摘要：以商薯19和心香 2個甘薯（Ipomoea batatas）品種為試驗材料，通過設置不同梯度鉀素處理測定葉片的光譜反射率，分別構建基于比值植被指數(shù)（RVI）的甘薯葉片鉀含量和鉀營養(yǎng)指數(shù)預測模型。結果表明，RVI與葉片鉀含量構建的線性模型表明，RVI（R1 598 nm，R1 771 nm）對甘薯葉片鉀含量的預測精度較高，回歸方程為y=58.601 0x-58.446（R2=0.741 4，RMSE=0.83），采用驗證數(shù)據(jù)對線性模型進行檢驗，模型對不同鉀肥水平處理下的甘薯葉片鉀含量具有較好的預測能力（R2=0.732 4，RMSE=0.85）；RVI與鉀營養(yǎng)指數(shù)構建的線性模型表明，RVI（R700 nm，R1 385 nm）對甘薯葉片鉀營養(yǎng)指數(shù)的預測精度較高，回歸方程為y=6.032 9x-0.833（R2=0.768 8，RMSE=0.15），采用驗證數(shù)據(jù)對線性模型進行檢驗，模型對不同鉀肥水平處理下的甘薯葉片鉀營養(yǎng)指數(shù)具有較好的預測能力（R2=0.639 5，RMSE=0.20）；利用RVI能夠較好監(jiān)測與診斷甘薯鉀素營養(yǎng)。

關鍵詞：甘薯（Ipomoea batatas）；光譜；反射率；鉀素營養(yǎng)；監(jiān)測；診斷

中圖分類號：S531" " " " "文獻標識碼：A

文章編號：0439-8114（2024）08-0257-05

DOI：10.14088/j.cnki.issn0439-8114.2024.08.043 開放科學（資源服務）標識碼（OSID）：

Monitoring and diagnosis of potassium nutrition in Ipomoea batatas leaves"based on spectral reflectivity

LU Yan-jun1， WANG Xu-wei2， HU Ji-jie2， CHEN Shao-jie2， CHEN Yu3， LYU Zun-fu4

（1. Lin’an District Agricultural and Forestry Technology Promotion Center， Hangzhou" 311399，China； 2. Ningbo Agricultural Technology Promotion Station， Ningbo" 315042，Zhejiang，China； 3 Lin’an District Science and Technology Bureau of Hangzhou City， Hangzhou" 311302，China；4. College of Advanced Agricultural Sciences/Key Laboratory of Agricultural Product Quality Improvement Technology in Zhejiang Province， Zhejiang Aamp;F University，Hangzhou" 311300，China）

Abstract： Two Ipomoea batatas varieties， Shangshu 19 and Xinxiang， were used as experimental materials. By setting different gradient potassium treatments to determine the spectral reflectance of leaves， Ipomoea batatas leaves potassium content and potassium nutrient index prediction models were constructed based on the ratio vegetation index （RVI）. The results showed that the linear model constructed by RVI and potassium content in leaves showed that RVI （R1 598 nm， R1 771 nm） had a high prediction accuracy for potassium content in Ipomoea batatas leaves，the regression equation was y=58.601 0x-58.446（R2=0.741 4， RMSE=0.83），using validation data to test the linear model， the model showed good predictive ability for potassium content in Ipomoea batatas leaves under different potassium fertilizer levels （R2=0.732 4， RMSE=0.85）；the linear model constructed by RVI and potassium nutrition index indicated that RVI （R700 nm， R1 385 nm） had a high prediction accuracy for the potassium nutrition index of Ipomoea batatas leaves，the regression equation was y=6.032 9x-0.833 （R2=0.768 8， RMSE=0.15），using validation data to test the linear model， the model showed good predictive ability for the potassium nutrient index of Ipomoea batatas leaves under different potassium fertilizer levels （R2=0.639 5，RMSE=0.20）；the use of RVI could effectively monitor and diagnose potassium nutrition in Ipomoea batatas.

