长介于红外光和可见光之间的电磁波,通过对其分子振动光谱的分析,可以获取检测样本中组成成分的详细信息[1]。

并且近红外光谱分析技术准确性高、成本低、绿色环保,因此在农产品种子检测工作中的应用效果显著,已经逐渐成为现阶段玉米种子安全检测的重要手段。

1 近红外光谱检测技术的应用原理随着近红外光谱技术不断被相关专家重视,近红外光谱分析技术得到快速发展。

利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量

利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量
Fra bibliotek第 7 期
孙雪梅等 :利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量
8 45
光合作用过程中起吸收光能作用的色素有叶绿 素[ 叶绿素 a (Chl a) 和叶绿素 b (Chl b) ]与类胡萝卜 素 (Cars) ,其中叶绿素是主要的吸收光能物质 ,直接 影响植被光合作用的光能利用 。而绿色植物明显的 光谱特征 ,就是由其中的叶绿素等色素和液态水引 起的[1] 。其中对可见光波段影响最大的是叶绿素含 量 ,而近红外波段主要受叶片的含水量以及叶片结 构的影响 。高光谱遥感的快速发展使得定量估测植 被叶绿素含量成为可能 。高光谱遥感技术所提供的 遥感信息 ,能够准确地用于估测植被的生理状况 ,划 分植被类型 ,预测植被生产能力[2] 。
1 试验设计与数据采集
111 试验材料及设计 选取直链淀粉含量不同的 2 个晚稻“秀水 110” 和“丙 9914”,于 2003 年 6 月 19 日播种 ,7 月 5 日移 栽 。试验区设在浙江大学华家池校区的智能化控制 温室中 (东经 120°10′,北纬 30°14′) 。试验采用水培 方式 ,培养液采用国际水稻所配方 。氮素营养分为 4 个水平 ,即氮素正常 (40 mg/ L) 、氮素过量 (2 ×40 mg/ L) 、氮素缺乏 (1/ 4 ×40 mg/ L) 和有机氮 (40 mg/ L
第 31 卷 第 7 期 2005 年 7 月 844~850 页
作 物 学 报 ACTA AGRONOMICA SINICA
Vol. 31 , No. 7 pp. 844 - 850 July , 2005
利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量
孙雪梅 周启发 何秋霞
(浙江大学生命科学学院植物生理与生物化学国家重点实验室 ,浙江杭州 310029)

基于高光谱成像的玉米病虫害遥感监测技术研究

基于高光谱成像的玉米病虫害遥感监测技术研究

基于高光谱成像的玉米病虫害遥感监测技术研究高光谱成像技术是一种新兴的遥感技术,这种技术可以通过记录物体在不同波长下的光谱反射率,来获取材料的光谱特征。

应用于农业领域,高光谱成像技术可以对作物的生长状态、病虫害等健康状况进行监测。

在玉米病虫害遥感监测技术研究领域,高光谱成像技术已经被广泛应用。

高光谱成像技术的原理是,将物体反射特定波段的光线通过光学器件采集得到一组光谱数据,通过对光谱波形进行分析处理可得到物体的光学特性信息,从而定量化、定性化物体的属性信息。

