基于無人機多光譜遙感的水稻冠層光譜特征和氮素營養關系研究

傅友強，鐘旭華，黃農榮，潘俊峰，胡香玉，胡 銳，李妹娟，梁開明

（廣東省農業科學院水稻研究所/廣東省水稻育種新技術重點實驗室/廣東省水稻工程實驗室，廣東 廣州 510640）

【研究意義】作物養分豐缺能夠引起葉片中葉綠素、蛋白質、水分和含碳化合物等含量變化，影響葉片光的吸收和反射。光譜遙感技術能夠捕捉來自葉片或冠層中的反射光譜特征，間接反映作物葉片養分含量，為作物營養診斷與合理施肥提供依據［1-2］。研究表明，光譜遙感技術是實現施肥精準管控和提高肥料利用率的有效手段，是打通專家智慧決策和精準變量施肥的重要環節［3］。因此，開展葉片氮含量的光譜遙感監測與診斷研究具有重要意義。【前人研究進展】傳統水稻氮素養分監測主要經歷了葉色監測、植株組織中氮含量的化學監測［4-5］、無損的葉綠素儀監測3 個階段。隨著無人機光譜遙感技術的高速發展，無人機近地面光譜遙感監測在現代農業生產中發揮著至關重要的作用。光譜遙感技術具有大面積、無損和快速準確等優點，目前已在水稻、玉米、大豆和小麥等主要農作物中廣泛應用［6-8］，主要涉及到的領域有病蟲草害防治、作物生長狀態監測、作物面積提取與估產、無人機施肥決策等［9-12］。大量研究表明，水稻品種冠層光譜反射率與葉片含氮量和SPAD 值呈顯著正相關，其中，植被指數如歸一化植被指數（NDVI）、綠波段歸一化植被指數（GNVI）、比值植被指數（RVI）等是監測水稻氮素養分狀況的最佳指標［13-14］。Yu等［15］通過田間試驗收集高光譜數據，研究水稻氮素含量與光譜反射率之間的關系，建立了基于高光譜反射率的水稻氮素反演模型［16］，該模型可快速、準確、無損地診斷寒地粳稻氮素養分盈缺。然而，這些研究主要以北方粳稻為試驗對象，以具有廣東絲苗米特性的華南雙季秈稻品種為試驗對象、利用光譜遙感監測水稻氮素養分的研究較少。【本研究切入點】華南地區水稻種植以秈稻品種為主，而秈稻品種的氮素養分需求特性以及葉色對氮素的響應明顯有別于粳稻，且常規稻和雜交稻之間也存在顯著差異。在廣東地區，美香占2 號為種植面積最大的常規秈稻品種（2020年種植面積11.38 萬hm2），吉豐優1002 為種植面積最大的雜交秈稻品種（2020 年種植面積5.01萬hm2）。因此，通過多光譜遙感監測廣東地區種植面積最大的常規秈稻和雜交秈稻品種葉片氮素養分狀況，對指導華南水稻精準施肥作業具有重要意義。【擬解決的關鍵問題】通過光譜遙感技術，找出對葉片氮含量敏感的光譜特征和特異植被指數，建立基于光譜特征和特異植被指數的葉片氮含量反演模型，定量監測和診斷水稻葉片氮素養分含量，為廣東地區水稻主栽品種精準施肥管控提供理論依據和技術支撐。

1 材料與方法

1.1 試驗材料

試驗于2020 年晚季在廣東省農業科學院大豐基地（113°21′E、23°10′N，海拔23.8 m）進行。試驗田土壤理化性質為：pH 6.11，有機質27.87 g/kg，全氮1.41 g/kg，全磷1.03 g/kg，全鉀16.62 g/kg，堿解氮84.21 mg/kg，有效磷49.39 mg/kg，速效鉀41.69 mg/kg。供試水稻品種為常規秈稻美香占2 號（簡稱MXZ2H）和雜交秈稻吉豐優1002（簡稱JFY1002），這兩個品種是目前廣東省種植面積最大的常規稻和雜交稻品種。

1.2 試驗方法

1.2.1不同施氮處理對水稻葉片氮含量的影響試驗 主要用于建模集數據分析。供試水稻品種為MXZ2H 和JFY1002，試驗設置施N 0（N0）、150（N150）和210（N210）kg/hm23 個處理，采用習慣施肥法；為探討高產高效栽培技術對氮吸收的影響，以水稻品種JFY1002 為材料，新增施N 180 kg/hm2（N180+）處理，采用水稻“三控”施肥技術，基肥∶分蘗肥∶穗肥=5∶2∶3，其中基肥在移栽前1 d 施用、分蘗肥在移栽后15 d施用、穗肥在幼穗分化始期施用，詳見表1。各處理磷肥和鉀肥統一按45 kg/hm2（P2O5）和120 kg/hm2（K2O）用量作基肥一次性施入，其中磷肥為過磷酸鈣、鉀肥為氯化鉀。每個處理3 次重復，隨機排列，小區面積15 m2。

