运用光谱参数冠层覆盖度建立作物长势及氮营养状态模型

陶志强，Shamim Ara Bagum，马 玮，周宝元，付金东，崔日鲜，孙雪芳，赵 明

中国农业科学院作物科学研究所，农业部作物生理生态与栽培重点开放实验室，北京 100081

运用光谱参数冠层覆盖度建立作物长势及氮营养状态模型

陶志强，Shamim Ara Bagum，马 玮，周宝元，付金东，崔日鲜，孙雪芳，赵 明*

中国农业科学院作物科学研究所，农业部作物生理生态与栽培重点开放实验室，北京 100081

为了探索运用数码照片中光谱(红、绿、蓝)的像素计算得到的冠层覆盖度(canopy cover, CC)对玉米长势及氮素营养状态进行非破坏性监测的技术。通过获取玉米冠层的数码照片图像，定量化数码照片色彩参数与作物叶面积指数(leaf area index, LAI)、冠层干重(shoot dry matter weight, DM)、叶片氮素含量(leaf nitrogen content percentage, N%)之间的关系。试验于2012年和2013年在中国农业科学院试验田进行，运用基于Visual Basic Version 6.0研发的玉米冠层图像分析系统，分析了玉米品种中单909在3个氮素水平条件下分别于9叶展时期、抽雄期和灌浆期的CC、11种色彩指数与植株LAI，DM，N%及产量之间的相关性，并对相关性显著的指标进行了拟合与建模。结果表明，CC与LAI(r=0.93,p<0.01)，DM(r=0.94,p<0.01)，N%(r=0.82,p<0.01)之间均达到了极显著水平；用CC估算LAI，DM和N%的模型均为幂函数，方程式分别是y=3.281 2x0.763 9，y=283.658 1x0.553 6，y=3.064 5x0.932 9；用与建模相独立的数据对模型验证，结果表明，CC估算LAI模型的实测值与模拟值基于1∶1直线的R2，RMSE和RE分别是0.996，0.035和1.46%；CC估算DM模型的R2，RMSE和RE分别是0.978，5.408 g和2.43%；CC估算N%模型的R2，RMSE和RE分别是0.990，0.054和2.62%。综上所述，模型能够较准确的通过CC估算不同氮肥水平条件下玉米9叶展时期、抽雄期和灌浆期的LAI，DM与N%，表明应用数码相机的光谱信息可实现对玉米生长过程中的生长状况及氮素营养状态进行实时无损快速监测与预测。

光谱；玉米；冠层覆盖度；色彩指数；叶面积指数；冠层干重；氮素含量

引 言

叶面积指数(leaf area index, LAI)、冠层干重(shoot dry matter weight, DM)和叶片氮素含量是作物生长与氮素营养状态的良好指标，是作物生育期的氮肥精确管理与产量预测的重要评判依据[1]。然而，获取这些指标常常需要消耗大量的人力与时间，在采样过程中对植株造成的破坏还会影响小区中其他植株的正常生长，增加了后期指标测定结果的误差[2]。近年来，光谱分析技术已经被广泛证明能够快速、非破坏性、有效的判断作物的LAI、DM与氮素营养状态[3, 4]。

目前，广泛应用的便携式光谱设备有，SPAD-502叶绿素仪(Konica Minolta Inc.，Tokyo, Japan)和叶面积指数冠层分析仪LAI-2000(Li-Cor Inc.，USA)等。SPAD-502叶绿素仪通过测量叶片在两种波长光学浓度差的光谱信息(650和940 nm)来确定作物叶片当前叶绿素的相对数量，进而分析植株冠层的氮素营养状况[5]。然而，SPAD值常常因为试验人员对叶片的主观选择、叶片厚度、处理时间不一致等因素的干扰而对光谱信息结果的精确度造成了影响[6, 7]。叶面积指数冠层分析仪LAI-2000，通过测量叶片或冠层对光吸收和反射的光谱信息来获取作物的LAI与光合有效辐射(photosynthetically active radiation, PAR)，虽然能够快速获取LAI与PAR值，但是对于光照强度的反应很敏感，时常出现低于人工测量值40%以上的结果[2]。

