關鍵詞：苧麻；葉片氮含量；高光譜；多尺度

中圖分類號：S563.1：TP181 文獻標識號：A 文章編號：1001-4942（2025）02-0165-07

苧麻是蕁麻科苧麻屬多年生草本纖維植物。我國擁有豐富的苧麻種質資源，種植面積和原麻產(chǎn)量占世界的90%以上。苧麻用途多樣，具有獨特的經(jīng)濟、藥用、生態(tài)價值，發(fā)展前景廣闊。氮素是苧麻生長和產(chǎn)量品質形成所必需的最重要的營養(yǎng)元素，快速準確地獲取苧麻氮素營養(yǎng)狀況有助于科學、高效地制定氮肥管理策略，提高氮肥利用效率及降低環(huán)境污染。

傳統(tǒng)的苧麻氮素營養(yǎng)診斷方法以大田調查取樣、實驗室測量為主，這種方法耗費大量人力、物力和時間，很難實時、精準地獲取苧麻氮素狀況。隨著光譜技術的發(fā)展，高光譜遙感技術在作物葉綠素、葉面積指數(shù)以及氮磷鉀等各種生理生態(tài)參數(shù)的估測研究中廣泛應用并取得不少成果。如白雪嬌找出了不同生育期冠層葉片氮含量、葉綠素含量及葉面積指數(shù)回歸擬合效果最好的光譜變量，并構建了估測模型。付虹雨等基于無人機苧麻冠層RGB影像，通過數(shù)據(jù)融合和機器學習方法實現(xiàn)了苧麻產(chǎn)量估測。岳云開等利用無人機多光譜遙感技術對苧麻葉綠素含量進行監(jiān)測，最終篩選出成熟期的隨機森林（RF）模型用于苧麻葉綠素含量反演。王仁紅等研究發(fā)現(xiàn)利用高光譜手段反演氮營養(yǎng)指數(shù)具有可行性。張筱蕾等利用高光譜成像技術實現(xiàn)了對油菜葉片氮含量快速監(jiān)測及氮素含量分布情況的可視化。Inoue等利用400～900nm波段范圍的水稻冠層高光譜圖像構建了葉片氮素營養(yǎng)回歸模型。梁亮等利用一階微分光譜構建歸一化氮指數(shù)，并建立了偏最小二乘回歸（PLSR）及支持向量機（SVM）算法的冠層氮含量估測模型。姚霞等利用不同算法的紅邊位置建立了小麥冠層氮素含量估算模型，并進行了比較分析。薛利紅等發(fā)現(xiàn)水稻冠層光譜反射率與葉片氮積累量（LNA）呈顯著相關，尤其是近紅外與綠光波段的比值（R₈₁₀/R₅₆₀）與LNA呈顯著線性關系，不受氮肥水平和生育時期的影響，回歸方程為LNA=0.859R₈₁₀/R₅₆₀-1.1596?？梢姡迷摷夹g，通過分析作物不同氮營養(yǎng)狀況下的冠層光譜差異，構建基于作物冠層光譜的氮素營養(yǎng)估測模型，能夠定量預測作物氮素含量。

為提高作物氮素營養(yǎng)估測精度，不少學者探索了不同尺度光譜源檢測作物氮素含量的潛力。楊天成使用ASD（Analytical Spectral Devices）公司生產(chǎn)的FieldSpec 3地物光譜儀獲取的高光譜數(shù)據(jù)及無人機數(shù)據(jù)和模擬衛(wèi)星反射率數(shù)據(jù)，在葉片和冠層兩種尺度上構建了小麥鉀營養(yǎng)監(jiān)測的光譜模型。董淼采用光譜分析與室內葉綠素含量化學分析相結合的方法，分別在葉片和冠層尺度上對紅富士蘋果光譜反射率進行分析，選取對葉綠素含量敏感的波段進行模型構建。Zhu等使用葉片和冠層尺度的高光譜變量（H-變量）作為統(tǒng)計葉綠素含量（LCC）模型的輸入，通過Pearson相關過濾和遞歸特征消除程序確定了建模的最佳H-變量。李棟利用連續(xù)小波分析方法，在葉片和冠層水平提取了葉綠素含量敏感的小波特征，并構建了基于小波特征的多尺度葉綠素估測模型。田明璐研究發(fā)現(xiàn)冬小麥葉片和冠層SPAD值估算模型中，使用敏感光譜參數(shù)為自變量的支持向量回歸（SVR）模型精度最高。丁雅在葉片和冠層尺度上分析了不同時期棗原始光譜和一階光譜反射率的變化特征，將不同時期葉片、冠層光譜與營養(yǎng)元素進行相關性分析，構建了棗葉片、冠層營養(yǎng)元素含量的高光譜估測模型。羅丹通過對小麥葉片全氮含量與對應的冠層和葉片光譜數(shù)據(jù)進行相關性分析，確立了對氮素敏感的波段，并基于此建立估算葉片氮含量的模型，結果表明，基于徑向基函數(shù)（RBF）網(wǎng)絡在冠層和葉片尺度上構建的模型具有較高決定系數(shù)和較低誤差，在檢驗中R2均在0.9以上，RMSE均小于0.2，是估算葉片氮含量的最佳模型。以上研究表明，基于多尺度光譜數(shù)據(jù)利用高光譜技術估測作物葉片氮含量是可行的。

