引用本文
李红宇, 高正武, 王志君, 林添, 赵海成, 范名宇. 基于光谱反射率的寒地水稻叶片氮含量预测[J]. 光谱学与光谱分析, 2024,44(9): 2582-2593.
LI Hong-yu, GAO Zheng-wu, WANG Zhi-jun, LIN Tian, ZHAO Hai-cheng, FAN Ming-yu. Prediction of Leaf Nitrogen Content of Rice in Cold Region Based on Spectral Reflectance[J]. Spectroscopy and Spectral Analysis, 2024,44(9): 2582-2593.
Doi:10.3964/j.issn.1000-0593(2024)09-2582-12  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于光谱反射率的寒地水稻叶片氮含量预测
李红宇1,2,3, 高正武1,2,3, 王志君4, 林添1,2,3, 赵海成1,2,3, 范名宇1,2,3
1.黑龙江八一农垦大学农学院作物系, 黑龙江 大庆 163319
2.农业农村部东北平原农业绿色低碳重点实验室, 黑龙江 大庆 163319
3.黑龙江八一农垦大学黑龙江省现代农业栽培技术与作物种质改良重点实验室, 黑龙江 大庆 163319
4.黑龙江省农业科学院齐齐哈尔分院, 黑龙江 齐齐哈尔 161006

作者简介: 李红宇, 1979年生,黑龙江八一农垦大学农学院教授 e-mail: ndrice@163.com

收稿日期: 2023-07-11 修回日期: 2023-11-28
基金: 中央支持地方高校改革发展资金人才培养项目(2022010006)资助
摘要

为实现利用水稻叶片光谱指数实时预测叶片群体的氮素含量, 采集了不同年份中氮素、 品种差异下寒地水稻主要生育期(T1穗分化中期、 T2拔节期、 T3孕穗期、 T4齐穗期、 T5蜡熟期)顶部3片全展叶(上1、 上2、 上3叶分别记作L1、 L2、 L3)的光谱反射率, 探究其变化规律以及光谱指数与叶片氮素含量的关系, 并用P-k、 均方根误差(RMSE)、 对称平均绝对百分比误差(SMAPE)、 校正均方根误差(RMSEC)、 交互验证均方根误差(RMSECV)、 相对预测性能(RPD)对模型精度进行验证。 结果显示: 提高氮肥投入量, 叶片反射率在可见光区域内呈降低趋势, 在近红外平台叶片反射率上升。 随着生育期的推进, 在可见光区域内, 不同品种L1叶反射率先降低后上升, L2、 L3叶的反射率一直上升, 与叶片氮素百分含量的敏感波段为500~550和650~700 nm。 对光谱指标和叶片氮素百分含量进行相关分析, 生育前期以下位叶片的光谱指标相关系数高, 生育后期则相反, 筛选出T1时期L2叶指标FD-NDNI、 T2时期L2叶指标GM2、 T3时期L2叶指标Lic2、 T4时期L1叶指标MRESRI以及T5时期L1叶指标Ctr1适宜作为不同时期预测叶片氮素含量的最佳指标, 预测叶片氮素含量的回归方程 R2分别0.54**、 0.60**、 0.66**、 0.62**、 0.51**, 均达到极显著水平; 验证指标的P-k值分别为0.00、 0.04、 0.06、 0.01、 0.04; RMSE分别为0.39、 0.58、 0.22、 0.54、 2.56; SMAPE分别为1.11、 1.41、 1.03、 1.64、 3.89; RMSEC分别为0.17、 0.15、 0.13、 0.13、 0.13; RMSECV分别为0.18、 0.14、 0.12、 0.12、 、 0.14; RPD分别为2.46、 2.19、 3.15、 1.74、 3.01, 其中T3时期L2叶指标Lic2的预测效果表现最佳。 借助筛选的光谱指标能够实现快捷、 无损和实时预测水稻不同生育时期的氮素营养状况, 促进高产优质的寒地水稻可持续发展。

关键词: 寒地水稻; 反射率; 叶片含氮量; 光谱指标; 预测模型
中图分类号:S511 文献标志码:A
Prediction of Leaf Nitrogen Content of Rice in Cold Region Based on Spectral Reflectance
LI Hong-yu1,2,3, GAO Zheng-wu1,2,3, WANG Zhi-jun4, LIN Tian1,2,3, ZHAO Hai-cheng1,2,3, FAN Ming-yu1,2,3
1. Crop Department College of Agriculture, Heilongjiang Bayi Agricultural University, Daqing 163319, China
2. Key Laboratory of Low-carbon Green Agriculture in Northeastern China, Ministry of Agriculture and Rural Affairs, Daqing
163319, China
3. Heilongjiang Provincial Key Laboratory of Modern Agricultural Cultivation and Crop Germplasm Improvement, Heilongjiang Bayi Agricultural University, Daqing 163319, China
4. Qiqihar Branch, Heilongjiang Academy of Agricultural Sciences, Qiqihar 161006, China
Abstract