对病虫害的监测,高光谱技术可以监测一些细小的变化,比如一些病叶纹理上的变化,以及病部叶片颜色和形态上的变化等。

与传统的遥感技术相比,高光谱成像技术的某些波段可以更加精准地反映玉米叶面的变化。

一些现行采集玉米光谱的高光谱成像技术包括光电双象限条阵相机、CCD高光谱成像仪、Pushbroom式光谱成像仪等。

在这些技术中,光电双象限条阵相机是一种新型的高光谱成像技术,可以通过同时记录两个通道的光谱反射率,来提高测试精度和稳定性。

CCD高光谱成像仪是另一种常见的玉米病虫害遥感监测技术,这种仪器可以记录物镜底面上的光谱,使得成像面与光学面分离,可以提高采集的物温精度。

Pushbroom式光谱成像仪则可以通过成像面移动来获取多个光谱波段,能够快速获取大量的光谱信息。

在玉米病虫害遥感监测技术研究中,高光谱成像技术的应用主要集中在玉米生长期的监测,可以对玉米的生长状态进行监测,比如测量玉米叶片的绿度指数、NDVI等植被指数。

此外,对于一些比较难以观测和定量的病虫害,高光谱成像技术可以进行有效的监测和区分,可以提高早期监测病虫害的精度。

目前,高光谱成像技术的应用还有一些挑战。

由于玉米生长期中一些复杂的生长状态变化,比如土壤含水量、太阳辐射等因素的影响,仍然需要对高光谱成像仪器、算法的提高和优化。

同时,采集到的数据量也较大,需要进行有效的数据处理和计算,以提高数据分析的效率和精度。

基于高光谱数据的玉米叶面积指数和生物量评估

基于高光谱数据的玉米叶面积指数和生物量评估

差 rRMSE 为 15.94%。敏感波段反射率 (839~893 nm 和 1336~1348 nm) 对玉米单株地上部生物量估算效果
最佳,测试集 R2为 0.71,RMSE 为 12.31 g,rRMSE 为 15.89%。综上,田间非成像高光谱和无人机成像高光谱
在玉米 LAI 及生物量估算方面具有较好的一致性,能够快速有效地提取地块尺度玉米农学参数信息,本研究
可为高光谱技术在小区尺度的精准农业管理应用提供参考。
关键词:高光谱;玉米;叶面积指数;地上部生物量;偏最小二乘回归;无人机遥感
中图分类号:S127
文献标志码:A
文章编号:202102-SA004
引用格式:束美艳, 陈向阳, 王喜庆, 马韫韬 . 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中 英文), 2021, 3 (1): 29-39. SHU Meiyan, CHEN Xiangyang, WANG Xiqing, MA Yuntao. Estimation of maize leaf area index and aboveground biomass based on hyperspectral data[J]. Smart Agriculture, 2021, 3 (1): 29-39. (in Chinese with English abstract)
传统作物 LAI 和地上部生物量的田间观测方 法主要是人工测量,其过程繁琐,需要耗费大量 的人力物力 [8],结果有一定的滞后性,且大面积 的田间破坏性取样会影响群体作物的生长状况。
收稿日期:2021-01-28 修订日期:2021-03-11 基金项目:国家重点研发计划 (2016YFD0300202);内蒙古自治区科技重大专项 (2019ZD024) 作者简介:束美艳 (1993-),女,博士研究生,研究方向为数字农业。E-mail:2448858578@。 * 通讯作者:1. 王喜庆 (1969-),男,博士,教授,研究方向为表型组技术。电话:010-62733596。E-mail:wangxq21@; 2. 马韫韬 (1977-),女,博士,副教授,研究方向为数字农业。电话:010-62733596。E-mail:yuntao.ma@。

基于高光谱数据的玉米叶面积指数和生物量评估

基于高光谱数据的玉米叶面积指数和生物量评估

基于高光谱数据的玉米叶面积指数和生物量评估Vol.3,No.1束美艳等:基于高光谱数据的玉米叶面积指数和生物量评估39谱特性的相关性研究[J].植物生态学报,2004,28(2):time-series[J].JournaloftheRoyalStatisticalSociety,172-177.SeriesB(Methodological),1949,11(1):68-84.XUEL,CAOW,LUOW,etal.Correlationbetween[40]MENGB,SKI DMOREAK,SCHLERFM,etal.Pre‐leafnitrogenstatusandcanopyspectralcharacteristicsdictingfo liarbiochemistryoftea(Camelliasinensis)inwheat[J].ActaPhytoecologicaSinica,2004,28(2):usingreflect ancespectrameasuredatpowder,leafand172-177.canopylevels[J].ISPRSJournalofPhotogrammetry[39]QUENOUILLEM.ApproximatetestsofcorrelationinandRem oteSensing,2013,78:148-156.EstimationofMaizeLeafAreaIndexandAbovegroundBiomassBasedonHyperspectralData1221SHUMeiyan,CHENXiangyang,WANGXiqing,MAYuntao( 1.CollegeofLandScienceandTechnology,ChinaAgricultural University,Beijing100193,China;2.CollegeofBiologicalScience,ChinaAgriculturalUniversity,Bei jing100193,China)Abstract:Inordertoassessmaizegrowthstatusaccuratelyandqu icklyforimprovingmaizeprecisemanagement,fieldexperi‐mentwasconductedinGongzhulingresearchstation,JilinAcade myofAgriculturalSciences,Jilinprovince.Experimentalde‐signincluded3plantingdensitiesand5maizematerials.Thenear-groundhyperspectraldataandtheunmannedaerialvehicle (UAV)hyperspectralimageswereobtainedwhenmaizeweredur ingV11-V12stage.Theapplicationabilitiesofthehyper‐spectraldataobtainedfromthetwophenotypingplatformswer ecomparedandanalyzedintheestimationofmaizeleafareain‐dex(LAI)andabovegroundbiomass.Inthisstudy,21commonlyu sedspectralvegetationindiceswereconstructedbasedon groundhyperspectraldata,andthentheestimationmodelsofm aizeLAIandabovegroundbiomasswereestablishedbasedon groundhyperspectralfull-bands,UAVhyperspectralfull-bandsandvegetationindicesandpartialleastsquareregressionmet h‐od,respectively.Accordingtothevarianceestimationofregressi oncoefficients,theimportantbandsofLAIandaboveground biomasswereselected,andthepartialleastsquaremethodwasal sousedtoestablishtheestimationmodelofmaizeLAIand abovegroundbiomassbasedonimportantbands.Theresultssh owedthatthecanopyspectralreflectanceofthesamemaizema‐terialincreasedwiththeincreaseofplantingdensityinthenearinf raredbands.Amongthe5maizematerialsunderthesame plantingdensity,thecanopyspectralreflectanceofwildtypemat erialwasthelowestinthevisibleandnearinfraredbands.For 2LAI,themodelconstructedbasedonvegetationindiceshadtheb estestimationresult,withR,RMSEandrRMSEvaluesof0.70,0.92and15.94%.Forabovegroundbiomass,themodelcons tructedbasedonthesensitivespectralbands(839-893nm 2and1336-1348nm)hadthebestestimationresults,withR,RMSEandrRMSEvaluesof0.71,12.31gand15.89%,whichshowedthattherewasinformationredundancyinhyperspectral bandsintheestimationofabovegroundbiomass,andtheestima‐tionaccuracycouldbeimprovedbyreducingthenumberofspect ralbandsandselectingsensitivespectralbands.Insummary, theUAVhyperspectralimageshaveagoodapplicationabilityint heestimationofmaizeLAIandabovegroundbiomass,and canquicklyandeffectivelyextracttheparametersinformationof maizegrowth.Forspecificparameters,sensitivespectral bandsselectedcanprovidereliablebasisforthedevelopmentan dpracticalapplicationofmulti-spectruminthefuture.The studycanprovideareferencefortheuseofhyperspectraltechnol ogyinthemanagementofprecisionagricultureatthecommu‐nityscale.Keywords:hyper-spectrum;maize;leafareaindex;abovegroundbiomass;partialleasts quaresregression;UAVremotesensing(登陆免费获取电子版全文)。

