文章信息
- 史培华, 王远, 袁政奇, 孙青云, 蔡善亚, 陆喜瞻
- SHI Peihua, WANG Yuan, YUAN Zhengqi, SUN Qingyun, CAI Shanya, LU Xizhan
- 基于冠层RGB图像的冬小麦氮素营养指标监测
- Estimation of wheat nitrogen nutrition indices in winter wheat based on canopy RGB images
- 南京农业大学学报, 2020, 43(5): 829-837
- Journal of Nanjing Agricultural University, 2020, 43(5): 829-837.
- http://dx.doi.org/10.7685/jnau.202001020
-
文章历史
- 收稿日期: 2020-01-11
2. 中国科学院南京土壤研究所, 江苏 南京 210008;
3. 扬州大学农学院, 江苏 扬州 215009
2. Institute of Soil Science, Chinese Academy of Sciences, Nanjing 210008, China;
3. College of Agriculture, Yangzhou University, Yangzhou 215009, China
小麦是世界上第一大粮食作物, 也是我国最重要的粮食作物之一。据中华人民共和国国家统计局最新数据显示, 近10年(2009—2018年)我国小麦产量稳定提高, 其中单产提升了15.7%[1]。小麦生产中, 氮肥投入是增产的重要技术手段之一。氮素是小麦植株叶绿素、核酸、蛋白质等结构分子的重要成分, 对小麦产量形成和品质的影响至关重要。但在我国小麦生产中, 存在氮肥施用量过大、施肥方式不科学等问题, 导致农田中的氮肥仅约30%能被作物吸收利用[2-4], 其余大部分通过氨挥发、硝化-反硝化、淋洗和径流等途径进入大气和水体[5], 引起了一系列环境问题[6]。因此, 对小麦施肥进行精准管理, 实现科学施氮, 不仅具有节氮增效的生产意义, 也具有降低农田面源污染的生态意义。
快速有效掌握小麦关键生育期的氮素营养指标状况, 是实现精准肥料管理的前提。传统的氮肥推荐方法是通过适时了解土壤供氮水平, 并依据作物目标产量计算适宜需氮量, 以达到定量控制全生育期施氮总量的目的[7], 这种方法无法根据作物不同生长期的实际状况调整追肥量。而通过直接对肥料的作用主体—作物, 进行氮素营养监测, 并依据作物实际营养状况指导追肥, 可以在一定程度上增加农田氮素管理的时效性和精确性[8]。先前研究中, 已有较多关于利用多光谱和高光谱遥感设备进行氮素营养指标实时估算的报道, 并且得出作物氮素营养状况的敏感波段主要集中于可见光和近红外波段, 以“红边”区域表现最为显著[9]等结论。高光谱设备波段范围较大, 光谱分辨率高, 其特征波段能很好地匹配作物氮素营养指标, 但高光谱设备价格高昂, 需要专业人员操作, 在实际应用推广中受到一定限制[10]。氮素营养诊断研究中广泛应用的叶绿素仪利用基于650 nm的红光和940 nm的近红外光定量分析叶片叶绿素含量, 该设备携带方便, 但测试时覆盖样品面积较小(6 mm2), 需要进行大量的重复测试才可以提高结果的可信度[11-12]。
数码相机是我们日常接触较多的、可方便采集光谱信息的电子设备, 相机的感光元件能记录红(R)、绿(G)、蓝(B)3个宽波段(宽度80~130 nm)和部分近红外(NIR)波段的光谱信息, 这些波段恰好与利用高光谱设备进行氮素营养指标估算的常用波段一致[13-17]。Wang等[18]利用冠层图像估测水稻叶片的叶绿素含量, 发现国际照明委员会(Commission International Eclairage, CIE)L*a*b*颜色空间的b*分量与叶片叶绿素含量间相关性最好。李红军等[14]利用无人机搭载数码相机在低空拍摄冬小麦和玉米的影像, 发现对冬小麦氮素营养状况最敏感的参数是可见光大气阻抗植被指数(VARI), 对玉米氮素营养状况敏感的参数是蓝光标准化值。此外, 图像中提取的特征参数还与植株氮浓度、氮含量和氮肥施用量等指标间存在显著相关关系[19-20]。利用RGB图像进行作物氮素营养指标估算, 在降低测试成本、增大取样图像覆盖面积方面具有较好的综合优势。但在利用数码相机拍摄时, 图像的R、G、B值易受拍摄时光照条件、相机种类和作物冠层结构的影响, 利用图像颜色信息构建的氮素营养指标估算模型准确度并不十分理想[18]。本文在前人研究的基础上, 利用数码相机拍摄冬小麦冠层图像, 并从图像中提取冠层覆盖度和颜色相关特征参数进行分析, 尝试利用非颜色特征参数(冠层覆盖度)与冬小麦地上部生物量、氮积累量和LAI间建立氮素营养指标估算模型, 为冬小麦氮素指标监测和营养诊断提供更为便捷、准确的方法。
1 材料与方法 1.1 试验设计试验地点位于江苏省句容市江苏农博园(119°15′ E, 32°02′ N), 该地属亚热带季风气候区, 年均气温15.5 ℃, 日照时数1 999.3 h, 年均降雨量1 099.1 mm, 大于等于10 ℃积温4 952.7 ℃。试验田土壤类型为普通简育水耕人为土(typic hapli-stagnic anthrosols)[21], 土壤(0~20 cm)含全氮1.47 g · kg-1、全磷1.30 g · kg-1、全钾22.1 g · kg-1、有机质28.8 g · kg-1, pH6.5(水土比2.5 : 1)。
试验数据来自2个独立设计的氮肥梯度试验, 供试作物均为冬小麦, 具体如下:
