基于遙感數(shù)據(jù)構(gòu)建冬小麥孕穗期變量施氮模型

摘"要：【目的】""研究根據(jù)冬小麥關(guān)鍵生育期生長需求解析氮豐缺識(shí)別和精準(zhǔn)定量施氮模型，實(shí)現(xiàn)量化施氮，為冬小麥智慧施肥種植的關(guān)鍵技術(shù)提供參考。

【方法】""利用ASD HH2高光譜儀獲取不同施氮量的冬小麥冠層反射率，記錄葉綠素濃度和產(chǎn)量等信息。通過冬小麥冠層反射率提取14種植被指數(shù)，選擇最優(yōu)表征植株氮狀況的植被指數(shù)，分析施氮量、植被指數(shù)和冬小麥的產(chǎn)量之間的關(guān)系，構(gòu)建基于植被指數(shù)變量施氮模型。

【結(jié)果】""葉綠素濃度可以準(zhǔn)確反映冬小麥的生長狀況和施氮效果，不同的施氮量下冬小麥的冠層反射率數(shù)據(jù)差異顯著；歸一化植被指數(shù)NDVI的相關(guān)性好，相關(guān)系數(shù)達(dá)到0.705，較好反映了冬小麥冠層氮素效應(yīng)的情況；構(gòu)建了基于NDVI的冬小麥孕穗期變量施氮模型，即Nr=700.59×NDVI2-1693.46×NDVI+955.92。

【結(jié)論】""利用ASD HH2獲取高光譜數(shù)據(jù)構(gòu)建冬小麥?zhǔn)┑Ｐ团c方法。

關(guān)鍵詞：""遙感；植被指數(shù)；施氮模型

中圖分類號："S512""""文獻(xiàn)標(biāo)志碼："A""""文章編號："1001-4330（2024）11-2705-08

0"引 言

【研究意義】氮素對農(nóng)作物的生長和產(chǎn)量有重要作用［1］。若氮素供應(yīng)不足，將引發(fā)減產(chǎn)［2］。因此，精準(zhǔn)施氮策略是現(xiàn)代農(nóng)業(yè)研究的重點(diǎn)。傳統(tǒng)施肥方法無法滿足大面積、長時(shí)間周期作物的精確營養(yǎng)需求［3］?；谶b感數(shù)據(jù)的氮素豐缺估測方法可快速、無損地指導(dǎo)作物合理施用氮肥，實(shí)現(xiàn)作物養(yǎng)分的精準(zhǔn)管理［4］。開展基于遙感的作物關(guān)鍵生育期氮素豐缺識(shí)別和定量解析對于現(xiàn)代化農(nóng)業(yè)的智慧施肥種植具有重要意義?！厩叭搜芯窟M(jìn)展】邊立麗等［5］以烤煙為研究對象，設(shè)置6個(gè)不同氮素水平的田間試驗(yàn)，定期采集烤煙生長的多光譜影像，測定植株氮素含量，分析不同植被指數(shù)與傳統(tǒng)氮素指標(biāo)之間的相關(guān)性、最佳植被指數(shù)與施氮量的響應(yīng)。李志博等［6］使用無人機(jī)裝載的光譜相機(jī)收集冠層光譜信息，并選取了與SPAD值相關(guān)性最強(qiáng)的綠色歸一化植被指數(shù)GNDVI，構(gòu)建一個(gè)水稻冠層氮素含量的模型，推出了水稻施氮決策方案的變量。賴寧等［7］利用RapidScanCS-45主動(dòng)式光譜儀收集了冠層NDVI和NDRE數(shù)據(jù)，并研究其與滴灌冬小麥在各個(gè)成長階段施用氮肥的影響，建立了新疆滴灌冬小麥生長階段的施氮模型。董超等［8］通過無人機(jī)的Sequoia多光譜傳感器，獲取不同施氮水平下的試驗(yàn)區(qū)返青期冬小麥的多光譜圖像，收集冬小麥的葉綠素含量和產(chǎn)量數(shù)據(jù)。選取最優(yōu)的地面氮素狀況植被指數(shù)模型，計(jì)算出冬小麥在施氮水平上的差異，并根據(jù)不同施氮水平與敏感植被指數(shù)及冬小麥的產(chǎn)量關(guān)系，建立了基于植被指數(shù)指標(biāo)的氮肥變量施肥模型?！颈狙芯壳腥朦c(diǎn)】遙感技術(shù)在現(xiàn)代農(nóng)業(yè)生產(chǎn)中的應(yīng)用越來越廣泛，其中構(gòu)建氮肥推薦模型已成為當(dāng)前研究的熱點(diǎn)之一［9］。目前，通過地面遙感數(shù)據(jù)判斷冬小麥孕穗期氮素豐缺，再利用衛(wèi)星遙感數(shù)據(jù)反演估測施氮量進(jìn)行填圖應(yīng)用的相關(guān)研究較少。需研究冬小麥關(guān)鍵生育期生長需求解析氮豐缺識(shí)別和精準(zhǔn)定量施氮模型?！緮M解決的關(guān)鍵問題】利用ASD HH2獲取高光譜數(shù)據(jù)，篩選出表征植株氮素含量的最優(yōu)植被指數(shù)，擬合構(gòu)建冬小麥孕穗期變量施氮模型。

