基于高光譜數(shù)據(jù)的滴灌甜菜葉片全氮含量估算

李宗飛 蘇繼霞 費(fèi) 聰 李陽陽 劉寧寧 戴宇祥 張開祥 王開勇 樊 華,* 陳 兵

基于高光譜數(shù)據(jù)的滴灌甜菜葉片全氮含量估算

李宗飛1蘇繼霞1費(fèi) 聰1李陽陽1劉寧寧1戴宇祥1張開祥1王開勇1樊 華1,*陳 兵2,*

1石河子大學(xué)農(nóng)學(xué)院, 新疆石河子 832003;2新疆農(nóng)墾科學(xué)院棉花研究所, 新疆石河子 832003

本文旨在明確甜菜葉片全氮含量與高光譜地面植被遙感的定量關(guān)系, 建立干旱區(qū)甜菜葉片全氮含量精確估測模型, 及時監(jiān)測甜菜生長狀況。本研究選取新疆滴灌甜菜(Beta356)為材料, 利用ASD野外高光譜儀在甜菜葉叢快速生長期、塊根膨大期與糖分積累期采集各處理反射光譜, 并同時測定全氮含量, 分析原始光譜反射率及一階微分光譜反射率與全氮含量的相關(guān)性, 并進(jìn)一步建立光譜特征參數(shù)與敏感波段植被指數(shù)全氮含量估算模型。結(jié)果表明, 光譜特征參數(shù)Dr762冪函數(shù)下估算模型具有較好估算甜菜葉片全氮含量的能力, 其決定系數(shù)2= 0.747, 驗(yàn)證相對誤差RE(%)為21.635, 驗(yàn)證均方根誤差RMSE為4.914; 通過植被指數(shù)與葉片全氮含量建立多種函數(shù)估測模型, 其中差值植被指數(shù)Dr762–Dr496下一元線性函數(shù)具有較好估算甜菜葉片全氮含量的能力, 其決定系數(shù)2= 0.794, 驗(yàn)證相對誤差RE(%)為23.008, 驗(yàn)證均方根誤差為5.372。

全氮; 高光譜; 特征參數(shù); 植被指數(shù); 估算模型

氮素是甜菜生長必不可少的營養(yǎng)元素, 是構(gòu)成植物體內(nèi)蛋白質(zhì)、核酸、葉綠素以及多種酶的主要成分, 直接反映植被營養(yǎng)狀況, 在植物光合作用與生長發(fā)育中發(fā)揮著重要作用[1-2], 因此如何根據(jù)作物生長發(fā)育狀況來判斷作物適宜的追肥量, 如何運(yùn)用不同氮素運(yùn)籌管理以及氮素水平來合理施肥[3], 快速、無損監(jiān)測甜菜生長狀況, 制定適時適宜施肥方案, 對甜菜生產(chǎn)具有重要意義。

傳統(tǒng)氮素營養(yǎng)診斷手段以分析測試為主, 因時效性差, 難以在大面積農(nóng)業(yè)生產(chǎn)中有效應(yīng)用[4]。與傳統(tǒng)方法相比, 高光譜遙感可以得到作物生長發(fā)育中生理生態(tài)與營養(yǎng)特征等微小特性變化, 實(shí)現(xiàn)對目標(biāo)實(shí)時、快速監(jiān)測[5]。近年來, 國內(nèi)外學(xué)者研究了在不同施氮處理?xiàng)l件下多種作物的光譜反射特性, 發(fā)現(xiàn)了作物不同施氮處理?xiàng)l件下光譜反射率的差異性, 并可用具體波段與波段組合來估測氮素含量。Shibayama等[6]在研究水稻葉片光譜特性時發(fā)現(xiàn), 缺氮水稻葉片與正常水稻葉片的光譜特征顯著不同。Smith等[7]研究發(fā)現(xiàn)對于同一種植物在不同時期氮素的最佳反演波段存在變化。Stone等[8]基于671 nm和780 nm兩個波段反射率組合的氮光譜指數(shù)對小麥植株的全氮含量進(jìn)行了估算。Thomas等[9]研究發(fā)現(xiàn)550~675 nm波段與氮素含量具有較好相關(guān)性, 可用來估測辣椒的氮素含量。Tian等[10]基于不同氮素水平和多個田間試驗(yàn), 提出3個藍(lán)光波段構(gòu)建的植被指數(shù)R434/(R496×R401)對葉層氮濃度具有較好預(yù)測效果。Wang等[11]對歸一化植被指數(shù)(NDVI)改進(jìn), 提出三波段指數(shù)(R924–R703+2×R423)/(R924+ R703–2×R423), 有效提高氮素反演精度。Menesatti等[12]利用高光譜數(shù)據(jù)建立了錦橙LNC的偏最小二乘法估算模型。Zhang等[13]建立了近紅外反射光譜與蘋果LNC的多元線性回歸方程。

在我國, 利用高光譜技術(shù)研究作物氮素營養(yǎng)起步較晚, 但發(fā)展較快, 目前已經(jīng)在小麥[14-15]、水稻[16-17]、棉花[18-19]等作物上得到廣泛應(yīng)用, 趙春江等[20]對小麥不同品種、肥水條件下光譜參數(shù)變化規(guī)律及與植株生化組分關(guān)系研究提出, 可用紅邊振幅和近紅外平臺振幅來反演小麥葉片全氮含量。王樹文等[21]采用回歸分析方法對寒地水稻氮素含量建模分析, 發(fā)現(xiàn)用特征光譜參數(shù)SI (866)、DI (730、715)、DDI (730、715、685)、DDI (866、685、558)可以較好預(yù)測氮素含量。陳兵等[22]研究了基于光譜紅邊參數(shù)的棉花黃萎病葉片氮素含量診斷, 發(fā)現(xiàn)以Area672為自變量建立的棉葉LNC的診斷模型能較好地診斷黃萎病棉葉LNC。

