利用高光谱技术估测小麦叶片氮量和土壤供氮水平

谢福来，史晓芳，史忠良，田玮玮，芦冬涛，张士昌

（山西省农业科学院小麦研究所，山西临汾041000）



利用高光谱技术估测小麦叶片氮量和土壤供氮水平

谢福来，史晓芳，史忠良，田玮玮，芦冬涛，张士昌

（山西省农业科学院小麦研究所，山西临汾041000）

摘 要：有效的监测作物氮素营养水平及土壤供氮能力可以为合理施用氮肥提供重要依据。本文以2年3点不同氮素水平下不同小麦品种的田间试验数据为基础，运用植被指数和偏最小二乘回归法，比较和分析小麦冠层光谱与叶片氮含量及土壤氮含量的关系。结果表明：小麦冠层光谱与叶片氮含量的相关性分析在可见光波段存在显著负相关，在近红外波段呈显著正相关，而与土壤氮含量的相关性呈相反趋势。基于光谱参数ND705和GNDVI所建叶片氮含量估算模型的决定系数分别达到0.827和0.826。基于光谱参数VOG2所建土壤氮含量估算模型的决定系数达到0.646；与植被指数所建模型相比，综合350～1350 nm光谱波段反射率分别与小麦叶片氮含量、土壤氮含量建立偏最小二乘回归模型的预测精度均有所提高，决定系数分别达到0.842和0.654。本研究结果可为小麦氮素营养及土壤供氮水平的诊断监测与合理施肥管理提供了理论依据和技术支持。

关键词：小麦；冠层反射光谱；叶片氮含量；土壤氮含量；光谱参数

0　引言

氮素是作物生长发育所必需的营养元素，与光合作用有着密切的关系，直接影响作物长势和产量品质的形成，而作物氮素营养主要来源于土壤氮素含量。土壤供氮状况对作物增产起着至关重要的作用，在一定范围内增加氮肥施用量有利于小麦产量的提高，但施氮量过高会导致氮肥利用率的降低，施肥经济效益下降，因此，提高土壤氮素利用率已成为当前精准农业的主要目标之一。实时、准确地获取小麦叶片氮含量和土壤氮含量，兼顾二者的监测，可以有效地做到合理施用氮肥，提高氮肥利用率及作物产量、品质的形成。但是，叶片氮含量和土壤氮含量的常规测定方法主要通过作物生长关键时期多点采样，使用实验室化学分析方法完成，该方法费工、耗时，且有一定的时空滞后性。

高光谱遥感技术以实时、快速和非破坏性等优势成为当前精准农业技术之一，在作物叶片氮含量和土壤供氮水平的监测方面表现出良好的应用前景[1-3]。姚霞等[2]提出了基于导数光谱的比值光谱指数建立小麦叶片氮素监测模型，可显著地提高模型精确度和可靠性。李映雪等[4]研究表明叶片氮含量与冠层光谱的归一化植被指数NDVI(R1220,R710)和红边位置所建模型的决定系数在0.80左右。翟清云等[5]指出利用光谱参数NDSI(FD710,FD690)、DSI(R515,R460)和RSI(R535,R715)建立的估测模型能够较好地预测不同土壤质地小麦叶片氮含量。张娟娟等[6]分析了不同地区主要类型土壤全氮含量与高光谱反射率之间的定量关系，构建了基于偏最小二乘法（PLSR）、神经网络和特征光谱指数的土壤全氮含量估算模型。潘文超等[7]研究表明植株冠层光谱参数可以很好地监测土壤氮素营养。上述研究表明基于小麦冠层光谱监测叶片氮含量及土壤氮含量具有可行性和可靠性，但基于冠层反射光谱同时兼顾小麦氮素营养及土壤供氮状况的监测研究较少。因此，本研究探讨了利用高光谱遥感监测小麦叶片氮含量及土壤对小麦供氮水平的研究。本研究以2年3点不同施氮水平下2个小麦品种的田间试验数据为对象，运用植被指数法和PLSR，分析小麦冠层反射光谱与叶片氮含量、土壤氮含量的定量关系，比较并选择小麦叶片氮含量、土壤氮含量的最佳预测模型。预期结果将为遥感技术对小麦叶片氮素营养及土壤氮素水平的诊断，以及合理施氮管理提供理论依据。

