基于葉片反射光譜估測水稻氮營養(yǎng)指數(shù)

徐浩聰，姚波，王權(quán)，陳婷婷，朱鐵忠，何海兵，柯健，尤翠翠，吳小文，郭爽爽，武立權(quán),4

基于葉片反射光譜估測水稻氮營養(yǎng)指數(shù)

1安徽農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，合肥 230036；2廬江縣農(nóng)業(yè)技術(shù)推廣中心，安徽廬江 231500；3中聯(lián)智慧農(nóng)業(yè)股份有限公司，安徽蕪湖 241000；4江蘇省現(xiàn)代作物生產(chǎn)協(xié)同創(chuàng)新中心，南京 210095

【】基于葉片反射光譜建立快速、無損監(jiān)測水稻氮營養(yǎng)指數(shù)（nitrogen nutrition index，NNI）的估算模型。2018—2019年開展2個(gè)水稻品種（徽兩優(yōu)898和Y兩優(yōu)900）及5個(gè)氮肥梯度（施氮量為0、75、150、225和300 kg·hm-2，分別記為N0、N1、N2、N3、N4）的田間小區(qū)試驗(yàn)，測定關(guān)鍵生育期不同葉位葉片反射光譜和植株NNI，構(gòu)建多種光譜指數(shù)的水稻NNI監(jiān)測模型。單葉及葉位組合的敏感波段均分布在540 nm的綠光波長處，其與近紅外波段構(gòu)成的窄波段比值指數(shù)SR（R900，R540）可較好反演水稻NNI。但不同葉位葉片窄波段比值指數(shù)與水稻NNI的預(yù)測精度表現(xiàn)不同，頂3葉（L3）預(yù)測精度最好（2=0.731，=0.130，=11.6%），頂2葉（L2）次之（2=0.707，=0.136，=12.2%），頂1葉（L1）最差（2=0.443，=0.187，=14.7%）；頂2葉和頂3葉組合平均光譜（L23）的預(yù)測精度優(yōu)于單葉水平和其他葉位組合（2=0.740，=0.128，=11.5%）。再將窄波段比值指數(shù)SR（R900，R540）近紅外與綠光區(qū)域分別重采樣50 nm和10 nm，所構(gòu)建的寬波段比值指數(shù)SR[AR（900±50），AR（540±10）]模型精度較SR（R900，R540）未明顯降低，且在L23水平下2個(gè)模型的模型精度和預(yù)測精度基本一致（2=0.740，=0.128，=11.5%）。水稻NNI小于1時(shí)與產(chǎn)量呈線性的正相關(guān)關(guān)系（＜0.05），大于1時(shí)產(chǎn)量趨于平穩(wěn)。L2和L3葉片反射光譜為監(jiān)測水稻NNI的敏感葉位，其中葉位組合L23可提高模型預(yù)測精度?；谌~片反射光譜構(gòu)建的多種波段比值指數(shù)（SR（R900，R540）和SR[AR（900±50），AR（540±10）]）可快速估測水稻NNI，從而為不同傳感器對水稻氮營養(yǎng)指數(shù)估測監(jiān)測研究提供了理論依據(jù)。

葉片；水稻；氮營養(yǎng)指數(shù)；比值指數(shù)；模型；波段寬度

0 引言

【研究意義】水稻是我國重要的糧食作物，受城鎮(zhèn)化、工業(yè)化和土壤退化等因素影響，可用耕地面積逐年下降，提高水稻單產(chǎn)已成為保證我國糧食安全的主要策略。氮素在水稻生長發(fā)育、產(chǎn)量形成和品質(zhì)改善中扮演著不可或缺的角色，增施氮肥對提高水稻單產(chǎn)發(fā)揮重要作用[1-2]，但當(dāng)前我國稻田氮素用量普遍過大[3]，過多的氮肥用量并未明顯提高水稻產(chǎn)量，反而導(dǎo)致氮肥利用效率下降，同時(shí)還造成諸多生態(tài)環(huán)境的污染[4]。建立合理的作物氮營養(yǎng)診斷和監(jiān)測方法以及優(yōu)化稻田氮肥管理措施是當(dāng)前實(shí)現(xiàn)農(nóng)業(yè)經(jīng)濟(jì)可持續(xù)發(fā)展的研究目標(biāo)。近年來，基于植株?duì)I養(yǎng)元素的分析方法已成為作物營養(yǎng)狀態(tài)診斷的有效手段，作物臨界氮濃度稀釋理論的建立提高了我們對作物氮素積累和生長的認(rèn)識，臨界氮濃度即滿足作物最大生長所需的最低氮濃度，通常使用冪函數(shù)稀釋曲線描述作物氮濃度隨生物量增加的下降過程。基于該稀釋曲線計(jì)算而來的氮營養(yǎng)指數(shù)（NNI）是實(shí)現(xiàn)量化評估水稻氮營養(yǎng)狀況和推薦施肥決策的重要指標(biāo)，當(dāng)NNI為1時(shí)，表示最佳植株氮營養(yǎng)狀態(tài)，而NNI大于或小于1則分別表示氮營養(yǎng)過剩和不足[5]。目前，NNI與作物氮素需求、產(chǎn)量和品質(zhì)間的良好相關(guān)關(guān)系吸引了研究者對水稻[6]、小麥[7]、玉米[8]和棉花[9]等作物進(jìn)行了大量的研究。然而傳統(tǒng)的NNI計(jì)算方法需要破壞性取樣且費(fèi)時(shí)費(fèi)力，缺乏時(shí)效性且數(shù)據(jù)準(zhǔn)確性不高[10]。因此，亟需優(yōu)化NNI的快速監(jiān)測方法，以實(shí)現(xiàn)我國稻田氮肥精準(zhǔn)高效管理，對提高我國稻田氮肥利用效率，提高糧食產(chǎn)量均具有重要意義。【前人研究進(jìn)展】氮能促進(jìn)作物色素的合成，作物體內(nèi)氮含量與色素含量具有密切關(guān)系[11]。同時(shí)，植株體內(nèi)色素在可見光波段光譜有明顯的吸收峰。因此，這些反射峰可以較為準(zhǔn)確地反映作物氮素營養(yǎng)狀況和生長狀況。對反射光譜敏感波段篩選及其光譜指數(shù)模型構(gòu)建（比值、歸一化等）等手段已成功應(yīng)用于大田作物氮、葉綠素積累、葉面積指數(shù)和生物量等指標(biāo)的監(jiān)測[12-18]，這些特征光譜所構(gòu)建的氮濃度與生物量的光譜模型為NNI的光譜監(jiān)測手段提供重要參考[19]。目前，對作物NNI光譜監(jiān)測的研究尚處于起步階段，已有研究表明通過敏感光譜參數(shù)和植被指數(shù)優(yōu)化等方式建立的作物冠層光譜監(jiān)測模型可較好反演氮營養(yǎng)指數(shù)。梁惠平等[20]基于敏感光譜參數(shù)定量分析了玉米NNI，王仁紅等[21]研究表明通過高光譜反演NNI可定量診斷冬小麥氮素營養(yǎng)狀態(tài)。Chen等[16]建立一種新的植被指數(shù)—雙峰冠層氮素指數(shù)（DCNI）可估測玉米和小麥NNI。但冠層反射光譜易受到測量環(huán)境等因素的干擾，如水汽、土壤背景、水面反射以及不同太陽光角度等，加之光照不穩(wěn)定的天氣狀況，均嚴(yán)重制約了高光譜技術(shù)的發(fā)揮。而葉片夾在測量葉片反射光譜時(shí)可提供穩(wěn)定的照射角度和光照強(qiáng)度，且不受測量時(shí)天氣制約，從而較冠層光譜有效地降低測量誤差[22]。此外，水稻不同葉位葉片的成熟度和衰老程度不同，其所反映的氮營養(yǎng)狀況可能受葉位或葉位組合的顯著影響[23]。因此，進(jìn)一步研究不同葉位或葉位組合的光譜反射特性及與植株NNI的關(guān)系，將有助于進(jìn)一步提高NNI的光譜監(jiān)測精度，但目前基于不同葉位葉片反射光譜估測水稻NNI的相關(guān)研究還不系統(tǒng)[23-25]?！颈狙芯壳腥朦c(diǎn)】從監(jiān)測NNI的敏感波段寬度來看，現(xiàn)有的研究手段仍以窄波段光譜指數(shù)為主[26-28]，這些研究雖然在推動(dòng)水稻氮素營養(yǎng)高效精準(zhǔn)監(jiān)測中發(fā)揮重要作用，但其無法運(yùn)用于一些主流設(shè)備如無人機(jī)和便攜式多光譜傳感器中，而寬波段光譜指數(shù)可有效減少或避免這些不足?！緮M解決的關(guān)鍵問題】本研究開展不同施氮水平、品種和年份的水稻田間試驗(yàn)，綜合分析水稻不同葉位反射光譜與NNI的相關(guān)性，明確監(jiān)測水稻NNI的適宜葉位及葉位組合，優(yōu)化光譜指數(shù)和波段范圍，并基于不同光譜指數(shù)構(gòu)建水稻NNI估算模型，從而為水稻植株氮素營養(yǎng)遙感監(jiān)測診斷和相關(guān)波段傳感器的開發(fā)提供理論參考和技術(shù)依據(jù)。

