冬油菜葉面積指數高光譜監測最佳波寬與有效波段研究

李嵐濤 李 靜 明 金 汪善勤 任 濤 魯劍巍

(1.華中農業大學微量元素研究中心， 武漢 430070； 2.農業部長江中下游耕地保育重點實驗室， 武漢 430070)

0 引言

葉面積指數(LAI)是指單位土地面積上植物單面葉片的面積之和[1]，是反映植物群體長勢狀況、定量化表征作物冠層表面初始能量交換的最關鍵結構參數之一[2-3]。因此，研究基于高光譜遙感的作物LAI快速診斷和智能化原位監測技術對及時有效掌握農作物生長發育動態、構建滿足作物營養“供需協同平衡”的施肥技術體系提供了有效途徑。

高光譜遙感具有光譜信息量大、分辨率高以及波譜連續性強等特點，在作物LAI監測中，從海量高光譜數據中確定最優化的波寬與有效波段以獲取最佳的反演效果是其研究的難點與熱點[4-5]。目前，利用高光譜技術定量監測基于氮肥效應的作物LAI主要有物理模型法(輻射傳輸模型)和經驗統計法(植被指數)[6]。物理模型法雖具有較高的通用性和機理性，但因其固存的病態反演問題且需要輸入較多的調試參數，限制了其推廣應用。植被指數法從紛繁復雜的高維光譜數據中利用可敏感指示作物LAI時空變化的有效波段，通過簡單計算(差值、比值或歸一化值)相應光譜參數并構建監測模型，方法便捷、普適性強，可及時準確反演作物LAI動態變化[7]。前人已從不同角度并采用多種技術進行了廣泛而深入的定性或定量研究，如主成分分析、逐步判別分析、多元線性回歸分析和Lambda-Lambda 相關分析等[8-9]。但上述研究大都采用線性統計技術對無連續性的有限個波段進行對比分析，對有效波段研究的系統性較弱，且對高光譜自身的物理特性及其所反映的生物學效應評估不足，因此對該問題的持續研究很有必要。

在確定LAI有效波段的基礎上，進一步探究基于近地高光譜的作物LAI最佳波寬，對簡化數據分析難度并減少存儲空間具有重要意義[10]。就作物LAI監測而言，在不降低光譜預測性能的同時，盡可能降低光譜傳感器的光譜分辨率，適當提高波段寬度，降低儀器成本，已成為農業生產和推廣應用中的重要考慮因素；此外，合理提高波寬還可增強光譜信噪比、降低背景噪聲干擾并提高光譜穩定性能[11-12]。目前，國內外關于窄波段亦或寬波段更適于作物農學參數監測的問題尚未達成共識。一些研究顯示，窄波段光譜參數估算作物LAI模型性能優于寬波段光譜參數[13-14]，但也有研究結論與此相反[12,15]。THENKABAIL等[16]研究發現，相比于寬波段光譜變量，窄波段光譜可提供更多的作物農學參數光譜信息，且對作物特征敏感性更高。孫小芳[17]的研究則指出，只有當波寬小于64 nm時，才能更為準確地反映與水稻葉綠素相關的光譜曲線波谷細節特征?？傮w而言，目前國內外關于波段寬度與有效波段相結合的研究仍相對較少，且結論不盡一致，同時關于波段寬度變化對于作物LAI監測的影響尚無統一定論。基于此，本文以連續3季冬油菜氮肥田間試驗為基礎，兼顧不同生態區域、品種、栽培模式和生育時期，采用波段逐步變寬的高光譜數據分析方法，利用偏最小二乘回歸技術研究波寬變化對LAI監測性能的影響，確定最佳波段寬度以及有效波段。

1 材料與方法

1.1 試驗設計

2013—2016年分別于湖北省武穴市和沙洋縣共開展5個冬油菜氮肥水平田間試驗，涉及不同油菜品種、栽培模式、試驗年份和生態區域，其中建模集樣本數303個，驗證集樣本數198個。設置田間氮肥試驗目的除了系統研究氮素營養對冬油菜LAI及冠層光譜性能影響之外，另一重要因素是利用LAI和高光譜對氮肥效應的高度敏感性，可獲取較大變幅的LAI和冠層光譜反射率數據，使其具有更大代表性和普適性。

