玉米叶面积指数
宁夏扬黄灌区玉米叶面积指数动态变化模拟
宁夏扬黄灌区玉米叶面积指数动态变化模拟贾彪【摘要】该研究选用玉米品种先玉335为试验材料,在宁夏典型的扬黄灌区冯记沟试验基地开展不同氮素水平的小区试验,采集获取玉米各生育期的叶面积指数和辐热积,对其动态变化过程进行了定量的分析,然后采用归一化数学方法进行数据处理与分析,得到归一化叶面积指数和归一化辐热积,并采用数据模拟软件曲线专家对归一化叶面积指数和归一化辐热积进行动态模拟.结果表明,有理函数方程能够较准确地对宁夏扬黄灌区玉米叶面积动态进行分析描述,其R2值达0.803.由此可见,基于辐热积的有理函数方程能准确地反映玉米群体动态变化.【期刊名称】《安徽农学通报》【年(卷),期】2016(022)012【总页数】4页(P11-13,21)【关键词】玉米;叶面积指数;光合有效辐射;相对热效应;有理函数【作者】贾彪【作者单位】宁夏大学农学院,宁夏银川 750021【正文语种】中文【中图分类】S513作物生长动态变化分析模拟主要是根据作物生长发育的内在规律，对其生长发育进程、光合作用以及产量形成等多个因子进行量化分析和动态概括，从而实现作物栽培措施的优化［1-3］，以达到优质、高产、稳产、高效的目的。
叶面积指数是作物冠层光合作用和光合速率的重要参数之一，是反映作物群体质量和群体变化的重要指标［4-5］。
作物吸收太阳辐射，进行光合作用的强度，主要决定因素是其叶面积指数的大小。
在农业生产中，农业专家通常用作物叶面积指数来衡量其生长发育健康状况，并以此作为参考指标来确定具体的栽培措施。
已有的作物叶面积指数动态变化模拟分析过程中，大部分是通过Logistic和Richards等模型实现其动态分析，分别建立在玉米、水稻等多种粮食作物上［1，2，6-11］，且这些动态分析模型模拟的拟合度高，分析效果好，具有一定的学术参考价值和应用价值。
然而，在上述动态分析模拟模型中，并未综合运用温、光互作效应的光温指标辐热积来动态分析农作物叶面积指数的动态变化过程［1，2］。
玉米叶面积指数
玉米叶面积指数玉米叶面积指数是衡量玉米生长状态和生产潜力的一个重要指标。
在农业生产中，通过观察和测量玉米叶片的大小、形状和颜色等特征，可以客观地评估玉米的生长状况，并及时采取相应的管理措施，以提高产量和质量。
玉米叶面积指数的计算方法相对复杂，但在这篇文章中，我们将不涉及数学公式或计算公式的具体描述，而是聚焦于玉米叶面积指数的意义、测量方法以及与玉米生长状况的关系。
我们需要明确玉米叶面积指数的定义。
玉米叶面积指数是指玉米植株单位叶面积的大小，通常用于表征玉米植株的生长状况和光合作用强度。
叶面积越大，玉米植株的光合作用能力越强，从而有利于养分的吸收和转化，促进植株的生长和发育。
测量玉米叶面积指数的方法有多种，其中最常用的是无损测量法。
这种方法通过使用特殊的叶片面积计算仪器，可以快速而准确地测量玉米叶片的大小和形状。
通过将仪器放置在玉米叶片上，并按下测量按钮，仪器会自动记录叶片的面积，并将结果显示在仪器屏幕上。
这种方法不仅准确度高，而且不会对玉米植株造成任何伤害。
通过测量玉米叶面积指数，我们可以了解到玉米植株的生长状况和光合作用能力。
一般来说，玉米叶面积指数在种植初期会较低，随着生长的进行逐渐增加，在生长期达到最大值，然后在成熟期逐渐降低。
如果玉米叶面积指数持续较低，可能是由于养分不足、病虫害的影响或其他环境因素的限制。
此时，我们应及时采取相应的管理措施，如增施肥料、防治病虫害等，以促进玉米植株的生长和发育。
玉米叶面积指数还可以用来评估不同品种或不同处理下玉米的生长潜力。
通过比较不同品种或不同处理下的叶面积指数，我们可以了解到它们在光合作用能力、生长速度等方面的差异，为选育优良品种或确定最佳栽培措施提供科学依据。
玉米叶面积指数是评估玉米生长状态和生产潜力的重要指标之一。
通过测量玉米叶片的大小和形状，我们可以客观地评估玉米的生长状况，并及时采取相应的管理措施。
希望本文对读者们对玉米叶面积指数有所了解，并在实际生产中起到一定的指导作用。
紧凑型与平展型玉米叶面积指数及产量构成比较研究
期 ， 随着 下部 叶片 逐 渐 衰 老 、脱 落 ，Ｌ Ｉ 开 始 缓 慢 下 降 。这 与 Ａ值 王珍 等 研 究 的结 果 相 一致 。 分 析 图 ２ 知 ， 先 玉 ３ 在 灌 浆 期 叶 面 积 指 数 达 到 最 大 可 ５ ３
值 ，其较 两个平 展型 玉米 品种三．９ 长城 ７９ 别 高出Ｏ ３ １ 和 １ ￣ ９分 ．４ １ ３ 测 定 指标 及 测 定 方法 ． （ ． ９ ） 和 ０ ４ （ ０ ４ ％） ； 而 郑 单 ９ ８ 是 在 灌 浆 期 ， ７８ ％ ．４ １． ５ ５也 １３ １ 单株 叶 面积 的测 定 分 别 于玉 米各 时期 长 宽系 数法 测定 （ ．． 叶 面积 ： ． ５ ０ ７ ×长 ×宽 ）。 其 叶 面 积 指 数 达 到 最 大 值 ， 分 别 比三 北 ９ 长 城 ７ ９ 出 ０ ７ 和 ９高 ．８ （ ８ １ ％ 和 ０ ８ （ ０ ９ Ｏ ， 即 使 到 完 熟 期 ， 差 异 仍 然 存 １ ．０ ） ．８ ２．０ ） ％ １ ３ ２ 叶 面 积指 数 的 测 定 分 别 于 玉 米 各 时期 ，在 下 午 １ ： ０ ．． ５Ｏ — 在 ， 先 玉 ３ ５ 别 比三 北 ９ 长 城 ７ ９ 出０ ２ ５ （ ０ ０ Ｏ 和 ３分 和 ９高 ．８ １． ０ ） ％ １ ：０ ８ Ｏ ，用 美 国Ｌ— ｏ 公 司生产 的ｌ Ｉ ２０ 冠层 分析 仪进 行 测定 。 ｉｃｒ Ｊ 一 ００ Ａ ．２ ２ ． ５ ） ％ ５分 和 ９高 ．８ １ ３ ３ 光 合 速 率 的 测 定 分 别 于 玉 米 各 时 期 ， 在 上 午 ９ ０ ０ ６ （ ４ ６ Ｏ ：而 郑 单 ９ ８ 别 比三 北 ９ 长 城 ７ ９ 出０ ２ ．． ：Ｏ 一 （ ．２ ９ ８ ％） 和 Ｏ ６ ５ （ ４ ４ Ｏ） 。 ．１ ２．５ ％ ｌ ：０ ２ Ｏ ，用 美 国生 产 的Ｌ 一 ４ ０ 光 合 作 用 测 定 仪 在 田 间直 接 测 Ｉ６ ０型
滴灌玉米叶面积指数归一化建模与特征分析
doi：10.11838/sfsc.1673-6257.19244滴灌玉米叶面积指数归一化建模与特征分析李振洲，贺 正，贾 彪∗，刘 志，付江鹏，刘慧芳（宁夏大学农学院，宁夏 银川 750021）摘 要：为探讨宁夏引黄灌区不同施氮量条件下滴灌玉米叶面积指数的动态变化特征，反映温度等气象因子对宁夏玉米形态结构和生长发育的影响，预测玉米生长过程与相对叶面积指数动态变化规律，本研究于2017～2018年在宁夏平吉堡和宁夏大学试验农场进行，以玉米天赐19为试验材料，采用水肥一体化管理技术，设6个氮肥水平，对玉米全生育期叶面积指数（LAI）和有效积温（GDD）进行累积并归一化处理，以相对有效积温为自变量和相对叶面积指数（RLAI）为因变量进行动态模拟，得出了5个准确度较高的模型，其中有理函数模型更符合宁夏滴灌玉米相对叶面积指数动态变化规律，模型检验结果表明，准确度均大于0.933**，精确度R2均大于0.915**；因此，此模型能较准确地对玉米群体RLAI进行动态预测；施氮量可调控玉米的LAI、平均叶面积指数（MLAI）及MLAI/LAI max，为滴灌玉米叶面积指数动态模拟精度提供技术途径。
