基于高光譜數據結合BorutaShap_CatBoost算法的柑橘葉面積指數反演

Abstract：InordertomakefulluseofhyperspectraldataandimprovetheaccracyofcitrusLAIinversion，thispapertakedcitrusas theresearchobject，usedhyperspectraldata toconstructthefeatureset，usedBorutaShaptoompareBorutaforfeaturesreening，and combinedCatosdG，ndespecielyndfourgeioodelstsuctightbatiofels， andthenadjuststheparametersthrough Bayesianadjustment.AftertheBayesianadjustment，theoptimalmodelforinvesionofcitrus LAIwas selectedthroughtheaccuracyassessmentoftheregressionresults.Theresultsshowedthat BorutaShaphadfewerbandsand better performance than Boruta.Among the eight combined models，BorutaShap ? CatBoost was the best model for inverting citrus LAI， andthecoefntsofeteraoftitedodelndealiatedmodelere8812nd.6，esptivelychowed thatBorutaShap_CatBostcowldaccuratelypredictcitrusLAIand generate LAIinversionmaps toprovidedatasupportforrapid monitoringandmanagementofcitrusfruitreegrowth.Inconclusion，TheinverseLAImapanprovidedatasupportfortherapidmoitor ing and management of citrus fruit trees.

Keywords：UAVhyperspectral; BorutaShap;CatBoost;leaf Area Index

中國是全球最大的柑橘出口和消費國之一，推動柑橘產業的精細化管理以提高柑橘的質量、產量，對實現農民的脫貧致富、助推產業興旺、實現鄉村振興具有重要意義。葉面積指數（LeafAreaIndex，LAI是表征作物冠層結構與光能利用效率的重要指標之一。通過無人機高光譜遙感技術可實現LAI的高效、無損獲取，為作物的長勢監測與精細化管理提供數據支持。目前，該技術已成功應用于冬小麥、玉米、大豆等作物的LAI反演3-5，但研究對象多以大田作物為主，對柑橘等果樹的研究較少。

高光譜數據具有波段數量多、信息維度大等的特點，蘊含了大量的特征信息，但數據冗余，干擾反演結果。Boruta是一種全相關的特征選擇方法，在重金屬篩查災害評估等多個領域取得了良好的應用效果。而BorutaShap算法結合SHAP值解釋框架[9-10]，進一步提升了特征選擇性能，Geurkink[等使用BorutaShap算法成功篩選出了決定足球隊輸贏的13個變量，為教練和球員在訓練及比賽準備過程中提供了重要的決策支持。

當前，高光譜遙感的作物指標預測模型多采用多元線性回歸（MLR）梯度提升樹（GBDT或BP神經網絡（BPNN）[12-14]。而CatBoost作為GBDT的改進算法，具有預測精度高、抗過擬合能力強等特點，在醫療診斷[5]災害判別[疾病風險建模等領域表現出色，但很少用于農業遙感方面。

本研究以柑橘為研究對象，利用無人機高光譜影像與實測地面LAI數據，運用BorutaShap算法對高光譜波段組合構成的特征集合進行特征選擇，并結合使用貝葉斯調參后CatBoost模型進行相橘LAI反演，同時對比Boruta特征選擇方法與MLR、GBDT、BPNN3種回歸方法兩兩組合生成的模型，通過精度評價，篩選出反演LAI最優模型并生成反演圖像，為柑橘產業的精細化管理提供理

論支持。

1材料與方法

1.1研究區概括

試驗于2021年7月在省市臨桂區六塘鎮柑橘果園實踐基地 （25^°2^′5^′′N，110^°17^′55^′′E） 一進行（圖1）。該地區屬亞熱帶季風氣候，氣候溫和，雨量充沛，年平均氣溫 19°C ，年平均相對濕度為76% ，年平均降雨量 1887.6mm 。土壤以紅壤為主，有利于柑橘、水稻、甘蔗等作物種植。果園面積約 34hm² 園內大多以2014年種植的默科特、沃柑、砂糖橘為主。試驗區共設10個面積為 15m×15m 的樣區，每個樣區隨機選擇10棵柑橘果樹作為樣本，共計100個樣本。

