基于不同传感器的叶色信息对上海崇明区水稻氮营养诊断的研究

Study on the diagnosis of rice nitrogen nutrition in Chongming District, Shanghai based on leaf color information of different sensors

摘要

为构建基于临界氮稀释曲线的杂交稻和常规稻叶色无损诊断模型，探究上海市崇明区不同叶色传感器适宜的氮营养诊断方法。于2023年在上海市崇明区以杂交稻‘申优26’‘申优28’及常规稻‘南粳46’‘崇尚2022’为材料，从水稻分蘖期到抽穗期进行了不同施氮量（0~375 kg/hm²）的田间试验，获取水稻地上干物质重及氮浓度，计算水稻地上部生物量及吸氮量等农学参数，利用杂交稻和常规稻临界氮浓度曲线计算不同品种在不同时期的临界氮浓度和氮营养指数；同时利用SPAD-502 Plus和搭载多光谱相机的大疆精灵4 RTK版无人机获取水稻叶色信息，构建以临界氮浓度曲线为基础的SPAD指数的氮素营养诊断模型和多光谱冠层植被指数的氮素营养诊断模型。结果表明：1）利用SPAD指数建立的氮营养指数（NNI）模型中，杂交稻最优指数为顶部第2片完全展开叶归一化SPAD 指数（NSI2），常规稻最优指数为顶部第1片完全展开叶归一化SPAD指数（NSI1）。2）利用无人机（UAV）搭载多光谱相机建立的氮营养指数模型中，杂交稻、常规稻的最优植被指数均为归一化绿蓝差异指数（NGBDI）。3）利用SPAD-502 Plus拟合的SPAD指数与氮营养指数建立模型，精度可以解释50%以上的变量；利用多光谱冠层数据拟合的NGBDI指数与NNI建立模型，精度可以解释56%以上的变量。综上，SPAD指数和植被指数均可以用来建立水稻孕穗期氮营养估测模型，但利用多光谱诊断模型精度更高。

Abstract

In order to construct a non-destructive diagnostic model of leaf color for hybrid rice and conventional rice based on the critical nitrogen dilution curve and explore the appropriate nitrogen nutrition diagnosis method for different leaf color sensors in Chongming District， Shanghai. This study conducted field experiments with different nitrogen application rates （0~375 kg/hm²） by taking two hybrid rice varieties （‘Shenyou 26’ and ‘Shenyou 28’）， and two conventional rice varieties （‘Nanjing 46’ and ‘Chongshang 2022’） as materials in 2023. The experiments were carried out from the tillering stage to the heading stage to obtain the above-ground dry matters weight and nitrogen concentration of rice， calculate the agronomic parameters such as rice above-ground biomass and nitrogen uptake of rice， and calculate the critical nitrogen concentration and nitrogen nutrient index of different varieties at different stages with the critical nitrogen concentration curves of hybrid rice and conventional rice respectively. Simultaneously， the SPAD-502 Plus （Soil plant analysis development-502 Plus）and DJI Phantom 4 RTK drone which equipped with multi-spectral cameras were used to obtain rice leaf color information， and constructed a nitrogen nutrient diagnosis model based on the critical nitrogen concentration curve of SPAD index and multi-spectral canopy vegetation index. The results showed that： 1） During the key growth stages of rice， the nitrogen nutrient index model were established by SPAD index， the optimal index for hybrid rice was Normalized SPAD Index for Top 2 Leaves（NSI2）， while the optimal index for conventional rice was Normalized SPAD Index for Top 1 Leaves （NSI1）， respectively. 2） In the nitrogen nutrient index model established by Unmanned Aerial Vehicle（UAV） with multi-spectral camera， the optimal vegetation index for hybrid rice and conventional rice was Normalized Green Blue Difference Index（NGBDI）. 3） Estimated the NNI model using the SPAD index simulated by SPAD-502 Plus， the model can explain over 50% of the variables with accuracy. Estimated the NNI model using the NGBDI index simulated by multi-spectral canopy vegetation data， the model can explain over 56% of the variables with accuracy. In conclusion， both SPAD index and vegetation index can be used to establish nitrogen nutrition estimation model at booting stage， but the accuracy of using multi-spectral diagnostic model is stronger.

Graphical abstract

关键词

氮营养诊断 / 多光谱数据 / SPAD / 植被指数

Key words

nitrogen nutrient diagnosis / multi-spectral data / SPAD / vegetation index

水稻作为中国三大主要的粮食作物之一，有着分布地域广、栽培面积大的特点^［1-2］。氮素在水稻生长中扮演着不可或缺的角色，适量增施氮素对水稻产量的提高有明显作用。但我国稻田普遍存在氮肥施用过量的现象，一方面导致水稻产量和稻米品质下降^［3-4］，另一方面未被土壤吸收利用的氮素会以气体形式和淋溶的方式进入环境给环境带来风险^［5］。因此，建立合理的氮素诊断方法是当前实现农业可持续发展的主要途径。

