您好,欢迎访问中国农业科学院 机构知识库!

花后浅地下水埋深对小麦高光谱特征的影响及叶绿素估算模型

文献类型: 中文期刊

作者: 吴启侠 1 ; 晏军 1 ; 朱建强 1 ; 李东伟 1 ; 周新国 1 ; 郭树龙 1 ;

作者机构: 1.中国农业科学院农田灌溉研究所;农业部商丘农业环境科学观测实验站;长江大学农学院

关键词: 小麦;浅地下水埋深;高光谱;红边参数;BP神经网络

期刊名称: 灌溉排水学报

ISSN: 1672-3317

年卷期: 2018 年 09 期

页码: 29-35

收录情况: 北大核心 ; CSCD

摘要: 江汉平原春季雨水较多,小麦中后期易受渍害。【目的】将高光谱遥感技术应用于渍害监测,为渍害监测提供一种无损、快捷的诊断方法。【方法】在小麦花后设置不同地下水埋深(0、20和40 cm)处理,分别于处理后8、17、28 d监测小麦冠层光谱反射率和旗叶叶绿素量,分析了小麦花后浅地下水埋深对冠层高光谱特征的影响,并建立了叶绿素高光谱估算模型。【结果】小麦花后0 cm、20 cm地下水埋深持续17 d左右时,小麦冠层反射光谱中蓝紫光波段与红光波段形成的2个吸收谷比40 cm的平坦,而2个吸收谷之间的反射峰变陡,红边位置发生蓝移,且地下水埋深越浅,持续时间越长,2个吸收谷越平坦,蓝移位移越大。浅地下水埋深胁迫小麦旗叶叶绿素a(Chla)、叶绿素b(Chlb)、叶绿素(Chl(a+b))量分别与红边位置(λr)、红边偏度(Sr)以及红边峰度(Kr)呈线性、线性和一元二次曲线关系。选取λr、Sr、Kr三个特征因子作为网络输入层建立BP神经网络模型估算浅地下水埋深胁迫小麦旗叶Chla、Chlb、Chl(a+b)量,建立的模型其拟合精度高(决定系数R2分别为0.842 5、0.700 2、0.850 8、均方根误差RMSE分别为0.146、0.048、0.173)。【结论】以λr、Sr、Kr为输入层建立的BP神经网络模型可以作为估算浅地下水埋深胁迫小麦旗叶叶绿素量的高光谱估算模型。

  • 相关文献

[1]基于特征光谱参数的苹果叶片叶绿素含量估算. 冯海宽,杨福芹,杨贵军,李振海,裴浩杰,邢会敏. 2018

[2]基于光谱预处理和机器学习算法的烤烟叶绿素含量预测. 王韦燕,冯文强,常乃杰,刘青丽,李志宏,陈玉蓝,黎昌明,陈曦,张云贵. 2023

[3]冬小麦冠层光谱红边参数的变化及其与氮素含量的相关分析. 卢艳丽,李少昆,白由路,谢瑞芝,宫永梅. 2007

[4]渍害胁迫下小麦SPAD的高光谱监测方法研究. 李燕丽,熊勤学,卢碧林,李继福,李磊,田广丽. 2020

[5]基于高光谱遥感监测小麦籽粒蛋白质含量的研究进展. 刘大众,刘升平,周国民,李世娟,杜鸣竹,吕纯阳,杨菲菲,肖顺夫. 2020

[6]基于冠层光谱角算法的小麦氮素营养监测. 肖春华,吕银亮,刁万英,李少昆,王克如,陈兵,王琼. 2015

[7]Wheat; Lumai 14; Germplasm resource; Strategy for improvement. 韩微波,刘录祥,郭会君,赵林姝,王成社. 2005

[8]基于光谱特征与PLSR结合的叶面积指数拟合方法的无人机画幅高光谱遥感应用. 高林,杨贵军,李长春,冯海宽,徐波,王磊,董锦绘,付奎. 2017

[9]基于无人机高光谱遥感的冬小麦叶面积指数反演. 高林,杨贵军,于海洋,徐波,赵晓庆,董锦绘,马亚斌. 2016

[10]不同氮营养冬小麦冠层光谱红边特征分析. 胡昊,白由路,杨俐苹,卢艳丽,王磊,王贺,孔庆波. 2009

[11]白粉菌侵染后田间小麦叶绿素含量与冠层光谱反射率的关系. 周益林,段霞瑜,程登发. 2009

[12]基于神经网络的组合预测模型方法研究. 梁毅,刘世洪. 2012

[13]霉变板栗的近红外光谱和神经网络方法判别. 周竹,刘洁,李小昱,李培武,王为,展慧. 2009

[14]基于BP神经网络的甜瓜叶面积测定方法. 李珊,马丽丽,贺超兴. 2010

[15]动物疫情测报方法研究与系统实现. 梁毅. 2013

[16]基于智能算法的价格预测模型探究. 孙吉红,张丽莲,武尔维,郜鲁涛,彭琳,钱晔. 2014

[17]BP神经网络在烟蚜发生程度预测中的应用. 任广伟,王秀芳,王新伟,李晓,张建党,梁其涛. 2008

[18]基于BP神经网络的农业电子商务网站评价研究. 肖毅,杨建平. 2014

[19]基于粒子群优化BP神经网络的水产养殖水温及pH预测模型. 徐大明,周超,孙传恒,杜永贵. 2016

[20]基于BP神经网络的血液荧光光谱识别分类研究. 高斌,赵鹏飞,卢昱欣,范雅,周林华,钱军,刘林娜,赵思言,孔之丰. 2018

作者其他论文 更多>>