冬小麦籽粒氮积累量高光谱监测研究

贾学勤 ，冯美臣 ，王 超，杨武德 ，李广信 ，孙 慧 ，武改红 ，张 松

（1.山西农业大学农学院，山西太谷 030801；2.山西省农业科学院作物科学研究所，山西太原 030031）

氮素是作物重要的营养元素，对作物生长具有重要的影响，而且对作物产量和品质形成影响显著。对作物氮素状况估测的传统方法是以田间破坏性取样结合实验室化学测试为主，耗费大量人力物力，且估测范围小，难以实现作物氮素状况的大面积快速估测[1-2]。随着高光谱技术的快速发展，其已经越来越多地应用于作物生长信息等方面的监测[3]，使得实现作物氮素积累状况快速、无损估测成为可能。

近年来，国内外学者在利用高光谱技术监测作物氮素状况方面做了大量研究，其中，在作物含氮量光谱监测方法和敏感波段方面的研究较多。THOMAS等[4]研究指出，550～675 nm光谱反射率与甜椒叶片含氮量相关性较高。FOURTY等[5]研究表明，在 1 510，1 730，1 980，2 060，2 180，2 240，2 300 nm波段对干叶含氮量反应敏感。吕玮等[6]研究表明，在400～760 nm处光谱反射率对叶片氮素含量响应较大。岳延滨等[7]研究结果表明，760～1350 nm范围的光谱反射率能较好实现叶片和全株含氮量的光谱监测。HANSEN等[8]结合偏最小二乘回归（PLSR）建立冬小麦氮含量高光谱监测模型，取得了较好的结果。王仁红等[9]利用线性内插法红边位置构建了植株氮素估测模型。李丹等[10]研究证实，优化的光谱指数（R876/R730）-1监测小麦和玉米含氮量效果较好。孙慧等[11]以叶面积指数（LAI）为中间变量构建水旱地冬小麦植株含氮量估测模型。而与作物含氮量相比，对作物氮积累量高光谱监测方面研究相对较少。谌俊旭等[12]研究表明，利用DSI（771，755）构建的幂函数和线性模型对于大豆叶片氮积累量估测较精确。崔日鲜等[13]研究指出，用随机森林算法建立的冬小麦叶片氮积累量光谱估测模型拟合效果最佳。STONE等[14]利用植株氮光谱指数（PNSI）构建了小麦植株氮积累量估测模型。冯伟等[15]研究利用光谱参数较好地实现了冬小麦地上部氮积累量动态变化的高光谱监测。

综上所述，目前研究多侧重于叶片和植株氮积累量光谱监测方面的研究，而籽粒灌浆期氮积累量的监测研究鲜有报道，实现籽粒灌浆期氮积累量动态监测对于小麦产量和品质估测具有重要意义。

本研究在2 a氮运筹试验的基础上，综合分析冬小麦灌浆期叶片和植株氮积累量的定量关系，并结合偏最小二乘法（PLS）和逐步多元线性回归（SMLR），选择出实现冬小麦籽粒氮积累量光谱监测适宜的农学参数，进而建立冬小麦生长过程籽粒氮积累动态定量估测模型，以期为冬小麦产量和品质高光谱估测提供有效技术途径。

1 材料和方法

1.1 试验地概况

本研究于山西省晋中市太谷县山西农业大学试验站进行，试验地土壤为黄土母质发育而成的石灰性褐土，耕层土壤基础肥力列于表1。

表1 试验地耕层土壤肥力

1.2 试验材料

1.2.1 供试作物 试验1为冬小麦济19和鲁麦14；试验2为冬小麦济22和长4738。

1.2.2 供试肥料 尿素（含纯氮46%），过磷酸钙（含P2O516%），氯化钾（含K2O60%）。

1.2.3 仪器与设备 Field Spec Pro FR型便携式光谱仪（美国ASD公司），Smartchen 200全自动化学分析仪（法国Alliance公司）。

1.3 试验设计

试验分为2个阶段，其中，试验1于2015年10月至2016年6月进行，播种时间为2015年9月25日，采用完全随机区组设计，5个氮梯度：纯氮0，75，150，225，300 kg/hm2，分别用 N0，N1，N2，N3，N4表示；基追比为6∶4，拔节期追肥。小区面积为12 m2（3 m×4 m），重复3次。冬小麦行距20 cm，各处理配施P2O5150 kg/hm2和K2O 150 kg/hm2，全部用作基肥。其他管理措施同高产小麦田。试验2于2016年10月至2017年6月进行，播种时间为2016年10月1日。其他处理同试验1。

1.4 测定项目及方法

1.4.1 冬小麦冠层光谱测量 从小麦开花期开始，每隔5～8 d测量一次冠层光谱，具体测量时间如表2所示。本试验采用美国ASD公司的Field Spec ProFR型便携式光谱仪测定冬小麦冠层，波段范围为350～2 500 nm。测量在晴朗、无风的天气下进行，时间选择在10：00—14：00。测量时探头位于冠层上方1 m，重复10次，每个小区选择3个点进行测量，将采集的光谱数据平均值作为该小区反射率光谱。

