小麦冠层氮素含量光谱估算研究进展

郭 燕，井宇航，贺 佳，王来刚，冯 伟，刘海礁

(1.河南省农业科学院农业经济与信息研究所，河南郑州 450002；2.河南农业大学国家小麦工程技术研究中心，河南郑州 450046)

氮素是作物生长发育和产量形成的大量必需元素之一，其营养供应对提高粮食作物产量和改善品质具有重要作用。小麦在我国是仅次于水稻的第二大粮食作物，其产量对保证我国粮食安全举足轻重。施用氮肥能够满足小麦生长发育对氮素营养的需求，是小麦增产的决定因子，但过量施氮不仅会增加成本、浪费资源，而且会引发植株徒长、易倒伏、环境污染等问题。目前，我国小麦过量施肥现象严重，氮肥利用率低于世界同期平均水平20%～30%[1-2]。因此，合理、精准施氮成为目前农业研究的一个热点。在2018年欧盟制定的农业政策中，提出了利用现代化信息手段有效地进行养分管理，在空间和时间上提供正确的施肥量以满足作物的生长要求[3-4]。近几年来，“减肥”特别是“减氮”行动在我国广泛开展，如政府制定了2020年化肥“零增长”计划等[5]。通过遥感等技术手段进行高效、快速作物氮素精准监测诊断，可以准确获取作物生长发育对氮素营养需求的实时信息，从而为农田肥料精准施用、资源合理配置创造条件。遥感技术作为目前唯一能够大范围实现快速获取空间连续地表信息的手段，对于发展高产高效和环境友好型现代农业的重要性已经被普遍认可。已有大量研究证实，小麦冠层的氮素含量与土壤和植株氮素含量存在显著正相关关系，通过小麦冠层光谱信息进行土壤和植株氮素含量的快速估算可为氮肥的精准管理提供信息支撑[6-11]。本文对目前小麦冠层氮素含量光谱估算原理、采用的数据类型和方法进行了总结阐述，并在此基础上分析了目前小麦冠层氮素估算存在的问题，对未来小麦冠层氮素快速估算前景进行了展望。

1 小麦冠层氮素光谱估算原理

作物冠层光谱的形成主要是因为冠层叶片组织器官内不同形态的组分对不同波段电磁波产生了选择性吸收、反射和透射。作物冠层组分的特定结构与作物的生长发育、健康状况、生长条件等密不可分，这种特征特性构成了作物的“指纹效应”，成为利用作物冠层光谱估算作物组分含量或浓度的理论基础。目前作物组合光谱估算主要采用可见光(Vis：380～780 nm)、近红外(NIR： 780～2 500 nm)、中红外(mid-IR：2 500～25 000 nm)波段。小麦冠层氮素含量光谱估算的原理是作物在一定的辐照强度下，其化学组分分子的氮化学键在电磁波的作用下产生振动，形成某些波段的光谱吸收和反射差异，表现出不同的反射率，称为“敏感波段”或者“特征波段”。光波原理及其应用范围可用图1表示。通过分析这些敏感波段的光谱反射率与作物氮含量的关系，可实现作物氮含量估算。

图1 光波原理及其应用范围Fig.1 Principle and application of light waves

2 小麦冠层氮素含量光谱估算数据类型

小麦冠层氮素含量的监测、估算与诊断研究将实验地点从实验室转向了大田，数据类型从主要依靠高光谱逐渐转向多光谱。光谱获取的平台随着遥感技术的发展主要有近地、机载和星载3种。不同类型平台的数据各有优缺点，所达到的氮素估算效果不尽相同，应用的范围也有差异。

2.1 近地光谱数据

近地光谱数据主要有高光谱和多光谱两种，多光谱主要是采用数码相机获取冠层图像，高光谱数据主要通过手持或者背挂式地面高光谱仪、冠层光谱仪等仪器获取，目前使用最广泛的仪器为Field Spec地物光谱仪(光谱范围为350～ 2 500 nm)和Field Spec Hand Held光谱仪(光谱范围为325～1 075 nm)和QualitySpec Trek(光谱范围为350～2 500 nm)等。

