不同光谱指数反演马铃薯叶片氮累积量的研究

韩 康 于 静 石晓华 崔石新 樊明寿

不同光谱指数反演马铃薯叶片氮累积量的研究

韩 康 于 静 石晓华 崔石新 樊明寿*

内蒙古农业大学农学院, 内蒙古呼和浩特 010019

光谱指数作为光谱衍生参数, 可用于反映作物叶片氮累积量状况, 但其因环境与作物而有所不同。本研究在内蒙古察右中旗和杭锦旗, 以马铃薯克新1号与夏波蒂品种为研究对象, 于2016—2018年进行了田间试验, 并在马铃薯生育期间, 用手持式光谱仪(SVC HR-1024i)获取了马铃薯冠层地面观测光谱信息。在前人光谱指数算法的基础上, 通过相关分析对比了22种光谱指数与马铃薯叶片氮累积量(LNA)之间的相关关系, 并利用线性与非线性回归分析建立了马铃薯关键生育时期的氮素营养诊断模型。结果表明, (1)红边区域是反演马铃薯叶片氮素累积量的主要波段, 以715、720、726、734、747 nm构成的Vogelmann红边指数2 (VOG2)、Vogelmann红边指数3 (VOG3)为内蒙古地区马铃薯LNA的敏感光谱指数。(2)苗期、块茎形成期与全生育时期VOG3与LNA的关系符合二次项模型(2>0.75), 以此可以较好地估算不同施氮水平下的马铃薯LNA状况。(3)上述3个模型的均方根误差(RMSE)范围分别为4.04~6.69、9.45~10.89、9.17~13.45 kg hm−2, 生育时期对马铃薯叶片氮累积量监测模型的准确性影响较大, 生育后期模型的预测性能变差, 但全生育时期监测模型准确度较高, 因此生育前期分阶段建模与生育后期统一建模可以准确估算马铃薯氮素营养状况, 为光谱指数在马铃薯氮素营养诊断应用提供了理论依据与方法。

马铃薯; 叶片氮累积量; 光谱指数; 监测模型

内蒙古是中国马铃薯的主产区, 由于片面追求高产以及环境保护意识的缺乏, 马铃薯氮肥的投入量远高于推荐用量[1], 不仅造成氮肥利用率降低[2], 生产成本增加, 还会引起环境风险[3]。因此, 氮肥减施增效是马铃薯产业可持续发展必须解决的关键问题, 而在马铃薯关键生育时期准确判断作物氮素营养状况是氮肥减肥增效技术研发的核心与基础。叶片氮累积量(leaf nitrogen accumulation, LNA)包含了植株个体叶片氮含量与群体盖度特征的信息, 是判断作物氮素营养丰缺的重要指标[4-5], 因此准确、快速分析评价马铃薯LNA就显得尤为必要。

遥感技术因其连续的光谱特征信息、高分辨率等特点, 被尝试用于估算作物LNA[6-7]。光谱指数是遥感技术衍生参数之一, 由不同波段进行组合, 通过一定的计算形成。薛利红等[8-9]研究发现, 近红外与绿光波段的比值光谱指数(ratio vegetation index, RVI)可用于预估水稻LNA。周冬琴等[10]验证了上述结果, 并发现由1100 nm与560 nm构建的RVI估算水稻叶片氮累积量状况的精度更高。表明可以利用光谱指数预估水稻叶片氮累积量状况。冯伟等[11]通过对比不同的光谱参数与小麦地上部氮素累积量的数量关系发现, 基于传统光谱指数Vogelmann红边指数2 (vogelmann red edge index 2, VOG2)、Vogelmann红边指数3 (vogelmann red edge index 2, VOG2)和[(R750− R800) ⁄ (R695− R740)] − 1构建的监测模型可以有效地评价小麦地上部氮素积累状况, 模型的相对误差分别为15.5%、15.6%和15.5%; 姚霞等[12]利用减量精细采样法, 系统构建了全波段范围内所有两两波段组成的归一化光谱指数(normalized difference spectral indices, NDSI), 发现基于NDSI构建的小麦叶片氮累积量监测模型与传统光谱指数相比更加简单实用。表明光谱指数进行作物氮累积量状况的无损估算是可行的。但前人提出的敏感光谱指数因作物、环境条件而异。马铃薯的叶片结构、冠层特征和营养特点与其他作物不同, 前人的研究结果难以直接在马铃薯上应用。因此, 光谱指数的可靠性及其在内蒙古地区马铃薯上的适应性还需要深入研究。

不同作物与环境条件会影响敏感光谱指数的选择[8-12], 然而目前尚未见关于筛选内蒙古地区马铃薯LNA敏感光谱指数的研究。所以本文在内蒙古2个不同的生态区域, 于2016年至2018年以马铃薯克新1号与夏波蒂品种为研究对象, 进行田间试验, 参照前人光谱指数的算法, 分析22种光谱指数与马铃薯LNA的相关关系, 目的是筛选出敏感光谱指数, 并基于以上研究结果, 通过线性与非线性回归分析, 建立关键生育时期的氮素营养诊断模型, 为利用光谱遥感技术调控马铃薯施肥奠定基础。

