作物营养诊断（精选7篇）
作物营养诊断 篇1
氮素是作物体内质量分数最高, 需要量最多的营养元素之一, 对作物的生长发育以及最终的产量和品质形成起着极为重要的影响[1,2], 所以合理的氮肥施用措施管理是充分发挥作物产量潜力, 促进光合产物向籽粒转移的重要大田管理措施, 而简便、快速、精确的植株氮素营养状况诊断及土壤供氮能力评价方法是进行科学氮肥管理的前提, 这也是当前精确农业的热点研究内容。但目前我国各地氮肥过量施用情况较普遍, 使我国农业生产面临着土壤养分由大面积缺乏向过量累积的方向转变, 增肥不增产, 肥料养分利用率下降等重大问题, 并进一步对环境造成了巨大的压力, 如土壤氮残留增加、土壤酸化、水体富营养化、饮用水污染及温室气体排放等[3,4,5,6]。此外, 氮肥的过量施用还提高了农业生产成本, 增加了农民经济负担。所以, 紧密结合我国农业生产实际, 在保障粮食安全的前提下, 实现对氮肥的高效管理已成为我国农业可持续发展的必然要求[7]。因此, 建立一种快速、经济、实时的田间作物氮营养状况诊断方法, 并据此确定科学的施肥管理措施, 对提高氮肥利用效率, 合理利用资源, 提高作物产量、改善作物品质、增加农民收入以及对环境的保护都有重要意义。
1 作物外观诊断方法
氮是细胞中蛋白质的主要组成物质, 也是叶绿素的主要成分。玉米在生长发育过程中如果氮素供应不足, 在外部形态上常表现为植株矮小瘦弱, 地上部生长缓慢, 根、茎、叶、籽粒等重量的明显降低。在植株缺氮情况下, 蛋白质及叶绿素合成受阻, 叶片呈浅绿或黄绿, 表皮细胞和叶肉细胞脱水收缩干枯在一起, 叶片边缘常常首先枯萎, 导致叶片逐渐失去正常光合作用的能力。在营养生长过程中如果缺氮, 往往老叶中的氮素会向幼嫩组织中转移, 以维持植株的正常生长, 所以整个植株先从老叶开始表现出缺氮症状, 老叶外观症状呈现倒“v”字型, 叶尖端枯黄, 逐渐从叶中脉向叶鞘发展, 从下叶位向上叶位渐变成黄褐色, 严重时导致植株枯死。其次, 缺氮时玉米根系发育与正常植株也有明显差异, 主要表现为根表面洁白细长, 且根量小, 根尖端无侧根和根毛[8,9,10]。氮素供应过多也会对玉米的生长发育造成不良影响, 这时会导致植株徒长, 节间伸长, 分蘖增多, 贪青晚熟, 直至产生少苗现象。
叶色是作物氮营养状况的最直接外在表现, 用叶色卡设置的叶色级别做参比, 与作物叶片颜色作比较, 可以定性地判定作物氮营养状况。通过田间试验, 可以确定不同作物品种的标准叶色级别范围, 当田间实测叶色级别超过设定的标准叶色级别时, 说明植株氮营养过剩;当叶色级别小于设定的标准叶色级别时, 则表明植株氮素营养缺乏。叶色诊断方法简单易行, 但是只能定性的作出氮营养状况判断, 而且容易与其他导致作物失绿的因素产生混淆, 这些都制约着叶色诊断方法对作物氮营养状况诊断的应用和精度。
根据外观特征作出的氮营养状况诊断一般只在植株仅缺一种元素的情况下才有效, 如果植株同时缺乏两种或两种以上营养元素时, 或者出现由病虫害、药害、生理病害等非营养元素引起的与缺氮时类似外观症状时, 容易造成误判。此外, 外观缺氮诊断方法的时效性太差, 当植株出现缺氮症状时, 表明缺氮状况已经相当严重, 此时再采取追施氮肥等补救措施时, 往往已于事无补。总之, 外观症状诊断的诊断结果不易量化, 时效性较差[11,12]等缺点使得这一技术在实际应用中存在明显的局限性。
2 SPAD叶绿素仪诊断方法
叶绿素含量的高低, 直接影响着作物光合作用的大小, 是作物健康生长的重要指标。便携式叶绿素仪所测SPAD (Specialty Products Agricultural Division) 值可以直接用来反应叶绿素含量的大小[14], 该仪器根据叶片叶绿素对可见光的吸收特性, 通过测量一定波长的光强和透过叶片的光强对叶片叶绿素含量进行测定。就SPAD-502型叶绿素仪而言, 该仪器有2个发射光源, 分别发射波长为650 nm红光和波长为940 nm的红外光, 叶绿素吸收650 nm的红光, 对940 nm的红外光并不吸收, 940 nm波长的红外光的发射和接收的目的主要是为了消除叶片厚度对测量结果的影响。红光一部分被叶片的叶绿素吸收。另一部分透过叶片被接收器转换成为电信号, 通过接收器接收到的光强和发射的光强比较, 即SPAD读数, 确定叶片叶绿素的含量。大量研究表明, 许多作物的叶绿素仪读数和植株全氮或叶片全氮之间有很好的相关性[13,15,16,17,18,19], 该仪器已经被用于部分作物的大田植株氮营养诊断和施氮量推荐。
蔡红光等[20]对两种土壤肥力条件下的4个春玉米品种SPAD值分析比较表明, 叶片的SPAD值与吸氮量、生物量及产量呈显著相关, SPAD值受氮肥施用水平影响较大, 随土壤肥力变化的变异较小, 该值从大口期至灌浆期的平均变异幅度为17.7%, 品种间变异不显著, 仅为4.3%, 说明在建立玉米氮营养状况诊断SPAD值指标时, 不需要因品种不同而做调整, 但在不同肥力条件下需要进行适当调整。Hussain[21]用SPAD值构建水稻充足SI指数 (充足氮肥供应时水稻叶片SPAD读数的90%) , 当水稻叶片SPAD值低于SI指数时就需要适当追施氮肥, SI指数可以减少因生育期、品种等差异对SPAD读数影响, 但该方法在实际推广应用中的一个局限是必须设置一个充足氮肥供应的处理作为参照。罗新宁等[22]对棉花氮素随叶位的空间分布特征, 及不同叶位叶片的含氮率、SPAD值之间, SPAD值与总叶片含氮率、植株含氮率间的相关性作了分析, 结果表明各生育期倒4叶的SPAD值对氮营养亏缺的敏感性最高, 所以倒4叶是利用SPAD值诊断棉花氮营养状况的理想叶位。李志宏等[23]利用叶绿素仪进行了冬小麦氮营养田间快速测定, 并成功地进行了氮肥施用量推荐, 结果表明将冬小麦最上部完全展开叶的中部作为氮营养状况的测定部位, 测得的SPAD值与冬小麦全氮、施氮量及作物产量之间都有较好的相关性, 但不同冬小麦品种对SPAD值的测定结果影响较大, 需要构建相对SPAD读数对其进行校正, 以消除冬小麦品种间的SPAD值差异。
由于SPAD值能间接反应作物叶片叶绿素含量及含氮量, 并且在测定SPAD值时, 操作简便、快速、不受光照条件限制, 对所测叶片无破坏性, 现在已是理想的作物叶绿素和氮营养快速诊断方法, 对指导作物的氮肥施用管理有着极大的实际应用价值。
3 数字图像诊断方法
植株含氮量是反映作物氮营养状况的最直接、最可靠指标, 由于叶片含氮量和叶绿素浓度之间的相关性较好, 所以可以通过测定叶片叶绿素浓度来监测植株氮营养状况[24], 而叶绿素浓度是影响叶片外观颜色特征的内在因素, 由于植株氮营养不良引起的叶片叶绿素浓度降低也必然会反映在叶片对可见光的反射特性上, 尤其是对绿光波段的反射特征影响, 这就为利用植株或叶片数字图像颜色特征进行氮营养状况诊断提供了科学依据和理论基础。
