尚　艳，常庆瑞，刘秀英,2，王晓星，田明璐

(1 西北农林科技大学 资源环境学院，陕西 杨凌712100；2 河南科技大学 农学院，河南 洛阳471003)



关中地区小麦冠层光谱与氮素的定量关系

尚艳1，常庆瑞1，刘秀英1,2，王晓星1，田明璐1

(1 西北农林科技大学 资源环境学院，陕西 杨凌712100；2 河南科技大学 农学院，河南 洛阳471003)

[摘要]【目的】 分析不同生育期及整个生育期小麦叶片氮含量(LNC)与冠层光谱反射特征的关系，以实现对田间小麦活体氮素营养状况的监测，为小麦叶片氮素状况的精确诊断提供依据。【方法】 以位于陕西关中地区杨凌揉谷镇、扶风马席村和巨良农场的3个小麦试验田为研究对象，测定不同长势及生育期小麦LNC及冠层光谱反射率，分析不同长势下小麦LNC和反射率的变化，并研究氮含量与冠层光谱反射率的相关性，以及小麦LNC与比值植被指数(RVI)、归一化植被指数(NDVI)的相关性，建立小麦LNC的敏感波段及光谱监测模型。【结果】 在同一生育期，长势差的小麦叶片氮含量较低，长势较好的叶片氮含量高。与单波段相比，组合波段构成的植被指数RVI、NDVI与LNC的相关性明显提高，近红外波段(730～1 075 nm)和红波段630，660，690 nm组成组合波段的RVI、NDVI与LNC呈极显著正相关，其中LNC与RVI的相关性较高。利用独立的小麦田间试验数据，采用通用的均方根差(RMSE)、决定系数(R2)、准确度(斜率)3个指标对所建立的模型进行检验，最终选取RVI(970,690)为监测小麦LNC的最佳光谱参数，构建的最佳模型为LNC=0.176 3×RVI(970,690)0.775 6，R2为0.863，RMSE为0.137，准确度为 0.979，接近于1。【结论】 利用小麦冠层光谱反射率构建了预测小麦LNC的最佳模型，该模型具有较好的准确度和普适性，适用于整个生育期小麦叶片氮含量的监测。

[关键词]小麦；叶片氮含量；冠层高光谱反射率；比值植被指数；定量分析；监测模型

氮素是植物生长必不可少的营养元素，占植物体干质量的0.3%～0.5%[1]。氮素是植物体内许多重要有机化合物的组分，也是遗传物质的基础，对植物生命活动以及作物产量和品质均有极其重要的作用。植株全氮含量可以很好地反映作物氮素营养状况，与作物产量也有很好的相关性[2]；氮也是作物蛋白质、核酸、叶绿素、辅酶等的重要组成成分，对作物的生长、产量和品质影响最为显著，为作物的光合作用、生态系统生产提供着重要支持[3]。因此，快速无损地实时监测作物长势、营养状况及产量形成等是精确农作管理的主要内容之一[4]。

传统的氮素营养监测是以实验室分析为基础，时效性差。有研究表明，在波长为550～675 nm时甜椒叶片氮含量与叶片反射系数具有高度相关性，所预测的氮含量与实际测量的误差小于7%，说明植物的光谱分析法有可能较为简便、精确、快速，可非破坏性地监测植物氮素营养[5]。近年来，随着高光谱遥感的兴起，许多学者通过各种统计方法来寻求氮含量与光谱反射率或其衍生量的关系，并建立模型来估算作物的氮素含量。国内外许多学者在大豆[6]、水稻[7-8]、玉米[9]、小麦[10-13]等作物上研究了氮素敏感光谱波段与植被指数的关系。前人对杂草和花卉植物的研究发现，500～750 nm光谱反射率与植物叶片氮含量具有很高的相关性，提出550～600与800～900 nm光谱反射率的比值可以用于监测植株氮素状况[3]。宋英博[14]在研究以不同施氮水平下大豆反射光谱预测叶片氮含量的模型中发现，在530，550，890，930 nm 4个波段的光谱反射率与大豆叶片氮含量的相关性达显著或极显著水平。周冬琴等[15]在研究水稻叶片全氮浓度与冠层反射光谱的定量关系中发现，归一化植被指数NDVI[1 220,710]为反演群体叶片全氮浓度的最佳光谱参数。李映雪等[4]初步研究表明，叶片氮含量与冠层反射光谱的NDVI[1 220,710]和红边位置均有密切的定量关系。薛利红等[5]的研究表明，由660和460 nm 两波段反射率组成的冠层植被指数可以较好地反映小麦叶片氮含量。吴华兵等[16]、朱艳等[17]建立了棉花叶片氮含量的敏感波段及预测模型。

