水稻叶片SPAD值的高光谱估算模型

孙玉婷 杨红云 孙爱珍 梅芳 易文龙

摘要：【目的】構建水稻叶片SPAD值的高光谱精确估算模型，为进一步提高高光谱对水稻SPAD值反演估算精度提供参考依据。【方法】利用SPAD-502型叶绿素测定仪测量水稻叶片SPAD值，以FieldSpec 4光谱仪采集水稻叶片光谱数据。通过分析光谱植被指数、位置参数与SPAD值的相关性，构建4个水稻叶片SPAD值高光谱估测模型，即逐步多元线性回归（SMLR）模型、支持向量机回归（SVR）模型、基于主成分分析的支持向量机回归（PCA+SVR）模型和以逐步多元线性回归确定最佳参数的支持向量机回归（SMLR+SVR）模型;并采用均方根误差（RMSE）、平方相关系数（R2）、相对分析误差（RPD）和平均相对误差（MRE）等指标对模型进行评价。【结果】在分析的15个光谱特征参数中，除黄边位置（λy）无显著相关外（P>0.01），水稻叶片SPAD值与叶片光谱位置参数及植被指数参数间存在显著相关性，选择相关系数大于0.800的5个植被指数参数（VOG1、VOG2、VOG3、CARI和PRI）和7个光谱位置参数[蓝边面积（SDb）、黄边振幅（Dy）、黄边面积（SDy）、绿峰反射率（Rg）、红谷净深度（Hr）、蓝边振幅（Db）和红边位置（λh）]作为输入变量构建水稻叶片SPAD值的估测模型。R2和RPD值越大，RMSE和MRE值越小，则表明模型的性能越好，估算精度高。比较4个模型训练与测试结果的R2、RMSE、MRE和RPD可知，在模型估算精度上，SMLR+SVR模型高于SMLR模型，PCA+SVR模型高于SVR模型。总体上，SMLR+SVR模型能更好地实现对水稻叶片SPAD值的预测，其模型各项评价指标R2、RMSE、MRE和RPD分别为0.856、2.076、3.984%和2.550。【建议】进一步挖掘分析光谱特征参数与水稻叶片SPAD值间的关系，提出新的光谱特征参数或优化特征参数选择组合方法，增加回归建模算法，提高高光谱对水稻叶片SPAD值的有效估算。采集水稻冠层高光谱图像，反演出高光谱图像中的水稻冠层SPAD值，研究冠层SPAD与水稻长势关系，为水稻科学管理提供技术支持。

关键词： 水稻;SPAD值;高光谱;多元逐步线性回归;支持向量机回归

中图分类号： S511.01;S126                           文献标志码： A 文章编号：2095-1191（2020）05-1062-08

Abstract：【Objective】The hyperspectral accurate estimation model of SPAD value in rice leaves was constructed， which provided reference for further improving the accuracy of hyperspectral retrieval estimation of rice SPAD value. 【Method】The SPAD value of rice leaf was measured by SPAD-502 chlorophyll detector， and the spectrum data of rice leaf was collected by FieldSpec 4 spectrometer. The correlation among spectral vegetation index， position parameters and SPAD values was analyzed. Four hyperspectral estimation models of SPAD value of rice leaves were constructed： stepwise multiple linear regression model（SMLR）， support vector machine regression model（SVR）， support vector machine regression model based on principal component analysis（PCA+SVR） and support vector machine regression model based on stepwise multiple linear regression to determine the best parameters（SMLR+SVR）. The model was evaluated by the root mean square error（RMSE）， R-squared（R2）， the residual predictive deviation（RPD） and the mean relative error（MRE）. 【Result】Among the 15 spectral characteristic parameters analyzed， except the yellow edge amplitude（λy） was insignificantly correlated（P>0.01），there was significant correlation between SPAD value of rice leaves and parameters of spectral position and vegetation index. Five vegetation index parameters（VOG1， VOG2， VOG3， CARI and PRI） and seven spectral position parameters[blue edge area（SDb）， yellow edge amplitude（Dy）， yellow edge area（SDy）， green peak reflectivity（Rg）， Red Valley clear depth（Hr）， blue edge amplitude（Db）， red edge position（λh）] with correlation coefficient greater than 0.8 were selected as input variables to build the estimation model of SPAD value on rice leaf. If the R2 and RPD were larger， RMSE and MRE were smaller， the performance of the model would be better and the estimation accuracy would be high. By comparing the R2， RMSE， MRE and RPD of training and test results of the four models， the estimation accuracy of SMLR+SVR model was higher than SMLR model， and that of PCA+SVR model was higher than SVR model. In general， SMLR+SVR modelcould better predict the rice leaves SPAD value. The evaluation indexes R2， RMSE， MRE and RPD of the SMLR+SVR model were 0.856， 2.076， 3.984% and 2.550 respectively. 【Suggestion】Further mining and analyzing the relationship between the spectral characteristic parameters and the rice SPAD value，propo-sing new spectral characteristic parameter or an optimized combination of characteristic parameters，and adding regression modeling algorithm to improve the efficient estimation of rice SPAD value by hyperspectral. Collecting hyperspectral image of rice canopy， and inverting the SPAD value of rice canopy in the hyperspectral image， studying the relationship between canopy SPAD and rice growth to provide technical support for rice scientific management.