关键词：玉米；相对叶面积指数；相对有效积温；模型；特征叶片是作物进行光合作用的主要器官，叶面积指数（Leaf area index，LAI）也是作物生长监测的重要指标，并用于代表生态系统生产力［1-2］。
在作物生产中，理想的LAI是培养作物合理的群体结构和提高产量的基础［3］。
但传统测定法获取LAI预测作物的生长状况费时费力［4］，仅适合表达小范围的测量信息［5-6］，推广应用受限。
作物生长模拟模型是现代信息化手段获取作物生长发育状况的重要方法，利用叶面积估算模型是现在研究较为通用方法，可预测作物整个生长发育进程。
农作物的叶面积动态易受光照和温度等条件影响，作物叶面积动态随有效积温（GDD）的影响已有相关研究［7］。
基于车载三维激光雷达的玉米叶面积指数测量
2019年6月农业机械学报第50卷第6期doi:10.6041/j.issn.1000⁃1298.2019.06.002基于车载三维激光雷达的玉米叶面积指数测量张 漫1 苗艳龙1 仇瑞承1 季宇寒1 李 寒2 李民赞1(1.中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083;2.中国农业大学农业农村部农业信息获取技术重点实验室,北京100083)摘要:为使用车载三维激光雷达快速获取作物的株高㊁叶面积指数(LAI)等作物形态参数,以玉米为研究对象,采用车载三维激光雷达点云数据,提出了一种基于玉米分层点云数量或分层点云数量与地面点云数量比值计算LAI 的方法㊂使用车载平台获取京农科728和农大84玉米的三维点云数据;对点云数据进行预处理,获得已测量LAI 真值区域的点云数据;进行玉米植株点云与地面点云分割,根据地面起伏程度,基于随机一致性平面分割算法,将距离阈值设置为0.06m;依据玉米垂直结构分布,将玉米植株划分为上㊁中㊁下3层,计算每层点云数量并分别标记为H ㊁M 和L ,同时,将上㊁中㊁下每层的点云数量与地面点云数量的比值标记为H r ㊁M r 和L r ,分别建立H ㊁M ㊁L 和H r ㊁M r ㊁L r 与LAI 真值的线性回归模型㊂试验结果表明:采用H r ㊁M r 变量建立的LAI 二元线性回归测量模型最优,京农科728玉米训练集R 2为0.931,验证集R 2为0.949;农大84玉米训练集R 2为0.979,验证集R 2为0.984,本文方法可为田间快速测量LAI 提供解决方案㊂关键词:玉米;叶面积指数;激光雷达;分层中图分类号:S126;TP79文献标识码:A文章编号:1000⁃1298(2019)06⁃0012⁃10收稿日期:20190203 修回日期:20190402基金项目:国家自然科学基金项目(31571570)㊁国家重点研发计划项目(2017YFD0700400~2017YFD0700403)和北京农业信息技术研究中心开放课题项目(KF2018W002)作者简介:张漫(1975 ),女,教授,博士生导师,主要从事农业电气化与自动化研究,E⁃mail:cauzm@ 通信作者:李民赞(1963 ),男,教授,博士生导师,主要从事精细农业及其支持技术研究,E⁃mail:limz@Maize Leaf Area Index Measurement Based on Vehicle 3D LiDARZHANG Man 1 MIAO Yanlong 1 QIU Ruicheng 1 JI Yuhan 1 LI Han 2 LI Minzan 1(1.Key Laboratory of Modern Precision Agriculture System Integration Research ,Ministry of Education ,China Agricultural University ,Beijing 100083,China2.Key Laboratory of Agricultural Information Acquisition Technology ,Ministry of Agriculture and Rural Affairs ,China Agricultural University ,Beijing 100083,China )Abstract :Leaf area index (LAI)is an important crop phenotyping parameter and an important indicator of crop growth and ing vehicle⁃mounted three⁃dimensional (3D)LiDAR,crop morphological parameters such as plant height and LAI can be quickly obtained.Maize was taken as the research object,and a method of calculating LAI based on the ratio of the number of stratified point clouds or the number of stratified point clouds to the number of ground point clouds was proposed by using the data of three⁃dimensional LiDAR point clouds in vehicle.3D point cloud data of Jingnongke 728and Nongda 84were obtained by vehicle platform.Firstly,the point cloud data were preprocessed to obtain the point cloud data of the measured LAI true value region.Secondly,the point cloud of maize plant and the ground point cloud were segmented.According to the fluctuation degree of the ground,the distance threshold of random sample consensus’s plane model was set to be 0.06m.then according to the vertical structure distribution of maize,the maize plants were divided into high,middle and lower layers,and each layer was calculated.The number