引用本文
王绍妍, 陈志飞, 罗杨, 简春霞, 周俊杰, 靳媛, 许培丹, 雷斯越, 徐炳成. 基于光谱特征的黄土丘陵区白羊草群落养分含量研究[J]. 光谱学与光谱分析, 2023,43(5): 1612-1621.
WANG Shao-yan, CHEN Zhi-fei, LUO Yang, JIAN Chun-xia, ZHOU Jun-jie, JIN Yuan, XU Pei-dan, LEI Si-yue, XU Bing-cheng. Study on Nutrient Content of Bothriochloa Ischaemum Community in the Loess Hilly-Gully Region Based on Spectral Characteristics [J]. Spectroscopy and Spectral Analysis, 2023,43(5): 1612-1621.
Doi:10.3964/j.issn.1000-0593(2023)05-1612-10  
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于光谱特征的黄土丘陵区白羊草群落养分含量研究
王绍妍1, 陈志飞2, 罗杨1, 简春霞1, 周俊杰3, 靳媛1, 许培丹3, 雷斯越3, 徐炳成1,4,*
1.西北农林科技大学, 黄土高原土壤侵蚀与旱地农业国家重点实验室, 陕西 杨凌 712100
2.贵州大学生命科学学院, 贵州 贵阳 550025
3.西北农林科技大学草业与草原学院, 陕西 杨凌 712100
4.中国科学院水利部水土保持研究所, 陕西 杨凌 712100
*通讯作者 e-mail: Bcxu@nwsuaf.edu.cn

作者简介: 王绍妍, 女, 1997年生, 西北农林科技大学水土保持研究所硕士研究生 e-mail: Sywang@nwsuaf.edu.cn

收稿日期: 2022-03-28 修回日期: 2022-06-07
基金: 国家自然科学基金项目(41771553), 国家“十三五”重点研发计划项目(2016YFC0501703)资助
摘要

探讨草地群落光谱特征与养分含量的关系, 可为采用高光谱技术诊断草地群落营养状况, 对推进快速无损检测技术应用于草地施肥管理具有重要意义。 以黄土丘陵区典型草地群落, 白羊草(Bothriochloa ischaemum)群落为研究对象, 设置4个氮添加(0、 25、 50和100 kg N·ha-1·yr-1)和4个磷添加(0、 20、 40和80 kg P2O5·ha-1·yr-1)处理。 基于群落冠层光谱和群落氮磷养分含量测定, 结合红边区域内一阶导数处理, 在植被指数、 特征波段和红边参数组成的18个光谱特征参数中, 采用逐步回归方法(SWR)筛选出对白羊草群落氮磷含量及氮磷比敏感的光谱特征参数, 并建立反演模型对草地群落地上部分全氮含量和地上部分全磷含量及其比值进行估测。 结果表明: 白羊草群落氮磷含量随施氮量增加而增加, 氮磷比随施磷量增加而减少; 氮磷添加下光谱反射率在可见光波段与施肥量成反比, 近红外波段与施肥量成正比, 红边区域内一阶导数的“双峰现象”受氮磷添加影响显著; 一些对草地群落氮磷含量较敏感的光谱特征对氮磷含量及氮磷比估测起重要作用, 其中三波段光谱指数(TBSI), R910和红边幅值(AMP)对氮含量的估测模型有极大贡献(R2=0.87, F=18.8***), 而磷含量估测中差值植被指数(DVI), 修正红边简比率指数(mSR705), R430, R660和AMP对模型贡献明显(R2=0.91, F=20.51***), Slope725对氮磷比的估测模型贡献最大(R2=0.54, F=5.14***)。 该研究运用高光谱技术实现对白羊草群落养分含量的快速精准估测, 在氮磷含量及其比值与光谱特征参数存在显著相关性的基础上, 成功筛选出建立模型精度最高的参数组合, 为大面积监测氮磷添加后草地养分含量方法和参数选择奠定了基础。

