全 文 ：作物学报 ACTA AGRONOMICA SINICA 2011, 37(6): 1039−1048 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由国家自然科学基金项目(30860139)和国家高技术研究发展计划(863计划)项目(2006AA10Z207, 2006AA10A302)资助。
* 通讯作者(Corresponding author): 李少昆, E-mail: Lishk@mail.caas.net.cn, Tel: 010-82108891
第一作者联系方式: E-mail: Fangywang425@163.com
Received(收稿日期): 2010-11-19; Accepted(接受日期): 2011-03-28.
DOI: 10.3724/SP.J.1006.2011.01039
应用两种近地可见光成像传感器估测棉花冠层叶片氮素状况
王方永 1 王克如 1,2 李少昆 1,2,* 高世菊 2 肖春华 1 陈 兵 1 陈江鲁 1
吕银亮 1 刁万英 1
1 新疆兵团绿洲生态农业重点开放实验室 / 新疆作物高产研究中心, 新疆石河子 832003; 2 中国农业科学院作物科学研究所 / 农业
部作物生理生态与栽培重点开放实验室, 北京 100081
摘 要: 作物叶片含氮量是作物长势监测、产量及品质估测的重要依据, 实时、无损地监测植株体内氮素营养状况
有助于棉花氮肥的正确施用。本研究比较 2种近地可见光传感器的光谱和颜色信息用于监测棉花氮素营养的能力, 确
定 MSI200 成像光谱仪和数码相机监测棉花冠层叶片氮含量最佳的波段、光谱指数和颜色参数并建立估测模型。结
果表明, 在可见光波段, 冠层反射率随着冠层叶片氮素含量的增加而降低, 且叶片含氮量的光谱敏感波段主要位于
绿光和红光区域; 与棉花冠层叶片含氮量的拟合效果最好的 2种传感器的光谱指数为差值指数 DI(R580, R680)和 G–R,
而颜色参数则分别为 b*和H, 同一传感器以光谱指数的拟合效果优于颜色参数, 不同传感器以MSI200数据的拟合效
果优于数码相机; 利用独立试验资料检验所建模型的估测性能表明, 差值指数对棉花冠层叶片氮素的预测能力优于
比值指数和归一化差值指数, DI(R580, R680)和 G–R所建模型的估测精度最高, 分别为 0.8131和 0.7636。因此, 利用数
码相机和 MSI200型成像光谱仪可以定量估测棉花冠层叶片氮素营养状况。
关键词: 棉花冠层; 叶片含氮量; 成像光谱仪; 数码相机; 光谱指数; 颜色参数
Estimation of Canopy Leaf Nitrogen Status Using Imaging Spectrometer
and Digital Camera in Cotton
WANG Fang-Yong1, WANG Ke-Ru1,2, LI Shao-Kun1,2,*, GAO Shi-Ju2, XIAO Chun-Hua1, CHEN Bing1,
CHEN Jiang-Lu1, LÜ Yin-Liang1, and DIAO Wan-Ying1
1 Key Laboratory of Oasis Ecology Agriculture of Xinjiang Construction Crops / The Center of Crop High-Yield Research, Shihezi 832003, China;
2 Key Laboratory of Crop Physiology and Production, Ministry of Agriculture / Institute of Crop Sciences, Chinese Academy of Agriculture Sciences,
Beijing 100081, China
Abstract: Leaf nitrogen content is an important index to evaluate and estimate crop growth status, yield and quality. Real-time
and non-destructive measurement of nitrogen nutrition status of plants is useful for nitrogen fertilizer management in cotton
(Gossypium hirsutum L.) production. The objectives of this study were to determine the relationships of ground-based canopy
spectral reflectance, spectral index and color parameters obtained by using common digital camera (Olympus C-5060) and imag-
ing spectrometer (MSI200), with canopy leaf nitrogen content, and to develop regression models for estimating leaf nitrogen con-
tent in cotton. The results showed that canopy spectral reflectance decreased with increasing leaf nitrogen content, and the bands
sensitive to leaf nitrogen content occurred the green and red regions mainly. Furthermore, the models to retrieve canopy leaf ni-
trogen contents using DI (R580, R680) and G–R were most feasible with the maximum determination coefficients (R2) and the
minimum standard error (SE) for two visible sensors, respectively. Additional, b* (CIE 1976 L*a*b* color model) and H (HSI
color model) were the optimum color parameters. On the whole, for the fitting effects, the spectral index was superior to color
parameters for the same sensor, and MSI200 superior to digital camera. Then, the prediction performances of the spectral indices
of digital camera were validated by using independent dataset. We found that difference indices DI (R580, R680) and G–R were the
optimum indicators of canopy leaf nitrogen content with the highest predictive precision (0.8131 and 0.7636, respectively) and
accuracy (1.0149 and 0.9661) and the lowest RMSE (2.3313 and 2.7406 mg g–1, approximately 6.52% and 8.24% of the mean).
1040 作 物 学 报 第 37卷

