張 玨，田海清，李 哲，李 斐，史樹德

（1. 內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特 010018；2. 內(nèi)蒙古師范大學(xué)物理與電子信息學(xué)院，呼和浩特 010020；3. 內(nèi)蒙古農(nóng)業(yè)大學(xué)草原與資源環(huán)境學(xué)院，呼和浩特 010019；4. 內(nèi)蒙古農(nóng)業(yè)大學(xué)農(nóng)學(xué)院，呼和浩特 010019）

0 引 言

氮元素是農(nóng)作物必需的營養(yǎng)元素和影響產(chǎn)量的關(guān)鍵因子，同時又是造成農(nóng)田生態(tài)環(huán)境污染的主要因素[1]。因此，及時準(zhǔn)確地進(jìn)行氮素營養(yǎng)監(jiān)測對實時掌握作物長勢及營養(yǎng)豐缺狀況有重要意義。傳統(tǒng)實驗室化學(xué)分析雖具有較高的準(zhǔn)確度，但花費(fèi)高、時效性差，且具有破壞性[2]。便攜式葉綠素儀（SPAD-502）需要進(jìn)行多點(diǎn)測定以降低變異性[3]，測量精度也會受到作物品種、環(huán)境條件和測定葉位等因素影響[4-6]，且當(dāng)接近或高于作物的最佳施氮量時，該儀器不能準(zhǔn)確反應(yīng)葉綠素含量[7]。隨著遙感技術(shù)的發(fā)展，近年來已有研究者將近地多光譜遙感[8]、高光譜遙感[9-10]和衛(wèi)星及航拍圖像技術(shù)[11-13]應(yīng)用于作物氮素營養(yǎng)診斷研究中，但應(yīng)用這些技術(shù)成本高且實現(xiàn)實時監(jiān)測難度較大。

隨著數(shù)碼產(chǎn)品價格的不斷下降及智能手機(jī)的普及，利用可見光光譜分析技術(shù)進(jìn)行作物氮素營養(yǎng)診斷已具備一定的應(yīng)用潛力。數(shù)碼相機(jī)是可見光光譜最為便捷且經(jīng)濟(jì)的近地遙感工具，近年來已被眾多研究者應(yīng)用于作物氮素營養(yǎng)監(jiān)測研究中[14-24]。通過對氮素營養(yǎng)狀況的實時跟蹤監(jiān)測可形成作物完整的營養(yǎng)診斷體系，有利于及時掌握作物的營養(yǎng)需求量，進(jìn)而制定出有效的調(diào)控策略。如賈彪等[14]根據(jù)冠層顏色信息建立起較為準(zhǔn)確的棉花氮素診斷模型，并搭建了“一網(wǎng)三層五中心”棉花監(jiān)測管理診斷體系，初步實現(xiàn)了對棉花生長信息和氮素營養(yǎng)狀況的快速準(zhǔn)確監(jiān)測。

國內(nèi)外利用數(shù)碼相機(jī)進(jìn)行植物營養(yǎng)診斷的研究主要集中在棉花[14-16]、小麥[17-19]、玉米[20-21]、水稻[22-24]等作物上。王娟等[15]對不同水分背景下棉花葉片葉綠素含量進(jìn)行監(jiān)測，發(fā)現(xiàn)經(jīng)灰板校正前后圖像的 R-B與葉綠素含量的相關(guān)系數(shù)分別為-0.87和-0.90。李紅軍等[19]分別研究了小麥返青期和拔節(jié)期的葉片氮素敏感顏色參數(shù)，認(rèn)為返青期小麥反光葉面的G/R與R/(R+G+B)能較好地反映小麥的氮素營養(yǎng)狀況，拔節(jié)期葉片的 R/(R+G+B)與植株全氮相關(guān)性較好。綜上所述，作物葉片光學(xué)特性受作物類型及其所處生育時期等因素影響，進(jìn)而導(dǎo)致表征作物營養(yǎng)信息的敏感顏色參數(shù)各有差異。而選取合適的敏感顏色參數(shù)，對準(zhǔn)確評估作物營養(yǎng)狀況具有重要意義，目前多數(shù)研究采用的方法是對比常見顏色特征參數(shù)或?qū)δ硯讉€單色分量進(jìn)行自由組合構(gòu)建，從中選取應(yīng)用效果較好的參數(shù)，而關(guān)于構(gòu)建作物敏感顏色參數(shù)的一般方法研究較少。本文以甜菜為研究對象，充分考慮各單色分量對甜菜冠層LNC（leaf nitrogen content）的表征力，探尋構(gòu)建作物顏色特征參數(shù)的一般方法，找出適合甜菜氮素監(jiān)測的敏感顏色參數(shù)，以期進(jìn)一步提升應(yīng)用數(shù)碼相機(jī)進(jìn)行甜菜營養(yǎng)監(jiān)測的準(zhǔn)確性。

