基于氮分布模型构建和利用植被指数聚类方法对冬小麦叶片氮含量进行定量反演的遥感估算

《Computers and Electronics in Agriculture》：Remote sensing estimation for winter wheat plant nitrogen based on nitrogen distribution model building and leaf nitrogen quantitatively inversion using vegetation index clustering method

准确估算冬小麦全株氮积累（PNA）对精准氮肥管理至关重要。本研究通过聚类分析和多指数评估（R、GCD、EVC、FIM、VIP）筛选最优植被指数组合，构建了基于氮素分配机制的PNA-NPM Wheat模型：PNA = f(VIs)/(?1.166×RGS + 1.155)，显著优于传统随机森林模型（R2从0.21提升至0.71）。模型实现了全生育期氮积累动态监测，验证了植被指数聚类与生理分配机制耦合的有效性。

　　

朱洪春|赵晨轩|李杰|李振海|朱国灿

山东科技大学测绘与地理信息学院，中国青岛266590

摘要

准确估算整株植物的氮积累量对于冬小麦的精准氮管理至关重要。然而，直接基于高光谱植被指数（VI）构建的植物氮积累（PNA）估算模型受到特定生长阶段的严重限制，因为其固有的瞬时静态特性与作物氮分布的动态性质之间存在根本矛盾，从而导致模型的普遍性和稳健性不足。因此，本研究旨在开发一个既具有机制性又具有普遍性的PNA估算模型，使其适用于冬小麦的整个生长周期。基于2013年至2021年的多因素正交实验数据，引入了一种结合聚类分析（R、GCD、EVC、FIM、VIP）的新方法来确定最优的VI组合。随后，建立了一个用于叶片氮积累（LNA）的随机森林反演模型。最关键的是，本研究发现LNA与PNA的比值（LNA/PNA）与基于标准化有效累积温度计算的相对生长积温（RGS，范围0–1）之间存在高度显著的线性负相关关系（R² = 0.93）。基于此，创新性地将遥感反演与生理分布机制相结合，构建了PNA-NPM_Wheat模型：PNA = f(VIs) / (?1.166 × RGS + 1.155)。结果表明，当VI被分为四类时构建的LNA_-HC4模型在LNA反演中表现最佳，其R²和RMSE值分别为0.77和1.38 g m^?2，显著优于仅基于单一指标的五种反演模型。在PNA估算方面，PNA-NPM_Wheat模型（R² = 0.71，RMSE = 4.48 g m^?2）的准确性显著高于随机森林回归模型（PNA-RFR）（R² = 0.21，RMSE = 6.59 g m^?2）。这一结果表明，本研究开发的PNA-NPM_Wheat模型能够更有效地估算整个生长周期内冬小麦的PNA，具有重要的实际价值和更广泛的应用潜力。

引言

氮是作物生长发育中不可或缺的营养元素，被称为“生命元素”（Li等人，2017年）。在农业生产中，应及时监测小麦等重要粮食作物的氮状况，以实现科学的氮肥管理。植物氮积累（PNA）是指作物在其整个生长周期内各个器官（叶片、茎秆和穗）中积累的氮总量。叶片氮积累（LNA）主要代表特定生长阶段单个叶片或一组叶片中的总氮含量。这两个指标都反映了作物的氮需求，并揭示了其氮吸收和利用效率（Ata-Ul-Karim等人，2014年；Feng等人，2008年）。

传统的氮监测方法通常依赖于田间采样和室内生化分析，无法满足大面积、长期动态监测作物氮状况的需求（Fu等人，2020年）。高光谱遥感技术出现于20世纪80年代，能够快速获取大范围作物冠层的光谱信息，已成为推导氮含量等生化参数的强大工具（Pandey等人，2018年；Sahoo等人，2024年）。目前用于监测作物生化参数的遥感方法分为五类：光谱特征分析（Clark和Roush，1984年）、植被指数（VI）筛选（Xue和Su，2017年）、高级数据挖掘（Das等人，2022年）、物理建模（Kimes等人，2000年）以及混合方法（Liu等人，2016年）。在LNA反演方面，（Yin等人，2021年）构建了一个三波段指数组合VI，其在模拟棉花叶片氮含量（LNC）方面优于传统指数。然而，单一指数无法完全反映光谱反射特性。（Su等人，2024年）研究了一种多生长阶段敏感的特征组合指数（FCI）和估算模型，但光谱混合降低了模型的准确性。一项多因素长期实验提出了一种角度不敏感的指数（AIVI），可以有效监测LNC，但其泛化能力需要进一步验证（（He等人，2016年）。在PNA反演方面，大多数研究使用光谱参数与现有的植被指数（VI）相结合进行估算（Feng等人，2024年），或者根据具体研究区域建立新的VI（Song等人，2021年；Bajwa等人，2010年），但模型预测的有效性和灵活性无法保证。（Feng等人，2015年）开发了一种改进的红边比率（mRER）三波段方法来准确估算小麦氮积累。然而，不同生长阶段（特别是从营养生长期到生殖生长期）的冠层结构差异阻碍了使用VI进行整个生殖期的氮估算。（Li等人，2013年）发现优化的三角植被指数（OTVI）与小麦氮积累密切相关，但作物生长可能导致VI饱和并对光谱反射产生显著背景效应。上述大多数研究主要集中在叶片尺度上，当试图直接使用光谱信息估算代表植物整体氮状况的PNA时，存在显著限制。根本原因在于光谱信号主要检测冠层上部叶片的信息，而PNA代表的是整个植物所有器官的总氮含量。在生长和发育过程中，不同器官之间的氮分配比例（例如LNA/PNA）会发生变化（例如，在营养生长期氮集中在叶片中，而在生殖生长期则向穗部转移），导致冠层光谱数据与PNA之间的关系复杂且不稳定。因此，迫切需要一种新方法，将作物生理和生态过程与遥感信息相结合，以克服直接反演的局限性。

