基于光谱信息的作物氮素营养诊断研究进展

杨绍锷，杜 鑫

（1.广西壮族自治区农业科学院农业资源与环境研究所，广西 南宁530007；2.中国科学院遥感与数字地球研究所，北京 100101）

基于光谱信息的作物氮素营养诊断研究进展

杨绍锷1，杜 鑫2

（1.广西壮族自治区农业科学院农业资源与环境研究所，广西 南宁530007；2.中国科学院遥感与数字地球研究所，北京 100101）

快速、准确地进行作物氮素营养诊断，有助于管理者及时、有效地采取相应的应对措施，既保障作物的高产量，又有效地管控、减少化肥施用量。由于作物氮素营养状况直接影响着作物的光谱信息，因此以作物光谱信息为依据进行作物氮素营养诊断极具潜力。对当前基于光谱信息进行作物氮素营养诊断的3种方法（便携式叶绿素仪法、高光谱遥感诊断法和数字图像分析诊断法）进行了综述，介绍了各个方法的原理、特点和研究进展，并对未来基于光谱信息的作物氮素营养诊断进行了展望。

光谱信息；氮素；营养诊断；研究进展

作物生长受气候条件、土壤状况、管理措施等众多因素的影响，实时地了解作物的营养状况，有助于管理者及时采取措施，有针对性地对作物进行有益干预，从而实现作物的高产、高效、经济、环保生产；尤其是在我国粮食安全形势严峻、生态环境日趋恶化的情况下，及时了解作物的营养状况显得尤为重要。根据作物的外观、形态来判断作物的营养状况，是人们在长期的种植过程总结的经验方法，有一定的科学依据，简单方便，在实际生产中经常被使用，但此类方法通常比较粗犷、无法量化。在实验室进行植物样品的化学分析，是获知植物营养状况最直接、准确的方法，但由于所需时间较长，时效性差，无法满足田间管理要求。在农业现代化、信息化的要求下，需要发展快速、准确、经济的田间作物营养诊断方法。光谱技术手段是当前作物营养快速诊断的一个重要研究方向。作物营养状况的变化，会导致作物反射光谱在不同的波段范围出现不同程度的变化，基于这些光谱信息进行作物营养的反演，即可实现作物营养状况的快速诊断。自20世纪70～80年代以来，研究人员利用作物的光谱信息，发展了多种作物氮素营养诊断的方法。

1 便携式叶绿素仪

叶片含氮量和叶绿素浓度之间有较好的相关性，因此可以通过测定叶绿素浓度来反映植株叶片的氮营养状况[1]。便携式叶绿素仪（SPAD）是非常经典的快速无损作物营养测量仪器，用于快速测量作物叶片的叶绿素含量，是20世纪80年代由日本研发出来的，目前主要有SPAD-501和SPAD-502两种型号。该仪器并不能测量真实的叶绿素含量，而是测得一个相对反映叶绿素含量的SPAD值，是一个无量纲的比值。其测量原理是基于叶绿素在红光和红外光两个不同波段中有着显著差异的吸收率，叶绿素a和叶绿素b在红光区都有最大吸收峰，但在红外光区则几乎不吸收。叶绿素仪的照明系统采用两个LED光源分别发射红光（峰值波长约650 nm）和红外光（峰值波长约940 nm），通过比较不同波段透射光穿过叶片的光密度差异，计算得到SPAD值。其工作过程如下：照明系统中的LED发射红光和红外光，穿过叶子样品的光线射入接受器，然后接受器将透射光转化为模拟电子信号，放大器加强这些信号，然后由A/D转换器将其转化为数字信号，微处理器采用数字信号计算SPAD值，然后在屏幕上显示计算值并将其自动保存在内存中。利用便携式叶绿素仪进行氮素营养诊断已经得到广泛应用，尤其是针对小麦、水稻、玉米等大宗作物的研究较为普遍[2-6]。

