2021, Vol. 48文章信息
引用本文 |
基金项目
- 广东省农业科学院水稻研究所“优谷计划”项目(2021YG04)；广东省农业科学院院长基金(202040)；广东省农业农村厅乡村振兴战略专项(粤农农计〔2019〕5号)；广东省重点实验室运行费专项(2020B1212060047)
作者简介
- 傅友强，博士，副研究员，硕士生导师，广东省农业科学院水稻研究所生理生态研究室副主任，广东省农业科学院优秀博士，国家农业机械学会青年工作委员会委员，广东省农业科技特派员，广东省农业机械学会青年工作委员会第一届委员会委员。从事水稻高产高效栽培与养分精准诊断研究，主持国家自然科学基金面上项目、广东省自然科学基金、广东省农业科技特派员项目、广东省增城区迟菜心产业园专家综合科技服务项目、广东省农业科学院水稻研究所“优谷计划”项目等7项，承担国家重点研发计划子课题和广东省重大科技计划项目子课题等20余项；在国内外学术期刊发表科技论文40余篇，其中第一作者在 Plant and Soil、Plant Science、Journal of Integrative Agriculture、《中国水稻科学》和《中国农业科学》等期刊发表论文17篇，SCI 2区以上论文5篇；获授权国家发明专利6件，正在公开的国家发明专利2件，其中排名第一的国家发明专利2件；获排名第一的计算机软件著作权1项；获神农中华农业科技奖二等奖1项; 梁开明，博士，副研究员，广东省农业科学院水稻研究所生理生态研究室主任。2019年被评为“广东省博士博士后100名创新人物”。从事农业生态学研究。主持国家自然科学基金、国家重点研发计划(子课题)、广东省自然科学基金等项目8项，作为主要骨干承担国家863计划项目、公益性行业（农业)科研专项、广东省现代农业产业技术体系（水稻）创新团队（首席）专家团队项目等多个项目。围绕水稻生产化肥农药过量施用、温室气体排放量高、面源污染严重等问题，研发建立了水稻低碳高产栽培技术，2017年该技术入选国家发改委重点节能低碳技术推广目录。围绕水稻机械化、轻简化的技术需求，开展水稻侧深施肥、施药和变量施肥等大田试验，建立了“轻简施肥与机插秧同步侧深施肥”集成技术。第一作者发表科技论文16篇，其中6篇SCI收录、1篇EI收录; 通信作者发表论文1篇; 获授权国家发明专利和计算机软件著作权7件; 获广东省科学技术三等奖1项，广东省农业技术推广奖一等奖1项，广州市科学技术二等奖1项，韶关市科技进步二等奖1项.
通讯作者
- 梁开明（1979—），男，博士，副研究员，研究方向为水稻生理生态理论与应用，E-mail：kaimingliang@163.com.
文章历史
- 收稿日期：2021-09-02
【研究意义】作物养分丰缺能够引起叶片中叶绿素、蛋白质、水分和含碳化合物等含量变化，影响叶片光的吸收和反射。光谱遥感技术能够捕捉来自叶片或冠层中的反射光谱特征，间接反映作物叶片养分含量，为作物营养诊断与合理施肥提供依据[1-2]。研究表明，光谱遥感技术是实现施肥精准管控和提高肥料利用率的有效手段，是打通专家智慧决策和精准变量施肥的重要环节[3]。因此，开展叶片氮含量的光谱遥感监测与诊断研究具有重要意义。【前人研究进展】传统水稻氮素养分监测主要经历了叶色监测、植株组织中氮含量的化学监测[4-5]、无损的叶绿素仪监测3个阶段。随着无人机光谱遥感技术的高速发展，无人机近地面光谱遥感监测在现代农业生产中发挥着至关重要的作用。光谱遥感技术具有大面积、无损和快速准确等优点，目前已在水稻、玉米、大豆和小麦等主要农作物中广泛应用[6-8]，主要涉及到的领域有病虫草害防治、作物生长状态监测、作物面积提取与估产、无人机施肥决策等[9-12]。大量研究表明，水稻品种冠层光谱反射率与叶片含氮量和SPAD值呈显著正相关，其中，植被指数如归一化植被指数(NDVI)、绿波段归一化植被指数(GNVI)、比值植被指数(RVI)等是监测水稻氮素养分状况的最佳指标[13-14]。Yu等[15]通过田间试验收集高光谱数据，研究水稻氮素含量与光谱反射率之间的关系，建立了基于高光谱反射率的水稻氮素反演模型[16]，该模型可快速、准确、无损地诊断寒地粳稻氮素养分盈缺。然而，这些研究主要以北方粳稻为试验对象，以具有广东丝苗米特性的华南双季籼稻品种为试验对象、利用光谱遥感监测水稻氮素养分的研究较少。【本研究切入点】华南地区水稻种植以籼稻品种为主，而籼稻品种的氮素养分需求特性以及叶色对氮素的响应明显有别于粳稻，且常规稻和杂交稻之间也存在显著差异。在广东地区，美香占2号为种植面积最大的常规籼稻品种(2020年种植面积11.38万hm2)，吉丰优1002为种植面积最大的杂交籼稻品种(2020年种植面积5.01万hm2)。因此，通过多光谱遥感监测广东地区种植面积最大的常规籼稻和杂交籼稻品种叶片氮素养分状况，对指导华南水稻精准施肥作业具有重要意义。【拟解决的关键问题】通过光谱遥感技术，找出对叶片氮含量敏感的光谱特征和特异植被指数，建立基于光谱特征和特异植被指数的叶片氮含量反演模型，定量监测和诊断水稻叶片氮素养分含量，为广东地区水稻主栽品种精准施肥管控提供理论依据和技术支撑。
1 材料与方法 1.1 试验材料试验于2020年晚季在广东省农业科学院大丰基地(113°21′E、23°10′N，海拔23.8 m) 进行。试验田土壤理化性质为: pH 6.11，有机质27.87 g/kg，全氮1.41 g/kg，全磷1.03 g/kg，全钾16.62 g/kg，碱解氮84.21 mg/kg，有效磷49.39 mg/kg，速效钾41.69 mg/kg。供试水稻品种为常规籼稻美香占2号(简称MXZ2H)和杂交籼稻吉丰优1002(简称JFY1002)，这两个品种是目前广东省种植面积最大的常规稻和杂交稻品种。