1 材料與方法

1.1 試驗(yàn)地點(diǎn)和材料

試驗(yàn)于2018—2019年連續(xù)2年在安徽省廬江縣郭河現(xiàn)代農(nóng)業(yè)示范區(qū)（117.23°E，31.48°N）進(jìn)行。2018和2019年水稻移栽前土壤基礎(chǔ)地力數(shù)據(jù)如表1所示。

供試品種為徽兩優(yōu)898（HLY898）和Y兩優(yōu)900（YLY900），是當(dāng)?shù)卮竺娣e種植的高產(chǎn)水稻品種類型。

表1 試驗(yàn)土壤特征

1.2 試驗(yàn)設(shè)計(jì)

試驗(yàn)采用隨機(jī)區(qū)組設(shè)計(jì)，主區(qū)為品種，副區(qū)為5個(gè)氮肥梯度，分別為0（N0）、75 kg·hm-2（N1）、150 kg·hm-2（N2）、225 kg·hm-2（N3）和300 kg·hm-2（N4），2018年試驗(yàn)重復(fù)3次，單個(gè)小區(qū)面積為40 m2；2019年試驗(yàn)重復(fù)4次，每個(gè)小區(qū)面積36 m2。氮肥運(yùn)籌按照基肥﹕分蘗肥﹕穗肥 = 4﹕3﹕3分次施用，所有處理磷（P2O5）、鉀肥（K2O）均一次性基施，用量分別為105 kg·hm-2和225 kg·hm-2。其中2019年試驗(yàn)數(shù)據(jù)用于建模，2018—2019年2年數(shù)據(jù)用于模型驗(yàn)證。

1.3 數(shù)據(jù)獲取

1.3.1 光譜數(shù)據(jù)的獲取 2018年光譜數(shù)據(jù)采集時(shí)間分別為7月7日（分蘗期）、7月22日（拔節(jié)期）、8月6日（孕穗期）及8月26日（抽穗期），2019年為7月13日（分蘗期）、7月28日（拔節(jié)期）、8月12日（孕穗期）和9月1日（抽穗期）。每個(gè)小區(qū)在取樣日根據(jù)平均莖蘗數(shù)選取代表性水稻植株8穴，從中選取8個(gè)主莖，分別測定其頂部完全展開的3張葉片（分別記作頂1葉、頂2葉和頂3葉）反射光譜，每張葉片的光譜反射值為葉尖、葉中部和葉基部的平均值[22]。采用美國ASD FieldSpec4地物光譜儀自帶的手持葉夾式葉片光譜探測器及內(nèi)置石英鹵化燈光源測量，測量時(shí)葉片置于葉片夾的葉室中，保證葉片水平且被探測面積相同。光譜儀的波段范圍為350— 2 500 nm，光譜采樣間隔在350—1 000 nm，區(qū)間為1.4 nm，在1 000—2 500 nm范圍內(nèi)為3 nm。數(shù)據(jù)采集前均進(jìn)行白板校正。

1.3.2 農(nóng)學(xué)參數(shù)獲取 地上部干物質(zhì)測定與光譜采集同步進(jìn)行。在采集完光譜數(shù)據(jù)之后，將樣品按器官分離（莖、葉、穗），105℃殺青30 min后80℃烘干至恒干重，并記錄地上部各器官干物質(zhì)重。干樣粉碎過100目篩，使用凱氏定氮法測定水稻各器官氮含量[25]。各器官氮積累量（kg·hm-2）=器官含氮量（%）×干物重（kg·hm-2）/100。所有器官氮積累量相加得到地上部植株氮積累量，植株氮含量（%）=植株氮積累量（kg·hm-2）/植株干物重（kg·hm-2）×100。

