氮素作为玉米植株体内叶绿素、激素和维生素的重要成分, 与光合生产力和产量形成密切相关^[1]。氮肥亏缺会导致叶片衰老加速、叶片叶绿素含量和产量降低^[2], 而氮肥过量会使作物贪青晚熟、增加生产成本和污染环境。因此, 动态监测冠层氮浓度对评估玉米营养水平进而实现氮素精准调控具有重要意义。

近年来, 通过遥感平台搭载多光谱相机^[3]、高光谱相机^[4]和数码相机^[5]等传感器, 可实现及时高效、低成本和大范围的玉米冠层氮浓度监测。相关学者通过寻找最优光谱波段组合、最优光谱反射率计算方法以及最优建模方法提高玉米冠层氮浓度估算精度。Liu等^[6]分别基于敏感波段反射率、敏感波段反射率一阶导数、最优波段组合和植被指数估算夏玉米冠层氮浓度, 对应的均方根误差(RMSE)分别为0.51 g g^-1、0.37 g g^-1、0.33 g g^-1和0.32 g g^-1; 平均绝对误差(MAE)分别为0.41 g g^-1、0.30 g g^-1、0.262 g g^-1和0.258 g g^-1, 说明基于植被指数能更好地估算夏玉米冠层氮浓度。Wang等^[7]利用GreenSeeker ACS获取光谱数据计算归一化植被指数(NDVI)和比值植被指数(RVI)并估测玉米冠层氮营养指数, 结果表明随机森林回归法估算冠层氮营养指数的RMSE和相对误差(RE)分别为0.10和12.00%, 其精度较简单线性回归分别高35.48%、33.33%, 选用植被指数结合随机森林算法能提高玉米冠层氮营养指数估测精度。然而, 这些研究将冠层视为一个整体, 忽略了玉米冠层内部氮浓度存在的空间异质性^[8]。

魏夏永等^[9]利用高光谱数据反演玉米冠层氮浓度, 发现玉米冠层氮浓度从上到下依次减小, 上部比中部高7.44%, 中部比下部高7.60%。这是由于玉米冠层纵深大, 冠层中上部叶片较下部叶片更多地暴露在光照条件下, 诱导更多的氮素分配至中上层叶片以最大限度提高冠层光合作用。且封垄后的光谱数据仅能反映冠层上部氮浓度信息, 将冠层视为一个整体难以准确估测冠层整体氮营养状况。部分学者考虑芦苇和冬小麦等作物冠层氮素空间差异开展了冠层氮浓度估算研究。Luo等^[10]结合高光谱技术和芦苇冠层氮素空间分布不均匀对冠层氮浓度估测, 结果表明芦苇冠层的上三层是估算冠层氮浓度的有效叶层, 其决定系数(R²)、RMSE分别为0.88、0.37%。Duan等^[11]利用植被指数并考虑氮素空间差异估测冬小麦冠层总叶片氮浓度, 基于绿化指数(GI)、修正的植被指数(mND705)、归一化植被指数(NDVI)氮浓度估算模型的R²分别为0.61、0.59和0.53, RMSE分别为8.84%、8.89%和9.37%。然而, 玉米冠层纵深大同样存在氮素的空间分异特征^[9], 结合氮浓度空间分异特性估算玉米冠层氮浓度的研究鲜有报道。

因此, 本研究在不同氮肥运筹下对玉米冠层叶片进行分层并观测玉米冠层氮浓度, 将冠层氮浓度空间分异数据与无人机光谱相结合, 主要目的有3点: 一是揭示玉米冠层氮浓度空间分异规律; 二是确定估算玉米冠层氮浓度的有效叶层; 三是构建考虑氮浓度空间分异的冠层氮浓度估算模型并评估模型精度。本研究有望为玉米氮素营养实时诊断提供参考。

本试验于2022—2023年在内蒙古自治区包头市土默特右旗北只图村(40°35′N, 110°34′E)和2022年在呼和浩特市土默特左旗兵州亥村(40°26′N, 110°47′E)进行(图1)。土默特右旗玉米分别于2022年5月3日和2023年4月28日播种, 分别于2022年9月30日和2023年10月7日收获; 土默特左旗玉米于2022年4月23日播种, 于2022年9月27日收获。2022年和2023年试验地0~30 cm耕层土壤基本肥力情况见表1, 气象条件见图2。

