CN110189793B - 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 - Google Patents

基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 Download PDF

Info

Publication number
CN110189793B
CN110189793B CN201910483465.XA CN201910483465A CN110189793B CN 110189793 B CN110189793 B CN 110189793B CN 201910483465 A CN201910483465 A CN 201910483465A CN 110189793 B CN110189793 B CN 110189793B
Authority
CN
China
Prior art keywords
nitrogen
wheat
utilization rate
nitrogen fertilizer
spectral
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910483465.XA
Other languages
English (en)
Other versions
CN110189793A (zh
Inventor
张娟娟
马新明
时雷
熊淑萍
许鑫
魏钦钦
张志勇
张心玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan Agricultural University
Original Assignee
Henan Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan Agricultural University filed Critical Henan Agricultural University
Priority to CN201910483465.XA priority Critical patent/CN110189793B/zh
Publication of CN110189793A publication Critical patent/CN110189793A/zh
Application granted granted Critical
Publication of CN110189793B publication Critical patent/CN110189793B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Bioethics (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类，旨在解决无法快速、准确的监测小麦氮肥生理利用率的技术问题。模型的构建方法为：计算氮肥生理利用率；于小麦开花期测量小麦冠层光谱反射值；以光谱参数NDVI(FD767,FD511)为自变量与所述小麦氮肥生理利用率进行线性方程回归分析建模，即得。区分不同氮效率品种方法为：基于光谱估测模型估算氮素生理利用效率，结合计算的范围确定小麦品种类型；或，于小麦开花期测量待分类的小麦冠层光谱反射值，计算光谱参数NDVI(FD767,FD511)值进行分类。本发明为不同氮效率小麦品种识别及氮肥合理运筹提供理论依据和技术支撑。

