利用高光谱技术估测小麦叶片氮量和土壤供氮水平-电子发烧友网

一、引言

氮素是作物生长发育所必需的营养元素，与光合作用有着密切的关系，直接影响作物长势和产量品质的形成，而作物氮素营养主要来源于土壤氮素含量。土壤供氮状况对作物增产起着至关重要的作用，在一定范围内增加氮肥施用量有利于小麦产量的提高，但施氮量过高会导致氮肥利用率的降低，施肥经济效益下降，因此，提高土壤氮素利用率已成为当前精准农业的主要目标之一。实时、准确地获取小麦叶片氮含量和土壤氮含量，兼顾二者的监测，可以有效地做到合理施用氮肥，提高氮肥利用率及作物产量、品质的形成。

高光谱遥感技术以实时、快速和非破坏性等优势成为当前精准农业技术之一，在作物叶片氮含量和土壤供氮水平的监测方面表现出良好的应用前景。因此，本研究探讨了利用高光谱遥感监测小麦叶片氮含量及土壤对小麦供氮水平的研究。

本研究以2年3点不同施氮水平下2个小麦品种的田间试验数据为对象，运用植被指数法和 PLSR，分析小麦冠层反射光谱与叶片氮含量、土壤氮含量的定量关系，比较并选择小麦叶片氮含量、土壤氮含量的最佳预测模型。预期结果将为遥感技术对小麦叶片氮素营养及土壤氮素水平的诊断，以及合理施氮管理提供理论依据。

二、材料与方法

腾格里沙漠位于阿拉善地区东南部，是中国第四大沙漠。腾格里沙漠属于典型的大陆性干旱气候。沙漠内部沙丘、湖盆、山地、残丘及平地等交错分布，其中沙丘占71%，湖盆草滩占7%，山地、残丘及平地占22%。2011年8月下旬，兰州大学资源环境学院腾格里沙漠科学考察队发现，腾格里沙漠的主要植物有芨芨草、沙冬青、沙蒿、白刺、老鸹头、油蒿、骆驼蓬、鹅绒藤、盐爪爪、沙葱、梭梭、地锦、沙生针茅、虫实、红砂、霸王、芦苇等。

2.1 试验设计

本研究共涉及 3 个不同的田间试验，分别于2011—2013年小麦生长季节进行。

试验 1：2011-2012 年度在山西省曲沃县试验田进行。供试土壤类型为褐土性土，土壤呈中性、微碱性反应，矿物质、有机质积累较多，腐殖质层较厚，肥力较高。土壤耕层有机质含量10.75 g/kg，全氮含量0.49 g/kg，碱解氮27.77 mg/kg，速效磷 15.46 mg/kg。供试品种为‘运麦 20410’。该试验数据用于建立模型。试验采用单因素随机区组排列，3次重复。设5个施氮水平，分别为0、75、150、225、300 kg/hm2 纯氮，以尿素(N 46%)作氮肥，分40%基肥、60%返青后期施入。磷钾肥以基肥一次性施入，过磷酸钙(P2O516.5%)作磷肥，施磷量(P2O5) 100 kg/hm2 ，氯化钾(K2O61.5%)作钾肥，施钾量(K2O) 100 kg/hm2。小麦返青后一次性追肥，田间光谱采样时期分别为选择返青期、拔节期、孕穗期和灌浆期。

表1 施肥方案设计

试验2：2011-2012年度，在山西省临汾市尧都区验田各处理曲沃县处理的方法相同。选择在冬小麦返青期、拔节期、孕穗期和灌浆期测定小麦冠层反射光谱，同步采集叶片、土壤样本并测定氮素指标，该试验数据用于模型验证。

试验 3：2012-2013 年度，设在太原市东阳试验田，供试土壤为黄土母质发育而成的石灰性褐土，土壤肥力水平中等，土壤耕层有机质含量20.07 g/kg，碱解氮49.3 mg/kg，有效磷18.79 mg/kg，速效钾247.3 mg/kg。试验采用单因素随机区组排列，3次重复。供试小麦品种为国审‘晋太170’。试验设计、施肥量、田间光谱采集时间及测定方法以及田间管理同于试验1。该试验数据用于建立模型。

