赛斯拜克中国核心技术品牌 博士专业研发团队   18年专注高光谱

咨询热线:400-888-5135

高光谱相机无损估测小麦叶片氮积累量

来源:赛斯拜克 发表时间:2023-08-17 浏览量:358 作者:awei

氮素是植物生长发育的重要营养元素,对作物的产量和品质有着重要影响。因此,对植物氮营养状况的监测和评估在农业生产中具有重要意义。传统的土壤和植株分析方法虽然可以提供氮的含量,但需要进行大量的采样和实验室分析,不仅费时、费力,而且无法实现大范围快速监测。因此,发展一种快速、无损、大面积的氮营养诊断方法成为当前研究的热点。高光谱相机作为一种新型的光学仪器,具有同时获取植物连续光谱信息和图像信息的能力,为解决这一问题提供了新的途径。

image.png

水氮运筹是作物生产中最重要的管理措施,适时适量的氮素供给是作物高产优质的根本保障。因此,生产上需要基于适时掌握作物长势和氮素状况,进行及时合理地氮素诊断与施肥调控。然而已有的作物氮素监测方法在时间或空间上难以满足实时、快速、无损、准确诊断的要求。随着高光谱遥感技术的发展,使得遥感能在光谱维上展开,可以直接对地物进行微弱光谱差异的定量分析,在植物遥感与应用中表现出强大优势,并在农业生产中得到长足发展。高光谱遥感数据具有波段窄和连续的特点,可以构造许多对生物理化参数相对敏感的光谱指数,能够精细表达植被叶绿素、水、氮等生化组分吸收及细胞结构多次散射的波形,有助于提高高光谱数据用于提取作物生长信息的水平。冠层光谱是一种综合信息,是众多地物的混合光谱,为了准确提取目标物的特征信息,可以通过构造植被指数和使用微分光谱技术,以消除大气和背景的影响。因此,通过对冠层高光谱信息的提取和分析,可以对作物长势进行有效监测与营养诊断。高光谱指数与多光谱指数相比,能够显著提高许多植被参数的估测精度,但有时候会暴露出过于敏感的特点。在遥感定量分析中,有必要采用不同的光谱数据处理技术,用于压缩背景噪声,提高分析的精度;同时加大训练样本的数量和复杂度,增强分析结果的真实性和适用性。

image.png

叶片氮积累量是叶片氮含量与叶重的乘积,它既反映植株个体叶片氮含量的信息,又包含植被群体盖度特征。改善作物氮素营养,提高叶片氮含量,增加群体盖度,在叶片氮积累量水平上会反映得更为明显,反之亦然。因此,叶片氮积累量对作物群体长势及氮素诊断具有重要的理论意义。田间地力水平及管理措施的差异常导致作物个体与群体的异质性,但小麦叶片氮积累量却与产量密切相关5。小麦叶片氮素在开花~乳熟前高积累,灌浆开始叶片氮素稳定输出再分配,可以同时提高小麦产量和籽粒蛋白质含量,因此,了解叶片氮积累量的水平及动态变化,对评价作物生产能力及预测产量和品质均有重要意义。植被冠层光谱反映群体特征综合信息,研究叶片氮积累量与冠层光谱之间的量化关系,在小麦氮素诊断中具有重要的应用价值。


高光谱相机无损估测小麦叶片氮积累量

本研究应用了400-1000nm的高光谱相机,可采用广东赛斯拜克科技有限公司产品SP130M进行相关研究。光谱范围在400-1000nm,波长分辨率优于2.5nm,可达1200个光谱通道。采集速度全谱段可达128FPS,波段选择后最高3300Hz(支持多区域波段选择)。


cc707a9e513e200f0b8edd1bb2f6557f_1692004018147423.jpg


本研究目的是以不同年份、品种、施氮水平的田间试验为基础,综合分析小麦叶片氮素积累量与冠层高光谱参数的关系,以期确立氮素营养指标的定量监测模型,为遥感技术在小麦氮素营养诊断的实际应用提供理论依据和技术支持。