Description

基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效 率小麦品种分类
技术领域
本发明涉及农业生产技术领域，具体涉及基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类。
背景技术
小麦是我国主要的三大粮食作物之一，氮素是植物生长过程中所需的重要大量元素，是作物产量及品质形成的重要营养元素。由于不同小麦品种的多样化的遗传特性，其对氮素的吸收利用、叶片结构等特性也不相同，从而导致各小麦品种的氮肥利用率存在着差异。
Cox等研究结果表明，基因型及环境因素的共同作用是引起不同小麦品种氮效率差异的主要因素。孙传范等认为同一氮水平下，氮效率受基因型的影响较大。上述研究表明不同氮效率小麦品种间的氮效率具有一定差异，之后学者们从不同角度对不同氮效率小麦品种进行了分类。如王小纯等根据产量和氮肥生理利用率等指标将29个小麦品种划分为高氮高效型、高氮低效型、低氮高效和低氮低效型四种类型；何文寿等根据籽粒产量、氮积累量、氮运转速率和经济利用效率等指标将6个小麦品种划分为高速高效、低速中效和中速低效等三种类型；王永华等根据产量、氮效率和氮响应度等指标将20个品种划分为高效弱响应、低效弱响应和低效强响应四种类型。
不同氮效率小麦品种的基因型差异导致对氮素的吸收、利用、转运也是不一致的，氮效率易受到氮素吸收、NR活性及氮运输能力等多种因素的影响。梁太波等研究表明，根系活力是不同氮效率烟草品种间氮素积累和吸收效率有明显差异的主要因素。屈佳伟等的研究结果表明，氮高效玉米品种的氮素吸收效率、氮肥利用率显著高于氮低效品种。张锡洲等研究表明，在低氮条件下，氮高效利用的品种优势更明显。熊淑萍等研究表明，氮高效品种具有较高的根系活力、氮素转运、籽粒分配能力和根冠比，能够促进其对氮素的吸收和利用。
传统方法计算不同小麦品种的氮肥利用率需要测定较多农学参数，程序繁琐，费时费力且时效性不强。差减法计算氮肥利用率数值低还不稳定，且忽视了大气沉降氮和其他方式的氮输入；15N示踪法测定的氮肥利用率仅包括作物吸收的失踪氮肥，没有包含因施肥交换出土壤原有氮素成分，导致差减法和15N示踪法测定的氮肥利用率结果存在不一致的问题。
因此，如何快速、准确的监测小麦氮肥利用率以区分不同氮效率小麦品种，进而科学合理的进行氮肥运筹，成为当前亟待解决的重要问题。
发明内容
本发明要解决的技术问题是提供一种基于高光谱的小麦氮肥生理利用率估测模型构建构建方法，及依据其估测模型对不同氮效率小麦品种进行鉴定、分类的方法，以期解决现有技术无法快速、准确的监测小麦氮肥生理利用率的问题，进而提供一种能够快速区分或鉴定不同氮效率小麦品种的方法。
为解决上述技术问题，本发明采用如下技术方案：
建立基于高光谱的小麦氮肥生理利用率估测模型，包括以下步骤：
（1）获取小麦氮肥生理利用率
依常规方法设置小麦氮肥试验，检测获取对应的农学参数，并按下式计算小麦氮肥生理利用率：
氮肥生理利用率=（施氮区产量-不施氮区产量）/（施氮区地上部植株氮素累积量-不施氮区地上部植株氮素累积量；
（2）获取光谱参数NDVI(FD767,FD511)
于小麦开花期测量获取各对应试验区的小麦冠层光谱反射值，经处理得511nm和767nm处的一阶导数光谱反射值FD767、FD511，并按下式计算得到光谱参数NDVI(FD767,FD511)：
NDVI(FD767, FD511)=( FD767- FD511)/( FD767+ FD511)
（3）回归模型构建
以所获得光的一系列的谱参数NDVI(FD767,FD511)为自变量，与步骤（1）中对应的小麦氮肥生理利用率进行线性方程回归分析建模，即得。
其中，在所述步骤（2）中，所述处理为分析小麦氮肥生理利用率与冠层原始光谱、一阶导数光谱两两波段组合而成的归一化光谱指数之间的定量关系，利用MATLAB软件做相关等势图，得氮肥生理利用率的最佳敏感波段为FD767、FD511。
提供一种基于光谱参数的不同氮效率小麦品种分类方法，包括以下步骤：
（1）于小麦开花期测量待分类的小麦冠层光谱反射值，计算光谱参数NDVI(FD767,FD511)；
（2）将所得光谱参数NDVI(FD767, FD511)代入所构建的模型，计算出氮肥生理利用率；
（3）按照氮肥生理利用率指标对小麦品种进行分类。分类可参照王小纯等划分的高氮高效型、高氮低效型、低氮高效和低氮低效型类型。
发明人依据本发明的研究内容，将小麦品种分为氮高效型、氮低效型；所述氮高效型小麦品种的氮肥生理利用率为20.4 kg·kg-1～25 kg·kg-1；所述氮低效型小麦品种的氮肥生理利用率为11.17 kg·kg-1～15.31 kg·kg-1。
提供了一种基于光谱参数值的不同氮效率小麦品种分类方法，包括以下步骤：
（1）于小麦开花期测量待分类的小麦冠层光谱反射值，计算光谱参数NDVI(FD767,FD511)；
（2）按照光谱参数值对小麦品种进行分类。
发明人依据本发明的研究内容，将小麦品种分为氮高效型、氮低效型；所述氮高效型小麦品种的光谱参数值为0.26～0.34；所述氮低效型小麦品种的光谱参数值为0.42～0.5。
与现有技术相比，本发明的有益技术效果包括：
1.本发明首次基于高光谱参数估测不同小麦品种的氮素生理利用率，能达到以简单有效的光谱法区分不同氮效率小麦品种的目的。
2.利用本发明方法能够建立适用于不同氮效率小麦品种的氮素营养指标监测模型，为不同氮效率小麦品种分类提供了一种新的技术途径，其方法步骤简单，时效性强，成本节省。
3. 本发明能为不同氮效率小麦品种识别及氮肥合理运筹提供理论依据和技术支撑。
附图说明
图1为不同施氮水平不同生育时期小麦光谱反射率的变化特征图；
图中，A、B是叶片光谱；C、D是冠层光谱；RS为返青期；JS为拔节期；FS为开花期。
