旺長期烤煙對不同程度干旱脅迫的光譜響應

李夢竹，劉國順，賈方方，楊艷東

(1.河南農業大學煙草行業煙草栽培重點實驗室， 河南 鄭州 450002； 2.商丘師范學院， 河南 商丘 476000)

旺長期烤煙對不同程度干旱脅迫的光譜響應

李夢竹1，劉國順1，賈方方2，楊艷東2

(1.河南農業大學煙草行業煙草栽培重點實驗室， 河南 鄭州 450002； 2.商丘師范學院， 河南 商丘 476000)

基于不同時長和程度的干旱脅迫試驗，采用ASD光譜儀，研究了不同干旱脅迫處理下不同基因型烤煙葉片水分含量與光譜特征的變化規律，分析不同烤煙葉片水分指標FMC(葉片相對含水量)、LEWT(葉片等效水厚度)與光譜特征參數間的相關關系，構建烤煙葉片水分指標的高光譜特征參數模型。結果表明：不同程度干旱脅迫下烤煙葉片含水量和光譜反射率均隨干旱程度的加重而降低，在不同干旱時長下，FMC的變化并不明顯，而LEWT對其較為敏感，說明不同干旱脅迫處理間EWT的差異要比FMC顯著，不同基因型烤煙品種表現一致，表明LEWT比FMC更適合反映旺長期烤煙葉片水分狀況。利用光譜參數建立FMC和LEWT的一元及多元線性模型和BP神經網絡模型中，均以BP神經模型網絡模型效果最好，其模型R2(決定系數)分別為0.8650、0.9464，RMSE(均方根誤差)分別達到0.0049、0.0047，表明模型的精度和穩定性均較好。

烤煙葉片；旺長期；水分含量；光譜指數；估算模型

烤煙是對水分含量十分敏感的葉用經濟作物，尤其是在葉片快速生長的旺長期，需水量較大。煙株缺水，便會對其生長發育、營養物含量、煙株生理代謝以及煙葉品質造成一定影響。汪耀富[1]等研究發現烤煙旺長期對干旱最為敏感，輕度土壤干旱即可導致其干物質積累量大幅減少和植株矮化。進一步研究表明干旱脅迫可導致煙葉產量下降，上、中等煙比例減小，并隨著脅迫程度的加重而加劇[2]。旺長期充足的土壤水分供應是獲得產量、質量俱佳的煙葉之前提。此外，全球水資源的日益短缺也迫切需求農業生產實現精準灌溉。因此，利用高光譜監測作物葉片含水量成為國內外的研究熱點。

Thomas等[4]發現隨葉片含水量的下降紅外光譜反射率增加。Ceccato等[5]研究表明葉片等效水厚度與R1600/R820相關性較好。王紀華和田慶久等[6-7]均認為1450 nm附近的光譜反射率與小麥葉片相對水分含量具有較好的線性正相關關系。田永超等[8]發現利用R810/R460來監測不同生育時期水稻葉片和植株含水率效果較好。劉小軍等[9]提出RSI(R1402，R2272)和NDSI(R1402，R2272)可定量監測水稻葉片的水分含量，而利用高光譜估測烤煙水分含量的研究還未見報道。

馬新蕾等[10]發現K326長勢尚好，但地上部分干、鮮重下降幅度較大，生長發育受干旱的影響較大，對干旱反應敏感，抗旱性較弱；而中煙100長勢較差，且地上部分干、鮮重下降幅度較大，抗旱性弱。而盛業龍[11]在對24個烤煙品種的抗旱性綜合評價中得到，無論團棵期還是旺長期，中煙100的排名均先于K326。可見目前對于K326和中煙100的抗旱性研究結果并不一致。

本試驗以試驗區主栽品種K326和中煙100為材料，探討不同基因型烤煙在旺長期不同時長和不同程度干旱脅迫下葉片水分含量與光譜反射率的變化規律，分析烤煙葉片水分指標與光譜特征指數(表2)之間的關系，并構建烤煙葉片水分含量估算模型，為快速有效地獲取煙株水分狀況，以及合理和精確灌溉提供理論基礎。

