基于高光譜成像技術(shù)的番茄葉片葉綠素含量檢測(cè)

馬玲　杜明華　 孟露　楊甜　吳龍國(guó)

摘要：葉綠素是植物生長(zhǎng)發(fā)育必不可少的色素，可用來(lái)衡量植物生長(zhǎng)狀況，為實(shí)現(xiàn)番茄葉片葉綠素含量快速、無(wú)損檢測(cè)，以番茄為試驗(yàn)材料，通過(guò)高光譜無(wú)損檢測(cè)方法，對(duì)番茄葉片葉綠素含量進(jìn)行監(jiān)測(cè)。提取出82個(gè)葉片樣本的平均光譜反射率數(shù)據(jù)（400～1 000 nm），對(duì)原始光譜數(shù)據(jù)分別進(jìn)行7種預(yù)處理（平均平滑、高斯濾波、中值濾波、卷積平滑、歸一化、基線(xiàn)校準(zhǔn)（baseline）、標(biāo)準(zhǔn)正態(tài)化（standard normal variation，SNV），建立PLSR模型，建模結(jié)果顯示：SNV預(yù)處理光譜的建模效果最優(yōu)。用β權(quán)重系數(shù)、無(wú)信息變量消除變換法（uninformation variable elimination，UVE）、競(jìng)爭(zhēng)自適應(yīng)重加權(quán)法（compet-itive adaptive weighted sampling，CARS）及連續(xù)投影算法（successive project-ion algorithm，SPA）等提取特征波長(zhǎng)，并建立了PLSR模型，建模結(jié)果表明：CARS法提取特征波長(zhǎng)所建立的模型最優(yōu)，CARS法提取了8個(gè)特征波長(zhǎng)（732、796、946、953、957、968、983、994 nm）被應(yīng)用于建立番茄葉片葉綠素定量預(yù)測(cè)模型。為選出最優(yōu)的建模方法，使用MLR、PCR、PLSR與SVR方法分別對(duì)CARS提取的特征波長(zhǎng)進(jìn)行模型對(duì)比，優(yōu)選出的MLR模型用于預(yù)測(cè)番茄葉綠素含量，最優(yōu)預(yù)測(cè)模型MLR的相關(guān)系數(shù)Rc、Rcv分別為0.830、0.743，均方根誤差RMSEC、RMSECV分別為2.126、2.365。這可為今后在線(xiàn)監(jiān)測(cè)植物長(zhǎng)勢(shì)提供技術(shù)支撐。

關(guān)鍵詞：高光譜成像；番茄葉片；葉綠素；無(wú)損檢測(cè)

中圖分類(lèi)號(hào)：S641.201文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1002-1302（2023）11-0167-07

