构建树木冠层光合性状预测模型及检测光合性状的制作方法
【技术领域】
[0001] 本发明涉及光合性状研宄领域，具体涉及构建树木冠层光合性状预测模型及检测 光合性状。
【背景技术】
[0002] 光合作用是植物生长及外界环境变化响应的重要决定因素之一，不仅能够用于判 断植物在特定光环境下能否正常生长，还能够说明植物对环境变化的适应潜力。光合作用 形成的碳水化合物是产量形成的主要物质基础，因此光合作用与果树丰产优质密切相关。 苹果树是喜光植物，通过测定苹果树不同光照区域下的叶片光合作用参数，研宄其光合特 性，可为整形修剪、改善栽培措施、提高果实的产量和品质等提供理论依据。
[0003] 苹果树的产量和质量取决于光合分布，同时还受到"库-源"关系的影响，叶片是 "源"，它向果树提供必需的碳水化合物，影响果实大小、颜色及硬度等指标。果树冠层内不 同位置叶片的光合能力有较大的不同。通常冠层上部叶片的最大光合速率是下部叶片的 2-4倍，主要原因在于光照影响了叶片的组分含量。果树通常成行种植，具有特定的冠层结 构，由于冠层具有较大的异质性，不同冠层空间下叶片的光合能力存在较大差异，因此研宄 苹果树冠层不同空间格局下的光合能力对于控制修剪量和负载量具有重要的意义。
[0004] 许多研宄结果表明，光照是影响光合作用最重要的环境因素。强光会导致光合电 子传递速率下降，从而影响了正常的光合作用。适度的遮荫（72%)的自然光照会使得叶片 厚度、氮含量、叶片比重具有所提高，这说明不同的光照环境下，作物的光合能力也会有所 不同。张显川的研宄（园艺学报，2005, 32(6) :975-979)表明：冠层不同部位的光合能力存 在一定的差别，平均光合速率的变化通常为冠层外部〉冠层中部〉冠层内部，在晴天中午的 时间段内是冠层中部〉冠层外部〉冠层内部。欧毅的研宄（西南农业大学学报（自然科学 版），2005, 27(1) :69-72)表明：冠层净光合速率与光照强度有相同的变化趋势，即冠层外 部〉冠层内部〉冠层中部，叶幕上层〉叶幕中层〉叶幕下层。
[0005] 光谱技术在构建植物冠层组分含量的预测模型中发挥了重要的作用，其中，应用 最广泛的是基于光谱技术的氮、叶绿素含量预测模型的构建。李金梦（光谱学与光谱分 析，2014, 34(1) :212-216)在树冠东西南北四个方位的中上部外围各采集当年春梢顶部的 叶片，在暗箱环境下采集柑橘叶片高光谱图像，利用高光谱技术结合多变量统计学方法构 建了柑橘叶片含氮量预测模型，结果表明：利用高光谱数据测定柑橘叶片含氮量具有可行 性，研宄结果为实时、准确地监控柑橘植株生长过程中叶片含氮量的变化以及合理科学的 氮肥施加提供了一定的理论基础。张瑶（农业工程学报，2013, 29 (zl) :101-108)为探索不 同生理物候期苹果树叶片氮元素含量的快速检测方法，分别在果树坐果期、生理落果期和 果实成熟期，采集向阳主枝上顶部、中部、底部位置的叶片，苹果叶片使用光谱仪测量了果 树叶片在可见光和近红外区域的反射谱，同时在实验室测定了过树叶片的全含氮量，构建 了全光谱信息建立的氮素含量预测模型。邓小蕾（农业工程学报，2014, 30 (14) :14-147) 以苹果叶片叶绿素含量为研宄对象，定量研宄了光谱数据预处理方法对光谱特征提 取及叶绿素含量预测模型的影响，建立了苹果叶片叶绿素含量预测模型，获得了较高 的预测精度；Cigandal (Journal of plant physiology, 2009, 166(2) :157-167)利用 红边（720-730nm)和近红外（770-800nm)反射光谱特征建立了红边叶绿素指数来预 测玉米冠层叶绿素含量；Maccioni(Journal of Photochemistry and Photobiology B:Bi〇l〇gy，2001，61 (I) :52-61)等利用绿色波段和红边归一化的单叶定向反射率计算新的 植被指数对4种作物的叶绿素浓度进行了预测。