图2为不同生育时期氮肥生理利用率与冠层光谱的相关性分析图。
图3为不同氮效率小麦开花期光谱反射率的变化特征图；
图中，A是叶片光谱；B是冠层光谱。
图4为不同氮效率小麦氮肥生理利用率与冠层光谱的相关性分析图；
图中，E是原始光谱；F是一阶导数光谱。
图5为周麦27两波段组合的光谱指数估算氮肥生理利用率的决定系数（R2）等势图；
图中，a、b、c分别表示原始反射光谱两波段组合的归一化光谱指数、比值光谱指数和差值光谱指数估算氮肥生理利用率的决定系数等势图；d、e、f分别表示一阶导数光谱两波段组合的归一化光谱指数、比值光谱指数和差值光谱指数估算氮肥生理利用率的决定系数等势图。
图6为不同氮效率小麦氮肥生理利用率与光谱指数NDVI(FD767,FD511)的定量关系图。
图7为NDVI(FD767,FD511)对不同氮效率小麦品种氮肥生理利用率的1：1拟合图。
图8为2016-2018年不同氮效率小麦品种氮肥生理利用率。
图9为2016-2018年滑县不同氮效率小麦品种的NDVI (FD767, FD511)值。
具体实施方式
下面结合附图和实施例来说明本发明的具体实施方式，但以下实施例只是用来详细说明本发明，并不以任何方式限制本发明的范围。
在以下实施例中所涉及的仪器设备如无特别说明，均为常规仪器设备；所涉及的试剂如无特别说明，均为市售常规试剂；所涉及的试验方法，如无特别说明，均为常规方法；所涉及的参数，如无特别说明，均为本领域常规术语。
实施例一：光谱参数的筛选试验研究
（一）验证试验设计
试验1：试验于2016-2018年在河南省漯河市郾城区新店镇区域试验站（113°53′1″E , 33°41′60″N）进行。土壤有机质含量为13.33 g·kg-1，全氮含量1.02 g·kg-1，碱解氮含量为92.33 g·kg-1，速效磷含量为54.02 mg·kg-1，速效钾含量为299 mg·kg-1。
供试品种分为氮高效型品种：周麦27、豫麦49-198和氮低效型品种：西农509、矮抗58。
设4个施氮水平：0、120、225和330 kg·hm-2，分别用N0、N120、N225、N330表示，氮肥基追比为6：4，基肥在播种前施入，追肥在拔节期施入。
试验采用随机区组设计，3次重复，40个小区，每小区面积为144m2（16m*9m）。分别于2016年10月13日、2017年10月23日播种，播种方式为机播，播种量均为180 kg·hm-2；其他栽培管理措施同一般高产麦田。
田间光谱测试和采样时期分别为：返青期、拔节期、抽穗期、开花期、花后10天、花后20天。室内叶片光谱测试时期为返青期、拔节期和开花期。
试验2：试验于2016-2018年在河南省安阳市滑县留固镇贾固村（114°37′37.8″E ,35°31′06.6″N）进行。土壤有机质含量为13.2 g·kg-1，全氮含量1.03 g·kg-1，碱解氮含量为92.14 g·kg-1，速效磷含量为53.99 mg·kg-1，速效钾含量为296 mg·kg-1。
供试品种与施氮水平同试验1，氮肥基追比为5：5。
采用裂区设计，2次重复，32个小区，每小区面积为68.4m2（2.85m*24m）。分别于2016年10月15日、2017年10月20日播种，播种方式为机播，播种量均为150 kg·hm-2。其他栽培管理措施同一般高产麦田。
田间光谱测试和采样时期分别为：返青期、拔节期、抽穗期、开花期、灌浆期。
（二）测定方法
1. 光谱数据测定方法
（1）冠层光谱：小麦冠层光谱测量使用美国ASD FieldSpec 4便携式高光谱仪，该仪器的波长范围为可350～2500nm，光谱连续测量，采样间隔为1.4nm@350～1000nm，2nm @1000～2500nm，光谱分辨率分别为3nm、2nm，视场角25º，所有观测均选择在晴朗无风天气，测定时间为北京时间上午10点至下午14点。测量时，光谱仪传感器探头垂直向下，距冠层顶部垂直高度约为1m。每个小区内随机选取3处长势均匀的位置，以10个光谱为1个采样间隔，以其平均值作为该小区的光谱反射值，测量过程中及时进行标准白板校正。
（2）叶片光谱：叶片反射光谱使用仪器与冠层光谱一致，利用仪器内置光源及自带的叶片夹与探头进行测定，每组数据测量前进行标准白板校正。测量时，每个处理随机选取长势均匀的10个叶片，分别在叶片的上、中、下部位进行光谱测定，计算平均值作为该叶片的光谱反射率。
2. 农学参数测定方法
（1）小麦植株干物质积累量：与冠层光谱测量同步，每小区选取具有代表性、长势均匀的小麦完整植株10株，分为叶片和其余，105℃杀青30min，80℃烘干后称重，计算地上部生物量。
（2）叶绿素含量：取测完叶片光谱的叶片，称取0.5g，采用丙酮-乙醇混合液浸提叶片24h，通过分光光度计在664.2nm、648.6nm与470nm处进行比色测定。
（3）叶片氮含量
将检测小麦植株干物质积累量时烘干后的样品粉粹过1mm筛，采用浓硫酸双氧水消煮法、连续型流动分析仪-AACE6.02测定叶片全氮含量。
（4）小麦籽粒产量：在小麦成熟期，调查一米双行穗数、穗粒数和千粒重，进行估产。同时，每小区收获2个1m2未取样区面积，脱粒测产。
3. 氮效率计算方法
氮素积累量（kg·hm-2）=全氮含量（%）×干物质重量（kg·hm-2）
氮肥生理利用效率(NPE，kg·kg-1)=（施氮区产量-不施氮区产量）/（施氮区地上部植株氮素累积量-不施氮区地上部植株氮素累积量。
（三）数据处理和分析方法
利用MATLAB2018、IBM SPSS Statistics 软件做等势图及相关分析。首先，分析不同氮效率小麦品种冠层光谱、叶片光谱的响应差异，利用氮肥生理利用率区分不同氮效率类型小麦品种。然后，研究分析氮肥生理利用率与已有光谱参数的关系，选出最佳光谱参数，与不同氮效率小麦品种生理指标进行回归分析。
