基于水稻冠层高光谱的叶片SPAD值估算模型研究

孙小香，王芳东，郭 熙，赵小敏，谢 文

(江西农业大学 江西省鄱阳湖流域农业资源与生态重点实验室/南方粮油作物协同创新中心，江西 南昌 330045)

叶绿素是作物在进行光合作用的主要色素，直接控制着作物能量传递和物质循环过程[1]，作物叶片叶绿素含量的变化既可以反映作物的生长状况，又可以体现光合作用的能力，因此，叶绿素含量的监测对于农业的生产具有重要意义。传统的作物叶片叶绿素含量检测最常用的是有机溶剂提取结合分光光度计分析方法[2]，存在耗时、费力、破坏性取样等缺点，并且需要专业人员进行检测[3]。为了解决这一系列难题，国内外的研究者对高光谱技术在作物生长监测中的应用进行了大量的研究，由于作物叶片光谱反射率在可见光范围内主要受色素含量的影响，因此利用光谱反射率估算叶片色素含量是可行的。本文采用便携式叶绿素仪测定SPAD值，代替叶绿素含量。有研究表明叶片绿色度(SPAD值)与叶绿素含量显著正相关[18]，SPAD值能够较好地反映叶片叶绿素含量的变化情况，使用叶绿素计测定叶绿素含量是完全可行的，在一定条件下代替叶绿素含量的直接测定，而且相比于传统的分光光度法更高效、快捷。

高光谱遥感因其波段多且窄的特点，能对作物进行精细化研究，但以此同时也带来了大量的原始数据[4]，如何从中获得有效数据是研究前提。目前信息提取方式主要分为两类：一类是降维，将大量的相关性强的数据通过降维方法进行压缩，并且保留了大部分的原有信息，目前使用最多的是主成分分析[5]和小波分析[6-8]；第二类是特征参数提取，包括光谱反射率，导数光谱、对数光谱、红边参数、去包络线参数、植被指数等[9-10]。本文分别采用主成分分析法和特征参数提取法提取光谱信息。另外，目前常用的高光谱遥感估算作物叶绿素含量的模型也可以分为两类：一类是传统的线性回归模型，主要分为一元线性模型、多元线性回归模型和逐步回归模型[11]；另一类是非线性模型，包括偏最小二乘、BP神经网络、支持向量算法[12-15]。梁栋等[16]用支持向量回归方法分别建立以NDVI、RVI以及蓝、绿、红和近红外4个波段数据作为输入参数的冬小麦LAI回归预测模型。刘京等[17]利用多种光谱参数结合支持向量回归对苹果叶片叶绿素含量进行估算。梁亮等[12]以最小二乘支持向量回归算法建立了小麦冠层叶绿素含量反演模型，相比于其他模型，支持向量算法拟合效果较好。

上述研究中大部分是支持向量机结合一种信息提取方法建立回归模型，缺乏不同信息提取方法和不同回归模型相结合的对比研究。本文通过采用主成分分析方法和特征参数提取方法，再结合逐步回归和支持向量回归算法，对比不同结合方式下模型的拟合效果，并筛选出最优的结合方式。本文以2017年崇仁县晚稻为试验样本，利用冠层光谱仪与叶绿素仪采集4个生长时期的水稻冠层高光谱数据以及叶片SPAD值，最后分别采用基于主成分分析-逐步多元线性回归(principle component analysis-stepwise multiple linear regression，PCA-SMLR)、主成分分析-支持向量机(principle component analysis-support vector regression，PCA-SVR)、特征参数-逐步多元线性回归(characteristic parameter-stepwise multiple linear regression，CP-SMLR)和特征参数-支持向量机(characteristic parameter- support vector regression，CP-SVR)方法建立水稻叶片SPAD值预测模型，对比验证结果，从而筛选出较优的模型用于水稻叶片SPAD值快速诊断。

1 材料与方法

1.1 试验设计

试验区位于江西省崇仁县郭圩乡(赣东)，以水稻(泰优390)为研究对象，设8个不同施肥方式，氮、磷、钾施肥总量相同，但每个时期(基肥、分蘖肥、穗肥、粒肥)施肥量不同(表1)，并设置了3次重复，共24个试验小区，每个小区面积46.8 m2(12 m×3.9 m)，按照大田种植方式对水稻进行田间管理。分别在分蘖期8月25日、抽穗期9月9日、灌浆期9月24日、成熟期10月28日采集冠层光谱和叶片SPAD值。

