不同光譜指數(shù)反演馬鈴薯葉片氮累積量的研究

韓 康 于 靜 石曉華 崔石新 樊明壽

不同光譜指數(shù)反演馬鈴薯葉片氮累積量的研究

韓 康 于 靜 石曉華 崔石新 樊明壽*

內(nèi)蒙古農(nóng)業(yè)大學農(nóng)學院, 內(nèi)蒙古呼和浩特 010019

光譜指數(shù)作為光譜衍生參數(shù), 可用于反映作物葉片氮累積量狀況, 但其因環(huán)境與作物而有所不同。本研究在內(nèi)蒙古察右中旗和杭錦旗, 以馬鈴薯克新1號與夏波蒂品種為研究對象, 于2016—2018年進行了田間試驗, 并在馬鈴薯生育期間, 用手持式光譜儀(SVC HR-1024i)獲取了馬鈴薯冠層地面觀測光譜信息。在前人光譜指數(shù)算法的基礎上, 通過相關分析對比了22種光譜指數(shù)與馬鈴薯葉片氮累積量(LNA)之間的相關關系, 并利用線性與非線性回歸分析建立了馬鈴薯關鍵生育時期的氮素營養(yǎng)診斷模型。結(jié)果表明, (1)紅邊區(qū)域是反演馬鈴薯葉片氮素累積量的主要波段, 以715、720、726、734、747 nm構(gòu)成的Vogelmann紅邊指數(shù)2 (VOG2)、Vogelmann紅邊指數(shù)3 (VOG3)為內(nèi)蒙古地區(qū)馬鈴薯LNA的敏感光譜指數(shù)。(2)苗期、塊莖形成期與全生育時期VOG3與LNA的關系符合二次項模型(2>0.75), 以此可以較好地估算不同施氮水平下的馬鈴薯LNA狀況。(3)上述3個模型的均方根誤差(RMSE)范圍分別為4.04~6.69、9.45~10.89、9.17~13.45 kg hm?2, 生育時期對馬鈴薯葉片氮累積量監(jiān)測模型的準確性影響較大, 生育后期模型的預測性能變差, 但全生育時期監(jiān)測模型準確度較高, 因此生育前期分階段建模與生育后期統(tǒng)一建?？梢詼蚀_估算馬鈴薯氮素營養(yǎng)狀況, 為光譜指數(shù)在馬鈴薯氮素營養(yǎng)診斷應用提供了理論依據(jù)與方法。

馬鈴薯; 葉片氮累積量; 光譜指數(shù); 監(jiān)測模型

內(nèi)蒙古是中國馬鈴薯的主產(chǎn)區(qū), 由于片面追求高產(chǎn)以及環(huán)境保護意識的缺乏, 馬鈴薯氮肥的投入量遠高于推薦用量[1], 不僅造成氮肥利用率降低[2], 生產(chǎn)成本增加, 還會引起環(huán)境風險[3]。因此, 氮肥減施增效是馬鈴薯產(chǎn)業(yè)可持續(xù)發(fā)展必須解決的關鍵問題, 而在馬鈴薯關鍵生育時期準確判斷作物氮素營養(yǎng)狀況是氮肥減肥增效技術研發(fā)的核心與基礎。葉片氮累積量(leaf nitrogen accumulation, LNA)包含了植株個體葉片氮含量與群體蓋度特征的信息, 是判斷作物氮素營養(yǎng)豐缺的重要指標[4-5], 因此準確、快速分析評價馬鈴薯LNA就顯得尤為必要。

遙感技術因其連續(xù)的光譜特征信息、高分辨率等特點, 被嘗試用于估算作物LNA[6-7]。光譜指數(shù)是遙感技術衍生參數(shù)之一, 由不同波段進行組合, 通過一定的計算形成。薛利紅等[8-9]研究發(fā)現(xiàn), 近紅外與綠光波段的比值光譜指數(shù)(ratio vegetation index, RVI)可用于預估水稻LNA。周冬琴等[10]驗證了上述結(jié)果, 并發(fā)現(xiàn)由1100 nm與560 nm構(gòu)建的RVI估算水稻葉片氮累積量狀況的精度更高。表明可以利用光譜指數(shù)預估水稻葉片氮累積量狀況。馮偉等[11]通過對比不同的光譜參數(shù)與小麥地上部氮素累積量的數(shù)量關系發(fā)現(xiàn), 基于傳統(tǒng)光譜指數(shù)Vogelmann紅邊指數(shù)2 (vogelmann red edge index 2, VOG2)、Vogelmann紅邊指數(shù)3 (vogelmann red edge index 2, VOG2)和[(R750? R800) ? (R695? R740)] ? 1構(gòu)建的監(jiān)測模型可以有效地評價小麥地上部氮素積累狀況, 模型的相對誤差分別為15.5%、15.6%和15.5%; 姚霞等[12]利用減量精細采樣法, 系統(tǒng)構(gòu)建了全波段范圍內(nèi)所有兩兩波段組成的歸一化光譜指數(shù)(normalized difference spectral indices, NDSI), 發(fā)現(xiàn)基于NDSI構(gòu)建的小麥葉片氮累積量監(jiān)測模型與傳統(tǒng)光譜指數(shù)相比更加簡單實用。表明光譜指數(shù)進行作物氮累積量狀況的無損估算是可行的。但前人提出的敏感光譜指數(shù)因作物、環(huán)境條件而異。馬鈴薯的葉片結(jié)構(gòu)、冠層特征和營養(yǎng)特點與其他作物不同, 前人的研究結(jié)果難以直接在馬鈴薯上應用。因此, 光譜指數(shù)的可靠性及其在內(nèi)蒙古地區(qū)馬鈴薯上的適應性還需要深入研究。