2.2 测定方法

1.2.1 冠层光谱的测定

冬小麦的冠层光谱数据测量可采用莱森光学生产的iSpecField-WNIR系列地物光谱仪，测量波段范围350~2500 nm。冠层光谱测定选择在天气晴朗、无风或风速很小时进行，测定时间为 10:00-14:00。测量时传感器探头垂直向下，距冠层顶垂直高度约1.5 m，地面视场范围直径0.44 m。测量时间为10:00-14:00。每小区重复测量3次，取平均值作为该观测点的光谱反射值。测量过程中及时进行标准白板校正（所测得的目标物体光谱为无量纲的相对反射率）。

1.2.2 氮素的测定

在小麦返青期、拔节期、孕穗期和灌浆期测定小麦冠层反射光谱后，同步测定小麦叶片氮含量及土壤氮含量。具体方法为：在各小区随机选取5 株代表性植株，将植株茎、叶分离，在 105℃下杀青30 min之后，75℃下烘干至恒重，称干重，使用凯氏定氮法测定小麦叶片氮含量(%)；此外，按五点法对各小区耕层0~40 cm取土，每个小区取混合样，使用凯氏定氮法测定并计算土壤氮含量(g/kg)。

2.3 数据分析方法

所采集冠层光谱数据处理可采用SpecAnalysis地物光谱数据后处理分析软件进行处理。在MATLAB平台下编程实现所有光谱参数的算法，选择敏感光谱参数（表2）并建立线性和非线性（幂函数、指数函数和对数函数）回归模型，从中选择最佳预测模型。此外，采用偏最小二乘回归(PLSR)重点分析350~2500 nm 光谱反射率与单因变量（叶片氮含量或土壤氮含量）之间的线性模型，具体分析过程基于 SAS 平台下使用PROC PLS过程步，首先对光谱数据进行标准化变换，数据分析采用“舍一交叉验法”，并使用迭代的NIPALS算法。

表2 本研究所选高光谱参数及计算方法

注：Rλ为波长λnm处的冠层光谱反射率；RCi、RSi、REi分别为反射特征中心点、起点和结束点的光谱反射率；λCi、λSi、λEi分别为反射特征中心点、起点和结束点的波长。本文的Areai中的i取值为672 nm，NDi中i的取值为705 nm和672nm。

以试验1和试验3的数据为建模数据建立基于小麦冠层反射光谱的叶片氮含量及土壤氮含量的预测模型，进而利用试验2为独立资料数据对预测模型进行验证，模型验证采用预测值和实测值的拟合决定系数(R2 )和相对均方根误差(RRMSE)等指标来评定模型预测精度的好坏，其中，相对均方根差(RRMSE) 计算公式如式(1)。

RRMSE值越小则模型的预测精度水平越高。

三、结果与分析

3.1冠层光谱与叶片氮含量及土壤氮含量的相关分析

利用小麦全生育期光谱反射率分别与叶片氮含量及土壤氮含量进行相关性分析，图1为小麦叶片氮含量与光谱反射率的相关性曲线，在可见光波段表现为显著负相关(P<0.05)，其中367~719 nm光谱反射率与叶片氮含量达到极显著负相关(P<0.01)，而大部分近红外波段表现为显著正相关(P<0.05)，其中738~1143 nm波段光谱反射率与叶片氮含量在全生育期都呈现极显著正相关(P<0.01)，且在693 nm和792 nm波段分别达到最大负相关和负相关，相关系数分别为-0.863 和0.709（表3）。

