• ISSN 1008-505X
  • CN 11-3996/S

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于高光谱指数估测马铃薯植株氮素浓度的敏感波段提取

杨海波 李斐 张加康 杨柳

引用本文:
Citation:

基于高光谱指数估测马铃薯植株氮素浓度的敏感波段提取

    作者简介: 杨海波 E-mail:hbyang93@163.com;
    通讯作者: 李斐, E-mail:feili72@163.com
  • 基金项目: 国家自然科学基金项目(41361079);2018年度内蒙古自治区高等学校“青年科技英才支持计划”(NJYT-18-A08)。

The deriving of sensitive waveband for the estimation of plant nitrogen concentration in potato based on hyperspectral indices

    Corresponding author: LI Fei, E-mail:feili72@163.com ;
  • 摘要:   【目的】  基于光谱指数的氮素营养诊断是快速获取作物氮素营养状况的方式之一。其中,利用可见光和近红外波段光谱反射率构建的比率和归一化光谱指数对估测作物氮素营养状况具有重要意义。解决氮素营养诊断过程中存在的指数饱和及数据离散问题,以评价已有比率和归一化光谱指数对马铃薯关键生育时期植株氮素浓度诊断的可行性。  【方法】  2014—2016年在内蒙古武川县和四子王旗,设置了4个不同氮肥梯度的多点田间试验。在马铃薯块茎形成期、块茎膨大期和淀粉积累期,采集试验地和邻近农田马铃薯地上部和块茎样品,分析其氮素含量。并在马铃薯冠层以上50~80 cm采集光谱数据。用试验田数据建立了12个已发表的比率、归一化光谱指数和波段优化光谱指数与马铃薯关键生育时期植株氮素浓度的相关性与估测模型,并用农田马铃薯数据验证模型的精度。  【结果】  马铃薯植株氮素浓度分布范围在1.89%~4.69%,平均氮素浓度为3.30%,变异系数为18.75%;验证集数据来源于农民田块,马铃薯植株氮素浓度分布范围在2.00%~4.92%,平均氮素浓度为3.34%,变异系数为19.27%。蓝紫光400~450 nm和红边690~720 nm波段是马铃薯植株氮素浓度估测的敏感波段,部分已有光谱指数虽然可以用于马铃薯植株氮素浓度的估测,但是蓝紫光波段的缺失大大降低了估测的准确性。通过波段优化算法确定的优化光谱指数RSI、NDSI最佳波段位置分别为430、694和426、694 nm。基于优化光谱指数NDSI (426 nm、694 nm) 建立的马铃薯植株氮素浓度线性估测模型为y=−6.87x+6.08,决定系数R2最高,为0.68;RSI光谱指数与马铃薯植株氮素浓度的线性估测模型为y=−1.11x+5.92,R2为0.65,与已有比率和归一化光谱指数相比,优化光谱指数RSI和NDSI克服了高氮浓度条件下光谱指数饱和现象,显著提高了马铃薯植株氮素浓度的线性建模效果。农民田块验证数据显示,估测模型的估测值与实测值接近1∶1线,其中NDSI光谱指数估测模型的验证效果最佳,平均相对误差RE 和均方根误差RMSE分别为10.58%和0.42%。  【结论】  本研究通过波段优化算法确定了比率和归一化光谱指数的马铃薯植株氮素浓度敏感波段,采用蓝紫光400~450 nm和红边690~720 nm波段进行马铃薯植株氮素浓度估测,可以改善诊断高氮浓度时的指数灵敏度和数据离散问题,提高马铃薯植株氮素营养诊断的精度。
  • 图 1  比率光谱指数与马铃薯植株氮素浓度的估测模型

    Figure 1.  Regression model of ratio spectral indices and plant nitrogen concentration of potato

    图 2  归一化光谱指数与马铃薯植株氮素浓度的估测模型

    Figure 2.  Regression model of normalized spectral indices and plant nitrogen concentration of potato

    图 3  不同波段组合优化比率光谱指数(RSI)和归一化光谱指数(NDSI)与马铃薯植株氮素浓度的线性相关性 (R2)分布图

    Figure 3.  The contour map of R2 for the relationship between plant N concentration and optimal ratio spectral index (RSI) and normalized spectral index (NDSI)

    图 4  马铃薯关键生育期优化光谱指数(RSI)和归一化光谱指数(NDSI)与马铃薯植株氮素浓度的估测模型

    Figure 4.  Regression model of optimal spectral index (RSI) and normalized spectral index (NDSI) and potato plant nitrogen concentration in critical growth stages

    图 5  基于RVI、Vlopt2、RSI、NDVI、NDRE和NDSI的马铃薯植株氮素浓度估测模型的验证

    Figure 5.  Validation of nitrogen concentration estimation models for potato plants based on RVI, Vlopt2, RSI, NDVI,NDRE and NDSI

    图 6  利用GreenSeeker-NDVI与NDSI估测的马铃薯关键生育时期植株氮素浓度

    Figure 6.  The estimation of plant nitrogen concentration using GreenSeeker-NDVI and NDSI in critical growth stages of potato

    表 1  2014—2016年马铃薯田间试验地点及各处理肥料施用量 (kg/hm2)

    Table 1.  Fetilizer application rates in each potato field experiment from 2014 to 2016

    年份
    Year
    地点
    Site
    处理
    Treatment
    NP2O5K2O
    2014武川县WuchuanN1 0120180
    N2 83120180
    N3180120180
    N4250120180
    2015武川县WuchuanN1 0 90180
    N2 90 90180
    N3180 90180
    N427090180
    2016武川县WuchuanN1 0 90180
    N2180 90180
    N3320 90180
    2016四子王旗SiziwangN1 0 90180
    N2180 90180
    N3350 90180
    下载: 导出CSV