Hence, canopy spectral parameters in visible region may provide an effective and feasible means of estimating canopy leaf nitro-
gen contents quantitatively in cotton field.
Keywords: Cotton canopy; Leaf nitrogen content; Imaging spectrometer; Digital camera; Spectral index; Color parameter
氮素是影响作物生长最重要的营养元素, 合理
的氮肥施用是促进作物生长和产量形成的关键[1]。
缺氮和过量施氮均会影响皮棉产量与纤维品质[2-3]。
缺氮引起作物叶面积、光合作用及生物量降低[4], 导
致减产; 而氮肥过量会导致植株徒长、品质变差、
增加成本及污染环境[5]。新疆是我国主要的商品棉
生产基地, 实时监测与准确评价棉花的氮素营养状
况, 对于指导棉花合理施肥, 确保棉花高产、优质生
产具有重要意义。
自然界中物体的颜色是由其 400~700 nm 区域
的光谱反射特性决定的。正常生长的棉花, 叶片颜
色由叶绿素的光谱特性决定, 叶绿素对绿光有较强
反射, 所以其叶片呈绿色[6-7]。叶片氮素是叶绿素的
重要组分 [8], 作物冠层颜色的深浅能够体现植株体
内氮素代谢水平[9-10]。缺氮时不同植物在可见光波
段的光谱反射率均表现出不同程度的增加趋势[6,11]。
国内外学者对各类作物的不同传感器光谱数据研究
表明, 可见光区域的 550 nm[6,9,12-16]、680 nm[7,9]和
710 nm[12,14-15]等波段的光谱反射率及 R517/R413[15]、
R600/R680 和 R630/R680[16]、R553/R670[17]和 R434/(R496×
R401)[18]等光谱指数可以用于估测小麦、玉米、水稻
和棉花等主要作物及蔬菜的叶绿素和氮素含量。综
上可见, 可见光区域的反射光谱及颜色特征可以用
于估测作物叶片叶绿素和氮素含量。
成像光谱仪(imaging spectrometer)能够获取目
标物大量窄波段连续光谱及其图像数据而被用于作
物营养状况的无损监测[19]。Schut 等[20]用成像光谱
仪检测草坪的氮素丰缺状况, 认为蓝边、绿边和红
边对草地的氮素高低较敏感。Noh 等[21]研究车载多
光谱成像传感器检测玉米的氮素胁迫状况后指出 ,
冠层图像绿色通道的反射率和 SPAD 读数高度相
关。谭海珍等[22]利用基于成像光谱仪的比值植被色
素指数 PPR成功监测了冬小麦苗期冠层叶绿素含量;
而王方永等[23]利用成像光谱仪对棉花生理指标监测
研究表明, 估测叶绿素、氮素和 SPAD 值的最佳光
谱和颜色参数分别为蓝光和红光波段组成的差值指
数和 b*。数码相机(digital camera)采集的彩色图像由
红、绿、蓝 3 个宽波段组成[24], 可以利用不同的颜
色模型量化数字图像的颜色信息进而用于作物氮素
快速监测。Ahmad等[25]研究认为作物彩色图像的颜
色特征可以作为作物肥水管理决策的参考指标。
Kawashima 等[10]利用彩色图像的 R–B 和(R–B)/(R+B)
参数对限定和非限定气象条件下的小麦和黑麦叶片
叶绿素含量进行了估测。Adamsen 等[26]发现小麦冠
层图像的 G/R参数与 NDVI和 SPAD值之间显著相
关。Karcher 等[27]提取的基于 HSB 颜色系统的作物
冠层绿色指标 DGCI 与施氮量间高度相关。Graeff
等[28-29]指出 CIE L*a*b*颜色模型的色差 ΔEb、b*参
数可以分别估测玉米和花椰菜的叶片氮素含量。Jia
等[30]认为数字图像的绿光强度在冬小麦的孕穗期和
开花期与冠层全氮含量、SPAD 读数极显著相关。
Pagola 等[31]利用主成分分析构建的颜色参数 Ipca与
大麦 SPAD 值之间高度相关。张立周等[32]提出数字
图像的 B/(R+G+B)是夏玉米氮素营养诊断的最佳指
标。在棉花上相关的研究报道较少, 国内学者利用
数码相机估测棉花氮素营养状况的研究结果表明 ,
棉花叶片和冠层尺度的叶绿素含量可以分别用 B/R和
S[33]、R–B[23]与 G–R[34]等参数估测, 而 B/(R+G)[35]、
R–B[23]等则能分别用于指示施氮量和叶片含氮量。
上述分析表明, 虽然利用可见光成像传感器诊断作
物氮素营养是可行的 , 但不同人 , 在不同作物上 ,
用不同传感器得到的估测作物氮素营养状况的最佳
光谱指数和颜色参数有较大差异, 从而限制了该技
术在生产中的实际应用。因此, 开展不同传感器在
作物氮素营养监测中的应用研究显得非常必要。
本文以不同年份、不同施氮水平棉花田间试验
为信息源, 利用 MSI200 成像光谱仪和普通数码相
机 2 种近地可见光成像传感器采集棉花冠层数据,
系统分析棉花冠层叶片含氮量与可见光光谱和颜色
参数的定量关系, 筛选出预测能力和一致性较好的
参数, 并建立相应的估测模型, 以期为近地可见光
成像传感技术用于棉花氮素营养监测提供理论依
据。
1 材料与方法
1.1 试验设计
试验于 2006—2009 年在石河子大学新疆兵团
绿洲生态农业重点实验室田间试验站(44.3138°N、
86.0583°E)进行。试验地的土壤质地为壤质灰漠土,
施用 P2O5 150 kg hm–2和 K2O 75 kg hm–2作为基肥。
第 6期 王方永等: 应用两种近地可见光成像传感器估测棉花冠层叶片氮素状况 1041