叶片对红光和蓝光吸收最多, 对绿光吸收最少, 此外叶片结构特点及水分状况等对可见光中不同光质的吸收和反射也有较大的影响。用数码相机或扫描仪采集叶片数字图像可以反映叶片对可见光的吸收和反射的情况。综合运用数字图像处理、模式识别等技术对获取的作物叶片数字图作分析处理, 从图像中获取与作物氮营养相关的有效特征信息, 这些特征信息能够反映人眼难以识别的颜色差异, 使利用作物叶色进行氮营养定量诊断成为可能。
刘颖等[25]采集了不同氮肥用量大田玉米拔节期冠层彩色图像, 分析数字图像指标:绿光绝对值 (G) 、绿光标准化值[G/ (R+G+B) ]、绿光与图像亮度比值 (G/L) 、绿光与红光比值 (G/R) 与氮营养指标的相关性, 结果表明利用数字图像技术可以对玉米氮素营养状况做出较精确的诊断。祝锦霞等[26]运用数字图像处理技术提取了水稻叶片数字图像中不同氮营养水平水稻的叶色、纹理和形态特征, 并建立了基于叶色、形态特征和纹理的水稻氮素营养诊断模型。Blackmer等[27]从航空拍摄玉米的冠层图像中提取的红、绿、蓝三色光均与玉米产量达到了极显著的正相关关系。孙钦平等[28]的研究表明, 夏玉米数字图像颜色参数绿光值、蓝光值、红光标准化值、绿光标准化值和蓝光标准化值与夏玉米植株全氮含量有着显著的线性关系, 为应用数字图像技术自动化检测农作物的生长发育提供了技术依据。
4 高光谱遥感诊断方法
高光谱遥感技术是利用作物冠层反射光谱数据分析研究作物的生长发育、生物量、营养状况的无损监测技术, 该技术也是当前作物氮营养无损检测的研究热点。作物叶片中的含水率、叶绿素含量、含氮量以及其他生理化学成分的不同, 导致了作物反射光谱在不同波段里会出现不同特征的反射光谱曲线:绿色作物叶片在可见光350~700 mn有强吸收, 反射和透射都较低, 特别是受到叶绿素a、b的强吸收, 导致在蓝光和红光区域形成两个吸收谷, 在绿光处形成一个反射峰;780~1350 nm的反射光谱特性与叶片内部结构有关系, 一般认为细胞层数越多, 则细胞形状、成分的各向异性及差异越明显, 光谱反射率就越高;由于水分在1450 nm及1940nm的强吸收特征, 使得1350~2500 nn的光谱特征受叶片含水率影响显著。
已有大量关于近红外光谱技术用于对作物氮营养状况监测的相关报道[29,30]。唐延林等[31]分析了不同氮素水平、不同生育期大麦冠层反射光谱特性及一阶导数光谱、红边参数与氮营养水平之间的相关性, 表明大麦冠层光谱及其一阶导数光谱和红边参数与氮营养水平存在显著相关性。刘宏斌等[32]通过连续三年的田间冬小麦冠层光谱反射率分析表明, 冬小麦冠层的红光波段和近红外波段受氮营养水平的显著影响, 可作为冬小麦氮营养诊断的敏感波段, 进一步利用红光波段和近红外波段导出的比值植被指数RVI能敏感地反映冬小麦氮营养水平。王渊等[33]认为反射光谱的一阶微分是预测油菜氮含量的理想指标, 用短波红外光波段能较好地预测氮含量, 但相关性较好的短波红外区域一般都较窄。杨玮等[34]研究表明, 采用氮肥优化算法的氮肥变量施用精准管理区的NDVI指数空间变异小于常规氮肥施用管理区, 表明采用光谱检测技术结合改进的氮肥施用量优化算法进行的变量施肥可以提高农田的氮肥利用率。陈青春等[35]利用水稻拔节期的DVI指数估测植株氮积累量, 并构建了追氮调控模型对穗肥施用量作了较精确的估算, 与传统的农户经验氮肥施用方法比较, 基于反射光谱的水稻氮肥追施调控技术可以通过预测植株氮积累量和土壤供氮量对氮肥追施量作推荐。覃夏等[36]将水稻冠层NDVI指数和植株吸氮量两者建立了定量关系, 筛选出最佳的氮营养光谱诊断模型, 并结合水稻高产栽培经验, 实现了早稻的氮肥追施用量实时推荐, 与当地农户经验施肥模式对比, 所建立的NDVI指数推荐施肥方法能在保证不减产的情况下, 降低氮肥施用量, 并且提高氮肥农学利用率。
目前已有用于农作物氮营养状况监测和氮肥施用量推荐的近红外光谱仪用于大田的实践中, 例如美国开发的Green Seeker光谱仪, 该仪器为一例地面主动遥感光谱仪, 克服了传统诊断方法的时效性差、破坏植株等缺点, 由于采用了主动光源, 对外界干扰因素的抵抗能力也相应增加, 利用采集的冠层NDVI指数分析作物的长势, 可以实现作物的氮营养实时诊断, 并提供最终的优化氮肥施用量管理决策。
5 小结
作物氮营养状况诊断是田间作物生长发育化学调控和生产管理的中心内容, 是农业技术指导部门和生产者制定生产管理决策的主要依据, 所以作物氮营养状况诊断一直是作物栽培和植物营养研究领域中被广泛研究的方向之一[37]。植株含氮量是反映作物氮营养状况的最直接评价指标, 与作物产量也有很好的相关性[38]。现在对大多数作物在不同生育期或不同器官的氮临界浓度已基本划定清楚, 但含氮量的化学检验方法需要破坏植株, 操作过程繁琐耗时间, 费用高, 且专业性较强, 难以实时做出氮营养状况的诊断结论[39,40]。外观诊断速度虽然快速, 但受操作者的主观评价差异影响较大, 往往只能作出定性判别, 难以对诊断结果做出量化分析, 更难以达到进一步指导精准施肥的目的。寻求一种快速、经济、可靠的氮营养状况诊断技术己成为实现田间氮肥智能化和科学化管理的当务之急。近红外光谱检测技术的出现使作物氮营养状况的快速、准确诊断成为可能, 该技术已经逐渐成为田间定量获取农作物生长发育信息的一种重要手段[41,42,43,44]。
作物营养诊断 篇2
关键词：营养液；滴灌设备；蓄液池；单片机
中图分类号：S62 文献标识码：A文章编号：1674-0432（2012）-10-0149-1
随着经济的发展，在农业生产中，设施农业温室占有重要地位，设施农业技术是通过将其中农作物与外界分开，保持温室中农作物生长所需的自然条件来维持作物的生长，其中养分的补充就是一项重要因素。近年来，国内已有对温室内作物提供营养液的设备，但不足之处在于自动化程度不高，主要靠人工控制，人为因素影响很大，缺乏可调控的营养液设备，不能对营养液的流量进行定时，定量控制。
1 结构和工作原理
1.1 主要结构
温室内作物提供营养液的成套设备由控制设备、营养液进入管路、营养液吸出管路、蓄液池、滴灌设备组成，其中控制设备由控制盒、外接电源和控制线路构成、营养液进入管路由主管路，主泵，副管路和浮动阀组成，营养液吸出管路由吸液泵、过滤网、吸液管、单向止回阀、排液管、排液阀和营养液管组成，滴灌设备由滴灌管接口、温室台架、滴灌管、支架、排污口和副滴灌管组成，营养液进入管路的副管路端和营养液吸出管路的吸液管端位于蓄液池内，营养液吸出管路的营养液管和滴灌设备的滴灌管接口连接，控制盒通过控制线路连接营养液进入管路和营养液吸出管路。主要结构如图所示。
图1 温室内作物输送营养液的成套设备总体构成简图
图中：1.控制设备 2.营养液进入管路 3.营养液吸出管路 4.蓄液池 5.滴灌设备
1.2 工作原理及工作过程
营养液进入管路的副管路端和营养液吸出管路的吸液管端位于蓄液池内，营养液吸出管路的营养液管和滴灌设备的滴灌管接口连接，控制盒通过控制线路连接营养液进入管路和营养液吸出管路。
营养液进入管路的连接方式为主泵安装在主管路前端，主管路末端并排连接多个副管路，副管路的末端固定在蓄液池内，浮动阀安装在副管路的末端。
