近红外光谱和LAI与大豆生物量相关分析 近红外光谱.docx

近红外光谱和LAI与大豆生物量相关分析 近红外光谱.docx

《近红外光谱和LAI与大豆生物量相关分析 近红外光谱.docx》由会员分享，可在线阅读，更多相关《近红外光谱和LAI与大豆生物量相关分析 近红外光谱.docx（4页珍藏版）》请在冰豆网上搜索。

近红外光谱和LAI与大豆生物量相关分析近红外光谱

【近红外光谱和LAI与大豆生物量相关分析】近红外光谱

近红外光谱和LAI与大豆生物量相关分析黄姜维（生命科技学院农学系045班）摘要用美国cropscan光谱仪器公司生产MSR系列5波段的野外便携式高光谱仪实测大豆冠层不同生育时期的近红外光谱数据,同期获取大豆叶___指数（LAI）和地上生物量。

分析大豆冠层反射光谱与大豆LAI、生物量的相关关系,分析结果表明,反射光谱数据与大豆LAI、生物量的相关系数的最高值分别发生在830___（r=0.6956）和660___处（r=0.8294）;对反射光谱数据进行统计分析,建立Logistics函数形式的生物量估测模型。

经检验,Logistics函数模型具有较高的精度;近红外线660___波段处的生物量Logistics回归估测模型,确定指数R2值达到了0.837极显著的检验水平,说明近红外660___波段的测量值,对大豆生物量具有一定的估算能力。

关键词：

大豆LAI，近红外光谱，生物量，回归方程目录引言11材料与方法11.1田间设计11.1.1试验地点11.1.2试验时间11.2试验仪器11.3光谱分析的方法21.4叶___、地上鲜生物量和地上干重测试方法22结果与分析22.1大豆生物量、lp80和cropscan测量的所有参数间的相关分析22.2大豆LAI与大豆地上生物量的相关分析32.3近红外线660___波段与大豆生物量相关分析42.4近红外线660___波段与大豆生物量Logistic回归方程43讨论43.1大豆LAI对大豆生物量的预测及对生产的指导53.2近红外光谱660波段测量值对大豆生物量的预测6___6致谢7大豆生物量的近红外光谱估算模型研究黄姜维（生命科技学院农学系045班）引言大豆产量是在一定的环境条件下植物一系列生理过程间复杂的相互作用的结果。

生物量的积累依赖于光合作用提供满足植物生长所需的碳,氮的同化是大豆生产的一个最重要限制因素,因为与其它作物相比大豆种子蛋白质含量较高。

另一个重要因素是籽粒灌浆前植株所积累的生物量和叶___指数（LAI）[1]。

因此大豆的生物量和籽粒灌浆前叶___指数（LAI）在一定程度上决定了最终产量。

目前测定大豆生物量的主要方法是取样法。

如从出苗后,每隔几天取样1次测定有关生理指标。

每次所取的样品,将子叶节以上部分进行风干测重,以风干重计干物质重量[2]。

此方法虽然能够准确测量大豆生物量，但是由于对大豆进行取样后不能观察到取样以后的生物量和最终产量，也不能连续型的对大豆生物量进行测量。

而利用近红外光谱技术就能解决这一问题。

近红外光谱（NearInfraredSpectroscopy）技术是利用有机物质在近红外光谱区的振动吸收而快速测定样品中多种化学成分含量的一项新技术[3]。

利用近红外光谱技术，我们可以采用近红外光谱仪对大豆冠层进行照射得出各种参数，然后结合取样获得生物量，通过对参数和生物量进行相关分析，并建立回归模型来快速预测生物量。

因此光谱辐射仪的应用广泛：

例如应用近红外光谱分析技术，以豆粕为试材，建立豆粕粗蛋白快速分析检测模型[4]；近红外光谱技术是近年来在草坪管理中兴起的一种新的分析方法,可以快速、便捷、无损伤地同时检测高尔夫草坪-土壤系统中多种要素[5]；大豆品质性状的快速测定方法,以我国东北部四省区572份大豆样品为材料,采用近红外透射（NITS）技术非破坏性测定大豆的粗蛋白质、粗脂肪含量[6]；应用遥感技术大___监测烟草生产中病虫害的发生,确定防治适期以及适宜的防治措施具有重要的应用前景[7]；由于地物光谱的时空变异较大,因此在农作物的主产区开展该种作物高光谱农学参数监测有重要的意义[8]。

目前利用近红外光谱对大豆进行生物量预测的研究较少，主要对小麦、棉花、水稻进行的研究比较多。

而本研究组以**豆22作为试验材料，从大豆R3期开始每隔7天进行一次测量横跨大豆各个重要生育时期，并获得各个生育时期的生物量和大豆冠层反射光谱值。

通过分析生物量和大豆冠层反射光谱值得出回归方程，对生产上进行生物量预测提供依据。

来填补国内对大豆近红外光谱模型建立的空白1材料和方法1.1田间设计1.1.1试验地点位于113°77′E，35°46′N****辉县市**科技学院良种试验田，位于一年两熟的华北**地区，地势平坦，土壤有机质含量中等的高产地块。