1 材料与方法

1.1 试验地概况

察右中旗地属温带大陆性季风气候, 海拔1780 m, 年平均气温1.3℃, 年平均降雨量270 mm左右, 无霜期100 d左右, 土壤类型为栗钙土, 0~20 cm土层含有机质18.8 g kg−1、全氮1.4 g kg−1、有效磷12.6 mg kg−1、速效钾196 mg kg−1, pH 8.0。杭锦旗地属温带大陆性半干旱气候, 海拔1400 m, 年平均气温6.2℃, 年平均降雨量340 mm左右, 无霜期100 d左右, 土壤类型为风沙土, 0~20 cm土层含有机质7.4 g kg−1、全氮0.4 g kg−1、有效磷9.8 mg kg−1、速效钾76 mg kg−1, pH 8.9。

1.2 试验设计

试验于2016—2018年实施, 小区长为20 m, 宽为9 m, 面积为180 m2。设施氮0 (N0)、150 (N1)、300 (N2)、450 (N3)、600 kg hm−2(N4) 5个氮肥水平, 氮源为尿素, 氮肥施用方案见表1。磷肥(过磷酸钙, 含P2O516.5%)和钾肥(硫酸钾, 含K2O 50%)分别按P2O5180 kg hm−2和K2O 300 kg hm−2作为基肥一次性施入。种植密度为37,500株 hm−2。3次重复, 其他田间管理按常规进行。在出苗后20 d (苗期)、35 d (块茎形成期)、50 d (块茎膨大期)、65 d (淀粉积累期)进行冠层光谱测定和样品采集。不同年份供试品种、播种和收获日期、出苗日期、数据采集日期见表2。

1.3 测定指标及方法

1.3.1 冠层光谱反射率的测定 分别在出苗后20、35、50、65 d, 于10:00—14:00 (北京时间), 采用手持式地物波谱仪(SVC HR-1024i, Spectra Vista Corporation, USA), 从马铃薯冠层上方约1 m的高度垂直测量冠层光谱反射率。光谱仪传感器视场角为25º, 波长范围为350~2500 nm, 光谱分辨率与采样间隔见表3。为了获取更有代表性的冠层反射率, 随机选择3个直径约为45 cm的圆形区域为观测点, 每个观测点采集10条光谱, 并将这30条光谱平均作为整个小区的光谱样本。每个处理测量前均用BaSO4制成的20 cm × 20 cm标准白板(标准白板反射率为1, 所得目标物光谱为无量纲的相对反射率)校正。

表1 氮肥施用方案

N0~N4分别代表0、150、300、450、600 kg hm−2的氮肥水平。

N0–N4 represent 0, 150, 300, 450, 600 kg hm−2nitrogen fertilizer levels, respectively.

表2 田间试验概况

图1 试验地位置及试验小区分布

N0~N4分别代表0、150、300、450、600 kg hm−2的氮肥水平; a、b、c为3次重复。

N0–N4 represent 0, 150, 300, 450, 600 kg hm−2nitrogen fertilizer levels, respectively; a, b, and c are three replications.

1.3.2 叶片氮累积量的测定 在冠层光谱反射率采样范围内, 随机选取3株马铃薯植株, 将叶片与植株分离, 105℃下杀青30 min, 80℃下烘干至恒重后称重, 进而折算成单位土地面积的叶片干物质量(kghm−2)。粉碎后采用H2SO4-H2O2法消化, 使用K60全自动凯氏定氮仪测定叶片氮素含量(N %)。叶片干物质量(leaf dry weight, LWD)与叶片氮含量(leaf nitrogen content, LNC)的乘积即为叶片氮累积量(LNA), 计算如下。

LNA (kghm−2) = LWD (kghm−2) × LNC (%)

1.4 数据处理与分析

1.4.1 光谱指数计算 根据马铃薯冠层光谱特征, 参照已有光谱指数计算方法, 选出物理意义明确、认可度较高并且与本研究相关的22种光谱指数进行比较分析。各光谱指数计算方法与文献来源见表4。

表3 SVC HR-1024i的光谱分辨率与采样间隔

表4 光谱指数公式

1.4.2 数据分析 敏感光谱指数的筛选: 在分析光谱指数与LNA相关性基础上, 规定相关系数()的绝对值为0.67~1为强相关关系[29], 选择与LNA相关系数绝对值最大的光谱指数为敏感光谱指数。