种植行向为南北向, 于 4 月下旬进行膜上点播 , 干
播湿出。灌溉方式为膜下滴灌, 用水表控制和分配
各时期的灌溉量。其他田间管理按照大田高产栽培
模式进行。
2006年试验设 0(N0)、150(N1)、300(N2)、450(N3)
和 600(N4) kg hm–2 5个施氮(纯氮)水平, 基肥施用
40%, 追肥在花铃期分两次(30%, 30%)施用。采用
30 cm+60 cm 宽窄行种植方式, 供试品种为新陆早
13, 种植密度为 24 万株 hm–2, 灌溉量为 3 900 m3
hm–2。试验小区随机区组排列, 重复 3次, 小区面积
为 5.4 m×10.0 m。测定日期为 6月 29日(初花期)、7
月 16日(盛花期)、8月 2日(盛铃前期)、8月 16日(盛
铃后期)和 9 月 5 日(吐絮期)。使用数码相机采集棉
花冠层图像, 然后取样测定叶片含氮量。
2007年试验设 0(N0)、150(N1)、300(N2)、450(N3)
和 600(N4) kg hm–2 5个施氮(纯氮)水平, 按棉花整
个生育期的需肥和需水规律, 随水滴施氮肥。采用
15 cm+50 cm 宽窄行配置方式。供试品种为 297-5,
种植密度为 24万株 hm–2, 灌溉量为 4 050 m3 hm–2。
小区面积 5.2 m×10.0 m, 随机区组排列, 重复 3次。
测定日期为 6月 29日(初花期)、7月 16日(盛花期)、
8月 1日(盛铃前期)和 8月 19日(盛铃后期), 进行冠
层图像采集和采样测定叶片含氮量。
2008年试验设 0(N0)、205(N1)、375(N2)、525(N3)
和 675(N4) kg hm–2 5个施氮(纯氮)水平, 按棉花整
个生育期的需肥和需水规律, 随水滴施氮肥。采用
15 cm+50 cm宽窄行配置方式。供试品种为标杂 A1,
种植密度为 24万株 hm–2, 灌溉量为 4 500 m3 hm–2。
小区面积 5.2 m×10.0 m, 随机区组排列, 重复 3次。
测定日期为 7月 17日(盛花期)、8月 9日(盛铃期), 进
行 MSI200 成像光谱仪和数码相机数据采集和采样
测定叶片含氮量。
2009年试验设 0(N0)、 150(N1)、 300(N2)、
450(N3)、600(N4) kg hm–2 5个施氮(纯氮)水平, 按
棉花整个生育期的需肥和需水规律 , 随水滴施氮
肥。采用 30 cm+50 cm宽窄行配置模式, 供试品种
为新陆早 33 号, 种植密度为 21 万株 hm–2, 灌溉量
为 4 500 m3 hm–2。小区面积为 6.4 m×10.0 m, 随机
区组排列, 重复 3次。测定日期为 6月 19日(蕾期)、
7 月 11 日(盛花期)、7 月 25 日(盛铃前期)、8 月 18
日(盛铃后期)和 9月 8日(吐絮期)。在各测定日期使
用数码相机采集冠层图像和采样测定叶片含氮量 ,
仅在 7 月 11 日和 7 月 25 日同步测定 MSI200 成像
光谱数据。
1.2 数码相机图像采集及颜色模型选择
于晴朗无风或风速较小和太阳高度角变化较小
的中午时段(北京时间 13:00~15:00), 在田间自然光
照条件下 , 使用普通数码相机 (Model No. C-5060
Wide Zoom, Olympus Corporation)采集棉花冠层图
像, 相机镜头垂直距棉花冠层约 150 cm, 测定覆盖
面积为 165 cm×124 cm。相机设置为固定焦距、自
动曝光和自动白平衡模式, 采用 2 592×1 944像素的
图像分辨率 , 以 JPEG (joint photographic experts
group)格式存储并传输至计算机。
图像处理软件由本课题组利用 Microsoft Visual
Studio.NET 工具开发, 选择面向硬件设备的最常用
的RGB模型和面向彩色处理的最常用的HSI颜色模
型量化棉花冠层图像信息。利用阈值法识别和分割
出棉花冠层叶片后, 计算出该区域所有像素的 R、
G、B及色调 H、饱和度 S和亮度 I值, 并以均值表
示[34]。R、G 和 B 值为对应波段的光强反射值, 反
映棉花冠层的光谱信息, 而 H、S和 I值用于量化棉
花冠层的颜色信息。
1.3 成像光谱仪数据采集
MSI200 多光谱成像测色系统 (MSI200 Multi-
Spectral Imaging & Color Measurement System)是由
本课题组与北京奥博泰科技有限公司联合研发的小
型便携式多光谱成像分析系统。该系统由光学成像
系统、可调谐滤光器、高分辨低噪声数字 CCD摄像
机及系统软件组成, 成像感光器件为 2/3 英寸 CCD,
分辨率为 130 万像素 (1 280×1 024)。成像光谱范围
为 420~720 nm, 光谱间隔带宽为 10 nm, 共有 31个
光谱波段, 每个波段可分别成像且可合成多光谱图
像, 即可获得目标物的图像立方体。利用便携式计
算机操作 CCD成像系统进行数据采集与传输, 数据
传输方式为 USB2.0。在 40~50 s内即可完成目标物
31 幅窄波段光谱图像的连续采集, 在获取作物二维
空间信息的同时获取其内所有点的光谱 (颜色 )信
息。
与数码相机数据采集同步, 将 MSI200 型成像
光谱仪(视场角为 14°)的镜头置于垂直距冠层顶部
约 100 cm处, 测定面积为 26 cm×21 cm。在视场内
放置白板同步测量其 DN 值作为每幅图像光谱的参
考。使用 MSI200 系统软件定量分析所获成像光谱
数据, 可以直观分析成像范围内任意点的光谱和颜
色数据并进行目标物分类与识别, 提取目标物的各
1042 作 物 学 报 第 37卷

