應用圖像數字化技術進行甘薯氮素營養診斷

呼瑤 張磊 邱鵬飛 商麗麗 賈禮聰 王翠娟 韓俊杰 王勃 辛國勝

摘要：為了研究利用數碼圖像參數預測甘薯氮素營養指標的可行性，明確氮素營養狀況評價的最佳色彩參數和方程模型，以煙薯25號為試材，于2020—2021年分別設置盆栽試驗（氮肥水平為0、45、90、135、180 kg/hm2）、大田試驗（氮肥水平為0、50、100、150、300 kg/hm2），利用數碼相機獲取甘薯冠層圖像參數，同時測定地上部氮素營養指標，分析不同生育時期甘薯冠層數碼圖像參數與氮素營養指標的相關性，并構建甘薯氮素營養指標診斷模型。甘薯各生育期冠層圖像參數與地上部生物量、葉片氮濃度、葉綠素a含量、葉綠素b含量相關性差異較大，以綠光標準化值NGI與上述氮素營養指標的相關性最好；薯蔓并長期NGI與氮肥用量、地上部生物量、葉片氮濃度、葉綠素a含量的直線方程模型分別為y＝17.82x-6.95、y＝6 999.70x-2 697.90、y＝613.67x-188.78、y＝75.38x-26.96；2021年試驗驗證模型驗證結果表明，葉片氮濃度、葉綠素含量的預測值與實測值之間R2分別達到0.835、0.810，均方根誤差分別為2.496、0.261，數值表現穩定，驗證結果精度較好。生育期內冠層數碼圖像參數NGI與氮素營養指標間均顯著相關，可應用于圖像數字化技術預測甘薯氮素營養狀況，薯蔓并長期診斷模型以直線方程模型最佳。因此，收獲期之前，圖像數字化技術可應用于甘薯氮素營養診斷研究，最佳預測圖像參數為綠光標準化值NGI，參數最佳方程為直線函數。

關鍵詞：甘薯；圖像數字化；氮素營養診斷；方程模型；色彩參數

中圖分類號：S531.01 文獻標志碼：A

文章編號：1002-1302（2023）08-0092-06

基金項目：國家甘薯產業技術體系項目（編號：CARS-10）；山東省現代農業產業技術體系薯類創新團隊項目（編號：SDAIT-16-02）；煙臺市科技創新發展計劃項目（編號：2021NYNC013）。

作者簡介：呼 瑤（1995—），女，內蒙古巴彥淖爾人，碩士，主要從事甘薯遺傳育種及栽培生理研究，E-mail：2220366016@qq.com；共同第一作者：張 磊（1989—），男，內蒙古通遼人，碩士，農藝師，主要從事甘薯遺傳育種及栽培研究，E-mail：kerqzl@126.com。

通信作者：辛國勝，碩士，研究員，主要從事甘薯遺傳育種、栽培研究，E-mail：guoshengx@sina.com；王 勃，博士，講師，主要從事植物分子生物學研究，E-mail：wangbo@ytu.edu.cn。

甘薯生長發育對氮素要求較為嚴格，氮缺乏導致甘薯莖葉生長緩慢、光合效能降低、干物質積累較少，進而造成減產。生產中甘薯氮過量現象頻發，嚴重時造成莖葉旺長，干物質向地下部塊（根）分配減少，影響薯塊膨大和品質提升［1］。此外，過量用氮還會引發土壤酸化［2］和地下水污染等環境問題［3-5］。及時、準確掌握甘薯的氮素營養狀況，合理施用氮肥，對提高甘薯氮素利用率、節約能源和保護環境具有重要意義。傳統的氮素營養監測需要實地采集植株樣品、進實驗室測定分析和數據處理，不僅對作物生長具有破壞性，還要求具備一定的實驗室環境和檢測基礎，存在用工量大、耗時長、成本高等問題，不利于全面推廣［6-7］。圖像數字化技術通過獲取植株圖像色彩參數而監測作物氮素營養狀況，兼具信息采集及時、數據處理簡便和預測結果可靠等優點，近年來廣泛應用于玉米［8］、小麥［9］、水稻［10］、油菜［11］、棉花［12］等作物的氮素營養診斷。研究認為，藍光標準化值NBI（12葉期）、紅光標準化值NRI（灌漿期）與玉米植株氮營養指標呈較好的相關性，并與產量呈直線回歸關系［13］；綠光標準化值（NGI）可有效指示小麥氮素營養豐缺［14］；水稻冠層色彩參數NRI滿足氮素營養無損診斷的需求［10］。可見，應用圖像數字化技術診斷作物氮素營養狀況是可行的，但診斷選取的圖像色彩參數存在差異。目前，通過圖像數字化技術進行甘薯氮素營養診斷的研究相對較少。本研究通過分析甘薯冠層圖像顏色指標與甘薯氮素營養指標的相關性，探討應用圖像數字化技術進行甘薯氮素無損診斷的可行性，以明確能夠評估甘薯常規氮素營養診斷的冠層圖像適宜時期、顏色指標和診斷模型并驗證模型的準確度。

