基于作物生長監測診斷儀的雙季稻葉干重監測模型

李艷大 曹中盛 舒時富 孫濱峰 葉 春 黃俊寶 朱 艷 田永超

基于作物生長監測診斷儀的雙季稻葉干重監測模型

李艷大1,*曹中盛1舒時富1孫濱峰1葉 春1黃俊寶1朱 艷2田永超2

1江西省農業科學院農業工程研究所 / 江西省智能農機裝備工程研究中心 / 江西省農業信息化工程技術研究中心, 江西南昌 330200;2南京農業大學 / 國家信息農業工程技術中心, 江蘇南京 210095

本文旨在驗證作物生長監測診斷儀(crop growth monitoring and diagnosis apparatus, CGMD)監測雙季稻長勢指標的準確性, 建立基于CGMD的雙季稻葉干重監測模型。通過實施8個不同早、晚稻品種和4個施氮水平的小區試驗, 采用CGMD獲取從分蘗期至灌漿期的冠層歸一化植被指數(normalized difference vegetation index, NDVI)、差值植被指數(differential vegetation index, DVI)和比值植被指數(ratio vegetation index, RVI), 同步采用高光譜儀(analytical spectral devices field-spec handheld 2, ASD FH2)獲取冠層光譜反射率計算NDVI、DVI和RVI; 分析2種光譜儀獲取的植被指數間的相關關系, 驗證CGMD的測量精度, 建立基于CGMD的葉干重監測模型, 并用獨立試驗數據對模型進行檢驗。結果表明: 早、晚稻葉干重隨施氮水平的增加而增大, 隨生育進程的推進呈“低—高—低”動態變化趨勢; CGMD與ASD FH2獲取的NDVI、DVI和RVI呈極顯著相關, 相關系數(correlation coefficient,)分別為0.9535~0.9972、0.9099~0.9948和0.9298~0.9926, 表明2種光譜儀獲取的植被指數具有高度的一致性, CGMD可替代價格昂貴的ASD FH2獲取NDVI、DVI和RVI。CGMD獲取的3個植被指數相比, RVICGMD與葉干重的相關性最高; 基于RVICGMD的冪函數模型可準確地監測葉干重, 模型建立的決定系數(determination coefficient,2)為0.8604~0.9216, 模型檢驗的均方根誤差(root mean square error, RMSE)、相對均方根誤差(relative root mean square error, RRMSE)和分別為12.97~17.87 g m–2、4.88%~16.79%和0.9951~0.9992。與人工采樣測定葉干重相比, 利用CGMD可實時準確地獲取雙季稻葉干重動態變化, 在雙季稻長勢精確診斷和豐產高效栽培中具有應用價值。

雙季稻; 葉干重; 作物生長監測診斷儀; 植被指數; 監測模型

水稻是中國最重要的糧食作物之一, 其產量和面積的豐缺將直接影響國家糧食安全與社會穩定。江西是中國水稻主產省, 水稻總產約200億千克, 種植面積約340萬公頃, 均居全國第三, 其中雙季稻占比約89%, 居全國之首[1-2], 發展江西雙季稻生產對國家糧食安全具有重要的保障作用。葉干重(leaf dry weight, LDW)是表征作物長勢狀況和群體質量優劣的重要指標, 對作物光合作用、物質生產和產量形成具有重要作用[3-4]。因此, 實時定量監測葉干重的動態變化對于作物田間精確管理及豐產高效栽培具有重要的意義[5]。

作物葉干重的常規測量方法需要進行田間破壞性取樣和室內烘干稱量, 雖然結果準確可靠, 但費時耗力、時效性差, 不能滿足作物生長實時無損監測診斷需求[6-7]。近年來, 具有實時、無損、快速和準確等優點的光譜遙感技術發展迅速, 廣泛應用于作物長勢、養分、水分、病蟲害和產量等生長指標的定量監測[8-12]。許多學者采用光譜信息量大、測量精度高的便攜式高光譜儀和無人機載高光譜儀提取作物生長指標的特征光譜波段, 建立基于不同高光譜植被指數的作物生物量、葉面積指數、葉綠素和葉片氮累積量等監測模型[13-16], 為作物生長指標的實時無損獲取及田間精確管理提供了新的技術手段。但便攜式高光譜儀和無人機載高光譜儀測量操作繁瑣、價格昂貴及數據處理復雜, 導致其在生產中推廣應用可行性不強。因此, 許多學者研發了基于不同植被指數和不同特征光譜波段的便攜式多光譜儀[17-21], 可實時準確的獲取作物長勢和氮素營養指標等信息, 具有操作簡便、價格適中及良好的推廣應用價值。