of clouds was marked as H ,M and L ,respectively.At the same time,the ratio of the number of point clouds in each layer of high,middle,and lower layers to the number of ground point clouds was marked as H r ,M r and L r .Finally,the linear regression models of the true values of H ,M ,L and H r ,M r ,L r and LAI were established respectively.The experimental results showed that the LAI binary linear regression measurement model established by H r and M r variables was the best.The R 2of Jingnongke 728training set was 0.931,the verification set R 2was 0.949,the R 2ofNongda84training set was0.979,and the verification set R2was0.984.The research result provided a solution for rapid measurement in the LAI field.Key words:maize;leaf area index;LiDAR;stratification0 引言叶面积指数(Leaf area index,LAI)是重要的作物表型参数,它与光合作用㊁水循环㊁碳循环密切相关,是描述作物生长状况和产量的重要指标[1-3],因此,叶面积指数的快速测量具有重要意义㊂LAI测量方法分为直接测量和间接测量[4],直接测量是对植株叶片面积进行测量,具有破坏性,消耗大量人力,且效率低下㊂间接测量是通过测量冠层辐射的透过率计算LAI,使用的传感器有彩色相机㊁多光谱传感器和激光雷达㊂彩色图像分析技术为快速测量LAI提供了一种快速㊁高效的方法[5-8],但其易受外界环境影响,尤其是光照影响,测量精度还可以进一步提高㊂使用多光谱或高光谱数据可以实现作物LAI的准确㊁快速测量[9-14],不过同样存在受外界光照的影响㊂此外还有一些学者使用红外图像或卫星遥感数据进行作物叶面积指数测量研究[15-20]㊂激光雷达受外界光照影响较小,具有分辨率高㊁扫描速度快等优点[21],可以为LAI快速测量提供一种方法㊂文献[22-23]使用机载激光雷达数据建立回波点云密度㊁激光穿透力指数㊁孔隙度和叶倾角与LAI的回归模型,使用地面激光雷达数据,提出运用体素内叶片及其投影数学关系的真实叶面积获取方法㊂文献[24]使用地面激光雷达数据,运用球极平面投影和Lambert方位角等面积投影方法,计算点云数据的孔隙度,进而计算单木真实LAI㊂文献[25]使用地面雷达数据,运用点云切片算法,计算森林的角度孔隙度和消光系数,进而估算森林的LAI㊂文献[26]使用多个不同方向的车载二维激光雷达,使用迭代最近点算法配准点云数据,对室内玉米植株进行三维重建㊂地面雷达存在数据量大㊁算法复杂㊁测量范围较小等问题;机载激光雷达分辨率较小,LAI计算精度有待提高;车载三维激光雷达可以有效弥补以上缺点㊂本文以大喇叭口期的玉米为研究对象,使用车载16层三维激光雷达采集点云数据,提出一种以玉米分层点云数量或分层点云数量与地面点云数量比值为自变量计算玉米LAI的方法㊂1 材料与方法1.1 试验材料与设备选用Velodyne LiDAR公司的VLP16型三维激光雷达采集玉米生长期的三维点云数据㊂VLP 16型三维激光雷达水平视角范围0°~360°,分辨率0.1°~0.4°;垂直视角范围0°~30°,分辨率2°;测量范围为0.5~100m;采集频率为10Hz㊂在Windows7操作系统下,以Visual Studio2013为平台,安装点云库PCL1.8.0(Point cloud library)和Cmake3.8.0,使用C++语言进行软件编程实现对三维点云数据的处理㊂叶面积指数真值获取的方法有网格法㊁复印称量法㊁回归方程法等破坏性测量方法和LI叶面积仪㊁LAI冠层分析仪等非破坏测量方法㊂结合试验需求,使用LI COR公司的LAI 2200型植物冠层分析仪测量叶面积指数作为真实值㊂LAI2200型植物冠层分析仪通过测定透过冠层后辐射能量的削弱程度确定叶面积指数;利用 鱼眼”光学传感器,垂直视野范围0°~148°,水平视野范围0°~360°,测量冠层上下5个角度光线强度的变化㊂试验地点为北京市中国农业大学上庄实验站㊂试验时间为2017年7月13日09:00 18:00,玉米品种为农大84和京农科728,其中:农大84为舒展型品种,京农科728为紧凑型品种㊂玉米种植区长64.8m,宽11m,共分为21个种植小区,每个小区种植3行,1个小区种植1个玉米品种,2种玉米交替种植,如图1a所示㊂小区种植行间距为90cm,株间距为30cm,每行种植36株玉米,如图1b所示,生长期为大喇叭口期㊂使用冠层分析仪测量玉米的叶面积指数㊂每行以0.9m等间距确定6个测量样本区域,6个测量区域中心点把该行均匀分为7个区域, 2个测量中心点的距离为1.5m,每个测量样本区域长度为0.6m,测量区域中心位置为玉米种植点,前后边缘为相邻玉米种植点,样本测量区域包含测量中心点的1株完整玉米,和前后各1株玉米的部分㊂每个样本区域测量3次,取平均值作为该区域的叶面积指数真值,共计获得12个区域的叶面积指数,测量位置如图1b所示㊂VLP16型三维激光雷达安装在车载测量平台顶端,如图2所示,采集平台长为2.0m,宽为1.3m,垂直采集玉米三维点云数据,其与玉米冠层顶端的距离约为60cm㊂采集玉米点云数据之前,为了降低地面起伏和松软造成采集平台俯仰倾斜和通行困难,对地面进行平整处理,保证激光雷达始终垂直采集㊂车载测量平台以1m/s左右的速度向前行进,VeloView软件同时进行三维点31第6期 张漫等:基于车载三维激光雷达的玉米叶面积指数测量图1 玉米种植及LAI 2200型植物冠层分析仪测量位置图Fig.1 Location map of maize planting and LAI 2200plant canopy analyzer云数据的采集,采集频率为10Hz,存储为.pcap 格式,用于后续处理㊂本次试验采集了2行玉米的点云数据,每个玉米品种1行;其中:京农科728有32株,农大84有28株,总共获得3000帧点云数据㊂测量LAI 真值区域共有400帧点云数据㊂图2 玉米三维点云数据采集Fig.2 3D point cloud data acquisition map of maize1.VLP 16型激光雷达2.