• 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

基于玉米叶片光谱特征的土壤无机氮估算模型的建立与验证

张银杰 王磊 白由路 杨俐苹 卢艳丽 孙艳敏 张静静 李格

引用本文:
Citation:

基于玉米叶片光谱特征的土壤无机氮估算模型的建立与验证

    作者简介: 张银杰 E-mail:zzhangyinjie@126.com;
    通讯作者: 王磊, E-mail:wanglei02@caas.cn
  • 基金项目: 国家自然科学基金(31572207,31000937);国家科技支撑计划课题(2015BAD23B02)。

Establishment and variation of soil inorganic nitrogen estimation model based on maize leaf spectral characteristics

    Corresponding author: WANG Lei, E-mail:wanglei02@caas.cn ;
  • 摘要:   【目的】  作物叶片颜色反映着土壤养分的供应状况。研究作物叶片氮素相关的特征光谱信息与土壤无机氮含量的关系,以建立基于叶片光谱信息的土壤无机氮含量诊断模型,实现能够利用高光谱技术对作物和土壤进行实时监测。  【方法】  在两年的 (2017—2018) 的玉米 (郑单958) 田间试验中,设置6个施氮水平,施氮量分别为0、60、120、180、240、300 kg/hm2。在玉米的拔节期、大喇叭口期、开花吐丝期、灌浆期测定叶片高光谱反射率,对植株和土壤样品进行取样,分析叶片光谱反射率和土壤无机氮含量,建立叶片光谱反射率与土壤无机氮的关系,利用光谱参数和偏最小二乘回归法 (partial least squares regression,PLSR) 建立诊断模型并进行模型精度的评价。  【结果】  施氮处理土壤无机氮含量显著高于不施氮处理,随着生育期的推移,土壤无机氮呈递减趋势,追肥可显著提高土壤无机氮含量。拔节期和开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光波段呈负相关关系,在近红外波段呈正相关关系;大喇叭口期两者在可见光波段呈负相关关系,灌浆期两者无明显相关关系。在光谱参数模型中,4个生育期土壤无机氮含量预测的最佳光谱指数分别为RVI-2、RSI (534,726)、RSI (567,519) 和RVI-2,其回归模型验证集的R2分别为0.642、0.749、0.696、0.540。在PLSR预测模型中,利用PLSR建立的诊断模型验证集的R2分别为0.876、0.838、0.765、0.595,RPD (ratio of percent deviation) 分别为2.140、2.077、2.002、1.369。  【结论】  基于叶片光谱反射率建立的PLSR估算模型,在玉米的拔节期、大喇叭口期、开花吐丝期均能很好地预测土壤无机氮含量。因此,利用叶片光谱特征诊断土壤无机氮含量具有一定的可行性。
  • 图 1  土壤无机氮含量 (mg/kg)

    Figure 1.  Soil inorganic nitrogen content

    图 2  不同生育期叶片光谱反射率与土壤无机氮含量的相关曲线

    Figure 2.  Correlation curve between spectral reflectance and soil inorganic nitrogen content at different growing stages

    图 3  土壤无机氮含量与RSI (i,j) 线性拟合的决定系数 (R2) 的等值线图

    Figure 3.  A contour map of the coefficient of determination (R2) between soil inorganic nitrogen content and RSI (i, j)

    表 1  选用的光谱参数计算方法及参考文献

    Table 1.  Algorithm and references of different spectral parameters

    光谱参数Spectral parameters计算公式或定义Algorithm formula or definition参考文献Reference
    GNDVI(R780 - R550) / (R780 + R550)Gutierrez (2003)[25]
    GIR554/R676Smith (1995)[26]
    ND705 (R750 - R705) / (R750 + R705)Sims (2002)[27]
    Rg510~560 nm范围内最大反射率 Max reflectance in 510~560 mm浦瑞良 (2000)[28]
    VOGR740/R720Kim (2011)[29]
    OSAVI (1 + 0.16) (R800 - R670) / (R800 + R670 + 0.16)Rondeaux (1996)[30]
    RVI-1R810/R660Zhu (2008)[31]
    NDVI (R800 - R670) / (R800 + R670)Rouse (1974)[32]
    RVI-2R822/R738Wang (2012)[10]
    PPR (R550 - R450) / (R550 + R450)Metternicht (2003)[33]
    下载: 导出CSV

    表 2  土壤无机氮与光谱参数的回归分析

    Table 2.  Regression analysis of root-zone soil inorganic nitrogen content and spectral parameters

    生育期Growth光谱参数Spectral parameter回归方程Regression equationR2F
    拔节期Jointing stageGNDVIy = -495.45x2 + 588x - 146.070.639**13.260
    GIy = 64.897e-0.418x0.558**20.192
    ND705y = -422.55x2 + 457.87x - 95.60.587*10.645
    Rgy = -5129.5x2 + 1127.5x - 33.570.564*9.684
    VOGy = -94.444x2 + 302.56x - 213.620.554*9.332
    RVI-2y = -1042x2 + 2419.1x - 1375.10.647**13.725
    大喇叭口期Booting stageGNDVIy = -299.52x2 + 376.21x - 93.0340.854**43.754
    GIy = 61.914e-0.546x0.670**29.203
    ND705y = -294.57x2 + 340.46x - 73.2120.840**39.425
    Rgy = -1877x2 + 344.17x + 9.4620.848**41.889
    VOGy = -83.248x2 + 277.17x - 205.580.836**38.152
    RVI-1y = -3.1014x2 + 47.588x - 157.460.579*10.319
    RVI-2y = -975.63x2 + 2275.1x - 1301.10.892**61.747
    PPRy = -274.88x2 +139.45x + 7.10260.685**16.337
    开花吐丝期Anthesis-silking stageGIy = 5006.2e-3.487x0.794**61.594
    ND705y = -2546.6x2 + 2953.8x - 828.530.552*9.236
    VOGy = -311.92x2 + 1106.2x - 952.270.623*12.368
    RVI-2y = -2040.9x2 + 4938.9x - 2959.20.659**14.478
    PPRy = -1578.8x2 + 588.79x - 22.9460.789**27.961
    灌浆期Filling stageGIy = 44.164x-2.0430.544*17.888
    RVI-2y = 0.0092e6.3811x0.577**21.841
    注(Note):*—P < 0.05, **—P < 0.01.
    下载: 导出CSV