1 材料與方法

1.1 試驗區(qū)概況

本研究試驗于2014年5月至10月于內(nèi)蒙古赤峰市松山區(qū)太平地鎮(zhèn)進(jìn)行，119°24′～119°42′E，42°29′～42°49′N，屬中溫帶半干旱大陸性季風(fēng)氣候區(qū)，冬季漫長，春季干旱，年降雨量300～500 mm。5?9月份日照時數(shù)長達(dá)12～14 h。試驗地基本理化性狀為：pH值8.2，有機(jī)質(zhì)13.04 g/kg，全氮0.76 g/kg，速效磷12.48 mg/kg，速效鉀114.2 mg/kg。甜菜幼苗（品種KWS1676）在大棚內(nèi)培育，于5月中下旬移栽至試驗田內(nèi)，10月上旬收獲。

每個試驗小區(qū)面積大約50 m2，植株行距為50 cm，株距為25 cm。為進(jìn)一步研究氮素營養(yǎng)對甜菜光譜及生長發(fā)育的影響，試驗共設(shè)0、15、32、76、108、163和217 kg/hm2共7個氮肥水平，不同氮肥水平均設(shè)4次重復(fù)，隨機(jī)區(qū)組排列。試驗所用氮肥為普通尿素（碳酸二銨），且該肥料無緩釋作用。每個小區(qū)的磷肥和鉀肥用量分別為3.8 kg和1.2 kg。為保證對甜菜生長過程的連續(xù)觀測且測定參數(shù)不受施肥時間及施肥量的影響，試驗肥料均在甜菜移栽前一天做基肥一次性施用。

1.2 冠層圖像獲取與處理

1.2.1 冠層圖像獲取

分別于2014年6月23日（葉叢快速生長中期）、7月10日（葉叢快速生長后期）、7月25日（糖分增長中期）、8月17日（糖分增長后期）、8月30日（糖分積累前期）、9月15日（糖分積累中期）分6次采集甜菜冠層圖像，數(shù)碼相機(jī)型號為Canon EOS7D，分辨率為5 184×3 456像素。為盡量減小不同采樣時間光照強(qiáng)度差異對圖像質(zhì)量的影響，提高所拍攝圖像的可比性，選擇光線強(qiáng)烈且太陽高度角相對穩(wěn)定的12:00?14:00進(jìn)行圖像采集[22]。圖像采集時，相機(jī)距離甜菜冠層高度為 1.50 m，與地面成60°角[25]，相機(jī)設(shè)置為光圈優(yōu)先自動曝光模式，由相機(jī)自動控制快門速度和色彩平衡，并采用多點(diǎn)自動對焦，選擇相鄰 2×2株完整甜菜冠層作為拍攝對象，圖像采用JPEG格式存儲。每次每個小區(qū)采集1張樣本圖像，28個小區(qū)共采集28個樣本圖像，6次共采集到168個樣本圖像。本研究以華北地區(qū)常見甜菜品種（KWS1676）為研究對象，在赤峰市松山區(qū)太平地鎮(zhèn)進(jìn)行田間試驗，

1.2.2 冠層圖像處理

因葉片與背景灰度值差異明顯，故采用基于灰度值的閾值分割方法進(jìn)行圖像分割，依次對土壤、陰影葉和編號標(biāo)識板進(jìn)行分割，分割效果見圖1。

H（hue）、S（saturation）、I（intensity）通道圖像及其灰度直方圖顯示，土壤部分的色調(diào)信息與其他部分有顯著差別，且H通道灰度直方圖具有明顯的3個特征峰，故針對H通道選定合適的閾值進(jìn)行土壤分割，當(dāng)閾值為49時，可以較為準(zhǔn)確地劃分土壤信息（包括陰影部分的土壤）和其他圖像信息。考慮到圖像綠葉部分在整幅圖像中占很大比例，且圖像前景色與背景色的像素比值較大，鑒于上述灰度分布特點(diǎn)，本文利用最大間類方差法（Otsu閾值分割法）進(jìn)行陰影葉的分割，閾值設(shè)定為 112時能基本扣除陰影葉，且保留絕大多數(shù)亮葉，得到較為理想的分割效果。編號標(biāo)識板為白色，在圖像中所占像素比例較小，且其紅光R (redness intensity)、綠光G (greenness intensity) 和藍(lán)光B (blueness intensity)值較大，分析YCbCr顏色空間中各分量顏色通道圖像及其灰度直方圖發(fā)現(xiàn)，當(dāng)閾值選定為129時，利用Cb顏色通道能夠清晰分割出編號標(biāo)識區(qū)域。