试验1:于2016—2017年和2017—2018年在常规稻麦轮作农田中种植, 冬小麦播种时间分别为2016年11月13日和2017年11月16日, 收获时间分别为2017年5月30日和2018年6月1日。供试品种为‘扬麦25’, 采用人工撒播方式播种, 基本苗3.0×106株· hm-2。试验设N0、N1、N2、N3、N4、N5共6个氮肥处理, 3次重复, 小区面积32 m2。各处理小麦氮肥(尿素, 下同)施用量分别为0、54、108、162、216和270 kg · hm-2(以元素态N计, 下同)。各处理磷(过磷酸钙, 下同)、钾(氯化钾, 下同)肥施用量相同, 磷、钾肥施用量分别为60 kg · hm-2(以P2O5计, 下同)和90 kg · hm-2(以K2O计, 下同)。氮肥分基肥、腊肥与拔节肥按4 : 2 : 4(质量比)3次施入, 钾肥按1 : 1(质量比)分基肥与拔节肥2次施入, 磷肥作基肥一次性施入, 其他管理措施与大田生产相同。
试验2:于2016—2017年在常规稻麦轮作农田中种植, 冬小麦播种时间为2016年11月13日, 收获时间为2017年5月30日。供试品种为‘镇麦13’, 采用人工撒播方式播种, 基本苗3.0×106株· hm-2。试验设CK、N0、N1、N2、N3、N4共6个处理, 3次重复, 小区面积25 m2。各处理小麦氮肥施用量分别为0、0、90、150、210和270 kg · hm-2。除CK处理不施用磷、钾肥以外, 其余各处理磷、钾肥施用量均为40 kg · hm-2和60 kg · hm-2。氮肥分基肥、腊肥与拔节肥按4 : 2 : 4(质量比)3次施入, 钾肥按1 : 1(质量比)分基肥与拔节肥2次施入, 磷肥作基肥一次性施入, 其他管理措施与大田生产相同。
1.2 样品采集与测定为在冬小麦主要的追肥时期对氮素营养状况进行监测, 在小麦越冬后的返青期和拔节期采集地上部植株样品(具体取样时间见表 1)。每小区选择3个30 cm×30 cm的区域将地上部全部收割, 用LI-3000C(LI-COR, Inc.)叶面积仪测定叶面积指数(LAI)。植株样品装袋后在105 ℃杀青30 min后75 ℃烘干至质量恒定, 再称质量以确定地上部生物量。而后将样品粉碎, 用凯氏定氮法测定地上部植株的氮浓度。地上部氮积累量由地上部植株的生物量与氮浓度的乘积求得。
试验 Experiment |
品种 Cultivar |
第1次取样时间 First sampling date |
第2次取样时间 Second sampling date |
试验1 Experiment 1(2016—2017) | 扬麦25 Yangmai 25 | 2017-03-10 | 2017-04-02 |
试验1 Experiment 1(2017—2018) | 扬麦25 Yangmai 25 | 2018-03-13 | 2018-04-07 |
试验2 Experiment 2(2016—2017) | 镇麦13 Zhenmai 13 | 2017-03-10 | 2017-04-02 |
取样当天10:00—14:00, 用Canon G1X型数码相机(Canon Inc.)拍摄小麦冠层图像。拍摄时用三脚架固定相机, 并使相机镜头垂直冠层向下, 相机传感器距冠层顶部高度为1 m, 在所有试验小区的同一相对位置进行拍摄。相机设置为光圈优先模式, 光圈大小F5.6, 图像储存为jpg格式, 图像分辨率4 160×3 120。每次冠层图像拍摄前、后, 将18%灰卡(R-27, Kodak)放置于相同环境条件下进行拍摄, 用于图像预处理时对不同取样时期的冠层图像进行曝光度校正。
1.3 图像处理与数据分析垂直拍摄的小麦冠层图像在其生长的前中期(植株未完全覆盖地面时), 会有土壤、秸秆等非作物冠层部分, 因而需要对图像中的冠层部分进行分割提取。图像分割后可仅对作物冠层部分进行数据提取与分析, 排除非冠层部分的干扰。图像分割方法采用GMR(the difference of green and red channel)阈值法[22], 分割阈值设定为5, 即图像中GMR值小于5的像素点被分割为非冠层部分。该图像分割方法基于绿色植被和土壤在可见光区域反射光谱的差异, 绿色植被在绿光区有1个明显的反射峰, 但土壤在可见光区域的反射率没有明显变化, 因此, 通过对图像像素点的绿色通道和红色通道做减法运算, 可提高图像中作物冠层区域与非冠层区域的差异。图 1-a和1-b分别为冬小麦冠层原始图像和分割图像(图 1-b中绿色部分表示冬小麦冠层区域)。
图像分割后计算冬小麦冠层像素数占图像总像素的百分比作为冠层覆盖度(canopy coverage, CC), 并利用分割后的图像冠层部分计算红光标准化值(normalized redness intensity, NRI)、绿光标准化值(normalized greenness intensity, NGI)、绿红通道比值(G/R)、色相(hue, H)等特征参数。图像特征参数的计算采用单个通道的像素点平均值, 特征参数的计算方法[18]如下:
(1) |
(2) |
(3) |
(4) |
式中:R、G、B分别代表红、绿、蓝色通道的灰度值。
由于冠层图像分割采用了GMR阈值法, 分割后的图像GMR值将受分割阈值的影响, 因此本文用于数值分析的GMR值的计算采用未分割的原始冠层图像。
冠层图像分割及特征参数提取通过Matlab 2010a(The MathWorks Inc.)编程实现。冠层图像特征参数和冬小麦生物量、地上部氮积累量和LAI间进行的相关性分析和回归分析, 均采用R v3.3.0(R Core Team, 2017);采用Spearman计算相关系数。异速生长函数[Allometric Function, AF, 式(5)]和指数函数[Exponential Function, EF, 式(6)]常被应用于与生长、发育相关的模型[22-24], 本研究采用这2种函数进行回归分析。文中散点图和1 : 1图的绘制采用OriginPro 2019b(OriginLab Corp.)。