关键词: 一阶导数; 红边参数; 植被指数; 逐步回归; 氮磷添加
中图分类号:TP79 文献标志码:A
Study on Nutrient Content of Bothriochloa Ischaemum Community in the Loess Hilly-Gully Region Based on Spectral Characteristics
WANG Shao-yan1, CHEN Zhi-fei2, LUO Yang1, JIAN Chun-xia1, ZHOU Jun-jie3, JIN Yuan1, XU Pei-dan3, LEI Si-yue3, XU Bing-cheng1,4,*
1. State Key Laboratory of Soil Erosion and Dryland Farming on the Loess Plateau, Northwest A&F University, Yangling 712100, China
2. College of Life Sciences, Guizhou University, Guiyang 550025, China
3. College of Grassland Agriculture, Northwest A&F University, Yangling 712100, China
4. Institute of Soil and Water Conservation, Chinese Academy of Sciences and Ministry of Water Resources, Yangling 712100, China
*Corresponding author
Abstract

Exploring the relationship between spectral characteristics and nutrient content of the grassland communities is of great significance for promoting the application of rapid non-destructive testing technology in grassland fertilization management, which can be used to diagnose the nutritional status of the grassland communities by hyperspectral technology. A typical grassland community in the Loess Hilly-gully region on the Loess Plateau, Bothriochloa ischaemum community, was investigated with treatments of four nitrogen (N) addition (0, 25, 50, and 100 kg·N·ha-1·yr-1) and four phosphorus (P) addition treatments (0, 20, 40, and 80 P2O5·kg·ha-1·yr-1). Based on hyperspectral and community N and P nutrient content measurements, combined with the first derivative treatment in the red-edge region, 18 characteristicspectral parameters consisting of vegetation indexes, characteristic bands and red-edge parameters, the characteristicspectral parameters sensitive to the N and P content and N:P ratio of B. ischaemum community were screened by multiple linear stepwise regression (SWR) methods, and an inverse model was established to estimate the aboveground total N content and total P content and N:P ratio in the community. Results showed that the N and P content of the B. ischaemum community increased with N application, and the N:P ratio decreased with P application; the spectral reflectance under N and P addition is inversely proportional to fertilizer application in the visible band and positively proportional to fertilizer application in the near-infrared band, and the “double-peak phenomenon” of the first derivative in the red-edge region was significantly affected by N and P addition. Among them, TBSI, R910 and AMP contributed significantly to the model for N estimation (R2=0.87, F=18.8***), while DVI, mSR705, R430, R660 and AMP contributed significantly to the model for P estimation (R2=0.91, F=20.51***), and Slope725 contributed the most to the model for the estimation of N:P ratio (R2=0.54, F=5.14***). This study used hyperspectral technology to achieve a rapid estimation of the N and P content of the B. ischaemum community, and based on the significant correlation between N and P content and N:P ratio and spectral feature parameters, the parameter combination with the highest accuracy was selected, which laid a foundation for the method and parameter selection of monitoring grassland nutrient content after N and P addition at large scale.

Keyword: First derivative; Red edge parameters; Vegetation index; Stepwise regression; N and P addition
引言

白羊草(Bothriochloa ischaemum)群落是半干旱黄土丘陵区典型天然草地群落, 由于干旱及水土流失, 黄土丘陵区土壤养分含量总体偏低, 天然草地群落结构简单, 恢复速度缓慢[1]。 研究表明, 通过外源施用氮(N)、 磷(P)可有效提高白羊草群落生产力和物种构成数量, 提升群落物种多样性及其稳定性[2]。 草地植物中营养成分(N、 P等)在生长发育过程中起非常重要的作用[3, 4], 氮磷比(N:P)能够表征植物对氮磷养分的吸收状况[2]。 草地植物的养分含量与光谱特征密切相关[5]。 快速、 无损、 准确地明确白羊草群落中氮磷含量及氮磷比, 对黄土丘陵区天然草地资源合适管理措施的选择具有重要意义。