經(jīng)圖像分割后得到只剩下目標(biāo)綠葉的彩色圖像，獲取圖像上各像素點(diǎn)的R、G、B平均值，并計算相應(yīng)的紅光標(biāo)準(zhǔn)化值NRI((normalized redness intensity)、綠光標(biāo)準(zhǔn)化值NGI(normalized greenness intensity)和藍(lán)光標(biāo)準(zhǔn)化值NBI(normalized blueness intensity)，各標(biāo)準(zhǔn)化值計算如下[23]

紅光標(biāo)準(zhǔn)化值：NRI=R/(R+G+B)

綠光標(biāo)準(zhǔn)化值：NGI=G/(R+G+B)

藍(lán)光標(biāo)準(zhǔn)化值：NBI=B/(R+G+B)

1.3 冠層氮素指標(biāo)測定

甜菜冠層圖像采集完成之后，及時將所取甜菜樣品整株密封保存帶回實驗室，摘取其全部葉片，在烘箱內(nèi)105 ℃下殺青30 min后，溫度調(diào)為80 ℃烘至質(zhì)量恒定粉碎，濃硫酸（98%）消煮后，凱氏定氮法[26]確定甜菜冠層LNC含量。

2 試驗與結(jié)果分析

2.1 不同施氮水平對甜菜冠層LNC的影響

分析甜菜各生育期在不同氮肥水平下的冠層LNC變化趨勢（圖2）發(fā)現(xiàn)，甜菜冠層LNC在葉叢快速生長中期和糖分增長后期相對較高，在整個生育期內(nèi)呈現(xiàn)最高-低-較高-低的變化態(tài)勢。分析認(rèn)為，甜菜生育前期氮素代謝旺盛，冠層氮素濃度則相對較高，隨著生育期的推進(jìn)，伴隨塊根膨大和糖分的積累，氮素代謝逐漸減弱且濃度逐漸降低。甜菜氮代謝在葉叢快速生長期最為旺盛，冠層的氮素占較大比例，全氮量占全株總氮量的85%～90%以上[27]，該時期適宜作為利用圖像處理技術(shù)進(jìn)行甜菜氮素營養(yǎng)監(jiān)測的關(guān)鍵時期。另外，各生育期的冠層 LNC基本在N4或N5氮肥水平下取得最大值，與不施氮（N0水平）相比，甜菜各生育期LNC最大增幅為11.46%、7.07%，2.82%，22.4%，23.81%和29.09%。

圖2 不同氮肥水平下甜菜冠層LNC值Fig.2 Beet canopy LNC under different nitrogen levels

2.2 顏色特征參數(shù)與甜菜冠層LNC相關(guān)性分析

以甜菜葉叢快速生長期為研究對象，依照常規(guī)敏感顏色參數(shù)分析方法[28]，擬對比 R、G、B、NRI、NGI、NBI、R-B、R/B、G+B、G/R共 10個顏色特征參數(shù)，以期確定比較適合作為甜菜氮素營養(yǎng)監(jiān)測的評價指標(biāo)。將冠層LNC的實際測定值分別與上述10個顏色特征參數(shù)進(jìn)行線性相關(guān)分析，以各顏色特征參數(shù)與冠層LNC相關(guān)系數(shù)的絕對值為評價指標(biāo)，各參數(shù)對甜菜冠層氮素營養(yǎng)表征差異見圖3。

圖3 顏色特征參數(shù)與甜菜冠層LNC的相關(guān)系數(shù)Fig.3 Correlation coefficients between color characteristic parameters and beet canopy LNC

圖3表明，在由數(shù)碼圖像獲得的甜菜冠層10個顏色特征參數(shù)中，復(fù)合參量G/R、NRI與冠層LNC的相關(guān)系數(shù)均在0.8左右，表現(xiàn)為極顯著線性相關(guān)（P＜0.01）。由此可見，上述2個復(fù)合參量對冠層LNC的表征力明顯優(yōu)于其他顏色特征參數(shù)，比較適宜作為甜菜氮素營養(yǎng)監(jiān)測的數(shù)字化指標(biāo)。

2.3 顏色特征參數(shù)調(diào)優(yōu)

基于上述10個顏色特征參數(shù)與冠層LNC相關(guān)性分析，發(fā)現(xiàn)顏色空間中單色分量對甜菜冠層LNC雖具備一定的表征力，但相對較弱，而復(fù)合參量的表現(xiàn)則更穩(wěn)定且更為顯著。然而單色分量對冠層LNC敏感性的差異會影響復(fù)合參量中各分量的貢獻(xiàn)度，因此，構(gòu)建甜菜表征冠層LNC的顏色特征參數(shù)，應(yīng)權(quán)衡RGB空間單色分量的復(fù)合權(quán)重，且需對各分量的權(quán)值進(jìn)行交互調(diào)優(yōu)及歸一化處理，進(jìn)而確定最佳權(quán)重組合?；谏鲜龇治觯狙芯繕?gòu)建了基礎(chǔ)調(diào)優(yōu)參數(shù)BOP（basic optimal parameter）和歸一化調(diào)優(yōu)參數(shù)NOP（normalized optimal parameter）。定義如下

