引言
類胡蘿卜素(Car)是植物光合作用中吸收光能的主要色素之一,它不僅吸收傳遞光能,還具有保護(hù)葉綠素的功能。當(dāng)有過剩的光能發(fā)生時(shí),Car就參與到葉黃素循環(huán)過程中將過剩的能量散失掉,從而避免了過剩光能對(duì)光合系統(tǒng)的傷害。當(dāng)葉片受脅迫或衰老時(shí),Car的存在又可延緩葉綠素的快速分解,維持光合作用的進(jìn)行。因此,利用高光譜技術(shù)快速監(jiān)測葉片Car含量信息,對(duì)于診斷植物不同發(fā)育階段的生理狀態(tài)具有重要的意義。
由于Car與葉綠素吸收峰所處波段部分重疊,且多數(shù)葉片中葉綠素含量要高于Car含量,因而,前人關(guān)于植被色素的光譜監(jiān)測研究多側(cè)重易于反演的葉綠素方面,而對(duì)Car的研究相對(duì)較少。
在水稻研究方面,孫雪梅研究了光譜指數(shù)與水稻劍葉Car含量間的關(guān)系,指出應(yīng)用PSSRc和PSNDc預(yù)測Car含量有一定的局限性,而SIPI、PSRI、PRI也不能用于Car含量預(yù)測;唐延林等則指出高光譜指數(shù)和紅邊位置λred與水稻葉片Car含量間存在極顯著相關(guān);王福民等(2009)分析了所得波段范圍內(nèi)所有歸一化光譜指數(shù)與水稻葉片Car含量之間的關(guān)系,提出(R1536–R707)/(R1536+R707)可以較好地估算Car含量。可見,對(duì)于能否利用植被光譜指數(shù)準(zhǔn)確監(jiān)測水稻葉片Car含量尚存在一定的分歧,所提出的一些敏感光譜指數(shù)在其波段選擇上也有一定的差異,且光譜指數(shù)研究范圍也局限于某一些經(jīng)驗(yàn)性或某一種構(gòu)造類型的光譜指數(shù),不能保證篩選出的光譜指數(shù)為最佳組合。
本研究以不同年份、品種類型、施氮水平的田間試驗(yàn)為基礎(chǔ),綜合分析所得波段范圍內(nèi)所有兩波段組合的比值與歸一化光譜指數(shù)與水稻上部葉片Car含量之間的定量關(guān)系,并對(duì)比分析前人提出的其他構(gòu)造形式的Car敏感光譜指數(shù)在水稻作物上的應(yīng)用效果,探討葉片水平高光譜技術(shù)提取Car含量的可行方法,進(jìn)而建立Car含量的定量估算模型。希望能為水稻葉片Car含量的無損監(jiān)測和光合能力評(píng)價(jià)奠定基礎(chǔ)。
材料和方法
2.1 實(shí)驗(yàn)設(shè)計(jì)
本研究共進(jìn)行了4個(gè)水稻田間試驗(yàn),涉及不同的試驗(yàn)點(diǎn)、年份、品種類型和施氮水平,具體的試驗(yàn)設(shè)計(jì)如下。
試驗(yàn)1(EXP.1):2005年在江蘇省南京市農(nóng)林局江寧試驗(yàn)站進(jìn)行。供試品種為‘27123’和‘武香粳14’。土壤有機(jī)質(zhì)含量1.61%、全氮含量0.136%、速效氮含量74.7mg/kg、速效磷含量10.36mg/kg、速效鉀含量82.6mg/kg。設(shè)4個(gè)施氮水平:0、90、270和405kg/hm2純氮,按基肥35%、分蘗肥15%、促花肥25%、保花肥25%施入;各處理配施135kg/hm2P2O5和190kg/hm2K2O,均做基肥一次性施入。試驗(yàn)小區(qū)隨機(jī)區(qū)組排列,重復(fù)3次,小區(qū)面積為3.5m×9.0m=31.5m2,株行距為0.15m×0.25m。5月18日播種,6月18日移栽,其他管理同常規(guī)高產(chǎn)田。