番茄（Lycopersicon esculentum Mill.）別稱(chēng)西紅柿，成熟的果實(shí)可食用，口感好，養(yǎng)分足［1］，是我國(guó)北部設(shè)施種植的主要蔬菜和消費(fèi)最多的園藝產(chǎn)品之一，也是世界上廣泛栽培和使用最多的果菜類(lèi)蔬菜。氮素是作物生長(zhǎng)發(fā)育過(guò)程中不可缺乏的一種養(yǎng)分［2］。氮是葉綠素、植物素等的重要成分［3］，而植物葉片葉綠素濃度影響著植物光合效果，其含量高低與植株?duì)I養(yǎng)狀況和發(fā)育階段密切相關(guān)，成為評(píng)估作物長(zhǎng)勢(shì)以及受脅迫程度的重要指標(biāo)［4］。檢測(cè)葉綠素含量的傳統(tǒng)方法存在損壞樣本、費(fèi)時(shí)、檢測(cè)效果低、不能及時(shí)反映作物生長(zhǎng)狀況與受害情況的缺陷［5］。高光譜成像技術(shù)具備了高速、無(wú)損、成本低的特性，可以直接對(duì)植物進(jìn)行微弱光譜特征的定量分析研究［6］。國(guó)內(nèi)外諸多學(xué)者已經(jīng)開(kāi)始利用高光譜成像技術(shù)對(duì)作物的水分、葉綠素含量等植物營(yíng)養(yǎng)元素進(jìn)行無(wú)損監(jiān)測(cè)［7-9］。學(xué)者通過(guò)一些高光譜參數(shù)，探索了植物的葉綠素、氮素含量等［10-11］。Sun等使用高光譜成像技術(shù)，對(duì)桃子葉綠素濃度進(jìn)行了監(jiān)測(cè)［12］。Singh等采用無(wú)損檢測(cè)技術(shù)建立高粱SPAD值預(yù)測(cè)模型［13］。Madeira等對(duì)四季豆光譜輻射與葉綠素含量之間的關(guān)系進(jìn)行探索研究，指出四季豆葉片葉綠素濃度的無(wú)損檢測(cè)能夠通過(guò)高光譜成像技術(shù)實(shí)現(xiàn)［14］。Annala等在訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)反演葉綠素濃度的試驗(yàn)中，提出了利用高光譜技術(shù)就可以對(duì)作物葉綠素含量作出合理評(píng)價(jià)［15］。學(xué)者也建立了油茶［16］、冬小麥［17］、馬鈴薯［18］、水稻［19］等葉綠素含量估測(cè)模型。上述研究成果都顯示高光譜成像技術(shù)已經(jīng)能夠?qū)χ参餇I(yíng)養(yǎng)元素進(jìn)行無(wú)損測(cè)定。但用高光譜成像技術(shù)檢測(cè)番茄葉片葉綠素含量的研究成果較少，本研究以溫室番茄作物為試驗(yàn)材料，通過(guò)高光譜成像技術(shù)，對(duì)不同濃度氮素營(yíng)養(yǎng)液灌溉下的番茄葉片中葉綠素含量進(jìn)行研究，結(jié)合多種光譜和圖像處理方法以及化學(xué)計(jì)量方法，研究了不同預(yù)處理方法和特征波長(zhǎng)提取，對(duì)比分析了幾種建模方法的有效性，優(yōu)選最佳預(yù)測(cè)番茄葉片葉綠素含量模型。

1材料與方法

1.1試驗(yàn)材料

供試番茄選用博美2號(hào)品種，購(gòu)置于寧夏天緣種業(yè)有限公司，共計(jì)50株番茄幼苗，于2021年7—11月在寧夏園藝產(chǎn)業(yè)園日光溫室中進(jìn)行，采用營(yíng)養(yǎng)液培育。本研究設(shè)置10個(gè)施氮水平，每一個(gè)施氮水平下，保證其他必需營(yíng)養(yǎng)元素施用量相同，采用水培方式進(jìn)行試驗(yàn)。營(yíng)養(yǎng)液配方為日本園藝營(yíng)養(yǎng)液［20］（表1）；試驗(yàn)過(guò)程中利用1/2單位的日本園藝營(yíng)養(yǎng)液培育番茄植株。共10個(gè)水培箱，每個(gè)水培箱是一個(gè)水平處理，每個(gè)箱子里面培育5株幼苗。

1.2試驗(yàn)方法

1.2.1葉綠素含量測(cè)定方法使用便攜式葉綠素測(cè)定儀（SPAD-502Plus，日本柯尼卡美能達(dá)）對(duì)葉片葉綠素含量進(jìn)行測(cè)定。測(cè)定時(shí)間：上午09：00—11：00，每株番茄選擇2張葉片，所選擇的樣本葉片生長(zhǎng)健康，完好無(wú)損，直接用葉綠素計(jì)測(cè)定SPAD值，每張葉取3個(gè)點(diǎn)測(cè)定，并記錄SPAD值，共82個(gè)樣本。

1.2.2高光譜成像系統(tǒng)與參數(shù)設(shè)置可見(jiàn)近紅外波段高光譜成像系統(tǒng)（波段范圍：400～1 000 nm），設(shè)備型號(hào)為GaiaField-F-V10，四川雙利合譜科技有限公司生產(chǎn)，共有176個(gè)波段，光譜分辨率為 3.8 nm。進(jìn)行了多次重復(fù)測(cè)試，以避免環(huán)境因素帶來(lái)的圖像像素變低等問(wèn)題，在 12：00—16：00時(shí)間段進(jìn)行番茄葉片的采集，并設(shè)定了最佳采集參數(shù)條件：物距為360 mm，掃描速度設(shè)置為0.147 cm/s，成像光譜儀曝光時(shí)間為10 ms。

