基于高光谱遥感预测春季低温胁迫后小麦产量的方法

1.本发明涉及小麦种植领域，具体涉及基于高光谱遥感预测春季低温胁迫后小麦产量的方法。


背景技术：

2.近年来，由于全球气候的变化，极端天气越发频繁，对小麦的生长发育和产量造成了巨大的伤害。在我国黄淮和长江中下游麦区每年在2月中下旬到4月中上旬经常发生低温灾害，此时正处于小麦拔节—孕穗期，该阶段遭遇低温胁迫，直接导致小麦减产。在有些年份，低温直接导致一些省份小麦减产达到30％～50％。因此，在小麦遭受低温胁迫后，根据小麦的生长信息对产量进行估算和预测，可为春季低温对小麦产量的预测提供理论基础。
3.高光谱遥感技术具有高分辨率、波段连续性强，快速无损等特点，成为收集作物信息的主要手段。许多学者应用高光谱遥感技术预测了小麦、玉米、大豆等作物的产量，通过组合各种形式的波段，从而获得作物逆境灾害变化的更多信息，取得了较好的监测效果。目前用于估测作物产量的主要有两种方法，第一种是基于“光谱参数-作物产量”的方法建立模型，主要利用单个生育时期的光谱数据或植被指数与作物产量建立模型用于预测。利用光谱数据直接建立的模型相对简单可靠，但是由于直接利用光谱数据建立的模型，缺乏相应的农学机理，无法解释后期由于环境因素对模型精度造成的影响。第二种是基于“光谱参数-农学参数-作物产量”的方法建立模型，通过将农学参数作为链接光谱参数和作物产量的中间点。很多相关的研究在作物产量的预测模型中加入了农学参数，通过模型的链接，使得作物在田间的栽培管理更加科学。目前已有不少有关小麦产量估测的研究，基本上都是在作物正常生长环境下利用植被指数直接估测，预测的模型比较理想，但对于预测遭遇春季低温胁迫后对小麦产量影响的研究鲜有报道。


技术实现要素：

4.本发明的目的在于提供基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其可以预测春季低温胁迫后小麦的产量。
5.在本发明的一个方面，本发明提出了基于高光谱遥感预测春季低温胁迫后小麦产量的方法。根据本发明的实施例，包括以下步骤：
6.(1)以低温敏感性不同的小麦品种为材料，在孕穗期人工模拟低温处理；
7.(2)通过高光谱遥感获取低温处理后小麦孕穗期、抽穗期、开花期、灌浆期的生长信息，同步测得小麦功能叶片的净光合速率；
8.(3)利用viewspecpro软件对步骤(2)获得的数据进行处理，得到每个采样波段(光谱仪的波段范围为350—2500nm，光谱采样间隔在350—1000nm，区间为1.4nm，在1000—2500nm范围内为3nm)的反射率，对植被指数与小麦叶片净光合速率进行相关性分析，得到4种相关性最高的植被指数；
9.(4)对小麦净光合速率与产量的相关性分析，结果相关性高，达到建模要求，将4种
相关性最高的植被指数与小麦功能叶片的净光合速率进行岭回归分析建模和最小二乘法分析建模，得到的结果数据与产量数据建立产量预测模型；
10.(5)对预测模型进行验证。
11.另外，根据本发明上述实施例的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，还可以具有如下附加的技术特征：
12.在本发明的一些实施例中，所述步骤(1)中，低温处理的具体方法如下，在18:00-6:00温度分别设定为-2℃和0℃，6:00-18:00温度设定为5℃，光照强度设定为12000lx，湿度设定为70％，连续处理24h。
13.在本发明的一些实施例中，所述步骤(2)中，高光谱遥感获取数据之前先进行白板矫正，然后手持高光谱测定传感器垂直于小麦冠层上方30cm处进行光谱数据的收集，每个小区进行3次重复测量，每次测量共收集10条光谱曲线，去除由环境噪音影响造成误差较大的数据，然后取平均值作为该处理的原始光谱数据。
14.在本发明的一些实施例中，所述步骤(2)中，孕穗期的功能叶片选取倒二叶，抽穗期、开花期、灌浆期的功能叶片选取旗叶。
15.在本发明的一些实施例中，所述步骤(3)中，选取的植被指数为dvi-1、tvi-b-l、evi2、mtvib。
16.在本发明的一些实施例中，所述步骤(4)中，预测模型包括基于植被指数对低温胁迫小麦产量的预测模型、基于最小二乘回归对不同低温胁迫小麦产量的预测模型、基于岭回归对低温胁迫小麦产量的预测模型。
