随着高光谱遥感技术的快速发展,使作物营养状况的大面积无损监测、快速实时诊断和精确定量施肥成为可能。
国内外关于高光谱监测水稻氮素营养的研究较多。王树文等[6]研究结果表明可以通过水稻光谱反射率曲线图定性区分严重缺氮、正常施氮以及过量施氮的情况,为以后建立水稻冠层氮素营养诊断模型奠定基础。Stroppiana等[7]利用2年的田间试验,提出了通过光谱数据预测水稻植株氮浓度的回归模型,模型通过验证有很好的适用性。Ryu等[8]利用机载高光谱遥感数据以及水稻植株生长信息数据建立了预测水稻穗分化期氮含量的模型,该研究通过比较利用不同年限数据建立的模型的准确度,发现使用的数据年限越长,模型准确度越高。胡军杰等[9]研究发现绿峰峰值是分析水稻氮含量的最佳因子并构建了相应的模型。刘桃菊等[10]研究发现在不同供氮水平下,高光谱反射率的一阶导数在可见光区随着施氮量的增加而相应升高,这种趋势在红边核心区具有稳定的响应特征,且随着施氮量的增加冠层红边位置产生了“红移”现象。Yi等[11]应用多元线性回归和人工神经网络的建模方法监测水稻氮素含量,结果显示基于多元线性回归的人工神经网络模型R-ANN具有最佳效果。
1 材料与方法
1.1 试验设计
试验于2016-2017年在扬州大学试验农场进行。前茬为小麦,土壤质地为砂壤土,有机质含量为21.26g/kg,全氮含量为1.36g/kg,碱解氮含量为92.21mg/kg,速效钾含量为86.35mg/kg,速效磷含量为42.86mg/kg。
试验选用品种为：连粳7号、淮稻5号、淮稻9号、甬优2640、扬两优6号以及云氮3号。小区面积3m×4m=12m2,移栽时株、行距为15cm×25cm,每穴1株,每个品种2个小区。氮肥运筹为基肥:穗肥=6:4,磷钾肥按150kg/hm2以基肥施入,全生育期栽培措施按照高产栽培要求进行。
1.2 测定内容与方法
1.2.1 氮素测定 待测液制备：分别粉碎混匀植株叶片和穗,用H2SO4-H2O2消化法制备待测样品。
稻穗全氮的测定：用半微量凯氏定氮法测定样品全氮含量。
1.2.2 光谱数据测定 冠层光谱采用ASD FieldSpec FR 2500野外便携式地物波谱仪测量,光谱仪的前视场角为25°,波段范围为350~2 500nm,其中,350~1 000nm光谱采样间隔为1.4nm,光谱分辨率为3nm;1 000~2 500nm光谱采样间隔为2nm,光谱分辨率为10nm,使用前预热15~30min。
选择晴朗、无风或微风、无云天气,在各水稻品种的拔节期、孕穗期、抽穗期、开花期、灌浆期分别测定冠层光谱,测定时间为北京时间10:00-14:00,传感器探头垂直向下,距离冠层高度约1m,每小区测5行,每行测3个不同点,每个点测10次,取平均值作为该小区的光谱反射率,每个小区测定前后立即进行白板校正。
1.3 数据处理
利用ASD ViewSpec Pro软件读取源光谱数据,将原始光谱数据进行预处理,取其平均值作为该处理的光谱值。由于1 300~2 500nm是水分主导波段,噪声较大,所以只选择350~1 300nm波段进行相关处理。用MATLAB对光谱数据进行去噪处理,平滑方法为移动平滑法。利用SPSS软件进行相关分析并计算相应的光谱指数。
1.4 结果检验
采用均方根误差（root mean square error,RMSE）
和相对误差（relative error,RE）对高光谱估测结果进行检验,二者的公式分别为：
其中yi和oi分别为实际值和模拟值,n为样本数。
2 结果与分析
2.1 不同品种水稻的光谱曲线差异
图1
图1
不同品种水稻在抽穗/开花期的光谱曲线
Fig.1
The spectral curves of different rice varieties in ear/flowering stage
2.2 水稻冠层光谱反射率与稻穗全氮含量的相关性
图2
图2
水稻稻穗全氮含量与冠层光谱反射率的相关性
Fig.2
The correlation between total nitrogen content of rice panicle and canopy spectral reflectance
2.3 水稻稻穗全氮含量和光谱特征指数的相关性
表1 水稻稻穗全氮含量和光谱特征指数的相关性
Table 1
| 光谱指数Spectral index | 描述Description | 相关系数Correlation coefficient |
