水稻穗部氮素含量高光谱估测研究

doi:10.16035/j.issn.1001-7283.2018.05.018

作物杂志,2018, 第5期: 116–120 doi: 10.16035/j.issn.1001-7283.2018.05.018

• 生理生化·植物营养·栽培耕作 • 上一篇下一篇

水稻穗部氮素含量高光谱估测研究

陈瑛瑛,王徐艺凌,朱宇涵,武威,刘涛,孙成明

扬州大学农学院/江苏省作物遗传生理重点实验室/粮食作物现代产业技术协同创新中心,225009,江苏扬州

收稿日期:2018-04-03 修回日期:2018-07-18 出版日期:2018-10-15 发布日期:2018-10-12
通讯作者: 孙成明
作者简介:陈瑛瑛,硕士研究生,主要从事作物生长智能监测研究;|王徐艺凌为共同第一作者,本科生,农学专业
基金资助:
国家自然科学基金(31671615);国家自然科学基金(31701355);江苏省大学生创新训练计划重点项目(201711117026Z);扬州大学大学生学术科技创新基金(20170648)

Hyperspectral Estimation of Nitrogen Content in Rice Panicle

Chen Yingying,Wangxu Yiling,Zhu Yuhan,Wu Wei,Liu Tao,Sun Chengming

College of Agronomy, Yangzhou University/Key Laboratory of Crop Genetics and Physiology of Jiangsu Province/Collaborative Innovation Center for Modern Production Technology of Grain Crops, Yangzhou 225009, Jiangsu, China

Received:2018-04-03 Revised:2018-07-18 Online:2018-10-15 Published:2018-10-12
Contact: Chengming Sun

摘要/Abstract

摘要：

氮素是影响水稻生长发育的主要营养元素之一,稻穗生长与氮素营养息息相关。本研究利用高光谱技术测定了稻穗的全氮含量并进行了相应的分析,结果表明：稻穗全氮含量与冠层光谱反射率在近红外波段760~1 300nm呈极显著负相关关系,稻穗全氮含量与光谱特征指数λb、SDr、SDr/SDb、DVI的相关性较好,并建立了相应的估算模型。经独立的实测数据检验可知,基于SDr/SDb与DVI指数组合所建线性回归模型y=2.075+0.001x₁-2.952x₂估测稻穗全氮含量效果最好。上述结果为稻穗营养元素的快速诊断提供了新的手段。

关键词: 水稻, 稻穗, 高光谱, 氮素含量, 估测模型

Abstract:

Nitrogen is one of the main nutrient elements affecting the growth and development of rice. The growth of rice panicle is closely related to nitrogen nutrition. In this study, the nitrogen content in rice panicle was measured and analyzed by using hyperspectral technology, and the results showed that total nitrogen content of rice panicle and canopy spectral reflectance presented highly significant negative correlation in the near infrared band 760nm to 1 300nm. The correlations between total nitrogen content of rice panicle and spectral characteristic parameters, such as λb, SDr, SDr/SDb and DVI were good, and the estimation models were established based on these relationships. The tested result by independent measured data showed that the quadratic function model y=2.075+0.001x₁-2.952x₂ based on SDr/SDb and DVI was the best model for estimating total nitrogen content of rice panicle. The above results could provide a new method to diagnose nutrient elements in rice panicle rapidly.

Key words: Rice, Rice panicle, Hyperspectral, Nitrogen content, Estimation model

陈瑛瑛,王徐艺凌,朱宇涵,武威,刘涛,孙成明. 水稻穗部氮素含量高光谱估测研究[J]. 作物杂志, 2018 (5): 116–120

Chen Yingying,Wangxu Yiling,Zhu Yuhan,Wu Wei,Liu Tao,Sun Chengming. Hyperspectral Estimation of Nitrogen Content in Rice Panicle[J]. Crops, 2018(5): 116–120