17.在本发明的一些实施例中，不同生育时期的基于最小二乘回归，小麦功能叶片的净光合速率与植被指数的预测模型如下：
18.孕穗期最小二乘回归预测模型：
19.pn＝101.009+124.859
×
evi2+1.783
×
tvi+(-372.502)
×
dvi-1+(-22.261)
×
mtvib；
20.抽穗期最小二乘回归预测模型：
21.pn＝-103.905+17.865
×
evi+66.564
×
mtvib+(-47.668)
×
dvi-1+(-0.059)
×
tvi-b-l；
22.开花期最小二乘回归预测模型：
23.pn＝277.914+(-70.817)
×
evi2+(-0.737)
×
tvi+(-3.227)
×
dvi-1+(-91.7)
×
mtvib；
24.灌浆期最小二乘回归预测模型：
25.pn＝-17.012+(-3.46)
×
evi2+(-1.401)
×
tvi+29.634
×
mtvib+6.792
×
dvi-1；
26.其中，dvi-1、tvi-b-l、evi2、mtvib为植被指数。
27.在本发明的一些实施例中，不同生育时期的基于岭回归，小麦功能叶片的净光合速率与植被指数的预测模型如下：
28.孕穗期岭回归预测模型：
29.pn＝103.421-39.288
×
evi2-9.715
×
mtvib+0.15
×
tvi-83.045
×
dvi-1；
30.抽穗期的岭回归预测模型：
31.p
n＝-17.182+32.748
×
mtvib-0.395
×
tvi-b-l-20.316
×
dvi-1-10.965
×
evi；
32.开花期的岭回归预测模型：
33.pn＝88.327-30.115
×
evi2-16.369
×
mtvib-0.291
×
tvi-17.016
×
dvi-1；
34.灌浆期的岭回归预测模型：
35.pn＝3.483-2.835
×
evi2-0.931
×
tvi+20.586
×
mtvib-20.599
×
dvi-1；
36.其中，dvi-1、tvi-b-l、evi2、mtvib为植被指数。
37.在本发明的一些实施例中，所述步骤(5)中，验证方法具体如下，通过单独的试验收集小麦孕穗期、抽穗期、开花期、灌浆期的光谱数据带入建立的预测模型中，得到一个产量的预测值，再通过决定系数与均方根误差将单独试验测量产量的真实值做对比。
38.与现有技术相比，本发明的有益效果是：
39.1)本发明通过设定不同的处理温度，在小麦孕穗期模拟低温胁迫，通过农学参数为链接建立小麦春季低温胁迫后的产量模型，从而预测春季低温胁迫对小麦产量的影响程度。
40.2)小麦在遭受低温胁迫后，叶片直接受到损伤，光合能力下降，进而导致小麦减产，本发明拟通过小麦功能叶片的净光合速率为连接点，建立“植被指数-p
n-产量”路径，引入岭回归和ols方法，运用岭回归和ols对植被指数和pn进行分析，与产量建立岭回归预测模型和ols预测模型。通过验证模型的估测精度，获得较好的预测春季低温胁迫后小麦产量模型，为探索减灾栽培技术措施提供参考。
附图说明
41.图1是本发明实施例中不同低温处理小麦产量的变化。
具体实施方式
42.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.基于高光谱遥感预测春季低温胁迫后小麦产量的方法，包括以下步骤：
44.1、以低温敏感性不同的小麦品种为材料，在孕穗期人工模拟低温处理。
45.试验于2021年11月至2022年5月在安徽农业大学校内试验基地农萃园(31
°
86
′
87
″
n，117
°
24
′
53
″
e)进行。设置2个试验。
