基于無人機(jī)多光譜遙感的水稻冠層光譜特征和氮素營養(yǎng)關(guān)系研究

傅友強(qiáng)，鐘旭華，黃農(nóng)榮，潘俊峰，胡香玉，胡 銳，李妹娟，梁開明

（廣東省農(nóng)業(yè)科學(xué)院水稻研究所/廣東省水稻育種新技術(shù)重點(diǎn)實(shí)驗(yàn)室/廣東省水稻工程實(shí)驗(yàn)室，廣東 廣州 510640）

【研究意義】作物養(yǎng)分豐缺能夠引起葉片中葉綠素、蛋白質(zhì)、水分和含碳化合物等含量變化，影響葉片光的吸收和反射。光譜遙感技術(shù)能夠捕捉來自葉片或冠層中的反射光譜特征，間接反映作物葉片養(yǎng)分含量，為作物營養(yǎng)診斷與合理施肥提供依據(jù)［1-2］。研究表明，光譜遙感技術(shù)是實(shí)現(xiàn)施肥精準(zhǔn)管控和提高肥料利用率的有效手段，是打通專家智慧決策和精準(zhǔn)變量施肥的重要環(huán)節(jié)［3］。因此，開展葉片氮含量的光譜遙感監(jiān)測與診斷研究具有重要意義?！厩叭搜芯窟M(jìn)展】傳統(tǒng)水稻氮素養(yǎng)分監(jiān)測主要經(jīng)歷了葉色監(jiān)測、植株組織中氮含量的化學(xué)監(jiān)測［4-5］、無損的葉綠素儀監(jiān)測3 個(gè)階段。隨著無人機(jī)光譜遙感技術(shù)的高速發(fā)展，無人機(jī)近地面光譜遙感監(jiān)測在現(xiàn)代農(nóng)業(yè)生產(chǎn)中發(fā)揮著至關(guān)重要的作用。光譜遙感技術(shù)具有大面積、無損和快速準(zhǔn)確等優(yōu)點(diǎn)，目前已在水稻、玉米、大豆和小麥等主要農(nóng)作物中廣泛應(yīng)用［6-8］，主要涉及到的領(lǐng)域有病蟲草害防治、作物生長狀態(tài)監(jiān)測、作物面積提取與估產(chǎn)、無人機(jī)施肥決策等［9-12］。大量研究表明，水稻品種冠層光譜反射率與葉片含氮量和SPAD 值呈顯著正相關(guān)，其中，植被指數(shù)如歸一化植被指數(shù)（NDVI）、綠波段歸一化植被指數(shù)（GNVI）、比值植被指數(shù)（RVI）等是監(jiān)測水稻氮素養(yǎng)分狀況的最佳指標(biāo)［13-14］。Yu等［15］通過田間試驗(yàn)收集高光譜數(shù)據(jù)，研究水稻氮素含量與光譜反射率之間的關(guān)系，建立了基于高光譜反射率的水稻氮素反演模型［16］，該模型可快速、準(zhǔn)確、無損地診斷寒地粳稻氮素養(yǎng)分盈缺。然而，這些研究主要以北方粳稻為試驗(yàn)對象，以具有廣東絲苗米特性的華南雙季秈稻品種為試驗(yàn)對象、利用光譜遙感監(jiān)測水稻氮素養(yǎng)分的研究較少?！颈狙芯壳腥朦c(diǎn)】華南地區(qū)水稻種植以秈稻品種為主，而秈稻品種的氮素養(yǎng)分需求特性以及葉色對氮素的響應(yīng)明顯有別于粳稻，且常規(guī)稻和雜交稻之間也存在顯著差異。在廣東地區(qū)，美香占2 號為種植面積最大的常規(guī)秈稻品種（2020年種植面積11.38 萬hm2），吉豐優(yōu)1002 為種植面積最大的雜交秈稻品種（2020 年種植面積5.01萬hm2）。因此，通過多光譜遙感監(jiān)測廣東地區(qū)種植面積最大的常規(guī)秈稻和雜交秈稻品種葉片氮素養(yǎng)分狀況，對指導(dǎo)華南水稻精準(zhǔn)施肥作業(yè)具有重要意義?！緮M解決的關(guān)鍵問題】通過光譜遙感技術(shù)，找出對葉片氮含量敏感的光譜特征和特異植被指數(shù)，建立基于光譜特征和特異植被指數(shù)的葉片氮含量反演模型，定量監(jiān)測和診斷水稻葉片氮素養(yǎng)分含量，為廣東地區(qū)水稻主栽品種精準(zhǔn)施肥管控提供理論依據(jù)和技術(shù)支撐。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)于2020 年晚季在廣東省農(nóng)業(yè)科學(xué)院大豐基地（113°21′E、23°10′N，海拔23.8 m）進(jìn)行。試驗(yàn)田土壤理化性質(zhì)為：pH 6.11，有機(jī)質(zhì)27.87 g/kg，全氮1.41 g/kg，全磷1.03 g/kg，全鉀16.62 g/kg，堿解氮84.21 mg/kg，有效磷49.39 mg/kg，速效鉀41.69 mg/kg。供試水稻品種為常規(guī)秈稻美香占2 號（簡稱MXZ2H）和雜交秈稻吉豐優(yōu)1002（簡稱JFY1002），這兩個(gè)品種是目前廣東省種植面積最大的常規(guī)稻和雜交稻品種。

