光譜分析技術在作物氮素診斷上的應用研究進展

栗方亮，孔慶波，張 青

(福建省農業科學院 土壤肥料研究所/福建省農產品質量安全重點實驗室，福建 福州 350013)

氮素是作物生長必需的大量營養元素之一[1-2]。我國是世界上最大的氮肥生產國與消費國，氮肥的需求量約占世界的1/3[3]，我國氮肥利用率僅為30%多，而發達國家則為50%～60%[4]。過量施用氮肥可能造成養分含量超標，既提高了成本，同時未被利用的營養元素以滯留、吸附、隨水徑流等方式污染土壤、環境和大氣，對生態環境造成嚴重影響。農業農村部制定了到2020年化肥農藥施用量零增長的行動方案，因此提高氮肥利用率已成為刻不容緩的問題。及時準確的作物氮素營養診斷，合理施用氮肥，實現均衡施肥，對提高肥料利用率和保護環境有重要意義。

作物對氮肥的需求具有空間和時間差異性。實時獲取作物氮含量信息對繪制作物施肥處方圖、實現管理精準化具有重要意義[5-8]。目前，缺乏能夠準確、迅速、經濟地判斷作物氮營養狀況及確定氮肥需求量的測試方法[1]。長期以來，作物氮營養診斷和氮肥的推薦施肥以實驗室常規測試為基礎，而傳統測試手段在取樣、測定、數據分析等方面需耗費大量的人力物力，且時效性差，不利于推廣應用[1]。而在快速檢測作物氮含量的傳感器中，較常見的是葉綠素計SPAD-502，其通過檢測透過作物紅光(650 nm)和近紅外(940 nm)信號計算葉片的SPAD值，但其檢測范圍小，不適合大面積作物氮含量的測定[5]。

隨著物理學、空間技術、遙感等領域的發展，加速了現代儀器、裝備在農業中應用，特別是基于光譜技術的無損監測、近地遙感等技術應運而生[9]。光譜分析已成為當前發展的前沿和研究的新熱點[10]。光譜分析技術已在食品安全控制、農作物病害檢測、農作物營養水平監測以及農畜產品的品質檢測等方面取得了應用[11-13]。因其能夠進行無損檢測，無需樣品采集，大大簡化了分析工作，也不需要任何生物化學藥劑，節約實驗室資源，彌補了傳統作物養分檢測方法的不足，此外，還能提供大量數據建立數據庫，利用光譜技術快速準確地對作物進行檢測或診斷成為可能[14-15]。這一切都為實時、便捷的大范圍作物的精準養分管理提供了重要的理論依據。

1 光譜分析技術的特點及作物氮素診斷理論基礎

光譜是由自然界物質吸收、散射和反射來自外界的電磁輻射產生的光根據波長排列形成的。根據葉肉細胞、葉綠素、氮素、水等生化成分含量，不同波段的植物的反射光譜呈現不同的形狀和特征(圖1)[16-17]。利用作物的光譜特性可以對作物進行光譜診斷。研究發現很多作物葉綠素的強反射峰一般在550 nm附近，反射低谷在670 nm或680 nm處，700～750 nm處的光譜反射曲線很陡，幾乎呈直線，光譜反射率曲線的斜率通常受葉綠素含量影響[18-19]。光譜分析的特點：(1)光譜信息豐富，可用于糖、脂肪、蛋白質等許多化學指標的分析[19]；(2)樣品分子結構一般不會被光子影響，因此光譜分析技術不會損壞樣品，也不會對實驗人員造成傷害，環境友好；(3)光譜分析主要基于校正數學模型，不消耗實驗試劑，同時分析速度比較快。

圖1 綠色植物的光譜響應特征

通過對作物葉片的光反射特性進行檢測，可了解作物營養狀況。其中葉綠素、含碳化合物、蛋白質、水分等是影響葉片對光吸收反射的主要物質，以葉綠素最為重要[1]。當給作物施用氮肥量發生改變時，則可能會影響作物葉片葉綠素和酶等合成，影響作物葉片顏色和外觀，以及作物葉片內部特征和外部形態，從而作物光譜特征發生變化。作物缺氮時光譜的紅邊位置(紅光與近紅外波段交界處)的形狀和位置會發生變化[20-21]。因此，這些譜段與作物氮素含量密切相關[22]。用于預測氮含量的植被指數主要有光譜比率指數、優化歸一化指數、歸一化植被指數、差值植被指數、歸一化光譜指數、比值光譜指數、冠層葉綠素含量指數、改進型覆蓋光譜指數等[5]。

