魏夏永 黄 茜 薄丽媛 毛晓敏*

(1.中国农业大学 水利与土木工程学院，北京 100083； 2.甘肃省武威绿洲农业高效用水国家野外科学观测研究站，甘肃 武威 733000)

玉米是我国的主要粮食作物之一，在国民经济和粮食安全中占有重要地位。氮素是玉米生长发育的必需要素，氮肥的施用时间和数量对玉米的生长、产量和品质具有重要影响。传统作物营养诊断以化学和物理法分析为主，周期长、时效差，且化学法具有破坏性。近年来随着高光谱遥感技术的发展以及精准农业的需求，高光谱技术越来越广泛地应用在农业领域。高光谱遥感具有准确、实时、无损等特点，可用于估算叶面积指数、探索作物生物量、区分作物类型、检测作物病虫害、评估作物残留、调查土壤特性以及评估叶片氮含量。

1980—2022年，基于高光谱遥感技术开展了很多关于作物氮素营养的研究。Wen等研究发现基于FDR光谱的回归模型能够预测叶片氮素的动态变化。Zheng等研究发现无人机搭载的高光谱能够有效监测水稻叶片的氮含量。Feng等研究发现基于高光谱反射率的模型可用于不同生长条件下小麦叶片氮素状况的可靠预测、可对小麦进行无损和实时的监测。Singh等研究发现基于高光谱冠层反射率的比值模型能够准确诊断出甜高粱的氮素情况，便于制定相应的施肥决策。Guo等研究发现利用高光谱特征波段建立的模型CARS-SPA-ANN，可以快速、无损、经济的估测出橡胶树叶片的氮含量。Xu等研究发现基于高光谱反射率的最佳组合方法能够有效评价大麦的叶片氮含量，便于科学合理的田间施肥管理。目前，可用于建立叶片氮含量的机器学习算法有很多，各有优缺点。例如偏最小二乘回归、支持向量机和随机森林模型等，偏最小二乘回归模型优点是计算简单、容易实现，缺点是不能拟合非线性数据。支持向量机模型优点是可以解决小样本机器学习问题，无需依赖整个数据，能够处理非线性的相互作用。缺点是样本量大时，效率低下，常规支持向量机模型只支持二分类。随机森林算法的优点是能有效解决非线性问题、泛化能力强、抗干扰能力强，训练速度快且容易实现；缺点是在某些噪声较大的分类或回归问题上会过拟合。随着机器学习方法的发展，近年来采用相关方法进行叶片含氮量监测研究得以逐步开展。Axelsson等研究发现红树林的叶片含氮量反演中支持向量机回归方法预测效果优于偏最小二乘回归算法。黄芬等研究发现在多颜色空间条件下对冬小麦含氮量预测上随机森林回归算法拟合效果优于支持向量机回归算法。已有研究表明，对于线性问题，偏最小二最乘回归算法具有良好的预测效果，但是对于非线性问题，随机森林算法具有良好的抗噪声能力，也不容易陷入过度拟合，更适合用于构建作物含氮量预测模型，预测精度更高。

Archontoulis等发现作物冠层氮含量具有明显的垂直异质性特征，可能对光谱反射产生影响，进而影响氮素反演精度。Duan等考虑氮垂直分布基于高光谱建立的冬小麦叶片总氮含量模型提高了预测精度和稳定性，能更有效地监测作物氮含量，提高施肥效率，减小生态环境的负担。Li等将氮垂直分布纳入冠层高光谱氮含量预测模型中，提高了监测模型的预测能力和普遍适用性。在冠层高光谱反演中将垂直分布引入模型可深入了解作物叶片氮素分布状况，指导农田施肥管理、提高施肥效率和降低因氮肥过量导致的环境污染。

目前有关氮素与施肥方式之间关系的研究报道较多。但作物叶片氮素含量也受到其他因素的影响，例如耕作措施和灌溉情况等。特别是在我国西北旱区，广泛采用了覆膜和节水灌溉等措施。目前，西北旱区植株不同垂直部位叶片的氮含量对高光谱反演规律的研究鲜见报道。本研究在西北旱区石羊河流域的玉米试验田对不同覆膜和灌水处理下玉米植株不同垂直部位叶片氮含量进行监测，采用分层取样测定叶片氮含量，基于随机森林算法建模的方法分析不同部位叶片氮含量的反演精度，旨在探究不同垂直部位叶片氮含量的垂直分布特征及遥感反演规律，以期为玉米生产中应用高光谱叶片氮含量估测模型对氮肥的科学精准施用提供依据。

