基于遥感数据构建冬小麦孕穗期变量施氮模型

摘"要：【目的】""研究根据冬小麦关键生育期生长需求解析氮丰缺识别和精准定量施氮模型，实现量化施氮，为冬小麦智慧施肥种植的关键技术提供参考。

【方法】""利用ASD HH2高光谱仪获取不同施氮量的冬小麦冠层反射率，记录叶绿素浓度和产量等信息。通过冬小麦冠层反射率提取14种植被指数，选择最优表征植株氮状况的植被指数，分析施氮量、植被指数和冬小麦的产量之间的关系，构建基于植被指数变量施氮模型。

【结果】""叶绿素浓度可以准确反映冬小麦的生长状况和施氮效果，不同的施氮量下冬小麦的冠层反射率数据差异显著；归一化植被指数NDVI的相关性好，相关系数达到0.705，较好反映了冬小麦冠层氮素效应的情况；构建了基于NDVI的冬小麦孕穗期变量施氮模型，即Nr=700.59×NDVI2-1693.46×NDVI+955.92。

【结论】""利用ASD HH2获取高光谱数据构建冬小麦施氮模型与方法。

关键词：""遥感；植被指数；施氮模型

中图分类号："S512""""文献标志码："A""""文章编号："1001-4330（2024）11-2705-08

0"引 言

【研究意义】氮素对农作物的生长和产量有重要作用［1］。若氮素供应不足，将引发减产［2］。因此，精准施氮策略是现代农业研究的重点。传统施肥方法无法满足大面积、长时间周期作物的精确营养需求［3］。基于遥感数据的氮素丰缺估测方法可快速、无损地指导作物合理施用氮肥，实现作物养分的精准管理［4］。开展基于遥感的作物关键生育期氮素丰缺识别和定量解析对于现代化农业的智慧施肥种植具有重要意义。【前人研究进展】边立丽等［5］以烤烟为研究对象，设置6个不同氮素水平的田间试验，定期采集烤烟生长的多光谱影像，测定植株氮素含量，分析不同植被指数与传统氮素指标之间的相关性、最佳植被指数与施氮量的响应。李志博等［6］使用无人机装载的光谱相机收集冠层光谱信息，并选取了与SPAD值相关性最强的绿色归一化植被指数GNDVI，构建一个水稻冠层氮素含量的模型，推出了水稻施氮决策方案的变量。赖宁等［7］利用RapidScanCS-45主动式光谱仪收集了冠层NDVI和NDRE数据，并研究其与滴灌冬小麦在各个成长阶段施用氮肥的影响，建立了新疆滴灌冬小麦生长阶段的施氮模型。董超等［8］通过无人机的Sequoia多光谱传感器，获取不同施氮水平下的试验区返青期冬小麦的多光谱图像，收集冬小麦的叶绿素含量和产量数据。选取最优的地面氮素状况植被指数模型，计算出冬小麦在施氮水平上的差异，并根据不同施氮水平与敏感植被指数及冬小麦的产量关系，建立了基于植被指数指标的氮肥变量施肥模型。【本研究切入点】遥感技术在现代农业生产中的应用越来越广泛，其中构建氮肥推荐模型已成为当前研究的热点之一［9］。目前，通过地面遥感数据判断冬小麦孕穗期氮素丰缺，再利用卫星遥感数据反演估测施氮量进行填图应用的相关研究较少。需研究冬小麦关键生育期生长需求解析氮丰缺识别和精准定量施氮模型。【拟解决的关键问题】利用ASD HH2获取高光谱数据，筛选出表征植株氮素含量的最优植被指数，拟合构建冬小麦孕穗期变量施氮模型。

1"材料与方法

1.1"材 料

1.1.1"研究区概况

试验点位于新疆昌吉回族自治州奇台县新疆农业科学院奇台麦类试验站（89°44′48″E，43°59′6″N），海拔高度831 m，年均降雨量约为269.4 mm，属温带大陆性半荒漠半干旱气候，主要种植农作物包括小麦、玉米等。