所述的营养液吸出管路的连接方式为吸液管和排液管并列固定在蓄液池内，过滤网，吸液泵和单向止回阀顺序安装在吸液管上，排液管（上安装排液阀，吸液管和排液管并列连接营养液管。
滴灌设备组成结构为滴灌管一端设有滴灌管接口，另一端设有排污口用于滴灌管清洗，多个副滴灌管并列排列连接在滴灌管上，滴灌管和副滴灌管铺设在温室台架上，温室台架由支架架起离地。
为温室内作物提供营养液的成套设备中的控制盒上有外接电源，控制盒由控制线路连接主泵，浮动阀，吸液泵和排液阀，对营养液的控制方法是工作时控制盒上的接入线与外部电源接通控制盒内的单片机接收浮动阀和排液阀的反馈信号并控制主泵和吸液泵的开关，从而调节各个蓄液池内的营养液的流量和对滴灌设备内营养液的流量进行定时，定量控制，实现对温室中农作物生长的营养液供给要求，单片机型号为AT89C51单片机。
为适应现代设施农业规模化生产的需要，一种为温室内作物提供营养液的成套设备由多套相同的设备并列连接组成，每套设备都由一个营养液进入管路，一个营养液吸出管，一个蓄液池和一个滴灌设备组成并由控制设备统一控制。
2 结论
该成套设备有益效果在于利用单片机接收每一套设备中的浮动阀和排液阀的反馈信号并控制主泵和每一套设备中的吸液泵的开关，从而调节各个蓄液池内的营养液的流量和对滴灌设备内营养液的流量进行定时，定量控制，使温室内的作物可以长期维护于最佳营养状态。这种控制方式结构简单，可靠，节省了成本，简单实用、安装调试方便、市场潜力大、经济效益和社会效益明显，具有十分廣阔的应用前景。
作物营养诊断 篇3
无损测试技术,即在不破坏作物组织结构的基础上,利用各种手段,对作物的生长、营养状况进行检测,传统的无损测试技术从颜色来表征植株氮素营养状况,20世纪60年代初,崔继林等用比色卡目力比色测定水稻叶色级实现水稻量化[8],后又有利用电子计算机控制下的电子分色仪制作标准比色卡[9]。近年来,随着相关领域科技水平的不断提高,氮素营养诊断的无损测试技术正由定性或半定量向精确定量的方向发展,由手工测试向智能化测试方向发展。本文介绍几种应用于作物氮素营养诊断的无损测试技术。
1 利用便携式叶绿素仪进行氮素营养诊断
便携式叶绿素仪是在20世纪80年代原产于日本的氮素营养诊断仪器,先后推出SPAD-501和SPAD-502两种型号,其工作原理是:基于叶绿素a和叶绿素b在可见光波段的红光区都有最大吸收峰,而在红外区则几乎没有,叶绿素仪采用双波长LED光源,一为650 nm红光LED,一为940 nm红外光LED,分别照射植物叶片表面,通过光电信号转换,比较通过叶片的透射光的光密度差异而得出SPAD值。因而,SPAD值是一个无量纲的比值,SPAD值只能相对的反映作物叶片叶绿素的含量,而不是真实值。
目前,对叶绿素仪在氮素营养诊断上的应用研究国内外已经广泛开展,但大多数应用于大田作物,如小麦[10],水稻[11],玉米[12],大麦[13]等,认为叶绿素仪测得值能够作为以上几种大田作物的氮素营养诊断指标。在蔬菜上目前在番茄、油菜、洋葱、胡萝卜及白菜上开始了研究,认为番茄[14]、油菜[15]和白菜[16]上SPAD值与室内实验硝酸盐含量测得值存在极显著相关,而在洋葱、胡萝卜上SPAD值与室内分析的硝酸盐值不相关[16],由此说明,叶绿素仪的应用推广只能针对部分作物。
目前,叶绿素仪应用的研究中,各研究者所采用的测定部位都基本上相同,即作物生长前期取新展开的第一片完全展开叶,生长后期则取功能叶作为测定部位。虽然叶绿素仪能用于大多数作物的氮营养诊断,但它仍有一些缺陷: 测得值变异度非常大,因此通过多点(至少30点)的随机测试才能降低测定的变异,这就意味着要花费较多的时间,并且要严格掌握测定的技术。测定结果受品种、耕作、环境等因素的影响很大,必须对偶测试指标进行相应调整。在小麦玉米大豆棉花等作物上,SPAD读数在一定施氮量范围内随着施氮量的增加而增加,但施氮量超过一定范围后,SPAD读数则相对稳定,因此,便携式叶绿素仪可能在某些作物上不能反映过量施氮问题。
2 利用遥感技术进行氮素营养诊断
高光谱遥感是对地观测的重要手段,利用野外光谱仪在地面的实测工作为精准农业等方面的应用进行有益的尝试,可以提高作物营养诊断的精度。
各种植物胁迫如缺氮、干旱等都会使作物叶片的光反射特性发生改变,通过检测植物冠层光化学反射特性可以了解作物的营养状况,影响叶片中对光吸收和光反射的主要物质是叶绿素、蛋白质、水分和含碳化合物,其中影响最大的是叶绿素含量,遥感技术就是通过检测作物冠层的光反射和光吸收性质来检测作物营养状况,特别是氮素营养状况。
通常使用高光谱分辨率遥感数据估计作物农学参数主要有两类方法:一是通过多元回归方法建立光谱数据或由此衍生的植被指数与作物农学参量之间的关系[17,18],二是通过作物的红边参数描述作物的物候变化及其农学参数[19,20,21,22]。
目前,国内外对高光谱在氮素营养诊断的研究已很广泛。国外学者早在20世纪80年代开始了大量研究[23,24]。我国起步较晚,2001年,程一松等对冬小麦氮素胁迫下的高光谱特征进行了提取和分析,认为对叶绿素密度、叶绿素含量、叶面积指数均可用高光谱遥感特征曲线中包含的近红外反射峰值、绿峰和红端位移等信息和参量来模拟[25]。薛利红等认为冠层反射光谱与水稻叶片含氮量的相关不显著,而与叶片氮积累量显著相关[26]。1972年Thorn等通过甜椒叶片的反射率估计含氮量,认为氮素营养水平对甜椒叶片在550 nm和667 nm波段的光谱反射率的影响最大,并利用这两个波段建立了氮素含量的数学模型[27]。
但与此同时,植物冠层光谱反射还受到地面土壤的背景、以及太阳高度角、空气折射率、风速、冠层结构等因素的影响,与植物本身的叶片结构、构成叶片的细胞数量和细胞壁排列方向等都有关系,且设备昂贵,技术复杂。因此,高光谱要应用于生产应该在分析手段和检测指标的确立方面需要一段时间的研究。
3 利用荧光诊断法进行氮营养诊断
近几年,有些学者开始研究利用叶绿素荧光法对作物进行营养诊断,聂磊通过对沙田叶绿素荧光特性与叶片矿质元素含量的关系研究发现[27],叶绿素荧光参数光化学效率(Fv/Fm)与叶片N含量呈极显著正相关。范燕萍采用水培方法对氮素营养胁迫与匙叶天南星生长及光合特性的研究发现,匙叶天南星叶片叶绿素荧光诱导动力学参数可以为植物对氮素营养环境适宜度的灵敏指标[28]。所以,叶绿素荧光技术也可以作为氮素营养诊断的一个方法加以研究。
4 利用冠层色彩分析进行氮营养诊断
近年来,通过判断作物冠层颜色深浅了解作物的氮素营养状况,或者进行施肥推荐、产量预测的研究逐渐增多,摄影技术开始应用于作物的氮素营养诊断的研究。其原理为:作物的冠层颜色受营养状况的变化的直接影响,即缺氮植物叶色颜色变浅,冠层颜色偏黄绿色,这样获得的冠层图象经计算机程序处理后,能精确定量植物冠层反射的红光(R)、绿光(G)、蓝光(B)值,用于氮素营养诊断。