但是冠层光谱反映的是植被群体信息，包括茎、叶、穗及土壤背景光谱，且其又受大气吸收散射的影响，不同条件下这些影响因子是不同的，所建立的氮素光谱诊断模型也不能用于其他时空条件[5]。综合前人研究结果，叶片氮含量的适宜特征光谱随作物、试验条件的不同而有所差异，其中在小麦上的研究结果则由于受到试验年份、氮素处理和小麦品种类型的限制，而需要进一步的探索和明确[4]。为此，本研究在关中地区选用3个不同试验田的一些代表性小麦，通过对测量数据进行一阶微分、植被指数转换等处理，系统分析了不同生育期以及整个生育期小麦叶片氮含量与冠层光谱反射特征的关系，以期建立一个不受生育时期影响的通用小麦叶片氮素诊断模型，实现对田间小麦活体氮素营养状况的监测，为小麦叶片氮素状况的精确诊断提供依据。

1材料与方法

1.1试验设计

本研究选择了3个不同的小麦田间试验区，分别在陕西省杨凌区揉谷镇石家村、宝鸡市扶风县杏林镇马席村和巨良农场。综合分析小麦群体密度及株高，将小麦长势划分为7个梯度，分别用S1、S2、S3、S4、S5、S6、S7表示，其中S1为长势稀疏、株高最低的小麦，S7为长势稠密、株高最高的小麦。在各试验区选择不同长势的小麦地块，形成一个天然的叶片氮含量梯度。其中，揉谷试验区(RG)选取了5个长势梯度，马席试验区(MX)选取了5个长势梯度，巨良农场试验区(JL)选取了7个长势梯度，共计17个地块进行野外田间观测和样品采集。

1.2研究方法

1.2.1光谱数据的采集小麦冠层光谱数据的采集使用美国ASD Fieldspec HH 型野外光谱辐射谱仪，光谱波长325～1 075 nm，光谱分辨率5 nm。在小麦的返青期(2013-03-30)、拔节期(2013-04-14)、抽穗期(2013-05-02)、灌浆期(2013-05-19)测定其冠层光谱反射率。测量选择在晴朗无云的天气进行，测量时间为当天10:30-14:00。测量前均用白板进行标定，25°视场角，传感器探头垂直向下，距离冠层顶部高度约0.8 m。每个地块选择3个样点，每个样点测量10条光谱曲线，取平均值作为该样点的光谱测量值。每期共测得51个样点在325～1 075 nm的光谱反射率。

1.2.2叶片全氮含量的测定与光谱测量同步，在每个试验区的3个样点分别取适量小麦植株样品，带回实验室在105 ℃下杀青30 min，80 ℃下烘干至恒质量，然后粉碎装袋供化学分析。小麦植株氮素含量(质量分数)采用凯氏定氮法[5]进行测定。

1.3数据分析与应用

本研究以揉谷(RG)和马席(MX)试验田的试验数据为基础，首先对小麦冠层反射光谱与各生育期及全生育期的叶片氮含量进行相关分析，在此基础上筛选出与叶片氮含量显著相关的敏感波段；其次利用敏感波段与近红外波段构造比值植被指数(RVI)及归一化植被指数(NDVI)，并进行相关性分析，从而筛选出表现较好的光谱波段及植被指数；最后通过回归分析，建立小麦叶片氮含量与光谱反射率之间的定量关系模型。利用巨良农场试验田的样点数据进行验证，验证结果用均方根误差(RMSE)、决定系数(R2)、准确度(斜率)等指标值判定。