    表 3  优选光谱指数预测模型精度检验

    Table 3.  Accuracy of the models for predicting soil inorganic nitrogen content

    生育期Growth stage光谱指数Spectral index预测模型Prediction modelR2RMSEMRE (%)
    拔节期Jointing stageRVI-2y = -1042x2 + 2419.1x - 1375.10.6422.65414.612
    RSI (767,788)y = -1811.6x + 1833.30.5193.07615.151
    大喇叭口期Booting stageRVI-2y = -975.63x2 + 2275.1x - 1301.10.6561.9338.978
    RSI (534,726)y = -94.34x + 58.5940.7491.6516.453
    开花吐丝期Anthesis-silking stageGIy = 5006.2e-3.487x0.6254.3324.783
    RSI (567,519)y = -330.16x + 409.980.6963.89619.711
    灌浆期Filling stageRVI-2y = 0.0092e6.3811x0.5404.75427.276
    RSI (802,816)y = -7207.6x + 7219.60.3695.56830.258
    下载: 导出CSV

    表 4  不同生育期土壤无机氮含量的PLSR模型

    Table 4.  PLSR model for soil inorganic nitrogen content in four growth stages

    生育期Growth stage最佳因子数Optimumfactor建模集 Calibration dataset (n = 18)验证集 Validation dataset (n = 18)
    R2RMSER2RMSERPD
    拔节期Jointing50.7291.7380.8761.5612.14
    大喇叭口期Booting30.8051.4550.8381.5922.077
    开花吐丝期Anthesis-silking13 0.7683.3030.7653.4272.002
    灌浆期Filling90.5294.6780.5954.4601.369
    下载: 导出CSV
  • [1] 胡春胜, 秦树平, 张玉铭, 等. 华北平原农田生态系统氮素过程及其环境效应研究[J]. 中国生态农业学报, 2018, 26(10): 1501–1514. Hu C S, Qin S P, Zhang Y M, et al. Nitrogen processes and related environmental effects on agro-ecosystem in the North China Plain[J]. Chinese Journal of Eco-Agriculture, 2018, 26(10): 1501–1514.
    [2] 王磊, 白由路, 卢艳丽, 等. 基于光谱分析的玉米氮素营养诊断[J]. 植物营养与肥料学报, 2011, 17(2): 333–340. Wang L, Bai Y L, Lu Y L, et al. Nitrogen nutrition diagnosis for corn based on spectral analysis[J]. Journal of Plant Nutrition and Fertilizers, 2011, 17(2): 333–340. doi:  10.11674/zwyf.2011.0216
    [3] Xu X G, Zhao C J, Wang J H, et al. Using optimal combination method and in situ hyperspectral measurements to estimate leaf nitrogen concentration in barley[J]. Precision Agriculture, 2014, 15(2): 227–240. doi:  10.1007/s11119-013-9339-0
    [4] 李岚涛, 马驿, 魏全全, 等. 基于高光谱的冬油菜植株氮素积累量监测模型[J]. 农业工程学报, 2015, 31(20): 147–156. Li L T, Ma Y, Wei Q Q, et al. Monitoring models of plant N accumulation of winter oilseed rape based on hyperspectral technology[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(20): 147–156. doi:  10.11975/j.issn.1002-6819.2015.20.021
    [5] 郭超凡, 段福洲, 郭逍宇, 等. 基于最佳波段判别的湿地植物叶片全氮反演研究[J]. 生态学报, 2014, 34(17): 4839–4849. Guo C F, Duan F Z, Guo X Y, et al. Estimating wetland plant leaf total nitrogen content based on optimal bands of reflectance from wetland vegetation[J]. Acta Ecologica Sinica, 2014, 34(17): 4839–4849.
    [6] 张潇元, 张立福, 张霞, 等. 不同光谱植被指数反演冬小麦叶氮含量的敏感性研究[J]. 中国农业科学, 2017, 50(3): 474–485. Zhang X Y, Zhang L F, Zhang X, et al. Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen[J]. Scientia Agricultura Sinica, 2017, 50(3): 474–485. doi:  10.3864/j.issn.0578-1752.2017.03.006
    [7] Rajeev R, Usha K C, Rabi N S, et al. Assessment of plant nitrogen stress in wheat (Triticum aestivum L.) through hyperspectral indices[J]. International Journal of Remote Sensing, 2012, 33(20): 6342–6360. doi:  10.1080/01431161.2012.687473
    [8] Inoue Y, Guérif M, Baret F, et al. Simple and robust methods for remote sensing of canopy chlorophyll content: a comparative analysis of hyperspectral data for different types of vegetation[J]. Plant, Cell & Environment, 2016, 39(12): 2609–2623.
    [9] 王仁红, 宋晓宇, 李振海, 等. 基于高光谱的冬小麦氮素营养指数估测[J]. 农业工程学报, 2014, 30(19): 191–198. Wang R H, Song X Y, Li Z H, et al. Estimation of winter wheat nitrogen nutrition index using hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19): 191–198. doi:  10.3969/j.issn.1002-6819.2014.19.023
    [10] Wang W, Yao X, Tian Y C, et al. Common spectral bands and optimum vegetation indices for monitoring leaf nitrogen accumulation in rice and wheat[J]. Journal of Integrative Agriculture, 2012, 11(12): 2001–2012. doi:  10.1016/S2095-3119(12)60457-2
    [11] 王纪华, 黄文江, 劳彩莲, 等. 运用PLS算法由小麦冠层反射光谱反演氮素垂直分布[J]. 光谱学与光谱分析, 2007, 27(7): 1319–1322. Wang J H, Huang W J, Lao C L, et al. Inversion of winter wheat foliage vertical distribution based on canopy reflected spectrum by partial least squares regression method[J]. Spectroscopy and Spectral Analysis, 2007, 27(7): 1319–1322.
    [12] Kira O, Linker R, Gitelson A. Non-destructive estimation of foliar chlorophyll and carotenoid contents: Focus on informative spectral bands[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 251–260. doi:  10.1016/j.jag.2015.01.003
    [13] Liang L, Di L, Zhang L, et al. Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J]. Remote Sensing of Environment, 2015, 165: 123–134. doi:  10.1016/j.rse.2015.04.032
    [14] 刘颖, 李志洪. 利用数字图像技术进行玉米氮素营养诊断的研究[J]. 玉米科学, 2010, 18(4): 147–149. Liu Y, Li Z H. Study on the N status diagnosis through digital image analysis method[J]. Journal of Maize Sciences, 2010, 18(4): 147–149.
    [15] 谢福来, 史晓芳, 史忠良. 利用高光谱技术估测小麦叶片氮量和土壤供氮水平[J]. 农学学报, 2016, 6(4): 7–15. Xie F L, Shi X F, Shi Z L. Estimation of nitrogen content in wheat leaf and nitrogen supply capacity of soil by hyperspectral reflectance[J]. Journal of Agriculture, 2016, 6(4): 7–15. doi:  10.11923/j.issn.2095-4050.cjas15090013
    [16] 李广信, 王超, 冯美臣, 等. 冬小麦冠层光谱与土壤供氮状况相关性研究[J]. 农业机械学报, 2017, 48(5): 275–281. Li G X, Wang C, Feng M C, et al. Correlation between soil nitrogen situation and canopy spectra of winter wheat[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(5): 275–281. doi:  10.6041/j.issn.1000-1298.2017.05.034
    [17] 薛利红, 卢萍, 杨林章, 等. 利用水稻冠层光谱特征诊断土壤氮素营养状况[J]. 植物生态学报, 2006, 30(4): 675–681. Xue L H, Lu P, Yang L Z, et al. Estimation of soil nitrogen status with canopy reflectance spectra in rice[J]. Journal of Plant Ecology, 2006, 30(4): 675–681. doi:  10.3321/j.issn:1005-264X.2006.04.018
    [18] 潘文超, 李少昆, 王克如, 等. 基于棉花冠层光谱的土壤氮素监测研究[J]. 棉花学报, 2010, 22(1): 70–76. Pan W C, Li S K, Wang K R, et al. Monitoring soil nitrogen and plant nitrogen based on hyperspectral of cotton canopy[J]. Cotton Science, 2010, 22(1): 70–76. doi:  10.3969/j.issn.1002-7807.2010.01.011
    [19] 金继运, 白由路, 杨俐苹. 高效土壤养分测试技术与设备[M]. 北京: 中国农业出版社, 2006.

