基于高光譜的柑橘葉片氮素營養監測模型

葉 春， 李艷大， 舒時富， 陳立才， 王康軍， 黃俊寶， 周 明

(1.華東交通大學機電工程學院，江西南昌 330013； 2.江西省農業科學院農業工程研究所，江西南昌 330200)

柑橘果實的品質除與品種特性有關外，在很大程度上還受施肥量等栽培管理措施的影響[1]。氮素是柑橘生長發育的必需元素，氮素的盈虧直接影響柑橘的產量形成及果實品質優劣[2-3]。實時監測柑橘氮素營養水平有助于制定動態調控措施，如施肥用量與時機等技術措施，對實現柑橘變量施肥、果園智能管理具有重要意義。

前人利用光譜監測技術在小麥、水稻等作物氮素營養監測方面開展了大量研究工作[4-6]。近年來，關于果樹的養分監測診斷已取得初步成效[7-10]，這表明利用光譜技術監測植物營養狀態是有效可行的。在柑橘葉片營養狀況診斷方面，專家學者們通過利用果樹葉片可見近紅外光譜初步估測葉片營養狀況并建立預測回歸模型，均取得了一定的成果[11-13]。但因為研究對象和方法不同，前人建立的預測模型不具備普適性，應用效果有待驗證。目前，以江西紅壤地區柑橘生長為研究對象開展的柑橘葉片高光譜營養監測研究較少[14-16]。本研究以江西紅壤區常見柑橘品種(溫柑)為研究對象，基于不同施氮水平的野外試驗，獲取柑橘葉片的光譜數據，運用光譜數據分析技術構建特征光譜植被指數，挖掘柑橘葉片反映氮素狀況的本質光譜信息，確定柑橘葉片氮素營養監測核心波段，構建柑橘葉片氮素營養監測模型。研究結果為精確、科學、實時指導柑橘氮肥管理提供理論依據與技術途徑。

1 材料與方法

1.1 試驗設計

試驗于2015—2016年在江西省紅壤研究所柑橘園進行。設4個氮素水平，分別為0、0.25、0.50、0.75 kg/株，記為N0、N1、N2、N3，株行距為3 m×3 m。供試柑橘品種為溫柑，枳殼砧木，樹齡為3年。每個施氮素水平分別選取長勢一致的6株柑橘樹作為數據采集樣本樹，樣本樹間設隔離樹，隨機區組排列。配施P2O50.24 kg/株、K2O 0.36 kg/株，其他管理同常規栽培管理。

1.2 數據測定

1.2.1 單葉光譜反射率測定 光譜測量采用美國ASD公司生產的Field Spec Hand Held 2手持式地物光譜儀。波段范圍為350～1 075 nm，測定時間為12：00—14：00，光譜測量時探頭垂直向下。從樹冠東、南、西、北及中間5個方位外圍中上部采集各類型枝梢頂部向下的第3張正常健康葉片，每株樹每次采集各類型枝梢葉片5張。將采集的葉片帶回實驗室，清洗擦干后，用ASD探頭在葉片的中間部分(避開葉脈)連續測定5次，求平均值作為單葉的反射率。每個葉片光譜數據測定前、后進行參考板校正。

1.2.3 模型構建與檢驗 提取每個葉片樣本的平均反射光譜曲線，分析所提取的光譜數據和每個樣本葉片氮含量與葉片氮積累量之間的相關性。通過簡單相關分析和雙波段植被指數(TBVI)的獲取，確定與葉片氮含量、葉片氮積累量相關系數達到最高TBVI值，從而獲得計算該最優TBVI值的波段，并利用波段建立基于光譜數據的含氮量預測模型(Rλ表示波長λ處的光譜反射率)。

TBVI=(Rλ1-Rλ2)/(Rλ1+Rλ2)。

試驗任意選擇80%的數據建模，其他20%用作測試。使用植被指數分別建立線性模型、二次多項式函數模型以及指數函數模型3種常用預測模型，選取擬合效果最好的預測函數模型，最后比較所建模型的預測效果。