在这些研究中,研究者多采用冠层图像色彩的相对值,或冠层绿光反射与红光反射的比值G/R来进行氮素营养诊断。除此之外,是否还有其他的图象色彩参数能够用来描述作物的氮素营养状况尚没有报道。Blackmer[29]等报道应用航空摄影技术获取了玉米的冠层图像,发现红、绿、蓝三色光与玉米产量间都达到了极显著的线性正相关关系。Adamsen等应用数码相机获取了冬小麦的冠层图像,并分析了冠层图像绿光(G)与红光(R)的比值G/R,认为G/R与叶绿素仪读数有极显著的相关关系[30]。Scharpf和Lory通过分析航空摄影,得到的玉米冠层图像对玉米的追肥施用量进行了预测与分析,结果发现在玉米生长6叶期到7叶期的冠层图像相对绿色与蓝色深度值与经济最佳施氮量间有良好的线性正相关关系[31]。由此可以判断随着相对绿色深度和蓝色深度与土壤供氮量间为线性反相关关系。但目前对这方面的研究还较少,没有建立一致的图象获取及处理标准,因此利用冠层色彩分析进行氮素营养诊断还有待进一步研究。
作物营养诊断 篇4
施肥并非是一个解决育种问题的替代或独立方案, 而是互补和协同。把这些农业手段相结合就能够培育出人类所需要的并且富含各种微量营养素的理想种子。当然, 就作物基因而言, 在开发和发布通过不同育种程序时, 如根据收获以及育种程序, 将充分表达他们的遗传能力充分扩展时可用/土壤中微量元素的溶池维护解决方案 ( 根吸收) 和叶组织 ( re - translocation到种子) 。保持高可用池的微量元素在土壤溶液和叶组织可以通过土壤和叶片微量元素肥料的应用。
有已发表的资料表明应用微量营养素肥料有助于使种子富含各种微量营养素, 如锌、硒和碘。在此已经提出了多个例子说明锌肥对谷物中锌含量的影响。读者可以参看有关锌和碘的例子。看铁的例子可知还没有有效的农艺方法使种子富含铁从而满足人类的需求。
对于锌, 目前公布的结果显示, 叶面应用锌肥对粮食中锌含量的增加有着显著的效果。在锌匮乏的土耳其, 土壤中缺乏微量营养素是众所周知的, 在土壤中施含有锌的肥料能提高粮食中锌的含量 ( 图1) , 同时能提高粮食的产量。将含锌的土壤和叶面喷洒锌元素相结合, 是增加粮食锌含量最为有效的一种方式。 ( 产量高达3倍) , ( Cakmaket al. , 2010b) 。
在土壤中施锌肥对粮食锌含量的提高并不总是一直具有积极的影响, 特别是在含有锌元素的土壤中。相比之下, 无论土壤条件如何, 含锌肥料在叶面的应用大大提高了粮食的锌含量, 满足了人类生存发展的需求。在全球7 个国家进行的一项针对小麦和大米生产锌施肥的项目中, 土壤中锌肥的应用对粮食中锌含量的增加是无效的, 而在叶面施洒硫酸锌肥对增加粮食锌含量有显著的效果, 小麦锌含量高达85% ( Zou et al. , 2012) , 水稻25% , ( Phattarakul e al. , 2012) , 所有这些与土壤条件、管理方法与栽培品种无关。
2 设计可提高营养产出的农业体系
设计可提高营养产出和促进人类健康的农业体系。为满足人类的基本营养需求, 多样化的农业体系 ( 包括作物, 畜牧业和水产业) 是一个不可或缺的重要因素 ( Graham et al. , 2001) 。事实上, 为了生存和发展人类至少需要43 种营养 ( 参看表1) , 这些营养主要是通过农业系统来提供的。通常情况下, 农业生产主要是为了提高产量而没有太多的关注其营养产出和人体健康, 但是可以以改善和提高人类营养和健康水平为主旨来发展农业 ( Mc Intyre et al. , 2001; Graham et al. , 2007) 。然而, 这样的农业是不会实现的除非在发展和实际耕作中, 农业政策和计划包含这样的想法。 ( IFPRI, 2012; Haggblade, 2012) 。综合农业体系认为通过丰富多样的食物来满足人类的营养需求, 从而确保营养安全是必须的 ( Frison et al. , 2006; Graham et al. , 2007) 。利用高能作物合理搭配, 以确保为人类提供充足且丰富的营养: 动物/鱼类为蛋白质的主要来源, 蔬菜和水果富含微量营养素并富含有益健康的抗氧化物。包括原住民在内的所有人都认为, 传统的富含微量营养素的作物是可以提高营养产出的 ( 国家研究委员会, 1996; Tontisirin et al. , 2002) 。
摘要：“农艺生物强化”策略认为, 生产出富含微量营养素的粮食作物说明产出微量营养素密集的食物是一个有效的农业措施。全球范围内大部分谷物耕地的土壤中物理和化学成分都欠佳, 如土壤中有机质和含水量低而pH值和碳酸钙含量高。这种不利的土壤条件会严重降低土壤的化学溶解能力和植物根部吸收微量营养素的能力, 尤其是锌和铁。例如, 把土壤的pH值提高到碱性范围 (pH6.5或更高) , 溶解度会降低 (数倍) , 锌运输到根系表面的能力也会降低。在一个对花生的研究中发现, 把土壤的pH值从5.2提高到6.8, 则花生叶子中锌的含量从200毫克/公斤降低至20毫克/公斤 (Parker和Walker, 1986) 。已发表的数据表明, 土壤有机质和土壤根际可溶性锌浓度之间存在较强的正相关关系 (Catlett等人., 2002) , 强调土壤有机质对植物根部吸收锌的重要性。因此, 粮食作物的种子或新开发的生物强化品种种子从化学成分欠佳的土壤中吸收微量营养素会使种子中锌浓度难以达到理想的状态。所以, 对以食物来补充微量营养素的人群来说, 加强农艺生物强化 (施肥) 是十分必要的策略, 也许还有助于耕地资源匮乏的地区提高作物的产量。
作物营养诊断 篇5
1 材料与方法
1.1 试验地概况
试验地点设在山东乳山市乳山寨镇宝口村, 田块平整, 肥力均匀, 种植水平可代表当地生产水平。
1.2 试验材料
供试草莓品种为甜宝。
1.3 试验设计
试验设2个处理, 即处理A:底肥, 中化智胜螯合肥 (16-7-18) 750 kg/hm2, “还地力”生物腐植酸肥料1 800 kg/hm2, “地还童”多元生物菌肥300 kg/hm2。对照 (CK) :底肥, 市售高塔复合肥 (18-7-20) 750 kg/hm2、有机菌肥3 600 kg/hm2。3次重复, 随机布置, 每个试验小区面积200 m2。草莓种植密度为14.58万株/hm2。9月4日施底肥, 9月10日移栽草莓苗。
1.4 外观指标测定
用5点法抽样调查, 每个试验小区调查30株, 调查内容为土壤外观、叶片数、叶长、叶宽、单叶质量、根长、根数、根重、死亡率。叶片指标的测定部位均为从心叶数第3片叶。
2 结果与分析
2.1 不同处理对草莓移栽存活率、缓苗期、生长势、整齐度、有益菌落的影响
通过对草莓移栽22 d后的观察, 发现处理A存活率为99.76%, 略高于CK (95.07%) (表1) , 而缓苗期为15 d, 仅为CK缓苗期的68.18%。从图1可以看出, 处理A未出现叶片萎蔫现象, 叶片浓绿, 而CK有大量叶片萎蔫现象存在。处理A草莓苗的生长势和整齐度要明显优于 (表1) 。试验结果表明使用中化营养方案, 可以有效缩短缓苗时间。此外, 在处理A试验小区的地表观察表现有益菌菌落形成 (图2) , 而CK则无。针对CK苗期连片死亡的草莓进行调查, 发现草莓苗期死亡的主要特征是根部发褐, 根茎中出现红褐色病斑, 新生柱头褐变坏死 (图3) , 其原因是草莓受到真菌性病害 (如红中柱根腐病) 危害。而中化作物营养套餐中添加了有益微生物, 并改善土壤理化性质, 使得有益微生物能够快速形成优势群落, 从而抑制有害菌的生长, 大大减少了草莓的真菌性病害及死亡率。
