水稻葉片SPAD值的高光譜估算模型

孫玉婷 楊紅云 孫愛珍 梅芳 易文龍

摘要：【目的】構建水稻葉片SPAD值的高光譜精確估算模型，為進一步提高高光譜對水稻SPAD值反演估算精度提供參考依據?！痉椒ā坷肧PAD-502型葉綠素測定儀測量水稻葉片SPAD值，以FieldSpec 4光譜儀采集水稻葉片光譜數據。通過分析光譜植被指數、位置參數與SPAD值的相關性，構建4個水稻葉片SPAD值高光譜估測模型，即逐步多元線性回歸（SMLR）模型、支持向量機回歸（SVR）模型、基于主成分分析的支持向量機回歸（PCA+SVR）模型和以逐步多元線性回歸確定最佳參數的支持向量機回歸（SMLR+SVR）模型;并采用均方根誤差（RMSE）、平方相關系數（R2）、相對分析誤差（RPD）和平均相對誤差（MRE）等指標對模型進行評價。【結果】在分析的15個光譜特征參數中，除黃邊位置（λy）無顯著相關外（P>0.01），水稻葉片SPAD值與葉片光譜位置參數及植被指數參數間存在顯著相關性，選擇相關系數大于0.800的5個植被指數參數（VOG1、VOG2、VOG3、CARI和PRI）和7個光譜位置參數[藍邊面積（SDb）、黃邊振幅（Dy）、黃邊面積（SDy）、綠峰反射率（Rg）、紅谷凈深度（Hr）、藍邊振幅（Db）和紅邊位置（λh）]作為輸入變量構建水稻葉片SPAD值的估測模型。R2和RPD值越大，RMSE和MRE值越小，則表明模型的性能越好，估算精度高。比較4個模型訓練與測試結果的R2、RMSE、MRE和RPD可知，在模型估算精度上，SMLR+SVR模型高于SMLR模型，PCA+SVR模型高于SVR模型?？傮w上，SMLR+SVR模型能更好地實現對水稻葉片SPAD值的預測，其模型各項評價指標R2、RMSE、MRE和RPD分別為0.856、2.076、3.984%和2.550?！窘ㄗh】進一步挖掘分析光譜特征參數與水稻葉片SPAD值間的關系，提出新的光譜特征參數或優化特征參數選擇組合方法，增加回歸建模算法，提高高光譜對水稻葉片SPAD值的有效估算。采集水稻冠層高光譜圖像，反演出高光譜圖像中的水稻冠層SPAD值，研究冠層SPAD與水稻長勢關系，為水稻科學管理提供技術支持。

關鍵詞： 水稻;SPAD值;高光譜;多元逐步線性回歸;支持向量機回歸

中圖分類號： S511.01;S126? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標志碼： A 文章編號：2095-1191（2020）05-1062-08

Abstract：【Objective】The hyperspectral accurate estimation model of SPAD value in rice leaves was constructed， which provided reference for further improving the accuracy of hyperspectral retrieval estimation of rice SPAD value. 【Method】The SPAD value of rice leaf was measured by SPAD-502 chlorophyll detector， and the spectrum data of rice leaf was collected by FieldSpec 4 spectrometer. The correlation among spectral vegetation index， position parameters and SPAD values was analyzed. Four hyperspectral estimation models of SPAD value of rice leaves were constructed： stepwise multiple linear regression model（SMLR）， support vector machine regression model（SVR）， support vector machine regression model based on principal component analysis（PCA+SVR） and support vector machine regression model based on stepwise multiple linear regression to determine the best parameters（SMLR+SVR）. The model was evaluated by the root mean square error（RMSE）， R-squared（R2）， the residual predictive deviation（RPD） and the mean relative error（MRE）. 【Result】Among the 15 spectral characteristic parameters analyzed， except the yellow edge amplitude（λy） was insignificantly correlated（P>0.01），there was significant correlation between SPAD value of rice leaves and parameters of spectral position and vegetation index. Five vegetation index parameters（VOG1， VOG2， VOG3， CARI and PRI） and seven spectral position parameters[blue edge area（SDb）， yellow edge amplitude（Dy）， yellow edge area（SDy）， green peak reflectivity（Rg）， Red Valley clear depth（Hr）， blue edge amplitude（Db）， red edge position（λh）] with correlation coefficient greater than 0.8 were selected as input variables to build the estimation model of SPAD value on rice leaf. If the R2 and RPD were larger， RMSE and MRE were smaller， the performance of the model would be better and the estimation accuracy would be high. By comparing the R2， RMSE， MRE and RPD of training and test results of the four models， the estimation accuracy of SMLR+SVR model was higher than SMLR model， and that of PCA+SVR model was higher than SVR model. In general， SMLR+SVR modelcould better predict the rice leaves SPAD value. The evaluation indexes R2， RMSE， MRE and RPD of the SMLR+SVR model were 0.856， 2.076， 3.984% and 2.550 respectively. 【Suggestion】Further mining and analyzing the relationship between the spectral characteristic parameters and the rice SPAD value，propo-sing new spectral characteristic parameter or an optimized combination of characteristic parameters，and adding regression modeling algorithm to improve the efficient estimation of rice SPAD value by hyperspectral. Collecting hyperspectral image of rice canopy， and inverting the SPAD value of rice canopy in the hyperspectral image， studying the relationship between canopy SPAD and rice growth to provide technical support for rice scientific management.