传统的养分诊断需大量采样, 时效性差, 且以点代面, 缺乏总体代表性[6]。 光谱技术具有高效、 准确、 无损、 可连续监测等特点, 被广泛用于植被养分诊断、 长势监测和反演[5, 7, 8, 9, 10], 也促进了天然草地生长状况监测等研究, 使草地植被养分状况的快速实时诊断和精确定量施肥成为可能。 Inoue等[8]使用预测模型和高光谱图像生成了氮含量的诊断图。 研究表明, 光谱变换(如一阶导数、 二阶导数和去包络线)通常用于增强植被中养分的吸收特征[10], 如Ramoelo等[9]使用一阶导数、 对数变换等4项光谱变换技术, 结合逐步回归和偏最小二乘法对叶片磷含量进行估测, 所建立的模型具有良好的准确性和预测能力。 Ramoelo等[11]的研究结果表明, 使用高光谱数据直接对叶片氮磷比进行估测具有可行性(R2介于0.69~0.85之间), Loozen等[12]发现一些单独对草地中氮磷含量估测较好的植被指数, 在对氮磷比估测中呈现出较好的精度。

目前研究偏向于分析黄土丘陵区草地群落氮磷添加水平与群落特征的变化或者响应关系[2, 7, 13], 对群落氮磷含量及氮磷比估测研究较少。 本工作以黄土丘陵区白羊草群落为研究对象, 分析不同氮磷添加下白羊草群落氮磷含量、 氮磷比和群落光谱的变化规律, 探索白羊草群落氮磷含量、 氮磷比与光谱特征参数的相关关系; 采用逐步回归方法筛选出对白羊草群落氮磷含量及氮磷比敏感的光谱特征参数并建立估测模型, 为黄土丘陵区天然草地的快速、 无损养分监测及氮磷添加调控提供参考。

1 实验部分
1.1 研究区概况

本试验在陕西省延安市安塞区纸坊沟小流域(36° 42'42″— 36° 42'28″N, 109° 13'46″— 109° 16'03″E)开展。 流域总面积为8.27 km2。 属暖温带半干旱气候区, 年均降水量528.8 mm, 年均气温8.8 ℃, 年蒸发量1 500~1 900 mm, 日照时数2 352~2 573 h, 年总辐射量493 kJ· cm-2, 年均无霜期160 d。 该区地形地貌复杂多样, 境内沟壑纵横, 土壤以黄土母质上发育的黄绵土为主, 海拔1 041.5~1 425.7 m, 植被地带分区属暖温带森林草原区。 常见草本植物主要有白羊草、 铁杆蒿(Artemisia sacrorum)、 长芒草(Stipa bungeana)、 蒙古蒿(Artemisia mongolica)、 茭蒿(Artemisia giraldii)、 狗尾草(Setaria viridis)等。

1.2 试验设计

选择白羊草群落为研究对象, 群落样地的坡度为17° 、 坡向为N46° E17'。 采用裂区试验设计, 沿坡面设置成三个10 m × 30 m区组, 每个区组为一个重复, 间距1.5 m, 每个区组沿坡面设置4个4 m× 4 m主区, 对4个主区分别进行施氮处理, 各主区间隔1 m, 每个主区再划分为4个2 m× 2 m副区。 氮肥采用含N量15.5%的硝酸铵钙[5Ca(NO3)2· NH4NO3· 10H2O], 磷肥采用含45% P2O5的重过磷酸钙[Ca(H2PO4)2· H2O]。

