廖欽洪，李會合*，張琴

（1.重慶文理學(xué)院，a. 林學(xué)與生命科學(xué)學(xué)院，b. 特色植物研究院，重慶 永川 402160）

生姜葉片氮含量的高光譜遙感估算模型研究

廖欽洪1a,1b，李會合1a,1b*，張琴1a

（1.重慶文理學(xué)院，a. 林學(xué)與生命科學(xué)學(xué)院，b. 特色植物研究院，重慶 永川 402160）

作物葉片氮含量的快速估算對于及時了解作物長勢、病蟲害監(jiān)測以及產(chǎn)量評估具有重要意義。該文以經(jīng)濟作物生姜為研究對象，獲取了2015年4月-9月不同品種、不同生育期和不同氮肥梯度下生姜葉片的高光譜和氮含量數(shù)據(jù)，對比分析了比值植被指數(shù)、歸一化植被指數(shù)、植被指數(shù)組合形式對生姜葉片氮含量的估算效果。在此基礎(chǔ)上，基于波段組合算法，篩選出了生姜葉片氮含量的敏感波段，并構(gòu)建了兩個新型光譜指數(shù)NDSI(754,713)和RSI(754,713)。結(jié)果表明，所選擇的植被指數(shù)中，MCARI(705,750)/OSAVI(705,750)對生姜葉片氮含量估算效果最好，模型精度R2、RMSE和RE分別為0.73、0.27、11.64%；利用波段組合算法構(gòu)建的歸一化光譜指數(shù)NDSI(754,713)對生姜葉片氮含量估算效果要優(yōu)于MCARI(705,750)/OSAVI(705,750)，模型估算精度R2達0.83，使用的敏感波段713 nm與754 nm均位于植被的“紅邊”區(qū)域。對所建模型進行驗證，葉片氮含量的預(yù)測值和實測值具有較好的一致性，驗證樣本R2為0.78，RMSE為0.20，RE為9.81%。上述分析結(jié)果可為農(nóng)業(yè)管理部門及時掌握生姜長勢信息、制定施肥策略提供技術(shù)支持。

生姜；葉片氮含量；高光譜數(shù)據(jù)；光譜指數(shù)；波段組合

生姜（Zingiber officinale Rosc.）為姜科姜屬多年生宿根草本植物姜的根狀塊莖，生產(chǎn)上常作為一年生蔬菜栽培，其地下（根狀）塊莖肥厚，含有揮發(fā)性姜油和姜辣素等特殊成分，既是人們?nèi)粘Ｉ钪谐Ｓ玫闹匾{(diào)味品，也是傳統(tǒng)的中藥材，其藥食兩用的特點具有很高的經(jīng)濟利用開發(fā)價值。氮素對生姜的生長發(fā)育有重要影響，氮肥供應(yīng)不足，則植株矮小、葉片薄、葉色發(fā)黃、老葉易脫落、生長勢弱、植株早衰、分枝少、地下塊莖小、產(chǎn)量低、品質(zhì)差；氮肥用量過多，則主要促進了地上莖葉的生長，導(dǎo)致地下塊莖重量和質(zhì)量顯著下降[1]，此外，過多的氮肥使用還會使姜田的生態(tài)環(huán)境惡化，導(dǎo)致農(nóng)業(yè)生產(chǎn)過程中面源污染加重。因此，合理施用氮肥，推廣經(jīng)濟、有效的氮肥管理措施是現(xiàn)代生姜種植栽培過程中的核心內(nèi)容，迫切需要通過多種田間觀測手段，及時獲取生姜的氮營養(yǎng)狀況，在生姜不同的生育期按需施肥。