Key words： rice; SPAD value; hyperspectral; stepwise multiple linear regression; support vector machine regression

Foundation item： National Natural Science Foundation of China（61562039，61762048）;Science and Technology Project of Jiangxi Provincial Department of Education（GJJ160374，GJJ170279）

0 引言

【研究意义】叶绿素是植物进行光合作用过程中最重要的色素，其含量与植物的健康状况、营养水平及产量有着密切关系。传统的作物叶片叶绿素含量检测常采用机溶剂提取结合分光光度计分析方法（Lichtenthaler，1987），费时费力且需破坏取样。随着高光谱技术在作物长势监控上的大量研究应用，发现在可见光范围内叶片光谱反射率主要受色素含量影响，即叶片色素含量可通过光谱反射率进行有效估计。植物叶片SPAD值是反映叶绿素含量的相对值，使用SPAD值代替叶绿素含量已成为评价植被长势的有效手段（赵小敏等，2019），因此，快速精准获取作物SPAD值对监控作物生长长势状况及提高作物最终产量等具有重要意义。【前人研究进展】近年来，高光谱技术以其信息量大、分辨率高、连续性强等优势广泛应用于植物生长监测中（谭向农等，2017），可通过微弱的光谱反射率差异定量分析植物生长发育过程中的细微变化，从而估测植物生理生态参数。目前，基于高光谱技术的研究主要集中于植物的叶片和冠层两个方面，就光谱与植物的响应机理来看，作物冠层光谱结合了植株群体、冠层结构、土壤背景和空气等不同要素，非目标信息可能会影响植物生理生态参数的估算精度（章曼等，2015;Niu and Zhang，2016）。叶片是冠层光谱信息中贡献最大的成分，基于植物叶片的光谱信息特征提取可避免环境因素及土壤背景等的影响（Wu et al.，2016;武改红等，2018），学者就此进行了相关研究。夏天等（2012）通过光谱植被指数估测植物叶片的SPAD值，构建了冬小麦叶片SPAD值的估测模型，表明以植被指数NDVI对SPAD值具有较好的估算效果，能满足精度要求。王鑫梅（2015）以107杨幼苗为研究对象，构建了基于植被指数的叶片SPAD值估算模型，模型估算精度较高，可为高光谱技术对植物的生长过程监测提供理论依据。也有不少研究通过光谱的位置参数来估测植物叶片的SPAD值。朱西存等（2011）采集不同生长发育期红富士苹果叶片光谱反射率，通过一阶微分计算获得红边光谱位置特征参数，并分析特征参数与叶片SPAD值的相关性，将相关性高的红边位置参数作为自变量，建立SPAD值估测模型，模型具有较好的估测效果。李媛媛等（2016）通过分析玉米叶片的一阶微分光谱得到不同光谱位置参数，将与SPAD值相关性高的4个光谱位置参數作为输入、SPAD值作为输出，构建BP神经网络模型，模型的估算精度高。随着人工智能技术的迅速发展，支持向量机回归以其良好的泛化能力优势广泛应用于许多领域，通过支持向量机回归与高光谱技术相结合估测作物的生理生化参数的研究也越来越多。孙小香等（2018）采用主成分分析和支持向量机回归方法构建水稻冠层SPAD值的估算模型，结果表明基于主成分分析的支持向量机回归模型估算均方根误差（RMSE）相对较小，获得了较好的应用效果。【本研究切入点】现有研究主要是通过单一的一元线性回归、偏最小二乘、逐步多元线性回归或支持向量机回归等方法建立水稻叶片SPAD值的高光谱分析模型，也有采用主成分分析结合各种回归算法建模，但模型的精确度有待进一步提高。【拟解决的关键问题】通过采集水稻叶片的SPAD值和高光谱数据，分析水稻叶片的原始光谱和一阶微分光谱，提取光谱的植被指数与位置参数，利用逐步多元线性回归分析选择支持向量机回归建模参数，构建模型，为提高高光谱对水稻叶片SPAD值的精确估测提供参考依据。