1"材料與方法

1.1"材 料

1.1.1"研究區(qū)概況

試驗(yàn)點(diǎn)位于新疆昌吉回族自治州奇臺(tái)縣新疆農(nóng)業(yè)科學(xué)院奇臺(tái)麥類試驗(yàn)站（89°44′48″E，43°59′6″N），海拔高度831 m，年均降雨量約為269.4 mm，屬溫帶大陸性半荒漠半干旱氣候，主要種植農(nóng)作物包括小麥、玉米等。

冬小麥品種為新冬22號，播種量為300 kg/hm2。分別于2020年9月22日、2021年9月25日和2022年9月27日播種，對應(yīng)的收獲日期是2021年的7月10日，2022年的7月15日和2023年的7月10日。

1.1.2"光譜數(shù)據(jù)

以ASD FieldSpec HandHeld 2便攜式高光譜儀作為數(shù)據(jù)獲取設(shè)備，其波長在325～1 075 nm，視場角度25°，采樣間距為1.4及3 nm的分辨率；測定時(shí)間為13：00～14：00，選擇晴朗微風(fēng)或無風(fēng)的天氣對冬小麥冠層測定光譜反射率；測量時(shí)，把光纖垂直向下，距冬小麥冠層0.3 m，在每次開始試驗(yàn)小區(qū)的測定前，采用標(biāo)準(zhǔn)白板校準(zhǔn)，每個(gè)試驗(yàn)小區(qū)選擇長勢均一且具有能代表性的3個(gè)點(diǎn)測量，每個(gè)點(diǎn)測量10條光譜曲線［10］。數(shù)據(jù)采集后，將數(shù)據(jù)導(dǎo)入到ASD自帶的預(yù)處理軟件ViewSpecPro軟件進(jìn)行預(yù)處理，選擇每個(gè)試驗(yàn)點(diǎn)的10個(gè)光譜樣本平均值作為該點(diǎn)測量結(jié)果。對光譜均值經(jīng)行重采樣到1 nm，提取出450 nm的藍(lán)光波段、550 nm的綠光波段、670 nm的紅光波段、730 nm的紅邊波段和780 nm的近紅外波段的光譜反射率數(shù)值，計(jì)算植被指數(shù)。

1.2"方 法

1.2.1"試驗(yàn)設(shè)計(jì)

2021年和2023年試驗(yàn)設(shè)置6個(gè)氮濃度梯度，2022年試驗(yàn)設(shè)置5個(gè)氮濃度梯度，3次重復(fù)，小區(qū)隨機(jī)排列；氮肥為尿素，磷肥為重過磷酸鈣（P2O5）和鉀肥為顆粒硫酸鉀（K2O）。30%的氮肥和全部的磷鉀肥作為基肥撒施，剩余的70%氮肥在滴灌冬小麥返青期、拔節(jié)期、孕穗期、揚(yáng)花期和灌漿期隨水滴施，其中返青期20%，拔節(jié)期20%、孕穗期20%，灌漿期10%。全生育灌溉定額為4 050 m3/hm2。管理措施和大田作業(yè)保持一致。表1"

1.2.2"測定指標(biāo)

1.2.2.1"小麥冠層SPAD值與產(chǎn)量

選擇SPAD作為指標(biāo)，在ASD HH2對冠層反射率測量時(shí)，使用SPAD-502葉綠素儀在測區(qū)隨機(jī)選擇20株小麥測量其旗葉下部、中部和上部的SPAD值，并計(jì)算其平均值。在冬小麥成熟期各試驗(yàn)小區(qū)取具有代表性3個(gè)1 m2樣方測產(chǎn)，調(diào)查割方產(chǎn)量、地上部生物量、總莖數(shù)、有效穗數(shù)、千粒重等，產(chǎn)量按照籽粒標(biāo)準(zhǔn)含水量12.5%折算出。

1.2.2.2"吉林一號高分02A衛(wèi)星遙感影像獲取及處理"

獲取試驗(yàn)區(qū)2023年5月27日吉林一號高分02A衛(wèi)星遙感影像，能夠達(dá)到研究的標(biāo)準(zhǔn)要求。“吉林一號”高分02A，是一顆商業(yè)用途的衛(wèi)星，于2019年11月13日發(fā)射，運(yùn)行軌道高度535 km，可獲取高分辨率全色影像和多光譜影像，全色波段（450～800 nm），空間分別率為0.75 m，多光譜波段包括了藍(lán)光（450～510 nm）、綠光（510～580 nm）、紅光（630～690 nm）以及近紅外（770～895 nm），空間分辨率能夠到達(dá)3 m。

