秋玉米SPAD值的光谱估算模型研究
湖南农业大学农学院,410128,湖南长沙
Hyperspectral Estimation of SPAD Values in Different Varieties of Autumn Maize
Agronomy College of Hunan Agricultural University, Changsha 410128, Hunan, China
通讯作者:
收稿日期: 2019-04-1 修回日期: 2019-06-6 网络出版日期: 2019-10-15
Received: 2019-04-1 Revised: 2019-06-6 Online: 2019-10-15
作者简介 About authors
花宇辉,硕士研究生,主要从事作物信息学研究 。
研究不同秋玉米品种叶片SPAD值与一阶微分光谱的相关关系,筛选出8个品种的敏感波长和一阶微分光谱参数,建立不同品种SPAD值的一元线性、指数、多项式和基于一阶微分光谱参数的预测模型,计算建模集和验证集的均方根误差RMSE和相对误差RE。结果发现,不同秋玉米品种SPAD值与光谱一阶微分相关系数较高,均在0.8以上;不同秋玉米品种光谱一阶微分的敏感波段位于650~680nm;基于敏感波长建立的SPAD值预测模型均表现出较好效果,多项式模型效果最佳,模型估测精度在不同品种间存在差异;在8个秋玉米品种中,正大999的多项式预测模型表现最佳,其建模集RMSE和RE分别为2.762和3.643%,其验证集RMSEv和REv分别为3.322和4.518%。
关键词:
By studying the correlation between SPAD value of different autumn maize leaves varieties and first derivative spectrum, the sensitive wavelengths and first derivative spectrum parameters of 8 autumn maize varieties were screened out, and linear, exponential, polynomial and first derivative spectrum parameters’ prediction models of SPAD value of different autumn maize varieties were established, and RMSE and RE of modeling set and verification set were calculated. The results showed that higher correlation between the SPAD value and the first derivative spectrum of different autumn maize varieties, which reached more than 0.8. The sensitive bands of different autumn maize varieties in first derivative spectrum are between 650-680nm. The SPAD value prediction model based on the sensitive wavelength performed well, especially by the polynomial model, but its estimation accuracy was different among the varieties. Among the 8 varieties of autumn maize, the prediction model of Zhengda 999 had the best performance, its modeling set RMSE and RE were 2.762 and 3.643%, respectively, and its verification set RMSEv and REv were 3.322 and 4.518%, respectively.
Keywords:
本文引用格式
花宇辉, 高志强.
Hua Yuhui, Gao Zhiqiang.