植被指数的计算公式为：比值植被指数(RVI)=Nir/Red，归一化植被指数NDVI=(Nir-Red)/(Nir+Red)；其中Nir表示近红外波段的反射率，Red表示红波段的反射率。均方根误差的计算公式为：

式中：n为样本数，Pi和Qi分别为第i个样本的预测值和观测值。

2结果与分析

2.1不同长势水平下各生育期小麦叶片的氮含量

叶片氮含量是表征作物叶片氮素状况的主要指标。由表1可以看出，在同一生育时期，长势较差的叶片氮含量较低，长势较好的叶片氮含量较高；且长势较好的小麦叶片平均氮素含量是长势较差小麦叶片的2.13倍。在不同生育期同一长势下，随着生育期延长，小麦叶片氮素含量总体呈下降趋势，其中返青期小麦叶片氮含量基本最高，之后随着时间推移，氮素转移到植株和籽粒中，氮含量降低。

如表1所示，在揉谷、马席试验田各生育期内，叶片氮含量的差异较为明显。但是各生育期内随着长势越来越好，叶片氮含量变化趋势偶尔会出现波动，这可能是由于在实验室将样品粉碎时混入了其他杂质，如土粒等，从而影响了叶片氮含量的检测结果。

表 1　陕西关中地区不同长势水平下各生育期的小麦叶片氮含量

2.2小麦冠层原始光谱变化规律

各种农作物的光谱曲线一方面反映了其对太阳光从可见光到近红外区间各波段的反射强度，另一方面也反映出各种作物由于内部组织结构、冠层结构的不同在各波段反射光谱结构的差异性。小麦的反射光谱特征在整个生育期差异很大，在不同的生长阶段，对太阳光的反射明显不同。

图 1陕西关中地区不同长势水平下小麦冠层的光谱反射率(返青期)

Fig.1Wheat canopy spectral reflectance with different growing conditions in Guanzhong,Shaanxi (Green period)

如图1所示，不同长势水平下小麦冠层光谱反射率变化趋势基本一致。由于长势不同，小麦叶片氮含量呈现出较明显的差异。随着长势越来越好，氮含量不断增加，在可见光区(400～710 nm)，冠层光谱反射率在550 nm附近有较大差异。由图1可知，S1有较好的反射率，之后随着长势渐好，反射率逐渐降低，到S5时反射率又有所回升；在近红外波段(760～1 075 nm)，S1的反射率最低，之后逐渐升高，且不同长势之间反射率差异比较明显。在近红外区域，氮含量最低的S1光谱反射率最小，氮含量最高的S5光谱反射率最高。

图 2陕西关中地区不同生育期小麦冠层的光谱反射率

Fig.2Wheat canopy spectral reflectance under different growing periods in Guanzhong,Shaanxi

由图2可知，不同生育期小麦冠层光谱反射率有较大差异。由于绿色植物叶片的叶绿素对可见光(尤其是红光波段)有较强烈的吸收作用，因此植物叶片的反射和透射都很低。在可见光(400～710 nm)区域，由于色素的强烈吸收，冠层光谱反射率存在2个吸收谷和1个反射峰，即450～550 nm的蓝谷、650～700 nm的红谷，以及550 nm附近的绿峰；随着生育期的推进，小麦冠层光谱在返青期与拔节期有较高的反射率，到抽穗期有所下降，到灌浆期又有所回升，这可能是受叶绿素的影响较大所致。在近红外区域，冠层光谱反射率的变化情况与可见光区域不同，随着生育期的推进，冠层光谱反射率逐渐下降。由于受到叶片结构的影响，在750～1 075 nm波段出现一个较高的反射平台，反射率在35%左右，这可能是叶片内部组织结构复杂，细胞层多次反射的结果[14]。

