基于文獻計量的農業高光譜定量建模可視化分析

摘要：為了解國內外高光譜技術在農業定量建模研究領域的演進歷程，助力提高精準農業的實用性，以2007—2022年CNKI和WOS數據庫中農業高光譜定量建模領域的中文805條，英文1 115條學術性文獻為數據源，結合可視化文獻計量分析軟件CiteSpace統計分析15年間的發文量趨勢、發文期刊及科研機構、發文作者及合作關系等，其中WOS發文量呈緩慢增長趨勢，且高于CNKI；中英文刊文量最多的期刊分別占總文獻數的12%、19%；國際發文量前5的科研機構中，美國農業部發文量最多，其余四席均為中國科研機構；核心作者群及關鍵詞分析反映出主流研究方向是對小麥、水稻等糧食作物的營養元素的反演研究；通過關鍵詞突現分析，明確該領域不同階段的研究熱點和演化趨勢。結果表明，目前農業高光譜定量建模在作物生長狀況檢測、作物品質檢測以及作物產量估測方面的應用較為廣泛，但目前存在不同尺度的作物高光譜數據融合與映射、數據分析與建模的智能化以及定量模型的適應性等問題，結合不同作物特點進行數據融合、集合不同技術的優勢，提高數據及模型準確性將成為未來農業高光譜定量建模研究領域的重點研究方向。

關鍵詞：農作物；文獻計量學；高光譜；定量模型

中圖分類號：S5" " " 文獻標識碼：A" " " 文章編號：2095?5553 （2025） 04?0086?08

Visual analysis of quantitative modeling of agricultural hyperspectral data

based on bibliometrics

Liu Xia， Xu Changjing， Cao Xiaolan

（College of Information and Intelligent Science and Technology， Hunan Agricultural University， Changsha， 410128， China）

Abstract： In order to understand the evolution of hyperspectral technology in the field of agricultural quantitative modeling research at home and abroad， and to contribute to the practicality of precision agriculture， a dataset comprising 805 Chinese and 1 115 English academic papers on agricultural hyperspectral quantitative modeling from the CNKI and WOS databases spanning the years of 2007—2022 was utilized. Combining this data with the visualization and bibliometric analysis software CiteSpace， the study examined trends in publication volume， contributing journals， research institutions， authors， and collaborative relationships over the 15?year period. The analysis revealed a gradual increase in the number of publications in WOS， surpassing those in CNKI. The top journals， both in Chinese and English， accounted for 12% and 19% of the total literature， respectively. Among the top five international research institutions， the United States Department of Agriculture had the highest publication volume， while the remaining four were Chinese research institutions. Analysis of core author groups and keywords reflected that the mainstream research direction focused on the retrieval of nutritional elements in food crops such as wheat and rice. Keyword burst analysis further highlighted research hotspots and evolutionary trends at different stages in the field. The results show that quantitative agricultural hyperspectral modeling was widely used in crop growth status detection， crop quality detection and crop yield estimation. However， there were many problems such as fusion and mapping of crop hyperspectral data at different scales， intelligence of data analysis and modeling， and adaptability of quantitative models. Combining the characteristics of different crops， integrating the advantages of different technologies， and improving the accuracy of data and models will become the key research direction in the field of agricultural hyperspectral quantitative modeling in the future.

Keywords： crops; bibliometrics; hyperspectral; quantitative model

0 引言

高光譜技術在農業領域具有廣泛的應用前景，是精準農業發展的重要部分[1]，農作物高光譜反射率曲線能直接或間接地體現作物生長狀態，通過數據分析方法，提取農作物特征參數，建立數學模型，對作物理化組分和農學參數進行可計量的反演或預測，以輔助農業生產和管理，是當前具有重要意義的研究熱點。

近年來，國內外應用高光譜技術感知農作物信息并進行定量反演的相關研究，以近紅外光譜、拉曼光譜、葉綠素熒光光譜等光譜技術為主，數據采集方式由傳統地面采集逐步發展為無人機遙感技術，以提高數據采集質量，但天—地一體化方面的研究工作較少。部分學者開發大數據與深度學習算法解決傳統線性及非線性模型的精度和適用性問題，對作物營養元素、土壤成分含量、作物識別、作物病害及農藥殘留等的研究較為廣泛和深入。盡管農業領域內高光譜定量建模的文獻資源相當豐富，然而，針對該領域進行深入且系統性的文獻計量分析的研究卻仍顯稀缺，文獻資源仍未得到充分利用。