冬小麦品种为新冬22号，播种量为300 kg/hm2。分别于2020年9月22日、2021年9月25日和2022年9月27日播种，对应的收获日期是2021年的7月10日，2022年的7月15日和2023年的7月10日。

1.1.2"光谱数据

以ASD FieldSpec HandHeld 2便携式高光谱仪作为数据获取设备，其波长在325～1 075 nm，视场角度25°，采样间距为1.4及3 nm的分辨率；测定时间为13：00～14：00，选择晴朗微风或无风的天气对冬小麦冠层测定光谱反射率；测量时，把光纤垂直向下，距冬小麦冠层0.3 m，在每次开始试验小区的测定前，采用标准白板校准，每个试验小区选择长势均一且具有能代表性的3个点测量，每个点测量10条光谱曲线［10］。数据采集后，将数据导入到ASD自带的预处理软件ViewSpecPro软件进行预处理，选择每个试验点的10个光谱样本平均值作为该点测量结果。对光谱均值经行重采样到1 nm，提取出450 nm的蓝光波段、550 nm的绿光波段、670 nm的红光波段、730 nm的红边波段和780 nm的近红外波段的光谱反射率数值，计算植被指数。

1.2"方 法

1.2.1"试验设计

2021年和2023年试验设置6个氮浓度梯度，2022年试验设置5个氮浓度梯度，3次重复，小区随机排列；氮肥为尿素，磷肥为重过磷酸钙（P2O5）和钾肥为颗粒硫酸钾（K2O）。30%的氮肥和全部的磷钾肥作为基肥撒施，剩余的70%氮肥在滴灌冬小麦返青期、拔节期、孕穗期、扬花期和灌浆期随水滴施，其中返青期20%，拔节期20%、孕穗期20%，灌浆期10%。全生育灌溉定额为4 050 m3/hm2。管理措施和大田作业保持一致。表1"

1.2.2"测定指标

1.2.2.1"小麦冠层SPAD值与产量

选择SPAD作为指标，在ASD HH2对冠层反射率测量时，使用SPAD-502叶绿素仪在测区随机选择20株小麦测量其旗叶下部、中部和上部的SPAD值，并计算其平均值。在冬小麦成熟期各试验小区取具有代表性3个1 m2样方测产，调查割方产量、地上部生物量、总茎数、有效穗数、千粒重等，产量按照籽粒标准含水量12.5%折算出。

1.2.2.2"吉林一号高分02A卫星遥感影像获取及处理"

获取试验区2023年5月27日吉林一号高分02A卫星遥感影像，能够达到研究的标准要求。“吉林一号”高分02A，是一颗商业用途的卫星，于2019年11月13日发射，运行轨道高度535 km，可获取高分辨率全色影像和多光谱影像，全色波段（450～800 nm），空间分别率为0.75 m，多光谱波段包括了蓝光（450～510 nm）、绿光（510～580 nm）、红光（630～690 nm）以及近红外（770～895 nm），空间分辨率能够到达3 m。

根据每个光谱波段的校准参数和公式，原始影像得以执行辐射校准；将处理结果转换成BIL格式，在ENVI软件的QUAC模块下，导入BIL格式的文件辐射定标，将辐照度转为反射率［11］。使用无控制点正射校正对地表反射率数据和全色图像进行校正；在无控制点正射校正的情况下，多光谱和全色的校正结果存在几何偏差，通过图像自动配准工具进行几何配准，经配准后将全色波段与多光谱波段进行融合处理，融合后影像空间分辨率为0.76 m。最后裁剪研究区部分影像，利用波段提取冬小麦的植被指数［12］。

