徐浩聪^,1, 姚波¹, 王权¹, 陈婷婷¹, 朱铁忠¹, 何海兵¹, 柯健¹, 尤翠翠¹, 吴小文², 郭爽爽³, 武立权^,1,4,*1安徽农业大学农学院,合肥 230036
²庐江县农业技术推广中心,安徽庐江 231500
³中联智慧农业股份有限公司,安徽芜湖 241000
⁴江苏省现代作物生产协同创新中心,南京 210095

Determination of Suitable Band Width for Estimating Rice Nitrogen Nutrition Index Based on Leaf Reflectance Spectra

XU HaoCong^,1, YAO Bo¹, WANG Quan¹, CHEN TingTing¹, ZHU TieZhong¹, HE HaiBing¹, KE Jian¹, YOU CuiCui¹, WU XiaoWen², GUO ShuangShuang³, WU LiQuan^,1,4,*1College of Agronomy, Anhui Agricultural University, Hefei 230036
²Lujiang County Agricultural Technology Extension Center, Lujiang 231500, Anhui
³Zoomlion Intelligent Agriculture Co. Ltd., Wuhu 241000, Anhui
⁴Jiangsu Collaborative Innovation Center for Modern Crop Production, Nanjing 210095

通讯作者: 武立权,E-mail： wlq-001@163.com

责任编辑: 杨鑫浩
收稿日期:2020-11-23接受日期:2021-02-1

基金资助:

国家重点研发计划(2016YFD0300608) 国家重点研发计划(2017YFD0301305) 国家自然科学基金(32071946) 安徽省重点研发计划(1804h07020150)

Received:2020-11-23Accepted:2021-02-1
作者简介 About authors
联系方式：徐浩聪,E-mail： 861389737@qq.com。













摘要
【目的】基于叶片反射光谱建立快速、无损监测水稻氮营养指数（nitrogen nutrition index,NNI）的估算模型。【方法】2018—2019年开展2个水稻品种（徽两优898和Y两优900）及5个氮肥梯度（施氮量为0、75、150、225和300 kg·hm^-2,分别记为N₀、N₁、N₂、N₃、N₄）的田间小区试验,测定关键生育期不同叶位叶片反射光谱和植株NNI,构建多种光谱指数的水稻NNI监测模型。【结果】单叶及叶位组合的敏感波段均分布在540 nm的绿光波长处,其与近红外波段构成的窄波段比值指数SR（R₉₀₀,R₅₄₀）可较好反演水稻NNI。但不同叶位叶片窄波段比值指数与水稻NNI的预测精度表现不同,顶3叶（L₃）预测精度最好（R²=0.731,RMSE =0.130,RE=11.6%）,顶2叶（L₂）次之（R²=0.707,RMSE =0.136,RE =12.2%）,顶1叶（L₁）最差（R²=0.443,RMSE =0.187,RE =14.7%）;顶2叶和顶3叶组合平均光谱（L₂₃）的预测精度优于单叶水平和其他叶位组合（R²=0.740,RMSE =0.128,RE =11.5%）。再将窄波段比值指数SR（R₉₀₀,R₅₄₀）近红外与绿光区域分别重采样50 nm和10 nm,所构建的宽波段比值指数SR[AR_{（900±50）},AR_{（540±10）}]模型精度较SR（R₉₀₀,R₅₄₀）未明显降低,且在L₂₃水平下2个模型的模型精度和预测精度基本一致（R²=0.740,RMSE =0.128,RE =11.5%）。水稻NNI小于1时与产量呈线性的正相关关系（P<0.05）,大于1时产量趋于平稳。【结论】L₂和L₃叶片反射光谱为监测水稻NNI的敏感叶位,其中叶位组合L₂₃可提高模型预测精度。基于叶片反射光谱构建的多种波段比值指数（SR（R₉₀₀,R₅₄₀）和SR[AR_{（900±50）},AR_{（540±10）}]）可快速估测水稻NNI,从而为不同传感器对水稻氮营养指数估测监测研究提供了理论依据。
关键词： 叶片;水稻;氮营养指数;比值指数;模型;波段宽度

Abstract
【Objective】The research aimed to analyze the relationship between rice (Oryza sativa L.) nitrogen nutrition index (NNI) and leaf spectral reflectance characteristics of leaf on different positions, so as to provide an effective method for nondestructive and timely evaluation of NNI in rice.【Method】Field experiments were conducted with different N application rates and rice cultivars across two growing seasons during 2018-2019, and the leaf hyperspectral reflectance of 350-2 500 nm of leaf on different positions and the plant NNI were measured during key fertility growth stages to construct a variety of spectral index model for rice NNI monitoring.【Result】The results indicated that green band (540 nm) at leaf level was the sensitive band for estimating NNI, and narrow band ratio index SR (R₉₀₀, R₅₄₀) composed of near infrared band and green band could be used to retrieve NNI of rice. However, the prediction accuracy of narrow band ratio index and rice NNI of leaf on different positions were different. In terms of prediction accuracy, the best single leaf position was the third leaf (L₃) from the top (R²=0.731, RMSE=0.130, RE=11.6%), the second leaf (L₂) from the top followed (R²=0.707, RMSE=0.136, RE=12.2%), and the top one (L₁) was the worst (R²=0.443, RMSE=0.187, RE=14.7%). The averaged spectra of L₂ and L₃ (L₂₃) was the optimum leaf spectra combination, which contributed to improving the predictability to NNI(R²=0.740, RMSE=0.128, RE=11.5%). The samples were resampled at 50 nm and 10 nm in the near infrared region (900 nm) and green region (540 nm) respectively, and the accuracy of the wide band ratio index SR (AR_(900±50), AR_(540±10)) was not significantly lower than that of SR (R₉₀₀, R₅₄₀). The model accuracy and prediction accuracy of the two models were basically the same at L₂₃. When the NNI of rice was less than 1, there was a significant positive linear correlation with the yield, and then it tended to be stable. 【Conclusion】The results showed that the reflectance spectra of L₂ and L₃ leaves were sensitive for monitoring NNI for rice, and L₂₃ could improve the prediction accuracy of the model. Multiple band ratio indices SR (R₉₀₀, R₅₄₀) and SR (AR_(900±50), AR_(540±10)) based on leaf reflectance spectra could be used to rapidly estimate rice NNI, which provided a theoretical basis for monitoring rice NNI with various sensors.
Keywords：leaf;rice(Oryza sativa L.);nitrogen nutrition index;ratio index;model;band width


PDF (2699KB)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
徐浩聪, 姚波, 王权, 陈婷婷, 朱铁忠, 何海兵, 柯健, 尤翠翠, 吴小文, 郭爽爽, 武立权. 基于叶片反射光谱估测水稻氮营养指数. 中国农业科学, 2021, 54(21): 4525-4538 doi:10.3864/j.issn.0578-1752.2021.21.004
XU HaoCong, YAO Bo, WANG Quan, CHEN TingTing, ZHU TieZhong, HE HaiBing, KE Jian, YOU CuiCui, WU XiaoWen, GUO ShuangShuang, WU LiQuan. Determination of Suitable Band Width for Estimating Rice Nitrogen Nutrition Index Based on Leaf Reflectance Spectra. Scientia Agricultura Sinica, 2021, 54(21): 4525-4538 doi:10.3864/j.issn.0578-1752.2021.21.004


