南豐蜜桔葉片氮含量光譜監測模型的構建

舒時富 李艷大 葉春 吳羅發 黃俊寶 陳立才 王康軍 陳盾

摘要：為了快速無損地監測南豐蜜桔葉片氮含量，于南豐蜜桔關鍵生長期取樣測定葉片氮含量和葉片光譜數據，篩選出南豐蜜桔葉片氮含量的敏感光譜波段和最佳植被指數，構建南豐蜜桔葉綠素含量光譜監測模型。結果表明，基于南豐蜜桔葉片氮含量監測敏感光譜波段552nm和817nm構建的光譜監測模型（y= -0.285x2+2.854x +7.953， R2=0.835）的效果最佳。可以利用光譜技術進行南豐蜜桔葉片氮素水平的檢測和診斷，指導精量施肥。

關鍵詞：光譜模型;氮素;南豐蜜桔

中圖分類號：S-3

文獻標識碼：A

DOI：10.19754/j.nyyjs.20191215002

南豐蜜桔有“貢桔”之美稱，種植面積達6.67萬hm2，產值超過100億元。營養條件影響南豐蜜桔的生長發育、產量形成及果實品質優劣。營養肥料中，氮肥是南豐蜜桔需求最大、消耗最多、對生長影響最顯著的。南豐蜜桔對缺氮較為敏感，缺氮會致使新梢抽生不正常， 枝葉稀少而細小， 葉薄， 葉色呈淡綠色至黃色， 病葉提前脫落;而氮素過多，會使果實皮粗果大。葉片是診斷缺氮的最為有效的方法。近年來，關于果樹的養分監測診斷已取得初步成效，這表明利用光譜技術監測植物營養狀態是有效可行的。因此，構建基于光譜特征的南豐蜜桔氮素監測診斷模型，實現南豐蜜桔氮肥的精確管理，可提高南豐蜜桔生產的科學化水平，改善南豐蜜桔品質，促進南豐蜜桔產業的可持續發展。

1材料與方法

1.1南豐蜜桔樹樣本管理

試驗于2016—2018年在江西省南豐縣蜜桔產業局桔園進行，果園面積約1.667hm2，樹齡平均為10a，株行距約3m×3m。試驗設置4個施氮水平，氮肥分別為0kg/株、0.5kg/株、1.0kg/株、1.5kg/株，分別在春梢、夏梢和秋梢前分3次施入。磷肥和鉀肥的施入量均相同。

1.2數據獲取

光譜數據獲取儀器為美國ASD公司的Field Spec Hand Held2便攜式光譜儀，波段為350～1075nm，光譜獲取時間為10：00—14：00之間，光譜測定時光纖垂直向下。

光譜測定的葉片選取南豐蜜桔果樹上、中、下3個位置的正常健康葉片，每個位置的葉片選5片。將采集的葉片，表面用酒精擦干凈后，用ASD光纖對準葉片的中部位置（避開葉脈）連續測定3次，取其平均值為葉片的光譜數據。

葉片氮含量的測定，將采集的南豐蜜桔葉片用酒精擦洗，再用去蒸餾水漂洗干凈。放入烘箱中105℃殺青30min，再用80℃烘干48h以上。使用凱氏定氮法進行葉片氮含量的測定。

1.3模型的構建

提取每個樣本葉片的平均光譜反射曲線，分析所提取的光譜數據和每個樣本葉片氮含量之間的相關性。通過獲取雙波段植被指數（TBVI=（Rλ1-Rλ2）/（Rλ1+Rλ2）。確定光譜數據與葉片氮含量之間相關系數達到最高TBVI值，從而獲得計算該最優TBVI值的波段，并利用敏感波段建立基于光譜數據的含氮量關系模型（Rλ表示波長λ處的光譜反射率）。

選擇任意80%的數據進行建模，剩余20%的數據用以驗證模型的效果。使用數據分別建立不同光譜模型，選取出效果最好的函數模型，最后驗證所建模型的預測效果。

2結果與分析

2.1葉片的光譜特性

將獲取的光譜數據進行預處理，進行一階導數、二階導數處理，以及進行平滑處理，然后分析南豐蜜桔葉片不同含氮水平下的光譜特征（圖1）。從圖1中可知，不同氮含量的樣本其光譜曲線走勢一致，其中在560nm處有1個強反射峰，在690～720nm范圍內反射率迅速增大，在720～1075nm范圍內反射率處于高位，且隨著波長增加呈先降低又升高的趨勢。不同葉片氮水平樣本之間，在325～1075nm范圍內，光譜反射率隨葉片含氮量的增加而顯著增加，表明南豐蜜桔的光譜特征可以作為監測葉片氮含量的有效方法。

2.2模型的構建及驗證

在葉片高光譜數據所有波段中選取任意的2個波段λ1和λ2，把它們的光譜反射率值代入TVBI公式，采用Matlab軟件將TVBI數值與葉片氮含量進行相關性分析。結果表明，由525nm、817nm 2個波段計算得到的TVBI值與葉片氮含量的相關性最高（R2=0.835）。確定了南豐蜜桔葉片氮水平的敏感雙波段為552nm和817nm。根據敏感波段建立南豐蜜桔葉片氮含量的預測模型，分別構建了差值植被指數（DVI）模型方程（y=-0.285x2+2.854x+7.953，R2=0.835）、比值植被指數（RVI） 模型方程（y= -0.106x2 + 1.485x + 3.519，R2=0.621）和歸一化植被指數（NDVI）模型方程（y= -0.114x2+4.737x+3.716，R2=0.514）。從結果中可知，不同光譜植被指數與葉片氮含量之間的相關性有顯著差異。葉片氮含量與差值植被指數相關性較高，葉片氮含量與差值植被指數構建的回歸模型的相關性最高（R2=0.835）。

為了驗證雙波段模型的預測效果，采用根均方差（RMSE）的方法對模型的模擬值與實際觀測值進行分析統計，繪制出模擬值與觀測值之間的1∶1關系圖，可以直觀展示觀測值與模擬值之間的擬合度及可靠性。從圖2中可以看出，采用敏感雙波段552nm、817nm差值植被指數構建的葉片氮素監測模型具有良好的預測效果（R2=0.88，RMSE=0.19），表明基于雙波段552nm、817nm差值植被指數的葉片氮素監測模型對南豐蜜桔葉片氮含量具有較好的監測性。

3小結

近年來，基于地物光譜特性的光譜技術快速發展，實時、快速、無損、定量地獲取植株營養狀況成為可能，為植物生長的無損監測和快速診斷調控提供了新的方法。本研究通過SAD光譜儀，獲取南豐蜜桔葉片光譜特征，篩選出了552nm、817nm的敏感雙波段，并與葉片氮含量進行相關性分析，構建出了基于差值植被指數的葉片氮含量光譜監測模型（y=-0.285x2+2.854x +7.953），通過驗證表明光譜模型具有較好的預測效果。研究結果為南豐蜜桔的氮肥精確管理提供了理論依據與技術途徑。本次研究只針對單葉片進行，對南豐蜜桔整體的監測具有一定的局限性。南豐蜜桔為多年生果樹，其整個冠層氮素的變化更為復雜，需要開展更多深入的試驗研究。

參考文獻

[1] 刁莉華.柑橘葉片營養元素含量的季節變化[D].重慶：西南大學，2013.

[2]Daughtry C S T， Wahhall C L， Kim M S， et a1. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J]. Remote Sensing of Environment， 2000， 74（2）：229-239.

[3]周冬琴.基于冠層反射光譜的水稻氮素營養與籽粒品質監測[D].南京：南京農業大學，2007.

[4]葉春，李艷大，舒時富，等. 基于高光譜的柑橘葉片氮素營養監測模型[J].江蘇農業科學，2018，46（7）： 223-226.

[5]岳學軍，全東平，洪添勝，等. 柑橘葉片葉綠素含量高光譜無損檢測模型[J].農業工程學報，2015，31（1）：294-302.

[6]李艷大，舒時富，陳立才，等. 基于便攜式作物生長監測診斷儀的江西雙季稻氮肥調控研究[J].農業工程學報， 2019，35（2） ：100-106.

作者簡介：

舒時富（1986-），男，碩士，助理研究員。研究方向：農業工程等。