为了进一步获取较好的光谱参数，分析350～1000nm范围内两两波段组合而成的归一化植被指数（NDVI）、比值植被指数（RVI）和差值植被指数（DVI）与不同氮效率小麦品种氮肥生理利用率、叶片氮含量、叶绿素含量、干物质积累量的相关关系，利用试验1的数据为建模样本，建立估测模型。
光谱指数计算公式为：
NDVI=(R1-R2)/(R1+R2) （1）
RVI=R1/R2 （2）
DVI=R1-R2 （3）
式中，R1、R2分别表示对应的两波长处的光谱反射值。
利用试验2为预测样本，采用预测决定系数（r2）、均方根误差（RMSE）对建立的估测模型进行检验，并绘制出预测值与实测值的1：1比例关系图。
（四）不同生育时期小麦叶片和冠层反射光谱特征
通过对不同生育期小麦叶片和冠层反射光谱特征研究表明，叶片光谱与冠层光谱变化特征一致。
试验1中2017-2018年的周麦27的不同施氮水平下小麦冠层、叶片光谱反射率随生育时期进程的变化特征如图1所示。
从图1A中可看出，在可见光波段，小麦叶片光谱随生育时期的推进呈现降低的趋势，在开花期达到最小值，在近红外波段呈现升高的趋势，在开花期达到最大值，当波长高于1350nm时，差异不明显。从图1B中可看出，随着施氮量的增加，可见光波段呈现降低的趋势，近红外波段呈现上升的现象，可见光波段，反射率主要受小麦叶片叶绿素的影响，叶绿素随着施氮水平的提高而提高，而叶绿素有强吸收可见光的作用，导致反射率降低；在近红外波段，主要受叶片水分、内部组织结构的影响，光谱反射率随施氮量的增加而增加。
冬小麦冠层光谱受外部环境因素的影响，存在某些噪声，致使光谱反射率波动较大。
不同氮水平不同生育时期小麦冠层光谱的变化特征如图1C、D所示。从图1C可看出，小麦冠层光谱反射率随生育时期的推进，在可见光波段逐渐降低，在近红外波段呈现升高的趋势，在开花期达到最大值，波长大于1350nm时，小麦冠层光谱反射率在生长发育过程中浮动较大，主要受水分影响较大，没有一致的规律。从图1D可看出，可见光波段，小麦的冠层光谱反射率随施氮水平的提高呈现降低的趋势，主要受叶绿素的影响较大，叶绿素含量越高，吸收光就越强烈，导致反射率降低，而近红外波段的反射率则呈现升高的现象，这一区域主要受植株内部细胞结构的影响。
小麦冠层光谱、叶片光谱的变化规律基本一致，其中叶片光谱反射率高于冠层光谱，约为2.12%。随着生育时期的推进，在可见光区域呈现降低的趋势，在近红外波段区域，呈现升高的现象，均在开花期达到最大值；可见光波段的冠层、叶片反射率均随施氮水平的增加而降低，近红外区域则升高。
（五）小麦氮肥生理利用率与不同生育时期冠层光谱的相关性
将试验1中小麦氮肥生理利用率与所有生育时期350～1000nm冠层原始光谱、一阶导数光谱进行相关分析，结果如图2所示。
由图2A可知，不同生育时期原始光谱反射率与氮肥生理利用率的相关性具有显著差异。小麦返青期的原始光谱反射率与氮肥生理利用率呈现负相关，最大负相关系数为-0.51；拔节期的最大负相关系数为-0.69，最大正相关系数为0.34；开花期的最大负相关系数为-0.72，最大正相关系数为0.71；花后10天的最大负相关系数为-0.82，最大正相关系数为0.44；花后20天的最大负相关系数为-0.13，最大正相关系数为0.45。
由图2B可知，不同生育时期一阶导数光谱与氮肥生理利用率的相关性均优于原始光谱。小麦返青期的一阶导数光谱与氮肥生理利用率的最大负相关系数为-0.55，最大负相关系数为0.48；拔节期的最大负相关系数为-0.69，最大正相关系数为0.70；开花期的最大负相关系数为-0.83，最大正相关系数为0.8；花后10天的最大负相关系数为-0.85，最大正相关系数为0.78；花后20天的最大负相关系数为-0.56，最大正相关系数为0.6。
总体来看，小麦开花期的原始光谱反射率、一阶导数光谱与氮肥生理利用率的相关性较好。主要原因是一阶导数光谱降低了背景噪音等因素的影响，从而增强光谱反射率与氮肥生理利用率的相关性。
（六）不同氮水平下的不同氮效率小麦品种叶片和冠层反射光谱特征
在可见光波段（500～600 nm），不同氮效率小麦品种间的冠层光谱与叶片光谱反射率的变化规律基本一致，基本表现为西农509、矮抗58>周麦27、豫麦49-198，且在开花期差异显著。
以试验1中2017-2018年试验数据分析，不同氮水平下不同氮效率小麦品种叶片和冠层反射光谱特征如图3所示。
图3A为在开花期、N225处理下，波长为500～600nm，不同氮效率小麦叶片光谱反射率的变化特征，结果表明在500～600nm波段，不同氮效率小麦叶片光谱基本表现为西农509>矮抗58>周麦27>豫麦49-198。在550nm处，叶片光谱反射率最高，西农509的反射率分别高于周麦27的11.86%、豫麦49-198的22.22%，矮抗58的反射率值分别高于周麦27的7. 45%、豫麦49-198的17.41%。
图3B为在开花期、N225处理下，波长为500～600nm，不同氮效率小麦冠层光谱反射率的变化特征，结果表明在500～600nm波段，不同氮效率小麦冠层光谱基本表现为西农509>矮抗58>周麦27>豫麦49-198，冠层光谱均在550nm处达到最大，西农509的反射率值分别高于周麦27的8.97%、豫麦49-198的32.79%，矮抗58的反射率值分别高于周麦27的3.93%、豫麦49-198的26.58% 。
综上，不同氮效率小麦品种的叶片和冠层光谱反射率变化一致，其中叶片光谱反射率高于冠层光谱，均表现为氮低效品种西农509、矮抗58高于氮高效品种周麦27、豫麦49-198，其中叶片光谱的差异在13.46%～22.73%之间，冠层光谱的差异在25.8%～33.3%之间。
（七）不同氮效率小麦品种氮肥生理利用率与冠层光谱的差异
