基于新組合光譜指數的馬鈴薯植株氮含量遙感估測①

楊海波，李 淵，尹 航，李 斐

基于新組合光譜指數的馬鈴薯植株氮含量遙感估測①

楊海波，李 淵，尹 航，李 斐*

(內蒙古農業大學草原與資源環境學院，內蒙古自治區土壤質量與養分資源重點實驗室，農業生態安全與綠色發展自治區高等學校重點實驗室，呼和浩特 010011)

如何利用衛星搭載的常規通道藍光(B)、綠光(G)、紅光(R)和近紅外(NIR)實現作物氮素營養診斷對于區域氮素優化管理及氮素循環估測具有重要意義。本研究以2014—2016年在內蒙古陰山北麓武川縣和四子王旗布置的多年多點不同氮水平的田間試驗為基礎，通過冠層高光譜儀tec5采集馬鈴薯關鍵生育期塊莖形成期、塊莖膨大期和淀粉積累期植株冠層光譜數據，利用衛星通道的波段響應函數模擬GF-2(GF)和Sentinel 2A(S)衛星光譜反射率，通過波段優化和指數組合計算波段優化歸一化及其組合多光譜指數，構建基于多光譜指數的馬鈴薯植株氮素含量估測模型，并用田塊數據進行驗證。研究結果表明，敏感波段的提取對衛星通道的準確篩選具有指導意義，基于中心敏感波段篩選的綠光(G)和藍光(B)通道計算的優化多光譜指數GF-GBNDSI和S-GBNDSI與馬鈴薯植株氮素含量的線性擬合決定系數(2)最高，分別為0.41和0.38。GBNDSI分別與NDVI和GNDVI組合得到的多光譜指數GBNDSI/NDVI和GBNDSI/GNDVI能夠顯著提高對馬鈴薯植株氮素含量的解釋能力，其中GF-GBNDSI/NDVI和GF-GBNDSI/ GNDVI與馬鈴薯植株氮素含量的線性擬合2分別為0.57和0.56；S-GBNDSI/NDVI和S-GBNDSI/GNDVI與馬鈴薯植株氮素含量的線性擬合2分別為0.54和0.55。與紅邊(red edge，RE)多光譜指數相比，GBNDSI/NDVI和GBNDSI/GNDVI不僅克服了大部分高分辨率衛星缺乏紅邊通道的缺點，而且能夠達到與紅邊多光譜指數REBNDSI/NDVI(2=0.53)和REBNDSI/GNDVI(2=0.59)基本相當的估測建模能力，并在模擬的田塊數據中到了良好的驗證。S-GBNDSI/NDVI估測模型的均方根誤差和平均相對誤差分別為0.40%、10.48%；GF-GBNDSI/NDVI估測模型的均方根誤差和平均相對誤差分別為0.39%、10.06%。鑒于目前大多數高分辨率衛星，尤其是國產系列衛星缺乏紅邊通道，基于常規通道構建的優化光譜指數GBNDSI/NDVI和GBNDSI/GNDVI在作物植株氮素含量監測上更具備推廣應用的價值。

馬鈴薯；氮素含量；光譜指數；衛星遙感

遙感技術被廣泛應用于作物營養診斷和長勢監測，已成為精準農業管理決策系統的重要組成部分[1-2]。其中光譜指數作為最重要的遙感參數，在植被理化指標的反演應用中已被廣泛認可[3-5]。近地面遙感雖然具有更高的估測精度，但很難在區域尺度上進行大面積監測[6-7]。隨著高空間分辨率多通道衛星數據越來越容易獲取，大面積反演作物冠層參數已成為現實[8-10]。這些高分辨率的衛星遙感數據將為大面積作物監測提供平臺，有效利用這些數據是實現田塊尺度監測向區域尺度發展的關鍵[11-12]。