1材料与方法

1.1试验设计

本研究进行了3个田间试验,涉及到不同年份、不同类型品种及不同施氮水平。田间试验基本情况列于

表1。

试验1:于2003~2004年在江苏省农业科学院(南京市,118°78′E,32°04'N)进行。前茬水稻田,供试土壤为黄黏土,有机质0.96%,全氮0.10%,速效磷4029mg·kg¹,速效钾10278mg·kg¹。供试小麦品种为宁麦9号(低蛋白质含量,约10%)、淮麦20(中蛋白质含量,约12%)、徐州26(高蛋白质含量,约15%)和扬麦10(中蛋白质含量,约13%)。设5个施氮水平,分别为0、75、150、225和300 kg·hm²纯氮,基追比64,60%作基肥,拔节肥和孕穗肥各占20%,配施P2Os150 kg·hm⁻²和K₂O 1125kg·hm²,全部用作基肥。小区面积为16m²,基本苗为1.8×10°株/hm²,行距25am。两因素随机区组排列,3次重复。其他管理措施同高产大田栽培。该试验资料用于监测模型的检验。


试验2:2004~2005年在江苏省农科院进行,供试品种为宁麦9号(低蛋白含量,约10%),扬麦12号(中蛋白含量,约127%),豫麦34(高蛋白含量,约15%),土壤质地为重粘土,有机质209%,全氮0.18%,速效

氮150.20mg·kg¹,速效磷140.03mg·kg',速效钾113.5mg·kg'。前茬为水稻,试验设4个施氮水平:纯氮0 kg·hm⁻²(N0),纯氮75kg·hm²(N1),纯氮150 kg·hm⁻²(N2),纯氮225 kg·hm²(N3),配施80 kg·hmP₂Os和150 kg·hm²K₂O,磷钾肥全部用作基肥,以上各处理的氮肥50%用作基肥,50%为拔节期追肥。试验随机排列,3次重复,小区面积4×4.5=18m²,基本苗1.5×10株/hm²,行距25 cm。其他栽培管理措施同一般高产麦田。该试验资料用于建立监测模型。


试验3:2005~2006年在江苏省南京市农林局科学试验田(江宁区淳化镇,118°83'E,31°95'N)进行,供试品种为宁麦9号(低蛋白含量,约10%),豫麦34(高蛋白含量,约15%),土壤质地为黄棕壤,有机质1143%,全氮011%,速效氮625mg·kg¹,速效磷10.36mg·kg,速效钾825mg·kg¹。前茬为水稻,试验设4个施氮水平:纯氮0kg·hm⁻²(N0),纯氮90 kg·hm⁻²(N1),纯氮180 kg·hm⁻²(N2),纯氮270 kg·hm⁻²

(N3),配施150 kg·hm²P₂O₅和210kg·hm²K₂O,磷钾肥全部用作基肥,以上各处理的氮肥50%用作基肥,50%为拔节期追肥。试验随机排列,3次重复,小区面积5×5.5=27.5m²,基本苗1.8×10°株/hm²,行距25

cm。其他栽培管理措施同一般高产麦田。该试验资料用于建立监测模型。


image.png

1.2测定方法

1.21光谱数据测定

小麦冠层光谱测量采用美国Analytical SpectralDevice(ASD)公司生产的FieldSpec Pro FR2500型背挂式野外高光谱辐射仪,波段值为350~2500 mm,其中,350~1000 mm光谱采样间隔为1.4 mm,光谱分辨率为3mm;1000~2500 nm光谱采样间隔为2nm,光谱分辨率为10mm。冠层光谱测定选择在天气晴朗、无风或风速很小时进行,时间范围为10:00~14:00,传感器探头垂直向下,光谱仪视场角为25°,距冠层顶垂直高度约1.0

m,地面视场范围直径为0.44m。每个小区记录10个采样光谱,以其平均值作为该小区的光谱反射值。测量过程中及时进行标准白板校正(标准白板反射率为1,这样所得的目标物光谱是无量纲的相对反射率),对每组目标的观测前后均以参考板标定。

1.22农学参数测定

与光谱测量同步每小区取小麦20株按器官分离,各器官烘干、称重(将籽粒与颖壳剥离),粉碎后测定全氮含量。全氮含量采用凯氏定氮法测定,叶片氮素积累量LNA(gN·m²²)=叶片氮含量LNC(%)×叶片干物重LDW(gDWm²²)。

1.3数据分析与利用

本研究综合了已有光谱参数的算法,并在MAILAB语言环境下编程实现。以试验2和试验3资料为基

础,对小麦冠层多个光谱参数与叶片氮积累量进行相关分析,选择与叶片氮积累量显著相关的敏感波段及植被指数,通过回归分析建立小麦叶片氮积累量监测模型,利用估计标准误差(SE)和拟合决定系数(R²)优化方程。利用试验1资料对所筛选建立的模型进行测试和检验,采用通用的均方根差(RMSE)、平均相对误差

