选择特殊符号
选择搜索类型
请输入搜索
叶面积指数(leaf area index)又叫叶面积系数,是指单位土地面积上植物叶片总面积占土地面积的倍数。即:叶面积指数=叶片总面积/土地面积。
叶面积指数(leaf area index)又叫叶面积系数,是指单位土地面积上植物叶片总面积占土地面积的倍数。即:叶面积指数=叶片总面积/土地面积。
就算有,也是根据林分不同的经验公式。尤其是叶面积指数,像华山松柱状针叶预先没有准备工作的预算,是不行的。如果你非要知道,可以给你个大概:果树叶面积系数一般是3-6(树冠投影面积的3-6倍)。针叶树5-...
不同生育时期叶面积指数不同,从出苗到抽雄吐丝期叶面积指数不断增加,从抽雄吐丝到成熟期叶面积指数逐渐降低。范围从0~6左右,一般在玉米抽雄吐丝期达到最大,高产田块可以达到6.5左右,一般田块4~6左右。
基于热点植被指数的冬小麦叶面积指数估算
针对传统植被指数方法中利用单一方向的光谱特性估测LAI容易出现饱和现象和冠层结构信息不足的缺陷,以二向反射特性的归一化植被指数(NHVI)为基础,将表征叶片空间分布模式的热暗点指数(HDS)引入土壤调整型植被指数(SAVI),增强型植被指数(EVI)中,构建具有二向反射特性的土壤调整型热点植被指数(SAHVI)和增强型热点植被指数(EHVI)。同时使用红光,近红外,蓝光和绿光波段计算HDS,选择对LAI敏感性较高的HDS参与构建新型植被指数,并利用试验测量的小麦冠层二向反射率数据和叶面积指数,研究新型植被指数与LAI的线性关系。结果表明:基于蓝光和红光波段计算的HDS参与构建的EHVI、SAHVI与LAI的线性相关程度要优于EVI、SAVI,且较NHVI有进一步提高,能有效缓解LAI估算中植被指数饱和现象。
冬小麦叶面积指数的高光谱估算模型研究
本文以山东禹城为研究区,利用地面实测光谱数据,探讨不同植被指数和红边参数建立高光谱模型反演冬小麦叶面积指数的精度。通过逐波段分析计算了4种植被指数(NDVI、RVI、SAVI、EVI),结合同步观测LAI数据,确定反演叶面积指数的最优波段;计算了5种常用的高光谱植被指数MCARI、MCARI2、OSAVI、MTVI2、MSAVI2,同时利用4种常用方法计算红边位置和红谷,与实测LAI进行回归分析,比较植被指数和红边参数模型对冬小麦LAI的估测精度。结果表明各因子与LAI均具有较高的相关性,整个研究区归一化植被指数具有最高的反演精度,确定了估算冬小麦LAI的最优模型,并使用独立的LAI观测数据对模型进行了验证。
植被是陆表生态系统的重要组成成分,而叶片则是植被与外界进行相互作用的一个重要器官,叶面积指数是定量描述植被进行光合作用、呼吸作用、蒸腾作用的一个重要参数,被定义为单位地表面积上植被冠层叶面积的一半。对于叶面积指数的地面测量方法,分为直接和间接测量,目前已有众多学者对每一种测量方法的优缺点以及适应条件进行了充分的综述。
在众多地面简介测量方法中,利用摄影成像技术获取植被叶面积指数是其中的一种重要分支。成像方法测量叶面积指数的基本原理是通过对植被冠层进行单一角度或者多角度拍照,并采用一种合适的分类方法,根据拍照的角度不同,进行处理后得到植被冠层单一角度或者多角度间隙率,然后根据间隙率模型推算叶面积指数。相比较于一些专用的LAI测量仪器,在摄影成像法获取叶面积指数的技术方案中,可用的成像设备类型比较丰富,包括专业的单反相机以及普通的数码相机,还有早期的胶片相机。因此,摄影成像法是一种更为灵活的LAI地面测量技术。
