冬小麥籽粒氮積累量高光譜監測研究

賈學勤 ，馮美臣 ，王 超，楊武德 ，李廣信 ，孫 慧 ，武改紅 ，張 松

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

氮素是作物重要的營養元素，對作物生長具有重要的影響，而且對作物產量和品質形成影響顯著。對作物氮素狀況估測的傳統方法是以田間破壞性取樣結合實驗室化學測試為主，耗費大量人力物力，且估測范圍小，難以實現作物氮素狀況的大面積快速估測[1-2]。隨著高光譜技術的快速發展，其已經越來越多地應用于作物生長信息等方面的監測[3]，使得實現作物氮素積累狀況快速、無損估測成為可能。

近年來，國內外學者在利用高光譜技術監測作物氮素狀況方面做了大量研究，其中，在作物含氮量光譜監測方法和敏感波段方面的研究較多。THOMAS等[4]研究指出，550～675 nm光譜反射率與甜椒葉片含氮量相關性較高。FOURTY等[5]研究表明，在 1 510，1 730，1 980，2 060，2 180，2 240，2 300 nm波段對干葉含氮量反應敏感。呂瑋等[6]研究表明，在400～760 nm處光譜反射率對葉片氮素含量響應較大。岳延濱等[7]研究結果表明，760～1350 nm范圍的光譜反射率能較好實現葉片和全株含氮量的光譜監測。HANSEN等[8]結合偏最小二乘回歸（PLSR）建立冬小麥氮含量高光譜監測模型，取得了較好的結果。王仁紅等[9]利用線性內插法紅邊位置構建了植株氮素估測模型。李丹等[10]研究證實，優化的光譜指數（R876/R730）-1監測小麥和玉米含氮量效果較好。孫慧等[11]以葉面積指數（LAI）為中間變量構建水旱地冬小麥植株含氮量估測模型。而與作物含氮量相比，對作物氮積累量高光譜監測方面研究相對較少。諶俊旭等[12]研究表明，利用DSI（771，755）構建的冪函數和線性模型對于大豆葉片氮積累量估測較精確。崔日鮮等[13]研究指出，用隨機森林算法建立的冬小麥葉片氮積累量光譜估測模型擬合效果最佳。STONE等[14]利用植株氮光譜指數（PNSI）構建了小麥植株氮積累量估測模型。馮偉等[15]研究利用光譜參數較好地實現了冬小麥地上部氮積累量動態變化的高光譜監測。

綜上所述，目前研究多側重于葉片和植株氮積累量光譜監測方面的研究，而籽粒灌漿期氮積累量的監測研究鮮有報道，實現籽粒灌漿期氮積累量動態監測對于小麥產量和品質估測具有重要意義。

本研究在2 a氮運籌試驗的基礎上，綜合分析冬小麥灌漿期葉片和植株氮積累量的定量關系，并結合偏最小二乘法（PLS）和逐步多元線性回歸（SMLR），選擇出實現冬小麥籽粒氮積累量光譜監測適宜的農學參數，進而建立冬小麥生長過程籽粒氮積累動態定量估測模型，以期為冬小麥產量和品質高光譜估測提供有效技術途徑。

1 材料和方法

1.1 試驗地概況

本研究于山西省晉中市太谷縣山西農業大學試驗站進行，試驗地土壤為黃土母質發育而成的石灰性褐土，耕層土壤基礎肥力列于表1。

表1 試驗地耕層土壤肥力

1.2 試驗材料

1.2.1 供試作物 試驗1為冬小麥濟19和魯麥14；試驗2為冬小麥濟22和長4738。

1.2.2 供試肥料 尿素（含純氮46%），過磷酸鈣（含P2O516%），氯化鉀（含K2O60%）。

1.2.3 儀器與設備 Field Spec Pro FR型便攜式光譜儀（美國ASD公司），Smartchen 200全自動化學分析儀（法國Alliance公司）。

1.3 試驗設計

試驗分為2個階段，其中，試驗1于2015年10月至2016年6月進行，播種時間為2015年9月25日，采用完全隨機區組設計，5個氮梯度：純氮0，75，150，225，300 kg/hm2，分別用 N0，N1，N2，N3，N4表示；基追比為6∶4，拔節期追肥。小區面積為12 m2（3 m×4 m），重復3次。冬小麥行距20 cm，各處理配施P2O5150 kg/hm2和K2O 150 kg/hm2，全部用作基肥。其他管理措施同高產小麥田。試驗2于2016年10月至2017年6月進行，播種時間為2016年10月1日。其他處理同試驗1。

1.4 測定項目及方法

1.4.1 冬小麥冠層光譜測量 從小麥開花期開始，每隔5～8 d測量一次冠層光譜，具體測量時間如表2所示。本試驗采用美國ASD公司的Field Spec ProFR型便攜式光譜儀測定冬小麥冠層，波段范圍為350～2 500 nm。測量在晴朗、無風的天氣下進行，時間選擇在10：00—14：00。測量時探頭位于冠層上方1 m，重復10次，每個小區選擇3個點進行測量，將采集的光譜數據平均值作為該小區反射率光譜。

表2 冬小麥冠層光譜測量時間 月-日

1.4.2 農學參數測定 與光譜測量同步，在小區光譜測量樣點處取20 cm冬小麥植株，重復2次。取樣后去掉根部，分離莖、葉、穗（開始灌漿后分離出種子）烘干，稱取干質量；然后粉碎，采用微量凱式定氮法[16]分別測量各部分全氮含量。氮積累量（NA）（g/m2）＝全氮含量（NC）（%）干生物量（DW）（g/m2），按照公式分別計算植株氮素積累量（PNA）、葉片氮積累量（LNA）以及籽粒氮積累量（GNA），其中，開花期植株氮積累量（PNA）為莖、葉、穗各部分氮積累量的和，開始灌漿后植株氮積累量（PNA）是除籽粒外各部分氮積累量的總和。

1.4.3 高光譜模型建立及模型評價 偏最小二乘法（PLS）是一種在光譜學領域應用比較廣泛的變量選擇方法，常以B系數（B-coefficient）和變量重要投影（VIP）為依據進行重要波段的選擇[17]。本研究借鑒前人研究結果，選擇B-coefficient且VIP＞1的波段為重要波段[18]。此外，偏最小二乘（PLS）和逐步多元線性回歸（SMLR）組合建?？梢猿浞滞诰蚶貌ǘ涡畔?，提高模型精度。因此，本研究選擇PLS-SMLR結合建立模型。

1.5 數據處理

采用ViewSpec Pro光譜分析軟件進行預處理，用Matlab 7.0軟件進行相關性分析和PLS重要波段提取，用SPSS軟件進行SMLR模型建立，用Origin 8.0軟件制圖。

2 結果與分析

2.1 基于PLS的冬小麥植株及葉片氮積累量光譜特征波段提取

分別構建冬小麥PNA和LNA偏最小二乘（PLS）模型，并根據PLS分析的B-coefficients和VIP系數選擇冬小麥PNA和LNA高光譜特征波段。由圖1可知，冬小麥 PNA在 401～491，515～585，732～1300，1961～2 041 nm波段處B-coefficients和VIP系數均比較大，冬小麥LNA則以518～636，694～952，1 052～1 085 nm為光譜特征波段區域。

2.2 冬小麥植株及葉片氮積累量光譜估測模型

在PLS提取的特征波段區域的基礎上，結合SMLR進一步提取PNA和LNA特征波段，建立SMLR光譜監測模型（表3）。

如表3所示，冬小麥PNA和LNA特征波段存在明顯差異，LNA特征波段集中在近紅外平臺區域（740～1 100 nm），而PNA特征波段在可見光區域和近紅外區域均有分布。對模型精度進行評價，結果發現，PNA和LNA這2個模型監測效果均較好，決定系數R2均達到0.65以上，其均方根誤差RMSE也相對較小。其中，LNA模型監測精度較高，其R2較高，達到了 0.795，RMSE較低，為 2.749；PNA光譜估測模型的R2和RMSE分別為0.659和5.903。

表3 冬小麥PNA和LNA光譜監測模型及精度

2.3 冬小麥植株及葉片氮積累量與籽粒氮積累量的關系

表4 冬小麥PNA和LNA與GNA的相關性及定量關系

分別對冬小麥開花后PNA和LNA與GNA做相關性分析，并建立相應的定量關系（表4）。從表4可以看出，冬小麥PNA和LNA均與GNA有較好的相關性，均呈極顯著負相關。其中，PNA與GNA相關性略高于LNA，達到了-0.821。根據定量關系可知，PNA與GNA有較好的線性關系，方程決定系數R2為0.677，而指數方程能較好反映LNA與籽粒氮積累量的定量關系，其決定系數達到了0.724，擬合效果略優于PNA。

2.4 冬小麥籽粒氮積累量高光譜動態監測模型建立及驗證

由于PNA和LNA與GNA間存在較好的定量關系，且PNA和LNA光譜估測模型精度也均較高，因此，分別以PNA和LNA為中間變量，將PNA和LNA與GNA的定量關系方程與其光譜監測模型相聯系，建立GNA光譜監測模型，并用試驗2數據進行驗證（表5）。由表5可知，以LNA為中間變量建立的GNA光譜監測模型精度較高，其建模集和驗證集表現均較好，R2均較高，分別為0.704和0.621，RMSE較小，分別為7.613和8.801。

表5 冬小麥GNA估測模型表現

3 討論與結論

由于冬小麥籽粒體積較小，且其外由穎殼包裹，對冠層光譜反射率的影響較小，直接監測籽粒氮積累量困難較大[14]，因此，本研究選擇“冠層光譜—農學參數—籽粒氮積累量”這一路線，以實現冬小麥灌漿及成熟期籽粒氮積累量動態變化準確監測。本研究通過PLS和SMLR結合提取植株和葉片氮積累量特征波段，并建立光譜監測模型。提取的葉片氮積累量特征波段為近紅外平臺區域，可能主要是由于該波段與植株葉片的結構以及特性有關，而葉片氮積累量包含了葉片生物量和氮含量信息，這與葉片結構和特性關系較密切[19]。而植株氮積累量特征波段分布范圍較大，在可見光和近紅外區域均有分布，這可能與植株氮積累量特征波段不只包含了葉片氮積累量信息，而且還與莖和穗殼氮積累量信息有關。本研究基于PLS-SMLR建立的冬小麥植株和葉片氮積累量光譜模型精度均較高，這有效提高了籽粒氮積累量的光譜監測精度。研究結果，也表明以葉片和植株氮積累量為中間變量建立的籽粒氮積累量光譜監測模型表現均較好；其中以LNA-GNA模型的監測精度較高。

綜上所述，本研究得出，結合PLS和SMLR建立的冬小麥植株和葉片氮積累量光譜監測模型精度均較高，且二者與籽粒氮積累量均具有較好的定量關系，方程擬合精度都達到了0.677以上。以植株和葉片氮積累量為中間變量建立的冬小麥籽粒氮積累量高光譜動態監測模型中，以葉片氮積累量為中間變量建立的模型表現較好，其建模集的R2達到了0.704，RMSE為7.613，驗證集R2為0.621，RMSE為8.801。

［1］李丹，李斐，胡云才.基于光譜指數波段優化算法的小麥玉米冠層含氮量估測[J].光譜學與光譜分析，2016，36（4）：1150-1157.

［2］石吉勇，鄒小波，趙杰文.近紅外光譜技術快速無損診斷黃瓜植株氮、鎂元素虧缺[J].農業工程學報，2011，27（8）：283-287.

［3］喬星星，馮美臣，楊武德.SG平滑處理對冬小麥地上干生物量光譜監測的影響[J].山西農業科學，2016，44（10）：1450-1454.

［4］THOMAS J R，OERTHER G F.Estimatingnitrogen content of sweet pepper leaves by reflectance measurements[J].Agronomy Journal，1972，64（1）：11-13.

［5］FOURTYT，BARETF.Leafoptical properties with explicit description of its biochemical composition：direct and inverse problems[J].Remote SensingofEnvironment，1996，56（2）：104-117.

［6］呂瑋，李玉環，張軍.基于不同腐植酸供應水平下小麥葉片理化參數及其光譜響應分析[J].華北農學報，2017，32（5）：232-238.

［7］岳延濱，聶克艷，黎瑞君，等.不同施氮水平辣椒地上部全氮含量與冠層光譜反射率的相關性 [J].貴州農業科學，2014，42（11）：244-247.

［8］ HANSEN P M，SCHJOERRING J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression[J].Remote SensingofEnvironment，2003，86（4）：542-553.

［9］王仁紅，宋曉宇，李振海，等.基于高光譜的冬小麥氮素營養指數估測[J].農業工程學報，2014，30（19）：191-198.

［10］李丹.基于優化光譜指數的小麥玉米冠層氮素含量預測[D].呼和浩特：內蒙古農業大學，2015.

［11］孫慧，馮美臣，楊武德，等.水旱地冬小麥植株氮素含量的高光譜監測[J].山西農業科學，2015，43（3）：273-276.

［12］諶俊旭，黃山，范元芳，等.單作套作大豆葉片氮素積累與光譜特征[J].作物學報，2017，43（12）：1-10.

［13］崔日鮮，劉亞東.基于機器學習和可見光光譜的冬小麥葉片氮積累量估算[J].光譜學與光譜分析，2016，36（6）：1837-1842.

［14］STONE ML，SOLIE J B，RAUN W R.Use of spectral radiance for correcting in-season fertilizer nitrogen deficiencies in winter wheat[J].Transactions ofthe ASAE，1996，39（5）：1623-1631.

［15］馮偉，朱艷，姚霞，等.小麥氮素積累動態的高光譜監測[J].中國農業科學，2008，41（7）：1937-1946.

［16］趙佳佳.氮運籌模式下冬小麥籽粒蛋白光譜監測及氮虧缺模型研究[D].太谷：山西農業大學，2015.

［17］武改紅，馮美臣，楊武德，等.不同氮運籌模式冬小麥LAI光譜特征波段提取[J].山西農業科學，2017，45（4）：522-525.

［18］GOMEZC，LAGACHERIE P，COULOUMAG.Continuumremoval versus PLSR method for clay and calcium carbonate content estimation fromlaboratoryand airborne hyperspectral measurements[J].Geoderma，2008，148（2）：141-148.

［19］王超.基于化學計量學方法的冬小麥長勢光譜信息提取及監測研究[D].太谷：山西農業大學，2016.