1.2.2.3"植被指数的计算与优选

近红外波段与作物的生物量，叶面积指数等元素有着紧密的关联。选取与近红外光频段有关的植被指数进行研究。基于红光和近红外波段计算出来的多光谱指数，包含差异植被指数（DVI），增强植被指数（EVI），比值植被指数（RVI），改进的简单比例指数（MSR），标准化植被指数（NDVI）以及优化过的非线性植被指数（MNVI）等；优化土壤背景的红光波段和近红外波段运算的多光谱指数包括土壤调节植被指数（SAVI）以及优化土壤调节植被指数（OSAVI）；采用红边波段的特性的多光谱指数，包含红边叶绿素指数（CIRE）、红边归一化植被指数（NDVIRE）、优化的叶绿素吸收率指数（MCARI），还有叶绿素吸收反射指数的改良型（TCARI）；基于绿光波段到近红外波段光谱反射率曲线形状的指数有三角植被指数（TVI）和改良的三角植被指数二（MTVI2）等［13］。表2

1.3"数据处理

通过ASD HH2获取的冠层反射率数值，计算冬小麦试验区的植被指数，并与冬小麦冠层的SPAD值进行相应对比分析，优选出对小麦冠层SPAD值反应敏感的植被指数。相关分析在SPSS软件中完成。

通过构建冬小麦产量（Yield）与施氮量（N）的关系，计算冬小麦孕穗期施氮量，建立产量-施氮量模型。

Yield=f"N".

计算出试验区的最理想施氮量（Nfer）。根据优选的植被指数，构建产量与敏感植被指数（VI）的关系模型。

Yield=f"VI".

将公式与公式通过产量相关联，建立植被指数与施氮量的关系模型。

N=f"VI".

将试验区冬小麦植被指数代入式，计算氮肥水平Nbase。氮肥推荐施肥量Nr为最佳施氮量（Nfer）与氮肥水平（Nbase）的差值［8］。

以2021年至2023年的试验数据建立并验证冬小麦施氮推荐模型。依据模型预测产量对比分析对应实际产量，验证模型精度。模型准确性主要通过决定系数（R2）和均方根误差（RMSE）2个参数进行评估，R2值越大，RMSE值越小，模型的精度越高［28］。模型可靠性也通过获取吉林一号高分02A卫星遥感影像，计算试验区冬小麦的植被指数并输入冬小麦施氮模型，根据公式得出各个栅格的施肥量，证明模型的可靠性。"

2"结果与分析

2.1"不同施氮水平的冬小麦冠层

研究表明，随着施加氮肥量增加的情况下，小麦叶片的SPAD值呈逐渐上升趋势。对比无施氮处理（0 kg/hm2）与其它施氮处理，SPAD值差异明显。当施氮过量的处理（300、315和330 kg/hm2）的SPAD值平均值仅略低于建议的施氮处理（270 kg/hm2），但比无施氮处理（0 kg/hm2）的值高。虽然不同的施氮量处理在冬麦的冠层SPAD值的总体趋势上一致，但每一种处理的内部因为土壤性质等因素的变化而存在一定差异。SPAD值和叶绿素的浓度有很高的相关性，而叶绿素的浓度与氮素状态则有着密切的联系，因此SPAD值被采用作为评估氮素有效性的指标。不同施氮处理的SPAD值对冬小麦的氮肥吸收情况反映很好，与试验设计相符。图1

每一个不同施氮小区在反射率上均展现了NIRgt;REgt;Ggt;Rgt;B的趋势。小区的反射特性与植物反射特性相同。随着叶绿素含量的增加，在325～700 nm的波段内，反射率有降低的趋势，在700～1075 nm的波段内，反射率则呈现上升的趋势。随着施氮量增加，近红外和红边波段逐渐增高，但当施氮量超过270 kg/hm2时则有所下降，与SPAD值的变化趋势相符。图2

2.2"植被指数筛选

研究表明，在冬小麦的孕穗阶段，所有植被指数和冬小麦叶片的SPAD值数值之间存在极为显著的相关性，尤其是NDVI与其的相关性最佳，相关系数为0.705。表3

2.3"基于植被指数的冬小麦变量施肥模型

研究表明，随着氮肥供应量的增加，冬季小麦产出表现出显著的上升趋势，直至施氮量达到约239.124 kg/hm2时，小麦产量开始呈稳定状态，即Nfer=239.124。但是一旦施氮量过量，小麦的产出会有所减少。采取分段函数的方式可以识别出氮肥供应充足与不足的具体氮肥量，即使在氮肥供应饱和或者反应灵敏程度偏低，也可确保指标仍然具有有效性。图3

