光譜技術在作物養分監測中的應用研究進展

摘要：作物養分與作物生長狀況和產量密切相關，養分管理是作物生產管理中重要的環節之一。但目前我國作物養分管理形式粗放，過量施肥情況時有發生。快速準確監測作物養分含量，優化養分管理至關重要。傳統的通過化學分析方法測定養分含量費時費力，且難以實現對大面積作物的快速測量。光譜技術因其高效、無損、精準等特點，在農業生產領域得到快速發展。利用光譜技術監測作物養分含量對于及時指導作物生長、合理施肥和農業可持續發展等具有重要意義，有助于實現農業精準化、數字化、智能化。本文對國內外相關研究成果進行綜述，介紹了近地光譜數據、無人機遙感光譜數據、衛星遙感光譜數據3種光譜數據類型，系統性綜述了光譜技術在作物營養元素（葉綠素、氮、磷、鉀、其他養分）監測上的應用，并從光譜數據預處理和建模分析方法等光譜數據處理流程方面進行了總結分析，最后在此基礎上分析了光譜技術在作物養分監測上面臨的難題和未來發展趨勢，以期為光譜技術在現代農業生產上的開發應用提供參考。

關鍵詞：作物養分；光譜技術；養分監測；精準農業；模型

中圖分類號：S127" 文獻標志碼：A

文章編號：1002-1302（2024）14-0031-09

收稿日期：2023-08-30

基金項目：蘇州市科技計劃（編號：SNG2022066）；蘇州市農業科學院科研基金（編號：21014）。

作者簡介：田 婷（1988—），女，江蘇常州人，碩士，助理研究員，主要從事作物遙感監測研究。E-mail：491016158@qq.com。

通信作者：徐 雯，碩士，高級農藝師，主要從事作物栽培研究。E-mail：714877839@qq.com。

養分管理是作物生產管理中重要的環節之一。傳統的養分監測方法主要是依靠田間取樣，在實驗室進行化學測定，但該方法具有滯后性、破壞性、工作量大等缺點。隨著光譜技術的高速發展，利用光譜技術對作物長勢、養分進行快速無損監測得到廣泛應用。作物養分豐缺能夠引起作物中蛋白質、葉綠素等含量的變化，影響光的吸收、反射和投射［1］。光譜技術利用作物葉片或冠層的反射光譜特征差異，間接定性或定量分析作物養分含量，為作物營養診斷與精準施肥提供依據［2-3］。作物營養光譜監測為實現肥料精準調控提供技術支持，是推動作物種植管理技術從粗放型向精細化發展的重要環節［4］。本文主要從光譜傳感器類型、營養元素監測、光譜數據處理流程等3個方面總結光譜技術在作物養分監測中的研究進展，討論面臨的難題，并展望其發展趨勢。

1 光譜數據類型

根據光譜數據獲取的平臺進行分類，光譜數據類型主要分為近地光譜數據、無人機遙感光譜數據、衛星遙感光譜數據3類。不同類型平臺不同傳感器各有優缺點，估測效果也各有差異。

1.1 近地光譜數據

近地光譜數據主要是通過便攜式光譜儀和室內光譜成像系統來獲取數據，較多地集中在高光譜數據，用于基礎研究較多。儀器主要分為成像高光譜儀和非成像高光譜儀2類。目前使用較為廣泛的非成像高光譜儀器有美國ASD公司FieldSpec系列、美國SVC公司HR-1024i型便攜式高光譜儀、荷蘭AVANTES公司的AvaSpec-ULS2048XL-EVO光譜儀等。成像高光譜儀主要有芬蘭Specim公司ImSpector V10E、美國SOC公司SOC710便攜式高光譜成像儀、中國雙利合譜公司GaiaField系列便攜式成像光譜系統。基于光譜技術提取植被理化信息始于非成像光譜數據［5］，非成像高光譜儀通常波段范圍較廣，例如常用的ASD公司的全波段系列非成像高光譜儀波段范圍為350～2 500 nm，對于特定區域的光譜分析精度較高。但非成像光譜儀很難搭載到其他平臺，且只能獲取視場區域內被測對象的平均光譜信息，無法提供整個場景全域空間的光譜信息，因此基于非成像光譜數據進行作物養分監測的研究多集中在葉片和地面某一單點位置冠層尺度。成像高光譜儀同時結合了監測對象的空間信息和光譜信息，具有“圖譜合一”的優勢，可以提取整個場景內任意位置的光譜信息，由于其獲取的信息更豐富、產生的數據量更大，從而也導致數據分析和建模計算量更大更復雜。

1.2 無人機遙感光譜數據

無人機遙感光譜數據是指通過無人機平臺搭載各類光譜傳感器獲取的數據。無人機載光譜傳感器主要分為多光譜傳感器和高光譜傳感器。機載高光譜傳感器光譜分辨率高，光譜通道連續，光譜信息量大，但操作困難、成本高昂、數據量大、處理速度慢，挖掘有效光譜信息難度大，而且對于無人機搭載的要求更高，自重較重導致續航更短，更適合小面積的基礎研究。常用的機載高光譜儀有德國Cubert公司UHD185成像光譜儀、中國雙利合譜公司系列高光譜儀、芬蘭Senop公司Rikola高光譜儀等。機載多光譜傳感器無法提供連續波段的光譜信息，但其傳感器成本低、重量輕，無人機搭載獲取影像更方便，續航時間較長，同時還具有多尺度、多用途以及干擾因素少、數據處理工作量較小等特點，能夠實現農場尺度大范圍的快速響應決策［6］。目前常用的機載多光譜傳感設備有美國MicaSense公司RedEdge、美國Tetracam公司ADC-Lite/Mini-MCA/mini-MCA-6、法國AIRINOV公司Multi SPEC 4C、法國PARROT公司Sequoia、中國大疆公司DJI P4 Multispectral/MAVIC 3多光譜版、中國長光禹辰公司多光譜系列等。在實際工作中，可以根據試驗需求搭載不同類型光譜傳感器從而獲取作物冠層的光譜信息，實現對農田的精準管理。