个波段的反射率值和颜色值 , 采用与设备无关的
CIE 1976 L*a*b*颜色模型量化冠层的颜色信息。
CIE L*a*b* 颜色模型用 L*表示亮度, 值从 0(黑)到
100(白)表示由暗到亮; a*和 b*表示色度坐标, 其中,
a*表示从绿色到红色 , 正向的数值越大表示越红 ,
负向的数值越大则表示越绿; b*表示从蓝色到黄色,
正向数值越大表示越黄 , 负向的数值越大表示越
蓝[29]。
2种仪器测定面积不同 , 通过图像裁切使之相
同。对于相同试验处理, 图像裁切前与裁切后提取
的颜色值差异不显著, 表明同一处理可看作是均一
群体, 2种仪器获取的图像具可比性。
1.4 冠层叶片氮素含量的测定
与成像传感器测定同步, 每个样点取视场内有
代表性的植株 3 株, 将叶片分离后在 105℃杀青 30
min, 80℃烘干至恒重, 称重, 粉碎过筛后用凯氏定
氮法 (Kjeldahl Digestion)测定叶片全氮含量 LNC
(mg g–1, DW)。
1.5 数据分析方法
对于 2种近地可见光传感器, MSI200成像光谱
仪以 2009 年数据(n=35)为分析基础 , 而数码相机
以 2007年和 2009年的数据(n=172)为基础, 分析不
同含氮量冠层叶片的可见光波段反射率的变化特
征 , 之后对可见光区域原始光谱和所有两波段组
成的比值(式 1)、归一化差值(式 2)和差值(式 3)光
谱指数以及颜色参数与棉花冠层叶片氮素含量进
行相关分析, 筛选出相关性较好的敏感波段、光谱
指数及颜色参数 , 建立冠层叶片氮素含量预测的
回归模型, 并用方程拟合的决定系数(R2)和估计标
准误(SE)进行优选。为了评估模型的性能, 利用独
立的数据进行检验。其中, MSI200成像光谱仪使用
2008年数据 (n=25), 而数码相机使用 2006年和
2008年的数据(n=72)。模型评价的指标采用预测均
方根误差(RMSE)、相对均方根误差(RRMSE, RMSE
与实测值均值的比值)、精确度(R2)和准确度(Slope,
截距为 0 时预测值和实测值之间的线性方程的斜
率)[36]等。
RI (Rλ1, Rλ2) = Rλ1／Rλ2 (1)
ND (Rλ1, Rλ2) = (Rλ1–Rλ2)／(Rλ1+Rλ2) (2)
DI (Rλ1, Rλ2) = Rλ1–Rλ2 (3)
上式中, Rλ1和 Rλ2分别表示波段λ1和λ2的光谱反射
率。
采用 SAS 9.0和Microsoft Excel 2003统计分析,
并用 SigmaPlot 11.0绘图。
2 结果与分析
2.1 不同施氮水平对棉花冠层叶片氮素含量的
影响
叶片氮素含量是表征棉花氮素营养状况的主要
指标, 在不同施氮水平和生长发育阶段呈明显变化
规律。以 2006 年试验为例, 由图 1 可见, 棉花冠层
叶片含氮量总体上随施氮量的增加而增加。处理间
叶片氮含量变化规律随生育进程而异, 其中, N0 和
N1 处理为渐降型, 其余处理均为先升后降型, 且在
盛花期(7 月 16 日)最高; 不同处理的叶片氮含量差
异在盛花期最大。

图 1 不同施氮水平下棉花叶片氮素含量的变化
Fig. 1 Dynamic changes of leaf nitrogen content in cotton
under different N rates

2.2 不同含氮量的冠层叶片的可见光区域光谱
特征
以 2009年盛花期(7月 11日)数据分析可见光波
段的光谱对不同氮素含量的响应。图 2-A (MSI200)
表明, 在可见光波段, 冠层叶片氮素含量显著影响冠
层光谱反射特征, 冠层反射率随施氮量的增加而降
低。不同氮含量的棉花冠层的可见光光谱曲线形状和
特征吸收波段呈较一致的变化趋势 , 蓝光波段
(420~500 nm)的反射率较低, 在绿光波段 550 nm出
现一个反射峰, 而在红光波段的 660 nm附近形成一
个吸收谷, 从低反射红光波段向近红外波段过渡的
红边区(700 nm 左右)的反射率快速上升。此外, 图
2-B显示了数码相机测量的 3个宽波段的冠层反射光
强随施氮量的增加而降低, 对绿光的反射最大, 而对
蓝光的反射最少。可见, 2 种光谱分辨率不同的仪器
对不同施氮量条件下的光谱响应是一致的。
第 6期 王方永等: 应用两种近地可见光成像传感器估测棉花冠层叶片氮素状况 1043



图 2 棉花冠层光谱随叶片含氮量(mg g–1)的变化
Fig. 2 Changes in canopy spectral reflectance with varied leaf nitrogen content (mg g–1) of cotton

2.3 冠层叶片含氮量与 2种传感器原始数据的相
关性
利用 2 0 0 9 年数据分析棉花叶片含氮量与
MSI200 光谱反射率的相关结果表明(图 3), 在可见
光波段(400~720 nm)二者间整体上表现负相关。其
中, 蓝光波段的反射率对叶片氮素含量的变化相对
不敏感(r > –0.36), 在 540~590 nm的绿光和 690~720
nm的红边波段相关性较好(r < –0.60), 最大相关出
现在 710 nm (r = –0.79); 而在 640~670 nm红谷区域,
叶绿素强烈吸收使得红光光谱反射率趋于稳定, 降
低了与叶片含氮量的相关性。可见, 利用不同光谱
指数算法对与叶片含氮量相关性不同的波段光谱信
息进行充分的挖掘, 可以确定估测棉花叶片氮素含
量的最佳光谱参数。MSI200 成像光谱仪采用 CIE
1976 L*a*b*颜色模型量化叶片的颜色信息, 对 L*、
a*和 b*颜色参数与棉花冠层叶片氮素含量的关系表