    Jin J Y, Bai Y L, Yang L P. High efficiency soil nutrient testing technology and equipment[M]. Beijing: China Agricultural Publisher, 2006.
    [20] 刘小军, 田永超, 姚霞, 等. 基于高光谱的水稻叶片含水量监测研究[J]. 中国农业科学, 2012, 45(3): 435–442. Liu X Q, Tian Y C, Yao X, et al. Monitoring leaf water content based on hyperspectra in rice[J]. Scientia Agricultura Sinica, 2012, 45(3): 435–442. doi:  10.3864/j.issn.0578-1752.2012.03.004
    [21] Inoue Y, Sakaiya E, Zhu Y, et al. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J]. Remote Sensing of Environment, 2012, 126: 210–221. doi:  10.1016/j.rse.2012.08.026
    [22] 刘雪梅, 柳建设. 基于LS-SVM建模方法近红外光谱检测土壤速效N和速效K的研究[J]. 光谱学与光谱分析, 2012, 32(11): 3019–3023. Liu X M, Liu J S. Based on the LS-SVM modeling method determination of soil available N and available K by using near-infrared spectroscopy[J]. Spectroscopy and Spectral Analysis, 2012, 32(11): 3019–3023. doi:  10.3964/j.issn.1000-0593(2012)11-3019-05
    [23] Li L T, Jákli B, Lu P P, et al. Assessing leaf nitrogen concentration of winter oilseed rape with canopy hyperspectral technique considering a non-uniform vertical nitrogen distribution[J]. Industrial Crops and Products, 2018, 116: 1–14. doi:  10.1016/j.indcrop.2018.02.051
    [24] 于雷, 洪永胜, 周勇, 等. 高光谱估算土壤有机质含量的波长变量筛选方法[J]. 农业工程学报, 2016, 32(13): 95–102. Yu L, Hong Y S, Zhou Y, et al. Wavelength variable selection methods for estimation of soil organic matter content using hyperspectral technique[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(13): 95–102. doi:  10.11975/j.issn.1002-6819.2016.13.014
    [25] Gutierrezrodriguez M, Escalanteestrada J A, Rodriguezgonzalez M T, et al. Canopy reflectance and yield in common bean plants (Phaseolus vulgaris L.). II. Effect of phosphorus[J]. Annual Report, 2003, 46: 103–104.
    [26] Smith R, Adams J, Stephens D J, et al. Forecasting wheat yield in a mediterranean-type environment from the NOAA satellite[J]. Australian Journal of Agricultural Research, 1995, 46(1): 113–125. doi:  10.1071/AR9950113
    [27] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2): 337–354.
    [28] 浦瑞良, 宫鹏. 高光谱遥感及其应用[M]. 北京: 高等教育出版社, 2000.

