李鑫格，项方林，吴思雨，刘小军，田永超，朱 艳，曹卫星，曹 强

(南京农业大学国家信息农业工程技术中心/智慧农业教育部工程研究中心/农业农村部农作物系统分析与决策重点试验室/江苏省信息农业重点试验室/现代作物生产省部共建协同创新中心，江苏南京 210095)

氮素是作物生长发育所必需的大量营养元素之一，对作物产量和品质形成至关重要。生产上通过增施氮肥来满足作物生长发育对氮素的需求，但不合理的氮肥投入不仅会降低经济效益，还会污染田间生态环境。因此，实时、准确诊断作物氮素营养状况，能够为田间精准氮肥管理提供可靠的理论基础。氮营养指数(nitrogen nutrition index,NNI)是作物氮素营养诊断的常用指标，可直接或间接用于估测作物关键生育时期的氮素营养状况，为作物生长发育实时调控提供依据。史力超等以播种后天数为时间驱动因子，通过构建二次函数建立临界植株氮积累模型，植株体内氮素是一个逐渐累积的过程，因此用二次函数可描述植株氮积累量随时间的推移不断增加的时序过程。但作物生长和衰老过程并不完全对称，因而双Logistic函数能更好地描述作物的生长和衰老过程，可以适宜生长指标或光谱指标为参数用于作物田间长势的时序动态曲模拟。前人通常利用NNI、临界氮浓度或临界植株氮积累等指标进行氮素营养诊断，但利用植被指数数据构建临界植被指数时序曲线，并进行实时、无损氮素营养诊断的研究鲜有报道。鉴于此，本研究基于冬小麦不同生育时期NNI与相对产量、归一化红边植被指数(normalized difference red edge，NDRE)的关系分别确定NNI和NDRE临界值，进而以累积生长度日为时间驱动因子，利用双Logistic函数构建临界NDRE时序模型，并用于氮素营养诊断，且对诊断结果进行了验证，以期为田间精确氮肥管理提供可靠的技术方法。

1 材料与方法

1.1 试验地概况

试验于江苏省兴化市万亩粮食产业园(119°53′ E,33°48′ N)进行，前茬作物为水稻。2017-2019年在同一块试验田开展品种、施氮量二因素试验(试验1)，试验地耕层土壤有机质、有效磷、速效钾和全氮含量分别为26.5 g·kg、2.07 g·kg、52.54 mg·kg和93.66 mg·kg。2018-2019年在单独试验田块开展不同播期、种植密度、施氮量的三因素试验(试验2)，试验地耕层土壤有机质、有效磷、速效钾和全氮含量分别为18.68 g·kg、1.37 g·kg、28.88 mg·kg和120.59 mg·kg。

1.2 试验设计

试验1采用随机区组设计，供试品种为镇麦12(中蛋白含量)和扬麦23(中蛋白含量)、宁麦13(低蛋白含量)，设置0 kg·hm(N0)、90 kg·hm(N90)、180 kg·hm(N180)、270 kg·hm(N270)和360 kg·hm(N360)5个施氮水平，小区面积为63 m，3次重复。

试验2采用裂区设计。播期作为主区，设置2018年11月4日(S1，适期播)和12月1日(S2，过晚播)两个播期。种植密度和施氮量组合为副区。种植密度设180×10株·hm(D1)、270×10株·hm(D2)、360×10株·hm(D3)三个水平。施氮量设0 kg·hm(N0)、180 kg·hm(N180)、240 kg·hm(N240)和300 kg·hm(N300)4个水平。小区面积为30 m，除N0不设重复外，其余处理均设3次重复。

每个小区均划分为两半，一半为测试区，另一半为取样区。氮肥、钾肥基追比均为5∶5，拔节前进行追肥；磷肥全部基施。磷肥施用量为105 kg PO·hm，钾肥施用量为120 kg KO·hm，其余栽培管理措施同一般高产田。

1.3 光谱指标测定

本研究应用主动冠层传感器RapidSCAN CS-45(Holland Scientific Inc.,Lincoln,USA)获取冬小麦冠层光谱，其包括红光(R，670nm)、红边(RE，730nm)、近红外(NIR，780nm)3个波段，可以自动收集每个波段的光谱反射率和地理坐标数据，并以2.5 Hz(每0.4 s读取一次)的频率将其记录在传感器的存储模块中，最终数据可以通过PC软件导出为.csv文件。该仪器的视场角为横向45°，纵向10°，仪器自带光源，不受天气条件的影响，其较方便轻巧的特点有利于测试。测定时在每个待测小区选择中间两行手持传感器匀速前行，传感器距离冬小麦冠层约100 cm，且与地面保持平行，每行约20～30个测试点，用每个小区测定的平均值代表该小区的测试值，并计算归一化红边植被指数(normalized difference red edge，NDRE)。