試驗Ⅰ于2013—2014年在湖北省武穴市從政村(30°6′46″N，115°35′22″E)進行。供試油菜品種為華油雜9號，設5個氮肥水平：0、90、180、270、360 kg/hm2；磷、鉀、硼肥用量分別為P2O590 kg/hm2，K2O 120 kg/hm2和B 1.6 kg/hm2。所有肥料均在油菜種植前一次性基施，以降低在生長發育過程中連續追肥對油菜光譜測試及生長監測連續性影響。3次重復，隨機區組排列。采用育苗移栽的方式種植，密度為11株/m2。分別于2013年12月27日(十葉期)、2014年3月5日(蕾薹期)和2014年3月15日進行田間光譜測試與樣品采集。本試驗資料用于光譜模型構建(樣本數為45)。

試驗Ⅱ(30°6′21″N，115°35′12″)和試驗Ⅲ(30°6′20″N，115°35′11″)于2014—2015年在湖北省武穴市從政村兩毗鄰田塊同步進行。為進一步細化探究氮素營養對油菜LAI形成及光譜特性影響，設8個氮肥水平：0、45、90、135、180、225、270、360 kg/hm2。供試油菜品種，磷、鉀、硼肥用量及施用方式均同試驗Ⅰ。試驗Ⅱ為育苗移栽；試驗Ⅲ采用直播方式種植，播種量為0.45 g/m2。試驗Ⅱ測試日期分別為2014年11月29日(八葉期)、2015年1月12日(十葉期)和2015年3月5日(花期)，該數據主要用于模型驗證(樣本數為72)。試驗Ⅲ則分別為2014年11月7日(六葉期)、2014年11月29日、2015年1月12日和2015年3月1日，該結果主要用于模型構建(樣本數為96)。

試驗Ⅳ(30°43′15″N，112°18′5″)和試驗Ⅴ(30°6′22″N，112°18′12″)于2015—2016年在湖北省沙洋縣張池村兩相近田塊同步開展。試驗Ⅳ設9個氮肥水平：0、45、90、135、180、225、270、315、360 kg/hm2，油菜品種為華油雜9號；試驗Ⅴ設7個氮肥水平：0、60、120、180、240、300、360 kg/hm2，供試品種為華油雜62號。試驗Ⅳ和Ⅴ分別采用育苗移栽和直播方式種植。試驗Ⅳ分別于2015年11月13日(六葉期)、2015年12月13日(八葉期)、2016年1月7日(十葉期)、2016年1月27日(越冬期)、2016年2月21日(蕾薹期)和2015年3月17日(花期)進行光譜測試和樣品采集，該內容主要用于模型構建(樣本數為162)。試驗Ⅴ測試時間同此，該結果主要用于模型驗證(樣本數為126)。

1.2 測定方法

1.2.1冠層光譜測定

分別于上述各試驗年份和生育期，采用美國Anaytical Spectral Devices (ASD)生產的FieldSpec Pro FR型高光譜儀測試冬油菜冠層光譜反射率。各小區選取有代表性油菜樣方5處(樣方面積約1.0 m2)，以其平均值作為該小區冠層光譜測試值。測試時，將光譜探頭距油菜冠層約1.0 m，在太陽高度角變化較小的10:00—14:00進行(天氣晴朗，無云或少云)，各小區在測試前后均采用標準白板進行校正，以降低環境和儀器噪聲等因素干擾。該型號高光譜儀波段范圍為350～2 500 nm，光譜分辨率和采樣間隔分別為3 nm和1.4 nm(350～1 000 nm)，10 nm和2 nm(1 000～2 500 nm)，視場角為25°。在高光譜全波段范圍內，可見光-近紅外波段(350～1 350 nm)是指示作物營養(氮素及色素含量)及長勢狀況(LAI、生物量等結構性參數)的主要區域。因此，本試驗在定量探究波段寬度變化對冬油菜LAI監測敏感性分析時，主要采用該波段范圍。同時，在油菜高光譜測試過程中，由于不可避免地受到外界干擾(儀器自身和環境因素等)，因此光譜曲線總含有一些噪聲，刪除了信噪比較低的350～399 nm波段范圍，剔除后的波段區間為400～1 350 nm。

1.2.2LAI測定

光譜測試結束后，各小區選取有代表性移栽油菜4株或直播油菜樣方0.25 m2(0.5 m×0.5 m)，按莖、葉和花(花期時)等器官分樣并測定葉面積，計算LAI。測試時，將葉片平展于黑色背景布上，并于四角放置4個面積為25 cm2(5 cm×5 cm)標準白板。采用常規數碼相機(Nikon，D7000型)垂直向下拍照，利用Image-Pro Plus 6.0軟件計算葉面積[18]，并換算LAI。