根據(jù)每個(gè)光譜波段的校準(zhǔn)參數(shù)和公式，原始影像得以執(zhí)行輻射校準(zhǔn)；將處理結(jié)果轉(zhuǎn)換成BIL格式，在ENVI軟件的QUAC模塊下，導(dǎo)入BIL格式的文件輻射定標(biāo)，將輻照度轉(zhuǎn)為反射率［11］。使用無控制點(diǎn)正射校正對地表反射率數(shù)據(jù)和全色圖像進(jìn)行校正；在無控制點(diǎn)正射校正的情況下，多光譜和全色的校正結(jié)果存在幾何偏差，通過圖像自動(dòng)配準(zhǔn)工具進(jìn)行幾何配準(zhǔn)，經(jīng)配準(zhǔn)后將全色波段與多光譜波段進(jìn)行融合處理，融合后影像空間分辨率為0.76 m。最后裁剪研究區(qū)部分影像，利用波段提取冬小麥的植被指數(shù)［12］。

1.2.2.3"植被指數(shù)的計(jì)算與優(yōu)選

近紅外波段與作物的生物量，葉面積指數(shù)等元素有著緊密的關(guān)聯(lián)。選取與近紅外光頻段有關(guān)的植被指數(shù)進(jìn)行研究?；诩t光和近紅外波段計(jì)算出來的多光譜指數(shù)，包含差異植被指數(shù)（DVI），增強(qiáng)植被指數(shù)（EVI），比值植被指數(shù)（RVI），改進(jìn)的簡單比例指數(shù)（MSR），標(biāo)準(zhǔn)化植被指數(shù)（NDVI）以及優(yōu)化過的非線性植被指數(shù)（MNVI）等；優(yōu)化土壤背景的紅光波段和近紅外波段運(yùn)算的多光譜指數(shù)包括土壤調(diào)節(jié)植被指數(shù)（SAVI）以及優(yōu)化土壤調(diào)節(jié)植被指數(shù)（OSAVI）；采用紅邊波段的特性的多光譜指數(shù)，包含紅邊葉綠素指數(shù)（CIRE）、紅邊歸一化植被指數(shù)（NDVIRE）、優(yōu)化的葉綠素吸收率指數(shù)（MCARI），還有葉綠素吸收反射指數(shù)的改良型（TCARI）；基于綠光波段到近紅外波段光譜反射率曲線形狀的指數(shù)有三角植被指數(shù)（TVI）和改良的三角植被指數(shù)二（MTVI2）等［13］。表2

1.3"數(shù)據(jù)處理

通過ASD HH2獲取的冠層反射率數(shù)值，計(jì)算冬小麥試驗(yàn)區(qū)的植被指數(shù)，并與冬小麥冠層的SPAD值進(jìn)行相應(yīng)對比分析，優(yōu)選出對小麥冠層SPAD值反應(yīng)敏感的植被指數(shù)。相關(guān)分析在SPSS軟件中完成。

通過構(gòu)建冬小麥產(chǎn)量（Yield）與施氮量（N）的關(guān)系，計(jì)算冬小麥孕穗期施氮量，建立產(chǎn)量-施氮量模型。

Yield=f"N".

計(jì)算出試驗(yàn)區(qū)的最理想施氮量（Nfer）。根據(jù)優(yōu)選的植被指數(shù)，構(gòu)建產(chǎn)量與敏感植被指數(shù)（VI）的關(guān)系模型。

Yield=f"VI".

將公式與公式通過產(chǎn)量相關(guān)聯(lián)，建立植被指數(shù)與施氮量的關(guān)系模型。

N=f"VI".

將試驗(yàn)區(qū)冬小麥植被指數(shù)代入式，計(jì)算氮肥水平Nbase。氮肥推薦施肥量Nr為最佳施氮量（Nfer）與氮肥水平（Nbase）的差值［8］。

以2021年至2023年的試驗(yàn)數(shù)據(jù)建立并驗(yàn)證冬小麥?zhǔn)┑扑]模型。依據(jù)模型預(yù)測產(chǎn)量對比分析對應(yīng)實(shí)際產(chǎn)量，驗(yàn)證模型精度。模型準(zhǔn)確性主要通過決定系數(shù)（R2）和均方根誤差（RMSE）2個(gè)參數(shù)進(jìn)行評估，R2值越大，RMSE值越小，模型的精度越高［28］。模型可靠性也通過獲取吉林一號高分02A衛(wèi)星遙感影像，計(jì)算試驗(yàn)區(qū)冬小麥的植被指數(shù)并輸入冬小麥?zhǔn)┑Ｐ?，根?jù)公式得出各個(gè)柵格的施肥量，證明模型的可靠性。"