盡管前人利用光譜變量估測作物農(nóng)學(xué)參數(shù)方面已經(jīng)開展了大量的研究, 但在甜菜上涉及不多, 相關(guān)甜菜氮素營養(yǎng)光譜診斷研究較少, 且氮素估算模型方法較為單一。本文以滴灌甜菜為研究對象, 通過篩選甜菜葉片全氮含量敏感波段, 構(gòu)建葉片全氮含量敏感參數(shù)與植被指數(shù), 建立并對比葉片全氮含量的一元線性、二次項(xiàng)、冪函數(shù)以及指數(shù)函數(shù)估算模型, 以期為滴灌甜菜葉片全氮含量監(jiān)測和氮肥精準(zhǔn)管理提供支持。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2017年4月至2017年11月在新疆石河子大學(xué)農(nóng)學(xué)院試驗(yàn)站(44°31'N, 88°06'E)進(jìn)行。試驗(yàn)區(qū)域耕層土壤為灌溉灰漠土, pH 7.3, 含有機(jī)質(zhì)13.27 g kg-1、全氮0.76 mg kg-1、速效磷22.56 mg kg-1、速效鉀157.97 mg kg-1。共設(shè)置N0 (0 kg hm-2)、N75 (75 kg hm-2)、N150 (150 kg hm-2)、N225 (225 kg hm-2) 4個施氮水平。施氮比例按照M0 (0∶0∶0)、M1 (10∶0∶0)、M2 (7∶3∶0)、M3 (5∶3∶2) 3種運(yùn)籌模式, 即分別在甜菜葉叢快速生長期、塊根膨大期與塊根糖分積累期按比例施入氮肥。采用隨機(jī)區(qū)組設(shè)計(jì), 重復(fù)3次, 供試甜菜品種為Beta356, 播種日期為4月15日, 試驗(yàn)田內(nèi)設(shè)置30個小區(qū), 小區(qū)面積12 m2, 甜菜播種行距50 cm, 株距20 cm?；蕿橹剡^磷酸鈣319.5 kg hm-2, 硫酸鉀206 kg hm-2。其他按照大田統(tǒng)一管理。

1.2 甜菜冠層光譜數(shù)據(jù)測定

采用美國Analytical Spectral Device (ASD)公司生產(chǎn)的FileSpecPro FR2500型背掛式野外高光譜輻射儀測定甜菜植株冠層高光譜反射率。該光譜儀波段范圍為350~2500 nm, 采樣間隔為1 nm, 光譜儀視場角25°, 測量時探頭垂直向下, 距離冠層垂直高度約0.5 m, 在測量前均進(jìn)行白板校正。選擇晴朗無云天氣, 于當(dāng)?shù)乇本r間12:00—15:00分別在甜菜葉叢快速生長期、塊根膨大期、糖分積累期測定光譜反射率, 記錄每個光譜測定點(diǎn)5條光譜數(shù)據(jù), 每小區(qū)測定3次, 取其平均值作為該小區(qū)的光譜反射率值。

1.3 全氮含量測定

采用凱氏定氮法測定葉片全氮含量。取光譜測定區(qū)域葉片, 105℃殺青30 min后, 調(diào)至75℃烘干至恒重, 將烘干樣品粉碎過60目篩。用分析天平秤取0.5000 g葉片樣品放入消煮管, 采用H2O2-濃H2SO4消化處理后, 將冷卻的消煮液置于定氮儀中蒸餾, 利用0.01 mol L-1(1/2H2SO4)標(biāo)準(zhǔn)溶液滴定餾出液由藍(lán)綠色至剛變?yōu)樽霞t色, 記錄所用標(biāo)準(zhǔn)酸體積, 根據(jù)以下公式計(jì)算植株全氮含量。

式中,是0.01 mol L-1(1/2H2SO4)標(biāo)準(zhǔn)溶液濃度,和0分別是滴定試液時所用酸標(biāo)準(zhǔn)溶液的體積與滴定空白時所用酸標(biāo)準(zhǔn)溶液的體積(mL), 0.014為氮的摩爾質(zhì)量kg mol-1,S為分取倍數(shù), 即定容體積與分取體積之比, 1000為kg與g之間的換算倍數(shù),為烘干株樣的質(zhì)量(g)。

1.4 數(shù)據(jù)分析

光譜原數(shù)據(jù)提取和預(yù)處理采用FileSpecPro FR2500型背掛式野外高光譜輻射儀自帶軟件ViewSpec Program, 用Microsoft Excel 2013與SPSS 12.0軟件統(tǒng)計(jì)分析農(nóng)學(xué)參數(shù)數(shù)據(jù)和光譜數(shù)據(jù), 并利用Origin 2018軟件制圖, 采用MATLAB軟件提取甜菜冠層光譜數(shù)據(jù)的特征參數(shù), 從中提取常用光譜特征“三邊”參數(shù); 通過選擇已有光譜植被指數(shù)作對比, 結(jié)合與本試驗(yàn)中全氮含量相關(guān)性較好的敏感性波段,構(gòu)建比值(RVI)、差值(DVI)、歸一化比值(NDVI)與紅邊歸一化差異(NDI)光譜植被指數(shù)(表1)。

表1 高光譜特征參數(shù)及植被指數(shù)定義

Rl1與Rl2分別為l1與l2波長處的光譜反射率。

Rl1and Rl2in the equation are the spectral reflectance at wavelengthsl1andl2 .

通過分析光譜特征參數(shù)及植被指數(shù)與甜菜冠層葉片全氮含量相關(guān)性, 建立全氮含量估測模型。本文主要針對甜菜葉叢快速生長期至糖分積累期3個時期進(jìn)行測定, 甜菜在葉叢快速生長期后基本達(dá)到土壤背景全覆蓋, 且甜菜自葉叢快速生長期至糖分積累期冠層結(jié)構(gòu)無明顯變化, 因此本文選擇總樣本量用于甜菜葉片全氮含量估算與檢驗(yàn), 根據(jù)測定樣本數(shù)量大小, 將采集樣本隨機(jī)分為2組, 其中建模樣本75個, 模型檢驗(yàn)樣本26個, 通過對比各模型的建模決定系數(shù)(2)、均方根誤差(RMSE)以及相對誤差(RE)篩選出最優(yōu)模型用以研究新疆滴灌條件下甜菜冠層葉片全氮含量的估算。其中2用以判斷模型擬合優(yōu)度, RE與RMSE用于檢驗(yàn)估測模型的可靠程度。

式中,y為試驗(yàn)測定全氮含量真實(shí)值,為模型估測全氮含量估測值,為樣本數(shù)量。

2 結(jié)果與分析

2.1 不同氮素水平下甜菜冠層光譜特征分析

通過對不同氮素水平下光譜數(shù)據(jù)進(jìn)行平均處理, 由原始光譜曲線圖與一階導(dǎo)數(shù)光譜曲線圖分析可知(圖1), 不同氮素水平下甜菜原始冠層光譜反射率波形趨勢相似, 在波段350~670 nm范圍內(nèi)有明顯的反射峰與吸收谷, 光譜波形呈現(xiàn)先增高后降低的趨勢, 在550 nm附近形成反射小高峰, 均在670 nm附近形成吸收谷, 在波段670~760 nm波段波形變化較為劇烈, 光譜反射率隨著波長的增加急劇上升, 形成較大陡坡狀波形; 在近紅外波段780~1300 nm形成近紅外反射平臺, 且具有明顯的波形變化。施氮處理N75、N150、N225在550 nm處較CK分別降低了7.5%、28.0%、23.0%, 說明各施氮處理相對CK均可提高甜菜植株冠層葉片對紅、藍(lán)光的吸收, 提高植株的光合效率, 且施氮處理N150比N75與N225具有更好地提高植株光合效率的作用; 在近紅外波段(780~1300 nm)各施氮處理較CK分別增加6.14%~12.6%、14.2%~16.4%、6.82%~18.0%, 各處理之間較容易區(qū)分。