Key words： Ipomoea batatas； spectral； reflectivity； potassium nutrition； monitoring； diagnosis

甘薯（Ipomoea batatas）的營養(yǎng)價值和在保障糧食安全上表現(xiàn)出巨大的潛力，也是世界上重要的糧食、飼料及工業(yè)原料［1］，中國是世界上最大的甘薯生產(chǎn)國，占世界總產(chǎn)量的85%。近年來，面對異常的氣候變化，甘薯生產(chǎn)受到越來越嚴峻的考驗，如何進一步提高甘薯產(chǎn)量和品質以應對氣候變化，對保障糧食安全具有重要意義［2］。氮（N）、磷（P）和鉀（K）是決定產(chǎn)量和品質的主要肥料，其中鉀的需求量較多［3］，鉀與許多酶、光合作用和蛋白質以及淀粉合成過程密切相關，葉細胞中的鉀濃度參與調節(jié)葉氣孔的打開和關閉并促進作物生長，還能影響植物的水勢。此外，鉀還有助于提高抗倒伏性和抗病性，并參與許多影響作物品質的代謝過程［4］。

作為喜鉀作物，甘薯鉀含量評價是精準調控鉀肥的前提，對甘薯鉀含量評價尚缺乏比較簡便的技術或方法，目前比較通用的是光譜監(jiān)測技術［5］。通常認為，光譜的變化可以反映作物多種生理生化狀態(tài)，在可見光-近紅外波段［6］，作物反射光譜存在明顯的變化［7］，表現(xiàn)為反射、吸收特征，它們分別源自葉綠素的電子躍遷、蛋白質、水和其他成分中O—H、N—H鍵彎曲和伸展振動［8］。基于光譜技術的鉀素營養(yǎng)診斷技術在小麥［9］、大豆［10］、番茄［11］等作物上均有報道，南京農(nóng)業(yè)大學曹衛(wèi)星團隊的研究發(fā)現(xiàn)，水稻葉片的光譜反射率和短波紅外（1 300～2 000 nm）區(qū)域對鉀含量敏感，且與水稻葉片的鉀含量（LKC）顯著相關［4］。Wang等［12］利用高光譜成像技術結合化學計量學來預測5個品種茶樹葉片中的磷和鉀含量，數(shù)據(jù)分析結果顯示標準正態(tài)變量（Standard normal variate，SNV）在預測磷和鉀含量方面表現(xiàn)出比其他模型更好的模型性能。通過葉片光譜來反演作物的營養(yǎng)狀態(tài)已有研究，Guo等［13］基于高光譜和植被指數(shù)對蘋果葉片鉀含量進行了反演，利用差異植被指數(shù)（Difference vegetation index，DVI）建立隨機森林回歸模型來反演蘋果葉片鉀含量，取得了良好的效果，決定系數(shù)（R2）為0.899 5，均方根誤差（RMSE）和相對誤差（RE）分別為0.079 1和0.061 7。前人研究表明，基于光譜及植被指數(shù)反演作物葉片鉀營養(yǎng)狀況的方法是可行的，但是基于光譜技術的甘薯鉀素營養(yǎng)監(jiān)測與診斷方面研究較少。因此，本研究的目標為篩選甘薯鉀素營養(yǎng)狀況的核心波段，實現(xiàn)甘薯葉片鉀素含量、鉀營養(yǎng)指數(shù)的遙感反演，最終實現(xiàn)對甘薯鉀素營養(yǎng)的精準監(jiān)測與診斷。

1 材料與方法

1.1 田間試驗設計

本研究于2018年、2022年在浙江農(nóng)林大學試驗田（30°25′N，119°30′E）開展試驗。田間試驗包含2個甘薯品種，分別為心香和商薯19，采用隨機區(qū)組試驗設計，設置5個處理（K0、K1、K2、K3、K4），各處理對應的鉀素施用量分別為0、75、150、225、300 kg/hm2，2018年鉀素處理用于模型構建，2022年試驗用于模型檢驗。