不同作物與環(huán)境條件會影響敏感光譜指數(shù)的選擇[8-12], 然而目前尚未見關于篩選內(nèi)蒙古地區(qū)馬鈴薯LNA敏感光譜指數(shù)的研究。所以本文在內(nèi)蒙古2個不同的生態(tài)區(qū)域, 于2016年至2018年以馬鈴薯克新1號與夏波蒂品種為研究對象, 進行田間試驗, 參照前人光譜指數(shù)的算法, 分析22種光譜指數(shù)與馬鈴薯LNA的相關關系, 目的是篩選出敏感光譜指數(shù), 并基于以上研究結(jié)果, 通過線性與非線性回歸分析, 建立關鍵生育時期的氮素營養(yǎng)診斷模型, 為利用光譜遙感技術調(diào)控馬鈴薯施肥奠定基礎。

1 材料與方法

1.1 試驗地概況

察右中旗地屬溫帶大陸性季風氣候, 海拔1780 m, 年平均氣溫1.3℃, 年平均降雨量270 mm左右, 無霜期100 d左右, 土壤類型為栗鈣土, 0~20 cm土層含有機質(zhì)18.8 g kg?1、全氮1.4 g kg?1、有效磷12.6 mg kg?1、速效鉀196 mg kg?1, pH 8.0。杭錦旗地屬溫帶大陸性半干旱氣候, 海拔1400 m, 年平均氣溫6.2℃, 年平均降雨量340 mm左右, 無霜期100 d左右, 土壤類型為風沙土, 0~20 cm土層含有機質(zhì)7.4 g kg?1、全氮0.4 g kg?1、有效磷9.8 mg kg?1、速效鉀76 mg kg?1, pH 8.9。

1.2 試驗設計

試驗于2016—2018年實施, 小區(qū)長為20 m, 寬為9 m, 面積為180 m2。設施氮0 (N0)、150 (N1)、300 (N2)、450 (N3)、600 kg hm?2(N4) 5個氮肥水平, 氮源為尿素, 氮肥施用方案見表1。磷肥(過磷酸鈣, 含P2O516.5%)和鉀肥(硫酸鉀, 含K2O 50%)分別按P2O5180 kg hm?2和K2O 300 kg hm?2作為基肥一次性施入。種植密度為37,500株 hm?2。3次重復, 其他田間管理按常規(guī)進行。在出苗后20 d (苗期)、35 d (塊莖形成期)、50 d (塊莖膨大期)、65 d (淀粉積累期)進行冠層光譜測定和樣品采集。不同年份供試品種、播種和收獲日期、出苗日期、數(shù)據(jù)采集日期見表2。

1.3 測定指標及方法

1.3.1 冠層光譜反射率的測定 分別在出苗后20、35、50、65 d, 于10:00—14:00 (北京時間), 采用手持式地物波譜儀(SVC HR-1024i, Spectra Vista Corporation, USA), 從馬鈴薯冠層上方約1 m的高度垂直測量冠層光譜反射率。光譜儀傳感器視場角為25o, 波長范圍為350~2500 nm, 光譜分辨率與采樣間隔見表3。為了獲取更有代表性的冠層反射率, 隨機選擇3個直徑約為45 cm的圓形區(qū)域為觀測點, 每個觀測點采集10條光譜, 并將這30條光譜平均作為整個小區(qū)的光譜樣本。每個處理測量前均用BaSO4制成的20 cm × 20 cm標準白板(標準白板反射率為1, 所得目標物光譜為無量綱的相對反射率)校正。

表1 氮肥施用方案

N0~N4分別代表0、150、300、450、600 kg hm?2的氮肥水平。

N0–N4 represent 0, 150, 300, 450, 600 kg hm?2nitrogen fertilizer levels, respectively.

表2 田間試驗概況

圖1 試驗地位置及試驗小區(qū)分布

N0~N4分別代表0、150、300、450、600 kg hm?2的氮肥水平; a、b、c為3次重復。

N0–N4 represent 0, 150, 300, 450, 600 kg hm?2nitrogen fertilizer levels, respectively; a, b, and c are three replications.

1.3.2 葉片氮累積量的測定 在冠層光譜反射率采樣范圍內(nèi), 隨機選取3株馬鈴薯植株, 將葉片與植株分離, 105℃下殺青30 min, 80℃下烘干至恒重后稱重, 進而折算成單位土地面積的葉片干物質(zhì)量(kghm?2)。粉碎后采用H2SO4-H2O2法消化, 使用K60全自動凱氏定氮儀測定葉片氮素含量(N %)。葉片干物質(zhì)量(leaf dry weight, LWD)與葉片氮含量(leaf nitrogen content, LNC)的乘積即為葉片氮累積量(LNA), 計算如下。

LNA (kghm?2) = LWD (kghm?2) × LNC (%)

1.4 數(shù)據(jù)處理與分析

1.4.1 光譜指數(shù)計算 根據(jù)馬鈴薯冠層光譜特征, 參照已有光譜指數(shù)計算方法, 選出物理意義明確、認可度較高并且與本研究相關的22種光譜指數(shù)進行比較分析。各光譜指數(shù)計算方法與文獻來源見表4。