1 数据样本与处理

1. 1 水稻样本试验

于2019年在江西农业大学农学实验站进行水稻大田试验。土壤理化特性：pH 5.3，全氮1.02 g/kg，全钾14.22 g/kg，全磷0.48 g/kg，速效钾123.84 mg/kg，速效磷11.65 mg/kg，碱解氮112.31 mg/kg，有机质19.46 g/kg。以中嘉早17为试验材料，设4种不同施氮水平区域，每个区域的磷钾施肥量相同，各生长期的施肥量数据见表1。于2019年4月25日播种，5月14日人工移栽。移栽密度为25株/m2（5 m×5 m），其他按常规栽培要求进行管理。水稻分蘖期进行数据采集，一片叶片为一组样本。每个施氮水平区域各采集100组，本次试验共采集400组样本数据，其中每个施氮水平区域随机选择70组共计280组作为建模样本，剩余120组作为测试验证样本。

1. 2 数据获取与分析

1. 2. 1 叶片SPAD值测量 采用SPAD-502型叶绿素测定仪（浙江托普云农科技股份有限公司）测定水稻叶片的SPAD值，分别对水稻叶片的叶枕、叶中和叶尖3个部位进行测量（测量时尽量避开叶脉），叶片SPAD值为3个部分的平均值。

1. 2. 2 叶片高光谱数据测量 使用FieldSpec 4（美国ASD公司）光谱仪，采集的波段范围为350～1200 nm，光谱间隔为1.4 nm。标准白板校正光谱仪后采集叶片叶尖、叶中和叶枕3个部位的15条光谱曲线，叶片高光谱数据为15条光谱曲线的平均值。

1. 2. 3 一阶微分变换 在测量过程中，为消减由于土壤、水分等因素干扰影响光谱数据，光谱微分技术被广泛应用（孙小香等，2018），采用以下公式对水稻叶片的原始光谱数据进行微分变换：

R（λi）'=[Rλi+1-Rλi-1λi+1-λi-1]       （1）

式中，λi-1、λi和λi+1分别为第i-1、i和i+1个波段的长度，R（λi）表示波长λi位置的原始光谱反射率，R（λi）'表示波长λi位置的光谱一阶微分值。

1. 2. 4 高光谱特征选择 植被指数是对原始光谱数据重新组合得到的参数，能有效度量植物的营养状况。从测量获取的水稻叶片原始光谱数据中，本研究共提取15个植被指数特征，分别为：PRI（Gamon et al.，1992）、VOG1（Vogelmann et al.，1993）、NPCI（Penuelas et al.，1995）、GNDVI（Gitelson et al.，1996）、NDVI（Lichtenthaler et al.，1996）、PSSRa、PSSRb、PSSRc（Blackburn，1998）、CARI（Broge and Leblanc，2001）、VOG2、VOG3（Zarco-Tejada et al.，2001）、PSNDa、PSNDb、PSNDc、PSRI（Merzlyak et al.，2010）。5个光谱位置参数分别为：红谷位置（λr）、红谷反射率（Rr）、红谷净深度（Hr）、绿峰位置（λg）及绿峰反射率（Rg）。9个一阶微分光谱位置参数分别为：蓝边位置参数3个，即蓝边面积（SDb）、蓝边位置（λb）和蓝边振幅（Db）;黄边位置参数3个，即黄边面积（SDy）、黄边位置（λy）和黄边振幅（Dy）;红边位置参数3个，即红边面积（SDr）、红边位置（λh）和红边振幅（Dr）。

