应用图像数字化技术进行甘薯氮素营养诊断

呼瑶 张磊 邱鹏飞 商丽丽 贾礼聪 王翠娟 韩俊杰 王勃 辛国胜

摘要：为了研究利用数码图像参数预测甘薯氮素营养指标的可行性，明确氮素营养状况评价的最佳色彩参数和方程模型，以烟薯25号为试材，于2020—2021年分别设置盆栽试验（氮肥水平为0、45、90、135、180 kg/hm2）、大田试验（氮肥水平为0、50、100、150、300 kg/hm2），利用数码相机获取甘薯冠层图像参数，同时测定地上部氮素营养指标，分析不同生育时期甘薯冠层数码图像参数与氮素营养指标的相关性，并构建甘薯氮素营养指标诊断模型。甘薯各生育期冠层图像参数与地上部生物量、叶片氮浓度、叶绿素a含量、叶绿素b含量相关性差异较大，以绿光标准化值NGI与上述氮素营养指标的相关性最好；薯蔓并长期NGI与氮肥用量、地上部生物量、叶片氮浓度、叶绿素a含量的直线方程模型分别为y＝17.82x-6.95、y＝6 999.70x-2 697.90、y＝613.67x-188.78、y＝75.38x-26.96；2021年试验验证模型验证结果表明，叶片氮浓度、叶绿素含量的预测值与实测值之间R2分别达到0.835、0.810，均方根误差分别为2.496、0.261，数值表现稳定，验证结果精度较好。生育期内冠层数码图像参数NGI与氮素营养指标间均显著相关，可应用于图像数字化技术预测甘薯氮素营养状况，薯蔓并长期诊断模型以直线方程模型最佳。因此，收获期之前，图像数字化技术可应用于甘薯氮素营养诊断研究，最佳预测图像参数为绿光标准化值NGI，参数最佳方程为直线函数。

关键词：甘薯；图像数字化；氮素营养诊断；方程模型；色彩参数

中图分类号：S531.01 文献标志码：A

文章编号：1002-1302（2023）08-0092-06

基金项目：国家甘薯产业技术体系项目（编号：CARS-10）；山东省现代农业产业技术体系薯类创新团队项目（编号：SDAIT-16-02）；烟台市科技创新发展计划项目（编号：2021NYNC013）。

作者简介：呼 瑶（1995—），女，内蒙古巴彦淖尔人，硕士，主要从事甘薯遗传育种及栽培生理研究，E-mail：2220366016@qq.com；共同第一作者：张 磊（1989—），男，内蒙古通辽人，硕士，农艺师，主要从事甘薯遗传育种及栽培研究，E-mail：kerqzl@126.com。

通信作者：辛国胜，硕士，研究员，主要从事甘薯遗传育种、栽培研究，E-mail：guoshengx@sina.com；王 勃，博士，讲师，主要从事植物分子生物学研究，E-mail：wangbo@ytu.edu.cn。

甘薯生长发育对氮素要求较为严格，氮缺乏导致甘薯茎叶生长缓慢、光合效能降低、干物质积累较少，进而造成减产。生产中甘薯氮过量现象频发，严重时造成茎叶旺长，干物质向地下部块（根）分配减少，影响薯块膨大和品质提升［1］。此外，过量用氮还会引发土壤酸化［2］和地下水污染等环境问题［3-5］。及时、准确掌握甘薯的氮素营养状况，合理施用氮肥，对提高甘薯氮素利用率、节约能源和保护环境具有重要意义。传统的氮素营养监测需要实地采集植株样品、进实验室测定分析和数据处理，不仅对作物生长具有破坏性，还要求具备一定的实验室环境和检测基础，存在用工量大、耗时长、成本高等问题，不利于全面推广［6-7］。图像数字化技术通过获取植株图像色彩参数而监测作物氮素营养状况，兼具信息采集及时、数据处理简便和预测结果可靠等优点，近年来广泛应用于玉米［8］、小麦［9］、水稻［10］、油菜［11］、棉花［12］等作物的氮素营养诊断。研究认为，蓝光标准化值NBI（12叶期）、红光标准化值NRI（灌浆期）与玉米植株氮营养指标呈较好的相关性，并与产量呈直线回归关系［13］；绿光標准化值（NGI）可有效指示小麦氮素营养丰缺［14］；水稻冠层色彩参数NRI满足氮素营养无损诊断的需求［10］。可见，应用图像数字化技术诊断作物氮素营养状况是可行的，但诊断选取的图像色彩参数存在差异。目前，通过图像数字化技术进行甘薯氮素营养诊断的研究相对较少。本研究通过分析甘薯冠层图像颜色指标与甘薯氮素营养指标的相关性，探讨应用图像数字化技术进行甘薯氮素无损诊断的可行性，以明确能够评估甘薯常规氮素营养诊断的冠层图像适宜时期、颜色指标和诊断模型并验证模型的准确度。

