检索
E-mail
RSS
高级检索 图表检索

当期目录 我要投稿 过刊浏览
高级检索 图表检索

作物杂志, 2019, 35(5): 173-179 doi: 10.16035/j.issn.1001-7283.2019.05.028

生理生化·植物营养·栽培耕作

秋玉米SPAD值的光谱估算模型研究

花宇辉, 高志强

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

Hua Yuhui, Gao Zhiqiang

Agronomy College of Hunan Agricultural University, Changsha 410128, Hunan, China

通讯作者: 高志强,教授,主要从事作物信息学、农业发展理论研究

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 。

摘要

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： 秋玉米 ; SPAD值 ; 光谱 ; 估算模型

Abstract

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： Autumn maize ; SPAD value ; Spectrum ; Estimation model

PDF (846KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

花宇辉, 高志强. 秋玉米SPAD值的光谱估算模型研究[J]. 作物杂志, 2019, 35(5): 173-179 doi:10.16035/j.issn.1001-7283.2019.05.028

Hua Yuhui, Gao Zhiqiang. Hyperspectral Estimation of SPAD Values in Different Varieties of Autumn Maize[J]. Crops, 2019, 35(5): 173-179 doi:10.16035/j.issn.1001-7283.2019.05.028

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：

$RMSE=\sqrt{\frac{\sum^{n}_{i=1}(\hat{y}i-yi)^{2}}{n}}$
$RE=\frac{1}{n}\sum^{n}_{i=1}\frac{|\hat{y}i-yi|}{yi}$

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

新窗口打开| 下载原图ZIP| 生成PPT

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

对不同时期秋玉米叶片光谱反射率及其一阶导数进行平均计算,得出代表每个品种光谱特征的光谱反射率曲线及一阶微分光谱曲线。由图2可以看出,秋玉米进入拔节期后,各品种光谱反射率曲线变化规律大体一致,但由于不同品种的叶片内部组织结构和各元素含量的差异[21],使得不同品种的叶片光谱响应曲线在波峰和波谷处的反射率大小存在差异。不同品种一阶微分光谱曲线在400~1 000nm波长范围内具有双峰特征,第1个波峰位于可见光范围（480~550nm）,波峰位于522nm处,振幅较小;第2个波峰出现在波段范围（670~770nm）,波峰位于723nm处,振幅较大。

图2

新窗口打开| 下载原图ZIP| 生成PPT

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

研究[22,23,24]表明,植物SPAD值与光谱相关性最大的波段多位于可见光和近红外区,因此选取400~1 000nm的波段,分析不同秋玉米品种各个波长位置处一阶微分光谱与SPAD值之间的相关关系,得到如图3所示结果。

图3

新窗口打开| 下载原图ZIP| 生成PPT

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  Coefficient of determination of first derivative spectrum and spectrum parameters with SPAD value of different autumn maize varieties