許多學者利用便攜式作物生長監測診斷儀[20](crop growth monitoring and diagnosis apparatus, CGMD)建立了玉米葉面積指數和莖粗[22-23]、小麥葉面積指數和葉干重[24]等長勢指標光譜監測模型, 具有一定的實用價值, 但因研究對象不同, 以及作物葉干重和冠層光譜信息受不同生育時期冠層結構、栽培管理措施和生態區域等因素的影響, 導致構建的監測模型形式、模型參數及適用性等均存在一定差異, 需要進行本地化建模和驗證完善, 進而提高監測模型的預測精度和可靠性。雙季稻生產季節緊、用工多、區域性強, 實時無損獲取葉干重等長勢指標信息對雙季稻精確診斷與省工節本生產具有重要的現實意義。目前基于CGMD的雙季稻葉干重定量監測的研究鮮有報道。為此, 本文以雙季稻為研究對象, 通過實施不同品種、施氮水平和生態點的田間小區試驗, 采用CGMD和高光譜儀(analytical spectral devices field-spec handheld 2, ASD FH2)同步獲取不同生育時期雙季稻的冠層植被指數與葉干重, 比較分析2種光譜儀獲取的冠層植被指數間的相關關系, 建立基于CGMD的雙季稻不同生育時期葉干重監測模型, 旨在為雙季稻長勢實時精確診斷和豐產高效栽培提供理論基礎與技術支持。

1 材料與方法

1.1 試驗設計

試驗I: 于2016年和2017年3月至11月在江西省南昌市南昌縣, 開展不同早、晚稻品種和施氮水平的小區試驗。試驗田耕作層土壤含有機質26.50 g kg–1、全氮1.98 g kg–1、堿解氮145.60 mg kg–1、速效磷18.50 mg kg–1和速效鉀100.85 mg kg–1。采用裂區設計, 主區為品種, 副區為氮肥。早、晚稻均設2個品種和4個施氮水平, 株行距14 cm×24 cm, 3本移栽, 南北行向, 小區間以埂相隔, 獨立排灌, 小區面積35 m2, 3次重復。早稻4個施氮水平分別為純氮0、75、150和225 kg hm–2(分別記為N0、N1、N2和N3), 供試早稻品種為“中嘉早17”(記為C1)和“潭兩優83”(記為C2), 3月23日播種, 4月22日移栽, 7月21日收獲。晚稻4個施氮水平分別為純氮0、90、180和270 kg hm–2(分別記為N0、N1、N2和N3), 供試晚稻品種為“天優華占”(記為C3)和“岳優9113”(記為C4), 6月25日播種, 7月24日移栽, 10月28日收獲。早、晚稻各小區的鉀肥和磷肥施用量一致, 分別采用氯化鉀和鈣鎂磷肥, 用量分別為150 kg hm–2(K2O)和75 kg hm–2(P2O5); 氮肥采用尿素。氮肥和鉀肥均按基肥40%、分蘗肥30%和穗肥30%施用, 磷肥作基肥一次施用。其他栽培措施與當地高產栽培一致。

試驗II: 于2017年3月至11月在江西省吉安市新干縣, 開展不同早、晚稻品種和施氮水平的小區試驗。試驗田耕作層土壤含有機質25.50 g kg–1、全氮1.78 g kg–1、堿解氮135.50 mg kg–1、速效磷15.40 mg kg–1和速效鉀95.55 mg kg–1。采用裂區設計, 主區為品種, 副區為氮肥。早、晚稻均設2個品種和4個施氮水平。供試早稻品種為“株兩優1號”(記為C5)和“淦鑫203”(記為C6), 3月25日播種, 4月24日移栽, 7月17日收獲。供試晚稻品種為“五豐優T025”(記為C7)和“泰優398”(記為C8), 7月1日播種, 7月30日移栽, 10月28日收獲。早、晚稻4個施氮水平、株行距、行向、小區面積、重復數、氮磷鉀肥類型和用量均與試驗I相同。其他栽培措施與當地高產栽培一致。