Key words： rice; SPAD value; hyperspectral; stepwise multiple linear regression; support vector machine regression

Foundation item： National Natural Science Foundation of China（61562039，61762048）;Science and Technology Project of Jiangxi Provincial Department of Education（GJJ160374，GJJ170279）

0 引言

【研究意義】葉綠素是植物進行光合作用過程中最重要的色素，其含量與植物的健康狀況、營養水平及產量有著密切關系。傳統的作物葉片葉綠素含量檢測常采用機溶劑提取結合分光光度計分析方法（Lichtenthaler，1987），費時費力且需破壞取樣。隨著高光譜技術在作物長勢監控上的大量研究應用，發現在可見光范圍內葉片光譜反射率主要受色素含量影響，即葉片色素含量可通過光譜反射率進行有效估計。植物葉片SPAD值是反映葉綠素含量的相對值，使用SPAD值代替葉綠素含量已成為評價植被長勢的有效手段（趙小敏等，2019），因此，快速精準獲取作物SPAD值對監控作物生長長勢狀況及提高作物最終產量等具有重要意義。【前人研究進展】近年來，高光譜技術以其信息量大、分辨率高、連續性強等優勢廣泛應用于植物生長監測中（譚向農等，2017），可通過微弱的光譜反射率差異定量分析植物生長發育過程中的細微變化，從而估測植物生理生態參數。目前，基于高光譜技術的研究主要集中于植物的葉片和冠層兩個方面，就光譜與植物的響應機理來看，作物冠層光譜結合了植株群體、冠層結構、土壤背景和空氣等不同要素，非目標信息可能會影響植物生理生態參數的估算精度（章曼等，2015;Niu and Zhang，2016）。葉片是冠層光譜信息中貢獻最大的成分，基于植物葉片的光譜信息特征提取可避免環境因素及土壤背景等的影響（Wu et al.，2016;武改紅等，2018），學者就此進行了相關研究。夏天等（2012）通過光譜植被指數估測植物葉片的SPAD值，構建了冬小麥葉片SPAD值的估測模型，表明以植被指數NDVI對SPAD值具有較好的估算效果，能滿足精度要求。王鑫梅（2015）以107楊幼苗為研究對象，構建了基于植被指數的葉片SPAD值估算模型，模型估算精度較高，可為高光譜技術對植物的生長過程監測提供理論依據。也有不少研究通過光譜的位置參數來估測植物葉片的SPAD值。朱西存等（2011）采集不同生長發育期紅富士蘋果葉片光譜反射率，通過一階微分計算獲得紅邊光譜位置特征參數，并分析特征參數與葉片SPAD值的相關性，將相關性高的紅邊位置參數作為自變量，建立SPAD值估測模型，模型具有較好的估測效果。李媛媛等（2016）通過分析玉米葉片的一階微分光譜得到不同光譜位置參數，將與SPAD值相關性高的4個光譜位置參數作為輸入、SPAD值作為輸出，構建BP神經網絡模型，模型的估算精度高。隨著人工智能技術的迅速發展，支持向量機回歸以其良好的泛化能力優勢廣泛應用于許多領域，通過支持向量機回歸與高光譜技術相結合估測作物的生理生化參數的研究也越來越多。孫小香等（2018）采用主成分分析和支持向量機回歸方法構建水稻冠層SPAD值的估算模型，結果表明基于主成分分析的支持向量機回歸模型估算均方根誤差（RMSE）相對較小，獲得了較好的應用效果。【本研究切入點】現有研究主要是通過單一的一元線性回歸、偏最小二乘、逐步多元線性回歸或支持向量機回歸等方法建立水稻葉片SPAD值的高光譜分析模型，也有采用主成分分析結合各種回歸算法建模，但模型的精確度有待進一步提高。【擬解決的關鍵問題】通過采集水稻葉片的SPAD值和高光譜數據，分析水稻葉片的原始光譜和一階微分光譜，提取光譜的植被指數與位置參數，利用逐步多元線性回歸分析選擇支持向量機回歸建模參數，構建模型，為提高高光譜對水稻葉片SPAD值的精確估測提供參考依據。