1　材料与方法

1.1试验设计

本研究共涉及3个不同的田间试验，分别于2011—2013年小麦生长季节进行。

试验1：2011—2012年度在山西省曲沃县试验田（东经111°24′，北纬35°33′）进行。供试土壤类型为褐土性土，土壤呈中性、微碱性反应，矿物质、有机质积累较多，腐殖质层较厚，肥力较高。土壤耕层有机质含量10.75 g/kg，全氮含量0.49 g/kg，碱解氮27.77 mg/kg，速效磷15.46 mg/kg。供试品种为‘运麦20410’，全生育期250天，株高85 cm，穗纺锤型，长芒，小穗排列紧密。群体密度为52.5万/hm2左右，穗粒数平均35粒，千粒重43 g。该试验数据用于建立模型。试验采用单因素随机区组排列，3次重复，各处理小区面积20 m2。设5个施氮水平，分别为0、75、150、225、300 kg/hm2纯氮，以尿素(N 46%)作氮肥，分40%基肥、60%返青后期施入。磷钾肥以基肥一次性施入，过磷酸钙(P2O516.5%)作磷肥，施磷量(P2O5)100 kg/hm2，氯化钾(K2O 61.5%)作钾肥，施钾量(K2O)100 kg/hm2。小麦返青后一次性追肥，田间光谱采样时期分别为选择返青期(Recovering)、拔节期(Jointing)、孕穗期(Heading)和灌浆期(Grain filling)。

表1　施肥方案设计

试验2：2011—2012年度，在山西省临汾市尧都区验田各处理曲沃县处理的方法相同。选择在冬小麦返青期、拔节期、孕穗期和灌浆期测定小麦冠层反射光谱，同步采集叶片、土壤样本并测定氮素指标，该试验数据用于模型验证。

试验3：2012—2013年度，设在太原市东阳试验田，供试土壤为黄土母质发育而成的石灰性褐土，土壤肥力水平中等，土壤耕层有机质含量20.07 g/kg，碱解氮49.3 mg/kg，有效磷18.79 mg/kg，速效钾247.3 mg/kg。试验采用单因素随机区组排列，3次重复，各处理小区面积30 m2。供试小麦品种为国审‘晋太170’，全生育期265天，株高80 cm，穗纺锤型，长芒。穗粒数平均40粒，千粒重38 g。试验设计、施肥量、田间光谱采集时间及测定方法以及田间管理同于试验1。该试验数据用于建立模型。

1.2测定方法

1.2.1冠层光谱的测定 冬小麦的冠层光谱数据测量采用美国ASD(Analytical Spectral Device)公司生产的Field Spec 3背挂式野外高光谱辐射仪，测量波段范围350～2500 nm，光谱仪视场角25°，其中，350～1000 nm间的光谱采样间隔为1.4 nm，光谱分辨率为3 nm；1000～2500 nm的光谱采样间隔为2 nm，光谱分辨率为10 nm。冠层光谱测定选择在天气晴朗、无风或风速很小时进行，测定时间为10:00—14:00。测量时传感器探头垂直向下，距冠层顶垂直高度约1.5 m，地面视场范围直径0.44 m。测量时间为10:00—14:00。每小区重复测量3次，取平均值作为该观测点的光谱反射值。测量过程中及时进行标准白板校正（所测得的目标物体光谱为无量纲的相对反射率）。