試驗(yàn)2(EXP.2):2006年在江蘇省南京市農(nóng)林局江寧試驗(yàn)站進(jìn)行。供試品種同試驗(yàn)1。土壤有機(jī)質(zhì)含量1.43%、全氮含量0.11%、速效氮含量62.5mg/kg、速效磷含量10.36mg/kg、速效鉀含量82.5mg/kg。設(shè)4個(gè)施氮水平:0、90、240和360kg/hm2純氮,氮肥基追比及磷鉀肥的施用同試驗(yàn)1。試驗(yàn)小區(qū)隨機(jī)區(qū)組排列,重復(fù)3次,小區(qū)面積為5m×5m=25m2,株行距為0.15m×0.25m。5月18日播種,6月20日移栽,其他管理同常規(guī)高產(chǎn)田。
試驗(yàn)3(EXP.3):2006年在浙江省杭州市中國水稻研究所試驗(yàn)場(119°56′E,30°05′N)進(jìn)行。選用9個(gè)不同株型和穗型的品種,分別為‘III優(yōu)98’、‘II優(yōu)航1號(hào)’、‘勝泰1號(hào)’、‘D優(yōu)527’、‘II優(yōu)162’、‘國稻6號(hào)’、‘天優(yōu)998’、‘汕優(yōu)63’和‘II優(yōu)602’。土壤有機(jī)質(zhì)含量1.02%、全氮含量0.101%、速效氮含量53.2mg/kg、速效磷含量9.6mg/kg、速效鉀含量66mg/kg。設(shè)3個(gè)施氮水平:0、120和180kg/hm2純氮,按基肥50%、分蘗肥30%和穗肥20%施入。各處理配施CaP2H4O8450kg/hm2,KCl150kg/hm2。試驗(yàn)小區(qū)隨機(jī)區(qū)組排列,3次重復(fù),小區(qū)面積3m×3m=9m2,株行距為0.20m×0.28m。5月23日左右播種,6月13日移栽,其他管理同常規(guī)高產(chǎn)田。
試驗(yàn)4(EXP.4):2007年在江蘇省南京市農(nóng)林局江寧試驗(yàn)站(118°59′E,31°56′N)進(jìn)行。供試品種為‘兩優(yōu)培九’和‘武香粳14號(hào)’。土壤有機(jī)質(zhì)含量2.11%、全氮含量0.116%、速效氮含量103.9mg/kg、速效磷含量43.46mg/kg、速效鉀含量80.5mg/kg。試驗(yàn)采用裂區(qū)設(shè)計(jì),2個(gè)水分處理:間歇灌溉和水層灌溉(3–5cm),水分處理于秧苗移栽并返青之后開始實(shí)施至水稻成熟;3個(gè)施氮水平:0、180和300kg/hm2純氮,按基肥50%、分蘗肥10%、促花肥20%、保花肥20%施入;磷鉀肥的施用同試驗(yàn)1。小區(qū)面積為5m×6m=30m2,株行距為0.20m×0.28m,3次重復(fù)。5月18日播種,6月18日移栽,其他管理同常規(guī)高產(chǎn)田。
2.2 葉片取樣及光譜測量
分別在水稻拔節(jié)、孕穗、抽穗、灌漿前期、灌漿中期和灌漿后期,從每個(gè)小區(qū)內(nèi)選取水稻植株數(shù)穴,連根拔起,置于水桶中,帶回實(shí)驗(yàn)室,每處理取6個(gè)代表性主莖,測定主莖頂1(L1)、頂2(L2)、頂3(L3)和頂4(L4)完全展開葉上、中、下部的反射光譜,取平均值作為被測葉位的光譜反射率。葉片光譜測量采用萊森光學(xué)iSpecField地物光譜儀自帶的手持葉夾式葉片光譜探測器進(jìn)行,探測器內(nèi)置石英鹵化燈,光源穩(wěn)定;測量時(shí)葉片置于葉片夾的葉室中,從而保證葉片水平且被探測面積相同,以消除背景反射、葉片表面彎曲造成的光譜波動(dòng)及葉片內(nèi)部變異造成的影響。
