全 文 ：中国生态农业学报 2014年 1月 第 22卷 第 1期
Chinese Journal of Eco-Agriculture, Jan. 2014, 22(1): 80−86


* 新疆维吾尔族自治区 “十二五” 科技计划项目(201130102-2)和土壤学新疆维吾尔族自治区重点学科项目资助
** 通讯作者: 盛建东, 研究方向为土壤质量空间变异和养分资源高效利用。E-mail: sjd_2004@126.com
柴仲平, 研究方向为土壤质量、植物营养。E-mail: chaizhongpingth@sina.com
收稿日期: 2013-06-14 接受日期: 2013-10-08
DOI: 10.3724/SP.J.1011.2014.30595
库尔勒香梨叶片全钾含量高光谱估算模型研究*
柴仲平 陈波浪 蒋平安 盛建东** 李珊珊 刘 茂 孟亚宾
(新疆农业大学草业与环境科学学院 乌鲁木齐 830052)
摘 要 为实现库尔勒香梨养分状况的无损、实时、快速监测, 利用便携式光谱仪(SVC HR-768)测定不同钾
肥施用量的 20 年树龄库尔勒香梨叶片光谱反射率, 并结合叶片全钾含量的室内分析, 对叶片全钾含量与原始
光谱、一阶导数光谱、高光谱参数之间相关性进行分析。结果表明: 在 425 nm处原始光谱与叶片全钾含量构
建的线性模型, 调整决定系数 R2值达到 0.913; 在 630 nm 处一阶微分光谱与全钾含量构建的线性模型, 调整
决定系数 R2值为 0.986。叶片全钾含量与高光谱特征变量中绿峰位置变量(Rg)和红谷位置变量(Ro)的相关性极
显著, 由此构建的线性模型调整决定系数 R2 值均达到 0.96以上。通过模型检验, 确定基于 630 nm的光谱一
阶微分(X630)模型 Y=1 136.835X630+50.709为库尔勒香梨叶片全钾含量(Y)的最优估测模型。
关键词 高光谱 库尔勒香梨 叶片全钾含量 光谱反射率 估算模型
中图分类号: TP701 文献标识码: A 文章编号: 1671-3990(2014)01-0080-07
Hyperspectral estimation models for total potassium content of
Kuerle fragrant pear leaves
CHAI Zhongping, CHEN Bolang, JIANG Ping’an, SHENG Jiandong,
LI Shanshan, LIU Mao, MENG Yabin
(College of Pratacultural and Environmental Sciences, Xinjiang Agricultural University, Urumqi 830052, China)
Abstract The conventional analysis of nutrient elements required destructive sampling, highly complex processes, highly time
consuming and difficult nutrition diagnosis process in fruit trees. However, hyperspectral remote sensing technology has been
reported to resolve the problems of destructive sampling and rapidly diagnose nutrient elements of plant. To monitor the state of
nutrients in Korla fragrant pear in a non-destructive, timely and quick manner, an SVC HR-768 portable spectrometer was used to
measure the spectral reflectance of leaves in the field of 20-year Korla fragrant pear tree under different K fertilization rates. The total
K content was analyzed in the lab, and the relationships between total K content of leaves and original spectrum, first derivative
spectrum, high spectral parameters established. The results showed that a single linear model built at 425 nm between total potassium
content and original spectrum significantly described the relationship, with an adjusted determination coefficient (R2) of 0.913.
Another linear model built at 630 nm between total potassium content and the first order derivative spectrum was similarly
significant, with an adjusted R2 of 0.986. The relationships bewteen total potassium content of leaf and green peak position (Rg), red
valley position (Ro) were extremely significant in selecting hyperspectral feature variables. Results also showed that the adjusted R2
was above 0.96 for all the built linear models. After evaluation of all the built models, the model Y = 1 136.835X630 + 50.709 (X630 is
the first derivative spectrum at 630 nm) was the best for predicting total potassium content (Y) of Korla fragrant pear leaf.