1 材料與方法

1.1 試驗設計

試驗1：于2015年在河南省許昌縣河南農業大學許昌校區(北緯34°01′，東經113°49′)進行，供試品種為K326和中煙100。采用桶栽，桶高70 cm，直徑40 cm，裝風干土75 kg。供試土壤為淋溶褐土，前茬作物甘薯，所用土壤田間最大持水量44.9%，土壤含水量23.19%，容重1.39 g·cm-3，試驗土壤的pH 7.77，有機質9.53 g·kg-1，堿解氮69.74 mg·kg-1，速效磷2.74 mg·kg-1，速效鉀106.61 mg·kg-1。施用化肥為分析純(NH4)2SO4，KNO3和KH2PO4，N∶P2O5∶K2O=1∶1.5∶3，施N量按200 mg·kg-1干土作為基肥一次性施入，將土壤與肥料混合均勻后裝桶。采用人工防雨棚設計，遇降雨則將棚拉上。于2015年5月15日移栽，還苗期后開始進行控水，每天使用Takeme-10型土壤水分速測儀分別測定每桶的土壤含水量，按照下列公式計算每株需澆水質量：

每天澆水質量=(設定土壤絕對質量含水量-實際土壤絕對質量含水量)×土重

設定土壤絕對質量含水量=設定土壤相對含水量×田間持水量

實際土壤絕對質量含水量=絕對體積含水量÷土壤容重

試驗設2個干旱時長處理：進入旺長期后進行連續干旱脅迫5 d(移栽后30～35 d)、25 d(移栽后30～55 d)。4個干旱脅迫處理：正常需水量、輕度、中度及重度干旱脅迫，如表1所示各處理分別設6次重復，共96桶，每桶1株，桶間距為75 cm，隨機區組設計。

表1 試驗處理(土壤含水率占田間持水量的百分比)/%

試驗2：于河南省南陽市方城縣金葉園科技園區(東徑112°54′，北緯 33°15′)進行，供試土壤為黃壤土，pH7.39，有機質12.01 g·kg-1，堿解氮54.09 mg·kg-1，速效磷17.91 mg·kg-1，速效鉀129.03 mg·kg-1。試驗處理、測定指標以及栽培管理措施均同試驗1。此試驗的數據用于預測模型的檢驗。

1.2 烤煙葉片光譜測定

分別于移栽后35 d、55 d測定不同程度干旱處理烤煙葉片光譜。使用美國ASD公司生產的FieldSpec3野外光譜測定儀自帶的手持式葉片夾持器進行測定，其內置石英鹵化燈，光源穩定。光譜儀波段范圍為350～2 500 nm。測量時選擇在晴朗無云或少云的天氣進行，測量時間為10∶00—14∶00，挑選各處理具有代表性、無病害的煙株(煙株只有水分脅迫，沒有其它脅迫)3株，將其葉片(避開葉脈)放入夾持器的葉室內，夾緊葉室，保證被測葉片的葉面積相同，同時消除環境背景及噪聲的影響。每次測定前先進行白板校正。每株煙葉分別選取其下部葉(第6片葉)，中部葉(第11片葉)和上部葉(第18片葉)作為不同部位葉片代表，然后分別選取每片葉的葉尖、近葉尖、葉中、近葉基、葉基五個部位，每個部位連續測定10組數據，以各個部位數據的平均數作為該葉片的光譜曲線，每個處理測定三個重復。

1.3 作物含水量相關指標的測定

1.3.1 烤煙葉片相對含水量(FMC)計算[12]

葉片鮮重：取回后立刻稱重。

葉片干重：105℃殺青15 min，65℃烘干至恒重，稱重。

1.3.2 烤煙葉片等效水厚度(LEWT)計算[13]

水密度：1 g·cm-3。

葉面積：在每次采集烤煙葉片光譜數據時，取同株烤煙進行測量，葉面積=長×寬×0.6345[14]。

1.3.3 光譜指數的選擇 光譜指數是由多個波段或波長的反射率因子組合而成的，在利用高光譜遙感估算植被狀況中，運用各種光譜指數與植被特性參數的函數聯系，比單一波段值更加穩定、可靠。表2為參考前人研究結果所篩選的作物水分特征光譜指數。

表2 本文所采用的光譜參數列表

注：R為光譜反射率。 Note:Ris reflectance rate.