    Pu R L, Gong P. Hyperspectral remote sensing and its applications[M]. Beijing: Higher Education Press, 2000.
    [29] Kim Y, Glenn D M, Park J, et al. Hyperspectral image analysis for water stress detection of apple trees[J]. Computers and Electronics in Agriculture, 2011, 77(2): 155–160. doi:  10.1016/j.compag.2011.04.008
    [30] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95–107. doi:  10.1016/0034-4257(95)00186-7
    [31] Zhu Y, Yao X, Tian Y C, et al. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice[J]. International Journal of Applied Earth Observation & Geoinformation, 2008, 10(1): 1–10.
    [32] Rouse J W, Haas R H, Schell J A, et al. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation[J]. NASA Special Publication, 1974: 351–309.
    [33] Metternicht G. Vegetation indices derived from high-resolution airborne video graphy for precision crop management[J]. International Journal of Remote Sensing, 2003, 24(14): 2855–2877. doi:  10.1080/01431160210163074
    [34] 李岚涛, 任涛, 汪善勤, 等. 基于角果期高光谱的冬油菜产量预测模型研究[J]. 农业机械学报, 2017, 48(3): 221–229. Li L T, Ren T, Wang S Q, et al. Prediction models of winter oilseed rape yield based on hyperspectral data at pod-filling stage[J]. Transactions of the Chinese Society of Agricultural Engineering, 2017, 48(3): 221–229. doi:  10.6041/j.issn.1000-1298.2017.03.028
    [35] 吴科生, 宋尚有, 李隆, 等. 施氮和豌豆/玉米间作对土壤无机氮时空分布的影响[J]. 中国生态农业学报, 2014, 22(12): 1397–1404. Wu K S, Song S Y, Li L, et al. Effects of nitrogen application and intercropping on spatial-temporal distribution of soil inorganic nitrogen in pea/maize intercropping field[J]. Chinese Journal of Eco-Agriculture, 2014, 22(12): 1397–1404.
    [36] 唐菁, 杨承栋, 康红梅. 植物营养诊断方法研究进展[J]. 世界林业研究, 2005, (6): 45–48. Tang J, Yang C D, Kang H M. Advances in methods of nutrition diagnosis for plants[J]. World Forestry Research, 2005, (6): 45–48. doi:  10.3969/j.issn.1001-4241.2005.06.007
  • [1] 冯小杰战秀梅王颖赵蔚王雪鑫李俊何天池陈坤彭靖韩晓日 . 不同施氮水平下施用稳定性氮肥在辽宁春玉米上的减施效果及潜力. 植物营养与肥料学报, doi: 10.11674/zwyf.19442
    [2] 白丽敏李粉玲常庆瑞曾凤曹吉芦光旭 . 结合SPA和PLS法提高冬小麦冠层全氮高光谱估算的精确度. 植物营养与肥料学报, doi: 10.11674/zwyf.17478
    [3] 庄红梅卢春生龚鹏徐叶挺谢辉樊丁宇 . 新疆‘叶尔羌’扁桃果实不同生育期叶片氮磷钾光谱特性研究. 植物营养与肥料学报, doi: 10.11674/zwyf.15113
    [4] 韩兆迎朱西存刘庆房贤一王卓远 . 黄河三角洲土壤有机质含量的高光谱反演. 植物营养与肥料学报, doi: 10.11674/zwyf.2014.0625
    [5] 杨家宝杜昌文申亚珍周健民 . 小白菜的中红外光谱特征及其在氮营养诊断中的应用. 植物营养与肥料学报, doi: 10.11674/zwyf.2013.0430
    [6] 白金顺曹卫东樊媛媛高嵩涓 . 苏南稻田4种冬绿肥养分特性及对翻压前土壤无机氮的影响. 植物营养与肥料学报, doi: 10.11674/zwyf.2013.0218
    [7] 易时来邓烈何绍兰郑永强姚珍珍韦献果李松伟简水仙 . 应用多光谱图像技术进行锦橙叶片氮含量监测. 植物营养与肥料学报, doi: 10.11674/zwyf.2012.11247
    [8] 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, doi: 10.11674/zwyf.2012.11313
    [9] 王磊白由路卢艳丽王贺杨俐苹 . 基于光谱分析的玉米氮素营养诊断. 植物营养与肥料学报, doi: 10.11674/zwyf.2011.0216
    [10] 李灵芝郭荣李海平曹阳 . 不同氮浓度对温室番茄生长发育和叶片光谱特性的影响. 植物营养与肥料学报, doi: 10.11674/zwyf.2010.0428
    [11] 易琼张秀芝何萍杨利熊桂云 . 氮肥减施对稻-麦轮作体系作物氮素吸收、利用和土壤氮素平衡的影响. 植物营养与肥料学报, doi: 10.11674/zwyf.2010.0505
    [12] 李秋祝余常兵胡汉升孙建好陈伟李隆 . 不同竞争强度间作体系氮素利用和土壤剖面无机氮分布差异. 植物营养与肥料学报, doi: 10.11674/zwyf.2010.0401
    [13] 胡昊白由路*杨俐苹卢艳丽王磊王贺孔庆波 . 不同氮营养冬小麦冠层光谱红边特征分析. 植物营养与肥料学报, doi: 10.11674/zwyf.2009.0611
    [14] 张丽平张格英史庆华丁飞王秀峰冯建鹏 . 氯化钠胁迫对不同耐盐黄瓜品种的损伤效应及反射光谱特性的影响 . 植物营养与肥料学报, doi: 10.11674/zwyf.2008.0422
    [15] 卢艳丽白由路杨俐苹王红娟 . 基于主成分回归分析的土壤有机质高光谱预测与模型验证. 植物营养与肥料学报, doi: 10.11674/zwyf.2008.0608
    [16] 王磊白由路杨俐苹 . 春玉米磷素营养的光谱响应及诊断. 植物营养与肥料学报, doi: 10.11674/zwyf.2007.0507
    [17] 李楠吴景贵夏海丰 . 傅立叶变换红外光谱法表征玉米秆茬培肥土壤胡敏酸的变化. 植物营养与肥料学报, doi: 10.11674/zwyf.2007.0534
    [18] 王磊白由路 . 基于光谱理论的作物营养诊断研究进展. 植物营养与肥料学报, doi: 10.11674/zwyf.2006.0624
    [19] 赵俊晔于振文李延奇王雪 . 施氮量对土壤无机氮分布和微生物量氮含量及小麦产量的影响. 植物营养与肥料学报, doi: 10.11674/zwyf.2006.0402
    [20] 王玉军崔俊涛赵晓松张秀芳窦森 . 微波等离子体炬原子发射光谱法测定土壤中速效磷. 植物营养与肥料学报, doi: 10.11674/zwyf.2004.0420
  • 加载中
WeChat 点击查看大图
图(3)表(4)
计量
  • 文章访问数:  43
  • HTML全文浏览量:  37
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-11-18

基于玉米叶片光谱特征的土壤无机氮估算模型的建立与验证

    作者简介:张银杰 E-mail:zzhangyinjie@126.com
    通讯作者: 王磊, wanglei02@caas.cn
  • 1. 中国农业科学院农业资源与农业区划研究所/农业农村部植物营养与肥料重点实验室,北京 100081
  • 2. 濮阳市农业科学院,河南濮阳 457000
  • 基金项目: 国家自然科学基金(31572207,31000937);国家科技支撑计划课题(2015BAD23B02)。
  • 摘要:   【目的】  作物叶片颜色反映着土壤养分的供应状况。研究作物叶片氮素相关的特征光谱信息与土壤无机氮含量的关系,以建立基于叶片光谱信息的土壤无机氮含量诊断模型,实现能够利用高光谱技术对作物和土壤进行实时监测。  【方法】  在两年的 (2017—2018) 的玉米 (郑单958) 田间试验中,设置6个施氮水平,施氮量分别为0、60、120、180、240、300 kg/hm2。在玉米的拔节期、大喇叭口期、开花吐丝期、灌浆期测定叶片高光谱反射率,对植株和土壤样品进行取样,分析叶片光谱反射率和土壤无机氮含量,建立叶片光谱反射率与土壤无机氮的关系,利用光谱参数和偏最小二乘回归法 (partial least squares regression,PLSR) 建立诊断模型并进行模型精度的评价。  【结果】  施氮处理土壤无机氮含量显著高于不施氮处理,随着生育期的推移,土壤无机氮呈递减趋势,追肥可显著提高土壤无机氮含量。拔节期和开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光波段呈负相关关系,在近红外波段呈正相关关系;大喇叭口期两者在可见光波段呈负相关关系,灌浆期两者无明显相关关系。在光谱参数模型中,4个生育期土壤无机氮含量预测的最佳光谱指数分别为RVI-2、RSI (534,726)、RSI (567,519) 和RVI-2,其回归模型验证集的R2分别为0.642、0.749、0.696、0.540。在PLSR预测模型中,利用PLSR建立的诊断模型验证集的R2分别为0.876、0.838、0.765、0.595,RPD (ratio of percent deviation) 分别为2.140、2.077、2.002、1.369。  【结论】  基于叶片光谱反射率建立的PLSR估算模型,在玉米的拔节期、大喇叭口期、开花吐丝期均能很好地预测土壤无机氮含量。因此,利用叶片光谱特征诊断土壤无机氮含量具有一定的可行性。

