山东农业大学利用SOC710监测小麦长势

高光谱成像技术可以同时获取目标的光谱特征和图像特征，目前已经广泛应用于农业资源调查、环境监控等诸多领域。将光谱信息与图像信息结合研究，可从多个角度较为直观、精准地对作物长势的各项指标监测。健康叶片和病害叶片的图像亮度、灰度均勾分布的情况均有较大差异。高光谱图像的灰度值可作为监测农作物长势的一项重要的参数。

小麦是重要的粮食作物，同时也在能源经济领域有着不可或缺的地位。传统长势监测手段取样方法大多采具有破坏性，本文以小麦为研究对象，基于通过分析不同生育时期小麦冠层光谱图像的灰度值，计算光谱植被指数，分别与小麦叶面积指数，地上部干物质重，叶氮含量实测值拟合模型。

1.实验设计与仪器

1.1实验设计

共设置N0、N1、N2、N3、N4五个氮素（氮肥为尿素）处理，分别施0、150、300、450、600kg/hm² 纯氮，除氮素外还施用磷肥（P₂O₅）120.0 kg/hm²，钾肥(K₂O)105.0 kg/hm²，田间管理按照高产田的标准进行管理，实验数据用于构建监测模型的构建。

1.1实验仪器

实验仪器为美国SOC公司生产的SOC710VP便携式成像光谱仪，光谱范围为400-1000nm，光谱分辨范围1.3nm，波段数128-512可选，光谱仪总重量为2.95kg，该光谱仪能够搭载实验台和显微镜，在野外测量时配备有便携式三脚架和摇臂。本实验于野外测量， SOC710VP成像光谱仪采用内置推扫方式，避免了外置推扫的图形畸变和操作的笨重性，可具有自动校正暗电流，可灵活设置积分时间等优点。

2结果与分析

2.1小麦LAI的高光谱监测模型

植被指数RVI、DVI、NDVI、EVI、SAVI拟合小麦LAI监测模型较为准确，基于图光谱图像灰度值计算植被指数GR（670 870），GD（670 870），GND（670 870），GE（670 870），GSA（670 870）。变化趋势如下图所示，植被指数均表现先升高后降低的趋势，自返青期开始，植被指数逐渐增大，抽穗期附近有最大值；抽穗期过后开始逐渐减小，灌浆期有最小值。植被指数和灰度植被指数的变化特征和小麦LAI相似。

经过对比和分析，GND与小麦LAI相关性系数最大，拟合模型决定系数最高，研究选择GND为自变量，小麦LAI为因变量建立监测模型y=1.885-15.68X+22.58x² 决定系数0.81 RMSE (%)=1.01。

2.2小麦地上部干物质重高光谱监测模型

灰度植被指数GR（560 810），GD（560 810），GND（560 810）的变化如下图所示：植被指数在整个生育期内呈先升高后降低的趋势，抽穗期有最大值；灰度植被指数变化和植被指数一致，呈先升高后降低的趋势，抽穗期有最大值。

经过对比和分析，灰度植被指数中GND（660 760）与小麦地上部干物质重的相关性最强，拟合模型决定系数最高，模型误差较小。模型以GND（660 760）为自变量，小麦地上部干物质重为因变量，最佳监测模型 y=-0.236+2.63x+2.53x²决定系数0.78 RMSE (%)=0.5。

2.3 小麦叶氮含量的高光谱监测模型

植被指数整个生育期内呈先升高后降低的趋势，RVI（550 680）、NDVI（550 680）、GRVI（560 680）抽穗期附近有最大值，DVI（550 680）开花期附近有最大值。灰度植被指数也呈先升高后降低的趋势，GR（550 680）、GND（550 680）、GGR（550 680）开花期有最大值，GD（550 680）抽穗期有最大值。植被指数变化相对平缓，对比植被指数，灰度植被指数变化幅度较大，与叶氮含量的变化趋势更为接近。

灰度植被指数中GND与小麦叶氮含量的相关性最强，拟合模型决定系数最高，模型误差较小，适合建立小麦叶氮含量监测模型。最终选择GND（550 680）为自变量，小麦叶氮含量为因变量。建立监测模型 y=38.716-2.41/x 决定系数0.723  RMSE (%)=5.7 。