|---|---|---|
| Db | 蓝边覆盖490~530nm内一阶微分光谱最大值 | -0.384 |
| λb | Db对应波长位置 | -0.449* |
| Dr | 红边覆盖680~780nm内一阶微分光谱最大值 | -0.282 |
| Rg | 波长510~560nm最大波段反射率（即绿峰反射率） | -0.262 |
| SDb | 蓝边范围内一阶微分波段值的总和 | -0.117 |
| SDr | 红边范围内一阶微分波段值的总和 | -0.430* |
| SDr/SDb | 红边范围内一阶微分波段值的总和/蓝边范围内一阶微分波段值的总和 | -0.558** |
| RVI | 比值植被指数 | -0.172 |
| NDVI | 归一化植被指数 | -0.121 |
| DVI | 差值植被指数 | -0.516* |
| SAVI | 土壤调节植被指数 | -0.364 |
Note: n=22, * P<0.05, ** P<0.01, the same below
注：n=22,* P<0.05,** P<0.01,下同
2.4 水稻稻穗全氮含量光谱估测模型构建
表2 稻穗全氮含量估算模型
Table 2
| 光谱指数 Spectral index | 拟合方程 Fitted equation | R2 |
|---|---|---|
| SDr/SDb | y=0.981+0.001x | 0.311** |
| DVI | y=-1.597-34.688x2+20.486x | 0.429** |
| y=3.648e-3.282x | 0.324** | |
| λb | y=-75.627+0.148x | 0.201* |
| SDr | y=2.156-3.023x | 0.185* |
| y=2.915e-2.945x | 0.232* | |
| SDr/SDb, DVI | y=2.075+0.001x1-2.952x2 | 0.505** |
2.5 水稻稻穗全氮含量光谱估测模型检验
为检验上述估测模型的准确性,利用验证集样本数据对多元线性回归模型进行检验,采用决定系数（R2）、均方根误差（RMSE）和相对误差（RE,%）3个指标检验模型估测能力,并通过实测值与模拟值的1:1关系图比较两者的一致性。
图3
3 小结与讨论
近年来,光谱技术在作物监测中的应用越来越多,但由于品种及地理位置的差异,导致构建的监测模型也不尽相同。冯伟等[19]、王仁红等[20]利用光谱技术估测了小麦的氮素水平;武改红等[21]、贾学勤等[22]利用光谱技术对冬小麦的叶面积指数和地上部干生物量进行了估测;陈国庆等[23]、贺婷等[24]分析了不同氮素水平下超高产夏玉米冠层的高光谱特征并构建了全氮含量估测模型。上述结果说明光谱技术在不同的作物中均有较广泛的应用。相关研究也表明,不同水稻品种冠层光谱反射率存在一定差异[25,26],因此使用一种模型来估算不同品种水稻氮素含量还存在不确定性。即使是同一水稻品种,由于受到播种期、施肥量等因素的影响,氮素含量也有差异,因素估测模型也要作相应的调整。本试验在实施过程中受到试验条件及人力等因素的限制,所选的水稻品种相对偏少,不同品种氮素含量的光谱差异还需进一步研究。同时模型的精度还需进一步提升。
参考文献
植被氮素浓度高光谱遥感反演研究进展
氮素是植被进行生命活动的必需元素, 它在蛋白质、 核酸、 叶绿素和酶等物质的生物合成中起重要作用, 并在植被的光合作用中起到关键作用。 植被氮素浓度高光谱遥感反演技术是自20世纪70年代以来的研究热点。 近年来随着高光谱遥感技术的发展, 可将光谱波段在某一光谱区域进行细分的优势, 为与植被氮素相关的光谱特性研究提供了有力的技术手段。 结合近几年主要地理科学文献上发表的植被氮素浓度高光谱遥感监测的最新研究成果, 介绍了植被氮素浓度高光谱遥感监测的原理及相关问题。 从植被氮光谱指数、 叶绿素指数的植被氮含量反演、 回归模型和反演植被氮浓度影响因素的消除方面, 详细介绍了植被氮素浓度高光谱遥感反演这四个方面的主要技术方法, 总结分析了研究结论, 并讨论了研究发展趋势。
Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry
DOI:10.1016/j.fcr.2008.11.004 URL [本文引用: 1]
