王甲辰 梁麗娜 王學霞 陳延華 曹兵 倪小會

摘要：為了探討高光譜參量與夏玉米（Zea mays L.）施氮量、植株氮含量以及產(chǎn)量估測模型，在華北平原以夏玉米為供試作物，研究高光譜在田間不同施氮水平和不同生育期的光譜特征，建立高光譜參量與不同時期夏玉米施氮量、植株氮含量和產(chǎn)量的估測模型。結(jié)果表明：在小喇叭口期，施氮量和葉片硝態(tài)氮含量與比值植被指數(shù)（RVI）的二次項式為y=5.618 6x2-155.97x+1 053.3，線性模型為y=-179.4x+3 760.5;在大喇叭口期的二次項為y=-18.492x2+682.51x-6 034.7和y=-26.436x2+978.47x-6 556.4。在小喇叭口期，植株全氮含量與NDVI同樣呈現(xiàn)極顯著回歸模型y=-77.67x2+117.3x-40.58。結(jié)果還表明，在小喇叭口期可以通過RVI預測玉米產(chǎn)量，模型為y=-51.254x2+627.67x+10 001，P<0.01，達極顯著水平。此外，施氮量與產(chǎn)量也存在極顯著回歸模型y=-0.023 9x2+12.501x+10 455。這些模型為無損監(jiān)測植株氮素含量以及預測玉米產(chǎn)量奠定了基礎(chǔ)，為氮素調(diào)控、科學施肥提供了決策依據(jù)。

關(guān)鍵詞：夏玉米;高光譜參量;氮素;產(chǎn)量估測模型

中圖分類號：S513.06;TP79 ??文獻標志碼： A ?文章編號：1002-1302（2020）23-0227-06

氮（N）是提高作物生產(chǎn)力和光合能力的重要參數(shù)，在生長過程中合理施肥是保障作物健康生長的關(guān)鍵[1-4]。大多數(shù)栽培作物因缺氮導致葉片衰老加速、葉綠素含量下降和作物產(chǎn)量下降[5-6]。而利用傳統(tǒng)的化學分析診斷方法，具有耗時耗力、損傷植物及診斷慢等缺點，難以快捷、高效地開展施肥指導。同時，外觀診斷方法存在著一定的主觀性和滯后性，達不到精準施肥的目標。

近年來，隨著信息技術(shù)的飛速發(fā)展，探討應用新技術(shù)、新方法進行作物的營養(yǎng)診斷已逐漸成為研究的焦點[7-8]。由于氮肥施用量的變化能引起作物葉片生理及形態(tài)結(jié)構(gòu)發(fā)生變化，進而引起作物光譜反射特性變化[9]。國內(nèi)外關(guān)于光譜變化特征與氮素含量的研究已取得許多進展，主要成果包括研究植株氮素含量的敏感波段主要集中在近紅外波段[10-11]、紅光波段、綠光波段[12]、可見光波段[13]。部分學者利用歸一化差值植被指數(shù)[14]、紅邊振幅[15]、比值光譜指數(shù)[16]等多種高光譜參數(shù)建立了氮含量預測模型。對于有關(guān)作物產(chǎn)量的遙感預測模型中，常用的植被指數(shù)有歸一化植被指數(shù)（NDVI）、差值植被指數(shù)（DVI）、比值植被指數(shù)（RVI）[17]。Ferrio等研究表明，運用小麥可見光和近紅外二者的光譜反射率的比值，能夠較高地預測小麥的產(chǎn)量[18]。白麗等研究指出，結(jié)合DVI和棉花產(chǎn)量進行相關(guān)分析，各生育期均能與棉花產(chǎn)量建立相關(guān)的預測模型，灌漿期的模型精度最高[19]。Idso等利用500～600、600～700 nm 2個光譜波段的平均植被指數(shù)的NDVI與小麥和大麥的產(chǎn)量建立模型，相關(guān)系數(shù)達到 0.8 以上[20]。劉良云等研究指出，在小麥的整個生育期分別運用高光譜數(shù)據(jù)與小麥產(chǎn)量進行分析，發(fā)現(xiàn)在起身后期，可見光波段的反射率與產(chǎn)量呈負相關(guān)的顯著關(guān)系，而近紅外波段的光譜反射率在整個生育期中都表現(xiàn)出顯著的正相關(guān)。最終確定建立以890～1 200 nm處的植被指數(shù)NDVI和小麥的產(chǎn)量預測模型，為小麥的生長發(fā)育發(fā)揮了一定的指導作用[21-23]。在夏玉米方面，主要研究對象聚焦在玉米葉片上[24-26]。綜上所述，雖然前人關(guān)于光譜與作物需氮模型開展了許多研究，但關(guān)于不同生育期夏玉米光譜參量與施氮量、葉片硝態(tài)氮含量、植株全氮含量以及產(chǎn)量綜合關(guān)聯(lián)模型研究較少，尤其是針對華北地區(qū)玉米主產(chǎn)區(qū)的研究更少。