試驗1：分別于2018年6月8日、6月21日、7月6日、7月20日、8月9日5個時間進行田間取樣，9月1日收獲。

試驗2：分別于2022年7月6日、7月22日、8月2日、8月16日、8月30日5個時間進行田間取樣，9月10日收獲。

鉀肥試驗中，不同處理施用相同的氮肥和磷肥（120 kg/hm2純氮，80 kg/hm2 P2O5），50%鉀肥用于基肥，50%的鉀肥用作追肥。土壤為沙壤土，全氮含量為0.81 g/kg，有效磷含量為42 mg/kg，速效鉀含量為74 mg/kg。株、行距分別為0.2 m和1 m，其他栽培管理措施同一般大田。

1.2 數(shù)據(jù)測定

1.2.1 光譜測定與分析 試驗1數(shù)據(jù)用于建立葉片鉀素營養(yǎng)的監(jiān)測模型，分別于6月8日、6月21日、7月6日、7月20日、8月9日5個時間段進行田間取樣，共計50個樣本（2個品種×5個鉀素處理×5次取樣），主要測定甘薯葉片光譜反射率、葉片干物重、葉片鉀含量等指標。試驗2數(shù)據(jù)也取50個樣本，用于模型檢驗。甘薯葉片光譜反射率測定采用美國Analytical Spectral Device（ASD）公司生產(chǎn)的FieldSpec Pro FR2500型背掛式野外高光譜輻射儀［14］，其儀器測定波段為350～2 500 nm，其中350～1 000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1 000～2 500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm［15］，儀器直接輸出間隔為1 nm的光譜反射率數(shù)據(jù)［16］。每次取樣先測定甘薯葉片光譜反射率，再測定葉片鉀含量。

作物在不同生長發(fā)育時期表現(xiàn)出不同的形態(tài)生理特征，光譜反射率也表現(xiàn)出特異性，作物對不同波段有著不同的反射率［17-20］。本研究使用ViewspecPro v6.0軟件對光譜數(shù)據(jù)進行平滑處理。植被指數(shù)通常被用于研究特定的植物表型［21，22］，為了探明與鉀素營養(yǎng)密切相關的植被指數(shù)，本研究采用多種植被指數(shù)（表1）建立葉片鉀濃度光譜監(jiān)測模型。

1.2.2 測定葉片鉀含量 在進行光譜數(shù)據(jù)處理后，將每個樣品的葉片收集起來，裝入樣品袋并標注日期、品種、處理。隨后將所有樣品袋放入烘箱，初始溫度為120 ℃，殺青完畢后，將溫度降至80 ℃。烘干后測定葉片干重，進而計算單位土地面積的葉片干重，葉片試樣經(jīng)硫酸-過氧化氫消煮，稀釋后用火焰光度法測定甘薯葉片的鉀含量。

1.2.3 計算葉片鉀營養(yǎng)指數(shù) 葉片臨界鉀濃度是指收獲葉片最大生物量所需要的最低鉀濃度，是根據(jù)鉀濃度稀釋模型計算而得的，計算公式如下。

Kc=a×LDM-b " （5）

式中，Kc為甘薯葉片臨界鉀濃度；LDM為甘薯葉片干物質積累量；a、b均為參數(shù)，a為葉片干物質為1 t/hm2時的臨界鉀濃度［23］，b為控制此模型斜率的統(tǒng)計參數(shù)［24，25］。

鉀營養(yǎng)指數(shù)（KNI）基于該模型構建，鉀營養(yǎng)指數(shù)是判定作物體內鉀營養(yǎng)狀況的指標之一，計算公式如下。

KNI=Kt/Kc" " " " （6）

式中，Kt為葉片鉀濃度的實際測量值；Kc為同樣情況下根據(jù)臨界鉀模型計算的臨界鉀濃度。

1.3 數(shù)據(jù)分析

1.3.1 波段的選取 首先，使用MATLAB以1 nm為單位從350～2 500 nm構建任意兩波段的比值植被指數(shù)，再構建線性模型，通過MATLAB軟件獲得線性模型決定系數(shù)的等勢線［26］。