1.2 试验方法1.2.1 不同施氮处理对水稻叶片氮含量的影响试验 主要用于建模集数据分析。供试水稻品种为MXZ2H和JFY1002，试验设置施N 0(N0)、150(N150)和210(N210)kg/hm2 3个处理，采用习惯施肥法；为探讨高产高效栽培技术对氮吸收的影响，以水稻品种JFY1002为材料，新增施N 180 kg/hm2(N180+)处理，采用水稻“三控”施肥技术，基肥: 分蘖肥: 穗肥=5:2:3，其中基肥在移栽前1 d施用、分蘖肥在移栽后15 d施用、穗肥在幼穗分化始期施用，详见表 1。各处理磷肥和钾肥统一按45 kg/hm2(P2O5)和120 kg/hm2(K2O)用量作基肥一次性施入，其中磷肥为过磷酸钙、钾肥为氯化钾。每个处理3次重复，随机排列，小区面积15 m2。
1.2.2 侧深施肥对水稻叶片氮含量的影响试验 主要用于验证集数据分析。供试水稻品种为MXZ2H，设置5个处理: (1)无氮处理(N0)，不施氮肥；(2)习惯施肥处理(FP)，总氮量为180 kg/hm2，按当地习惯施肥法；(3)侧深施肥处理(D1)，总氮量为150 kg/hm2，作基肥一次性施入；(4)侧深施肥+1次追肥处理(D2)，总氮量为150 kg/hm2，基肥: 穗肥=6:4；(5)侧深施肥+1次追肥处理(D3)，总氮量为120 kg/hm2，施肥时期和施肥比例同D2，施氮总量比D2减少20%。基肥采用侧深施肥，按照机插秧侧深施肥的农艺要求，人工将基肥一次性埋施于秧苗根系侧下方泥土中，施肥深度5 cm，肥料距离稻根侧向3 cm；追肥采用人工撒施形式。具体施用时期和用量详见表 1。每个处理4次重复，随机排列，小区面积4 m2。
所有试验均采用人工插秧，插秧密度均为20 cm×20 cm，其中常规籼稻品种2苗/穴、杂交籼稻品种1苗/穴。播种时间均为7月18日，插秧时间为8月5日，收割时间为11月13日。小区间做高30 cm、宽25 cm的田埂隔离，防止小区间相互串肥，水分实行独立排灌，统一执行田间管理。
1.3 测定项目及方法1.3.1 土壤理化性质测定 参照文献[17]方法测定。
1.3.2 叶片氮含量和稻谷产量测定 水稻样品采集与遥感影像获取同步，在水稻抽穗期(50% 稻穗抽出时期)，每个小区取代表性水稻植株12丛，剪去根，将茎、叶和穗分开，分别在105℃下杀青30 min，然后在75℃下烘干至恒重，称量。将叶片样品磨碎，采用H2SO4-H2O2法消化，用全自动凯氏定氮仪测定，用单位干物质量的含氮量表示全氮含量(g/kg)。
成熟期实收125穴(5 m2)测产，将稻谷风干，取100 g于105℃下烘干48 h，测定含水量，然后将稻谷转换成含水量为14% 的稻谷产量。
1.3.3 多光谱数据获取 为提高多光谱相机成像质量，选择晴天11:00—13:00，采用大疆精灵4多光谱版无人机(集成1个可见光传感器、5个多光谱传感器，蓝光450 nm、绿色560 nm、红光650 nm、红边730 nm、近红外840 nm，具体波段参数见表 2)采集水稻试验区域多光谱影像。规划好无人机航线经过目标田块正上方，航拍高度20 m，拍照时间间隔2 s，航向重叠度80%，旁向重叠度90%，影像分辨率为6.92 mm/pixel。
1.3.4 多光谱数据提取 首先对获得的多光谱影像进行筛选，将带有空间位置信息的影像导入到PhotoScan软件，然后进行点云和纹理处理，最后进行地理配准、无缝拼接和波段合成，得到稻田完整的整幅多光谱正射影像(Digital orthophoto map，DOM)。利用ENVI5.3软件ROI(Region of interest)工具进行图像分割，勾选出水稻不同处理区域，统计区域内所有像元光谱反射率的平均值，作为该小区水稻冠层的光谱反射率数据。
1.3.5 植被指数筛选 植被指数(Vegetation Index，VI)通过对不同波段光谱反射率进行数学组合，如根据MicaSense RedEdge波段特点，选取归一化植被指数(NDVI)、绿波段归一化植被指数(GNDVI)、比值植被指数(RVI)、增强植被指数(EVI)、差值植被指数(DVI)和改进非线性植被指数(MNLI)等(表 3)。利用多光谱波段的反射特性，在ENVI软件中经过波段运算即可得到上述植被指数。
1.3.6 模型构建与检验 以1.2.1不同氮素养分梯度试验数据为建模数据集(C)、1.2.2侧深施肥试验数据为验证数据集(V)，采用多元线性回归(Multiple Linear Regression，MLR) 方法建立水稻氮素养分反演模型。使用建模数据集建立的决定系数(Rc2)、均方根误差(RMSEc)和相对误差(RE)对建模精度进行评估；对使用模型计算得到的验证数据集和建模数据集的估测值与实测值进行线性拟合，以拟合方程的Rc+v2对模型进行评估，R2越接近1、RMSEc越小，模型精度越高。
试验数据采用SPSS 13.0软件进行统计分析，采用OriginPro 9.0软件作图。
2 结果与分析 2.1 不同施氮处理对水稻叶片氮含量和稻谷产量的影响习惯施肥法条件下，增加施氮量明显提高了水稻叶片氮含量和稻谷产量。随着施氮水平增加，美香占2号和吉丰优1002叶片氮含量逐渐增加。与N0处理相比，N150处理美香占2号和吉丰优1002叶片氮含量分别增加16.05% 和13.76%；N210处理两个水稻品种叶片氮含量分别增加24.29% 和25.00%，差异均达显著水平(图 1A、B)。
|
| 图 1 不同施氮处理下不同水稻品种叶片氮含量、稻谷产量及其相关性分析 Fig. 1 Leaf nitrogen concentration, grain yield and the correlation analyses of different rice cultivars under different nitrogen treatments |