图 3 冠层叶片含氮量与叶片反射率的相关图
Fig. 3 Correlogram of canopy leaf nitrogen content to canopy
reflectance (n=35)
明, b*与叶片含氮量呈极显著负相关(r = –0.60), 而
L*、a*与含氮量相关不显著。
数码相机所采集的数字图像的 RGB值, 本质上
是对红、绿和蓝 3个宽波段(RGB的中心波长分别为
700.0、546.1和 435.8 nm)反射光强的量化表达, 也
反映了冠层叶片对光的反射特性。综合 2007 年和
2009 年所有数据资料(n=172), 对数码相机 RGB 光
谱值和颜色参数与冠层叶片含氮量进行相关分析 ,
结果表明, 棉花冠层叶片含氮量与红光波段反射值
R之间极显著负相关(r = –0.35**), 而与 G、B之间相
关不显著; 颜色参数中的色调 H (r = 0.65**)与含氮
量极显著正相关。
2.4 棉花冠层叶片含氮量估测的最佳光谱指数
及定量模型
用比值、归一化和差值 3 类光谱指数算法计算
MSI200 光谱仪原始光谱所有波段组合的光谱指数,
并且分析光谱指数与叶片含氮量的关系, 得出二次
多项式模型是利用光谱指数拟合叶片含氮量的最佳
模型, 用决定系数等势图(图 4)展示。可见, 不同波
段组合的光谱指数拟合叶片氮含量的能力有差异 ,
其中 520~600 nm与 420~500 nm波段组合、640~690
nm与 530~620 nm波段组合构建的比值和归一化差
值指数均与叶片含氮量极显著相关, 而与氮含量相
关性较好的差值指数的波段组合为 520~590 nm 与
420~520 nm和 610~680 nm与 530~640 nm。通过比
较拟合方程的决定系数和估计标准误的大小进行参
数和模型优选, 分别利用与棉花冠层叶片含氮量关
系最密切的比值指数 RI (R580, R690)、归一化指数
1044 作 物 学 报 第 37卷


图 4 棉花冠层叶片氮素含量与比值指数(A)、归一化指数(B)和差值指数(C)的关系(n=35)
Fig. 4 Variation in determination coefficient (derived from quadratic polynomial regression model) for the relationships between
canopy leaf nitrogen content and the matrix of combinations of Rλ1 and Rλ2 used in ratio index(A), normalized index(B) and difference
index (C) (n=35)

ND (R580, R690)和差值指数 DI (R580, R680)建立估测模
型(表 1)。结果表明, 最佳光谱指数的波段分别位于
绿光和红光区域 , 而且差值指数的估测精度最高 ,
误差最小。
进一步分析数码相机 RGB 宽波段组合计算的
比值、归一化和差值光谱指数与冠层叶片氮含量的
关系, 结果表明(表 1), 最佳的拟合模型为二次多项
式方程, 3类光谱指数中表现最佳的分别为 G/R、
(G–R)/(G+R)和 G–R, 模型拟合的决定系数最大, 且
标准误最小 , 其中又以差值指数的拟合精度最高 ,
说明绿光和红光波段组合构建的光谱指数能较好地
估测棉花冠层叶片氮素含量。可见, 数码相机 RGB计
算的光谱指数与上文中 MSI200 的分析结果相同, 在
最佳拟合模型、指数类型和波段的选择上均较一致。

表 1 光谱指数(x)与棉花冠层叶片氮素含量(y)的定量关系
Table 1 Quantitative relationships between spectral index (x) and canopy leaf nitrogen content (y) in cotton
传感器
Sensor
光谱指数
Spectral index
回归方程
Regression equation
决定系数
R2
标准误
SE
RI(R580, R690) y = –517.14+966.34x–416.87x2 0.7237 3.4578
ND(R580, R690) y = 5.5878+380.03x–1061.20x2 0.7231 3.4607
MSI200 (n=35)
DI(R580, R680) y = –2.8719+969.48x–5266.60x2 0.7908 2.7676
G/R y = –366.4+603.89x–222.13x2 0.6675 3.7664
(G–R)/(G+R) y = 14.889+343.73x–937.72x2 0.6669 3.6789
Digital camera
(n=172)
G–R y = 13.189+1.0224x–0.0067x2 0.7068 3.2717

2.5 模型检验
利用独立观测数据对构建的棉花冠层叶片氮素
含量估测模型进行测试和检验, 采用估测值的均方
根误差(RMSE)、相对均方根误差(RRMSE)、精确度
(R2)和准确度(Slope)等指标综合评定模型的估测能
力, 并用 1∶1关系图直观展示了对不同年份、不同
生育期和不同品种棉花冠层叶片含氮量的估测效
果。结果表明(图 5), 所建模型的氮含量估测值与实
测值之间均达极显著相关。基于 MSI200 (图 5-A)的
DI (R580, R680)所建的棉花冠层叶片含氮量的估测模
型的RMSE为 2.3313 mg g–1 (占均值的 6.52%), 估测
精确度为 0.8131。而 RI (R580, R690)和 ND (R580, R690)
所建模型的估测误差分别为 3.4805和 3.4265 mg g–1,
估测精度分别为 0.7092 和 0.7079。此外, 数码相机
(图 5-B)图像的 G波段和 R波段的 3种指数组合中,
G–R 所建模型的估测精确度 (0.7636)和准确度
(0.9661)较高, 且 RMSE较小(2.7406 mg g–1, 为均值
的 8.24%)。而 G/R 和(G–R)/(G+R)表现出的估测能
力相当, 估测误差相对较大(> 4.7 mg g–1), 精确度
较低(< 0.66)。上述结果表明, 对于同一成像传感器,
以差值指数对冠层叶片氮含量的估测能力最强, 比
值指数和归一化差值指数的估测能力相当; 而对于
2 种不同传感器, MSI200 对冠层氮含量的监测能力
要强于数码相机; 同时, 二者的监测结果具有较好
的一致性, 均能够对棉花冠层叶片氮含量进行有效
的监测。
第 6期 王方永等: 应用两种近地可见光成像传感器估测棉花冠层叶片氮素状况 1045