Keywords Hyperspectral; Korla fragrant pear; Total potassium content; Spectral reflectance; Estimation model
(Received Jun. 14, 2013; accepted Oct. 8, 2013)
精确施肥是精准农业的重要内容之一, 不仅能
保证作物、果树的产量和品质, 还能提高肥料利用
效率 , 降低生产成本 , 减少农田和果园的污染 , 从
而产生巨大的社会、经济和生态效益。准确获取田
间营养元素信息是精确施肥运筹的基础, 然而采用
常规营养元素分析需要破坏性取样, 过程繁冗复杂,
第 1期 柴仲平等: 库尔勒香梨叶片全钾含量高光谱估算模型研究 81


且耗时耗物, 不易对作物和果树进行全面、快速的
大范围营养诊断[1−4]。近几年随着高光谱遥感技术的
不断发展与完善, 高光谱遥感数据所携带的丰富光
谱信息已把常规遥感对植被的宏观认识带到了对植
被生物物理参数和生物化学组分研究的微观境界。
利用高光谱遥感技术既可对植物营养元素进行快速
监测, 又解决了对植物进行破坏性取样的问题。许
多学者利用该技术在作物估产和营养诊断方面进行
了大量研究[5−16]。 Fernandez等[5]研究表明, 对小麦氮素
含量进行估测时, 利用红光(66 nm)和绿光(545 nm) 2
个波段的线性组合效果较好; Everitt等 [6]研究表明,
杂草、花卉的叶片氮素含量与500~750 nm波段的光
谱反射率相关性较高, 并提出监测植株氮素含量可
利用550~600 nm与800~900 nm波段光谱反射率的比
值; Hansen等 [7]利用近绿光与蓝光波段所构建的归
一化植被指数估测小麦植株的生物量与氮含量; 薛
利红等[10]利用460 nm和660 nm的2波段组合研究小
麦叶片氮含量; 易秋香等[11]利用高光谱测定玉米全
氮含量, 表明在759 nm处光谱反射率的一阶微分值
与全氮含量相关系数(r=0.944)最大, 并且依据该波
长构建线性和非线性模型, 二者的拟合效果也较为
接近; 谭昌伟等[12]研究表明, 定量诊断水稻氮素营
养可以利用以植被指数归一化变量为自变量所构建
的氮素营养高光谱遥感诊断模型; 代辉等[15]研究表
明利用红边参数估测小麦农学参数更为简便; 李丙
智等[16]研究表明苹果叶片全氮含量的最佳预测模型
是基于723 nm处的光谱反射率一阶微分值所构建的
指数模型。但以往学者的研究多以农作物为主, 果
树营养诊断方面研究较少。另外, 营养元素的诊断
研究主要集中在不同作物的氮素方面[7,9−12], 而有关
磷、钾素方面研究较少。因此, 本研究以新疆特色
果树库尔勒香梨(Pyrus brestschneideri Rehd.)为研究
对象, 测定其叶片光谱反射率与全钾含量, 并分析
二者的相关关系, 以期建立库尔勒香梨叶片全钾含
量估测的高光谱模型, 为库尔勒香梨实现精准农业
化及开展大范围的无损、快速营养诊断提供理论依
据与技术支撑。
1 材料与方法
1.1 研究区概况
研究区选择在新疆库尔勒市 , 地处天山南麓 ,
塔里木盆地东北边缘, 孔雀河冲洪积平原上。多年
平均气温14~15 ℃, 年均降水量50~55 mm, 年最大
蒸发量2 788.2 mm。年日照时数2 889 h, 日照总辐射量
6 343 MJ·m−2, ≥0 ℃积温平均为4 700 ℃, ≥10 ℃
积温4 278 ℃, 无霜期180~200 d, 属暖温带大陆性
干旱气候, 为香梨生长适宜区。试验香梨园位于东
经86°04′22″、北纬41°48′21″的恰尔巴格乡下和什巴
格村5队, 海拔918.7 m, 土壤类型主要为黄潮土, 土壤
中养分含量有机质21.78 g·kg−1, 碱解氮47.80 mg·kg−1,
有效磷16.81 mg·kg−1, 速效钾228.72 mg·kg−1, 土壤肥
力水平总体较低。
1.2 研究材料与试验设计
供试树种选择嫁接砧木为杜梨(Pyrus betulifolia
