高光谱检测及对比分析

变量施肥是精准农业的重要组成部分，国内外对变量施肥研究比较多，应用的变量施肥算法也比较多。Koch等通过测得玉米田硝态氮和有机质含量，并结合Mortvedt等提出的氮推荐算法进行变量施肥，结果表明变量施氮处理比均一施氮处理取得更好的经济效益。

1材料与方法

1.1 实验设计

本研究于2006年在国家精准农业研究示范小汤山基地进行。基地位于北京市昌平区小汤山镇东北部，地处北纬40°10', 东经116°26'。冬小麦品种为京冬8号，于2005年9月26-27日播种，播种量为330-345kg/hm2。试验区土壤类型为潮土，土壤中硝态氮含量3.00-15.04mg/kg, 全氮含量0.94-0.98g/kg, 有机质含量15.3-15.8g/kg, 有效磷含量2.20-21.18mg/kg, 速效钾含量 106.96-132.77 mg/kg。随机区组排列，小区面积为3m x 3m, 小区之间有1m隔离带。小麦播种时不施基肥，且在整个生育期内除施氮肥外未施其他肥料。2006年4月14日进行变量施肥，按照算法计算出各小区施肥量，称量装袋，人工撒施。在小麦生长阶段，田间管理除氮肥管理不同外，其它管理完全相同，2006年6月20日收获。

体施肥算法如下 ：

处理一(CK 处理）无肥处理， 在冬小麦整个生长期内不施肥， 共20个小区，小区编号为：CK-1、 CK-2、CK-3·…··CK-20。

处理二(T 处理）根据冬小麦拔节期土壤硝态氮含量及 目标产量确定各变量施肥区的施肥量。在冬小麦拔节期测定0 30 cm土壤硝态氮含量，取两点混合土壤。设定2001年基地冬小麦产量的 1.4倍为目标产量，结合土壤硝态氮含量测定值并依据N min-Sollwert 法计算各变量施肥区的施肥量。共20个小区，小区编号为T-1、T-2、T-3……T-20 。

处理三(Y处理）以Lukina等算法为基础，根据作物起身、 拔节期的土壤调节植被指(OSAVI)确定各变量施肥区的施肥量。具体思路是，根据冬小麦起身期和拔节期的土壤调节植被指数(OSAVI)得到当季估产系数，进而得到目标产量。冬小麦整个生育期需氮量由目标产量确定，已吸收氮量由冬小麦拔节期的OSAVI测定值确定，最后总需氮量与已吸收氮量相减得到实际施氮量。共20个小区，小区编号为：Y-1、Y-2、Y-3……Y-20。

处理四(S处理）根据作物拔节期的倒1 和倒2叶的SPAD测定值确定各变量施肥区的施肥量。具体思路为，测得冬小麦拔节期倒一叶和倒二叶的 SPAD值并归一化，根据归一化值确定冬小麦目标产量和已吸氮量，而总需氮量由目标产量确定，最终 施氮量由总需氮量减去已吸氮量得到。共20个小区，小区编号为：S-1、S-2、S-3 S-20。

处理五(Z处理）以Lukina等算法为基础，由 CERES-Wheat模型结合土壤调节植被指数(OSAVI)测定值确定各变量施肥区的施肥量。具体思路为，根据当地气象数据、 土壤数据等，由CERES-Wheat作物生长模型模拟出目标产量，并根据目标产量得到总需氮量，冬小麦拔节期的OSAVI测定值确定小麦已吸收氮量，最后根据总需氮量和已吸收氮量得到施氮量 。共20个小区，小区编号为：Z-1、Z-2、Z-3··· Z-20。

处理六(W处理）均一施肥处理，该处理各小 区的施肥量为各变量施肥处理总施肥量的平均施肥 量。共20个小区，小区编号为：W-1、W-2、W-3、W-20。

各处理的具体施肥量见表1

表1 各处理具体施肥量(kg/hm2）

1.2 测定项目与方法

2.2.1 冬小麦冠层光谱反射率的测定

分别在冬小麦起身期、拔节期、挑旗期、抽穗期、开花期、灌浆初期、灌浆中期、成熟期测定所有处理的冠层光谱。小麦冠层光谱测量仪器可以为莱森光学iSpecField-WNIR-HRs地物光谱仪。为了减少由光照条件变化引起的误差，所有冬小麦冠层光谱测量都在10:00-14:00之间进行。测量 时探头垂直向下 ，并始终保持距小麦冠层 1.3m, 探头视场角为25°。每小区测量 20次，并且在各小区测定前后均测量标准参考板，之后根据反射率和DN值转换公式(1)计算出目标物的反射率值，最后取平均值作为该小区的光谱反射值。

式中：R目标指目标物的反射率；R参考板指所测参考板的反射率；DN目标指目标物的DN值；DN参考板指参考板的DN值。

1.2.2 冬小麦叶片 SPAD值的测定

分别于冬小麦起身期、拔节期、挑旗期、抽穗期、开花期、灌浆初期、灌浆中期、成熟期测定各处理小区冬小麦叶片叶绿素含量。测定时均选取无损伤的健康倒一叶和倒二叶，测定其中间部位并避开叶脉。每小区倒一叶和倒二叶各测定20次，取其平均值。

1.2.3 冬小麦产量的测定

2006年6月19日在各小区内选取2 m2面积的冬小麦收获至网袋中，风干后考种记录各小区的穗数、穗粒数和千粒重，最后对所有收获的小麦进行脱粒测产得到实际产量。

1.3 数据处理

1.3.1 光谱数据预处理

结合本研究的需要，考虑到 350-400 nm波段有噪声，而在1300 nm以后由于水分强吸收而使光谱不连续，故选取400- 1300 nm波段的反射率数据。同时为了消除光照的影响，对原始测量的光谱反射率数据进行归一化处理。利用Yu等提出的方法进行归一化处理，计算公式为：