1 材料与方法

1.1 试验区概况

2020年4—9月于甘肃武威绿洲农业高效用水国家野外科学观测研究站(37°52′ N，102°52′ E，海拔1 581 m)进行试验，该站位于腾格里沙漠边缘，属于典型的大陆性温带干旱沙漠气候区。年平均降水量164 mm，年平均蒸发量2 000 mm，年平均气温8 ℃，全年无霜期150 d左右，日照时长3 000 h以上。地下水埋深为40～50 m，试验区0～100 cm土壤以粉砂壤土为主，土壤干容重1.53 g/cm，田间持水率(体积含水率)为32%。

1.2 试验设计

玉米品种为‘先玉335’，覆膜设置3个水平，分别为不覆膜(M)，普通塑料膜(M)，生物可降解膜(M)，生物降解膜降解期为120 d；灌水量设置3个处理，分别为春玉米灌溉需水量的100%(

W

)、70%(

W

)、40%(

W

)。共9个处理，3次重复，27个小区，小区面积42 m，各小区设1 m保护带。2020年5月4日播种。南北向种植，行距40 cm，株距25 cm。采用“一带双行”的灌溉方式，滴灌带间距80 cm，滴头间距30 cm，滴头流量2.5 L/h。施肥按照当地经验，即播前施375 kg/hm的磷酸二铵(

w

PO≥46%，

w

KO≥18%，

w

≥18%)和375 kg/hm的氮磷钾复合肥(

w

PO≥15%，

w

KO≥15%，

w

≥15%)作为基肥，相当于施入有效磷(PO) 229 kg/hm，有效钾(KO) 124 kg/hm，纯氮量124 kg/hm。底肥采用边耕翻边施肥，追肥采用灌溉式施肥。追肥分3次，总共450 kg/hm的尿素，拔节期分2次，抽穗期1次。田间管理与当地农户管理一致。

1.3 试验监测指标及方法

在灌浆期和成熟期取样选择晴朗无风无云的天气测玉米的冠层反射率，取样日期分别为8月12日、8月18日、8月26日、9月2日、9月10日、9月18日，采集时间为10:30—14:00。用美国 Analytical Spectral Devices (ASD)公司的Field-Spec HandHeld2 型手持式地物光谱仪，该光谱仪的波段范围在325～1 075 nm，满足冠层含氮量敏感波段的要求(400～1 000 nm)。光谱仪视场角25°，光谱采样间距为1 nm，光谱分辨率3 nm。测定时传感器探头始终保持垂直向下，距玉米冠层1 m。每个试验小区选取有代表性的2个点，每个观测点连续采集10条冠层光谱数据，剔除异常值后，取平均值作为该小区的冠层光谱最终测量值。

在冠层光谱数据测定后，随即进行破坏性采样测定叶片氮含量。每个试验小区选取有代表性的2株玉米，27个试验小区，共54株玉米，只取叶片，将玉米主茎平均分为两段，上部端点下移20 cm为上部叶片；中间点下移20 cm为中部叶片；下部端点上移20 cm为下部叶片。分层后，放入烘箱105 ℃杀青30 min，然后85 ℃下烘至恒重。然后将烘干的叶片进行研磨。过1.0 mm筛，称取0.5 g左右，用浓硫酸在有催化剂的条件下消煮，消煮彻底后采用凯氏定氮法测定叶片氮含量。

1.4 氮含量估测模型的构建及模型精度评价

将高光谱原始数据导入光谱处理软件ViewSpecPro。对原始光谱采用五点移动平均法进行平滑处理。在灌浆期和成熟期共采集54个样本数据，对叶片氮含量进行排序，采取分层抽样的方式，选择38个样本进行氮含量估测随机森林模型构建，16个样本进行模型验证。采用决定系数(coefficient of determination，

R

)评价玉米叶片氮含量与模型输出值之间的拟合效果；应用实测值和预测值之间的均方根误差(root mean square error，RMSE)对模型的预测精度进行评价；利用相对预测偏差(relative prediction deviation，RPD)评价模型的预测能力。其中