1.3 衛星遙感光譜數據

衛星遙感光譜數據是指從衛星搭載的傳感器獲取遙感數據。光譜類衛星最早是美國的 EOS AM-1 衛星，搭載的MODIS光譜傳感器，因其時間分辨率高、覆蓋面積大、波段范圍廣和容易獲取等優勢，極大地方便了科研工作者開展研究，成為21世紀初至今觀測地球重要的遙感信息來源之一［7］。近年來歐盟與我國也在陸續發射多種高光譜衛星，包括環境一號（HJ-1A）星、OHS衛星、高分五號（GF-5）等。高分五號是我國高光譜遙感監測能力的重要標志，波段覆蓋從紫外到長波紅外，具有定量精度高、探測手段多等特點［8］。目前用于作物養分監測的衛星遙感光譜數據主要有美國Landsat系列、worldview系列衛星的遙感數據、歐洲Sentinels系列衛星、中國GF系列、法國SPOT系列等。譚昌偉等使用Landsat TM影像數據，對冬小麥開花期葉片SPAD值和葉片氮含量進行監測［9］。王備戰等研究認為，SPOT-5影像數據可以較好地估測小麥地上部氮積累量，預測精度較高［10］。Schlemmer等研究認為，基于Sentinel-2衛星模擬數據的紅邊葉綠素指數可以較好地估測玉米葉綠素含量［11］。李粉玲等利用GF-1號衛星數據較好地預測了小麥氮素營養［12］。Mutanga等利用Word View-2衛星影像數據，使用隨機森林算法成功地反演了非洲草地葉片氮素含量［13］。

2 光譜技術在營養元素監測上的應用

2.1 葉綠素

葉綠素是作物的重要理化參數，是進行光合作用的核心色素，其含量能反映作物的生長健康狀況，是重要的長勢監測指標［14］。作物葉綠素含量與氮素含量密切相關［15］，在很多的遙感研究結果中，氮素和葉綠素的光譜作用規律是相似的，通過光譜技術定量反演作物葉綠素含量是監測作物長勢和營養狀況的一種有效途徑。由于SPAD值較易獲取，在一定條件下SPAD值是表征植株葉綠素相對含量的參數，前人研究中主要監測的葉綠素相關指標有葉綠素含量和SPAD值。

葉綠素的敏感波段主要集中在可見光和近紅外波段（表1），基于該范圍波段的光譜反射、導數光譜、植被指數等常常用來預測作物葉綠素含量。大量的研究表明，紅邊是植被生長狀況的敏感波段，可以較好地預測作物葉綠素含量［16］。紅邊是植物光譜曲線在680～760 nm急劇變化的區域，表現為植物在紅光波段的強吸收和在近紅外波段的強反射［17］。王晶等研究了綠色植被光譜紅邊產生的機制，紅邊參數易受葉綠素含量和葉片內部結構的影響［18］。前人的許多研究基于紅邊區域衍生出系列紅邊特征參數用于估測葉綠素含量，常見的紅邊參數有紅邊位置（REP）、紅邊斜率、紅邊振幅、紅邊面積、紅谷等。紅邊位置是作物反射光譜中較為明顯的光譜特征參數，與作物的葉綠素含量密切相關［19］。曹英麗等的研究表明，葉綠素含量較低的植被近紅外光譜區反射率較高，葉綠素含量較高的植物的紅邊位置出現紅移［20］。馮海寬等研究發現，植被指數結合紅邊參數能夠提高作物葉綠素含量的估算精度［21］。Filella等研究認為，紅邊峰波長與葉綠素含量高度相關［22］。不同學者在利用光譜遙感數據對植被葉綠素含量進行估測時，大多是建立在冠層或者葉片單一尺度構建的作物葉綠素含量光譜反演模型，采用的模型和模型輸入都不一樣，在估測葉綠素含量方面并沒有統一的模型，模型輸入參數也各異。

2.2 氮元素

氮元素是構成蛋白質的主要成分，也是合成葉綠素的重要組成部分，是與作物產量和品質密切關聯的最重要的營養元素之一。早期快速準確檢測作物中的氮脅迫至關重要，是作物生產中指示作物缺氮和指導施肥的重要依據［37］。光譜技術為氮素營養元素快速無損實時監測提供了新的方法。作物氮素含量與光譜特征之間具有很強的相關性，不同的光譜指數適用于不同的作物及其生長階段［38］。