1. 3 SVR参数选择

在实际应用的SVR回归中，惩罚参数（C）的取值和核参数（g）的取值非常重要，在很大程度上决定了SVR的性能优劣（Friedrichs and Igel，2005），传统的网格搜索算法虽能找到最优参数组合（C，g），但寻优时间长，缺乏时效性，而改进网格搜索算法（王兴玲和李占斌，2005）对参数采用大步距大范围的粗略选择，以得到局部最优参数组合（C，g），再在这组参数附近确定一个小区间进行小步距精搜，从而减少寻优时间。网格搜索算法设定网格搜索参数（C，g）的初始搜索范围设定为[2-8，28]，步长step=1，对训练集的测试采用K-CV方法，其中K=10;计算局部最优参数组合（C，g），设步长step=0.1，在局部最优参数附近选择一个较小的区间重新进行二次搜索。

1. 4 统计分析

使用SPSS 19.0进行数据分析，并到用MATLAB 2014b平台进行代码编程和制图。

2 结果与分析

2. 1 植被指数与叶片SPAD值间的关系

根据已有的研究成果（Sims and Gamon，2002;梁亮等，2012），本研究总结整理15个植被指数，分析其与水稻SPAD值间的相关性，分析结果见表2。15个植被参数均与SPAD值在0.01水平呈显著相关，其中植被指数CARI与叶片SPAD值呈最大负相关（r=-0.881），而植被指数VOG1与叶片SPAD值呈最大正相关（r=0.874）。为更有效地对水稻叶片SPAD值进行估算，从表2中筛选出|r|>0.800的5个植被指数（VOG1、VOG2、VOG3、CARI、PRI）作为模型的部分输入量。

2. 2 光谱位置参数与叶片SPAD值间的关系

2. 2. 1 原始光谱 如图1所示，试验采集的水稻叶片原始光谱反射率绘制得到3条不同SPAD值光谱反射曲线，且基本趋于一致，在可见光波段，约接近700和500 nm的位置处呈现波谷特征，其中光谱反射率最小值在近700 nm波谷位置，称为红谷;接近550～600 nm处出现波峰特征，对光谱反射率达极大值，称为绿峰;在近红外的过渡波段700～800 nm处形成明显的红边，光谱反射率迅速上升，在大于800 nm的红外形成一个反射高台。对绿峰和红谷的特征参数进行分析，A点标记λg，B点标记λr。绿光区域内最大波段的反射率记为Rg，红光区域内最小波段的反射率记为Rr，Rg减去Rr的结果为Hr，即图1中A、B两点间的垂直落差值。

2. 2. 2 一阶微分光谱 水稻叶片SPAD值的一阶微分光谱反射率如图2所示，C表示蓝边，D表示黄边，E表示红边;Db表示蓝边范围内一阶微分光谱的最大值，Dy表示黄边范围内一阶微分光谱的最大值，Dr则表示红边范围内最大一阶微分光谱值。Db波长对应λb，Dy波长对应λy，Dr波长则对应λh。黄边区域内一阶微分光谱值的总和称为SDy，蓝边区域内一阶微分光谱值的总和称为SDb，红边区域内的一阶微分光谱值总和称为SDr。利用5个原始光谱位置参数和9个一阶微分光谱参数，共计14个光谱位置参数特征分别对SPAD值进行相关性分析，结果（表3）显示，14个光谱位置参数中与水稻叶片SPAD值不存在显著相关的只有λy参数（P>0.01）。为了精确估算水稻叶片SPAD值，从中筛选出|r|>0.800的7个光谱位置参数（SDb、Dy、SDy、Rg、Hr、Db、λh）模型的部分輸入量。

2. 3 水稻叶片SPAD值的估算模型

2. 3. 1 SVR模型 利用上述筛选出|r|>0.800的5个植被指数和7个光谱位置参数共计12个特征量作为SVR的输入量，以SPAD值作为输出量，构建SVR模型。采用K折交叉验证法进行验证，得到局部最优组合参数（C，g）为（64，0.125），即（26，2-3）。在局部最优参数附近选择不同的较小区间重新进行二次搜索，搜索步长设定0.1，参数寻优结果（C，g）为（27.858，0.25）。与传统的网格搜索算法比较，改进的网格搜索算法参数寻优的RMSE明显更低，参数寻优时间更短。