1.3 數據處理與分析

1.3.1波段寬度擴展方法

參照GOMEZ-CASERO等[19]光譜平均處理思路和姚霞等[20]數據分析技術，采用波段逐步變寬的方法，將400～1 350 nm光譜反射率分別按窄波段和寬波段光譜寬度的方法逐步變寬。

窄波段光譜變寬：將400～1 350 nm單波段光譜數據分別以5、10、20 nm逐步平均擴展。具體的，對每一固定波段寬度(如400 nm)，求算波段寬度時是逐步滑動的，當波段寬度為5 nm時，第1次取值為400、401、402、403、404 nm的平均值，第2次為401、402、403、404、405 nm的平均值，以此類推一直到1 350 nm。其他波段變化方式與此相同。

寬波段光譜變寬：繼續將400～1 350 nm波段范圍分別以40、80、100 nm平均，作為寬波段光譜變量。

1.3.2光譜變換方式

為有效降低或消除因環境噪聲、土壤背景、水分吸收及儀器本身等因素干擾對原始光譜所構建模型預測性能和檢驗精度的影響，本文采用一階微分光譜變換措施對原初光譜進行處理。一階微分光譜變換是目前應用最多且十分有效的高光譜處理技術之一，通過微分變換可平緩背景干擾和消除基線漂移的影響，增強光譜信噪比[21]。此外，該技術可有效減弱或消除大氣散射與背景噪聲的影響并提高不同吸收特征的對比度[22]。在實際分析過程中，由于實測高光譜數據的離散性，高光譜數據的一階微分變換一般采用差分方法來近似計算，即

ρ′(λι)=[ρ(λι+1)-ρ(λι-1)]/(2Δλ)

式中λι——每個波段波長

ρ′(λι)——波長λι的一階微分

Δλ——λι-1到λι的間隔

1.3.3偏最小二乘回歸模型構建與應用

以不同波段寬度冬油菜冠層高光譜反射率為自變量，LAI為因變量，利用PLS模型整體探究原初光譜和一階微分光譜對LAI監測的適宜性和精確性，確定最佳光譜波段寬度。此外，為進一步細化探究不同波寬下原初光譜及其變換形式各波段對LAI的貢獻程度，明確影響LAI變化的有效波段，利用PLS中無量綱評價指標VIP定量表征各波段VIP值。VIP值越高(臨界值為1)，表明相應波段對因變量(LAI)的影響力越大，其在模型構建中所起作用就越高[23]。

所有模型構建均采用留一交叉驗證法確定主成分個數，模型預測精度利用實測值與預測值的決定系數(R2)、均方根誤差(RMSE)和相對分析誤差(RPD)3個指標來衡量。R2表明模型構建和檢測的準確度和穩定性，R2越高(最大值為1)，說明模型擬合程度越高、穩定性越好。RMSE反映模型的預測精度，其值越小模型估算精度越高。RPD是數據集樣本標準差與平均數的比值，其值可以解釋相應模型的預測能力，具體評價標準采用CHANG等[24]提出的臨界值劃分方法，RPD大于2.0，表明模型具有較高的穩定性和預測能力；RPD在[1.4，2.0]區間表示模型預測精度可以接受但仍需改進；RPD小于1.4表明模型具有很差的預測能力。

2 結果與分析

2.1 冬油菜LAI統計分析

綜合各試驗年份、生育期、氮素水平和生態區域，同時兼顧模型構建及驗證的典型性與代表性，將501個試驗樣本劃分為建模集(N=303)和驗證集(N=198)兩部分。由表1知，施氮可顯著影響冬油菜LAI空間變異性，建模集和驗證集LAI均具有較大的標準差和變異系數(%)，可充分有效反映不同生態環境及氮營養條件下冬油菜LAI的時空變化特征。建模集中，油菜LAI變幅和平均值分別為0.118～6.670和1.661，平均值離最大值距離較大(相差5.009)，主要原因在于試驗I中不同生育期氮營養對LAI影響極為顯著(苗期0～360 kg/hm2LAI變幅為0.61～2.20，蕾薹期為1.31～6.67，花期為0.75～4.01)，而其他試驗不同氮處理下油菜LAI分布則相對較為適中所致。此外，本試驗中LAI最大值和最小值區間跨幅較廣，且驗證集變幅均在建模集內，可保證所構建LAI診斷模型的普適性和穩定性。

表1 建模集和驗證集冬油菜LAI統計參數Tab.1 Statistical parameters of calibration and validation datasets for winter oilseed rape LAI