表3 SVC HR-1024i的光譜分辨率與采樣間隔

表4 光譜指數(shù)公式

1.4.2 數(shù)據(jù)分析 敏感光譜指數(shù)的篩選: 在分析光譜指數(shù)與LNA相關性基礎上, 規(guī)定相關系數(shù)()的絕對值為0.67~1為強相關關系[29], 選擇與LNA相關系數(shù)絕對值最大的光譜指數(shù)為敏感光譜指數(shù)。

監(jiān)測模型的建立: 選擇同一地點、品種的試驗數(shù)據(jù)(Exp.1, Exp.4, Exp.5)作為建模集, 以LNA為因變量, 敏感光譜指數(shù)為自變量, 通過線性與非線性回歸分析構(gòu)建監(jiān)測模型(根據(jù)趨勢圖, 候選模型確立為線性、二次、指數(shù)3種模型)。規(guī)定決定系數(shù)(2)大于0.75的回歸模型的擬合性能為好[30], 可以估算作物LNA。

監(jiān)測模型的檢驗: 將Exp.2與Exp.3的數(shù)據(jù)作為驗證集, 用均方根誤差(RMSE)、估測值與觀測值之間1∶1的直方圖來檢驗監(jiān)測模型的準確性[31]。

式中,S和Q分別為LNA的估測值和觀察值,為數(shù)據(jù)個數(shù)值。

2的值越大, RMSE的值越小, 則模型準確度越高。選擇同一地點、品種的數(shù)據(jù)建立監(jiān)測模型旨在提高監(jiān)測模型的擬合性能, 通過不同地點、品種的獨立試驗進行檢驗旨在確定上述因素對模型準確性的影響。不同生育時期建模集與驗證集的樣本數(shù)量見表5。

采用SPSS 25進行馬鈴薯冠層光譜反射率、LNA的平均值、標準誤等描述性統(tǒng)計分析、光譜指數(shù)與各LNA的相關分析與回歸分析。采用Origin 2018制圖。

2 結(jié)果與分析

2.1 葉片氮累積量及冠層光譜反射率對施氮量的響應

不同氮肥處理馬鈴薯LNA間存在顯著差異。以Exp.1塊莖膨大期為例, 隨著施氮量的增加, 馬鈴薯LNA逐漸增加, 處理間差異顯著, 當施氮量大于450 kg hm?2(N3)時, LNA不再隨施氮量而增加(圖2)。

表5 建模集與驗證集的樣本數(shù)量

施氮對不同波段范圍內(nèi)冠層光譜反射率影響不盡相同。在350~720 nm波段內(nèi), 隨施氮水平增加, 反射率隨之下降。然而在720~1350 nm的波段內(nèi), 反射率隨施氮量的增加而增加(圖3-a~c)。這歸因于在可見光范圍內(nèi)葉綠素和其他色素吸收藍光、紅光且反射綠光, 在近紅外波段范圍內(nèi), 冠層葉片的結(jié)構(gòu)會反射能量[32]。

2.2 不同光譜指數(shù)與葉片氮累積量的相關分析

對22種光譜指數(shù)與馬鈴薯LNA進行了相關分析, 依據(jù)相關系數(shù)絕對值高于0.66為強相關關系的標準進行評判[29]。馬鈴薯苗期LNA與10種光譜指數(shù)達到了強相關關系, 包括VOG3、VOG1、VOG2、mND705、NDVI705、mSR705、CRI1、SRI、CRI2、SIPI; 塊莖形成期LNA與10種光譜指數(shù)達到了強相關關系, 包括VOG3、VOG2、mSR705、MTCI、VOG1、NDVI705、ARI2、ARI1、SRI、DVI; 塊莖膨大期LNA與9種光譜指數(shù)達到了強相關關系, 包括VOG3、VOG2、MTCI、VOG1、mSR705、NDVI705、ARI2、ARI1、SRI。以上3個生育時期馬鈴薯LNA均與VOG3相關最密切, 相關系數(shù)分別為?0.868**、?0.872**、?0.859**(圖3-a~c)。淀粉積累期LNA與6種光譜指數(shù)達到了強相關關系, 包括VOG2、VOG3、VOG1、MTCI、NDVI705、SRI, 其與VOG2相關最密切, 相關系數(shù)為?0.708**(圖3-d), 而全生育時期LNA與9種光譜指數(shù)達到了強相關關系, 包括VOG3、VOG2、VOG1、mSR705、NDVI705、MTCI、SRI、ARI2、SIPI, 其中LNA與VOG3關系最密切(= ?0.849**) (圖3-e)。表明, 淀粉積累期敏感光譜指數(shù)為VOG2, 其他生育時期以及全生育時期敏感光譜指數(shù)為VOG3。

圖2 不同施氮水平對葉片氮累積量的影響(Exp.1)

LNA為葉片氮累積量。處理同表1。不同小寫字母表示在0.05水平上顯著差異。

LNA is the leaf nitrogen accumulation. Treatments are the same as those given in Table 1. Different lowercase letters indicates significant difference at the 0.05 probability level.

圖3 不同施氮水平對冠層反射率的影響

a: 全波段; b: 可見光波段; c: 紅邊波段。處理同表1。

a: full-wave band; b: visible light band; c: red edge band. Treatments are the same as those given in Table 1.