试验设置0 kg hm^-2 (N0)、270 kg hm^-2 (N270)、360 kg hm^-2 (N360) 3个施氮量水平; 在270 kg hm^-2和360 kg hm^-2两个施氮量下设3次(F3)和5次(F5) 2个施氮次数水平, 3次施氮处理在四叶展期(V4)、大喇叭口期(V12)和乳熟期(R1)以4∶4∶2的比例追施氮肥, 5次施氮处理在V4、八叶展期(V8)、V12、R1和乳熟期(R3)以15∶25∶35∶15∶10的比例追施氮肥, 各处理P₂O₅和K₂O的施用量分别为120.0 kg hm^-2和70.5 kg hm^-2。试验采用无种肥施肥模式, 肥料类型为叁利大量元素水溶肥料(N、P₂O₅和K₂O所占比例分别为16%、22%和13%, 内蒙古地立农业科技有限责任公司)、尿素(总氮≥46.0%, 内蒙古鄂尔多斯化学工业有限公司)和磷酸二氢钾(N、P₂O₅和K₂O所占比例分别为0、52%和34%, 云南云天化股份有限公司), 所有肥料均以追肥形式随灌溉水滴施, 各处理施肥情况见表2。其中, N0处理以P₂O₅量计算磷酸二氢钾用量。由于在V4和V12两个时期施磷钾肥, 故在V4和V12两个时期都分别先以P₂O₅量计算叁利大量元素水溶肥用量, 后用叁利大量元素水溶肥用量乘纯N占比得叁利大量元素水溶肥中纯N量, 并根据该时期所需纯氮总量计算需补纯氮量, 需补纯氮量由尿素补齐。由于V8、R1和R3各时期不施磷钾肥, 故只在这3个时期施用尿素。

供试春玉米品种为“迪卡159”, 种植密度为97,500株 hm^-2, 行距为60 cm, 株距为17 cm。试验采用裂区设计, 以施氮量为主区, 施肥次数为副区, 3次重复, 共计15个小区, 小区面积为6 m× 23 m=138 m², 各小区间用宽1 m的过道隔开, 便于无人机拍摄影像。各小区采用浅埋滴灌水肥一体化设备灌水施肥, 全生育期灌溉量为2400 m³ hm^-2, 分别在播后、V4、V8、V12、R1、R3灌水225、375、450、600、450、300 m³ hm^-2。杂草病虫害管理同当地大田生产。

分别在九叶展期、大喇叭口期、吐丝期和乳熟期在各小区选取连续且长势均匀的3株玉米植株, 对叶片分层(分层方法见表3), 将各层位叶片、茎秆和果穗分别装入纱网袋放入烘箱中, 105℃杀青30 min后80℃烘干至恒重并称重。

烘干后各层位叶片和其他器官样品粉碎过60目筛, 经H₂SO₄-H₂O₂消化后利用凯氏定氮法^[12]测定各层位叶片、茎秆和果穗氮含量, 并将其转化为冠层氮含量:

式中, NC_mea、LNC、SNC和ENC分别代表实测冠层氮浓度、叶片氮浓度、茎秆氮浓度和果穗氮浓度(%); W、W_l、W_s和W_e分别代表3株玉米植株地上部生物量、叶片生物量、茎秆生物量和果穗生物量(g)。

多光谱影像采集平台由深圳市大疆创新科技有限公司生产的大疆经纬M300 RTK无人机和青岛长光禹辰信息技术与装备有限公司生产的MS600 PRO多光谱相机和灰板组成(图3)。其中多光谱相机用于采集影像, 灰板用于辐射定标, 多光谱相机和灰板的波段信息如表4所示。影像采集日期与地面取样日期保持一致, 整个生育期在九叶展期、大喇叭口期、吐丝期和乳熟期共采样4次。在天空晴朗、无风、无云时采集影像, 采集时间为10:00—14:00。为提高影像采集效率和后续图像拼接精度, 采集影像前对试验区域进行航线规划并设定如下飞行参数: 飞行高度为50 m、飞行速度为3.2 m s^-1、旁向重叠率70%、航向重叠率为80%。每次图像采集用时约10 min, 飞行任务结束后在试验田周边选取合适位置布置灰板并照相。