1.3.2 模型的構建及驗證 本研究采用試驗1數(shù)據(jù)建立葉片鉀素營養(yǎng)的監(jiān)測模型，通過MATLAB軟件構建任意兩波段的比值植被指數(shù)與葉片鉀含量、鉀營養(yǎng)指數(shù)之間的關系［20］，構建葉片鉀含量、鉀營養(yǎng)指數(shù)預測模型，并計算R2和RMSE。試驗2獲取的數(shù)據(jù)用于模型檢驗，使用回歸方程計算預測值，與實測值構建1∶1模型，并計算R2和RMSE［27］。

2 結果與分析

2.1 不同鉀處理下的甘薯葉片光譜反射率

采用ViewspecPro v6.0軟件讀取甘薯葉片樣本的光譜數(shù)據(jù)，圖1為不同鉀肥水平處理下甘薯葉片光譜反射率平均值的動態(tài)變化，甘薯葉片在波長400～680 nm時光譜反射率較低，在波長680 nm時光譜反射率到達了最低值，在波長680～750 nm時光譜反射率快速升高，在波長750～1 350 nm時光譜反射率趨于穩(wěn)定，在波長1 350～2 500 nm時光譜反射率呈波動下降趨勢。由此可以推斷，葉片鉀素營養(yǎng)所關聯(lián)的鉀素波長主要在1 350 nm以上。

2.2 甘薯葉片鉀含量變化

由圖2可知，隨著甘薯不同生育期的表型變化，葉片鉀含量均呈下降趨勢，在同一個取樣日，高鉀處理的葉片鉀含量均明顯高于低鉀處理和不施鉀處理的葉片鉀含量，說明增施的鉀肥被甘薯吸收，且甘薯葉片鉀含量與增施的鉀肥濃度保持一致。此外，2個甘薯品種葉片鉀含量均與施鉀量呈正相關關系。葉片鉀含量從移栽后39 d逐漸降低，在移栽后123 d達到最低，心香、商薯19葉片鉀含量分別為3.01%～5.91%和3.03%～5.85%，2個甘薯品種葉片鉀含量變化趨勢基本一致。

2.3 甘薯葉片鉀含量監(jiān)測模型構建

分析試驗1數(shù)據(jù)，相比其他植被指數(shù)，比值植被指數(shù)對鉀含量的反演效果最好，圖3為利用甘薯葉片在波長350～2 500 nm范圍內任意兩波段組合的比值植被指數(shù)與鉀含量構建的線性模型的決定系數(shù)（R2）得到的等勢線圖，甘薯葉片鉀含量的核心波段集中在750～950 nm、1 550～1 800 nm的區(qū)域。

進一步分析得知，在甘薯葉片比值植被指數(shù)所確定的核心波段范圍中，1 598 nm和1 771 nm 2個波長建立的甘薯葉片鉀含量模型綜合表現(xiàn)較好。選取1 598 nm和1 771 nm 2個波長建立甘薯葉片比值植被指數(shù)與鉀含量的定量關系模型（圖4a），該模型方程為y=58.601 0x-58.446（R2=0.741 4，RMSE=0.83）。采用試驗2數(shù)據(jù)對線性模型進行驗證，結果（圖4b）表明，模型對不同鉀肥水平處理下的甘薯葉片鉀含量具有較好的預測能力（R2=0.732 4，RMSE=0.85）。

2.4 甘薯葉片鉀營養(yǎng)指數(shù)監(jiān)測模型構建

圖5為利用甘薯葉片在波長350～2 500 nm范圍內任意兩波段組合的比值植被指數(shù)與鉀營養(yǎng)指數(shù)構建的線性模型決定系數(shù)（R2）得到的等勢線圖。甘薯鉀營養(yǎng)指數(shù)的核心波段范圍集中在520～720 nm、" "1 200～1 850 nm。其中以700 nm和1 385 nm光譜反射率構建的比值植被指數(shù)（R700 nm，R1 385 nm）和鉀營養(yǎng)指數(shù)的關系最優(yōu)。

