利用高光譜技術(shù)估測小麥葉片氮量和土壤供氮水平

1、利用高光譜技術(shù)估測小麥葉片氮量和土壤供氮水平- 農(nóng)學(xué)論文利用高光譜技術(shù)估測小麥葉片氮量和土壤供氮水平謝福來，史曉芳，史忠良，田瑋瑋，蘆冬濤，張士昌（山西省農(nóng)業(yè)科學(xué)院小麥研究所，山西臨汾041000）摘要：有效的監(jiān)測作物氮素營養(yǎng)水平及土壤供氮能力可以為合理施用氮肥提供重要依據(jù)。本文以 2 年 3點不同氮素水平下不同小麥品種的田間實驗數(shù)據(jù)為基礎(chǔ)，運用植被指數(shù)和偏最小二乘回歸法，比較和分析小麥冠層光譜與葉片氮含量及土壤氮含量的關(guān)系。結(jié)果表明：小麥冠層光譜與葉片氮含量的相關(guān)性分析在可見光波段存在顯著負(fù)相關(guān)，在近紅外波段呈顯著正相關(guān)，而與土壤氮含量的相關(guān)性呈相反趨勢?；诠庾V參數(shù)ND705和 GNDVI

2、 所建葉片氮含量估算模型的決定系數(shù)分別達(dá)到0.827 和 0.826 ?；诠庾V參數(shù) VOG2 所建土壤氮含量估算模型的決定系數(shù)達(dá)到0.646 ；與植被指數(shù)所建模型相比，綜合3501350 nm 光譜波段反射率分別與小麥葉片氮含量、土壤氮含量建立偏最小二乘回歸模型的預(yù)測精度均有所提高，決定系數(shù)分別達(dá)到0.842 和 0.654 。本研究結(jié)果可為小麥氮素營養(yǎng)及土壤供氮水平的診斷監(jiān)測與合理施肥管理提供了理論依據(jù)和技術(shù)支持。關(guān)鍵詞：小麥；冠層反射光譜；葉片氮含量；土壤氮含量；光譜參數(shù)中圖分類號： S512.1 文獻(xiàn)標(biāo)志碼： A 論文編號： cjas15090013基金工程：山西省農(nóng)業(yè)攻關(guān)工程“小麥種

3、質(zhì)中優(yōu)異基因資源的開發(fā)與材料創(chuàng)制”(20150311001-5) 。第一作者簡介：謝福來，男，1958 年出生，山西臨汾人，研究方向為小麥遺傳育種。通信地址：041000山西省臨汾市幽并街33 號山西省農(nóng)科院小麥研究所， Tel：E-mail ：emailprotected。通訊作者：張士昌，男，1977 年出生，河北正定人，博士，研究方向為小麥遺傳育種。通信地址：041000山西省臨汾市幽并街33 號山西省農(nóng)科院小麥研究所， Tel：TelE-mail ：emailprotected。收稿日期： 2015-09-30，修回日期： 20

4、15-12-18。0 引言氮素是作物生長發(fā)育所必需的營養(yǎng)元素，與光合作用有著密切的關(guān)系，直接影響作物長勢和產(chǎn)量品質(zhì)的形成，而作物氮素營養(yǎng)主要來源于土壤氮素含量。土壤供氮狀況對作物增產(chǎn)起著至關(guān)重要的作用，在一定范圍內(nèi)增加氮肥施用量有利于小麥產(chǎn)量的提高，但施氮量過高會導(dǎo)致氮肥利用率的降低，施肥經(jīng)濟效益下降，因此，提高土壤氮素利用率已成為當(dāng)前精準(zhǔn)農(nóng)業(yè)的主要目標(biāo)之一。實時、準(zhǔn)確地獲取小麥葉片氮含量和土壤氮含量，兼顧二者的監(jiān)測，可以有效地做到合理施用氮肥，提高氮肥利用率及作物產(chǎn)量、品質(zhì)的形成。但是，葉片氮含量和土壤氮含量的常規(guī)測定方法主要通過作物生長關(guān)鍵時期多點采樣，使用實驗室化學(xué)分析方法完成，該方法費