1.4 數據分析

采用ViewSpec Pro整理光譜數據，選用Excel、SPSS22.0、Sigmaplot10.0、Matlab6.0進行數據分析、模型構建及繪圖，采用決定系數R2、均方根誤差RMSE對模型精度進行檢驗。

2 結果與分析

2.1 不同處理下旺長期烤煙葉片水分指標和光譜反射率的變化規律

不同干旱時長處理下烤煙葉片相對含水量FMC的變化并不明顯，品種間規律一致，而同一干旱時長處理下，隨著干旱程度加劇，烤煙葉片相對含水量FMC均呈降低趨勢(圖1)，表明FMC與土壤含水量變化趨勢一致，但對不同干旱時長并不敏感。從圖1可看出：不同干旱時長處理下烤煙葉片等效水厚度EWT差異明顯，隨著干旱時間的延長，EWT明顯降低，且在同一干旱時長下，不同干旱脅迫處理間EWT的差異要比FMC顯著，不同基因型烤煙品種表現一致。表明等效水厚度EWT比葉片相對含水量FMC對煙田土壤的干旱更為敏感。

葉片水分含量占烤煙重量的80%以上，故含水率相對于其它生理參數來說，對烤煙葉片光譜反射率的影響較大[38]。由圖2可知，各處理光譜曲線總體變化趨于一致，但在各波段內其反射率的值呈現一定差異。在不同干旱時長處理下，烤煙葉片光譜反射率的變化差異不大，而同一干旱時長處理下，其光譜反射率大都表現為正常>輕度>中度>重度，不同基因型烤煙品種表現一致。結果表明光譜反射率對不同程度干旱脅迫較為敏感。

圖1 不同處理下烤煙葉片水分指標的變化

圖2 不同處理條件下烤煙葉片高光譜反射率

2.2 高光譜特征參數與烤煙葉片含水量相關性分析

通過30種高光譜特征參數(見表2)與烤煙葉片EWT和FMC進行相關性分析(n=48)，從表3可看出，水分指數(WI)、紅邊植被指數(Red edge NDVI)、水分波段指數(WBI)與烤煙葉片等效水厚度的相關性最差，均未達到顯著水平，而其它27種光譜特征參數與EWT的相關性均達到極顯著水平(P<0.01)，其中歸一化植被指數(NDVI(670,800))與EWT相關性最好，相關系數為0.816。在30種光譜特征參數中僅有11種與烤煙葉片FMC的相關性達到極顯著水平(P<0.01)，其中，簡單比值水分指數(SRWI(860,1240))與FMC的相關性最好，相關系數為0.431。因此，EWT與30種光譜特征參數的相關性要好于FMC，且其相關系數的絕對值大都高于FMC。

表3 高光譜特征參數與LEWT和FMC

注：表中**表示顯著性檢驗達到0.01極顯著水平，*表示顯著性檢驗達到0.05顯著水平。

Note: ** indicate very significant at the 0.01 level, * indicate significant at the 0.05 level.

2.3 光譜特征指數與烤煙葉片水分指標模型的建立

2.3.1 一元線性回歸模型的建立 分別采用表3中與FMC和EWT相關系數最高的簡單比值水分指數(SRWI(860,1240))和歸一化植被指數(NDVI(670,800))建立一元線性回歸模型(n=48)。由圖3可知，烤煙葉片相對含水量與SRWI(860,1240)呈現正相關關系，兩者構建的一元線性回歸方程為YFMC=0.520+0.330XSRWI(860,1240)，決定系數R2為0.185，均方根誤差RMSE為0.0142；而烤煙葉片等效水厚度與其最佳植被指數NDVI(670,800)呈現負相關關系，它們所構建的一元線性回歸方程為YLEWT=0.313-0.383XNDVI(680,800)，此模型的R2達到0.666，RMSE達到0.0084，其決定系數明顯優于前者。結果表明用EWT來描述烤煙葉片含水量與特征光譜指數構建的一元線性模型比FMC效果好。

2.3.2 多元線性回歸模型的建立 將表2中的30種光譜特征參數分別與FMC和LEWT進行逐步回歸分析可得到表3中的多元線性回歸模型(n=48)。由表3可知，利用烤煙葉片相對含水量和等效水厚度與光譜特征參數所構建模型的R2分別為0.692和0.862，均方根誤差分別達到0.0069和0.0040。此模型的構建不僅說明多元線性回歸模型的精度要好于一元線性回歸模型，同時也再一次說明了LEWT比FMC更適合用來描述烤煙葉片的水分含量來與光譜特征參數構建模型。

