红壤旱地花生叶片干重和氮含量光谱预测模型研究

Spectral predicting model of peanut leaf dry weight and nitrogen content in red soil upland

摘要

本研究旨在构建红壤旱地花生叶片干重和氮含量光谱预测模型。以花生品种‘赣花5号’和‘粤油93’为试验材料，分别于2023年和2024年在江西省南昌市进贤县开展4种不同施氮量的田间小区试验，采用国产手持式光谱仪于花生苗期、花针期、结荚期及饱果期测定比值植被指数、差值植被指数和归一化植被指数3个光谱植被指数，以此构建基于光谱植被指数的红壤旱地花生叶片干重和氮含量预测模型，并利用不同年份试验数据对所建模型进行检验。结果表明：花生叶片干重和氮含量随施氮量增大而增高，从苗期至饱果期呈先增后减的变化；花生叶片干重和氮含量均与归一化植被指数的相关性最高，可用幂函数模型和二次多项式模型分别预测花生叶片干重和氮含量；花生叶片干重预测模型构建的决定系数为0.82~0.91，模型检验的均方根误差、相对均方根误差和相关系数依次为4.57~19.07 g/m²、7.77%~11.23%和0.911 8~0.973 0；花生叶片氮含量预测模型构建的决定系数为0.84~0.90，模型检验的均方根误差、相对均方根误差和相关系数依次为0.09%~0.16%、3.58%~6.42%和0.917 6~0.972 7。因此，本研究构建的花生叶片干重和氮含量光谱预测模型具有较好的预测效果，可以克服人工测定法时效性差及用工成本高的缺点，在红壤旱地花生生长参数实时无损获取及精确栽培管理中实用性较强。

Abstract

The objective of this study was to construct the spectral prediction models of peanut leaf dry weight and nitrogen content in red soil upland. Two peanut cultivars， ‘Ganhua 5’ and ‘Yueyou 93’， were used as experimental materials. Field experiments with four nitrogen application rates were conducted at Jinxian County in Nanchang City， Jiangxi Province in 2023 and 2024. Three spectral vegetation indices： ratio vegetation index， differential vegetation index and normalized difference vegetation index at the seedling， flowering， podding and pod filling stages were measured with domestic handheld spectrometer. Prediction models for leaf dry weight and nitrogen content of peanut in red soil upland were constructed based on spectral vegetation indices and then validated with different datasets from different experimental years. The results showed that the leaf dry weight and nitrogen content of peanut increased with increasing nitrogen application amount， and exhibited an initially increasing and subsequently decreasing pattern throughout peanut development progress. Both peanut leaf dry weight and nitrogen content showed the highest correlation with the normalized difference vegetation index. Leaf dry weight and nitrogen content were predicted using the power function model and the quadratic polynomial model， respectively. The determination coefficient of the peanut leaf dry weight prediction model ranged from 0.82-0.91， the root mean square error， relative root mean square error and correlation coefficient of the model validation were 4.57-19.07 g/m²， 7.77%-11.23% and 0.911 8-0.973 0， respectively. The determination coefficient of the peanut leaf nitrogen content prediction model was 0.84-0.90， the root mean square error， relative root mean square error and correlation coefficient of the model validation were 0.09%-0.16%， 3.58%-6.42% and 0.917 6-0.972 7， respectively. These results indicated that the models constructed in this study displayed a good predictive ability for peanut leaf dry weight and nitrogen content， and overcomed the shortcomings， such as poor timeliness and high-labor costs by manual measurement method， and exhibited strong practicality for real-time， non-destructive monitoring of growth parameters and precision cultivation management of peanut in red soil upland.