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ParameterR2参数ParameterR2参数ParameterR2参数ParameterR2
R′4910.453**R′4830.346**R′4900.317**R′4990.053*
R′6250.403**R′6350.387**R′6280.384**R′6240.352**
R′6710.729**R′6710.906**R′6730.861**R′6670.721**
R′7280.301**R′7140.112*R′7380.564**R′7390.101*
NDSI (R′491,R′625)0.003NDSI (R′483,R′635)0.277**NDSI (R′490,R′628)0.000NDSI (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)0.188NDSI (R′490,R′738)0.299**NDSI (R′499,R′739)0.362**
NDSI (R′625,R′671)0.005NDSI (R′635,R′671)0.084NDSI (R′628,R′673)0.013NDSI (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)0.022RSI (R′483,R′635)0.001RSI (R′490,R′628)0.001RSI (R′499,R′624)0.001
RSI (R′491,R′671)0.089RSI (R′483,R′671)0.000RSI (R′490,R′673)0.055RSI (R′499,R′667)0.080
RSI (R′491,R′728)0.056RSI (R′483,R′714)0.001RSI (R′490,R′738)0.049RSI (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)0.017RSI (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)0.016DSI (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)0.040DSI (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)0.043DSI (R′628,R′738)0.532**DSI (R′624,R′739)0.060
DSI (R′671,R′728)0.062DSI (R′671,R′714)0.008DSI (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ParameterR2参数ParameterR2参数ParameterR2参数ParameterR2
R′5490.345**R′5530.332**R′5390.801**R′5510.325**
R′6240.598**R′6330.206**R′6100.853**R′6340.471**
R′6710.608**R′6770.524**R′6540.819**R′6770.217**
R′7390.752**R′7290.136*R′7400.883**R′7230.545**
NDSI (R′549,R′624)0.003NDSI (R′553,R′633)0.000NDSI (R′539,R′610)0.001NDSI (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)0.021NDSI (R′551,R′677)0.359**
NDSI (R′549,R′739)0.004NDSI (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)0.011NDSI (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)0.042NDSI (R′633,R′729)0.056NDSI (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)0.005RSI (R′553,R′633)0.000RSI (R′539,R′610)0.014RSI (R′551,R′634)0.007
RSI (R′549,R′671)0.010RSI (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)0.009RSI (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)0.049RSI (R′610,R′740)0.552**RSI (R′634,R′723)0.087
RSI (R′671,R′739)0.020RSI (R′677,R′729)0.517**RSI (R′654,R′740)0.004RSI (R′677,R′723)0.731**
DSI (R′549,R′624)0.475**DSI (R′553,R′633)0.029DSI (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)0.000DSI (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

新窗口打开| 下载CSV


表2   不同秋玉米品种SPAD值预测模型及其决定系数

Table 2  Predictive model and coefficient of determination of SPAD value of different autumn maize varieties

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.2y=38660x+46.7740.731y=46.66e704.24x0.737y=-19533118x2+48050.806x+46.4820.737
正大999 Zhengda 999y=34262x+36.0960.861y=39.224e591.41x0.860y=14888708x2+15133.378x+41.2320.886
湘农玉27号Xiangnongyu No.27y=77172x+30.2100.907y=34.932e1336.9x0.908y=92891892x2+11627.991x+39.5520.913
兴玉818 Xingyu 818y=54077x+54.4950.721y=53.95e913.14x0.710y=-30808871x2+62332.558x+54.6810.730
临奥1号B3 Lin′ao No.1 B3y=38823x+49.3680.800y=49.831e634.56x0.797y=-4207729x2+41629.656x+49.1080.801
湘农玉32号Xiangnongyu No.32y=30562x+39.5970.801y=42.769e487.93x0.853y=16960342x2+4942.054x+47.6360.843
洛玉1号Luoyu No.1y=111055x+77.220.869y=80.587e1984x0.842y=96303678x2+148021.766x+80.1460.825
田玉335 Tianyu 335y=33687x+34.6050.883y=38.05e580.92x0.879y=-12646105x2+52181.083x+29.0680.888

新窗口打开| 下载CSV


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  Linear regression model coefficient of determination of first derivative spectum parameters of different autumn maize varieties

品种Variety光谱参数模型
Spectum paramter model		R2
双兴玉2号Shuangxingyu No.2y=-10.951x+57.2950.681
正大999 Zhengda 999y=31517.7x+38.2730.861
湘农玉27号Xiangnongyu No.27y=86746.221x+18.7980.793
兴玉818 Xingyu 818y=136.176x+190.9010.734
临奥1号B3 Lin′ao No.1 B3y=31211.09x+54.0370.768
湘农玉32号Xiangnongyu No.32y=26016.52x+54.0370.832
洛玉1号Luoyu No.1y=530.47.443x+91.2220.793
田玉335 Tianyu 335y=29300.613x+35.9240.856

新窗口打开| 下载CSV


2.5 模型精度验证

8个秋玉米品种分别采取分层抽样的方法,选取80个样本作为建模集,其余40个样本为验证集,利用验证集实测SPAD值验证建模集得到的模型,计算各模型的RMSE和RE,得到结果如表4。由表4可知,所有品种建模集和验证集RMSE和RE均小于10,说明建模效果较好。此外,在8个品种中,以正大999的多项式模型精度最高,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%。

