品种与氮素耦合效应下玉米叶片SPAD敏感光谱及时空特征分析

《Food Science & Nutrition》：Sensitive Spectral and Temporal–Spatial Characteristic Analysis of Leaf SPAD in Maize Under Variety and Nitrogen Coupling Effects

　　

叶片 Soil and Plant Analyzer Development（SPAD）值的准确估测对玉米生长及产量形成至关重要。当前诸多SPAD监测方法尚缺乏对不同生育时期玉米敏感叶位的分析。本研究通过分析玉米叶片SPAD的光谱特征与时序-空间特征，以明确其敏感生育时期与叶片着生部位。在探究玉米叶片SPAD动态生长效应的基础上，确定SPAD敏感时期；采用多种预处理方法和光谱植被指数，分析敏感时期典型叶位叶片的光谱反射率；运用基于单一植被指数的函数回归法以及基于多植被指数的随机森林回归法（Random Forest Regression, RFR）进行建模。结果表明：十二叶期（V12）和吐丝期（R1）为玉米叶片SPAD监测的敏感时期。在Savitzky-Golay-标准正态变量变换（SG-SNV）预处理方法下，V12期基于比值植被指数（RVI）的相关性最强，R1期果叶的归一化差值红边指数（NDRE）相关性最强。在多元散射校正（MSC）-RFR组合下，V12期获得最佳预测效果（R² = 0.70）。经MSC预处理后，果叶的预测效果略优（R² = 0.69）。此外，SPAD值可间接反映玉米叶片的叶绿素含量、氮素含量及产量状况，其精准监测为玉米叶片营养信息诊断与产量预测提供了有效指导。

玉米作为全球重要的粮食、饲料、能源及工业原料作物，其叶片作为光合作用与氮素储存的主要器官，其叶绿素含量（Leaf Chlorophyll Content, LCC）是表征植株光合能力与生长状况的关键指标，且与最终产量直接相关。传统叶绿素含量定量方法主要包括丙酮乙醇提取法、分光光度法及高效液相色谱法等，这类基于实验室程序的破坏性检测方法存在耗时、成本高且不适于高通量表型鉴定等局限。由日本东京柯尼卡美能达公司研制的土壤和植物分析仪（SPAD）可用于测定叶片相对叶绿素含量，相较传统方法具有效率高、无损且不受时空条件限制等优势，因此被作为LCC的代表性测量手段，用于评估植株氮营养状况并科学指导氮肥施用量。然而，现有研究多集中于玉米冠层叶片信息的整体分析，对玉米不同叶位叶片SPAD值时空异质性及其高光谱响应机制缺乏深入探讨。

研究人员基于品种与氮肥用量耦合效应的田间玉米试验，系统分析了不同生育时期和叶位叶片的SPAD动态变化规律及光谱数据特征，揭示了玉米全生育期SPAD变化趋势与各生育时期不同叶位的光谱特征，旨在探究SPAD与光谱反射率的内在关联，构建基于高光谱数据的玉米叶片SPAD预测模型，筛选最优的SPAD敏感时-谱特征，为作物关键生育时期的精准营养诊断与管理提供理论依据。该研究论文发表于《Food Science》。

研究采用的主要关键技术方法包括：以郑单958和豫科918两个玉米品种为材料，设置0、200、400 kg/hm²三个氮素水平（分别记为N0、N2、N4），于2024年5月1日播种、8月31日收获；利用ASD Field Spec HandHeld 2便携式光谱仪（有效波段325–1075 nm，采样间隔1 nm，光谱分辨率3 nm）采集营养生长阶段（V6、V8、V12）完全展开顶叶及生殖生长阶段（R1、R2）三个穗位叶（上穗叶、穗叶、下穗叶）的高光谱数据，同步使用SPAD-502Plus叶绿素计测定对应位点SPAD值；采用K-means聚类结合欧氏距离及偏最小二乘回归（PLSR）耦合蒙特卡洛法进行异常样本剔除；运用Savitzky-Golay（SG）卷积平滑结合标准正态变量变换（SNV）、去趋势（DT）、多元散射校正（MSC）三种方法进行光谱预处理；选取21个对LCC变化敏感的光谱植被指数，通过Pearson相关分析筛选最优指数；分别构建基于单一植被指数的函数回归模型（线性、二次多项式、指数、幂函数）和基于多植被指数的随机森林回归模型，以决定系数（R²）、均方根误差（RMSE）和残余预测偏差（RPD）评价模型性能。

研究结果部分：

**玉米叶片SPAD的统计特征分析**

玉米叶片SPAD值从V6至R2时期总体呈现先降后升趋势，于R2时期达到最大值72.6，V12时期完全展开顶叶SPAD值最低为41.9。随着营养生长期推进，完全展开顶叶SPAD值逐渐降低，变异系数由5.5%升至8.4%，表明个体差异与环境因素对叶片SPAD值的影响逐渐增强。R1时期三个穗位叶SPAD值呈上穗叶>穗叶>下穗叶的层级分布，上穗叶因处于植株顶端、光照充足而光合作用旺盛、叶绿素含量高；穗叶因靠近玉米果穗、承担更多养分转运任务而代谢能力强；下穗叶则因冠层遮荫导致光合效率降低、SPAD值显著偏低。R2时期上穗叶SPAD值仍维持较高水平，穗叶SPAD值较R1时期增加以满足光合产物高需求，下穗叶功能有所恢复形成协同效应；此时期植株生理状态趋于稳定，三个穗位叶SPAD值变异系数略有降低。