2"結(jié)果與分析

2.1"不同施氮水平的冬小麥冠層

研究表明，隨著施加氮肥量增加的情況下，小麥葉片的SPAD值呈逐漸上升趨勢。對比無施氮處理（0 kg/hm2）與其它施氮處理，SPAD值差異明顯。當(dāng)施氮過量的處理（300、315和330 kg/hm2）的SPAD值平均值僅略低于建議的施氮處理（270 kg/hm2），但比無施氮處理（0 kg/hm2）的值高。雖然不同的施氮量處理在冬麥的冠層SPAD值的總體趨勢上一致，但每一種處理的內(nèi)部因?yàn)橥寥佬再|(zhì)等因素的變化而存在一定差異。SPAD值和葉綠素的濃度有很高的相關(guān)性，而葉綠素的濃度與氮素狀態(tài)則有著密切的聯(lián)系，因此SPAD值被采用作為評估氮素有效性的指標(biāo)。不同施氮處理的SPAD值對冬小麥的氮肥吸收情況反映很好，與試驗(yàn)設(shè)計(jì)相符。圖1

每一個(gè)不同施氮小區(qū)在反射率上均展現(xiàn)了NIRgt;REgt;Ggt;Rgt;B的趨勢。小區(qū)的反射特性與植物反射特性相同。隨著葉綠素含量的增加，在325～700 nm的波段內(nèi)，反射率有降低的趨勢，在700～1075 nm的波段內(nèi)，反射率則呈現(xiàn)上升的趨勢。隨著施氮量增加，近紅外和紅邊波段逐漸增高，但當(dāng)施氮量超過270 kg/hm2時(shí)則有所下降，與SPAD值的變化趨勢相符。圖2

2.2"植被指數(shù)篩選

研究表明，在冬小麥的孕穗階段，所有植被指數(shù)和冬小麥葉片的SPAD值數(shù)值之間存在極為顯著的相關(guān)性，尤其是NDVI與其的相關(guān)性最佳，相關(guān)系數(shù)為0.705。表3

2.3"基于植被指數(shù)的冬小麥變量施肥模型

研究表明，隨著氮肥供應(yīng)量的增加，冬季小麥產(chǎn)出表現(xiàn)出顯著的上升趨勢，直至施氮量達(dá)到約239.124 kg/hm2時(shí)，小麥產(chǎn)量開始呈穩(wěn)定狀態(tài)，即Nfer=239.124。但是一旦施氮量過量，小麥的產(chǎn)出會(huì)有所減少。采取分段函數(shù)的方式可以識(shí)別出氮肥供應(yīng)充足與不足的具體氮肥量，即使在氮肥供應(yīng)飽和或者反應(yīng)靈敏程度偏低，也可確保指標(biāo)仍然具有有效性。圖3

通過二階多項(xiàng)式對植被指數(shù)和實(shí)際產(chǎn)量進(jìn)行擬合，模型Y=-10 719×NDVI2+25 910×NDVI-6 668.6，擬合度較高（R2=0.874 2）。在不同的施氮水平下，NDVI的變化與冬小麥的產(chǎn)量之間有強(qiáng)烈的相關(guān)性。圖4

通過將冬小麥的產(chǎn)量-施氮量模型與其產(chǎn)量-指數(shù)模型關(guān)聯(lián)，獲得基于NDVI指數(shù)的冬小麥?zhǔn)┑兞磕Ｐ汀?/p>

Nbase=-700.59×NDVI2+1 693.46×NDVI-716.79.

將Nfer和Nbase代入得冬小麥?zhǔn)┑∟r）推薦模型為：

Nr=700.59×NDVI2-1 693.46×NDVI+955.92.

將冬小麥的植被指數(shù)代入，算出相應(yīng)的施氮量。

2.4"麥田變量施氮模型驗(yàn)證及應(yīng)用

研究表明，實(shí)際產(chǎn)量與模型預(yù)測產(chǎn)量的對比，其計(jì)算精度分別為R2=0.874 2和RMSE=520.16 kg/hm2，驗(yàn)證了預(yù)測模型預(yù)測效果佳。

試驗(yàn)小區(qū)西部與機(jī)耕路過渡，所以柵格像元需要施肥量出現(xiàn)異常；試驗(yàn)小區(qū)N2-3地塊較多的柵格像元需要施肥量出現(xiàn)異常，對于其它施肥水平的地塊，隨著施肥水平的提升，試驗(yàn)區(qū)的地塊需要的氮肥量呈逐漸減少的趨勢，與試驗(yàn)設(shè)計(jì)一致，預(yù)測模型預(yù)測效果較佳。

該地塊內(nèi)不同區(qū)域間的施氮差距較大。東部區(qū)域相比于其他地塊缺乏更多的氮肥，而其它區(qū)域的氮肥使用則足夠給冬小麥提供足夠的養(yǎng)分。施氮變量模型在應(yīng)用時(shí)，具有較好的效果。圖5