最近的一些研究已经证实了可以用数码照片的光谱信息，例如红(red, R)、绿(green, G)、蓝(blue, B)光谱波段的像素信息，来增加与作物冠层图像分析精确度有关的参数值[8]，这些参数与作物长势及氮素含量密切相关。例如，冬小麦孕穗期和开花期冠层光谱信息绿光深度绝对值与冠层氮素浓度和叶片SPAD值呈显著负相关[6]。大麦叶片数码照片光谱信息的色彩指数能够对叶绿素含量进行预测[7]。水稻冠层图像中提取的光谱信息(色相与红光标准化值)与叶片SPAD值、叶片含氮量等指标间具有良好的相关关系[9]。除此之外，区别于植被覆盖度的另一种新的覆盖度表示方法，即冠层覆盖度(canopy cover，CC)也已经成为作物长势与氮素营养状态的重要指标。植被覆盖度是指植被在地面的垂直投影面积占统计区总面积的百分比，而CC是指垂直拍摄的作物冠层数码照片中作物图像像素数占冠层图像总像素数的百分比[10]。已有诸多研究证明，CC与作物生长参数(例如LAI与DM)、氮素浓度显著相关，是预测作物长势与氮素营养状态的重要指标[4, 11-12]。

1 实验部分

1.1 实验地点与材料

实验于2012和2013年在中国农业科学院科技示范园区进行(39°40′15″N, 116°30′23″E)，属温带半湿润季风型大陆性季候，年均气温11.5 ℃，年均降水量640 mm，年均日照时间是2 600 h，年均无霜期192 d。试验地土壤类型是沙壤土。0～20 cm土壤有机质含量10.2 g·kg-1，碱解氮45.2 mg·kg-1，速效磷39.7 mg·kg-1和速效钾112.6 mg·kg-1。

实验在根箱中进行，长×宽×高为120 cm×60 cm×60 cm，供试品种为中单909(Zhongdan909，ZD909)，设3个施氮量处理，分别为0(N0)，220(N220)，320(N320) kg N hm-2。100 kg P2O5hm-2和100 kg K2O hm-2全部作为基肥一次性施入根箱内30 cm深处，氮、磷和钾肥分别为尿素、过磷酸钙和硫酸钾。每个根箱中植株的行距、株距均为60和30 cm。根箱采用随机区组排列，3次重复。2012年和2013年均于5月10日播种，10月2日收获。

1.2 测定方法

使用数码相机(EOS 60D, Canon, Japan)，设置为自动曝光模式，采用多点自动对焦及自动白平衡，ISO设定为400，图像分辨率设定为800万像素(3 456×2 304)，分别在玉米生育期9叶展(nine leaves with visible leaf collars, V9)、抽雄期(tassel stage, VT)、灌浆期(blister stage,R2)于冠层顶部距离地面垂直方向2.0 m处进行图像采集，以JPEG格式保存冠层图像，拍摄时间为11:00—13:00。拍摄到的玉米冠层范围为600 mm×450 mm，图片中包含3株玉米(拍照前将根箱内的杂草清理干净，避免杂草颜色对叶片色彩的干扰)。然后对数码图像采集区域内的玉米进行破坏性取样，将样本按部位分样(叶、茎)，根据长宽系数法[1]，校正系数取0.75，测定叶面积并计算LAI；然后把样本置于烘箱中，在105 ℃杀青30 min后于80 ℃下烘干至恒重，称取叶片与茎干重，得到DM；然后将称完的样品粉碎，用凯氏定氮法测定叶片的含氮量，并计算叶片氮素含量(即单位质量叶片中的氮素含量mg·g-1，将其单位转换为%表示，N%)。