式中NIR表示近红外波段反射率，RE表示红边波段反射率。

1.4 生物量、植株氮含量、相对产量、氮营养指数的测定

分别于在冬小麦拔节前期、拔节后期、孕穗期、开花期、灌浆期进行破坏性植株取样，每个小区选取20株有代表性的冬小麦植株，将其分为茎、叶和穗并单独装袋，在105 ℃条件下杀青30 min后，80 ℃烘干至恒重后称重。样品粉碎后使用半微量凯式定氮法测定植株氮含量。

冬小麦成熟时，每个小区单独收割3个1 m样方，进行晾晒、脱粒并称重，并用实际产量比上该品种当季最高产量计算出相对产量。

临界氮浓度是达到最大生物量所需的最小氮浓度，根据赵犇等提出的公式计算：

中蛋白品种：PDM≥1.7 t·hm时，Nc=4.65×PDM；PDM<1.7 t·hm时，Nc = 3.73%

低蛋白品种：PDM≥1.7 t·hm时，Nc=4.3×PDM;PDM<1.7 t·hm时，Nc = 3.47%

式中Nc代表临界氮浓度(%)，PDM代表植株干物重(t·hm)。

氮营养指数是实际氮浓度与临界氮浓度的比值，根据Lemaire等提出的公式计算：

NNI=Na/Nc

式中Na为实际氮浓度(%)。

1.5 植被指数时序动态模型构建

AGDD是一种包含温度参数的时间因子，是由从播种到测试日期生长度日数值累加而成，公式如下所示：

=(-)/2

GDD=0 若≤

GDD=-若<<

GDD=-若≥

式中为冬小麦从播种至测试当日的天数；和分别为测试当日的最高温和最低温；为冬小麦生长发育的基点温度，本研究设为0 ℃；为冬小麦生长发育的最高温度，本研究设为30 ℃。

本研究中参照Fisher模型采用双Logistic函数来建立AGDD与NDRE的定量关系。计算公式如下：

式中函数分为两部分，一部分代表冬小麦的生长过程，另一部分代表衰老过程。为拟合后的植被指数值，为冬小麦生长过程中植被指数最大值，和分别表示生长和衰老过程中拐点的斜率，即植被指数增长或下降的最大速度，、分别为拐点对应的时间。

1.6 数据处理

利用试验1关键生育时期植被指数数据构建临界植被指数模型，再分别验证关键生育时期及全生育期模型的诊断结果，利用Kappa系数及正确率来检验模型诊断精度。试验2数据集作为独立试验数据进行模型的验证。利用IBM SPSS Statistic 25软件进行线性加平台模型的构建及统计分析，利用Origin 2017软件进行绘图。

2 结果与分析

2.1 氮营养指数(NNI)与冬小麦相对产量(RY)的关系

冬小麦各生育时期NNI与RY呈线性加平台关系，即当NNI小于临界值时，RY与NNI呈线性正相关；当NNI超过临界值后，RY则会围绕平台值上下波动(图1)。同一生育时期不同年际间NNI临界值相近；整体上2017-2018年小麦季NNI值要大于2018-2019年。同时2017-2018年小麦季数据点分布较散，拟合效果较差，各生育时期均低于2018-2019年。

和分别为2017-2018年和2018-2019年的决定系数。

不同年际间冬小麦NNI临界值随生育进程的推进呈先升后降趋势(表1)。2017-2018、2018-2019年小麦季最大NNI临界值分别出现在拔节后期、孕穗期，其值分别为1.068、0.928，对应的95%置信区间分别为0.959～1.177、 0.871～0.985。两个生长季的最小NNI临界值均出现在灌浆期，分别为0.806、0.800，95%置信区间分别为0.746～0.867、0.757～0.843。

表1 冬小麦各关键生育期NNI临界值及95%置信区间Table 1 NNI critical value and 95% confidence interval of winter wheat at each key growth stage

2.2 氮营养指数与NDRE的相关关系

NDRE与NNI间呈稳定的指数函数关系，在0.76以上(表2)，因此可以根据NNI临界值以及NDRE与NNI的关系确定冬小麦各关键生育时期NDRE临界值。2018-2019年冬小麦关键生育时期NDRE临界值(0.287～0.410)低于2017-2018年(0.338～0.460)。2017-2018和2018-2019年冬小麦关键生育时期NDRE临界值的下限范围分别为0.326～0.436、0.269～ 0.392，上限范围分别为0.348～0.481、0.303～0.427。