In order to realize the real-time prediction of nitrogen content in the rice leaf population by using the rice leaf spectral index, the spectral reflectance of the top three fully expanded leaves (upper 1, upper 2 and upper 3 leaves were recorded as L1, L2 and L3, respectively) at the main growth stages of rice in cold region (T1 mid-spike differentiation stage, T2 jointing stage, T3 booting stage, T4 full heading stage and T5 wax ripening stage) under different nitrogen and variety differences in different years were collected. The change rule and the relationship between spectral index and leaf nitrogen content were explored. P-k, Root Mean Square Error (RMSE), Symmetric Mean Absolute Percentage Error (SMAPE), Root Mean Square Error of Calibration (RMSEC), Root Mean Square Error of Interactive Verification (RMSECV) and Residual Prediction Deviation (RPD) were used to verify the accuracy of the model. The results showed that with the increase of nitrogen fertilizer input, the leaf reflectance decreased in the visible region, while the leaf reflectance increased in the near-infrared platform. With the advance of the growth period, in the visible light region, the reflectance of L1 leaves of different varieties decreased first and then increased, and the reflectance of L2 and L3 leaves increased all the time. The sensitive bands of leaf nitrogen percentage were 500~550 and 650~700 nm. The correlation analysis of the spectral index and leaf nitrogen percentage content showed that the correlation coefficient of the spectral index of the following leaves was high in the early stage of growth, but it was the opposite in the later stage of growth. The L2 leaf index FD-NDNI in the T1 period, L2 leaf index GM2 in the T2 period, L2 leaf index Lic2 in the T3 period, L1 leaf index MRESRI in the T4 period, and L1 leaf index Ctr1 in the T5 period were selected as the best indexes to predict leaf nitrogen content in different periods. The regression equations R2 for predicting leaf nitrogen content were 0.54**, 0.60**, 0.66**, 0.62**, and 0.51**, respectively, which reached extremely significant levels. The P-k values of the validation indexes were 0.00, 0.04, 0.06, 0.01 and 0.04, respectively. RMSE were 0.39, 0.58, 0.22, 0.54, 2.56, SMAPE were 1.11, 1.41, 1.03, 1.64, 3.89, RMSEC were 0.17, 0.15, 0.13, 0.13, 0.13, RMSECV were 0.18, 0.14, 0.12, 0.12, 0.14, the RPD were 2.46, 2.19, 3.15, 1.74 and 3.01, respectively. Among them, the prediction effect of the L2 leaf index Lic2 at the T3 stage was the best. In summary, with the help of the selected spectral indicators, the nitrogen nutrition status of rice at different growth stages can be predicted quickly, non-destructively, and in real-time, and the sustainable development of high-yield and high-quality cold rice can be promoted.

Keyword: Rice in cold region; Reflectance; Leaf nitrogen content; Spectroscopic indices; Prediction model
引言

氮素是水稻生长发育的重要因素, 不仅影响水稻营养代谢、 物质积累, 也影响稻米最终营养及食味品质[1, 2]。 传统的水稻氮营养诊断方法主要基于临界氮浓度曲线, 临界氮浓度是满足作物最大生长所需的最低氮浓度, 通常使用幂函数稀释曲线描述作物氮浓度随生物量增加的下降过程[3]。 基于该稀释曲线计算而来的氮营养指数(NNI)是实现量化评估水稻氮营养状况和推荐施肥决策的重要指标[3], 然而NNI计算方法需要破坏性取样且费时费力、 缺乏时效性、 数据准确性不高。 因此, 快速精准地对水稻田间氮素含量情况进行诊断, 并依据诊断结果实现精准施肥, 是实现水稻田间精准管理和保证水稻产量的重要手段。

近几年地面光谱遥感技术广泛兴起, 光谱技术已被用于采集作物的冠层光谱信息, 被众多学者用于计算农学参数[4, 5, 6](如叶绿素含量)、 预测作物的产量构成因素和收获品质[7, 8, 9, 10], 其中在利用光谱信息对作物叶片氮素含量进行预测, 国内外学者做了相关研究。 Zha等[11]通过无人机遥感获取水稻冠层光谱数据, 构建多种植被指数并结合机器学习算法对水稻地上生物量、 氮吸收量与氮营养指数进行反演建模, 结果显示随机森林算法显著提高了氮营养指数反演精度; Qiu等[12]提取水稻RGB光谱信息并构建植被指数, 最后比较多种机器学习方法反演水稻氮营养指数的精度, 认为随机森林算法在各生育期表现最佳。 徐浩聪等[13]测定了关键生育期顶部3片叶的反射光谱和植株NNI, 构建出多种光谱指数的水稻NNI监测模型, 结果表明顶2叶和顶3叶的反射光谱为监测水稻NNI的敏感叶位。

有关利用光谱估测叶片氮素含量的试验设计多为不同施氮水平水稻叶片氮含量差异和冠层光谱差异, 从而建立两者的关系和估测模型, 忽略了水稻品种之间或同一品种植株的不同氮素状态所造成氮素基础值不同[14], 水稻品种之间的基因型差异以及氮素利用率不同、 水稻冠层结构差异等因素所导致的冠层光谱信息采集或分析误差, 致使研究结果稳定性较差, 难以推广和借用。 参考已有研究, 本试验基于手持式单片叶光谱信息采集的方式, 采集不同年份间多氮素水平、 多品种下水稻关键生育时期顶部3片全展叶的光谱反射信息。 分析不同叶位构建的特征光谱指数与水稻叶片氮素营养之间的关系, 以期为寒地水稻氮素营养的早期预测和调控提供理论依据和技术支撑。

1 实验部分
1.1 试验地点及材料

试验于2021、 2022年在黑龙江八一农垦大学校内盆栽场进行。 盆栽试验, 盆钵高为30 cm, 上直径30 cm, 下直径25 cm, 每盆装黑钙土12 kg, 黑钙土取自黑龙江省肇源县; 试验用土的基础养分状况如表1所示。

表1 土壤养分状况 Table 1 Soil nutrient status
1.2 试验设计

1.2.1 2021年试验设计

试验①: 氮肥梯度盆栽试验

试验于校内盆栽场进行, 参试品种为稻花香2号。 试验采用二因素完全随机试验设计, A因素为前期氮肥施用量, 8水平, 分别为0(A1)、 51.72(A2)、 103.44(A3)、 155.16(A4)、 206.88(A5)、 258.60(A6)、 310.32(A7)、 362.04(A8) kg· hm-2, 氮肥按基肥∶ 分蘖肥∶ 调节肥=4∶ 3∶ 1分配施用。 B因素为穗肥氮肥施用量, 3水平, 分别为 0(B1)、 51.72(B2)、 103.44(B3)kg· hm-2, 其中A5B2为本地区氮肥常规施用量。 基肥搅浆前一次性施用, 分蘖肥分两次施用, 第一次(4.1~4.5叶龄)施用分蘖肥的75%, 第二次(5.1~5.5叶龄)施用分蘖肥的25%, 调节肥在倒4叶伸长期施用, 穗肥在倒2叶伸长期施用。 氮肥采用尿素(N 46.4%)。 磷肥采用过磷酸钙(P2O5 16%), 用量为139.54 kg· hm-2, 100%作为基肥。 钾肥采用硫酸钾(K2O 50%), 施肥量为120.00 kg· hm-2, 分两次施用, 基肥和穗肥各占50%, 每处理16盆。