图1 小麦叶片氮含量与冠层光谱反射率及一阶导数光谱的相关系数

表3 小麦冠层光谱反射率及一阶导数光谱与叶片氮含量、土壤氮含量的相关系数

图2为土壤氮含量与光谱反射率的统计相关性曲线，可见光波段表现为显著负相关，432~717 nm光谱反射率与土壤氮含量达极显著负相关，而大多数近红外波段表现为显著正相关，739~1141 nm 波段光谱反射率与土壤氮含量均呈显著正相关，其中在796 nm和694 nm波段处分别达到最大负相关和正相关，相关系数分别为-0.647和0.721。

针对全生育期一阶导数光谱与叶片氮含量、土壤氮含量进行相关性分析，分别提取对一阶导数光谱与叶片氮含量、土壤氮含量的最大正相关和负相关的光谱信息（表3）。

F0.05为显著相关；F0.01为极显著相关

图2 土壤氮含量与小麦冠层光谱反射率及一阶导数光谱的相关系数

结果显示，一阶导数光谱与叶片氮含量、土壤氮含量的最大相关性均优于原始冠层光谱。可能原因是对原始光谱的求导能有效地降低背景噪声，从而增强冠层光谱反射率与目标性状的相关性。由图1和图2可以看出，小麦冠层反射光谱及一阶导数光谱与叶片氮含量、土壤氮含量的相关性均表现较好，说明光谱信息中含有指示叶片氮含量及土壤氮含量的重要信息，可进一步研究反射光谱与叶片氮含量、土壤氮含量之间的回归关系。

3.2基于植被指数的叶片氮含量及土壤氮含量的估算模型

利用试验1和试验3的采集数据对小麦冠层光谱特征参数与叶片氮含量、土壤氮含量的回归分析，建立了利用冠层光谱参量反演小麦叶片氮含量、土壤氮含量的预测模型，然后利用试验2资料数据进行模型验证，通过模型间的比较分析，从中优选出模型预测表现较好的模型（表4）。所选叶片氮含量预测模型多数为线性模型，其中光谱参数 NDVI(810,560)、ND705、GNDVI、Area672、NDCI、PSNDb、mND705、ND672、SDr/SDb对小麦叶片氮含量的预测效果较好，决定系数(R2 )和标准误(RMSE)变化范围分别为 0.818~0.927，0.397~0.413，模型验证的预测精度及相对均方根误差的变化范围分别为0.785~0.808，0.124~0.135。

表4 小麦叶片氮含量和土壤氮含量与最佳光谱参数的回归分析及其验证

根据模型决定系数最大和标准误差最小的原则，基于ND705和GNDVI建立的叶片氮含量估算模型的预测表现最好（图3），决定系数分别为0.827和0.826，均方根误为0.397和0.398，相应的模型验证也有较好的表现，预测精度分别为0.808和0.805，相对均方根误分别为0.124和0.126。此外，所选光谱参数VOG2、VOG1、RI-2dB、mSR705、mND705、ND705 对土壤氮含量所建模型以非线性模型为主，决定系数和标准误变化范围分别为0.634~0.646，0.093~0.094，模型验证的预测精度及相对均方根误差的变化范围分别为0.607~0.625，0.127~0.131。根据模型决定系数最大和标准误差最小的原则，基于VOG-2建立二项式回归的土壤氮含量模型预测表现最好（图4），从图4可以看出，样本观测值基本散落在回归曲线附近，决定系数和均方根误分别为0.646和0.093，其模型验证表现较为稳定，预测精度和相对均方根误分别为0.625和0.127。

图3 叶片氮含量与光谱参数ND705和GNDVI的关系散点图

总之，上述所建小麦叶片氮含量和土壤氮含量遥感估算模型的精准性和稳定性均较好，而且模型验证结果表现也较好。说明利用冠层光谱估算小麦叶片氮含量及土壤氮含量具有可行性和可靠性，拟推荐上述所选模型为小麦叶片氮含量和土壤氮含量的最佳预测模型，可用于估算小麦氮素营养水平和土壤供氮状况。