華北地區(qū)包括北京市、天津市、河北省、山西省和內(nèi)蒙古自治區(qū)中部即錫林郭勒盟、烏蘭察布市和呼和浩特市等三盟（市）。年降水量平均在540 mm左右，年平均氣溫約11.5 ℃，日照長度達2 700 h以上。以玉米、小麥為當?shù)刂饕闹脖蛔魑?。為了更科學有效的施用氮肥，在國家重大項目資助下研究夏玉米主產(chǎn)區(qū)變量施肥條件下不同生育時期高光譜參量與氮素之間的關(guān)系模型，為高光譜的精準施肥模型建立奠定基礎(chǔ)，以此指導該區(qū)夏玉米精準施肥。

1 材料與方法

1.1 研究地點及區(qū)域概況

本研究于2018年6—10月在河北永清縣劉街鄉(xiāng)朱家營農(nóng)場開展，2019年進行驗證。土壤類型為潮土，有機質(zhì)含量為18.2 g/kg、全氮含量為 1.1 g/kg，有效磷含量為43 mg/kg、速效鉀含量為187 mg/kg，pH值為8.14。

1.2 試驗設(shè)計

小麥收獲后種植夏玉米，密度為6.9×103 株/hm2。試驗設(shè)6個施氮水平，分別為0（N0）、75 kg/hm2（N1）、150 kg/hm2（N2）、225 kg/hm2（N3）、300 kg/hm2（N4）、375 kg/hm2（N5），每個處理重復3次，共18個小區(qū)，小區(qū)面積為2.4 m×10 m=24 m2，采用隨機區(qū)組排列。玉米品種為蠡玉18?？偟康?/3與磷肥、鉀肥作為基肥一同施入，在小喇叭口期、大喇叭口期各均施剩余的2/3。光譜采樣日期分別為小喇叭口期（7月16日）、大喇叭口期（8月4日）、灌漿期（8月25日），各農(nóng)學參數(shù)同光譜采集一同進行。

1.3 測量指標與方法

1.3.1 光譜數(shù)據(jù)的測定 光譜數(shù)據(jù)的測量采用美國公司生產(chǎn)的便攜式地物光譜儀ASD（Analytical Spectral Device）-2500進行測量。該儀器波長范圍為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，光譜分辨率為 10 nm。光譜反射率的測量在天氣晴朗、無風無云的條件下進行，分別在玉米的3個生育期于北京時間10：00—14：00（太陽高度角大于 45°）間，每個小區(qū)為1個樣本點進行光譜的測定。每個樣點采集 10 條光譜，每次測量時將傳感器探頭垂直向下，距玉米植株作物冠層頂端約20 cm。光譜采集前后都必須立即用白板進行校正，取10條光譜的平均值作為該樣點的最終光譜反射率。

1.3.2 植株產(chǎn)量測定 在夏玉米的收獲期，每個小區(qū)中央按行連續(xù)收取20株玉米。在每個小區(qū)中數(shù)缺苗數(shù)，再與整個小區(qū)株數(shù)換算成缺苗率，最終20株玉米籽粒換算成小區(qū)產(chǎn)量，再減去因缺苗造成每小區(qū)的減產(chǎn)，估算實際產(chǎn)量。

