不同水分条件下棉花冠层含氮量高光谱监测研究

马岩川，刘 浩，陈智芳，张 凯，王景雷，孙景生

（中国农业科学院 农田灌溉研究所/农业部作物需水与调控重点开放实验室，河南 新乡 453002）

0 引 言

合理的氮素施用对保持土壤肥力以及提升作物产量和品质均有至关重要的作用，土壤中氮素不足会影响作物发育，而过量的氮素施用不但可能造成减产，且未能被作物利用的氮肥将以亚硝酸盐（NO3-N）的形式进入地下水或通过分解成N2O 等温室气体等途径对生态环境造成污染[1-2]。因此如何在保证作物健康生长的同时减少氮肥的使用，已成为学者们研究的热点问题。对作物氮素状况进行实时监测是一个有效的途径。随着遥感技术被广泛地应用于农业领域，特别是近年来高分辨率遥感技术的迅速发展，学者们在利用高光谱遥感技术对农作物氮素营养状况监测方面进行了大量研究。姚霞等[3]提出的高光谱指数RSI（990，720）对小麦叶片氮积累量估算精度较高，监测模型决定系数达到0.81。梁亮等[4]提出的微分归一化氮指数（FD-NDNI）可以有效估算拔节后至孕穗前小麦的冠层含氮量（R2=0.81）；Inoue 等[5]在不同尺度进行水稻氮素状况监测时发现，比值光谱指数RSI（D740，D522）在机载设备通道数较多时对CNC 估算精度最好，而RSI（825，735）则是通道数受限时的最佳光谱指数选择；王烁等[6]研究发现在花铃期比值光谱指数RSI（500，563）与棉花叶片SPAD 存在很强的相关性；Singh 等[7]研究发现简单比值光谱指数R595/R1676和R595/R508对高粱叶片氮浓度的估算效果最佳；Zhao 等[8]提出的植被指数NDSI（710，512）与SAVI（710，512）（L=0.05）对玉米氮素监测精度较高，RRMSE 在11.4%和13.1%之间；洪帅等[9]研究发现不同生育期棉花冠层叶片叶绿素量与红边指数的相关性均较高（r＞0.89）；Duan 等[10]研究表明，考虑氮素垂直分布后使用不同植被指数监测小麦叶片含氮量的模型精度更高。

前人在不同尺度对多种作物的氮素监测已有了深入研究，所提出的多种植被指数在农田肥料管理中已有广泛应用。作物吸氮能力受根区生物量以及根系活力等因素限制，不同生育期的干旱将影响作物根系发育与分布，减低土壤内氮素的有效性，进而影响作物对氮素养分吸收、转化和同化[28-29]。另一方面，蕾期及花铃前期的水分胁迫会抑制棉花的营养生长，影响棉花的冠层结构，在近红外波段棉花冠层光谱反射率随灌溉量的增加而提升[30-31]。因此水分盈亏不仅会影响作物对氮素的吸收，亦对作物的冠层光谱造成影响；另一方面，植被反射光谱呈现出对水分的强吸收特性会影响其对氮素的弱吸收特性，目前缺乏考虑不同水分下的棉花冠层含氮量监测的研究。本研究通过设计不同灌溉、施肥梯度的水肥试验，以麦后移栽棉为研究对象，分析不同水分状况对棉花CNC 估算的影响，提出一种适用于不同水肥条件下估算棉花CNC的水分钝感植被指数并构建监测模型，为快速、无损地监测棉田氮肥状况提供一定理论依据和方法。

1 材料与方法

1.1 研究区概况

试验于2018 年4—10 月在中国农业科学院新乡综合试验基地（35°18'N，113°54'E）的大田中进行，试验地位于黄淮海中部人民胜利渠灌区内，年平均气温14 ℃，蒸发量2 000 mm（直径20 cm 蒸发皿值），日照时间为2 399 h，光热资源丰富，属暖温带大陆性季风气候，耕作制度以1 年2 熟为主，前茬作物为冬小麦。田间土质为砂壤土，1 m 土层平均体积质量为1.51 g/cm3，田间持水量为20.60 %（质量含水率），地下水埋深大于5 m，0～100 cm 土层平均土壤速效氮、速效磷、速效钾量分别为21.62、4.96、79.24 mg/kg，土壤有机质量为7.80 g/kg。

表1 生育期内各处理施氮量 Table 1 Amount of nitrogen application of each treatment during the different growth period kg/hm2