國內外在作物氮素方面的研究非常成熟，不同學者對不同作物進行了大量研究，基于光譜特征快速獲取作物氮素營養狀況已廣泛應用在小麥、水稻、玉米等作物上，不同作物氮素敏感波段主要分布在350～1 500 nm之間（表2）。主要監測的氮素營養狀況的相關指標包括葉片氮含量［39-42］、葉片氮積累量［43-44］、地上部植株氮含量［45-46］、地上部植株氮積累量［47-48］、籽粒氮積累量［49］、氮素利用效率［50-52］、氮營養指數［53-54］。劉紅玉等研究認為，采用光譜特征和圖像特征融合技術可以實現對番茄葉片全氮含量的快速高精度檢測［39］。Tan等構建了新的歸一化植被指數（SDr-SDb）/（SDr+SDb）用來預測葉片氮積累量，具有更好的擬合效果［44］。井宇航等基于光譜信息、紋理特征和株高信息較好地預測了冬小麥植株氮積累量［47］。付彥博等發現基于差值植被指數（DVI）的植株氮含量診斷模型為最佳，調整決定系數達到0.919［46］。賈學勤等基于冠層光譜實現了對小麥籽粒氮積累量的動態監測［49］。作物氮素利用效率是指在特定氮素供應下作物產量的表現，快速無損評估作物氮素利用效率為選育氮利用效率高的品種提供了有效手段。Prey等研究認為，水波段和紅邊波段組成的光譜指數估測小麥氮素利用效率的效果最佳［52］。氮營養指數（NNI）是作物實測氮濃度與臨界氮濃度的比值，被認為是診斷作物氮素營養狀況的有效指標［55-57］。陳志超等的研究表明，隨機森林算法結合多元散射校正法預處理可以更好地反演玉米氮素營養指數［58］。肖天豪等利用高光譜影像構建了氮營養指數模型，認為該模型能夠高效、快捷地監測冬小麥氮素營養含量［53］。作物生長環境復雜多變，不同學者在利用光譜技術對植物氮素營養狀況進行估算時，采用的估算尺度、數據處理方法和建模方法存在巨大差異，選擇最關鍵的光譜波段對作物氮素狀態估計具有重要意義［59］。

2.3 磷元素

磷作為作物體內多類化合物的主要元素，在作物能量傳導、光合作用和呼吸作用等過程中起著重要作用［37］。在農業生產過程中，適量增施磷肥可以提高作物產量和品質，過量施磷肥不僅對生長無益還會造成面源污染［74］。因此及時監測作物磷素含量對調控作物生長發育、精準施肥意義重大［75］。

目前利用光譜技術進行作物磷素含量監測已有不少研究，但與氮素光譜監測相比，進展仍較緩慢。前人研究認為，磷素會引起葉綠素和花青素含量發生變化，導致光譜分析較為復雜。作物在輕度缺磷時，葉綠素濃度可能會增高，只有在嚴重缺磷時，才能用光譜進行磷素診斷［76］。對于不同作物類型，磷素的光譜響應特征存在差異，磷素的敏感波段主要集中在藍光波段、綠光波段、紅光波段、紅邊波段、近紅外波段等（表3）［77-83］，前人的研究還不能形成統一的結論。

2.4 鉀元素

關于作物鉀元素與光譜特性的相關性研究相對較少，主要集中在喜鉀作物的研究上，如甜菜［84］、小麥［85］、玉米［86］、番茄［39，87］、蜜柚［88］等。有關鉀元素與作物產量的研究表明，施鉀肥有利于促進作物光合速率，提高產量。鉀又被稱為“品質元素”，鉀素充足有利于提高品質。合理的鉀肥施用決策，對作物的產量品質形成意義重大。

近年來，國內外學者研究發現不同作物鉀素敏感波段主要集中在可見光至近紅外波段（表4）。李勛蘭等研究發現，柑橘葉片鉀含量敏感波段主要集中在450～600 nm、700 nm左右、980～1 030 nm區域［89］。張俊華等的研究表明，夏玉米秸稈鉀素最敏感波段為680 nm，籽粒鉀素最敏感波段為 810 nm［86］。Mahajan等、Gomez-Casero等、李夢竹等分別對小麥［80］、橄欖［90］、烤煙［91］葉片的鉀含量進行光譜監測，研究認為鉀素敏感波段為近紅外波段。

2.5 其他養分

國內外部分研究者們通過光譜技術對作物中營養元素的含量監測進行研究，除了在葉綠素、氮、磷、鉀這些重要指標外，在其他一些常量和微量元素監測方面也有一定涉及。Chungcharoen等利用多光譜圖像和4種機器學習方法對油棕葉10種營養元素進行評估，通過隨機森林（RF）、支持向量回歸（SVR）、偏最小二乘回歸（PLSR）和人工神經元網絡（ANN）進行建模，結果表明葉綠素和常量營養素（N、K、Ca和Mg）估測精度較高［93］。Costa等利用無人機捕獲的多光譜圖像和人工智能來模擬柑橘葉片養分（N、P、S、K、Zn、Mg、Ca、Fe、Mn、Cu、B）濃度，研究認為光譜模型可以很好地估測常量營養元素，可以適度地估測微量營養元素［94］。馬超飛等對植物葉片中8種微量元素與光譜數據的相關性進行研究，結果顯示鈷（Co）含量敏感波段位于569 nm處，錳（Mn）含量的敏感波段位于402、1 161 nm處，硼（B）含量的敏感波段位于470、878、2 191、2 338 nm 處，鉬（Mo）含量的敏感波段位于1 623 nm處，鋅（Zn）含量的敏感波段位于2 338 nm處［95］。

3 光譜數據處理流程

3.1 光譜數據預處理方法

3.1.1 遙感影像校正

衛星遙感數據和無人機遙感數據在處理和分析前首先要經過遙感影像校正，主要包括幾何校正、大氣校正和輻射校正。主要目的是為了消除影像上的幾何變形，減小大氣、地形、太陽高度角、傳感器本身對地物反射的影響，從而得到遙感影像的真實坐標信息和真實反射率值。