与叶片氮含量表现趋势相比，不同施氮水平对稻谷产量的影响略有区别。美香占2号稻谷产量N150处理和N210处理间无显著变化，但显著高于N0处理，表明高施氮量并未持续增加该品种的产量；吉丰优1002稻谷产量的变化趋势与其氮含量一致，表明不同水稻品种叶片氮含量对施氮量的响应趋势一致，但稻谷产量对施氮量的响应则因品种而异(图 1C、D)。
高效栽培技术更有利于氮素养分的吸收利用，表现为与传统习惯施肥法N210处理相比，利用“三控”施肥技术N180+处理吉丰优1002叶片氮含量和稻谷产量分别增加18.03%和6.25%，差异达显著水平(图 1B、D)。
相关性分析结果(图 1E、1F)显示，水稻叶片氮含量与稻谷产量呈显著(美香占2号)或极显著(吉丰优1002)线性正相关，表明叶片氮含量对稻谷产量具有重要作用。
2.2 不同施氮处理水稻冠层对光谱反射率的影响施氮水平影响水稻冠层对不同波长光谱的反射率，习惯施肥法条件下，无论是美香占2号还是吉丰优1002，蓝光到红光(450~650 nm)波段反射率均表现为随着施氮水平的增加而下降，红边到近红外(730~840 nm)波段反射率均随着施氮水平的增加而逐渐增加。不同施氮水平显著影响红光波段650 nm和近红外波段840 nm处的反射率，与N0处理相比，N150和N210处理美香占2号在红光波段650 nm处的反射率分别下降19.48% 和22.84%，在近红外波段840 nm处的反射率分别增加24.24% 和21.50%；N150、N210和N180+ 处理吉丰优1002在红光波段的反射率分别比N0处理下降19.00%、31.38% 和37.27%，在近红外波段的反射率分别增加23.13%、24.60% 和34.02%。表明红光650 nm和近红外840 nm是监测叶片氮含量的敏感波段(图 2)。
|
| 图 2 不同施氮处理下同一水稻品种叶片的反射率变化 Fig. 2 Changes of leaf reflectance of the same rice cultivar under different nitrogen levels |
同一施氮处理不同水稻品种冠层光谱反射率存在显著差异。无论N0、N150处理还是N210处理，美香占2号在蓝光至红光波段(450~650nm)的冠层反射率均明显高于吉丰优1002，红边到近红外波段的冠层反射率则表现为吉丰优1002高于美香占2号，其中红光650nm处和近红外840nm处是区分两个水稻品种的敏感波段。与美香占2号相比，N0、N150、N210处理吉丰优1002在红光650nm处的冠层反射率分别下降15.64%、15.14%和24.98%，在近红外840nm处的冠层反射率分别增加10.22%、9.24%和13.03%(图 3)。
|
| 图 3 相同施氮处理下不同水稻品种叶片的反射率变化 Fig. 3 Changes of leaf reflectance of different rice cultivars under the same nitrogen treatment |
2.3 不同施氮处理对水稻品种冠层植被指数的影响
从图 2、图 3可以看出，红光(650 nm)和近红外(840 nm)是水稻冠层响应不同施氮量的敏感波段。经过初步筛选确定了NDVI、DVI、GNDVI、EVI、MNLI、RVI等6个植被指数。整体而言，吉丰优1002的6个植被指数明显高于美香占2号。与N0处理相比，N150处理美香占2号叶片NDVI、DVI、GNDVI、EVI、MNLI和RVI分别增加201.74%、215.44%、77.27%、254.54%、102.43%和53.68%，N150、N210处理6个植被指数无显著差异；N150处理吉丰优1002叶片NDVI、DVI、GNDVI、EVI、MNLI和RVI分别增加80.62%、92.72%、50.09%、105.73%、75.87% 和51.15%，N210处理6个植被指数分别增加110.96%、117.07%、68.90%、135.74%、91.09% 和80.34%。与N210处理相比，水稻“三控”施肥法N180+处理的6个植被指数分别增加12.12%、16.00%、7.08%、21.56%、16.18%和17.63% (图 4)。
|
| 图 4 不同施氮处理对不同水稻品种冠层植被指数的影响 Fig. 4 Effects of different nitrogen treatments on canopy vegetation indexes of different rice cultivars |
2.4 水稻叶片氮含量与植被指数的相关性分析
将水稻叶片氮含量与植被指数DVI、NDVI、GNDVI、RVI、EVI和MNLI进行相关性分析，结果表明，美香占2号和吉丰优1002叶片氮含量与上述6个植被指数的相关系数均达显著水平。其中对美香占2号而言，相关系数最高的植被指数分别为NDVI、GNDVI、RVI、DVI和EVI；对吉丰优1002而言，相关系数最高的植被指数分别为RVI、EVI、MNLI、DVI和NDVI(图 5)。
|
| 图 5 水稻叶片氮含量与植被指数的相关性分析 Fig. 5 Prediction of nitrogen concentration in rice leaves by vegetation index |
2.5 水稻叶片氮含量与植被指数的多元线性回归分析
通过水稻叶片氮含量与植被指数的相关性分析(图 5)，筛选出与水稻叶片氮含量最相关的植被指数进行多元线性回归分析，结果见表 4。从表 4可以看出，美香占2号叶片氮含量反演模型为Y=13.930+68.008DVI-24.832NDVI-1.344GDNVI+3.141RVI-10.532EVI，R2为0.817、RMSE为1.77、RE为8.35%；吉丰优1002叶片氮含量反演模型为Y=7.125-231.455DVI-2.717NDVI+ 7.452RVI+32.493EVI+51.715MNLI，R2为0.973、RMSE为0.78、RE为3.48%。
