Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева

Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева

Автор: Якушев В.П., Канаш Е.В., Русаков Д.В., Якушев В.В., Блохина С.Ю., Петрушин А.Ф., Блохин Ю.И., Митрофанова О.А., Митрофанов Е.П.

Журнал: Сельскохозяйственная биология @agrobiology

Рубрика: Урожайность и адаптивность пшеницы

Статья в выпуске: 1 т.57, 2022 года.

Бесплатный доступ

Усовершенствование методов дистанционного мониторинга посевов в системах точного земледелия и разработка алгоритмов дешифрования космических и аэрофотоснимков требуют сопоставления полученных данных с результатами наземного обследования. В настоящей работе впервые получены данные о спектральных характеристиках диффузного отражения листьев яровой пшеницы, их связи с продуктивностью растений, колориметрическими характеристиками и вегетационными индексами отражения растительного покрова, сформированного этой культурой в зависимости от применяемых технологий управления посевами. Цель работы - на примере яровой пшеницы ( Triticum aestivum L.) оценить зависимость оптических характеристик и продуктивности посевов от нормы высева семян и дозы внесенных перед посевом азотных удобрений, а также определить наличие корреляционных связей между дистанционно измеренными оптическими характеристиками растительного покрова и спектральными характеристиками диффузного отражения листьев при регистрации контактным сенсором. Объектом исследования служили посевы яровой пшеницы сорта Дарья. Растения выращивали на поле Меньковского филиала ФГБНУ Агрофизического научно-исследовательского института (АФИ) (Ленинградская обл., Гатчинский р-н) в 2019-2020 годах. Всего было заложено 6 тестовых площадок площадью по 100 м2. Дозы азота варьировали от 0 (удобрения не вносили) до 200 кг/га с шагом 40 кг/га, норма высева семян составляла 6,0 и 5,0 млн/га (500 и 600 шт/м2). Спектральные характеристики диффузного отражения листьев определяли in situ на стадиях выход в трубку и колошение с помощью оптоволоконной спектрорадиометрической системы («Ocean Insight», США), в диапазоне от 350 до 1000 нм с шагом 0,3 нм. После регистрации спектров отражения растения высушивали до постоянной массы и взвешивали индивидуально. Биомассу одного растения использовали для изучения корреляционных связей с оптическими характеристиками листьев. По спектрам отраженной радиации определяли меру рассеяния света листом R800 и рассчитывали индексы отражения, характеризующие активность фотосинтетического аппарата: содержание хлорофилла (ChlRI), фотохимическую активность фотосинтетического аппарата (PRI), содержание воды (WRI), антоцианов (ARI) и флавоноидов (FRI). Во время основных фаз развития яровой пшеницы (кущение, выход в трубку, колошение, цветение) проводили дистанционную фотосъемку посевов. Цифровые изображения в видимом и ближнем инфракрасном диапазоне спектра получали с высоты 75-120 м с помощью двух синхронизированных цифровых камер Canon G7X («Canon, Inc.», Япония), установленных на квадрокоптере Геоскан 401 (ГК «Геоскан», Россия). При обработке оптических характеристик были рассчитаны вегетационные индексы NDVI (нормализованный разностный вегетационный индекс) и ARVI (устойчивый к влиянию атмосферы вегетационный индекс). Для количественного описания колориметрических характеристик листьев и сформированного посевом растительного покрова использовали трехмерную модель цветового пространства CIELAB. В период вегетации весовым методом определяли биомассу, в конце вегетации - зерновую продуктивность растений. В этом случае отбор растений проводился на выделенных учетных делянках площадью 0,25 м2. Полученные результаты свидетельствуют, что на ранних этапах развития растений, пока сформированный ими покров остается разомкнутым, NDVI позволяет достаточно точно диагностировать степень обеспеченности растений азотом и выявить участки поля, на которых они хуже развиты. Однако по мере развития растений и формирования сомкнутого растительного покрова этот показатель не давал надежных результатов. Использование ADVI также не позволяло получить надежную и достоверную информацию о состоянии яровой пшеницы и выявить участки посева, требующие внесения дополнительных удобрений. Тесная линейная корреляционная связь между дозой внесенных азотных удобрений, нетто продуктивностью растений и измеренными контактно спектральными характеристиками листьев сохранялась до поздних стадий развития (колошение, цветение). Диагностика состояния посевов по колориметрическим характеристикам давала возможность обнаружить изменения растительного покрова, связанные не только со степенью развития и густотой стояния растений, но и с особенностями спектральных характеристик диффузного отражения их листьев. Сравнение данных, полученных дистанционно и с помощью контактного сенсора, позволяют сделать вывод, что индексы ChlRI, PRI, FRI и WRI могут быть успешно применены для выявления участков посева, в которых сложился дефицит азотного питания при формировании сомкнутого растительного покрова, когда обычно применяемые вегетационные индексы, например NDVI, не дают надежных результатов.