SPAD值是叶绿素含量的相对值,能够在一定程度上反映作物叶绿素含量,指示作物生长状况,指导农业生产[1,2,3,4,5]。因此,精准监测作物SPAD值具有重要意义。SPAD值反映的是植株个体的叶绿素含量,不能有效表达群体的叶绿素含量[6],然而,随着高光谱技术的快速发展,作物生理生化参数的高光谱反演成为研究热点[7,8,9,10,11,12],使得作物群体参数监测成为可能。玉米作为全世界重要的粮食作物之一[13],它的生长监测也离不开SPAD值等数据的支撑,利用光谱技术精确估测玉米SPAD值能为整个玉米生长过程提供科学指导[14]。目前,很多学者对此进行了大量的研究。贺英等[15]利用轻小型无人机搭载数码相机采集玉米开花期冠层光谱数据,采用15种常见的可见光植被指数构建了玉米SPAD值的估测模型。王丽凤等[16]采用高光谱成像技术提取240个玉米叶片的光谱反射率平均值,并对其进行3种预处理(1stDer、2ndDer、SNV),建立了玉米叶片氮含量的估测模型。有研究指出,采用一阶微分光谱构建SPAD值的预测模型效果较好[17]。陈春玲等[18]采用一阶微分方法提取了玉米叶片的9种高光谱特征参数,建立了较好的基于BP神经网络的SPAD值预测模型。于雷等[19]利用迭代和保留信息变量法筛选出大豆叶片的特征波长变量,建立的IRIV-SVM模型估测效果较好,其验证集R2和RPD分别为0.73和1.82。以上很多研究集中在提高SPAD值预测模型精度,很少研究多个玉米品种叶片SPAD模型的构建。高鑫等[20]采集了18个玉米品种的光谱和SPAD值,构建了SPAD值预测模型,综合分析了两年数据得出,玉米叶片SPAD值与高光谱反射率和一阶导数最敏感的波段分别为550~710nm、500~750nm。
本研究采集不同玉米品种的叶片光谱数据和SPAD值,利用一阶微分后的光谱数据分别建立不同品种叶片SPAD值的一元线性、指数、多项式和基于一阶微分光谱参数的预测模型,通过计算模型的R2、RMSE和RE等对模型精度进行验证和比较,得出最优模型。
1 材料与方法
1.1 试验设计
试验于2018年7月-9月在湖南农业大学耘园科研教学试验基地(28°18′N,113°06′E,海拔30.2m)进行。供试玉米品种为双兴玉2号、正大999、湘农玉27号、兴玉818、临奥1号B3、湘农玉32号、洛玉1号和田玉335。试验前一次性施足基肥,其他田间管理按照一般大田种植方式进行。共设置8个试验小区,每个品种对应一个小区,小区面积3.6m2。每个小区选取10株长势一致的玉米植株进行标记,分别于玉米拔节期及其后第7、17、27、35天采集标记玉米叶片光谱和SPAD值。
1.2 数据采集
1.2.1 叶片SPAD值采集 玉米叶片SPAD值采集使用SPAD-502 plus叶绿素仪测定。试验选取每个玉米品种各10株做好标记,在拔节期及其后第7和17天采集玉米上部、下部叶片的SPAD值,在拔节期后第27和35天采集上、中、下部叶片的SPAD值。测定时,每片叶片均匀采集10个SPAD值,取平均值。
1.2.2 光谱数据采集 玉米叶片光谱数据采集使用Field Spec 3便携式地物波谱仪,其光谱采样范围为350~2 500nm,光谱分辨率分别为3、4nm,光谱采样间隔为1.4nm(350~1 000nm)、2nm(1 001~2 500nm)。选择晴朗无云的天气采集光谱数据,于北京时间11∶00-14∶00使用该仪器自带的人工光源手持型叶片光谱探头直接进行活体夹叶测定。测定时,在拔节期及其后第7和17天选取玉米上部和下部叶片各1片,拔节期后第27和35天每株玉米选取上(上位叶)、中(穗位叶)、下(下位叶)部叶片各1片采集叶片光谱。同时,每测定1株,进行1次白板校正。测定叶片与SPAD值测定叶片相同。每个玉米品种采集120个样本,8个品种,共计960个样本数据。
1.3 数据处理
利用View Spec Pro 6.0软件对采集到的光谱数据进行预处理,首先对原始光谱进行拼接校正,平滑光谱曲线,再对原始光谱数据进行一阶微分求导,输出原始光谱反射率和一阶微分光谱值。利用Excel和SPSS 16.0软件分析玉米叶片光谱数据和SPAD值的相关关系,再根据一阶微分光谱与SPAD值的相关关系提取特征波长,构建一元线性、指数、多项式和一阶微分光谱参数的预测模型,计算模型决定系数R2、均方根误差RMSE和相对误差RE,RMSE和RE的计算公式如下:
式中:yi为真实值,$\hat{y}i$为预测值,n为样本数。
2 结果与分析
2.1 不同秋玉米品种叶片SPAD值变化
秋玉米各品种SPAD值在不同生育期差异不明显,且变化规律大体一致,叶片SPAD值从拔节期开始上升,到其后第27天均达到最大值,随后开始下降(图1)。叶片SPAD值自拔节期后第7、17、27天逐渐升高,第35天SPAD值下降。不同品种所有时间SPAD值的平均值表现为湘农玉32号(62.34)>临奥1号B3(60.95)>兴玉818(60.08)>正大999(58.35)>田玉335(57.97)>洛玉1号(57.84)>双兴玉2号(57.04)>湘农玉27号(56.38)。
图1
图1
不同秋玉米品种SPAD值变化
Fig.1
Changes of SPAD value of different autumn maize varieties
2.2 拔节期后不同秋玉米品种高光谱特征变化
图2
图2
不同秋玉米品种光谱反射率和一阶微分光谱变化
Fig.2
Changes of spectrum reflectance and first derivative spectrum of different autumn maize varieties