Graphical abstract

关键词

花生 / 红壤旱地 / 光谱植被指数 / 叶片干重 / 叶片氮含量 / 预测模型

Key words

peanut / red soil upland / spectral vegetation index / leaf dry weight / leaf nitrogen content / predicting model

江西是中国花生主要产区，花生常年种植面积约18.23万hm²，位居全国第十，发展江西花生生产对保障国家油料安全至关重要^［1-2］。叶片干重和氮含量是评价花生长势质量与氮营养丰缺的重要生长参数，直接影响花生冠层光能截获利用及丰产稳产^［3-4］。因此，实时准确获取花生叶片干重和氮含量信息对花生精确诊断施肥和定向调控管理具有重要价值^［5］。

已有研究表明光谱技术可实时、准确和无损预测作物生长参数^［6-8］，克服传统人工取样测定法时效性差、费时耗工及大面积快速预测难的问题^［9-10］。近年来，研究主要利用无人机搭载高光谱和多光谱相机采集作物冠层光谱影像，进而构建基于特征光谱植被指数的株高^［11］、叶面积指数^［11-12］、氮营养^［13-14］、生物量^［15-16］、叶绿素含量^［17］及产量^［18］等生长参数预测模型。这些模型具有监测范围大、分辨率高、数据采集高效、对作业环境要求低等优点。但无人机搭载高光谱和多光谱相机大多为国外进口，对用户及影像数据处理要求高、专业性强、购机成本高，在作物实际生产应用中具有一定的局限性。为此，国内已有科研机构设计开发了使用简单、精度较高及成本较低的手持式光谱仪^［19-21］，建立了准确实用的作物生长参数预测诊断模型，在作物精确栽培中表现出明显的省工节肥作用^［22-24］。但是由于研究对象、作物株型、光谱仪型号及生产管理方式等不同，导致模型结构及系数存在差异、适用性较差，要提高模型预测性和适用性需开展属地化建模及检验。

江西花生主要种植在丘陵红壤旱地、土壤酸性较强，手持式光谱仪比无人机载光谱相机更适用于获取种植在小地块的花生生长参数信息。此外，江西红壤旱地花生生长参数和冠层光谱植被指数受株型影响而存在差异，花生生长季以多云寡照天气为主，被动光源的手持式和无人机载式光谱仪在南方多云寡照天气下应用具有明显的局限性，且目前基于国产手持式主动光源光谱仪的红壤旱地不同株型花生叶片干重和氮含量预测研究鲜有报道。为此，本研究拟以红壤旱地主推的松散型品种‘赣花5号’和紧凑型品种‘粤油93’为研究对象，开展不同株型花生品种与施氮量的田间试验，在花生生长过程中主要生育期采用国产手持式主动光源光谱仪测定光谱植被指数，取样测定叶片干重和氮含量，构建基于光谱植被指数的花生叶片干重和氮含量预测模型，以期为红壤旱地花生生长参数实时准确获取及精确栽培管理提供技术支撑。

1　材料与方法

1.1　试验设计

本试验于2023年和2024年4—8月在江西省南昌市进贤县开展。试验地为典型丘陵红壤旱地，耕作层含全氮1.09 g/kg、有机质15.12 g/kg、速效钾106.32 mg/kg、速效磷20.15 mg/kg。选择2个当地主推花生品种，依次为‘赣花5号’（松散型）和‘粤油93’（紧凑型），4月3日播种，8月9日收获。设置4种施氮量，依次为纯氮0、67.5、135和202.5 kg/hm²（依次用N0、N1、N2和N3表示，N2是当地高产栽培施氮量），分2次施用，70%作基肥，30%在主茎3~5片真叶时追施。另配P₂O₅ 81 kg/hm² 和K₂O 135 kg/hm²，作基肥一次施用。小区面积40 m²，条播，行距40 cm，穴距20 cm，每穴播2粒，南北行向。采用随机区组设计，3次重复。氮、磷、钾肥分别为尿素、钙镁磷肥和氯化钾。

1.2　测定项目及方法

1.2.1　光谱植被指数测定

在花生苗期、花针期、结荚期和饱果期，采用南京农业大学研制的手持式光谱仪^［20］测定花生冠层光谱植被指数。该光谱仪（CGMD402型）为主动光源，含730 和 810 nm共2个特征波段，视场角25°，开机自校，可直接测得比值植被指数、差值植被指数及归一化植被指数，计算公式详见表1。数据采集时间为10：00—14：00，仪器传感器垂直于花生冠层，与冠层相距1 m，每个试验小区随机选取3个观测点，每个观测点测定5次，计算平均值得到该小区测定值。