在播种前进行精细整地并施用复**做底肥。

1.1.2试验时间供试大豆品种为**豆22，xx年5月3日播种，试验区___为（5m×40m）每次在试验区进行随机取样三点每点（1m×1m）作为测试对象。

在大豆整个生育期进行了7次观测。

依次为xx年8月8日，8月18日，8月25日，8月29日，9月3日，9月6日，9月16日。

1.2试验仪器美国cropsa光谱仪器公司生产MSR系列5波段的野外便携式高光谱仪；**力高泰科技有限公司lp80型AuRAR植物冠层分析仪。

1.3光谱分析的方法cropscan：

光谱测试采用美国Cropscan光谱仪器公司生产MSR系列5波段的野外便携式高光谱仪，可在（450-520___、520-600___、630-690___、760-900___、1550-1750___），中心波长：

458___，560___，660___，830___和1650___波长范围内进行测量。

所有的观测均选择在晴朗无风天气，每次测定时间为**时间10：

00~14：

00，此时太**度角大于45°。

传感器探头垂直向下，于冠层相距2m，观测范围直径为1m。

对每个样区里选定的（1m×1m）范围内的大豆测试10次冠层光谱值，把每个样区10次冠层光谱值的平均值作为最终结果。

每个样区做3次重复。

1.4叶___、地上鲜生物量和地上干重测试方法叶___测量方法：

冠层光谱测定之后，用lp80冠层分析仪把对应的大豆光谱采集处进行测量，在下午16：

00~17：

00，持水平仪水平后即可切换到PAR，按上键开始测量上部数值，之后按下键测量下部数值，下部数据测量结束后按ENTER键记录数据，通过下部数值和上部数值的比值和大豆的植株形态计算出大豆LAI。

每个样区测定2次，把每个样区2次测量的平均值作为最终结果。

每个样区重复3次。

叶___测量后将每个样区所有的大豆贴根割下来，以随身携带的天平称称量所有大豆的鲜重。

之后将每个样区取回的地上部分置于105℃烘箱中杀青20-30min,80℃恒温烘干至恒重,测地上部分干物质量。

1.5统计分析方法表1SimpleStatisticsVariableNMeanStdDevSumMinimumMaximumLabelFW_g212741904.11235756011504250FW_gDM_g21677.2652263.803414223242.901080DM_g485___212.66190.204655.90002.25602.96500485___560___214.72810.456599.29104.03905.92250560___660___212.93910.306161.72302.437003.68800660___830___2155.59237.8241116738.242063.46900830___1650___2124.25453.2860509.344517.827529.231001650___PAR_UP21770.5060332.6628316181296.25001235PAR_UPPAR_DN2199.193569.3426208320.2750254.72250PAR_DNT210.___60.04172.407500.06500.20750TLAI213.25530.404668.362502.59503.86500LAI用SAS9.0的相应程序大豆的干、鲜重；cropscan近红外中心波长458___，560___，660___，830___和1650___的测量参数；lp80型AuRAR植物冠层分析仪大豆上、下层PAR值，下部冠层与上部冠层的PAR比值T和叶___指数LAI之间的相关分析和描述统计。

用Sig___Plot10.0画散点图及其回归模拟。

根据数据结果表现做和大豆生物量最相关的参数与大豆生物量采用Logistic回归模型其中a,b和X0为常数项。

注：

FW_g为大豆鲜重单位（g），DM_g为大豆干重单位（g），RAR_UP为上部冠层测量值单位（μmol/m2/s），PAR_DN为下部冠层测量值单位（μmol/m2/s）2结果与分析2.1大豆生物量、lp80和cropscan测量的所有参数间的相关分析PearsonCorrelationCoefficientsN=21Prob>|r|underH0:

Rho=0FW_gDM_g485___560___660___830___1650___PAR_UPPAR_DTDM_gDM_g0.971

2.2大豆LAI与大豆地上生物量的相关分析从理论上讲,作物鲜生物量的遥感监测是通过作物的叶___来间接实现的[9]。

作物地上鲜生物量中占有很大比重的是作物秸杆和仔粒质量,而这部分质量对作物光谱反射率的贡献值并不大（原因是叶片覆盖作物秸杆与表___较小）,因此直接通过遥感监测LAI来反演作物的地上鲜生物量的可行性不大。

在8月8日至8月25日大豆处于始荚期生长的中心仍在营养器官，此时的大豆LAI和大豆生物量的增长是同步进行，也就是在大豆的始荚期随着大豆LAI的增长大豆的生物量也在增长。

