遥感技术与应用, 2019, 34(4): 766-774 doi: 10.11873/j.issn.1004-0323.2019.4.0766

作物信息提取专栏

不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析

周龙飞,1,2,3,4, 张云鹤5, 成枢4, 顾晓鹤,1,2,3, 杨贵军1,2,3, 孙乾1,2,3,4, 束美艳1,2,3,4

1. 农业部农业遥感机理与定量遥感重点实验室 北京农业信息技术研究中心, 北京 100097

2. 国家农业信息化工程技术研究中心,北京 100097

3. 北京市农业物联网工程技术研究中心,北京 100097

4. 山东科技大学测绘科学与工程学院,山东 青岛 266590

5. 北京农业智能装备技术研究中心,北京 100097

Analysis of Hyperspectral Response of Maize Leaf Area Index under Lodging Stress under Different Frowth Stages

Zhou Longfei,1,2,3,4, Zhang Yunhe5, Cheng Shu4, Gu Xiaohe,1,2,3, Yang Guijun1,2,3, Sun Qian1,2,3,4, Shu Meiyan1,2,3,4

1. Key Laboratory of Quantitative Remote Sensing in Agriculture of Ministry of Agriculture, Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China

2. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China

3. Beijing Engineering Research Center for Agriculture Internet of Things, Beijing 100097, China

4. College of Geomatics, Shandong University of Science and Technology, Qingdao 266590, China

5. Beijing Research Center of Intelligent Equipment for Agriculture, Beijing 100097, China

通讯作者: 顾晓鹤(1979-),男,江苏常州人,副研究员,博士,主要从事农业遥感相关研究。 E⁃mail:guxh@nercita.org.cn

收稿日期: 2019-01-21   修回日期: 2019-06-25   网络出版日期: 2019-09-19

基金资助: 国家自然科学基金项目.  41571323
国家自然科学基金项目.  41501481
北京市自然科学基金项目.  6172011
院创新能力建设专项.  KJCX20170705

Received: 2019-01-21   Revised: 2019-06-25   Online: 2019-09-19

作者简介 About authors

周龙飞(1995-),男,安徽界首人,硕士研究生,主要从事农业遥感相关研究E⁃mail:ZLF9510@163.com , E-mail:ZLF9510@163.com

摘要

为研究倒伏胁迫下不同生育期LAI高光谱响应模型,提高LAI高光谱响应模型精度,获取不同生育期倒伏玉米LAI与冠层光谱反射率,采用6种传统变换方式对高光谱反射率进行处理,构建不同生育期倒伏玉米LAI分期与统一响应模型。研究结果表明:LAI能够直接反映玉米受倒伏胁迫程度及自身恢复能力;传统光谱变换有利于提高光谱同LAI的敏感性及模型响应精度;不同生育期倒伏玉米LAI分期响应模型优于统一响应模型。该结果可有效诊断倒伏胁迫下的玉米叶面积指数,为实现不同生育期倒伏玉米长势精确监测提供理论依据和技术支撑,对玉米倒伏胁迫灾情监测可提供必要的先验知识。

关键词: 玉米 ; 倒伏胁迫 ; LAI ; 高光谱 ; 不同生育期

Abstract

In order to study the hyperspectral response model of LAI in different growth stages under lodging stress and improve the precision of LAI hyperspectral response model, LAI and canopy spectral reflectivity of lodging maize at different growth stages were obtained. Six traditional transformation methods were used to deal with hyperspectral reflectivity, and the LAI stages and unified response models of lodging maize at different growth stages were constructed. The traditional spectral transformation is beneficial to improve the sensitivity of spectrum and LAI and the precision of model response. The LAI stage response model of lodging maize at different growth stages was superior to the unified response model. LAI staging monitoring model of lodging in different growth stages is better than unified monitoring model. The results can effectively diagnose the maize leaf area index under lodging stress, provide theoretical basis and technical support for accurate monitoring of lodging growth in different growth stages, and provide necessary prior knowledge for maize lodging stress monitoring.