获取多光谱影像后, 使用Pix4Dmapper软件对影像进行拼接和辐射定标, 分别生成蓝、绿、红、红边(720 nm、750 nm)、近红外6个波段影像, 用于反射率提取与植被指数计算。

植被指数是根据植被的光谱特性将可见光和近红外波段进行线性或非线性组合得出的, 常用于监测植被生长状况。本研究选取已发表文献中常用的植被指数(表5)用于估算玉米冠层氮浓度, 其中, 表5提到的12个植被指数都用于玉米冠层氮浓度估算。采用ENVI 5.3软件, 以各试验小区为边界从多光谱遥感影像中提取不同生育时期各波段反射率并计算植被指数。其中, 各小区的反射率是对应小区所有像元反射率的均值。

基于田间实测氮浓度和提取的植被指数, 本文首先采用随机森林回归(random forest regression, RFR)算法建立不同层次叶片氮浓度(leaf nitrogen concentration, LNC)与冠层氮浓度的回归模型, 在此基础上采用随机森林回归中的节点纯度增加值确定估算玉米冠层氮浓度(nitrogen concentration, NC)的有效叶层。采用随机森林算法和支持向量回归(support vector regression, SVR)算法, 构建基于多光谱植被指数的有效叶层氮浓度估算模型, 并采用公式(2)将估算的有效叶层氮浓度转换为冠层氮浓度^[11]:

式中, NC_{pre_SNH}为基于氮素空间分异预测的冠层氮浓度, LNC_pre为基于植被指数预测有效叶层氮浓度, β为实测有效叶层氮浓度LNC_mea与实测冠层氮浓度NC_mea的比值。同时, 采用上述两种回归算法构建直接基于多光谱植被指数(vegetation index, VI)的冠层氮浓度NC_{pre_VI}估算模型, 评估基于玉米氮素空间分异估算冠层氮浓度模型的精度。随机森林回归和支持向量回归原理如下:

随机森林回归: 该算法由多个决策树构成的随机建立的森林, 具有数据采样和特征选择二重随机性。决策树是一种基于树形结构的有监督学习算法,用于解决分类和回归问题, 其核心思想是通过一系列的判断对数据分类或回归。对于回归问题, 决策树基于bootstrap aggregation算法采用重抽样法从训练集中抽取m个样本构建m个回归树, 在回归树的每个节点从n个(n<自变量个数)随机抽取的自变量中选择分割点递归二叉分割变量空间, 将这些树的平均数作为回归结果^[24]。该算法能有效解决高维数据的回归问题, 具有泛化能力强、抗干扰能力强、不易陷入过拟合和计算效率高等的优点, 且能根据重要性对特征排序^[25], 通过节点纯度增加值(increase in node purity)来判断每个自变量的重要性, 该值代表了每个自变量对回归树每个节点观测值异质性的影响, 其值越大表示该变量越重要。

支持向量回归: 该算法的基本思想是将低维特征空间转化为高维特征空间, 将非线性问题转化为线性问题。即支持向量回归算法将处于低维特征空间的输入数据x通过非线性映射函数转换成高维特征空间, 输出f(x) ^[26], 该模型善于解决小样本机器学习问题。

本文中随机森林回归算法和支持向量回归算法分别基于R studio软件中“randomForest”程序包^[27]和“e1071”程序包^[28]构建, 随机森林回归算法分类树的个数为500、分割变量为8。支持向量回归超参数C和γ分别为1和0.1。构建各模型时, 70%的数据用作训练集, 30%数据用作测试集。