作物高光譜定量建模研究是實現農作物精準監測、合理控制的重要手段，通過文獻計量分析對學術文獻進行系統評估，便于農業生產者更好地掌握作物生長狀態，提高生產效益；使科研人員能夠快速了解作物高光譜定量建模領域研究現狀，促進學術交流與合作，提升研究效率和質量。本文利用表格處理軟件Excel、文獻計量分析軟件CiteSpace等工具，對國內外2007—2022年該領域文獻的發文量、發文期刊及科研機構、作者及關鍵詞等進行分析，探討該領域研究熱點和發展趨勢，總結研究應用范圍、定量建模流程及方法，剖析存在的問題并對未來研究方向進行展望。

1 數據來源及研究方法

1.1 數據來源

文獻數據來源于中國知網（CNKI）核心期刊數據庫和Web of Science（WOS）核心合集數據庫，檢索時間為2007年1月1日—2022年12月31日。在CNKI核心數據庫中采用“主題”的檢索方式，檢索主題設置為“高光譜”，學科范圍限定為“農業”，文獻類別為學術期刊；在WOS核心合集數據庫中以檢索式“TS=（“Hyperspectral”）”進行精準檢索，研究方向同樣選定“Agriculture”，文獻類別排除綜述。人工選擇定量分析建模的文獻，剔除其他與研究主題不相符的文獻后，共獲得805篇中文文獻和1 115篇英文文獻。

1.2 研究方法

采用文獻計量學方法，采用CiteSpace軟件，時間切片設置為1年，分別對文獻的發文量、作者、發文機構和關鍵詞等信息，從合作網絡、詞頻、中心性、突變等方面進行分析，并以圖表的形式呈現可視化分析結果。

2 結果與分析

2.1 發文量統計分析

某領域的年發文量可以直觀反映研究現狀，整體觀察和把握該領域發展動態[2]。繪制2007—2022年農業高光譜定量建模研究領域年發文量趨勢圖（圖1），可以看出2010年之前，CNKI和WOS每年的發文量都在25篇左右，文章數量維持在一個相對平穩且相近的水平。2010—2016年，CNKI和WOS的發文量緩慢增長。從2017年開始，二者的發文量增長趨勢開始明顯分化：WOS的發文量進入快速增長期，突破100篇，并以每年33%的平均增長率增長，截至2022年已經達到188篇；而CNKI的發文量在2017年之后基本上維持在每年70篇左右。這種增長趨勢的不同表明近年來國外在該領域的研究工作相對更加活躍。

2.2 發文期刊及科研機構分析

分別統計CNKI和WOS刊文量TOP5的期刊，中文TOP5期刊中，刊文量最多的期刊是《光譜學與光譜分析》（影響因子IF=1.823），達104篇，占據總文獻樣本數的12%；其次是《農業工程學報》（IF=3.76），為95篇，占比為11%；《農業機械學報》（IF=4.325）、《中國農業科學》（IF=3.445）、《麥類作物學報》（IF=2.57）的刊文量分別是56篇、36篇和30篇；其余期刊刊文量均在20篇以下。在英文TOP5期刊中，Computers and Electronics in Agriculture （IF=6.757）的刊文量最高，為222篇，占比19%；其次為Biosystems Engineering （IF=5.002），刊文量為88篇，占比7.91%；Precision Agriculture （IF=5.767）、Postharvest Biology and Technology （IF=6.751）、Geoderma （IF=7.422）的刊文量分別是75篇、65篇和56篇；其余期刊刊文量均低于50篇。

分別統計發文量排名前5機構可知，國內農業高光譜定量建模研究領域排名前5的科研機構主要來自高等院校和科研院所：國家農業信息化工程技術研究中心和西北農林大學的發文量都為46篇，居首位；其次是北京農業信息技術研究中心和北京農業物聯網工程技術研究中心，發文量為22篇；其余機構發文均在20篇以下。國際上排名前5的科研機構中，美國農業部發文量居首位，占前5發文量的25%；余下4個均為中國的科研機構。