(5) |
(6) |
式中:X为自变量, 代表图像特征参数; Y为因变量, 代表地上部生物量、氮积累量或LAI; b表示小麦地上部生物量、氮积累量或LAI随CC增长的比例; a表示这种增长的基数。
2 结果与分析 2.1 冠层图像特征参数与冬小麦地上部生物量、氮积累量和LAI间的相关性对试验1中2016—2017年和2017—2018年的冠层图像特征参数与冬小麦氮素营养指标进行相关性分析。CC、GMR、G/R、NRI、H与冬小麦地上部生物量、氮积累量和LAI间具有极显著相关关系(P < 0.01), 相关系数在0.63~0.87(表 2)。其中NRI与地上部生物量、氮积累量和LAI呈负相关关系, 其余特征参数与地上部生物量、氮积累量和LAI呈正相关关系。CC与冬小麦地上部生物量、氮积累量和LAI间相关系数最高, 平均达到0.85(P < 0.01)。特征参数H、NRI、G/R、GMR与冬小麦地上部生物量、氮积累量和LAI间的相关系数依次降低, 平均值分别为0.79、-0.78、0.71和0.65(P < 0.01)。NGI与冬小麦地上部生物量和氮积累量间虽然具有显著相关性, 但相关系数很低, NGI与LAI间无显著相关关系。
指标 Items | CC | GMR | G/R | NRI | NGI | H |
地上部生物量 Shoot dry matter | 0.87** | 0.66** | 0.73** | -0.80** | 0.063** | 0.81** |
地上部氮积累量 Shoot N accumulation | 0.85** | 0.67** | 0.63** | -0.77** | 0.007 8* | 0.77** |
叶面积指数 LAI | 0.84** | 0.63** | 0.76** | -0.77** | 0.18 | 0.79** |
注: * * P < 0.01, *P < 0.05。图像特征参数为CC(冠层覆盖度)、GMR(绿红通道差值)、G/R(绿红通道比值)、NRI(红光标准化值)、NGI(绿光标准化值)、H(色相)。 Note: * * P < 0.01, *P < 0.05. Image feature parameters are CC(canopy coverage), GMR(the difference of green and red channel), G/R(the ratio of green and red channel), NRI(normalized redness intensity), NGI(normalized greenness intensity)and H(hue). |
图像的CC与冬小麦地上部生物量、氮积累量和LAI间相关系数最高, 与其他图像特征参数相比, CC的获取较为简单, 且不受拍摄时外界环境条件的影响。因此, 本文选择CC作为自变量建立地上部生物量、氮积累量和LAI的估算模型。
对试验1‘扬麦25’2年的试验数据绘制散点图(图 2), 结果显示:CC与冬小麦地上部生物量、氮积累量和LAI间均呈指数变化关系, 3个指标均随CC的增长呈指数增加趋势; 当CC较小时, 增长较为缓慢, 随着CC的增加, 3个指标的增长速率持续增加, 冬小麦CC最大值出现在0.9附近。分别采用异速生长函数式(5)和指数函数式(6)对其进行拟合, CC与地上部生物量、氮积累量和LAI间的决定系数在2个模型中存在一定差异(表 3)。CC与地上部生物量和氮积累量间的回归分析结果显示:采用异速生长函数的回归分析决定系数较高, 分别达到0.82和0.76(P < 0.01);而采用指数函数的回归分析决定系数较低, 分别为0.80和0.74(P < 0.01)。与地上部生物量和氮积累量间的回归分析结果相反, LAI与CC间的回归分析结果显示:采用指数函数进行回归分析的决定系数较高, 达到0.85(P < 0.01);而采用异速生长函数的回归分析决定系数为0.82(P < 0.01)。回归分析RMSE在不同指标和回归模型间的变化规律与决定系数的高低有关, 决定系数较高的模型, RMSE较低。
地上部生物量/(g·m-2) Shoot dry matter |
地上部氮积累量/(g·m-2) Shoot N accumulation |
叶面积指数 LAI |
|||||||||
2016— 2017 |
2017— 2018 |
汇总数据 Pooled data |
2016— 2017 |
2017— 2018 |
汇总数据 Pooled data |
2016— 2017 |
2017— 2018 |
汇总数据 Pooled data |
|||
异速生长函数 Allometric Function | |||||||||||
a | 520.33 | 521.25 | 520.64 | 21.55 | 19.93 | 20.40 | 2.57 | 3.30 | 2.94 | ||
b | 2.13 | 2.16 | 2.15 | 2.11 | 2.04 | 2.05 | 2.16 | 3.11 | 2.61 | ||
RMSE | 39.04 | 66.68 | 53.86 | 1.97 | 3.04 | 2.53 | 0.25 | 0.28 | 0.26 | ||
R2 | 0.88 | 0.77 | 0.82 | 0.83 | 0.71 | 0.76 | 0.79 | 0.84 | 0.82 | ||
指数函数 Exponential Function | |||||||||||
a | 17.52 | 19.76 | 19.25 | 0.74 | 0.88 | 0.85 | 0.07 | 0.04 | 0.06 | ||