2.3 葉片Car含量測定
采集完光譜反射率后,將葉片樣本迅速放于保鮮袋中,經(jīng)液氮冷凍處理,然后測定Car含量。測定時(shí),將葉片剪碎、混勻,稱0.10g左右,采用無水乙醇和丙酮1:1混合液于暗處提取,用紫外可見分光光度計(jì)測定470、645和663nm處的吸光度,然后以Lichtenthaler法計(jì)算不同葉位葉片的Car含量。
2.4 數(shù)據(jù)分析
方法本文選用最為常用的比值光譜(SR(λ1,λ2))和歸一化差值(ND(λ1,λ2))指數(shù),詳細(xì)分析350–2500nm范圍內(nèi)任意兩波段組合的SR和ND光譜指數(shù)與水稻葉片Car含量間的關(guān)系,以期找到預(yù)測水稻葉片Car含量的適宜光譜變量。
首先綜合利用試驗(yàn)1和2的資料對(duì)光譜指數(shù)與葉片Car含量進(jìn)行相關(guān)分析,選出敏感波段及適宜光譜指數(shù),并通過回歸分析建立基于敏感光譜指數(shù)的水稻葉片Car含量預(yù)測模型。然后基于試驗(yàn)3和4的數(shù)據(jù)資料,采用均方根差(RMSE)、平均相對(duì)誤差(RE)和預(yù)測精度(P-R2)3個(gè)統(tǒng)計(jì)指標(biāo)對(duì)所篩選的光譜指數(shù)及其預(yù)測模型進(jìn)行測試和檢驗(yàn),并繪制觀察值與預(yù)測值之間的1:1關(guān)系圖。所有數(shù)據(jù)處理和分析過程均在MATLAB語言環(huán)境下編程實(shí)現(xiàn)。
結(jié)果與分析
3.1 水稻葉片Car含量的變化特征
表2顯示了本文中建模及測試樣本集葉片Car含量的統(tǒng)計(jì)結(jié)果,Car含量的變幅范圍分別為0.136–0.854mg/g和0.217–0.866mg/g,變異系數(shù)分別為28.8%和22.7%,顯示樣本具有較好的代表性。
表2 水稻葉片類胡蘿卜素含量的變化
因不同年度試驗(yàn)、不同水稻品種間葉片Car含量隨生育期的變化具有一定的相似性,本節(jié)以試驗(yàn)2中‘武香粳14’為例說明不同處理及不同葉位葉片Car含量變化情況。圖1展示不同施氮水平間各葉位葉片平均Car含量隨生育期的變化模式,各生育期不同施氮水平間葉片Car含量差異明顯,均表現(xiàn)為N3>N2>N1>N0變化模式;隨生育期的變化,在抽穗前(DAT80)變化緩慢,而抽穗后均表現(xiàn)為快速下降的趨勢,表明在生育前期,各處理葉片Car含量均有一個(gè)積累保持期,這有利于防護(hù)葉片葉綠素的降解;后期隨著葉片的營養(yǎng)轉(zhuǎn)移及衰老,Car含量持續(xù)下降,而施氮可提高葉片Car含量,延緩葉片的衰老。
圖1 水稻頂部葉片類胡蘿卜素含量隨生育期的變化(試驗(yàn)2, ‘武香粳14’)。N0、N1、N2、N3,分別表示0、90、240和360 kg N/hm2處理。L1、L2、L3、L4,分別表示頂1、頂2、頂3、頂4葉。
圖1顯示了不同葉位間各處理平均Car含量隨生育期的變化模式,不同葉位間,Car前期差異較小,在移栽后80天,葉片已全部抽出,進(jìn)入孕穗期,葉位固定,之后各時(shí)期Car含量明顯表現(xiàn)為L1>L2>L3>L4的空間模式;隨著生育期推進(jìn),各葉位葉片Car含量變化有異,抽穗前,L1和L2表現(xiàn)為先緩慢下降后上升,L3和L4表現(xiàn)為緩慢下降,抽穗期后,均表現(xiàn)為持續(xù)快速下降趨勢,說明上葉位比下葉位具有更強(qiáng)的生理活性。