2.3 秋玉米叶片一阶微分光谱与SPAD值的相关性分析
图3
图3
不同秋玉米品种一阶微分光谱与SPAD值相关系数
Fig.3
The correlation coefficient between SPAD value and first derivative spectrum of different autumn maize varieties
从图3可以发现,在波长范围650~675nm处,8个品种一阶微分光谱均与SPAD值呈极显著正相关,相关系数达到最大值。
2.4 不同秋玉米品种SPAD值估测模型构建
根据不同品种SPAD值与一阶微分光谱相关系数,选择相关系数较大的波长作为其敏感波段,根据得到的敏感波长计算不同品种一阶微分光谱参数,包括归一化光谱指数(NDSI)、比值植被指数(RSI)和差值植被指数(DSI),并计算其决定系数,具体见表1。从表1中选取8个品种各自对应的一阶微分光谱与SPAD值相关系数最大的波长,分别为671、676、673、667、671、677、654和677nm,构建SPAD值一元线性、指数和多项式的预测模型。由表2可见,各品种SPAD值预测模型效果均较好,决定系数都在0.71以上。除洛玉1号,其SPAD值预测模型显示一元线性模型建模决定系数R2较高于指数和多项式模型,其他品种均表现为多项式模型决定系数最高,这一结果与许多研究[20,25]结果基本一致。
表1 不同秋玉米品种一阶微分光谱和光谱参数与SPAD值的决定系数
Table 1
双兴玉2号Shuangxingyu No.2 | 正大999 Zhengda 999 | 湘农玉27号Xiangnongyu No.27 | 兴玉818 Xingyu 818 | |||||||
---|---|---|---|---|---|---|---|---|---|---|
参数Parameter | R2 | 参数Parameter | R2 | 参数Parameter | R2 | 参数Parameter | R2 | |||
R′491 | 0.453** | R′483 | 0.346** | R′490 | 0.317** | R′499 | 0.053* | |||
R′625 | 0.403** | R′635 | 0.387** | R′628 | 0.384** | R′624 | 0.352** | |||
R′671 | 0.729** | R′671 | 0.906** | R′673 | 0.861** | R′667 | 0.721** | |||
R′728 | 0.301** | R′714 | 0.112* | R′738 | 0.564** | R′739 | 0.101* | |||
NDSI (R′491,R′625) | 0.003 | NDSI (R′483,R′635) | 0.277** | NDSI (R′490,R′628) | 0.000 | NDSI (R′499,R′624) | 0.006 | |||
NDSI (R′491,R′671) | 0.681** | NDSI (R′483,R′671) | 0.237** | NDSI (R′490,R′673) | 0.489** | NDSI (R′499,R′667) | 0.654** | |||
NDSI (R′491,R′728) | 0.325** | NDSI (R′483,R′714) | 0.188 | NDSI (R′490,R′738) | 0.299** | NDSI (R′499,R′739) | 0.362** | |||
NDSI (R′625,R′671) | 0.005 | NDSI (R′635,R′671) | 0.084 | NDSI (R′628,R′673) | 0.013 | NDSI (R′624,R′667) | 0.012 | |||
NDSI (R′625,R′728) | 0.413** | NDSI (R′635,R′714) | 0.229** | NDSI (R′628,R′738) | 0.411** | NDSI (R′624,R′739) | 0.400** | |||
NDSI (R′671,R′728) | 0.681** | NDSI (R′671,R′714) | 0.787** | NDSI (R′673,R′738) | 0.443** | NDSI (R′667,R′739) | 0.734** | |||
RSI (R′491,R′625) | 0.022 | RSI (R′483,R′635) | 0.001 | RSI (R′490,R′628) | 0.001 | RSI (R′499,R′624) | 0.001 | |||
RSI (R′491,R′671) | 0.089 | RSI (R′483,R′671) | 0.000 | RSI (R′490,R′673) | 0.055 | RSI (R′499,R′667) | 0.080 | |||