1.2.2氮素的测定 在小麦返青期、拔节期、孕穗期和灌浆期测定小麦冠层反射光谱后，同步测定小麦叶片氮含量及土壤氮含量。具体方法为：在各小区随机选取5株代表性植株，将植株茎、叶分离，在105℃下杀青30 min之后，75℃下烘干至恒重，称干重，使用凯氏定氮法测定小麦叶片氮含量(%)；此外，按五点法对各小区耕层0～40 cm取土，每个小区取混合样，使用凯氏定氮法测定并计算土壤氮含量(g/kg)。

1.3数据分析方法

所采集冠层光谱数据处理采用Field Spec FR Pro随机软件进行处理。本研究综合已有大量光谱参数的算法，如光谱位置变量技术、微分光谱技术、连续统去除法和原始光谱反射率多波段组合等方法[8-12]，在MATLAB平台下编程实现所有光谱参数的算法，选择敏感光谱参数（表2）并建立线性和非线性（幂函数、指数函数和对数函数）回归模型，从中选择最佳预测模型。此外，采用偏最小二乘回归(PLSR)重点分析350～ 2500 nm光谱反射率与单因变量（叶片氮含量或土壤氮含量）之间的线性模型，具体分析过程基于SAS平台下使用PROC PLS过程步，首先对光谱数据进行标准化变换，数据分析采用“舍一交叉验法”，并使用迭代的NIPALS算法。下面介绍PLSR分析的建模方法：

为研究单因变量y和自变量x1,x2,...,xp之间的统计关系，本研究观测了n个样本点，由此构成了自变量与因变量的数据矩阵X=[x1,...,xp]n×p和Y＝[y]n×1，分别在X 和Y中提取第一对成分t1和u1。t1和u1应尽可能好地代表数据表X和Y，同时自变量的成分t1对因变量的成分u1又有最强的解释能力。在第一对成分t1和u1被提取后，PLSR分别实施X对t1的回归以及Y对t1的回归。如果回归方程已经达到满意的精度，则算法终止；否则，将利用X被t1解释后的残余信息以及Y被t1解释后的残余信息进行第二对成分的提取，直到能达到满意的精度为止。若最终对X共提取了m个成分t1,…,tm，PLSR分析将通过建立y对t1,…,tm的回归，然后再表达成y关于原自变量x1,..,xp的回归方程。该法可对建模数据信息进行分解和筛选的方式，提取对因变量的解释性最强的综合变量，辨识系统中的信息与噪声，从而更好地克服自变量多重共线性在系统建模中的不良作用。

以试验1和试验3的数据为建模数据建立基于小麦冠层反射光谱的叶片氮含量及土壤氮含量的预测模型，进而利用试验2为独立资料数据对预测模型进行验证，模型验证采用预测值和实测值的拟合决定系数(R2)和相对均方根误差(RRMSE)等指标来评定模型预测精度的好坏，其中，相对均方根差(RRMSE)[13]计算公式如式(1)。

式中Pi和分别为实测值和模型预测值，n为样本数。RRMSE值越小则模型的预测精度水平越高。

2　结果与分析

2.1冠层光谱与叶片氮含量及土壤氮含量的相关分析

利用小麦全生育期光谱反射率分别与叶片氮含量及土壤氮含量进行相关性分析，图1为小麦叶片氮含量与光谱反射率的相关性曲线，在可见光波段表现为显著负相关(P<0.05)，其中367～719 nm光谱反射率与叶片氮含量达到极显著负相关(P<0.01)，而大部分近红外波段表现为显著正相关(P<0.05)，其中738～1143 nm波段光谱反射率与叶片氮含量在全生育期都呈现极显著正相关(P<0.01)，且在693 nm和792 nm波段分别达到最大负相关和负相关，相关系数分别为-0.863和0.709（表3）。图2为土壤氮含量与光谱反射率的统计相关性曲线，可见光波段表现为显著负相关，432～717nm光谱反射率与土壤氮含量达极显著负相关，而大多数近红外波段表现为显著正相关，739～1141 nm波段光谱反射率与土壤氮含量均呈显著正相关，其中在796 nm和694 nm波段处分别达到最大负相关和正相关，相关系数分别为-0.647和0.721。