1.2.3數(shù)據(jù)分析方法由于高光譜圖像是三維數(shù)據(jù)，信息量冗余，同時(shí)原始光譜存在基線(xiàn)漂移，需對(duì)原始光譜進(jìn)行預(yù)處理，為模型構(gòu)建提供基礎(chǔ)。數(shù)據(jù)分析處理中，用UnscramblerX 10.4進(jìn)行數(shù)據(jù)預(yù)處理和預(yù)測(cè)模型構(gòu)建，采用MatlabR2014a進(jìn)行特征光譜獲取、圖像構(gòu)建。

常見(jiàn)的光譜預(yù)處理：高斯（GF）濾波平滑、標(biāo)準(zhǔn)正態(tài)變化（SNV）等。光譜預(yù)處理方法均有減弱因儀器噪音、暗電流、多重共線(xiàn)性以及背景影響因數(shù)等使得光譜曲線(xiàn)受到限制的目的［21-23］。特征光譜信息提取可以在進(jìn)行降維的同時(shí)給予在線(xiàn)應(yīng)用理論基礎(chǔ)。本研究采用權(quán)重系數(shù)法（BW）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（CARS）、無(wú)信息變量信息消除法（UVE）、連續(xù)投影算法（SPA）［24-25］。在葉片葉綠素的定量模型建立方面，則著重采用了多元線(xiàn)性回歸（MLR）、主成分回歸分析（PCR）、偏最小二乘回歸（PLSR）、支持向量機(jī)回歸（SVR）及人工神經(jīng)網(wǎng)絡(luò)（ANN）等方式。模型的有效性，由相關(guān)系數(shù)（R）和均方根誤差（RMSE）進(jìn)行綜合評(píng)價(jià)。R值越高、RMSE值越低，所形成的模型的有效性越好［26-27］。

2結(jié)果與分析

2.1圖像變換

由于在圖像采集過(guò)程中，會(huì)遭遇到外界條件的障礙，使得得到的圖像效果差，須對(duì)圖像進(jìn)行預(yù)處理。通過(guò)高光譜成像設(shè)備分別對(duì)不同處理下的圖像進(jìn)行圖像采集，通過(guò)Envi 4.8軟件中的圖像變換功能，對(duì)原始圖像分別進(jìn)行了歸一化、平方根等處理，結(jié)果見(jiàn)圖1。

由圖1可知，對(duì)比分析不同圖像預(yù)處理，歸一化處理可以很好地與背景分開(kāi)，且葉片輪廓清晰，所以采用歸一化處理后的圖像提取特征波長(zhǎng)。

2.2特征提取

采用閾值分割的方法對(duì)原始圖像進(jìn)行處理。使用便攜式高光譜圖像裝置對(duì)番茄的葉片進(jìn)行采集，并選用黑色塑料作背景，以方便于后期進(jìn)行圖片提取。通過(guò)Envi 4.8軟件可以提取掃描圖片的特征光譜，從而獲得葉子的感興趣區(qū)域（ROI），再通過(guò)獲取高光譜圖片中葉子、白板、背景的特征光譜，進(jìn)而獲取葉片感興趣區(qū)域，最終得到特征曲線(xiàn)圖（圖2）。對(duì)比分析葉片、白板、背景的光譜反射率，優(yōu)選出800 nm圖像進(jìn)行閾值分割，并提取葉片光譜。對(duì)800 nm下的圖像進(jìn)行反復(fù)的測(cè)試，閾值范圍確定為0.1～0.4，可以得到葉片的完整信息，圖像掩模的過(guò)