图 5 棉花冠层叶片氮素含量估测值和实测值之间的比较
Fig. 5 Comparison of estimated and measured conapy leaf nitrogen content in cotton

3 讨论
快速、精确监测植株的养分含量是实现作物养
分精准管理的关键[6]。国内外学者利用卫星、航空
和近地面等不同平台的遥感数据在作物氮素营养监
测方面已进行了大量的研究。本文利用 2 种近地可
见光成像传感器, 分析和评估了对棉花冠层氮素状
况敏感的光谱和颜色参数, 证实了 MSI200 和数码
相机对作物冠层叶片氮素营养监测是切实可行的。
与非成像地物光谱仪不同, MSI200在对目标物
成像的同时测量其光谱反射率(图像立方体), 可以
根据所成图像中目标物的位置和形状进行感兴趣区
域的选择, 之后运用去混合和光谱分类等方法采集
该区域目标物的纯光谱和颜色信息。谭海珍等[22]研
究发现 MSI200 对冬小麦苗期冠层叶绿素的估测精
度优于非成像光谱仪。比较利用 MSI200 估测棉花
单个叶片[23]和冠层叶片氮素含量的结果发现, 在叶
片和冠层尺度上, 与含氮量相关性最好的单波段反
射率和颜色参数分别为 710 nm和 b*, 与前人在绿叶
蔬菜[12]、玉米[37]、棉花[15]和花椰菜[29]上的研究结果
一致; 而 2 种尺度的最佳光谱指数虽然都是差值指
数 DI, 但波段组合不同, 分别为 DI (R580, R680)和 DI
(R420, R720)有明显差异, 可能与作物类型或作物当
时的生理状态不同有关。数码相机是应用最广泛的
成像传感器, 从其 RGB 颜色值为棉花叶片反射的
红、绿、蓝电磁波谱能量的角度出发, 本研究将图
像的 RGB值作为光谱数据进行分析。比较利用数码
相机估测棉花单个叶片[23]和冠层叶片氮含量的结果
发现, 在叶片和冠层尺度上, 与含氮量相关性最好
的波段为 R 值; 而最佳的光谱指数也为差值指数,
且分别为 R–B 和 G–R, 与提出的 DI [R420(蓝光),
R720(红光 )]和 DI [R580(绿光 ), R680(红光 )]分别为
MSI200在叶片和冠层 2种研究尺度上的最佳监测指
数的结果一致; 此外, 最佳的颜色参数分别为 S 和
H。本课题组用数码相机监测棉花冠层生理指标的
研究结果表明, 棉花冠层图像的 G–R是估测棉花冠
层叶片叶绿素 [34]和氮素含量的最佳指标 , 与
Adamsen等[26]提出的小麦冠层图像的 G/R与叶绿素
1046 作 物 学 报 第 37卷