    表 2  供试比率和归一化光谱指数

    Table 2.  The ratios and normalized spectral indices used in this study

    光谱指数Spectral index比率计算公式Ratio calculation文献Reference
    比率光谱指数Ratio vegetation index (RVI)R800/R670[23]
    近红外比率光谱指数NIR/NIRR780/R740[24]
    优化的植被指数Optimized vegetation index 2 (VIopt2)R760/R730[25]
    ZTM光谱指数Zarco-Tejada & Miller (ZTM)R750/R710[26]
    红边比率光谱指数Red edge 740/720 (RD)R740/R720[27]
    红外叶绿素光谱指数Red-edge model index (CIred-edge)(R780/R710)–1[28]
    绿光叶绿素光谱指数Green model index (CIgreen)(R780/R550)–1[28]
    归一化光谱指数Normalized difference vegetation index (NDVI)(R800–R670)/(R800+R670)[29]
    绿光归一化光谱指数Green normalized difference vegetation index (GNDVI)(R790–R550)/(R790+R550)[30]
    红边归一化光谱指数Normalized difference red edge index (NDRE)(R790–R720)/(R790+R720)[9]
    归一化光谱指数 Normalized difference spectral index (ND550)(R750–R550)/(R750+R550)[31]
    归一化光谱指数 Normalized difference spectral index (ND705)(R750–R705)/(R750+R705)[32]
    优化归一化光谱指数 Optimal normalised difference spectral index (NDSI) (Rλ1–Rλ2)/(Rλ1+Rλ2)本研究This study
    优化比率光谱指数Optimal ratio spectral index (RSI)Rλ1/Rλ2本研究This study
    注(Note):λ1 和 λ2 代表 300~1150 nm, Rλ1 和 Rλ2 代表在 λ1 和 λ2 处的光谱反射率,利用 Matlab 计算 NDSI、RSI,并对 Rλ1 和 Rλ2 波段进行优化。λ1 and λ2 represent 300-1150 nm, Rλ1 and Rλ2 represent spectral reflectivity at λ1 and λ2. NDSI and RSI were calculated using Matlab, and the band of Rλ1 and Rλ2 was optimized.
    下载: 导出CSV

    表 3  马铃薯关键生育时期植株氮素含量 (%)

    Table 3.  Plant N concentration in critical growth stages of potato

    数据来源Data source样本数Sample numbers最小值Min最大值Max平均值Average标准差SD变异系数CV(%)
    试验田Experimental field2661.894.693.300.6218.75
    农田 Farmland2162.004.923.340.6419.27
    下载: 导出CSV

    表 4  比率和归一化光谱指数与马铃薯关键生育时期植株氮素浓度的相关性

    Table 4.  Correlation between ratio and normalized spectral index and plant nitrogen concentration in critical growthstages of potato

    光谱指数
    Spectral index
    线性函数
    Linear function
    一元二次函数
    Quadratic functionction
    指数函数
    Exponential functionction
    幂函数
    Power functionr function
    RVI0.37**0.37**0.40**0.39**
    NIR/NIR0.62**0.62**0.62**0.62**
    VIopt20.75**0.75**0.77**0.77**
    ZTM0.73**0.74**0.74**0.75**
    RD0.72**0.72**0.73**0.74**
    CIred-edge0.74**0.75**0.75**0.77**
    CIgreen0.50**0.50**0.51**0.51**
    NDVI0.33**0.36**0.36**0.36**
    NDRE0.74**0.74**0.76**0.75**
    GNDVI0.67**0.68**0.68**0.68**
    ND5500.68**0.69**0.70**0.69**
    ND7050.73**0.73**0.75**0.75**
    注(Note):**—P < 0.01.
    下载: 导出CSV
  • [1] Fageria N K. The use of nutrients in crop plants[M]. Florida: CRC Press, 2016.
    [2] Zhao B, Liu Z, Ata-Ul-Karim S T, et al. Rapid and nondestructive estimation of the nitrogen nutrition index in winter barley using chlorophyll measurements[J]. Field Crops Research, 2016, 185: 59–68. doi:  10.1016/j.fcr.2015.10.021
    [3] 王莉雯, 卫亚星. 植被氮素浓度高光谱遥感反演研究进展[J]. 光谱学与光谱分析, 2013, 33(10): 2823–2827. Wang L W, Wei Y X. Progress in inversion of vegetation nitrogen concentration by hyperspectral remote sensing[J]. Spectroscopy and Spectral Analysis, 2013, 33(10): 2823–2827. doi:  10.3964/j.issn.1000-0593(2013)10-2823-05
    [4] Zhao C, Li H, Li P, et al. Effect of vertical distribution of crop structure and biochemical parameters of winter wheat on canopy reflectance characteristics and spectral indices[J]. IEEE Transactions on Geoscience and Remote Sensing, 2017, 55(1): 236–247. doi:  10.1109/TGRS.2016.2604492
    [5] Li H, Zhao C, Yang G, et al. Variations in crop variables within wheat canopies and responses of canopy spectral characteristics and derived vegetation indices to different vertical leaf layers and spikes[J]. Remote Sensing of Environment, 2015, 169: 358–374. doi:  10.1016/j.rse.2015.08.021
    [6] Cabrera-Bosquet L, Molero G, Stellacci A, et al. NDVI as a potential tool for predicting biomass, plant nitrogen content and growth in wheat genotypes subjected to different water and nitrogen conditions[J]. Cereal Research Communications, 2011, 39(1): 147–159. doi:  10.1556/CRC.39.2011.1.15
    [7] Li F, Mistele B, Hu Y, et al. Reflectance estimation of canopy nitrogen content in winter wheat using optimised hyperspectral spectral indices and partial least squares regression[J]. European Journal of Agronomy, 2014, 52: 198–209. doi:  10.1016/j.eja.2013.09.006
    [8] Islam M R, Garcia S C Y, Henry D. Use of normalised difference vegetation index, nitrogen concentration, and total nitrogen content of whole maize plant and plant fractions to estimate yield and nutritive value of hybrid forage maize[J]. Crop and Pasture Science, 2011, 62(5): 374–382. doi:  10.1071/CP10244
    [9] Barnes E M, Clarke T R, Richards S E, et al. Coincident detection of crop water stress, nitrogen status and canopy density using ground based multispectral data[C]. Bloomington, MN, USA. Proceedings of the Fifth International Conference on Precision Agriculture, 2000. 1619.
    [10] Mahajan G R, Pandey R N, Sahoo R N, et al. Monitoring nitrogen, phosphorus and sulphur in hybrid rice (Oryza sativa L.) using hyperspectral remote sensing[J]. Precision Agriculture, 2017, 18(5): 736–761. doi:  10.1007/s11119-016-9485-2
    [11] Yu K, Lenz-Wiedemann V, Chen X, et al. Estimating leaf chlorophyll of barley at different growth stages using spectral indices to reduce soil background and canopy structure effects[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 97: 58–77. doi:  10.1016/j.isprsjprs.2014.08.005
    [12] 方孝荣, 高俊峰, 谢传奇, 等. 农作物冠层光谱信息检测技术及方法综述[J]. 光谱学与光谱分析, 2015, (7): 1949–1955. Fang X R, Gao J F, Xie C Q, et al. Reviewof crop canopy spectral information detection technology and methods[J]. Spectroscopy and Spectral Analysis, 2015, (7): 1949–1955. doi:  10.3964/j.issn.1000-0593(2015)07-1949-07
    [13] 张连蓬, 柳钦火, 王德高, 等. 高光谱遥感植被指数的普适性分析[J]. 测绘通报, 2010, 9: 1–4. Zhang L P, Liu Q H, Wang D G, et al. The universal analysis of vegetation indices for hyperspectral remote sensing data[J]. Bulletin of Surveying and Mapping, 2010, 9: 1–4.
    [14] Rajeev R, Chopra U K, Sahoo R N, et al. Assessment of plant nitrogen stress in wheat (Triticum aestivum L.) through hyperspectral indices[J]. International Journal of Remote Sensing, 2012, 33(19/20): 6342–6360.
    [15] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2–3): 416–426. doi:  10.1016/S0034-4257(02)00018-4
    [16] Eitel J U H, Long D S, Gessler P E, et al. Combined spectral index to improve ground-based estimates of nitrogen status in dryland wheat[J]. Agronomy Journal, 2008, 100(6): 1694–1702. doi:  10.2134/agronj2007.0362
    [17] Flowers M, Weisz R, Heiniger R. Quantitative approaches for using color infrared photography for assessing in-season nitrogen status in winter wheat[J]. Agronomy Journal, 2003, 95(5): 1189–1200. doi:  10.2134/agronj2003.1189
    [18] 白丽敏, 李粉玲, 常庆瑞, 等. 结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度[J]. 植物营养与肥料学报, 2018, 24(5): 1178–1184. Bai L M, Li F L, H=Chang Q R, et al. Increasing accuracy of hyper-spectral remote sensing for total nitrogen of winter wheat canopy by use of SPA and PLS methods[J]. Journal of Plant Nutrition and Fertilizers, 2018, 24(5): 1178–1184. doi:  10.11674/zwyf.17478
    [19] Li F, Mistele B, Hu Y, et al. Optimising three-band spectral indices to assess aerial N concentration, N uptake and aboveground biomass of winter wheat remotely in China and Germany[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 92: 112–123. doi:  10.1016/j.isprsjprs.2014.03.006
    [20] Raun W R, Solie J B, Stone M L, et al. Optical sensor‐based algorithm for crop nitrogen fertilization[J]. Communications in Soil Science and Plant Analysis, 2005, 36(19–20): 2759–2781. doi:  10.1080/00103620500303988
    [21] Shanahan J F, Kitchen N R, Raun W R, et al. Responsive in-season nitrogen management for cereals[J]. Computers and Electronics in Agriculture, 2008, 61(1): 51–62. doi:  10.1016/j.compag.2007.06.006
    [22] 聂向荣. 不同氮肥水平下马铃薯品质变化及氮素营养诊断的研究[D]. 呼和浩特: 内蒙古农业大学硕士学位论文, 2009.

