丁雅 王振錫 瞿余紅 劉玉霞 李園

(新疆農業(yè)大學 ，烏魯木齊，830052)

N素是植物的三大主要營養(yǎng)元素之一，直接或間接影響植物的生長發(fā)育。而且，臨界期施用N肥對作物和果樹的產量、質量、品質等具有重要影響。傳統(tǒng)的N素檢測主要通過常規(guī)室內化學定量分析、看苗施肥和葉色卡等定性與半定量的方法進行。這些檢測手段不僅具有破壞性，而且費時、費力，檢測成本高[1]，不適宜于大面積植被養(yǎng)分快速監(jiān)測[2]。近年來，高光譜技術作為農作物N素質量分數無損定量檢測的方法受到學術界的廣泛關注，其實時、快速、精準、無損獲取作物生長狀況及植株生化組分信息的特點，為作物N素營養(yǎng)的無損監(jiān)測提供了新的技術手段和方法[3]。許多學者在植被葉片光譜與N素質量分數關系方面開展了大量研究。張國圣等[4]開展的水稻(Oryzasativa)葉片氮素估測表明，光譜數據的一階微分變換能夠提高光譜數據與水稻葉片氮素質量分數的相關性，且與其他生育期相比，水稻齊穗期構建的模型最優(yōu)。李永梅等[5]研究發(fā)現(xiàn)，水稻在分蘗期葉片氮素質量分數與歸一化差值植被指數的建模效果較好。由于植被水分狀況對氮素質量分數具有一定影響，當水分脅迫時，能夠造成植物光譜紅邊位置等發(fā)生偏移，可以采用微分光譜構建紅邊面積光譜參量估測棉花(Gossypiumspp.)葉片氮素質量分數[6]。在玉米(Zeamays)拔節(jié)期[7]、開花吐絲期[8]和玉米灌漿期[9]對氮素質量分數能夠進行有效估測，指導作物的施肥量[10]。冬小麥(Triticumaestivum)在拔節(jié)期、抽穗期和灌漿期[11-13]，以光譜指數DS，I(771,755)為自變量，利用逐步回歸、偏最小二乘法建立的回歸模型檢驗精度相對較高[14]。此外，部分學者還開展了不同光譜轉換后，以單一敏感波段、構建光譜參量等為自變量構建了蘋果(Maluspumila)[15-16]、楊屬(Populus)[17]梨(Pyrusspp.)[18]、桃(Amygdalus)[19]、橡膠(Heveabrasiliensis)[20]等樹種葉片光譜估算氮素質量分數的模型，并取得了較好的效果。綜上，植被葉片光譜與N素質量分數關系研究主要集中在作物方面，木本植被方面的研究相對較少。此外，合理的光譜數據轉換、適宜的光譜特征變量和模型類型的選擇均能夠在不同程度上提高氮素質量分數擬合模型的精度。新疆棗(Ziziphu)種植面積達150萬hm2，占全疆林果總面積的30%以上，已成為新疆第一大林果樹種。由于存在栽培、管理技術落后，缺乏科學施肥和營養(yǎng)診斷技術等問題，已經嚴重制約了新疆棗產業(yè)健康快速發(fā)展。高效、無損的N素質量分數監(jiān)測技術能夠指導果農自主施肥，減少盲目施肥的弊端。從棗的需肥規(guī)律來看，6月份為棗樹開花期，這一時期棗樹開花坐果與幼果生長同時進行，對N肥的需求量較大。鑒于此，文中以阿克蘇地區(qū)紅旗坡農場規(guī)模栽植的棗為研究對象，通過分析6月份棗葉片高光譜與N素質量分數的相關關系，建立基于高光譜的棗葉片N素質量分數估測模型，為實時快速地開展棗營養(yǎng)診斷、長勢監(jiān)測等提供有效途徑，為衛(wèi)星遙感大面積營養(yǎng)診斷提供技術支撐。