Bge.)的20年树龄库尔勒香梨, 株行距5 m×6 m, 450
株·hm−2。试验选取树体长势良好, 主干粗度和枝条
数、枝条粗度相对一致, 无病虫害, 结果正常的香梨
树挂牌标记。香梨生育期施用氮、磷、钾肥, 其中氮、
磷肥施用量固定不变, 分别为施N 0.67 kg·株−1和P2O5
0.67 kg·株−1。以钾肥为试验因子设置不同施肥水平,
共4个处理, 施K量分别为K0(0)、K1(0.067 kg·株−1)、
K2(0.133 kg·株−1)和K3(0.200 kg·株−1)(表1)。每处理选
取5~6棵香梨树, 3次重复, 随机排列。施用肥料选
择含N 46%的尿素、含P2O5 46%的重过磷酸钙和含
K2O 51%的硫酸钾。尿素用量在香梨树体萌芽前施
用60%, 在果实膨果前期追施40%。磷肥和钾肥则
在香梨树体萌芽前一次性施入, 施肥采用环状沟施,
深度40 cm。灌溉采用常规灌溉, 其他田间管理与当
地相同。
1.3 采样与测定
于 2012 年 8 月 10 日, 库尔勒香梨树体生长旺
盛且叶片养分较为稳定的果实膨大末期进行叶片光
谱测定和叶样采集。选择树冠中部, 距地面 1.5~1.7 m
处当年新生梢条 1/2~2/3长度之间健康、无损伤、无
病害的叶片, 每梢测定 1~2 片标记叶, 全树不同方
位角共测定 40片标记叶, 然后将其混合成 1个待测
叶样品, 作为测试光谱反射率及其叶片全钾含量的
样本。光谱测定在无云、无风或风速很小的晴天进
行, 测定最佳时段为北京时间 12:00—16:00。仪器采
用美国便携式光谱仪(SVC HR-768), 测量方式为漫
反射式, 探头视场角 25°。测量时为确保视场范围在
叶片上, 保持光谱仪与样本表面相距 2~3 cm。每片
标记叶测定 10次, 10个光谱平均值即为该标记叶片
的光谱相对反射率。初始测定叶片光谱前进行系统
优化配置和白板校正, 测试过程中每 10 min对仪器
进行优化与校正一次。采集光谱测试后的叶样, 迅
速保鲜封装, 将其置于冰桶运回实验室, 并对其进
行标准化前处理, 采用火焰光度计法[17]测定其全钾
含量。
1.4 数据处理
利用光谱仪配套软件和SPSS软件对所测定的库
尔勒香梨叶片光谱原始数据及叶片全钾含量进行处
82 中国生态农业学报 2014 第 22卷


理。首先, 利用光谱仪配套软件对叶片光谱原始数
据进行处理, 使数据具有更好的连续性。其次在剔
除异常光谱曲线的基础上, 对其他光谱曲线予以平
均、平滑处理, 并考虑到因系统误差致使光谱曲线
首尾两端噪音较大, 因而截取400~2 000 nm波段的
光谱来分析建立库尔勒香梨叶片全钾含量的估测
模型。
2 结果与分析
2.1 不同施钾水平对库尔勒香梨叶片全钾含量的
影响
库尔勒香梨叶片全钾含量因土壤施入钾肥量的
不同而产生了显著差异(表 1), 随着钾肥施入量的增
加, 香梨叶片全钾含量也随之增加。不同施钾处理
的库尔勒香梨叶片全钾含量表现为 K3>K2>K1>K0。
香梨叶片全钾含量在不同施钾水平下的变化为光谱
估测提供了可靠的生理基础。
表 1 不同施钾水平库尔勒香梨叶片全钾含量
Table 1 Total potassium content of Kuerle fragrant pear
leaves under different application levels of K
处理
Treatment
施钾量
K application level
(kg·plant−1)
全钾含量
Total potassium content
(g·kg−1)
K0 0 22.42±1.00c
K1 0.067 25.97±3.47bc
K2 0.133 29.06±1.27b
K3 0.200 34.05±2.51a
不同字母表示差异达 5%显著水平。Values followed by different
letters in the column are significant different at 5% level.

