王甲辰 梁丽娜 王学霞 陈延华 曹兵 倪小会

摘要：为了探讨高光谱参量与夏玉米（Zea mays L.）施氮量、植株氮含量以及产量估测模型，在华北平原以夏玉米为供试作物，研究高光谱在田间不同施氮水平和不同生育期的光谱特征，建立高光谱参量与不同时期夏玉米施氮量、植株氮含量和产量的估测模型。结果表明：在小喇叭口期，施氮量和叶片硝态氮含量与比值植被指数（RVI）的二次项式为y=5.618 6x2-155.97x+1 053.3，线性模型为y=-179.4x+3 760.5;在大喇叭口期的二次项为y=-18.492x2+682.51x-6 034.7和y=-26.436x2+978.47x-6 556.4。在小喇叭口期，植株全氮含量与NDVI同样呈现极显著回归模型y=-77.67x2+117.3x-40.58。结果还表明，在小喇叭口期可以通过RVI预测玉米产量，模型为y=-51.254x2+627.67x+10 001，P<0.01，达极显著水平。此外，施氮量与产量也存在极显著回归模型y=-0.023 9x2+12.501x+10 455。这些模型为无损监测植株氮素含量以及预测玉米产量奠定了基础，为氮素调控、科学施肥提供了决策依据。

关键词：夏玉米;高光谱参量;氮素;产量估测模型

中图分类号：S513.06;TP79   文献标志码： A  文章编号：1002-1302（2020）23-0227-06

氮（N）是提高作物生产力和光合能力的重要参数，在生长过程中合理施肥是保障作物健康生长的关键[1-4]。大多数栽培作物因缺氮导致叶片衰老加速、叶绿素含量下降和作物产量下降[5-6]。而利用传统的化学分析诊断方法，具有耗时耗力、损伤植物及诊断慢等缺点，难以快捷、高效地开展施肥指导。同时，外观诊断方法存在着一定的主观性和滞后性，达不到精准施肥的目标。

近年来，随着信息技术的飞速发展，探讨应用新技术、新方法进行作物的营养诊断已逐渐成为研究的焦点[7-8]。由于氮肥施用量的变化能引起作物叶片生理及形态结构发生变化，进而引起作物光谱反射特性变化[9]。国内外关于光谱变化特征与氮素含量的研究已取得许多进展，主要成果包括研究植株氮素含量的敏感波段主要集中在近红外波段[10-11]、红光波段、绿光波段[12]、可见光波段[13]。部分学者利用归一化差值植被指数[14]、红边振幅[15]、比值光谱指数[16]等多种高光谱参数建立了氮含量预测模型。对于有关作物产量的遥感预测模型中，常用的植被指数有归一化植被指数（NDVI）、差值植被指数（DVI）、比值植被指数（RVI）[17]。Ferrio等研究表明，运用小麦可见光和近红外二者的光谱反射率的比值，能够较高地预测小麦的产量[18]。白丽等研究指出，结合DVI和棉花產量进行相关分析，各生育期均能与棉花产量建立相关的预测模型，灌浆期的模型精度最高[19]。Idso等利用500～600、600～700 nm 2个光谱波段的平均植被指数的NDVI与小麦和大麦的产量建立模型，相关系数达到 0.8 以上[20]。刘良云等研究指出，在小麦的整个生育期分别运用高光谱数据与小麦产量进行分析，发现在起身后期，可见光波段的反射率与产量呈负相关的显著关系，而近红外波段的光谱反射率在整个生育期中都表现出显著的正相关。最终确定建立以890～1 200 nm处的植被指数NDVI和小麦的产量预测模型，为小麦的生长发育发挥了一定的指导作用[21-23]。在夏玉米方面，主要研究对象聚焦在玉米叶片上[24-26]。综上所述，虽然前人关于光谱与作物需氮模型开展了许多研究，但关于不同生育期夏玉米光谱参量与施氮量、叶片硝态氮含量、植株全氮含量以及产量综合关联模型研究较少，尤其是针对华北地区玉米主产区的研究更少。

华北地区包括北京市、天津市、河北省、山西省和内蒙古自治区中部即锡林郭勒盟、乌兰察布市和呼和浩特市等三盟（市）。年降水量平均在540 mm左右，年平均气温约11.5 ℃，日照长度达2 700 h以上。以玉米、小麦为当地主要的植被作物。为了更科学有效的施用氮肥，在国家重大项目资助下研究夏玉米主产区变量施肥条件下不同生育时期高光谱参量与氮素之间的关系模型，为高光谱的精准施肥模型建立奠定基础，以此指导该区夏玉米精准施肥。