1.2.2　花生叶片干重及氮含量测定

在花生苗期、花针期、结荚期和饱果期，与光谱植被指数的测定同步，在各试验小区选取代表性花生植株5株，将植株样品取回实验室按叶、茎（包含根）和果等器官分开后装入信封，在105 ℃条件下杀青30 min，在80 ℃条件下烘48 h至恒量后分别称重，根据花生种植密度计算得到单位土地面积上的叶片干重（g/m²），采用凯氏定氮法^［25］测定花生叶片氮含量（%）。

1.3　预测模型的构建及检验

使用Excel 2021进行数据整理作图及拟合分析；使用SAS 8.0中的LSD 法进行单因素方差分析检验不同处理间差异显著性，用Shapiro-Wilk法对数据进行正态性分布检验。以试验测得的3个光谱植被指数（RVI、DVI和NDVI）作为自变量，叶片干重和氮含量作为因变量，依次进行线性方程、多项式方程、指数方程、对数方程及幂函数方程拟合比较分析（建模训练集样本量为24，测试集样本量为24），以拟合方程决定系数（Determination Coefficient， R²）值大小确定相关性高低，选择R²值最大的方程为最佳预测模型。通过对比分析均方根误差（Root Mean Square Error， RMSE）、相对均方根误差（relative Root Mean Square Error， rRMSE）和相关系数（Correlation Coefficient， r）来检验评价模型的预测效果与准确性。

2　结果与分析

2.1　红壤旱地花生叶片干重变化规律

不同生育期和施氮量下的红壤旱地花生叶片干重变化规律见图1。可见施氮量显著影响红壤旱地花生叶片干重。其中：2个花生品种不同生育期的叶片干重随施氮量增大而增高，相同花生品种在不同施氮量间具有极显著差异（P<0.01）（图1（a）和（b））；不施氮肥处理N0叶片干重较低，直接影响叶片光合速率及光合产物的形成；N3处理的叶片干重显著高于N0、N1和N2处理，高氮条件下易导致花生贪青晚熟（图1（a）和（b））。在施氮量相同的条件下，花生叶片干重从苗期至饱果期呈先增后减的变化。如紧凑型品种‘粤油93’N3处理苗期、花针期、结荚期和饱果期的叶片干重依次为82.63、228.71、263.03和161.98 g/m²（图1（b））。松散型品种‘赣花5号’结荚期N0、N1、N2和N3的叶片干重依次为128.28、190.69、237.63和259.19 g/m²（图1（a））；紧凑型品种‘粤油93’结荚期N0、N1、N2和N3的叶片干重依次为130.22、191.31、244.13和263.03 g/m²（图1（b））。株型紧凑的花生品种具有叶片厚和光能利用率高的特性，2个供试花生品种相比，‘粤油93’株型紧凑，其叶片干重高于‘赣花5号’。

2.2　红壤旱地花生叶片氮含量变化规律

不同生育期和施氮量下的红壤旱地花生叶片氮含量变化规律见图2。可见施氮量显著影响红壤旱地花生叶片氮含量。其中：2个花生品种不同生育期的叶片氮含量随施氮量增大而增高，相同花生品种在不同施氮量间具有极显著差异（P<0.01）（图2（a）和（b））。不施氮肥处理N0叶片氮含量较低，直接影响叶片光合作用及物质积累；N3处理的叶片氮含量显著高于N0、N1和N2处理（图2（a）和（b））。在施氮量相同的条件下，花生叶片氮含量从苗期至饱果期呈先增后减的变化。如松散型品种‘赣花5号’N2处理苗期、花针期、结荚期和饱果期的叶片氮含量依次为1.99%、2.83%、2.98%和2.38%（图2（a））。松散型品种‘赣花5号’饱果期N0、N1、N2和N3的叶片氮含量依次为1.68%、2.16%、2.38%和2.49%（图2（a））；紧凑型品种‘粤油93’饱果期N0、N1、N2和N3的叶片氮含量依次为1.64%、2.12%、2.34%和2.61%（图2（b））。总之，2个供试花生品种相比，‘赣花5号’为耐瘠薄品种，‘粤油93’为耐肥品种，‘赣花5号’N0、N1和N2处理的叶片氮含量高于‘粤油93’，其N3处理的叶片氮含量低于‘粤油93’。