冯 伟等[12]利用FieldSpec Pro FR2500型背挂式野外高光谱仪获取小麦冠层光谱，研究了不同叶片氮素含量水平下小麦冠层光谱的变化特征，发现红边区域光谱特征较可见光和近红外光谱能更好地估算冠层叶片氮素的含量。姚 霞等[13]利用与冯 伟等[12]相似的试验获取不同氮肥处理的小麦冠层光谱数据，采用不同算法的红边位置(一阶微分、倒高斯法、多项式拟合法、四点内插法、拉格朗日法、线性外推法)建立了与冠层氮素营养指标的定量关系，基于线性外推法的红边位置建立了小麦冠层氮素含量估算模型，其准确性和稳定性较高。李粉玲等[14]利用SVC HR-1024I型野外光谱仪获取了350～1 000 nm范围的小麦冠层光谱数据，通过波谱响应函数模拟Landsat8(30 m)、SPOT6(6 m)、HJ-1A(30 m)、HJ-1B(30 m)、GF-1(8 m)和ZY-3(6 m)宽波段光谱对全生育期冠层叶片氮素含量进行了估算，基于TCARI(转化叶绿素吸收反射指数)/OSAVI(优化土壤调节植被指数)建立的氮素模型具有优势。这些研究利用近地高光谱数据均为点状数据，通过光谱变换模拟、红边处理等方法对冠层氮素估算达到了理想的效果。而有些研究则利用的是面状数据，即采用高光谱成像仪或者数码相机获取冠层RGB图像对冠层氮素进行估算。如Vigneau等[15]使用拖拉机携带HySpex VNIR 1600-160(Norsk Elektro Optikk,Norway)高光谱相机扫描获得小麦冠层400～1 000 nm的光谱数据，建立定量模型，估算冠层叶片氮素含量，决定系数(R2)达到0.889。相对于采用高光谱仪获取点状数据进行冠层氮素估算，采用成像传感器获取面状数据进行冠层氮素估算的研究较少，这主要是因为近地冠层成像数据获取相对于无人机、卫星获取成像数据在速度、效率、尺度上没有明显优势。

2.2 机载光谱数据

机载光谱数据以无人机系统为遥感信息获取平台，通过搭载轻量型遥感信息获取传感器(载荷通常在5 kg以内)来获取地物反射率数据，光谱分辨率在10-2λ数量级范围内，在对目标空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段的连续光谱覆盖。目前机载传感器主要有数码相机、RedEdge-MX五波段多光谱相机、机载高光谱成像仪(光谱范围为 400～1 000 nm)等。

Liu等[16]利用无人机搭载UHD185高光谱仪(450～950 nm)获取小麦拔节期、抽穗期、开花期和灌浆期高光谱影像，采用相关分析得到的敏感波段建立的多元回归模型和BP神经网络模型，可以对冠层叶片氮素进行较好估算，模型R2最大达到0.948。Li等[17]则与Liu等[16]使用相同高光谱装置获取了小麦不同生育时期的冠层高光谱影像，与N-PROSAIL模型相结合，对小麦冠层氮素含量进行了估算，模型R2和RMSE分别为0.83和0.23。利用无人机搭载高光谱仪对冠层氮素含量取得了较好的估算效果，但是高光谱仪的价格昂贵，环境影响因素多，限制了其应用范围。在国内，董 超等[18]则利用无人机搭载的Sequoia多光谱传感器获取的不同氮肥梯度小麦冠层反射率，通过差异分析建立了氮肥变量施氮模型。刘帅兵等[19]基于无人机搭载的DSC-QX100数码相机获取小麦冠层图像，通过筛选出的相关性高的植被指数构建的氮素估算模型中冠层叶片氮素模型精度最高，模型验证R2为0.85。江 杰等[20]则通过对无人机自带数码相机获取的小麦全生育期数码图像分析，发现可见光大气阻抗指数(VARI)、归一化绿-红差值指数(NGRDI)等与冠层叶片氮素积累量之间的指数关系模型最优，R2为0.52～0.76。杨福芹[21]利用无人机搭载DSC-QX100数码相机获得的小麦冠层数码图像，结合纹理特征构建了“图-谱”指标与氮营养指数进行了相关性分析，为冠层氮素的估测提供了基础。这些研究从无人机载荷平台、光谱信息采集设备、估算方法等方面均进行了探讨，为中小尺度冠层氮素的估算和诊断提供了可靠途径，也为更大尺度进行氮素的快速估算奠定了基础。