通过二阶多项式对植被指数和实际产量进行拟合，模型Y=-10 719×NDVI2+25 910×NDVI-6 668.6，拟合度较高（R2=0.874 2）。在不同的施氮水平下，NDVI的变化与冬小麦的产量之间有强烈的相关性。图4

通过将冬小麦的产量-施氮量模型与其产量-指数模型关联，获得基于NDVI指数的冬小麦施氮变量模型。

Nbase=-700.59×NDVI2+1 693.46×NDVI-716.79.

将Nfer和Nbase代入得冬小麦施氮（Nr）推荐模型为：

Nr=700.59×NDVI2-1 693.46×NDVI+955.92.

将冬小麦的植被指数代入，算出相应的施氮量。

2.4"麦田变量施氮模型验证及应用

研究表明，实际产量与模型预测产量的对比，其计算精度分别为R2=0.874 2和RMSE=520.16 kg/hm2，验证了预测模型预测效果佳。

试验小区西部与机耕路过渡，所以栅格像元需要施肥量出现异常；试验小区N2-3地块较多的栅格像元需要施肥量出现异常，对于其它施肥水平的地块，随着施肥水平的提升，试验区的地块需要的氮肥量呈逐渐减少的趋势，与试验设计一致，预测模型预测效果较佳。

该地块内不同区域间的施氮差距较大。东部区域相比于其他地块缺乏更多的氮肥，而其它区域的氮肥使用则足够给冬小麦提供足够的养分。施氮变量模型在应用时，具有较好的效果。图5

3"讨 论

3.1

对不同施氮量的冬小麦冠层分析显示，不同氮素浓度处理的冬小麦其光谱差异和SPAD值差异表现明显，与前人研究结论基本保持一致［8，28-31］；其次，通过对植被指数与冬小麦叶片的SPAD值进行相关性分析，结果显示NDVI的相关程度最高、拟合精度最大，R2=0.705，与边立丽等［5］王建伟等［32］的研究成果一致，NDVI的拟合精度最大，R2分别为0.91、0.97；而李志博等［6］、董超等［8］研究分别得出植被指数GNDVI、MVCARI2的相关性比较显著，与研究结果不同，可能是冬小麦品种、种植地区不同、植被指数处理方式不同造成结果出现偏差。冬小麦的产量-施氮量模型与其产量-指数模型呈一元二次函数关系，能够较好地反映氮素营养状况，与张秋阳［11］和李新伟等［33］研究结果一致，其模型拟合度也较高，R2为0.8742，RMSE为520.16 kg/hm2，对追肥具有良好的指导作用。

3.2

研究优选出最佳植被指数NDVI，构建基于NDVI的冬小麦孕穗阶段的动态施氮推荐标准。通过对孕穗期变量施氮的准确估测，提高施氮的时效性和科学性，从而为冬小麦的高产高质提供技术支持。与已有研究成果［5-8］相比，研究仍存在诸多限制，主要有以下几个方面，气象因素的干扰会对精度造成一定的影响；土壤肥力也会影响冬小麦的生长，例如2023年研究中，试验小区N2-3的氮肥用量不是最少，但冬小麦生长不好，计算出的氮需求量高，可能是土壤肥力较低等因素影响。因此，试验对象单一，范围有局限性。今后，应针对不同区域、不同品种小麦开展研究，进一步提升变量施氮模型的精度和适用范围。