[0006] 上述研宄的共同特点是：虽然选择的处理样本代表性强，但并未针对不同光照区 域的相关指标开展深入研宄。虽然光谱技术在组分含量的研宄中发挥了重要作用，而对于 光合能力的研宄较少。针对上述研宄现状，构建基于光谱特性的光合性状预测模型，旨在快 速、准确掌握冠层不同光照区域的光合能力，为整形修剪、改善栽培措施、提高果实的产量 和品质等提供依据。
【发明内容】
[0007] 本发明所要解决的技术问题是：提供一种快速、准确地掌握不同光照区域的光合 能力，为整形修剪、改善栽培措施、提高果实的产量和品质等提供依据树木冠层光合性状预 测模型及检测光合性状的方法。
[0008] 为此目的，在第一方面，本发明提出了一种构建树木冠层光合性状预测模型的方 法，包括：
[0009] 获取多个光照区域的光谱数据以及获取相应光照区域的光合性状参数，所述光谱 数据为反射率随波长变化的对应关系；
[0010] 对每个光照区域的光谱数据进行一阶微分处理得到一阶微分光谱；
[0011] 根据所述一阶微分光谱的最大值和对应光照区域的所述光合性状参数拟合形成 光合性状预测模型。
[0012] 优选地，所述不同光照区域，包括光照强度< 30%的光照区域、光照强度>30%且 < 60%的光照区域，光照强度>60%且< 85%的光照区域和光照强度>85%的光照区域。
[0013] 优选地，所述光合性状参数包括光化学效率、最大光化学量子效率和表观光合量 子传递效率。
[0014] 优选地，所述一阶微分光谱的最大值为波长在680nm-760nm范围内的一阶微分光 谱的最大值。
[0015] 优选地，所述根据所述一阶微分光谱的最大值和对应光照区域的所述平均光合性 状参数拟合形成光合性状预测模型，包括随机选取若干个不同光照区域，将所述若干个不 同光照区域的实际测量值和预测值进行拟合，验证光合性状预测模型的有效性。
[0016] 优选地，所述光合性状预测模型，包括光化学效率预测模型，所述光化学效率预测 模型为y = -2X 106x3+56412x2-612. 51x+2. 8738,其中，X为一阶微分光谱的最大值，y为根 据所述光化学效率预测模型得到的光化学效率预测值。
[0017] 优选地，所述光合性状预测模型，包括最大光化学量子效率预测模型，所述最大光 化学量子效率预测模型为y = 6X 106x3-201837x2+2212. 4X-7. 0607,其中，X为一阶微分光 谱的最大值，y为根据所述最大光化学量子效率预测模型得到的最大光化学量子效率预测 值。
[0018] 优选地，所述光合性状预测模型，包括表观光合量子传递效率预测模型，所述表观 光合量子传递效率预测模型为y = 2X 109x3-6X 107x2+601307x-2046. 5,其中，X为一阶微 分光谱的最大值，y为根据所述表观光合量子传递效率预测模型得到的表观光合量子传递 效率预测值。
[0019] 在第二方面，本发明提出了一种检测光合性状的方法，包括：
[0020] 获取待检测光照区域的光谱数据；
[0021] 对所述光谱数据进行一阶微分处理得到一阶微分光谱；
[0022] 将所述一阶微分光谱的最大值代入光合性状预测模型，得到所需的光合性状参 数。
[0023] 通过采用本发明所公开的构建树木冠层光合性状预测模型的方法，可以得到各种 光合性状预测模型，再通过本发明所公开的光合性状检测方法，可以快速获取不同光照区 域的光合能力，为整形修剪、改善栽培措施、提高果实的产量和品质等提供了有力的依据。
【附图说明】
[0024] 通过参考附图会更加清楚地理解本发明的特征和优点，附图是示意性的而不应理 解为对本发明进行任何限制。
[0025] 图1示出了构建树木冠层光合性状预测模型的流程。
[0026] 图2(a)示出了试验处理样本A在不同光照区域的光谱反射率。
[0027] 图2(b)示出了试验处理样本B在不同光照区域的光谱反射率。
[0028] 图2(c)示出了试验处理样本C在不同光照区域的光谱反射率。
[0029] 图2(d)示出了苹果树冠层不同光照区域的平均光谱反射率。