由圖1可知, 紅邊與原始冠層光譜圖曲線近紅外(780~1300 nm)波段基本一致, 各施氮處理之間有明顯差異, 且具有“雙峰”現(xiàn)象, 說明不同施氮處理對甜菜植株有較大影響, 不同施氮處理除N75紅邊位置與N0相同, 其他施氮處理均出現(xiàn)“紅移”現(xiàn)象, 施氮處理N150、N225較N0均向長波方向移動5 nm, 說明隨著施氮量的增加, 甜菜植株冠層單位光合效率有所提高, 但在施氮處理N150后紅邊位置趨于平穩(wěn), 這與原始光譜反射率可見光波段“綠峰”處保持一致。

圖1 不同氮素水平下高光譜反射率與紅邊

N0: 施氮0 kg hm–2; N75: 施氮75 kg hm–2; N150: 施氮150 kg hm–2; N225: 施氮225 kg hm–2。

N0: nitrogen application of 0 kg hm–2; N75: nitrogen application of 75 kg hm–2; N150: nitrogen application of 150 kg hm–2; N225: nitrogen application of 225 kg hm–2.

2.2 原始光譜反射率與全氮含量的相關(guān)性

結(jié)果如圖2所示, 冠層光譜反射率與冠層葉片相關(guān)性穩(wěn)定波段主要集中350~1300 nm與1418~ 1809 nm, 由于在1300~2500 nm葉面光譜反射率主要受葉內(nèi)水含量的控制, 葉內(nèi)水含量降低, 其光譜反射率升高, 且氮素含量的敏感波段主要集中在短波紅外與可見光波段, 所以選擇350~1300 nm作為全氮含量估測波段。

由圖2可知, 在350~1300 nm范圍內(nèi), 在可見光波段與冠層葉片全氮含量呈現(xiàn)極顯著正相關(guān)的波段主要集中在726~780 nm, 且在波段767 nm處達(dá)到最大正相關(guān)(= 0.609,<0.01), 與全氮含量呈現(xiàn)極顯著負(fù)相關(guān)的波段主要集中在591~615 nm, 且在波段604 nm達(dá)到最大負(fù)相關(guān)(=-0.267,<0.01); 在近紅外波段與冠層葉片全氮含量呈現(xiàn)極顯著正相關(guān)的波段主要集中在780~1300 nm, 且在波段1104 nm處達(dá)到最大正相關(guān)(= 0.68,<0.01), 但在此波段范圍內(nèi)沒有出現(xiàn)與全氮含量的極顯著負(fù)相關(guān)。

圖2 甜菜冠層原始光譜反射率與全氮含量相關(guān)性

0.05: 顯著相關(guān)(< 0.05);0.01: 極顯著相關(guān)(< 0.01)。

0.05: significant correlation (< 0.05);0.01: extremely significant correlation (< 0.01).

**極顯著水平(< 0.01)。R604: 原始光譜最大負(fù)相關(guān); R1104: 原始光譜最大正相關(guān); Dr1138: 一階微分最大負(fù)相關(guān); Dr762: 一階微分最大正相關(guān)?？s寫同表1。

**means the significance at the 0.01 probability level. R604: maximum negative correlation of original spectrum; R1104: maximum positive correlation of original spectrum; Dr1138: maximum negative correlation of first order differential; Dr762: maximum positive correlation of first order differential. Abbreviations are the same as those given in Table 1.

2.3 一階微分光譜與全氮含量相關(guān)性

葉片全氮含量的敏感波段主要集中在短波紅外與可見光波段, 因此選擇350~1300 nm一階導(dǎo)數(shù)光譜反射率與葉片全氮含量作相關(guān)性分析。由圖3可知, 在波段389~403、610~620、638~679、709~766、774~805、995~1073、1200~1252 nm范圍內(nèi)呈現(xiàn)極顯著正相關(guān), 且在可見光(380~780 nm)范圍內(nèi)在波長762 nm處達(dá)到最大正相關(guān)(= 0.703,<0.01), 在近紅外(780~1300 nm)范圍內(nèi)在波長1018 nm處達(dá)到最大正相關(guān)(= 0.633,<0.01); 在波段445~457、486~517、683~693、943~964、1126~1176、1285~1300 nm范圍內(nèi)呈現(xiàn)極顯著負(fù)相關(guān)關(guān)系, 且在可見光(380~780 nm)范圍內(nèi)在波長496 nm處達(dá)到最大負(fù)相關(guān)(=-0.545,<0.01), 在近紅外波段(780~1300 nm)范圍內(nèi)在波長1138 nm處達(dá)到最大負(fù)相關(guān)(=-0.715,<0.01); 在紅邊(680~760 nm)范圍內(nèi), 最大正相關(guān)位于波長747 nm處(= 0.646,<0.01), 最大負(fù)相關(guān)位于波長687 nm處(=-0.332,<0.01)

圖3 甜菜冠層一階導(dǎo)數(shù)光譜與全氮含量相關(guān)性

0.05: 顯著相關(guān)(< 0.05);0.01: 極顯著相關(guān)(< 0.01)。

0.05: significant correlation (< 0.05);0.01: extremely significant correlation (< 0.01).

。

2.4 光譜特征參數(shù)、敏感波段植被指數(shù)與全氮含量相關(guān)性

全氮含量與一階導(dǎo)數(shù)光譜的相關(guān)性, 在相應(yīng)波段內(nèi)選取相關(guān)系數(shù)最大的對應(yīng)波段反射率, 構(gòu)建原始光譜反射率的比值、差值與歸一化比值植被指數(shù), 構(gòu)建一階微分光譜反射率的比值、差值、歸一化比值與紅邊比值、差值與歸一化差異指數(shù)。研究并分析三邊參數(shù)及敏感波段植被指數(shù)與全氮含量的相關(guān)性(表2)。