1.3.3 光譜參數(shù)與模型的選擇 1970年左右有學者證實，綠色植被作物的冠層葉片在可見光范圍內(nèi)有較高的吸收率和較低的反射率，主要是因為綠色植株體內(nèi)存在葉綠素，其具體表現(xiàn)為在近紅外范圍內(nèi)有較高的反射率，在紅外區(qū)域（1 300 nm以后）有較低的光譜吸收率。因此，本研究把可見光波段350～760 nm的葉片光譜反射率提取出來，以探明不同氮素營養(yǎng)水平下夏玉米在不同的生育時期內(nèi)光譜反射率的變化差異，選取可見光和近紅外區(qū)域進行分析，并采用多光譜波段，計算由敏感光譜波段組成的植被指數(shù)和光譜位置，并通過比較各光譜參數(shù)與農(nóng)學參數(shù)的相關(guān)性，找出對農(nóng)學參數(shù)最佳的敏感波段，然后建立相應的回歸模擬模型。具體參數(shù)和模型選擇如表1、表2所示。

2 結(jié)果與分析

2.1 在不同時期不同施氮量夏玉米葉片的光譜響應

由圖1可知，葉片光譜整體反射率范圍一般為0～0.58，小喇叭口期的最高。整個波段具有明顯的波峰和波谷。不同的施氮水平下，玉米植株葉片小喇叭口期的光譜反射率在可見光區(qū)域表現(xiàn)不明顯。這是由于玉米前期生長速度緩慢，對葉片的功能影響尚不完善，從而造成葉片光譜反射率之間差別較小。而在760～1 000 nm之間，隨著施氮量的增大，反射率呈逐漸減小的趨勢。此波段主要與多種色素共同作用有關(guān)。N0處理下葉片光譜反射率最高，這是由于低氮水平下植株對可見光光源吸收量少，葉片的反射率自然比其他處理都高。在大喇叭口期，不同施氮水平葉片光譜反射率在整個波段差別較小，但N2、N3處理的葉片光譜反射率僅在760～1 000 nm 近紅外波段稍有差別，反射率較小。說明該處理水平下，植株吸收養(yǎng)分較少。綜合分析在不同的施氮水平，植被光譜反射率的敏感波段大部分都集中在可見光350～760 nm區(qū)域內(nèi)，且在綠峰550 nm和紅谷680 nm附近范圍內(nèi)表現(xiàn)出相同的規(guī)律。因此，將綠峰和紅谷作為光譜反射率的敏感波段。由于處于營養(yǎng)生長階段，反射率差異不明顯，具體須建立與植株的農(nóng)學參數(shù)含量相關(guān)聯(lián)的回歸模擬模型。到灌漿期，葉片光譜反射率在0～0.40之間。在不同的施肥情況下，350～760 nm波段的反射率和以上2個時期相比差異較明顯，其中N3處的反射率最高。760～1 000 nm波段表現(xiàn)出在低氮處理下整體反射率較高，在高氮處理下整體反射率趨勢較低。這是因為這個時期的玉米正處于籽粒產(chǎn)生生長期，葉片氮素養(yǎng)分有逐漸向籽粒轉(zhuǎn)移的趨勢。很多物質(zhì)及能量主要用于種子生長，從而減少了葉綠素的合成，故光譜反射率下降。