目前，氮素诊断可分为有损诊断法和无损诊断法。有损诊断法，即化学诊断法，通过对田间植株取样，室内检测植株氮含量，进而判断植株氮素的丰缺程度；无损诊断法，即叶色诊断法，利用叶色传感器获取叶色信息，来判断植株的营养状况^［6］。近年来，无损诊断方法向着精准定量化和科技智能化发展，包括叶片尺度和冠层尺度^［7］。SPAD叶绿素测量仪（Soil plant analysis development，简称SPAD仪）是基于水稻叶片尺度获取叶色信息的主要代表。作为最开始出现的氮素诊断仪器，它采用双波长LED光源，分别照射植物叶片表面，将光电信号转换为数字信号，计算2种波长的光密度比值而得出SPAD值^［8］。SPAD仪能提高之前通过对比叶色卡判断作物是否缺氮的准确性，具有读数准确、操作便捷的优点。利用SPAD仪诊断作物氮营养情况已经在小麦^［9］、玉米^［10］、水稻^［11］上得到应用。在SPAD仪指导作物精准施肥方面，国内学者展开了大量工作，从最开始利用单个叶片颜色到不同叶位叶色差以及SPAD衍生值均取得显著成果^［12］。李刚华等^［13］将不同叶位SPAD值与施氮量、植株含氮量建立相关关系，发现倒三叶可以作为氮素诊断的理想叶位。李杰等^［14］利用2年试验数据建立拔节期、抽穗期SPAD衍生值与田块表观供氮量的线性拟合关系，发现SPAD _L3×L4/mean具有较好的拟合效果。任红军等^［15］探究2个水稻品种SPAD次级指标与施氮量、叶片含氮量之间的关系，结果发现GMSI34是最佳的SPAD次级指标。

在水稻冠层尺度的氮素诊断方面，多光谱相机则最具有代表性，多光谱技术将氮素诊断技术提高至新的精度水平，使得施肥更加准确。利用无人机搭载多光谱相机拍摄植株冠层光谱信息，通过检测冠层或叶片的光学反射来了解植物的营养状况，此技术在玉米^［16］、水稻^［17］、小麦^［18］等主要农作物中均有广泛应用。我国虽起步相对较晚，但也进行了大量的研究。薛利红等^［19］探究不同氮肥处理下水稻冠层光谱反射率及其衍生值与叶片氮含量的关系，发现近红外与绿光波段的比值与叶片氮积累量呈显著线性关系。裴信彪等^［20］在吉林省公主岭市利用无人机搭载多光谱仪研究了4个施氮水平下水稻不同生育期光谱指数（RVI和NDVI）的变化规律，结果表明在水稻冠层反射率会随着施氮量的变化而变化。Yao等^［21］在三江平原利用GreenSeeker主动传感器建立精准氮素管理策略，可以提高水稻氮素利用率。因此，可以利用冠层光谱指数来诊断水稻氮素情况。但无论是基于叶片尺度还是冠层尺度，不同区域的叶色指数存在差异，且在监测过程中会受到作物生长环境的影响，因此需要根据当地水稻的生长情况探究不同叶色指数与氮营养指数（Nitrogen nutrient index，NNI）的关系，提高氮营养指数估测精度。

前人对水稻氮素营养的估测多数仅集中在叶片尺度或冠层尺度，而很少同时利用2个尺度监测水稻生长状况。此外，崇明区作为上海水稻主产区，在探索都市现代绿色农业方面一直走在全国前列，但基于崇明区水稻氮素诊断的研究尚未见报道。因此，本研究选择在上海市崇明区开展不同施氮水平和品种的田间试验，利用SPAD-502 Plus仪（Soil plant analysis development-502 Plus）获取水稻不同叶位叶色数据建立SPAD指标体系，利用大疆精灵（DJI）4 RTK版无人机搭载多光谱相机获取水稻冠层光谱数据，计算冠层植被指数数据，并同步获取地上部生物量、植株氮浓度和植株吸氮量等水稻地上部农学参数，构建以氮营养指数为基础的SPAD指数氮素营养诊断模型和基于无人机平台多光谱数据的氮素营养诊断模型，旨在选择不同叶色传感器最优指数及适宜的氮素营养诊断模型，探索适合当地水稻的氮素管理措施，为崇明区水稻氮素诊断提供科学依据。

1　材料与方法

1.1　研究区域概况

试验于2023年6月10日—2023年11月10日在上海市崇明区庙镇联益村金瓜种植专业合作联社（121.36° E， 31.68° N）进行。该试验区气候温和湿润，四季分明，夏季湿热，冬季干冷，属典型的亚热带季风湿润气候。试验区土壤为夹沙土，耕层土壤（0~20 cm）背景值为：pH 6.2，有机质24.8 g/kg，全氮1.48 g/kg，速效磷12.9 mg/kg，速效钾101 mg/kg。