當前還未有利用多尺度光譜數(shù)據(jù)估測苧麻葉片氮含量的研究報道，為此，本研究基于不同生育時期冠層和葉片兩個尺度的光譜數(shù)據(jù)，通過分析光譜反射率與葉片全氮含量的相關性，利用PLSR、SVM、RF算法構建不同尺度的苧麻葉片全氮含量高光譜估測模型，以期為實時監(jiān)測苧麻氮素營養(yǎng)狀況及植株長勢提供技術支持。

1材料與方法

1.1試驗材料及試驗設計

試驗于2022年4—11月在湖南農(nóng)業(yè)大學苧麻試驗基地（28°10′51″N，113°04′34″E）進行，供試苧麻品種為中苧2號。試驗采用隨機區(qū)組設計，設置4個施氮水平，分別為NO（不施氮肥）、N1（施純氮273kg/hm²）、N2（施純氮332kg/hm²）、N3（常規(guī)施肥量，純氮390kg/hm²）；另設有2個追肥時期，分別為封行期（a）和旺長期（b）。60%的氮肥基施，剩余40%的氮肥一次性追施。以N3水平封行期追肥作為CK，共7個處理（N0、N1-a、Nl-b、N2-a、N2-b、CK、N3-b），每個處理重復3次，共21個試驗小區(qū)。磷肥（P₂O₅150kg/hm²）和鉀肥（K₂O 300kg/hm²）均作為基肥一次性施入。

1.2數(shù)據(jù)采集與處理

1.2.1地面高光譜數(shù)據(jù)采集與處理 冠層高光譜數(shù)據(jù)用Field Spec Hand Held 2便攜式地物光譜儀（ASD，美國）進行采集，儀器波長范圍325～1075nm，光譜分辨率3nm@ 700 nm，光譜采樣間隔1.5nm，視場角25°。葉片高光譜數(shù)據(jù)用Field-Spec 3（ASD，美國）地物光譜儀進行采集，內置石英鹵素燈，光源穩(wěn)定。

于兩季苧麻（頭麻、二麻）的關鍵生育時期（苗期、封行期、旺長期、成熟期）進行數(shù)據(jù)采集，共進行了8次采集任務，均在晴朗無云少風天的10時至14時完成。冠層光譜數(shù)據(jù)采集時，每小區(qū)測定前均用標準白板校正，然后每小區(qū)均勻選取2個采樣點，使儀器光纖探頭距苧麻冠層上方70cm進行測定，每個采樣點重復測定3次，以平均值作為該小區(qū)的冠層光譜反射率數(shù)據(jù)。葉片光譜數(shù)據(jù)測定前同樣進行白板校正，每個小區(qū)隨機選擇4蔸（選蔸后定蔸），每蔸選擇2株測其倒三葉4條光譜數(shù)據(jù)，取平均值作為該葉片的最終光譜。

1.2.2苧麻葉片全氮含量的測定 光譜測定完后，采集每個生育時期樣本點的苧麻倒三葉，裝入標記好的信封中帶回實驗室，放入烘箱104℃殺青30min后70～80℃烘干，稱重，然后采用凱氏定氮法測定苧麻葉片全氮含量（LNC）：將葉片樣品磨碎后進行消化，直至溶液變清澈透明為止，待消化液冷卻后，使用AA3型連續(xù)流動分析儀測定消化液全氮含量，計算苧麻葉片全氮含量。

1.3模型構建與評估

試驗共獲得兩季苧麻608個樣本的LNC數(shù)據(jù)，將每個生育時期的兩季樣本（152個）隨機按3：1比例劃分為訓練集和驗證集。采用View Spec Pro 6.2軟件對冠層和葉片光譜數(shù)據(jù)進行預處理，輸出原始光譜及一階導數(shù)光譜，然后利用Microsoft Excel 2016進行數(shù)據(jù)整理。用SPSS Sta-tistics 27軟件進行數(shù)據(jù)統(tǒng)計，采用Pearson相關性分析求取苧麻LNC與光譜反射率的相關系數(shù)，挑選出相關性最大的波段作為特征波段。將篩選出的特征波段作為輸入變量，分別采用PLSR、SVM和RF構建苧麻LNC估測模型。使用決定系數(shù)（R²）、均方根誤差（RMSE）作為模型評價指標，R²值越大、相對應的RMSE值越小，說明模型預測能力越好。