表2 光譜特征參數(shù)及敏感波段植被指數(shù)與全氮含量相關(guān)性

由表2可知, 所選光譜特征參數(shù)中紅邊參數(shù)與葉片全氮含量均達(dá)到極顯著相關(guān), 黃邊參數(shù)與藍(lán)邊參數(shù)中只有藍(lán)邊位置與葉片全氮含量達(dá)到極顯著相關(guān), 在三邊參數(shù)中, 紅邊振幅、紅邊面積、藍(lán)邊位置與葉片全氮含量均達(dá)到0.5以上的極顯著相關(guān), 其中紅邊面積與之達(dá)到最大相關(guān)(= 0.601,< 0.01); 原始光譜反射率和一階微分光譜反射率與葉片全氮含量的最大相關(guān)性均達(dá)到極顯著水平, 其中一階微分最大負(fù)相關(guān)Dr1138與一階微分最大正相關(guān)Dr762的相關(guān)性均達(dá)到0.7以上; 所建植被指數(shù)與全氮含量的相關(guān)性除一階微分比值植被指數(shù)Dr1138/Dr762沒有達(dá)到極顯著水平, 其他植被指數(shù)均達(dá)到極顯著水平, 但整體與葉片全氮含量的相關(guān)性較小, 在原始光譜植被指數(shù)中, 只有原始比值植被指數(shù)R767/ R604與葉片全氮含量的相關(guān)性達(dá)到了0.6以上; 在一階微分植被指數(shù)與葉片全氮含量的相關(guān)性中, 除一階微分比值植被指數(shù)Dr1138/Dr762外均達(dá)到0.5以上極顯著水平, 其中一階微分差值植被指數(shù)Dr1138–Dr762與一階微分差值植被指數(shù)Dr762– Dr496的相關(guān)系數(shù)均達(dá)到0.7以上; 紅邊植被指數(shù)與葉片全氮含量均達(dá)到極顯著相關(guān)水平, 其中紅邊差值植被指數(shù)Dr747–Dr687與紅邊歸一化差異指數(shù)的均達(dá)到0.5以上, 且一階微分光譜植被指數(shù)和紅邊光譜植被指數(shù)與葉片全氮含量的相關(guān)整體大于原始光譜植被指數(shù)的相關(guān)性。

2.5 已知高光譜植被指數(shù)與全氮含量相關(guān)性

在前人研究的基礎(chǔ)上, 針對本試驗(yàn)數(shù)據(jù)對已有植被指數(shù)優(yōu)選, 分析優(yōu)選高光譜植被指數(shù)與全氮含量的相關(guān)性, 由表3可知, 所選的15個高光譜植被指數(shù)均與全氮含量極顯著相關(guān), 其中達(dá)到0.5以上相關(guān)性的有8個, 植被指數(shù)SAVI、OSAVI和MSAVI與全氮含量的相關(guān)性均達(dá)到0.6以上, 且土壤調(diào)節(jié)植被指數(shù)SAVI與全氮含量達(dá)到最大相關(guān)性(= 0.692**,<0.01)。

表3 已知高光譜植被指數(shù)與全氮含量的相關(guān)性

**極顯著水平(< 0.01)。RSI: 比值光譜指數(shù); NDSI: 歸一化光譜指數(shù); NDVI: 歸一化植被指數(shù); FD-NDVI: 微分歸一化氮指數(shù); RENDVI: 紅邊歸一化指數(shù); mND705: 修正紅邊歸一化指數(shù); GNDVI: 綠波段歸一化植被指數(shù); SAVI: 土壤調(diào)節(jié)植被指數(shù); OSAVI: 優(yōu)化土壤調(diào)節(jié)植被指數(shù); MSAVI: 修正土壤調(diào)節(jié)植被指數(shù); DCNI: 雙峰冠層氮指數(shù); CIgreen: 綠色色素指數(shù); NDNI: 歸一化氮素指數(shù); TVI: 三角植被指數(shù); DSI: 差值植被指數(shù)。

**means the significance at the 0.01 probability level. RSI: ratio spectral index; NDSI: normalized difference spectral index; NDVI: norma-lized difference vegetation index; FD-NDVI: normalized difference of nitrogen index; RENDVI: red edge normalized difference vegetation index; mND705: modified red-edge normalized difference vegetation index; GNDVI: green normalized difference vegetation index; SAVI: soil-adjusted vegetation index; OSAVI: optimization of soil-adjusted vegetation index; MSAVI: modified soil adjusted vegetation index; DCNI: double-peak canopy nitrogen index; CIgreen: green chlorophyll index; NDNI: normalized difference nitrogen index; TVI: triangle vegetation index; DSI: difference vegetation index.

2.6 基于高光譜特征參數(shù)與敏感植被指數(shù)的全氮含量的估算與驗(yàn)證

選取表2、表3相關(guān)系數(shù)絕對值大于0.65的植被指數(shù)用于甜菜葉片全氮含量的估算。其中光譜特征參數(shù)與植被指數(shù)作為自變量(), 葉片全氮含量作為因變量(), 構(gòu)建葉片全氮含量的一元線性、二次項(xiàng)、冪函數(shù)以及指數(shù)函數(shù)估算模型。通過對比各模型的建模決定系數(shù)(2)、相對誤差(RE)以及均方根誤差(RMSE)篩選出最優(yōu)模型用以研究新疆滴灌條件下甜菜葉片全氮含量的估算。其中2用以判斷模型擬合優(yōu)度, RE與RMSE用于檢驗(yàn)估測模型的可靠程度。

2.6.1 基于高光譜特征參數(shù)的全氮含量的估算與驗(yàn)證 通過對構(gòu)建光譜特征參數(shù)模型與精度檢驗(yàn)分析可知(表4), 所選光譜特征參數(shù)與全氮含量均具有較好的擬合關(guān)系, 同時具有較好的擬合精度(2= 0.49~0.78)。通過比較不同函數(shù)估算模型發(fā)現(xiàn), 不同光譜特征參數(shù)所建模型均表現(xiàn)為二次項(xiàng)函數(shù)模型最優(yōu), 其中光譜特征參數(shù)Dr1138與Dr762的決定系數(shù)均達(dá)到0.6以上, 說明在光譜短波近紅外波段與紅光處參數(shù)有較好估算全氮含量的能力。通過比較決定系數(shù)發(fā)現(xiàn), 光譜特征參數(shù)Dr762在所選參數(shù)中表現(xiàn)最優(yōu), 不同函數(shù)構(gòu)建估算模型決定系數(shù)均達(dá)到0.7以上, 且以二次項(xiàng)函數(shù)所建模型決定系數(shù)最高(2= 0.772), 其次為線性函數(shù)(2= 0.770)。

利用檢驗(yàn)樣本對上述變量建立的估算模型預(yù)測精度進(jìn)行檢驗(yàn), 各模型檢驗(yàn)結(jié)果如表4所示, 通過對比光譜特征參數(shù)Dr762的RE(%)與RMSE發(fā)現(xiàn), 雖然二次項(xiàng)函數(shù)估算模型決定系數(shù)具有更好優(yōu)勢, 但RE(%)與RMSE較高, 且冪函數(shù)與指數(shù)函數(shù)在驗(yàn)證模型中均表現(xiàn)出較低的RE(%)與RMSE, 難以判定出最優(yōu)估算模型, 因此對估測值與真實(shí)值擬合模型再次驗(yàn)證, 通過對光譜特征參數(shù)Dr762下不同函數(shù)估測值與真實(shí)值擬合分析發(fā)現(xiàn)(圖4), 冪函數(shù)估算模型較其他估算模型具有更高的決定系數(shù), 因此光譜特征參數(shù)Dr762下冪函數(shù)估算模型具有更好的擬合優(yōu)度。