Keywords: Maize ; Lodging stress ; LAI ; Hyperspectral ; Different growth stages

PDF (8088KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

周龙飞, 张云鹤, 成枢, 顾晓鹤, 杨贵军, 孙乾, 束美艳. 不同生育期倒伏胁迫下玉米叶面积指数高光谱响应解析. 遥感技术与应用[J], 2019, 34(4): 766-774 doi:10.11873/j.issn.1004-0323.2019.4.0766

Zhou Longfei, Zhang Yunhe, Cheng Shu, Gu Xiaohe, Yang Guijun, Sun Qian, Shu Meiyan. Analysis of Hyperspectral Response of Maize Leaf Area Index under Lodging Stress under Different Frowth Stages. Remote Sensing Technology and Application[J], 2019, 34(4): 766-774 doi:10.11873/j.issn.1004-0323.2019.4.0766

1 引 言

叶面积指数(Leaf Area Index,LAI)是单位地表面积上植物叶单面面积的总和[1,2,3],是描述作物冠层结构及计算作物蒸散和干物质累计重要的生理参数,能够反映作物养分循环及健康状况[4,5]。玉米遭受倒伏胁迫后群体结构和形态产生较大改变,导致叶片光合作用降低[6,7,8],作物生长发育受到制约,同时倒伏玉米自身具有恢复能力,恢复能力同倒伏强度成反比。倒伏玉米LAI变化同恢复能力密切相关,准确反演倒伏胁迫下玉米LAI动态变化,对判断倒伏对作物生长状况影响具有重要意义。

关于LAI遥感方面估算方法前人多有研究。Liu等[9]对利用高光谱遥感技术估算作物LAI进行了全面深入的综述。Liang等[10]基于PROSAIL仿真数据集,分析了43种高光谱植被指数,提出一种混合反演方法估算作物LAI。辛明月等[11]通过高光谱数据形式与植被指数法建立水稻不同生育阶段叶面积指数估算模型,证实了分生育阶段建模的必要性。赵娟等[12]以冬小麦为研究对象,分析了冬小麦整个生育期和不同生长阶段选用不同植被指数反演冬小麦LAI的结果差异,构建了改善冬小麦LAI反演精度的分段监测模型。Feng等[13]分析了干旱胁迫下玉米冠层反射光谱和叶面积指数的关系。王立辉等[14]利用高分一号WFV数据计算植被指数,建立各植被指数与实测LAI模型,结果表明GF-1 WFV影像用于LAI遥感定量反演具有巨大潜力。黄楚荻等[15]分析了PROSAIL模型在利用WV-3遥感影像进行玉米田LAI反演方面具有较强的适用性,能够进行准确有效的大面积叶面积指数遥感反演。林岳峰等[16]以夏玉米为研究对象,针对单源数据经验模型估算精度较低等问题,提出联合Landsat8和Radarsat2影像构建叶面积指数估算模型。

目前,利用高光谱数据估测小麦[17]、水稻[18]和棉花[19]等作物的LAI多有研究,玉米LAI相关研究主要集中在正常生长状态,鲜有倒伏胁迫下玉米LAI相关研究。本文通过模拟玉米倒伏状态,区分不同生育时期特征,分析各生育期LAI及冠层反射率,采取传统光谱变换处理,筛选敏感波段,建立分期与统一LAI监测模型,证实基于传统光谱变换构建的LAI分段监测模型有效改善倒伏玉米LAI反演精度,以期为倒伏胁迫下玉米长势遥感监测提供理论基础。

2 数据和方法

2.1 试验材料及设计

试验于2015年在北京市昌平区小汤山国家精准农业示范研究基地开展(40°10′31″~40°11′18″N,116°26′10″~116°27′5″E)。该区域四季分明,属于典型暖温带半湿润半干旱季风气候,地势西北高、东南低,以褐土和潮土为主。地区年平均气温11.1~11.8 ℃,年平均日照时数2 676~2 684 h,年平均降雨量为626~650 mm,无霜期172~180 d,且全年昼夜温差较大。试验选用京华8号玉米作为供试品种,生育期为每年6月至10月。播种时土壤类型为壤土,播种行距70 cm,间距30 cm,播种密度约为4.8万株/hm2, 底肥为纯氮180 kg/hm2,不追肥。试验区在玉米生长期采取统一大田管理方式。

图1

图1   试验区地理位置

Fig.1   Geographical location of the study area


分别在玉米抽雄期(8月12日)和灌浆初期(9月8日)开展人工倒伏实验。在倒伏处理前进行大田灌溉处理,以模拟真实暴雨大风天气下倒伏情形。处理倒伏人员是具有多年田间经验的实验人员,植株倒伏方向同夏季暴风雨天气风向一致。倒伏类型设置3个,从强到弱依次为:根倒(GD)-主根断,半边须根未断,铺地型的倒伏;茎折(JS)-地上部20cm处折而未断;茎倒(JD)-植株从根部倾斜,与地面夹角45°。各生育期每类倒伏处理设置5个重复,另设3个对照小区(CK),共设置33个试验小区,每个实验小区面积为10 m×10 m,且相邻小区间设置隔离保护行。