1 材料与方法

1.1 试验材料

试验于2020年4月至2021年11月在山东省烟台市农业科学研究院试验地进行。供试土壤为壤土，前茬作物为玉米，供试土壤基本理化性状为pH值6.5，全氮含量0.83 g/kg，有效磷含量 95.9 mg/kg，速效钾含量97.0 mg/kg，有机质含量12.5 g/kg。甘薯于2020年5月15日移栽，10月23日统一收获。

供试甘薯品种为山东省烟台市农业科学研究院自主选育的烟薯25号。

1.2 试验设计

2020年盆栽试验设置5个施氮水平，分别为N0（0 kg/hm2）、N45（45 kg/hm2）、N90（90 kg/hm2）、N135（135 kg/hm2）、N180（180 kg/hm2）。选取长势一致的甘薯幼苗定植于可容纳12 kg土壤的塑料花盆（直径×高=35 cm×55 cm），每盆秧栽1株薯苗，每个处理重复3次，所有盆栽同时施用P2O5 75 kg/hm2、K2O 150 kg/hm2，生长期间定期适度补水，其他同常规管理。

2021年大田试验设置5个施氮水平，分别为N0（0 kg/hm2）、N45（45 kg/hm2）、N90（90 kg/hm2）、N135（135 kg/hm2）、N180（180 kg/hm2）。小区面积18.4 m2（4.6 m×4.0 m），5行区，行距0.8 m，株距0.2 m。每个处理重复3次，随机区组排列。各处理同时施用P2O5 75 kg/hm2、K2O 150 kg/hm2。

1.3 数字图像数据获取与处理

选择甘薯生长发育的重要生长时期，分别为茎叶封垄期（移栽后35 d）、薯蔓并长期（移栽后 70 d）、块根膨大期（移栽后105 d）、收获期（移栽后146 d）。在晴天12：00—13：00，采用数码相机（Nikon EOS 550D，1 800万像素，像素尺寸为5 184×3 456）拍摄甘薯冠层图像，拍摄时数码相机与地面高1.30 m，与地面成角60°，在每个小区拍摄3张照片，同时将相机调至白平衡来控制色彩平衡；数码相机拍摄的图像为RGB颜色图像，以JPEG格式保存到计算机，利用Adobe Photoshop CC2019 软件直方图程序获取RGB颜色模型的色彩信息。测算图像颜色包括归一化颜色指标、比颜色指标、归一化差分颜色指标等共计17个颜色指标，其中归一化颜色指标包括红（R）、绿（G）、蓝光（B）及红光标准化值NRI即R/（R+G+B）、绿光标准化值NGI即G/（R+G+B）、蓝光标准化值NBI即B/（R+G+B）、G/R、G/B、B/R；比颜色指标包括R/（G+B）、G/（R+B）、（R-B）/G、（G-B）/R；归一化差分颜色指标包括（G-R）/（R+G+B）、（G-B）/（R+G+B）、（1.4R-G）/（R+G+B）、（2G-R-B）/（R+G+B）。

1.4 测定项目与方法

选取上述时期长势相近的甘薯植株4株，按叶片和茎不同部位取样品在105 ℃杀青30 min后，于 60 ℃ 下烘至恒质量，称量折算地上部生物量；将烘干后的植株和叶片分别粉碎后过60目筛，用自封袋密封低温保存，用于测定叶片全氮含量［15］；采用95%的乙醇浸提法，用分光光度计测定叶绿素浓度［16］。

