基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

第２０卷第３期２００４年５月地理与地理信息科学ＱＤｇｒａｐｈｙａｎｄＧ∞一ｌｍ）ｍ忸ｔ；ｏｎＳｃｉ目１ｃｅⅧ２０№．３Ｍａｖ２００４基于高光谱数据的小麦叶绿素含量反演赵祥，刘素红”，王培娟，王锦地，田振坤（北京师范大学地理学与遥感科学学院遥感与地理信息系统研究中心，北京１００８７５；遥感科学国家重点实验室，北京１００８７５；环境遥感与数字城市北京市重点实验室．北京１００８７５）摘要：近年来，遥感高光谱技术为获取农作物的某些生理化参数提供了丰富的数据来源。

该文使用北京小汤山地区实验获取的小麦高光谱数据，应用偏最小二乘回归方法，建立了冬小麦冠层波谱与叶绿索含量的回归反演计算模型。

研究结果显示：模型在３５０～１０６０砌波段具有较高的反演精度。

本研究为应用高光谱数据反演冬小麦叶绿紊含量提供了有效途径。

关键词：高光谱数据；反演；叶绿索含量；小麦中图分类号：Ｓ５１２．１十１文献标识码：Ａ文章编号：１６７２—０５０４（２００４）０３—００３６—０４光合作用过程中起吸收光能作用的色素有叶绿索Ａ、叶绿索Ｂ与类胡萝ｈ素，其中叶绿素是吸收光能的物质，对植被的光能利用有直接关系。

叶绿素含量和植被的光台能力、发育阶段以及氮素状况有较好的相关性，它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器”Ｊ。

在小麦生长环境分析和长势监测中，叶绿素含量是非常重要的评估内容之一。

随着遥感技术的发展，现在比较容易获得多种观察值。

可以分为多光谱、多方位、多时相和综合指数，它们分别载有不同的有关材料波谱和植被结构的信息【２Ｊ。

人们一直在寻找高光谱数据与农作物生理生化参数之间的定量关系，金震字等［３】指出水稻叶绿索含量与其反射光谱红边拐点位置之间有着良好的线性相关析模型）于一体的典型地物渡谱知识库，为定量遥感理论与应用研究提供一个系统化和专业化的遥感波谱科学实验平台［５］。

波谱知识库将在典型地物波谱与图像数据积累的基础上，以波谱数据的知识化、定量化和实用化为目标，完成典型地物波谱、环境参数问的相互配套。

基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究一、概要本文主要探讨了基于高光谱成像技术的作物叶绿素信息诊断机理及方法。

随着光谱技术的发展，高光谱成像技术在农业领域的应用逐渐受到关注。

本文通过对水稻、小麦等作物叶片的高光谱成像数据分析，研究了作物叶绿素含量的空间分布特征及其与作物生长指标的关系；建立了基于高光谱成像技术的作物叶绿素含量预测模型，并对模型的准确性进行了验证。

高光谱成像技术可以准确地区分作物的健康状态和健康状况的变化，为农业生产提供有力支持。

本文还提出了针对不同作物、不同生长阶段的叶绿素含量预测方法，为农业生产提供了科学依据。

本研究对于推动高光谱成像技术在农业领域的应用和发展具有重要意义。

1. 高光谱成像技术的发展与应用背景随着科技的不断发展，高光谱成像技术在植物学领域中的应用越来越广泛。

高光谱成像技术是一种能够同时获取物体光谐波段信息的技术，通过对生物组织在红外、可见光和短波段范围内的吸收情况进行测量，可以获取植物生长状况、养分含量、病虫害等多种信息，为农业生产提供科学依据和技术支持。

在过去几十年中，研究者们已经开展了许多关于高光谱成像技术在农业领域应用的研究。

叶绿素信息诊断是一种重要的应用方向。

叶绿素是植物进行光合作用的必需元素，其含量的变化直接影响到植物的生长和发育，通过对植物叶片中叶绿素的含量和分布进行准确测量，可以为农作物栽培管理提供重要指导。

传统的叶绿素检测方法如分光光度法、荧光法等虽然在一定程度上能够满足需求，但存在操作复杂、精度低等问题。

随着高光谱成像技术的发展，这些问题逐渐得到解决。

通过高光谱成像技术，可以实现同时对植物叶片中多种成分进行定量测量和分析，提高叶绿素检测的准确性和效率。

高光谱成像技术在作物叶绿素信息诊断方面的应用前景广阔。

除了叶绿素含量与分布的测量外，还可以应用于作物生长速度、产量预测、抗病性评价等方面。

通过对高光谱图像数据进行分析和处理，可以实现作物生长信息的实时监测和评估，为农业生产提供更加智能、精准的管理服务。

应用高光谱植被指数反演冬小麦叶绿素含量的光谱指标敏感性研究田静国;王树东;张立福;马超;张霞【期刊名称】《科学技术与工程》【年(卷),期】2016(016)015【摘要】高光谱植被指数反演叶绿素含量的精度除与模型有关外,光谱指标中心波长、波段宽度、信噪比等的差异也会带来一定的影响.研究基于实测光谱数据,结合波段模拟、噪音分析等方法,研究不同的光谱指标对植被指数反演叶绿素含量的影响,分析用于反演的光谱指标的敏感性,结果表明:①最佳中心波长的位置与适用于高低覆盖的植被指数类型有关,反演精度在一定范围内并不随着波段宽度的增加而提高;②不同植被指数抗噪声能力有一定的差异,其中DVI(difference vegetation index),NDVI(normalized difference vegetation index)等抗噪能力比较强,MCARI (modified chlorophyll absorption ratio index)和TCARI(transformed chlorophyll absorption ratio index)抗噪能力比较弱;③联合反演模型反演结果为R2 =0.741 5,RMSE =0.4026,优于MTCI(MERIS terrestrial chlorophyll index)的反演结果,通过模拟HJ1 A-HSI,Hyperion等数据,研究出联合反演模型在不同高光谱传感器下有一定的适用性.【总页数】8页(P1-8)【作者】田静国;王树东;张立福;马超;张霞【作者单位】河南理工大学测绘与国土信息工程学院,焦作454000;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101;河南理工大学测绘与国土信息工程学院,焦作454000;中国科学院遥感与数字地球研究所高光谱遥感应用技术研究室,北京100101【正文语种】中文【中图分类】P237【相关文献】1.基于光谱植被指数的冬小麦叶绿素含量反演 [J], 赵佳佳;冯美臣;王超;杨武德;李志花;朱智慧;任鹏;刘婷婷;王慧琴2.不同光谱植被指数反演冬小麦叶氮含量的敏感性研究 [J], 张潇元;张立福;张霞;王树东;田静国;翟涌光3.冬小麦典型多参量冠层高光谱反演的光谱指标敏感性研究 [J], 韩茜;张潇元;王树东;张立福;张霞;田静国4.基于新型植被指数的冬小麦LAI高光谱反演 [J], 束美艳;顾晓鹤;孙林;朱金山;杨贵军;王延仓;张丽妍5.扬花期冬小麦冠层叶绿素含量高光谱遥感反演 [J], 姜海玲;李耀;赵艺源;郑世欣;李悦因版权原因，仅展示原文概要，查看原文内容请购买。

利用无人机高光谱估算冬小麦叶绿素含量冯海宽;陶惠林;赵钰;杨福芹;樊意广;杨贵军【期刊名称】《光谱学与光谱分析》【年(卷),期】2022(42)11【摘要】叶绿素含量(SPAD)是作物长势评价的重要指标,可以监测农作物的生长状况,对农业管理至关重要,因此快速、准确地估算SPAD具有重要意义。

以冬小麦为研究对象,利用无人机高光谱获取了拔节期、挑旗期和开花期的影像数据,获取植被指数和红边参数,研究植被指数与红边参数估算SPAD的能力。

先将植被指数与红边参数分别与不同生育期的SPAD进行相关性分析,再基于植被指数、植被指数结合红边参数,通过偏最小二乘回归(PLSR)方法估算SPAD,最后制作SPAD分布图验证模型的有效性。

结果表明,(1)大部分植被指数与红边参数在3个主要生育期与SPAD相关性均达到极显著水平(0.01显著);(2)单个植被指数构建的SPAD估算模型中,LCI表现最好(R^(2)=0.56,RMSE=2.96,NRMSE=8.14%),红边参数中Dr/Dr_(min)表现最好(R^(2)=0.49,RMSE=3.18,NRMSE=8.76%);(3)基于植被指数结合红边参数构建的SPAD估算模型效果最佳,优于仅基于植被指数构建的SPAD估算模型,同时,随着生育期推移,两种模型均在开花期达到最高精度,R^(2)分别为0.73和0.78,RMSE分别为2.49和2.22,NRMSE分别为5.57%和4.95%。

因此,基于植被指数结合红边参数,并使用PLSR方法可以更好地估算SPAD,可以为基于无人机遥感的SPAD监测提供一种新的方法,也可为农业管理提供参考。

【总页数】6页(P3575-3580)【作者】冯海宽;陶惠林;赵钰;杨福芹;樊意广;杨贵军【作者单位】农业农村部农业遥感机理与定量遥感重点实验室;南京农业大学国家信息农业工程技术中心;河南工程学院土木工程学院【正文语种】中文【中图分类】S25【相关文献】1.基于无人机高光谱影像玉米叶绿素含量估算2.基于Dualex植物多酚-叶绿素仪的冬小麦叶绿素含量高光谱估算3.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算4.冬小麦不同叶位叶片的叶绿素含量高光谱估算模型5.基于无人机高光谱的冬小麦植株氮含量估算因版权原因，仅展示原文概要，查看原文内容请购买。

高光谱数据与冬小麦叶绿素密度的相关性研究孟卓强;胡春胜;程一松【期刊名称】《干旱地区农业研究》【年(卷),期】2007(025)006【摘要】分析2006年栾城试验站不同氮素水平下冬小麦的多时相的群体光谱测量数据和相应叶片叶绿素密度的测量数据,发现:冬小麦的群体光谱的导数光谱数据、红边光谱数据,归一化植被指数NDVI和比值植被指数RVI与叶绿素密度具有很好的相关关系,并且选取样本建立了相应的回归方程.以回归方程作为叶绿素高光谱估算模型,并利用检验样本对估算模型进行检验,结果表明,以745 nm处一阶导数光谱值、733 nm处二阶导数光谱值和红边振幅为变量的模型可以较好的估算叶绿素密度.【总页数】6页(P74-79)【作者】孟卓强;胡春胜;程一松【作者单位】中国科学院遗传与发育生物学研究所农业资源研究中心,河北,石家庄,050021;中国科学院研究生院,北京,100039;中国科学院遗传与发育生物学研究所农业资源研究中心,河北,石家庄,050021;中国科学院遗传与发育生物学研究所农业资源研究中心,河北,石家庄,050021【正文语种】中文【中图分类】S127【相关文献】1.矿区高光谱数据与植物叶绿素含量相关性研究 [J], 候会芳;乔晓英;郝瑞娟;郭以威2.高光谱数据与叶绿素含量及植被指数的相关性研究进展 [J], 朱凌红;周澎;王忠民;邵志刚3.高光谱数据预处理对大豆叶绿素密度反演的作用 [J], 杨峰;张勇;谌俊旭;范元芳;杨文钰4.机载高光谱数据提取冬小麦冠层叶绿素含量的模型分析及验证 [J], 颜春燕;刘强5.高光谱数据与棉花叶绿素含量和叶绿素密度的相关分析 [J], 王登伟;黄春燕;张伟;马勤建;赵鹏举因版权原因，仅展示原文概要，查看原文内容请购买。

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型马春艳;王艺琳;翟丽婷;郭辅臣;李长春;牛海鹏【期刊名称】《农业机械学报》【年(卷),期】2022(53)6【摘要】科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。

基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。

结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R^(2)分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R^(2)为0.74和0.79。

研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。

【总页数】10页(P217-225)【作者】马春艳;王艺琳;翟丽婷;郭辅臣;李长春;牛海鹏【作者单位】河南理工大学测绘与国土信息工程学院【正文语种】中文【中图分类】S512.11【相关文献】1.截形叶螨危害下枣叶片叶绿素含量高光谱估算模型2.不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究3.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算4.基于高光谱的石楠叶片叶绿素含量估算模型5.基于高光谱参数建立苗期高温条件下草莓叶片叶绿素含量估算模型因版权原因，仅展示原文概要，查看原文内容请购买。