《基于多光谱数据的玉米叶绿素含量相关性研究》范文

《基于多光谱数据的玉米叶绿素含量相关性研究》范文

《基于多光谱数据的玉米叶绿素含量相关性研究》篇一一、引言玉米作为我国主要的粮食作物之一,其产量的提高对农业发展和粮食安全具有重要意义。

叶绿素作为植物光合作用的主要色素,其含量直接影响着作物的生长状况和产量。

近年来,随着遥感技术的快速发展,多光谱数据在作物生长监测和评估中得到了广泛应用。

本研究以玉米为研究对象,基于多光谱数据探讨其叶绿素含量的相关性,旨在为玉米的高效种植和产量提升提供科学依据。

二、研究方法1. 数据来源本研究采用的多光谱数据主要来源于卫星遥感和地面观测。

卫星遥感数据包括不同时间节点的多光谱影像,地面观测数据则包括玉米植株的叶绿素含量、光谱反射率等指标。

2. 数据分析方法首先,对卫星遥感数据进行预处理,包括辐射定标、大气校正等步骤。

然后,通过分析多光谱数据的光谱特征,提取与玉米叶绿素含量相关的特征参数。

接着,利用地面观测数据对提取的特征参数进行验证和修正。

最后,通过统计分析方法,建立多光谱数据与玉米叶绿素含量之间的相关性模型。

三、结果与讨论1. 多光谱数据与玉米叶绿素含量的相关性分析通过对多光谱数据的分析,我们发现玉米叶绿素含量与多光谱数据中的红边波段和近红外波段具有较高的相关性。

红边波段反映了叶绿素吸收光能的能力,而近红外波段则与叶绿素的密度和分布有关。

因此,通过分析这两个波段的数据,可以有效地反映玉米叶绿素的含量变化。

2. 相关性模型的建立与验证基于上述分析,我们建立了多光谱数据与玉米叶绿素含量之间的相关性模型。

通过对比地面观测数据和模型预测结果,我们发现模型具有较高的预测精度和可靠性。

这表明,利用多光谱数据可以有效地监测和评估玉米的叶绿素含量,为作物的生长管理和产量预测提供有力支持。

在讨论部分,我们进一步分析了影响玉米叶绿素含量的其他因素,如光照、温度、水分等。

这些因素与多光谱数据之间也存在一定的相关性,可以在后续研究中加以考虑和验证。

此外,我们还探讨了如何优化多光谱数据的处理方法和分析模型,以提高玉米叶绿素含量预测的准确性和可靠性。

利用高光谱植被指数估测苹果树冠层叶绿素含量

利用高光谱植被指数估测苹果树冠层叶绿素含量

Ri+1 -Ri-1 2Δλ
(1)
式中,D 是波段i 处的一阶微分,λi 是波长。
1.5 模 型 构 建
在70组样本中,随机选取 50 组 用 于 建 模,分 别 将 原 始
光谱和微分光谱构建的植被素 含 量 相 关 性 较 高 的 植 被 指 数,
收 稿 日 期 :2012-12-29,修 订 日 期 :2013-03-05 基 金 项 目 :高 校 博 士 点 基 金 项 目 (20103702110010),山 东 省 自 主 创 新 专 项 项 目 (2012CX90202)和 国 家 自 然 科 学 基 金 项 目 (41271369),山 东 农
以这些植被指数为自变量对应的苹果冠层叶绿素含量为因变量导入spss软件分别建立线性指数二次多项式三次多项式四种预测模型结果如表3所可以看出六种植被指数建立的模型均达到了001极显著水平根据r最大原则选择与苹果冠层叶绿素含量相关性最高的植被指数cci为最佳植被指数建立的估测模型为ccc6409189r植被指数模型线性ndsi03754073027325500388212303881394grvi03764099033734550394217503981457pri0289276102662468030214520311993npci03583785032232260367194403721303ppr04224973037140110441264304651910cci0589973605147187061954510622表示在001水平上极显著相关fig3comparisonofmeasuredandpredictedvalueofccc25模型检验利用20个样本对苹果冠层叶绿素含量估测模型进行精度检验检验结果如图3所示