1.2 測定項目與方法

1.2.1 ASD FH2植被指數測定 利用美國生產的ASDFH2高光譜儀(analytical spectral devices field-spec handheld 2), 具體參數為: 波長范圍325~1075 nm, 視場角25°, 采樣間隔1.4 nm, 分辨率3 nm。于分蘗期、拔節期、孕穗期、抽穗期和灌漿期, 選擇晴朗、微風或無風天氣測定每個小區的冠層光譜反射率, 測量時間為10:00—14:00。測量時探頭垂直向下, 距離冠層1 m, 每個小區測定前使用標準白板進行校正, 每個小區測量3個點, 每點記錄5個采樣光譜, 取平均值作為該小區測量值。測定后的光譜分辨率經儀器自帶軟件重采樣為1 nm, 提取810 nm和720 nm波段光譜反射率值, 計算歸一化植被指數(normalized difference vegetation index, NDVI)、差值植被指數(differential vegetation index, DVI)和比值植被指數(ratio vegetation index, RVI), 計算方法如下:

NDVIASD=(810–720)/(810+720) (1)

DVIASD=810–720(2)

RVIASD=810/720(3)

式中, NDVIASD、DVIASD和RVIASD分別為ASDFH2測量計算的NDVI、DVI和RVI;810和720分別為810 nm和720 nm波段光譜反射率。

1.2.2 CGMD植被指數測定 與ASDFH2植被指數測定同步, 利用南京農業大學研發的作物生長監測診斷儀[20](記為CGMD), 具體參數為: 有810 nm和720 nm 2個波段, 視場角27°。測定值包括NDVI、DVI和RVI (分別記為NDVICGMD、DVICGMD和RVICGMD)。測量時探頭垂直向下, 距離冠層1 m, 各小區觀測3個點, 每個點重復測量5次, 取平均值作為該小區測量值。

1.2.3 葉干重測定 與ASDFH2植被指數測定同步, 通過測定株高和莖蘗數等方式, 在每個小區取樣長勢一致的代表性稻株4株, 根據植株器官發育情況, 將樣品植株分離為葉、莖鞘和穗, 在105℃殺青30 min, 80℃烘干48 h至恒重, 將各器官分別稱量, 根據密度計算單位土地面積上的葉干重(LDW, g m–2)。

1.3 數據處理分析及模型建立與檢驗

Microsoft Excel 2010進行數據整理, 利用SAS 8.0軟件進行相關分析和方差分析; 利用ViewSpec Pro軟件對ASD FH2獲取的冠層光譜反射率進行預處理。對2016年和2017年的試驗數據進行差異顯著性分析表明, 2年試驗數據差異不顯著, 試驗結果趨勢相同。因此, 圖1和表1僅列出試驗I的2017年數據。試驗I的2016年觀測數據用于葉干重監測模型的建立, 試驗I和試驗II的2017年觀測數據用于監測模型的檢驗。以植被指數為自變量、葉干重為因變量, 利用Microsoft Excel 2010軟件將植被指數與葉干重分別進行指數、線性、冪函數、對數和多項式擬合分析, 篩選建立相關性最高的LDW監測模型。采用國際上常用的均方根誤差(root mean square error, RMSE)、相對均方根誤差(relative root mean square error, RRMSE)和相關系數(correlation coefficient,) 3個指標來評價模型的監測精度和可靠性, 并繪制觀測值和預測值間的1∶1關系圖直觀顯示模型擬合度和預測效果。RMSE、RRMSE和的計算方法如下:

2 結果與分析

2.1 早、晚稻葉干重的變化特征

由圖1可知, 施氮水平對早、晚稻葉干重均有顯著影響。不同生育期早、晚稻品種的葉干重均隨施氮水平的增加而增大, 同一品種不同施氮水平間差異顯著。如早稻品種“中嘉早17”(C1)拔節期N0、N1、N2和N3的葉干重分別為99.14、148.11、181.04和215.65 g m–2。N0處理由于不施氮肥, 葉干重較小, 不利于光合產物的積累; 而N3處理的葉干重均顯著高于其他處理, 因施氮量偏高, 易導致營養生長期延長及貪青晚熟。在同一施氮水平下, 早、晚稻品種的葉干重均隨生育進程的推進呈“低—高—低”的動態變化趨勢, 即在生長前期(分蘗期至拔節期)較低, 中期(孕穗期)達到最大值, 后期(抽穗期至灌漿期)逐漸降低。如晚稻品種“岳優9113”(C4) N2處理分蘗期、拔節期、孕穗期、抽穗期和灌漿期的葉干重分別為119.48、232.86、307.30、260.83和232.12 g m–2。