黄土丘陵区平均氮沉降量为21.76 kg N· ha-1· yr-1[14], 因此氮处理分别为: N0(不施N), N25(25 kg N· ha-1· yr-1), N50(50 kg N· ha-1· yr-1)和N100(100 kg N· ha-1· yr-1); 参考文献[2, 13], 磷处理分别为: P0(不施P), P20(20 kg P2O5· ha-1· yr-1), P40(40 kg P2O5· ha-1· yr-1)和P80(80 kg P2O5· ha-1· yr-1)。 为减少坡位影响, 主区施氮处理在重复内随机布设。 每个样地共12个主区, 48个副区。 肥料于2018年5月21日雨前均匀撒于地表。

1.3 光谱测定

光谱测定于2018年8月23日— 24日白羊草群落生长旺盛期进行, 采用UniSpec-SC便携式野外地物光谱分析仪(PP Systems公司, 美国)采集。 测量波段为310~1 130 nm, 共256个波段, 测量绝对精度< 0.3 nm。 为避免大气影响, 测定时天气晴朗、 无云和空气干燥。 为减少太阳高度角对采集结果影响, 采集时段定于北京时间11:00— 13:00进行。 设定探头与地面的距离为2 m, 探头视场角为20° , 采集时探头垂直于群落冠层, 旋转探头角度进行测量, 旋转角度分别为0° 、 120° 、 240° 和360° , 对同一副区测量10次, 对应旋转角度扫描次数分别为3, 3, 3和1次, 取10次扫描均值为该副区光谱[15]。 不同样带内同一处理下的光谱反射率取平均, 得到该处理下的群落冠层光谱。

1.4 养分测定

在2018年8月下旬对白羊草群落采样, 在每个处理副区设置一个1 m× 1 m样方, 将样方内植物齐地剪下, 带回实验室在80 ℃烘干48 h至恒重。 将每个样方内所有植物地上部分一起粉碎后, 用于测定群落氮磷含量(mg· g-1)。 将样品以H2SO4-H2O2消煮后采用自动凯氏定氮法测定获得氮含量(Kjektec System 2300 Distilling Unit, Foss, Sweden)。 采用钼锑比色法并用紫外分光光度计(UV-2600 spectrophotometer, Japan)测定样品磷含量。 每块样地植株中氮磷比由测定的氮磷含量计算而得。

1.5 数据分析

1.5.1 光谱反射率预处理与光谱特征参数选择

在采集初始与结束阶段光谱波动较大, 光谱数据噪声明显, 为避免其影响, 将400 nm以下的光谱反射率剔除, 故选取400~1 100 nm光谱反射率作为数据处理范围[16]。 采用Multispec 5.1数据处理软件读取反射光谱原始数据及格式转换, 一阶导数可减弱土壤背景噪声对光谱的影响, 同时放大光谱曲线的微小变化, 计算公式如式(1)[15]

D(λi)=|R(λi+1)-R(λi-1)|/2Δλ(1)

式(1)中, Rλ i为波长λ i处的原始光谱反射率值; Δ λ 为波长i到i+1的差值; D(λ i)为波长λ i的一阶导数光谱, λ i为波段i处的波长值。

氮磷含量及氮磷比与采用光谱反射率计算的植被指数间有很强相关性, 但植被指数的选择常不唯一, 目前对于最适合氮磷含量及氮磷比估测的植被指数还没有一致的结论[8]。 本工作参考相关研究, 选择了18个估测草地群落氮磷含量及氮磷较常用的光谱特征参数, 包括10个植被指数[17, 18]、 5个特征波长[19]和3个红边参数[10]。 光谱反射率在680~750 nm波段急剧增加, 形成陡坡, 定义为“ 红边” 。 红边位置(red edge position, REP)为光谱在680~750 nm波段反射率变化速率最大时对应的波长(nm); 红边幅值(amplitude, AMP)为光谱在680~750 nm波段反射率的最大变化率[15]。

1.5.2 分析方法

采用逐步回归(stepwise regression, SWR)结合相关分析法筛选光谱特征参数, 筛选出的光谱特征参数用于估测群落氮磷含量及氮磷比。 采用决定系数(R2)和F检验两个指标检验模型估测能力, 同时满足R2越大、 F值越大两个条件的模型精度越好[20]。

