光谱分析技术在作物氮素诊断上的应用研究进展

栗方亮，孔庆波，张 青

(福建省农业科学院 土壤肥料研究所/福建省农产品质量安全重点实验室，福建 福州 350013)

氮素是作物生长必需的大量营养元素之一[1-2]。我国是世界上最大的氮肥生产国与消费国，氮肥的需求量约占世界的1/3[3]，我国氮肥利用率仅为30%多，而发达国家则为50%～60%[4]。过量施用氮肥可能造成养分含量超标，既提高了成本，同时未被利用的营养元素以滞留、吸附、随水径流等方式污染土壤、环境和大气，对生态环境造成严重影响。农业农村部制定了到2020年化肥农药施用量零增长的行动方案，因此提高氮肥利用率已成为刻不容缓的问题。及时准确的作物氮素营养诊断，合理施用氮肥，实现均衡施肥，对提高肥料利用率和保护环境有重要意义。

作物对氮肥的需求具有空间和时间差异性。实时获取作物氮含量信息对绘制作物施肥处方图、实现管理精准化具有重要意义[5-8]。目前，缺乏能够准确、迅速、经济地判断作物氮营养状况及确定氮肥需求量的测试方法[1]。长期以来，作物氮营养诊断和氮肥的推荐施肥以实验室常规测试为基础，而传统测试手段在取样、测定、数据分析等方面需耗费大量的人力物力，且时效性差，不利于推广应用[1]。而在快速检测作物氮含量的传感器中，较常见的是叶绿素计SPAD-502，其通过检测透过作物红光(650 nm)和近红外(940 nm)信号计算叶片的SPAD值，但其检测范围小，不适合大面积作物氮含量的测定[5]。

随着物理学、空间技术、遥感等领域的发展，加速了现代仪器、装备在农业中应用，特别是基于光谱技术的无损监测、近地遥感等技术应运而生[9]。光谱分析已成为当前发展的前沿和研究的新热点[10]。光谱分析技术已在食品安全控制、农作物病害检测、农作物营养水平监测以及农畜产品的品质检测等方面取得了应用[11-13]。因其能够进行无损检测，无需样品采集，大大简化了分析工作，也不需要任何生物化学药剂，节约实验室资源，弥补了传统作物养分检测方法的不足，此外，还能提供大量数据建立数据库，利用光谱技术快速准确地对作物进行检测或诊断成为可能[14-15]。这一切都为实时、便捷的大范围作物的精准养分管理提供了重要的理论依据。

1 光谱分析技术的特点及作物氮素诊断理论基础

光谱是由自然界物质吸收、散射和反射来自外界的电磁辐射产生的光根据波长排列形成的。根据叶肉细胞、叶绿素、氮素、水等生化成分含量，不同波段的植物的反射光谱呈现不同的形状和特征(图1)[16-17]。利用作物的光谱特性可以对作物进行光谱诊断。研究发现很多作物叶绿素的强反射峰一般在550 nm附近，反射低谷在670 nm或680 nm处，700～750 nm处的光谱反射曲线很陡，几乎呈直线，光谱反射率曲线的斜率通常受叶绿素含量影响[18-19]。光谱分析的特点：(1)光谱信息丰富，可用于糖、脂肪、蛋白质等许多化学指标的分析[19]；(2)样品分子结构一般不会被光子影响，因此光谱分析技术不会损坏样品，也不会对实验人员造成伤害，环境友好；(3)光谱分析主要基于校正数学模型，不消耗实验试剂，同时分析速度比较快。

图1 绿色植物的光谱响应特征

通过对作物叶片的光反射特性进行检测，可了解作物营养状况。其中叶绿素、含碳化合物、蛋白质、水分等是影响叶片对光吸收反射的主要物质，以叶绿素最为重要[1]。当给作物施用氮肥量发生改变时，则可能会影响作物叶片叶绿素和酶等合成，影响作物叶片颜色和外观，以及作物叶片内部特征和外部形态，从而作物光谱特征发生变化。作物缺氮时光谱的红边位置(红光与近红外波段交界处)的形状和位置会发生变化[20-21]。因此，这些谱段与作物氮素含量密切相关[22]。用于预测氮含量的植被指数主要有光谱比率指数、优化归一化指数、归一化植被指数、差值植被指数、归一化光谱指数、比值光谱指数、冠层叶绿素含量指数、改进型覆盖光谱指数等[5]。