2.2 不同施钾水平对库尔勒香梨叶片光谱的影响
不同施钾水平下, 库尔勒香梨叶片光谱反射率
曲线走势与其叶片氮、磷素营养光谱曲线基本一致
(图 1)。在 400~760 nm 的可见光区域, 叶片光谱反
射率较低, 且峰谷变化明显。在 550 nm左右处有一
反射峰, 光谱反射率在 16%左右, 是叶片叶绿素的
强反射峰。在 680 nm处有一吸收谷, 它也是叶绿素
参与光合作用, 吸收红光的结果。在 680~750 nm(红
边位置)范围光谱曲线有一陡峭爬升的过程, 该波段
是健康植物的光谱响应陡然增加的窄条带区, 是植
物所独有的光谱特征, 蕴含着大量的植被信息, 是
由于在红光波段叶绿素的强烈吸收与近红外波段光
在叶片内部的多次散射而形成的强反射造成的。在
近红外区域(760~1 100 nm)呈现反射平台, 叶片光
谱反射率变化不大, 维持在 65%左右, 因为叶肉内
的海绵组织结构有很大反射表面的空腔, 且细胞内
的叶绿素呈水溶胶状态, 具有很强烈的红外反射[18]。
随着施钾量的增加, 在 760~1 100 nm光谱反射率先
增大后减小。随着库尔勒香梨叶片全钾含量的增加,
在 760~1 000 nm光谱反射率也表现为先增大后减小,
此特征谱段可以有效区分不同钾素含量的叶片光谱
差异, 为建立光谱变量钾素营养诊断提供依据。

图 1 不同施钾水平库尔勒香梨叶片光谱
Fig. 1 Spectral reflectance of Kuerle fragrant pear leaves
under different K application levels
2.3 库尔勒香梨叶片全钾含量与原始光谱反射率
之间的关系
在 400~2 000 nm光谱范围内, 库尔勒香梨叶片
光谱反射率与叶片全钾含量的相关关系各不相同(图
2)。在 1 906 nm处呈不显著正相关关系, 相关系数为
0.32。在 400~667 nm、703~717 nm和 1 928~2 000 nm
3个波段处呈显著、极显著负相关关系, 相关系数均
达到−0.90以上。剩余其他波段均呈不显著的负相关
关系。从相关波段和相关系数上看出, 400~667 nm
和 703~717 nm 这两个波段叶片光谱反射率与叶片
全钾含量存在较好的相关关系 , 相关系数均达到
−0.95以上。因此这两个波段可以作为叶片钾素营养
光谱诊断的敏感波段, 并利用这两个波段的光谱参
数建立库尔勒香梨叶片全钾含量的营养诊断模型。
在 400~667 nm波段, 425 nm处的相关系数值达到
最大为−0.971, 可作为库尔勒香梨叶片全钾含量的
敏感波长。在 703~717 nm波段, 709 nm处的相关

图 2 库尔勒香梨叶片全钾含量与原始光谱的相关性
Fig. 2 Correlations between total potassium content and
spectral reflectance of Kuerle fragrant pear leaves
第 1期 柴仲平等: 库尔勒香梨叶片全钾含量高光谱估算模型研究 83


系数值达到最大为−0.966, 也可作为库尔勒香梨叶
片全钾含量的敏感波长。利用这两个敏感波长建立
库尔勒香梨叶片全钾含量估测模型(Y=−5.240X425+
73.365, 调整 R2=0.913 和 Y=−1.087X709+57.018 , 调
整 R2=0.891)。
2.4 库尔勒香梨叶片全钾含量与一阶微分光谱反
射率之间的关系
叶片光谱数据的一阶微分处理有利于消除或减
弱由大气、土壤背景和凋落物等产生的低频光谱成
分对目标的影响, 能强化目标并真实反映植被光谱
的内在特性, 从而有利于植被信息中植被指数、叶
面积指数的定量反演。对库尔勒香梨叶片原始高光
谱数据进行一阶微分变换, 叶片全钾含量与一阶微
分光谱之间的相关性见图 3。库尔勒香梨叶片全钾含
量与一阶微分光谱在 627~631 nm波段呈显著、极显著
正相关关系, 相关系数在 0.97以上。在 692~696 nm波
段呈显著、极显著负相关关系, 相关系数在−0.95 以
上。表明 627~631 nm和 692~696 nm两个波段是库尔
勒香梨叶片全钾含量的敏感波段。在 627~631 nm波
段的相关系数最大值为 0.995, 处于 630 nm。在
692~696 nm 波段的相关系数最大值为−0.966, 处于
695 nm。根据敏感波段, 利用敏感波长采用逐步回归
法对库尔勒香梨叶片全钾含量与叶片光谱进行相关性
分析, 建立库尔勒香梨叶片全钾含量估测模型(表 2)。

图 3 库尔勒香梨叶片全钾含量与一阶微分光谱的相关性
Fig. 3 Correlations between total potassium content and first derivative spectral reflectance of Kuerle fragrant pear leaves
表 2 库尔勒香梨叶片全钾含量(Y)与不同敏感波段一阶
微分光谱(X)之间的定量关系
Table 2 Quantitative relationships between total potassium
content and first derivative spectral reflectance of sensitive
bands (X) of Kuerle fragrant pear leaves (Y)
敏感波段
Sensitive
band
模型
Model
调整 R2
Adjusted R2
r
627~631 nm Y=1 136.835X630+50.709 0.986 0.995
692~696 nm Y=−42.084X695+52.961 0.901 −0.966
2.5 库尔勒香梨叶片全钾含量与高光谱参数的关系
基于光谱位置的特征变量和光谱面积的变量常