2.2 早、晚稻CGMD植被指數與ASD FH2植被指數間的相關關系

由表1可知, CGMD與ASD FH2 2種光譜儀測定的不同生育期早、晚稻植被指數NDVI、DVI和RVI間差異不顯著,測驗所得統計概率值均大于0.05 (表1); 不同生育期CGMD測定的NDVICGMD、DVICGMD、RVICGMD分別與ASD FH2測定的NDVIASD、DVIASD、RVIASD間均達極顯著相關, 早、晚稻不同生育期NDVI、DVI和RVI的相關系數分別介于0.9535~0.9972、0.9099~0.9948和0.9298~0.9926。表明CGMD與ASD FH2測定的早、晚稻植被指數具有高度的一致性, CGMD具有較高的測量精度, 可替代價格昂貴的ASD FH2高光譜儀獲取早、晚稻植被指數NDVI、DVI和RVI。

表1 不同生育期早、晚稻CGMD植被指數與ASD FH2植被指數間的差異顯著性概率P和相關關系

NDVI: 歸一化植被指數; DVI: 差值植被指數; RVI: 比值植被指數;**表示在0.01水平上顯著相關。

NDVI: normalized difference vegetation index; DVI: differential vegetation index: RVI: ratio vegetation index;**indicates significantly correlation at the 0.01 probability level.

TS: 分蘗期; JS: 拔節期; BS: 孕穗期; HS: 抽穗期; FS: 灌漿期。C1: 中嘉早17; C2: 潭兩優83; C3: 天優華占; C4: 岳優9113。N0: 0 kg hm–2; N1: 早稻75 kg hm–2, 晚稻90 kg hm–2; N2: 早稻150 kg hm–2, 晚稻180 kg hm–2; N3: 早稻225 kg hm–2, 晚稻270 kg hm–2。

TS: tillering stage; JS: jointing stage; BS: booting stage; HS: heading stage; FS: filling stage. C1: Zhongjiazao 17; C2: Tanliangyou 83; C3: Tianyouhuazhan; C4: Yueyou 9113. N0: 0 kg hm–2; N1: 75 kg hm–2in early rice, 90 kg hm–2in late rice; N2: 150 kg hm–2in early rice, 180 kg hm–2in late rice; N3: 225 kg hm–2in early rice, 270 kg hm–2in late rice.

表2 基于CGMD植被指數的不同生育期早、晚稻葉干重監測模型

LDW: 葉干重。縮略詞同表1。

LDW: leaf dry weight. Abbreviations are the same as those given in Table 1.

2.3 早、晚稻葉干重監測模型的建立

由表2可知, 早、晚稻NDVICGMD與LDW相關性最高的模型為指數模型, 模型決定系數(2)為0.8235~0.8932; 早、晚稻DVICGMD與LDW相關性最高的模型為線性模型, 模型2為0.8162~ 0.8445; 早、晚稻RVICGMD與LDW相關性最高的模型為冪函數模型, 模型2為0.8604~0.9216; NDVICGMD、DVICGMD和RVICGMD3個植被指數相比, RVICGMD與LDW的擬合模型2值更大, 說明兩者相關性更高。

ER: 早稻; LR: 晚稻; 縮略詞同圖1。

ER: early rice; LR: late rice; Abbreviations are the same as those given in Fig. 1.

2.4 早、晚稻葉干重監測模型的檢驗

由圖2可知, 早、晚稻不同生育期的監測模型對葉干重的預測效果好。早、晚稻不同生育期的葉干重觀測值和預測值之間具有一致性, 基于RVICGMD的冪函數模型預測早、晚稻不同生育期葉干重的RMSE、RRMSE和分別為12.97~17.87 g m–2、4.88%~16.79%和0.9951~0.9992。

3 討論

本研究基于不同早、晚稻品種和施氮水平的田間小區試驗, 采用CGMD和ASD FH2兩種光譜儀獲取不同生育期的冠層植被指數和葉干重數據, 比較分析了2種光譜儀獲取的植被指數間的相關關系。結果表明, 早、晚稻的LDW隨施氮水平的增加而增大, 隨生育進程的推進呈“低—高—低”動態變化趨勢, 這與前人研究結論一致[4]。這是由于在生育前期主要以營養生長為主, 隨著施氮水平的增加, 早、晚稻植株大量吸收氮肥, LDW逐漸增大, 孕穗期之后下部葉片開始衰亡及養分開始向籽粒轉運, LDW逐漸減小。說明不同施氮量對雙季稻LDW具有顯著的調控作用, 進而影響葉片對光能的吸收利用和光合生產。因此, 氮肥的科學合理施用對定向調控合理的冠層結構十分重要。