RSI (R′491,R′728) | 0.056 | RSI (R′483,R′714) | 0.001 | RSI (R′490,R′738) | 0.049 | RSI (R′499,R′639) | 0.011 | |||
RSI (R′625,R′671) | 0.642** | RSI (R′635,R′671) | 0.413** | RSI (R′628,R′673) | 0.607** | RSI (R′624,R′667) | 0.644** | |||
RSI (R′625,R′728) | 0.335** | RSI (R′635,R′714) | 0.251** | RSI (R′628,R′738) | 0.461** | RSI (R′624,R′739) | 0.330** | |||
RSI (R′671,R′728) | 0.017 | RSI (R′671,R′714) | 0.706** | RSI (R′673,R′738) | 0.450** | RSI (R′667,R′739) | 0.002 | |||
DSI (R′491,R′625) | 0.280** | DSI (R′491,R′625) | 0.016 | DSI (R′490,R′628) | 0.158* | DSI (R′499,R′624) | 0.246** | |||
DSI (R′491,R′671) | 0.503** | DSI (R′491,R′671) | 0.861** | DSI (R′490,R′673) | 0.702** | DSI (R′499,R′667) | 0.568** | |||
DSI (R′491,R′728) | 0.222** | DSI (R′491,R′714) | 0.040 | DSI (R′490,R′738) | 0.552** | DSI (R′499,R′739) | 0.101* | |||
DSI (R′625,R′671) | 0.453** | DSI (R′625,R′671) | 0.827** | DSI (R′628,R′673) | 0.793** | DSI (R′624,R′667) | 0.643** | |||
DSI (R′625,R′728) | 0.151* | DSI (R′625,R′714) | 0.043 | DSI (R′628,R′738) | 0.532** | DSI (R′624,R′739) | 0.060 | |||
DSI (R′671,R′728) | 0.062 | DSI (R′671,R′714) | 0.008 | DSI (R′673,R′738) | 0.466** | DSI (R′667,R′739) | 0.035 | |||
临奥1号B3 Lin′ao No.1 B3 | 湘农玉32号Xiangnongyu No.32 | 洛玉1号Luoyu No.1 | 田玉335 Tianyu 335 | |||||||
参数Parameter | R2 | 参数Parameter | R2 | 参数Parameter | R2 | 参数Parameter | R2 | |||
R′549 | 0.345** | R′553 | 0.332** | R′539 | 0.801** | R′551 | 0.325** | |||
R′624 | 0.598** | R′633 | 0.206** | R′610 | 0.853** | R′634 | 0.471** | |||
R′671 | 0.608** | R′677 | 0.524** | R′654 | 0.819** | R′677 | 0.217** | |||
R′739 | 0.752** | R′729 | 0.136* | R′740 | 0.883** | R′723 | 0.545** | |||
NDSI (R′549,R′624) | 0.003 | NDSI (R′553,R′633) | 0.000 | NDSI (R′539,R′610) | 0.001 | NDSI (R′551,R′634) | 0.591** | |||
NDSI (R′549,R′671) | 0.127* | NDSI (R′553,R′677) | 0.274** | NDSI (R′539,R′654) | 0.021 | NDSI (R′551,R′677) | 0.359** | |||
NDSI (R′549,R′739) | 0.004 | NDSI (R′553,R′729) | 0.116* | NDSI (R′539,R′740) | 0.420** | NDSI (R′551,R′723) | 0.591** | |||
