基于多光谱遥感的冬小麦拔节期氮营养评价
2022-08-19任瑞利刘庆洋刘吉凯赵建荣
祝 艳, 任瑞利, 李 军, 刘庆洋, 刘吉凯, 赵建荣*
(1.安徽科技学院 资源与环境学院,安徽 凤阳 233100; 2.安徽省农业废弃物肥料化利用与耕地质量提升工程研究中心,安徽 凤阳 233100)
拔节期是冬小麦需肥旺盛期,也是获得高产的关键时期[1],对拔节期冬小麦氮营养精准诊断,对田间氮肥管理具有重要意义。根据资料显示,中国粮食主产区1 333个田间试验中氮肥利用率达30%~35%[2],农民田间氮肥利用效率提升空间较大,而合理使用氮肥是提高冬小麦产量的有效途径。
农业生产精准管理技术日趋成熟[3],国内外学者从十九世纪后期就开始研究氮素营养诊断技术,先后发展了传统实验室化验、肥料窗口法、叶色卡片法、光谱反射法、高光谱遥感[5]、卫星遥感法等[4-6]方法。传统的氮素营养诊断方法是以分析测试为基础在实验室对植株进行化学分析得到准确的植株生物量和植株氮浓度,但其存在时效性差、取样量大的缺点,难以应用于大面积的农作物监测[7]。随着无人机在农业方面的应用越来越广泛,利用无人机近地面遥感技术可以实现植被信息无损、高效、全面的获取。氮素营养的差异会直接影响冬小麦的叶绿素含量,从而导致冬小麦叶片光谱特性发生变化。因此,可以通过无人机获取的多光谱遥感影像反映冬小麦的氮素营养状况[8]。
在冬小麦的生长中,当外界环境的氮素营养供应不足或过量时,小麦植株会做出生理和外观的一些反应,因此有很多农学参数都可以直观体现出植株的氮素营养状况。由于植株的氮素浓度会随着植株生物量的变化从而产生变化[9],氮营养指数被认为是一个很好的氮素营养状况指标[10-11]。因此,本研究在华北平原冬小麦拔节期利用eBee SQ多光谱无人机获取光谱遥感影像数据,通过对无人机典型植被指数与冬小麦拔节期植株氮浓度、植株吸氮量以及地上部生物量的相关关系分析,建立氮营养诊断模型,实现氮营养的可视化分级评价,以期为冬小麦氮肥高效管理奠定基础。
1 材料与方法
1.1 研究数据获取
试验地点位于河北省邯郸市曲周县(115°20′11″E,36°51′53″N),属于华北平原地区。于冬小麦拔节期(2017年4月2日)开展农学与无人机数据获取。在冬小麦的拔节时期对整个王庄村进行随机取样,共获得80个地面样本,采样点大小为半径20 cm。
获取包括冬小麦的地上部植株以及圆心的GPS坐标数据。冬小麦生物量与氮浓度测定方法:采用破坏性采样获取冬小麦植株,茎叶分离后置于烘箱内105 ℃杀青30 min,75 ℃烘干后称量,计算采样点的平均生物量;采用凯氏定氮法求平均氮浓度。
试验采用的遥感平台为eBee SQ固定翼无人机,搭载Parrot Sequoia传感器,包含4个多光谱传感器(红、绿、红边、近红外)、1个RGB传感器、1个用于辐射校正的光照传感器。采用eMtion Ag平台操控无人机,设置无人机飞行参数(图像重叠度70%、飞行高度100 m、飞行速度10 m/s、地面采样点像素0.12 m)。本次研究采集红、绿、红边、近红外4个波段影像共1 345组,共5 380张。考虑到实际应用中的便捷性及植被指数对氮营养的敏感性,利用无人机获取的数据计算5种植被指数,估算小麦氮营养参数(表1)。
表1 采用的植被指数
1.2 氮营养指数分析
随着小麦的生长,植株叶片的相互遮挡和氮含量比较低的组织结构(如茎、叶鞘、麦穗等)的生长导致植株氮浓度随着地上部生物量的积累而降低[17]。植株氮浓度和生物量两者的互相关系可以用临界氮浓度稀释曲线描述。根据Yue等[18]构建的中国华北平原的小麦(部分品种)临界氮浓度稀释曲线,在临界植株氮浓度的基础上提出的氮营养指数(Nitrogen Nutrition Index,NNI)是指示植株相对氮营养状况的重要指标,当NNI值小于1时,植株氮营养不足;当NNI值等于1时,植株的氮营养正常;当NNI值大于1时,植株的氮营养过量。
本研究采用的河北地区冬小麦临界氮浓度稀释曲线公式如下:
Nc=4.15W-0.38
(1)
式(1)中Nc表示临界氮浓度,单位为:g/kg;W表示地上部生物量,单位为:g/hm2。
NNI计算公式如下:
NNI=Na/Nc
(2)
式(2)中Na表示植株实际氮浓度;Nc表示植株临界氮浓度。
将采样点的坐标数据加载到ArcMap10.2软件中,并对坐标数据进行缓冲分析得到矢量数据,提取多光谱影像中的植被指数信息,对植被指数与植株生物量以及植株实际氮浓度之间的相关关系进行建模分析,比较决定系数(R2)最终评价回归模型的适宜性。R2的大小决定了相关关系的密切程度,其计算公式为:
(3)
植株氮浓度虽然与植被指数不具有良好的相关性,但是可以通过植株吸氮量来体现植株氮浓度与植被指数之间的相关性。植株吸氮量的公式如下:
Nua=Na*W
(4)