2.2 不同施氮量在不同時期與光譜參數(shù)關(guān)聯(lián)模型

由表3可知，高光譜參數(shù)Rr、Rg、NDVI和RVI與施肥量小喇叭口期、大喇叭口期及灌漿期相關(guān)分析表明，比值植被指數(shù)（RVI）與施肥量在小喇叭口期達極顯著水平，而在大喇叭口期雖呈現(xiàn)極顯著的相關(guān)關(guān)系，但相關(guān)指數(shù)降低。在灌漿期相關(guān)性不顯著。進一步把施氮量與RVI在小喇叭口期和大喇叭口期做線性、二次項式、指數(shù)和冪回歸分析（圖2），分別得到2個時期相關(guān)性最顯著的回歸方程均為二次項式：y=5.618 6x2-155.97x+1 053.3，r2=0.737 2* *、y=-18.492x2+682.51x-6 034.7，r2=0.523*。結(jié)果表明，在小喇叭口期RVI與施肥量存在極顯著的相關(guān)關(guān)系;到大喇叭口期這種關(guān)聯(lián)在減弱，達顯著水平;到灌漿期相關(guān)關(guān)系消失。進一步分析表明，施氮效果可通過RVI參數(shù)來監(jiān)控。在夏玉米追肥窗口期即小喇叭口期可以作為調(diào)整追肥指導性重要指標。而到了大喇叭口期這種指導性作用變?nèi)?，這個時期機械作業(yè)損傷植株較多，不易實施。再到了灌漿期就失去了顯著相關(guān)性，即失去了施肥指導意義。

2.3 不同施氮量在不同時期光譜參數(shù)與葉片硝態(tài)氮含量的關(guān)聯(lián)模型

Rr、Rg、NDVI和RVI分別與小喇叭口期、大喇叭口期及灌漿期葉片硝態(tài)氮含量分別做相關(guān)分析表明，RVI與前2個時期的葉片硝態(tài)氮含量相關(guān)性均達極顯著水平，在大喇叭口期呈現(xiàn)極顯著的相關(guān)關(guān)系變?nèi)?。到灌漿期，相關(guān)關(guān)系不顯著（表4）。進一步把RVI與小喇叭口期和大喇叭口期葉片硝態(tài)氮含量做線性、二次項式、指數(shù)和冪回歸分析，得到2個時期相關(guān)性最顯著的回歸方程分別為線性回歸和二次項式（圖3）：y=-179.4x+3 760.5，r2=0.874 4* *、y=-26.436x2+978.47x-6 556.4，r2=0.599 8* *。表明在小喇叭口期和大喇叭口期 RVI與葉片硝態(tài)氮含量均存在極顯著的相關(guān)關(guān)系;到灌漿期相關(guān)關(guān)系消失。說明在小喇叭口期和大喇叭口期利用RVI無損監(jiān)測葉片硝態(tài)氮含量，而到了灌漿期就失去監(jiān)測能力。

2.4 不同施氮量在不同生育期植株全氮含量與光譜關(guān)系模型

同樣把Rr、Rg、NDVI和RVI分別與小喇叭口期、大喇叭口期及灌漿期植株全氮含量做相關(guān)分析，結(jié)果（表5）表明，4個光譜參量分別在小喇叭口期與植株全氮含量存在顯著或極顯著相關(guān)關(guān)系。主要表現(xiàn)為Rr和RVI分別在小喇叭口期、Rg在灌漿期與植株全氮含量存在顯著的相關(guān)關(guān)系，而NDVI分別在小喇叭口期和大喇叭口期與植株全氮含量存在極顯著或顯著的相關(guān)關(guān)系。眾所周知，小喇叭口期是調(diào)節(jié)施氮量達到最佳產(chǎn)量的生長時期，選擇小喇叭口期與植株全氮含量達極顯著的NDVI作為備選參數(shù)與植株全氮含量做回歸方程。小喇叭口期NDVI與植株全氮含量做線性、二次項式、冪和指數(shù)回歸方程，并進行顯著性檢驗，結(jié)果（圖4）發(fā)現(xiàn)小喇叭口期NDVI與植株全氮含量的二次項式方程y=-77.67x2+117.3x-40.58（r2=0.733* *），P<0.01，故在夏玉米小喇叭口期選擇NDVI處的二次項方程可有效預測植株的全氮含量，進一步預測植株的產(chǎn)量。