近年來, 具有實時、無損和準確的高光譜技術廣泛應用于作物長勢和養分等生長指標的定量監測中[25–27]。高光譜儀具有光譜信息量大、精度高和波段帶寬小等優勢, 可快速精確監測作物生長指標動態變化特征, 但其價格貴、數據獲取與分析處理繁瑣, 在實際生產應用中具有一定的局限性。本研究分析了國產多光譜儀CGMD和美國進口高光譜儀ASD FH2獲取的早、晚稻不同處理冠層植被指數間的相關關系, 結果表明, 2種光譜儀測定的NDVI、DVI和RVI間差異不顯著; 進一步將2種光譜儀測定的NDVI、DVI和RVI進行相關分析表明, 2種光譜儀測定的NDVI、DVI和RVI間均達極顯著相關, 早、晚稻不同生育期NDVI、DVI和RVI的相關系數分別為0.9535~0.9972、0.9099~0.9948和0.9298~ 0.9926。說明CGMD與ASD FH2測定的植被指數具有高度的一致性, CGMD具有較高的測量精度, 可替代價格昂貴的ASD FH2高光譜儀測定早、晚稻植被指數NDVI、DVI和RVI, 這與前人研究結論相似[23]。

本研究采用CGMD多光譜儀獲取不同品種和不同施氮水平的試驗數據, 建立了基于NDVICGMD、DVICGMD和RVICGMD的早、晚稻LDW監測模型, 并用獨立試驗數據對模型進行了檢驗。結果表明, NDVICGMD與LDW相關性最高的模型為指數模型, DVICGMD與LDW相關性最高的模型為線性模型, RVICGMD與LDW相關性最高的模型為冪函數模型, 克服了前人研究[13,24]只進行線性擬合分析的不足。CGMD獲取的3個植被指數相比, RVICGMD與LDW的相關性最高; 基于RVICGMD的LDW監測模型的2為0.8604~0.9216, 模型檢驗的RMSE、RRMSE和分別為12.97~17.87 g m–2、4.88%~16.79%和0.9951~0.9992, 比前人采用RVI(810, 560)對小麥LDW的監測精度更高[4]。說明基于CGMD植被指數能快速準確的反演早、晚稻的LDW, 建立的LDW監測模型具有計算方便和準確實用等優點, 是對前人研究[20]在江西雙季稻區的本地化應用, 具有推廣應用價值。此外, 與傳統人工采樣測定LDW相比, 本研究利用基于RVICGMD的LDW監測模型, 可快速準確的計算不同生育期的雙季稻LDW, 克服傳統人工采樣測定法費時耗力、取樣誤差大的缺點。

當然, 本研究僅利用有限的試驗數據對雙季稻LDW監測模型進行了檢驗, 且植被指數因品種類型、栽培措施和生態區域等不同而有所差異, 從而可能導致建立的LDW監測模型的準確性和適用性不廣泛。因此, 今后需進一步通過采集不同雙季稻區、不同年份和不同處理的試驗數據對模型進行校正完善, 以提高監測模型的可靠性, 從而推動作物精確管理技術在雙季稻區的推廣應用。

4 結論

作物生長監測診斷儀(CGMD)和高光譜儀(ASD FH2)獲取的植被指數差異不顯著, 具有高度的一致性。CGMD獲取的3個植被指數相比, RVICGMD與葉干重的相關性最高; 基于RVICGMD的冪函數模型可較準確地監測雙季稻葉干重。與傳統人工采樣法相比, 利用CGMD可實時準確地獲取雙季稻葉干重信息, 在雙季稻豐產高效栽培中具有推廣應用價值。

[1] 李艷大, 舒時富, 陳立才, 葉春, 黃俊寶, 孫濱峰, 王康軍, 曹中盛. 基于便攜式作物生長監測診斷儀的江西雙季稻氮肥調控研究. 農業工程學報, 2019, 35(2): 100–106.

Li Y D, Shu S F, Chen L C, Ye C, Huang J B, Sun B F, Wang K J, Cao Z S. Regulation of nitrogen fertilizer based on portable apparatus for crop growth monitoring and diagnosis in Jiangxi double cropping rice., 2019, 35(2): 100–106 (in Chinese with English abstract).