3.1.2 去噪

光譜信息除了包含樣本本身的信息之外，還包含背景以及噪聲，通過預處理可以減少或消除光譜數據中噪聲的影響，提高數據的質量，能夠有效提高模型的預測能力［6］。不同的去噪方法對結果的影響很大。常用的去噪方法有平滑算法（SG）、小波變換法（WT）、傅里葉變換法（FT）、非局部均值濾波（NLM）、標準正態變量變化（SNV）等。近兩年來，隨著深度學習算法的快速發展，很多學者將其引入到光譜去噪方法研究中，并取得了一定進展。李忠偉等提出了一種融合空譜-梯度特征的深度高光譜圖像去噪方法［96］。Yuan等利用空間-光譜深度卷積神經網絡模型（HISD-CNN）對高光譜圖像進行去噪，結果表明這些方法對比主流算法效果顯著［97］。

3.1.3 降維

降維主要運用在高光譜數據的預處理中，由于高光譜數據波段較多、特征空間維數高，極易造成數據冗余，降維是為了從復雜的光譜信息中挖掘有效的信息，同時降低數據維度可以提高模型的運行速度［98］。高光譜數據降維主要方法有2類：一是光譜波段選擇，主要是從原始波段中僅選擇作物敏感的波段來減小數據大小，通過提取敏感波段、光譜特征參數、植被指數進行降維。二是光譜特征提取，主要是將高光譜全波段進行降維，這樣可以更全面地保存有用信息。主要方法有主成分分析（PCA）、偏最小二乘法（PLS）、最小噪聲分數（MNF）、均勻特征設計（UMD）、小波變換（WT）、人工神經網絡（ANN）和連續投影算法（SPA）［27］等。

3.2 建模分析方法

3.2.1 經驗模型（統計模型）

經驗模型又稱為統計模型，是基于地表實測參數和光譜反射率之間的關系，來構建作物養分含量的定量關系模型。主要有線性參數回歸和線性非參數回歸2種方法。

線性參數回歸是一種基于參數回歸的簡單經驗算法，被廣泛用于分析光譜數據和作物養分含量。該方法是迄今為止應用最多的植被養分估測技術。主要是基于光譜反射率和植被指數建立線性關系的作物養分預測模型。

線性非參數回歸又稱為化學計量法，是使用數學和統計技術從復雜數據（例如高光譜數據）中提取化學和物理信息。與統計線性參數方法相比，化學計量學是通過將其轉換為新特征來增加數據的價值。主要方法有主成分分析/回歸（PCA/PCR）、多元線性回歸（MLR）、逐步多元線性回歸（SMLR）和偏最小二乘回歸（PLSR）。與線性參數回歸相比，線性非參數回歸模型在模型中大多使用多個預測變量來提高模型精度。

3.2.2 輻射傳輸模型（RTM）

輻射傳輸模型是使用物理定律來模擬電磁輻射在植被-土壤耦合系統中反射、透射和吸收的過程［38］，從輻射傳輸理論來建立光譜與作物生理參數之間的定量關系，具有明確的物理意義。相比于經驗模型，更具有普適性和可移植性。常用的輻射傳輸模型有LIBERTY、PROSPECT、SAIL、PROSAIL、Suits、Kuusk等。PROSAIL是目前使用最廣泛的RTM之一，該模型由葉片PROSPECT模型和冠層SAIL模型耦合而成，綜合利用作物葉片特性、冠層結構、二向散射特性等來模擬作物冠層反射率。由于RTM具有較高的模型復雜性和計算強度，目前用于作物養分監測的研究相對較少。張明政等研究認為，利用PROSAIL模型可以較好地預測玉米葉片葉綠素含量［99］。王聲鋒等利用PROSAIL模型實現了夏玉米葉綠素含量垂直分層模擬［100］。

3.2.3 機器學習

機器學習算法在近年來越來越廣泛地應用于高光譜信息分析，它具備強大的處理高維數據與冗余數據的能力，能更高效地實現對高光譜數據中有效信息的提取［101-102］。主要的機器學習算法有反向傳播神經網絡（BPNN）、隨機森林（RF）、人工神經網絡（ANN）、支持向量機（SVR）、高斯過程回歸（GPR）、極限學習機（ELM）等。Qiu等研究不同方法對水稻氮素營養指數進行預測，認為機器學習方法預測精度高于統計模型［103］。王韋燕等利用反向傳播神經網絡、隨機森林和支持向量機3種機器學習方法對烤煙葉綠素含量進行預測，結果表明隨機森林模型效果最佳，R2達到0.96［104］。郭燕等利用4種機器學習方法對冬小麥植株氮含量進行預測并分析模型遷移能力，結果顯示隨機森林、Adaboost方法構建的模型表現突出［105］。

4 總結與展望

國內外學者在利用光譜技術監測作物營養狀況方面已做了大量工作，光譜數據獲取方式和數據分析方法也越來越豐富，已有的研究成果表明光譜技術已成為作物養分無損精準監測的重要工具之一，但仍存在著一些急需解決的困難和挑戰。

4.1 多方法結合提高模型的普適性

經驗模型中普遍存在著模型普適性、穩健性和傳遞性不高等難題，不同作物不同營養元素的敏感波段不盡相同，很難建立統一的指標和模型來監測作物養分含量。經驗模型采用了數理統計的方式進行建模，很少從農學機理上探究光譜特征與營養元素含量之間的關系。輻射傳輸模型可以一定程度彌補經驗模型的不足，但應用相對較少，可能與其復雜性相關。機器學習近兩年在建模等方面的應用越來越多，不同的建模分析方法利弊各不相同，面對不同的研究內容選擇最佳方法至關重要。如何結合不同的建模方法進行營養元素監測，提高反演精度，需要大量的試驗和數據去驗證，有必要進行深入的研究和探索。