1.2數據獲取與預處理

高光譜影像數據于2021年7月10日11：00—

圖1研究區地理位置及采樣點

Fig.1 Lication of the study area and sample points

14：00通過我國自主研發的ZK-VNIR-FPG480輕小型高光譜成像儀進行采集，天氣晴朗，風小云少，共270個波段，光譜范圍為 400～1000nm ，光譜分辨率為 2.8nm ，飛行高度為 50m ，重疊率為 50% ，飛行速度 3m?s^-1 ，空間分辨率 5cm 。將獲取的影像數據使用進行Savitzky-Golay平滑處理后剔除采集數據首尾兩段噪聲波段，得到243個高光譜原始波段，光譜范圍為 415.0～970.58nm 。每棵樣樹以 0.6m 為直徑做圓形感興趣區，提取感興趣區內的平均光譜值作為該樣樹的光譜數據。

柑橘LAI數據使用LAI2200型植物冠層分析儀（Li-CorInc，Lincoln，NE，美國）對10O棵樣樹進行采集，測定時間為每天的7：30—11：00和15：00—18：00，盡量避開太陽直射，具體方法：在樣本附近空曠處測量1次天空值后，對果樹根部的同一方向由內到外連續測量4次；對上述步驟按果樹的四個方向進行重復測量，取平均值為該樣本的LAI值，并同步使用RTK記錄樣本點位。樣本數據按7：3的比例，隨機抽取70個作為訓練數據，其余30個作為測試數據。

1.3特征構建

高光譜數據具有光譜分辨率高、波段連續性強、冗余度大等特點，但相鄰波段之間具有較高的相關性，使用原始波段進行建模易導致模型不穩定，降低模型的反演精度。與原始的光譜特征相比，三邊特征參數可以準確客觀地反映目標的光譜特征。前人研究發現，經兩個或多個波段組合的線性或非線性的光譜指數，可以削弱周邊地物帶來的影響，提升目標地物的光譜信息量8。因此，本研究選取了柑橘光譜的三邊特征[9-20和具有代表性的植被指數2、自定義雙波段指數22作為初始特征集合。其中，各高光譜特征變量含義及計算見表1、表2、表3。

自定義雙波段是使用python編程，通過任意兩波段構建NDSI、RSI、SSD指數，并將自定義指數與柑橘LAI進行線性擬合生成等勢圖，篩選出相關性高的特征，結果見圖2。由圖2可知， NDSI（R_i，R_j） 指數 .RSI（R_i，R_j） 指數與柑橘LAI相關性較高的范圍都集中在3處，分別是 （R_550-650，R_500-600）_?（R_700-950，R_550-700）_? （R_700-900，R_450-550） ，選取3處范圍中的極大值NDSI（R729，R512），NDSI（R717，R623），NDSI（R593，R564），RSI（R717，R623），RSI（R593，R564），RSI（R729，B510）作為自定義雙波段指數，擬合精度均為0.6以上。

表2植被指數及計算公式

表1高光譜三邊特征參數及說明 Tab.1Hyperspectral trilateral feature parameters and descriptions

注： R_RED 為波段 630～690nm 內反射率的平均值； R_NR 為波段 760～790nm 內反射率平均值； R_i 為波長i對應反射率，如 R₆₀₀ 為波長 600nm 對應的反射率； L 為調整系數，取0.5。

表3自定義雙波段指數及計算公式

Tab.3 Customized two-band index and calculation formula

注： R_i 是 i 波段的光譜反射率， ?，R_j 是 j 波段的光譜反射率。

將生成的19種高光譜三邊特征、5種植被指數 和6種自定義雙波段指數進行匯總，構建生成初始特征集合。

圖2自定義雙波段指數與柑橘LAI相關性等勢圖

Fig.2Equipotential plot of the correlation between custom two-band index and citrus LAl

1.4葉面積指數光譜特征選擇方法

1.4.1基于Boruta的特征選擇方法Boruta[23是一種篩選出所有與因變量具有相關性的特征集合方法，其基本思想是通過循環的方式來確定每一個特征變量的重要性，將每個真實特征隨機打亂特征順序構造出陰影特征（shadowfeatures），并讓真實特征與陰影特征進行拼接作為新的特征矩陣進行訓練，最后以訓練器對陰影特征的重要性得分作為參考，分離出重要或不重要的特征，以達到篩選的目的。