|
2.6 水稻叶片氮含量反演模型构建
以不同氮素养分梯度试验数据为建模数据集、侧深施肥试验数据为验证数据集，将表 4中的多元线性回归分析结果与建模集和验证集中的实测叶片氮含量进行线性拟合，结果见图 6。从图 6可以看出，美香占2号水稻品种建模集和验证集的叶片氮含量实测值与反演模型估测值具有极显著的线性正相关，R2为0.891；吉丰优1002水稻品种的建模集叶片氮含量实测值与反演模型估测值具有极显著的线性正相关，R2为0.987。表明反演模型能精确预测水稻叶片氮含量。
|
| 图 6 不同水稻品种叶片氮含量反演模型拟合结果 Fig. 6 Fitting result of inversion model of leaf nitrogen concentration in different rice cultivars |
3 讨论 3.1 光谱特征与水稻叶片氮含量的关系
氮素是水稻生长发育的重要限制因子，有研究表明，水稻叶片氮素含量随着施氮水平的增加而增大[23]。李艳大等[24]研究证实了随着施氮水平的增加，早、晚稻叶片氮含量、氮积累量及相关植被指数(DVI、NDVI和RVI)增大。水稻叶片氮含量特别是抽穗期叶片氮含量的增加能够提高叶片光合作用，促进碳水化合物向籽粒转运，进而提高稻谷产量和品质[25-27]。崔菁菁等[28]研究发现水稻抽穗期叶片氮含量与产量呈极显著正相关。本课题组的前期研究表明，抽穗期叶片氮含量能够显著提高水稻成穗率和光能辐射效率，增加有效穗数，从而增加稻谷产量[7]。这些研究表明抽穗期叶片氮含量对增加稻谷产量具有重要作用。在本试验习惯施肥法条件下，随着施氮水平的提高，美香占2号和吉丰优1002抽穗期叶片氮含量均表现为逐渐增加，稻谷产量整体呈现逐渐增加趋势。然而，总施氮量为180 kg/hm2 (N180+)的水稻“三控”施肥处理，其水稻抽穗期叶片氮含量和稻谷产量均高于总施氮量为210 kg/hm2(N210)的习惯施肥法处理，主要是因为水稻“三控”施肥技术的氮肥后移增加了抽穗期叶片氮含量[7]。相关性分析结果表明，抽穗期叶片氮含量与稻谷产量呈显著正相关关系，说明抽穗期叶片氮含量能够间接反映稻谷产量，而非施氮量。
作物叶片氮素养分含量的监测与诊断是氮肥精准管控的有效途径[29-30]，有利于获得最大产量潜力和更佳品质，还能减少环境污染[31]。蒋仁安[23]研究发现，随着施氮水平的提高，在可见光区域内，水稻冠层光谱反射率随着施氮量的增加而降低；在近红外区域内，水稻冠层光谱反射率随着施氮量的增加而增大[32]。有研究发现，早、晚稻叶片氮含量、氮累积量、DVI、NDVI和RVI均随着施氮水平的增加而增大[24]。本试验的光谱数据结果表明，随着叶片氮含量的增加，蓝光到红光波段的叶片反射率逐渐下降，红边到近红外波段的叶片反射率逐渐增加；不同品种在相同施氮量条件下的光谱特征存在显著差异，表现为美香占2号和吉丰优1002在红光650 nm和近红外840 nm的反射率差异显著，该光谱区可作为区分两个水稻品种的敏感波段。
3.2 水稻叶片氮含量反演模型构建与验证目前，叶片氮含量反演模型构建主要采取特征波段、植被指数组合或两者组合筛选的方式进行。模型的应用效果主要根据模型的模拟精度来评价，模拟精度一般用R2和RMSE表示，R2越接近1、RMSE越小，模型精度越高。Zheng等[33]利用无人机多光谱图像纹理信息和光谱信息，通过不同植被指数进行建模筛选，发现归一化红边指数(NDRE)在所有候选植被指数中最适合估算叶片氮含量等参数。Wang等[34]研究表明，水稻群体叶片氮含量的变化可以由3个波段差值光谱指数(TBDR，3个波段分别为755、513和508 nm)决定，RMSE为0.13%，RE为4.74%。李艳大等[24]建立了预测叶片氮含量的NDVI指数模型，模型R2为0.858~0.932，模型检验的RMSE和R2分别为0.1%~0.2%和0.904~0.985[35]。冯帅等[32]通过特征波段筛选，采用DVI、RVI和NDVI等植被指数组合构建粳稻叶片氮素含量反演模型，结果发现以特征波段组合构建的叶片氮素含量模型最佳，R2均大于0.7，RMES均小于0.57。本试验采用相关性分析和多元线性回归分析，建立了美香占2号的叶片氮含量反演模型，该模型由植被指数DVI、NDVI、GDNVI、RVI和EVI决定，R2为0.817、RMSE为1.77、RE为8.35%；吉丰优1002的叶片氮含量反演模型由植被指数DVI、NDVI、RVI、EVI和MNLI决定，R2为0.973、RMSE为0.78、RE为3.48%。最后通过建模集和验证集的叶片氮含量实测值与反演模型估测值进行验证，美香占2号和吉丰优1002的R2分别达到0.891和0.987，满足模型模拟精度要求。
4 结论水稻抽穗期叶片氮含量与稻谷产量呈显著或极显著正相关关系，抽穗期叶片氮含量的精准监测与诊断对于水稻精准施肥作业具有重要指导作用。采用大疆精灵4多光谱版无人机获取华南籼稻主栽品种美香占2号和吉丰优1002抽穗期叶片特征光谱和特异植被指数，通过波段运算、相关性分析和多元线性回归分析等，建立了美香占2号和吉丰优1002水稻叶片氮含量的反演模型，通过模型精度验证，R2均达到0.85以上。该模型将为华南籼稻品种精准施肥作业提供重要的理论依据和技术指导。
| [1] |
李金敏, 陈秀青, 杨琦, 史良胜. 基于高光谱的水稻叶片氮含量估计的深度森林模型研究[J]. 作物学报, 2021, 47(7): 1342-1350. DOI:10.3724/SP.J.1006.2021.02060 LI J M, CHEN X Q, YANG Q, SHI L S. Deep learning models for estimation of paddy rice leaf nitrogen concentration based on canopy hyperspectral data[J]. Acta Agronomica Sinica, 2021, 47(7): 1342-1350. DOI:10.3724/SP.J.1006.2021.02060 |