4.2 多角度監測提高模型的反演精度

目前作物營養光譜監測主要集中在相同葉層葉片或冠層單一尺度上，但隨著作物生長發育進程的推進，養分會在植物體內進行運輸與分配，導致作物不同葉層葉片的養分含量有顯著分層特性。光譜技術在作物養分垂直分布中的應用較為復雜，目前尚處于探索階段［106］。當前作物冠層葉綠素、氮素等養分含量的估算來自于作物冠層表面，因冠層頂層葉片的遮蔽，很難監測中下部養分變化。但是養分脅迫初期冠層中下部葉片敏感性高于冠層頂部，傳統的冠層光譜監測會影響早期的養分脅迫監測的精準性和及時性。因此，有必要構建不同垂直層營養元素光譜監測模型，實現營養元素從傳統冠層監測向垂直分布拓展，豐富作物的冠層結構信息，提高作物養分反演精度。

4.3 多源數據融合提高模型的泛化性和遷移性

研究表明，融合光譜信息和圖像特征信息的作物養分監測模型精度比單一光譜模型或單一圖像模型更高，今后的研究中將光譜信息結合二維圖像特征和三維掃描數據建立多尺度多特征融合監測模型，勢必會有更好的監測效果。目前大多模型只是考慮了光譜信息與作物參數之間的關系，如何綜合利用不同數據源信息，例如土壤數據、氣象數據、灌溉記錄和歷史產量等信息，建立更全面、更準確的光譜模型，開發新的算法來綜合分析和挖掘多源數據的關聯性，從而提高模型的泛化性，實現模型的異地遷移也是今后研究的重點。

參考文獻：

［1］童 偉，劉金寶. 冬小麥光譜氮營養診斷技術研究進展［J］. 南方農業，2021，15（21）：14-15.

［2］李金敏，陳秀青，楊 琦，等. 基于高光譜的水稻葉片氮含量估計的深度森林模型研究［J］. 作物學報，2021，47（7）：1342-1350.

［3］Zhao Y，Wang J W，Chen L P，et al." An entirely new approach based on remote sensing data to calculate the nitrogen nutrition index of winter wheat［J］. Journal of Integrative Agriculture，2021，20（9）：2535-2551.

［4］李克亮，周志艷. 水稻氮肥精準管理技術研究進展［J］. 江蘇農業科學，2019，47（12）：18-25.

［5］王鑫梅. 基于高光譜信息的核桃林冠葉綠素和氮素含量研究［D］. 北京：中國林業科學研究院，2020：5-8.

［6］何 勇，彭繼宇，劉 飛，等. 基于光譜和成像技術的作物養分生理信息快速檢測研究進展［J］. 農業工程學報，2015，31（3）：174-189.

［7］林志堅，姚俊萌，蘇校平，等. 基于MODIS指數和隨機森林的江西省早稻種植信息提取［J］. 農業工程學報，2022，38（11）：197-205.

［8］張苗苗，溫 淵，孫立達，等. “高分” 五號02星概述及應用示例［J］. 中國航天，2022（12）：9-15.

［9］譚昌偉，王紀華，趙春江，等. 利用Landsat TM遙感數據監測冬小麥開花期主要長勢參數［J］. 農業工程學報，2011，27（5）：224-230.

［10］ 王備戰，馮 曉，溫 暖，等. 基于SPOT-5影像的冬小麥拔節期生物量及氮積累量監測［J］. 中國農業科學，2012，45（15）：3049-3057.

［11］Schlemmer M，Gitelson A，Schepers J，et al." Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels［J］. International Journal of Applied Earth Observation and Geoinformation，2013，25：47-54.

［12］李粉玲，常慶瑞，申 健，等. 基于GF-1衛星數據的冬小麥葉片氮含量遙感估算［J］. 農業工程學報，2016，32（9）：157-164.

［13］Mutanga O，Adam E，Adjorlolo C，et al." Evaluating the robustness of models developed from field spectral data in predicting African grass foliar nitrogen concentration using WorldView-2 image as an independent test dataset［J］. International Journal of Applied Earth Observation and Geoinformation，2015，34：178-187.

［14］陳 倩，常慶瑞，郭 松，等. 基于紅邊特性和連續小波變換的冬小麥葉綠素含量估算［J］. 麥類作物學報，2022，42（7）：883-891.

［15］汪 旭，鄧裕帥，練雪萌，等. 基于無人機多光譜技術的甜菜冠層葉綠素含量反演［J］. 中國糖料，2022，44（4）：36-42.

［16］王紀華，趙春江，黃文江，等. 農業定量遙感基礎與應用［M］. 北京：科學出版社，2008：141-201.

［17］高 興，李 斐，楊海波，等. 基于紅邊位置的馬鈴薯植株氮濃度估測方法研究［J］. 植物營養與肥料學報，2019，25（2）：296-310.

［18］王 晶，劉 朗，李 澄，等. 綠色植被紅邊特征的研究（英文）［J］. 光譜學與光譜分析，2017，37（12）：3940.

［19］Chen H，Huang W，Li W，et al."" Estimation of LAI in winter wheat from multi-angular hyperspectral vnir data： effects of view angles and plant architecture［J］. Remote Sensing，2018，10（10）：1630.

［20］曹英麗，江凱倫，劉亞帝，等. 基于高光譜紅邊位置提取的水稻葉綠素反演研究［J］. 沈陽農業大學學報，2021，52（6）：718-728.