冬小麦苗期叶绿素含量检测光谱学参数寻优毛博慧;李民赞;孙红;刘豪杰;张俊逸;Zhang Qin【期刊名称】《农业工程学报》【年(卷),期】2017(033)0z1【摘要】光谱分析技术是作物生长检测的主要手段,为了解决大田漫反射采集所造成的光谱基线漂移和偏移问题,研究采集了冬小麦冠层325~1075 nm范围反射光谱,采用多元散射校正方法对小麦原始光谱进行预处理.采取遗传算法对光谱特征参数寻优并结合相关分析结果,选取486、599、699和762 nm波长处反射率值并组合计算了RVI(ratio vegetation index),DVI(difference vegetation index),NDVI(normalized difference vegetation index)和SAVI(soil-adjusted vegetation index)共12个植被指数,分析了各植被指数与叶绿素含量值之间的相关关系,结果显示:DVI和SAVI可抑制苗期土壤背景干扰并对叶绿素含量响应较为敏感,与叶绿素含量相关性最优的参数分别为DVI(762,599)、SAVI(762,599)、DVI(762,699)和SAVI(762,699),与叶绿素含量的相关系数都达到0.6以上.基于相关性最优光谱植被指数DVI(762,699)和SAVI(762,599)利用最小二乘-支持向量回归建立冬小麦叶绿素含量预测模型,建模集决定系数为0.681,验证集决定系数为0.611.该模型可用于无损检测冬小麦苗期叶绿素含量,以期为后续施肥决策提供支持.%Accurate prediction of winter wheat chlorophyll content at seedling stage is important for guiding precision management in the field. In order to acquire chlorophyll content of winter wheat leaves, traditional detection methods require to squash winter wheat leaves and applying chemical methods, which would have bad influence on crops growth and causeunnecessary waste of time on some level. It is proved that the spectroscopy analysis is an effective method to predict chlorophyll content of winter wheat. However, the drift and offset of spectral baseline has a great influence on the predicting accuracy. So, this study was carried out to eliminate the influence of the drift and offset. The experimental farm was randomly divided into 70 different sampling areas in Xiaotangshan, Beijing, and the winter wheat leaves were collected on April 20th in the period of seedling stage. The visible and near infrared canopy spectral reflectance of winter wheat was measured by an ASD FieldSpec handheld spectroradiometer at seedling stage. The chlorophyll contents of sampling leaves were detected by the spectrophotometer in the laboratory on the same day. The obtained data of the canopy spectral reflectance and chlorophyll content were assembled for each region individually. The multiple scattering correction (MSC) was used on the bands of 325-1025 nm wavelength, because many scattering errors were introduced into the measured spectral data due to the physical factors. The MSC method first requires establishing an ideal spectrum of all samples, and modifying all the other samples of near infrared spectra on the basis of ideal spectrum to, and spectral reflectance changes with the content of chlorophyll components in the sample meet the direct linear relationship. The absolute intensity difference of spectral reflectance of winter wheat canopy was weakened after the MSC pretreatment, and then scattering effect was effectively reduced. Baseline shift and offset problems were resolved, and the correlation coefficients of spectral reflectance and chlorophyll contentwere increasing through the MSC pretreatment. Furthermore, genetic algorithm (GA) was proposed for sensitive band selection. GA is a high efficient and globally random search optimization method which simulates Darwin's evolution by natural selection and genetic mechanism of biological evolution. According to the principles of choosing high frequency bands as characteristic wavelength, 486, 599, 699 and 762 nm crop canopy reflectances were selected to calculate vegetation indices, including ratio vegetation index (RVI), difference vegetation index (DVI), normalized difference vegetation index (NDVI) and soil-adjusted vegetation index (SAVI). The correlation between each vegetation index and chlorophyll content of winter wheat was analyzed. It was found that the correlation between each vegetation index and chlorophyll content of winter wheat significantly increased after the MSC. The results showed that DVI and SAVI could refrain interference of soil background during seedling period, and the optimal parameters were DVI(762, 599), SAVI(762, 599), DVI(762, 699) and SAVI(762, 699), and the correlation coefficients were all above 0.6. The DVI(762, 699) and SAVI(762, 599) were selected to establish the multiple linear regression (MLR) prediction model and the least squares-support vector regression (LS-SVR) prediction model. The 70 winter wheat samples were divided into 2 groups, 50 samples for model calibration and the other 20 samples for model verification. The results of MLR showed the determination coefficient of the calibration model was 0.528 and that of the validation model was 0.487. In order to improve the precision of the forecast model, the LS-SVR prediction model was applied,and the determination coefficient of the calibration model was 0.681 and that of the validation model was 0.611. It showed that the fitting result was ideal. With the application of spectral technology, it provides a feasible method to detect the winter wheat growth status at seedling stage.【总页数】6页(P164-169)【作者】毛博慧;李民赞;孙红;刘豪杰;张俊逸;Zhang Qin【作者单位】中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京 100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京 100083;中国农业大学现代精细农业系统集成研究教育部重点实验室,北京 100083;美国华盛顿州立大学精细农业及农业自动化研究中心,Prosser,WA 99350【正文语种】中文【中图分类】S127【相关文献】1.基于近红外光谱苗期玉米叶片叶绿素含量的无损检测方法 [J], 翟哲;李伟凯2.基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测 [J], 王伟;彭彦昆;王秀;马伟3.冬小麦叶绿素含量高光谱检测技术 [J], 王伟;彭彦昆;马伟;黄慧;王秀4.增水和施肥对苜蓿-冬小麦轮作系统冬小麦叶片光合速率和叶绿素含量的影响 [J], Zhang Xiaolin;Chen Mengtian;Zhai Penghui;Zhao Xiang;Dong Kuanhu5.苗期低温胁迫对“红颜”草莓叶绿素含量及冠层高光谱的影响 [J], 徐若涵;杨再强;申梦吟;王明田因版权原因，仅展示原文概要，查看原文内容请购买。

基于高光谱植被指数的冬小麦产量监测张松;冯美臣;杨武德;王超;孙慧;贾学勤;武改红【摘要】To predict the yield of winter wheat by using the vegetation indexes derived from the hyperspectrum at different growth stages, the two-years experiments of winter wheat treated with different fertilizers were implemented. The canopy spectral data of winter wheat were collected at different growth stages and the relationship between the vegetation indexes derived from the canopy spectral data and winter wheat yield data at different growth stages was analyzed to construct the predictive models of winter wheat yield. The results showed that the vegetation indexes at different growth stages had a good relationship with the winter wheat yield, of which most of the vegetation indexes at booting and heading stages performed best to estimate the yield with RC2=0.78, RMSEC= 1 131.42 at the booting stage, and RC2=0.77, RMSEC=1 015.59 at heading stage. Then, the jointing stage was the next, and the filling and maturity stage were the worst. However, from the perspective of crop production, it had more important practical significance to monitor winter wheat yield in jointing stage. The results show that the early estimation of winter wheat yield can be achieved by using the vegetation index in jointing stage.%为了研究利用不同生育时期的植被指数监测冬小麦产量,以2 a不同肥料处理的冬小麦为研究对象,分析不同生育时期植被指数与冬小麦产量的关系,构建冬小麦产量的光谱植被指数监测模型.结果表明,植被指数能有效监测冬小麦产量,其中,孕穗期和抽穗期植被指数的监测效果较好,孕穗期的校正均方根误差(RMSEC)和决定系数(RC2)分别为1 131.42和0.78,抽穗期的RMSEC和RC2分别为1 015.59和0.77,拔节期的监测效果次之,灌浆期和成熟期的监测效果较差;但从作物生产角度考虑,拔节期监测冬小麦产量具有更重要的现实意义.研究表明,利用拔节期植被指数能够实现冬小麦产量的早期估测.【期刊名称】《山西农业科学》【年(卷),期】2018(046)004【总页数】4页(P572-575)【关键词】冬小麦;产量;高光谱遥感;植被指数【作者】张松;冯美臣;杨武德;王超;孙慧;贾学勤;武改红【作者单位】山西农业大学农学院,山西太谷 030801;山西农业大学农学院,山西太谷 030801;山西农业大学农学院,山西太谷 030801;山西农业大学农学院,山西太谷 030801;山西农业大学农学院,山西太谷 030801;山西农业大学农学院,山西太谷 030801;山西农业大学农学院,山西太谷 030801【正文语种】中文【中图分类】S512.1+1冬小麦是我国主要的粮食作物之一，快速、准确地监测冬小麦产量能够为国家粮食安全提供一定的技术保障[1]。