Еще

Пшеница яровая, индексы отражения, спектральные характеристики, дистанционный мониторинг, дефицит азота, точное земледелие

Короткий адрес: https://sciup.org/142234471

IDR: 142234471

Список литературы Корреляционные зависимости между вегетационными индексами, урожаем зерна и оптическими характеристиками листьев пшеницы при разном содержании в почве азота и густоте посева

  • Якушев В.П., Дубенок Н.Н., Лупян Е.А. Опыт применения и перспективы развития технологий дистанционного зондирования Земли для сельского хозяйства. Современные проблемы дистанционного зондирования Земли из космоса, 2019, 16(3): 11-23 ^ок 10.21046/20707401-2019-16-3-11-23).
  • Lu R., Van Beers R., Saeys W., Li C., Cen H. Measurement of optical properties of fruits and vegetables: A review. Postharvest Biology and Technology, 2020, 159: 111003 (doi: 10.1016/j.post-harvbio.2019.111003).
  • Gitelson A., Solovchenko A., Vica A. Foliar absorption coefficient derived from reflectance spectra: a gauge of the efficiency of in situ light-capture by different pigment groups. Journal of Plant Physiology, 2020, 254: 153277 (doi: 10.1016/j.jplph.2020.153277).
  • Fu P., Meacham-Hensold K., Guan K., Wu J., Bernacchi C. Estimating photosynthetic traits from reflectance spectra: A synthesis of spectral indices, numerical inversion, and partial least square regression. Plant, Cell & Environment, 2020, 43(5): 1241-1258 (doi: 10.1111/pce.13718).
  • Gaso D.V., Berger A.G., Ciganda V.S. Predicting wheat grain yield and spatial variability at field scale using a simple regression or a crop model in conjunction with Landsat images. Computers and Electronics in Agriculture, 2019, 159: 75-83 (doi: 10.1016/j.compag.2019.02.026).
  • Якушев В.П., Канаш Е.В., Осипов Ю.А., Якушев В.В., Лекомцев П.В., Воропаев В.В. Оптические критерии при контактной и дистанционной диагностике состояния посевов пшеницы и эффективности фотосинтеза на фоне дефицита минерального питания. Сельскохозяйственная биология, 2010, 3: 94-101.
  • Yakushev V.P., Kanash E.V. Evaluation of plants nitrogen status by colorimetric characteristics of crop canopy presented in digital images. Proc. 8th European Conference on Precision Agriculture /J.V. Stafford (ed.). Prague, 2011: 341-345.
  • Araus J.L., Casadesus J., Bort J. Recent tools for the screening of physiological traits determining yield. In: Application of physiology in wheat breeding. Chapter 5 /M.P. Reynolds, J.I. Ortiz-Mon-asterio, A. McNab (eds.). CIMMYT, Mexico, 2001: 59-77.
  • Penuelas J., Pinol J., Ogaya R., Filella I. Estimation of plant water concentrationby the reflectance water index WI (R900/R970). International Journal of Remote Sensing, 1997, 18(13): 28692875 (doi: doi.org/10.1080/014311697217396).
  • Rouse J.W., Haas R.H., Schell J.A., Deering D.W. Monitoring vegetation systems in the Great Plains with ERTS. Proc. Third ERTS Symposium. NASA SP-351. V. 1. NASA, Washington, DS, 1973: 309-317.
  • Bannari A., Khurshid S.K., Staenz K., Schwatz J. Potentional of Hyperion EO-1 hyperspectral data for wheat crop chlorophyll content extraction in precision agriculture. Canadian Journal of Remote Sensing, Special Issue on Hyperspectral Remote Sensing, 2008, 34(1): 139-157 (doi: 10.5589/m08-001).