1 材料與方法

1.1 試驗材料

試驗于2020年4月至2021年11月在山東省煙臺市農業科學研究院試驗地進行。供試土壤為壤土，前茬作物為玉米，供試土壤基本理化性狀為pH值6.5，全氮含量0.83 g/kg，有效磷含量 95.9 mg/kg，速效鉀含量97.0 mg/kg，有機質含量12.5 g/kg。甘薯于2020年5月15日移栽，10月23日統一收獲。

供試甘薯品種為山東省煙臺市農業科學研究院自主選育的煙薯25號。

1.2 試驗設計

2020年盆栽試驗設置5個施氮水平，分別為N0（0 kg/hm2）、N45（45 kg/hm2）、N90（90 kg/hm2）、N135（135 kg/hm2）、N180（180 kg/hm2）。選取長勢一致的甘薯幼苗定植于可容納12 kg土壤的塑料花盆（直徑×高=35 cm×55 cm），每盆秧栽1株薯苗，每個處理重復3次，所有盆栽同時施用P2O5 75 kg/hm2、K2O 150 kg/hm2，生長期間定期適度補水，其他同常規管理。

2021年大田試驗設置5個施氮水平，分別為N0（0 kg/hm2）、N45（45 kg/hm2）、N90（90 kg/hm2）、N135（135 kg/hm2）、N180（180 kg/hm2）。小區面積18.4 m2（4.6 m×4.0 m），5行區，行距0.8 m，株距0.2 m。每個處理重復3次，隨機區組排列。各處理同時施用P2O5 75 kg/hm2、K2O 150 kg/hm2。

1.3 數字圖像數據獲取與處理

選擇甘薯生長發育的重要生長時期，分別為莖葉封壟期（移栽后35 d）、薯蔓并長期（移栽后 70 d）、塊根膨大期（移栽后105 d）、收獲期（移栽后146 d）。在晴天12：00—13：00，采用數碼相機（Nikon EOS 550D，1 800萬像素，像素尺寸為5 184×3 456）拍攝甘薯冠層圖像，拍攝時數碼相機與地面高1.30 m，與地面成角60°，在每個小區拍攝3張照片，同時將相機調至白平衡來控制色彩平衡；數碼相機拍攝的圖像為RGB顏色圖像，以JPEG格式保存到計算機，利用Adobe Photoshop CC2019 軟件直方圖程序獲取RGB顏色模型的色彩信息。測算圖像顏色包括歸一化顏色指標、比顏色指標、歸一化差分顏色指標等共計17個顏色指標，其中歸一化顏色指標包括紅（R）、綠（G）、藍光（B）及紅光標準化值NRI即R/（R+G+B）、綠光標準化值NGI即G/（R+G+B）、藍光標準化值NBI即B/（R+G+B）、G/R、G/B、B/R；比顏色指標包括R/（G+B）、G/（R+B）、（R-B）/G、（G-B）/R；歸一化差分顏色指標包括（G-R）/（R+G+B）、（G-B）/（R+G+B）、（1.4R-G）/（R+G+B）、（2G-R-B）/（R+G+B）。

1.4 測定項目與方法

選取上述時期長勢相近的甘薯植株4株，按葉片和莖不同部位取樣品在105 ℃殺青30 min后，于 60 ℃ 下烘至恒質量，稱量折算地上部生物量；將烘干后的植株和葉片分別粉碎后過60目篩，用自封袋密封低溫保存，用于測定葉片全氮含量［15］；采用95%的乙醇浸提法，用分光光度計測定葉綠素濃度［16］。