开放科学（资源服务）标识码（OSID）：

0 引言

【研究意义】水稻是我国重要的粮食作物,受城镇化、工业化和土壤退化等因素影响,可用耕地面积逐年下降,提高水稻单产已成为保证我国粮食安全的主要策略。氮素在水稻生长发育、产量形成和品质改善中扮演着不可或缺的角色,增施氮肥对提高水稻单产发挥重要作用^[1,2],但当前我国稻田氮素用量普遍过大^[3],过多的氮肥用量并未明显提高水稻产量,反而导致氮肥利用效率下降,同时还造成诸多生态环境的污染^[4]。建立合理的作物氮营养诊断和监测方法以及优化稻田氮肥管理措施是当前实现农业经济可持续发展的研究目标。近年来,基于植株营养元素的分析方法已成为作物营养状态诊断的有效手段,作物临界氮浓度稀释理论的建立提高了我们对作物氮素积累和生长的认识,临界氮浓度即满足作物最大生长所需的最低氮浓度,通常使用幂函数稀释曲线描述作物氮浓度随生物量增加的下降过程。基于该稀释曲线计算而来的氮营养指数（NNI）是实现量化评估水稻氮营养状况和推荐施肥决策的重要指标,当NNI为1时,表示最佳植株氮营养状态,而NNI大于或小于1则分别表示氮营养过剩和不足^[5]。目前,NNI与作物氮素需求、产量和品质间的良好相关关系吸引了研究者对水稻^[6]、小麦^[7]、玉米^[8]和棉花^[9]等作物进行了大量的研究。然而传统的NNI计算方法需要破坏性取样且费时费力,缺乏时效性且数据准确性不高^[10]。因此,亟需优化NNI的快速监测方法,以实现我国稻田氮肥精准高效管理,对提高我国稻田氮肥利用效率,提高粮食产量均具有重要意义。【前人研究进展】氮能促进作物色素的合成,作物体内氮含量与色素含量具有密切关系^[11]。同时,植株体内色素在可见光波段光谱有明显的吸收峰。因此,这些反射峰可以较为准确地反映作物氮素营养状况和生长状况。对反射光谱敏感波段筛选及其光谱指数模型构建（比值、归一化等）等手段已成功应用于大田作物氮、叶绿素积累、叶面积指数和生物量等指标的监测^{[12,13,14,15,16,17,18]},这些特征光谱所构建的氮浓度与生物量的光谱模型为NNI的光谱监测手段提供重要参考^[19]。目前,对作物NNI光谱监测的研究尚处于起步阶段,已有研究表明通过敏感光谱参数和植被指数优化等方式建立的作物冠层光谱监测模型可较好反演氮营养指数。梁惠平等^[20]基于敏感光谱参数定量分析了玉米NNI,王仁红等^[21]研究表明通过高光谱反演NNI可定量诊断冬小麦氮素营养状态。CHEN等^[16]建立一种新的植被指数—双峰冠层氮素指数（DCNI）可估测玉米和小麦NNI。但冠层反射光谱易受到测量环境等因素的干扰,如水汽、土壤背景、水面反射以及不同太阳光角度等,加之光照不稳定的天气状况,均严重制约了高光谱技术的发挥。而叶片夹在测量叶片反射光谱时可提供稳定的照射角度和光照强度,且不受测量时天气制约,从而较冠层光谱有效地降低测量误差^[22]。此外,水稻不同叶位叶片的成熟度和衰老程度不同,其所反映的氮营养状况可能受叶位或叶位组合的显著影响^[23]。因此,进一步研究不同叶位或叶位组合的光谱反射特性及与植株NNI的关系,将有助于进一步提高NNI的光谱监测精度,但目前基于不同叶位叶片反射光谱估测水稻NNI的相关研究还不系统^[23,24,25]。【本研究切入点】从监测NNI的敏感波段宽度来看,现有的研究手段仍以窄波段光谱指数为主^[26,27,28],这些研究虽然在推动水稻氮素营养高效精准监测中发挥重要作用,但其无法运用于一些主流设备如无人机和便携式多光谱传感器中,而宽波段光谱指数可有效减少或避免这些不足。【拟解决的关键问题】本研究开展不同施氮水平、品种和年份的水稻田间试验,综合分析水稻不同叶位反射光谱与NNI的相关性,明确监测水稻NNI的适宜叶位及叶位组合,优化光谱指数和波段范围,并基于不同光谱指数构建水稻NNI估算模型,从而为水稻植株氮素营养遥感监测诊断和相关波段传感器的开发提供理论参考和技术依据。

1 材料与方法

1.1 试验地点和材料

试验于2018—2019年连续2年在安徽省庐江县郭河现代农业示范区（117.23°E,31.48°N）进行。2018和2019年水稻移栽前土壤基础地力数据如表1所示。

Table 1
表1
表1试验土壤特征
Table 1Soil information about experiments

年份 Year	有机质 Organic matter (g·kg-1)	全氮 Total N (g·kg-1)	有效磷 Available P (mg·kg-1)	速效钾 Available K (mg·kg-1)	pH
2018	32.36	2.03	24.80	211.42	5.11
2019	30.89	1.77	25.97	245.52	5.54

新窗口打开|下载CSV

供试品种为徽两优898（HLY898）和Y两优900（YLY900）,是当地大面积种植的高产水稻品种类型。

1.2 试验设计

试验采用随机区组设计,主区为品种,副区为5个氮肥梯度,分别为0（N₀）、75 kg·hm^-2（N₁）、150 kg·hm^-2（N₂）、225 kg·hm^-2（N₃）和300 kg·hm^-2（N₄）,2018年试验重复3次,单个小区面积为40 m²;2019年试验重复4次,每个小区面积36 m²。氮肥运筹按照基肥:分蘖肥:穗肥 = 4:3:3分次施用,所有处理磷（P₂O₅）、钾肥（K₂O）均一次性基施,用量分别为105 kg·hm^-2和225 kg·hm^-2。其中2019年试验数据用于建模,2018—2019年2年数据用于模型验证。

1.3 数据获取

1.3.1 光谱数据的获取 2018年光谱数据采集时间分别为7月7日（分蘖期）、7月22日（拔节期）、8月6日（孕穗期）及8月26日（抽穗期）,2019年为7月13日（分蘖期）、7月28日（拔节期）、8月12日（孕穗期）和9月1日（抽穗期）。每个小区在取样日根据平均茎蘖数选取代表性水稻植株8穴,从中选取8个主茎,分别测定其顶部完全展开的3张叶片（分别记作顶1叶、顶2叶和顶3叶）反射光谱,每张叶片的光谱反射值为叶尖、叶中部和叶基部的平均值^[22]。采用美国ASD FieldSpec4地物光谱仪自带的手持叶夹式叶片光谱探测器及内置石英卤化灯光源测量,测量时叶片置于叶片夹的叶室中,保证叶片水平且被探测面积相同。光谱仪的波段范围为350— 2 500 nm,光谱采样间隔在350—1 000 nm,区间为1.4 nm,在1 000—2 500 nm范围内为3 nm。数据采集前均进行白板校正。

1.3.2 农学参数获取 地上部干物质测定与光谱采集同步进行。在采集完光谱数据之后,将样品按器官分离（茎、叶、穗）,105℃杀青30 min后80℃烘干至恒干重,并记录地上部各器官干物质重。干样粉碎过100目筛,使用凯氏定氮法测定水稻各器官氮含量^[25]。各器官氮积累量（kg·hm^-2）=器官含氮量（%）×干物重（kg·hm^-2）/100。所有器官氮积累量相加得到地上部植株氮积累量,植株氮含量（%）=植株氮积累量（kg·hm^-2）/植株干物重（kg·hm^-2）×100。

水稻产量为每个小区在成熟期进行实时测产,自然风干后脱粒称重并按标准含水量（13%）换算。

氮营养指数（nitrogen nutrition index,NNI）,即植株地上部实际氮浓度与临界氮浓度的比值,为作物氮素营养状态判定指标^[29],计算公式如下：

