1. 研究目的与意义、国内外研究现状（文献综述）
| 课题的意义、国内外研究进展、应用前景等（列出主要参考文献）
课题的意义： 植物生化组分的定量遥感研究不仅在生态系统、全球气候变化等科学研究方面具有重要意义，而且在指导农业生产、监测作物长势和估产等方面具有重要意义。
国内外研究进展： 1 基于遥感观测的植被生理生化参数监测、反演研究进展 利用遥感观测数据、通过遥感模型估算地表参数，是遥感模型反演问题。上个世纪六七十年代，美国农业部（USDA）的相关研究人员通过近红外光谱学方法（NIRS）测定、分析了多种植物叶片的光谱特征，并成功提取了纤维素、木质素、蛋白质和淀粉等生化参量及其在0.4~2.4μm光谱范围内的吸收特征（如表3-1所示[1-2]）从而为利用高光谱技术进行植被理化参量反演奠定了基础。 1.1 植被叶面积指数的高光谱遥感反演 叶面积指数（leaf area index, LAI）能够定量的描述植被叶面积的数量变化，而叶片面积的多少一定程度上反映了群体水平上植被的生长状况以及净初级生产力积累量的大小[3-4]。王福民[5-6]等通过大田试验，测量了水稻不同生育期的冠层光谱，并计算了NDVI与LAI的最大相关系数，同时还模拟了TM蓝、绿和红光波段，分析了各个波段对LAI的敏感性。王秀珍等[7]通过不同氮素营养水平的水稻田间试验，采用线性和非线性拟合模型建立了LAI的高光谱估算模型。田永超等[8]通过不同植被指数的不同波段组合与水稻LAI的关系发现DI(854,760)较适宜监测水稻LAI。Vyas et al.[9]利用Hyperion遥感影响提取了柚子和竹子的高光谱反射率，然后采用偏最小二乘法(PLS)确定出了LAI反演的敏感波段为1000-1507nm。 Li等[10]提出了DI(920, 1080）用以削弱冠层内部结构对LAI估测的影响。Houborg et al.[11]利用REGFLEC冠层反射率模型（该模型耦合了PROSPECT叶片模型、ACRM冠层模型和6SVI大气辐射传输模型），通过建立查找标的方法反演了植被的叶绿素含量和LAI。Liang et al.[12]通过PROSAIL模型、神经网路及随机森林回归的方法，针对43个高光谱植被指数筛选出了最适与LAI反演的植被指数，结果表明选用适当的植被指数能提高对LAI的反演精度。 |
| 1.2 植被叶绿素含量的高光谱遥感反演 叶绿素对光谱有着独特的相应特征，近几十年来利用高光谱对植被叶绿素含量进行反演一直是研究的热点。Jin et al.[13]将小麦的生物量与叶绿素的植被指数进行相乘，构建了冠层叶绿素反演的新兴植被指数，验证结果表明mND705×BDW的反演精度最高，较mND705提高了12.72%。徐新刚等[14]利用水稻光谱曲线峰谷波形中特征边的上升、下降速率以及组成峰谷波形两边的夹角等新型特征光谱参数研究了与水稻叶绿素含量之间的相关关系。靳彦华等[15]利用高光谱植被指数估算了不同地类春小麦叶片的叶绿素含量，结果表明，拔节期水浇地的春小麦叶绿素反演精度最高。房贤一等[16]利用ASD光谱仪测量了苹果盛果期冠层的高光谱，分析了植被指数RVI、DVI、NDVI和RDVI与叶绿素浓度的相关性，同时还考察了RVI和DVI两两波段的组合与叶绿素的相关性。Haboudane et al.[17]利用PROSAIL辐射传输模型分析了植被指数TCARI和MCARI的敏感性，考察了在不同LAI变化下TCARI和MCARI随叶绿素浓度的变化。Wu et al.[18]通过PROSAIL模型对植被指数MSR、MCARI、TCARI/OSAVI的敏感性进行了分析，并对上述植被指数的波段进行了改进，结果表明改进后的植被指数在高叶绿素浓度下具有更好的抗饱和性。 1.3 植被氮含量的高光谱遥感反演 氮是作物生长、发育所必须的重要营养元素，其在蛋白质、核酸、磷脂及其他植物生长所必需的有机氮化合物的合成、作物光合作用等方面有着重要的作用。周丽丽等[19]利用高光谱对水培条件下的3个玉米品种和叶片的氮含量进行了遥感反演，结果表明，叶片氮含量与光谱反射率的相关性存在品种的差异。Wang et al.[20]通过建立三波段组合的植被指数用以改善两波段植被指数估测稻麦的叶片氮含量时出现的饱和现象。Tian et al.[21]通过建立两波段的比值植被指数SR(553,537)，从而一定程度上削弱了覆盖度和LAI对估测叶片氮含量时产生的影响。方美红和刘湘南[22]采用Daubechies小波系的Db5函数对水稻原始反射光谱和导数光谱进行8层小波分解，选择不同尺度和位置的小波系数作为输入参数建立了192个水稻叶片氮的反演模型。Wang et al.[23]首先对原始光谱数据进行了倒数和对数变换，然后对比分析了逐步线性回归与支持向量机对叶片氮含量的估测结果，结果表明，采用支持向量机的方法具有更高的估测精度。
应用前景： 本研究以水稻为研究对象，基于地面遥感数据源，借助于遥感监测的理论与方法，研究水稻冠层光谱信息与冠层生理生化参数的定量关系，通过建立农学模型与相应的遥感模型的链接，建立经验模型反演生理生化参数，从而为作物的无损生长监测提供理论和技术支持，提高遥感反演的精度和实际应用的价值。