李映雪等[7]对小麦不同叶位SPAD值与叶片平均氮素状况的相关分析表明，小麦顶2叶和顶3叶SPAD值分别与叶片平均氮含量和氮积累量的相关系数较大。吴良欢和陶勤南[8]的研究结果显示，籼、粳稻分蘖盛期、幼穗分化期的SPAD值与叶绿素含量、氮含量的相关性均达到极显著水平（P＜0.01），但在高SPAD值区（SPAD值＞40）SPAD值与叶绿素含量和氮含量的相关性都有所下降。因此，可根据SPAD值大致判定叶片中的叶绿素和氮含量。于亚利等[9]的研究结果表明，玉米叶片不同生育期含氮量与SPAD值呈极显著正相关，12叶期的相关性最高，10叶期、抽雄期次之，叶片SPAD值适用于指导玉米的施肥及后期的产量、全氮量预测。

便携式叶绿素仪操作简便、快速，不损伤作物，因而被广泛应用于作物氮素和叶绿素快速诊断。但便携式叶绿素仪也存在着明显的缺陷。首先，SPAD值只是一个无量纲的比值，不能反映真实的叶绿素含量；其次，SPAD值超出了一定的读数范围后趋于稳定，不能反映氮素过量的问题，厂家建议SPAD-502Plus的读数采信范围是0～50.0，大于50.0的SPAD值可能就不精确了；第三，便携式叶绿素仪只能进行点测量，需要多次测量取其平均值作为测量结果，工作量较大。

2 高光谱遥感诊断

高光谱遥感是指在可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续影像数据的遥感技术。高光谱遥感技术的特点是光谱分辨率高，达3 nm以上，波段连续性强（在350～250 0 nm范围内有几百个波段）。高光谱数据可以揭示物体在更窄波谱范围的变化特点，从而为研究物体提供更充分的信息。随着高光谱遥感数据获取手段不断增加，数据处理技术不断发展，高光谱遥感数据越来越广泛地应用于各个领域。利用高光谱数据对作物进行快速营养诊断，在现代农业中发挥着越来越重要的作用，是当前高光谱应用研究领域的一个热点课题。

20世纪70年代，研究人员在光谱信息诊断作物氮素方面进行了大量的基础研究[10-12]，众多的研究结果都显示，530～560 nm区域的光谱反射率对作物叶片氮含量变化最敏感[13-19]。为了更准确地估测作物的氮素含量，研究人员继续寻求与氮含量相关性高的光谱波段，尝试建立波段或波段组合与氮含量的数学关系。Fernandez 等[20]在小麦中的研究结果显示，红波段（660～670 nm）和绿波段（545～550 nm）的线性组合可以预估小麦的氮含量，且不受不同氮肥处理的影响。Blackmer等[21-22]针对玉米的研究结果显示，550～600 nm波段与800～900 nm波段的反射率比值能敏感地反映出玉米氮素胁迫，而且550和710 nm波长处的反射率能较好地诊断玉米氮素含量。Xue等[23]针对水稻的研究结果显示，810与560 nm波长的反射率比值（R810/R560）与叶片氮含量和叶片氮累积量都有较好的正相关关系，且不受不同生育期间和不同氮处理的影响。

然而，在田间光谱采集过程中，作物光谱受到土壤、光照、测量角度等众多因素的影响。为了淡化这些因素对目标光谱的影响，通常对原始光谱进行导数和对数变换[24-25]。经过数学变换后再与氮含量建立相关关系，明显提高了氮含量的预测精度[26-29]。植物光谱经过一阶导数换算后，通常会在670～760 nm之间出现一个拐点，这是光谱反射率增高最快的区间，俗称为红边。红边的位置和红边的斜率是反映植物健康状况及监测氮含量的理想指标[30-31]。尽管目前已有较多研究结果都显示，使用特定的光谱和光谱组合可以较准确地预测叶片氮含量，但是针对不同作物，以及不同的生育期，光谱响应仍存在着较大的差异，且测量过程还受到众多不确定因素的影响，因此不同时空条件下创建的模型难以应用于建模以外的条件，要想得到普遍应用存在着较大的困难。