傳統(tǒng)生姜氮素測定的方法多是通過田間調(diào)查、采樣及實驗室分析，取樣受人力物力成本、數(shù)據(jù)分析時間等條件限制，樣點數(shù)量有限，往往無法真實的反映農(nóng)田中作物的氮營養(yǎng)水平，大面積推廣應(yīng)用受到限制。高光譜遙感技術(shù)具有極細的光譜分辨率，能夠準確的獲取綠色植被反射光譜特征，近年來已被廣泛地應(yīng)用在小麥、水稻等大田作物的氮營養(yǎng)診斷中，成為精準農(nóng)業(yè)中的一個研究熱點[2-4]。高龍梅等[5]考察了小麥冠層光譜監(jiān)測不同播期下植株碳氮比的可行性，結(jié)果表明，植被指數(shù)NDVI受播期影響較小；陳志強等[6]利用高光譜技術(shù)研究了玉米大喇叭口期不同層次玉米葉片光譜響應(yīng)的敏感區(qū)域，光譜指數(shù)DSI(564,681)和DSI(681,707)對玉米葉片氮含量的估算效果最好；徐新剛等[7]采用權(quán)重最優(yōu)組合算法構(gòu)建了大麥LNC遙感監(jiān)測的新型光譜特征參數(shù)Kre/Kpb、Kpb、Aδ/Aα和Aδ/Aθ，結(jié)果表明，Kre/Kpb和Knirl兩個參數(shù)的組合最能響應(yīng)LNC的光譜信息；Li等[8]利用“紅邊”光譜指數(shù)對不同生育期玉米冠層氮濃度進行了估算，結(jié)果表明，在玉米抽雄期～完熟期和乳熟期～完熟期，“紅邊”植被指數(shù)CCCI、MTCI、NDRE和CIrededge估測精度R2為0.76-0.91；Tian等[9]研究了與水稻葉片氮含量高度相關(guān)的植被指數(shù)，結(jié)果表明，SR(553,537)對LNC的估測精度R2為0.67，能夠較好的排除葉面積和覆蓋率的影響。

上述研究表明，高光譜技術(shù)在大田作物中已得到廣泛應(yīng)用，但在經(jīng)濟作物生姜的氮營養(yǎng)診斷中卻鮮有報道，因此，本文擬以生姜為研究對象，利用光譜儀獲取不同品種、不同生育期和不同氮肥梯度下生姜葉片的高光譜和氮含量數(shù)據(jù)，通過對比分析常用的植被指數(shù)，篩選出適合生姜葉片氮含量遙感估測的敏感波段及最佳植被指數(shù)，為生姜長勢的無損診斷提供技術(shù)支持。

1 材料與方法

1.1 試驗區(qū)域

田間試驗于2015年4月-2015年9月在重慶市特色植物種苗科技城（29°11′N，105°50′E）試驗基地進行，基地距永川主城區(qū)20 km，屬于亞熱帶季風(fēng)性濕潤氣候，年平均氣溫17.7 ℃，年平均降雨量1 015.0 mm，平均日照1 218.7 h，年平均無霜期317 d；該地地形屬低山丘陵體系，土壤大部分屬典型的水稻土和紅壤土，土層厚度30-100 cm；pH值5.2-6.7，富含有機質(zhì)，肥力較高。試驗采用完全隨機設(shè)計，3次重復(fù)，3個施氮水平，分別為0 kg/株（N0，）、23 kg/株（N1）和46 kg/株（N2），供試品種為竹根姜和白姜。

1.2 數(shù)據(jù)采集

單葉光譜采用FieldSpec?Pro FR光譜儀（ASD Inc., Boulder, Colorado, USA）耦連葉片夾（ASD leaf clip）進行測定。光譜測量的波長范圍為350-2 500 nm，其中350-1 000 nm采樣間隔為1.4 nm，1 000-2 500 nm采樣間隔為2 nm。在生姜幼苗期、三杈股期、姜塊膨大期和收獲期進行光譜測定，每個處理選取3株，取上層葉片，每張葉片均勻測6個不同的位置（測量時注意避開葉脈），取平均值代表此葉片的輻亮度值，參考板輻亮度每隔10張葉片測定一次。通過葉片和參考板輻亮度的比值即可計算得到葉片相對反射率值。葉片氮含量采用凱氏定氮法測定，葉片在105 ℃殺青30 min后，在75 ℃下烘干至恒重，粉碎過篩，在H2SO4-H2O2消煮后測定。