R

越接近1，拟合效果越好。RMSE越小，预测精度越高。RPD<1.5表示预测能力差，模型不可靠；1.52.0表示模型稳定预测能力好。评价指标的计算公式如下：

(1)

(2)

(3)

式中：

y

为实测值；为实测值的平均值；

p

为预测值，为预测值的平均值；

n

为训练集/验证集样本个数；SD为验证集标准偏差。

2 结果与分析

2.1 不同覆膜和灌水处理对春玉米植株垂直部位叶片氮含量的影响

由图1可知，相同水分处理下(

W

)，在玉米植株上、中、下部叶片的氮含量均随时间推移逐渐减小。这是因为采样时间在灌浆和成熟期之间，在灌浆期之后叶片逐渐衰老，叶绿素含量会逐渐降低，叶绿素与叶片氮含量呈显著的线性正相关关系，所以叶片氮含量也会逐渐降低。

M0，不覆膜；M1，普通塑料膜；M2，生物可降解膜。3个灌溉需水量：W100，100%；W70，70%；W40，40%。下同。 M0， non-mulching； M1， ordinary plastic film； M2， degradable film. Three irrigation levels W100, 100%； W70， 70%；W40， 40%， respectively. The same below.图1 不同覆膜条件下的上(a)、中(b)和下(c)部叶片的氮含量Fig.1 Nitrogen content in upper (a), middle (b) and lower (c) leaves under different film mulching conditions

不同覆膜处理玉米植株叶片的氮含量由高到低为不覆膜(M)>生物可降解膜(M)>普通塑料薄膜(M)。这主要是由于作物生育期差别导致的。因为覆普通塑料膜的作物由于覆膜的升温保墒作用，生育期提前最多，叶片在采样期也最早开始衰老，所以氮含量也最低。M的上、中、下部叶片氮含量比M分别增加6.78%、5.10%、2.55%， M的上、中、下部叶片氮含量比M分别增加7.14%、5.24%、5.39%。

由图2可知，相同覆膜处理下，不同需水量的叶片氮含量由高到低为

W

>

W

>

W

。这是由于农田水分供应充足有利于提高氮肥效率，所以在相同覆膜处理情况下灌水越充足叶片氮含量越高。

W

的上、中、下部叶片氮含量比

W

分别增加6.84%、6.23%、7.74%。

W

的上、中、下部叶片氮含量比

W

分别增加4.41%、3.32%、9.49%。

图2 不同灌水条件下的上(a)、中(b)和下(c)部叶片的氮含量Fig.2 Nitrogen content in upper (a), middle (b) and lower (c) leaves under different irrigation condition

2.2 不同垂直部位叶片氮含量的变化规律

由图3可知，M

W

处理中玉米不同部叶片的氮含量由高到低为：上>中>下，氮含量从上到下依次减小。这是由于上部叶片和中部叶片的光合作用能力强于下部叶片，玉米内部发生氮迁移。试验结果表明玉米作物冠层垂直部位有着明显的氮含量阶梯，氮含量从上到下依次减小。M

W

处理，玉米植株上部叶片比中部叶片的氮含量增加7.44%，中部叶片比下部叶片增加7.60%。

图3 M0W100处理下不同垂直部位叶片氮含量变化Fig.3 Change of nitrogen content of leaves in different vertical parts for M0W100

2.3 不同覆膜和灌水处理对春玉米冠层反射率的影响

由图4可知，在相同覆膜条件下，冠层反射率在不同时期的变化趋势一致。在不同覆膜条件下，冠层反射率在不同时期的变化趋势也是一致的。这是由于在可见光波段400～760 nm，叶绿素吸收红光及蓝紫光，反射绿光，所以导致可见光波段内春玉米冠层反射率偏低。绿光波段500～580 nm反射峰一般出现在550 nm左右。红光波段(即620～760 nm)由于光合作用下叶绿素吸收大量红光所以形成一个吸收带。最后在近红外波段(即760～1 000 nm)春玉米冠层反射率呈现出一个高反射率的区域。在相同覆膜条件下，在可见光波段(400～760 nm)，冠层反射率随着灌水量的增加而降低，在近红外波段范围内，冠层反射率随着灌水量的增加而增加。