2 光谱分析技术在不同尺度作物氮素诊断研究

以前的研究证明，通过光谱分析可用于估测单叶和冠层尺度上植物氮素状况[23-24]。单叶尺度研究能够正确地获得作物叶片氮素情况，增强作物氮素营养诊断的理论基础；而作物冠层尺度可得到整体氮素情况，对大面积营养诊断的运用具有更大的研究意义。

2.1 单叶尺度的作物氮素光谱诊断研究

作物叶片含氮含量的研究已从实验室研究逐渐向田间试验转变，从最初的实验室离体培养到后期的田间活体叶片。由于单叶光谱受作物冠层、周围环境、土壤背景等干扰因素的影响小，因此在单叶尺度上进行氮素诊断的准确性相对较高[25]。确定作物叶片中各种氮素营养成分的敏感波段是实现作物叶片氮素光谱诊断的关键[26]。研究者对作物干叶和鲜叶的光谱特征进行了大量的研究。

研究人员在20世纪60～70年代就对叶片粉末进行了研究，并提出了一些氮素敏感波段，建立了回归模型，但缺乏广适性[27]。为了克服这些缺点，Kokaly等[25]采用逐步多元线性回归法和波深归一化法，利用干叶和地被叶的连续去除反射光谱来估算氮、木质素和纤维素含量。构建了相对一致且高精度的氮素含量预测方程。Curran等[28]采用逐步回归和标准一阶导数反射光谱等多种方法，对干燥和地面湿地松针氮、叶绿素等12种叶片的生化组分含量进行了预测，证明了Kokaly等方法的稳定性。施润和等[29]采用了近百种来源于NASA ACCP数据集的干叶数据，采用波深归一化方法，对不同碳氮浓度下叶片光谱数据进行了分析，证明了氮浓度对2054 nm和2172 nm光谱特征的影响。Kokaly[30]研究了干燥和磨碎的植物叶片的反射光谱，发现随着氮浓度的增加，2.1 μm的吸收特性变宽。通过对干叶反射光谱中这些吸收特征的观测，提出了干叶反射光谱与氮浓度之间逐步多元线性回归建立高相关性的物理基础。

鲜叶比干叶的研究更多[27]。牛铮等[31]研究了冬小麦、黄杨、竹叶等12种植被的叶片样本的7种化学组分含量与其光谱特性的关系，发现由叶片的光谱特征可以反映出化学组分含量。Tarpley等[32]通过棉花叶片和光谱指数的回归分析发现红边位置(700或716 nm)与近红外区域(755～920 nm和1000 nm)的比值准确度较好。Sims等[33]发现利用光化学指数建模型可较好地预测多种树木单叶色素含量，并不会对植株叶片结构和生长阶段等造成影响。Gitelson等[34]研究了枫树、板栗树、野藤和山毛榉叶片在不同色素含量和组成范围内的光谱反射率。发现在520～550 nm和695～705 nm的(Rλ)-1与各树种叶片中总叶绿素含量密切相关。

综上所述，利用单叶光谱技术检测植物氮素是可行的。外界环境等对单叶尺度光谱检测干扰小，且有植被组分吸收的光谱机理支撑，从而获得较稳定可靠的结果[23]。然而，目前在单叶光谱检测叶片氮素含量研究中，能够入选的波段不一致，往往随植物不同和试验条件的变化而改变，氮素回归方程外推性不强。单叶尺度的研究是把单叶作为一个数据集，而不是从空间角度探索和分析分叶层，这可能忽略了冠层氮素的垂直分布特性，可能会影响作物氮素营养的诊断准确度[27]。因此，如何利用单叶氮素营养反映整个植株的氮素信息是光谱检测的主要难题[35-36]。

2.2 冠层尺度的作物氮素光谱诊断研究

冠层尺度光谱可反映植物生长、生理参数和各种环境因素背景等比较综合的信息。通过解析作物冠层光谱信息和构建植被指数，可有效利用作物的实时信息，因而更具研究意义。然而，作物冠层反射光谱受环境因素如土壤背景、大气吸收、传感器和信噪比、冠层结构等因素影响，会使作物冠层氮素状况的敏感波段、提取特征光谱参数和建立预测模型更复杂。目前，基于作物冠层光谱的氮素检测研究主要集中在冠层叶片或植株水平上[27]。