[2] 黃慶海, 李大明, 柳開樓, 丁小滿, 葉會財, 胡志華, 余喜初, 胡秋萍, 胡惠文, 徐小林. 江西水稻清潔生產理論與技術實踐. 江西農業學報, 2020, 32(1): 7–12.

Huang Q H, Li D M, Liu K L, Ding X M, Ye H C, Hu Z H, Yu X C, Hu Q P, Hu H W, Xu X L. Theory and technical practice of clean production in double-cropping rice in Jiangxi province., 2020, 32(1): 7–12 (in Chinese with English abstract).

[3] 吳芳, 李映雪, 張緣園, 張雪紅, 鄒曉晨. 基于機器學習算法的冬小麥不同生育時期生物量高光譜估算. 麥類作物學報, 2019, 39: 217–224.

Wu F, Li Y X, Zhang Y Y, Zhang X H, Zou X C. Hyperspectral estimation of biomass of winter wheat at different growth stages based on machine learning algorithms., 2019, 39: 217–224 (in Chinese with English abstract).

[4] 馮偉, 朱艷, 姚霞, 田永超, 曹衛星. 基于高光譜遙感的小麥葉干重和葉面積指數監測. 植物生態學報, 2009, 33: 34–44.

Feng W, Zhu Y, Yao X, Tian Y C, Cao W X. Monitoring leaf dry weight and leaf area index in wheat with hyperspectral remote sensing., 2009, 33: 34–44 (in Chinese with English abstract).

[5] 付元元, 王紀華, 楊貴軍, 宋曉宇, 徐新剛, 馮海寬. 應用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算. 光譜學與光譜分析, 2013, 33: 1315–1319.

Fu Y Y, Wang J H, Yang G J, Song X Y, Xu X G, Feng H K. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements., 2013, 33: 1315–1319 (in Chinese with English abstract).

[6] Walter J, Edwards J, McDonald G, Kuchel H. Photogrammetry for the estimation of wheat biomass and harvest index., 2018, 216: 165–174.

[7] 馬浚誠, 劉紅杰, 鄭飛翔, 杜克明, 張領先, 胡新, 孫忠富. 基于可見光圖像和卷積神經網絡的冬小麥苗期長勢參數估算. 農業工程學報, 2019, 35(5): 183–189.

Ma J C, Liu H J, Zheng F X, Du K M, Zhang L X, Hu X, Sun Z F. Estimating growth related traits of winter wheat at seedling stages based on RGB images and convolutional neural network., 2019, 35(5): 183–189 (in Chinese with English abstract).

[8] Cheng T, Yang Z W, Inoue Y, Zhu Y, Cao W X. Preface: recent advances in remote sensing for crop growth monitoring., 2016, 8: 116.

[9] Prey L, Schmidhalter U. Sensitivity of vegetation indices for estimating vegetative N status in winter wheat., 2019, 19: 3712.

[10] Zhang L Y, Zhang H H, Niu Y X, Han W T. Mapping maize water stress based on UAV multispectral remote sensing., 2019, 11: 605.

[11] Shi Y, Huang W J, Luo J H, Huang L S, Zhou X F. Detection and discrimination of pests and diseases in winter wheat based on spectral indices and kernel discriminant analysis., 2017, 141: 171–180.

[12] Zhang K, Ge X K, Shen P C, Li W Y, Liu X J, Cao Q, Zhu Y, Cao W X, Tian Y C. Predicting rice grain yield based on dynamic changes in vegetation indexes during early to mid-growth stages., 2019, 11: 387.

[13] 賀佳, 劉冰峰, 郭燕, 王來剛, 鄭國清, 李軍. 冬小麥生物量高光譜遙感監測模型研究. 植物營養與肥料學報, 2017, 23: 313–323.

He J, Liu B F, Guo Y, Wang L G, Zheng G Q, Li J. Biomass estimation model of winter wheat (L.) using hyperspectral reflectances., 2017, 23: 313–323 (in Chinese with English abstract).

[14] 韓康, 于靜, 石曉華, 崔石新, 樊明壽. 不同光譜指數反演馬鈴薯葉片氮累積量的研究. 作物學報, 2020, 46: 1979–1990.

Han K, Yu J, Shi X H, Cui S X, Fan M S. Inversion of nitrogen accumulation in potato leaf with different spectral indices., 2020, 46: 1979–1990 (in Chinese with English abstract).