数据采用Microsoft Excel 2021处理, 数据图采用Origin 2021完成。 采用SPSS24.0软件中单因素方差分析(One-Way ANOVA)检验氮和磷效应对群落氮磷含量及氮磷比的影响。 采用R语言软件中corrplot包和car包进行光谱特征参数与群落氮磷含量及氮磷比相关性分析, 以及光谱特征参数筛选与估测模型建立并作图。

2 结果与讨论
2.1 氮磷含量及氮磷比

未施肥下, 白羊草群落氮含量为1.62 mg· g-1。 单施氮后群落氮含量相比未施肥均显著增加(p< 0.05), 群落氮含量随着施氮量增加而增加; N100与磷配施下群落氮含量显著高于单施磷或者N25和N50与磷配施(p< 0.05)。 单施磷下群落氮含量显著高于未施肥或单施氮肥(p< 0.05), 但施磷量对其无显著影响。 N50处理下磷添加量超过P20时, 群落氮含量呈下降趋势(图1)。

图1 氮磷添加对白羊草群落氮磷含量及氮磷比的影响
注: 柱上不同小写字母间表示相同磷水平下氮处理间差异显著(p< 0.05), 括号内小写字母间表示相同氮水平下磷处理间差异显著(p< 0.05), 误差棒表示氮磷含量及氮磷比的标准偏差(n=3)Fig.1 N content, P content and N:P ratio of Bothriochloa ischaemum community in response to N and P addition
Note: Different lowercase letters on the column indicate significant differences among N treatments at same P level (p< 0.05), and different lowercase letters in brackets indicate significant differences among P treatments at same N level (p< 0.05), error bar shows the standard deviation for N content, P content and N:P ratio of Bothriochloa ischaemum community (n=3)

未施肥下, 群落磷含量为0.15 mg· g-1。 单施氮对群落磷含量均无显著影响。 单施磷下白羊草群落磷含量显著高于未施肥或单施氮(p< 0.05), 且施磷量对群落磷含量有显著影响(图1), 研究结果表明施磷能有效提高白羊草群落养分状况。

未施肥下, 群落氮磷比为10.73。 单施氮对白羊草群落氮磷比无显著影响(p< 0.05)。 无论单施氮还是氮磷配施, 白羊草群落氮磷比在不同施氮处理之间无显著差异。 单施磷时, 白羊草群落氮磷比有显著差异且氮磷比随着施磷量的增加逐渐降低(图1)。

2.2 光谱特征

2.2.1 光谱反射率

不同氮磷添加下白羊草群落光谱反射曲线趋势一致(图2), 主要表现为, 在450和670 nm附近出现“ 蓝谷” 和“ 红谷” , 是蓝光和红光的吸收谷, 在550 nm附近绿光波段出现“ 绿峰” , 650~710 nm之间的红边吸收特征更明显。 冠层对可见光(390~780 nm)的吸收明显增强, 使得该区域的光谱反射率比对照(N0P0)降低, 而不同施氮量或施磷量之间无显著差异。 同一氮处理下, 施磷处理的两个吸收谷显著低于未施磷处理。 氮磷添加影响植物叶片叶绿素含量, 光谱反射曲线特征产生相应变化, 单施氮和单施磷均显著降低“ 蓝谷” 、 “ 绿峰” 和“ 红谷” , 说明施氮或施磷均提高叶片叶绿素含量。 有研究表明, 草地群落光谱反射率在不同氮磷添加下有明显差异, 施磷能有效提高草地盖度和群体光合能力[7]。

图2 白羊草群落光谱曲线特征对氮磷添加的响应Fig.2 Spectral curves of Bothriochloa ischaemum community in response of N and P addition