表1 等养分条件下晚稻肥料运筹试验施肥表Tab.1 Fertilizer operation table of late rice under equal nutrient conditions

N表示氮肥；P表示钙镁磷肥；K氯化钾
N：Nitrogen fertilizer;P：Calcium magnesium phosphate fertilizer;K：Potassium chloride

1.2 冠层光谱测定

于水稻4个主要生育期，选择天气晴朗少云少风的天气，在10:00—14:00，采用SVC HR-768地物波谱仪(Spectra Vista公司，美国)测定冠层光谱，光谱范围为350～2 500 nm，采样间隔为1.5 nm(350～1 000 nm)、7.5 nm(1 000～1 850 nm)和5 nm(1 850～2 500 nm)，光谱仪探头垂直置于冠层上方50 cm处测量光谱，每次测量前进行白板校正，每个小区随机选取3个点进行测量,并取平均值作为该小区的光谱测量值。

1.3 叶片SPAD值测定

由于本文是利用水稻冠层光谱反射率估算叶片SPAD值，而冠层反射率主要针对上层叶片，所以本文也只测定上层叶片的SPAD值，具体操作如下：采用叶绿素测定仪(浙江托普云农，中国)测定叶片SPAD值，每个小区随机选择3个样点，每个样点选择上中下3片叶子的中部进行测量，平均后得出该小区的SPAD值。

1.4 数据处理

首先，用SVC HR-768光谱仪自带的光谱数据处理软件和EXCEL数据分析工具对采集的光谱进行1 nm重采样及平均汇总处理。由于叶绿素浓度对光谱的影响主要在可见光部分，因此选取350～1 400 nm波段作为原始光谱数据；对原始光谱进行一阶导数变换，并分析光谱数据与SPAD值的相关性。其次，筛选出相关系数较高的特征参数，并对原始光谱数据降维，得到包含原始光谱绝大部分信息的主成分。将得到的特征参数作为输入变量，SPAD值作为输出变量，利用SPSS22.0软件建立逐步回归模型与Matlab R2014a中的SVR.m函数建立支持向量机模型，利用验证集数据对模型进行检验。另外将主成分作为输入变量，SPAD值作为输出变量，建立逐步回归与SVR模型，利用验证数据进行检验，并进行模型对比，筛选最优模型。

共获得96组数据，将SPAD值由高到低进行排列，每隔3个样本抽取一个样本为验证集，包含24组数据进行模型检验，剩余的72组数据用于模型训练。采用决定系数(R2)、均方根误差(RMSE)以及相对分析误差(RPD)对模型进行测试与检验，筛选水稻叶片SPAD值的最佳高光谱估算模型。

利用SPSS、Matlab R2014a软件对数据进行主成分分析、逐步多元线性回归分析以及支持向量机训练，另外利用Origin8.0进行绘图。

1.5 建模方法

主成分分析法是一种将原来多个可能存在相关性的变量转化为少数几个互不相关综合指标的数据降维方法，这少数几个综合指标即主成分，能够把整体的差异都集中起来，达到减少指标和删除重复信息的目的。从而能够较好地解决高光谱数据量大，信息冗余，数据处理比较复杂的问题[19]。而逐步多元线性回归是为了进一步从多个自变量中筛选出与因变量相关性高的变量，从而提高模型精度，并降低模型的复杂程度。

支持向量机(support vector machine，SVM)是对结构风险最小化原理的一种实现，经后续发展推广应用到解决非线性回归问题上，称为支持向量回归(support vector regression，SVR)。SVR算法能在保证数据逼近精度的同时降低逼近函数的复杂度，特别对有限样本、非线性问题等方面的解决具有诸多优势[3]，在高光谱分析研究方面已取得了许多成功的应用。

