基于NIRG的冬小麦叶绿素含量的监测

低温胁迫下冬小麦叶绿素含量高光谱估测张雪茹;冯美臣;李广信;杨武德;王超;郭小丽;史超超【期刊名称】《山西农业科学》【年(卷),期】2017(045)004【摘要】近年来,拔节期冻害已成为影响北方冬麦区主要的农业气象灾害.为实现低温胁迫下冬小麦叶绿素含量的精确诊断,利用多元统计分析方法(偏最小二乘法和逐步多元线性回归)提取低温胁迫下冬小麦叶绿素含量特征波段,并构建其估测模型.结果表明,经B-coefficient和VIP证实,结合SMLR提取叶绿素含量监测的光谱特征波段为401,681,727 nm,预测模型的R2,RMSE,RE分别为0.751,0.622,0.128,并且验证模型R2也达到了0.707,模型精度较高,具有一定的普适性.利用PLS-SMLR 提取特征波段、建模的方法是可行的,可为低温胁迫下冬小麦叶绿素含量估测提供一定的理论依据.%In recent years,freeze injury had became a main meteorological disaster on winter wheat jointing stage in northern region.To monitor the chlorophyll content of winter wheat under low temperature stress,the sensitive wavelengths were extracted and chlorophyll content of winter wheat monitoring model were constructed by using multivariate statistical analysis methods of partial least square and stepwise multiple liner regression.The results showed that characteristic bands of 401,681,727 nm were input into chlorophyll content spectrum monitoring model by using the parameters of B-coefficient and the variable importance for projection,and the values of R2,RMSE and RE for the predictive model were 0.751,0.622 and 0.128,respectively.The valueof R2 for the validated model was 0.707,which indicated that the multivariate methods had potential application on extracting the important wavelengths of chlorophyll content and constructing the predictive model.The study would provide some theoretical basis to the evaluation of winter wheat chlorophyll content under low temperature stress.【总页数】4页(P526-529)【作者】张雪茹;冯美臣;李广信;杨武德;王超;郭小丽;史超超【作者单位】山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西省农业科学院作物科学研究所,山西太原030031;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801;山西农业大学农学院,山西太谷030801【正文语种】中文【中图分类】S512.1+1【相关文献】1.冬小麦冠层水平叶绿素含量的高光谱估测 [J], 王晓星;常庆瑞;刘梦云;刘秀英;尚艳2.基于光谱变换的低温胁迫下冬小麦叶绿素含量估测研究 [J], 张雪茹;冯美臣;杨武德;王超;郭小丽;史超超3.天然气微泄漏胁迫下大豆冠层叶绿素含量的高光谱估测 [J], 姚胜男;蒋金豹;史晓霞;王文佳;孟豪4.条锈病影响下冬小麦叶绿素含量的高光谱估计 [J], 江道辉;李章成;周清波;李森;刘佳5.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算 [J], 李玮祎;孙明馨;曾风玲;王凤文因版权原因，仅展示原文概要，查看原文内容请购买。

利用无人机高光谱估算冬小麦叶绿素含量冯海宽;陶惠林;赵钰;杨福芹;樊意广;杨贵军【期刊名称】《光谱学与光谱分析》【年(卷),期】2022(42)11【摘要】叶绿素含量(SPAD)是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。

以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。

先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归(PLSR)方法估算SPAD,最后制作SPAD分布图验证模型的有效性。

结果表明,(1)大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平(0.01显著);(2)单个植被指数构建的SPAD估算模型中,LCI表现最好(R^(2)=0.56,RMSE=2.96,NRMSE=8.14%),红边参数中Dr/Dr_(min)表现最好(R^(2)=0.49,RMSE=3.18,NRMSE=8.76%);(3)基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R^(2)分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。

因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。

【总页数】6页(P3575-3580)【作者】冯海宽;陶惠林;赵钰;杨福芹;樊意广;杨贵军【作者单位】农业农村部农业遥感机理与定量遥感重点实验室;南京农业大学国家信息农业工程技术中心;河南工程学院土木工程学院【正文语种】中文【中图分类】S25【相关文献】1.基于无人机高光谱影像玉米叶绿素含量估算2.基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算3.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算4.冬小麦不同叶位叶片的叶绿素含量高光谱估算模型5.基于无人机高光谱的冬小麦植株氮含量估算因版权原因，仅展示原文概要，查看原文内容请购买。

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型马春艳;王艺琳;翟丽婷;郭辅臣;李长春;牛海鹏【期刊名称】《农业机械学报》【年(卷),期】2022(53)6【摘要】科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。

基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。

结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R^(2)分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R^(2)为0.74和0.79。

研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。

【总页数】10页(P217-225)【作者】马春艳;王艺琳;翟丽婷;郭辅臣;李长春;牛海鹏【作者单位】河南理工大学测绘与国土信息工程学院【正文语种】中文【中图分类】S512.11【相关文献】1.截形叶螨危害下枣叶片叶绿素含量高光谱估算模型2.不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究3.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算4.基于高光谱的石楠叶片叶绿素含量估算模型5.基于高光谱参数建立苗期高温条件下草莓叶片叶绿素含量估算模型因版权原因，仅展示原文概要，查看原文内容请购买。

1 引言小麦是我国主要的粮食作物之一，其产量是各级政府进行决策、生产部门指导生产、流通领域安排粮食收购和销售、交通部门安排运输计划的重要经济信息。

因而小麦产量的准确预测对我国农业和经济的发展具有重要意义。

遥感技术和地理信息系统的引入为解决这一问题提供了有效手段[1]。

遥感估产小麦种植是通过卫星可见光和近红外波段进行组合，形成各种植被指数，根据植被的光谱特性，来研究植被演化信息[2]。

近20年来利用遥感进行作物实时监测和营养快速诊断一直是遥感在农业中应用的研究热点。

高光谱遥感技术能通过监测作物生育时期的光谱变化研究作物反射光谱和叶绿素含量、叶面积指数等农学参数之间的关系，为作物遥感长势监测和遥感估产提供依据[3]。

利用卫星遥感信息进行农作物的长势监测和产量估计，主要依据农田作物光谱的反射特征，即同一作物在同一时间的不同波段以及在不同时间内具有不同的反射辐射状况。

然而，农田作物光谱实际上是多种光谱混合的结果，但微分光谱、植被指数等技术在水稻农学参数测定研究应用中有着很好的表现[4]，除作物本身状况外，农田作物光谱受土壤背景状况的影响由于栽培措施不同，作物本身又出现各种生长状况，因而可表现出各种各样的光谱状况。

卫星遥感信息反映的是野外条件下地物的反射辐射状况，因而可表现出各种各样的光谱状况。

卫星遥感信息反映的是野外条件下地物的反射辐射状况，田间野外测定的地面光谱与其具有很好的可比性。

从高光谱数据中提取植被指数进行长势监测和氮营养诊断也是其中重要的内容，研究表明红光和近红外波段的不同组合进行植被研究非常好，这些波段包含90%以上的植被信息。

研究发现不同氮水平下的水稻冠层、叶片和稻株的反射光谱具有差异，其叶面积指数和叶绿素含量与高光谱数据有相关性[5]。

高光谱技术在作物监测上的潜力也很大，它是有光谱范围广（400～2500nm）、波段多（512～1024个）、光谱分辨率高（3nm）、数据量大等优点，可以用来监测作物叶片和冠层的生化组分的状况和变化。

冬小麦苗期叶绿素含量检测光谱学参数寻优毛博慧;李民赞;孙红;刘豪杰;张俊逸;Zhang Qin【期刊名称】《农业工程学报》【年(卷),期】2017(033)0z1【摘要】光谱分析技术是作物生长检测的主要手段,为了解决大田漫反射采集所造成的光谱基线漂移和偏移问题,研究采集了冬小麦冠层325~1075 nm范围反射光谱,采用多元散射校正方法对小麦原始光谱进行预处理.采取遗传算法对光谱特征参数寻优并结合相关分析结果,选取486、599、699和762 nm波长处反射率值并组合计算了RVI(ratio vegetation index),DVI(difference vegetation index),NDVI(normalized difference vegetation index)和SAVI(soil-adjusted vegetation index)共12个植被指数,分析了各植被指数与叶绿素含量值之间的相关关系,结果显示:DVI和SAVI可抑制苗期土壤背景干扰并对叶绿素含量响应较为敏感,与叶绿素含量相关性最优的参数分别为DVI(762,599)、SAVI(762,599)、DVI(762,699)和SAVI(762,699),与叶绿素含量的相关系数都达到0.6以上.基于相关性最优光谱植被指数DVI(762,699)和SAVI(762,599)利用最小二乘-支持向量回归建立冬小麦叶绿素含量预测模型,建模集决定系数为0.681,验证集决定系数为0.611.该模型可用于无损检测冬小麦苗期叶绿素含量,以期为后续施肥决策提供支持.%Accurate prediction of winter wheat chlorophyll content at seedling stage is important for guiding precision management in the field. In order to acquire chlorophyll content of winter wheat leaves, traditional detection methods require to squash winter wheat leaves and applying chemical methods, which would have bad influence on crops growth and causeunnecessary waste of time on some level. It is proved that the spectroscopy analysis is an effective method to predict chlorophyll content of winter wheat. However, the drift and offset of spectral baseline has a great influence on the predicting accuracy. So, this study was carried out to eliminate the influence of the drift and offset. The experimental farm was randomly divided into 70 different sampling areas in Xiaotangshan, Beijing, and the winter wheat leaves were collected on April 20th in the period of seedling stage. The visible and near infrared canopy spectral reflectance of winter wheat was measured by an ASD FieldSpec handheld spectroradiometer at seedling stage. The chlorophyll contents of sampling leaves were detected by the spectrophotometer in the laboratory on the same day. The obtained data of the canopy spectral reflectance and chlorophyll content were assembled for each region individually. The multiple scattering correction (MSC) was used on the bands of 325-1025 nm wavelength, because many scattering errors were introduced into the measured spectral data due to the physical factors. The MSC method first requires establishing an ideal spectrum of all samples, and modifying all the other samples of near infrared spectra on the basis of ideal spectrum to, and spectral reflectance changes with the content of chlorophyll components in the sample meet the direct linear relationship. The absolute intensity difference of spectral reflectance of winter wheat canopy was weakened after the MSC pretreatment, and then scattering effect was effectively reduced. Baseline shift and offset problems were resolved, and the correlation coefficients of spectral reflectance and chlorophyll contentwere increasing through the MSC pretreatment. Furthermore, genetic algorithm (GA) was proposed for sensitive band selection. GA is a high efficient and globally random search optimization method which simulates Darwin's evolution by natural selection and genetic mechanism of biological evolution. According to the principles of choosing high frequency bands as characteristic wavelength, 486, 599, 699 and 762 nm crop canopy reflectances were selected to calculate vegetation indices, including ratio vegetation index (RVI), difference vegetation index (DVI), normalized difference vegetation index (NDVI) and soil-adjusted vegetation index (SAVI). The correlation between each vegetation index and chlorophyll content of winter wheat was analyzed. It was found that the correlation between each vegetation index and chlorophyll content of winter wheat significantly increased after the MSC. The results showed that DVI and SAVI could refrain interference of soil background during seedling period, and the optimal parameters were DVI(762, 599), SAVI(762, 599), DVI(762, 699) and SAVI(762, 699), and the correlation coefficients were all above 0.6. The DVI(762, 699) and SAVI(762, 599) were selected to establish the multiple linear regression (MLR) prediction model and the least squares-support vector regression (LS-SVR) prediction model. The 70 winter wheat samples were divided into 2 groups, 50 samples for model calibration and the other 20 samples for model verification. The results of MLR showed the determination coefficient of the calibration model was 0.528 and that of the validation model was 0.487. In order to improve the precision of the forecast model, the LS-SVR prediction model was applied,and the determination coefficient of the calibration model was 0.681 and that of the validation model was 0.611. It showed that the fitting result was ideal. With the application of spectral technology, it provides a feasible method to detect the winter wheat growth status at seedling stage.【总页数】6页(P164-169)【作者】毛博慧;李民赞;孙红;刘豪杰;张俊逸;Zhang Qin【作者单位】中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京 100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京 100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京 100083;美国华盛顿州立大学精细农业及农业自动化研究中心,Prosser,WA 99350【正文语种】中文【中图分类】S127【相关文献】1.基于近红外光谱苗期玉米叶片叶绿素含量的无损检测方法 [J], 翟哲;李伟凯2.基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测 [J], 王伟;彭彦昆;王秀;马伟3.冬小麦叶绿素含量高光谱检测技术 [J], 王伟;彭彦昆;马伟;黄慧;王秀4.增水和施肥对苜蓿-冬小麦轮作系统冬小麦叶片光合速率和叶绿素含量的影响 [J], Zhang Xiaolin;Chen Mengtian;Zhai Penghui;Zhao Xiang;Dong Kuanhu5.苗期低温胁迫对“红颜”草莓叶绿素含量及冠层高光谱的影响 [J], 徐若涵;杨再强;申梦吟;王明田因版权原因，仅展示原文概要，查看原文内容请购买。