图2

图2   抽雄期不同倒伏处理

Fig.2   Different lodging treatments at tasseling stage


图3

图3   灌浆期不同倒伏处理

Fig.3   Different lodging treatments at filling stage


2.2 试验数据获取

自玉米倒伏后第2天起开展连续观测,时间间隔为1周,包括LAI和冠层光谱等。抽雄期倒伏共观测6期,获取90个样本数据;灌浆期倒伏共观测3期,获取45个样本数据;对照组(CK) 获取18个样本数据。

表1   试验区样本LAI描述统计

Table 1  Description and statistics of LAI of samples

生育期采样小区个数样本数最大值最小值平均值标准差
抽雄期15906.371.752.990.75
灌浆期15453.692.142.980.37
对照组3183.562.483.070.31

新窗口打开| 下载CSV


2.2.1 冠层光谱反射率测量

倒伏玉米冠层光谱数据采用美国ASD Field-Spec Pro3 FR光谱仪测定,光谱范围350~2 500 nm,光谱采样间隔为1 nm。冠层反射率在晴朗无风天气测量,时间为当天10:00~14:00。观测时光谱探头保持垂直向下且距离玉米冠层顶部1.3~1.5 m,视场角25°。采集试验小区具有代表性的样本植株冠层数据,且保证每期测量的样本植株区基本一致,测量时重复测定10次,取其平均值作为该样本冠层反射率数据,每次测量前后均用标准白板校正。为避免大气中气体、水分、臭氧等非人为可控因素造成的噪声影响,研究只选取原始光谱中可见光和近红外波段分析,选取光谱波段范围为350~1 800 nm。原始光谱先用ViewSpec软件对冠层光谱反射率数据进行预处理,后采用海明窗低通滤波器进行平滑去噪,提高原始光谱数据信噪比。

2.2.2 叶面积指数测量

玉米冠层光谱反射率测量完成后,在倒伏小区采集具有代表性的玉米植株样品,取样后立即放入密封袋带回实验室,采用Montgomery法测量[20]采样玉米植株叶片长宽,LAI计算公式如下:

LAI=0.75(i=1naibi)/S

其中:0.75为转换系数,i、n依次为采样玉米第几片叶和总共叶片数,S为采样玉米占地面积。

2.3 数据分析方法

倒伏胁迫下玉米LAI光谱解析的主要流程包括:首先,分析不同生育期倒伏玉米LAI动态变化及冠层反射率变化趋势;其次,将抽雄期、灌浆期倒伏玉米LAI与光谱数据分别进行相关性分析,筛选敏感波段,利用最佳子集法优化敏感波段,基于偏最小二乘法建立不同生育期倒伏玉米分期诊断模型;再次,将各生育期倒伏玉米及正常对照组LAI与光谱数据统一进行相关性分析,建立各生育期倒伏玉米统一诊断模型;最后,随机选取2/3的野外实测样本量用于建模,剩余的1/3样本量用于验证,采用决定系数(R2)与均方根误差(RMSE)评价光谱响应模型精度。

3 结果与分析

3.1 不同生育期倒伏处理下LAI动态变化分析

玉米受到倒伏胁迫时,直接影响玉米冠层结构,严重导致玉米植株过早衰败[21],同时不同生育期倒伏的玉米植株具有不同的恢复能力,且倒伏的类型(茎倒、根倒、茎折)对自身恢复能力也存在较大影响,进而影响倒伏玉米LAI的动态变化,如图4所示。

图4

图4   不同生育期倒伏处理LAI动态变化

Fig.4   Dynamic changes of LAI in lodging treatment at different growth stages


图4可知:在同一生育期水平下,抽雄期除个别测量误差数据外,各倒伏处理随着倒伏强度的增加LAI逐渐降低,LAI整体表现为CK>JD>JS>GD;灌浆期各倒伏处理的玉米LAI随着时间推移均显示下降,LAI整体表现为CK>JD>GD>JS;倒伏胁迫下的LAI动态变化规律表明,抽雄期倒伏玉米恢复能力JD>JS>GD,灌浆期倒伏玉米恢复能力JD>GD>JS;9月8日至9月22日LAI变化可知,不同时期的同类型倒伏玉米,由于不同生育期玉米生理作用不同,植株自身的恢复能力也有所差异;相同类型倒伏的灌浆期LAI值大于抽雄期,说明进入灌浆期后,抽雄期倒伏玉米植株衰败速度大于灌浆期倒伏玉米植株,这是由于倒伏胁迫时间长短造成的。

