论文部分内容阅读
本文采用便携式光谱仪在叶片、小区和大田水平上测定了不同生育期(分蘖期、孕穗期和扬花期)水稻受稻纵卷叶螟和褐飞虱为害后的光谱反射率,建立了光谱反射率与虫害程度间的线性回归模型,以及利用径向基函数神经网络方法监测卷叶率和褐飞虱虫量的方法,获得了以下主要结果：(1)稻纵卷叶螟为害后水稻的叶片光谱反射率表现为,随着稻叶受害程度的升高,分蘖期在400-420nm及610-700nm波段内升高,在530-570nn和700-1050nm波段内降低；孕穗期在659-678nm波段内升高,在426-475nm、496-630nnm和690-1000nm波段内降低；扬花期在632-691nm波段内升高,510-616nm和697-1000nm波段内降低。利用健康叶和受害卷叶平铺组成的不同卷叶率组合叶片,其光谱反射率随卷叶率的升高,分蘖期和孕穗期均在450-500nm及610-700nm波段内升高,在530-570nm和700-1000nm波段内降低。小区水稻受稻纵卷叶螟为害后的冠层光谱反射率表现为,随着卷叶率级别的升高,孕穗期水稻在717-1000nm波段内降低,扬花期在530-600nn1和717-1000nm波段内降低。大田水稻受稻纵卷叶螟为害后的冠层光谱反射率表现为,随着卷叶率的升高,分蘖期在515-596nm和698-1000nm波段内降低；孕穗期在664-684nm波段内升高,在714-1000nm波段内降低；扬花期在623-692nm波段内升高,在725-1000nm波段内降低。(2)建立了基于叶片光谱指数的叶片受害程度的一元线性回归监测模型,分蘖期以741nn1处的反射率监测效果较好,进行100次监测的准确率为90%；孕穗期以NDVI的监测效果较好,进行86次监测的准确率为76%；扬花期以Rgreen/Bred的监测效果较好,进行80次监测的准确率为69%。建立了基于光谱指数对平铺组合叶片卷叶率监测的一元线性回归模型,分蘖期以Syellow的监测效果较好,进行14次监测的准确率为86%；孕穗期以Sred的效果较好,进行14次监测的准确率为79%。建立了基于小区水稻冠层光谱指数的卷叶率级别(Y,0-5级)的逐步回归监测模型,孕穗期以Y=14.47-0.60DVI542-500-142.98RVSI-6254.44FD540-16.76(Sred-Sblue)效果较好,模型的诊断误差RMSE为0.216；扬花期以Y=8.7356-44.7232DVI730-670+40.3448TCARI+539.1316FD715+44.3701SD695的效果较好,模型诊断误差为0.3035。对400-1000nm内大田水稻受稻纵卷叶螟为害后的光谱反射率采用逐步回归、因子分析和偏最小二乘法进行降维,并以逐步回归筛选出的各反射率、因子分析得到的两个主要因子的得分值、偏最小二乘法得到的各因子的得分值、以及筛选出的18个光谱指数作为神经网络的输入层因子,卷叶率作为输出层,进行大田卷叶率的径向基函数神经网络的学习和监测,结果表明,对分蘖期、孕穗期和扬花期水稻的31、23和27个卷叶率进行监测时,逐步回归方法所得因子为输入时最大的监测准确率分别为61%、65%和63%；因子分析所得的两个因子值为输入时最大的监测准确率分别为68%、69%和63%；偏最小二乘法得到的最少因子值为输入时最大的监测准确率分别为74%、78%和70%；18个光谱指数为输入因子时最大的监测准确率分别为81%、83%和78%。(3)水稻受褐飞虱为害后的光谱特征表明,随着虫量的增加,孕穗期水稻叶片的光谱反射率在570-690nm内上升,而在700-1000nm波段内下降,扬花期在710-1000nm波段内下降。水稻冠层光谱反射率随虫量增加,拔节-孕穗期在484-515nm和570-707nm波段内升高,在720-1000nm波段内下降；孕穗期在525-565nm和700-1000nm波段内下降；扬花期在725-1000nm波段内下降。建立了基于叶片光谱指数的褐飞虱虫量(Y)的一元线性回归监测模型,孕穗期(褐飞虱0-106.25头)以Chl Index和NPQI组建的模型监测效果较好,误差分别为17.3和17.33头；扬花期(褐飞虱0-17.5头)以DMRnir-green构建的模型效果较好,误差为3.37头。对25个叶片光谱指数与褐飞虱虫量进行逐步回归建模,孕穗期和扬花期水稻上褐飞虱虫量的监测分别以Y=174.831-79.361Chllndex-1655.217NPQI和Y=-39.903+491.616DMnir-green-791.617DMRnir-red+120.714G(Lich)模型的效果较好,监测误差分别为13.71和2.87头。建立了水稻冠层光谱指数的褐飞虱虫量(Y)监测的一元线性回归模型,拔节-孕穗期(褐飞虱虫量0-112.5)和孕穗期(褐飞虱虫量0-106.25)水稻褐飞虱虫量的监测均以指数MRnir构建的模型效果较好,模型的误差分别为19.28和18.22头；扬花期(褐飞虱0-17.5)以DVI935-670构建的模型效果较好,误差为3.81头。利用25个冠层光谱指数构建褐飞虱虫量的逐步回归模型,拔节-孕穗期、孕穗期和扬花期监测褐飞虱虫量较好的模型分别为：Y=179.85-1481.037MRnir+2341.975DVI730-542,Y=353.754-472.028MRnir-108.122WI+88.052DVI542-500,Y=158.46-1.251WI-65.499DFI935-670-133.89AI,模型的误差分别为15.06、10.6和3.29头。对400-1000nm波段内的水稻冠层光谱反射率,采用逐步回归筛选出主要的反射率、因子分析得到两个主要因子的得分、偏最小二乘方法得到各因子的得分、以及筛选的25个冠层光谱指数,作为径向基函数神经网络的输入层因子,褐飞虱虫量作为输出层,进行褐飞虱数量的神经网络学习和监测,结果表明,对拔节-孕穗期、孕穗期和扬花期水稻的6、7和7个褐飞虱虫量进行监测,逐步回归方法所得因子最大的监测准确率分别为67%、57%和57%；因子分析所得两个因子的最大监测准确率分别为50%、57%和57%；偏最小二乘法得到的最少因子监测的最大准确率分别为83%、71%和71%；25个光谱指数的监测的最大准确率分别为83%、71%和71%。(4)不同氮肥施用量水稻被褐飞虱为害后的光谱特征表现为,随着氮肥用量的升高,水稻冠层光谱反射率在790-1000nm内上升,650-690nm内下降。水稻叶片SPAD值随氮肥用量的增加显著升高。随着褐飞虱虫量的增加,低氮肥用量下的水稻在褐飞虱为害14天后,冠层光谱反射率在近红外区域显著降低,但在高氮肥用量水稻上,褐飞虱为害35天后在近红外区域的冠层光谱反射率才显著降低。水稻倒四叶的SPAD值与褐飞虱的数量相关较好,而倒二叶与倒四叶SPAD的差值与施氮水平相对不敏感。水稻冠层光谱指数和SPAD指数的结合可对不同施N水平下水稻中的褐飞虱数量进行监测。