1.2.2側深施肥對水稻葉片氮含量的影響試驗 主要用于驗證集數據分析。供試水稻品種為MXZ2H，設置5 個處理：（1）無氮處理（N0），不施氮肥；（2）習慣施肥處理（FP），總氮量為180 kg/hm2，按當地習慣施肥法；（3）側深施肥處理（D1），總氮量為150 kg/hm2，作基肥一次性施入；（4）側深施肥+1 次追肥處理（D2），總氮量為150 kg/hm2，基肥∶穗肥=6∶4；（5）側深施肥+1 次追肥處理（D3），總氮量為120 kg/hm2，施肥時期和施肥比例同D2，施氮總量比D2 減少20%。基肥采用側深施肥，按照機插秧側深施肥的農藝要求，人工將基肥一次性埋施于秧苗根系側下方泥土中，施肥深度5 cm，肥料距離稻根側向3 cm；追肥采用人工撒施形式。具體施用時期和用量詳見表1。每個處理4次重復，隨機排列，小區面積4 m2。

表1 不同試驗處理的氮肥施用量Table 1 Consumption of N fertilizer in different treatments

所有試驗均采用人工插秧，插秧密度均為20 cm×20 cm，其中常規秈稻品種2 苗/穴、雜交秈稻品種1 苗/穴。播種時間均為7 月18 日，插秧時間為8 月5 日，收割時間為11 月13 日。小區間做高30 cm、寬25 cm 的田埂隔離，防止小區間相互串肥，水分實行獨立排灌，統一執行田間管理。

1.3 測定項目及方法

1.3.1土壤理化性質測定 參照文獻［17］方法測定。

1.3.2葉片氮含量和稻谷產量測定 水稻樣品采集與遙感影像獲取同步，在水稻抽穗期（50%稻穗抽出時期），每個小區取代表性水稻植株12 叢，剪去根，將莖、葉和穗分開，分別在105℃下殺青30 min，然后在75℃下烘干至恒重，稱量。將葉片樣品磨碎，采用H2SO4-H2O2法消化，用全自動凱氏定氮儀測定，用單位干物質量的含氮量表示全氮含量（g/kg）。

成熟期實收125 穴（5 m2）測產，將稻谷風干，取100 g 于105℃下烘干48 h，測定含水量，然后將稻谷轉換成含水量為14%的稻谷產量。

1.3.3多光譜數據獲取 為提高多光譜相機成像質量，選擇晴天11：00—13：00，采用大疆精靈4 多光譜版無人機（集成1 個可見光傳感器、5 個多光譜傳感器，藍光450 nm、綠色560 nm、紅光650 nm、紅邊730 nm、近紅外840 nm，具體波段參數見表2）采集水稻試驗區域多光譜影像。規劃好無人機航線經過目標田塊正上方，航拍高度20 m，拍照時間間隔2 s，航向重疊度80%，旁向重疊度90%，影像分辨率為6.92 mm/pixel。

表2 多光譜傳感器的波段參數Table 2 Band parameters of multispectral sensor

1.3.4多光譜數據提取 首先對獲得的多光譜影像進行篩選，將帶有空間位置信息的影像導入到PhotoScan 軟件，然后進行點云和紋理處理，最后進行地理配準、無縫拼接和波段合成，得到稻田完整的整幅多光譜正射影像（Digital orthophoto map，DOM）。利用ENVI5.3 軟件ROI（Region of interest）工具進行圖像分割，勾選出水稻不同處理區域，統計區域內所有像元光譜反射率的平均值，作為該小區水稻冠層的光譜反射率數據。

1.3.5植被指數篩選 植被指數（Vegetation Index，VI）通過對不同波段光譜反射率進行數學組合，如根據MicaSense RedEdge 波段特點，選取歸一化植被指數（NDVI）、綠波段歸一化植被指數（GNDVI）、比值植被指數（RVI）、增強植被指數（EVI）、差值植被指數（DVI）和改進非線性植被指數（MNLI）等（表3）。利用多光譜波段的反射特性，在ENVI 軟件中經過波段運算即可得到上述植被指數。