1.2.2 2022年试验设计

在重复2021年试验①的基础上增加品种试验②, 品种试验于校内盆栽场进行, 采用单因素完全随机试验设计, 供试品种分别为: ‘ 松粳22’ (C1)、 ‘ 松粳16’ (C2)、 ‘ 龙稻203’ (C3)、 ‘ 垦粳8号’ (C4)、 ‘ 苗稻2号’ (C5)、 ‘ 农丰1702’ (C6)、 ‘ 三江6号’ (C7)、 ‘ 龙粳21’ (C8)。 氮肥施用量为258.60 kg· hm-2, 氮肥按基肥∶ 分蘖肥∶ 调节肥∶ 穗肥=4∶ 3∶ 1∶ 2进行施用, 其中分蘖肥分两次施用, 第一次施用分蘖肥的75%(4.1~4.5叶龄), 第二次施用分蘖肥的25%(5.1~5.5叶龄)。 磷肥和钾肥施用种类和施用方式同试验①。 8个供试品种的特征特性见表2, 每处理16盆。

表2 供试品种的特征特性 Table 2 Characteristics of the tested varieties

所有试验秧苗叶龄为3.1~3.5进行移栽, 盆栽试验每盆4穴, 每穴3苗。 其他管理措施按照当地水稻高产栽培技术进行。

1.3 测定项目及方法

1.3.1 水稻叶片光谱采集

水稻叶片光谱采用CI-710S(CID, 美国) 型光谱仪测定, CI-710S可以非破坏性精确的测量叶片在300~1 100 nm波长范围内的反射率, 内置光源, 像素大小为14 μ m× 200 μ m, 信噪比为330∶ 1, 光谱在波段300~390 nm采样间隔为0.61 nm, 波段390~600 nm采样间隔为0.60 nm, 波段600~780 nm采样间隔为0.59 nm, 波段780~940 nm采样间隔为0.58 nm, 波段940~1 070 nm采样间隔为0.57 nm, 波段1 070~1 100 nm采样间隔为0.56 nm。

于天气晴朗时, 采用CI-710S型光谱仪测定水稻五个生育时期(T1、 T2、 T3、 T4、 T5分别为穗分化中期、 拔节期、 孕穗期、 齐穗期、 蜡熟期)主茎顶部上1叶(L1)、 上2叶(L2)、 上3叶(L3)3片全展叶的叶片反射率, 测定时期见表3, 测量前均用黑白板进行标定。 测量部位为主茎叶片上部(近叶尖1/3处)、 中部(叶片中间位置)和基部(近叶基1/3处)的叶宽1/4或3/4位置, 3部分的平均值为所测叶片的反射率。 测量时叶片置于叶片夹的叶室中, 然后夹紧叶片, 保证叶片水平且被测面积相同, 避免背景反射、 叶片表面弯曲等造成的光谱波动及叶片内部变异造成的影响。 每间隔90 min用黑白板重新标定。 叶片氮素预测模型, 根据平均茎数选取长势均匀的一盆进行叶片光谱采集和生物取样, 以两年试验①数据建立模型, 试验②数据验证模型。

表3 光谱指标及计算公式 Table 3 Spectral index and calculation formula

1.3.2 叶片氮素百分含量的测定

将T1— T5期所取植株分叶片、 茎鞘、 穗三部分, 并放入105 ℃烘箱中, 杀青30 min, 80 ℃烘箱烘至恒重, 各部位样品粉碎后, 使用0.20 mm孔径筛筛选以进行分析。 每份样品称取0.2 g干物质粉, 分别注入400 mL消化管中, 注入10 mL浓硫酸及4.0 g K2SO4和0.4 g CuSO4· 5H2O的混合催化物, 420 ℃下消化1.5 h后, 用全自动凯氏定氮仪(K1100, 海能公司, 中国)测定叶片样品的含氮量, 重复3次, 其平均值为该样品的含氮量。 植株叶片反射率与叶片含氮量一一对应。

1.4 数据处理

1.4.1 光谱数据预处理

为最大限度地挖掘光谱数据中的有效信息, 采用平滑算法(Savizkg-Golag) [15]对采集的光谱进行预处理, 以降低谱线平移、 高频随机噪声等因素的干扰, 保证所建模型的精度和稳定性。

1.4.2 光谱指数选择

为减小波长边界负效应, 波长反射数据选取由有效波长300~1 100 nm缩短350~1 000 nm。 通过文献查阅法, 选择当前氮素光谱指数相关研究中的指标, 指标见表3。

1.4.3 统计方法

采用Excel 2016、 SPSS 26统计软件对数据进行整理及统计分析, 采用Origin 2021 64bit对光谱曲线图进行一阶导数以及积分运算, 分析光谱指数与水稻性状的相关关系, 并进行回归分析建立相关模型, 在95%条件下计算回归方程的置信带和预测带。 模型的准确性和适用性采用预测值和实测值的预测精度(P-k)、 相对根均方差(root mean square error, RMSE)、 对称平均绝对百分比误差(symmetric mean absolute percentage error, SMAPE)、 校正均方根误差(root mean square error of calibration, RMSEC)、 交互验证均方根误差(root mean square error of interactive verification, RMSECV)、 相对预测性能(residual prediction deviation, RPD)指标进行评定, 其中P-k、 RMSE、 RMSEC、 RMSECV指标数值越小, 模型预测能力越好; RPD小于1.4时模型不具有预测能力, 介于1.4~2时具有一定的预测能力, 而大于2时认为模型具有极好的预测能力。