式中 u1、v1、w1為 BOP各單色分量權(quán)值；u2、v2、w2為各標(biāo)準(zhǔn)歸一化分量權(quán)值。

調(diào)優(yōu)算法流程圖見圖4，調(diào)優(yōu)過程如下：

圖4 調(diào)優(yōu)算法流程圖Fig.4 Flow chart of optimization algorithm

1）反復(fù)測試單色分量權(quán)值范圍，確定BOP和NOP的系數(shù)分布區(qū)間范圍為[–2, 2]，系數(shù)絕對值大小表征其對應(yīng)顏色分量的貢獻(xiàn)度。

2）在[–2, 2]區(qū)間范圍內(nèi)，設(shè)定調(diào)優(yōu)步長為0.2，反復(fù)調(diào)整BOP系數(shù)u1、v1、w1與NOP系數(shù)u2、v2、w2。

3）將上述確定的組合參數(shù)與冠層 LNC進(jìn)行回歸分析，并計算各組合參數(shù)與冠層LNC的相關(guān)系數(shù)，構(gòu)建四維數(shù)組[u1v1w1r1]和[u2v2w2r2]，其中r1和r2分別表示BOP、NOP與冠層LNC的相關(guān)系數(shù)。

4）根據(jù)上述數(shù)組[u1v1w1r1]和[u2v2w2r2]，繪制變量關(guān)系變化的顏色分布圖。

數(shù)據(jù)分析結(jié)果表明，權(quán)重數(shù)組[u1v1w1]和[u2v2w2]分別取[1.4,–1.2,–0.2]和[1.6,–2,–1]時，調(diào)優(yōu)參數(shù) BOP、NOP與冠層LNC的相關(guān)系數(shù)最高，其值分別為0.83和0.82。由上述數(shù)組確定的調(diào)優(yōu)參數(shù)計算公式為：BOP=1.4R–1.2G–0.2B，NOP=1.6NRI–2NBI–NGI。

圖5a為調(diào)優(yōu)參數(shù)BOP與冠層LNC相關(guān)性隨系數(shù)矩陣[u1v1w1]變化分布圖，圖5b為調(diào)優(yōu)參數(shù)NOP與冠層LNC相關(guān)性隨系數(shù)矩陣[u2v2w2]變化分布。調(diào)優(yōu)參數(shù)BOP、NOP與冠層LNC相關(guān)性最高區(qū)域分別為：

圖5 BOP、NOP與冠層LNC相關(guān)性隨系數(shù)矩陣變化分布Fig.5 Correlation coefficient between BOP, NOP and canopy LNC with different coefficient matrix

2.4 甜菜冠層LNC預(yù)測模型及精度驗證

為定量研究敏感顏色參數(shù)對甜菜冠層LNC預(yù)測的準(zhǔn)確性，以甜菜氮素營養(yǎng)監(jiān)測的關(guān)鍵時期—葉叢快速生長期為研究對象，并建立冠層LNC預(yù)測模型且進(jìn)行精度驗證，每張圖像對應(yīng)的敏感顏色參數(shù)和冠層LNC實測值構(gòu)成一組有效樣本，該時期共采集到52組有效樣本。隨機(jī)選取38組樣本作為訓(xùn)練集，14組樣本作為驗證集。訓(xùn)練集和驗證集差異性分析結(jié)果表明，訓(xùn)練集冠層 LNC的平均值為29.73 g/kg，變異系數(shù)為18.18%，冠層LNC的變化范圍為19.37～39.95 g/kg；而測試集的平均值為28.72 g/kg，變異系數(shù)為 16.80%，冠層 LNC的變化范圍為 21.17～38.12 g/kg，訓(xùn)練集與測試集數(shù)據(jù)范圍基本相符，樣本劃分合理。利用2.2節(jié)常規(guī)方法下得到的敏感顏色參數(shù)G/R、NRI與甜菜冠層 LNC進(jìn)行線性回歸分析，并建立冠層LNC預(yù)測模型，再對比本文調(diào)優(yōu)參數(shù)BOP、NOP的分析結(jié)果并進(jìn)行冠層LNC模型的精度檢驗。以決定系數(shù)R2、均方根誤差 RMSE(root mean square error)和相對誤差RE(relative error)3個指標(biāo)來綜合考察模型的表現(xiàn)（表1）。