3 数字图像分析诊断

数字图像分析诊断通常是指利用数码相机获取作物冠层数字图像，通过分析图像中相应色彩差数与作物营养参数的关系，建立利用数字图像诊断冠层营养状况的方法。其主要依据是作物营养状况直接影响着冠层的颜色特征，经过计算机精确定量冠层反射的红、绿、蓝光值，就可以反映冠层的营养状况。数码相机是获取可见光光谱信息最简便的工具，随着科技的进步以及人们生活水平的不断提高，尤其是目前智能手机中普遍集成有数码相机，数码相机的使用已经相当广泛。研究应用数码相机进行作物营养诊断将是极具现实意义和极具应用前景的工作，因而也成为了遥感应用研究领域的一个热点，目前已有众多学者针对不同的作物开展了相应的研究工作。

贾良良等[32]使用数码相机获取了水稻冠层图像并进行色彩分析，利用可见光光谱进行水稻冠层的氮营养诊断研究，结果表明，数字图像红光值（R）、绿光值（G）和红光标准化值（NRI）与水稻植株全氮含量、生物量和地上部吸氮量等都呈显著的线性反相关关系，红光标准化值（NRI）与叶绿素仪SPAD读数相比能更好地表征水稻幼穗期的氮素营养状况。李岚涛等[33]研究了田间试验条件下水稻不同生育期冠层图像色彩参数（G、NRI、NGI、NBI、G/R和G/B）与植株氮素营养指标（叶片含氮量、植株全氮含量、生物量、氮素累积量和冠层NDVI值）之间的相关性，认为数字图像红光标准化值NRI与氮素营养参数相关性最佳，建议将其作为水稻氮素营养诊断的最佳冠层图像色彩参数指标。孙钦平等[34]通过数码相机利用可见光光谱对夏玉米进行氮营养诊断，结果表明，绿光值（G）、蓝光值（B）、红光标准化值（NRI）、绿光标准化值（NGI）和蓝光标准化值（NBI）等多个图像参数均与夏玉米的植株全氮含量、叶片SPAD值有显著的线性相关关系，其中绿光标准化值（NGI）、蓝光标准化值（NBI）与夏玉米的植株全氮含量、叶片SPAD值和叶脉的硝酸盐浓度（低施氮条件下）有着显著或者极显著的线性相关关系，是较好的表征夏玉米氮营养状况的可见光光谱参数。张立周等[35]采用数码相机研究夏玉米冠层图像色彩参数指标与叶片SPAD 值、植株硝酸盐浓度、植株全氮含量之间的关系，结果表明，在6叶期，玉米冠层数字图像色彩参数指标NBI、G/B、R/B、B/L均与叶片SPAD值、植株硝酸盐浓度、植株全氮含量存在极显著的线性相关关系，其中NBI与各营养参数的相关关系最好；并且夏玉米6叶期冠层图像色彩参数指标与上述营养参数间的相关性明显高于10叶期，因此6叶期可作为应用数字图像技术进行氮素营养诊断的关键时期。李红军等[36]利用数码相机研究了小麦冠层色彩参数与氮素营养状况的关系，结果表明，返青期小麦反光叶面的G/R与NRI色彩参数能较好地反映小麦的氮素营养状况，拔节期不反光叶面和反光叶面的NRI色彩参数与植株全氮相关性较好，图像分类后能够提高其色彩参数对小麦氮素营养诊断的准确性。还有学者针对棉花[37-38]、马铃薯[39]等作物开展了数码相机氮素营养诊断的研究，其结果都表明采用数字图像分析快速诊断作物氮素营养十分可行。