1 材料与方法

1.1 研究地点及区域概况

本研究于2018年6—10月在河北永清县刘街乡朱家营农场开展，2019年进行验证。土壤类型为潮土，有机质含量为18.2 g/kg、全氮含量为 1.1 g/kg，有效磷含量为43 mg/kg、速效钾含量为187 mg/kg，pH值为8.14。

1.2 试验设计

小麦收获后种植夏玉米，密度为6.9×103 株/hm2。试验设6个施氮水平，分别为0（N0）、75 kg/hm2（N1）、150 kg/hm2（N2）、225 kg/hm2（N3）、300 kg/hm2（N4）、375 kg/hm2（N5），每个处理重复3次，共18个小区，小区面积为2.4 m×10 m=24 m2，采用随机区组排列。玉米品种为蠡玉18。总氮量的1/3与磷肥、钾肥作为基肥一同施入，在小喇叭口期、大喇叭口期各均施剩余的2/3。光谱采样日期分别为小喇叭口期（7月16日）、大喇叭口期（8月4日）、灌浆期（8月25日），各农学参数同光谱采集一同进行。

1.3 测量指标与方法

1.3.1 光谱数据的测定 光谱数据的测量采用美国公司生产的便携式地物光谱仪ASD（Analytical Spectral Device）-2500进行测量。该仪器波长范围为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，光谱分辨率为 10 nm。光谱反射率的测量在天气晴朗、无风无云的条件下进行，分别在玉米的3个生育期于北京时间10：00—14：00（太阳高度角大于 45°）间，每个小区为1个样本点进行光谱的测定。每个样点采集 10 条光谱，每次测量时将传感器探头垂直向下，距玉米植株作物冠层顶端约20 cm。光谱采集前后都必须立即用白板进行校正，取10条光谱的平均值作为该样点的最终光谱反射率。

1.3.2 植株产量测定 在夏玉米的收获期，每个小区中央按行连续收取20株玉米。在每个小区中数缺苗数，再与整个小区株数换算成缺苗率，最终20株玉米籽粒换算成小区产量，再减去因缺苗造成每小区的减产，估算实际产量。

1.3.3 光谱参数与模型的选择 1970年左右有学者证实，绿色植被作物的冠层叶片在可见光范围内有较高的吸收率和较低的反射率，主要是因为绿色植株体内存在叶绿素，其具体表现为在近红外范围内有较高的反射率，在红外区域（1 300 nm以后）有较低的光谱吸收率。因此，本研究把可见光波段350～760 nm的叶片光谱反射率提取出来，以探明不同氮素营养水平下夏玉米在不同的生育时期内光谱反射率的变化差异，选取可见光和近红外区域进行分析，并采用多光谱波段，计算由敏感光谱波段组成的植被指数和光谱位置，并通过比较各光谱参数与农学参数的相关性，找出对农学参数最佳的敏感波段，然后建立相应的回归模拟模型。具体参数和模型选择如表1、表2所示。

2 结果与分析

2.1 在不同时期不同施氮量夏玉米叶片的光谱响应

由图1可知，叶片光谱整体反射率范围一般为0～0.58，小喇叭口期的最高。整个波段具有明显的波峰和波谷。不同的施氮水平下，玉米植株叶片小喇叭口期的光谱反射率在可见光区域表现不明显。这是由于玉米前期生长速度缓慢，对叶片的功能影响尚不完善，从而造成叶片光谱反射率之间差别较小。而在760～1 000 nm之间，随着施氮量的增大，反射率呈逐渐减小的趋势。此波段主要与多种色素共同作用有关。N0处理下叶片光谱反射率最高，这是由于低氮水平下植株对可见光光源吸收量少，叶片的反射率自然比其他处理都高。在大喇叭口期，不同施氮水平叶片光谱反射率在整个波段差别较小，但N2、N3处理的叶片光谱反射率仅在760～1 000 nm 近红外波段稍有差别，反射率较小。说明该处理水平下，植株吸收养分较少。综合分析在不同的施氮水平，植被光谱反射率的敏感波段大部分都集中在可见光350～760 nm区域内，且在绿峰550 nm和红谷680 nm附近范围内表现出相同的规律。因此，将绿峰和红谷作为光谱反射率的敏感波段。由于处于营养生长阶段，反射率差异不明显，具体须建立与植株的农学参数含量相关联的回归模拟模型。到灌浆期，叶片光谱反射率在0～0.40之间。在不同的施肥情况下，350～760 nm波段的反射率和以上2个时期相比差异较明显，其中N3处的反射率最高。760～1 000 nm波段表现出在低氮处理下整体反射率较高，在高氮处理下整体反射率趋势较低。这是因为这个时期的玉米正处于籽粒产生生长期，叶片氮素养分有逐渐向籽粒转移的趋势。很多物质及能量主要用于种子生长，从而减少了叶绿素的合成，故光谱反射率下降。