2 光譜分析技術在不同尺度作物氮素診斷研究

以前的研究證明，通過光譜分析可用于估測單葉和冠層尺度上植物氮素狀況[23-24]。單葉尺度研究能夠正確地獲得作物葉片氮素情況，增強作物氮素營養診斷的理論基礎；而作物冠層尺度可得到整體氮素情況，對大面積營養診斷的運用具有更大的研究意義。

2.1 單葉尺度的作物氮素光譜診斷研究

作物葉片含氮含量的研究已從實驗室研究逐漸向田間試驗轉變，從最初的實驗室離體培養到后期的田間活體葉片。由于單葉光譜受作物冠層、周圍環境、土壤背景等干擾因素的影響小，因此在單葉尺度上進行氮素診斷的準確性相對較高[25]。確定作物葉片中各種氮素營養成分的敏感波段是實現作物葉片氮素光譜診斷的關鍵[26]。研究者對作物干葉和鮮葉的光譜特征進行了大量的研究。

研究人員在20世紀60～70年代就對葉片粉末進行了研究，并提出了一些氮素敏感波段，建立了回歸模型，但缺乏廣適性[27]。為了克服這些缺點，Kokaly等[25]采用逐步多元線性回歸法和波深歸一化法，利用干葉和地被葉的連續去除反射光譜來估算氮、木質素和纖維素含量。構建了相對一致且高精度的氮素含量預測方程。Curran等[28]采用逐步回歸和標準一階導數反射光譜等多種方法，對干燥和地面濕地松針氮、葉綠素等12種葉片的生化組分含量進行了預測，證明了Kokaly等方法的穩定性。施潤和等[29]采用了近百種來源于NASA ACCP數據集的干葉數據，采用波深歸一化方法，對不同碳氮濃度下葉片光譜數據進行了分析，證明了氮濃度對2054 nm和2172 nm光譜特征的影響。Kokaly[30]研究了干燥和磨碎的植物葉片的反射光譜，發現隨著氮濃度的增加，2.1 μm的吸收特性變寬。通過對干葉反射光譜中這些吸收特征的觀測，提出了干葉反射光譜與氮濃度之間逐步多元線性回歸建立高相關性的物理基礎。

鮮葉比干葉的研究更多[27]。牛錚等[31]研究了冬小麥、黃楊、竹葉等12種植被的葉片樣本的7種化學組分含量與其光譜特性的關系，發現由葉片的光譜特征可以反映出化學組分含量。Tarpley等[32]通過棉花葉片和光譜指數的回歸分析發現紅邊位置(700或716 nm)與近紅外區域(755～920 nm和1000 nm)的比值準確度較好。Sims等[33]發現利用光化學指數建模型可較好地預測多種樹木單葉色素含量，并不會對植株葉片結構和生長階段等造成影響。Gitelson等[34]研究了楓樹、板栗樹、野藤和山毛櫸葉片在不同色素含量和組成范圍內的光譜反射率。發現在520～550 nm和695～705 nm的(Rλ)-1與各樹種葉片中總葉綠素含量密切相關。

綜上所述，利用單葉光譜技術檢測植物氮素是可行的。外界環境等對單葉尺度光譜檢測干擾小，且有植被組分吸收的光譜機理支撐，從而獲得較穩定可靠的結果[23]。然而，目前在單葉光譜檢測葉片氮素含量研究中，能夠入選的波段不一致，往往隨植物不同和試驗條件的變化而改變，氮素回歸方程外推性不強。單葉尺度的研究是把單葉作為一個數據集，而不是從空間角度探索和分析分葉層，這可能忽略了冠層氮素的垂直分布特性，可能會影響作物氮素營養的診斷準確度[27]。因此，如何利用單葉氮素營養反映整個植株的氮素信息是光譜檢測的主要難題[35-36]。

2.2 冠層尺度的作物氮素光譜診斷研究

冠層尺度光譜可反映植物生長、生理參數和各種環境因素背景等比較綜合的信息。通過解析作物冠層光譜信息和構建植被指數，可有效利用作物的實時信息，因而更具研究意義。然而，作物冠層反射光譜受環境因素如土壤背景、大氣吸收、傳感器和信噪比、冠層結構等因素影響，會使作物冠層氮素狀況的敏感波段、提取特征光譜參數和建立預測模型更復雜。目前，基于作物冠層光譜的氮素檢測研究主要集中在冠層葉片或植株水平上[27]。

