基于高光谱的柑橘叶片氮素营养监测模型

叶 春， 李艳大， 舒时富， 陈立才， 王康军， 黄俊宝， 周 明

(1.华东交通大学机电工程学院，江西南昌 330013； 2.江西省农业科学院农业工程研究所，江西南昌 330200)

柑橘果实的品质除与品种特性有关外，在很大程度上还受施肥量等栽培管理措施的影响[1]。氮素是柑橘生长发育的必需元素，氮素的盈亏直接影响柑橘的产量形成及果实品质优劣[2-3]。实时监测柑橘氮素营养水平有助于制定动态调控措施，如施肥用量与时机等技术措施，对实现柑橘变量施肥、果园智能管理具有重要意义。

前人利用光谱监测技术在小麦、水稻等作物氮素营养监测方面开展了大量研究工作[4-6]。近年来，关于果树的养分监测诊断已取得初步成效[7-10]，这表明利用光谱技术监测植物营养状态是有效可行的。在柑橘叶片营养状况诊断方面，专家学者们通过利用果树叶片可见近红外光谱初步估测叶片营养状况并建立预测回归模型，均取得了一定的成果[11-13]。但因为研究对象和方法不同，前人建立的预测模型不具备普适性，应用效果有待验证。目前，以江西红壤地区柑橘生长为研究对象开展的柑橘叶片高光谱营养监测研究较少[14-16]。本研究以江西红壤区常见柑橘品种(温柑)为研究对象，基于不同施氮水平的野外试验，获取柑橘叶片的光谱数据，运用光谱数据分析技术构建特征光谱植被指数，挖掘柑橘叶片反映氮素状况的本质光谱信息，确定柑橘叶片氮素营养监测核心波段，构建柑橘叶片氮素营养监测模型。研究结果为精确、科学、实时指导柑橘氮肥管理提供理论依据与技术途径。

1 材料与方法

1.1 试验设计

试验于2015—2016年在江西省红壤研究所柑橘园进行。设4个氮素水平，分别为0、0.25、0.50、0.75 kg/株，记为N0、N1、N2、N3，株行距为3 m×3 m。供试柑橘品种为温柑，枳壳砧木，树龄为3年。每个施氮素水平分别选取长势一致的6株柑橘树作为数据采集样本树，样本树间设隔离树，随机区组排列。配施P2O50.24 kg/株、K2O 0.36 kg/株，其他管理同常规栽培管理。

1.2 数据测定

1.2.1 单叶光谱反射率测定 光谱测量采用美国ASD公司生产的Field Spec Hand Held 2手持式地物光谱仪。波段范围为350～1 075 nm，测定时间为12：00—14：00，光谱测量时探头垂直向下。从树冠东、南、西、北及中间5个方位外围中上部采集各类型枝梢顶部向下的第3张正常健康叶片，每株树每次采集各类型枝梢叶片5张。将采集的叶片带回实验室，清洗擦干后，用ASD探头在叶片的中间部分(避开叶脉)连续测定5次，求平均值作为单叶的反射率。每个叶片光谱数据测定前、后进行参考板校正。

1.2.3 模型构建与检验 提取每个叶片样本的平均反射光谱曲线，分析所提取的光谱数据和每个样本叶片氮含量与叶片氮积累量之间的相关性。通过简单相关分析和双波段植被指数(TBVI)的获取，确定与叶片氮含量、叶片氮积累量相关系数达到最高TBVI值，从而获得计算该最优TBVI值的波段，并利用波段建立基于光谱数据的含氮量预测模型(Rλ表示波长λ处的光谱反射率)。

TBVI=(Rλ1-Rλ2)/(Rλ1+Rλ2)。

试验任意选择80%的数据建模，其他20%用作测试。使用植被指数分别建立线性模型、二次多项式函数模型以及指数函数模型3种常用预测模型，选取拟合效果最好的预测函数模型，最后比较所建模型的预测效果。