含量正相关有相似之处, 表明作物冠层图像的 G 与
R 组合与冠层叶片叶绿素和氮素含量关系密切。综
上可见, 冠层和叶片尺度上所筛选的可见光波段的
最佳估测指标有差异 , 可能与不同的研究尺度下 ,
冠层和叶片对光的反射特性不同有关, 冠层反射率
主要由叶片单次反射和多次反射组成, 而叶片反射
率则受多次反射的影响很小。而且, 由于数码相机
仅有 3 个宽波段, 光谱分辨率低于 MSI200, 所以数
码相机的估测能力逊于MSI200, 但是在相同的研究
尺度上所筛选的最佳估测参数具有一致性, MSI200
的结果有力地支持了数码相机的研究结果。此外 ,
本研究在建模和检验过程中, 虽然基于数码相机的
估测方法所使用的样本数和基于 MSI200 的估测方
法所使用的样本数差异均较大, 但是用于建模的数
据来源丰富并具有代表性, 而用于检验的数据也具
有独立性和代表性, 因此数据量的大小只会对精度
有所影响, 而不会改变分析结果。
随着光电子技术和计算机技术的发展, 以结构
小巧、操作简单、稳定性高、成本低廉等诸多特点
著称的智能相机(Smart camera)已广泛地用于自动
化生产过程中的工况监视、成品检验和质量控制等
工业领域。智能相机是一种高度集成化的微小型机
器视觉系统, 通过传感器将被摄目标转换成图像信
号并传送至图像处理系统, 将像素分布和亮度、颜
色等信息转变成数字信号后进行各种运算来提取目
标的特征, 进而返回检测结果。因此, 如能将智能相
机技术与筛选出的数码相机估测作物氮素营养状况
的最佳指标相结合, 有望开发出一种实时、无损测
量作物氮素的速测仪, 对评价田间作物氮素营养水
平、胁迫状况、光合作用效率乃至生产力都有重要
意义, 在作物生产中具有良好的推广和应用前景。
此外, 本文模型建立和测试资料包含几年的不同棉
花品种和不同生育期资料, 因此所建模型理论上适
用于不同棉花品种和主要生育期, 但是模型建立是
在相同生态区多年田间试验资料的基础上进行的 ,
需要在不同生态区域进行验证和完善。
4 结论
构建 3 种光谱指数的最佳波段分别位于绿光
(580 nm)和红光(680 nm和 690 nm)波段。而且, 数
码相机图像三波段构建的光谱指数也以 R与 G的组
合表现最好。此外, b*和 H 分别为 2 种传感器与冠
层叶片氮素含量关系较好的颜色参数, 但拟合效果
比光谱指数差。DI (R580, R680)和 G–R分别为 MSI200
和数码相机估测棉花冠层叶片含氮量的最佳指标。
总体而言, 同一传感器的差值指数对棉花冠层氮含
量的估测能力要优于比值和归一化指数, 不同传感
器间以 MSI200优于数码相机。MSI200成像光谱仪
的分析结果从理论上支持了数码相机在棉花氮素营
养估测和诊断上应用的有效性与可行性。
References
[1] Lee Y J, Yang C M, Chang K W, Shen Y. A simple spectral index
using reflectance of 735 nm to assess nitrogen status of rice ca-
nopy. Agron J, 2008, 100: 205−212
[2] Gerik T J, Oosterhuis D M, Torbert H A. Managing cotton nitro-
gen supply. Adv Agron, 1998, 64: 115−147
[3] Reddy K R, Koti S, Davidonis G H, Reddy V R. Interactive
effects of carbon dioxide and nitrogen nutrition on cotton growth,
development, yield, and fiber quality. Agron J, 2004, 96:
1148−1157
[4] Fernandez C J, McInnes K J, Cothren J T. Water status and leaf
area production in water- and nitrogen-stressed cotton. Crop Sci,
1996, 36: 1224−1233
[5] Jaynes D B, Colvin T S, Karlen D L, Cambardella C A, Meek D
W. Nitrate loss in subsurface drainage as affected by nitrogen fer-
tilizer rate. J Environ Qual, 2001, 30: 1305−1314
[6] Thomas J R, Gausman H W. Leaf reflectance vs leaf chlorophyll
and carotenoid concentration for eight crops. Agron J, 1977, 69:
799−802
[7] Blackburn G A. Spectral indices for estimating photosynthetic
pigment concentrations: a test using senescent tree leaves. Intl J
Remote Sens, 1998, 19: 657−675
[8] Fang Z, Bouwkamp J, Solomos T. Chlorophyllase activities and
chlorophyll degradation during leaf senescence in non-yellowing
mutant and wild type of Phaseolus vulgaris L. J Exp Bot, 1998,
49: 503−510
[9] Filella I, Serrano L, Serra J, Peńuelas J. Evaluating wheat
nitrogen status with canopy reflectance indices and discriminant
analysis. Crop Sci, 1995, 35: 1400−1405
[10] Kawashima S, Nakatani M. An algorithm forestimating
chlorophyll content in leaves using a video camera. Ann Bot,
1998, 81: 49−54
[11] Al-Abbas A H, Barr R, Hall J D, Crane F L, Baumagardner M F.
Spectra of normal and nutrient-deficient maize leaves. Agron J,
第 6期 王方永等: 应用两种近地可见光成像传感器估测棉花冠层叶片氮素状况 1047


