,, 于静, 石晓华, 崔石新, 樊明寿,*内蒙古农业大学农学院, 内蒙古呼和浩特 010019Inversion of nitrogen accumulation in potato leaf with different spectral indices
HAN Kang,, YU Jing, SHI Xiao-Hua, CUI Shi-Xin, FAN Ming-Shou,*College of Agronomy, Inner Mongolia Agricultural University, Hohhot 010019, Inner Mongolia, China通讯作者:
收稿日期:2020-02-5接受日期:2020-08-19网络出版日期:2020-09-02
| 基金资助: |
Received:2020-02-5Accepted:2020-08-19Online:2020-09-02
| Fund supported: |
摘要
关键词：
Abstract
Keywords：
PDF (1259KB)元数据多维度评价相关文章导出EndNote|Ris|Bibtex收藏本文
本文引用格式
韩康, 于静, 石晓华, 崔石新, 樊明寿. 不同光谱指数反演马铃薯叶片氮累积量的研究[J]. 作物学报, 2020, 46(12): 1979-1990. doi:10.3724/SP.J.1006.2020.04023
HAN Kang, YU Jing, SHI Xiao-Hua, CUI Shi-Xin, FAN Ming-Shou.
内蒙古是中国马铃薯的主产区, 由于片面追求高产以及环境保护意识的缺乏, 马铃薯氮肥的投入量远高于推荐用量[1], 不仅造成氮肥利用率降低[2], 生产成本增加, 还会引起环境风险[3]。因此, 氮肥减施增效是马铃薯产业可持续发展必须解决的关键问题, 而在马铃薯关键生育时期准确判断作物氮素营养状况是氮肥减肥增效技术研发的核心与基础。叶片氮累积量(leaf nitrogen accumulation, LNA)包含了植株个体叶片氮含量与群体盖度特征的信息, 是判断作物氮素营养丰缺的重要指标[4,5], 因此准确、快速分析评价马铃薯LNA就显得尤为必要。
遥感技术因其连续的光谱特征信息、高分辨率等特点, 被尝试用于估算作物LNA [6,7]。光谱指数是遥感技术衍生参数之一, 由不同波段进行组合, 通过一定的计算形成。薛利红等[8,9]研究发现, 近红外与绿光波段的比值光谱指数(ratio vegetation index, RVI)可用于预估水稻LNA。周冬琴等[10]验证了上述结果, 并发现由1100 nm与560 nm构建的RVI估算水稻叶片氮累积量状况的精度更高。表明可以利用光谱指数预估水稻叶片氮累积量状况。冯伟等[11]通过对比不同的光谱参数与小麦地上部氮素累积量的数量关系发现, 基于传统光谱指数Vogelmann红边指数2 (vogelmann red edge index 2, VOG2)、Vogelmann红边指数3 (vogelmann red edge index 2, VOG2)和[(R750 - R800) ? (R695 - R740)] - 1构建的监测模型可以有效地评价小麦地上部氮素积累状况, 模型的相对误差分别为15.5%、15.6%和15.5%; 姚霞等[12]利用减量精细采样法, 系统构建了全波段范围内所有两两波段组成的归一化光谱指数(normalized difference spectral indices, NDSI), 发现基于NDSI构建的小麦叶片氮累积量监测模型与传统光谱指数相比更加简单实用。表明光谱指数进行作物氮累积量状况的无损估算是可行的。但前人提出的敏感光谱指数因作物、环境条件而异。马铃薯的叶片结构、冠层特征和营养特点与其他作物不同, 前人的研究结果难以直接在马铃薯上应用。因此, 光谱指数的可靠性及其在内蒙古地区马铃薯上的适应性还需要深入研究。
不同作物与环境条件会影响敏感光谱指数的选择[8,9,10,11,12], 然而目前尚未见关于筛选内蒙古地区马铃薯LNA敏感光谱指数的研究。所以本文在内蒙古2个不同的生态区域, 于2016年至2018年以马铃薯克新1号与夏波蒂品种为研究对象, 进行田间试验, 参照前人光谱指数的算法, 分析22种光谱指数与马铃薯LNA的相关关系, 目的是筛选出敏感光谱指数, 并基于以上研究结果, 通过线性与非线性回归分析, 建立关键生育时期的氮素营养诊断模型, 为利用光谱遥感技术调控马铃薯施肥奠定基础。
1 材料与方法
1.1 试验地概况
察右中旗地属温带大陆性季风气候, 海拔1780 m, 年平均气温1.3℃, 年平均降雨量270 mm左右, 无霜期100 d左右, 土壤类型为栗钙土, 0~20 cm土层含有机质18.8 g kg-1、全氮1.4 g kg-1、有效磷12.6 mg kg-1、速效钾196 mg kg-1, pH 8.0。杭锦旗地属温带大陆性半干旱气候, 海拔1400 m, 年平均气温6.2℃, 年平均降雨量340 mm左右, 无霜期100 d左右, 土壤类型为风沙土, 0~20 cm土层含有机质7.4 g kg-1、全氮0.4 g kg-1、有效磷9.8 mg kg-1、速效钾76 mg kg-1, pH 8.9。1.2 试验设计
试验于2016—2018年实施, 小区长为20 m, 宽为9 m, 面积为180 m2。设施氮0 (N0)、150 (N1)、300 (N2)、450 (N3)、600 kg hm-2 (N4) 5个氮肥水平, 氮源为尿素, 氮肥施用方案见表1。磷肥(过磷酸钙, 含P2O5 16.5%)和钾肥(硫酸钾, 含K2O 50%)分别按P2O5 180 kg hm-2和K2O 300 kg hm-2作为基肥一次性施入。种植密度为37,500株 hm-2。3次重复, 其他田间管理按常规进行。在出苗后20 d (苗期)、35 d (块茎形成期)、50 d (块茎膨大期)、65 d (淀粉积累期)进行冠层光谱测定和样品采集。不同年份供试品种、播种和收获日期、出苗日期、数据采集日期见表2。Table 1
表1
表1氮肥施用方案
Table 1
| 处理 Treatment | 基肥 Base fertilizer | 追肥Top dressing | |
|---|---|---|---|
| 出苗后10 d 10 days after emergence | 出苗后25 d 25 days after emergence | ||
| N0 | 0 | 0 | 0 |