1.5 數據處理與分析

數據處理與分析采用Adobe Photoshop CC2019軟件，采用SPSS 22.0軟件進行LSD法檢驗α=0.05水平上的差異顯著性，數據統計及制圖采用Microsoft Excel 2007進行。

2 結果與分析

2.1 施氮對甘薯氮素營養指標及塊根產量的影響

氮肥顯著提高了甘薯地上部生物量、塊根產量、葉片氮含量以及葉綠素a、葉綠素b含量（表1）。與低氮處理相比，高氮處理的葉綠素a、葉綠素b含量顯著增加，在N135處理下達到最大值（收獲期葉綠素b含量除外）；葉片氮含量在薯蔓并長期、收獲期呈先增后降趨勢；隨著施氮量增加，甘薯地上部生物量逐漸增加，各處理地上部生物量增長幅度在莖葉封壟期至薯蔓并長期（移栽后35～70 d）變化最大，期間增長0.7～1.6倍。全生育期內甘薯塊根產量以施氮量90～135 kg/hm2 較大，繼續增加施氮量，塊根產量出現下降趨勢，地上部生物量則持續增加。結果表明，適量或少施氮肥可增加干物質積累，過量施氮會導致地上部莖葉生長過旺，不利于塊根產量積累。

2.2 甘薯冠層顏色指標與植株氮素營養指標的相關分析

由表2可知，莖葉封壟期冠層色彩參數R、NGI與地上部生物量、葉片氮含量、葉綠素a含量均呈顯著或極顯著正相關，NBI、（G-R）/（R+G+B）、（1.4R-G）/（R+G+B）與葉綠素a含量呈顯著負相關。薯蔓并長期R、NRI、NGI與各氮素營養指標間呈顯著正相關，NBI、（1.4R-G）/（R+G+B）與葉片氮含量、葉綠素a含量呈顯著或極顯著負相關。塊根膨大期NGI與各氮素營養指標間均呈顯著或極顯著正相關，R、NRI、G/B、G/（R+B）、（R-B）/G、（G-B）/R、（G-R）/（R+G+B）、（G-B）/（R+G+B）與甘薯地上部生物量呈顯著或極顯著正相關。收獲期NGI與各氮素營養指標間均呈顯著或極顯著正相關，G、G/R、G/B、R/（G+B）與葉片氮含量和葉綠素a含量呈顯著或極顯著正相關，NRI、（1.4R-G）/（R+G+B）與葉片氮含量、葉綠素a含量呈顯著負相關。甘薯生育期內冠層NGI與地上部生物量、葉片氮含量、葉綠素a含量均表現顯著相關性，相關系數r值范圍是0.513～0.935，其中薯蔓并長期NGI的相關性最為敏感，相關系數分別為0.781、0.825、0.935（表2）。

2.3 甘薯氮素營養診斷方程模型篩選與構建

為進一步利用冠層數碼圖像參數精準掌握甘薯氮素營養狀況，本試驗通過線性和非線性回歸分析，在薯蔓并長期以氮素營養指標為因變量（y），圖像色彩參數 NGI為自變量（x），分別采用直線方程、對數方程、二次方程、冪方程、指數方程構建了5種不同方程類型的診斷模型（表3）。結果表明，針對不同函數進行回歸分析，甘薯冠層圖像參數NGI與氮素營養指標的相關關系整體表現較好，除與氮肥用量之間的冪方程和指數方程模型未表現顯著相關性外，與其他各營養指標的相關性均達到極顯著相關水平。鑒于線性函數和非線性函數模型的擬合精準度及表達效果接近，線性函數方程更簡單易用，故本研究選取直線方程模型作為甘薯氮素營養診斷的最佳模型。基于綠光標準化值NGI與氮肥用量、地上部生物量、葉片氮濃度、葉綠素a含量建立的回歸方程表達式分別為y=17.82x-6.95、y=6 999.70x-2 697.90、y=613.67x-188.78、y=75.38x-26.96（圖1）。