图/表 5

图1

图2

表1

表2

图3

参考文献 26

[1]	王莉雯, 卫亚星 . 植被氮素浓度高光谱遥感反演研究进展. 光谱学与光谱分析, 2013,33(10):2823-2827.
[2]	李永梅, 张立根, 张学俭 . 水稻叶片高光谱响应特征及氮素估算. 江苏农业科学, 2017,45(23):210-213.
[3]	吴静珠, 申舒, 董晶晶 . AOTF高光谱成像探测作物氮素含量方法. 传感器与微系统, 2017,36(11):64-66,69.
[4]	禇旭 . 不同覆盖度条件下水稻叶层氮素营养的高光谱监测研究. 南京:南京农业大学, 2013.
[5]	胡雯君 . 基于冠层反射光谱的水稻氮素营养与生长监测研究. 南昌:江西农业大学, 2014.
[6]	王树文, 郑博元, 张长利 . 氮素胁迫下水稻高光谱特征研究. 农机化研究, 2015(8):162-165.
[7]	Stroppiana D, Boschetti M, Brivio P A , et al. Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry. Field Crops Research, 2009,111(1-2):119-129. doi: 10.1016/j.fcr.2008.11.004
[8]	Ryu C, Suguri M, Umeda M . Model for predicting the nitrogen content of rice at panicle initiation stage using data from airborne hyperspectral remote sensing. Biosystems Engineering, 2009,104(4):465-475. doi: 10.1016/j.biosystemseng.2009.09.002
[9]	胡军杰, 吴连喜, 王臻 . 高光谱数据在水稻含氮量监测中的应用. 江西科学, 2011,29(6):790-792.
[10]	刘桃菊, 潘星哲, 唐建军 , 等. 不同施氮量条件下水稻高光谱响应特征分析. 江西农业大学学报, 2014(4):699-704.
[11]	Yi Q X, Huang J F, Wan F M , et al. Monitoring rice nitrogen status using hyperspectral reflectance and artificial neural network. Environmental Science & Technology, 2007,41(19):6770-6775.
[12]	李旭青, 刘湘南, 刘美玲 , 等. 水稻冠层氮素含量光谱反演的随机森林算法及区域应用. 遥感学报, 2014,18(4):923-945. doi: 10.11834/jrs.20142329
[13]	李颖, 薛利红, 马资厚 , 等. 氮磷互作水稻冠层氮素敏感光谱筛选研究. 土壤, 2015,47(1):33-41.
[14]	陈青春, 田永超, 顾凯健 , 等. 基于多种光谱仪的水稻前期植株氮积累量监测. 农业工程学报, 2011,27(1):223-229.
[15]	徐涛 . 基于冠层反射光谱水稻氮素营养诊断模型研究. 南昌:江西农业大学, 2016.
[16]	宋红燕, 胡克林, 彭希 . 基于高光谱技术的覆膜旱作水稻植株氮含量及籽粒产量估算. 中国农业大学学报, 2016,21(8):27-34.
[17]	田永超, 杨杰, 姚霞 , 等. 利用叶片高光谱指数预测水稻群体叶层全氮含量. 作物学报, 2010,36(9):1529-1537. doi: 10.3724/SP.J.1006.2010.01529
[18]	秦占飞, 常庆瑞, 谢宝妮 , 等. 基于无人机高光谱影像的引黄灌区水稻叶片全氮含量估测. 农业工程学报, 2016,32(23):77-85.
[19]	冯伟, 朱艳, 姚霞 , 等 . 小麦氮素积累动态的高光谱监测. 中国农业科学, 2008,41(7):1937-1946.
[20]	王仁红, 宋晓宇, 李振海 , 等. 基于高光谱的冬小麦氮素营养指数估测. 农业工程学报, 2014,30(19):191-198.
[21]	武改红, 王超, 赵佳佳 , 等. 基于多元统计方法的冬小麦叶面积指数光谱估测. 生态学杂志, 2017,36(9):2665-2670.
[22]	贾学勤, 冯美臣, 杨武德 , 等. 基于多植被指数组合的冬小麦地上干生物量高光谱估测. 生态学杂志, 2018,37(2):424-429.
[23]	陈国庆, 齐文增, 李振 , 等. 不同氮素水平下超高产夏玉米冠层的高光谱特征. 生态学报, 2010,30(22):6035-6043.
[24]	贺婷, 李建东, 刘桂鹏 , 等. 基于高光谱遥感的玉米全氮含量估测模型. 沈阳农业大学学报, 2016,47(3):257-265.
[25]	张国圣, 许童羽, 于丰华 , 等. 基于高光谱的水稻叶片氮素估测与反演模型. 浙江农业学报, 2017,29(5):845-849.
[26]	武威, 陈雯, 陈瑛瑛 , 等. 不同水稻品种主要生育期冠层光谱特征分析. 中国稻米, 2018,24(1):49-51.