随着移动终端技术的发展,当前的手机或平板电脑中已经集成了多种传感器,其中成像传感器已经成了智能手机的标准配置。因此,在传统的摄影成像技术之上,最近几年来,有些研究者尝试利用智能手机来获取植被叶面积指数。REF等曾发布了一种基于智能手机的APP,可以运行于安卓系统与苹果系统,通过获取特定角度(57.5°)的植被冠层间隙率来推算叶面积指数。REF并首先在ascatter-seededrice作物类型中进行了测试,其后,REF对PocketLAI进行了更多种植被类型的对比试验。Confalonieri等的研究成果为基于非常容易得到的智能手机实现专业的植被叶面积指数测量提供了一个很好的例子。
与PocketLAI类似,本文也实现了一种基于智能终端的植被叶面积指数测量系统(称之为LAISmart),但LAISmart比PocketLAI提供了更为灵活的操作方式以及用户可选的分类特征集,从设备操作方便性以及算法灵活性上进行了优化。因此,我们设计LAISmart系统的目的有两个,一是充分利用当前成熟的智能终端设备的成像与高性能计算功能,实现植被叶面积指数实时计算;二是为用户提供操作与数据处理选择,方便用户根据实际情况进行测量设置。
与已有的智能手机LAI测量系统比较,LAISmart在以下三个方面进行了改进。第一方面是提供了更为灵活的拍摄角度,不仅仅局限于单一的57.5°。虽然(Wilson1960)早在1960年就从理论上分析了当观测天顶角为57.5°时候,叶片在这个观测方向的投影函数近似等于0.5而与叶倾角无关。然而,(Liu,Patteyetal.2013)等对农作物的冠层结果表明,当LAI值大于1.5以后,在57.5°时获取的LAI值并不能比垂直观测视角观测值有更好的质量提升,反而,57.5°的观测值更容易受到图像分类精度的影响,因为随着冠层间隙率减少,图像信号强度随着路径长度的增加而降低。因此,在LAISmart中,我们不再将观测角度固定在57.5°,而是提供了一个灵活的观测方式,用户可以根据实际情况自行设置冠层角度(0-180°之间)。第二个改进是,LAISmart提供了更为灵活的图像分类特征选择,用户可以根据植被类型以及天空光照条件选择合适的分类特征。基于摄影成像技术的叶面积指数测量精度,直接受制于图像的分类精度。由于拍摄条件的差异以及植被类型的差异,在分类算法相同的情况下,选择不同的分类特征会得到差异非常大的分类结果,从而导致从同一幅影像中提取的间隙率差异很大。因此,很难有一个固定的分类特征能够适应不同的光照条件以及植被类型。在LAISmart中,我们提供了多种分类特征供用户选择。第三个改进方面是LAISmart实现了一种集成式的野外测量设备,由数据采集终端、数据处理终端以及一个便携式仪器支架组成。这种集成式的装配方式能够提高用户的野外工作效率。由于LAISmart成像的观测角度不再固定位57.5°,当用户选择较小的观测角度,例如0°左右的时候,如果以手持手机进行拍照的话,很容易将操作者拍摄进照片中。并且,由于此时用户视线不是正对着手机屏幕,因此,对手机的操作很不方便。为了提高仪器野外操作的便利性,我们将取景工作与监控两部分工作进行分离,利用前端手机实现取景与倾角计算,利用后端手机实现对前端手机的监控以及图像实时分类和LAI计算。前端与后端之间通过无线热点进行联网与数据传输。
LAISmart由硬件和软件组成,其中硬件包括信息采集智能终端、用户操作控制台与仪器支架;软件包括信息采集软件模块、无线传输控制模块以及实时计算存储模块。其中信息采集软件模块内嵌在信息采集智能终端中;无线传输控制模块分别部署在信息采集智能终端与用户操作控制台内,负责建立信息采集终端与用户操作控制台连接;实时计算存储模块内嵌在用户操作控制台智能终端系统内。图1分别显示了LAISmart各模块之间的连接关系(a)以及LAISmart系统设计图(b)。