表3 光譜指數及其計算公式Table 3 Spectral indices and its formula

1.3.6模型構建與檢驗 以1.2.1 不同氮素養分梯度試驗數據為建模數據集（C）、1.2.2 側深施肥試驗數據為驗證數據集（V），采用多元線性回歸（Multiple Linear Regression，MLR）方法建立水稻氮素養分反演模型。使用建模數據集建立的決定系數、均方根誤差（RMSEc）和相對誤差（RE）對建模精度進行評估；對使用模型計算得到的驗證數據集和建模數據集的估測值與實測值進行線性擬合，以擬合方程的對模型進行評估，R2越接近1、RMSEc越小，模型精度越高。

試驗數據采用SPSS 13.0 軟件進行統計分析，采用OriginPro 9.0 軟件作圖。

2 結果與分析

2.1 不同施氮處理對水稻葉片氮含量和稻谷產量的影響

習慣施肥法條件下，增加施氮量明顯提高了水稻葉片氮含量和稻谷產量。隨著施氮水平增加，美香占2 號和吉豐優1002 葉片氮含量逐漸增加。與N0 處理相比，N150 處理美香占2 號和吉豐優1002葉片氮含量分別增加16.05%和13.76%；N210 處理兩個水稻品種葉片氮含量分別增加24.29%和25.00%，差異均達顯著水平（圖1A、B）。

與葉片氮含量表現趨勢相比，不同施氮水平對稻谷產量的影響略有區別。美香占2 號稻谷產量N150 處理和N210 處理間無顯著變化，但顯著高于N0 處理，表明高施氮量并未持續增加該品種的產量；吉豐優1002 稻谷產量的變化趨勢與其氮含量一致，表明不同水稻品種葉片氮含量對施氮量的響應趨勢一致，但稻谷產量對施氮量的響應則因品種而異（圖1C、D）。

圖1 不同施氮處理下不同水稻品種葉片氮含量、稻谷產量及其相關性分析Fig.1 Leaf nitrogen concentration,grain yield and the correlation analyses of different rice cultivars under different nitrogen treatments

高效栽培技術更有利于氮素養分的吸收利用，表現為與傳統習慣施肥法N210 處理相比，利用“三控”施肥技術N180+處理吉豐優1002 葉片氮含量和稻谷產量分別增加18.03%和6.25%，差異達顯著水平（圖1B、D）。

相關性分析結果（圖1E、1F）顯示，水稻葉片氮含量與稻谷產量呈顯著（美香占2 號）或極顯著（吉豐優1002）線性正相關，表明葉片氮含量對稻谷產量具有重要作用。

2.2 不同施氮處理水稻冠層對光譜反射率的影響

施氮水平影響水稻冠層對不同波長光譜的反射率，習慣施肥法條件下，無論是美香占2 號還是吉豐優1002，藍光到紅光（450～650 nm）波段反射率均表現為隨著施氮水平的增加而下降，紅邊到近紅外（730～840 nm）波段反射率均隨著施氮水平的增加而逐漸增加。不同施氮水平顯著影響紅光波段650 nm 和近紅外波段840 nm 處的反射率，與N0 處理相比，N150 和N210 處理美香占2 號在紅光波段650 nm 處的反射率分別下降19.48%和22.84%，在近紅外波段840 nm 處的反射率分別增加24.24%和21.50%；N150、N210 和N180+處理吉豐優1002 在紅光波段的反射率分別比N0 處理下降19.00%、31.38%和37.27%，在近紅外波段的反射率分別增加23.13%、24.60%和34.02%。表明紅光650 nm 和近紅外840 nm 是監測葉片氮含量的敏感波段（圖2）。

圖2 不同施氮處理下同一水稻品種葉片的反射率變化Fig.2 Changes of leaf reflectance of the same rice cultivar under different nitrogen levels

同一施氮處理不同水稻品種冠層光譜反射率存在顯著差異。無論N0、N150處理還是N210處理，美香占2 號在藍光至紅光波段（450～650 nm）的冠層反射率均明顯高于吉豐優1002，紅邊到近紅外波段的冠層反射率則表現為吉豐優1002 高于美香占2 號，其中紅光650 nm 處和近紅外840 nm處是區分兩個水稻品種的敏感波段。與美香占2號相比，N0、N150、N210 處理吉豐優1002 在紅光650 nm 處的冠層反射率分別下降15.64%、15.14%和24.98%，在近紅外840 nm 處的冠層反射率分別增加10.22%、9.24%和13.03%（圖3）。