| N1 | 75 | 15 | 60 |
| N2 | 75 | 45 | 180 |
| N3 | 75 | 118.5 | 256.5 |
| N4 | 75 | 150 | 375 |
新窗口打开|下载CSV
Table 2
表2
表2田间试验概况
Table 2
| 试验 Experiment | 年份 Year | 地点 Location | 品种 Variety | 播种日期 Sowing date (month/day) | 收获日期 Harvest date (month/day) | 出苗日期 Emergence date (month/day) | 数据采集日期 Data collection date (month/day) |
|---|---|---|---|---|---|---|---|
| Exp.1 | 2016 | 察右中旗 Chayouzhongqi | 克新1号 Kexin 1 | 5/27 | 9/24 | 6/18 | 7/8, 7/23, 8/7, 8/22 |
| Exp.2 | 2016 | 察右中旗 Chayouzhongqi | 夏波蒂 Shepody | 5/27 | 9/24 | 6/18 | 7/8, 7/23, 8/7, 8/22 |
| Exp.3 | 2016 | 杭锦旗 Hangjinqi | 克新1号 Kexin 1 | 5/27 | 9/24 | 6/20 | 7/10, 7/25, 8/9, 8/24 |
| Exp.4 | 2017 | 察右中旗 Chayouzhongqi | 克新1号 Kexin 1 | 5/11 | 9/20 | 6/13 | 7/3, 7/18, 8/2, 8/17 |
| Exp.5 | 2018 | 察右中旗 Chayouzhongqi | 克新1号 Kexin 1 | 5/3 | 9/28 | 6/10 | 6/30, 7/15, 7/30, 8/14 |
新窗口打开|下载CSV
1.3 测定指标及方法
1.3.1 冠层光谱反射率的测定 分别在出苗后20、35、50、65 d, 于10:00—14:00 (北京时间), 采用手持式地物波谱仪(SVC HR-1024i, Spectra Vista Corporation, USA), 从马铃薯冠层上方约1 m的高度垂直测量冠层光谱反射率。光谱仪传感器视场角为25o, 波长范围为350~2500 nm, 光谱分辨率与采样间隔见表3。为了获取更有代表性的冠层反射率, 随机选择3个直径约为45 cm的圆形区域为观测点, 每个观测点采集10条光谱, 并将这30条光谱平均作为整个小区的光谱样本。每个处理测量前均用BaSO4制成的20 cm × 20 cm标准白板(标准白板反射率为1, 所得目标物光谱为无量纲的相对反射率)校正。Table 3
表3
表3SVC HR-1024i的光谱分辨率与采样间隔
Table 3
| 波长范围 Wavelength range (nm) | 光谱分辨率 Spectral resolution (nm) | 光谱采样间隔 Spectral sampling interval (nm) |
|---|---|---|
| 350-1000 | ≤3.3 | ≤1.5 |
| 1000-1890 | ≤9.5 | ≤3.8 |
| 1890-2500 | ≤6.5 | ≤2.5 |
新窗口打开|下载CSV
1.3.2 叶片氮累积量的测定 在冠层光谱反射率采样范围内, 随机选取3株马铃薯植株, 将叶片与植株分离, 105℃下杀青30 min, 80℃下烘干至恒重后称重, 进而折算成单位土地面积的叶片干物质量(kg hm-2)。粉碎后采用H2SO4-H2O2法消化, 使用K60全自动凯氏定氮仪测定叶片氮素含量(N %)。叶片干物质量(leaf dry weight, LWD)与叶片氮含量(leaf nitrogen content, LNC)的乘积即为叶片氮累积量(LNA), 计算如下。
LNA (kg hm-2) = LWD (kg hm-2) × LNC (%)
1.4 数据处理与分析
1.4.1 光谱指数计算 根据马铃薯冠层光谱特征, 参照已有光谱指数计算方法, 选出物理意义明确、认可度较高并且与本研究相关的22种光谱指数进行比较分析。各光谱指数计算方法与文献来源见表4。Table 4
表4
表4光谱指数公式
Table 4
| 光谱指数 Spectral index | 计算公式 Calculation formula | 参考文献 References | |
|---|---|---|---|
| 1 | Simple Ratio Index (SRI) | R800 ? R680 | Sim et al. [13] |
| 2 | Normalized Difference Vegetation (NDVI) | (R800 - R680) ? (R800 + R680) | Rouse et al. [14] |
| 3 | Difference Vegetation Index (DVI) | R800 - R680 | Richardson et al. [15] |
| 4 | Structure Insensitive Pigment Index (SIPI) | (R800 - R445) ? (R800 + R680) | Penuelas et al. [16] |
| 5 | Modified Red Edge Normalized Difference Vegetation (mND705) | (R750 - R705) ? (R750 + R705 - 2 × R445) | Sims et al. [13] |
| 6 | Modified Simple Ratio Index (mSR705) | (R750 - R445) ? (R705 - R445) | Sims et al. [13] |
| 7 | Photochemical Reflectance Index (PRI) | (R531 - R570) ? (R570 + R531) | Gamon et al. [17] |
| 8 | Plant Senescence Reflectance Index (PSRI) | (R680 - R500) ? R750 | Merzlyak et al. [18] |
| 9 | The MERIS terrestrial Chlorophyll Index (MTCI) | (R750 - R710) ? (R710 - R680) | Dash et al. [19] |