水稻產(chǎn)量為每個(gè)小區(qū)在成熟期進(jìn)行實(shí)時(shí)測產(chǎn)，自然風(fēng)干后脫粒稱重并按標(biāo)準(zhǔn)含水量（13%）換算。

氮營養(yǎng)指數(shù)（nitrogen nutrition index，NNI），即植株地上部實(shí)際氮濃度與臨界氮濃度的比值，為作物氮素營養(yǎng)狀態(tài)判定指標(biāo)[29]，計(jì)算公式如下：

NNI = Nt/Nc（1）

式中，Nt為作物地上部氮濃度的實(shí)測值（%）；Nc為臨界氮濃度值（%）。其中，臨界氮濃度（Nc）為作物地上干物質(zhì)（W）達(dá)到最大生長速率所需要的最低氮濃度，利用2年數(shù)據(jù)構(gòu)建臨界氮濃度模型（電子附圖1），計(jì)算公式如下：

Nc=4.02W-0.42（2）

式中，W為地上部生物量，t·hm-2。

1.3.3 光譜指數(shù)的定義 目前，有些光譜指數(shù)構(gòu)造和計(jì)算方式復(fù)雜，難以應(yīng)用于農(nóng)業(yè)遙感實(shí)踐，而比值光譜指數(shù)[30]（simple ratio spectral index，SR[Rλ1，Rλ2]）和歸一化光譜指數(shù)[31]（normalized difference spectral index，ND[Rλ1，Rλ2]）構(gòu)造簡單且計(jì)算方便，能有效提高光譜監(jiān)測的精度，已廣泛運(yùn)用于作物氮素遙感監(jiān)測研究。基于此，本研究系統(tǒng)分析350—2 500 nm范圍內(nèi)任意兩波段組合與水稻NNI的關(guān)系，與現(xiàn)有水稻氮素營養(yǎng)診斷中的典型光譜指數(shù)相比較，對水稻NNI估算模型的預(yù)測精度進(jìn)行測試檢驗(yàn)，最終確定水稻NNI的適宜窄波段和寬波段光譜指數(shù)（表2）。

表2 本研究采用的高光譜指數(shù)列表

1.4 數(shù)據(jù)分析

利用2年試驗(yàn)數(shù)據(jù)對所建立的NNI監(jiān)測模型進(jìn)行留一交叉驗(yàn)證，采用模型精度（2）、均方根誤差（）、平均相對誤差（）以及預(yù)測精度（2，即實(shí)測值和模型估算值之間的決定系數(shù)）綜合評價(jià)模型。數(shù)據(jù)的處理通過MATLAB 2018a編程實(shí)現(xiàn)，制圖由Origin 2016軟件完成，統(tǒng)計(jì)分析利用SPSS 21進(jìn)行。

式中，x為氮營養(yǎng)指數(shù)實(shí)測值；為模型的預(yù)測值；為實(shí)測值的平均值；為樣本量。2反映了模型的擬合程度，其值越高，精度越高；和則反映了模型預(yù)測值與真實(shí)值之間的離散和偏離程度，其值越低，說明模型的預(yù)測效果越好。

2 結(jié)果

2.1 水稻氮營養(yǎng)指數(shù)（NNI）的方差分析

施肥處理、品種和生育期對NNI調(diào)控效應(yīng)的方差分析表明，水稻從分蘗期—抽穗期，施肥水平是影響群體NNI的主要因素，不同施氮處理間均呈極顯著差異（＜0.01），而不同品種NNI均無顯著差異（＞0.05）（表3）。對比分析各生育時(shí)期的NNI，水稻產(chǎn)量隨NNI升高呈先增加后平衡趨勢，各生育階段的2個(gè)品種2年趨勢一致（圖1）。分蘗期、拔節(jié)期、孕穗期和抽穗期模型精度分別為0.787、0.880、0.891和0.782；當(dāng)?shù)獱I養(yǎng)狀況均趨于平衡后，水稻產(chǎn)量達(dá)到最大值。表明NNI可用于預(yù)測水稻產(chǎn)量。同時(shí)，NNI受生育期影響不顯著（＞0.05），因此，本研究將2個(gè)品種、生育期的NNI數(shù)據(jù)合并進(jìn)行模型的構(gòu)建研究。

2.2 水稻NNI與葉片反射光譜的關(guān)系

隨著施氮水平的升高，水稻NNI逐漸升高，各生育階段表現(xiàn)基本一致，2個(gè)品種2年趨勢一致（圖2）。N4處理水稻NNI均大于1，說明水稻氮素營養(yǎng)整體過剩，N3處理水稻NNI在1.0附近，表明氮營養(yǎng)整體較好，N0和N1處理水稻NNI均小于1，說明水稻氮素營養(yǎng)狀況差。因此，本試驗(yàn)中氮肥施用量設(shè)置區(qū)間能較好地表征水稻的不同氮營養(yǎng)狀況。

表3 NNI在品種、生育期和氮肥處理下的方差分析

**，0.01 水平顯著** indicates significance at 0.01 level

不同氮肥處理水稻葉片反射光譜具有明顯差異，不同波段表現(xiàn)趨勢有所不同（圖3）。表明氮肥施用量顯著影響各時(shí)期葉片反射光譜。隨著施氮量的增加，即NNI的上升，葉片反射光譜在可見光波段逐漸降低，而在近紅外波段（NIR）逐漸增加。不同葉位以及葉位組合反射光譜與NNI的相關(guān)性受波長和葉位以及葉位組合共同影響（圖4）。從波段來看，綠光波段（540 nm）的負(fù)相關(guān)系數(shù)均為最高值，而波長大于近紅外波段（730 nm）時(shí)均為正相關(guān)。從葉位和葉位組合來看，相關(guān)性大體表現(xiàn)為頂2葉和頂3葉平均光譜（L23）≥頂2葉（L2）＞頂3葉（L3）＞頂1葉（L1）。頂2葉和頂3葉平均（L23）和頂2葉（L2）光譜的相關(guān)系數(shù)在綠光波段分別達(dá)到-0.568和-0.559。