圖3 相同施氮處理下不同水稻品種葉片的反射率變化Fig.3 Changes of leaf reflectance of different rice cultivars under the same nitrogen treatment

2.3 不同施氮處理對水稻品種冠層植被指數的影響

從圖2、圖3可以看出，紅光（650 nm）和近紅外（840 nm）是水稻冠層響應不同施氮量的敏感波段。經過初步篩選確定了NDVI、DVI、GNDVI、EVI、MNLI、RVI等6個植被指數。整體而言，吉豐優1002的6個植被指數明顯高于美香占2號。與N0處理相比，N150處理美香占2號葉片NDVI、DVI、GNDVI、EVI、MNLI和RVI分別增加201.74%、215.44%、77.27%、254.54%、102.43%和53.68%，N150、N210處理6個植被指數無顯著差異；N150處理吉豐優1002葉片NDVI、DVI、GNDVI、EVI、MNLI和RVI分別增加80.62%、92.72%、50.09%、105.73%、75.87%和51.15%，N210處理6個植被指數分別增加110.96%、117.07%、68.90%、135.74%、91.09%和80.34%。與N210處理相比，水稻“三控”施肥法N180+處理的6個植被指數分別增加12.12%、16.00%、7.08%、21.56%、16.18%和17.63%（圖4）。

圖4 不同施氮處理對不同水稻品種冠層植被指數的影響Fig.4 Effects of different nitrogen treatments on canopy vegetation indexes of different rice cultivars

2.4 水稻葉片氮含量與植被指數的相關性分析

將水稻葉片氮含量與植被指數DVI、NDVI、GNDVI、RVI、EVI 和MNLI 進行相關性分析，結果表明，美香占2 號和吉豐優1002 葉片氮含量與上述6 個植被指數的相關系數均達顯著水平。其中對美香占2 號而言，相關系數最高的植被指數分別為NDVI、GNDVI、RVI、DVI 和EVI；對吉豐優1002 而言，相關系數最高的植被指數分別為RVI、EVI、MNLI、DVI 和NDVI（圖5）。

2.5 水稻葉片氮含量與植被指數的多元線性回歸分析

通過水稻葉片氮含量與植被指數的相關性分析（圖5），篩選出與水稻葉片氮含量最相關的植被指數進行多元線性回歸分析，結果見表4。從表4可以看出，美香占2號葉片氮含量反演模型為Y=13.930+68.008DVI-24.832NDVI-1.344GDNVI+3.141RVI-10.532EVI，R2為0.817、RMSE為1.77、RE為8.35%；吉豐優1002葉片氮含量反演模型為Y=7.125-231.455DVI-2.717NDVI+7.452RVI+32.493EVI+51.715MNLI，R2為0.973、RMSE為0.78、RE為3.48%。

圖5 水稻葉片氮含量與植被指數的相關性分析Fig.5 Correlation analysis of leaf nitrogen concentration with vegetation index

表4 植被指數對水稻葉片氮含量的預測性Table 4 Prediction of nitrogen concentration in rice leaves by vegetation index

2.6 水稻葉片氮含量反演模型構建

以不同氮素養分梯度試驗數據為建模數據集、側深施肥試驗數據為驗證數據集，將表4 中的多元線性回歸分析結果與建模集和驗證集中的實測葉片氮含量進行線性擬合，結果見圖6。從圖6 可以看出，美香占2 號水稻品種建模集和驗證集的葉片氮含量實測值與反演模型估測值具有極顯著的線性正相關，R2為0.891；吉豐優1002水稻品種的建模集葉片氮含量實測值與反演模型估測值具有極顯著的線性正相關，R2為0.987。表明反演模型能精確預測水稻葉片氮含量。

圖6 不同水稻品種葉片氮含量反演模型擬合結果Fig.6 Fitting result of inversion model of leaf nitrogen concentration in different rice cultivars