1 數據樣本與處理

1. 1 水稻樣本試驗

于2019年在江西農業大學農學實驗站進行水稻大田試驗。土壤理化特性：pH 5.3，全氮1.02 g/kg，全鉀14.22 g/kg，全磷0.48 g/kg，速效鉀123.84 mg/kg，速效磷11.65 mg/kg，堿解氮112.31 mg/kg，有機質19.46 g/kg。以中嘉早17為試驗材料，設4種不同施氮水平區域，每個區域的磷鉀施肥量相同，各生長期的施肥量數據見表1。于2019年4月25日播種，5月14日人工移栽。移栽密度為25株/m2（5 m×5 m），其他按常規栽培要求進行管理。水稻分蘗期進行數據采集，一片葉片為一組樣本。每個施氮水平區域各采集100組，本次試驗共采集400組樣本數據，其中每個施氮水平區域隨機選擇70組共計280組作為建模樣本，剩余120組作為測試驗證樣本。

1. 2 數據獲取與分析

1. 2. 1 葉片SPAD值測量 采用SPAD-502型葉綠素測定儀（浙江托普云農科技股份有限公司）測定水稻葉片的SPAD值，分別對水稻葉片的葉枕、葉中和葉尖3個部位進行測量（測量時盡量避開葉脈），葉片SPAD值為3個部分的平均值。

1. 2. 2 葉片高光譜數據測量 使用FieldSpec 4（美國ASD公司）光譜儀，采集的波段范圍為350～1200 nm，光譜間隔為1.4 nm。標準白板校正光譜儀后采集葉片葉尖、葉中和葉枕3個部位的15條光譜曲線，葉片高光譜數據為15條光譜曲線的平均值。

1. 2. 3 一階微分變換 在測量過程中，為消減由于土壤、水分等因素干擾影響光譜數據，光譜微分技術被廣泛應用（孫小香等，2018），采用以下公式對水稻葉片的原始光譜數據進行微分變換：