2.2 不同施氮量在不同时期与光谱参数关联模型

由表3可知，高光谱参数Rr、Rg、NDVI和RVI与施肥量小喇叭口期、大喇叭口期及灌浆期相关分析表明，比值植被指数（RVI）与施肥量在小喇叭口期达极显著水平，而在大喇叭口期虽呈现极显著的相关关系，但相关指数降低。在灌浆期相关性不显著。进一步把施氮量与RVI在小喇叭口期和大喇叭口期做线性、二次项式、指数和幂回归分析（图2），分别得到2个时期相关性最显著的回归方程均为二次项式：y=5.618 6x2-155.97x+1 053.3，r2=0.737 2* *、y=-18.492x2+682.51x-6 034.7，r2=0.523*。结果表明，在小喇叭口期RVI与施肥量存在极显著的相关关系;到大喇叭口期这种关联在减弱，达显著水平;到灌浆期相关关系消失。进一步分析表明，施氮效果可通过RVI参数来监控。在夏玉米追肥窗口期即小喇叭口期可以作为调整追肥指导性重要指标。而到了大喇叭口期这种指导性作用变弱，这个时期机械作业损伤植株较多，不易实施。再到了灌浆期就失去了显著相关性，即失去了施肥指导意义。

2.3 不同施氮量在不同时期光谱参数与叶片硝态氮含量的关联模型

Rr、Rg、NDVI和RVI分别与小喇叭口期、大喇叭口期及灌浆期叶片硝态氮含量分别做相关分析表明，RVI与前2个时期的叶片硝态氮含量相关性均达极显著水平，在大喇叭口期呈现极显著的相关关系变弱。到灌浆期，相关关系不显著（表4）。进一步把RVI与小喇叭口期和大喇叭口期叶片硝态氮含量做线性、二次项式、指数和幂回归分析，得到2个时期相关性最显著的回归方程分别为线性回归和二次项式（图3）：y=-179.4x+3 760.5，r2=0.874 4* *、y=-26.436x2+978.47x-6 556.4，r2=0.599 8* *。表明在小喇叭口期和大喇叭口期 RVI与叶片硝态氮含量均存在极显著的相关关系;到灌浆期相关关系消失。说明在小喇叭口期和大喇叭口期利用RVI無损监测叶片硝态氮含量，而到了灌浆期就失去监测能力。

2.4 不同施氮量在不同生育期植株全氮含量与光谱关系模型

同样把Rr、Rg、NDVI和RVI分别与小喇叭口期、大喇叭口期及灌浆期植株全氮含量做相关分析，结果（表5）表明，4个光谱参量分别在小喇叭口期与植株全氮含量存在显著或极显著相关关系。主要表现为Rr和RVI分别在小喇叭口期、Rg在灌浆期与植株全氮含量存在显著的相关关系，而NDVI分别在小喇叭口期和大喇叭口期与植株全氮含量存在极显著或显著的相关关系。众所周知，小喇叭口期是调节施氮量达到最佳产量的生长时期，选择小喇叭口期与植株全氮含量达极显著的NDVI作为备选参数与植株全氮含量做回归方程。小喇叭口期NDVI与植株全氮含量做线性、二次项式、幂和指数回归方程，并进行显著性检验，结果（图4）发现小喇叭口期NDVI与植株全氮含量的二次项式方程y=-77.67x2+117.3x-40.58（r2=0.733* *），P<0.01，故在夏玉米小喇叭口期选择NDVI处的二次项方程可有效预测植株的全氮含量，进一步预测植株的产量。

2.5 不同時期光谱特征参数与产量关系模型

由图5可知，小喇叭口期 RVI与产量的关系最密切，回归程度最高，所得函数模型为y=-51.254x2+627.67x+10 001，r2=0.7356* *。当RVI=6.12时，达到最高产量11 922.65 kg/hm2。最终与不同施氮量和产量所得的二次函数为y=-0.023 9x2+12.501x+10 455相结合，可建立不同施氮量与光谱数据及产量的关系模型，对于预测玉米产量和指导华北区实际应用能够发挥一定的作用。

3 讨论

施氮量既是作物供给的氮素养分基础 又是供应强度概念。若通过光谱参数与施氮量之间直接建立相关模型，则在不同生长期通过光谱采集及建立相关模型则能及时反映出土壤原始氮素供应水平。再通过此阶段监测的玉米体内氮水平对追施氮量做科学决策，尤其是在小喇叭口期追肥最为关键，对玉米稳产高产具有十分重要的决定意义。前人研究了较多光谱参数与叶片氮含量[25-27]、茎秆、植株全氮含量[28]的关联模型，而没有系统关注建立这种相关模型，对玉米生产指导意义较弱。