基于无人机多光谱遥感的冬小麦参数反演及综合长势监测摘要：本文利用无人机多光谱遥感技术对冬小麦进行参数反演，采用综合长势监测方法对冬小麦的生长状态进行分析和评估。

研究结果表明，无人机多光谱遥感技术可以准确提取冬小麦的生长信息，反演出作物的重要参数如叶面积指数、叶绿素含量等。

同时，综合长势监测的方法可以更好地评估冬小麦的生长状态，为作物生长管控和决策提供重要参考。

本文的研究成果可以广泛应用于冬小麦的远程监测，具有实际应用价值。

关键词：无人机遥感；多光谱；冬小麦；参数反演；综合长势监测Abstract：In this paper, we use the unmanned aerial vehicle (UAV) multispectral remote sensing technology to invert the parameters of winter wheat and use the comprehensive growth monitoring method to analyze and evaluate the growth status of winter wheat. The results show that the UAV multispectral remote sensing technology canaccurately extract the growth information of winter wheat and invert important parameters of crops such as leaf area index and chlorophyll content. At the same time, the method of comprehensive growth monitoring can better evaluate the growth status of winter wheat, which provides important reference for crop growth management and decision-making. The research results of this paper can be widely used in the remote monitoring of winter wheat and have practical application value.Keywords: UAV remote sensing; multispectral; winter wheat; parameter inversion; comprehensive growth monitorinWinter wheat is an important crop in many regions of the world, and its growth status plays an important role in its yield and quality. In recent years, with the development of remote sensing technology, UAV remote sensing has become an effective tool for monitoring crop growth. In this study, a multispectral remote sensing method was used to monitor the growth status of winter wheat.The study found that leaf area index (L) and chlorophyll content are important indicators of winter wheat growth status. The multispectral remote sensingmethod was able to accurately estimate these parameters. The results showed that L and chlorophyll content were positively correlated with winter wheat yield and biomass.In addition, a method of comprehensive growth monitoring was proposed in this study. This method combined the estimation of L and chlorophyll content with other growth parameters, such as height, biomass, and vegetation index, to evaluate the overall growth status of winter wheat. The results of the comprehensive growth monitoring provided important reference for crop growth management and decision-making.Overall, the research results of this paper demonstrate the potential of UAV remote sensing for monitoring the growth status of winter wheat. The use of multispectral remote sensing and comprehensive growth monitoring can provide accurate and reliable information for crop management and decision-making. These methods can be widely used in the remote monitoring of winter wheat and have practical application valueIn conclusion, the use of UAV remote sensing for monitoring winter wheat growth can greatly enhancecrop management and decision-making. By employing multispectral remote sensing and comprehensive growth monitoring, accurate and reliable information can be obtained for effective crop management. The results of the study also demonstrate that these methods have practical application value and can be widely used in the remote monitoring of winter wheat.However, there are some limitations that need to be considered when using UAV remote sensing for crop monitoring. For instance, the use of UAVs can be limited by weather conditions such as strong wind and rain, which can affect the accuracy of the data obtained. Additionally, UAVs have limited flight duration and payload capacity, which can limit the scope and accuracy of the data collected.Despite these limitations, the use of UAV remote sensing for crop monitoring is a promising technology that can greatly improve crop management and decision-making. Future research could focus on developing more advanced UAVs that can overcome the limitations posed by weather conditions, flight duration, and payload capacity. Further research could also focus on improving the accuracy of the data collected and developing models that can accurately predict crop growth and yield based on this data.In conclusion, the use of UAV remote sensing has the potential to revolutionize crop monitoring and management. The technology can provide accurate and reliable data for effective decision-making and can help farmers optimize their crop yields while minimizing their environmental impact. It is a promising tool that could be widely used in the future to enhance food security and sustainabilityAnother potential benefit of UAV remote sensing is its ability to detect crop stress and disease at an early stage. By collecting images of crops with high resolution cameras, it is possible to identify areas of plants that are experiencing stress or displaying signs of disease. This information can then be used to take preventative measures such as applyingfertilizers in certain areas or implementing disease management strategies before the issue becomes widespread.Furthermore, UAV remote sensing can also help reduce the cost of crop management. Traditional crop management practices such as manual scouting and data collection can be time-consuming and expensive. With UAVs, large areas of crops can be surveyed in a short amount of time, and data can be automaticallycollected and analyzed, reducing the need for manual labor and increasing efficiency.Despite the benefits of UAV remote sensing, there are also some challenges that need to be addressed. One of the biggest challenges is the regulatory framework around UAV use. In some countries, regulations can be restrictive in terms of operating UAVs in agricultural areas. Additionally, the cost of the technology may be prohibitive for some farmers, particularly smallholders.Another challenge is the need for accurate andreliable data processing and analysis. UAVs can produce vast amounts of data, which must be processed and analyzed in a timely manner to be useful. This can require specialized knowledge and equipment, which may not be available to all farmers.In conclusion, UAV remote sensing has the potential to greatly benefit the agriculture industry by providing accurate and reliable data for crop monitoring and management. With the ability to detect crop stress and disease at an early stage, reduce costs and increase efficiency, UAVs are a promising tool that could be widely used in the future to enhance food security and sustainability. However, it is important to addressthe challenges around regulation and data processing to ensure that the technology can be effectively utilized by all farmersIn conclusion, unmanned aerial vehicles (UAVs) have the potential to revolutionize the agriculture industry. They can provide accurate and reliable data for crop monitoring and management, enable early detection of crop stress and disease, reduce costs, and increase efficiency. However, the challenges of regulation and data processing must be addressed to ensure that farmers of all sizes can benefit from this promising technology. UAVs have the potential to enhance food security and sustainability, and their adoption could be a game-changer for the agriculture industry。

基于光谱指数的冬小麦冠层叶绿素含量估算模型研究罗丹;常庆瑞;齐雁冰;李媛媛;李松【期刊名称】《麦类作物学报》【年(卷),期】2016(36)9【摘要】为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合，同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果，通过分析350-2500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系，建立冬小麦冠层叶绿素含量估算模型。

结果表明，选用归一化光谱指数（NDSI）、比值光谱指数（RSI）、差值光谱指数（DSI）和土壤调节光谱指数（SASI）建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0．71，标准误差均小于1．842。

利用独立试验资料进行检验，表现最好的是RSI（FD689，FD609）和SASI（R491，R666）L=0.01，预测精度高达98．2％，模型精确度和可靠性较高。

【总页数】9页(P1225-1233)【关键词】冬小麦;叶绿素;光谱指数;估算模型【作者】罗丹;常庆瑞;齐雁冰;李媛媛;李松【作者单位】西北农林科技大学资源环境学院【正文语种】中文【中图分类】S512.1;S313【相关文献】1.基于光谱变换的冬小麦冠层SPAD值估算模型研究 [J], 林少喆;彭致功;张宝忠;魏征;张倩;韩娜娜;刘露;王春堂;冯哲2.基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究 [J], 魏青;张宝忠;魏征;韩信;段晨斐3.植被指数方法估算冬小麦冠层叶绿素含量的角度效应研究 [J], 何宇航;周贤锋;张竞成;张垚;陈冬梅;吴开华;黄文江;孔维平;徐俊锋4.基于优化光谱指数的新疆春小麦冠层叶绿素含量估算 [J], 亚森江.喀哈尔;尼加提.卡斯木;尼格拉.塔什甫拉提;张飞;茹克亚.萨吾提;阿不都艾尼.阿不里;师庆东;苏比努尔.居来提5.基于PROSAIL模型的玉米冠层叶面积指数及叶片叶绿素含量反演方法研究 [J], 张明政;苏伟;朱德海因版权原因，仅展示原文概要，查看原文内容请购买。

基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测王伟;彭彦昆;王秀;马伟【摘要】定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义.本研究验证高光谱成像技术结合偏最小二乘-最小二乘支持向量机(PLS-LS-SVM)建模方法预测大田冬小麦叶绿素含量的可行性.首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱,进而得到其立方体图像数据,并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值.为保证PLS-LS-SVM模型的鲁棒性和预测稳定性,首先通过PLS方法解决多重共线性问题并将输入变量维数减至4维,然后利用LS-SVM进行训练建模.所建叶绿素含量预测模型的决定系数达R2=0.8459,预测均方根误差RMSEV=0.4370.研究结果表明,基于高光谱成像系统,采用PLS-LS-SVM建立模型用来预测大田冬小麦叶绿素含量是完全可行的.【期刊名称】《农机化研究》【年(卷),期】2010(032)009【总页数】6页(P170-175)【关键词】冬小麦;叶绿素含量;高光谱成像;偏最小二乘;最小二乘支持向量机【作者】王伟;彭彦昆;王秀;马伟【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;国家农业信息化工程技术研究中心,北京100089;国家农业信息化工程技术研究中心,北京100089【正文语种】中文【中图分类】S512.1+10 引言小麦是我国主要的粮食作物,氮素营养不仅对小麦生长发育、产量和品质形成有重要作用,而且不合理的氮素营养对环境也会造成威胁,因此氮素营养的监测是小麦优质、高产、高效、安全生产的一个主要措施。

叶绿素含量和植被的光合能力、发育阶段以及氮素状况有较好的相关性[1],它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器[3]。

因此，定量测定小麦叶片的叶绿素含量在小麦估产、农情监测等方面具有重要的意义。

传统的测量叶绿素的标准方法是化学分析法, 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,然后根据相应公式[4]，计算出叶绿素的含量。

