變量施肥是精準農業的重要組成部分，國內外對變量施肥研究比較多，應用的變量施肥算法也比較多。Koch等通過測得玉米田硝態氮和有機質含量，并結合Mortvedt等提出的氮推薦算法進行變量施肥，結果表明變量施氮處理比均一施氮處理取得更好的經濟效益。

1材料與方法

1.1 實驗設計

本研究于2006年在國家精準農業研究示范小湯山基地進行。基地位于北京市昌平區小湯山鎮東北部，地處北緯40°10', 東經116°26'。冬小麥品種為京冬8號，于2005年9月26-27日播種，播種量為330-345kg/hm2。試驗區土壤類型為潮土，土壤中硝態氮含量3.00-15.04mg/kg, 全氮含量0.94-0.98g/kg, 有機質含量15.3-15.8g/kg, 有效磷含量2.20-21.18mg/kg, 速效鉀含量 106.96-132.77 mg/kg。隨機區組排列，小區面積為3m x 3m, 小區之間有1m隔離帶。小麥播種時不施基肥，且在整個生育期內除施氮肥外未施其他肥料。2006年4月14日進行變量施肥，按照算法計算出各小區施肥量，稱量裝袋，人工撒施。在小麥生長階段，田間管理除氮肥管理不同外，其它管理完全相同，2006年6月20日收獲。

體施肥算法如下 ：

處理一(CK 處理）無肥處理， 在冬小麥整個生長期內不施肥， 共20個小區，小區編號為：CK-1、 CK-2、CK-3·…··CK-20。

處理二(T 處理）根據冬小麥拔節期土壤硝態氮含量及 目標產量確定各變量施肥區的施肥量。在冬小麥拔節期測定0 30 cm土壤硝態氮含量，取兩點混合土壤。設定2001年基地冬小麥產量的 1.4倍為目標產量，結合土壤硝態氮含量測定值并依據N min-Sollwert 法計算各變量施肥區的施肥量。共20個小區，小區編號為T-1、T-2、T-3……T-20 。

處理三(Y處理）以Lukina等算法為基礎，根據作物起身、 拔節期的土壤調節植被指(OSAVI)確定各變量施肥區的施肥量。具體思路是，根據冬小麥起身期和拔節期的土壤調節植被指數(OSAVI)得到當季估產系數，進而得到目標產量。冬小麥整個生育期需氮量由目標產量確定，已吸收氮量由冬小麥拔節期的OSAVI測定值確定，最后總需氮量與已吸收氮量相減得到實際施氮量。共20個小區，小區編號為：Y-1、Y-2、Y-3……Y-20。

處理四(S處理）根據作物拔節期的倒1 和倒2葉的SPAD測定值確定各變量施肥區的施肥量。具體思路為，測得冬小麥拔節期倒一葉和倒二葉的 SPAD值并歸一化，根據歸一化值確定冬小麥目標產量和已吸氮量，而總需氮量由目標產量確定，最終 施氮量由總需氮量減去已吸氮量得到。共20個小區，小區編號為：S-1、S-2、S-3 S-20。

處理五(Z處理）以Lukina等算法為基礎，由 CERES-Wheat模型結合土壤調節植被指數(OSAVI)測定值確定各變量施肥區的施肥量。具體思路為，根據當地氣象數據、 土壤數據等，由CERES-Wheat作物生長模型模擬出目標產量，并根據目標產量得到總需氮量，冬小麥拔節期的OSAVI測定值確定小麥已吸收氮量，最后根據總需氮量和已吸收氮量得到施氮量 。共20個小區，小區編號為：Z-1、Z-2、Z-3··· Z-20。