2.3.3 BP神經網絡模型的建立 BP神經網絡是一種按誤差逆傳播算法訓練的多層前饋網絡。由于它是采用最小均方差學習方式的多層前饋網絡，其神經元的傳輸函數為非線性函數，所以具有高度非線性映射能力和良好穩健性模式識別特點。圖4分別為采用了三層BP神經網絡(輸入層、隱藏層、輸出層)對烤煙葉片FMC和LEWT的預測結果。以SMLR模型中的獨立變量(即表2中的30個光譜特征指數)作為輸入層，其傳遞函數為正切S型傳遞函數(tansig)；以烤煙葉片FMC(EWT)作為輸出層，其傳遞函數為線性傳遞函數(purelin)；訓練函數為trainlm。構建模型的隱含層節點數為66，采用“試錯法”反復嘗試來確定。如圖4所示，烤煙葉片相對含水量模型的決定系數R2為0.8650，均方根誤差RMSE為0.0049；烤煙葉片等效水厚度的R2達到0.9464，RMSE達到0.0047，由此可知，BP神經網絡對于預測烤煙葉片水分含量具有較好的精度，且對LEWT的預測精度要優于FMC。

圖3 高光譜特征參數估測烤煙葉片水分指標的回歸分析(n=48)

表4 高光譜特征參數估測烤煙葉片LEWT和FMC的回歸分析(n=48)

圖4 BP神經網絡模型的預測結果(n=48)

2.3.4 預測模型的檢驗 利用試驗2的數據作為樣本對所構建的三種模型進行檢驗(n=32)，得到對FMC和LEWT所構建的一元線性回歸模型的驗證結果R2分別為0.236、0.759，RMSE分別為0.0156、0.0202；對FMC和LEWT所構建的多元線性回歸模型的驗證結果R2分別為0.765、0.923，RMSE分別為0.0189、0.0810；對FMC和LEWT所構建的BP神經網絡模型的驗證結果R2分別為0.907、0.968，RMSE分別為0.0136、0.0148。由此可見，BP神經網絡模型的準確性更好(圖5)。

3 討論與結論

(1) 在不同干旱時長處理下，烤煙葉片相對含水量FMC和光譜的變化均無明顯差異，但等效水厚度LEWT隨干旱時間的延長明顯降低，而在同一干旱時長處理下，三者均隨干旱程度的加劇而明顯降低，不同基因型烤煙品種表現一致。本研究中中煙100長勢、干物質積累量和葉面積均略優于K326， 還需進一步結合其它與抗旱性密切相關的生長指標生理生化指標對兩者抗旱性進行綜合比較。

(2) 光譜特征參數與烤煙葉片含水量的相關性。通過30種高光譜特征指數的比較分析可以得出，LEWT與30種光譜特征參數的相關性優于FMC，且其相關系數的絕對值大都高于FMC。其中歸一化植被指數(NDVI(670,800))與EWT相關性最好，相關系數為0.816；簡單比值水分指數(SRWI(860,1240))與FMC的相關性最好，相關系數為0.431。

圖5 預測模型的檢驗(n=32)

(3) 利用光譜參數建立的反演FMC和LEWT的一元線性模型、多元線性模型和BP神經網絡模型中均以BP神經模型網絡模型效果最好，其模型決定系數R2分別達到0.8650、0.9464，均方根誤差(RMSE)分別達到0.0049、0.0047。而多元線性回歸模型R2分別為0.692、0.862，RMSE分別為0.0069、0.0040，一元線性回歸模型效果最差，R2分別為0.185、0.666，RMSE分別為0.0142、0.0084。

綜上所述，LEWT比FMC更適合反映旺長期烤煙葉片水分狀況，BP神經網絡模型在本文所構建的烤煙葉片水分含量模型中精度和穩定性最好。雖有學者[39-40]對煙草含水量也有研究，但只是單一的根據高光譜位置變量、面積變量和植被變量來構建單一的多元線性回歸模型，而本文則對烤煙旺長期不同程度干旱脅迫下光譜特性進行了單獨的分析研究，并運用作物水分特征光譜指數對烤煙葉片含水量構建了擬合度較高的BP神經網絡估算模型。這為實時預測烤煙葉片水分狀況提供了理論依據和技術支撐，并節省了農業資源的投入，也可為利用高光譜遙感技術監測烤煙旺長期干旱災害和數字煙草的發展提供理論指導，在生產中具有較高的應用價值和廣闊的應用前景，同時也為衛星遙感監測煙田水分狀況提供參考。當然，此研究結果仍需再加以驗證和完善。今后還要進一步探討烤煙在整個生育時期對不同干旱脅迫的光譜響應規律，并在大田中設置不同水分處理試驗，用水表精確控制各處理灌水量(栽培管理措施與測定指標均同上)，來對其在煙草大田生產實際中的實用性進行驗證，以期構建精度更高、實用性更廣泛的烤煙水分監測模型，實時監測烤煙含水量，實現精準灌溉。

[1] 汪耀富，閻栓年，于建軍，等.干旱脅迫對烤煙生長的影響及機理研究[J].河南農業大學學報，1994，28(3)：250-256.