  • Pinter Jr. P.J., Hatfield J.L., Schepers J.S., Barnes E.M., Moran M.S., Daughtry C.S.T., Up-church D.R. Remote sensing for crop management. Photogrammetric Engineering and Remote Sensing, 2003, 69(6): 647-664 (doi: 10.14358/pers.69.6.647).
  • Oppelt N., Mauser W. Hyperspectral monitoring of physiological parameters of wheat during a vegetation period using AVIS data. International Journal of Remote Sensing, 2004, 25(1): 145-159 (doi: 10.1080/0143116031000115300).
  • Gamon J.A. Reviews and syntheses: optical sampling of the flux tower footprint. Biogeosciences, 2015, 12(14): 4509-4523 (doi: 10.5194/bg-12-4509-2015).
  • Peñuelas J., Filella I. Visible and near-infrared reflectance techniques for diagnosing plant physiological status. Trends in Plant Science, 1998, 3(4): 151-156 (doi: 10.1016/S1360-1385(98)01213-8).
  • Gutiérrez-Rodríguez M., Reynolds M.P., Escalante-Estrada J.A., Rodríguez-González M.T. Association between canopy reflectance indices and yield and physiological traits in bread wheat under drought and well-irrigated conditions. Australian Journal of Agricultural Research, 2004, 55(11): 1139-1147 (doi: 10.1071/ar04214).
  • Ji Z., Pan Y., Zhu X., Wang J., Li Q. Prediction of crop yield using phenological information extracted from remote sensing vegetation index. Sensors, 2021, 21(4): 1406 (doi: 10.3390/s21041406).
  • Yakushev V.P., Kanash E.V. Evaluation of wheat nitrogen status by colorimetric characteristics of crop canopy presented in digital images. Journal of Agricultural Informatics, 2016, 7(1): 65-74 (doi: 10.17700/jai.2016.7.1.268).
  • Якушев В.П., Канаш Е.В., Конев А.А., Ковтюх С.Н., Лекомцев П.В., Матвеенко Д.А., Петрушин А.Ф., Якушев В.В., Буре В.М., Русаков Д.В., Осипов Ю.А. Теоретические и методические основы выделения однородных технологических зон для дифференцированного применения средств химизации по оптическим характеристикам посева. СПб, 2010.
  • Матвеенко Д.А., Воропаев В.В., Якушев В.В., Блохин Ю.И., Блохина С.Ю., Митрофанов Е.П., Петрушин А.Ф. Состояние и перспективы создания новых методов количественной оценки внутриполевой изменчивости в точном земледелии. Агрофизика, 2020, 1: 59-70 (doi: 10.25695/AGRPH.2020.01.09).
  • Sims D.A., Gamon J.A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 2002, 81(2-3): 337-354 (doi: 10.1016/s0034-4257(02)00010-x).
  • Pecuelas J., Barret F., Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance. Photosynthetica, 1995, 31(2): 221-230.
  • Мерзляк М.Н., Гительсон А.А., Чивкунова О.Б., Соловченко А.Е., Погосян С.И. Использование спектроскопии отражения в анализе пигментов высших растений. Физиология растений, 2003, 50(5): 785-792.
  • Merzlyak M.N., Solovchenko A.E., Smagin A.I., Gitelson A.A. Apple flavonols during fruit adaptation to solar radiation: spectral features and techniques for non-destructive assessment. Journal of Plant Physiology, 2005, 162(2): 151-160 (doi: 10.1016/j.jplph.2004.07.002).