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  Modeling and testing results under different models of SPAD value of different autumn maize varieties

品种Variety模型
Model		建模集
Modeling set		验证集
Verification set
RMSERE (%)RMSEvREv (%)
双兴玉2号一元线性Linear4.8256.9764.1145.845
Shuangxingyu No.2指数Exponential4.9366.8604.4035.833
多项式Polynomial4.7736.8143.9245.803
NDSI (R′491,R′671)5.0317.6184.3275.615
正大999一元线性Linear2.8513.6663.1124.050
Zhengda 999指数Exponential2.7763.6323.2454.360
多项式Polynomial2.7623.6433.3224.518
DSI (R′491,R′671)2.7493.6194.1515.066
湘农玉27号一元线性Linear4.8497.2985.3506.569
Xiangnongyu No.27指数Exponential4.3936.6427.2858.478
多项式Polynomial4.2726.4338.6139.695
DSI (R′628,R′673)5.0517.7827.5019.127
兴玉818一元线性Linear5.1006.7014.4216.097
Xingyu 818指数Exponential5.3106.7204.7246.449
多项式Polynomial5.0196.7794.6206.128
NDSI (R′667,R′739)5.1326.6354.4326.004
临奥1号B3一元线性Linear4.2405.1344.1725.357
Lin′ao No.1 B3指数Exponential4.3045.1204.1105.060
多项式Polynomial4.2375.1104.2025.457
DSI (R′549,R′671)4.3615.1264.1905.553
湘农玉32号一元线性Linear3.8805.0553.7954.564
Xiangnongyu No.32指数Exponential3.7584.8943.7574.537
多项式Polynomial3.6724.8053.9494.658
DSI (R′553,R′677)3.8974.8583.7174.342
洛玉1号一元线性Linear4.1795.2029.0629.308
Luoyu No.1指数Exponential4.1385.1407.5298.258
多项式Polynomial4.1235.0617.4658.098
DSI (R′539,R′654)4.5706.3035.7227.731
田玉335一元线性Linear3.7034.4734.0085.118
Tianyu 335指数Exponential3.8674.5594.2405.443
多项式Polynomial3.6294.6033.9234.913
DSI (R′551,R′677)3.6304.3794.0545.163

新窗口打开| 下载CSV


3 讨论

本研究基于不同品种光谱一阶微分及一阶微分光谱参数的SPAD值构建预测模型,旨在讨论不同品种建模的共性及差异,许多研究[26,27]在模型的构建方面提出了新方法,这也为后续的研究开展提供了理论基础。同时,后续研究将在提高模型精度和模型普适性方面展开深入研究,探究不同品种不同生长阶段的模型构建以及品种间模型的验证。

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

余蛟洋, 常庆瑞, 由明明 , 等.

基于高光谱和BP神经网络模型苹果叶片SPAD值遥感估算

西北林学院学报, 2018,33(2):157-164.

[本文引用: 1]

孙小香, 王芳东, 郭熙 , 等.

基于水稻冠层高光谱的叶片SPAD值估算模型研究

江西农业大学学报, 2018,40(3):444-453.

[本文引用: 1]

艾天成, 李方敏, 周治安 , 等.

作物叶片叶绿素含量与SPAD值相关性研究

湖北农学院学报, 2000,20(1):6-8.

[本文引用: 1]

李哲, 张飞, 陈丽华 , 等.

光谱指数的植物叶片叶绿素含量估算模型

光谱学与光谱分析, 2018,38(5):1533-1539.

URL     [本文引用: 1]

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08， 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07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=0816， RMSE=0007。 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。

赵士诚, 何萍, 仇少君 , 等.

相对SPAD值用于不同品种夏玉米氮肥管理的研究

植物营养与肥料学报, 2011,17(5):1091-1098.

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。

孙红, 赵毅, 张猛 , 等.

玉米拔节期冠层叶绿素含量多光谱图像检测

农业工程学报, 2015(S2):186-192.

[本文引用: 1]

徐新刚, 赵春江, 王纪华 , 等.

