冬小麥冠層光譜與土壤供氮狀況相關性研究

李廣信 王 超 馮美臣 楊武德 李方舟 馮瑞云

(1.山西農業大學農學院， 太谷 030801； 2.山西省農業科學院作物科學研究所， 太原 030031)

冬小麥冠層光譜與土壤供氮狀況相關性研究

李廣信1,2王 超1馮美臣1楊武德1李方舟2馮瑞云2

(1.山西農業大學農學院， 太谷 030801； 2.山西省農業科學院作物科學研究所， 太原 030031)

通過設置2個冬小麥品種不同氮素水平的完全隨機區組試驗，獲取冬小麥關鍵生育期(返青期、拔節期、孕穗期、灌漿期)的土壤氮素、植株氮素和冠層光譜數據，通過分析土壤氮素與植株氮素間的相關關系，間接構建土壤氮素狀況的光譜診斷模型。結果表明，不同施氮水平冬小麥各生育期冠層光譜與麥田土壤氮素含量差異顯著，土壤硝態氮、堿解氮含量與冬小麥植株氮素含量的相關系數達到0.72以上，相關系數分別在0.72～0.84和0.75～0.82之間，均達極顯著水平，而土壤全氮含量與冬小麥植株含氮量的相關性相對較差；研究證實土壤調節植被指數SAVI(1040,680)和比值植被指數RVI(1040,680)分別與土壤硝態氮、堿解氮含量具有重要的關系。另外，基于光譜參數SAVI(1040,680)的土壤硝態氮估算模型(R2≥0.739 6)和基于RVI(1040,680)所構建的堿解氮含量估算模型(R2≥0.810 0)具有較好的估測能力，可以實現利用冠層光譜對土壤氮素狀況的實時、快速估測。

冬小麥； 冠層光譜； 硝態氮； 堿解氮

引言

氮素是作物生產中的重要營養元素，也是農業生態系統中最為活躍的元素之一[1]，合理施氮對于提高作物產量、品質、氮素利用率具有積極的作用，但是施氮不適量、不適時的現實情況，降低了氮肥利用率，甚至造成土壤質量下降和土壤生態環境的污染[2]。實時、快速、準確掌握作物和土壤氮素狀況是合理施氮的重要途徑之一[3]。但依靠傳統室內化驗分析的手段難以滿足這一需求[4-5]。近年來，高光譜分析技術的快速發展，為解決這一需求提供了有效的手段和方法[6]。

作物冠層光譜分析作為一種無損監測技術，對獲取作物營養和土壤養分信息，實施田間氮肥管理具有重要意義。CAMBOU等[7]利用近紅外光譜技術實現了土壤有機質的準確監測。NAWAR等[8]在對光譜數據進行預處理后提高了土壤有機質和土壤粘粒含量的預測精度。ARAJO等[9]利用光譜技術同時實現了土壤中12種理化性質的估測，效果較好。以上研究是在采集土壤樣品后室內條件下進行的，研究結果難以直接應用于田間土壤理化性質的估測。雖然一些研究針對大田的裸露表土進行了一些土壤理化性質的估算，但是針對有作物生長的田間土壤養分的快速診斷仍然具有一定的局限性[10-12]。諸多研究表明冬小麥冠層光譜與植株氮素密切相關，FEMANDEZ等[13]用660 nm和545 nm波段的線性組合估測了冬小麥植株的氮素含量。王紀華等[14]研究發現冬小麥中下層葉片光譜與氮素含量關系密切。王樹文等[15]采用單變量NDVI 二次函數回歸模型進行了玉米苗期冠層氮含量的準確估測，精度可達0.8。葉曉青等[16]利用比值植被指數RVI(810,680)實現了烤煙植株中層、上中層、上中下層氮素積累量的準確反演。因此，探索利用冠層光譜進行土壤養分的估算具有一定的實踐意義。CHRIST等[17]研究指出棉花和大豆冠層光譜不僅能反映作物生長狀況，并且與田間土壤肥力特征有著密切關系。DIKER等[18]對冠層反射光譜與植株含氮量、植株含氮量與土壤無機氮含量做了相關研究，指出可以用作物冠層反射光譜間接地對土壤無機氮含量進行預測。從統計學角度來看，隨著生育期的推進，土壤剩余氮素會減少，作物氮素會增加，土壤中減少的氮素量與作物中增加的氮素量存在一定關系，不同生育期土壤氮素與作物氮素也存在某種關系。分析冠層光譜、作物氮素含量和土壤氮素含量之間的關系，實現作物氮素含量和土壤氮素含量狀況的反演，對于田間管理具有重要的實踐意義。

