高光谱成像技术可以同时获取目标的光谱特征和图像特征,目前已经广泛应用于农业资源调查、环境监控等诸多领域。将光谱信息与图像信息结合研究,可从多个角度较为直观、精准地对作物长势的各项指标监测。健康叶片和病害叶片的图像亮度、灰度均勾分布的情况均有较大差异。高光谱图像的灰度值可作为监测农作物长势的一项重要的参数。
小麦是重要的粮食作物,同时也在能源经济领域有着不可或缺的地位。传统长势监测手段取样方法大多采具有破坏性,本文以小麦为研究对象,基于通过分析不同生育时期小麦冠层光谱图像的灰度值,计算光谱植被指数,分别与小麦叶面积指数,地上部干物质重,叶氮含量实测值拟合模型。
1.实验设计与仪器
1.1实验设计
共设置N0、N1、N2、N3、N4五个氮素(氮肥为尿素)处理,分别施0、150、300、450、600kg/hm2 纯氮,除氮素外还施用磷肥(P2O5)120.0 kg/hm2,钾肥(K2O)105.0 kg/hm2,田间管理按照高产田的标准进行管理,实验数据用于构建监测模型的构建。
1.1实验仪器
实验仪器为美国SOC公司生产的SOC710VP便携式成像光谱仪,光谱范围为400-1000nm,光谱分辨范围1.3nm,波段数128-512可选,光谱仪总重量为2.95kg,该光谱仪能够搭载实验台和显微镜,在野外测量时配备有便携式三脚架和摇臂。本实验于野外测量, SOC710VP成像光谱仪采用内置推扫方式,避免了外置推扫的图形畸变和操作的笨重性,可具有自动校正暗电流,可灵活设置积分时间等优点。
2结果与分析
2.1小麦LAI的高光谱监测模型
植被指数RVI、DVI、NDVI、EVI、SAVI拟合小麦LAI监测模型较为准确,基于图光谱图像灰度值计算植被指数GR(670 870),GD(670 870),GND(670 870),GE(670 870),GSA(670 870)。变化趋势如下图所示,植被指数均表现先升高后降低的趋势,自返青期开始,植被指数逐渐增大,抽穗期附近有最大值;抽穗期过后开始逐渐减小,灌浆期有最小值。植被指数和灰度植被指数的变化特征和小麦LAI相似。
经过对比和分析,GND与小麦LAI相关性系数最大,拟合模型决定系数最高,研究选择GND为自变量,小麦LAI为因变量建立监测模型y=1.885-15.68X+22.58x2 决定系数0.81 RMSE (%)=1.01。
2.2小麦地上部干物质重高光谱监测模型
灰度植被指数GR(560 810),GD(560 810),GND(560 810)的变化如下图所示:植被指数在整个生育期内呈先升高后降低的趋势,抽穗期有最大值;灰度植被指数变化和植被指数一致,呈先升高后降低的趋势,抽穗期有最大值。
经过对比和分析,灰度植被指数中GND(660 760)与小麦地上部干物质重的相关性最强,拟合模型决定系数最高,模型误差较小。模型以GND(660 760)为自变量,小麦地上部干物质重为因变量,最佳监测模型 y=-0.236+2.63x+2.53x2决定系数0.78 RMSE (%)=0.5。
2.3 小麦叶氮含量的高光谱监测模型
植被指数整个生育期内呈先升高后降低的趋势,RVI(550 680)、NDVI(550 680)、GRVI(560 680)抽穗期附近有最大值,DVI(550 680)开花期附近有最大值。灰度植被指数也呈先升高后降低的趋势,GR(550 680)、GND(550 680)、GGR(550 680)开花期有最大值,GD(550 680)抽穗期有最大值。植被指数变化相对平缓,对比植被指数,灰度植被指数变化幅度较大,与叶氮含量的变化趋势更为接近。
灰度植被指数中GND与小麦叶氮含量的相关性最强,拟合模型决定系数最高,模型误差较小,适合建立小麦叶氮含量监测模型。最终选择GND(550 680)为自变量,小麦叶氮含量为因变量。建立监测模型 y=38.716-2.41/x 决定系数0.723 RMSE (%)=5.7 。