2結果與分析

2.1不同施氮水平對苧麻LNC的影響

圖1和圖2分別展示了2022年頭麻、二麻各生育時期LNC在不同施氮水平下的差異，可以看出，隨著生育時期的后移，不同處理苧麻LNC差異加大，并且隨著施氮水平的提升，LNC表現(xiàn)出明顯的增加趨勢，表現(xiàn)為N3gt;N2gt;N1gt;N0。N2水平下不同追肥時期對苧麻LNC的影響較大，大多生育時期表現(xiàn)出顯著差異?？傮w來說，低氮水平下旺長期追肥的LNC值較高，而高氮水平下，封行期追肥的LNC值較高。

2.2基于冠層光譜的苧麻LNC估測

2.2.1冠層光譜波段篩選 采用Pearson相關性分析方法探究不同生育時期苧麻LNC與冠層一階導數(shù)光譜之間的相關關系，從而篩選出可用于LNC估測的波段。結果（圖3）顯示，苧麻LNC與一階導數(shù)光譜在多個生育時期都存在顯著（Plt;0.05）或極顯著（Plt;0.01，下同）相關關系，其中，苗期在414～420、456～460、545～551nm波段呈極顯著正相關：封行期在896～921nm波段呈極顯著正相關，在972～1074nm波段呈極顯著負相關；旺長期在329、998nm波長外呈極顯著相關，在1020～1044 nm波段呈極顯著負相關：成熟期在445～457、852～868nm波段呈極顯著負正相關，在904～915nm波段呈極顯著負相關。

在上述分析的基礎上，選取各生育時期與LNC極顯著相關的特征波長，用于構建苧麻LNC估測模型。苧麻冠層一階導數(shù)光譜在苗期414～420、456～460、545～551nm波段存在一定差異，因此選取該波段范圍內的3個拐點即414、459、550 nm作為特征波長，其中414nm特征波長與苧麻LNC相關性最高，相關系數(shù)為0.536;封行期篩選出的特征波長為913、996、1029、1070nm，其中996nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.592：旺長期篩選出的特征波長為329、998、1021、1044nm，其中1044nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.552。成熟期篩選出的特征波長為413、456、866、908nm，其中908nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.580。

2.2.2基于冠層光譜的苧麻LNC估測模型構建及驗證 將篩選出的各生育時期特征波長作為輸入變量，構建基于一階導數(shù)光譜特征的LNC估測模型。表1為不同生育時期苧麻LNC估測模型精度評價結果，可以看出：在苗期，PLSR建模效果最好，估測模型精度最高，驗證集的R²=0.506，RMSE=0.695：在封行期，基于RF的LNC估測模型精度最高，驗證集的R²=0.694，RMSE=0.440;在旺長期，也是基于RF的LNC估測模型精度最好，驗證集的R²=0.676，RMSE=0.382;在成熟期，仍是RF模型的精度最好，驗證集的R²=0.795， RMSE= 0.608，優(yōu)于PLSR（R²=0.617，RMSE=0.624）和SVM（R²=0.778，RMSE=0.503）的建模效果。通過比較發(fā)現(xiàn)，3種機器學習模型中，基于RF構建的LNC估測模型在封行期、旺長期和成熟期精度均最高，在苗期表現(xiàn)也較好，因此，以RF構建的LNC估測模型在苧麻4個生育時期的綜合表現(xiàn)最佳。

2.3基于葉片光譜的苧麻LNC估測

2.3.1葉片光譜波段篩選 Pearson相關性分析結果（圖4）顯示，苧麻LNC與葉片一階導數(shù)光譜在多個生育時期都存在顯著或極顯著相關關系。其中，苗期在2 036～2087nm波段范圍內呈極顯著正相關：封行期在480～490nm波段范圍內呈極顯著負相關，在970～996、2067～2093nm波段范圍內呈極顯著正相關：旺長期在全波段范圍內相關性均較低，僅在1012nm處相對較高；成熟期在1435～1458nm波段范圍內呈極顯著正相關，在2285～2293nm波段范圍內呈極顯著負相關。

基于上述分析，選取達到極顯著相關水平的波長作為特征波長，用于構建葉片尺度的苧麻LNC估測模型：苗期選取2036～2087nm波段范圍內的3個拐點即2061、2073、2077nm作為特征波長，其中位于近紅外波段范圍內的2061nm波長與LNC相關系數(shù)最高，達0.684;封行期篩選出的特征波長為488、981、2084nm，其中488 nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.501;旺長期篩選出的特征波長為354、399、427、1012nm，其中1012nm波長與苧麻LNC相關性最高，相關系數(shù)為0.401;成熟期篩選出的特征波長為1449、1683、2292、2313nm，其中2292nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.564。

