全 文 :作物学报 ACTA AGRONOMICA SINICA 2010, 36(9): 1529−1537 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(30900868),国家高技术研究发展计划(863计划)项目(2010AA10A301), 教育部新世纪优秀人才支持计划项目
(NCET-08-0797), 江苏省创新学者攀登项目(BK20081479)和教育部高等学校博士学科点专项科研基金项目(20070307035)资助。
*
通讯作者(Corresponding author): 朱艳, E-mail: yanzhu@njau.edu.cn
第一作者联系方式: E-mail: yctian@njau.edu.cn
Received(收稿日期): 2010-02-05; Accepted(接受日期): 2010-04-20.
DOI: 10.3724/SP.J.1006.2010.01529
利用叶片高光谱指数预测水稻群体叶层全氮含量
田永超 杨 杰 姚 霞 曹卫星 朱 艳*
南京农业大学 / 江苏省信息农业高技术研究重点实验室, 江苏南京 210095
摘 要: 通过测定叶片高光谱来快速估测整个水稻叶层全氮含量对于水稻氮素诊断有重要意义。本文通过连续 3 年
不同施氮水平和不同品种类型的 4 个大田试验, 分生育期同步测定了不同叶位叶片的高光谱反射率及叶层全氮含量,
并系统分析了叶片水平多种高光谱指数与水稻叶层全氮含量的定量关系。结果表明, 不同叶位叶片的光谱反射率与
叶层全氮含量的相关程度不同, 顶二叶(L2)表现最好、顶三叶(L3)次之, 而 L2和 L3的平均光谱(L23)有助于进一步提高
光谱指数的敏感性, 是估测叶层氮含量的适宜叶位组合。绿光 560 nm和红边 705 nm波段附近光谱反射率与叶层全
氮含量呈极显著负相关关系, 两者分别与近红外波段组合而成的光谱比值指数可较好地监测水稻叶层全氮含量, 其
中绿光、红边窄波段比值指数 SR(R780, R580)和 SR(R780, R704)表现较好, 与叶层全氮含量的决定系数分别为 0.887和
0.884; 独立试验数据检验的 RMSE分别为 0.216和 0.235。将上述 2个窄波段比值指数中的近红外、绿光波段和红边
波段宽度分别扩展至 100、20 和 10 nm, 从而构建的宽波段比值指数 SR[AR(750-850), AR(568-588)]和 SR[AR(750-850),
AR(699-709)]与叶层全氮含量相关性仍具有较高水平, 线性回归模型的拟合精度(R2)为 0.886和 0.883, 检验 RMSE值分
别为 0.218 和 0.237。从而在叶片水平, 确立了适于叶层全氮含量估测的基于绿光、红边与近红外波段的比值组合和
波段适宜宽度。
关键词: 水稻; 叶片; 高光谱比值指数; 叶层全氮含量; 波段宽度; 估算模型
Monitoring Canopy Leaf Nitrogen Concentration Based on Leaf Hyperspectral
Indices in Rice
TIAN Yong-Chao, YANG Jie, YAO Xia, CAO Wei-Xing, and ZHU Yan*
Jiangsu Key Laboratory for Information Agriculture / Nanjing Agricultural University, Nanjing 210095, China
Abstract: The objectives of this study were to analyze the relationships between canopy leaf nitrogen concentration (LNC) and
leaf spectral reflectance characteristics of different leaf positions, and to establish useful method for nondestructive and quick
assessment of canopy LNC in rice (Oryza sativa L.). Four field experiments were conducted with different N rates and rice culti-
vars across three growing seasons at different eco-sites, and time-course measurements were taken on leaf hyperspectral reflec-
tance of 350–2 500 nm and LNC at different leaf positions over growth stages. Quantitative relationships and monitoring models
of canopy LNC to leaf hyperspectral indices were established by extracting sensitive bands and developing proper spectral indices.
The results indicated that the performance of leaf hyperspectral indices were different with varied leaf positions for monitoring
canopy LNC, the best single leaf position was the second leaf from the top (L2), the third leaf from the top followed (L3), and the
averaged spectra of L2 and L3 (L23) was the optimum leaf spectra combination which contributed to improving the sensitivity to
canopy LNC. The simple ratio spectral indices (SR [Rλ1, Rλ2]) combined green reflectance around 560 nm and red-edge reflec-
tance around 705 nm to near infrared region (NIR) could effectively estimate canopy LNC in rice. New green and red-edge nar-
row band SRs as SR (R780, R580) and SR (R780, R704) performed the best, with the coefficients of determination (R2) respectively as
0.887 and 0.884, and RMSE respectively as 0.216 and 0.235. When the widths of green, red-edge and NIR bands were expanded
to 100, 20, and 10 nm respectively, the newly developed broad band SRs as SR [AR(750–850), AR(568–588)] and SR [AR(750–850),
AR(699–709)] were also closely related to canopy LNC, with the coefficients of determination (R2) respectively as 0.886 and 0.883,
and RMSE respectively as 0.218 and 0.237 at L23 level.