[15] Zou X B, Shi J Y, Hao L M, Zhao J W, Mao H P, Chen Z W, Li Y X, Holmes M.noninvasive detection of chlorophyll distribution in cucumber () leaves by indices based on hyperspectral imaging., 2011, 706: 105–112.

[16] 高林, 楊貴軍, 李長春, 馮海寬, 徐波, 王磊, 董錦繪, 付奎. 基于光譜特征與PLSR結合的葉面積指數擬合方法的無人機畫幅高光譜遙感應用. 作物學報, 2017, 43: 549–557.

Gao L, Yang G J, Li C C, Feng H K, Xu B, Wang L, Dong J H, Fu K. Application of an improved method in retrieving leaf area index combined spectral index with PLSR in hyperspectral data generated by unmanned aerial vehicle snapshot camera., 2017, 43: 549–557 (in Chinese with English abstract).

[17] 鄭文剛, 孫剛, 申長軍, 黃文江, 周建軍. 可見-近紅外作物氮素光電測量儀開發. 農業工程學報, 2010, 26(3): 178–182.

Zheng W G, Sun G, Shen C J, Huang W J, Zhou J J. Development of a visible-infrared photoelectric instrument for measuring crop nitrogen., 2010, 26(3): 178–182 (in Chinese with English abstract).

[18] 李修華, 李民贊, 崔笛, 苗宇新. 基于雙波段作物長勢分析儀的東北水稻長勢監測. 農業工程學報, 2011, 27(8): 206–210.

Li X H, Li M Z, Cui D, Miao Y X. Monitoring of rice plant growth in Northeast China using dual-wavebands crop growth analyzer., 2011, 27(8): 206–210 (in Chinese with English abstract).

[19] Klaus E, Bodo M, Urs S. Comparison of active and passive spectral sensors in discriminating biomass parameters and nitrogen status in wheat cultivars., 2011, 124: 74–84.

[20] 倪軍, 姚霞, 田永超, 曹衛星, 朱艷. 便攜式作物生長監測診斷儀的設計與試驗. 農業工程學報, 2013, 29(6): 150–156.

Ni J, Yao X, Tian Y C, Cao W X, Zhu Y. Design and experiments of portable apparatus for plant growth monitoring and diagnosis., 2013, 29(6): 150–156 (in Chinese with English abstract).

[21] Kipp S, Mistele B, Schmidhalter U. The performance of active spectral reflectance sensors as influenced by measuring distance, device temperature and light intensity., 2014, 100: 24–33.

[22] Chen Q C, Zhang Z L, Liu P F, Wang X M, Jiang F. Monitoring of growth parameters of sweet corn using CGMD302 spectrometer., 2015, 16: 364–368.

[23] 賀佳, 郭燕, 王利軍, 張彥, 趙犇, 王來剛. 基于作物生長監測診斷儀的玉米LAI監測模型研究. 農業機械學報, 2019, 50(12): 187–194.

He J, Guo Y, Wang L J, Zhang Y, Zhao B, Wang L G. Monitor model of corn leaf area index based on CGMD-402., 2019, 50(12): 187–194 (in Chinese with English abstract).

[24] 周曉楠, 黃正來, 張文靜, 馬尚宇. 基于雙波段光譜儀CGMD-302 的小麥葉面積指數和葉干重監測. 中國農業大學學報, 2017, 22(1): 102–111.

Zhou X N, Huang Z L, Zhang W J, Ma S Y. Monitoring leaf area index and leaf dry weight of winter wheat with dual-wavebands spectrometer CGMD-302., 2017, 22(1): 102–111 (in Chinese with English abstract).

[25] 陶惠林, 徐良驥, 馮海寬, 楊貴軍, 苗夢珂, 林博文. 基于無人機高光譜長勢指標的冬小麥長勢監測. 農業機械學報, 2020, 51(2): 180–191.

Tao H L, Xu L J, Feng H K, Yang G J, Miao M K, Lin B W. Monitoring of winter wheat growth based on UAV hyperspectral growth index., 2020, 51(2): 180–191 (in Chinese with English abstract).

[26] He J Y, Zhang X B, Guo W T, Pan Y Y, Yao Y, Cheng T, Zhu Y, Cao W X, Tian Y C. Estimation of vertical leaf nitrogen distribution within a rice canopy based on hyperspectral data., 2020, 10: 1–15.