基于光谱变换的低温胁迫下冬小麦叶绿素含量估测研究张雪茹;冯美臣;杨武德;王超;郭小丽;史超超【期刊名称】《中国生态农业学报》【年(卷),期】2017(25)9【摘要】Chlorophyll content is a vital index of photosynthetic capacity and crop growth status. In recent years, freeze injury had become a main meteorological disaster at jointing stage of winter wheat in the northern region of China. Although global climate had been warming since the 1980s, freeze injury had not weakened. Climate warming had led to a decline in the pro- portion of wheat varieties planted in winter and to a rise in the proportion of the varieties planted in spring. With increasing warm autumn years, the issue of wheat overgrowth has worsened, decreasing the ability of wheat to resist cold. Climate change has not been stable and extreme weather events have increased, implying that there was still the risk of freeze injury of wheat. Shanxi Province suffered freeze injury and the maximum area affected by freeze injury has been estimated at 0.26 million hectares. This had a severe impact on the growth and development of wheat, and ultimately affected the yield of wheat. The rapid and accurate estimation of chlorophyll content of winter wheat is meaningful in resisting the occurrence of freeze injury. However, the routine methods of measuring chlorophyll content are complex and time-consuming. Therefore, developing a rapid and non-destructive chlorophyllcontent diagnosis technology can be an effective way to monitor winter wheat freeze injury. Here, two varieties of winter wheat were treated under -6℃ temperature s tress for 4, 8 and 12 hours at jointing stage. Moreover, canopy spectra were collected and the raw spectrum transformed with respect to 15 transformation methods and then the spectral transformation processes of chlorophyll content of winter wheat were analyzed in the PLSR model. The aim was to select the optimal spectral transformation of chlorophyll content in winter wheat under low temperature stress, and provide theoretical basis for monitoring freeze injury of winter wheat. The results showed that the chlorophyll content of two winter wheat varieties declined with increasing time of low-temperature stress. With increasing number of days after freeze, the differences between low temperature and control treatments decreased gradually. Moreover, the near-infrared region re-flectance increased greatly with strengthening low-temperature stress and the visible region had no significant difference in short-term stress after 5 days. While the yellow and red bands increased, the near-infrared region decreased in differences after 10, 20 and 35 days of stress. Compared with the raw spectrum, the transformation methods under differential treatments (e.g., reciprocal, logarithm, power, and square root transformation methods) failed to improve the relevance of chlorophyll content and therefore the overall performance of model was poor. Other differential transformation processes of chlorophyll content diagnosis models had higher precision than raw spectral analysis, except for T6[(lgR)′,R is the spectral reflectance].Moreover, the second-order differential for raw spectrum (T15,R′′) had a higher accuracy (RC2 = 0.930, RMSEC = 0.340;RV2 = 0.753) respectively for the calibrated and validated models after comprehensive evaluation of predicted performance and complexity level of different models. It showed that the second-order differential for raw spectrum (T15, R′′) was the most plausible trans-formation method of spectral reflectance for evaluating chlorophyll content of winter wheat under low temperature stress.%近年来,冻害已成为影响我国冬麦区的农业气象灾害之一,及时、快速、准确地获取冬小麦叶绿素含量对于监测冬小麦冻害发生具有极其重要的意义.本研究通过低温胁迫试验,在拔节期对两个冬麦品种进行-6℃,4 h、8 h和12 h的胁迫处理后,测定其冠层光谱反射率,并对原始光谱数据进行15种典型变换处理,分析比较不同光谱变换下冬小麦叶绿素含量的PLSR模型,筛选出能够表征低温胁迫下冬小麦叶绿素含量的最佳光谱变换方式.结果表明,随低温胁迫时间的延长,两个冬小麦品种叶绿素含量呈降低趋势,随着低温胁迫后天数的增加,各处理与对照的差异逐渐减小.胁迫后5 d,近红外区域反射率有较大升高,并随低温胁迫后时间的延长而升高;在可见光区域,短期内差异不明显.胁迫后10 d、20 d、35 d,黄、红波段逐渐趋于水平,同时近红外区域反射率差异逐渐缩小,可见光区域光谱反射率出现不同程度的上升.对原始光谱数据进行15种典型变换处理,发现原始光谱的倒数、对数、幂、平方根等变换难以提高与叶绿素含量的相关性,且建模效果较差.除原始光谱对数的一阶微分(T6)外,其他微分变换处理的叶绿素含量诊断模型都优于原始光谱.综合考虑模型的校正、验证效果、模型最佳因子数以及相对分析误差的大小,二阶微分变换处理(T15)叶绿素含量校正模型的R2和RMSE分别为0.930、0.340,验证模型的R2为0.753,表明基于T15的光谱变换数据可实现低温胁迫下叶绿素含量的准确估算,为最佳光谱变换方式.【总页数】9页(P1351-1359)【作者】张雪茹;冯美臣;杨武德;王超;郭小丽;史超超【作者单位】山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801【正文语种】中文【中图分类】S512.1+1【相关文献】1.冬小麦冠层水平叶绿素含量的高光谱估测 [J], 王晓星;常庆瑞;刘梦云;刘秀英;尚艳2.基于成像高光谱的苹果叶片叶绿素含量估测模型研究 [J], 牛鲁燕;郑纪业;张晓艳;孙家波;王风云;孔庆福3.低温胁迫下冬小麦叶绿素含量高光谱估测 [J], 张雪茹;冯美臣;李广信;杨武德;王超;郭小丽;史超超4.基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究 [J], 魏青;张宝忠;魏征;韩信;段晨斐5.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算 [J], 李玮祎;孙明馨;曾风玲;王凤文因版权原因，仅展示原文概要，查看原文内容请购买。

基于高光谱和ＰＬＳ—ＬＳ—ＳＶＭ的冬小麦叶绿素含量检测王伟１，彭彦昆１，王秀２，马伟２（１．中国农业大学工学院，北京１０００８３；２．国家农业信息化工程技术研究中心，北京１０００８９）摘要：定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义。

本研究验证高光谱成像技术结合偏最小二乘一最小二乘支持向量机（ＰＬＳ—ＬＳ—ＳＶＭ）建模方法预测大田冬小麦叶绿素含量的可行性。

首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱，进而得到其立方体图像数据，并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值。

为保证ＰＬＳ—Ｌｓ—ＳＶＭ模型的鲁棒性和预测稳定性，首先通过ＰＬ￥方法解决多重共线性问题并将输入变量维数减至４维，然后利用ＬＳ—ＳＶＭ进行训练建模。

所建叶绿素含量预测模型的决定系数达Ｒ２＝０．８４５９，预测均方根误差ＲＭＳＥＶ＝０．４３７０。

研究结果表明，基于高光谱成像系统，采用ＰＬＳ—ＬＳ—ＳＶＭ建立模型用来预测大田冬小麦叶绿素含量是完全可行的。

关键词：冬小麦；叶绿素含量；高光谱成像；偏最小二乘；最小二乘支持向量机中图分类号：Ｓ５１２．１＋１文献标识码：Ａ文章编号：１００３—１８８Ｘ（２０１０Ｊ０９－０１７０一∞０引言小麦是我国主要的粮食作物，氮素营养不仅对小麦生长发育、产量和品质形成有重要作用，而且不合理的氮素营养对环境也会造成威胁，因此氮素营养的监测是小麦优质、高产、高效、安全生产的一个主要措施。

叶绿素含量和植被的光合能力、发育阶段以及氮素状况有较好的相关性…，它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器【３Ｊ。

因此，定量测定小麦叶片的叶绿素含量在小麦估产、农情监测等方面具有重要的意义。

传统的测量叶绿素的标准方法是化学分析法，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，然后根据相应公式ＨＪ，计算出叶绿素的含量。

基于成像高光谱的小麦叶片叶绿素含量估测模型研究牛鲁燕;孙家波;刘延忠;张晓艳【期刊名称】《河南农业科学》【年(卷),期】2016(045)004【摘要】为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用.采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型.经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2094.242R′7153+112646.744 R′7152-1.561 E7 R′715+42.991.这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高.【总页数】5页(P150-154)【作者】牛鲁燕;孙家波;刘延忠;张晓艳【作者单位】山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100【正文语种】中文【中图分类】S512.1;TP79【相关文献】1.基于高光谱的水浇地与旱地春小麦拔节期叶绿素含量估测模型对比研究 [J], 靳彦华;熊黑钢;张芳;王莉峰2.基于成像高光谱的苹果叶片叶绿素含量估测模型研究 [J], 牛鲁燕;郑纪业;张晓艳;孙家波;王风云;孔庆福3.基于高光谱的香樟叶绿素含量估测模型研究 [J], 王爱芳;王妮;高明;王琪;郭俐4.基于高光谱成像反射和透射技术的雨生红球藻叶绿素含量研究 [J], 邵咏妮;周宏;潘健;蒋林军;何勇;5.基于灰色关联法的春小麦叶片含水量高光谱估测模型研究 [J], Umut Hasan;Mamat Sawut;Nijat Kasim;Nigela Taxipulati;WANG Jing-zhe;Irxat Ablat因版权原因，仅展示原文概要，查看原文内容请购买。