1530 作 物 学 报 第 36卷
Keywords: Rice (Oryza sativa L.); Leaf; Hyper-spectral ratio index; Canopy leaf nitrogen concentration; Band width; Monitoring
model
氮素营养是作物生长发育和产量、品质的重要
影响因子, 是植物需求量最大的矿质营养元素。准
确、快速、有效的作物氮素营养估测方法是农业生
产的迫切需要, 因此, 作物氮素的遥感监测一直是
作物遥感领域研究的重点。传统的多光谱遥感由于
波段少且分辨率低, 常导致关键光谱信息的缺失[1-2]。
而高光谱遥感技术具有光谱分辨率高、波段连续性
强、光谱信息量大等特点, 可以在不同尺度(冠层或
叶片)上定量分析作物生化组分的微弱光谱信息 [3],
有助于提高作物生长参数估测的精准度。
已有较多基于冠层光谱的作物叶层氮素营养的
监测研究。Lee等[4]研究表明红边波段(700 nm或 716
nm)和短波近红外波段(755~920 nm和 1 000 nm)的
比值与棉花叶层氮浓度关系密切; Stroppiana 等[5]认
为可见光波段 503 nm和 483 nm的归一化组合估算
水稻植株氮含量的效果较好; Lee等[6]证实成穗期冠
层光谱反射率 735 nm 的一阶导数与水稻叶层氮含
量线性相关 ; Feng 等 [7]发现线性外推法红边位置
(REPLE)和红边最小值(λο)与小麦叶层氮含量关系最
为密切; Xue 等[8]利用绿光比值指数 R810/R560, 田永
超等 [9-10]利用改进型线性外推法红边位置和红边双
峰对称度较好地估测了水稻叶层氮浓度。然而, 冠
层光谱易受到植被冠层结构、土壤背景、传感器姿
态、大气吸收等因素的综合影响, 所建立的氮素营
养监测模型精度还有待进一步提高。作物群体氮素
营养的丰缺首先反映在叶片颜色的变化上, 而水稻
具有明显的叶位空间分布模式, 关键叶位叶片氮素
营养的变化可较好地反映整个植株群体叶片水平的
营养状态[11-12], 因此通过测定关键叶位叶片的光谱
就有可能监测群体叶片氮素营养状况。单叶光谱的
测定方法简单, 误差易控制, 且不受天气状况及时
间的限制。通过叶片光谱估测单叶水平氮素营养状
况的研究已有较多报道 [13-17], 并取得了较好的结
果。但至今鲜见利用叶片高光谱估测作物群体叶层
氮素营养的报道。
本研究以不同生态点、不同年份、不同品种、
不同施氮水平的水稻田间试验为基础, 较系统地分
析群体叶层全氮含量与不同叶位叶片反射光谱特征
之间的定量关系, 确立利用叶片高光谱监测水稻叶
层全氮含量的适宜叶位、敏感波段范围和最佳光谱
指数, 并建立相应的估算模型, 从而为水稻氮素营
养的精确诊断提供技术支撑。
1 材料与方法
1.1 试验设计
1.1.1 试验 1 (EXP.1) 2005 年在江苏省南京市
农林局江宁试验站(118°59′ E, 31°56′ N)进行。供试
品种为 27123 和武香粳 14。土壤含有机质 1.61%、
全氮 0.136%、速效氮 74.7 mg kg−1、速效磷 10.36 mg
kg−1、速效钾 82.6 mg kg−1。设 0、90、270和 405 kg
hm−2纯氮 4个施氮水平, 按基肥 35%、分蘖肥 15%、
促花肥 25%、保花肥 25%施入; 各处理配施 135 kg
hm−2 P2O5 和 190 kg hm−2 K2O, 均作基肥一次性施
入。试验小区随机区组排列, 重复 3次, 小区面积为
3.5 m×9.0 m=31.5 m2, 株行距为 0.15 m×0.25 m。5
月 18日播种, 6月 18日移栽, 其他管理同常规高产田。
1.1.2 试验 2 (EXP.2) 2006 年在江苏省南京市
农林局江宁试验站(118°59′E, 31°56′N)进行。供试品
种同试验 1。土壤含有机质 1.43%、全氮 0.11%、速
效氮 62.5 mg kg−1、速效磷 10.36 mg kg−1、速效钾 82.5
mg kg−1。设 0、90、240和 360 kg hm−2纯氮 4个施
氮水平, 氮肥基追比及磷钾肥的施用同试验 1。试验
小区随机区组排列, 重复 3 次, 小区面积为 5 m×5
m=25 m2, 株行距为 0.15 m×0.25 m。5月 18日播种,
6月 20日移栽, 其他管理同常规高产田。
1.1.3 试验 3 (EXP.3) 2006 年在浙江省杭州市
中国水稻研究所试验场(119°56′E, 30°05′N)进行。选
用 9个不同株型(或穗型)的品种, 分别为 III优 98、
II优航 1号、胜泰 1号、D优 527、II优 162、国稻
6 号、天优 998、汕优 63 和 II 优 602。土壤含有机
质 1.02%、全氮 0.101%、速效氮 53.2 mg kg−1、速效
磷 9.6 mg kg−1、速效钾 66 mg kg−1。设 0、120、180
kg hm−2纯氮 3个施氮水平, 按基肥 50%、分蘖肥 30%
和穗肥 20%施入。各处理配施过磷酸钙 450 kg hm−2,
KCl 150 kg hm−2。试验小区随机区组排列, 3次重复,
小区面积 3 m×3 m=9 m2, 株行距为 0.20 m×0.28 m。
5 月 23 日左右播种, 6 月 13 日移栽, 其他管理同常
规高产田。
1.1.4 试验 4 (EXP.4) 2007 年在江苏省南京市
农林局江宁试验站(118°59′E, 31°56′N)进行。供试品
第 9期 田永超等: 利用叶片高光谱指数预测水稻群体叶层全氮含量的研究 1531
种为两优培九和武香粳 14。土壤含有机质 2.11%、
全氮 0.116%、速效氮 103.9 mg kg−1、速效磷 43.46 mg
kg−1、速效钾 80.5 mg kg-1。试验采用裂区设计, 设
间歇灌溉(W1)和水层灌溉(W2: 3~5 cm) 2个水分处
理, 水分处理于秧苗移栽并返青之后开始实施至成