2.6.2 基于高光譜植被指數(shù)的葉片全氮含量估算與驗(yàn)證 通過對構(gòu)建光譜植被指數(shù)與精度檢驗(yàn)分析可知(表5), 所選光譜植被指數(shù)與全氮含量均具有較好的擬合關(guān)系, 同時具有較好擬合精度(2= 0.415~0.804)。通過比較不同函數(shù)估算模型決定系數(shù)發(fā)現(xiàn), 不同植被指數(shù)所建模型均表現(xiàn)為二次項(xiàng)函數(shù)估算模型最優(yōu), 其中差值植被指數(shù)Dr1138–Dr762與Dr762–Dr496決定系數(shù)均達(dá)到0.7以上, 且在差值植被指數(shù)Dr762–Dr496下二次項(xiàng)估算模型的決定系數(shù)達(dá)到最高值(2= 0.804), 這說明在短波近紅外波段與紅光波段組合和紅光波段與綠光波段組合具有較好估算葉片全氮含量的能力。

表4 不同光譜特征參數(shù)與全氮含量回歸關(guān)系模型及驗(yàn)證

2: 決定系數(shù); RE(%): 相對誤差; RMSE: 均方根誤差。縮寫同表2。

2: coefficient of determination; RE(%): relative error; RMSE: relative root mean-squared error. Abbreviations are the same as those given in Table 2.

利用檢驗(yàn)樣本對上述變量建立的估算模型預(yù)測精度進(jìn)行檢驗(yàn), 各模型檢驗(yàn)結(jié)果如表5所示, 通過對比差值植被指數(shù)Dr762–Dr496的RE(%)與RMSE發(fā)現(xiàn), 差值植被指數(shù)Dr762–Dr496估算模型與光譜特征參數(shù)Dr762表現(xiàn)出相似特征, 雖然二次項(xiàng)函數(shù)估算模型決定系數(shù)最高, 表現(xiàn)出較高擬合優(yōu)度, 但在整體函數(shù)估算模型中表現(xiàn)最高, 說明偏離真值的程度較大, 雖然差值植被指數(shù)Dr1138–Dr762較Dr762–Dr496的決定系數(shù)有所降低, 但其表現(xiàn)出較低的RE(%)與較低RMSE, 因此難以對最優(yōu)全氮估算模型進(jìn)行判定, 因此對估測值與真實(shí)值擬合模型再次驗(yàn)證, 通過對差值植被指數(shù)Dr1138–Dr762與Dr762–Dr496下不同函數(shù)估測值與真實(shí)值擬合分析發(fā)現(xiàn)(圖5和圖6), 在差值植被指數(shù)Dr1138–Dr762中指數(shù)函數(shù)估測值與真實(shí)值擬合程度表現(xiàn)最優(yōu)(2= 0.739), 但與差值植被指數(shù)Dr762–Dr496的擬合程度相比表現(xiàn)較低。在差值植被指數(shù)Dr762–Dr496下線性函數(shù)估測值與真實(shí)值擬合決定系數(shù)和指數(shù)函數(shù)估測值與真實(shí)值擬合決定系數(shù)相同(2= 0.759), 但線性函數(shù)估算模型較指數(shù)函數(shù)估算模型具有較高決定系數(shù)與較低RE(%), 因此差值植被指數(shù)Dr762–Dr496下線性函數(shù)估算模型具有更好的擬合優(yōu)度。

圖4 甜菜光譜特征參數(shù)Dr762 (一階微分最大正相關(guān))下全氮含量估測模型驗(yàn)證

表5 不同植被指數(shù)與全氮含量回歸關(guān)系模型及驗(yàn)證

2: 決定系數(shù); RE(%): 相對誤差; RMSE: 均方根誤差?？s寫同表2和表3。

2: coefficient of determination; RE(%): relative error; RMSE: relative root mean-squared error. Abbreviations are the same as those given in Table 2 and Table 3.

圖5 甜菜植被指數(shù)Dr1138–Dr762下全氮含量估測模型驗(yàn)證

3 討論

3.1 不同氮素水平對甜菜全氮含量及冠層光譜反射率影響

在不同氮素水平下甜菜原始冠層光譜反射率波形相似, 在350~670 nm波段范圍內(nèi)有明顯的反射峰與吸收谷, 光譜呈現(xiàn)先增高后降低的趨勢, 在波段670~760 nm波形變化較為劇烈, 波形呈現(xiàn)為陡然上升趨勢, 在近紅外波段780~1300 nm處形成近紅外反射平臺, 且具有明顯波形變化, 這與前人研究基本一致[37-38]。施氮處理N75、N150、N225在550 nm較CK分別降低了7.5%、28.0%、23.0%, 說明各施氮處理相對CK均可提高甜菜植株冠層葉片對紅、藍(lán)光的吸收, 提高植株的光合效率, 且施氮處理N150比N75與N225具有更好的提高植株光合效率的作用; 在一階導(dǎo)數(shù)光譜圖中不同施氮處理除N75紅邊位置與N0相同, 其他施氮處理均出現(xiàn)“紅移”現(xiàn)象, 施氮處理N150、N225較N0均向長波方向移動5 nm, 說明隨著施氮量的增加, 甜菜植株冠層單位光合效率有所提高。

3.2 光譜特征參數(shù)及植被指數(shù)的選擇與全氮含量的構(gòu)建與檢驗(yàn)

針對建立光譜特征參數(shù)及敏感植被指數(shù)進(jìn)行篩選, 其中“三邊”參數(shù)中紅邊面積具有較好估算全氮含量的能力, 在植被指數(shù)中R767/R604、Dr1138– Dr762與Dr762–Dr496的相關(guān)性均在0.6以上, 其中一階微分光譜植被指數(shù)和紅邊光譜植被指數(shù)與葉片全氮含量的相關(guān)性整體大于原始光譜植被指數(shù)的相關(guān)性, 組合波段相對單一光譜特征參數(shù)相關(guān)性均有所提高。

通過對光譜特征參數(shù)篩選建立全氮含量的多種函數(shù)估算模型發(fā)現(xiàn), 不同光譜特征參數(shù)所建立模型均表現(xiàn)為二次函數(shù)擬合效果最好, 利用檢驗(yàn)樣本對所建立估測模型預(yù)測精度進(jìn)行檢驗(yàn)發(fā)現(xiàn), 雖然光譜特征參數(shù)Dr762二次函數(shù)估測模型決定系數(shù)具有最大決定系數(shù)(2= 0.772),但驗(yàn)證模型中RE(%)與RMSE較高, 通過對Dr762估測值與真實(shí)值擬合后發(fā)現(xiàn), 光譜特征參數(shù)Dr762冪函數(shù)下估算模型具有更好的擬合優(yōu)度。