在農田氮素營養監測過程中，快速獲取植株氮素營養狀況是匹配土壤氮素供應和植株氮素吸收的關鍵。因此快速準確獲取植株氮素營養狀況對指導農田氮素管理十分重要。前人基于中高分辨率衛星影像的研究發現，盡管藍光(B)、綠光(G)、紅光(B)和近紅外(NIR)波段能夠用于植株吸氮量、氮營養指數等氮素營養指標的監測，但是估測精度有待進一步提高[13-15]。大量研究表明，紅邊(red edge，RE)波段是植株氮素營養診斷的敏感波段，能夠改善氮素含量較高時光譜指數“飽和”現象，提高氮素營養診斷的精度[16]。Eitel等[17-18]在使用模擬具有紅邊通道的衛星數據對小麥氮素營養估測中發現，基于紅邊波段構建的光譜指數在氮素含量和葉綠素含量估測中表現更佳，而且與傳統歸一化光譜指數(NDVI)和綠光歸一化光譜指數(GNDVI)相比，基于紅邊的歸一化光譜指數(NDRE)能夠更好地識別氮素脅迫[17-18]。紅邊指數在估測植株氮素水平以及葉面積指數方面明顯好于基于紅光建立的光譜指數[19-21]。然而，目前部分在軌的中高分辨率衛星并不具備紅邊通道，尤其是近些年我國發射的GF系列衛星。因此，如何充分發揮衛星常規通道(非紅邊通道)在光譜氮素營養診斷上的價值，進而打破紅邊通道限制，對于衛星遙感在農田氮素營養診斷中的應用具有重要研究價值。

光譜指數是農田氮素遙感診斷常用的指標之一，其中，基于簡單歸一化算法計算的歸一化光譜指數是目前應用最為廣泛的光譜指數，對于反映植被信息和活力具有重要作用[22-23]，被廣泛應用于區域和全球尺度的農情遙感速報系統[24-27]。為探究衛星常規通道在馬鈴薯植株氮素含量中的估測能力，本研究利用地面實測馬鈴薯冠層反射率數據對衛星常規和紅邊通道光譜反射率進行模擬，通過波段優化和指數組合算法對衛星常規通道計算的歸一化光譜指數進行改進。目的是打破紅邊通道限制，提高未搭載紅邊通道的常規高分辨率衛星對馬鈴薯植株氮素含量的估測精度，改善衛星常規通道估測馬鈴薯植株氮素含量的普適性，為常規通道衛星在馬鈴薯植株氮素含量遙感應用中提供理論和技術支持。

1 材料與方法

1.1 試驗設計

馬鈴薯田間試驗于2014—2016年布置在我國內蒙古呼和浩特市武川縣和四子王旗。2014年試驗地點位于武川縣大豆鋪鄉，供試馬鈴薯品種為克新1號，共設置6個氮肥施用量，分別為N 0、83、135、165、180、250 kg/hm2。2015年試驗地點位于武川縣上禿亥鄉，馬鈴薯品種為夏坡蒂，共設置6個氮肥梯度，分別為N 0、90、144、180、270、424 kg/hm2。2016年試驗地點位于四子王旗忽雞圖鄉，馬鈴薯品種為荷蘭14，氮水平為N 0、180、350 kg/hm2。每個處理設置4次重復，2014年和2015年試驗田小區面積為81 m2，2016年試驗田小區面積為108 m2，各小區除氮肥用量不同外，其他田間管理措施與當地一致。

1.2 光譜數據的采集

于馬鈴薯關鍵生長時期：苗期、塊莖形成期、塊莖膨大期和淀粉積累期，在不同氮肥梯度小區隨機選取長勢均勻的馬鈴薯兩壟，長度4 ～ 6 m，面積7.2 ～ 10.8 m2，利用德國斯派克公司生產的tec5高光譜儀掃描獲得選擇區域馬鈴薯冠層光譜數據。tec5高光譜儀的測量頭由兩個光學部分組成，其中頂端部分用于測量入射光作為參考，與頂端部分相連的下半部分用于記錄來自植被和地面的反射光。傳感器具有256個波段，光譜檢測范圍為300 ～ 1 150 nm，光譜分辨率為1.4 nm。高光譜數據采集時選擇晴朗無風或微風天氣，測定時間在10:00—14:00，光譜儀探頭垂直馬鈴薯冠層，高度控制在50 ～ 80 cm，掃描時扣動扳機，獲取的光譜數據自動存入連接的電腦中，用于馬鈴薯植株氮素含量估測模型的構建。同時采集試驗田周邊農田馬鈴薯冠層光譜數據用于后續模型驗證。為探究衛星搭載的可見光和近紅外通道的馬鈴薯植株氮素含量估測能力，本研究在模擬衛星光譜反射率時選取的高光譜波段范圍為400 ～ 900 nm。

1.3 植株樣品采集與測定

馬鈴薯冠層光譜數據采集完成后，隨機選取探頭掃描區域長勢均勻的馬鈴薯植株1 m樣段，取地上部植株并稱鮮重、切碎混勻后取400 ～ 600 g樣品帶回實驗室，在烘箱中105 ℃殺青，調溫至70 ℃下烘至恒重，烘干后將樣品全部粉碎、混勻，經H2SO4- H2O2消煮后，凱氏法進行全氮含量(以質量分數計)的測定。