2.3 作者及其合作關系分析

作者及其合作網絡分析可以反映出該領域的核心作者群，了解主流研究方向。在對作者及其合作關系進行計量分析時，對合作網絡圖進行適當裁剪，僅呈現發文量[Count≥5]的節點及其網絡關系。作者合作網絡圖中，名字大小表示該作者發表論文的數量多少；節點之間的連線粗細反映合作關系的強度；連線顏色反映年份[3]。

以CNKI文獻為基礎繪制的作者合作圖譜如圖2所示。

合作網絡圖的節點N=498，邊E=1 126，網絡密度Densit=0.009 1。圖中連線節點數≥4的合作團隊有：以曹衛星等為主的團隊、以洪添勝等為主的團隊、以于豐華等為主的團隊、以馮海寬等為主的團隊和以楊貴軍等為主的團隊等。圖2中最大節點是“常慶瑞”，但該節點與其他節點的連線較少，表明該研究者發文量較多，但未能形成明顯團隊。從節點顏色分析，曹衛星、王登偉等開展研究時間較早，而楊貴軍、常慶瑞等開展研究時間較晚。

以WOS文獻為基礎繪制的作者合作圖譜如圖3所示。合作網絡圖的節點N=470，邊E=601，網絡密度Densit=0.005 5。圖中連線節點數≥4的合作團隊有：以Zhang Jingcheng等為主的團隊、以Huang Wenqian等為主的團隊和以Zhang Meijun等為主的團隊等。圖中最大節點是“He Yong”，發文量最多，但與其他研究者合作較少。

3 研究熱點及趨勢分析

3.1 關鍵詞分析

分別統計國內外文獻中屬于作物種類和反演參數類型的關鍵詞比例，結果分別如圖4、圖5所示。

為進一步了解研究主要內容，分別對國內外文獻中發文量排在前2位的研究機構的關鍵詞做共現分析，共現分析時做如下處理：排除信息量小、無意義的詞匯，如“高光譜”“光譜”等；適當合并同義詞或近義詞，合并原則是后出現的詞合并至最早出現的詞，其共現網絡分別如圖6、圖7所示。

在作物種類方面，由圖4可知，國內主要研究的作物為小麥、水稻、玉米，分別占比39%、14%和13%。在研究機構方面，從圖6的數據可以看出，國內發文量排名前兩位的研究機構是國家農業信息化工程技術研究中心和西北農林科技大學。這兩個機構的主要研究作物包括冬小麥、玉米、水稻和棉花。綜合分析表明，國內作物種類研究的重點主要集中在小麥、水稻、玉米和棉花等我國種植面積廣的糧食和經濟作物。這與我國的農業結構和實際需求密切相關，同時也反映糧食安全的研究重點。對于外文文獻（圖5），水果類在作物種類研究中占比最高，達到32%。在圖7中，外文發文量排名前兩位的研究機構是美國農業部和中國農業農村部。這兩個機構主要研究水果、玉米、棉花、小麥、蘋果等多種類型的作物，呈現出研究種類更加多元化的趨勢。表明國外研究更加關注多種類作物的高光譜定量建模，覆蓋范圍更廣，反映國外農業的多樣性和全球農業的綜合性研究。

在反演參數類型上，國內外的研究重點都集中在作物理化參數，包括色素（主要是葉綠素）和氮素等、作物長勢參數（如葉面積等）、作物產量和品質參數。不同機構的研究重點略有不同，例如國家農業信息化工程技術研究中心主要關注葉綠素和產量，而西北農林科技大學關注葉綠素、氮素和生物量，美國農業部關注葉綠素和生物量，中國農業農村部關注葉綠素和葉面積。

在高光譜數據處理和建模方法方面，特征提取方法主要采用傳統的植被指數方法；而在建模方法中，偏最小二乘法、人工神經網絡、隨機森林回歸和支持向量機等是主要的工具；建立的模型以估算模型和監測模型為主要方向；冠層光譜涉足的機構較多。值得注意的是，發文量較高的機構普遍對采用無人機采集高光譜數據有相關研究，表明高光譜技術在農業遙感監測和無人機應用方面有著廣泛的應用和研究前景。

3.2 研究趨勢分析

通過對關鍵詞的突現分析，可以進一步了解該領域研究的前沿動向。關鍵詞的Burst值（即突現值）越高，則表示該關鍵詞在一段時間內出現過共現頻次激增的情況，是研究前沿的“腳印”[4]。