试验1和试验2试验结果表明，不同氮效率小麦品种在500～600nm波段区域的反射光谱差异较大，选取其反射光谱的最大值进行差异分析，在小麦开花期、N225水平下，不同小麦品种间的氮肥生理利用率及550nm处冠层光谱反射率有显著差异，结果如表1所示。
表1 2016-2018年不同氮效率小麦品种氮肥生理利用效率及550nm处冠层光谱反射率
Figure 239559DEST_PATH_IMAGE001
。
2016-2018年，滑县，氮高效品种周麦27、豫麦49-198的氮肥生理利用率为20.4-25kg·kg-1，在550nm处冠层光谱反射率为2.91%～3.63%，氮低效品种西农509、矮抗58的氮肥生理利用率为11.17-15.31 kg·kg-1，在550nm处冠层光谱反射率为3.89%～4.26%。同理，2016-2018年，漯河，氮高效品种周麦27、豫麦49-198的氮肥生理利用率为20.32～24.25kg·kg-1，在550nm处冠层光谱反射率为2.94%～3.69%，氮低效品种西农509、矮抗58的氮肥生理利用率为15.97～18.51 kg·kg-1，在550nm处冠层光谱反射率为3.98%～4.32%。
综上，由两年、两点试验结果可得，氮高效品种周麦27、豫麦49-198在550nm处冠层光谱反射率为2.91%～3.69%，氮肥生理利用率为20.32～25 kg·kg-1，氮低效品种西农509、矮抗58在550nm处冠层光谱反射率为3.89%～4.32%，氮肥生理利用率为11.17～18.51 kg·kg-1。
（八）不同氮效率小麦品种氮肥生理利用率与冠层光谱的相关性研究
将试验1中不同氮效率小麦品种开花期的氮肥生理利用率与350～1000nm冠层原始光谱、一阶导数光谱分别进行相关分析，结果如图4所示。
由图4E可知，不同氮效率小麦原始光谱反射率与氮肥生理利用率的相关系数变化趋势一致。周麦27的相关系数在-0.74～0.30之间，波长为503～640nm范围内相关性较好，为负相关关系，其中在531nm处相关系数的绝对值达到最大，相关系数为-0.74；豫麦49-198的相关系数在-0.7～0.39之间，波长为500～696nm范围内相关性较好，为负相关关系，其中在612nm处相关系数的绝对值达到最大，相关系数为-0.7；西农509的相关系数在-0.73～0.29之间，波长为563～701nm范围内相关性较好，为负相关关系，其中在693nm处相关系数的绝对值达到最大，相关系数为-0.73；矮抗58的相关系数在-0.69～0.34之间，波长为563～701nm范围内相关性较好，为负相关关系，其中在693nm处相关系数的绝对值达到最大，相关系数为-0.69。总体来看，原始光谱在可见光的相关性较好。
由图4F可见，将反射率进行一阶微分变换后，近红外波段的相关系数显著提高。周麦27的相关系数在-0.75～0.78之间，在503nm处相关系数为-0.75，在773nm处相关系数为0.78；豫麦49-198的相关系数在-0.7～0.74之间，在687nm处相关系数为-0.7，在751nm处相关系数为0.74；西农509的相关系数在-0.74～0.75之间，在687nm处相关系数为-0.74，在772nm处相关系数为0.75；矮抗58的相关系数在-0.69～0.72之间，在410nm处相关系数为-0.69，在662nm处相关系数为0.72。总体来看，一阶导数光谱显著提高了近红外波段的相关性，不同氮效率小麦品种的氮肥生理利用率与原始光谱、一阶导数光谱均具有较好的相关性。
（九）不同氮效率小麦品种氮肥生理利用率与光谱参数的定量关系
将不同小麦品种开花期氮肥生理利用率与已有光谱参数进行相关性分析，选出相关性较好的6个光谱参数，并建立氮肥生理利用率估算模型，结果如表2所示。
表2 不同氮效率小麦品种氮肥生理利用率与已有高光谱参数的回归模型及决定系数
Figure 53932DEST_PATH_IMAGE002
。
结果表明，除光谱参数Green NDVI、OSAVI2之外，周麦27的建模决定系数均高于0.74，其中以光谱参数Datt的建模决定系数最高，为0.79；豫麦49-198以光谱参数Carter2、Carter4、Datt和REP_Li建模效果均较好，决定系数分别为0.77、0.72、0.78和0.77；西农509以光谱参数DD的建模效果最好，建模决定系数为0.74；矮抗58以光谱参数Carter3建模效果最好，建模决定系数为0.77。氮高效型品种周麦27、豫麦49-198以光谱参数Carter2、Carter4、Datt和REP_Li为自变量建立的小麦氮肥生理利用率估算模型效果均较好，建模决定系数高于0.72，其中以光谱参数Datt表现最好，建模决定系数分别0.79、0.78，氮低效型品种西农509、矮抗58以光谱参数DD、MSAVI、RDVI和SAVI为自变量建立的小麦氮肥生理利用率估算模型效果均较好，建模决定系数高于0.71，其中以光谱参数MSAVI表现最好，建模决定系数均为0.72，表明可利用光谱参数Datt、MSAVI分别对氮高效、氮低效型小麦品种氮肥生理利用率进行估测。
为进一步寻求估测不同小麦品种氮肥生理利用率的适宜光谱参数，利用试验1中两年开花期试验数据为基础，***分析了350～1000nm范围内冠层原始光谱、一阶导数光谱两两波段组合而成的归一化光谱指数（NDVI）、比值光谱指数（RVI）和差值光谱指数（DVI）与不同小麦品种氮肥生理利用率之间的相关关系。为了突出显示最佳波段组合，图5为周麦27的氮肥生理利用率与其间的相关等势图。同理，做出豫麦49-198、西农509和矮抗58的等势图。从等势图中可以看出估算氮肥生理利用率的最佳波段组合区域，颜色的深浅代表了决定系数(R2)的高低。
综合上述等势图，分析不同小麦品种氮肥生理利用率的敏感区域，并提取了表现较好的光谱参数，结果如表3所示。