5、工、耗時，且有一定的時空滯后性。高光譜遙感技術(shù)以實時、快速和非破壞性等優(yōu)勢成為當(dāng)前精準(zhǔn)農(nóng)業(yè)技術(shù)之一，在作物葉片氮含量和土壤供氮水平的監(jiān)測方面表現(xiàn)出良好的應(yīng)用前景1-3 。姚霞等 2 提出了基于導(dǎo)數(shù)光譜的比值光譜指數(shù)建立小麥葉片氮素監(jiān)測模型，可顯著地提高模型精確度和可靠性。李映雪等4 研究表明葉片氮含量與冠層光譜的歸一化植被指數(shù)NDVI(R1220,R710)和紅邊位置所建模型的決定系數(shù)在0.80左 右。 翟清 云等 5 指 出 利用 光譜 參 數(shù)NDSI(FD710,FD690)、DSI(R515,R460) 和 RSI(R535,R715) 建立的估測模型能夠較好地預(yù)測不同土壤質(zhì)地小麥葉片氮

6、含量。張娟娟等6 分析了不同地區(qū)主要類型土壤全氮含量與高光譜反射率之間的定量關(guān)系，構(gòu)建了基于偏最小二乘法（PLSR）、神經(jīng)網(wǎng)絡(luò)和特征光譜指數(shù)的土壤全氮含量估算模型。潘文超等7 研究表明植株冠層光譜參數(shù)可以很好地監(jiān)測土壤氮素營養(yǎng)。上述研究表明基于小麥冠層光譜監(jiān)測葉片氮含量及土壤氮含量具有可行性和可靠性，但基于冠層反射光譜同時兼顧小麥氮素營養(yǎng)及土壤供氮狀況的監(jiān)測研究較少。因此，本研究探討了利用高光譜遙感監(jiān)測小麥葉片氮含量及土壤對小麥供氮水平的研究。本研究以2 年3 點不同施氮水平下2 個小麥品種的田間實驗數(shù)據(jù)為對象，運用植被指數(shù)法和PLSR，分析小麥冠層反射光譜與葉片氮含量、土壤氮含量的定量關(guān)系，

7、比較并選擇小麥葉片氮含量、土壤氮含量的最佳預(yù)測模型。預(yù)期結(jié)果將為遙感技術(shù)對小麥葉片氮素營養(yǎng)及土壤氮素水平的診斷，以及合理施氮管理提供理論依據(jù)。1 材料與方法1.1 實驗設(shè)計本研究共涉及3 個不同的田間實驗，分別于2011 2013 年小麥生長季節(jié)進(jìn)行。實驗 1 ：2011 2012 年度在山西省曲沃縣實驗田（東經(jīng)111 ° 24 ，北緯35 ° 33 ）進(jìn)行。供試土壤類型為褐土性土，土壤呈中性、微堿性反應(yīng)，礦物質(zhì)、有機質(zhì)積累較多，腐殖質(zhì)層較厚，肥力較高。土壤耕層有機質(zhì)含量10.75g/kg ，全氮含量 0.49 g/kg，堿解氮 27.77 mg/kg，速效磷 15.46

8、mg/kg。供試品種為運麥20410 ，全生育期250天，株高85 cm ，穗紡錘型，長芒，小穗排列緊密。群體密度為52.5 萬 /hm2左右，穗粒數(shù)平均35 粒，千粒重 43g 。該實驗數(shù)據(jù)用于建立模型。實驗采用單因素隨機區(qū)組排列，3 次重復(fù)，各處理小區(qū)面積20 m2 。設(shè) 5 個施氮水平，分別為0 、75 、150 、225 、300 kg/hm2純氮，以尿素 (N 46%) 作氮肥，分 40% 基肥、 60% 返青后期施入。磷鉀肥以基肥一次性施入，過磷酸鈣 (P2O516.5%) 作磷肥，施磷量 (P2O5) 100 kg/hm2 ，氯化鉀(K2O61.5%) 作鉀肥，施鉀量 (K2O)

9、 100 kg/hm2。小麥返青后一次性追肥，田間光譜采樣時期分別為選擇返青期(Recovering) 、拔節(jié)期 (Jointing) 、孕穗期(Heading) 和灌漿期 (Grain filling)。實驗 2 ：2011 2012 年度，在山西省臨汾市堯都區(qū)驗田各處理曲沃縣處理的方法相同。選擇在冬小麥返青期、拔節(jié)期、孕穗期和灌漿期測定小麥冠層反射光譜，同步采集葉片、土壤樣本并測定氮素指標(biāo)，該實驗數(shù)據(jù)用于模型驗證。實驗 3 ：2012 2013 年度，設(shè)在太原市東陽實驗田，供試土壤為黃土母質(zhì)發(fā)育而成的石灰性褐土，土壤肥力水平中等，土壤耕層有機質(zhì)含量20.07g/kg ，堿解氮 49.3 m