NDSI (R′624,R′671) | 0.011 | NDSI (R′633,R′677) | 0.248** | NDSI (R′610,R′654) | 0.717** | NDSI (R′634,R′677) | 0.037 | |||
NDSI (R′624,R′739) | 0.042 | NDSI (R′633,R′729) | 0.056 | NDSI (R′610,R′740) | 0.436** | NDSI (R′634,R′723) | 0.082 | |||
NDSI (R′671,R′739) | 0.662** | NDSI (R′677,R′729) | 0.733** | NDSI (R′654,R′740) | 0.735** | NDSI (R′677,R′723) | 0.813** | |||
RSI (R′549,R′624) | 0.005 | RSI (R′553,R′633) | 0.000 | RSI (R′539,R′610) | 0.014 | RSI (R′551,R′634) | 0.007 | |||
RSI (R′549,R′671) | 0.010 | RSI (R′553,R′677) | 0.428** | RSI (R′539,R′654) | 0.586** | RSI (R′551,R′677) | 0.007 | |||
RSI (R′549,R′739) | 0.009 | RSI (R′553,R′729) | 0.126* | RSI (R′539,R′740) | 0.426** | RSI (R′551,R′723) | 0.007 | |||
RSI (R′624,R′671) | 0.678** | RSI (R′633,R′677) | 0.389** | RSI (R′610,R′654) | 0.737** | RSI (R′634,R′677) | 0.455** | |||
RSI (R′624,R′739) | 0.435** | RSI (R′633,R′729) | 0.049 | RSI (R′610,R′740) | 0.552** | RSI (R′634,R′723) | 0.087 | |||
RSI (R′671,R′739) | 0.020 | RSI (R′677,R′729) | 0.517** | RSI (R′654,R′740) | 0.004 | RSI (R′677,R′723) | 0.731** | |||
DSI (R′549,R′624) | 0.475** | DSI (R′553,R′633) | 0.029 | DSI (R′539,R′610) | 0.655** | DSI (R′551,R′634) | 0.069 | |||
DSI (R′549,R′671) | 0.768** | DSI (R′553,R′677) | 0.832** | DSI (R′539,R′654) | 0.793** | DSI (R′551,R′677) | 0.856** | |||
DSI (R′549,R′739) | 0.366** | DSI (R′553,R′729) | 0.368** | DSI (R′539,R′740) | 0.256** | DSI (R′551,R′723) | 0.350** | |||
DSI (R′624,R′671) | 0.705** | DSI (R′633,R′677) | 0.813** | DSI (R′610,R′654) | 0.000 | DSI (R′634,R′677) | 0.814** | |||
DSI (R′624,R′739) | 0.325** | DSI (R′633,R′729) | 0.373** | DSI (R′610,R′740) | 0.136* | DSI (R′634,R′723) | 0.351** | |||
DSI (R′671,R′739) | 0.212** | DSI (R′677,R′729) | 0.157* | DSI (R′654,R′740) | 0.130* | DSI (R′677,R′723) | 0.045 |
Note: ** indicate extremely significant difference at the 0.01 level, * indicate significant difference at the 0.05 level
注:**表示在0.01水平差异极显著,*表示在0.05水平差异显著
表2 不同秋玉米品种SPAD值预测模型及其决定系数
Table 2
品种 Variety | 模型Model | |||||||
---|---|---|---|---|---|---|---|---|
一元线性模型 Linear model | R2 | 指数模型 Exponential model | R2 | 多项式模型 Polynomial model | R2 | |||
