基于光谱特征值反演马铃薯叶片氮累积量

2021-07-01韩康于静李瑞樊明寿

灌溉排水学报 2021年6期

韩康，于静，李瑞，樊明寿*

（1.内蒙古农业大学，呼和浩特 010019；2.鄂尔多斯市土壤肥料和节水农业工作站，内蒙古鄂尔多斯 017010）

0 引言

【研究意义】植株冠层高光谱反射信息可以估算作物的生长状态[1-4]，其中基于光谱特征值建立氮素营养诊断调控技术进行精准施用氮肥[5]，可以提高作物氮肥利用效率，减少环境污染。【研究进展】以红边（700～750 nm）光谱参数为例，该指标估算作物的生物量[6]、叶面积指数[7-8]、叶片氮累积量[8-9]、产量[10]精确度较高。然而，氮素营养监测的敏感光谱特征值因作物种类而不同。张霞等[11]、冯伟等[12]研究发现红边面积SDr估算小麦氮素量可行。而在棉花氮营养管理中红边位置λr则认为是理想指标[9]。【切入点】马铃薯冠层结构与其他作物不同，其他作物冠层的敏感光谱特征值能否直接用于诊断马铃薯植株的氮素营养？已有研究结果多集中在红边内的光谱参数与作物氮素营养指标的关系，其他光谱特征值与马铃薯氮素营养状况是否密切相关？【拟解决的关键问题】为探明上述问题，本研究于2016―2018年，在内蒙古不同地区，以克新1 号与夏波蒂为试验材料，设置不同氮素梯度试验，通过分析包括红边参数在内的17 种光谱特征值与叶片氮累积量（LNA）的相关关系，筛选出不同生长阶段的敏感光谱特征值，构建马铃薯氮素营养诊断模型并评价，为马铃薯精确氮肥管理提供技术支撑。

1 材料与方法

1.1 研究区概况

试验地点为内蒙古察右中旗和杭锦旗。察右中旗平均海拔1780 m，年平均降水量、气温分别为270 mm、1.3℃左右，属温带大陆性季风气候，无霜期为100d 左右，土壤类型多为栗钙土，0～20 cm 土层全氮量1.4g/kg、有机质量18.8g/kg，pH 值8.0。杭锦旗平均海拔1400 m，年平均降水量、气温分别约为340 mm、6.2 ℃，属温带大陆性半干旱气候，无霜期约100d，土壤类型属于风沙土，0～20 cm 土层全氮量0.4g/kg、有机质量7.4g/kg，pH 值为8.9。

1.2 试验设计

试验于2016—2018年开展，为随机区组试验，共设置5 个氮肥梯度试验，每个处理设3 次重复，小区宽为9 m，长为20 m，马铃薯种植密度为37500 株/hm2。试验处理记为N0—N4，各处理氮肥（以N 计）施用总量分别为0、150、300、450、600kg/hm2，氮肥为尿素（含N 46%），施用方案见表1。

表1 氮肥施用方案Table 1 Nitrogen application plan

其他田间管理按滴灌马铃薯常规操作进行，磷肥为过磷酸钙（含P2O516.5%）、钾肥为硫酸钾（含K2O 50%）作为基肥，分别按180、300kg/hm2一次性施入。在出苗后20 d（苗期）、35 d（块茎形成期）、50 d（块茎膨大期）、65 d（淀粉积累期），进行样品采集和冠层光谱测定。播种及收获日期、供试品种、出苗与数据采集日期见表2。

表2 田间试验概况Table 2 General information for the experiments

1.3 测定指标及方法

1.3.1 冠层光谱反射率的测定

分别在出苗后20、35、50、65 d，于10:00—14:00，使用手持式地物波谱仪（SVC HR-1024i,Spectra Vista Corporation,USA）进行测量。测量前均用反射率为1 的标准白板进行校正，所得冠层光谱为无量纲的相对反射率。测量时，垂直于马铃薯冠层上方约1 m 的高度采集冠层光谱反射率。传感器视场角为25°，波长范围为350～2500 nm，光谱分辨率、采样间隔见表3。

表3 光谱分辨率与采样间隔Table 3 Spectral resolution and sampling interval

采集冠层光谱反射率后，通过仪器自带软件，将采样间隔均划分为1 nm。在每个试验小区内，随机选择3 个观测点，每个观测点为直径45 cm 的圆形区域。每个观测点采集10 次，将平均值作为小区的光谱样本。