数据采集终端1.2 三维点云数据处理首先通过预处理去除背景点云,主要有其他区域玉米点云和测量平台车体点云㊂预处理之后的点云数据包括玉米植株点云和地面点云;使用随机采样一致性平面分割算法分离玉米植株点云和地面点云;对玉米植株点云使用直通滤波算法进行分层处理,并统计每层点云个数㊂对得到的每层点云数量或其与地面点云数量比值和测量得到的叶面积指数,进行数据分析和模型建立㊂1.2.1 数据预处理使用PCL 软件把三维点云数据,从.pcap 格式转换为.pcd 格式㊂在每帧三维点云数据中,非测量区域玉米植株和测量平台为背景点云,对后续处理无用,且影响处理时间㊂因此,本文采用简单快速的直通滤波算法去除非测量区域玉米植株和测量平台点云数据,获得叶面积指数测量区域的三维点云数据㊂三维点云数据X 轴与作物行垂直,Y 轴与地面垂直,Z 轴与作物行平行㊂田间采集试验时,测量VLP16型激光雷达的安装位置,通过位置数据确定测量玉米区域的二维空间范围,进而分别设置点云坐标X ㊁Z 的阈值范围㊂1.2.2 点云分割预处理后的点云由玉米植株点云和地面点云组成㊂因为地面起伏较小,地面点云组成一个近似平面的形状,符合平面模型㊂选择基于随机采样一致性(Random sample consensus,RANSAC)平面分割算法对点云数据进行分割㊂点云变化如图3所示,平面分割步骤如下:(1)读入预处理之后的点云,对点云进行一次直通滤波,把点云分为两部分:一部分为地面点云与少量植株点,另一部分为大量植株点㊂因为在植株稠密处点云数据,地面点数量占点云数量比例较低,难以分割出地面点云,分离出的数据多是几个位于同一平面叶子的点云,所以要先进行一次直通滤波把点云数据分为上下两层㊂(2)对地面点与少量植株点数据进行基于随机采样一致性平面分割㊂一部分为分割平面点,即地面点云,另一部分为非平面点云,即植株点和凹陷地面点㊂41农 业 机 械 学 报 2019年(3)对非平面点云Y 轴数据与地面点平均值比较,大于平均值,即为地面点插入平面点云,得到最终的地面点云;并从非平面点云中删除㊂(4)把非平面点云插入到步骤(1)得到的植株点云中,获得最终的植株点云㊂图3 平面分割点云变化Fig.3 Change of plane segmentation point cloud1.2.3 点云分层玉米植株垂直结构分布一般为3层,植株上层㊁中层和下层,其中植株中层也称为高效叶层[27]㊂玉米灌浆期植株达到最高,平均高度在300cm,上层为240cm 以上,中层为120~240cm,下层为120cm 以下㊂本次试验采集玉米生长期为大喇叭口期,玉米平均高度没有达到300cm,需要对每层边界高度进行等比例变化㊂根据分层边界高度使用直通滤波对植株点云进行分层,首先分离下层点云数据,对中层和上层点云进行两种处理:①滤波处理,去除叶片边缘噪声点,对点云数据进行中层和上层分离㊂②不做处理,对点云数据进行中层和上层分离,记录每层点云的数量,作为建立叶面积指数模型的自变量㊂通过对滤波处理和不做滤波处理建立的模型进行对比分析,判断滤波处理的必要性㊂1.2.4 叶面积指数模型模型的自变量分为两类:一类是以玉米植株上㊁中㊁下每层点云数量H ㊁M ㊁L ,或它们的组合作为自变量;另一类是以玉米上㊁中㊁下每层的点云数量与地面点云数量的比值H r ㊁M r ㊁L r 或它们的组合作为自变量㊂因变量为植物冠层分析仪测得的玉米叶面积指数LAI㊂对样本进行数据分析,包括共线性检测㊁线性回归分析和验证集检验㊂对自变量进行共线性检测,使用自变量之间的相关系数和方差膨胀因子(VIF)㊂如果VIF 值小于10,则认为自变量之间不存在共线性㊂方差膨胀因子计算公式为D VIF =11-r 2式中 r 相关系数D VIF 方差膨胀因子对样本数据进行一元线性回归和多元线性回归分析,建立玉米大喇叭口期的叶面积指数测量模型㊂使用决定系数R 2㊁均方根误差(RMSE)和相对均方根误差(rRMSE)作为评价模型精度的指标㊂一般R 2值较大㊁RMSE 和rRMSE 值较小表示回归模型测量的值准确度高㊂使用F 检验和t 检验对自变量和因变量之间的线性显著性进行检验㊂2 结果分析2.1 数据预处理测量VLP 16型激光雷达安装位置与车架边缘的距离,LAI2200型植物冠层分析仪测量位置与车架边缘的距离㊂确定点云坐标X 和Z 的阈值分别是X ∈[-0.55m,0.45m]㊁Z ∈[-0.50m,0.50m],坐标Y 不作处理㊂对玉米三维点云数据进行直通滤波处理,其中京农科728有208帧数据,农大84有216帧数据㊂直通滤波前有非测量区域玉米植株和测量平台的点云数据,滤波后去除了这些无关数据,获得测量区域的玉米植株点云数据和地面点云内数据,平均每帧点云数据有2288个点,其中植株点2008个,地面点280个㊂如图4所示㊂图4 玉米点云直通滤波处理Fig.4 Maize point cloud pass filter processing2.2 玉米植株点云和地面点云分割读入预处理后的点云数据,进行平面分割算法步骤(1)操作,设置坐标轴Y 直通滤波的阈值为[2.7m,5.0m],获得Y 坐标大于2.7m 的地面点云数据和少量植株数据,Y 坐标小于2.7m 的大量玉米点云数据㊂对地面点数据和少量植株数据进行步骤(2)操作,设置分割模型为平面模型,分割方法为随机采样一致性算法;根据地面起伏程度设置距离阈值为0.06m,获得分割平面点云数据和非平面点云数据㊂进行步骤(3)操作,京农科728和农大84地面点云数据Y 坐标的平均值分别为2.95m 和2.96m,非平面点云数据中Y 坐标大于地面平均值的点,插入平面点云数据,得到所有地面点云,记录地面点云数量;并在非平面点云中删除这些点㊂进行步骤(4)操作,合并步骤(1)获得的大量植株点云51第6期 张漫等:基于车载三维激光雷达的玉米叶面积指数测量数据和步骤(3)获得的非平面点云数据,得到完整植株点云数据㊂2.3 玉米植株点分层经过测量京农科728和农大84玉米植株的平均高度分别为250cm 和220cm㊂依据玉米植株垂直结构分层方法,确定京农科728和农大84的分层边界高度:京农科728上层为200cm 以上,中层为100~200cm,下层为100cm 以下;农大84上层为176cm 以上,中层为88~176cm,下层为88cm 以下㊂读入玉米植株点云数据,根据分层边界高度,使用直通滤波算法对玉米植株点云数据进行分层,并记录每层点云数量㊂对中层和上层进行基于统计分析滤波,临近点数量设置为6,标准差倍数设置为1.2㊂对滤波后的点云进行分层处理,记录每层点云数量㊂2.4 玉米叶面积指数模型建立分别将京农科728和农大84的200多组数据分为训练集(Train set)和验证集(Validation set)㊂随机选择其中的40组数据作为验证集,其余数据作为训练集㊂对每类处理自变量进行共线性检测,计算自变量之间的相关系数和方差膨胀因子㊂对训练集数据进行一元线性回归和多元线性回归分析,建立玉米大喇叭口期的叶面积指数测量模型,计算训练集和验证集的R 2㊁RMSE 和rRMSE,作为模型评价指标㊂2.4.1 共线性检测对玉米植株上㊁中㊁下3层点云数量H ㊁M ㊁L 和上㊁中㊁下每层的点云数量与地面点云数量的比值H