基于高光譜‘葉爾羌’扁桃氮磷鉀含量估測模型研究

莊紅梅，盧春生，龔 鵬，謝 輝，徐葉挺，樊丁宇，張 雯

(1.新疆農業科學院 園藝作物研究所， 新疆 烏魯木齊 830091；2.農業部新疆地區果樹科學觀測試驗站， 新疆 葉城 844900)

基于高光譜‘葉爾羌’扁桃氮磷鉀含量估測模型研究

莊紅梅，盧春生，龔 鵬，謝 輝，徐葉挺，樊丁宇，張 雯

(1.新疆農業科學院 園藝作物研究所， 新疆 烏魯木齊 830091；2.農業部新疆地區果樹科學觀測試驗站， 新疆 葉城 844900)

通過分析果實不同生長發育階段葉片光譜反射率與氮、磷、鉀含量的相關性，探尋葉爾羌扁桃葉片N、P、K含量估算的光譜模型，旨在為莎車‘葉爾羌’扁桃簡便快捷的非破壞性營養診斷提供高效、適時的方法。基于‘3414’肥料效應實驗，利用Unispec-SC光譜儀測定‘葉爾羌’扁桃在不同N、P、K施肥水平下果實關鍵發育期的葉片光譜反射率，實驗室測定葉片N、P、K含量，采用相關分析與回歸分析方法進行統計分析。結果表明，‘葉爾羌’扁桃果實坐果期、膨大期、硬核期、成熟期葉片光譜反射率或其衍生變量與氮、磷、鉀含量存在一定的關系，以相關性最強的兩個反射率之和為自變量，N、P、K含量為因變量，擬合的Cubics Ration、二次曲線方程R2值較高。最終確定‘葉爾羌’扁桃坐果期葉片氮營養診斷最佳模型為：Y=-2051.4471-7099.5965X-6048.4479X2，其中X為lgR823+lgR880，果實膨大期的最佳模型為：Y=(21.8812+39.8456X+24.3772X2+5.1255X3)/(0.005188X3)，其中X為lgR382+lgR383；坐果期的P營養診斷最佳模型為Y=(-0.000003+0.000803X-0.070160X2+2.8169X3)/(0.407026X3)，X為lg(R789+R790)；坐果期的K營養診斷最佳模型為Y=(-7.7960+22.5853X-21.8023X2+7.0133X3)/0.000032X3，其中X為R830+R850，Y均為估測值含量。由此得出，可根據果實不同生長發育階段葉片N、P、K素光譜敏感波段、光譜反射率或其衍生變量通過一定的函數關系能夠建立N、P、K含量監測模型。