3.2 水稻葉片光譜反射率的變化特征
為了清晰地描述不同Car含量水平葉片的反射光譜特征,本研究將400組葉片的反射光譜按Car含量從低到高分為Car≤0.2、0.20.8mg/g6組,并將每組樣本的光譜反射率進(jìn)行平均,從而得到代表不同Car含量水平的葉片反射光譜曲線圖(圖2)。
圖2 不同類胡蘿卜素含量(mg/g)水平水稻葉片的光譜反射率特征
圖2顯示在350–700nm可見光區(qū),葉片反射率隨著Car含量的增加而降低,平均變化幅度達(dá)到230%,而在近紅外波段(750–1350nm),葉片反射率隨著Car含量的增加而增加,但其平均變化幅度僅為5.17%。可見光區(qū)的光譜特征受各種色素的共同影響,色素含量高則吸收強(qiáng),反射率就低,而近紅外區(qū)域的光譜特征主要受葉肉結(jié)構(gòu)的影響,本文中由色素含量變化造成的葉肉結(jié)構(gòu)的差異相對(duì)較小,因此,受Car含量變化的影響,近紅外區(qū)葉片光譜反射率的變化強(qiáng)度要明顯小于可見光部分。不同Car含量下葉片光譜反射率的這種變化規(guī)律為研究利用高光譜技術(shù)反演水稻葉片Car含量奠定了基礎(chǔ)。
3.3 水稻葉片Car含量與原始光譜及一階導(dǎo)數(shù)間的相關(guān)性
將試驗(yàn)1和2中所有生育期的葉片Car含量與對(duì)應(yīng)的葉片光譜反射率及其一階微分光譜數(shù)據(jù)(n=400)進(jìn)行了總體相關(guān)分析(圖3)。結(jié)果顯示,波長小于745nm的光譜反射率與葉片Car含量呈負(fù)相關(guān),其中,在510–600nm綠光區(qū)域及695–717nm的紅邊區(qū)域,負(fù)相關(guān)達(dá)到較高水平(r<–0.88),相關(guān)性最好的波段分別為562nm(r=–0.887)和705nm(r=–0.895)。在750–1350nm近紅外區(qū)域內(nèi),存在一個(gè)正相關(guān)系數(shù)平臺(tái),但相關(guān)性較小(r<0.34)。葉片Car含量與一階微分光譜間的相關(guān)關(guān)系表明,在500–510、535–550及685–795nm的幾個(gè)窄波段區(qū)域,其負(fù)相關(guān)達(dá)到較高水平(r<–0.87);在635–670及710–760nm區(qū)域,其正相關(guān)達(dá)到較高水平(r>0.88),以744nm附近的相關(guān)性最高(r=0.92)。可見,可見光綠光及紅邊波段與水稻葉片Car含量關(guān)系密切,而近紅外波段對(duì)Car含量變化不太敏感,通過對(duì)這幾個(gè)區(qū)域光譜信息的充分挖掘,有可能找到用于水稻葉片Car含量監(jiān)測的適宜光譜變量。
圖3 水稻葉片類胡蘿卜素含量與葉片光譜反射率及一階導(dǎo)數(shù)光譜數(shù)據(jù)的相關(guān)性(n= 400)
3.4 水稻葉片Car含量的敏感光譜指數(shù)
