不同覆盖度条件下水稻叶层氮素营养的高光谱监测研究

摘要

作物氮素营养的光谱监测对氮肥精确管理具有重要意义。基于高光谱技术的作物生长监测技术为作物氮素营养信息的准确获取提供了有效的手段。本研究以不同年份、不同品种、不同种植密度、不同施氮处理的水稻田间试验为依托，在创造不同土壤背景影响的基础上，研究了不同施氮水平和种植密度条件下的水稻冠层高光谱反射率特征，系统分析了冠层高光谱与水稻叶层氮素营养的定量关系，探讨了量化或消除土壤背景及冠层结构干扰因子的有效途径与方法，确立了适用于不同植被覆盖度条件下水稻叶层氮素营养指标估算的高光谱参数，进而构建了兼具机理性与普适性的估算模型，从而为不同栽培条件下水稻氮素营养无损估算与精确管理提供了有效的技术支撑。
　　首先，在明确不同生育期水稻冠层光谱随施氮水平及种植密度变化特征的基础上，系统分析了350-2500nm波段（原始光谱与一阶导数光谱）范围内任意的两波段构成的已有及新建的高光谱指数与水稻叶层氮素状况的定量关系，筛选出了对水稻LNC敏感及水稻LAI(VC)钝感的共性波段组合，其中基于绿光区域553nm与537nm组合的新建指数SR2(553，537)表现最好。在引入由土壤线参数计算的系数θ的基础上，得到了改进型简单植被指数SR2(553，537);并依据植被指数结合技术得到了组合型植被指数DI(D875，D645)+SR2(537，537)，两参数较已有各类光谱植被指数对水稻氮素营养指标更为敏感。水稻LNC方面，两种构建的新型光谱指数均能较好的估测LNC且受土壤背景及冠层结构参数的影响较小，与LNC及LAI的建模R2分别为0.68、0.69，0.17、0.16，独立试验检验的结果显示，基于两种新建植被指数建立的回归模型对水稻LNC的估测精度(R2)和相对根均方差（RRMSE）均为0.70和0.14。在水稻LNA方面，SR2(770，752)仍然表现较好，估测水稻LNA的S-R2为0.90，除此以外，筛选的一阶导数光谱指数NDI(D754，D700)亦能较好的指示水稻LNA的动态变化，S-R2为0.88，两者多年数据的检验效果亦较好。总体上，前人构造的氮/色素敏感光谱指数中，LNC方面，虽然其中NDVIg-b和ND(503，483)能很好的预测水稻LNC，但受LAI的影响亦较大，大部分指数建模S-R2低于两种新建指数;大部分已有光谱指数能很好地估测LNA，但效果稍差于新构建的光谱指数。
　　探讨了红边参数和连续统去除方法在水稻叶层氮素营养状况估算的表现。结果表明，已有红边面积参数（DD、DPS和NDPS）在水土背景比例较大时表现不佳，但利用蓝绿光波段对其进行修正后，得到的新型红边参数mDD、mDPS和mNDPS对水稻氮素营养有较好的预测性。其中改进型双峰差值mNDPS(A680-700，A700-724)和改进型双峰对称度mDPS(A680-720，A700-720)预测LNC的S-R2和SE分别到达了0.73和0.22，独立试验数据检验的估测精度(P-R2)和相对根均方差（RRMSE）为0.60和0.16。在水稻LNA方面，两种波形分析方法提取的各类参数均能很好的预测水稻LNA的动态变化，其中原有的红边参数NDPS(A680-735,A735-755)和修正得到的mNDPS(A735-755，A680-735)的效果最好，其预测S-R2均达到了0.87，独立试验数据检验的P-R2分别为0.76和0.75;而基于连续统去除后提取的吸收右峰面积RA(560-760)对LNA也具有较好的预测性，预测的S-R2和SE分别到达了0.92和0.85，独立试验数据检验的P-R2和RRMSE分别为0.77和0.21。总体上，原有各类参数在预测水稻LNC上的表现并不理想，修正后的三种红边面积参数能够在监测水稻叶层氮素状况的同时较好的消除各类影响因子的作用，且相比原有参数提升较大;文中提出的及已有的红边参数及连续统去除参数均能很好的指示水稻LNA的动态变化。另外，除了挑选的红边面积参数，还列举了其他几种红边参数以及黄边和蓝边参数等，但它们在估测叶层氮素营养状况上的能力均较差。
　　系统分析了试验场景不同观测高度及太阳主平面内不同观测天顶角条件下水稻冠层反射光谱的变化特征，并研究了不同观测天顶角及高度条件下三种光谱指数（SR2、NDVI和SR）与水稻叶层氮素营养状况的定量关系。结果表明，恰当的观测天顶角与观测高度能规避部分水土背景的影响。冠层上方1m位置和后向60°获取的冠层光谱能够最大程度的抑制土壤背景及冠层结构的影响，从而较好地估测不同覆盖度条件下水稻LNC;其中SR(701，520)表现最为稳定，其估测LNC的S-R2和SE分别达到了0.62和0.39，独立试验检验的结果表明SR(701，520)的P-R2和RRMSE为0.61和0.15，且将2011年和2012年冠层上方1m位置和后向60°获取的冠层光谱进一步一分为二（封行前后），三种指数中SR(701,520)表现也最好。在水稻LNA方面，无论3种指数间还是单个指数不同观测位置间差异均不明显，其中以SR(955，655)和SR(950，660)表现稍好。
　　对不同年份试验获取的冠层光谱进行线性混合分解，首先选取了植被冠层及土壤两个端元，进一步采用覆盖度作为植被及土壤端元的面积比例，最后根据线性混合模型的公式进行分解。基于得到的光谱数据采用5种植被指数对比分解前后与水稻氮素营养状况的关系，探讨线性混合像元分解对于消除或降低土壤背景干扰的效果。结果显示，分解前后，选取的5种植被指数（SR、SR2、NDVI、SAVI和PVI）除PVI外与水稻LNC的相关关系大多有所提高，且波段范围没有大的变化，其中提升最大的是SR。但基于独立样本检验数据发现线性混合分解的效果并不稳定，S-R2与P-R2差异较大，可能是端元的选取中仅仅考虑了植被与土壤两种，且受田间环境及气象条件限制（2011年试验中水分较大），使得整体预测效果欠佳。在水稻LNA方面，分解前后，选取的5种植被指数与LNA的关系大致相当，并无明显的改善，可能是原有预测效果已经很好（S-R2达到0.88左右），提升空间有限。独立试验检验的结果也说明线性混合分解对于提升预测水稻LNA的效果并不显著。总体看来，线性混合分解能消除部分水土背景及冠层结构的影响，但效果有待进一步验证。