2.3　红壤旱地花生叶片干重及氮含量光谱预测模型构建

利用2023年测定的试验数据构建红壤旱地花生叶片干重和氮含量光谱预测模型。基于光谱植被指数的不同生育期红壤旱地花生叶片干重和氮含量光谱预测模型见表2。可见：不同生育期RVI与花生叶片干重相关性最高的预测模型为二次多项式模型，模型构建R²为0.76~0.82；不同生育期DVI、NDVI与花生叶片干重相关性最高的预测模型均为幂函数模型，模型构建R²依次为0.81~0.90和0.82~0.91；不同生育期RVI、DVI、NDVI与花生叶片氮含量相关性最高的预测模型均为二次多项式模型，模型构建R²依次为0.70~0.87、0.74~0.86和0.84~0.90。因此，比较RVI、DVI和NDVI 3个光谱植被指数，NDVI与花生叶片干重和氮含量的建模R²值更大，表明NDVI与花生叶片干重和氮含量的相关性更高。

2.4　红壤旱地花生叶片干重光谱预测模型检验

利用2024年试验数据对本研究构建的红壤旱地花生叶片干重光谱预测模型进行检验评价。基于NDVI的红壤旱地花生叶片干重观测值与预测值的比较见图3。可见基于NDVI的幂函数模型预测苗期（图3（a））、花针期（图3（b））、结荚期（图3（c））和饱果期（图3（d））花生叶片干重的均方根误差（RMSE）、相对均方根误差（rRMSE）和相关系数（r）依次为4.57~19.07 g/m²、7.77%~11.23%和0.911 8~0.973 0。表明不同生育期的花生叶片干重观测值与预测值间具有较高的一致性，模型具有较好的预测效果与准确性。

2.5　红壤旱地花生叶片氮含量光谱预测模型检验

利用2024年试验数据对本研究构建的红壤旱地花生叶片氮含量光谱预测模型进行检验评价。基于NDVI的红壤旱地花生叶片氮含量观测值与预测值的比较见图4。可见基于NDVI的二次多项式模型预测苗期（图4（a））、花针期（图4（b））、结荚期（图4（c））和饱果期（图4（d））花生叶片氮含量的RMSE、rRMSE和r依次为0.09%~0.16%、3.58%~6.42%和0.917 6~0.972 7。表明不同生育期的花生叶片氮含量观测值与预测值间具有较高的一致性，模型具有较好的预测效果与准确性。

3　讨 论

丰产、优质和高效是目前江西红壤旱地花生生产的主要目标，对花生生长参数进行实时准确预测诊断是实现这个目标的基础^［5］。本研究通过实施不同株型花生品种与施氮量的小区观测试验，测得不同生育期的红壤旱地花生冠层光谱植被指数、叶片干重和氮含量数据。结果发现，红壤旱地花生叶片干重和氮含量随施氮量增大而增高，从苗期至饱果期呈先增后减的变化，这与刘佳等^［26］研究结论一致。表明花生生长前期主要进行营养生长，随着施氮量增加，养分被植株吸收转运，叶片干重和氮含量逐渐增高，结荚期后花生下部叶片出现衰亡脱落以及养分逐渐向荚果转运，叶片干重和氮含量呈递减变化。株型是表征花生冠层结构和群体光合能力的重要性状，株型紧凑的花生品种具有叶片厚及光能利用率高的特性^［27］。本研究发现，株型紧凑的花生品种叶片干重较大；耐瘠薄的花生品种在低氮条件下叶片氮含量较高，耐肥的花生品种在高氮条件下叶片氮含量较高。证明施氮量显著影响红壤旱地花生叶片干重和氮含量，进而调控群体质量与产量形成，氮肥科学定量投入是红壤旱地花生丰产稳产栽培的关键。

近年来，监测面积大、机动灵活、无损快速、高分辨率的无人机遥感技术在农作物生长参数预测反演中被广泛应用^［28-30］。利用无人机搭载高光谱和多光谱相机可实时、准确、大范围获取农作物生长参数信息，但是其使用门槛和购机成本较高，在红壤旱地花生主产区推广应用实用性不强。为此，本研究通过实施不同年份、不同花生品种及不同施氮量的小区试验，采用手持式光谱仪测定花生冠层光谱植被指数，利用2023年试验数据构建了基于RVI、DVI和NDVI的红壤旱地花生叶片干重和氮含量光谱预测模型，利用2024年试验数据对构建的叶片干重和氮含量光谱预测模型进行了检验评价。结果发现，RVI与花生叶片干重相关性最高的预测模型为二次多项式模型，DVI、NDVI与花生叶片干重相关性最高的预测模型均为幂函数模型，RVI、DVI、NDVI与花生叶片氮含量相关性最高的预测模型均为二次多项式模型，是对周晓楠等^［31］仅开展线性拟合建模研究的拓展。比较分析RVI、DVI和NDVI 3个光谱植被指数发现，NDVI与花生叶片干重和氮含量的建模R²值更大、相关性更高。