選取700 nm和1 385 nm 2個波長建立甘薯葉片比值植被指數(shù)與鉀營養(yǎng)指數(shù)的定量關系模型（圖6a），模型方程為y =6.032 9x-0.833（R2=0.768 8，RMSE=0.15）。采用試驗2數(shù)據(jù)對線性模型進行驗證，結果（圖6b）表明，模型對不同鉀肥水平處理下的甘薯葉片鉀營養(yǎng)指數(shù)也具有較好的預測能力（R2=0.639 5，RMSE=0.20）。

鉀營養(yǎng)指數(shù)作為判定作物體內鉀營養(yǎng)狀況的指標，不僅可實時診斷作物不同生長階段的鉀素營養(yǎng)狀況，還可以量化作物受到的鉀脅迫強度。當鉀營養(yǎng)指數(shù)小于1，比值植被指數(shù)小于0.303 8時，表示甘薯葉片鉀營養(yǎng)不良；當鉀營養(yǎng)指數(shù)等于1，比值植被指數(shù)等于0.303 8時，表示甘薯葉片鉀營養(yǎng)適中；當鉀營養(yǎng)指數(shù)大于1，比值植被指數(shù)大于0.303 8時，表示甘薯葉片鉀營養(yǎng)過量。

3 小結與討論

本研究確定了甘薯葉片鉀素含量和鉀營養(yǎng)指數(shù)的光譜監(jiān)測核心波段，并構建了基于比值植被指數(shù)的甘薯葉片鉀含量和鉀營養(yǎng)指數(shù)預測模型，結果表明，通過光譜和植被指數(shù)監(jiān)測甘薯葉片鉀含量和鉀營養(yǎng)指數(shù)是一種非破壞性且有效的方法，該方法可用于甘薯葉片鉀營養(yǎng)監(jiān)測診斷。

比值植被指數(shù)與葉片鉀含量構建的線性模型表明，比值植被指數(shù)（R1 598 nm，R1 771 nm）對甘薯葉片鉀含量的預測精度較高，回歸方程為y=58.601 0x- 58.446（R2=0.741 4，RMSE=0.83），采用試驗2數(shù)據(jù)對線性模型進行驗證，模型對不同鉀肥水平處理下的甘薯葉片鉀含量具有較好的預測能力（R2=0.732 4，RMSE=0.85）；比值植被指數(shù)與鉀營養(yǎng)指數(shù)構建的線性模型表明，比值植被指數(shù) （R700 nm，R1 385 nm）對甘薯葉片鉀營養(yǎng)指數(shù)的預測精度較高，回歸方程為y = 6.032 9x-0.833（R2=0.768 8，RMSE=0.15），采用試驗2數(shù)據(jù)對線性模型進行驗證，模型對不同鉀肥水平處理下的甘薯葉片鉀營養(yǎng)指數(shù)具有較好的預測能力（R2=0.639 5，RMSE=0.20）。通過葉片光譜來反演作物的營養(yǎng)狀態(tài)已有研究，鄧海龍等［28］研究了紅富士蘋果葉片全鉀含量與高光譜反射率之間的關系，該研究在分析蘋果葉片原始光譜和一階導數(shù)光譜特征的基礎上，確定了基于928 nm和1 081 nm波長原始光譜反射率的蘋果葉片鉀素含量最佳預測模型。Lu等［29］發(fā)現(xiàn)比值植被指數(shù)（R1 385 nm，R1 705 nm）與水稻葉片鉀含量有很好的相關性。喬欣等［30］發(fā)現(xiàn)波長660 nm和1 450 nm處的吸收深度與大豆鉀素水平具有顯著相關性，與本研究的預測波段相似。在缺鉀時甘薯葉片的在近紅外波段反射率比正常葉片高［31］。而水稻在缺氮時在近紅外波段反射率比正常葉片低，說明可以利用近紅外波段的葉片光譜區(qū)分水稻缺鉀、缺氮情況。水稻鉀含量敏感光譜帶集中在短波紅外區(qū)（1 300～2 000 nm）［31］，與本研究結果基本一致。

參考文獻：

［1］ 張立明， 王慶美， 王蔭墀. 甘薯的主要營養(yǎng)成分和保健作用［J］. 園藝與種苗， 2003， 23（3）： 162-166.