    English Abstract

    • 氮素是作物生长的关键元素,在农业生产中,氮肥施用不足直接影响植物的生理生化过程,进而影响农作物的产量和品质,但过量施用氮肥会造成经济损失和环境污染,如温室气体 (N2O) 的排放和地表水、地下水的污染[1-2]。实时监测作物氮素营养,有助于管理者及时采取措施,既保证作物产量,又提高肥料效益、减少环境污染。高光谱技术具有信息量大,连续采样的特点,能够快速无损地获取作物相关信息,为作物的实时监测提供了有效的方法和手段。

      随着高光谱技术的发展,植物的高光谱监测技术在农业生产中得到了长足的发展,尤其是在作物氮素营养诊断方面[3-6]。当前,利用光谱技术已在不同作物、生态区域建立了作物氮素诊断模型,作物的氮素水平可以通过光谱指数进行反演[7-9]。Wang等[10]研究结果表明,RSI (822,738) 光谱指数可以作为监测水稻和小麦叶片氮积累的指标。此外,为明确能够稳定反映氮营养时空分布特异性的敏感或有效光谱波段,基于多元统计分析技术已被广泛采用。有学者指出,利用偏最小二乘回归算法反演作物氮含量,其精度和稳定性明显提高[11-13]。随着光谱技术应用的拓展,基于土壤光谱特征来监测土壤水分、有机质、全氮等土壤养分状况方面也开展了大量研究,此技术需要对土壤进行采集,标准化处理,测定光谱,但是由于土壤光谱的复杂性和不确定性,当前研究还不能用于作物的营养诊断。众所周知,作物的养分来源于土壤中养分的直接供应,作物体内养分状况是土壤养分供应能力和作物对养分吸收能力的综合反映[14]。植株冠层光谱数据已经用于小麦[15-16]、水稻[17]和棉花[18]等作物土壤氮素状况的诊断研究,利用水稻的冠层光谱可以实现对土壤速效氮的预测[17]。以两年 (2017—2018) 的大田试验探究土壤无机氮的变化,分析叶片高光谱反射率与土壤无机氮含量的关系,利用光谱参数和偏最小二乘回归法,明确了利用叶片光谱数据预测土壤无机氮含量的能力。旨在为建立高效的玉米氮素营养光谱诊断技术,实现实时、准确地了解玉米对养分的需求和土壤对养分的供应情况,为合理施肥,提高氮肥利用率提供理论和试验基础。

      • 试验地位于中国农业科学院国际高新产业园 (河北省廊坊,N39°35′47.03″、E116°35′16.24″),属于温带大陆性季风气候,四季分明,年平均日照时数2660 h,年平均气温11.9℃,无霜期年平均183天,年平均降水量554.9 mm。供试作物为夏玉米,品种郑单958,土壤类型为潮土,供试肥料:氮肥为尿素 (含N 46%),磷肥为磷酸二铵 (含N 18%,含P2O5 46%),不施氮处理磷肥为过磷酸钙 (含P2O5 12%),钾肥为硫酸钾 (含K2O 52%)。

      • 试验1:2017年6—10月的大田小区试验,试验供试土壤的常规推荐施肥量为N 180 kg/hm2、P2O5 90 kg/hm2、K2O 90 kg/hm2 (ASI法)[19],依据推荐施肥量分别增施和减施氮肥,设置6个施氮水平:N0、N1、N2、N3、N4、N5,对应施氮量分别为:0、60、120、180、240、300 kg/hm2,磷钾肥施肥量均为90 kg/hm2,3次重复,小区面积32 m2,随机区组排列。基础土壤的有机质含量11.38 g/kg,pH为8.30,铵态氮含量3.74 mg/kg,硝态氮含量15.61 mg/kg,有效磷含量14.3 mg/kg,速效钾含量62.5 mg/kg。氮肥按苗期和大喇叭口期4:6的比例施用 (8月1日取样后追施尿素),磷钾肥做基肥一次施入。2017年6月13日播种,分别于7月17日拔节期、8月1日大喇叭口期、8月17日开花吐丝期、9月3日灌浆期取样,10月11日收获。

        试验2:2018年6—10月的小麦/玉米轮作定位试验 (2008年开始),选取6个施氮水平:0、60、120、180、240、300 kg/hm2,小区面积为100 m2,小区按施氮量递增顺序排列,取样时将小区分为3个区域,视为重复。2008年开始种植前耕层土壤的有机质含量13.05 g/kg,pH为8.26,碱解氮含量61.68 mg/kg,有效磷含量17.01 mg/kg,速效钾含量38.46 mg/kg。N1、N2、N3、N4处理的氮肥施用按苗期和大喇叭口期4:6的比例施用,N5处理先将240 kg/hm2的氮肥在苗期和大喇叭口期按4:6比例施用,剩余氮肥在开花吐丝期取样后 (8月15日) 施入,磷钾肥施用量均为90 kg/hm2,小麦季施入。2018年6月17日播种,分别于7月20拔节期、7月29日大喇叭口期、8月14日开花吐丝期、9月2日灌浆期取样,10月11日收获。

      • 光谱数据采集:在玉米生长的关键生育期 (拔节期、大喇叭口期、开花吐丝期和灌浆期) 进行测定,光谱反射率采用FieldSpec高光谱仪 (美国ASD公司产) 获得,波谱范围350~2500 nm,光谱采样间隔和分辨率分别为1.4和3 nm (300~1000 nm)、2和10 nm (1000~2500 nm)。各小区在测量前均进行标准白板校正 (标准白板反射率为1)。利用叶片夹持器 (自带光源) 选取叶片中部较宽 (避免直接对着叶脉) 的部分夹紧进行光谱测定,保证光谱数据的稳定性[20]。在各生育时期,测定每株玉米每一片完全展开叶的光谱反射率,其平均值作为该植株的叶片光谱反射率。

        土壤样品采集:在测定光谱的玉米植株根区30 cm范围内采集耕层 (0~20 cm) 土壤样品,每株取3钻,混匀。土壤样品风干后过筛 (20目),用2 mol/L KCl溶液进行振荡提取,过滤后用AA3 (德国SEAL) 流动分析仪进行硝态氮、铵态氮含量的比色测定。