3 討論

3.1 光譜特征與水稻葉片氮含量的關系

氮素是水稻生長發育的重要限制因子，有研究表明，水稻葉片氮素含量隨著施氮水平的增加而增大［23］。李艷大等［24］研究證實了隨著施氮水平的增加，早、晚稻葉片氮含量、氮積累量及相關植被指數（DVI、NDVI 和RVI）增大。水稻葉片氮含量特別是抽穗期葉片氮含量的增加能夠提高葉片光合作用，促進碳水化合物向籽粒轉運，進而提高稻谷產量和品質［25-27］。崔菁菁等［28］研究發現水稻抽穗期葉片氮含量與產量呈極顯著正相關。本課題組的前期研究表明，抽穗期葉片氮含量能夠顯著提高水稻成穗率和光能輻射效率，增加有效穗數，從而增加稻谷產量［7］。這些研究表明抽穗期葉片氮含量對增加稻谷產量具有重要作用。在本試驗習慣施肥法條件下，隨著施氮水平的提高，美香占2 號和吉豐優1002 抽穗期葉片氮含量均表現為逐漸增加，稻谷產量整體呈現逐漸增加趨勢。然而，總施氮量為180 kg/hm2（N180+）的水稻“三控”施肥處理，其水稻抽穗期葉片氮含量和稻谷產量均高于總施氮量為210 kg/hm2（N210）的習慣施肥法處理，主要是因為水稻“三控”施肥技術的氮肥后移增加了抽穗期葉片氮含量［7］。相關性分析結果表明，抽穗期葉片氮含量與稻谷產量呈顯著正相關關系，說明抽穗期葉片氮含量能夠間接反映稻谷產量，而非施氮量。

作物葉片氮素養分含量的監測與診斷是氮肥精準管控的有效途徑［29-30］，有利于獲得最大產量潛力和更佳品質，還能減少環境污染［31］。蔣仁安［23］研究發現，隨著施氮水平的提高，在可見光區域內，水稻冠層光譜反射率隨著施氮量的增加而降低；在近紅外區域內，水稻冠層光譜反射率隨著施氮量的增加而增大［32］。有研究發現，早、晚稻葉片氮含量、氮累積量、DVI、NDVI 和RVI 均隨著施氮水平的增加而增大［24］。本試驗的光譜數據結果表明，隨著葉片氮含量的增加，藍光到紅光波段的葉片反射率逐漸下降，紅邊到近紅外波段的葉片反射率逐漸增加；不同品種在相同施氮量條件下的光譜特征存在顯著差異，表現為美香占2 號和吉豐優1002 在紅光650 nm 和近紅外840 nm 的反射率差異顯著，該光譜區可作為區分兩個水稻品種的敏感波段。

3.2 水稻葉片氮含量反演模型構建與驗證

目前，葉片氮含量反演模型構建主要采取特征波段、植被指數組合或兩者組合篩選的方式進行。模型的應用效果主要根據模型的模擬精度來評價，模擬精度一般用R2和RMSE表示，R2越接近1、RMSE越小，模型精度越高。Zheng等［33］利用無人機多光譜圖像紋理信息和光譜信息，通過不同植被指數進行建模篩選，發現歸一化紅邊指數（NDRE）在所有候選植被指數中最適合估算葉片氮含量等參數。Wang等［34］研究表明，水稻群體葉片氮含量的變化可以由3個波段差值光譜指數（TBDR，3個波段分別為755、513和508 nm）決定，RMSE為0.13%，RE為4.74%。李艷大等［24］建立了預測葉片氮含量的NDVI指數模型，模型R2為0.858～0.932，模型檢驗的RMSE和R2分別為0.1%～0.2%和0.904～0.985［35］。馮帥等［32］通過特征波段篩選，采用DVI、RVI和NDVI等植被指數組合構建粳稻葉片氮素含量反演模型，結果發現以特征波段組合構建的葉片氮素含量模型最佳，R2均大于0.7，RMES均小于0.57。本試驗采用相關性分析和多元線性回歸分析，建立了美香占2號的葉片氮含量反演模型，該模型由植被指數DVI、NDVI、GDNVI、RVI和EVI決定，R2為0.817、RMSE為1.77、RE為8.35%；吉豐優1002的葉片氮含量反演模型由植被指數DVI、NDVI、RVI、EVI和MNLI決定，R2為0.973、RMSE為0.78、RE為3.48%。最后通過建模集和驗證集的葉片氮含量實測值與反演模型估測值進行驗證，美香占2號和吉豐優1002的R2分別達到0.891和0.987，滿足模型模擬精度要求。

4 結論

水稻抽穗期葉片氮含量與稻谷產量呈顯著或極顯著正相關關系，抽穗期葉片氮含量的精準監測與診斷對于水稻精準施肥作業具有重要指導作用。采用大疆精靈4 多光譜版無人機獲取華南秈稻主栽品種美香占2 號和吉豐優1002 抽穗期葉片特征光譜和特異植被指數，通過波段運算、相關性分析和多元線性回歸分析等，建立了美香占2號和吉豐優1002 水稻葉片氮含量的反演模型，通過模型精度驗證，R2均達到0.85 以上。該模型將為華南秈稻品種精準施肥作業提供重要的理論依據和技術指導。