条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型

条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型蒋金豹1,3，陈云浩1，黄文江2，李京1※(1.北京师范大学资源学院，北京 100875； 2.国家农业信息化工程技术研究中心，北京 100089；3.农业部资源遥感与数字农业重点开放实验室，北京 100081)摘 要：为利用高光谱遥感诊断条锈病胁迫下作物的营养状况，测量感染条锈病的冬小麦冠层反射率以及相应叶片全氮（LTN）含量，利用线性和非线性回归方法，建立了微分光谱与小麦LTN含量之间的回归模型。

研究表明随病情加重，小麦LTN含量逐渐降低，并与一阶微分光谱在430～518、534～608、660～762 nm以及783～893 nm区域具有极显著相关性。

经检验，以红边内一阶微分总和与蓝边内一阶微分总和比值（SDr/SDb）为变量的模型是估测LTN含量的最佳模型, 其RMSE为0.3567，相对误差为8.33％。

因此，利用高光谱遥感估测条锈病胁迫下作物LTN含量是可行的，且具有较高的反演精度。

研究成果可为小麦氮素营养监测、精准施肥以及条锈病情诊断等提供理论依据和指导。

关键词：高光谱；冬小麦；条锈病；叶片氮素含量；估测模型中图分类号：S127；S146+.2；S143.1文献标识码：A 文章编号：1002-6819(2008)-1-0035-05蒋金豹，陈云浩，黄文江,等. 条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型[J].农业工程学报，2008，24(1)：35－39.Jiang Jinbao, Chen Yunhao, Huang Wenjiang, et al. Hyperspectral estimation models for LTN content of winter wheat canopy under stripe rust stress[J]. Transactions of the CSAE, 2008,24(1)：35-39.(in Chinese with English abstract)0 引 言测量作物叶片氮素含量是精准农业中一项重要而又关键的工作，只有精确诊断作物的营养水平，才能及时进行精确、科学施肥。

因此，寻找一种具有简便、快速、自动化程度高、非破坏性、大面积提取作物氮素营养信息的方法，在精准农业实施中尤为重要。

随着高光谱遥感技术的发展，利用遥感数据提取作物生物化学参数体现出了明显的优越性，特别是应用遥感信息估算作物氮含量的研究受到了高度重视。

Walburg[1]等研究认为玉米冠层的光谱测量可用于检测氮水平；薛利红[2]等认为与小麦叶片含氮量关系最佳的指数为红波段(660 nm)和蓝波段(460 nm)的组合；Femandez[3]等发现用红光(660 nm)和绿光(545 nm)两波段的线性组合可以预估小麦的氮含量；王人潮[4]等、Cheng[5]等通过研究认为水稻氮素营养与光谱特征有良好的相关关系, 通过光谱测定可以诊断水稻不同的氮素水平；刘宏斌[6]等发现采用红光波段和近红外波段计算的比值植被指数RVI可以较为灵敏地反映冬小收稿日期：2006-03-12 修订日期：2007-10-12基金项目：国防科技工业民用专项科研技术研究项目（JZ20050001-06）；地理空间信息工程国家测绘局重点实验室基础测绘经费；农业部资源遥感与数字农业重点开放实验室开放课题联合资助。

作者简介：蒋金豹（1978－），博士研究生，研究方向为高光谱遥感监测作物病虫害。

北京北京师范大学资源学院，100875。

Email：jjb@※通讯作者：李京（1956－），男，教授，博士生导师。

北京北京师范大学资源学院，100875。

Email:lijing@ 麦氮素营养水平；Mutanga[7]等用包络线去除法研究作物在不同供氮水平下光谱吸收特征，发现施氮肥过量的作物比缺氮作物的吸收谷要深且宽；黄文江[8]等利用归一化最小振幅来反演叶片全氮含量；张喜杰[9]等研究认为原始光谱以及一阶微分光谱都可用于温室内叶片含氮量的预测, 而且一阶微分光谱在一些特殊的波长处具有更强的预测能力；Yoder[10]等发现树叶TN与Log1/R的一阶微分之间显著相关；牛铮等[11]建立了微分光谱与鲜叶片中的蛋白质、全氮（TN）、全钾（TK）含量的多元逐步回归方程；Zhao[12]等研究表明叶氮不仅与R405/R715、R1075/R735极显著相关，而且与730或740nm处一阶微分值极显著相关。

尽管一些学者研究表明植被指数或一阶微分光谱比单一波段反射率与叶片氮素含量具有更好的相关性，但利用微分光谱指数反演病害胁迫下作物叶片氮素含量的研究尚不多见。

为此，本文通过田间试验，测量条锈病胁迫下的冬小麦冠层光谱以及相应叶片的叶全氮含量，探讨利用微分光谱指数诊断条锈病胁迫下作物营养状况的方法，一方面可以为诊断小麦条锈病严重度提供有效的信息，另一方面可以促进作物科学管理与施肥。