1.4.2基于BorutaShap 的特征選擇方法BorutaShaplq系統地結合了Boruta特征篩選算法和SHAP（ShapleyAdditiveExplanations）框架來繪制特征重要性和排名。BorutaShap的篩選過程與傳統的Boruta算法基本一致，其中陰影屬性是通過對原始特征值的隨機擾動生成的，隨后基于SHAP得到的重要性將原始特征與陰影屬性進行統計比較，通過保留重要的特征而達到篩選的效果。

1.5估測模型

本研究選取 CatBoost、MLR、GBDT、BPNN4種機器學習方法進行柑橘LAI反演。

CatBoost24是GBDT算法中一種新型的機器學習模型，與XGBoost、LightGBM相比，它運用了對稱二叉樹作為基模型并使用了策略的特征交叉方法，不但有效地提升了預測精度，而且降低了過擬合的可能性。

多元線性回歸的基本原理是通過最小二乘法對多個自變量之間的關系進行建模。GBDT2是一種基于Boosting的采用加法模型和前向分布算法相結合的迭代決策樹模型，具有解釋性強，精度高等的特點。BPNN2反向傳播神經網絡模型（BackPropagationNeuralNetwork，BPNN）BPNN是一種多層前饋神經網絡，通過不斷地反向傳播學習，確立輸入與輸出直接的映射關系。

1.6精度評價

本研究采用決定系數（Coefficientofdetermination）、均方根誤差RMSE（Root mean square error）、歸一化均方根誤差 nRMSE （normalized root mean squareerror），作為評價LAI反演模型的精度指標。計算公式如下：

式中 ，X_i 為實測的柑橘LAI值； 為實測的柑橘LAI的均值； Y_i 為估算的柑橘LAI值； 為實測的柑橘LAI的均值； 為樣本個數。

2 結果與分析

2.1最佳波段選擇

本研究使用Boruta和Borutshap方法分別對訓練數據（ n=70 ）的初始特征集合進行特征選擇。方法基于python編程實現，Boruta、Borutshap 算法以及訓練器GBDT均使用默認參數。篩選結果見表4。

2.2篩選波段的相關性與重要性分析

通過python分別計算出特征波段與LAI的persron相關性系數以及基于GBDT模型的重要性指標，并繪制重要性排序圖、SHAP特征摘要圖（圖3和圖4）。

表4Boruta與Borutshap的篩選結果 （n=70） Tab.4 Screening results of Boruts and Borutshap （n=70）

由圖3可知，RSI（R593，R564）RSI（R717，R623）、NDSI（R593，R564）、NDSI（R717，R623）、NDSI（R729，R512）ARVI的重要性值均大于0.04，是影響柑橘LAI的關鍵因素。ARVI值與LAI值的相互影響最強，ARVI的特征重要性隨ARVI值的減小而增大，較小的ARVI值帶來較大的正向貢獻，NDSI（R729，R512）RSI（R717，R623）NDSI（R593，R564）與LAI的相互影響顯著，較大的NDSI（R729，R512）、RSI（R717，R623）對LAI值有正向影響，較小的NDSI（R729，R512）、RSI（R717，R623）對LAI值有負向作用，而NDSI（R593，R564）NDSI（R717，R623）NDSI（R593，R564）中有部分點聚集在SHAP值為0.00的位置附近，說明NDSI（R593，R564）NDSI（R717，R623）NDSI（R593，R564）的值在一定的范圍內對LAI的影響不顯著，但較大、較小值對LAI有明顯的變化規律。Boruta比BorutaShap多保留了NDSI（R717，R623）、RSI（R593，R564）兩種特征參數。由圖4可知，RSI（R717，R623）與NDSI（R717，R623）、NDSI（R593，R564）與RSI（R593，R564）之間存在較高的相關性，相較于Boruta，BorutaShap能進一步濾除與LAI相互影響相對不顯著、重要性較低、與其它特征相關性高的NDSI（R717，R623）RSI（R593，R564）特征波段，使篩選出來的特征更少，運算效率更高。

2.3構建最優估測模型

2.3.1貝葉斯優化貝葉斯優化算法是基于目標函數的歷史評價建立先驗信息后，結合上次迭代獲得的觀察點計算后驗分布，進而根據后驗信息選擇下一個樣本的超參數組合，使目標函數值達到最小。