‘葉爾羌’扁桃；葉片；N含量；P含量；K含量；光譜分析；相關分析；回歸分析

作物缺乏生長發育所需的大量營養元素氮、磷、鉀，不僅會嚴重影響作物生長速度和產量，而且還能引起植株體內相關生理、生化指標的變化[1]。探尋一種實時、快速、無損、精準的植物營養診斷方法已成為各國農業學者研究的熱點之一[2-4]。光譜分析技術具有速度快、效率高、重現性好、測試方便、成本低的特點，成為探測和獲取作物營養狀況和長勢信息的有效手段[5]。在田間栽培管理中，缺乏對南疆扁桃(AmygdaluscommunisL.)樹體營養盈虧狀況的科學施肥，經驗施肥和盲目施肥現象較為突出。因此，研發N、P、K含量光譜診斷估算模型可為葉爾羌扁桃樹體營養元素含量的實時、快速檢測提供技術手段，對科學施肥具有重要意義。前人利用光譜分析技術在作物營養素的含量監測方面做了大量的研究。其中，利用光譜反射率來估測作物N元素營養狀況的研究多于估測P、K元素營養狀況的研究。光譜分析診斷技術已經應用在玉米[6-10]、小麥[11-12]、水稻[13-14]、番茄[15-16]、棉花[17]、黑麥草[18]、紫葉稠李[19]N營養的實時檢測與營養診斷，有研究發現，窄波段綠光、紅邊比值指數SR(R780，R580)和SR(R780，R704)可用于冠層全N含量的監測[20]，560 nm、650 nm和720 nm作為特征波長及940 nm作為參比波長適用于植物營養快速無損診斷，(T940-T560)/(T940+T560)、log(T940/T560)和log(T940/T650)與植物N營養水平的相關性較好[21]。Thomas等[22]測定甜椒葉片的反射率發現，N元素營養水平對甜椒葉片在550 nm和670 nm波段反射率的影響大，這與胡珍珠等[23]研究輪臺白杏葉片光譜反射率在550 nm處差異顯著的結果一致。Osbome等[24]發現玉米葉片內N含量的預測應在紅光和綠光波段，具體波段隨生育期不變。Al-Abbas等發現不同營養N、P、K脅迫下不同位置葉片的光譜特性，其營養脅迫對530 nm波段處作物葉片光譜反射率有顯著性影響，Daughtry等提出可以利用作物葉片反射光譜率進行葉片葉綠素含量評價[25-28]。楊慧等[31]通過基于臨界氮濃度構建的氮營養指數、氮吸收模型對番茄的適宜施氮量診斷結果一致。這些研究結果表明，光譜反射率可以間接反映作物N、P、K元素營養狀況。葉爾羌扁桃果實不同生育期葉片光譜反射率與N、P、K的相關性及葉片氮、磷、鉀的光譜估算模型尚待研究，本文切入點以果實不同生育期葉片光譜反射率對N、P、K的敏感性分析及光譜估算模型的建立為切入點。采用“3414”肥料效應田間試驗，通過分析不同氮、磷、鉀施肥水平下‘葉爾羌’扁桃果實發育期葉片光譜反射率與葉片N、P、K含量的相關性，并建立具有普適性的估算葉爾羌扁桃果實不同發育階段葉片N、P、K營養元素含量的光譜估算模型，旨在為‘葉爾羌’扁桃快速、精準、非破壞性營養診斷技術提供理論依據。

1 材料與方法

試驗地點位于新疆喀什地區莎車縣阿熱勒鄉14村的扁桃園內(N38°21′37.1″，E77°17′11.5″)。土壤質地為沙壤土，其理化性狀為pH 8.4、有機質11.1 g·kg-1、堿解氮50 mg·kg-1、有效磷11.9 mg·kg-1、速效鉀102 mg·kg-1(數據來自莎車縣農技推廣中心2008年測得數據)。試驗地屬暖溫帶大陸性干旱氣候，四季分明，氣候干燥，日照長，蒸發量大，晝夜溫差大。年日照時數3 056.7 h，是中國日照較長的地區之一[29]。

1.1 試驗設計

試驗設計見表1。

1.2 材料

于2014年5—8月，以新疆喀什地區莎車縣阿熱勒鄉14村的扁桃園內的‘葉爾羌’扁桃葉片為材料。

1.3 數據采集

光譜數據用美國UniSpec-SC(單通道)便攜式光譜分析儀進行采集。該光譜分析儀自帶光源，可在可見光/近紅外310～1 130 nm 波長范圍內進行連續測量，光譜分辨率在λ/100，掃描波長3.3 nm。在扁桃‘葉爾羌’的4個生育期，即：坐果期(5月10日)、果實膨大期(6月6日)、硬核期(7月15日)、果實成熟期(8月6日)。每個肥料處理選取樹體5株，每株樹體大小一致。在樹冠中部東、西、南、北方向隨機選取生長健康的葉片，每株選取葉12片。每次數據采集前對光譜儀進行標準校正，活體健康葉片3次重復測定。在進行葉片光譜測定時，選取葉片的中上部(避免探頭直接對著葉脈)進行光譜測定。為保證數據可比性，測定條件盡可能一致(選擇晴朗無風或風力不大天氣，北京時間為10∶30—13∶00太陽高度角變化量小的時間段進行)。測定可見光波段的葉片光譜反射率[30]，用于‘葉爾羌’扁桃果實不同生育期葉片光譜反射率與N、P、K含量的相關性分析。

1.4 葉片采集與葉片N、P、K含量測定

扁桃四個果實關鍵發育期，采集扁桃新梢中部葉片，不同肥料處理各取5株果樹、每株果樹取2片葉，共10葉片。取葉片(帶葉柄)帶回實驗室內，于105℃恒溫殺青30 min后70℃烘至恒重，用不銹鋼料理機粉碎后裝入自封袋備用。