46.试验一选用了4个低温敏感性不同的小麦品种(低温迟钝型小麦品种烟农19、淮麦44和低温敏感型小麦品种皖麦52、郑麦366)，采用盆栽同大田相结合的种植方式，盆钵的材料为聚乙烯塑料盆，直径30cm，高26cm，每个盆底均匀的打六个小孔用于排水。大田装土，每盆装土10.50kg，每盆播种20粒种子，均匀分布盆中，于2021年11月29日长至三叶一心时定苗，每盆10株。播种前每盆施入有机肥75.00g、复合肥(n:p:k的元素含量比为15:15:15)7.00g、纯氮2.10g，并在小麦拔节期每盆追施纯氮1.05g，埋于试验田中，其他管理同大田。于孕穗期(2022年3月17日至25日)，取盆栽置于人工气候室中进行低温处理，18:00～6:00温度分别设定为：0℃和-2℃，6:00～18:00温度均设定为5℃，光照强度设定为12000lx，湿度设定为70％，连续处理24h，处理后移回大田，以同品种未进行低温处理的小麦作为对照
(ck)。每个品种共三个处理，分别为ck、0℃和-2℃，每个处理为9盆，用于模型的建立。其中皖麦52和烟农19小麦品种每个处理共18盆用于模型的验证。
47.试验二以烟农19、皖麦52采用小区种植模式，小区的规格为4
×
2m，施肥量按照复合肥750kg
·
hm-2
，尿素300kg
·
hm-2
，基肥包括全部复合肥和150kg
·
hm-2
的尿素，拔节期追施尿素150kg
·
hm-2
。用于高光谱预测模型的验证。
48.2、高光谱获取数据
49.本试验使用的是analyticalspectraldevice公司(美国)生产的fieldspec4便携式地物高光谱仪器，测定的波段为350-2500nm，视场角度为25
°
，分别在小麦低温处理后孕穗期、抽穗期、开花期、灌浆期对小麦的冠层进行高光谱测量，收集高光谱数据。为了避免诸多环境带来的影响，对高光谱数据结果产生误差，测量选择在天气晴朗，风力微风或者没有风的情况下进行，测定的时间在上午10:00到下午2:00之间。测量之前先进行白板矫正，然后手持光谱测定传感器垂直于盆栽小麦冠层上方30cm处进行光谱数据的收集。每个小区重复3次测量，每次测量共收集10条光谱曲线，去除由环境噪音影响造成误差较大的数据，然后取平均值作为该处理的原始光谱数据。
50.3、净光合速率数据获取
51.与高光谱测定的时间同步进行，使用的是li-cor公司(美国)生产的li-6800新一代便携式光合测量仪器，于小麦的孕穗期、抽穗期、开花期、灌浆期进行主要功能叶片(孕穗测定倒二叶，抽穗期、开花期、灌浆期测定旗叶)pn的测定，每个小区选取9处测量，然后取其平均值，作为该小区的平均净光合速率值。
52.4、产量数据测定
53.每个小区选取涨势均匀的6盆小麦，测定每盆小麦的实际产量，然后以每盆的单位面积换算小麦的每公顷产量，重复3次，取其平均值，作为该处理小麦每公顷产量。大田产量采用随机量取1m2，重复3次，换算成小麦每公顷产量。
54.由图1可知，4个小麦品种在受到不同低温冻害时，小麦产量均显著下降，且随着处理温度的降低，小麦的产量越低。在0℃与-2℃处理下，与ck相比，烟农19产量分别下降了40.57％、62.43％，皖麦52产量分别下降了41.03％、59.72％，郑麦44产量分别下降了51.44％、59.93％，淮麦366产量分别下降了36.75％、42.55％。
55.5、数据处理
56.用viewspecpro6.0版本软件对原始光谱数据进行预处理，剔除由环境因素造成的异常值，进行平均处理。用excel2010、spss2022对数据进行统计分析，用origin2018对小麦不同处理得到的产量进行对比作图。
57.统计分析具体如下：
58.(1)将每个处理测量30次的光谱数据去除误差较大的反射波段，减小误差，进行平均处理。
59.(2)对净光合速率的数据去除误差较大的结果，进行平均处理。
60.(3)对植被指数与净光合速率进行相关性分析，建立模型，得到最优的4个植被指数。
61.(4)通过植被指数与净光合速率进行岭回归和最小二乘分析建模，得到的结果与产量建立模型。
62.6、植被指数选取
63.在综合现有技术的基础上，结合本试验，在将本试验的光谱数据带入所选的植被指数与本实验的小麦叶片净光合速率进行相关性分析和建立模型，最终得到最优植被指数，最终选取了以下植被指数(表1)，进行建模分析。
64.表1高光谱植被指数
[0065][0066]
注：r
550
、r
660
、r
670
、r
750
、r
800
、r
824
、r
651
分别为在550、660、670、750、800、651、824nm处的光谱反射率。
[0067]