监测模型的建立: 选择同一地点、品种的试验数据(Exp.1, Exp.4, Exp.5)作为建模集, 以LNA为因变量, 敏感光谱指数为自变量, 通过线性与非线性回归分析构建监测模型(根据趋势图, 候选模型确立为线性、二次、指数3种模型)。规定决定系数(2)大于0.75的回归模型的拟合性能为好[30], 可以估算作物LNA。

监测模型的检验: 将Exp.2与Exp.3的数据作为验证集, 用均方根误差(RMSE)、估测值与观测值之间1∶1的直方图来检验监测模型的准确性[31]。

式中,S和Q分别为LNA的估测值和观察值,为数据个数值。

2的值越大, RMSE的值越小, 则模型准确度越高。选择同一地点、品种的数据建立监测模型旨在提高监测模型的拟合性能, 通过不同地点、品种的独立试验进行检验旨在确定上述因素对模型准确性的影响。不同生育时期建模集与验证集的样本数量见表5。

采用SPSS 25进行马铃薯冠层光谱反射率、LNA的平均值、标准误等描述性统计分析、光谱指数与各LNA的相关分析与回归分析。采用Origin 2018制图。

2 结果与分析

2.1 叶片氮累积量及冠层光谱反射率对施氮量的响应

不同氮肥处理马铃薯LNA间存在显著差异。以Exp.1块茎膨大期为例, 随着施氮量的增加, 马铃薯LNA逐渐增加, 处理间差异显著, 当施氮量大于450 kg hm−2(N3)时, LNA不再随施氮量而增加(图2)。

表5 建模集与验证集的样本数量

施氮对不同波段范围内冠层光谱反射率影响不尽相同。在350~720 nm波段内, 随施氮水平增加, 反射率随之下降。然而在720~1350 nm的波段内, 反射率随施氮量的增加而增加(图3-a~c)。这归因于在可见光范围内叶绿素和其他色素吸收蓝光、红光且反射绿光, 在近红外波段范围内, 冠层叶片的结构会反射能量[32]。

2.2 不同光谱指数与叶片氮累积量的相关分析

对22种光谱指数与马铃薯LNA进行了相关分析, 依据相关系数绝对值高于0.66为强相关关系的标准进行评判[29]。马铃薯苗期LNA与10种光谱指数达到了强相关关系, 包括VOG3、VOG1、VOG2、mND705、NDVI705、mSR705、CRI1、SRI、CRI2、SIPI; 块茎形成期LNA与10种光谱指数达到了强相关关系, 包括VOG3、VOG2、mSR705、MTCI、VOG1、NDVI705、ARI2、ARI1、SRI、DVI; 块茎膨大期LNA与9种光谱指数达到了强相关关系, 包括VOG3、VOG2、MTCI、VOG1、mSR705、NDVI705、ARI2、ARI1、SRI。以上3个生育时期马铃薯LNA均与VOG3相关最密切, 相关系数分别为−0.868**、−0.872**、−0.859**(图3-a~c)。淀粉积累期LNA与6种光谱指数达到了强相关关系, 包括VOG2、VOG3、VOG1、MTCI、NDVI705、SRI, 其与VOG2相关最密切, 相关系数为−0.708**(图3-d), 而全生育时期LNA与9种光谱指数达到了强相关关系, 包括VOG3、VOG2、VOG1、mSR705、NDVI705、MTCI、SRI、ARI2、SIPI, 其中LNA与VOG3关系最密切(= −0.849**) (图3-e)。表明, 淀粉积累期敏感光谱指数为VOG2, 其他生育时期以及全生育时期敏感光谱指数为VOG3。

图2 不同施氮水平对叶片氮累积量的影响(Exp.1)

LNA为叶片氮累积量。处理同表1。不同小写字母表示在0.05水平上显著差异。

LNA is the leaf nitrogen accumulation. Treatments are the same as those given in Table 1. Different lowercase letters indicates significant difference at the 0.05 probability level.

图3 不同施氮水平对冠层反射率的影响

a: 全波段; b: 可见光波段; c: 红边波段。处理同表1。

a: full-wave band; b: visible light band; c: red edge band. Treatments are the same as those given in Table 1.

2.3 基于光谱指数的叶片氮累积量回归模型

利用线性和非线性回归分析, 以敏感光谱指数为自变量, LNA为因变量, 构建了不同马铃薯叶片氮累积量监测模型。在马铃薯苗期、块茎形成期与全生育时期, 基于VOG3与LNA拟合的二次项模型具有最大的2, 分别为0.913、0.790、0.778, 而在块茎膨大期与淀粉积累期, 不同马铃薯叶片氮累积量监测模型的2均低于0.75, 依据Wang等[30]的标准, 模型的拟合性能较差(表6)。表明苗期、块茎形成期与全生育时期VOG3与LNA拟合的最优监测模型均为二次项方程, 可以估算不同施氮量下的马铃薯LNA (图5)。

2.4 叶片氮累积量回归模型准确度的检验

为了检验上述监测模型的可靠性与普适性, 利用不同品种、地点和不同施氮水平下的独立试验数据(Exp.2和Exp.3)对所建立监测模型进行了检验。Exp.2观察值与估测值之间的RMSE范围为6.69~16.18 kg hm−2, Exp.3观察值与估测值之间的RMSE范围为4.04~14.13 kg hm−2(表7)。在不同的生育时期, 观察值与估测值之间的RMSE变化规律为苗期<块茎形成期<块茎膨大期、全生育时期<淀粉积累期。对于不同验证集而言, Exp.3观察值与估测值之间的RMSE略低于Exp.2 (图6)。

3 讨论

实时准确掌握作物营养状况是精准施用氮肥的前提, 遥感技术的快速发展为监测作物生理参数提供了一种新方法[33], 国内外学者利用该技术在监测生物量[34-36]、氮素含量[37-39]、叶面积指数[40-42]、氮素累积量[8-12]中均有研究, 然而关于马铃薯LNA的研究较少。由于LNA包含了植株个体叶片氮含量与群体盖度特征的信息, 是判断作物氮素营养丰缺的重要指标[4-5], 本文对22种光谱指数与马铃薯LNA的相关性进行了分析发现, 相当一部分光谱指数与LNA高度相关(图4), 意味着光谱指数估算马铃薯LNA是可行的。本文还发现, 各生育时期LNA与VOG1、VOG2、VOG3、NDVI705、SRI均为强相关关系(图4), 而构成以上光谱指数的波段主要分布在红边区域内(680~780 nm)。由于红边范围内的光谱参数与叶绿素含量显著相关[43-47], 而叶片叶绿素含量与植物含氮量密切相关[2-3,48], 因此马铃薯冠层反射率在红边区域内随施氮量而呈规律性变化(图3-c)的研究发现不仅具有生理基础, 而且充分说明, 红边波段对评价马铃薯LNA至关重要。

在不同生态环境与作物种类的研究中发现, 与作物LNA关系密切的光谱指数有所差异[8-12,49], 因此筛选出估算特定地区特定作物LNA的敏感光谱指数是构建氮素营养监测模型的前提。本文通过比较22种光谱指数与马铃薯LNA相关系数发现, 在马铃薯苗期、块茎形成期、块茎膨大期以及全生育时期, VOG3与LNA相关系数绝对值最大(图4-a~c, e), 而在淀粉积累期, VOG2与LNA关系最密切(图4-d)。因此, 可以认为VOG2、VOG3是估算内蒙古地区马铃薯LNA的敏感光谱指数。

图4 光谱指数与叶片氮累积量的相关性

a: 苗期; b; 块茎形成期; c块茎膨大期; d: 淀粉积累期; e: 全生育时期。缩写同表4。

a: seedling stage; b: tuber formation stage; c: tuber bulking stage; d: starch accumulation stage; e: total growth stages. Abbreviations are the same as in Table 4.

以VOG2、VOG3为自变量, LNA为因变量进行的回归分析表明, LNA与VOG2、VOG3存在显著的回归关系, 而且在马铃薯苗期、块茎形成期与全生育时期, VOG3与LNA构建的二次项模型拟合性能为好, 这不仅进一步表明使用光谱指数估算马铃薯LNA是可行的, 而且提供了基于VOG3估算马铃薯LNA的方法。通过表6即可以判断处于不同生育阶段马铃薯的氮素营养丰缺状况。

为检测所选监测模型的预测能力, 本文通过独立试验数据进行检验发现, 不同生育时期监测模型的准确性不尽一致, 在马铃薯生育后期模型准确度较差。全生育时期的马铃薯叶片氮累积量监测模型的RMSE与块茎膨大期相当, 均优于淀粉积累期。Exp.2、Exp.3观察值与估测值之间的RMSE略有不同(表7和图6), 这可能是由于马铃薯克新1号与夏波蒂2个品种的表型存在一定的差距, 而且杭锦旗(东经106°55'、北纬39°22')与察右中旗(东经111°55', 北纬41°6')存在较大的地理跨度(图1)。薛利红等[8]与周冬琴等[10]在对水稻叶片氮累积量监测模型检验时发现, 不同品种与地点间观察值与估测值RMSE略有差异, 但不影响监测模型的预测能力。所以本文提出的苗期、块茎形成期的监测模型可以用于估测马铃薯的LNA, 并进一步指导马铃薯的氮肥施肥实践。由于苗期和块茎形成期是马铃薯氮肥施用最多的关键生育时期[1-3,50], 因此, 尽管马铃薯生育后期的模型准确度较差, 但其对指导施肥实践的影响较小, 而且在生育后期, 使用全生育期的监测模型作为替代, 一定程度可弥补其不足。

表6 光谱指数与叶片氮累积量的回归模型

LNA为叶片氮累积量。**表示在0.01水平上显著差异。

LNA is the leaf nitrogen accumulation.**indicates significant difference at the 0.01 probability level.

图5 光谱指数与叶片氮累积量的关系

LNA为叶片氮累积量。a: 苗期; b: 块茎形成期; c: 全生育时期。**表示在0.01水平上显著差异。

LNA is the leaf nitrogen accumulation. a: seedling stage; b: tuber formation stage; c: total growth stages.**indicatessignificant difference at the 0.01 probability level.

表7 马铃薯叶片氮累积量监测模型的检验

图6 叶片氮累积量估测值与观察值之间的关系

a: 苗期; b: 块茎形成期; c: 块茎膨大期; d: 淀粉积累期; e: 全生育时期。

a: seedling stage; b: tuber formation stage; c: tuber bulking stage; d: starch accumulation stage; e: total growth stages.

此外, 在检测马铃薯叶片氮累积量监测模型的准确性时发现估测值数值偏低, 尤其是苗期Exp.3、淀粉积累期观察值与估测值相差较大(图6)。这是因为在生长发育前期, 与克新1号品种相比, 夏波蒂品种长势弱, 植株矮小, 地面裸露, 在光谱扫描时会引入较多噪声光谱, 因此在马铃薯苗期消除噪声影响方面需做进一步深入研究。而在淀粉积累期, 叶片及叶柄中的光合同化物高效地转移到块茎, 马铃薯叶片逐渐变黄、脱落, 会影响模型的准确性。在实际生产中, 淀粉积累期通常不再施用氮肥[50], 因此, 该生育时期的马铃薯叶片氮累积量监测模型不具实际意义。

4 结论

通过分析马铃薯叶片氮累积量(LNA)与光谱反射率、指数的定量关系中得出, 红边是反演马铃薯LNA的主要波段, 由715、720、726、734、747 nm构成的光谱指数VOG2、VOG3为内蒙古地区马铃薯LNA的敏感光谱指数。苗期、块茎形成期与全生育时期的马铃薯叶片氮累积量监测模型分别为LNA = 1976.733 × VOG32+ 211.143 × VOG3 + 11.236、LNA = 1393.778 × VOG32+ 162.368 × VOG3 + 17.484和LNA = 832.343 × VOG32− 46.576 × VOG3 − 0.242, 决定系数均(2)高于0.75, 均方根误差(RMSE)范围分别为4.04~6.69、9.45~10.89、9.17~ 13.45 kg hm−2。生育时期对马铃薯叶片氮累积量监测模型的准确度影响较大, 生育后期监测模型的预测性能较差(2<0.75), 而全生育监测模型的2大于0.75, 因此生育前期分阶段建模与生育后期统一建模可以提高监测模型的精准度, 可以准确估算马铃薯氮素营养状况, 并用于指导施肥实践。

[1] 秦永林, 于静, 陈杨, 贾立国, 苏亚拉其其格, 樊明寿. 内蒙古灌溉马铃薯施肥现状及肥料利用效率. 中国蔬菜, 2019, (11): 75–79.Qin Y L, Yu J, Chen Y, Jia L G, Suyala Q Q G, Fan M S. Situation of fertilization and fertilizer use efficiency on irrigated potato in Inner Mongolia., 2019, (11): 75–79 (in Chinese with English abstract).

[2] 于静, 李斐, 秦永林, 樊明寿. 应用主动作物冠层传感器对马铃薯氮素营养诊断. 光谱学与光谱分析, 2013, 33: 3092–3097.Yu J, Li F, Qin Y L, Fan M S, Active crop canopy sensor-based nitrogen diagnosis for potato., 2013, 33: 3092–3097 (in Chinese with English abstract).

[3] Li R, Chen J H, Qin Y L, Fan M S. Possibility of using a SPAD chlorophyll meter to establish a normalized threshold index of nitrogen status in different potato cultivars., 2019, 42: 834–841.

[4] 姚霞, 朱艳, 冯伟, 田永超, 曹卫星. 监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数. 光谱学与光谱分析, 2009, 29: 2191–2195. Yao X, Zhu Y, Feng W, Tian Y C, Cao W X. Exploring novel hyperspectral band and key Index for leaf nitrogen accumulation in wheat., 2009, 29: 2191–2195 (in Chinese with English abstract).

[5] Zhu Y, Yao X, Tian Y C, Liu X J, Cao W X. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice., 2008, 10: 1–10.

[6] Mistele B, Schmidhalter U. Estimating the nitrogen nutrition index using spectral canopy reflectance measurements., 2008, 29: 184–190.

[7] 薛利红, 曹卫星, 罗卫红, 张宪. 小麦叶片氮素状况与光谱特性的相关性研究. 植物生态学报, 2004, 28: 172–177. Xue L H, Cao W X, Luo W H, Zhang X. Correlation between leaf nitrogen status and canopy spectral characteristics in wheat., 2004, 28: 172–177 (in Chinese with English abstract).

[8] 薛利红, 曹卫星, 罗卫红, 姜东, 孟亚利, 朱艳. 基于冠层反射光谱的水稻群体叶片氮素状况监测. 中国农业科学, 2003, 36: 807–812. Xue L H, Cao W X, Luo W H, Jiang D, Meng Y L, Zhu Y. Diagnosis of nitrogen status in rice leaves with the canopy spectral reflectance., 2003, 36: 807–812 (in Chinese with English abstract).

[9] Xue L H, Cao W X, Luo W H, Dai T B, Zhu Y. Monitoring leaf nitrogen status in rice with canopy spectal reflectance., 2004, 96: 135–142.

[10] 周冬琴, 朱艳, 田永超, 姚霞, 曹卫星. 以冠层反射光谱监测水稻叶片氮积累量的研究. 作物学报, 2006, 32: 1316–1322. Zhou D Q, Zhu Y, Tian Y C, Yao X, Cao W X. Monitoring leaf nitrogen accumulation with canopy spectral reflectance in rice., 2006, 32: 1316–1322 (in Chinese with English abstract).

[11] 冯伟, 朱艳, 姚霞, 田永超, 庄森, 曹卫星. 小麦氮素积累动态的高光谱监测. 中国农业科学, 2008, 41: 1937–1946. Feng W, Zhu Y, Yao X, Tian Y C, Zhuang S, Cao W X. Monitoring plant nitrogen accumulation dynamics with hyperspectral remote sensing in wheat., 2008, 41: 1937–1946 (in Chinese with English abstract).

[12] 姚霞, 刘小军, 王薇, 田永超, 曹卫星, 朱艳. 基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数. 应用生态学报, 2010, 21: 3175–3182. Yao X, Liu X J, Wang W, Tian Y C, Cao W X, Zhu Y. Estimation of optimum normalized difference spectral index for nitrogen accumulation in wheat leaf based on reduced precise sampling method., 2010, 21: 3175–3182 (in Chinese with English abstract).

[13] Sim D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81: 331–354.

[14] Rouse J W, Haas R H, Schel J A, Deering D W. Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation. NASA/GSFC Final Report, NASA, 1974. pp 371–375.

[15] Richardson A J, Wiegand C L. Distinguishing vegetation from soil background information., 1997, 43: 1541–1552.

[16] Penuelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoid/chlorophyll a ratio from leaf spectral reflectance., 1995, 31: 221–230.

[17] Gamon J A, Penuelas J, Field G B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency., 1992, 41: 35–44.

[18] Merzlyak M N, Gitelson A A, Chivkunova O B, Rakitin V Y. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening., 1999, 106: 135–141.

[19] Dash J, Curran P J. The MERIS terrestrial chlorophyll index., 2004, 25: 5403–5413.

[20] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices., 1996, 55: 95–107.

[21] Haboudane D, Miller J R, Tremblay N, Zarco-Tejada P J, Dextraze L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture., 2002, 81: 416–426.

[22] Huete A R, Liu H, Batchily K, Leeuwen W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS., 1997, 59: 440–451.

[23] Kaufman Y J, Tanre D. Strategy for direct and indirect methods for correcting the aerosol effect on remote sensing: from AVHRR to EOS-MODIS., 1996, 55: 65–79.

[24] Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves spectral features and relation to chlorophyll estimation., 1994, 143: 286–292.

[25] Zarco-Tejada P J, Miller J R, Noland T L, Mohammed G H. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data., 2001, 39: 1491–1507.

[26] Gitelson A A, Zur Y, Chivkunova O B, Merzlyak M N. Assessing carotenoid content in plant leaves with reflectance spectroscopy., 2002, 75: 272–281.

[27] Gitelson A A, Merzlyak M N, Chivkunova O B. Optical properties and nondestructive estimation of anthocyanin content in plant leaves., 2001, 71: 38–45.

[28] Gitelson A A, Merzlyak M N. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll., 1996, 148: 494–500.

[29] 张苏江, 陈庆波. 数据统计分析软件SPSS的应用(五)——相关分析与回归分析. 畜牧与兽医, 2003, 35(9): 16–18. Zhang S J, Chen Q B. Application of data statistical analysis software SPSS (5)—correlation analysis and regression analysis., 2003, 35(9): 16–18 (in Chinese with English abstract).

[30] Wang S Q, Li W D, Li J, Liu X S. Prediction of soil texture using FT-NIR spectroscopy and PXRF spectrometry with data fusion., 2013, 178: 626–638.

[31] 强生才, 张富仓, 向友珍, 张燕, 闫世程, 邢英英. 关中平原不同降雨年型夏玉米临界氮稀释曲线模拟及验证. 农业工程学报, 2015, 31(17): 168–175. Qiang S C, Zhang F C, Xiang Y Z, Zhang Y, Yan S C, Xing Y Y. Simulation and validation of critical nitrogen dilution curve for summer maize in Guanzhong plain during different rainfall years., 2015, 31(17): 168–175 (in Chinese with English abstract).