1 材料與方法

1.1 材料

新疆阿克蘇地區(qū)因其獨特的氣候和光熱條件，為棗的生長提供了適宜的環(huán)境。本研究于2016年6月份，在新疆阿克蘇地區(qū)紅旗坡農場隨機選取8個棗生產園，每個生產園隨機選取生長旺盛，樹齡為7 a的8棵樣株。為了兼顧不同光照分布下葉片N素質量分數情況，在水平方向上每棵樣株分別從陰面、中面和陽面三個方向確定采樣區(qū)域，在垂直方向上以葉片生長較穩(wěn)定、受到外界干擾較少的樹冠中部由上至下采集3片葉片。葉片采集后，放置密封袋中暫存，并迅速帶回實驗室進行葉片光譜和N素質量分數測定，共采集192個葉樣(576個葉片)。

1.2 光譜反射率數據測定

高光譜反射率測定采用美國公司生產的(FieldSpec4-Hi-Res)高光譜ASD測定儀，波段范圍為350～2 500 nm，其中350～1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～2 500 nm光譜采樣間隔為2 nm，光譜辨率為10 nm，輸出波段數為2 151(光譜采樣間隔為1 nm)。測定葉片是在可控制光照條件的室內進行。將葉樣置于黑色橡膠板上，視場角25°，探頭垂直向下，距樣品表面0.01 m；光源為50 W鹵化燈，光源垂直高度0.40 m，入射角度45°。將試驗區(qū)采集的棗葉片迅速帶回實驗室，清潔每個待測葉片表面，在葉片葉脈左右兩側中部各取一個采集位置。為了消除外界干擾以保證精度，每個樣品測定3個葉片光譜，記錄10個采樣光譜，共計30條光譜曲線以其平均值作為該樣本的光譜反射率。測量過程中，每隔30 min進行一次白板校正。

1.3 氮(N)素質量分數測定

對測定光譜的棗葉片，用脫脂棉擦拭干凈，每3個棗葉片混樣作為一個樣本，去除主葉脈，80 ℃下烘干，粉碎，稱取(0.170±0.001)g葉片為樣品。然后對樣品進行H2SO4-H2O2消煮、滴定、過濾，最后采用凱氏定N法[21]分別測定棗葉片N素質量分數。

1.4 數據處理

利用光譜處理軟件View Spec Pro5.對葉片光譜反射率數據進行處理，借助EXCEL和SPSS.19軟件進行統(tǒng)計分析和繪圖。為了減小光照、背景光譜以及儀器噪聲對目標物光譜反射率的影響[22-23]，文中對原始光譜進行一階微分(FD，R)、對數(lgR)、對數一階微分(lgR)′、倒數(1/R)、倒數一階微分(1/R)′和二階微分(SD，R)等6種方式光譜數據變換，進而分析棗葉片光譜與N素質量分數的相關關系。

1.5 模型構建與檢驗

試驗共采集192個光譜樣本，根據統(tǒng)計方法中拉依達準則法，將觀測數據中與平均值的偏差超過兩倍標準差范圍的數據利用SPSS進行剔除，剔除異常值后，保留169個樣本，隨機選取111個樣本建模，剩余58個樣本供檢驗。利用SPSS21.0軟件進行相關性分析，選擇與氮素質量分數相關系數值最大的前兩個波段，對這兩個波段的光譜數據進行算術相加、相減、相乘、相除以及相加相乘后取常用對數(簡稱對數，下同)等數學處理，將所得光譜反射率數據或其衍生光譜變量作為自變量，以棗葉片N素質量分數為因變量，建立線性、二次項、三次項、冪或指數函數預測模型，根據構建模型的決定系數(A2)最大優(yōu)選，確定最佳估測模型。最后，對模型進行檢驗，采用擬合度(r2)、均方根差(RM，S，E)對模型實測值和估測值之間的符合度進行驗證和評價，均方根差公式為：

(1)