7、建立预测模型和验证模型
[0068]
利用岭回归模型与最小二乘回归(ols)模型与植被指数相结合建立预测模型。
[0069]
将验证试验得到产量的真实值与预测模型得到的预测值建立模型，采用相关系数(r2)、均方根误差(rmse)和平均绝对百分比误差(mape)对验证模型进行模型评价(运用决定系数(r2)、均方根误差(rmse)和平均绝对百分比误差(mape)等统计参数进行模型评价，r2越接近1，rmse和mape越小，表明模型的预测精度越好)。yi为模型的的实测值，y’i
为模型的预测值，y为实测值的平均值，n和n均为样本。
[0070][0071][0072][0073]
(1)基于小麦功能叶片pn与产量的相关性分析
[0074]
由表2可知，各生育时期小麦叶片pn与产量的相关系数均达到了极显著水平(p＜0.01)，抽穗期最大为0.92，在灌浆期最小为0.84。各生育时期与产量的线性拟合方程决定系数(r2)在抽穗期最高，其次是孕穗期、开花期、灌浆期，r2分别为0.846、0.814、0.778、0.706。
[0075]
表2各生育时期小麦叶片pn与产量的相关分析和线性方程
[0076][0077]
注：**表示差异1％水平显著性
[0078]
(2)不同生育时期植被指数与小麦功能叶片pn的相关性分析
[0079]
由表3可知(表3中的数值为决定系数r2)，不同生育期小麦叶片pn与优选的4个植被指数的相关性均达到了显著水平(p＜0.01)，其中，与植被指数dvi-1、tvi-b-l、evi2呈负相关，与mtvib呈正相关，说明可以用优选的植被指数对各时期小麦叶片的pn进行预测。
[0080]
表3各生育时期植被指数与小麦叶片pn的相关分析
[0081][0082]
注：**表示差异1％水平显著性
[0083]
(3)植被指数与小麦功能叶片pn的模型建立与验证
[0084]
表4显示的是各个生育时期优选的植被指数与小麦叶片pn的预测模型与模型的验证，其中，孕穗期以mtvib植被指数模型最优，建立模型的r2为0.747，验证模型的r2为0.783，均方根误差rmse为3.089。抽穗期以dvi-1植被指数模型最优，建立模型的r2为0.862，验证模型的r2为0.881，均方根误差rmse为0.847。开花期以evi2植被指数模型最优，建立模型的r2为0.734，验证模型的r2为0.824，均方根误差rmse为1.608。灌浆期以mtvi-b-l植被指数模型最优，建立模型的r2为0.674，验证模型的r2为0.526，均方根误差rmse为3.434。每个时期最优的模型基本上都不一样，整个生育时期预测小麦叶片pn的最佳模型是在抽穗期，灌浆期的预测模型较差。
[0085]
表4不同生育时期的植被指数与小麦叶片pn的拟合模型及验证
[0086][0087]
(4)基于植被指数对不同低温胁迫小麦产量的预测模型
[0088]
通过各生育期小麦叶片的pn与产量建立模型(表2)，预测精度较好，将各个时期优选的植被指数与各个时期小麦叶片pn建立模型，模型预测的精度是可行的。为了提高模型的估测精度，以小麦叶片的pn为连接点，建立“植被指数-p
n-产量”技术路线，构建高光谱产量估测模型。将4个植被指数(dvi-1、tvi-b-l、evi2、mtvib)与小麦叶片净光合速率进行ols和岭回归分析建模，得到小麦叶片净光合速率的预测值，导入净光合速率与产量建立的方程，得出产量的与预测值。由表5可知，利用单独的试验验证，在孕穗期，以dvi-1植被指数建立的模型最好，验证的决定系r2为0.563，rmse为1462.920kg
·
hm-2
，mape为19.18％。在抽穗期，以dvi-1植被指数建立的模型最好，验证的决定系数r2为0.892，rmse为756.210kg
·
hm-2
，mape为9.78％。在开花期，以tvi-b-l植被指数建立的模型最好，验证的决定系数r2为0.856，rmse为958.575kg
·
hm-2
，mape为15.16％。在灌浆期，优选的植被指数验证精度较差，这是小麦叶片在受冻后，后期叶片的损伤比较大，所以预测的模型达不到预想的结果。综上，小麦在受冻后，在抽穗期用dvi-1植被指数建立的预测模型最好，可以很好的对小麦产量的估测。
