孙翔宇 杨金雨

 

  1 目的意义

  氮是葡萄氨基酸、蛋白质、核酸、叶绿素和激素的重要组成元素，在葡萄生长发育和葡萄酒发酵微生物（酵母和乳酸菌）的许多生物学过程中起着重要作用。氮营养供应不足时，葡萄生长显著受到抑制，繁殖器官的形成和发育也受到限制，植株提前成熟，种子和果实小而不充实，葡萄果实的氮储量大幅度减少，限制酚类物质与风味物质的积累，酵母可同化氮不足，抑制酵母生长与代谢，严重影响葡萄和葡萄酒品质。适当增加氮肥施用量，可以提高葡萄品质和产量。氮营养过剩时，葡萄过度营养生长，遮挡阳光，导致果实品质下降，落花落果导致减产。我国是世界上最大的氮肥生产国与消费国，氮肥的需求量约占世界的1/3，据中国农业部2022年底公布，我国氮肥利用率仅为41.3%，而发达国家则为50%～60%。氮肥中未被利用的部分流失到环境中，造成了严重的环境问题，如大气和水污染以及破坏生物多样性，环境变化又会制约葡萄酒行业的发展。因此，实时监测葡萄的氮素营养状况，制定科学合理的施肥管理措施，对提高氮素利用效率，提高葡萄产量、改善品质，避免资源浪费以及保护环境都有重要意义。

  传统的植物氮素营养诊断是基于植物叶色、植株长势和病症的外观诊断和基于植株全氮、硝态氮、氨态氮和硝酸还原酶含量的化学检测方法，这些方法往往带有强烈的主观性，无法定量测定或者需耗费大量的人力物力，专业技术性要求高且对植物具有破坏性，不能大范围实时精确监测植物氮营养状况，均无法满足精准农业对作物营养状况监测的要求。

  综上所述，本研究以宁夏回族自治区青铜峡市西班酒庄赤霞珠葡萄园为研究区，利用无人机遥感多光谱和高光谱数据，提取葡萄冠层叶片氮素信息，构建赤霞珠葡萄氮素含量诊断模型，分析氮素与施肥量间的定量关系，根据葡萄园氮素养分状况，结合营养诊断确定施氮量，对葡萄关键物侯期的需氮状况进行决策调控，从而调整果园的施氮量，实现按需施氮，为精准农业提供理论及技术支撑。

  2 材料与方法

  2.1 材料

    

  实验地址选择位于宁夏回族自治区青铜峡市甘城子产区的西班酒庄种植基地（105.84°E，38.03°N），试验区为温带大陆性气候，四季分明，昼夜温差显著，年日照3044.1h，年降水量177.8mm，年平均无霜期178d，年平均风速2.4m/s，风向主要为西北方向。土壤类型为沙壤土。葡萄品种为赤霞珠，定植于2018年，单篱架厂字型整形方式，株行距0.9 m×3.5 m，水平叶幕，亩产800公斤。本实验选择6个小区，每个区间分布的葡萄植株3行，处理面积10亩。

  2.2 试验设计

  在试验区域选取相连的18行赤霞珠葡萄，设计6个氮肥梯度水平，按纯氮计算，6水平分别为：0、4、8、12、16、20 kg/亩。按照萌芽期：新梢生长期：果实膨大期：转色期=3：3：3：1施入。四个物侯期在每行葡萄东侧距离树体30cm挖深30cm的施肥沟，将尿素均匀撒入后埋土。具体施肥处理时期如表1所示。

 

 

  2.3 数据采集

  2.3.1 土壤样品采集

  在氮梯度处理前采集实验地的土壤样品，测定指标为有机质、全氮、全磷、碱解氮、速效磷、速效钾、PH、土壤水溶性盐、机械组成。采集土壤样品时，采用“S”形采样法并避开施肥沟，在每个处理区域选取3个采样点，每个采样点用土钻取0-20 cm、20-40 cm、40-60 cm三个土层的土样。将样品运回实验室后，去除杂草、根系和石块等杂物后将在室内风干、过筛，待测。土壤样品在避开树根用土钻采集，根据人为扰动和土壤自然状况，分为三层（0-20 cm，20-40 cm，40-60 cm），以萌芽期未施肥土壤为本底值。