10、g/kg，有效磷 18.79 mg/kg，速效鉀 247.3 mg/kg。實驗采用單因素隨機區(qū)組排列，3 次重復(fù)，各處理小區(qū)面積30 m2 。供試小麥品種為國審晉太170 ，全生育期 265 天，株高 80 cm ，穗紡錘型，長芒。穗粒數(shù)平均 40 粒，千粒重38 g 。實驗設(shè)計、施肥量、田間光譜采集時間及測定方法以及田間管理同于實驗1 。該實驗數(shù)據(jù)用于建立模型。1.2 測定方法冠層光譜的測定冬小麥的冠層光譜數(shù)據(jù)測量采用美國ASD(Analytical Spectral Device)公司生產(chǎn)的 Field Spec 3背掛式野外高光譜輻 射儀 ，測 量 波段 范 圍3502500nm ，光

11、譜 儀 視 場角25 °， 其 中，3501000 nm間的光譜采樣間隔為 1.4 nm ， 光譜 分辨 率為 3 nm ；10002500 nm的光譜采樣間隔為 2 nm ，光譜分辨率為 10 nm 。冠層光譜測定選擇在天氣晴朗、無風(fēng)或風(fēng)速很小時進(jìn)行，測定時間為10:00 14:00 。測量時傳感器探頭垂直向下，距冠層頂垂直高度約1.5 m ，地面視場范圍直徑0.44m 。測量時間為10:00 14:00 。每小區(qū)重復(fù)測量3 次，取平均值作為該觀測點的光譜反射值。測量過程中及時進(jìn)行標(biāo)準(zhǔn)白板校正（所測得的目標(biāo)物體光譜為無量綱的相對反射率）。氮素的測定在小麥返青期、拔節(jié)期、孕穗期和灌漿

12、期測定小麥冠層反射光譜后，同步測定小麥葉片氮含量及土壤氮含量。具體方法為：在各小區(qū)隨機選取5 株代表性植株，將植株莖、葉分離，在105 下殺青 30 min之后， 75 下烘干至恒重，稱干重，使用凱氏定氮法測定小麥葉片氮含量(%) ；此外，按五點法對各小區(qū)耕層040cm取土，每個小區(qū)取混合樣，使用凱氏定氮法測定并計算土壤氮含量(g/kg) 。1.3 數(shù)據(jù)分析方法所采集冠層光譜數(shù)據(jù)處理采用Field Spec FR Pro隨機軟件進(jìn)行處理。本研究綜合已有大量光譜參數(shù)的算法，如光譜位置變量技術(shù)、微分光譜技術(shù)、連續(xù)統(tǒng)去除法和原始光譜反射率多波段組合等方法8-12 ，在 MATLAB平臺下編程實現(xiàn)所有

13、光譜參數(shù)的算法，選擇敏感光譜參數(shù)（表2）并建立線性和非線性（冪函數(shù)、指數(shù)函數(shù)和對數(shù)函數(shù)）回歸模型，從中選擇最佳預(yù)測模型。此外，采用偏最小二乘回歸(PLSR)重點分析 3502500nm光譜反射率與單因變量（葉片氮含量或土壤氮含量）之間的線性模型，具體分析過程基于SAS 平臺下使用PROC PLS 過程步，首先對光譜數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化變換，數(shù)據(jù)分析采用“舍一交叉驗法”，并使用迭代的NIPALS 算法。下面介紹PLSR 分析的建模方法：為研究單因變量y 和自變量 x1,x2,.,xp 之間的統(tǒng)計關(guān)系，本研究觀測了n 個樣本點，由此構(gòu)成了自變量與因變量的數(shù)據(jù)矩陣X=x1,.,xpn和×pYyn