r ㊁M r ㊁L r 进行共线性检测㊂针对不同的处理类型,京农科728中H ㊁M ㊁L 或H r ㊁M r ㊁L r 间的相关系数和VIF 如表1所示,其中H ㊁M ㊁L 间的VIF 的取值范围为1.040~1.081,H r ㊁M r ㊁L r 间的VIF 的取值范围为1.197~1.414㊂可以看出,京农科728引入地面点后,VIF 值有小幅增加㊂农大84中H ㊁M ㊁L 或H r ㊁M r ㊁L r 间的相关系数和VIF 如表2所示,其中H ㊁M ㊁L 表1 京农科728中H ㊁M ㊁L 或H r ㊁M r ㊁L r 间的相关系数和VIFTab.1 Correlation coefficients and VIF values among H ,M ,L or H r ,M r ,L r of Jingnongke 728处理类型参数H M L 处理类型参数H r M r L r H1-0.2290.205H r 10.5270.411相关系数M -0.22910.261相关系数M r 0.52710.534无滤波L 0.2050.2611无滤波L r 0.4110.5341H 1.0551.044H r1.3851.203VIFM 1.0551.073VIF M r 1.3851.399L 1.0441.073L r 1.2031.399H1-0.2500.197H r 10.5080.406相关系数M -0.25010.274相关系数M r 0.50810.541滤波 L 0.1970.2741滤波 L r 0.4060.5411H 1.0671.040H r 1.3491.197VIFM 1.0671.081VIF M r 1.3491.414L1.0401.081L r 1.1971.414表2 农大84中H ㊁M ㊁L 或H r ㊁M r ㊁L r 间的相关系数和VIFTab.2 Correlation coefficients and VIF values among H ,M ,L or H r ,M r ,L r of Nongda 84处理类型参数H M L 处理类型参数H r M r L r H1-0.687-0.292H r 10.0720.123相关系数M -0.68710.597相关系数M r 0.07210.859无滤波L -0.2920.5971无滤波L r 0.1230.8591H 1.8941.093H r 1.0051.015VIFM 1.8941.554VIF M r 1.0053.815L 1.0931.554L r 1.0153.815H1-0.706-0.295H r 10.0310.121相关系数M -0.70610.582相关系数M r 0.03110.857滤波 L -0.2950.5821滤波 L r 0.1210.8571H 1.9941.095H r1.0011.015VIFM 1.9941.512VIF M r 1.0013.766L1.0951.512L r 1.0153.76661农 业 机 械 学 报 2019年间的VIF的取值范围为1.093~1.994,H r㊁M r㊁L r间的VIF的取值范围为1.001~3.815㊂可以看出农大84引入地面点后有一定的增加,增幅大于京农科728㊂但是自变量之间的VIF都小于10,表明它们之间的共线性可以忽略,都可以用来建立线性回归模型㊂2.4.2 模型及评价分别以H㊁M㊁L为自变量,或者几个变量的组合为自变量㊂以测量的叶面积指数值为因变量㊂使用训练集数据建立一元线性回归或多元线性回归模型,计算训练集和验证集模型评价指标R2㊁RMSE和rRMSE㊂京农科728㊁农大84中H㊁M㊁L叶面积指数模型及评价如表3㊁4所示㊂对H r㊁M r㊁L r自变量进行相同的处理,京农科728㊁农大84中H r㊁M r㊁L r叶面积指数模型及评价如表5㊁6所示㊂上述叶面积指数测量模型没有通过F检验和t 检验的有:表3中编号为3㊁11的模型,表5中编号为1㊁9的模型㊂模型通过F检验,没有通过t检验的有:表3中编号为6㊁14的模型,表4中编号为5㊁13的模型,表5中编号为6㊁14的模型,表6中编号为表3 京农科728中H㊁M㊁L叶面积指数模型及评价Tab.3 LAI model and evaluation indicators of H,M and L variables in Jingnongke728处理类型编号叶面积指数模型训练集评价指标验证集评价指标R2RMSE/%rRMSE/%R2RMSE/%rRMSE/% 11.10338+0.00064H0.3190.2070.1410.4720.2080.143 22.32232-0.00079M0.6600.1470.1010.7320.1510.112 31.59894+0.00039L0.0130.2500.1900.0200.2800.219无滤波41.86267+0.00046H-0.00070M0.8120.1090.0670.8840.0970.060 52.25716-0.00088M+0.00119L0.7740.1200.0840.7780.1370.097 61.10391+0.00064H-0.00001L0.3190.2070.1410.4720.2080.143 71.89707+0.00037H-0.00078M+0.00088L0.8680.0910.0570.8920.0950.058 81.96238-0.00017(H+M+L)0.0540.2450.1900.0590.2760.223 91.10527+0.00066H0.3200.2070.1410.4760.2080.142 102.29310-0.00084M0.6640.1460.1000.7420.1480.109 111.59894+0.00039L0.0130.2500.1900.0200.2800.219滤波 121.84802+0.00045H-0.00074M0.8040.1110.0680.8790.0990.061 132.22527-0.00095M+0.00125L0.7870.1160.0810.7800.1360.094 141.10483+0.00066H-0.00001L0.3200.2070.1410.4760.2080.142 151.88656+0.00036H-0.00084M+0.00094L0.8690.0910.0570.8840.0990.060 161.93140-0.00017(H+M+L)0.0450.2460.1910.0530.2770.223表4 农大84中H㊁M㊁L叶面积指数模型及评价Tab.4 LAI model and evaluation indicators of H,M and L variables in Nongda84处理类型编号叶面积指数模型训练集评价指标验证集评价指标R2RMSE/%rRMSE/%R2RMSE/%rRMSE/% 13.05348-0.00042H0.8390.1330.0500.8110.1380.052 