b | 3.70 | 3.48 | 3.53 | 3.68 | 3.32 | 3.40 | 3.91 | 4.64 | 4.21 | ||
RMSE | 41.69 | 69.78 | 56.83 | 2.08 | 3.15 | 2.65 | 0.23 | 0.25 | 0.24 | ||
R2 | 0.86 | 0.75 | 0.80 | 0.82 | 0.69 | 0.74 | 0.82 | 0.87 | 0.85 | ||
注:回归的自变量为冠层覆盖度CC, 因变量为地上部生物量、氮积累量或LAI之一; a、b为拟合函数的参数; RMSE为均方根误差。 Note: The independent variable of regression is canopy coverage, dependent variable is one of shoot dry matter, shoot N accumulation or LAI; a and b are parameters of the regression function; RMSE is root mean square error. |
分别对试验1的2年数据单独进行回归分析, 结果显示:无论是采用异速生长函数的模型还是采用指数函数的模型, 地上部生物量和氮积累量与CC间的决定系数均为2016—2017年较高, LAI与CC间的决定系数在2017—2018年较高。相同模型下, 2年回归分析决定系数间差值约为11.2%。将采用异速生长函数和指数函数的回归分析结果进行对比, 发现地上部生物量和氮积累量与CC间的回归模型采用异速生长函数具有较高的决定系数, LAI与CC间的回归模型采用指数函数具有较高的决定系数。
2.3 模型验证利用独立的数据(试验2)对所建立的冬小麦地上部生物量、氮积累量和LAI估算模型进行验证。由图 3可知, 对于以上3个估算模型采用异速生长函数的模型观测值和预测值间的决定系数分别为0.91、0.88、0.89(图 3-a、b、c)(P < 0.01), 采用指数函数的模型观测值和预测值间的决定系数分别为0.89、0.86、0.91(图 3-d、e、f)(P < 0.01), 2种模型的预测结果均表现较好。此外, 异速生长函数模型对地上部生物量和氮积累量的预测值与观测值间的RMSE相比指数函数模型要高(图 3-a、b、d、e), 但异速生长函数模型对LAI的预测值与观测值间的RMSE相比指数函数模型要低(图 3-c、f)。
3 讨论 3.1 图像冠层覆盖度与其他图像特征参数的比较表 2结果中5个颜色特征参数GMR、G/R、NRI、NGI、H与地上部生物量、地上部氮积累量和LAI的相关性比图像冠层覆盖度(CC)与三者间的相关性低, 因此本文选用CC建模对冬小麦氮素营养状况进行预测。这主要是因为, 从图像中提取的5个颜色特征参数是由图像R、G、B值计算得来, 即便是对同一场景进行拍摄, 得到相同场景图像中的R、G、B值也会受拍摄时光照强度、光线入射角度等气象因素, 以及相机传感器、测光系统和信号处理系统的影响[25-27]。而从图像中提取CC, 仅需将图像中冠层部分和非冠层部分进行分割, 对于图像分割进行的运算是判断图像中的像素是否为作物冠层部分(结果仅为是或非), 而不是对图像中的R、G、B值进行定量分析, 因此, 从图像中提取CC的精度要远高于利用RGB图像还原作物颜色特征的精度。在非定量分析的前提下, 图像拍摄时环境光线的变化、相机差异等因素不会对CC的提取产生实质性的影响, 因此, 一般情况下基于CC的作物氮素营养指标估算模型的准确度要高于基于其他颜色特征参数的估算模型[18, 22, 27-28]。然而, 随着群体作物生长量的增加, 图像冠层覆盖度会在作物生育后期出现饱和现象, 这与监测中常用的NDVI等指标类似。本研究目的是在小麦主要追肥时期对其氮素营养状况进行监测, 从而进行氮素营养诊断和推荐施肥, 而生育后期一般不会再进行追肥, 因此这种饱和现象不会对氮素营养诊断和推荐施肥带来影响。同时, 本研究中采用的冠层覆盖度是通过图像分割提取的, 相比点源式光谱仪可在一定程度上减弱饱和现象的影响。
3.2 氮素营养指标估算模型的泛化性能模型的泛化性能是指模型对新鲜样本的适应能力, 泛化能力的强弱直接决定模型应用范围和价值。本研究利用不同小麦品种的独立试验数据对模型进行验证, 结果显示基于CC的氮素营养指标估算模型具有较强的泛化能力。但将模型应用于冠层结构差异较大的品种或不同的作物时, 仍需重新对模型参数进行校正, 这是因为不同作物在株高、分蘖数、叶片结构、叶倾角和叶片发育进程上存在较大差异, 会对图像冠层覆盖度产生直接影响[29-32]。本研究中冬小麦的CC达到0.8~0.9时, 相应的LAI仅为3左右; 而在基于水稻(粳稻)的研究中, 当CC达到0.8时, 相应的LAI可达7~8[22-23]。产生这种现象的主要原因是小麦叶片柔软, 较为低垂, 叶倾角大, 因而在叶面积指数较小时就拥有较大的冠层覆盖度[29]; 而水稻(特别是粳稻)叶片较为直立, 叶倾角小, 株型较为紧凑, 在CC达到0.8时已具有很高的叶面积指数[22-23]。为减少品种固有差异对氮素营养诊断的影响, 部分研究利用足量供氮小区作为参照[33], 通过计算氮充足指数(NSI)评价作物的氮素营养状况, 这种方法也可在一定程度上增加模型的泛化性能。后续研究将尝试利用CC计算冬小麦不同生育时期的氮充足指数并与诊断模型整合, 以期实现更加便捷的氮素营养诊断, 提高模型在不同作物间的泛化性能。