      • 利用ViewSpecPro 5.7光谱处理软件处理光谱数据,Excel 2007进行数据处理和作图,SPSS 22软件进行统计分析,MATLAB R2014a软件进行编程构建光谱指数,绘制等值线图,编程进行PLSR分析。模型的建模集来源于2018年定位试验的数据,模型的验证集数据来源于2017年的大田试验数据。

      • 光谱参数分为两部分:1) 在已有研究的基础上选出物理意义明确、认可度较高并且与本研究相关的10个光谱参数 (波长位置和光谱指数,表1)。2) 利用500~1300 nm任意波长两两组合构建比值光谱指数[21]:RSI (i,j) = Ri/Rj,i和j为500~1300 nm范围内的任意两个波长,Ri和Rj为波长i和波长j对应的光谱反射率,RSI (i,j) 与土壤无机氮含量线性拟合的决定系数结果用等值线图表示,颜色的深浅代表了决定系数的大小。利用已研究的光谱参数和构建的比值光谱指数分别与土壤无机氮含量建立单变量线性和非线性回归,

        表 1  选用的光谱参数计算方法及参考文献

        Table 1.  Algorithm and references of different spectral parameters

        光谱参数Spectral parameters计算公式或定义Algorithm formula or definition参考文献Reference
        GNDVI(R780 - R550) / (R780 + R550)Gutierrez (2003)[25]
        GIR554/R676Smith (1995)[26]
        ND705 (R750 - R705) / (R750 + R705)Sims (2002)[27]
        Rg510~560 nm范围内最大反射率 Max reflectance in 510~560 mm浦瑞良 (2000)[28]
        VOGR740/R720Kim (2011)[29]
        OSAVI (1 + 0.16) (R800 - R670) / (R800 + R670 + 0.16)Rondeaux (1996)[30]
        RVI-1R810/R660Zhu (2008)[31]
        NDVI (R800 - R670) / (R800 + R670)Rouse (1974)[32]
        RVI-2R822/R738Wang (2012)[10]
        PPR (R550 - R450) / (R550 + R450)Metternicht (2003)[33]
      • 本研究采用 PLSR方法建立基于敏感波段 (500~1300 nm) 的土壤无机氮含量的估算模型。利用MATLAB先将数据进行预处理,每间隔10 nm连续波长做一次平均提取光谱反射率以减少光谱维度,有利于偏最小二乘回归 (PLSR) 分析时确定潜在因子的个数[22]。PLSR模型的预测精度和有效性选取由决定系数 (R2)、均方根误差 (RMSE) 和验证集的标准偏差与验证集的均方根误差的比值 (RPD) 等参数来衡量[23]R2RPD越大,RMSE越小,模型精度和预测效果越好,RPD判断模型的预测能力,RPD < 1.4 时,模型无法对样品进行预测;1.4 ≤ RPD < 2时,认为模型效果一般,可以用来对样品进行粗略评估;RPD ≥ 2 时,模型具有极好的预测能力[24]。偏最小二乘法回归方程的表达式[21]如下:

        $ \begin{aligned} & {Y}_{i}={\beta }_{0}+\sum \limits_{k=1}^{r}{\beta }_{k}{T}_{ik}+{e}_{i}\left (i=1,\dots ,n\right) \\ & {T}_{{ik}}=\sum \limits_{j=1}^{m}{C}_{ki}{X}_{ij} (k=1,...,r) \end{aligned} $

        式中,Yi:因变量,Xij:自变量,m:因子数,n:样本数,ei:残差,βk:回归系数,k:潜在变量

      • 利用2018年的定位试验数据分析土壤无机氮含量的变化。由图1整体分析,随着生育期的推移,土壤无机氮含量整体上呈递减的趋势,在开花吐丝期,高氮处理 (180、240、300 kg/hm2) 的土壤无机氮含量有所增加,这是由于大喇叭口期取样后进行了追肥。无氮处理 (N0) 和低氮处理 (60、120 kg/hm2) 的土壤无机氮含量随着玉米的生长逐渐减少。施氮处理的土壤无机氮含量均显著高于不施氮处理,随着氮肥的增施,土壤无机氮含量呈先增加后平稳趋势。其中拔节期和大喇叭口期的N2、N3、N4、N5处理的无机氮含量之间相差不大,开花吐丝期的N2、N3处理间以及N4、N5处理间土壤无机氮含量差异不显著。灌浆期N1、N2处理间土壤无机氮含量差异不显著,N3、N4、N5处理间差异显著。

        图  1  土壤无机氮含量 (mg/kg)

        Figure 1.  Soil inorganic nitrogen content

      • 利用2018年的定位试验数据分析叶片光谱反射率与土壤无机氮含量的相关性。由图2可知,不同生育时期叶片光谱反射率与土壤无机氮含量的相关性曲线走势有一定的差别。拔节期叶片光谱反射率与土壤无机氮含量在可见光522~721 nm波段处呈极显著负相关关系,在近红外763~1265 nm波段处呈显著正相关关系。大喇叭口期叶片光谱反射率与土壤无机氮含量在504~750、2132~2493 nm波段处呈极显著负相关关系。开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光522~577、698~739 nm波段处呈极显著负相关关系,在近红外1087~1109 nm波段处呈极显著正相关关系。灌浆期叶片光谱反射率与土壤无机氮含量无明显相关关系。

        图  2  不同生育期叶片光谱反射率与土壤无机氮含量的相关曲线

        Figure 2.  Correlation curve between spectral reflectance and soil inorganic nitrogen content at different growing stages

      • 基于2018年定位试验数据,综合所选的10个光谱参数对土壤无机氮含量进行线性和非线性回归分析,以R2F值来评估拟合效果,从中优选出表现较好 (P < 0.05) 的回归模型 (表2),从表中可以看出优选出的土壤无机氮含量与光谱参数的回归方程均为非线性。拔节期土壤无机氮含量与6个光谱参数建立的回归均达显著水平,决定系数R2的变化范围为0.554~0.647,基于R2F值最大的原则,基于RVI-2建立的土壤无机氮含量回归方程表现较好。大喇叭口期选取的8个光谱参数与土壤无机氮含量的回归方程均达显著水平,决定系数的范围为0.579~0.892,其中选出最佳的光谱指数为RVI-2 (R2 = 0.892,F = 61.747)。开花吐丝期土壤无机氮含量与光谱参数回归方程达显著水平的有5个,决定系数R2的范围为0.552~0.794,其中GI与土壤无机氮含量建立的回归方程较好 (R2 = 0.794,F = 61.594)。灌浆期土壤无机氮与光谱参数回归方程达显著水平的为GI和RVI-2,其中基于RVI-2建立的指数函数较好 (R2 = 0.577,F = 21.841),回归方程达极显著水平。

