水稻氮素营养诊断方法研究进展

杨红云 周琼 杨珺 孙玉婷 路艳

（1 江西农业大学软件学院，南昌330045；2 江西省高等学校农业信息技术重点实验室，南昌330045；3 江西农业大学计算机与信息工程学院，南昌330045；第一作者：nc_yhy@163.com）

水稻栽培管理中，氮肥对粮食作物产量的贡献率占50%左右[1]。精准及时施氮可大大降低水稻的无效分蘖率，优化群体结构，改善田间植株生长状况，同时降低病害发生率，提高成穗率，从而实现水稻高产[2]。19世纪开始水稻氮素营养诊断技术渐渐兴起，在农业生产领域扮演着重要角色。随着科技发展，水稻氮素营养诊断方法主要有外观诊断、化学诊断与现代氮素营养诊断。外观诊断主要包括植株颜色诊断、植株长势长相诊断；化学诊断主要包括全氮诊断、硝酸盐诊断；现代氮素营养诊断主要包括叶绿素仪测量、机器视觉及高光谱遥感。本文主要对发展过程中被广泛使用的以上几类水稻氮素营养诊断方法进行阐述说明。

1 外观诊断

植株的营养状态可从其茎叶的颜色、形态及生长速度等各方面进行观察，从而作出相应诊断。

1.1 颜色诊断

根据水稻植株颜色诊断并追肥的事例早已在明崇祯末年撰写的《沈氏农书》中有记录[3]。20 世纪50年代末陈永康提出了晚稻“三黄三黑”颜色诊断，用于施肥管理[4]。20 世纪90年代陶勤男等发明了水稻标准叶色卡，用于营养状况诊断，其具有简单方便、半定量化的优点，但受水稻品种及土壤氮素营养状况等因素影响较大，从而限制了叶色卡的应用[5]。还有肥料窗口法，它是在种植区域中选定一块微小区域作为标记区域，标记区域的氮素营养状况水平要略低于其它种植区域，当标记区域表现出植株过于矮小等缺氮的相关症状，则表示其余种植区水稻此时正濒临缺氮，该法适于对土壤状况不易发生改变区域所种植的水稻进行氮素诊断及追肥操作，但该法还需对追肥量进行具体量化[6]。

1.2 长势长相诊断

20 世纪60年代后期开始长势长相诊断在我国大范围推广应用，农户们主要是基于以往的作物种植经验，通过分析水稻的实时长势长相以判断其氮素营养状况，如茎秆各节间隙过长、叶色过浅、较晚成熟等均为水稻的过氮表现，而茎秆矮小、生长过于缓慢、叶尖发黄等均为水稻的缺氮表现。通过以上多种症状能够对其氮素营养状况进行有效判定，进而指导施氮。该方法能够有效诊断作物当时处于何种氮素营养状况，但由于近年来不断变化的种植环境，且品种更替频繁，外观的变异并无固定规律可循，因而应用受到限制[7]。

2 化学诊断

2.1 全氮诊断

作为较早开始研究且已较为成熟的一种化学诊断方法，全氮诊断是根据化学实验分析植株组织后进行诊断判定，植株的氮素营养状况与其最终产量呈正比关系，能够诊断出当时的植株氮素营养状况。全氮诊断主要包括靛酚蓝比色法和凯氏定氮法，前者较后者更加快捷，但二者的结果相近[8]。虽然全氮诊断的结果精确性高，但是其所需成本较高，且需消耗大量的分析时间及破坏性取样的操作，故实际推广应用受到限制。