预测精度(P-k): 真实值与预测值回归方程的斜率与真实值等于预测值的回归方程斜率1之间差的绝对值。

$\text { RMSE }=\sqrt{\frac{1}{n} \sum_{i=1}^{n}\left(\hat{y}_{i}-y_{i}\right)^{2}}$(1)

SMAPE=1n∑i=1n2|y^i-yi||y^i|+|yi|×100%(2)

$\mathrm{RMSEC}=\sqrt{\frac{\sum_{i=1}^{m}\left(\hat{y}_{i}-y_{i}\right)^{2}}{m-1}}$(3)

$\text { RMSECV }=\sqrt{\frac{\sum_{i=1}^{M}\left(\hat{y}_{i}-y_{v}\right)^{2}}{n}}$(4)

$\mathrm{RPD}=\sqrt{\frac{\sum_{i=1}^{n}\left(\hat{y}_{i}-y_{i}^{\mathrm{avg}}\right)^{2}}{\sum_{i=1}^{n}\left(\hat{y}_{i}-y_{i}\right)^{2}}}$(5)

式(1)— 式(5)中, yi为第i份样品预测值, y^i为第i份样品实测值, n为总样本数, m为校正集的样本数, yv为表示交互验证样品近红外预测值, yiavg为总样本数的平均值。

2 结果与讨论
2.1 水稻叶片光谱的时空变化特征

2.1.1 叶片反射光谱对不同氮素水平的响应

叶片反射光谱对不同氮素水平的响应以氮肥试验中T2期顶部叶片反射率数据为例, 图1结果表明, 水稻顶部3片叶光谱反射率曲线均呈现相同趋势, 但不同氮素水平下叶片光谱反射率存在明显差异。 在可见光区域内, 水稻叶片光谱反射率均随着施氮水平的增加而降低, 此现象在约560 nm反射“ 绿峰” 处尤为明显, 叶片反射率大小整体表现为A1> A2> A3> A4> A5> A6> A7> A8, 在近红外区域, 随着施氮水平的增加, 其反射率也增大, 在波段760~1 000 nm“ 反射平台” 较为明显, 反射率大小整体表现为A8> A7> A6> A5> A4> A3> A2> A1。 其中, “ 绿峰” 处L1叶的反射率在14%~20%之间[图1(a)], L2叶的反射率在16%~21%之间[图1(b)], L3叶反射率在18%~24之间%[图1(c)], 可见“ 绿峰” 处下位叶片的叶片反射率高于上位叶片, 此现象在“ 反射平台” 有相同表现, 由此水稻下位叶片的叶片反射率高于上位叶片。 其余4个时期水稻顶部3片叶反射光谱对不同氮素水平的响应与此时期相同。

图1 不同施氮水平下水稻拔节期(T2)顶部叶片光谱的变化特征
(a): 不同施氮水平下水稻L1叶光谱的变化特征; (b): 不同施氮水平下水稻L2叶光谱的变化特征; (c): 不同施氮水平下水稻L3叶光谱的变化特征Fig.1 The spectral characteristics of rice top leaves under different (T2) nitrogen application levels
(a): The spectral variation characteristics of the top 1 leaf of rice under different nitrogen application lewels; (b): The spectral variation characteristics of the top 2 leaf of rice under different nitrogen application levels; (c): The spectral variation characteristics of the top 3 leaf of rice under different nitrogen application levels

2.1.2 叶片反射光谱随生育时期的变化规律

图2展示了‘ 松粳22’ (C1)和‘ 松粳16’ (C2)顶部叶片光谱反射率随生育期的变化。 从图中可以看出在不同生育期不同叶片光谱反射率存在较大差异。 图2(a)和(b)表示两个品种的L1叶在不同生育期的变化规律, 在可见光区域内(460~680 nm), C1品种L1叶的反射率T1— T3时期下降, T3— T5时期上升; C2品种L1叶的反射率T1— T4时期下降, T5时期急剧上升。 两个品种L2叶、 L3叶变化规律如图2(c)、 (d)所示, 在可见光区域(460~680 nm), 随着生育期的推进, 两片叶的光谱反射值均增加。 在近红外平台区域内(760~1 000 nm), 顶部叶片的光谱反射率均以T5时期为最高值。 L1叶光谱反射率总体呈现先降低后上升趋势, L2和L3叶呈现上升的趋势, 无其他无明显变化规律。

图2 不同品种在不同生育时期的变化特征
(a): 不同生育期松粳22 L1叶的光谱变化特征; (b): 不同生育期松粳16顶L1叶的光谱变化特征; (c): 随生育期推进不同品种L2叶的光谱变化特征; (d): 随生育期推进不同品种L3叶的光谱变化特征注: T1、 T2、 T3、 T4、 T5分别为穗分化中期、 拔节期、 孕穗期、 齐穗期、 蜡熟期, 下同Fig.2 Variation characteristics of different varieties at different growth stages
(a): Spectral variation characteristics of the top 1 leaf (L1) of Songjing 22 in different periods; (b): Spectral variation characteristics of the top 1 leaf (L1) of Songjing 16 in different periods; (c): The spectral variation characteristics of the top 2 leaf of different varieties with the growth period; (d): The spectral variation characteristics of the top 3 leaf of different varieties with the growth period Note: T1, T2, T3, T4and T5 are the middle stage of panicle differentiation, jointing stage, booting stage, full heading stage and wax maturity stage, respectively, the same below