R（λi）'=[Rλi+1-Rλi-1λi+1-λi-1]? ? ? ?（1）

式中，λi-1、λi和λi+1分別為第i-1、i和i+1個波段的長度，R（λi）表示波長λi位置的原始光譜反射率，R（λi）'表示波長λi位置的光譜一階微分值。

1. 2. 4 高光譜特征選擇 植被指數是對原始光譜數據重新組合得到的參數，能有效度量植物的營養狀況。從測量獲取的水稻葉片原始光譜數據中，本研究共提取15個植被指數特征，分別為：PRI（Gamon et al.，1992）、VOG1（Vogelmann et al.，1993）、NPCI（Penuelas et al.，1995）、GNDVI（Gitelson et al.，1996）、NDVI（Lichtenthaler et al.，1996）、PSSRa、PSSRb、PSSRc（Blackburn，1998）、CARI（Broge and Leblanc，2001）、VOG2、VOG3（Zarco-Tejada et al.，2001）、PSNDa、PSNDb、PSNDc、PSRI（Merzlyak et al.，2010）。5個光譜位置參數分別為：紅谷位置（λr）、紅谷反射率（Rr）、紅谷凈深度（Hr）、綠峰位置（λg）及綠峰反射率（Rg）。9個一階微分光譜位置參數分別為：藍邊位置參數3個，即藍邊面積（SDb）、藍邊位置（λb）和藍邊振幅（Db）;黃邊位置參數3個，即黃邊面積（SDy）、黃邊位置（λy）和黃邊振幅（Dy）;紅邊位置參數3個，即紅邊面積（SDr）、紅邊位置（λh）和紅邊振幅（Dr）。

1. 3 SVR參數選擇

在實際應用的SVR回歸中，懲罰參數（C）的取值和核參數（g）的取值非常重要，在很大程度上決定了SVR的性能優劣（Friedrichs and Igel，2005），傳統的網格搜索算法雖能找到最優參數組合（C，g），但尋優時間長，缺乏時效性，而改進網格搜索算法（王興玲和李占斌，2005）對參數采用大步距大范圍的粗略選擇，以得到局部最優參數組合（C，g），再在這組參數附近確定一個小區間進行小步距精搜，從而減少尋優時間。網格搜索算法設定網格搜索參數（C，g）的初始搜索范圍設定為[2-8，28]，步長step=1，對訓練集的測試采用K-CV方法，其中K=10;計算局部最優參數組合（C，g），設步長step=0.1，在局部最優參數附近選擇一個較小的區間重新進行二次搜索。

1. 4 統計分析

使用SPSS 19.0進行數據分析，并到用MATLAB 2014b平臺進行代碼編程和制圖。

2 結果與分析

2. 1 植被指數與葉片SPAD值間的關系

根據已有的研究成果（Sims and Gamon，2002;梁亮等，2012），本研究總結整理15個植被指數，分析其與水稻SPAD值間的相關性，分析結果見表2。15個植被參數均與SPAD值在0.01水平呈顯著相關，其中植被指數CARI與葉片SPAD值呈最大負相關（r=-0.881），而植被指數VOG1與葉片SPAD值呈最大正相關（r=0.874）。為更有效地對水稻葉片SPAD值進行估算，從表2中篩選出|r|>0.800的5個植被指數（VOG1、VOG2、VOG3、CARI、PRI）作為模型的部分輸入量。

2. 2 光譜位置參數與葉片SPAD值間的關系

2. 2. 1 原始光譜 如圖1所示，試驗采集的水稻葉片原始光譜反射率繪制得到3條不同SPAD值光譜反射曲線，且基本趨于一致，在可見光波段，約接近700和500 nm的位置處呈現波谷特征，其中光譜反射率最小值在近700 nm波谷位置，稱為紅谷;接近550～600 nm處出現波峰特征，對光譜反射率達極大值，稱為綠峰;在近紅外的過渡波段700～800 nm處形成明顯的紅邊，光譜反射率迅速上升，在大于800 nm的紅外形成一個反射高臺。對綠峰和紅谷的特征參數進行分析，A點標記λg，B點標記λr。綠光區域內最大波段的反射率記為Rg，紅光區域內最小波段的反射率記為Rr，Rg減去Rr的結果為Hr，即圖1中A、B兩點間的垂直落差值。

2. 2. 2 一階微分光譜 水稻葉片SPAD值的一階微分光譜反射率如圖2所示，C表示藍邊，D表示黃邊，E表示紅邊;Db表示藍邊范圍內一階微分光譜的最大值，Dy表示黃邊范圍內一階微分光譜的最大值，Dr則表示紅邊范圍內最大一階微分光譜值。Db波長對應λb，Dy波長對應λy，Dr波長則對應λh。黃邊區域內一階微分光譜值的總和稱為SDy，藍邊區域內一階微分光譜值的總和稱為SDb，紅邊區域內的一階微分光譜值總和稱為SDr。利用5個原始光譜位置參數和9個一階微分光譜參數，共計14個光譜位置參數特征分別對SPAD值進行相關性分析，結果（表3）顯示，14個光譜位置參數中與水稻葉片SPAD值不存在顯著相關的只有λy參數（P>0.01）。為了精確估算水稻葉片SPAD值，從中篩選出|r|>0.800的7個光譜位置參數（SDb、Dy、SDy、Rg、Hr、Db、λh）模型的部分輸入量。