表2　本研究所选高光谱参数及计算方法

图1　小麦叶片氮含量与冠层光谱反射率及一阶导数光谱的相关系数

针对全生育期一阶导数光谱与叶片氮含量、土壤氮含量进行相关性分析，分别提取对一阶导数光谱与叶片氮含量、土壤氮含量的最大正相关和负相关的光谱信息（表3）。结果显示，一阶导数光谱与叶片氮含量、土壤氮含量的最大相关性均优于原始冠层光谱。可能原因是对原始光谱的求导能有效地降低背景噪声，从而增强冠层光谱反射率与目标性状的相关性。由图1和图2可以看出，小麦冠层反射光谱及一阶导数光谱与叶片氮含量、土壤氮含量的相关性均表现较好，说明光谱信息中含有指示叶片氮含量及土壤氮含量的重要信息，可进一步研究反射光谱与叶片氮含量、土壤氮含量之间的回归关系。

图2　土壤氮含量与小麦冠层光谱反射率及一阶导数光谱的相关系数

表3　小麦冠层光谱反射率及一阶导数光谱与叶片氮含量、土壤氮含量的相关系数

2.2基于植被指数的叶片氮含量及土壤氮含量的估算模型

利用试验1和试验3的采集数据对小麦冠层光谱特征参数与叶片氮含量、土壤氮含量的回归分析，建立了利用冠层光谱参量反演小麦叶片氮含量、土壤氮含量的预测模型，然后利用试验2资料数据进行模型验证，通过模型间的比较分析，从中优选出模型预测表现较好的模型（表4）。所选叶片氮含量预测模型多数为线性模型，其中光谱参数NDVI(810,560)、ND705、GNDVI、Area672、NDCI、PSNDb、mND705、ND672、SDr/SDb对小麦叶片氮含量的预测效果较好，决定系数(R2)和标准误(RMSE)变化范围分别为0.818～0.927，0.397～0.413，模型验证的预测精度及相对均方根误差的变化范围分别为0.785～0.808，0.124～0.135。根据模型决定系数最大和标准误差最小的原则，基于ND705 和GNDVI建立的叶片氮含量估算模型的预测表现最好（图3），决定系数分别为0.827和0.826，均方根误为0.397和0.398，相应的模型验证也有较好的表现，预测精度分别为0.808和0.805，相对均方根误分别为0.124 和0.126。此外，所选光谱参数VOG2、VOG1、RI-2dB、mSR705、mND705、ND705对土壤氮含量所建模型以非线性模型为主，决定系数和标准误变化范围分别为0.634～0.646，0.093～0.094，模型验证的预测精度及相对均方根误差的变化范围分别为0.607～0.625，0.127～ 0.131。根据模型决定系数最大和标准误差最小的原则，基于VOG-2建立二项式回归的土壤氮含量模型预测表现最好（图4），从图4可以看出，样本观测值基本散落在回归曲线附近，决定系数和均方根误分别为0.646和0.093，其模型验证表现较为稳定，预测精度和相对均方根误分别为0.625和0.127。总之，上述所建小麦叶片氮含量和土壤氮含量遥感估算模型的精准性和稳定性均较好，而且模型验证结果表现也较好。说明利用冠层光谱估算小麦叶片氮含量及土壤氮含量具有可行性和可靠性，拟推荐上述所选模型为小麦叶片氮含量和土壤氮含量的最佳预测模型，可用于估算小麦氮素营养水平和土壤供氮状况。