基于多个高光谱参数的玉米叶片叶绿素含量估测模型

基于多个高光谱参数的玉米叶片叶绿素含量估测模型

基于多个高光谱参数的玉米叶片叶绿素含量估测模型武倩雯;熊黑钢;靳彦华;王莉锋;王凯龙【摘要】采用FieldSpecPro3光谱仪和SPAD-502叶绿素仪分别测定玉米叶片的光谱与其相对应的叶绿素含量,通过分析红边位置、蓝边位置以及绿峰位置等高光谱参数与叶绿素含量的关系,建立叶绿素含量的单、双和多变量光谱预测模型.结果表明:在可见光区域,玉米叶绿素含量高,光谱反射率低,而进入近红外区则刚好相反,叶绿素含量高,光谱反射率高;红边位置、绿峰位置及蓝边位置各高光谱参数与叶绿素含量的相关性均达极显著.其中红边位置与叶绿素含量的相关性最高,相关系数达0.84;利用所选的3个高光谱参数分别建立的单、双以及三变量模型,虽然大多数模型的精度R2大于0.71,但分析对比得出利用红边、蓝边及绿峰位置3个变量建立的模型具有最大模型精度R2、最小标准误差(S)和均方根误差(RMSE),因此其模型预测能力较优.【期刊名称】《干旱地区农业研究》【年(卷),期】2016(034)001【总页数】5页(P201-205)【关键词】玉米叶片;叶绿素含量;估测模型【作者】武倩雯;熊黑钢;靳彦华;王莉锋;王凯龙【作者单位】新疆大学资源与环境科学学院,教育部绿洲生态重点实验室,新疆乌鲁木齐830046;新疆大学资源与环境科学学院,教育部绿洲生态重点实验室,新疆乌鲁木齐830046;北京联合大学应用文理学院,北京100083;新疆大学资源与环境科学学院,教育部绿洲生态重点实验室,新疆乌鲁木齐830046;新疆大学资源与环境科学学院,教育部绿洲生态重点实验室,新疆乌鲁木齐830046;新疆大学资源与环境科学学院,教育部绿洲生态重点实验室,新疆乌鲁木齐830046【正文语种】中文【中图分类】S513叶绿素含量是作物生长过程中一个重要的生理指标,对植被光合能力、发育阶段以及营养状况有重要的指示作用[1],实时掌握玉米叶绿素含量及冠层光谱的动态变化,可以对玉米群体光合能力及营养状况进行有效监测,在玉米生长与产量预测以及精确诊断与动态调控中具有重要意义。

高光谱数据与叶绿素含量及植被指数的相关性研究进展

高光谱数据与叶绿素含量及植被指数的相关性研究进展

高光谱数据与叶绿素含量及植被指数的相关性研究进展朱凌红;周澎;王忠民;邵志刚【摘要】based on the previous work, summed up the study direction on plant chlorophyll content and vegetation index which both based on hyperspectral data in recent years, discussed the problems and development trend. The results showed:(1)in the future, it would still a focus work to screen the sensitive bands for chlorophyll content, especially the sensitive bands of different plants;(2)it would be an important trend for quantitative inversion to chlorophyll content;(3)the study of"red edge"would continue provide technical support for the amount of chlorophyll and quantitative re-trieval of chlorophyll;(4)it should be standardize for vegetation index which use in different vegetation types, and it should be try to make into product.%在前人工作的基础上,总结了最近几年来,基于高光谱数据的植物叶绿素含量、植被指数的研究进展,探讨了其存在的问题与发展趋势。

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究

基于高光谱数据的玉米LAI和叶绿素含量遥感反演方法的研究基于高光谱数据的玉米L和叶绿素含量遥感反演方法的研究摘要:随着农业遥感技术的发展,利用高光谱数据进行植被参数反演已成为农业生产管理和精准农业的重要工具之一。

本文通过分析基于高光谱数据的玉米L(叶面积指数)和叶绿素含量遥感反演方法的研究现状,提出了一种改进的方法,并对该方法进行了实验验证。

实验结果表明,该方法能够准确反演出玉米的L和叶绿素含量。

本研究为农业生产和精准农业管理提供了一种高效准确的遥感反演方法。

关键词:高光谱数据;玉米;L;叶绿素含量;遥感反演 1. 引言玉米作为我国重要的粮食作物之一,对其生长状态进行准确的遥感反演可以为农业生产管理和精准农业提供重要依据,进而提高农作物产量和质量。