2.3 基于光譜指數(shù)的葉片氮累積量回歸模型

利用線性和非線性回歸分析, 以敏感光譜指數(shù)為自變量, LNA為因變量, 構(gòu)建了不同馬鈴薯葉片氮累積量監(jiān)測模型。在馬鈴薯苗期、塊莖形成期與全生育時期, 基于VOG3與LNA擬合的二次項模型具有最大的2, 分別為0.913、0.790、0.778, 而在塊莖膨大期與淀粉積累期, 不同馬鈴薯葉片氮累積量監(jiān)測模型的2均低于0.75, 依據(jù)Wang等[30]的標準, 模型的擬合性能較差(表6)。表明苗期、塊莖形成期與全生育時期VOG3與LNA擬合的最優(yōu)監(jiān)測模型均為二次項方程, 可以估算不同施氮量下的馬鈴薯LNA (圖5)。

2.4 葉片氮累積量回歸模型準確度的檢驗

為了檢驗上述監(jiān)測模型的可靠性與普適性, 利用不同品種、地點和不同施氮水平下的獨立試驗數(shù)據(jù)(Exp.2和Exp.3)對所建立監(jiān)測模型進行了檢驗。Exp.2觀察值與估測值之間的RMSE范圍為6.69~16.18 kg hm?2, Exp.3觀察值與估測值之間的RMSE范圍為4.04~14.13 kg hm?2(表7)。在不同的生育時期, 觀察值與估測值之間的RMSE變化規(guī)律為苗期<塊莖形成期<塊莖膨大期、全生育時期<淀粉積累期。對于不同驗證集而言, Exp.3觀察值與估測值之間的RMSE略低于Exp.2 (圖6)。

3 討論

實時準確掌握作物營養(yǎng)狀況是精準施用氮肥的前提, 遙感技術的快速發(fā)展為監(jiān)測作物生理參數(shù)提供了一種新方法[33], 國內(nèi)外學者利用該技術在監(jiān)測生物量[34-36]、氮素含量[37-39]、葉面積指數(shù)[40-42]、氮素累積量[8-12]中均有研究, 然而關于馬鈴薯LNA的研究較少。由于LNA包含了植株個體葉片氮含量與群體蓋度特征的信息, 是判斷作物氮素營養(yǎng)豐缺的重要指標[4-5], 本文對22種光譜指數(shù)與馬鈴薯LNA的相關性進行了分析發(fā)現(xiàn), 相當一部分光譜指數(shù)與LNA高度相關(圖4), 意味著光譜指數(shù)估算馬鈴薯LNA是可行的。本文還發(fā)現(xiàn), 各生育時期LNA與VOG1、VOG2、VOG3、NDVI705、SRI均為強相關關系(圖4), 而構(gòu)成以上光譜指數(shù)的波段主要分布在紅邊區(qū)域內(nèi)(680~780 nm)。由于紅邊范圍內(nèi)的光譜參數(shù)與葉綠素含量顯著相關[43-47], 而葉片葉綠素含量與植物含氮量密切相關[2-3,48], 因此馬鈴薯冠層反射率在紅邊區(qū)域內(nèi)隨施氮量而呈規(guī)律性變化(圖3-c)的研究發(fā)現(xiàn)不僅具有生理基礎, 而且充分說明, 紅邊波段對評價馬鈴薯LNA至關重要。

在不同生態(tài)環(huán)境與作物種類的研究中發(fā)現(xiàn), 與作物LNA關系密切的光譜指數(shù)有所差異[8-12,49], 因此篩選出估算特定地區(qū)特定作物LNA的敏感光譜指數(shù)是構(gòu)建氮素營養(yǎng)監(jiān)測模型的前提。本文通過比較22種光譜指數(shù)與馬鈴薯LNA相關系數(shù)發(fā)現(xiàn), 在馬鈴薯苗期、塊莖形成期、塊莖膨大期以及全生育時期, VOG3與LNA相關系數(shù)絕對值最大(圖4-a~c, e), 而在淀粉積累期, VOG2與LNA關系最密切(圖4-d)。因此, 可以認為VOG2、VOG3是估算內(nèi)蒙古地區(qū)馬鈴薯LNA的敏感光譜指數(shù)。

圖4 光譜指數(shù)與葉片氮累積量的相關性

a: 苗期; b; 塊莖形成期; c塊莖膨大期; d: 淀粉積累期; e: 全生育時期。縮寫同表4。

a: seedling stage; b: tuber formation stage; c: tuber bulking stage; d: starch accumulation stage; e: total growth stages. Abbreviations are the same as in Table 4.

