丁雅 王振锡 瞿余红 刘玉霞 李园

(新疆农业大学 ，乌鲁木齐，830052)

N素是植物的三大主要营养元素之一，直接或间接影响植物的生长发育。而且，临界期施用N肥对作物和果树的产量、质量、品质等具有重要影响。传统的N素检测主要通过常规室内化学定量分析、看苗施肥和叶色卡等定性与半定量的方法进行。这些检测手段不仅具有破坏性，而且费时、费力，检测成本高[1]，不适宜于大面积植被养分快速监测[2]。近年来，高光谱技术作为农作物N素质量分数无损定量检测的方法受到学术界的广泛关注，其实时、快速、精准、无损获取作物生长状况及植株生化组分信息的特点，为作物N素营养的无损监测提供了新的技术手段和方法[3]。许多学者在植被叶片光谱与N素质量分数关系方面开展了大量研究。张国圣等[4]开展的水稻(Oryzasativa)叶片氮素估测表明，光谱数据的一阶微分变换能够提高光谱数据与水稻叶片氮素质量分数的相关性，且与其他生育期相比，水稻齐穗期构建的模型最优。李永梅等[5]研究发现，水稻在分蘖期叶片氮素质量分数与归一化差值植被指数的建模效果较好。由于植被水分状况对氮素质量分数具有一定影响，当水分胁迫时，能够造成植物光谱红边位置等发生偏移，可以采用微分光谱构建红边面积光谱参量估测棉花(Gossypiumspp.)叶片氮素质量分数[6]。在玉米(Zeamays)拔节期[7]、开花吐丝期[8]和玉米灌浆期[9]对氮素质量分数能够进行有效估测，指导作物的施肥量[10]。冬小麦(Triticumaestivum)在拔节期、抽穗期和灌浆期[11-13]，以光谱指数DS，I(771,755)为自变量，利用逐步回归、偏最小二乘法建立的回归模型检验精度相对较高[14]。此外，部分学者还开展了不同光谱转换后，以单一敏感波段、构建光谱参量等为自变量构建了苹果(Maluspumila)[15-16]、杨属(Populus)[17]梨(Pyrusspp.)[18]、桃(Amygdalus)[19]、橡胶(Heveabrasiliensis)[20]等树种叶片光谱估算氮素质量分数的模型，并取得了较好的效果。综上，植被叶片光谱与N素质量分数关系研究主要集中在作物方面，木本植被方面的研究相对较少。此外，合理的光谱数据转换、适宜的光谱特征变量和模型类型的选择均能够在不同程度上提高氮素质量分数拟合模型的精度。新疆枣(Ziziphu)种植面积达150万hm2，占全疆林果总面积的30%以上，已成为新疆第一大林果树种。由于存在栽培、管理技术落后，缺乏科学施肥和营养诊断技术等问题，已经严重制约了新疆枣产业健康快速发展。高效、无损的N素质量分数监测技术能够指导果农自主施肥，减少盲目施肥的弊端。从枣的需肥规律来看，6月份为枣树开花期，这一时期枣树开花坐果与幼果生长同时进行，对N肥的需求量较大。鉴于此，文中以阿克苏地区红旗坡农场规模栽植的枣为研究对象，通过分析6月份枣叶片高光谱与N素质量分数的相关关系，建立基于高光谱的枣叶片N素质量分数估测模型，为实时快速地开展枣营养诊断、长势监测等提供有效途径，为卫星遥感大面积营养诊断提供技术支撑。

1 材料与方法

1.1 材料

新疆阿克苏地区因其独特的气候和光热条件，为枣的生长提供了适宜的环境。本研究于2016年6月份，在新疆阿克苏地区红旗坡农场随机选取8个枣生产园，每个生产园随机选取生长旺盛，树龄为7 a的8棵样株。为了兼顾不同光照分布下叶片N素质量分数情况，在水平方向上每棵样株分别从阴面、中面和阳面三个方向确定采样区域，在垂直方向上以叶片生长较稳定、受到外界干扰较少的树冠中部由上至下采集3片叶片。叶片采集后，放置密封袋中暂存，并迅速带回实验室进行叶片光谱和N素质量分数测定，共采集192个叶样(576个叶片)。

1.2 光谱反射率数据测定

高光谱反射率测定采用美国公司生产的(FieldSpec4-Hi-Res)高光谱ASD测定仪，波段范围为350～2 500 nm，其中350～1 000 nm光谱采样间隔为1.4 nm，光谱分辨率为3 nm；1 000～2 500 nm光谱采样间隔为2 nm，光谱辨率为10 nm，输出波段数为2 151(光谱采样间隔为1 nm)。测定叶片是在可控制光照条件的室内进行。将叶样置于黑色橡胶板上，视场角25°，探头垂直向下，距样品表面0.01 m；光源为50 W卤化灯，光源垂直高度0.40 m，入射角度45°。将试验区采集的枣叶片迅速带回实验室，清洁每个待测叶片表面，在叶片叶脉左右两侧中部各取一个采集位置。为了消除外界干扰以保证精度，每个样品测定3个叶片光谱，记录10个采样光谱，共计30条光谱曲线以其平均值作为该样本的光谱反射率。测量过程中，每隔30 min进行一次白板校正。