（1） NNI = N_t/N_c
式中,N_t为作物地上部氮浓度的实测值（%）;N_c为临界氮浓度值（%）。其中,临界氮浓度（N_c）为作物地上干物质（W）达到最大生长速率所需要的最低氮浓度,利用2年数据构建临界氮浓度模型（电子附图1）,计算公式如下：

（2）N_c=4.02W^-0.42
式中,W为地上部生物量,t·hm^-2。

图1

新窗口打开|下载原图ZIP|生成PPT
图1水稻NNI与产量的关系（2018—2019）

**,0.01 水平显著
Fig. 1Relationship between nitrogen nutrition index and yield in rice (2018-2019)

** indicates significance at 0.01 level


1.3.3 光谱指数的定义 目前,有些光谱指数构造和计算方式复杂,难以应用于农业遥感实践,而比值光谱指数^[30]（simple ratio spectral index,SR[R_λ1,R_λ2]）和归一化光谱指数^[31]（normalized difference spectral index,ND[R_λ1,R_λ2]）构造简单且计算方便,能有效提高光谱监测的精度,已广泛运用于作物氮素遥感监测研究。基于此,本研究系统分析350—2 500 nm范围内任意两波段组合与水稻NNI的关系,与现有水稻氮素营养诊断中的典型光谱指数相比较,对水稻NNI估算模型的预测精度进行测试检验,最终确定水稻NNI的适宜窄波段和宽波段光谱指数（表2）。

Table 2
表2
表2本研究采用的高光谱指数列表
Table 2List of hyperspectral indices used in this study

光谱指数 Spectral index	计算公式 Algorithm	参考文献 Reference
比值光谱指数 Simple ratio spectral index (SR)	R1 / R2	本研究 This study
归一化差值光谱指数 Normalized difference spectral index (ND)	(R1 - R2)/(R1 + R2)	本研究This study
修正红边归一化指数 Modified red edge normalized difference vegetation index (MSR 705)	(R750-R705)/(R750+2×R445)	[12]
红边归一化指数 Red edge normalized difference vegetation index (ND 705)	(R750- R705)/(R750+ R705)	[13]
比值指数-ldB Ratio index-1dB (RI-ldB)	R735 /R720	[14]
Vogelmann 红边指数 Vogelman red edge index (VOG)	R740 / R720	[15]
双峰冠层氮指数 Double-peak canopy nitrogen index (DCNI)	(R720-R700)/(R700-R670)/(R720-R670+0.03)	[16]
线性内插法红边位置 Red edge position: linear interpolation method (REPLI)	700+40×[(R670+R780)/2-R700] /(R740-R700)	[17]
比值植被指数II Ratio Vegetation Index Ⅱ(RVI Ⅱ)	R810 / R560	[18]

新窗口打开|下载CSV

1.4 数据分析

利用2年试验数据对所建立的NNI监测模型进行留一交叉验证,采用模型精度（R²）、均方根误差（RMSE）、平均相对误差（RE）以及预测精度（R²,即实测值和模型估算值之间的决定系数）综合评价模型。数据的处理通过MATLAB 2018a编程实现,制图由Origin 2016软件完成,统计分析利用SPSS 21进行。

（3）${{R}^{2}}=\frac{\sum\limits_{i=\text{1}}^{n}{{{x}_{i}}-{{{\hat{x}}}_{i}}{{}^{2}}}}{\sum\limits_{i=\text{1}}^{n}{{{x}_{i}}-\bar{x}{{}^{2}}}}$
（4） $RMSE=\sqrt{\frac{\sum\limits_{i=\text{1}}^{n}{{{x}_{i}}-{{{\hat{x}}}_{i}}{{}^{2}}}}{n}}$
（5） $RE(%)=\sqrt{\frac{\sum\limits_{i=\text{1}}^{n}{\frac{{{x}_{i}}-{{{\hat{x}}}_{i}}}{{{x}_{i}}}{{}^{2}}}}{n}}\times 100\%$
式中,x_i为氮营养指数实测值;${{\hat{x}}_{i}}$为模型的预测值;${{\bar{x}}_{i}}$为实测值的平均值;n为样本量。R²反映了模型的拟合程度,其值越高,精度越高;RMSE和RE则反映了模型预测值与真实值之间的离散和偏离程度,其值越低,说明模型的预测效果越好。

2 结果

2.1 水稻氮营养指数（NNI）的方差分析

施肥处理、品种和生育期对NNI调控效应的方差分析表明,水稻从分蘖期—抽穗期,施肥水平是影响群体NNI的主要因素,不同施氮处理间均呈极显著差异（P<0.01）,而不同品种NNI均无显著差异（P>0.05）（表3）。对比分析各生育时期的NNI,水稻产量随NNI升高呈先增加后平衡趋势,各生育阶段的2个品种2年趋势一致（图1）。分蘖期、拔节期、孕穗期和抽穗期模型精度分别为0.787、0.880、0.891和0.782;当氮营养状况均趋于平衡后,水稻产量达到最大值。表明NNI可用于预测水稻产量。同时,NNI受生育期影响不显著（P>0.05）,因此,本研究将2个品种、生育期的NNI数据合并进行模型的构建研究。

Table 3
表3
表3NNI在品种、生育期和氮肥处理下的方差分析
Table 3Analysis of variance of NNI among varieties, nitrogen treatments, and growth stage, respectively

分组因子 Grouping factor	变异来源 Variation source	平方和 Sum of squares	自由度 df	均方 Mean square	F值 F-value	P值 P-value
氮肥处理 Nitrogen rate	组间 Between groups	2.643	4	0.661	31.745	0
	组内 Within groups	1.561	75	0.021
	总计 Total	4.203	79
品种 Variety	组间 Between groups	0.231	3	0.077	1.475	0.228
	组内 Within groups	3.972	76	0.052
	总计 Total	4.203	79
生育期 Growth stage	组间 Between groups	0.094	1	0.094	1.782	0.186
	组内 Within groups	4.109	78	0.053
	总计 Total	4.203	79

新窗口打开|下载CSV

2.2 水稻NNI与叶片反射光谱的关系

随着施氮水平的升高,水稻NNI逐渐升高,各生育阶段表现基本一致,2个品种2年趋势一致（图2）。N₄处理水稻NNI均大于1,说明水稻氮素营养整体过剩,N₃处理水稻NNI在1.0附近,表明氮营养整体较好,N₀和N₁处理水稻NNI均小于1,说明水稻氮素营养状况差。因此,本试验中氮肥施用量设置区间能较好地表征水稻的不同氮营养状况。

图2

新窗口打开|下载原图ZIP|生成PPT
图2不同施氮量下水稻NNI动态变化

Fig. 2Dynamic changes of NNI under different nitrogen application rates of rice plants



不同氮肥处理水稻叶片反射光谱具有明显差异,不同波段表现趋势有所不同（图3）。表明氮肥施用量显著影响各时期叶片反射光谱。随着施氮量的增加,即NNI的上升,叶片反射光谱在可见光波段逐渐降低,而在近红外波段（NIR）逐渐增加。不同叶位以及叶位组合反射光谱与NNI的相关性受波长和叶位以及叶位组合共同影响（图4）。从波段来看,绿光波段（540 nm）的负相关系数均为最高值,而波长大于近红外波段（730 nm）时均为正相关。从叶位和叶位组合来看,相关性大体表现为顶2叶和顶3叶平均光谱（L₂₃）≥顶2叶（L₂）>顶3叶（L₃）>顶1叶（L₁）。顶2叶和顶3叶平均（L₂₃）和顶2叶（L₂）光谱的相关系数在绿光波段分别达到-0.568和-0.559。

