近日，南京农业大学国家信息农业工程技术中心（以下简称“中心”）在国际顶级遥感期刊 Remote Sensing of Environment 发表了题为“Estimating leaf nitrogen content by coupling a nitrogen allocation model with canopy reflectance”的研究论文，报道了中心在冠层尺度氮含量光谱监测普适性模型构建方面的重要进展。
叶片氮含量（Leaf nitrogen content, LNC）是一个重要的作物营养指标，常用于植物光合能力分析和作物营养诊断。目前，高光谱遥感技术已被广泛用于准确、无损地估算作物叶片氮含量。由于叶绿素和氮含量之间有较高的相关性，在过去二十年里，大量研究基于叶绿素在可见光区间的敏感波段，构建各种叶绿素敏感植被指数来估算叶片氮含量。然而，农业领域常用的是全氮含量，叶绿素仅能反映与光合作用相关的光合氮信息，不能完全反映作物叶片中的全氮信息。因此，叶绿素敏感植被指数和叶片全氮含量的关系模型，经常受作物类别、生育期等多个因素的影响，使得这些氮含量估算模型的普适性较差。
该研究将基于面积的叶片氮含量（LNCA）分为光合氮（PN）和非光合氮（NPN），并分别用光谱估算机理更明确的叶片叶绿素含量（LCC）和干物质含量（LMA）表征光合氮与非光合氮，创建了简化的氮分配模型（LNCA=PN+NPN=kPN×LCC+kNPN×LMA）。通过对氮分配模型进一步推导，得到基于质量的叶片氮含量估算模型（LNCM=(kPN×LCC/LMA+kNPN)×100%），并利用叶片尺度数据标定了氮分配模型系数。由于氮分配比例不随观测尺度而变，叶片尺度构建的LNCM估算模型可直接用于冠层尺度。通过耦合氮分配模型和冠层光谱信息，创建了机理性强、简单实用的叶层氮含量普适性估算模型（图1）。
图1. 基于冠层反射率光谱与氮分配模型的作物叶层氮含量估算示意图
图2. 氮分配模型标定结果
该方法的优点在于，将机理仍不够清晰的LNCM估算，分解为植被遥感领域机理更清楚的LCC与LMA估算。基于稻麦实测数据的验证结果表明，叶片尺度构建的LNCM估算模型拟合精度高（图2），氮分配模型在估算LNCM时受作物类型和生育期的影响较小（图3）。此外，氮分配模型也可以捕捉到光合氮比例的季节性变化，反映其具有动态性的特点（图4）。该研究首次提出了基于氮分配模型的叶层氮含量估算思路，为叶层氮含量敏感波段筛选和植被指数构建提供新的视角，对于叶层氮含量的全球遥感产品研制和全生育期作物氮素营养智能诊断具有重要价值。
图3. 冠层尺度实测和估测叶片氮含量：
（A）全生育期、（B）拔节期、（C）孕穗期、（D）抽穗期、（E）开花期、（F）灌浆期
图4. 基于氮分配模型估算的（A）水稻和（B）小麦光合氮比例季节性变化
该研究由中心与加拿大多伦多大学合作完成，中心钟山青年研究员李栋博士为论文第一作者，曹卫星教授和程涛教授为共同通讯作者，多伦多大学Jing M. Chen教授为合作作者。据了解，智慧农业团队在国家重点研发计划项目、国家自然科学基金（创新群体、面上、青年项目）、国家博士后基金、江苏省卓越博士后计划，以及现代作物生产省部共建协同创新中心等平台的资助下，近五年在Remote Sensing of Environment上发表5篇叶片叶绿素含量和氮含量监测机理与方法方面的论文，在叶片镜面反射、冠层结构、土壤背景影响消除、氮分配模型与光谱信息耦合方面开展了系统性研究，显著提升了叶片氮含量和叶绿素含量光谱估算模型的准确性、机理性和普适性，该研究也是自叶片尺度氮含量估算研究后在冠层尺度取得的又一重要成果。
论文链接：https://doi.org/10.1016/j.rse.2022.113314