3"討 論

3.1

對不同施氮量的冬小麥冠層分析顯示，不同氮素濃度處理的冬小麥其光譜差異和SPAD值差異表現(xiàn)明顯，與前人研究結(jié)論基本保持一致［8，28-31］；其次，通過對植被指數(shù)與冬小麥葉片的SPAD值進(jìn)行相關(guān)性分析，結(jié)果顯示NDVI的相關(guān)程度最高、擬合精度最大，R2=0.705，與邊立麗等［5］王建偉等［32］的研究成果一致，NDVI的擬合精度最大，R2分別為0.91、0.97；而李志博等［6］、董超等［8］研究分別得出植被指數(shù)GNDVI、MVCARI2的相關(guān)性比較顯著，與研究結(jié)果不同，可能是冬小麥品種、種植地區(qū)不同、植被指數(shù)處理方式不同造成結(jié)果出現(xiàn)偏差。冬小麥的產(chǎn)量-施氮量模型與其產(chǎn)量-指數(shù)模型呈一元二次函數(shù)關(guān)系，能夠較好地反映氮素營養(yǎng)狀況，與張秋陽［11］和李新偉等［33］研究結(jié)果一致，其模型擬合度也較高，R2為0.8742，RMSE為520.16 kg/hm2，對追肥具有良好的指導(dǎo)作用。

3.2

研究優(yōu)選出最佳植被指數(shù)NDVI，構(gòu)建基于NDVI的冬小麥孕穗階段的動(dòng)態(tài)施氮推薦標(biāo)準(zhǔn)。通過對孕穗期變量施氮的準(zhǔn)確估測，提高施氮的時(shí)效性和科學(xué)性，從而為冬小麥的高產(chǎn)高質(zhì)提供技術(shù)支持。與已有研究成果［5-8］相比，研究仍存在諸多限制，主要有以下幾個(gè)方面，氣象因素的干擾會(huì)對精度造成一定的影響；土壤肥力也會(huì)影響冬小麥的生長，例如2023年研究中，試驗(yàn)小區(qū)N2-3的氮肥用量不是最少，但冬小麥生長不好，計(jì)算出的氮需求量高，可能是土壤肥力較低等因素影響。因此，試驗(yàn)對象單一，范圍有局限性。今后，應(yīng)針對不同區(qū)域、不同品種小麥開展研究，進(jìn)一步提升變量施氮模型的精度和適用范圍。

4"結(jié) 論

葉綠素濃度可以準(zhǔn)確反映冬小麥的生長狀況和施氮效果，不同的施氮量下，冬小麥的冠層反射率數(shù)據(jù)存在顯著的差異。相關(guān)性分析優(yōu)選出歸一化植被指數(shù)NDVI，可有效地表征氮肥施入和小麥冠部氮素效應(yīng)的情況，其效果超越了其它植被指數(shù)。構(gòu)建了基于NDVI的冬小麥孕穗期變量施氮模型，即Nr=700.59×NDVI2-1 693.46×NDVI+955.92，根據(jù)變量施氮模型得到冬小麥氮肥變量施氮圖。該研究構(gòu)建基于遙感數(shù)據(jù)的冬小麥變量施氮模型，能更精準(zhǔn)地施放氮肥。

參考文獻(xiàn)"（References）

［1］"杜佳囝， 李廣， 馬維偉， 等.黃土丘陵區(qū)4種典型植被土壤可溶性氮組分特征［J］.水土保持學(xué)報(bào)， 2021， 35（6）： 251-257.

DU Jianan， LI Guang， MA Weiwei， et al.Characteristics of soil soluble nitrogen components under four typical vegetations in the loess hilly areas［J］.Journal of Soil and Water Conservation， 2021， 35（6）： 251-257.

［2］李鐵成，張忠學(xué)，張作合，等.減施氮肥對節(jié)水灌溉稻田NH3、N2O排放與氮肥利用的影響［J/OL］.農(nóng)業(yè)機(jī)械學(xué)報(bào)：1-12.

Li Tiecheng， Zhang Zhongxue， Zhang Zuohe， et al.Effects of reduced nitrogen fertilizer application on NH3 and N2O emissions and nitrogen fertilizer utilization in water-saving irrigated rice fields ［J/OL］."Journal of Agricultural Machinery： 1-12.

［3］ 陳檢鋒， 尹梅， 陳華， 等.云南萵筍高產(chǎn)養(yǎng)分臨界值施肥模型研究［J］.中國農(nóng)學(xué)通報(bào)， 2023， 39（25）： 89-93.

CHEN Jianfeng， YIN Mei， CHEN Hua， et al.Study on fertilization system of nutrient critical value for high yield of Asparagus lettuce in Yunnan［J］.Chinese Agricultural Science Bulletin， 2023， 39（25）： 89-93.