圖3篩選變量特征分析圖

Fig.3Screeningvariablecharacterizationchart

圖4LAI相關性熱力圖 （n=70） Fig.4Heatmap ofLAIcorrelation （n=70）

將經過Boruta、BorutaShap篩選的訓練數據分別用MLR、GBDT、BPNN、CatBoost進行反演，并通過貝葉斯優化對4種模型的參數在一定范圍內進行搜索，以保證每個組合模型得到的反演結果均為最優。上述過程均使用python編程實現，每個模型對應參數的優化結果見表5、表6和表7。

2.3.2精度對比以 R² 、RMSE、nRMSE為評價依據，利用訓練數據（ Π_n=70 和驗證數據（ n=30 ），分別對通過貝葉斯調參后的8種組合模型的學習能力和

表5GBDT算法參數

Tab.5Parametersof GBDTalgorithm

表6BPNN算法參數Tab.6ParametersofBPNNalgorithm

表7CatBoost算法參數

Tab.7Parameters of CatBoost algorithm

預測能力進行比較，精度對比結果見表8。將實測值與8種組合模型的預測值分別生成散點圖，結果如圖5所示。

由表8可知，在同種反演模型中，除MLR、GBDT使用BorutaShap較Boruta后擬合模型精度有所下降外，其余反演模型的擬合模型與驗證模型精度均有明顯提升，尤其是在CatBoost模型中，BorutaShap比Boruta擬合模型 R² 提高了 1.23% ，RMSE、nRMSE分別降低了 0.96% 和 3.39% ，而驗證模型中 R² 提高了 1.21% ，RMSEnRMSE分別降低了0.6% 和 0.26% ，BorutaShap 篩選特征效果要優于Borutao

表8柑橘LAI值估算模型對比

Tab.8Comparison ofmodels forestimatingcitrus LAIvalues

在同種特征選擇下，CatBoost建立的反演模型，擬合模型與驗證模型精度均高于其他3種反演模型，尤其是在BorutaShap特征選擇中，CatBoost較MLR擬合模型 R² 提高了 5.54% ，RMSE、nRMSE分別降低了 4% 和 3.39% ，而在驗證模型中 R² 提高了3.03% ，RMSE、nRMSE均降低了 1.49% 和 0.64% ，在4種反演模型中，CatBoost模型最穩定且反演精度最高。

總體上看，回歸效果最好是BorutaShap_CatBoost模型，擬合模型與驗證模型的分別為0.8812和0.7762。為進一步比較組合模型的穩定性，將8種組合的擬合數據和驗證數據的實測值與預測值分別進行回歸分析并生成散點圖，如圖5所示。

由圖5可知，8種組合模型的預測值與實測值生成的點都較為均勻的分布在對角線兩側。當實測值大于2時，組合模型的錯估程度均有所增大，當實測值大于3時，所有模型均會出現低估實測值的情況。在同一類型的回歸模型中，經過BorutaShap與Boruta方法處理后的結果差異不明顯，但在相同特征選擇方法下，CatBoost模型比MLR、GBDT、BPNN模型處理后生成的點位更加集中在對角線的兩側，具有良好的穩定性。總體來看，在8種組合模型中，BorutaShap_CatBoost散點圖中的數據離散程度低，且回歸曲線比較貼合對角線，所以LAI回歸最佳模型選擇回歸精度高且更穩定的BorutaShap_CatBoost 組合。

2.4柑橘LAI分布圖

基于高光譜影像結合地面實測數據使用BorutaShap_CatBoost模型生成柑橘LAI反演圖，結果如圖6所示。

區域A、B、C中的柑橘均為2014年種植，品種為默科特。由圖6可知，反演影像的LAI值為1.62～3.17，結果呈現北面區域LAI值高，西南區域LAI值一般，中區域LAI值低的特點，與實際對應的柑橘長勢情況一致。從空間分布來看，中部區域（區域B）地勢高，土壤以砂質土為主，土壤較為貧瘠，因此柑橘LAI值偏低。而北面區域（區域A），地勢平緩，土壤以黏質土為主，土壤較為肥沃，柑橘枝繁葉茂，通過高光譜反演出來的LAI值較高。而西南區域（區域C）地勢較緩，土質與中部區域相同，因此柑橘長勢一般，反演出來的LAI值為中等水平。總體來看，BorutaShap_CatBoost模型生成的反演圖能快速反映出果園中的柑橘長勢，可為柑橘的精細管理提供依據。