以观测到中嘉早17水稻叶片的400组数据为分析样本，通过SVR模型对其中280组建模样本进行学习训练，根据得到的SVR模型对120组测试样本进行预测估算，预测估算的结果如图3所示。SVR模型估算值的R2为0.822，RMSE为2.363，平均相对误差（MRE）为4.712%，相对分析误差（RPD）为2.064。

2. 3. 2 SMLR模型 与构建SVR模型相同，选取12个与SPAD值相关性大于0.800的植被指数和光谱位置参数作为输入变量，并对模型进行验证。逐步回归方法的建模依据采用显著性水平值进行判断，分别设0.05和0.10作为选择和剔除输入自变量的概率参数，根据R2，F统计量最高，RMSE最小原则筛选最佳光谱SMLR预测模型。最终确定2个光谱位置参数（Hr和Db）和3个植被指数（VOG2、VOG1和CARI）为输入变量，公式（2）为建立的逐步多元线性回归方程。SMLR模型对水稻叶片120组验证样本进行估算，结果如图4所示。SMLR模型估算值的R2为0.835，RMSE为2.423，MRE为4.818%，RPD为1.873。

SPAD=106.629-7830.015Db-196.836VOG2+

293.255Hr-25.613CARI-50.88VOG1 （2）

2. 3. 3 SMLR+SVR模型 利用SMLR建模过程将12维输入变量进行选择、剔除操作，最终筛选出的变量为VOG1、VOG2、CARI、Hr和Db，將这5个变量作为SVR模型的输入变量，输出变量为水稻叶片SPAD值，构建SMLR+SVR模型。采用归一化方法将模型的输入变量和输出变量归一化到（0，1）范围，应用改进的网格搜索算法得到参数最优组合（C，g）为（16，1.320），通过SVR对水稻叶片280组建模样本进行训练学习，得到模型的训练结果如图5所示。SMLR+SVR模型训练值的R2为0.865，RMSE为2.076，MRE为4.288%，RPD为3.112。利用训练得到的模型对120组验证样本进行预测估算，预测结果如图6所示。SMLR+SVR模型的估算值的R2为0.856，RMSE为2.076，MRE为3.984%，RPD为2.550，模型的估算效果优于SVR模型和SMLR模型。

2. 3. 4 PCA+SVR模型 PCA是利用降维的思想，将多个特征转化为少数几个不相关的综合特征的多元统计分析方法。本研究选择相关性较高的12个特征数据，为能提高算法的运行效率，且能获得理想的试验效果，再对这12维数据进行主成分分析，结果如图7所示。前6个主成分累计贡献率达99.822%。选择前6个主成分作为SVR模型的输入量，以叶片SPAD值作为输出量构建PCA+SVR模型。归一化输入变量和输出变量到（0，1）范围，最优组合（C，g）采用改进的网格搜索算法计算，结果为（24，0.850），通过SVR对水稻叶片280组建模样本进行训练学习，得到模型的训练结果如图8所示。PCA+SVR模型训练值的R2为0.848，RMSE为2.201，MRE为4.376%，RPD为3.046。利用120组测试数据对模型进行预测估算，结果详见图9。PCA+SVR模型的估算值的R2为0.802，RMSE为2.316，MRE为4.215%，RPD为2.295。

2. 3. 5 模型评价指标与模型结果比较 在评估模型的指标中R2和RPD反映观测值与估算值间的相关性强度，RMSE和MRE则反映观测值与估算值间的偏差。R2和RPD值越大，RMSE和MRE的值越小，则表明模型的性能越好，估算能力越强。对于RPD而言，当RPD<1.4时，模型预测效果较差，一般无法对样品进行估测;当RPD∈[1.4，2）时，模型预测效果一般，可对样品进行初步估算;当RPD≥2时，则模型具有很好的预测能力（柳维扬等，2017）。

表4为4个模型的训练结果和估算验证结果。4个模型均取得较好的效果，其中SMLR+SVR模型的各项评估指标总体上优于其余3个模型的估算效果，精度最高。PCA+SVR模型估算精度高于SVR模型，而SMLR+SVR模型精度明显高于SMLR模型，说明不同高光谱特征参数选择方式的最优模型不同，综合比较发现SMLR+SVR模型为最优的水稻叶片SPAD值估算模型。