| 10 | Modified Chlorophyll Absorption in Refectance Index (MCARI) | [(R700 - R670) - 0.2 × (R700 - R550)] × (R700 ? R670) | Dash et al. [19] |
| 11 | Optimized Soil-adjusted Vegetation Index (OSAVI) | (1 + 0.16) × (R800 - R670) ? (R800 + R670 + 0.16) | Rondeaux et al. [20] |
| 12 | Transformed Chlorophyll Absorption In Reflectance Index (TCARI) | 3 × [(R700 - R670) - 0.2 × (R700 - R550)] × (R700 ? R670) | Haboudane et al. [21] |
| 13 | Enhanced Vegetation Index (EVI) | 2.5 × (R800 - R680) ? (R800 + 6 × R680 - 7.5 × R450 + 1) | Huete et al. [22] |
| 14 | Atmospherically Resistant Vegetation Index (ARVI) | (R800 - 2 × R680 + R450) ? (R800 + 2 × R680 - R450) | Kaufman et al. [23] |
| 15 | 705nm Normalized Difference Vegetation (NDVI705) | (R750 - R705) ? (R750 + R705) | Gitelson et al. [24] |
| 16 | Vogelmann Red Edge Index 1 (VOG1) | R740 ? R720 | Zarco-Tejada et al. [25] |
| 17 | Vogelmann Red Edge Index 2 (VOG2) | (R734 - R747) ? (R715 + R726) | Zarco-Tejada et al. [25] |
| 18 | Vogelmann Red Edge Index 3 (VOG3) | (R734 - R747) ? (R715 + R720) | Zarco-Tejada et al. [25] |
| 19 | Carotenoid Reflectance Index 1 (CRI1) | 1 ? R510 - 1 ? R550 | Gitelson et al. [26] |
| 20 | Carotenoid Reflectance Index 2 (CRI2) | 1 ? R510 - 1 ? R700 | Gitelson et al. [26] |
| 21 | Anthocyanin Reflectance Index 1 (ARI1) | 1 ? R550 - 1 ? R700 | Gitelson et al. [27] |
| 22 | Anthocyanin Reflectance Index 2 (ARI2) | R800 × (1 ? R550 - 1 ? R700) | Gitelson et al. [28] |
新窗口打开|下载CSV
1.4.2 数据分析 敏感光谱指数的筛选: 在分析光谱指数与LNA相关性基础上, 规定相关系数(r)的绝对值为0.67~1为强相关关系[29], 选择与LNA相关系数绝对值最大的光谱指数为敏感光谱指数。
监测模型的建立: 选择同一地点、品种的试验数据(Exp.1, Exp.4, Exp.5)作为建模集, 以LNA为因变量, 敏感光谱指数为自变量, 通过线性与非线性回归分析构建监测模型(根据趋势图, 候选模型确立为线性、二次、指数3种模型)。规定决定系数(R2)大于0.75的回归模型的拟合性能为好[30], 可以估算作物LNA。
监测模型的检验: 将Exp.2与Exp.3的数据作为验证集, 用均方根误差(RMSE)、估测值与观测值之间1:1的直方图来检验监测模型的准确性[31]。
$\text{RMSE}=\sqrt{\frac{\sum\limits_{i=1}^{n}{{{({{S}_{i}}-{{Q}_{i}})}^{2}}}}{n}}$
式中, Si和Qi分别为LNA的估测值和观察值, n为数据个数值。
R2的值越大, RMSE的值越小, 则模型准确度越高。选择同一地点、品种的数据建立监测模型旨在提高监测模型的拟合性能, 通过不同地点、品种的独立试验进行检验旨在确定上述因素对模型准确性的影响。不同生育时期建模集与验证集的样本数量见表5。
Table 5
表5
表5建模集与验证集的样本数量
Table 5
| 生育时期 Growth stage | 样本数量Number of samples | |
|---|---|---|
| 建模集Modeling set | 验证集Validation set | |
| 苗期Seedling stage | 45 | 30 |
| 块茎形成期Tuber formation stage | 45 | 30 |
| 块茎膨大期Tuber expansion stage | 45 | 30 |
| 淀粉积累期Starch accumulation stage | 45 | 30 |
| 全生育时期Total growth stages | 180 | 120 |
新窗口打开|下载CSV
采用SPSS 25进行马铃薯冠层光谱反射率、LNA的平均值、标准误等描述性统计分析、光谱指数与各LNA的相关分析与回归分析。采用Origin 2018制图。
2 结果与分析
2.1 叶片氮累积量及冠层光谱反射率对施氮量的响应
不同氮肥处理马铃薯LNA间存在显著差异。以Exp.1块茎膨大期为例, 随着施氮量的增加, 马铃薯LNA逐渐增加, 处理间差异显著, 当施氮量大于450 kg hm-2 (N3)时, LNA不再随施氮量而增加(图2)。图2
新窗口打开|下载原图ZIP|生成PPT图2不同施氮水平对叶片氮累积量的影响(Exp.1)
LNA为叶片氮累积量。处理同
Fig. 2Effects of different nitrogen application rates on leaf nitrogen accumulation of potato (Exp.1)