1 试验和数据获取方法试验方法、冠层光谱数据测量方法、病情指数获取方法以及光谱数据处理方法见参考文献[13]。

叶全氮（LTN）含量测定：采用凯氏定氮法(GB7173-87)测量叶片全氮含量。

36 农业工程学报 2008年高光谱微分指数：所用的高光谱微分指数是在前人研究的基础上[14-18]，结合病害小麦的光谱特征，进行定义组合而来，见表1。

表1 微分指数列表Table 1 Summary of the first derivative indices微分变量描述SDb 蓝边（430～480 nm）一阶微分总和SDr 红边（680～760 nm）一阶微分总和D446 446nm处一阶微分与TN相关系数SDy 黄边（555～590 nm）一阶微分总和SDnir 近红外（783～890 nm）一阶微分总和Dr 红边范围内一阶微分最大值SDy/SDb 黄边一阶微分总和与蓝边一阶微分总和的比值SDr/SDb 红边一阶微分总和与蓝边一阶微分总和的比值SDr/SDy 红边一阶微分总和与黄边一阶微分总和的比值SDnir/SDb 近红外一阶微分总和与蓝边一阶微分总和的比值SDnir/SDy 近红外一阶微分总和与绿边一阶微分总和的比值SDnir/SDr 近红外一阶微分总和与红边一阶微分总和的比值（SDy-SDb）/（SDy+SDb）黄边一阶微分总和与蓝边一阶微分总和的归一化值（SDr-SDy）/（SDr+SDy）红边一阶微分总和与黄边一阶微分总和的归一化值（SDr-SDb）/（SDr+SDb）红边一阶微分总和与蓝边一阶微分总和的归一化值（SDnir-SDb）/ （SDnir+SDb）近红外一阶微分总和与蓝边一阶微分总和的归一化值（SDnir-SDy）/ （SDnir+SDy）近红外一阶微分总和与黄边一阶微分总和的归一化值（SDnir-SDr）/ （SDnir+SDr）近红外一阶微分总和与红边一阶微分总和的归一化值2 数据处理与分析2.1 病害小麦冠层光谱及一阶微分光谱特征从图1可见，小麦冠层光谱反射率随病情指数的增大在可见光范围内逐渐增大，这是因为冠层光谱反射率的大小在可见光范围内由叶绿素浓度决定，在可见光范图1.不同病情严重度小麦冠层光谱特征Fig.1 Canopy spectral characteristic of wheatat different levels of disease severity 围内反射率增大说明色素吸收降低，即色素浓度降低；在近红外区域逐渐降低，在近红外区域植被的反射率主要受叶子内部结构、生物量、蛋白质、纤维素等影响[19]，发病小麦在近红外区域反射率降低，说明植被的内部结构已遭到破坏。

一阶微分随病情加重在红边内逐渐降低，在其它区域随病情变化没有显著变化，见图2。

图2 不同病情严重度小麦冠层一阶微分光谱特征Fig.2 The first derivative characteristics of wheatat different levels of disease severities2.2 病情指数与LTN含量的关系从图3可见，随着病情加重，小麦LTN含量逐渐降低。

表明条锈病不仅破坏了作物叶片的色素含量以及内部组织结构，还影响作物的营养吸收功能，这也是致使作物减产的主要原因之一[20]。

病情指数与LTN含量之间具有极显著的负相关性（R＝–0.76）。

图3LTN含量与病情指数之间的关系Fig.3 Correlation between LTN content and disease index2.3 LTN含量与光谱微分变量的相关分析从图4可见，在430～518、534～608、660～762 nm 以及783～893 nm范围内LTN含量与一阶微分光谱达到极显著相关，在446 nm处达到最大值0.90，因此利用此范围内的一阶微分光谱构建微分变量进行反演作物冠层LTN含量，如表2。

可以看出，除变量SDr/SDy、SDnir/SDy 以及(SDnir-SDb)/(SDnir+SDb)与LTN含量的相关性较差以外，其余变量与LTN含量均呈极显著相关。

第1期蒋金豹等：条锈病胁迫下冬小麦冠层叶片氮素含量的高光谱估测模型37图4 LTN含量与病害小麦冠层光谱一阶微分相关性 Fig.4 Correlation between first derivative of canopyreflectance of disease wheat and LTN content表2 LTN含量与微分变量的相关系数（n=24） Table 2 Coefficient between LTN content and derivative variables 变量 相关系数 变量 相关系数SDb -0.870**Dr 0.762**SDy 0.754**SDnir -0.839**SDr 0.712**SDy/SDb 0.869**D4460.900**SDr/SDb 0.852** SDr/SDy -0.359 SDnir/SDy -0.398*SDnir/SDb -0.563**SDnir/SDr -0.879**(SDnir-SDy)/ (SDnir+SDy) -0.813**(SDr-SDy)/(SDr+SDy)-0.635**(SDnir-SDr)/ (SDnir+SDr) 0.889**(SDnir-SDb)/(SDnir+SDb)0.227(SDy-SDb)/ (SDy+SDb) 0.774**(SDr-SDb)/(SDr+SDb)0.750**注：*，**分别代表5％和1％的显著水平, R 20.05[24]=0.1505, R 20.01[24]=0.2460。