3討論與結論

3.1討論

本研究基于高光譜影像數據，提取了30種與LAI相關的特征參數作為原始特征數據集，經過Boruta和BorutaShap分別進行特征選擇后，結合地面實測的LAI數據，使用CatBoost對柑橘LAI進行反演，同時與MLR、GBDT、BPNN3種反演模型進行對比分析。結果表明，，BorutaShap_CatBoost組合模型在柑橘LAI反演中取得了最優的表現，具有較高的精度和較強的泛化能力。

在特征選擇與分析中，Boruta在30種特征波段中選取了6種，而BorutaShap選取了4種，2種特征

圖58種組合模型的LAI實測值與預測值散點圖 Fig.5 Scatterplot of measured and predicted LAI values for 8 combined models

A.Boruta_MLR模型；B.BorutaShap_MLR模型；C.Boruta_GBDT模型；D.BorutaShap_GBDT模型；E.Boruta_BPNN模型； F.BorutaShap_BPNN模型；G.Boruta_Catboost模型；H.BorutaShap_Catboost模型。

圖6研究區柑橘LAI反演結果

Fig.6ResultsofcitrusLAI inversionsin the studyarea

選擇方法均能對原始特征數據集進行有效篩選，但相較于Boruta，BorutaShap篩選出來的特征數量更少，同時從同種反演模型中的驗證結果來看，經BorutaShap篩選特征后的反演精度均大于Boruta的反演精度。這可能與BorutaShap中SHAP值的引入有關，SHAP值能夠量化出每個特征對模型預測的具體貢獻，揭示特征間的非線性和交互作用。通過分析特征間的復雜關系，便能夠更精準地篩選出對模型預測有實際貢獻的特征，減少冗余。

在MLR、GBDT、BPNN和CatBoost4種反演模型的對比中，CatBoost模型的反演效果最佳，可能原因是：CatBoost采用了“有序目標編碼\"方式對類別特征進行處理，減少了類別特征中可能存在的過擬合問題，并有效提升了模型的泛化能力。

此外，本研究聚焦于地區柑橘，并僅使用一個生長階段的數據，模型的普適性還需進一步驗證。未來的研究應考慮覆蓋整個生長周期、不同年份和不同品種的數據，以提高反演模型的精度和廣泛適用性。

3.2 結論

本研究以柑橘為研究對象，利用高光譜數據構建特征集合后，使用BorutaShap對比Boruta進行特征篩選，再分別結合CatBoost以及MLR、GBDT、BPNN4種回歸模型構建8種組合模型，經貝葉斯調參后，進行柑橘LAI反演，通過回歸結果的精度評定篩選出反演柑橘LAI的最優模型。主要結論如下：

BorutaShap特征選擇方法能更精確地提取與LAI高度相關的核心變量，減少冗余特征，提高模型的訓練效率和預測精度。

在MLR、GBDT、BPNN和CatBoost4種反演模型中，CatBoost模型在處理高光譜數據與柑橘LAI的復雜非線性關系方面表現出色，其預測精度和穩定性顯著優于其他模型。

BorutaShap_CatBoost組合模型在高光譜數據的處理上表現出了良好、穩定的反演性能，能夠有效處理復雜的數據關系，避免過擬合，并在較少的訓練樣本下保持較高的精度。基于該模型反演生成的柑橘LAI影像，可為柑橘管理提供數據支撐，為柑橘產業精細化管理提供助力。

參考文獻：

[1]常健瑋，吳文明，朱一成，等.柑橘生長與土壤養分及微生物群落的關系研究[J].土壤通報，2022，53（6）：

[2]廖月嬌，蘇巧梅，范錦龍，等.基于FY-3D衛星數據的玉米葉面積指數反演[J/OL].太原理工大學學報：1-13[2024-05-01].http：/ns.cnki.net/kcms/detail/14.1220.n.20250417.1047.006.html.

[3]李軍玲，李夢夏，熊坤，等.基于無人機高光譜的冬小麥LAI估算及LAI遙感產品檢驗[J].生態學雜志，2025，44（4）： 1306-1313.

[4]汪彥龍，王鈞，崔婷.基于PROSAIL 模型的青貯玉米葉面積指數反演[J].農業機械學報，2024，55（8）：205-213.

[5]向友珍，王辛，安嘉琪，等.基于分數階微分和最優光譜指數的大豆葉面積指數估算[J].農業機械學報，2023， 54（9）： 329-342.