LNA is the leaf nitrogen accumulation. Treatments are the same as those given in
施氮对不同波段范围内冠层光谱反射率影响不尽相同。在350~720 nm波段内, 随施氮水平增加, 反射率随之下降。然而在720~1350 nm的波段内, 反射率随施氮量的增加而增加(图3-a~c)。这归因于在可见光范围内叶绿素和其他色素吸收蓝光、红光且反射绿光, 在近红外波段范围内, 冠层叶片的结构会反射能量[32]。
图3
新窗口打开|下载原图ZIP|生成PPT图3不同施氮水平对冠层反射率的影响
a: 全波段; b: 可见光波段; c: 红边波段。处理同
Fig. 3Effects of different nitrogen application rates on canopy reflectance
a: full-wave band; b: visible light band; c: red edge band. Treatments are the same as those given in
2.2 不同光谱指数与叶片氮累积量的相关分析
对22种光谱指数与马铃薯LNA进行了相关分析, 依据相关系数绝对值高于0.66为强相关关系的标准进行评判[29]。马铃薯苗期LNA与10种光谱指数达到了强相关关系, 包括VOG3、VOG1、VOG2、mND705、NDVI705、mSR705、CRI1、SRI、CRI2、SIPI; 块茎形成期LNA与10种光谱指数达到了强相关关系, 包括VOG3、VOG2、mSR705、MTCI、VOG1、NDVI705、ARI2、ARI1、SRI、DVI; 块茎膨大期LNA与9种光谱指数达到了强相关关系, 包括VOG3、VOG2、MTCI、VOG1、mSR705、NDVI705、ARI2、ARI1、SRI。以上3个生育时期马铃薯LNA均与VOG3相关最密切, 相关系数分别为-0.868**、-0.872**、-0.859** (图3-a~c)。淀粉积累期LNA与6种光谱指数达到了强相关关系, 包括VOG2、VOG3、VOG1、MTCI、NDVI705、SRI, 其与VOG2相关最密切, 相关系数为-0.708** (图3-d), 而全生育时期LNA与9种光谱指数达到了强相关关系, 包括VOG3、VOG2、VOG1、mSR705、NDVI705、MTCI、SRI、ARI2、SIPI, 其中LNA与VOG3关系最密切(r = -0.849**) (图3-e)。表明, 淀粉积累期敏感光谱指数为VOG2, 其他生育时期以及全生育时期敏感光谱指数为VOG3。2.3 基于光谱指数的叶片氮累积量回归模型
利用线性和非线性回归分析, 以敏感光谱指数为自变量, LNA为因变量, 构建了不同马铃薯叶片氮累积量监测模型。在马铃薯苗期、块茎形成期与全生育时期, 基于VOG3与LNA拟合的二次项模型具有最大的R2, 分别为0.913、0.790、0.778, 而在块茎膨大期与淀粉积累期, 不同马铃薯叶片氮累积量监测模型的R2均低于0.75, 依据Wang等[30]的标准, 模型的拟合性能较差(表6)。表明苗期、块茎形成期与全生育时期VOG3与LNA拟合的最优监测模型均为二次项方程, 可以估算不同施氮量下的马铃薯LNA (图5)。Table 6
表6
表6光谱指数与叶片氮累积量的回归模型
Table 6
| 生育时期 Growth stage | 监测模型方程式 Monitoring model equation | R2 |
|---|---|---|
| 苗期Seedling stage | LNA = - 269.271 × VOG3 - 16.5 | 0.882** |
| LNA = 1976.733 × VOG32 + 211.143 × VOG3 + 11.236 | 0.913** | |
| LNA = 1.712 × e-17.519 × VOG3 | 0.908** | |
| 块茎形成期Tuber formation stage | LNA = - 323.22 × VOG3 - 21.257 | 0.771** |
| LNA = 1393.778 × VOG32 + 162.368×VOG3 + 17.484 | 0.790** | |
| LNA = 4.841 × e-10.411 × VOG3 | 0.740** | |
| 块茎膨大期Tuber expansion stage | LNA = - 403.678 × VOG3 - 34.233 | 0.723** |
| LNA = 1020.908 × VOG32 - 20.441 × VOG3 - 0.711 | 0.741** | |
| LNA = 4.249 × e-11.184 × VOG3 | 0.741** | |
| 淀粉积累期Starch accumulation stage | LNA = - 279.991 × VOG2 - 8.249 | 0.550** |
| LNA = - 654.51 × VOG22 - 464.961 × VOG2 - 20.102 | 0.555** | |
| LNA = 4.894 × e-11.837 × VOG2 | 0.570** | |
| 全生育时期Total growth stages | LNA = - 328.711 × VOG3 - 21.683 | 0.765** |
| LNA = 832.343 × VOG32 - 46.576 × VOG3 - 0.242 | 0.778** | |
| LNA = 3.867 × e-11.534 × VOG3 | 0.773** |
新窗口打开|下载CSV
图5
新窗口打开|下载原图ZIP|生成PPT图5光谱指数与叶片氮累积量的关系
LNA为叶片氮累积量。a: 苗期; b: 块茎形成期; c: 全生育时期。**表示在0.01水平上显著差异。
Fig. 5Relationship between spectral index and leaf nitrogen accumulation
LNA is the leaf nitrogen accumulation. a: seedling stage; b: tuber formation stage; c: total growth stages. ** indicates significant difference at the 0.01 probability level.