采用Microsoft Excel 2019和SPSS 25.0软件处理数据, 采用最小显著性差异法(Least-Significant Difference, LSD)显著性检验, 显著水平为P < 0.05。使用Pix 4Dmapper和ENVI 5.3软件处理无人机遥感影像, RStudio 4.3.1用于编写机器学习算法脚本, 采用Sigmaplot 15.0和ArcGIS 10.8软件作图。为评价玉米冠层氮浓度估算模型的精度, 选择决定系数(R²)、均方根误差(RMSE)、归一化均方根误差(NRMSE)和平均绝对误差(MAE) ^[29] 4个指标对模型进行评价, 各指标分别由公式(5)~(8)计算:

式中, y_i、${{\hat{y}}_{i}}$分别表示玉米冠层氮浓度的实测值和预测值, $\bar{y}$为实测值的平均值; n表示样本个数。R²表示预测值与实测值的拟合效果, 其值越接近1, 表明模型拟合精度越高; RMSE和MAE表明预测值和实测值的偏离程度, 其值越小表明模型的预测精度越高。NRMSE代表模型稳定性, NRMSE<10%, 模型稳定性极好; 10%≤NRMSE<20%, 模型稳定性较好; 20%≤NRMSE<30%, 模型稳定性一般; NRMSE≥30%, 模型稳定性较差^[30-31]。

在不同施氮处理下, 2022年土默特右旗(图4-A)、2022年土默特左旗(图4-B)和2023年土默特右旗(图4-C)冠层氮浓度均随生育时期的推进而降低。在同一生育时期, 冠层氮浓度随施氮量和施氮次数的增加呈上升的趋势。2022年土默特右旗、2022年土默特左旗和2023年土默特右旗冠层氮浓度分别为1.23%~2.88%、1.18%~2.82%和1.27%~2.81%。施氮量从270 kg hm^-2增加至360 kg hm^-2, 2022年土默特右旗、2022年土默特左旗和2023年土默特右旗各时期冠层氮浓度分别平均增加了20.79%、24.57%和24.66%; 次数从3次增加至5次, 冠层氮浓度分别平均增加了9.47%、10.34%和7.99%。

对冠层氮浓度影响因素作多因素方差分析(表6), 在玉米九叶展期、大喇叭口期、吐丝期和乳熟期改变施氮量和施氮次数对冠层氮浓度的影响达到极显著水平, 说明试验地点、施氮量和施氮次数是影响玉米氮浓度的重要因素。此外, 施氮量×施氮次数在大喇叭口期、吐丝期和乳熟期对冠层氮浓度的影响达到显著和极显著水平, 且各时期施氮量的偏Eta平方高于施氮次数, 说明施氮量×施氮次数对冠层氮浓度的影响主要取决于施氮量。

在不同施氮处理下, 2022年土默特右旗(图5-A~D)、2022年土默特左旗(图5-E~H)和2023年土默特右旗(图5-I~L)玉米冠层不同层位叶片氮浓度均随生育时期的推进而降低。在同一生育时期, 冠层不同层位叶片氮浓度随施氮量和施氮次数的增加呈上升的趋势。2022年土默特右旗、2022年土默特左旗和2023年土默特右旗玉米上层叶片氮浓度分别为2.33%~3.45%、1.74%~2.88%和1.99%~3.13%; 中层叶片氮浓度分别为2.26%~3.25%、1.87%~2.72%和2.11%~2.92%; 下层叶片氮浓度分别为1.98%~ 2.97%、1.59%~2.55%和1.58%~2.62%。在九叶展期和大喇叭口期各处理氮浓度均表现为上层叶片>中层叶片>下层叶片; 在吐丝期和乳熟期各处理叶片氮浓度均表现为中层叶片>上层叶片>下层叶片。N360-F5、N360-F3、N270-F5和N270-F3处理各时期不同层位叶片氮浓度均显著高于N0。

施氮量从270 kg hm^-2增加至360 kg hm^-2, 2022年土默特右旗各时期上层、中层和下层叶片氮浓度分别平均增加了5.94%、9.54%和9.18%, 2022年土默特左旗各时期分别平均增加了8.91%、8.19%和9.90%, 2023年土默特右旗各时期分别平均增加了8.91%、8.01%和13.05%; 次数从3次增加至5次, 2022年土默特右旗各时期上层、中层和下层叶片氮浓度分别平均增加了3.31%、4.40%和8.64%, 2022年土默特左旗各时期分别平均增加了5.41%、5.15%和4.14%, 2023年土默特右旗各时期分别平均增加了5.48%、5.07%和6.69%。