双兴玉2号Shuangxingyu No.2 | y=38660x+46.774 | 0.731 | y=46.66e704.24x | 0.737 | y=-19533118x2+48050.806x+46.482 | 0.737 | ||
正大999 Zhengda 999 | y=34262x+36.096 | 0.861 | y=39.224e591.41x | 0.860 | y=14888708x2+15133.378x+41.232 | 0.886 | ||
湘农玉27号Xiangnongyu No.27 | y=77172x+30.210 | 0.907 | y=34.932e1336.9x | 0.908 | y=92891892x2+11627.991x+39.552 | 0.913 | ||
兴玉818 Xingyu 818 | y=54077x+54.495 | 0.721 | y=53.95e913.14x | 0.710 | y=-30808871x2+62332.558x+54.681 | 0.730 | ||
临奥1号B3 Lin′ao No.1 B3 | y=38823x+49.368 | 0.800 | y=49.831e634.56x | 0.797 | y=-4207729x2+41629.656x+49.108 | 0.801 | ||
湘农玉32号Xiangnongyu No.32 | y=30562x+39.597 | 0.801 | y=42.769e487.93x | 0.853 | y=16960342x2+4942.054x+47.636 | 0.843 | ||
洛玉1号Luoyu No.1 | y=111055x+77.22 | 0.869 | y=80.587e1984x | 0.842 | y=96303678x2+148021.766x+80.146 | 0.825 | ||
田玉335 Tianyu 335 | y=33687x+34.605 | 0.883 | y=38.05e580.92x | 0.879 | y=-12646105x2+52181.083x+29.068 | 0.888 |
由表1筛选出各品种决定系数最大的一阶微分光谱参数构建线性回归模型分别为:双兴玉2号,NDSI (R′491,R′671);正大999,DSI (R′491,R′671);湘农玉27号,DSI (R′628,R′673);兴玉818,NDSI (R′667,R′739);临奥1号B3,DSI (R′549,R′671);湘农玉32号,DSI (R′553,R′677);洛玉1号,DSI (R′539,R′654);田玉335,DSI (R′551,R′677),其模型决定系数如表3。将表3中模型与表2中3种模型对比发现,除兴玉818表现为NDSI (R′667,R′739)一元线性模型决定系数较高外,其他品种均为多项式模型决定系数最大。
表3 不同秋玉米品种一阶微分光谱参数线性回归模型决定系数
Table 3
品种Variety | 光谱参数模型 Spectum paramter model | R2 |
---|---|---|
双兴玉2号Shuangxingyu No.2 | y=-10.951x+57.295 | 0.681 |
正大999 Zhengda 999 | y=31517.7x+38.273 | 0.861 |
湘农玉27号Xiangnongyu No.27 | y=86746.221x+18.798 | 0.793 |
兴玉818 Xingyu 818 | y=136.176x+190.901 | 0.734 |
临奥1号B3 Lin′ao No.1 B3 | y=31211.09x+54.037 | 0.768 |
湘农玉32号Xiangnongyu No.32 | y=26016.52x+54.037 | 0.832 |
洛玉1号Luoyu No.1 | y=530.47.443x+91.222 | 0.793 |
田玉335 Tianyu 335 | y=29300.613x+35.924 | 0.856 |
2.5 模型精度验证
表4 不同秋玉米品种SPAD值估算模型的建模与验证结果
Table 4
品种Variety | 模型 Model | 建模集 Modeling set | 验证集 Verification set | |||
---|---|---|---|---|---|---|
RMSE | RE (%) | RMSEv | REv (%) | |||
双兴玉2号 | 一元线性Linear | 4.825 | 6.976 | 4.114 | 5.845 | |
Shuangxingyu No.2 | 指数Exponential | 4.936 | 6.860 | 4.403 | 5.833 | |
多项式Polynomial | 4.773 | 6.814 | 3.924 | 5.803 | ||
NDSI (R′491,R′671) | 5.031 | 7.618 | 4.327 | 5.615 | ||