[0089]
表5基于各个时期植被指数与小麦产量的模型与验证结果
[0090][0091][0092]
(5)基于ols对不同低温胁迫小麦产量的预测模型
[0093]
通过4个优选的植被指数结合与pn进行最小二乘分析，结果如表6所示，得出各个时期的ols预测模型。在孕穗期、抽穗期、开花期、灌浆期的f值分析得出，水平上呈现显著性，因此模型满足要求。通过“ols-p
n-产量”技术路线，得到最优的产量模型。
[0094]
孕穗期ols预测模型：
[0095]
pn＝101.009+124.859
×
evi2+1.783
×
tvi+(-372.502)
×
dvi-1+(-22.261)
×
mtvib
[0096]
抽穗期ols预测模型：
[0097]
pn＝-103.905+17.865
×
evi+66.564
×
mtvib+(-47.668)
×
dvi-1+(-0.059)
×
tvi-b-l
[0098]
开花期ols预测模型：
[0099]
pn＝277.914+(-70.817)
×
evi2+(-0.737)
×
tvi+(-3.227)
×
dvi-1+(-91.7)
×
mtvib
[0100]
灌浆期ols预测模型：
[0101]
pn＝-17.012+(-3.46)
×
evi2+(-1.401)
×
tvi+29.634
×
mtvib+6.792
×
dvi-1
[0102]
表6ols分析
[0103][0104][0105]
(6)基于岭回归对不同低温胁迫小麦产量的预测模型
[0106]
将4个优选的植被指数和小麦叶片pn进行岭回归分析，得到最优的产量预测模型。岭回归结果显示(表7)。
[0107]
孕穗期岭回归预测模型：
[0108]
pn＝103.421-39.288
×
evi2-9.715
×
mtvib+0.15
×
tvi-83.045
×
dvi-1
[0109]
抽穗期的岭回归预测模型：
[0110]
p
n＝-17.182+32.748
×
mtvib-0.395
×
tvi-b-l-20.316
×
dvi-1-10.965
×
evi
[0111]
开花期的岭回归预测模型：
[0112]
pn＝88.327-30.115
×
evi2-16.369
×
mtvib-0.291
×
tvi-17.016
×
dvi-1
[0113]
灌浆期的岭回归预测模型：
[0114]
pn＝3.483-2.835
×
evi2-0.931
×
tvi+20.586
×
mtvib-20.599
×
dvi-1
[0115]
表7岭回归分析
[0116][0117]
(8)预测模型验证
[0118]
基于“植被指数模型”与“岭回归模型”和“ols模型”对比。由表8可知，对小麦叶片pn预测模型的验证精度对比，在孕穗期对比各种的模型参数可知，基于ols预测模型最为优秀，验证模型的r2和rmse分别为0.839和0.816。在抽穗期、开花期和灌浆期对比各种模型，以岭回归预测模型最为优秀，验证模型的r2和rmse分别为0.882、0.834、0.519和0.84、1.60、3.27。
[0119]
表8小麦叶片pn预测模型对比
[0120][0121]
基于“植被指数模型”与“岭回归模型”和“ols模型”对比，由表9可知，对小麦产量的预测模型的验证精度对比，验证的决定系数均r2提高，百分比误差下降，均方根误差降低，在孕穗期，以ols预测模型最好，r2、rmse和mape分别为0.588、1494.405kg
·
hm-2
和23.03％。抽穗期、开花期以岭回归预测模型最好，r2、rmse和mape分别为0.897、0.865，711.480、815.700kg
·
hm-2
和8.75％、11.81％。灌浆期由于叶片的受损程度较大，估测模型精度较差。
[0122]
表9小麦产量预测模型精度对比
[0123][0124][0125]
小麦在拔节—孕穗期遭受低温胁迫时，对小麦的千粒重、穗粒数有着显著的影响，