2.2 施氮量对植株氮素含量的影响

2.2.1 施氮量对植株叶片氮素含量的影响

5个时期施氮量对地上部叶片氮素百分含量的影响如表4所示, 施氮量A对不同时期叶片氮素含量的影响均到达极显著水平, 以A1各部位氮素含量最低, A8最高, 大小顺序均为A1=A2< A3< A4< A5< A6< A7< A8。 与A1相比, T1时期A2— A8叶部氮素含量分别增加4.82%、 5.62%、 8.03%、 8.43%、 19.68%、 19.28%、 26.10%; T2时期A2— A8分别增加3.98%、 6.47%、 9.95%、 14.43%、 14.45%、 17.41%、 20.90%; T3时期A2— A8分别极显著增加5.38%、 9.68%、 16.67%、 19.89%、 31.72%、 58.06%、 73.12%; T4时期A2— A8分别增加4.60%、 5.75%、 8.05%、 8.62%、 10.34、 13.79%、 18.97%; T5时期A2— A8时期分别极显著增加11.93%、 14.68%、 20.18%、 25.69%、 32.11%、 39.45%、 53.21%。

表4 不同时期下施氮量对叶片氮素百分含量的影响 Table 4 Effects of nitrogen application rate on leaf nitrogen percentage content under different periods

施氮量B对T3和T5时期的叶部位氮素含量的影响达到极显著水平。 T3时期B2、 B3叶部氮素百分含量较B1分别极显著增加1.30%、 6.52%; T5时期B2、 B3较B1分别显著、 极显著增加2.26%、 4.51%。 T4时期叶片氮素含量差异不显著, B2、 B3较B1分别增加0.53%、 2.67%。

水稻植株叶部的氮素百分含量随着施氮量的增加而增加, 随着生育时期的推进水稻顶部叶片氮素含量呈降低趋势。

A和B二因素互作对T3、 T4时期的叶部氮素百分含量达到极显著水平(表4)。 图3表示A、 B二因素互作对T3时期叶部氮素含量的影响, B1水平下, A2— A8叶部氮素含量较A1分别极显著增加8.29%、 9.94%、 19.34%、 22.10%、 26.52%、 58.01%、 71.82%; B2水平下, A2— A8较A1分别极显著增加6.52%、 11.41%、 17.93%、 20.65%、 28.80%、 57.07%、 70.65%; B3水平下, A2— A8较A1分别极显著增加2.60%、 8.85%、 13.54%、 18.23%、 39.58%、 59.38%、 78.13%。

图3 A和B二因素互作对T3时期叶部氮素百分含量的影响Fig.3 Effects of interaction between A and B on leaf nitrogen percentage at T3 stage

A、 B二因素互作对T4时期叶部氮素百分含量的影响如图4所示, B1水平下, A2— A8叶部氮素含量较A1分别增加1.76%、 5.88%、 7.65%、 8.24%、 16.47%、 17.06%、 25.29%; B2水平下, A2— A8较A1分别增加5.29%、 5.88%、 13.53%、 14.12%、 17.65%、 22.94%、 23.53%; B3水平下, A2— A8较A1分别增加0.56%、 1.12%、 3.35%、 5.03%、 7.82%、 10.06%、 13.97%。

图4 A和B二因素互作对T4时期叶部氮素百分含量的影响Fig.4 Effects of interaction between A and B on leaf nitrogen percentage at T4 stage

8个品种在5个主要生育期的叶片氮素百分含量如表5所示, 在T1时期, C4品种叶片氮素百分含量显著或极显著高于其他品种, 较C1、 C2、 C3、 C5、 C6、 C7、 C8分别增加19.39%、 5.72%、 16.73%、 26.10%、 20.31%、 16.30%、 5.37%; 在T2时期, C4品种叶片氮素百分含量较C1、 C2、 C3、 C5、 C6、 C7、 C8分别增加20.90%、 2.97%、 5.65%、 13.55%、 16.27%、 5.65%、 9.95%; 在T3时期, C4品种叶片氮素百分含量极显著高于其他品种, 较C1、 C2、 C3、 C5、 C6、 C7、 C8分别增加56.91%、 10.07%、 50.51%、 50.51%、 58.60%、 46.04%、 29.96%; 在T4时期, C4品种叶片氮素百分含量较C1、 C2、 C3、 C5、 C6、 C7、 C8分别增加6.28%、 2.53%、 6.84%、 9.14%、 16.00%、 7.41%、 9.14%; 在T5时期, C4品种叶片氮素百分含量极显著高于其他品种, 较C1、 C2、 C3、 C5、 C6、 C7、 C8分别增加55.86%、 13.07%、 31.06%、 40.65%、 37.30%、 25.36%、 19.31%。

表5 不同时期8个品种的叶片氮素百分含量 Table 5 Leaf nitrogen percentage content of 8 varieties in different periods
2.3 基于叶片反射率的叶片氮素含量预测

本试验两年间共采集到1 120份水稻叶片样品以及3 360组水稻叶片的光谱反射率数据(表6)。 试验①每个时期的数据资料作为校正集建立光谱指数与水稻地上部所有叶片氮素百分含量的模型, 每时期共计192份水稻叶片样品、 576组水稻叶片的光谱反射率数据; 2022年试验②的数据资料作为预测集, 每个时期共计32份水稻叶片样品、 96组水稻叶片的光谱反射率数据, 以验证指标在不同年份间的稳定性和准确性。

表6 不同时期水稻叶片氮素百分含量统计表 Table 6 Statistics of nitrogen percentage in rice leaves at different stages

2.3.1 叶片反射率与叶片含氮量的关系

对两年试验不同时期的水稻叶片光谱反射率和叶片氮素百分含量进行相关分析, 图5表示不同时期水稻顶部3片叶的光谱反射率与叶片氮素百分含量的相关系数, 在可见光区域内, 顶部L1、 L2、 L3叶在波长500~550和650~700 nm波段附近均出现系数峰值, 在> 750 nm的近红外波段内, 叶片光谱反射率与叶片氮素百分含量相关系数较大, 表明与氮素敏感的波段为500~550和650~700 nm。