        表 2  土壤无机氮与光谱参数的回归分析

        Table 2.  Regression analysis of root-zone soil inorganic nitrogen content and spectral parameters

        生育期Growth光谱参数Spectral parameter回归方程Regression equationR2F
        拔节期Jointing stageGNDVIy = -495.45x2 + 588x - 146.070.639**13.260
        GIy = 64.897e-0.418x0.558**20.192
        ND705y = -422.55x2 + 457.87x - 95.60.587*10.645
        Rgy = -5129.5x2 + 1127.5x - 33.570.564*9.684
        VOGy = -94.444x2 + 302.56x - 213.620.554*9.332
        RVI-2y = -1042x2 + 2419.1x - 1375.10.647**13.725
        大喇叭口期Booting stageGNDVIy = -299.52x2 + 376.21x - 93.0340.854**43.754
        GIy = 61.914e-0.546x0.670**29.203
        ND705y = -294.57x2 + 340.46x - 73.2120.840**39.425
        Rgy = -1877x2 + 344.17x + 9.4620.848**41.889
        VOGy = -83.248x2 + 277.17x - 205.580.836**38.152
        RVI-1y = -3.1014x2 + 47.588x - 157.460.579*10.319
        RVI-2y = -975.63x2 + 2275.1x - 1301.10.892**61.747
        PPRy = -274.88x2 +139.45x + 7.10260.685**16.337
        开花吐丝期Anthesis-silking stageGIy = 5006.2e-3.487x0.794**61.594
        ND705y = -2546.6x2 + 2953.8x - 828.530.552*9.236
        VOGy = -311.92x2 + 1106.2x - 952.270.623*12.368
        RVI-2y = -2040.9x2 + 4938.9x - 2959.20.659**14.478
        PPRy = -1578.8x2 + 588.79x - 22.9460.789**27.961
        灌浆期Filling stageGIy = 44.164x-2.0430.544*17.888
        RVI-2y = 0.0092e6.3811x0.577**21.841
        注(Note):*—P < 0.05, **—P < 0.01.
      • 基于2018年定位试验数据建立比值光谱指数与土壤无机氮的线性回归。由图3可知,整个玉米生育期中大喇叭口期的土壤无机氮含量与比值光谱指数线性拟合的敏感 (红色) 范围最大,决定系数较大。拔节期对土壤无机氮含量估算敏感的波段位于700~1300 nm,其中最为敏感的波长为767和788 nm,所构建的组合比值光谱指数RSI (767,788) 与土壤无机氮含量线性拟合的效果较好,回归方程为y = -1811.6x+1833.3 (R2 = 0.715)。大喇叭口期土壤无机氮含量与比值光谱指数敏感的范围为500~1300 nm,其中以波长534和726 nm构建的比值光谱指数与土壤无机氮含量线性拟合的决定系数最大,回归方程为y = -94.34x + 58.594 (R2 = 0.804),开花吐丝期对土壤无机氮含量估算敏感的波段范围位于500~700 nm,其中以波长567和519 nm组合构建的光谱指数线性拟合效果最好,方程式为y = -330.16x + 409.98 (R2 = 0.826)。灌浆期土壤无机氮含量与比值光谱指数的敏感范围为500~1000 nm,其中以波长802和816 nm组合构建的比值光谱指数与土壤无机氮含量的线性拟合效果最好,方程式为y = -7207.6x + 7219.6 (R2 = 0.742) 回归达极显著水平。

        图  3  土壤无机氮含量与RSI (i,j) 线性拟合的决定系数 (R2) 的等值线图

        Figure 3.  A contour map of the coefficient of determination (R2) between soil inorganic nitrogen content and RSI (i, j)

      • 最佳的诊断模型不仅要求回归方程的显著性水平高,还要保证RMSE和相对误差都小,利用独立试验2017年的大田试验数据,对表3和2.4中优选的光谱指数建立的回归模型进行测试和检验,以R2、均方根误差 (RMSE) 和相对误差 (MRE) 3个指标来综合考察模型的表现,验证集的预测值与实测值线性回归的R2较高、RMSEMRE均较低的模型为最佳模型,此模型具有较好的稳定性和可重复性。结果 (表3) 表明,对于土壤无机氮含量的估测,4个生育时期最佳模型的光谱指数分别为RVI-2、RSI (534,726)、RSI (567,519) 和RVI-2。

        表 3  优选光谱指数预测模型精度检验

        Table 3.  Accuracy of the models for predicting soil inorganic nitrogen content

        生育期Growth stage光谱指数Spectral index预测模型Prediction modelR2RMSEMRE (%)
        拔节期Jointing stageRVI-2y = -1042x2 + 2419.1x - 1375.10.6422.65414.612
        RSI (767,788)y = -1811.6x + 1833.30.5193.07615.151
        大喇叭口期Booting stageRVI-2y = -975.63x2 + 2275.1x - 1301.10.6561.9338.978
        RSI (534,726)y = -94.34x + 58.5940.7491.6516.453
        开花吐丝期Anthesis-silking stageGIy = 5006.2e-3.487x0.6254.3324.783
        RSI (567,519)y = -330.16x + 409.980.6963.89619.711
        灌浆期Filling stageRVI-2y = 0.0092e6.3811x0.5404.75427.276
        RSI (802,816)y = -7207.6x + 7219.60.3695.56830.258
      • 利用2018年定位试验数据建立偏最小二乘回归模型,采用2017年的大田试验数据进行模型的验证。PLSR模型的构建采用留一交叉验证法来确定最佳因子数 (主成分个数)[34],即交叉验证均方根误差最小时对应的因子数。4个生育时期选取的最佳因子数分别为5、3、13和9。由表4可知,前3个生育期建立的PLSR模型RPD均大于2,说明模型有很好的稳定性,且能较好地预测土壤无机氮含量。灌浆期的PLSR模型验证集的RPD < 1.4,该模型不能预测土壤无机氮含量。