21.82011+0.00072M0.7280.1730.0700.7280.1650.067 32.12269+0.00573L0.3220.2730.1130.2500.2770.114无滤波42.51267-0.00028H+0.00036M0.9340.0850.0350.9260.0870.037 51.78864+0.00068M+0.00092L0.7330.1710.0690.7210.1680.067 62.70751-0.00037H+0.00331L0.9370.0830.0310.9160.0930.036 72.49179-0.00031H+0.00022M+0.00216L0.9620.0650.0260.9450.0750.030 83.42902-0.00035(H+M+L)0.3340.2700.1020.2560.2750.102 93.05632-0.00044H0.8420.1320.0490.8150.1360.051 101.87701+0.00075M0.7350.1710.0690.7400.1620.066 112.12269+0.00573L0.3220.2730.1130.2500.2770.114滤波 122.54988-0.00030H+0.00036M0.9290.0880.0360.9200.0900.038 131.83534+0.00070M+0.00105L0.7420.1680.0680.7330.1640.066 142.71299-0.00039H+0.00328L0.9380.0820.0310.9170.0920.035 152.51633-0.00032H+0.00022M+0.00224L0.9600.0660.0260.9430.0760.031 163.42769-0.00038(H+M+L)0.3380.2690.1010.2690.2720.10171第6期 张漫等:基于车载三维激光雷达的玉米叶面积指数测量表5 京农科728中H r㊁M r㊁L r叶面积指数模型及评价Tab.5 LAI model and evaluation indicators of Hr,M r and L r variables in Jingnongke728处理类型编号叶面积指数模型训练集评价指标验证集评价指标R2RMSE/%rRMSE/%R2RMSE/%rRMSE/% 11.70512-0.02213H r0.0120.2500.1940.0010.2850.227 22.04923-0.13718M r0.7590.1230.0940.7870.1370.109 31.73875-0.24660L r0.0600.2440.1850.0710.2740.216无滤波41.89559+0.10007H r-0.17763M r0.9310.0660.0400.9490.0650.042 52.00753-0.16316M r+0.31038L r0.8280.1040.0800.8480.1150.091 61.74213-0.00172H r-0.24313L r0.0600.2440.1850.0680.2740.217 71.87764+0.09170H r-0.19344M r+0.22929L r0.9670.0450.0300.9650.0540.035 81.99698-0.05816(H r+M r+L r)0.3670.2000.1590.3750.2290.190 91.70329-0.02205H r0.0110.2500.1940.0010.2850.227 102.04250-0.15054M r0.7670.1210.0920.7950.1330.106 111.73875-0.24660L r0.0600.2440.1850.0710.2740.216滤波121.89181+0.09662H r-0.19055M r0.9230.0700.0430.9440.0680.044 131.99805-0.18059M r+0.32505L r0.8410.1000.0760.8540.1120.087 141.74117-0.00126H r-0.24415L r0.0600.2440.1850.0690.2740.217 151.87229+0.08743H r-0.20963M r+0.24755L r0.9650.0470.0310.9590.0590.039 161.99176-0.06112(H r+M r+L r)0.3570.2020.1600.3660.2310.191表6 农大84中H r㊁M r㊁L r叶面积指数模型及评价Tab.6 LAI model and evaluation indicators of Hr,M r and L r variables in Nongda84处理类型编号叶面积指数模型训练集评价指标验证集评价指标R2RMSE/%rRMSE/%R2RMSE/%rRMSE/% 12.96087-0.05271H r0.7950.1500.0550.7750.1530.055 22.43965+0.03415M r0.1330.3080.1320.1040.3010.128 32.48324+0.34943L r0.0700.3190.1360.0220.3170.134无滤波42.72629-0.05454H r+0.04037M r0.9790.0480.0200.9840.0400.016 52.46367+0.04901M r-0.24366L r0.1420.3070.1320.1370.2950.126 62.74162-0.05548H r+0.50215L r0.9370.0830.0350.9280.0860.036 72.72271-0.05466H r+0.03779M r+0.04263L r0.9800.0470.0200.9840.0400.016 82.95706-0.02478(H r+M r+L r)0.2720.2820.1070.2560.2770.102 92.96072-0.05459H r0.7940.1500.0550.7750.1530.056 102.42646+0.04045M r0.1610.3030.1300.1280.2970.127 112.48324+0.34943L r0.0700.3190.1360.0220.3170.134滤波 122.72921-0.05540H r+0.04326M r0.9780.0490.0210.9830.0420.017 132.47090+0.06637M r-0.39615L r0.1850.2990.1290.1890.2860.122 142.74252-0.05740H r+0.49906L r0.9350.0850.0360.9260.0870.036 152.72647-0.05554H r+0.04123M r+0.03104L