1.2 試驗(yàn)方法

1.2.1不同施氮處理對水稻葉片氮含量的影響試驗(yàn) 主要用于建模集數(shù)據(jù)分析。供試水稻品種為MXZ2H 和JFY1002，試驗(yàn)設(shè)置施N 0（N0）、150（N150）和210（N210）kg/hm23 個(gè)處理，采用習(xí)慣施肥法；為探討高產(chǎn)高效栽培技術(shù)對氮吸收的影響，以水稻品種JFY1002 為材料，新增施N 180 kg/hm2（N180+）處理，采用水稻“三控”施肥技術(shù)，基肥∶分蘗肥∶穗肥=5∶2∶3，其中基肥在移栽前1 d 施用、分蘗肥在移栽后15 d施用、穗肥在幼穗分化始期施用，詳見表1。各處理磷肥和鉀肥統(tǒng)一按45 kg/hm2（P2O5）和120 kg/hm2（K2O）用量作基肥一次性施入，其中磷肥為過磷酸鈣、鉀肥為氯化鉀。每個(gè)處理3 次重復(fù)，隨機(jī)排列，小區(qū)面積15 m2。

1.2.2側(cè)深施肥對水稻葉片氮含量的影響試驗(yàn) 主要用于驗(yàn)證集數(shù)據(jù)分析。供試水稻品種為MXZ2H，設(shè)置5 個(gè)處理：（1）無氮處理（N0），不施氮肥；（2）習(xí)慣施肥處理（FP），總氮量為180 kg/hm2，按當(dāng)?shù)亓?xí)慣施肥法；（3）側(cè)深施肥處理（D1），總氮量為150 kg/hm2，作基肥一次性施入；（4）側(cè)深施肥+1 次追肥處理（D2），總氮量為150 kg/hm2，基肥∶穗肥=6∶4；（5）側(cè)深施肥+1 次追肥處理（D3），總氮量為120 kg/hm2，施肥時(shí)期和施肥比例同D2，施氮總量比D2 減少20%。基肥采用側(cè)深施肥，按照機(jī)插秧側(cè)深施肥的農(nóng)藝要求，人工將基肥一次性埋施于秧苗根系側(cè)下方泥土中，施肥深度5 cm，肥料距離稻根側(cè)向3 cm；追肥采用人工撒施形式。具體施用時(shí)期和用量詳見表1。每個(gè)處理4次重復(fù)，隨機(jī)排列，小區(qū)面積4 m2。

表1 不同試驗(yàn)處理的氮肥施用量Table 1 Consumption of N fertilizer in different treatments

所有試驗(yàn)均采用人工插秧，插秧密度均為20 cm×20 cm，其中常規(guī)秈稻品種2 苗/穴、雜交秈稻品種1 苗/穴。播種時(shí)間均為7 月18 日，插秧時(shí)間為8 月5 日，收割時(shí)間為11 月13 日。小區(qū)間做高30 cm、寬25 cm 的田埂隔離，防止小區(qū)間相互串肥，水分實(shí)行獨(dú)立排灌，統(tǒng)一執(zhí)行田間管理。