3.3 氮素营养指标估算的方法比较传统的氮素营养指标估算方法较为费时费力, 不具有时效性。随着光谱处理技术和图像传感技术等的不断发展, 氮素营养指标无损监测技术的时效性越来越强, 测试方法越来越便捷, 成本也逐渐降低。先前利用高光谱技术的氮素营养监测研究中, 冯伟等[24]建立的小麦地上部氮积累量估算模型在验证数据集上的R2最高达到0.84(P < 0.01), RMSE为0.98 g · m-2; 王仁红等[34]建立的回归模型在验证数据集上的R2达到0.72(P < 0.01), RMSE为2.86 g · m-2。对比本研究中异速生长函数模型对地上部生物量的估算精度, 验证数据集中R2达到0.88(P < 0.01), 较先前研究有所提高, 但RMSE(1.37 g · m-2)未达到最优。对于高光谱数据量大的特点, 部分研究将高光谱数据与作物模型或数据融合算法结合, 从而提高作物氮素营养指标的估算精度。Jin等[35]通过AquaCrop模型和粒子群算法建立的方法对小麦地上部生物量的估算精度(R2)达到0.83(P < 0.01), RMSE为165 g · m-2。在本研究中, 基于图像CC的小麦地上部生物量估算精度(R2)达到0.91(P < 0.01), RMSE为31.09 g · m-2, 较先前研究有较大优势。CC对小麦地上部生物量和LAI估算精度较高, 这主要是因为作物生长时冠层对地面的遮蔽情况与作物生长状况密切相关。一般来说, 当作物种植密度一定时, 作物生长时冠层覆盖度越高, 光合有效面积越高, 作物的营养状况也越好[36]。因此, CC与作物群体生物量、LAI等指标相关性较高, 较适合于作物群体的氮素营养指标监测。同时, RGB图像的获取较为简单, 通过智能手机拍摄、处理, 即可实时获取诊断结果, 可显著降低检测成本, 有利于技术的推广应用。
从冠层RGB图像提取的特征参数中, CC的提取受外界环境条件和相机类型的影响小, 提取准确度高。CC与冬小麦地上部生物量、氮积累量和LAI间的相关系数最高, 分别为0.87、0.85和0.84(P < 0.01)。基于CC的冬小麦氮素营养指标估算模型可采用异速生长函数或指数函数建立, 2种模型在独立数据集上对地上部生物量、氮积累量和LAI估算精度(R2)平均分别为0.90、0.87和0.90(P < 0.01), RMSE平均分别为30.02 g · m-2、1.36 g · m-2和0.17, 具有较好的预测性。基于RGB图像的冬小麦氮素营养指标的估算方法操作简单, 准确度高, 可望为作物氮素营养诊断和实时氮肥管理提供更为简便、有效的方法。
[1] |
中华人民共和国国家统计局.中国统计年鉴[DB/OL].北京: 中华人民共和国国家统计局, 2019[2019-08-15]. http://data.stats.gov.cn. National Bureau of Statistics of China. China Statistical Yearbook[DB/OL]. Beijing: National Bureau of Statistics of China, 2019[2019-08-15]. http://data.stats.gov.cn (in Chinese). |
[2] |
于飞, 施卫明. 近10年中国大陆主要粮食作物氮肥利用率分析[J]. 土壤学报, 2015, 52(6): 1311-1324. Yu F, Shi W M. Nitrogen use efficiencies of major grain crops in China in recent 10 years[J]. Acta Pedologica Sinica, 2015, 52(6): 1311-1324 (in Chinese with English abstract). |
[3] |
张伟纳, 刘宇娟, 董成, 等. 氮肥运筹对潮土冬小麦/夏玉米产量及氮肥利用率的影响[J]. 土壤学报, 2019, 56(1): 165-175. Zhang W N, Liu Y J, Dong C, et al. Effect of nitrogen application on yield and nitrogen use efficiency of winter wheat and summer maize in fluvo-aquic soil[J]. Acta Pedologica Sinica, 2019, 56(1): 165-175 (in Chinese with English abstract). |
[4] |
陈军, 叶荣榕, 李程勋, 等. 不同氮肥运筹方式对水稻氮素利用率及产量的影响[J]. 福建农业学报, 2012, 27(7): 759-763. Chen J, Ye R R, Li C X, et al. Effects of nitrogen fertilizer management on rice yield and nitrogen utilization efficiency[J]. Fujian Journal of Agricultural Sciences, 2012, 27(7): 759-763 (in Chinese with English abstract). |
[5] |
Zhang X, Davidson E A, Mauzerall D L, et al. Managing nitrogen for sustainable development[J]. Nature, 2015, 528(7580): 51-59. DOI:10.1038/nature15743 |
[6] |
Sutton M A, Oenema O, Erisman J W, et al. Too much of a good thing[J]. Nature, 2011, 472(7342): 159-161. DOI:10.1038/472159a |
[7] |