B 期R R R R R R R R R R R R R R R 冯R 伟等：小麦叶片色素含量的高光谱监测R R R R R R DDC 图 !" 小麦冠层叶片色素含量的预测值与实测值的比较#$%& !" !"#$%&’(" "* +(,’#%,+- .’,/ #+%(0&+- 1%"$2 3+%* $’4#+,1"1+,&%,’"( ’ ./+%, 5%(+- " 6+2 /2$+&7($+1,&%3 $%&%#+,+&（ ! 8 9:; ） < 量对 !/3 %、 !/3 % = 5 和 !%& 含量进行预测，测试结 !/3 % 含量的检验结果依然较好< 从图 > 可以看出，果最好，其次为 !/3 % = 5，而 !/3 5 和 !%& 含量的检验结果稍差< !/3 % 和 !/3 % = 5 含量的预测值与实测值间 " 分别为 ?@ A?B 和 ?@ C:: ，"# 分别为 D@ ?E 和 D@ CE ； !/3 5 含量的预测值与实测值间 "> 和 "# 分别为 ?@ F;> 和 9A@ >E ，由于 !/3 5 受氮素营养的调控效果相对较差，且对不同生育期的反应相对敏感，年度间的差异也较大，从而重演性相对较差，导致预测精度降低、相对误差偏大； !%& 含量的预测值低于实测值，其 "# 为 9:@ FE ，表明对 !%& 含量的预测也较为准确< 经过对不同色素含量的拟合结果和模型检验的比较分析，可以确立适宜光谱参数对不同色素含量（ #4 ・ 4 G9 > 叶绿素含量的潜在预测指标< 由于红边面积（ PQ& ）充分发挥了多波段及微分技术的和蓝边面积（ PQ5）［ >B ， >C ］优势，对植株生化组分的估测具有较高能力，本文结果也充分表明了这一点< 红边区域光谱信息［ >> ， >A ］丰富，前人据此提出了许多光谱指数，在本试验建模中均得到了很好的应用< 红边位置是表征红边特性的一个重要参数，其数值大小受叶绿素和冠层及叶片结构等的综合影响，对生育时期和叶绿素［ A， >D ］均表现敏感 < 由于导数光谱在红边内存在双峰，红边内导数光谱的极大值所对应的波长位置（由定［ >; ］义求得）难免产生偏差且具有离散性< I’33+& 等［ >: ］和 !/" 等分别利用倒高斯光学（ MN ）模型和线性外推法修正了红边位置< 本研究利用 "#% 估算叶绿素的结果表明，由定义出发的 "#% 对叶绿素的拟合，而 "#% MN 的拟合精度明精度相对较低（ "> 8 ?@ C> ）显提高（ "> 8 ?@ A> ）， "#% KL 则可以进一步改善对叶绿素的估算精度（ "> 8 ?@ A: ），因此 "#% KL 在估算与色素和氮有关的生物理化参数方面具有广阔的应用前景< HI ）的预测方程分别为： $ !/3 % 8 ?@ ?B>D J "#% KLG ;F@ >:A ； $ !/3 % = 5 8 ?@ ?C>B J "#% KL G :D@ C>F ； $ !/3 5 8 ?@ ?;DA J "#% MN G >C@ AD ；$ !%& 8 ?@ ??AC J "#% KL G B@ A:;< ’" 讨" " 论O3%1650& ［ 9> G 9; ］利用叶绿素特征吸收波段构造由于 !%& 含量较低，且生理变化复杂，导致 !%& 估测模型的精度较低，其预测方程仍需进一步优［ 99 ， 9; ］化 < 此外，小麦 !%& 信息主要集中在冠层下部，了光谱指数 %&&" 和%&’(< 进一步的研究表明， BB? 和 C?? # 较 FA? # 附近的反射率对叶绿素更敏［ 9: G 9B ， >F ］感 < 本文利用以上研究成果筛选的多波段组因此，在冠层水平用光谱法估算 !%& 状况的研究相［ 9; ， ;? ］对较少 < 尽管 !%&与 !/3 间存在生理差异，提取合参数方程的拟合效果较好，其中，#’(C?B 可作为LL2 < < < < < < < < < < < < < < < < < < 应< 用< 生< 态< 学< 报< < < < < < < < < < < < < < < < < < < *L 卷 !"# 特征敏感的冠层光谱参数比较困难，但本研究利用对 !$% 敏感的光谱参数用来监测 !"# 信息也取得了不错的效果，只是预测方程仍需进一步优化& 氮素、生育时期及品种等因子对!$% ’ 的复合效应在年度间存在显著差异，导致利用冠层光谱估算!$% ’ 含量的重演性明显降低，严重影响了!$% ’ 光谱监测模型在实践中的应用，有关提取对!$% ’ 敏感且［ *+ ］特征适宜的光谱指标仍需深入研究& ( 等、 ,"-. ［ */ ］［ *2 ］等和 0.#-1 等对小麦叶片色素状况的光谱估参考文献［*］ < =">1 ;，;.1?@ AB(& C1##1D?#E"% EF"-E>-DG1H?#.F1?#I： !##1>? D?"?D，J?#1 ?#1>KD& !$%&’$ ($*+, &- ".+/ 0&%$’，*LLM ， !! ： **/N*3+ ［3］ < 7EH$?1>?$"%1# (O，;E?1%D.> AA，7">- P& Q.>K1D?#HR ?ES1 K1?1#FE>"?E.> .J H$%.#.G$I%% H.>?1>? .J %1"S1D .J " -#11> ">K "> "#1" F?">? .J ?.’"HH. ’I #1J%1H?">H1 F1"D#1F1>?D& 1&2034 &- #43’#56*+&4&,6， *LL+ ， "!# ： 62MN6LM ［M］ < 7E TRU（刘占宇），(">- ,RB （黄敬峰），V WR( （吴新宏），$’ 34& (IG1#DG1H?#"% #1F.?1 D1>DE>-1D?EF"R ?E.> F.K1%D .> S1-1?"?E.> H.S1#"-1 .J >"?#"% -#"DD%">K&75+$*$ 1&2034 &- 8994+$: ";&4&,6（应用生态学报）， 344+ ， "$ （+）：LL/N*443（ E> !$E>1D1）［6］ < X$1> U（沈< 艳），QE T（牛< 铮），U"> !RU（颜春燕） & 8D?EF"?E.> F.K1%D J.# S1-1?"?E.> Y"?1# H.>?1>?"? ’.?$ %1"J ">K H">.GI %1S1%D& 75+$*$ 1&2034 &- 8994+$: ，3445 ，"% （/）：*3*2N*33M ";&4&,6（应用生态学报）（ E> !$E>1D1） < ZE>- XRU（丁圣彦），7E (RP（李昊民），[E"> 7RW ［5］（钱乐祥） &\1D1"#H$ "KS">H1D E> #1F.?1 D1>DE>- ?1H$R >E]1D E> 1D?EF"?E.> .J S1-1?"?E.> ’E.H$1FEH"% F"?1#E"% ， H.>?1>?& 75+$*$ 1&2034 &- ";&4&,6（生态学杂志） 3446 ，&’ （6）： *4LN**/（ E> !$E>1D1）［+］ < 71 P"E#1 ;，B#">H.ED !，ZJ#^>1 8& C.Y"#KD >ES1#D"% ’#."K %1"J H$%.#.G$I%% E>KEH1D DE>- _\‘X_8!C DEF%"R ?1K K"?"’"D1 ">K $IG1#DG1H?#"% #1J%1H?">H1F1"D#1R 3446 ， #( ： *N32 F1>?D& !$%&’$ ($*+, &- ".+0&%$’，［/］ < Z"?? 0& \1F.?1 D1>DE>- .J H$%.#.G$I%% "，H$%.#.G$I%% ’，H$%.#.G$I%% " 9 ’，">K ?.?"% H"#.?1>.EK H.>?1>? E> 1H"R %IG?D %1"S1D& !$%&’$ ($*+, &-".+0&%$’，*LL2 ， %% ： ***N*3* ［ 2 ］ (.#%1# ZQ(，Z.Ha#"I P，0"#’1# ,，$’ 34& \1K 1K-1 F1"D#1F1>?D J.# #1F.?1%I D1>DE>- G%">? H$%.#.G$I%% H.>R*L2M ，’： 3/MN3// ?1>?& 8:.3;$* + (93;$ !$*$30;5，［L］ < _E>"# A，!##"> _,& ;#"DD H$%.#.G$I%% ">K ?$1 #1J%1HR ?">H1 #1K 1K-1& <’$03’+&34 1&2034 &- !$%&’$ ($*+,， *LL+ ， "$ ： M5*NM5/ ［ *4 ］ < 7E VRZ（刘伟东），WE">- UR[（项月琴），T$1>- 7RB （郑兰芬），$’ 34&\1%"?E.>D$EGD ’1?Y11> #EH1 7A:，!(& Z ">K $IG1#DG1H?#" K"?"& 1&2034 &-!$%&’$ ($*+,（遥 3444 ， ! （6）： 3/LN32M（ E> !$E>1D1）感学报），< !$"GG1%%1 8V，OEF PX，PHP#?#1I ::: ,8& \"?E. ">"%R ［ ** ］ IDED .J#1J%1H?">H1 DG1H?#"（ \A\X ）：A> "%-.#E?$F J.# ?$1 #1F.?1%I1D?EF"?E.> .J ?$1 H.>H1>?#"?E.> .J H$%.#.R G$I%% "，H$%.#.G$I%% ’，">K H"#.?1>.EKD E> D.I’1"> %1"SR 1D& !$%&’$ ($*+, &- ".+0&%$’，*LL3 ，’( ：3ML N 36/M ［ *3 ］< 0%"Ha’#> ;A& XG1H?#"% E>KEH1D J.# 1D?EF"?E>-G$.?.DI>R ?$1?EH GE-F1>? H.>H1>?#"?E.>D： A ?1D? DE>-D1>1DH1>? ?#11 %1"S1D& <’$03’+&34 1&2034 &- !$%&’$ ($*+,， *LL2 ， "( ：+5/N+/5 ［ *M ］< 0%"Ha’#> ;A& [">?EJIE>- H$%.#.G$I%%D ">K H"#.?1>.EKD "? %1"J ">K H">.GI DH"%1D：A> 1S"%"?E.> .J D.F1 $IG1#R DG1H?#"%"GG#."H$1D& !$%&’$ ($*+, &- ".+0&%$’， *LL2 ， %% ： 3/MN325 测进行了研究，但以上试验均基于单年数据，参与建模的生育期少，且侧重于单个色素组分含量的分析，导致建立的模型易饱和& 本文选用的拟合方程经过独立年份实测数据的检验，重演性好，模型易于外推，且适用整个生育时期，可应用于不同氮肥条件下多种色素含量的反演& 本研究在 3445 年的建模试验中，基础肥力偏低、群体小，而在 3446 年的试验中，基础肥力偏高、群体大，因此，生物量和叶面积指数在年度间存在显著差异，进而显著影响冠层光谱的变化，尤其是近红外波段原始反射率& 通过多波段组合和微分等技术构建植被指数、筛选对色素含量高度敏感的光谱参数、并建立了定量关系模型，再通过年度间的比较分析表明模型间不存在显著差异，因此，采用 3446 年的独立试验数据对 3445 年建立的模型进行检验，检验结果理想& 这充分表明色素含量定量监测模型在年度间存在一致性，能够使用统一方程来表达光谱参数与色素含量间的数量关系，可应用于不同地力和氮肥条件下多种色素含量的估算& 本文提出红边位置 !"# 78 可较好地监测叶片 !$% " 和!$% " 9 ’ 含量，红边位置 !"# :; 相对较好地监测!$% ’ 含量；利用 !"# 78 预测 !"# 含量也取得了比较准确可靠的估测效果& 这对作物光合能力评价、产量潜力预测、植株健康状况监测及氮素营养调控具有重大意义，为遥感技术在精确农业中的应用提供了理论依据和技术支撑& 当然，本文中的小麦色素监测模型是在一个有待通生态区 3 年大田试验资料上构建和测试的，过不同生态点的广泛检验得以不断完善，以实现模型的估测精度和普适性的有效统一& 叶片色素包括多种组分，不同组分具有特有的变化规律，同时，群体色素状况包括含量和密度 3 个指标，不同组分及状态表示方式与光谱的关系存在差异，需要进一步系统阐明& 此外，不同植被指数有不同的特点及适用范围，利用高光谱数据选择更敏感、适用性更广的波段组合及特征参数仍需进一步开展研究&G 期# # # # # # # # # # # # # # # 冯# 伟等：小麦叶片色素含量的高光谱监测# # # # # # ［ !" ］ # $%&’(*+ ,,，-’./(012 -34 56’7&.1( .’8(’7&1+7’ 791+: ;’ 1*7%1&’ <%&9 1=&=>+ ’+’7’+7’ *8 !"#$%&%# ’(* +$,#-,.%/ ?4 1+@ !$"0 &,-,.+(1"# ?4 (’1A’ 6’7&.1( 8’1&=.’ 1+@ .’(1&%*+ &* 79(*.*690(( ’&%>1&%*+4 2+%0.,& +3 4&,.- 4’5#(+&+65， !BB" ， !"# ： CDEFCBC ［ !G ］ # 5%> H,，$1>*+ I,4J’(1&%*+9%6 K’&<’’+ (’18 6%;: >’+& 7*+&’+& 1+@ 6’7&.1( .’8(’7&1+7’ 17.* 1 <%@’ .1+;’ *8 6’7%’，(’18 &.=7&=.’ 1+@ @’A’(*6>’+&1( &1;’4 7"* CLLC ， $! ：MMNFMG" /+-" 8".#(.6 +3 9.:(0+./".-，［ !E ］ O= PQ，R%1+ 5S，O1K*=@1+’ H，"- ,&4 J’&.%’A1( *8 7.*6 79(*.*690(( 7*+&’+& 1+@ (’18 1.’1 %+@’T 8.*>@’7*>: 6.’’@ 906’.6’7&.1( @1&1：U9’ ’88’7& *8 @1&1 7*>6.’: %*+4 7"/+-" 8".#(.6 +3 9.:(0+./".-，CLL" ，%& ：!MBF !GC ［ !N ］ # I1;* J,，V=&(’. -SI，V=..1+ WI4 S&%>1&%+; 71+*60 79(*.*690(( 7*+7’+&.1&%*+ 8.*> 8%’(@ 1+@ 1%.K*.+’ 6’7: &.14 7"/+-" 8".#(.6 +3 9.:(0+./".-，!BBB ，’$ ：C!N F CC" ［ !D ］# P.*;’ 3O，-*.&’+’+ IX4 H’.%A%+; ;.’’+ 7.*6 1.’1 %+: @’T 1+@ 71+*60 79(*.*690(( @’+%&0 *8 <%+&’. <9’1& 8.*> 6’7&.1( .’8(’7&1+7’ @1&14 7"/+-" 8".#(.6 +3 9.:(0+.* CLLC ，$! ： "GFGN /".-，［ !B ］# ?%79&’+&91(’. OY4 V9(*.*690(( 1+@ 71.*&’+*%@，&9’ 6%;: >’+& *8 69*&*0+&9’&%7 K%*>’>K.1+’ Z Z W172’. ?，H*=7’ J，’@4 -’&9*@ %+ S+/0>*(*;04 51+ H%’;*， V,：,71@’>%7 W.’， !BDN ［ CL ］# J*=’ I[，O11 JO，579’(( I,，"- ,&4 -*+%&*.%+; &9’ A’.+1( 1@A1+7’>’+&1+@ .’&.*;.1@1&%*+ *8 +1&=.1( A’;’: &1&%*+4 3,5, Z $5\V，U06’ ]]]，\%+1( J’6*.&，$.’’+: K’(&，-H，^5,， !BN" ： !!FMN! ［ C! ］$%&’(*+ ,,，Y1=8>1+ _I， -’./(012 -34 ^’ *8 1 ;.’’+ 791++’( %+ .’>*&’ ’+%+;*8 ;(*K1( A’;’&1&%*+ 8.*> S‘5:-‘H]54 7"/+-" 8".#(.6 +3 9.:(0+./".-， !BBE ， ($ ：CDBFCBD ［ CC ］ # $=6&1 JY，X%a101+ H，W.11@ U54 V*>61.1&%A’1+1(0% *8 .’@ ’@;’ 906’.6’7&.1( %+@%7’4 !1:,.$" (. 8,$" 7"* CLLM ， #& ：CC!NFCCCC #",0$’，［ CM ］ # -%((’. IJ，O1.’ S[，[= I4 R=1+&%&1&%A’ 791.17&’.%/1: &%*+ *8 &9’ A’;’&1&%*+ .’@ ’@;’ .’8(’7&1+7’ >*@’(4 ;.-"0*BBB .,-(+.,& 2+%0.,& +3 7"/+-" 8".#(.6，!BBL ，!! ：!NGG F !NNM ［ C" ］ # V9* -,，52%@>*.’ ,Y4 , +’< &’79+%b=’ 8*. ’T&.17&%+; &9’ .’@ ’@;’ 6*%&%*+ 8.*> 906’.6’7&.1( @1&1：U9’ (%+’1. ’T&.16*(1&%*+ >’&9*@4 7"/+-" 8".#(.6 +39.:(0+./".-， CLLE ， !! ： !D!F!BM ［ CG ］ # [1+; Q:c（王秀珍），O=1+; I:\（黄敬峰），?% _:（李云梅）， "- ,&4 V*..’(1&%*+ K’&<’’+79’>%71( 7*+&’+& *8 (’1A’ 1+@ 791.17&’.%&%7 A1.%1K(’ *8 906’.6’7&.1 *+ .%7’ 8%’(@4 <0,.#,$-(+.# +3 -’" =’(."#" 8+$("-5 +3 !60($%&* ，CLLM ，!% （C）： -%0,& 9.6(.""0(.6（农业工程学报） !""F!"D（%+ V9%+’’）# W’d=’(1 I，\%(’((1 ]4 X%%K(’ 1+@ +’1.:%+8.1.’@ .’8(’7: ［ CE ］&1+7’ &’79+%b=’ 8*.@%1;+*%+; 6(1+& 690%*(*;%71( &1: !BBD ， #： !G!F!GE &=4 <0".1# (. 4&,.-8$(".$"，［ CN ］ # W= J:?（蒲瑞良），$*+; W（宫 # 鹏） 4O06’.6’7&.1( J’>*&’ 5’+%+; 1+@ %& ,66(%71&%*+4 P’%a%+;：O%;9’.S@=71&%*+ W.’， CLLL（%+ V9%+’’）［ CD ］# X*;’(>1++ IS，J*72 P3，-* H-4 J’@:’@;’ 6’7&.1( >’1=.’>’+& 8.*> =;1. >16(’ (’1A’4 ;.-"0.,-(+.,& 2+%0.,& +3 7"/+-" 8".#(.6， !BBM ， !" ： !GEMF!GNG ［ CB ］ # U1+; _:?（唐延林），[1+; J:V（王人潮），O=1+; I: ，"- ,&4 O06’.6’7&.1( @1&1 1+@ &9’%. .’(1: \（黄敬峰）&%*+9%6 7*..’(1&%A’ &* &9’ 6%;>’+& 7*+&’+& 8*. .%7’ =+: @’.@%88’.’+& +%&.*;’+ =66*.& (’A’(4 2+%0.,& +3 7"/+-" ， CLL" ，$ （C）：!DEF!BC（ %+ V9%: 8".#(.6（遥感学报）+’’） # H1=;9&.0 V5U，[1(&91(( V?，Y%> -5，"- ,&4 S&%>1&%+; ［ ML ］7*.+ (’1879(*.*690(( 7*+7’+&.1&%*+ 8.*> (’18 1+@ 71+*60 .’8(’7&1+7’4 7"/+-" 8".#(.6 +3 9.:(0+./".-，CLLL ，*" ： CCBFCMB 作者简介# 冯# 伟，男， !BNE 年生，博士4 主要从事作物生理生态与农业信息技术研究，发表论文 !E 篇4 S:>1%(：\’+;: <’%NDe !C E4 7*> 责任编辑# 杨# 弘。