1.3 測定項(xiàng)目及方法

1.3.1土壤理化性質(zhì)測定 參照文獻(xiàn)［17］方法測定。

1.3.2葉片氮含量和稻谷產(chǎn)量測定 水稻樣品采集與遙感影像獲取同步，在水稻抽穗期（50%稻穗抽出時(shí)期），每個(gè)小區(qū)取代表性水稻植株12 叢，剪去根，將莖、葉和穗分開，分別在105℃下殺青30 min，然后在75℃下烘干至恒重，稱量。將葉片樣品磨碎，采用H2SO4-H2O2法消化，用全自動凱氏定氮儀測定，用單位干物質(zhì)量的含氮量表示全氮含量（g/kg）。

成熟期實(shí)收125 穴（5 m2）測產(chǎn)，將稻谷風(fēng)干，取100 g 于105℃下烘干48 h，測定含水量，然后將稻谷轉(zhuǎn)換成含水量為14%的稻谷產(chǎn)量。

1.3.3多光譜數(shù)據(jù)獲取 為提高多光譜相機(jī)成像質(zhì)量，選擇晴天11：00—13：00，采用大疆精靈4 多光譜版無人機(jī)（集成1 個(gè)可見光傳感器、5 個(gè)多光譜傳感器，藍(lán)光450 nm、綠色560 nm、紅光650 nm、紅邊730 nm、近紅外840 nm，具體波段參數(shù)見表2）采集水稻試驗(yàn)區(qū)域多光譜影像。規(guī)劃好無人機(jī)航線經(jīng)過目標(biāo)田塊正上方，航拍高度20 m，拍照時(shí)間間隔2 s，航向重疊度80%，旁向重疊度90%，影像分辨率為6.92 mm/pixel。

表2 多光譜傳感器的波段參數(shù)Table 2 Band parameters of multispectral sensor

1.3.4多光譜數(shù)據(jù)提取 首先對獲得的多光譜影像進(jìn)行篩選，將帶有空間位置信息的影像導(dǎo)入到PhotoScan 軟件，然后進(jìn)行點(diǎn)云和紋理處理，最后進(jìn)行地理配準(zhǔn)、無縫拼接和波段合成，得到稻田完整的整幅多光譜正射影像（Digital orthophoto map，DOM）。利用ENVI5.3 軟件ROI（Region of interest）工具進(jìn)行圖像分割，勾選出水稻不同處理區(qū)域，統(tǒng)計(jì)區(qū)域內(nèi)所有像元光譜反射率的平均值，作為該小區(qū)水稻冠層的光譜反射率數(shù)據(jù)。

1.3.5植被指數(shù)篩選 植被指數(shù)（Vegetation Index，VI）通過對不同波段光譜反射率進(jìn)行數(shù)學(xué)組合，如根據(jù)MicaSense RedEdge 波段特點(diǎn)，選取歸一化植被指數(shù)（NDVI）、綠波段歸一化植被指數(shù)（GNDVI）、比值植被指數(shù)（RVI）、增強(qiáng)植被指數(shù)（EVI）、差值植被指數(shù)（DVI）和改進(jìn)非線性植被指數(shù)（MNLI）等（表3）。利用多光譜波段的反射特性，在ENVI 軟件中經(jīng)過波段運(yùn)算即可得到上述植被指數(shù)。