2 结果与分析

2.1 叶片的高光谱特性

通过对原始光谱数据求一阶导数和二阶导数，去除首尾噪声后，截取500～900 nm范围内的光谱信息，分析不同施氮水平下的单叶光谱特征(图1)。由图1可知，所有样本在总的波长范围内曲线走势相似，其中在550 nm处有一个强反射峰，在700～750 nm范围内反射率迅速增大，在750～900 nm范围内反射率处于高位，且随着波长增加呈非显著的降低趋势，形成一个高的“反射平台”。不同施氮水平样本之间，在525～575 nm范围内，光谱反射率随施氮量的增加而递减，而在750～900 nm范围内，光谱反射率随施氮量的增加而递增，表明光谱规律性分布特征可以作为监测柑橘叶片氮含量的有效途径。

2.2 不同施氮水平条件下的叶片氮含量与氮积累量

由图2可知，不同施氮水平下夏梢叶片氮含量和氮积累量均高于春梢，随施氮量的增加呈递增趋势，表现为N3>N2>N1>N0。

2.3 双波段植被指数模型构建

在叶片高光谱数据的400个窄波段中选取2个波段λ1和λ2，按照春梢和夏梢把它们的光谱反射率值代入TVBI公式，采用matlab软件将TVBI数值与叶片氮含量进行相关性分析。结果表明，在650～750 nm范围内获取TVBI值与氮含量均有较高的相关性。最终，由868、814 nm计算得到的TVBI值与叶片氮含量的相关性最高(r=0.770 4)。按春梢、夏梢区别计算可得，春梢由633、630 nm计算得到的TVBI值与叶片含氮量的相关性最高(r=0.681 2)，夏梢由690、514 nm 计算得到的TVBI值与叶片氮含量的相关性最高(r=0.684 1)。综上，可初步确定柑橘叶片氮素状况的敏感波段为514、630、633、690、814、868 nm。

为充分利用敏感波段中尽可能多的波长信息，根据上述TVBI值建立柑橘叶片氮含量与氮积累量的预测模型(表1)。本研究分析了上述任意敏感光谱波段组合的差值植被指数(DVI)、比值植被指数(RVI)、归一化植被指数(NDVI)与叶片氮含量和氮积累量(LNA)之间的定量关系。结果表明，不同光谱植被指数与叶片氮含量和氮积累量的相关性不同。从表1来看，叶片氮含量均与差值植被指数相关性较高，其中，690、868 nm组合的叶片氮含量与差值植被指数的相关性最高(r2=0.81)。从表2可以看出，叶片氮积累量表现为与差值植被指数的相关性普遍高于与比值植被指数、归一化植被指数的相关性。其中，514、868 nm组合的叶片氮积累量与差值植被指数的相关性最高(r2=0.83)。

表1柑橘叶片氮含量最佳监测模型的筛选

注：y表示柑橘叶片氮含量和氮积累量；x表示植被指数值。514、630、633、690、814、868 nm波段的线性回归方程为y=1.77-34.02x1+21.65x2-0.51x3+9.35x4+2.96x5-1.86x6，r2=0.68。下表同。

为了检验模型的预测效果，采用国际上常用的根均方差(RMSE)对模拟值与观测值的符合度进行统计分析，并绘制观测值与模拟值之间的1 ∶1关系图，以直观展示模拟值与观测值的拟合度和可靠性(图3至图6)。

绘画审美上，中国画追求诗意的传达。苏轼认为王维“诗中有画，画中有诗”，这从本质上体现出诗意精神是中国画的内在特质之一。清代画家恽南田追求简淡清远的审美意趣，体现在绘画上就是“画以简贵为尚，简之入微，则洗尽尘滓，独存孤迥，烟鬟翠黛敛容而退矣。”[12]画家的审美意趣会在绘画中有充分的展现。所以，在中国画教学上，应注重培养学生的审美境界，提升其绘画的追求品味。

对比发现，基于690、868 nm组合双波段植被指数建立的氮素营养信息模型有较好的预测性能(y=31.41x2-43.114x+16.952)，其决定系数r2为0.810 8，均方误差为 0.06，平均相对误差为0.43%，说明该模型对柑橘叶片氮含量具有较好的预测性。而基于514、868 nm组合双波段植被指数建立的氮素营养信息模型最优 (y=5.233 4x2-7.054 4x+2.535 8)，

表2柑橘叶片氮积累量最佳监测模型的筛选

注：514、630、633、690、814、868 nm波段的线性回归分析方程为y=2.33-111.91x1+66.54x2+0.42x3+22.67x4+7.07x5-2.43x6，r2=0.47。