众所周知，由于尿素在土壤中很快就转化成硝态氮，所以玉米植株吸收的氮素形态主要以硝态氮为主，这些氮素形态主要体现在叶片中。因为叶片细胞的液泡中能累积大量的硝酸盐[29]。不需要时储存在液泡中，必要时运输到根部还原成铵离子再合成蛋白质，所以，建立叶片硝态氮与光谱指数的关联模型也十分必要，主要优势在于无损玉米采样。硝态氮在叶片中的储备对后期根系吸收能力下降后的氮素转化供应十分必要，所以与前人研究的不同层次叶片全氮含量有所差异[30]，本研究进行叶片硝态氮含量与光谱关联模型探讨。

本研究对玉米植株全氮含量与光谱开展关联模型分析，主要考虑叶片全氮含量不能反映整个植株氮含量，存在局限性。虽然同行存在类似的研究，但也存在取样差异，其表现在使用模型方面。贺婷等用RDVI（重归一化差值植被指数）、DVI和MSAVI（修改型土壤调整植被指数）与叶片全氮含量相关性最佳[28]。玉米叶鞘、茎秆全氮含量分别与RDVI和RVI相关性较高。NDVI和RVI与整个植株的全氮含量相关性最好。而本研究，NDVI与整个植株的全氮含量建立回归模型，相关系数最佳，有一个最佳的模型足以支撑这种关联。另外采样方法也存在差异[28]，本研究采用整体采样、粉碎和测试，最终测试全氮含量与先采后混方法不存在差异，但具有是省时省工等优点。

虽然RVI在小喇叭口期与玉米产量存在关联模型，但该模型离精准科学施肥距离很远。在整个研究过程中包括作物生长的土壤性状、目标产量、各种移动智能终端广泛应用、分析作物对氮、磷、钾的需求规律，开展按需定量施肥机械、光谱采集及与农业信息管理系统相结合施肥系统等[30-31]。本研究主要为精准施肥储备基础数据，从最佳关联模型可知，RVI为最佳回归模型，所以在机载施肥信息采集、决策、控制一体化技术应运而生后，数据模型光谱指数为RVI。施氮量与产量模型可以直接指导生产科学施肥，此模型在不同地点进行验证后调整参数可以大面积指导农业生产实践。

4 结论

夏玉米施肥量和叶片硝态氮含量与RVI在小喇叭口期分别存在最显著的二次项式y=0.000 04x2-0.027 9x+11.076和线性模型y=-179.4x+3 760.5，在大喇叭口期分别存在二次项y=-0.000 03x2+]0.019 3x+15.091和y=-26.436x2+978.47x-6 556.4 。

在小喇叭口期，植株全氮含量与NDVI存在最佳关联模型y=-77.67x2+117.3x-40.58。在小喇叭口期通过RVI预测玉米的产量，最佳预测模型为y=-51.254x2+627.67x+10 001。

参考文献：

[1]Guo B B，Qi S L，Heng Y R，et al. Remotely assessing leaf N uptake in winter wheat based on canopy hyperspectral red-edge absorption[J]. European Journal of Agronomy，2017，82：113-124.

[2]Li L T，Lu J W，Wang S Q，et al. Methods for estimating leaf nitrogen concentration of winter oilseed rape （Brassica napus L.） using in situ leaf spectroscopy[J]. Industrial Crops and Products，2016，91：194-204.

[3]Scheromm P，Martin G，Bergoin A，et al. Influence of nitrogen fertilization on the potential bread-baking quality of two wheat cultivars differing in their responses to increasing nitrogen supplies [J]. Cereal Chemistry，1992，69：236-249.

[4]Hartmann T E，Yue S，Schulz R，et al. Nitrogen dynamics，apparent mineralization and balance calculations in a maize-wheat double cropping system of the North China Plain[J]. Field Crops Research，2014，160：22-30.

[5]Wen P F，Wang R，Shi Z J，et al. Effects of N application rate on N remobilization and accumulation in maize （Zea mays L.） and estimating of vegetative N remobilization using hyperspectral measurements[J]. Computers and Electronics in Agriculture，2018，152：166-181.

[6]陈志强. 不同氮素水平下玉米叶片的高光谱响应及其诊断[D]. 北京：中国农业科学院，2013.

[7]Thenkabail P S，Smith R B，de Pauw E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics[J]. Remote Sensing of Environment，2000，71（2）：158-182.