由于太阳光在植被冠层叶内部组织结构经过多次反射、 散射的作用, 在760 nm处光谱反射率跃升至近红外高台, 970 nm后反射值又呈增大趋势, 1 087 nm出现峰值。 本研究结果表明光谱反射曲线在不同施肥处理下表现出明显差异, 在近红外波段随着氮磷添加量增加光谱反射率逐渐增加(图2); 与胡昊等[21]可见光波段反射率随着施氮量的增加而降低, 近红外则有相反趋势的结果一致。

2.2.2 一阶导数及红边参数

通过减少大气、 水分吸收和土壤背景以及冗余数据产生的噪声信号, 一阶导数光谱可以突显不同氮磷添加下光谱反射率间的细微差异。 由不同氮磷添加下红边波段范围内(680~750 nm)的一阶导数光谱反射率可以看出(图3), 整体上, 红边区域内一阶导数随着波长增大呈先升高后降低的趋势, 一阶导数光谱在717 nm附近出现最大值且均有较为明显的差异。 单施氮对AMP有显著影响, AMP随着施磷量增加而增加, 在N0和N25处理下, AMP随着施磷量增加而增加, N50P40处理下AMP最大; N100处理下AMP随着施磷量增加而减少, 红边参数已被广泛用于监测植被养分含量的有效指标。

图3 不同氮磷添加下白羊草群落光谱曲线在红边范围(680~750 nm)下一阶导数对氮肥添加的响应Fig.3 The first derivative of the spectral curves of Bothriochloa ischaemum community in the red edge range (680~750 nm) in response of N and P addition

在特定区域(一般为红边拐点附近)两侧波段反射率与施肥水平的关系表现为异质性, 可以显著提高氮磷含量的估测精度, 在红边范围内一阶导数光谱存在“ 双峰现象” [5], 由于施肥量N0、 N25和N50下P0、 P20处理下叶面积指数小[2], 受土壤背景的影响, 冠层光谱的“ 双峰现象” 并不明显, 其余氮磷添加下的“ 双峰现象” 明显且左峰和右峰的峰高度(一阶导数最大或较大值)不同, 与大多数绿色植物的红边特征相似, 即随氮磷添加量的增加, 群落氮磷含量增加, 地上生物量增加[7], 叶面积指数增大[2], 土壤背景对冠层光谱影响减小, “ 双峰现象” 越来越明显。 本研究结果表明, 氮磷添加对“ 双峰现象” 影响均较为显著, 且N50及P40处理下的“ 双峰现象” 最明显。

2.3 相关性分析

根据光谱特征参数与氮磷含量及氮磷比的相关性分析表明(图4), 差值植被指数(DVI)、 红边拐点(REIP)、 氮反射指数(NRI)、 R860、 R910和AMP与氮磷含量及氮磷比呈显著相关(p< 0.01), 三波段光谱指数(TBSI)和REP均与氮磷含量及氮磷比无显著相关。 Ramoelo等[22]的研究表明, 使用高光谱数据直接对叶片氮磷比进行预测具有可行性(R2介于0.69~0.85之间), 而且位于短波红外区域(900~1 700 nm)的光谱波段对叶片氮磷比的敏感性较高, 与本研究中的R910与氮磷含量及氮磷比均有极显著相关性, 并参与拟合模型决定系数高的结论大体一致。 归一化植被指数(NDVI)、 比值植被指数(RVI)、 修正红边归一化差异植被指数(mNDVI705)、 修正红边简单比率指数(mSR705)、 光化学反射指数(PRI)、 结构不敏感色素指数(SIPI)、 土壤调整植被指数(SAVI)、 归一化叶绿素指数(NDGI)、 R430、 R640和R660均与氮磷含量呈极显著相关(p< 0.01), NDVI、 RVI、 NDGI和R660与氮磷比呈显著相关(p< 0.05), 其余除Slope725以外的光谱特征参数均与氮磷比无显著相关。 REIP与SIPI呈显著正相关, 二者与植被指数和红边参数均呈显著负相关; TBSI与其余光谱特征参数均无显著相关; 特征波段中R860和R910均与其余三个特征波段呈显著负相关。