图5 水稻不同时期顶部叶片光谱反射率与叶片含氮率的相关性
(a): L1叶光谱反射率和叶片含氮量的相关性; (b): L2叶光谱反射率和叶片含氮量的相关性; (c): L3叶光谱反射率和叶片含氮量的相关性Fig.5 Correlation coefficient between spectral reflectance of top leaves and leaf nitrogen content at different stages of rice
(a): Correlation between spectral reflectance of top 1 leaf (L1) and leaf nitrogen content; (b): Correlation between spectral reflectance of top 2 leaf (L2) and leaf nitrogen content; (c): Correlation between spectral reflectance of top 3 leaf (L3) and leaf nitrogen content

不同时期顶部3片叶的光谱指标与叶片氮素百分含量的相关性分析, 结果如图6所示, 在T1时期, L3叶光谱指标与叶片氮素含量的相关系数高于L1以及L2叶; 在T2时期, L2、 L3叶的光谱指标与叶片氮素含量相关系数高于L1叶; T3时期L2、 L3叶的光谱指标与叶片氮素含量的相关系数高于L1叶; T4时期L1叶的光谱指标与叶片氮素含量的相关系数高于L2、 L3叶; T5时期L1叶的光谱指标与叶片氮素含量的相关系数高于L2、 L3叶, 所以不同时期的叶位光谱指标与叶片氮素含量的相关性存在较大差异, 生育前期以下位叶片的光谱指标相关系数好, 生育后期则相反。 根据图6水稻不同时期顶部叶片光谱指标与叶片氮素含量的相关系数进行指标筛选并进行回归分析, 并在95%的置信水平下计算其置信带和预测带, 回归方程详见表7。

图6 不同时期水稻顶部3片叶光谱指标与叶片含氮率的相关系数
注: 红、 蓝色分别代表正、 负相关, 颜色深, 则表明相关性较好, 下同Fig.6 The correlation coefficient between the spectral index of the top three leaves of rice and the nitrogen content of leaves at different stages
Note: Red and blue represent positive and negative correlation respectively, and dark colors indicate good correlation, respectively, The same below

表7 不同生育期水稻叶片光谱指标与叶片氮素百分含量的拟合方程 Table 7 Fitting equation of rice leaf spectral index and leaf nitrogen content at different growth stages

2.3.2 叶片氮素含量预测模型测试与检验

依据2022试验②的数据资料进行指标验证。 利用表7中光谱指标的回归方程计算出各处理水稻地上叶片氮素含量的预测值, 结果如图7不同时期地上叶片含氮量真实值与预测值的1∶ 1关系图所示, T1时期L2叶指标FD-NDNI[图7(a)]、 T2时期L2叶指标GM2[图7(b)]、 T3时期L2叶指标Lic2[图7(c)]、 T4时期L1叶指标MRESRI[图7(d)]以及T5时期L1叶指标Ctr1[图7(e)]在各时期显示出预测值和真实值良好线性关系, 其余指标因预测结果的敏感性和稳定性较差而排除。 5个指标预测值与真实值回归方程的R2(拟合优度)分别为0.78* * 、 0.76* * 、 0.73* * 、 0.82* * 、 0.67* * , 均达极显著水平。 FD-NDNI、 GM2、 Lic2、 MRESRI、 Ctr1指标的P-k值分别为0.00、 0.04、 0.06、 0.01、 0.04(表8), 依据根均方差(RMSE)、 对称平均绝对百分比误差(SMAPE)、 校正均方根误差(RMSEC)、 交互验证均方根误差(RMSECV)、 相对预测性能(RPD)指标进一步验证(表8), 各指标的RMSE分别为0.39、 0.58、 0.22、 0.54、 2.56; SMAPE分别为1.11、 1.41、 1.03、 1.64、 3.89; RMSEC分别为0.17、 0.15、 0.13、 0.13、 0.13; RMSECV分别为0.18、 0.14、 0.12、 0.12、 、 0.14; RPD分别为2.46、 2.19、 3.15、 1.74、 3.01, 均显示出各指标预测效果较好。 不同时期各叶片光谱指标与地上叶片氮素含量的回归方程为: T1时期L2叶的FD-NDNI预测叶片氮素含量为Y=10.42X-1.58; T2时期L2叶GM2为Y=1.47X-0.89; T3时期L2叶Lic2为Y=-8.86X+8.67; T4时期L1叶MRESRI为Y=1.36X-1.96; T5时期L1叶Ctr1为Y=-1.51X+5.13, 其R2分别为0.54* * 、 0.60* * 、 0.66* * 、 0.62* * 、 0.51* * 。 因此, 借助不同时期的叶片指标能够达到精准预测水稻叶片氮素含量的目的。

图7 同时期地上叶片氮素含量真实值与光谱指标预测值的1∶ 1关系图
(a): 穗分化中期; (b): 拔节期; (c): 孕穗期; (d): 齐穗期; (e): 蜡熟期注: 红色线条为预测值等于真实值的参考线Fig.7 The 1∶ 1 relationship between the true value of nitrogen content in aboveground leaves and the predicted value of spectral index in different periods
(a): Mid-spike differentiation; (b): Jointing stage; (c): Booting stage; (d): Full heading stage; (e): Wax maturity stage Note: The red line is the reference line with the predicted value equal to the true value

表8 指标的预测精度值 Table 8 The prediction accuracy value of the index

氮素是水稻植株内多种有机化合物的组分, 如核酸、 叶绿素、 氨基酸、 蛋白质和酶等都含有氮素, 缺氮时, 植株体内的物质合成作用减缓, 影响植株的生长和产量的形成[21]; 氮过多时, 植株徒长, 贪青晚熟, 同时也会严重影响生态环境[22], 因此, 通过对水稻氮素营养实时监测来科学合理的施用氮肥, 可以实现水稻高产优质的目标。