高光譜反射率具有連續(xù)、精細(xì)的特點(diǎn),有助于獲得豐富的波段組合,增強(qiáng)對(duì)植株生物理化參數(shù)的探測能力。本研究系統(tǒng)分析了350–2500nm范圍內(nèi)任意兩波段組合而成的比值(SR)及歸一化差值(ND)光譜指數(shù)與水稻葉片Car含量間的關(guān)系。圖4突出顯示了400–1200nm范圍內(nèi)兩波段組合的SR(圖4A)和ND(圖4B)光譜指數(shù)與Car含量間線性擬合的決定系數(shù)等勢圖,等勢線上的數(shù)字表示決定系數(shù)(S-R2)的起點(diǎn)。
圖4 兩波段組合的比值(A)及歸一化(B)光譜指數(shù)估算類胡蘿卜素含量的決定系數(shù)(R2 )等勢圖
從圖4可以看出,可見光綠光至紅邊波段(λ1)與近紅外波段(λ2)的SR或ND組合與水稻葉片Car含量間均達(dá)到顯著相關(guān)水平,以綠光及紅邊波段組合表現(xiàn)突出。在綠光區(qū)域,綠峰處554nm附近與近紅外波段的SR組合及562nm附近與近紅外波段ND組合表現(xiàn)突出(S-R2>0.85),其中以SR(554,773)和ND(773,562)表現(xiàn)最好(表3),S-R2分別為0.854和0.867。在紅邊區(qū)域,以723nm附近與近紅外波段的SR組合及713nm附近與近紅外波段的ND組合表現(xiàn)突出(S-R2>0.89),近紅外參考波段以770nm附近波段表現(xiàn)最好,SR(723,770)和ND(770,713)用于Car含量估算的線性S-R2分別達(dá)到0.897和0.898(表3)。基于兩年兩個(gè)品種的試驗(yàn)數(shù)據(jù),圖5展示了SR(723,770)和ND(770,713)對(duì)不同生育期及不同葉位水稻葉片Car含量的擬合效果。
圖5 水稻葉片類胡蘿卜素含量與比值指數(shù)(SR) (723, 770)及歸一化指數(shù)(ND) (770, 713)的關(guān)系(n=400)。L1、L2、L3、L4同圖1
3.5 模型的測試與檢驗(yàn)
利用試驗(yàn)3和試驗(yàn)4的獨(dú)立資料,采用均方根差(RMSE)、平均相對(duì)誤差(RE)和預(yù)測精度(P-R2)3項(xiàng)統(tǒng)計(jì)指標(biāo),對(duì)各預(yù)測方程的可靠性與普適性進(jìn)行了驗(yàn)證(表3)。檢驗(yàn)結(jié)果顯示,基于SR(723,770)和ND(770,713)建立的葉片Car含量監(jiān)測模型的測試效果最好(圖6),觀測值與模擬值之間的P-R2分別達(dá)到0.856和0.858,RMSE分別為0.083和0.085mg/g,RE分別為11.9%和12.0%。兩指數(shù)的預(yù)測精度和預(yù)測誤差均相近,這與兩指數(shù)的構(gòu)造波段相近,包含類似的光譜信息,且建模和測試數(shù)據(jù)相同有關(guān),說明基于這兩個(gè)光譜指數(shù)建立的模型對(duì)水稻葉片Car含量的預(yù)測均具有較好的準(zhǔn)確度和普適性。基于綠光波段提出的SR(554,773)和ND(773,562)不及上述紅邊波段組合優(yōu)秀,P-R2分別為0.782和0.794,RMSE依次為0.074和0.075mg/g,RE分別為12.8%和12.7%(表3)。
表3 水稻葉片類胡蘿卜素含量(y)與不同光譜指數(shù)(x)的定量關(guān)系(n=400)及檢驗(yàn)效果(n=223)