| [2] |
ZHAO Y, WANG J, CHEN L, FU Y, ZHU H, FENG H, XU X, LI Z. An entirely new approach based on remote sensing data to calculate the nitrogen nutrition index of winter wheat[J]. Journal of Integrative Agriculture, 2021, 20(9): 2535-2551. DOI:10.1016/S2095-3119(20)63379-2 |
| [3] |
李克亮, 周志艳. 水稻氮肥精准管理技术研究进展[J]. 江苏农业科学, 2019, 47(12): 18-25. DOI:10.15889/j.issn.1002-1302.2019.12.004 LI K L, ZHOU Z Y. Research progress on precision management technology of nitrogen fertilizer for rice[J]. Jiangsu Agricultural Sciences, 2019, 47(12): 18-25. DOI:10.15889/j.issn.1002-1302.2019.12.004 |
| [4] |
郭建华, 王秀, 孟志军, 赵春江, 宇振荣, 陈立平. 主动遥感光谱仪Greenseeker与SPAD对玉米氮素营养诊断的研究[J]. 植物营养与肥料学报, 2008(1): 43-47. DOI:10.3321/j.issn:1008-505X.2008.01.007 GUO J H, WANG X, MENG Z J, ZHAO C J, YU Z R, CHEN L P. Study on diagnosing nitrogen nutrition status of corn using Greenseeker and SPAD meter[J]. Plant Nutrition and Fertilizer Science, 2008(1): 43-47. DOI:10.3321/j.issn:1008-505X.2008.01.007 |
| [5] |
杨红云, 周琼, 杨珺, 孙玉婷, 路艳. 水稻氮素营养诊断方法研究进展[J]. 中国稻米, 2020, 26(2): 5-8. DOI:10.3969/j.issn.1006-8082.2020.02.002 YANG H Y, ZHOU Q, YANG J, SUN Y T, LU Y. Research progress on nitrogen nutrition diagnosis methods of rice[J]. China Rice, 2020, 26(2): 5-8. DOI:10.3969/j.issn.1006-8082.2020.02.002 |
| [6] |
刘昌华, 王哲, 陈志超, 周兰, 岳学智, 苗宇新. 基于无人机遥感影像的冬小麦氮素监测[J]. 农业机械学报, 2018, 49(6): 207-214. LIU C H, WANG Z, CHEN Z C, ZHOU L, YUN X Z, MIAO Y X. Nitrogen monitoring of winter wheat based on unmanned aerial vehicle remote sensing image[J]. Transactions of the Chinese Societ y for Agricultural Machinery, 2018, 49(6): 207-214. |
| [7] |
FU Y Q, ZHONG X H, ZENG J H, LIANG K M, PAN J F, XIN Y F, LIU Y Z, HU X Y, PENG B L, CHEN R B, HU R, HUANG N R. Improving grain yield, nitrogen use efficiency and radiation use efficiency by dense planting, with delayed and reduced nitrogen application, in double cropping rice in South China[J]. Journal of Integrative Agriculture, 2021, 2(20): 565-580. DOI:10.1016/S2095-3119(20)63380-9 |
| [8] |
FENG L, CHEN S, ZHANG C, ZHANG Y, HE Y. A comprehensive review on recent applications of unmanned aerial vehicle remote sensing with various sensors for high-throughput plant phenotyping[J]. Computers and Electronics in Agriculture, 2021, 182: 106033. DOI:10.1016/j.compag.2021.106033 |
| [9] |