[2] 汪耀富.烤煙對干旱脅迫的響應及煙田耗水規律和用水效率的研究[D].鄭州：河南農業大學，1993.

[3] Baghzouz M, Devitt D, Morris R. Assessing canopy spectral reflectance of hybrid bermudagrass under various combinations of nitrogen and water treatments[J]. Applied Engineering in Agriculture, 2007,23(6):763.

[4] Thomas J, Namken L, Oerther G, et al. Estimating leaf water content by reflectance measurements[J]. Agronomy Journal, 1971,63(6):845-847.

[5] Ceccato P, Flasse S, Tarantola S, et al. Detecting vegetation leaf water content using reflectance in the optical domain[J]. Remote Sensing of Environment, 2001,77(1)：22-33.

[6] 王紀華，趙春江，郭曉維，等.用光譜反射率診斷小麥葉片水分狀況的研究[J].中國農業科學，2001,34(1):104-107.

[7] 田慶久，宮 鵬，趙春江，等.用光譜反射率診斷小麥水分狀況的可行性分析[J].科學通報，2000,45(24):2645-2650.

[8] 田永超，曹衛星，姜 東，等.不同水氮條件下水稻冠層反射光譜與植株含水率的定量關系[J].植物生態學報，2005,29(2):318-323.

[9] 劉小軍，田永超，姚 霞，等.基于高光譜的水稻葉片含水量監測研究[J].中國農業科學，2012,45(3):435-442.

[10] 馬新蕾，房 燕，王玉軍，等.十個烤煙品種的抗旱性鑒定[J].中國煙草學報，2005,10(11):26-30.

[11] 盛業龍，王莎莎，許美玲，等.24個烤煙品種田間抗旱性的比較篩選與綜合評價[J].熱帶作物學報，2014，35(12):2340-2348.

[12] Aldakheel Y Y. Danson F M. Spectral reflectance of dehydrating leaves: Measurements and modeling[J]. Remote Sensing, 1997,18(17):3683-3690.

[13] Baret F, Guyot G. Potentials and limits of vegetation indices for LAI and APAR assessment[J]. Remote Sensing Environment, 1991,35(2):161-173.

[14] 劉國順.煙草栽培學[M].北京:中國農業出版社，2003:38-39.

[15] Penuelas J, Filella, Biel C, et al. The reflectance at the 950～970 nm region as an indicator of plant water status[J]. International Journal of Remote Sensing, 1993,14(10):1887-1905.

[16] Rouse J W, Hass R H, Schell J A, et al. Monitoring vegetation systems in the great plains with ERTS[C]//Proceedings of Third Earth Resources Technology Satellite-1 Symposium. Greenbelt, 1974，(351):310-317.

[17] Deering D W. Rangeland reflectance characteristics measured by aircraft and spacecraft sensors[D]. College Station, TX: Texas A&M University, 1978.

[18] Penuelas J. Pinol J, Ogaya R, et al. Estimation of plant water content by the reflectance water index WI(R900/R970)[J]. International Journal of Remote Sensing, 1997,(18):286-287.

[19] Gitelson A A, Merzlyak M N. Spectral reflectance changes associated with autumn senescence ofAesculushippocastanumL. and relation to chloropyll estimation[J]. Journal of Plant Physiology, 1994,143(3):286-292.

[20] Guyot G, Baret F, Major D J. High spectral resolution: determination of spectral shifts between the red and the near infrared[J]. International Archives of Photogrammetry and Remote Sensing, 1988,11(4):750-760.

[21] Huete A R. A soil-adjusted vegetation index(SAVI)[J]. Remote Sensing of Environment, 1988,25(3):295-309.[22] Qi j, Chehbouni A, Huete A R, et al. A modified soil adjusted vegetation index[J]. Remote Sensing of Environment, 1994,48(2):119-126.[23] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002,83(1-2):195-213.

[24] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1966,55(2):95-107.

[25] Cater G A. Primary and secondary effects of water content on the spectral reflectance of leaves[J]. American Journal of Botany, 1991,78(7):916-924.

[26] Hunt E R, Rock B N. Detection of changes in leaf water content using near-and middle-infrared reflectances[J]. Remote Sensing of Environment, 1989,30:43-54.