表3 不同氮效率小麦氮肥生理利用率与新高光谱参数线性拟合的决定系数及敏感区域
Figure 814077DEST_PATH_IMAGE003
。
由表3可看出，不同氮效率小麦品种氮肥生理利用率的光谱敏感区域有一定的差异，估测不同小麦品种氮肥生理利用率的光谱参数亦是不一致的，由本发明验证试验结合长期的实践研究发现，以光谱参数NDVI(FD767, FD511) 为自变量建立的不同氮效率小麦品种氮肥生理利用率估算模型估测不同氮效率小麦品种效果均较好。
不同氮效率小麦氮肥生理利用率与光谱指数NDVI(FD767, FD511)的定量关系如图6所示，说明利用光谱参数NDVI(FD767, FD511)能够作为预测不同氮效率小麦品种的氮肥生理利用率的有效参数。
（十）不同氮效率小麦品种氮肥生理利用率估算模型的检验
利用试验2 中小麦开花期试验数据为预测样本，对图6中不同小麦品种氮肥生理利用率估算模型进行检验，采用预测决定系数(r2)、均方根偏差（RMSE）进行测试与验证，结果如表4所示。
表4不同氮效率小麦氮肥生理利用率估算模型的检验结果
Figure 81111DEST_PATH_IMAGE004
。
由表4可看出，光谱参数Datt的预测决定系数分别为0.72、0.73，RMSE分别为0.34、0.31，模型预测效果较好，光谱参数MSAVI的预测决定系数分别为0. 7、0.71，RMSE均为0.38，模型预测效果较好。与图6中新建参数相比较，以光谱参数NDVI(FD767, FD511)为自变量建立的氮高效品种周麦27、豫麦49-198氮肥生理利用率估算模型预测精度均较高，预测决定系数r2分别为0.79、0.78，RMSE分别为0.32、0.25，以光谱参数NDVI(FD767, FD511)为自变量建立的氮低效型西农509、矮抗58氮肥生理利用率估算模型预测精度较高，预测决定系数r2分别为0.74、0.75，RMSE分别为0.27、0.28。
NDVI(FD767, FD511)对不同氮效率小麦品种氮肥生理利用率的1：1拟合图如图7所示。说明利用光谱参数NDVI(FD767, FD511)进行不同氮效率小麦品种氮肥生理利用率具有良好的稳定性与精准度。
实施例二：基于光谱参数的不同氮效率小麦品种分类、鉴定及检验
利用试验2中小麦开花期试验数据为检验样本，对基于光谱参数NDVI(FD767,FD511)构建的模型进行验证，并进一步对不同氮效率小麦品种进行分类，结果如表5和图8所示。
表5 基于光谱参数(FD767，FD511)的不同氮效率小麦品种氮肥生理利用率
实测值与预测值结果比较
Figure 217694DEST_PATH_IMAGE005
。
由表5和图8可知，2016-2017年，四个品种的氮肥生理利用率平均值为17.78 kg·kg-1，周麦27和豫麦49-198的氮肥生理利用率均高于平均值，西农509和矮抗58的氮肥生理利用率均低于平均值。2017-2018年，四个品种的氮肥生理利用率平均值为18.90 kg·kg-1，周麦27和豫麦49-198的氮肥生理利用率均高于平均值，西农509和矮抗58的氮肥生理利用率均低于平均值。综合两年试验结果，可以得出，周麦27、豫麦49-198氮肥生理利用率为20.4 kg·kg-1～25 kg·kg-1，属于氮高效品种，西农509、矮抗58氮肥生理利用率为11.17kg·kg-1～15.31 kg·kg-1，属于氮低效品种，与王小纯等[不同供氮水平下小麦品种的氮效率差异及其氮代谢特征，2015]的不同氮效率小麦品种分类结果一致。
对上述分类进行验证，图8为利用光谱参数NDVI(FD767, FD511)计算出的不同氮效率小麦品种氮肥生理利用率，从图中可以看出，2016-2017年，周麦27和豫麦49-198氮肥生理利用率均高于18.90 kg·kg-1，西农509和矮抗58的氮肥生理利用率均低于17.78 kg·kg-1。2017-2018年，周麦27和豫麦49-198氮肥生理利用率均高于18.90 kg·kg-1，西农509和矮抗58的氮肥生理利用率均低于17.78 kg·kg-1，分类结果与实际一致。
因此，利用光谱参数NDVI(FD767, FD511)对不同氮效率小麦品种进行分类是可行的。
实施例三：基于光谱参数值的不同氮效率小麦品种分类、鉴定及检验
利用试验2中小麦开花期试验数据为检验样本，对基于光谱参数NDVI(FD767,FD511)构建的模型进行验证，并进一步对不同氮效率小麦品种进行分类，结果如表6和图9所示。
表6 2016-2018年不同氮效率小麦品种氮肥生理利用效率及NDVI(FD767, FD511)（滑县）
Figure 886573DEST_PATH_IMAGE006
。
由表6和图9可知，不同氮效率小麦品种的光谱参数NDVI(FD767, FD511)具有显著的差异。2016-2017年，光谱参数NDVI(FD767, FD511)的平均值为0.39，其中周麦27、豫麦49-198的光谱参数NDVI(FD767, FD511)分别为0.3、0.34，西农509、矮抗58分别为0.42、0.5。2017-2018年，光谱参数NDVI(FD767,FD511)的平均值为0.37，其中周麦27、豫麦49-198的光谱参数NDVI(FD767, FD511)分别为0.26、0.31，西农509、矮抗58分别为0.45、0.47。
综合两年试验结果，可以看出，周麦27、豫麦49-198的光谱参数NDVI(FD767,FD511)高于西农509、矮抗58，分别为0.26～0.34、0.42～0.5。
上面结合附图和实施例对本发明作了详细的说明，但是，所属技术领域的技术人员能够理解，在不脱离本发明宗旨的前提下，还可以对上述实施例中的各个具体参数进行变更，形成多个具体的实施例，均为本发明的常见变化范围，在此不再一一详述。