|
| 参考文献： [1]Curran P J. Remote sensing of foliar chemistry ☆[J]. Remote Sensing of Environment, 1989, 30(3):271-278. [2]浦瑞良, 宫鹏. 高光谱遥感及其应用[M]. 高等教育出版社, 2000. [3]Koetz B, Baret F, Poilvé H, et al. Use of coupled canopy structure dynamic and radiative transfer models to estimate biophysical canopy characteristics[J]. Remote Sensing of Environment, 2005, 95(1):115-124. [4]Gitelson A A, Peng Y, Arkebauer T J, et al. Relationships between gross primary production, green LAI, and canopy chlorophyll content in maize: Implications for remote sensing of primary production[J]. Remote Sensing of Environment, 2014, 144(4):65-72. [5]王福民, 黄敬峰, 唐延林,等. 采用不同光谱波段宽度的归一化植被指数估算水稻叶面积指数[J]. 应用生态学报, 2007, 18(11):2444-2450. [6]王福民, 黄敬峰, 唐延林,等. 新型植被指数及其在水稻叶面积指数估算上的应用[J]. 中国水稻科学, 2007, 21(2):159-166. [7]王秀珍, 黄敬峰, 李云梅,等. 水稻叶面积指数的高光谱遥感估算模型[J]. 遥感学报, 2004, 8(1):81-88. [8]田永超, 杨杰, 姚霞,等. 高光谱植被指数与水稻叶面积指数的定量关系[J]. 应用生态学报, 2009, 20(7):1685-1690. [9]Vyas D, Christian B, Krishnayya N S R. Canopy level estimations of chlorophyll and LAI for two tropical species teak and bamboo from Hyperion EO1 data[J]. International Journal of Remote Sensing, 2013, 34(5):1676-1690. [10]Li P, Wang Q. Developing and validating novel hyperspectral indices for leaf area index estimation: Effect of canopy vertical heterogeneity[J]. Ecological Indicators, 2013, 32(32):123-130. [11]Houborg R, Anderson M, Daughtry C. Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale[J]. Remote Sensing of Environment, 2009, 113(1):259-274. [12]Liang L, Di L, Zhang L, et al. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J]. Remote Sensing of Environment, 2015, 165:123-134. [13]Jin X L, Wang K R, Xiao C H, et al. Comparison of two methods for estimation of leaf total chlorophyll content using remote sensing in wheat[J]. Field Crops Research, 2012, 135(3):24-29. [14]徐新刚, 赵春江, 王纪华,等. 新型光谱曲线特征参数与水稻叶绿素含量间的关系研究[J]. 光谱学与光谱分析, 2011, 31(1):188-191. [15]靳彦华, 熊黑钢, 张芳,等. 不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究[J]. 麦类作物学报, 2013, 33(5):1012-1018. [16]房贤一, 朱西存, 王凌,等. 基于高光谱的苹果盛果期冠层叶绿素含量监测研究[J]. 