圖2 不同施氮量下水稻NNI動(dòng)態(tài)變化

圖3 不同施氮量處理下葉片光譜反射率的變化規(guī)律

L1：頂1葉；L2：頂2葉；L3：頂3葉；L12：頂1、2葉均值；L23：頂2、3葉均值；L13：頂1、3葉均值；L123：頂1、2、3葉均值

2.3 典型光譜指數(shù)與水稻NNI的關(guān)系

基于氮濃度或生物量等指標(biāo)構(gòu)建的典型光譜指數(shù)與水稻NNI的相關(guān)程度受葉位和光譜指數(shù)類型顯著影響（表4）。就相關(guān)性而言，各光譜指數(shù)在分蘗期較其他生育時(shí)期整體表現(xiàn)較差且不一致，MSR705、RVI Ⅱ在頂2葉表現(xiàn)相對較好，DCNI在頂3葉相對較高，其他光譜指數(shù)在頂1葉相關(guān)系數(shù)更高，這可能是由于分蘗期水稻葉片生理結(jié)構(gòu)尚不穩(wěn)定，大田環(huán)境下，各葉位葉片氮素營養(yǎng)情況受環(huán)境因素影響波動(dòng)大。在拔節(jié)—抽穗期，水稻葉片氮素營養(yǎng)處于穩(wěn)定狀態(tài)，單葉水平下頂2葉和頂3葉的相關(guān)性優(yōu)于頂1葉，頂2葉和頂3葉的平均光譜（L23）較頂2葉和頂3葉相關(guān)性有所提高，不同光譜指數(shù)表現(xiàn)規(guī)律基本一致。為對整個(gè)生育期的水稻NNI進(jìn)行監(jiān)測，匯總各生育期數(shù)據(jù)進(jìn)行相關(guān)分析（表5），發(fā)現(xiàn)各典型光譜指數(shù)整體相關(guān)系數(shù)較分蘗期有所提高，較其他生育時(shí)期的葉片相關(guān)規(guī)律保持一致且未明顯下降，其中比值光譜指數(shù)RVI Ⅱ、VOG、RI-1dB以及歸一化光譜指數(shù)ND705較其他形式的光譜指數(shù)表現(xiàn)更好，L2、L23的相關(guān)性最高，分別達(dá)到了0.798和0.781。因此，考慮到分蘗期是水稻氮素營養(yǎng)監(jiān)測診斷的重要時(shí)期，為了提高該時(shí)期的監(jiān)測精度，在不明顯降低拔節(jié)—抽穗期監(jiān)測精準(zhǔn)度的情況下，本研究匯總各生育期光譜數(shù)據(jù)進(jìn)行建模分析。

表4 不同時(shí)期典型光譜指數(shù)與水稻NNI的相關(guān)系數(shù)

樣本量 40 個(gè)；**為在 0.01 水平顯著；各光譜指數(shù)含義見表2。下同

Sample volume is 40; ** indicates significance at 0.01 level; meaning of each spectral index is in Table 2. The same as below

表5 典型光譜指數(shù)與水稻NNI匯總數(shù)據(jù)的相關(guān)系數(shù)

樣本量 160 個(gè) Sample volume is 160

2.4 水稻NNI的估測與光譜指數(shù)的適宜波段寬度的篩選

典型光譜指數(shù)是基于生物量等其他農(nóng)藝指標(biāo)構(gòu)建的，為探索適用于水稻NNI估算的新型光譜指數(shù)，從而系統(tǒng)分析350—2 500 nm范圍內(nèi)任意兩波段的比值植被指數(shù)（SR）和歸一化光譜指數(shù)（ND）與水稻NNI的關(guān)系（圖5）。結(jié)果表明，模型精度較好的兩波段組合基本集中于400—1 200 nm波段區(qū)域。從總體模型精度來看，不同葉位的SR與水稻NNI的模型精度（2）明顯高于ND與NNI，因此著重分析SR下不同葉位和葉位組合的估算情況。在SR中，各葉位較好的兩波段組合均在近紅外（NIR）與黃綠光（520—580 nm）波段組合中，其中雙波段比值指數(shù)SR（R900，R540）的模型精度優(yōu)于典型光譜指數(shù)RVI Ⅱ。具體而言，在單葉水平下，L2模型精度最高（2=0.657），L3次之，L1最?。欢嗳~位組合下，頂2葉和頂3葉的平均光譜（L23）模型精度最優(yōu)（2=0.625）。

無人機(jī)和便攜式光譜儀器中多利用寬波段傳感器來獲取光譜數(shù)據(jù)。因此，基于特征波段（900 nm和540 nm）增大波段寬度，發(fā)現(xiàn)近紅外（850—950 nm）與綠光（530—550 nm）內(nèi)各雙波段組合均達(dá)到1%顯著水平（圖5），同時(shí)此區(qū)域內(nèi)和均具有較低水平（圖6）。近紅外、綠光區(qū)域波段寬度分別達(dá)到100和20 nm，將2個(gè)矩形區(qū)域內(nèi)波段反射值取均值，進(jìn)而提出寬波段比值光譜指數(shù)SR[AR（900±50），AR（540±10）]用于水稻氮營養(yǎng)指數(shù)的估測。在L23水平下，寬波段光譜指數(shù)SR[AR（900±50），AR（540±10）]與窄波段光譜指數(shù)SR（R900, R540）的模型精度類似，分別為0.614和0.612。

2.5 模型的測試與檢驗(yàn)

為檢驗(yàn)?zāi)Ｐ偷目煽啃院推者m性，利用2年數(shù)據(jù)對構(gòu)建的模型進(jìn)行留一交叉驗(yàn)證（表6）。結(jié)果表明，單葉水平下，頂2葉（L2）模型精度最好，預(yù)測精度較好（2=0.657；2=0.707），頂3葉（L3）模型精度較好，預(yù)測精度最好（2=0557；2=0.731），頂1葉（L1）模型精度和預(yù)測精度均最低；葉位組合中頂2、頂3光譜平均（L23）模型精度和預(yù)測精度最好（2=0.625，2=0.740）。L23較L1和L3模型精度顯著提高（＜0.05），預(yù)測精度較單葉（L1、L2、L3）均顯著提高（＜0.05）。

寬波段光譜指數(shù)SR[AR（900±50），AR（540±10）]較窄波段光譜指數(shù)SR（R900, R540）預(yù)測精度未明顯下降。在L23水平下利用2種光譜指數(shù)估算水稻NNI構(gòu)建1﹕1圖（圖7），顯示實(shí)測值與估測值相關(guān)性良好（2均為0.740）。