本研究利用NDVI构建的花生叶片干重预测模型R²为0.82~0.91，模型检验的RMSE、rRMSE和r依次为4.57~19.07 g/m²、7.77%~11.23%和0.911 8~0.973 0，比陈龙跃等^［32］对花生生物量的预测更准确。利用NDVI构建的花生叶片氮含量预测模型R²为0.84~0.90，模型检验的RMSE、rRMSE和r依次为0.09%~0.16%、3.58%~6.42%和0.917 6~0.972 7，与Zhang等^［33］对大豆冠层氮含量的预测精度相当。证明可以采用手持式光谱仪测得光谱植被指数进而实时准确反演花生叶片干重和氮含量信息，适用于江西红壤旱地花生生长参数的实时无损获取，可克服人工测定法时效性差及用工成本高的不足。此外，本研究采用国产手持式主动光源光谱仪，可全天候实时无损预测花生生长参数信息，可克服以往被动光源光谱仪^{［22，31］}在南方持续多云寡照天气条件下难以全天候应用的难题，减少对国外进口光谱传感器的依赖和降低成本。

当然，为提高本研究构建的花生叶片干重和氮含量光谱预测模型的预测精度及普适性，今后还需利用不同地点、年份及栽培管理措施的试验数据对模型进行验证评价，进而为花生精确栽培与智慧管理提供技术支撑。

4　结 论

为实时准确获取红壤旱地花生生长参数、实现花生精确诊断施肥和定向调控管理，以红壤旱地主推的不同株型花生品种为研究对象，构建基于光谱植被指数的花生叶片干重和氮含量预测模型。主要结论如下：红壤旱地花生叶片干重和氮含量随施氮量增大而增高，从苗期至饱果期呈先增后减的变化；比较分析手持式光谱仪测定的3个光谱植被指数发现，NDVI与叶片干重和氮含量的相关性最高；利用NDVI构建的幂函数模型和二次多项式模型可分别精确预测红壤旱地花生叶片干重和氮含量，克服人工测定法时效性差及用工成本高的不足。

参考文献

[1] 任伟芳， 魏雪娇， 曾昭聪， 叶祎， 郑伟， 方加海， 万丽云. 江西省花生产业发展现状及展望［J］. 中国油料作物学报， 2020， 42（5）： 920-926

[2] Ren W F， Wei X J， Zeng Z C， Ye Y， Zheng W， Fang J H， Wan L Y. Present situation and prospect of peanut industry in Jiangxi Province［J］. Chinese Journal of Oil Crop Sciences， 2020， 42（5）： 920-926 （in Chinese）

[3] Wang R N， Sun Z X， Bai W， Wang E L， Wang Q， Zhang D S， Zhang Y， Yang N， Liu Y， Nie J Y， Chen Y F， Duan L S， Zhang L Z. Canopy heterogeneity with border-row proportion affects light interception and use efficiency in maize/peanut strip intercropping［J］. Field Crops Research， 2021， 271： 108239

[4] Zhang J L， Geng Y， Guo F， Li X G， Wan S B. Research progress on the mechanism of improving peanut yield by single-seed precision sowing［J］. Journal of Integrative Agriculture， 2020， 19（8）： 1919-1927

[5] 曹中盛， 李艳大， 黄俊宝， 孙滨峰， 叶春， 舒时富， 吴罗发， 田永超. 监测花生叶面积指数和地上部生物量的最优植被指数及适宜波段带宽［J］. 中国油料作物学报， 2022， 44（6）： 1320-1328