試驗數(shù)據(jù)分析結(jié)果表明，4個敏感顏色參數(shù)建立的冠層 LNC模型的預(yù)測值與實測值均達(dá)極顯著線性相關(guān)水平。常規(guī)參數(shù)G/R、NRI與冠層LNC實測值的相關(guān)系數(shù)分別為0.80和0.79，調(diào)優(yōu)參數(shù)BOP、NOP與冠層LNC實測值的相關(guān)系數(shù)分別為0.84和0.83，可見，三原色權(quán)值調(diào)優(yōu)方法確定的BOP、NOP兩個參數(shù)較常規(guī)參數(shù)在氮素營養(yǎng)預(yù)測方面表現(xiàn)出較為明顯的優(yōu)勢。冠層LNC預(yù)測模型的精度分析表明，BOP預(yù)測模型的決定系數(shù)R2、均方根誤差RMSE和RE分別為0.69、2.65和2.27%，NOP預(yù)測模型的R2、RMSE和RE分別為0.68、2.73和2.90%。綜上分析，BOP、NOP比常規(guī)敏感顏色參數(shù)G/R、NRI均保持了較高的決定系數(shù)及較穩(wěn)定的擬合精度，對甜菜冠層LNC反映較準(zhǔn)確，適宜于作為甜菜冠層葉片氮素營養(yǎng)監(jiān)測的數(shù)字化指標(biāo)。圖6為BOP、NOP甜菜冠層LNC預(yù)測模型的精度檢驗對比結(jié)果。

表1 不同敏感顏色參數(shù)預(yù)測模型及精度檢驗Table 1 Regression models of different sensitive color parameters and accuracy test

圖6 BOP、NOP甜菜冠層LNC預(yù)測模型的精度檢驗對比Fig.6 Comparison of accuracy for BOP and NOP prediction model of beet canopy LNC

3 討 論

由于不同氮肥水平下甜菜冠層LNC存在一定程度的差異（圖 2），使得葉片內(nèi)部化學(xué)和物理性狀產(chǎn)生分異，進(jìn)而影響冠層葉片對光的反射、吸收和透射，致使不同氮含量葉片的光譜特性表現(xiàn)各異，這就為利用冠層顏色信息預(yù)測甜菜葉片氮含量提供了理論依據(jù)。此外，各生育期甜菜冠層 LNC 基本均在 N4(108 kg/hm2)，N5(163 kg/hm2)氮肥水平下取得最大值，隨施氮水平的升高基本呈現(xiàn)單峰變化趨勢，這與侯云鵬等[29]、景立權(quán)等[30]分別對小麥和玉米的研究結(jié)果存在共性。可見，在一定范圍內(nèi)增施氮肥有利于營養(yǎng)吸收，促進(jìn)植株生長發(fā)育；過量施氮則可能造成營養(yǎng)過剩，甚至改變根區(qū)土壤微環(huán)境，反而不利于作物營養(yǎng)代謝，從而影響植株營養(yǎng)的吸收利用。

敏感顏色參數(shù)直接影響作物營養(yǎng)監(jiān)測的精確度，而多數(shù)研究是從常見顏色特征參數(shù)中選擇應(yīng)用效果較好的參數(shù)作為敏感顏色參數(shù)，如Saberioon等[31]分析對比了R、G、B等27個顏色特征參數(shù)與水稻葉片SPAD值的相關(guān)系數(shù)，發(fā)現(xiàn)參數(shù)G、IKAW((R-B)/(R+B))與葉片SPAD值均表現(xiàn)出較高的相關(guān)性，2個敏感顏色參數(shù)確立葉片SPAD預(yù)測模型的決定系數(shù)R2分別為0.56和0.55。本文依據(jù)常規(guī)方法選取G/R和NRI作為敏感顏色參數(shù)，常規(guī)較優(yōu)參數(shù)G/R確立冠層LNC預(yù)測模型的R2和RMSE分別為0.64和3.49，而調(diào)優(yōu)參數(shù)BOP確立冠層LNC預(yù)測模型的R2、RMSE和RE分別為0.69、2.27和2.65，3項模型評價指標(biāo)均優(yōu)于 G/R預(yù)測模型。由此可見，調(diào)優(yōu)算法可實現(xiàn)作物敏感顏色參數(shù)自動尋優(yōu)，具有較強(qiáng)的普適性，可推廣為一般常規(guī)作物敏感顏色參數(shù)的提取方法。

雖然利用數(shù)碼相機(jī)作為近地遙感工具監(jiān)測作物氮素營養(yǎng)狀況具有較高的可行性，但圖像閾值分割的精度是影響作物氮素監(jiān)測的重要因素。作物冠層圖像中存在土壤、陰影等干擾信息，同時光線及周圍環(huán)境等因素對圖像質(zhì)量也有影響，所以很難找到一種通用的圖像分割方法能夠一次性去除全部干擾信息，這也是未來進(jìn)行作物營養(yǎng)診斷需要解決的重要問題。此外，數(shù)字圖像處理技術(shù)的應(yīng)用基礎(chǔ)是土壤和植物冠層對光的吸收、反射與折射，因此，為得到規(guī)律性和普適性更強(qiáng)的作物氮素營養(yǎng)診斷結(jié)果，需要結(jié)合傳統(tǒng)土壤測試和植株測試進(jìn)行深入研究。