通過對中英文文獻關鍵詞進行突現分析，頻次變化率最高的前10個關鍵詞如表1、表2所示。

由表1、表2分析可知，前期國內研究熱點主要是棉花、葉片、氮素營養、主成分分析等；國外研究熱點是玉米、冠層反射率、生物量、氮等。研究主題較為集中，且對于特定主題的探索具有相對長的時間跨度，例如CNKI關鍵詞“氮素營養”的突現持續時間為6年，WOS關鍵詞“玉米”的突現持續時間達7年，表明國內外在這個時期對農業高光譜定量建模的研究主要集中于特定農作物和理化參數，側重初步研究和基礎應用，探索潛在應用，著力解決農業高光譜數據在不同環境下獲取難題。同時，早期建立農業高光譜定量模型方法多為傳統統計學方法和經驗模型，如多元回歸、主成分分析等。

2015年后，國內研究熱點主要為水稻、監測模型、隨機森林等；國外研究熱點主要為蘋果、品質評估、機器視覺等。隨著技術的不斷進步，機器學習算法開始在研究中占據主導地位，尤其是支持向量機、隨機森林、深度學習等方法的引入。學者們致力于提高模型的準確性和魯棒性，通過對大規模高光譜數據的深度挖掘，實現對農業要素更為精準的定量預測。此時，國內外的研究重點逐漸從模型建立轉向實際應用，包括作物生長監測、土壤質量評估等方面。

2021年后，國內研究熱點為冠層光譜、無人機、反演模型等，國外為水分含量、無人機等。其中CNKI和WOS都出現突現關鍵詞“無人機”，CNKI中關鍵詞突現強度達5.51，這表明結合無人機和高光譜技術進行作物生長信息快速無損檢測應用成為國內外學者研究的熱點[5]，國內外研究呈現出更為綜合和跨學科的趨勢，與其他領域的融合日益加深，如人工智能、物聯網、區塊鏈等技術逐漸與高光譜技術相結合，形成更為智能和高效的農業信息系統。同時，研究者們關注多源數據的融合應用，以提高模型的綜合性能，還注重研究成果的實際應用，推動高光譜技術在農業現代化進程中的廣泛應用。

4 討論

作物高光譜定量建模可以幫助農業生產者實現精準管理，使科研人員能夠快速準確獲取領域知識。通過分析關鍵詞，閱讀代表性文獻，討論總結作物高光譜定量模型的應用、定量建模的流程和方法，梳理研究中存在的問題。

4.1 作物高光譜定量模型的應用范圍

1） 作物生長狀況監測。圖4的CNKI反演參數中，色素、葉面積、氮素、水分分別占比28%、19%、13%和7%，圖5的WOS反演參數中，nitrogen、pigment、leaf area、water分別占比14%、10%、9%和9%，說明科研人員對營養元素的研究居多。高文強等[6]提出一種基于高光譜的葉綠素含量預測模型以評價作物生長狀況，祝海竣等[7]構建水稻葉綠素和氮素定量模型監測作物生長狀況，Cao等[8]通過構建茶葉氮含量估測模型來估測茶樹生長狀況。因此，作物生長狀況監測是定量模型應用的一個重要方面。

2） 作物品質檢測。圖4反演參數中，品質占比2%，圖5反演參數中，品質占比21%，外文文獻中對作物品質的研究較多。金宇豪等[9]構建油菜籽粒油酸含量模型為監測油菜品質提供理論依據，Torres?Tello等[10]建立小麥水分含量的深度學習模型控制收割質量。所以作物品質檢測是高光譜定量建模應用的另一方面。

3） 作物產量估測。圖4、圖5反演參數中，產量占比分別為5%、10%。甘甜等[11]構建基于多源遙感數據和機器學習算法的定量模型以預測小麥產量，提高人民生活水平。此為定量模型應用的一個方面。