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

红外与毫米波学报, 2013,32(4):351-358,365.

URL     [本文引用: 1]

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.

吴启侠, 李晋波, 朱建强 , 等.

淹水胁迫下棉花叶片SPAD高光谱估算模型研究

棉花学报, 2017(6):579-588.

[本文引用: 1]

王磊 .

玉米营养光谱诊断技术研究

北京:中国农业科学院, 2007.

[本文引用: 1]

李振 .

基于高光谱玉米氮素营养与生长指标的监测

济南:山东农业大学, 2012.

[本文引用: 1]

He R, Li H, Qiao X , et al.

Using wavelet analysis of hyperspectral remote-sensing data to estimate canopy chlorophyll content of winter wheat under stripe rust stress

International Journal of Remote Sensing, 2018,39(12):4059-4076.

[本文引用: 1]

Li L, Ren T, Ma Y , et al.

Evaluating chlorophyll density in winter oilseed rape (Brassica napus L.) using canopy hyperspectral red-edge parameters

Computers and Electronics in Agriculture, 2016,126:21-31.

[本文引用: 1]

张春雷 .

玉米成为我国第一大粮食作物品种

农产品市场周刊, 2012(47):12.

[本文引用: 1]

李媛媛 .

基于地物光谱仪与成像光谱仪耦合的玉米生长信息监测研究

杨凌:西北农林科技大学, 2017.

[本文引用: 1]

贺英, 邓磊, 毛智慧 , 等.

基于数码相机的玉米冠层SPAD遥感估算

中国农业科学, 2018,51(15):66-77.

[本文引用: 1]

王丽凤, 张长利, 赵越 , 等.

高光谱成像技术的玉米叶片氮含量检测模型

农机化研究, 2017,39(11):140-147.

[本文引用: 1]

付彦博, 王治国, 耿庆龙 , 等.

基于光谱分析不同温度下棉花叶片SPAD值含量估测

新疆农业科学, 2017,54(3):409-416.

[本文引用: 1]

陈春玲, 金彦, 曹英丽 , 等.

基于GA-BP神经网络高光谱反演模型分析玉米叶片叶绿素含量

沈阳农业大学学报, 2018,49(5):626-632.

[本文引用: 1]

于雷, 章涛, 朱亚星 , 等. 基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值. 2018,34(16):148-154.

[本文引用: 1]

高鑫, 高聚林, 于晓芳 , 等.

基于不同玉米品种叶片高光谱的SPAD值估测模型研究

玉米科学, 2016(2):108-114.

[本文引用: 2]

高佳, 崔海岩, 史建国 , 等.

花粒期光照对夏玉米光合特性和叶绿体超微结构的影响

应用生态学报, 2018,29(3):883-890.

[本文引用: 1]

武倩雯, 熊黑钢, 靳彦华 , 等.

基于多个高光谱参数的玉米叶片叶绿素含量估测模型

干旱地区农业研究, 2016,34(1):202-205.

[本文引用: 1]

李敏夏, 张林森, 李丙智 , 等.

苹果叶片高光谱特性与叶绿素含量和SPAD值的关系

西北林学院学报, 2010,25(2):35-39.

[本文引用: 1]

李俊霞, 杨俐苹, 白由路 , 等.

不同品种玉米氮含量与叶片光谱反射率及SPAD值的相关性

中国土壤与肥料, 2015(3):34-39.

[本文引用: 1]

李媛媛, 常庆瑞, 刘秀英 , 等.

基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算

农业工程学报, 2016,32(16):135-141.

Magsci     [本文引用: 1]

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。

Chen Z Q, Wang L, Bai Y L , et al.

Hyperspectral prediction model for maize leaf SPAD in the whole growth period

Spectroscopy and Spectral Analysis, 2013,33(10):2838-2842.

[本文引用: 1]

王飞, 宋希云, 刘树堂 , 等.

水肥耦合下夏玉米不同生育时期的高光谱特性与反演模型研究

植物生理学报, 2014,50(3):358-363.

[本文引用: 1]

/

〈 〉