王曉珂 劉婷婷 許桂玲 馮躍華,3* 彭金鳳 李杰 羅強鑫 韓志麗 盧葦 PHONENASAY Somsana

（1貴州大學農學院，貴陽550025；2黔西南州農業(yè)農村局，貴州 興義562400；3貴州大學/山地植物資源保護與種質創(chuàng)新教育部重點實驗室，貴陽550025；第一作者：411282a22he.cdb@sina.cn；*通訊作者：fengyuehua2006@126.com）

氮素是作物生長發(fā)育過程中需求量最大的礦質元素之一[1]，與光合作用中光合色素的合成密切相關[2]，能顯著影響作物產量和品質[3]。氮素的豐缺會對環(huán)境和作物本身造成不同程度的影響[4]。因此，快速、準確、實時監(jiān)測作物氮素營養(yǎng)狀況，是氮肥合理使用的前提[5]。

隨著高光譜遙感的發(fā)展，不同學者進行了一些關于作物氮素狀況反演模型的研究，主要集中在作物葉片氮素含量、葉片氮素積累量和地上部氮素積累量方面。RAJEEV等[6]通過高光譜遙感構建小麥孕穗期葉片氮素含量和地上部氮素積累量的估算模型，結果表明，植被指數對葉片氮素含量的預測精度要優(yōu)于地上部氮素積累量；FITZGERALD等[7]利用冠層葉綠素含量指數（CCCI）預測小麥冠層氮素營養(yǎng)狀況時認為，采用高光譜遙感方法估測氮素時，應使用地上部氮素積累量作為度量單位；XUE等[8]研究表明，與水稻葉片氮素含量相比，葉片氮素積累量與冠層反射率在全生育期內相關性一致，葉片氮素積累量估算模型的預測能力較好；ZHAO等[9]研究表明，水稻葉片氮素積累量對冠層光譜參數的響應比葉片氮素含量更敏感。由此可見，關于表征作物氮素營養(yǎng)狀況的最佳指標，不同的學者研究結果不盡相同。為此，本研究設置不同施氮素水平和不同水稻品種的大田試驗，來構建水稻氮素營養(yǎng)診斷模型，通過比較得到最佳的診斷模型以及最適的氮素營養(yǎng)指標。

1 材料與方法

1.1 試驗地概況

試驗于2019年在貴州省黃平縣舊州鎮(zhèn)寨碧村進行。試驗田耕層土壤理化指標：pH 5.02，有機質18.38 g/kg，速效氮209.50 mg/kg，速效鉀65.73 mg/kg，速效磷4.56 mg/kg。

1.2 試驗設計

供試水稻品種為Q優(yōu)6號和宜香優(yōu)2115；供試氮肥為尿素（含N質量分數為46.2%）、磷肥為過磷酸鈣（含P2O5質量分數為16.0%）、鉀肥為氯化鉀（含K2O質量分數為60.0%）。

試驗采用裂區(qū)設計，主區(qū)處理為水稻品種（V），設置2個水平，分別為V1（Q優(yōu)6號）、V2（宜香優(yōu)2115）；副區(qū)處理為施氮素量（N），設置5個水平，分別為N0（0 kg/hm2）、N1（75 kg/hm2）、N2（150 kg/hm2）、N3（225 kg/hm2）、N4（300 kg/hm2），副區(qū)面積25.9 m2；每種施氮量處理采用分次施肥法，基肥、分蘗肥、促花肥、?；ǚ实氖┑糠謩e占總施氮量的35%、20%、30%、15%；磷肥和鉀肥的用量分別為P2O596 kg/hm2、K2O 135 kg/hm2，磷肥作基肥一次施入，鉀肥作基肥、促花肥各施50%。每個處理重復3次。4月18日播種，5月28日移栽，行株距30 cm×20 cm，每叢插1苗。田間管理按照高產栽培管理措施進行。

1.3 測定內容

1.3.1 冠層光譜

水稻冠層光譜測量采用美國Analytical Spectral Device（ASD）公司生產的FieldSpec＠4 Standard-Res型地物光譜儀。波長范圍350～2 500 nm。冠層光譜測定選擇在天氣晴朗風力小于3級時進行，測定時間范圍為北京時間10∶00—15∶00，以保證有較高的太陽高度角。傳感器探頭（視場角為25°）垂直向下，距冠層頂垂直高度約0.75 m，地面視場范圍直徑為0.33 m。分別在水稻的孕穗期（7月23日）、抽穗期（8月4日）和成熟期（9月19日）進行冠層光譜測定，每個小區(qū)記錄4個觀測點，每個觀測點測量5條光譜曲線，以其平均值作為該小區(qū)的光譜數據。測量過程中，每個小區(qū)測量前對儀器進行標準白板校正，以消除環(huán)境變化所帶來的影響。