熟; 设 0、180、300 kg hm−2纯氮 3个施氮水平, 按
基肥 50%、分蘖肥 10%、促花肥 20%、保花肥 20%
施入; 磷钾肥的施用同试验 1。小区面积为 5 m×6 m=
30 m2, 株行距为 0.20 m×0.28 m, 3次重复。5月 18
日播种, 6月 18日移栽, 其他管理同常规高产田。
1.2 叶片高光谱测定
于水稻拔节、孕穗、抽穗、灌浆前期、灌浆中
期和灌浆后期 , 从各小区内选取代表性水稻植株
3~5 穴, 连根拔起, 置于水桶带回实验室, 每小区取
6个代表性主茎, 分别测定顶一、顶二、顶三和顶四
完全展开叶的上、中、下部的反射光谱, 取平均值
作为被测叶位叶片的光谱反射率。采用美国
ASD-FieldSpec FR 2500光谱仪自带的手持叶夹式叶
片光谱探测器及内置石英卤化灯光源; 测量时叶片
置于叶片夹的叶室中, 保证叶片水平且被探测面积
相同。光谱仪的波段范围为 350~2 500 nm, 光谱采
样间隔在 350~1 000 nm 区间为 1.4 nm, 在 1 000~
2 500 nm范围内为 3 nm。每组数据采集前均进行白
板校正。
1.3 叶片全氮含量测定
将各小区样品的所有叶片按叶位分离, 利用烘
箱在 105℃条件下杀青 30 min后, 于 80℃烘至恒重,
粉碎后采用凯氏定氮法测定全氮含量。通过不同叶
位叶片重量加权求得群体叶层全氮含量(表 1)。
1.4 数据分析
分不同叶位分析叶片水平已有的几种类型的光
谱参数与水稻叶层全氮含量的关系。同时选取遥感
监测最常用的光谱比值(simple ratio spectral index,
SR[Rλ1, Rλ2])和归一化差值 (normalized difference
spectral index, ND[Rλ1, Rλ2])指数 , 详细分析 350~
2 500 nm范围内任意两波段组合与水稻叶层全氮含
量的关系, 并利用独立的试验资料对各波段组合的
预测能力进行测试检验, 最终确定对叶层全氮含量
敏感的适宜叶位、敏感波段范围及最佳光谱指数(表
2)。利用 MATLAB编程实现所有数据处理。采用决
定系数(S-R2)、均方根差(RMSE)、平均相对误差(RE)
以及预测精度(P-R2, 即实测值和模型估算值之间的
决定系数)等指标综合评价模型。
2
1
1 ˆRMSE ( )
n
i i
i
y y
n =
= × −∑ (1)
2
1
ˆ1RE(%) ( ) 100%
n
i i
ii
y y
n y=
−= × ×∑ (2)
2 结果与分析
2.1 水稻群体叶层全氮含量与不同叶位叶片光
谱反射率的关系
由图 1 可知, 水稻叶层全氮含量与不同叶位叶
片原始光谱相关, 在波长小于 743 nm时均呈负相关,
表 1 水稻叶层全氮含量变化
Table 1 Changes of canopy leaf N concentration in rice (%)
样本集 试验 样本数 最小值 最大值 平均值 标准差 变异系数
Sample Experiment No. of sample Min. value Max. value Mean value SD CV
建模样本 Modeling EXP.1; EXP.2 310 0.79 3.69 2.36 0.71 30.2
测试样本 Testing EXP.3; EXP.4 50 1.12 3.14 2.23 0.43 19.4
表 2 本文采用的高光谱指数
Table 2 Summary of different hyperspectral indices used in this study
光谱指数
Spectral index
计算方法
Algorithm
参考文献
Reference
SR(Rλ1, Rλ2) SR(λ1, λ2) = Rλ1 / Rλ2 The present study
ND(Rλ1, Rλ2) SR(λ1, λ2) = (Rλ1–Rλ2) / (Rλ1+Rλ2) The present study
SR705 SR705 = R750 / R705 Gitelson et al.[18], 1994
ND705 ND705 = (R750 –R705) / (R750 +R705) Gitelson et al. [18], 1994
REPLE 线性外推法红边位置
RRP of the linear extrapolation method
Cho et al. [19], 2006
SDr/SDb 红边内一阶微分总和与蓝边内一阶微分总和的比值
Ratio of the red-edge integral areas to the blue-edge integral areas
Li et al. [20], 2007
1532 作 物 学 报 第 36卷
其中, 在绿光 560 nm左右以及红边 705 nm左右波
段负相关达较高水平; 在 755~1 250 nm间相关系数
均存在一个正相关的平台, 但相关系数明显小于可
见光波段, 除顶四叶相关系数达到 0.32 外, 其他各
叶位最高仅达 0.23, 这可能是因为近红外波段主要
受结构因子影响 , 而对叶片化学组分的变化不敏
感。因而, 可将绿光和红边波段确定为利用叶片光
谱监测叶层全氮含量的关键波段, 但两者与叶层氮
含量呈明显的幂曲线关系, 当氮含量值大于 2 时,
随着氮含量增加, 两者的反射率变化较小, 存在明
显饱和现象, 因而利用单个绿光或红边波段较难准
确估测氮含量(图 2)。不同叶位叶片光谱反射率与叶
层氮含量的相关表现基本一致, 但顶二、顶三和顶
四叶表现优于顶一叶。
2.2 叶片水平典型光谱指数与叶层氮含量的关系
利用试验 1 和试验 2 的资料, 测试几种常用类
型的光谱指数与叶层氮含量的关系(表 3)表明, 两波
图 1 水稻叶层全氮含量与不同叶位叶片光谱反射率的相关性
(n=310)
Fig. 1 Correlation between canopy leaf N concentration and leaf