2.2 不同处理对草莓叶片生长发育的影响
草莓移栽40 d后, 田间观察结果表明处理A较CK的植株生长旺盛, 叶色浓绿, 叶面积增大。其叶片数量、叶长、叶宽和单叶质量分别较CK增加了37.4%, 17.3%, 35.9%和69.9% (表2) 。
注:箭头处指标的白色处为有益菌落。
2.3 不同处理对草莓根系数量、根长、根系质量的影响
经过40 d的生长, 处理A试验小区草莓根系发达, 主根、侧根茂盛。处理A草莓苗的根数、根长、根系质量都要明显高于CK, 其根数、根长、根系质量分别较CK增加61.2%、54.5%、75.4% (表3) 。说明处理A的根系的生长发育要明显优于CK。
3 结论与讨论
草莓连作障碍的主要表现是植株生长发育不良、产量和品质下降及发病率与死亡率提高[4]。草莓连作障碍与土壤中养分减少、养分平衡失调、病原微生物数量增加、有益菌减少、根泌自毒物质的累积和土壤的理化性质恶化有关。有研究表明, 腐植酸及螯合肥能够改良土壤结构, 微生物菌剂可以抑制病原微生物的生长并可降解草莓根泌自毒物质, 其均可缓解草莓连作障碍[5,6]。
中化作物营养套餐将“还地力”有机肥、NPK螯合肥和“地还童”生物菌肥配合施用, 能够有效防治草莓连作障碍。试验证明, 经中化作物营养套餐处理的试验小区, 其土壤中形成了明显的有益菌落, 连作草莓苗的存活率高达99.76%, 缓苗期为15 d, 能够避免草莓苗期死苗, 与同类产品相比, 草莓的缓苗期减少了约7d, 且生长势、整齐度更好。在其后的生长过程中, 经中化作物营养套餐处理的草莓长势旺盛, 叶片生长快速, 根系发达。草莓移栽生长40 d后, 其叶片数、叶长、叶宽、单叶质量分别比同类产品的处理组高37.4%、17.3%、35.9%、69.9%, 而根数、根长、根系质量分别比同类产品的处理组高61.2%、54.5%、75.4%。
综上所述, 中化作物营养套餐中的“还地力”, “地还童”的有益菌群, 能有效拮抗土壤中有害菌群, 提高草莓苗自身抵抗力, 减少病害的发生。“还地力”中50%含量的腐植酸能够迅速刺激根系生长, 提高根系活力, 并且其中20%的易氧化有机质, 能够迅速地被作物吸收, 提供作物缓苗期必需的营养, 中化智胜螯合肥通过缓释、控释技术, 按照作物的需肥规律释放, 可满足草莓苗期生长发育对氮、磷、钾的需求。采用中化作物营养套餐施肥, 可改良土壤理化生性状, 促进植物根际微生态平衡, 增加有益微生物的种类和数量, 补充氮磷钾及多种微量元素, 有效促进草莓叶片和根系生长, 提高植株抗逆性, 有效地防治了草莓连作障碍, 有很好的推广价值。
参考文献
[1]赵密珍, 王静, 王壮伟, 等.世界草莓生产和贸易[J].果农之友, 2012 (6) :38.
[2]高志华, 葛会波, 李青云, 等.Mycokick菌剂对连作草莓的影响[J].果树学报, 2004, 21 (2) :188-190.
[3]陈贵林, 张广华, 葛会波.保定地区日光温室草莓生产调查[J].中国果树, 1998 (2) :45-46.
[4]甄文超, 代丽, 胡同乐.连作对草莓生长发育和根部病害发生的影响[J].河北农业大学学报, 2004, 27 (5) :68-71.
[5]毛宁, 薛泉宏, 唐明.2株放线菌对土壤中苯甲酸和对羟基苯甲酸的降解作用[J].西北农林科技大学学报:自然科学版, 2010, 38 (5) :143-148.
作物营养诊断 篇6
一、计算机视觉技术
计算机视觉技术就是以计算机和图象获取部件为工具, 以数字图象处理分析技术、模式识别技术、人工智能技术等为理论, 处理获取的图象信号, 并从图象中提取某些特定的信息。
一般的计算机视觉系统是由CCD摄像机、装备有图像采集板的计算机、光照系统以及专用图像处理软件等组成。CCD摄像机可以将所要识别的作业对象 (或目标) 和背景以图像形式记录下来。它实际上是一个光电传感器, 将反映目标、背景的光学信号转变为电信号。图像采集板可将CCD摄像机采集来的电信号转换为数字信号———图像数字化, 供计算机进行特定的处理。处理完毕的数字信号需要转换成视频信号, 由显示器显示。如果配备有控制系统, 处理结果还需经图像采集板输出端输出, 以控制相应的执行机构。光照系统为图像采集提供合适的照明, 以利于后续图像的处理与分析。专用图像处理软件完成对图像的处理与分析。图像处理是一系列增强图像质量的操作, 其目的是抑制或消除在图像生成、传输和变换过程中由于摄像器件、随机噪声等因素对图像质量造成的不利影响。图像分析是识别研究对象并提取一系列数据的过程。
与化学分析方法和人眼经验目测法相比, 利用计算机图像处理技术来分析缺素叶片图像, 能够从定量的角度分析, 并能够提高分辨率, 根据颜色纹理等特征对作物缺素状况进行判别, 进而实现根据作物生长的需要自动施肥。
二、国内外作物营养监测的现状
作物的营养状态状况可以通过叶片状态及表面颜色反映出来, 计算机视觉技术比人眼视觉能更早地发现作物由于营养不足所表现的细微变化, 为及时进行作物营养补给提供可靠依据。利用计算机视觉技术对植物营养进行监测具有无损、快速、实时等特点, 根据监测到作物营养缺失的情况, 及时补充水和肥料。
国外Seginer等人研究发现, 植物缺水会导致根部供水与叶片水量蒸发的不平衡, 叶片会枯萎下垂, 因而叶尖的运动状态可以作为反映植株需水情况的指标。他们的研究还发现, 正在成长的叶片由于生长规律的原因, 其叶尖状态会上下波动, 不适合作为监测对象。为此, 选择了叶片完全长成型的番茄叶子, 利用机器视觉技术对其生长情况进行监测。结果表明, 叶尖运动与缺水情况、叶片水压和CO2吸收率几乎成线性相关, 这可以作为灌溉系统的控制信息。另外, 利用计算机视觉可以连续地对叶尖状态进行监视, 能灵敏地检测到叶尖状态的细微变化。因而, 它可以比人眼视觉更早地发现作物缺水情况, 及时输出灌溉控制信号, 使作物在缺水而未受到伤害时能及时补充水分。Irfan S.Ahmad等人利用3种图像的彩色模型R GB、HIS、rgb (规一化R GB) 评价玉米由于缺水和缺氮对叶片造成的色彩特征变化, 研究发现, 3种模型中HSI模型能更清晰地表征玉米叶片的颜色变化, 其中I值能够有效地同时识别叶片在3种不同水分 (低、中、高) 和3种不同的氮水平 (低、中、高) 情况下的颜色变化, 而b值可以识别叶片在3种不同的氮水平 (低、中、高) 状态下的颜色变化。因此, 将HSI模型用于颜色评价和图像处理是比较有效的。植物叶片温度由于受光合作用效率、CO2浓度、蒸腾作用等影响, 它是反映作物生长状态的一项重要生理指标。叶温的测量精度取决于传感器视场范围 (Field Of View, FO V) 对目标区域的覆盖程度, 换言之, 若叶片面积超出视场范围则只能测量叶片的部分数据, 反之, 则会引入背景噪声。在Kacira M等人的测量系统中, 红外热电偶视场范围的测量方法如下:将传感器垂直固定, 在其下方放置一个平面白板, 把传感器垂线与平面的交点设为平板中点。然后把LED点光源沿某个方向向平板中心移动, 同时观察传感器的输出, 当传感器的输出有突变时记录LED的位置。这样, 利用同样的方法在各个方向所记录的LED的位置所构成的圆即为传感器的FOV。由于对视场范围的手工调整显得费时费力, Kim Y等人利用计算机视觉系统对测定叶温的红外热电偶进行准确定位。对获取的叶片图像经计算机图像分析后, 视觉系统自动调整像机焦距以充分利用其动态范围。之后, 对叶片图像进行处理后计算其最大的内切圆, 并以此作为依据对传感器位置进行调整, 以获得测量叶温的最佳视场范围。