2.2 不同波段寬度冬油菜冠層高光譜反射率與LAI的相關性分析

將建模集不同波寬原初光譜及一階微分光譜與LAI進行相關性分析并繪制相關系數圖(圖1)。對于原初光譜(圖1a)，當波寬為1 nm時，波長小于723 nm光譜反射率與LAI呈極顯著負相關，其中在620～710 nm間相關系數存在一個較低的波谷(r<-0.38),即紅谷，由葉綠素強吸收而引起，與氮營養關系緊密。750～960 nm間相關系數進入一個較高的平臺(r>0.50)，此區域光譜對油菜葉面積和生物量等結構性指標反應敏感。由于施氮顯著促進植株生長發育，提高油菜群體LAI和生物量，此范圍對氮營養同樣敏感。其他波寬條件下(5～100 nm)，油菜冠層光譜反射率與LAI相關性變化趨勢與1 nm波寬相一致，且最大負/正相關系數對應波段位置隨波寬增加分別有向短/長波方向移動趨勢。此外，隨波寬增加，冠層原初光譜反射率與LAI相關性呈先升高后下降趨勢，至20 nm波寬時達最大，該范圍也是窄波段與寬波段一個分界點。對于一階微分光譜(圖1b)，冠層光譜反射率與LAI相關性隨波寬變化趨勢同原初光譜，但相關性卻優于原初光譜，同時分別在紅邊(687 nm和751 nm)和近紅外區域(922、1 012、1 227 nm)處達到峰值，上述波段也是指示作物營養和結構狀況的關鍵區域。

圖1 不同波寬冬油菜冠層原初光譜及其變換光譜反射率與LAI相關性分析Fig.1 Correlation coefficient (r) between winter oilseed rape LAI and canopy hyperspectral reflectance and its transformation with different bandwidths in calibration dataset

2.3 基于LAI-PLS模型的不同光譜變換方式最佳因子數確定

圖2 不同波寬冬油菜冠層原初光譜及其變換光譜PLS-LAI預測模型的交叉驗證均方根誤差Fig.2 Changes of RMSECV by increasing number of PLS LVs used in canopy hyperspectral reflectance and its transformation for LAI prediction

采用留一交叉驗證法來確定冬油菜原初光譜及其變換方式LAI-PLS監測的最佳因子數，為避免模型擬合過度并使其具有較強的魯棒性和預測性能，僅當RMSECV減少高于2%時，加入新的因子[25]。圖2表明，隨因子數(LVs)增加，油菜LAI-PLS模型的RMSECV呈先降低后升高趨勢。因子數過多，則模型擬合過度，反之，則擬合不充足。僅當RMSECV最小時對應的因子數為應用PLS進行油菜LAI監測的最佳因子數?；诖藰藴?，波寬分別為1、5、10、20、40、80、100 nm時，確定油菜原初光譜PLS-LAI最佳因子數分別為7、6、6、6、6、6和4，一階微分光譜則分別為4、4、4、6、6、6和7。

2.4 原初光譜LAI-PLS預測精度分析

2.4.1不同波寬原初光譜LAI-PLS預測精度

表2 基于不同波段寬度原初光譜的冬油菜LAI-PLS模型精度分析Tab.2 PLS model for LAI prediction with different bandwidths canopy R hyperspectra

2.4.2不同波寬原初光譜VIP值特異性分析

為探究不同波寬下各波段(400～1 300 nm)對波寬變化響應的敏感性，同時確定基于高光譜技術監測油菜LAI時空變化的敏感波段(有效波段)，采用PLS分析中VIP這一無量綱指標定量評估各光譜波段的貢獻度及影響力差異(圖3)。結果顯示，各波段對波寬變化響應的敏感性差異較大，絕大部分波段VIP值低于1.0，即影響力較低且趨于均衡；敏感波段VIP值則明顯較高(>1.0)，即對光譜監測LAI具有較高程度的貢獻力。窄波段范圍內，其敏感波段分布范圍較為一致：兩波段位于可見光區域(500 nm左右藍光區和700 nm附近紅邊區)，另3個波段則位于近紅外區域(950、1 000、1 100 nm附近區域)；寬波段變量各特征波段VIP值整體變化趨勢較為緊湊一致，且明顯凸出特征峰較少。40 nm波寬時敏感波段分別為467 nm(藍光)、614 nm(紅光)和1 128 nm(近紅外光)，80 nm波寬時分別為432 nm(藍光)、614 nm(紅光)和663 nm(紅邊)，1 128 nm波寬時則分別為593 nm(綠光)和651 nm(紅光)。