［2］ MONDAL S，RAHAMAN E，ASCH F. Potassium content is the main driver for salinity tolerance in sweet potato before tuber formation［J］. Journal of agronomy and crop science，2022，208（5）： 645-661.

［3］ 胡大偉. 基于LINTUL3模型的馬鈴薯生長與氮肥利用研究［D］. 沈陽：沈陽農(nóng)業(yè)大學， 2013.

［4］ LU J， YANG T， SU X， et al. Monitoring leaf potassium content using hyperspectral vegetation indices in rice leaves［J］. Precision agriculture， 2020， 21（2）： 324-348.

［5］ 張 毅， 王洪云， 鈕福祥， 等. “寧紫薯1號”花青素組分鑒定及其對大鼠高脂誘導肥胖的預防效果［J］. 中國農(nóng)業(yè)科學， 2016， 49（9）： 1787-1802.

［6］ 朱白雪. ‘新新2號’核桃葉片營養(yǎng)元素含量光譜估算模型［D］. 烏魯木齊：新疆農(nóng)業(yè)大學， 2016.

［7］ 羅駿飛. CGMD302作物生長監(jiān)測診斷儀的測試與評價［D］. 南京：南京農(nóng)業(yè)大學， 2015.

［8］ FARELLA M M， BARNES M L， BRESHEARS D D， et al. Evaluation of vegetation indices and imaging spectroscopy to estimate foliar nitrogen across disparate biomes［J］. Ecosphere， 2022， 13（3）：e3992.

［9］ PIMSTEIN A， KARNIELI A， BANSAL S K， et al. Exploring remotely sensed technologies for monitoring wheat potassium and phosphorus using field spectroscopy［J］. Field crops research， 2011， 121（1）： 125-135.

［10］ SLATON N A， DRESCHER G L， PARVEJ M R， et al. Dynamic critical potassium concentrations in soybean leaves and petioles for monitoring potassium nutrition［J］. Agronomy journal， 2021，" " 113（6）： 5472-5482.

［11］ JINYANG L， MEIQING L， HANPING M， et al. Diagnosis of potassium nutrition level in Solanum lycopersicum based on electrical impedance［J］. Biosystems engineering， 2016， 147： 130-138.

［12］ WANG Y J， JIN G， LI L Q， et al. NIR hyperspectral imaging coupled with chemometrics for nondestructive assessment of phosphorus and potassium contents in tea leaves［J］. Infrared physics amp; technology， 2020， 108： 103365.

［13］ GUO X， ZHU X， LI C， et al. Hyperspectral inversion of potassium content in apple leaves based on vegetation index［J］. Agricultural sciences， 2017， 8： 825-836.

［14］ 田永超， 楊 杰， 姚 霞， 等. 高光譜植被指數(shù)與水稻葉面積指數(shù)的定量關系［J］. 應用生態(tài)學報， 2009， 20（7）： 1685-1690.

［15］ 聶志剛， 李 廣. 基于APSIM的旱地小麥葉面積指數(shù)模擬模型構建［J］. 干旱地區(qū)農(nóng)業(yè)研究， 2013， 31（4）： 94-98.

［16］ RAY S S， JAIN N， MIGLANI A， et al. Defining optimum spectral narrow bands and bandwidths for agricultural applications［J］. Current science， 2010， 93（10）： 1365-1369.

［17］ 李敏夏. 蘋果葉片光譜反射率與葉綠素和全氮含量的相關研究［D］. 陜西楊凌：西北農(nóng)林科技大學， 2009.

