基于GNDVI指数的土壤—水稻冠层变量施氮决策方案研究*

李志博，李亚芹，赵浣旻，王俊发，葛宜元，邱新伟

(佳木斯大学，黑龙江佳木斯，154007)

0 引言

水稻的氮元素含量是影响其生长发育与产量的重要因素之一。水稻茎秆和叶片氮素含量占比1%～4%，稻穗占比1%～2%。研究发现每千克氮元素可使水稻增产75～250 kg[1]。而当氮素含量达到一定水平后产量反而会呈现下降趋势。氮素是检测土壤养分的有效指标，农田土壤中往往存在一定量的氮素，但无法满足水稻增产要求[2-4]。氮素在土壤中的含量不稳定，易受土壤水热条件和生物活动的影响，因此在水稻生长中施加适量的氮肥可促进水稻增产增收[5-6]。

李克亮[7]利用遥感技术与农作物种植结合的形式优选出NDVI指数，并通过建立相应的比值关系构建了氮素诊断模型与施氮决策模型；焦亚鹏[8]对氮肥磷肥进行实验设计，分析了环境因子对氮、磷等养分的影响；芦俊俊[9]利用冠层传感器RapidSCAN与多光谱相机构建了水稻生育期的氮素营养诊断并对不同地区建立相应的管理策略；赵刘[10]提出了一种总氮高光谱数据分析系统，对土壤中总氮光谱特征波长的提取及光谱检测最优模型提出了解决方法；孙楠[11]通过整合分析总氮、氮素与氮肥利用率对不同施肥的响应特征，预测了我国北方地区不同施氮水平下的总氮及氮平衡特征；张雨[12]以遥感技术与地面测量值相结合来探寻水稻冠层的光谱特性并构建了水稻冠层生理参数的反演模型。

现有利用遥感信息与田间水稻长势结合推演水稻氮素含量的研究，也有构建施氮决策的研究，但相关研究未将土壤中氮素含量与水稻植株氮素含量相结合，施氮模型决策方案仍然需要进一步探索。文章通过检测土壤中氮素含量并构造变量施氮模型对水稻冠层含氮量的诊断提出变量施氮决策方案，可有效提高氮肥利用率，提高作物产量同时避免水稻出现贪青、倒伏现象，该模型法所建立的施氮决策方案可为氮肥的精准变量投放提供理论依据。

1 材料与方法

目标地块位于黑龙江省佳木斯市桦川县江川农场十五作业站，目标地块面积为300 m×350 m，该地区处于中温带大陆性季风气候，≥10 ℃的积温为2 881.2 ℃，初霜期10月1日，无霜期155 d，2020年3月至2020年10月降雨量为730 mm。

1.1 土壤测定法与信息采集

利用大疆MINI搭载多光谱传感器Micasense RedEdge3采集田间水稻冠层的多光谱图像。多光谱影像使用软件Pix4Dmapper进行拼接。利用软件ENDVI5.3及SPSS对试验数据进行提取和处理。

1.2 氮素含量模型构建

作为确定光谱图像中水稻氮素含量的方法，植被指数可表征水稻植被特征，且干扰因素影响少[14]。据张雨等的研究水稻叶片氮含量与SPAD之间的相关性可达99.9%且水稻植株的颜色特性稳定，鲁棒性强，可作为冠层信息的表现形式[15-17]。利用无人机搭载光谱相机采集水稻冠层光谱图像信息。

1.2.1 SPAD值及产量测定

利用SPAD-502仪器对目标地块随机且均匀选取水稻植株样本进行叶片SPAD值测定，每个网格单元随机取一株水稻不同叶片位置分别测量4次，取平均值。计算出植被指数，将其与SPAD值进行相关性分析，求得SPAD值与植被指数的回归方程及决定系数，用R2表示，SPAD测量在航测同日进行。在目标地块每年水稻收获前进行产量测定，采集成穗数、穗粒数、千粒重，根据采样结果平均值计算水稻单产，记录水稻总产量。

1.2.2 模型构建

利用多光谱影像分析求得光谱指数，可得到目标地块的植被指数，将DVI、RVI、NDVI、GNDVI、SAVI、OSAVI等指数与SPAD值进行回归分析[18-19]，通过决定系数判断分析结果，从而选择合理的植被指数来表征SPAD值。具体如表1所示。