对冠层不同层位叶片氮浓度影响因素作多因素方差分析(表7), 改变试验地点、施氮量和施氮次数对九叶展期、大喇叭口期、吐丝期和乳熟期冠层不同层次叶片氮浓度的影响达到极显著水平, 说明试验地点、施氮量和施氮次数是影响玉米不同层次叶片氮浓度的重要因素。

利用随机森林回归机器学习算法构建基于冠层不同层次叶片氮浓度的冠层氮浓度估算模型, 模型性能见表8, 用于确定估算冠层氮浓度的有效叶层。由表8可知, 训练集中的上、中、下三层叶片氮浓度与冠层氮浓度回归模型的R²、RMSE、NRMSE和MAE平均值分别为0.88、0.14%、4.98%和0.11%, 测试集中R²、RMSE、NRMSE和MAE平均值分别为0.64、0.23%、11.05%和0.17%。该模型精度较高, 不同层次叶片氮浓度能较好地预测冠层氮浓度。

进一步根据随机森林回归算法中节点纯度增加值确定了冠层氮浓度的有效叶层, 即节点纯度增加值最高的叶层为有效叶层。九叶展期(图6-A)、大喇叭口期(图6-B)、吐丝期(图6-C)和乳熟期(图6-D)节点纯度增加值最高的氮浓度叶层分别为下层、中层、中层和中层, 对应节点纯度增加值分别为0.90、1.08、1.40和1.25。因此, 在玉米V9、V12、R1和R3, 冠层下层、中层、中层和中层是估算冠层氮浓度的有效叶层。

玉米九叶展期、大喇叭口期、吐丝期和乳熟期不同施氮处理下提取的多光谱植被指数与实测冠层氮浓度和有效叶层氮浓度进行相关性分析, 结果见图7。

植被指数与玉米冠层氮浓度和有效叶层氮浓度的相关系数范围在九叶展期(图7-A)分别为0.14~ 0.28和0.32~0.51; 大喇叭口期(图7-B)分别为0.40~ 0.61和0.68~0.79; 吐丝期(图7-C)分别为0.21~0.48和0.33~0.61; 乳熟期(图7-D)分别为0.01~0.79和0.12~0.87。各生育时期植被指数与有效叶层氮浓度的相关系数高于植被指数与冠层氮浓度相关系数。此外, 为降低数据冗余, 剔除各生育时期与有效叶层氮浓度相关系数未达0.5的植被指数。最终, 九叶展期保留GDVI、MSAVI、MTVI1、MTVI2和TVI, 大喇叭口期保留全部12个植被指数, 吐丝期保留GDVI、MSAVI、MTVI1、MTVI2、OSAVI、RDVI、SAVI、TCARI和TVI, 乳熟期保留GDVI、MSAVI、MTVI1、MTVI2、OSAVI、RDVI、SAVI和TVI, 各时期筛选后保留的植被指数用于后文模型构建。

基于随机森林回归算法和支持向量回归算法, 以2.3小节各生育时期筛选后保留的多光谱植被指数为自变量估算有效叶层氮浓度。然后将估算的有效叶层氮浓度转化为冠层氮浓度。同时, 采用上述两种回归算法构建直接基于多光谱植被指数的冠层氮浓度估算模型, 评估基于玉米叶片氮素空间分异的冠层氮浓度估算模型的精度, 结果如图8和图9所示。