国内毛罕平等提取叶片颜色和纹理的12个特征, 利用遗传算法对提取的众多缺素特征进行优化组合, 将二叉树分类法和模糊K-近邻法相结合对番茄缺素进行了识别测试, 结果表明对肉眼不易判别的番茄缺氮和缺钾初期叶片的识别准确率在85%以上。李长缨等通过对两组无土栽培的黄瓜幼苗叶冠投影面积的连续监测, 发现叶冠投影面积的变化趋势可以较好地反映植物的缺肥情况监测效果, 但由于叶冠投影面积的计算易受外界条件干扰 (如风速) , 限制了该方法的应用。吴雪梅等通过对缺素番茄叶片彩色图像的研究, 分析缺氮叶片和正常叶片的特征量随着缺素时间的变化规律, 提出用G体均值、H色调均值来定量描述缺氮叶片随时间的变化的方法。结果表明:利用计算机视觉能定量描述缺氮叶片颜色随缺素时间的变化。胡春华等用CCD摄像对培育出的较理想的缺氮、缺镁与正常黄瓜的叶片样本进行分析, 运用灰度共生矩阵法的数字特征分析了缺氮、缺镁与正常的纹理特征的关系, 得出了时间序列的关系, 能较好区别缺氮、缺镁与正常的颜色特征。张彦娥等分析了红绿蓝 (RGB) 三色分量和它们的相对系数rgb, 以及色度、饱和度和亮度指标 (HSI) 与叶片含氮率、含磷率和含水率之间的相关特性。分析结果表明:叶片绿色分量G和色度H分量与氮含量线性相关, 可用作利用机器视觉快速诊断作物长势的指标, 而其它分量与氮含量没有明显的相关性;颜色各分量与磷含量和水分含量均没有表现出明显相关关系。但当光照条件不同时, 对两变量之间的线性关系存在一些影响, 需要再进一步的试验研究, 以提高线性回归的精度。朱艳等以5个小麦品种和3个水稻品种在不同施氮水平下的田间试验为基础, 综合研究了稻麦叶片氮含量与冠层反射光谱的定量关系。王克如等运用计算机视觉技术获取棉花叶片颜色特征, 建立并筛选出了6组棉叶叶绿素含量预测模型, 预测误差在7.8%~13.65%之间, 为棉花生长的快速监测提供了依据。李艳等利用数码相机获取田间番茄冠层影像, 并通过图像处理软件识别冠层和背景像素, 对不同氮肥处理下番茄生长状况进行了分析研究, 结果表明可快速准确监测番茄生长发育, 为番茄生产提供了科学依据。宋述尧等试验设计了6种氮素水平处理温室黄瓜, 利用数码相机获取黄瓜冠层图像, 分析了不同供氮水平下黄瓜冠层图像参数与施氮量、土壤无机氮和植株氮素营养指标之间的关系。结果表明;黄瓜冠层图像G/ (R+G+B) 是诊断黄瓜结果期氮素营养状况的适宜数字化参数。
三、存在问题
我国对计算机视觉在农业工程中的应用研究起步较晚, 早期的计算机视觉应用主要是鉴别种子。进入20世纪80年代以后, 研究对象及应用领域逐步扩大, 图像处理从单纯的视觉模拟发展到取代、解释人的视觉信息, 以及加速视觉信息采集等方面。另外, 随着传感器技术的发展以及人们对农业物料特性认识的深入, 出现了红外、近红外图像处理应用的研究, 使图像处理从单纯的外观视觉, 向识别物料的形状、组成、成分分布等内部特性方向发展;同时, 计算机图像处理在农业工程中的研究向实用化方向前进了一大步, 从初始的作物图像特征提取与分析研究, 转化为以图像处理系统为主导部件的检测分级机械、环境控制系统、动植物生长监测系统等应用系统的研究, 并且开始了机器视觉及机器人方面的应用探索。至今已形成了分别侧重于视觉模拟、微观图像、宏观分析、热成像、内部图像、机器视觉等多种技术形式以及各具特色的应用系统。计算机视觉技术在农业作物营养监测中的应用, 主要存在3个方面的制约因素:
1. 研究对象的复杂性
生物的多样性决定了农业对象特征的复杂多变和随机性。农作物本身的形态差异较大, 生长背景复杂, 而且同一农业对象在不同的时间、地点或环境下所表现出来的特征都不相同, 这给数字图像的分割及特征的提取带来很大的困难。目前, 常用的识别图像的算法具有一定的局限性, 一般只适用于特定条件下的农业对象, 因而有必要研究更高效的特征提取分割算法。
2. 农业环境的多变性
目前, 多数研究是在可以采集高质量图像的具有可控光照、色温以及没有环境因素影响的实验室或温室等理想条件下进行的, 但是基于无损的计算机视觉技术工作在农业应用中则是不可避免要在田间作业, 而农田环境十分复杂, 如光照不均、风速变化大、自然光色温的不可控性以及设备的机械振动等许多因素, 都能导致图像质量下降, 噪声增加, 大大增加了图像预处理的难度, 降低了处理结果的准确性和快速性。因此, 在农业上计算机视觉技术的应用从实验室走到田间环境还有很多问题值得研究。
3. 图像处理的动态性
目前, 大部分研究成果都是静态的, 即先从室内或田间采集静态图像, 再用实验室的计算机对图像进行处理。在实际生产应用中, 很多情况下需要进行动态图像的实时处理, 这就要求图像获取设备与处理设备合并, 能在获取图像的同时立即处理所采集的图像, 精确与快速地得出结果, 并进行控制。因此如何实现动态图像处理是研究人员必须要解决的难题。
四、发展趋势
计算机视觉技术的开发方向根据目前国内外的研究现状以及存在的问题, 今后的研究方向主要有3个方面:
1. 高效的图像处理算法
在图像处理和识别软件设计方面, 力求算法的快速性和有效性也是目前的研究热点, 如模糊逻辑、人工元神经元网络以及遗传进化计算等智能算法等。
2. 图像处理硬件的开发为了提高视觉系
统实时处理速度, 图像处理采集卡应运而生, 它可以完成图像的数字化转化、分析和处理等全部功能, 只向主机传送图像处理的结果。因此图像处理采集卡, 将成为提高图像处理系统实时处理速度的有力手段。
3. 作物营养监测系统和控制系统的有机结合
目前计算机视觉技术应用到作物监测的研究都是侧重于营养参数测量的研究, 对于作物营养补充控制的研究较少, 今后应加强对作物营养监测系统和控制系统有机结合的研究。
作物营养诊断 篇7