基于GreenSeeker的冬小麦NDVI分析与产量估算作物ACTAAGRONOMICASINICAISSN0496—3490;CODENTSHPA9/zwxb/E—mail:*********************.cnDoI:10.3724/SP.J.1006.2012.00747基于GreenSeeker的冬小麦NDV1分析与产量估算王磊白由路卢艳丽王贺杨俐苹\,!/,!/占S研究简报Se占,,/;,农业部植物营养与肥料重点实验室/中国农业科学院农业资源与农业区划研究所,北京100081摘要:以2007--2009年连续2个冬小麦生长季的田间试验数据为基础,利用GreenSeeker获取冠层归一化差值植被指数(NDVI),分别对不同氮营养条件下冬小麦的产量变化,冠层NDVI值随施氮量和生育期的动态变化,以及NDVI与产量的相关性定量分析,建立基于NDVI的冬小麦产量估算模型.结果表明,冬小麦的产量变化随施氮量的增加呈抛物线趋势变化;冠层NDVI在返青期前随施氮量增加基本不变,返青期至灌浆初期随施氮量增加呈显着增加趋势;整个生育期冠层NDVI呈现"低一高一低"变化趋势.冬小麦整个生育期不同施氮水平下的NDVI值与产量的相关性均为正相关关系,且相关性随生育期逐渐增强,在灌浆末期达到最大.利用NDVI建立的冬小麦产量估算模型,以灌浆初期(尸:0.005)和灌浆末期(P&lt;0.001)的模型达到极显着水平.经验证,灌浆初期的冬小麦产量预测值与实测值的回归关系达到了显着水平(尸=0.0129),灌浆末期则达到极显着水平(P=0.0002).因此,利用灌浆初期和灌浆末期的NDVI值可以预测冬小麦产量,尤以灌浆末期预测效果更佳.关键词:冬小麦;施氮量;产量;冠层NDVI;估算模型NDVIAnalysisandYieldEstimationinWinterWheatBased0nGreen-eeKerW ANGLei,BAIY ou.Lu,LUY an.Li,W ANGHe,andY ANGLi.Ping KeyLaboratoryofPlantNutritionandFertilizer,MinistryofAgriculture,InstituteofAgricult uralResourcesandRegionalPlanning,ChineseAcad—emyofAgriculturalSciences,Beijing100081,ChinaAbstract:Thefieldexperimentwascarriedoutintwowinterwheatgrowingseasonsduring20 07-2009.Winterwheatcanopyre—flectancesinthe656nmand770nmwavlelengthswereobtainedbyGreenSeekeratover-wint eringstage,revivingstage,jointingstage,early—fillingstage,andlast—fillingstage,respectively,inordertocomputeNDVI[(N1R77o-R656)/(NIR77o+R656)].Y ieldswere collectedatharveststageandcomparedanlongdifferentnitrogenapplicationrates.CanopyN DVIchangeswereanalyzedwithni—trogenincreasingandgrowth,respectively.Furthermore,correlationanalysiswasdonebetw eenyieldandcanopyNDVI.Yieldesti—mationmodelswereestablishedforwinterwheatbasedoncanopyNDVI.Resultsshowedthat .winterwheatyieldchangedinparab—olashapewithNincreasing.Wheatcanop)NDVIvaluepresentedalmostchangelessbeforere vivingstage,butgreatincreasefromrevivingstagetoearly—fllingstagewithNincreasing.Inthewholegrowthstage,canopyNDVIvaluepresentedatrend of"low-high-low".ThecorrelationbetweencanopyNDVIandyieldwaspositiveinthewholegrowthstagewithdifferentNratesandgraduallybecamehigherwithgrowth,anduptothehighestatthelate—fillingstage.Theyieldestimationmodelsbasedoncanopy NDVIatearly—fillingstage(P=0.005)andlate—fillingstage(P&lt;O.001)weregreatlysignificant.Regressionvalidatedbetweenp re—dictedandmeasuredvalueswassignificantatearly—fillingstage(P=0.0129)andgreatlysignificantatlate—fillingstage(P=0.0002). Therefore,itisfeasiblethatusingcanopyNDVIatearly—fillingstageandlate—fillingstageestimateswinterwheatyield,especiallyatlate—fillingstage.Keywords:Winterwheat;Nitrogenapplicationrate;Yield:CanopyNDVI;Estimationmode ls作物生长信息的实时获取是现代农业的研究热点之一.遥感技术可以实现对作物生长信息的获取.植被指数是研究作物生长信息众多关注的指标之一.而归一化差值植被指数(normalizeddifferencevegetationindex,NDVI)是研究较多的植被指数之一.NDVI是利用绿色植物对红光的低反射率和对近红外光的高反射率的光谱特征值计算的植被指数,能够很好地反映作物的生长状况.该指数对植被生长状况,生产率及其他生物物理,生物化学特征敏感,在土地利用覆盖监测,植被覆盖密度评价,作物识别和作物产量预报等方面应用广泛".研究表明,NDVI与本研究由国家自然科学基金项目(31000937)i~助.第一作者联系方式:E—mail:*************.CylReceived(收稿日期):2011-09.26;Accepted(~受日期):2012—01-19;Publishedonline(网络出版日期):2012—02—13URL:/kcms/detail/11.1809.S.20120213.1108.018.html748作物第38卷作物叶面积指数和生物量呈正相关关系,NDVI的变化与作物生长状况,发育时期关系紧密拉4J.NDVI可用于反演作物生物量,氮含量,产量及叶面积指数等【5】. GreenSeeker(美国NTech公司生产)是目前用于地面获取NDVI的主要工具.它是美国Oklahoma州立大学开发的一种手持式光谱仪,可以测量与记录植被的归一化差值植被指数和红光与近红外比值植被指数.这些指数能够反映作物的生长状况,营养状况,潜在产量以及病虫害影响等.该系统光学传感器能够主动发射特定波长光线,捕获作物反射来的光线,其内部处理器可进行光线分析,获取数据.仪器所采用的红光波段为656nm,近红外波段为770am.美国Oklahoma州立大学最初应用GreenSeeker获得NDV1分析作物的氮素营养状况,进而推荐氮肥施用量,以达到合理施肥,指导生产实践的目的_1.吴军华等【ll_利用GreenSeeker获取的NDVI预测冬小麦的茎蘖数效果良好.利用卫星,航空,地面等遥感数据提取NDVI进行作物仙产方面已开始了诸多研究_1..但不同氮营养水平下的作物NDVI动态变化及其估产方面少有研究.氮是植物营养三种大量元素之一,氮素的丰缺直接影响作物的长势,产量.因此本试验使用GreenSeeker作物地面遥感具研究不同氮营养水平下冬小麦不同生育期冠层NDVI值的动态变化特征,分析各生育期NDVI值与产量的相关关系,建立基于冠层NDVI值的冬小麦产量估算模型.1材料与方法1.1试验材料试验田位于中国农业科学院国际农业高新技术产业园(河北廊坊,116.3516"E,39.3547"N),属于暖温带大陆性季风气候,年平均气温为11.9℃,无霜期为183d,降水量为554.9mm.土壤类型为潮土,质地为沙土,0—20cm土层含有机质1_3%,碱解氮61.68mgkg,有效磷17.Ol mgkg～,速效钾38.46mgkg～.2007年l0月至2009年6月利用小麦品种"保丰104"(中国农业科学院植物保护研究所选育和提供)进行田问试验.该品种株高68～76cm,株型紧凑,抗倒伏,穗粒数25～33粒,千粒重36-44g,全生育期为252d.1.2试验设计设7个氮肥处理,分别施纯氮0(N一0),60(N一1),120(N一2),180(N一3),240(N一4),300(N一5)和360(N一6)kg hm_.磷钾用量分别为90kghm(P205)和60kghm(Ko),磷钾肥作基肥一次施人.试验用肥为尿素(中石油生产,含N46%),磷酸二铵(含N18%,含P2O546%),过磷酸钙(含P2O512%)和硫酸钾(含K2044.8%).N1处理氮肥作基肥一次施入;N一2处理为基施N90kghm_,返青期追施30kghm;N一3处理基施N90kghm_,返青期追施60kghm～,拔节期追施30kghm_;N一4处理基施N120kghm,返青期追施75kghm～,拔节期追施45hm;N一5处理基施N150kghm_,返青期追施90hm-,拔节期追施6Okghm-;N一6处理基施150kghm_.,返青期追施90kghm～,拔节期追施60kghm_,抽穗后追施60kghm_.小区面积为100m(8.0m×12.5m),顺序排列,不设重复,便于机械化操作管理.水分管理同大田生产.1.3数据获取1.3.1建模数据在冬小麦越冬期(2007年l2月15日和2008年12月19日),返青期(2008年3月27日和2009年3月30日),拔节期(2008年4月26日和2009年4月20日),灌浆初期(2008年5月20日和2009年5月21Et)和灌浆末期(2008年6月6日和2009年6月2日),用GreenSeeker采集NDVI数据,传感器与冬小麦冠层保持平行,距离地面高度8Ocm,顺麦垄方向采集NDVI值,获取3组数据.每小区固定3组测定区域,每个测定区域30m..收获时每测定区域取3个1m样方,分别计产.ⅣDW:—NIR—-RNIR+R(1)式中,N1R表示近红外波段光谱反射率,R表示红光波段光谱反射率.1.3.2验证数据在大田中随机选取10个30m地块(与小区NDVI测定区域面积一致),在每次获取小区NDVI数据的同时,获取lO个地块的冬小麦冠层NDVI值;同样在收获时选定lm样方,测定产量.l0个地块的5组NDVI数据和1组产量数据作为模型的验证数据.1.4数据处理采用MicrosoftExcel和SAS9.0软件处理与分析数据.2结果与分析2.1不同氮肥处理冬小麦产量变化2008年N一0,N一1,N一2处理与N一3,N一4,N一5,N一6 处理的产量差异达显着水平,最低产量表现在N一0(不施肥)处理,为3407.6kghm_,最高产量表现在N一3(180kghm-2)处理,为6168.4kghm一,比不施氮处理增产81.O%;2009年N一0处理产量最低(3969.8kghm),与其他6个处理产量差异达到显着水平,N一3(180kghm)处理产量最高(5543.4kghm-2),比不施氮处理增产39.6%,同样与其他6个处理产量差异达到显着水平.2008和2009年冬小麦的产量随施氮量增加变化趋势相同(图1).达到最高产量后,随着施氮量的继续增加,产量呈下降趋势.随着施氮量增加,冬小麦产量并不是线性升高的,而是施氮量越高,产量反而有所下降,可能是由于氮磷钾养分的不平衡供应.由于该试验地基础肥力较低,导致在较低施氮量一0,N一1和N一2)条件下肥料增产效应显着,因此2009年产量高于2008年产量,但在较高施氮量(N一3,N一4,N一5和N一6)条件下,由于养分的不平衡供应,导致第4期王磊等:基于GreenSeeker的冬小麦NDV1分析与产量估算749 2009年产量较2008年有所下降.量曩N..0N一1N..2N..3N.4N-5N..6Treatmerit图l不同氮肥处理的冬小麦产量Fig.1Winterwheatyieldsindifferentnitrogentreatments数据为3次重复的平均值.不同氮处理产量间不同字母表示达到处理间显着差异(尸&lt;0.05). Dataaretheaveragesofthreereplicates.V alueswithinacolumnfol—lowedbydifferentlettersaresignificantbydifferentrP&lt;0.05)among Ntreatments.2.2不同生育期冬小麦NDVI值随施氮量的变化在2007年10月至2008年6月冬小麦生长季,冠层O.9O.8O.7O.60.5凸Z0.4O_3O.20.1——日一Over—wintering一]一RevivingN.0N—lN一2N一3N一4N一5N.6NDVI值随施氮量的变化在不同生育期表现出差异(图2一A).越冬期和返青期其冠层NDVI值随施氮量的增加基本不变,维持在0.2左右,其平均值分别为0.212和0.217.拔节期到灌浆末期期间,冬小麦冠层NDVI值随施氮量的增加呈显着增加趋势,并且都以N一6处理(施氮量360kg hm)最大.拔节期,灌浆初期,灌浆末期分别从N一0处理的0.423,0.304,0.218增大到N一6处理的0.735,0_811, 0.600,分别增加73.8%,167.0%,175.1%.同样,2008年l0月至2009年6月冬小麦生长季,其NDVI值的变化表现出与上一年相似的结果(图2一B).越冬期和返青期NDVI 平均值分别为0.242和0.223;拔节期,灌浆初期,灌浆末期分别从N一0处理的0.398,0.351,0.289增大到N一6 处理的0.768,0.836,0.532,分别增加92.7%,138.2%,83.7%.在生育前期(越冬期和返青期)由于温度低,生物量小,红光波段和近红外波段的光谱反射率没有差异;生育后期随着温度的升高,生物量逐渐增大,地面覆盖度增加,近红外波段光谱反射率也随之升高;且随着施氮量的增加,冬小麦在红光波段光谱吸收增大,光谱反射率减小,因此其冠层NDVI值表现出上述结果. neatment图22008年(L)和2009年(B)冬小麦不同生育期冠层NDVI值随施氮量的变化Fig.2V ariationsofcanopyNDVIvalueswRhdifferentNtreatmentsinwinterwheatatdiffere ntgrowthstagesin2008(A)and2009(B)2.3不同氮处理冬小麦NDVI值随生育期的变化将同一生育期不同氮处理的NDVI值平均,以探明不同生育期间NDVI值的变化趋势(图,j).不同生育期间比较,冠层NDVI值整体呈现"低.高一低"趋势,越冬期和返青期NDVI值处于低水平;返青期到拔节期,其NDVI值急剧上升,达0.6左右;拔节期到灌浆初期维持一高水平;而随生育期进一步推移,NDVI值呈下降趋势.这可能是由于冬小麦在返青期至拔节期整个群体增大,郁闭度增加,叶片叶绿素含量增加,对红光的吸收增大,反射率下降,近红外光谱反射率增加,使NDVI值急剧上升.在拔节期到灌浆期间,小麦群体结构形成到稳定,群体变化幅度降低,郁闭度基本保持不变,近红外光谱反射率与红光光谱反射率落差维持较高水平,使NDVI保持一高平台水平;而到灌浆末期,冠层叶片落黄,对红光吸收降低,反射增加,且郁闭度有所降低,近红外光谱与红光光谱落差有所减小,导致NDVI值下降.2.4不同生育期归一化差值植被指数(NDVI)与产量的相关性冬小麦整个生育期不同施氮量的NDVI值与产量的相关性均表现出正的相关关系,且随生育期呈递增趋势;其相关性灌浆末期达到最大(表1).返青期二者相关性较低,可能是冬小麦地上部生物量较低,不同氮处理间生物量差异不显着的缘故.