2 结果与分析

2.1 不同SPAD值下水稻冠层光谱反射率特征

为了更直观地观察水稻光谱特征，人为地将96组水稻冠层光谱按SPAD值由低到高分为<20、20～30、30～35、35～40、>40共5组，并将对应的每组光谱曲线进行平均，从而得到代表不同SPAD值的冠层光谱反射曲线图(图1)。由图1可以看出，不同SPAD值对应的光谱曲线基本特征一致，形成明显的“峰”、“谷”、“红边”及“近红外反射高台”特征。在可见光波段，作物冠层反射率很低，且存在2个“吸收谷”和1个“反射峰”。“吸收谷”是由于色素对450 nm的蓝光与650 nm的红光强吸收形成的，“反射峰”则是由550 nm的绿光弱反射造成的，所以植物通常呈绿色[1]。在近红外波段，反射率很高，主要是由于叶片内部的多次散射造成的，所以在可见光与近红外的过渡波段，反射率急剧上升，出现“红边”现象；另外不同SPAD值对应的光谱反射率值有较大差异，随着SPAD值的增大，可见光范围内的反射率越低，且“峰”“谷”特征愈加明显，而在近红外波段，反射率随SPAD值的增大而升高。

2.2 水稻SPAD值与原始光谱及一阶微分光谱的相关性分析

叶片SPAD值与原始光谱及一阶微分光谱的相关性如图2所示。从SPAD值与原始光谱的相关性曲线可以看出，在可见光410～715 nm波段SPAD值与原始光谱呈显著负相关，在669 nm处高达-0.876；在近红外730～1 150 nm波段，两者呈显著正相关。

一阶微分光谱与SPAD值之间的相关系数波动变化很大，在385～490 nm、530～635 nm、665～690 nm、820～885 nm、1 038～1 095 nm、1 120～1 165 nm处两者呈极显著负相关，在543 nm处最高相关系数为-0.834；在670～763 nm范围呈极显著正相关，其余波段相关性不显著。与原始光谱相比较，一阶微分与叶片SPAD值的相关系数在部分波段有所提高，但不明显且最高相关系数仍是原始光谱波段。

图1 不同SPAD值水平水稻冠层光谱反射率曲线Fig.1 Reflectance curves of rice canopy at different SPAD value levels

图2 水稻水稻叶片SPAD与冠层原始光谱及一阶导数光谱的相关性Fig.2 Correlation Patterns of Leaf SPAD to Canopy Spectral Reflectance and its First Derivative Spectra

2.3 水稻SPAD值与光谱参数的相关性分析

通过查阅相关资料[12,21-23]，构建21种光谱参数。表2为21种常用的光谱参数及其与本文叶片SPAD值的相关性结果。如表2所示，除EVI和MCARI/OSAVI外，其余光谱参数与SPAD值具有较好的相关性，达到了0.01水平上的显著关系，其中以SIPI植被指数与SPAD值的相关系数最大(-0.892)；由一阶微分光谱反射率构建的5种参数与SPAD值的相关性均较高，相关系数0.82以上；R670、R’592、SIPI与SPAD值呈负相关，其他光谱参数与SPAD值呈正相关。为了提高模型精度，选择表2中相关系数大于0.79，即R670、NDVI (800,670)、TVI、Green-NDVI、SIPI、MSR、PRI、土壤调整植被指数、RDVI、FDNDVI(750，550)、R’592、BmSR705、BmND705、DR715/DR705等14种的光谱参数，作为模型输入量。

表2 常用参数与叶片SPAD值的相关关系Tab.2 Correlation coefficient between spectral parameters and SPAD value of rice leaves

**表示在0.01水平极显著相关
** significant at 0.01 level

2.4 主成分与SPAD值的回归分析

通过主成分分析对光谱数据进行信息提取，得到8个主成分的累积百分比见表3。

利用上表中的8个主成分作为自变量，SPAD值作为因变量进行逐步多元线性回归分析，结果8个变量全部入选，公式如下：

Y=35.915+2.134×fac1-4.721×fac2+0.536×fac3+2.109×fac4-1.046×fac5+1.573×fac6+0.819×fac7+0.948×fac8

(1)

式(1)中Y代表SPAD值，fac1～fac8分别为主成分分析得到的主成分特征值。将验证集主成分带入回归公式进行模拟，验证结果(图3)表明：实测值与预测值之间的RMSEv、RPD、Rv2分别为3.349、1.803、0.694。

另外，将8个主成分与SPAD值作为SVR模型的输入变量，对数据进行训练，本文采用的SVR算法有Matlab提供，通过调用SVR.m函数进行。训练结束后同时得到建模集和验证集的预测值，拟合结果如图3。实测值与预测值的RMSEv为2.631，RPD为2.295、Rv2为0.802，验证精度与逐步回归分析法对比有较大程度的提高，其验证RMSEv降低了0.718，RPD、Rv2分别增加了0.492、0.188。