其决定系数r2为0.847 6，均方误差为0.01，平均相对误差为0.07%，说明该模型对柑橘叶片氮积累量的预测性更优。

3 结论

采用ASD手持式地物光谱仪结合光谱分析和双波段植被指数筛选出了柑橘叶片氮素营养监测敏感光谱，分别为514、630、633、690、814、868 nm，同时建立温柑叶片氮含量预测模型(y=31.41x2-43.114x+16.952)和温柑叶片氮积累量预测模型(y=5.233 4x2-7.054 4x+2.535 8)。研究结果表明，基于波长690、868 nm的双波段植被指数能够建立最佳的温柑叶片氮含量预测模型并具有良好的预测效果；而基于波长514、868 nm的双波段植被指数能够建立最佳的温柑叶片氮积累量预测模型且预测效果优于叶片氮含量的模型。

通过研究发现，虽然可以利用植被指数实现柑橘叶片氮素指标的快速估测，但不同种类和树龄的柑橘叶片如何估测尚须进一步研究。柑橘为多年生果树，在生长过程中不同时期叶片氮素变化较为复杂，光谱检测仪的特点是对作物群体变化反应灵敏，因此利用植被指数对叶片氮积累量的预测要优于叶片氮含量。同时，由于受到工作量及其他因素的限制，试验仅涉及1个柑橘品种、1个生态点，因此模型的准确性和普适性仍需更多品种和生态点资料进行检验。

参考文献：

[1]杨生权. 土壤和叶片养分状况对柑橘产量和品质的影响[D]. 重庆：西南大学，2008.

[2]Al-Abbas A H，Barr R，Hall J D，et al. Spectra of normal and nutrient deficient maize leaves[J]. Agronomy Journal，1974，66：16-20.

[3]刁莉华. 柑橘叶片营养元素含量的季节变化[D]. 重庆：西南大学，2013.

[4]姚 霞，刘小军，田永超，等. 基于星载通道光谱指数与小麦冠层叶片氮素营养指标的定量关系[J]. 应用生态学报，2013，24(2)：431-437.

[5]王纪华，王之杰，黄文江，等. 冬小麦冠层氮素的垂直分布及光谱响应[J]. 遥感学报，2004，8(4)：309-316.

[6]周冬琴. 基于冠层反射光谱的水稻氮素营养与籽粒品质监测[D]. 南京：南京农业大学，2007.

[7]张 瑶，郑立华，李民赞，等. 基于光谱特征分析的苹果树叶片营养素预测模型构建[J]. 农业工程学报，2013，29(8)：171-178.

[8]张 瑶，郑立华，李民赞，等. 基于光谱学原理与小波包分解技术预测苹果树叶片氮素含量[J]. 农业工程学报，2013，29(增刊1)：101-108.

[9]李金梦，叶旭君，王巧男，等. 高光谱成像技术的柑橘植株叶片含氮量预测模型[J]. 光谱学与光谱分析，2014，34(1)：212-216.

[10]王 植，周连第，李 红，等. 桃树叶片氮素含量的高光谱遥感监测[J]. 中国农学通报，2011，27(4)：85-90.

[11]易时来，邓 烈，何绍兰，等. 锦橙叶片氮含量可见近红外光谱模型研究[J]. 果树学报，2010，27(1)：13-17.

[12]黄双萍，洪添胜，岳学军，等. 基于高光谱的柑橘叶片氮素含量多元回归分析[J]. 农业工程学报，2013，29(5)：132-138.

[13]王巧男，叶旭君，李金梦，等. 基于双波段植被指数(TBVI)的柑橘冠层含氮量预测及可视化研究[J]. 光谱学与光谱分析，2015，35(3)：715-718.

[14]刘燕德，熊松盛，陈洞滨. 赣南脐橙果园土壤全氮和有机质近红外漫反射光谱检测[J]. 光谱学与光谱分析，2013，33(10)：2679-2682.

[15]钟林生. 赣南脐橙果园土壤中稀土元素的分布特征研究[D]. 赣州：赣南师范学院，2012.

[16]张光伟. 赣南脐橙叶片生长信息光谱诊断方法[D]. 南昌：华东交通大学，2014.