程見(jiàn)圖3。

2.3光譜數(shù)據(jù)采集

通過(guò)Envi 4.8軟件對(duì)掩模后的番茄葉片高光譜圖像進(jìn)行光譜信息提取，得到10個(gè)施氮水平下的

原始光譜曲線(xiàn)（圖4）。

由圖4可知，由于0、1、2、4、6水平下的光譜曲線(xiàn)存在漂移現(xiàn)象，于是便對(duì)光譜曲線(xiàn)進(jìn)行預(yù)處理。10個(gè)施氮水平下葉片的光譜曲線(xiàn)走勢(shì)一致，660 nm處有吸收峰，這主要是由于葉片中葉綠素的吸收。由于采集得到的光譜中，除吸收葉綠素外，還有其他物質(zhì)的吸收，因此，須要對(duì)光譜數(shù)據(jù)進(jìn)行解析，通過(guò)化學(xué)計(jì)量學(xué)方法建立與葉綠素相關(guān)性高的預(yù)測(cè)模型。

2.4化學(xué)值測(cè)定

每個(gè)氮素水平下選取2～5株健康番茄，每株選擇2張無(wú)病蟲(chóng)害、無(wú)機(jī)械損傷的葉片，每張葉片選擇3個(gè)點(diǎn)進(jìn)行測(cè)量，并記錄SPAD值，共測(cè)得82個(gè)樣本的葉綠素含量。采用SPSS 20.0軟件和Excel軟件對(duì)10個(gè)施氮水平下番茄葉片的葉綠素含量進(jìn)行單因素方差分析，結(jié)果見(jiàn)圖5。

由圖5可知，1、6水平下番茄葉片的葉綠素含量與其他8個(gè)施氮水平下的葉綠素含量差異顯著（P<0.05）；2、4、10水平下植株葉片葉綠素含量差異不顯著（P>0.05）；8水平下的植株葉片葉綠素含量與其他9個(gè)施氮水平均存在顯著性差異（P<0.05），此施氮水平下植株葉片葉綠素含量值為41.03 mg/g；12水平下的葉綠素含量為41.53 mg/g；14水平下番茄葉片的葉綠素含量與其他施氮水平下的葉綠素含量之間存在顯著性差異（P<0.05），此水平下測(cè)得的番茄葉片葉綠素含量為36.3 mg/g；同時(shí)，在1～4水平下，番茄葉片葉綠素含量隨著氮素濃度的增加而增多，其中0水平下的番茄葉片葉綠素含量最低，其值為35.45 mg/g，16水平下葉綠素含量最高，為41.64 mg/g。

2.5模型建立

2.5.1樣本劃分本研究中共有82個(gè)番茄葉片樣本，取其中的3/4作為訓(xùn)練集，1/4為預(yù)測(cè)集。分別采用random sampling（RS），Kennard-Stone（KS）、sample set partitioning based on joint x-y distance（SPXY）［28］ 3種方法選取訓(xùn)練集和預(yù)測(cè)集，然后分別對(duì)這3種方法所獲得模型的結(jié)果進(jìn)行判斷，模型的有效性由訓(xùn)練集樣品的相關(guān)系數(shù)（correlation coefficient of calibration set，Rc）、訓(xùn)練集樣品的均方根誤差（root-mean-squares error of calibration set，RMSEC）、交互驗(yàn)證相關(guān)系數(shù)（correlation coefficient of cross-validation，Rcv）、交互驗(yàn)證均方根誤差RMECV、預(yù)測(cè)集樣品的相關(guān)系數(shù)（correlation coefficient of forecast set，Rp）、預(yù)測(cè)集樣品的均方根誤差（root-mean-squares error of forecast set，RMSEP）進(jìn)行評(píng)價(jià)。由表2可知，在3種劃分方法中，SPXY法的相關(guān)系數(shù)Rc、Rcv均高于RS法，其值分別為0.747、0.676，且均方根誤差RMSEC、RMSECV均低于RS法，其值分別為2.314、2.574，預(yù)測(cè)集的相關(guān)系數(shù)Rp高于KS法，與RS法差異較小，其值為0.760，且預(yù)測(cè)集均方根誤差RMSEP低于KS法。綜合參數(shù)考慮，最終選擇SPXY法劃分番茄葉片葉綠素含量樣本集。