从2008年试验结果看,越冬期和返青期NDVI值与产量相关性没有达到显着水平;在拔节期达到了显着水平(P&lt;0.05);在灌浆初期和灌浆末期达到了极显着水平(P&lt;0.01).年际问比较,2009年两者相∞∞∞∞∞∞∞0∞如∞如加750作物第38卷………^:1|『]Over-winteringRevivingJoinfingEarly--fillingLate--fillingGrowthstage图3冬小麦冠层NDVI值随生育期的变化Fig.3V ariationsofcanopyNDVIindifferentgrowthstagesofwinterwheat表1冬小麦不同生育期冠层NDVI与产量相关系数Table1CorrelationcoefficientsbetweencanopyNDVIandyieldatdifferentgrowthstagesof winterwheat关性比2008年相对较低,可能是年际间的小麦长势,测量系统误差引起的,但2年试验结果显示相同的规律.2.5基于冠层NDVI的冬小麦产量估测模型的建立基于冬小麦冠层NDVI值与其产量的相关性,建立了二者之间的线性回归模型,试图利用NDVI值估测冬小麦产量(图4).纵观冬小麦整个生育期,线性模型的决定系数也是随生育期的推进增高的,其中灌浆初期和灌浆末期NDVI值与其产量的线性关系达到了极显着水平(P&lt;0.01).说明利用灌浆初期和灌浆末期的冠层NDVI值可以估算冬小麦的产量,以灌浆末期的NDVI值估测产量的可靠性更高.2.6模型的验证灌浆初期和灌浆末期的NDVI与产量线性回归关系分别达到显着和极显着水平.为探明这2个时期的产量预测模型的准确性,用同时期独立试验资料对预测模型进行验证.结果表明,灌浆初期预测值与实测值的回归关系达到显着水平(P=0.0129)(图5.A),灌浆末期预测值与实测值的回归关系达到极显着水平(尸=0.0002)(图5一B),且灌浆末期预测值与实测值的回归参数(决定系数,均方根误差RSME)均优于灌浆初期.进一步验证利用灌浆初期和灌浆末期的冠层NDVI值可以估算冬小麦产量,以灌浆末期的NDVI值估算产量的准确度更高.3讨论NDVI是判断作物生长状况的重要植被指数之一,常用于检测植被生长状态和植被覆盖度等.当其值在O-1 之间时,表明植被近红外光谱反射率(N1R)J~红光光谱反射率()反差大,说明有植被覆盖,且随覆盖度增大而增大.卢艳丽等利用GreenSeeker获取的NDVI和校正后的NDVI均随生育进程表现出先升高后下降的变化趋势,且在灌浆期达到最大;与植被覆盖度在全生育期的变化趋势一致.利用卫星数据提取的MODIS—NDVI时间序列分析也同样表现出这样的变化趋势[16-17],这与本试验两年的结果是一致的.该试验监测河北廊坊地区冬小麦一般在每年5月1日前后开始开花,5月8日前后全田完成开花.该试验表明冬小麦冠层NDVI在花后l2—15d(灌浆初期)达到最大.本试验表明,在越冬期和返青期,即使在施氮量增加的情况下,其NDVI值基本维持稳定;拔节期至灌浆末期,其NDVI值均随施氮量的增加而增加,在施氮量为360kghm时最大.这是随着春季气温升高,冬小麦生物量逐渐增大,叶绿素含量随施氮量的增加而增加,群体对红光吸收增强,对近红外反射增强的结果.这与胡吴等f1剐在冬小麦试验上结果基本一致.郭建华等[19l利用Green—Seeker获得玉米NDVI值同样在拔节期后随氮量增加而增加,但达到最大产量施肥量后,NDVI值不再增加.这可能是夏玉米与冬小麦冠层NDVI差异之处.估算作物产量可以为产量图的生成提供数据支持,为生产管理提供决策支持.由于NDVI与作物产量的密切相关性,众多学者用NDVI来间接估算作物产量[o'1.综合本试验两年结果,越冬期与返青期NDVI与产量相关性较低,拔节期,灌浆初期与灌浆末期较高,并且灌浆初期765432lD%¨0口第4期王磊等:基于GreenSeeker的冬小麦NDV1分析与产量估算751700060005O0040003Ooo2000100OO1O0.150.2;00.250.30NDⅥNDVINDNDⅥNDⅥA:越冬期Over-winteringstageB:返青期RevivingstageC:拔节期JointingstageD:灌浆初期Early-fillingstageE:灌浆末期Late-finingstage图4冬小麦不同生育期冠层NDVI值与产量散点图Fig.4ScatterplotsbetweencanopyNDVIandyieldatdifferentgrowthstageofwinterwheat 440044O0470o500053005600Predictedyield(kghm-2)5800.目56005400§量520025000B8313R^ZE50.54P=0.0002n=105Oo05200540056005800Predictedyield(kgb图5冬小麦灌浆初期(A)和灌浆末期(B)产量预测值与实测值的关系Fig.5Relationshipchartbetweenpredictedandmeasuredvaluesatearly-fillingstageI:A)an dlate-fillingstage(B)ofwinterwheat一.虽pl.一一目∞pl.一aIq∞pl0一.日∞)I)plQ一一_uIq∞]I)q～.∞∞∞∞如卯一∞]I)plQlJ(譬口器0苫752作物第38卷和灌浆末期的NDVI与产量极显着正相关.可见,利用冠层NDVI估测冬小麦产量是可行的.Moriondo等_26l利用卫星数据提取的NDVI模拟19年冬小麦产量.Reyniers等ll利用空中和地面拍照系统获取的照片提取NDVI,比较其与产量的相关性,认为地面系统精确度高,且成本低.也有研究表明,G—NDVI(绿光归一化差值植被指数) 在估算番茄,冬小麦产量得到较好结果10,271.可见利用红光波段或者绿光波段与近红外波段作归一化处理能够反演作物产量,但NDVI与G～NDVI反演差别有待进一步验证.本试验利用NDVI建立的产量估测模型表明,可以利用灌浆初期和灌浆末期的NDVI预测冬小麦产量,且以灌浆末期预测效果更佳.Royo等l28l研究表明,利用冬小麦灌浆中期NDVI预测其产量最为可靠.从冬小麦发育进程看,灌浆中期与灌浆末期前后持续约7d,可以认为本研究结果与其基本一致.Freeman等[291提出孕穗期NDVI 估计产量最为可靠;胡吴等1和李升东等J贝0认为抽穗期是估测冬小麦产量的适宜期.而冯美臣和杨武德【]利用抽穗初期和灌浆期的NDVI与产量作回归分析,得到的复回归方程预测产量取得了较好效果.众多研究表明,利用冬小麦孕穗期至灌浆期某一时期的冠层NDVI估产是可行的,但具体某个时期效果最佳,不同研究结论不同,这可能与作物品种,株型,密度,肥水等条件有关,需要深入研究.冠层反射光谱受冠层结构的影响比较大,本文结论能否外推到其他株型小麦品种,有待进一步探讨.由于试验数据有限,本试验结果还应多区域,多年度验证,有待进一步研究其机理.以完善NDVI在植被长势监测,产量估测,营养诊断以及病虫害管理中的数据支持. References[1]ChenJEChenKM,XuJB.Researchontheremotesensing monitoringofgrasslandproductivitybasedonTM—NDVI.Agric Sci&amp;Technol,2011.12:119-122[2】MldaabelaMS,BullockP,RajS,WangS,Y angY.Cropyield forecastingontheCanadianPrairiesusingMODISNDVIdata. Agric&amp;ForestMeteoro1.2011.115:385—393[3]HasegawaK,MatsuyamaH,TsuzukiH,SwedaImprovingthe estimationofleafareaindexbyusingremotelysensedNDV1 withBRDFsignaturesRemoteSensEnviron,2010,114:514—519 [4]AboelgharM,ArafatS,SalehA,NaeemS,ShirbenyM,BelalA. RetrievingleafareaindexfromSPOT4satellitedata.EgyptI, RemoteSensSpaceSci,2010,13:121—127[5]TrishchenkoAEEffectsofspectralresponsefunctiononsurface reflectanceandNDVImeasuredwithmoderateresolutionsatel—litesensors:extensiontoAVHRRNoAA一17.18andMETOP—A. RemoteSensEnviron,2009,113:335-341【6】HansenPM,SchjoerringJK.Reflectancemeasurementofcan—opybiomassandnitrogenstatusinwheatcropsusingnormalized differencevegetationindicesandpartialleastsquaresregression RemoteSensEnviron,2003,86:542-553[7]AparicioN,VillegasD,CasadesusJ,ArausJL,RoyoC.Spectral vegetationindicesasnon--destructivetoolsfordeterminingdu-- rumwheatyield.AgronJ,2000,92:83-91[8]SoenenSA,PeddleDR,HallRJ,CobumCA,HallFGEsti—matingabovegroundforestbiomassfromcanopyreflectance modelinversioninmountalnousterrain.RemoteSensEnviron, 2010,114:1325-1337[9]GianquintoGOrsiniEFecondiniM,MezzettiM,Sanbo只Bona S.Amethodologicalapproachfordefiningspectralindicesfor assessingtomatonitrogenstatusandyield.EurJAgron.201135l35-143[10]WilliamRR,GordonVJ.Improvingnitrogenuseefficiencyfor cerealproduction.AgronJ,1999,91:357—363[11]WuJ-H(吴军华),YueS-c(岳善超),HouP(侯鹏),MengQ—F(孟庆峰),CuiZ—L(崔振领),Liw(李雯),ChenX—P(陈新平). Monitoringwinterwheatpopulationdynamicsusinganactive cropsensor.SpectroscopyandSpectralAnal(光谱学与光谱分析),2011,31(2):535—538(inChinesewithEnglishabstract)[12]TanC—w(谭昌伟),WangJ-H(JE纪华),ZhuX—K(朱新开),Wang Y(王妍),WangJ-C(王君婵),TongL(童璐),GutW-S(郭文善). Monitoringmaingrowthstatusparametersatiointingstagein winterwheatbasedonLandsatTMimages.SciAgricSinf中国农业科学),2011,44(7):1358—1366(inChinesewithEnglish abstract)[131FengM—c(冯美臣),XiaoL-J(肖璐洁),YangW-D(杨武德), DingG—W(T光伟).Predictinggrainyieldofirrigation—landand dry—-landwinterwheatbasedonremotesensingdataandmete—- orologicaldata.TransCSAE(农业工程),2010,26(11):183—188finChinesewithEnglishabs~act)[14]ReyniersM,VrindtsE,parisonofanae—rial-basedsystemandallonthegroundcontinuousmeasuring devicetopredictyieldofwinterwheat.EurJAgron,2006,24:87-94[151LuY-L(卢艳丽),HuH(胡吴),BaiY-L(~t由路),WangL(3ff.磊), WangH(王贺),Y angL—P(杨俐苹).Effectsofvegetationcover—ageonthecanopyspecialandyieldquantitativeestimationinwheat.JTriticeaeCrops(麦类作物),2010,30(1):96—100 (inChinesewithEnglishabs~act)[161FengM—c(冯美臣),Y angW-D(杨武德).ChangesinNDV1and yieldofwinterwheatcultivarswithdifferentplanttypes.ChinJEco—agric(中国生态农业),2011,19(1):87—92(inChinese第4期王磊等:基于GreenSeeker的冬小麦NDV1分析与产量估算753 withEnglishabstract)[17】RenJ-Q(任建强),ChenZ—x(陈仲新),ZhouQ.B(周清波),TangH—J(唐华俊).Retrievingthespatial—expli:itharvestindexfor winterwheatfromNDVItimeseriesdata.TransCSAE(农业工程),2010,26(8):160-167(inChinesewithEnglishab—stract)【18]HuH(胡吴),BaiY-L(I~t由路),Y angL—P(杨俐苹),LuY-L(卢艳丽),WangL(王磊),WangH(王贺),WangZ-Y(:E志勇).Diag—nosisofnitrogennutritioninwinterwheat(Triticumaestivum)viaSPAD一502andGreenSeeker.ChinJ&amp;.o—agric(中国生态农业),2010,18(4):748-752(inChinesewithEnglishab—stract)【19]GouJ-H(郭建华),Wangx(王秀),MengZ—J(孟志军),Zhaoc—J(赵春江),Yuz_R(于振荣),ChenL—P(陈立平).Studyondi—agnosingnitrogennutritionstatusofcornu,;ingGreenSeekerand SPADmeter.PlantNutrFertSci(植物营养与肥料),2008,l4(1):43—47(inChinesewithEnglishabstract)[20】PinterPJ,JacksonRD,IdsoSB,ReginatcRJ.Multidatespec—tralreflectanceaspredictorsofyieldinwaUxstressedwheatandbarley./mJRemoteSens.1981.2:43—48【21]MaheyRK,SinghR,SidhuSS,NarangRS.Theuseofremote sensingtoassesstheeffectsofwaterstressonwheat.ExpAgric,1991,27:423--429[22】LukinaEFreemanKWWynnKJ,ThonlasonWE,MullenRW,StoneML,SolieJB,K1attAR,John~onGVElliottRL,RaunWR.Nitrogenfertilizationoptimizationalgorithmbasedonin-seasonestimatesofyieldandplantnitrogenuptake.JPlantNutr,2001,24:885—898【23]RaunWR,JohnsonG,'StoneML,SolieJB,LukinaETho—ThomasonWE.SchepersJS.In—seasonpredictionofpotential grainyieldinwinterwheatusingcanopyreflectance.Agronj. 2001,93:131—138【24]。