图3

新窗口打开|下载原图ZIP|生成PPT
图3不同施氮量处理下叶片光谱反射率的变化规律

Fig. 3Leaf spectral reflectance under different nitrogen application rates

图4

新窗口打开|下载原图ZIP|生成PPT
图4水稻NNI与不同叶位叶片光谱反射率的相关性

L₁：顶1叶;L₂：顶2叶;L₃：顶3叶;L₁₂：顶1、2叶均值;L₂₃：顶2、3叶均值;L₁₃：顶1、3叶均值;L₁₂₃：顶1、2、3叶均值
Fig. 4Correlation between NNI and leaf spectral reflectance of different position leaves of rice plants

L₁: The top leaf; L₂: The second leaf; L₃: The third leaf; L₁₂: The averaged spectra of L₁ and L₂; L₂₃: The averaged spectra of L₂ and L₃; L₁₃: The averaged spectra of L₁ and L₃; L₁₂₃: The averaged spectra of L₁, L₂ and L₃

2.3 典型光谱指数与水稻NNI的关系

基于氮浓度或生物量等指标构建的典型光谱指数与水稻NNI的相关程度受叶位和光谱指数类型显著影响（表4）。就相关性而言,各光谱指数在分蘖期较其他生育时期整体表现较差且不一致,MSR705、RVI Ⅱ在顶2叶表现相对较好,DCNI在顶3叶相对较高,其他光谱指数在顶1叶相关系数更高,这可能是由于分蘖期水稻叶片生理结构尚不稳定,大田环境下,各叶位叶片氮素营养情况受环境因素影响波动大。在拔节—抽穗期,水稻叶片氮素营养处于稳定状态,单叶水平下顶2叶和顶3叶的相关性优于顶1叶,顶2叶和顶3叶的平均光谱（L₂₃）较顶2叶和顶3叶相关性有所提高,不同光谱指数表现规律基本一致。为对整个生育期的水稻NNI进行监测,汇总各生育期数据进行相关分析（表5）,发现各典型光谱指数整体相关系数较分蘖期有所提高,较其他生育时期的叶片相关规律保持一致且未明显下降,其中比值光谱指数RVI Ⅱ、VOG、RI-1dB以及归一化光谱指数ND705较其他形式的光谱指数表现更好,L₂、L₂₃的相关性最高,分别达到了0.798和0.781。因此,考虑到分蘖期是水稻氮素营养监测诊断的重要时期,为了提高该时期的监测精度,在不明显降低拔节—抽穗期监测精准度的情况下,本研究汇总各生育期光谱数据进行建模分析。

Table 4
表4
表4不同时期典型光谱指数与水稻NNI的相关系数
Table 4Correlation coefficient between typical spectral index and rice NNI at different growth stages of rice plants

时期 Stage	叶位 Leaf position	MSR705	ND705	RI-1dB	VOG	DCNI	REPLI	RVI Ⅱ
分蘖期 Tillering stage	顶1叶（L1）	0.483**	0.534**	0.561**	0.564**	0.607**	0.478**	0.553**
	顶2叶（L2）	0.555**	0.479**	0.444**	0.443**	0.367**	0.436**	0.563**
	顶3叶（L3）	0.311**	0.394**	0.406**	0.409**	0.718**	0.488**	0.398**
	顶1、2叶平均（L23）	0.441**	0.456**	0.446**	0.448**	0.555**	0.488**	0.499**
拔节期 Jointing stage	顶1叶（L1）	0.568**	0.541**	0.538**	0.536**	0.253**	0.465**	0.657**
	顶2叶（L2）	0.717**	0.665**	0.648**	0.649**	0.770**	0.538**	0.792**
	顶3叶（L3）	0.765**	0.742**	0.718**	0.717**	0.652**	0.669**	0.810**
	顶2、3叶平均（L23）	0.791**	0.748**	0.721**	0.721**	0.721**	0.655**	0.835**
孕穗期 Booting stage	顶1叶（L1）	0.620**	0.635**	0.711**	0.712**	0.278**	0.629**	0.686**
	顶2叶（L2）	0.781**	0.812**	0.833**	0.835**	0.476**	0.772**	0.859**
	顶3叶（L3）	0.730**	0.755**	0.758**	0.758**	0.485**	0.714**	0.783**
	顶2、3叶平均（L23）	0.763**	0.790**	0.807**	0.808**	0.490**	0.749**	0.837**
抽穗期 Heading stage	顶1叶（L1）	0.462**	0.511**	0.510**	0.516**	0.519**	0.557**	0.521**
	顶2叶（L2）	0.586**	0.652**	0.684**	0.690**	0.714**	0.592**	0.730**
	顶3叶（L3）	0.546**	0.589**	0.635**	0.643**	0.600**	0.432**	0.706**
	顶2、3叶平均（L23）	0.593**	0.649**	0.696**	0.703**	0.646**	0.538**	0.734**

样本量 40 个;**为在 0.01 水平显著;各光谱指数含义见表 2。下同
Sample volume is 40; ** indicates significance at 0.01 level; Meaning of each spectral index is in Table 2. The same as below

新窗口打开|下载CSV

Table 5
表5
表5典型光谱指数与水稻NNI汇总数据的相关系数
Table 5Correlation between existing spectral index and NNI in rice

叶位 Leaf position	MSR705	ND705	RI-1dB	VOG	DCNI	REPLI	RVI Ⅱ
顶1叶（L1）	0.571**	0.576**	0.570**	0.572**	0.477**	0.584**	0.621**
顶2叶（L2）	0.708**	0.726**	0.741**	0.745**	0.575**	0.710**	0.798**
顶3叶（L3）	0.629**	0.660**	0.698**	0.703**	0.577**	0.543**	0.739**
顶2、3叶平均（L23）	0.676**	0.702**	0.733**	0.738**	0.587**	0.642**	0.781**
样本量 160 个 Sample volume is 160

新窗口打开|下载CSV

2.4 水稻NNI的估测与光谱指数的适宜波段宽度的筛选

典型光谱指数是基于生物量等其他农艺指标构建的,为探索适用于水稻NNI估算的新型光谱指数,从而系统分析350—2 500 nm范围内任意两波段的比值植被指数（SR）和归一化光谱指数（ND）与水稻NNI的关系（图5）。结果表明,模型精度较好的两波段组合基本集中于400—1 200 nm波段区域。从总体模型精度来看,不同叶位的SR与水稻NNI的模型精度（R²）明显高于ND与NNI,因此着重分析SR下不同叶位和叶位组合的估算情况。在SR中,各叶位较好的两波段组合均在近红外（NIR）与黄绿光（520—580 nm）波段组合中,其中双波段比值指数SR（R₉₀₀,R₅₄₀）的模型精度优于典型光谱指数RVI Ⅱ。具体而言,在单叶水平下,L₂模型精度最高（R²=0.657）,L₃次之,L₁最小;多叶位组合下,顶2叶和顶3叶的平均光谱（L₂₃）模型精度最优（R²=0.625）。

图5

新窗口打开|下载原图ZIP|生成PPT
图5两波段组合的归一化差值（ND）和比值（SR）光谱指数预测水稻氮营养指数的决定系数（R²）等势图

Fig. 5Contour maps of determination coefficients (R²) between NNI and normalized difference (ND) and ratio (SR) spectral indices based on two wavebands-combination in rice



无人机和便携式光谱仪器中多利用宽波段传感器来获取光谱数据。因此,基于特征波段（900 nm和540 nm）增大波段宽度,发现近红外（850—950 nm）与绿光（530—550 nm）内各双波段组合均达到1%显著水平（图5）,同时此区域内RMSE和RE均具有较低水平（图6）。近红外、绿光区域波段宽度分别达到100和20 nm,将2个矩形区域内波段反射值取均值,进而提出宽波段比值光谱指数SR[AR_{（900±50）},AR_{（540±10）}]用于水稻氮营养指数的估测。在L₂₃水平下,宽波段光谱指数SR[AR_{（900±50）},AR_{（540±10）}]与窄波段光谱指数SR（R₉₀₀, R₅₄₀）的模型精度类似,分别为0.614和0.612。