1.3 氮(N)素质量分数测定

对测定光谱的枣叶片，用脱脂棉擦拭干净，每3个枣叶片混样作为一个样本，去除主叶脉，80 ℃下烘干，粉碎，称取(0.170±0.001)g叶片为样品。然后对样品进行H2SO4-H2O2消煮、滴定、过滤，最后采用凯氏定N法[21]分别测定枣叶片N素质量分数。

1.4 数据处理

利用光谱处理软件View Spec Pro5.对叶片光谱反射率数据进行处理，借助EXCEL和SPSS.19软件进行统计分析和绘图。为了减小光照、背景光谱以及仪器噪声对目标物光谱反射率的影响[22-23]，文中对原始光谱进行一阶微分(FD，R)、对数(lgR)、对数一阶微分(lgR)′、倒数(1/R)、倒数一阶微分(1/R)′和二阶微分(SD，R)等6种方式光谱数据变换，进而分析枣叶片光谱与N素质量分数的相关关系。

1.5 模型构建与检验

试验共采集192个光谱样本，根据统计方法中拉依达准则法，将观测数据中与平均值的偏差超过两倍标准差范围的数据利用SPSS进行剔除，剔除异常值后，保留169个样本，随机选取111个样本建模，剩余58个样本供检验。利用SPSS21.0软件进行相关性分析，选择与氮素质量分数相关系数值最大的前两个波段，对这两个波段的光谱数据进行算术相加、相减、相乘、相除以及相加相乘后取常用对数(简称对数，下同)等数学处理，将所得光谱反射率数据或其衍生光谱变量作为自变量，以枣叶片N素质量分数为因变量，建立线性、二次项、三次项、幂或指数函数预测模型，根据构建模型的决定系数(A2)最大优选，确定最佳估测模型。最后，对模型进行检验，采用拟合度(r2)、均方根差(RM，S，E)对模型实测值和估测值之间的符合度进行验证和评价，均方根差公式为：

(1)

对实测值进行模型与构建，由图1可知，实测值的分布具有上述模型之间的关系。

图1 叶片N素质量分数实测值与光谱反射率预测模型

2 结果与分析

2.1 枣叶片光谱与N质量分数相关分析

枣叶片原始光谱和不同数据转换(一阶微分、对数、对数一阶、倒数、倒数一阶、二阶微分)后光谱数据与N素质量分数相关关系见图2。从枣原始光谱反射率和N质量分数相关性分析中可以看出，在可见光和近红外波段，原始光谱反射率在350～430 nm范围内呈正相关，433～722 nm范围内与枣叶片N素质量分数呈明显的负相关，在722～1 373 nm范围内由明显的负相关转变为正相关，在短红外波段1 400～2 438 nm范围内呈负相关，且相关性系数比较低。原始光谱和对数变换光谱数据与N质量分数的相关关系趋势图整体走势上基本一致，但相关系数值具有一定差异，原始光谱反射率在571 nm处相关系数达到最大值(-0.151)，对数转变后在波段361 nm处达到最大值(0.409)。经倒数变换后的相关关系趋势图与原始光谱趋势图呈相反的趋势，相关系数比原始光谱也有一定程度增加，倒数变换后在波段361 nm处相关系数达到最大值(-0.402)。原始光谱一阶微分、对数一阶、倒数一阶、二阶微分变换后的相关关系趋势图上下波动比较大，近红外区域的相关系数均比原始光谱有很大程度的提高，尤其是一阶微分和二阶微分变换后提高作用更为显著。一阶微分变换在近红外波段797～982 nm和1 807～1 811 nm之间相关性较强，相关系数绝对值都在(0.600)以上，且在890、970 nm处相关系数值最大，分别为(-0.697)和(-0.695)；二阶微分变换在近红外波段793～1 098 nm及1 105～1 871 nm波段范围内其相关系数绝对值均大于(0.615)，且在890、1 811 nm处相关系数值最大，分别为(-0.724)和(-0.719)。由此，枣叶片原始光谱数据通过一阶微分和二阶微分变换后能够提高其与N素质量分数的相关性，主要因为这些数据变换可以降低背景土壤和水分吸收的影响，减少数据冗余[23]。由此可见，枣叶片光谱的一阶微分和二阶微分中波段890、970 nm和890、1 811 nm可以作为N素质量分数模型构建的敏感波段。