1.3.2 水稻地上部干物質量

水稻地上部生物量樣品的采集與冠層光譜測定同時進行。采用破壞性取樣的方法，根據各個小區(qū)的平均莖蘗數，每小區(qū)選擇生長一致且具有代表性的水稻植株4株，按葉片、莖鞘、穗等器官進行分類，在105℃下殺青0.5 h后于80℃下烘干至恒質量，分器官稱其干質量，再計算單位面積地上部各器官的干物質量（kg/hm2）。

1.3.3 葉片氮素含量（Leaf N content,LNC）、葉片氮素積累量（Leaf N accumulation,LNA）和地上部氮素積累量（Aerial part N accumulation,APNA）

將各器官的烘干樣品粉碎，采用H2SO4-H2O2消化-凱氏定氮法測定樣品的氮素含量（%），之后計算各器官氮素積累量（kg/hm2），地上部氮素積累量（kg/hm2）為各器官氮素積累量之和。

1.4 數據處理

1.4.1 植被指數的計算

光譜數據用光譜儀自帶的ViewSpec Pro軟件進行處理并導出，剔除不穩(wěn)定的波段，即350～400 nm、1 350～1 480 nm、1 780～1 990 nm和2 400～2 500 nm[10]；選擇4種常用的植被指數進行計算，分別是RVI（比值植被指數）、DVI（差值植被指數）、NDVI（歸一化植被指數）和PVI（垂直植被指數），其計算公式見表1。

表1 植被指數計算公式

1.4.2 氮素營養(yǎng)模型建立及模型評價

構建任意兩波段組合的4個植被指數，通過相關性分析，利用決定系數（r2）確定每個氮素營養(yǎng)模型（LNC反演模型、LNA反演模型和APNA反演模型）的最優(yōu)波段組合。

以最優(yōu)波段組合構建的植被指數為自變量，以氮素營養(yǎng)指標為因變量進行回歸分析構建反演模型，包括線性函數模型、指數函數模型、對數函數模型、冪函數模型、拋物線函數模型。利用含量梯度法[14]將數據集按2∶1的比例分為建模集和測試集，每個氮素營養(yǎng)指標獲得構建模型和測試模型的數據分別為60個和30個。利用相關指數（R2）、均方根誤差（RMSE）和相對誤差（RE）來評價模型的精度。

式中，yi為實測值，為預測值，為實測值的平均值，n為數據集的樣本量。

2 結果與分析

2.1 原始光譜反射率與水稻氮素營養(yǎng)指標的相關性分析

圖1 水稻冠層原始光譜反射率與LNC的相關系數圖（n=90）

水稻冠層原始光譜反射率與LNA的相關性變化趨勢（圖2）和水稻冠層原始光譜反射率與LNC的相關性變化趨勢一致，但在不同波段的相關程度略有差異。在401～1 332 nm、1 481～1 540 nm和1 991～2 400 nm波段范圍內，水稻冠層原始光譜反射率與LNA的相關程度整體上低于水稻冠層原始光譜反射率與LNC的相關程度；在1 333～1 349 nm和1 541～1 779 nm，水稻冠層原始光譜反射率與LNA的相關程度整體上高于水稻冠層原始光譜反射率與LNC的相關程度。水稻冠層原始光譜反射率與LNA呈負相關關系的波段為401～731 nm、1 333～1 349 nm、1 481～1 779 nm和1 991～2 399 nm，負相關性達到極顯著水平的波段為401～726 nm、1 481～1 640 nm、1 712～1 779 nm、1 991～2 399 nm，負相關程度最大的波段為674 nm，相關系數為-0.835。水稻冠層原始光譜反射率與LNA呈正相關關系的波段為732～1 331 nm，正相關性達到極顯著水平的波段為737～1 148 nm，正相關程度最大的波段為780 nm，相關系數為0.772。

圖2 水稻冠層原始光譜反射率與LNA的相關系數圖（n=90）

水稻冠層原始光譜反射率與APNA的相關性（圖3）整體上呈現正相關關系，相關性的變化趨勢與前述變化趨勢有明顯差異。水稻冠層原始光譜反射率與APNA的相關程度均較差，整體上未達到極顯著水平，相關程度最大的波段為401 nm，對應的相關系數為0.310。

