基于无人机多光谱遥感的水稻冠层光谱特征和氮素营养关系研究

傅友强，钟旭华，黄农荣，潘俊峰，胡香玉，胡 锐，李妹娟，梁开明

（广东省农业科学院水稻研究所/广东省水稻育种新技术重点实验室/广东省水稻工程实验室，广东 广州 510640）

【研究意义】作物养分丰缺能够引起叶片中叶绿素、蛋白质、水分和含碳化合物等含量变化，影响叶片光的吸收和反射。光谱遥感技术能够捕捉来自叶片或冠层中的反射光谱特征，间接反映作物叶片养分含量，为作物营养诊断与合理施肥提供依据［1-2］。研究表明，光谱遥感技术是实现施肥精准管控和提高肥料利用率的有效手段，是打通专家智慧决策和精准变量施肥的重要环节［3］。因此，开展叶片氮含量的光谱遥感监测与诊断研究具有重要意义。【前人研究进展】传统水稻氮素养分监测主要经历了叶色监测、植株组织中氮含量的化学监测［4-5］、无损的叶绿素仪监测3 个阶段。随着无人机光谱遥感技术的高速发展，无人机近地面光谱遥感监测在现代农业生产中发挥着至关重要的作用。光谱遥感技术具有大面积、无损和快速准确等优点，目前已在水稻、玉米、大豆和小麦等主要农作物中广泛应用［6-8］，主要涉及到的领域有病虫草害防治、作物生长状态监测、作物面积提取与估产、无人机施肥决策等［9-12］。大量研究表明，水稻品种冠层光谱反射率与叶片含氮量和SPAD 值呈显著正相关，其中，植被指数如归一化植被指数（NDVI）、绿波段归一化植被指数（GNVI）、比值植被指数（RVI）等是监测水稻氮素养分状况的最佳指标［13-14］。Yu等［15］通过田间试验收集高光谱数据，研究水稻氮素含量与光谱反射率之间的关系，建立了基于高光谱反射率的水稻氮素反演模型［16］，该模型可快速、准确、无损地诊断寒地粳稻氮素养分盈缺。然而，这些研究主要以北方粳稻为试验对象，以具有广东丝苗米特性的华南双季籼稻品种为试验对象、利用光谱遥感监测水稻氮素养分的研究较少。【本研究切入点】华南地区水稻种植以籼稻品种为主，而籼稻品种的氮素养分需求特性以及叶色对氮素的响应明显有别于粳稻，且常规稻和杂交稻之间也存在显著差异。在广东地区，美香占2 号为种植面积最大的常规籼稻品种（2020年种植面积11.38 万hm2），吉丰优1002 为种植面积最大的杂交籼稻品种（2020 年种植面积5.01万hm2）。因此，通过多光谱遥感监测广东地区种植面积最大的常规籼稻和杂交籼稻品种叶片氮素养分状况，对指导华南水稻精准施肥作业具有重要意义。【拟解决的关键问题】通过光谱遥感技术，找出对叶片氮含量敏感的光谱特征和特异植被指数，建立基于光谱特征和特异植被指数的叶片氮含量反演模型，定量监测和诊断水稻叶片氮素养分含量，为广东地区水稻主栽品种精准施肥管控提供理论依据和技术支撑。

1 材料与方法

1.1 试验材料

试验于2020 年晚季在广东省农业科学院大丰基地（113°21′E、23°10′N，海拔23.8 m）进行。试验田土壤理化性质为：pH 6.11，有机质27.87 g/kg，全氮1.41 g/kg，全磷1.03 g/kg，全钾16.62 g/kg，碱解氮84.21 mg/kg，有效磷49.39 mg/kg，速效钾41.69 mg/kg。供试水稻品种为常规籼稻美香占2 号（简称MXZ2H）和杂交籼稻吉丰优1002（简称JFY1002），这两个品种是目前广东省种植面积最大的常规稻和杂交稻品种。

1.2 试验方法

1.2.1不同施氮处理对水稻叶片氮含量的影响试验 主要用于建模集数据分析。供试水稻品种为MXZ2H 和JFY1002，试验设置施N 0（N0）、150（N150）和210（N210）kg/hm23 个处理，采用习惯施肥法；为探讨高产高效栽培技术对氮吸收的影响，以水稻品种JFY1002 为材料，新增施N 180 kg/hm2（N180+）处理，采用水稻“三控”施肥技术，基肥∶分蘖肥∶穗肥=5∶2∶3，其中基肥在移栽前1 d 施用、分蘖肥在移栽后15 d施用、穗肥在幼穗分化始期施用，详见表1。各处理磷肥和钾肥统一按45 kg/hm2（P2O5）和120 kg/hm2（K2O）用量作基肥一次性施入，其中磷肥为过磷酸钙、钾肥为氯化钾。每个处理3 次重复，随机排列，小区面积15 m2。