spectral reflectance derived from different leaf positions in rice
L1、L2、L3、L4分别表示顶一、顶二、顶三、顶四叶。
L1, L2, L3 and L4 indicate the 1st, 2nd, 3rd, 4th leaf from top,
respectively.
图 2 水稻叶层全氮含量与顶二叶光谱反射率的关系(n=310)
Fig. 2 Relationship between canopy leaf N concentration and
spectral reflectance of the second leaf from top in rice
段组合的比值光谱指数 SR705表现最好, 线性拟合决
定系数(S-R2)最高达 0.87; 其次为归一化光谱指数
ND705, S-R2最高仅达 0.84; 光谱特征位置或面积变
量中线性外推法红边位置(REPLE)和红蓝边面积比
(SDr/SDb)表现也较好, 但这些位置参数和面积变量
计算较复杂, 涉及的波段较多, 实际应用中受到一
定限制, 因此不作为首选。同时, 这几类参数在不同
叶位间的表现基本一致 , 均以顶二叶(L2)和顶三叶
(L3)表现最好, 顶四叶(L4)次之, 顶一叶(L1)最差。系
统分析不同叶位间所有两两、3 个和 4 个叶片光谱
的均值、差值与叶层全氮含量的关系, 结果表明利
用顶二叶和顶三叶的平均光谱(L23)参数值敏感性更
好, 相对于单个叶位, S-R2有了进一步提高(表 3)。
2.3 叶片水平估算水稻叶层全氮含量的敏感光
谱指数
针对上述分析结果, 进一步系统分析 350~2 500
nm 范围所有两波段组合的光谱比值及归一化指数
与水稻叶层全氮含量的关系。结果表明相关性较好
的两波段组合基本集中于 1 200 nm区域内, 图 3和
表 3 已有不同类型高光谱参数在不同叶位叶片的表现
Table 3 Performance of published different hyperspectral parameters at different leaf positions
叶位
Leaf position
比值指数
SR705
归一化指数
ND705
特征位置变量
REPLE
特征面积变量
SDr/SDb
顶一叶(L1) 0.757 0.740 0.703 0.649
顶二叶(L2) 0.871 0.832 0.827 0.825
顶三叶(L3) 0.863 0.833 0.819 0.831
顶四叶(L4) 0.841 0.832 0.813 0.817
顶二、三叶平均(L23) 0.881 0.844 0.834 0.844
第 9期 田永超等: 利用叶片高光谱指数预测水稻群体叶层全氮含量的研究 1533
图 4为 400~1 200 nm范围内两波段组合而成的光谱
比值与归一化组合估算水稻叶层全氮含量的线性决
定系数(S-R2)等势图和基于独立试验数据对比值指
数进行检验的 RMSE 及 RE 值的等势图, 从图中可
知, 无论是比值还是归一化指数, 较好的波动组合
均主要为近红外(NIR)与黄绿光(510~610 nm)或红边
区域波段(695~720 nm)组合, 从总体决定系数值上
看, 比值指数要优于归一化指数, 为估算水稻叶层
全氮含量的适宜光谱指数形式。其中最佳组合为 580
± nm vs. NIR及 704 ± nm vs. NIR, 在这两个窄波段
条带区域内, L23水平, S-R2可以达到 0.88以上, 而检
验RMSE和RE值低于 0.25%和 11%, 分别以 SR(R780,
R580)和 SR(R780, R704)表现最好(表 4), 这其中 580 nm
和 704 nm两个波段与 2.1节中结论基本一致, 不同
叶位叶片表现一致。
2.4 敏感光谱指数的适宜波段宽度
前文提出了叶片水平进行水稻叶层全氮含量估
测的高光谱比值指数 SR(R780, R580)和 SR(R780, R704),
但在实际应用过程中窄波段传感器较少, 而宽波段
传感器较多, 因此, 基于近红外(780 nm)、绿光(580
nm)和红边区域波段(704 nm)等 3个波段, 进一步拓
宽波段宽度, 发现在绿光 568~588 nm vs. 750~850
nm 内各波段组合均达最高 0.5% S-R2水平, 而红边
699~709 nm vs. 750~850 nm内各波段组合可达最高
1% S-R2 水平, 同时, 在这两个矩形区内, 检验的
RMSE和 RE均具有较低水平。因此, 将相应的范围
图 3 两波段组合的比值(A)和归一化差值(B)光谱指数估算叶层全氮含量的决定系数(R2)等势图
Fig. 3 Contour maps of determination coefficients (R2) between canopy leaf N concentration and simple ratio (A) and normalized
difference (B) spectral indices based on two wavebands combination (λ1, λ2 nm)
图 4 两波段组合的光谱比值指数(SR[Rλ1, Rλ2])预测水稻叶层全氮含量的 RMSE(A)和 RE(B)等势图(n=50)
Fig. 4 Contour maps of RMSE (A) and RE (B) values using simple ratio index (SR[Rλ1,Rλ2]) for predicting canopy leaf N concentra-
tion in rice (n=50)
1534 作 物 学 报 第 36卷
表 4 水稻叶层全氮含量(y)与不同光谱指数(x)的定量关系(n=310)及模型检验效果(n=50)
Table 4 Quantitative relationships between canopy leaf N concentration (y) and different spectral indices (x) and their performances