2. 3 水稻葉片SPAD值的估算模型

2. 3. 1 SVR模型 利用上述篩選出|r|>0.800的5個植被指數和7個光譜位置參數共計12個特征量作為SVR的輸入量，以SPAD值作為輸出量，構建SVR模型。采用K折交叉驗證法進行驗證，得到局部最優組合參數（C，g）為（64，0.125），即（26，2-3）。在局部最優參數附近選擇不同的較小區間重新進行二次搜索，搜索步長設定0.1，參數尋優結果（C，g）為（27.858，0.25）。與傳統的網格搜索算法比較，改進的網格搜索算法參數尋優的RMSE明顯更低，參數尋優時間更短。

以觀測到中嘉早17水稻葉片的400組數據為分析樣本，通過SVR模型對其中280組建模樣本進行學習訓練，根據得到的SVR模型對120組測試樣本進行預測估算，預測估算的結果如圖3所示。SVR模型估算值的R2為0.822，RMSE為2.363，平均相對誤差（MRE）為4.712%，相對分析誤差（RPD）為2.064。

2. 3. 2 SMLR模型 與構建SVR模型相同，選取12個與SPAD值相關性大于0.800的植被指數和光譜位置參數作為輸入變量，并對模型進行驗證。逐步回歸方法的建模依據采用顯著性水平值進行判斷，分別設0.05和0.10作為選擇和剔除輸入自變量的概率參數，根據R2，F統計量最高，RMSE最小原則篩選最佳光譜SMLR預測模型。最終確定2個光譜位置參數（Hr和Db）和3個植被指數（VOG2、VOG1和CARI）為輸入變量，公式（2）為建立的逐步多元線性回歸方程。SMLR模型對水稻葉片120組驗證樣本進行估算，結果如圖4所示。SMLR模型估算值的R2為0.835，RMSE為2.423，MRE為4.818%，RPD為1.873。

SPAD=106.629-7830.015Db-196.836VOG2+

293.255Hr-25.613CARI-50.88VOG1 （2）

2. 3. 3 SMLR+SVR模型 利用SMLR建模過程將12維輸入變量進行選擇、剔除操作，最終篩選出的變量為VOG1、VOG2、CARI、Hr和Db，將這5個變量作為SVR模型的輸入變量，輸出變量為水稻葉片SPAD值，構建SMLR+SVR模型。采用歸一化方法將模型的輸入變量和輸出變量歸一化到（0，1）范圍，應用改進的網格搜索算法得到參數最優組合（C，g）為（16，1.320），通過SVR對水稻葉片280組建模樣本進行訓練學習，得到模型的訓練結果如圖5所示。SMLR+SVR模型訓練值的R2為0.865，RMSE為2.076，MRE為4.288%，RPD為3.112。利用訓練得到的模型對120組驗證樣本進行預測估算，預測結果如圖6所示。SMLR+SVR模型的估算值的R2為0.856，RMSE為2.076，MRE為3.984%，RPD為2.550，模型的估算效果優于SVR模型和SMLR模型。

2. 3. 4 PCA+SVR模型 PCA是利用降維的思想，將多個特征轉化為少數幾個不相關的綜合特征的多元統計分析方法。本研究選擇相關性較高的12個特征數據，為能提高算法的運行效率，且能獲得理想的試驗效果，再對這12維數據進行主成分分析，結果如圖7所示。前6個主成分累計貢獻率達99.822%。選擇前6個主成分作為SVR模型的輸入量，以葉片SPAD值作為輸出量構建PCA+SVR模型。歸一化輸入變量和輸出變量到（0，1）范圍，最優組合（C，g）采用改進的網格搜索算法計算，結果為（24，0.850），通過SVR對水稻葉片280組建模樣本進行訓練學習，得到模型的訓練結果如圖8所示。PCA+SVR模型訓練值的R2為0.848，RMSE為2.201，MRE為4.376%，RPD為3.046。利用120組測試數據對模型進行預測估算，結果詳見圖9。PCA+SVR模型的估算值的R2為0.802，RMSE為2.316，MRE為4.215%，RPD為2.295。