表2 NDRE与NNI的定量关系及NDRE临界值及其95%置信区间Table 2 Quantitative relationship between NDRE and NNI and the corresponding NDRE critical value and its 95% confidence interval

2.3 临界NDRE时序诊断模型的构建

通过简单分组线性回归发现，2017-2018、2018-2019年生长季间冬小麦NDRE临界值无显著性差异(=0.329>0.05)，因而将两个生长季数据合并建立诊断模型(图2)。随着冬小麦生育进程的推进，NDRE临界值先增后降；拔节前(AGDD为540 ℃·d左右)NDRE临界值增速最快，抽穗开花期(AGDD约为1 200 ℃·d)NDRE临界值达到最大，之后开始降低，灌浆后期(AGDD为1 840 ℃·d左右)下降速度最快。NDRE临界值时序动态与冬小麦长势变化趋势一致，即冬小麦群体长势旺盛时养分需求和消耗量大，对应的NDRE临界值也高。本研究建立的时序诊断模型图中，临界上限值曲线与临界下限值曲线之间的区域为氮适宜状态，高于曲线为氮过量状态，低于为氮亏缺状态(图2)。

图中上虚线为临界上限值曲线ymax，下虚线为下限值曲线ymin。

2.4 基于临界NDRE时序曲线的氮素营养诊断

利用时序诊断模型进行关键生育时期的氮素营养诊断，结果(图3a～图3f)表明，2017-2018年冬小麦生长季不同施氮水平下NDRE值均大于2018-2019年，主要原因是2018年播种质量较差，造成作物长势较弱，氮肥效应也未充分发挥。2017-2018年生长季在N0水平下冬小麦一直处于氮亏缺状态，N90水平下冬小麦除开花期和灌浆期外其余时期基本处于氮适宜状态，N180、N270、N360水平下冬小麦在各关键生育时期均处于氮过量或适宜状态。2018-2019年生长季冬小麦除N270、N360水平下处于氮适宜状态外，其余施氮水平下冬小麦各生育时期基本上均处于氮亏缺状态。

a、d：镇麦12；b、e：扬麦23；c、f：宁麦13。数据点从左往右依次对应拔节前期、拔节后期、孕穗期、开花期、灌浆期。

为了评价基于临界植被指数时序模型诊断不同生育时期氮素营养结果的准确性，本研究根据NNI与RY线性加平台关系得到的NNI临界值将各处理划分为三类：氮亏缺、氮适宜和氮过量；并与临界时序模型的诊断结果进行Kappa一致性检验分析。根据Kappa值可以将诊断结果的一致性分为极低、一般、中等、高度和几乎完全一致，对应的Kappa值依次为0～0.20、0.21～ 0.40、0.41～0.60、0.61～0.80、0.81～1.00。结果(表3)表明，2017-2018年生长季诊断结果的一致性和正确率要高于2018-2019年生长季。2017-2018年生长季拔节前期与开花期诊断结果具有高度一致性，拔节后期和孕穗期具有几乎完全一致性，而灌浆期具有中等一致性；2018-2019年生长季随着生育期的推进，诊断结果的一致性越来越高，灌浆期达到几乎完全一致。

表3 基于临界NDRE时序模型的氮素营养诊断结果的Kappa一致性检验分析Table 3 Kappa consistency test analysis of nitrogen nutrition diagnosis results based on critical NDRE time-series model

利用时序诊断模型对2018-2019年独立试验的冬小麦关键生育时期进行氮素营养诊断。结果(图4a～图4f)表明，过晚播条件下，提高施氮量冬小麦的缺氮状况并没有得到完全改善，说明在过晚播条件下播期是限制作物生长的关键因素。适播期N0、N180水平下冬小麦在不同生育期均处于氮亏缺状态，N240、N300水平下冬小麦在孕穗、开花期处于氮适宜状态，在拔节前期、拔节后期、灌浆期处于氮亏缺状态。

a、d：180×104株·hm-2；b、e：270×104株·hm-2；d、f：360×104株·hm-2。数据点从左往右依次对应拔节前期、拔节后期、孕穗期、开花期、灌浆期。