**光谱数据与SPAD的相关性分析**

V6-V12时期完全展开顶叶原始光谱反射率与SPAD的相关性随波长变化显著：450–700 nm波段呈负相关，700–720 nm红边区域因叶绿素累积对红边反射率影响增强而表现出强负相关，并于712 nm（V8，r = ?0.59）和710 nm（V12，r = ?0.51）达到峰值；720 nm以后负相关逐渐减弱并转为正相关，780–1000 nm波段趋于稳定正相关且V12期相关系数最高。R1时期上、下穗叶光谱反射率与SPAD在400–1000 nm范围内均呈负相关；可见光区域相关性较弱，红边位置相关系数线性递增并由弱负相关转为显著正相关；近红外区域与红边位置一致性良好、波动较小。R2时期三穗位叶光谱反射率与SPAD相关性整体较弱：绿光区（492–577 nm）和红光区（622–760 nm）呈负相关，红边区域720 nm处负相关较强（果叶最大负相关系数0.37），近红外区780–1000 nm先出现短暂正偏移后降至负值，上穗叶相关性显著高于穗叶和下穗叶，于767 nm处达最大正相关系数0.28。上述分析表明，V12期完全展开顶叶与R1期三穗位叶的光谱反射率与SPAD值表现出较强相关性，适用于精准农业中的叶绿素定量监测与作物健康评估。

**光谱植被指数与SPAD的相关性分析**

针对光谱数据采集过程中的杂散光、基线漂移及仪器暗电流等干扰因素，研究采用SG-SNV、SG-SNV-DT、SG-MSC四种预处理方法。对V12期完全展开顶叶及R1期三穗位叶预处理后的光谱数据计算植被指数并与SPAD值进行相关分析，结果显示不同预处理方式下植被指数与SPAD的相关性存在显著差异。V12期完全展开顶叶的CVI、CVI2、RVI指数在SG-SNV预处理下相关系数绝对值达0.78；R1期穗叶NDRE指数、CIrededge指数分别在SG-MSC、SG-SNV预处理下相关系数达0.76；下穗叶CIgreen、GNDVI指数在SG-SNV-DT预处理下相关性最优。基于SG方法的SNV、SNV-DT和MSC预处理显著增强了CVI、CVI2、DVI、NDVI、PVI、RVI、VIG等七个植被指数与SPAD值的相关性。综上，SG平滑结合SNV、SNV-DT、MSC预处理可显著提升植被指数与SPAD值的相关性，进而提高叶片SPAD值估测模型精度；V12期完全展开顶叶和R1期穗叶衍生的植被指数与SPAD值相关性普遍优于其他叶位。

**玉米叶片SPAD预测模型的构建**

基于单一植被指数的叶SPAD反演模型：根据V12期完全展开顶叶、R1期三穗位叶植被指数与SPAD的相关系数，选取各叶位的最优植被指数及预处理组合（V12期RVI指数经SG-SNV预处理，r = ?0.78；R1期上穗叶NDRE指数经SG-MSC预处理，r = 0.74；穗叶NDRE指数经SG-SNV预处理，r = 0.76；下穗叶SAVI指数经SG-SNV-DT预处理，r = ?0.75）建立SPAD预测模型。V12期前三种函数模型R²均超0.6，其中二次多项式模型拟合最优（R² = 0.617，RMSE = 2.637），幂函数模型无法拟合稳定解。R1期上穗叶基于SG-MSC-NDRE的四种函数模型R²均超0.5，二次多项式模型表现最优（R² = 0.548，RMSE = 3.580）；穗叶基于SG-SNV-NDRE的二次多项式模型预测效果最佳（R² = 0.590，RMSE = 3.399）；下穗叶基于SG-SNV-DT-SAVI的二次多项式和幂函数模型效果最优（R² = 0.587，RMSE = 3.412）。

基于多植被指数的叶SPAD反演模型：采用样本集划分（SPXY）算法按4:1比例划分训练集与测试集，以21个经不同方法预处理的植被指数及SPAD作为模型输入输出构建RF模型。结果表明，测试集R²均大于0.60、RPD均高于1.8且最大值达1.97，可对玉米叶片SPAD值进行相对精准预测。V12期三种预处理方法的植被指数建模测试集RPD均超1.4，其中MSC预处理测试集RPD超1.8，预测能力最优（R² = 0.71，RMSE = 2.35）。R1期上、下穗叶经SNV预处理的植被指数模型表现最优（上穗叶：R² = 0.68，RMSE = 2.69，RPD = 1.80；下穗叶：R² = 0.74，RMSE = 3.41，RPD = 1.97）；穗叶经MSC预处理的模型效果最佳（训练集R² = 0.82，RMSE = 2.20，RPD = 2.36；测试集R² = 0.69，RMSE = 3.22，RPD = 1.82）。RF建模结果表明，基于V12期完全展开顶叶和R1期穗叶MSC预处理植被指数的模型表现最为优异，而上、下穗叶SNV预处理植被指数模型效果最优。