of prediction in rice
叶位 光谱指数 回归方程 模拟 R2 预测 R2 均方根误 相对误差
Leaf position Spectral index Regression equation S-R2 P-R2 RMSE RE (%)
SR(R780,R580) y = 0.5703x – 0.3858 0.871 0.798 0.217 10.3
SR(R780,R704) y = 1.2711x – 0.9613 0.874 0.750 0.235 10.8
SR[AR(750-850),AR(568-588)] y = 0.6056x – 0.4404 0.869 0.789 0.219 10.5
顶二叶(L2)
SR[AR(750-850),AR(699-709)] y = 1.2870x – 1.0207 0.873 0.747 0.237 10.9
SR(R780,R580) y = 0.5342x – 0.1229 0.870 0.791 0.231 11.0
SR(R780,R704) y = 1.2071x – 0.6928 0.866 0.781 0.254 11.9
SR[AR(750-850),AR(568-588)] y = 0.5672x – 0.1773 0.870 0.785 0.233 11.1
顶三叶(L3)
SR[AR(750-850),AR(699-709)] y = 1.2207x – 0.7460 0.866 0.778 0.257 12.0
SR(R780,R580) y = 0.5618x – 0.2945 0.887 0.816 0.216 10.3
SR(R780,R704) y = 1.2571x – 0.8698 0.884 0.794 0.235 10.9
SR[AR(750-850),AR(568-588)] y = 0.5964x – 0.3498 0.886 0.809 0.218 10.4
顶二、顶三叶光谱平均(L23)
SR[AR(750-850),AR(699-709)] y = 1.2719x – 0.9263 0.883 0.790 0.237 11.0
内波段反射率取均值, 近红外、绿光和红边区域波
段宽度分别达到 100、20和 10 nm, 进而提出宽波段
比值组合 SR[AR(750-850), AR(568-588)] 和 SR[AR(750-850),
AR(699-709)]用于水稻叶层全氮含量估测(表 4)。与相应
窄波段组合相比, 宽波段组合的 S-R2类似(图 5), 仍
具备较好的预测精度, 这为利用不同波段宽度传感
器估测叶层全氮含量提供了适宜波段宽度参考。
2.5 模型的测试与检验
基于试验 3和试验 4的资料(n=50)对上述基于叶
片光谱参数的叶层全氮含量估测模型进行了检验 ,
结果表明(表 4), 窄波段组合 SR(R780, R580)和 SR(R780,
R704), 以及相应的宽波段组合 SR[AR(750-850), AR(568-588)]
和 SR[AR(750-850), AR(699-709)]表现最佳, 可较好地用
于水稻叶层全氮含量的监测, 在 L2、L3以及 L23水
平检验 RMSE值均低于 0.26, RE低于 12%。其中绿
光与近红外波段组合稍高于红边与近红外波段的组
合 , 具有相对较高的预测精度(P-R2)和相对较低的
RMSE和 RE值。同时, L2的预测效果好于 L3, L23表
现最好, L23预测 RMSE和 RE值虽然与 L2相当, 但
P-R2明显高于L2, 说明基于L23的光谱指数对叶层全
氮含量敏感性更高。图 6 为 L23 水平利用 SR(R780,
R580)和 SR[AR(750-850), AR(568-588)]估算水稻叶层全氮
含量的 1∶1图, 显示实测值与预测值具有良好相关
关系。
图 5 水稻叶层全氮含量与 SR(R780, R580)和 SR[AR(750-850), AR(568-588)]的关系(L23; n=310)
Fig. 5 Relations of canopy leaf N concentrations to spectral indices SR(R780, R580) and SR[AR(750-850), AR(568-588)] in rice (L23; n=310)
第 9期 田永超等: 利用叶片高光谱指数预测水稻群体叶层全氮含量的研究 1535
图 6 水稻叶层全氮含量的实测值与预测值比较(n=50)
Fig. 6 Comparison of predicted and observed canopy leaf N concentrations in rice (n=50)
3 讨论
已有较多利用冠层反射光谱进行群体叶片全氮
含量监测的研究[4-7]。然而, 作物冠层光谱常受到环
境因素的干扰。如不同光照条件下的荧光特性会改
变冠层对部分波长光线的反射值; 有风条件下叶片
空间伸展姿态也会影响冠层光谱反射率。因此, 不
同处理的冠层反射光谱间的差异特征可能会被有所
增强或削弱[21], 冠层结构和背景的变化也会混淆目
标物生化含量的变化[22-24], 从而显著影响冠层叶片
生化指标的反演结果。另外, 水稻、小麦等禾谷类
作物, 叶片衰老由植株下部开始, 而冠层光谱主要
反映上层叶片的光谱变化, 难以反映下层叶片的生
化组分信息, LAI较高时尤其如此, 同时生长后期穗
层也对冠层光谱产生显著影响。如 Xue 等[8]研究表
明绿光波段(560 nm)为水稻群体叶片氮素敏感波段,
但它与叶层氮含量呈两段线性函数关系, 以孕穗期
为分界点, 孕穗前显著正相关, 孕穗后显著负相关;
而比值指数 R(810, 560)与叶层氮含量也呈两段线性
函数关系。这就为利用冠层光谱估算群体叶片全氮
含量增添了一定的不确定性, 从而限制了基于冠层
光谱进行群体氮素营养估测的可靠性和普适性。而