1.2.2侧深施肥对水稻叶片氮含量的影响试验 主要用于验证集数据分析。供试水稻品种为MXZ2H，设置5 个处理：（1）无氮处理（N0），不施氮肥；（2）习惯施肥处理（FP），总氮量为180 kg/hm2，按当地习惯施肥法；（3）侧深施肥处理（D1），总氮量为150 kg/hm2，作基肥一次性施入；（4）侧深施肥+1 次追肥处理（D2），总氮量为150 kg/hm2，基肥∶穗肥=6∶4；（5）侧深施肥+1 次追肥处理（D3），总氮量为120 kg/hm2，施肥时期和施肥比例同D2，施氮总量比D2 减少20%。基肥采用侧深施肥，按照机插秧侧深施肥的农艺要求，人工将基肥一次性埋施于秧苗根系侧下方泥土中，施肥深度5 cm，肥料距离稻根侧向3 cm；追肥采用人工撒施形式。具体施用时期和用量详见表1。每个处理4次重复，随机排列，小区面积4 m2。

表1 不同试验处理的氮肥施用量Table 1 Consumption of N fertilizer in different treatments

所有试验均采用人工插秧，插秧密度均为20 cm×20 cm，其中常规籼稻品种2 苗/穴、杂交籼稻品种1 苗/穴。播种时间均为7 月18 日，插秧时间为8 月5 日，收割时间为11 月13 日。小区间做高30 cm、宽25 cm 的田埂隔离，防止小区间相互串肥，水分实行独立排灌，统一执行田间管理。

1.3 测定项目及方法

1.3.1土壤理化性质测定 参照文献［17］方法测定。

1.3.2叶片氮含量和稻谷产量测定 水稻样品采集与遥感影像获取同步，在水稻抽穗期（50%稻穗抽出时期），每个小区取代表性水稻植株12 丛，剪去根，将茎、叶和穗分开，分别在105℃下杀青30 min，然后在75℃下烘干至恒重，称量。将叶片样品磨碎，采用H2SO4-H2O2法消化，用全自动凯氏定氮仪测定，用单位干物质量的含氮量表示全氮含量（g/kg）。

成熟期实收125 穴（5 m2）测产，将稻谷风干，取100 g 于105℃下烘干48 h，测定含水量，然后将稻谷转换成含水量为14%的稻谷产量。

1.3.3多光谱数据获取 为提高多光谱相机成像质量，选择晴天11：00—13：00，采用大疆精灵4 多光谱版无人机（集成1 个可见光传感器、5 个多光谱传感器，蓝光450 nm、绿色560 nm、红光650 nm、红边730 nm、近红外840 nm，具体波段参数见表2）采集水稻试验区域多光谱影像。规划好无人机航线经过目标田块正上方，航拍高度20 m，拍照时间间隔2 s，航向重叠度80%，旁向重叠度90%，影像分辨率为6.92 mm/pixel。

表2 多光谱传感器的波段参数Table 2 Band parameters of multispectral sensor

1.3.4多光谱数据提取 首先对获得的多光谱影像进行筛选，将带有空间位置信息的影像导入到PhotoScan 软件，然后进行点云和纹理处理，最后进行地理配准、无缝拼接和波段合成，得到稻田完整的整幅多光谱正射影像（Digital orthophoto map，DOM）。利用ENVI5.3 软件ROI（Region of interest）工具进行图像分割，勾选出水稻不同处理区域，统计区域内所有像元光谱反射率的平均值，作为该小区水稻冠层的光谱反射率数据。

1.3.5植被指数筛选 植被指数（Vegetation Index，VI）通过对不同波段光谱反射率进行数学组合，如根据MicaSense RedEdge 波段特点，选取归一化植被指数（NDVI）、绿波段归一化植被指数（GNDVI）、比值植被指数（RVI）、增强植被指数（EVI）、差值植被指数（DVI）和改进非线性植被指数（MNLI）等（表3）。利用多光谱波段的反射特性，在ENVI 软件中经过波段运算即可得到上述植被指数。