2 結果與分析

2.1 葉片的高光譜特性

通過對原始光譜數據求一階導數和二階導數，去除首尾噪聲后，截取500～900 nm范圍內的光譜信息，分析不同施氮水平下的單葉光譜特征(圖1)。由圖1可知，所有樣本在總的波長范圍內曲線走勢相似，其中在550 nm處有一個強反射峰，在700～750 nm范圍內反射率迅速增大，在750～900 nm范圍內反射率處于高位，且隨著波長增加呈非顯著的降低趨勢，形成一個高的“反射平臺”。不同施氮水平樣本之間，在525～575 nm范圍內，光譜反射率隨施氮量的增加而遞減，而在750～900 nm范圍內，光譜反射率隨施氮量的增加而遞增，表明光譜規律性分布特征可以作為監測柑橘葉片氮含量的有效途徑。

2.2 不同施氮水平條件下的葉片氮含量與氮積累量

由圖2可知，不同施氮水平下夏梢葉片氮含量和氮積累量均高于春梢，隨施氮量的增加呈遞增趨勢，表現為N3>N2>N1>N0。

2.3 雙波段植被指數模型構建

在葉片高光譜數據的400個窄波段中選取2個波段λ1和λ2，按照春梢和夏梢把它們的光譜反射率值代入TVBI公式，采用matlab軟件將TVBI數值與葉片氮含量進行相關性分析。結果表明，在650～750 nm范圍內獲取TVBI值與氮含量均有較高的相關性。最終，由868、814 nm計算得到的TVBI值與葉片氮含量的相關性最高(r=0.770 4)。按春梢、夏梢區別計算可得，春梢由633、630 nm計算得到的TVBI值與葉片含氮量的相關性最高(r=0.681 2)，夏梢由690、514 nm 計算得到的TVBI值與葉片氮含量的相關性最高(r=0.684 1)。綜上，可初步確定柑橘葉片氮素狀況的敏感波段為514、630、633、690、814、868 nm。

為充分利用敏感波段中盡可能多的波長信息，根據上述TVBI值建立柑橘葉片氮含量與氮積累量的預測模型(表1)。本研究分析了上述任意敏感光譜波段組合的差值植被指數(DVI)、比值植被指數(RVI)、歸一化植被指數(NDVI)與葉片氮含量和氮積累量(LNA)之間的定量關系。結果表明，不同光譜植被指數與葉片氮含量和氮積累量的相關性不同。從表1來看，葉片氮含量均與差值植被指數相關性較高，其中，690、868 nm組合的葉片氮含量與差值植被指數的相關性最高(r2=0.81)。從表2可以看出，葉片氮積累量表現為與差值植被指數的相關性普遍高于與比值植被指數、歸一化植被指數的相關性。其中，514、868 nm組合的葉片氮積累量與差值植被指數的相關性最高(r2=0.83)。

表1柑橘葉片氮含量最佳監測模型的篩選

注：y表示柑橘葉片氮含量和氮積累量；x表示植被指數值。514、630、633、690、814、868 nm波段的線性回歸方程為y=1.77-34.02x1+21.65x2-0.51x3+9.35x4+2.96x5-1.86x6，r2=0.68。下表同。

為了檢驗模型的預測效果，采用國際上常用的根均方差(RMSE)對模擬值與觀測值的符合度進行統計分析，并繪制觀測值與模擬值之間的1 ∶1關系圖，以直觀展示模擬值與觀測值的擬合度和可靠性(圖3至圖6)。

繪畫審美上，中國畫追求詩意的傳達。蘇軾認為王維“詩中有畫，畫中有詩”，這從本質上體現出詩意精神是中國畫的內在特質之一。清代畫家惲南田追求簡淡清遠的審美意趣，體現在繪畫上就是“畫以簡貴為尚，簡之入微，則洗盡塵滓，獨存孤迥，煙鬟翠黛斂容而退矣。”[12]畫家的審美意趣會在繪畫中有充分的展現。所以，在中國畫教學上，應注重培養學生的審美境界，提升其繪畫的追求品味。

對比發現，基于690、868 nm組合雙波段植被指數建立的氮素營養信息模型有較好的預測性能(y=31.41x2-43.114x+16.952)，其決定系數r2為0.810 8，均方誤差為 0.06，平均相對誤差為0.43%，說明該模型對柑橘葉片氮含量具有較好的預測性。而基于514、868 nm組合雙波段植被指數建立的氮素營養信息模型最優 (y=5.233 4x2-7.054 4x+2.535 8)，

表2柑橘葉片氮積累量最佳監測模型的篩選

注：514、630、633、690、814、868 nm波段的線性回歸分析方程為y=2.33-111.91x1+66.54x2+0.42x3+22.67x4+7.07x5-2.43x6，r2=0.47。