2.3 星载光谱数据

通过卫星搭载传感器获取遥感影像，极大地方便了农田信息的获取，使得大尺度空间连续的观测成为可能，尤其是随着高分辨率对地观测系统重大专项的实施和建设，对地观测系统初步具备了全天候、全天时、全球覆盖的高分辨率对地观测能力。我们可以根据农业对象的尺度效应、应用决策的多样性特征有区别地区选择数据。目前国内外适用于作物养分估算的在轨运行卫星主要有中国的GF系列、HJ-1A、HJ-1B等，美国的Landsat-8、WorldView-2、WorldView-3、Planet等以及欧洲的Sentinel-2等。GF系列搭载有多光谱相机，分辨率0.8～16 m，重访周期高达2 d，可以满足作物生育期养分动态监测与估算的需求；HJ-1A、HJ-1B搭载有多光谱相机和高光谱成像仪，光谱分辨率高，与高空间分辨率的光谱数据结合，可以进行大范围养分的估算；Landsat-8、Sentinel等具有红边波段，可以有效地监测作物生长状况，在作物养分和健康状态监测、作物识别和生理生化参数估算等方面具有优势。

国内外学者利用这些卫星搭载的多光谱或者高光谱传感器获取遥感影像对小麦冠层氮素进行了监测、估算、诊断等研究。谭昌伟等[22]以Landsat TM影像为数据源建立及评价了TM影像遥感变量监测冬小麦开花期叶片氮含量的模型。结果表明，在冬小麦开花期，选用作物氮反射指数、近红外波段反射率和归一化植被指数可以很好地对冠层叶片氮素含量进行估算；基于HJ-1A/JB影像提取了返青期与开花期小麦垂直植被指数(RVI)和结构色素植被指数(SIPI)建立了与冠层叶片含氮量的估算模型，模型R2分别为0.58和0.61，均方根误差分别为0.54%和 0.42%[23-24]。Delloye等[25]则利用Seninel-2卫星和SPOT卫星数据采用人工神经网络等算法通过对小麦冠层叶绿素含量进行反演，进而对冠层氮素临界值进行了估算，为快速地决策作物氮肥的需求提供了科学依据。Fabbri等[26]的研究表明，基于RapidEye影像提取的增强型植被指数(EVI)和优化的叶绿素吸收率指数(MCARI)对冠层氮素含量估算R2高达0.968。这些研究表明，对于冠层氮素含量的估算，尽管不同的研究对象所使用的植被指数有差异，所建立的估算模型精度有高有底，但红边区域和近红外波段在指数构建的过程中不可缺失。由于不同生育时期氮素含量及光谱反射率变化均大。小麦不同生育时期卫星遥感数据有着不同的特征波段，给建立稳定的估算模型造成了较大的不确定性。

3 小麦冠层氮素含量光谱估算方法

利用上述数据类型，近20年来，国内外学者围绕小麦冠层氮素遥感监测、估算与诊断等方面开展了研究，取得了较大进展，概括起来小麦冠层氮素含量光谱估算采用的方法主要有两种，一是基于地面实测参数建立其与光谱反射率之间关系的统计模型；二是基于小麦冠层辐射传输过程的物理模型，包括辐射传输模型(radiative transfer model，RTM)和几何光学模型(geometric optical model，GOM)。