    Nie X R. Study on the tuber quality and plant nitrogen status diagnosis of potato under different nitrogen levels[D]. Hohhot: MS Thesis of Inner Mongolia Agricultural University, 2009.
    [23] Jordan C F. Derivation of leaf-area index from quality of light on the forest floor[J]. Ecology, 1969, 50(4): 663–666. doi:  10.2307/1936256
    [24] Mistele B, Schmidhalter U. Tractor-based quadrilateral spectral reflectance measurements to detect biomass and total aerial nitrogen in winter wheat[J]. Agronomy Journal, 2010, 102(2): 499–506. doi:  10.2134/agronj2009.0282
    [25] Jasper J, Reusch S, Link A. Active sensing of the N status of wheat using optimized wavelength combination: impact of seed rate, variety and growth stage[J]. Precision Agriculture, 2009, 9: 23–30.
    [26] Zarco-Tejada P J, Miller J R, Noland T L, et al. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(7): 1491–1507. doi:  10.1109/36.934080
    [27] Vogelmann J E, Rock B N, Moss D M. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing, 1993, 14(8): 1563–1575. doi:  10.1080/01431169308953986
    [28] Gitelson A A, Vina A, Ciganda V, et al. Remote estimation of canopy chlorophyll content in crops[J]. Geophysical Research Letters, 2005, 32(8).
    [29] Rouse J W, Haas R H, Schell J A, et al. Monitoring vegetation systems in the Great Plains with ERTS[J]. NASA Special Publication, 1974, 351: 309.
    [30] Gitelson A A, Merzlyak M N. Remote sensing of chlorophyll concentration in higher plant leaves[J]. Advances in Space Research, 1998, 22(5): 689–692. doi:  10.1016/S0273-1177(97)01133-2
    [31] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289–298. doi:  10.1016/S0034-4257(96)00072-7
    [32] Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology, 1994, 143(3): 286–292. doi:  10.1016/S0176-1617(11)81633-0
    [33] Yao Y, Miao Y, Huang S, et al. Active canopy sensor-based precision N management strategy for rice[J]. Agronomy for Sustainable Development, 2012, 32(4): 925–933. doi:  10.1007/s13593-012-0094-9
    [34] Bragagnolo J, Amado T J C, Nicoloso R S, et al. Optical crop sensor for variable-rate nitrogen fertilization in corn: i-plant nutrition and dry matter production[J]. Revista Brasileira de Ciência do Solo, 2013, 37(5): 1288–1298. doi:  10.1590/S0100-06832013000500018
    [35] Benitez Ramirez M. Monitoring nitrogen levels in the cotton canopy using real-time active-illumination spectral sensing[D]. Knoxville: Masters Dissertation, University of Tennessee, 2010.
    [36] Raun W R, Solie J B, Johnson G V, et al. In-season prediction of potential grain yield in winter wheat using canopy reflectance[J]. Agronomy Journal, 2001, 93(1): 131–138. doi:  10.2134/agronj2001.931131x
    [37] Franzen D W. Nitrogen management in sugar beet using remote sensing and GIS[A]. Pierce F, Clay D. GIS Applications in Agriculture[M]. Bota Raton, FL: CRC Press, 2007, 35–48.
    [38] 于静, 李斐, 秦永林, 等. 应用主动作物冠层传感器对马铃薯氮素营养诊断[J]. 光谱学与光谱分析, 2013, 33(11): 3092–3097. Yu J, Li F, Qin Y L, et al. Active crop canopy sensor-based nitrogen diagnosis for potato[J]. Spectroscopy and Spectral Analysis, 2013, 33(11): 3092–3097. doi:  10.3964/j.issn.1000-0593(2013)11-3092-06
    [39] Eitel J U H, Vierling L A, Litvak M E, et al. Broadband, red-edge information from satellites improves early stress detection in a New Mexico conifer woodland[J]. Remote Sensing of Environment, 2011, 115(12): 3640–3646. doi:  10.1016/j.rse.2011.09.002
    [40] Asam S, Fabritius H, Klein D, et al. Derivation of leaf area index for grassland within alpine upland using multi-temporal RapidEye data[J]. International Journal of Remote Sensing, 2013, 34(23): 8628–8652. doi:  10.1080/01431161.2013.845316
    [41] Kim H O, Yeom J M. Multi-temporal spectral analysis of rice fields in South Korea using MODIS and RapidEye satellite imagery[J]. Journal of Astronomy and Space Sciences, 2012, 29(4): 407–411. doi:  10.5140/JASS.2012.29.4.407
    [42] Ramoelo A, Skidmore A K, Cho M A, et al. Regional estimation of savanna grass nitrogen using the red-edge band of the spaceborne RapidEye sensor[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 19: 151–162. doi:  10.1016/j.jag.2012.05.009
    [43] Huang S, Miao Y, Yuan F, et al. Potential of Rapid Eye and World View-2 satellite data for improving rice nitrogen status monitoring at different growth stages[J]. Remote Sensing, 2017, 9(3): 227. doi:  10.3390/rs9030227
    [44] 唐延林, 黄敬峰, 王秀珍,等. 水稻、玉米、棉花的高光谱及其红边特征比较[J]. 中国农业科学, 2004, 37(1): 29–35. Tang Y L, Huang J F, Wang X Z, et al. Comparison of the characteristics of hyper spectra and the red edge in rice, corn and cotton[J]. Scientia Agricultura Sinica, 2004, 37(1): 29–35.
    [45] 姚霞, 朱艳, 田永超, 等. 小麦叶层氮含量估测的最佳高光谱参数研究[J]. 中国农业科学, 2009, 42(8): 2716–2725. Yao X, Zhu Y, Tian Y C, et al. Research of the optimum hyperspectral vegetation indices on monitoring the nitrogen content in wheat leaves[J]. Scientia Agricultura Sinica, 2009, 42(8): 2716–2725. doi:  10.3864/j.issn.0578-1752.2009.08.010
    [46] 贺佳, 刘冰峰, 郭燕, 等. 冬小麦生物量高光谱遥感监测模型研究[J]. 植物营养与肥料学报, 2017, 23(2): 313–323. He J, Liu B F, Guo J, et al. Biomass estimation model of winter wheat (Triticum aestivum L.) using hyperspectral reflectances[J]. Journal of Plant Nutrition and Fertilizers, 2017, 23(2): 313–323. doi:  10.11674/zwyf.16173
    [47] 李映雪. 基于冠层反射光谱的小麦氮素营养与籽粒品质监测[D]. 南京: 南京农业大学博士学位论文, 2005.