1.3 研究方法

1.3.1 植被指數(shù)選取 植被指數(shù)是基于一定變換法則，對特定位置波段反射率進行組合、變換，形成具有一定物理和生物學(xué)意義的光譜特征。本文選取了文獻中常用的作物氮素遙感估測植被指數(shù)共15個。利用實測數(shù)據(jù)篩選生姜葉片氮含量的敏感波段和最佳植被指數(shù)。各類植被指數(shù)的定義、公式及出處如表1所示。

1.3.2 NDSI與RSI的構(gòu)建 為了考察任意兩個波段組合的植被指數(shù)對生姜葉片氮含量的估算效果，參照Yao等[2]的方法，在作物氮素敏感的波段400 -1 000 nm范圍內(nèi)，采用波段組合算法，以矩陣聯(lián)立的形式，構(gòu)建新型光譜指數(shù)NDSI（Normalized difference spectral index） 和 RSI（Ratio spectral index），公式形式為：

表1 本文所選取的植被指數(shù)Table 1 Vegetation indexes used in this study

式中：i和j為400-1 000 nm范圍內(nèi)的任意兩個波段，Ri和Rj為對應(yīng)的光譜反射率。

1.3.3 精度評價 采用決定系數(shù)（R2）、均方根誤差（RMSE）和相對誤差（RE）對估測模型進行評價，計算公式如下：

式中：yi表示實測值，表示預(yù)測值，i表示實測值平均值，n表示樣本數(shù)。R2越高，RMSE、RE越小，表明模型精度越高。

2 結(jié)果與分析

2.1 不同氮梯度下生姜葉片高光譜的變化規(guī)律

圖1為不同品種、不同生育期和不同氮梯度下生姜葉片的高光譜反射率。從圖中可以看出，竹根姜和白姜光譜反射率的變化趨勢基本一致。以姜塊膨大期的光譜反射率為例，在400-680 nm范圍內(nèi)，竹根姜和白姜的光譜反射率較低，550 nm處的光譜反射率分別在13.3%-21.0%、10.5%-17.5%之間。由于植株葉綠素與氮含量往往具有較高的相關(guān)性[21]，在N0梯度下，葉片葉綠素含量較低，其吸收的光輻射能量相應(yīng)的也不高，因此，N0梯度下白姜葉片的光譜反射率較N2梯度下的光譜反射率高約40%；在N2梯度下，葉片葉綠素含量較高，故在“紅谷”670 nm附近，竹根姜的葉片光譜反射率降低至了6.1%。在670-750 nm波段范圍內(nèi)，紅光波段葉綠素的強吸收與近紅外波段光在葉片內(nèi)部的多次散射形成了植被特有的“紅邊”特征，所有生姜葉片的光譜反射率都急劇上升，直到近紅外波段750-1 000 nm，逐漸形成一穩(wěn)定的光譜反射率平臺（圖1C），這與Liao等[22]利用高光譜研究不同氮梯度下玉米葉片葉綠素含量的結(jié)果相一致。