表3 光譜指數(shù)及其計(jì)算公式Table 3 Spectral indices and its formula

1.3.6模型構(gòu)建與檢驗(yàn) 以1.2.1 不同氮素養(yǎng)分梯度試驗(yàn)數(shù)據(jù)為建模數(shù)據(jù)集（C）、1.2.2 側(cè)深施肥試驗(yàn)數(shù)據(jù)為驗(yàn)證數(shù)據(jù)集（V），采用多元線性回歸（Multiple Linear Regression，MLR）方法建立水稻氮素養(yǎng)分反演模型。使用建模數(shù)據(jù)集建立的決定系數(shù)、均方根誤差（RMSEc）和相對誤差（RE）對建模精度進(jìn)行評估；對使用模型計(jì)算得到的驗(yàn)證數(shù)據(jù)集和建模數(shù)據(jù)集的估測值與實(shí)測值進(jìn)行線性擬合，以擬合方程的對模型進(jìn)行評估，R2越接近1、RMSEc越小，模型精度越高。

試驗(yàn)數(shù)據(jù)采用SPSS 13.0 軟件進(jìn)行統(tǒng)計(jì)分析，采用OriginPro 9.0 軟件作圖。

2 結(jié)果與分析

2.1 不同施氮處理對水稻葉片氮含量和稻谷產(chǎn)量的影響

習(xí)慣施肥法條件下，增加施氮量明顯提高了水稻葉片氮含量和稻谷產(chǎn)量。隨著施氮水平增加，美香占2 號和吉豐優(yōu)1002 葉片氮含量逐漸增加。與N0 處理相比，N150 處理美香占2 號和吉豐優(yōu)1002葉片氮含量分別增加16.05%和13.76%；N210 處理兩個(gè)水稻品種葉片氮含量分別增加24.29%和25.00%，差異均達(dá)顯著水平（圖1A、B）。

與葉片氮含量表現(xiàn)趨勢相比，不同施氮水平對稻谷產(chǎn)量的影響略有區(qū)別。美香占2 號稻谷產(chǎn)量N150 處理和N210 處理間無顯著變化，但顯著高于N0 處理，表明高施氮量并未持續(xù)增加該品種的產(chǎn)量；吉豐優(yōu)1002 稻谷產(chǎn)量的變化趨勢與其氮含量一致，表明不同水稻品種葉片氮含量對施氮量的響應(yīng)趨勢一致，但稻谷產(chǎn)量對施氮量的響應(yīng)則因品種而異（圖1C、D）。

圖1 不同施氮處理下不同水稻品種葉片氮含量、稻谷產(chǎn)量及其相關(guān)性分析Fig.1 Leaf nitrogen concentration,grain yield and the correlation analyses of different rice cultivars under different nitrogen treatments

高效栽培技術(shù)更有利于氮素養(yǎng)分的吸收利用，表現(xiàn)為與傳統(tǒng)習(xí)慣施肥法N210 處理相比，利用“三控”施肥技術(shù)N180+處理吉豐優(yōu)1002 葉片氮含量和稻谷產(chǎn)量分別增加18.03%和6.25%，差異達(dá)顯著水平（圖1B、D）。

相關(guān)性分析結(jié)果（圖1E、1F）顯示，水稻葉片氮含量與稻谷產(chǎn)量呈顯著（美香占2 號）或極顯著（吉豐優(yōu)1002）線性正相關(guān)，表明葉片氮含量對稻谷產(chǎn)量具有重要作用。

2.2 不同施氮處理水稻冠層對光譜反射率的影響

施氮水平影響水稻冠層對不同波長光譜的反射率，習(xí)慣施肥法條件下，無論是美香占2 號還是吉豐優(yōu)1002，藍(lán)光到紅光（450～650 nm）波段反射率均表現(xiàn)為隨著施氮水平的增加而下降，紅邊到近紅外（730～840 nm）波段反射率均隨著施氮水平的增加而逐漸增加。不同施氮水平顯著影響紅光波段650 nm 和近紅外波段840 nm 處的反射率，與N0 處理相比，N150 和N210 處理美香占2 號在紅光波段650 nm 處的反射率分別下降19.48%和22.84%，在近紅外波段840 nm 處的反射率分別增加24.24%和21.50%；N150、N210 和N180+處理吉豐優(yōu)1002 在紅光波段的反射率分別比N0 處理下降19.00%、31.38%和37.27%，在近紅外波段的反射率分別增加23.13%、24.60%和34.02%。表明紅光650 nm 和近紅外840 nm 是監(jiān)測葉片氮含量的敏感波段（圖2）。