圖3 不同波寬原初光譜冬油菜LAI各波段PLS-VIP值特異性分析Fig.3 VIP scores plot of PLS model for LAI prediction with different bandwidths canopy R hyperspectra

2.5 一階微分光譜LAI-PLS預測精度分析

2.5.1不同波寬一階微分光譜LAI-PLS預測精度

與原初光譜相比，無論是窄波段光譜變量，亦或寬波段光譜變量，對光譜進行一階微分處理后，建模集與驗證集LAI-PLS模型精準度均有顯著提高(表3)。不同波寬下，隨波段寬度增加，RPDcal和RPDval均呈先增加后降低趨勢，至20 nm波寬時達最大，分別為2.223和2.004，表明該波寬對冬油菜LAI具有較高的預測性能，且此變化趨勢與原初光譜相一致。圖4為采用1∶1比例展示在20 nm波寬下原初光譜(圖4a)及一階微分光譜(圖4b)對LAI的預測性能，其散點分布越接近1∶1線(y=x)表明所構建LAI-PLS模型預測精度越高。結果發現，20 nm波寬下原初光譜和一階微分光譜所構建回歸方程斜率(分別為0.883和0.917)均略小于1.0，且微分光譜斜率明顯較高，接近1.0，表明基于20 nm波寬所確立油菜LAI預測模型低估了實測值，后者預測精度高于前者，具有較高的診斷性能，可以用于LAI的快速和精準監測。

表3 基于不同波段寬度一階微分光譜的冬油菜LAI-PLS模型精度分析Tab.3 PLS model for LAI prediction with different bandwidths canopy FDR hyperspectra

圖4 20 nm波寬下冬油菜R-PLS和FDR-PLS預測模型LAI實測值與預測值1∶1比例圖Fig.4 Comparison between observed and predicted LAI values based on 20 nm bandwidth with R-PLS and FDR-PLS models

2.5.2不同波寬一階微分光譜VIP值特異性分析

為進一步分析不同波寬下一階微分光譜各波段VIP值變化特異性及對LAI監測的影響程度，再次利用LAI-PLS回歸模型的VIP值確定基于一階微分變換光譜的敏感波段(圖5)。結果表明，不同波寬下一階微分光譜各波段VIP值呈山峰錯落式分布，且高于臨界值(VIP為1.0)特征波段明顯較多，為有效區分并篩選出最重要有效波段，我們將其臨界值設為2.0。窄波段光譜變量下，其敏感波段分布主要在紅邊至近紅外區域(680～1 100 nm)，如在波寬為20 nm時，其敏感波段分別為759(紅邊)，847、921、1 002、1 129 nm(近紅外)，而該光譜區域正是指示作物群體結構(LAI、生物量、葉片傾角等)變化的敏感位置。與原初光譜相比，采用一階微分變換光譜所篩選油菜LAI-PLS回歸模型的敏感波段更為符合氮素營養的高光譜特性和敏感波段的營養敏感特異性。綜合LAI-PLS建模集和驗證集預測模型的精準度(R2、RMSE和RPD)和所確定有效波段的營養生物學效應，采用一階微分變換光譜20 nm波寬所對應特征波段為應用PLS模型進行油菜LAI監測的敏感波段(有效波段)。

圖5 不同波寬一階微分光譜冬油菜LAI各波段PLS-VIP值特異性分析Fig.5 VIP scores plots of PLS model for LAI prediction with different bandwidths canopy FDR hyperspectra

圖6 基于20 nm波寬的油菜LAI-FDR-PLS回歸模型有效波段檢驗Fig.6 Comparisons of observed and predicted LAI value based on 20 nm bandwidth using effective wavelengths with LAI-FDR-PLS model

2.6 基于20 nm波寬FDR-PLS有效波段的模型再檢驗

為深入評估所確定油菜LAI高光譜監測最佳波段寬度(20 nm)、光譜變換方式(FDR)及有效波段(759、847、921、1 002、1 129 nm)的普適性和穩定性，利用獨立驗證集冬油菜氮肥田間試驗數據再次檢驗上述所構建模型的精準性(圖6)。結果發現，采用20 nm波寬油菜LAI 5個有效波段所建立模型在降低光譜分析維數，簡化分析難度的同時，仍具有相對較高的準確度，其建模集和驗證集RPD分別為2.004和1.707，表明所確立有效波段能夠較為準確地預測油菜LAI時空變異性。相比于全波段FDR-PLS所構建模型(建模集和驗證集RPD分別為2.223和2.004)，采用有效波段所確立模型準確度略微降低，主要是由于光譜維數大幅度減少(從954個降為5個)，其所包含光譜信息明顯降低所致。本試驗條件下，由于建模集和驗證集油菜田間試驗具有較大時空跨度(時間年份、地點、氮肥水平、油菜品種、生育期和種植方式)，具有很高的代表性和典型性，這也更為說明所確立油菜光譜變換方式、波段寬度和有效波段的合理性和普適性，可以用于基于高光譜遙感這一技術進行油菜LAI的快速和準確預測與診斷。