相对于其他的氮素营养诊断方法而言，利用数码相机进行数字图像诊断分析无疑更方便、快捷，也极具应用前景和现实意义。但影响数字图像诊断结果的因素较多，不同作物品种的冠层结构、不同时期的植株形态、拍摄时与冠层的角度、太阳光照强度、图像分辨率等[40-41]都可能会对诊断结果产生影响。目前的研究结果尚未成熟，各个学者的研究结果结论不一，还有很多问题有待更深入研究。

4 结 语

快速、准确、无损地进行作物氮素营养诊断一直是农业生产者和农业科研工作者的一个重要努力方向。作物氮素营养的变化直接影响着叶色光谱的变化，以这一事实作为理论依据，人们很早就依据植株的颜色和形态来判断作物的氮素营养，由此还研究出了比色卡等定性手段[42]。随着科学技术的不断发展，如今可以采用光谱信息技术手段精准获取作物的色彩参数值，有望将氮素营养诊断从定性分析升级为定量分析，从而实现作物氮素营养的快速、准确、无损诊断。

便携式叶绿素仪（SPAD）通过红光（650 nm）和红外光（940 nm）两个波长来测量叶片叶绿素，从而间接进行作物氮素营养诊断，操作简便；高光谱遥感技术能在可见光至热红外波段范围内获得分辨率高、波段连续性强的光谱信息，从而揭示作物在更窄波谱范围的变化特点，有望提高作物氮素营养诊断的精度；冠层数字图像分析则主要利用作物在可见光范围的光谱变化，通过分析图像中相应色彩参数与作物营养参数的关系反映冠层的营养状况。便携式叶绿素仪的使用已相当普及，但在实际使用中也存在着工作量较大、不能反映氮过量等明显缺陷；高光谱遥感技术对仪器要求较高，成本投入较大，目前还难以进行推广应用；冠层数字图像分析对仪器要求较低，成本投入也较小，但目前技术还不成熟，相关研究还有待深入。

总体来看，基于光谱信息进行作物氮素营养诊断具有扎实的理论基础，在现实应用中也产生了较好的效果，但存在的问题也较多，很多方面还需进行大量的研究。数码相机是获取光谱信息最简便的工具，随着数码相机的普及，以及数码相机科技水平的不断提高，加强冠层数字图像分析诊断方法的研究极具现实意义和应用前景。

[1] Maderia A C，Mendonca A，Ferreira M E，et al. Relationship between spectroradiometric and chlorophyll measurements in green beans communication[J]. Soil Science and Plant Analysis，2000，31（5）：631-643.

[2] 谢 华，沈荣开，徐成剑，等. 水、氮效应与叶绿素关系试验研究[J].中国农村水利水电，2003，（8）：40-43.

[3] 王绍华，曹卫星，王强盛，等. 水稻叶色分布特点与氮素营养诊断[J].中国农业科学，2002，35（12）：1461-1466.

[4] 王 康，沈荣开，唐友生. 用叶绿素测值（SPAD）评估夏玉米氮素状况的试验研究[J]. 灌溉排水，2002，21（4）：1-12.

[5] 陈 防，鲁剑巍. SPAD-502叶绿素计在作物营养快速诊断上的应用初探[J]. 湖北农业科学，1996，（2）：31-34.

[6] Peng S，Garcia F V，Laza R C，et al. Adjustment for specific leaf weight improves chlorophyll meter's estimate of rice leaf nitrogen concentration[J]. Agronomy Journal，1993，85（5）：926-928.

[7] 李映雪，徐德福，谢晓金，等. 小麦叶片SPAD空间分布及其与氮素营养状况的关系[J]. 中国农业气象，2009，30（2）：164-168.

[8] 吴良欢，陶勤南. 水稻叶绿素计诊断追氮法研究[J]. 浙江农业大学学报，1999，25（2）：135-138.