本文基于叶片水平的光谱参数估测群体叶层全氮含
量的方法, 既较好消除了冠层光谱测定时诸多外界
因素和冠层结构的干扰, 同时理论上也符合水稻的氮
素营养规律[11-12], 具有良好的可操作性和应用前景。
不同叶位叶片的反射光谱与叶层全氮含量的相
关性存在一定差异, 相关顺序为顶二叶>顶三叶>顶
四叶>顶一叶 , 这可能与不同叶位叶片的成熟度和
衰老程度差异有关。抽穗前顶一叶为新生叶, 部分
氮营养供生长用, 而抽穗后顶四叶衰老加快, 氮含
量变化较剧烈, 故全生育期顶一、四叶生长状况不
能很好代表整个叶层的生长水平 , 而全生育期顶
二、三叶都是主要功能叶片, 它们的生长好坏可能
更准确表达整个叶层的生长状况。而顶二叶与顶三
叶的平均光谱(L23)表现优于单个叶片或其他叶位组
合 , 表明顶二叶和顶三叶为水稻植株的关键叶位 ,
能较好地反映群体叶层的氮素营养状况。入选的原
始光谱为 560 nm左右的绿光及 705 nm左右的红边
波段, 这与玉米、棉花等作物叶片光谱研究结果类
似[13-15]。但利用单个波段估测全氮含量往往存在饱
和现象, 因而由 2个或多个波段构造而成的光谱参数
成为估测叶层全氮含量的理想选择。光谱比值、归
一化、特征位置或面积变量均曾被证明具有较好的
应用效果[4-5,7,13-16,20], 但本文通过测试、筛选研究表
明, 用于水稻叶层全氮含量估测的最佳光谱形式是
光谱比值指数, 并以敏感波段区域中的绿光 580 nm
或红边 704 nm 波段与近红外波段的比值组合表现
最优 , 具有较高的拟合决定系数和较低的检验
RMSE 和 RE 值。因此, 在 L23水平, 窄波段比值指
数 SR(R780, R580)和 SR(R780, R704)是群体叶层全氮含
量估测的良好光谱参数。
目前构建的很多光谱植被参数都基于不同光谱
分辨率的传感器数据, 特别随着各种卫星传感器在
植被大面积监测中的广泛应用, 不同的传感器对光
谱信号的反应差异较大, 因而基于不同传感器数据
计算所得的相同植被参数表现较大的差异, 这使得
这些数据不存在直接的可比性[25]。同时, 很多传感
器中不同的光谱通道也具有不同的光谱分辨率 [26],
虽然有研究表明, 高光谱植被指数可能对氮素营养
更敏感[27], 但不同的植被指数对于具体波段宽度的
要求可能不同。本文结果表明, 在叶片光谱水平, 将
1536 作 物 学 报 第 36卷
近红外、绿光和红边区域波段宽度分别拓展到 100、
20和 10 nm, 近红外/黄绿光或近红外/红边组合与群
体叶层全氮含量仍具有良好的相关关系, 进而提出
了宽波段比值组合 SR[AR(750-850), AR(568-588)]和 SR
[AR(750-850), AR(699-709)]用于水稻群体叶层全氮含量
的估测, 表现出与窄波段组合相似的敏感性和精准
度, 这个结论对于实际应用时, 如何确定传感器的
波段和宽度有一定借鉴意义。当然, 本文结论还需
今后在不同生产条件和不同传感器水平进行广泛测
试和完善, 从而进一步提高水稻氮素营养无损监测
与诊断的水平。
4 结论
利用叶片高光谱指数可以有效监测水稻群体叶
层全氮含量。估测效果以顶二叶(L2)最好、顶三叶(L3)
次之, 而 L2和 L3的平均光谱(L23)有助于进一步提高
光谱指数的敏感性。绿光、红边波段为利用叶片光
谱估测叶层全氮含量的敏感波段, 窄波段绿光、红
边比值指数 SR(R780, R580)和 SR(R780, R704)可被用于
群体叶层全氮含量的监测。同时, 近红外、绿光波
段和红边波段宽度可扩展至 100、20和 10 nm, 从而
构建的相应宽波段比值指数 SR[AR(750-850), AR(568-588)]
和 SR[AR(750-850), AR(699-709)]也能很好地估测群体叶
层全氮含量。
References
[1] Hansen P M, Schjoerring J K. Reflectance measurement of can-
opy biomass and nitrogen status in wheat crops using normalized
difference vegetation indices and partial least squares regression.
Remote Sens Environ, 2003, 86: 542–553
[2] 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
[3] Vane G. Terrestrial imaging spectrometry: current status, future
trends. Remote Sens Environ, 1993, 44: 109–127
[4] Lee T, Reddy K R, Sassenrath-Cole G F. Reflectance indices with
precision and accuracy in predicting cotton leaf nitrogen concen-
tration. Crop Sci, 2000, 40: 1814–1819
[5] Stroppiana D, MBoschetti M, Brivio P A, Bocchi S. Plant nitro-
gen concentration in paddy rice from field canopy hyperspectral
radiometry. Field Crops Res, 2009, 111: 119–129
[6] 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 can-
opy. Agron J, 2008, 100: 205–212
[7] Feng W, Yao X, Zhu Y, Tian Y C, Cao W X. Monitoring leaf ni-