[6] Cao Z S， Li Y D， Huang J B， Sun B F， Ye C， Shu S F， Wu L F， Tian Y C. Sensitive vegetation indices and optimal bandwidths for monitoring peanut LAI and AGB［J］. Chinese Journal of Oil Crop Sciences， 2022， 44（6）： 1320-1328 （in Chinese）

[7] Oliveira M F， Carneiro F M， Ortiz B V， Thurmond M， Oliveira L P， Bao Y， Sanz-Saez A， Tedesco D. Predicting below and above-ground peanut biomass and maturity using multi-target regression ［J］. Computers and Electronics in Agriculture， 2024， 218： 108647

[8] Du R Q， Lu J S， Xiang Y Z， Zhang F C， Chen J Y， Tang Z J， Shi H Z， Wang X， Li W Y. Estimation of winter canola growth parameter from UAV multi-angular spectral-texture information using stacking-based ensemble learning model ［J］. Computers and Electronics in Agriculture， 2024， 222： 109074

[9] 竞霞， 邹琴， 白宗璠， 黄文江. 基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展［J］. 作物学报， 2021， 47（11）： 2067-2079

[10] Jing X， Zou Q， Bai Z F， Huang W J. Research progress of crop diseases monitoring based on reflectance and chlorophyll fluorescence data［J］. Acta Agronomica Sinica 2021， 47（11）： 2067-2079 （in Chinese）

[11] 郑恒彪， 吉文翰， 郭彩丽， 张小虎， 邱小雷， 姚霞， 江冲亚， 朱艳， 曹卫星， 程涛. 无人机遥感作物估产研究进展［J］. 南京农业大学学报， 2025， 48（1）： 1-13

[12] Zheng H B， Ji W H， Guo C L， Zhang X H， Qiu X L， Yao X， Jiang C Y， Zhu Y， Cao W X， Cheng T. Research progress in crop yield estimation using unmanned aerial vehicle-based remote sensing［J］. Journal of Nanjing Agricultural University， 2025， 48（1）： 1-13 （in Chinese）

[13] Guo W， Gong Z， Gao C F， Yue J B， Fu Y Y， Sun H G， Zhang H， Zhou L. An accurate monitoring method of peanut southern blight using unmanned aerial vehicle remote sensing［J］. Precision Agriculture， 2024， 25（4）： 1857-1876

[14] Yu K， Belwalkar A， Wang W H， Hu Y C， Hunegnaw A， Nurunnabi A， Ruf T， Li F， Jia L L， Kooistra L， Miao Y X， Teferle F N. UAV hyperspectral remote sensing for crop nitrogen monitoring： Progress， challenges， and perspectives ［J］. Smart Agricultural Technology， 2025， 12： 101507

[15] 陶惠林， 徐良骥， 冯海宽， 杨贵军， 代阳， 牛亚超. 基于无人机高光谱遥感的冬小麦株高和叶面积指数估算［J］. 农业机械学报， 2020， 51（12）： 193-201

[16] Tao H L， Xu L J， Feng H K， Yang G J， Dai Y， Niu Y C. Estimation of plant height and leaf area index of winter wheat based on UAV hyperspectral remote sensing［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（12）： 193-201 （in Chinese）

[17] 王靖， 彭漪， 刘小娟， 莫佳才， 梁婷. 基于无人机多光谱数据的水稻LAI反演与应用［J］. 中国农业大学学报， 2021， 26（12）： 145-156

[18] Wang J， Peng Y， Liu X J， Mo J C， Liang T. Inversion and application of rice LAI based on UAV multispectral data［J］. Journal of China Agricultural University， 2021， 26（12）： 145-156 （in Chinese）

[19] 梁晋， 刘仕元， 王帅彬， 黄露平， 张佳蕾， 吴启宝， 郭峰， 孟维伟， 陈婷婷， 漆海霞， 王蕾迪， 张正， 万书波， 张雷. 基于无人机遥感的花生氮营养反演研究［J］. 中国油料作物学报， 2020， 42（6）： 1043-1050

[20] Liang J， Liu S Y， Wang S B， Huang L P， Zhang J L， Wu Q B， Guo F， Meng W W， Chen T T， Qi H X， Wang L D， Zhang Z， Wan S B， Zhang L. Peanut nitrogen nutrition inversion based on unmanned aerial vehicle remote sensing［J］. Chinese Journal of Oil Crop Sciences， 2020， 42（6）： 1043-1050 （in Chinese）