以VOG2、VOG3為自變量, LNA為因變量進行的回歸分析表明, LNA與VOG2、VOG3存在顯著的回歸關系, 而且在馬鈴薯苗期、塊莖形成期與全生育時期, VOG3與LNA構(gòu)建的二次項模型擬合性能為好, 這不僅進一步表明使用光譜指數(shù)估算馬鈴薯LNA是可行的, 而且提供了基于VOG3估算馬鈴薯LNA的方法。通過表6即可以判斷處于不同生育階段馬鈴薯的氮素營養(yǎng)豐缺狀況。

為檢測所選監(jiān)測模型的預測能力, 本文通過獨立試驗數(shù)據(jù)進行檢驗發(fā)現(xiàn), 不同生育時期監(jiān)測模型的準確性不盡一致, 在馬鈴薯生育后期模型準確度較差。全生育時期的馬鈴薯葉片氮累積量監(jiān)測模型的RMSE與塊莖膨大期相當, 均優(yōu)于淀粉積累期。Exp.2、Exp.3觀察值與估測值之間的RMSE略有不同(表7和圖6), 這可能是由于馬鈴薯克新1號與夏波蒂2個品種的表型存在一定的差距, 而且杭錦旗(東經(jīng)106°55'、北緯39°22')與察右中旗(東經(jīng)111°55', 北緯41°6')存在較大的地理跨度(圖1)。薛利紅等[8]與周冬琴等[10]在對水稻葉片氮累積量監(jiān)測模型檢驗時發(fā)現(xiàn), 不同品種與地點間觀察值與估測值RMSE略有差異, 但不影響監(jiān)測模型的預測能力。所以本文提出的苗期、塊莖形成期的監(jiān)測模型可以用于估測馬鈴薯的LNA, 并進一步指導馬鈴薯的氮肥施肥實踐。由于苗期和塊莖形成期是馬鈴薯氮肥施用最多的關鍵生育時期[1-3,50], 因此, 盡管馬鈴薯生育后期的模型準確度較差, 但其對指導施肥實踐的影響較小, 而且在生育后期, 使用全生育期的監(jiān)測模型作為替代, 一定程度可彌補其不足。

表6 光譜指數(shù)與葉片氮累積量的回歸模型

LNA為葉片氮累積量。**表示在0.01水平上顯著差異。

LNA is the leaf nitrogen accumulation.**indicates significant difference at the 0.01 probability level.

圖5 光譜指數(shù)與葉片氮累積量的關系

LNA為葉片氮累積量。a: 苗期; b: 塊莖形成期; c: 全生育時期。**表示在0.01水平上顯著差異。

LNA is the leaf nitrogen accumulation. a: seedling stage; b: tuber formation stage; c: total growth stages.**indicatessignificant difference at the 0.01 probability level.

表7 馬鈴薯葉片氮累積量監(jiān)測模型的檢驗

圖6 葉片氮累積量估測值與觀察值之間的關系

a: 苗期; b: 塊莖形成期; c: 塊莖膨大期; d: 淀粉積累期; e: 全生育時期。

a: seedling stage; b: tuber formation stage; c: tuber bulking stage; d: starch accumulation stage; e: total growth stages.

此外, 在檢測馬鈴薯葉片氮累積量監(jiān)測模型的準確性時發(fā)現(xiàn)估測值數(shù)值偏低, 尤其是苗期Exp.3、淀粉積累期觀察值與估測值相差較大(圖6)。這是因為在生長發(fā)育前期, 與克新1號品種相比, 夏波蒂品種長勢弱, 植株矮小, 地面裸露, 在光譜掃描時會引入較多噪聲光譜, 因此在馬鈴薯苗期消除噪聲影響方面需做進一步深入研究。而在淀粉積累期, 葉片及葉柄中的光合同化物高效地轉(zhuǎn)移到塊莖, 馬鈴薯葉片逐漸變黃、脫落, 會影響模型的準確性。在實際生產(chǎn)中, 淀粉積累期通常不再施用氮肥[50], 因此, 該生育時期的馬鈴薯葉片氮累積量監(jiān)測模型不具實際意義。

4 結(jié)論

通過分析馬鈴薯葉片氮累積量(LNA)與光譜反射率、指數(shù)的定量關系中得出, 紅邊是反演馬鈴薯LNA的主要波段, 由715、720、726、734、747 nm構(gòu)成的光譜指數(shù)VOG2、VOG3為內(nèi)蒙古地區(qū)馬鈴薯LNA的敏感光譜指數(shù)。苗期、塊莖形成期與全生育時期的馬鈴薯葉片氮累積量監(jiān)測模型分別為LNA = 1976.733 × VOG32+ 211.143 × VOG3 + 11.236、LNA = 1393.778 × VOG32+ 162.368 × VOG3 + 17.484和LNA = 832.343 × VOG32? 46.576 × VOG3 ? 0.242, 決定系數(shù)均(2)高于0.75, 均方根誤差(RMSE)范圍分別為4.04~6.69、9.45~10.89、9.17~ 13.45 kg hm?2。生育時期對馬鈴薯葉片氮累積量監(jiān)測模型的準確度影響較大, 生育后期監(jiān)測模型的預測性能較差(2<0.75), 而全生育監(jiān)測模型的2大于0.75, 因此生育前期分階段建模與生育后期統(tǒng)一建?？梢蕴岣弑O(jiān)測模型的精準度, 可以準確估算馬鈴薯氮素營養(yǎng)狀況, 并用于指導施肥實踐。

[1] 秦永林, 于靜, 陳楊, 賈立國, 蘇亞拉其其格, 樊明壽. 內(nèi)蒙古灌溉馬鈴薯施肥現(xiàn)狀及肥料利用效率. 中國蔬菜, 2019, (11): 75–79.Qin Y L, Yu J, Chen Y, Jia L G, Suyala Q Q G, Fan M S. Situation of fertilization and fertilizer use efficiency on irrigated potato in Inner Mongolia., 2019, (11): 75–79 (in Chinese with English abstract).

