本研究以5年和6年莲雾为研究对象,以田间试验为依托,利用便携式光谱仪测定莲雾叶片的光谱反射率,采用逐步回归法分析不同氮素水平下莲雾叶片原始光谱反射率与叶片氮素含量的关系,确定敏感波段、构建基于原始光谱反射的模型,最后,经过对模型的优选与检验,得出最佳的估测模型。研究结果如下:莲雾叶片全氮含量的原始光谱的敏感波长为510、560、1200 nm,相关系数分别为−0.888**、0.873**、0.997**,对莲雾叶片全氮与原始光谱的敏感波段采用逐步回归分析法建立定量监测模型并进行检验,最终确定的最佳预测模型为Y = 2.629 X1200 + 4.104,研究结果将为莲雾营养诊断、长势监测和估产等领域提供理论依据。 With Syzygium samarangense as the research object and based on the field experiment, hyper-spectral reflectance was measured by CropScan MSR16 in leaves of 5 and 6 years’ Syzygium samarangense. This study has adopted stepwise regression to analyze the relationship between the original spectral reflectance and nitrogen concentration of in the leaf blade under different nitrogen levels to determine the sensitive wave bands and to build the model based on the original spectral reflection. Finally, the best estimate model has been attained after optimizing and testing. The results showed as follows: the sensitive wave lengths of the original spectrum under three levels of the content of nitrogen are 510, 560 and 1200 nm, and the correlation coefficients are 0.888**, 0.873**, 0.997** respectively. The quantitative monitoring model between different level of the content of nitrogen and the original spectrum band has been established with stepwise regression analysis and checking. Ultimately, the best prediction model is Y = 0.63 X1200 + 4.104. The research results will provide the theoretical basis for nutrition diagnosis, condition monitoring and yield estimation of Syzygium samarangense.
刘永霞1,吴斌1,王安邦1,王丽霞1,何应对1,鞠俊杰2,王必尊1*,李川3
1中国热带农业科学院海口实验站,海南 海口
2南林电子有限公司,江苏 南京
3海南中和现代农业发展有公司,海南 琼海
收稿日期:2017年6月20日;录用日期:2017年7月7日;发布日期:2017年7月10日
本研究以5年和6年莲雾为研究对象,以田间试验为依托,利用便携式光谱仪测定莲雾叶片的光谱反射率,采用逐步回归法分析不同氮素水平下莲雾叶片原始光谱反射率与叶片氮素含量的关系,确定敏感波段、构建基于原始光谱反射的模型,最后,经过对模型的优选与检验,得出最佳的估测模型。研究结果如下:莲雾叶片全氮含量的原始光谱的敏感波长为510、560、1200 nm,相关系数分别为−0.888**、0.873**、0.997**,对莲雾叶片全氮与原始光谱的敏感波段采用逐步回归分析法建立定量监测模型并进行检验,最终确定的最佳预测模型为Y = 2.629 X1200 + 4.104,研究结果将为莲雾营养诊断、长势监测和估产等领域提供理论依据。
关键词 :莲雾,光谱,氮素,模型
Copyright © 2017 by authors and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