式中：R'为归一化后反射率；R为原始测量反射率；n为波段数，本文中所用 波段为400- 1300 nm。

1.3.2 光谱参数选取

为了研究不同施肥处理对小麦生长的影响，本文中除选用被广泛应用和证明的植被指数外，还选用 了RTVI 指数 (red-edgetriangular vegeta tion index , 红边三角光谱指数），该 植被指数可以解决在高植被覆盖度下出现“ 饱和 “状态的问题。表2列出了本文中用到的植被指数。

表2 光谱特征参数的定义

2结果与分析

2.1 施肥处理对各处理冬小麦冠层光谱的影响分析

2.1.1 施肥后冬小麦冠层反射率变化分析

说明施肥对冬小麦长势的影响，对抽穗期冬小麦冠层反射率进行分析。计算公式如下：

其中：凡为抽穗期冬小麦冠层反射率相对变化量；R为各施肥处理下抽穗期冬小麦的冠层反射率；凡为不施肥处理(CK)抽穗期冬小麦冠层反射率。

图1 施肥后各处理冬小麦冠层相对反射率变化情况

简单的数值比能充分表现出两者之间的差异。从图1可以看出，追施氮肥后，与CK区相比，作物冠层反射率变化表现为可见光波段降低而近红外波段升高，在图1上表现为可见光波段小于1而近红外波段大于1。可见光部分相对反射率变化量 Ra. 越小，说明冬小麦叶绿素含量越多，长势越好，近红外则相反。可见光波段凡从低到高顺序为Z、S、Y和T,近红外波段正好相反。由此可推断，Z处理冬小麦长势最好，其次为 S、Y 和T。此外，不同施肥处理在可见光波段差异明显而近红外波段差异较小，可见光波段较为敏感。因此同一时期各施肥处理反射率与不施肥处理反射率的比值分析可以反映出小麦相对长势的好与差。

2.1.2 施肥前后各处理反射率变化分析

为了对比不同施肥算法促进小麦生长的效果，本文利用不同处理区施肥前与施肥后冬小麦冠层光谱反射率数据进行分析。为了使各处理间反射率数据具有可比性并消除地力对冬小麦生长的影响，使用下述公式对数据进行处理，计算公式为：

其中：凡为各施肥处理施肥前后冠层反射率相对变化量，Ri前、Ri后分别为各施肥处理施肥前、后反射率，Rck前、Rck后分别为施肥区施肥前、后所对应时期的CK区反射率。

图2 各施肥处理施肥前后反射率的相对变化量

图2显示，各曲线均是相对于CK处理而言，可见光波段曲线越低，表明较CK反射率降低越多，即施肥前后反射率变化越大，那么小麦在此期间增长的越多；近红外波段则相反。可见，按不同的变量施肥算法进行施肥对冬小麦生长的促进作用不同，其中按基于植被指数和作物生长模型相结合的变量施肥算法进行施肥最有利于小麦对氮素的吸收以及生长。

2.1.3冬小麦植被指数NDVI随主要生育期的变化

归一化植被指数NDVI是表征作物长势最常用的植被指数

图3 不同施肥条件下植被指数随主要生育期的变化情况

2.2 不同施肥处理区冬小麦产量对比分析

图4反映了六种不同施肥处理下冬小麦的产量

图4 不同施肥处理区冬小麦产量图（产量从小到大排列）

表3 不同施肥处理区冬小麦产量显著性分析

从图5可以看出，不施肥处理区(CK)产量变异系数最大，其次为T、W、Y、Z、S。除T处理外，其他 变量施肥区的产量变异度均低于均一施肥区(W),说明变量施肥处理提高了小麦产量的均一度。在这六种施肥处理中，基于归一化SPAD值变量施肥处 理(S)的产量变异系数最低，可见该处理在降低产 量变异度方面效果最佳。

图5 不同施肥处理区产量变异情况分析

2.3 不同时期冬小麦光谱指数与追肥量相关性分析

根据冬小麦不同时期光谱指数与追肥量的相关性分析结果（表4)可以看出，除在挑旗期和成熟期 各植被指数与施肥量相关性不稳定外，在其它时期均与施肥量达到极显著相关，并且在冬小麦整个生育期内它们与施肥量的相关系数变化基本一致，即先增大后降低，在开花期或灌浆初期达到最大，说明拔节肥对这两时期的小麦生长影响最大。

表4 冬小麦不同时期光谱指数与施肥量的相关系数

2.4 冬小麦不同时期光谱指数与产量的相关性分析

分别对冬小麦拔节期、挑旗期、抽穗期、开花期、灌浆初期、灌浆中期和成熟期的植被指数与小麦最终产量进行相关性分析，结果见表5。除DVI指数 在成熟期与产量无相关性外，各植被指数在不同生育时期均达到极显著相关。

表5 冬小麦不同时期光谱指数与产量的相关系数

另外，在这五个植被指数中，RTVI指数表现最好，其在不同时期（除拔节期以外）与产量的相关系 数都要比其它植被指数大，故用 RTVI指数预测小 麦产量要优于其它植被指数。

3 讨 论

本文分析中基于光谱指数和作物生长模型的变 量施肥算法要优于其他算法，这与蒋阿宁得到的结果一致。该算法考虑了影响产量的多种因素，比如品种因素、气象因素、土壤因素等，能够更准确地模拟出冬小麦目标产量。因此有必要对基于光谱指数和作物生长模型的变量施肥算法在时间和空间上的稳定性进一步验证和完善。

4 结 论

本试验利用高光谱技术有效、快速、无损伤地对冬小麦长势进行动态监测以及进行不同变量施肥算法的评估。

审核编辑：符乾江