对于训练集, 各生育时期基于冠层氮素空间分异的冠层氮浓度的估算精度平均RMSE、NRMSE和MAE分别为0.08%、3.74%和0.06%, 直接基于植被指数的冠层氮浓度的估算精度平均RMSE、NRMSE和MAE分别为0.18%、8.58%和0.14%; 故基于冠层氮素空间分异的冠层氮浓度的估算模型稳定性极好, 且精度高于直接基于植被指数的冠层氮浓度的估算精度。对于随机森林算法(图8-A~D), 各时期基于冠层氮素空间分异的冠层氮浓度的平均RMSE、NRMSE和MAE分别为0.06%、2.71%和0.04%, 而直接基于植被指数的冠层氮浓度的平均RMSE、NRMSE和MAE分别为0.15%、7.16%和0.11%。随机森林算法估算冠层氮浓度对应的平均RMSE、NRMSE和MAE分别较支持向量回归算法(图8-E~H)高40.00%、43.19%和42.86%。

对于测试集(图9), 各生育时期基于冠层氮素空间分异的冠层氮浓度的估算精度平均RMSE、NRMSE和MAE分别为0.20%、6.60%和0.11%, 直接基于植被指数的冠层氮浓度的估算精度平均RMSE、NRMSE和MAE分别为0.24%、12.10%和0.21%; 故基于冠层氮素空间分异的冠层氮浓度的估算模型稳定性极好, 且精度高于直接基于植被指数的冠层氮浓度的估算精度。随机森林算法(图9-A~D)中各时期基于冠层氮素空间分异的冠层氮浓度的平均RMSE、NRMSE和MAE分别为0.13%、6.11%和0.10%, 而直接基于植被指数的冠层氮浓度的平均RMSE、NRMSE和MAE分别为0.22%、10.84%和0.19%。随机森林算法估算冠层氮浓度对应的平均RMSE、NRMSE和MAE分别较支持向量回归算法(图9-E~H)高13.33%、43.63%和16.67%。综上, 考虑玉米冠层氮素空间分异, 随机森林回归算法模型精度较高, 能更好地由植被指数估算冠层氮浓度。

利用基于冠层氮素空间分异和无人机多光谱植被指数估算冠层氮浓度预测值制作各试验小区玉米冠层氮浓度空间分布图。随着生育时期的推进和施氮量及施氮次数的增加, 各小区影像颜色有明显变化, 且符合实测冠层氮浓度变化规律。具体表现为: 随生育时期的推进冠层氮浓度逐渐降低(由红色转变为绿色), 同一生育时期内随施氮量和施氮次数的增加冠层氮浓度逐渐上升(由绿色转变为红色)。2022年土默特右旗(图10-A~D)基于冠层氮素空间分异和多光谱植被指数估测玉米冠层氮浓度预测值在九叶展期(V9)、大喇叭口期(V12)、吐丝期(R1)和乳熟期(R3)分别为1.93%~2.88%、1.57%~2.63%、1.49%~ 2.61%和1.18%~2.05%, 2023年土默特右旗(图10-E~H)冠层氮浓度预测值在各时期分别为1.96%~ 2.96%、1.83%~2.67%、1.54%~2.55%和1.25%~2.33%, 2022年土默特左旗(图10-I~L)冠层氮浓度预测值在各时期分别为1.86%~2.92%、1.69%~2.62%、1.32%~ 2.45%和1.19%~2.19%。

玉米冠层纵深大, 其自上而下的垂直异构型使得植株不同层位的氮浓度存在差异^[33], 而当前玉米冠层氮浓度估算研究大都以冠层整体为研究对象, 往往忽视冠层氮营养的空间分异规律。充分了解玉米氮素的空间分布特性并寻求快速、精准指示作物氮营养丰缺变化的有效叶层以提高光谱诊断效率具有重要意义。