2.2 植被指數(shù)對生姜葉片氮含量的估算

圖2為所選植被指數(shù)與不同生育期生姜葉片氮含量相關(guān)性分析的結(jié)果（建模樣本n=51，2個品種，3個氮肥梯度、3個重復(fù)）。從圖中可以看出，所有植被指數(shù)都通過了顯著性檢驗（P〈0.01）。對于比值植被指數(shù)，生姜葉片氮含量估算精度的高低順序依次為SR3〉SR2〉SR1（圖2A-C），其中，SR3主要使用了植被“紅邊”位置附近波段750 nm和710 nm的光譜反射率，估算精度R2最高為0.69，RMSE為0.29，RE為12.60%；對于歸一化植被指數(shù)，NDVI和NDVI(503,483)對生姜葉片氮含量的估算精度較低（圖2D和圖2E），決定系數(shù)R2最高僅為0.47。GNDVI、ND705、mSR705、MTCI對生姜葉片氮含量的估算精度R2均在0.68-0.71之間（圖2F-I），其中，ND705估算精度最高（R2=0.71，RMSE=0.28，RE=11.09%），與SR3類似，主要使用了植被“紅邊”位置附近705 nm和750 nm處的光譜反射率；植被指數(shù)組合形式多用于對植被冠層葉綠素和氮素的遙感監(jiān)測，在本研究中，除了植被指數(shù)OSAVI外，其余的估測精度R2都達到了0.70以上。MCARI(705,750)/OSAVI(705,750)使用了與ND705相同的波段705 nm和750 nm，估測精度R2最高為0.73，RMSE為0.27，RE為11.64%（圖2O）。

圖1 不同施氮梯度下生姜葉片的光譜反射率Fig. 1 Spectral reflectance of ginger leaves under different nitrogen fertilizer treatments（A.幼苗期，B.三杈股期，C.姜塊膨大期，D.收獲期）

2.3 基于波段組合的生姜葉片氮含量估算

為進一步優(yōu)化植被指數(shù)，篩選對生姜葉片氮含量最為敏感的波段位置，利用MATLAB編寫程序考察所有波段兩兩組合構(gòu)建的光譜指數(shù)NDSI(i,j)和RSI(i,j)與生姜葉片氮含量的相關(guān)性，結(jié)果如圖3所示，其中紅色區(qū)域表示R2值較高的區(qū)域，式（6）、式（7）為葉片氮含量的估算模型。

從圖3中可以看出，對生姜葉片氮含量估算敏感的波段位于500-800 nm之間，NDSI(754,713)、RSI(754,713)與生姜葉片氮含量的相關(guān)性均為0.83，RMSE分別為0.21和0.22，結(jié)果極其顯著（P〈0.01）。生姜葉片氮含量最為敏感的波段為754 nm和713 nm，所構(gòu)建的歸一化光譜指數(shù)NDSI(754,713)較植被指數(shù)SR3、ND705和MCARI(705,750)/OSAVI(705,750)都有較大的提高，R2提高了12.0%-16.8%。

2.4 生姜葉片氮含量高光譜估算模型驗證

為了檢驗估算模型的可靠性，利用20個實測數(shù)據(jù)對式（6）進行驗證，結(jié)果如圖4所示。其中，生姜葉片氮含量的實測值和預(yù)測值都接近1∶1線，驗證樣本的決定系數(shù)R2可達0.78，RMSE為0.20，RE為9.81%，表明以光譜指數(shù)NDSI(754,713)建立的生姜葉片氮含量高光譜估算模型具有較高估算精度。

3 討論

圖2 植被指數(shù)與葉片氮含量的相關(guān)性分析Fig. 2 Correlation analysis between vegetation index and leaf nitrogen content

葉片氮含量作為作物生物量、全氮含量的綜合反映，是預(yù)測作物長勢和產(chǎn)量的重要指標，因此，快速、無損、準確地獲取作物氮素狀況，對于作物氮素的實時監(jiān)測和精準施肥都具有重要的意義。研究表明，氮的特征吸收波段主要在短波紅外區(qū)（1 510 nm、1 730 nm與1 940 nm等），但由于植株葉片在1 450 nm和1 940 nm附近有兩個強水分吸收區(qū)域，掩蓋了臨近氮素的吸收特征[23]，故本研究主要考察400-1 000 nm的高光譜對生姜葉片氮素的估算效果。對比所選的3種植被指數(shù)形式，SR3、ND705和MCARI(705,750)/OSAVI(705,750)對生姜葉片氮含量的估算精度較高，主要使用了“紅邊”位置附近705 nm、710 nm和750 nm的光譜反射率。相關(guān)研究也表明，由于作物葉綠素對紅光的強烈吸收及對近紅外光的多次散射，通常在660-780 nm之間形成陡而直的“紅邊”，隨著植株旺盛生長，植株的“紅邊”位置將向長波方向“紅移”；隨著植株逐漸衰老，“紅邊”位置又出現(xiàn)向短波方向的“藍移”[24-25]，因此，“紅邊”區(qū)域可以作為有效的葉片氮含量指示參數(shù)。Tian等[9]在對水稻葉片氮含量進行高光譜估測時指出，波段組合方式可以篩選出作物葉片氮含量的敏感波段；Sims等[16]在構(gòu)建新型植被指數(shù)ND705時指出，植被指數(shù)的歸一化形式，可將兩個敏感波段的差異最大化。本研究將波段兩兩組合優(yōu)化后，得出713 nm和754 nm為生姜葉片氮含量的敏感波段，歸一化光譜指數(shù)NDSI(754,713)為生姜葉片氮含量估測的最佳光譜指數(shù)。由于“紅邊”區(qū)域光譜反射率對生姜葉片氮含量影響較大，因此，基于“紅邊”位置變化的生姜葉片氮含量估算還有待于進一步的研究。