3 討論

通過分析多年多點多生育期的冬油菜原位冠層高光譜和實測LAI數據，在不降低光譜診斷精度的前提下，利用PLS分析整體探究了波寬變化對LAI預測性能的影響。結果表明，無論是原初光譜或一階微分光譜，不同波寬下油菜LAI-PLS模型預測精準度變化趨勢具有高度一致性，即由單波段(1 nm)→窄波段(5、10、20 nm)→寬波段(40、80、100 nm)變化時，模型預測精度呈先增加后降低趨勢，至窄/寬波段分界處20 nm波寬時模型魯棒性最強，RPDval分別為1.805(原初光譜)和2.004(一階微分光譜)，且后者預測精度遠高于前者(表2、表3和圖4)。表明在不降低LAI預測精度的條件下，選取適宜較寬的波寬光譜平均值作為LAI反演的光譜變量是可行的。本試驗結果與THENKABAIL等[26]在小麥和黑麥上的研究結論相一致，即利用高光譜技術進行LAI監測的最佳波寬為20 nm。同時，王福民等[27]利用水稻大田試驗通過分析冠層高光譜不同波寬所構建歸一化植被指數(NDVI)與LAI關系，發現利用NDVI估測水稻LAI最佳波段寬度為15 nm。上述研究結論進一步證明了本文試驗結果的合理性和普適性，這也為便攜式農作物LAI光譜監測儀的開發研制，提高監測效率和降低生產成本等提供了實踐參考和理論依據。

作物農學參數的不同理化特性在各個波段位置上的響應程度差異較大，波段寬度和及其所對應波段位置(有效波段)對參數估測的影響相輔相成，因此進一步探尋兩者協同變化規律，確定最佳波寬下有效波段分布情況，對提高光譜診斷效率具有重要意義[28]。YAO等[5]通過分析波寬變化及其所對應有效波段的分布規律，發現有效波段736和807 nm的最佳波寬分別為18、71 nm時，對冬小麥植株氮素積累量具有最高的估測精度。TEILLET等[29]研究發現，森林冠層NDVI受波寬和波段位置的綜合影響，且紅光波段對NDVI影響較大，而當波寬小于50 nm時，近紅外波段光譜反射率基本不受波段位置影響。本試驗結果表明，冬油菜LAI有效波段分布規律顯著受波寬變化影響，在窄波段光譜變量范圍內，隨波寬增加，其有效波段分布向短波方向偏移，且有效波段數相對較多(原初光譜為5，一階微分光譜為6)，至寬波段光譜范圍內，各波段VIP值整體趨于均衡，有效波段數降低(至2～3個)(圖3和圖5)。LAI-PLS預測模型顯示，一階微分光譜20 nm波寬為應用高光譜數據進行冬油菜LAI監測的最佳光譜變換方式和波段寬度，其對應有效波段分別為759、847、921、1 002、1 129 nm，全部位于紅邊-近紅外區域，前者(759 nm紅邊區)主要是由于油菜葉綠素的強吸收和葉片結構的高反射所致，是指示作物氮素營養狀況和群體結構的關鍵波段[30]，其余有效波段全部位于近紅外區域，是反映作物冠層光譜散射特性和植被結構的關鍵區域。前人研究表明，紅光及近紅外區域(700～1 300 nm)的反射光譜主要受葉片細胞排列方式和植被結構影響，對光譜產生強烈反射，是指示作物LAI和生物量的關鍵區域[31]，這與本試驗結果相一致。為進一步驗證所優選有效波段的適宜性和準確性，獨立驗證試驗發現，基于有效波段所構建LAI-PLS預測模型RPDcal和RPDval分別高達2.004與1.707，表明前述所確定油菜LAI高光譜監測的最佳波寬(20 nm)和有效波段是合理適宜的，可以用于LAI的快捷和準確監測，這為進一步提高光譜分析效率，降低開發便攜式光譜監測儀器成本提供了借鑒和參考。雖然本研究內容采用了多生態區和試驗年份的冬油菜氮肥大田試驗數據，具有較高的代表性和普適性，但試驗數據的獲得是在特定試驗條件(獨立小區試驗、特定肥效設計等)進行的，因此在推廣應用時仍具有一定限制性。