王宜伦, 白由路, 王磊, 等. 基于养分专家系统的小麦-玉米推荐施肥效应研究[J]. 中国农业科学, 2015, 48(22): 4483-4492. Wang Y L, Bai Y L, Wang L, et al. Effects of recommended fertilization based on nutrient expert in winter wheat and summer maize rotation system[J]. Scientia Agricultura Sinica, 2015, 48(22): 4483-4492 (in Chinese with English abstract). |
[8] |
Diacono M, Rubino P, Montemurro F. Precision nitrogen management of wheat:a review[J]. Agronomy for Sustainable Development, 2013, 33(1): 219-241. |
[9] |
唐延林, 王人潮, 张金恒, 等. 高光谱与叶绿素计快速测定大麦氮素营养状况研究[J]. 麦类作物学报, 2003, 23(1): 63-66. Tang Y L, Wang R C, Zhang J H, et al. Study on determining nitrogenous levels of barley by hyperspectral and chlorophyll meter[J]. Journal of Triticeae Crops, 2003, 23(1): 63-66 (in Chinese with English abstract). |
[10] |
卢艳丽, 白由路. 用于植物营养诊断的几种便携式光谱仪应用比较[J]. 中国农业信息, 2011(11): 29-30, 32. Lu Y L, Bai Y L. Comparison of several portable spectrometers for plant nutrition diagnosis[J]. China Agricultural Information, 2011(11): 29-30, 32 (in Chinese with English abstract). |
[11] |
Wang G Y, Bronson K F, Thorp K R, et al. Multiple leaf measurements improve effectiveness of chlorophyll meter for durum wheat nitrogen management[J]. Crop Science, 2014, 54(2): 817-826. DOI:10.2135/cropsci2013.03.0160 |
[12] |
朱云, 史力超, 冶军, 等. 滴灌春小麦氮素营养诊断施肥方法研究[J]. 麦类作物学报, 2015, 35(1): 93-98. Zhu Y, Shi L C, Ye J, et al. Comparison of three rapid diagnosis methods for N fertilizing on drip-irrigated spring wheat[J]. Journal of Triticeae Crops, 2015, 35(1): 93-98 (in Chinese with English abstract). |
[13] |
吴倩, 孙红, 李民赞, 等. 玉米作物多光谱图像精准分割与叶绿素诊断方法研究[J]. 光谱学与光谱分析, 2015, 35(1): 178-183. Wu Q, Sun H, Li M Z, et al. Research on maize multispectral image accurate segmentation and chlorophyll index estimation[J]. Spectroscopy and Spectral Analysis, 2015, 35(1): 178-183 (in Chinese with English abstract). |
[14] |
李红军, 李佳珍, 雷玉平, 等. 无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究[J]. 中国生态农业学报, 2017, 25(12): 1832-1841. Li H J, Li J Z, Lei Y P, et al. Diagnosis of nitrogen nutrition of winter wheat and summer corn using images from digital camera equipped on unmanned aerial vehicle[J]. Chinese Journal of Eco-Agriculture, 2017, 25(12): 1832-1841 (in Chinese with English abstract). |
[15] |
江杰, 张泽宇, 曹强, 等. 基于消费级无人机搭载数码相机监测小麦长势状况研究[J]. 南京农业大学学报, 2019, 42(4): 622-631. Jiang J, Zhang Z Y, Cao Q, et al. Use of a digital camera mounted on a consumer-grade unmanned aerial vehicle to monitor the growth status of wheat[J]. Journal of Nanjing Agricultural University, 2019, 42(4): 622-631 (in Chinese with English abstract). DOI:10.7685/janu.201904065 |