用来估算作物的生理生态参数, 这些指数不仅能降
低土壤反射对光谱的影响, 而且能增强对植被的响应
能力[19]。由表 3可知在光谱位置特征和面积的变量中,
库尔勒香梨叶片全钾含量与绿峰、红谷的相关性较好,
均呈极显著相关, 而与其他变量红边、蓝边、黄边内
最大一阶微分值及总和的相关性都较差。
表 3 库尔勒香梨叶片全钾含量与高光谱特征变量之间的相关系数
Table 3 Correlation coefficients between total potassium content and hyperspectral characteristic variables of Kuerle fragrant pear leaves
类型
Type
光谱参数
Spectral parameter
计算公式或定义
Formula or definition
相关系数(r)
Correlation coefficient
Dr 红边(680~760 nm)内最大一阶微分值
Largest first order differential value in red edge (680−760 nm) −0.420
Db 蓝边(490~530 nm)内最大一阶微分值
Largest first order differential value in blue edge (490−530 nm) −0.170
Dy 黄边(550~580 nm)内最大一阶微分值
Largest first order differential value in yellow edge (550−580 nm) 0.670
Rg 绿峰(510~580 nm)内原始光谱最大相对反射率
Max relative reflectance of the original spectrum in green peak (510−580 nm) −0.962
**
基于光谱位置
的特征变量
Characteristic
variables based on
the spectral position
Ro 红谷(640~680nm)内原始光谱最小相对反射率
Min relative reflectance of the original spectrum in red valley (640−680 nm) −0.960
**
SDr 红边(680~760 nm)内一阶微分总和
Sum of first order derivatives in red edge (680−760 nm) −0.573
SDb 蓝边(490~530 nm)内一阶微分总和
Sum of first order derivatives in blue edge (490−530 nm) −0.747
基于光谱
面积的变量
Variables based on
the spectral area
SDy 黄边内一阶微分总和
Sum of first order derivatives in yellow edge (550−580 nm) 0.621
“**”: 极显著相关。“**” means significant correlation.
84 中国生态农业学报 2014 第 22卷


将库尔勒香梨叶片全钾含量分别与光谱位置特
征变量和光谱面积变量进行单变量线性拟合分析 ,
建立库尔勒香梨叶片全钾含量的高光谱遥感估算模
型。由表 4可知, 基于光谱位置的特征变量绿峰(Rg)
和红谷(Ro)构建的香梨叶片全钾含量估测模型与基
于其他变量所构建的估测模型相比, 具有较大的调
整 R2系数(0.887 和 0.882), 说明利用光谱参数绿峰
(Rg)和红谷(Ro)建立的估测模型精度较高且稳定性
较好, 可用于库尔勒香梨叶片全钾含量的估测。
2.6 库尔勒香梨叶片全钾含量估测模型的建立与
检验
对所建模型的绝对相关系数和调整 R2系数采用
最大优选原则进行综合比较, 筛选出以叶片原始光
谱反射率、一阶微分光谱、光谱位置特征变量绿峰
(Rg)和红谷(Ro)为自变量建立的库尔勒香梨叶片全
钾含量估测模型, 所选估测模型均达到显著水平,调
整 R2均达到 0.85 以上(表 5), 说明这些模型可以用
于估测库尔勒香梨叶片的全钾含量。
利用库尔勒香梨叶片的光谱数据与实测全钾含
量 , 对建立的叶片全钾含量估测模型进行检验(图
4)。图 4c表明, 基于一阶微分光谱在 630 nm处构建
的线性回归模型的拟合效果最好, 其预测模型的决
表 4 库尔勒香梨叶片全钾含量(Y)与不同光谱参数(X)
之间的定量关系
Table 4 Quantitative relationships between total potassium
content and spectral parameters (X) of Kuerle fragrant pear
leaves (Y)
光谱参数
Spectral parameter
回归方程
Model
调整 R2
Adjusted R2
Dr Y = −12.070X+43.707 0.179
Db Y = −27.142X+34.185 0.174
Dy Y = 148.888X+26.170 0.448
Rg Y = −3.437X+79.571 0.887
Ro Y = −5.353X+73.809 0.882
SDr Y = −0.602X−52.500 0.329
SDb Y = −9.013X+58.312 0.558
SDy Y = 0.363X+4.11 0.331
表 5 库尔勒香梨叶片全钾含量高光谱估测模型
Table 5 Hyperspectral models for total potassium content of Kuerle fragrant pear leaves
变量
Variable
敏感波段
Sensitive band
(nm)