圖2 不同施氮處理下同一水稻品種葉片的反射率變化Fig.2 Changes of leaf reflectance of the same rice cultivar under different nitrogen levels

同一施氮處理不同水稻品種冠層光譜反射率存在顯著差異。無論N0、N150處理還是N210處理，美香占2 號在藍(lán)光至紅光波段（450～650 nm）的冠層反射率均明顯高于吉豐優(yōu)1002，紅邊到近紅外波段的冠層反射率則表現(xiàn)為吉豐優(yōu)1002 高于美香占2 號，其中紅光650 nm 處和近紅外840 nm處是區(qū)分兩個(gè)水稻品種的敏感波段。與美香占2號相比，N0、N150、N210 處理吉豐優(yōu)1002 在紅光650 nm 處的冠層反射率分別下降15.64%、15.14%和24.98%，在近紅外840 nm 處的冠層反射率分別增加10.22%、9.24%和13.03%（圖3）。

圖3 相同施氮處理下不同水稻品種葉片的反射率變化Fig.3 Changes of leaf reflectance of different rice cultivars under the same nitrogen treatment

2.3 不同施氮處理對水稻品種冠層植被指數(shù)的影響

從圖2、圖3可以看出，紅光（650 nm）和近紅外（840 nm）是水稻冠層響應(yīng)不同施氮量的敏感波段。經(jīng)過初步篩選確定了NDVI、DVI、GNDVI、EVI、MNLI、RVI等6個(gè)植被指數(shù)。整體而言，吉豐優(yōu)1002的6個(gè)植被指數(shù)明顯高于美香占2號。與N0處理相比，N150處理美香占2號葉片NDVI、DVI、GNDVI、EVI、MNLI和RVI分別增加201.74%、215.44%、77.27%、254.54%、102.43%和53.68%，N150、N210處理6個(gè)植被指數(shù)無顯著差異；N150處理吉豐優(yōu)1002葉片NDVI、DVI、GNDVI、EVI、MNLI和RVI分別增加80.62%、92.72%、50.09%、105.73%、75.87%和51.15%，N210處理6個(gè)植被指數(shù)分別增加110.96%、117.07%、68.90%、135.74%、91.09%和80.34%。與N210處理相比，水稻“三控”施肥法N180+處理的6個(gè)植被指數(shù)分別增加12.12%、16.00%、7.08%、21.56%、16.18%和17.63%（圖4）。

圖4 不同施氮處理對不同水稻品種冠層植被指數(shù)的影響Fig.4 Effects of different nitrogen treatments on canopy vegetation indexes of different rice cultivars

2.4 水稻葉片氮含量與植被指數(shù)的相關(guān)性分析

將水稻葉片氮含量與植被指數(shù)DVI、NDVI、GNDVI、RVI、EVI 和MNLI 進(jìn)行相關(guān)性分析，結(jié)果表明，美香占2 號和吉豐優(yōu)1002 葉片氮含量與上述6 個(gè)植被指數(shù)的相關(guān)系數(shù)均達(dá)顯著水平。其中對美香占2 號而言，相關(guān)系數(shù)最高的植被指數(shù)分別為NDVI、GNDVI、RVI、DVI 和EVI；對吉豐優(yōu)1002 而言，相關(guān)系數(shù)最高的植被指數(shù)分別為RVI、EVI、MNLI、DVI 和NDVI（圖5）。

2.5 水稻葉片氮含量與植被指數(shù)的多元線性回歸分析

通過水稻葉片氮含量與植被指數(shù)的相關(guān)性分析（圖5），篩選出與水稻葉片氮含量最相關(guān)的植被指數(shù)進(jìn)行多元線性回歸分析，結(jié)果見表4。從表4可以看出，美香占2號葉片氮含量反演模型為Y=13.930+68.008DVI-24.832NDVI-1.344GDNVI+3.141RVI-10.532EVI，R2為0.817、RMSE為1.77、RE為8.35%；吉豐優(yōu)1002葉片氮含量反演模型為Y=7.125-231.455DVI-2.717NDVI+7.452RVI+32.493EVI+51.715MNLI，R2為0.973、RMSE為0.78、RE為3.48%。