[27] Guo B B, Zhu Y J, Feng W, He L, Wu Y P, Zhou Y, Ren X X, Ma Y. Remotely estimating aerial N uptake in winter wheat using red-edge area index from multi-angular hyperspectral data., 2018, 9: 1–14.

Model for monitoring leaf dry weight of double cropping rice based on crop growth monitoring and diagnosis apparatus

LI Yan-Da1,*, CAO Zhong-Sheng1, SHU Shi-Fu1, SUN Bin-Feng1, YE Chun1, HUANG Jun-Bao1, ZHU Yan2, and TIAN Yong-Chao2

1Institute of Agricultural Engineering, Jiangxi Academy of Agricultural Sciences / Jiangxi Province Engineering Research Center of Intelligent Agricultural Machinery Equipment / Jiangxi Province Engineering Research Center of Information Technology in Agriculture, Nanchang 330200, Jiangxi, China;2Nanjing Agricultural University / National Engineering and Technology Center for Information Agriculture, Nanjing 210095, Jiangsu, China

The quantitative, convenient and non-destructive monitoring of leaf dry weight (LDW) is critical for precise management in double cropping rice production. The objective of this study is to verify the accuracy of crop growth monitoring and diagnosis apparatus (CGMD, a passive multi-spectral sensor containing 810 nm and 720 nm wavelengths) in monitoring growth index of double cropping rice, and establish the model for monitoring LDW of double cropping rice based on CGMD. Plot experiments were conducted in Jiangxi province in 2016 and 2017, including eight early and late rice cultivars and four nitrogen application rates. The normalized difference vegetation index (NDVI), differential vegetation index (DVI), and ratio vegetation index (RVI) were measured at tillering, jointing, booting, heading and filling stages with two spectrometers, CGMD and analytical spectral devices field-spec handheld 2 (ASD FH2, a passive hyper-spectral sensor containing 325 nm to 1075 nm wavelengths). In order to verify the measurement precision of CGMD, the correlation relationship of vegetation indices between CGMD and ASD FH2 was analyzed. The LDW monitoring models of double cropping rice were established based on CGMD from an experimental dataset and then validated using an independent dataset involving different early and late rice cultivars and nitrogen application rates. The results indicated that the LDW of early and late rice were increased with the increase of nitrogen application rate at different growth stages, and exhibited “low–high–low” dynamic variation trend with early and late rice development progress. The NDVI, DVI, and RVI from CGMD and ASD FH2 were significantly correlation. The correlation coefficient () of NDVI, DVI, and RVI from CGMD and ASD FH2 were 0.9535–0.9972, 0.9099–0.9948, and 0.9298–0.9926, respectively. This result indicated that there was highly consistent of vegetation indices from CGMD and ASD FH2, and the CGMD could replace expensive ASD FH2 to measure NDVI, DVI and RVI. Compared with the three vegetation indices based on CGMD, the correlation between RVICGMDand LDW was the highest. The power function model based on RVICGMDcould accurate monitoring LDW with a determination coefficient (2) in the range of 0.8604–0.9216, the root mean square error (RMSE), relative root mean square error (RRMSE), andof model validation in the range of 12.97–17.87 g m–2, 4.88%–16.79%, and 0.9951–0.9992, respectively. Compared with the manual sampling measure LDW, CGMD method can timely and accurately measure the LDW dynamic variation of double cropping rice, which had a potential to be widely applied for growth precision diagnosis and high yield and high efficiency cultivation in double cropping rice production.

double cropping rice; leaf dry weight; crop growth monitoring and diagnosis apparatus; vegetation index; monitoring model

10.3724/SP.J.1006.2021.02077

本研究由國家重點研發計劃項目(2016YFD0300608), “萬人計劃”青年拔尖人才項目, 國家自然科學基金項目(31260293), 江西省科技計劃項目(20182BCB22015, 20202BBFL63044, 20192BBF60052), 江西省“雙千計劃”項目和江西省“遠航工程”項目資助。

This study was supported by the National Key Research and Development Program of China (2016YFD0300608), the National Program for Support of Top-notch Young Professionals, the National Natural Science Foundation of China (31260293), the Jiangxi Science and Techno-logy Program (20182BCB22015, 20202BBFL63044, 20192BBF60052), and the Jiangxi Province “Double Thousand Plan” Program, and the Jiangxi Voyage Project.

李艷大, E-mail: liyanda2008@126.com

2020-11-16;

2021-01-13;

2021-02-19.

URL: https://kns.cnki.net/kcms/detail/11.1809.S.20210219.1523.008.html