模型表达式
Model expression
调整 R2
Adjusted R2
相对误差范围
Relative error range (%)
平均相对误差
Average relative error (%)
425 Y= −5.240X425+73.365 0.913 4.15~11.25 6.68
709 Y= −1.087X709+57.018 0.891 7.18~17.08 10.75
630 Y= 1 136.835X630+50.709 0.986 2.46~8.15 4.35
一阶微分光谱
First derivative
spectral
reflectance
695 Y= −42.084X695+52.961 0.901 6.65~16.75 9.22
Rg Y = −3.437X+79.571 0.887 8.35~19.46 11.20
Ro Y = −5.353X+73.809 0.882 9.72~22.88 14.58

图 4 库尔勒香梨叶片全钾含量预测模型检验
Fig. 4 Precision test of prediction model for total potassium content of Kuerle fragrant pear leaves
a、b为原始光谱反射率建立多元线性回归模型, c和 d为光谱一阶微分多元线性回归模型, e为绿峰(Rg)一元线性模型, f为红谷(Ro)一元线
性模型。In figures a and b, the multiple linear regression models were based on original spectral reflectance; in figures c and d, the multiple linear
regression models were based on first derivative. Figures e and f show the linear models based on spectral position characteristic variable green peak
(Rg) and red valley (Ro), respectively.
第 1期 柴仲平等: 库尔勒香梨叶片全钾含量高光谱估算模型研究 85


定系数为 0.851 3, 比其余 5个估测模型的决定系数
都大, 而平均相对误差却最小, 说明利用该模型进
行库尔勒香梨叶片全钾含量的估测具有更高的准确
性, 预测结果也较为理想。因此基于叶片光谱的一
阶微分模型 Y= 1 136.835X630+50.709可作为库尔勒
香梨叶片全钾含量的最佳估测模型。
3 结论
分析库尔勒香梨叶片高光谱反射率及其一阶微
分、高光谱参数(位置、面积)与叶片全钾含量之间的
相关关系, 结果表明: 在不同施钾水平下库尔勒香
梨叶片光谱呈现不同的反射率特征, 在可见光和近
红外波段这种差异尤为明显, 在 550 nm处呈现反射
峰, 而在 680 nm处呈现吸收谷, 这与其叶片氮、磷
素营养光谱曲线基本一致[20], 也与其他植物叶片的
光谱反射特征一致[21−22]。库尔勒香梨叶片全钾含量
一阶微分的敏感波段分别位于 627~631 nm 和 692~
696 nm, 最优波长在 630 nm和 695 nm处, 与邢东兴
等[23]对苹果叶片钾素的研究结果(入选波长 553 nm、
629 nm、649 nm、667 nm、870 nm)有相同之处, 但
也存在一定的差异性。这种差异可能是由多方面的
原因引起, 如光谱仪的性能、光谱测试物种、测定
时间以及试验地区的基本环境条件都会给测定结果
带来一定影响。另外根据最大优选原则, 对建立的
叶片全钾估测模型进行绝对相关系数和调整 R2系数
的比较, 初步筛选原始光谱在波长 425 nm和 709 nm,
光谱反射率的一阶微分在 630 nm和 695 nm, 光谱位
置绿峰(Rg)和红谷(Ro)6个参数所构建的模型可用于
库尔勒香梨叶片全钾含量的估算。通过模型检验, 与
库尔勒香梨叶片全钾含量相关性较强的光谱数据形式
是一阶微分光谱 , 这也与前人的研究结果一致 [8,23],
最终确定库尔勒香梨叶片全钾含量与光谱的一阶微
分模型 Y=1 136.835X630+50.709 作为对全钾含量的
预测模型最为理想。
本研究得出了库尔勒香梨叶片全钾含量的敏感
波长 , 优化光谱参数 , 构建估测模型 , 筛选确定最
佳预测模型, 为运用光谱技术进行果树长势、长相
监测和营养状况诊断提供了参考。光谱反射率对不
同物种、不同生育期、不同营养状况和不同环境条
件非常敏感, 这就限制了利用光谱进行植物营养诊
断的精确度。库尔勒香梨叶片养分随着生育期的推
进发生不断变化, 本研究中光谱测定和叶样采集于
果实膨大末期进行, 叶片养分相对较为稳定, 可以
减少因叶片养分变化对光谱测定与模型建立的影响,
增强预测模型的精确度。另外研究中采集的光谱数
据只是基于库尔勒市的 1 个乡, 库尔勒香梨树龄 20
年, 要把文中的结论推向实际应用中, 还需要进一
步扩大试验规模, 覆盖更多的地区、更多树龄的库
尔勒香梨树。
参考文献
[1] 陈波浪, 盛建东, 李建贵, 等. 红枣树氮、磷、钾吸收与累
积年周期变化规律[J]. 植物营养与肥料学报, 2011, 17(2):
445–450
Chen B L, Sheng J D, Li J G, et al. Study on N, P, K
absorption and accumulation in Zizvphus jujube tree[J]. Plant
Nutrition and Fertilizer Science, 2011, 17(2): 445–450
[2] 梁智 , 张计峰 . 两种枣树矿质营养元素累积特性研究 [J].