3.1 统计模型

统计模型是基于实测参数如叶绿素、冠层覆盖度、叶面积指数(LAI)、光谱反射率或者由遥感影像计算得到的指数参数等为自变量建立与小麦冠层氮素之间的关系，进行氮素含量的估算。基于这些参数对氮素含量进行估算时，采用的线性模型占比较高[27-31]。如Fitzgerald等[27]利用线性回归模型基于连续3年的高光谱反射率数据计算得到的冠层叶绿素指数对小麦冠层氮素的含量进行了估算，R2为0.81。陶志强等[9]采用幂指数关系模型，对小麦叶片氮素含量也达到了较好的预测效果，相关系数为0.67，达到了极显著水平。史培华等[29]研究则表明,采用冠层光谱参数覆盖度对氮素预测时，异速生长函数和指数函数模型均具有较好的预测性，R2分别为0.88和 0.86。近几年，叶绿素荧光数据在氮素营养的监测中应用越来越多。小麦冠层叶绿素荧光信号具有丰富的生物信息，且受外界环境影响能及时响应，对氮素营养具有良好的指示作用[11,32]。如Jia等[11]基于叶绿素荧光光谱利用线性回归模型对小麦叶片氮素含量进行了估测，其中761 nm波段对冠层氮素的估测效果最好，R2为0.48。但是冠层覆盖度与遥感监测中常用的归一化植被指数(NDVI)等指标效果类似，存在饱和现象。这些简单的线性模型对于小麦冠层干叶或粉末的氮素组分估算效果好，但是冠层易受结构、氮素组分分布、测量环境等因素影响，模型的稳定性差。近年来越来越多的学者采用复杂数学模型如偏最小二乘回归(PLSR)、支持向量机(SVM)、BP神经网络、遗传算法(GA)等进行冠层氮素含量的建模估算[33-38]。Li等[33]采用偏最小二乘回归模型建立了小麦冠层的高光谱估测模型，9组数据所得结果的R2为0.79～0.90。杨宝华等[35]采用相关分析法筛选出30个小麦氮素敏感波段，利用RBF和BP神经网络回归模型对冠层氮素含量进行了估算。Wang等[36]则利用MK-SVR算法建立了不同生长阶段小麦冠层氮素含量与HJ-CCD卫星光谱直接的估测模型，并与多元线性回归、偏最小二乘回归、人工神经网络和single-kernel SV(SK-SVR)进行了对比，结果表明，此方法可以很好地对氮素含量进行估算。这种复杂的模型通过对数据的大量变换，最后建立的估算模型监测精度高，但是由于模型的适用范围和复杂程度不同，需要结合具体的条件对不同地区的作物模型进行验证、评价、改正，完成模型的本地化后方可使用。

3.2 物理模型

物理模型以观测数据的生成机理、与地表参数的关系为基础，与统计模型相比较为复杂。一般情况，辐射传输模型(RTM)适用于均匀分布植被(连续植被表面)，如草地、幼林、生长茂盛的作物等；几何光学模型(GOM)适用于离散分布植被(不连续植被表面)，如果园、稀疏林地等。鉴于小麦冠层的特征特性，下面针对辐射传输模型在小麦冠层氮素估算研究进展进行阐述。

典型的冠层辐射传输模型有PROSPECT、SAIL等[39-41]。PROSPECT模型适用于扁平叶植被，正向运算可得到叶片反射率和透射率，反向运算可估算叶片生化组分和结构参数。Wang等[42]采用PROSPECT模型利用高光谱数据提取的植被等效水厚度估算含氮量，R2为0.58。Li等[43]以N-PROSPECT模型和SAIL模型为基础，构建了N-PROSAIL模型对不同生长阶段小麦冠层氮含量进行了估算，R2为0.36～0.74之间。Berger等[44]创新性利用混合的PROSAIL-PRO模型，并将机器学习过程应用到冠层、茎秆、果实等地上部分氮素估算的研究中，所得冠层氮素估算模型的精度最高。这些物理模型的普适性相对较好，但是目前可检索到的文献较少，相对于统计模型物理模型的参数多，需要大量的试验数据支撑，在某些方面统计模型的精度比物理模型更高而且方便快捷，这也可能是目前对冠层氮素估算采用物理模型较多的原因。