麦类作物学报 2023,43(11):1475-1483J o u r n a l o fT r i t i c e a eC r o ps d o i :10.7606/j.i s s n .1009-1041.2023.11.12网络出版时间:2023-07-11网络出版地址:h t t ps ://k n s .c n k i .n e t /k c m s 2/d e t a i l /61.1359.S .20230711.1339.018.h t m l 基于高光谱特征参数的冬小麦氮营养指数估算收稿日期:2022-10-23 修回日期:2022-11-21基金项目:国家自然科学基金项目(41701398);中央高校基本科研业务项目(2452017108)第一作者E -m a i l :2018050822@n w a f u .e d u .c n通讯作者:李粉玲(E -m a i l :f e n l i n gl i @n w a f u .e d u .c n )王玉娜,李粉玲,李振发,吕书豪(西北农林科技大学资源环境学院,陕西杨凌712100)摘 要:为了实现快速高精度获取冬小麦氮营养指数的高光谱监测技术,利用美国S V C H R -1024I 型野外光谱辐射仪对2017-2019年关中地区的冬小麦进行遥感监测,获取 三边 参数㊁任意两波段光谱指数和植被指数,通过相关性分析和逐步回归分析方法筛选冬小麦氮营养指数的敏感光谱参数,结合偏最小二乘回归(P L S R )㊁随机森林算法(R F R )㊁支持向量机回归(S V R )和梯度增强回归(G B D T )建立冬小麦氮营养指数模型,并对模型估算精度进行验证㊂结果表明,从拔节期到灌浆期,各时期的氮营养指数与任意两波段光谱指数均呈极显著相关,其中拔节期氮营养指数与任意两波段光谱指数相关性均高于其他时期,且基于一阶导数光谱的归一化光谱指数和比值光谱指数与氮营养指数的相关系数最大,为0.66㊂拔节期基于梯度增强回归的冬小麦氮营养指数预测模型的决定系数(r 2)和均方根误差(R M S E )分别为0.96和0.05,模型验证的r 2㊁R M S E 和相对预测偏差(R P D )分别为0.95㊁0.12和2.12,模型预测精度最高㊂因此,拔节期基于梯度增强回归的冬小麦氮营养指数估算模型可用于冬小麦氮营养监测及后期田间管理㊂关键词:冬小麦;高光谱特征参数;氮营养指数;梯度增强回归;估算模型中图分类号:S 512.1;S 314 文献标识码:A 文章编号:1009-1041(2023)11-1475-09E s t i m a t i o no fN i t r o ge nN u t r i e n t I n d e x i n W i n t e r W h e a t B a s e do nH y p e r s pe c t r a l F e a t u r e s W A N GY u n a ,L I F e n l i n g,L IZ h e n f a ,L ÜS h u h a o (C o l l e g e o fN a t u r a lR e s o u r c e s a n dE n v i r o n m e n t ,N o r t h w e s tA&FU n i v e r s i t y ,Y a n g l i n g,S h a a n x i 712100,C h i n a )A b s t r a c t :I t i s o f g r e a t s i g n i f i c a n c e t o q u i c k l y o b t a i n t h ew i n t e rw h e a t n i t r o ge nn u t r i t i o n i n d e xf o rm o -n i t o r i ng th e ni t r o g e nn u t r i t i o n s t a t u s o fw i n t e rw h e a t a n d g u i d i n g l a t e r f e r t i l i z a t i o n .I n t h i s s t u d y,t h e U.S .S V C H R -1024If i e l ds p e c t r a lr a d i o m e t e r w a su s e df o rr e m o t es e n s i n g m o n i t o r i n g o fw i n t e r w h e a t f i e l d s i nG u a n z h o n g a r e a f r o m2017t o2019t oo b t a i nt h ew i n t e rw h e a t c a n o p y s pe c t r u m ,a n d t h ef i r s t d e r i v a t i v e ,l og a r i th ma n d c o n ti n u o u s r e m o v a l s pe c t r u m w e r e e x t r a c t e d t o c o n s t r u c t t r i l a t e r a l p a r a m e t e r s ,a n y t w o -b a n ds p e c t r a l i n d i c e s a n dv e g e t a t i o n i n d i c e s .T h r o u g hc o r r e l a t i o na n a l y s i s a n d s t e p w i s e r e g r e s s i o na n a l y s i s of t h e t r i l a t e r a l p a r a m e t e r s ,a n y t w o -b a n ds p e c t r a l i n d i c e s ,t h e r e po r -t e dv e g e t a t i o ni n d i c e s a n d t h e n i t r o g e n n u t r i e n ti n d e x ,t h e s e n s i t i v e s p e c t r a l p a r a m e t e r s w e r e s c r e e n e d .C o m b i n e d w i t h P a r t i a lL e a s tS q u a r e s R e g r e s s i o n (P L S R ),R a n d o m F o r e s t R e gr e s s i o n (R F R ),S u p p o r tV e c t o rM a c h i n eR e g r e s s i o n (S V R ),a n dG r a d i e n t B o o s t e dR e g r e s s i o n (G B D T ),t h e n i t r o ge nn u t r i t i o n i n d e xm o d e l o fw i n t e rw h e a tw a s t h e r ef o r e e s t a b l i s h e d .T h e r e s u l t s s h o w e d t h a t t h e n i t r og e nn u t r i t i o n i n d e xo f e a c hk e yg r o w th s t a g ew a s hi g h l y s i g n i f i c a n t l y c o r r e l a t e dw i t h t h e s pe c t r a l i n d i c e s of a n y t w o b a n d s ,a m o ng whi c h t h e c o r r e l a t i o n b e t w e e n t h e n i t r o g e n n u t r i t i o n i n d e x a tj o i n t i n gCopyright ©博看网. All Rights Reserved.s t a g e a n d a n y t w o-b a n d s p e c t r a l i n d i c e sw a s h i g h e r t h a n t h a t a t o t h e r g r o w t h s t a g e s,a n d t h e c o r r e l a-t i o nc o e f f i c i e n t b e t w e e n t h e r a t i o s p e c t r a l i n d e xb a s e d o n t h e f i r s t d e r i v a t i v e s p e c t r u ma n d t h e n i t r o g e n n u t r i t i o n i n d e xw a s t h eh i g h e s t(0.66).T h e d e t e r m i n a t i o n c o e f f i c i e n t(r2)a n d r o o t-m e a n-s q u a r e e r r o r (R S M E)o f t h ew i n t e rw h e a t n i t r o g e nn u t r i e n t i n d e x p r e d i c t i o nm o d e l o nG B D Tw e r e0.78a n d0.87, r e s p e c t i v e l y;t h e d e t e r m i n a t i o n c o e f f i c i e n t r2,R M S Ea n d r e l a t i v e p e r c e n t d e v i a t i o n(R P D)o f t h ev a l i-d a t i o nm o d e l w e r e0.95,0.12,a n d2.12,r e s p e c t i v e l y.W i t h t h e h i g h e s t a c c u r a c y a n d e x c e l l e n t s a m p l e p r e d i c t i o na b i l i t y,t h ew i n t e rw h e a t n i t r o g e nn u t r i e n t i n d e xm o d e l b a s e d o nG B D Tc a n p r o v i d e t e c h n i-c a l s u p p o r t f o r t h e d i a g n o s i s a n dm o n i t o r i n g o fw i n t e rw h e a t n i t r o g e nn u t r i t i o n a n d l a t e r f i e l dm a n a g e-m e n t.K e y w o r d s:W i n t e rw h e a t;H y p e r s p e c t r a l f e a t u r e s;N i t r o g e nn u t r i e n t i n d e x;G r a d i e n t b o o s t i n g r e g r e s-s i o n;E s t i m a t i o nm o d e l氮素是作物生长必需的营养物质之一,与作物的生长状况㊁产量和蛋白质含量息息相关[1-2]㊂氮营养指数(n i t r o g e nn u t r i t i o n i n d e x,N N I)是定量表达作物氮素营养丰缺程度的一个重要指标,能够从作物群体特征出发,较准确地反映作物的氮营养状况[3]㊂实时㊁快速㊁无损监测作物氮营养指数是掌握农田氮素养分分布㊁协调田间管理措施的重要依据[4-5]㊂随着高光谱遥感技术的发展,国内外学者在实时监测叶片叶绿素含量(L C C)㊁叶片氮素含量(L N C)㊁叶片氮素积累(L N A)㊁植株氮素浓度(P N C)㊁植物氮素吸收(P N U)等作物氮素营养方面取得了一定的研究成果[6],但利用高光谱技术对作物N N I实时监测的研究还比较少㊂研究表明,利用线性内插法红边位置(R E P L I)估测冬小麦N N I的精度较高,决定系数可达0.859[7];春玉米N N I与黄边内一阶微分光谱中的最大值相关性较高[8];在可见光至近红外光的冠层光谱反射率区域,对夏玉米N N I最敏感的光谱带位于710和512n m[9]㊂植被指数与作物N N I也密切相关㊂如,植被指数与甜椒N N I在果实生长早期和开花期存在较强的相关性,但相关性在营养阶段和收获阶段变弱[10];Y u等[11]提出了一种基于双植被指数的N N I遥感指数(N N I R S),可用于监测作物氮素状况㊂然而,目前还没有具体的植被指数用于跨多个生长发育时期的N N I反演㊂在目前的高光谱遥感研究中,偏最小二乘回归㊁支持向量机㊁随机森林回归等算法被广泛应用,而且均显示出了强大的模型构建能力,但不同算法在具体实践中应用效果各有千秋,如对玉米冠层原始高光谱信息预处理后,结合随机森林算法反演N N I的精度要优于偏最小二乘回归和B P神经网络回归[9]㊂总体来看,作物冠层高光谱技术结合机器学习算法是N N I估算的潜在途径,但目前基于冠层高光谱的N N I估算精度整体不高,而且对不同生育时期的估算结论有待验证㊂如,基于无人机高光谱成像影像构建了N N I的随机森林估算模型,虽然模型较为稳定,但其解释能力不到80%[12];基于无人机高光谱成像影像和不同时期的植被指数预测冬小麦N N I时,扬花期的解释能力要高于拔节期和孕穗期[13];机器学习算法结合遥感数据㊁土壤㊁气候和田间管理参数会进一步提升作物N N I估算模型的精度[14]㊂有研究者认为,吸光度变换(A B S)[15]㊁连续统去除变换(C R)[16]等光谱变换能在一定程度上减弱作物冠层原始光谱背景噪声,提升作物理化参数的反演精度[17-18]㊂本研究对获取的冬小麦冠层高光谱数据进行光谱变换,构建 三边 参数㊁任意两波段光谱指数和植被指数三类光谱参数,筛选对N N I敏感的光谱特征参数,基于偏最小二乘回归㊁随机森林㊁支持向量机回归和梯度增强回归构建冬小麦N N I模型,并对模型精度进行比较,以期获得最佳N N I估算方法,为诊断调控冬小麦氮素营养㊁实时监测生长状况和后期田间管理提供基础数据㊂1材料与方法1.1试验设计2017-2019年在陕西省咸阳市乾县梁山镇齐南村设置冬小麦小区种植试验(34ʎ38'N,108ʎ07' E)㊂该区土壤类型为壤土,0~40c m耕层有机质含量为13.36g㊃k g-1,全氮含量为0.48g㊃k g-1,速效氮含量为44.86m g㊃k g-1,有效磷含量为13.54m g㊃k g-1,速效钾含量为182.88m g㊃㊃6741㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.k g-1㊂供试小麦为当地主栽品种小偃22㊂试验设置不同水平的氮磷钾单因素处理,每个处理重复两次,小区面积90m2(10mˑ9m)㊂氮素处理设置0㊁30㊁60㊁90㊁120和150k g㊃h m-26个施氮水平,各处理均施磷(P2O5)45k g㊃h m-2和钾(K2O)60k g㊃h m-2;磷素处理设置0㊁22.5㊁45㊁67.5㊁90和112.5k g㊃h m-26个施磷(P2O5)水平,各处理均施氮90k g㊃h m-2和钾肥(K2O)60 k g㊃h m-2;钾素处理设置0㊁15㊁30㊁45㊁60和75 k g㊃h m-26个施钾(K2O)水平,各处理均施氮90 k g㊃h m-2和施磷(P2O5)45k g㊃h m-2㊂小区种植管理方式同当地大田㊂1.2光谱数据及处理采用美国S V C H R-1024I型野外光谱辐射仪,分别在2017㊁2018㊁2019年冬小麦生长发育的四个关键时期(拔节期㊁抽穗期㊁开花期和灌浆期)进行冠层高光谱测定㊂调整光谱仪视场角25ʎ,镜头垂直向下距冬小麦冠层1m处,重复测定冠层光谱10次㊂每个样区选取两个样点,取平均值作为该样区的光谱反射率㊂每次冠层光谱测定前进行标准白板校正,以确保良好的光谱测定质量㊂为减弱或消除光谱的背景噪声,提高敏感波段的灵敏度,本研究对350~1350n m范围内高光谱反射率数据分别进行平滑光谱变换(S M)㊁一阶导数光谱变换(F D)㊁吸光度变换(A B S)和连续统去除光谱变换(C R)4种预处理[19]㊂1.3农学参数获取采集冠层高光谱数据后,各小区以测定点为中心,采集0.5mˑ0.5m范围内的植株地上部㊂从样品中随机选取20株称鲜重,放置105ħ烘箱杀青30m i n,然后于80ħ下烘干48h以上,根据范围比例计算记录各小区地上部干物质重㊂烘干的样品粉碎后称取0.2g,使用凯氏定氮法测定冬小麦植株氮浓度(%)㊂N N I定义为作物地上部植株氮浓度与临界氮浓度的比值[20]㊂N N I=N c/ N c t;N c t=4.28W-0.49㊂式中N c为作物植株氮浓度(%),N c t为临界氮浓度(%)㊂临界氮浓度为作物达到最大干物质所需要的最低氮浓度,本研究采用李正鹏基于小偃22建立的关中平原冬小麦临界氮浓度模型[21]:W为作物地上部生物量(t㊃h m-2)㊂1.4光谱参数的提取与选择为充分利用光谱信息构建光谱参数,提高作物高光谱监测精度,本研究构建三类光谱参数进行估算分析:(1) 三边 参数,是在原始光谱和一阶导数光谱的基础上构建的光谱参数,主要包括蓝边内最大一阶导数值(D b)㊁红边内最大一阶导数值(D r)㊁黄边内最大一阶导数值(D y)㊁绿峰反射率最大值(R g)㊁红谷反射率最小值(R r)㊁蓝边面积(S b)㊁黄边面积(S y)㊁红边面积(S r)㊁红边面积和蓝边面积的比(S r/S b)㊁红边面积和黄边面积的比(S r/S y)㊁红边面积和蓝边面积归一化值((S r-S b)/(S r+S b))及红边面积和黄边面积归一化值((S r-S y)/(S r+S y))等12类特征参数;(2)任意两波段光谱指数,是在各变换光谱350~ 1350n m波段范围内计算任意两个光谱反射率之间的差值(D S I)㊁比值(R S I)和归一化指数(N D S I);(3)筛选与N N I相关性较好的植被指数,主要包括红边指数1(V O G1)㊁M E R I S陆地叶绿素指数(MT C I)㊁改进红边比值植被指数(m S R705)㊁改进红边归一化植被指数(N D705)㊁最佳植被指数(V I o p t)㊁修正型三角植被指数(MT-V I2)和土壤调节植被指数(S A V I)等7类[22]㊂1.5模型构建对构建的三类光谱参数与N N I进行皮尔逊相关性分析,利用逐步回归对与N N I呈极显著相关的光谱参数进行敏感性和不存在共线性筛选,筛选出的敏感光谱参数参与N N I建模㊂本研究的建模方法包括偏最小二乘回归(P L S R)㊁随机森林(R F R)㊁支持向量机回归(S V R)和梯度增强回归(G B D T)㊂P L S R是多元线性回归分析㊁典型相关分析和主成分分析集成的建模方法,通过主成分分析对样本数据进行筛选,确定对因变量解释性最强的变量参与建模,克服变量的多重相关性问题[23-24]㊂R F R是通过自助重采样,从原始的训练样本中有放回地随机采样构建决策树进行分类预测的一种算法,具有很好的抗过拟合能力和抗噪声能力[25-26]㊂S V R通过使样本实测值与预测值之间的损失函数最小化和靠超平面最远的样本点之间的间隔最大来确定模型[27-28]㊂G B D T通过样本建立决策树,得到预测值和残差,后面的决策树基于前面决策树进行残差学习,直到样本预测值和实测值的残差为零[29-30]㊂本研究在S P S S20. 0软件中进行偏最小二乘回归,在R软件中实现随机森林算法,在P y t h o n软件中进行S V R和G B D T㊂㊃7741㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.1.6模型精度检验本研究将三年拔节期㊁抽穗期㊁开花期和灌浆期的数据混合,共采集样本数据432个,按照3ʒ1的比例随机划分为建模集和验证集㊂模型精度采用决定系数(r2)㊁均方根误差(R M S E)和相对预测偏差(R P D)检验㊂r2反映模型拟合能力, R M S E和R P D可以衡量预测值与实测值之间的离散程度和偏差,r2越接近1,R M S E越小,模型预测效果越好,R P D大于2时,模型具有极好的预测能力[31]㊂2结果与分析2.1敏感光谱参数筛选2.1.1任意两波段光谱参数筛选利用M a t l a b软件分析350~1350n m波段范围内四种预处理光谱中任意两波段组合的归一化光谱指数(N D S I)㊁差值光谱指数(D S I)和比值光谱指数(R S I)与N N I的相关性,分别选择与N N I相关性最大的波段组合参与显著性检验,入选波段见表1㊂拔节期入选波段集中在可见光区域,随着生育时期的变化,入选波段向长波方向偏移,在可见光和近红外区域均有分布㊂2.1.2三类光谱参数与氮营养指数的相关性相关性分析(图1)表明,各生育时期 三边 参数中,拔节期 三边 参数与N N I相关性最好(图1a),红边内最大一阶导数值㊁红边面积㊁红谷反射率最小值㊁红边面积和蓝边面积的比㊁红边面积和黄边面积的比㊁红边面积和蓝边面积归一化值㊁红边面积和黄边面积归一化值与N N I的相关系数分别为0.33㊁0.27㊁0.25㊁0.41㊁0.32㊁0.42和0.32,均达到极显著水平(P<0.01)㊂总体来看,红边位置计算的光谱参数与N N I的相关性较好,拔节期㊁开花期和灌浆期的红边内最大一阶导数值㊁红边面积与N N I均相关极显著㊂在拔节期,典型植被指数与N N I均极显著相关(图1b)㊂在开花期,V I o p t㊁MT V I2㊁S A V I与N N I的相关系数分别是0.30㊁0.29和0.29,均极显著相关㊂灌浆期的V O G1与N N I也通过了0. 01水平的显著性检验㊂抽穗期各参数与N N I的相关性均未通过0.01水平的显著性检验㊂各生育时期的任意两波段光谱指数与N N I 的相关性均通过0.01水平的显著性检验(图1c)㊂其中,拔节期的任意两波段光谱参数与N N I的相关性最佳,相关系数均大于其他时期,其中基于一阶导数光谱的N D S I和R S I与N N I 的相关系数最大,均为0.66㊂2.1.3基于逐步回归筛选敏感光谱参数从各个生育时期与N N I呈极显著相关的光谱参数中,利用逐步回归法剔除多重共线性的光谱参数,筛选出对模型敏感的解释变量(表2)㊂其中,拔节期敏感光谱为任意两波段光谱参数和 三边 参数,抽穗期㊁开花期和灌浆期的敏感光谱参数均为任意两波段光谱参数,植被指数三个时期均未入选㊂表1各生育期任意两波段光谱参数入选波段T a b l e1O p t i m a l b a n d s s e l e c t i o n i na n y t w o-b a n d s p e c t r a l i n d e x f o r e a c h g r o w t h s t a g e光谱变换S p e c t r a l t r a n s f o r m a t i o n光谱指数S p e c t r a l i n d e x入选波段组合S e l e c t e db a n d c o m b i n a t i o n拔节期J o i n t i n g s t a g e抽穗期H e a d i n g s t a g e开花期F l o w e r i n g s t a g e灌浆期F i l l i n g s t a g eS M N D S I763n m,749n m579n m,700n m955n m,959n m756n m,765n mD S I764n m,754n m1009n m,973n m955n m,959n m1316n m,366n mR S I763n m,749n m579n m,700n m955n m,959n m756n m,765n m F D N D S I422n m,689n m1202n m,1191n m972n m,652n m1066n m,620n mD S I422n m,536n m1014n m,1034n m759n m,956n m761n m,976n mR S I422n m,689n m1014n m,1034n m765n m,821n m500n m,572n m A B S N D S I689n m,688n m696n m,608n m959n m,955n m758n m,764n mD S I749n m,763n m700n m,579n m959n m,955n m756n m,765n mR S I689n m,688n m696n m,608n m959n m,955n m758n m,764n mC R ND S I352n m,734n m575n m,701n m954n m,959n m1009n m,751n mD S I636n m,696n m574n m,706n m954n m,959n m1009n m,751n mR S I353n m,731n m575n m,701n m954n m,959n m1009n m,751n m ㊃8741㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.图1光谱参数与氮营养指数的相关性F i g.1C o r r e l a t i o nb e t w e e n s p e c t r a l p a r a m e t e r s a n dn i t r o g e nn u t r i t i o n i n d e x(N N I).表2各生育期敏感光谱参数T a b l e2S e n s i t i v e s p e c t r a l p a r a m e t e r s a t e a c h g r o w t h s t a g e生育时期G r o w t h s t a g e敏感光谱参数S e n s i t i v e s p e c t r a l p a r a m e t e r 拔节期J o i n t i n g F D-R S I㊁(S r-S y)/(S r+S y)抽穗期H e a d i n g C R-D S I㊁S M-D S I开花期F l o w e r i n g F D-R S I㊁C R-D S I㊁F D-N D S I灌浆期F i l l i n g F D-N D S I㊁F D-D S I㊁F D-R S I2.2N N I模型的构建和验证结果基于各生育时期的敏感光谱参数,分别采用偏最小二乘回归(P L S R)㊁随机森林算法(R F R)㊁支持向量机回归(S V R)和梯度增强回归(G B D T)构建冬小麦N N I预测模型㊂从图2来看,拔节期㊁抽穗期㊁开花期和灌浆期基于G B D T构建模型的预测精度均高于其他三个模型,决定系数(r2)分别为0.96㊁0.92㊁0.90㊁0.95,均方根误差(R M S E)分别为0.05㊁0.05㊁0.05㊁0.03,同时基于G B D T验证模型的决定系数(r2)也高于其他三个模型,模型精度相对较高㊂比较四个生育时期,建模集中,拔节期四个模型的决定系数(r2)高于其他生育时期,其中G B-D T模型的建模精度最佳,r2和均方根误差(R M S E)分别为0.96和0.05;其次是R F R模型, r2和R M S E分别为0.89和0.05,其他模型的建模精度相对较低㊂所有模型中,拔节期G B D T模型的验证精度也最佳,r2和R M S E分别为0.95和0.12;其实测值与预测值斜率为0.87,散点空间分布接㊃9741㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.近1ʒ1线(图3)㊂从相对预测偏差(R P D ,实测值和预测值之间标准差和均方根误差之比)(图4)看,拔节期G B D T 模型的R P D 最高,为2.12;其次为S VM 模型,其R P D 为1.92㊂其余模型的R P D 均小于1.5㊂总体来看,各个生育时期G B -D T 模型精度相对较高,拔节期建立的N N I 模型精度优于其他时期,且拔节期基于G B D T 的N N I模型具有较好的预测能力㊂图2 基于P L S ㊁R F R ㊁S V R 和G B D T 的冬小麦N N I 的建模精度F i g .2 M o d e l i n g a c c u r a c y ofw i n t e rw h e a tN N Im o d e l s b a s e do nP L S ,R F R ,S V R ,a n dG B D Tm e t h o ds 图3 拔节期基于G B D T 的N N I 预测值与实测值相关性F i g .3 S c a t t e r p l o t b e t w e e n t h em e a s u r e da n d p r e d i c t e dN N I v a l u e s b a s e do nG B D Tm e t h o da t j o i n t i n g s t a ge ㊃0841㊃麦 类 作 物 学 报 第43卷Copyright ©博看网. All Rights Reserved.