    Li Y X. Monitoring nitrogen status and grain quality with canopy reflectance spectra in wheat[D]. Nanjing: PhD Dissertation of Nanjing Agricultural University, 2005.
    [48] 胡昊, 白由路, 杨俐苹, 等. 不同氮营养冬小麦冠层光谱红边特征分析[J]. 植物营养与肥料学报, 2009, 15(6): 1317–1323. Hu H, Bai Y L, Yang L P, et al. Red edge parameters of winter wheat canopy under different nitrogen levels[J]. Journal of Plant Nutrition and Fertilizers, 2009, 15(6): 1317–1323.
    [49] 代辉, 胡春胜, 程一松. 冬小麦冠层光谱红边特征分析[J]. 中国生态农业学报, 2007, 15(5): 80–83. Dai H, Hu C S, Cheng Y S. Red-edge characteristics of winter wheat canopy spectra[J]. Chinese Journal of Eco-Agriculture, 2007, 15(5): 80–83.
    [50] Li F, Miao Y, Hennig S D, et al. Evaluating hyperspectral vegetation indices for estimating nitrogen concentration of winter wheat at different growth stages[J]. Precision Agriculture, 2010, 11(4): 335–357. doi:  10.1007/s11119-010-9165-6
    [51] Stroppiana D, Boschetti M, Brivio P A, et al. Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry[J]. Field Crops Research, 2009, 111(1–2): 119–129. doi:  10.1016/j.fcr.2008.11.004
    [52] Hansen P M, Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J]. Remote Sensing of Environment, 2003, 86(4): 542–553. doi:  10.1016/S0034-4257(03)00131-7
  • [1] 许国春纪荣昌邱永祥罗文彬李华伟李国良林赵淼汤浩 . 我国马铃薯产量对施氮的响应及其影响因素分析. 植物营养与肥料学报, 2020, 26(4): 727-737. doi: 10.11674/zwyf.19278
    [2] 李珺刘双全仇少君赵士诚徐新朋郭腾飞张佳佳何萍 . 不同施氮量对典型黑土马铃薯产量、养分吸收和氮素利用率的影响. 植物营养与肥料学报, 2020, 26(4): 1-8. doi: 10.11674/zwyf.19348
    [3] 王迎男高娃郜翻身朴明姬樊明寿贾立国柳昱郑海春 . 内蒙古马铃薯主产区基础地力及增产潜力研究. 植物营养与肥料学报, 2019, 25(8): 1345-1353. doi: 10.11674/zwyf.18197
    [4] 侯翔皓张富仓胡文慧王海东范军亮李志军 . 灌水频率和施肥量对滴灌马铃薯生长、产量和养分吸收的影响. 植物营养与肥料学报, 2019, 25(1): 85-96. doi: 10.11674/zwyf.18014
    [5] 徐亚新何萍仇少君徐新朋马进川丁文成赵士诚高强周卫 . 我国马铃薯产量和化肥利用率区域特征研究. 植物营养与肥料学报, 2019, 25(1): 22-35. doi: 10.11674/zwyf.18018
    [6] 张晓云吴伯志吴开贤张磊磊李永贤李建王超 . 施肥位置与杂草管理对间作玉米、马铃薯生长和产量的影响. 植物营养与肥料学报, 2019, 25(7): 1239-1246. doi: 10.11674/zwyf.18287
    [7] 高兴李斐杨海波黄绍福张加康苗杰黄伟杰 . 基于红边位置的马铃薯植株氮浓度估测方法研究. 植物营养与肥料学报, 2019, 25(2): 296-310. doi: 10.11674/zwyf.18058
    [8] 贺佳刘冰峰郭燕王来刚郑国清李军 . 冬小麦生物量高光谱遥感监测模型研究. 植物营养与肥料学报, 2017, 23(2): 313-323. doi: 10.11674/zwyf.16173
    [9] 周龙吕玉朱启林龙光强汤利 . 施氮与间作对玉米和马铃薯钾吸收与分配的影响. 植物营养与肥料学报, 2016, 22(6): 1485-1493. doi: 10.11674/zwyf.15474
    [10] 邢海峰石晓华杨海鹰樊明寿 . 磷肥分次滴灌施用提高马铃薯群体磷素吸收及磷利用率的作用. 植物营养与肥料学报, 2015, 21(4): 987-992. doi: 10.11674/zwyf.2015.0418
    [11] 魏翠果陈有君蒙美莲李鑫杰宋树慧任少勇肖强 . 钙对NaCl胁迫下马铃薯脱毒苗离子吸收、分布的影响. 植物营养与肥料学报, 2015, 21(4): 993-1005. doi: 10.11674/zwyf.2015.0419
    [12] 何文寿马琨代晓华何进智马仁彪 . 宁夏马铃薯氮、 磷、 钾养分的吸收累积特征. 植物营养与肥料学报, 2014, 20(6): 1477-1487. doi: 10.11674/zwyf.2014.0618
    [13] 王小英同延安刘芬赵佐平 . 陕西省马铃薯施肥现状评价. 植物营养与肥料学报, 2013, 19(2): 471-479. doi: 10.11674/zwyf.2013.0225
    [14] 刘冰峰李军赵刚峰Naveed Tahir贺佳 . 夏玉米叶片全氮含量高光谱遥感估算模型研究. 植物营养与肥料学报, 2012, 18(4): 813-824. doi: 10.11674/zwyf.2012.11313
    [15] 井涛樊明寿周登博秦永林石晓华 . 滴灌施氮对高垄覆膜马铃薯产量、氮素吸收及土壤硝态氮累积的影响. 植物营养与肥料学报, 2012, 18(3): 654-661. doi: 10.11674/zwyf.2012.11329
    [16] . 施肥对马铃薯钼吸收分配的影响. 植物营养与肥料学报, 2010, 16(5): 1252-1257. doi: 10.11674/zwyf.2010.0536
    [17] 项洪涛冯乃杰杜吉到马光恕刘冰郑殿峰* . 植物生长调节剂对马铃薯根系理化特性的影响. 植物营养与肥料学报, 2009, 15(6): 1481-1485. doi: 10.11674/zwyf.2009.0634
    [18] 郑顺林王西瑶马均袁继超李首成 . 营养水平对马铃薯块茎发育中激素、产量和品质的影响 . 植物营养与肥料学报, 2008, 14(3): 515-519. doi: 10.11674/zwyf.2008.0317
    [19] 王惠群萧浪涛李合松吴成春康朵兰杨艳丽 . 矮壮素对马铃薯中薯3号光合特征和磷素营养的影响. 植物营养与肥料学报, 2007, 13(6): 1143-1147. doi: 10.11674/zwyf.2007.0625
    [20] 胡莹莹张民宋付朋 . 控释复肥中磷素在马铃薯上的效应研究. 植物营养与肥料学报, 2003, 9(2): 174-177. doi: 10.11674/zwyf.2003.0208
  • 加载中
图(6)表(4)
计量
  • 文章访问数:  191
  • HTML全文浏览量:  69
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-04-28
  • 网络出版日期:  2020-04-23
  • 刊出日期:  2020-03-01