1.2　试验设计

以当地杂交稻主栽品种‘申优26’‘申优28’，常规稻主栽品种‘南粳46’‘崇尚2022’为试验材料，设0（CK）、337.5（CF）、105（T1）、135（T2）、150（T3）、225（T4）、300（T5）、375 kg/hm²（T6）共8个施氮处理，每个处理重复3次，共96个小区，不同时期施氮量见表1。均于2023年6月10日播种，11月10日收获。氮肥品种为尿素（N 46.4%），为防止尿素烧苗在水稻达到两叶一心时施基肥（6月25日），在水稻分蘖期开始施分蘖肥（7月21日），在水稻孕穗期施穗肥（8月15日）；磷肥（P₂O₅）用量为90 kg/hm²，钾肥（K₂O）用量为90 kg/hm²，全部作基肥施入。

1.3　测定指标及方法

1.3.1　植株农学参数的获取

在每个处理布设3个采样点，在水稻分蘖期、拔节期、幼穗分化期、孕穗期和抽穗期采集植物样品，将根系剪除并清洗地上部，105 ℃烘箱中杀青30 min后80 ℃烘干至恒重，记录地上部各器官干物质重量。将称重后的植株茎、叶和穗分别研磨粉碎后，用H₂SO₄-H₂O₂消煮样品，采用凯氏定氮仪测定水稻地上部各器官氮含量（氮浓度）。地上部各器官氮积累量=100×各器官氮含量×各器官干物质重。地上部植株氮浓度=地上部植株氮积累量/地上部植株干物质重/100，其中，地上部植株氮积累量指地上部各器官氮积累量（吸氮量）的总和。地上部吸氮量=100×地上部植株氮浓度×地上部生物量。

临界氮浓度（Critical N concentration， Nc）是由Ulrich^［22］提出的概念，它是指作物获得最大生物量时所需要的最少氮营养元素。Greenwood等^［23］得出植株地上部的氮浓度（N， g/kg）与地上部干物质量（DM， t/hm²）存在幂函数关系N_C=aDM^-b （a、b均为此方程参数），即N_C所建立的曲线为临界氮浓度变化曲线。本研究选择吕茹洁等^［24］建立的常规水稻与杂交水稻临界氮浓度稀释曲线来计算地上部临界氮浓度。计算公式如下：

杂交稻Nc=3.37DM^-0.32（1）

常规稻Nc=2.96DM^-0.25（2）

式中：Nc为地上部临界氮浓度，t/hm²；DM为地上部干物质量，t/hm²。公式（1）中的3.37是杂交稻地上部干物质达到1 t/hm²时的临界氮浓度，-0.32为决定此曲线斜率的统计学上的参数；公式（2）中的2.96是常规稻地上部干物质达到1 t/hm²时的临界氮浓度，-0.25为决定此曲线斜率的统计学上的参数。

氮营养指数是用来相对准确地判定作物体内氮营养状况的一个指标，具体是指作物地上部植株实际的氮浓度（Na）与临界氮浓度（Nc）的比值，能够定量地刻画作物氮素营养的丰缺及其程度，是指导精准施肥的有力工具。计算公式如下：

NNI=Na/Nc（3）

式中：Na为实测地上部植株氮浓度，t/hm²；Nc为地上部临界氮浓度，t/hm²。

1.3.2　叶色信息的获取

叶色数据采集时间分别为7月15日（分蘖期）、7月28日（拔节期）、8月19日（幼穗分化期）、8月31日（孕穗期）和9月17日（抽穗期）。

SPAD指标获取：每个小区选择具有代表性的水稻植株6株，利用日本柯尼卡公司的SPAD-502 Plus仪测定水稻顶上4叶完全展开叶SPAD值，测定部位为距叶片基部1/2处，测定时要注意避开叶脉和叶片边缘^［25］。根据顶上4叶完全展开叶SPAD值不同叶位归一化SPAD指数以及顶上倒1叶与倒3叶衍生值建立SPAD衍生指标体系^［26］。

植被指数获取：采用大疆精灵4 RTK版无人机搭载多光谱相机拍摄多光谱数据，设置飞行速度为1.7 m/s，飞行高度为50 m，航向重叠率和旁向重叠率分别为90%和80%。采集水稻关键生育期不同波长范围内的水稻冠层光谱影像，5种波段中心波长分别为450 nm（蓝光波段）、560 nm（绿光波段）、650 nm（红光波段）、730 nm（红边波段）和840 nm（近红外波段）。利用软件DJI Terra对获取的多光谱影像进行处理，导入软件ENVI 5.2将各波段影像合成，利用固定反射率校正板进行辐射定标，并提取不同处理的平均反射率计算9种冠层植被指数^［27］。

1.4　数据分析

整合多点的小区试验数据，将其分为两部分：67%作为训练数据集，33%作为验证数据集。水稻氮营养状况指标的平均值、标准差采用Microsoft Excel（Microsoft Corporation， Redmond， Washington， USA）计算。叶色指数与各氮素营养状况指标间的相关关系及函数关系的建立采用SPSS 25.0（SPSS Inc.， Chicago， Illinois， USA）分析，比较二次项、对数、幂函数、指数函数以及线性函数回归模型选取决定系数（R²）最高的叶色指数与对应的模型。