[16] |
Singh A, Ganapathysubramanian B, Singh A K, et al. Machine learning for high-throughput stress phenotyping in plants[J]. Trends in Plant Science, 2016, 21(2): 110-124. DOI:10.1016/j.tplants.2015.10.015 |
[17] |
Barbedo J G A. Detection of nutrition deficiencies in plants using proximal images and machine learning:a review[J]. Computers and Electronics in Agriculture, 2019, 162: 482-492. DOI:10.1016/j.compag.2019.04.035 |
[18] |
Wang Y, Wang D J, Shi P H, et al. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light[J]. Plant Methods, 2014, 10(1): 1-11. DOI:10.1186/1746-4811-10-1 |
[19] |
Paleari L, Movedi E, Vesely F M, et al. Estimating crop nutritional status using smart apps to support nitrogen fertilization:a case study on paddy rice[J]. Sensors, 2019, 19(4): 981. DOI:10.3390/s19040981 |
[20] |
Elsayed S, Barmeier G, Schmidhalter U. Passive reflectance sensing and digital image analysis allows for assessing the biomass and nitrogen status of wheat in early and late tillering stages[J]. Frontiers in Plant Science, 2018, 9: 1478. DOI:10.3389/fpls.2018.01478 |
[21] |
中国科学院南京土壤研究所土壤系统分类课题组, 中国土壤系统分类课题研究协作组. 中国土壤系统分类检索[M]. 3版. 合肥: 中国科学技术大学出版社, 2001. Chinese Soil Taxonomy Research Group, Institute of Soil Science, Chinese Academy of Sciences, Cooperative Research Group on Chinese Soil Taxonomy. Keys to Chinese Soil Taxonomy[M]. 3rd ed. Hefei: Press of University of Science and Technology of China, 2001 (in Chinese). |
[22] |
Wang Y, Wang D J, Zhang G, et al. Estimating nitrogen status of rice using the image segmentation of G-R thresholding method[J]. Field Crops Research, 2013, 149: 33-39. DOI:10.1016/j.fcr.2013.04.007 |
[23] |
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: 57-65. DOI:10.1016/j.eja.2013.02.011 |
[24] |
冯伟, 朱艳, 田永超, 等. 基于高光谱遥感的小麦叶片氮积累量[J]. 生态学报, 2008, 28(1): 23-32. Feng W, Zhu Y, Tian Y C, et al. Monitoring leaf nitrogen accumulation with hyper-spectral remote sensing in wheat[J]. Acta Ecologica Sinica, 2008, 28(1): 23-32 (in Chinese with English abstract). |
[25] |
Muñoz-Huerta R F, Guevara-Gonzalez R G, Contreras-Medina L M, et al. A review of methods for sensing the nitrogen status in plants:advantages, disadvantages and recent advances[J]. Sensors, 2013, 13(8): 10823-10843. DOI:10.3390/s130810823 |
[26] |
Barbedo J G A. A review on the main challenges in automatic plant disease identification based on visible range images[J]. Biosystems Engineering, 2016, 144: 52-60. DOI:10.1016/j.biosystemseng.2016.01.017 |