[9] 于亚利，贾文凯，王春宏，等. 春玉米叶片SPAD值与氮含量及产量的相关性研究[J]. 玉米科学，2011，19（4）：89-92，97.

[10] Knipling E B. Physical and physiological basis for the reflectance of visible and near infrared radiation from vegetation[J]. Remote Sensing of Environment，1970，1（3）：155-159.

[11] Thomas J R，Oerther G F. Estimating nitrogen content of sweet pepper leaves by reflectance measurements[J]. Agronomy Journal，1972，64（1）：11-13.

[12] Thomas J R，Gausman H W. Leaf reflectance vs. leaf chlorophyll and carotenoid concentration for eight crops[J]. Agronomy Journal，1977，69：799-802.

[13] Abbas A，Barrr A H，Hallsd，et a1. Spectra of normal and nutrient deficient maize leaves[J]. Agronomy Journal，1974，66：16-20.

[14] Everitt J H，Richardson A J，Gausman H W. Leaf reflectance-nitrogenchlorophyll relations in buffelgrass[J]. Photogrammetric Engineering and Remote Sensing，1985，51：463-466.

[15] Shibayama M，Akiyama T. A spectroradiometer for field use. VII. Radiometric estimation of nitrogen levels in field rice canopies[J]. Japanese Journal of Crop science，1986，55（4）：439-445.

[16] Chbachi N，Asanol O. The diagnosis of nitrogen of rice plants using chlorophyll meter[J]. Japanese Journal of Soil Science and Plant Nutrition，1986，57：109-193.

[17] Tracy M B，James S S，Gary E V. Light reflectance compared with other nitrogen stress measurements in corn leaves[J]. Agronomy Journal.1994，86：934-938.

[18] Tracy M B，James S S，Gary E V，et a1. Nitrogen deficiency detection using reflected short wave radiation from irrigated corn canopies[J]. Agronomy Journal，1996，88：1-5.

[19] Wang K，Shen Z Q，Wang R C. Effects of nitrogen nutrition on the spectral reflectance characteristics of rice leaf and canopy[J]. Journal of Zhejiang Agricultural University，1998，24：93-97.

[20] Fernandez S，Vidal D，Simon E，et a1. Radiometric characteristics of Triticum aestivum cv. Astral under water and nitrogen stress[J]. International Journal of Remote Sensing，1994，15（9）：1867-1884.

[21] Blackmer T M，Sehepem J S，Varvel G E. Light reflectance compared with other nitrogen stress measurements in corn leaves[J]. Agronomy Journal，1994，86：934-938.

[22] Blackmer T M，Schepers J S，Varvel G E，et al. Nitrogen deficiency detection using reflected shortwave radiation from irrigated corn canopies[J]. Agronomy Journal，1996，88：1-5.

[23] Xue L H，Cao W X，Luo W H，et al. Monitoring leaf nitrogen status in rice with canopy spectral reflectance[J]. Agronomy Journal，2004，96：135-142.

[24] 宫 鹏，史培军，浦瑞良，等. 对地观测技术与地球系统科学[M].北京：科学出版社，1996.

[25] 张良培，郑兰芬，童庆禧. 利用高光谱对生物变量进行估计[J]. 遥感学报，1997，1（2）：111-114.

[26] Don H C，David L P，Pamela A M. Predietinn of leaf chemistry by the use of visible and near infrared reflectance spectroscopy[J]. Remote Sensing of Environment，1988，26：123-147.

[27] Yoder B J，Pettigrew-Crosby R E. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra（400-2500 nm）at leaf and canopy scales[J]. Remote Sensing of Environment，1995，（3）：199-211.

[28] 牛 铮，陈永华，随洪智，等. 叶片化学组分成像光谱遥感探测机理分析[J]. 遥感学报，2000，4（2）：125-129.

[29] 谭昌伟，工纪华，黄文江，等. 夏玉米叶片全氮、叶绿素及叶面积指数的光潜响应研究[J]. 西北植物学报，2004，24（6）：1041-1046.

