新聞動態

        葉面積指數 LAI 及其在智慧灌溉中的運用

        發布人:轉自灌溉知識圈 時間:2023-2-20 9:25:12

        葉面積指數是灌溉中判斷作物長勢和推斷作物數學模型參數的重要參數。它的應用非常廣泛,因為它是作物模型的輸出參數,可以作為作物模型的狀態量觀測值,被廣泛應用于預測作物模型的輸出,從而去調整作物的參數。當然它也應用于作物產量的預測。

        如何才能正確觀測到或收集到 LAI ?以及如何使用最有效的方法計算葉面積指數LAI?什么是最佳 LAI?哪些估算葉面積指數精度的方法比較好?這些問題直接影響了智慧灌溉中的灌水量和什么時間灌水的判斷。

        葉面積指數是什么
        這是作物種植科學和農藝研究的最常用的基本問題。葉面積指數LAI 如此重要是因為它關系到作物的長勢,產量和生育期,重要的是灌溉決策。

        葉面積指數 LAI 與兩個值之間的比例—綠葉的面積(或者數量)和土壤面積量有關。它有助于了解與地面上相對的綠葉覆蓋的密度。此外,它有助于了解作物的光合作用水平和葉面的水分蒸發大小。因此,農業科技人員一致認為葉面積指數是作物的核心特征之一。

        葉面積指數 LAI 是評估冠層復雜結構的重要變量之一,可以準確模擬農場冠層內發生的能量平衡、氣體交換過程和光折射的分布。它也是農學和園藝的各種生理和功能作物模型以及生態學的遙感模型使用的關鍵變量。

        葉面積指數的重要性

        LAI 的重要性與葉片對作物的重要性直接相關。事實上,葉片是與大氣成分相互作用的任何作物的主要生態生理部分。葉片的主要任務是:
        吸收和二氧化碳同化;
        攔截光合作用所需的光;
        產生光合作用過程的副產品—氧氣;
        是蒸散過程中水汽損失的場所,產生作物的負水壓力幫助作物從土壤中吸收水分;
        攔截雨水并將水輸送到土壤;
        減少風對作物的影響;
        產生作物大約 90% 的生物量(干物質);
        葉片驅動作物的生長和促進作物的產量。

        葉片是作物與大氣成分相互作用的主要生態生理部分。因此,LAI 有助于測算這種相互作用。此外,任何葉片都是作物的一部分,負責為它提供碳水化合物。葉片在光合作用過程中產生碳水化合物,作物將其轉化為多種化學物質以滿足自身需要。

        因此,葉面積指數 (LAI) 是輻射攔截、降水攔截、能量轉換和水分平衡四個過程的核心指標。最后,LAI 是作物生長的最可靠參數。這就是為什么大多數農學、園藝和生態學研究測量葉面積指數來代表農藝生產(施肥和灌溉導致的產量變化)干預結果的評估參數的原因之一。

        葉面積指數的影響
        葉面積指數是冠層結構的重要衡量指標,因為樹木形態、葉片方向和分布影響 LAI 估計。因此,在檢查葉面積指數準確性時,一定要記住以下幾個方面:
        不同物種的樹木可能具有非常不同的 LAI 值。例如,在同一個實驗中,高度為 3.8~4.0 m 的 Ultra Red Gala 蘋果樹的平均葉面積指數為 2.46。然而,對于高度為 2.5~3.0 m 的 Ultra Red Gala 蘋果樹,平均 LAI 為 2.96。
        (1) LAI 的數值
        LAI 的水平將隨冠層結構而變化。這分別取決于品種、地理以及田間種植條件。此外,農作物和水果的種類也存在一些差異。在實踐中,關于谷物的最佳 LAI 的可用數據比水果多,例如:
        蘋果的平均葉面積指數在 1.5~ 5 之間。桃子的 LAI 是 7 ~ 10。芒果的 LAI 平均為 2.94,介于 1.18 ~ 4.48 之間。橙子的葉面積指數較高,在 9 ~11 之間。