(RE)、精度(R²)和准确度(斜率)4个指标进行综合评定,并绘制观察值与预测值之间11关系图。本文所选取高光谱参数及定义见表2。


image.png

2  结果与分析

2.1不同施氮水平下小麦叶片氮素积累状况叶片氮含量和氮积累量是表征小麦氮素状况的主要指标。以试验3结果为例(表3),可以看出,两小麦

品种在各生育时期的叶片氮积累量均随施氮量增加而提高,不同处理间的差异随生育时期而表现不同,抽穗~开花植株生长旺盛,此时植株对氮的需求急剧增加,叶片氮积累量在处理间均达显著水平。品种间比较,叶片氮积累量在整个生育期均表现为宁麦9号高于豫麦34。叶片氮积累量随生育时期推进呈现先升后降的趋势,且在孕穗~抽穗达到高峰,两品种表现相同。增加施氮量提高叶片氮积累量的幅度因生育时期的差异而表现不同,宁麦9号在抽穗期最大,提高了7.15倍,豫麦34在孕穗期最大,提高了4.35倍,整个生育期均表现宁麦9号高于豫麦34,这表明宁麦9号较豫麦34对氮素的反应更为敏感。

image.png

2.2不同叶片氮素积累量水平下小麦冠层光谱变化

利用试验3中宁麦9号孕穗期冠层高光谱反射率为例,说明不同叶片氮积累量水平下小麦冠层高光谱反射率的响应模式(图1A),并对宁麦9号N2处理(纯氮180kg·hm²)拔节至灌浆后期冠层光谱反射率作图表达冠层光谱随生育时期的动态变化(图1B)。图1A显示,冠层叶片氮积累量的差异显著影响冠层光谱反射特征,在不同波段区域光谱响应不同。冠层光谱反射率在350~710mm和1400~2500mm波段随叶片氮积累量水平的增加而降低,相反,在740~1100 nm波段范围内提高,但在1100~1400 nm波段内未表现出明显规律。图1B对不同生育时期冠层光谱的分析表明,生育期差异对光谱的影响与叶片氮积累量类似,具有明显规律性变化的波段区域主要存在于紫外可见光波段(350~710mm)和近红外反射平台(740~1100 nm)区域,这是由于不同生育阶段的冠层结构和植株生化组分均发生剧烈变化,必然对光谱特征产生重要影响。从拔节到孕穗期,植株生长旺盛,吸氮量和冠层盖度急剧增加,并在抽穗~开花期维持较高水平,灌浆前期开始随着籽粒灌浆进程的推进,碳水化合物及氮素开始向籽粒转移并积累,绿叶减少,枯黄叶增加。因此,不同生育期的植株长势及生理变化对冠层光谱必然产生重要影响,拔节至孕穗、开花期,可见光区的光谱反射率逐潮降低,在近红外区逐渐升高,而在开花和灌浆前期至灌浆后期,冠层光谱的变化与生育前期却相反。

image.png

2.3小麦叶片氮素积累量与原始光谱及一阶导数间的相关性

将试验2和试验3所有生育时期的叶片氮积累量与对应的冠层光谱反射率及其一阶微分光谱数据(n=

402)进行总体统计相关分析(图2A)。由图2A可知,波长小于727 mm和大于1350 nm,光谱反射率与叶片氮积累量呈负相关,其中在560~710mm间相关系数存在一个较低的波谷(r·-0.73),在745~1100 mm间相关系数存在一个较高的平台(r@081),而在726 nm附近,相关系数迅速下降,且波动较大。叶片氮积累量与一阶微分光谱之间的相关系数图(图2B)表明,在480~510 mm为负相关且达较高水平,最高为- 0.84,此区域位于蓝边范围内;在710~755 nm间表现正相关,最大相关系数波长位于742mm附近(r=092),达极显著水平,该位置的光谱急剧变化,处于红边范围,与生物量及LA联系密切。在短波红外的1280~1340 mm和1500~1580 nm相关性均达较高水平。

