針對(duì)核桃—大豆農(nóng)林復(fù)合系統(tǒng),利用高分辨率光譜儀對(duì)林下大豆進(jìn)行了不同物候期冠層光譜的探測(cè),根據(jù)冠層葉綠素含量提取敏感波段以及紅邊位置,基于已往研究計(jì)算得到了特定反射率,一階微分,紅邊參數(shù),葉片葉綠素指數(shù),比值植被指數(shù),歸一化植被指數(shù)等6類高光譜監(jiān)測(cè)模型,通過(guò)精度檢驗(yàn),篩選出監(jiān)測(cè)農(nóng)林復(fù)合系統(tǒng)下大豆葉綠素含量的最優(yōu)估算模型。結(jié)果表明,6類光譜參數(shù)均可用于葉片葉綠素含量的監(jiān)測(cè)且精度均達(dá)到極顯著水平,其中光譜參數(shù)R₆₉₆′,R₇₃₇′和葉片葉綠素指數(shù)與葉片色素含量之間的相關(guān)系數(shù)顯著高于其他高光譜參數(shù),因此選用以上3種參數(shù)分別進(jìn)行模型擬合以期提高葉綠素含量估測(cè)的精度。通過(guò)對(duì)3種光譜參數(shù)建立回歸模型,發(fā)現(xiàn)葉綠素A、葉綠素B和總?cè)~綠素含量估算以光譜參數(shù)R₇₃₇′表現(xiàn)最優(yōu),大豆葉片葉綠素含量的估算模型分別為:y=717.89x+0.634、y=0.517 ln（x）+3.735、y=877.18 x+0.849,其決定系數(shù)（R²）分別為0.742,0.575,0.717（P<0.01）,說(shuō)明以光譜參數(shù)R

【文章來(lái)源】：河南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2020,54(05)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

大豆種植空間示意圖

植物光譜反射率的一階微分可以消除部分背景干擾影響,構(gòu)建較高精度的參數(shù)估算模型[20-21]。通過(guò)分析反射率一階微分曲線及其與大豆葉片葉綠素含量的相關(guān)關(guān)系(圖3),發(fā)現(xiàn)一階微分曲線在可見(jiàn)光680～700 nm波段其值增長(zhǎng)速度最快,且在700 nm波段處達(dá)到最大值,葉綠素含量與該波段原始光譜反射率的相關(guān)系數(shù)為-0.614,與其一階微分的相關(guān)系數(shù)為0.731,相關(guān)性均較強(qiáng)。因此,將700 nm波段確定為樣本葉片反射率的“紅邊”位置,同時(shí)根據(jù)反射率一階微分曲線確定了“紅邊”上、下拐點(diǎn)分別為波段670 nm和波段800 nm以及波段567 nm處的“綠峰”。此外,相關(guān)系數(shù)曲線表明,在波段519,638,696,737 nm為一階微分與葉綠素含量相關(guān)系數(shù)曲線的拐點(diǎn),對(duì)應(yīng)的相關(guān)系數(shù)分別為-0.784、0.729、-0.802、0.847(圖3),將這些波段的一階微分值以及所在的小區(qū)間將作為敏感變量進(jìn)行進(jìn)一步分析。2.2 大豆葉片高光譜參數(shù)與葉綠素含量的相關(guān)性