中国农业科学, 2013, 46(16):3504-3513. [17]Haboudane D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004, 90(3):337-352. [18]Wu C, Niu Z, Tang Q, et al. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation[J]. Agricultural Forest Meteorology, 2008, 148(8-9):1230-1241. [19]周丽丽, 冯汉宇, 阎忠敏,等. 玉米叶片氮含量的高光谱估算及其品种差异[J]. 农业工程学报, 2010, 26(8):195-199. [20]Wang W, Yao X, Yao X F, et al. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat[J]. Field Crops Research, 2012, 129(384):90-98. [21]Tian Y C, Gu K J, Chu X, et al. Comparison of Different Hyperspectral Vegetation Indices for Estimating Canopy Leaf Nitrogen Accumulation in Rice[J]. Plant Soil, 2013, 376(1-2):193-209. [22]方美红, 刘湘南. 小波分析用于水稻叶片氮含量高光谱反演[J]. 应用科学学报, 2010, 28(4):387-393. [23]Wang F, Huang J, Wang Y, et al. Estimating nitrogen concentration in rape from hyperspectral data at canopy level using support vector machines[J]. Precision Agriculture, 2013, 14(2):172-183. |
2. 研究的基本内容和问题
研究目的：
明确水稻抽穗后氮素营养的变化机制
探讨不同栽培条件下抽穗后水稻的反射光谱对氮素监测的作用
3. 研究的方法与方案
| 研究方法、技术路线、试验方案及可行性分析 研究方法： 进行不同品种、不同氮素处理、不同种植密度的水稻田间小区试验。在抽穗后的生育时期获取各小区的光谱数据。同时采集植物样品，获取植物的含氮量等生化指标。最后在光谱数据与生化指标之间建立监测模型
技术路线：
试验方案： 品种／氮素／密度试验：于2018年在国家信息农业工程技术中心如皋试验示范基地（江苏省如皋市白蒲镇，120°19′E，32°14′N）进行。供试品种为武运粳27和Ⅱ优728，旱地育秧。试验采用小区设计，品种处理为主区，密度和氮肥处理为副区，小区面积为30 m2（5 m×6 m），3次重复，随机区组排列。试验设3个氮肥水平，N0：纯氮0kg·hm-2，N1：纯氮150 kg·hm-2，N2：纯氮300 kg·hm-2；2个密度处理：D1（行距×株距为30 cm×15 cm），D2（行距×株距为50 cm×15 cm）；5月14日播种，6月13日移栽。氮肥按基肥40%、分蘖肥20%、促花肥20%、保花肥20%的比例施入，基肥配施100 kg·hm-2P2O5的磷肥和200 kg·hm-2K2O的钾肥。小区田埂以塑料薄膜包覆，独立排灌。其他管理措施同当地水稻高产栽培田块。 ASD测试方法：在抽穗期，开花期，灌浆期获取冠层光谱数据。测试的时间在一天的中午，10:00-14:00之间。测试需要日光直射地面，或有少量稳定云霾的天气条件。使用ASD FieldSpec 4 (ASD Inc.)获取光谱数据。ASD的光纤探头有25°的视场角，可以收集波长在350-2500 nm之间的光线。将裸光纤的探头竖直向下对准待测试的冠层区域，在1 m左右的距离处获取数据。测试过程中，经常使用水平放置的氧化镁参考白板校正测试的光谱数值。 |
| 化学测试方法：植物组织含氮量测试方法是杜马斯燃烧定氮法测试。取0.02 g左右粉末样品，用万分之一天平称重（精确至0.0001 g）后，包入锡舟并压紧，用vario MACRO cube元素分析仪测定。标准比对样品为苯丙氨酸，要求标准样品重复测量的绝对误差小于0.3%。
可行性分析： 对于光谱测试方法和化学分析方式，实验室前人已有完善的流程。本试验中增加了穗光谱的测试，实验室已有1年试验经验，方案基本可行。 |
4. 研究创新点
特色或创新之处
本实验通过ASD光谱仪获取的水稻冠层光谱数据，结合水稻茎、叶、穗的氮素测定结果，探究抽穗后氮素营养对水稻冠层光谱的影响，为水稻氮素营养的监测研究奠定基础。
5. 研究计划与进展
研究计划及预期进展
研究计划：
2018.7-2018.9 进行水稻试验，获取田间光谱
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