http://creativecommons.org/licenses/by/4.0/
氮素是莲雾(Syzygium samarangense (Bl.) Merr.et Perry)进行生命活动的必需元素,缺氮会影响莲雾光合作用的正常进行,莲雾结果膨大期,由于结果过多,莲雾树体营养消耗量较大,养分供应不足,会出现2~3次生理落果现象,为了保证一定的产量,应及早采取必要的措施防止大量落果现象的出现。因此,适时可靠地监测莲雾开花结果期植株的氮素营养状况从而指导精确氮肥管理是现代莲雾栽培中迫切需要解决的问题。基于高光谱遥感和氮素营养状况估测,可以弥补传统作物监测方法的不足,为作物生产管理精确化和信息化提供有力的技术支持 [
试验于2015年1月9日到2016年8月在琼海莲雾种植基地(阳江镇,19˚00'32.3N,110˚14'06.2E)进行。该地区属于热带季风及海洋湿润气候区,年平均气温为24℃,年平均降雨量2072毫米,年平均日照2155小时,年平均辐射量为每平方118.99千卡,终年无霜雪。选用种植在山地中的4年生黑金刚莲雾,树高为3 m,每株有5~6个主枝,株行距为5 m × 5 m,山地栽培。土壤pH值为3.89,有机质含量为21.02 g/kg,土壤水解性氮、有效磷和速效钾含量分别为62.7、24.864、71.45 mg/kg,肥力中等,偏酸性。
本试验设5个处理,随机区组设计,设有机无机配施(NPKM,N4)、50%有机无机配施(50% NPKM,N3)、当地施用有机肥(M,N2)量、当地传统单施化肥(NPK,N1)和不施肥(CK,N0)5个处理,每处理15棵树,3次重复。为了展示效果,条状排列,处理之间设隔离行。各处理的施肥量见表1。施用肥料种类为尿素(含N 46%)、过磷酸钙(含P2O5 16%)和硫酸钾(含K2O 50%),羊粪(含有机质27.102%、N 2.03%、P2O5 1.01%、K2O 1.05%)。
冠层光谱反放射率采用Cropscan MSR16光谱辐射计,分别于开花前、开花期、结果期选择天气晴朗、无风或微风条件下进行光谱测定,测定时间为10:00~14:00,各光谱仪测量时探头均垂直向下测量时探头距冠层高度1.5 m,每处理测量5点,取平均值作为该处理的光谱测量值。
与光谱测定同步,每处理分东、南、西、北四个方向各取20片叶子,放入恒温干燥箱内烘干,分别称重,得干重,粉碎,再采用凯氏定氮法测定叶片全氮含量,具体参考孙金英 [
处理编号 | N (kg/plant) | P2O5 (kg/plant) | K2O (kg/plant) | 羊粪(kg/plant) |
---|---|---|---|---|
N0 | 0 | 0 | 0 | 0 |
N1 | 0.2 | 0.12 | 0.2 | 0 |
N2 | 0 | 0 | 0 | 20 |
N3 | 0.1 | 0.06 | 0.1 | 10 |
N4 | 0.2 | 0.12 | 0.2 | 20 |
表1. 试验方案
采用SPSS17.0、EXCEL2010及Sigmaplot10.0统计软件处理试验数据。2015年数据用于建模,2016年数据用于模型检验。
采用国际上通用的根均方差RMSE (root mean square error),对模拟值和观测值的误差进行统计分析,具体参考刘永霞等 [
由表2可以看出,不同施氮量对莲雾叶片全氮含量影响也不同,随着施氮量的增加叶片全氮含量呈先增加后减小的趋势。不同处理叶片全氮含量表现为N2 > N3 > N4 > N1 > N0。不同施氮水平下莲雾叶片全氮含量的变化为光谱监测提供了可靠的生理基础。
对莲雾叶片进行光谱分析,由图1显示,不同施氮水平下叶片表现出明显的光谱差异。在可见光波段460~710 nm区间有个较高的光谱曲线峰,其中在蓝光区500 nm和红光区680 nm左右是叶绿素的强烈吸收波段,导致这两个波段处的反射率出现了低谷;而在绿光区550 nm左右和660 nm左右是叶绿素的强烈反射波段,出现了反射峰,这与王植 [
在可见光波段,随着莲雾植株氮积累量的提高,反射率降低;在红光到近红外的过渡区域(红边区域),莲雾冠层光谱反射率迅速上升,低氮积累量的冠层光谱反射率,上升较快,而高氮积累量的冠层光谱反射率上升较慢;在近红外波段,随着植株氮积累量的增加,莲雾冠层光谱反射率也相应升高。
从表3相关分析结果可见,叶片全氮含量与可见光波段(460~760 nm)反射率呈负相关关系,与560与610 nm处呈极显著负相关关系。在760~1100 nm间相关系数均在6.42~8.46之间,比较平稳,Walburg [
在表4相关分析的基础上,对莲雾叶片氮含量与原始光谱进行了逐步回归分析,回归分析表明,回归方程中包含常数项(Constant)和自变量1200 nm波段反射率;叶片总含氮量模型为:
