基于高分一号影像数据的水稻定量施肥可视化

李新伟， 陶新宇， 马露露， 张官进

(1.安徽科技学院资源与环境学院，滁州 233100；2.新疆生产建设兵团绿洲生态农业重点实验室，石河子 832003)

随着农业生产精准管理技术的成熟[1-2]，农作物施肥经历了传统定性施肥、机械半定量施肥、滴灌半定量施肥和智能机械定量施肥的过程[3-4]。而氮肥作为水稻施肥中最重要的肥料之一[5]，也是高产的重要因素[6]，氮肥管理经历了由定性、半定量向精准变量，由传统实验室化验向便捷化监测方向发展[7-8]。定量的施肥有利于作物的生长，实现了“需多少，施多少”的精准施肥管理目标。同时，减少了肥料的浪费，节约生产成本和劳动力，也实现了环境友好的农业可持续发展目标。

卫星遥感技术目前已具有“高空间分辨率、高时间分辨率和高光谱分辨率”的技术特点[9-10]，遥感技术优势在于对地表资源便捷、精准的观测，提取海量的地理信息数据，用于各行各业的研究[11]。卫星遥感技术在农业上的广泛应用，为农业的直观、可视化表达提供了有力支撑[12-14]，其技术核心在于：卫星遥感数据在氮素营养诊断的基础上，建立农作物关键生育时期追肥推荐模型，以此利用遥感反演技术实现定量施肥可视化表达。现利用GF-1 WMV数据，对水稻定量施肥可视化研究，满足了实时、便捷、精准施肥科学管理的需求。

1 材料与方法

1.1 试验设计

以安徽省当涂县盛农丹阳湖农场(31°30′25″N，118°40′42″E)为研究区域，如图1所示。研究区属北亚热带季风气候，日照时数2 235 h，无霜期233 d。本试验小区试验：采用氮素单因素120 kg·hm-2的梯度试验，3 次重复，每个梯度设3个试验小区，45 个小区随机排列，另外有27 个验证试验小区，磷、钾肥全部作为基肥施用。

图1 研究区区位图Fig.1 Study area map

1.2 数据获取与处理

从地理空间数据云下载2016年水稻分蘖期(6月28日)、拔节期(7月13日)和抽穗期(8月20日)等关键生育期时期GF-1 WFV遥感影像(多光谱波段包括R、G、B和NIR四个波段，空间分辨率16 m)。边界矢量数据为RTK实地获取后再ArcGIS中矢量化编辑。获取72个小区植株样品，每个时期获取植株样本216个，如图2所示。

图2 研究区采样点Fig.2 Sampling point of study area

2 结果与分析

2.1 水稻氮素营养诊断可视化表达

通过ENVI _IDL二次开发植被提取工具对水稻关键生育期GF-1影像进行植被指数提取，计算了归一化植被指数(NDVI)、近红外指数(NIR)、绿度比值植被指数(GRVI)、绿度差值植被指数(GDVI)、绿度归一化差值植被指数(GNDVI)、GOW DRVI、叶绿素指数(CI)、植被指数(DVI)和绿度优化土壤调节植被指数(GSAVI)等9种与绿色植物氮营养状况密切相关的植被指数值，并与反映水稻氮素营养状况的农学参数植株氮浓度进行相关分析，以期得到水稻氮素营养诊断的指标，如表1所示。结果表明，分蘖期水稻氮营养与GWDRVI相关性最好(R2=0.755 4)，这可能是GWDRVI计算中利用近红外与绿光波段反射率的比值计算弱化了分蘖期水稻土壤背景值，增强了氮水稻植株氮营养的表达；拔节期水稻氮营养与GDVI相关性最好(R2=0.720 4)，这可能是拔节期是水稻需求养分的敏感时期，GDVI中突出了近红外光谱反映植被冠层健康状况形成了较好的“红边”现象；抽穗期水稻氮素营养与DVI相关性最好(R2=0.638 6)，这可能是由于抽穗期水稻营养生长转向生殖生长的关键时期，同时受土壤背景变化影响不大，DVI对氮营养变化敏感。因此，选择GWDRVI、GDVI、DVI作为水稻分蘖期、拔节期和抽穗期氮素营养诊断指标。

表1 植被指数与水稻植株氮浓度的相关关系

依据氮素营养诊断模型，在ENVI 5.1中对研究区域GF-1影像进行波段提取与模型反演，制作水稻关键生育期氮素营养诊断反演图(图3)。

图3 水稻关键生育期氮素营养诊断反演图Fig.3 Inversion map of nitrogen nutrition diagnosis in keygrowth period of rice

2.2 水稻氮肥效应曲线建立

通过不同氮素梯度处理的水稻总施氮量与对应处理水稻产量的分析，建立了氮肥效应回归模型：y=-0.077 5x2+46.257x+4 266.2，如图4所示。通过对拟合方程的分析，得到水稻施肥总量298.4 kg·hm-2和最高产量11 168.5 kg·hm-2。结合水稻和氮肥商品价格，对氮肥效应曲线求偏导得到最佳经济施肥量285.5 kg·hm-2，对应产量11 155.6 kg·hm-2为最佳经济产量，以此得到分蘖期、拔节期和抽穗期的氮素营养诊断临界值(表2)，以此判断是否施肥。

图4 水稻施肥效应曲线Fig.4 Effect curve of Fertilization on Rice

2.3 水稻关键生育期施肥处方图制作

依据施氮总量、诊断指数、产量和施肥量等相互关系，通过式(1)、式(2)结合和建立水稻分蘖期、拔节期和抽穗期关键生育时期的定量施肥模型(表2)。

表2 水稻推荐施肥模型

N1=aX+b

(1)

N2=N0-N1

(2)

将式(1)代入式(2),得到追肥模型:

N2=N0-aX-b

(3)

式中:X为实测诊断指数；a为施氮量与诊断指数的线性方程的截距；b为施氮量与诊断指数的线性方程的回归系数；N0为施肥总量；N1为前一次的施肥量；N2为追肥量。

在ENVI 5.1中运用波段运算，通过R、G、B和NIR四个波段的反射率计算GWDRVI(0.12NIR-G)/(0.12NIR+G)、GDVI(NIR-G)和DVI(NIR-R)，再利用水稻分蘖期、拔节期和抽穗期追肥模型计算区域条田每个像素点的施肥量，从而实现施肥量的定量可视化表达，如图5所示。

图5 水稻关键生育期推荐施肥处方Fig.5 Recommended fertilization prescription in key growth period of rice

3 结论

通过以上研究，得到以下结论。

(1)建立以多种典型植被指数的水稻关键生育时期氮素营养诊断的最优植被指数(分蘖期、拔节期和抽穗期分别为GWDRVI、GDVI和DVI)，其诊断指标的建立为构建基于光谱诊断的追肥推荐模型奠定了理论基础。

(2)根据水稻氮肥效应曲线的分析，可得水稻总施氮量(298.4 kg/hm2)，作为追肥总量的参考。通过施肥量、产量和边际产量效应计算的最佳经济施肥量(285.5 kg/hm2)，得到水稻各关键生育时期的临界诊断值，为诊断冬小麦关键生育期是否补充氮肥提供依据。

(3)综合水稻关键生育时期的施氮总量与最优植被指数值线性关系、最佳施肥量、最高施肥量可得基于植被指数值的定量追肥模型：分蘖期y=-26.74x-10.27，拔节期y=-38.42x+19.21，抽穗期y=-148.32x+115.99。最终结合遥感反演和地理信息系统实现施肥的可视化表达。