科研产出
基于作物生长监测诊断仪的双季稻叶干重监测模型
《作物学报 》 2021 北大核心 CSCD
摘要：本文旨在验证作物生长监测诊断仪（crop growth monitoring and diagnosis apparatus, CGMD）监测双季稻长势指标的准确性,建立基于CGMD的双季稻叶干重监测模型。通过实施8个不同早、晚稻品种和4个施氮水平的小区试验,采用CGMD获取从分蘖期至灌浆期的冠层归一化植被指数（normalized difference vegetation index, NDVI）、差值植被指数（differential vegetation index,DVI）和比值植被指数（ratio vegetation index,RVI）,同步采用高光谱仪（analytical spectral devices field-spec handheld 2, ASD FH2）获取冠层光谱反射率计算NDVI、DVI和RVI;分析2种光谱仪获取的植被指数间的相关关系,验证CGMD的测量精度,建立基于CGMD的叶干重监测模型,并用独立试验数据对模型进行检验。结果表明:早、晚稻叶干重随施氮水平的增加而增大,随生育进程的推进呈"低—高—低"动态变化趋势;CGMD与ASDFH2获取的NDVI、DVI和RVI呈极显著相关,相关系数（correlation coefficient,r）分别为0.9535～0.9972、0.9099～0.9948和0.9298～0.9926,表明2种光谱仪获取的植被指数具有高度的一致性, CGMD可替代价格昂贵的ASD FH2获取NDVI、DVI和RVI。CGMD获取的3个植被指数相比, RVICGMD与叶干重的相关性最高;基于RVICGMD的幂函数模型可准确地监测叶干重,模型建立的决定系数（determination coefficient,R2）为0.8604～0.9216,模型检验的均方根误差（root mean square error, RMSE）、相对均方根误差（relative root mean square error, RRMSE）和r分别为12.97～17.87 g m–2、4.88%～16.79%和0.9951～0.9992。与人工采样测定叶干重相比,利用CGMD可实时准确地获取双季稻叶干重动态变化,在双季稻长势精确诊断和丰产高效栽培中具有应用价值。
关键词： 双季稻 叶干重 作物生长监测诊断仪 植被指数 监测模型
全文链接
请求原文
基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测
《应用生态学报 》 2020 北大核心 CSCD
摘要：为了验证作物生长监测诊断仪(CGMD)监测双季稻氮素营养指标的准确性和适用性,构建基于CGMD的双季稻叶片氮含量(LNC)和氮积累量(LNA)的监测模型.选用8个不同早、晚稻品种,设置4个不同施氮水平,利用CGMD采集冠层差值植被指数(DVI)、归一化植被指数(NDVI)和比值植被指数(RVI),同步利用ASD FH2高光谱仪采集冠层光谱反射率,并计算DVI、NDVI和RVI;通过比较CGMD和ASD FH2采集的冠层植被指数变化特征,验证CGMD的测量精度,构建基于CGMD的LNC和LNA监测模型,并利用独立试验数据对模型进行检验.结果 表明:早、晚稻LNC、LNA、DVI、NDVI和RVI随施氮水平的增加而增大,随生育进程的推进呈先升后降的趋势;CGMD与ASD FH2采集的DVI、NDVI和RVI间拟合的决定系数(R2)分别为0.9350、0.9436和0.9433,表明CGMD的测量精度较高,可替代ASD FH2采集冠层植被指数.基于CGMD的3个冠层植被指数相比,NDVICGMD与LNC的相关性最高,RVICGMD与LNA的相关性最高;基于NDVICGMD的指数模型可较准确地预测LNC,模型R2为0.8581~0.9318,模型检验的均方根误差(RMSE)、相对均方根误差(RRMSE)和相关系数(r)分别为0.1%~0.2%、4.0% ~ 8.5%和0.9041~0.9854;基于RVICGMD的幂函数模型可较准确地预测LNA,模型R2为0.8684~0.9577,模型检验的RMSE、RRMSE和r分别为0.37~0.89 g·m-2、6.7% ~ 20.4%和0.9191~0.9851.与化学分析方法相比,利用CGMD可便捷准确地获取早、晚稻的LNC和LNA,在双季稻丰产高效栽培和氮肥精确管理中具有应用价值.
关键词： 作物生长监测诊断仪 双季稻 叶片氮含量 叶片氮积累量 监测模型
全文链接
请求原文
首页上一页1下一页尾页