圖3 光譜指數(shù)NDSI(i,j)，RSI(i,j)與葉片氮含量的相關(guān)分析圖Fig. 3 Contour diagrams of correlation analysis between NDSI(i,j), RSI(i,j)and leaf nitrogen content

圖4 生姜葉片氮含量實測值與預(yù)測值的比較Fig. 4 Comparison between measured values and predicted values of leave nitrogen content of gingers

4 結(jié)論

采用高光譜數(shù)據(jù)對作物氮含量進行估測是精準農(nóng)業(yè)領(lǐng)域的主要研究內(nèi)容之一。本文利用2015年在重慶市特色植物種苗科技城獲取的生姜葉片高光譜和氮含量數(shù)據(jù)，對比分析了比值植被指數(shù)、歸一化植被指數(shù)、植被指數(shù)組合形式對生姜葉片氮含量的估測效果，其中，MCARI(705,750)/OSAVI(705,750)對葉片氮含量的估測效果最好（R2=0.73，RMSE=0.27，RE=11.64%）。在此基礎(chǔ)上，基于波段兩兩組合的原理，構(gòu)建了兩個新型光譜指數(shù)NDSI(754,713)與RSI(754,713)，其中，歸一化光譜指數(shù)NDSI(754,713)更適合生姜葉片氮含量的估算，模型估測精度R2達0.83，RMSE為0.21，使用的敏感波段713 nm與754 nm均位于植被的“紅邊”區(qū)域。對所建模型進行驗證，葉片氮含量的預(yù)測值和實測值具有較好的一致性，驗證樣本的決定系數(shù)R2為0.78，RMSE為0.20，RE為9.81%。上述分析結(jié)果，可為農(nóng)業(yè)管理部門及時掌握生姜長勢信息、制定施肥策略提供技術(shù)支持。

[1] 徐坤, 徐峰. 氮肥對生姜生長及產(chǎn)量的影響[J]. 中國蔬菜, 1999(6): 12-14. Xu K, Xu F. Effect of nitrogen on the growth and yield of ginger[J]. China Vegetables, 1999(6): 12-14.

[2] Yao X, Ren H, Cao Z, et al. Detecting leaf nitrogen content in wheat with canopy hyperspectrum under different soil backgrounds[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 32: 114-124.

[3] Feng W, Guo B B, Wang Z J, et al. Measuring leaf nitrogen concentration in winter wheat using double-peak spectral refection remote sensing data[J]. Field Crops Research, 2014, 159: 43-52.

[4] Xu X G, Zhao C J, Wang J H, et al. Using optimal combination method and in situ hyperspectral measurements to estimate leaf nitrogen concentration in barley[J]. Precision Agriculture, 2014, 15(2): 227-240.