2.5 不同時期光譜特征參數(shù)與產(chǎn)量關(guān)系模型

由圖5可知，小喇叭口期 RVI與產(chǎn)量的關(guān)系最密切，回歸程度最高，所得函數(shù)模型為y=-51.254x2+627.67x+10 001，r2=0.7356* *。當RVI=6.12時，達到最高產(chǎn)量11 922.65 kg/hm2。最終與不同施氮量和產(chǎn)量所得的二次函數(shù)為y=-0.023 9x2+12.501x+10 455相結(jié)合，可建立不同施氮量與光譜數(shù)據(jù)及產(chǎn)量的關(guān)系模型，對于預測玉米產(chǎn)量和指導華北區(qū)實際應用能夠發(fā)揮一定的作用。

3 討論

施氮量既是作物供給的氮素養(yǎng)分基礎(chǔ)?又是供應強度概念。若通過光譜參數(shù)與施氮量之間直接建立相關(guān)模型，則在不同生長期通過光譜采集及建立相關(guān)模型則能及時反映出土壤原始氮素供應水平。再通過此階段監(jiān)測的玉米體內(nèi)氮水平對追施氮量做科學決策，尤其是在小喇叭口期追肥最為關(guān)鍵，對玉米穩(wěn)產(chǎn)高產(chǎn)具有十分重要的決定意義。前人研究了較多光譜參數(shù)與葉片氮含量[25-27]、莖稈、植株全氮含量[28]的關(guān)聯(lián)模型，而沒有系統(tǒng)關(guān)注建立這種相關(guān)模型，對玉米生產(chǎn)指導意義較弱。

眾所周知，由于尿素在土壤中很快就轉(zhuǎn)化成硝態(tài)氮，所以玉米植株吸收的氮素形態(tài)主要以硝態(tài)氮為主，這些氮素形態(tài)主要體現(xiàn)在葉片中。因為葉片細胞的液泡中能累積大量的硝酸鹽[29]。不需要時儲存在液泡中，必要時運輸?shù)礁窟€原成銨離子再合成蛋白質(zhì)，所以，建立葉片硝態(tài)氮與光譜指數(shù)的關(guān)聯(lián)模型也十分必要，主要優(yōu)勢在于無損玉米采樣。硝態(tài)氮在葉片中的儲備對后期根系吸收能力下降后的氮素轉(zhuǎn)化供應十分必要，所以與前人研究的不同層次葉片全氮含量有所差異[30]，本研究進行葉片硝態(tài)氮含量與光譜關(guān)聯(lián)模型探討。

本研究對玉米植株全氮含量與光譜開展關(guān)聯(lián)模型分析，主要考慮葉片全氮含量不能反映整個植株氮含量，存在局限性。雖然同行存在類似的研究，但也存在取樣差異，其表現(xiàn)在使用模型方面。賀婷等用RDVI（重歸一化差值植被指數(shù)）、DVI和MSAVI（修改型土壤調(diào)整植被指數(shù)）與葉片全氮含量相關(guān)性最佳[28]。玉米葉鞘、莖稈全氮含量分別與RDVI和RVI相關(guān)性較高。NDVI和RVI與整個植株的全氮含量相關(guān)性最好。而本研究，NDVI與整個植株的全氮含量建立回歸模型，相關(guān)系數(shù)最佳，有一個最佳的模型足以支撐這種關(guān)聯(lián)。另外采樣方法也存在差異[28]，本研究采用整體采樣、粉碎和測試，最終測試全氮含量與先采后混方法不存在差異，但具有是省時省工等優(yōu)點。

雖然RVI在小喇叭口期與玉米產(chǎn)量存在關(guān)聯(lián)模型，但該模型離精準科學施肥距離很遠。在整個研究過程中包括作物生長的土壤性狀、目標產(chǎn)量、各種移動智能終端廣泛應用、分析作物對氮、磷、鉀的需求規(guī)律，開展按需定量施肥機械、光譜采集及與農(nóng)業(yè)信息管理系統(tǒng)相結(jié)合施肥系統(tǒng)等[30-31]。本研究主要為精準施肥儲備基礎(chǔ)數(shù)據(jù)，從最佳關(guān)聯(lián)模型可知，RVI為最佳回歸模型，所以在機載施肥信息采集、決策、控制一體化技術(shù)應運而生后，數(shù)據(jù)模型光譜指數(shù)為RVI。施氮量與產(chǎn)量模型可以直接指導生產(chǎn)科學施肥，此模型在不同地點進行驗證后調(diào)整參數(shù)可以大面積指導農(nóng)業(yè)生產(chǎn)實踐。