4"结 论

叶绿素浓度可以准确反映冬小麦的生长状况和施氮效果，不同的施氮量下，冬小麦的冠层反射率数据存在显著的差异。相关性分析优选出归一化植被指数NDVI，可有效地表征氮肥施入和小麦冠部氮素效应的情况，其效果超越了其它植被指数。构建了基于NDVI的冬小麦孕穗期变量施氮模型，即Nr=700.59×NDVI2-1 693.46×NDVI+955.92，根据变量施氮模型得到冬小麦氮肥变量施氮图。该研究构建基于遥感数据的冬小麦变量施氮模型，能更精准地施放氮肥。

参考文献"（References）

［1］"杜佳囝， 李广， 马维伟， 等.黄土丘陵区4种典型植被土壤可溶性氮组分特征［J］.水土保持学报， 2021， 35（6）： 251-257.

DU Jianan， LI Guang， MA Weiwei， et al.Characteristics of soil soluble nitrogen components under four typical vegetations in the loess hilly areas［J］.Journal of Soil and Water Conservation， 2021， 35（6）： 251-257.

［2］李铁成，张忠学，张作合，等.减施氮肥对节水灌溉稻田NH3、N2O排放与氮肥利用的影响［J/OL］.农业机械学报：1-12.

Li Tiecheng， Zhang Zhongxue， Zhang Zuohe， et al.Effects of reduced nitrogen fertilizer application on NH3 and N2O emissions and nitrogen fertilizer utilization in water-saving irrigated rice fields ［J/OL］."Journal of Agricultural Machinery： 1-12.

［3］ 陈检锋， 尹梅， 陈华， 等.云南莴笋高产养分临界值施肥模型研究［J］.中国农学通报， 2023， 39（25）： 89-93.

CHEN Jianfeng， YIN Mei， CHEN Hua， et al.Study on fertilization system of nutrient critical value for high yield of Asparagus lettuce in Yunnan［J］.Chinese Agricultural Science Bulletin， 2023， 39（25）： 89-93.

［4］ 白如霄， 崔瑜， 和海秀， 等.新疆塔额盆地滴灌甜菜临界氮浓度模型的构建与检验［J］.核农学报， 2023， 37（5）： 1048-1055.

BAI Ruxiao， CUI Yu， HE Haixiu， et al.Development and verification of critical nitrogen concentration model for drip-irrigated sugar beet in Ta’e Basin， Xinjiang［J］.Journal of Nuclear Agricultural Sciences， 2023， 37（5）： 1048-1055.

［5］ 边立丽， 艾栋， 张云贵， 等.基于植被指数的烤烟精准追肥研究［J］.中国土壤与肥料， 2023，（1）： 126-132.

BIAN Lili， AI Dong， ZHANG Yungui， et al.Precise top dressing of flue-cured tobacco based on vegetation index［J］.Soil and Fertilizer Sciences in China， 2023，（1）： 126-132.

［6］ 李志博， 李亚芹， 赵浣旻， 等.基于GNDVI指数的土壤—水稻冠层变量施氮决策方案研究［J］.中国农机化学报， 2022， 43（4）： 160-165.

LI Zhibo， LI Yaqin， ZHAO Huanmin， et al.Study on the decision-making scheme of soil-rice canopy variable nitrogen application based on GNDVI index［J］.Journal of Chinese Agricultural Mechanization， 2022， 43（4）： 160-165.

［7］ 赖宁， 耿庆龙， 李青军， 等.基于RapidSCAN CS-45的新疆滴灌冬小麦氮肥推荐研究［J］.麦类作物学报， 2021， 41（1）： 96-104.

LAI Ning， GENG Qinglong， LI Qingjun， et al.Study on nitrogen fertilizer recommendation based on RapidSCAN CS-45 for drip-irrigated winter wheat in Xinjiang［J］.Journal of Triticeae Crops， 2021， 41（1）： 96-104.

［8］ 董超， 赵庚星， 宿宝巍， 等.基于无人机多光谱影像的冬小麦返青期变量施氮决策模型研究［J］.光谱学与光谱分析， 2019， 39（11）： 3599.