这是导致小麦产量下降的主要原因。本发明发现，在孕穗期，随着胁迫温度的下降，小麦的产量也随之下降。通过对不同生育时期的优选的植被指数与pn和产量的相关性分析，均表现为极显著相关，孕穗期、抽穗期、开花期的相关性最好，其次是灌浆期。在孕穗期、抽穗期、开花期，小麦的营养生长最为旺盛，地表全部覆盖，光谱的反射率在近红外和红边等区域表现最为明显。进入到灌浆期，小麦的叶片逐渐老化、损伤，导致高光谱的反射率也发生变化。植被指数是预测作物产量的重要手段，本发明通过单一植被指数预测小麦产量，基于各个生育时期预测的效果差异明显。单一的植被指数仅仅使用某些波长作为自变量来预测作物的产量，在作物不同的生育时期，使用同一种植被指数来预测往往会有较大的误差。不同的植被指数预测作物的产量能力不同，可能会造成一定的误差，其稳定性也有一定的差异。本发明引入岭回归模型和ols模型，利用筛选出的4个优秀植被指数进行小麦各个时期的岭回归和ols分析，从而得到预测春季低温胁迫小麦产量的岭回归模型和ols预测模型。
[0126]
本发明引入了pn为预测小麦产量的中间重要参数，通过分析得出小麦各生育时期叶片pn与产量呈显著性相关。建立基于pn的产量模型。利用独立数据对模型进行验证，验证精度较好，可以使用以小麦pn为中间参数建立产量预测模型。
[0127]
各个时期的植被指数与小麦叶片pn分析的得出，植被指数均与小麦叶片pn呈显著相关，每个时期植被指数与小麦叶片pn建立模型，通过独立数据验证，均可以较好的预测小麦叶片pn。通过岭回归模型和ols模型与各个时期预测最好的植被指数预测模型对比，r2有所提升，在孕穗期相比于ols模型，rmse降低了14.62％。在抽穗期，开花期和灌浆期相比于岭回归模型，rmse分别降低了1.17％、0.62％、4.66％。
[0128]
各个时期的小麦叶片pn与产量的相关性，均呈显著性相关。通过“岭回归预测模型”和“ols预测模型”与植被指数预测模型对比：在孕穗期以ols预测模型最好，rmse降低了4.69％。在抽穗期和开花期以岭回归模型最好，rmse分别降低4.09％、11.89％。在开花期，岭回归模型的增幅最大。但由于受低温的影响，在灌浆期，模型的预测精度均比较的低，可能是由于小麦叶片老化和受损严重导致的。但基于ols模型在孕穗期和岭回归模型在抽穗期、开花旗的预测均具有较好的精度，可为高光谱预测小麦春季冻害产量的预测提供理论基础和思想路线。
[0129]
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

技术特征：
1.基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于，包括以下步骤：(1)以低温敏感性不同的小麦品种为材料，在孕穗期人工模拟低温处理；(2)通过高光谱遥感获取低温处理后小麦孕穗期、抽穗期、开花期、灌浆期的生长信息，同步测得小麦功能叶片的净光合速率；(3)利用viewspecpro软件对步骤(2)获得的数据进行处理，得到每个采样波段的反射率，对植被指数与小麦叶片净光合速率进行相关性分析，得到4种相关性最高的植被指数；(4)对小麦净光合速率与产量的相关性分析，结果相关性高，达到建模要求，将4种相关性最高的植被指数与小麦功能叶片的净光合速率进行岭回归分析建模和最小二乘法分析建模，得到的结果数据与产量数据建立产量预测模型；(5)对预测模型进行验证。2.根据权利要求1所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于：所述步骤(1)中，低温处理的具体方法如下，在18:00-6:00温度分别设定为-2℃和0℃，6:00-18:00温度设定为5℃，光照强度设定为12000lx，湿度设定为70％，连续处理24h。3.根据权利要求1所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于：所述步骤(2)中，高光谱遥感获取数据之前先进行白板矫正，然后手持高光谱测定传感器垂直于小麦冠层上方30cm处进行光谱数据的收集，每个小区进行3次重复测量，每次测量收集10条光谱曲线，去除由环境噪音影响造成的误差较大的数据，然后取平均值作为该处理的原始光谱数据。4.根据权利要求1所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于：所述步骤(2)中，孕穗期的功能叶片选取倒二叶，抽穗期、开花期、灌浆期的功能叶片选取旗叶。