植物营养与肥料学报, 2011, 17(3): 688–692
Liang Z, Zhang J F. Accumulation properties of mineral
elements in two types of Chinese jujube[J]. Plant Nutrition
and Fertilizer Science, 2011, 17(3): 688–692
[3] 王泽, 盛建东, 陈波浪, 等. 矮密栽培红枣树生物量及养分
积累动态研究 [J]. 植物营养与肥料学报 , 2012, 18(1):
169–175
Wang Z, Sheng J D, Chen B L, et al. Study on biomass and
nutrient accumulation of Zizyphus jujube tree under dwarfing
and high density culture[J]. Plant Nutrition and Fertilizer
Science, 2012, 18(1): 169–175
[4] 梁智 , 周勃 , 邹耀湘 . 核桃树体生物量构成及矿质营养元
素累积特性研究[J]. 果树学报, 2012, 29(1): 139–142
Liang Z, Zhou B, Zou Y X. Compositional analysis of
biomass and accumulation properties of mineral elements in
walnut[J]. Journal of Fruit Science, 2012, 29(1): 139–142
[5] Fernandez S, Vidal D, Simon E, et al. Radiometric
characteristics of triticum aestivum cv, astral under water
nitrogen stress[J]. International Journal of Remote Sensing,
1994, 15(9): 1867–1884
[6] Everitt J H, Pettit R D, Alaniz M A. Remote sensing of broom
snakeweed (Gutierrezia sarothrae) and spiny aster (Aster
spinosus)[J]. Weed Science, 1987, 35(2): 295–302
[7] Hansen P M, Schjoerring J K. Reflectance measurement of
canopy biomass and nitrogen status in wheat crops using
normalized difference vegetation indices and partial least
squares regression[J]. Remote Sensing of Environment, 2003,
86(4): 5421–553
[8] 牛铮, 陈永华, 隋洪智, 等. 叶片化学组分成像光谱遥感探
测机理分析[J]. 遥感学报, 2000, 4(2): 125–130
Niu Z, Chen Y H, Sui H Z, et al. Mechanism analysis of leaf
biochemical concentration by high spectral remote sensing[J].
Journal of Remote Sensing, 2000, 4(2): 125–130
[9] 王秀珍, 王人潮, 李云梅, 等. 不同氮素营养水平的水稻冠
层光谱红边参数及其应用研究[J]. 浙江大学学报: 农业与
生命科学版, 2001, 27(3): 301–306
Wang X Z, Wang R C, Li Y M, et al. Study on red edge
characteristics of rice spectral caused by nitrogen level[J].
Journal of Zhejiang University: Agriculture and Life Sciences,
2001, 27(3): 301–306
[10] 薛利红, 曹卫星, 罗卫红, 等. 小麦叶片氮素状况与光谱特
性的相关性研究[J]. 植物生态学报, 2004, 28(2): 172–177
Xue L H, Cao W X, Luo W H, et al. Correlation between leaf
nitrogen status and canopy spectral characteristics in wheat[J].
86 中国生态农业学报 2014 第 22卷


Acta Phytoecologica Sinica, 2004, 28(2): 172–177
[11] 易秋香, 黄敬峰, 王秀珍, 等. 玉米全氮含量高光谱遥感估
算模型研究[J]. 农业工程学报, 2006, 22(9): 138–143
Yi Q X, Huang J F, Wang X Z, et al. Hyperspectral remote
sensing estimation models for nitrogen contents of maize[J].