图2 不同数据转换形式与氮素质量分数相关分析

2.2 枣叶片N素质量分数估测模型构建

2.2.1 基于敏感波段建立回归模型

利用枣叶片光谱一阶微分敏感波段B890、B970nm和二阶微分敏感波段B1811、B890nm构建氮素质量分数估测模型(表1)。

表1 基于敏感波段的枣叶片N素质量分数估测模型

注：** 表示极显著相关(P<0.01)。

由表1可看出，一阶微分和二阶微分光谱构建的多元模型决定系数(A2)分别为0.571和0.562，两者差异不大，前者略大于后者，且构建的模型均达到了极显著的水平(P<0.01)。

2.2.2 基于光谱参量建立估测模型

以枣叶片N素质量分数和构建的光谱参量进行相关分析，分别采用线性、幂函数、二次项、三次项、指数模型的方式建立枣叶片氮素质量分数回归方程(表2)。从表2拟合模型的相关系数情况可知，一阶微分不同组合光谱估测模型普遍优于二阶微分光谱组合，而且一阶微分和二阶微分的光谱相加、相乘组合模型拟合度相对较高，相关系数均在0.500左右。尤其是指数模型类型在一阶微分和二阶微分的光谱相加、相乘组合((B890+B970)nm、(B890×B970)nm和(B890+B1811)nm、(B890×B1811)nm)下表现最佳，所构建的指数模型决定系数(A2)值分别为0.576、0.554、0.559和0.484，明显大于其他类型模型，且达到了极显著水平(P<0.01)。其中，一阶微分光谱参量(B890+B970)nm构建的指数模型构建效果最佳，决定系数(A2)值为0.576，略高于单一波段构建的模型决定系数(A2)分别为0.571和0.562(表1)，是枣叶片N素质量分数估测的最佳模型。

表2 基于光谱参量建立的枣叶片N素质量分数估测模型

注：** 表示极显著相关(P<0.01)；*表示显著相关(P<0.05)。

2.3 精度评价

为了检验模型的适用性，对构建的最优模型有必要进行精度检验，将检验样本带入估测模型，对估测值与实际值进行比较，进行符合度的检验，并绘制实测值与估测值的1∶1散点图(图3)。利用光谱参量(B890+B970)nm为自变量，N素质量分数为因变量构建的枣叶片氮素质量分数估测模型，实测值与估测值拟合方程的拟合度(r2)为0.847 4，总均方根差(RM，S，E)和相对误差(RE)分别为0.272、0.63%，且达到极显著水平(P<0.01)。

图3基于构建的光谱参数建模N素质量分数实测值与估测值相关分析

3 结论与讨论

不同的光谱数据变换形式在一定程度上能够提高阿克苏地区枣叶片光谱与氮素质量分数的相关性，其中一阶微分和二阶微分数据变换形式与枣叶片氮素质量分数相关性系数具有显著性的提高，因为，微分技术可以消除部分线性或近似线性的背景以及噪声光谱对目标地物的影响[25]。孙雪梅[26]在研究水稻氮素状况中，分别对原始光谱进行了一阶微分和二阶微分数据变换，比较得出一阶微分、二阶微分能显著提高水稻叶片与氮素质量分数的相关性。刘冰峰[27]在玉米氮素营养监测的研究中发现，玉米原始冠层反射率经微分处理后的相关系数要高于倒数、对数处理的，玉米叶片经一阶微分、二阶微分转换相关性达到最大，相关系数分别为-0.859，-0.869。房贤一[28]研究表明，一阶微分变换筛选出来的敏感波长位于近红外区域(816～1 319 nm)；二阶微分变换筛选出来的敏感波长基本一致，均位于可见光的绿光区和近红外区域(508～1 319 nm)。本研究一阶微分筛选的敏感波段为890、970 nm，这些波段均处于近红外波段范围，与前人的研究结果保持一致。文中通过对原始数据进行不同形式的数据变换，其中一阶微分和二阶微分变换在提高光谱与N素质量分数的相关性方面作用比较明显。另外，胡珍珠等[29]对轮台白杏的氮素估测研究表明，幂指数模型对氮素质量分数反演效果最佳，拟合度(r2)为0.990，对玉米叶片[30]的研究发现，以光谱指数DS，I(564，681)和DS，I(681，707)为自变量构建的指数模型对氮素质量分数反演的效果最佳，预测精度达93.4%和93.3%，以植被指数的归一化变量(SD，r-SD，b)/(SD，r+SD，b)[31]和归一化面积波段指数[32]为自变量构建的指数模型对水稻氮素估测效果较好，其模型决定系数(A2)值分别为0.864和0.673。本研究以构建的光谱参量(B890+B970)nm为自变量，N素质量分数为因变量所构建的指数模型最佳，拟合度r2达到0.847，反演精度也相对较高。

在枣开花期阿克苏地区红旗坡枣叶片的N素质量分数存在光谱敏感波段，可以一阶微分光谱构建的光谱参量(B890+B970)nm为自变量，采用指数模型建立枣在N肥敏感期叶片N素质量分数的光谱模型，能够为卫星遥感水平估测枣氮素质量分数提供技术支撑。