2.4 基于随机森林算法的不同垂直部位叶片氮含量模拟

由图5和表1可知，玉米植株上、中、下部叶片的氮含量拟合

R

分别为0.90、0.84、0.00；下部叶片氮含量拟合的

R

为0，下部叶片拟合效果很差，表明高光谱冠层反射率不能用于反演下叶片的氮含量估算。上、中部叶片的氮含量拟合RMSE分别为1.14、1.21 g/kg；上、中部叶片的氮含量验证

R

分别为0.63、0.73；上、中部叶片的氮含量验证RMSE分别为1.66、1.76 g/kg；上、中部叶片的氮含量验证RPD分别为1.57、1.30。上部和中部叶片的氮含量验证

R

均趋近于1.00，上部和中部叶片具有良好的拟合效果。上部叶片的氮含量验证RMSE(1.66 g/kg)小于中部叶片的RMSE (1.76 g/kg)，说明模型预测精度较高。所以不同部叶片的氮含量模型预测精度由高到低为上、中、下。上部叶片的氮含量验证RPD为1.57，1.50<1.57<2.00，说明模型的预测能力可接受，可进行粗略的预测。中部叶片的氮含量验证RPD为1.30，且<1.50，说明预测能力差，模型不可靠。因为基于随机森林的拟合方程与冠层反射率有关，冠层反射率作为自变量，所以叶片位置距离冠层越近预测能力和反演精度越高。刘露研究的基于高光谱的夏玉米氮素诊断模型，其中原始光谱敏感波段拟合方程

y

=3.18

x

的

R

为0.34，RMSE为0.31，预测精度较低，预测效果较差。上部叶片的氮含量拟合方程

R

为0.63，中部叶片拟合方程

R

为0.73，因此，采用随机森林模型算法构建的氮含量估测模型预测玉米垂直部位叶片氮含量效果优于原始光谱敏感波段。

图4 M2(a)、M1(b)和M0(c)处理下的春玉米冠层反射率变化Fig.4 Changes of spring maize canopy reflectance under M2 (a), M1 (b) and M0 (c) treatments

图5 基于随机森林的上(a)、中(b)和下(c)部叶片氮含量的拟合Fig.5 Fitting results of leaf nitrogen content in upper (a), middle (b) and lower (c) based on the Random forest

表1 基于随机森林模型玉米不同垂直部位叶片氮含量的 验证(反射率400～1 000 nm)
Table 1 Verification results of leaf nitrogen content in different vertical parts based on Random forest(reflectivity 400-1 000 nm)

叶片部位Leaves levelR2RMSE/(g/kg)RPD上部 Upper0.631.661.57中部 Middle0.731.761.30

3 讨 论

本研究得到的覆膜和水分处理的规律，与赵引的研究覆膜具有保温增熵的作用有类似的结果，由于覆膜具有保温增熵的作用，生育期提前，灌浆期后取样，叶片衰老得快，所以叶片氮含量较低。水分充足的条件下，植株氮利用效率高，叶片氮含量也表现较高。垂直部位叶片氮含量规律也和Ghasemi、Chen、Hirose研究一致，即呈现从上到下氮含量依次减少的趋势。本研究采用了随机森林算法与不同垂直部位叶片氮含量实测相结合的形式。结果表明采用该方法的验证效果比原始光谱数据拟合好，见表1，随机森林预测精度更高，预测效果更准确。其次通过不同垂直部位叶片氮含量的拟合结果发现不同部位叶片氮含量预测精度从上往下精度依次降低，因此，通过将叶片垂直分布引入氮含量估测模型中发现上部的叶片预测精度高，为玉米叶片氮含量预测取样时挑选取样部位提供了选取依据。由于大田试验干扰因素较多，下一步可考虑通过主成分分析与随机森林法等相结合的方式进行全生育期不同垂直部位叶片氮含量的高光谱反演。

4 结 论

1)相同覆膜条件下，在可见光波段(400～760 nm)，冠层反射率随着灌水量的增加而降低，在近红外波段(760～1 000 nm)，冠层反射率随着灌水量的增加而增加。

2)基于随机森林机器学习算法构建的氮含量估测模型可用于预测春玉米不同垂直部位叶片氮含量。不同部位叶片的氮含量估测精度由高到低为上部>中部>下部。