2.3单波段反射率与小麦叶片氮含量的相关性

对揉谷、马席全生育期所有数据的相关分析表明，叶片氮含量与可见光波段(400～720 nm)反射率呈负相关，其中在583～704 nm波段达到极显著水平，相关系数为-0.408～-0.559。叶片氮含量与近红外波段(730～1 075 nm)反射率呈极显著正相关，相关系数为0.433～0.815，同时形成一个反射平台，主要是由于氮含量的不同，导致叶绿素含量、叶面积指数和生物量不同。从图3可以看出，小麦叶片氮含量与单波段反射率的相关性从负相关转到正相关，其中可见光波段的相关系数低于近红外波段。同时，通过相关性分析发现，红波段630，660，690 nm以及近红外波段780，970 nm等波段处反射率的相关性较好，因此可以利用小麦冠层在630，660，690，780，970 nm等波段处的反射率差异显著性来区分氮含量的高低。

图 3　陕西关中地区小麦冠层反射率与叶片氮含量的相关关系

同时对揉谷、马席试验田各个生育期小麦叶片氮含量与冠层光谱反射率进行相关性分析，发现二者相关系数并未高于全生育期的相关系数，因此本研究重点在于建立一个适用于全生育期的小麦氮素监测模型。

2.4比值植被指数(RVI)和归一化植被指数(NDVI)与小麦叶片氮含量的关系

冠层光谱反映的是植被群体信息，包括茎、叶、穗及土壤背景光谱，同时又受大气吸收散射的影响，进而影响了敏感波段的差异显著性，但若用两个波段的组合则可以扩展地物特别是植被间的光谱差异，提高光谱诊断的精度[14]。本研究利用红波段630，660，690 nm和所有近红外波段构造两波段的比值植被指数(RVI)及归一化植被指数(NDVI)(相关数据省略)。研究发现，红波段630，660，690 nm与近红外波段780，970 nm组合而成的植被指数与叶片氮含量的相关性较高。与单波段相比，组合波段构成的植被指数与叶片氮含量的相关性明显提高，在整个生育期内二者呈极显著正相关。因此，本研究选择红波段630，660，690 nm和近红外780，970 nm组合成的RVI及NDVI来估算小麦叶片氮含量，建立小麦叶片氮含量的高光谱估算模型，从中筛选出与叶片氮含量决定系数R2最大的拟合方程作为最佳模型，拟合结果见表2。

表 2　不同组合波段下RVI、NDVI(X)与叶片氮含量(Y)的回归方程

图 4NDVI[780，630]、RVI(780，630)与小麦叶片氮含量的关系

Fig.4Relationship of wheat leaf nitrogen content with NDVI [780,630] and RVI (780,630)

2.5模型验证

由表2可知，通过对组合波段光谱反射率与叶片氮含量的线性、指数、对数、乘幂和多项式的相关分析，发现叶片氮含量与比值植被指数(RVI)呈显著的幂函数关系，与归一化植被指数(NDVI)呈显著的指数函数关系，且在相同波段组合中，比值植被指数与氮含量的决定系数R2大于归一化植被指数。图4为基于NDVI[780，630]、RVI(780，630)建立的小麦叶片氮含量估算模型拟合效果。

为了检验监测模型的可靠性与普适性, 本研究从巨良农场试验区中筛选出部分数据对上述回归方程分别进行验证。采用通用的均方根误差(RMSE)、决定系数R2、准确度(斜率)3个指标进行检验，模型的预测精度如表3所示。

表 3　构建的RVI、NDVI与叶片氮含量模型预测精度的检验

由表3可知，所选取的小麦叶片氮含量估算模型均具有良好的检验结果，其中以RVI(970,690)最佳。

通过综合分析建模过程及模型检验结果，本着拟合R2和预测R2相对较高而RMSE较小、斜率接近于1的原则，本研究选择RVI(970,690)建立小麦叶片氮含量的估算模型，建立的估算模型为Y=0.176 3X0.775 6。图5为根据该模型计算的小麦叶片氮含量预测值与实测值的比较，其预测决定系数R2为0.863，RMSE为0.137，准确度(斜率)为 0.979，接近于1，说明在关中地区该模型对小麦叶片氮含量的预测具有较好的准确度和普适性。