[5] 高龍梅, 馮美臣, 陳鵬, 等. 不同播期冬小麥莖葉碳氮比的光譜監(jiān)測[J]. 麥類作物學(xué)報, 2014, 34(6): 816-822. Gao L M, Feng M C, Chen P, et al. Monitoring of C/N ratio instems and leaves of winter wheat sowed at different dates with canopy reflectance spectra[J]. Journal of Triticeae Crops, 2014, 34(6): 816-822.

[6] 陳志強, 王磊, 白由路, 等. 玉米葉片的光譜響應(yīng)及其氮素含量預(yù)測研究[J]. 光譜學(xué)與光譜分析, 2013, 33(4): 1066-1070. Chen Z Q, Wang L, Bai Y L, et al. Spectral response of maize leaves and prediction of their nitrogen content[J]. Spectroscopy and Spectral Analysis, 2013, 33(4): 1066-1070.

[7] 徐新剛, 趙春江, 王紀華, 等. 基于可見光-近紅外新光譜特征和最優(yōu)組合原理的大麥葉片氮含量監(jiān)測[J]. 紅外與毫米波學(xué)報, 2013, 32(4): 351-365. Xu X G, Zhao C J, Wang J H, et al. Associating new spectral features from visible and near infrared regions with optimal combination principle to monitor leaf nitrogen concentration in barley[J]. Journal of Infrared and Millimeter Waves, 2013, 32(4): 351-365.

[8] Li F, Miao Y X, Feng G H, et al. Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices[J]. Field Crops Research, 2014, 157: 111-123.

[9] Tian Y C, Gu K J, Chu X, et al. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J]. Plant and Soil, 2014, 376(1): 193-209.

[10] Jordan C F. Derivation of leaf-area index from quality of light on the forest foor[J]. Ecology, 1969, 50(4): 663-666.

[11] Xue L, Cao W, Luo W, et al. Monitoring leaf nitrogen status in rice with canopy spectral refectance[J]. Agronomy Journal, 2004, 96(1): 135-142.

[12] Zarco-Tejad A P J, Miller J R, Noland T L, et al. Scaling-up and model inversion methods with narrowband optical indices for chlorophy ll content estimation in closed forest canopies with hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(7): 1491-1507.

[13] Blackburn G A. Quantifying chlorophylls and carotenoids at leaf and canopy scales: An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment, 1998, 66(3): 273-285.

[14] Stroppiana D, Boschetti M, Brivio P A, et al. Plant nitrogen concentration in paddy rice from feld canopy hyperspectral radiometry[J]. Field Crops Research, 2009, 111(1/2): 119-129.

[15] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophy ll concentration from leaf and canopy refectance[J]. Remote Sensing of Environment, 2000, 74(2): 229-239.

[16] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral refectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2/3): 337-354.

[17] Dash J, Curran P J. The MERIS terrestrial chlorophyll index[J]. International Journal of Remote Sensing, 2004, 25(23): 5403-5413.

[18] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[19] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrowband vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2/3): 416-426.

[20] Wu C Y, Niu Z, Tang Q, et al. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation[J]. Agricultural and Forest Meteorology, 2008, 148(8/9): 1230-1241.

[21] Schlemmer M, Gitelson A, Schepers J, et al. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 25: 47-54.

[22] Liao Q H, Wang J H, Yang G J, et al. Comparison of spectral indices and wavelet transform for estimating chlorophyll content of maize from hyperspectral reflectance[J]. Journal of Applied Remote Sensing, 2013, 7(1): 073575.

[23] 陳鵬飛. 基于高光譜估測植株氮濃度及生物量的光譜指數(shù)研究與應(yīng)用[D]. 北京: 中國農(nóng)業(yè)大學(xué), 2009. Chen P F. Research on new hyperspectral indices for plant nitrogen concentration and biomass estimation and their applications[D]. Beijing: China Agricultural University, 2009.

[24] 趙春江, 黃文江, 王紀華, 等. 不同品種、肥水條件下冬小麥光譜紅邊參數(shù)研究[J]. 中國農(nóng)業(yè)科學(xué), 2002, 35(8): 980-987. Zhao C J, Huang W J, Wang J H, et al. Studies on the red edge parameters of spectrum in winter wheat under different varieties, fertilizer and water treatments[J]. Scientia Agricultura Sinica, 2002, 35(8): 980-987.