3.2 不同生育期倒伏处理下冠层光谱反射率特性分析

玉米倒伏胁迫导致冠层结构发生改变,进而会影响冠层光谱反射率发生变化[22,23]。大量研究表明[24,25,26],高光谱遥感对于非胁迫状态下的作物LAI具有较强的诊断能力。同样,冠层光谱对于倒伏胁迫状态下的玉米LAI也具备较好的规律性变化,选取2016年9月16日采集冠层光谱反射率为例进行分析,如图5所示。

图5

图5   不同生育期倒伏处理冠层光谱反射率曲线

Fig.5   Spectral reflectance curve of canopy under lodging treatment at different growth stages


对比不同生育期倒伏玉米冠层光谱变化特征知:不同生育期各倒伏处理玉米冠层光谱反射率受自身形态、结构等变化,虽存在一些明显的特征差异,但仍具备植被冠层所特有的基本共性特征;不同生育期不同倒伏状态下的玉米冠层光谱反射率曲线在可见光波段(350~700 nm)较低,均具有“绿峰”、“红谷”现象;在近红外680~750 nm波段之间光谱反射率急剧上升形成“陡坡”,即植被反射率“红边”;与正常生长玉米相比,倒伏玉米光谱反射率存在一定的“蓝移”现象,且倒伏程度愈严重,蓝移现象愈明显;抽雄期各类型倒伏冠层光谱反射率表现为CK>JD>GD>JS,灌浆期各类型倒伏冠层光谱反射率表现为:GD>JS>JD>CK,这是由于受倒伏胁迫作用,玉米植株自身恢复能力不同造成的;与灌浆期冠层反射率相比,抽雄期各类型倒伏反射率值普遍小于灌浆期。

3.3 不同光谱变换与LAI相关性分析

图6为不同生育期原始光谱(R)及一阶微分(R)、弓曲差(Gqc)、倒数(1/R)、倒数微分(1/R)、对数(LogR)、对数微分(LogR)各变换与LAI的相关性系数。各生育期光谱在1 350~1 400 nm波段受水汽吸收带影响,相关系数均近于零;采用一阶微分变换后的光谱相比原始光谱,与LAI相关性有一定的提升,敏感波段范围有所改变,光谱敏感性增强,说明微分变换能够有效挖掘冠层光谱中的隐藏信息。

图6

图6   不同生育期光谱变换与LAI相关性

Fig.6   Correlation between spectral transformation and LAI in different growth stages


抽雄期LAI敏感波段主要集中在550~570 nm波段,相比原始光谱,除倒数、对数处理对LAI相关性无显著效果外,其余光谱变换与LAI敏感性较强区域增多。灌浆期原始光谱与LAI之间的相关性较差,大部分光谱变换形式与LAI的相关性有所提升。抽雄―灌浆期各光谱变换中,除倒数、对数同原始光谱相关性相似外,其余变换相关性及敏感波段范围均有所增加。

3.4 不同生育期LAI分期与统一诊断模型的拟合与验证

在相关性分析的基础上,选择相关系数较高的波段,利用Minitab软件最佳子集法筛选最优组合波段,采用偏最小二乘算法建立倒伏胁迫下的LAI分期诊断模型与统一诊断模型,选择拟合度较高的模型作为倒伏玉米LAI诊断的优选模型,结果见表2

表2   不同生育期LAI分期与统一监测模型拟合及验证

Table 2  Fitting and verification of LAI staging and unified monitoring model in different growth stages

生育期光谱变换形式模型建模验证
R2RMSER2RMSE

抽雄期

n=90

RY=1.9934+30.0297X570+17.1176X797-18.392X8470.510.500.430.89
RY=2+233394X1042+101434X829-851918X5920.490.610.490.93
GqcY=2.7-192.283X423-574.332X502-314.641X5530.520.490.470.93
1/RY=4.7513-0.0024X570+0.0633X747-0.0649X7970.450.530.470.72
(1/R)Y=4.086-8.54X569+784.645X1273-0.914X14130.570.470.500.87
LogRY=2.2922+3.5107X570-14.6405X747+12.5062X7970.530.490.460.86
(LogR)Y=2-30963X592-24036X632-148094X12730.380.640.530.64

灌浆期

n=45

RY=3.1042+75.934X514-63.8761X694-0.1667X13940.490.300.390.35
RY=2-1011768X488+346249X1291-293886X17010.530.500.480.64
GqcY=3.3918+19.2917X727+61.2472X910+38.5977X10020.330.340.310.26
1/RY=2.5971-0.0052X643+0.0087X698-0.0078X9270.450.310.200.28
(1/R)Y=2.887+34.149X471+209.1X959+45.732X17820.450.310.450.20
LogRY=3.5553+11.6392X646-13.6134X696+1.6202X9270.460.310.230.21
(LogR)Y=2.9-70874.4X488-24756.3X958-82671X17010.530.290.440.30