表2 冬小麦冠层光谱测量时间 月-日

1.4.2 农学参数测定 与光谱测量同步，在小区光谱测量样点处取20 cm冬小麦植株，重复2次。取样后去掉根部，分离茎、叶、穗（开始灌浆后分离出种子）烘干，称取干质量；然后粉碎，采用微量凯式定氮法[16]分别测量各部分全氮含量。氮积累量（NA）（g/m2）＝全氮含量（NC）（%）干生物量（DW）（g/m2），按照公式分别计算植株氮素积累量（PNA）、叶片氮积累量（LNA）以及籽粒氮积累量（GNA），其中，开花期植株氮积累量（PNA）为茎、叶、穗各部分氮积累量的和，开始灌浆后植株氮积累量（PNA）是除籽粒外各部分氮积累量的总和。

1.4.3 高光谱模型建立及模型评价 偏最小二乘法（PLS）是一种在光谱学领域应用比较广泛的变量选择方法，常以B系数（B-coefficient）和变量重要投影（VIP）为依据进行重要波段的选择[17]。本研究借鉴前人研究结果，选择B-coefficient且VIP＞1的波段为重要波段[18]。此外，偏最小二乘（PLS）和逐步多元线性回归（SMLR）组合建模可以充分挖掘利用波段信息，提高模型精度。因此，本研究选择PLS-SMLR结合建立模型。

1.5 数据处理

采用ViewSpec Pro光谱分析软件进行预处理，用Matlab 7.0软件进行相关性分析和PLS重要波段提取，用SPSS软件进行SMLR模型建立，用Origin 8.0软件制图。

2 结果与分析

2.1 基于PLS的冬小麦植株及叶片氮积累量光谱特征波段提取

分别构建冬小麦PNA和LNA偏最小二乘（PLS）模型，并根据PLS分析的B-coefficients和VIP系数选择冬小麦PNA和LNA高光谱特征波段。由图1可知，冬小麦 PNA在 401～491，515～585，732～1300，1961～2 041 nm波段处B-coefficients和VIP系数均比较大，冬小麦LNA则以518～636，694～952，1 052～1 085 nm为光谱特征波段区域。

2.2 冬小麦植株及叶片氮积累量光谱估测模型

在PLS提取的特征波段区域的基础上，结合SMLR进一步提取PNA和LNA特征波段，建立SMLR光谱监测模型（表3）。

如表3所示，冬小麦PNA和LNA特征波段存在明显差异，LNA特征波段集中在近红外平台区域（740～1 100 nm），而PNA特征波段在可见光区域和近红外区域均有分布。对模型精度进行评价，结果发现，PNA和LNA这2个模型监测效果均较好，决定系数R2均达到0.65以上，其均方根误差RMSE也相对较小。其中，LNA模型监测精度较高，其R2较高，达到了 0.795，RMSE较低，为 2.749；PNA光谱估测模型的R2和RMSE分别为0.659和5.903。

表3 冬小麦PNA和LNA光谱监测模型及精度

2.3 冬小麦植株及叶片氮积累量与籽粒氮积累量的关系

表4 冬小麦PNA和LNA与GNA的相关性及定量关系

分别对冬小麦开花后PNA和LNA与GNA做相关性分析，并建立相应的定量关系（表4）。从表4可以看出，冬小麦PNA和LNA均与GNA有较好的相关性，均呈极显著负相关。其中，PNA与GNA相关性略高于LNA，达到了-0.821。根据定量关系可知，PNA与GNA有较好的线性关系，方程决定系数R2为0.677，而指数方程能较好反映LNA与籽粒氮积累量的定量关系，其决定系数达到了0.724，拟合效果略优于PNA。

2.4 冬小麦籽粒氮积累量高光谱动态监测模型建立及验证

由于PNA和LNA与GNA间存在较好的定量关系，且PNA和LNA光谱估测模型精度也均较高，因此，分别以PNA和LNA为中间变量，将PNA和LNA与GNA的定量关系方程与其光谱监测模型相联系，建立GNA光谱监测模型，并用试验2数据进行验证（表5）。由表5可知，以LNA为中间变量建立的GNA光谱监测模型精度较高，其建模集和验证集表现均较好，R2均较高，分别为0.704和0.621，RMSE较小，分别为7.613和8.801。