14、× 1 ，分別在X 和Y 中提取第一對成分t1和 u1 。t1和u1應(yīng)盡可能好地代表數(shù)據(jù)表X 和Y，同時自變量的成分t1對因變量的成分u1又有最強的解釋能力。在第一對成分t1和u1被提取后，PLSR分別實施X 對t1的回歸以及Y對t1的回歸。如果回歸方程已經(jīng)達(dá)到滿意的精度，則算法終止；否則，將利用X 被t1解釋后的殘余信息以及Y 被 t1 解釋后的殘余信息進(jìn)行第二對成分的提取，直到能達(dá)到滿意的精度為止。若最終對X 共提取了 m 個成分 t1,tm PLSR，分析將通過建立 y 對 t1,tm的回歸，然后再表達(dá)成y 關(guān)于原自變量x1,.,xp 的回歸方程。該法可對建模數(shù)據(jù)信息進(jìn)行分解和

15、篩選的方式，提取對因變量的解釋性最強的綜合變量，辨識系統(tǒng)中的信息與噪聲，從而更好地克服自變量多重共線性在系統(tǒng)建模中的不良作用。以實驗 1 和實驗 3 的數(shù)據(jù)為建模數(shù)據(jù)建立基于小麥冠層反射光譜的葉片氮含量及土壤氮含量的預(yù)測模型，進(jìn)而利用實驗2 為獨立資料數(shù)據(jù)對預(yù)測模型進(jìn)行驗證，模型驗證采用預(yù)測值和實測值的擬合決定系數(shù)(R2) 和相對均方根誤差(RRMSE)等指標(biāo)來評定模型預(yù)測精度的好壞，其中，相對均方根差(RRMSE)13 計算公式如式 (1) 。式中 Pi 和 O i分別為實測值和模型預(yù)測值，n 為樣本數(shù)。 RRMSE 值越小則模型的預(yù)測精度水平越高。2 結(jié)果與分析2.1冠層光譜與葉片氮含量及

16、土壤氮含量的相關(guān)分析利用小麥全生育期光譜反射率分別與葉片氮含量及土壤氮含量進(jìn)行相關(guān)性分析，圖1 為小麥葉片氮含量與光譜反射率的相關(guān)性曲線，在可見光波段表現(xiàn)為顯著負(fù)相關(guān)(P0.05) ，其中 367719nm光譜反射率與葉片氮含量達(dá)到極顯著負(fù)相關(guān)(P0.01) ，而大部分近紅外波段表現(xiàn)為顯著正相關(guān)(P0.05) ，其中 7381143nm 波段光譜反射率與葉片氮含量在全生育期都呈現(xiàn)極顯著正相關(guān)(P0.01) ，且在693 nm 和 792nm波段分別達(dá)到最大負(fù)相關(guān)和負(fù)相關(guān)，相關(guān)系數(shù)分別為-0.863和 0.709 （表3）。圖2 為土壤氮含量與光譜反射率的統(tǒng)計相關(guān)性曲線，可見光波段表現(xiàn)為顯著負(fù)相

17、關(guān)， 432717nm 光譜反射率與土壤氮含量達(dá)極顯著負(fù)相關(guān)，而大多數(shù)近紅外波段表現(xiàn)為顯著正相關(guān)，7391141nm波段光譜反射率與土壤氮含量均呈顯著正相關(guān)，其中在796nm 和 694 nm 波段處分別達(dá)到最大負(fù)相關(guān)和正相關(guān)，相關(guān)系數(shù)分別為-0.647 和 0.721 。針對全生育期一階導(dǎo)數(shù)光譜與葉片氮含量、土壤氮含量進(jìn)行相關(guān)性分析，分別提取對一階導(dǎo)數(shù)光譜與葉片氮含量、土壤氮含量的最大正相關(guān)和負(fù)相關(guān)的光譜信息（表3 ）。結(jié)果顯示，一階導(dǎo)數(shù)光譜與葉片氮含量、土壤氮含量的最大相關(guān)性均優(yōu)于原始冠層光譜。可能原因是對原始光譜的求導(dǎo)能有效地降低背景噪聲，從而增強冠層光譜反射率與目標(biāo)性狀的相關(guān)性。由圖1

18、和圖2可以看出，小麥冠層反射光譜及一階導(dǎo)數(shù)光譜與葉片氮含量、土壤氮含量的相關(guān)性均表現(xiàn)較好，說明光譜信息中含有指示葉片氮含量及土壤氮含量的重要信息，可進(jìn)一步研究反射光譜與葉片氮含量、土壤氮含量之間的回歸關(guān)系。2.2 基于植被指數(shù)的葉片氮含量及土壤氮含量的估算模型利用實驗 1 和實驗 3 的采集數(shù)據(jù)對小麥冠層光譜特征參數(shù)與葉片氮含量、土壤氮含量的回歸分析，建立了利用冠層光譜參量反演小麥葉片氮含量、土壤氮含量的預(yù)測模型，然后利用實驗2 資料數(shù)據(jù)進(jìn)行模型驗證，通過模型間的比較分析，從中優(yōu)選出模型預(yù)測表現(xiàn)較好的模型（表4）。所選葉片氮含量預(yù)測模型多數(shù)為線性模型，其中光譜參數(shù)NDVI(810,560)、N

19、D705 、GNDVI 、Area672 、NDCI 、PSNDb 、 mND705 、ND672 、 SDr/SDb對小麥葉片氮含量的預(yù)測效果較好，決定系數(shù)(R2) 和標(biāo)準(zhǔn)誤 (RMSE) 變化范圍分別為0.8180.927，0.3970.413，模型驗證的預(yù)測精度及相對均方根誤差的變化范圍分別為0.7850.808， 0.1240.135 。根據(jù)模型決定系數(shù)最大和標(biāo)準(zhǔn)誤差最小的原則，基于ND705和 GNDVI建立的葉片氮含量估算模型的預(yù)測表現(xiàn)最好（圖 3 ），決定系數(shù)分別為0.827 和 0.826 ，均方根誤為0.397 和0.398 ，相應(yīng)的模型驗證也有較好的表現(xiàn)，預(yù)測精度分別為0.

20、808 和 0.805 ，相對均方根誤分別為0.124 和 0.126 。此外，所選光譜參數(shù)VOG2 、VOG1 、RI-2dB 、mSR705 、 mND705 、 ND705對土壤氮含量所建模型以非線性模型為主，決定系數(shù)和標(biāo)準(zhǔn)誤變化范圍分別為0.6340.646， 0.0930.094，模型驗證的預(yù)測精度及相對均方根誤差的變化范圍分別為 0.6070.625，0.1270.131 。根據(jù)模型決定系數(shù)最大和標(biāo)準(zhǔn)誤差最小的原則，基于VOG-2建立二項式回歸的土壤氮含量模型預(yù)測表現(xiàn)最好（圖4 ），從圖4 可以看出，樣本觀測值基本散落在回歸曲線附近，決定系數(shù)和均方根誤分別為0.646和0.093

21、，其模型驗證表現(xiàn)較為穩(wěn)定，預(yù)測精度和相對均方根誤分別為0.625和0.127 ?？傊鲜鏊ㄐ←溔~片氮含量和土壤氮含量遙感估算模型的精準(zhǔn)性和穩(wěn)定性均較好，而且模型驗證結(jié)果表現(xiàn)也較好。說明利用冠層光譜估算小麥葉片氮含量及土壤氮含量具有可行性和可靠性，擬推薦上述所選模型為小麥葉片氮含量和土壤氮含量的最佳預(yù)測模型，可用于估算小麥氮素營養(yǎng)水平和土壤供氮狀況。2.3 小麥葉片氮含量和土壤氮含量的PLSR 分析由于 3501350nm 光譜范圍內(nèi)蘊藏著指示目標(biāo)性狀的豐富信息，但相鄰波段反射率間存在嚴(yán)重的自相關(guān)問題。與普通多元回歸相比，PLSR 可以較好地解決自變量之間的多重相關(guān)性及樣本容量少于自變量數(shù)目

22、的問題。本研究采用 PLSR 挖掘 3501350nm 光譜范圍內(nèi)指示小麥葉片氮含量及土壤氮含量的重要信息。由表5 可知，所建模型選擇的4 個主成份包含了樣本中99% 以上的光譜信息，解釋了響應(yīng)變量（葉片氮含量）總變異的84.2% ，且均方根誤差為 0.379 ，使用獨立資料數(shù)據(jù)進(jìn)行模型擬合效果較好（圖5A ），其預(yù)測值與觀測值擬合的散點圖均勻散落在1:1 線的周圍，預(yù)測精度和相對均方根誤差分別為 0.819和 10.3% ，所建葉片氮含量PLSR 模型的預(yù)測表現(xiàn)明顯地優(yōu)于前文的所選植被指數(shù)。此外，與前文的所選植被指數(shù)相比，所建土壤氮含量的PLSR模型預(yù)測表現(xiàn)有所提高，其決定系數(shù)和均方根誤差分