  • Prasad B., Carver B.F., Stone M.L., Babar M.A., Raun W.R., Klatt A.R. Potential use of spectral reflectance indices as a selection tool for grain yield in winter wheat under Great Plains conditions. Crop Science, 2007, 47(4): 1426-1440 (doi: 10.2135/cropsci2006.07.0492).
  • Kanash E.V., Panova G.G., Blokhina S.Y. Optical criteria for assessment of efficiency and adap-togenic characteristics of biologically active preparations. Acta Horticulturae, 2013, 1009: 37-44 (doi: 10.17660/actahortic.2013.1009.2).
  • Kaufman Y.J., Tanre D. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 261-270 (doi: 10.1109/36.134076).
  • Colorimetry. 2nd edition. Publication CIE no 15.2, Central Bureau of Commission Internationale de L'Eclairage, Vienna, Austria, 1986.
  • Garbulsky M.F., Peñuelas J., Gamon Y., Inoue Y., Filella I. The photochemical reflectance index (PRI) and the remote sensing of leaf, canopy and ecosystem radiation use efficiencies: a review and meta-analysis. Remote Sensing of Environment, 2011, 115(2): 281-297 (doi: 10.1016/j.rse.2010.08.023).
  • Peñuelas J., Marino G., LLusia J., Morfopoulos C., Farré-Armengol G., Filella I. Photochemical reflectance index as an indirect estimator of foliar isoprenoid emissions at the ecosystem level. Nature Communications, 2013, 4: 3604 (doi: 10.1038/ncomms3604).
  • Gitelson A.A., Gamon J.A., Solovchenko A. Multiple drivers of seasonal change in PRI: Implications for photosynthesis 1. Leaf level. Remote Sensing of Environment, 2017, 191: 110-116 (doi: 10.1016/j.rse.2016.12.014).
  • Blackburn G.A. Hyperspectral remote sensing of plant pigments. Journal of Experimental Botany, 2006, 58(4): 855-867 (doi: 10.1093/jxb/erl123).
  • Peñuelas J., Filella I., Biel C., Serrano L., Savé R. The reflectance at the 950-970 mm region as an indicator of plant water status. International Journal of Remote Sensing, 1993, 14(10): 18871905 (doi: 10.1080/01431169308954010).
  • Gutiérrez M., Reynolds M.P., Raun W.R., Stone M.L., Klatt A.R. Spectral water indices for assessing yield in elite bread wheat genotypes under well-irrigated, water-stressed, and high-temperature conditions. Crop Science, 2010, 50(1): 197-214 (doi: 10.2135/cropsci2009.07.0381).
  • Kendal D., Hauser C.E., Garrard G.E., Jellinek S., Giljohann K.M., Moore J.L. Quantifying plant colour and colour difference as perceived by humans using digital images. PLoS ONE, 2013, 8(8): e72296 (doi: 10.1371/journal.pone.0072296).
  • Wang Y., Wang D., Shi P., Omasa K. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light. Plant Methods, 2014, 10: 36 (doi: 10.1186/1746-4811-10-36).
  • Jia L., Chen X., Zhang F., Buerkert A., Romheld V. Use of digital camera to assess nitrogen status of winter wheat in the northern China Plain. Journal of Plant Nutrition, 2004, 27(3): 441450 (doi: 10.1081/pln-120028872).
  • Lee K.J., Lee B.W. Application of color indices and canopy cover derived from digital camera image analysis to estimate growth parameters of rice canopy. Proc. 8th European Conference on Precision Agriculture /J.V. Stafford (ed.). Prague, 2011: 111-121.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp