利用高光譜技術估測小麥葉片氮量和土壤供氮水平

謝福來，史曉芳，史忠良，田瑋瑋，蘆冬濤，張士昌

（山西省農業科學院小麥研究所，山西臨汾041000）

?

利用高光譜技術估測小麥葉片氮量和土壤供氮水平

謝福來，史曉芳，史忠良，田瑋瑋，蘆冬濤，張士昌

（山西省農業科學院小麥研究所，山西臨汾041000）

摘 要：有效的監測作物氮素營養水平及土壤供氮能力可以為合理施用氮肥提供重要依據。本文以2年3點不同氮素水平下不同小麥品種的田間試驗數據為基礎，運用植被指數和偏最小二乘回歸法，比較和分析小麥冠層光譜與葉片氮含量及土壤氮含量的關系。結果表明：小麥冠層光譜與葉片氮含量的相關性分析在可見光波段存在顯著負相關，在近紅外波段呈顯著正相關，而與土壤氮含量的相關性呈相反趨勢。基于光譜參數ND705和GNDVI所建葉片氮含量估算模型的決定系數分別達到0.827和0.826。基于光譜參數VOG2所建土壤氮含量估算模型的決定系數達到0.646；與植被指數所建模型相比，綜合350～1350 nm光譜波段反射率分別與小麥葉片氮含量、土壤氮含量建立偏最小二乘回歸模型的預測精度均有所提高，決定系數分別達到0.842和0.654。本研究結果可為小麥氮素營養及土壤供氮水平的診斷監測與合理施肥管理提供了理論依據和技術支持。

關鍵詞：小麥；冠層反射光譜；葉片氮含量；土壤氮含量；光譜參數

0　引言

氮素是作物生長發育所必需的營養元素，與光合作用有著密切的關系，直接影響作物長勢和產量品質的形成，而作物氮素營養主要來源于土壤氮素含量。土壤供氮狀況對作物增產起著至關重要的作用，在一定范圍內增加氮肥施用量有利于小麥產量的提高，但施氮量過高會導致氮肥利用率的降低，施肥經濟效益下降，因此，提高土壤氮素利用率已成為當前精準農業的主要目標之一。實時、準確地獲取小麥葉片氮含量和土壤氮含量，兼顧二者的監測，可以有效地做到合理施用氮肥，提高氮肥利用率及作物產量、品質的形成。但是，葉片氮含量和土壤氮含量的常規測定方法主要通過作物生長關鍵時期多點采樣，使用實驗室化學分析方法完成，該方法費工、耗時，且有一定的時空滯后性。

高光譜遙感技術以實時、快速和非破壞性等優勢成為當前精準農業技術之一，在作物葉片氮含量和土壤供氮水平的監測方面表現出良好的應用前景[1-3]。姚霞等[2]提出了基于導數光譜的比值光譜指數建立小麥葉片氮素監測模型，可顯著地提高模型精確度和可靠性。李映雪等[4]研究表明葉片氮含量與冠層光譜的歸一化植被指數NDVI(R1220,R710)和紅邊位置所建模型的決定系數在0.80左右。翟清云等[5]指出利用光譜參數NDSI(FD710,FD690)、DSI(R515,R460)和RSI(R535,R715)建立的估測模型能夠較好地預測不同土壤質地小麥葉片氮含量。張娟娟等[6]分析了不同地區主要類型土壤全氮含量與高光譜反射率之間的定量關系，構建了基于偏最小二乘法（PLSR）、神經網絡和特征光譜指數的土壤全氮含量估算模型。潘文超等[7]研究表明植株冠層光譜參數可以很好地監測土壤氮素營養。上述研究表明基于小麥冠層光譜監測葉片氮含量及土壤氮含量具有可行性和可靠性，但基于冠層反射光譜同時兼顧小麥氮素營養及土壤供氮狀況的監測研究較少。因此，本研究探討了利用高光譜遙感監測小麥葉片氮含量及土壤對小麥供氮水平的研究。本研究以2年3點不同施氮水平下2個小麥品種的田間試驗數據為對象，運用植被指數法和PLSR，分析小麥冠層反射光譜與葉片氮含量、土壤氮含量的定量關系，比較并選擇小麥葉片氮含量、土壤氮含量的最佳預測模型。預期結果將為遙感技術對小麥葉片氮素營養及土壤氮素水平的診斷，以及合理施氮管理提供理論依據。

1　材料與方法

1.1試驗設計

本研究共涉及3個不同的田間試驗，分別于2011—2013年小麥生長季節進行。

試驗1：2011—2012年度在山西省曲沃縣試驗田（東經111°24′，北緯35°33′）進行。供試土壤類型為褐土性土，土壤呈中性、微堿性反應，礦物質、有機質積累較多，腐殖質層較厚，肥力較高。土壤耕層有機質含量10.75 g/kg，全氮含量0.49 g/kg，堿解氮27.77 mg/kg，速效磷15.46 mg/kg。供試品種為‘運麥20410’，全生育期250天，株高85 cm，穗紡錘型，長芒，小穗排列緊密。群體密度為52.5萬/hm2左右，穗粒數平均35粒，千粒重43 g。該試驗數據用于建立模型。試驗采用單因素隨機區組排列，3次重復，各處理小區面積20 m2。設5個施氮水平，分別為0、75、150、225、300 kg/hm2純氮，以尿素(N 46%)作氮肥，分40%基肥、60%返青后期施入。磷鉀肥以基肥一次性施入，過磷酸鈣(P2O516.5%)作磷肥，施磷量(P2O5)100 kg/hm2，氯化鉀(K2O 61.5%)作鉀肥，施鉀量(K2O)100 kg/hm2。小麥返青后一次性追肥，田間光譜采樣時期分別為選擇返青期(Recovering)、拔節期(Jointing)、孕穗期(Heading)和灌漿期(Grain filling)。

表1　施肥方案設計

試驗2：2011—2012年度，在山西省臨汾市堯都區驗田各處理曲沃縣處理的方法相同。選擇在冬小麥返青期、拔節期、孕穗期和灌漿期測定小麥冠層反射光譜，同步采集葉片、土壤樣本并測定氮素指標，該試驗數據用于模型驗證。

試驗3：2012—2013年度，設在太原市東陽試驗田，供試土壤為黃土母質發育而成的石灰性褐土，土壤肥力水平中等，土壤耕層有機質含量20.07 g/kg，堿解氮49.3 mg/kg，有效磷18.79 mg/kg，速效鉀247.3 mg/kg。試驗采用單因素隨機區組排列，3次重復，各處理小區面積30 m2。供試小麥品種為國審‘晉太170’，全生育期265天，株高80 cm，穗紡錘型，長芒。穗粒數平均40粒，千粒重38 g。試驗設計、施肥量、田間光譜采集時間及測定方法以及田間管理同于試驗1。該試驗數據用于建立模型。

1.2測定方法

1.2.1冠層光譜的測定 冬小麥的冠層光譜數據測量采用美國ASD(Analytical Spectral Device)公司生產的Field Spec 3背掛式野外高光譜輻射儀，測量波段范圍350～2500 nm，光譜儀視場角25°，其中，350～1000 nm間的光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1000～2500 nm的光譜采樣間隔為2 nm，光譜分辨率為10 nm。冠層光譜測定選擇在天氣晴朗、無風或風速很小時進行，測定時間為10:00—14:00。測量時傳感器探頭垂直向下，距冠層頂垂直高度約1.5 m，地面視場范圍直徑0.44 m。測量時間為10:00—14:00。每小區重復測量3次，取平均值作為該觀測點的光譜反射值。測量過程中及時進行標準白板校正（所測得的目標物體光譜為無量綱的相對反射率）。

1.2.2氮素的測定 在小麥返青期、拔節期、孕穗期和灌漿期測定小麥冠層反射光譜后，同步測定小麥葉片氮含量及土壤氮含量。具體方法為：在各小區隨機選取5株代表性植株，將植株莖、葉分離，在105℃下殺青30 min之后，75℃下烘干至恒重，稱干重，使用凱氏定氮法測定小麥葉片氮含量(%)；此外，按五點法對各小區耕層0～40 cm取土，每個小區取混合樣，使用凱氏定氮法測定并計算土壤氮含量(g/kg)。

1.3數據分析方法

所采集冠層光譜數據處理采用Field Spec FR Pro隨機軟件進行處理。本研究綜合已有大量光譜參數的算法，如光譜位置變量技術、微分光譜技術、連續統去除法和原始光譜反射率多波段組合等方法[8-12]，在MATLAB平臺下編程實現所有光譜參數的算法，選擇敏感光譜參數（表2）并建立線性和非線性（冪函數、指數函數和對數函數）回歸模型，從中選擇最佳預測模型。此外，采用偏最小二乘回歸(PLSR)重點分析350～ 2500 nm光譜反射率與單因變量（葉片氮含量或土壤氮含量）之間的線性模型，具體分析過程基于SAS平臺下使用PROC PLS過程步，首先對光譜數據進行標準化變換，數據分析采用“舍一交叉驗法”，并使用迭代的NIPALS算法。下面介紹PLSR分析的建模方法：

為研究單因變量y和自變量x1,x2,...,xp之間的統計關系，本研究觀測了n個樣本點，由此構成了自變量與因變量的數據矩陣X=[x1,...,xp]n×p和Y＝[y]n×1，分別在X 和Y中提取第一對成分t1和u1。t1和u1應盡可能好地代表數據表X和Y，同時自變量的成分t1對因變量的成分u1又有最強的解釋能力。在第一對成分t1和u1被提取后，PLSR分別實施X對t1的回歸以及Y對t1的回歸。如果回歸方程已經達到滿意的精度，則算法終止；否則，將利用X被t1解釋后的殘余信息以及Y被t1解釋后的殘余信息進行第二對成分的提取，直到能達到滿意的精度為止。若最終對X共提取了m個成分t1,…,tm，PLSR分析將通過建立y對t1,…,tm的回歸，然后再表達成y關于原自變量x1,..,xp的回歸方程。該法可對建模數據信息進行分解和篩選的方式，提取對因變量的解釋性最強的綜合變量，辨識系統中的信息與噪聲，從而更好地克服自變量多重共線性在系統建模中的不良作用。

以試驗1和試驗3的數據為建模數據建立基于小麥冠層反射光譜的葉片氮含量及土壤氮含量的預測模型，進而利用試驗2為獨立資料數據對預測模型進行驗證，模型驗證采用預測值和實測值的擬合決定系數(R2)和相對均方根誤差(RRMSE)等指標來評定模型預測精度的好壞，其中，相對均方根差(RRMSE)[13]計算公式如式(1)。

式中Pi和分別為實測值和模型預測值，n為樣本數。RRMSE值越小則模型的預測精度水平越高。

2　結果與分析

2.1冠層光譜與葉片氮含量及土壤氮含量的相關分析

利用小麥全生育期光譜反射率分別與葉片氮含量及土壤氮含量進行相關性分析，圖1為小麥葉片氮含量與光譜反射率的相關性曲線，在可見光波段表現為顯著負相關(P<0.05)，其中367～719 nm光譜反射率與葉片氮含量達到極顯著負相關(P<0.01)，而大部分近紅外波段表現為顯著正相關(P<0.05)，其中738～1143 nm波段光譜反射率與葉片氮含量在全生育期都呈現極顯著正相關(P<0.01)，且在693 nm和792 nm波段分別達到最大負相關和負相關，相關系數分別為-0.863和0.709（表3）。圖2為土壤氮含量與光譜反射率的統計相關性曲線，可見光波段表現為顯著負相關，432～717nm光譜反射率與土壤氮含量達極顯著負相關，而大多數近紅外波段表現為顯著正相關，739～1141 nm波段光譜反射率與土壤氮含量均呈顯著正相關，其中在796 nm和694 nm波段處分別達到最大負相關和正相關，相關系數分別為-0.647和0.721。

表2　本研究所選高光譜參數及計算方法

圖1　小麥葉片氮含量與冠層光譜反射率及一階導數光譜的相關系數

針對全生育期一階導數光譜與葉片氮含量、土壤氮含量進行相關性分析，分別提取對一階導數光譜與葉片氮含量、土壤氮含量的最大正相關和負相關的光譜信息（表3）。結果顯示，一階導數光譜與葉片氮含量、土壤氮含量的最大相關性均優于原始冠層光譜。可能原因是對原始光譜的求導能有效地降低背景噪聲，從而增強冠層光譜反射率與目標性狀的相關性。由圖1和圖2可以看出，小麥冠層反射光譜及一階導數光譜與葉片氮含量、土壤氮含量的相關性均表現較好，說明光譜信息中含有指示葉片氮含量及土壤氮含量的重要信息，可進一步研究反射光譜與葉片氮含量、土壤氮含量之間的回歸關系。

圖2　土壤氮含量與小麥冠層光譜反射率及一階導數光譜的相關系數

表3　小麥冠層光譜反射率及一階導數光譜與葉片氮含量、土壤氮含量的相關系數

2.2基于植被指數的葉片氮含量及土壤氮含量的估算模型

利用試驗1和試驗3的采集數據對小麥冠層光譜特征參數與葉片氮含量、土壤氮含量的回歸分析，建立了利用冠層光譜參量反演小麥葉片氮含量、土壤氮含量的預測模型，然后利用試驗2資料數據進行模型驗證，通過模型間的比較分析，從中優選出模型預測表現較好的模型（表4）。所選葉片氮含量預測模型多數為線性模型，其中光譜參數NDVI(810,560)、ND705、GNDVI、Area672、NDCI、PSNDb、mND705、ND672、SDr/SDb對小麥葉片氮含量的預測效果較好，決定系數(R2)和標準誤(RMSE)變化范圍分別為0.818～0.927，0.397～0.413，模型驗證的預測精度及相對均方根誤差的變化范圍分別為0.785～0.808，0.124～0.135。根據模型決定系數最大和標準誤差最小的原則，基于ND705 和GNDVI建立的葉片氮含量估算模型的預測表現最好（圖3），決定系數分別為0.827和0.826，均方根誤為0.397和0.398，相應的模型驗證也有較好的表現，預測精度分別為0.808和0.805，相對均方根誤分別為0.124 和0.126。此外，所選光譜參數VOG2、VOG1、RI-2dB、mSR705、mND705、ND705對土壤氮含量所建模型以非線性模型為主，決定系數和標準誤變化范圍分別為0.634～0.646，0.093～0.094，模型驗證的預測精度及相對均方根誤差的變化范圍分別為0.607～0.625，0.127～ 0.131。根據模型決定系數最大和標準誤差最小的原則，基于VOG-2建立二項式回歸的土壤氮含量模型預測表現最好（圖4），從圖4可以看出，樣本觀測值基本散落在回歸曲線附近，決定系數和均方根誤分別為0.646和0.093，其模型驗證表現較為穩定，預測精度和相對均方根誤分別為0.625和0.127。總之，上述所建小麥葉片氮含量和土壤氮含量遙感估算模型的精準性和穩定性均較好，而且模型驗證結果表現也較好。說明利用冠層光譜估算小麥葉片氮含量及土壤氮含量具有可行性和可靠性，擬推薦上述所選模型為小麥葉片氮含量和土壤氮含量的最佳預測模型，可用于估算小麥氮素營養水平和土壤供氮狀況。

表4　小麥葉片氮含量和土壤氮含量與最佳光譜參數的回歸分析及其驗證

圖3　葉片氮含量與光譜參數ND705和GNDVI的關系散點圖

圖4　光譜參數VOG2與土壤氮含量的關系散點圖

2.3小麥葉片氮含量和土壤氮含量的PLSR分析

由于350～1350 nm光譜范圍內蘊藏著指示目標性狀的豐富信息，但相鄰波段反射率間存在嚴重的自相關問題。與普通多元回歸相比，PLSR可以較好地解決自變量之間的多重相關性及樣本容量少于自變量數目的問題。本研究采用PLSR挖掘350～1350 nm光譜范圍內指示小麥葉片氮含量及土壤氮含量的重要信息。由表5可知，所建模型選擇的4個主成份包含了樣本中99%以上的光譜信息，解釋了響應變量（葉片氮含量）總變異的84.2%，且均方根誤差為0.379，使用獨立資料數據進行模型擬合效果較好（圖5A），其預測值與觀測值擬合的散點圖均勻散落在1:1線的周圍，預測精度和相對均方根誤差分別為0.819和10.3%，所建葉片氮含量PLSR模型的預測表現明顯地優于前文的所選植被指數。此外，與前文的所選植被指數相比，所建土壤氮含量的PLSR模型預測表現有所提高，其決定系數和均方根誤差分別為0.654和0.092，使用獨立資料數據進行模型驗證，其預測值與測量值散點圖的擬合程度較好（圖5B），其中預測精度和相對均方根誤差分別為0.819和10.3%。

本研究所建PLSR模型由于包含參數過多，即光譜范圍350～1350 nm的1001個波段反射率，不便列出，為此，本研究使用SAS平臺開發了一套關于光譜的PLSR分析軟件，根據本研究的試驗數據建模。基于此軟件，將采集的光譜輸入軟件，可以輸出葉片氮含量和土壤氮含量的預測值，由此實現對葉片營養狀況及土壤供氮水平的估測。

3　討論

作物氮素營養與生長發育、光合作用及產量之間有密切的關系。葉片氮素是葉綠素分子的基本組分，而葉綠素是作物光合作用的主要色素，其含量的高低直接影響作物光合同化的物質積累能力。利用遙感技術對作物葉片氮含量與營養豐缺的無損監測，已成為合理施用氮肥，提高氮肥利用效率和作物產量、改善作物品質的重要途徑。因此，根據不同氮肥水平下小麥全生育期氮素營養的高光譜響應差異建立的預測模型，對于小麥氮素營養豐缺狀況的診斷及合理施肥管理具有重要意義。但是，小麥氮素營養主要來源于土壤供氮狀況，土壤氮含量及氮肥利用率也是指導氮肥合理施用的重要因素。盡管增施氮肥是提高作物產量的重要措施之一，但由于施肥方法、作物自身原因以及氮肥利用率高低等問題，導致不合理的增施氮肥，不僅浪費資源，同時也對生態環境造成嚴重的破壞性[24]。因此，進一步研究小麥冠層反射光譜對土壤供氮狀況的響應差異，確立其估算模型，可以實時快速地診斷土壤對小麥的供氮狀況，為合理施氮及管理提供重要的理論依據。

表5　小麥葉片氮含量和土壤氮含量PLSR模型的檢驗和驗證

圖5　基于PLSR模型的小麥氮含量和土壤氮含量預測值與實測值的關系圖

小麥葉片氮含量與冠層光譜及一階導數的相關性明顯地優于土壤氮含量，說明冠層光譜所含信息主要來源于小麥冠層光譜結構及其化學成分，而土壤的信息較少。此外，小麥葉片氮含量、土壤氮含量與一階導數光譜的相關性顯著地高于冠層原始光譜，說明一階導數光譜可有效地降低背景噪音，提高光譜指示目標性狀的敏感性。冠層光譜與葉片氮含量在可見光部分表現出強烈的線性負相關，在近紅外部分表現出顯著正相關，而其與土壤氮含量的相關曲線的趨勢與前者呈現相反趨勢。究其原因，本研究所測光譜是以小麥冠層葉片的光譜反射率為主，由于小麥葉片對土壤的遮擋，使得所測光譜中僅含有少量反映土壤成份的信息。前人研究表明mNDVI705、綠色歸一化植被指數(GNDVI)和紅邊面積參數SDr/SDb等植被指數能夠很好地預測小麥葉片氮含量[17,25-27]。本研究也表明上述光譜參數與小麥葉片氮含量所建模型具有較好的預測力和穩定性。此外，本研究所光譜參數ND705和GNDVI對葉片氮含量所建模型的決定系數分別達到0.827和0.826，光譜參數VOG2與土壤氮含量所建二項式曲線回歸的決定系數達到0.646，說明敏感光譜參數均優于冠層光譜與目標性狀的敏感性。此外，所選光譜參數的構成波段均落入相關性顯著(P<0.05)的波段范圍，進一步證明冠層反射光譜與目標性狀相關性顯著的波段范圍內含有指示目標性狀的重要信息。

所選敏感植被指數僅包含了指示目標性狀的2個特征波段，而其它波段中所蘊含的指示目標性狀的信息未能得以充分利用，因此深入挖掘冠層光譜中指示目標性狀的重要信息應盡量整合大多數光譜波段反射率的信息。光譜范圍350～1350 nm波段反射率與小麥葉片氮含量、土壤氮含量均有較強的相關性，因此，有必要進一步深入挖掘光譜信息中指示小麥葉片氮含量和土壤氮含量的信息，明確該光譜范圍內波段反射率與二者的定量關系。由于連續的光譜波段間存在嚴重的多重共線性問題，且樣本數少、解釋變量過多，普通多元回歸方法不能很好地解決此問題，而PLSR分析能夠很好地解決上述問題。PLSR模型可以解釋小麥葉片氮含量和土壤氮含量的響應變異分別達到84.2% 和64.5%，其預測力較所選植被指數的模型有所提高，說明綜合盡可能多的光譜波段信息可以有效地提高對目標性狀的預測力。

本研究在前人研究的基礎上，綜合分析了小麥冠層光譜與葉片氮含量、土壤氮含量的關系，進而構建了葉片氮含量和土壤氮含量的估算模型，可有效地預測小麥氮素營養和土壤供氮能力。但也存在著一些不足之處，由于“土壤—冠層—光譜”的信息傳遞關系，使得指示土壤的信息在冠層光譜信息中所占比例較少，且隨著生育期的推進，植被冠層不斷增大，冠層光譜中含有的土壤信息會越來越少，從而導致直接利用冠層光譜估算土壤養分難度很大。冠層光譜對不同地點環境的敏感性，本研究考慮了2年3點不同氮素水平下2個品種的高光譜響應差異，該模型還有待于進一步在其他生產區域進行驗證和改善，因此，下一步研究將考慮多年多點環境不同品種在不同供氮水平的冠層高光譜信息為基礎，系統地分析“冠層－植株”與“植株－土壤”的關系，從而建立起穩定的小麥葉片氮素營養及間接的土壤供氮水平的估算模型，進而擴展遙感估算模型的普適性和可靠性，由此系統地監測小麥氮素營養及其土壤供氮水平，做到合理施肥，并有效提高土壤氮利用率。

4　結論

小麥冠層反射光譜與葉片氮含量的相關性分析表明，可見光波段367～719 nm光譜反射率與葉片氮含量達到極顯著負相關(P<0.01)，而近紅外波段738～1143 nm光譜反射率與葉片氮含量均呈現極顯著正相關(P< 0.01)。冠層光譜與土壤氮含量的相關性分析表明可見光波段432～717 nm光譜反射率與土壤氮含量達極顯著負相關(P<0.01)，而近紅外波段739～1141 nm光譜反射率與土壤氮含量均呈顯著正相關(P<0.01)。基于光譜參數ND705和GNDVI建立的葉片氮含量估算模型的決定系數分別為0.827和0.826，標準誤分別為0.397和0.398。基于光譜參數VOG2建立的土壤氮含量估算模型的決定系數和標準誤為分別為0.646和0.093。所建小麥葉片氮含量的PLSR估算模型的決定系數和均方根誤差分別為0.842和0.379，所建土壤氮含量PLSR模型的決定系數和均方根誤差分別為0.654和0.092。

參考文獻

[1]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].農業工程學報,2010(08):195-199.

[2]姚霞,朱艷,田永超,等.小麥葉層氮含量估測的最佳高光譜參數研究[J].中國農業科學,2009,42(8):2716-2725.

[3]吳華兵,朱艷,田永超,等.棉花冠層高光譜參數與葉片氮含量的定量關系[J].植物生態學報,2007(05):903-909.

[4]李映雪,朱艷,田永超,等.小麥葉片氮含量與冠層反射光譜指數的定量關系[J].作物學報,2006,32(3):358-362.

[5]翟清云,張娟娟,熊淑萍,等.基于不同土壤質地的小麥葉片氮含量高光譜差異及監測模型構建[J].中國農業科學,2013,46(13):2655-2667.

[6]張娟娟,田永超,姚霞,等.基于高光譜的土壤全氮含量估測[J].自然資源學報,2011,26(5):881-890.

[7]潘文超,李少昆,王克如,等.基于棉花冠層光譜的土壤氮素監測研究[J].棉花學報,2010,22(1):70-76.

[8]Miller J R,Wu J,Boyer M G,et al.Seasonal patterns in leaf reflectance red-edge characteristics[J].International Journal of Remote Sensing,1991,12(7):1509-1523.

[9]Miller J R,Hare E W,Wu J.Quantitative characterization of the vegetation red edge reflectance 1.An inverted-Gaussian reflectance model[J].International Journal of Remote Sensing,1990,11(10): 1755-1773.

[10]Slaton M R,Raymond Hunt E,Jr.,Smith W K.Estimating nearinfrared leaf reflectance from leaf structural characteristics[J].Am J Bot,2001,88(2):278-284.

[11]Demetriades-Shah T H,Steven M D,Clark J A.High resolution derivativespectrainremotesensing[J].RemoteSensingof Environment,1990,33(1):55-64.

[12]Kokaly R F,Clark R N.Spectroscopic Determination of Leaf Biochemistry Using Band-Depth Analysis of Absorption Features and Stepwise Multiple Linear Regression[J].Remote Sensing of Environment,1999,67(3):267-287.

[13]Jamieson P D,Porter J R,Wilson D R.A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand[J].Field Crops Research,1991,27(4):337-350.

[14]Kimes D S,Idso S B,Pinter Jr P J,et al.View angle effects in the radiometric measurement of plant canopy temperatures[J].Remote Sensing of Environment,1980,10(4):273-284.

[15]Krishnan P,Alexander J D,Butler B,et al.Reflectance technique for predicting soil organic matter[J].Soil Science Society of America Journal,1980,44(6):1282-1285.

[16]Gutierrez-Rodriguez M,Escalante-Estrada J A,Rodriguez gonzalez M T,et al.Canopy reflectance and yield in common bean plants (Phaseolus vulgaris L.).I.Effect of nitrogen.Europe Pubmed Central,2003,46:103-104.

[17]Sims D A,Gamon J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species,leaf structuresanddevelopmentalstages[J].RemoteSensingof Environment,2002,81(2–3):337-354.

[18]Zhou Q F,Liu Z Y,Huang J F.Detection of nitrogen-overfertilized riceplantswithleafpositionaldifferenceinhyperspectral vegetation index[J].J Zhejiang Univ Sci B,2010,11(6):465-470.

[19]Marshak A,Knyazikhin Y,Davis A B,et al.Cloud-vegetation interaction:UseofNormalizedDifferenceCloudIndexfor estimation of cloud optical thickness[J].Geophysical Research Letters,2000,27(12):1695-1698.

[20]Shibayama M,Akiyama T.Seasonal Visible,near-Infrared and Mid-Infrared Spectra of Rice Canopies in Relation to Lai and above-Ground Dry Phytomass[J].Remote Sensing of Environment,1989, 27(2):119-127.

[21]Blackburn G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales:An evaluation of some hyperspectral approaches [J].Remote Sensing of Environment,1998,66(3):273-285.

[22]Tian Y C,Yao X,Yang J,et al.Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentrationwithground-andspace-basedhyperspectral reflectance[J].Field Crops Research,2011,120(2):299-310.

[23]Kim Y,Glenn D M,Park J,et al.Hyperspectral image analysis for water stress detection of apple trees[J].Computers and Electronics inAgriculture,2011,77(2):155-160.

[24]Cassman K G,Pingali P L.Intensification of irrigated rice systems: Learning from the past to meet future challenges[J].GeoJournal, 1995,35(3):299-305.

[25]馮偉,姚霞,朱艷,等.基于高光譜遙感的小麥葉片含氮量監測模型研究[J].麥類作物學報,2008,28(5):851-860.

[26]Gitelson A A,Merzlyak M N.Signature Analysis of Leaf Reflectance Spectra:Algorithm Development for Remote Sensing of Chlorophyll[J].Journal of Plant Physiology,1996,148(3-4):494-500.

[27]Moges S M,Raun W R,Mullen R W,et al.Evaluation of Green, Red,and Near Infrared Bands for Predicting Winter Wheat Biomass,Nitrogen Uptake,and Final Grain Yield[J].Journal of Plant Nutrition,2005,27(8):1431-1441.

Estimation of Nitrogen Content in Wheat Leaf and Nitrogen Supply Capacity of Soil by Hyperspectral Reflectance

Xie Fulai,Shi Xiaofang,Shi Zhongliang,Tian Weiwei,Lu Dongtao,Zhang Shichang
(Wheat Research Institute,Shanxi Academy of Agricultural Sciences,Linfen 041000,Shanxi,China)

Abstract:Effectively monitoring crop nitrogen nutritional level and soil nitrogen supply capability can provide an important basis for the rational application of nitrogen during fertilization.In this study,the method of vegetation index and partial least square regression(PLSR)were used to compare and analyze the relationship between the hyperspectral reflectance of wheat canopy and the concentration of nitrogen in leaf and soil based on data from three growing regions across two growing seasons.The correlation between canopy spectral reflectance and leaf nitrogen content was significantly negative in the visible bands.Moreover,a significantly positive correlation existed in near-infrared bands,while the correlation of canopy spectral reflectance and soil nitrogen content showed the right opposite results.The determination coefficients from the regression model of leaf nitrogen content based on spectral parameters of ND705 and GNDVI were 0.827 and 0.826.According to the parameter ND705 and GNDVI,the determination coefficient obtained by the regression model was 0.646. Compared with the vegetation index,the prediction accuracy of PLSR models for wheat leaf and soil nitrogen content on the spectral reflectance among 350-2500 nm was enhanced with the determination coefficients as 0.842 and 0.654.These results could provide certain theoretical basis and technical support for further study on diagnosing nitrogen nutrition of wheat and soil,and monitoring rational nitrogen fertilization.

Key words:Wheat;Canopy Spectral Reflectance;Leaf Nitrogen Content;Soil Nitrogen Content;Spectral Parameter

中圖分類號：S512.1

文獻標志碼：A論文編號：cjas15090013

基金項目：山西省農業攻關項目“小麥種質中優異基因資源的開發與材料創制”(20150311001-5)。

第一作者簡介：謝福來，男，1958年出生，山西臨汾人，研究方向為小麥遺傳育種。

通信地址：041000山西省臨汾市幽并街33號山西省農科院小麥研究所，Tel：0357-2882216，E-mail：sxnkyzj@126.com。 041000山西省臨汾市幽并街33號山西省農科院小麥研究所，Tel：Tel：0311-86839186，E-mail：nkyzsc2003@163.com。

通訊作者：張士昌，男，1977年出生，河北正定人，博士，研究方向為小麥遺傳育種。

收稿日期：2015-09-30，修回日期：2015-12-18。