2.3.2基于葉片光譜的苧麻LNC估測模型構建及驗證 將篩選出的各生育時期特征波長作為輸入變量，構建基于葉片尺度一階導數(shù)光譜特征的LNC估測模型。由表2可知，基于葉片特征光譜的苧麻LNC估測模型估測精度較高。在苗期，RF建模效果最好，模型精度最高，驗證集的R2為0.622，RMSE為0.356;在封行期，也是基于RF構建的LNC估測模型精度最高，驗證集的R²為0.656，RMSE為0.437;在旺長期，PLSR構建的LNC估測模型精度最好，驗證集的R2和RMSE分別為0.670和0.470;在成熟期，RF構建的LNC估測模型精度最優(yōu)，驗證集的R²為0.606，RMSE為0.409。綜合來看，基于RF構建的LNC估測模型在4個生育時期中表現(xiàn)較優(yōu)。

3討論與結論

嚴文淦等對高產(chǎn)田每季纖用苧麻出苗-齊苗、齊苗-封行、封行-黑腳、黑腳-成熟四個營養(yǎng)生長階段的養(yǎng)分含量及吸收量進行研究，發(fā)現(xiàn)高產(chǎn)田三季麻各營養(yǎng)階段植株體內養(yǎng)分含量和吸收量均不相同，表現(xiàn)為前期養(yǎng)分含量高，之后逐漸下降，但吸收量則以中、后期較高，吸氮高峰一般出現(xiàn)在封行-黑腳期，此時期各季麻吸氮量達到總吸收量的26.9%～42.4%。本研究中不同施氮水平下苧麻LNC隨著生育期的推進呈現(xiàn)先增加后降低的趨勢，并在旺長期達到峰值，說明麻株吸氮高峰出現(xiàn)在封行一旺長期，與前人研究結果一致。不同施氮水平間比較，頭麻、二麻苗期和旺長期的LNC總體以N3-b處理下最高，封行期和成熟期均以CK（N3-a）的最高。

LNC是評估苧麻植株氮狀態(tài)的重要指標，精準、無損、高效、及時獲取田間苧麻LNC信息，有助于有效合理地為苧麻生長提供肥料，從而最大限度地減少施肥過多對周圍環(huán)境的危害，實現(xiàn)苧麻產(chǎn)量和肥料利用效率最大化。利用高光譜傳感器獲取的高頻光譜信息可用于定量評估作物氮素營養(yǎng)狀況，通過構建敏感波段或植被指數(shù)與特定作物參數(shù)之間的反演模型，使快速獲取作物營養(yǎng)狀況成為可能。

本研究采用Pearson相關性分析篩選與LNC顯著相關的特征波段，然后選用PLSR、SVM、RF共3種機器學習算法，從葉片、冠層兩個尺度研究了利用光譜數(shù)據(jù)估測苧麻LNC的可行性及準確性。通過比較所建模型在苧麻不同生育時期的表現(xiàn)發(fā)現(xiàn)，在基于冠層光譜波段構建的苧麻LNC估測模型中，除苗期為PLSR建模效果最好（驗證集R²為0.506，RMSE為0.695）外，封行期、旺長期、成熟期均為RF建模精度最高，驗證集R²分別為0.694、0.676、0.795，RMSE分別為0.440、0.382、0.608：在基于葉片光譜波段構建的苧麻LNC估測模型中，苗期、封行期、成熟期均以RF建立的模型估測精度最高，驗證集R²分別為0.622、0.656、0.606，RMSE分別為0.356、0.437、0.409，而旺長期是PLSR建模效果最好，驗證集R²和RMSE分別為0.670和0.470。綜合來看，RF模型在苧麻多個生育時期兩個尺度的LNC估測中表現(xiàn)穩(wěn)定且精度較優(yōu)，這也與顧晨的研究結論相一致。

另外，兩個尺度間比較，基于冠層光譜構建的苧麻LNC估測模型在成熟期精度最高，驗證集的R²=0.795，RMSE=0.608：基于葉片光譜構建的苧麻LNC估測模型在旺長期精度最高，驗證集的R²=0.670，RMSE=0.470?？梢?，基于冠層尺度的模型精度較高，且光譜測定更便捷，在苧麻LNC估測方面具有優(yōu)勢。

綜上，基于冠層光譜數(shù)據(jù)構建的RF模型更適用于苧麻LNC的估測，可推廣性較高。但本研究只是基于田間試驗開展苧麻冠層和葉片尺度的氮素營養(yǎng)診斷研究，單一平臺獲取的作物信息較為有限，在光譜分辨率、時間分辨率和空間分辨率等方面很難全面兼顧，應用性還需進一步考證，今后可以利用無人機和衛(wèi)星遙感數(shù)據(jù)對研究結果進一步驗證。