表5 冬小麦GNA估测模型表现

3 讨论与结论

由于冬小麦籽粒体积较小，且其外由颖壳包裹，对冠层光谱反射率的影响较小，直接监测籽粒氮积累量困难较大[14]，因此，本研究选择“冠层光谱—农学参数—籽粒氮积累量”这一路线，以实现冬小麦灌浆及成熟期籽粒氮积累量动态变化准确监测。本研究通过PLS和SMLR结合提取植株和叶片氮积累量特征波段，并建立光谱监测模型。提取的叶片氮积累量特征波段为近红外平台区域，可能主要是由于该波段与植株叶片的结构以及特性有关，而叶片氮积累量包含了叶片生物量和氮含量信息，这与叶片结构和特性关系较密切[19]。而植株氮积累量特征波段分布范围较大，在可见光和近红外区域均有分布，这可能与植株氮积累量特征波段不只包含了叶片氮积累量信息，而且还与茎和穗壳氮积累量信息有关。本研究基于PLS-SMLR建立的冬小麦植株和叶片氮积累量光谱模型精度均较高，这有效提高了籽粒氮积累量的光谱监测精度。研究结果，也表明以叶片和植株氮积累量为中间变量建立的籽粒氮积累量光谱监测模型表现均较好；其中以LNA-GNA模型的监测精度较高。

综上所述，本研究得出，结合PLS和SMLR建立的冬小麦植株和叶片氮积累量光谱监测模型精度均较高，且二者与籽粒氮积累量均具有较好的定量关系，方程拟合精度都达到了0.677以上。以植株和叶片氮积累量为中间变量建立的冬小麦籽粒氮积累量高光谱动态监测模型中，以叶片氮积累量为中间变量建立的模型表现较好，其建模集的R2达到了0.704，RMSE为7.613，验证集R2为0.621，RMSE为8.801。

［1］李丹，李斐，胡云才.基于光谱指数波段优化算法的小麦玉米冠层含氮量估测[J].光谱学与光谱分析，2016，36（4）：1150-1157.

［2］石吉勇，邹小波，赵杰文.近红外光谱技术快速无损诊断黄瓜植株氮、镁元素亏缺[J].农业工程学报，2011，27（8）：283-287.

［3］乔星星，冯美臣，杨武德.SG平滑处理对冬小麦地上干生物量光谱监测的影响[J].山西农业科学，2016，44（10）：1450-1454.

［4］THOMAS J R，OERTHER G F.Estimatingnitrogen content of sweet pepper leaves by reflectance measurements[J].Agronomy Journal，1972，64（1）：11-13.

［5］FOURTYT，BARETF.Leafoptical properties with explicit description of its biochemical composition：direct and inverse problems[J].Remote SensingofEnvironment，1996，56（2）：104-117.

［6］吕玮，李玉环，张军.基于不同腐植酸供应水平下小麦叶片理化参数及其光谱响应分析[J].华北农学报，2017，32（5）：232-238.

［7］岳延滨，聂克艳，黎瑞君，等.不同施氮水平辣椒地上部全氮含量与冠层光谱反射率的相关性 [J].贵州农业科学，2014，42（11）：244-247.

［8］ HANSEN P M，SCHJOERRING J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote SensingofEnvironment，2003，86（4）：542-553.

［9］王仁红，宋晓宇，李振海，等.基于高光谱的冬小麦氮素营养指数估测[J].农业工程学报，2014，30（19）：191-198.

［10］李丹.基于优化光谱指数的小麦玉米冠层氮素含量预测[D].呼和浩特：内蒙古农业大学，2015.

［11］孙慧，冯美臣，杨武德，等.水旱地冬小麦植株氮素含量的高光谱监测[J].山西农业科学，2015，43（3）：273-276.

［12］谌俊旭，黄山，范元芳，等.单作套作大豆叶片氮素积累与光谱特征[J].作物学报，2017，43（12）：1-10.

［13］崔日鲜，刘亚东.基于机器学习和可见光光谱的冬小麦叶片氮积累量估算[J].光谱学与光谱分析，2016，36（6）：1837-1842.

［14］STONE ML，SOLIE J B，RAUN W R.Use of spectral radiance for correcting in-season fertilizer nitrogen deficiencies in winter wheat[J].Transactions ofthe ASAE，1996，39（5）：1623-1631.

［15］冯伟，朱艳，姚霞，等.小麦氮素积累动态的高光谱监测[J].中国农业科学，2008，41（7）：1937-1946.

［16］赵佳佳.氮运筹模式下冬小麦籽粒蛋白光谱监测及氮亏缺模型研究[D].太谷：山西农业大学，2015.

［17］武改红，冯美臣，杨武德，等.不同氮运筹模式冬小麦LAI光谱特征波段提取[J].山西农业科学，2017，45（4）：522-525.

［18］GOMEZC，LAGACHERIE P，COULOUMAG.Continuumremoval versus PLSR method for clay and calcium carbonate content estimation fromlaboratoryand airborne hyperspectral measurements[J].Geoderma，2008，148（2）：141-148.

［19］王超.基于化学计量学方法的冬小麦长势光谱信息提取及监测研究[D].太谷：山西农业大学，2016.