连作棉田间作洋葱、孜然对棉花光合特性及根系生长的影响

为探讨棉花间作模式调节农田生态环境、缓解棉花连作障碍的作用,以棉花连作30年土壤为对象,设置棉花间作洋葱、间作孜然处理,研究两种间作模式对棉花地上部光合特性、根系生长发育及土壤酚酸类化感物质含量的影响。结果表明,与对照相比,间作洋葱和间作孜然处理的棉花根长、根质量、比表面积分别增加54.5%、45.7%、16.3%和22.8%、15.7%、4.9%,初花期叶绿素含量、净光合速率比对照分别增加12.7%、12.2%和20.7%、7.2%。间作洋葱、孜然处理棉花根际土壤中3种主要酚酸类化感物质总量分别降低67.9%和57.8%,与单作相比差异显著。研究表明,长期连作棉田间作洋葱、孜然降低了棉田土壤中化感物质含量,改良土壤环境,促进棉花根系生长发育,提高棉花叶片光合能力及生物量,并且间作洋葱对连作棉花生长发育的调节效果优于间作孜然,可作为缓解棉花连作障碍的种植方式。     

不同种植模式对连作棉花根系生长和生理指标的影响

以连作30年棉田为基础,设置棉花轮作苜蓿、棉花轮作小麦、棉花间作孜然和棉花间作洋葱4种种植模式,研究不同种植模式对连作棉田棉花根系生长的影响,揭示不同种植模式对棉田连作障碍的缓解效果。研究结果表明：棉花间作洋葱、间作孜然、轮作苜蓿和轮作小麦与棉花连作（对照）相比,棉花根长分别增加263.9%、52.9%、114.1%和19.4%, 根表面积分别增加215.7%、32.2%、47.5%和125.5%,根体积分别增加226.7%、40.6%、30.4%和80.5%。不同处理棉花根系保护酶活性与对照相比均增加,其中间作洋葱、间作孜然、轮作苜蓿和轮作小麦处理在棉花花铃期根系活力比对照分别增加53.6%、17.3%、13.7%和38.9%,可溶性蛋白质含量增加48.9%、5.3%、44.2%和50.7%,MDA含量比对照分别降低35.8%、11.7%、24.4%和31.5%。结合根系生长及生理指标的分析,4种种植模式对棉花根系生长的促进效果表现为间作洋葱＞轮作小麦＞轮作苜蓿＞间作孜然。     

连作棉田轮作苜蓿、小麦后对棉花光合能力和根系生长的影响

新疆棉花连作现象普遍,连作障碍严重,通过轮作调节农田生态环境、缓解棉花连作障碍对实现新疆棉花生产的可持续发展具有重要意义。基于棉花长期连作30年棉田土壤,设置连作棉花(CK)、轮作苜蓿2年后种植棉花(AC)及轮作小麦2年后种植棉花(WC)3个处理的根箱试验,研究这2种轮作模式对连作棉花地下部根系发育与地上部植株生长及叶片光合能力的影响,揭示轮作对连作棉花障碍的改善效果。结果表明,与对照相比,轮作小麦、苜蓿处理的棉花根长、根干质量和比表面积增加(增幅为6.90%～43.30%),且WC处理的增幅大于AC处理。根系条件的改善促进了地上部植株的生长与叶片光合能力。与对照相比,轮作小麦、苜蓿后棉花的叶绿素含量、净光合速率和单株质量增加(增幅为4.83%～40.49%),且WC处理的增幅大于AC处理。在新疆长期连作棉田轮作小麦和苜蓿,可发挥轮作增加植物多样性、改良土壤生态环境的效果,促进棉花根系发育,提高棉花叶片光合生产能力和生物量。轮作小麦对棉花生长的促进效果优于轮作苜蓿,可作为当地缓解棉花连作障碍的较佳种植方式。     