r0.9780.0490.0210.9830.0420.017 162.95619-0.02647(H r+M r+L r)0.2740.2820.1070.2620.2760.1025㊁7㊁13㊁15的模型;其他模型均通过了F检验和t 检验㊂从表中可以看出,没有通过检验的模型,基本评价指标显示的回归效果不好,只有表6中的编号为7和15模型评价L r变量没有通过t检验,可以把L r变量从模型中去除㊂对通过F检验和t检验的模型进行对比分析可以得出,在每个表格中最优三元线性回归模型回归效果好于最优二元线性回归模型,最优二元线性回归模型回归效果好于最优一元线性回归模型㊂其中R2最大㊁RMSE和rRMSE最小的模型是三元线性回归模型中编号为7或15的回归模型㊂对比每个表格中无滤波处理和滤波处理后相应模型,R2㊁RMSE 和rRMSE只有微小变化,滤波效果不显著,说明在使用分层点云数量建立叶面积指数测量模型的方法中,滤波处理作用不大㊂原因是离群点数量占点云数量的比例很小,所以对于点云数量建立的模型影响小;滤波会对中㊁上层点云数量产生一定比例的降低,可以通过系数的变化进行补偿㊂因此,以下只对无滤波处理进行分析㊂对表3~6进行分析,在一元线性回归模型中,81农 业 机 械 学 报 2019年京农科728的M 和M r 变量,农大84的H 和H r 变量线性拟合度高于其他一元线性回归模型㊂产生差异的原因是,京农科728是紧凑型玉米,叶倾角大,叶片紧凑,三维点云主要分布在中层,农大84是舒展型玉米,叶倾角小,叶片舒展,三维点云主要分布在上层㊂对比京农科728的M 和M r 变量模型与农大84的H 和H r 变量模型,引入地面点后,京农科728编号2的模型R 2从0.660提升至0.759,农大84编号1的模型R 2从0.839降至0.795,RMSE 和rRMSE 变化很小,所以引入地面点对一元线性回归模型贡献不大㊂在二元线性回归模型中,京农科728的H ㊁M 和H r ㊁M r 两个变量组合,农大84的H ㊁M 和H r ㊁M r 两个变量组合线性拟合度高于其他二元线性回归模型㊂两个品种的二元线性回归模型中最优模型自变量组合相同,说明在不同品种的叶面积指数测量模型中贡献最大的层虽然不同,但是最优变量组合却是相同的㊂其原因是中㊁上层点云的数量占全部点云数量的90%以上,基本包含了点云数量的全部信息㊂并且H ㊁M 和H r ㊁M r 的二元线性回归模型与其对应最优一元线性回归模型比较,R 2有0.2左右的提升,RMSE 和rRMSE 降低了一半左右,明显优于一元线性回归㊂对比表3和表5中编号4的模型,训练集R 2从0.812升至0.931,RMSE 从0.109%降至0.066%,rRMSE 从0.067%降至0.040%,验证集R 2从0.884升至0.949,RMSE 从0.097%降至0.065%,rRMSE 从0.060%降至0.042%;对比表4和表6中编号4的模型,训练集R 2从0.934升至0.979,RMSE 从0.085%降至0.048%,rRMSE 从0.035%降至0.020%,训练集R 2从0.926升至0.984,RMSE 从0.087%降至0.040%,rRMSE 从0.037%降至0.016%㊂可以看出引入地面点对不同玉米品种二元回归模型的线性拟合度和测量精度都有很大程度的提高㊂所以选择二元线性回归模型中的H r ㊁M r 的变量组合,放弃H ㊁M 变量组合㊂在三元线性回归模型中,全部植株点云数量作为自变量的模型8回归的效果很差,说明叶面积指数测量模型需要对点云植株进行分层处理㊂编号为7的模型在表3㊁4㊁5中通过了F 检验和t 检验,所以只对这3个模型进行分析㊂H ㊁M ㊁L 和H r ㊁M r ㊁L r 三元线性回归模型与其对应最优二元线性回归模型比较,R 2只有0.04左右提高,RMSE 和rRMSE 只降低了20%左右㊂模型的线性拟合度和测量精度提高不大,且增加了变量,使模型变得复杂,且适应性降低㊂综合分析,选择最优二元线性回归模型,放弃三元线性回归模型㊂3 讨论使用玉米的垂直结构分层,及每层点云的数量或每层点云数量与地面点云数量的比值,建立了LAI 测量模型,为LAI 田间快速测量提供了一种新的思路㊂本研究目前只建立了玉米一个生长期的LAI 测量模型,后续还需要对玉米不同生长期的LAI 测量模型进行研究,验证该方法的通用性㊂本文主要针对大喇叭口期的玉米开展研究,后续研究中,需进一步针对玉米的不同生长阶段,采取不同的点云分析处理方法㊂例如在玉米苗期㊁拔节期,玉米植株低矮,叶片较小,就需要先考虑玉米植株是否同样是存在3层的垂直分布,并根据植株的垂直分布对植株点云进行分层处理;在抽雄期㊁吐丝期等生育后期,植株完全长成,叶片交错纵横,遮挡严重,造成地面点云数量减少,可能会导致地面点云与植株点云分离出现问题㊂在模型建立部分,由于不同生育时期的植株点云和地面点云数量都存在不同程度的变动,在苗期时地面点云数量多,在吐丝期时地面点云数量少,依然要考虑是否要引入地面点云数量的问题㊂4 结论(1)提出了一种基于车载三维激光雷达的叶面积指数测量算法,通过对玉米植株点云和地面点云进行分离,并根据垂直结构对玉米植株进行分层处理,建立了较高精度的叶面积指数计算模型㊂(2)通过对点云滤波处理前㊁后建立的LAI 测量模型进行分析比较可知,R 2㊁RMSE 和rRMSE 没有显著优化㊂即有无滤波处理对基于分层点云数量建立LAI 测量模型的影响可忽略不计㊂(3)通过对建立的叶面积指数测量模型进行综合分析可知,京农科728和农大84虽然株型不同,但都选择了以H r ㊁M r 为变量建立的叶面积指数测量模型,说明此方法在玉米的大喇叭口期具有一定的通用性㊂参考文献[1] ROSELL J,SANZ R.A review of methods and applications of the geometric characterization of tree crops in agriculturalactivities[J].Computers and Electronics in Agriculture,2012,81:124-141.[2] 杨邦杰,裴志远.农作物长势的定义与遥感监测[J].农业工程学报,1999,15(3):214-218.91第6期 张漫等:基于车载三维激光雷达的玉米叶面积指数测量。
河套地区玉米叶面积指数的动态模拟