关于水稻氮素营养的光谱敏感波段。 张金恒等[23]使用叶色差异明显而生育期相似的两品种, 通过田间小区试验分析第一和第三完全展开叶叶片光谱反射率与氮素营养的相关性, 研究发现与水稻叶片氮素含量相关性最大的波段为绿光和黄光波段。 田永超等[24]对水稻冠层高光谱植被指数与叶层氮浓度的定量关系分析表明, 对氮反应最敏感的波段为红光665~675 nm、 蓝光490~500 nm和红边区域波段680~760 nm。 在本试验中, 通过叶片氮素含量和不同时期顶部叶片反射率进行相关分析, 其结果表明在不同时期与叶片氮素含量相关系数较高的波段为550~600和650~700 nm附近以及> 750 nm的近红外波段, 其中与氮素较为敏感的波段分别在绿光(500~550 nm)和红光波段(650~700 nm)内, 与Tan的研究结果一致[25]。 水稻冠层氮素营养状况估算模型效果从整体分析, 研究表明, 叶片氮素含量估算模型最好, 叶片氮素积累量模型次之, 地上部氮素积累量模型最差[26, 27]。 究其原因, 可能是由于水稻地上部器官与空气的接触面积大小导致的, 与冠层顶端空气接触面积最大的器官是叶片, 所以光谱仪传感器所接收的反射光主要是由叶片产生, 从而通过高光谱估测叶片氮素营养状况要比估测植株的氮素营养状况好; 叶片氮素积累量综合了叶片氮素含量、 比叶重和叶面积指数等因素, 受品种、 冠层结构等多重因素的影响, 相对于叶片氮素含量其估测难度较大[28], 因而叶片氮素含量估算模型要优于叶片氮素积累量估算模型。

叶片光谱测定部位是单叶, 而冠层光谱测定对象是冠层, 所以单叶光谱能有效预估叶片群体氮素营养状况[29]。 为寻找能代表群体植株氮素营养状况的监测叶位, 对各生育期不同叶片反射光谱进行系统分析。 试验结果表明, 水稻在不同时期顶部叶片的光谱指标与同时期叶片的氮素百分含量相关性是不同的, 在T1— T3时期下位叶片的光谱指标与叶片含氮量的相关系数优于上位叶片, 而在T4— T5时期则以上1叶表现最好, 其原因可能是水稻不同叶位叶片的成熟度和衰老程度不同, 其所反映的氮营养状况可能受叶位或叶位组合的显著影响[30]。 徐浩聪等[31]研究成果则表明, 在水稻的拔节~抽穗期, 上2叶和上3叶的光谱指数与植株氮素营养状况相关性均优于上1叶, 上1叶部分氮素营养供植株生长使用, 故生育前期不能很好地代表植株氮素营养状况, 而上2叶和上3叶都是主要功能叶片, 它们的生长好坏可更准确反映水稻群体氮素营养状况; 水稻生育后期, 因作物下层叶片先生长而先衰老, 叶绿素含量会随之减少, 而中上部叶片的叶龄接近, 则光谱反射率的差异较小, 并且下位叶片出现的衰老或枯萎现象对光谱采集影响较大, 故生育后期下位叶片不宜用作光谱采集的对象。

理论上作物不同生长阶段的营养运转规律、 叶片养分的垂直分层特性存在显著差异, 且氮营养“ 稀释效应” 十分明显, 各叶片氮素营养状况处于不断改变的状态, 从而导致指标在不同时期其诊断结果不同。 关于利用植被指数反演氮素营养状况的最佳波段组合, Tian等[32]研究表明, 绿光波段的553和537 nm波段组合构建的比值植被指数能够很好地反演不同栽培条件下水稻冠层叶片氮素含量。 Chu等[33]研究表明, 原始高光谱770和752 nm波段组合构建的比值植被指数能够很好地反演水稻冠层叶片氮素积累量, 波段分布在红光和近红外波段范围内。 本试验通过不同叶位的反射指数与对应时期进行相关分析和回归分析筛选指标, 在T1— T3时期最优指标出现在上2叶, T4— T5时期最优指标在上1叶, 充分验证了徐浩聪等研究结果[31]; 各时期预测氮素含量的最优指标不同: T1时期(穗分化中期)为FD-NDNI、 T2时期(拔节期)为GM2、 T3时期(孕穗期)为Lic2、 T4时期(齐穗期)为MRESRI、 T5时期(蜡熟期)为Ctr1。 预测水稻叶片氮素含量需根据水稻不同的生育期和叶位进行分析和指标筛选, 不能统一而论。

3 结论

随着氮肥施入水平的增加, 水稻叶片的氮素含量均增加, 水稻叶片氮含量敏感波段为: 550~600和650~700 nm。 T1(穗分化中期)L2叶的FD-NDNI(R730与R525处一阶导数的归一化值)、 T2(拔节期)L2叶GM2(R750/700)、 T3(孕穗期)L2叶Lic2(R440/690)、 T4(齐穗期)L1叶MRESRI[(R705-R445)/(R705/R445)]、 T5(蜡熟期)L1叶Ctr1(R695/R420)能够精准预测该时期水稻叶片的氮素含量, 拟合方程R2分别为0.54* * 、 0.60* * 、 0.66* * 、 0.62* * 、 0.51* * , 其中T3(孕穗期)L2叶Lic2指标预测效果最佳。

