张玉森
- 作品数：4 被引量：104H指数：3
- 供职机构：南京农业大学更多>>
- 发文基金：教育部“新世纪优秀人才支持计划”国家高技术研究发展计划国家教育部博士点基金更多>>
- 相关领域：农业科学更多>>
- 基于近红外光谱的水稻叶片氮素营养监测研究
- 利用光谱技术对作物的氮素营养及生长状况进行实时监测与快速诊断是精确农业中的研究热点,具有十分重要的理论和实践意义。近红外光谱技术以其快速、准确等优点为作物遥感监测提供了有效手段。本研究以不同年份、不同品种、不同施氮水平的...
- 张玉森
- 关键词：水稻鲜叶近红外光谱氮含量色素含量
- 文献传递
- 水稻上部叶片叶绿素含量的高光谱估算模型被引量：68
- 2009年
- 叶片叶绿素(Chl)状况是评价植株光合效率和营养胁迫的重要指标,实时无损监测Chl状况对作物生长诊断及氮素管理具有重要意义。以不同生态点、不同年份、不同施氮水平、不同类型水稻品种的4个田间试验为基础,于主要生育期同步测定了水稻主茎顶部4张叶片的高光谱反射率及Chl含量,并计算了350～2500nm范围内任意两波段组合而成的比值(SR[λ1,λ2])和归一化(ND[λ1,λ2])光谱指数以及已报道的对Chl敏感的光谱指数,进一步系统分析了叶片Chl含量与上述光谱指数之间的定量关系。结果表明,红边波段的比值和归一化光谱指数可以较好地预测水稻上部4叶的Chl含量(R2>0.9),但对于不同Chl指标其最佳组合波段有所差异。估算叶绿素a(Chla)、叶绿素总量(Chla+b)和叶绿素b(Chlb)的最佳比值光谱指数分别为SR(724,709)、SR(728,709)和SR(749,745),方程拟合决定系数R2分别是0.947、0.946、0.905;最佳归一化光谱指数分别为ND(780,709)、ND(780,712)和ND(749,745),R2分别是0.944、0.943、0.905。引入445nm波段反射率对上述光谱指数进行修正,可以降低叶片表面反射差异的影响,提高模型的应用范围。利用不同年份独立的试验资料对所建模型进行了检验,结果表明,修正型比值光谱指数mSR(724,709)、mSR(728,709)和mSR(749,745),以及修正型归一化光谱指数mND(780,709)、mND(780,712)和mND(749,745)预测Chla、Chla+b和Chlb的效果更好,其测试的RMSE分别为0.169、0.192、0.052、0.159、0.176、0.052,RE分别为8.18%、7.74%、13.01%、8.26%、7.59%、12.96%,均较修正前降低,说明修正后的光谱指数普适性更好。
- 杨杰田永超姚霞曹卫星张玉森朱艳
- 关键词：水稻叶位叶绿素含量高光谱遥感光谱指数
- 水稻叶片色素含量近红外光谱估测模型研究被引量：12
- 2012年
- 以不同品种类型和不同施氮水平的水稻(Oryza sativa)叶片近红外光谱信息为基础,运用逐步多元回归法(Stepwise multiple linear regression,SMLR)、主成分回归法(Principal component regression,PCR)、偏最小二乘法(Partial least square,PLS)和BP神经网络法(Back-propagation neural network,BPNN),建立了水稻叶片中叶绿素a(Chl a)、叶绿素b(Chl b)、叶绿素a+b(Chl a+b)和类胡萝卜素(Car)的近红外预测模型。结果显示,利用8000～4000cm!1波段范围的一阶导数(First derivative,FD)建模效果最佳。其中,基于PLS的预测模型效果最好;4类近红外色素模型的内部交叉验证误差分别为0.251,0.063,0.305和0.073;外部交叉验证的误差RMSEP分别为0.335,0.123,0.302和0.072,表明的预测效果较好。因此,可以基于近红外模型对水稻叶片色素含量进行快速测定。
- 姚霞田永超倪军张玉森曹卫星朱艳
- 关键词：水稻叶片色素近红外光谱偏最小二乘法
- 应用近红外光谱预测水稻叶片氮含量被引量：29
- 2010年
- 以水稻(Oryza sativa)新鲜叶片和干叶粉末两种状态的样品为研究对象,基于近红外光谱(NIRS)技术,应用偏最小二乘法(PLS)、主成分回归(PCR)和逐步多元回归(SMLR),建立并评价了水稻叶片氮含量(NC)近红外光谱模型。结果表明,基于PLS建立的模型表现最好,鲜叶氮含量近红外光谱校正模型校正决定系数RC2为0.940,校正标准误差RMSEC为0.226;干叶粉末氮含量的近红外光谱校正模型RC2为0.977,RMSEC为0.136。模型的内部交叉验证分析表明,预测鲜叶氮含量内部验证决定系数RCV2为0.866,内部验证标准误差RMSECV为0.243;预测干叶粉末氮含量RCV2为0.900,RMSECV为0.202。模型的外部验证分析表明,预测水稻鲜叶氮含量的外部验证决定系数RV2大于0.800,外部验证标准误差RMSEP小于0.500,预测干叶粉末氮含量的RV2为0.944,RMSEP为0.142。说明,近红外光谱分析技术与化学分析方法一致性较好,且基于干叶粉末建立的近红外光谱预测模型的准确性和精确度较新鲜叶片高。
- 张玉森姚霞田永超曹卫星朱艳
- 关键词：近红外光谱氮含量水稻