孔繁昌, 刘焕军, 于滋洋, 孟祥添, 韩雨, 张新乐, 宋少忠, 罗冲. 高寒地区粳稻穗颈瘟的无人机高光谱遥感识别[J]. 农业工程学报, 2020, 36(22): 68-75. DOI:10.11975/j.issn.1002-6819.2020.22.008 KONG F C, LIU H J, YU Z Y, MENG X T, HAN Y, ZHANG X L, SONG S Z, LUO C. Identification of japonica rice panicle blast in alpine region by UAV hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 68-75. DOI:10.11975/j.issn.1002-6819.2020.22.008 |
| [10] |
朱艳, 杨贵军. 农业遥感与表型获取分析[J]. 智慧农业, 2020, 2(1): 6. ZHU Y, YANG G J. Analysis of agricultural remote sensing and phenotypic acquisition[J]. Smart Agriculture, 2020, 2(1): 6. |
| [11] |
RYU C, SUGURI M, UMEDA M. Multivariate analysis of nitrogen content for rice at the heading stage using reflectance of airborne hyperspectral remote sensing[J]. Field Crops Research, 2011, 122(3): 214-224. DOI:10.1016/j.fcr.2011.03.013 |
| [12] |
DUAN B, FANG S, GONG Y, PENG Y, WU X, ZHU R. Remote estimation of grain yield based on UAV data in different rice cultivars under contrasting climatic zone[J]. Field Crops Research, 2021, 267: 108148. DOI:10.1016/j.fcr.2021.108148 |
| [13] |
陈春玲, 周长献, 于丰华, 许童羽, 曹英丽. 基于光谱特征参数的粳稻冠层氮素含量反演方法[J]. 沈阳农业大学学报, 2020, 51(2): 218-224. DOI:10.3969/j.issn.1000-1700.2020.02.013 CHEN C L, ZHOU C X, YU F H, YU T Y, CAO Y L. A study on inversion method of nitrogen content in Japonica rice based on spect ra l cha racter istic pa ra meter s[J]. Jo ur nal of S he nyang Agricultural University, 2020, 51(2): 218-224. DOI:10.3969/j.issn.1000-1700.2020.02.013 |
| [14] |
JIANG R, SANCHEZ-AZOFEIFA A, LAAKSO K, WANG P, XU Y, ZHOU Z, LUO X, LAN Y, ZHAO G, CHEN X. UAV-based partially sampling system for rapid NDVI mapping in the evaluation of rice nitrogen use efficiency[J]. Journal of Cleaner Production, 2021, 289: 125705. DOI:10.1016/j.jclepro.2020.125705 |
| [15] |
YU F, FENG S, DU W, WANG D, GUO Z, XING S, JIN Z, CAO Y, XU T. A study of nitrogen deficiency inversion in rice leaves based on the hyperspectral reflectance differential[J]. Frontiers in Plant Science, 2020, 11: 573272. DOI:10.3389/fpls.2020.573272 |
| [16] |
许童羽, 郭忠辉, 于丰华, 徐博, 冯帅. 采用GA-ELM的寒地水稻缺氮量诊断方法[J]. 农业工程学报, 2020, 36(2): 209-218. DOI:10.11975/j.issn.1002-6819.2020.02.025 XU T Y, GUO Z H, YU F H, XU B, FENG S. Genetic algorithm combined with extreme lear ning machine to diagnose nitrogen deficiency in rice in cold region[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(2): 209-218. DOI:10.11975/j.issn.1002-6819.2020.02.025 |
| [17] |
南京农业大学. 土壤农化分析[M]. 北京: 农业出版社, 1986: 28. Nanjing Agricultural University. Soil agrochemical analysis[M]. Beijing: Agriculture Press, 1986: 28. |
| [18] |