2.5.2預(yù)處理優(yōu)選為了避免受到光學(xué)頻譜或圖像信息中非品質(zhì)信息的障礙，包括因測(cè)量?jī)x器噪聲和暗電壓等原因而造成的光譜信號(hào)曲線(xiàn)基線(xiàn)偏移和不重疊現(xiàn)象、各種成份彼此間互相影響造成的多重共線(xiàn)性及其背景因數(shù)等對(duì)光譜信號(hào)曲線(xiàn)的制約［29］，對(duì)原始光譜進(jìn)行平均平滑、高斯濾波、中值濾波、卷積平滑、歸一化、基線(xiàn)校準(zhǔn)（baseline）、標(biāo)準(zhǔn)正態(tài)化等預(yù)處理，并對(duì)比分析其模擬的有效性。

試驗(yàn)采用7種不同算法基于葉片葉綠素含量原始光譜進(jìn)行預(yù)處理，并基于每種方法建立PLSR模型。由表3可知，與原始光譜結(jié)果進(jìn)行比較，5種歸一化（面積歸一化、單位向量歸一化、平均歸一化、最大值歸一化、閾值歸一化）和baseline預(yù)處理后的

預(yù)測(cè)集相關(guān)系數(shù)值均有所降低，建模效果都有一定的下降，最小值為0.725，標(biāo)準(zhǔn)正態(tài)化建模之后，預(yù)測(cè)集相關(guān)系數(shù)有所增加，模型性能有所提高。采用標(biāo)準(zhǔn)正態(tài)化預(yù)處理法得到的相關(guān)系數(shù)Rp均高于原始光譜和其他預(yù)處理光譜，Rp值為0.810，且均方根誤差RMSEP也最低，其值為3.820；綜合分析，優(yōu)選SNV法建立葉片葉綠素含量PLSR模型。

2.5.3特征波長(zhǎng)提取分析為了降低數(shù)據(jù)冗余，便于應(yīng)用到實(shí)際生產(chǎn)中。利用UnscramblerX10.4軟件結(jié)合MatlabR2014a軟件對(duì)原始光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)提取。特征波長(zhǎng)獲取方式主要有PLSR β權(quán)重系數(shù)、SPA、UVE及CARS等，通過(guò)這幾種方法獲取的特征波長(zhǎng)存在差異，具體結(jié)果如下：通過(guò)β權(quán)重系數(shù)法提取了8個(gè)波段（430、580、659、683、702、810、864、909 nm）；SPA法提取了4個(gè)特征波長(zhǎng)（796、909、957、991 nm）；UVE法提取了17個(gè)波段（427、430、433、551、554、721、725、728、732、792、796、864、916、923、957、983、987 nm）；CARS法提取了8個(gè)特征波長(zhǎng)（732、796、946、953、957、968、983、994 nm）。對(duì)比分析得出CARS法提取的8個(gè)特征波長(zhǎng)所建立的番茄葉片葉綠素定量模型具有較好的預(yù)測(cè)效果。

2.5.4特征波長(zhǎng)下建立模型為分析4種獲取特征波段方式，通過(guò)PLSR方法對(duì)建模模型的有效性進(jìn)行分析，結(jié)果見(jiàn)表4。由表4可知，CARS與其他提取特征波段方法相比，其建立的模型的相關(guān)系數(shù)R_c、R_cv均高于其他3種算法構(gòu)建的模型；其建立模型的均方根誤差RMSEC、RMSECV值均比以上幾種建模方法低，但相關(guān)系數(shù)Rp較小，綜合分析，CARS法建立的模型效果優(yōu)于其他3種方法所構(gòu)建的模型，說(shuō)明可通過(guò)CARS法提取特征波段，而CARS法提取的8個(gè)特征波長(zhǎng)可用于建立番茄葉片葉綠素定量預(yù)測(cè)模型。

2.5.5不同模型對(duì)比分析通過(guò)線(xiàn)性回歸（MLR、PCR、PLSR）與SVR方法分別對(duì)CARS提取的特征波長(zhǎng)進(jìn)行模型分析，以便選出最優(yōu)特征波長(zhǎng)模型，結(jié)果見(jiàn)表5。