各生育时期玉米冠层氮浓度空间分布规律不同, 九叶展期和大喇叭口期冠层氮浓度表现为上层叶片>中层叶片>下层叶片, 在吐丝期和乳熟期表现为中层叶片>上层叶片>下层叶片(图5), 这与温鹏飞^[34]和Winterhalter等^[35]的研究结果基本一致。主要原因是在九叶展期和大喇叭口期, 上层叶片是主要功能叶片, 其光合作用能力强于中下层, 能够吸收较多氮素; 在吐丝期和乳熟期, 中层叶片即棒三叶是主要功能叶片, 储存较多氮素有利于玉米果穗生长^[36]。进一步根据随机森林回归算法中节点纯度增加值确定了能估算冠层氮浓度的有效叶层, 九叶展期、大喇叭口期、吐丝期和乳熟期节点纯度增加值的最高值分布在下层叶片、中层叶片、中层叶片和中层叶片, 故四个时期估算冠层氮浓度的有效叶层分别为下层、中层、中层、中层(图6)。这是因为在玉米营养生长阶段, 下层叶片对氮素变化更敏感; 而到生殖生长阶段, 穗三叶作为功能叶片更能有效地表征冠层整体氮状态。Chen等^[37]利用无人机多光谱数据估测玉米冠层SPAD值, 表明玉米六叶展期、九叶展期、吐丝期和籽粒建成期的有效叶层分别为第6片完全展开叶、第4片完全展开叶、第12片完全展开叶和第12片完全展开叶, 与本研究结果基本一致。因此, 有效叶层的确定有望提高冠层氮浓度的估算精度。

此外, 无人机遥感技术具有省时省力, 可按需获取不同时空和光谱分辨率数据的特点, 被广泛用于农情快速精准监测^[38-39]。由于植物本身结构造成的遮荫, 遥感数据并不能反映全部的冠层信息, 因此基于植被指数直接估算冠层氮浓度会存在预测精度低的情况。故本文在植被指数估算有效叶层氮浓度的基础上, 使用参数β来调整有效叶层氮浓度与整个冠层氮浓度的关系。与直接采用多光谱植被指数估测玉米九叶展期、大喇叭口期、吐丝期和乳熟期4个时期冠层氮浓度相比, 基于植被指数估算有效叶层氮浓度并将其转化为冠层氮浓度的精度更高(图8和图9)。Luo等^[10]结合高光谱技术和冠层氮垂直分布对芦苇生长高峰期冠层总氮浓度的估测结果表明, 该时期芦苇冠层的上三层是估算冠层总氮浓度的有效叶层, 其R²、RMSE分别为0.88、0.37%。因此, 基于多光谱植被指数估算有效叶层氮浓度, 并将其转化为冠层氮浓度的方法是可行的。并且, 随机森林回归估测有效叶层氮浓度并将其转化为冠层氮浓度的精度高于支持向量回归^[40], 这可能与随机森林回归算法鲁棒性强不易过拟合有关。

估算的玉米冠层氮浓度时空变化与各试验处理玉米冠层氮浓度实测值变化一致(图10)。随生育时期的推进冠层氮浓度呈降低趋势, 同一生育时期内随施氮量和施氮次数的增加冠层氮浓度呈上升趋势。这进一步说明基于植被指数估算有效叶层氮浓度进而估算冠层氮浓度是可行的。此外, Lee等^[41]结合无人机多光谱数据和机器学习算法估测玉米冠层氮含量, 预测值与实测值吻合效果较好, 特别是在较低的数值范围内仍能有效区分不同时期和不同处理下的冠层氮含量, 说明利用无人机多光谱影像进行玉米冠层不同生育时期氮浓度无损诊断是可行且准确的。

然而, 本研究也存在不足。有效叶层氮浓度能改善冠层氮浓度的估算精度, 而有效叶层中哪一叶片发挥了主要作用还不清楚; 精准估测玉米冠层氮浓度后如何进一步确定施肥日期和施肥量仍需研究。

玉米冠层氮素存在空间分异特征, 其九叶展期和大喇叭口期冠层分层氮浓度表现为上层叶片>中层叶片>下层叶片, 吐丝期和乳熟期表现为中层叶片>上层叶片>下层叶片。4个时期中, 估算冠层氮浓度的有效叶层分别为下层、中层、中层和中层。基于随机森林回归算法和植被指数估算的有效叶层氮浓度构建了冠层氮浓度估算模型, 提高了冠层氮浓度估算精度, 平均RMSE、NRMSE和MAE分别为0.10%、4.41%和0.07%。本研究确定的考虑冠层氮浓度空间分异的冠层氮浓度估算框架可为玉米氮素营养实时诊断提供理论支撑。