而L和叶绿素含量是衡量植物生长状态和光合作用强度的重要参数,因此准确反演玉米的L和叶绿素含量对于进行农作物监测和精细化管理至关重要。

2. 研究现状目前,利用高光谱数据进行植被参数反演已成为广泛研究的方向之一。

一些学者利用高光谱数据进行L和叶绿素含量反演的方法已取得了一定的研究进展。

其中,最常用的方法包括指数比值法、指数的拟合方法、基于光谱反射率和植被指数的关系等。

然而,现有的方法在一定程度上存在一些不足之处,如对于大尺度和复杂地物的精确度较低,或者需要大量的实地数据采集和参数拟合等。

3. 研究方法为了克服现有方法的不足,本研究提出了一种改进的基于高光谱数据的玉米L和叶绿素含量遥感反演方法。

该方法首先通过采集不同生长阶段的玉米样本,获取其高光谱数据,并同时测量其实际的L和叶绿素含量。

然后,根据高光谱数据和地面的观测数据,建立反演模型。

在模型中,利用多元线性回归、主成分分析和支持向量机等方法,对高光谱数据进行特征提取和建模,最终实现对L和叶绿素含量的准确遥感反演。

4. 实验验证本研究选择某玉米田作为实验区域,采集了不同生长阶段的玉米样本,并获取其高光谱数据和实际的L和叶绿素含量。

基于高光谱成像技术和因子判别分析的玉米黄曲霉毒素检测研究

基于高光谱成像技术和因子判别分析的玉米黄曲霉毒素检测研究

基于高光谱成像技术和因子判别分析的玉米黄曲霉毒素检测研究袁莹;王伟;褚璇;P.Feldner;G.Heitschmidt【摘要】利用高光谱成像技术进行玉米籽粒表面黄曲霉毒素的检测.将黄曲霉毒素原液用甲醇分别稀释成浓度为10、20、100、500 μg/L的溶液,然后逐一滴在等量4组共120粒玉米籽粒的表面,取同品种30粒洁净玉米籽粒作为对照组.利用400~1 000 nm可见/近红外高光谱成像系统进行样品图像光谱信息获取,采用标准正态变量校正进行数据预处理.首先经主成分分析(Principal Component Analysis,PCA)进行高光谱数据降维,然后利用PCA从835个波长中提取的前14个主成分为输入,采用因子判别分析(Factorial DiscriminantAnalysis,FDA)对5类样品进行分类.FDA构建的模型对训练集和验证集的判别准确率分别达95%和86%.结果表明利用高光谱成像技术并结合PCA-FDA方法进行玉米籽粒表面黄曲霉毒素的检测是可行的.【期刊名称】《中国粮油学报》【年(卷),期】2014(029)012【总页数】5页(P107-110,118)【关键词】玉米颗粒;黄曲霉毒素;因子判别分析;主成分分析;高光谱成像【作者】袁莹;王伟;褚璇;P.Feldner;G.Heitschmidt【作者单位】中国农业大学工学院,北京100083;中国农业大学工学院,北京100083;中国农业大学工学院,北京100083;Quality & Safety AssessmentResearch Unit, USDA-ARS, Athens 30605;Quality & Safety Assessment Research Unit, USDA-ARS, Athens 30605【正文语种】中文【中图分类】S123黄曲霉毒素是黄曲霉(Aspergillus flavus)和寄生曲霉(Aspergillus parasiticus)的代谢产物[1],具有极强的毒性,1993年被世界卫生组织癌症研究机构划定为Ⅰ类致癌物[2],它主要有 B1、B2、G1、G2、M1和 M2等类型,其中以B1毒性最大。

基于高光谱成像的玉米螟无损检测最优波段的选取

基于高光谱成像的玉米螟无损检测最优波段的选取

基于高光谱成像的玉米螟无损检测最优波段的选取田有文;邢晓琪;王小奇;崔博【期刊名称】《沈阳农业大学学报》【年(卷),期】2015(000)006【摘要】为解决玉米茎秆虫害早期无损检测问题,以提供玉米虫害预测预警与精确喷药理论依据,利用高光谱成像技术,提出了分段混合距离方法,明确玉米茎杆玉米螟虫害无损检测的最优波段,提取单波段特征图像,分割虫孔,以实现对玉米螟的快速、准确、无损检测。

首先通过对玉米茎杆高光谱图像的分析,根据玉米茎杆高光谱图像的玉米茎秆区域与背景区域各个波段的光谱反射率的差异,选取450 nm的图像,利用阈值分割的方法,获得掩模图像。

然后根据可见光波段530~600 nm范围和近红外波段750~900 nm范围光谱相关性小的特点,应用混合距离作为测量参数,筛选最佳单波段、双波段组合,最终确定754.8 nm波段为最优波段。