4 結(jié) 論

本文以不同氮肥水平下甜菜冠層為研究對象，應(yīng)用數(shù)碼相機(jī)獲取冠層圖像，開展基于顏色特征參數(shù)的冠層LNC（leaf nitrogen content）監(jiān)測研究，得到以下結(jié)論：

1）甜菜冠層 LNC在整個生育期大致呈現(xiàn)先高后低的規(guī)律，且以葉叢快速生長中期含量最高。各生育期甜菜冠層LNC基本均在N4(108 kg/hm2)和N5(163 kg/hm2)氮肥水平下取得最大值。

2）定量分析了單色分量對冠層LNC監(jiān)測的貢獻(xiàn)度，提出了三原色權(quán)值調(diào)優(yōu)方法，探明了構(gòu)建表征作物營養(yǎng)狀況顏色特征參數(shù)的一般規(guī)律，為數(shù)字圖像處理技術(shù)在作物營養(yǎng)無損監(jiān)測方面提供一定的理論方法。

3）采用常規(guī)方法選取的敏感顏色參數(shù) G/R、NRI(R/(R+G+B))與冠層 LNC的相關(guān)系數(shù)分別為 0.80和0.79，三原色權(quán)值調(diào)優(yōu)方法確定的調(diào)優(yōu)參數(shù) BOP（basic optimal parameter）、NOP（normalized optimal parameter）與冠層LNC的相關(guān)系數(shù)分別為0.84和0.83，算法優(yōu)化后提高了顏色參數(shù)與冠層LNC的相關(guān)性。模型精度檢驗結(jié)果表明，調(diào)優(yōu)參數(shù)BOP、NOP建立模型的預(yù)測精度均高于常規(guī)參數(shù)G/R、NRI，BOP預(yù)測模型的決定系數(shù)R2和均方根誤差RMSE(root mean square error)分別為0.69和2.65，NOP預(yù)測模型的R2和RMSE分別為0.68和2.73。綜上所述，調(diào)優(yōu)參數(shù)BOP、NOP比常規(guī)方法下所得的G/R、NRI均保持了較高的決定系數(shù)及較穩(wěn)定的擬合精度，對甜菜冠層LNC反映較準(zhǔn)確，適宜于作為甜菜冠層葉片氮素營養(yǎng)監(jiān)測的數(shù)字化指標(biāo)。

[1] 魏全全，李嵐?jié)?，任濤，? 基于數(shù)字圖像技術(shù)的冬油菜氮素營養(yǎng)診斷[J]. 中國農(nóng)業(yè)科學(xué)，2015，48(19)：3877－3886.Wei Quanquan, Li Lantao, Ren Tao, et al. Diagnosing nitrogen nutrition status of winter rapeseed via digital Image processing technique[J]. Scientia Agricultura Sinica, 2015,48(19): 3877－3886. (in Chinese with English abstract)

[2] 李嵐?jié)羯魄?，任濤，? 基于高光譜的冬油菜植株氮素積累量監(jiān)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(14)：209－218.Li Lantao, Wang Shanqin, Ren Tao, et al. Evaluating models of leaf phosphorus content of winter oilseed rape based on hyperspectral data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(14): 209－218. (in Chinese with English abstract)

[3] Adan M L, Enrique R G, Alfredo L H, et al. Nitrogen determination on tomato (Lycopersicon esculentum Mill.)seedlings by color image analysis[J]. African Journal of Biotechnology, 2009, 9(33): 5326－5332.

[4] 劉艷春，樊明壽. 應(yīng)用葉綠素儀SPAD-502進(jìn)行馬鈴薯氮素營養(yǎng)診斷的可行性[J]. 中國馬鈴薯，2012，26(1)：45－48.Liu Yanchun, Fan Mingshou. Application feasibility of SPAD-502 in diagnosis of potato nitrogen nutrient status[J]. Chinese Potato Journal, 2012, 26(1): 45－48. (in Chinese with English abstract)

[5] 袁媛，陳雷，李淼，等. 基于數(shù)字圖像技術(shù)的黃瓜缺氮營養(yǎng)診斷[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報，2016，21(12)：35－40.Yuan Yuan, Chen Lei, Li Miao, et al. Diagnosis of nitrogen nutrition of cucumber based on digital image process in technique[J]. Journal of China Agricultural University, 2016,21(12): 35－40. (in Chinese with English abstract)