图4冬小麦N N I估算模型相对预测偏差对比F i g.4R P Dc o m p a r i s o no fw i n t e rw h e a tN N I e s t i m a t i o nm o d e l s3讨论快速精准实现作物氮素管理对于提高氮肥利用率㊁减少土壤和地下水污染至关重要[32-33]㊂N N I综合植株氮浓度和生物量在诊断氮素营养状况的不同作用,为快速实现作物氮素营养诊断和管理提供支持㊂本研究中,任意两波段筛选出的比值光谱指数位置为749和763n m,与王仁红等得到的冬小麦N N I引用比值指数位置相似[7],也表明了红边参数与农学组分之间的密切关系[34]㊂对原始冠层光谱进行一阶导数㊁吸光度和连续统去除变换,能够在一定程度降低噪声干扰,增强光谱特征[35]㊂本研究基于变换光谱的任意两波段光谱参数与N N I的相关性优于 三边 参数和植被指数,其中由拔节期一阶导数光谱组成的归一化㊁比值光谱指数与N N I相关性最高㊂本研究采用偏最小二乘回归㊁随机森林算法㊁支持向量机回归和梯度增强回归分别建立冬小麦的N N I模型,其中梯度增强回归模型和随机森林模型均未出现过度拟合现象㊂梯度增强回归显著提升了N N I的估算精度,这是因为梯度增强回归通过多个决策树构建更强大的模型,不断迭代,决策树深度小[29],预测速度快,参数设置比随机森林算法和支持向量机回归更敏感,模型精度更高㊂拔节期基于梯度增强回归构建的N N I预测模型决定系数达到0.95,精度优于王仁红等[7]基于线性内插法共边位置对冬小麦N N I的估测(决定系数为0.86,均方根误差为0.08)㊂不同于刘昌华等[13]的研究,本研究中拔节期基于梯度增强回归的N N I模型取得了最佳验证精度㊂如果在拔节期能够准确估测冬小麦N N I,这对于科学精准施肥,对于提高冬小麦产量和改善冬小麦品质有着重要的意义[36]㊂本研究为拔节期冬小麦氮素的评估提供了理论和方法,这一结果还有待更多的数据集进行验证㊂另外,计算N N I时,临界氮浓度采用了同为研究关中平原地区冬小麦氮素的李正鹏等[21]的临界氮浓度稀释曲线模型,该模型是基于小麦品种小偃22所建,因此未来需要针对不同品种建立更为广适的临界氮浓度模型,以进一步增强N N I高光谱监测的普适性㊂4结论本研究通过相关性分析法和逐步回归法,分别筛选出各生育时期与冬小麦N N I敏感的解释变量,利用偏最小二乘回归㊁随机森林算法㊁支持向量机回归和梯度增强回归分别建立冬小麦N N I模型㊂从拔节期到灌浆期,任意两波段光谱参数与N N I均极显著相关,相关性明显优于 三边 参数和植被指数,其中拔节期任意两波段光谱参数与N N I的相关性高于其他生育时期,且基于一阶导数光谱的归一化光谱指数和比值光谱指数与N N I的相关系数最大㊂在各生育时期中,基于梯度增强回归的N N I模型精度高于其他模型,其中拔节期该模型的精度最高,r2㊁R M S E和R P D 分别为0.95㊁0.12和2.12,说明其具有较好的预测能力㊂㊃1841㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.参考文献:[1]于丰华,邢思敏,郭忠辉,等.基于特征转移植被指数的水稻叶片氮素含量定量估算[J].农业工程学报,2022,38(2):8. Y U F H,X I N GS M,G U OZ H,e t a l.R e m o t e s e n s i n g i n v e r-s i o no ft h en i t r o g e nc o n t e n ti nr i c el e a v e su s i n g c h a r a c t e r t r a n s f e r v e g e t a t i o n i n d e x[J].T r a n s a c t i o n s o f t h eC h i n e s e S o-c i e t y o f A g r i c u l t u r a lE n g i n e e r i n g,2022,38(2):8.[2]郭燕,井宇航,贺佳,等.小麦冠层氮素含量光谱估算研究进展[J].麦类作物学报,2021,41(11):7.G U O Y,J I N GY H,H EJ,e t a l.R e s e a r c h p r o g r e s s o f n i t r o g e n c o n t e n t e s t i m a t i o ni n w i n t e r w h e a tc a n o p y b a s e do no p t i c a l s p e c t r u m[J].J o u r n a l o f T r i t i c e a eC r o p s,2021,41(11):7.[3]杨福芹,冯海宽,肖天豪,等.融合无人机影像光谱与纹理特征的冬小麦氮营养指数估算[J].农业现代化研究,2020,41(4): 9.Y A N GFQ,F E N G H K,X I A OT H,e t a l.N i t r o g e nn u t r i t i o n i n d e xe s t i m a t i o ni n w i n t e rw h e a tb y U A Vs p e c t r a l i n f o r m a-t i o na n d t e x t u r e f e a t u r e f u s i o n[J].R e s e a r c ho f A g r i c u l t u r a l M o d e r n i z a t i o n,2020,41(4):9.[4]史培华,王远,袁政奇,等.基于冠层R G B图像的冬小麦氮素营养指标监测[J].南京农业大学学报,2020,43(5):9.S H I P H,WA N G Y,Y U A N Z Q,e ta l.E s t i m a t i o no fw h e a t n i t r o g e nn u t r i t i o ni n d i c e si n w i n t e r w h e a tb a s e do nc a n o p y R G B i m a g e s[J].J o u r n a l o f N a n j i n g A g r i c u l t u r a lU n i v e r s i-t y,2020,43(5):9.[5]徐浩聪,姚波,王权,等.基于叶片反射光谱估测水稻氮营养指数[J].中国农业科学,2021,54(21):15.X U H C,Y A O B,WA N G Q,e t a l.D e t e r m i n a t i o no f s u i t a b l e b a n dw i d t h f o re s t i m a t i n g r i c en i t r o g e nn u t r i t i o n i n d e xb a s e d o n l e a f r e f l e c t a n c es p e c t r a[J].S c i e n t i aA g r i c u l t u r aS i n i c a, 2021,54(21):15.[6]F A N K,L IF L,C H E N X K,e ta l.N i t r o g e nb a l a n c e i n d e x p r e d i c t i o no fw i n t e rw h e a tb y c a n o p y h y p e r s p e c t r a l t r a n s f o r-m a t i o na n d m a c h i n e l e a r n i n g[J].R e m o t eS e n s i n g,2022,14 (14):3504.[7]王仁红,宋晓宇,李振海,等.基于高光谱的冬小麦氮素营养指数估测[J].农业工程学报,2014,30(19):191.WA N G R H,S O N G X Y,L I Z H,e t a l.E s t i m a t i o no fw i n t e r w h e a tn i t r o g e n n u t r i t i o ni n d e x u s i n g h y p e r s p e c t r a lr e m o t e s e n s i n g[J].T r a n s a c t i o n s o f t h eC h i n e s eS o c i e t y o f A g r i c u l-t u r a lE n g i n e e r i n g,2014,30(19):191.[8]陈志超,蒋贵印,张正,等.基于无人机高光谱遥感的春玉米氮营养指数反演[J].河南理工大学学报(自然科学版),2022, 41(3):81.C H E NZC,J I A N G G Y,Z H A N GZ,e t a l.I n v e r s i o no f n u t r i-t i o n i n d e x o f s p r i n g m a i z e b a s e d o nh y p e r s p e c t r a l r e m o t e s e n s-i n g o nU A V[J].J o u r n a lo f H e n a n P o l y t e c h n i cU n i v e r s i t y (N a t u r a l S c i e n c e),2022,41(3):81.[9]Z H A O B,D U A N A W,A T A-U l-K A R I M ST,e ta l.E x p l o-r i n g n e ws p e c t r a l b a n d s a n dv e g e t a t i o n i n d i c e s f o r e s t i m a t i n g n i t r o g e nn u t r i t i o ni n d e x o fs u mm e r m a i z e[J].E u r o p e a n J o u r n a l o f A g r o n o m y,2018,93:113.[10]S O U Z AR,P E A F L E I T A SM T,T H OM P S I NRB,e t a l.A s-s e s s i n gp e r f o r m a n c eo fv e g e t a t i o n i n d i c e s t oe s t i m a t en i t r o-g e nn u t r i t i o n i n d e x i n p e p p e r[J].R e m o t eS e n s i n g,2020,12(5):763.[11]Y UZ,WA N GJW,L I Z H,e t a l.A ne n t i r e l y n e wa p p r o a c hb a s e do n r e m o t e-s e n s i n g d a t a t oc a l c u l a t e t h e n i t r o g e nn u t r i-t i o n i nde x o fw i n t e rw h e a t[J].J o u r n a l of I n t eg r a t i v eA g r i-c u l t u r e,2020,19:2.[12]王玉娜,李粉玲,王伟东,等.基于无人机高光谱的冬小麦氮素营养监测[J].农业工程学报,2020,36(22):31.WA N G Y N,L IFL,WA N G W D,e t a l.M o n i t o r i n g o fw i n-t e rw h e a tn i t r o g e n n u t r i t i o n b a s e do n U A V h y p e r s p e c t r a l i m a g e s[J].T r a n s a c t i o n s o f t h eC h i n e s e S o c i e t y o f A g r i c u l-t u r a lE n g i n e e r i n g,2020,36(22):31.[13]刘昌华,王哲,陈志超,等.基于无人机遥感影像的冬小麦氮素监测[J].农业机械学报,2018(6):207.L I U C H,WA N GZ,C H E NZC,e t a l.N i t r o g e n m o n i t o r i n g o fw i n t e r w h e a tb a s e do nu n m a n n e da e r i a lv e h i c l er e m o t e s e n s i n g i m a g e[J].T r a n s a c t i o n so f t h eC h i n e s eS o c i e t yf o rA g r i c u l t u r a lM a c h i n e r y,2018(6):207.[14]Z HA H N,M I A O Y X,WA N G T T,e ta l.I m p r o v i n g u n-m a n n e da e r i a l v e h i c l e r e m o t e s e n s i n g-b a s e d r i c e n i t r o g e nn u-t r i t i o n i n d e x p r e d i c t i o n w i t h m a c h i n el e a r n i n g[J].R e m o t e S e n s i n g,2020,12(2):215.[15]赵燕东,皮婷婷.北京地区粘壤土全氮含量的光谱预测模型[J].农业机械学报,2016,47(3):143.Z HA O Y D,P IT T.S p e c t r a l p r e d i c t i o n m o d e lo f s o i l t o t a l n i t r o g e nc o n t e n to fc l a y l o a m s o i l i nB e i j i n g[J].T r a n s a c-t i o n so f t h eC h i n e s eS o c i e t yf o r A g r i c u l t u r a l M a c h i n e r y, 2016,47(3):143-149.[16]李粉玲,常庆瑞.基于连续统去除法的冬小麦叶片全氮含量估算[J].农业机械学报,2017,48(7):175.L IFL,C HA N G QR.E s t i m a t i o no fw i n t e rw h e a t l e a f n i t r o-g e n c o n t e n t b a s e d o n c o n t i n u u mr e m o v e d s p e c t r a[J].T r a n s-a c t i o n s o f t h eC h i n e s eS o c i e t yf o rA g r i c u l t u r a lM a c h i n e r y, 2017,48(7):175.[17]L IFL,WA N GL,L I UJ,e t a l.E v a l u a t i o no f l e a fNc o n c e n-t r a t i o n i nw i n t e rw h e a tb a s e do nd i s c r e t ew a v e l e t t r a n s f o r ma n a l y s i s[J].R e m o t eS e n s i n g,2019,11(11):1331.[18]陈晓凯,李粉玲,王玉娜,等.无人机高光谱遥感估算冬小麦叶面积指数[J].农业工程学报,2020,36(22):40.C H E N X K,L I FL,WA N GY N,e t a l.E s t i m a t i o n o fw i n t e r w h e a t l e a fa r e a i n d e xb a s e do n U A V h y p e r s p e c t r a l r e m o t e s e n s i n g[J].T r a n s a c t i o n s o f t h e C h i n e s e S o c i e t y o f A g r i c u l-t u r a lE n g i n e e r i n g,2020,36(22):40.[19]李粉玲,王力,刘京,等.基于高分一号卫星数据的冬小麦叶片S P A D值遥感估算[J].农业机械学报,2015,46(9):273. L IFL,WA N GL,L I UJ,e t a l.R e m o t e s e n s i n g e s t i m a t i o n o f S P A Dv a l u e f o rw h e a t l e a f b a s e d o nG F-1d a t a[J].T r a n s a c-t i o n so f t h eC h i n e s eS o c i e t yf o r A g r i c u l t u r a l M a c h i n e r y, 2015,46(9):273.[20]L E MA I R E G,J R Y F F R O Y M,G A S T A L F.D i a g n o s i st o o l㊃2841㊃麦类作物学报第43卷Copyright©博看网. All Rights Reserved.f o r p l a n t a n d c r o p Ns t a t u s i n v eg e t a t i v e s t a g e[J].E u r o p e a n J o u r n a l o f A g r o n o m y,2008,28(4):614.[21]李正鹏,冯浩,宋明丹.关中平原冬小麦临界氮稀释曲线和氮营养指数研究[J].农业机械学报,2015,46(10):178.L IZ P,F E N G H,S O N G M D.C r i t i c a ln i t r o g e n d i l u t i o n c u r v e a n d n i t r o g e n n u t r i t i o n i n d e x o f w i n t e r w h e a t i n G u a n z h o n g P l a i n[J].T r a n s a c t i o n so f t h eC h i n e s eS o c i e t yf o rAg r i c u l t u r a lM a chi n e r y,2015,46(10):178.[22]王玉娜.冬小麦氮营养指数高光谱估算[D].杨凌:西北农林科技大学,2021.WA N G YN.E s t i m a t i o n o f n i t r o g e n n u t r i t i o n i n d e x o fw i n t e r w h e a t b y h y p e r s p e c t r a lr e m o t e s e n s i n g[D].Y a n g l i n g: N o r t h w e s tA&FU n i v e r s i t y,2021.[23]王圆圆,李贵才,张立军,等.利用偏最小二乘回归从冬小麦冠层光谱提取叶片含水量[J].光谱学与光谱分析,2010,30 (4):1070.WA N G Y Y,L IG C,Z HA N G LJ,e ta l.R e t r i e v a lo f l e a f w a t e r c o n t e n t o fw i n t e rw h e a t f r o mc a n o p y h y p e r s p e c t r a l d a-t au s i n g p a r t i a ll e a s ts q u a r er e g r e s s i o n[J].S p e c t r o s c o p ya n dS p e c t r a lA n a l y s i s,2010,30(4):1070.[24]付元元,王纪华,杨贵军,等.应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J].光谱学与光谱分析, 2013,33(5):1316.F U Y Y,WA N GJH,Y A NG GJ,e t a l.B a n dd e p t h a n a l y s i s a n d p a r t i a lw h e a tb i o m a s se s t i m a t i o nu s i n g l e a s t s q u a r er e-g r e s s i o n b a s e d w i n t e r h y p e r s p e c t r a l m e a s u r e m e n t s[J]. S p e c t r o s c o p y a n dS p e c t r a lA n a l y s i s,2013,33(5):1316.[25]G R I MM R,B E H R E N S T,MA R K E R M,e ta l.S o i l o r g a n i cc a r b o nc o n c e n t r a t i o n sa n ds t o c k so nB a r r oC o l o r ad oI s l a n d-D i g i t a l s o i lm a p p i n g u s i n g r a n d o mf o re s t s a n a l y s i s[J].G e o-d e r m a,2008,146(1):102.[26]岳继博,杨贵军,冯海宽.基于随机森林算法的冬小麦生物量遥感估算模型对比[J].农业工程学报,2016,32(18):175. Y U EJB,Y A N G GJ,F E N G H K.C o m p a r a t i v eo f r e m o t e s e n s i n g e s t i m a t i o nm o d e l s o fw i n t e rw h e a t b i o m a s s b a s e do n r a n d o mf o r e s ta l g o r i t h m[J].T r a n s a c t i o n so f t h eC h i n e s e S o c i e t y o f A g r i c u l t u r a lE n g i n e e r i n g,2016,32(18):175.[27]杜军,古军伟,邱士可,等.基于支持向量回归的土壤全氮含量高光谱估测研究[J].河南科学,2020,38(10):6.D UJ,G UJ W,Q I U SK,e ta l.P r e d i c t i o no f t o t a l n i t r o g e n b y u s i n g h y p e r s p e c t r a l d a t ab a s e do ns u p p o r tv e c t o r r e g r e s-s i o n[J],H e n a nS c i e n c e,2020,38(10):6.[28]B A S A K D,S R I MA N T A P,P A T R A N B I SDC.S u p p o r t v e c-t o r r e g r e s s i o n[J].N e u r a l i n f o r m a t i o n p r o c e s s i n g l e t t e r s& r e v i e w s,2007,11:203.[29]F R I E D MA NJH.G r e e d y f u n c t i o n a p p r o x i m a t i o n:A g r a d i e n tb o o s t i n g m ac h i n e[J].A n n a l so f S t a t i s t i c s,2001,29(5): 1189.[30]S C H O N L A U M.B o o s t e d r e g r e s s i o n(b o o s t i n g):A n i n t r o d u c-t o r y t u t o r i a l a n daS t a t a p l u g i n[J].S t a t aJ o u r n a l,2005,5 (3):330.[31]C H A N G C W,L A I R D D A.N e a r-i n f r a r e dr e f l e c t a n c es p e c-t r o s c o p i c a n a l y s i s o f s o i l C a n dN[J].S o i l S c i e n c e,2002,167 (2):110.[32]赵灿,刘光明,戴其根,等.氮肥对水稻产量,品质和氮利用效率的影响研究进展[J].中国稻米,2022,28(1):6.Z HA OC,L I UG M,D A IQG,e t a l.E f f e c t s o f v e r m i c o m p o s t o n c a d m i u ma c c u m u l a t i o n i n r i c e u n d e r d i f f e r e n tw a t e rm a n-a g e m e n t c o n d i t i o n s[J].C h i n aR i c e,2022,28(1):6.[33]刘晓霞,潘贤,张欢.施肥方式及化肥用量对水稻产量和氮肥利用效率的影响[J].中国农学通报,2020,36(34):4.L I U X X,P A N X,Z H A N G H.I m p a c t o f f e r t i l i z a t i o n m e t h-o d s a n d f e r t i l i z e r u s a g e o n r i c e y i e l d a n d n i t r o g e n u s e e f f i c i e n-c y[J].C h i n e s eA g r i c u l t u r a l S c i e n c eB u l l e t i n,2020,36(34):4.[34]高兴,李斐,杨海波,等.基于红边位置的马铃薯植株氮浓度估测方法研究[J].植物营养与肥料学报,2019,25(2):296.G A O X,L IF,Y A N G H B,e ta l.A p p r o p r i a t ec a l c u l a t i o n m e t h o d f o r t h e u s e o f r e d e d g e p o s i t i o n t o e s t i m a t e p o t a t o n i-t r o g e nc o n c e n t r a t i o n[J].J o u r n a lo f P l a n t N u t r i t i o na n dF e r t i l i z e r s,2019,25(2):296.[35]冯子恒,李晓,段剑钊,等.基于特征波段选择和机器学习的小麦白粉病高光谱遥感监测[J].作物学报,2022,48(9):12-13.F E N GZ H,L IX,D U A NJZ,e ta l.H y p e r s p e c t r a l r e m o t e s e n s i n g m o n i t o r i n g o fw h e a t p o w d e r y m i l d e wb a s e do nf e a-t u r eb a n ds e l e c t i o na n d m a c h i n el e a r n i n g[J].A c t a A g r o-n o m i c aS i n i c a,2022,48(9):12-13.[36]吴秀萍.氮肥运筹对豫北冬小麦产量㊁品质及氮素利用率的影响[J].辽宁农业科学,2021(1):4.WU XP.E f f e c t s o f n i t r o g e nm a n a g e m e n t o n t h e y i e l d,q u a l i-t y a n d n i t r o g e n u t i l i z a t i o n e f f i c i e n c y o f w i n t e r w h e a ti n n o r t h e r nh e n a n[J].L i a o n i n g A g r i c u l t u r a lS c i e n c e s,2021 (1):4.㊃3841㊃第11期王玉娜等:基于高光谱特征参数的冬小麦氮营养指数估算Copyright©博看网. All Rights Reserved.。