2.4 甘薯氮素營養診斷方程模型的驗證

本試驗基于2021年試驗數據對上述直線方程模型的實用性和準確性進行檢驗（n=15），將薯蔓并長期甘薯冠層綠光標準化值NGI分別代入相應的直線方程模型，對比葉片氮濃度、葉綠素a濃度的預測值與實測值差異，并利用1 ∶1等值圖來顯示模型的擬合度（圖2），通過決定系數（r2）和均方根誤差（RMSE）指標綜合分析模型的準確性和穩定性。結果表明，基于NGI與葉片氮濃度、葉綠素濃度相關關系建立的直線函數模型，其預測值、實際值之間的決定系數分別為0.835、0.810，達到極顯著水平，均方根誤差分別為2.496、0.261，說明本試驗建立的直線函數估算模型可以用于診斷甘薯植株氮營養狀況，且預測結果較好，具有較高的可靠性。

3 討論

適量的氮肥運籌有利于維持甘薯生長后期源庫平衡［17］，氮肥后移和減量分施是提高甘薯產量和氮肥利用效率的主要途徑［18-19］。植株顏色的變化可有效表征作物氮素營養的豐缺狀況［20］，NRI可作為蕾薹期（包括）之前冬油菜氮素營養診斷的最佳參考指標［11，21］，夏玉米的最佳參考指標為藍光標準化值NBI［22］。因此，在恰當時期選取合適的冠層數碼診斷參數，對準確預測甘薯氮素營養狀況及推薦氮肥用量具有重要意義。本研究發現，冠層圖像NGI與地上部生物量、葉片氮含量、葉綠素a含量均呈顯著相關關系，貫穿整個生育時期，其最高相關系數達0.935。綜合來看，NGI為全生育期甘薯氮素營養診斷的最佳指標，這與張玲等利用無人機對夏玉米氮素營養監測確定的最佳色彩參數以及適宜時期［23］一致。這表明，一方面甘薯冠層色彩參數NGI與其他色彩參數相比穩定性更好，對土壤供肥能力的反應更敏感，利用綠光標準化值NGI進行作物氮營養診斷具備可行性；另一方面不同的施氮水平、作物冠層高度、光溫條件、生育時期等對作物生長發育有顯著影響，葉片營養成分也會相應改變，診斷作物營養狀況的色彩參數也存在變化［20，24］。

冬小麥拔節期冠層圖像的NGI與施氮量之間存在二次曲線關系［14，25］，指數方程可以實現對水稻冠層綠光值（G）與地上部生物量、氮素累積量的良好擬合［26］。為能精準應用圖像數字化技術定量分析甘薯氮營養狀況，對基于NGI與氮素營養指標構建的回歸方程驗證分析表明，利用直線方程y=613.67x-188.78、y=75.38x-26.96預測的甘薯葉片氮濃度和葉綠素a含量值與實際測量值之間的決定系數均在0.81及以上，均方根誤差最小值為0.261，直線方程模型可靠性和精準度較好，這與李嵐濤等選擇線性方程模型的試驗結果［10，27］一致。

4 結論

甘薯冠層數碼圖像參數NGI與氮肥施用量、地上部生物量、葉片氮含量、葉綠素a含量均達到顯著或極顯著水平，可用來診斷甘薯氮素營養豐缺，適宜使用的時期為收獲期之前。在薯蔓并長期，甘薯氮素營養診斷的最佳模型為直線方程模型，基于綠光標準化值NGI與氮肥用量、地上部鮮質量、葉片氮濃度、葉綠素a含量建立的回歸方程表達式分別為y=17.82x-6.95、y=6999.70x-2697.90、y=613.67x-188.78、y=75.38x-26.96，其中葉片氮含量及葉綠素a含量預測值、實際測量值之間的決定系數分別為0.835、0.810，均方根誤差分別為2.496、0.261，預測精度較好，建立的直線方程估算模型可用于診斷甘薯植株氮營養狀況。

參考文獻：

［1］Hammett L K，Miller C H，Swallow W H，et al. Influence of N source，N rate，and K rate on the yield and mineral concentration of sweet potato［J］. Journal of the American Society for Horticultural Science，1984，109（3）：294-298.

［2］王 靜，王 磊，劉耀斌，等. 長期施氮肥對黃棕壤微生物生物性狀的影響及其調控因素［J］. 中國生態農業學報（中英文），2021，29（5）：833-843.

［3］黃景貴，粟春青，王凌暉，等. 氮磷鉀指數配方施肥對假蘋婆幼苗生長和光合特性的影響［J］. 西南農業學報，2021，34（12）：2691-2699.