DONG Chao， ZHAO Gengxing， SU Baowei， et al.Decision model of variable nitrogen fertilizer in winter wheat returning green stage based on UAV multi-spectral images［J］.Spectroscopy and Spectral Analysis， 2019， 39（11）： 3599.

［9］ 汪旭， 邓裕帅， 练雪萌， 等.基于无人机多光谱技术的甜菜冠层叶绿素含量反演［J］.中国糖料， 2022， 44（4）： 36-42.

WANG Xu， DENG Yushuai， LIAN Xuemeng， et al.Inversion of chlorophyll content in sugar beet canopy based on UAV multispectral technique［J］.Sugar Crops of China， 2022， 44（4）： 36-42.

［10］ 李艳大， 曹中盛， 舒时富， 等.基于作物生长监测诊断仪的双季稻叶干重监测模型［J］.作物学报， 2021， 47（10）： 2028-2035.

LI Yanda， CAO Zhongsheng， SHU Shifu， et al.Model for monitoring leaf dry weight of double cropping rice based on crop growth monitoring and diagnosis apparatus［J］.Acta Agronomica Sinica， 2021， 47（10）： 2028-2035.

［11］ 张秋阳.基于多源遥感数据的冬小麦氮肥推荐的研究［D］.哈尔滨： 东北农业大学， 2015.

ZHANG Qiuyang."Study on N Fertilization Recommendation in Winter Wheat Based on Multi-sources Remote Sensing Data［D］.Harbin： Northeast Agricultural University， 2015.

［12］ 张秋阳， 杨贵军， 徐新刚， 等.基于GeoEye-1高分遥感影像的冬小麦氮肥推荐应用［J］.麦类作物学报， 2014， 34（12）： 1685-1693.

ZHANG Qiuyang， YANG Guijun， XU Xingang， et al.Recommended application of N rate for winter wheat based on GeoEye-1 image［J］.Journal of Triticeae Crops， 2014， 34（12）： 1685-1693.

［13］ 程千， 徐洪刚， 曹引波， 等.基于无人机多时相植被指数的冬小麦产量估测［J］.农业机械学报， 2021， 52（3）： 160-167.

CHENG Qian， XU Honggang， CAO Yinbo， et al.Grain yield prediction of winter wheat using multi-temporal UAV based on multispectral vegetation index［J］.Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（3）： 160-167.

［14］ Tucker C J.Red and photographic infrared linear combinations for monitoring vegetation［J］.Remote Sensing of Environment， 1979， 8（2）： 127-150.

［15］ 白燕英， 高聚林， 张宝林.基于NDVI与EVI的作物长势监测研究［J］.农业机械学报， 2019， 50（9）： 153-161.

BAI Yanying， GAO Julin， ZHANG Baolin.Monitoring of crops growth based on NDVI and EVI［J］.Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（9）： 153-161.

［16］PEARSON R L， MILLER L D.Remote mapping of standing crop biomass for estimation of the productivity of the short grass prairie， Pawnee National Grasslands， Colorado［C］."Proceedings of the 8th International Symposium on Remote Sensing of Environment，1972：1355-1379.

［17］ Chen J M.Evaluation of vegetation indices and a modified simple ratio for boreal applications［J］.Canadian Journal of Remote Sensing， 1996， 22（3）： 229-242.

［18］ROUSE J W， HAAS R H， SCHELL J A， et al.Monitoring the vernal advancements and retro gradation of natural vegetation［M］. Greenbelt： Texas A and M University， Remote Sensing Center，1974：371.

［19］ Gong P， Pu R L， Biging G S， et al.Estimation of forest leaf area index using vegetation indices derived from Hyperion hyperspectral data［J］.IEEE Transactions on Geoscience and Remote Sensing， 2003， 41（6）： 1355-1362.

［20］HUETE A R.Soil influences in remotely sensed vegetation-canopy spectra［M］. ASRAR G.Theory and applications of optical remote sensing.New York： Wiley，1989：107-141.

［21］ 黄婷， 梁亮， 耿笛， 等.波段宽度对利用植被指数估算小麦LAI的影响［J］.农业工程学报， 2020， 36（4）： 168-177.