2　结果与分析

2.1　不同施氮水平下水稻关键生育期氮营养指数动态变化

不同水稻品种在其关键生育期氮营养指数的变化趋势如图1所示。所有水稻品种在营养生长时期氮营养指数均呈现大致相似的规律，即分蘖到拔节期下降，拔节到幼穗分化期上升。水稻各个生育时期的变化幅度会因为品种和施氮量产生差异。不同水稻品种在相同氮处理情况下存在差异，‘申优26’在幼穗分化期的上升幅度很微弱，即使在高氮水平下（T6）也仅仅上升8.71%，而其他几个品种在高氮水平下（T6）的上升幅度会达到22.94%~53.71%。施氮量对氮营养指数的变化影响较大，氮营养指数随着施氮水平的增加总体呈上升趋势，高氮处理下（CF、T5、T6）大部分时期都能达到1.0，低氮处理（CK、T1、T2、T3、T4）均<1.0。

2.2　基于氮营养指数水稻叶色指数的确定

不同水稻品种第1~4片完全展开叶SPAD指数与氮营养指数的相关关系如图2所示。对于杂交稻，分蘖期、拔节期、幼穗分化期、孕穗期、抽穗期、分蘖-抽穗期R²前四位的顺序分别为NSI2>L1>L2>NSI4、L2>L3>NSI2>L4、L4>L1>NSI1>L3、L2>L3>L4>NSI3、L1>L2>L3>L4、NSI2>NSI1>NSI3>NSI4。在训练数据集中，分蘖-抽穗期NSI2指数与杂交稻氮营养指数呈极显著相关且相关性最强，与验证数据集结果相同，综上，选择NSI2为杂交稻SPAD指标。同理，分蘖-抽穗期NSI1指数与常规稻氮营养指数呈极显著相关且相关性最强，选择NSI1为常规稻SPAD指标。

植被指数（VARI、NGBDI、NDVI、NDRE、GNDVI、CIrededge、MTCI、mNDblue、repRVI）与氮营养指数的相关性分析如图3所示。对于杂交稻，分蘖期、拔节期、幼穗分化期、孕穗期、抽穗期、分蘖-抽穗期植被指数与氮营养指数R²前四位的顺序分别为VARI>NGBDI>mNDblue>repRVI、mNDblue>MTCI>CIrededge>NDRE、NGBDI>mNDblue>MTCI>NDRE、MTCI>NGBDI>mNDblue>CIrededge、NGBDI>MTCI>mNDblue>CIrededge、NGBDI>NDVI>repRVI>GNDVI。在训练数据集中，分蘖-抽穗期NGBDI指数与杂交稻氮营养指数呈极显著负相关，相关性最大，与验证数据集结果相同，因此，选择NGBDI为杂交稻植被指数指标。同理，分蘖-抽穗期NGBDI指数与常规稻氮营养指数呈极显著负相关且相关性最大，选择NGBDI为常规稻植被指数指标。

2.3　水稻氮营养指数估算模型构建

根据上述结果建立不同生育期水稻品种叶色指数与氮营养指数之间的指数、对数、二次项、幂函数和线性5种函数关系模型，根据决定系数R²确定关键生育时期的诊断模型。表2和表3仅列出具有显著关系的函数模型。

SPAD指数与氮营养指数估算模型构建过程如表2所示。对于杂交稻，孕穗期NSI2与氮营养指数呈幂函数关系，R²=0.50，根据NSI2不同生育时期与NNI建立模型的决定系数R²可以反映出孕穗期作为诊断指标可信度最大；分蘖期、拔节期和抽穗期R²范围在0.20~0.30，与其他生育期相比，抽穗期R²最小，差异显著（P<0.05）。对于常规稻，孕穗期的NSI1与其氮营养指数呈指数函数关系，R²=0.56，根据NSI1不同生育时期与NNI建立模型的决定系数R²可以反映出孕穗期作为诊断指标可信度最大。

植被指数NGBDI与氮营养指数估算模型构建过程如表3所示。孕穗期杂交稻NGBDI与氮营养指数呈二次项函数关系，R²=0.56；常规稻NGBDI与氮营养指数呈幂函数关系，R²=0.70，模型精度均较高，可以解释56%以上的变量。

水稻孕穗期模型精度高于其他生育期，这是由于水稻生育前期冠层覆盖度低，抽穗期之后稻穗的出现会影响植被指数精度。

3　讨　论

本研究选择杂交稻（‘申优26’‘申优28’）、常规稻（‘南粳46’‘崇尚2022’）不同品种的水稻临界氮稀释曲线建立了崇明区水稻氮营养指数，得到水稻关键生育期氮营养指数动态变化。结果表明，即使在高氮处理下（T6）氮营养指数仍然存在<1.0的可能，这与氮营养指数判断作物是否缺氮并不冲突，需要根据崇明区水稻的生长情况制定出适用于当地的氮营养指数判断标准。