统一模型

n=153

RY=2.9377+16.4219X570+35.3918X922-40.4395X9970.380.490.340.54
RY=2-90260X529-503099X591-82177X9490.420.650.350.68
GqcY=2.347+276.833X637-10.516X713-22.254X7900.360.500.380.54
1/RY=3.3648-0.0007X570-0.0516X915+0.0501X9650.240.510.290.52
(1/R)Y=3.177-2.21X567+275.282X830+484.548X12730.380.490.360.52
LogRY=3.0063+1.2543X570+13.7051X916-14.6696X9660.310.510.350.50
(LogR)Y=3-31950X459-9256X560-12809X12740.410.510.360.53

新窗口打开| 下载CSV


表2可知,对于抽雄期倒伏,基于倒数微分变换的LAI诊断模型具有较好的拟合精度,建模R2和RMSE分别为0.57和0.47,验证R2和RMSE分别为0.50和0.87;对于灌浆期倒伏,基于对数微分变换的LAI诊断模型具有较好的拟合精度建模R2和RMSE分别为0.53和0.29,验证R2和RMSE分别为0.44和0.30;对于多生育期倒伏,基于对数微分变换的LAI诊断模型具有较好的拟合精度建模R2和RMSE分别为0.41和0.51,验证R2和RMSE分别为0.36和0.53;相比于原始光谱,除倒数、对数处理建模效果较差外,其它光谱变换能够有效提高倒伏胁迫下的玉米LAI诊断精度,其中一阶微分效果较优;相比多生育期组合建模,分期建模的LAI诊断精度较好,其中抽雄期诊断模型效果最优,灌浆期次之,说明不同生育期的倒伏玉米自身恢复能力具有较大差异,导致LAI动态变化趋势不一致,影响组合建模的精度,因此基于LAI光谱诊断的倒伏胁迫下的玉米植株恢复能力评价有必要结合倒伏所属的生育期信息。

4 讨 论

4.1 不同生育期倒伏对玉米LAI的影响

玉米发生倒伏之后,不同的生育期具有不同的生理作用和冠层结构响应规律,抽雄期以营养生长为主,灌浆期以生殖生长为主,导致倒伏胁迫状态下的植株恢复能力有所不同。对于抽雄期刚发生倒伏时,玉米植株受倒伏胁迫损害较小,各倒伏处理间叶面积变化不大,故叶面积指数普遍偏高;由于抽雄期玉米植株具有较强的自身恢复能力,但恢复能力高低与倒伏胁迫强度具有较大关联性,随着时间推移,不同倒伏类型的玉米植株显示出不同的恢复能力,导致LAI变化不同。对比分析同期观测的抽雄期倒伏和灌浆期倒伏恢复能力,灌浆期倒伏的玉米LAI普遍高于抽雄期,原因在于灌浆期玉米处于生殖生长,茎叶不再发育,而抽雄期玉米受到倒伏胁迫后叶片快速衰败,根部叶片变黄脱落,灌浆期玉米虽受倒伏胁迫,但受损程度低于抽雄期,且表现出贪青晚熟的现象。因此,不同生育期倒伏胁迫下的玉米LAI与其生育期具有密切关系,有必要结合生育期特征来构建倒伏胁迫的玉米LAI光谱诊断模型。

4.2 不同生育期倒伏对玉米冠层光谱反射率的影响

不同生育期倒伏胁迫下的玉米冠层光谱反射率曲线具有基本共性特征,但光谱反射率曲线相比正常光谱反射率曲线发生上下偏移的规律却不一致,主要原因在于倒伏时间长短不同,受倒伏胁迫损害程度强弱导致。对于灌浆期倒伏,由于玉米植株胁迫时间较短,倒伏玉米恢复能力较低,茎秆对于冠层光谱贡献率较大,穗、叶片贡献率较低,且倒伏强度愈强,茎秆影响愈大,故灌浆期冠层反射率GD>JS>JD>CK;而抽雄期冠层反射率表现为CK>JD>GD>JS,原因在于抽雄期是夏玉米营养生长的旺盛时期,倒伏后玉米各项生理活动依然进行,不同倒伏类型具有不同程度的恢复能力,其中茎倒恢复力度较大,根倒、茎折恢复力度较小,在此生育时期(2016年9月16日),由于根倒、茎折的胁迫程度较大,光合作用大幅降低,生理机能受到扰乱,植株老化衰败,故冠层反射率显著低于正常植株。玉米受倒伏胁迫的生育期和强度不同,表现出显著的冠层光谱差异,这些光谱特征差异有助于为倒伏胁迫下的LAI光谱诊断提供必要的先验知识。