信息采集智能终端和用户操作控制台分别是一个智能手机系统,其中智能手机硬件系统要求配置GPS传感器、陀螺仪传感器、环境光照传感器、成像传感器、WIFI传感器,操作系统为安卓4.0以上。
信息采集软件负责完成成像传感器、GPS传感器、陀螺传感器信息采集,并将采集到的传感器数据通过无线传输控制模块发送到用户操作控制台。LAI实时计算存储模块部署在用户操作控制台内,负责接收无线传输控制模块传来的图像并对图像进行自动处理,并负责把处理结果保存在用户操作控制台终端的存储器上。在LAISmart系统开始工作的时候,首先打开用户操作控制台的无线热点功能,信息采集智能终端通过wifi与用户操作控制台的无线热点建立连接,从而达到在用户操作控制台上管理、控制信息采集智能终端的目的。
1.1LAI计算方法
根据冠层间隙率分布规律,如果叶片随机分布且叶子尺寸远远小于冠层尺寸,则冠层间隙率与叶面积指数之间的关系为(Nilson1971)
基于可以得到LAI的计算公式
其中为冠层间隙率,为观测点顶角,为叶片在观测方向上平均投影面积比。
由可知,计算LAI值需要预先得到。然而,叶片的投影比是一个与叶倾角分布以及观测几何有关的函数,严格的计算需要多个角度的观测间隙率,这势必增加观测的复杂度。Goudriaan等的研究结果表明,叶倾角分布函数可以用球形分布来近似,这时候的叶片平均投影面积比为0.5,且和传感器的视场角无关(Goudriaan1988)。基于这个假设,(LiuandPattey2010;Liu,Patteyetal.2013)等实现了用单一角度(垂直向下)的数字照片中获取农作物叶面积指数。在本文中,仍然采用这一假设,则有
其中来自信息采集智能终端的陀螺仪姿态信息,即俯仰角,冠层间隙率等同于信息采集智能终端在观测方向的图像中的背景像素所占的比例(向下拍摄时土壤为背景,向上拍摄时天空为背景)。对的计算是通过对图像分类而得到的。
1.2冠层间隙率计算
在测量时,用户可以根据植被高度变化来设置信息采集终端的成像传感器的镜头的拍摄方向。对于高大树木或者较高的农作物(如玉米),此时的摄像传感器镜头向上拍摄。这时,视野内只有植被与天空;而对于低矮的农作物,用户可以将传感器距离冠层一定高度向下拍摄。此时的视场内为植被与土壤。因此,对于图像中间隙率的提取其实就是对数字照片中的植被与非植被的自动分类。
日本学者大津于1979年提出一种自动提取图像前景与背景分割阈值的算法,称之为大津法(OTSU)(Otsu1979)。OTSU算法的原理是寻找一个分割阈值,使得分割后的二值图像类间方差法最大。目前OTSU算法在图像自动分割、图像阴影提取与消除等多个方面得到的广泛应用。本文采用OTSU算法实现图像中间隙率的自动提取。
但是,由于拍摄条件不同(成像传感器方向、天空光比例)等的影响,图像中的背景(天空或土壤)和前景(植被)的分类特征会发生变化,因此,很难保持一种特征实现对各种情况图像的自动分割。因此,在LAISmart系统中,基于原始的RGB图像,系统提供了3种分类特征供用户选择,分别是:绿度指数(GI)(Booth,Coxetal.2005),即GI=(2*G-R-B)/(2*G-R-B);蓝色波段亮度值(B);图像HSV空间的亮度(V)。其中GI对于区分向下拍摄的图像中的植被与土壤比较有效,而B则能够有效区分散射光较强的情况向上拍摄的照片的植被与天空,V则适用于在晴天情况下向上拍摄的图像分割。在LAISmart采用OpenCV函数库(http://opencv.org)实现OTSU算法。