  2.3.2 多光谱影像采集

  分别于开花期（6月3日）、果实膨大期（7月1日）、转色期（8月2日）、成熟期（9月25日）使用大疆经纬M100无人机搭载RedEdge-M多光谱相机进行多光谱数据采集，时间选在中午10:00-14:00，在晴天进行拍摄，无人机飞行步骤如下：

  （1）相机校准

  无人机航拍开始前拍摄校准板，以便后期进行光谱校准。手动抬高多光谱相机，调整位置和角度，避免阴影遮挡校准版，拍摄得到五通道（红、绿、蓝、红边和近红）校准板图，共五张灰度图。

  （2）航线规划

  本次实验采用good station软件进行航线规划，在地图中选取实验田区域，系统按照设置的重叠度、多光谱仪拍摄时间间隔等参数，自动规划飞行路线，准备起飞。

  3）无人机航拍

  无人机从地面起飞并记录返航位置，然后上升升至设定高度并前往航线起点开始航拍，飞行过程中可实时在控制器屏幕观测航拍信息，航拍按照所规划的路线飞行结束之后到达航线规划终点，无人机自动飞往返航点，航拍结束。

  （4）影像处理

  使用Pix4d mapper软件对获取的光谱影像图片进行拼接、校正等处理，生成的植被指数地图，通过图像的位置信息获取样本点植被指数反射率、纹理特征等。

  2.3.3 高光谱影像采集

  分别于开花期（6月3日）、果实膨大期（7月1日）、转色期（8月2日）、成熟期（9月25日）使用大疆经纬M300无人机搭载GaiaSky mini3-VN高光谱成像仪进行高光谱数据采集，时间选在中午10:00-14:00，在晴天进行拍摄，无人机飞行步骤如下：

  （1）航线规划

  本次实验通过编写代码进行航线规划，在地图中选取实验田区域，按照设置的重叠度、悬停时间等参数，自动规划飞行路线。

  （2）设置相控点

  在试验区域边缘每20米放置一张相控纸，通过RTK记录位置信息。

  （3）相机校准

  无人机航拍开始前拍摄校准板，以便后期进行光谱校准。手动抬高多光谱相机，调整位置和角度，避免阴影遮挡校准版，拍摄得到高光谱校准影像。

  （4）无人机航拍

  （5）影像处理

  使用metashape软件对获取的光谱影像图片进行拼接、校正等处理，生成的高光谱影像图，通过图像的位置信息获取样本点光谱反射率。

  2.3.4 叶片样品采集

  光谱采集的同时在试验区每个处理组随机选取18个样本点（共108个样本点），通过RTK记录位置并获取样本点冠层叶片，测定叶片含水量、叶片SPAD值、叶面积指数和氮含量构建数据集。分别采摘开花期、果实膨大期及转色期葡萄冠层10-15片成熟叶片，叶片放入低温保藏箱，立刻运回实验室。四个关键物侯期叶片样本共432个。

  2.4 叶片指标测定

  2.4.1 SPAD值

  使用SPAD-502测取样点冠层叶片SPAD值，在取样点附近随机选取10片冠层叶片，每个叶片使用SPAD-502测两次，取平均值并记录。

  2.4.2 叶片含水量（LWC）

  利用电子天平测每个样本点采集的叶片鲜重m1，将被测叶片进行105℃杀青30分钟，然后75℃烘干至恒重，利用电子天平测干重m2。

 