冬小麦叶片叶绿素相对含量遥感估算模型研究吴素霞;冯蜀青;毛任钊;侯美亭;王波【期刊名称】《干旱地区农业研究》【年(卷),期】2006(024)005【摘要】在分析前人对叶绿素含量监测方法不足的基础上,利用TM(Thematic Mapper) 遥感影像探讨了估算冬小麦不同生育期叶片叶绿素相对含量的可行性.并基于遥感变量与地面实测叶绿素相对含量的相关关系分析结果,建立了冬小麦在拔节期和孕穗期叶片叶绿素相对含量的遥感定量估算模型,为利用遥感技术进行冬小麦的长势监测提供了依据.【总页数】5页(P137-140,145)【作者】吴素霞;冯蜀青;毛任钊;侯美亭;王波【作者单位】青海省气象科学研究所,青海,西宁,810001;中国科学院遗传与发育生物学研究所农业资源研究中心,河北,石家庄,050021;青海省气象科学研究所,青海,西宁,810001;中国科学院遗传与发育生物学研究所农业资源研究中心,河北,石家庄,050021;中国科学院遗传与发育生物学研究所农业资源研究中心,河北,石家庄,050021;中国科学院遗传与发育生物学研究所农业资源研究中心,河北,石家庄,050021【正文语种】中文【中图分类】S512.1+1【相关文献】1.沿海滩涂棉花叶片叶绿素含量高光谱遥感估算模型研究 [J], 卢霞2.施氮对半湿润农田冬小麦冠层叶片氮素含量和叶绿素相对值垂直分布的影响 [J], 党蕊娟;李世清;穆晓慧;李生秀3.冬小麦叶片光合特征高光谱遥感估算模型的比较研究 [J], 张卓;龙慧灵;王崇倡;杨贵军4.猕猴桃叶片叶绿素含量高光谱估算模型研究 [J], 陈澜; 常庆瑞; 高一帆; 落莉莉; 郑煜5.基于光谱指数的冬小麦冠层叶绿素含量估算模型研究 [J], 罗丹;常庆瑞;齐雁冰;李媛媛;李松因版权原因，仅展示原文概要，查看原文内容请购买。