處理六(W處理）均一施肥處理，該處理各小 區的施肥量為各變量施肥處理總施肥量的平均施肥 量。共20個小區，小區編號為：W-1、W-2、W-3、W-20。

各處理的具體施肥量見表1

表1 各處理具體施肥量(kg/hm2）

1.2 測定項目與方法

2.2.1 冬小麥冠層光譜反射率的測定

分別在冬小麥起身期、拔節期、挑旗期、抽穗期、開花期、灌漿初期、灌漿中期、成熟期測定所有處理的冠層光譜。小麥冠層光譜測量儀器可以為萊森光學iSpecField-WNIR-HRs地物光譜儀。為了減少由光照條件變化引起的誤差，所有冬小麥冠層光譜測量都在10:00-14:00之間進行。測量 時探頭垂直向下 ，并始終保持距小麥冠層 1.3m, 探頭視場角為25°。每小區測量 20次，并且在各小區測定前后均測量標準參考板，之后根據反射率和DN值轉換公式(1)計算出目標物的反射率值，最后取平均值作為該小區的光譜反射值。

式中：R目標指目標物的反射率；R參考板指所測參考板的反射率；DN目標指目標物的DN值；DN參考板指參考板的DN值。

1.2.2 冬小麥葉片 SPAD值的測定

分別于冬小麥起身期、拔節期、挑旗期、抽穗期、開花期、灌漿初期、灌漿中期、成熟期測定各處理小區冬小麥葉片葉綠素含量。測定時均選取無損傷的健康倒一葉和倒二葉，測定其中間部位并避開葉脈。每小區倒一葉和倒二葉各測定20次，取其平均值。

1.2.3 冬小麥產量的測定

2006年6月19日在各小區內選取2 m2面積的冬小麥收獲至網袋中，風干后考種記錄各小區的穗數、穗粒數和千粒重，最后對所有收獲的小麥進行脫粒測產得到實際產量。

1.3 數據處理

1.3.1 光譜數據預處理

結合本研究的需要，考慮到 350-400 nm波段有噪聲，而在1300 nm以后由于水分強吸收而使光譜不連續，故選取400- 1300 nm波段的反射率數據。同時為了消除光照的影響，對原始測量的光譜反射率數據進行歸一化處理。利用Yu等提出的方法進行歸一化處理，計算公式為：

式中：R'為歸一化后反射率；R為原始測量反射率；n為波段數，本文中所用 波段為400- 1300 nm。

1.3.2 光譜參數選取

為了研究不同施肥處理對小麥生長的影響，本文中除選用被廣泛應用和證明的植被指數外，還選用 了RTVI 指數 (red-edgetriangular vegeta tion index , 紅邊三角光譜指數），該 植被指數可以解決在高植被覆蓋度下出現“ 飽和 “狀態的問題。表2列出了本文中用到的植被指數。

表2 光譜特征參數的定義

2結果與分析

2.1 施肥處理對各處理冬小麥冠層光譜的影響分析

2.1.1 施肥后冬小麥冠層反射率變化分析

說明施肥對冬小麥長勢的影響，對抽穗期冬小麥冠層反射率進行分析。計算公式如下：

其中：凡為抽穗期冬小麥冠層反射率相對變化量；R為各施肥處理下抽穗期冬小麥的冠層反射率；凡為不施肥處理(CK)抽穗期冬小麥冠層反射率。

圖1 施肥后各處理冬小麥冠層相對反射率變化情況

簡單的數值比能充分表現出兩者之間的差異。從圖1可以看出，追施氮肥后，與CK區相比，作物冠層反射率變化表現為可見光波段降低而近紅外波段升高，在圖1上表現為可見光波段小于1而近紅外波段大于1。可見光部分相對反射率變化量 Ra. 越小，說明冬小麥葉綠素含量越多，長勢越好，近紅外則相反。可見光波段凡從低到高順序為Z、S、Y和T,近紅外波段正好相反。由此可推斷，Z處理冬小麥長勢最好，其次為 S、Y 和T。此外，不同施肥處理在可見光波段差異明顯而近紅外波段差異較小，可見光波段較為敏感。因此同一時期各施肥處理反射率與不施肥處理反射率的比值分析可以反映出小麥相對長勢的好與差。