王纪华等[37]研究发现，冬小麦中下层叶片光谱与氮素含量关系密切。Hansen和Schjoerring用归一化差分植被指数和偏最小二乘回归法测定了小麦冠层的生物量和氮素状况[24]。薛利红等[38]研究发现水稻冠层光谱反射率与叶片氮累积量显著相关，特别是近红外与绿光波段的比值与叶片氮积累量呈显著线性相关。王树文等[39]采用回归模型进行了玉米苗期冠层氮含量的准确估测，精度可达0.8。叶晓青等[40]利用比值植被指数RVI(810,680)实现了烤烟植株各层氮素积累量的准确反演。Leon等[41]研究指出棉花和大豆冠层光谱不仅能反映作物生长状况，并且与田间土壤肥力特征有着密切关系。Inoue等[42]利用400～900 nm波长范围的水稻冠层高光谱图像建立了水稻叶片氮素营养回归模型。王渊等[43]研究了油菜叶片和冠层水平氮素含量的高光谱反射率估算模型等。潘蓓[44]研究了苹果冠层氮素营养与反射特征光谱的关系，并建立了氮素含量预测方程，最佳预测模型的拟合决定系数为0.6201，相比单叶尺度的预测精度要低。

由此可知，对冠层尺度光谱作物叶片氮素情况已取得了一定的结果。但是，由于光谱数据相邻波段间相关性高，所选波段不够稳定，且常随建模样本的变化而不同，这还需大量实测数据验证。另外，由于传感器、背景干扰和环境影响，导致监测模型的准确度和可靠性可能不高，限制模型的外推和应用[23]。同时，由于目前植物氮素营养估测指数、核心波段和模型难以统一，因此，需进一步研究更科学的光谱信息和更通用的氮素营养估测模型，以便于光谱氮素营养估测在生产中的广泛应用[45-56]。

3 光谱分析技术在农作物氮素诊断上的应用

国内外对于植被氮素含量的估测研究主要集中在粮食作物、蔬菜作物等，如水稻[42,47-50]、小麦[51]、玉米[52-53]等。

光谱分析在水稻植株氮素方面研究得较多，如Bajwa等[48]利用偏最小二乘回归模型拟合水稻植株氮素含量的结果表明，比值植被指数RVI(810,560)与水稻氮素积累显著相关[49]。Tian等[50]推算出可较正确估测水稻叶片含氮量的多波段植被指数。Inoue等[54]建立了可预测水稻叶片N素营养的多元回归模型，决定系数R2达到0.72。Lee等[55]指出使用735 nm处的光谱反射率能构建与水稻冠层N含量呈线性关系的光谱指数。Tian等[56]得出比值指数SR(R553,R537)与水稻冠层叶片N含量相关性最好，并指出光谱指数会受到植被范围与叶面积指数比值的影响。

在小麦方面，Vigneau等[51]研究表明，400～1000 nm波段的光谱反射率与小麦叶片含N量密切相关，其中利用671 nm和780 nm 2个波段的光谱反射率组合可较好地估测小麦植株全N含量。Zubillaga等[57]证明，归一化植被指数可对小麦N素吸收量和N营养指数进行很好地预测。Reyniers等[58]建立归一化植被指数与小麦产量关系，其中与氮的相关性最大。Vigneau等[51]通过建立小麦光谱信息与N含量间PLS回归模型，得到了决定系数R2为0.90；对盆栽小麦植株的R2为0.89；大田植株上的R2为0.88。

在玉米方面，Schlemmer等[53]利用红边波段有效地检测了夏玉米N素含量。王磊等[53]研究了不同形式的光谱参量对春玉米N素营养诊断。Schlemmer等[59]分别在叶片与冠层对玉米的N含量进行了预测。基于叶片水平，运用红边叶绿素指数植被指数对氮、叶绿素预测的R2分别为0.74、0.94；基于冠层水平，预测的结果分别为0.9、0.87。陈志强等[60]用差值光谱指数DSI(564、681 nm)和DSI(681、707 nm)预测了玉米大喇叭口期的氮素含量，精度达93.4%。