冬小麦的氮营养状况不是一个静态指标，而是一个贯穿整个生长期的动态过程变量。其生长发育伴随着显著的形态变化和生化成分迁移，导致不同器官（如叶片、茎秆和穗）中氮的积累和分布存在连续的、阶段特异性的差异（Zhou等人，2018年）。这种差异源于各种作物的内在生理需求和氮利用策略。因此，精确且无创地监测PNA对于阐明作物氮代谢机制和促进精准氮肥施用至关重要。LNA和PNA是评估氮营养状况和作物生长的重要指标，它们相互关联。从生物学角度来看，叶片中的氮含量可以间接反映植物是否缺氮（Sun等人，1981年），土壤中氮含量的变化会影响植物的氮水平，从而影响LNA（Shi等人，2015年）。同时，叶片也是植物氮代谢和运输的重要场所，叶片中的氮可以通过茎秆和根系运输到其他器官，从而影响PNA（Hu等人，2014年）。此外，通常LNA与PNA之间存在显著的正相关关系。氮是叶绿素的主要成分。叶片中氮含量的增加促进了叶绿素的合成，从而提高了光合作用的效率（Bassi等人，2018年）。同时，氮代谢能力也得到提升，进而促进了整个植物的生长和氮积累（Liu等人，2023年）。因此，在实际应用中，可以将氮分布的生理规律作为连接易于通过遥感获取的LNA与难以直接获取的PNA的核心桥梁。为了及时了解冬小麦的氮营养状况，并指导农民进行科学合理的施肥管理。

使用冠层光谱信息进行作物LNA反演的准确性受到叶片遮荫的极大影响，选择合适的光谱指数对于提高反演准确性至关重要。仅依赖叶片光谱反射率进行PNA估算会引入较大误差，而植物氮分配的不均匀性会在后期生殖阶段导致进一步的不准确性。基于上述问题，本研究旨在从局部和全局角度探讨整个生殖周期内冬小麦的氮动态变化，并通过将基于VI聚类的LNA反演模型与氮分配模型相结合来估算其PNA。具体而言：（1）构建一个综合评估指标系统，定量评估VI与LNA之间的相关性，并通过聚类分析确定LNA反演的最优指数组合；（2）通过综合考虑冬小麦植物中的氮动态，引入数字化生长阶段，构建氮分配模型，并将其与LNA反演模型相结合，开发一个适用于整个生长周期的PNA估算模型；（3）通过结合不同的VI验证基于聚类的LNA_-HC4模型的优越性能，并通过将其与随机森林回归模型（PNA-RFR）进行比较来验证我们的PNA-NPM_Wheat模型的可靠性。

研究区域和田间试验设计

研究区域位于中国北京的 Xiaotangshan 实验基地（东经116°26′10″–116°27′05″，北纬40°10′31″–40°11′18″），2013年至2021年在该基地进行了九年的连续冬小麦田间观测实验（图1）。该地区具有温带半湿润大陆性季风气候，年平均降水量约为550.3毫米，年平均温度约为11.8℃。土壤主要被归类为湿润土壤。

LNA与VI相关性的聚类结果

基于构建的评估指标系统（第2.3.2节），本研究综合采用了五个评估指标（R、GCD、EVC、FIM和VIP），从五个角度量化了85个VI与LNA之间的相关程度（图4）。其中，R值的范围为0.863（RI-half）到?0.858（VOG）。GCD值的范围为0.988（GM2）到0.713（WDRVI）。EVC值的范围为121.558（MTCI）到?99.813（VOG）。FIM的范围为0.858（PRI）到0.068（ARI）。VIP

讨论

本研究成功开发并验证了一个将氮分配机制与高光谱遥感相结合的PNA估算模型（PNA-NPM_Wheat）。验证结果表明，该模型在多年、不同品种和管理条件下，对四个关键生长阶段的PNA实现了相对理想的估算精度（R² = 0.71，RMSE = 4.48 g m^?2），显著优于直接基于...

结论

在本研究中，围绕作物氮分配的关键问题，估算了冬小麦整个生命周期的PNA。研究结论如下：

(1)

通过层次聚类确定了最优的VI组合，形成了四个不同的簇。随后，使用RFR进行了冬小麦LNA的定量遥感反演。基于这四个簇的分组，LNA_-HC4模型在LNA反演中表现优异。

资助

本研究得到了国家自然科学基金（项目编号：42501486）和山东省自然科学基金（项目编号：ZR2025MS538）的支持。

CRediT作者贡献声明

朱洪春：撰写 – 审稿与编辑，监督，项目管理，资金获取，概念构思。赵晨轩：撰写 – 审稿与编辑，可视化，验证，软件开发，调查。李杰：撰写 – 原稿撰写，可视化，验证，软件开发，方法学研究，数据管理，概念构思。李振海：撰写 – 审稿与编辑，监督，项目管理，方法学研究，数据管理，概念构思。朱国灿：撰写 –

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

我们感谢山东省博士后创新计划（项目编号：SCCX-ZG-202502045）的支持。