［4］ 白如霄， 崔瑜， 和海秀， 等.新疆塔額盆地滴灌甜菜臨界氮濃度模型的構(gòu)建與檢驗(yàn)［J］.核農(nóng)學(xué)報(bào)， 2023， 37（5）： 1048-1055.

BAI Ruxiao， CUI Yu， HE Haixiu， et al.Development and verification of critical nitrogen concentration model for drip-irrigated sugar beet in Ta’e Basin， Xinjiang［J］.Journal of Nuclear Agricultural Sciences， 2023， 37（5）： 1048-1055.

［5］ 邊立麗， 艾棟， 張?jiān)瀑F， 等.基于植被指數(shù)的烤煙精準(zhǔn)追肥研究［J］.中國土壤與肥料， 2023，（1）： 126-132.

BIAN Lili， AI Dong， ZHANG Yungui， et al.Precise top dressing of flue-cured tobacco based on vegetation index［J］.Soil and Fertilizer Sciences in China， 2023，（1）： 126-132.

［6］ 李志博， 李亞芹， 趙浣旻， 等.基于GNDVI指數(shù)的土壤—水稻冠層變量施氮決策方案研究［J］.中國農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（4）： 160-165.

LI Zhibo， LI Yaqin， ZHAO Huanmin， et al.Study on the decision-making scheme of soil-rice canopy variable nitrogen application based on GNDVI index［J］.Journal of Chinese Agricultural Mechanization， 2022， 43（4）： 160-165.

［7］ 賴寧， 耿慶龍， 李青軍， 等.基于RapidSCAN CS-45的新疆滴灌冬小麥氮肥推薦研究［J］.麥類作物學(xué)報(bào)， 2021， 41（1）： 96-104.

LAI Ning， GENG Qinglong， LI Qingjun， et al.Study on nitrogen fertilizer recommendation based on RapidSCAN CS-45 for drip-irrigated winter wheat in Xinjiang［J］.Journal of Triticeae Crops， 2021， 41（1）： 96-104.

［8］ 董超， 趙庚星， 宿寶巍， 等.基于無人機(jī)多光譜影像的冬小麥返青期變量施氮決策模型研究［J］.光譜學(xué)與光譜分析， 2019， 39（11）： 3599.

DONG Chao， ZHAO Gengxing， SU Baowei， et al.Decision model of variable nitrogen fertilizer in winter wheat returning green stage based on UAV multi-spectral images［J］.Spectroscopy and Spectral Analysis， 2019， 39（11）： 3599.

［9］ 汪旭， 鄧裕帥， 練雪萌， 等.基于無人機(jī)多光譜技術(shù)的甜菜冠層葉綠素含量反演［J］.中國糖料， 2022， 44（4）： 36-42.

WANG Xu， DENG Yushuai， LIAN Xuemeng， et al.Inversion of chlorophyll content in sugar beet canopy based on UAV multispectral technique［J］.Sugar Crops of China， 2022， 44（4）： 36-42.

［10］ 李艷大， 曹中盛， 舒時(shí)富， 等.基于作物生長監(jiān)測診斷儀的雙季稻葉干重監(jiān)測模型［J］.作物學(xué)報(bào)， 2021， 47（10）： 2028-2035.

LI Yanda， CAO Zhongsheng， SHU Shifu， et al.Model for monitoring leaf dry weight of double cropping rice based on crop growth monitoring and diagnosis apparatus［J］.Acta Agronomica Sinica， 2021， 47（10）： 2028-2035.

［11］ 張秋陽.基于多源遙感數(shù)據(jù)的冬小麥氮肥推薦的研究［D］.哈爾濱： 東北農(nóng)業(yè)大學(xué)， 2015.

ZHANG Qiuyang."Study on N Fertilization Recommendation in Winter Wheat Based on Multi-sources Remote Sensing Data［D］.Harbin： Northeast Agricultural University， 2015.

［12］ 張秋陽， 楊貴軍， 徐新剛， 等.基于GeoEye-1高分遙感影像的冬小麥氮肥推薦應(yīng)用［J］.麥類作物學(xué)報(bào)， 2014， 34（12）： 1685-1693.

ZHANG Qiuyang， YANG Guijun， XU Xingang， et al.Recommended application of N rate for winter wheat based on GeoEye-1 image［J］.Journal of Triticeae Crops， 2014， 34（12）： 1685-1693.

［13］ 程千， 徐洪剛， 曹引波， 等.基于無人機(jī)多時(shí)相植被指數(shù)的冬小麥產(chǎn)量估測［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（3）： 160-167.

CHENG Qian， XU Honggang， CAO Yinbo， et al.Grain yield prediction of winter wheat using multi-temporal UAV based on multispectral vegetation index［J］.Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（3）： 160-167.

［14］ Tucker C J.Red and photographic infrared linear combinations for monitoring vegetation［J］.Remote Sensing of Environment， 1979， 8（2）： 127-150.