目录

声明

摘要

第一章 绪论

1 作物生长参数光谱监测中的关键问题

1．1 冠层结构影响消除

1．2 土壤等背景影响消除

1．3 大气影响因素消除

1．4 植株水分影响消除

1．5 其他影响因素消除

2 研究目的和意义

参考文献

第二章 技术路线与研究方法

1 研究思路与技术路线

2 材料与方法

2．1 试验设计

2．2 资料的获取方法

2．3 数据分析与利用

参考文献

第三章 估算水稻叶层氮素营养状况的高光谱植被指数研究

1 材料与方法

1．1 试验设计

1．2 光谱数据测定

1．3 农学参数的测定

1．4 数据分析利用

1．5 监测模型的建立与检验

2 结果与分析

2．1 水稻冠层反射光谱的变化特征及其与氮素营养的相关性

2．2 水稻叶层氮含量与已有氮素敏感光谱植被指数的关系

2．3 水稻叶层叶层氮积累量与已有氮素敏感光谱植被指数的关系

2．4 水稻氮素状况与新建植被指数的关系

2．5 模型的测试与检验

3 讨论与小结

参考文献

第四章 基于高光谱波形分析的水稻叶层氮素营养状况估算研究

1 材料与方法

1．1 试验设计

1．2 冠层叶片光谱的测定

1．3 农学参数的测定

1．4 不同波形方法分析参数的算法描述

1．5 监测模型的建立与检验

2 结果与分析

2．1 基于原始光谱波形特征的水稻叶层氮素营养状况监测

2．2 基于光谱连续统去除的水稻叶层氮素营养状况监测

3 讨论与小结

参考文献

第五章 基于不同观测高度和角度的水稻叶层氮素营养状况光谱监测

1 材料与方法

1．1 试验设计

1．2 光谱数据测定

1．3 农学参数的测定

1．4 数据的分析及利用

1．5 监测模型的建立与检验

2 结果与分析

2．1 基于不同观测高度的水稻叶层氮素状况监测

2．2 基于主平面不同天顶角度的水稻叶层氮素状况监测

3 讨论与小结

参考文献

第六章 基于线性混合模型的水稻叶层氮素营养状况监测研究

1 材料与方法

1．1 试验设计

1．2 冠层叶片光谱的测定

1．3 农学参数的测定

1．4 数据的分析及利用

1．5 监测模型的建立与检验

2 结果与分析

2．1 线性混合模型分解前后的光谱反射率的变化特征

2．2 线性混合模型分解前后构建的光谱指数与叶层氮素状况的关系

3 讨论与小结

参考文献

第七章 讨论与结论

1 讨论

1．1 不同覆盖度条件下的水稻氮素营养状况监测

2 本研究的特色与创新

3 今后的研究设想

4 结论

参考文献

附录

致谢