1.3.2 马铃薯叶片氮累积量的测定

在每个试验小区与采集冠层光谱信息范围内，随机选取3 株长势均匀一致的马铃薯植株，将叶片分离，在105 ℃下杀青30 min，80 ℃下烘干至恒定质量，称质量后折算成单位面积的叶片干物质量。粉碎后，采用H2SO4-H2O2法消化，使用K60 全自动凯氏定氮仪测定叶片氮素浓度。叶片氮浓度（LNC,Leaf nitrogen concentration）与叶片干物质量（LWD,Leaf dry weight）的乘积为叶片氮累积量（LNA,Leaf nitrogen accumulation），计算式为：

1.4 数据处理与分析

1.4.1 光谱特征值的计算

参照已有的光谱特征值计算方法，选物理意义明确、认可度较高并且与本研究相关的17 个光谱特征值进行比较分析，计算方法见表4。

表4 光谱特征值定义Table 4 Definition of spectral eigenvalue

1.4.2 数据分析

敏感光谱特征值的筛选：在分析光谱特征值与LNA相关性基础上，规定相关系数（r）的绝对值为0.67～1 为强相关关系[13]，选择与LNA相关系数绝对值最大的光谱特征值为敏感光谱特征值。

监测模型的建立：为提高模型的拟合性能，本文选择相同地点、品种的数据（Exp.1、Exp.4、Exp.5）为建模集。以敏感光谱参数为自变量，LNA为因变量，采用线性与非线性回归分析的方法，构建监测模型。根据计算，候选模型确立为线性、二次、指数3 种模型。以决定系数（R2）大小筛选不同生长阶段的马铃薯叶片氮累积量监测模型，R2越大则说明监测模型的拟合准确度越高。规定最大R2的监测模型为最佳监测模型[14]，可以用作估算作物LNA。

监测模型的检验：以不同地点、品种的独立试验数据（Exp.2、Exp.3）作为验证集，旨在检验模型在不同地点、品种间的适用性。用均方根误差（RMSE,root mean square error）来检验监测模型的准确度[15]。RMSE越小，监测模型的准确性越高。

建模集与验证集的样本数量见表5。LNA的平均值、标准误等描述性统计分析、光谱特征值与各LNA的相关与回归分析用SPSS25 进行。采用Excel 制图。

表5 建模集与验证集的样本数量Table 5 The number of samples in modeling set and validation set

2 结果与分析

2.1 不同施氮水平对叶片氮累积量的影响

不同施氮水平对叶片氮累积量的影响结果如图1所示。各施氮处理间马铃薯LNA差异显著，其中N3、N4 处理LNA显著高于其他处理，表现为在一定施氮范围内，马铃薯LNA随着施氮量的增加而增加，之后不再随施氮量而增加。出苗后20～50d，不同处理马铃薯LNA随生育进程持续增大，出苗后65d 后，LNA开始下降。整体来看，不同年份、地点、品种间的LNA随不同施氮水平变化规律相同。不同施氮水平对LNA影响显著，在年份、地点、品种与生育阶段间变化规律相同。

图1 不同施氮量水平马铃薯叶片氮累素积量Fig.1 Nitrogen accumulation of potato leaves under different nitrogen levels

2.2 叶片氮累积量与光谱特征值的相关关系

表6 为17 种光谱特征值与LNA的相关性结果。从表6 可以得出，在出苗后20d，LNA与RI(SDr，SDb)、ρr、RI(SDr，SDy)，在出苗后35d，LNA与RI(SDr，SDb)、RI(SDr，SDy)、NDI(SDr，SDb)、NDI(SDr，SDy)，在出苗后50d，LNA与RI(SDr，SDb)、RI(SDr，SDy)，在出苗后65d，LNA与RI(SDr，SDb)、RI(SDr，SDy)为强相关关系，以上各出苗后天数LNA均与RI(SDr，SDb)相关系数绝对值最大，相关系数分别为0.757**、0.862**、0.779**、0.733**。全生育期LNA与RI(SDr，SDb)、RI(SDr，SDy)为强相关关系，与RI(SDr，SDb)关系最密切（r=0.794**）。从表6 可以看出，不同生长阶段敏感光谱特征值为RI(SDr，SDb)。

表6 光谱特征值与LNA 的相关系数Table 6 Correlationcoefficient of spectral eigenvalue and leaf nitrogen accumulation