基于机器学习的棉花叶面积指数监测

为实现基于机器学习和无人机高光谱影像进行棉花全生育期叶面积指数(Leaf Area Index, LAI)监测,该研究基于大田种植滴灌棉花,在不同品种及不同施氮处理的小区试验基础上,对无人机获取的高光谱数据分别采用一阶导(First Derivative, FDR)、二阶导(Second Derivative, SDR)、SG(Savitzky-Golay)平滑和多元散射校正(Multiplicative Scatter Correction, MSC)进行预处理,并结合Pearson相关系数法、连续投影(Successive Projections Algorithm, SPA)、随机蛙跳(Shuffled Frog Leaping Algorithm, SFLA)和竞争性自适应重加权(Competitive Adaptive Reweighting, CARS)筛选敏感波段,将筛选出的波段,使用偏最小二乘回归(Partial Least Squares Regression, PLSR)、支持向量回归(Support Vector Regression, SVR)和随机森林回归(Random Forest Regression, RFR)3种机器学习算法构建棉花LAI监测模型。结果表明:棉花冠层LAI敏感响应波段集中在可见光(400～780 nm)和近红外(900 nm之后)波段;对比3种机器学习算法,各预处理下RFR建立的LAI监测模型精度最高,稳定性最好,其中以FDR-SFLA-RFR模型最佳,在建模集的决定系数为0.74,均方根误差为1.648 3,相对均方根误差为26.39%;验证集的决定系数、均方根误差分别为0.67和1.622 0,相对均方根误差为25.97%。该研究基于无人机获取的棉花冠层光谱反射率,从不同光谱预处理、波段筛选及建模方法建立的模型中筛选出最佳估算模型用于棉花全生育期LAI监测,研究结果可为棉花大田精准管理及变量施肥提供依据。     

基于机器学习算法的滴灌棉花地上部氮浓度估测模型研究

地上部氮浓度是准确诊断作物氮素丰缺进而评价其生长状况的重要指标。通过构建基于高光谱的滴灌棉花地上部氮浓度估测模型,实现棉花氮素含量的实时、无损、精确获取,为精准施肥提供理论依据和技术支撑。以新疆北部主栽棉花‘新陆早45号’和‘新陆早53号’为供试品种,设置6个施纯氮处理(0、120、240、348、360、480 kg/hm²),测量棉花冠层高光谱信息,利用函数变换去除冗余,一阶与二阶导数筛选结果相似,倒数的对数筛选结果较为分散。采用机器学习权重排序进行特征筛选,共选出359、371、751、752、746、739、755 nm等7个特征波段。同时遍历波长组合,优化前人研究与氮素高相关的植被指数,共选出RVI′_810,460、NDVI′_811,856、NDVI′_750,705、RVI′_740,720、RVI′_851,852、DVI′_359,360、NDVI′_851,852等7个光谱指数。将筛选得到的特征波段与植被...     

基于数码图像的棉花叶片氮含量估测研究

为了探究利用数码图像处理技术诊断棉花氮素营养的最佳图像特征参数和最佳叶位,以‘新陆早53号’为材料,使用智能手机获取棉花不同叶位叶片图像,利用数字图像处理技术提取叶片图像颜色和纹理特征参数,分析叶片氮含量和特征参数的相关性,构建基于不同图像特征参数的氮含量估测模型。结果表明：颜色特征参数r、G/(B+R)、G/B和纹理特征参数COR、ASM与叶片氮含量相关性较好,相关性系数(r)均大于0.55。基于颜色-纹理综合特征参数构建的氮含量估测模型均优于基于颜色或纹理特征参数所建模型,其中倒4叶氮含量估测模型最优,模型决定系数(R²)为0.875、均方根误差(RMSE)为1.324、相对误差(RE)为8.09%。因此,利用数字图像处理进行棉花氮素营养诊断时,应选择的最佳图像特征参数为r、G/(B+R)、G/B、COR、ASM,应选择的最佳叶位为棉花倒4叶。