式(4)中Nua表示植株吸氮量,Na表示植株实际氮浓度,W表示植株地上部生物量。
通过植株吸氮量计算出植株氮浓度,为NNI估测模型建立奠定基础。
2 结果与分析
2.1 植被指数与地上部生物量、植株吸氮量之间的关系
通过冬小麦拔节期70个采样点的NDVI、RVI、NNIR、MSR、GNDVI等5种植被指数与地上部生物量、植株吸氮量建立模型关系,得出最佳监测模型,结果如表2所示。NNIR与地上部生物量的幂回归方程拟合度最高,决定系数最高(R2=0.578)。故最终选择NNIR计算出植株的地上部生物量,计算公式为:
y=66.1x5.890
(5)
式(5)中x为植被指数NNIR的值,y为植株地上部生物量,单位为:t/hm2。
表2 植株地上部生物量与植被指数的关系模型分析
通过同样的方法可以获得植株吸氮量与植被指数的回归方程,结果如表3所示。植株吸氮量与RVI的相关性最高(R2=0.644),最终选择RVI对植株吸氮量进行计算,计算公式如下:
y=-0.169x2+11.9x-11.7
(6)
式(6)中x表示植被指数RVI的值,y表示植株吸氮量,单位为:kg/hm2。
2.2 冬小麦拔节期植株氮浓度监测
由表4可知,利用NDVI、RVI、NNIR、MSR、GNDVI等5种植被指数建立的植株氮浓度监测模型均基于二次多项式建立的回归方程最优,且决定系数最大的分别为0.292、0.295、0.226、0.308、0.266。这可能是植株氮浓度由植株吸氮量和生物量换算而来,冬小麦拔节期地上部生物量和植株氮含量均较小,实际氮浓度小于临界氮浓度,使得植被指数与植株氮浓度构建的模型拟合度不高,说明通过植被指数直接得到植株氮浓度来实现NNI监测并不适合。
表3 植株吸氮量与植被指数之间的关系模型分析
表4 植株氮浓度与植被指数的关系模型分析
2.3 冬小麦拔节期NNI估测模型建立
通过式(2)、(4)可以发现,氮营养指数值需通过植株氮浓度值才能获得,而植株氮浓度不能直接利用无人机植被指数数据获得,但通过植株吸氮量、生物量与植被指数之间的拟合模型可间接计算出植株氮浓度。通过式(1)、(2)、(4)、(6),即可建立NNI估测模型,具体如下:
(7)
式(7)中x表示植被指数RVI的值,W表示地上部生物量。
在80个采样点中随机抽取10个采样点,计算其NNI值,再通过式(7)估算NNI值,从而来进行模型精度,结果如图1所示。结果表明冬小麦拔节期NNI估测模型R2为0.66,RMSE为0.26,RE为13.2%,实测值与预测值散点空间分布趋势斜率为0.73。模型精度基本满足氮营养评价需求,可为大面积氮营养监测与评价提供技术支撑。
图1 氮营养指数预测值与实测值相关性
2.4 冬小麦拔节期氮营养评价
NNI是指示植株相对氮营养状况的重要指标,当NNI的值小于1时,植株氮营养不足;当NNI的值等于1时,植株的氮营养正常;当NNI的值大于1时,植株的氮营养过量,结果如图2所示。
图2 NNI分级示意图
以试验区整个无人机影像覆盖区为对象,利用NNI估测模型对覆盖区进行遥感空间填图,得到冬小麦氮营养监测反演专题图;再结合NNI分级依据,对研究区的氮营养分为氮营养过低、氮营养较低、氮营养适中、氮营养较高和氮营养过高五个等级进行评价,得到氮营养诊断空间分布专题图,结果如图3所示。从冬小麦NNI空间分布看,整个研究区施肥不均匀,相邻地块部分差异较大,这可能是研究区均为散户种植,栽培管理策略不统一,基本按照个人经验进行定性管理造成的。本研究表明,利用多光谱无人机能以较高的空间分辨率快速、精准为区域性冬小麦营养监测和诊断提供定量指导。
图3 冬小麦拔节期氮营养指数空间填图
3 结论与讨论
本研究通过无人机搭载多光谱相机对冬小麦进行氮素营养诊断,对植被指数与植株地上部生物量、植株吸氮量及植株氮浓度进行相关性分析,得到了指标最佳的估测模型。植株氮浓度与植被指数确实不具有良好的相关性,但是可以通过植株吸氮量能很好地体现植株氮浓度与植被指数之间的相关性[19]。因此,根据估测的植株吸氮量和生物量间接得到植株氮浓度,为氮营养指数计算奠定基础。
NNI是指示植株相对氮营养状况的重要指标,通过计算植株实际氮浓度与临界氮浓度比值,得到氮营养指数估测模型[20]。模型精度基本满足氮营养评价需求,可为大面积氮营养监测与评价提供技术支撑。
利用NNI估测模型对覆盖区进行遥感空间填图,得到冬小麦氮营养监测反演图。结合NNI分级依据,对研究区的氮营养进行五级评价,利用多光谱无人机能以较高的空间分辨率快速、精准为区域性冬小麦营养监测和诊断提供定量指导。
本研究采用多光谱无人机获得的植被指数来量化氮营养评价,通过植被指数与农学参数的回归分析,建立NNI估测模型的方法,这与Cilia等[21]研究结果相似。受限于本次试验内容,未对临界氮浓度模型建立及不同品种等进行相关研究,有待详细分析,以期提高氮营养评价的精度。