1.2 试验设计

供试品种为‘鲁棉54’，采用基质育苗，于2018年6 月1 日选长势一致的棉株由苗床移植至大田。棉花移栽前结合耕地施P、K 分别为75、54 kg/hm2作为基肥，在花铃期随灌溉水追施K 为45 kg/hm2。试验在全生育期内设置4 种施氮水平：0（N0）、75（N1）、150（N2）、225（N3），设置2 种灌溉梯度：15（50%ET，W1）、30（100%ET，W2），不同生育阶段施氮量如表1 所示，完全组合共8 个处理，每个处理重复3 次。每个处理小区规格为9.6 m×50 m，移栽行距70 cm，株距20 cm，采用地表滴灌的灌水方式，每行棉花铺设一根滴灌带，滴头间距20 cm，流量为2.2 L/h，工作压力0.1 MPa。依据累积潜在蒸散发ETc控制灌溉，其中ETc根据作物系数法确定。式中：ETc为作物蒸散发量（mm/d）；Kc为作物系数，由本课题组多年田间试验回归得到[11]；ET0为参考蒸散发量（mm/d），依据试验距小区50 m 处田间小型气象站提供的气象数据，根据Penman-Monteith 公式计算[12]。

1.3 测定方法

本试验使用ASD HH2 便携式光谱仪（Analytical Spectral Devices，Boulder，CO，USA）测定棉花冠层高光谱数据，波长范围为325～1 075 nm，采样间隔为1.4 nm，光谱分辨率为3 nm。选择在天气晴朗、无风或风速很小的10:00—14:00 之间测定，测量时传感器探头垂直向下，光谱仪视场角为25°，距冠层顶垂直高度约1.0 m[13]。每个小区设置3 个观测点，在每个观测点连续采集10 个冠层光谱信息，取小区内各观测点冠层光谱反射率的平均值作为该小区冠层光谱反射值。棉花冠层光谱测定完成后立刻在各小区光谱测定位置对应选取1～2 株棉花，剪取其地上部分带回实验室分离各器官，并称取鲜质量，105 ℃杀青后75 ℃烘干至恒质量，称取干质量后磨碎并采用凯氏定氮法测定各器官含氮率。本研究以冠层含氮量[14-15]（CNC）及冠层等效水厚度[16]（CEWT）作为表征棉花冠层氮素、水分量的指标。试验在蕾期和花铃期共采集104 个样本，以其中70 个作为训练集，剩余34 个作为测试集。

1.4 数据分析方法

利用SPSS21 进行CNC 的统计学分析，使用Matlab2016b 进行CNC 与冠层光谱反射率相关分析。本文选取的光谱指标分别是归一化差分光谱指数NDSI 和比值光谱指数RSI，采用相关系数r、标准误差RMSE、相对均方根误差RRMSE 作为评价最优特征波段的标准[17]。

式中：Rλi为i 波长处的光谱反射率，在325～1 075 nm范围内每隔1 nm 读取光谱反射率数据，采用矩阵的形式将所有可能波段两两组合构建光谱指数，然后与相应的CNC 的观测值进行相关分析，计算相关系数r 并绘制r2等势图，最后基于r2、RMSE、RRMSE 及光谱学原理选取最优光谱指数。本研究涉及的光谱指数矩阵构建、相关系数计算、r2等高线图绘制等工作均在Matlab2016b 中通过自编程序实现。

2 结果与分析

2.1 棉花冠层含氮量的统计分析

从整个生育期内在大田获取的104 个样本中随机选取2/3 作为全生育期的建模样本，剩余1/3 作为 检验样本。从表2 可知，蕾期CNC 最大值为85.71 kg/hm2，最小值为29.46 kg/hm2；花铃期CNC 最大值为294.20 kg/hm2，最小值为65.08 kg/hm2，分布区间均较大，满足建模需求。

表2 冠层含氮量（CNC）统计描述 Table 2 Statistical description of canopy nitrogen content

2.2 棉花冠层含氮量与光谱反射率相关性分析

根据表2 全生育期内的观测数据（n=104），确定了CNC 与棉花冠层光谱的相关性，如图1 所示。CNC 与冠层光谱反射率在 525～590、655～685、700～780 nm 可见光波段附近均出现连续的敏感区域，都达到了0.01 显著相关水平（|r|＞0.254）；其最大相关系数|r|max为0.53，位于718 nm，而在550 nm附近|r|也达到了0.52。

图1 CNC、CEWT 与冠层光谱反射率的相关性 Fig.1 Correlationship of CNC and CEWT with canopy reflectance

2.3 光谱指数与棉花CNC 的定量关系

2.3.1 不考虑CEWT的影响时光谱指数对棉花CNC的估算

使用表2 训练数据集（n=70），利用冠层光谱反射率构建的光谱指数，并与对应的冠层含氮量进行相关分析，绘制棉花CNC 与NDSI、RSI 相关系数等高线图。由图2 可以看出，NDSI 相关系数较高（r2＞0.6）的波段组合主要在λ1=500～575 nm 及775～925 nm，λ2=425～525 nm及725～875 nm附近，r2最大值为0.76；RSI 与NDSI 等高线图相似，其中RSI 与CNC 相关系数的平方r2最大值为0.72。以相关系数最高为原则，选取NDSI（800，770）进行建模和检验。如图3 所示，尽管NDSI（800，770）建模时的效果较好，但当棉花含水量较高时（CEWT＞0.6 mm），其对CNC的估算效果较差（r2＜0.65）。这说明在进入花铃期后，基于NDSI（800，770）的模型精度将有大幅度降低。为了改善这一现象，本文针对水分对氮素反演精度的影响做了进一步分析。

2.3.2 考虑CEWT的影响时光谱指数对棉花CNC估算

本研究继续分析了冠层光谱反射率与棉花CEWT 的相关性，如图3 所示，NDSI（800，770）包含的770 nm 与CEWT 呈显著相关，这说明该波段附近的光谱反射率可能对冠层水分变化较为敏感，通过分析CEWT 与光谱指数的关系时。从图3 可以看出，光谱指数NDSI（800，770）恰好落在光谱指数NDSI对CEWT 较为敏感区域内（r2＞0.4）。为了降低可能由于水分的影响而造成含氮量低估现象，本研究在λ1=500～575 nm，λ2=425～525 nm 区域中选取对CEWT钝感（r2＜0.1），且对CNC 敏感的（r2max）的NDSI（570，500）作为反演CNC 最佳的光谱指数，进行建模与验证。如图4 所示，尽管NDSI（570，500）建模效果较NDSI（800，770）有所降低（r2=0.67），但模型验证时地对CNC 的预测精度有明显的增强，尤其在含水量较高（CEWT＞0.6 mm）时，原有监测模型（NDSI（800，770））对CNC 低估的现象得到一定改善。

图2 CNC 与光谱指数决定系数(r2)等高线图 Fig.2 Correlation coefficient contour map between CNC and spectral index

图3 NDSI（800，770）建模与检验表现 Fig.3 Calibration and validation performance of NDSI(800,770)

图4 NDSI（570，500）建模与检验表现 Fig.4 Calibration and validation performance of NDSI(800,770)

表3 各植被指数的CNC 估测模型及其评价指标 Table 3 CNC estimation model and evaluation index of differemt vegetation index

图5 CEWT 与NDSI 决定系数（r2）等高线图 Fig.5 Correlation coefficient contour map between CNC and NDSI

3 讨 论

CNC 与株高、茎密度、叶绿素量等农艺指标具有密切的线性关系[5,7]，利用遥感技术估算棉花CNC有助于高效、精确地进行棉田肥料管理。CNC 监测模型可以与作物生长模型相结合，对产量和粮食品质进行动态评估或预测。

然而棉花在整个生育期内，由于自身生长发育以及降雨量和灌溉量等外界环境的影响，植株体内 含水量变化显著。已有研究表明，对于群落内生长旺盛的作物，其冠层光谱的“红边”位置会往长波方向“红移”；而对于干旱缺水或受渍害的作物，“红边”位置会向短波方向“蓝移”[18,32]。在近红外波段，植株体内水分变化会迅速改变对其冠层光谱反射率，进而干扰目前常用植被指数对氮素状况的监测精度。本研究在未考虑作物水分差异时利用指数NDSI（800，770）对棉花冠层含氮量的监测效果并不理想,尤其是当棉株生长旺盛后，模型的估计值偏低，且800 nm与770 nm 处在红边附近，很容易受棉花冠层水分变化、长势等因素的影响。在选择了对水分钝感波段组合570 nm、500 nm 后，所建立的线性模型在棉花全生育期内均较NDSI（800，770）拥有更高的预测精度。本研究中11 种已经发表的光谱指数中，mSR705 的表现最好，其RRMSE 为0.39；VOGI1 表现最差，RRMSE 达到0.8，这可能是由于其适宜作物范围相对局限且形式较为简单等原因造成的。相比于以上各种光谱指数，本研究提出的NDSI（570，500）表现最佳。

4 结 论

冠层光谱与CNC 的最大相关系数|r|max为0.53，位于718 nm，550 nm 波段附近|r|也达到了0.52。不考虑水分量的影响时，NDSI（800，770）的建模效果最佳，R2为0.76，但当棉花进入生育后期，模型精度会大幅降低；考虑到水分变化对CNC 估算影响时，提出的NDSI（570，500）作为本研究最优光谱指数，有效提升了监测模型的预测精度，RRMSE 为0.18。