类型a：学术研究报告

一、研究作者与发表信息
本研究由山西省农业科学院小麦研究所的谢福来（第一作者，研究方向为小麦遗传育种）、张士昌（通讯作者，博士）等团队完成，发表于《农学学报》（Journal of Agriculture）2016年第6卷第4期，论文编号为CJAS15090013。研究得到山西省农业攻关项目（编号20150311001-5）资助。

二、学术背景与研究目标
科学领域：本研究属于农业遥感与精准农业领域，结合高光谱技术（hyperspectral technology）与作物生理学，探索小麦氮素营养及土壤供氮能力的快速监测方法。
研究背景：氮素是小麦生长发育的关键元素，但传统化学分析方法（如凯氏定氮法）耗时费力且具有时空滞后性。高光谱遥感技术因其快速、无损的优势，成为作物氮素监测的重要工具。然而，现有研究多聚焦于叶片氮含量（Leaf Nitrogen Content, LNC）或土壤氮含量（Soil Nitrogen Content, SNC）的单一监测，缺乏对二者协同关系的系统性分析。
研究目标：
1. 建立小麦冠层光谱与LNC、SNC的定量关系模型；
2. 比较植被指数法（Vegetation Index）与偏最小二乘回归（Partial Least Squares Regression, PLSR）的预测精度；
3. 为小麦氮肥精准管理提供理论支持。

三、研究流程与方法
1. 试验设计
- 时间与地点：2011—2013年在山西省曲沃县、临汾市尧都区、太原市东阳三地开展田间试验。
- 供试材料：小麦品种包括‘运麦20410’和‘晋太170’，设置5个施氮水平（0—300 kg/hm²），采用随机区组设计，3次重复。
- 数据采集：在小麦返青期、拔节期、孕穗期和灌浆期同步采集冠层光谱、叶片及土壤样本。

2. 光谱与氮素测定
- 冠层光谱：使用ASD FieldSpec 3高光谱辐射仪（350—2500 nm），垂直冠层1.5 m测量，标准白板校正。
- 氮素分析：叶片经烘干后采用凯氏定氮法测定LNC（%）；土壤（0—40 cm）混合样测定SNC（g/kg）。

3. 数据分析方法
- 植被指数法：筛选12种光谱参数（如ND705、GNDVI、VOG2等），建立线性/非线性回归模型。
- PLSR分析：基于350—1350 nm全波段反射率，通过SAS软件进行主成分提取与交叉验证，解决多重共线性问题。
- 模型验证：独立数据集验证，评估指标包括决定系数（R²）、均方根误差（RMSE）和相对均方根误差（RRMSE）。

创新方法：
- 开发了基于MATLAB的光谱参数算法程序，整合了导数光谱、连续统去除等前沿技术；
- 自主编写SAS平台的PLSR分析软件，实现多波段光谱数据的自动化建模。

四、主要研究结果
1. 光谱与氮含量的相关性
- LNC：可见光波段（367—719 nm）呈极显著负相关（r=-0.863），近红外波段（738—1143 nm）呈极显著正相关（r=0.709）。
- SNC：相关性趋势与LNC相反，可见光（432—717 nm）负相关，近红外（739—1141 nm）正相关，但绝对值较低（r=0.721）。

2. 植被指数模型性能
- LNC最佳模型：ND705（R²=0.827）和GNDVI（R²=0.826）的线性模型预测精度最高；
- SNC最佳模型：VOG2的二项式回归模型（R²=0.646）。

3. PLSR模型优势
- LNC预测：R²提升至0.842，RRMSE降至10.3%；
- SNC预测：R²为0.654，优于植被指数模型。

逻辑关系：光谱参数筛选验证了特定波段（如红边区域）的敏感性，而PLSR进一步整合全波段信息，显著提升模型鲁棒性。

五、结论与价值
科学价值：
1. 明确了小麦冠层光谱对LNC和SNC的差异化响应机制；
2. 提出了兼顾叶片与土壤氮素协同监测的高光谱模型，填补了该领域空白。
应用价值：
- 为田间氮肥实时诊断提供技术支撑，可优化施肥方案，提高氮利用率；
- 开发的PLSR软件工具可推广至其他作物氮素监测。

六、研究亮点
1. 多维度监测：首次将LNC与SNC的估算模型系统整合；
2. 方法创新：结合植被指数与PLSR，解决了高光谱数据冗余问题；
3. 普适性验证：2年3点试验数据确保了模型的稳定性。

七、其他有价值内容
- 研究指出，随着生育期推进，冠层光谱中土壤信息占比降低，未来需结合多时相数据改进SNC模型；
- 建议扩大品种与环境验证范围，以增强模型泛化能力。

（注：全文术语首次出现时保留英文原词，如高光谱技术（hyperspectral technology）、偏最小二乘回归（PLSR）等。）