SPAD仪作为叶色诊断工具，可以快速得出水稻叶色情况。在本研究中杂交稻的氮营养指数为0.35~1.29，常规稻氮营养指数为0.40~1.15，不同水稻品种氮营养指数的变化范围存在差异，这与贺志远等^［28］的研究结果相同。施氮量对氮营养指数影响极大，随着施氮量的增加，各水稻品种氮营养指数基本上呈现出增加的趋势，这与徐浩聪等^［29］的研究结果一致。Lin等^［30］认为顶1、顶3叶RSI和RDSI是评价水稻叶片含氮量SPAD的指标。Yuan等^［31］以水稻顶4叶的NSI4为参数，建立水稻拔节至孕穗期氮营养指数诊断模型。李杰等^［32］以SPAD _L4×L3/mean建立的模型可以作为水稻变量施肥的理想参数。本研究发现杂交稻最佳SPAD指数为NSI2，常规稻为NSI1，与前人研究结果不同的原因可能是当地水稻栽培条件的不同。水稻冠层光谱诊断作物氮素的指标越来越多，包括单波段指标和多波段指标。不同地区、不同水稻品种氮素敏感指标存在差异。在利用冠层光谱指数估算作物氮素情况中，NDVI是体现作物生长情况的一个重要指标，众多学者使用NDVI估测水稻氮素情况^［33-35］。但本研究通过选择对水稻生长监测有明显意义的9种植被指数与氮营养指数建立相关性分析，得到适合估测水稻生育期氮营养指数的植被指数NGBDI，利用该指数与水稻关键生育期建立模型，均有较好的拟合效果。与前人研究结果不一致的原因可能是水稻种植环境的不同。

本研究选择2种杂交稻品种（‘申优26’‘申优28’）、2种常规稻品种（‘南粳46’‘崇尚2022’）进行叶色指数的选择和函数关系的建立，样品量发生变化会影响光谱指数的选择和模型的建立进而会对模型精度产生影响。临界氮稀释曲线的选择也是影响模型精度的原因之一。本研究选择长江中下游杂交稻、常规稻临界氮稀释曲线，而非崇明区临界氮稀释曲线，会对模型精度产生影响。此外，水稻生长有主茎和不同级别分蘖的存在，同一块田的作物可能在同一时间节点存在不同生育时期；以及设置不同施氮梯度也会影响同一水稻品种生长发育^［36］，这些因素均会导致模型的精度产生变化。

在水稻田间诊断使用SPAD仪器操作简单但精度低，使用多光谱相机精度高但操作复杂。本研究利用SPAD-502 Plus和大疆精灵4 RTK版无人机2种传感器获取水稻叶色数据，对比不同叶色传感器氮营养诊断的精度，发现2种传感器均可以用于水稻孕穗期氮素营养诊断，但多光谱数据诊断更准确。

4　结　论

通过本研究发现不同水稻品种基于氮营养指数的SPAD最佳指标不同，杂交稻为NSI2，常规稻为NSI1；基于氮营养指数的多光谱植被指数均为NGBDI。利用SPAD-502 Plus拟合的SPAD指数对水稻孕穗期氮营养指数进行估测，杂交稻NSI2和其NNI的诊断模型为：y=0.813x^2.62（R²=0.50，P<0.01），常规稻NSI1和其NNI的诊断模型为：y=0.11e^2.071x （R²=0.56，P<0.01），模型可以解释50%以上的变量。利用多光谱诊断拟合的植被指数NGBDI对水稻孕穗期氮营养指数进行估测，杂交稻NGBDI和其NNI的诊断模型为：y=18.197x²-17.773x+4.755（R²=0.56，P<0.01），常规稻NGBDI和其NNI的诊断模型为：y=6.299e^-5.963x （R²=0.70，P<0.01），模型可以解释56%以上的变量，可以用来作为诊断水稻田间施肥的工具。

参考文献

[1] 董钻， 王术. 作物栽培学总论［M］. 第3版. 北京： 中国农业出版社， 2018

[2] Dong Z， Wang S. General Introduction of Crop Cultivation［M］. 3rd ed. Beijing： China Agriculture Press， 2018 （in Chinese）

[3] 姚国新， 高山， 陈素生. 水稻旱直播的国内外研究进展［J］. 宁夏农学院学报， 2003， 24（2）： 63-67

[4] Yao G X， Gao S， Chen S S. Research and progress of dry direct-seedling rice at home and abroad［J］. Journal of Ningxia Agricultural College， 2003， 24（2）： 63-67 （in Chinese）

[5] 沈炘垭， 李思宇， 刘立军. 氮素粒肥对长江中下游粳稻产量、氮肥利用率和品质的影响［J］. 核农学报， 2024， 38（8）： 1585-1594

[6] Shen X Y， Li S Y， Liu L J. Effects of grain nitrogen fertilizer on yield， nitrogen use efficiency and quality in Japonica rice in the middle and lower reaches of the Yangtze River［J］. Journal of Nuclear Agricultural Sciences， 2024， 38（8）： 1585-1594 （in Chinese）

[7] 唐清芸， 杨晶晶， 赵蕾， 宋志文， 王国栋， 李玉祥. 施氮量对滴灌水稻根系形态构型和分形特征的影响［J］. 作物学报， 2024， 50（6）： 1540-1553

[8] Tang Q Y， Yang J J， Zhao L， Song Z W， Wang G D， Li Y X. Effect of nitrogen application on morphological conformation and fractal characteristics of drip irrigated rice roots［J］. Acta Agronomica Sinica， 2024， 50（6）： 1540-1553 （in Chinese）