到8月25日大豆的LAI达到峰值3.7，这是大豆营养生长向生殖生长的转折点。

从8月25日后是生殖生长的高峰期，一直持续到9月6日大豆的鼓粒期；这时大豆LAI从8月25日的峰值成下降状态直到成熟。

2.3近红外线660___波段与大豆生物量相关分析无论是以NOAA卫星___HRR、EOS-AM的MODIDS,还是以LANDSATTM为遥感数据源进行植被LAI的估算,规一化植被指数NDVI及比值植被指数RVI都是常用来估算植被（包含农作物）LAI的有效的遥感模型[10-11]。

对于模拟大豆生物量的模型我们采用各个参数中与生物量相关关系最为密切的参数做相关回归方程，从表２中发现660___与大豆生物量相关系数达到最大0.829,所以我们采用红外线波长为660___这个参数与大豆生物量之间做分析，发现它与大豆地上生物量之间存在较好的Logistic回归关系。

2.4近红外线660___波段测量值与大豆生物量Logistic回归方程大豆地上生物量之间存在较好的Logistic回归结果，大豆Logistic回归方程的确定性系数R2高达0.8378。

近红外线660___波段测量值与大豆生物量Logistic三参数回归曲线如图2。

Logistic三参数回归方程：

确定指数：

R2=0.8373讨论3.1大豆LAI对大豆生物量的预测及对生产的指导作物地上鲜生物量中占有很大比重的是作物秸杆和仔粒质量,而这部分质量对作物光谱反射率的贡献值并不大（原因是叶片覆盖作物秸杆与表___较小）,因此直接通过监测LAI来反演作物的地上鲜生物量的可行性不大。

但是在大豆生育期的R1、R2、R3期。

由于大豆生物量主要集中在叶片和上部茎秆上，而且这些部位都能接受到近红外线的照射，因此R1、R2、R3这些生育时期进行LAI与生物量的预测；但是从大豆生育期的R5期以后，大豆的LAI在逐步减少而生物量却在不断增加，所以从R5期以后就不能再利用LAI来预测大豆生物量。

在生产上的指导作用是在大豆生育期的末期由于大豆的营养成分向籽粒转移，这时减少田间的郁闭情况可以提高大豆的籽粒的质量和品质。

3.2近红外光谱660波段测量值对大豆生物量的预测绿色植被由于光合作用而强烈吸收红光波段的能量,考虑到植被对红光波段的高吸收，绿色植物对红光波段的吸收量越大所得的生物量也会越大，建立红光波段与大豆生物量的回归方程可以有效的预测大豆的生物量。

但是由于大豆不同品种间的生育期不一致，对于生育期相对一致的品种间预测效果较好；而对于生育期不一致的品种进行预测的话，在测量的时间相同的条件下品种间的生育期不一致，可能会导致预测的效果不好。

本次试验数据测量的次数和样本少N=21，而且没有建立相关对照试验。

因此所得出的方程仅供预测参考。

___[1]崔世友,喻德跃.大豆产量改良中生物量、收获指数的研究及展望[J].大豆科学,xx，25

（1）:

67-72[2]孙贵荒,刘晓丽,董丽杰等.高产大豆干物质积累与产量关系的研究[J].大豆科学,xx，21（3）:

199-202[3]张子仪,陈学秀.近红外光谱分析技术[M].**:

中国农业出版社,1992,1-67[4]孟兆芳,张玺,陈峥.近红外光谱分析技术在豆粕豆质分析中的应用[J]**农业科学,xx，8（4）：

30-33[5]李书英,韩建国.近红外光谱技术在高尔夫草坪管理中的应用[J].光谱学与光谱分析,xx，7（28）:

1539-1543[6]近姚鑫淼,张瑞英,李霞辉等.红外透射光谱法（NITS）分析大豆品质的研究[J].大豆科学,xx，25（4）:

417-419.[7]乔红波,蒋金炜,程登发等.烟蚜为害特征的高光谱比较[J].昆虫知识,xx，44

（1）:

57-59[8]宋开山,张柏,李方,等.高光谱反射率与大豆叶___及地上生物量的相关分析[J].农业工程学报,xx,21

（1）:

36-40.[10]LotschA,TianY,FriedlMA,etal.Landcover___ppinginsupportofLAIandFPARretrievalsfromEOS-MODISandMISR:

classificationmethodsandsensitivitiestoerrors[J].IntJRemoteSensinng,xx,24（10）.[11]DawsonTP,NorthPRJ,PlummerSE,etal.Forestecosystemchlorophyllcontent:

implicationsforremotelysensedesti___tesofpri___ryproductivity[J].IntJRemoteSensing,xx,24（3）:

611-617.致谢:

本文是在黄中文老师的悉心指导下完成的，黄老师有着渊博的知识和丰富的经验，在统计、英语、讲课和电脑方面有很扎实的基础，而且严谨的治学态度和一丝不苟的科研精神也激励着我，对我以后的工作和学习产生深远的影响。

同时受到贾轩、杨新涛、司磊、苗子瑞、宋晨曦和郝林芳同学的热心帮助和大力支持，在此一并表示衷心的感谢！

模板,内容仅供参考