[6]韓瑞，吳達勝，方陸明，等.基于Boruta 和極端隨機樹方法的森林蓄積量估測[J].林業資源管理，2020（4）：127-133.

[7] GUINDO ML，KABIR M H， CHENR Q， et al.Potential ofVis-NIR to measure heavy metalsin different varietiesoforganic-fertilizers using Boruta and deep belief network[J].Ecotoxicology and Environmental Safety，2021，228：112996.

[8]POURGHASEMI HR，KARIMINEJAD N，AMIRI M， et al.Assessing and mapping multi-hazard risk susceptibilityusing a machine learning technique[J]. Scientific Reports，2020， 10（1）： 3203.

[9] LUNDBERG S M，LEE SI.A unified approachtointerpreting model predictions[C]//Proceedings of the 31stInternational Conference on Neural Information ProcessingSystems.RedHook： Curran AssociatesInc.，，2017：4768-4777.

[10]GHOSHI，CHAUDHURI TD.IntegratingNavier-Stokesequation and neoteric iForest -BorutaShap -Facebook'sprophet framework for stock market prediction：Anapplication in Indian context[J]. Expert SystemswithApplications，2022，210：118391.

[11]GEURKINK Y，BOONE J，VERSTOCKT S，et al.Machine learning -based identification of the strongestpredictive variables of winning and losing in Belgianprofessional soccer[J].Applied Sciences，2021，11（5）：2378.

[12]劉楊，馮海寬，孫乾，等.基于無人機高光譜分數階微分的馬鈴薯地上生物量估算[J].農業機械學報，2020，51（12）： 202-211.

[13]溫雨笑，呂杰，馬慶勛，等.高光譜和LiDAR 聯合反演森林生物量研究[I1測繪通報2022（7）：38-42

[14]了趴，了海亞，字岏凱，寺.優化兒諧拍奴廷立小怕片SPAD的高光譜反演模型[J].光譜學與光譜分析，2022， 42（4）： 1092-1097.

[15]LI L，ZHANG ZH，XIONG YL，et al.Predictionofhospital mortalityinmechanicallyventilated patientswithcongestiveheartfailureusingmachinelearningapproaches[J]. International Journal of Cardiology，2022，358：59-64.

[16]包峻帆，陳婕，楊文濤，等.利用可解釋機器學習模型判別豫西鞏義市康店鎮黃土地質災害易發性[J].科學技術與工程，2025，25（15）：6200-6219.

[17]王斌，馮慧芬，王芳，等.基于機器學習的CatBoost模型在預測重癥手足口病中的應用[J].中國感染控制雜志，2019，18（1）：12-16.

[18]李粉玲.關中地區冬小麥葉片氮素高光譜數據與衛星影像定量估算研究[D].楊凌：西北農林科技大學，2016.

[19]段敏杰，李延明，李新宇，等.北京城市彩葉系植物秋季高光譜特征研究及差異性分析[J].光譜學與光譜分析，2022，42（3）：841-846.

[20]范友波，顧曉鶴，王雙亭，等.冬小麥白粉病冠層光譜特征解析與病情指數反演[J].麥類作物學報，2017，37（1）： 136-143.

[21]黃茜，楊偉才，魏夏永，等.不同覆膜處理下春玉米葉面積指數高光譜估算[J].農業機械學報，2021，52（7）：184-194.

[22]陶惠林，徐良驥，馮海寬，等.基于無人機高光譜長勢指標的冬小麥長勢監測[J].農業機械學報，2020，51（2）： 180-191.

[23]KURSA MB，RUDNICKI WR.Feature selectionwiththe boruta package[J]. Journal of Statistical Software，2010， 36（11）： 1-13.

[24]蔣萍，路皓翔，劉振丙.隨機森林結合CatBoost的近紅外光譜藥品鑒別[J].光譜學與光譜分析，2022，42（7）：2148-2155.

[25]張宏鳴，劉雯，韓文霆，等.基于梯度提升樹算法的夏玉米葉面積指數反演[J].農業機械學報，2019，50（5）：251-259.

[26]白子金，彭杰，羅德芳，等.南疆農田土壤全氮含量的中紅外光譜反演模型[J].光譜學與光譜分析，2022，42（9）： 2768-2773.