[21] Cui S H， Li Z J， Tang Z J， Zhang W， Sun T， Wu Y， Yang W L， Chen G F， Xiang Y Z， Zhang F C. Estimation of nitrogen concentration in winter wheat leaves based on a novel spectral index and machine learning model［J］. Plants， 2025， 14（17）： 2772

[22] 刘涛， 刘望， 杨奉源， 张寰， 殷冬梅， 焦有宙， 张梅凤， 张全国. 基于无人机高光谱影像和机器学习算法的花生生物量估算方法研究［J］. 中国农业大学学报， 2025， 30（3）： 206-217

[23] Liu T， Liu W， Yang F Y， Zhang H， Yin D M， Jiao Y Z， Zhang M F， Zhang Q G. Research on estimating peanut biomass using UAV hyperspectral imaging and machine learning algorithm［J］. Journal of China Agricultural University， 2025， 30（3）： 206-217 （in Chinese）

[24] Liu Y， Fan Y G， Feng H K， Chen R Q， Bian M B， Ma Y P， Yue J B， Yang G J. Estimating potato above-ground biomass based on vegetation indices and texture features constructed from sensitive bands of UAV hyperspectral imagery［J］. Computers and Electronics in Agriculture， 2024， 220： 108918

[25] Qi H X， Wu Z Y， Zhang L， Li J W， Zhou J K， Jun Z， Zhu B Y. Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction［J］. Computers and Electronics in Agriculture， 2021， 187： 106292

[26] Wei L L， Yang H S， Niu Y X， Zhang Y N， Xu L Z， Chai X Y. Wheat biomass， yield， and straw-grain ratio estimation from multi-temporal UAV-based RGB and multispectral images ［J］. Biosystems Engineering， 2023， 234： 187-205

[27] 吴金恺， 刘乃森， 曹静， 胡佳楠， 潘嫄嫄， 毕然， 郭靖宇， 王许淇， 霍丹琪， 张文宇. 基于智能移动设备的低成本微型作物光谱反射率测量仪设计与实现［J］. 江苏农业学报， 2024， 40（3）： 469-477

[28] Wu J K， Liu N S， Cao J， Hu J N， Pan Y Y， Bi R， Guo J Y， Wang X Q， Huo D Q， Zhang W Y. Design and implementation of low-cost miniature crop spectral reflectance meter based on smart mobile devices［J］. Jiangsu Journal of Agricultural Sciences， 2024， 40（3）： 469-477 （in Chinese）

[29] Yao L L， Wu R S， Wu S， Jiang X P， Zhu Y， Cao W X， Ni J. Design and testing of an active light source apparatus for crop growth monitoring and diagnosis［J］. IEEE Access， 2020， 8： 206474-206490

[30] 孙红， 陈香， 孙梓淳， 李民赞， 张漫， 吴静珠. 基于透射光谱的玉米叶片含水率快速检测仪研究［J］. 农业机械学报， 2018， 49（3）： 173-178

[31] Sun H， Chen X， Sun Z C， Li M Z， Zhang M， Wu J Z. Rapid detection of moisture content in maize leaves based on transmission spectrum［J］. Transactions of the Chinese Society for Agricultural Machinery， 2018， 49（3）： 173-178 （in Chinese）

[32] 李艳大， 曹中盛， 舒时富， 孙滨峰， 叶春， 黄俊宝， 朱艳， 田永超. 基于作物生长监测诊断仪的双季稻叶干重监测模型［J］. 作物学报， 2021， 47（10）： 2028-2035

[33] Li Y D， Cao Z S， Shu S F， Sun B F， Ye C， Huang J B， Zhu Y， Tian Y C. Model for monitoring leaf dry weight of double cropping rice based on crop growth monitoring and diagnosis apparatus［J］. Acta Agronomica Sinica， 2021， 47（10）： 2028-2035 （in Chinese）

[34] 贺佳， 郭燕， 王利军， 张彦， 赵犇， 王来刚. 基于作物生长监测诊断仪的玉米LAI 监测模型研究［J］. 农业机械学报， 2019， 50（12）： 187-194

[35] He J， Guo Y， Wang L J， Zhang Y， Zhao B， Wang L G. Monitor model of corn leaf area index based on CGMD-402［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（12）： 187-194 （in Chinese）