［18］ 張蕾蕾. 蘋果幼樹葉片葉綠素與水分含量的高光譜估測研究［D］. 山東泰安：山東農(nóng)業(yè)大學， 2013.

［19］ BRUNING B， LIU H， BRIEN C， et al. The development of hyperspectral distribution maps to predict the content and distribution of nitrogen and water in wheat （Triticum aestivum）［J］. Frontiers in plant science， 2019， 10：1380.

［20］ 朱西存， 姜遠茂， 趙庚星， 等. 基于光譜指數(shù)的蘋果葉片水分含量估算模型研究［J］. 中國農(nóng)學通報， 2014， 30（4）： 120-126.

［21］ ISSA S M， DAHY B S， SALEOUS N. Accurate mapping of date palms at different age-stages for the purpose of estimating their biomass［J］. ISPRS annals of the photogrammetry，remote sensing and spatial information sciences， 2020， 3， 461-467.

［22］ 賀志遠. 雙季稻臨界氮濃度稀釋模型的構建及氮素診斷研究［D］. 南京：南京農(nóng)業(yè)大學， 2016.

［23］ 楊福芹. 小麥、玉米葉片和植株氮營養(yǎng)高光譜診斷與應用研究［D］. 北京：中國礦業(yè)大學（北京）， 2016.

［24］ LV Z， LU G. A new curve of critical leaf potassium concentration based on the maximum root dry matter for diagnosing potassium nutritional status of sweet potato［J］. Frontiers in plant science， 2021， 12： 714279.

［25］ 辛延斌. 基于高光譜成像技術小麥玉米長勢監(jiān)測研究［D］. 山東泰安：山東農(nóng)業(yè)大學，2017.

［26］ 凌成星， 鞠洪波， 張懷清， 等. 基于植被指數(shù)比較的濕地區(qū)域LAI遙感估算研究［J］. 中南林業(yè)科技大學學報， 2016， 36（5）：11-18.

［27］ 張 威， 潘劍君， 李 勇， 等. 基于冠層光譜特征的冬小麥產(chǎn)量估算研究［J］. 土壤通報， 2015， 46（1）：169-176.

［28］ 鄧海龍，安 靜. 紅富士蘋果葉片全鉀含量高光譜預測研究［J］. 四川地質學報， 2014， 34（S1）： 108-111.

［29］ LU J， LI W， YU M， et al. Estimation of rice plant potassium accumulation based on non-negative matrix factorization using hyperspectral reflectance［J］. Precision agriculture， 2021， 22： 51-74.

［30］ 喬 欣，馬 旭，張小超，等.大豆葉綠素和鉀素信息的冠層光譜響應［J］.農(nóng)業(yè)機械學報，2008，39（4）： 108-111.

［31］ 王 珂，沈掌泉.不同鉀營養(yǎng)水平的水稻冠層和葉片光譜特征研究初報［J］.科技通報，1997（4）： 211-214.

基金項目：國家自然科學基金項目 （32071897；32272222）；寧波市重點項目 （2022S092）；浙江省糧油產(chǎn)業(yè)技術項目

作者簡介：魯燕君（1977-），女，浙江杭州人，農(nóng)藝師，主要從事農(nóng)業(yè)技術推廣工作，（電話）13750869331（電子信箱）342758302@qq.com；共同第一作者，王旭偉（1975-），男，浙江寧波人，高級農(nóng)藝師，主要從事旱糧技術推廣研究，（電話）0574-89385582（電子信箱）1434279612@qq.com；通信作者，呂尊富（1984-），男，山東煙臺人，教授，博士，主要從事智慧農(nóng)業(yè)研究，（電話）13616537056（電子信箱）lvzunfu@163.com；共同通信作者，陳少杰（1979-），男，高級農(nóng)藝師，主要從事糧油生產(chǎn)技術推廣工作，（電話）0574-89385579（電子信箱）supersjc2@aliyun.com。