基于高光谱指数估测马铃薯植株氮素浓度的敏感波段提取

    作者简介:杨海波 E-mail:hbyang93@163.com
    通讯作者: 李斐, feili72@163.com
  • 内蒙古农业大学草原与资源环境学院/内蒙古自治区土壤质量与养分资源重点实验室,呼和浩特 010018
  • 基金项目: 国家自然科学基金项目(41361079);2018年度内蒙古自治区高等学校“青年科技英才支持计划”(NJYT-18-A08)。
  • 摘要:   【目的】  基于光谱指数的氮素营养诊断是快速获取作物氮素营养状况的方式之一。其中,利用可见光和近红外波段光谱反射率构建的比率和归一化光谱指数对估测作物氮素营养状况具有重要意义。解决氮素营养诊断过程中存在的指数饱和及数据离散问题,以评价已有比率和归一化光谱指数对马铃薯关键生育时期植株氮素浓度诊断的可行性。  【方法】  2014—2016年在内蒙古武川县和四子王旗,设置了4个不同氮肥梯度的多点田间试验。在马铃薯块茎形成期、块茎膨大期和淀粉积累期,采集试验地和邻近农田马铃薯地上部和块茎样品,分析其氮素含量。并在马铃薯冠层以上50~80 cm采集光谱数据。用试验田数据建立了12个已发表的比率、归一化光谱指数和波段优化光谱指数与马铃薯关键生育时期植株氮素浓度的相关性与估测模型,并用农田马铃薯数据验证模型的精度。  【结果】  马铃薯植株氮素浓度分布范围在1.89%~4.69%,平均氮素浓度为3.30%,变异系数为18.75%;验证集数据来源于农民田块,马铃薯植株氮素浓度分布范围在2.00%~4.92%,平均氮素浓度为3.34%,变异系数为19.27%。蓝紫光400~450 nm和红边690~720 nm波段是马铃薯植株氮素浓度估测的敏感波段,部分已有光谱指数虽然可以用于马铃薯植株氮素浓度的估测,但是蓝紫光波段的缺失大大降低了估测的准确性。通过波段优化算法确定的优化光谱指数RSI、NDSI最佳波段位置分别为430、694和426、694 nm。基于优化光谱指数NDSI (426 nm、694 nm) 建立的马铃薯植株氮素浓度线性估测模型为y=−6.87x+6.08,决定系数R2最高,为0.68;RSI光谱指数与马铃薯植株氮素浓度的线性估测模型为y=−1.11x+5.92,R2为0.65,与已有比率和归一化光谱指数相比,优化光谱指数RSI和NDSI克服了高氮浓度条件下光谱指数饱和现象,显著提高了马铃薯植株氮素浓度的线性建模效果。农民田块验证数据显示,估测模型的估测值与实测值接近1∶1线,其中NDSI光谱指数估测模型的验证效果最佳,平均相对误差RE 和均方根误差RMSE分别为10.58%和0.42%。  【结论】  本研究通过波段优化算法确定了比率和归一化光谱指数的马铃薯植株氮素浓度敏感波段,采用蓝紫光400~450 nm和红边690~720 nm波段进行马铃薯植株氮素浓度估测,可以改善诊断高氮浓度时的指数灵敏度和数据离散问题,提高马铃薯植株氮素营养诊断的精度。