[2] 于靜, 李斐, 秦永林, 樊明壽. 應用主動作物冠層傳感器對馬鈴薯氮素營養(yǎng)診斷. 光譜學與光譜分析, 2013, 33: 3092–3097.Yu J, Li F, Qin Y L, Fan M S, Active crop canopy sensor-based nitrogen diagnosis for potato., 2013, 33: 3092–3097 (in Chinese with English abstract).

[3] Li R, Chen J H, Qin Y L, Fan M S. Possibility of using a SPAD chlorophyll meter to establish a normalized threshold index of nitrogen status in different potato cultivars., 2019, 42: 834–841.

[4] 姚霞, 朱艷, 馮偉, 田永超, 曹衛(wèi)星. 監(jiān)測小麥葉片氮積累量的新高光譜特征波段及比值植被指數(shù). 光譜學與光譜分析, 2009, 29: 2191–2195. Yao X, Zhu Y, Feng W, Tian Y C, Cao W X. Exploring novel hyperspectral band and key Index for leaf nitrogen accumulation in wheat., 2009, 29: 2191–2195 (in Chinese with English abstract).

[5] Zhu Y, Yao X, Tian Y C, Liu X J, Cao W X. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice., 2008, 10: 1–10.

[6] Mistele B, Schmidhalter U. Estimating the nitrogen nutrition index using spectral canopy reflectance measurements., 2008, 29: 184–190.

[7] 薛利紅, 曹衛(wèi)星, 羅衛(wèi)紅, 張憲. 小麥葉片氮素狀況與光譜特性的相關性研究. 植物生態(tài)學報, 2004, 28: 172–177. Xue L H, Cao W X, Luo W H, Zhang X. Correlation between leaf nitrogen status and canopy spectral characteristics in wheat., 2004, 28: 172–177 (in Chinese with English abstract).

[8] 薛利紅, 曹衛(wèi)星, 羅衛(wèi)紅, 姜東, 孟亞利, 朱艷. 基于冠層反射光譜的水稻群體葉片氮素狀況監(jiān)測. 中國農(nóng)業(yè)科學, 2003, 36: 807–812. Xue L H, Cao W X, Luo W H, Jiang D, Meng Y L, Zhu Y. Diagnosis of nitrogen status in rice leaves with the canopy spectral reflectance., 2003, 36: 807–812 (in Chinese with English abstract).

[9] Xue L H, Cao W X, Luo W H, Dai T B, Zhu Y. Monitoring leaf nitrogen status in rice with canopy spectal reflectance., 2004, 96: 135–142.

[10] 周冬琴, 朱艷, 田永超, 姚霞, 曹衛(wèi)星. 以冠層反射光譜監(jiān)測水稻葉片氮積累量的研究. 作物學報, 2006, 32: 1316–1322. Zhou D Q, Zhu Y, Tian Y C, Yao X, Cao W X. Monitoring leaf nitrogen accumulation with canopy spectral reflectance in rice., 2006, 32: 1316–1322 (in Chinese with English abstract).

[11] 馮偉, 朱艷, 姚霞, 田永超, 莊森, 曹衛(wèi)星. 小麥氮素積累動態(tài)的高光譜監(jiān)測. 中國農(nóng)業(yè)科學, 2008, 41: 1937–1946. Feng W, Zhu Y, Yao X, Tian Y C, Zhuang S, Cao W X. Monitoring plant nitrogen accumulation dynamics with hyperspectral remote sensing in wheat., 2008, 41: 1937–1946 (in Chinese with English abstract).

[12] 姚霞, 劉小軍, 王薇, 田永超, 曹衛(wèi)星, 朱艷. 基于減量精細采樣法估算小麥葉片氮積累量的最佳歸一化光譜指數(shù). 應用生態(tài)學報, 2010, 21: 3175–3182. Yao X, Liu X J, Wang W, Tian Y C, Cao W X, Zhu Y. Estimation of optimum normalized difference spectral index for nitrogen accumulation in wheat leaf based on reduced precise sampling method., 2010, 21: 3175–3182 (in Chinese with English abstract).

[13] Sim D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81: 331–354.

[14] Rouse J W, Haas R H, Schel J A, Deering D W. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. NASA/GSFC Final Report, NASA, 1974. pp 371–375.

[15] Richardson A J, Wiegand C L. Distinguishing vegetation from soil background information., 1997, 43: 1541–1552.

[16] Penuelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoid/chlorophyll a ratio from leaf spectral reflectance., 1995, 31: 221–230.

[17] Gamon J A, Penuelas J, Field G B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency., 1992, 41: 35–44.

[18] Merzlyak M N, Gitelson A A, Chivkunova O B, Rakitin V Y. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening., 1999, 106: 135–141.

[19] Dash J, Curran P J. The MERIS terrestrial chlorophyll index., 2004, 25: 5403–5413.

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

[21] Haboudane D, Miller J R, Tremblay N, Zarco-Tejada P J, Dextraze L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture., 2002, 81: 416–426.

[22] Huete A R, Liu H, Batchily K, Leeuwen W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS., 1997, 59: 440–451.

[23] Kaufman Y J, Tanre D. Strategy for direct and indirect methods for correcting the aerosol effect on remote sensing: from AVHRR to EOS-MODIS., 1996, 55: 65–79.

[24] Gitelson 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.

[25] Zarco-Tejada P J, Miller J R, Noland T L, Mohammed G H. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data., 2001, 39: 1491–1507.