王紀華等[37]研究發現，冬小麥中下層葉片光譜與氮素含量關系密切。Hansen和Schjoerring用歸一化差分植被指數和偏最小二乘回歸法測定了小麥冠層的生物量和氮素狀況[24]。薛利紅等[38]研究發現水稻冠層光譜反射率與葉片氮累積量顯著相關，特別是近紅外與綠光波段的比值與葉片氮積累量呈顯著線性相關。王樹文等[39]采用回歸模型進行了玉米苗期冠層氮含量的準確估測，精度可達0.8。葉曉青等[40]利用比值植被指數RVI(810,680)實現了烤煙植株各層氮素積累量的準確反演。Leon等[41]研究指出棉花和大豆冠層光譜不僅能反映作物生長狀況，并且與田間土壤肥力特征有著密切關系。Inoue等[42]利用400～900 nm波長范圍的水稻冠層高光譜圖像建立了水稻葉片氮素營養回歸模型。王淵等[43]研究了油菜葉片和冠層水平氮素含量的高光譜反射率估算模型等。潘蓓[44]研究了蘋果冠層氮素營養與反射特征光譜的關系，并建立了氮素含量預測方程，最佳預測模型的擬合決定系數為0.6201，相比單葉尺度的預測精度要低。

由此可知，對冠層尺度光譜作物葉片氮素情況已取得了一定的結果。但是，由于光譜數據相鄰波段間相關性高，所選波段不夠穩定，且常隨建模樣本的變化而不同，這還需大量實測數據驗證。另外，由于傳感器、背景干擾和環境影響，導致監測模型的準確度和可靠性可能不高，限制模型的外推和應用[23]。同時，由于目前植物氮素營養估測指數、核心波段和模型難以統一，因此，需進一步研究更科學的光譜信息和更通用的氮素營養估測模型，以便于光譜氮素營養估測在生產中的廣泛應用[45-56]。

3 光譜分析技術在農作物氮素診斷上的應用

國內外對于植被氮素含量的估測研究主要集中在糧食作物、蔬菜作物等，如水稻[42,47-50]、小麥[51]、玉米[52-53]等。

光譜分析在水稻植株氮素方面研究得較多，如Bajwa等[48]利用偏最小二乘回歸模型擬合水稻植株氮素含量的結果表明，比值植被指數RVI(810,560)與水稻氮素積累顯著相關[49]。Tian等[50]推算出可較正確估測水稻葉片含氮量的多波段植被指數。Inoue等[54]建立了可預測水稻葉片N素營養的多元回歸模型，決定系數R2達到0.72。Lee等[55]指出使用735 nm處的光譜反射率能構建與水稻冠層N含量呈線性關系的光譜指數。Tian等[56]得出比值指數SR(R553,R537)與水稻冠層葉片N含量相關性最好，并指出光譜指數會受到植被范圍與葉面積指數比值的影響。

在小麥方面，Vigneau等[51]研究表明，400～1000 nm波段的光譜反射率與小麥葉片含N量密切相關，其中利用671 nm和780 nm 2個波段的光譜反射率組合可較好地估測小麥植株全N含量。Zubillaga等[57]證明，歸一化植被指數可對小麥N素吸收量和N營養指數進行很好地預測。Reyniers等[58]建立歸一化植被指數與小麥產量關系，其中與氮的相關性最大。Vigneau等[51]通過建立小麥光譜信息與N含量間PLS回歸模型，得到了決定系數R2為0.90；對盆栽小麥植株的R2為0.89；大田植株上的R2為0.88。

在玉米方面，Schlemmer等[53]利用紅邊波段有效地檢測了夏玉米N素含量。王磊等[53]研究了不同形式的光譜參量對春玉米N素營養診斷。Schlemmer等[59]分別在葉片與冠層對玉米的N含量進行了預測?；谌~片水平，運用紅邊葉綠素指數植被指數對氮、葉綠素預測的R2分別為0.74、0.94；基于冠層水平，預測的結果分別為0.9、0.87。陳志強等[60]用差值光譜指數DSI(564、681 nm)和DSI(681、707 nm)預測了玉米大喇叭口期的氮素含量，精度達93.4%。