進(jìn)一步分析了前人提出的不同類型Car指數(shù)在本研究中的應(yīng)用效果(表3)。可以看出,前人基于Car吸收波段470nm附近波段提出的PSSRc和PSNDc與水稻葉片Car含量的關(guān)系較差,擬合精度S-R2僅為0.718和0.712,這可能與Car和葉綠素的吸收波段部分重疊受葉綠素影響有關(guān)。而前人構(gòu)造的CRI550、CRI700、R760/R500和R672/(R550×R708),其對(duì)水稻葉片Car含量的估算效果也不理想,擬合精度較低,預(yù)測誤差也較大(RE>18.5%),不及本研究新提出的各光譜指數(shù)表現(xiàn)優(yōu)秀。
4、討論
高光譜遙感以其高分辨率、多波段、海量數(shù)據(jù)等特點(diǎn),為量化植被體內(nèi)的單一光合色素提供了有效途徑。植物體內(nèi)的Car含量較低,且生理變化復(fù)雜,導(dǎo)致已有光譜預(yù)測模型對(duì)Car的估測精度較低。本文綜合分析了不同年份、施氮水平、品種類型、生育時(shí)期水稻不同葉位葉片反射光譜與Car含量之間的定量關(guān)系,結(jié)果顯示,不同葉位水稻葉片Car含量及不同Car含量水平下水稻葉片光譜反射率均有明顯的規(guī)律性差異,葉片光譜反射率與Car含量間在可見光綠光及紅邊區(qū)域表現(xiàn)為顯著的負(fù)相關(guān)性,而在近紅外區(qū)域表現(xiàn)為較弱的正相關(guān)關(guān)系,這為光譜監(jiān)測水稻葉片Car含量提供了理論依據(jù)。
光譜指數(shù)可以使植被的有效反射信息最大化,而使外部因素影響最小化,構(gòu)建適宜的敏感光譜指數(shù)已成為遙感提取植被生化組分信息的重要方法。孫雪梅比較了幾種經(jīng)驗(yàn)性光譜指數(shù)對(duì)水稻劍葉Car含量的估算效果,指出光譜監(jiān)測Car含量比監(jiān)測葉綠素含量要困難的多。本研究通過分析350–2500nm范圍內(nèi)所有兩波段組合的比值及歸一化光譜指數(shù)與葉片Car含量間的定量關(guān)系,結(jié)果表明,拓寬光譜指數(shù)的研究范圍,可以提取出適于水稻葉片Car含量監(jiān)測的理想光譜指數(shù)。光譜指數(shù)組合波段的選擇對(duì)其預(yù)測能力影響較大,以紅邊723nm左右的波段(λ1)與近紅外波段(λ2)的比值組合以及紅邊713nm左右的波段與近紅外波段的歸一化組合預(yù)測水稻葉片Car含量的效果最好(S-R2>0.89),近紅外參考波段以770nm附近波段表現(xiàn)最佳。
圖6 基于比值指數(shù)SR(723, 770)和歸一化指數(shù)ND (770, 713)的水稻葉片類胡蘿卜素含量實(shí)測值與預(yù)測值間的比較(n = 223)。RE、RMSE,同表3。
本文所選最佳光譜指數(shù)敏感波段范圍與王福明等利用歸一化光譜指數(shù)的研究結(jié)果相近,均在紅邊區(qū)域內(nèi),說明紅邊波段組合的光譜指數(shù)預(yù)測水稻葉片Car含量具有較好的通用性;不同的是,構(gòu)成指數(shù)參考波段的選擇中,本文中無論是比值還是歸一化光譜指數(shù),均以近紅外波段表現(xiàn)更好,短波紅外波段(>1350nm)作為參考波段雖有一定的估算效果,但均不及近紅外波段表現(xiàn)突出,這可能與短波紅外波段對(duì)葉片水分濃度變化敏感,波動(dòng)較大,不及近紅外波段穩(wěn)定有關(guān)。唐延林等利用綠光553nm與不同波段的比值組合進(jìn)行水稻葉片色素含量的監(jiān)測,本文也證明了綠光波段與近紅外波段的比值或歸一化組合對(duì)Car含量有一定的預(yù)測作用,但其預(yù)測效果不及紅邊波段組合優(yōu)秀(S-R2<0.867),不是預(yù)測水稻葉片Car含量的理想選擇。