讨论部分的核心内容涉及以下方面：

关于玉米敏感叶位与时期的分析。作物氮营养垂直分布是开展叶绿素水平光谱诊断时必须充分考虑的重要规律。当自然光照射冠层上部的叶片时，大部分光能被反射回大气或透过上层叶片进入中下层；表征作物光合效率的叶绿素水平在冠层内呈不均匀分布，具有显著垂直分布模式。根据优化理论，作物优先将养分分配到光能接收率更高的区域，即上部叶片的氮效率显著高于中下部叶片。现有研究以冠层叶片为对象已取得良好的叶绿素光谱定量诊断效果，但冠层光分布呈倒三角结构，中上部叶片更易接收充足的光合有效辐射。玉米作为高氮需求代表性作物，株型高大、叶片众多且单叶面积大，不同叶位叶绿素含量存在显著时空变异性，SPAD值垂直变化特征与相应叶位的光合色素及氮营养指标趋势一致，呈"钟形"分布特征。因此，完全展开顶叶（营养生长期）和三穗位叶（生殖生长期）作为中上部叶片的代表，在相应时期对玉米生长和产量形成起关键作用。本研究系统阐述了叶片SPAD值的动态生长效应：营养生长期完全展开顶叶SPAD值随生育期推进而降低，生殖生长期穗位叶SPAD值随生育期推进逐渐增加，整体呈先降后升趋势；V6-V12时期植株快速生长，更多养分供应纵向生长导致资源分配变化使V12期SPAD值降低，R1-R2时期穗位叶叶面积大、光合效率高且承担更多养分转运任务以满足籽粒灌浆需求，故SPAD值升高。

关于玉米叶片SPAD光谱反演方法的分析。预处理方法与植被指数的组合是作物叶绿素含量光谱反演分析的常用手段，可有效提升预测模型精度。多种光谱预处理方法可减少或消除高光谱数据冗余信息，植被指数则用于提取有效光谱特征。相关分析结果表明预处理后植被指数与SPAD的相关系数显著提升，以V12期完全展开顶叶AVSI指数为例，SG-SNV、SG-SNV-DT、SG-MSC预处理的相关系数（?0.67、?0.72、?0.67）显著高于SG处理（?0.02）。建模方面，基于单一植被指数的函数回归模型能快速建立估测关系但难以精确反演叶片信息；机器学习凭借其自适应自学习能力和非线性映射优势，有助于揭示多光谱指数与SPAD值的多重内在关联。RFR具有高准确度和强抗噪性，可识别叶SPAD与光谱指数间的复杂非线性关系，本研究基于多植被指数构建的RFR模型能够满足叶片SPAD快速精准监测需求，但不同生育时期叶片SPAD敏感性差异导致模型精度存在变异。

关于研究局限与展望。SPAD值虽与叶片氮含量显著正相关、可快速表征玉米叶片营养状况和光合生理水平，但由于氮冗余、生育期更替、叶片衰老过程及田间环境异质性等因素影响，SPAD值与玉米养分浓度和实际产量难以保持严格一致变化，其在复杂农田环境中与氮含量和产量的数学关系有待深入研究。此外，本研究仅选用氮响应特性显著的郑单958（氮敏感高积累型）和氮响应较缓豫科918（高氮耐逆型）两个品种，而当前高产玉米生产系统中杂交种占绝对主导，不同杂交种的遗传背景、氮效率和植株氮响应特性存在显著基因型差异，本研究结果可能难以完全揭示田间生产中玉米对氮素变化的总体响应模式，需进一步扩大品种类型进行验证。

研究结论部分翻译：本研究以营养生长期完全展开顶叶和生殖生长期三穗位叶为对象，探究了不同时期玉米典型叶位SPAD的动态变化，分析了适宜于玉米叶片SPAD监测的敏感时期和叶位。玉米叶片不同生育时期的SPAD值存在显著差异：营养生长期完全展开顶叶的SPAD值随生育期推进而降低，生殖生长期穗位叶的SPAD值随生育期推进逐渐增加，总体趋势为先降低后升高。通过玉米叶片SPAD与光谱反射率的相关分析，确定十二叶期（V12）和吐丝期（R1）为敏感时期：V12期SG-SNV与RVI组合相关性最强（?0.78），R1期穗叶SG-SNV与NDRE组合相关性最强（0.76）。单一植被指数建模中，二次多项式函数表现最优，V12期回归模型R² = 0.617、RMSE = 2.637，R1期R² = 0.590、RMSE = 3.399；RF模型中，MSC预处理后V12期预测效果最优（R² = 0.71，RMSE = 2.35，RPD = 1.87），MSC预处理后穗叶预测效果（R² = 0.69，RMSE = 3.22，RPD = 1.82）略优于上、下穗叶。因此，建议在V12和R1时期监测玉米叶片SPAD值并据此制定氮肥管理决策，以提高玉米产量。