1.3 冠层图像的色彩参数计算

拍摄的彩色图像提供每一个像素的红(R)、绿(G)、蓝(B)波段光谱信息[4]，各波段的光谱信息以亮度(Intensity)的方式存储在对应的通道。数码图像的R，G，B各有256级亮度，分别用0到255的整数表示，R，G，B三个通道各256级色彩总共能组合成1 678万种(2563)色彩，其中(0，0，0)代表黑色，(255，255，255)代表白色[13]。运用基于Visual Basic Version 6.0研发的玉米冠层图像分析系统(中国农业科学院作物科学研究所)，提取每个像素点的R，G，B亮度值，计算CC[13]和11种色彩指数，即红光标准化值(r)、绿光标准化值(g)、蓝光标准化值(b)、绿光与红光差值(GMR)、绿光与蓝光差值(GMB)、超绿特征值(ExG)[15]、归一化超绿特征值(EGI)、归一化差值指数NDI[16]、饱和度(SAT)、色调(Hue)和亮度(INT)[14]，见式(1)—式(12)。其中，R，G，B，r，g，b，GMB，GMR，EGI，ExG，NDI，SAT，Hue和INT用于玉米图像分割，而R，G，B，r，g，b，NDI，SAT，Hue和INT用于与LAI，DM，N%之间的的相关分析及回归模型的构建。

(1)

(2)

(3)

(4)

GMR=G-R

联席会议主要任务是共同检查和监督汉江流域年度水量分配的实施，审议上一年度水资源调度工作总结和下一年度水资源调度计划，协商汉江流域水资源统一调度工作中的重大事项，共同检查和监督汉江流域跨省（直辖市）江河湖泊水功能区划、水域纳污能力核定方案、限制排污总量方案的实施和落实情况，协调跨省（直辖市）饮用水水源保护、地下水开发利用和保护工作，共同检查和监督汉江流域“三条红线”及其考核制度的实施和落实等。

(5)

GMB=G-B

(6)

(7)

EGI=2g-r-b或EGI=3g-1

(8)

(9)

(10)

(11)

(12)

图像分割是计算机图像处理的一个基本问题，是进行图像分析的前提。如果图像中待分割的目标物及其背景的灰度值(彩色图像中R，G，B亮度值)都比较单一时，用门限化分割可取得理想的分割效果[13]。作物冠层图像的主要对象为作物和背景(农田土壤表面、作物残渣等)，其颜色组成(作物和背景R，G，B颜色分量)比较均一，因此具备门限化分割的条件。另外，通过对作物冠层图像的R，G，B各个分量进行适当的组合转化，增强植物，抑制背景，也可提高图像分割效果[14]。研究采用最小误差门限方法对玉米冠层图像进行分割，具体为，利用从玉米和土壤图像(图1)中读取的R，G，B亮度值及其他色彩指数获取玉米和背景的R，G，B亮度值及其他色彩指数的正态密度函数(密度函数的特征值为均值和标准偏差)，并根据正态密度函数确定玉米和背景的混合密度函数；设定一个门限(T)，则可确定把目标点错划为背景点的概率和把背景点错划为目标点的概率，两个概率之和为总误判概率；为求分割误差最小时门限值，先求出总误判概率函数对T的导数，并令其等于零，得到T的一元二次方程，此方程的两个解之一为图像分割的最佳门限(T)。利用上述方法，基于VisualBasicVersion6.0研发的玉米冠层图像分析系统(中国农业科学院作物科学研究所)，从玉米冠层图像中分割出玉米图像，进而计算玉米图像的R，G，B亮度，CC及其他色彩指数值。

Fig.1 Digital camera images for maize plant (a) and soil (b)

1.4 模型计算与验证

用SPSS 13.0(SPSS Inc., Chicago, IL)的分析过程 “Analyze Correlate Bivariate”，选择Pearson相关和双尾检验“Two tailed”，对LAI，DM，N%，CC和11种色彩指标进行相关性分析。筛选出相关性显著的指标用CurveExpert 1.4(Daniel G. Hyams Hixson, Tennessee)进行数据拟合与建模。用2013年的数据建模，用2012年的数据验证模型的拟合度与可靠性。用Sigmaplot 12.0 (SYSTAT Software, Inc., Chicago, IL)作图。

采用常用的模型检验方法，利用观测值与模拟值的根均方差(root mean square error, RMSE)和相对误差(relative estimation error, RE)对模拟值与观测值之间的符合程度进行统计分析[17]。RMSE和RE值越小，表明模型的预测精度越高。利用模拟值与观测值之间1∶1关系的直线来直观显示模型的拟合度和可靠性。