葉片全氮的測定，先用H2SO4-H2O2消煮，用開氏法測定；葉片全磷的測定，先用H2SO4-H2O2消煮，然后用釩鋁黃法在紫外可見分光光度計(UV-1800)450 nm處比色測定；葉片全鉀的測定，先用H2SO4-H2O2消煮，然后用原子吸收分光光度計(PE-Analysist100)測定。

1.5 數據分析

本試驗氮、磷、鉀元素含量與光譜反射率的相關性分析與作圖采用Origin9.0統計軟件完成，模型擬合采用DPS v9.5統計軟件完成。

2 結果與分析

2.1 ‘葉爾羌’扁桃葉片N、P、K含量與不同波段光譜反射率的相關性

2.1.1 葉片N含量與不同波段光譜反射率的相關性 果實坐果期，‘葉爾羌’扁桃葉片N含量與其光譜反射率在可見光波段310～750 nm呈正相關關系，在682～703 nm(紅光)波段相關性較強；在751～1 082 nm波段呈負相關關系，在750～778 nm波段范圍內，相關性最弱；在815～894 nm波段，負相關系數達到0.71，相關程度高于可見光波段(682～703 nm)；1 083～1 130 nm波段呈正相關關系，相關性較弱。因此，815～894 nm波段可作為‘葉爾羌’扁桃果實坐果期葉片 N含量的指示波段。

果實膨大期，‘葉爾羌’扁桃葉片N含量與其光譜反射率在可見光波段310～639 nm波段呈負相關性，在375～398 nm波段相關性較強，在383 nm左右相關系數達到最大0.8；在640～687 nm波段呈正相關性，相關性極小，均在0.05以下；688～848 nm波段呈負相關性，相關性較弱，均在0.28以下；849～1 069 nm波段呈正相關性，相關性較弱，均在0.15以下；1 070～1 130 nm波段呈負相關性。因此，375～398 nm波段可作為‘葉爾羌’扁桃果實膨大期葉片 N含量的指示波段。

果實硬核期，‘葉爾羌’扁桃葉片N含量與其光譜反射率在可見光波段310～715 nm波段呈正相關性，在608～616 nm波段，相關系數達到最高值0.5。在716～1 124 nm波段呈負相關性，負相關系數最高值在1 026～1 059 nm波段出現，為0.3，相關程度低于可見光608～616 nm波段；在1 125～1 130 nm波段呈正相關性，相關系數均在0.1以下；因此，608～616 nm波段可作為‘葉爾羌’扁桃果實硬核期葉片 N含量的指示波段。

果實成熟期，‘葉爾羌’扁桃葉片N含量與其光譜反射率在310～1 129 nm波段，呈負相關性，負相關系數最高值出現在429～437 nm波段，為0.47；在1 130 nm波段出現唯一的正相關性，相關系數為0.39。相比較429～437 nm波段正相關性較強，因此，429～437 nm波段可作為‘葉爾羌’扁桃果實成熟期葉片 N含量的指示波段，見圖1。

圖1 ‘葉爾羌’扁桃果實不同生長發育階段葉片N含量與光譜反射率的相關系數

Fig.1 Correlation coefficients between foliar N content and spectral reflectance of Yarkent almond at various phonological stages during fruit development

2.1.2 葉片P含量與不同波段光譜反射率的相關性 果實坐果期，‘葉爾羌’扁桃葉片P含量與其光譜反射率在可見光波段310～740 nm波段呈正相關性，在712～727 nm波段相關系數較高，達到0.67； 1 083～1 130 nm波段呈正相關性，相關系數均較低，在0.39以下；在741～1 082 nm波段呈負相關性，在766～802 nm波段相關系數較高，在790 nm波段左右相關系數最高達到0.76，因此766～802 nm波段可作為‘葉爾羌’扁桃果實坐果期葉片P含量的指示波段。