Model for predicting the nitrogen content of rice at panicle initiation stage using data from airborne hyperspectral remote sensing
DOI:10.1016/j.biosystemseng.2009.09.002 URL [本文引用: 1]
Monitoring rice nitrogen status using hyperspectral reflectance and artificial neural network
水稻冠层氮素含量光谱反演的随机森林算法及区域应用
DOI:10.11834/jrs.20142329
Magsci
[本文引用: 1]
利用地面实测数据构建高精度的水稻冠层氮素含量光谱反演点模型并将其进行尺度转换，实现了水稻冠层氮素含量准实时、大区域监测。以氮素光谱敏感指数作为输入变量，冠层氮素含量数据为输出变量，利用随机森林算法构建水稻冠层氮素含量高光谱反演模型，并用苏州市水稻农田验证区数据，检验模型的普适性和有效性；利用准同步的Hyperion数据，采用对输入、输出变量进行线性变换的简单尺度转换方法实现了点模型的区域应用。结果表明：基于随机森林算法的水稻冠层氮素含量高光谱反演模型可解释、所需样本少、不会过拟合、精度高（模型在实验区的预测精度为R=0.82，验证区检验精度为R=0.73）且具有普适性；点模型基于高光谱遥感卫星影像和尺度转换进行区域应用，精度较高（R=0.81）。
基于多种光谱仪的水稻前期植株氮积累量监测
为了明确水稻穗肥施用前地上部植株氮积累量与各光谱仪冠层光谱参数的定量关系，进而为水稻精确追氮提供决策依据。基于不同品种和不同施氮水平的7个水稻田间试验，于分蘖期和拔节期利用ASD Fieldspec FR2500高光谱仪、Cropscan MSR-16多光谱仪和Greenseeker RT100主动光谱仪同时采集冠层光谱反射率，并同步取样测定地上部植株氮积累量，研究基于不同光谱仪构建的植被指数与植株氮积累量之间的关系。结果表明，部分植被指数与水稻地上部植株氮积累量关系密切，基于3种光谱仪构建的水稻地上部植株氮积累量监测模型的稳定性和适用性有较大差异。对于ASD高光谱仪，虽然基于差值植被指数（760，740）能较好估测植株氮积累量，拟合模型决定系数R2为0.79，但模型检验效果较差，其R2和均方根误差分别为0.15和2.11 g/m2；对于Cropscan多光谱仪，差值植被指数（760，710）能较好反演植株氮积累量，拟合模型的R2为0.94，模型检验的R2和均方根误差分别为0.94和0.76 g/m2；Greenseeker主动光谱仪的归一化植被指数（770，660）对地上部植株氮积累量的反演效果最好，拟合模型的R2为0.97，模型检验的R2和均方根误差分别为0.97和0.62 g/m2。研究结果可为水稻前期植株氮积累量监测过程中的光谱仪选择提供参考，为水稻精确追氮管理提供技术支撑。
利用叶片高光谱指数预测水稻群体叶层全氮含量
DOI:10.3724/SP.J.1006.2010.01529
Magsci
[本文引用: 1]
通过测定叶片高光谱来快速估测整个水稻叶层全氮含量对于水稻氮素诊断有重要意义。本文通过连续3年不同施氮水平和不同品种类型的4个大田试验，分生育期同步测定了不同叶位叶片的高光谱反射率及叶层全氮含量，并系统分析了叶片水平多种高光谱指数与水稻叶层全氮含量的定量关系。结果表明，不同叶位叶片的光谱反射率与叶层全氮含量的相关程度不同，顶二叶(L<sub>2</sub>)表现最好、顶三叶(L<sub>3</sub>)次之，而L<sub>2</sub>和L<sub>3</sub>的平均光谱(L<sub>23</sub>)有助于进一步提高光谱指数的敏感性，是估测叶层氮含量的适宜叶位组合。绿光560 nm和红边705 nm波段附近光谱反射率与叶层全氮含量呈极显著负相关关系，两者分别与近红外波段组合而成的光谱比值指数可较好地监测水稻叶层全氮含量，其中绿光、红边窄波段比值指数SR(R<sub>780</sub>, R<sub>580</sub>)和SR(R<sub>780</sub>, R<sub>704</sub>)表现较好，与叶层全氮含量的决定系数分别为0.887和0.884；独立试验数据检验的RMSE分别为0.216和0.235。将上述2个窄波段比值指数中的近红外、绿光波段和红边波段宽度分别扩展至100、20和10 nm，从而构建的宽波段比值指数SR[AR<sub>(750-850)</sub>, AR<sub>(568-588)</sub>]和SR[AR<sub>(750-850)</sub>, AR<sub>(699-709)</sub>]与叶层全氮含量相关性仍具有较高水平，线性回归模型的拟合精度(<em>R</em><sup>2</sup>)为0.886和0.883，检验RMSE值分别为0.218和0.237。从而在叶片水平，确立了适于叶层全氮含量估测的基于绿光、红边与近红外波段的比值组合和波段适宜宽度。