3 讨论

在可见波段中，水稻叶片因SPAD值较大，叶片色素含量较高，主要是吸收光谱，对光谱的反射率较低。在本研究中，叶片SPAD值与光谱反射率在可见光波段呈负相关，说明叶绿素含量与光谱反射率呈反比。

利用可见光波段和近红外波段的光谱反射率进行一系列的处理，获得各种功能和用途的植被指数，从而定量估算作物的农学参数。对不同作物生理生化参数进行估算时需筛选不同的植被参数。赵佳佳等（2014）通过测量冬小麦叶片冠层光谱反射率和SPAD值，并分析二者的相关性，发现冬小麦叶片SPAD值与冠层光谱植被指数（DVI、RVI、GRVI、NDVI、FDRVI、FDNDVI、FDDVI、FDGRVI）均呈极显著相关，其中与NDVI的相关性较大（r=0.9238）。本研究针对水稻叶片的SPAD值，分析了15种植被指数与SPAD值间的相关性，发现这15种植被指数均与SPAD值极显著相关，水稻SPAD值与水稻叶片的光谱位置参数及植被参数存在极显著相关。朱西存等（2011）通过测定不同物候期的苹果叶片高光谱与SPAD值，发现光谱的红边参数（红边位置、红边斜率、红边面积）与SPAD值间均达显著或极显著相关。本研究不仅验证了上述结论，还发现光谱的绿峰参数（绿峰位置、绿峰反射率）、黄边参数（黄边面积、黄边振幅）、蓝边参数（蓝边位置、蓝边振幅、蓝边面积）、红谷参数（红峰反射率、红峰位置）与水稻SPAD值间存在极显著性相关，且黄边面积与SPAD值呈最大正相关（r=0.864），蓝边振幅与SPAD呈最大负相关（r=-0.865）。因此推断敏感波段的植被指数和光谱位置参数与SPAD值相关性更好，表明选择相关性高的信息作为建模输入，得到的结果更理想。孙小香等（2018）对水稻冠层SPAD值进行高光谱反演模型研究，结果表明对22个光谱位置参数进行主成分分析，提取方差累积贡献率达99.734%的前8个主成分进行支持向量机回归建模，模型的估算精度优于其他模型（PCA+SMLR、CP+SVR和CP+SMLR）;但模型估算精度的评价指标局限于RMSE的比较，未能反映MRE的大小，其结论有待进一步探讨。

4 建议

4. 1 优化光谱特征参数选择

因光谱特征参数选择组合方式不同或选择建模算法不同，构建水稻叶片SPAD值估算模型结果准确度也不同。在今后的研究中，应进一步挖掘分析光谱特征参数与SPAD间的关系，提出新的特征参数或优化特征参数选择组合方法，同时应引入BP神经网络等其他机器学习建模算法，提高高光谱对水稻叶片SPAD值的有效估算，为科学管理水稻生产提供理论依据。

4. 2 采集水稻冠层高光谱图像

目前水稻叶片高光谱数据采集主要在大田中进行，测量效率较低，实际操作较繁琐，因此需要进一步提高高光谱数据采集效率，降低实验操作要求。后期将采集水稻冠层高光谱图像，反演出高光谱图像中的水稻冠层SPAD值，研究冠层SPAD与水稻生长状态的关系，进而为精准施肥提供指导。

参考文献：

李媛媛，常庆瑞，刘秀英，严林，罗丹，王烁. 2016. 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，32（16）： 135-142. [Li Y Y，Chang Q R，Liu X Y，Yan L，Luo D，Wang S. 2016. Estimation of maize leaf SPAD value based on hyperspectrum and BP neural[J]. Transactions of the Chinese Society of Agricultural Engineering，32（16）： 135-142.]

梁亮，楊敏华，张连蓬，林卉，周兴东. 2012. 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，28（20）： 162-171. [Liang L，Yang M H，Zhang L P，Lin H，Zhou X D. 2012. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regressional gorithm[J]. Transactions of the Chinese Society of Agricultural Engineering，28（20）： 162-171.]