1.5 数据处理与分析

数据处理与分析采用Adobe Photoshop CC2019软件，采用SPSS 22.0软件进行LSD法检验α=0.05水平上的差异显著性，数据统计及制图采用Microsoft Excel 2007进行。

2 结果与分析

2.1 施氮对甘薯氮素营养指标及块根产量的影响

氮肥显著提高了甘薯地上部生物量、块根产量、叶片氮含量以及叶绿素a、叶绿素b含量（表1）。与低氮处理相比，高氮处理的叶绿素a、叶绿素b含量显著增加，在N135处理下达到最大值（收获期叶绿素b含量除外）；叶片氮含量在薯蔓并长期、收获期呈先增后降趋势；随着施氮量增加，甘薯地上部生物量逐渐增加，各处理地上部生物量增长幅度在茎叶封垄期至薯蔓并长期（移栽后35～70 d）变化最大，期间增长0.7～1.6倍。全生育期内甘薯块根产量以施氮量90～135 kg/hm2 较大，继续增加施氮量，块根产量出现下降趋势，地上部生物量则持续增加。结果表明，适量或少施氮肥可增加干物質积累，过量施氮会导致地上部茎叶生长过旺，不利于块根产量积累。

2.2 甘薯冠层颜色指标与植株氮素营养指标的相关分析

由表2可知，茎叶封垄期冠层色彩参数R、NGI与地上部生物量、叶片氮含量、叶绿素a含量均呈显著或极显著正相关，NBI、（G-R）/（R+G+B）、（1.4R-G）/（R+G+B）与叶绿素a含量呈显著负相关。薯蔓并长期R、NRI、NGI与各氮素营养指标间呈显著正相关，NBI、（1.4R-G）/（R+G+B）与叶片氮含量、叶绿素a含量呈显著或极显著负相关。块根膨大期NGI与各氮素营养指标间均呈显著或极显著正相关，R、NRI、G/B、G/（R+B）、（R-B）/G、（G-B）/R、（G-R）/（R+G+B）、（G-B）/（R+G+B）与甘薯地上部生物量呈显著或极显著正相关。收获期NGI与各氮素营养指标间均呈显著或极显著正相关，G、G/R、G/B、R/（G+B）与叶片氮含量和叶绿素a含量呈显著或极显著正相关，NRI、（1.4R-G）/（R+G+B）与叶片氮含量、叶绿素a含量呈显著负相关。甘薯生育期内冠层NGI与地上部生物量、叶片氮含量、叶绿素a含量均表现显著相关性，相关系数r值范围是0.513～0.935，其中薯蔓并长期NGI的相关性最为敏感，相关系数分别为0.781、0.825、0.935（表2）。

2.3 甘薯氮素营养诊断方程模型筛选与构建

为进一步利用冠层数码图像参数精准掌握甘薯氮素营养状况，本试验通过线性和非线性回归分析，在薯蔓并长期以氮素营养指标为因变量（y），图像色彩参数 NGI为自变量（x），分别采用直线方程、对数方程、二次方程、幂方程、指数方程构建了5种不同方程类型的诊断模型（表3）。结果表明，针对不同函数进行回归分析，甘薯冠层图像参数NGI与氮素营养指标的相关关系整体表现较好，除与氮肥用量之间的幂方程和指数方程模型未表现显著相关性外，与其他各营养指标的相关性均达到极显著相关水平。鉴于线性函数和非线性函数模型的拟合精准度及表达效果接近，线性函数方程更简单易用，故本研究选取直线方程模型作为甘薯氮素营养诊断的最佳模型。基于绿光标准化值NGI与氮肥用量、地上部生物量、叶片氮浓度、叶绿素a含量建立的回归方程表达式分别为y=17.82x-6.95、y=6 999.70x-2 697.90、y=613.67x-188.78、y=75.38x-26.96（图1）。