由表5可知，MLR、PCR、PLSR所建立的模型的R_c、R_cv值都高于SVR所建立的模型，但3種線(xiàn)性回歸所建立模型的Rp值均小于SVR；MLR、PCR、PLSR所建立的模型的RMSEC、RMSECV、RMSEP值均低于SVR所建立的模型，說(shuō)明3種線(xiàn)性回歸建模效果優(yōu)于SVR。而在MLR、PCR、PLSR所建立的模型中，PCR和PLSR所創(chuàng)建模型的相關(guān)系數(shù)和均方根誤差相差不大，而MLR所建立的模型的R_p值都比PCR、PLSR所建立的模型高，RMSEP值均小于PCR、PLSR所創(chuàng)建的模型，綜合分析，MLR的有效性?xún)?yōu)于PCR和PLSR，這為今后番茄葉片葉綠素含量在線(xiàn)監(jiān)測(cè)給予多種選擇。

3結(jié)論

試驗(yàn)對(duì)施用不同氮素下的番茄葉片進(jìn)行研究，探討了7個(gè)處理下番茄葉片的光譜提取方法、異常樣本提出、特征波長(zhǎng)提取以及優(yōu)化建模方法，取得了以下結(jié)果：

預(yù)處理方法的選擇，在一定的程度上可以改善光譜信息中參雜的噪音干擾；而試驗(yàn)中光譜預(yù)處理未能取得預(yù)期效果，這與光譜自身有關(guān)。CARS法提取的8個(gè)特征波長(zhǎng)（732、796、946、953、957、968、983、994 nm）所建立的番茄葉片葉綠素定量模型，具有較好的預(yù)測(cè)效果。本研究對(duì)比分析番茄葉片葉綠素的線(xiàn)性回歸與非線(xiàn)性回歸模型，得出番茄葉片葉綠素的線(xiàn)性回歸模型能取得較高的預(yù)測(cè)效果，而最優(yōu)預(yù)測(cè)模型為MLR，其中校正集相關(guān)系數(shù)Rc為0.830，RMSEC為2.126；預(yù)測(cè)集相關(guān)系數(shù)Rcv為0.743，預(yù)測(cè)RMSECV為2.365，因此最終選擇MLR模型進(jìn)行番茄葉片葉綠素含量在線(xiàn)預(yù)測(cè)，這也可為番茄植株其他指標(biāo)的快速檢測(cè)提供借鑒。

參考文獻(xiàn)：

［1］吳毅. 設(shè)施番茄高產(chǎn)栽培技術(shù)［J］. 現(xiàn)代農(nóng)業(yè)科技，2020（7）：73，75.

［2］周芳. NPK與有機(jī)肥配施對(duì)番茄氮素代謝和產(chǎn)量影響［D］. 沈陽(yáng)：沈陽(yáng)農(nóng)業(yè)大學(xué)，2016.

［3］李百超. 基于高光譜成像技術(shù)的蘋(píng)果葉片氮素含量估測(cè)研究［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2018.

［4］劉爽，于海業(yè)，張郡赫，等. 基于最優(yōu)光譜指數(shù)的大豆葉片葉綠素含量反演模型研究［J］. 光譜學(xué)與光譜分析，2021，41（6）：1912-1919.

［5］田容才，高志強(qiáng)，周昆. 基于高光譜數(shù)據(jù)的晚秈稻品種劍葉SPAD值估測(cè)［J］. 中國(guó)稻米，2021，27（1）：45-50.

［6］劉文雅，潘潔. 基于神經(jīng)網(wǎng)絡(luò)的馬尾松葉綠素含量高光譜估算模型［J］. 應(yīng)用生態(tài)學(xué)報(bào)，2017，28（4）：1128-1136.

［7］劉紅玉，毛罕平，朱文靜，等. 基于高光譜的番茄氮磷鉀營(yíng)養(yǎng)水平快速診斷［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（增刊1）：212-220.

［8］溫新. 基于高光譜成像技術(shù)的蘋(píng)果葉片葉綠素和氮素含量分布反演［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2019.

［9］Peng Y，Gitelson A A. Remote estimation of gross primary productivity in soybean and maize based on total crop chlorophyll content［J］. Remote Sensing of Environment，2012，117：440-448.

［10］徐道青，劉小玲，王維，等. 淹水脅迫下棉花葉片高光譜特征及葉綠素含量估算模型［J］. 應(yīng)用生態(tài)學(xué)報(bào)，2017，28（10）：3289-3296.