等 . 小麦氮素积累动态的高光谱监测
【目的】研究小麦地上部氮积累量与冠层高光谱参数的定量关系，分析多种高光谱参数估算地上部氮积累量的效果。【方法】连续3年采用不同蛋白质含量的小麦品种在不同施氮水平下进行大田试验，于小麦不同生育期采集田间冠层高光谱数据并测定植株不同器官生物量和氮含量。【结果】植株氮积累量随着施氮水平的提高而增加，不同地力水平间存在明显差异。植株氮积累量的光谱敏感波段主要存在于近红外平台和可见光区，而地上部氮积累量与冠层光谱的相关性明显降低。对植株氮积累量的光谱估算，在不同品种、氮素水平、生育时期和年度间可以使用统一的光谱模型。在籽粒灌浆期间植株氮积累量自开花期随时间进程的积分累积值与对应时期籽粒氮素积累状况存在显著的定量关系，根据特征光谱参数植株氮素营养籽粒氮积累量这一技术路径，以植株氮积累量为交接点将模型链接，建立高光谱参数与籽粒氮积累量间定量方程。将植株氮积累量与籽粒氮积累量相加，确立了基于高光谱参数的籽粒灌浆期间地上部氮积累量监测模型。经不同年际独立资料的检验表明，利用光谱参数SDr/SDb、VOG2、VOG3、RVI（810,560）、[（R750-800）/（R695-740）]-1和Dr/Db建立模型可以实时监测小麦地上部氮素积累动态变化，预测精度R2分别为0.774、0.791、0.803、0.803、0.802和0.778，相对误差RE分别为16.7%、15.5%、15.6%、18.5%、15.5%和17.3%。【结论】利用关键特征光谱参数可以有效地评价小麦地上部氮素积累状况，其中尤以植被指数VOG2、VOG3和[（R750-800）/（R695-740）]-1的效果更好。
基于高光谱的冬小麦氮素营养指数估测
为了准确定量诊断氮素状况，为施肥和产量、品质的估测提供参考，该文通过设置不同氮素水平和品种类型的冬小麦田间试验，分析孕穗至灌浆初期不同光谱参数在小麦氮素营养状况监测上的差异，筛选叶片氮素含量和冠层氮素密度反演效果较好的参数，建立其与氮营养指数（NNI，nitrogen nutrition index）的经验模型。研究表明，线性内插法红边位置（REPLI）、修正红边单比指数（mSR705）、比值指数（RI-1dB）、简单比值色素指数（SRPI）、红边指数（VOG）等光谱参数与氮素营养指标具有良好的相关性(r>0.85)，且不受生育期影响，可用来反演评价冠层氮素营养状况；研究对筛选的光谱参数与各氮素指标进行回归建模，并用独立试验数据对所建模型进行验证，结果显示，REPLI在氮营养指数估测方面表现较好(r=0.93)，估测模型精度较高（决定系数R2=0.86，均方根误差RMSE = 0.08）。NNI在氮素营养状况诊断方面有一定的优势，通过高光谱反演氮营养指数进行氮素营养状态的定性定量诊断有一定的可行性。
不同氮素水平下超高产夏玉米冠层的高光谱特征
为明确超高产夏玉米冠层高光谱特性，对不同生育期、不同氮肥处理下普通玉米与超高产夏玉米冠层高光谱特性进行了比较；对超高产夏玉米冠层高光谱反射率及其衍生的植被指数与干物质积累、叶绿素含量间的相关性进行了分析。结果表明，不同生育期，超高产夏玉米近红外波段的高光谱反射率均大于普通玉米，且在生育后期变化缓慢。开花期与灌浆期之间，出现“红边平台”现象，生育后期红边位置“蓝移” 变化量显著小于普通玉米。随着施氮量的增加，超高产夏玉米冠层高光谱反射率及红边位置变化不大，而红边幅值与红边面积呈逐步增大趋势。在相关性分析中，由950\,760、810、870nm构成的各类植被指数及红边幅值、红边面积与超高产夏玉米干物质积累量间的相关性最好，红边位置λred可用于估算叶绿素总量、叶绿素a、叶绿素b及类胡萝卜素的含量。不同氮肥下，超高产夏玉米冠层高光谱特征与普通玉米相比具有较大差异，研究结果能为超高产夏玉米生理特性的研究提供支持。