表4　小麦叶片氮含量和土壤氮含量与最佳光谱参数的回归分析及其验证

图3　叶片氮含量与光谱参数ND705和GNDVI的关系散点图

图4　光谱参数VOG2与土壤氮含量的关系散点图

2.3小麦叶片氮含量和土壤氮含量的PLSR分析

由于350～1350 nm光谱范围内蕴藏着指示目标性状的丰富信息，但相邻波段反射率间存在严重的自相关问题。与普通多元回归相比，PLSR可以较好地解决自变量之间的多重相关性及样本容量少于自变量数目的问题。本研究采用PLSR挖掘350～1350 nm光谱范围内指示小麦叶片氮含量及土壤氮含量的重要信息。由表5可知，所建模型选择的4个主成份包含了样本中99%以上的光谱信息，解释了响应变量（叶片氮含量）总变异的84.2%，且均方根误差为0.379，使用独立资料数据进行模型拟合效果较好（图5A），其预测值与观测值拟合的散点图均匀散落在1:1线的周围，预测精度和相对均方根误差分别为0.819和10.3%，所建叶片氮含量PLSR模型的预测表现明显地优于前文的所选植被指数。此外，与前文的所选植被指数相比，所建土壤氮含量的PLSR模型预测表现有所提高，其决定系数和均方根误差分别为0.654和0.092，使用独立资料数据进行模型验证，其预测值与测量值散点图的拟合程度较好（图5B），其中预测精度和相对均方根误差分别为0.819和10.3%。

本研究所建PLSR模型由于包含参数过多，即光谱范围350～1350 nm的1001个波段反射率，不便列出，为此，本研究使用SAS平台开发了一套关于光谱的PLSR分析软件，根据本研究的试验数据建模。基于此软件，将采集的光谱输入软件，可以输出叶片氮含量和土壤氮含量的预测值，由此实现对叶片营养状况及土壤供氮水平的估测。

3　讨论

作物氮素营养与生长发育、光合作用及产量之间有密切的关系。叶片氮素是叶绿素分子的基本组分，而叶绿素是作物光合作用的主要色素，其含量的高低直接影响作物光合同化的物质积累能力。利用遥感技术对作物叶片氮含量与营养丰缺的无损监测，已成为合理施用氮肥，提高氮肥利用效率和作物产量、改善作物品质的重要途径。因此，根据不同氮肥水平下小麦全生育期氮素营养的高光谱响应差异建立的预测模型，对于小麦氮素营养丰缺状况的诊断及合理施肥管理具有重要意义。但是，小麦氮素营养主要来源于土壤供氮状况，土壤氮含量及氮肥利用率也是指导氮肥合理施用的重要因素。尽管增施氮肥是提高作物产量的重要措施之一，但由于施肥方法、作物自身原因以及氮肥利用率高低等问题，导致不合理的增施氮肥，不仅浪费资源，同时也对生态环境造成严重的破坏性[24]。因此，进一步研究小麦冠层反射光谱对土壤供氮状况的响应差异，确立其估算模型，可以实时快速地诊断土壤对小麦的供氮状况，为合理施氮及管理提供重要的理论依据。

表5　小麦叶片氮含量和土壤氮含量PLSR模型的检验和验证

图5　基于PLSR模型的小麦氮含量和土壤氮含量预测值与实测值的关系图

小麦叶片氮含量与冠层光谱及一阶导数的相关性明显地优于土壤氮含量，说明冠层光谱所含信息主要来源于小麦冠层光谱结构及其化学成分，而土壤的信息较少。此外，小麦叶片氮含量、土壤氮含量与一阶导数光谱的相关性显著地高于冠层原始光谱，说明一阶导数光谱可有效地降低背景噪音，提高光谱指示目标性状的敏感性。冠层光谱与叶片氮含量在可见光部分表现出强烈的线性负相关，在近红外部分表现出显著正相关，而其与土壤氮含量的相关曲线的趋势与前者呈现相反趋势。究其原因，本研究所测光谱是以小麦冠层叶片的光谱反射率为主，由于小麦叶片对土壤的遮挡，使得所测光谱中仅含有少量反映土壤成份的信息。前人研究表明mNDVI705、绿色归一化植被指数(GNDVI)和红边面积参数SDr/SDb等植被指数能够很好地预测小麦叶片氮含量[17,25-27]。本研究也表明上述光谱参数与小麦叶片氮含量所建模型具有较好的预测力和稳定性。此外，本研究所光谱参数ND705和GNDVI对叶片氮含量所建模型的决定系数分别达到0.827和0.826，光谱参数VOG2与土壤氮含量所建二项式曲线回归的决定系数达到0.646，说明敏感光谱参数均优于冠层光谱与目标性状的敏感性。此外，所选光谱参数的构成波段均落入相关性显著(P<0.05)的波段范围，进一步证明冠层反射光谱与目标性状相关性显著的波段范围内含有指示目标性状的重要信息。