1.3测量实验
为了验证LAISmart在不同林种的测量性能,我们在北京师范大学校园内(北京,中国)选择了两个测量实验区,分别称之为S1测区(N39.961°,E116.366°)和S2测区(N39.963,E116.362),测区面积分别是30*40m2和60*50m2。S1测区内主要树种包括侧柏(Platycladusorientalis)与白皮松(Cuspidaianana),属于针叶林,S2测区主要树种为悬铃木(Platanushispanica),属于阔叶林。S1和S2区的测量时间是2015年5月26日与29日。为了减少太阳直射光的影响,提高图像的分类精度,我们选择黄昏时间,天空散射光比例较大的情况进行观测。测量时,操作人员手持LAISmart使传感器视角尽量垂直向上拍摄,这样在视场内看到的只有植被与天空。我们还同步进行了LAI-2000设备的观测。LAISmart的camera图像分辨率为320*480Pixel,测量时将系统设置为自动曝光模式。
两个实验区测量剖线以及测量点分布分别如图2(a),(b)所示。图中箭头方向代表行进方向,测点间的距离大约5米。S1实验区在南北测量方向上,LAI-2000的测量方式为每条剖线开始测量之前,测量一次总的天空散射辐射,然后在每条剖线上测量7次透过辐射(简称为1上7下),而在东西方向为1上5下。实验中一共12条剖线,图中数字代表剖线编号。LAISmart的测量位置在剖线的网格的交点附近(误差不超过1m)。在S2测区部署了5条南北向剖线,LAI-2000和LAISmart在剖线上分别进行测量,LAI-2000采用1上7下模式。
土壤中农药污染的来源主要有直接和间接2种形式。
一是农药直接施于土壤。如一些除草剂或以拌种、浸种和毒谷等形式施入土壤。二是向作物喷洒农药时有一部分直接落到地面上。农药按此途径进入土壤所占的比例在作物生长前期大于生长后期、农作物叶面积指数小的大于叶面积指数大的、颗粒剂大于粉剂、农药雾滴大的大于雾滴小的、静风小于有风。
一是附着在作物上的农药。为防治病虫害向作物喷洒农药时,除一部分直接落到地面,相当部分附着在作物表面,经风吹雨淋落入土壤中。二是悬浮大气中的农药。部分农药随喷洒过程直接进入大气,悬浮于大气中的农药颗粒或以气态形式存在的农药,经雨水溶解和淋失,降落到土壤中。三是动植物残体上的农药。含有农药的动植物残体经分解将农药带入土壤’。四是灌溉水中含有的农药。用来灌溉,农药随着灌溉过程进入土壤。
水旱胁迫是一种客观存在的自然现象,其表现形式为土壤水分过多(涝渍)、过少(干旱)所形成的单独胁迫、或者其不同形式交替胁迫的组合。现行的作物水分生产函数主要以单一的受旱、受涝、受渍或者涝渍胁迫为条件,模型的形式有多种,各有相应的适用范围,但缺乏水旱交替胁迫下具有作物生理机理的统一模型。本课题通过试验观测,研究作物生长环境(水、气、养分等)、作物生理及形态特征(气孔开度、叶水势、叶面积指数、株高、茎粗等)对水旱胁迫的响应,研究水旱胁迫对作物干物质积累过程及最终产量的影响,揭示作物及其生长环境对水旱胁迫的响应规律,形成描述水旱胁迫的特征指标,建立水旱交替胁迫条件下的作物水分生产函数的统一模型。本研究拟解决农业生产中水旱灾害评估和防灾减灾中的一个关键性的科学问题,其成果对于保障农作物生长、实现水资源高效利用、减少水旱灾害损失、合理调度及管理农田水利工程等具有重要的理论与实际应用价值。