论文部分内容阅读
随着遥感技术的飞速发展,高光谱遥感在高效获取农田信息方面具有无可比拟的优势。氮素对作物的生长发育起着至关重要的作用,足够的氮素营养是作物获得高产的保障。生产过程中,农民往往施入过量的氮肥以保证产量,而施用过量的氮肥不仅损害了农民的收益,还带来了的严重环境问题。因此,精确诊断作物氮素营养状况,在作物生长的关键时期施以适量的氮肥变得尤为重要。研究表明氮素营养指数(Nitrogen nutrition index,NNI)能够精确地诊断作物氮营养状况。但目前经验模型直接反演NNI的方法(Direct NNI,NNId)缺乏机理性,间接反演的NNI模型(indirect NNI,NNIid)经历了多次反演,累积误差较大。本研究致力于提出更优的修正累积误差的遥感估测NNI的方法,为产量的预估和精确推荐施肥提供技术支持。本研究围绕NNI农学机理遥感模型构建这一关键问题,分析了利用ASD高光谱数据构建的潜在预测植株地上部生物量(Above ground biomass,AGB)和植株氮浓度(Plant nitrogen concentration,PNC)的15个光谱指数;通过光谱指数直接替代用于构建NNI的农学参数生物量和植株氮浓度,建立了基于光谱指数的关键氮浓度稀释曲线模型(Remote sensing Nc,Nc_RS);根据NNI的定义,将替代PNC的光谱指数与该稀释曲线模型进行比值处理获得遥感NNI(Remote sensing NNI,NNIRS),然后将NNIRS与实测NNI进行比较分析,筛选出最优光谱指数组合的NNIRS模型;最后,基于NNIRS模型,分别利用不同年份的冬小麦产量和氮肥需求量数据,进行了籽粒产量和氮肥需求量模型的构建和应用检验。论文研究结果表明:1)本文选用与植株氮含量相关的光谱指数修正简单比值指数(Modified simple ratio 705,mSR705)和与生物量相关的指数水指数(Water index,WI)WI构建的NNIRS模型精度最高,其R2=0.73。Nc RS模型为Nc_RS=3.59WI-4.66,该模型决定系数(Determination coffecient,R2)为 0.75。通过与 NNId和NNIid模型结果进行对比,NNIRS模型的R2和RMSE分别为0.73和0.128,精度要高于 NNId模型(R2和=0.66,RMSE=0.132)和 NNIid模型(R2=0.66,RMSE=0.216),说明本研究提出的NNIRS模型能够精确的诊断作物氮素营养状况。2)基于NNIRS数据可实现冬小麦籽粒产量的预报,单生育期的产量估测模型中开花期模型R2最高,其R2=0.70;模型稳定性和预测性最好的是挑旗期模型,其R2和RMSE分别为0.60,1157kgha-1;全生育期的产量估测模型模型精度较好,模型的R2=0.64,RMSE=1377ka ha-1。3)氮肥需求量随施氮水平的变化差异明显,基于NNIRS构建的氮肥需求量模型除拔节期精度较低外,其他生育期构建的氮肥需求量模型能够用于氮肥的精确推荐。