  2.4.3 叶片氮含量（LNC）

  称磨细烘干的植物样品（过0.25 ~ 0.5 mm筛）0.1000 ~ 0.2000 g，置于100 mL干燥的消化管中，先用几滴水湿润样品，然后加浓H2SO4 5mL，轻轻摇匀（最好放置过夜），瓶口放一个弯颈漏斗，在消化炉上先低温缓缓加热，待浓硫酸分解冒白烟时逐渐升高温度。当溶液全部呈棕黑色时，从消化炉上取下消煮管，稍冷，逐滴加入300 g·L-1 H2O2 10滴，并不断摇动消煮管，有利反应充分。再加热至微沸10 ~ 20 min，稍冷后再加入H2O2 5 ~ 10滴。如此反复2 ~ 3次，直至消煮液呈无色或清亮色后，再加热5 ~ 10 min，以除尽过剩的双氧水。

  取出消煮管冷却，用少量水冲洗小漏斗，洗液洗入管中。将消煮液用水定容至100mL，取过滤液（或取放置澄清的上清液）供N、P、K等元素的测定。消煮时应同时做空白试验以校正试剂误差。

  取上述待测液5 ~ 25 mL，置于凯氏定氮仪配备的消煮管中，用定氮仪测定，记录滴定消耗的标准酸体积。

 

  式中：V——滴定样品溶液时所用标准酸溶液的体积（mL）；

  V0——滴定空白时所用标准酸溶液的体积（mL）；

  c——0.01 mol·L-1（1/2 H2SO4）或HCl标准溶液浓度；

  14.0——氮原子的摩尔质量（g·mol-1）；

  10-3——将mL换算为L；

  m——烘干样的质量（g）；

  ts——分取倍数，消煮液定容体积（mL）/吸取消煮液体积（mL）。

  2.5 影像处理

  原始多光谱图像使用Pix4DMapper摄影测量软件进行拼接和处理。首先软件自动提取原始图像中相同地点并将它们匹配在一起，设置匹配点个数为2个以上，创建原始点云。然后手动导入GCP的坐标，以确保地理位置的准确性。使用预先拍摄的校准面板影像进行辐射校准，每个光谱带生成2.01厘米/像素分辨率的正射影像，包括五个通道单独的灰度图像。经过拼接、矫正、标定等处理的多光谱影像使用Arcgis软件生成植被指数地图，创建采样点周围区域的shp文件用来提取采样点的植被指数值，通过对植被指数与叶片实际氮含量进行皮尔逊相关性分析以及特征自动提取，筛选出相关性强的植被指数用于建模。

  高光谱图像使用metashape软件拼接和配准后，根据样本点的位置信息用ENVI5.3软件在高光谱融合影像中提取样本点的光谱信息，使用影像裁剪功能提取出单位范围内的平均光谱反射率作为该样点的葡萄冠层无人机高光谱反射率，获得108个样点所对应的高光谱数据。

  高光谱影像数据冗杂，如果全部用于建模计算将消耗大量时间，还存在过度拟合使模型出现误差的风险，因此需要对高光谱数据进行敏感波段筛选和光谱特征提取，以起到提高数据处理效率、降低建模误差、实现数据降维的作用。

  2.6 模型研究

  使用pycharm软件基于python环境通过scikits.learn机器学习库中的支持向量机、随机森林、决策树、XGBoost等机器学习方法和卷积神经网络结合样本点冠层叶片氮含量、含水量和SPAD分别对多光谱植被指数、多光谱纹理指数、高光谱敏感波段光谱反射率、高光谱纹理特征、多光谱植被指数和纹理特征、高光谱纹理指数和光谱反射率以及多光谱和高光谱融合数据进行建模。其中每个物侯期的108个样本中80个用于建模，28个用于验证。模型评估使用均方根误差（RMSE）和确定系数（R2）实现。

  3 初步结果

  3.1 不同施氮量的叶片含水量、SPAD值、LAI、平均穗重差异

 

  如图1所示，冠层叶片叶绿素含量随着施氮量增加而升高，而平均果穗重量随着施氮量增加而降低，冠层叶片含水量随着施氮量增加呈现先升高后下降趋势，N2处理组冠层叶片含水量最高，施氮量对叶面积指数影响不明显。