[32] 肖艳芳, 周德民, 宫辉力, 赵文吉. 冠层反射光谱对植被理化参数的全局敏感性分析. 遥感学报, 2015, 19: 368–374. Xiao Y F, Zhou D M, Gong H L, Zhao W J. Sensitivity of canopy reflectance to biochemical and biophysical variables., 2015, 19: 368–374 (in Chinese with English abstract).

[33] Filella I, Serrano L, Serra J, Penuelas J. Evaluating wheat nitrogen status with canopy reflectance indices and discriminate analysis., 1995, 35: 1400–1405.

[34] 陈鹏飞, Nicolas T, 王纪华, Philippe V, 黄文江, 李保国. 估测作物冠层生物量的新植被指数的研究. 光谱学与光谱分析, 2010, 30: 512–517. Chen P F, Nicolas T, Wang J H, Philippe V, Huang W J, Li B G. New index for crop canopy fresh biomass estimation., 2010, 30: 512–517 (in Chinese with English abstract).

[35] 付元元, 王纪华, 杨贵军, 宋晓宇, 徐新刚, 冯海宽. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算. 光谱学与光谱分析, 2013, 33: 1315–1319. Fu Y Y, Wang J H, Yang G J, Song X Y, Xu X G, Feng H K. Band depth analysis and partial least square regression based winter wheat biomass estimation using hyperspectral measurements., 2013, 33: 1315–1319 (in Chinese with English abstract).

[36] 刘冰峰, 李军, 贺佳, 师祖娇. 基于高光谱植被指数的夏玉米地上干物质量估算模型研究. 农业机械学报, 2016, 47(3): 254–262. Liu B F, Li J, He J, Shi Z J. Estimation models of above-ground dry matter accumulation of summer maize based on vegetation indexes of hyperspectral remote sensing., 2016, 47(3): 254–262 (in Chinese with English abstract).

[37] Tian Y C, Yao X, Yang J, Cao W X, Hammaway D B, Zhu Y. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground- and space-based hyperspectral reflectance., 2011, 120: 299–310.

[38] Wang W, Yao X, Yao X F, Tian Y C, Liu X J, Ni J, Cao W X, Zhu Y. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat., 2012, 129: 90–98.

[39] Shiratsuchi L, Ferguson R, Shanahan J, Adamchuk V, Rundquist D, Marx D, Slater G. Water and nitrogen effects on active canopy sensor vegetation indices., 2011, 103: 1815–1826.

[40] 贾方方. 不同种植密度烟草叶面积指数的高光谱估测模型. 中国烟草科学, 2017, 38(4): 37–43.Jia F F. Estimating model for leaf area index of tobacco via hyperspectral reflectance at different planting densities., 2017, 38(4): 37–43 (in Chinese with English abstract).

[41] 王宏博, 赵梓淇, 林毅, 冯锐, 李丽光, 赵先丽, 温日红, 魏楠, 姚欣, 张玉书. 基于线性回归算法的春玉米叶面积指数的冠层高光谱反演研究. 光谱学与光谱分析, 2017, 37: 1489–1496. Wang H B, Zhao Z Q, Lin Y, Feng R, Li L G, Zhao X L, Wen R H, Wei N, Yao X, Zhang Y S. Leaf area index estimation of spring maize with canopy hyperspectral data based on linear regression algorithm., 2017, 37: 1489–1496 (in Chinese with English abstract).

[42] 吕晓, 殷红, 蒋春姬, 张兵兵, 战莘晔, 辛明月, 张美玲. 基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型. 中国农业气象, 2016, 37: 720–727. Lyu X, Yin H, Jiang C J, Zhang B B, Zhan S Y, Xin M Y, Zhang M L. General estimation model of peanut canopy LAI based on hyperspectral remote sensing., 2016, 37: 720–727 (in Chinese with English abstract).

[43] 李云梅, 倪绍祥, 黄敬峰. 高光谱数据探讨水稻叶片叶绿素含量对叶片及冠层光谱反射特性的影响. 遥感技术与应用, 2003, 18(1): 1–5. Li Y M, Ni S X, Huang J F. Discussing effects of different chlorophyll concentration to leaf and canopy reflectance by hyperspectral data., 2003, 18(1): 1–5 (in Chinese with English abstract).

[44] 李恒凯, 欧彬, 刘雨婷. 基于高光谱参数的竹叶叶绿素质量分数估算模型. 东北林业大学学报, 2017, 45(5): 44–48. Li H K, Ou B, Liu Y T. Estimation models of chlorophyll content of bamboo leaves based on spectral parameter., 2017, 45(5): 44–48 (in Chinese with English abstract).