5.根据权利要求1所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于：所述步骤(3)中，选取的植被指数为dvi-1、tvi-b-l、evi2、mtvib。6.根据权利要求5所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于：所述步骤(4)中，预测模型包括基于植被指数对低温胁迫小麦产量的预测模型、基于最小二乘回归对不同低温胁迫小麦产量的预测模型、基于岭回归对低温胁迫小麦产量的预测模型。7.根据权利要求6所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于，不同生育时期的基于最小二乘回归，小麦功能叶片的净光合速率与植被指数的预测模型如下：孕穗期最小二乘回归预测模型：p
n
＝101.009+124.859
×
evi2+1.783
×
tvi+(-372.502)
×
dvi-1+(-22.261)
×
mtvib；抽穗期最小二乘回归预测模型：p
n
＝-103.905+17.865
×
evi+66.564
×
mtvib+(-47.668)
×
dvi-1+(-0.059)
×
tvi-b-l；开花期最小二乘回归预测模型：p
n
＝277.914+(-70.817)
×
evi2+(-0.737)
×
tvi+(-3.227)
×
dvi-1+(-91.7)
×
mtvib；灌浆期最小二乘回归预测模型：p
n
＝-17.012+(-3.46)
×
evi2+(-1.401)
×
tvi+29.634
×
mtvib+6.792
×
dvi-1；其中，dvi-1、tvi-b-l、evi2、mtvib为植被指数。
8.根据权利要求6所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于，不同生育时期的基于岭回归，小麦功能叶片的净光合速率与植被指数的预测模型如下：孕穗期岭回归预测模型：p
n
＝103.421-39.288
×
evi2-9.715
×
mtvib+0.15
×
tvi-83.045
×
dvi-1；抽穗期的岭回归预测模型：p
n＝-17.182+32.748
×
mtvib-0.395
×
tvi-b-l-20.316
×
dvi-1-10.965
×
evi；开花期的岭回归预测模型：p
n
＝88.327-30.115
×
evi2-16.369
×
mtvib-0.291
×
tvi-17.016
×
dvi-1；灌浆期的岭回归预测模型：p
n
＝3.483-2.835
×
evi2-0.931
×
tvi+20.586
×
mtvib-20.599
×
dvi-1；其中，dvi-1、tvi-b-l、evi2、mtvib为植被指数。9.根据权利要求1所述的基于高光谱遥感预测春季低温胁迫后小麦产量的方法，其特征在于：所述步骤(5)中，验证方法具体如下，通过单独的试验收集小麦孕穗期、抽穗期、开花期、灌浆期的光谱数据带入建立的预测模型中，得到一个产量的预测值，再通过决定系数与均方根误差将单独试验测量产量的真实值做对比。

技术总结
本发明公开了基于高光谱遥感预测春季低温胁迫后小麦产量的方法，包括以下步骤：以低温敏感性不同的小麦品种为材料，在孕穗期人工模拟低温处理；通过高光谱遥感获取小麦低温处理后孕穗期、抽穗期、开花期、灌浆期的生长信息，测得小麦功能叶片的净光合速率；对数据进行处理，对植被指数与小麦叶片净光合速率进行相关性分析，得到最优的植被指数，建立并验证不同生育时期的植被指数与小麦功能叶片净光合速率的预测模型；结合小麦功能叶片净光合速率和植被指数运用最小二乘回归、岭回归建立预测模型；对预测模型进行验证。本发明可以预测春季低温胁迫对小麦产量的影响程度。春季低温胁迫对小麦产量的影响程度。春季低温胁迫对小麦产量的影响程度。


技术研发人员：张文静 李洋 张安民 周琦锐 李凌雨 黄正来 马尚宇 樊永惠
受保护的技术使用者：安徽农业大学
技术研发日：2023.07.12
技术公布日：2023/10/15