式(1)中常数项与1200 nm波段反射率的显著水平都小于0.01,在一定范围内,随着叶片1200 nm原始光谱反射率的增强而增加,这与王纪华等 [
处理编号 | 叶片全氮含量/(g/kg) |
---|---|
N0 | 16.180e |
N1 | 18.146d |
N2 | 26.658a |
N3 | 24.224b |
N4 | 22.056c |
表2. 不同氮肥处理的莲雾叶片全氮含量
注:不同小写字母表示处理间显著性差异达5% (p < 0.05),即差异达显著水平。
N | nm 460 | nm 510 | nm 560 | nm 610 | nm 660 | nm 680 | nm 710 | nm 760 | |
---|---|---|---|---|---|---|---|---|---|
Pearson相关 | 1 | −0.672 | −0.837* | −0.973** | −0.319 | −0.319 | −0.863 | −0.855 | 0.642 |
Sig. (2-tailed) | 0.214 | 0.077 | 0.015 | 0.012 | 0.601 | 0.059 | 0.065 | 0.243 | |
N | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
N | nm 810 | nm 870 | nm 950 | nm 1100 | nm 1200 | nm 1300 | nm 1500 | nm 1650 | |
Pearson相关 | 1 | 0.824 | 0.728 | 0.705 | 0.846 | 0.997** | 0.807 | 0.353 | −0.313 |
Sig. (2-tailed) | 0.086 | 0.163 | 0.29 | 0.071 | 0.00 | 0.099 | 0.56 | 0.608 | |
N | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 | 5 |
表3. 莲雾叶片全氮含量与原始光谱反射率相关性
注:*表示处理间显著性差异达5% (p < 0.05),**表示处理间显著性差异达1% (p < 0.01),即差异达显著水平,下同。
图1. 不同施氮水平的莲雾叶片光谱反射率变化
回归系数 显著水平P. | 共线性诊断 | ||||
---|---|---|---|---|---|
项目 | 回归系数B | 标准误 | 容忍度 | 膨胀因子 | |
(Constant) | 4.104 | 0.785 | 0.014 | ||
nm 1200 | 2.629 | 0.116 | 0.045 | 1.000 | 1.000 |
表4. 莲雾叶片全氮含量与叶片反射率的回归分析
P < 0.05,说明回归系数达显著水平;P < 0.01,说明回归系数达极显著水平。
图2. 2016年叶片全氮含量观测值与模拟值比较
利用2016年独立试验资料对模型进行了检验,输入相应的光谱波段1200 nm的原始光谱反射率值,可得到相应的叶片总氮含量的模拟值。图2是模型实测值与模拟值的1:1关系,图2的根均方差为1.179 g/kg,说明用上述模型反演叶片总氮含量,实测值与模拟值拟合较好。
本研究运用作物冠层多光谱探测技术以用莲雾生理生化测试技术,分析了开花坐果期不同处理水平下莲雾氮素营养指标与光谱反射率的关系,在可见光波段460~710 nm及近红外波段1100~1260 nm光谱曲线峰谷变化明显,在760~1100 nm出现了一个较高的反射平台,相关系数均在0.7以上,在这个平台随着叶片氮素含量的增加,原始光谱反射率逐渐降低,因此该波段光谱原始反射率的高低也可以直观地判断莲雾叶片氮含量的高低;在分析的基础上建立了氮素与原始光谱反射率的模型,模型采用逐步回归分析,经检验以1200 nm为自变量的模型最佳,模型为遥感技术在莲雾生长与氮素营养监测上的应用提供了理论和技术依据,不过本研究还存在一些明显不足,由于作物的生物体结构、化学组成的复杂性和高光谱遥感对环境条件、研究对象的高度敏感性,使得高光谱遥感在研究农作物的生物化学参数时具有不稳定性,这为高光谱遥感在农业上的实际应用带来一定的困难 [
海南省重大项目《基于光谱技术的莲雾精准化施肥技术的示范与推广》(ZDXM2015002)资助。
刘永霞,吴 斌,王安邦,王丽霞,何应对,鞠俊杰,王必尊,李 川. 基于光谱分析的莲雾叶片全氮含量模型的研究Study on Model for Total Nitrogen of Wax Apple Leaves Based on the Spectrum by Analysis[J]. 自然科学, 2017, 05(03): 286-292. http://dx.doi.org/10.12677/OJNS.2017.53039