1.4 衛星通道介紹

衛星遙感獲得的多光譜數據對大尺度遙感監測和應用具有重要意義。利用地面實測植被冠層高光譜反射率和衛星波段響應函數來模擬衛星多光譜反射率是借助地面高光譜數據研究衛星遙感的常用方法，前人研究表明該方法模擬的衛星光譜反射率與衛星實測光譜反射率高度一致[28-29]。因此，本研究以國產GF-2和歐洲Sentinel-2A兩個高分辨率衛星為例，利用地面實測高光譜數據模擬衛星光譜反射率，進而探究寬波段條件下歸一化光譜指數對馬鈴薯植株氮素含量的定量估測能力。GF-2衛星搭載4個多光譜通道：藍光(B) 450 ～ 520 nm，綠光(G) 520 ～ 590 nm，紅光(R) 630 ～ 690 nm，近紅外(NIR) 770 ～ 890 nm。Sentinel-2A衛星共搭載13個多光譜通道，本研究選擇可見光和近紅外波段的5個通道，分別為：藍光(B) 458 ～ 523 nm，綠光(G) 543 ～ 578 nm，紅光(R) 650 ～ 680 nm，紅邊(RE) 698 ～ 712 nm，近紅外(NIR)785 ～ 900 nm。

1.5 衛星寬波段光譜反射率模擬

本研究利用國產GF-2和歐洲Sentinal-2A衛星波段響應函數，將地面實測馬鈴薯冠層高光譜數據重采樣為1 nm，通過公式(1)模擬多光譜衛星藍、綠、紅、近紅外和紅邊波段光譜反射率[29]。

式中：為模擬寬波段衛星的光譜反射率；λmin、λmax為傳感器光譜探測的起始和終止波長；S為衛星傳感器在波長處的光譜響應函數值；R為馬鈴薯冠層光譜在波長處的反射率。

模擬具有紅邊通道的Sentinal-2A和國產常規通道高分辨率衛星GF-2的光譜反射率，兩衛星各波段傳感器的光譜響應函數曲線見圖1。

1.6 光譜指數選擇與數據分析

本研究以歸一化光譜指數方程形式(R1–R2)/ (R1+R2)和地面實測馬鈴薯冠層高光譜反射率為基礎，通過波段優化方法對比了400 ～ 900 nm范圍內，不同波段組合計算的光譜指數與馬鈴薯植株氮素含量的擬合決定系數2，并根據2大小提取了馬鈴薯植株氮素含量的中心敏感波段，并以就近原則為依據匹配GF-2和Sentinal-2A衛星的敏感通道，并計算通道篩選后的多光譜指數，利用比值指數組合的方法構建新的組合光譜指數，從而進一步提高寬波段光譜指數的估測精度。此外，以高光譜窄波段為依據，進一步分析了衛星波段范圍內不同窄波段組合計算的組合光譜指數與馬鈴薯植株氮素含量相關性2的分布變化，探究了波段寬度對馬鈴薯植株氮素含量估測的影響。本研究用到的光譜指數見表1。

2 結果

2.1 基于波段優化選擇的馬鈴薯植株氮素含量敏感波段提取

為尋找不同波段組合的優化歸一化光譜指數NDSI(NDSI=(R2-R1)/(R2+R1))與馬鈴薯植株氮素含量的敏感波段，本研究通過組合不同波段提取了多個對馬鈴薯植株氮素含量敏感的中心波段(表2)。由圖2可以看出不同波段組合的NDSI光譜指數與馬鈴薯植株氮素含量的相關性具有顯著差異，藍光(B)、綠光(G)、紅光(R)和近紅外(NIR)波段均存在敏感波段，其中最佳波段組合為492、494 nm和434、698 nm，決定系數2均為0.62。然而衛星通道的波段寬，相近的R1和R2波段組合并不適合衛星通道的應用，而差距較大的波段組合具備更好的衛星遙感診斷潛力。因此，通過對圖2進一步分析，初步篩選了具有應用潛力的衛星通道組合，GF-2衛星為B和R、B和G通道組合；Sentinel-2A衛星為RE(紅邊)和B、G和B，以及R和B通道組合。將篩選的具備潛力的衛星通道與模擬的衛星光譜反射率數據相結合，計算通道優化光譜指數GBNDSI、RBNDSI和REBNSDI，進而用于探究衛星遙感估測馬鈴薯植株含量的能力。