图4 草地群落光谱特征参数与氮磷含量及氮磷比的相关性Fig.4 Correlations among spectral characteristic parameters with N content, P content and N:P ratio in Bothriochloa ischaemum community

2.4 群落氮磷含量及氮磷比高光谱估测及检验

光谱特征参数选择和重组可以有效避免重要信息被忽略, 多元线性逐步回归是最好的方法之一。 王艺恒等[23]运用逐步回归分析方法, 获得高精度的色素含量估测模型。 为了更准确获取氮磷含量及氮磷比与光谱特征参数的估测模型, 本研究选用逐步回归分析方法, 按照建模评价结果, 分别建立群落氮磷含量及氮磷比的估测模型。

通过光谱特征参数逐步回归得到的氮磷含量估测模型较佳(R2分别为0.87和0.91), 氮磷比估测模型精度最低(R2=0.55)。 其中氮含量、 磷含量分别以NDVI, RVI, DVI, mNDVI705, AMP, mSR705, SAVI, NRI, REP, R430, R660, R860, R910为自变量时, R2在最高估测模型中最优, 而Slope725在氮磷比估测模型中有较大贡献。 一些对叶绿素含量和氮含量比较敏感的光谱特征参数(如DVI、 SAVI、 NDGI、 NRI和特征波段等)在草地氮含量估测中起着重要作用[5], 模型估测精度也符合要求。 研究表明, 对氮磷含量估测效果好的光谱特征参数, 在氮磷比估测中也表现出较好的精度[13], 如本研究中的DVI和R910, 对氮磷含量及氮磷比都存在显著相关性, 相关参数详见图5— 图7。

图5 基于光谱特征参数群落氮含量回归方程估测模型森林图
注: * , * * , * * * 和分别表示p≤ 0.05, p≤ 0.01, p≤ 0.001, 下同Fig.5 Estimation model forest plot based on the regression equation of N content of community in spectral characteristic parameters
Note: * , * * and * * * indicate statistically significant at p≤ 0.05, p≤ 0.01, and p≤ 0.001, respectively. Same as following

图6 基于光谱特征参数群落磷含量回归方程估测模型森林图Fig.6 Estimation model forest plot based on the regression equation of P content of community in spectral characteristic parameters

图7 基于光谱特征参数群落氮磷比回归方程估测模型森林图Fig.7 Estimation model forest plot based on the regression equation of N:P ratio of community in spectral characteristic parameters

3 结论

(1)不同氮磷添加下白羊草群落氮磷含量变化存在规律性, 群落氮磷含量随施肥量增加而增加。

(2)从光谱反射率来看, 在近红外波段光谱反射率与施肥量呈正比。 从一阶导数来看, 氮磷添加后一阶导数的“ 双峰现象” 更明显, 其中N50P40处理下的红边特征和“ 双峰现象” 最明显。

(3)在由植被指数、 特征波段和红边参数组成的18个光谱特征参数中, 筛选出一些对白羊草群落氮磷含量及氮磷比敏感的光谱特征参数(如NDVI, RVI, DVI, mNDVI705, AMP, mSR705, SAVI, NRI, REP, R430, R660, R860, R910, Slope725), 在植被生长旺盛期对白羊草群落氮磷含量及氮磷比估测模型中起重要作用(R2分别为0.91、 0.87和0.55)。

研究表明, 采用光谱特征参数可实现快速、 无损测定黄土丘陵区白羊草群落氮磷含量及氮磷比, 以光谱特征参数为自变量与养分含量建立模型, 筛选出拟合模型精度最高的参数组合。 本研究为大面积监测和评估黄土丘陵区天然草地添加氮磷养分后的恢复和生长提供方法支持。 未来可在不同草地类型进行检验和完善, 有助于实现模型估测精度和普适性的有效统一, 以更好地应用于不同环境下草地群落养分的精确监测和高效管理。