［15］ 白燕英， 高聚林， 張寶林.基于NDVI與EVI的作物長勢監(jiān)測研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（9）： 153-161.

BAI Yanying， GAO Julin， ZHANG Baolin.Monitoring of crops growth based on NDVI and EVI［J］.Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（9）： 153-161.

［16］PEARSON R L， MILLER L D.Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie， Pawnee National Grasslands， Colorado［C］."Proceedings of the 8th International Symposium on Remote Sensing of Environment，1972：1355-1379.

［17］ Chen J M.Evaluation of vegetation indices and a modified simple ratio for boreal applications［J］.Canadian Journal of Remote Sensing， 1996， 22（3）： 229-242.

［18］ROUSE J W， HAAS R H， SCHELL J A， et al.Monitoring the vernal advancements and retro gradation of natural vegetation［M］. Greenbelt： Texas A and M University， Remote Sensing Center，1974：371.

［19］ Gong P， Pu R L， Biging G S， et al.Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data［J］.IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（6）： 1355-1362.

［20］HUETE A R.Soil influences in remotely sensed vegetation-canopy spectra［M］. ASRAR G.Theory and applications of optical remote sensing.New York： Wiley，1989：107-141.

［21］ 黃婷， 梁亮， 耿笛， 等.波段寬度對利用植被指數(shù)估算小麥LAI的影響［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（4）： 168-177.

HUANG Ting， LIANG Liang， GENG Di， et al.Effects of band width on estimation of wheat LAI using vegetation index［J］.Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（4）： 168-177.

［22］ Gitelson A A， Via A， Ciganda V， et al.Remote estimation of canopy chlorophyll content in crops［J］.Geophysical Research Letters， 2005， 32（8）： L08403

［23］ 朱曼， 張立福， 王楠， 等.基于Sentinel-2的UNVI植被指數(shù)及性能對比研究［J］.遙感技術(shù)與應(yīng)用， 2021， 36（4）： 936-947.

ZHU Man， ZHANG Lifu， WANG Nan， et al.Comparative study on UNVI vegetation index and performance based on sentinel-2［J］.Remote Sensing Technology and Application， 2021， 36（4）： 936-947.

［24］ Daughtry C S T， Walthall C L， Kim M S， et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］.Remote Sensing of Environment， 2000， 74（2）： 229-239.

［25］ 陶惠林， 馮海寬， 徐良驥， 等.基于無人機(jī)高光譜遙感數(shù)據(jù)的冬小麥生物量估算［J］.江蘇農(nóng)業(yè)學(xué)報(bào)， 2020， 36（5）： 1154-1162.

TAO Huilin， FENG Haikuan， XU Liangji， et al.Winter wheat biomass estimation based on hyperspectral remote sensing data of unmanned aerial vehicle（UAV）［J］.Jiangsu Journal of Agricultural Sciences， 2020， 36（5）： 1154-1162.

［26］ 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［J］.Remote Sensing of Environment， 2001， 76（2）： 156-172.

［27］ Haboudane D， Miller J R， Pattey E， et al.Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture［J］.Remote Sensing of Environment， 2004， 90（3）： 337-352.

［28］ 李港， 孔亞聰， 代元帥， 等.基于野外原位光譜的棉田耕層土壤全氮含量監(jiān)測模型研究［J］.干旱地區(qū)農(nóng)業(yè)研究， 2023， 41（6）： 273-280.

LI Gang， KONG Yacong， DAI Yuanshuai， et al.Study on monitoring model for total nitrogen content in plow layer of cotton field based on field in situ spectroscopy［J］.Agricultural Research in the Arid Areas， 2023， 41（6）： 273-280.

［29］ 彭建， 徐飛雄， 鄧凱， 等.瑯琊山景區(qū)不同葉綠素條件下樹種葉片光譜差異分析［J］.光譜學(xué)與光譜分析， 2018， 38（6）： 1839.

PENG Jian， XU Feixiong， DENG Kai， et al.Spectral differences of tree leaves at different chlorophyll relative content in Langya Mountain［J］.Spectroscopy and Spectral Analysis， 2018， 38（6）： 1839.

［30］謝東，何敬，何嘉晨，等.基于無人機(jī)高光譜影像的水稻葉片SPAD值反演方法研究［J/OL］.山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），1-10.

Xie Dong， He Jing， He Jiachen， et al.Research on SPAD value inversion method of rice leaves based on UAV hyperspectral image［J/OL］.Journal of Shanxi Agricultural University （Natural Science Edition），1-10.

［31］ 王磊， 白由路.不同氮處理春玉米葉片光譜反射率與葉片全氮和葉綠素含量的相關(guān)研究［J］.中國農(nóng)業(yè)科學(xué)， 2005， 38（11）： 2268-2276.