HUANG Ting， LIANG Liang， GENG Di， et al.Effects of band width on estimation of wheat LAI using vegetation index［J］.Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（4）： 168-177.

［22］ Gitelson A A， Via A， Ciganda V， et al.Remote estimation of canopy chlorophyll content in crops［J］.Geophysical Research Letters， 2005， 32（8）： L08403

［23］ 朱曼， 张立福， 王楠， 等.基于Sentinel-2的UNVI植被指数及性能对比研究［J］.遥感技术与应用， 2021， 36（4）： 936-947.

ZHU Man， ZHANG Lifu， WANG Nan， et al.Comparative study on UNVI vegetation index and performance based on sentinel-2［J］.Remote Sensing Technology and Application， 2021， 36（4）： 936-947.

［24］ Daughtry C S T， Walthall C L， Kim M S， et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］.Remote Sensing of Environment， 2000， 74（2）： 229-239.

［25］ 陶惠林， 冯海宽， 徐良骥， 等.基于无人机高光谱遥感数据的冬小麦生物量估算［J］.江苏农业学报， 2020， 36（5）： 1154-1162.

TAO Huilin， FENG Haikuan， XU Liangji， et al.Winter wheat biomass estimation based on hyperspectral remote sensing data of unmanned aerial vehicle（UAV）［J］.Jiangsu Journal of Agricultural Sciences， 2020， 36（5）： 1154-1162.

［26］ Broge N H， Leblanc E.Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density［J］.Remote Sensing of Environment， 2001， 76（2）： 156-172.

［27］ Haboudane D， Miller J R， Pattey E， et al.Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies： Modeling and validation in the context of precision agriculture［J］.Remote Sensing of Environment， 2004， 90（3）： 337-352.

［28］ 李港， 孔亚聪， 代元帅， 等.基于野外原位光谱的棉田耕层土壤全氮含量监测模型研究［J］.干旱地区农业研究， 2023， 41（6）： 273-280.

LI Gang， KONG Yacong， DAI Yuanshuai， et al.Study on monitoring model for total nitrogen content in plow layer of cotton field based on field in situ spectroscopy［J］.Agricultural Research in the Arid Areas， 2023， 41（6）： 273-280.

［29］ 彭建， 徐飞雄， 邓凯， 等.琅琊山景区不同叶绿素条件下树种叶片光谱差异分析［J］.光谱学与光谱分析， 2018， 38（6）： 1839.

PENG Jian， XU Feixiong， DENG Kai， et al.Spectral differences of tree leaves at different chlorophyll relative content in Langya Mountain［J］.Spectroscopy and Spectral Analysis， 2018， 38（6）： 1839.

［30］谢东，何敬，何嘉晨，等.基于无人机高光谱影像的水稻叶片SPAD值反演方法研究［J/OL］.山西农业大学学报（自然科学版），1-10.

Xie Dong， He Jing， He Jiachen， et al.Research on SPAD value inversion method of rice leaves based on UAV hyperspectral image［J/OL］.Journal of Shanxi Agricultural University （Natural Science Edition），1-10.

［31］ 王磊， 白由路.不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究［J］.中国农业科学， 2005， 38（11）： 2268-2276.

WANG Lei， BAI Youlu.Correlation between corn leaf spectral reflectance and leaf total nitrogen and chlorophyll content under different nitrogen level［J］.Scientia Agricultura Sinica， 2005， 38（11）： 2268-2276.

［32］ 王建伟， 李树人， 周汉平， 等.不同施氮量条件下烤烟叶面积系数与冠层光谱参数的相关性［J］.烟草科技， 2011， 44（3）： 77-80.

WANG Jianwei， LI Shuren， ZHOU Hanping， et al.Correlation of leaf area index with canopy reflectance spectrum of flue-cured tobacco under different nitrogen application rate［J］.Tobacco Science amp; Technology， 2011， 44（3）： 77-80.

