基于近红外光谱与化学计量学的水稻叶片氮含量无损检测及基因型特异性氮肥管理研究

《Scientific Reports》：Improving nitrogen use efficiency in rice by estimating leaf nitrogen content with near-infrared spectroscopy and chemometric modeling

本研究针对水稻氮肥管理效率低下的问题，通过近红外光谱（NIRS）结合化学计量学建模，对五个水稻基因型的叶片氮含量（LNC）进行非侵入式快速分类。结果表明，1700–2200 nm光谱区域分类准确率超过94%，首次实现了多基因型水稻氮水平的精准区分，为基因型导向的精准施肥和氮素利用效率（NUE）提升提供了技术支撑，契合联合国可持续发展目标（SDGs 2、12、13、15）。

　　

氮是水稻生长发育不可或缺的关键元素，它不仅是叶绿素、氨基酸、蛋白质和核酸的组成成分，更直接参与光合作用与代谢过程。然而，在实际生产中，氮肥的施用常面临两难困境：过量施用会导致硝酸盐淋溶、土壤退化及温室气体排放等环境问题；施氮不足则会引起水稻减产和稻米品质下降。传统上，叶片氮含量（LNC）的测定依赖于凯氏定氮法等破坏性化学方法，虽然准确但过程繁琐、成本高、效率低，难以满足大规模田间实时监测的需求。因此，开发一种快速、无损、可扩展的氮素评估技术，对于实现水稻生产的精准氮肥管理和农业可持续发展具有重要意义。

近红外光谱（NIRS）技术作为一种“绿色”分析手段，通过检测植物组织与光的相互作用，能够捕捉到与O-H、C-H、N-H等化学键相关的分子振动信息，从而间接推算出蛋白质、碳水化合物等含氮化合物的含量。当NIRS与化学计量学方法结合时，便可构建出高效的预测模型。尽管此前已有研究将NIRS用于水稻氮含量估算，但多数局限于单一基因型或较宽的氮梯度，未能充分考虑基因型差异和生育期变化对光谱响应的影响。为此，本研究首次系统评估了NIRS在五个不同水稻基因型（Nerica、Rufipogon、IR64、Ciherang和Curinga）中，对五个氮处理水平（0%、25%、50%、75%、100%）的分类能力，旨在为基因型特异性的氮肥管理策略提供新途径。

本研究由国际热带农业中心（CIAT）等机构的研究团队完成，论文发表于《Scientific Reports》。为开展此项研究，作者主要采用了以下关键技术方法：在田间试验设计上，采用随机完全区组设计，设置了五个水稻基因型和五个氮处理水平，并在三个关键生育期（移栽后第27天、41天和53天）采集新鲜叶片样本；在光谱数据采集方面，使用便携式ASD LabSpec^?4光谱仪获取350–2500 nm范围的高分辨率光谱数据，并通过基线校正、标准正态变量变换（SNV）和一阶导数等预处理方法优化数据质量；在化学计量学建模中，采用主成分分析（PCA）进行特征提取，再结合线性判别分析（LDA）构建PCA-LDA分类模型，并基于准确率、灵敏度和特异性等指标评估模型性能。

新鲜水稻叶片近红外光谱特征

通过对2700条光谱的分析，研究人员发现原始近红外光谱在970、1200、1450、1750、1930、2100和2350 nm等处出现了明显的吸收峰，这些峰位分别对应O-H、C-H和N-H等化学键的振动模式，与水分、蛋白质、氨基酸等含氮化合物密切相关。特别是2100–2350 nm范围内的吸收特征，与酰胺键倍频和N-H弯曲振动有关，是反映叶片氮含量的关键区域。经过预处理后，光谱的解析度得到提升，但不同氮处理之间的视觉区分仍不明显，说明需要借助多元统计方法进行深入挖掘。主成分分析（PCA）结果显示，第一主成分（PC-1）和第二主成分（PC-2）共同解释了97.7%的方差，其中D1的光谱与其他两天明显分离，表明生育期变化对叶片生化组成及光谱特征有显著影响。

叶片氮含量分类判别

PCA-LDA模型在不同光谱范围内的分类性能表现出明显差异。整体上，1700–2200 nm区域的表现最优，训练集和测试集的准确率均超过94%，且在各基因型中均保持稳定。相比之下，350–1000 nm的可见-近红外区域分类准确率最低（约82–90%），主要因为该波段受叶绿素等色素影响较大，对氮含量的特异性响应较弱。在基因型层面，IR64的分类准确率最高，尤其在1700–2200 nm波段测试准确率超过94%，而Rufipogon和Curinga在中等氮水平（25%、50%）下容易出现谱类重叠，说明不同基因型对氮供应的生理响应存在差异。这些结果证实，1700–2200 nm波段因其对氮相关官能团的高敏感性，是最适合用于水稻叶片氮含量无损检测的光谱区间。

线性判别分析得分图展示

LDA得分图直观展示了不同氮处理下的光谱分类情况。从图中可以看出，0%和100%氮处理的光谱能够形成明显分离的簇群，而25%、50%和75%等中间水平则存在一定重叠，说明极端氮水平下的生化差异更容易被光谱捕捉，而中等氮水平之间的过渡则较为连续。此外，不同测量日期的光谱分布也呈现一定规律，D1的光谱多集中于左侧，D2和D3则偏右分布，再次印证了生育期对光谱特征的调控作用。这种分类模式在不同基因型中均保持一致，进一步验证了PCA-LDA模型在区分水稻氮素状态方面的可靠性和普适性。

本研究通过整合近红外光谱与化学计量学方法，首次实现了多基因型水稻叶片氮含量的快速、无损分类。结果表明，1700–2200 nm光谱区域对氮相关生化变化最为敏感，分类准确率稳定在94%以上，且IR64等基因型表现出更高的分类精度，说明基因型特性对氮素的光谱响应具有重要影响。这一发现不仅为水稻氮素监测提供了一种非破坏性技术替代方案，更深化了我们对不同水稻品种氮代谢生理差异的理解。从应用层面看，该研究成果有助于制定基因型特异性的施肥策略，提高氮素利用效率（NUE），减少化肥面源污染，推动农业生产的精准化和可持续发展。随着嵌入式光谱设备和人工智能算法的不断进步，未来有望将此类模型部署至田间手持设备或遥感平台，实现氮素水平的实时诊断与调控，为全球粮食安全和生态环境保护提供技术支撑。