縱觀國內外研究可以發現，利用光譜技術直接探測作物養分和土壤理化性質的研究較多，且取得了一定的效果。也有研究報道了利用作物為中間變量來探究冠層光譜與土壤理化性質的關系，并實現棉花和水稻土壤理化性質的快速、準確監測[19-20]。本文通過分析冬小麥冠層光譜參數與土壤硝態氮、堿解氮含量以及全氮含量的關系，探究大田條件下利用冬小麥冠層光譜間接、實時評價土壤氮素狀況的可行性。

1 材料與方法

1.1 試驗設計

試驗1：于2012—2013年在山西省聞喜縣神柏鄉下嶺后村試驗田(東經111°10′17″、北緯35°21′20″)進行。供試土壤類型為褐土，土壤呈中性、微堿性，有機質、礦物質積累較多，肥力較高，腐殖質層較厚。土壤耕層全氮含量為0.46 g/kg，堿解氮含量為24.76 mg/kg，速效磷含量為15.26 mg/kg，有機質含量9.75 g/kg。供試品種為“運麥218”和“晉太170”，試驗采用單因素隨機區組排列，3次重復，各處理小區面積20 m2(8 m×2.5 m)。設5個施氮水平，分別為0、75、150、225、300 kg/hm2純氮，以尿素(含N質量分數46%)作氮肥，50%基肥、50%返青后期施入。磷、鉀肥以基肥一次性施入，過磷酸鈣(含P2O5質量分數16.5%)作磷肥，施磷量(P2O5)100 kg/hm2；氯化鉀(含K2O質量分數61.5%)作鉀肥，施鉀量(K2O)100 kg/hm2。冬小麥返青后一次性追肥，田間光譜測試和采樣時期分別為返青期、拔節期、孕穗期和灌漿期，試驗資料用于監測模型的構建。

試驗2：于2013—2014年，在山西省聞喜縣東鎮農田每隔一定距離選取樣本37份，試驗田各處理與下嶺后村處理方法一致。分別在冬小麥返青期、拔節期、孕穗期和灌漿期，測定冬小麥冠層光譜，采集土壤樣本并測定氮素指標，試驗資料用于監測模型的檢驗。

1.2 測定方法

1.2.1 冠層光譜測定

冬小麥的冠層光譜數據測量采用美國ASD(Analytical spectral device)公司生產的FieldSpec 3光譜儀，測量波長范圍350～2 500 nm，視場角度為25°。其中，350～1 000 nm間的光譜采樣間隔為1.4 nm，光譜分辨率為3 nm； 1 000～2 500 nm的光譜采樣間隔為2 nm，光譜分辨率為10 nm。測量時間為10:00—14:00。觀測時，探頭垂直向下，距冠層1.5 m。每塊麥田重復測量3次，每次測量前先用白板校正。

1.2.2 氮素測定

在冬小麥返青期、拔節期、孕穗期、灌漿期，按五點法在各小區選取5株代表性植株，在105℃下殺青30 min之后，75℃下干燥至質量恒定，稱干質量，然后粉碎，混合均勻。測定混合物的全氮含量用凱氏定氮法[21]。同時在相對應小區位點處的耕層0～40 cm取土，每個小區取混合樣，凱氏定氮法測定土壤全氮含量[22]，堿解擴散法[23]測定土壤堿解氮含量，紫外分光光度法測定土壤硝態氮含量。硝態氮、堿解氮、全氮含量取所測數據的平均值。

1.3 模型構建

以試驗為基礎，對處理過的冬小麥冠層光譜與相應的土壤全氮、硝態氮和堿解氮含量進行相關性分析，從而篩選出特征波段，根據特征波段計算光譜參數，利用計算出的光譜參數與各種土壤類型氮相關性分析，篩選出相關性極顯著的光譜參數，選用相關系數較大的光譜參數與土壤氮素建立監測模型。光譜數據采用ViewSpec Pro進行預處理，試驗數據相關性分析和回歸分析采用Matlab 7.0和Excel 2007軟件進行。