(13)

(14)

式中，OBSi为实测值，SIMi为模拟值，n为样本容量，RE为相对误差，Qi为实测值的平均值。

2 结果与讨论

2.1 玉米冠层图像色彩值分析

玉米在2012和2013年V9，VT和R2生育时期的色彩值平均值分析结果表明，玉米像素点的G值明显大于R和B值，而这种特征也反映在以G亮度值为主要要素计算的其他色彩指数上，如玉米像素点的g，GMR，GMB，ExG和EGI，表明以G及其他色彩指数作为门限从玉米冠层图像中分割玉米图像是可行的。

Table 1 Color index values of maize canopy image (experiments in 2012 and 2013)

2.2 玉米长势指标与冠层色彩参数的相关性分析

通过分析玉米在2012年和2013年生育时期V9，VT，R2时期DM，LAI，N%，CC及其他色彩指数的平均值之间的相关性(表2)，结果表明，玉米长势指标均与CC呈显著相关关系。其中，LAI分别与N%(r=0.66**)，DM(0.79**)，CC(r=0.93**)，r(r=-0.70*)，b(r=0.62*)，Hue(r=0.78*)呈显著相关关系；DM与CC(r=0.94**)，N%(r=0.90**)呈极显著相关性；N%分别与CC(r=0.82**)呈极显著正相关。这表明采用CC对玉米DM，LAI和N%进行估算是可行的。该结论在其他作物上也得到了证实，植被的CC能够估算冬油菜[11]、草坪草[12]、小麦[13]、水稻[14]的DM，LAI和植株氮素水平。

Table 2 Correlation of growth parameters and color indices in maize (experiments in 2012 and 2013)

* and ** are significantly different (P<0.05) and (P<0.01), respectively. The same below. LAI denotes leaf area index, N% denotes leaf nitrogen content, DW denotes shoot dry matter weight, CC denotes canopy cover, R denotes red, G denotes green, B denotes blue, r denotes normalized red, g denotes normalized green, b denotes normalized blue, NDI denotes normalized difference index, SAT denotes saturation, INT denotes intensity

2.3 建立用CC估算LAI，DM与N%的模型

将CC作为自变量，LAI，DM和N%作为因变量，使用CurveExpert 1.4软件对不同氮肥处理的CC与LAI，DM，N%之间的关系进行拟合与建模，将相关系数r最高的方程作为拟合方程，结果表明，CC与LAI，DM，N%之间的关系均呈幂函数关系y=axb(表3)。虽然CC与DM之间关系的模拟方程中式(18)的相关系数最高，但是仍然将式(19)作为CC估算DM的模型，原因是，幂函数与线性函数、指数函数相比，取自变量的极值，能够较好的解释其生物学意义，即x为0时(表示地面上没有冠层覆盖)y也是0(表示叶面积或冠层干物质量或叶片氮素含量是零)。可见，幂函数式(15)、式(19)、式(21)与表1中的其他方程相比，能够较好的运用CC对LAI，DM，N%进行估算。本研究建立的模型说明，玉米V9，VT，R2时期的CC能够精确估算LAI，DM，N%，然而，有学者指出，基于CC的油菜和小麦LAI和DM的预测只在营养生长期可行，而在生殖生长期，由于叶片间的重叠，冠层CC的增大速度会明显小于LAI和DM的增大速度，所以后期的CC不能精确估算LAI和DM[4, 10]。该结论与本研究的结论不一致的原因除了作物类型不一样之外，还由于本研究的玉米植株在根箱中生长，与大田植株相比，种植密度低，单株生产力小，生殖生长期的叶片间重叠少，因此建立的模型估算精确度较高。该结论有待于在大田试验中验证，并且进一步分析模型在不同玉米品种、种植密度条件下整个生育期的适用性。

Table 3 Estimation of LAI, DM and N% model by CC (experiment in 2013)

xin the model denote CC, andydenote LAI, DM, N%, respectively;aandbare coefficients. The same below