提取该波段的图像为特征图像,采用阈值分割与数学形态学方法对玉米螟虫孔进行分割,从而检测出玉米螟虫孔区域,判定玉米茎秆是否存在虫害。

结果表明:通过对测试集和验证集中60个玉米螟玉米茎杆和40个正常玉米茎杆的检测分析,得出玉米螟的检测正确率为100%,正常玉米茎的检测正确率为90%,整体检测正确率为96%。

说明所获得的最优波段可为开发玉米茎虫害多光谱成像检测仪提供参考。

【总页数】6页(P83-88)【作者】田有文;邢晓琪;王小奇;崔博【作者单位】沈阳农业大学信息与电气工程学院,沈阳110161; 沈阳农业大学辽宁省农业信息化工程技术研究中心,沈阳110161;沈阳农业大学信息与电气工程学院,沈阳110161; 沈阳农业大学辽宁省农业信息化工程技术研究中心,沈阳110161;沈阳农业大学植物保护学院,沈阳110161;沈阳农业大学信息与电气工程学院,沈阳110161; 沈阳农业大学辽宁省农业信息化工程技术研究中心,沈阳110161【正文语种】中文【中图分类】TP391.41【相关文献】1.基于子空间中主成分最优线性预测的高光谱波段选择 [J], 吴一全;周杨;盛东慧;叶骁来2.基于高光谱成像技术的玉米螟蛀入检测方法研究 [J], 田有文;邢晓祺3.基于双边滤波的最优波段子空间高光谱异常目标检测 [J], 成宝芝; 张丽丽4.基于无信息变量和偏最小二乘投影分析的高光谱散射图像最优波段选择 [J], 王爽;黄敏;朱启兵5.基于分块特性的高光谱影像波段选取方法的研究 [J], 陈蜜;易尧华;刘志刚;李德仁;秦前清因版权原因,仅展示原文概要,查看原文内容请购买。

玉米叶片高光谱特征及与叶绿素、类胡萝卜素相关性的研究

玉米叶片高光谱特征及与叶绿素、类胡萝卜素相关性的研究

玉米叶片高光谱特征及与叶绿素、类胡萝卜素相关性的研究唐延林;黄敬峰;王秀珍;蔡绍洪【期刊名称】《玉米科学》【年(卷),期】2008(16)2【摘要】测定了不同品种类型、不同株型、不同发育期的春玉米叶片及其它器官、不同叶位叶片及叶片不同部位的高光谱反射率和叶片的叶绿素、类胡萝卜素含量。

结果表明,玉米不同鲜器官的反射率随波长的变化趋势相似,但数值存在较大差异;不同叶位的叶片、不同品种同一叶位的叶片、叶片的不同部位的光谱反射率有差异;叶片光谱反射率随含水率减少而升高,它们的变化趋势相似;叶片叶绿素和类胡萝卜素浓度与光谱植被指数R800/R550、R673/R640、PSSRa、PSNDa、RCh、CARI、λred、Dλred和Sred具有极显著相关。

说明可以通过光谱方法来监测玉米长势和估算叶绿素、类胡萝卜素含量。

【总页数】6页(P71-76)【关键词】玉米;叶片;高光谱反射率;植被指数;色素含量【作者】唐延林;黄敬峰;王秀珍;蔡绍洪【作者单位】贵州大学理学院,贵阳550025;浙江大学农业遥感与信息技术应用研究所,杭州210029【正文语种】中文【中图分类】S513.01【相关文献】1.基于多个高光谱参数的玉米叶片叶绿素含量估测模型 [J], 武倩雯;熊黑钢;靳彦华;王莉锋;王凯龙2.玉米叶片叶绿素含量的高光谱反演模型探究 [J], 杨可明;孙阳阳;王林伟;史钢强;魏华锋;刘飞3.水稻冠层高光谱特征变量与叶片叶绿素含量的相关性研究 [J], 刘桃菊;胡雯君;张笑东;江绍琳;唐建军;徐涛;陈美球4.基于高光谱的微生物作用下玉米叶片叶绿素含量估算研究 [J], 解文武;5.基于GA-BP神经网络高光谱反演模型分析\r玉米叶片叶绿素含量 [J], 陈春玲;金彦;曹英丽;于丰华;冯帅;周长献因版权原因,仅展示原文概要,查看原文内容请购买。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