相关文章 15

[1]	姬生栋,栗鹏,李江伟,宋刘敏,刘苗苗,高狂龙,尹海庆. 水稻株系与亲本间灌浆期POD酶谱及遗传效应分析[J]. 作物杂志, 2018, (5): 17–20
[2]	马孟莉,郑云,周晓梅,张婷婷,张晓倩,卢丙越. 云南哈尼梯田红米地方品种遗传多样性分析[J]. 作物杂志, 2018, (5): 21–26
[3]	隋阳辉,高继平,刘彩虹,徐正进,王延波,赵海岩. 东北冷凉地区秸秆还田方式对水稻光合、干物质积累及氮素吸收的影响[J]. 作物杂志, 2018, (5): 137–143
[4]	梁晓宇, 林春雨, 马淑梅, 王洋. 水稻耐盐碱胁迫优异等位变异的发掘[J]. 作物杂志, 2018, (4): 48–52
[5]	章星传, 黄文轩, 朱宽宇, 王志琴, 杨建昌. 施氮量对不同水稻品种氮肥利用率与农艺性状的影响[J]. 作物杂志, 2018, (4): 69–78
[6]	曾波. 近30年来我国水稻主要品种更新换代历程浅析[J]. 作物杂志, 2018, (3): 1–7
[7]	张莉,李赞堂,王士银,麻艳超,东方阳,李学勇,徐江. 水稻氮素吸收低效型突变体osnad1的生理和遗传分析[J]. 作物杂志, 2018, (3): 68–76
[8]	赫臣,郑桂萍,赵海成,陈立强,李红宇,吕艳东,宋江. 增施腐殖酸及减量施肥对盐碱地水稻穗部性状与产量的影响[J]. 作物杂志, 2018, (3): 129–134
[9]	崔勇. 稻田水旱轮作的研究进展[J]. 作物杂志, 2018, (3): 8–14
[10]	唐志强,董立强,李睿,张丽颖,何娜,李跃东. 氮素与土壤类型对水稻秧苗素质及养分吸收的影响[J]. 作物杂志, 2018, (3): 141–147
[11]	曾波,孙世贤,王洁. 我国水稻主要品种近30年来审定及推广应用概况[J]. 作物杂志, 2018, (2): 1–5
[12]	曲歌,陈争光,王雪. 基于近红外光谱与SIMCA和PLS-DA的水稻品种鉴别[J]. 作物杂志, 2018, (2): 166–170
[13]	袁珍贵,陈平平,郭莉莉,屠乃美,易镇邪. 土壤镉含量影响水稻产量与稻穗镉累积分配的品种间差异[J]. 作物杂志, 2018, (1): 107–112
[14]	赵璐,杨治伟,部丽群,田玲,苏梅,田蕾,张银霞,杨淑琴,李培富. 宁夏和新疆水稻种质资源表型遗传多样性分析及综合评价[J]. 作物杂志, 2018, (1): 25–34
[15]	耿雷跃,张薇,邹拓,郑振宇,耿立格,孙娟,张启星. 河北水稻地方种质品质多样性分析[J]. 作物杂志, 2018, (1): 49–55

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

光谱指数Spectral index	描述Description	相关系数Correlation coefficient
Db	蓝边覆盖490~530nm内一阶微分光谱最大值	-0.384
λb	Db对应波长位置	-0.449^*
Dr	红边覆盖680~780nm内一阶微分光谱最大值	-0.282
Rg	波长510~560nm最大波段反射率（即绿峰反射率）	-0.262
SDb	蓝边范围内一阶微分波段值的总和	-0.117
SDr	红边范围内一阶微分波段值的总和	-0.430^*
SDr/SDb	红边范围内一阶微分波段值的总和/蓝边范围内一阶微分波段值的总和	-0.558^**
RVI	比值植被指数	-0.172
NDVI	归一化植被指数	-0.121
DVI	差值植被指数	-0.516^*
SAVI	土壤调节植被指数	-0.364

光谱指数 Spectral index	拟合方程 Fitted equation	R²
SDr/SDb	y=0.981+0.001x	0.311^**
DVI	y=-1.597-34.688x²+20.486x	0.429^**
	y=3.648e^-3.282x	0.324^**
λb	y=-75.627+0.148x	0.201^*
SDr	y=2.156-3.023x	0.185^*
	y=2.915e^-2.945x	0.232^*
SDr/SDb, DVI	y=2.075+0.001x₁-2.952x₂	0.505^**

水稻穗部氮素含量高光谱估测研究

Hyperspectral Estimation of Nitrogen Content in Rice Panicle

RichHTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 26

相关文章 15

Metrics

本文评价

推荐阅读 10