對實測值進行模型與構建，由圖1可知，實測值的分布具有上述模型之間的關系。

圖1 葉片N素質量分數實測值與光譜反射率預測模型

2 結果與分析

2.1 棗葉片光譜與N質量分數相關分析

棗葉片原始光譜和不同數據轉換(一階微分、對數、對數一階、倒數、倒數一階、二階微分)后光譜數據與N素質量分數相關關系見圖2。從棗原始光譜反射率和N質量分數相關性分析中可以看出，在可見光和近紅外波段，原始光譜反射率在350～430 nm范圍內呈正相關，433～722 nm范圍內與棗葉片N素質量分數呈明顯的負相關，在722～1 373 nm范圍內由明顯的負相關轉變?yōu)檎嚓P，在短紅外波段1 400～2 438 nm范圍內呈負相關，且相關性系數比較低。原始光譜和對數變換光譜數據與N質量分數的相關關系趨勢圖整體走勢上基本一致，但相關系數值具有一定差異，原始光譜反射率在571 nm處相關系數達到最大值(-0.151)，對數轉變后在波段361 nm處達到最大值(0.409)。經倒數變換后的相關關系趨勢圖與原始光譜趨勢圖呈相反的趨勢，相關系數比原始光譜也有一定程度增加，倒數變換后在波段361 nm處相關系數達到最大值(-0.402)。原始光譜一階微分、對數一階、倒數一階、二階微分變換后的相關關系趨勢圖上下波動比較大，近紅外區(qū)域的相關系數均比原始光譜有很大程度的提高，尤其是一階微分和二階微分變換后提高作用更為顯著。一階微分變換在近紅外波段797～982 nm和1 807～1 811 nm之間相關性較強，相關系數絕對值都在(0.600)以上，且在890、970 nm處相關系數值最大，分別為(-0.697)和(-0.695)；二階微分變換在近紅外波段793～1 098 nm及1 105～1 871 nm波段范圍內其相關系數絕對值均大于(0.615)，且在890、1 811 nm處相關系數值最大，分別為(-0.724)和(-0.719)。由此，棗葉片原始光譜數據通過一階微分和二階微分變換后能夠提高其與N素質量分數的相關性，主要因為這些數據變換可以降低背景土壤和水分吸收的影響，減少數據冗余[23]。由此可見，棗葉片光譜的一階微分和二階微分中波段890、970 nm和890、1 811 nm可以作為N素質量分數模型構建的敏感波段。

圖2 不同數據轉換形式與氮素質量分數相關分析

2.2 棗葉片N素質量分數估測模型構建

2.2.1 基于敏感波段建立回歸模型

利用棗葉片光譜一階微分敏感波段B890、B970nm和二階微分敏感波段B1811、B890nm構建氮素質量分數估測模型(表1)。

表1 基于敏感波段的棗葉片N素質量分數估測模型

注：** 表示極顯著相關(P<0.01)。

由表1可看出，一階微分和二階微分光譜構建的多元模型決定系數(A2)分別為0.571和0.562，兩者差異不大，前者略大于后者，且構建的模型均達到了極顯著的水平(P<0.01)。

2.2.2 基于光譜參量建立估測模型

以棗葉片N素質量分數和構建的光譜參量進行相關分析，分別采用線性、冪函數、二次項、三次項、指數模型的方式建立棗葉片氮素質量分數回歸方程(表2)。從表2擬合模型的相關系數情況可知，一階微分不同組合光譜估測模型普遍優(yōu)于二階微分光譜組合，而且一階微分和二階微分的光譜相加、相乘組合模型擬合度相對較高，相關系數均在0.500左右。尤其是指數模型類型在一階微分和二階微分的光譜相加、相乘組合((B890+B970)nm、(B890×B970)nm和(B890+B1811)nm、(B890×B1811)nm)下表現(xiàn)最佳，所構建的指數模型決定系數(A2)值分別為0.576、0.554、0.559和0.484，明顯大于其他類型模型，且達到了極顯著水平(P<0.01)。其中，一階微分光譜參量(B890+B970)nm構建的指數模型構建效果最佳，決定系數(A2)值為0.576，略高于單一波段構建的模型決定系數(A2)分別為0.571和0.562(表1)，是棗葉片N素質量分數估測的最佳模型。