圖6 甜菜植被指數(shù)Dr762–Dr496下全氮含量估測模型驗(yàn)證

通過對敏感植被指數(shù)篩選建立全氮含量的多種函數(shù)估算模型發(fā)現(xiàn), 不同植被指數(shù)所建模型均表現(xiàn)為二次函數(shù)估算模型最優(yōu), 其中差值植被指數(shù)Dr762–Dr496下二次項(xiàng)估算模型的決定系數(shù)達(dá)到最高值(2= 0.804), 這說明在短波近紅外波段與紅光波段組合和紅光波段與綠光波段組合具有較好估算葉片全氮含量的能力。利用檢驗(yàn)樣本對所建模型進(jìn)行檢驗(yàn)發(fā)現(xiàn), 雖然差值植被指數(shù)Dr762–Dr496表現(xiàn)出較高擬合優(yōu)度, 但驗(yàn)證模型中偏離真值的程度較大, 通過建立Dr762–Dr496估測值與真實(shí)值擬合后發(fā)現(xiàn), 差值植被指數(shù)Dr762–Dr496下一元線性函數(shù)具有更好的擬合優(yōu)度。

作物冠層葉片氮素含量的高光譜遙感估算較為復(fù)雜, 受到作物冠層結(jié)構(gòu)、葉片表面以及內(nèi)部特征、化學(xué)和光學(xué)特性、土壤背景值等一系列影響。Knyazikhin等[39]研究認(rèn)為冠層結(jié)構(gòu)及其光學(xué)特性是決定光譜反射率的主要因素, 冠層結(jié)構(gòu)組織具有復(fù)雜性, 光子在此結(jié)構(gòu)中會產(chǎn)生碰撞、吸收、散射及反射, 只有一小部分會被截獲, 因而葉片反射率與葉片氮素含量間無直接相關(guān)性。但葉片、冠層以及生態(tài)系統(tǒng)之間的復(fù)雜聯(lián)系可能會導(dǎo)致葉片全氮含量與光譜反射率之間的重復(fù)相關(guān)性, 雖然可以確定冠層光譜反射率的物理驅(qū)動因素是必要的, 模擬冠層中作物生化指標(biāo)可以起到較好作用, 然而這些物理機(jī)制在冠層、葉片內(nèi)部結(jié)構(gòu)及外部結(jié)構(gòu)等和生態(tài)系統(tǒng)之間的一系列生態(tài)驅(qū)動是聯(lián)動運(yùn)作的, 而氮素是作物碳氮循環(huán)中一最為重要成分, 氮素有效性會較大程度決定植被冠層豐度[40-41]。碳氮循環(huán)作為生態(tài)系統(tǒng)中運(yùn)作的關(guān)鍵, 光合作用為植被提供生長及繁殖的能量及物質(zhì), 其冠層氮素含量的定量變化提供了關(guān)于植被冠層的直接信息[42]。這也說明氮素含量與冠層結(jié)構(gòu)之間的聯(lián)動, 并較大程度決定冠層結(jié)構(gòu), 并與冠層光譜反射率呈現(xiàn)直接或間接的影響。因此對作物的生物學(xué)和物理學(xué)特性不能孤立地評估, 應(yīng)更好理解光譜處理方法以及工作原理, 在更多波長范圍內(nèi)進(jìn)行更廣泛的模擬。

本文光譜數(shù)據(jù)測定主要在甜菜葉叢快速生長期至糖分積累期, 在此階段范圍內(nèi)甜菜冠層基本達(dá)到土壤背景全覆蓋, 通過對比表明前人建立植被指數(shù)與本文全氮含量均具有較好相關(guān)性, 均達(dá)到極顯著相關(guān), 說明不同緯度地區(qū)、不同作物與所建立植被指數(shù)均可進(jìn)行全氮含量的估算, 但由于地區(qū)與作物的不同, 所建立植被指數(shù)與葉片全氮含量的吻合度存在一定的差異。本研究主要基于石河子滴灌甜菜葉片全氮含量估算得到的初步結(jié)果, 但在實(shí)際工作中利用高光譜遙感數(shù)據(jù)對甜菜葉片全氮含量估算時,易受不同緯度地區(qū)以及冠層結(jié)構(gòu)、葉片角度、結(jié)構(gòu)等因素影響, 因此所得結(jié)果還有待進(jìn)一步驗(yàn)證。

4 結(jié)論

通過光譜特征參數(shù)與葉片全氮含量建立多種函數(shù)估算模型, 其中光譜特征參數(shù)Dr762冪函數(shù)下估算模型具有較好估算甜菜葉片全氮含量的能力, 其決定系數(shù)2= 0.747, 驗(yàn)證相對誤差RE(%)為21.635, 驗(yàn)證均方根誤差RMSE為4.914。通過植被指數(shù)與葉片全氮含量建立多種函數(shù)估測模型, 其中差值植被指數(shù)Dr762–Dr496下一元線性函數(shù)具有較好估算甜菜葉片全氮含量的能力, 其決定系數(shù)2= 0.794, 驗(yàn)證相對誤差RE(%)為23.008, 驗(yàn)證均方根誤差為5.372。

[1] Lee Y J, Yang C M, Chang K W, Shen Y. A simple spectral index using reflectance of 735 nm to assess nitrogen status of rice canopy., 2008, 100: 205–212.

[2] 蘇繼霞, 王開勇, 費(fèi)聰, 李陽陽, 樊華. 氮肥運(yùn)籌對滴灌甜菜產(chǎn)量、氮素吸收和氮素平衡的影響. 土壤通報, 2016, 47: 1404–1407. Su J X, Wang K Y, Fei C, Li Y Y, Fan H. Effects of nitrogen management on sugar beet yield, Nitrogen uptake and soil nitrogen balance under drip irrigation., 2016, 47: 1404–1407 (in Chinese with English abstract).

[3] 費(fèi)聰, 王維成, 李陽陽, 樊華. 氮素運(yùn)籌對滴灌甜菜葉片光合特性的影響. 江蘇農(nóng)業(yè)科學(xué), 2016, 44(12): 227–229. Fei C, Wang W C, Li Y Y, Fan H. Effects of nitrogen management on photosynthetic characteristics of sugarbeet leaves under drip irrigation., 2016, 44(12): 227–229 (in Chinese).

[4] 高雨茜. 夏玉米葉綠素、葉面積指數(shù)高光譜估測研究. 西北農(nóng)林科技大學(xué)碩士學(xué)位論文, 陜西楊凌, 2016.Gao Y Q. Chlorophyll and Leaf Area Indexstimation Based on Hyperspectrum of Summer Corn. MS Thesis of Northwest A&F University,Yangling, Shaanxi, China, 2016 (in Chinese with English abstract).

