光温环境胁迫是影响作物优质高产的一个主要制约因素, 传统的作物胁迫监测, 敏锐性不足、 耗时费力且多为有损检测。 近年来随着信息技术的快速发展, 高光谱技术能够快速无损的获取作物生理信息, 并对逆境胁迫响应进行动态监测, 为现代农业的精准化生产和智能化决策提供了数字化支撑, 对实现传统农业向精准化、 数字化的现代农业转变具有重要意义。 以玉米苗期为研究对象, 获取不同光温环境下叶片的高光谱数据和生理参数, 探究玉米苗期叶片对不同光温环境的响应规律, 进行高光谱差异性分析, 并构建生理参数的高光谱反演模型。 利用相关分析法筛选光谱敏感波段, 采用多元散射校正(MSC)、 标准正态变量变换(SNV)、 Savitzky-Golaay(S-G)平滑相结合的预处理方法, 分别与偏最小二乘回归法(PLS)、 主成分回归法(PCR)、 逐步多元线性回归法(SMLR)三种建模方法组合, 以模型相关系数和均方根误差作为模型效果评价指标, 探索高光谱反演叶片生理参数模型的最优方法。 结果表明: 不同光温环境下玉米的高光谱特性在整体上变化趋势一致, 但仍存在差异, 在500~700 nm波段内, 光谱反射率的升高表明光强的增强; 在760~900 nm波段内, 光谱反射率的升高表明温度的增强; 且光温胁迫环境的变化, 均可反映在高光谱特性上, 波段760~900 nm内光谱的反射率在高温胁迫环境下较高, 在弱光胁迫环境下较低, 在低温胁迫环境下反射率显著降低; 所构建的SPAD和F_v/F_m的反演模型中, 建模最优方法为PLS-MSC-SG, 模型验证集相关系数分别为0.958和0.976, 训练集相关系数分别为0.979和0.995。 模型的预测性精度较高, 表明利用高光谱技术, 可以实现光温环境胁迫下玉米植株的定量监测, 提高田间精细化管理水平, 为玉米优质高产的智能化管理提供参考依据。

大气中的颗粒物不仅影响人类生活, 还影响植物的光合作用、 生长发育和产量品质。 实现了颗粒物污染环境的人工模拟, 并对采收期的小白菜、 生菜、 小油菜三种叶菜进行颗粒物作用试验, 获取叶片的光合生理信息和高光谱数据, 基于高光谱技术和植物表型分析叶菜对颗粒物的响应机理, 研究叶菜的光合特性和光谱特征对颗粒物污染的响应情况。 结果表明: 以颗粒物作为唯一差别条件下, 三种叶菜叶片的高光谱曲线整体趋势相同, 在可见光波段内试验组反射率增加最大, 红边位置发生蓝移, 小油菜对颗粒物的作用最敏感, 小白菜吸附颗粒物的能力最强。 分别比较三种叶菜的净光合速率与叶片原始光谱、 一阶导数光谱的相关性, 利用相关分析法提取三种叶菜的敏感波段, 用原始光谱、 FD、 MSC和相关分析法提取特征波长; 比较10个高光谱特征参数及4个植被指数与净光合速率的相关系数, 选出敏感光谱特征参数和植被指数, 即生菜的Dr, SDr, SDr/SDb和SDr/Sdy, 小白菜的SDr, Dy, NIRRP, (SDr-SDy)/(SDr+SDy)以及小油菜的λr, SDy, (SDr-SDy)/(SDr+SDy)。 用ln对数运算、 多项式函数以及几种组合方法建立三种叶菜叶片的净光合速率定量反演模型, 其中, 预处理方法采用SG, FD, SD和MSC, 建模方法采用CLS, PLS, PCR和SMLR。 以相关系数为模型评价指标, 最终确定FD+SG+PLS方法是建立生菜和小白菜净光合速率反演模型的最优方法, FD+SG+MSC+SMLR方法是建立小油菜净光合速率反演模型的最优方法。 所建模型可为今后颗粒物污染环境下的模型修正提供参考, 具有实用性。 研究结果为利用高光谱技术研究叶菜类蔬菜在颗粒物污染环境下的诊断与分析提供理论依据, 为设施农业蔬菜的病害预警、 生理信息监测、 设施环境的净化和管控提供新思路。

生理信息的准确获取及预测可为种植的精细化管理提供依据。 传统的大豆生理信息反演方法检测效率低、 操作过程繁琐且多为有损检测。 利用高光谱技术建立大豆生理信息的快速无损反演方法。 以大豆开花结荚期叶片为研究对象, 在2个日期(D1和D2)获取高光谱、 叶绿素含量、 净光合速率和光合有效辐射数据。 首先分别采用多元散射校正(MSC)、 标准正态变量变换(SNV)、 一阶导数(FD)、 二阶导数(SD)、 Savitzky-Golay平滑(SG)、 MSC-SG-FD、 MSC-SG-SD、 SNV-SG-FD和SNV-SG-SD共9种方法对原始光谱数据进行预处理, 随后结合偏最小二乘法(PLS)建立全波段模型, 比较分析, 选出最优预处理方法。 再分别利用竞争性自适应权重取样法(CARS)、 连续投影法(SPA)和相关系数法(CC)对特征波长进行筛选提取。 最后将优选出的预处理方法与特征波长变量进行PLS建模并对比分析, 以校正集和预测集相关系数R_c和R_p为模型评价指标, 最终优选出与大豆生理信息相关性最高的反演模型。 结果表明: 采用MSC-SG-FD预处理后建立的叶绿素含量全波段PLS模型的Rc和Rp最高, 分别为0.909和0.882(D1), 0.909和0.880(D2), 采用SNV-SG-FD预处理后建立的光能利用率全波段PLS模型的R_c和R_p最高, 分别为0.913和0.894, 0.902和0.869, 与原始及其他预处理后建立的模型相比表现出最高的模型性能特征。 进一步对比3种特征波长提取方法的建模, 发现SPA法筛选出的变量能将叶绿素含量反演模型的建模变量数由512个压缩至20个(D1)和23个(D2), 变量压缩率高达96.09%和95.51%, 同时能将光能利用率反演模型的建模变量数压缩至27个和37个, 变量压缩率高达94.73%和92.77%。 最终得出反演叶绿素含量的最优建模方法为MSC-SG-FD-SPA-PLS, R_c值为0.944(D1)和0.941(D2), R_p值为0.911和0.903, 反演光能利用率的最优建模方法为SNV-SG-FD-SPA-PLS, R_c值为0.929(D1)和0.925(D2), R_p值为0.912和0.907, 所建模型精度较高, 可为大面积检测大豆生理信息提供技术支持。