2.4 叶片氮累积量回归模型准确度的检验
为了检验上述监测模型的可靠性与普适性, 利用不同品种、地点和不同施氮水平下的独立试验数据(Exp.2和Exp.3)对所建立监测模型进行了检验。Exp.2观察值与估测值之间的RMSE范围为6.69~16.18 kg hm-2, Exp.3观察值与估测值之间的RMSE范围为4.04~14.13 kg hm-2 (表7)。在不同的生育时期, 观察值与估测值之间的RMSE变化规律为苗期<块茎形成期<块茎膨大期、全生育时期<淀粉积累期。对于不同验证集而言, Exp.3观察值与估测值之间的RMSE略低于Exp.2 (图6)。Table 7
表7
表7马铃薯叶片氮累积量监测模型的检验
Table 7
| 生育时期 Growth stage | 均方根误差RMSE (kg hm-2) | |
|---|---|---|
| Exp.2 | Exp.3 | |
| 苗期Seedling stage | 6.69 | 4.04 |
| 块茎形成期Tuber formation stage | 9.45 | 10.89 |
| 块茎膨大期Tuber expansion stage | 13.38 | 9.12 |
| 淀粉积累期Starch accumulation stage | 16.18 | 14.13 |
| 全生育时期Total growth stages | 13.45 | 9.17 |
新窗口打开|下载CSV
图6
新窗口打开|下载原图ZIP|生成PPT图6叶片氮累积量估测值与观察值之间的关系
a: 苗期; b: 块茎形成期; c: 块茎膨大期; d: 淀粉积累期; e: 全生育时期。
Fig. 6Relationship between estimated values and observed values of leaf nitrogen accumulation
a: seedling stage; b: tuber formation stage; c: tuber bulking stage; d: starch accumulation stage; e: total growth stages.
3 讨论
实时准确掌握作物营养状况是精准施用氮肥的前提, 遥感技术的快速发展为监测作物生理参数提供了一种新方法[33], 国内外****利用该技术在监测生物量[34,35,36]、氮素含量[37,38,39]、叶面积指数[40,41,42]、氮素累积量[8,9,10,11,12]中均有研究, 然而关于马铃薯LNA的研究较少。由于LNA包含了植株个体叶片氮含量与群体盖度特征的信息, 是判断作物氮素营养丰缺的重要指标[4,5], 本文对22种光谱指数与马铃薯LNA的相关性进行了分析发现, 相当一部分光谱指数与LNA高度相关(图4), 意味着光谱指数估算马铃薯LNA是可行的。本文还发现, 各生育时期LNA与VOG1、VOG2、VOG3、NDVI705、SRI均为强相关关系(图4), 而构成以上光谱指数的波段主要分布在红边区域内(680~780 nm)。由于红边范围内的光谱参数与叶绿素含量显著相关[43,44,45,46,47], 而叶片叶绿素含量与植物含氮量密切相关[2-3,48], 因此马铃薯冠层反射率在红边区域内随施氮量而呈规律性变化(图3-c)的研究发现不仅具有生理基础, 而且充分说明, 红边波段对评价马铃薯LNA至关重要。图4
新窗口打开|下载原图ZIP|生成PPT图4光谱指数与叶片氮累积量的相关性
a: 苗期; b; 块茎形成期; c块茎膨大期; d: 淀粉积累期; e: 全生育时期。缩写同
Fig. 4Correlation between spectral indices and leaf nitrogen accumulation
a: seedling stage; b: tuber formation stage; c: tuber bulking stage; d: starch accumulation stage; e: total growth stages. Abbreviations are the same as in
在不同生态环境与作物种类的研究中发现, 与作物LNA关系密切的光谱指数有所差异[8-12,49], 因此筛选出估算特定地区特定作物LNA的敏感光谱指数是构建氮素营养监测模型的前提。本文通过比较22种光谱指数与马铃薯LNA相关系数发现, 在马铃薯苗期、块茎形成期、块茎膨大期以及全生育时期, VOG3与LNA相关系数绝对值最大(图4-a~c, e), 而在淀粉积累期, VOG2与LNA关系最密切(图4-d)。因此, 可以认为VOG2、VOG3是估算内蒙古地区马铃薯LNA的敏感光谱指数。
以VOG2、VOG3为自变量, LNA为因变量进行的回归分析表明, LNA与VOG2、VOG3存在显著的回归关系, 而且在马铃薯苗期、块茎形成期与全生育时期, VOG3与LNA构建的二次项模型拟合性能为好, 这不仅进一步表明使用光谱指数估算马铃薯LNA是可行的, 而且提供了基于VOG3估算马铃薯LNA的方法。通过表6即可以判断处于不同生育阶段马铃薯的氮素营养丰缺状况。
为检测所选监测模型的预测能力, 本文通过独立试验数据进行检验发现, 不同生育时期监测模型的准确性不尽一致, 在马铃薯生育后期模型准确度较差。全生育时期的马铃薯叶片氮累积量监测模型的RMSE与块茎膨大期相当, 均优于淀粉积累期。Exp.2、Exp.3观察值与估测值之间的RMSE略有不同(表7和图6), 这可能是由于马铃薯克新1号与夏波蒂2个品种的表型存在一定的差距, 而且杭锦旗(东经106°55'、北纬39°22')与察右中旗(东经111°55', 北纬41°6')存在较大的地理跨度(图1)。薛利红等[8]与周冬琴等[10]在对水稻叶片氮累积量监测模型检验时发现, 不同品种与地点间观察值与估测值RMSE略有差异, 但不影响监测模型的预测能力。所以本文提出的苗期、块茎形成期的监测模型可以用于估测马铃薯的LNA, 并进一步指导马铃薯的氮肥施肥实践。由于苗期和块茎形成期是马铃薯氮肥施用最多的关键生育时期[1-3,50], 因此, 尽管马铃薯生育后期的模型准确度较差, 但其对指导施肥实践的影响较小, 而且在生育后期, 使用全生育期的监测模型作为替代, 一定程度可弥补其不足。
图1
新窗口打开|下载原图ZIP|生成PPT图1试验地位置及试验小区分布
N0~N4分别代
Fig. 1Location and distribution of experimental plots
N0-N4 represent 0, 150, 300, 450, 600 kg hm-2 nitrogen fertilizer levels, respectively; a, b, and c are three replications.