［21］馮海寬，陶惠林，趙 鈺，等. 利用無人機高光譜估算冬小麥葉綠素含量［J］. 光譜學與光譜分析，2022，42（11）：3575-3580.

［22］Filella I，Penuelas J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status［J］. International Journal of Remote Sensing，1994，15（7）：1459-1470.

［23］馬春艷，王藝琳，翟麗婷，等. 冬小麥不同葉位葉片的葉綠素含量高光譜估算模型［J］. 農業機械學報，2022，53（6）：217-225，358.

［24］尼加提·卡斯木，師慶東，王敬哲，等. 基于高光譜特征和偏最小二乘法的春小麥葉綠素含量估算［J］. 農業工程學報，2017，33（22）：208-216.

［25］Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression［J］. Remote Sensing of Environment，2003，86（4）：542-553.

［26］田容才，高志強，周 昆. 基于高光譜數據的晚秈稻品種劍葉SPAD值估測［J］. 中國稻米，2021，27（1）：45-50.

［27］于豐華，馮 帥，趙依然，等. 粳稻冠層葉綠素含量PSO-ELM高光譜遙感反演估算［J］. 華南農業大學學報，2020，41（6）：59-66.

［28］陳君穎，田慶久，亓雪勇，等. 基于Hyperion影像的水稻冠層生化參量反演［J］. 遙感學報，2009，13（6）：1106-1121.

［29］郭 松，常慶瑞，鄭智康，等. 基于無人機高光譜影像的玉米葉綠素含量估測［J］. 江蘇農業學報，2022，38（4）：976-984.

［30］楊 婧，廖桂平，劉 凡，等. 基于高光譜成像技術的油菜葉片葉綠素含量預測［J］. 中國農業科技導報，2020，22（5）：86-96.

［31］于 雷，章 濤，朱亞星，等. 基于IRIV算法優選大豆葉片高光譜特征波長變量估測SPAD值［J］. 農業工程學報，2018，34（16）：148-154.

［32］尹 航，李 斐，楊海波，等. 基于無人機高光譜影像的馬鈴薯葉綠素含量估測［J］. 植物營養與肥料學報，2021，27（12）：2184-2195.

［33］Sonobe R，Hirono Y，Oi A. Non-destructive detection of tea leaf chlorophyll content using hyperspectral reflectance and machine learning algorithms［J］. Plants，2020，9（3）：368.

［34］王鑫梅，張勁松，孟 平，等. 不同生育期核桃樹冠層葉綠素含量高光譜估算研究［J］. 河北農業大學學報，2021，44（2）：63-71.

［35］李莉婕，岳延濱，王延倉，等. 高光譜定量反演火龍果莖枝葉綠素含量的研究［J］. 光譜學與光譜分析，2021，41（11）：3538-3544.

［36］羅 靖，楊再強，楊 立，等. 基于高光譜參數建立苗期高溫條件下草莓葉片葉綠素含量估算模型［J］. 中國農業氣象，2022，43（10）：832-845.

［37］Lu Y L，Bai Y L，Ma D L，et al." Nitrogen vertical distribution and status estimation using spectral data in maize［J］. Communications in Soil Science and Plant Analysis，2018，49（5）：526-536.

［38］梁雪映，樊風雷. 基于遙感光譜的作物氮含量估算研究進展［J］. 中國農業科技導報，2019，21（1）：51-61.

［39］劉紅玉，毛罕平，朱文靜，等. 基于高光譜的番茄氮磷鉀營養水平快速診斷［J］. 農業工程學報，2015，31（增刊1）：212-220.

［40］于豐華，邢思敏，郭忠輝，等. 基于特征轉移植被指數的水稻葉片氮素含量定量估算［J］. 農業工程學報，2022，38（2）：175-182.

［41］張曉東，李 立，高洪燕，等. 番茄氮素的多特征融合檢測研究［J］. 江蘇農業科學，2016，44（10）：379-382.

［42］Li F，Wang L，Liu J，et al."" Evaluation of leaf N concentration in winter wheat based on discrete wavelet transform analysis［J］. Remote Sensing，2019，11（11）： 1331.

［43］韓 康，于 靜，李 瑞，等. 基于光譜特征值反演馬鈴薯葉片氮累積量［J］. 灌溉排水學報，2021，40（6）：53-58.

［44］Tan C W，Du Y，Zhou J，et al." Analysis of different hyperspectral variables for diagnosing leaf nitrogen accumulation in wheat［J］. Frontiers in Plant Science，2018，9：674.

［45］肖天豪，周學軍，李存文，等. 基于無人機高光譜的冬小麥植株氮含量估算［J］. 地理空間信息，2022，20（8）：8-12.

［46］付彥博，范燕敏，盛建東，等. 紫花苜蓿植株含氮量的高光譜估測技術研究［J］. 草地學報，2013，21（5）：902-905，920.

［47］井宇航. 基于無人機多光譜和高分二號遙感影像的冬小麥植株氮積累量監測［D］. 鄭州：河南農業大學，2022：21-53.

［48］Feng W，Guo B B，Zhang H Y，et al." Remote estimation of above ground nitrogen uptake during vegetative growth in winter wheat using hyperspectral red-edge ratio data［J］. Field Crops Research，2015，180：197-206.

［49］賈學勤，馮美臣，王 超，等. 冬小麥籽粒氮積累量高光譜監測研究［J］. 山西農業科學，2018，46（3）：335-338.

［50］郭建彪. 基于高光譜遙感的小麥生長及氮素利用效率估測研究［D］. 鄭州：河南農業大學，2021：111-125.