表1 植被指数及公式Tab. 1 Vegetation index and formula

将目标地块的光谱植被指数代入公式可计算出氮素含量与推荐量的差值，利用Pycharm软件求得氮肥施用量的推荐值。

1.2.3 模型精确度检验

为验证所构建模型的精确性及可靠性，按照常用的模型评价法对回归模型的精度进行评价，在SPSS25中将水稻冠层的数码颜色特征参量与水稻叶片对应的SPAD值进行相关性分析，计算得到线性回归方程和回归方程的决定系数R2，即

(1)

式中：yi——真实数据；

fi——估算数据。

R2值越高则代表水稻SPAD模型精度越高。

2 试验过程及结果分析

为便于对目标地块所收集的多种数据进行分析处理，试验拟将目标地块划分为如图1所示5×6共计30个网格单元。

图1 单元地块划分Fig. 1 Unit plot division

选择该地块进行试验是因为2016—2020年对该地块进行了施氮量统计与产量测定。在水稻生长期内除底肥外，其余施加氮肥方式为植保无人机混合肥料或农药以液体形式施加，后续将推荐施氮量与PWM信号进行耦合利用植保无人机进行变量施氮。

试验时为避免误差按照划分网格并依据施氮决策方案进行氮肥投放，利用植保无人机进行信息采集与施肥不受到地块形状的限制，通过对氮肥推荐施氮量与PWM的耦合方式不断优化可以更加有效地验证实验结果。

2.1 土壤氮素测量

ΔA=A210-A275

(2)

A210——波长210 nm处吸光值；

A275——波长275 nm处吸光值。

土壤氮素的含量由式(3)求得。

(3)

式中：Q——土壤氮素含量，mg/kg;

ρ——测定液中氮素含量，μg/mL；

V——浸提剂体积，mL；

D——浸提剂稀释倍数；

m——烘干后土壤样品的质量，g。

目标地块自2016—2020年土壤氮素含量如图2所示，由于多年粗放式投放氮肥导致目标地块各网格单元中氮素含量具有差异性，氮素含量在159～162 mg/kg。

检测发现2020年目标地块的氮素含量均值为160.563 mg/kg，最接近适宜水稻生长的土壤条件。选取图3所示2020年各网格单元氮素含量与图4所示2021年测得土壤氮素含量对比，分析发现利用所构建的变量施氮决策方案后土壤中氮素含量较2020年下降约3.3195%，因而该决策方案可为调控土壤氮素含量提供理论依据。

图3 2020年土壤氮素含量Fig. 3 Soil nitrogen content in 2020

图4 2021年土壤氮素含量Fig. 4 Soil nitrogen content in 2021

2.2 SPAD与光谱指数相关性判析

为探求SPAD值与光谱指数的相关性，首先采集目标地块各网格单元内水稻叶片的SPAD值，再将其与处理后的水稻冠层光谱指数信息进行相关性评判。

2.2.1 SPAD值测量

利用SPAD-502仪器对目标地块各网格单元分别进行采样，取平均值得到如图5所示SPAD含量关系图。目标各地块之间SPAD值略有不同，其中地块3、4与地块11中测量结果最高，其SPAD为45；地块29测量值最低，SPAD为34。目标地块SPAD均值为39.833，符合水稻生长标准。由于各地块土壤中氮素含量及水稻长势存在差异，故各地块测得的SPAD值会存在微小误差。SPAD的值反映出不同地块水稻对氮肥的吸收效果，可作为测量水稻冠层氮素含量的衡量指标。

图5 SPAD测量值Fig. 5 SPAD measurements

2.2.2 植被指数选择

图像信息采集时间为2021年7月20日，晴，无风。提取处理采集的田间水稻冠层的多光谱图像，并将其与测得的叶片SPAD值进行相关性校验，求得SPAD值与植被指数的回归方程及决定系数如表2所示。

表2 SPAD与光谱指数的回归方程Tab. 2 Regression equation between SPAD and spectral index

由表2分析发现目标地块水稻冠层光谱指数信息与水稻叶片的SPAD值的精确度较高，且不同叶片部位的SPAD值与光谱指数相关性略显差异。其中绿色归一化植被指数GNDVI决定系数为0.903 3，与SPAD的相关性最强；比值植被指数RVI的决定系数为0.756 4，相关性最弱。由此可知水稻长势信息与其叶片的光谱指数具有一定的相关性，光谱指数能较好地体现水稻长势，能为构造水稻氮素模型提供依据，因此可将冠层中的GNDVI信息作为水稻植株氮素含量评价指标，采用GNDVI构造SPAD反演模型。