23、別為0.654和 0.092 ，使用獨立資料數(shù)據(jù)進(jìn)行模型驗證，其預(yù)測值與測量值散點圖的擬合程度較好（圖5B），其中預(yù)測精度和相對均方根誤差分別為0.819 和 10.3% 。本研究所建PLSR 模型由于包含參數(shù)過多，即光譜范圍3501350 nm的1001個波段反射率，不便列出，為此，本研究使用SAS平臺開發(fā)了一套關(guān)于光譜的PLSR 分析軟件，根據(jù)本研究的實驗數(shù)據(jù)建模?；诖塑浖?，將采集的光譜輸入軟件，可以輸出葉片氮含量和土壤氮含量的預(yù)測值，由此實現(xiàn)對葉片營養(yǎng)狀況及土壤供氮水平的估測。3 討論作物氮素營養(yǎng)與生長發(fā)育、光合作用及產(chǎn)量之間有密切的關(guān)系。葉片氮素是葉綠素分子的基本組分，而葉綠素是作物

24、光合作用的主要色素，其含量的高低直接影響作物光合同化的物質(zhì)積累能力。利用遙感技術(shù)對作物葉片氮含量與營養(yǎng)豐缺的無損監(jiān)測，已成為合理施用氮肥，提高氮肥利用效率和作物產(chǎn)量、改善作物品質(zhì)的重要途徑。因此，根據(jù)不同氮肥水平下小麥全生育期氮素營養(yǎng)的高光譜響應(yīng)差異建立的預(yù)測模型，對于小麥氮素營養(yǎng)豐缺狀況的診斷及合理施肥管理具有重要意義。但是，小麥氮素營養(yǎng)主要來源于土壤供氮狀況，土壤氮含量及氮肥利用率也是指導(dǎo)氮肥合理施用的重要因素。盡管增施氮肥是提高作物產(chǎn)量的重要措施之一，但由于施肥方法、作物自身原因以及氮肥利用率高低等問題，導(dǎo)致不合理的增施氮肥，不僅浪費資源，同時也對生態(tài)環(huán)境造成嚴(yán)重的破壞性 24 。因此，

25、進(jìn)一步研究小麥冠層反射光譜對土壤供氮狀況的響應(yīng)差異，確立其估算模型，可以實時快速地診斷土壤對小麥的供氮狀況，為合理施氮及管理提供重要的理論依據(jù)。小麥葉片氮含量與冠層光譜及一階導(dǎo)數(shù)的相關(guān)性明顯地優(yōu)于土壤氮含量，說明冠層光譜所含信息主要來源于小麥冠層光譜結(jié)構(gòu)及其化學(xué)成分，而土壤的信息較少。此外，小麥葉片氮含量、土壤氮含量與一階導(dǎo)數(shù)光譜的相關(guān)性顯著地高于冠層原始光譜，說明一階導(dǎo)數(shù)光譜可有效地降低背景噪音，提高光譜指示目標(biāo)性狀的敏感性。冠層光譜與葉片氮含量在可見光部分表現(xiàn)出強烈的線性負(fù)相關(guān)，在近紅外部分表現(xiàn)出顯著正相關(guān)，而其與土壤氮含量的相關(guān)曲線的趨勢與前者呈現(xiàn)相反趨勢。究其原因，本研究所測光譜是以小

26、麥冠層葉片的光譜反射率為主，由于小麥葉片對土壤的遮擋，使得所測光譜中僅含有少量反映土壤成份的信息。前人研究表明mNDVI705 、綠色歸一化植被指數(shù) (GNDVI) 和紅邊面積參數(shù) SDr/SDb等植被指數(shù)能夠很好地預(yù)測小麥葉片氮含量17,25-27 。本研究也表明上述光譜參數(shù)與小麥葉片氮含量所建模型具有較好的預(yù)測力和穩(wěn)定性。此外，本研究所光譜參數(shù)ND705和 GNDVI對葉片氮含量所建模型的決定系數(shù)分別達(dá)到0.827和 0.826 ，光譜參數(shù) VOG2 與土壤氮含量所建二項式曲線回歸的決定系數(shù)達(dá)到0.646 ，說明敏感光譜參數(shù)均優(yōu)于冠層光譜與目標(biāo)性狀的敏感性。此外，所選光譜參數(shù)的構(gòu)成波段均落