[45] 焦红波, 金继业, 刘振民, 查勇, 李四海, 李云梅, 黄家柱. 湖泊水体叶绿素a含量估算的波段宽度变化影响分析——以太湖为例. 地球信息科学, 2008, 10: 6787–6791. Jiao H B, Jin J Y, Liu Z M, Zha Y, Li S H, Li Y M, Huang J Z. The influence of bandwidth’s variety on estimating chlorophyll-a concentration of lake waters: Taking Taihu Lake as an example., 2008, 10: 6787–6791 (in Chinese with English abstract).

[46] 孙永华, 张冬冬, 田杰, 黄锦. 基于高光谱的湿地植被冠层叶绿素反演研究. 河北师范大学学报(自然科学版), 2018, 42(2): 157–164. Sun Y H, Zhang D D, Tian J, Huang J. Inversion of vegetation canopy chlorophyll in wet land based on hyperspectal data.(Nat Sci Edn), 2018, 42(2): 157–164 (in Chinese with English abstract).

[47] Cho M A, Skidmore A K. A new technique for extracting the red edge position from hyperspectral data: The linear extrapolation method., 2006, 101: 181–193.

[48] Josep P, Gamon J A, Griffin K L, Griffin K L, Field C B. Assessing community type, plant biomass, pigment composition, and photosynthetic efficiency of aquatic vegetation from spectral reflectance., 1993, 46: 110–118.

[49] 李国强, 吴士文, 郑国清, 张学治, 冯晓, 张杰, 胡峰. 基于冠层反射光谱的夏玉米叶片氮积累量估测. 中国农学通报, 2014, 30(3): 85–90. Li G Q, Wu S W, Zheng G Q, Zhang X Z, Feng X, Zhang J, Hu F. Monitoring leaf nitrogen accumulation in summer maize with Canopy reflectance spectra., 2014, 30(3): 85–90 (in Chinese with English abstract).

[50] 秦永林, 樊明寿. 马铃薯氮素管理策略. 中国蔬菜, 2011, (18): 1–5. Qin Y L, Fan M S. Strategy for potato nitrogen management., 2011, (18): 1–5 (in Chinese with English abstract).

Inversion of nitrogen accumulation in potato leaf with different spectral indices

HAN Kang, YU Jing, SHI Xiao-Hua, CUI Shi-Xin, and FAN Ming-Shou*

College of Agronomy, Inner Mongolia Agricultural University, Hohhot 010019, Inner Mongolia, China

As an important derivative parameter of optical spectrum, spectral index could reflect the leaf nitrogen accumulation of crops. However, the sensitive spectral index varies with different environments and crops. In order to obtain the sensitive spectral index for potato in Inner Mongolia, field experiments were conducted in Chayouzhongqi and Hangjinqi of Inner Mongolia from 2016 to 2018, and during the potato growth period, the canopy spectrum information of potato cultivars Kexin 1 and Shepody was obtained using a handheld spectrometer (SVC HR-1024i). Based on the previous spectral indices algorithm, the correlation coefficients between the leaves nitrogen accumulation of potato (LNA) and each of the 22 spectral indices were compared, and the nitrogen nutrition diagnosis models of potato at critical growth stages were established using linear and nonlinear regression analysis. The results were as follows: (1) the red edge area was the main spectral band for inverting the LNA of potato, and Vogelmann red edge index 2 (VOG2), Vogelmann red edge index 3 (VOG3) were the sensitive spectral indices for potato LNA in Inner Mongolia, which composed of 715, 720, 726, 734, and 747 nm of spectral bands. (2) At the seedling stage, tuber formation stage or whole growth stage, the quadratic regression models (2> 0.75) between VOG3 and LNA could estimate better the LNA of potato under different nitrogen levels using VOG3. (3) The root mean square error (RMSE) of the models was 4.04–6.69, 9.45–10.89, 9.17–13.45 kg hm−2, indicating the accuracy of using the models to predict potato LNA varies with potato growth stage, and it was lower at late growth stages, while it is higher for whole growth duration. In summary, the staged modeling for potato early growth period and the unified modeling for potato later growth period could accurately estimate the potato LNA, which provides a theoretical basis and method for the application of spectral indices in the nitrogen nutrition diagnosis of potato.

potato; leaf nitrogen accumulation; spectral index; monitoring models

本研究由国家自然科学基金项目(31960637)和内蒙古自治区自然科学基金项目(2019BS03021)资助。

This study was supported by the National Natural Science Foundation of China (31960637) and the Natural Science Foundation of Inner Mongolia (2019BS03021).

樊明寿, E-mail: fmswh@126.com

E-mail: hankanghhht@163.com

2020-02-05;

2020-08-19;

2020-09-02.

URL: https://kns.cnki.net/kcms/detail/11.1809.S.20200902.0925.002.html

10.3724/SP.J.1006.2020.04023