2.2 硝酸盐诊断

当水稻植株的全氮含量突破某一特定阈值时，硝态氮在水稻的各个器官部位（如根、茎、叶）进行累积[9]。硝态氮是以半储备的形式储于水稻植株内部的一种非代谢物质，当水稻植株开始对氮有需求的时候硝态氮库需求量即刻增加，全氮库的变化程度与硝态氮库的变化程度呈反比，即当全氮库变化小时，则硝态氮库变化大[10]。由于水稻植株对全氮的灵敏度低于硝态氮，故关于氮素营养诊断能够使用硝态氮进行代替。德国的默克公司在20 世纪末期研究出一种硝酸根试纸，仅需1 min 即可测定获知测验样品中的硝态氮含量。但对于不同作物品种、不同区域甚至于同一作物的不同生育期，它们的硝态氮含量差异较大，并且需进行破坏性取样操作，因而实际应用受到限制。

3 现代氮素营养诊断

3.1 叶绿素仪测量

已经有相关研究表明，水稻叶片含氮量与其叶绿素含量呈正相关关系，因此测定叶绿素含量就能够知悉植株此时的氮素营养状况[11]。日本美能达公司在20世纪80年代研制出了SPAD-501 及SPAD-502 两款叶绿素测量仪，该仪器能够根据叶片的叶绿素a 以及叶绿素b 对不同波段光各自的吸收特性，用一个具体的数值来体现叶片的绿色程度，即SPAD 值，它有效克服了传统外观诊断的弊端如人类主观判断导致的误差等[12]。近年来许多研究学者应用SPAD 叶绿素测量仪进行水稻氮素营养诊断相关研究。LI 等[13]应用叶绿素仪获取水稻叶片SPAD 值，通过变异系数（CV）评估了同一叶片不同叶龄时的SPAD 值与氮素吸收速率的敏感性，发现叶龄越大时其SPAD 值对氮素越敏感。王绍华等[14]采用SPAD-502 叶绿素仪获取6 个品种水稻叶片的SPAD 值，发现顶4 叶可用于水稻氮素营养状况识别，并且水稻的含氮量与顶3 叶、顶4 叶之间的色差呈显著相关性，同时这一结论在不同生育期、不同品种间均成立。林娜等[15]采用田间试验的方式，连续45 d 使用SPAD-502 叶绿素仪记录不同氮素水平下水稻叶片SPAD 值的动态变化情况，发现170 kg/hm2是东北黑土区水稻最适合的施氮值，且在分蘖至孕穗这一时期内SPAD 值为40 时追施最恰当。袁召峰等[16]应用SPAD-502 叶绿素仪对长江下游稻麦两熟区的水稻顶1 叶至顶4 叶取样测试，发现拔节至孕穗这一时期内顶4 叶的归一化SPAD 指数（NSI4）对缺氮响应更加敏感。王艳等[17]应用叶绿素仪获取寒地水稻叶片SPAD 值，发现分蘖期和孕穗期的叶片SPAD 值可作为氮素诊断指标。尽管叶绿素仪被广泛应用于氮素营养诊断，但其仍存在一些缺点，如SPAD 值受光照影响大，并需多点多次测定才能有效降低其变异度；在一定范围内SPAD值与施氮量呈正比，但超过一定阈值后SPAD 值几乎无变化。因此叶绿素仪在氮素营养诊断上可能还存在些许困难。

3.2 机器视觉

缺氮及过氮状态下的水稻植株，叶片的颜色和外观会发生明显变化，这些都能成为水稻氮素营养诊断的依据。256 级灰度是通过机器视觉技术所获图像的分辨率，这要远高于人类肉眼40 级灰度的颜色分辨率，对于水稻缺乏氮肥或过量氮肥的症状不明显时，此时机器视觉技术可帮助人类获取人类经验无法辨别的相关特征特性，便于进行氮素营养诊断以及尽早采取相应的补救措施。