在作物生产过程中, 尤其在日益发展的当代精准农业中, 监测作物营养的变化能较好地反映作物生长发育情况, 且可以根据其变化特征, 为作物生长管理提供依据。作物能否正常生长, 营养则是关键因素, 是作物最终产量的限制因子, 营养元素含量的多少都直接反映在作物叶片的光谱特征上。作物叶片光谱特征取决于作物生理特征, 而生理特征在一定程度上由作物的营养状况决定, 即作物生长发育情况可通过获取作物叶片在特定波段的光谱特征, 分析其差异性[3]。随着高光谱遥感技术的日趋完善, 使基于物体光谱反射特征监测作物营养状况成为可能, 它已经能够准确、快速地提供各种地面遥感数据[4,5,6]。一般利用高光谱图像或数据中提取到的生物物理和生物化学参数信息, 通过地面和空中的高光谱遥感信息直接评价作物营养状况, 进一步分析作物的长势及最终生物量评估, 有助于确定作物生育期田间管理的最佳质、量和时间段, 从而有利于促进作物养分资源的合理高效利用, 加强了农业数字化以及信息化采集与分析的相关关键技术, 为精准农业的发展奠定理论基础。
1 作物氮营养诊断与研究
氮是空气中最多的元素, 在自然界中存在十分广泛, 在生物体内亦有极大作用, 是组成氨基酸的基本元素之一。氮素是作物生长过程中需求量最大的营养元素之一, 对作物的生长、产量和品质均有较大影响。氮素对作物的光合作用至关重要, 但其主要存在于与光合作用碳消耗循环相关的蛋白质及光反应的色素蛋白质中, 在作物光合生产过程中起到关键作用。在作物全生育期中, 氮素营养在时间和空间上的变化很大, 对作物生长发育和产量品质形成产生显著影响, 因此准确诊断作物氮素营养状况是实现氮肥优化管理的前提。
20世纪70年代以来, 为了在氮素与光谱之间建立相关关系, 国内外学者进行了大量的基础研究。有学者研究了不同氮营养条件下的作物对光谱的响应。程一松对夏玉米的叶片研究比较深入, 其指出氮素在玉米叶片的光谱特征曲线上表现最为明显, 且在近红外波段和可见光波段呈现相反趋势, 前者随着氮素水平提高而提高, 后者呈现负相关, 即随着增加而降低, 这一现象在绿光波段表现最为突出。缺氮会减少叶绿素含量, 从而导致光谱特征上作物的反射增加, 反射峰增高。由此表明, 作物氮素的丰缺能显著影响其冠层或叶片的原始光谱反射率, 但作物受氮肥胁迫时, 其叶片和冠层的光谱反射率在可见光区域呈增加趋势, 而在近红外区域呈下降趋势[28]。高光谱遥感技术以其高的光谱分辨率和精细的光谱信息, 能实时监测作物氮营养、测量目标作物连续波谱, 对其进行定量分析, 这就使高光谱遥感能对氮素在作物生长中理化参数信息进行有效的精确的监测, 所以氮素的遥感诊断一直是作物遥感监测研究的重点领域[7,8,9,10,11,12,13]。
一些研究表明, 叶氮含量不仅与特定波段比值极显著相关, 而且与730 nm或740 nm处一阶微分值极显著相关, 而且运用连续去除光谱吸收特征方法估测植被干叶片中氮、纤维素和木质素积累量, 再利用回归方程加以估测含量, 其验证精度较高[14,15]。田庆久利用高光谱分辨率ASD地物光谱仪 (Field Spec-FR) 获取棉花主要生长时期的光谱反射数据, 结果表明棉花冠层光谱在548 nm附近、700~1 350 nm和1 845 nm附近的反射率与棉花氮含量呈现较好的负线性相关关系, 相关系数可达到-0.6~-0.8[16]。
有些研究表明, 综合绿、红和近红外波段反射率数据的植被指数能够对氮素营养状况进行快速检测[17,18], 而且通过对冬小麦田间冠层光谱反射率监测, 发现其与叶片含氮量之间在820~1 100 nm波段两者之间存在极显著正相关;1 150~1 300 nm波段存在显著相关, 水稻氮素与光谱之间存在较好关系。对水稻研究发现, 其叶片和稻穗的光化学反射指数 (PRI) 与氮素水平呈现正相关, 即随其的增加而上升;但水稻叶片和稻穗叶片的RNIR/RREd值则与光化学反射指数 (PRI) 趋势一致, 与氮素水平呈现正相关。稻穗RNIR/RREd值对氮素水平的反映不明显, 基本保持不变。不同氮素水平的水稻叶片的叶绿素、蛋白质及纤维素含量与LAI之间的RZ在抽穗期均达到0.75以上[19,20,21,22]。由此表明, 可以利用这些波段的光谱反射率及其衍生量来判断作物的营养状况。
红边是描述作物健康状况的重要指标波段, 作物监测曲线最明显的特征。红边是作物在680~740 nm之间反射率增高最快的点, 也是一阶导数光谱在该区间内的拐点。红边与作物的各种理化参数是紧密相关的, 是描述植物色素状态和健康状况的重要的指示波段, 因此红边是遥感调查作物状态的理想工具。相应的作物生长状态越好, 红边位置会出现“右移”;反之, 则红边位置会相应“蓝移”。高光谱分辨率遥感数据估计作物农学参数的方法之一就是红边参数法[23]。有学者利用光谱参数, 如红边、黄边、蓝边等来预测作物氮含量, 但在精度上有所不一[24,25], 预测作物体内氮素水平, 在相同波段一般会随着作物生育期的不同也会呈现不同变化, 变化规律尚不明确[12]。通过大量研究发现, 红边参数等光谱变量来反演作物叶绿素和其他生化组分在一定程度上是可行的, 而这些生化组分也会受作物氮素营养状况的影响, 从而可利用此关系间接评价作物氮素营养状况。
2 作物磷营养诊断与研究
磷是作物生长发育不可或缺的营养元素之一, 它既是作物体内许多重要有机化合物的组分, 同时又以多种方式参与作物体内各种代谢过程, 对作物稳产、高产以及保持品种的优良特性有明显作用。磷对光谱信息的影响主要集中在近红外、中红外波段, 因为磷的丰缺主要影响作物叶片的结构和水分含量。作物磷营养与光谱特性的关系研究已陆续展开, 但是与氮相比, 该研究进展较为缓慢。作为转移性强的大量元素, 磷素一旦缺乏, 作物幼芽和根系生长缓慢, 植株矮小, 无光泽, 叶片颜色较正常植株叶片暗。同时, 由于缺磷, 植株体内的碳水化合物代谢受阻, 易形成花青素。因此, 花青素和叶绿素是作物缺磷时影响光谱反射率的2个重要因素。
对于作物磷素营养研究结果也不统一, 有学者在监测棉花主要生长时期的光谱反射数据时发现, 棉花冠层光谱在725~1 000、2 364 nm附近光谱反射率与P百分含量也呈现较好的负线性相关关系, 相关系数约为-0.6[16]。Chen M等用近红外光谱分析甘蔗叶片中的磷含量, 其拟合度最大达0.99, 标准差与标准误之比为32, 说明甘蔗叶片中的磷含量可由近红外光谱很好地反映[26]。利用互信息 (MI) 理论分析了水稻磷素含量的敏感波段, 结果表明水稻拔节期叶片磷素估测的敏感波段分别为536、630、1 040、551、656 nm, 说明利用互信息-神经网络模型 (MI-ANN) 和高光谱遥感估测田间水稻磷含量是可能的[27]。程一松等研究夏玉米磷的光谱特征时指出, 与氮相比, 磷钾与光谱特性的关系研究较少。磷素水平对光谱特性有较大影响, 与氮素表现趋势相反, 即在可见光波段范围内, 光谱反射率随磷素水平的的增加而提高, 在580~710 nm波段内更为明显。在近红外区域光谱特征曲线的表现则与在可见光波段和氮素不同均不同, 表现不明显。通过对玉米植株全磷含量与叶片光谱反射率研究发现, 两者相关关系曲线在整个波段上十分活跃, 呈“跳跃式”向长波方向前进。在355 nm左右, 相关系数达0.66, 在近红外770~790 nm相关程度也较高, 相关系数达0.63[12,28,29]。