此外, 在检测马铃薯叶片氮累积量监测模型的准确性时发现估测值数值偏低, 尤其是苗期Exp.3、淀粉积累期观察值与估测值相差较大(图6)。这是因为在生长发育前期, 与克新1号品种相比, 夏波蒂品种长势弱, 植株矮小, 地面裸露, 在光谱扫描时会引入较多噪声光谱, 因此在马铃薯苗期消除噪声影响方面需做进一步深入研究。而在淀粉积累期, 叶片及叶柄中的光合同化物高效地转移到块茎, 马铃薯叶片逐渐变黄、脱落, 会影响模型的准确性。在实际生产中, 淀粉积累期通常不再施用氮肥[50], 因此, 该生育时期的马铃薯叶片氮累积量监测模型不具实际意义。
4 结论
通过分析马铃薯叶片氮累积量(LNA)与光谱反射率、指数的定量关系中得出, 红边是反演马铃薯LNA的主要波段, 由715、720、726、734、747 nm构成的光谱指数VOG2、VOG3为内蒙古地区马铃薯LNA的敏感光谱指数。苗期、块茎形成期与全生育时期的马铃薯叶片氮累积量监测模型分别为LNA = 1976.733 × VOG32 + 211.143 × VOG3 + 11.236、LNA = 1393.778 × VOG32 + 162.368 × VOG3 + 17.484和LNA = 832.343 × VOG32 - 46.576 × VOG3 - 0.242, 决定系数均(R2)高于0.75, 均方根误差(RMSE)范围分别为4.04~6.69、9.45~10.89、9.17~ 13.45 kg hm-2。生育时期对马铃薯叶片氮累积量监测模型的准确度影响较大, 生育后期监测模型的预测性能较差(R2<0.75), 而全生育监测模型的R2大于0.75, 因此生育前期分阶段建模与生育后期统一建模可以提高监测模型的精准度, 可以准确估算马铃薯氮素营养状况, 并用于指导施肥实践。参考文献 原文顺序
文献年度倒序
文中引用次数倒序
被引期刊影响因子
[本文引用: 2]
[本文引用: 2]
[本文引用: 2]
[本文引用: 2]
DOI:10.1080/01904167.2019.1584215URL [本文引用: 3]
[本文引用: 2]
[本文引用: 2]
DOI:10.1016/j.jag.2007.02.006URL [本文引用: 2]
DOI:10.1016/j.eja.2008.05.007URL [本文引用: 1]
AbstractSpectral measurements are useful for estimating the nitrogen status of crops, thereby enabling site-specific fertilizing in precision farming systems. To date, however, spectral information was associated primarily to nitrogen (N) uptake or to chlorophyll content per unit area, but using it to determine the effective nitrogen (N) need of a crop requires additional information given that N uptake increases with canopy development.The nitrogen nutrition index (NNI) describes the nitrogen status of the entire crop directly, analogous to what the SPAD meter does on the leaf level. The index is the ratio between the actual nitrogen content of the crop and the critical content indicating the minimum N content required for the maximum biomass production of a canopy. As such, the index indicates whether the N content is higher or lower than the optimum level for a specific crop biomass and so matches the exact needs of the farmer. We examine the relationship between the NNI and the canopy reflectance intensity (CRI) as a prelude to their use in a site-specific farming framework. The NNI/CRI correlation was validated in a three-year field experiment with winter wheat with an overall average R2 of 0.95. The NNI was more closely correlated with the CRI than with any of total aerial N, N content or biomass dry weight. As such, it appears that the NNI can indeed be determined in a rapid, cost-effective fashion using spectra-based measurements.]]>
URL [本文引用: 1]
系统分析了不同时相下两个小麦(Triticum aestivium)品种叶片含氮量及叶片氮积累量与冠层光谱反射特征的关系。结果表明，随施氮水平的增加，小麦冠层在可见光区的反射率逐渐降低，而近红外波段的反射率逐渐升高。小麦叶片氮素状况与比值指数或归一化指数显著相关，两个品种表现极为一致，可以用一个指数方程来拟合。分阶段建模并没有提高模型的精度，因此可以建立一个适用于整个生育时期的通用氮素诊断方程。叶片含氮量同光谱指数在整个生育期内的关系要优于叶片氮积累量的，其中，与叶片含氮量关系最佳的指数为红波段(660 nm)和蓝波段(460 nm)的组合(R2>0.80)；与叶片氮积累量关系最佳的光谱指数为中红外波段(1 220 nm)与红波段(660 nm)的组合(R2>0.62)。
[本文引用: 1]
URL [本文引用: 5]
研究了不同氮肥水平下多时相水稻冠层光谱反射特征及其与叶片含氮量等参数的关系。结果表明 ,水稻冠层光谱反射率与叶片氮积累量 (单位土地面积上叶片的氮素总量 )显著相关 ,尤其是近红外与绿光波段的比值(R810 /R560 )与叶片氮积累量 (LNA)呈显著线性关系 ,不受氮肥水平和生育时期的影响 ,回归方程为LNA =0 .85 9R810 /R560 - 1.15 96。利用不同粳稻品种、播期、密度、水分和氮肥处理的数据对方程进行了较充分的检验 ,表明模拟值与实测值之间符合度较高 ,估算精度为 91.2 2 %,估计的RMSE为 1.0 9,平均相对误差为 0 .0 2 6。