[8]劉 炜，常庆瑞，郭 曼，等. 夏玉米可见/近红外光小波主成分提取与氮素含量神经网络检测[J]. 红外与毫米波学报，2011（1）：48-54.

[9]吴炳方. 中国农情遥感速报系统[J]. 遥感学报，2004，8（6）：481-497.

[10]李向阳，刘国顺，杨永锋，等. 烤烟叶片高光谱参数与多种生理生化指标关系研究[J]. 中国农业科学，2007，40（5）：987-994.

[11]王克如，潘文超，李少昆，等. 不同施氨量棉花冠层高光谱特征研究[J]. 光谱学与光谱分析，2011，31（7）：1868-1872.

[12]Ma B L，Morrison M J，Dwyer L M. Canopy light reflectance and field greenness to assess nitrogen fertilization and yield of corn[J]. Agronomy Journal，1996，88（6）：915-920.

[13]田永超，朱 艳，姚 霞，等. 基于光谱信息的作物氮素营养无损监测技术[J]. 生态学杂志，2007，26（9）：1454-1463.

[14]周丽丽，冯汉宇，阎忠敏，等. 玉米叶片氮含量的高光谱估算及其品种差异[J]. 农业工程学报，2010，26（8）：195-199.

[15]程晓娟，李振海，王延仓，等. 不同氮肥条件下冬小麦冠层高光谱特征及红边参数变化[J]. 湖北农业科学，2014，53（5）：1004-1009.

[16]王来刚. 基于多源遥感信息融合的小麦生长监测研究[D]. 南京：南京农业大学，2012.

[17]常潇月，常庆瑞，王晓凡，等. 基于无人机高光谱影像玉米叶绿素含量估算[J]. 干旱地区农业研究，2019，37（1）：66-73.

[18]Ferrio J P，Villegas D，Zarco J，et al. Assessment of durum wheat yield using visible and near-infrared reflectance spectra of canopies[J]. Field Crops Research，2005，94（2/3）：126-148.

[19]白 丽，王 进，蒋桂英 等. 干旱区基于高光谱的棉花遥感估产研究[J]. 中国农业科学，2008（8）：2499-2505.

[20]Idso S B，Pinter P J，Jackson R D，et al. Estimation of grain yields by remote sensing of crop senescence rates[J]. Remote Sensing of Environment，1980，9（1）：87-91.

[21]刘良云，王纪华，黄文江，等. 利用新型光谱指数改善冬小麦估产精度[J]. 农业工程学报，2004（1）：172-175.

[22]翟清云，张娟娟，熊淑萍，等. 基于不同土壤质地的小麦叶片氮含量高光谱差异及监测模型构建[J]. 中国农业科学，2013，46（13）：2655-2667.

[23]杨 智，李映雪，徐德福，等. 冠层反射光谱与小麦产量及产量构成因素的定量关系[J]. 中国农业气象，2008（3）：338-343，324.

[24]刘冰峰，李 军，赵刚峰，等. 夏玉米叶片全氮含量高光谱遥感估算模型研究[J]. 植物营养与肥料学报，2012，18（4）：813-824.

[25]王丽凤，张长利，赵 越，等. 高光谱成像技术的玉米叶片氮含量检测模型[J]. 农机化研究，2017，39（11）：140-147.

[26]王孟和，李 宝，汪光胜，等. 基于高光谱的玉米叶片氮含量监测模型[J]. 扬州大学学报（农业与生命科学版），2018，39（1）：91-96.

[27]Wen P F，He J，Ning F，et al. Estimating leaf nitrogen concentration considering unsynchronized maize growth stages with canopy hyperspectral technique[J]. Ecological Indicators，2019，107：105590.

[28]贺 婷，李建东，刘桂鹏，等. 基于高光谱遥感的玉米全氮含量估测模型[J]. 沈阳农业大学学报，2016，47（3）：257-265.

[29]Marschner H. 高级植物营养学[M]. 曹一平，陆景陵，译. 北京：中国农业大学，2001.

[30]Zhang Y J，Wang L，Bai Y I，et al. Nitrogen nutrition diagnostic based on hyperspectral analysis about different layers leaves in maize[J]. Spectroscopy and Spectral Analysis，2019，39（9）：2829-2835.

[31]马晓蕾，范广博，李永玉，等. 精准施肥决策模型与数据库系统[J]. 农业机械学报，2011，42（5）：193-197.张可心，张谋草，刘 翔，等. 基于SPI的陇东黄土高原干旱特征及对冬小麦产量的影响分析[J]. 江苏农业科学，2020，48（23）：233-240.