【目的】氮、磷均为作物必需的大量营养元素,其丰缺诊断直接关系到合理科学施肥,进而影响产量、效益以及环境。本文旨在研究准确、快捷、无损地区分水稻缺氮和缺磷信息的光谱识别方法,从而指导田间施肥决策,精确作物管理、节约种植成本并控制农田面源污染。【方法】基于水稻6个氮素及两个磷素营养水平交互下的盆栽试验,分别在分蘖、拔节和抽穗期测定水稻冠层的可见近红外反射光谱(350—1 330 nm)及植株全氮(TN)和全磷(TP)含量等数据,分析氮磷互作对水稻植株体内TN和TP含量以及冠层反射光谱的影响,并运用概率神经网络(PNN)分别对不同生育时期的冠层光谱进行氮水平、磷水平、氮磷交互水平和缺素水平4个尺度下的分类识别。为避免光谱测量时仪器误差和光照、风力、温度、水分等环境条件所造成光谱数据批次间的差异,PNN分类识别前对光谱数据进行标准化处理,并将其中2/3作为训练集,另外1/3作为测试集。【结果】植株全氮含量受氮肥、磷肥和氮磷交互作用的影响显著;植株全磷含量则主要受磷肥和氮肥水平的双重影响,但不存在氮磷交互作用。水稻冠层光谱对氮肥的响应规律不受磷肥水平的影响,缺氮使可见光区反射率升高,近红外区反射率下降。缺磷使近红外区反射率下降,但可见光区的响应则受氮肥水平的影响,施氮处理呈上升趋势,氮胁迫处理则呈现分蘖期下降、拔节期上升、抽穗期下降的趋势。利用冠层光谱PNN模型可以对各个生育时期氮水平、磷水平、氮磷交互水平和缺素水平等不同施肥尺度进行识别,拔节期分类精度最高,抽穗期分类精度相对最低。4种分类尺度下PNN模型对磷素水平的分类精度最高,分蘖期和拔节期分别为83%和94%;其次是缺素水平,分别为78%和88%;对氮素水平以及氮磷交互水平等有较多个分类输出的识别精度较低,为61%—75%。值得一提的是,PNN模型对水稻施肥关键生育时期分蘖期和拔节期水稻植株缺氮缺磷、缺氮不缺磷、缺磷不缺氮、不缺氮不缺磷等4种缺素水平的分类中,所有只缺氮处理没有被预测为只缺磷处理,所有只缺磷处理也没有被误判为只缺氮处理,表明冠层光谱PNN模型能有效区分开氮磷胁迫。【结论】水稻的冠层光谱受到氮、磷水平的共同影响,利用水稻冠层光谱建立的PNN模型不仅能分别辨识各氮素、磷素施肥水平,并且能有效地区分开水稻缺磷和缺氮处理,避免混淆,对有目的性的指导施肥具有重要的意义和价值,可避免不恰当的施肥策略造成的环境、产量和经济损失。