trogen status with hyperspectral reflectance in wheat. Eur J
Agron, 2008, 28: 394–404
[8] Xue L H, Cao W X, Luo W H, Dai T B, Zhu Y. Monitoring leaf
nitrogen status in rice with canopy spectral reflectance. Agron J,
2004, 96: 135–142
[9] Tian Y-C(田永超), Yang Y(杨杰), Yao X(姚霞), Zhu Y(朱艳),
Cao W-X(曹卫星). Quantitative relationship between hyper-
spectral red edge position and canopy leaf nitrogen concentration
in rice. Acta Agron Sin (作物学报), 2009, 35(9): 1681–1690 (in
Chinese with English abstract)
[10] Tian Y-C(田永超), Yang Y(杨杰), Yao X(姚霞), Zhu Y(朱艳),
Cao W-X(曹卫星). Estimation of leaf canopy nitrogen concen-
tration with red edge area shape parameters in rice. J Plant Ecol
(植物生态学报), 2009, 33(4): 791–801 (in Chinese with English
abstract)
[11] Wang S-H(王绍华), Cao W-X(曹卫星), Wang Q-S(王强盛),
Ding Y-F(丁艳锋), Huang P-S(黄丕生), Ling Q-H(凌启鸿). Po-
sitional distribution of leaf color and diagnosis of nitrogen nutri-
tion in rice plant. Sci Agric Sin (中国农业科学), 2002, 35(12):
1461–1466 (in Chinese with English abstract)
[12] Jiang L-G(江立庚), Cao W-X(曹卫星), Jiang D(姜东), Dai
T-P(戴廷波 ), Dong D-F(董登峰 ), Gan X-Q(甘秀芹 ), Wei
S-Q(韦善清), Xu J-Y(徐建云). Distribution of leaf nitrogen,
amino acids and chlorophyll in leaves of different positions and
relationship with nitrogen nutrition diagnosis in rice. Acta Agron
Sin (作物学报), 2004, 30(8): 739–744 (in Chinese with English
abstract)
[13] Zhao D, Reddy K R, Kakani V G, Read J J, Carter G A. Corn
(Zea mays L.) growth, leaf pigment concentration, photosynthesis
and leaf hyperspectral reflectance properties as affected by nitro-
gen supply. Plant Soil, 2003, 257: 205–217
[14] 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
[15] Zhao D, Reddy K R, Kakani V G, Read J J. Nitrogen deficiency
effects on plant growth, leaf photosynthesis, and hyperspectral
reflectance properties of sorghum. Eur J Agron, 2005, 22:
391–403
[16] Sun X-M(孙雪梅), Zhou Q-F(周启发), He Q-X(何秋霞). Hy-
perspectral variables in predicting leaf chlorophyll content and
grain protein content in rice. Acta Agron Sin (作物学报), 2005,
31(7): 844–854 (in Chinese with English abstract)
[17] Yi Q-X(易秋香), Huang J-F(黄敬峰), Wang X-Z(王秀珍), Qian
Y(钱翌). Hyperspectral remote sensing estimation models for ni-
trogen contents of maize. Trans CSAE (农业工程学报), 2006,
22(9): 138–143 (in Chinese with English abstract)
[18] Gitelson A A, Merzlyak M N. Quantitative estimation of chloro-
phyll a using reflectance spectra: experiments with autumn
chestnut and maple leaves. J Photochem Photobiol, 1994, 22:
247–252
[19] Cho M A, Skidmore A K. A new technique for extracting the red
edge position from hyperspectral data: the linear extrapolation