图 5小麦叶片氮含量预测值与观测值的比较

Fig.5Comparison of predicted and observed

wheat leaf nitrogen contents

3结论

本研究通过分析陕西关中地区揉谷镇、扶风马席村和巨良农场3块不同小麦田的试验数据，探讨不同长势下小麦冠层光谱与叶片氮含量的定量关系。研究结果表明，冠层单波段反射率中，叶片氮含量与可见光波段(400～720 nm )反射率呈负相关，与近红外波段(730～1 075 nm)反射率呈极显著正相关；各个生育期小麦叶片氮含量与冠层光谱反射率相关分析的相关系数低于全生育期的相关系数，因此本研究建立了一个适用于全生育期的小麦氮素监测模型。

本研究发现，红波段630，660，690 nm处的冠层光谱反射率与叶片氮含量的相关系数较高；与NDVI相比，波段组合构成的RVI表现较好。利用RVI与NDVI检测小麦叶片氮含量时发现，叶片含氮量与RVI呈显著的幂函数关系，与NDVI呈显著的指数函数关系，且决定系数R2均在0.6以上，其中RVI的检测效果较好。利用RVI(970,690)与小麦叶片氮含量进行回归分析，方程拟合效果较好(R2=0.642)。通过不同的独立数据(巨良农场试验田)对模型进行验证，该模型的精度最高(RMSE=0.137，R2=0.863)，表明在关中地区该模型在不同的试验条件下具有较好的普适性。

本研究建立的小麦叶片氮素诊断模型适用于全生育期，但监测模型是在同一年不同大田实验资料上构建的，若今后能通过长期检验并不断完善，将对大田小麦氮素监测与诊断具有更大的应用价值。本研究运用冠层光谱特征特别是比值植被指数可以较好地监测和诊断小麦叶片氮素状况，此结论与薛利红等[5]的研究结果较为接近。

[参考文献]

[1]冯伟,王永华,谢迎新,等.作物氮素诊断技术的研究综述 [J].中国农学通报,2008,24(11):179-185.

Feng W,Wang Y H,Xie Y X,et al.Review of study on technique of crop nitrogen diagnosis [J].China’s Agriculture Notified,2008,24(11):179-185.(in Chinese)

[2]Leight R A,Johnson A E.Nitrogen concentration in field grow-nspring barely:an experiment of the usefulness of expecting concentrationon the basis of tissue water [J].Journal of Agriculture Science Cambridge,1985,105:397-406.

[3]吕小娜.不同供氮水平烤烟冠层光谱特性及其农学参数估测 [D].四川雅安：四川农业大学，2012.

Lü X N.Analysis of hyperspectral on flue-cured tobacco and its agricultural parameter estimation under different nitrogen levels [D].Ya’an，Sichuan:Sichuan Agricultural University,2012.(in Chinese)

[4]李映雪,朱艳,田永超,等.小麦叶片氮含量与冠层反射光谱指数的定量关系 [J].作物学报,2006,32(3):358-362.

Li Y X,Zhu Y,Tian Y C,et al.Quantitative relationship between leaf nitrogen concentration and canopy reflectance spectra [J].Acta Agronomica Sinica,2006,32(3):358-362.(in Chinese)

[5]薛利红,曹卫星,罗卫红,等.小麦叶片氮素状况与光谱特性的相关性研究 [J].植物生态学报,2004,28(2):172-177.

Xue L H,Cao W X,Luo W H,et al.Correlation between leaf nitrogen status and canopy spectral characteristics in wheat [J].Acta Phytoecologica Sinica,2004,28(2):172-177.(in Chinese)

[6]宋开山,张柏,王宗明,等.大豆叶绿素含量高光谱反演模型研究 [J].农业工程学报,2006,22(8):16-21.