圖3 水稻冠層原始光譜反射率與APNA的相關系數圖（n=90）

2.2 植被指數與水稻氮素營養(yǎng)指標的相關性分析

將350～2 500 nm（剔除不穩(wěn)定的波段）高光譜波段兩兩組合構成的4個高光譜植被指數RVI、PVI、DVI和NDVI與水稻氮素營養(yǎng)指標進行皮爾遜相關性分析，得到決定系數矩陣圖（圖4～圖6），根據植被指數的計算公式和決定系數矩陣圖的對稱性，其中子圖（a）RVI和（b）PVI為全矩陣圖，而子圖（c）DVI和（d）NDVI為三角矩陣圖。圖中顏色越深的區(qū)域表示植被指數與水稻氮素營養(yǎng)指標的相關性越高。

圖4 4個植被指數和水稻葉片氮素含量的決定系數矩陣圖（n=90）

圖5 4個植被指數和水稻葉片氮素積累量的決定系數矩陣圖（n=90）

圖6 4個植被指數和水稻地上部氮素積累量的決定系數矩陣圖（n=90）

圖4為4個植被指數和水稻葉片氮素含量（LNC）的決定系數矩陣圖。由圖4可知，4個植被指數和水稻葉片氮素含量相關性較高（r2＞0.7）的波段組合分布區(qū)域不同。對于RVI，相關性較高的波段組合集中分布在400～770 nm和750～1 350 nm范圍內，RVI和LNC決定系數最大值為0.886，其對應的波段組合為694 nm和763 nm；對于PVI，相關性較高的波段組合集中分布在700～1 350 nm和400～700 nm范圍內，PVI和LNC決定系數最大值為0.869，其對應的波段組合為864 nm和483 nm；對于DVI，相關性較高的波段組合較為分散，主要是可見光和近紅外波段的部分波段組合，DVI和LNC決定系數最大值為0.883，其對應的波段組合1 292 nm和1 258 nm；對于NDVI，相關性較高的波段組合集中分布在750～1 350 nm和400～770 nm范圍內，NDVI和LNC決定系數最大值為0.881，其對應的波段組合為1 296 nm和1 220 nm。

圖5為4個植被指數和水稻葉片氮素積累量（LNA）的決定系數矩陣圖。比較圖4和圖5可知，圖5中4個植被指數和LNA的相關性比圖4有所降低，但是4個植被指數和LNA的決定系數較高的波段組合分布區(qū)域與圖4一致。RVI和LNA決定系數最大值為0.798，其對應的波段組合為692 nm和775 nm；PVI和LNA決定系數最大值為0.794，其對應的波段組合為864 nm和455 nm；DVI和LNA決定系數 最大值為0.819，其對應的波段組合為1 294 nm和1 258 nm；NDVI和LNA決定系數最大值為0.791，其對應的波段組合為780 nm和660 nm。

圖6為4個植被指數和水稻地上部氮素積累量（APNA）的決定系數矩陣圖。由圖6可知，4個植被指數和水稻地上部氮素積累量的相關性均較差。RVI和APNA決定系數最大值為0.201，其對應的波段組合為1 196 nm和1 193 nm；PVI和APNA決定系數最大值為0.211，其對應的波段組合為700 nm和401 nm；DVI和APNA決定系數最大值為0.234，其對應的波段組合為1 261 nm和1 172 nm；NDVI和APNA決定系數最大值為0.200，其對應的波段組合為1 196 nm和1 193 nm。雖然4個植被指數與APNA的決定系數最大值均達到極顯著水平（r2＝0.073，n＝90，p＜0.01），但是對APNA的解釋程度均較低，解釋能力僅僅在20%左右。

2.3 水稻氮素營養(yǎng)診斷模型的構建與評價

以上述決定系數最大值對應的波段組合構建的植被指數為自變量，以氮素營養(yǎng)指標為因變量進行回歸分析構建反演模型，其結果如表2～表4所示。

表2 葉片氮素含量的估算模型

2.3.1 水稻葉片氮素含量診斷模型

我們沒有見過面，但彼此都有耳聞。高文鵬過來時，主動和我打招呼。他說看到我身上的工衣，就像見到了故人。我們就像故人一樣坐下來，要了兩個菜，喝啤酒。初次見面，好像也沒什么不自在的。高文鵬給我的印象就是高。他說，一米八二。我開個玩笑，太高了，景花廠那座小廟，哪能容得下你？高文鵬笑笑，個子高頂什么用，我的水平也不高，不如你呀，話又說回來，我對阿花可是忠心耿耿啊，像我這樣的人也很難找啊?？砂⒒ň尤徽业搅耍@不，你來幫她了，我就放心了。我說，你說你忠心耿耿，為何又離她而去呢？高文鵬一聲喟嘆，說我離開也是情非得已啊。