表3 光谱指数及其计算公式Table 3 Spectral indices and its formula

1.3.6模型构建与检验 以1.2.1 不同氮素养分梯度试验数据为建模数据集（C）、1.2.2 侧深施肥试验数据为验证数据集（V），采用多元线性回归（Multiple Linear Regression，MLR）方法建立水稻氮素养分反演模型。使用建模数据集建立的决定系数、均方根误差（RMSEc）和相对误差（RE）对建模精度进行评估；对使用模型计算得到的验证数据集和建模数据集的估测值与实测值进行线性拟合，以拟合方程的对模型进行评估，R2越接近1、RMSEc越小，模型精度越高。

试验数据采用SPSS 13.0 软件进行统计分析，采用OriginPro 9.0 软件作图。

2 结果与分析

2.1 不同施氮处理对水稻叶片氮含量和稻谷产量的影响

习惯施肥法条件下，增加施氮量明显提高了水稻叶片氮含量和稻谷产量。随着施氮水平增加，美香占2 号和吉丰优1002 叶片氮含量逐渐增加。与N0 处理相比，N150 处理美香占2 号和吉丰优1002叶片氮含量分别增加16.05%和13.76%；N210 处理两个水稻品种叶片氮含量分别增加24.29%和25.00%，差异均达显著水平（图1A、B）。

与叶片氮含量表现趋势相比，不同施氮水平对稻谷产量的影响略有区别。美香占2 号稻谷产量N150 处理和N210 处理间无显著变化，但显著高于N0 处理，表明高施氮量并未持续增加该品种的产量；吉丰优1002 稻谷产量的变化趋势与其氮含量一致，表明不同水稻品种叶片氮含量对施氮量的响应趋势一致，但稻谷产量对施氮量的响应则因品种而异（图1C、D）。

图1 不同施氮处理下不同水稻品种叶片氮含量、稻谷产量及其相关性分析Fig.1 Leaf nitrogen concentration,grain yield and the correlation analyses of different rice cultivars under different nitrogen treatments

高效栽培技术更有利于氮素养分的吸收利用，表现为与传统习惯施肥法N210 处理相比，利用“三控”施肥技术N180+处理吉丰优1002 叶片氮含量和稻谷产量分别增加18.03%和6.25%，差异达显著水平（图1B、D）。

相关性分析结果（图1E、1F）显示，水稻叶片氮含量与稻谷产量呈显著（美香占2 号）或极显著（吉丰优1002）线性正相关，表明叶片氮含量对稻谷产量具有重要作用。

2.2 不同施氮处理水稻冠层对光谱反射率的影响

施氮水平影响水稻冠层对不同波长光谱的反射率，习惯施肥法条件下，无论是美香占2 号还是吉丰优1002，蓝光到红光（450～650 nm）波段反射率均表现为随着施氮水平的增加而下降，红边到近红外（730～840 nm）波段反射率均随着施氮水平的增加而逐渐增加。不同施氮水平显著影响红光波段650 nm 和近红外波段840 nm 处的反射率，与N0 处理相比，N150 和N210 处理美香占2 号在红光波段650 nm 处的反射率分别下降19.48%和22.84%，在近红外波段840 nm 处的反射率分别增加24.24%和21.50%；N150、N210 和N180+处理吉丰优1002 在红光波段的反射率分别比N0 处理下降19.00%、31.38%和37.27%，在近红外波段的反射率分别增加23.13%、24.60%和34.02%。表明红光650 nm 和近红外840 nm 是监测叶片氮含量的敏感波段（图2）。

图2 不同施氮处理下同一水稻品种叶片的反射率变化Fig.2 Changes of leaf reflectance of the same rice cultivar under different nitrogen levels

同一施氮处理不同水稻品种冠层光谱反射率存在显著差异。无论N0、N150处理还是N210处理，美香占2 号在蓝光至红光波段（450～650 nm）的冠层反射率均明显高于吉丰优1002，红边到近红外波段的冠层反射率则表现为吉丰优1002 高于美香占2 号，其中红光650 nm 处和近红外840 nm处是区分两个水稻品种的敏感波段。与美香占2号相比，N0、N150、N210 处理吉丰优1002 在红光650 nm 处的冠层反射率分别下降15.64%、15.14%和24.98%，在近红外840 nm 处的冠层反射率分别增加10.22%、9.24%和13.03%（图3）。