果實膨大期，‘葉爾羌’扁桃葉片P含量與其光譜反射率在可見光波段310～726 nm波段呈正相關性，在315 nm附近相關系數達到最高，為0.48；在727～1 115 nm波段呈負相關性，在1 023～1 063 nm波段，負相關系數達到最大值，為0.6；在1 122～1 130 nm波段呈正相關性，相關系數值逐漸升高，最高值僅為0.16。因此1 023～1 063 nm波段可作為‘葉爾羌’扁桃果實膨大葉片 P含量的指示波段。

果實硬核期，‘葉爾羌’扁桃葉片P含量與其光譜反射率在可見光波段310～367 nm呈現負相關性，負相關性較弱，均在0.3以下；368～720 nm處呈現正相關性，在708～713 nm處正相關系數達到最高值，為0.63；在721～1 130 nm波段呈負相關性，相關程度較弱；758～881 nm波段，負相關系數達到最大值，為0.45；因此708～713 nm波段可作為‘葉爾羌’扁桃果實硬核期葉片 P含量的指示波段。

果實成熟期，‘葉爾羌’扁桃葉片P含量與其光譜反射率在可見光波段310～383 nm處，呈負相關性，相關性較弱，相關系數均在0.23以下；在384～591 nm波段呈現出較弱正相關性，在536～543 nm處，相關系數達到最高值，為0.42；在592～692 nm波段，呈負相關性，相關性較弱；在667～677 nm處，相關系數達到最高值，為0.42；在693～1 129 nm波段，呈正相關性，相關系數在744～896 nm波段，達到最高值，為0.58；在1 130 nm處，呈現顯著的負相關性，相關系數為0.96；因此，1 130 nm處可作為‘葉爾羌’扁桃果實成熟期葉片P含量的指示波段(圖2)。

圖2 ‘葉爾羌’扁桃果實不同生長發育階段葉片P含量與光譜反射率的相關系數

Fig.2 Correlation coefficients between foliar P content and spectral reflectance of Yarkent almond at various phonological stages of fruit development

2.1.3 葉片K含量與不同波段光譜反射率的相關性 果實坐果期，‘葉爾羌’扁桃葉片K含量與其光譜反射率在可見光波段310～750 nm波段呈正相關性，在693～700 nm波段，相關系數最高值達到0.7；在751～1 082 nm波段呈負相關性，在815～894 nm波段，相關系數最高值達到0.71；在1 083～1 130 nm波段呈正相關性，相關系數呈上升趨勢，但相關性不強；因此，815～894 nm波段可作為‘葉爾羌’扁桃果實坐果期葉片 K含量的指示波段。

果實膨大期，‘葉爾羌’扁桃葉片K含量與其光譜反射率在可見光波段310～804 nm波段呈正相關性；在345～368 nm波段，相關系數達到最高值，為0.59；在807～1 082 nm波段呈負相關性，且相關性很弱，相關系數最大值僅為0.32；在1 083～1 130 nm波段呈正相關性，隨著波長的增加，相關系數逐漸增大，最大值為0.55。因此，345～368 nm波段可作為‘葉爾羌’扁桃果實膨大期葉片K含量的指示波段。

果實硬核期，‘葉爾羌’扁桃葉片K含量與其光譜反射率在可見光波段310～368 nm、371～375 nm、713～1 130 nm波段呈較弱的負相關性，相關系數最高值僅為0.2；在387～712 nm波段呈較弱的正相關性，相關系數最高值僅為0.17；因此，沒有合適波段可作為‘葉爾羌’扁桃果實硬核期葉片 K含量的指示波段。

果實成熟期，‘葉爾羌’扁桃葉片K含量與其光譜反射率在可見光波段310～704 nm波段呈正相關性，在475～491 nm波段，相關系數最高值達到0.63；在705～1 113 nm波段與1 130波點處呈較弱的負相關性，相關系數最高值僅為0.38；在1 114～1 129 nm波段呈較弱的正相關性；因此，475～491 nm波段可作為‘葉爾羌’扁桃果實成熟期葉片K含量的指示波段，以上結果見圖3。

圖3 ‘葉爾羌’扁桃果實不同生長發育階段葉片K含量與光譜反射率的相關系數

Fig.3 Correlation coefficients between foliar K content and spectral reflectance of Yarkent almond at various phonological stages during fruit development

2.2 ‘葉爾羌’扁桃葉片N、P、K含量光譜估算模型

2.2.1 葉片N含量估算模型 以葉片N含量與不同波段光譜反射率的相關性為依據，選取相關性最強的兩個波段，將葉片光譜反射率進行算數相加，算數相加后取常用對數(簡稱對數，下同)，各自取對數后相加三種數學處理所得的光譜反射率或其衍生變量作為自變量，以葉片N含量為因變量，建立二次曲線函數或Cubics Ration函數回歸關系，除了硬核期，所得回歸方程的擬合度(R2)在0.9142～0.9515之間，表明回歸方程的擬合度均比較好。其中，采用兩個波段光譜反射率算數相加作為自變量，使回歸方程的擬合度有所提高。因而，在‘葉爾羌’扁桃果實坐果期與膨大期，可通過獲取雙波段的葉片光譜反射率利用二次曲線函數或Cubics Ration函數對其葉片N含量進行估算。

2.2.2 葉片P含量估算模型 以葉片P含量與不同波段光譜反射率的相關性分析結果為依據，選取相關性最強的兩個波段，將葉片光譜反射率進行算術相加，算術相加后取對數，各自取對數后相加三種數學處理所得的光譜反射率或其衍生變量作為自變量，以葉片P含量為因變量，建立Cubics Ration模型、Logistic模型、Gompertz模型、二次曲線回歸關系，所得回歸方程一般。

在果實坐果期與硬核期，葉片P含量與光譜反射率及其衍生變量建立的Cubics Ration模型回歸方程擬合度均較高，其中都以算術相加后取對數為自變量擬合度較好，在硬核期擬合度低于坐果期。在果實膨大期，葉片P含量與光譜反射率及其衍生變量建立的模型回歸方程擬合度均較低，均在0.5以下。因此，在‘葉爾羌’扁桃果實發育的坐果期，可以通過獲取雙指示波段的葉片光譜反射率經進行算術相加，算術相加后取對數，各自取對數后相加三種數學處理所得的光譜反射率或其衍生變量作為自變量，利用Cubics Ration模型對其葉片P元素含量進行估算。

2.2.3 葉片K含量估算模型 以葉片K含量與不同波段光譜反射率的相關性分析結果為依據，選取相關性最強的兩個波段，將葉片光譜反射率進行算術相加，算術相加后取對數、各自取對數后相加三種數學處理所得的光譜反射率或其衍生變量作為自變量，以葉片K含量為因變量，建立模型。計算結果顯示，坐果期，以三種衍生變量擬合的Cubics Ration模型擬合度均較好，其中以算術相加后取對數作為自變量，Cubics Ration模型擬合度較高；膨大期，以三種衍生變量為自變量，Logistic模型擬合度一致，均為0.9032；硬核期，葉片K含量與不同波段光譜反射率的相關性非常低，無法擬合。成熟期，以三種衍生變量擬合的二次曲線模型擬合度均較低，在0.5以下；因此，在‘葉爾羌’扁桃果實發育的坐果期與膨大期，可以通過獲取雙指示波段的葉片光譜反射率經進行算術相加，算術相加后取對數、各自取對數后相加三種數學處理所得的光譜反射率或其衍生變量作為自變量，利用Cubics Ration模型，Logistic模型對其葉片K元素含量進行估算。最終確定‘葉爾羌’扁桃坐果期葉片氮營養診斷最佳模型為：Y=-2051.4471-7099.5965X-6048.4479X2，其中X為lgR823+lgR880，果實膨大期的最佳模型為：Y=(21.8812+39.8456X+24.3772X2+5.1255X3)/(0.005188X3)，其中X為lgR382+lgR383，坐果期P營養診斷最佳模型為Y=(-0.000003+0.000803X-0.070160X2+2.8169X3)/(0.407026X3)，X為lg(R789+R790)；坐果期K營養診斷最佳模型為Y=(-7.7960+22.5853X-21.8023X2+7.0133X3)/0.000032X3，其中X為R830+R850，Y均為估測值含量。

表2 ‘葉爾羌’扁桃果實不同發育階段葉片N含量與光譜變量的回歸關系

注：X為光譜變量，Y為N元素含量。

Note：Xrepresentation of the meaning of spectral variablesX,Yrepresentation of the meaning of N element content.

表3 ‘葉爾羌’扁桃果實不同發育階段葉片P含量與光譜變量的回歸關系

注：X為光譜變量，Y為P元素含量。

Note：Xrepresentation of the meaning of spectral variablesX,Yrepresentation of the meaning of P element content.

表4 ‘葉爾羌’扁桃果實不同發育階段葉片K含量與光譜變量的回歸關系

注：X為光譜變量，Y為K元素含量。

Note：Xrepresentation of the meaning of spectral variablesX,Yrepresentation of the meaning of K element content.

3 討 論

本研究以‘葉爾羌’扁桃果實不同發育階段光譜反射率與N、P、K含量的相關性為基礎，將葉片光譜反射率進行算術相加，算術相加后取對數，各自取對數后相加三種數學處理所得的光譜反射率或其衍生變量作為自變量，扁桃葉片N、P、K含量為因變量，建立了不同果實發育階段，N、P、K含量檢測模型，為‘葉爾羌’扁桃果實發育階段，N、P、K素營養狀況的無損與精確監測、實時營養檢測和診斷提供了理論依據和技術支持，對促進‘葉爾羌’扁桃栽培與管理信息化具有重要的意義。

研究結果表明，在坐果期，以N、P、K含量為因變量，經過三種數學處理的光譜反射率或其衍生變量為自變量，建立的N、P、K含量監測模型的擬合度均較高。在果實膨大期，以K素含量為因變量，經過三種數學處理的光譜反射率或其衍生變量為自變量，建立的K含量監測模型的擬合度均較好，N素與P素模型均較差。在硬核期，以P素含量為因變量，經過三種數學處理的光譜反射率或其衍生變量為自變量，建立的P含量監測模型的擬合度均較好，N素模型擬合度較差，K素模型無法擬合。在成熟期，以P素含量為因變量，經過三種數學處理的光譜反射率或其衍生變量為自變量，建立的P含量監測模型的擬合度均較好，N素、K素模型擬合度較差。模型無法擬合或者擬合度較低，均是由于在該發育階段‘葉爾羌’扁桃葉片相關元素含量與光譜反射率相關性較低。關于植物光譜營養診斷模型的建立的相關研究多集中在小麥、玉米上，而關于果樹方面研究甚少。如吉海彥等[30]使用ASD便攜式光譜儀和LI-COR 1800型積分球，在350～1 650 nm的光譜范圍內，測量冬小麥葉片在不同生長期的反射光譜，用偏最小二乘方法建立了冬小麥葉片葉綠素和水分含量與反射光譜的定量分析模型。在400～750 nm的光譜范圍，建立了葉綠素含量與反射光譜的模型，在小麥估產、農情監測等方面具有重要的意義，同時可為進行高光譜遙感提供基礎。王磊等[10]在玉米關鍵生育期，經過光譜監測及回歸分析和驗證建立的RNIR/Red與葉片氮含量對數模型和指數模型，為研發低成本便攜式作物氮素營養光譜診斷儀提供依據。這說明光譜營養診斷模型的建立能夠為快速、精準的營養診斷提供依據。

4 結 論

‘葉爾羌’扁桃果實不同生長發育階段葉片N、P、K營養元素與光譜反射率存在關聯，可根據光譜敏感指示波段的光譜反射率或其衍生變量利用二次函數、Cubics Ration、Logistic函數建立葉爾羌’扁桃果實不同生長發育階段葉片N、P、K營養元素含量光譜估算模型。

致謝 本課題在選題及研究過程中得到盧春生與龔鵬兩位專家的親切關懷和悉心指導，在此謹致以誠摯的謝意。

[1] 李民贊．光譜分析技術及其應用[M]．北京：科學出版社，2006：176-180．

[2] 薛利紅，曹衛星，羅衛紅，等．基于冠層反射光譜的水稻群體葉片氮素狀況監測[J]．中國農業科學，2003，36(7)：807-812．

[3] Bronson K F, Chua T T, Booker J D. In-season nitrogen status in sensing irrigated cotton：Ⅱ．Leaf nitrogen and biomass[J]．Soil Science Society of American Journal，2003，67：1439-1448．

[4] Racy M B, James S S, Garye V. Nitrogen deficiency detection using reflected short-wave radiation from irrigated corn canopies[J]．Agronomy Journal，1996，88：1-5．

[5] 蔣煥煜，彭永石，謝麗娟，等．掃描次數對番茄葉漫反射光譜和模型精度的影響研究[J]．光譜學與光譜分析，2008，28(8)：1763-1766．

[6] 李敏霞．蘋果葉片光譜反射率與葉綠素和全氮含量的相關研究[D]．楊凌：西北農林科技大學，2009：1-40．

[7] 周麗麗，馮漢宇，閻忠敏，等．玉米葉片氮含量的高光譜估算及其品種差異[J]．農業工程學報，2010，26(8)：195-199．

[8] 孫 紅，李民贊，張彥娥，等．不同施氮水平下玉米冠層光譜反射特征分析[J]．光譜學與光譜分析，2010，30(3)：715-719．

[9] 梁惠平，劉湘南．玉米氮營養指數的高光譜計算模型[J]．農業工程學報，2010，26(1)：250-255．

[10] 王 磊，白由路，盧艷麗，等．基于光譜分析的玉米氮素營養診斷[J]．植物營養與肥料學報，2011，17(2)：333-340．

[11] 張俊華，張佳寶．冬小麥特征光譜對其全氮和硝態氮的響應[J]．干旱地區農業研究，2010，28(1)：104-110．

[12] 胡 昊，白由路，楊俐蘋，等．不同氮營養冬小麥冠層光譜紅邊特征分析[J]．植物營養與肥料學報，2009，15(6)：1317-1323．

[13] 覃 夏，王紹華，薛利紅．江西鷹潭地區早稻氮素營養光譜診斷模型的構建與應用[J]．中國農業科學，2011，44(4)：691-698．

[14] 唐延林．水稻高光譜特征及其生物理化參數模擬與估測模型研究[D]．杭州：浙江大學，2004：1-64．

[15] 韓小平，左月明，李靈芝．水培番茄施氮量近紅外光譜預測模型的研究[J]．光譜學與光譜分析，2010，30(9)：2479-2483．

[16] 李靈芝，郭 榮，李海平，等．不同氮濃度對溫室番茄生長發育和葉片光譜特性的影響[J]．植物營養與肥料學報，2010，16(4)：965-969．

[17] 王克如，潘文超，李少昆，等．不同施氮量棉花冠層高光譜特征研究[J]．光譜學與光譜分析，2011，31(7)：1868-1872．

[18] 楊紅麗，陳 功，吳建付．施氮水平對多花黑麥草植株氮含量及反射光譜特征的影響[J]．草業學報，2011，20(3)：239-244．

[19] 李雪飛，韓甜甜，董 彥，等．紫葉稠李葉片色素及氮含量與其光譜反射特性的相關性[J]．林業科學，2011，47(8)：75-81．

[20] 田永超，楊 杰，姚 霞，等．利用葉片高光譜指數預測水稻群體葉層全氮含量[J]．作物學報，2010，36(9)：1529-1537．

[21] 賀冬仙，胡娟秀．基于葉片光譜透過特性的植物氮素測定[J]．農業工程學報，2011，27(4)：214-218．

[22] Thomas J R, Oerther G F. Estimating nitrogen content of weet pepper leaves by reflectance measurements[J]．Agrononmy Journal，1972，64：11-13．

[23] 胡珍珠，潘存德，王世偉，等．輪臺白杏葉片氮磷鉀含量光譜估算模型[J]．新疆農業科學，2013，50(2)：238-248．

[24] Osbome S L, Schepers J S, Schlemmer M R, et al. Detection of Phosphorus and nitrogen deficiencies in corn using spectral radiance measurements[J]．Agronomy Journal，2002，94：1215-1221．

[25] AI-Abbas A H, Barr R, Hall J D, et al. Spectra of normal and nutrient deficient maize leaves[J]．Agronomy Journal，1974，66：16-20．

[26] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]．Remote Sensing of Environment，2000，74：229-239．

[27] Milton N M, Ager C M, Eiswerth B A, et al. Arsenic and selenium induced changes in spectral reflectance and morphology of soybean plants[J]．Remote Sensing of Environment，1989，30(3)：263-269．

[28] Milton N M, Eiswerth B A, Ager C M. Effect of Phosphorus deficiency on spectral reflectance and morphology of soybean plants[J]．Remote Sensing of Environment，1991，36：121-127．

[29] 楊 波，車玉紅，崔艷麗，等．扁桃葉片礦質元素質量分數的年周期變化[J]．西北農業學報，2013，22(4)：114-119．

[30] 吉海彥，王鵬新，嚴泰來．冬小麥活體葉片葉綠素和水分含量與反射光譜的模型建立[J].光譜學與光譜分析，2007(3)：514-516．

[31] 楊 慧，曹紅霞，柳美玉，等．水氮耦合條件下番茄臨界氮濃度模型的建立及氮素營養診斷[J]．植物營養與肥料學報，2015，21(5)：1234-1242．

Prediction on nitrogen, phosphorus, potassium contents in almond leaves based on Yarkent Models by hyper spectrum

ZHUANG Hong-mei, LU Chun-sheng, GONG Peng, XIE Hui, XU Ye-ting, FAN Ding-yu, ZHANG Wen

(1.InstituteofHorticulturalCrops-XinjiangAcademyofAgriculturalSciences,Urumqi,Xinjiang830091,China; 2.ScientificObservingandExperimentalStationofPomology(Xinjiang),MinistryofAgriculture,Yecheng,Xinjiang844900,China)

To establish a model to estimate foliar nitrogen, phosphorus and potassium contents in leaves, analysis in correlation between foliar nitrogen (N), phosphorus (P), and potassium (K) contents, providing effective, timely and nondestructive nutrition diagnosis for Yarkent almond. Based on effect by the experiment of using 3414 fertilizer, Unispec-SC spectrometer was employed to determine leaf spectral reflectance of Yarkent almond under different N, P and K fertilizer levels at fruiting, swelling, hardcoring and maturing stages in Shache. In addition, correlation analysis and regression analysis methods were carried out for statistical analysis. The results showed that the spectral sensitive bands of foliar N, P and K elements are different at fruiting, swelling, hardcoring and maturing stages. There is a certain relationship between leaf N, P and K contents and the spectral reflectance or its derivative variables. TheR2value of the fitting Cubics Ration and quadratic curve equation was high when the two spectral reflectances were used as independent variables, and the N, P, and K contents as the dependent variables. The best model for Yarkent almond leaf nitrogen nutrition diagnosis at the fruiting stage isY=-2051.4471-7099.5965X-6048.4479X2,X=lgR823+lgR880; The best model for Yarkent almond leaf nitrogen nutrition diagnosis at the swelling stage isY=(21.8812+39.8456X+24.3772X2+5.1255X3)/(0.005188X3),X=lgR382+lgR383；The best model for Yarkent almond leaf phosphorus nutrition diagnosis at the fruiting stage isY=(-0.000003+0.000803X-0.070160X2+2.8169X3)/(0.407026X3),X=lg(R789+R790)；The best model for Yarkent almond leaf potassium nutrition diagnosis at the fruiting stage isY=(-7.7960+22.5853X-21.8023X2+7.0133X3/0.000032X3,X=R830+R850. In conclusion, the spectral sensitive bands of N, P and K elements are different at these four phenological stages for Yarkent almond fruit development. The models for estimating foliar N, K and P content of Yarkent almond can be established according to the spectral sensitivity, spectral reflectance or its derivative variables.

Yarkent almond; leaf; nitrogen content; phosphorus content; potassium content; spectral analysis; correlation analysis; regression analysis

1000-7601(2017)02-0157-09

10.7606/j.issn.1000-7601.2017.02.25

2015-12-23基金項目：新疆維吾爾自治區科技重大專項(201130102-2)；新疆維吾爾自治區科技計劃(201111121)；公益性行業(農業)科研專項(201003043)

莊紅梅(1987—)，江蘇連云港人，女，碩士，助理研究員，研究方向為植物生理。 E-mail：zhuanghongmei86@163.com。

盧春生，男，研究員，主要從事果樹栽培與生理研究。 E-mail：luchshxj@163.com。

S662.9; S143

A