        表 4  不同生育期土壤无机氮含量的PLSR模型

        Table 4.  PLSR model for soil inorganic nitrogen content in four growth stages

        生育期Growth stage最佳因子数Optimumfactor建模集 Calibration dataset (n = 18)验证集 Validation dataset (n = 18)
        R2RMSER2RMSERPD
        拔节期Jointing50.7291.7380.8761.5612.14
        大喇叭口期Booting30.8051.4550.8381.5922.077
        开花吐丝期Anthesis-silking13 0.7683.3030.7653.4272.002
        灌浆期Filling90.5294.6780.5954.4601.369
      • 土壤无机氮含量能够反映土壤的氮供应水平,植物能够吸收利用的氮素主要是无机氮 (铵态氮和硝态氮),其与植物体内的氮素状况密切相关,本试验条件下,施用氮肥能够显著提高土壤无机氮的含量,这与吴科生等[35]的研究结果一致。在本试验0~300 kg/hm2施氮量条件下,不同生育时期 (除灌浆期) 的土壤无机氮含量随着氮肥的增施呈现先增加后平稳的趋势。本试验条件下,前3个生育期N4、N5处理之间差异不显著是由于施肥的原因,N5处理比N4处理超出的60 kg/hm2的氮素是在开花吐丝期施入土壤中,所以,灌浆期N5处理的无机氮含量显著高于N4处理。在整个生育期中,土壤无机氮含量随着玉米的生长呈现递减的趋势,而在开花吐丝期施氮处理的土壤无机氮含量相比之前有所增加,这是由于大喇叭口期取样后进行了追肥。施氮显著提高土壤无机氮含量,而过量的施用氮素作物不能全部吸收,而会流失到环境中造成污染。

      • 叶片作为植物生长发育主要的营养器官,叶片中的含氮量是玉米各器官中最高的。养分的供应变化在叶片上的反映比较明显,叶片分析是营养诊断中最易做到标准化的定量手段[36]。叶片氮含量的变化最能反映出作物氮素营养状况,所以本研究的光谱测定对象是叶片。本试验条件下,在拔节期和开花吐丝期土壤无机氮含量与叶片光谱反射率在可见光波段呈负相关,在近红外波段呈正相关关系。薛红利[17]的研究结果也表明,土壤速效氮含量在整个水稻生育期内均与可见光波段反射率呈负相关,与近红外波段反射率呈正相关。谢福来等[15]研究结果表明,土壤全氮含量与小麦冠层光谱反射率在可见光波段呈正相关关系,在近红外波段呈负相关关系,本研究结果与其正好相反。这可能是由于作物种类不同、考察的土壤养分指标也不同,本研究的研究对象是玉米,光谱测定部位是叶片,分析的土壤指标是土壤无机氮含量,而谢福来等人研究的对象是小麦,光谱测定部位是冠层,分析的土壤指标是土壤全氮含量。

        玉米的生理代谢过程随生育期的差异,导致不同生育期叶片对光谱的敏感程度和敏感波段也是不断变化的。由图2可知,不同生育时期玉米叶片光谱反射率与土壤无机氮含量的相关关系存在差异,比较不同生育时期两者的相关系数,在可见光波段,大喇叭口期两者的相关性较强。整体分析图3也发现,大喇叭口期的土壤无机氮含量与比值光谱指数敏感范围较大。这说明土壤无机氮含量在玉米大喇叭口期的光谱敏感性强于其他生育期。王磊等[2]研究表明,大喇叭口期是玉米叶片氮素营养光谱响应的敏感期。本试验条件下,在大喇叭口期,土壤无机氮含量与叶片光谱响应较为敏感,这是由于大喇叭口期是玉米吸收养分的关键时期,对养分的需求量较大,当土壤氮素供应不足时,叶片内生化物质变化使其光谱响应较为敏感。

      • 绿色健康叶片的光谱反射率在短波红外区 (1300~2500 nm) 有2个吸收谷,即1450、1950 nm附近的水分吸收带,会影响氮素的吸收特征。由2.2的分析结果可知,叶片光谱反射率与土壤无机氮含量在500~1300 nm波段的相关性较强,所以本研究主要考察500~1300 nm波段的高光谱对土壤无机氮含量的估算效果。Inoue等[21]分析比较了多种建模方法反演水稻氮素水平的能力,包括利用构建的归一化光谱指数 (NDSI) 和比值光谱指数 (RSI) 建立回归和多元回归 (PLSR) 统计方法,发现构建的比值光谱指数RSI (D740,D522) 对氮素的估算是最准确和稳健的。本研究通过已获得的光谱参数和构建的比值光谱指数与土壤无机氮含量建立线性和非线性回归,选取的最佳光谱指数均为比值光谱指数。Wang等[10]研究的RVI-2 (R822/R738) 可以作为小麦和水稻氮素诊断共同的光谱指数。而本试验拔节期和灌浆期的最佳光谱指数也是RVI-2,由这两个生育时期光谱组合的比值光谱指数的等值线图上 (图3) 也可以看出R822/R738线性回归的R2较大 (红)。

        偏最小二乘回归 (PLSR) 融合了主成分分析、多元线性回归分析和典型相关分析的特点,是一种功能强大的多元数据分析方法。与普通最小二乘回归的主要区别,在于它在回归建模过程中采用了数据降维、信息综合与筛选技术、提取对系统最佳解释能力的新综合成分[24]。由于光谱仪输出时对光谱数据进行了以1 nm为间隔的重采样,这使得原始光谱曲线中相邻波段之间存在信息重合,光谱数据冗余。为了减小数据量,尤其是去除冗余信息,本研究在保留尽量多的光谱信息并维持光谱原有基本特征的前提下,利用MATLAB先将数据进行预处理,每间隔10 nm连续波长做一次平均提取光谱反射率以减少光谱维度[22]。通过光谱参数和偏最小二乘回归建立土壤无机氮含量的预测模型并进行精度检验,结果表明,利用叶片光谱反射率来诊断土壤氮素含量具有一定的可行性,PLSR预测模型精度大于光谱参数 (RMSE较小),前3个生育时期利用PLSR建立的回归模型对土壤无机氮含量均具有很好的预测能力 (RPD > 2),模型还有待于进一步在其他生产区域验证和改善。

      • 以夏玉米为研究对象,通过两年的田间试验,较为系统地探究了叶片光谱数据与土壤无机氮含量的关系。随着生育期的推移,土壤无机氮含量呈递减的趋势,追肥增加土壤无机氮含量,随着氮肥的增施,土壤无机氮呈先增加后平稳的趋势。拔节期和开花吐丝期叶片光谱反射率与土壤无机氮含量在可见光波段呈负相关关系,在近红外波段呈正相关关系,大喇叭口期两者在可见光波段呈负相关关系,灌浆期两者在整个波段无明显相关关系。在估算模型中,在4个生育期,对土壤无机氮含量预测最佳的光谱指数分别为RVI-2、RSI (534,726)、RSI (567,519) 和RVI-2。相较而言,利用PLSR建立的估算模型较好,在玉米的拔节期、大喇叭口期和开花吐丝期均能很好地估测土壤无机氮含量。

    参考文献 (36)
    WeChat 关注分享

    返回顶部

    目录

      /

      返回文章
      返回