4.3 不同生育期叶面积指数分期与统一响应模型

通过建立分段与统一响应模型发现,抽雄期和灌浆期分期建模精度明显优于统一建模,但灌浆期相比抽雄期建模精度稍差,原因可能在于灌浆期样本相对较少,易受误差样本干扰;统一建模精度较低的原因在于不同生育时期倒伏玉米受外界因素以及自身恢复能力的影响,导致LAI具有较大差异,LAI变化规律不一,整体数据冗余度大,造成冠层光谱反射率对LAI的敏感度降低。因此,将不同生育期倒伏玉米独立分析建模,使样本分布规律更加合理,才能有助于提高冠层光谱反射率对LAI的敏感度。

5 结 语

基于玉米倒伏处理实验,设置茎倒、根倒、茎折3种倒伏强度,对抽雄期和灌浆期倒伏玉米冠层光谱进行数学变换,通过相关性分析来筛选倒伏胁迫下玉米LAI的敏感波段,采用偏最小二乘算法构建LAI分期与多期光谱诊断模型,得出如下结论:

(1)不同生育期倒伏玉米LAI随生育期的推移逐渐降低,降低幅度与倒伏强度成正比。

(2)不同生育期各倒伏处理玉米受倒伏时期及自身恢复影响,冠层光谱反射率不同。

(3)LAI可有效表征玉米倒伏胁迫强度和植株自身恢复能力,恢复能力抽雄期优于灌浆期,并与倒伏强度成反比,冠层光谱呈现出与倒伏强度、生育期密切相关的变化规律。

(4)同原始光谱相比,一阶微分变换有利于提高冠层光谱对LAI的敏感性,倒伏胁迫下的玉米LAI分期诊断模型优于多期组合诊断模型。

本文重点分析了倒伏胁迫下LAI变化及其冠层光谱响应规律,定量表达了玉米植株在不同倒伏胁迫强度下的自我恢复能力,可为大范围玉米倒伏灾情遥感监测提供先验知识。农学数据和光谱数据均来源于玉米倒伏控制实验,与自然倒伏尚存在一定的差异,有必要在今后的研究中采集更多的自然倒伏数据开展光谱响应机理分析。由于玉米植株具有较强的自我恢复能力,作为胁迫程度较轻的茎倒处理(JD),玉米植株恢复较快,导致叶面积指数和冠层光谱特征接近于未倒伏玉米(CK),有必要在更多实验数据支持下挖掘分析轻度倒伏与未倒伏之间的光谱特征差异,以期提高倒伏灾情光谱诊断的准确性。此外,如何结合光谱特征分析来构建玉米倒伏光谱指数也是下一步研究的重点。

参考文献

SuWei, HouNing, LiQi, et al.

Retrieving Leaf Area Index of Corn Canopy based on Sentinel-2 Remote Sensing Image

[J].Transactions of the Chinese Society for Agricultural Machinery,2018,49(1): 151~156.

[本文引用: 1]

苏伟,侯宁,李琪,.

基于Sentinel-2遥感影像的玉米冠层叶面积指数反演

[J].农业机械学报,2018,49(1): 151~156.

[本文引用: 1]

HeJia, LiuBingfeng, LiJun.

Monitoring Model of Leaf Area Index of Winter Wheat based on Hyperspectral Reflectance at Different Growth Stages

[J]. Transactions of the CSAE, 2014,30(24): 141~150.

[本文引用: 1]

贺佳,刘冰锋,李军.

不同生育时期冬小麦叶面积指数高光谱遥感监测模型

[J].农业工程学报,2014,30(24): 141~150.

[本文引用: 1]

YangF, SunJ L, FangH L, et al.

Comparison of Different Methods for Corn LAI Estimation over Northeastern China

[J]. International Journal of Applied Earth Observation and Geoinformation,2012, 18: 462471.

[本文引用: 1]

ZhaiYujuan, ZhangYanhong, LiuZhaoli, et al.

Study on Inversion Model of Maize LAI based on Hyperspectral Images

[J]. Acta Agriculturae Jiangxi, 2015,27(10):58-61.

[本文引用: 1]

翟羽娟,张艳红,刘兆礼,.

基于高光谱影像的玉米LAI反演模型研究

[J].江西农业科学,2015,27(10):58-61.

[本文引用: 1]

LiuJun, PangXin, LiYanrong, et al.