圖1 GF-2和Sentinal-2A衛星在400 ～ 900 nm波段搭載光譜相機通道的波段響應函數

表1 本研究應用的光譜指數

2.2 基于通道優化的多光譜指數馬鈴薯植株氮素含量估測

光譜指數是植株長勢及氮素營養診斷的重要參數，而衛星是將這一參數由田塊尺度提升到區域尺度的重要方式。根據中心敏感波段篩選的衛星通道組合以及模擬的衛星光譜反射率數據計算的歸一化光譜指數可以看出，由紅邊(RE)通道參與計算的傳統多光譜指數S-NDRE(“S-”表示以Sentinel-2A衛星光譜數據為基礎，類似的“GF-”表示以GF-2衛星光譜數據為基礎，下同)和RE與B通道相結合的通道優化光譜指數S-REBNDSI與馬鈴薯植株氮素含量具有明顯的線性擬合趨勢(圖3 A、3F)，2分別為0.33和0.37，表現出了紅邊通道的優勢。但基于NIR和G通道組合的GNDVI具有相似的效果，GF-GNDVI和S-GNDVI與馬鈴薯植株氮素含量的線性擬合決定系數2分別為0.32(圖4D)和0.35(圖3E)。表現最佳的是基于敏感波段篩選的由G和B通道計算得到的通道優化多光譜指數GBNDSI，GF-GBNDSI和S- GBNDSI與馬鈴薯植株氮素含量的線性擬合決定系數2分別為0.41(圖4A)和0.38(圖3C)。而R與B通道組合雖然在窄波段中表現出不錯的效果，2可以達到0.58(表2)，但衛星寬波段條件下，R與B通道組合計算的RBNDSI對馬鈴薯植株氮素含量的解釋能力顯著低于GBNDSI，并且與傳統的NDVI光譜指數相似，均存在植株氮素含量較高時光譜指數發生明顯的“飽和”現象(圖3 B、3D；圖4 B、4C)。

表2 基于窄波段的馬鈴薯植株氮素含量中心敏感波段的提取

圖2 基于波段優化算法的NDSI光譜指數與馬鈴薯植株氮素含量的決定系數(R2)

雖然紅邊(RE)通道在估測馬鈴薯植株氮素含量上有優勢，但是大多數衛星并不具備紅邊通道，尤其是國產GF系列衛星。而B與G通道是衛星搭載的常規通道，且通道優化的GBNDSI具有估測的潛力(圖3 C；圖4 A)，但是對于馬鈴薯植株氮素含量的定量遙感，其精度還有待進一步提高。

2.3 基于指數比值組合應用的馬鈴薯植株氮素含量估測

對于許多高分辨率衛星，RE通道并不常見，尤其是國產衛星，這些通道的缺乏對于植被氮素養分定量監測具有重要影響。為了實現歸一化指數在衛星上的普適性，提高基于常規B、G、R和NIR通道的馬鈴薯植株養分定量監測能力，本文對GBNDSI指數進行了改進，通過比值計算將NDVI和GNDVI分別與GBNDSI進行組合應用，提出了新的組合光譜指數GBNDSI/NDVI和GBNDSI/GNDVI。從圖5可以看出，新提出的組合光譜指數GBNDSI/NDVI和GBNDSI/GNDVI與馬鈴薯植株氮素含量的相關性得到明顯提升。當GBNDSI與NDVI進行組合時，GF-GBNDSI/NDVI與馬鈴薯植株氮素含量的線性擬合決定系數2從0.41增加到0.57，S-GBNDSI/NDVI與馬鈴薯植株氮素含量的線性擬合決定系數2從0.38增加到0.54。與GBNDSI相比，GBNDSI/NDVI組合光譜指數將衛星對馬鈴薯植株氮素含量的解釋能力提高了16%。當GBNDSI與GNDVI進行組合時，GF-GBNDSI/GNDVI與馬鈴薯植株氮素含量的線性擬合決定系數2從0.41增加到0.56，S-GBNDSI/ GNDVI與馬鈴薯植株氮素含量的線性擬合決定系數2從0.38增加到0.55。與GBNDSI相比，GBNDSI/ GNDVI組合光譜指數將衛星對馬鈴薯植株氮素含量的解釋能力提高了15% ～ 17%。因此，改進的組合光譜指數GBNDSI/NDVI和GBNDSI/GNDVI顯著提高了多光譜指數對馬鈴薯植株氮素含量的估測能力，對于利用衛星常規通道來實現馬鈴薯植株氮素含量估測具有重要意義。

圖4 基于GF-2波段的馬鈴薯植株氮素含量估測模型

圖5 GBNDSI/NDVI和GBNDSI/GNDVI與馬鈴薯植株氮素含量的估測模型

2.4 多光譜指數估測模型的適用性

生育時期、年際、地點以及氮肥用量的變化會影響光譜指數估測模型的適用能力，為探究生育時期、年際、地點以及氮肥用量對多光譜指數馬鈴薯植株氮素含量估測模型的影響，針對不同多光譜指數進一步分析了其與馬鈴薯植株氮素含量的擬合決定系數(2)(表3和表4)。結果表明，生育時期、年際、地點以及氮肥用量都會影響多光譜指數對馬鈴薯植株氮素含量的估測能力，特別是生育時期和年際變化的影響較大。但新組合光譜指數GBNDSI/NDVI和GBNDSI/GNDV在一定程度上降低了年際、地點和施氮量對估測模型的影響。而且相對于其他多光譜指數，新組合的光譜指數GBNDSI/NDVI和GBNDSI/ GNDV對包括生育時期、年際、地點和施氮量變化的融合數據集具有更好的解釋能力。

表3 基于GF-2衛星的多光譜指數估測模型適用性分析

表4 基于Sentinel-2A衛星的多光譜指數估測模型適用性分析

2.5 基于GBNDSI/NDVI和GBNDSI/GNDVI光譜指數的馬鈴薯植株氮素含量估測模型的驗證

利用獨立的數據集對構建的估測模型進行驗證是證明模型適用性和估測能力的重要內容。本文采用平均相對誤差(mean relative error，MRE)和均方根誤差(root mean square error，RMSE)來評價模型在應用過程中的估測精度，MRE和RMSE越小，說明估測精度越高。從圖6可以看出，與GBNDSI相比，改進的組合光譜指數GBNDSI/NDVI和GBNDSI/ GNDVI估測模型的估測值與實測值離散度小，緊密分布在1∶1線周圍，驗證精度明顯提高。其中表現最佳的是組合光譜指數GBNDSI/NDVI，GF-2和Sentinel-2A衛星估測模型驗證的MRE分別為10.06% 和10.48%，RMSE分別為0.39% 和0.40%。

圖6 基于多光譜指數的馬鈴薯植株氮素含量估測模型的驗證

3 討論

眾所周知，衛星通道在設計時具有一定的波段寬度，而地面高光譜數據可以同時獲取幾十甚至幾百個光譜波段，豐富的信息量使其具備精確估算作物氮素營養指標的能力[9-10]。而高光譜波段能夠準確提取光譜指數的敏感波段，波段優化選擇的光譜指數對于提高估測能力具有顯著效果[34]。以中心敏感波段為依據能夠快速篩選指定光譜指數所需的衛星通道，不僅省去最佳衛星通道篩選的很多步驟，而且提高了多光譜指數的估測能力，這對于指導衛星在馬鈴薯植株氮素含量估測應用上具有重要價值[35]。但是窄波段光譜數據優化結果顯示，GBNDSI和RBNDSI與馬鈴薯植株氮素含量的相關性差異不大，線性擬合的2分別為0.61和0.58 (表2)，而模擬衛星寬波段計算結果表明GBNDSI與RBNDSI具有明顯的差異(圖3 B、3C，圖4 A、4B)。通過對衛星通道寬度內不同高光譜波段組合優化光譜指數與馬鈴薯植株氮素含量的相關性分析可以看出，馬鈴薯植株氮素含量僅在一定波段寬度內較為敏感(圖7)，而衛星通道較大的波段寬度在很大程度上影響了光譜指數的敏感性。衛星通道設計的固有寬度影響了多光譜指數的敏感性，因此衛星通道的選擇、通道寬度與估測指標敏感波段范圍的相似性都會影響多光譜對指標的估測能力。

基于紅光通道參與計算的多光譜指數RBNDSI和NDVI對馬鈴薯植株氮素含量的估測效果明顯低于GBNDSI(圖3 B、3C，圖4 A、4B)，這與前人的研究結果一致[16,19-21]。而且多光譜指數NDVI和RBNDSI在馬鈴薯植株氮素含量較高時，存在明顯的光譜指數“飽和”現象(圖3 B、3D；圖4 B、4C)。植株氮素含量隨著生育時期的推進逐漸降低，“飽和”現象也隨之減弱。光譜指數是幾個不同波段光譜反射率通過特定的方程計算得到的光譜參數，其目的是提高對估測指標的響應，降低非估測因素的干擾[36]。本研究通過波段優化選擇方法提取馬鈴薯植株氮素含量的敏感波段，并篩選最佳通道計算歸一化多光譜指數。在通道優化的基礎上通過指數組合方法改進的光譜指數GBNDSI/NDVI和GBNDSI/GNDVI顯著提高了多光譜指數對馬鈴薯植株氮素含量的解釋能力(圖5)，這說明不同光譜指數和指數波段的選擇對指標估測能力有顯著影響。Groten[27]及Verrelst等[37]特別指出，指數波段選擇和不同光譜指數在一定程度上決定了光譜指數的敏感性。

圖7 基于高光譜數據分析的馬鈴薯植株氮素含量敏感波段變化 (波段范圍來源于GF-2和 Sentinel-2A衛星對應的通道寬度)

紅邊對于作物生理指標定量遙感的重要性已經在很多作物中得到證實[16-17,18-20]，馬鈴薯植株氮素含量診斷同樣表現出紅邊優勢(圖8)。但是對于大多數中高分辨率衛星，紅邊通道往往是缺失的，而藍、綠、紅和近紅外光波段是最為普遍的搭載通道。本研究以最為常規的綠光、藍光、紅光和近紅外(NIR)通道為基礎，通過波段優化選擇方法和指數組合方法提出了新的多光譜指數GBNDSI/NDVI和GBNDSI/GNDVI。新提出的多光譜指數在馬鈴薯植株氮素含量估測上性能優于傳統的NDRE和NDRE/NDVI光譜指數(圖5、圖3 F、圖8 A)，與優化的REBNDSI/NDVI和REBNSDI/GNDVI估測能力基本相當(圖5、圖8 B、8C)，但是GBNDSI/NDVI和GBNDSI/GNDVI克服了目前大多數中高分辨率衛星，尤其是國產GF衛星缺少紅邊通道的劣勢，提高了利用常規通道估測馬鈴薯植株氮素含量的能力。而且，紅邊波段范圍較窄，而藍綠光敏感波段寬度明顯寬于紅邊(圖9)，這為衛星通道應用提供了更大的價值。因此無論是從波段寬度還是衛星通道適用性上來說，GBNDSI/NDVI和GBNDSI/GNDVI在馬鈴薯植株氮素含量估測上都更具有普適性。

圖8 基于紅邊通道的組合多光譜指數與馬鈴薯植株氮素含量的估測模型

圖9 基于高光譜數據的藍綠光和紅邊敏感波段寬度對比(藍綠光和紅邊波段范圍來源于Sentinel-2A衛星通道寬度)

4 結論

基于高光譜數據，有助于衛星遙感敏感通道的準確篩選，然而特定反演指標的敏感波段寬度范圍大小在一定程度上決定了衛星通道的潛在應用價值。通過模擬衛星常規綠光(G)、藍光(B)、紅光(R)和近紅外(NIR)通道改進的組合指數GBNDSI/NDVI和GBNDSI/GNDVI，能夠顯著提高馬鈴薯植株氮素含量的估測能力，達到與紅邊多光譜指數基本一致的估測效果。其中GF-GBNDSI/NDVI和GF-GBNDSI/ GNDVI與馬鈴薯植株氮素含量的線性擬合決定系數分別為0.57和0.56；S-GBNDSI/NDVI和S-GBNDSI/ GNDVI與馬鈴薯植株氮素含量的線性擬合決定系數分別為0.54和0.55。因此，考慮到常規通道的普遍性以及馬鈴薯植株氮素含量在藍綠光波段較寬的敏感性，GBNDSI/NDVI和GBNDSI/GNDVI在衛星遙感馬鈴薯植株氮素含量估測上更具有應用價值。

[1] Atzberger C. Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs[J]. Remote Sensing, 2013, 5(2): 949–981.

[2] Wu B F, Gommes R, Zhang M, et al. Global crop monitoring: A satellite-based hierarchical approach[J]. Remote Sensing, 2015, 7(4): 3907–3933.

[3] 曾紅偉, 吳炳方, 鄒文濤, 等. 灌溉區與雨養區作物長勢差異比較分析——以美國內布拉斯加為例[J]. 遙感學報, 2015, 19(4): 560–567.

[4] Xue J R, Su B F. Significant remote sensing vegetation indices: A review of developments and applications[J]. Journal of Sensors, 2017, 2017: 1–17.

[5] Shanmugapriya P, Rathika S, Ramesh T, et al. Applications of remote sensing in agriculture - A review[J]. International Journal of Current Microbiology and Applied Sciences, 2019, 8(1): 2270–2283.

[6] 鄒文濤, 吳炳方, 張淼, 等. 農作物長勢綜合監測——以印度為例[J]. 遙感學報, 2015, 19(4): 539–549.

[7] 楊海波, 高興, 黃紹福, 等. 基于衛星波段的馬鈴薯植株氮素含量估測[J]. 光譜學與光譜分析, 2019, 39(9): 2686–2692.

[8] 李粉玲, 王力, 劉京, 等. 基于高分一號衛星數據的冬小麥葉片SPAD值遙感估算[J]. 農業機械學報, 2015, 46(9): 273–281.

[9] Croft H, Chen J M, Zhang Y, et al. Modelling leaf chlorophyll content in broadleaf and needle leaf canopies from ground, CASI, Landsat TM 5 andreflectance data[J]. Remote Sensing of Environment, 2013, 133: 128–140.

[10] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2/3): 416–426.

[11] Huang S Y, Miao Y X, Zhao G M, et al. Satellite remote sensing-based in-season diagnosis of rice nitrogen status in northeast China[J]. Remote Sensing, 2015, 7(8): 10646– 10667.

[12] Mulla D J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps[J]. Biosystems Engineering, 2013, 114(4): 358–371.

[13] Beeri O, Phillips R, Carson P, et al. Alternate satellite models for estimation of sugar beet residue nitrogen credit[J]. Agriculture, Ecosystems & Environment, 2005, 107(1): 21–35.

[14] Claverie M, Demarez V, Duchemin B, et al. Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data[J]. Remote Sensing of Environment, 2012, 124: 844–857.

[15] 唐延林, 黃敬峰, 王人潮, 等. 水稻遙感估產模擬模式比較[J]. 農業工程學報, 2004, 20(1): 166–171.

[16] Prey L, Schmidhalter U. Simulation of satellite reflectance data using high-frequency ground based hyperspectral canopy measurements for in-season estimation of grain yield and grain nitrogen status in winter wheat[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 149: 176–187.

[17] Eitel J U H, Long D S, Gessler P E, et al. Usingmeasurements to evaluate the new RapidEye? satellite series for prediction of wheat nitrogen status[J]. International Journal of Remote Sensing, 2007, 28(18): 4183–4190.

[18] Eitel J U H, Vierling L A, Litvak M E, et al. Broadband, red-edge information from satellites improves early stress detection in a New Mexico conifer woodland[J]. Remote Sensing of Environment, 2011, 115(12): 3640–3646.

[19] Asam S, Fabritius H, Klein D, et al. Derivation of leaf area index for grassland within alpine upland using multi-temporal RapidEye data[J]. International Journal of Remote Sensing, 2013, 34(23): 8628–8652.

[20] Kim H O, Yeom J M. Multi-temporal spectral analysis of rice fields in south Korea using MODIS and RapidEye satellite imagery[J]. Journal of Astronomy and Space Sciences, 2012, 29(4): 407–411.

[21] Ramoelo A, Skidmore A K, Cho M A, et al. Regional estimation of savanna grass nitrogen using the red-edge band of the spaceborne RapidEye sensor[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 19: 151–162.

[22] 焦俊男, 石靜, 田慶久, 等. 多光譜影像NDVI陰影影響去除模型[J]. 遙感學報, 2020, 24(1): 53–66.

[23] 田慶久, 閔祥軍. 植被指數研究進展[J]. 地球科學進展, 1998, 13(4): 327–333.

[24] 吳炳方. 中國農情遙感速報系統[J]. 遙感學報, 2004, 8(6): 481–497.

[25] 吳炳方, 蒙繼華, 李強子, 等. “全球農情遙感速報系統(CropWatch)”新進展[J]. 地球科學進展, 2010, 25(10): 1013–1022.

[26] Wu B F, Meng J H, Li Q Z, et al. Remote sensing-based global crop monitoring: Experiences with China’s CropWatch system[J]. International Journal of Digital Earth, 2014, 7(2): 113–137.

[27] Groten S M E. NDVI—crop monitoring and early yield assessment of Burkina Faso[J]. International Journal of Remote Sensing, 1993, 14(8): 1495–1515.

[28] Trigg S, Flasse S. Characterizing the spectral-temporal response of burned savannah usingspectrora-diometry and infrared thermometry[J]. International Journal of Remote Sensing, 2000, 21(16): 3161–3168.

[29] 李粉玲, 常慶瑞, 申健, 等. 基于GF-1衛星數據的冬小麥葉片氮含量遙感估算[J]. 農業工程學報, 2016, 32(9): 157–164.

[30] Schell J A . Monitoring vegetation systems in the great plains with ERTS[J]. Nasa Special Publication, 1973, 351: 309.

[31] Gitelson A A, Merzlyak M N. Remote sensing of chlorophyll concentration in higher plant leaves[J]. Advances in Space Research, 1998, 22(5): 689–692.

[32] Gitelson A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofL. andL. leaves. Spectral features and relation to chlorophyll estimation[J]. Journal of Plant Physiology, 1994, 143(3): 286–292.

[33] Fitzgerald G, Rodriguez D, O’Leary G. Measuring and predicting canopy nitrogen nutrition in wheat using a spectral index—The canopy chlorophyll content index (CCCI)[J]. Field Crops Research, 2010, 116(3): 318–324.

[34] Verrelst J, Malenovsky Z, Tol C, et al. Quantifying vegetation biophysical variables from imaging spectroscopy data: A review on retrieval methods[J]. Surveys in Geophysics, 2019, 40(3): 589–629.

[35] Li F, Mistele B, Hu Y C, et al. Optimising three-band spectral indices to assess aerial N concentration, N uptake and aboveground biomass of winter wheat remotely in China and Germany[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 92: 112–123.

[36] Glenn E P, Huete A R, Nagler P L, et al. Relationship between remotely-sensed vegetation indices, canopy attributes and plant physiological processes: What vegetation indices can and cannot tell us about the landscape[J]. Sensors (Basel, Switzerland), 2008, 8(4): 2136–2160.

[37] Verrelst J, Camps-Valls G, Mu?oz-Marí J, et al. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties - A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 108: 273–290.

Remotely Estimation of Plant Nitrogen Concentration in Potato Using New Combined Spectral Index

YANG Haibo, LI Yuan, YIN Hang, LI Fei*

(Inner Mongolia Key Laboratory of Soil Quality and Nutrient Resource, College of Grassland, Resources and Environment, Inner Mongolia Agricultural University, Key Laboratory of Agricultural Ecological Security and Green Development at Universities of Inner Mongolia Autonomous Region, Hohhot 010011, China)

Optimally using satellite carrying channels of blue (B), green (G), red (R) and near-infrared (NIR) to estimate crop N status play a crucial role in the management and estimation of regional N cycling. The current study was aimed to assess the performance of optimized normalized and integrated spectral indices, derived from simulated broadband GF-2 (GF) and Sentinel 2A (S) satellites data, to remotely sense plant N concentration in potato (L.). Different field experiments were conducted with different N levels for two potato cultivars in Wuchuan County and Siziwangqi County at the northern Yinshan in Inner Mongolia from 2014 to 2016. The canopy reflectance data of potato at the growth stages of tuber formation, tuber bulking and starch accumulation were collected by a canopy hyper-spectrometer tec5. The estimation models of potato plant nitrogen concentration based on different spectral indices were constructed and validated by independent field data. The results showed that the extractive sensitive bands were able to guide the selection of satellite carrying channels. The optimal multi-spectral indices GF-GBNDSI and S-GBNDSI calculated based on the green (G) and blue (B) channels selected from the sensitive central bands had the highest coefficient of determination (2) with plant N concentration of potato, and the2was 0.41 and 0.38, respectively. The multi-spectral indices GBNDSI/NDVI and GBNDSI/GNDVI constructed by combining NDVI and GNDVI with GBNDSI, respectively, could significantly improve the explanation ability of plant N concentration of potato. The2of GBNDSI/NDVI and GBNDSI/GNDVI based on GF-2 and Sentinel 2A channel ranged from 0.54 to 0.57. Compared with the red edge multi-spectral index, GBNDSI/NDVI and GBNDSI/GNDVI not only overcame the lacking the red edge channel with most high-resolution satellites, but also reached a better estimating ability like red edge based REBNDSI/NDVI (2= 0.53) and REBNDSI/GNDVI (2= 0.59). The validated results showed that the root mean square error and mean relative error of the S-GBNDSI/NDVI and GF-GBNDSI/NDVI models were about 0.40% and 10.27%, respectively. Since most high-resolution satellites, especially most of the domestic satellites lacking the red edge channel, the optimized GBNDSI/NDVI and GBNDSI/GNDVI involving conventional channels can be used to monitor plant N concentration in crop.

Potato; Nitrogen concentration; Spectral index; Satellite based remote sensing

S532

A

10.13758/j.cnki.tr.2022.02.024

楊海波, 李淵, 尹航, 等. 基于新組合光譜指數的馬鈴薯植株氮含量遙感估測. 土壤, 2022, 54(2): 385–395.

內蒙古自治區關鍵技術攻關計劃項目(2019GG248；2020GG0038)資助。

(Feili72@163.com)

楊海波(1993—)，男，河北保定人，博士研究生，研究方向為農田氮素定量遙感與精準農業。E-mail: hbyang93@163.com