[6] 夏文豪，劉濤，關(guān)鈺，等. 硝酸鹽反射儀和 SPAD 法對玉米氮素營養(yǎng)診斷的比較[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報，2016，24(10)：1339－1346.Xia Wenhao, Liu Tao, Guan Yu, et al. Comparison of RQ flex and SPAD methods of diagnosing maize (Zea mays) nitrogen nutrient[J]. Chinese Journal of Eco-Agriculture, 2016, 24(10):1339－1346. (in Chinese with English abstract)

[7] Lin Fengfang, Qiu Lefeng, Deng Jingsong, et al. Investigation of SPAD meter-based indices for estimating rice nitrogen status[J]. Computers and Electronics in Agriculture, 2010,71(Suppl.1): 60－65.

[8] 劉雪峰，呂強(qiáng)，何紹蘭，等. 柑橘植株冠層氮素和光合色素含量近地遙感估測[J]. 遙感學(xué)報，2015，19(6)：1007－1018.Liu Xuefeng, Lü Qiang, He Shaolan, et al. Estimation of nitrogen and pigments content in citrus canopy by low-altitude remote sensing[J]. Journal of Remote Sensing, 2015, 19(6):1007－1018. (in Chinese with English abstract)

[9] 王樹文，趙越，王麗鳳，等. 基于高光譜的寒地水稻葉片氮素含量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(20)：187－194.Wang Shuwen, Zhao Yue, Wang Lifeng, et al. Prediction for nitrogen content of rice leaves in cold region based on hyperspectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(20): 187－194. (in Chinese with English abstract)

[10] 孫俊，金夏明，毛罕平，等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(10)：167－173.Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 167－173. (in Chinese with English abstract)

[11] 李粉玲，常慶瑞，申健，等. 基于 GF-1衛(wèi)星數(shù)據(jù)的冬小麥葉片氮含量遙感估算[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(9)：157－164.Li Fenling, Chang Qingrui, Shen Jian, et al. Remote sensing estimation of winter wheat leaf nitrogen content based on GF-1 satellite data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016,32(9): 157－164. (in Chinese with English abstract)

[12] 高金龍，孟寶平，楊淑霞，等. 基于 HJ-1A 衛(wèi)星數(shù)據(jù)的高寒草地氮素評估—以青海省貴南縣及瑪沁縣高寒草地為例[J]. 草業(yè)學(xué)報，2016，25(10)：11－20.Gao Jinlong, Meng Baoping, Yang Shuxia, et al. Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing[J]. Acta Prataculturae Sinica, 2016, 25(10): 11－20. (in Chinese with English abstract)

[13] 秦占飛，常慶瑞，謝寶妮，等. 基于無人機(jī)高光譜影像的引黃灌區(qū)水稻葉片全氮含量估測[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(23)：77－85.Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77－85. (in Chinese with English abstract)

[14] 賈彪，馬富裕. 基于機(jī)器視覺的棉花氮素營養(yǎng)診斷系統(tǒng)設(shè)計與試驗[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2016，47(3)：305－310.Jia Biao, Ma Fuyu. Design and experiment of nitrogen nutrition diagnosis system of cotton based on machine vision[J].Transactions of the Chinese Society for Agricultural Machinery,2016, 47(3): 305－310. (in Chinese with English abstract)

[15] 王娟，危常州，王肖娟，等. 采用灰板校正的計算機(jī)視覺預(yù)測棉花葉綠素含量[J]. 農(nóng)業(yè)工程學(xué)報，2013，29(24)：173－180.Wang Juan, Wei Changzhou, Wang Xiaojuan, et al. Estimation of chlorophyll contents in cotton leaves using computer vision based on gray board[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2013, 29(24): 173－180. (in Chinese with English abstract)

[16] Rorie R L, Purcell L C, Mozaffari M, et al. Association of"greenness" in corn with yield and leaf nitrogen concentration[J].Agronomy Journal, 2011, 103(2): 529－535.

[17] 陳佳悅，姚霞，黃芬，等. 基于圖像處理的冬小麥氮素監(jiān)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2016，32(4)：163－170.Chen Jiayue, Yao Xia, Huang Fen, et al. N status monitoring model in winter wheat based on image processing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(4): 163－170. (in Chinese with English abstract)

[18] Jia Liangliang, Chen Xinping, Zhang Fusuo, et al. Use of digital camera to assess nitrogen status of winter wheat in the northern China plain[J]. Journal of Plant Nutrition, 2007,27(3): 441－450.