正大999 | 一元线性Linear | 2.851 | 3.666 | 3.112 | 4.050 | |
Zhengda 999 | 指数Exponential | 2.776 | 3.632 | 3.245 | 4.360 | |
多项式Polynomial | 2.762 | 3.643 | 3.322 | 4.518 | ||
DSI (R′491,R′671) | 2.749 | 3.619 | 4.151 | 5.066 | ||
湘农玉27号 | 一元线性Linear | 4.849 | 7.298 | 5.350 | 6.569 | |
Xiangnongyu No.27 | 指数Exponential | 4.393 | 6.642 | 7.285 | 8.478 | |
多项式Polynomial | 4.272 | 6.433 | 8.613 | 9.695 | ||
DSI (R′628,R′673) | 5.051 | 7.782 | 7.501 | 9.127 | ||
兴玉818 | 一元线性Linear | 5.100 | 6.701 | 4.421 | 6.097 | |
Xingyu 818 | 指数Exponential | 5.310 | 6.720 | 4.724 | 6.449 | |
多项式Polynomial | 5.019 | 6.779 | 4.620 | 6.128 | ||
NDSI (R′667,R′739) | 5.132 | 6.635 | 4.432 | 6.004 | ||
临奥1号B3 | 一元线性Linear | 4.240 | 5.134 | 4.172 | 5.357 | |
Lin′ao No.1 B3 | 指数Exponential | 4.304 | 5.120 | 4.110 | 5.060 | |
多项式Polynomial | 4.237 | 5.110 | 4.202 | 5.457 | ||
DSI (R′549,R′671) | 4.361 | 5.126 | 4.190 | 5.553 | ||
湘农玉32号 | 一元线性Linear | 3.880 | 5.055 | 3.795 | 4.564 | |
Xiangnongyu No.32 | 指数Exponential | 3.758 | 4.894 | 3.757 | 4.537 | |
多项式Polynomial | 3.672 | 4.805 | 3.949 | 4.658 | ||
DSI (R′553,R′677) | 3.897 | 4.858 | 3.717 | 4.342 | ||
洛玉1号 | 一元线性Linear | 4.179 | 5.202 | 9.062 | 9.308 | |
Luoyu No.1 | 指数Exponential | 4.138 | 5.140 | 7.529 | 8.258 | |
多项式Polynomial | 4.123 | 5.061 | 7.465 | 8.098 | ||
DSI (R′539,R′654) | 4.570 | 6.303 | 5.722 | 7.731 | ||
田玉335 | 一元线性Linear | 3.703 | 4.473 | 4.008 | 5.118 | |
Tianyu 335 | 指数Exponential | 3.867 | 4.559 | 4.240 | 5.443 | |
多项式Polynomial | 3.629 | 4.603 | 3.923 | 4.913 | ||
DSI (R′551,R′677) | 3.630 | 4.379 | 4.054 | 5.163 |
3 讨论
研究发现,不同秋玉米品种光谱反射率与一阶微分光谱均存在差异,其总体变化趋势一致,这是绿色植物共有的特征。不同品种的SPAD值与光谱一阶微分相关系数较高,均在0.8以上,不同品种间SPAD值与一阶微分光谱相关系数存在差异,表现为不同品种的敏感波段不同,但总体比较相近,基本位于650~680nm。基于敏感波长建立的SPAD值预测模型均表现出较好效果,多项式模型效果最佳,模型估测精度在不同品种间存在差异;在8个品种中,正大999的预测模型表现最佳,其建模集RMSE和RE分别为2.762和3.643%,验证集RMSEv和REv分别为3.322和4.518%。
4 结论
秋玉米不同品种叶片光谱特征相近,但不同品种SPAD值的敏感波段存在差异,因此,构建不同品种SPAD值的估测模型需采用敏感波段数据;以单波段敏感波长建立的不同品种SPAD值的估测模型虽在验证精度上存在差异,但表现较为稳定,多项式模型表现最佳。
参考文献
光谱指数的植物叶片叶绿素含量估算模型