為了提高氮素監測的普適性，選擇應用廣泛、普適度較高且能夠表征作物長勢指標的4個植被指數：RVI、NDVI、SAVI、DVI(表1)。

表1 典型的光譜參數計算方法Tab.1 Algorithms of different spectral parameters

注：Rn、Rr分別為近紅外、紅光波段光譜反射率。

2 結果與分析

2.1 土壤含氮量與冬小麥植株含氮量相關性分析

表2為不同生育期土壤含氮量與冬小麥植株含氮量的相關性分析結果。由表2可以看出，不同生育期土壤全氮含量與冬小麥植株含氮量的相關性較差，各生育期的相關系數都在0.5以下，土壤全氮含量能否評價土壤供氮能力有待進一步研究。土壤的硝態氮和堿解氮含量與各生育期冬小麥植株含氮量的相關系數分別在0.72～0.84和0.75～0.82之間，都達到了極顯著水平，因此這2項指標都能客觀反映土壤供氮水平和潛力。李生秀等[30]在盆栽和大田試驗研究中指出，作物的吸氮量與土壤硝態氮、堿解氮含量有著密切相關性，與本文結果相符。其原因可能是作為土壤速效氮的硝態氮和堿解氮決定著土壤的供氮強度，直接快速地反映植株的含氮量，而土壤全氮含量決定著土壤養分的供應容量，是潛在的肥力標志，全氮含量的多少不能快速反映植株的含氮量。

表2 不同生育期土壤含氮量與冬小麥植株含氮量的相關系數Tab.2 Correlation coefficients between soil and plant nitrogen contents at differrent growth stages

注：** 表示相關系數達到極顯著水平(P<0.01)，下同。

2.2 土壤含氮量與冬小麥冠層光譜參數相關性分析

為了達到對土壤氮素實時、簡便的預測效果，有必要解決光譜波段冗余問題。在光譜波段中選擇一些敏感波段進行信息提取，不僅能夠為后續植被指數的構建提供較好波段選擇來源，而且為植被指數的篩選提供較高的比較標準，從而建立所需的光譜監測模型。通過對冠層光譜進行測定，篩選出特征波段，計算植被指數，建立遙感監測模型。

圖1 土壤硝態氮含量與冠層光譜反射率的相關系數Fig.1 Correlation coefficient between soil nitrate nitrogen content and canopy spectral reflectance

圖1為拔節期土壤硝態氮含量與冠層光譜反射率相關性分析圖。由圖1可知，650～690 nm冠層光譜反射率與土壤含氮量呈顯著負相關關系，其中680 nm處反射率與土壤含氮量相關性最好。680 nm是諸多遙感學家構建植被指數監測植被長勢時應用最為廣泛的波長之一，SHARABIAN等[31]提取的SPAD的敏感波長也位于680 nm附近。這一波長范圍屬于葉綠素吸收波長范圍，葉綠素強烈吸收使反射率降低，同時氮素與葉綠素有密切的相關性，使得氮素敏感波長也在這一范圍內[32]。720～1 350 nm冠層光譜反射率與土壤含氮量呈正顯著相關關系，其中1 040 nm處反射率與土壤含氮量相關性最好。這一波長范圍屬于近紅外波段，近紅外區域比較高的反射率是葉片內部結構多次散射的結果，而葉片內部結構與氮素密切相關，因此該區域光譜反射率與氮素營養也有良好的相關性。同理，篩選出其他生育期堿解氮、全氮含量的特征波長，經過分析，相關性最佳的特征波長均為680 nm、1 040 nm。

由于構成高光譜參數的可見光波段和近紅外波段既包含了葉片中葉綠素的信息，也包含了葉片組織機構方面的信息，因此光譜參數與土壤氮素存在理論上的相關性。表3為不同生育期土壤硝態氮、堿解氮、全氮含量與冬小麥冠層光譜參數的相關性分析結果，參數SAVI、RVI、NDVI和DVI分別代表土壤調節植被指數、比值植被指數、歸一化植被指數和差值植被指數。

表3 不同生育時期土壤氮含量與冬小麥冠層光譜參數的相關系數Tab.3 Correlation coefficients between soil nitrogen content and wheat canopy spectral reflectance at different growth stages