4.2 作物高光譜定量建模流程和方法

1） 作物高光譜數據獲取。通過圖6、圖7關鍵詞共現分析以及表1關鍵詞突現分析，總結作物高光譜數據主要有冠層和葉片兩個尺度層次：作物冠層高光譜采集設備早期常使用便攜式地物光譜儀，隨著航空航天技術，特別是無人機技術的發展，機載和星載光譜儀大量應用；葉片高光譜數據采集時一般是人工光源，對天氣條件要求較低，通常利用便攜式地物光譜儀的光纖探頭耦合漫反射光合附件（如葉夾器）來測量，或者在實驗室內搭建高光譜測量平臺，采摘新鮮葉片帶回實驗室測量。作物冠層高光譜數據常用于大范圍的作物估產、長勢監測、種植密度和面積的估測等，葉片高光譜數據一般用于作物生理生化參數的反演。

2） 高光譜數據預處理。雖然數據預處理方法在關鍵詞共現圖譜中出現較少，但此為構建作物高光譜定量模型不可忽略的重要步驟，選擇合適的數據預處理方法可以增加數據的可靠性，提高模型精度[12]。包括異常樣本剔除、數據降噪等。金承亮等[13]對比使用多種數據預處理方法以提高模型精度。目前，常用的方法主要有Cook距離[14]、馬氏距離[15]、杠桿值[16]、蒙特卡洛交叉驗證[17]等；光譜數據降噪是為了去除噪音、樣品背景和雜散光影響等因素對模型預測性能的影響，從而提高校正模型的預測能力和穩健性[18]，常用的方法有主成分分析法[19]、標準正態變量變換SNV[20]、SG平滑[21]、導數光譜[22]、基線校正BC[23]、多元散射校正MSC[24]、正交信號校正OSC[25]、歸一化Normalize[26]等。

3） 作物高光譜特征工程。特征工程主要是在數據預處理的基礎上，通過特定的方法對數據進行降維，去除冗余信息，提取更有效率和代表性的特征參數，以提高模型的效率、質量和穩健性。作物高光譜特征工程主要有兩種思路：特征選擇和特征提取[27]。葉磊等[28]提出一種改進RF算法特征選擇策略，在保證分類器性能的前提下進行數據降維，減少特征集的冗余。目前有多種方法可用于高光譜數據的特征選擇，主要有連續投影算法（SPA）[29]、競爭性自適應重加權算法（CARS）[30]、區間偏最小二乘（iPLS）[31]、遺傳算法（GA）[32]等。特征提取則是利用高光譜圖像的所有波段，對原特征空間進行數學變換，得到新的特征空間[33]，常用的特征提取方法有主成分分析（PCA）[34]、線性判別分析（LDA）[35]。

4） 作物高光譜數據定量建模及評價指標。在表1、表2關鍵詞突現分析中，隨機森林、深度學習、機器學習等建模方法得到國內外廣泛應用，目前常用的定量建模方法有多元線性回歸（MLR）[36]、主成分回歸（PCR）[37]、偏最小二乘回歸（PLSR）[38]、支持向量回歸（SVR）[39]和人工神經網絡等，其中MLR、PCR和PLSR屬于線性回歸建模，SVR、神經網絡屬于非線性回歸建模。定量模型的評價有校正均方根誤差RMSEC、交互驗證均方根誤差RMSECV、預測均方根誤差RMSEP和決定系數R2。

4.3 作物高光譜定量建模研究存在的問題

1） 不同尺度的作物高光譜數據融合與映射。作物冠層高光譜數據主要反映作物整體生長狀況，但數據采集受天氣條件影響和限制較大，數據噪聲較大；而葉片高光譜數據雖然只能反映作物局部的狀態，但由于采用人工光源，受環境影響較小，數據噪聲小。此外，即便是同一類作物高光譜，由于采集設備不同（如便攜式地物光譜儀和無人機搭載光譜儀），所采集的數據也有較大差異。當前的定量建模研究一般僅采用其中一種數據，如何將多種尺度的數據融合與映射，以取長補短，更全面地反映作物的真實狀況是一個值得研究的問題。

2） 高光譜數據分析與建模的智能化。傳統的高光譜數據降噪、提取特征和建模的方法，過于依賴人力和專業知識，成為提升模型性能的瓶頸。深度學習技術不僅可以避免人工特征的局限性，還能直接從原始高光譜數據中自動挖掘規律，得到有效的信息，將深度學習方法用于高光譜數據處理和分析是一個可行的途徑。

3） 作物高光譜定量模型的適應性。由于作物生長狀況復雜、生境狀況不同，作物高光譜數據會產生相應變化，如果建模的研究人員沒有足夠的專業技能和經驗，可能導致建立的模型局限性較大，僅能適應某些特定條件。如何提高模型適應性，使得在不同條件下也能獲得較準確的預測也是需要研究的問題。