分别建立玉米LAI，DM，N%的幂函数模型在不同氮肥水平条件下的方程，其相关系数r均在0.91以上，并且达极显著水平(p<0.01)，见表4。a值和b值在不同氮肥水平之间的变异较小。表明，幂函数方程能够较精确地通过CC估算不同氮肥水平条件下的LAI，DM和N%。

2.4 CC估算LAI，DM及N%模型的验证

根据LAI，DM，N%的模拟方程式(15)、式(19)、式(21)，应用2012年的试验数据对玉米在V9，VT，R2时期的LAI，DM，N%模型进行了检验(图2)，结果表明，CC估算LAI模型的实测值与模拟值基于1∶1直线的R2，RMSE和RE分别是0.996，0.035和1.46%；CC估算DM模型的R2，RMSE和RE分别是0.978，5.408 g和2.43%；CC估算N%模型的R2，RMSE和RE分别是0.990，0.054和2.62%。表明，模型能够较准确的通过CC估算不同氮肥水平条件下玉米V9，VT，R2时期的LAI，DM和N%。

Table 4 Dynamic model between CC and LAI, DM, N% in maize under different nitrogen levels (experiment in 2013)

Fig.2 The fitting graph based on 1∶1 straight line of simulated and measured values of different LAI, DM, N% of maize in V9，VT，R2 (experiment in 2012)

3 结 论

玉米品种(ZD909)在3个氮肥水平条件下在V9，VT，R2时期的冠层覆盖度与叶面积指数(r=0.93，p<0.01)、冠层干重(r=0.94，p<0.01)、叶片氮素含量(r=0.82，p<0.01)均呈极显著水平；应用CurveExpert 1.4软件，以冠层覆盖度为自变量，叶面积指数、冠层干重、叶片氮素含量为因变量，分别建立了三个幂函数模型，y=3.281 2x0.763 9，y=283.658 1x0.553 6，y=3.064 5x0.932 9，并使用与建模数据(2013年)相对独立的数据(2012年)进行验证，结果表明，冠层覆盖度估算叶面积指数模型的实测值与模拟值基于1∶1直线的R2，RMSE和RE分别是0.996，0.035和1.46%；冠层覆盖度估算冠层干重模型的R2，RMSE和RE分别是0.978，5.408 g和2.43%；冠层覆盖度估算叶片氮素含量模型的R2，RMSE和RE分别是0.990，0.054和2.62%。模型能够精确估算不同氮肥水平条件下玉米灌浆期的叶面积指数、冠层干重和叶片氮素含量。表明应用数码相机对在玉米冠层进行拍照，而后通过玉米冠层图像分析系统计算光谱像素信息参数CC，能够对玉米生长过程中的生长状况及氮素营养状态进行实时无损快速监测与预测。

[1] Cui R X, Lee B W. Korean Journal of Crop Science, 2002, 47: 390.

[2] Xue L, Cao W, Luo W, et al. Agronomy Journal, 2004, 96: 135.

[3] Nguyen H T, Lee B W. European Journal of Agronomy, 2006, 24: 349.

[4] Li Y, Chen D, Walker C N, et al. Field Crops Research, 2010, 118: 221.

[5] Jongschaap R E E, Booij R. International Journal of Applied Earth Observation, 2004, 5(3): 205.

[6] Jia L, Chen X, Zhang F, et al. Journal of Plant Nutrition, 2004, 27(3): 441.

[7] Pagola M, Oritiz R, Irigoyen I, et al. Computers and Electronics in Agriculture, 2009, 65: 213.

[8] Lailiberte A S, Rango A, Herrick J E, et al. Journal of Arid Environments, 2007, 69: 1.

[9] WANG Yuan, WANG De-jian, ZHANG Gang, et al(王 远, 王德建, 张 刚, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(17): 131.

[10] Guevara-Escobar A, Tellez J, Gonzalez-Sosa E. Agroforestry Systems, 2005, 65: 175.

[11] Behrens T, Diepenbrock W. Journal of Agronomy and Crop Science, 2006, 192: 295.

[12] Richardson M D, Karcher D E, Purcell L C. Crop Science, 2001, 4: 1884.