基于大豆葉片光譜信息,篩選出敏感波段535～570、700～740,519、638、696、737 nm波段處的一階微分值,“紅邊”位置700 nm波段、“紅邊”上、下拐點(diǎn)670、800 nm波段以及紅邊斜率(Red-edge slope,Dr),波段567 nm處的“綠峰”(Green emission,Rg),計(jì)算得到了6類葉片色素含量相關(guān)的高光譜參數(shù):一階微分(R519′、R638′、R696′、R737′),紅邊參數(shù)[22]:紅邊位置(Red edge position, λr)、紅邊斜率Dr、綠峰,比值植被指數(shù)(R800/R567[23]、R800/R670[24]),歸一化植被指數(shù)(R800-R670)/(R800+R670)[24],葉片葉綠素指數(shù)(R800-R700)/(R800-R670)[25]及葉綠素指數(shù)R567-R700/R700[26]。對(duì)構(gòu)建的各光譜參數(shù)與對(duì)應(yīng)的大豆葉片色素含量進(jìn)行相關(guān)分析,結(jié)果表明,建立的6種光譜參數(shù)與葉片葉綠素A、葉綠素B、總?cè)~綠素含量之間均具有較好的相關(guān)性(P<0.01),6種光譜參數(shù)均可用于核桃大豆復(fù)合系統(tǒng)中大豆葉片色素含量的監(jiān)測(cè)。對(duì)比各參數(shù)發(fā)現(xiàn),光譜參數(shù)R696′、R737′和葉片葉綠素指數(shù)R800～R700/R800～R670與葉片色素含量之間的相關(guān)關(guān)系明顯優(yōu)于其他光譜參數(shù)。本試驗(yàn)條件下,對(duì)大豆葉片色素含量的估測(cè)效果更佳。

【參考文獻(xiàn)】：
期刊論文
[1]基于多角度高光譜遙感的植被紅邊波段角度效應(yīng)分析——以大豆和玉米為例[J]. 鄧?yán)?毛智慧,陳云浩,段福洲,李京.  地理與地理信息科學(xué). 2019(05)
[2]珠海一號(hào)高光譜衛(wèi)星數(shù)據(jù)農(nóng)業(yè)遙感應(yīng)用[J]. 紀(jì)嬋,張赫林.  衛(wèi)星應(yīng)用. 2019(08)
[3]基于生態(tài)服務(wù)價(jià)值的瑪納斯河流域土地利用結(jié)構(gòu)優(yōu)化[J]. 寧珊,張正勇,周紅武,李麗,趙貴寧.  生態(tài)學(xué)報(bào). 2019(14)
[4]棗葉片N素質(zhì)量分?jǐn)?shù)高光譜估算模型[J]. 丁雅,王振錫,瞿余紅,劉玉霞,李園.  東北林業(yè)大學(xué)學(xué)報(bào). 2018(11)
[5]基于高光譜的茶葉含水量檢測(cè)模型建立與試驗(yàn)研究[J]. 吳偉斌,劉文超,李澤藝,張震邦,陳理,宋倩.  河南農(nóng)業(yè)大學(xué)學(xué)報(bào). 2018(05)
[6]基于思維進(jìn)化優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的大豆葉片葉綠素含量高光譜反演[J]. 劉潤(rùn),張紹良,侯湖平,陳浮,田艷鳳,郝紹金.  江蘇農(nóng)業(yè)科學(xué). 2018(13)
[7]大豆蛋白質(zhì)遺傳和生育期間積累規(guī)律的研究進(jìn)展[J]. 張志民,周青,鄭麗敏,楊慧風(fēng),王鳳菊,陳亞光,范華兵,徐淑霞.  大豆科技. 2017(01)
[8]基于連續(xù)統(tǒng)去除法的蘋(píng)果樹(shù)冠SPAD高光譜估測(cè)[J]. 韓兆迎,朱西存,王凌,趙庚星.  激光與光電子學(xué)進(jìn)展. 2016(02)
[9]利用高光譜技術(shù)估測(cè)大豆育種材料的葉面積指數(shù)[J]. 齊波,張寧,趙團(tuán)結(jié),邢光南,趙晉銘,蓋鈞鎰.  作物學(xué)報(bào). 2015(07)
[10]接種菌根大豆葉片光譜分析和葉綠素含量估測(cè)[J]. 陳書(shū)琳,畢銀麗,齊禮帥,馮顏博,張延旭,王瑾.  中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào). 2014(02)

博士論文
[1]基于高光譜成像技術(shù)的作物葉綠素信息診斷機(jī)理及方法研究[D]. 張東彥.浙江大學(xué) 2012



本文編號(hào)：3600004