圖5 水稻葉片氮含量與植被指數(shù)的相關(guān)性分析Fig.5 Correlation analysis of leaf nitrogen concentration with vegetation index

表4 植被指數(shù)對水稻葉片氮含量的預(yù)測性Table 4 Prediction of nitrogen concentration in rice leaves by vegetation index

2.6 水稻葉片氮含量反演模型構(gòu)建

以不同氮素養(yǎng)分梯度試驗(yàn)數(shù)據(jù)為建模數(shù)據(jù)集、側(cè)深施肥試驗(yàn)數(shù)據(jù)為驗(yàn)證數(shù)據(jù)集，將表4 中的多元線性回歸分析結(jié)果與建模集和驗(yàn)證集中的實(shí)測葉片氮含量進(jìn)行線性擬合，結(jié)果見圖6。從圖6 可以看出，美香占2 號水稻品種建模集和驗(yàn)證集的葉片氮含量實(shí)測值與反演模型估測值具有極顯著的線性正相關(guān)，R2為0.891；吉豐優(yōu)1002水稻品種的建模集葉片氮含量實(shí)測值與反演模型估測值具有極顯著的線性正相關(guān)，R2為0.987。表明反演模型能精確預(yù)測水稻葉片氮含量。

圖6 不同水稻品種葉片氮含量反演模型擬合結(jié)果Fig.6 Fitting result of inversion model of leaf nitrogen concentration in different rice cultivars

3 討論

3.1 光譜特征與水稻葉片氮含量的關(guān)系

氮素是水稻生長發(fā)育的重要限制因子，有研究表明，水稻葉片氮素含量隨著施氮水平的增加而增大［23］。李艷大等［24］研究證實(shí)了隨著施氮水平的增加，早、晚稻葉片氮含量、氮積累量及相關(guān)植被指數(shù)（DVI、NDVI 和RVI）增大。水稻葉片氮含量特別是抽穗期葉片氮含量的增加能夠提高葉片光合作用，促進(jìn)碳水化合物向籽粒轉(zhuǎn)運(yùn)，進(jìn)而提高稻谷產(chǎn)量和品質(zhì)［25-27］。崔菁菁等［28］研究發(fā)現(xiàn)水稻抽穗期葉片氮含量與產(chǎn)量呈極顯著正相關(guān)。本課題組的前期研究表明，抽穗期葉片氮含量能夠顯著提高水稻成穗率和光能輻射效率，增加有效穗數(shù)，從而增加稻谷產(chǎn)量［7］。這些研究表明抽穗期葉片氮含量對增加稻谷產(chǎn)量具有重要作用。在本試驗(yàn)習(xí)慣施肥法條件下，隨著施氮水平的提高，美香占2 號和吉豐優(yōu)1002 抽穗期葉片氮含量均表現(xiàn)為逐漸增加，稻谷產(chǎn)量整體呈現(xiàn)逐漸增加趨勢。然而，總施氮量為180 kg/hm2（N180+）的水稻“三控”施肥處理，其水稻抽穗期葉片氮含量和稻谷產(chǎn)量均高于總施氮量為210 kg/hm2（N210）的習(xí)慣施肥法處理，主要是因?yàn)樗尽叭亍笔┓始夹g(shù)的氮肥后移增加了抽穗期葉片氮含量［7］。相關(guān)性分析結(jié)果表明，抽穗期葉片氮含量與稻谷產(chǎn)量呈顯著正相關(guān)關(guān)系，說明抽穗期葉片氮含量能夠間接反映稻谷產(chǎn)量，而非施氮量。