图4 光谱参数VOG2与土壤氮含量的关系散点图

四、讨论

作物氮素营养与生长发育、光合作用及产量之间有密切的关系。叶片氮素是叶绿素分子的基本组分，而叶绿素是作物光合作用的主要色素，其含量的高低直接影响作物光合同化的物质积累能力。利用遥感技术对作物叶片氮含量与营养丰缺的无损监测，已成为合理施用氮肥，提高氮肥利用效率和作物产量、改善作物品质的重要途径。因此，根据不同氮肥水平下小麦全生育期氮素营养的高光谱响应差异建立的预测模型，对于小麦氮素营养丰缺状况的诊断及合理施肥管理具有重要意义。但是，小麦氮素营养主要来源于土壤供氮状况，土壤氮含量及氮肥利用率也是指导氮肥合理施用的重要因素。尽管增施氮肥是提高作物产量的重要措施之一，但由于施肥方法、作物自身原因以及氮肥利用率高低等问题，导致不合理的增施氮肥，不仅浪费资源，同时也对生态环境造成严重的破坏性。

因此，进一步研究小麦冠层反射光谱对土壤供氮状况的响应差异，确立其估算模型，可以实时快速地诊断土壤对小麦的供氮状况，为合理施氮及管理提供重要的理论依据。小麦叶片氮含量与冠层光谱及一阶导数的相关性明显地优于土壤氮含量，说明冠层光谱所含信息主要来源于小麦冠层光谱结构及其化学成分，而土壤的信息较少。此外，小麦叶片氮含量、土壤氮含量与一阶导数光谱的相关性显著地高于冠层原始光谱，说明一阶导数光谱可有效地降低背景噪音，提高光谱指示目标性状的敏感性。冠层光谱与叶片氮含量在可见光部分表现出强烈的线性负相关，在近红外部分表现出显著正相关，而其与土壤氮含量的相关曲线的趋势与前者呈现相反趋势。究其原因，本研究所测光谱是以小麦冠层叶片的光谱反射率为主，由于小麦叶片对土壤的遮挡，使得所测光谱中仅含有少量反映土壤成份的信息。

此外，本研究所光谱参数 ND705 和GNDVI对叶片氮含量所建模型的决定系数分别达到0.827 和 0.826，光谱参数 VOG2 与土壤氮含量所建二项式曲线回归的决定系数达到0.646，说明敏感光谱参数均优于冠层光谱与目标性状的敏感性。此外，所选光谱参数的构成波段均落入相关性显著(P<0.05)的波段范围，进一步证明冠层反射光谱与目标性状相关性显著的波段范围内含有指示目标性状的重要信息。所选敏感植被指数仅包含了指示目标性状的2个特征波段，而其它波段中所蕴含的指示目标性状的信息未能得以充分利用，因此深入挖掘冠层光谱中指示目标性状的重要信息应尽量整合大多数光谱波段反射率的信息。光谱范围350~1350 nm波段反射率与小麦叶片氮含量、土壤氮含量均有较强的相关性，因此，有必要进一步深入挖掘光谱信息中指示小麦叶片氮含量和土壤氮含量的信息，明确该光谱范围内波段反射率与二者的定量关系。

五、结论

小麦冠层反射光谱与叶片氮含量的相关性分析表明，可见光波段367~719 nm光谱反射率与叶片氮含量达到极显著负相关(P<0.01)，而近红外波段738~1143 nm光谱反射率与叶片氮含量均呈现极显著正相关(P<0.01)。冠层光谱与土壤氮含量的相关性分析表明可见光波段432~717 nm光谱反射率与土壤氮含量达极显著负相关(P<0.01)，而近红外波段739~1141 nm光谱反射率与土壤氮含量均呈显著正相关(P<0.01)。基于光谱参数ND705和GNDVI建立的叶片氮含量估算模型的决定系数分别为 0.827 和 0.826，标准误分别为0.397和0.398。基于光谱参数VOG2建立的土壤氮含量估算模型的决定系数和标准误为分别为 0.646 和0.093。所建小麦叶片氮含量的PLSR估算模型的决定系数和均方根误差分别为0.842和0.379，所建土壤氮含量 PLSR 模型的决定系数和均方根误差分别为0.654和0.092。