表3 解释的总方差Tab.3 Total variance of interpretation

提取方法：主成份分析
Extraction method:principal component analysis

图3 基于主成分建立的逐步多元线性回归与SVR模型的预测SPAD与实测值之间的关系Fig.3 The relationship between the predicted and t he measured SPAD values of the stepwise multiple linear regression and SVR models based on PCA

2.5 特征参数与SPAD值的回归分析

通过对特征参数与SPAD值的相关性分析，得出参数SIPI植被指数与筛选出14种敏感参数，与3.4节基于主成分建模类似，将建模样本的敏感参数与SPAD值作为逐步多元线性回归模型与SVR模型的输入变量，利用验证样本进行拟合。其中逐步多元线性回归模型的回归公式如下：

Y=124.266-42.673×SIPI+27.91×BmND705-18.43×RVI750/700+73.969×MSR-21.941×SAVI-12.582×BmSR705

(2)

式(2)中：Y代表叶片SPAD值，模型入选的参数为SIPI、BmND705、RVI、MSR、SAVI、BmSR705。验证结果如图4，效果较好，验证RMSEv、RPD、Rv2分别为2.926、2.064、0.759。类似地将光谱参数作为SVR模型的自变量，建立基于光谱参数的SVR的SPAD值估算模型，结果显示，模型的建模效果较好，RMSEv、RPD、Rv2分别为2.823、2.374、0.823，而验证效果较差，RMSEv、RPD、Rv2分别为3.895、1.55、0.8，整体精度低于光谱参数结合逐步多元线性回归模型。

2.6 4种方法估算SPAD值结果比较

表4为4种模型的检验结果，由表可知，4种模型都取得了较好的效果，其中PCA-SVR方法估算SPAD的模型各评价指标明显优于其他3种模型估算效果，精度最高。基于主成分分析的支持向量机模型比基于特征参数的支持向量机模型的模拟精度有大幅提高，而基于特征参数的逐步多元回归模型精度高于基于主成分分析的逐步多元线性回归，说明不同数据提取方法结合的最优模型不同，综合对比得出基于主成分分析的支持向量机模型为最优的水稻叶片SPAD值的估算模型。

图4 基于光谱参数建立的逐步多元线性回归与SVR模型的预测SPAD与实测值之间的关系Fig.4 The relationship between the predicted and t he measured SPAD values of the stepwise multiple linear regression and SVR models based on spectral parameters

表4 模型精度检验结果比较Tab.4 Comparison of precision test results of estimation models

3 讨 论

在可见光波段，绿色植物的反射光谱主要受叶片色素的影响，吸收作用占主导，反射率较低，本试验中SPAD值与光谱反射率在可见光范围内呈负相关说明叶绿素含量越高，光谱反射率越低，吸收作用越强。近红外波段冠层光谱主要受植被群体结构、背景及含水量的影响，与SPAD值相关性较低，而本文在部分波段呈显著相关，可能是仪器和作物品种的影响。

光谱数据变换中常采用一阶导数变换，并且大量研究表明导数光谱较原始光谱与植被理化参数的相关性更好[11,14,24]，主要原因是导数变换可以削弱土壤背景的干扰并是波段间的差异表现的更加明显。而本文通过对叶片SPAD值与原始光谱反射率和一阶导数光谱进行相关性分析发现，一阶导数变换后并没有表现出明显的优势，而且相关性最强的是原始光谱波段，可能与天气、采集时间、光谱仪器和作物品种有关，但主要原因是本试验都选择天气较好、时间一致的时候，尽量减少外界干扰，另外也间接说明需要对数据进行不同的分析对比才会发现最优的敏感波段。单个波段估测植被生化参数可能存在饱和现象，因而由2个或多个波段构造的光谱参数成为估算植被生化参数的理想选择[25]。但不同的光谱参数在不同的应用环境中存在不同的效果，例如，周宇庭[20]认为增强型植被指数EVI可以较好地估算藏北高寒草甸地上的生物量，拟合效果达0.975，而在研究中的效果却非常差，由于本文是针对水稻叶片叶绿素含量作为研究对象，所以说明对不同的植被生化，参数进行估算时需要筛选不同的植被指数；另外在姜海玲等[26]学者的研究中光谱指数MCARI/OSAVI反演作物叶绿素含量效果较好，而本文构建的植被指数MCARI/OSAVI与水稻叶片SPAD值相关性较差，说明虽然都是对植被叶绿素含量进行分析，但是本文是采用SPAD值进行替代，可能会有所不同，而且研究的作物也不同。说明利用植被指数估算植被生化参数虽然精度较高，但是变异性很大，受外界干扰严重，例如地域、作物种类和研究目标等都会影响效果，寻找到适宜的普适性强植被指数还是以后的研究重点。本文构建的SIPI(R800-R445)/(R800-R680)植被指数与SPAD值相关性最大，提取的波段为蓝波段445 nm、红波段680 nm和近红外波段800 nm，这是由于较近红外波段，红波段和蓝波段对叶绿素含量变化更敏感，因此推测敏感波段和不敏感波段组合构造的植被指数与SPAD值的相关性或更好。