［4］劉 魁，楊亞麗，楊繼周，等. 化肥減量配施有機肥對田煙根際土壤細菌群落多樣性的影響［J］. 西南農業學報，2021，34（10）：2191-2196.

［5］王海澤，劉志萍，巴 圖，等. 不同施氮水平下大麥可溶性糖與淀粉積累的關系［J］. 西南農業學報，2022，35（2）：319-328.

［6］張 玨，田海清，李 哲，等. 基于數碼相機圖像的甜菜冠層氮素營養監測［J］. 農業工程學報，2018，34（1）：157-163.

［7］馬云強，李宇宸，劉夢盈，等. 基于無人機多光譜影像的云南切梢小蠹危害監測反演研究［J］. 西南農業學報，2021，34（9）：1878-1884.

［8］張立周，王殿武，張玉銘，等. 數字圖像技術在夏玉米氮素營養診斷中的應用［J］. 中國生態農業學報，2010，18（6）：1340-1344.

［9］夏莎莎，張 聰，李佳珍，等. 基于手機相機獲取冬小麥冠層數字圖像的氮素診斷與推薦施肥研究［J］. 中國生態農業學報，2018，26（4）：538-546.

［10］李嵐濤，張 萌，任 濤，等. 應用數字圖像技術進行水稻氮素營養診斷［J］. 植物營養與肥料學報，2015，21（1）：259-268.

［11］魏全全，李嵐濤，任 濤，等. 基于數字圖像技術的冬油菜氮素營養診斷［J］. 中國農業科學，2015，48（19）：3877-3886.

［12］王 娟，雷詠雯，張永帥，等. 應用數字圖像分析技術進行棉花氮素營養診斷的研究［J］. 中國生態農業學報，2008，16（1）：145-149.

［13］白金順，曹衛東，熊 靜，等. 應用數碼相機進行綠肥翻壓后春玉米氮素營養診斷和產量預測［J］. 光譜學與光譜分析，2013，33（12）：3334-3338.

［14］張立周，侯曉宇，張玉銘，等. 數字圖像診斷技術在冬小麥氮素營養診斷中的應用［J］. 中國生態農業學報，2011，19（5）：1168-1174.

［15］鮑士旦. 土壤農化分析［M］. 3版.北京：中國農業出版社，2000.

［16］劉絢霞，董振生，劉創社，等. 油菜葉綠素提取方法的研究［J］. 中國農學通報，2004，20（4）：62-63.

［17］寧運旺，馬洪波，張 輝，等. 甘薯源庫關系建立、發展和平衡對氮肥用量的響應［J］. 作物學報，2015，41（3）：432-439.[HJ2mm]

［18］安建剛，敬 夫，丁 祎，等. 氮肥分期運籌對套作甘薯產量、品質及氮素效率的影響［J］. 作物學報，2018，44（12）：1858-1866.

［19］杜祥備，王家寶，劉小平，等. 減氮運籌對甘薯光合作用和葉綠素熒光特性的影響［J］. 應用生態學報，2019，30（4）：1253-1260.

［20］李亞兵，毛樹春，韓迎春，等. 不同棉花群體冠層數字圖像顏色變化特征研究［J］. 棉花學報，2012，24（6）：541-547.

［21］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.

［22］賀 正. 基于手機照片的滴灌玉米光響應特征與穗形態監測［D］. 銀川：寧夏大學，2019：30-31.

［23］張 玲，陳新平，賈良良. 基于無人機可見光遙感的夏玉米氮素營養動態診斷參數研究［J］. 植物營養與肥料學報，2018，24（1）：261-269.

［24］付虹雨，崔丹丹，崔國賢，等. 作物圖像獲取、處理技術及其應用研究進展［J］. 中國麻業科學，2019，41（5）：229-239.

［25］王玉娜，李粉玲，王偉東，等. 基于無人機高光譜的冬小麥氮素營養監測［J］. 農業工程學報，2020，36（22）：31-39.

［26］Lee K J，Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis［J］. European Journal of Agronomy，2013，48：57-65.

［27］孫志偉，張啟明，苑舉民，等. 基于可見光譜參數的烤煙葉片葉綠素含量估算模型［J］. 中國煙草科學，2020，41（1）：44-49.