近年来，许多研究学者应用机器视觉技术进行水稻氮素营养诊断研究。孙琪等[18]以秀水110 为材料进行分析，发现颜色分量G 值与深绿色指数DGCI 均可体现拔节期水稻的氮素营养状况，并应用主成分分析和统计回归分析建立基于水稻冠层图像的氮素营养诊断模型，4 个氮素营养状况的识别准确率分别为91.6%、70.83%、86.7%、95%。祝锦霞等[19-20]应用扫描仪获取秀水110 水稻拔节期顶3 叶图像，应用水稻叶片的综合特征信息、YIQ 电视信号彩色坐标系统的CB 值并结合统计回归分析建立水稻氮素营养诊断模型，4个氮素营养状况的识别准确率分别为74.9%、52.0%、84.7%和75.0%，同时发现顶3 叶可用于水稻氮素营养诊断。贾良良等[21]使用相机获取幼穗分化期水稻冠层的图像，发现水稻冠层图像的红光标准化值、绿光值、红光值与水稻植株的含氮量均呈负相关关系，另外绿光标准化值则与水稻植株的含氮量呈正相关关系。石媛媛等[7]应用扫描仪获取丙9811 和中浙优1 号叶片及冠层图像，获取其叶片颜色以及形态特征数据并应用主成分分析，计算颜色参数CI，采用Cfs、Ss 方法对32项特征进行特征筛选，应用粗糙集进行氮素营养诊断，发现顶3 叶可用于识别水稻缺氮和正常氮素状况，顶2 叶可用于识别水稻过氮情况；同时应用因子分析获取3 个因子代表叶片和冠层特征信息，发现颜色因子贡献率均为最高，同时获取综合预测因子FZ 与叶片含氮量建立水稻叶片含氮量预测模型，效果较好。刘江桓[22]应用扫描仪获取中嘉早17、株两优819 和淦鑫203叶片图像并结合统计分析发现，顶3 叶的G 值、G/（R+G+B）值与植株全氮含量均呈显著相关性。王远等[23-24]采用数码相机获取不同氮素营养水平下不同品种的叶片图像，发现H、V、DGCI 等3 个特征值与叶片SPAD值、叶片含氮量之间均呈良好线性关系，孕穗期水稻叶片图像能够用于氮素营养诊断，且颜色分量V 值最能体现其氮素营养状况；另外当分割阈值分别为10 与20 能够有效分割拔节期与孕穗期水稻冠层图像。顾清等[25]应用扫描仪获取温室水培浙优1 号顶3 叶图像，发现叶尖的黄化面积比例与叶片含氮量高度相关（R2=0.863），采用CfsSubsetEval 和Scatter search 方法进行特征筛选并应用支持向量机进行氮素营养诊断，该法对缺氮和正常氮素状况识别准确率较高，氮素水平与识别准确率成反比。陈利苏[26]应用扫描仪获取温室水培浙优1 号顶3 叶图像，对于图像中的颜色、形态特征应用SVFS 筛选出最优特征组合，结合支持向量机进行水稻氮素营养诊断，4 个氮素营养状况的识别准确率分别为94%、98%、96%、100%。李岚涛等[27]应用数码相机获取两优6326 在分蘖期、拔节期、孕穗期和灌浆期等4 个生育期下的冠层图像，发现冠层色彩参数NRI值可用于水稻氮素营养诊断。