［51］Frels K，Guttieri M，Joyce B，et al." Evaluating canopy spectral reflectance vegetation indices to estimate nitrogen use traits in hard winter wheat［J］. Field Crops Research，2018，217：82-92.

［52］Prey L，Hu Y C，Schmidhalter U. High-throughput field phenotyping traits of grain yield formation and nitrogen use efficiency：optimizing the selection of vegetation indices and growth stages［J］. Frontiers in Plant Science，2020，10：1672.

［53］肖天豪，范園園，馮海寬，等. 利用高光譜影像估算氮營養指數［J］. 遙感信息，2022，37（3）：7-11.

［54］徐浩聰，姚 波，王 權，等. 基于葉片反射光譜估測水稻氮營養指數［J］. 中國農業科學，2021，54（21）：4525-4538.

［55］Ata-Ul-Karim S T，Cao Q，Zhu Y，et al." Non-destructive assessment of plant nitrogen parameters using leaf chlorophyll measurements in rice［J］. Frontiers in Plant Science，2016，7：1829.

［56］Paleari L，Movedi E，Vesely F M，et al." Estimating crop nutritional status using smart apps to support nitrogen fertilization.A case study on paddy rice［J］. Sensors，2019，19（4）：981.

［57］Vleugels T，Rijckaert G，Gislum R. Seed yield response to N fertilization and potential of proximal sensing in Italian ryegrass seed crops［J］. Field Crops Research，2017，211：37-47.

［58］陳志超，蔣貴印，張 正，等. 基于無人機高光譜遙感的春玉米氮營養指數反演［J］. 河南理工大學學報（自然科學版），2022，41（3）：81-89.

［59］Li D L，Zhang P，Chen T，et al." Recent development and challenges in spectroscopy and machine vision technologies for crop nitrogen diagnosis：a review［J］. Remote Sensing，2020，12（16）：2578.

［60］薛利紅，曹衛星，羅衛紅，等. 小麥葉片氮素狀況與光譜特性的相關性研究［J］. 植物生態學報，2004，28（2）：172-177.

［61］楊寶華，陳建林，陳林海，等. 基于敏感波段的小麥冠層氮含量估測模型［J］. 農業工程學報，2015，31（22）：176-182.

［62］Fernandez S，Vidal D，Simon E，et al."" Radiometric characteristics of Triticum aestivum cv. Astral under water and nitrogen stress［J］. International Journal of Remote Sensing，1994，15（9）：1867-1884.

［63］Stroppiana D，Boschetti M，Brivio P A，et al." Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry［J］. Field Crops Research，2009，111（1/2）：119-129.

［64］王嬌嬌，宋曉宇，梅 新，等. 基于高斯回歸分析的水稻氮素敏感波段篩選及含量估算［J］. 光譜學與光譜分析，2021，41（6）：1722-1729.

［65］Nguyen H T，Kim J H，Nguyen A T，et al." Using canopy reflectance and partial least squares regression to calculate within-field statistical variation in crop growth and nitrogen status of rice［J］. Precision Agriculture，2006，7（4）：249-264.

［66］王人潮，陳銘臻，蔣亨顯. 水稻遙感估產的農學機理研究：Ⅰ. 不同氮素水平的水稻光譜特征及其敏感波段的選擇［J］. 浙江農業大學學報，1993，19（增刊1）：9-16.

［67］Osborne S L，Schepers J S，Francis D D，et al." Detection of phosphorus and nitrogen deficiencies in corn using spectral radiance measurements［J］. Agronomy Journal，2002，94（6）：1215-1221.

［68］張文旭，佟炫夢，周天航，等. 基于高光譜成像的棉花葉片氮素含量遙感估測［J］. 沈陽農業大學學報，2021，52（5）：586-596.

［69］易 翔，呂 新，張立福，等. 基于RF和SPA的無人機高光譜估算棉花葉片全氮含量［J］. 作物雜志，2023（2）：245-252.

［70］楊海波，李 斐，張加康，等. 基于高光譜指數估測馬鈴薯植株氮素濃度的敏感波段提取［J］. 植物營養與肥料學報，2020，26（3）：541-551.

［71］Thomas J R，Oerther G F. Estimating nitrogen content of sweet pepper leaves by reflectance measurements［J］. Agronomy Journal，1972，64（1）：11-13.

［72］Singh S K，Houx J H，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.

［73］Yamashita H，Sonobe R，Hirono Y，et al." Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms［J］. Scientific Reports，2020，10（1）：17360.

［74］張 敏，潘存德，羅 威. 基于光譜特征參量的‘新榛1號’葉片磷含量估測模型［J］. 新疆農業大學學報，2020，43（4）：252-260.

［75］徐 壯，王婉瑕，徐 磊，等. 水稻磷素吸收與轉運分子機制研究進展［J］. 植物營養與肥料學報，2018，24（5）：1378-1385.

［76］王 磊，白由路. 基于光譜理論的作物營養診斷研究進展［J］. 植物營養與肥料學報，2006，12（6）：902-912.

［77］梁宇鋒，潘滿清，霍 翔，等. 基于無人機多光譜圖像的荔枝葉片氮磷鉀含量檢測［J］. 機電工程技術，2022，51（5）：138-142.

［78］班松濤，田明璐，常慶瑞，等. 基于無人機高光譜影像的水稻葉片磷素含量估算［J］. 農業機械學報，2021，52（8）：163-171.

［79］程立真，朱西存，高璐璐，等. 基于隨機森林模型的蘋果葉片磷素含量高光譜估測［J］. 果樹學報，2016，33（10）：1219-1229.