信息的提取和建模算法的选择对反演结果有很大的影响，刘文雅[27]对比了红边参数-逐步回归、红边参数-BP神经网络、植被指数-逐步回归、植被指数-BP神经网络、主成分-BP神经网络的高光谱马尾松叶绿素含量估算模型精度，发现主成分结合BP神经网络预测效果最好。对比本文4种模型表明，PCA-SVR比PCA-SMLR精度高，说明以主成分分析提取信息时，非线性模型优于线性模型；而CP-SVR拟合精度低于CP-SMLR，表明以特征参数为自变量时，线性模型更优，这也可能是样本量较少导致的。

4 结 论

本文应用地物波谱仪和叶绿素计测定了水稻冠层光谱反射率和叶片SPAD值，将SPAD值与原始光谱和一阶导数进行相关性分析，根据结果与前人经验构造了22种光谱参数，将其与SPAD值进行相关性分析，从而筛选出14种相关性较高的特征参数，另外将原始光谱进行主成分分析降维，将特征参数和主成分并作为输入变量建立基于逐步回归和支持向量回归算法的高光谱水稻叶片SPAD值估算模型。通过对比分析，得到以下结论：

(1)水稻冠层光谱反射率与叶片SPAD值在可见光范围内显著负相关，在669 nm处最大(-0.876)；相对于原始光谱与SPAD值的相关性，一阶导数光谱与SPAD值的相关性效果不佳。

(2)随着叶片SPAD值的增加，冠层光谱反射率在可见光范围内逐渐降低，在近红外波段逐渐升高，并且可见光波段“谷”、“峰”特征越来越明显。

(3)构造的22种光谱参数中，除植被指数EVI和MCARI/OSAVI外，其余参数与叶片SPAD值的相关性均达0.01显著水平。

(4)基于主成分和特征参数建立的逐步回归和支持向量回归模型的验证精度由高到低分别为：PCA-SVR、CP-SMLR、PCA-SMLR、CP-SVR。以主成分为输入变量建立的支持向量机模型精度最高(R2=0.802、RMSEv=2.631、RPD=2.295)，是估算叶片SPAD值的最佳模型。

参考文献：

[1] 杜志红.水稻叶绿素含量高光谱反演模型及尺度转换方法研究[D].北京：中国地质大学，2015.

Du Z H.Study on the scaling and the establishion of the hyper-spectral inversion model of chlorophyll content in rice[D].Beijing:China University of Geosciences,2015.

[2] Lichtenthaler H K.Chlorophylls and carotenoids:pigments of photosynthetic biomembranes[J].Methods in Enzymology,1987,148C(1):350-382.

[3] 岳学军,全东平,洪添胜,等.柑橘叶片叶绿素含量高光谱无损检测模型[J].农业工程学报,2015,31(1):294-302.

Yue X J,Quan D P,Hong T S,et al.Non-destructive hyperspectral measurement model of chlorophyll content for citrus leaves[J].Transactions of the Chinese Society of Agricultural Engineering,2015,31(1):294-302.

[4] Song K,Zhang B,Wang Z,et al.Application of wavelet transformation in In-situ measured hyperspectral data for soybean LAI estimation[J].Chinese Agricultural Science Bulletin,2006,22(9):101-108.

[5] 黄双萍,洪添胜,岳学军,等.基于高光谱的柑橘叶片氮素含量多元回归分析[J].农业工程学报,2013,29(5):132-138.