ZHU Y, YAO X, T IAN Y, L IU X, CAO W. Analysis of common canopy vegetation indices for indicating leaf nitrogen accumulations in wheat and rice[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(1): 1-10. DOI:10.1016/j.jag.2007.02.006 |
| [19] |
GITELSON A A, KAUFMAN Y J, MERZLYAK M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment, 1996, 58(3): 289-298. DOI:10.1016/S0034-4257(96)00072-7 |
| [20] |
YANG Z, WILLIS P, MUELLER R. Impact of band-ratio enhanced AWIFS image on crop classification accuracy[J]. Journal of the American Chemical Society, 2008, 17(1): 1-11. DOI:10.1021/ja5095099 |
| [21] |
谭昌伟, 杜颖, 童璐, 周健, 罗明, 颜伟伟, 陈菲. 基于开花期卫星遥感数据的大田小麦估产方法比较[J]. 中国农业科学, 2017, 50(16): 3101-3109. DOI:10.3864/j.issn.0578-1752.2017.16.005 TAN C W, DU Y, TONG L, ZHOU J, LUO M, YAN W W, CHEN F. Comparison of the methods for predicting wheat yield based on satellite remote sensing data at anthesis[J]. Scientia Agricultura Sinica, 2017, 50(16): 3101-3109. DOI:10.3864/j.issn.0578-1752.2017.16.005 |
| [22] |
HUETE A, JUSTICE C, LIU H. Development of vegetation and soil indices for MODIS-EOS[J]. Remote Sensing of Environment, 1994, 49(3): 224-234. DOI:10.1016/0034-4257(94)90018-3 |
| [23] |
蒋仁安. 基于高光谱的水稻氮素营养监测研究[D]. 南昌: 江西农业大学, 2019. DOI: 10.27177/d.cnki.gjxnu.2019.000087. JIANG R A. Study on nitrogen nutrition monittoring of rice based on hyperspectrum[D]. Nanchang: Jiangxi Agricultureal University, 2019. DOI: 10.27177/d.cnki.gjxnu.2019.000087. |
| [24] |
李艳大, 叶春, 曹中盛, 孙滨峰, 舒时富, 黄俊宝, 田永超, 何勇. 基于作物生长监测诊断仪的双季稻叶片氮含量和氮积累量监测[J]. 应用生态学报, 2020, 31(9): 3040-3050. DOI:10.13287/j.1001-9332.202009.012 LI Y D, YE C, CAO Z S, SUN B F, SHU S F, HUANG J B, TIAN Y C, HE Y. Monitoring leaf nitrogen concentration and nitrogen accumulation of double cropping rice based on crop growth monitoring and diagnosis apparatus[J]. Chinese Journal of Applied Ecology, 2020, 31(9): 3040-3050. DOI:10.13287/j.1001-9332.202009.012 |
| [25] |
CAI C, LI G, DI L, DING Y YIN X. The acclimation of leaf photosynthesis of wheat and rice to seasonal temperature changes in T‐FACE environments[J]. Global Change Biology, 2020, 26(2): 539-556. DOI:10.1111/gcb.14830 |
| [26] |
IKAWA H, SAKAI H, CHEN C P, SOONG T H, HASEGAWA T. High mesophyll conductance in the high-yielding rice cultivar Takanari quantified with the combined gas exchange and chlorophyll fluorescence measurements under free-air CO2enrichment[J]. Plant Production Science, 2019, 22(3): 395-406. DOI:10.1080/1343943X.2019.1626253 |
| [27] |