表2 基于光譜參量建立的棗葉片N素質量分數估測模型

注：** 表示極顯著相關(P<0.01)；*表示顯著相關(P<0.05)。

2.3 精度評價

為了檢驗模型的適用性，對構建的最優(yōu)模型有必要進行精度檢驗，將檢驗樣本帶入估測模型，對估測值與實際值進行比較，進行符合度的檢驗，并繪制實測值與估測值的1∶1散點圖(圖3)。利用光譜參量(B890+B970)nm為自變量，N素質量分數為因變量構建的棗葉片氮素質量分數估測模型，實測值與估測值擬合方程的擬合度(r2)為0.847 4，總均方根差(RM，S，E)和相對誤差(RE)分別為0.272、0.63%，且達到極顯著水平(P<0.01)。

圖3基于構建的光譜參數建模N素質量分數實測值與估測值相關分析

3 結論與討論

不同的光譜數據變換形式在一定程度上能夠提高阿克蘇地區(qū)棗葉片光譜與氮素質量分數的相關性，其中一階微分和二階微分數據變換形式與棗葉片氮素質量分數相關性系數具有顯著性的提高，因為，微分技術可以消除部分線性或近似線性的背景以及噪聲光譜對目標地物的影響[25]。孫雪梅[26]在研究水稻氮素狀況中，分別對原始光譜進行了一階微分和二階微分數據變換，比較得出一階微分、二階微分能顯著提高水稻葉片與氮素質量分數的相關性。劉冰峰[27]在玉米氮素營養(yǎng)監(jiān)測的研究中發(fā)現(xiàn)，玉米原始冠層反射率經微分處理后的相關系數要高于倒數、對數處理的，玉米葉片經一階微分、二階微分轉換相關性達到最大，相關系數分別為-0.859，-0.869。房賢一[28]研究表明，一階微分變換篩選出來的敏感波長位于近紅外區(qū)域(816～1 319 nm)；二階微分變換篩選出來的敏感波長基本一致，均位于可見光的綠光區(qū)和近紅外區(qū)域(508～1 319 nm)。本研究一階微分篩選的敏感波段為890、970 nm，這些波段均處于近紅外波段范圍，與前人的研究結果保持一致。文中通過對原始數據進行不同形式的數據變換，其中一階微分和二階微分變換在提高光譜與N素質量分數的相關性方面作用比較明顯。另外，胡珍珠等[29]對輪臺白杏的氮素估測研究表明，冪指數模型對氮素質量分數反演效果最佳，擬合度(r2)為0.990，對玉米葉片[30]的研究發(fā)現(xiàn)，以光譜指數DS，I(564，681)和DS，I(681，707)為自變量構建的指數模型對氮素質量分數反演的效果最佳，預測精度達93.4%和93.3%，以植被指數的歸一化變量(SD，r-SD，b)/(SD，r+SD，b)[31]和歸一化面積波段指數[32]為自變量構建的指數模型對水稻氮素估測效果較好，其模型決定系數(A2)值分別為0.864和0.673。本研究以構建的光譜參量(B890+B970)nm為自變量，N素質量分數為因變量所構建的指數模型最佳，擬合度r2達到0.847，反演精度也相對較高。

在棗開花期阿克蘇地區(qū)紅旗坡棗葉片的N素質量分數存在光譜敏感波段，可以一階微分光譜構建的光譜參量(B890+B970)nm為自變量，采用指數模型建立棗在N肥敏感期葉片N素質量分數的光譜模型，能夠為衛(wèi)星遙感水平估測棗氮素質量分數提供技術支撐。