参考文献
[1] ZOU Ya-li, NIU De-cao, YANG Yi, et al(邹亚丽, 牛得草, 杨益, 等). Acta Agrestia Sinica(草地学报), 2014, 22(3): 461. [本文引用:1]
[2] Chen Z F, Xiong P F, Zhou J J, et al. Ecological Engineering, 2020, 145: 105727. [本文引用:6]
[3] Lu X Y, Yan Y, Sun J, et al. Ecology and Evolution, 2015, 5(19): 4492. [本文引用:1]
[4] Wang Z H, Wang T J, Darvishzadeh R, et al. Remote Sensing, 2016, 8(6): 491. [本文引用:1]
[5] Gao J L, Liang T G, Liu J, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 362. [本文引用:4]
[6] LÜ Yi-he, FU Bo-jie(吕一河, 傅伯杰). Acta Ecologica Sinica(生态学报), 2001, 21(12): 2096. [本文引用:1]
[7] LUO Yang, CHEN Zhi-fei, ZHOU Jun-jie, et al(罗杨, 陈志飞, 周俊杰, 等). Acta Agrestia Sinica(草地学报), 2021, 29(6): 1158. [本文引用:4]
[8] Inoue Y, Sakaiya E, Zhu Y, et al. Remote Sensing of Environment, 2012, 126: 210. [本文引用:3]
[9] Ramoelo A, Skidmore A K, Schlerf M, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(4): 408. [本文引用:2]
[10] Mutanga O, Skidmore A K, Prins H H T. Remote Sensing of Environment, 2004, 89(3): 393. [本文引用:3]
[11] Ramoelo A, Skidmore A K, Cho M A, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 27. [本文引用:1]
[12] Loozen Y, Karssenberg D, de Jong S M, et al. International Journal of Applied Earth Observation and Geoinformation, 2019, 75: 1. [本文引用:1]
[13] LIU Hai-wei, ZHANG Shao-kang, JIAO Feng(刘海威, 张少康, 焦峰). Journal of Soil and Water Conservation(水土保持学报), 2017, 31(2): 333. [本文引用:3]
[14] Liang T, Tong Y A, Xu W, et al. Atmospheric Pollution Research, 2016, 7(3): 447. [本文引用:1]
[15] QIAN Yu-rong, YU Jiong, JIA Zhen-hong, et al(钱育蓉, 于炯, 贾振红, 等). Acta Pratacultura Sinica(草业学报), 2013, 22(1): 157. [本文引用:3]
[16] WU Hong-qi, FAN Yan-min, JIN Gui-li, et al(武红旗, 范燕敏, 靳瑰丽). Acta Pratacultura Sinica(草业学报), 2019, 36(7): 1765. [本文引用:1]
[17] Sims D A, Gamon J A. Remote Sensing of Environment, 2002, 81(2-3): 337. [本文引用:1]
[18] Schlerf M, Atzberger C, Hill J. Remote Sensing of Environment, 2005, 95(2): 177. [本文引用:1]
[19] Kumar L, Schmidt K, Dury S, et al. Imaging Spectrometry, Remote Sensing and Digital Image Processing. Berlin, Springer Nature, 2002, 4, 111. [本文引用:1]
[20] LIU Wen-ya, PAN Jie(刘文雅, 潘洁). Chinese Journal of Applied Ecology(应用生态学报), 2017, 28(4): 1128. [本文引用:1]
[21] HU Hao, BAI You-lu, YANG Li-ping, et al(胡昊, 白由路, 杨俐苹, 等). Journal of Plant Nutrition and Fertilizer(植物营养与肥料学报), 2009, 15(6): 1317. [本文引用:1]
[22] Ramoelo A, Skidmore A K, Cho M A, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 27. [本文引用:1]
[23] WANG Yi-heng, SUN Kun, WEN Zhe, et al(王艺恒, 孙昆, 温喆, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(2): 537. [本文引用:1]