[25] Smith K L, Steven M D, Colls J J. Use of hyperspectral derivative ratios in the red-edge region to identify plant stress responses to gas leaks[J]. Remote Sensing of Environment, 2004, 92(2), 207-217.

（責(zé)任編輯：王育花）

Research on hyperspectral remote sensing estimation model for leaf nitrogen content in ginger

LIAO Qin-hong1a,1b, LI Hui-he1a,1b, ZHANG Qin1a
（1. Chongqing University of Art and Science, a. College of Life Science and Forestry, b. Research Institution for Special Plants, Yongchuan, Chongqing 402160, China）

Rapid estimation leaf nitrogen content in crops has important significance for knowing crop growth, monitoring diseases and insect pests, and evaluating crop yield. In this study, the hyperspectral data and leaf nitrogen content in gingers for different varieties, growth stages, and nitrogen fertilizer gradients were obtained from April to September in 2015. The estimation results of leaf nitrogen content in gingers were comparatively analyzed by using the combination of vegetation index, normalized differential vegetation index, and ratio vegetation index. The sensitive wavebands for estimating leaf nitrogen content in gingers were selected. The NDSI(754,713)and RSI(754,713)as two new spectral indexes were constructed by using waveband combination algorithm. The results showed that MCARI(705,750)/OSAVI(705,750)had the best effect for estimating the leaf nitrogen content in gingers in all the selected vegetation indexes, the R2, RMSE and RE were 0.73, 0.27 and 11.64%, respectively. The NDSI(754,713)constructed by waveband combination algorithm had the better effect than the MCARI(705,750)/OSAVI(705,750)for estimating the leaf nitrogen content in gingers, with the R2of its estimation accuracy being 0.83. The 713 nm and 754 nm as two sensitive wavebands were both in the vegetation red-edge region. The measured and predicted values of leaf nitrogen content in gingers had a good consistency through the model validation. The R2, RMSE and RE of calibration set were 0.78, 0.20 and 9.81%, respectively. Based on the analysis mentioned above, it can provide technical support for the agricultural administrative department to learn the growth of gingers quickly and make a suitable fertilization strategy.

ginger; leaf nitrogen content; hyperspectral data; spectral index; combination of wavebands

LI Hui-he, E-mail: lihuihe@cqwu.edu.cn.

S127

A

1000-0275（2017）02-0315-07

10.13872/j.1000-0275.2017.0018

廖欽洪, 李會合, 張琴. 生姜葉片氮含量的高光譜遙感估算模型研究[J]. 農(nóng)業(yè)現(xiàn)代化研究, 2017, 38(2): 315-321.

Liao Q H, Li H H, Zhang Q. Research on hyperspectral remote sensing estimation model for leaf nitrogen content in ginger[J]. Research of Agricultural Modernization, 2017, 38(2): 315-321.

國家自然科學(xué)基金項目（41401419）；重慶市教委科學(xué)技術(shù)研究項目（KJ1501123）；重慶文理學(xué)院學(xué)生科研項目（XSKY2016089）。作者簡介：廖欽洪（1979-），男，重慶永川人，博士，講師，研究方向為農(nóng)業(yè)遙感，E-mail：lqhwisdom@cqwu.edu.cn；通訊作者：李會合（1977-），男，河南內(nèi)鄉(xiāng)人，博士，教授，研究方向為農(nóng)業(yè)信息化，E-mail：lihuihe@cqwu.edu.cn。

2016-12-06，接受日期：2017-03-03

Foundation item: National Natural Science Foundation of China (41401419); Scientific and Technological Research Program of Chongqing Municipal Education Commission (KJ1501123); Student Research Project of Chongqing Academy of Arts and Sciences (XSKY2016089).

Received 6 December, 2016; Accepted 3 March, 2017