基于光谱指数的冬小麦冠层叶绿素含量估算模型研究罗丹;常庆瑞;齐雁冰;李媛媛;李松【期刊名称】《麦类作物学报》【年(卷),期】2016(36)9【摘要】为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合，同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果，通过分析350-2500nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系，建立冬小麦冠层叶绿素含量估算模型。

结果表明，选用归一化光谱指数（NDSI）、比值光谱指数（RSI）、差值光谱指数（DSI）和土壤调节光谱指数（SASI）建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0．71，标准误差均小于1．842。

利用独立试验资料进行检验，表现最好的是RSI（FD689，FD609）和SASI（R491，R666）L=0.01，预测精度高达98．2％，模型精确度和可靠性较高。

【总页数】9页(P1225-1233)【关键词】冬小麦;叶绿素;光谱指数;估算模型【作者】罗丹;常庆瑞;齐雁冰;李媛媛;李松【作者单位】西北农林科技大学资源环境学院【正文语种】中文【中图分类】S512.1;S313【相关文献】1.基于光谱变换的冬小麦冠层SPAD值估算模型研究 [J], 林少喆;彭致功;张宝忠;魏征;张倩;韩娜娜;刘露;王春堂;冯哲2.基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究 [J], 魏青;张宝忠;魏征;韩信;段晨斐3.植被指数方法估算冬小麦冠层叶绿素含量的角度效应研究 [J], 何宇航;周贤锋;张竞成;张垚;陈冬梅;吴开华;黄文江;孔维平;徐俊锋4.基于优化光谱指数的新疆春小麦冠层叶绿素含量估算 [J], 亚森江.喀哈尔;尼加提.卡斯木;尼格拉.塔什甫拉提;张飞;茹克亚.萨吾提;阿不都艾尼.阿不里;师庆东;苏比努尔.居来提5.基于PROSAIL模型的玉米冠层叶面积指数及叶片叶绿素含量反演方法研究 [J], 张明政;苏伟;朱德海因版权原因，仅展示原文概要，查看原文内容请购买。