YANG J, SONG S, DU L, SHI S, CHEN B. Analyzing the effect of fluorescence characteristics on leaf nitrogen concentration estimation[J]. Remote Sensing, 2018, 10(9): 1402. DOI:10.3390/rs10091402 |
| [28] |
崔菁菁, 徐克章, 武志海, 陈展宇, 张治安, 吴春胜. 不同年代水稻品种叶片氮含量变化及其与净光合速率的关系[J]. 西北农林科技大学学报(自然科学版), 2016, 44(7): 70-77. DOI:10.13207/j.cnki.jnwafu.2016.07.011 CUI J J, XU K Z, WU Z H, CHEN Z Y, ZHANG Z A, WU C S. Changes of nitrogen content in leaf and its correlation with net photosynthetic rate of rice cultivars in different years[J]. Journal of Northwest A & F University(Natural Science Edition), 2016, 44(7): 70-77. DOI:10.13207/j.cnki.jnwafu.2016.07.011 |
| [29] |
KAI Z, TAO C, YAN Z, CAO W, TIAN Y. Assessing the impact of spatial resolution on the estimation of leaf nitrogen concentration over the full season of paddy rice Using near-surface imaging spectroscopy data[J]. Frontiers in Plant Science, 2018, 9: 964. DOI:10.3389/fpls.2018.00964 |
| [30] |
SHI T Z, WANG J J, LIU H Z, WU G F. Estimating leaf nitrogen concentration in heterogeneous crop plants from hyperspectral reflectance[J]. International Journal of Remote Sensing, 2015, 36(18): 4652-4667. DOI:10.1080/01431161.2015.1088676 |
| [31] |
IRFAN M AHMED Z, KHAN T, AHMAD W, MALIK M. Monitoring of wheat and rice nitrogen status by remote sensing[J]. Journal of Experimental Agriculture International, 2018, 28(6): 1-13. DOI:10.9734/JEAI/2018/16566 |
| [32] |
冯帅, 曹英丽, 许童羽, 于丰华, 陈春玲, 赵冬雪, 金彦. 高光谱和NSGA2-ELM算法的粳稻叶片氮素含量反演[J]. 光谱学与光谱分析, 2020, 40(8): 2584-2591. DOI:10.3964/j.issn.1000-0593(2020)08-2584-08 FENG S, CAO Y L, XU T Y, YU F H, CHEN C L, ZHAO D X, JIN Y. Inversion based on high spectrum and NSGA 2-ELM algorithm for the nitrogen content of Japonica rice leaves[J]. Spectroscopy and Spectral Analysis, 2020, 40(8): 2584-2591. DOI:10.3964/j.issn.1000-0593(2020)08-2584-08 |
| [33] |
ZHENG H B, MA J F, ZHOU M, LI D, YAO X, CAO W X, ZHU Y, CHENG T. Enhancing the nitrogen signals of rice canopies across critical growth stages through the integration of textural and spectral information from unmanned aerial vehicle(UAV)multispectral Imagery[J]. Remote Sensing, 2020, 12(6): 957. DOI:10.3390/rs12060957 |
| [34] |
WANG J, LI Z, JIN X, IANG G, ZHOU Y. Phenotyping f lag leaf nitrogen content in rice using a three-band spectral index[J]. Computers and Electronics in Agriculture, 2019, 162: 475-481. |
| [35] |
NI J, ZHANG J, WU R, PANG F, ZHU Y. Development of an apparatus for crop-growth monitoring and diagnosis[J]. Sensors, 2018, 18(9): 3129. DOI:10.3390/s18093129 |
（责任编辑 张辉玲）