参考文献
[1] WANG Shu-wen, ZHAO Yue, WANG Li-feng, et al(王树文, 赵越, 王丽凤, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2016, 32(20): 187. [本文引用:1]
[2] Fu Yuanyuan, Yang Guijun, Pu Ruiliang, et al. European Journal of Agronomy, 2021, 124: 126241. [本文引用:1]
[3] WANG Lei, LU Yan-li, BAI You-lu(王磊, 卢艳丽, 白由路). Journal of Plant Nutrition and Fertilizers(植物营养与肥料学报), 2022, 28(3): 546. [本文引用:2]
[4] Lumme J, Karjalainen M, Kaartinen H, et al. International Journal of Remote Sensing, 2008, 26(7): 563. [本文引用:1]
[5] Mckinion J M, Willers J L, Jenkins J N. Computers and Electronics in Agriculture, 2010, 74(2): 244. [本文引用:1]
[6] YU Feng-hua, ZHANG Hong-gang, JIN Zhong-yu, et al(于丰华, 张鸿刚, 金忠煜, 等). Journal of Shenyang Agricultural University(沈阳农业大学学报), 2023, 54(2): 248. [本文引用:1]
[7] Interpreters S. Science, 2013, 118(3077): 13. [本文引用:1]
[8] Liu J G, Pattey E, Miller J R, et al. Remote Sensing of Environment, 2010, 114(6): 1167. [本文引用:1]
[9] WANG Zhi-jun, LI Hong-yu, XIA Yu-ying, et al(王志君, 李红宇, 夏玉莹, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2022, 38(21): 147. [本文引用:1]
[10] ZHANG Xiao, YAN Yan, WANG Wen-hui, et al(张骁, 闫岩, 王文辉, 等). Acta Agronomica Sinica(作物学报), 2021, 47(8): 1563. [本文引用:1]
[11] Zha H, Miao Y, Wang T, et al. Remote Sensing, 2020, 12(2): 215. [本文引用:1]
[12] Qiu Z, Ma F, Li Z, et al. Computers and Electronics in Agriculture, 2021, 189: 106421. [本文引用:1]
[13] XU Hao-cong, YAO Bo, WANG Quan(徐浩聪, 姚波, 王权). Scientia Agricultura Sinica(中国农业科学), 2021, 54(21): 4525. [本文引用:1]
[14] Ata-UI-Karim S T, Yao X, Liu X J, et al. Field Crops Research, 2013, 149: 149. [本文引用:1]
[15] WANG Hai-peng, CHU Xiao-li, CHEN Pu, et al(王海朋, 褚小立, 陈瀑, 等). Chinese Journal of Analytical Chemistry(分析化学), 2021, 49(8): 1270. [本文引用:1]
[16] YANG Xi-lai, ZHU Liu-jun, FENG Zhao-zhong(杨熙来, 朱榴骏, 冯兆忠)). Acta Ecologica Sinica(生态学报), 2023, 43(8): 3213. [本文引用:1]
[17] LI Fang-liang, KONG Qing-bo, ZHANG Qing, et al(栗方亮, 孔庆波, 张青, 等). Journal of Fruit Science(果树学报), 2022, 39(5): 882. [本文引用:1]
[18] Zhao Y, Yan C, Lu S, et al. Ecological Indicators, 2019, 42(11): 3152. [本文引用:1]
[19] XIAO Tian-hao, FAN Yuan-yuan, FENG Hai-kuan, et al(肖天豪, 范园园, 冯海宽, 等). Remote Sensing Information(遥感信息), 2022, 37(3): 7. [本文引用:1]
[20] CHEN Chun-ling, ZHOU Chang-xian, YU Feng-hua, et al(陈春玲, 周长献, 于丰华, 等). Journal of Shenyang Agricultural University(沈阳农业大学学报), 2020, 51(2): 218. [本文引用:1]
[21] REN Wei-chen, CHANG Qing-xia, ZHANG Ya-jun, et al(任维晨, 常庆霞, 张亚军, 等). Chinese Journal of Rice Science(中国水稻科学), 2022, 36(6): 586. [本文引用:1]
[22] GUO Jian-hua, ZHAO Chun-jiang, WANG Xiu, et al(郭建华, 赵春江, 王秀, 等). Soil and Fertilizer Sciences in China(中国土壤与肥料), 2008, 216(4): 10. [本文引用:1]
[23] ZHANG Jin-heng, WANG Ke, WANG Ren-chao, et al(张金恒, 王珂, 王人潮, 等). Journal of Zhejiang University (Agric. &Life Sci. )[浙江大学学报(农业与生命科学版)], 2004, 30(3): 340. [本文引用:1]
[24] TIAN Yong-chao, YANG Jie, YAO Xia, et al(田永超, 杨杰, 姚霞, 等). Chinese Journal of Applied Ecology(应用生态学报), 2010, 21(4): 966. [本文引用:1]
[25] Tan K, Wang S, Song Y, et al. Chemometrics and Intelligent Laboratory Systems, 2017, 172: 68. [本文引用:1]
[26] Ranjan R, Chopra U K, Sahoo R N, et al. International Journal of Remote Sensing, 2012, 33(20): 6342. [本文引用:1]
[27] FAN Yi-guang, FENG Hai-kuan, LIU Yang, et al(樊意广, 冯海宽, 刘杨, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2023, 43(5): 1524. [本文引用:1]
[28] WANG Yu-na, LI Fen-ling, WANG Wei-dong, et al(王玉娜, 李粉玲, 王伟东, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2020, 36(22): 31. [本文引用:1]
[29] YU Feng-hua, XING Si-min, GUO Zhong-hui, et al(于丰华, 邢思敏, 郭忠辉, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2022, 38(2): 175. [本文引用:1]
[30] TIAN Yong-chao, YANG Jie, YAO Xia, et al(田永超, 杨杰, 姚霞, 等). Acta Agronomica Sinica(作物学报), 2010, 36(9): 1529. [本文引用:1]
[31] XU Hao-cong, YAO Bo, WANG Quan, et al(徐浩聪, 姚波, 王权, 等). Scientia Agricultura Sinica(中国农业科学), 2021, 54(21): 4525. [本文引用:2]
[32] Tian Y, Gu K, Chu X, et al. Plant and Soil, 2014, 376(1-2): 193. [本文引用:1]
[33] Chu X, Guo Y, He J, et al. Agronomy Journal, 2014, 106(5): 1911. [本文引用:1]