    English Abstract

    • 植株氮素浓度是反映作物整体氮素营养状况的有效参数,对指导作物氮肥施用具有重要意义[1],尤其是对于生育时期内多次追肥的水肥一体化作物管理,快速获取植株氮素营养状况对优化追施氮肥用量十分重要。随着农业遥感技术的应用推广,基于光谱信息的作物氮素营养诊断已经得到长足发展,利用光谱影像、光谱反射率及其衍生出的光谱参数快速获取作物氮素营养状况已经在多种作物上实现[2-5]。其中基于光谱反射率构建的光谱指数被广泛应用在小麦、玉米、水稻、大麦等作物上[6-11]。但是光谱指数的敏感性受环境、作物品种、物候期等的影响,已有光谱指数在不同地区、不同作物上的普适性仍待进一步研究[12-14]。而且受作物冠层结构、生物量及生育时期等影响,光谱指数在进行氮素营养指标估测建模时不同程度地存在高生物量条件下光谱指数的饱和现象[15-19]。提高光谱指数的敏感性是保证模型估测精度的前提,因此评价现有光谱指数的实用性,针对不同作物品种发展更具潜力的光谱指数是非常必要的。

      目前,光谱营养诊断已被广泛应用于大田氮素营养监测,有的已经形成了成熟的氮肥推荐算法[20-21],但是这些算法主要是针对生育时期内一次追肥的小麦、玉米作物。而马铃薯氮肥管理与这些作物不同,从出苗到淀粉积累期,尤其是保证马铃薯产量形成的块茎形成期和块茎膨大期,氮素需求量较大[22]。为保证马铃薯氮素需求,提高生长在砂壤土上马铃薯的氮肥利用效率,马铃薯田需要多次追施氮肥,所以施肥前实时了解马铃薯氮素营养状况尤为重要。因此本研究以多年的马铃薯田间试验为基础,通过地面高光谱仪获取马铃薯冠层光谱数据,计算已有比率和归一化光谱指数,并对其优化,确定关键生育时期马铃薯植株氮素浓度的敏感波段,建立已有比率、归一化光谱指数和优化光谱指数与马铃薯植株氮素浓度的估测模型,通过与已有比率和归一化光谱指数对比及模型验证对比率和归一化光谱指数进行评价,最终找到能够更加准确反映马铃薯植株氮素浓度的敏感波段及适用于马铃薯植株氮素浓度的估测模型。

      • 本试验从2014到2016年共设置了4个田间试验,试验地点在内蒙古阴山北麓的马铃薯主要种植区武川县和四子王旗。田间试验设置不同的氮肥梯度处理,每个处理设置4次重复。灌溉方式为滴灌,田间管理按照农民习惯。具体肥料用量见表1

        表 1  2014—2016年马铃薯田间试验地点及各处理肥料施用量 (kg/hm2)

        Table 1.  Fetilizer application rates in each potato field experiment from 2014 to 2016

        年份
        Year
        地点
        Site
        处理
        Treatment
        NP2O5K2O
        2014武川县WuchuanN1 0120180
        N2 83120180
        N3180120180
        N4250120180
        2015武川县WuchuanN1 0 90180
        N2 90 90180
        N3180 90180
        N427090180
        2016武川县WuchuanN1 0 90180
        N2180 90180
        N3320 90180
        2016四子王旗SiziwangN1 0 90180
        N2180 90180
        N3350 90180
      • 于马铃薯关键生育时期:块茎形成期、块茎膨大期和淀粉积累期,在不同氮肥梯度小区随机选取长势均匀的马铃薯两垄,长度4~6 m,利用高光谱仪扫描选择区域马铃薯冠层获取光谱数据。采集高光谱数据时选择晴朗无风或微风天气,测定时间在10:00—14:00,光谱仪探头垂直马铃薯冠层,高度控制在50~80 cm左右,扫描时扣动扳机,获取的光谱数据自动存入连接的电脑中。

      • 马铃薯冠层光谱数据采集完成后,随机选取探头扫描区域长势均匀的马铃薯植株1 m样段,取地上部植株和地下块茎分别称鲜重、切碎混匀后,取400~600 g样品带回实验室,在烘箱中105℃杀青30 min后,调温至70℃下烘至恒重,烘干后将样品全部粉碎、混匀,经H2SO4–H2O2消煮后,凯氏法进行全氮含量的测定。

      • 为探究比率和归一化光谱指数对马铃薯植株氮素浓度的估测能力,本研究选取了已发表的对作物氮素营养敏感的光谱指数进行对比 (表2),并对已发表光谱指数通过波段优化算法进行了敏感波段的再提取,目的是寻找到适合马铃薯植株氮素浓度估测的最佳敏感波段,提高基于比率和归一化光谱指数在马铃薯植株氮素浓度上的反演能力。用于计算的马铃薯冠层光谱数据采集于马铃薯块茎形成期到淀粉积累期,其中试验田马铃薯数据用于建立模型,农民田块马铃薯数据用于模型的验证。

        表 2  供试比率和归一化光谱指数

        Table 2.  The ratios and normalized spectral indices used in this study

        光谱指数Spectral index比率计算公式Ratio calculation文献Reference
        比率光谱指数Ratio vegetation index (RVI)R800/R670[23]
        近红外比率光谱指数NIR/NIRR780/R740[24]
        优化的植被指数Optimized vegetation index 2 (VIopt2)R760/R730[25]
        ZTM光谱指数Zarco-Tejada & Miller (ZTM)R750/R710[26]
        红边比率光谱指数Red edge 740/720 (RD)R740/R720[27]
        红外叶绿素光谱指数Red-edge model index (CIred-edge)(R780/R710)–1[28]
        绿光叶绿素光谱指数Green model index (CIgreen)(R780/R550)–1[28]
        归一化光谱指数Normalized difference vegetation index (NDVI)(R800–R670)/(R800+R670)[29]
        绿光归一化光谱指数Green normalized difference vegetation index (GNDVI)(R790–R550)/(R790+R550)[30]
        红边归一化光谱指数Normalized difference red edge index (NDRE)(R790–R720)/(R790+R720)[9]
        归一化光谱指数 Normalized difference spectral index (ND550)(R750–R550)/(R750+R550)[31]
        归一化光谱指数 Normalized difference spectral index (ND705)(R750–R705)/(R750+R705)[32]
        优化归一化光谱指数 Optimal normalised difference spectral index (NDSI) (Rλ1–Rλ2)/(Rλ1+Rλ2)本研究This study
        优化比率光谱指数Optimal ratio spectral index (RSI)Rλ1/Rλ2本研究This study
        注(Note):λ1 和 λ2 代表 300~1150 nm, Rλ1 和 Rλ2 代表在 λ1 和 λ2 处的光谱反射率,利用 Matlab 计算 NDSI、RSI,并对 Rλ1 和 Rλ2 波段进行优化。λ1 and λ2 represent 300-1150 nm, Rλ1 and Rλ2 represent spectral reflectivity at λ1 and λ2. NDSI and RSI were calculated using Matlab, and the band of Rλ1 and Rλ2 was optimized.
      • 块茎形成期到淀粉积累期是马铃薯生长及追肥的关键生育时期,表3描述的是马铃薯关键生育时期植株氮素浓度的相关统计量。其中训练集马铃薯植株氮素浓度分布范围在1.89%~4.69%,平均氮素浓度为3.30%,变异系数为18.75%;验证集数据来源于农民田块,马铃薯植株氮素浓度分布范围在2.00%~4.92%,平均氮素浓度为3.34%,变异系数为19.27%。