为了评价基于临界植被指数时序模型诊断冬小麦不同生育时期氮素营养结果的准确性，进一步对独立试验数据进行了Kappa一致性检验分析。结果(表4)表明，适期播种时冬小麦拔节前期和过晚播时灌浆期Kappa值均为0，主要是由于拔节前期与灌浆期所有处理均为氮亏缺状态，其中一个处理却被误判为氮适宜状态，造成Kappa值计算为0。适期播种的冬小麦在拔节后期至开花期诊断结果具有高度一致性，灌浆期具有中等一致性。而过晚播种时冬小麦除灌浆期外均处于氮亏缺状态，诊断结果具有几乎完全的一致性(Kappa值为1，正确率为100%)，表明过晚播种时冬小麦的氮亏缺状况能够通过临界时序模型准确诊断。

表4 基于临界NDRE时序模型的氮素营养诊断结果的Kappa一致性检验分析Table 4 Kappa consistency test analysis of nitrogen nutrition diagnosis results based on critical NDRE time-series model

利用临界NDRE时序曲线对冬小麦不同生育时期的氮素营养状况进行诊断后，进一步通过曲线积分法来对不同施氮水平下冬小麦全生育期的氮素营养状况进行整体判断，若某处理的时序曲线积分值大于临界上限曲线积分值，则该处理全生育期整体上处于氮过量状态；若小于临界下限曲线积分值，则处于氮亏缺状态；若在临界值95%置信范围内，则处于氮适宜状态。结果(图5)表明，试验1中N270、N360水平下冬小麦全生育期处于氮适宜甚至过量状态；而N0、N90水平下冬小麦全生育期整体上均处于氮亏缺状态；N180水平下冬小麦全生育期基本上处于轻微氮亏缺状态，仅有少数数据处于氮适宜状态。而试验2是涉及播期、播量和施氮量的三因素试验，由于过晚播生长导致小麦长势整体较差，不能充分发挥氮肥的潜力，因而只有N240、N300水平下个别数据点位于临界范围内，处于氮适宜状态，其余均处于氮亏缺状态。

A：试验1；B：试验2。

2.5 临界NDRE时序曲线的应用

在实际应用中，要实现对冬小麦生长发育过程实时的氮素营养诊断，需借助传感器获取当日田块冬小麦冠层NDRE值，并由中国天气网(http://www.weather.com.cn/)获取当季小麦从播种至测试当日的温度信息，计算累积生长度日，将其作为横坐标代入所构建的临界值95%置信区间上下限曲线方程得到NDRE临界值。若实际NDRE值小于临界值下限，则属于氮亏缺，若大于临界值上限，则属于氮过量状态，若介于最大值与最小值之间，则属于氮适宜状态。具体流程图如图6所示。

图6 应用NDRE临界值时序模型进行

3 讨 论

3.1 氮营养指数与相对产量的相关关系及氮营养指数临界值的确定

前人在临界氮浓度模型的基础上提出了氮营养指数概念。NNI与RY的关系主要有两种，一种是线性加平台，另一种是二次函数，利用这两种关系均可得到NNI临界值。如Ziadi等在玉米大喇叭口期通过建立RY与NNI的线性加平台模型，得到此时期NNI临界值为0.88。史力超等通过模拟临界氮浓度概念建立各生育期植株氮积累量(plant nitrogen accumulation，PNA)与RY的线性加平台关系来确定PNA临界值，进一步以播种后天数为时间因子建立PNA临界时序模型。本研究是以AGDD为时间驱动因子，利用双Logistic函数构建了临界NDRE时序曲线；因为作物本身生长和衰老过程并不是完全对称的，相较于二次函数(对称函数)，双Logistic函数更符合作物的生长发育规律。

NNI临界值即为氮适宜状态下所对应的NNI阈值，其会随作物种类、品种、生态条件、年份等发生变化，并不是一个固定范围。如Huang等研究中指出，NNI<0.95时，水稻处于氮亏缺状态；NNI在0.95～1.05范围内时，水稻处于氮适宜状态；NNI>1.05时，水稻则处于氮过量状态。本研究中2017-2018年与2018-2019年冬小麦关键生育时期NNI临界值范围为0.806～ 1.068、0.800～0.928，除灌浆期外与前人研究中NNI临界值在0.90以上的结论基本是一致的；由于不同生育时期作物长势存在差异，因而不同生育时期NNI临界值不同，但均在一个合理的范围内。