表6 水稻NNI（y）與不同光譜指數(shù)（x）的定量關(guān)系（n=160）及模型檢驗(yàn)效果（n=249）

圖5 兩波段組合的歸一化差值（ND）和比值（SR）光譜指數(shù)預(yù)測水稻氮營養(yǎng)指數(shù)的決定系數(shù)（R2）等勢圖

圖6 兩波段組合的光譜比值指數(shù)預(yù)測水稻氮營養(yǎng)指數(shù)的RMSE和RE等勢圖（n=90）

圖7 水稻氮營養(yǎng)指數(shù)預(yù)測值與實(shí)測值的比較（L23；n=249）

3 討論

3.1 水稻NNI監(jiān)測的敏感波段

本研究經(jīng)方差分析發(fā)現(xiàn)，NNI受品種和生育期的影響不顯著（＞0.05），水稻產(chǎn)量隨NNI升高呈先增加后平衡趨勢，NNI在低于1的范圍內(nèi)隨著產(chǎn)量的提高而逐漸提高，當(dāng)水稻氮營養(yǎng)整體表現(xiàn)良好時(shí)，產(chǎn)量達(dá)到最大值，而后趨于穩(wěn)定，意味著過量施氮不能增產(chǎn)，與杜宇笑等[32]研究結(jié)果一致。而NNI在各生育時(shí)期受施氮水平顯著影響（＜0.05），總體來看，2個(gè)品種在2年間各生育時(shí)期的NNI隨著施氮量的增加而增加，過量施氮會導(dǎo)致水稻氮素營養(yǎng)整體過剩，這與Ata-Ul-Karim等[33]得出的規(guī)律類似，表明NNI可以較好地表征水稻氮營養(yǎng)狀態(tài)和預(yù)測產(chǎn)量。隨著水稻植株的生長，氮素營養(yǎng)狀態(tài)和NNI隨著施氮量發(fā)生改變，葉片對紅光、藍(lán)光的吸收增強(qiáng)，光譜的特征波段的形狀和位置隨之發(fā)生規(guī)律性改變[34]。由于在本試驗(yàn)條件下，NNI在各生育時(shí)期和品種之間差異不顯著（＞0.05），因此匯總NNI數(shù)據(jù)分析表明，基于葉片反射光譜估測水稻NNI的敏感波段為綠光波段（540 nm）。

3.2 水稻NNI監(jiān)測的適宜葉位組合

目前，研究者多利用SPAD儀確立氮素含量監(jiān)測的適宜葉位，但SPAD值與葉片反射光譜在作物氮素含量監(jiān)測研究中適宜葉位組合存在差異。SPAD儀在水稻氮素含量的適宜監(jiān)測葉位為頂3葉[24]，而葉片反射光譜的適宜監(jiān)測葉位是頂2葉與頂3葉[23]。這是由于SPAD儀的光譜波段主要為紅光與近紅外光，而葉片反射光譜是針對全波段光譜的研究，基于葉片反射光譜確立的適宜測定葉位對于新波段與光譜儀器的開發(fā)和推廣具有重要意義。

前人研究表明水稻葉片和群體隨施氮量的改變體內(nèi)氮含量變化規(guī)律是基本一致的[24]。王仁紅等[21]利用典型光譜指數(shù)研究表明冠層反射光譜與NNI相關(guān)性顯著。本研究旨在基于葉片反射光譜監(jiān)測NNI，發(fā)現(xiàn)相同的典型光譜指數(shù)在各葉位與NNI均呈顯著相關(guān)性。同時(shí)，葉片光譜測定部位是單葉，而冠層光譜測定對象是冠層，因此單葉光譜能有效預(yù)估群體氮素營養(yǎng)狀況。理論上來講，作物不同生長階段的營養(yǎng)運(yùn)轉(zhuǎn)規(guī)律、葉片養(yǎng)分的垂直分層特性存在顯著差異，且氮營養(yǎng)“稀釋效應(yīng)”十分明顯，各葉片氮素營養(yǎng)狀況處于不斷改變的狀態(tài)，從而導(dǎo)致不同葉位的診斷意義也不一樣。因此，為尋找能代表群體植株氮素營養(yǎng)狀況的監(jiān)測葉位，對各生育期葉片反射光譜進(jìn)行系統(tǒng)分析，試驗(yàn)結(jié)果表明不同葉位葉片反射光譜與NNI各生育期的模型精度與預(yù)測精度存在一定的差異，這可能與不同葉位葉片的生長狀態(tài)有關(guān)。水稻在分蘗期處于營養(yǎng)生長階段，上層葉片均處于生長階段，因此各葉位對氮素營養(yǎng)狀況的相關(guān)性均處于較低水平；在拔節(jié)—抽穗期，頂2葉（L2）和頂3葉（L3）相關(guān)性均優(yōu)于頂1葉（L1），此時(shí)水稻L1部分氮素營養(yǎng)供植株生長使用，故不能很好地代表植株氮素營養(yǎng)狀況，而L2和L3都是主要功能葉片，它們的生長好壞可更準(zhǔn)確反映水稻群體氮素營養(yǎng)狀況[23]。匯總各生育期葉片光譜數(shù)據(jù)表明，典型光譜指數(shù)在分蘗期相關(guān)性基本上升且其他生育期相關(guān)性未明顯下降。頂2葉與頂3葉的平均光譜（L23）的模型精度較單葉最高的L2未明顯下降，預(yù)測精度較單葉最高的L3明顯提高；表明組合葉位可能會兼容各葉位的優(yōu)點(diǎn)，降低單個(gè)葉位反射光譜在建模中所造成的不良影響。這是由于單葉水平下的葉片反射光譜難以反映整個(gè)植株的氮素營養(yǎng)狀態(tài)，通過研究不同葉位組合光譜對NNI的相關(guān)性可有效提高作物氮素營養(yǎng)的診斷精確度[35]。綜上所述，L2和L3是監(jiān)測水稻NNI的關(guān)鍵葉位。