作物葉片氮素養(yǎng)分含量的監(jiān)測與診斷是氮肥精準(zhǔn)管控的有效途徑［29-30］，有利于獲得最大產(chǎn)量潛力和更佳品質(zhì)，還能減少環(huán)境污染［31］。蔣仁安［23］研究發(fā)現(xiàn)，隨著施氮水平的提高，在可見光區(qū)域內(nèi)，水稻冠層光譜反射率隨著施氮量的增加而降低；在近紅外區(qū)域內(nèi)，水稻冠層光譜反射率隨著施氮量的增加而增大［32］。有研究發(fā)現(xiàn)，早、晚稻葉片氮含量、氮累積量、DVI、NDVI 和RVI 均隨著施氮水平的增加而增大［24］。本試驗(yàn)的光譜數(shù)據(jù)結(jié)果表明，隨著葉片氮含量的增加，藍(lán)光到紅光波段的葉片反射率逐漸下降，紅邊到近紅外波段的葉片反射率逐漸增加；不同品種在相同施氮量條件下的光譜特征存在顯著差異，表現(xiàn)為美香占2 號和吉豐優(yōu)1002 在紅光650 nm 和近紅外840 nm 的反射率差異顯著，該光譜區(qū)可作為區(qū)分兩個(gè)水稻品種的敏感波段。

3.2 水稻葉片氮含量反演模型構(gòu)建與驗(yàn)證

目前，葉片氮含量反演模型構(gòu)建主要采取特征波段、植被指數(shù)組合或兩者組合篩選的方式進(jìn)行。模型的應(yīng)用效果主要根據(jù)模型的模擬精度來評價(jià)，模擬精度一般用R2和RMSE表示，R2越接近1、RMSE越小，模型精度越高。Zheng等［33］利用無人機(jī)多光譜圖像紋理信息和光譜信息，通過不同植被指數(shù)進(jìn)行建模篩選，發(fā)現(xiàn)歸一化紅邊指數(shù)（NDRE）在所有候選植被指數(shù)中最適合估算葉片氮含量等參數(shù)。Wang等［34］研究表明，水稻群體葉片氮含量的變化可以由3個(gè)波段差值光譜指數(shù)（TBDR，3個(gè)波段分別為755、513和508 nm）決定，RMSE為0.13%，RE為4.74%。李艷大等［24］建立了預(yù)測葉片氮含量的NDVI指數(shù)模型，模型R2為0.858～0.932，模型檢驗(yàn)的RMSE和R2分別為0.1%～0.2%和0.904～0.985［35］。馮帥等［32］通過特征波段篩選，采用DVI、RVI和NDVI等植被指數(shù)組合構(gòu)建粳稻葉片氮素含量反演模型，結(jié)果發(fā)現(xiàn)以特征波段組合構(gòu)建的葉片氮素含量模型最佳，R2均大于0.7，RMES均小于0.57。本試驗(yàn)采用相關(guān)性分析和多元線性回歸分析，建立了美香占2號的葉片氮含量反演模型，該模型由植被指數(shù)DVI、NDVI、GDNVI、RVI和EVI決定，R2為0.817、RMSE為1.77、RE為8.35%；吉豐優(yōu)1002的葉片氮含量反演模型由植被指數(shù)DVI、NDVI、RVI、EVI和MNLI決定，R2為0.973、RMSE為0.78、RE為3.48%。最后通過建模集和驗(yàn)證集的葉片氮含量實(shí)測值與反演模型估測值進(jìn)行驗(yàn)證，美香占2號和吉豐優(yōu)1002的R2分別達(dá)到0.891和0.987，滿足模型模擬精度要求。

4 結(jié)論

水稻抽穗期葉片氮含量與稻谷產(chǎn)量呈顯著或極顯著正相關(guān)關(guān)系，抽穗期葉片氮含量的精準(zhǔn)監(jiān)測與診斷對于水稻精準(zhǔn)施肥作業(yè)具有重要指導(dǎo)作用。采用大疆精靈4 多光譜版無人機(jī)獲取華南秈稻主栽品種美香占2 號和吉豐優(yōu)1002 抽穗期葉片特征光譜和特異植被指數(shù)，通過波段運(yùn)算、相關(guān)性分析和多元線性回歸分析等，建立了美香占2號和吉豐優(yōu)1002 水稻葉片氮含量的反演模型，通過模型精度驗(yàn)證，R2均達(dá)到0.85 以上。該模型將為華南秈稻品種精準(zhǔn)施肥作業(yè)提供重要的理論依據(jù)和技術(shù)指導(dǎo)。