4 存在问题及展望

小麦冠层氮素含量是评价小麦生长状况的指示性指标，冠层氮素含量与土壤、植株氮素含量密切相关，可根据冠层氮素含量的亏缺或者富余进行氮素施用调控。遥感技术的快速发展为氮素的精确监测和管理提供了一种的新的途径。经过20余年的发展，在小麦冠层氮素估算参数的选择、指数构建、模型建立等方面已经积累了丰富的经验知识，推动了氮素监测的现代化和信息化发展。目前，国内外在利用光谱信息监测小麦冠层氮素含量方面已有不少研究，数据源从近地获取的光谱数据到无人机获取的光谱数据，再到卫星获取的光谱数据，应用的范围和宽度也越来越大。估算方法上也由最初的线性模型到现在的支持向量机、随机森林算法、神经网络等较复杂的机器学习算法。尤其是近几年随着遥感技术的快速发展，光谱数据获取方式也越来越丰富，极大促进了氮素含量估算方面的研究，但还存在一些亟待解决的问题:

(1)多源数据的协同运用。近地获取的高光谱数据，精度高，在田块尺度上可以取得满意的效果，但是难以进行大面积的应用。机载传感器获取的数据，时效性高、分辨率高，并且可以根据天气情况及时调整方案，一定程度上弥补了近地数据难以进行较大尺度应用的短板。星载光谱数据可以获取丰富的多光谱数据和高光谱数据，实现对作物信息大尺度的监测，但是星载遥感易受空间辐射和天气等因素的影响，增加影像处理的难度，影响估算精度。总体来看，不同的数据获取方式各有优势，近地数据具有“点”上高精监测的优势，而机载和星载遥感具有“面”上广监测特点，如何将多种类型数据进行尺度转换和数据融合，通过“点-线-面”优势互补，实现实时、动态和大范围小麦冠层氮素乃至其他营养元素的监测、估算和诊断，为适时、精确管理提供空间决策支持信息，是当前养分信息快速监测与诊断的重点和难点。

(2)估算模型的普适性。目前已有的氮素含量光谱估算模型，多为基于统计模型估算作物叶片或者冠层氮素含量，模型相对简单，但是普适性差，时空扩展稳定性不强，难以大范围应用。当采用不同的统计方法进行氮素含量与波段相关分析时，可能会造成敏感波段的误选。因此在此基础上得到的估算模型往往不稳定，常常受作物类型、监测时期、管理措施和地域环境的影响，需要进行调整甚至重新建模，这不便于模型的推广普及，也不利于作物氮素水平的快速监测。物理模型在一定程度上可以弥补统计模型的不足，因此可以从作物中的氮与光照的作用机理入手，或者在估算方法上结合物理模型的机理性优势。如何结合两者的优点，构建具有高普适性的作物氮素含量遥感光谱响应机理模型，需要进一步的研究。

(3)多角度立体监测。当前小麦冠层氮素含量的估算主要针对冠层整体的养分，但是养分胁迫初期首先表现在冠层中下部，冠层顶部并不明显，导致早期的养分胁迫诊断困难。而且光谱探测多以瞬时的观测数据为主，连续监测的时效性不足，缺乏作物模型与多时相数据融合的监测估算方法。因此，开展多学科交叉技术创新，实现营养元素从“表层”向冠层垂直分布“三维立体”拓展和冠层养分从“光谱瞬时”向“时相连续”的四维拓展，具有重大现实意义和应用前景，对提高肥料利用效率，减少环境污染，确保粮食安全具有重要意义。

总之，小麦冠层氮素光谱估算将会在光谱搭载平台与模型机理上得到进一步的发展；在应用上，随着氮素估算方法的日臻成熟，氮素数据将会在作物生长监测诊断、小麦产量估算、粮食安全方面得到更为广泛与深入的应用。