基于光谱变换的低温胁迫下冬小麦叶绿素含量估测研究张雪茹;冯美臣;杨武德;王超;郭小丽;史超超【期刊名称】《中国生态农业学报》【年(卷),期】2017(25)9【摘要】Chlorophyll content is a vital index of photosynthetic capacity and crop growth status. In recent years, freeze injury had become a main meteorological disaster at jointing stage of winter wheat in the northern region of China. Although global climate had been warming since the 1980s, freeze injury had not weakened. Climate warming had led to a decline in the pro- portion of wheat varieties planted in winter and to a rise in the proportion of the varieties planted in spring. With increasing warm autumn years, the issue of wheat overgrowth has worsened, decreasing the ability of wheat to resist cold. Climate change has not been stable and extreme weather events have increased, implying that there was still the risk of freeze injury of wheat. Shanxi Province suffered freeze injury and the maximum area affected by freeze injury has been estimated at 0.26 million hectares. This had a severe impact on the growth and development of wheat, and ultimately affected the yield of wheat. The rapid and accurate estimation of chlorophyll content of winter wheat is meaningful in resisting the occurrence of freeze injury. However, the routine methods of measuring chlorophyll content are complex and time-consuming. Therefore, developing a rapid and non-destructive chlorophyllcontent diagnosis technology can be an effective way to monitor winter wheat freeze injury. Here, two varieties of winter wheat were treated under -6℃ temperature s tress for 4, 8 and 12 hours at jointing stage. Moreover, canopy spectra were collected and the raw spectrum transformed with respect to 15 transformation methods and then the spectral transformation processes of chlorophyll content of winter wheat were analyzed in the PLSR model. The aim was to select the optimal spectral transformation of chlorophyll content in winter wheat under low temperature stress, and provide theoretical basis for monitoring freeze injury of winter wheat. The results showed that the chlorophyll content of two winter wheat varieties declined with increasing time of low-temperature stress. With increasing number of days after freeze, the differences between low temperature and control treatments decreased gradually. Moreover, the near-infrared region re-flectance increased greatly with strengthening low-temperature stress and the visible region had no significant difference in short-term stress after 5 days. While the yellow and red bands increased, the near-infrared region decreased in differences after 10, 20 and 35 days of stress. Compared with the raw spectrum, the transformation methods under differential treatments (e.g., reciprocal, logarithm, power, and square root transformation methods) failed to improve the relevance of chlorophyll content and therefore the overall performance of model was poor. Other differential transformation processes of chlorophyll content diagnosis models had higher precision than raw spectral analysis, except for T6[(lgR)′,R is the spectral reflectance].Moreover, the second-order differential for raw spectrum (T15,R′′) had a higher accuracy (RC2 = 0.930, RMSEC = 0.340;RV2 = 0.753) respectively for the calibrated and validated models after comprehensive evaluation of predicted performance and complexity level of different models. It showed that the second-order differential for raw spectrum (T15, R′′) was the most plausible trans-formation method of spectral reflectance for evaluating chlorophyll content of winter wheat under low temperature stress.%近年来,冻害已成为影响我国冬麦区的农业气象灾害之一,及时、快速、准确地获取冬小麦叶绿素含量对于监测冬小麦冻害发生具有极其重要的意义.本研究通过低温胁迫试验,在拔节期对两个冬麦品种进行-6℃,4 h、8 h和12 h的胁迫处理后,测定其冠层光谱反射率,并对原始光谱数据进行15种典型变换处理,分析比较不同光谱变换下冬小麦叶绿素含量的PLSR模型,筛选出能够表征低温胁迫下冬小麦叶绿素含量的最佳光谱变换方式.结果表明,随低温胁迫时间的延长,两个冬小麦品种叶绿素含量呈降低趋势,随着低温胁迫后天数的增加,各处理与对照的差异逐渐减小.胁迫后5 d,近红外区域反射率有较大升高,并随低温胁迫后时间的延长而升高;在可见光区域,短期内差异不明显.胁迫后10 d、20 d、35 d,黄、红波段逐渐趋于水平,同时近红外区域反射率差异逐渐缩小,可见光区域光谱反射率出现不同程度的上升.对原始光谱数据进行15种典型变换处理,发现原始光谱的倒数、对数、幂、平方根等变换难以提高与叶绿素含量的相关性,且建模效果较差.除原始光谱对数的一阶微分(T6)外,其他微分变换处理的叶绿素含量诊断模型都优于原始光谱.综合考虑模型的校正、验证效果、模型最佳因子数以及相对分析误差的大小,二阶微分变换处理(T15)叶绿素含量校正模型的R2和RMSE分别为0.930、0.340,验证模型的R2为0.753,表明基于T15的光谱变换数据可实现低温胁迫下叶绿素含量的准确估算,为最佳光谱变换方式.【总页数】9页(P1351-1359)【作者】张雪茹;冯美臣;杨武德;王超;郭小丽;史超超【作者单位】山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801;山西农业大学旱作农业工程研究所太谷 030801【正文语种】中文【中图分类】S512.1+1【相关文献】1.冬小麦冠层水平叶绿素含量的高光谱估测 [J], 王晓星;常庆瑞;刘梦云;刘秀英;尚艳2.基于成像高光谱的苹果叶片叶绿素含量估测模型研究 [J], 牛鲁燕;郑纪业;张晓艳;孙家波;王风云;孔庆福3.低温胁迫下冬小麦叶绿素含量高光谱估测 [J], 张雪茹;冯美臣;李广信;杨武德;王超;郭小丽;史超超4.基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究 [J], 魏青;张宝忠;魏征;韩信;段晨斐5.低温胁迫下冬小麦叶片叶绿素含量的高光谱估算 [J], 李玮祎;孙明馨;曾风玲;王凤文因版权原因，仅展示原文概要，查看原文内容请购买。

基于LS-SVM和高光谱技术的玉米叶片叶绿素含量检测彭彦昆;黄慧;王伟;吴建虎;王秀【摘要】为实现玉米叶片叶绿素含量的快速无损测定,采集不同氮素水平的玉米叶片,制备校正集样本60个,验证集样本16个,获取400～1 100 nm波段范围的高光谱数据和相应叶绿素含量.采用变量标准化、13点平滑、一阶导数3种预处理方法结合,根据相关系数图谱选择470～760 nm波段作为光谱数据分析对象;利用最小二乘支持向量机建立玉米叶片叶绿素含量与高光谱数据的定量分析模型,基于交叉验证的网格搜索寻找LS-SVM的最优参数,建立LS-SVM模型;所建立的校正模型相关系数为0.96,验证相关系数为0.93.研究结果为高光谱技术在精准减量施肥遥感检测中的应用提供了技术基础.%For the rapid and non-destructive detection of chlorophyll content in corn leaves, representative corn leaves with different N levels were collected. 60 calibration samples and 16 validation samples were prepared. Hyperspectral images in the range of 400 ～ 1 100 nm were collected and relevant chlorophyll content was measured according to the National Standard. Standard normalized variation, 13 points smoothing, and first derivative were applied as pretreatment method. According to the correlation coefficient, the wave band of 470 ～ 760 nm was selected as analysis object. Least squares-support vector machines were used to establish the model between the corn leaves' chlorophyll content and the hyperspectral data. The optimal parameters of LS - SVM were obtained by application of grid-search based on crossvalidation. The results of LS -SVM model indicate technical support for hyperspectral application in remotesensing, with correlation coefficient of 0. 96 and calibration coefficient of 0. 93, respectively.【期刊名称】《江苏大学学报（自然科学版）》【年(卷),期】2011(032)002【总页数】5页(P125-128,174)【关键词】玉米叶片;叶绿素含量;高光谱成像;最小二乘支持向量机;检测【作者】彭彦昆;黄慧;王伟;吴建虎;王秀【作者单位】中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083;中国农业大学,工学院,北京,100083【正文语种】中文【中图分类】S513;S123玉米是高产作物，需肥量较大，根据玉米生长、种植情况实施精准施肥不但能节约资源，提高化肥资源利用率，还可提高玉米产量.叶绿素含量是植物营养状况、光合能力、发育阶段等的重要指标［1］.实现精准施肥的前提是快速检测玉米叶片叶绿素含量.传统的分光光度计分析方法过程繁琐，且不便于进行快速实时检测，并且试验过程使用有毒性的化学制品，需要专业技术人员操作.日本研发生产的手持式SPAD计能测定叶片叶绿素含量，但该仪器测量时需要接触叶片、反复测量，工作量大［2］.因此，如何安全、快速、无损又可靠地测定叶片叶绿素含量成为实现玉米精准施肥的研究重点.近年来，高光谱分析技术作为一种快速、非接触式的无损检测技术受到重视.由于高光谱分析过程中无需样本制备，无需使用化学制品，因此大大加快了光谱采集和信息分析的速度及分析过程的安全性.随着高光谱技术的不断发展，高光谱分析已经应用于水果和蔬菜的品质分级［3－5］、肉品品质质量检测［6］、鲜生物量［7］、监测小麦病变［8］、鸡肉表面污染检测［9］等方面.高光谱分析技术已经在遥感中应用于作物营养状况无损检测，遥感高光谱分析对象为植被，需要专业的航空设备支持，不适用于小型农户.因此本研究采用近地高光谱技术对玉米叶片进行研究，不仅能为玉米高光谱遥感监测提供理论支持，而且能大大降低实际应用中高光谱检测成本，扩大高光谱检测的适用范围.文中以不同氮素水平的玉米叶片样本为研究对象，在光屏蔽箱内采集高光谱面图像，然后用分光光度计法测得玉米叶片叶绿素含量作为建模基准值.对面图像取感兴趣区域后获得样本的平均光谱曲线，对光谱曲线作平滑、一阶导数等预处理，采用最小二乘支持向量机(least squares-support vector machine，简称LS－SVM)回归算法建立校正模型，并进行验证.1 材料与方法1.1 试验材料试验所用玉米在北京市昌平区小汤山精准农业示范区试验场中种植，玉米品种为京科21，种植时间为2009年5月份.试验设无氮(0)、适量氮(100 kg·hm－2)、过量氮(200 kg·h m－2)3个施氮水平，分别于玉米壮苗期、拔节期、抽雄期3个不同生长时期的早上10点左右选取长势和大小近似的玉米植株获取玉米叶片样本.样本即刻被带回中国农业大学工学院无损检测实验室进行数据采集.试验利用高光谱成像系统采集玉米叶片样本的高光谱反射图像.该高光谱分析仪器由CCD相机(Sensicam qe，The Cooke Corporation，USA)、高光谱仪(Imspector V10E，Specim，Oulu，Finland)、电控平移台、运动控制器等组成，采用普通卤钨灯作光源.该仪器的光谱仪可以采集400～1 100 nm范围内的反射光谱，光谱分辨率为2.8 nm.电动平移台重复定位精度为5 μm，绝对定位精度为8 μm.为避免外界光干扰，将整个系统置于光屏蔽箱内.相机控制软件为仪器自带的SenciCam软件(The Cooke Corporation，USA).采集图像前样本无需任何前处理.叶片叶绿素含量使用上海光谱仪器有限公司生产的SP－2102分光光度计测定.1.2 试验方法首先采集高光谱数据.在进行样本图像采集前先采集标准白板图像作为白背景光谱图像，将镜头盖盖上所采集的图像作为黑背景光谱图像.叶片样本无需任何预处理，在光屏蔽箱内直接采集高光谱图像.样本采集面积为100 mm×50 mm.采集高光谱数据后立即用分光光度计法测定玉米叶片叶绿素含量.每个样本取3次测量平均值作为该样本的叶绿素含量精确值.1.3 分析方法(1)首先用黑背景光谱图像、白背景光谱图像按公式(1)进行相对反射光谱计算，然后将扫描获得的高光谱线图像(BMP图像文件)利用自编的图像转换程序转化为立方体文件格式.该图像转换程序用Microsoft VC++6.0编写.包括图像参数在内的图像数据均以8位二进制格式文件存放.式中R为相对反射密度;Rs为试样原始图像反射密度;Rr为标准参考白板反射密度;Rd为黑色图像.(2)用ENVI4.3作为高光谱图像处理软件.ENVI使用交互式功能将基于波段和基于文件的技术相结合.当打开一个数据输入文件时，它的波段被保存在一个列表中，可以在其他系统功能内使用.如果打开了多个文件，不同数据类型的波段可以被当做一组数据来处理.本研究为减小误差，在ENVI中选择样本图像多个有效区域计算各单波长下平均反射光密度组成平均反射光谱曲线，即分析模型输入参量.(3)应用MATLAB7.0软件进行数据分析.为消除样本叶绿素含量在数量级和量纲上的不同，提高边缘数据有效性，对样本平均反射光谱曲线使用变量标准化预处理(standard normalized variate，简称SNV)，结合13点平滑预处理和一阶导数数学处理方法.根据预处理后的光谱数据选择合适波段的光谱反射数据作LS－SVM 分析.支持向量机 (support vector machine，简称SVM)是一种新的机器学习方法，通过核函数将低维非线性问题映射成高维的线性问题，计算复杂性和质量不直接依赖于输入数据的维数，因此SVM可同时兼顾训练精度和泛化能力两方面性能［10］，能解决过拟合、高维数等实际问题，已经在信号处理、模式识别等方面得到了广泛应用［11］.LS－SVM 是Suykens提出的一种改进的SVM，采用偏最小二乘线性系统作为损失函数，以求解一组线性方程代替经典SVM中复杂的二次优化问题，因此LS－SVM运算速度明显快于SVM［12］.采用LS－SVM分析时，必须选择合适的核函数.本研究采用RBF核函数:式中x为输入向量;y为x对应的目标值;σ2为RBF核函数参数.由于建立的LS－SVM模型受核函数参数的影响比较大，因此确定核函数后需要对核函数的参数进行优化.以RBF作为核函数的LS－SVM模型主要有两个参数:超参数γ和RBF核函数参数σ2.γ和σ2的范围分别为10－1～104和10－4～108.本研究采用基于交叉验证的网格搜索选择γ和σ2的最优组合，即在γ和σ2组成的空间内，遍历空间中的各个点的参数组合的空间点寻求最优组合.将寻优得到的γ、σ2输入LS－SVM模型，即得到玉米叶片叶绿素含量和高光谱反射特性的校正模型.(4)模型的性能通过校正均方根误差(RMSEC)、预测均方根误差(RMSEP)和校正相关系数(Rc)、预测相关系数(Rv)评判.RMSEC，RMSEP越小，Rc，Rv越高，该模型就越好.2 结果与分析2.1 样品的反射光谱图1为高光谱分析仪器获得的2个并列的叶片样本分别在645，775，1 080 nm 下的玉米叶片面图像.玉米叶片对不同波长光的吸收程度不一样，所以反射光密度不一样，由此形成的图像即有明显差别.图1 645，775和1 080 nm处的玉米叶片反射率面图像Fig.1 Reflectance BSQ images of corn leaves at 645，775 and 1 080 nm图2为ENVI提取的玉米叶片反射光谱曲线.所有玉米叶片样品在全波长范围内的光谱曲线具有相似性，与典型的植物光谱曲线变化规律一致.在450～550 nm和650～730 nm之间存在两个吸收峰，光被叶片中的叶绿素吸收，反射率较低，一般低于10%.在580 nm处叶子的吸收减少，形成一个反射率约为20%的反射峰.在750 nm左右，反射率上升剧烈，形成一个反射率约为50%的高反射平台.这些信息为建立玉米叶片叶绿素含量的定量数据模型提供依据.图2 玉米叶片样本的平均光谱Fig.2 Average hyper-spectra of corn leaves 2.2 校正模型的建立从采集到的77个样品中选择61个样品用于建立校正模型.由于仪器在测量范围的两端有比较大的噪声，结合光谱数据与叶绿素含量值相关关系，选用470～760 nm波段的光谱反射数据作数据分析，所选用波段避开高光谱仪两侧噪声影响，能将叶绿素的敏感波长包含在所选波段内，最大可能地选用光谱前端波段玉米绿色叶片的有价值信息.对所有的光谱进行SNV、13点平滑、一阶导数数学处理，利用偏最小二乘回归(partial least-squares regression，简称PLSR)根据样本残差剔除异常样品.剔除异常样本后剩余76个样品，以校正集样本数与预测集样本数比为3∶1的原则随机分配校正集和预测集，即60个校正样本，16个预测样本.用校正集样本进行LS－SVM分析.采用基于交互验证的网格搜索确定LS－SVM的超参数γ和RBF核函数参数σ2的最优组合为γ=163.85，σ2=2 267.51.2.3 LS－SVM与其他分析方法的比较PLSR广泛应用于光谱数据分析与处理，将LS－SVM分析结果与PLSR、BP神经网络作非线性建模比较，预测结果见表1.表1 基于不同模型的预测结果Tab.1 Prediction results for different models分析方法 Rc RMSEC Rv RMSEP LS－SVM 0.96 0.12 0.93 0.16 PLSR 0.91 0.21 0.86 0.24 BP 0.87 0.22 0.84 0.24从表1数据可以发现LS－SVM的预测结果明显优于其他两种分析方法.应用LS－SVM建模得到的结果为Rc=0.96，Rv=0.93，RMSEC=0.12，RMSEP=0.16，相关系数均较高，差值很小，均方根误差均较小，校正和预测均方根误差很接近.说明对玉米叶片叶绿素含量的预测过程中，LS－SVM要优于传统的线性和非线性建模方法.校正组玉米叶片叶绿素含量测定值与高光谱预测值的相关关系见图3，预测组见图4.将LS－SVM应用于玉米叶片叶绿素含量的高光谱分析能够充分利用获得的光谱信息提高拟合精度，减小模型误差.3 结论为了提高模型的拟合程度，采用基于RBF核函数的LS－SVM建立玉米叶片叶绿素含量的定量分析模型.模型校正相关系数为0.96，校正均方根误差为0.12;预测相关系数为0.93，预测均方根误差为0.16.LS－SVM预测结果精确，并且优于PLSR 和BP神经网络，这说明采用LS－SVM和文中波段建模能够对玉米叶片的叶绿素含量进行准确的测量，选取合适波段建模可以在保证精度的情况下减少运算量，提高建模速度.结果表明，基于LS－SVM的高光谱检测方法是一种有效的玉米叶片叶绿素含量检测方法.参考文献(References)【相关文献】［1］袁金国，牛铮.基于Hyperion高光谱图像的氮和叶绿素制图［J］.农业工程学报，2007，23(4):172－178.Yuan Jinguo，Niu Zheng.Nitrogen and chlorophyll mapping based on Hyperion hyperspectral image［J］.Transactions of CSAE，2007，23(4):172－178.(in Chinese)［2］张金恒，王珂，王人潮.叶绿素计SPAD－502在水稻氮素营养诊断中的应用［J］.西北农林科技大学学报:自然科学版，2003，31(2):177－180.Zhang Jinheng，Wang Ke，Wang Renchao.Application of chlorophyll meter SPAD－502in diagnosis of nitrogen status and nitrogenous fertilizer in rice［J］.Journal of Northwest Sci-Tech University of Agriculture and Forestry:Natural Science Edition，2003，31(2):177－180.(in Chinese)［3］ Peng Y，Lu R.An LCTF-based multispectral image system for estimation of apple fruit firmness:Part II.Selection of optimal wavelength and development of prediction models［J］.Transactions of the ASABE，2006，49(1): 269－275.［4］ Peng Y，Lu R.Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content［J］.Post harvest Biology and Technology，2008，48(1):52－62.［5］ Qin J W，Lu R.Measurement of the optical properties of fruits and vegetables using spatially resolved hyperspectral diffuse reflectance imaging technique［J］.Post harvest Biol Techol，2008，49(3):355－365.［6］ Zhang J，Peng Y.Hyperspectral scattering profiles for prediction of the microbial spoilage of beef［J］.Proc SPIE，doi:10.1117/12.819424.［7］黄春燕，王登伟，曹连莆，等.棉花地上鲜生物量的高光谱估算模型研究［J］.农业工程学报，2007，23 (3):131－135.Huang Chunyan，Wang Dengwei，Cao Lianpu，et al.Models for estimating cotton aboveground fresh biomass using hyperspectral data［J］.Transactions of the CSAE，2007，23(3):131－135.(in Chinese)［8］乔红波.麦蚜、白粉病危害后冬小麦冠层高光谱的测量与分析［D］.北京:中国农业科学院植物保护研究所，2004.［9］ Kim I，Kim M S，Chen Y R，et al.Detection of skin tumors on chicken carcass using hyperspectral fluorescence imaging［J］.Transaction of the ASAE，2004，47 (5):1785－1792.［10］ Nello C，John S T.An Introduction to Support Vector Machines and Other Kernel-Based Learning Methods［M］.Beijing:China Machine Press，2005:98－102.［11］虞科，程翼宇.一种基于最小二乘支持向量机算法的近红外光谱判别分析方法［J］.分析化学，2006，34 (4):561－564.Yu Ke，Cheng Yiyu.Discriminating the genuineness of Chinese medicines with least squares support vector machines［J］.Chinese Journal of Analytical Chemistry，2006，34(4):561－564.(in Chinese)［12］ Tang H S，Xue S T，Chen R，et al.Online weighted LS－SVM for hysteretic structural system identification［J］.Eng Struct，2006，28(12):1728－1735.。