[13] Lee K J, Lee B W. Journal of Crop Science and Biotechnology, 2011, 14(2): 151.

[14] Lee K J, Lee B W. European Journal of Agronomy, 2013, 48: 57.

[15] HU Shuo, LUO Xi-wen, ZENG Shan, et al(胡 烁, 罗锡文, 曾 山, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 29(10): 12.

[16] ZHOU Jun, WANG Ming-jun, SHAO Qiao-lin(周 俊, 王明军, 邵乔林). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2013, 29(18): 163.

[17] Willmott C J, Ackleson S G, Davis R E, et al. Journal of Geophysical Research, 1985, 90: 8995.

TAO Zhi-qiang, Shamim Ara Bagum, MA Wei: joint first authors

*Corresponding author

Establishment of The Crop Growth and Nitrogen Nutrition State Model Using Spectral Parameters Canopy Cover

TAO Zhi-qiang, Shamim Ara Bagum, MA Wei, ZHOU Bao-yuan, FU Jin-dong, CUI Ri-xian, SUN Xue-fang, ZHAO Ming*

Institute of Crop Sciences, Chinese Academy of Agricultural Sciences，Key Laboratory of Crop Physiology and Ecology, Ministry of Agriculture, Beijing 100081, China

In order to explore a non-destructive monitoring technique, the use of digital photo pixels canopy cover (CC) diagnosis and prediction on maize growth and its nitrogen nutrition status. This study through maize canopy digital photo images on relationship between color index in the photo and the leaf area index (LAI), shoot dry matter weight (DM), leaf nitrogen content percentage (N%). The test conducted in the Chinese Academy of Agricultural Science from 2012 to 2013, based on Maize canopy Visual Image Analysis System developed by Visual Basic Version 6. 0, analyzed the correlation of CC, color indices, LAI, DM, N% on maize varieties (Zhongdan909, ZD 909) under three nitrogen levels treatments, furthermore the indicators significantly correlated were fitted with modeling, The results showed that CC had a highly significant correlation with LAI (r=0.93,p<0.01), DM (r=0.94,p<0.01), N% (r=0.82,p<0.01). Estimating the model of LAI, DM and N% by CC were all power function, and the equation respectively werey=3.281 2x0.763 9,y=283.658 1x0.553 6andy=3.064 5x0.932 9; using independent data from modeling for model validation indicated thatR2, RMSE and RE based on 1∶1 line relationship between measured values and simulated values in the model of CC estimating LAI were 0.996, 0.035 and 1.46%;R2, RMSE and RE in the model of CC estimating DM were 0.978, 5.408 g and 2.43%;R2, RMSE and RE in the model of CC estimating N% were 0.990, 0.054 and 2.62%. In summary, the model can comparatively accurately estimate the LAI, DM and N% by CC under different nitrogen levels at maize grain filling stage, indicating that it is feasible to apply digital camera on real-time undamaged rapid monitoring and prediction for maize growth conditions and its nitrogen nutrition status. This research finding is to be verified in the field experiment, and further analyze the applicability throughout the growing period in other maize varieties and different planting density.

Maize; Canopy image; Canopy cover; Leaf area index; Dry matter weight; Nitrogen

Aug. 19, 2014; accepted Dec. 6, 2014)

2014-08-19，

2014-12-06

公益性行业(农业)科研专项(201203096)，国家科技支撑计划(2013BAD07B00，2013BAD08B00)，国家玉米产业技术体系项目(CRRS-02)资助

陶志强，1983年生，中国农业科学院作物科学研究所博士 e-mail: tao-zhiqiang@qq.com Shamim Ara Bagum，1980年生，中国农业科学院作物科学研究所博士研究生 e-mail: shalimuddin@yahoo.com 马 玮，1982年生，中国农业科学院作物科学研究所副研究员 e-mail: weiwei_8200a126.com 陶志强，Shamim Ara Bagum，马 玮：并列第一作者 *通讯联系人 e-mail: zhaomingcau@163.net

S513

A

10.3964/j.issn.1000-0593(2016)01-0231-06