method. Remote Sens Environ, 2006, 101: 181–193
第 9期 田永超等: 利用叶片高光谱指数预测水稻群体叶层全氮含量的研究 1537
[20] Li X-Y(李向阳), Liu G-S(刘国顺), Yang Y-F(杨永锋), Zhao
C-H(赵春华), Yu Q-W(喻奇伟), Song S-X(宋世旭). Relation-
ship between hyperspectra parameters and physiological and
biochemical indexes of flue-cured tobacco leaves. Sci Agric Sin
(中国农业科学), 2007, 40(5): 987–994 (in Chinese with English
abstract)
[21] Roberts D A, Ustin S L, Ogunjemiyo S, Greenberg J, Dobrowski
S Z, Chen J Q, Hinckley T M. Spectral and structural measures of
northwest forest vegetation at leaf to landscape scales. Ecosys-
tems, 2004, 7: 545–562
[22] Matson P, Johnson L, Billow C, Miller J, Pu R. Seasonal patterns
and remote spectral estimation of canopy chemistry across the
Oregon transect. Ecol Appl, 1994, 4: 280–298
[23] Pinar A, Curran P J. Grass chlorophyll and the reflectance red
edge. Int J Remote Sens, 1996, 17: 351–357
[24] Sims D A, Gamon J A. Relationships between leaf pigment con-
tent and spectral reflectance across a wide range of species, leaf
structures and developmental stages. Remote Sens Environ, 2002,
81: 337–354
[25] Teillet P M, Staenz K, Williams D J. Effects of spectral, spatial,
and radiometric characteristics on remote sensing vegetation in-
dices of forested regions. Remote Sens Environ, 1997, 61:
139–149
[26] Thenkabail P S, Enclona E A, Ashton M S, Legg C, Dieu M J D.
Hyperion, IKONOS, ALI, and ETM+ sensors in the study of
African rainforests. Remote Sens Environ, 2004, 90: 23–43
[27] Hansen P M, Schjoerring J K. Reflectance measurement of cano-
py biomass and nitrogen status in wheat crops using normalized
difference vegetation indices and partial least squares regression.
Remote Sens Environ, 2003, 86: 542–553
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
欢迎订阅 2011年《花生学报》
《花生学报》是由山东省花生研究所主办的我国花生学科唯一的专业学术期刊, 主要刊登花生遗传育
种、栽培生理、土壤肥料、植物保护、贮藏加工、综合利用及分析测试等方面的试验研究报告、技术与方
法、专题综述及研究简报等。读者对象是科研、教学、生产推广部门的各级领导干部、科技人员、院校师
生以及花生产区的种植者等。本刊为全国中文核心期刊和全国农业核心期刊。并作为第一批全国农业核心
期刊入编国家电子出版物《中国学术期刊(光盘版)》和“万方数据——数字化期刊群”。是中国学术期刊综合
评价数据库来源期刊和中国科技论文统计源期刊; 同时被中国科技文献数据库和中文科技期刊篇名数据库
列为文献信息源。现已通过互联网向全球传播农业科技信息。
《花生学报》1972年创刊, 季刊, 国内外公开发行, 国内统一刊号: CN 37-1366/S, 国际标准刊号: ISSN
1002-4093, 48页/期, 期定价 5.00元, 全年定价 20.00元。《花生学报》由本刊编辑部自办征订和发行, 欢迎
读者订阅。另外, 本刊参加了全国非邮发报刊联合征订, 请读者向天津市大寺泉集北里别墅 17 号(邮编
300381)全国非邮发报刊联合征订服务部直接汇款订阅, 不必先索取定单, 编辑部负责将刊物寄给订户。也
可直接向编辑部订阅, 由银行或邮局汇款到: 山东省青岛市李沧区万年泉路 126号山东省花生研究所《花生
学报》编辑部。
开户行: 青岛建行李沧区支行书院路分理处; 收款单位: 山东省花生研究所
账号: 37101986510050226131
地址: 山东省青岛市李沧区万年泉路 126号 山东省花生研究所《花生学报》编辑部 邮编 266100
电话: 0532-87632131; 传真: 0532-87626832编辑部收
E-mail: hsxb@163169.net