［80］Mahajan G R，Sahoo R N，Pandey R N，et al." Using hyperspectral remote sensing techniques to monitor nitrogen，phosphorus，sulphur and potassium in wheat （Triticum aestivum L.）［J］. Precision Agriculture，2014，15（5）：499-522.

［81］劉 煒，常慶瑞，郭 曼，等. 冬小麥導數光譜特征提取與缺磷脅迫神經網絡診斷［J］. 光譜學與光譜分析，2011，31（4）：1092-1096.

［85］楊福芹，馮海寬，蔣瑞波，等. 蘋果葉片磷含量高光譜估測模型研究［J］. 商丘師范學院學報，2021，37（3）：36-39.

［83］張喜杰，李民贊. 基于反射光譜的溫室黃瓜葉片磷素含量分析與預測［J］. 光譜學與光譜分析，2008，28（10）：2404-2408.

［84］戴宇祥. 滴灌條件下甜菜鉀素含量的高光譜特征及反演研究［D］. 石河子：石河子大學，2020：20-41.

［85］Pimstein A，Karnieli A，Bansal S K，et al." Exploring remotely sensed technologies for monitoring wheat potassium and phosphorus using field spectroscopy［J］. Field Crops Research，2011，121（1）：125-135.

［86］張俊華，張佳寶，欽繩武. 不同施肥長期定位試驗地夏玉米冠層光譜特征研究［J］. 植物營養與肥料學報，2010，16（4）：874-879.

［87］朱文靜. 基于偏振-高光譜多維光信息的番茄氮磷鉀及交互作用檢測研究［D］. 鎮江：江蘇大學，2014：37-63.

［88］栗方亮，孔慶波，張 青. 利用多種回歸模型對比估算琯溪蜜柚葉片鉀素含量［J］. 熱帶作物學報，2022，43（6）：1191-1199.

［89］李勛蘭，王 武，楊 蕾，等. 基于高光譜的柑橘葉片鉀含量快速診斷模型［J］. 南方農業，2019，13（22）：37-40.

［90］Gomez-Casero M T，Lopez-Granados F，Pena-Barragan J M，et al."" Assessing nitrogen and potassium deficiencies in olive orchards through discriminant analysis of hyperspectral data［J］. Journal of the American Society for Horticultural Science，2007，132（5）： 611-618.

［91］李夢竹，葉紅朝，王 惠，等. 不同水分脅迫程度下烤煙葉片鉀含量的光譜響應［J］. 中國煙草學報，2020，26（4）：86-92.

［92］高金龍，侯堯宸，白彥福，等. 基于高光譜數據的高寒草甸氮磷鉀含量估測方法研究：以青海省貴南縣及瑪沁縣高寒草甸為例［J］. 草業學報，2016，25（3）：9-21.

［93］Chungcharoen T，Donis-Gonzalez I，Phetpan K，et al." Machine learning-based prediction of nutritional status in oil palm leaves using proximal multispectral images［J］. Computers and Electronics in Agriculture，2022，198：107019.

［94］Costa L，Kunwar S，Ampatzidis Y，et al." Determining leaf nutrient concentrations in citrus trees using UAV imagery and machine learning［J］. Precision Agriculture，2022，23（3）：854-875.

［95］馬超飛，馬建文，韓秀珍. 微量元素在植物光譜中的響應機理研究［J］. 遙感學報，2001，5（5）：334-339.

［96］李忠偉，張 浩，王雷全，等. 融合空譜-梯度特征的深度高光譜圖像去噪［J］. 光學精密工程，2022，30（5）：615-629.

［97］Yuan Q Q，Zhang Q，Li J，et al." Hyperspectral image denoising employing a spatial-spectral deep residual convolutional neural network［J］. IEEE Transactions on Geoscience and Remote Sensing，2019，57（2）：1205-1218.

［98］蘇紅軍. 高光譜遙感影像降維：進展、挑戰與展望［J］. 遙感學報，2022，26（8）：1504-1529.

［99］張明政，蘇 偉，朱德海. 基于PROSAIL模型的玉米冠層葉面積指數及葉片葉綠素含量反演方法研究［J］. 地理與地理信息科學，2019，35（5）：28-33.

［100］王聲鋒，徐亞澤，彭致功，等. 基于PROSAIL模型的夏玉米葉綠素含量垂直分層模擬［J］. 排灌機械工程學報，2022，40（6）：603-610.

［101］競 霞，張 杰，王嬌嬌，等. 水稻產量遙感監測機器學習算法對比［J］. 光譜學與光譜分析，2022，42（5）：1620-1627.

［102］楊野，楊德昌，孫 紅，等. 基于無人機多光譜遙感和機器學習算法的南疆棉花生物量估算［J］. 江蘇農業科學，2023，51（15）：179-187.

［103］Qiu Z C，Ma F，Li Z W，et al." Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms［J］. Computers and Electronics in Agriculture，2021，189：106421.

［104］王韋燕，馮文強，常乃杰，等. 基于光譜預處理和機器學習算法的烤煙葉綠素含量預測［J］. 中國土壤與肥料，2023（3）：194-201.

［105］郭 燕，井宇航，王來剛，等. 基于無人機影像特征的冬小麥植株氮含量預測及模型遷移能力分析［J］. 中國農業科學，2023，56（5）：850-865.

［106］武 彬. 作物冠層葉綠素含量垂直分布遙感監測方法研究［D］. 北京：中國科學院大學（中國科學院空天信息創新研究院），2021：1-9.