[5] 劉冰峰. 夏玉米不同生育時期生理生態(tài)參數(shù)的高光譜遙感監(jiān)測模型. 西北農(nóng)林科技大學(xué)博士學(xué)位論文, 陜西楊凌, 2016. Liu B F. Monitoring Models of Physiological and Ecological Parameters of Summer Maize Based on Hyperspectral Remote Sensing at Different Growth Stages. PhD Dissertation of Northwest A&F University, Yangling, Shaanxi, China, 2016 (in Chinese with English abstract).

[6] Shibayama M, Akiyama T. Seasonal visible, near-infra-red and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry biomass., 1989, 27: 119–127.

[7] Smith M L, Ollinger S V, Martin M E, Aber J D, Hallett R A, Goodale C L. Direct estimation of aboveground forest producti-vity through hyperspectral remote sensing of canopy nitrogen., 2002, 12: 1286–1302.

[8] Stone M L, Soile J B, Raun R. Use of spectral radiance for correcting in-season fertilizer nitrogen deficiencies in winter wheat., 1996, 39: 1623–1631.

[9] Thomas J R, Oerther G F. Estimating nitrogen content of sweet pepper leaves by reflectance measurements., 1972, 64: 11–13.

[10] Tian Y C, Yao X, Yang J, Cao W X, Hannaway D B, Zhu Y. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground and spacebased hyperspectral reflectance., 2011, 120: 299–310.

[11] Wang W, Yao X, Yao X F, Tian Y C, Liu X J, Ni J, Cao W X, Zhu Y. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat., 2012, 129: 90–98.

[12] Menesatti P, Antonucci F, Pallottino F, Roccuzzo M, Allegra M, Stagno F, Intrigliolo F. Estimation of plant nutritional status by Vis-NIR spectrophotometric analysis on orange leaves., 2010, 105: 448–454.

[13] Zhang G C, Li Z, Yan X M, Cheng C G, Zhou P, Lin G L, Zhou C J, Liu N, Han X R. Rapid analysis of apple leaf nitrogen using near infrared spectroscopy and multiple linear regression., 2012, 43: 1768–1772.

[14] 張瀟元, 張立福, 張霞, 王樹東, 田靜國, 翟涌光. 不同光譜植被指數(shù)反演冬小麥葉氮含量的敏感性研究. 中國農(nóng)業(yè)科學(xué), 2017, 50: 474–485. Zhang X Y, Zhang L F, Zhang X, Wang S D, Tian J G, Zhai Y G. Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen., 2017, 50: 474–485 (in Chinese with English abstract).

[15] 王仁紅, 宋曉宇, 李振海, 楊貴軍, 郭文善, 譚昌偉, 陳立平. 基于高光譜冬小麥氮素營養(yǎng)指數(shù)估測. 農(nóng)業(yè)工程學(xué)報, 2014, 30(19): 191–198. 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., 2014, 30(19): 191–198 (in Chinese with English abstract).

[16] 田永超, 楊杰, 姚霞, 朱艷, 曹衛(wèi)星. 利用紅邊面積形狀參數(shù)估測水稻葉層氮濃度. 植物生態(tài)學(xué)報, 2009, 33: 791–801. Tian Y C, Yang J, Yao X, Zhu Y, Cao W X. Estimation of leaf canopy nitrogen concentration with red edge area shape parameter in rice., 2009, 33: 791–801 (in Chinese with English abstract).

[17] 顧清, 鄧勁松, 陸超, 石媛媛, 王珂, 沈掌門. 基于光譜和形狀特征的水稻掃描葉片氮素營養(yǎng)診斷. 農(nóng)業(yè)機(jī)械學(xué)報, 2012, 43(8): 170–174. Gu Q, Deng J X, Lu C, Shi Y Y, Wang K, Shen Z M. Diagnosis of rice nitrogen nutrition based on spectral and shape characteristics of scanning leaves., 2012, 43(8): 170–174 (in Chinese with English abstract).

[18] 黃春燕, 王登偉, 閆杰, 張煜星, 曹連莆, 程誠. 棉花葉綠素密度和葉片氮積累量的高光譜監(jiān)測研究. 作物學(xué)報, 2007, 33: 931–936. Huang C Y, Wang D W, Yan J, Zhang Y X, Cao L P, Cheng C. Monitoring of cotton canopy chlorophyll density and leaf nitrogen accumulation status by using hyperspectral data., 2007, 33: 931–936 (in Chinese with English abstract).

[19] 吳華兵, 朱艷, 田永超, 姚霞, 劉曉軍, 周治國, 曹衛(wèi)星. 棉花冠層高光譜參數(shù)與葉片氮含量的定量關(guān)系. 植物生態(tài)學(xué)報, 2007, 31: 903–909. Wu H B, Zhu Y, Tian Y C, Yao X, Liu X J, Zhou Z G, Cao W X. Relationship between canopy hyperspectra parameter and leaf nitrogen concentration in cotton., 2007, 31: 903–909 (in Chinese with English abstract).

[20] 趙春江, 黃文江, 王紀(jì)華, 楊敏華, 薛緒掌. 不同品種、肥水條件下冬小麥光譜紅邊參數(shù)研究. 中國農(nóng)業(yè)科學(xué), 2002, 35: 980–987. Zhao C J, Huang W J, Wang J H, Yang M H, Xue X Z. Studies on the red edge parameters of spectrum in winter wheat under different varieties, Fertilizer and water treatments., 2002, 35: 980–987 (in Chinese with English abstract).

[21] 王樹文, 趙越, 王麗鳳, 王潤濤, 宋玉柱, 張長利, 蘇中濱. 基于高光譜的寒地水稻葉片氮素含量預(yù)測. 農(nóng)業(yè)工程學(xué)報, 2016, 32(20): 187–194. Wang S W, Zhao Y, Wang L F, Wang R T, Song Y Z, Zhang C L, Su Z B. Prediction for nitrogen content of rice leaves in cold region based on hyperspectrum., 2016, 32(20): 187–194 (in Chinese with English abstract).

[22] 陳兵, 王方永, 韓煥勇, 劉政, 鄧福軍, 林海, 余渝, 李少昆, 王克如, 肖春華. 基于光譜紅邊參數(shù)的棉花黃萎病葉片氮素含量診斷研究. 棉花學(xué)報, 2013, 25: 254–261. Chen B, Wang F Y, Han H Y, Liu Z, Deng F J, Lin H, Yu Y, Li S K, Wang K R, Xiao C H. Monitoring nitrogen contents in leaves of cotton under verticillium wilt stress based on spectra red-edge parameters., 2013, 25: 254–261 (in Chinese with English abstract).

[23] Yao X, Zhu Y, Tian Y C, Cao W X. Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat., 2010, 12: 89–100.

[24] Rouse J W, Haas R H, Schell J A, Deering D W. Monitoring vegetation systems in the Great Plains with ERTS., 1974, 351: 309.