3.3 高光谱遥感

在精准农业施肥管理中高光谱遥感技术的地位日益重要。作为光谱分辨率达到纳米数量级的一种遥感技术，高光谱遥感的特点主要表现为光谱的信息量大、光谱的分辨率高同时其波段的连续性强，允许其对目标物进行微弱光谱差异分析以及进行直接识别，植被的化学、形态学特征决定了其光谱的反射特性或发射特性[28]。近年来，国内外许多研究学者应用高光谱遥感技术进行水稻氮素营养诊断研究。徐涛[29]发现，“三边”参数SDr/SDb 与水稻叶片的含氮量之间呈显著相关性。薛利红等[30]发现，群体叶片含氮量与光谱560 nm处的反射率呈明显指数关系，且R2=0.75。XUE 等[31]发现，R810/R560 与水稻叶片含氮量呈线性关系。谭昌伟等[32]获取了陆稻中旱3 号和武香粳99-8 在抽穗开花期、灌浆期的高光谱，发现水稻植株各器官在近红外波段的光谱反射能力从高至低排列依次为叶、穗、鞘、茎，在可见光波段则与此相反，且含氮量在各器官中总变化趋势依次为叶、穗、鞘、茎；同时应用植被指数归一化变量（SDr-SDb）/（SDr +SDb）进行水稻氮素营养诊断的效果较好。张浩等[33]结合CBERS-1 遥感影像技术与BP神经网络建立水稻穗期叶片含氮量预测模型，效果较好。田永超等[34]针对水稻鲜叶与水稻干叶粉末的近红外光谱分别应用PLS 建立水稻含氮量预测模型，两个模型的RC2 均高于0.94，其中基于水稻干叶粉末近红外光谱的含氮量预测模型效果更佳。李颖等[35]应用概率神经网络对室内盆栽水稻冠层光谱进行氮素营养诊断识别分类，分蘖期总体识别准确率为74%，拔节期总体识别准确率为75%，抽穗期总体识别准确率为71%。郑博元[36]对阳光4 号叶片光谱参数与叶片含氮量进行相关性分析，发现581 nm、671 nm、683 nm、707 nm 为其敏感波长，并应用BP 神经网络进行基于水稻冠层高光谱图像的氮素营养诊断，拔节期总体识别准确率为96%，抽穗期总体识别准确率为90%，其中R533/R683×R581 和R489/R670×R683 三波段比值植被指数预测方正水稻冠层叶片含氮量效果较好。邵华等[37]应用地物波谱仪采集不同生育期、不同氮素水平的水稻冠层高光谱，应用一阶微分光谱及植被指数分别进行水稻氮素营养诊断，发现400～650 nm 及730～1350 nm是各个氮素水平下冠层光谱反射率差异的集中区域，随着水稻的生长，其冠层叶片光谱反射率逐渐降低，原本在519 nm 处出现的反射峰移至554 nm 处，同时基于水稻一阶微分光谱预测水稻叶片含氮量的效果最佳。宋红燕等[38]应用长江中下游覆膜旱作区拔节期、抽穗期水稻冠层光谱特征进行水稻含氮量预测，发现GNDVI（绿色归一化植被指数）、RVI（552 nm 和890 nm两波段之比）与水稻植株含氮量均呈较高相关性。赵越[39]发现，抽穗期龙稻23 采用全光谱-MSRA 氮素诊断回归模型可用于水稻氮素营养诊断，成熟期龙稻20 采用SPCA-CA-MRA 氮素诊断回归模型可用于水稻氮素营养诊断。张国圣等[40]发现，水稻分蘖期归一化差值植被指数（NDVI）与叶片含氮量呈较高相关性，应用NDVI值可较好反演分蘖期水稻冠层含氮量。张雨[41]应用最小距离分类法对五优稻3 号和阳光4 号多光谱影像经波段变换后获取的GNDVI 图像进行水稻氮素营养诊断，总体识别精度较差，最高仅为57.47%，但严重缺氮与严重过氮的识别准确率较高，达到93.83%。王树文等[42]建立基于原始高光谱、SPCA 特征光谱参量以及SPA 特征波段的多个抽穗期寒地水稻叶片含氮量预测回归模型，其中基于多元逐步回归分析的全波段模型用于进行水稻氮素营养诊断的预测准确率最高。NGUYEN 等[43]发现，应用偏最小二乘法建立水稻氮素营养诊断模型，其诊断效果较好。

4 结论

综上所述，目前已有许多水稻氮素营养诊断方法，外观诊断、化学诊断、叶绿素仪测量或多或少均存在一些缺点。现阶段基于机器视觉和高光谱遥感的水稻氮素营养诊断技术等在水稻氮素营养诊断和氮肥的精准调控等方面已成为关键技术，也是互联网加农业和精准农业的重要研究技术领域。近年来许多国内外研究学者应用以上技术开展了大量的研究工作，已取得一些研究成果，但仍存在亟待解决的问题，如通用水稻氮素营养诊断生育期、通用图像特征、通用关键光谱参数、通用建模方法等方面都需进一步研究。