2.3 SPAD模型构建及精度评价

通过表1的植被指数计算公式结合实测数据得到表2，在表2中通过决定系数R2判断GNDVI指数与SPAD相关性最强，构建多个GNDVI指数模型，筛选出GNDVI指数的最优表达模型。

表3 SPAD构建多种模型Tab. 3 Various models built by SPAD

由表3可知GNDVI与SPAD值相关性显著，其中二次方程为y=-139.98x2+237.6x-39.539，R2为0.840最优。表明通过水稻冠层光谱数据提取的GNDVI可以较好地表征水稻氮素含量，较其他光谱指数更为合适。试验结果分析发现不同氮素下的光谱参数与水稻养分氮素含量在线性关系上为显著，为评估水稻冠层提供可靠依据，故将植被指数GNDVI用于水稻氮素含量测定，将其作为氮素含量评价模型。

2.4 氮肥推荐施用量

未采用推荐施肥决策方案前各地块氮素含量如图6所示，其中单元地块12、14、15与单元地块18、19氮素含量相对较高，地块1、3、4、5与单元地块21、23氮素含量较少。若采用常规粗放式施用氮肥不仅会使得作物营养不均衡，还会对农田周围造成污染。

图6 未施加氮肥前氮素含量Fig. 6 Nitrogen content before applying nitrogen fertilizer

根据测量的水稻冠层中氮素含量将目标地块各网格单元所需氮素划分为五个等级。网格单元所需施氮量在0～9 kg为等级一，网格单元需施氮量在10～18 kg为等级二，网格单元所需施氮量在19～27 kg为等级三，网格单元所需施氮量在28～36 kg为等级四，网格单元所需施氮量在37～45 kg为等级五。

利用PyCharm软件得到了如图7所示的氮肥施用推荐量，在目标地块根据推荐值施用氮肥。分析发现靠近目标地块东北侧的3、4、5网格单元所需施氮量较多，西南地侧16、17、21、22、23以及26、27、28等网格单元需要大面积施加少量氮肥，而10、18、19以及24网格单元则不需要施加氮肥。利用变量施氮模型式y=-139.98x2+237.6x-39.539可准确获取水稻植株中氮素的含量，得出如图7所示氮肥推荐施用量，为氮肥投放提供合理的理论指导。

图7 氮肥施用量推荐图Fig. 7 Recommended application amount

2.5 产量分析

如表4所示，2016年至2020年间目标地块平均产量分别为9.27 t/hm2、9.32 t/hm2、9.21 t/hm2、9.23 t/hm2、9.05 t/hm2，在2021年依据变量施氮决策方案后目标地块平均产量为9.73 t/hm2，目标地块水稻总产量为97.7 t，该地块前五年水稻总产量平均值提升5.54 t，较2020年增长约7.2 t，经济效益提高约18 720元，同比增长8.39%。

表4 水稻产量测定Tab. 4 Determination of rice yield

3 结论

利用无人机采集了田间水稻冠层图像信息，使用地面实测仪器对水稻叶片SPAD进行了测量，通过对土壤养分及水稻氮素含量的测定并结合光谱信息，建立了水稻氮素含量测量模型，从而构建了氮肥施用量与植被指数GNDVI关系模型，确定了水稻变量施氮最优决策方案，在目标地块采用该决策方案，精准变量施氮同时提高了经济效益和社会效益。

1) 利用紫外分光光度计法对目标地块各网格单元的土壤样本中氮素含量进行了测量，结合2016—2020年目标地块水稻产量，构建了产量与施氮量模型，为搭建适宜水稻秧苗生长的农田环境提供了参考，为使用遥感技术监测水稻养分含量提供了一种有效降低误差的方法。

2) 通过使用多光谱相机采集目标地块水稻冠层光谱信息，运用SPAD—502对目标地块各网格单元样本叶片SPAD进行测定，优选出最佳植被指数GNDVI反演叶片SPAD，构造了SPAD模型及氮素含量模型，从而构造施氮模型并利用PyCharm得到氮肥推荐施用量，为氮肥的精准变量投放提供了一种决策方案。

3) 依据变量施氮决策方案施加氮肥后目标地块总增产7.2 t，经济效益提高了8.39%，为调控土壤中氮素含量、减小因使用遥感技术检测水稻冠层信息出现的误差提供了参考依据。