基于成像高光谱的小麦叶片叶绿素含量估测模型研究牛鲁燕;孙家波;刘延忠;张晓艳【期刊名称】《河南农业科学》【年(卷),期】2016(045)004【摘要】为了探索小麦叶片的光谱特征和敏感波段,建立小麦叶绿素含量与光谱特征参量间的定量关系模型,以促进高光谱技术在小麦精准施肥以及快速、无损长势监测中的应用.采用相关分析法分析了叶绿素含量与光谱反射率及其一阶导数的关系,建立了叶绿素含量监测模型.经筛选验证确定小麦叶绿素含量的最佳估测模型为SPAD=36.75+188.168R387和SPAD=2094.242R′7153+112646.744 R′7152-1.561 E7 R′715+42.991.这2个模型均可较好地估测小麦叶片的SPAD值,相比较而言,基于波段R387建立的SPAD估测模型精确度更高.【总页数】5页(P150-154)【作者】牛鲁燕;孙家波;刘延忠;张晓艳【作者单位】山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100;山东省农业科学院科技信息研究所, 山东济南250100【正文语种】中文【中图分类】S512.1;TP79【相关文献】1.基于高光谱的水浇地与旱地春小麦拔节期叶绿素含量估测模型对比研究 [J], 靳彦华;熊黑钢;张芳;王莉峰2.基于成像高光谱的苹果叶片叶绿素含量估测模型研究 [J], 牛鲁燕;郑纪业;张晓艳;孙家波;王风云;孔庆福3.基于高光谱的香樟叶绿素含量估测模型研究 [J], 王爱芳;王妮;高明;王琪;郭俐4.基于高光谱成像反射和透射技术的雨生红球藻叶绿素含量研究 [J], 邵咏妮;周宏;潘健;蒋林军;何勇;5.基于灰色关联法的春小麦叶片含水量高光谱估测模型研究 [J], Umut Hasan;Mamat Sawut;Nijat Kasim;Nigela Taxipulati;WANG Jing-zhe;Irxat Ablat因版权原因，仅展示原文概要，查看原文内容请购买。