所选敏感植被指数仅包含了指示目标性状的2个特征波段，而其它波段中所蕴含的指示目标性状的信息未能得以充分利用，因此深入挖掘冠层光谱中指示目标性状的重要信息应尽量整合大多数光谱波段反射率的信息。光谱范围350～1350 nm波段反射率与小麦叶片氮含量、土壤氮含量均有较强的相关性，因此，有必要进一步深入挖掘光谱信息中指示小麦叶片氮含量和土壤氮含量的信息，明确该光谱范围内波段反射率与二者的定量关系。由于连续的光谱波段间存在严重的多重共线性问题，且样本数少、解释变量过多，普通多元回归方法不能很好地解决此问题，而PLSR分析能够很好地解决上述问题。PLSR模型可以解释小麦叶片氮含量和土壤氮含量的响应变异分别达到84.2% 和64.5%，其预测力较所选植被指数的模型有所提高，说明综合尽可能多的光谱波段信息可以有效地提高对目标性状的预测力。

本研究在前人研究的基础上，综合分析了小麦冠层光谱与叶片氮含量、土壤氮含量的关系，进而构建了叶片氮含量和土壤氮含量的估算模型，可有效地预测小麦氮素营养和土壤供氮能力。但也存在着一些不足之处，由于“土壤—冠层—光谱”的信息传递关系，使得指示土壤的信息在冠层光谱信息中所占比例较少，且随着生育期的推进，植被冠层不断增大，冠层光谱中含有的土壤信息会越来越少，从而导致直接利用冠层光谱估算土壤养分难度很大。冠层光谱对不同地点环境的敏感性，本研究考虑了2年3点不同氮素水平下2个品种的高光谱响应差异，该模型还有待于进一步在其他生产区域进行验证和改善，因此，下一步研究将考虑多年多点环境不同品种在不同供氮水平的冠层高光谱信息为基础，系统地分析“冠层－植株”与“植株－土壤”的关系，从而建立起稳定的小麦叶片氮素营养及间接的土壤供氮水平的估算模型，进而扩展遥感估算模型的普适性和可靠性，由此系统地监测小麦氮素营养及其土壤供氮水平，做到合理施肥，并有效提高土壤氮利用率。

4　结论

小麦冠层反射光谱与叶片氮含量的相关性分析表明，可见光波段367～719 nm光谱反射率与叶片氮含量达到极显著负相关(P<0.01)，而近红外波段738～1143 nm光谱反射率与叶片氮含量均呈现极显著正相关(P< 0.01)。冠层光谱与土壤氮含量的相关性分析表明可见光波段432～717 nm光谱反射率与土壤氮含量达极显著负相关(P<0.01)，而近红外波段739～1141 nm光谱反射率与土壤氮含量均呈显著正相关(P<0.01)。基于光谱参数ND705和GNDVI建立的叶片氮含量估算模型的决定系数分别为0.827和0.826，标准误分别为0.397和0.398。基于光谱参数VOG2建立的土壤氮含量估算模型的决定系数和标准误为分别为0.646和0.093。所建小麦叶片氮含量的PLSR估算模型的决定系数和均方根误差分别为0.842和0.379，所建土壤氮含量PLSR模型的决定系数和均方根误差分别为0.654和0.092。

参考文献

[1]周丽丽,冯汉宇,阎忠敏,等.玉米叶片氮含量的高光谱估算及其品种差异[J].农业工程学报,2010(08):195-199.