WANG Lei， BAI Youlu.Correlation between corn leaf spectral reflectance and leaf total nitrogen and chlorophyll content under different nitrogen level［J］.Scientia Agricultura Sinica， 2005， 38（11）： 2268-2276.

［32］ 王建偉， 李樹人， 周漢平， 等.不同施氮量條件下烤煙葉面積系數(shù)與冠層光譜參數(shù)的相關(guān)性［J］.煙草科技， 2011， 44（3）： 77-80.

WANG Jianwei， LI Shuren， ZHOU Hanping， et al.Correlation of leaf area index with canopy reflectance spectrum of flue-cured tobacco under different nitrogen application rate［J］.Tobacco Science amp; Technology， 2011， 44（3）： 77-80.

［33］ 李新偉， 呂新， 張澤， 等.棉花氮素營養(yǎng)診斷與追肥推薦模型［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2014， 45（12）： 209-214.

LI Xinwei， LYU Xin， ZHANG Ze， et al.Diagnosis of nitrogen nutrition and recommended model of topdressing for cotton［J］.Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（12）： 209-214.

Study on variable nitrogen fertilization model of winter wheat ""during booting period based on remote sensing data

CHEN Rong1， LAI Ning2， GENG Qinglong2， LI Yongfu2， ""XIN Huinan2， LYU Caixia2， LI Na2， CHEN Shuhuang2

（1. "College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052， China; 2.Institute of Soil， Fertilizer and Agricultural Water Conservation， Xinjiang Academy of Agricultural Sciences， Urumqi 830091， China）

Abstract：【Objective】 ""The objective of this study is to identify and quantitatively analyze nitrogen abundance and deficiency according to the growth requirements of winter wheat during the key growth periods， so as to realize quantitative nitrogen fertilization， which is the key technology that should be solved in precise fertilization and intelligent planting.

【Methods】 """ASD HH2 hyperspectrometer was used to obtain the reflectance of winter wheat canopy with different nitrogen application rates， and the chlorophyll concentration and yield were recorded.According to the reflectance of the winter wheat canopy， 14 vegetation indices were extracted， and the vegetation index that best characterized the nitrogen status of plants was selected， and a nitrogen application model based on vegetation index variables was constructed according to the relationship between nitrogen application rate， vegetation index and winter wheat yield.

【Results】 """（1） Chlorophyll concentration could accurately reflect the growth status and nitrogen application effect of winter wheat， and there were significant differences in the canopy reflectance data of winter wheat under different nitrogen application rates.（2） Correlation analysis showed that the normalized vegetation index NDVI had a good correlation coefficient of 0.705， which better reflected the nitrogen effect of winter wheat canopy.（3） A variable nitrogen fertilization model based on NDVI was constructed at booting stage， i.e.， Nr=700.59×NDVI2-1 693.46×NDVI+955.92， which provided a scientific basis for precise nitrogen fertilization of winter wheat.

【Conclusion】 """The hyperspectral data obtained by ASD HH2 were used to construct a model and method of nitrogen fertilization in winter wheat， which provided an important reference for the in-depth study of precision fertilization of winter wheat.

Key words：""remote sensing; vegetation index; nitrogen application model

Fund projects：""Xinjiang Wheat Industry Agriculture System（XJARS-01-21）;General Project of the Natural Science Foundation of Xinjiang Uygur Autonomous Region（2023D01A95）; "Steadily Stable Support to Agricultural Science and Technology Innovation（xjnkywdzc-2023002，xjnkywdzc-2023007-3）; Major R amp; D Project of Xinjiang Uygur Autonomous Region（2022A02011-2）;Xinjiang Academy of Agricultural Sciences independent breeding

special project（xjnkycxzx-2022004）

Correspondence author："""CHEN Shuhuang （1973-）， female， from Hunan， researcher， master， research direction： soil fertilizer and agricultural information technology， （E-mail）chensh66@ 163.com

收稿日期（Received）：

2024-05-20

基金項(xiàng)目：

新疆小麥產(chǎn)業(yè)技術(shù)體系（XJARS-01-21）；新疆維吾爾自治區(qū)自然科學(xué)基金面上基金（2023D01A95）；農(nóng)業(yè)科技創(chuàng)新穩(wěn)定支持專項(xiàng)（xjnkywdzc-2023002，xjnkywdzc-2023007-3）；新疆維吾爾自治區(qū)重大專項(xiàng)（2022A02011-2）;新疆農(nóng)業(yè)科學(xué)院自主培育專項(xiàng)（xjnkycxzx-2022004）

作者簡介：

陳榮（1997-），男，貴州納雍人，碩士研究生，研究方向?yàn)檗r(nóng)業(yè)信息化，（E-mail） chenrong2581@163.com

通訊作者：

陳署晃（1973-），女，湖南人，研究員，碩士，研究方向?yàn)橥寥婪柿吓c農(nóng)業(yè)信息技術(shù)，（E-mail）chensh66@163.com