B 期R R R R R R R R R R R R R R R 冯R 伟等：小麦叶片色素含量的高光谱监测R R R R R R DDC 图 !" 小麦冠层叶片色素含量的预测值与实测值的比较#$%& !" !"#$%&’(" "* +(,’#%,+- .’,/ #+%(0&+- 1%"$2 3+%* $’4#+,1"1+,&%,’"( ’ ./+%, 5%(+- " 6+2 /2$+&7($+1,&%3 $%&%#+,+&（ ! 8 9:; ） < 量对 !/3 %、 !/3 % = 5 和 !%& 含量进行预测，测试结 !/3 % 含量的检验结果依然较好< 从图 > 可以看出，果最好，其次为 !/3 % = 5，而 !/3 5 和 !%& 含量的检验结果稍差< !/3 % 和 !/3 % = 5 含量的预测值与实测值间 " 分别为 ?@ A?B 和 ?@ C:: ，"# 分别为 D@ ?E 和 D@ CE ； !/3 5 含量的预测值与实测值间 "> 和 "# 分别为 ?@ F;> 和 9A@ >E ，由于 !/3 5 受氮素营养的调控效果相对较差，且对不同生育期的反应相对敏感，年度间的差异也较大，从而重演性相对较差，导致预测精度降低、相对误差偏大； !%& 含量的预测值低于实测值，其 "# 为 9:@ FE ，表明对 !%& 含量的预测也较为准确< 经过对不同色素含量的拟合结果和模型检验的比较分析，可以确立适宜光谱参数对不同色素含量（ #4 ・ 4 G9 > 叶绿素含量的潜在预测指标< 由于红边面积（ PQ& ）充分发挥了多波段及微分技术的和蓝边面积（ PQ5）［ >B ， >C ］优势，对植株生化组分的估测具有较高能力，本文结果也充分表明了这一点< 红边区域光谱信息［ >> ， >A ］丰富，前人据此提出了许多光谱指数，在本试验建模中均得到了很好的应用< 红边位置是表征红边特性的一个重要参数，其数值大小受叶绿素和冠层及叶片结构等的综合影响，对生育时期和叶绿素［ A， >D ］均表现敏感 < 由于导数光谱在红边内存在双峰，红边内导数光谱的极大值所对应的波长位置（由定［ >; ］义求得）难免产生偏差且具有离散性< I’33+& 等［ >: ］和 !/" 等分别利用倒高斯光学（ MN ）模型和线性外推法修正了红边位置< 本研究利用 "#% 估算叶绿素的结果表明，由定义出发的 "#% 对叶绿素的拟合，而 "#% MN 的拟合精度明精度相对较低（ "> 8 ?@ C> ）显提高（ "> 8 ?@ A> ）， "#% KL 则可以进一步改善对叶绿素的估算精度（ "> 8 ?@ A: ），因此 "#% KL 在估算与色素和氮有关的生物理化参数方面具有广阔的应用前景< HI ）的预测方程分别为： $ !/3 % 8 ?@ ?B>D J "#% KLG ;F@ >:A ； $ !/3 % = 5 8 ?@ ?C>B J "#% KL G :D@ C>F ； $ !/3 5 8 ?@ ?;DA J "#% MN G >C@ AD ；$ !%& 8 ?@ ??AC J "#% KL G B@ A:;< ’" 讨" " 论O3%1650& ［ 9> G 9; ］利用叶绿素特征吸收波段构造由于 !%& 含量较低，且生理变化复杂，导致 !%& 估测模型的精度较低，其预测方程仍需进一步优［ 99 ， 9; ］化 < 此外，小麦 !%& 信息主要集中在冠层下部，了光谱指数 %&&" 和%&’(< 进一步的研究表明， BB? 和 C?? # 较 FA? # 附近的反射率对叶绿素更敏［ 9: G 9B ， >F ］感 < 本文利用以上研究成果筛选的多波段组因此，在冠层水平用光谱法估算 !%& 状况的研究相［ 9; ， ;? ］对较少 < 尽管 !%&与 !/3 间存在生理差异，提取合参数方程的拟合效果较好，其中，#’(C?B 可作为LL2 < < < < < < < < < < < < < < < < < < 应< 用< 生< 态< 学< 报< < < < < < < < < < < < < < < < < < < *L 卷 !"# 特征敏感的冠层光谱参数比较困难，但本研究利用对 !$% 敏感的光谱参数用来监测 !"# 信息也取得了不错的效果，只是预测方程仍需进一步优化& 氮素、生育时期及品种等因子对!$% ’ 的复合效应在年度间存在显著差异，导致利用冠层光谱估算!$% ’ 含量的重演性明显降低，严重影响了!$% ’ 光谱监测模型在实践中的应用，有关提取对!$% ’ 敏感且［ *+ ］特征适宜的光谱指标仍需深入研究& ( 等、 ,"-. ［ */ ］［ *2 ］等和 0.#-1 等对小麦叶片色素状况的光谱估参考文献［*］ < =">1 ;，;.1?@ AB(& C1##1D?#E"% EF"-E>-DG1H?#.F1?#I： !##1>? D?"?D，J?#1 ?#1>KD& !$%&’$ ($*+, &- ".+/ 0&%$’，*LLM ， !! ： **/N*3+ ［3］ < 7EH$?1>?$"%1# (O，;E?1%D.> AA，7">- P& Q.>K1D?#HR ?ES1 K1?1#FE>"?E.> .J H$%.#.G$I%% H.>?1>? .J %1"S1D .J " -#11> ">K "> "#1" F?">? .J ?.’"HH. ’I #1J%1H?">H1 F1"D#1F1>?D& 1&2034 &- #43’#56*+&4&,6， *LL+ ， "!# ： 62MN6LM ［M］ < 7E TRU（刘占宇），(">- ,RB （黄敬峰），V WR( （吴新宏），$’ 34& (IG1#DG1H?#"% #1F.?1 D1>DE>-1D?EF"R ?E.> F.K1%D .> S1-1?"?E.> H.S1#"-1 .J >"?#"% -#"DD%">K&75+$*$ 1&2034 &- 8994+$: ";&4&,6（应用生态学报）， 344+ ， "$ （+）：LL/N*443（ E> !$E>1D1）［6］ < X$1> U（沈< 艳），QE T（牛< 铮），U"> !RU（颜春燕） & 8D?EF"?E.> F.K1%D J.# S1-1?"?E.> Y"?1# H.>?1>?"? ’.?$ %1"J ">K H">.GI %1S1%D& 75+$*$ 1&2034 &- 8994+$: ，3445 ，"% （/）：*3*2N*33M ";&4&,6（应用生态学报）（ E> !$E>1D1） < ZE>- XRU（丁圣彦），7E (RP（李昊民），[E"> 7RW ［5］（钱乐祥） &\1D1"#H$ "KS">H1D E> #1F.?1 D1>DE>- ?1H$R >E]1D E> 1D?EF"?E.> .J S1-1?"?E.> ’E.H$1FEH"% F"?1#E"% ， H.>?1>?& 75+$*$ 1&2034 &- ";&4&,6（生态学杂志） 3446 ，&’ （6）： *4LN**/（ E> !$E>1D1）［+］ < 71 P"E#1 ;，B#">H.ED !，ZJ#^>1 8& C.Y"#KD >ES1#D"% ’#."K %1"J H$%.#.G$I%% E>KEH1D DE>- _\‘X_8!C DEF%"R ?1K K"?"’"D1 ">K $IG1#DG1H?#"% #1J%1H?">H1F1"D#1R 3446 ， #( ： *N32 F1>?D& !$%&’$ ($*+, &- ".+0&%$’，［/］ < Z"?? 0& \1F.?1 D1>DE>- .J H$%.#.G$I%% "，H$%.#.G$I%% ’，H$%.#.G$I%% " 9 ’，">K ?.?"% H"#.?1>.EK H.>?1>? E> 1H"R %IG?D %1"S1D& !$%&’$ ($*+, &-".+0&%$’，*LL2 ， %% ： ***N*3* ［ 2 ］ (.#%1# ZQ(，Z.Ha#"I P，0"#’1# ,，$’ 34& \1K 1K-1 F1"D#1F1>?D J.# #1F.?1%I D1>DE>- G%">? H$%.#.G$I%% H.>R*L2M ，’： 3/MN3// ?1>?& 8:.3;$* + (93;$ !$*$30;5，［L］ < _E>"# A，!##"> _,& ;#"DD H$%.#.G$I%% ">K ?$1 #1J%1HR ?">H1 #1K 1K-1& <’$03’+&34 1&2034 &- !$%&’$ ($*+,， *LL+ ， "$ ： M5*NM5/ ［ *4 ］ < 7E VRZ（刘伟东），WE">- UR[（项月琴），T$1>- 7RB （郑兰芬），$’ 34&\1%"?E.>D$EGD ’1?Y11> #EH1 7A:，!(& Z ">K $IG1#DG1H?#" K"?"& 1&2034 &-!$%&’$ ($*+,（遥 3444 ， ! （6）： 3/LN32M（ E> !$E>1D1）感学报），< !$"GG1%%1 8V，OEF PX，PHP#?#1I ::: ,8& \"?E. ">"%R ［ ** ］ IDED .J#1J%1H?">H1 DG1H?#"（ \A\X ）：A> "%-.#E?$F J.# ?$1 #1F.?1%I1D?EF"?E.> .J ?$1 H.>H1>?#"?E.> .J H$%.#.R G$I%% "，H$%.#.G$I%% ’，">K H"#.?1>.EKD E> D.I’1"> %1"SR 1D& !$%&’$ ($*+, &- ".+0&%$’，*LL3 ，’( ：3ML N 36/M ［ *3 ］< 0%"Ha’#> ;A& XG1H?#"% E>KEH1D J.# 1D?EF"?E>-G$.?.DI>R ?$1?EH GE-F1>? H.>H1>?#"?E.>D： A ?1D? DE>-D1>1DH1>? ?#11 %1"S1D& <’$03’+&34 1&2034 &- !$%&’$ ($*+,， *LL2 ， "( ：+5/N+/5 ［ *M ］< 0%"Ha’#> ;A& [">?EJIE>- H$%.#.G$I%%D ">K H"#.?1>.EKD "? %1"J ">K H">.GI DH"%1D：A> 1S"%"?E.> .J D.F1 $IG1#R DG1H?#"%"GG#."H$1D& !$%&’$ ($*+, &- ".+0&%$’， *LL2 ， %% ： 3/MN325 测进行了研究，但以上试验均基于单年数据，参与建模的生育期少，且侧重于单个色素组分含量的分析，导致建立的模型易饱和& 本文选用的拟合方程经过独立年份实测数据的检验，重演性好，模型易于外推，且适用整个生育时期，可应用于不同氮肥条件下多种色素含量的反演& 本研究在 3445 年的建模试验中，基础肥力偏低、群体小，而在 3446 年的试验中，基础肥力偏高、群体大，因此，生物量和叶面积指数在年度间存在显著差异，进而显著影响冠层光谱的变化，尤其是近红外波段原始反射率& 通过多波段组合和微分等技术构建植被指数、筛选对色素含量高度敏感的光谱参数、并建立了定量关系模型，再通过年度间的比较分析表明模型间不存在显著差异，因此，采用 3446 年的独立试验数据对 3445 年建立的模型进行检验，检验结果理想& 这充分表明色素含量定量监测模型在年度间存在一致性，能够使用统一方程来表达光谱参数与色素含量间的数量关系，可应用于不同地力和氮肥条件下多种色素含量的估算& 本文提出红边位置 !"# 78 可较好地监测叶片 !$% " 和!$% " 9 ’ 含量，红边位置 !"# :; 相对较好地监测!$% ’ 含量；利用 !"# 78 预测 !"# 含量也取得了比较准确可靠的估测效果& 这对作物光合能力评价、产量潜力预测、植株健康状况监测及氮素营养调控具有重大意义，为遥感技术在精确农业中的应用提供了理论依据和技术支撑& 当然，本文中的小麦色素监测模型是在一个有待通生态区 3 年大田试验资料上构建和测试的，过不同生态点的广泛检验得以不断完善，以实现模型的估测精度和普适性的有效统一& 叶片色素包括多种组分，不同组分具有特有的变化规律，同时，群体色素状况包括含量和密度 3 个指标，不同组分及状态表示方式与光谱的关系存在差异，需要进一步系统阐明& 此外，不同植被指数有不同的特点及适用范围，利用高光谱数据选择更敏感、适用性更广的波段组合及特征参数仍需进一步开展研究&G 期# # # # # # # # # # # # # # # 冯# 伟等：小麦叶片色素含量的高光谱监测# # # # # # ［ !" ］ # $%&’(*+ ,,，-’./(012 -34 56’7&.1( .’8(’7&1+7’ 791+: ;’ 1*7%1&’ <%&9 1=&=>+ ’+’7’+7’ *8 !"#$%&%# ’(* +$,#-,.%/ ?4 1+@ !$"0 &,-,.+(1"# ?4 (’1A’ 6’7&.1( 8’1&=.’ 1+@ .’(1&%*+ &* 79(*.*690(( ’&%>1&%*+4 2+%0.,& +3 4&,.- 4’5#(+&+65， !BB" ， !"# ： CDEFCBC ［ !G ］ # 5%> H,，$1>*+ I,4J’(1&%*+9%6 K’&<’’+ (’18 6%;: >’+& 7*+&’+& 1+@ 6’7&.1( .’8(’7&1+7’ 17.* 1 <%@’ .1+;’ *8 6’7%’，(’18 &.=7&=.’ 1+@ @’A’(*6>’+&1( &1;’4 7"* CLLC ， $! ：MMNFMG" /+-" 8".#(.6 +3 9.:(0+./".-，［ !E ］ O= PQ，R%1+ 5S，O1K*=@1+’ H，"- ,&4 J’&.%’A1( *8 7.*6 79(*.*690(( 7*+&’+& 1+@ (’18 1.’1 %+@’T 8.*>@’7*>: 6.’’@ 906’.6’7&.1( @1&1：U9’ ’88’7& *8 @1&1 7*>6.’: %*+4 7"/+-" 8".#(.6 +3 9.:(0+./".-，CLL" ，%& ：!MBF !GC ［ !N ］ # I1;* J,，V=&(’. -SI，V=..1+ WI4 S&%>1&%+; 71+*60 79(*.*690(( 7*+7’+&.1&%*+ 8.*> 8%’(@ 1+@ 1%.K*.+’ 6’7: &.14 7"/+-" 8".#(.6 +3 9.:(0+./".-，!BBB ，’$ ：C!N F CC" ［ !D ］# P.*;’ 3O，-*.&’+’+ IX4 H’.%A%+; ;.’’+ 7.*6 1.’1 %+: @’T 1+@ 71+*60 79(*.*690(( @’+%&0 *8 <%+&’. <9’1& 8.*> 6’7&.1( .’8(’7&1+7’ @1&14 7"/+-" 8".#(.6 +3 9.:(0+.* CLLC ，$! ： "GFGN /".-，［ !B ］# ?%79&’+&91(’. OY4 V9(*.*690(( 1+@ 71.*&’+*%@，&9’ 6%;: >’+& *8 69*&*0+&9’&%7 K%*>’>K.1+’ Z Z W172’. ?，H*=7’ J，’@4 -’&9*@ %+ S+/0>*(*;04 51+ H%’;*， V,：,71@’>%7 W.’， !BDN ［ CL ］# J*=’ I[，O11 JO，579’(( I,，"- ,&4 -*+%&*.%+; &9’ A’.+1( 1@A1+7’>’+&1+@ .’&.*;.1@1&%*+ *8 +1&=.1( A’;’: &1&%*+4 3,5, Z $5\V，U06’ ]]]，\%+1( J’6*.&，$.’’+: K’(&，-H，^5,， !BN" ： !!FMN! ［ C! ］$%&’(*+ ,,，Y1=8>1+ _I， -’./(012 -34 ^’ *8 1 ;.’’+ 791++’( %+ .’>*&’ ’+%+;*8 ;(*K1( A’;’&1&%*+ 8.*> S‘5:-‘H]54 7"/+-" 8".#(.6 +3 9.:(0+./".-， !BBE ， ($ ：CDBFCBD ［ CC ］ # $=6&1 JY，X%a101+ H，W.11@ U54 V*>61.1&%A’1+1(0% *8 .’@ ’@;’ 906’.6’7&.1( %+@%7’4 !1:,.$" (. 8,$" 7"* CLLM ， #& ：CC!NFCCCC #",0$’，［ CM ］ # -%((’. IJ，O1.’ S[，[= I4 R=1+&%&1&%A’ 791.17&’.%/1: &%*+ *8 &9’ A’;’&1&%*+ .’@ ’@;’ .’8(’7&1+7’ >*@’(4 ;.-"0*BBB .,-(+.,& 2+%0.,& +3 7"/+-" 8".#(.6，!BBL ，!! ：!NGG F !NNM ［ C" ］ # V9* -,，52%@>*.’ ,Y4 , +’< &’79+%b=’ 8*. ’T&.17&%+; &9’ .’@ ’@;’ 6*%&%*+ 8.*> 906’.6’7&.1( @1&1：U9’ (%+’1. ’T&.16*(1&%*+ >’&9*@4 7"/+-" 8".#(.6 +39.:(0+./".-， CLLE ， !! ： !D!F!BM ［ CG ］ # [1+; Q:c（王秀珍），O=1+; I:\（黄敬峰），?% _:（李云梅）， "- ,&4 V*..’(1&%*+ K’&<’’+79’>%71( 7*+&’+& *8 (’1A’ 1+@ 791.17&’.%&%7 A1.%1K(’ *8 906’.6’7&.1 *+ .%7’ 8%’(@4 <0,.#,$-(+.# +3 -’" =’(."#" 8+$("-5 +3 !60($%&* ，CLLM ，!% （C）： -%0,& 9.6(.""0(.6（农业工程学报） !""F!"D（%+ V9%+’’）# W’d=’(1 I，\%(’((1 ]4 X%%K(’ 1+@ +’1.:%+8.1.’@ .’8(’7: ［ CE ］&1+7’ &’79+%b=’ 8*.@%1;+*%+; 6(1+& 690%*(*;%71( &1: !BBD ， #： !G!F!GE &=4 <0".1# (. 4&,.-8$(".$"，［ CN ］ # W= J:?（蒲瑞良），$*+; W（宫 # 鹏） 4O06’.6’7&.1( J’>*&’ 5’+%+; 1+@ %& ,66(%71&%*+4 P’%a%+;：O%;9’.S@=71&%*+ W.’， CLLL（%+ V9%+’’）［ CD ］# X*;’(>1++ IS，J*72 P3，-* H-4 J’@:’@;’ 6’7&.1( >’1=.’>’+& 8.*> =;1. >16(’ (’1A’4 ;.-"0.,-(+.,& 2+%0.,& +3 7"/+-" 8".#(.6， !BBM ， !" ： !GEMF!GNG ［ CB ］ # U1+; _:?（唐延林），[1+; J:V（王人潮），O=1+; I: ，"- ,&4 O06’.6’7&.1( @1&1 1+@ &9’%. .’(1: \（黄敬峰）&%*+9%6 7*..’(1&%A’ &* &9’ 6%;>’+& 7*+&’+& 8*. .%7’ =+: @’.@%88’.’+& +%&.*;’+ =66*.& (’A’(4 2+%0.,& +3 7"/+-" ， CLL" ，$ （C）：!DEF!BC（ %+ V9%: 8".#(.6（遥感学报）+’’） # H1=;9&.0 V5U，[1(&91(( V?，Y%> -5，"- ,&4 S&%>1&%+; ［ ML ］7*.+ (’1879(*.*690(( 7*+7’+&.1&%*+ 8.*> (’18 1+@ 71+*60 .’8(’7&1+7’4 7"/+-" 8".#(.6 +3 9.:(0+./".-，CLLL ，*" ： CCBFCMB 作者简介# 冯# 伟，男， !BNE 年生，博士4 主要从事作物生理生态与农业信息技术研究，发表论文 !E 篇4 S:>1%(：\’+;: <’%NDe !C E4 7*> 责任编辑# 杨# 弘。