        表 3  马铃薯关键生育时期植株氮素含量 (%)

        Table 3.  Plant N concentration in critical growth stages of potato

        数据来源Data source样本数Sample numbers最小值Min最大值Max平均值Average标准差SD变异系数CV(%)
        试验田Experimental field2661.894.693.300.6218.75
        农田 Farmland2162.004.923.340.6419.27
      • 表4可以看出,已发表的比率和归一化光谱指数与马铃薯关键生育时期植株氮素浓度的相关性因指数波段组合、拟合函数类型不同而异,但都达到极显著相关水平,这说明通过归一化或比率算法得到的光谱指数具备估测马铃薯植株氮素浓度的能力,而且基于红边波段建立的光谱指数相关性更高。

        表 4  比率和归一化光谱指数与马铃薯关键生育时期植株氮素浓度的相关性

        Table 4.  Correlation between ratio and normalized spectral index and plant nitrogen concentration in critical growthstages of potato

        光谱指数
        Spectral index
        线性函数
        Linear function
        一元二次函数
        Quadratic functionction
        指数函数
        Exponential functionction
        幂函数
        Power functionr function
        RVI0.37**0.37**0.40**0.39**
        NIR/NIR0.62**0.62**0.62**0.62**
        VIopt20.75**0.75**0.77**0.77**
        ZTM0.73**0.74**0.74**0.75**
        RD0.72**0.72**0.73**0.74**
        CIred-edge0.74**0.75**0.75**0.77**
        CIgreen0.50**0.50**0.51**0.51**
        NDVI0.33**0.36**0.36**0.36**
        NDRE0.74**0.74**0.76**0.75**
        GNDVI0.67**0.68**0.68**0.68**
        ND5500.68**0.69**0.70**0.69**
        ND7050.73**0.73**0.75**0.75**
        注(Note):**—P < 0.01.
      • 选择表4中具有代表性的比率光谱指数并构建相应马铃薯植株氮素浓度估测模型。从图1的估测模型可以看出,基于近红外和红光建立的光谱指数与马铃薯植株氮素浓度存在数据离散和高氮浓度下指数灵敏度降低甚至缺失现象 (图1),其中RVI指数的建模效果最差 (图1-a)。而由近红外和绿光波段组成的CIgreen光谱指数建模时虽然数据离散度大,但与RVI相比已有线性拟合趋势 (图1-b)。比率光谱指数当中,同为红边指数的Vlopt2和CIred-edg虽然同样存在数据离散和指数灵敏度降低现象,但建模效果明显好于RVI和CIgreen (图1-cd),这说明红边在马铃薯植株氮素浓度估测中具有重要作用。

        图  1  比率光谱指数与马铃薯植株氮素浓度的估测模型

        Figure 1.  Regression model of ratio spectral indices and plant nitrogen concentration of potato

      • 前人[17-19]研究发现由近红外及可见光波段组合构成的归一化光谱指数能够较好地反映作物氮素营养及生物量状况。选择表4中具有代表性的归一化光谱指数并构建马铃薯植株氮素浓度估测模型,从图2 可以看到,归一化光谱指数NDVI、NDRE、GNDVI、ND550与马铃薯植株氮素浓度的估测模型因波段组合不同,建模能力也不同,但都存在高氮浓度条件下的指数灵敏度缺失问题,尤其是NDVI光谱指数,这与RVI光谱指数类似。估测模型中以红边光谱指数NDRE 建模效果最佳,拟合方程的决定系数R2为0.57,这与红边比率光谱指数同样具有最佳建模效果一致。但是与比率光谱指数不同的是,绿光归一化光谱指数GNDVI和ND550的拟合效果明显要好于CIgreen指数,但高氮浓度条件下指数灵敏度缺失现象明显。所以绿光和红边波段在马铃薯植株氮素浓度诊断中都具有重要作用,但是可能因为作物种类之间的差异,前人提出的比率和归一化光谱指数波段位置在马铃薯上不一定最为敏感,因此寻找比率和归一化算法下反映马铃薯植株氮素浓度的最佳敏感波段对解决马铃薯植株高氮浓度下的指数灵敏度丧失和数据离散问题有重要意义。

        图  2  归一化光谱指数与马铃薯植株氮素浓度的估测模型

        Figure 2.  Regression model of normalized spectral indices and plant nitrogen concentration of potato

      • 为改善已发表光谱指数在马铃薯植株氮素浓度估测上存在的指数饱和及数据离散问题,提高比率和归一化光谱指数在马铃薯植株氮素浓度上的反演能力,本研究以比率和归一化光谱指数的算法为基础,通过波段优化算法重新提取对马铃薯植株氮素浓度敏感的波段。从优化算法Rλ1/Rλ2 和 (Rλ1–Rλ2)/(Rλ1+Rλ2) 计算的RSI和NDSI光谱指数与马铃薯植株氮素浓度的线性拟合R2分布 (图3) 可以看出,马铃薯植株氮素浓度与可见光、红边和近红外波段具有明显相关性,但可见光及红边波段范围组合明显更优。与可见光和近红外不同,红边敏感波段的范围很窄,为690~720 nm。最佳的比率光谱指数RSI波段组合为红边694 nm和蓝光430 nm;归一化光谱指数与比率光谱指数相似,其最优的波段组合为红边694 nm和蓝光426 nm。优化后的光谱指数RSI和NDSI与马铃薯植株氮素浓度的鲁棒性更强,具备更好的线性拟合趋势 (图4)。其中优化的归一化光谱指数NDSI (694 nm、426 nm) 与马铃薯关键生育时期 (块茎形成期到块茎膨大期) 植株氮素浓度的线性拟合方程为y=−6.87x+6.08,决定系数R2为0.68;优化比率光谱指数RSI (694 nm、430 nm) 与马铃薯植株氮素浓度的线性拟合方程为y=−1.11x+5.92,R2为0.65,明显高于传统的比率和归一化光谱指数。

        图  3  不同波段组合优化比率光谱指数(RSI)和归一化光谱指数(NDSI)与马铃薯植株氮素浓度的线性相关性 (R2)分布图

        Figure 3.  The contour map of R2 for the relationship between plant N concentration and optimal ratio spectral index (RSI) and normalized spectral index (NDSI)