[本文引用: 5]
DOI:10.2134/agronj2004.0135URL [本文引用: 3]
URL [本文引用: 4]
作物氮素状况是评价作物长势、估测产量与品质的重要参考指标，对作物氮素精确诊断与管理具有重要意义。本文以不同施氮水平下的4年田间试验为基础，研究了水稻叶片氮积累量与冠层反射光谱的定量关系。结果显示，在冠层单波段反射率中，460 nm、510 nm及760~1 100 nm的光谱反射率与冠层叶片氮积累量的相关性较好；近红外波段(
[本文引用: 4]
URL [本文引用: 3]
【目的】研究小麦地上部氮积累量与冠层高光谱参数的定量关系，分析多种高光谱参数估算地上部氮积累量的效果。【方法】连续3年采用不同蛋白质含量的小麦品种在不同施氮水平下进行大田试验，于小麦不同生育期采集田间冠层高光谱数据并测定植株不同器官生物量和氮含量。【结果】植株氮积累量随着施氮水平的提高而增加，不同地力水平间存在明显差异。植株氮积累量的光谱敏感波段主要存在于近红外平台和可见光区，而地上部氮积累量与冠层光谱的相关性明显降低。对植株氮积累量的光谱估算，在不同品种、氮素水平、生育时期和年度间可以使用统一的光谱模型。在籽粒灌浆期间植株氮积累量自开花期随时间进程的积分累积值与对应时期籽粒氮素积累状况存在显著的定量关系，根据特征光谱参数植株氮素营养籽粒氮积累量这一技术路径，以植株氮积累量为交接点将模型链接，建立高光谱参数与籽粒氮积累量间定量方程。将植株氮积累量与籽粒氮积累量相加，确立了基于高光谱参数的籽粒灌浆期间地上部氮积累量监测模型。经不同年际独立资料的检验表明，利用光谱参数SDr/SDb、VOG2、VOG3、RVI（810,560）、[（R750-800）/（R695-740）]-1和Dr/Db建立模型可以实时监测小麦地上部氮素积累动态变化，预测精度R2分别为0.774、0.791、0.803、0.803、0.802和0.778，相对误差RE分别为16.7%、15.5%、15.6%、18.5%、15.5%和17.3%。【结论】利用关键特征光谱参数可以有效地评价小麦地上部氮素积累状况，其中尤以植被指数VOG2、VOG3和[（R750-800）/（R695-740）]-1的效果更好。
[本文引用: 3]
URL [本文引用: 4]
i, j）］，综合分析了小麦叶片氮积累量(LNA, g N·m-2)与NDSI（i, j）的定量关系，确定了估算叶片氮积累量的新高光谱特征波段和光谱指数，进而建立了小麦叶片氮积累量监测模型.结果表明：估算小麦叶片氮积累量的敏感波段主要存在于可见光区和近红外区，最佳特征波段组合为720 nm和860 nm；基于NDSI(860,720)的叶片氮积累量监测模型为LNA=26.34×［NDSI(860,720)］1.887（R2=0.900，SE=1.327）.利用独立试验资料的检验结果表明，基于NDSI(860,720)建立的回归模型对小麦叶片氮积累量的估测精度为0.823，RMSE为0.991 g N·m-2，模型预测值与观察值之间的符合度较高.可利用新的归一化高光谱参数NDSI(860,720)来估算小麦叶片氮积累量.]]>
[本文引用: 4]
[本文引用: 3]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.1016/0034-4257(92)90059-SURL [本文引用: 1]
[本文引用: 1]
DOI:10.1080/0143116042000274015URL [本文引用: 2]
DOI:10.1016/0034-4257(95)00186-7URL [本文引用: 1]
DOI:10.1016/S0034-4257(02)00018-4URL [本文引用: 1]
DOI:10.1016/S0034-4257(96)00112-5URL [本文引用: 1]
DOI:10.1016/0034-4257(95)00193-XURL [本文引用: 1]
DOI:10.1016/S0176-1617(11)81633-0URL [本文引用: 1]
DOI:10.1109/36.934080URL [本文引用: 3]
DOI:10.1562/0031-8655(2002)075<0272:accipl>2.0.co;2URLPMID:11950093 [本文引用: 2]
Spectral reflectance of maple, chestnut and beech leaves in a wide range of pigment content and composition was investigated to devise a nondestructive technique for total carotenoid (Car) content estimation in higher plant leaves. Reciprocal reflectance in the range 510 to 550 nm was found to be closely related to the total pigment content in leaves. The sensitivity of reciprocal reflectance to Car content was maximal in a spectral range around 510 nm; however, chlorophylls (Chl) also affect reflectance in this spectral range. To remove the Chl effect on the reciprocal reflectance at 510 nm, a reciprocal reflectance at either 550 or 700 nm was used, which was linearly proportional to the Chl content. Indices for nondestructive estimation of Car content in leaves were devised and validated. Reflectances in three spectral bands, 510+/-5 nm, either 550+/-15 nm or 700+/-7.5 nm and the near infrared range above 750 nm are sufficient to estimate total Car content in plant leaves nondestructively with a root mean square error of less than 1.75 nmol/cm2.