2.4 甘薯氮素营养诊断方程模型的验证

本试验基于2021年试验数据对上述直线方程模型的实用性和准确性进行检验（n=15），将薯蔓并长期甘薯冠层绿光标准化值NGI分别代入相应的直线方程模型，对比叶片氮浓度、叶绿素a浓度的预测值与实测值差异，并利用1 ∶1等值图来显示模型的拟合度（图2），通过决定系数（r2）和均方根误差（RMSE）指标综合分析模型的准确性和稳定性。结果表明，基于NGI与叶片氮浓度、叶绿素浓度相关关系建立的直线函数模型，其预测值、实际值之间的决定系数分别为0.835、0.810，达到极显著水平，均方根误差分别为2.496、0.261，说明本试验建立的直线函数估算模型可以用于诊断甘薯植株氮营养状况，且预测结果较好，具有较高的可靠性。

3 讨论

适量的氮肥运筹有利于维持甘薯生长后期源库平衡［17］，氮肥后移和减量分施是提高甘薯产量和氮肥利用效率的主要途径［18-19］。植株颜色的变化可有效表征作物氮素营养的丰缺状况［20］，NRI可作为蕾薹期（包括）之前冬油菜氮素营养诊断的最佳参考指标［11，21］，夏玉米的最佳参考指标为蓝光标准化值NBI［22］。因此，在恰当时期选取合适的冠层数码诊断参数，对准确预测甘薯氮素营养状况及推荐氮肥用量具有重要意义。本研究发现，冠层图像NGI与地上部生物量、叶片氮含量、叶绿素a含量均呈显著相关关系，贯穿整个生育时期，其最高相关系数达0.935。综合来看，NGI为全生育期甘薯氮素营养诊断的最佳指标，这与张玲等利用无人机对夏玉米氮素营养监测确定的最佳色彩参数以及适宜时期［23］一致。这表明，一方面甘薯冠层色彩参数NGI与其他色彩参数相比稳定性更好，对土壤供肥能力的反应更敏感，利用绿光标准化值NGI进行作物氮营养诊断具备可行性；另一方面不同的施氮水平、作物冠层高度、光温条件、生育时期等对作物生长发育有显著影响，叶片营养成分也会相应改变，诊断作物营养状况的色彩参数也存在变化［20，24］。

冬小麦拔节期冠层图像的NGI与施氮量之间存在二次曲线关系［14，25］，指数方程可以实现对水稻冠层绿光值（G）与地上部生物量、氮素累积量的良好拟合［26］。为能精准应用图像数字化技术定量分析甘薯氮营养状况，对基于NGI与氮素营养指标构建的回归方程验证分析表明，利用直线方程y=613.67x-188.78、y=75.38x-26.96预测的甘薯叶片氮浓度和叶绿素a含量值与实际测量值之间的决定系数均在0.81及以上，均方根误差最小值为0.261，直线方程模型可靠性和精准度较好，这与李岚涛等选择线性方程模型的试验结果［10，27］一致。

4 结论

甘薯冠层数码图像参数NGI与氮肥施用量、地上部生物量、叶片氮含量、叶绿素a含量均达到显著或极显著水平，可用来诊断甘薯氮素营养丰缺，适宜使用的时期为收获期之前。在薯蔓并长期，甘薯氮素营养诊断的最佳模型为直线方程模型，基于绿光标准化值NGI与氮肥用量、地上部鲜质量、叶片氮浓度、叶绿素a含量建立的回归方程表达式分别为y=17.82x-6.95、y=6999.70x-2697.90、y=613.67x-188.78、y=75.38x-26.96，其中叶片氮含量及叶绿素a含量预测值、实际测量值之间的决定系数分别为0.835、0.810，均方根误差分别为2.496、0.261，预测精度较好，建立的直线方程估算模型可用于诊断甘薯植株氮营养状况。

参考文献：

［1］Hammett L K，Miller C H，Swallow W H，et al. Influence of N source，N rate，and K rate on the yield and mineral concentration of sweet potato［J］. Journal of the American Society for Horticultural Science，1984，109（3）：294-298.

［2］王 靜，王 磊，刘耀斌，等. 长期施氮肥对黄棕壤微生物生物性状的影响及其调控因素［J］. 中国生态农业学报（中英文），2021，29（5）：833-843.

［3］黄景贵，粟春青，王凌晖，等. 氮磷钾指数配方施肥对假苹婆幼苗生长和光合特性的影响［J］. 西南农业学报，2021，34（12）：2691-2699.

［4］刘 魁，杨亚丽，杨继周，等. 化肥减量配施有机肥对田烟根际土壤细菌群落多样性的影响［J］. 西南农业学报，2021，34（10）：2191-2196.