[36] 李艳大， 舒时富， 陈立才， 叶春， 黄俊宝， 孙滨峰， 王康军， 曹中盛. 基于便携式作物生长监测诊断仪的江西双季稻氮肥调控研究［J］. 农业工程学报， 2019， 35（2）： 100-106

[37] Li Y D， Shu S F， Chen L C， Ye C， Huang J B， Sun B F， Wang K J， Cao Z S. Regulation of nitrogen fertilizer based on portable apparatus for crop growth monitoring and diagnosis in Jiangxi double cropping rice［J］. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（2）： 100-106 （in Chinese）

[38] 鲍士旦. 土壤农化分析［M］. 第3版. 北京： 中国农业出版社， 2000

[39] Bao S D. Soil and Agricultural Chemistry Analysis［M］. 3rd ed. Beijing： China Agriculture Press， 2000 （in Chinese）

[40] 刘佳， 陈静蕊， 谢杰， 秦文婧， 刘晖， 王惠明， 项兴佳， 张杰， 徐昌旭， 杨成春. 不同施氮时期对红壤旱地花生生物量和氮素累积的影响［J］. 中国油料作物学报， 2017， 39（4）： 515-523

[41] Liu J， Chen J R， Xie J， Qin W J， Liu H， Wang H M， Xiang X J， Zhang J， Xu C X， Yang C C. Effects of nitrogen application time on biomass and nitrogen accumulation of peanut in upland red soil［J］. Chinese Journal of Oil Crop Sciences， 2017， 39（4）： 515-523 （in Chinese）

[42] 李国卫， 秦圣豪， 刘译阳， 张佳蕾， 韩燕， 万书波. 花生株型相关性状研究进展［J］. 中国油料作物学报， 2020， 42（6）： 934-939

[43] Li G W， Qin S H， Liu Y Y， Zhang J L， Han Y， Wan S B. Advances in plant architecture studies of peanut［J］. Chinese Journal of Oil Crop Sciences， 2020， 42（6）： 934-939 （in Chinese）

[44] Zheng H B， Ji W H， Wang W H， Lu J S， Li D， Guo C L， Yao X， Tian Y C， Cao W X， Zhu Y， Cheng T. Transferability of models for predicting rice grain yield from unmanned aerial vehicle （UAV） multispectral imagery across years， cultivars and sensors ［J］. Drones， 2022， 6（12）： 1-19

[45] Zhang X P， Hu Y T， Li X F， Wang P， Guo S K， Wang L， Zhang C Y， Ge X. Estimation of rice leaf nitrogen content using UAV-based spectral–texture fusion indices （STFIs） and two-stage feature selection ［J］. Remote Sensing， 2025， 17（14）： 1-28

[46] Yuan F H， Ospina R， Perumal A B， Noguchi N， He Y， Liu Y F. Smart agriculture in Asia［J］. Plant Communications， 2025， 6（7）： 101377

[47] 周晓楠， 黄正来， 张文静， 马尚宇. 基于双波段光谱仪CGMD-302的小麦叶面积指数和叶干重监测［J］. 中国农业大学学报， 2017， 22（1）： 102-111

[48] Zhou X N， Huang Z L， Zhang W J， Ma S Y. Monitoring leaf area index and leaf dry weight of winter wheat with dual-wavebands spectrometer CGMD-302 ［J］. Journal of China Agricultural University， 2017， 22（1）： 102-111 （in Chinese）

[49] 陈龙跃， 段丹丹. 利用无人机多光谱监测大田花生长势［J］. 农业与技术， 2025， 45（1）： 21-25

[50] Chen L Y， Duan D D. Monitoring the growth of field peanuts by multi-spectral of UAV［J］. Agriculture and Technology， 2025， 45（1）： 21-25 （in Chinese）

[51] Zhang Y K， Guan M X， Wang L B， Cui X H， Wang Y F， Li P， Ali S， Zhang F. Research on monitoring nitrogen content of soybean based on hyperspectral imagery［J］. Agronomy， 2025， 15（5）： 1240

基金资助

江西省农机装备研发制造推广应用一体化试点项目(YCTY202405)

国家自然科学基金项目(31960364)