2.4小麦叶片氮素积累量与高光谱参数的关系

冠层光谱反映植被群体信息,包括茎、叶、穗及土壤背景光谱,又受大气吸收散射的影响,通过对冠层光谱数据求微分,可以减小背景噪音的影响,同时有效分解混合光谱。利用微分光谱技术衍生了许多与之相关的光谱参数,通过叶片氮积累量与光谱参数间相关分析,筛选出5个表现较好的参数(表4),其中,利用红蓝边面积比和742mm处一阶导数作因变量,方程拟合效果较好,决定系数在0.9以上,此幂函数可以很好地表达

image.png

叶片氮积累量与光谱参数的关系(图3A、B)。单波段包含的信息简单且易受背景噪声的影响,与群体长势关系不稳定,因此,构造了多种植被指数。对叶片氮积累量与不同植被指数进行相关分析并建回归方程,优选出8个光谱参数用以表达与叶片氮积累量的关系(表4)。所选用的植被指数主要为差值或归一化指数,入选的波段为窄波段与宽波段并用,回归方程多表现为幂函数关系。而GREENNDV与叶片氮积累量的关系为指

数函数(R²=0.8996),当叶片氮积累量达到6gm²水平时就出现严重饱和,影响该函数的预测效果。其中,利用AVHRRXGVI掺数,所建立的回归估算方程具有较高的决定系数,拟合效果最好(图3D)。

image.png

2.5模型的测试与检验

为了考察模型的可靠性和普适性,利用2003~2004年度独立数据(Exp.1)对上述建立的方程分别进行验证,采用通用的均方根差(RMSE)、相对误差(RE)、精度(R²)、准确度(斜率)4个指标进行检验,模型的预测能力如表5所示。结果表明,综合4个指标,对叶片氮积累量的预测以FD742和红边位置两个光谱参数表现最优,预测的精度分别为0.8449和08394,RMSE分别为0984和1.014,预测的相对误差为15.65%和

15.38%,准确度均十分接近于1,说明该模型对叶片氮积累量的预测具有较好的准确度和普适性(表5、图

4)。考虑所采用2004~2005和2005~2006连续2a试验资料的建模过程,FD742与叶片氮积累量的关系密切(R²=09097),而红边位置(REPc)与叶片氮积累量的关系稍差(R²=0.8359),且利用FD742参数建立的方程不易饱和,可以适用于较高的叶片氮积累量水平。因此,利用FD742预测叶片氮积累量,方程拟合符合


image.png

度和模型预测精度均较高。利用SDr/SDb和AVHRRZGVI两个光谱参数对叶片氮积累量进行预测,测试检验的结果稍差,但其预测能力也达较高水平,且该参数在两年试验资料的建模过程中表现比较突出。因此,在预测叶片氮积累量时SDr/SDb和AVHRRXGV地是比较有潜力的指标,这还有待于在不同时空条件下进一步测试和评价。


image.png

image.png

3结语与讨论

叶片氮积累量包括叶片氮含量和叶片重量双重信息,能够更有效地反映小麦群体状态,用来表征冠层营养状况,指示小麦生产潜力。利用冠层光谱对氮含量和地上生物量或LA进行估测已有不少研究,但对冠层叶片氮积累量进行光谱定量分析是有重要意义和应用价值,本实验室对此已开展不少工作[12,13]。薛利红等研究表明,1220 nm与660 m波段组合可以较好反映小麦叶片氮积累量,李映雪[等在此基础上将122(nm调整为近红外平台超宽波段平均反射率,与660 nm波段组合,可以有效改善模型对叶片氮积累量的估算效果。本文利用连续3年大田试验资料,包括不同品种和施氮水平,不同年际和试验地点,资料内涵丰富,纺合分析了多种高光谱参数与叶片氮积累量的关系,建立了拟合度和检验精度均很好的监测模型。本研究采用的光谱参数构造形式多样,主要有多波段组合、模拟宽光谱波段的组合及微分光谱参数,比较分析了不同形式光谱参数的预测效果,其中,模拟宽光谱波段的组合可以为高空大面积遥感监测小麦氮素营养状况提供理论依据和技术支撑,利用微分光谱参数监测叶片氮积累量为高光谱遥感精细探测冠层生化组分提供了技术途径。