Huang S P,Hong T S,Yue X J,et al.Multiple regression analysis of citrus leaf nitrogen content using hyperspectral technology[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(5):132-138.

[6] 孙少波,杜华强,李平衡,等.基于小波变换的毛竹叶片净光合速率高光谱遥感反演[J].应用生态学报,2016,27(1):49-58.

Sun S B,Du H Q,Li P H,et al.Retrieval of leaf net photosynthetic rate of moso bamboo forests using hyperspectral remote sensing based on wavelet transform[J].Chinese Journal of Applied Ecology,2016,27(1):49-58.

[7] 姚付启,蔡焕杰,孙金伟,等.平稳小波变换在冬小麦SPAD高光谱监测中的应用[J].应用生态学报,2015,26(7):2139-2145.

Yao F Q,Cai H J,Sun J W,et al.Application of stationary wavelet transformation to winter wheat SPAD hyperspectral moni-toring[J]．Chinese Journal of Applied Ecology,2015,26(7):2139-2145.

[8] 邓小蕾,李民赞,郑立华,等.基于反射光谱预处理的苹果叶片叶绿素含量预测[J].农业工程学报,2014，30(14):140-147.

Deng X L,Li M Z,Zheng L H,et al.Estimating chlorophyll content of apple leaves based on preprocessing of reflectance spectra[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(14):140-147.

[9] 丁永军,李民赞,安登奎,等.基于光谱特征参数的温室番茄叶片叶绿素含量预测[J].农业工程学报,2011，27(5):244-247.

Ding Y J,Li M Z,An D K,et al.Prediction of chlorophyll content using spectral response characteristics of greenhouse tomato[J].Transactions of the CSAE,2011,27(5):244-247.

[10] 姚付启,张振华,杨润亚,等.基于红边参数的植被叶绿素含量高光谱估算模型[J].农业工程学报,2009，25(S2):123-129.

Yao F Q,Zhang Z H,Yang R Y,et al.Hyperspectral models for estimating vegetation chlorophyll content based on red edge parameter[J].Transactions of the CSAE,2009,25(S2)：123-129.

[11] 房贤一,朱西存,王凌,等.基于高光谱的苹果盛果期冠层叶绿素含量监测研究[J].中国农业科学,2013,46(16):3504-3513.

Fang X Y,Zhu X C,Wang L,et al.Hyperspectral monitoring of the canopy chlorophyll content at apple tree prosperous fruit stage[J].Scientia Agricultura Sinica,2013,46(16):3504-3513.

[12] 梁亮,杨敏华,张连蓬,等.基于SVR算法的小麦冠层叶绿素含量高光谱反演[J].农业工程学报,2012，28(20):162-171.

Liang L,Yang M H,Zhang L P,et al.Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm[J].Transactions of the Chinese Society of Agricultural Engineering,2012,28(20):162-171.

[13] 孙红,李民赞,张彦娥,等.玉米生长期叶片叶绿素含量检测研究[J].光谱学与光谱分析,2010,30(9):2488-2492.

Sun H,Li M Z,Zhang Y E,et al.Detection of corn chlorophyll content using canopy spectral reflectance[J].Spectroscopy and Spectral Analysis,2010,30(9):2488-2492.

[14] 李媛媛,常庆瑞,刘秀英,等.基于高光谱和BP神经网络的玉米叶片SPAD值遥感估算[J].农业工程学报,2016，32(16):135-142.

Li Y Y,Chang Q R,Liu X Y,et al.Estimation of maize leaf SPAD value based on hyperspectrum and BP neural network[J].Transactions of the Chinese Society of Agricultural Engineering,2016,32(16):135-142.

[15] 谭林,何秉宇,刘卫国,等.基于优化SVR高光谱指数的独尾草叶绿素含量估算[J].生态学杂志,2017,36(2):555-562.

Tan L,He B Y,Liu W G,et al.Estimation of chlorophyll content ofEremuruschinensisbased on optimization support vector regression machine[J].Chinese Journal of Ecology,2017,36(2):555-562.

[16] 梁栋,管青松,黄文江,等.基于支持向量机回归的冬小麦叶面积指数遥感反演[J].农业工程学报,2013,29(7):117-123.

Liang D,Guan Q S,Huang W J,et al.Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat[J].Transactions of the Chinese Society of Agricultural Engineering,2013,29(7):117-123.