,叶片叶绿素能够有效监测植被的生长状况, 利用光谱指数反演植被叶绿素含量是目前的通用方法。 实测了盐生植物光谱反射率和叶片叶绿素含量。 对SPAD值进行变换, 对比Pearson与VIP方法探讨盐生植被叶片叶绿素含量与植被指数的相关性并进行精度验证, 从中选出最佳拟合模型。 研究表明, 通过对Pearson与VIP相关性分析, 最终选定VIP方法建立植被指数的叶片叶绿素估算模型, NDVI705, ARVI, CIred edge, PRI, VARI, PSRI和NPCI的VIP值均大于08, 因此选定这七个植被指数为最优植被指数; 预测结果显示, 所有模型的相关性都在07以上, 预测值与实测值相关性最好的是经过倒数变换的SPAD值, R=0816, RMSE=0007。 基于VIP方法的反演模型能较好地估算研究区植被叶绿素含量, 该方法为植物叶绿素含量诊断的实际应用提供了重要的理论依据和技术支持。
相对SPAD值用于不同品种夏玉米氮肥管理的研究
,DOI:10.11674/zwyf.2011.1059 Magsci [本文引用: 1]
采用田间试验研究了不同氮肥处理、不同玉米品种及关键生育期间的SPAD值差异和基于相对SPAD阈值的氮肥管理对氮肥用量、子粒产量、氮肥利用率和土壤氮素变化的影响。结果表明,两品种玉米各关键生育期的SPAD值开始随施氮量的增加而显著增加,施氮量超过N 210 kg /hm2后不再显著增加;郑单958和冀农一号大喇叭口期的相对SPAD值与产量的关系符合线性加平台模型,其平台相对SPAD值分别为0.976和0.981;两玉米品种和不同生育期间的绝对SPAD值差异显著,利用相对SPAD值可消除品种和生育期间的SPAD值差异。玉米关键生育期追肥量和总施氮量均随预设相对SPAD阈值的增加而增加,基于相对SPAD阈值的氮肥管理能在保持高产的同时较农民习惯施肥显著降低氮肥用量、田间氮素表观损失和收获后土壤无机氮残留、提高氮肥利用率;本试验条件下,保持玉米高产高效的适宜相对SPAD阈值为0.95~0.98,此阈值管理下,郑单958和冀农一号的产量较农民习惯施肥没有降低,而氮肥用量降低了42%,氮肥回收利用率和农学效率分别增加了18.6、20.0个百分点和6.0、6.5 kg/kg。
基于可见光-近红外新光谱特征和最优组合原理的大麦叶片氮含量监测
,提出新的作物冠层叶片氮含量(LNC)高光谱遥感监测方法,以对氮素要求较高的大麦LNC监测为例,利用田间实测数据,从可见光-近红外区域的高光谱反射曲线中提取包含丰富多波段信息的斜率、夹角等新型特征参数,应用组合预测领域中的权重最优组合原理及其算法,实现对作物LNC的高光谱监测.研究表明,提出的高光谱反射曲线斜率和夹角等新型特征参数与作物LNC显著相关,并具有较好的定量响应关系,其中关键斜率参数(Kre/Kpb)和Kpb以及夹角参数(Aδ/Aα)和(Aδ/Aθ)较好地描述了LNC的动态变化; 而权重最优组合分析则表明(Kre/Kpb)和Knir1两个参数的组合最能响应LNC的光谱信息,有助于增强监测的稳定性并提高估测的精度.
Using wavelet analysis of hyperspectral remote-sensing data to estimate canopy chlorophyll content of winter wheat under stripe rust stress
,
Evaluating chlorophyll density in winter oilseed rape (Brassica napus L.) using canopy hyperspectral red-edge parameters
,
基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算
,为了进一步提高玉米叶绿素含量的高光谱估算精度,该文测定了西北地区玉米乳熟期叶片的光谱反射率及其对应的叶绿素相对含量(soil and plant analyzer development,SPAD)值,分析了一阶微分光谱、高光谱特征参数与SPAD的相关关系,构建了基于一阶微分光谱、高光谱特征参数和BP神经网络的SPAD估算模型,并对模型进行验证;再结合主成分回归(principal component regression,PCR)、偏最小二乘回归(partial least squares regression,PLSR)以及传统回归模型与BP神经网络模型进行比较。结果表明:SPAD值与一阶微分光谱在763nm处具有最大相关系数(R=0.901);以763 nm处的一阶微分值、蓝边内最大一阶微分为自变量建立的传统回归模型可用于玉米叶片SPAD估算;将构建传统回归模型时筛选到的光谱参数作为输入,实测SPAD值作为输出,构建BP神经网络模型,其建模与验模R2分别为0.887和0.896,RMSE为2.782,RE为4.59%,与其他回归模型相比,BP神经网络模型预测精度最高,研究表明BP神经网络对叶绿素具有较好的预测能力,是估算玉米叶片SPAD值的一种实时高效的方法。
Hyperspectral prediction model for maize leaf SPAD in the whole growth period
,
/
〈 | 〉 |