［33］ 李新伟， 吕新， 张泽， 等.棉花氮素营养诊断与追肥推荐模型［J］.农业机械学报， 2014， 45（12）： 209-214.

LI Xinwei， LYU Xin， ZHANG Ze， et al.Diagnosis of nitrogen nutrition and recommended model of topdressing for cotton［J］.Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（12）： 209-214.

Study on variable nitrogen fertilization model of winter wheat ""during booting period based on remote sensing data

CHEN Rong1， LAI Ning2， GENG Qinglong2， LI Yongfu2， ""XIN Huinan2， LYU Caixia2， LI Na2， CHEN Shuhuang2

（1. "College of Resources and Environment， Xinjiang Agricultural University， Urumqi 830052， China; 2.Institute of Soil， Fertilizer and Agricultural Water Conservation， Xinjiang Academy of Agricultural Sciences， Urumqi 830091， China）

Abstract：【Objective】 ""The objective of this study is to identify and quantitatively analyze nitrogen abundance and deficiency according to the growth requirements of winter wheat during the key growth periods， so as to realize quantitative nitrogen fertilization， which is the key technology that should be solved in precise fertilization and intelligent planting.

【Methods】 """ASD HH2 hyperspectrometer was used to obtain the reflectance of winter wheat canopy with different nitrogen application rates， and the chlorophyll concentration and yield were recorded.According to the reflectance of the winter wheat canopy， 14 vegetation indices were extracted， and the vegetation index that best characterized the nitrogen status of plants was selected， and a nitrogen application model based on vegetation index variables was constructed according to the relationship between nitrogen application rate， vegetation index and winter wheat yield.

【Results】 """（1） Chlorophyll concentration could accurately reflect the growth status and nitrogen application effect of winter wheat， and there were significant differences in the canopy reflectance data of winter wheat under different nitrogen application rates.（2） Correlation analysis showed that the normalized vegetation index NDVI had a good correlation coefficient of 0.705， which better reflected the nitrogen effect of winter wheat canopy.（3） A variable nitrogen fertilization model based on NDVI was constructed at booting stage， i.e.， Nr=700.59×NDVI2-1 693.46×NDVI+955.92， which provided a scientific basis for precise nitrogen fertilization of winter wheat.

【Conclusion】 """The hyperspectral data obtained by ASD HH2 were used to construct a model and method of nitrogen fertilization in winter wheat， which provided an important reference for the in-depth study of precision fertilization of winter wheat.

Key words：""remote sensing; vegetation index; nitrogen application model

Fund projects：""Xinjiang Wheat Industry Agriculture System（XJARS-01-21）;General Project of the Natural Science Foundation of Xinjiang Uygur Autonomous Region（2023D01A95）; "Steadily Stable Support to Agricultural Science and Technology Innovation（xjnkywdzc-2023002，xjnkywdzc-2023007-3）; Major R amp; D Project of Xinjiang Uygur Autonomous Region（2022A02011-2）;Xinjiang Academy of Agricultural Sciences independent breeding

special project（xjnkycxzx-2022004）

Correspondence author："""CHEN Shuhuang （1973-）， female， from Hunan， researcher， master， research direction： soil fertilizer and agricultural information technology， （E-mail）chensh66@ 163.com

收稿日期（Received）：

2024-05-20

基金项目：

新疆小麦产业技术体系（XJARS-01-21）；新疆维吾尔自治区自然科学基金面上基金（2023D01A95）；农业科技创新稳定支持专项（xjnkywdzc-2023002，xjnkywdzc-2023007-3）；新疆维吾尔自治区重大专项（2022A02011-2）;新疆农业科学院自主培育专项（xjnkycxzx-2022004）

作者简介：

陈荣（1997-），男，贵州纳雍人，硕士研究生，研究方向为农业信息化，（E-mail） chenrong2581@163.com

通讯作者：

陈署晃（1973-），女，湖南人，研究员，硕士，研究方向为土壤肥料与农业信息技术，（E-mail）chensh66@163.com