[26] Gitelson A A, Zur Y, Chivkunova O B, Merzlyak M N. Assessing carotenoid content in plant leaves with reflectance spectroscopy., 2002, 75: 272–281.

[27] Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves., 2001, 71: 38–45.

[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] 張?zhí)K江, 陳慶波. 數(shù)據(jù)統(tǒng)計分析軟件SPSS的應用(五)——相關分析與回歸分析. 畜牧與獸醫(yī), 2003, 35(9): 16–18. Zhang S J, Chen Q B. Application of data statistical analysis software SPSS (5)—correlation analysis and regression analysis., 2003, 35(9): 16–18 (in Chinese with English abstract).

[30] Wang S Q, Li W D, Li J, Liu X S. Prediction of soil texture using FT-NIR spectroscopy and PXRF spectrometry with data fusion., 2013, 178: 626–638.

[31] 強生才, 張富倉, 向友珍, 張燕, 閆世程, 邢英英. 關中平原不同降雨年型夏玉米臨界氮稀釋曲線模擬及驗證. 農(nóng)業(yè)工程學報, 2015, 31(17): 168–175. Qiang S C, Zhang F C, Xiang Y Z, Zhang Y, Yan S C, Xing Y Y. Simulation and validation of critical nitrogen dilution curve for summer maize in Guanzhong plain during different rainfall years., 2015, 31(17): 168–175 (in Chinese with English abstract).

[32] 肖艷芳, 周德民, 宮輝力, 趙文吉. 冠層反射光譜對植被理化參數(shù)的全局敏感性分析. 遙感學報, 2015, 19: 368–374. Xiao Y F, Zhou D M, Gong H L, Zhao W J. Sensitivity of canopy reflectance to biochemical and biophysical variables., 2015, 19: 368–374 (in Chinese with English abstract).

[33] Filella I, Serrano L, Serra J, Penuelas J. Evaluating wheat nitrogen status with canopy reflectance indices and discriminate analysis., 1995, 35: 1400–1405.

[34] 陳鵬飛, Nicolas T, 王紀華, Philippe V, 黃文江, 李保國. 估測作物冠層生物量的新植被指數(shù)的研究. 光譜學與光譜分析, 2010, 30: 512–517. Chen P F, Nicolas T, Wang J H, Philippe V, Huang W J, Li B G. New index for crop canopy fresh biomass estimation., 2010, 30: 512–517 (in Chinese with English abstract).

[35] 付元元, 王紀華, 楊貴軍, 宋曉宇, 徐新剛, 馮海寬. 應用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算. 光譜學與光譜分析, 2013, 33: 1315–1319. Fu Y Y, Wang J H, Yang G J, Song X Y, Xu X G, Feng H K. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements., 2013, 33: 1315–1319 (in Chinese with English abstract).

[36] 劉冰峰, 李軍, 賀佳, 師祖嬌. 基于高光譜植被指數(shù)的夏玉米地上干物質(zhì)量估算模型研究. 農(nóng)業(yè)機械學報, 2016, 47(3): 254–262. Liu B F, Li J, He J, Shi Z J. Estimation models of above-ground dry matter accumulation of summer maize based on vegetation indexes of hyperspectral remote sensing., 2016, 47(3): 254–262 (in Chinese with English abstract).

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

[38] 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.

[39] Shiratsuchi L, Ferguson R, Shanahan J, Adamchuk V, Rundquist D, Marx D, Slater G. Water and nitrogen effects on active canopy sensor vegetation indices., 2011, 103: 1815–1826.

[40] 賈方方. 不同種植密度煙草葉面積指數(shù)的高光譜估測模型. 中國煙草科學, 2017, 38(4): 37–43.Jia F F. Estimating model for leaf area index of tobacco via hyperspectral reflectance at different planting densities., 2017, 38(4): 37–43 (in Chinese with English abstract).

[41] 王宏博, 趙梓淇, 林毅, 馮銳, 李麗光, 趙先麗, 溫日紅, 魏楠, 姚欣, 張玉書. 基于線性回歸算法的春玉米葉面積指數(shù)的冠層高光譜反演研究. 光譜學與光譜分析, 2017, 37: 1489–1496. Wang H B, Zhao Z Q, Lin Y, Feng R, Li L G, Zhao X L, Wen R H, Wei N, Yao X, Zhang Y S. Leaf area index estimation of spring maize with canopy hyperspectral data based on linear regression algorithm., 2017, 37: 1489–1496 (in Chinese with English abstract).

[42] 呂曉, 殷紅, 蔣春姬, 張兵兵, 戰(zhàn)莘曄, 辛明月, 張美玲. 基于高光譜遙感的不同品種花生冠層葉面積指數(shù)的通用估算模型. 中國農(nóng)業(yè)氣象, 2016, 37: 720–727. Lyu X, Yin H, Jiang C J, Zhang B B, Zhan S Y, Xin M Y, Zhang M L. General estimation model of peanut canopy LAI based on hyperspectral remote sensing., 2016, 37: 720–727 (in Chinese with English abstract).

[43] 李云梅, 倪紹祥, 黃敬峰. 高光譜數(shù)據(jù)探討水稻葉片葉綠素含量對葉片及冠層光譜反射特性的影響. 遙感技術與應用, 2003, 18(1): 1–5. Li Y M, Ni S X, Huang J F. Discussing effects of different chlorophyll concentration to leaf and canopy reflectance by hyperspectral data., 2003, 18(1): 1–5 (in Chinese with English abstract).