[19] 李紅軍，張立周，陳曦鳴，等. 應(yīng)用數(shù)字圖像進(jìn)行小麥氮素營養(yǎng)診斷中圖像分析方法的研究[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報，2011，19(1)：155－159.Li Hongjun, Zhang Lizhou, Chen Ximing, et a1. Image analysis method in application of digital image on diagnosing wheat nitrogen status[J]. Chinese Journal of Eco-Agriculture,2011, 19(1): 155－159. (in Chinese with English abstract)

[20] Williams J D, Kitchen N R, Scharf P C. Within-field nitrogen response in corn related to aerial photograph color[J].Precision Agriculture, 2010, 11(11): 291－305.

[21] 白金順，曹衛(wèi)東，熊靜，等. 應(yīng)用數(shù)碼相機(jī)進(jìn)行綠肥翻壓后春玉米氮素營養(yǎng)診斷和產(chǎn)量預(yù)測[J]. 光譜學(xué)與光譜分析，2013，33(12)：3334－3338.Bai Jinshun, Cao Weidong, Xiong Jing, et al. Nitrogen status diagnosis and yield prediction of spring maize after green manure incorporation by using a digital camera[J]. Spectroscopy and Spectral Analysis, 2013, 33(12): 3334－3338. (in Chinese with English abstract)

[22] 王遠(yuǎn)，王德建，張剛，等. 基于數(shù)碼相機(jī)的水稻冠層圖像分割及氮素營養(yǎng)診斷[J]. 農(nóng)業(yè)工程學(xué)報，2012，28(17)：131－136.Wang Yuan, Wang Dejian, Zhang Gang, et a1. Digital camerabased image segmentation of rice canopy and diagnosis of nitrogen nutrition[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012,28(17): 131－136. (in Chinese with English abstract)

[23] 李嵐?jié)瑥埫?，任? 應(yīng)用數(shù)字圖像技術(shù)進(jìn)行水稻氮素營養(yǎng)診斷[J]. 植物營養(yǎng)與肥料學(xué)報，2015，21(1)：259－268.Li Lantao, Zhang Meng, Ren Tao. Diagnosis of N nutrition of rice using digital image processing technique[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(1): 259－268. (in Chinese with English abstract)

[24] Lee K J, Lee B W. Estimation of rice growth and nitrogen nutrition status using color digital camera image analysis [J].European Journal of Agronomy, 2013, 48(6): 57－65.

[25] 張立周，侯曉宇，張玉銘，等. 數(shù)字圖像診斷技術(shù)在冬小麥氮素營養(yǎng)診斷中的應(yīng)用[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報，2011，19(5)：1168－1174.Zhang Lizhou, Hou Xiaoyu, Zhang Yuming, et al. Diagnosis of the state of N in wheat via digital image processing technique[J].Chinese Journal of Eco-Agriculture, 2011, 19(5): 1168－1174. (in Chinese with English abstract)

[26] 魯長豪，許春向，傅世全，等. 食品理化檢驗學(xué)[M]. 北京：人民衛(wèi)生出版社，1993：49－51.

[27] 邵金旺，蔡葆，張家驊. 甜菜生理學(xué)[M]. 北京：農(nóng)業(yè)出版社，1991：1－2，184－189，220－222.

[28] 秦小立，葉露，李玉萍，等. 基于圖像處理的作物營養(yǎng)診斷研究進(jìn)展[J]. 熱帶農(nóng)業(yè)科學(xué)，2016，36(9)：101－108.Qin Xiaoli, Ye Lu, Li Yuping, et al. Advances in research on crop nutrient diagnosis based on image processing[J]. Chinese Journal of Tropical Agriculture, 2016, 36(9): 101－108. (in Chinese with English abstract)

[29] 侯云鵬，韓立國，孔麗麗，等. 不同施氮水平下水稻的養(yǎng)分吸收、轉(zhuǎn)運(yùn)及土壤氮素平衡[J]. 植物營養(yǎng)與肥料學(xué)報，2015，21(4)：836－845.Hou Yunpeng, Han Liguo, Kong Lili, et al. Nutrient absorption,translocation in rice and soil nitrogen equilibrium under different nitrogen application doses[J]. Journal of Plant Nutrition and Fertilizer, 2015, 21(4): 836－845. (in Chinese with English abstract)

[30] 景立權(quán)，趙福成，王德成，等. 不同施氮水平對超高產(chǎn)夏玉米氮磷鉀積累與分配的影響[J]. 作物學(xué)報，2013，39(8)：1478－1490.Jing Liquan, Zhao Fucheng, Wang Decheng, et al. Effects of nitrogen application on accumulation and distribution of nitrogen, phosphorus, and potassium of summer maize under super-high yield conditions[J]. Acta Agronomica Sinica,2013, 39(8): 1478－1490. (in Chinese with English abstract)

[31] Saberioon M M, Amin M S, Aimrun W, et al. Assessment of color indices derived from conventional digital camera for determining nitrogen status in rice plants[J], Journal of Food,Agriculture &Environment, 2013, 11(2): 655－662.