［11］Chang X Y，Chang Q R，Wang X F，et al. Estimation of maize leaf chlorophyll contents based on UAV hyperspectral drone image［J］. Agricultural Research in the Arid Areas，2019，32（4）：45-53.

［12］Sun Y，Wang Y H，Xiao H，et al. Hyperspectral imaging detection of decayed honey peaches based on their chlorophyll content［J］. Food Chemistry，2017，235：194-202.

［13］Singh S K，Houx J H III，Maw M J W，et al. Assessment of growth，leaf N concentration and chlorophyll content of sweet sorghum using canopy reflectance［J］. Field Crops Research，2017，209：47-57.

［14］Madeira A C，Mentions A，F(xiàn)erreira M E，et al. Relationship between spectroradiometric and chlorophyll measurements in green beans［J］. Communications in Soil Science and Plant Analysis，2000，31（5/6）：631-643.

［15］Annala L，Honkavaara E，Tuominen S，et al. Chlorophyll concentration retrieval by training convolutional neural network for stochastic model of leaf optical properties （SLOP） inversion［J］. Remote Sensing，2020，12（2）：283.

［16］王芳東，嚴(yán)志雁，趙小敏，等. 油茶葉片葉綠素含量高光譜估測(cè)的偏最小二乘模型參數(shù)選擇［J］. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，44（1）：86-96.

［17］李長(zhǎng)春，施錦錦，馬春艷，等. 基于小波變換和分?jǐn)?shù)階微分的冬小麥葉綠素含量估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（8）：172-182.

［18］卓偉，于旭峰，李欣庭，等. 高光譜成像技術(shù)實(shí)現(xiàn)馬鈴薯葉片葉綠素?zé)o損檢測(cè)［J］. 光學(xué)儀器，2020，42（6）：1-8.

［19］康麗，高睿，孔慶明，等. 水稻葉片SPAD值高光譜成像估測(cè)［J］. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，51（10）：89-96.

［20］郭世榮. 無(wú)土栽培學(xué)［M］. 2版.北京：中國(guó)農(nóng)業(yè)出版社，2011.

［21］Faber N K. Multivariate sensitivity for the interpretation of the effect of spectral pretreatment methods on near-infrared calibration model predictions［J］. Analytical Chemistry，1999，71（3）：557-565.

［22］尚靜，張艷，孟慶龍. 可見(jiàn)/近紅外光譜技術(shù)無(wú)損識(shí)別蘋(píng)果品種的研究［J］. 保鮮與加工，2019，19（3）：8-14.

［23］馬蘭，夏俊芳，張戰(zhàn)鋒，等. 光譜預(yù)處理對(duì)近紅外光譜無(wú)損檢測(cè)番茄可溶性固形物含量的影響［J］. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2008（5）：672-675.

［24］王海龍. 基于光譜和光譜成像技術(shù)的轉(zhuǎn)基因大豆品種鑒別與品質(zhì)檢測(cè)研究［D］. 杭州：浙江大學(xué)，2016.

［25］丁希斌，張初，劉飛，等. 高光譜成像技術(shù)結(jié)合特征提取方法的草莓可溶性固形物檢測(cè)研究［J］. 光譜學(xué)與光譜分析，2015，35（4）：1020-1024.

［26］張巍. 基于高光譜成像技術(shù)的藍(lán)莓內(nèi)部品質(zhì)檢測(cè)方法的研究［D］. 沈陽(yáng)：沈陽(yáng)農(nóng)業(yè)大學(xué)，2016.

［27］高俊峰，張初，謝傳奇，等. 應(yīng)用近紅外高光譜成像技術(shù)預(yù)測(cè)甘蔗可溶性固形物含量［J］. 光譜學(xué)與光譜分析，2015，35（8）：2154-2158.

［28］Galvo R K H，Araujo M C U，José G E，et al. A method for calibration and validation subset partitioning［J］. Talanta，2005，67（4）：736-740.

［29］巨曉棠，劉學(xué)軍，鄒國(guó)元，等. 冬小麥/夏玉米輪作體系中氮素的損失途徑分析［J］. 中國(guó)農(nóng)業(yè)科學(xué)，2002，35（12）：1493-1499.