图6

新窗口打开|下载原图ZIP|生成PPT
图6两波段组合的光谱比值指数预测水稻氮营养指数的RMSE和RE等势图（n=90）

Fig. 6Contour maps of RMSE and RE values using simple ratio index or predicting NNI in rice (n=90)

2.5 模型的测试与检验

为检验模型的可靠性和普适性,利用2年数据对构建的模型进行留一交叉验证（表6）。结果表明,单叶水平下,顶2叶（L₂）模型精度最好,预测精度较好（R²=0.657;R²=0.707）,顶3叶（L₃）模型精度较好,预测精度最好（R²=0557;R²=0.731）,顶1叶（L₁）模型精度和预测精度均最低;叶位组合中顶2、顶3光谱平均（L₂₃）模型精度和预测精度最好（R²=0.625,R²=0.740）。L₂₃较L₁和L₃模型精度显著提高（P<0.05）,预测精度较单叶（L₁、L₂、L₃）均显著提高（P<0.05）。

Table 6
表6
表6水稻NNI（y）与不同光谱指数（x）的定量关系（n=160）及模型检验效果（n=249）
Table 6Quantitative relationships between NNI (y) and different spectral index (x) in rice (n=249)

叶位 Leaf position	光谱指数 Spectral index	回归方程 Regression equation	模型精度 Model precision (R2)	预测精度 Prediction precision (R2)		均方根误 RMSE	相对误差 RE (%)
顶一叶（L1）	SR（R900,R540）	y=0.2488x+0.1267	0.390	0.443		0.187	14.7
	SR[AR（900±50）,AR（540±10）]	y=0.2454x+0.1307	0.388	0.441		0.187	14.7
顶二叶（L2）	SR（R900,R540）	y=0.3943x-0.3199	0.657	0.707		0.136	12.2
	SR[AR（900±50）,AR（540±10）]	y=0.3896x-0.3154	0.654	0.706		0.136	12.2
顶三叶（L2）	SR（R900,R540）	y=0.3019x-0.0364	0.557	0.731		0.130	11.6
	SR[AR（900±50）,AR（540±10）]	y=0.2988x-0.0344	0.556	0.729		0.130	11.6
顶二、顶三光谱平均（L23）	SR（R900,R540）	y=0.3556x-0.1997	0.625	0.740		0.128	11.5
	SR[AR（900±50）,AR（540±10）]	y=0.3517x-0.1967	0.624	0.740		0.128	11.5
顶一、顶二、顶三光谱平均（L123）	SR（R900,R540）	y=0.3645x-0.2208	0.618	0.720		0.133	11.2
	SR[AR（900±50）,AR（540±10）]	y=0.3602x-0.217	0.616	0.718		0.133	11.3

新窗口打开|下载CSV

宽波段光谱指数SR[AR_{（900±50）},AR_{（540±10）}]较窄波段光谱指数SR（R₉₀₀, R₅₄₀）预测精度未明显下降。在L₂₃水平下利用2种光谱指数估算水稻NNI构建1:1图（图7）,显示实测值与估测值相关性良好（R²均为0.740）。

图7

新窗口打开|下载原图ZIP|生成PPT
图7水稻氮营养指数预测值与实测值的比较（L₂₃;n=249）

Fig. 7Comparison between predicted and observed values of NNI of rice plants (L₂₃; n=249)

3 讨论

3.1 水稻NNI监测的敏感波段

本研究经方差分析发现,NNI受品种和生育期的影响不显著（P>0.05）,水稻产量随NNI升高呈先增加后平衡趋势,NNI在低于1的范围内随着产量的提高而逐渐提高,当水稻氮营养整体表现良好时,产量达到最大值,而后趋于稳定,意味着过量施氮不能增产,与杜宇笑等^[32]研究结果一致。而NNI在各生育时期受施氮水平显著影响（P<0.05）,总体来看,2个品种在2年间各生育时期的NNI随着施氮量的增加而增加,过量施氮会导致水稻氮素营养整体过剩,这与ATA-UL-KARIM等^[33]得出的规律类似,表明NNI可以较好地表征水稻氮营养状态和预测产量。随着水稻植株的生长,氮素营养状态和NNI随着施氮量发生改变,叶片对红光、蓝光的吸收增强,光谱的特征波段的形状和位置随之发生规律性改变^[34]。由于在本试验条件下,NNI在各生育时期和品种之间差异不显著（P>0.05）,因此汇总NNI数据分析表明,基于叶片反射光谱估测水稻NNI的敏感波段为绿光波段（540 nm）。

3.2 水稻NNI监测的适宜叶位组合

目前,研究者多利用SPAD仪确立氮素含量监测的适宜叶位,但SPAD值与叶片反射光谱在作物氮素含量监测研究中适宜叶位组合存在差异。SPAD仪在水稻氮素含量的适宜监测叶位为顶3叶^[24],而叶片反射光谱的适宜监测叶位是顶2叶与顶3叶^[23]。这是由于SPAD仪的光谱波段主要为红光与近红外光,而叶片反射光谱是针对全波段光谱的研究,基于叶片反射光谱确立的适宜测定叶位对于新波段与光谱仪器的开发和推广具有重要意义。

前人研究表明水稻叶片和群体随施氮量的改变体内氮含量变化规律是基本一致的^[24]。王仁红等^[21]利用典型光谱指数研究表明冠层反射光谱与NNI相关性显著。本研究旨在基于叶片反射光谱监测NNI,发现相同的典型光谱指数在各叶位与NNI均呈显著相关性。同时,叶片光谱测定部位是单叶,而冠层光谱测定对象是冠层,因此单叶光谱能有效预估群体氮素营养状况。理论上来讲,作物不同生长阶段的营养运转规律、叶片养分的垂直分层特性存在显著差异,且氮营养“稀释效应”十分明显,各叶片氮素营养状况处于不断改变的状态,从而导致不同叶位的诊断意义也不一样。因此,为寻找能代表群体植株氮素营养状况的监测叶位,对各生育期叶片反射光谱进行系统分析,试验结果表明不同叶位叶片反射光谱与NNI各生育期的模型精度与预测精度存在一定的差异,这可能与不同叶位叶片的生长状态有关。水稻在分蘖期处于营养生长阶段,上层叶片均处于生长阶段,因此各叶位对氮素营养状况的相关性均处于较低水平;在拔节—抽穗期,顶2叶（L₂）和顶3叶（L₃）相关性均优于顶1叶（L₁）,此时水稻L₁部分氮素营养供植株生长使用,故不能很好地代表植株氮素营养状况,而L₂和L₃都是主要功能叶片,它们的生长好坏可更准确反映水稻群体氮素营养状况^[23]。汇总各生育期叶片光谱数据表明,典型光谱指数在分蘖期相关性基本上升且其他生育期相关性未明显下降。顶2叶与顶3叶的平均光谱（L₂₃）的模型精度较单叶最高的L₂未明显下降,预测精度较单叶最高的L₃明显提高;表明组合叶位可能会兼容各叶位的优点,降低单个叶位反射光谱在建模中所造成的不良影响。这是由于单叶水平下的叶片反射光谱难以反映整个植株的氮素营养状态,通过研究不同叶位组合光谱对NNI的相关性可有效提高作物氮素营养的诊断精确度^[35]。综上所述,L₂和L₃是监测水稻NNI的关键叶位。

3.3 多种光谱指数与水稻NNI之间的关系

本文筛选的典型光谱指数与水稻NNI相关系数有明显差异,其中比值和归一化光谱指数表现出与NNI较好的相关性。姚霞等^[30]利用比值光谱指数RSI_(990,720)估算出小麦叶片氮积累量;STROPPIANA等^[31]利用可见光波段503 nm和483 nm的归一化光谱指数较好地估算出水稻植株氮含量。因此本文利用比值和归一化光谱指数对水稻NNI进行系统分析,发现比值光谱指数为监测水稻NNI适宜光谱指数形式,且新的窄波段比值指数SR（R₉₀₀,R₅₄₀）较典型比值光谱指数（RVI Ⅱ）模型精度更高。当前,运用于氮素营养状况监测的传感器多种多样,不同波段传感器对波段宽度要求不同^[36]。因此为适应不同传感器的波段要求,本研究以近红外（900 nm）和绿光（540 nm）特征波段为中心,将近红外和绿光区域波段宽度重采样50和10 nm,发现近红外（850—950 nm）与绿光（530—550 nm）内各双波段比值植被指数仍有较高的模型精度和预测精度,构建的宽波段比值指数SR[AR_{（900±50）},AR_{（540±10）}]在不同叶位均表现出与窄波段比值指数SR（R₉₀₀,R₅₄₀）相似的模型精度和预测精度。其与田永超等^[23]在水稻全氮含量研究中发现的近红外/黄绿光组合宽度相同,但绿光敏感波段出现“蓝移”。这可能是由于监测的农艺指标不同而带来的差异。李振^[37]和ZHAO等^[38]在玉米上对这2种指标进行研究,绿光波段同样出现“蓝移”。新波段的提出对开发与氮营养指数相关的无人机与便携式光谱监测仪器,确定传感器的适宜波段宽度提供了良好的参考价值。本研究基于叶片反射光谱构建出适宜于氮素营养诊断的宽波段光谱指数,但是否适用于各种测量环境下的多光谱监测仪器,还需要在冠层反射光谱中进行验证。因此,后续研究需要对水稻氮素监测农艺指标提出的各种宽波段光谱指数进行整理和比较,从而确定适用于基于冠层光谱的多光谱大面积监测仪器,这对作物氮素营养的无损监测具有重要意义。另外,本研究仅利用高产中籼稻为研究对象,还需要在其他气候和品种等条件下进行大量的验证试验,从而提高模型的可靠性和普适性。

4 结论

本研究表明,基于叶片高光谱指数可有效监测水稻氮营养指数（NNI）。其中顶2叶（L₂）模型精度最好,顶3叶（L₃）预测精度最好,而顶2叶和顶3叶组合平均光谱（L₂₃）有助于提高单个叶片的模型精度和预测精度,弥补了单个叶片在模型精度和预测精度上的某一部分的不足。绿光波段（540 nm）为基于不同叶片叶位原始反射光谱估测水稻NNI的敏感波段,SR（R₉₀₀,R₅₄₀）与SR[AR_{（900±50）},AR_{（540±10）}]构建的水稻NNI估测模型精度类似,且在L₂₃水平下优于典型光谱指数RVI Ⅱ,这为确定不同波段传感器的适宜带宽提供了理论依据。氮营养指数可反映田间氮素营养状态和预测水稻产量,NNI在低于1时随着产量的增加而增加,拔节和孕穗期保证充足的氮肥供应有利于水稻增产。

（责任编辑 杨鑫浩）

参考文献 View Option 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

[1] ZHAO D, REDDY K R, KAKANI V G, REDDY V R. Nitrogen deficiency effects on plant growth, leaf photosynthesis, and hyperspectral reflectance properties of sorghum
European Journal of Agronomy, 2005, 22(4):391-403.
DOI:10.1016/j.eja.2004.06.005URL [本文引用: 1]

[2] GASTAL F, BLANGER G. The effects of nitrogen fertilization and the growing season on photosynthesis of field-grown tall fescue (Festuca arundinacea Schreb.) canopies
Annals of Botany, 1993, 72(5):401-408.
DOI:10.1006/anbo.1993.1125URL [本文引用: 1]

[3] PENG S B, BURESH R J, HUANG J L, YANG J C, ZOU Y B, ZHONG X H, WANG G H, ZHANG F S. Strategies for overcoming low agronomic nitrogen use efficiency in irrigated rice systems in China
Field Crops Research, 2006, 96(1):37-47.
DOI:10.1016/j.fcr.2005.05.004URL [本文引用: 1]

[4] BENTJE B, BJERG P L, SONG X F, JAKOBSEN R. Field scale interaction and nutrient exchange between surface water and shallow groundwater in the Baiyang Lake region, North China Plain
Journal of Environmental Sciences, 2016, 45(7):60-75.
DOI:10.1016/j.jes.2015.11.021URL [本文引用: 1]

[5] ZHAO B, ATA-UL-KARIM S T, LIU Z D, NING D F, XIAO J F, LIU Z G, QIN A Z, NAN J Q, DUAN A W. Development of a critical nitrogen dilution curve based on leaf dry matter for summer maize
Field Crops Research, 2017, 208:60-68.
DOI:10.1016/j.fcr.2017.03.010URL [本文引用: 1]

[6] 贺志远, 朱艳, 李艳大, 刘小军, 曹强, 曹卫星, 汤亮. 中国南方双季稻氮营养指数及产量估算模型研究
南京农业大学学报, 2017, 40(1):11-19.
[本文引用: 1]

HE Z Y, ZHU Y, LI Y D, LIU X J, CAO Q, CAO W X, TANG L. Study on estimation model for nitrogen nutrition index and yield on double cropping rice in southern China
Journal of Nanjing Agricultural University, 2017, 40(1):11-19. (in Chinese)
[本文引用: 1]

[7] 杜宇笑, 李鑫格, 张羽, 程涛, 刘小军, 田永超, 朱艳, 曹卫星, 曹强. 不同产量水平下稻茬小麦的氮素营养指标特征
植物营养与肥料学报, 2020, 26(8):1420-1429.
[本文引用: 1]

DU Y X, LI X G, ZHANG Y, CHENG T, LIU X J, TIAN Y C, ZHU Y, CAO W X, CAO Q. Variation in nitrogen status indicators with grain yield level for winter wheat after rice
Journal of Plant Nutrition and Fertilizers, 2020, 26(8):1420-1429. (in Chinese)
[本文引用: 1]

[8] 贾彪, 付江鹏. 基于叶面积指数构建滴灌玉米营养生长期临界氮稀释曲线
农业工程学报, 2020, 36(6):66-73.
[本文引用: 1]

JIA B, FU J P. Critical nitrogen dilution curve of drip-irrigated maize at vegetative growth stage based on leaf area index
Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(6):66-73. (in Chinese)
[本文引用: 1]

[9] 马露露, 吕新, 张泽, 马革新, 海兴岩. 基于临界氮浓度的滴灌棉花氮素营养诊断模型研究
农业机械学报, 2018, 49(2):277-283.
[本文引用: 1]

MA L L, LÜ X, ZHANG Z, MA G X, HAI X Y. Establishment of nitrogen nutrition diagnosis model for drip-irrigation cotton based on critical nitrogen concentration
Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2):277-283. (in Chinese)
[本文引用: 1]

[10] ZHAO B, LIU Z D, ATA-UL-KARIM S T, XIAO J F, LIU Z G, QIN A Z, NING D F, NAN J Q, DUAN A W. Rapid and nondestructive estimation of the nitrogen nutrition index in winter barley using chlorophy Ⅱ measurements
Field Crops Research, 2016, 185:59-68.
DOI:10.1016/j.fcr.2015.10.021URL [本文引用: 1]

[11] AKRAM M. Effects of nitrogen application on chlorophyll content, water relations, and yield of maize hybrids under saline conditions
Communications in Soil Science and Plant Analysis, 2014, 45(10):1336-1356.
DOI:10.1080/00103624.2013.875199URL [本文引用: 1]

[12] 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
Remote Sensing of Environment, 2002, 81(2/3):337-354.
DOI:10.1016/S0034-4257(02)00010-XURL [本文引用: 1]

[13] GITELSON A, MERZLYAK M N. Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves spectral features and relation to chlorophyll estimation
Journal of Plant Physiology, 1994, 143(3):286-292.
DOI:10.1016/S0176-1617(11)81633-0URL [本文引用: 1]

[14] GUPTA R K, VIJAYAN D, PRASAD T S. Comparative analysis of red-edge hyperspectral indices
Advances in Space Research, 2003, 32(11):2217-2222.
DOI:10.1016/S0273-1177(03)90545-XURL [本文引用: 1]

[15] VOGELMANN J E, ROCK B N, MOSS D M. Red edge spectral measurements from sugar maple leaves
International Journal of Remote Sensing, 1993, 14(8):1563-1575.
DOI:10.1080/01431169308953986URL [本文引用: 1]

[16] CHEN P F, HABOUDANE D, TREMBLAY N, WANG J H, VIGNEAULT P, LI B G. New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat
Remote Sensing of Environment, 2010, 114(9):1987-1997.
DOI:10.1016/j.rse.2010.04.006URL [本文引用: 2]

[17] CHO M A, SKIDMORE A K. A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method
Remote Sensing of Environment, 2006, 101(2):181-193.
DOI:10.1016/j.rse.2005.12.011URL [本文引用: 1]

[18] XUE L H, CAO W X, LUO W H, DAI T B, ZHU Y. Monitoring leaf nitrogen status in rice with canopy spectral reflectance
Agronomy Journal, 2004, 96(1):135-142.
DOI:10.2134/agronj2004.0135URL [本文引用: 1]

[19] 曾水生, 李艳大, 舒时富, 陈立才, 叶春, 贺志远, 张晨, 曾一凡. 光谱技术在水稻生长监测中的应用研究进展
农学学报, 2015, 5(2):100-104.
[本文引用: 1]

ZENG S S, LI Y D, SHU S F, CHEN L C, YE C, HE Z Y, ZHANG C, ZENG Y F. Application of spectrum technique in monitoring rice growth
Journal of Agriculture, 2015, 5(2):100-104. (in Chinese)
[本文引用: 1]

[20] 梁惠平, 刘湘南. 玉米氮营养指数的高光谱计算模型
农业工程学报, 2010, 26(1):264-269.
[本文引用: 1]

LIANG H P, LIU X N. Model for calculating corn nitrogen nutrition index using hyper-spectral data
Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(1):264-269. (in Chinese)
[本文引用: 1]

[21] 王仁红, 宋晓宇, 李振海, 杨贵军, 郭文善, 谭昌伟, 陈立平. 基于高光谱的冬小麦氮素营养指数估测
农业工程学报, 2014, 30(19):191-198.
[本文引用: 2]

WANG R H, SONG X Y, LI Z H, YANG G J, GUO W S, TAN C W, CHEN L P. Estimation of winter wheat nitrogen nutrition index using hyperspectral remote sensing
Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19):191-198. (in Chinese)
[本文引用: 2]

[22] 姚霞. 小麦冠层和单叶氮素营养指标的高光谱监测研究
[D]. 南京:南京农业大学, 2009.
[本文引用: 2]

YAO X. Monitoring nitrogen stayus at canopy and leaf scales with hyperspectral sensing in wheat
[D]. Nanjing: Nanjing Agricultuarl University, 2009. (in Chinese)
[本文引用: 2]

[23] 田永超, 杨杰, 姚霞, 曹卫星, 朱艳. 利用叶片高光谱指数预测水稻群体叶层全氮含量
作物学报, 2010, 36(9):1529-1537.
[本文引用: 5]

TIAN Y C, YANG J, YAO X, CAO W X, ZHU Y. Monitoring canopy leaf nitrogen concentration based on leaf hyperspectral indices in rice
Acta Agronomica Sinica, 2010, 36(9):1529-1537. (in Chinese)
[本文引用: 5]

[24] 李刚华, 薛利红, 尤娟, 王绍华, 丁艳锋, 吴昊, 杨文祥. 水稻氮素和叶绿素SPAD叶位分布特点及氮素诊断的叶位选择
中国农业科学, 2007, 40(6):1127-1134.
[本文引用: 3]

LI G H, XUE L H, YOU J, WANG S H, DING Y F, WU H, YANG W X. Spatial distribution of leaf N content and SPAD value and determination of the suitable leaf for N diagnosis in rice
Scientia Agricultura Sinica, 2007, 40(6):1127-1134. (in Chinese)
[本文引用: 3]

[25] 赵犇, 姚霞, 田永超, 刘小军, 曹卫星, 朱艳. 基于上部叶片SPAD值估算小麦氮营养指数
生态学报, 2013, 33(3):916-924.
DOI:10.5846/stxbURL [本文引用: 2]

ZHAO B, YAO X, TIAN Y C, LIU X J, CAO W X, ZHU Y. Estimation of nitrogen nutrient index on SPAD value of top leaves in wheat
Acta Ecologica Sinica, 2013, 33(3):916-924. (in Chinese)
DOI:10.5846/stxbURL [本文引用: 2]

[26] INOUE Y, SAKAIYA E, ZHU Y, TAKAHASHI W. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements
Remote Sensing of Environment, 2012, 126:210-221.
DOI:10.1016/j.rse.2012.08.026URL [本文引用: 1]

[27] TIAN Y C, GU K J, CHU X, YAO X, CAO W X, ZHU Y. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice
Plant and Soil, 2014, 376(1/2):193-209.
DOI:10.1007/s11104-013-1937-0URL [本文引用: 1]

[28] 宋红燕, 胡克林, 彭希. 基于高光谱技术的覆膜旱作水稻植株氮含量及籽粒产量估算
中国农业大学学报, 2016, 21(8):27-34.
[本文引用: 1]

SONG H Y, HU K L, PENG X. Crop nitrogen content diagnosis and yield estimation in ground cover rice production system based on hyperspectral data
Journal of China Agricultural University, 2016, 21(8):27-34. (in Chinese)
[本文引用: 1]

[29] LEMAIRE G, GASTAL F, SALETTE J. N Uptake and Distribution in Plant Canopies
Springer: Berlin, 1997, 25:3-45.
[本文引用: 1]

[30] 姚霞, 朱艳, 冯伟, 田永超, 曹卫星. 监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数
光谱学与光谱分析, 2009, 29(8):2191-2195.
[本文引用: 2]

YAO X, ZHU Y, FENG W, TIAN Y C, CAO W X. Exploring novel hyperspectral band and key index for leaf nitrogen accumulation in wheat
Spectroscopy and Spectral Analysis, 2009, 29(8):2191-2195. (in Chinese)
[本文引用: 2]

[31] STROPPIANA D, MBOSCHETTI M, BRIVIO P A, BOCCHI S. Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry
Field Crops Research, 2009, 111(1/2):119-129.
DOI:10.1016/j.fcr.2008.11.004URL [本文引用: 2]

[32] 杜宇笑, 李鑫格, 王雪, 刘小军, 田永超, 朱艳, 曹卫星, 曹强. 不同产量水平稻茬小麦氮素需求特征研究
作物学报, 2020, 46(11):1780-1789.
DOI:10.3724/SP.J.1006.2020.01027 [本文引用: 1]
明确长江中下游地区不同产量水平稻茬小麦氮素需求特征, 可为小麦施肥管理提供理论依据。本研究通过在江苏开展的多年多点不同品种、氮肥水平以及播期播量的小麦试验, 构建不同产量水平的实测数据集, 分析不同产量水平下单位籽粒需氮量、干物质积累量、植株氮积累量、氮浓度(植株氮浓度、秸秆氮浓度、籽粒氮浓度)、收获指数、氮收获指数和氮营养指数的变化规律。结果表明, 不同产量水平下单位籽粒需氮量无显著差异, 中低产的单位籽粒需氮量最高, 其值为27.8 kg t^-1; 低产水平最低, 其值为24.8 kg t^-1。随着产量水平的提高, 成熟期干物质积累量、植株氮积累量、植株氮浓度均呈上升趋势, 不同产量水平间差异显著。小麦产量与植株氮积累量呈显著正相关, 播种期—拔节期、拔节期—开花期和开花期—成熟期的干物质积累量和氮积累量均随着产量的提高而提高, 但不同生育阶段的植株干物质积累和氮积累占比呈现不同变化趋势。秸秆和籽粒氮浓度均随产量水平的提高而提高, 高产水平下的秸秆氮浓度与中产无显著差异, 但显著高于中低产和低产水平; 而对于籽粒氮浓度, 除中产和中低产水平外均存在显著差异。收获指数随产量水平的提高而逐渐提高, 其变化范围为0.39~0.49, 其中低产和中低产显著低于中产和高产; 而不同产量水平间氮收获指数无显著差异, 其变化范围为0.60~0.96。氮营养指数随着产量水平的提高逐渐提高, 且在不同产量水平间差异显著, 高产水平的氮营养指数较高, 部分值大于1, 表明有的试验氮肥供应过量。随着产量水平的提高, 单位籽粒需氮量呈现先增加后下降趋势, 而干物质积累量、植株氮积累量、植株氮浓度、秸秆氮浓度和籽粒氮浓度均逐渐提高, 其中秸秆氮浓度增幅高于籽粒氮浓度, 田间施肥应注意避免小麦对氮素的奢侈吸收。收获指数和氮收获指数的变化范围与前人研究一致, 生长后期较高的干物质积累量和植株氮积累量是小麦获得高产的主要原因, 利用氮营养指数可以对小麦田间氮肥管理起到较好的指导作用。
DU Y X, LI X G, WANG X, LIU X J, TIAN Y C, ZHU Y, CAO W X, CAO Q. Nitrogen demand characteristics with different grain yield levels for wheat after rice
Acta Agronomica Sinica, 2020, 46(11):1780-1789. (in Chinese)
DOI:10.3724/SP.J.1006.2020.01027 [本文引用: 1]
明确长江中下游地区不同产量水平稻茬小麦氮素需求特征, 可为小麦施肥管理提供理论依据。本研究通过在江苏开展的多年多点不同品种、氮肥水平以及播期播量的小麦试验, 构建不同产量水平的实测数据集, 分析不同产量水平下单位籽粒需氮量、干物质积累量、植株氮积累量、氮浓度(植株氮浓度、秸秆氮浓度、籽粒氮浓度)、收获指数、氮收获指数和氮营养指数的变化规律。结果表明, 不同产量水平下单位籽粒需氮量无显著差异, 中低产的单位籽粒需氮量最高, 其值为27.8 kg t^-1; 低产水平最低, 其值为24.8 kg t^-1。随着产量水平的提高, 成熟期干物质积累量、植株氮积累量、植株氮浓度均呈上升趋势, 不同产量水平间差异显著。小麦产量与植株氮积累量呈显著正相关, 播种期—拔节期、拔节期—开花期和开花期—成熟期的干物质积累量和氮积累量均随着产量的提高而提高, 但不同生育阶段的植株干物质积累和氮积累占比呈现不同变化趋势。秸秆和籽粒氮浓度均随产量水平的提高而提高, 高产水平下的秸秆氮浓度与中产无显著差异, 但显著高于中低产和低产水平; 而对于籽粒氮浓度, 除中产和中低产水平外均存在显著差异。收获指数随产量水平的提高而逐渐提高, 其变化范围为0.39~0.49, 其中低产和中低产显著低于中产和高产; 而不同产量水平间氮收获指数无显著差异, 其变化范围为0.60~0.96。氮营养指数随着产量水平的提高逐渐提高, 且在不同产量水平间差异显著, 高产水平的氮营养指数较高, 部分值大于1, 表明有的试验氮肥供应过量。随着产量水平的提高, 单位籽粒需氮量呈现先增加后下降趋势, 而干物质积累量、植株氮积累量、植株氮浓度、秸秆氮浓度和籽粒氮浓度均逐渐提高, 其中秸秆氮浓度增幅高于籽粒氮浓度, 田间施肥应注意避免小麦对氮素的奢侈吸收。收获指数和氮收获指数的变化范围与前人研究一致, 生长后期较高的干物质积累量和植株氮积累量是小麦获得高产的主要原因, 利用氮营养指数可以对小麦田间氮肥管理起到较好的指导作用。

[33] ATA-UL-KARIM S T, LIU X J, LU Z Z, ZHENG H B, CAO W X, ZHU Y. Estimation of nitrogen fertilizer requirement for rice crop using critical nitrogen dilution curve
Field Crops Research, 2017, 201:32-40.
DOI:10.1016/j.fcr.2016.10.009URL [本文引用: 1]

[34] 陈志强, 王磊, 白由路, 杨俐苹, 卢艳丽, 王贺, 王志勇. 玉米叶片的光谱响应及其氮素含量预测研究
光谱学与光谱分析, 2013, 33(4):1066-1070.
[本文引用: 1]

CHEN Z Q, WANG L, BAI Y L, YANG L P, LU Y L, WANG H, WANG Z Y. Spectral response of maize leaves and prediction of their nitrogen content
Spectroscopy and Spectral Analysis, 2013, 33(4):1066-1070. (in Chinese)
[本文引用: 1]

[35] 张银杰, 王磊, 白由路, 杨俐苹, 卢艳丽, 张静静, 李格. 基于高光谱分析的玉米叶片氮含量分层诊断研究
光谱学与光谱分析, 2019, 39(9):2829-2835.
[本文引用: 1]

ZHANG Y J, WANG L, BAI Y L, YANG L P, LU Y L, ZHANG J J, LI G. Nitrogen nutrition diagnostic based on hyperspectral analysis about different layers leaves in maize
Spectroscopy and Spectral Analysis, 2019, 39(9):2829-2835. (in Chinese)
[本文引用: 1]

[36] 刘忠, 万炜, 黄晋宇, 韩已文, 王佳莹. 基于无人机遥感的农作物长势关键参数反演研究进展
农业工程学报, 2018, 34(24):60-71.
[本文引用: 1]

LIU Z, WAN W, HUANG J Y, HAN Y W, WANG J Y. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing
Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(24):60-71. (in Chinese)
[本文引用: 1]

[37] 李振. 基于高光谱玉米氮素营养与生长指标的监测
[D]. 泰安: 山东农业大学, 2012.
[本文引用: 1]

LI Z. Monitoring nitrogen status and growth characters with hyper-spectral in maize
[D]. Taian:Shandong Agricutural University, 2012. (in Chinese)
[本文引用: 1]

[38] ZHAO B, DUAN A W, ATA-UL-KARIM S T, LIU Z D, CHEN Z F, GONG Z H, ZHANG J Y, XIAO J F, LIU Z G, QIN A Z, NING D F. Exploring new spectral bands and vegetation indices for estimating nitrogen nutrition index of summer maize
European Journal of Agronomy, 2018, 93:113-125.
DOI:10.1016/j.eja.2017.12.006URL [本文引用: 1]