  3.2 无人机影像拼接、校准、点云、正射影像和数字表面模型生成

 

 

  3.3 基于不同阈值算法背景去除效果差异

  由图3可知，基于红色通道阈值的分割方法（b）无法准确识别部分土壤背景，基于HSV颜色空间黄色通道阈值的方法（c）优于前者，但无法识别像控纸，基于HSV颜色空间绿色通道阈值的方法（d）有效去除了大部分背景，但也过度剪裁掉部分冠层边缘。由图4可知，基于EQUAL_INTERVAL函数的方法（b）将葡萄行分为了阴影和光照区域两类，而基于EQUAL_AREA函数的分类方法（c）有效区分出光照区冠层，但无法精细划分边缘区域、相比之下NATURAL_BREAKS函数分类方法（d）最有效，能够有效区分冠层光照区和阴影区，并检测模糊的边缘。

 

  3.4 构建植被指数地图划分采样小区

  如图5所示，通过ARCGIS软件计算每一个像素的NDVI数值，对其进行阈值分类后可视化展示，归一化差异植被指数（NDVI）是葡萄栽培中最广泛的植被指数，人们发现它与生物量和光合作用活动有很强的关系，从图中可以看出SPAD值与NDVI相关性较强，但发现冠层中心NDVI值与LAI相关性不强（R2=0.16），也在前人的研究中被证实。

 

 

  3.5 收获期可见光植被指数与LAI、SPAD值、LWC和产量相关性分析

    

  如图6所示，SPAD值与Average Blue、RCC、GCC、BCC、GBI、RBI、ExG、ExB、ExGR、GLI等颜色指数表现出较强的相关性，产量与RCC、ExR、VARI、SDRG等颜色指数表现出较强的相关性，叶片含水量与VARI相关性最强。而LAI与任何指标都没有表现出明显的相关性，由此可知，局部区域的植被指数难以表征整个冠层的叶面积指数，后续需要提取更多可以表征冠层密度或大小的特征来有效预测LAI。

  3.6 不同物候期地面采样指标相关性分析

  由图7可知，除此之外，转色期冠层叶片叶绿素含量与开花期、转色期和成熟期LAI均呈现出相关性，因为果实膨大期对葡萄进行了梳梢处理，可能成为导致LAI不规律变化的主要原因。除膨大期外，其他三个物候期的叶绿素含量与叶片含水量表现出高度相关性，特别是转色期。与先前的研究不同的是，4个物候期的LAI与成熟期产量指标并未表现出明显的相关性，与成熟期产量指标最相关的指标是转色期冠层叶片叶绿素含量。

  3.7 基于不同机器学习模型LAI反演效果

  基于训练的偏最小二乘回归、决策树、多层感知机模型通过选取的5个颜色指数预测SPAD值，结果显示，基于神经网络架构的多层感知机模型预测效果最佳（R2=0.692，RMSE=3.173），优于偏最小二乘回归模型（R2=0.561，RMSE=5.936）和决策树模型（R2=0.525，RMSE=7.388）。

 

  4  结论

  （1）不同施氮量处理对葡萄冠层叶片含水量、叶绿素含量和平均穗重有显著的作用，高氮处理显著提高葡萄叶片叶绿素含量而降低叶片含水量。

  （2）基于HSV颜色空间的葡萄行提取效果优异直接使用RGB颜色空间，冠层中部区域NDVI值与LAI相关性不强，但与SPAD值呈现中等相关性。

  （3）不同时期之间多个指标呈现高度线性相关性，与产量最相关的指标是转色期SPAD值，因此多时间序列分析对于更精确的葡萄园监测是有必要的。

  （4）基于神经网络架构的多层感知机模型优于决策树模型和偏最小二乘回归模型。

  5 尚需进行的工作

  尚需完成样品氮含量检测，继续提取不同光谱特征，通过堆叠模型和深度学习模型拟合组合指数与葡萄冠层叶片氮含量的关系，基于最佳模型构建氮肥决策支持系统。