[9] 汪华， 杨京平， 金洁， 孙军华. 不同氮素用量对高肥力稻田水稻-土壤-水体氮素变化及环境影响分析［J］. 水土保持学报， 2006， 20（1）： 50-54

[10] Wang H， Yang J P， Jin J， Sun J H. N variation in rice-soil-water system under different N application level in high-yielding paddy field and its environment effect ［J］. Journal of Soil and Water Conservation， 2006， 20（1）： 50-54 （in Chinese）

[11] 杨红云， 周琼， 杨珺， 孙玉婷， 路艳.水稻氮素营养诊断方法研究进展［J］. 中国稻米， 2020， 26（2）： 5-8， 13

[12] Yang H Y， Zhou Q， Yang J， Sun Y T， Lu Y. Research progress on nitrogen nutrition diagnosis methods of rice［J］. China Rice， 2020， 26（2）： 5-8， 13 （in Chinese）

[13] 孙凯旋， 张玉屏， 向镜， 张义凯， 王亚梁， 熊家欢， 叶天承， 高义卓， 唐梅， 王志刚， 陈惠哲. 水稻氮素营养诊断及施用策略研究进展［J］. 杂交水稻， 2024， 39（2）： 1-7

[14] Sun K X， Zhang Y P， Xiang J， Zhang Y K， Wang Y L， Xiong J H， Ye T C， Gao Y Z， Tang M， Wang Z G， Chen H Z. Research progress of nitrogen nutrition diagnosis and application strategy in rice［J］. Hybrid Rice， 2024， 39（2）： 1-7 （in Chinese）

[15] 李志宏， 刘宏斌， 张云贵. 叶绿素仪在氮肥推荐中的应用研究进展［J］. 植物营养与肥料学报， 2006， 12（1）： 125-132

[16] Li Z H， Liu H B， Zhang Y G. A review on chlorophyll meter application on nitrogen fertilizer recommendation［J］. Plant Nutrition and Fertilizer Science， 2006， 12（1）： 125-132 （in Chinese）

[17] 李志宏， 刘宏斌， 张福锁. 应用叶绿素仪诊断冬小麦氮营养状况的研究［J］. 植物营养与肥料学报， 2003， 9（4）： 401-405

[18] Li Z H， Liu H B， Zhang F S. Research of nitrogen nutrition status for winter wheat based on chlorophyll meter［J］. Plant Nutrition and Fertilizer Science， 2003， 9（4）： 401-405 （in Chinese）

[19] Sunderman H D， Pontius J S， Lawless J R. Variability in leaf chlorophyll concentration among fully-fertilized corn hybrids［J］. Communications in Soil Science and Plant Analysis， 1997， 28（19/20）： 1793-1803

[20] 俞敏祎， 余凯凯， 费聪， 柯威宇， 吴业飞， 张镇子， 包泽航， 林海琛， 李飞飞， 陈国林， 吕尊富. 水稻冠层叶片SPAD数值变化特征及氮素营养诊断［J］. 浙江农林大学学报， 2019， 36（5）： 950-956

[21] Yu M Y， Yu K K， Fei C， Ke W Y， Wu Y F， Zhang Z Z， Bao Z H， Lin H C， Li F F， Chen G L， Lv Z F. Characteristics and diagnosis of nitrogen nutrition for rice canopy leaf SPAD value changes［J］. Journal of Zhejiang A & F University， 2019， 36（5）： 950-956 （in Chinese）

[22] 王磊， 卢艳丽， 白由路. 主要粮食作物基于SPAD的氮素营养诊断方法研究进展［J］. 植物营养与肥料学报， 2022， 28（3）： 546-554

[23] Wang L， Lu Y L， Bai Y L. Research progress on nitrogen nutrition diagnosis method based on SPAD for main grain crops［J］. Plant Nutrition and Fertilizer Science， 2022， 28（3）： 546-554 （in Chinese）

[24] 李刚华， 薛利红， 尤娟， 王绍华， 丁艳锋， 吴昊， 杨文祥. 水稻氮素和叶绿素SPAD叶位分布特点及氮素诊断的叶位选择［J］. 中国农业科学， 2007， 40（6）： 1127-1134

[25] Li G H， Xue L H， You J， Wang S H， Ding Y F， Wu H， Yang W X. Spatial distribution of leaf N content and SPAD value and determination of the suitable leaf for N diagnosis in rice［J］. Scientia Agricultura Sinica， 2007， 40（6）： 1127-1134 （in Chinese）

[26] 李杰， 冯跃华， 牟桂婷， 许桂玲， 罗强鑫， 罗康杰， 黄世凤， 石欣， 管正策， 叶勇， 黄佑岗. 基于SPAD值的水稻施氮叶值模型构建及应用效果［J］. 中国农业科学， 2017， 50（24）： 4714-4724

[27] Li J， Feng Y H， Mou G T， Xu G L， Luo Q X， Luo K J， Huang S F， Shi X， Guan Z C， Ye Y， Huang Y G. Construction and application effect of the leaf value model based on SPAD value in rice［J］. Scientia Agricultura Sinica， 2017， 50（24）： 4714-4724 （in Chinese）