27、入相關(guān)性顯著(P0.05) 的波段范圍，進(jìn)一步證明冠層反射光譜與目標(biāo)性狀相關(guān)性顯著的波段范圍內(nèi)含有指示目標(biāo)性狀的重要信息。所選敏感植被指數(shù)僅包含了指示目標(biāo)性狀的2 個特征波段，而其它波段中所蘊含的指示目標(biāo)性狀的信息未能得以充分利用，因此深入挖掘冠層光譜中指示目標(biāo)性狀的重要信息應(yīng)盡量整合大多數(shù)光譜波段反射率的信息。光譜范圍3501350nm波段反射率與小麥葉片氮含量、土壤氮含量均有較強的相關(guān)性，因此，有必要進(jìn)一步深入挖掘光譜信息中指示小麥葉片氮含量和土壤氮含量的信息，明確該光譜范圍內(nèi)波段反射率與二者的定量關(guān)系。由于連續(xù)的光譜波段間存在嚴(yán)重的多重共線性問題，且樣本數(shù)少、解釋變量過多，普通多元回歸方

28、法不能很好地解決此問題，而PLSR分析能夠很好地解決上述問題。PLSR模型可以解釋小麥葉片氮含量和土壤氮含量的響應(yīng)變異分別達(dá)到84.2%和64.5% ，其預(yù)測力較所選植被指數(shù)的模型有所提高，說明綜合盡可能多的光譜波段信息可以有效地提高對目標(biāo)性狀的預(yù)測力。本研究在前人研究的基礎(chǔ)上，綜合分析了小麥冠層光譜與葉片氮含量、土壤氮含量的關(guān)系，進(jìn)而構(gòu)建了葉片氮含量和土壤氮含量的估算模型，可有效地預(yù)測小麥氮素營養(yǎng)和土壤供氮能力。但也存在著一些不足之處，由于“土壤冠層光譜”的信息傳遞關(guān)系，使得指示土壤的信息在冠層光譜信息中所占比例較少，且隨著生育期的推進(jìn)，植被冠層不斷增大，冠層光譜中含有的土壤信息會越來越少，

29、從而導(dǎo)致直接利用冠層光譜估算土壤養(yǎng)分難度很大。冠層光譜對不同地點環(huán)境的敏感性，本研究考慮了2 年 3 點不同氮素水平下2 個品種的高光譜響應(yīng)差異，該模型還有待于進(jìn)一步在其他生產(chǎn)區(qū)域進(jìn)行驗證和改善，因此，下一步研究將考慮多年多點環(huán)境不同品種在不同供氮水平的冠層高光譜信息為基礎(chǔ)，系統(tǒng)地分析“冠層植株”與“植株土壤”的關(guān)系，從而建立起穩(wěn)定的小麥葉片氮素營養(yǎng)及間接的土壤供氮水平的估算模型，進(jìn)而擴展遙感估算模型的普適性和可靠性，由此系統(tǒng)地監(jiān)測小麥氮素營養(yǎng)及其土壤供氮水平，做到合理施肥，并有效提高土壤氮利用率。4 結(jié)論小麥冠層反射光譜與葉片氮含量的相關(guān)性分析表明，可見光波段367719nm光譜反射率與葉片

30、氮含量達(dá)到極顯著負(fù)相關(guān)(P0.01) ，而近紅外波段 7381143nm 光譜反射率與葉片氮含量均呈現(xiàn)極顯著正相關(guān)(P0.01) 。冠層光譜與土壤氮含量的相關(guān)性分析表明可見光波段432717nm光譜反射率與土壤氮含量達(dá)極顯著負(fù)相關(guān)(P0.01) ，而近紅外波段 7391141nm 光譜反射率與土壤氮含量均呈顯著正相關(guān)(P0.01) ?；诠庾V參數(shù)ND705和 GNDVI建立的葉片氮含量估算模型的決定系數(shù)分別為0.827和 0.826 ，標(biāo)準(zhǔn)誤分別為0.397和 0.398 ?；诠庾V參數(shù)VOG2 建立的土壤氮含量估算模型的決定系數(shù)和標(biāo)準(zhǔn)誤為分別為0.646和 0.093 。所建小麥葉片氮含量的