由表3可知，DVI(1040,680)與各生育期土壤硝態氮、堿解氮和全氮含量的相關關系都未達到顯著水平，土壤全氮含量與SAVI(1040,680)、RVI(1040,680)、NDVI(1040,680)都未達到顯著水平，因此土壤全氮含量與光譜參數不做進一步分析。土壤硝態氮含量與SAVI(1040,680)、RVI(1040,680)、NDVI(1040,680)相關關系都達到極顯著水平，其中與SAVI(1040,680)呈負相關，與RVI(1040,680)、NDVI(1040,680)呈正相關；土壤堿解氮含量與SAVI(1040,680)、RVI(1040,680)、NDVI(1040,680)相關關系也都達到極顯著水平，其中與SAVI(1040,680)負相關，與RVI(1040,680)、NDVI(1040,680)正相關，與土壤硝態氮含量和光譜參數相關關系趨勢相同。

2.3 基于土壤硝態氮、堿解氮含量的遙感監測模型

由表3可以看出，土壤硝態氮、堿解氮含量與冬小麥各生育期冠層光譜參數SAVI(1040,680)、RVI(1040,680)、NDVI(1040,680)的相關性較好，都達到了極顯著水平。其中，土壤硝態氮與光譜參數相關性最小的是孕穗期的土壤硝態氮含量與NDVI(1040,680)，相關系數為0.79；土壤堿解氮含量與光譜參數相關性最小的是孕穗期的土壤堿解氮含量與RVI(1040,680)、NDVI(1040,680)，相關系數為0.81；而3個生育期土壤全氮與光譜參數的相關系數最大為拔節期土壤全氮含量與SAVI(1040,680)，相關系數為0.73，相關關系不顯著。因此，可以用光譜參數SAVI(1040,680)、RVI(1040,680)、NDVI(1040,680)建立相應回歸模型實現對土壤硝態氮、堿解氮含量的估測；但土壤硝態氮、堿解氮含量與DVI(1040,680)的相關性較差，都未達到顯著水平。土壤全氮含量與這4個光譜參數的相關性也都未達到顯著水平，在一定程度上受到了土壤全氮含量和植株含氮量相關性較差的影響。

從表3中選取與土壤硝態氮、堿解氮含量相關性極顯著的光譜參數SAVI(1040,680)、RVI(1040,680)、NDVI(1040,680)，分別與土壤硝態氮、堿解氮含量建立光譜監測模型(表4)，由于這3個光譜參數與土壤全氮含量的相關性較差，在此不建立土壤全氮含量的預測模型。

表4中所建線性回歸模型中，Y表示土壤硝態氮或堿解氮含量的預測值，X表示光譜參數。其中，對拔節期、孕穗期和灌漿期建立的土壤硝態氮含量線性預測模型中，以SAVI(1040,680)為自變量時的決定系數最大，相對誤差(RE)、均方根誤差(RMSE)最小，表明以SAVI(1040,680)為自變量所建模型最好；建立的土壤堿解氮含量預測模型中，分別以RVI(1040,680)為自變量時的決定系數最大，RMSE最小，表明以RVI(1040,680)為自變量所建模型最好。

表4 土壤硝態氮和堿解氮含量線性估測模型Tab.4 Linear models of soil nitrate nitrogen and available nitrogen contents based on spectral parameters

圖2 土壤硝態氮和土壤堿解氮含量實測值與預測值間的線性關系Fig.2 Liner relationships between measured and predicted values of soil nitrate nitrogen and soil available nitrogen

為了檢驗模型的可靠性和普適性，利用試驗2拔節期、孕穗期和灌漿期的數據對土壤硝態氮、堿解氮含量與光譜參數間的相關方程進行測試，采用R2、RE、RMSE對上述建立的模型分別進行檢驗(表4)。對預測值和實測值作1∶1線性關系圖直觀展示測試效果，如圖2所示。

由圖2可知，3個生育期的土壤硝態氮和堿解氮含量實測值和預測值擬合效果較好，且擬合系數都在0.6以上(表4)。其中，硝態氮含量以灌漿期預測精度最高，拔節期次之，孕穗期最小；而堿解氮含量則以拔節期預測精度最高，灌漿期次之，孕穗期最小。這與土壤硝態氮和堿解氮含量線性模型的決定系數規律、相對誤差、均方根誤差相一致，表明所建模型是可行的。

3 結論

(1)不同生育期土壤全氮含量與冬小麥植株含氮量的相關性較差，相關系數都在0.5以下，能否作為土壤供氮能力的評價指標還有待進一步考量。土壤硝態氮、堿解氮含量與各生育期冬小麥植株含氮量的相關系數分別在0.72～0.84和0.75～0.82之間，達到了極顯著水平，可客觀地反映土壤供氮水平和潛力。

(2)在可見光波段，光譜反射率隨施氮水平的增加而降低，而在近紅外波段則隨著施氮水平的增加而增加。土壤氮素類型與植株氮素的相關率數達到0.72以上，為極顯著水平。因此，從數學角度來看，土壤氮素類型與冠層光譜也存在一定的相關關系。

(3)通過分析土壤氮素類型與冠層光譜的相關性，波段650～690 nm、720～1 350 nm與土壤氮素含量具有重要的相關關系，本研究證實光譜參數SAVI(1040,680)、RVI(1040,680)分別與土壤硝態氮、堿解氮含量具有重要的關系，分別構建了基于SAVI(1040,680)的土壤硝態氮光譜監測模型和基于RVI(1040,680)的土壤堿解氮光譜監測模型，實現了可利用冬小麥實測冠層光譜同步實現麥田土壤氮素狀況的間接診斷。

1 何勇, 趙春江, 吳迪, 等. 作物-環境信息的快速獲取技術與傳感儀器[J]. 中國科學: 信息科學, 2010, 40(增刊): 1-20. HE Yong, ZHAO Chunjiang, WU Di, et al. Fast detection technique and sensor instruments for crop-environment information: a review[J]. Science China Information Sciences, 2010, 40(Supp.): 1-20.(in Chinese)

2 胡玉福,鄧良基,肖海華,等.邛海盆地土壤氮素空間變異特征與影響因素研究[J/OL].農業機械學報,2015,46(4):132-140. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150420&flag=1&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2015.04.020. HU Yufu，DENG Liangji，XIAO Haihua，et al. Spatial variability of soil nitrogen and its influential factors in Qionghai Basin[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015,46(4):132-140. (in Chinese)

3 魏昌龍, 趙玉國, 李德成, 等. 基于相似光譜匹配預測土壤有機質和陽離子交換量[J]. 農業工程學報, 2014, 30(1): 81-88. WEI Changlong, ZHAO Yuguo, LI Decheng, et al. Prediction of soil organic matter and cation exchange capacity based on spectral similarity measuring[J]. Transactions of the CSAE, 2014, 30(1): 81-88. (in Chinese)

4 MARTIN M P, OITON T G, LACARCE E, et al. Evaluation of modeling approaches for predicting the spatial distribution of soil organic carbon stocks at the national scale[J]. Geoderma, 2014, 223-225: 97-107.

5 WANG Chao, FENG Meichen, YANG Wude, et al. Extraction of sensitive bands for monitoring the winter wheat (Triticumaestivum) growth status and yields based on the spectral reflectance[J]. PLoS ONE, 2017, 12(1): e0167679.

6 趙燕東, 皮婷婷. 北京地區粘壤土全氮含量的光譜預測模型[J/OL].農業機械學報，2016,47(3):144-149. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160321&flag=1&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.03.021. ZHAO Yandong, PI Tingting. Spectral prediction model of soil total nitrogen content of clay loam soil in Beijing [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 144-149.(in Chinese)

7 CAMBOU A, CARDINAEL R, KOUAKOUA E, et al. Prediction of soil organic carbon stock using visible and near infrared reflectance spectroscopy (VNIRS) in the field[J]. Geoderma, 2016, 261(2): 151-159.

8 NAWAR S, BUDDENBAUM H, HILL J, et al. Estimating the soil clay content and organic matter by means of different calibration methods of vis-NIR diffuse reflectance spectroscopy[J]. Soil and Tillage Research, 2016, 155: 510-522.

10 陳漫, 施印炎, 汪小旵, 等. 基于光譜探測的小麥精準追肥機設計與試驗[J/OL].農業機械學報, 2015, 46(5): 26-32. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150505&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2015.05.005. CHEN Man, SHI Yinyan, WANG Xiaochan, et al. Design and experiment of variable rate fertilizer applicator based on crop canopy spectral reflectance[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(5): 26-32. (in Chinese)

11 王小平, 郭鈮, 張凱,等. 黃土高原不同種植密度下春小麥冠層和葉片高光譜反射特征[J]. 生態學雜志, 2008, 27(7):1109-1114. WANG Xiaoping, GUO Ni, ZHANG Kai, et al.Canopy and leaf hyperspectral reflectance of spring wheat under different planting densities in Loess Plateau [J]. Chinese Journal of Ecology, 2008, 27(7):1109-1114. (in Chinese)

12 姚付啟, 蔡煥杰, 王海江,等. 基于平穩小波變換的冬小麥覆蓋度高光譜監測[J/OL]. 農業機械學報,2012,43(3):173-180. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120332&flag=1&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2012.03.032. YAO Fuqi, CAI Huanjie, WANG Haijiang, et al. Monitoring winter wheat percentage vegetation cover based on stationary wavelet transformation derived from hyperspectral reflectance [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(3):173-180. (in Chinese)

13 FEMANDEZ S, VIDAL D, SIMON E, et al. Radiometric characteristics ofTriticumaestivumcv, Astral under water and nitrogen stress [J]. International Journal of Remote Sensing, 1994, 15(9):1867-1884.

14 王紀華, 王之杰, 黃文江,等. 冬小麥冠層氮素的垂直分布及光譜響應[J]. 遙感學報, 2004, 8(4):309-316. WANG Jihua, WANG Zhijie, HUANG Wenjiang, et al.The vertical distribution characteristic and spectral response of canopy nitrogen in different layer of winter wheat[J]. Journal of Remote Sensing, 2004, 8(4):309-316. (in Chinese)

15 王樹文, 趙珊, 張長利, 等. 基于成像光譜技術的寒地玉米苗期冠層氮含量預測模型[J]. 農業工程學報, 2016, 32(13): 149-154. WANG Shuwen, ZHAO Shan, ZHANG Changli, et al. Forecasting model for nitrogen content of maize canopy during seedling stage in cold region based on imaging spectral technique [J]. Transactions of the CSAE, 2016, 32(13): 149-154. (in Chinese)

16 葉曉青, 鄒勇, 余志虹, 等. 烤煙冠層光譜參數與氮素垂直分布相關性研究[J/OL].農業機械學報, 2013, 44(5): 219-225. http:/www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130538&flag=1&journal_id=jcsam. DOI: 10.6041/j.issn.1000-1298.2013.05. 038. YE Xiaoqing, ZOU Yong, YU Zhihong, et al. Correlation between nitrogen vertical distribution and spectral characteristics of flue-cured tobacco [J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 219-225. (in Chinese)

17 CHRIST L, DAVID R S, MICHAEL S C, et al. Utility of remote sensing in predicting crop and soil characteristics [J]. Precision Agriculture, 2003,4(4):359-384.

18 DIKER K, BAUSCH W C. Radiometric field measurements of maize for estimating soil and plant nitrogen [J]. Biosystems Engineering, 2003, 86(4):411-420.

19 潘文超, 李少昆, 王克如,等. 基于棉花冠層光譜的土壤氮素監測研究[J]. 棉花學報, 2010, 22(1):70-76. PAN Wenchao, LI Shaokun, WANG Keru, et al. Monitoring soil nitrogen and plant nitrogen based on hyperspectral of cotton canopy [J]. Cotton Science, 2010, 22(1):70-76. (in Chinese)

20 薛利紅, 盧萍, 楊林章,等. 利用水稻冠層光譜特征診斷土壤氮素營養狀況[J]. 植物生態學報, 2006, 30(4):675-681. XUE Lihong, LU Ping, YANG Linzhang, et al. Estimation of soil nitrogen status with canopy reflectance spectra in rice [J]. Journal of Plant Ecology, 2006, 30(4):675-681. (in Chinese)

21 鄒琦. 植物生理學實驗指導[M]. 北京: 中國農業出版社, 2007: 115-121.

22 鮑士旦.土壤農化分析[M].北京:中國農業出版社,2007:191-203.

23 魯如坤. 土壤農業化學分析方法[M]. 北京: 中國農業科技出版社, 2000:309-311.

24 JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor [J]. Ecology, 1969, 50(4): 663-666.

25 PEARSON R L, MILLER L D. Remote mapping of standing crop biomass for estimation of the productivity of the shortgrass prairie[C]∥Remote Sensing of Environment Ⅷ, 1972, 45(2):7-12.

26 ROUSE J W, HASS R H, SCHELL J A, et al. Monitoring vegetation systems in the great plains with erts[J]. Nasa Special Publication, 1974, 351:309.

27 TUCKER C J. Red and photographic infrared linear combinations for monitoring vegetation[J]. Remote Sensing of Environment,1979,8(2): 127-150.

28 HUETE A R. A soil-adjusted vegetation index (SAVI) [J]. Remote Sensing of Environment, 1988, 25(3):295-309.

29 RICHARDSON A J, WIEGAND C L. Distinguishing vegetation from soil background information [J]. Photogrammetric Engineering & Remote Sensing, 1978, 43(12):1541-1552.

30 李生秀, 付會芳, 肖俊璋, 等. 幾種測氮方法在反映旱地土壤供氮能力方面的效果[J]. 干旱地區農業研究, 1992, 10(2): 72-81. LI Shengxiu, FU Huifang, XIAO Junzhang, et al. The effectiveness of several methods determining soil available or potentially available N in reflecting dryland soil N supply-capacities[J]. Agricultural Research in the Arid Areas, 1992, 10(2): 72-81. (in Chinese)

31 SHARABIAN V R, NONGUCHI N, ISHI K. Significant wavelengths for prediction of winter wheat growth status and grain yield using multivariate analysis[J]. Engineering in Agriculture, Environment and Food, 2014, 7(1): 14-21.

32 MITCHELL J J,GLENN N F, SANKEY T T, et al. Spectroscopic detection of nitrogen concentrations in sagebrush [J]. Remote Sensing Letters, 2012, 3(4): 285-294.

Correlation between Soil Nitrogen Situation and Canopy Spectra of Winter Wheat

LI Guangxin1,2WANG Chao1FENG Meichen1YANG Wude1LI Fangzhou2FENG Ruiyun2
(1.CollegeofAgronomy,ShanxiAgriculturalUniversity,Taigu030801,China2.InstituteofCropScience,ShanxiAcademyofAgriculturalScience,Taiyuan030031,China)

Soil nitrogen is important to crop production. The lower nitrogen efficiency is mainly caused by the reason that the nitrogen is commonly applied untimely or non-appropriately. In order to take advantage of winter wheat canopy spectra synchronous implementation indirectly and rapidly diagnose soil nitrogen status, experiment with completely randomized block was conducted for two wheat varieties with different nitrogen levels. Soil and plant nitrogen levels and real-time canopy spectra were measured at different growth stages of winter wheat, i.e., the reviving, jointing, booting and filling stages. Mathematical statistical methods were used to analyze the quantitative relationship between soil nitrogen and plant nitrogen, and build a remote monitoring model of soil nitrogen by using the canopy spectral reflectance. The results showed that the canopy spectral reflectance of winter wheat at each growth stage was significantly different from soil nitrogen content with the application of different levels of nitrogen fertilizer. There were significant relationship between soil nitrate nitrogen content, soil available nitrogen content and nitrogen content of winter wheat plants, and the correlation coefficient could exceed 0.72. However, the relationship between soil total nitrogen content and nitrogen content of winter wheat plants was hardly relevant. The spectra parameters of SAVI(1040,680) and RVI(1040,680) were determined to have important relationship with the soil nitrate nitrogen and available nitrogen contents, respectively. Moreover, the monitoring models of soil nitrate nitrogen and available nitrogen contents based on the spectra parameters performed the best withR2≥0.739 6 andR2≥0.810 0, respectively. The research result would supply some technical reference for the real-time monitor of soil nitrogen in winter wheat fields by using the canopy spectral reflectance.

winter wheat; canopy spectra; nitrate nitrogen; available nitrogen

2017-01-12

2017-02-22

國家自然科學基金項目(31371572、31201168)

李廣信(1975—)，男，博士生，山西省農業科學院副研究員，主要從事作物信息技術研究，E-mail: nkylgx@163.com

楊武德(1960—)，男，教授，博士生導師，主要從事作物生態和農業信息技術研究，E-mail: sxauywd@126.com

10.6041/j.issn.1000-1298.2017.05.034

S512.1+1； Q948.113

A

1000-1298(2017)05-0275-07