[27] Kimes D S, Markham B L, Tucker C J, et al. Remote Sensing of Environment, 1981,11:401.

[28] Hardisky M A, Klemas V, Smart R M. Photogrammetric Engineering and Remote Sensing, 1983,49(1):77.

[29] Van Niel T G, Mcvicar T R, Fang H, et al. International Journal of Remote Sensing, 2003,24(4):885.

[30] Haboudance D, Miller J R, Pattey E, et al. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: modeling and validation in the context of precision agriculture[J]. Remote Sensing of Environment, 2004,90(3):337-352.

[31] Rodriguez-Perez J R, Riano D, Carlisle E, et al. American Journal of Enology and Viticulture, 2007,302(8):317.

[32] Riedell W E, Blackmer T M. Leaf reflectance spectra of cereal aphid damaged wheat[J]. Crop Science, 1999,39(6):1835-1840.

[33] Jordan C F. Derivation of leaf area index from quality of light on the forest floor[J]. Ecology, 1969,50(4):663-666.

[34] Zarco-Tejada P J, Rueda C A, Ustin S L. Water content estimation in vegetation liquid water from space[J]. Remote Sensing of Environment, 1996,58(3):257-266.

[35] Gamon J A, Penuelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992,41(1):34-44.

[36] Ceccato P, Gobron N, Flasse S, et al. Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1 Theoretical approach[J]. Remote Sensing of Environment, 2002,82(2):188-197.

[37] Chen D, Huang J F, Jackson T J. Vegetation water content estimation for corn and soybeans using spectral indices derived from MODIS near and short-wave infrared bands[J]. Remote Sensing of Environment, 2005,98(2/3):225-236.

[38] Shibayama M, Takahashi W, Morinaga S, et al. Canpoy water deficit detection in paddy rice using a high resolution field spectror adiometer[J]. Remote Sensing of Environment, 1993,45:117-126.

[39] 賈方方.不同水分狀況對烤煙高光譜特性及生理生化指標的影響[D].鄭州：河南農業大學，2010.

[40] 李向陽.煙草高光譜特性及其生物理化指標和化學品質、香氣成分估測模型研究[D].鄭州：河南農業大學，2007.

Spectralresponsecharacteristicsofflue-curedtobaccounderdifferentdroughtstressatthevigorousgrowthstage

LI Meng-zhu1, LIU Guo-shun1, JIA Fang-fang2, YANG Yan-dong2

(1.NationalTobaccoCultivation&Physiology&BiochemistryResearchCenter,HenanAgriculturalUniversity,Zhengzhou450002,China；2.ShangqiuNormalUniversity,Shangqiu476000,China)

Drought directly affects the production and quality of flue-cured tobacco in particular the water critical period. The objective of this paper was to investigate the water contents of flue-cured tobacco leaves and hyperspectral features under different drought duration and drought stress by ASD spectrometer, with a model of the flue-cured tobacco leaf water indexes. The results indicated that the leaf water content and spectral reflectance under different treatments were reduced with the increase of drought degree. Under different drought duration, the leaf equivalent water thickness (LEWT) was sensitive, while fuel moisture content (FMC) was stable, suggesting that LEWT may be a suitable indicator of the water content of flue-cured tobacco leaves. The monadic linear model, multivariate linear model and BP neural network model were assembled for FMC and LEWT based on spectral parameters, the BP neural network model showed the best optimal effect, with theR2being 0.8650, 0.9464 and RMSE being 0.0049, 0.0047, respectively. This model had high precision and excellent stability, which may provide guidance for monitoring the drought disaster and the development of digital tobacco using hyperspectral remote sensing technology during the vigorous growth stage.

flue-cured tobacco leaves; the vigorous growth stage; water content; spectral index; estimating model

1000-7601(2017)03-0164-08doi:10.7606/j.issn.1000-7601.2017.03.26

2016-03-20

：2017-03-12

：國家煙草專賣局特色優質煙葉重大專項濃香型特色優質煙葉開發項目(110201101001(TS-01))；河南中煙工業有限責任公司科技項目(ZW2014005)

李夢竹(1993—)，女，河南舞陽人，碩士，研究方向為煙草栽培生理生化。E-mail:pipizhu0128@qq.com。

劉國順(1954—)，男，河南葉縣人，教授，博士生導師，主要從事煙草栽培生理生化研究。E-mail: liugsh1851@163.com。

S572

： A