4 結論

(1)一階微分變換光譜可以顯著增強油菜冠層光譜反射率與LAI之間的相關性，尤其是在紅邊-近紅外區域；不同波段寬度間，至20 nm波寬時兩者間相關性最好。

1 NGUY-ROBERTSON A L, PENG Y, GITELSON A A, et al. Estimating green LAI in four crops: potential of determining optimal spectral bands for a universal algorithm [J]. Agricultural and Forest Meteorology, 2014, 192-193: 140-148.

2 劉珺, 龐鑫, 李彥榮, 等. 夏玉米葉面積指數遙感反演研究[J/OL]. 農業機械學報, 2016, 47(9): 309-317. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160942&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.09.042.

LIU Jun, PANG Xin, LI Yanrong, et al. Inversion study on leaf area index of summer maize using remote sensing [J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 309-317. (in Chinese)

3 VINA A, GITELSON A A, NGUY-ROBERTSON A L, et al. Comparison of different vegetation indices for the remote assessment of green leaf area index of crops [J]. Remote Sensing of Environment, 2011, 115: 3648-3478.

4 李粉玲，常慶瑞. 基于連續統去除法的冬小麥葉片全氮含量估算[J/OL]. 農業機械學報，2017, 48(7):174-179.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170722&flag=1.DOI:10.6041/j.issn.1000-1298.2017.07.022.

LI Fenling, CHANG Qingrui. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7): 174-179. (in Chinese)

5 YAO X F, YAO X, TIAN Y C, et al. A new method to determine central wavelength and optimal bandwidth for predicting plant nitrogen uptake in winter wheat [J]. Journal of Integrative Agriculture, 2013, 12(5): 788-802.

6 PINTY B, LAVERGNE, T, WIDLOWSKI J L, et al. On the need to observe vegetation canopies in the near infrared to estimate visible light absorption[J]. Remote Sensing of Environment, 2009, 113: 10-23.

7 趙娟，黃文江，張耀鴻，等. 冬小麥不同生育時期葉面積指數反演方法[J]. 光譜學與光譜分析, 2013, 33(9): 2546-2552.

ZHAO Juan, HUANG Wenjiang, ZHANG Yaohong, et al. Inversion of leaf area index during different growth stages in winter wheat [J]. Spectroscopy and Spectral Analysis, 2013, 33(9): 2546-2552. (in Chinese)

8 STELLACCI A M, CASTRIGNANO A, TROCCOLI A, et al. Selecting optimal hyperspectral bands to discriminate nitrogen status in durum wheat: a comparison of statistical approaches [J]. Environmental Monitoring and Assessment, 2016, 188(3): 1-15.

9 IM J, JENSEN J R, JENSEN R R, et al. Vegetation cover analysis of hazardous waste sites in Utah and Arizona using hyperspectral remote sensing [J]. Remote Sensing, 2012, 4(2): 327-353.

10 佃袁勇，方圣輝，徐永榮，等. 光譜波段寬度對森林葉片葉綠素含量反演的影響分析[J]. 測繪科學, 2012, 37(6): 40-42.

DIAN Yuanyong, FANG Shenghui, XU Yongrong, et al. Analysis of spectral band width in retrieval of forest foliar chlorophyll concentration [J]. Science of Surveying and Mapping, 2012, 37(6): 40-42. (in Chinese)

11 KNOX N M, SKIDMORE A K, SCHLERF M, et al. Nitrogen prediction in grasses: effect of bandwidth and plant material state on absorption feature selection [J]. International Journal of Remote Sensing, 2010, 31(3): 691-704.

12 BROGE N H, MORTENSEN J V. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data [J]. Remote Sensing of Environment, 2002, 81(1): 45-57.

13 ZHAO D H, HUANG L M, LI J L, et al. A comparative analysis of broadband and narrowband derived vegetation indices in predicting LAI and CCD of a cotton canopy [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(1): 25-33.

14 LEE K S, COHEN W B, KENNEDY R E, et al. Hyperspectralversusmultispectral data for estimating leaf area index in four different biomes [J]. Remote Sensing of Environment, 2004, 91(3-4): 508-520.