Inversion Study on Leaf Area Index of Summer Maize Using Remote Sensing

[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(9):309-317.

[本文引用: 1]

刘珺,庞鑫,李彦荣,.

夏玉米叶面积指数遥感反演研究

[J].农业机械学报,2016,47(9):309-317.

[本文引用: 1]

HanL, YangG J, FengH K.

Quantitative Identification of Maize Lodging-Causing Feature Factors Using Unmanned Aerial Vehicle Images and a Nomogram Computation

[J]. Remote Sensing, 2018,10(10):1528.doi:10.3390/YS10101528.

[本文引用: 1]

WangMeng, ZhangJie, LiangShouzhen, et al.

Character Analysis of the Canopy Spectral Changes after Corn lodging

[J]. Journal of Anhui Agricultural Sciences, 2014, 42(31): 11187-11188,11201.

[本文引用: 1]

王猛,张杰,梁守真,.

玉米倒伏后冠层光谱变化特征分析

[J].安徽农业科学, 2014, 42(31): 11187-11188,11201.

[本文引用: 1]

CuiHuaiyang, XuHui, ZhangWei, et al.

Yield Estimation Model of Lodging Winter Wheat based on Hyperspectral Remote Sensing

[J]. Journal of Triticeae Crops, 2015,35(8):1155-1160.

[本文引用: 1]

崔怀洋,徐晖,张伟,.

基于高光谱的倒伏冬小麦产量预测模型研究

[J].麦类作物学报,2015,35(8):1155-1160.

[本文引用: 1]

LiuK , ZhouQ B , WuW B , et al.

Estimating the Crop Leaf Area Index Using Hyperspectral Remote Sensing

[J]. Journal of Integrative Agriculture, 2016, 15(2):475-491.

[本文引用: 1]

LiangL, DiL P, ZhangL P, et al.

Estimation of Crop LAI Using Hyperspectral Vegetation Indices and a Hybrid Inversion Method

[J]. Remote Sensing of Environment, 2015, 165:123-134.

[本文引用: 1]

XinMingyue, YinHong, ChenLong, et al.

Estimation of Rice Canopy LAI with Different Growth Stages based on Hyperspectral Remote Sensing Data

[J]. Chinese Journal of Agrometeorology, 2015,36(6):762-768.

[本文引用: 1]

辛明月,殷红,陈龙,.

不同生育期水稻叶面积指数的高光谱遥感估算模型

[J].中国农业气象, 2015,36(6):762-768.

[本文引用: 1]

ZhaoJuan, HuangWenjiang, ZhangYaohong, et al.

Inversion of Leaf Area Index during Different Growth Stages in Winter Wheat

[J]. Spectroscopy and Spectral Analysis, 2013,33(9):2546-2552.

[本文引用: 1]

赵娟,黄文江,张耀鸿,.

冬小麦不同生育时期叶面积指数反演方法

[J].光谱学与光谱分析,2013,33(9):2546-2552.

[本文引用: 1]

FengR, ZhangY S, YuW Y, et al.

Analysis of the Relationship between the Spectral Characteristics of Maize Canopy and Leaf Area Index under Drought Stress

[J]. Acta Ecologica Sinica, 2013, 33(6):301-307.

[本文引用: 1]

WangLihui, DuJun, HuangJinliang, et al.

Retrieving Leaf Area Index of Maize based on GF-1 Multispectral Remote Sensing Data

[J].Journal of Central China Normal University(Nat.Sci)2016,50(1):120-127.

[本文引用: 1]

王立辉,杜军,黄进良,.

基于GF-1号卫星WFV数据反演玉米叶面积指数

[J].华中师范大学学报(自然科学版),2016,50(1):120-127.

[本文引用: 1]

HuangChudi, LuLei, LiuYong, et al.

Inversion of Maize field Leaf Area Index based on High-resolution Remote Sensing Image

[J]. Acta Agriculturae Zhejiang, 2018,30(2):339-349.

[本文引用: 1]

黄楚荻,鲁蕾,刘勇,.

基于高分辨率遥感影像的玉米田叶面积指数反演

[J].浙江农业学报,2018,30(2):339-349.

[本文引用: 1]

LinYuefeng, LiuQinhuo, LiJing, et al.

Estimation of Corn LAI by Synergy Multi-spectral and SAR Remote Sensing Data based on Least Squares Method

[J]. Remote Sensing Technology and Application, 2016,31(4):691-701.

[本文引用: 1]

林岳峰,柳钦火,李静,.

最小二乘法联合光学与雷达遥感数据估算玉米叶面积指数

[J].遥感技术与应用,2016,31(4):691-701.