[44] 李恒凱, 歐彬, 劉雨婷. 基于高光譜參數(shù)的竹葉葉綠素質(zhì)量分數(shù)估算模型. 東北林業(yè)大學學報, 2017, 45(5): 44–48. Li H K, Ou B, Liu Y T. Estimation models of chlorophyll content of bamboo leaves based on spectral parameter., 2017, 45(5): 44–48 (in Chinese with English abstract).

[45] 焦紅波, 金繼業(yè), 劉振民, 查勇, 李四海, 李云梅, 黃家柱. 湖泊水體葉綠素a含量估算的波段寬度變化影響分析——以太湖為例. 地球信息科學, 2008, 10: 6787–6791. Jiao H B, Jin J Y, Liu Z M, Zha Y, Li S H, Li Y M, Huang J Z. The influence of bandwidth’s variety on estimating chlorophyll-a concentration of lake waters: Taking Taihu Lake as an example., 2008, 10: 6787–6791 (in Chinese with English abstract).

[46] 孫永華, 張冬冬, 田杰, 黃錦. 基于高光譜的濕地植被冠層葉綠素反演研究. 河北師范大學學報(自然科學版), 2018, 42(2): 157–164. Sun Y H, Zhang D D, Tian J, Huang J. Inversion of vegetation canopy chlorophyll in wet land based on hyperspectal data.(Nat Sci Edn), 2018, 42(2): 157–164 (in Chinese with English abstract).

[47] Cho M A, Skidmore A K. A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method., 2006, 101: 181–193.

[48] Josep P, Gamon J A, Griffin K L, Griffin K L, Field C B. Assessing community type, plant biomass, pigment composition, and photosynthetic efficiency of aquatic vegetation from spectral reflectance., 1993, 46: 110–118.

[49] 李國強, 吳士文, 鄭國清, 張學治, 馮曉, 張杰, 胡峰. 基于冠層反射光譜的夏玉米葉片氮積累量估測. 中國農(nóng)學通報, 2014, 30(3): 85–90. Li G Q, Wu S W, Zheng G Q, Zhang X Z, Feng X, Zhang J, Hu F. Monitoring leaf nitrogen accumulation in summer maize with Canopy reflectance spectra., 2014, 30(3): 85–90 (in Chinese with English abstract).

[50] 秦永林, 樊明壽. 馬鈴薯氮素管理策略. 中國蔬菜, 2011, (18): 1–5. Qin Y L, Fan M S. Strategy for potato nitrogen management., 2011, (18): 1–5 (in Chinese with English abstract).

Inversion of nitrogen accumulation in potato leaf with different spectral indices

HAN Kang, YU Jing, SHI Xiao-Hua, CUI Shi-Xin, and FAN Ming-Shou*

College of Agronomy, Inner Mongolia Agricultural University, Hohhot 010019, Inner Mongolia, China

As an important derivative parameter of optical spectrum, spectral index could reflect the leaf nitrogen accumulation of crops. However, the sensitive spectral index varies with different environments and crops. In order to obtain the sensitive spectral index for potato in Inner Mongolia, field experiments were conducted in Chayouzhongqi and Hangjinqi of Inner Mongolia from 2016 to 2018, and during the potato growth period, the canopy spectrum information of potato cultivars Kexin 1 and Shepody was obtained using a handheld spectrometer (SVC HR-1024i). Based on the previous spectral indices algorithm, the correlation coefficients between the leaves nitrogen accumulation of potato (LNA) and each of the 22 spectral indices were compared, and the nitrogen nutrition diagnosis models of potato at critical growth stages were established using linear and nonlinear regression analysis. The results were as follows: (1) the red edge area was the main spectral band for inverting the LNA of potato, and Vogelmann red edge index 2 (VOG2), Vogelmann red edge index 3 (VOG3) were the sensitive spectral indices for potato LNA in Inner Mongolia, which composed of 715, 720, 726, 734, and 747 nm of spectral bands. (2) At the seedling stage, tuber formation stage or whole growth stage, the quadratic regression models (2> 0.75) between VOG3 and LNA could estimate better the LNA of potato under different nitrogen levels using VOG3. (3) The root mean square error (RMSE) of the models was 4.04–6.69, 9.45–10.89, 9.17–13.45 kg hm?2, indicating the accuracy of using the models to predict potato LNA varies with potato growth stage, and it was lower at late growth stages, while it is higher for whole growth duration. In summary, the staged modeling for potato early growth period and the unified modeling for potato later growth period could accurately estimate the potato LNA, which provides a theoretical basis and method for the application of spectral indices in the nitrogen nutrition diagnosis of potato.

potato; leaf nitrogen accumulation; spectral index; monitoring models

本研究由國家自然科學基金項目(31960637)和內(nèi)蒙古自治區(qū)自然科學基金項目(2019BS03021)資助。

This study was supported by the National Natural Science Foundation of China (31960637) and the Natural Science Foundation of Inner Mongolia (2019BS03021).

樊明壽, E-mail: fmswh@126.com

E-mail: hankanghhht@163.com

2020-02-05;

2020-08-19;

2020-09-02.

URL: https://kns.cnki.net/kcms/detail/11.1809.S.20200902.0925.002.html

10.3724/SP.J.1006.2020.04023