[27] |
陈佳悦, 姚霞, 黄芬, 等. 基于图像处理的冬小麦氮素监测模型[J]. 农业工程学报, 2016, 32(4): 163-170. Chen J Y, Yao X, Huang F, et al. N status monitoring model in winter wheat based on image processing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(4): 163-170 (in Chinese with English abstract). |
[28] |
夏莎莎, 张聪, 李佳珍, 等. 基于手机相机获取冬小麦冠层数字图像的氮素诊断与推荐施肥研究[J]. 中国生态农业学报, 2018, 26(4): 538-546. Xia S S, Zhang C, Li J Z, et al. Study on nitrogen nutrition diagnosis and fertilization recommendation of winter wheat using canopy digital images from cellphone camera[J]. Chinese Journal of Eco-Agriculture, 2018, 26(4): 538-546 (in Chinese with English abstract). |
[29] |
Li Y, Chen D L, Walker C, et al. Estimating the nitrogen status of crops using a digital camera[J]. Field Crops Research, 2010, 118(3): 221-227. DOI:10.1016/j.fcr.2010.05.011 |
[30] |
Liu J G, Pattey E. Retrieval of leaf area index from top-of-canopy digital photography over agricultural crops[J]. Agricultural and Forest Meteorology, 2010, 150(11): 1485-1490. DOI:10.1016/j.agrformet.2010.08.002 |
[31] |
Patrignani A, Ochsner T E. Canopeo:a powerful new tool for measuring fractional green canopy cover[J]. Agronomy Journal, 2015, 107(6): 2312-2320. DOI:10.2134/agronj15.0150 |
[32] |
Makanza R, Zaman-Allah M, Cairns J E, et al. High-throughput phenotyping of canopy cover and senescence in maize field trials using aerial digital canopy imaging[J]. Remote Sensing, 2018, 10(2): 330. DOI:10.3390/rs10020330 |
[33] |
Nigon T J, Mulla D J, Rosen C J, et al. Evaluation of the nitrogen sufficiency index for use with high resolution, broadband aerial imagery in a commercial potato field[J]. Precision Agriculture, 2014, 15(2): 202-226. DOI:10.1007/s11119-013-9333-6 |
[34] |
王仁红, 宋晓宇, 李振海, 等. 基于高光谱的冬小麦氮素营养指数估测[J]. 农业工程学报, 2014, 30(19): 191-198. Wang R H, Song X Y, Li Z H, et al. Estimation of winter wheat nitrogen nutrition index using hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(19): 191-198 (in Chinese with English abstract). |
[35] |
Jin X L, Kumar L, Li Z H, et al. Estimation of winter wheat biomass and yield by combining the AquaCrop model and field hyperspectral data[J]. Remote Sensing, 2016, 8(12): 972. DOI:10.3390/rs8120972 |
[36] |
Huang M, Shan S L, Zhou X F, et al. Leaf photosynthetic performance related to higher radiation use efficiency and grain yield in hybrid rice[J]. Field Crops Research, 2016, 193: 87-93. DOI:10.1016/j.fcr.2016.03.009 |