5 結論

1） 利用文獻計量軟件CiteSpace對2007—2022年中國知網收錄的805篇和Web of Science收錄的1 115篇農業高光譜定量建模相關核心期刊文獻進行可視化分析，分別統計發文量、發文期刊、科研機構、發文作者、關鍵詞和核心文獻。

2） 農業高光譜定量建模研究領域發文量整體呈穩定增長趨勢，且外文文獻發文量高于中文文獻；《光譜學與光譜分析》和Computers and Electronics in Agriculture是國內外發文量最多的兩個期刊，分別占比12%和19%；國家農業信息化工程技術研究中心和美國農業部等機構發文量多，影響力深遠；核心作者主要來自中國，由西北農林科技大學常慶瑞帶領的研究團隊發文量最多；外文文獻中，來自中國的何勇發文最多，但與其他作者及機構間的合作不多。

3） 農業高光譜定量建模研究具有數據豐富、跨學科和可持續發展等特點，核心研究內容集中于數據采集與處理、特征提取與選擇、建模方法與模型優化、應用領域拓展等，主要構建農作物生長監測、品質檢測和產量估測等定量模型；定量建模研究會受到多尺度數據融合與映射、光譜數據分析技術以及定量模型適應性等方面的影響；目前多源數據融合、結合機器學習與深度學習技術進行建模、無人機與衛星技術等成為新興研究熱點。

4） 國內外科研工作者在農業高光譜定量建模領域已經做出很大貢獻，農業定量遙感也正在向著無損傷、精確診斷等方向發展，近地遙感技術獲取數據精確度高但檢測范圍小，衛星遙感技術檢測范圍大但精確度低，機載遙感技術介于兩者之間，所以結合不同作物特點進行數據融合，集合不同技術的優勢，可以成為未來農業高光譜定量建模研究領域的重點研究方向；葉片及冠層光譜信息是作物、背景和環境的混合信息，前期數據處理質量直接影響定量模型監測準確度，將深度學習等方法應用于前期數據處理以及定量模型的建立以提高數據及模型的準確性，逐漸成為新趨勢；由于作物種類的復雜性和環境的多變性，目前建立的定量模型沒有很強的普適性，針對某一作物建立模型數據庫也是一個重要研究方向。

參 考 文 獻

[ 1 ] 程一松， 胡春勝. 高光譜遙感在精準農業中的應用[J]. 農業系統科學與綜合研究， 2001（3）： 193-195.

[ 2 ] 盛強， 鄭建明， 劉江山， 等. 基于CiteSpace的內表面缺陷檢測研究進展與趨勢[J]. 光譜學與光譜分析， 2023， 43（1）： 9-15.

Sheng Qiang， Zheng Jianming， Liu Jiangshan， et al. Advances and prospects in inner surface defect detection based on CiteSpace [J]. Spectroscopy and Spectral Analysis， 2023， 43 （1）： 9-15.

[ 3 ] 陳悅， 陳超美， 劉則淵， 等. CiteSpace知識圖譜的方法論功能[J]. 科學學研究， 2015， 33（2）： 242-253.

[ 4 ] 趙繪存. 商業模式創新發展態勢的知識圖譜分析[J]. 中國科技論壇， 2016（1）： 38-43.

[ 5 ] 姜妍， 王琳， 楊月， 等. 無人機高光譜成像技術在作物生長信息監測中的應用[J]. 東北農業大學學報， 2022， 53（3）： 88-96.

[ 6 ] 高文強， 肖志云. 基于Atrous—CDAE—1DCNN的紫丁香高光譜數據的葉綠素含量反演[J]. 中國農機化學報， 2022， 43（7）： 158-166.

Gao Wenqiang， Xiao Zhiyun. Inversion of chlorophyll content of lilac hyperspectral data based on Atrous—CDAE—1DCNN [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 158-166.

[ 7 ] 祝海竣， 付虹雨， 王學華， 等. 高光譜早稻生理指標可跨期預測性的初步研究[J]. 光譜學與光譜分析， 2022， 42（1）： 170-175.

