点击蓝字

关注我们

为了实现水稻施肥的精确管理，对作物氮素状态进行无损实时监测，我们从地面和空间数据中对红边区域的反射光谱进行了表征，并对红边位置之间的关系进行了量化(REP)来自不同算法和田间水稻(Oryza sativa)四个品种在四个季节中不同氮速率下的冠层叶氮浓度(LNC)。结果表明，红壤区的光谱受氮水平和品种类型的影响较大，在该区的一阶导数光谱中可观察到“三峰”特征。传统的REP(红边区域中的一阶导数光谱的最大值)由于具有三峰特性，因此对冠层LNC不敏感，但是基于反向高斯拟合，线性四点插值，线性外推和调整后的线性的REPs外推法产生连续的REP值，可用于估算冠层LNC。来自具有三个一阶导带(690 nm，700 nm和705 nm)的三点拉格朗日插值的REP与冠层LNC具有良好的关系。在REP的六种方法中，发现基于调整线性外推算法的REP与Hyperion图像数据中的冠层LNC具有最佳关系。将不同的REP与地面和星载高光谱数据进行比较后发现，调整后的线性外推法(755此处提出的FD 730 +675 FD 700 )/(FD 730 + FD 700 )给出了冠层LNC的最佳预测。这种简单可靠的REP监测水稻冠层LNC的方法需要与其他高光谱传感器和作物类型进行进一步验证。

1.

试验方法

试验共计分为5组。试验1处理为：施氮量0、105、210、315kg/hm2。试验2处理为：施氮量0、90、270、405kg/hm2。试验3处理为：施氮量0、90、240、360kg/hm2。试验4处理为：施氮量为0、105、210、325、420kg/hm2。试验5处理为：施氮量0、210、420kg/hm2。五组试验分别在不同年份与地点展开。试验处理见下图：

2.

试验结论

分析一：LNC对红边缘区反射光谱和一阶导数光谱的影响

图1：调整线性外推技术提取红色边缘位置(REP)-在红外导数光谱远红和近红外光谱外推的两条直线之间的交会点的波长的示意图

分析二：基因型对红边缘区反射光谱和一阶导数光谱的影响

图2：研究了不同氮浓度下红边缘区的光谱反射特性及其红外导数光谱

分析三：林冠LNCs与不同REPs的定量关系

图3：调整线性外推法和线性外推法提取的REPs与水稻LNC的关系(A)

利用实验2和3(n=291)的数据集进行线性插值、反高斯和拉格朗日技术(B)

分析四：用于LNC监控的REP模型的验证

图4：利用水稻试验2和试验3 (n=291)的数据集，采用调整线性外推法(A)和LNC (B)提取叶面积指数与REP的关系。虚线表示整个生长期间基于数据集的fi线。

图5：基于实验4数据集的水稻不同提取代表与冠层LNC的关系(n=20)

由于REP的红移特征随叶绿素浓度的增加而增加，所以REP已广泛应用于工厂监控叶绿素浓度。这是因为植物叶绿素浓度与氮浓度高度相关，所以REP可以用于评价植物的氮素含量状态。

红边缘区光谱受氮素水平和品种的影响较大，在700nm、720nm和730nm处的第一阶导数光谱有“三峰”特征。传统REP由于其“三峰”特性，所以对LNC不敏感，但经过调整线性外推法、提取的线性外推法、倒高斯拟合技术和线性四点插值技术处理后，REP可用于估算水稻冠层LNC。其三阶导数波段(690nm、700nm和705nm)的三点拉格朗日插值的REP与冠层LNC也有良好的关系。在六种代表性方法中，基于Hyperion高光谱图像的调整线性外推法对水稻冠层LNC的预测效果最好。通过对不同的REP技术的比较，证明了该方法的有效性。

基于地基高光谱数据和卫星高光谱图像的外推法对水稻冠层LNC的预测效果最好。

文章来源：Yongchao Tian, Xia Yao, Jie Yang, et al. Extracting Red Edge Position Parameters from Ground- and Space-Based Hyperspectral Data for Estimation ofCanopy Leaf Nitrogen Concentration in Rice. 2011, 14(3):270-281.

原文链接：

https://www.tandfonline.com/doi/abs/10.1626/pps.14.270

本期编辑：范乐 河海大学土木水利2020级硕士研究生