[28] 任红军， 许桂玲， 冯跃华， 李杰， 王晓珂， 高钰琪， 由晓璇， 韩志丽， 李家乐. 基于杂交水稻叶片SPAD值的氮素营养诊断模型的初步构建［J］. 中国稻米， 2024， 30（2）： 5-12

[29] Ren H J， Xu G L， Feng Y H， Li J， Wang X K， Gao Y Q， You X X， Han Z L， Li J L. Preliminary construction of a diagnostic model for nitrogen nutrition based on SPAD values in leaves of hybrid rice［J］. China Rice， 2024， 30（2）： 5-12 （in Chinese）

[30] 卢艳丽， 白由路， 杨俐苹， 王磊. 利用GreenSeeker法诊断春玉米氮素营养状况的研究［J］. 玉米科学， 2008， 16（1）： 111-114

[31] Lu Y L， Bai Y L， Yang L P， Wang L. Diagnosis on nitrogen status using GreenSeeker in spring maize［J］. Journal of Maize Sciences， 2008， 16（1）： 111-114 （in Chinese）

[32] 刘昌华， 马文玉， 陈志超， 王春阳， 芦俊俊， 岳学智， 王哲， 方征， 苗宇新. 基于无人机遥感的冬小麦氮素营养诊断［J］. 河南理工大学学报：自然科学版， 2018， 37（3）： 45-53

[33] Liu C H， Ma W Y， Chen Z C， Wang C Y， Lu J J， Yue X Z， Wang Z， Fang Z， Miao Y X. Nitrogen nutrition diagnosis of winter wheat based on the UAV remote sensing［J］. Journal of Henan Polytechnic University ：Natural Science， 2018， 37（3）： 45-53 （in Chinese）

[34] 杨红云， 周琼， 杨珺， 孙玉婷， 路艳， 殷华. 基于高光谱的水稻叶片氮素营养诊断研究［J］. 浙江农业学报， 2019， 31（10）： 1575-1582

[35] Yang H Y， Zhou Q， Yang J， Sun Y T， Lu Y， Yin H. Study on nitrogen nutrition diagnosis of rice leaves based on hyperspectrum［J］. Acta Agriculturae Zhejiangensis， 2019， 31（10）： 1575-1582 （in Chinese）

[36] 薛利红， 曹卫星， 罗卫红， 姜东， 孟亚利， 朱艳. 基于冠层反射光谱的水稻群体叶片氮素状况监测［J］. 中国农业科学， 2003， 36（7）： 807-812

[37] Xue L H， Cao W X， Luo W H， Jiang D， Meng Y L， Zhu Y. Diagnosis of nitrogen status in rice leaves with the canopy spectral reflectance［J］. Scientia Agricultura Sinica， 2003， 36（7）： 807-812 （in Chinese）

[38] 裴信彪， 吴和龙， 马萍， 严永峰， 彭程， 郝亮， 白越. 基于无人机遥感的不同施氮水稻光谱与植被指数分析［J］. 中国光学， 2018， 11（5）： 832-840

[39] Pei X B， Wu H L， Ma P， Yan Y F， Peng C， Hao L， Bai Y. Analysis of the spectrum and vegetation index of rice under different nitrogen levels based on unmanned aerial vehicle remote sensing［J］. Chinese Optics， 2018， 11（5）： 832-840 （in Chinese）

[40] Yao Y K， Miao Y X， Huang S Y， Gao L， Ma X B， Zhao G M， Jiang R F， Chen X P， Zhang F S， Yu K， Gnyp M L， Bareth G， Liu C， Zhao L Q， Yang W， Zhu H M. Active canopy sensor-based precision N management strategy for rice［J］. Agronomy for Sustainable Development， 2012， 32（4）： 925-933

[41] Ulrich A. Physiological bases for assessing the nutritional requirements of plants［J］. Annual Review of Plant Physiology， 1952， 3： 207-228

[42] Greenwood D J， Lemaire G， Gosse G， Cruz P， Draycott A， Neeteson J J. Decline in percentage N of C₃ and C₄ crops with increasing plant mass［J］. Annals of Botany， 1990， 66（4）： 425-436

[43] 吕茹洁， 商庆银， 陈乐， 曾勇军， 胡水秀， 杨秀霞. 基于临界氮浓度的水稻氮素营养诊断研究［J］. 植物营养与肥料学报， 2018， 24（5）： 1396-1405

[44] Lv R J， Shang Q Y， Chen L， Zeng Y J， Hu S X， Yang X X. Study on diagnosis of nitrogen nutrition in rice based on critical nitrogen concentration［J］. Journal of Plant Nutrition and Fertilizers， 2018， 24（5）： 1396-1405 （in Chinese）

[45] 王志君， 李红宇， 夏玉莹， 范名宇， 赵海成， 鲁洁婷， 赵朝勇， 郑桂萍. 寒地水稻叶片SPAD值与稻米蛋白质含量的关系［J］. 干旱地区农业研究， 2023， 41（5）： 150-161