[本文引用: 1]
DOI:10.1016/S0176-1617(96)80284-7URL [本文引用: 1]
[本文引用: 2]
[本文引用: 2]
DOI:10.1097/SS.0000000000000026URL [本文引用: 2]
URL [本文引用: 1]
过量施氮和降雨变率大是陕西关中平原夏玉米种植中常见的2大问题，临界氮稀释曲线模型是诊断作物氮营养状况的有效手段。该研究选取关中平原主栽的6个夏玉米品种，设置了N0（0）、N1（86 kg/hm2）、N2（172 kg/hm2）和N3（258 kg/hm2）共4个施氮水平，在2013年（生育前期正常，后期大旱）和2014年（生育前期大旱，后期偏涝）这2种降雨年型下构建和验证了基于全生育期干物质的夏玉米临界氮稀释曲线。结果表明：2 a条件下临界氮浓度与地上生物量均符合幂指数关系，但模型参数存在部分差异，基于临界氮稀释曲线所建立的氮营养指数可用来诊断夏玉米氮盈亏状态，诊断结果表明氮营养指数均随着施氮量的增加而增加，且年型之间存在差异，最优施氮量介于86～172 kg/hm2之间。制定不同降雨年型下夏玉米临界氮稀释模型对于指导精确施氮及生育季氮诊断具有重要的意义。
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.2135/cropsci1995.0011183X003500050023xURL [本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.1016/j.fcr.2010.11.002URL [本文引用: 1]
DOI:10.1016/j.fcr.2012.01.014URL [本文引用: 1]
DOI:10.2134/agronj2011.0199URL [本文引用: 1]
Much of the previous evaluation of active crop canopy sensors for in-season assessment of crop N status has occurred in environments without water stress. The impact of concurrent water and N stress on the use of active crop canopy sensors for in-season N management is unknown. The objective of this study was to evaluate the performance of various spectral indices for sensing N status of corn (Zea mays L.), where spectral variability might be confounded by water-induced variations in crop reflectance. The study was conducted in 2009 and 2010 with experimental treatments of irrigation level (100 and 70% evapotranspiration [ET]), previous crop {corn-corn or soybean [Glycine max (L.) Merr.]-corn} and N fertilizer rate (0, 75, 150, and 225 kg N ha(-1)). Crop canopy reflectance was measured from V11 to R4 stage using two active sensors-a two band (880 and 590 nm) and a three band (760, 720, and 670 nm). Among the indices, the vegetation index described by near infrared minus red edge divided by near infrared minus red (DATT) and Meris terrestrial chlorophyll index (MTCI) were the least affected by water stress, with good ability to differentiate N rate with both previous crops. The chlorophyll index using amber band (CI), normalized difference vegetation index using red edge band (NDVI_RE) and the normalized vegetationi using the red band (NDVI_Red) showed more variation due to water supply, and had only moderate ability to differentiate N rates.
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
URL [本文引用: 1]
2、22μg/cm2、24μg/cm2、26μg/cm2、28μg/cm2、30μg/cm2)时的叶片反射率和叶面积指数变化(1、3、5)时的冠层反射率。叶片及冠层反射率的变化大小,用同一波段上反射率的标准差来衡量,研究的波段范围为400～940 nm,波段间隔为5 nm。研究发现叶绿素对叶片反射率的影响,在710 nm波长处最大,标准差变化曲线在550 nm、710 nm、795 nm和830 nm处形成4个峰值,对冠层反射率的影响,与叶面积指数大小有关,叶面积指数为1、3、5时,叶绿素对冠层反射率影响最大的波长分别为715 nm、720 nm和725 nm,标准差变化曲线分别在550 nm和715 nm、550 nm和720 nm、550 nm和725 nm形成了两个峰值。 ]]>
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
[本文引用: 1]
DOI:10.1016/j.rse.2005.12.011URL [本文引用: 1]
DOI:10.1016/0034-4257(93)90088-FURL [本文引用: 1]
[本文引用: 1]
[本文引用: 1]
URL [本文引用: 2]
以高产、高效为目标的马铃薯生产需要合理的氮素管理。本文分析了马铃薯氮肥利用现状，针对存在的问题提出了氮素管理的思路，即在了解马铃薯的氮素需求规律、明确马铃薯农田氮素走向的基础上选择适宜的栽培措施。在氮素管理策略上，提出既要总量控制又要分期调控，实施关键生育期氮素精确诊断监测，采用合理的施肥方式，研发适合马铃薯的新型氮素缓/控释肥料。最后，对马铃薯氮素管理的研究方向进行了展望。
[本文引用: 2]