为了进一步提高植被指数在作物N素营养监测中的稳定性和准确性，前人对归一化、比值植被指数进行了修正。Reyniers等[61]提出一种优化植被指数来优化小麦中氮的预测准确性。Tian等[56]指出简单比值植被指数能减少水稻叶面积指数和植被覆盖的影响。Yao等[62]针对不同土壤背景提出改进型覆盖光谱指数，能有效减少小麦土壤背景因素干扰。

其他经济作物如棉花[32,63]、甘蔗[64]、油菜[43]等也有研究。如研究者发现甜椒叶片N含量与550～675 nm波段范围内叶片的反射系数高度相关。利用红边位置与短波红外波段比值建立的估测模型能够很好地估测棉花叶片氮浓度[32,63]。提出具有甘蔗叶片含氮量预测潜力的随机森林回归算法[64]。王渊等[43]研究了油菜叶片和冠层水平氮素含量的高光谱反射率估算模型等。以上研究主要是光谱分析技术在大田作物上的应用。

4 光谱分析技术在果树氮素诊断上的应用

近年来，随着高光谱技术的快速发展，利用高光谱技术进行果树营养诊断与监测的研究愈加受到重视。研究尺度可分为单叶光谱和冠层光谱。在苹果方面，刑东兴等[65]使用光谱分析估测苹果树营养元素含量，表明基于所选特征波长的估测模型具有良好的线性趋势。潘蓓[44]证明了苹果冠层N素营养与反射特征光谱的定量关系，建立了敏感光谱参数和N素含量预测方程，R2为0.6201，相比单叶尺度的预测精度要低。朱西存等[66-67]通过研究苹果花N素营养与光谱反射率的关系，筛选出6个苹果花N素的敏感波段，并建立了苹果花N素含量的光谱预测模型，平均预测精度达90%以上。通过光谱数据变换，张瑶等[68]建立了基于苹果叶片光谱的N素含量预测模型，R2分别达到0.9036和0.8787。安静等[67]运用BP人工神经网络算法建立了苹果叶片敏感波段与叶片N素含量的反演模型，并进行了检验，为测定苹果叶片N素含量提供了一种可靠方法。

在柑橘方面，李金梦等[69]建立了柑橘植株叶片含N量预测模型，经连续投影算法筛选出的光谱数据与叶片氮含量建立的神经网络模型和基于光谱数据一阶导数特征波长的神经网络模型最优。王巧男等[70]发现基于811和856 nm的双波段植被指数能够建立最佳的柑橘叶片含氮量预测模型(R2=0.6071)。岳学军等[71]建立的柑橘叶片N素模型，其4个生长期的最佳验证集模型决定系数依次为0.90、0.93、0.90和0.88。

从国内外研究趋势和进展来看，运用光谱分析技术对植株叶中营养成分的分析检测是可行的，将光谱技术作为一种现代技术，通过对光谱预处理方法、光谱波段、数据的统计变换合理选择，来提高光谱分析的准确性，实现对果树氮素营养的定量快速检测，为果树科学施肥提供理论依据具有十分重要的意义。

5 展望

基于光谱分析的作物氮素诊断技术，有着广泛的应用前景，是发展数字农业的重要研究前沿[3]。国内外学者开展了不少的研究工作，并取得了一定的研究成果[35]。但光谱分析技术也存在需要解决的问题，一些方面还需进一步研究。

(1)进一步研究光谱分析氮素营养诊断的各种影响因素。虽然使用特定的光谱和光谱组合可较准确地预测叶片氮含量，但作物不同生长条件周围环境，测量过程也受到不确定因素影响，其光谱响应仍存在较大差异。需进一步探究各影响因素对模型效果的影响，这仍是一项艰巨的任务。(2)进一步研究多尺度下作物氮含量光谱检测。由于不同尺度遥感技术均有自身特点，对于不同需求作物氮素诊断应结合该技术特点进行研究分析。(3)进一步针对研究各作物氮素诊断特性和光谱普适性。尽管不同作物基于光谱分析技术氮素诊断在一定程度上存在相似性，但是由于不同作物内部细胞结构、形态、生理需求存在差异，因此各种模型效果在不同作物间不具有可比性，氮素诊断监测模型的普适性进一步研究。随着光谱分析研究逐步深入，未来会获得更多研究成果，逐渐解决光谱分析制约因素，光谱分析技术在作物营养诊断方面有着广泛的研究和应用前景。