為了進一步提高植被指數在作物N素營養監測中的穩定性和準確性，前人對歸一化、比值植被指數進行了修正。Reyniers等[61]提出一種優化植被指數來優化小麥中氮的預測準確性。Tian等[56]指出簡單比值植被指數能減少水稻葉面積指數和植被覆蓋的影響。Yao等[62]針對不同土壤背景提出改進型覆蓋光譜指數，能有效減少小麥土壤背景因素干擾。

其他經濟作物如棉花[32,63]、甘蔗[64]、油菜[43]等也有研究。如研究者發現甜椒葉片N含量與550～675 nm波段范圍內葉片的反射系數高度相關。利用紅邊位置與短波紅外波段比值建立的估測模型能夠很好地估測棉花葉片氮濃度[32,63]。提出具有甘蔗葉片含氮量預測潛力的隨機森林回歸算法[64]。王淵等[43]研究了油菜葉片和冠層水平氮素含量的高光譜反射率估算模型等。以上研究主要是光譜分析技術在大田作物上的應用。

4 光譜分析技術在果樹氮素診斷上的應用

近年來，隨著高光譜技術的快速發展，利用高光譜技術進行果樹營養診斷與監測的研究愈加受到重視。研究尺度可分為單葉光譜和冠層光譜。在蘋果方面，刑東興等[65]使用光譜分析估測蘋果樹營養元素含量，表明基于所選特征波長的估測模型具有良好的線性趨勢。潘蓓[44]證明了蘋果冠層N素營養與反射特征光譜的定量關系，建立了敏感光譜參數和N素含量預測方程，R2為0.6201，相比單葉尺度的預測精度要低。朱西存等[66-67]通過研究蘋果花N素營養與光譜反射率的關系，篩選出6個蘋果花N素的敏感波段，并建立了蘋果花N素含量的光譜預測模型，平均預測精度達90%以上。通過光譜數據變換，張瑤等[68]建立了基于蘋果葉片光譜的N素含量預測模型，R2分別達到0.9036和0.8787。安靜等[67]運用BP人工神經網絡算法建立了蘋果葉片敏感波段與葉片N素含量的反演模型，并進行了檢驗，為測定蘋果葉片N素含量提供了一種可靠方法。

在柑橘方面，李金夢等[69]建立了柑橘植株葉片含N量預測模型，經連續投影算法篩選出的光譜數據與葉片氮含量建立的神經網絡模型和基于光譜數據一階導數特征波長的神經網絡模型最優。王巧男等[70]發現基于811和856 nm的雙波段植被指數能夠建立最佳的柑橘葉片含氮量預測模型(R2=0.6071)。岳學軍等[71]建立的柑橘葉片N素模型，其4個生長期的最佳驗證集模型決定系數依次為0.90、0.93、0.90和0.88。

從國內外研究趨勢和進展來看，運用光譜分析技術對植株葉中營養成分的分析檢測是可行的，將光譜技術作為一種現代技術，通過對光譜預處理方法、光譜波段、數據的統計變換合理選擇，來提高光譜分析的準確性，實現對果樹氮素營養的定量快速檢測，為果樹科學施肥提供理論依據具有十分重要的意義。

5 展望

基于光譜分析的作物氮素診斷技術，有著廣泛的應用前景，是發展數字農業的重要研究前沿[3]。國內外學者開展了不少的研究工作，并取得了一定的研究成果[35]。但光譜分析技術也存在需要解決的問題，一些方面還需進一步研究。

(1)進一步研究光譜分析氮素營養診斷的各種影響因素。雖然使用特定的光譜和光譜組合可較準確地預測葉片氮含量，但作物不同生長條件周圍環境，測量過程也受到不確定因素影響，其光譜響應仍存在較大差異。需進一步探究各影響因素對模型效果的影響，這仍是一項艱巨的任務。(2)進一步研究多尺度下作物氮含量光譜檢測。由于不同尺度遙感技術均有自身特點，對于不同需求作物氮素診斷應結合該技術特點進行研究分析。(3)進一步針對研究各作物氮素診斷特性和光譜普適性。盡管不同作物基于光譜分析技術氮素診斷在一定程度上存在相似性，但是由于不同作物內部細胞結構、形態、生理需求存在差異，因此各種模型效果在不同作物間不具有可比性，氮素診斷監測模型的普適性進一步研究。隨著光譜分析研究逐步深入，未來會獲得更多研究成果，逐漸解決光譜分析制約因素，光譜分析技術在作物營養診斷方面有著廣泛的研究和應用前景。