Claims (4)

1.一种基于光谱参数的不同氮效率小麦品种分类方法，包括以下步骤：
（1）于小麦开花期测量待分类的小麦冠层光谱反射值，计算光谱参数NDVI(FD767,FD511)；
（2）将所得光谱参数NDVI(FD767, FD511)代入小麦氮肥生理利用率估测模型，计算出氮肥生理利用率；所述小麦氮肥生理利用率估测模型的构建方法包括如下步骤：
①获取小麦氮肥生理利用率：依常规方法设置小麦氮肥试验，检测获取对应的农学参数，并按下式计算小麦氮肥生理利用率：
氮肥生理利用率=（施氮区产量-不施氮区产量）/（施氮区地上部植株氮素累积量-不施氮区地上部植株氮素累积量） ；
②获取光谱参数NDVI(FD767, FD511)：于小麦开花期测量获取各对应试验区的小麦冠层光谱反射值，经处理得511nm和767nm处的一阶导数光谱反射值FD767、FD511，并按下式计算得到光谱参数NDVI(FD767, FD511)：
NDVI(FD767, FD511)=( FD767- FD511)/( FD767+ FD511)
③回归模型构建：以所获得的一系列的光谱参数NDVI(FD767, FD511)为自变量与对应的小麦氮肥生理利用率进行线性方程回归分析建模；
（3）按照氮肥生理利用率指标对小麦品种进行分类。
2.依据权利要求1所述的基于光谱参数的不同氮效率小麦品种分类方法，其特征在于，在所述步骤（3）中，所述小麦品种包括氮高效型、氮低效型。
3.依据权利要求2所述的基于光谱参数的不同氮效率小麦品种分类方法，其特征在于，所述氮高效型小麦品种的氮肥生理利用率为20.4 kg·kg-1～25 kg·kg-1。
4.依据权利要求2所述的基于光谱参数的不同氮效率小麦品种分类方法，其特征在于，所述氮低效型小麦品种的氮肥生理利用率为11.17 kg·kg-1～15.31 kg·kg-1。
CN201910483465.XA 2019-06-04 2019-06-04 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类 Active CN110189793B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910483465.XA CN110189793B (zh) 2019-06-04 2019-06-04 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910483465.XA CN110189793B (zh) 2019-06-04 2019-06-04 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类