河套地区玉米叶面积指数的动态模拟孔德胤;杨松;黄淑琴;李雪冰;杨钦宇【摘要】以河套灌区玉米为研究对象,设7个玉米播期,从4月1日开始每10d一个播期,通过观测玉米生育期气象条件和不同播期玉米叶面积指数,建立玉米叶面积指数LAI动态模型.首先建立以生理日数为自变量的普适模型,利用该模型计算的第1-4播期玉米叶面积指数最大值出现在吐丝期后23～26d,第5-7播期的LAI最大值则出现在吐丝期后13 ～19d,模型对准确描述叶面积指数生长规律有一定局限性.然后,以积温为自变量对模型进行修订,结果显示该模型计算的第1-4播期的LAI最大值点的活动积温为1901.2～1996.7℃·d,第5-7播期的则为1579.7～1825.6℃·d,但该模型并未剔除低于10的无效积温,仍有一定局限性.最后,采用修正的Logistic方程构建玉米相对叶面积指数动态普适模型,方程均通过0.01水平的显著性检验,标准化后数据点的离散程度明显下降,出苗后有效积温达1004.4℃·d时河套地区玉米叶面积指数达最大值.研究结果可为准确模拟玉米叶片生长及光合产物分配提供依据.【期刊名称】《中国农业气象》【年(卷),期】2014(035)003【总页数】6页(P281-286)【关键词】玉米;积温;叶面积指数;模型【作者】孔德胤;杨松;黄淑琴;李雪冰;杨钦宇【作者单位】内蒙古巴彦淖尔市农业气象试验站,临河015000;内蒙古巴彦淖尔市农业气象试验站,临河015000;内蒙古巴彦淖尔市农业气象试验站,临河015000;内蒙古巴彦淖尔市农业气象试验站,临河015000;内蒙古巴彦淖尔市农业气象试验站,临河015000【正文语种】中文叶面积指数(LAI)是植被冠层结构的一个重要参数，它反映了植被的许多生物物理过程，如光合、呼吸、蒸腾、碳循环和降水截获等，同时它也可为植被冠层表面最初能量交换描述提供结构化定量信息［1］，国内外已对多种生态条件下玉米叶面积生长规律进行了研究，而有关河套地区玉米不同播期LAI生长模型的研究很少，尤以利用普适模型研究玉米LAI生长规律的研究尚未见报道。
春玉米最大叶面积指数的确定方法及其应用
春玉米最大叶面积指数的确定方法及其应用麻雪艳;周广胜【摘要】玉米叶面积指数达到最大时光合产物基本停止向营养器官分配,是玉米进入生殖生长阶段的标志.对锦州农田生态系统野外观测站2005-2011年多品种的春玉米大田试验资料分析发现春玉米最大叶面积指数出现于吐丝后2周左右,提出了春玉米叶面积指数达到最大时的积温指标,即播种至叶面积指数最大时的≥10℃有效积温为1085.3℃·d和(或)出苗至叶面积指数最大时的≥10℃有效积温为1010.4℃·d.在此基础上,采用修正的Logistic方程构建了春玉米相对叶面积指数动态普适模型.研究结果为准确模拟春玉米叶片生长及光合产物分配提供了依据.【期刊名称】《生态学报》【年(卷),期】2013(033)008【总页数】8页(P2596-2603)【关键词】春玉米;最大叶面积指数;叶面积指数动态;≥10℃有效积温【作者】麻雪艳;周广胜【作者单位】中国气象科学研究院,北京100081;中国气象科学研究院,北京100081;中国科学研究院植物研究所植被与环境变化国家重点实验室,北京100093【正文语种】中文我国是仅次于美国的第二大玉米生产国，玉米产量占世界玉米总产的20%左右。
近年来，我国玉米生产发展势头良好，玉米增产对粮食产量增加的贡献率达49.4%［1］，已成为我国粮食增产的主力军，在保障国家粮食安全和满足市场需求方面发挥着举足轻重的作用。
《国家粮食安全中长期发展规划》制定的2009—2020年新增1000亿斤粮食目标中，玉米要承担53%的增产份额，并且到2020年要达到保持基本自给的目标［2］。
但是，目前我国玉米总产的提高主要依靠种植面积的增加，单产增幅不明显且波动较大［1］。
不断加强玉米生产是实现我国粮食生产安全稳定的重要保证，而提高玉米单产是加强玉米生产的主要方向。
干物质积累是作物产量形成的物质基础［3］，较高的干物质积累是实现作物高产的必要保证［4］。
玉米叶面积指数变化及其应用
玉米叶面积指数变化及其应用摘要叶面积指数（LAI）与作物产量的增长联系紧密，在一定范围内随着叶面积指数的增加群体光合速率提高。
LAI与品种特性，种植密度，栽培措施，气象条件有密切联系。
本文分别从玉米LAI模型构建和不同处理措施对玉米LAI的影响角度总结近年来关于玉米LAI的研究以及其对于农业生产的意义。
前言玉米是大田中的主要作物之一，我国的玉米生产水平有较大的提高潜力。
叶面积指数是计算作物蒸散和干物质累积最重要的生理参数，可为植冠表面最初能量交换描述提供结构化定量信息，是进行物质循环及能量代谢等研究的基础，是除单叶光合作用速率以外决定作物冠层光合作用计算精确与否的重要参数，且最能反映遥感数据与作物生长状态密切关系关系，因此研究叶面积指数动态变化模式有重要的应用价值。
目前有关玉米LAI的测定，LAI动态模型的建立，不同株型玉米LAI动态变化和不同的栽培因子对于玉米LAI的影响是研究的热点。
一、玉米LAI动态模型关于玉米全生育期的动态变化模拟模型主要是logistic模型的扩展。
例如中国科学院地理科学与资源研林忠辉等提出的模型便是以积温指标表示的生育阶段为自变量,综合不同地理位置、品种、播期、密度等的影响,是一个扩展的Logistic 叶面积生长模型。
[1]玉米叶面积指数随生育进程变化可分为4 个时期,即缓慢增长期,指播种～拔节期叶面积指数增长缓慢;线性增长期,指拔节～抽雄吐丝期叶面积指数增长最快,且吐丝期达最大值;相对稳定期,指抽雄吐丝～乳熟期叶面积指数相对稳定而后期略有下降;衰退期,指乳熟～蜡熟期叶面积指数下降。
Logistic 曲线可较好地表述玉米叶面积指数前2 个生育阶段,但不能表述相对稳定期后期及衰退期叶面积指数下降过程,必须经过修正方可用于整个生育期动态变化模拟。
[2]玉米LAI动态模型主要用于区域作物生长模拟模型和区域作物生长监测及遥感估产。
二、不同株型玉米LAI动态变化主要是研究平展型品种和紧凑型品种的LAI动态变化，通过比较得出不同品种的最大最适叶面积指数，从而为玉米的增产提供理论依据。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
玉米叶面积指数
玉米叶面积指数（Leaf Area Index，简称LAI）是植物学中一个重要的指标，表示单位地表面积上植被叶面积的总和。
玉米作为一种
重要的农作物，其LAI的测定对于作物的生长与产量具有很大的意义。
本文将从以下三个方面来详细介绍玉米叶面积指数。
一、LAI的意义
1. 对作物生长的影响
LAI是衡量作物光合能力的重要指标，高LAI代表植株叶面积多，可以更充分地吸收阳光能量，从而促进光合作用，提高作物产量。
2. 对环境的影响
玉米LAI的测定还能够反映土地退化的程度，以便及时采取措施
改善环境，保护土地资源。
二、LAI的测定方法
1. 直接测量方法
该方法是通过对采样的玉米叶进行扫描，然后使用特定的软件处
理出LAI值。
该方法测量准确度高，但需要大量的人工处理和分析，
成本较高。
2. 非直接测量方法
该方法是通过特殊的遥感技术获取玉米叶面积的信息来计算LAI。
这种方法处理起来简单，速度快，并且能够覆盖大范围的土地，但准
确度有限，需要进行适当的修正。
三、影响LAI的因素
1. 环境因素
气候、土壤、灌溉等环境因素对LAI有直接的影响。
温度、光照、降水量等对作物生长有着直接的影响，进而影响LAI。
2. 作物因素
种植密度、肥料施用量、作物品种等也会对LAI产生影响。
在实
践中，通过适当调整作物因素来改变LAI值已经成为一种成熟的作物
管理技术。
总之，玉米LAI是影响玉米生产的重要因素，测定和控制LAI是提高玉米产量和保护生态环境的关键一环。
通过本文的介绍，相信读者对玉米LAI有了更加深入的了解。