由表2可知，4個植被指數的線性和非線性模型均可以很好地估算水稻葉片氮素含量，建模集R2在0.458～0.904之間，測試集R2在0.521～0.895之間，模型預測值和實測值之間的R2均達到極顯著水平。根據測試集R2值最大、RMSE和RE值最小的原則確定最優(yōu)的估算模型。對于RVI和PVI，最優(yōu)的反演模型均為拋物線函數，模型表達式分別為y＝－1.67x2－4.14x+3.26和y＝－87.71x2－64.78x－4.46；對于DVI和NDVI，最優(yōu)的反演模型均為線性函數，模型表達式分別為y＝－193.88x+1.33和y＝－89.35x+3.48。估算水稻葉片氮素含量最優(yōu)的模型為NDVI的線性模型，其建模集R2、RMSE和RE分別為0.873、0.366%和16.664%，其測試集R2、RMSE和RE分別為0.895、0.331%和15.110%。

2.3.2 水稻葉片氮素積累量診斷模型

表3為葉片氮素積累量的估算模型，與葉片氮素含量的估算模型結果一致，模型預測值和實測值之間的R2均達到極顯著水平，除RVI的冪函數模型外，4個植被指數的線性和非線性模型均可以很好估算水稻葉片氮素積累量，建模集R2在0.656～0.798之間，測試集R2在0.361～0.880之間。最優(yōu)估算模型的確定方法同上，對于RVI、DVI和NDVI，最優(yōu)的估算模型為拋物線函數，模型表達式分別為y＝-146.59x2-105.61x+92.93、y＝3E+04x2-6E+03x+24.39和y＝-233.53x2+474.56x-153.01；對于PVI，最優(yōu)的估算模型為線性函數，模型表達式為y＝2E+03x+1E+03。估算水稻葉片氮素積累量最優(yōu)的模型為DVI的拋物線函數，其建模集R2、RMSE和RE分 別 為0.790、16.887 kg/hm2和27.736%，其測試集R2、RMSE和RE分別為0.880、12.810 kg/hm2和21.002%。

表3 葉片氮素積累量的估算模型

2.3.3 地上部氮素積累量診斷模型

從表4可見，地上部氮素積累量診斷模型的建模集和測試集R2整體上均達到顯著水平，說明所選植被指數對地上部氮素積累量的估測有一定的效果，但是R2的值均較低，建模集R2均在0.3以下，測試集R2的最大值在0.5左右。

表4 地上部氮素積累量的估算模型

2.3.4 幾種診斷模型的比較

為進一步比較上述氮素診斷模型的預測能力，對用于評價模型精度的指標（R2、RMSE和RE）進行單因素完全隨機設計試驗資料的方差分析。使用SSR法進行多重比較。

首先對氮素營養(yǎng)指標進行單因素完全隨機設計試驗資料的方差分析，因3種氮素營養(yǎng)指標對應的RMSE單位不同，所以選擇R2和RE進行比較，結果如表5所示。由表5可知，3種氮素營養(yǎng)指標建模集和測試集R2整體上表現為LNC＞LNA＞APNA，且建模集R2兩兩之間均達到顯著差異，測試集R2在LNC和LNA之間未達到顯著差異，但LNC和LNA極顯著高于APNA。建模集RE整體上表現為LNC＜APNA＜LNA，LNC和APNA之間差異不顯著，但兩者均極顯著低于LNA；測試集RE整體上表現為LNC和APNA極顯著低于LNA，其中LNC和APNA差異不顯著。綜合比較，3種氮素營養(yǎng)指標診斷模型的預測能力LNC＞LNA＞APNA，選用LNC診斷模型有較好的預測效果。