[2]姚霞,朱艳,田永超,等.小麦叶层氮含量估测的最佳高光谱参数研究[J].中国农业科学,2009,42(8):2716-2725.

[3]吴华兵,朱艳,田永超,等.棉花冠层高光谱参数与叶片氮含量的定量关系[J].植物生态学报,2007(05):903-909.

[4]李映雪,朱艳,田永超,等.小麦叶片氮含量与冠层反射光谱指数的定量关系[J].作物学报,2006,32(3):358-362.

[5]翟清云,张娟娟,熊淑萍,等.基于不同土壤质地的小麦叶片氮含量高光谱差异及监测模型构建[J].中国农业科学,2013,46(13):2655-2667.

[6]张娟娟,田永超,姚霞,等.基于高光谱的土壤全氮含量估测[J].自然资源学报,2011,26(5):881-890.

[7]潘文超,李少昆,王克如,等.基于棉花冠层光谱的土壤氮素监测研究[J].棉花学报,2010,22(1):70-76.

[8]Miller J R,Wu J,Boyer M G,et al.Seasonal patterns in leaf reflectance red-edge characteristics[J].International Journal of Remote Sensing,1991,12(7):1509-1523.

[9]Miller J R,Hare E W,Wu J.Quantitative characterization of the vegetation red edge reflectance 1.An inverted-Gaussian reflectance model[J].International Journal of Remote Sensing,1990,11(10): 1755-1773.

[10]Slaton M R,Raymond Hunt E,Jr.,Smith W K.Estimating nearinfrared leaf reflectance from leaf structural characteristics[J].Am J Bot,2001,88(2):278-284.

[11]Demetriades-Shah T H,Steven M D,Clark J A.High resolution derivativespectrainremotesensing[J].RemoteSensingof Environment,1990,33(1):55-64.

[12]Kokaly R F,Clark R N.Spectroscopic Determination of Leaf Biochemistry Using Band-Depth Analysis of Absorption Features and Stepwise Multiple Linear Regression[J].Remote Sensing of Environment,1999,67(3):267-287.

[13]Jamieson P D,Porter J R,Wilson D R.A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand[J].Field Crops Research,1991,27(4):337-350.

[14]Kimes D S,Idso S B,Pinter Jr P J,et al.View angle effects in the radiometric measurement of plant canopy temperatures[J].Remote Sensing of Environment,1980,10(4):273-284.

[15]Krishnan P,Alexander J D,Butler B,et al.Reflectance technique for predicting soil organic matter[J].Soil Science Society of America Journal,1980,44(6):1282-1285.

[16]Gutierrez-Rodriguez M,Escalante-Estrada J A,Rodriguez gonzalez M T,et al.Canopy reflectance and yield in common bean plants (Phaseolus vulgaris L.).I.Effect of nitrogen.Europe Pubmed Central,2003,46:103-104.

[17]Sims D A,Gamon J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species,leaf structuresanddevelopmentalstages[J].RemoteSensingof Environment,2002,81(2–3):337-354.

[18]Zhou Q F,Liu Z Y,Huang J F.Detection of nitrogen-overfertilized riceplantswithleafpositionaldifferenceinhyperspectral vegetation index[J].J Zhejiang Univ Sci B,2010,11(6):465-470.

[19]Marshak A,Knyazikhin Y,Davis A B,et al.Cloud-vegetation interaction:UseofNormalizedDifferenceCloudIndexfor estimation of cloud optical thickness[J].Geophysical Research Letters,2000,27(12):1695-1698.

[20]Shibayama M,Akiyama T.Seasonal Visible,near-Infrared and Mid-Infrared Spectra of Rice Canopies in Relation to Lai and above-Ground Dry Phytomass[J].Remote Sensing of Environment,1989, 27(2):119-127.