15 BROGE N H, LEBLANC E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density [J]. Remote Sensing of Environment, 2001, 76(2): 156-172.

16 THENKABAIL P, SMITH R, DE PAUW E. Hyperspectral vegetation indices and their relationships with agricultural crop characteristics [J]. Remote Sensing of Environment, 2000, 71: 158-182.

17 孫小芳. 利用小波分形維數確定水稻光譜分辨率特征尺度[J]. 遙感學報, 2013, 17(6): 1420-1426.

SUN Xiaofang. Identifying characteristic scales of rice spectral resolution using wavelet fractal dimension [J]. Journal of Remote Sensing, 2013, 17(6): 1420-1426. (in Chinese)

18 LU Z F, LU J W, PAN Y H, et al. Anatomical variation of mesophyll conductance under potassium deficiency has a vital role in determining leaf photosynthesis [J]. Plant, Cell and Environment, 2016, 39(11): 2428-2439.

19 GOMEZ-CASERO M T, CASTILLEJO-GONZALEZ I L, GARCIA-FERRER A, et al. Spectral discrimination of wild oat and canary grass in wheat fields for less herbicide application [J]. Agronomy for Sustainable Development, 2010, 30(3): 689-699.

20 姚霞，劉小軍，王薇，等. 小麥氮素無損監測儀敏感波長的最佳波段寬度研究[J]. 農業機械學報, 2011, 42(2): 162-167.

YAO Xia, LIU Xiaojun, WANG Wei, et al. Optimal bandwidths of sensitive bands for portable nitrogen monitoring instrument in wheat [J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(2): 162-167. (in Chinese)

21 李民贊. 光譜分析技術及其應用 [M]. 北京: 科學出版社, 2006.

22 MITCHELL J, GLENN N F, SANKEY T T, et al. Remote sensing of sagebrush canopy nitrogen [J]. Remote Sensing of Environment, 2012, 124: 317-223.

23 LI L T, LU J W, WANG S Q, et al. Methods for estimating leaf nitrogen concentration of winter oilseed rape (BrassicanapusL.) using in situ leaf spectroscopy [J]. Industrial Crops and Products, 2016, 91: 194-204.

24 CHANG C W, LAIRD D A. Near-infrared reflectance spectroscopic analysis of soil C and N [J]. Soil Science, 2002, 167(2): 110-116.

25 KOOISTRA L, SALAS E A L, CLEVERS J G P W, et al. Exploring field vegetation reflectance as an indicator of soil contamination in river floodplains [J]. Environmental Pollution, 2004, 127(2): 281-290.

26 THENKABAIL P S, SMITH R B, DE PAUW E. Evaluation of narrowband and broadband vegetation indices for determinign optimal hyperspectral wavebands for agricultural crop characterization [J]. Photogrammetric Engineering and Remote Sensing, 2002, 68(6): 607-622.

27 王福民，黃敬峰，唐艷林，等. 采用不同光譜波段寬度的歸一化植被指數估算水稻葉面積指數[J]. 應用生態學報, 2007, 18(11): 2444-2450.

WANG Fumin, HUANG Jingfeng, TANG Yanlin, et al. Estimation of rice LAI by using NDVI at different spectral bandwidths [J]. Chinese Journal of Applied Ecology, 2007, 18(11): 2444-2450. (in Chinese)

28 黃彥, 田慶久, 耿君, 等. 遙感反演植被理化參數的光譜和空間效應[J]. 生態學報, 2016，36(3): 883-891.

HUANG Yan, TIAN Qingjiu, GENG Jun, et al. Review of spectral and spatial scale effects of remotely sensed biophysical and biochemical vegetation parameters [J]. Acta Ecologica Sinica, 2016, 36(3): 883-891. (in Chinese)

29 TEILLET P M, STAENZ K, WILLIAM D J. Effects of spectral, spatial, and radiometric characteristics on remote sensing vegetation indices of forested regions [J]. Remote Sensing of Environment, 1997, 61(1): 139-149.

30 劉京, 常慶瑞, 劉淼, 等. 基于SVR算法的蘋果葉片葉綠素含量高光譜反演[J/OL]. 農業機械學報, 2016, 47(8): 260-272. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160834&flag=1&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.08.034.

LIU Jing, CHANG Qingrui, LIU Miao, et al. Chlorophyll content inversion with hyperspectral technology for apple leaves based on support vector regression algorithm[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(8): 260-272. (in Chinese)

31 MUTANGA O, SKIDMORE A K, VAN WIEREN S. Discriminating tropical grass (Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2003, 57(4): 263-272.