2.3 马铃薯光谱特征值与LNA 的模型构建

以敏感光谱特征值RI(SDr，SDb)为自变量，LNA为因变量，利用线性和非线性回归分析，构建不同的监测模型，结果如表7所示。在出苗后20、35、50、65d，RI(SDr，SDb)与LNA拟合的二次模型R2最大，分别为0.911**、0.762**、0.656**、0.633**，关系式见表7。全生育时期基于RI(SDr，SDb)构建的最佳叶片氮累积量监测模型为指数方程，R2为0.736**。

表7 马铃薯光谱特征值与LNA 的回归模型Table 7 Regression models of potato spectral eigenvalue and leaf nitrogen accumulation

2.4 叶片氮累积量监测模型的检验

为了检验上述最佳监测模型的可靠性与普适性，利用不同品种、地点和不同施氮水平下的独立试验数据（Exp.2 及Exp.3）对所建立监测模型进行检验，结果如表8所示。由表8 可以得出，Exp.2 观察值与估测值之间的RMSE范围为8.844～18.976kg/hm2，Exp.3观察值与估测值之间的RMSE范围为4.348～9.918kg/hm2。在马铃薯生育前期观察值与估测值之间的RMSE低于生育后期，全生育期的RMSE低于出苗后50d，同65d 相当。Exp.3 观察值与估测值之间的RMSE明显低于Exp.2。

表8 马铃薯叶片氮累积量监测模型的检验Table 8 Examination of monitoring model for nitrogenaccumulation in potato leaves

3 讨论

为使氮肥管理尽可能地匹配作物需求，基于光谱特征值的氮素营养诊断模型被广泛研究[16-18]，然而关于红边波段范围内的光谱特征值研究较多[6-12]，其他光谱特征值的研究鲜有报道。本文通过分析17 种光谱特征值与马铃薯LNA的相关关系，发现几种常见的红边参数，如红边面积（SDr）、红边幅值（Dr）、红边位置（λr），与马铃薯LNA的相关关系并没有达到强相关水平，而红蓝边面积比值[RI(SDr，SDb)]与红黄边面积比值[RI(SDr，SDy)]与马铃薯LNA的相关关系在不同生长阶段均达到了强相关水平（表6），因此通过其他光谱特征值进行马铃薯氮素营养监测是可行的。

前人研究发现SDr与Dr均可以反演绿色作物的氮素营养状况，并建立了监测模型[9,11-12]，然而不同作物所选择的敏感光谱特征值有所不同。本文通过比较相关系数，发现不同生育阶段马铃薯LNA均与RI(SDr，SDb)相关关系最密切（表6），为反演马铃薯LNA的敏感光谱特征值，并以敏感光谱特征值RI(SDr，SDb)为自变量，LNA为因变量，通过线性与非线性回归分析发现，在出苗后20、35、50、65d，RI(SDr，SDb)与LNA拟合的叶片氮累积量最佳监测模型均为二次项模型，而全生育期基于RI(SDr，SDb)诊断叶片氮累积量最佳监测模型为指数模型（表7），以上各生长阶段叶片氮累积量监测模型为诊断马铃薯氮素营养提供了理论基础。

薛利红与周冬琴等[19-21]以RMSE检验水稻叶片氮累积量监测模型发现，不同地点与品种间RMSE虽略有差异，但不影响监测模型的预估能力。本文通过独立试验数据进行检验模型精确度，发现LNA观察值与估测值之间的RMSE范围为 4.348～18.976 kg/hm2，Exp.2 观察值与估测值之间的RMSE明显高于Exp.3，表明监测模型在不同生长环境下具有较好的普适性，在不同品种间的适用性较差（表8）。

本文发现马铃薯生育前期与全生育期监测模型的准确度高于出苗后50d（表8），秦永林等人研究发现，在马铃薯生长后期，叶片生长停止，为使叶片及叶柄中的光合同化物高效地转移到块茎，在生产中通常不再施用氮肥[22]。因此，综合分析监测模型的R2、RMSE与马铃薯实际生产中的氮肥需求，可以确定马铃薯关键生育时期氮素营养诊断模型为出苗后20、35d 以及全生育期的最佳叶片氮累积量监测模型。本文工作已探明LNA与光谱特征值的定量关系，然而监测模型在不同品种间的应用性与基于氮素营养诊断模型的氮肥推荐模式还需要进一步研究。