Publications (2)

Publication Number Publication Date
CN110189793A CN110189793A (zh) 2019-08-30
CN110189793B true CN110189793B (zh) 2022-10-25

Family

ID=67720346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910483465.XA Active CN110189793B (zh) 2019-06-04 2019-06-04 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类

Country Status (1)

Country Link
CN (1) CN110189793B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110596049A (zh) * 2019-09-17 2019-12-20 云南农业大学 一种光谱速测烟草叶片中磷含量的方法
CN110596048A (zh) * 2019-09-17 2019-12-20 云南农业大学 一种光谱速测烟草叶片中钾含量的方法
CN112816618A (zh) * 2020-12-29 2021-05-18 河南省农业科学院植物营养与资源环境研究所 一种氮高效小麦品种的筛选方法
CN113269374B (zh) * 2021-06-25 2024-02-27 内蒙古农业大学 基于优化光谱指数的玉米生长季氮肥施用方法
CN113607653A (zh) * 2021-07-06 2021-11-05 北京农业信息技术研究中心 农作物氮肥效应实时监测方法及装置
CN114813607A (zh) * 2022-05-09 2022-07-29 西南大学 一种利用植被指数估算水稻拔节期氮营养的方法
CN117407937B (zh) * 2023-12-15 2024-03-12 吉林大学 一种小麦根土复合体建模方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105445229A (zh) * 2015-12-15 2016-03-30 河南农业大学 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法
RU2015115628A (ru) * 2015-04-24 2016-11-20 Федеральное государственное бюджетное научное учреждение "Краснодарский научно-исследовательский институт сельского хозяйства имени П.П. Лукьяненко" Способ определения оптимальной дозы первой азотной подкормки озимых колосовых культур

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6601341B2 (en) * 2001-07-24 2003-08-05 The Board Of Regents For Oklahoma State University Process for in-season fertilizer nitrogen application based on predicted yield potential
CN101942512B (zh) * 2010-08-25 2012-10-10 中国农业科学院作物科学研究所 玉米低氮逆境下高籽粒数目优异等位基因功能分子标记开发与应用
CN102539507B (zh) * 2011-12-19 2013-12-25 北京农业智能装备技术研究中心 利用微观动态离子流技术检测水稻氮素营养的方法及其应用
CN103699803A (zh) * 2013-12-31 2014-04-02 北京农业信息技术研究中心 一种基于多光谱遥感信息的区域作物养分管理方法
CN106489480A (zh) * 2016-10-19 2017-03-15 河南农业大学 提高夏玉米产量和氮肥效率的栽培方法
CN106576728A (zh) * 2016-11-17 2017-04-26 甘肃农业大学 从多个小麦品种中筛选氮高效率利用品种的方法
CN109042176B (zh) * 2018-09-18 2020-07-31 扬州大学 一种高氮肥利用效率水稻品种的筛选方法
CN109187398A (zh) * 2018-11-08 2019-01-11 河南省农业科学院植物营养与资源环境研究所 一种小麦植株氮含量的高光谱测定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2015115628A (ru) * 2015-04-24 2016-11-20 Федеральное государственное бюджетное научное учреждение "Краснодарский научно-исследовательский институт сельского хозяйства имени П.П. Лукьяненко" Способ определения оптимальной дозы первой азотной подкормки озимых колосовых культур
CN105445229A (zh) * 2015-12-15 2016-03-30 河南农业大学 基于氮平衡光谱法的小麦春季氮肥施用方法及其追氮量模型的构建方法

Also Published As

Publication number Publication date
CN110189793A (zh) 2019-08-30

Similar Documents

Publication Publication Date Title
CN110189793B (zh) 基于高光谱的小麦氮肥生理利用率估测模型构建及不同氮效率小麦品种分类
CN109187441B (zh) 基于冠层光谱信息的夏玉米含氮量监测模型的构建方法
Lin et al. Investigation of SPAD meter-based indices for estimating rice nitrogen status
CN110082300B (zh) 基于光谱参量的冬小麦冠层含水率监测模型建立方法
CN110567892B (zh) 一种基于临界氮浓度的夏玉米氮素高光谱预测方法
CN102175618B (zh) 一种稻麦叶片氮含量光谱监测模型建模方法
CN113268703B (zh) 一种应用于小麦田间管理的氮肥亏缺快速检测与精量追施方法
CN111855589A (zh) 水稻叶片氮积累量遥感反演模型和方法
Zhu et al. Monitoring leaf nitrogen in wheat using canopy reflectance spectra
CN110082309B (zh) 冬小麦冠层spad值综合光谱监测模型建立方法
CN103185695A (zh) 一种基于光谱的烤烟成熟度田间快速判断方法
US20230078617A1 (en) A method for assessing nitrogen nutritional status in plants by visible-to-shortwave infrared reflectance spectroscopy of carbohydrates
CN111829965A (zh) 水稻地上部淀粉积累量遥感反演模型和方法
CN112816618A (zh) 一种氮高效小麦品种的筛选方法
CN113035290A (zh) 一种基于高光谱遥感技术的小麦植株氮积累量监测方法
Wen et al. Estimation of the vertically integrated leaf nitrogen content in maize using canopy hyperspectral red edge parameters
CN111426645A (zh) 一种快速测定植株不同器官氮含量的方法
CN109142238B (zh) 一种棉花磷素营养快速诊断方法
He et al. Remote estimation of leaf water concentration in winter wheat under different nitrogen treatments and plant growth stages
CN107274002A (zh) 小麦氮素丰缺诊断方法及其诊断模型的构建方法
Ma et al. Exploring the relationships between biomass production, nutrient acquisition, and phenotypic traits: testing oat genotypes as a cover crop
CN112632847A (zh) 基于XGBoost回归算法的水稻叶片淀粉含量遥感反演模型和方法
Tian et al. Synergistic use of spectral features of leaf nitrogen and physiological indices improves the estimation accuracy of nitrogen concentration in rapeseed
ZhengYang et al. A study on hyperspectral estimating models of tobacco leaf area index
CN112990692B (zh) 一种基于分生育阶段多参数耦合的冬小麦产量估计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant