基于多源遙感數據的河套灌區玉米植株氮素濃度診斷及污染風險評估

林人財，陳 鶴*，張寶忠，魏 征，李益農，桑紅輝

基于多源遙感數據的河套灌區玉米植株氮素濃度診斷及污染風險評估

林人財1，陳 鶴1*，張寶忠1，魏 征1，李益農1，桑紅輝2

（1.中國水利水電科學研究院 流域水循環模擬與調控國家重點實驗室，北京 100038；2.南昌工程學院，南昌 330029）

【目的】利用多源遙感數據對河套灌區玉米生育期氮素濃度進行診斷并進行氮素污染風險評估，為施肥決策及農業面源污染溯源提供參考。【方法】基于無人機多光譜遙感數據和實測玉米植株氮素濃度數據，利用多種植被指數量化玉米植株氮素濃度，建立玉米生育期氮素濃度診斷模型。對玉米不同生育階段的植被指數診斷模型進行評價，得到臨界氮素濃度，并對玉米各生育階段的氮素污染風險進行評估。【結果】2020年河套灌區玉米種植面積最大，為27.5萬hm2，在玉米各生育階段中，拔節期、小喇叭口期、大喇叭口期和花粒期分別以、、、建立的氮素濃度診斷模型為最優模型；基于氮素濃度診斷模型的遙感監測發現，小喇叭口期、花粒期植株氮素濃度較低，拔節期、大喇叭口期植株氮素濃度較高；玉米氮素污染風險主要發生在拔節期、大喇叭口期，小喇叭口期存在少量的Ⅳ級污染風險，花粒期不存在氮素污染風險。【結論】根據玉米植株氮素濃度診斷模型得到的氮素濃度值，獲得以灌溉單元為基礎的氮素污染風險等級分布，可為施肥決策和農業面源污染溯源提供合理參考。

氮素濃度；玉米；遙感；污染風險；河套灌區

0 引 言

【研究意義】氮素是構成作物最基本的化學元素之一，在作物生長過程中具有重要作用[1]。氮素的合理施用可及時為作物光合作用提供營養成分，達到增產提質的效果；而不科學的氮素施用，不僅會造成資源浪費，還會加劇農業面源污染[2]。因此，精準定量施用氮肥有利于提升農業經濟效益和生態效益。區域作物氮素濃度快速診斷是精準定量施肥的前提。在此基礎上，對氮素進行污染風險評估，可為施肥決策及農業面源污染溯源提供依據。

1 數據與方法

1.1 研究區概況

河套灌區位于內蒙古自治區西部，北抵陰山山脈的狼山及烏拉山，南鄰黃河，東與包頭市接壤，西與烏蘭布和沙漠相鄰，橫跨巴彥淖爾市的烏拉特前旗、五原縣、臨河市、杭錦后旗、瞪口縣，東西長250 km，南北寬50 km。灌區由烏蘭布和、解放閘、永濟、義長、烏拉特灌域5個灌域組成（圖1）。灌區屬中溫帶大陸性季風氣候區，降水量少、蒸發量大。年平均降水量為130～250 mm，年最大降水量為432.6 mm；年平均蒸發量為2 000～2 400 mm。

圖1 河套灌區地理位置

1.2 試驗及數據來源

1.2.1 玉米植株氮素濃度

于2019年在內蒙古巴彥淖爾市杭錦后旗聯增村核心區科技試驗田內進行玉米植株氮素濃度測定，氮素濃度的實測數據主要用于氮素濃度診斷模型的構建與驗證。在玉米播種30 d后，每10天開展1次氮素濃度監測，直至玉米生育期結束。玉米生育期共劃分為4個生育階段，分別為：拔節期（7月1—20日）、小喇叭口期（7月21—28日）、大喇叭口期（7月29日—8月6日）和花粒期（8月7日—9月31日）。于每個小區取3株代表性玉米植株，將植株樣本在恒溫105 ℃條件下殺青1 h，置于恒溫75 ℃環境下烘干至恒質量，測量干物質量。將烘干后的干物質粉碎過篩，稱取1 g樣本粉末裝入消化管，加入2片催化劑，然后加入濃硫酸12 mL，置于420 ℃消化池內進行消化，冷卻后將消煮液轉移至凱氏定氮儀中測定植株氮素濃度。臨界氮素濃度計算式為：

1.2.2 施肥設計

施肥分為施底肥（“科霸”復混肥料）和追肥（尿素）。試驗設置5個施氮處理，N3為當地標準施氮量，在N3的基礎上分別設置增加50%和減少25%、50%的施氮量處理。5個施氮處理分別為N0（不施氮）、N1（施氮225 kg/hm2）、N2（施氮337.5 kg/hm2）、N3（施氮450 kg/hm2）和N4（施氮675 kg/hm2），每個處理設置3個重復。

1.2.3 冠層多光譜數據

無人機試驗借助的平臺是開源飛控Pixhawk控制的經緯M600型六旋翼無人機系統，搭載的遙感傳感器為RedEdge。相機焦距為5.5 mm，相機設有5個光譜通道，中心波長分別為475 nm（藍）、560 nm（綠）、668 nm（紅）、840 nm（近紅外）和717 nm（紅邊），相機同時配備1塊30 cm×30 cm的灰板和光強傳感器。光強傳感器可校正拍攝過程中外界光線的影像，灰板具有固定的反射率，無人機測量前后均進行灰板校正。

12月13日，由中國家用電器協會指導、紅頂獎組委會主辦的“第10屆中國高端家電趨勢發布暨紅頂獎頒獎盛典”在京舉行。50多家國內外知名家電、科技品牌企業，獨家渠道協辦單位京東家電，數據支持機構國家信息中心信息化和產業發展部、中怡康時代、京東排行榜以及上百家媒體，共同見證了紅頂獎獲獎產品的揭曉和高端家電消費趨勢的發布。

無人機影像于2019年7—9月獲取，與地面數據采集時間同步，共采集7次。每次拍攝時間為10:00—12:00，飛行高度為60 m，飛行時固定航線，航向和旁向重疊度為80%，地面分辨率為4.09 cm，飛行速度為3 m/s，將飛行后采集的335景影像導入Pix4Dmapper軟件進行拼接，經過灰板反射率校正后獲取研究區的反射率影像和正射影像。

1.2.4 Sentinel-2影像

Sentinel-2是歐洲航天局倡議的全球環境與安全監測系統（GMES）的重要組成部分。Sentinel-2數據中的多光譜包含13個波段，不同波段的空間分辨率不同（表1）。為定量表征灌區玉米植株氮素濃度，選取玉米生育期內云量小于10%且質量較好的影像用于后續研究。所有數據均為幾何校正處理后的L1C大氣頂層反射率數據。因此，只需利用SNAP軟件進行大氣校正，得到地表反射率。同時，使用最鄰近插值法，將處理后的波段重采樣為10 m精度，通過波段運算工具計算得到植被指數，用于量化玉米植株氮素濃度。

表1 Sentinel-2衛星參數信息

1.3 研究方法

1.3.1植被指數

植被指數可用于定量表征植株氮素濃度。由于植株在不同生育階段的生長狀況不同，各波段對植株生長敏感性亦不相同。灌區玉米各生育階段氮素濃度診斷模型采用植被指數有歸一化植被指數（）[9]、藍邊歸一化植被指數（）[10]、綠藍邊歸一化植被指數（）[10]、綠紅邊歸一化植被指數（）[10]、標準葉綠素指數（）[11]、比植被指數（）[12]、作物氮反應指數（）[13]和差值植被指數（）[14]，計算式分別為：

1.3.2 氮素污染風險評估

氮素污染風險等級劃分的依據是低于臨界氮素濃度的區域為無污染風險區，在污染風險圖中以無顏色表示，若部分超過臨界氮素濃度時，氮素濃度每上升0.5%，劃分一個污染風險等級，等級越高，風險越大，共分為4個風險等級，超出臨界氮素濃度2%的部分全部劃分到Ⅳ級污染風險區；若氮素濃度均大于臨界氮素濃度，則平均劃分為4個污染風險等級。

1.3.3 評價指標

為優選各生育階段的氮素診斷模型，選擇決定系數（2）和均方根誤差（）對模型進行評價。2表示模型的擬合程度，2越大則模型擬合效果越好；表示模型的預測精度，越小則模型的預測精度越高。計算式為：

2 結果與分析

2.1 灌區作物空間分布

2020年，河套灌區內種植的主要作物有玉米、向日葵、小麥。通過遙感方法[15]對作物進行識別，得到2020年河套灌區作物空間分布狀況（圖2）。玉米、向日葵、小麥及其他作物的種植面積分別為27.5萬、21.1萬、1.7萬、7.4萬hm2，其種植面積占作物總種植面積的比例分別為47.64%、36.58%、2.98%、12.80%。相較于灌區內向日葵、小麥和其他作物，玉米的種植面積最大，種植密度相對均勻，且基本覆蓋全灌區。因此，重點選取玉米為研究對象，在玉米各生育階段建立氮素濃度診斷模型，并進行氮素污染風險評估。

圖2 2020年河套灌區作物空間分布

2.2 灌區玉米生育階段氮素濃度診斷模型優選

玉米各生育階段氮素濃度診斷模型以植被指數為自變量（），植株氮素濃度為因變量（），采用線性及非線性回歸相結合的方法，分析各生育期植被指數與植株氮素濃度之間的關系，并得到模型評價結果（表2）。在拔節期，、、對應的氮素診斷模型2分別為0.79、0.83、0.84，分別為0.28%、0.26%、0.31%，綜合考慮模型擬合優度及預測精度，以建立的模型為最優診斷模型；在小喇叭口期，、、對應的氮素診斷模型2分別為0.21、0.27、0.25，分別為0.04%、0.06%、0.04%，綜合考慮模型擬合優度及預測精度，以建立的模型為最優診斷模型；在大喇叭口期，、、對應的氮素診斷模型2分別為0.61、0.14、0.22，分別為0.31%、0.48%、0.40%，綜合考慮模型擬合優度及預測精度，以建立的模型為最優診斷模型；在花粒期，、、對應的氮素診斷模型2分別為0.33、0.39、0.16，分別為0.22%、0.15%、0.68%，綜合考慮模型擬合優度及預測精度，以建立的模型為最優診斷模型。由模型評價結果及計算得到的玉米各生育階段植株臨界氮素濃度可知，拔節期、小喇叭口期、大喇叭口期、花粒期的臨界氮素濃度分別為3.52%、2.69%、2.50%、1.5%。

表2 玉米植株氮素濃度診斷模型及評價結果

2.3 灌區玉米生育階段氮素濃度診段

基于2.2節確定的各生育階段最優植株氮素濃度診斷模型，反演得到玉米各生育階段植株氮素濃度空間分布（圖3）。不同生育階段植株氮素濃度差異較大，玉米拔節期、大喇叭口期植株氮素濃度較高，分別介于0～24.11%、0～10.25%之間，且全區玉米植株氮素濃度總體呈正態分布，2個生育階段氮素濃度主要介于3.12%～4.53%、2.53%～5.34%之間，標準差分別為0.56%、0.60%；小喇叭口期、花粒期植株氮素濃度相對較低，分別介于0～3.24%、0～2.00%之間，2個生育階段氮素濃度主要介于0.40%～2.66%和0.09%～1.73%之間，標準差分別為0.51%和0.46%。

圖3 各生育階段玉米植株氮素濃度空間分布

2.4 灌區玉米生育期內氮素污染風險評估

根據河套灌區主要灌溉渠道及排水溝道的分布現狀，將灌區劃分為62個灌溉單元，分別對玉米4個生育階段各灌溉單元內的植株氮素濃度進行統計分析，得到62個灌溉單元玉米植株氮素濃度平均值，進而得到各生育階段氮素污染風險等級分布（圖4）。由玉米植株氮素濃度診斷模型及評價結果可知，拔節期臨界氮素濃度為3.52%，各灌溉單元玉米植株氮素濃度均大于臨界氮素濃度，氮素濃度平均值為3.64%，由氮素污染風險等級劃分原則，將其劃分為4個氮素污染風險等級，Ⅰ～Ⅳ級氮素污染風險區的氮素濃度取值范圍分別為3.59%～3.73%、3.73%～3.80%、3.80%～3.88%、3.88%～4.18%，大多灌溉單元在Ⅰ、Ⅱ級污染風險區范圍內。玉米小喇叭口期臨界氮素濃度為2.69%，植株氮素濃度平均值為1.95%，該生育階段僅有少量灌溉單元植株氮素濃度大于3.69%，處于Ⅳ級污染風險區，大部分灌溉單元無氮素污染風險。玉米大喇叭口期臨界氮素濃度為2.5%，植株氮素濃度均值為3.77%，位于灌區東南部的少量區域無氮素污染風險，其他區域處于Ⅱ～Ⅳ級污染風險區，氮素濃度取值范圍分別為3%～3.5%、3.5%～4%、4%～4.2%，大部分灌溉單元處于Ⅳ級污染風險區。玉米花粒期灌溉單元氮素濃度介于0.73%～1.29%之間。由玉米植株氮素濃度診斷模型及評價結果，玉米花粒期臨界氮素濃度為1.5%，花粒期各灌溉單元植株氮素濃度均低于臨界氮素濃度，氮素濃度平均值為1.09%，故花粒期不存在氮素污染風險。

圖4 玉米各生育階段植株氮素濃度與污染風險等級分布

3 討 論

相比灌區內向日葵、小麥和其他作物，玉米種植面積最大，種植密度相對均勻，基本覆蓋全灌區，故本研究選取玉米為研究對象。然而，高永道等[16]基于MODIS數據分析2000—2018年河套灌區主要農作物種植結構變化，發現不同年份灌區作物種植面積變化較大，2000年小麥種植面積約占灌區總種植面積的50%。因此，下一步可針對其他主要作物（小麥、向日葵）或綜合考慮所有作物開展氮素濃度診斷研究。

河套灌區玉米拔節期、小喇叭口期、大喇叭口期、花粒期分別以、、、建立的氮素濃度診斷模型為最優模型。可見，不同生育階段表征植株氮素濃度的最優植被指數不同，這主要是由于作物在不同生育階段長勢變化明顯，光譜波段在不同生育階段對作物生長的敏感性不同造成的[17]。本研究使用8種植被指數進行玉米生育階段氮素濃度診斷模型建立。目前，高達30種以上植被指數用于植被氮素濃度估測，如葉綠素吸收率指數（Modified Chlorophyll Absorption Ratio Index，）[18]、冠層葉綠素濃度指數（Canopy Chlorophyll Concentration Index，）[19]、改進的轉換型葉綠素吸收率指數（Modified Transformed Chlorophyll Absorption Reflectance Index，）[20]、歸一化紅邊指數（Normalized Difference Red Edge Index，）[21]等。不同植被指數可能會因區域、氣候不同而導致氮素濃度估測的有效性或精度存在差異。在不同區域或氣候區，太陽輻射存在差異，各氣象因子間的相互影響機制亦不一致，而氣象因子會影響可見光的反射與吸收[22]。

2020年灌區玉米植株氮素濃度診斷結果顯示，小喇叭口期、花粒期氮素濃度較低，拔節期、大喇叭口期氮素濃度較高，這可能與2個方面原因有關：一是施肥管理憑借主觀經驗，容易對植株氮素濃度產生影響；二是玉米自身生長特性對氮素濃度產生影響，不同生育階段植株體內的生物、化學作用不同，所需的營養物質亦不同[23]。此外，目前關于氮素污染風險等級劃分的研究鮮見報道，基于統計學方法和大量的樣本（像元）值，本研究提出了污染風險等級劃分方法，以期為區域尺度氮素污染風險等級劃分提供科學依據。研究發現，2020年河套灌區玉米氮素污染風險主要發生在拔節期、大喇叭口期，小喇叭口期存在少量Ⅳ級污染風險區，表明在拔節期、大喇叭口期氮肥施用不科學，造成資源浪費和農業面源污染。未來將開展河套灌區面源污染分布式模擬評估，綜合考慮植物生長、地表徑流、溶質運移、蒸散發等因素，重點分析施肥方式對作物產量及農業面源污染的影響，為灌區合理施肥提供科學參考。

4 結 論

1）河套灌區玉米拔節期、小喇叭口期、大喇叭口期、花粒期分別以、、、建立的氮素診斷模型為最優模型，2介于0.25～0.83之間，介于0.04%～0.31%之間。

2）河套灌區玉米拔節期、小喇叭口期、大喇叭口期、花粒期最優氮素診斷模型能較好地反演玉米植株氮素濃度，并獲得空間分布信息，不同生育階段玉米植株氮素濃度差異較大。

3）由最優氮素診斷模型得到的氮素濃度值，可為施肥決策和農業面源污染溯源研究提供科學參考。

[1] GUO B B, QI S L, HENG Y R, et al. Remotely assessing leaf N uptake in winter wheat based on canopy hyperspectral red-edge absorption[J]. European Journal of Agronomy, 2017, 82: 113-124.

[2] 薛利紅, 羅衛紅, 曹衛星, 等. 作物水分和氮素光譜診斷研究進展[J]. 遙感學報, 2003, 7(1): 73-80.

XUE Lihong, LUO Weihong, CAO Weixing, et al. Research progress on the water and nitrogen detection using spectral reflectance[J]. Journal of Remote Sensing, 2003, 7(1): 73-80.

[3] 曹洪生, 黃德明, 俞仲林, 等. 小麥追施氮肥的快速營養診斷技術研究[J].南京農業大學學報, 1990, 13(1): 8-13.

CAO Hongsheng, HUANG Deming, YU Zhonglin, et al. Studies on the technics of nutrient diagnosis for nitrogen top dressing in winter wheat[J]. Journal of Nanjing Agricultural University, 1990, 13(1): 8-13.

[4] 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 Sensing of Environment, 2003, 86(4): 542-553.

[5] LI H, XIAO S, WEI F, et al. Improved remote sensing of leaf nitrogen concentration in winter wheat using multi-angular hyperspectral data[J]. Remote Sensing of Environment, 2016, 174: 122-133.

[6] 高開秀, 高雯晗, 明金, 等. 無人機載多光譜遙感監測冬油菜氮素營養研究[J]. 中國油料作物學報, 2019, 41(2): 232-242.

GAO Kaixiu, GAO Wenhan, MING Jin, et al. Monitoring of nitrogen nutrition in winter rapeseed using UAV-borne multispectral data[J]. Chinese Journal of Oil Crop Sciences, 2019, 41(2): 232-242.

[7] 高金龍, 孟寶平, 楊淑霞, 等. HJ-1A衛星數據的高寒草地氮素評估：以青海省貴南縣及瑪沁縣高寒草地為例[J]. 草業學報, 2016, 25(10): 11-20.

GAO Jinlong, MENG Baoping, YANG Shuxia, et al. Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing[J]. Acta Prataculturae Sinica, 2016, 25(10): 11-20.

[8] HAN N N, ZHANG B Z, LIU Y, et al. Rapid diagnosis of nitrogen nutrition status in summer maize over its life cycle by a Multi-Index synergy model using ground hyperspectral and UAV multispectral sensor data[J]. Atmosphere, 2022, 13(1): 122.

[9] 劉瑩, 朱秀芳, 徐昆. 用于灌溉耕地制圖的特征變量優選[J]. 農業工程學報, 2022, 38(3): 119-127.

LIU Ying, ZHU Xiufang, XU Kun. Optimizing the feature variables for irrigated farmland mapping[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(3): 119-127.

[10] 王福民, 黃敬峰, 唐延林, 等. 新型植被指數及其在水稻葉面積指數估算上的應用[J]. 中國水稻科學, 2007, 21(2): 159-166.

WANG Fumin, HUANG Jingfeng, TANG Yanlin, et al. New vegetation index and its application in estimating leaf area index of rice[J]. Chinese Journal of Rice Science, 2007, 21(2): 159-166.

[11] PEUELAS J, GAMON J A, FREDEEN A L, et al. Reflectance indices associated with physiological changes in nitrogen- and water-limited sunflower leaves[J]. Remote Sensing of Environment, 1994, 48(2): 135-146.

[12] 張悅琦, 李榮平, 穆西晗, 等. 基于多時相GF-6遙感影像的水稻種植面積提取[J]. 農業工程學報, 2021, 37(17): 189-196.

ZHANG Yueqi, LI Rongping, MU Xihan, et al. Extraction of paddy rice planting areas based on multi-temporal GF-6 remote sensing images[J].Transactions of the Chinese Society of Agricultural Engineering, 2021, 37(17): 189-196.

[13] KAWASHIMA S, NAKATANI M. An algorithm for estimating chlorophyll content in leaves using a video camera[J]. Annals of Botany, 1998, 81: 49-54.

[14] 王方永, 王克如, 李少昆, 等. 利用數碼相機和成像光譜儀估測棉花葉片葉綠素和氮素含量[J]. 作物學報, 2010, 36(11): 1 981-1 989.

WANG Fangyong, WANG Keru, LI Shaokun, et al. Estimation of chlorophyll and nitrogen contents in cotton leaves using digital camera and imaging spectrometer[J].Acta Agronomica Sinica, 2010, 36(11): 1 981-1 989.

[15] 劉昊. 基于Sentinel-2影像的河套灌區作物種植結構提取[J]. 干旱區資源與環境, 2021, 32(2): 88-95.

LIU Hao.Extraction of crop planting structure in Hetao irrigated area based on Sentinel-2[J].Journal of Arid Land Resources and Environment, 2021, 32(2): 88-95.

[16] 高永道, 喬榮榮, 季樹新, 等. 內蒙古河套灌區作物種植結構變化及其驅動因素[J]. 中國沙漠, 2021, 41(3): 110-117.

GAO Yongdao, QIAO Rongrong, JI Shuxin, et al. Changes and driving factors of crops planting structure in Hetao Irrigation Region in Inner Mongolia[J]. Journal of Desert Research, 2021, 41(3): 110-117.

[17] SUN H R, WANG L, LIN R C. et al. Mapping plastic greenhouses with two-temporal Sentinel-2 images and 1D-CNN deep learning[J]. Remote Sensing, 2021, 13(14): 2 820.

[18] 努熱曼古麗·托乎提, 聶臣巍, 余汛, 等. 基于高光譜指數的葉片尺度葉綠素熒光參數反演[J]. 玉米科學, 2021, 29(5): 73-80.

NUREMANGULI·Tuohuti, NIE Chenwei, YU Xun, et al.Retrieval of leaf-scale chlorophyll fluorescence parameters based on hyperspectral index[J].Journal of Maize Sciences, 2021, 29(5): 73-80.

[19] 牛魯燕, 蔣風偉, 張俊麗, 等. 基于無人機多光譜遙感的小麥長勢監測研究[J]. 山東農業科學, 2021, 53(3): 139-145.

NIU Luyan, JIANG Fengwei, ZHANG Junli, et al.Study on wheat growth monitoring based on UAV multi-spectrum[J].Shandong Agricultural Sciences, 2021, 53(3): 139-145.

[20] 孟慶野, 董恒, 秦其明, 等. 基于高光譜遙感監測植被葉綠含量的一種植被指數MTCARI[J]. 光譜學與光譜分析, 2012, 32(8): 2 218-2 222.

MENG Qingye, DONG Heng, QIN Qiming, et al.MTCARI: A kind of vegetation index monitoring vegetation leaf chlorophyll content based on hyperspectral remote sensing[J].Spectroscopy and Spectral Analysis, 2012, 32(8): 2 218-2 222.

[21] 李鑫格, 項方林, 吳思雨, 等. 基于植被指數時序動態的冬小麥氮素營養診斷方法[J]. 麥類作物學報, 2021, 41(8): 1-11.

LI Xin’ge, XIANG Fanglin, WU Siyu, et al.Diagnosis methods for nitrogen status based on the time-series vegetation index in winter wheat online first[J].Spectroscopy and Spectral Analysis, 2021, 41(8): 1-11.

[22] 陳向紅. 地面反射率與若干氣象因子關系的初步分析[J]. 成都氣象學院學報, 1999, 14(3): 233-238.

CHEN Xianghong.Relationship between surface albedo and some meteorological factors[J].Journal of Chengdu Institute of Meteorology, 1999, 14(3): 233-238.

[23] 范震, 趙有欣, 陳鈺蓉, 等. 不同類型緩/控釋氮肥對夏玉米生長及產量的影響[J]. 山東農業科學, 2022, 54(3): 79-83.

FAN Zhen, ZHAO Youxin, CHEN Yurong, et al.Effects of different types of slow/controlled-release nitrogen fertilizers on growth and yield of summer maize[J].Shandong Agricultural Sciences, 2022, 54(3): 79-83.

Diagnosing Nitrogen Content in Maize Canopy in Hetao Irrigation District Using Multi-source Remote Sensing Data

LIN Rencai1, CHEN He1*, ZHANG Baozhong1, WEI Zheng1, LI Yinong1, SANG Honghui2

(1. State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin, China Institute of Water Resources and Hydropower Research, Beijing 100038, China; 2. Nanchang Institute of Technology, Nanchang 330029, China)

【Objective】Precision agriculture needs a rapid diagnosis of water and nutrient deficits, which is challenging at large scales in the field. Taking maize as an example, this paper proposes to estimate nitrogen content in maize canopy using remote sensing data.【Method】The study was carried out at Hetao Irrigation District using UAV multi-spectral imagery data measured in 2020. A variety of vegetation indices extracted from the imageries were used to calculate nitrogen content in the canopy when the crop grew to different stages. The model was validated against ground-truth data and was then used to evaluate critical nitrogen concentration and potential nitrogen pollution at different growth stages.【Result】The planted area of maize in Hetao Irrigated District in 2020 was 275 000 hm2. The suitable vegetation indices for calculating canopy nitrogen varied with growing stages; the canopy nitrogen at elongation, early and late tasseling stage and flowering stage was best estimated by,,, and, respectively. It was found that nitrogen concentration in the canopy was low at the flowering stage, and high at the elongation and later tasseling stage, during which nitrogen pollution could occur. Analysis showed that the risk of nitrogen pollution was Grade 4 in early tasseling stage and zero in flowering stage.【Conclusion】The UAV multispectral image data can be used to estimate nitrogen content in plant and assess the potential of nitrogen pollution at different growing stages at large scales in the field. It can help improve fertilization and reduce the potential of non-point source pollution.

nitrogen concentration; maize; remote sensing; pollution risk; the Hetao Irrigation District

1672 - 3317（2023）02 - 0066 - 07

S271

A

10.13522/j.cnki.ggps.2022349

林人財, 陳鶴, 張寶忠, 等. 基于多源遙感數據的河套灌區玉米植株氮素濃度診斷及污染風險評估[J]. 灌溉排水學報, 2023, 42(2): 66-72.

LIN Rencai, CHEN He, ZHANG Baozhong, et al. Diagnosing Nitrogen Content in Maize Canopy in Hetao Irrigation District Using Multi-source Remote Sensing Data[J]. Journal of Irrigation and Drainage, 2023, 42(2): 66-72.

2022-07-11

國家重點研發計劃項目（2019YFC0409203）；中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室自主研究課題（SKL2022TS13）；中國水科院基本科研業務費專項項目（ID0145B022021，ID0145B052021）

林人財（1995-），男。博士研究生，主要從事農業遙感研究。E-mail:rencaihrs@iwhr.com

陳鶴（1986-），女。高級工程師，主要從事農業遙感研究。 E-mail: chenhe@iwhr.com

責任編輯：韓 洋