[25] 梁亮, 楊敏華, 鄧凱東, 張連蓬, 林卉, 劉志霄. 一種估測小麥冠層氮含量的新高光譜指數(shù). 生態(tài)學(xué)報, 2011, 31: 6594–6605. Liang L, Yang M H, Deng K D, Zhang L P, Lin H, Liu Z X. A new hyperspectral index for the estimation of nitrogen contents of wheat canopy., 2011, 31: 6594–6605 (in Chinese with English abstract).

[26] Gitelson A A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. Spectral features and relation to chlorophyll estimation., 1994, 143: 286–292.

[27] Daniel A S, John A G. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2008, 81: 337–354.

[28] Gitelson A A, Merzlyak M N. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll., 1996, 148: 494–500.

[29] Huete A R. A soil-adjusted vegetation index (SAVI)., 1988, 25: 295–309.

[30] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices., 1996, 55: 95–107.

[31] Haboudane D, Miller J R, Pattey E, Zarco P J, Strachan I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopy: monitoring and validation in the context of precision agriculture., 2004, 90: 337–352.

[32] Chen P F, Haboudane D, Trembley N, Wang J H, Vigneault P, Li B G. New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat,, 2010, 114: 1987–1997.

[33] Gitelson A A, Vina A, Ciganda V, Rundquist D C, Arkebauer T J. Remote estimation of canopy chlorophyll content in crops., 2005, 32: 1–4.

[34] Serrano L, Penuelas J, Ustin S L. Remote sensing of nitrogen and lignin in Mediterranean vegetation decomposing biochemical from structural signals., 2002, 81: 355–364.

[35] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density., 2001, 76: 156–172.

[36] 諶俊旭, 黃山, 范元芳, 王銳, 劉沁林, 楊文鈺, 楊峰. 單作套作大豆葉片氮素積累與光譜特征. 作物學(xué)報, 2017, 43: 1835–1844. Chen J X, Huang S, Fan Y F, Wang R, Liu Q L, Yang W Y, Yang F. Remote detection of canopy leaf nitrogen status in soybean by hyperspectral data under monoculture and intercropping systems., 2017, 43: 1835–1844 (in Chinese with English abstract).

[37] 楊福芹, 馮海寬, 李振海, 楊貴軍, 戴華陽. 基于可見光-近紅外光譜特征參數(shù)的蘋果葉片氮含量預(yù)測. 農(nóng)業(yè)機(jī)械學(xué)報, 2017, 48(9): 143–151. Yang F Q, Feng H K, Li Z H, Yang G J, Dai H Y. Prediction for nitrogen content of apple leaves using spectral features parameters from visible and near infrared lights., 2017, 48(9): 143–151 (in Chinese with English abstract).

[38] 徐道青, 劉小玲, 王維, 陳敏, 闞畫春, 李常鳳, 鄭曙峰. 淹水脅迫下棉花葉片高光譜特征及葉綠素含量估算模型. 應(yīng)用生態(tài)學(xué)報, 2017, 28: 3289–3296. Xu D Q, Liu X L, Wang W, Chen M, Kan H C, Li C F, Zheng S F. Hyper-spectral characteristics and estimation model of leaf chlorophyll content in cotton under waterlogging stres., 2017, 28: 3289–3296 (in Chinese with English abstract).

[39] Knyazikhin Y, Mitchell A, Schull, Stenberg P, Mottus M, Rautiaien M, Yang Y, Marshak A, Carmona P L, Kaufmann R K, Lewis P, Disney M I, Vanderbilt V, Davis A B, Baret F, Jacquemoud S J, Lyapustin A, Myneni R B. Hyperspectral remote sensing of foliar nitrogen content., 2013, 110: E185–E192.

[40] Ollinger S V, Reich P B, Frolking S, Lepine L C, Hollinger D Y, Richardson A D. Nitrogen cycling, forest canopy reflectance, and emergent properties of ecosystems., 2013, 110: E2437.

[41] Townsen P A, Serbin S P, Kruger E L, Gamon J A. Disentangling the contribution of biological and physical properties of leaves and canopies in imaging spectroscopy data., 2013, 110: E1704.

[42] Ustin S L. Remote sensing of canopy chemistry., 2013, 110: 804–805.

Estimation of total nitrogen content in sugarbeet leaves under drip irrigation based on hyperspectral characteristic parameters and vegetation index

LI Zong-Fei1, SU Ji-Xia1, FEI Cong1, LI Yang-Yang1, LIU Ning-Ning1, DAI Yu-Xiang1, ZHANG Kai-Xiang1, WANG Kai-Yong1, FAN Hua1,*, and CHEN Bing2,*

1Agronomy College, Shihezi University, Shihezi 832003, Xinjiang, China;2Cotton Institute, Xinjiang Academy of Agricultural and Reclamation Science, Shihezi 832003, Xinjiang, China

The purpose of this paper is to clarify the quantitative relationship between total nitrogen content of sugar beet and high-resolution vegetation remote sensing, to explore the establishment of an optimal estimation model for total nitrogen content of sugar beet, and to monitor the growth of sugar beet. Xinjiang drip-irrigated sugar beet (Beta356) was selected to collect the reflectance spectra of leaf cluster during the leaves rapid growth period, root expansion period and sugar accumulation period by the ASD field hyperspectral apparatus. The total nitrogen content was also measured and the relationship between original spectral reflectance and total nitrogen content was analyzed. According to the correlation between the first-order differential spectral reflectance and total nitrogen content, a total nitrogen content estimation model was established. The model with spectral characteristic parameter Dr762 power function had a good ability to estimate total nitrogen content in leaves of beet, with the determination coefficient, relative error, and root mean square error of 0.747, 21.635, and 4.914, respectively. Various function estimation models were established based on vegetation index and leaf total nitrogen content. The linear function under vegetation index Dr762–Dr496 had better ability to estimate leaf total nitrogen content. Its determinant coefficient, relative error, and root mean square error were 0.794, 23.008, and 5.372, respectively.

total nitrogen; hyperspectral; characteristic parameters; vegetation index; estimation model

2019-03-20;

2019-12-26;

2020-01-17.

10.3724/SP.J.1006.2020.94045

樊華, E-mail: fanhua@shzu.edu.cn; 陳兵, E-mail: zyrcb@126.com

E-mail: shzulizongfei@163.com

本研究由國家自然科學(xué)基金項(xiàng)目(31660360, 31771720), 自治區(qū)研究生科研創(chuàng)新項(xiàng)目(XJGRI2016039)和石河子大學(xué)國際科技合作推進(jìn)計(jì)劃(GJHZ201706)資助。

This study was supported by the National Natural Science Foundation of China (31660360, 31771720), the Research and Innovation Projects of Postgraduates in Autonomous Region (XJGRI2016039), and the International Science and Technology Cooperation Promotion Plan of Shihezi University (GJHZ201706).

URL: http://kns.cnki.net/kcms/detail/11.1809.S.20200117.1006.002.html