2.1.2 施肥前后各處理反射率變化分析

為了對比不同施肥算法促進小麥生長的效果，本文利用不同處理區施肥前與施肥后冬小麥冠層光譜反射率數據進行分析。為了使各處理間反射率數據具有可比性并消除地力對冬小麥生長的影響，使用下述公式對數據進行處理，計算公式為：

其中：凡為各施肥處理施肥前后冠層反射率相對變化量，Ri前、Ri后分別為各施肥處理施肥前、后反射率，Rck前、Rck后分別為施肥區施肥前、后所對應時期的CK區反射率。

圖2 各施肥處理施肥前后反射率的相對變化量

圖2顯示，各曲線均是相對于CK處理而言，可見光波段曲線越低，表明較CK反射率降低越多，即施肥前后反射率變化越大，那么小麥在此期間增長的越多；近紅外波段則相反。可見，按不同的變量施肥算法進行施肥對冬小麥生長的促進作用不同，其中按基于植被指數和作物生長模型相結合的變量施肥算法進行施肥最有利于小麥對氮素的吸收以及生長。

2.1.3冬小麥植被指數NDVI隨主要生育期的變化

歸一化植被指數NDVI是表征作物長勢最常用的植被指數

圖3 不同施肥條件下植被指數隨主要生育期的變化情況

2.2 不同施肥處理區冬小麥產量對比分析

圖4反映了六種不同施肥處理下冬小麥的產量

圖4 不同施肥處理區冬小麥產量圖（產量從小到大排列）

表3 不同施肥處理區冬小麥產量顯著性分析

從圖5可以看出，不施肥處理區(CK)產量變異系數最大，其次為T、W、Y、Z、S。除T處理外，其他 變量施肥區的產量變異度均低于均一施肥區(W),說明變量施肥處理提高了小麥產量的均一度。在這六種施肥處理中，基于歸一化SPAD值變量施肥處 理(S)的產量變異系數最低，可見該處理在降低產 量變異度方面效果最佳。

圖5 不同施肥處理區產量變異情況分析

2.3 不同時期冬小麥光譜指數與追肥量相關性分析

根據冬小麥不同時期光譜指數與追肥量的相關性分析結果（表4)可以看出，除在挑旗期和成熟期 各植被指數與施肥量相關性不穩定外，在其它時期均與施肥量達到極顯著相關，并且在冬小麥整個生育期內它們與施肥量的相關系數變化基本一致，即先增大后降低，在開花期或灌漿初期達到最大，說明拔節肥對這兩時期的小麥生長影響最大。

表4 冬小麥不同時期光譜指數與施肥量的相關系數

2.4 冬小麥不同時期光譜指數與產量的相關性分析

分別對冬小麥拔節期、挑旗期、抽穗期、開花期、灌漿初期、灌漿中期和成熟期的植被指數與小麥最終產量進行相關性分析，結果見表5。除DVI指數 在成熟期與產量無相關性外，各植被指數在不同生育時期均達到極顯著相關。

表5 冬小麥不同時期光譜指數與產量的相關系數

另外，在這五個植被指數中，RTVI指數表現最好，其在不同時期（除拔節期以外）與產量的相關系 數都要比其它植被指數大，故用 RTVI指數預測小 麥產量要優于其它植被指數。

3 討 論

本文分析中基于光譜指數和作物生長模型的變 量施肥算法要優于其他算法，這與蔣阿寧得到的結果一致。該算法考慮了影響產量的多種因素，比如品種因素、氣象因素、土壤因素等，能夠更準確地模擬出冬小麥目標產量。因此有必要對基于光譜指數和作物生長模型的變量施肥算法在時間和空間上的穩定性進一步驗證和完善。

4 結 論

本試驗利用高光譜技術有效、快速、無損傷地對冬小麥長勢進行動態監測以及進行不同變量施肥算法的評估。

審核編輯：符乾江