Song K S,Zhang B,Wang Z M,et al.Inverse model for estimating soybean chlorophyll concentration using in-situ collected canopy hyperspectral data [J]. Transactions of the Chinese Society of Agricultural Engineering,2006,22(8):16-21.(in Chinese)

[7]薛利红,曹卫星,罗卫红,等.基于冠层反射光谱的水稻群体叶片氮素状况监测 [J].中国农业科学,2003,36(7):807-812.

Xue L H,Cao W X,Luo W H,et al.Diagnosis of nitrogen status in rice leaves with the canopy spectral reflectance [J].Scientia Agricultura Sinica,2003,36(7):807-812.(in Chinese)

[8]朱艳,李映雪,周冬琴,等.稻麦叶片氮含量与冠层反射光谱的定量关系 [J].生态学报,2006,26(10):3463-3469.

Zhu Y,Li Y X,Zhou D Q,et al.Quantitative relationship between leaf nitrogen concentration and canopy reflectancespectra in rice and wheat [J].Acta Ecologica Sinica,2006,26(10):3463-3469.(in Chinese)

[9]张俊华,张佳宝,贾科利.不同施肥条件下夏玉米光谱特征与叶绿素含量和LAI的相关性 [J].西北植物学报,2008,28(7):1461-1467.

Zhang J H,Zhang J B,Jia K L.Correlation between summer maize spectral reflectance and leaf chlorophyll,LAI under different fertilizations [J].Acta Botanica Boreali-Occidentalia Sinica,2008,28(7):1461-1467.(in Chinese)

[10]冯伟,姚霞,田永超,等.小麦籽粒蛋白质含量高光谱预测模型研究 [J].作物学报,2007,33(12):1935-1942.

Feng W,Yao X,Tian Y C,et al.Predicting grain protein content with canopy hyperspectral remote sensing in wheat [J].Acta Agronomica Sinica,2007,33(12):1935-1942.(in Chinese)

[11]姚霞,朱艳,田永超,等.小麦叶层氮含量估测的最佳高光谱参数研究 [J].中国农业科学,2009,42(8):2716-2725.

Yao X,Zhu Y,Tian Y C,et al.Research of the optimum hyperspectral vegetation indices on monitoring the nitrogen content in wheat leaves [J].Scientia Agricultura Sinica,2009,42(8):2716-2725.(in Chinese)

[12]冯伟,朱艳,田永超,等.基于高光谱遥感的小麦叶片氮积累量 [J].生态学报,2008,28(1):23-32.

Feng W,Zhu Y,Tian Y C,et al.Monitoring leaf nitrogen accumulation with hyper-spectral remote sensing in wheat [J].Acta Ecologica Sinica,2008,28(1):23-32.(in Chinese)

[13]李映雪,朱艳,田永超,等.小麦叶片氮含量与冠层反射光谱指数的定量关系 [J].作物学报,2006,32(3)：358-362.

Li Y X,Zhu Y,Tian Y C,et al.Quantitative relationship between leaf nitrogen concentration and canopy reflectance spectra [J].Acta Agronomica Sinica,2006,32(3):358-362.(in Chinese)

[14]宋英博.不同施氮水平下大豆反射光谱预测叶片氮含量模型 [J].大豆科学,2010,29(4):641-644.

Song Y B.Predictingmodel of soybean leaf nitrogen content by leaf reflectance spectra under different nitrogen supply levels [J].Soybean Science,2010,29(4):641-644.(in Chinese)

[15]周冬琴,田永超,姚霞,等.水稻叶片全氮浓度与冠层反射光谱的定量关系 [J].应用生态学报,2008,19(2):337-344.

Zhou D Q,Tian Y C,Yao X,et al.Quantitative relationships between leaf total nitrogen concentration and canopy reflectancespectra of rice [J].Journal of Applied Ecology,2008,19(2):337-344.(in Chinese)

[16]吴华兵,朱艳,田永超,等.棉花冠层高光谱指数与叶片氮积累量的定量关系 [J].作物学报,2007,33(3):518-522.