[46] Wang Z J， Li H Y， Xia Y Y， Fan M Y， Zhao H C， Lu J T， Zhao C Y， Zheng G P. Relationship between blade SPAD value and protein content of rice in cold region［J］. Agricultural Research in the Arid Areas， 2023， 41（5）： 150-161 （in Chinese）

[47] 宋丽娟. 基于机载多光谱和SPAD的寒地粳稻氮素营养诊断研究［D］. 沈阳： 沈阳农业大学， 2020

[48] Song L J. Study on nitrogen nutrition diagnosis for cold-terra rice based on airborne multispectral imager and SPAD［D］. Shenyang： Shenyang Agricultural University， 2020 （in Chinese）

[49] Liu J K， Zhu Y J， Tao X Y， Chen X F， Li X W. Rapid prediction of winter wheat yield and nitrogen use efficiency using consumer-grade unmanned aerial vehicles multispectral imagery［J］. Frontiers in Plant Science， 2022， 13： 1032170

[50] 贺志远， 朱艳， 李艳大， 刘小军， 曹强， 曹卫星， 汤亮. 中国南方双季稻氮营养指数及产量估算模型研究［J］. 南京农业大学学报， 2017， 40（1）： 11-19

[51] He Z Y， Zhu Y， Li Y D， Liu X J， Cao Q， Cao W X， Tang L. Study on estimation model for nitrogen nutrition index and yield on double cropping rice in Southern China［J］. Journal of Nanjing Agricultural University， 2017， 40（1）： 11-19 （in Chinese）

[52] 徐浩聪， 姚波， 王权， 陈婷婷， 朱铁忠， 何海兵， 柯健， 尤翠翠， 吴小文， 郭爽爽， 武立权. 基于叶片反射光谱估测水稻氮营养指数［J］. 中国农业科学， 2021， 54（21）： 4525-4538

[53] Xu H C， Yao B， Wang Q， Chen T T， Zhu T Z， He H B， Ke J， You C C， Wu X W， Guo S S， Wu L Q. Determination of suitable band width for estimating rice nitrogen nutrition index based on leaf reflectance spectra［J］. Scientia Agricultura Sinica， 2021， 54（21）： 4525-4538 （in Chinese）

[54] Lin F F， Qiu L F， Deng J S， Shi Y Y， Chen L S， Wang K. Investigation of SPAD meter-based indices for estimating rice nitrogen status［J］. Computers and Electronics in Agriculture， 2010， 71： S60-S65

[55] Yuan Z F， Ata-Ul-Karim S T， Cao Q， Lu Z Z， Cao W X， Zhu Y， Liu X J. Indicators for diagnosing nitrogen status of rice based on chlorophyll meter readings［J］. Field Crops Research， 2016， 185：12-20

[56] 李杰， 冯跃华， 王旭， 许桂玲， 麻井彪， 吴彦利， 李香玲， 叶勇， 黄佑岗， 牟桂婷. 水稻叶片SPAD值分布特征及其与施氮量的关系［J］. 南方农业学报， 2017， 48（1）： 38-45

[57] Li J， Feng Y H， Wang X， Xu G L， Ma J B， Wu Y L， Li X L， Ye Y， Huang Y G， Mou G T. Distribution characteristics of SPAD value in rice leaf and its relationship with nitrogen application rate［J］. Journal of Southern Agriculture， 2017， 48（1）： 38-45 （in Chinese）

[58] 郭建华， 赵春江， 王秀， 陈立平. 作物氮素营养诊断方法的研究现状及进展［J］. 中国土壤与肥料， 2008（4）： 10-14

[59] Guo J H， Zhao C J， Wang X， Chen L P. Research advancement and status on crop nitrogen nutrition diagnosis［J］. Soil and Fertilizer Sciences in China， 2008（4）： 10-14 （in Chinese）

[60] 陈青春， 吴继贤， 秦彦博， 曾汉超， 耿蔓一， 郭诗琪， 刘冠明. 基于GreenSeeker的水稻氮素估测［J］. 中国农业大学学报， 2014， 19（6）： 49-55

[61] Chen Q C， Wu J X， Qin Y B， Zeng H C， Geng M Y， Guo S Q， Liu G M. Nitrogen nutrition estimation of rice base on GreenSeeker［J］. Journal of China Agricultural University， 2014， 19（6）： 49-55 （in Chinese）

[62] Huang S， Tang L N， Hupy J P， Wang Y， Shao G F. A commentary review on the use of normalized difference vegetation index （NDVI） in the era of popular remote sensing ［J］. Journal of Forestry Research， 2021， 32（1）： 1-6

[63] 赵全志， 丁艳锋， 王强盛， 黄丕生， 凌启鸿. 水稻叶色变化与氮素吸收的关系［J］. 中国农业科学， 2006， 39（5）： 916-921

[64] Zhao Q Z， Ding Y F， Wang Q S， Huang P S， Ling Q H. Relationship between leaf color and nitrogen uptake of rice［J］. Scientia Agricultura Sinica， 2006， 39（5）： 916-921 （in Chinese）

基金资助

崇明区农业科创项目(2021CNKC-05-03)