2 结 果 与 讨 论
2.1 玉米生育期内光谱值和 Fv/Fm 的变化 从图1中可以 得 出 玉 米 从 7 月 23 日 到 9 月 5 日 在
可见光的绿光波段光谱 值 的 大 小 顺 序 为 8 月 29 日 > 8 月 7 日 > 9月5日>7月23日,在可见光波段中红光和蓝光光谱 值的大小顺序恰好相反为7月23日>9月5日>8月 7 日 > 8 月 29 日 ,主 要 是 由 于 在 可 见 光 波 段 叶 绿 素 反 射 绿 光 而 吸 收 红和蓝光。拔节期玉米的叶片 叶 绿 素 含 量 少,随 着 生 育 期 的 推进叶绿素 含 量 逐 渐 增 加,到 乳 熟 期 玉 米 叶 片 开 始 失 绿 发 黄,叶绿素含量开始下降。在近 红 外 波 段 其 光 谱 值 的 大 小 顺 序为8月29日> 8月7日> 9 月 5 日 >7 月 23 日,主 要 是 由于随着玉米生育期的推进,叶 片 层 数 逐 渐 增 加,反 射 率 逐 渐增加,但到吐丝期玉米叶片 开 始 失 绿 发 黄,光 谱 反 射 率 逐 渐 降 低 ,叶 片 层 数 也 逐 渐 减 少 。
10min,然后测定 PSⅡ原初光能转化效率 Fv/Fm ,每 次 测 定
重 复 9 次 ,其 计 算 公 式 为
Fv/Fm = (Fm -Fo)/Fm
(2)
式中,Fo 为暗适 应 条 件 下 的 基 础 荧 光 值;Fm 为 暗 适 应
条件下的最大荧光值;Fv 为可变条件下的荧光值。
前,叶片叶绿素含 量 逐 渐 增 加 ,Fv/Fm 随 之 增 加,到 乳 熟 期 玉米叶片开始失绿 发 黄,叶 片 叶 绿 素 含 量 逐 渐 减 少,Fv/Fm 随之降低。
Algorithm
Reference
结构敏感色素指数 SIPI
SIPI= (R800-R445)/(R800-R680)
Penuelas et al.(1995)
最优土壤调节植被指数 OSAVI
OSAVI=1.16× (R800-R670)/(R800-R670+0.16)
Rondeaux et al.(1995)
关键词 高光谱植被指数;Fv/Fm ;监测模型;紧凑型玉米 中 图 分 类 号 :S127 文 献 标 识 码 :A DOI:10.3964/j.issn.1000-0593(2012)05-1287-05
引 言
1 实 验 部 分
国内外 大 量 的 研 究 表 明,叶 绿 素 荧 光 (chlorophyll fluo- rescence,CF)作为光合作用的指示性 探 针,已 被 广 泛 应 用 于 光合作用机理研究、分析植物对环境胁迫 的 响 应 机 理 和 探 测 植物 体 内 光 合 器 官 运 转 状 况 等[1-3]。随 着 高 光 谱 遥 感 技 术 的 迅速发展,其很快的被广泛应 用 到 农 业 的 品 质 鉴 定、估 产 和 病 虫 害 等 各 方 面 。Wright[4]和 王 纪 华 等[5]对 小 麦 的 蛋 白 质 品 质进行了研究;Wim 等[6]利用 TM 影像数据源,使用影 像 融 合技 术 重 新 构 建 了 NPP 估 产 模 型,分 别 对 小 麦 和 水 稻 进 行 估产,任 建 强 等[7]使 用 MODIS 数 据 源、CASA 模 型 对 黄 淮 海平原的冬小 麦 进 行 估 产 并 取 得 了 较 好 的 效 果 ;Bronson[8] 和 Hansen等[9]对 作 物 的 氮 素 含 量 和 氮 素 利 用 率 、Fensholt 等 对 [10] 叶面积指数 (LAI)进 行 了 研 究 ;在 作 物 的 病 害 方 面 : Adams等 分 [11] 别对大豆和 蚕 豆 斑 点 葡 萄 孢 子 病 和 大 豆 黄 痿 病进行了研究,并建立相关的 评 估 指 标。然 而 对 于 叶 绿 素 荧 光参数与光谱植被指数关系的研究鲜见 报 道。本 工 作 以 紧 凑 型玉米(以下称为玉米)作为研究对象,利 用 获 取 的 叶 绿 素 荧 光参数与植被指数,构建以光谱植被指数 为 支 撑 的 叶 绿 素 荧 光参数的遥感监测模型,实时准确获取玉 米 的 叶 绿 素 荧 光 参 数信息。
摘 要 为进一步评价遥感监测紧凑型玉米叶绿素荧光参数 Fv/Fm 的 可 行 性,通 过 开 展 小 区 紧 凑 型 玉 米 试 验,分析紧凑型玉米整个生育期 Fv/Fm 与高光谱植被指数的相关关系,建立紧凑型 玉 米 Fv/Fm 高 光 谱 监 测 模型。结果表明,紧凑型玉米 Fv/Fm 与选取的高光谱植 被 指 数 均 呈 极 显 著 正 相 关 ,其 中 结 构 敏 感 色 素 指 数 (SIPI)与 Fv/Fm 的相关性最好,相关系数(r)为0.88。用 SIPI建立紧凑型玉米 Fv/Fm 的监测模型,其决定系 数 (R2)为 0.812 6,均 方 根 误 差 (RMSE)为 0.082。研 究 表 明 ,利 用 高 光 谱 植 被 指 数 可 以 有 效 地 监 测 紧 凑 型 玉 米 整 个 生 育 期 的 Fv/Fm 。