4 結(jié)論

夏玉米施肥量和葉片硝態(tài)氮含量與RVI在小喇叭口期分別存在最顯著的二次項式y(tǒng)=0.000 04x2-0.027 9x+11.076和線性模型y=-179.4x+3 760.5，在大喇叭口期分別存在二次項y=-0.000 03x2+]0.019 3x+15.091和y=-26.436x2+978.47x-6 556.4 。

在小喇叭口期，植株全氮含量與NDVI存在最佳關(guān)聯(lián)模型y=-77.67x2+117.3x-40.58。在小喇叭口期通過RVI預測玉米的產(chǎn)量，最佳預測模型為y=-51.254x2+627.67x+10 001。

參考文獻：

[1]Guo B B，Qi S L，Heng Y R，et al. Remotely assessing leaf N uptake in winter wheat based on canopy hyperspectral red-edge absorption[J]. European Journal of Agronomy，2017，82：113-124.

[2]Li L T，Lu J W，Wang S Q，et al. Methods for estimating leaf nitrogen concentration of winter oilseed rape （Brassica napus L.） using in situ leaf spectroscopy[J]. Industrial Crops and Products，2016，91：194-204.

[3]Scheromm P，Martin G，Bergoin A，et al. Influence of nitrogen fertilization on the potential bread-baking quality of two wheat cultivars differing in their responses to increasing nitrogen supplies [J]. Cereal Chemistry，1992，69：236-249.

[4]Hartmann T E，Yue S，Schulz R，et al. Nitrogen dynamics，apparent mineralization and balance calculations in a maize-wheat double cropping system of the North China Plain[J]. Field Crops Research，2014，160：22-30.

[5]Wen P F，Wang R，Shi Z J，et al. Effects of N application rate on N remobilization and accumulation in maize （Zea mays L.） and estimating of vegetative N remobilization using hyperspectral measurements[J]. Computers and Electronics in Agriculture，2018，152：166-181.

[6]陳志強. 不同氮素水平下玉米葉片的高光譜響應及其診斷[D]. 北京：中國農(nóng)業(yè)科學院，2013.

[7]Thenkabail P S，Smith R B，de Pauw E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment，2000，71（2）：158-182.

[8]劉 煒，常慶瑞，郭 曼，等. 夏玉米可見/近紅外光小波主成分提取與氮素含量神經(jīng)網(wǎng)絡(luò)檢測[J]. 紅外與毫米波學報，2011（1）：48-54.

[9]吳炳方. 中國農(nóng)情遙感速報系統(tǒng)[J]. 遙感學報，2004，8（6）：481-497.

[10]李向陽，劉國順，楊永鋒，等. 烤煙葉片高光譜參數(shù)與多種生理生化指標關(guān)系研究[J]. 中國農(nóng)業(yè)科學，2007，40（5）：987-994.

[11]王克如，潘文超，李少昆，等. 不同施氨量棉花冠層高光譜特征研究[J]. 光譜學與光譜分析，2011，31（7）：1868-1872.

[12]Ma B L，Morrison M J，Dwyer L M. Canopy light reflectance and field greenness to assess nitrogen fertilization and yield of corn[J]. Agronomy Journal，1996，88（6）：915-920.

[13]田永超，朱 艷，姚 霞，等. 基于光譜信息的作物氮素營養(yǎng)無損監(jiān)測技術(shù)[J]. 生態(tài)學雜志，2007，26（9）：1454-1463.

[14]周麗麗，馮漢宇，閻忠敏，等. 玉米葉片氮含量的高光譜估算及其品種差異[J]. 農(nóng)業(yè)工程學報，2010，26（8）：195-199.