2. 3. 5 模型評價指標與模型結果比較 在評估模型的指標中R2和RPD反映觀測值與估算值間的相關性強度，RMSE和MRE則反映觀測值與估算值間的偏差。R2和RPD值越大，RMSE和MRE的值越小，則表明模型的性能越好，估算能力越強。對于RPD而言，當RPD<1.4時，模型預測效果較差，一般無法對樣品進行估測;當RPD∈[1.4，2）時，模型預測效果一般，可對樣品進行初步估算;當RPD≥2時，則模型具有很好的預測能力（柳維揚等，2017）。

表4為4個模型的訓練結果和估算驗證結果。4個模型均取得較好的效果，其中SMLR+SVR模型的各項評估指標總體上優于其余3個模型的估算效果，精度最高。PCA+SVR模型估算精度高于SVR模型，而SMLR+SVR模型精度明顯高于SMLR模型，說明不同高光譜特征參數選擇方式的最優模型不同，綜合比較發現SMLR+SVR模型為最優的水稻葉片SPAD值估算模型。

3 討論

在可見波段中，水稻葉片因SPAD值較大，葉片色素含量較高，主要是吸收光譜，對光譜的反射率較低。在本研究中，葉片SPAD值與光譜反射率在可見光波段呈負相關，說明葉綠素含量與光譜反射率呈反比。

利用可見光波段和近紅外波段的光譜反射率進行一系列的處理，獲得各種功能和用途的植被指數，從而定量估算作物的農學參數。對不同作物生理生化參數進行估算時需篩選不同的植被參數。趙佳佳等（2014）通過測量冬小麥葉片冠層光譜反射率和SPAD值，并分析二者的相關性，發現冬小麥葉片SPAD值與冠層光譜植被指數（DVI、RVI、GRVI、NDVI、FDRVI、FDNDVI、FDDVI、FDGRVI）均呈極顯著相關，其中與NDVI的相關性較大（r=0.9238）。本研究針對水稻葉片的SPAD值，分析了15種植被指數與SPAD值間的相關性，發現這15種植被指數均與SPAD值極顯著相關，水稻SPAD值與水稻葉片的光譜位置參數及植被參數存在極顯著相關。朱西存等（2011）通過測定不同物候期的蘋果葉片高光譜與SPAD值，發現光譜的紅邊參數（紅邊位置、紅邊斜率、紅邊面積）與SPAD值間均達顯著或極顯著相關。本研究不僅驗證了上述結論，還發現光譜的綠峰參數（綠峰位置、綠峰反射率）、黃邊參數（黃邊面積、黃邊振幅）、藍邊參數（藍邊位置、藍邊振幅、藍邊面積）、紅谷參數（紅峰反射率、紅峰位置）與水稻SPAD值間存在極顯著性相關，且黃邊面積與SPAD值呈最大正相關（r=0.864），藍邊振幅與SPAD呈最大負相關（r=-0.865）。因此推斷敏感波段的植被指數和光譜位置參數與SPAD值相關性更好，表明選擇相關性高的信息作為建模輸入，得到的結果更理想。孫小香等（2018）對水稻冠層SPAD值進行高光譜反演模型研究，結果表明對22個光譜位置參數進行主成分分析，提取方差累積貢獻率達99.734%的前8個主成分進行支持向量機回歸建模，模型的估算精度優于其他模型（PCA+SMLR、CP+SVR和CP+SMLR）;但模型估算精度的評價指標局限于RMSE的比較，未能反映MRE的大小，其結論有待進一步探討。

4 建議

4. 1 優化光譜特征參數選擇

因光譜特征參數選擇組合方式不同或選擇建模算法不同，構建水稻葉片SPAD值估算模型結果準確度也不同。在今后的研究中，應進一步挖掘分析光譜特征參數與SPAD間的關系，提出新的特征參數或優化特征參數選擇組合方法，同時應引入BP神經網絡等其他機器學習建模算法，提高高光譜對水稻葉片SPAD值的有效估算，為科學管理水稻生產提供理論依據。