1974, 66: 16−20
[12] Xue L, Yang L. Deriving leaf chlorophyll content of green-leafy
vegetables from hyperspectral reflectance. ISPRS J Photo-
grammetry Remote Sens, 2009, 64, 97−106
[13] Blackmer T M, Schepers J S, Varvel G E. Light reflectance com-
pared with other nitrogen stress measurements in corn leaves.
Agron J, 1994, 86: 934−938
[14] Xue L, Cao W, Luo W, Dai T, Zhu Y. Monitoring leaf nitrogen
status in rice with canopy spectral reflectance. Agron J, 2004, 96:
135–142
[15] Zhao D, Reddy K R, Kakani V G, Read J J, Koti S. Selection of
optimum reflectance ratios for estimating leaf nitrogen and chlo-
rophyll concentrations of field-grown cotton. Agron J, 2005, 97:
89−98
[16] Schlemmer M R, Francis D D, Shanahan J F, Schepers J S. Re-
motely measuring chlorophyll content in corn leaves with differ-
ing nitrogen levels and relative water content. Agron J, 2005, 97:
106−112
[17] Tang Y-L(唐延林), Huang J-F(黄敬峰), Wang R-C(王人潮).
Change law of hyperspectral data with chlorophyll and carote-
noid for rice at different developmental stages. Chin J Rice Sci
(中国水稻科学), 2004, 18(1): 59−66 (in Chinese with English
abstract)
[18] Tian Y-C(田永超), Yang J(杨杰), Yao X(姚霞), Zhu Y(朱艳),
Cao W-X(曹卫星). A newly developed blue nitrogen index for
estimating canopy leaf nitrogen concentration of rice. Chin J
Appl Ecol (应用生态学报), 2010, 21(4): 966−972 (in Chinese
with English abstract)
[19] Pu R-L(浦瑞良), Gong P(宫鹏). Hyperspectral Remote Sensing
and Its Application (高光谱遥感及其应用). Beijing: Higher
Education Press, 2000. p 22 (in Chinese)
[20] Schut A G T , Ketelaars J J M H. Imaging spectroscopy for early
detection of nitrogen deficiency in grass swards. Neth J Agric Sci,
2003, 51: 297−317
[21] Noh H, Zhang Q, Shin B, Han S, Feng L. A neural network
model of maize crop nitrogen stress assessment for a multi-spec-
tral imaging sensor. Biosyst Eng, 2006, 94: 477−485
[22] Tan H-Z(谭海珍), Li S-K(李少昆), Wang K-R(王克如), Xie
R-Z(谢瑞芝), Gao S-J(高世菊), Ming B(明博), Yu Q(于青), Lai
J-C(赖军臣), Liu G-Q(刘国庆), Tang Q-X(汤秋香). Monitoring
canopy chlorophyll density in seedlings of winter wheat using
imaging spectrometer. Acta Agron Sin (作物学报), 2008, 34(10):
1812−1817 (in Chinese with English abstract)
[23] Wang F-Y(王方永), Wang K-R(王克如), Li S-K(李少昆), Chen
B(陈兵), Chen J-L(陈江鲁). Estimation of chlorophyll and
nitrogen contents in cotton leaves using digital camera and
imaging spectrometer. Acta Agron Sin (作物学报), 2010, 36(11):
1981−1989 (in Chinese with English abstract)
[24] Gonzalez R C, Woods R E. Digital Image Processing, 2nd edn.
Pearson Education, Inc., Publishing as Prentice Hall, 2002. pp
4−10
[25] Ahmad I S, Reid J F. Evaluation of colour representations for
maize images. J Agric Eng Res, 1996, 63: 185−195
[26] Adamsen F J, Pinter P J Jr, Barnes E M, LaMorte R L, Wall G W,
Leavitt S W, Kimball B A. Measuring wheat senescence with a
digital camera. Crop Sci, 1999, 39: 719−724
[27] Karcher D E, Richardson M D. Quantifying turfgrass color using
digital image analysis. Crop Sci, 2003, 43: 943–951
[28] Graeff S, Claupein W. Quantifying nitrogen status of corn (Zea
mays L.) in the field by reflectance measurements. Eur J Agron,
2003, 19: 611−618
[29] Graeff S, Pfenning J, Claupein W, Liebig H P. Evaluation of
image analysis to determine the N-fertilizer demand of Broccoli
plants (Brassica oleracea convar. botrytis var. italica). Adv Op-
tical Technol, 2008, DOI: 10.1155/2008/359760
[30] Jia L, Chen X, Zhang F, Buerkert A, Römheld V. Use of digital
camera to assess nitrogen status of winter wheat in the northern
China plain. J Plant Nutr, 2004, 27: 441−450
[31] Pagola M, Ortiz R, Irigoyen I, Bustince H, Barrenechea E,
Aparicio-Tejo P, Lamsfus C, Lasa B. New method to assess
barley nitrogen nutrition status based on image colour analysis:
comparison with SPAD-502. Comput Electron Agric, 2009, 65:
213−218
[32] Zhang L-Z(张立周), Wang D-W(王殿武), Zhang Y-M(张玉铭),
Cheng Y-S(程一松 ), Li H-J(李红军 ), Hu C-S(胡春胜 ).
Diagnosis of N nutrient status of corn using digital image
processing technique. Chin J Eco-Agric (中国生态农业学报),
2010, 18(6): 1340−1344 (in Chinese with English abstract)
[33] Wang K-R(王克如), Li S-K(李少昆), Wang C-T(王崇桃), Yang
L(杨蕾), Xie R-Z(谢瑞芝), Gao S-J(高世菊), Bai J-H(柏军华).
Acquired chlorophyll concentration of cotton leaves with tech-
nology of machine vision. Acta Agron Sin (作物学报), 2006,
32(1): 34−40 (in Chinese with English abstract)
[34] Wang F-Y(王方永), Li S-K(李少昆), Wang K-R(王克如), Sui
1048 作 物 学 报 第 37卷

X-Y(隋学艳), Bai J-H(柏军华), Chen B(陈兵), Liu G-Q(刘国
庆 ), Tan H-Z(谭海珍 ). Obtaining information of cotton
population chlorophyll by using machine vision technology. Acta
Agron Sin (作物学报), 2007, 33(12): 2041−2046 (in Chinese
with English abstract)
[35] Lei Y-W(雷咏雯), Wei C-Z(危常州), Ye J(冶军), Hou Z-A(侯振
安), Li J-H(李俊华), Jia L-L(贾良良). Application of com-
puter-aided cotton leaf-color analysis in nitrogen status diagnosis
in cotton plants. J Shihezi Univ (Nat Sci) (石河子大学学报·自然
科学版), 2004, 22(2): 113−116 (in Chinese with English ab-
stract)
[36] Massart D L, Vandeginste B G M, Deming S M, Michotte Y,
Kaufman L. Chenometrics: A Textbook. Elsevier, Amsterdam, 1988
[37] Blackmer T M, Schepers J S, Varvel G E, Walter-Shea E A. Ni-
trogen deficiency detection using reflected shortwave radiation
from irrigated corn canopies. Agron J, 1996, 88: 1−5




科学出版社生物分社新书推介
《小麦染色体工程》（现代农业高技术丛书）
著译者：李集临 曲敏 张延明
ISBN：978-7-03-030688-3/Q·2671
定价：￥48.00
出版时间：2011年 4月
内容简介：本书以小麦的染色体工程与分子标记育种为主要内容，目
的是为小麦育种提供一些现代染色体工程和分子标记方面的理论与应用
基础。全书共分 5章，第一章是小麦的分类，第二章是小麦的远缘杂交，
第三章是小麦的染色体工程，第四章是小麦的细胞质工程，第五章是小麦
分子标记与育种，主要介绍一些分子标记基础理论知识与方法和小麦转基
因研究的进展。
读者对象：本书文字简练，引用大量图表，深入浅出，注意理论与实
际结合，可读性强，适合遗传育种专业的本科生、研究生、教师及小麦育
种工作者参考。
欢迎各界人士邮购科学出版社各类图书
联系人: 科学出版社科学销售中心 周文宇 电话: 010-64031535 E-mail: zhouwenyu@mail.sciencep.com
网上订购: http://shop.sciencepress.cn
联系科学出版中心生物分社: 010-64012501 http://www.lifescience.com.cn E-mail: lifescience@mail.sciencep.com
更多精彩图书请登陆网站, 欢迎致电索要书目
ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ ˆˇˆ ˇˆˇ