Wu B H,Zhu Y,Tian Y C,et al.Relationship between canopy hyperspectral index and leaf nitrogen accumulation in cotton [J].Acta Agronomica Sinica,2007,33(3):518-522.(in Chinese)

[17]朱艳,吴华兵,田永超,等.基于冠层反射光谱的棉花叶片氮含量估测 [J].应用生态学报,2007,18(10):2263-2268.

Zhu Y,Wu H B,Tian Y C,et al.Estimation of nitrogen concentration in cotton leaf based on canopy reflectance spectra [J].Journal of Applied Ecology,2007,18(10):2263-2268.(in Chinese)

Quantitative relationship between wheat canopy spectrum and nitrogen in Guanzhong area

SHANG Yan1,CHANG Qing-rui1,LIU Xiu-ying1,2,WANG Xiao-xing1,TIAN Ming-lu1

(1CollegeofNaturalResourcesandEnvironment,NorthwestA&FUniversity,Yangling,Shaanxi712100,China;2AgronomyCollege,HenanUniversityofScienceandTechnology,Luoyang,Henan471003,China)

Abstract:【Objective】 Relationship between wheat leaf nitrogen content (LNC) and canopy spectral reflection characteristics during different growth periods and the whole growth period was analyzed to realize the monitoring of living nitrogen nutrition in field and provide basis for accurate diagnosis of wheat leaf nitrogen status.【Method】 In this paper, experiments were conducted in three wheat fields located in Shaanxi Guanzhong region including Yangling Rougu,Fufeng Maxi village,and Juliang farm.Leaf nitrogen content (LNC) and canopy spectral reflectance of wheat at different growth periods and the whole growth period were measured and the changes in LNC and reflectance and correlation between them were analyzed.Ratio vegetation index (RVI) and normalized difference vegetation index (NDVI) were also investigated to establish a monitoring model for LNC sensitive wave bands and spectrum.【Result】 In same stage and different growing conditions,poor wheat leaves had lower LNC than well growing leaves.LNC had higher correlations with vegetation indexes of combined bands than with vegetation indexes of single band.RVI and NDVI of combined near infrared bands (730-1 075 nm) and red bands (630,660 and 690 nm) showed significantly positive correlations with LNC,and RVI showed the best relationship.Based on independent wheat field experimental data,root mean square difference (RMSE),determination coefficient (R2),and accuracy (slope) were used to test the established model and RVI of R970 and R690 was selected as the best parameter for predicting LNC.The quantitative equation was LNC=0.176 3×RVI (970,690)0.775 6with R2 of 0.863,RMSE of 0.137 and slope of 0.979.【Conclusion】 The established optimal model for forecasting wheat leaf nitrogen content (LNC) using wheat canopy spectral reflectance had good accuracy and universality and was suitable for monitoring LNC at the whole growth period.

Key words:wheat;leaf nitrogen content;crown height spectral reflectance;RVI;quantitative analysis;monitoring model

DOI：网络出版时间:2016-04-0709:0010.13207/j.cnki.jnwafu.2016.05.006

[收稿日期]2014-10-15

[基金项目]国家“863”高技术研究发展计划项目(2013AA102401)；“十二五”国家科技支撑计划项目(2012BAH29B04)；河南省科技攻关计划项目(132102110210)

[作者简介]尚艳(1988-)，女，陕西榆林人，在读硕士，主要从事遥感模型与信息处理研究。E-mail:shangyan1114@126.com[通信作者]常庆瑞(1959-)，男，陕西榆林人，教授，博士生导师，主要从事地物波谱特性测试与遥感模型反演研究。E-mail:changqr@nwsuaf.edu.cn

[中图分类号]S127

[文献标志码]A

[文章编号]1671-9387(2016)05-0038-07

网络出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20160407.0900.012.html