基于主成分分析和随机森林回归的冬小麦冠层叶绿素含量估算王琪;常庆瑞;李铠;陈晓凯;缪慧玲;史博太;曾学亮;李振发【期刊名称】《麦类作物学报》【年(卷),期】2024(44)4【摘要】为提高冬小麦冠层光谱对叶绿素含量的估算精度,以陕西省乾县冬小麦为研究对象,利用SVC-1024i光谱仪和SPAD-502型叶绿素仪实测了冬小麦冠层反射率和叶绿素含量,分析了一阶导数光谱、10种特征参数和9种植被指数与叶绿素含量的相关性,并利用主成分分析(PCA)对叶绿素敏感的可见光波段(390~780 nm)一阶导数光谱进行降维,将特征值大于1的主分量结合特征参数和植被指数形成不同的输入变量,用偏最小二乘回归和随机森林回归构建冬小麦冠层叶绿素估算模型,并利用独立样本对模型进行验证。

结果表明,小麦冠层叶绿素含量与一阶导数光谱在751 nm处的相关性最高(r=0.71),特征参数中红边蓝边归一化(SDr-SDb)/(SDr+SDb)与叶绿素含量的相关性最高(r=0.66),植被指数(VI)中修正归一化差异指数(mND705)相关性最高(r=0.74)。

在输入变量相同的情况下,基于随机森林(RF)回归的预测模型均优于偏最小二乘回归(PLSR)模型,其中PCA-VI-RF模型的各精度指标均达到最优(r^(2)=0.94,RMSE=1.05,RPD=3.70),是冬小麦冠层叶绿素含量估算的最优模型。

【总页数】11页(P532-542)【作者】王琪;常庆瑞;李铠;陈晓凯;缪慧玲;史博太;曾学亮;李振发【作者单位】西北农林科技大学资源环境学院;江西农业大学国土资源与环境学院【正文语种】中文【中图分类】S512.1;S314【相关文献】1.基于Sentinel-2A影像的玉米冠层叶绿素含量估算2.基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究3.植被指数方法估算冬小麦冠层叶绿素含量的角度效应研究4.基于光谱指数的冬小麦冠层叶绿素含量估算模型研究5.基于优化光谱指数的新疆春小麦冠层叶绿素含量估算因版权原因，仅展示原文概要，查看原文内容请购买。

冠层光谱红边参数结合随机森林机器学习估算冬小麦叶绿素含量王震;李映雪;吴芳;邹晓晨【期刊名称】《农业工程学报》【年(卷),期】2024(40)4【摘要】作物光谱红边参数与叶绿素含量密切相关,是作物生长发育和营养状况的指示器。

基于红边参数构建叶绿素含量探测模型是大尺度监测作物长势的有效方法。

为提升冬小麦叶绿素含量探测精度,构建适用于不同生育期和施氮水平条件的叶片叶绿素相对含量(chlorophyll content,CHL)估算模型。

该研究通过4 a大田试验,获取冬小麦4个关键生育期(拔节期、抽穗期、开花期和灌浆期)和3种施氮水平条件下的冠层光谱反射率和叶片CHL。

系统比较和评估了47种光谱红边参数对CHL的敏感性,同时采用逐步选择红边参数相对重要性提升了随机森林机器学习模型估算冬小麦CHL的精度。

结果表明:光谱红边参数对CHL的敏感性受到冬小麦生育期和施氮水平的影响,在单一生育期中的最佳红边参数与CHL的决定系数R^(2)在0.39和0.89之间。

全生育期中最佳红边参数为NDDRmid,与CHL的决定系数R^(2)为0.76。

灌浆期敏感性最高,红边参数REPRpi、NDDRmid、RVI2、RVI4、RVI5、RVI6、NDRE、RVI12和RVI13与CHL的决定系数都高于0.80,红边参数RVI5与CHL的决定系数R^(2)为0.89。

单一施氮水平条件下敏感性最佳的红边参数与CHL的决定系数在0.75和0.81之间。

在N1和N2条件下,最佳红边参数为NDDRmid。

在N3条件下RIDRfd与CHL的决定系数最高,R^(2)为0.81。

在所评估的光谱红边参数中,NDDRmid、RVI5、RVI12和DIDA在单一生育期和施氮水平条件下都表现出较高的相关性。

逐步选择相对重要性红边参数特征优化随机森林模型提升了CHL的估算精度,全生育期中最佳估算精度为R^(2)=0.80和RMSE=4.25。

不同生育期和施氮水平条件下,红边参数DIDA和RVI13都作为随机森林模型的重要特征。

条锈病影响下冬小麦叶绿素含量的高光谱估计
江道辉;李章成;周清波;李森;刘佳
【期刊名称】《中国农学通报》
【年(卷),期】2007(23)1
【摘要】叶绿素含量是在小麦长势监测中是非常重要的评估内容,尤其是在小麦受到病害影响的情况下,准确估计其叶绿素含量,有助于合理进行灾害评价。

遥感高光谱技术为获取植物的生理参数提供了丰富的数据来源。

笔者使用襄樊地区实测获取的受条锈病影响的小麦高光谱数据,利用回归分析的方法建立了受条锈病影响的小麦叶绿素含量与其高光谱的关系模型。

经验证,模型有较好的精度。

【总页数】5页(P376-380)
【关键词】条锈病;冬小麦;叶绿素;高光谱
【作者】江道辉;李章成;周清波;李森;刘佳
【作者单位】中国农业科学院农业资源与农业区划研究所;农业部资源遥感与数字农业重点开放实验室,北京100081
【正文语种】中文
【中图分类】S127
【相关文献】
1.低温胁迫下冬小麦叶绿素含量高光谱估测 [J], 张雪茹;冯美臣;李广信;杨武德;王超;郭小丽;史超超
2.条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型 [J], 蒋金豹;陈云浩;黄
文江;李京
3.扬花期冬小麦冠层叶绿素含量高光谱遥感反演 [J], 姜海玲;李耀;赵艺源;郑世欣;李悦
4.基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算 [J], 王婷婷;常庆瑞;刘梦云;郑煜;杨景
5.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算 [J], 李玮祎;孙明馨;曾风玲;王凤文
因版权原因，仅展示原文概要，查看原文内容请购买。

小麦叶绿素测定实验方案[叶绿素含量测定原理]叶绿素不溶于水，溶于有机溶剂，可用多种有机溶剂，如丙酮、乙醇或二甲基亚砜等研磨提取或浸泡提取。

叶绿色素在特定提取溶液中对特定波长的光有最大吸收，用分光光度计测定在该波长下叶绿素溶液的吸光度(也称为光密度)，再根据叶绿素在该波长下的吸收系数即可计算叶绿素含量。

利用分光光计测定叶绿素含量的依据是Lambert-Beer定律，即当一束单色光通过溶液时，溶液的吸光度与溶液的浓度和液层厚度的乘积成正比。

其数学表达式为：A=Kbc式中： A为吸光度；K为吸光系数；b为溶液的厚度；c为溶液浓度。

叶绿素a、b的丙酮溶液在可见光范围内的最大吸收峰分别位于663、645nm处。

叶绿素含量用Arnon法的修正公式：Ca=(12.71A663—2.59 A645 )V/1000WCb=(22.88 A645—4.67 A663 )V/1000WCa十Cb＝(8.04 A663+20.29A665)V/1000W从公式可以看出，只要测得叶绿素溶液在663nm和645nm处的吸光度，就可计算出提取液中的叶绿素a、b浓度和叶绿素总浓度（a+b）。

式中：C为叶绿素浓度（mg·L-1）或mg·dm-2）；V为提取液总体积（ml）；W为取样鲜重（g）或取样面积（dm-2）。

实验材料：长势一致、于室温下培养至3片全展叶的小麦幼苗。

实验试剂：丙酮：无水乙醇=1:1混合液 3*25*17=1275约1500ml实验仪器：SP-2100分光光度计；分析天平；1ml、5ml移液管；剪刀；25ml具塞刻度试管（三角瓶）；毛刷；试管实验步骤选材：在避光条件下用毛笔或毛刷清除叶片表面的灰尘,剪取叶片,洗净后弃除叶柄和中脉,然后用纱布或吸水纸将叶片表面的水分吸干。

为了试验的精确度更高,我们在取样时仅取每片叶的中间部位。

把挑选的叶片剪成小于2mm碎条,并用SPAD一502测定其叶绿素相对含量值，使其偏差保持在(一5，+5)之间，超出范围者弃掉。