4. 2 采集水稻冠層高光譜圖像

目前水稻葉片高光譜數據采集主要在大田中進行，測量效率較低，實際操作較繁瑣，因此需要進一步提高高光譜數據采集效率，降低實驗操作要求。后期將采集水稻冠層高光譜圖像，反演出高光譜圖像中的水稻冠層SPAD值，研究冠層SPAD與水稻生長狀態的關系，進而為精準施肥提供指導。

參考文獻：

李媛媛，常慶瑞，劉秀英，嚴林，羅丹，王爍. 2016. 基于高光譜和 BP 神經網絡的玉米葉片SPAD值遙感估算[J]. 農業工程學報，32（16）： 135-142. [Li Y Y，Chang Q R，Liu X Y，Yan L，Luo D，Wang S. 2016. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural[J]. Transactions of the Chinese Society of Agricultural Engineering，32（16）： 135-142.]

梁亮，楊敏華，張連蓬，林卉，周興東. 2012. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J]. 農業工程學報，28（20）： 162-171. [Liang L，Yang M H，Zhang L P，Lin H，Zhou X D. 2012. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regressional gorithm[J]. Transactions of the Chinese Society of Agricultural Engineering，28（20）： 162-171.]

柳維揚，彭杰，竇中江，陳兵，王家強，向紅英，代希君，王瓊，牛建龍. 2017. 基于冠層尺度的棗樹色素含量的高光譜估算模型[J]. 光譜學與光譜分析，37（1）： 156-161. [Liu W Y，Peng J，Dou Z J，Chen B，Wang J Q，Xiang H Y，Dai X J，Wang Q，Niu J L. 2017. Estimation models for jujube leaf pigment concentration with hyperspectrum data at canopy scale[J]. Spectroscopy and Spectral Analysis，37（1）： 156-161.]

孫小香，王芳東，郭熙，趙小敏，謝文. 2018. 基于水稻冠層高光譜的葉片SPAD值估算模型研究[J]. 江西農業大學學報，40（3）： 444-453. [Sun X X，Wang F D，Guo X，Zhao X M，Xie W. 2018. The estimation models of rice leaf SPAD value based on canopy spectrum[J]. Acta Agriculturae Universitatis Jiangxiensis，40（3）： 444-453.]

譚向農，劉淮，漆錕. 2017. 高光譜遙感在農業生產中的應用及展望[J]. 北京測繪，（1）： 49-52. [Tan X N，Liu H，Qi K. 2017. Application and prospect of hyperspectral remote sensing in agricultural production[J]. Beijing Surveying and Mapping，（1）： 49-52.]

王興玲，李占斌. 2005. 基于網格搜索的支持向量機核函數參數的確定[J]. 中國海洋大學學報（自然科學版），35（5）： 859-862. [Wang X L，Li Z B. 2005. Identifying the parameters of the kernel function in support vector machines based on the grid-search method[J] Periodical of Ocean University of China，35（5）： 859-862.]

王鑫梅. 2015. 氮素水平對不同土壤質地楊樹葉片光譜特性和光合能力的影響[D]. 保定：河北農業大學. [Wang X M. 2015. The influence of nitrogen levels to populus spectrum characteristics and photosynthetic capacity on diffe-rent soil texture[D]. Baoding： Agricultural University of Hebei.]

武改紅，馮美臣，楊武德. 2018. 冬小麥葉片SPAD值高光譜估測的預處理方法[J]. 生態學雜志，37（5）： 1589-1594. [Wu G H，Feng M C，Yang W D. 2018. Hyperspectral pretreatment methods on leaf SPAD value prediction in winter wheat[J]. Chinese Journal of Ecology，37（5）： 1589-1594.]