其決定系數r2為0.847 6，均方誤差為0.01，平均相對誤差為0.07%，說明該模型對柑橘葉片氮積累量的預測性更優。

3 結論

采用ASD手持式地物光譜儀結合光譜分析和雙波段植被指數篩選出了柑橘葉片氮素營養監測敏感光譜，分別為514、630、633、690、814、868 nm，同時建立溫柑葉片氮含量預測模型(y=31.41x2-43.114x+16.952)和溫柑葉片氮積累量預測模型(y=5.233 4x2-7.054 4x+2.535 8)。研究結果表明，基于波長690、868 nm的雙波段植被指數能夠建立最佳的溫柑葉片氮含量預測模型并具有良好的預測效果；而基于波長514、868 nm的雙波段植被指數能夠建立最佳的溫柑葉片氮積累量預測模型且預測效果優于葉片氮含量的模型。

通過研究發現，雖然可以利用植被指數實現柑橘葉片氮素指標的快速估測，但不同種類和樹齡的柑橘葉片如何估測尚須進一步研究。柑橘為多年生果樹，在生長過程中不同時期葉片氮素變化較為復雜，光譜檢測儀的特點是對作物群體變化反應靈敏，因此利用植被指數對葉片氮積累量的預測要優于葉片氮含量。同時，由于受到工作量及其他因素的限制，試驗僅涉及1個柑橘品種、1個生態點，因此模型的準確性和普適性仍需更多品種和生態點資料進行檢驗。

參考文獻：

[1]楊生權. 土壤和葉片養分狀況對柑橘產量和品質的影響[D]. 重慶：西南大學，2008.

[2]Al-Abbas A H，Barr R，Hall J D，et al. Spectra of normal and nutrient deficient maize leaves[J]. Agronomy Journal，1974，66：16-20.

[3]刁莉華. 柑橘葉片營養元素含量的季節變化[D]. 重慶：西南大學，2013.

[4]姚 霞，劉小軍，田永超，等. 基于星載通道光譜指數與小麥冠層葉片氮素營養指標的定量關系[J]. 應用生態學報，2013，24(2)：431-437.

[5]王紀華，王之杰，黃文江，等. 冬小麥冠層氮素的垂直分布及光譜響應[J]. 遙感學報，2004，8(4)：309-316.

[6]周冬琴. 基于冠層反射光譜的水稻氮素營養與籽粒品質監測[D]. 南京：南京農業大學，2007.

[7]張 瑤，鄭立華，李民贊，等. 基于光譜特征分析的蘋果樹葉片營養素預測模型構建[J]. 農業工程學報，2013，29(8)：171-178.

[8]張 瑤，鄭立華，李民贊，等. 基于光譜學原理與小波包分解技術預測蘋果樹葉片氮素含量[J]. 農業工程學報，2013，29(增刊1)：101-108.

[9]李金夢，葉旭君，王巧男，等. 高光譜成像技術的柑橘植株葉片含氮量預測模型[J]. 光譜學與光譜分析，2014，34(1)：212-216.

[10]王 植，周連第，李 紅，等. 桃樹葉片氮素含量的高光譜遙感監測[J]. 中國農學通報，2011，27(4)：85-90.

[11]易時來，鄧 烈，何紹蘭，等. 錦橙葉片氮含量可見近紅外光譜模型研究[J]. 果樹學報，2010，27(1)：13-17.

[12]黃雙萍，洪添勝，岳學軍，等. 基于高光譜的柑橘葉片氮素含量多元回歸分析[J]. 農業工程學報，2013，29(5)：132-138.

[13]王巧男，葉旭君，李金夢，等. 基于雙波段植被指數(TBVI)的柑橘冠層含氮量預測及可視化研究[J]. 光譜學與光譜分析，2015，35(3)：715-718.

[14]劉燕德，熊松盛，陳洞濱. 贛南臍橙果園土壤全氮和有機質近紅外漫反射光譜檢測[J]. 光譜學與光譜分析，2013，33(10)：2679-2682.

[15]鐘林生. 贛南臍橙果園土壤中稀土元素的分布特征研究[D]. 贛州：贛南師范學院，2012.

[16]張光偉. 贛南臍橙葉片生長信息光譜診斷方法[D]. 南昌：華東交通大學，2014.