3.3 多種光譜指數(shù)與水稻NNI之間的關(guān)系

本文篩選的典型光譜指數(shù)與水稻NNI相關(guān)系數(shù)有明顯差異，其中比值和歸一化光譜指數(shù)表現(xiàn)出與NNI較好的相關(guān)性。姚霞等[30]利用比值光譜指數(shù)RSI(990,720)估算出小麥葉片氮積累量；Stroppiana等[31]利用可見光波段503 nm和483 nm的歸一化光譜指數(shù)較好地估算出水稻植株氮含量。因此本文利用比值和歸一化光譜指數(shù)對水稻NNI進(jìn)行系統(tǒng)分析，發(fā)現(xiàn)比值光譜指數(shù)為監(jiān)測水稻NNI適宜光譜指數(shù)形式，且新的窄波段比值指數(shù)SR（R900，R540）較典型比值光譜指數(shù)（RVI Ⅱ）模型精度更高。當(dāng)前，運(yùn)用于氮素營養(yǎng)狀況監(jiān)測的傳感器多種多樣，不同波段傳感器對波段寬度要求不同[36]。因此為適應(yīng)不同傳感器的波段要求，本研究以近紅外（900 nm）和綠光（540 nm）特征波段為中心，將近紅外和綠光區(qū)域波段寬度重采樣50和10 nm，發(fā)現(xiàn)近紅外（850—950 nm）與綠光（530—550 nm）內(nèi)各雙波段比值植被指數(shù)仍有較高的模型精度和預(yù)測精度，構(gòu)建的寬波段比值指數(shù)SR[AR（900±50），AR（540±10）]在不同葉位均表現(xiàn)出與窄波段比值指數(shù)SR（R900，R540）相似的模型精度和預(yù)測精度。其與田永超等[23]在水稻全氮含量研究中發(fā)現(xiàn)的近紅外/黃綠光組合寬度相同，但綠光敏感波段出現(xiàn)“藍(lán)移”。這可能是由于監(jiān)測的農(nóng)藝指標(biāo)不同而帶來的差異。李振[37]和Zhao等[38]在玉米上對這2種指標(biāo)進(jìn)行研究，綠光波段同樣出現(xiàn)“藍(lán)移”。新波段的提出對開發(fā)與氮營養(yǎng)指數(shù)相關(guān)的無人機(jī)與便攜式光譜監(jiān)測儀器，確定傳感器的適宜波段寬度提供了良好的參考價(jià)值。本研究基于葉片反射光譜構(gòu)建出適宜于氮素營養(yǎng)診斷的寬波段光譜指數(shù)，但是否適用于各種測量環(huán)境下的多光譜監(jiān)測儀器，還需要在冠層反射光譜中進(jìn)行驗(yàn)證。因此，后續(xù)研究需要對水稻氮素監(jiān)測農(nóng)藝指標(biāo)提出的各種寬波段光譜指數(shù)進(jìn)行整理和比較，從而確定適用于基于冠層光譜的多光譜大面積監(jiān)測儀器，這對作物氮素營養(yǎng)的無損監(jiān)測具有重要意義。另外，本研究僅利用高產(chǎn)中秈稻為研究對象，還需要在其他氣候和品種等條件下進(jìn)行大量的驗(yàn)證試驗(yàn)，從而提高模型的可靠性和普適性。

4 結(jié)論

本研究表明，基于葉片高光譜指數(shù)可有效監(jiān)測水稻氮營養(yǎng)指數(shù)（NNI）。其中頂2葉（L2）模型精度最好，頂3葉（L3）預(yù)測精度最好，而頂2葉和頂3葉組合平均光譜（L23）有助于提高單個(gè)葉片的模型精度和預(yù)測精度，彌補(bǔ)了單個(gè)葉片在模型精度和預(yù)測精度上的某一部分的不足。綠光波段（540 nm）為基于不同葉片葉位原始反射光譜估測水稻NNI的敏感波段，SR（R900，R540）與SR[AR（900±50），AR（540±10）]構(gòu)建的水稻NNI估測模型精度類似，且在L23水平下優(yōu)于典型光譜指數(shù)RVI Ⅱ，這為確定不同波段傳感器的適宜帶寬提供了理論依據(jù)。氮營養(yǎng)指數(shù)可反映田間氮素營養(yǎng)狀態(tài)和預(yù)測水稻產(chǎn)量，NNI在低于1時(shí)隨著產(chǎn)量的增加而增加，拔節(jié)和孕穗期保證充足的氮肥供應(yīng)有利于水稻增產(chǎn)。

[1] Zhao D, Reddy K R, Kakani V G, Reddy V R. Nitrogen deficiency effects on plant growth, leaf photosynthesis, and hyperspectral reflectance properties of sorghum. European Journal of Agronomy, 2005, 22(4): 391-403.

[2] Gastal F, Blanger G. The effects of nitrogen fertilization and the growing season on photosynthesis of field-grown tall fescue (.) canopies. Annals of Botany, 1993, 72(5): 401-408.

[3] Peng S B, Buresh R J, Huang J L, Yang J C, Zou Y B, Zhong X H, Wang G H, Zhang F S. Strategies for overcoming low agronomic nitrogen use efficiency in irrigated rice systems in China. Field Crops Research, 2006, 96(1): 37-47.

[4] Bentje B, Bjerg P L, Song X F, Jakobsen R. Field scale interaction and nutrient exchange between surface water and shallow groundwater in the Baiyang Lake region, North China Plain. Journal of Environmental Sciences, 2016, 45(7): 60-75.

[5] Zhao B, Ata-Ul-Karim S T, Liu Z D, Ning D F, Xiao J F, Liu Z G, Qin A Z, Nan J Q, Duan A W. Development of a critical nitrogen dilution curve based on leaf dry matter for summer maize. Field Crops Research, 2017, 208: 60-68.

[6] 賀志遠(yuǎn), 朱艷, 李艷大, 劉小軍, 曹強(qiáng), 曹衛(wèi)星, 湯亮. 中國南方雙季稻氮營養(yǎng)指數(shù)及產(chǎn)量估算模型研究. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào), 2017, 40(1): 11-19.

He Z Y, Zhu Y, Li Y D, Liu X J, Cao Q, Cao W X, Tang L. Study on estimation model for nitrogen nutrition index and yield on double cropping rice in southern China. Journal of Nanjing Agricultural University, 2017, 40(1): 11-19. (in Chinese)

[7] 杜宇笑, 李鑫格, 張羽, 程濤, 劉小軍, 田永超, 朱艷, 曹衛(wèi)星, 曹強(qiáng). 不同產(chǎn)量水平下稻茬小麥的氮素營養(yǎng)指標(biāo)特征. 植物營養(yǎng)與肥料學(xué)報(bào), 2020, 26(8): 1420-1429.

Du Y X, Li X G, Zhang Y, ChenG T, Liu X J,Tian Y C, Zhu Y, Cao W X, Cao Q. Variation in nitrogen status indicators with grain yield level for winter wheat after rice. Journal of Plant Nutrition and Fertilizers, 2020, 26(8): 1420-1429. (in Chinese)

[8] 賈彪, 付江鵬. 基于葉面積指數(shù)構(gòu)建滴灌玉米營養(yǎng)生長期臨界氮稀釋曲線. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(6): 66-73.