        科學的數據表明,直立葉片的品種比水平葉片的作物和水果具有更高的最佳 LAI。開花前達到產量潛力的最佳葉面積指數 (LAI) 在 3.6(不確定的莖終止)和 4.5(確定的莖終止)之間。對于不確定和確定的栽培品種,達到產量潛力的最佳 LAI 最大值在 6.0 和 6.5 之間。

        (2) 葉面積指數與產量預測
        葉片對于光合作用、水蒸發和生物量生產至關重要,葉數和葉面積指數 LAI 也會對產量預測產生影響。此外,大多數作物模型在常規基礎上使用 LAI 來預測產量。這方面間接地證明了葉面積指數準確性在估計不同環境因素對作物影響方面的重要性。

        光合作用是產量的主要決定因素。作物在生長季節捕獲光并將其轉化為生物質的效率是最終產量的關鍵決定因素,無論是生物質還是產出的谷物

        同時,葉片的 LAI 與產量之間的關系并不是那么簡單明了。葉面積指數因作物種類而異,并因植物的生命階段而異。因此,必須在植物周期的不同階段測量葉面積指數以進行產量預測,以準確計算最佳產量。事實上,在不同年份測量的葉面積指數的歷史比較是評估作物產量和耕作方法的極好方法。

        根據農作物的類型,較高或較低的 LAI 值會帶來不同的結果。例如,如果產量生產基于綠葉蔬菜,那么 LAI 本身就是產量相關的數據。然而,當水果的生產為主時,樹葉有時可能是副產品。然而,對于大多數作物在農業種植生產中,綠色生物質不會產生任何收入。在這種情況下,葉片不會直接成為產量,但會影響產量的形成過程。

        對于糧食作物 LAI 至關重要,因為它決定了生物量的積累。同時,在谷物中,最佳 LAI 有時是一個更好的目標。這取決于農作物的種類。特別是,有時隨著 LAI 的增加可能不會因陰影而減少光合作用,因為它有助于增加呼吸。

        水稻非常需要增加 LAI 和光合作用。但在高粱中,這種要求就完全不同了。LAI 與產量之間的關系很高但呈負相關。因此,增加高粱的葉面積指數會降低產量。提高水稻葉面積指數準確度 LAI 將有助于提高產量。增加水稻葉面積指數 LAI 將有助于提高產量。

        (3) LAI 對灌溉決策的影響
        葉面指數影響到作物模型的參數調整,它最終會影響灌溉的優化決策。數字模型必須根據作物的輸出數據進行調整,這樣才能夠準確地模擬出作物的生長過程。

        仿真的作物孿生數學模型可用于完成以下工作:
        1. 作物模型參數修正。
        通過 LAI 動態修正模型參數,讓模型適應當地作物。
        2. 作物灌溉的應用。
        為了灌溉和施肥,需要根據當地的作物模型給出的生育期灌溉施肥。
        3. 灌溉決策的優化。
        最終用大數據分析找到適合當地作物的最優灌溉施肥方案。

        LAI 計算
        可以直接或間接測量 LAI。在直接法中,葉片被用作測量的基礎。對于間接方法,可以使用自動化的非接觸式數字設備或是通過遙感、無人機測量進行反演估算。

        直接法
        直接測量葉面積指數可以是破壞性的或非破壞性的。破壞性地測量葉片,需要通過采集葉子來做到這一點。從作物上切下葉子并測量其葉面積。
        在非破壞性方法中,不需要切割或收獲葉子。需要做的就是劃定測量區域,然后人工采集在地面上的測量區的葉片數據。
        LAI 估計的一些直接方法既費時又困難。此外,葉面積指數的準確性和在短時間內如何精準計算許多葉片數據,也存在問題。

        LAI測量的方法
        葉面積指數的核心測量方法,如前所述,可以是破壞性的,也可以是非破壞性的。然而,在任何情況下,關鍵對象是一片葉子,其面積是手動或使用葉面積計測量的。葉面積計種類繁多——手持式或數字式,用于測量葉面積指數。
        (1)LAI測量的平面法
        需要用面積計測量葉周長。然后使用特殊公式計算葉面積,然后再計算與區域地面面積的比率。