* 通 讯 联 系 人 e-mail:guows@yzu.edu.cn
1288
光谱学与光谱分析 第32卷
冠 层 垂 直 高 度 1.5 m,传 感 器 视 场 角 为 25°。测 量 扫 描 时 间 为 0.2s,重复10次,取其 平 均 值 作 为 该 样 点 冠 层 的 光 谱 反 射 率。
VI,r为 0.85,转 换 TCARI和 CCII的 r 分 别 为 0.833 和 0.829。表2中相 关 性 大 小 的 顺 序 是 SIPI>GREENNDVI>
第5期 光谱学与光谱分析
1289
TCARI>CCII>OSAVI>NDVI。从 这 个 相 关 性 的 顺 序 来 看 OSAVI可 以 减 少 环 境 因 素 对 NDVI的 影 响 。为 了 选 择
第3 2卷 ,第5期 光 谱 学 与 光 谱 分 析 2 0 1 2 年 5 月 Spectroscopy and Spectral Analysis
Vol.32,No.5,pp1287-1291 May,2012
利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数 Fv/Fm
2.2 植 被 指 数 的 选 择 和 相 关 性 分 析 根据前人研究,结合玉米光 谱 和 叶 绿 素 荧 光 特 性,选 择
常 用 的 6 个 植 被 指 数 (表 1)。
Table 1 Hyperspectral vegetation indices used in this paper
Vegetation index
1.1 试 验 设 计 2010年7月至9月间试验在扬州大 学 试 验 农 场(119°18′
E,32°26′N)开展,供 试 品 种 为 3 个 紧 凑 型 品 种(系):农 华 8 号、金海5号和郑单 958。对 玉 米 冠 层 进 行 了 光 谱 测 量 和 光 合有效辐射测定。为了在田间栽培条件下 更 大 范 围 地 表 现 出
的光谱值;m 为平滑前数据点的值,即原始光谱值。
1.3 叶绿素荧光参数 Fv/Fm 测量
每次光谱测定 后 的 玉 米 叶 片,用 调 制 式 荧 光 仪 OS1-FL
(Opti-Sciences,Tyngsboro,MA,USA)测 定 与 反 射 率 相 同
部位叶片的叶绿素荧光参数。首先用暗适 应 夹 将 叶 片 暗 适 应
归一化差值植被指数 NDVI
NDVI= (R890-R670)/(R890+R670)
Rouse et al.(1973)
绿度植被指数 GREENNDVI
GREENNDVI= (R750-R550)/(R750+R550)
Baret et al.(1991)
转换叶绿素吸收反射指数 TCARI
TCARI=3× [(R710-R680)-0.2× (R700-R560)(R710/R680)]
Fv/Fm 的最佳估算方程,分别对所有植被指数进 行 回 归 分 析 (图 3)。
1.2 光 谱 测 试 分别 在 玉 米 拔 节 期 (7 月 23 日)、喇 叭 口 期 (8 月 7 日)、
吐丝期(8月29日)、乳 熟 期 (9 月 5 日 )进 行 4 次 光 谱 测 定。 采用美国 ASD Fieldspec FR2500型野外光谱辐射谱仪,光谱 范 围350~2 500nm,分辨率在350~1 000nm 光谱区为1.4 nm,1 000~2 500nm 区为2nm,光 谱 重 采 样 间 隔 为 1nm。 在晴朗无云、北京时间10:30~14:00,选择 代 表 性 植 株 进 行 测定,测定前后用参 考 板 标 定,测 定 时 传 感 器 探 头 向 下,距
综合图1和图2,随着 玉 米 生 育 期 的 推 进 叶 片 叶 绿 素 含 量 和叶片层数逐渐增加,在近红外波段的反射率和 Fv/Fm 也 逐渐增加。
Fig.1 Response characteristics of reflectance spectra of corn at different growth stages
收 稿 日 期 :2011-10-30,修 订 日 期 :2012-01-25 基金项目:国家 自 然 科 学 基 金 项 目 (40801122,41101395),江 苏 高 校 优 势 学 科 建 设 工 程 项 目 和 公 益 性 行 业 (农 业 )科 研 专 项 经 费 项 目
(200803037)资 助 作 者 简 介 :谭 昌 伟 ,1980 年 生 ,扬 州 大 学 农 学 院 讲 师 e-mail:tanwei010@126.com
玉米长势差异和生化组分变异,于拔节期 安 排 了 一 个 从 不 施 氮到施重氮(级差450kg,0~900kg·ha-1)3个氮肥水 平 处 理,即 N1:不 施 氮 肥;N3:施 氮 450kg·ha-1;N4:施 氮 900kg·ha-1,使 之 表 现 为 缺 氮 、适 量 氮、过 量 氮。3 次 重 复,行距×株距为70cm×60cm,每区面积 为 20 m×20 m。 常规水分管理。
相关文档
最新文档