Jia B, Fu J P. Critical nitrogen dilution curve of drip-irrigated maize at vegetative growth stage based on leaf area index. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(6): 66-73. (in Chinese)

[9] 馬露露, 呂新, 張澤, 馬革新, 海興巖. 基于臨界氮濃度的滴灌棉花氮素營養(yǎng)診斷模型研究. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2018, 49(2): 277-283.

Ma L L, Lü X, Zhang Z, Ma G X, Hai X Y. Establishment of nitrogen nutrition diagnosis model for drip-irrigation cotton based on critical nitrogen concentration. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(2): 277-283. (in Chinese)

[10] Zhao B, Liu Z D, Ata-Ul-Karim S T, Xiao J F, Liu Z G, Qin A Z, Ning D F, Nan J Q, Duan A W. Rapid and nondestructive estimation of the nitrogen nutrition index in winter barley using chlorophy Ⅱ measurements. Field Crops Research, 2016, 185: 59-68.

[11] Akram M. Effects of nitrogen application on chlorophyll content, water relations, and yield of maize hybrids under saline conditions. Communications in Soil Science and Plant Analysis, 2014, 45(10): 1336-1356.

[12] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 2002, 81(2/3): 337-354.

[13] Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves spectral features and relation to chlorophyll estimation. Journal of Plant Physiology, 1994, 143(3): 286-292.

[14] Gupta R K, Vijayan D, Prasad T S. Comparative analysis of red-edge hyperspectral indices. Advances in Space Research, 2003, 32(11): 2217-2222.

[15] Vogelmann J E, Rock B N, Moss D M. Red edge spectral measurements from sugar maple leaves. International Journal of Remote Sensing, 1993, 14(8): 1563-1575.

[16] Chen P F, Haboudane D, Tremblay N, Wang J H, Vigneault P, Li B G. New spectral indicator assessing the efficiency of crop nitrogen treatment in corn and wheat. Remote Sensing of Environment, 2010, 114(9): 1987-1997.

[17] Cho M A, Skidmore A K. A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method. Remote Sensing of Environment, 2006, 101(2): 181-193.

[18] Xue L H, Cao W X, Luo W H, Dai T B, Zhu Y. Monitoring leaf nitrogen status in rice with canopy spectral reflectance. Agronomy Journal, 2004, 96(1): 135-142.

[19] 曾水生, 李艷大, 舒時(shí)富, 陳立才, 葉春, 賀志遠(yuǎn), 張晨, 曾一凡. 光譜技術(shù)在水稻生長監(jiān)測中的應(yīng)用研究進(jìn)展. 農(nóng)學(xué)學(xué)報(bào), 2015, 5(2): 100-104.

Zeng S S, Li Y D, Shu S F, Chen L C, Ye C, He Z Y, Zhang C, Zeng Y F. Application of spectrum technique in monitoring rice growth. Journal of Agriculture, 2015, 5(2): 100-104. (in Chinese)

[20] 梁惠平, 劉湘南. 玉米氮營養(yǎng)指數(shù)的高光譜計(jì)算模型. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(1): 264-269.

Liang H P, Liu X N. Model for calculating corn nitrogen nutrition index using hyper-spectral data. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(1): 264-269. (in Chinese)

[21] 王仁紅, 宋曉宇, 李振海, 楊貴軍, 郭文善, 譚昌偉, 陳立平. 基于高光譜的冬小麥氮素營養(yǎng)指數(shù)估測. 農(nóng)業(yè)工程學(xué)報(bào), 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. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19): 191-198. (in Chinese)

[22] 姚霞. 小麥冠層和單葉氮素營養(yǎng)指標(biāo)的高光譜監(jiān)測研究[D]. 南京:南京農(nóng)業(yè)大學(xué), 2009.

Yao X. Monitoring nitrogen stayus at canopy and leaf scales with hyperspectral sensing in wheat[D]. Nanjing: Nanjing Agricultuarl University, 2009. (in Chinese)

[23] 田永超, 楊杰, 姚霞, 曹衛(wèi)星, 朱艷. 利用葉片高光譜指數(shù)預(yù)測水稻群體葉層全氮含量. 作物學(xué)報(bào), 2010, 36(9): 1529-1537.

Tian Y C, Yang J, Yao X, Cao W X, Zhu Y. Monitoring canopy leaf nitrogen concentration based on leaf hyperspectral indices in rice. Acta Agronomica Sinica, 2010, 36(9): 1529-1537. (in Chinese)

[24] 李剛?cè)A, 薛利紅, 尤娟, 王紹華, 丁艷鋒, 吳昊, 楊文祥. 水稻氮素和葉綠素SPAD葉位分布特點(diǎn)及氮素診斷的葉位選擇. 中國農(nóng)業(yè)科學(xué), 2007, 40(6): 1127-1134.

Li G H, Xue L H, You J, Wang S H, Ding Y F, Wu H, Yang W X. Spatial distribution of leaf N content and SPAD value and determination of the suitable leaf for N diagnosis in rice. Scientia Agricultura Sinica, 2007, 40(6): 1127-1134. (in Chinese)

[25] 趙犇, 姚霞, 田永超, 劉小軍, 曹衛(wèi)星, 朱艷. 基于上部葉片SPAD值估算小麥氮營養(yǎng)指數(shù). 生態(tài)學(xué)報(bào), 2013, 33(3): 916-924.

Zhao B, Yao X, Tian Y C, Liu X J, Cao W X, Zhu Y. Estimation of nitrogen nutrient index on SPAD value of top leaves in wheat. Acta Ecologica Sinica, 2013, 33(3): 916-924. (in Chinese)

[26] Inoue Y, Sakaiya E, Zhu Y, Takahashi W. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements. Remote Sensing of Environment, 2012, 126: 210-221.

[27] Tian Y C, Gu K J, Chu X, Yao X, Cao W X, Zhu Y. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice. Plant and Soil, 2014, 376(1/2): 193-209.

[28] 宋紅燕，胡克林，彭希. 基于高光譜技術(shù)的覆膜旱作水稻植株氮含量及籽粒產(chǎn)量估算. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào), 2016, 21(8): 27- 34.

Song H Y, Hu K L, Peng X. Crop nitrogen content diagnosis and yield estimation in ground cover rice production system based on hyperspectral data. Journal of China Agricultural University, 2016, 21(8): 27- 34. (in Chinese)

[29] Lemaire G, Gastal F, Salette J. N Uptake and Distribution in Plant Canopies. Springer: Berlin, 1997, 25: 3-45．

[30] 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(xué)與光譜分析, 2009, 29(8): 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. Spectroscopy and Spectral Analysis, 2009, 29(8): 2191-2195. (in Chinese)

[31] Stroppiana D, MBoschetti M, Brivio P A, Bocchi S. Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry. Field Crops Research, 2009, 111(1/2): 119-129.