Zhu Haijun， Fu Hongyu， Wang Xuehua， et al. Preliminary study on the intertemporal predictability of the physiological index of early rice based on hyperspectral [J]. Spectroscopy and Spectral Analysis， 2022， 42（1）： 170-175.

[ 8 ] Cao Q， Yang G， Duan D， et al. Combining multispectral and hyperspectral data to estimate nitrogen status of tea plants （Camellia sinensis （L.） O. Kuntze） under field conditions [J]. Computers and Electronics in Agriculture， 2022（198）.

[ 9 ] 金宇豪， 石楠， 文雙雅， 等. 菜油兼用型油菜籽粒油酸含量的高光譜模型構建[J]. 南方農業學報， 2021， 52（6）： 1674-1682.

[10] Torres?Tello J W， Ko S， Singh K D， et al. A novel approach to identify the spectral bands that predict moisture content in canola and wheat [J]. Biosystems Engineering， 2021， 210： 91-103.

[11] 甘甜， 李雷， 李紅葉， 等. 基于多源遙感數據和機器學習算法的冬小麥產量預測研究[J]. 麥類作物學報， 2022， 42（11）： 1419-1428.

[12] 呂美蓉， 任國興， 李雪瑩， 等. 光譜數據預處理對潮間帶沉積物氮LSSVM模型的影響研究[J]. 光譜學與光譜分析， 2020， 40（8）： 2409-2414.

Lü Meirong， Ren Guoxing， Li Xueying， et al. The effect of spectral pretreatment on the LSSVM model of nitrogen in intertidal sediments [J]. Spectroscopy and Spectral Analysis， 2020， 40（8）： 2409-2414.

[13] 金承亮， 王永軍， 黃河， 等. 高維紅外光譜數據預處理在中藥材產地鑒別中的應用[J]. 光譜學與光譜分析， 2023， 43（7）： 2238-2245.

Jin Chengliang， Wang Yongjun， Huang He， et al. Application of high?dimensional infrared spectral data preprocessing in the origin identification of traditional Chinese materials [J]. Spectroscopy and Spectral Analysis， 2023， 43（7）： 2238-2245.

[14] 史波林， 趙鐳， 劉文， 等. 蘋果內部品質近紅外光譜檢測的異常樣本分析[J]. 農業機械學報， 2010， 41（2）： 132-137.

Shi Bolin， Zhao Lei， Liu Wen， et al. Outlier sample analysis on near infrared spectroscopy determination for apple interior quality [J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（2）： 132-137.

[15] 劉紅蕓， 吳雪梅， 李德侖， 等. 基于高光譜技術的采摘期煙葉水分含量研究[J]. 中國農機化學報， 2021， 42（9）： 157-163.

Liu Hongyun， Wu Xuemei， Li Delun， et al. Study on the moisture content of tobaco leaves during the picking period based on hyperspectral technology [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（9）： 157-163.

[16] 田海清， 王春光， 張海軍， 等. 蜜瓜品質光譜檢測中異常建模樣品的綜合評判[J]. 光譜學與光譜分析， 2012， 32（11）： 2987-2991.

Tian Haiqing， Wang Chunguang， Zhang Haijun， et al. Outlier sample discriminating methods for building calibration model in melons quality detecting using NIR spectra [J]. Spectroscopy and Spectral Analysis， 2012， 32（11）： 2987-2991.

[17] 曲歌， 陳爭光， 張慶華. 基于無信息變量消除法的水稻種子發芽率測定[J]. 江蘇農業學報， 2019， 35（5）： 1015-1020.

[18] BehnoodR， Paul S， Pedram G， et al. Noise reduction in hyperspectral imagery： Overview and application [J]. Remote Sensing， 2018， 10（3）： 482.

[19] 崔賓閣， 馬秀丹， 謝小云. 小樣本的高光譜圖像降噪與分類[J]. 遙感學報， 2017， 21（5）： 728-738.

[20] Grisanti E， Totska M， Huber S， et al. Dynamic localized SNV， peak SNV， and partial peak SNV： Novel standardization methods for preprocessing of spectroscopic data used in predictive modeling [J]. Journal of Spectroscopy， 2018， 2018： 1-14.

[21] Li Y H， Tan X， Zhang W， et al. Research and application of several key techniques in hyperspectral image preprocessing [J]. Frontiers in Plant Science， 2021， 12： 627865.