[30] 赵春江，黄文江，王纪华，等. 不同品种、肥水条件下冬小麦光谱红边参数研究[J]. 中国农业科学，2002，35（8）：980-987.

[31] 唐延林，王人潮，张金恒，等. 高光谱与叶绿素计快速测定大麦氮素营养状况研究[J]. 麦类作物学报，2003，23（1）：63-66.

[32] 贾良良，范明生，张福锁，等. 应用数码相机进行水稻氮营养诊断[J].光谱学与光谱分析，2009，29，（8）：2176-2179.

[33] 李岚涛，张 萌，任 涛，等. 应用数字图像技术进行水稻氮素营养诊断[J]. 植物营养与肥料学报，2015，21（1）：259-268.

[34] 孙钦平，贾良良，芮玉奎，等. 应用可见光光谱进行夏玉米氮营养诊断[J]. 光谱学与光谱分析，2009，29（2）：432-435.

[35] 张立周，王殿武，张玉铭，等. 数字图像技术在夏玉米氮素营养诊断中的应用[J]. 中国生态农业学报，2010，18（6）：1340-1344.

[36] 李红军，张立周，陈曦鸣，等. 应用数字图像进行小麦氮素营养诊断中图像分析方法的研究[J]. 中国生态农业学报，2011，19（1）：155-159.

[37] 王 娟，雷咏雯，张永帅，等. 应用数字图像分析技术进行棉花氮素营养诊断的研究[J]. 中国生态农业学报，2008，16（1）：145-149.

[38] 王晓静，张 炎，李 磐，等. 地面数字图像技术在棉花氮素营养诊断中的初步研究[J]. 棉花学报，2007，19（2）：106-113.

[39] 李井会，朱丽丽，宋述尧. 数字图像技术在马铃薯氮素营养诊断中的应用[J]. 中国马铃薯，2006，20（5）：257-260.

[40] 贾良良. 应用数字图像技术与土壤植株测试进行冬小麦氮营养诊断[D]. 北京：中国农业大学，2003.

[41] 方明灿，庄恒扬，高 辉. 基于作物冠层数字图像的氮素营养及生长指标监测研究进展[J]. 安徽农学通报，2012，18（9）：205-210.

[42] 陶勤南，方 萍，吴良欢，等. 水稻氮素营养的叶色诊断研究[J].土壤，1990，22（4）：190-193.

（责任编辑：成 平）

Advances of Crop Nitrogen Diagnosis based on Spectral Information

YANG Shao-e1，DU Xin2
（1. Guangxi Academy of Agricultural Sciences, Agricultural Resources and Environment Institute, Nanning 530007, PRC; 2. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, PRC）

The rapid and accurate diagnosis of crop nitrogen nutrition will help managers to take appropriate measures in time and effectively, not only to ensure the high yield of crops, but also to effectively control and reduce the usage amount of fertilizer. Since the crop nitrogen nutrition status directly affects the spectral information of crop, thus, crop nitrogen nutrition diagnosis based on spectral information is a promising method. Three methods of crop nitrogen nutrition diagnosis based on spectral information are reviewed in this paper, portable chlorophyll instrument method, hyperspectral remote sensing diagnosis method and digital image analysis method, respectively; introduces the characteristics and research progress of each method, and prospects for future research.

spectral information; nitrogen; diagnosis; advances

S123

：A

：1006-060X（2017）02-0127-04

10.16498/j.cnki.hnnykx.2017.002.032

2016-10-21

广西自然科学基金项目（2014GXNSFAA118129）；广西农业科学院基本科研业务专项（桂农科2014YQ34）；广西农业科学院基本科研业务专项（2015YT35）；国家自然科学基金（41301497）

杨绍锷（1980-），男，广西浦北县人，副研究员，主要从事农业与生态遥感应用基础研究工作。