[本文引用: 1]

WangLi'ai, ZhouXudong, ZhuXinkai, et al.

Inverting Wheat Leaf Area Index based on HJ-CCD Remote Sensing Data and Random Forest Algorithm

[J].Transactions of the CSAE, 2016,32(3):149-154.

[本文引用: 1]

王丽爱,周旭东,朱新开,.

基于HJ-CCD数据和随机森林算法的小麦叶面积指数反演

[J].农业工程学报,2016,32(3):149-154.

[本文引用: 1]

ZhuQiuming, DengCuiting, YeJunxi, et al.

Relationships between Rice Leaf Area Index and Yield at Different Growth Stages

[J]. Journal of Zhongkai University of Agriculture and Engineering,2016,29(3):17-21.

[本文引用: 1]

朱秋明,邓翠婷,叶俊希,.

不同生育期水稻叶面积指数与产量的关系

[J].仲恺农业工程学院学报,2016,29(3):17-21.

[本文引用: 1]

SunLi, ChenXi, BaoAnming, et al.

Analysis of Correlation for Cotton Leaf Hyperspectral Data and Physiology Parameters in Different Growing Stage

[J].Arid Land Geography, 2004,27(1):124-129.

[本文引用: 1]

孙莉,陈曦,包安明,.

棉花各生育期高光谱数据与叶片生物物理生物化学量的相关分析

[J].干旱区地理,2004,27(1):124-129.

[本文引用: 1]

MaYanping, BaiYoulu, GaoXiangzhao, et al.

Investigation of the Method for Measurement of Corn leaf Area based on Image

[J].Chinese Agricultural Science Bulletin, 2009,25(22):329-334.

[本文引用: 1]

马彦平,白由路,高祥照,.

基于数字图像的玉米叶面积测量方法研究

[J].中国农学通报,2009,25(22):329-334.

[本文引用: 1]

LiuZhandong, XiaoJunfu, JiqinNan , et al.

Effect of Different Levels Lodging on Leaf Area Index, Yield and Its Components of Summer Maize

[J].Chinese Agricultural Science Bulletin, 2010,26(18):107-110.

[本文引用: 1]

刘战东,肖俊夫,南纪琴,.

倒伏对下玉米叶面积、产量及其构成因素的影响

[J].中国农学通报,2010,26(18):107-110.

[本文引用: 1]

WangLizhi.

Hyperspectral Response Mechanism Analysis of Maize Population Growth Index Under Lodging Stress

[D]. Jiaozuo: Henan Polytechnic University,2017.

[本文引用: 1]

王立志.

倒伏胁迫下的玉米群体生长指标高光谱响应机理解析

[D].焦作:河南理工大学, 2017.

[本文引用: 1]

ZhaoJiajia, FengMeichen, YangWude, et al.

Canopy Spectral and Red Edge Characteristics of Winter Wheat under Lodging Stress

[J]. Journal of Shanxi Agricultural Sciences, 2015, 43(6): 673-676.

[本文引用: 1]

赵佳佳,冯美臣,杨武德,.

倒伏胁迫下冬小麦冠层光谱及红边特征

[J].山西农业科学, 2015, 43(6): 673-676.

[本文引用: 1]

ZhangJiahua, DuYuzhang, LiuXuefeng, et al.

Progress in Leaf Area Index Retrieval based on Hyperspectral Remote Sensing and Retrieval Models

[J]. Spectroscopy and Spectral Analysis, 2012,32(12): 3319-3323.

[本文引用: 1]

张佳华,杜育璋,刘学锋,.

基于高光谱数据和模型反演植被叶面积指数的进展

[J].光谱学与光谱分析,2012,32(12): 3319-3323.

[本文引用: 1]

LiFengxiu, ZhangBo, SongKaishan, et al.

Research and Analysis of the Correlation between Hyperspectral Vegetation Index and Leaf Area Index

[J]. Remote Sensing Technology and Application, 2007,22(5):586-592.

[本文引用: 1]

李凤秀,张柏,宋开山,.

玉米叶面积指数与高光谱植被指数关系研究

[J].遥感技术与应用,2007,22(5):586-592.

[本文引用: 1]

LiJunling, PengJiyong.

Estimation of Winter Wheat LAI at Different Growth Stages based on Canopy Hyperspectral Remote Sensing System

[J]. Journal of Triticeae Crops, 2018,38(8):979-987.

[本文引用: 1]

李军玲,彭记永.

不同生育时期冬小麦叶面积指数地面高光谱遥感模型研究

[J]. 麦类作物学报,2018,38(8):979-987.

[本文引用: 1]

/