        图  4  马铃薯关键生育期优化光谱指数(RSI)和归一化光谱指数(NDSI)与马铃薯植株氮素浓度的估测模型

        Figure 4.  Regression model of optimal spectral index (RSI) and normalized spectral index (NDSI) and potato plant nitrogen concentration in critical growth stages

      • 模型的验证是评价模型适用性的必要过程,本研究利用农民田块马铃薯块茎形成期到淀粉积累期实测光谱和植株氮素浓度数据对基于RVI、NDVI、Vlopt2、NDRE、NDSI和RSI建立的植株氮素浓度估测模型进行验证,验证结果如图5所示。基于RVI和NDVI模型估测的马铃薯植株氮素浓度与实际观测值的线性拟合决定系数R2很低,分别为0.07和0.04,且RMSE和RE远高于优化光谱指数RSI和NDSI。基于红边的光谱指数NDRE与Vlopt2模型的估测值与观测值的线性拟合决定系数R2与NDVI和RVI估测模型相比明显提高,且RMSE和RE明显降低。但与波段优化后的光谱指数RSI和NDSI相比,数据整体离散度较大。波段优化后的RSI和NDSI进一步提高了基于比率和归一化光谱指数估测马铃薯植株氮素浓度的精度。其中验证效果最好的是优化后的归一化光谱指数NDSI,估测数据与实测数据更接近1∶1线,数据的离散度更小,模型的RMSE和RE最低,分别为0.42%和10.58%。

        图  5  基于RVI、Vlopt2、RSI、NDVI、NDRE和NDSI的马铃薯植株氮素浓度估测模型的验证

        Figure 5.  Validation of nitrogen concentration estimation models for potato plants based on RVI, Vlopt2, RSI, NDVI,NDRE and NDSI

      • 在 (Rλ1–Rλ2)/(Rλ1+Rλ2) 算法下,马铃薯块茎形成期到块茎膨大期植株氮素浓度估测的敏感波段为红边694 nm和蓝光426 nm,与Rouse提出的NDVI(800、670 nm) 光谱指数相比,敏感波段明显不同,而优化光谱指数NDSI明显更具优越性。基于GreenSeeker的NDVI (650 ± 10、770 ± 15 nm) 被广泛应用于小麦、玉米、水稻、甜菜、棉花等作物的氮素营养诊断及推荐施肥[33-37],但是该指数在马铃薯关键生育时期植株氮素浓度估测建模构建时不仅存在严重的数据饱和现象,而且建模时数据离散度也很大 (图6-a),无法进行线性估测模型的构建,导致GreenSeeker对连续生育时期马铃薯植株氮素浓度估测并不适用,这说明氮素浓度敏感波段受作物种类和生育时期的影响,固定波段传感器在氮素营养诊断上依然要面对普适性问题。与于静等[38]的研究相比,本研究并未对不同生育时期单独建立马铃薯植株氮素浓度的估测模型,但也能明显看出利用NDVI估测马铃薯植株氮素浓度明显受生育时期的影响,与优化后的光谱指数NDSI (694 nm、426 nm) 相比,NDSI对马铃薯植株氮素浓度的估测效果更佳 (图6-b),且能克服生育时期带来的差异。因此为提高光谱指数在氮素营养诊断上的敏感性,针对不同作物通过算法优化确定最佳敏感波段对生产特定作物传感器及普适性光谱指数研究是十分有必要的。

        图  6  利用GreenSeeker-NDVI与NDSI估测的马铃薯关键生育时期植株氮素浓度

        Figure 6.  The estimation of plant nitrogen concentration using GreenSeeker-NDVI and NDSI in critical growth stages of potato

        与RVI和NDVI相比,基于红边波段建立的比率和归一化光谱指数在降低高浓度条件下指数饱和现象方面具有显著效果。早期研究也发现光谱指数NDRE对氮胁迫的识别能力要好于NDVI和GNDVI[39],而且利用高光谱卫星RapidEye和WorldVew-2的红边通道构建的NDRE光谱指数能够显著提高作物氮素浓度、叶面积指数和生物量的估测能力,对改善指数饱和性有很大帮助[40-43]。本研究通过波段优化建立的优化光谱指数RSI (694 nm、430 nm) 和NDSI (694 nm、426 nm) 也同样发现红边在马铃薯植株氮素浓度估测中的重要性。与前人[44-47]在水稻、小麦、玉米和棉花等作物上的研究结果一致,这说明红边波段在反应不同作物氮素营养状况上具有普遍作用。这可能是因为红边是叶绿素的强吸收带,具有很强的光合活性,对植株氮素营养状况反应敏感。虽然最佳红边位置受作物品种、生育时期、年季变化等因素的影响,但其变化范围较小[48-49]。在估测马铃薯植株氮素浓度时,优化光谱RSI和NDSI的另一个敏感波段为蓝紫光,Li等的研究结果也发现,利用比率和归一化光谱指数对冬小麦植株进行氮素营养诊断时,蓝紫光同样对氮素浓度很敏感,而且拔节后期敏感性更强[50],这可能是由于作物冠层结构与生物量的变化导致的[51]。类似的结果也出现在Stroppiana等[51]和Hansen等[52]对水稻和小麦植株氮素浓度估测的研究中。在作物氮素浓度诊断过程中,人们往往更加关注植物叶片和冠层氮素浓度,对植株氮素浓度的研究相对较少,而且在处理光谱数据时对300~450 nm蓝紫光关注较少,因此在对作物植株氮素进行光谱氮素营养诊断时,或许我们更应该正确看待蓝紫光波段。估测模型的构建与优化需要大量的数据样本,本研究虽然建立在多年数据的基础上,但要想得到更好的模型参数,仍然需要进一步扩大数据样本。

      • 用比率和归一化光谱指数对马铃薯关键生育时期植株氮素浓度进行估测时,敏感波段主要分布在可见光及红边波段,其中红边波段范围窄,集中在690~720 nm;可见光敏感波段分布在400~650 nm,以蓝紫光400~450 nm波段最佳。本研究条件下波段优化光谱指数NDSI和RSI的最佳波段分别为694 nm、426 nm和694 nm、430 nm,敏感波段高度一致。波段优化后的光谱指数RSI (694 nm、430 nm) 和NDSI (694 nm、426 nm) 与马铃薯植株氮素浓度更具线性建模优势,且验证效果较好,为光谱指数估测马铃薯关键生育时期植株氮素浓度提供了依据。

    参考文献 (52)

    目录

      /

      返回文章
      返回