图3 相同施氮处理下不同水稻品种叶片的反射率变化Fig.3 Changes of leaf reflectance of different rice cultivars under the same nitrogen treatment

2.3 不同施氮处理对水稻品种冠层植被指数的影响

从图2、图3可以看出，红光（650 nm）和近红外（840 nm）是水稻冠层响应不同施氮量的敏感波段。经过初步筛选确定了NDVI、DVI、GNDVI、EVI、MNLI、RVI等6个植被指数。整体而言，吉丰优1002的6个植被指数明显高于美香占2号。与N0处理相比，N150处理美香占2号叶片NDVI、DVI、GNDVI、EVI、MNLI和RVI分别增加201.74%、215.44%、77.27%、254.54%、102.43%和53.68%，N150、N210处理6个植被指数无显著差异；N150处理吉丰优1002叶片NDVI、DVI、GNDVI、EVI、MNLI和RVI分别增加80.62%、92.72%、50.09%、105.73%、75.87%和51.15%，N210处理6个植被指数分别增加110.96%、117.07%、68.90%、135.74%、91.09%和80.34%。与N210处理相比，水稻“三控”施肥法N180+处理的6个植被指数分别增加12.12%、16.00%、7.08%、21.56%、16.18%和17.63%（图4）。

图4 不同施氮处理对不同水稻品种冠层植被指数的影响Fig.4 Effects of different nitrogen treatments on canopy vegetation indexes of different rice cultivars

2.4 水稻叶片氮含量与植被指数的相关性分析

将水稻叶片氮含量与植被指数DVI、NDVI、GNDVI、RVI、EVI 和MNLI 进行相关性分析，结果表明，美香占2 号和吉丰优1002 叶片氮含量与上述6 个植被指数的相关系数均达显著水平。其中对美香占2 号而言，相关系数最高的植被指数分别为NDVI、GNDVI、RVI、DVI 和EVI；对吉丰优1002 而言，相关系数最高的植被指数分别为RVI、EVI、MNLI、DVI 和NDVI（图5）。

2.5 水稻叶片氮含量与植被指数的多元线性回归分析

通过水稻叶片氮含量与植被指数的相关性分析（图5），筛选出与水稻叶片氮含量最相关的植被指数进行多元线性回归分析，结果见表4。从表4可以看出，美香占2号叶片氮含量反演模型为Y=13.930+68.008DVI-24.832NDVI-1.344GDNVI+3.141RVI-10.532EVI，R2为0.817、RMSE为1.77、RE为8.35%；吉丰优1002叶片氮含量反演模型为Y=7.125-231.455DVI-2.717NDVI+7.452RVI+32.493EVI+51.715MNLI，R2为0.973、RMSE为0.78、RE为3.48%。

图5 水稻叶片氮含量与植被指数的相关性分析Fig.5 Correlation analysis of leaf nitrogen concentration with vegetation index

表4 植被指数对水稻叶片氮含量的预测性Table 4 Prediction of nitrogen concentration in rice leaves by vegetation index

2.6 水稻叶片氮含量反演模型构建

以不同氮素养分梯度试验数据为建模数据集、侧深施肥试验数据为验证数据集，将表4 中的多元线性回归分析结果与建模集和验证集中的实测叶片氮含量进行线性拟合，结果见图6。从图6 可以看出，美香占2 号水稻品种建模集和验证集的叶片氮含量实测值与反演模型估测值具有极显著的线性正相关，R2为0.891；吉丰优1002水稻品种的建模集叶片氮含量实测值与反演模型估测值具有极显著的线性正相关，R2为0.987。表明反演模型能精确预测水稻叶片氮含量。

图6 不同水稻品种叶片氮含量反演模型拟合结果Fig.6 Fitting result of inversion model of leaf nitrogen concentration in different rice cultivars

3 讨论

3.1 光谱特征与水稻叶片氮含量的关系

氮素是水稻生长发育的重要限制因子，有研究表明，水稻叶片氮素含量随着施氮水平的增加而增大［23］。李艳大等［24］研究证实了随着施氮水平的增加，早、晚稻叶片氮含量、氮积累量及相关植被指数（DVI、NDVI 和RVI）增大。水稻叶片氮含量特别是抽穗期叶片氮含量的增加能够提高叶片光合作用，促进碳水化合物向籽粒转运，进而提高稻谷产量和品质［25-27］。崔菁菁等［28］研究发现水稻抽穗期叶片氮含量与产量呈极显著正相关。本课题组的前期研究表明，抽穗期叶片氮含量能够显著提高水稻成穗率和光能辐射效率，增加有效穗数，从而增加稻谷产量［7］。这些研究表明抽穗期叶片氮含量对增加稻谷产量具有重要作用。在本试验习惯施肥法条件下，随着施氮水平的提高，美香占2 号和吉丰优1002 抽穗期叶片氮含量均表现为逐渐增加，稻谷产量整体呈现逐渐增加趋势。然而，总施氮量为180 kg/hm2（N180+）的水稻“三控”施肥处理，其水稻抽穗期叶片氮含量和稻谷产量均高于总施氮量为210 kg/hm2（N210）的习惯施肥法处理，主要是因为水稻“三控”施肥技术的氮肥后移增加了抽穗期叶片氮含量［7］。相关性分析结果表明，抽穗期叶片氮含量与稻谷产量呈显著正相关关系，说明抽穗期叶片氮含量能够间接反映稻谷产量，而非施氮量。

作物叶片氮素养分含量的监测与诊断是氮肥精准管控的有效途径［29-30］，有利于获得最大产量潜力和更佳品质，还能减少环境污染［31］。蒋仁安［23］研究发现，随着施氮水平的提高，在可见光区域内，水稻冠层光谱反射率随着施氮量的增加而降低；在近红外区域内，水稻冠层光谱反射率随着施氮量的增加而增大［32］。有研究发现，早、晚稻叶片氮含量、氮累积量、DVI、NDVI 和RVI 均随着施氮水平的增加而增大［24］。本试验的光谱数据结果表明，随着叶片氮含量的增加，蓝光到红光波段的叶片反射率逐渐下降，红边到近红外波段的叶片反射率逐渐增加；不同品种在相同施氮量条件下的光谱特征存在显著差异，表现为美香占2 号和吉丰优1002 在红光650 nm 和近红外840 nm 的反射率差异显著，该光谱区可作为区分两个水稻品种的敏感波段。

3.2 水稻叶片氮含量反演模型构建与验证

目前，叶片氮含量反演模型构建主要采取特征波段、植被指数组合或两者组合筛选的方式进行。模型的应用效果主要根据模型的模拟精度来评价，模拟精度一般用R2和RMSE表示，R2越接近1、RMSE越小，模型精度越高。Zheng等［33］利用无人机多光谱图像纹理信息和光谱信息，通过不同植被指数进行建模筛选，发现归一化红边指数（NDRE）在所有候选植被指数中最适合估算叶片氮含量等参数。Wang等［34］研究表明，水稻群体叶片氮含量的变化可以由3个波段差值光谱指数（TBDR，3个波段分别为755、513和508 nm）决定，RMSE为0.13%，RE为4.74%。李艳大等［24］建立了预测叶片氮含量的NDVI指数模型，模型R2为0.858～0.932，模型检验的RMSE和R2分别为0.1%～0.2%和0.904～0.985［35］。冯帅等［32］通过特征波段筛选，采用DVI、RVI和NDVI等植被指数组合构建粳稻叶片氮素含量反演模型，结果发现以特征波段组合构建的叶片氮素含量模型最佳，R2均大于0.7，RMES均小于0.57。本试验采用相关性分析和多元线性回归分析，建立了美香占2号的叶片氮含量反演模型，该模型由植被指数DVI、NDVI、GDNVI、RVI和EVI决定，R2为0.817、RMSE为1.77、RE为8.35%；吉丰优1002的叶片氮含量反演模型由植被指数DVI、NDVI、RVI、EVI和MNLI决定，R2为0.973、RMSE为0.78、RE为3.48%。最后通过建模集和验证集的叶片氮含量实测值与反演模型估测值进行验证，美香占2号和吉丰优1002的R2分别达到0.891和0.987，满足模型模拟精度要求。

4 结论

水稻抽穗期叶片氮含量与稻谷产量呈显著或极显著正相关关系，抽穗期叶片氮含量的精准监测与诊断对于水稻精准施肥作业具有重要指导作用。采用大疆精灵4 多光谱版无人机获取华南籼稻主栽品种美香占2 号和吉丰优1002 抽穗期叶片特征光谱和特异植被指数，通过波段运算、相关性分析和多元线性回归分析等，建立了美香占2号和吉丰优1002 水稻叶片氮含量的反演模型，通过模型精度验证，R2均达到0.85 以上。该模型将为华南籼稻品种精准施肥作业提供重要的理论依据和技术指导。