[15]程曉娟，李振海，王延倉，等. 不同氮肥條件下冬小麥冠層高光譜特征及紅邊參數(shù)變化[J]. 湖北農(nóng)業(yè)科學，2014，53（5）：1004-1009.

[16]王來剛. 基于多源遙感信息融合的小麥生長監(jiān)測研究[D]. 南京：南京農(nóng)業(yè)大學，2012.

[17]常瀟月，常慶瑞，王曉凡，等. 基于無人機高光譜影像玉米葉綠素含量估算[J]. 干旱地區(qū)農(nóng)業(yè)研究，2019，37（1）：66-73.

[18]Ferrio J P，Villegas D，Zarco J，et al. Assessment of durum wheat yield using visible and near-infrared reflectance spectra of canopies[J]. Field Crops Research，2005，94（2/3）：126-148.

[19]白 麗，王 進，蔣桂英?等. 干旱區(qū)基于高光譜的棉花遙感估產(chǎn)研究[J]. 中國農(nóng)業(yè)科學，2008（8）：2499-2505.

[20]Idso S B，Pinter P J，Jackson R D，et al. Estimation of grain yields by remote sensing of crop senescence rates[J]. Remote Sensing of Environment，1980，9（1）：87-91.

[21]劉良云，王紀華，黃文江，等. 利用新型光譜指數(shù)改善冬小麥估產(chǎn)精度[J]. 農(nóng)業(yè)工程學報，2004（1）：172-175.

[22]翟清云，張娟娟，熊淑萍，等. 基于不同土壤質(zhì)地的小麥葉片氮含量高光譜差異及監(jiān)測模型構(gòu)建[J]. 中國農(nóng)業(yè)科學，2013，46（13）：2655-2667.

[23]楊 智，李映雪，徐德福，等. 冠層反射光譜與小麥產(chǎn)量及產(chǎn)量構(gòu)成因素的定量關(guān)系[J]. 中國農(nóng)業(yè)氣象，2008（3）：338-343，324.

[24]劉冰峰，李 軍，趙剛峰，等. 夏玉米葉片全氮含量高光譜遙感估算模型研究[J]. 植物營養(yǎng)與肥料學報，2012，18（4）：813-824.

[25]王麗鳳，張長利，趙 越，等. 高光譜成像技術(shù)的玉米葉片氮含量檢測模型[J]. 農(nóng)機化研究，2017，39（11）：140-147.

[26]王孟和，李 寶，汪光勝，等. 基于高光譜的玉米葉片氮含量監(jiān)測模型[J]. 揚州大學學報（農(nóng)業(yè)與生命科學版），2018，39（1）：91-96.

[27]Wen P F，He J，Ning F，et al. Estimating leaf nitrogen concentration considering unsynchronized maize growth stages with canopy hyperspectral technique[J]. Ecological Indicators，2019，107：105590.

[28]賀 婷，李建東，劉桂鵬，等. 基于高光譜遙感的玉米全氮含量估測模型[J]. 沈陽農(nóng)業(yè)大學學報，2016，47（3）：257-265.

[29]Marschner H. 高級植物營養(yǎng)學[M]. 曹一平，陸景陵，譯. 北京：中國農(nóng)業(yè)大學，2001.

[30]Zhang Y J，Wang L，Bai Y I，et al. Nitrogen nutrition diagnostic based on hyperspectral analysis about different layers leaves in maize[J]. Spectroscopy and Spectral Analysis，2019，39（9）：2829-2835.

[31]馬曉蕾，范廣博，李永玉，等. 精準施肥決策模型與數(shù)據(jù)庫系統(tǒng)[J]. 農(nóng)業(yè)機械學報，2011，42（5）：193-197.張可心，張謀草，劉 翔，等. 基于SPI的隴東黃土高原干旱特征及對冬小麥產(chǎn)量的影響分析[J]. 江蘇農(nóng)業(yè)科學，2020，48（23）：233-240.