[21]Blackburn G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales:An evaluation of some hyperspectral approaches [J].Remote Sensing of Environment,1998,66(3):273-285.

[22]Tian Y C,Yao X,Yang J,et al.Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentrationwithground-andspace-basedhyperspectral reflectance[J].Field Crops Research,2011,120(2):299-310.

[23]Kim Y,Glenn D M,Park J,et al.Hyperspectral image analysis for water stress detection of apple trees[J].Computers and Electronics inAgriculture,2011,77(2):155-160.

[24]Cassman K G,Pingali P L.Intensification of irrigated rice systems: Learning from the past to meet future challenges[J].GeoJournal, 1995,35(3):299-305.

[25]冯伟,姚霞,朱艳,等.基于高光谱遥感的小麦叶片含氮量监测模型研究[J].麦类作物学报,2008,28(5):851-860.

[26]Gitelson A A,Merzlyak M N.Signature Analysis of Leaf Reflectance Spectra:Algorithm Development for Remote Sensing of Chlorophyll[J].Journal of Plant Physiology,1996,148(3-4):494-500.

[27]Moges S M,Raun W R,Mullen R W,et al.Evaluation of Green, Red,and Near Infrared Bands for Predicting Winter Wheat Biomass,Nitrogen Uptake,and Final Grain Yield[J].Journal of Plant Nutrition,2005,27(8):1431-1441.

Estimation of Nitrogen Content in Wheat Leaf and Nitrogen Supply Capacity of Soil by Hyperspectral Reflectance

Xie Fulai,Shi Xiaofang,Shi Zhongliang,Tian Weiwei,Lu Dongtao,Zhang Shichang
(Wheat Research Institute,Shanxi Academy of Agricultural Sciences,Linfen 041000,Shanxi,China)

Abstract:Effectively monitoring crop nitrogen nutritional level and soil nitrogen supply capability can provide an important basis for the rational application of nitrogen during fertilization.In this study,the method of vegetation index and partial least square regression(PLSR)were used to compare and analyze the relationship between the hyperspectral reflectance of wheat canopy and the concentration of nitrogen in leaf and soil based on data from three growing regions across two growing seasons.The correlation between canopy spectral reflectance and leaf nitrogen content was significantly negative in the visible bands.Moreover,a significantly positive correlation existed in near-infrared bands,while the correlation of canopy spectral reflectance and soil nitrogen content showed the right opposite results.The determination coefficients from the regression model of leaf nitrogen content based on spectral parameters of ND705 and GNDVI were 0.827 and 0.826.According to the parameter ND705 and GNDVI,the determination coefficient obtained by the regression model was 0.646. Compared with the vegetation index,the prediction accuracy of PLSR models for wheat leaf and soil nitrogen content on the spectral reflectance among 350-2500 nm was enhanced with the determination coefficients as 0.842 and 0.654.These results could provide certain theoretical basis and technical support for further study on diagnosing nitrogen nutrition of wheat and soil,and monitoring rational nitrogen fertilization.

Key words:Wheat;Canopy Spectral Reflectance;Leaf Nitrogen Content;Soil Nitrogen Content;Spectral Parameter

中图分类号：S512.1

文献标志码：A论文编号：cjas15090013

基金项目：山西省农业攻关项目“小麦种质中优异基因资源的开发与材料创制”(20150311001-5)。

第一作者简介：谢福来，男，1958年出生，山西临汾人，研究方向为小麦遗传育种。

通信地址：041000山西省临汾市幽并街33号山西省农科院小麦研究所，Tel：0357-2882216，E-mail：sxnkyzj@126.com。 041000山西省临汾市幽并街33号山西省农科院小麦研究所，Tel：Tel：0311-86839186，E-mail：nkyzsc2003@163.com。

通讯作者：张士昌，男，1977年出生，河北正定人，博士，研究方向为小麦遗传育种。

收稿日期：2015-09-30，修回日期：2015-12-18。