［5］王海泽，刘志萍，巴 图，等. 不同施氮水平下大麦可溶性糖与淀粉积累的关系［J］. 西南农业学报，2022，35（2）：319-328.

［6］张 珏，田海清，李 哲，等. 基于数码相机图像的甜菜冠层氮素营养监测［J］. 农业工程学报，2018，34（1）：157-163.

［7］马云强，李宇宸，刘梦盈，等. 基于无人机多光谱影像的云南切梢小蠹危害监测反演研究［J］. 西南农业学报，2021，34（9）：1878-1884.

［8］张立周，王殿武，张玉铭，等. 数字图像技术在夏玉米氮素营养诊断中的应用［J］. 中国生态农业学报，2010，18（6）：1340-1344.

［9］夏莎莎，张 聪，李佳珍，等. 基于手机相机获取冬小麦冠层数字图像的氮素诊断与推荐施肥研究［J］. 中国生态农业学报，2018，26（4）：538-546.

［10］李岚涛，张 萌，任 涛，等. 应用数字图像技术进行水稻氮素营养诊断［J］. 植物营养与肥料学报，2015，21（1）：259-268.

［11］魏全全，李岚涛，任 涛，等. 基于数字图像技术的冬油菜氮素营养诊断［J］. 中国农业科学，2015，48（19）：3877-3886.

［12］王 娟，雷咏雯，张永帅，等. 应用数字图像分析技术进行棉花氮素营养诊断的研究［J］. 中国生态农业学报，2008，16（1）：145-149.

［13］白金顺，曹卫东，熊 静，等. 应用数码相机进行绿肥翻压后春玉米氮素营养诊断和产量预测［J］. 光谱学与光谱分析，2013，33（12）：3334-3338.

［14］张立周，侯晓宇，张玉铭，等. 数字图像诊断技术在冬小麦氮素营养诊断中的应用［J］. 中国生态农业学报，2011，19（5）：1168-1174.

［15］鲍士旦. 土壤农化分析［M］. 3版.北京：中国农业出版社，2000.

［16］刘绚霞，董振生，刘创社，等. 油菜叶绿素提取方法的研究［J］. 中国农学通报，2004，20（4）：62-63.

［17］宁运旺，马洪波，张 辉，等. 甘薯源库关系建立、发展和平衡对氮肥用量的响应［J］. 作物学报，2015，41（3）：432-439.[HJ2mm]

［18］安建刚，敬 夫，丁 祎，等. 氮肥分期运筹对套作甘薯产量、品质及氮素效率的影响［J］. 作物学报，2018，44（12）：1858-1866.

［19］杜祥备，王家宝，刘小平，等. 减氮运筹对甘薯光合作用和叶绿素荧光特性的影响［J］. 应用生态学报，2019，30（4）：1253-1260.

［20］李亚兵，毛树春，韩迎春，等. 不同棉花群体冠层数字图像颜色变化特征研究［J］. 棉花学报，2012，24（6）：541-547.

［21］高开秀，高雯晗，明 金，等. 无人机载多光谱遥感监测冬油菜氮素营养研究［J］. 中国油料作物学报，2019，41（2）：232-242.

［22］贺 正. 基于手机照片的滴灌玉米光响应特征与穗形态监测［D］. 银川：宁夏大学，2019：30-31.

［23］张 玲，陈新平，贾良良. 基于无人机可见光遥感的夏玉米氮素营养动态诊断参数研究［J］. 植物营养与肥料学报，2018，24（1）：261-269.

［24］付虹雨，崔丹丹，崔国贤，等. 作物图像获取、处理技术及其应用研究进展［J］. 中国麻业科学，2019，41（5）：229-239.

［25］王玉娜，李粉玲，王伟东，等. 基于无人机高光谱的冬小麦氮素营养监测［J］. 农业工程学报，2020，36（22）：31-39.

［26］Lee K J，Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis［J］. European Journal of Agronomy，2013，48：57-65.

［27］孫志伟，张启明，苑举民，等. 基于可见光谱参数的烤烟叶片叶绿素含量估算模型［J］. 中国烟草科学，2020，41（1）：44-49.