31、PLSR 估算模型的決定系數(shù)和均方根誤差分別為0.842和 0.379 ，所建土壤氮含量PLSR 模型的決定系數(shù)和均方根誤差分別為0.654 和 0.092 。參考文獻(xiàn)1 周麗麗 ,馮漢宇 ,閻忠敏 ,等.玉 M 葉片氮含量的高光譜估算及其品種差異J.農(nóng)業(yè)工程學(xué)報 , 2010(08): 195-199.2 姚霞 ,朱艷 ,田永超 ,等.小麥葉層氮含量估測的最佳高光譜參數(shù)研究 J.中國農(nóng)業(yè)科學(xué) ,2009,42(8):2716-2725.3 吳華兵 ,朱艷 ,田永超 ,等.棉花冠層高光譜參數(shù)與葉片氮含量的定量關(guān)系J.植物生態(tài)學(xué)報 ,2007(05):903-909.4 李映雪 ,朱艷 ,田永超

32、 ,等.小麥葉片氮含量與冠層反射光譜指數(shù)的定量關(guān)系 J.作物學(xué)報 ,2006,32(3):358-362.5 翟清云 ,張娟娟 ,熊淑萍 ,等.基于不同土壤質(zhì)地的小麥葉片氮含量高光譜差異及監(jiān)測模型構(gòu)建 J.中國農(nóng)業(yè)科學(xué) ,2013,46(13):2655-2667.6 張娟娟 ,田永超 ,姚霞 ,等 .基于高光譜的土壤全氮含量估測 J.自然資源學(xué)報 ,2011,26(5):881-890.7 潘文超 ,李少昆 ,王克如 ,等.基于棉花冠層光譜的土壤氮素監(jiān)測研究 J.棉花學(xué)報 ,2010,22(1):70-76.8 Miller J R, Wu J, Boyer M G, et al. Seas

33、onal patterns inleafreflectance red- edge characteristicsJ. International Journal ofRemote Sensing, 1991, 12(7): 1509-1523.9 MillerJ R, HareE W,WuJ. Quantitativecharacterizationofthevegetationrededgereflectance1.Aninverted-GaussianreflectancemodelJ.InternationalJournalofRemoteSensing,1990,11(10):175

34、5-1773.10SlatonMR, RaymondHuntE, Jr., SmithW K. Estimatingnearinfraredleafreflectancefromleafstructural characteristicsJ.AmJBot, 2001, 88(2): 278-284.11Demetriades-Shah TH,StevenMD, ClarkJ A. HighresolutionderivativespectrainremotesensingJ.RemoteSensingofEnvironment, 1990, 33(1): 55-64.12KokalyR F,

35、ClarkR N. SpectroscopicDeterminationofLeafBiochemistryUsingBand-DepthAnalysisofAbsorptionFeaturesandStepwiseMultipleLinearRegressionJ.RemoteSensingofEnvironment, 1999, 67(3): 267-287.13JamiesonPD,PorterJR,WilsonDR. AtestofthecomputersimulationmodelARCWHEAT1onwheatcropsgrowninNewZealandJ. Field Crops

36、 Research, 1991, 27(4): 337-350.14 Kimes D S, Idso S B, Pinter Jr P J, et al. View angle effects intheradiometric measurement of plant canopy temperaturesJ. RemoteSensing of Environment, 1980, 10(4): 273-284.15 Krishnan P, Alexander J D, Butler B, et al. Reflectancetechniqueforpredictingsoilorganicm

37、atterJ. SoilScienceSocietyofAmerica Journal, 1980, 44(6): 1282-1285.16Gutierrez-RodriguezM,Escalante-EstradaJ A, RodriguezgonzalezMT, etal. Canopyreflectance andyieldincommonbeanplants(PhaseolusvulgarisL.).I.Effectofnitrogen.EuropePubmedCentral, 2003, 46: 103-104.17 Sims D A, Gamon J A. Relationship

38、s between leaf pigment contentand spectral reflectance across a wide range of species,leafstructuresanddevelopmentalstagesJ.RemoteSensingofEnvironment, 2002, 81(23): 337-354.18ZhouQ F, LiuZ Y, HuangJ F. Detectionofnitrogen-overfertilizedriceplantswithleafpositionaldifferenceinhyperspectralvegetation

39、 indexJ. J Zhejiang Univ Sci B, 2010, 11(6): 465-470.19 Marshak A, Knyazikhin Y, Davis A B, et al. Cloud-vegetationinteraction: Use of Normalized Difference Cloud Index forestimation of cloud optical thicknessJ. Geophysical ResearchLetters,2000, 27(12): 1695-1698.20 Shibayama M, Akiyama T. Seasonal Visible, near-Infrared andMid-InfraredSpec