[22] Li C， Fan P， Jiang K， et al. Melon seed variety identification based on hyperspectral technology combined with discriminant analysis [J]. Bangladesh Journal of Botany， 2017， 46（3）： 1153-1160.

[23] Esquerre C， Gowen A A， Burger J， et al. Suppressing sample morphology effects in near infrared spectral imaging using chemometric data pre?treatments [J]. Chemometrics amp; Intelligent Laboratory Systems， 2012.

[24] Wang Q， Liu Y， Xu Q， et al.Identification of mildew degrees in honeysuckle using hyperspectral imaging combined with variable selection [J]. Journal of Food Measurement and Characterization， 2019， 13（3）： 2157-2166.

[25] Roger J C. A review of orthogonal projections for calibration [J]. Journal of Chemometrics， 2018， 32（9）.

[26] Hasanzadeh B， Abbaspour?Gilandeh Y， Soltani?Nazarloo A， et al. Non?destructive detection of fruit quality parameters using hyperspectral imaging， multiple regression analysis and artificial intelligence [J]. Horticulturae， 2022， 8（7）： 598.

[27] 蘇紅軍， 杜培軍， 盛業華. 高光譜遙感數據光譜特征提取算法與分類研究[J]. 計算機應用研究， 2008（2）： 390-394.

[28] 葉磊， 韋克蘇， 李德侖， 等. 基于改進RF特征選擇策略的烤煙油分高光譜特征分析[J]. 中國農機化學報， 2021， 42（8）： 196-202.

Ye Lei， Wei Kesu， Li Delun， et al. Analysis of hyperspectral characteristics of flue?cured tobacco oil based on improved RF feature selection strategy [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（8）： 196-202.

[29] Zhao X， Zhang J， Pu R， et al. The continuous wavelet projections algorithm： A practical spectral?feature?mining approach for crop detection [J]. The Crop Journal， 2022， 10（5）： 1264-1273.

[30] Hong G， Abd El?Hamid H T. Hyperspectral imaging using multivariate analysis for simulation and prediction of agricultural crops in Ningxia， China [J]. Computers and Electronics in Agriculture， 2020， 172： 105355.

[31] Song D， Gao D， Sun H， et al. Chlorophyll content estimation based on cascade spectral optimizations of interval and wavelength characteristics [J]. Computers and Electronics in Agriculture， 2021， 189： 106413.

[32] Huang L， Zhang H， Ruan C， et al. Detection of scab in wheat ears using in situ hyperspectral data and support vector machine optimized by genetic algorithm [J]. International Journal of Agricultural and Biological Engineering， 2020， 13（2）： 182-188.

[33] 杜培軍， 陳云浩， 方濤， 等. 高光譜遙感數據光譜特征的提取與應用[J]. 中國礦業大學學報， 2003（5）： 34-38.

[34] Luo M， Bors A G. Principal component analysis of spectral coefficients for mesh watermarking [C]. 2008 15th IEEE International Conference on Image Processing. IEEE， 2008： 441-444.

[35] Delwiche S R， Baek I， Kim M S. Does spatial region of interest （ROI） matter in multispectral and hyperspectral imaging of segmented wheat kernels？ [J]. Biosystems Engineering， 2021， 212：106-114.

[36] Ma L， Chen X， Zhang Q， et al. Estimation of nitrogen content based on the hyperspectral vegetation indexes of interannual and multi?temporal in cotton [J]. Agronomy， 2022， 12（6）： 1319.

[37] 杜明華， 楊甜， 馬燕， 等. 基于NIR高光譜成像技術的番茄葉片葉綠素含量檢測[J]. 江蘇農業科學， 2022， 50（20）： 48-55.

[38] 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.

Feng Haikuan， Tao Huilin， Zhao Yu， et al. Estimation of chlorophyll content in winter wheat based on UAV hyperspectral [J]. Spectroscopy and Spectral Analysis， 2022， 42（11）： 3575-3580.

[39] 吾木提 ? 艾山江， 尼加提 ? 卡斯木， 陳晨， 等. 基于多維高光譜植被指數的冬小麥葉面積指數估算[J]. 農業機械學報， 2022， 53（5）： 181-190.

Umut Hasan， Nijat Kasim， Chen Chen， et al. Estimation of winter wheat LAI based on multi?dimensional hyperspectral vegetation indices [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（5）： 181-190.