叶绿素的敏感波段主要在可见光区,生物量和盖度等对光谱的反应主要发生在近红外波段,而蛋白质的特征吸收光谱在中红外光区(2054 mm和2172mm),利用蛋白质特征光谱估测氮含量适用于干样品,由于水分的干扰,难以应用推广到活体群体水平。由于氮素是叶绿素最重要的组成部分,叶绿素与氮素存在良好的线性相关,因此对叶绿素的光谱研究同样适用于氮素状况的光谱估测。Bonham Carter等定义了红边”位置,并开始了红边”位置与色素关系的研究。Rock51、Curan⁶和Pinar"等认为,作物群体植被光谱的红边"位置能够很好地反映叶绿素密度信息。Gitelson⁹,1等研究认为“红边”位置更能反映LAI很好地估测生物量。Moses等开展了对不同算法下红边”位置的氮素估算效果进行评价。唐延林等研究表明,冠层光谱“红边”位置在孕穗前“红移”,抽穗后“蓝移”;赵春江  等研究认为,红边”随着施氮量的增加而红移”,相反,发生“蓝移”。本研究资料也显示,叶片氮积累量在孕穗前不断增加,发生红移”,于孕穗~抽穗期达到高峰,红移”程度与叶片氮积累量高度正相关;之后,籽粒开始灌浆,叶片氮素转移,叶片氮积累量逐渐下降,开始“蓝移”。因此,利用“红边”位置可以有效表达叶片氮积累量,这正是光谱监测的农学机理所在,本文基于此建立了利用红边”位置为变量的叶片氮积累量监测模型,在模型测试中表现突出。

叶绿素吸收光谱区约550~750mm,其中在绿峰(约550nm)和红谷(约680mm)附近光谱反射率随氮素状况呈规律性变化,生长旺盛时红光吸收加深加宽,导致变形点红移,表现衰老时,叶结构开始破坏和叶绿素减少,导致红光反射增加,变形点蓝移。因此,营养生长旺盛时,叶片氮积累量水平高,红移发生且红谷愈深,红边面积SDr增加,反之,发生蓝移且红谷变浅甚至消失,红边面积减小。由于绿峰反射率与氮素水平呈显著负相关,黄边面积SDy的变化规律与红边面积相似,而蓝边面积SDb的变化却与红边面积相反。唐延林[201、王秀珍[2]等研究表明,红蓝面积比可以很好地估计LAI和地上部生物量。Hansen²等利用692 mm和447nm两个波段的归一化指数预测小麦叶片氮含量,Penue las²4.251等采用680 mm和430mm两个波段定义色素简单比值指数SRPI和归一化色素指数NPC预测氮素状况。以上研究揭示,红光波段与蓝光波段在评价植被长势和氮素状况均十分有用。因此,构造红边面积与蓝边面积的比值或差值作为参数,它有助于改善与叶片氮积累量的相关性。本文以红蓝面积比为变量,与叶片氮积累量作回归分析,方程拟合性好,预测精度也

较高。

红边(680~780 mm)内最大的一阶微分值为红边斜率,与叶片氮积累量的关系显著相关,红边斜率所在波长位置即红边位置,其与叶片氮积累量的关系表现并不突出,而利用Miller"等求得的红边位置REP。(倒高斯模型)可用来预测叶片氮积累量(R²=0.8394,RMSE=1.014,n=134)。红边内与叶片氮积累量关系最密切的一阶微分值不在红边位置,而在742nm附近,此波长是光谱变化最剧烈的位置,叶片氮积累量水平越高,此处的冠层光谱变化就愈剧烈。有研究发现,水稻LAI和生物量与一阶微分光谱之间最大相关系数的波长位置亦发生在743m附近,且显著正相关(2)。因此,利用FD742与叶片氮积累量作回归分析,方程拟合效果好(R²=Q9097,SE =1.079,n=402),通过另一年的独立数据对模型进行检验,该模型预测精度高(R²=

0.8449,RMSE=0.984,n=134),表明本模型在不同条件下具有较好的普适性。然而本文中的监测模型是在一个生态区多年大田试验资料上构建的,若今后能通过不同生态点的广泛检验并不断完善,将在小麦氮素监测与诊断中具有更大的应用价值。


随着高光谱技术的发展和算法的进步,无损估测小麦叶片氮积累量的方法将更加精确和高效。未来,我们可以将高光谱相机与无人机、卫星等其他技术结合,实现从空中对小麦氮营养进行大范围监测,这将为精准农业提供强有力的支持。高光谱相机作为一种新型的光学仪器,为作物氮营养的监测提供了新的解决方案。无损估测小麦叶片氮积累量的方法不仅可以提高监测效率,而且不会对作物产生损害,具有巨大的应用潜力。虽然这种方法还面临着一些挑战,但随着技术的进步和算法的改进,其前景令人期待。

相关产品

农业监测排行榜top10

农业监测相关推荐