進(jìn)一步分析了前人在其他植被上提出的R760/R500、PSSRc和PSNDc、R672/(R550×R708)、以及CRI550和CRI700等不同構(gòu)造類型的Car敏感光譜指數(shù)在本文中的應(yīng)用效果,發(fā)現(xiàn)這些光譜指數(shù)對(duì)本文水稻葉片Car含量的預(yù)測效果均較差(表3),可能是因?yàn)檫@些光譜指數(shù)均是基于特定的林木葉片提出的,所用葉片表層及葉肉結(jié)構(gòu)與禾本科的水稻作物葉片差異較大;另一方面,這些已有指數(shù)均是基于少數(shù)經(jīng)驗(yàn)性波段的敏感性分析上提出的,因其研究波段范圍較窄而易導(dǎo)致關(guān)鍵光譜指數(shù)的丟失,不能保證篩選出的光譜指數(shù)的敏感性和穩(wěn)定性。
本研究則采用了全波段綜合分析方法,這有利于篩選出光譜指數(shù)的最佳組合。最終所選光譜指數(shù)均為可見光區(qū)敏感波段與近紅外不敏感波段的組合,這在一定程度上有利于消除葉片結(jié)構(gòu)及表面反射等因素對(duì)反演結(jié)果的影響。基于獨(dú)立試驗(yàn)資料的檢驗(yàn)結(jié)果表明,本研究新提出的SR(723,770)和ND(770,713)對(duì)水稻葉片Car含量的預(yù)測具有較好的準(zhǔn)確性和穩(wěn)定性,這為水稻葉片光合色素的無損監(jiān)測及便攜式色素監(jiān)測儀的開發(fā)奠定了基礎(chǔ)。本研究采用葉夾式探測器測定葉片光譜,可以較好地消除背景及冠層結(jié)構(gòu)的影響,光譜獲取的精確性較高,所使用的數(shù)據(jù)來源于不同年份、不同品種和不同氮肥處理,其樣品Car含量涵蓋范圍較大,且來自不同生育時(shí)期和不同葉位,因而所建立的模型可靠性得到增強(qiáng),具有較好的代表性,但今后仍需在更廣泛的條件下進(jìn)行測試和檢驗(yàn),以增強(qiáng)模型的估測精度和適用范圍。
5、結(jié)論
水稻葉片Car含量和光譜反射率在不同施氮水平、不同葉位間均存在明顯的規(guī)律性變化,510–600nm綠光區(qū)域和695–717nm紅邊區(qū)域與葉片Car含量間有較好的相關(guān)性,紅邊723nm左右波段與近紅外波段的比值組合以及紅邊713nm附近波段與近紅外波段的歸一化組合可很好地監(jiān)測水稻葉片Car含量,近紅外參考波段以770nm附近波段表現(xiàn)最好。新提出的SR(723,770)和ND(713,770)與葉片Car含量間有很好的相關(guān)性,且預(yù)測性和重演性好,說明通過提取適當(dāng)?shù)娜~片光譜指數(shù)可以有效地估算水稻葉片Car含量。
歡迎關(guān)注公眾號(hào):萊森光學(xué),了解更多光譜知識(shí)。
萊森光學(xué)(深圳)有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司,我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。
審核編輯黃宇
-
紅外
+關(guān)注
關(guān)注
8文章
740瀏覽量
94879 -
高光譜
+關(guān)注
關(guān)注
0文章
330瀏覽量
9934
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論