[17] 刘京,常庆瑞,刘淼,等.基于SVR算法的苹果叶片叶绿素含量高光谱反演[J].农业机械学报,2016,47(8):260-265.

Liu J,Chang Q R,Liu M,et al.Chlorophyll content inversion with hyperspectral technology for apple leaves based on support vector regression algorithm[J].Transactions of the Chinese Society for Agricultural Machinery,2016,47(8):260-265.

[18] 艾天成,李方敏,周治安,等.作物叶片叶绿素含量与SPAD值相关性研究[J].湖北农学院学报,2000,21(1):6-8.

Ai T C,Li F M,Zhou Z A,et al.Relationship between chlorophyll meter readings( SPAD readings) and chlorophyll content of crop leaves[J].Journal of Hubei Agricultural College,2000,21(1):6-8.

[19] 张正杨,马新明,贾方方,等.烟草叶面积指数的高光谱估算模型[J].生态学报,2012,32(1):168-175.

Zhang Z Y,Ma X M,Jia F F,et al.Hyperspectral estimating models of tobacco leaf area index[J].Acta Ecologica Sinica,2012,32(1):168-175．

[20] 周宇庭,付刚,沈振西,等.藏北典型高寒草甸地上生物量的遥感估算模型[J].草业学报,2013,22(1):120-129.

Zhou Y T，Fu G，Chen Z X，et al.Estimation model of above ground biomass in the northern tibet plateau based on remote sensing date[J].Acta Prataculturae Sinica,2013,22(1):120-129.

[21] 虞连玉,蔡焕杰,姚付启,等.植被指数反演冬小麦植被覆盖度的适用性研究[J].农业机械学报,2015,46(1):231-239.

Yu L Y,Cai H J,Yao F Q,et al.Applicability of vegetation indices to estimate fractional vegetation coverage[J].Chinese Society for Agricultural Machinery,2015,46(1):231-239.

[22] Blackburn G A.Relationships between spectral reflectance and pigment concentrations in stacks of deciduous broadleaves[J].Remote Sensing of Environment,1999,70(2):224-237.

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

[24] 陈志强,王磊,白由路,等.整个生育期玉米叶片SPAD高光谱预测模型研究[J].光谱学与光谱分析,2013,33(10):2838-2842.

Chen Z Q,Wang L,Bai Y L,et al.Hyperspectral prediction model for maize leaf SPAD in the whole growth period[J].Spectroscopy and Spectral Analysis,2013,33(10):2838-2842.

[25] 田永超,杨杰,姚霞,等.利用叶片高光谱指数预测水稻群体叶层全氮含量[J].作物学报,2010,36(9):1529-1537.

Tian Y C,Yang J,Yao X,et al.Monitoring canopy leaf nitrogen concentration based on leaf hyperspectral indices in rice[J].Acta Agronomica Sinica,2010,36(9):1529-1537.

[26] 姜海玲,杨杭,陈小平,等.利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J].光谱学与光谱分析,2015,35(4):975-981.

Jiang H L,Yang H,Chen X P,et al.Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method[J].Spectroscopy and Spectral Analysis,2015,35(4):975-981.

[27] 刘文雅,潘洁.基于神经网络的马尾松叶绿素含量高光谱估算模型[J].应用生态学报,2017,28(4):1128-1136.

Liu W Y,Pan J.A hyperspectral assessment model for leaf chlorophyll content ofPinusmassoniana based on neural network[J].Chinese Journal of Applied Ecology,2017,28(4):1128-1136.

[28] Haboudane D,Miller J R,Tremblay N,et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J].Remote Sensing of Environment,2002,81(2/3):416-426.

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

[30] Penuelas J,Baret F,Filella I.Semi-empirical indices to assess carotenoids/chlorophyll-a ratio from leaf spectral reflectance[J].Photosynthetica,1995,31(2):221-230.

[31] Huete A R，Liu H Q，Batchily K，et al.A comparison of vegetation indices over a global set of TM images for EOS-MODIS[J].Remote Sensing of Environment,1997,59(3):440-451．

[32] Broge N H,Mortensen J V.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J].Remote Sensing of Environment,2002,81(1):45-57.

[33] 黄敬峰.水稻高光谱遥感实验研究[D].杭州：浙江大学,2010.

Huang J F.Experimental study on hyperspectral remote sensing of rice[D].Hangzhou:Zhejiang University,2010.