表5 氮素營養(yǎng)指標對氮素營養(yǎng)診斷模型的影響

其次對LNC的4個植被指數進行單因素完全隨機設計試驗資料的方差分析。結果（表6）表明，建模集和測試集的R2、RMSE和RE在4個植被指數之間差異不顯著。建模集R2整體上表現為DVI＞PVI＞NDVI＞RVI，而建模集RMSE和RE趨勢正相反，表現為DVI＜PVI＜NDVI＜RVI；測試集R2整體上表現為DVI＞NDVI＞PVI＞RVI，而測試集RMSE和RE趨勢正相反，表現為DVI＜NDVI＜PVI＜RVI。整體上DVI表現較好，但由于DVI無法擬合對數函數和冪函數，模型不健全，所以綜合分析預測能力最好的植被指數為NDVI。

表6 植被指數對氮素營養(yǎng)診斷模型的影響

最后，將NDVI 5種回歸方程的建模集和測試集評價指標整體進行單因素完全隨機設計試驗資料的方差分析。如表7所示，建模集和測試集R2整體上表現為拋物線＞線性＞指數＞對數＞冪，而RMSE和RE表現為拋物線＜線性＜指數＜對數＜冪。綜合比較，預測能力最好的回歸模型為拋物線函數。

表7 回歸方程對氮素營養(yǎng)診斷模型的影響

3 討論與結論

氮素是水稻植株內多種有機物質的組成成分，氮素的豐缺直接影響與光合作用有關色素的生物合成，從而影響水稻的生長發(fā)育和產量的形成[15]，所以，利用遙感技術實時監(jiān)測水稻氮素狀況具有重要意義[16]。

前人研究指出，水稻冠層氮素敏感波段為520～550 nm、580～690 nm和740～1 070 nm[17]。本研究結果表明，與LNC和LNA負相關性最大的波段為674 nm，與LNC和LNA正相關性最大的波段分別為779 nm和780 nm，與前人的研究結果相似。

前人研究表明，藍紫光波段和紅光波段是葉綠素主要的吸收波段[18]，葉綠素含量隨著氮素含量增加而增加[19]，說明藍紫光和紅光波段反射率的變化主要是通過氮素影響葉綠素含量表現出來的；近紅外波段的光譜特征主要受葉片內部構造控制[20]，氮素能夠改變葉片結構[21]，從而造成近紅外波段光譜反射率的差異。短波紅外波段在大氣窗口中透過率較高（超過90%），植被的反射信號較強，一定程度上包含了氮素的光譜反射特征[22]。本研究發(fā)現，在所選擇的4個植被指數中，最佳波段組合包含藍紫光波段、紅光波段、近紅外波段以及短波紅外波段，與綠色植物的生理結構及光譜波段的特性相吻合。

關于利用植被指數反演氮素營養(yǎng)狀況的最佳波段組合，TIAN等[23]研究表明，綠光波段的553 nm和537 nm波段組合構建的比值植被指數能夠很好地反演不同栽培條件下水稻冠層葉片氮素含量，而本研究結果表明，比值植被指數最優(yōu)的波段組合為紅光波段（694 nm）和近紅外波段（763 nm）的波段組合，與TIAN等[23]的研究結果不同，這可能是不同水稻品種的光譜特征不同以及氮素敏感波段存在差異導致的[24]。CHU等[25]研究表明，770 nm和752 nm波段組合構建的比值植被指數能夠很好地反演水稻冠層葉片氮素積累量，與本研究篩選的比值植被指數最優(yōu)波段組合692 nm和775 nm較為一致，波段均分布在紅光和近紅外波段范圍內。

從整體上看，水稻冠層氮素營養(yǎng)狀況估算模型效果以葉片氮素含量估算模型最好，葉片氮素積累量模型次之，地上部氮素積累量模型最差，這與RANJIAN等[6]的研究結果相似。究其原因，可能是由于水稻地上部器官與空氣的接觸面積大小導致的，與冠層頂端空氣接觸面積最大的器官是葉片，所以光譜儀傳感器所接收的反射光主要是由葉片產生，從而通過高光譜估測葉片氮素營養(yǎng)狀況要比估測植株的氮素營養(yǎng)狀況好；葉片氮素積累量綜合了葉片氮素含量、比葉重和葉面積指數等因素，受品種、冠層結構等多重因素的影響，相對于葉片氮素含量其估測難度較大[26]，因而葉片氮素含量估算模型要優(yōu)于葉片氮素積累量估算模型。

本研究得出最優(yōu)的氮素診斷模型為葉片氮素含量診斷模型，其模型表達式為LNC=1E+03NDVI2-132.55NDVI+3.72，建 模 集R2、RMSE和RE分 別 為0.879、0.357%和16.267%，測試集R2、RMSE和RE分別為0.895、0.331%和15.136%。