综上所述, 对于作物磷营养的光谱监测与研究较没有氮营养还较少且研究结果也不尽相同, 还需要进一步通过通过试验验证, 缺磷的植株的叶片的光谱反射率受叶绿素和花青素两因素的双重影响, 且光谱特征变化比较复杂, 可对不同磷营养水平下控制其他影响光谱曲线变化的因素, 如:农学参数、生理生化特征光谱参数设置及不同生育时期不同波段的筛选, 待研究深入可考虑构建磷素营养与光谱诊断模型。
3 作物钾营养诊断与研究
钾营养元素同样是作物生长不可或缺的因素之一, 其对作物光谱特性的影响居于氮营养和磷营养影响之间。钾营养能促进作物植株茎杆健壮, 改善品质, 和氮、磷的情况一样, 缺钾症状首先出现于老叶。钾素供应不足时, 碳水化合物代谢受到干扰, 叶绿素的合成减少, 从而导致光合作用受到抑制, 而呼吸作用加强。因此, 缺钾时作物的抗逆能力减弱, 叶片变黄, 即钾营养状况直接影响作物叶片结构的完整性和水分的丰缺状况, 必然会对近中红外的光谱信息产生影响, 因此可从近中红外波段来寻找钾营养的光谱信息[30]。
对于不同钾营养水平下水稻的研究发现, 水稻冠层的光谱反射率差异性在580~710 nm和750~950 nm 2个波段区域均表现为显著, 可筛选其两者作为水稻钾营养水平的冠层敏感波段。此外, 钾营养水平较低时在近红外波段区间即780~1 300 nm, 叶片反射率与氮营养水平下的表现趋势相反, 呈现增高趋势, 这主要是作物缺钾, 导致叶片的表皮细胞发生变化造成的;缺钾还会导致作物叶片含水量减少, 则会造成在1 450 nm波段处, 钾营养水平的越低, 吸收谷颜色越浅, 但在1 650~1 800 nm波段区域, 光谱反射率则与钾营养水平呈现负相关, 随着水平降低而增加[30], 这与不同钾营养水平下, 夏玉米的光谱特性表现趋势一致。夏玉米的光谱特性呈现近红外波段区域随钾肥用量增加而降低, 但是在高氮高磷水平下却正好相反。钾的光谱曲线在1 450 nm处有一吸收谷, 在1 650~1 800 nm处有一反射平台[28]。对于棉花的研究发现, 其冠层光谱与K百分含量在0.4~2.5μm整个光谱范围几乎不相关, 在680 nm吸收峰的波长和对称性与棉花钾营养百分含量呈现较好的负相关关系, 相关系数分别为-0.58和-0.63[16]。玉米植株全钾含量与叶片光谱反射率的相关程度在可见光和近红外都变化不大, 且均呈正相关关系, 但在紫光波段400 nm处相关性较强, 相关系数达0.71, 因此可用紫光波段400 nm处的光谱反射值来诊断植株体内钾含量[29]。
通过对不同钾营养水平烤烟叶片光谱特征的研究, 其不同营养水平下叶片之间光谱特征规律明显, 可根据叶片高光谱特性初步监测烟田钾营养水平和烤烟生长状况, 筛选最佳钾营养水平[31]。总的说来, 对于钾营养水平下各作物的光谱诊断及特性研究还不够深入, 且研究结果也不尽相同。在光谱波段, 对于作物光谱的变化规律没有完全揭示, 没有筛选出作物对钾营养的敏感波段, 针对不同钾营养水平下, 其作物光谱反射率变化的生理机理还有待进一步研究发掘。
4 作物叶绿素诊断与研究
叶绿素是一类与光合作用有关的最重要的色素, 其是主要的吸收光能的物质, 直接影响植被光合作用的光能利用, 因此叶绿素是作物生长物质中的重要因子之一, 其含量直接影响作物的生长和产量。植被的光合能力、发育阶段与叶绿素含量有较好的相关性, 它们通常是氮素胁迫、光合作用能力和植被发育阶段 (特别是衰老阶段) 的指示器[35]。所以, 人们经常通过测定叶绿素含量来分析作物生长状况。传统的叶绿素测定方法是分光光度计法, 这种方法一般会对作物造成损伤, 而且比较耗时。高光谱技术可以通过测定绿色作物叶片的反射率、透射率和吸收率来测定叶绿素含量, 方便、快捷, 减少了对作物植株的损伤, 这便是高光谱技术在叶绿素含量监测中被日趋广泛运用的原因[40]。
通过多元回归方法建立光谱数据与农学参量之间的关系和通过植被的红边参数描述植被的物侯变化及其农学参数是现在一般运用光谱遥感估计作物农学参数的主要方法。有学者通过对作物光谱数据和叶绿素之间的分析, 找到叶绿素含量相关性较好的特征波段, 构建光谱特征与叶绿素之间的方程关系, 且发现微分技术能够改善光谱数据与叶面积指数、叶绿素密度的相关性, 叶绿素密度与光谱数据的相关明显优于同叶面积指数的相关性[37,38]。在光谱监测中, 利用红边参数及位置来预测作物叶片的叶绿素含量也比较常见, 而且红边的位置与最顶层叶片叶绿素含量的相关性最大, 可能是由于顶层叶片存在顶端优势造成的, 与上层叶片中的叶绿素a相关性达极显著[36], 在作物色素浓度增加时, 红光范围下的叶绿素浓度吸收特性则随着色素浓度增加而加深加宽, 并且叶绿素a浓度增加导致变形点红移[32]。不同作物的不同生育时期下近红外区域内冠层光谱反射率曲线表现的规律也不同, 这主要是由于不同的时期, 作物的盖度、叶面积指数及叶片含水量不同所造成的, 在作物成熟期一般会导致导致光谱反射率开始下降[33]。
由此可见, 叶面积指数和叶绿素密度的变化趋势与冠层光谱反射率变化的一致性, 使叶面积指数和叶绿素密度作为利用遥感技术手段对作物进行长势监测及估产参数重要性得到了进一步的验证, 所以利用作物的光谱特征来反映和评价作物叶绿素含量是可行的, 从而实现快速、便捷、无损伤地评价叶绿素是高光谱评价作物叶绿素研究的发展趋势。
5 结论与展望
通过大量研究, 氮素营养的敏感波段范围已经被基本确定, 但如何在更高精度上估测作物氮含量以及对作物氮素营养水平进行分级还没有相对统一的阐述;在磷、钾和叶绿素方面, 敏感波段和敏感时期的选择以及作物不同生育时期的光谱敏感波段还未探讨清楚。
首先, 必须探明控制作物光谱响应的生理代谢机理。不同营养水平下叶片光谱在某些波段处产生差异, 这种差异不是营养元素本身造成的, 而是由于这种营养元素的丰缺, 导致体内生化成分及其浓度的改变, 而这种或多种生化物质化学键的振动、弯曲或伸展在光谱维上产生的强度不同造成的。因此, 挖掘高光谱信息, 探明其内在机理, 乃是作物营养光谱理论需要进一步完善的。其次, 作物营养的光谱诊断模型的有待完善。现在模型的研究大多数是基于统计分析上的, 但统计分析也有自身的缺陷, 如变量之间的过度拟合, 化学成分之间的相关性以及波段间的干扰等都会影响统计模型的可靠性。另外, 综合考虑其他环境因素, 如光照条件、大气气溶胶和空气湿度等物候因素使其定量化, 参与模型的建立。这也是需要改进的方面之一。
高光谱遥感技术对农作物合理高效化生产管理有着重要的指导意义, 因此现代农业尤其是精准农业对高光谱遥感有迫切需求, 而高光谱遥感的目的就是要实时监测作物的生长状况, 以便不断调整田间管理措施, 从而实现高效节约、精准品质农业。
摘要：高光谱遥感技术可以快速准确地获取农田作物生长状态的实时信息, 为实施精准农业提供重要的技术支撑。该文综述了高光谱遥感技术监测作物N、P、K及叶绿素营养状况的国内外研究进展, 并提出了一些今后研究的设想, 以期促进高光谱遥感技术在作物营养领域的应用, 为精确农业发展提供理论依据。