夏天，周清波，陳仲新. 2012. 基于HJ-1衛星的冬小麥葉片SPAD遙感監測研究[J]. 中國農業資源與區劃，33（6）： 38-44. [Xia T，Zhou Q B，Chen Z X. 2012. Monitoring winter wheat SPAD based on HJ-1 CCD[J]. Chinese Journal of Agricultural Resources and Regional Planning，33（6）： 38-44.]

章曼，常慶瑞，張曉華，劉佳歧. 2015. 不同施肥條件下水稻冠層光譜特征與葉綠素含量的相關性[J]. 西北農業學報，24（11）：49-56. [Zhang M，Chang Q R，Zhang X H，Liu J Q. 2015. Correlation between rice canopy spectral reflectance and leaf chlorophyll under different fertilization[J]. Acta Agriculturae Boreali-occidentalis Sinica，24（11）： 49-56.]

趙佳佳，馮美臣，王超，楊武德，李志花，朱智慧，任鵬，劉婷婷，王慧琴. 2014. 基于光譜植被指數的冬小麥葉綠素含量反演[J]. 山西農業大學學報（自然科學版），34（5）： 391-396. [Zhao J J，Feng M C，Wang C，Yang W D，Li Z H，Zhu Z H，Ren P，Liu T T，Wang H Q. 2014. Simula-ting the content of chlorophyll in winter wheat based on support vegetation index[J]. Journal of Shanxi Agricultural University（Natural Science Edition），34（5）： 391-396.]

趙小敏，孫小香，王芳東，謝文，郭熙. 2019. 水稻高光譜遙感監測研究綜述[J]. 江西農業大學學報，41（1）： 1-12. [Zhao X M，Sun X X，Wang F D，Xie W，Guo X. 2019. A summary of the researches on hyperspectral remote sensing monitoring of rice[J]. Acta Agriculturae Universitatis Jiangxiensis，41（1）： 1-12.]

朱西存，趙庚星，姜遠茂，王凌，陳紅艷，王利. 2011. 基于高光譜紅邊參數的不同物候期蘋果葉片的SPAD值估測[J]. 紅外，32（12）： 31-38. [Zhu X C，Zhao G X，Jiang Y M，Wang L，Chen H Y，Wang L. 2011. Estimation of SPAD value of apple leaf in different phenophase based on hyperspectral red edge parameters[J]. Infrared，32（12）： 31-38.]

Blackburn G A. 1998. Quantifying chlorophylls and caroteniods at leaf and canopy scales：An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment，66（3）： 273-285.

Broge N H，Leblanc E. 2001. 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，76（2）： 156-172.

Friedrichs F，Igel C. 2005. Evolutionary tuning of multiple SVM parameters[J]. Neurocomputing，64（1）： 107-117.

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

Gitelson A A，Kaufman Y J，Merzlyak M N. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment，58（3）： 289-298.

Lichtenthaler H K. 1987. Chlorophylls and carotenoids： Pigments of photosynthetic biomembranes[J]. Methods in Enzymology，148C： 350-382.

Lichtenthaler H K，Gitelson A，Lang M. 1996. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements[J]. Journal of Plant Physiology，148（3-4）： 483-493.

Merzlyak M N，Gitelson A A，Chivkunova O B，Rakitin V YU. 2010. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum，106（1）： 135-141.

Niu L Y，Zhang X Y. 2016. A study of estimation model for the chlorophyll content of wheat leaf based on hyperspectral imaging[J]. Asian Agricultural Research，8（8）： 86-90.

Penuelas J，Frederic B，Filella I. 1995. Semi-empirical indices to assess Carotenoid/Chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica，31（2）： 221-230.

Sims D A，Gamon J A，2002. Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J]. Remote Sensing of Environment，81（2-3）： 337-354.

Vogelmann J E，Rock B N，Moss D M. 1993. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing，14（8）： 1563-1575.

Wu Q，Wang J H，Wang C，Xu T Y. 2016. Study on the optimal algorithm prediction of corn leaf component information based on hyperspectral imaging[J]. Infrared Physics & Technology，7（8）：66-71.

Zarco-Tejada P J，Miller J R，Noland T L，Mohammed G，Sampson P. 2001. Scaling-up and model inversion me-thods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，39（7）： 1491-1507.

（責任編輯 鄧慧靈）