[32] 杜宇笑, 李鑫格, 王雪, 劉小軍, 田永超, 朱艷, 曹衛(wèi)星, 曹強(qiáng). 不同產(chǎn)量水平稻茬小麥氮素需求特征研究. 作物學(xué)報(bào), 2020, 46(11): 1780-1789.

Du Y X, Li X G, Wang X, Liu X J, Tian Y C, Zhu Y, Cao W X, Cao Q. Nitrogen demand characteristics with different grain yield levels for wheat after rice. Acta Agronomica Sinica, 2020, 46(11): 1780-1789. (in Chinese)

[33] Ata-Ul-Karim S T, Liu X J, Lu Z Z, Zheng H B, Cao W X, Zhu Y. Estimation of nitrogen fertilizer requirement for rice crop using critical nitrogen dilution curve. Field Crops Research, 2017, 201: 32-40.

[34] 陳志強(qiáng), 王磊, 白由路, 楊俐蘋, 盧艷麗, 王賀, 王志勇. 玉米葉片的光譜響應(yīng)及其氮素含量預(yù)測研究. 光譜學(xué)與光譜分析, 2013, 33(4): 1066-1070.

Chen Z Q, Wang L, Bai Y L, Yang L P, Lu Y L, Wang H, Wang Z Y. Spectral response of maize leaves and prediction of their nitrogen content. Spectroscopy and Spectral Analysis, 2013, 33(4): 1066-1070. (in Chinese)

[35] 張銀杰, 王磊, 白由路, 楊俐蘋, 盧艷麗, 張靜靜, 李格. 基于高光譜分析的玉米葉片氮含量分層診斷研究. 光譜學(xué)與光譜分析, 2019, 39(9): 2829-2835.

Zhang Y J, Wang L, Bai Y L, Yang L P, Lu Y L, Zhang J J, Li G. Nitrogen nutrition diagnostic based on hyperspectral analysis about different layers leaves in maize. Spectroscopy and Spectral Analysis, 2019, 39(9):2829-2835. (in Chinese)

[36] 劉忠, 萬煒, 黃晉宇, 韓已文, 王佳瑩. 基于無人機(jī)遙感的農(nóng)作物長勢關(guān)鍵參數(shù)反演研究進(jìn)展. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(24): 60-71.

Liu Z, Wan W, Huang J Y, Han Y W, Wang J Y. Progress on key parameters inversion of crop growth based on unmanned aerial vehicle remote sensing.Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(24): 60-71. (in Chinese)

[37] 李振. 基于高光譜玉米氮素營養(yǎng)與生長指標(biāo)的監(jiān)測[D]. 泰安: 山東農(nóng)業(yè)大學(xué), 2012.

Li Z. Monitoring nitrogen status and growth characters with hyper-spectral in maize[D]. Taian:Shandong Agricutural University, 2012. (in Chinese)

[38] Zhao B, Duan A W, Ata-Ul-Karim S T, Liu Z D, Chen Z F, Gong Z H, Zhang J Y, Xiao J F, Liu Z G, Qin A Z, Ning D F. Exploring new spectral bands and vegetation indices for estimating nitrogen nutrition index of summer maize. European Journal of Agronomy, 2018, 93: 113-125.

附圖

Determination of suitable band width for estimating rice nitrogen nutrition index based on leaf reflectance spectra

1College of Agronomy, Anhui Agricultural University, Hefei 230036;2Lujiang County Agricultural Technology Extension Center, Lujiang 231500, Anhui;3Zoomlion Intelligent Agriculture Co. Ltd., Wuhu 241000, Anhui;4Jiangsu Collaborative Innovation Center for Modern Crop Production, Nanjing 210095

【】The research aimed to analyze the relationship between rice (L.) nitrogen nutrition index (NNI) and leaf spectral reflectance characteristics of leaf on different positions, so as to provide an effective method for nondestructive and timely evaluation of NNI in rice.【】Field experiments were conducted with different N application rates and rice cultivars across two growing seasons during 2018-2019, and the leaf hyperspectral reflectance of 350-2 500 nm of leaf on different positions and the plant NNI were measured during key fertility growth stages to construct a variety of spectral index model for rice NNI monitoring.【】The results indicated that green band (540 nm) at leaf level was the sensitive band for estimating NNI, and narrow band ratio index SR (R900, R540) composed of near infrared band and green band could be used to retrieve NNI of rice. However, the prediction accuracy of narrow band ratio index and rice NNI of leaf on different positions were different. In terms of prediction accuracy, the best single leaf position was the third leaf (L3) from the top (2=0.731,=0.130,=11.6%), the second leaf (L2) from the top followed (2=0.707,=0.136,=12.2%), and the top one (L1) was the worst (2=0.443,=0.187,=14.7%). The averaged spectra of L2and L3(L23) was the optimum leaf spectra combination, which contributed to improving the predictability to NNI(2=0.740,=0.128,=11.5%). The samples were resampled at 50 nm and 10 nm in the near infrared region (900 nm) and green region (540 nm) respectively, and the accuracy of the wide band ratio index SR (AR(900±50), AR(540±10)) was not significantly lower than that of SR (R900, R540). The model accuracy and prediction accuracy of the two models were basically the same at L23. When the NNI of rice was less than 1, there was a significant positive linear correlation with the yield, and then it tended to be stable. 【】The results showed that the reflectance spectra of L2and L3leaves were sensitive for monitoring NNI for rice, and L23could improve the prediction accuracy of the model. Multiple band ratio indices SR (R900, R540) and SR (AR(900±50), AR(540±10)) based on leaf reflectance spectra could be used to rapidly estimate rice NNI, which provided a theoretical basis for monitoring rice NNI with various sensors.

leaf; rice(L.); nitrogen nutrition index; ratio index; model; band width

10.3864/j.issn.0578-1752.2021.21.004

2020-11-23；

2021-02-01

國家重點(diǎn)研發(fā)計(jì)劃（2016YFD0300608，2017YFD0301305）、國家自然科學(xué)基金（32071946）、安徽省重點(diǎn)研發(fā)計(jì)劃（1804h07020150）

徐浩聰，E-mail：861389737@qq.com。通信作者武立權(quán)，E-mail：wlq-001@163.com

（責(zé)任編輯 楊鑫浩）