Transactions of the Chinese Society of Agricultural Engi-
neering, 2006, 22(9): 138–143
[12] 谭昌伟, 周清波, 齐腊, 等. 水稻氮素营养高光谱遥感诊断
模型[J]. 应用生态学报, 2008, 19(6): 1261–1268
Tan C W, Zhou Q B, Qi L, et al. Hyperspectral remote
sensing diagnosis models of rice plant nitrogen nutritional
status[J]. Chinese Journal of Applied Ecology, 2008, 19(6):
1261–1268
[13] Jongschaap R E E, Booij R. Spectral measurements at differ-
ent spatial scales in potato: Relating leaf, plant and canopy
nitrogen status[J]. International Journal of Applied Earth Ob-
servation and Geo-information, 2004, 5(3): 205–218
[14] Kokaly R F. Investigating a physical basis for spectroscopic
estimates of leaf nitrogen concentration[J]. Remote Sensing
of Environment, 2001, 75(2): 153–161
[15] 代辉, 胡春胜, 程一松 . 冬小麦冠层光谱红边特征分析[J].
中国生态农业学报, 2007, 15(5): 80–83
Dai H, Hu C S, Cheng Y S. Red-edge characteristics of winter
wheat canopy spectra[J]. Chinese Journal of Eco-Agriculture,
2007, 15(5): 80–83
[16] 李丙智, 李敏夏, 周璇, 等. 苹果树叶片全氮含量高光谱估
算模型研究[J]. 遥感学报, 2010, 14(4): 767–773
Li B Z, Li M X, Zhou X, et al. Hyperspectral estimation
models for nitrogen contents of apple leaves[J]. Journal of
Remote Sensing, 2010, 14(4): 767–773
[17] 鲍士旦. 土壤农化分析[M]. 第 3 版. 北京: 中国农业出版
社, 2000: 25–114
Bao S D. Analysis of Soil and Agricultural Chemistry[M]. 3rd
ed. Beijing: China Agriculture Press, 2000: 25–114
[18] Gitelson A A, Merzlyak M N, Lichtenthaler H K. Detection of
red edge position and chlorophyll content by reflectance
measurements near 700 nm[J]. Journal of Plant Physiology,
1996, 148(3/4): 501–508
[19] Sims D A, Gamon J A. Relationships between leaf pigment
content and spectral reflectance across a wide range of species,
leaf structures and developmental stages[J]. Remote Sensing
of Environment, 2002, 81(2/3): 337–354
[20] 柴仲平, 王雪梅, 盛建东, 等. 基于光谱分析的库尔勒香梨
叶片全氮含量估测研究[J]. 果树学报, 2013, 30(3): 421–426
Chai Z P, Wang X M, Sheng J D, et al. Prediction of the total
nitrogen content in leaves of Kuerle fragrant pear by spectral
analysis[J]. Journal of Fruit Science, 2013, 30(3): 421–426
[21] 易时来, 邓烈, 何绍兰, 等. 锦橙叶片氮含量可见近红外光
谱模型研究[J]. 果树学报, 2010, 27(1): 13–17
Yi S L, Deng L, He S L, et al. Research on nitrogen content of
leaf of Jincheng orange cultivar using visible near infrared
spectroscopy model[J]. Journal of Fruit Science, 2010, 27(1):
13–17
[22] 李敏夏, 张林森, 李丙智, 等. 苹果叶片高光谱特性与叶绿
素含量和 SPAD值的关系[J]. 西北林学院学报, 2010, 25(2):
35–39
Li M X, Zhang L S, Li B Z, et al. Relationship between
spectral reflectance feature and their chlorophyll concen-
trations and SPAD value of apple leaves[J]. Journal of North-
west Forestry University, 2010, 25(2): 35–39
[23] 邢东兴, 常庆瑞. 基于光谱分析的果树叶片全氮、全磷、全
钾含量估测研究——以红富士苹果树为例[J]. 西北农林科
技大学学报: 自然科学版, 2009, 37(2): 141–147
Xing D X, Chang Q R. Research on predicting the TN, TP,
TK contents of fresh fruit tree leaves by spectral analysis with
Red Fuji apple tree as an example[J]. Journal of Northwest A
& F University: Natural Sciences Education, 2009, 37(2):
141–147