3.2 植被指数与氮营养指数间的相关关系

NNI是氮素营养诊断的关键指标，已经广泛应用于水稻、小麦、春玉米、棉花、甘薯等作物的氮素营养状况诊断及进一步的施肥指导。NNI的获取有两种方式：一是破坏性取样，二是遥感估测。遥感估测一方面是用传感器获取的光谱指标来代替植株干物重和植株氮浓度来建立临界氮浓度稀释模型，实现间接估测NNI；另一方面是用传感器获取的光谱指标直接估测NNI。研究者针对不同传感器采用不同指标来估测NNI，如Zhang等利用叶绿素仪读数估测NNI；Cao等发现，通过冠层传感器获取的归一化植被指数(normalized difference vegetation index，NDVI)与NNI呈二次函数关系，而NDRE与NNI呈幂函数关系。但不同的植被指数监测作物长势和氮素营养状况的效果存在差异，Zhang等指出，NDVI本身带有红光波段的特性，使其在植被群体或者覆盖度达到某一水平时会出现严重的饱和现象。因此，本研究选用相对稳定的NDRE与各生育时期NNI建立指数函数关系，除拔节前期为0.76以外，其余时期均在0.84以上，因此可利用两者在不同生育时期稳定的相关关系及NNI临界值确定冬小麦冠层NDRE临界值，即冬小麦处于氮适宜状态时所对应的NDRE值。

3.3 临界NDRE时序曲线的构建

从时序角度出发，研究作物生长指标和植被指数的动态变化能够监测冬小麦全生育期的长势及氮素营养状况。有国外学者以一年中的天数(day of year，DOY)为时间因子，建立了增强型植被指数的动态曲线。张 勇等研究发现，玉米株高随播种后天数的变化(day after seeding，DAS)符合Logistic生长模型。Zhou等研究认为，AGDD相较于DAS和累积光热时间(accumulated photothermal time，APTT)建立的形状模型，监测关键物候期的准确性更高。以DAS、DOY为时间因子建立时序曲线更加简单直观，但作物的生长发育往往受温度的影响，因而AGDD、APTT更适于描述作物的生长发育过程。但APTT的计算过于复杂，因而以AGDD为时间因子建立生长模型更适用。本研究选用AGDD来明确量化温度和时间，并利用双Logistic函数构建冬小麦冠层临界NDRE时序曲线，其曲线拟合在0.90左右；进一步将各处理时序曲线积分值与临界NDRE时序曲线积分值的大小作比较来对冬小麦全生育期的氮素营养状况进行整体 诊断。

3.4 基于临界NDRE时序曲线的氮素营养诊断

本研究通过临界时序模型对不同生育时期氮素营养状况进行诊断，发现整体上拔节后期、孕穗期、开花期诊断精度较高，与前人研究结果基本一致。如赵满兴等发现，拔节期是西北旱地冬小麦氮素营养诊断的适宜时期；田兴帅等研究表明，开花期氮素诊断精度最高。本研究2018-2019年冬小麦拔节前期Kappa系数为0.10，诊断精度较差，这主要是2018-2019年冬小麦生长发育较慢，对应的冠层NDRE值偏低，造成在利用临界NDRE时序曲线进行诊断时出现了误判。

本研究通过临界时序模型对不同氮肥处理冬小麦全生育期氮素营养状况进行诊断，结果表明，当施氮量为180 kg·hm时冬小麦全生育期均处于氮适宜或轻微氮亏缺状态，该施氮量为最优施氮量，与前人研究结果基本一致。如赵 犇等表明，施氮量为150、225 kg·hm时小麦整个生育进程氮亏缺值均在0附近波动，处于氮适宜状态；田兴帅等研究表明，江苏地区平均最优施氮量为150 kg·hm；也有研究认为，施氮量为180 kg·hm时，小麦能保持稳产，且有较高的氮肥利用率。适宜播期下冬小麦氮素营养状况主要受施肥水平影响，过晚播冬小麦的长势及氮素营养状况则受到播期的严重制约。综上所述，在冬小麦实际生产中，由于影响小麦生长发育的因素很多，诸如年份、品种、播期、播量、栽培条件、土壤背景、气候因素和生态点等，在未来研究中，建立本地化时序植被指数模型应考虑这些因素对模型的影响，对模型进一步修正以提高其准确性和精度。

4 结 论

本研究通过构建不同生育时期NNI与RY的线性加平台关系确定NNI临界值，并利用NNI与NDRE的定量关系确定不同生育时期NDRE的临界值，从而构建临界NDRE时序曲线。发现在拔节后期、孕穗期、开花期利用临界NDRE时序曲线诊断精度较高，180 kg·hm施氮水平下冬小麦时序曲线积分值最接近临界时序积分值，小麦均处于轻微氮亏缺或氮适宜状态，为最优施氮量。本研究所构建的临界NDRE时序模型能够用于实时、无损、快速诊断冬小麦的氮素营养状况，为精确氮肥管理提供技术方法。