        (2)LAI 的重量測量
        該方法基于對生物量與葉面積之間關系的估算,找到生物量的簡單方法是找到葉子的干重。

        (3)測量 LAI 的間接方法
        LAI 計算可以是間接的。葉面積指數間接估算最有價值的特點是它的非接觸和快速工作。此外,還有一些方法可以自動執行此任務,因此可以提高流程的生產率。有幾種最流行的間接 LAI 測量方法。特別是點樣方分析(或傾斜點樣方)和數字植物冠層分析。傾斜點樣方計算 LAI
        這種方法在 1958 年以后在植物學和農學中得到廣泛應用。它包括使用植被樹冠的圖片和使用針。計算葉面積指數準確度 LAI 的傳統間接方法之一是傾斜點采樣方法。需要計算給定樣方中針的接觸次數,獲得 LAI 的測量值。在實踐中,這種方法費時且僅適用于高達 1.5 米的作物。

        (4)LAI 的數字植物冠層方法
        這種方法是使用攝影來測量 LAI??梢允褂脴涔谙路交蛏戏降恼掌?。葉面積指數的精度是基于半球形鏡頭拍攝的圖像。這允許拍攝站在樹冠下的照片并根據這些照片計算 LAI。使用半球照片的葉面積指數精度的重量測量 使用半球照片的 LAI 的重量測量。

        遙感反演方法
        (1) 統計模型法
        利用遙感定向統計分析葉面積指數的依據是植被冠層的光譜特征。綠色植物葉片的葉綠素在光照條件下發生光合作用,強烈吸收可見光,尤其是紅光。因此,紅光波段反射率包含了植被頂層葉片的大量信息。

        在近紅外波段植被有很高的反射率、透色率和很低的吸收率,因此,近紅外反射率包含了冠層內葉片的很多信息。這就是LAI遙感定量統計分析的理論依據。統計分析法是以LAI為因變量,以光譜數據或其他變換形式(如植被指數)作為自變量建立的估算模型,即LAI=f(x),其中x為光譜反射率或植被指數。

        (2) 光學模型法
        光學模型建立的基礎是植被的非朗伯體特性,即植被對太陽光短波輻射的散射具有各項異性,反映在遙感上就是從地表反射回天空的太陽輻射和衛星觀測的結果很大程度上依賴于太陽角和衛星觀測角的關系,這種雙向反射特性可以用雙向反射率分布函數(BI-DIRECTIOAL REFLECTANCE DISTRIBUTION FUNCTION,BRDF)來定量表示,這就給LAI定向模型的創造提供了理論契機。

        光學模型就是基于植被的BRDF,它是建立在輻射傳輸模型基礎上的一種模型,具有物理基礎,不依賴植被的具體類型或背景環境的變化,因此具有普適性。
        輻射傳輸模型是模擬光輻射在一定介質(如大氣和植被)中的傳輸過程,最初用于研究光輻射在大氣中傳輸的規律,后來被移植到植被對太陽光輻射的吸收和散射規律研究中。對于某一特定時間的植被冠層而言,一般的輻射傳輸模型為:
        S=F(λ,Θs,Ψs,Θv,Ψv,C)
        其中,S為葉子或冠層的反射率或透射率,λ為波長,Θs,Ψs為太陽天頂角和方位角,Θv,Ψv為觀測天頂角和方位角,C為一組關于植被冠層的物理參數,如植被LAI,葉面分布等。

        一般輻射傳輸模型以LAI等生物物理、生物化學參數作為輸入值,得到的輸出值是S。從數學角度看,要求得LAI,只需要得到上述函數的反函數,以S為自變量反求LAI,這就是光學模型反演LAI的基本原理。

        在線客服

        • 產品咨詢 點擊這里給我發消息
        • 產品咨詢 點擊這里給我發消息
        • 技術支持 點擊這里給我發消息
        • 技術支持 點擊這里給我發消息

        聯系我們

        • 杭州萬深檢測科技有限公司
        • 地址:杭州市西湖區文二西路11號418室 310012
        • 電話:0571-89714590 81387570
        • 傳真:0571-89714590
        • E-mail:hzwseen@163.com
        • 更多...
        日韩欧美一区_日韩无码高清视频_在线看一级毛片免费视频播放_美国黄片免费看片97