柳维扬，彭杰，窦中江，陈兵，王家强，向红英，代希君，王琼，牛建龙. 2017. 基于冠层尺度的枣树色素含量的高光谱估算模型[J]. 光谱学与光谱分析，37（1）： 156-161. [Liu W Y，Peng J，Dou Z J，Chen B，Wang J Q，Xiang H Y，Dai X J，Wang Q，Niu J L. 2017. Estimation models for jujube leaf pigment concentration with hyperspectrum data at canopy scale[J]. Spectroscopy and Spectral Analysis，37（1）： 156-161.]

孙小香，王芳东，郭熙，赵小敏，谢文. 2018. 基于水稻冠层高光谱的叶片SPAD值估算模型研究[J]. 江西农业大学学报，40（3）： 444-453. [Sun X X，Wang F D，Guo X，Zhao X M，Xie W. 2018. The estimation models of rice leaf SPAD value based on canopy spectrum[J]. Acta Agriculturae Universitatis Jiangxiensis，40（3）： 444-453.]

谭向农，刘淮，漆锟. 2017. 高光谱遥感在农业生产中的应用及展望[J]. 北京测绘，（1）： 49-52. [Tan X N，Liu H，Qi K. 2017. Application and prospect of hyperspectral remote sensing in agricultural production[J]. Beijing Surveying and Mapping，（1）： 49-52.]

王兴玲，李占斌. 2005. 基于网格搜索的支持向量机核函数参数的确定[J]. 中国海洋大学学报（自然科学版），35（5）： 859-862. [Wang X L，Li Z B. 2005. Identifying the parameters of the kernel function in support vector machines based on the grid-search method[J] Periodical of Ocean University of China，35（5）： 859-862.]

王鑫梅. 2015. 氮素水平对不同土壤质地杨树叶片光谱特性和光合能力的影响[D]. 保定：河北农业大学. [Wang X M. 2015. The influence of nitrogen levels to populus spectrum characteristics and photosynthetic capacity on diffe-rent soil texture[D]. Baoding： Agricultural University of Hebei.]

武改红，冯美臣，杨武德. 2018. 冬小麦叶片SPAD值高光谱估测的预处理方法[J]. 生态学杂志，37（5）： 1589-1594. [Wu G H，Feng M C，Yang W D. 2018. Hyperspectral pretreatment methods on leaf SPAD value prediction in winter wheat[J]. Chinese Journal of Ecology，37（5）： 1589-1594.]

夏天，周清波，陈仲新. 2012. 基于HJ-1卫星的冬小麦叶片SPAD遥感监测研究[J]. 中国农业资源与区划，33（6）： 38-44. [Xia T，Zhou Q B，Chen Z X. 2012. Monitoring winter wheat SPAD based on HJ-1 CCD[J]. Chinese Journal of Agricultural Resources and Regional Planning，33（6）： 38-44.]

章曼，常慶瑞，张晓华，刘佳歧. 2015. 不同施肥条件下水稻冠层光谱特征与叶绿素含量的相关性[J]. 西北农业学报，24（11）：49-56. [Zhang M，Chang Q R，Zhang X H，Liu J Q. 2015. Correlation between rice canopy spectral reflectance and leaf chlorophyll under different fertilization[J]. Acta Agriculturae Boreali-occidentalis Sinica，24（11）： 49-56.]

赵佳佳，冯美臣，王超，杨武德，李志花，朱智慧，任鹏，刘婷婷，王慧琴. 2014. 基于光谱植被指数的冬小麦叶绿素含量反演[J]. 山西农业大学学报（自然科学版），34（5）： 391-396. [Zhao J J，Feng M C，Wang C，Yang W D，Li Z H，Zhu Z H，Ren P，Liu T T，Wang H Q. 2014. Simula-ting the content of chlorophyll in winter wheat based on support vegetation index[J]. Journal of Shanxi Agricultural University（Natural Science Edition），34（5）： 391-396.]

赵小敏，孙小香，王芳东，谢文，郭熙. 2019. 水稻高光谱遥感监测研究综述[J]. 江西农业大学学报，41（1）： 1-12. [Zhao X M，Sun X X，Wang F D，Xie W，Guo X. 2019. A summary of the researches on hyperspectral remote sensing monitoring of rice[J]. Acta Agriculturae Universitatis Jiangxiensis，41（1）： 1-12.]

朱西存，赵庚星，姜远茂，王凌，陈红艳，王利. 2011. 基于高光谱红边参数的不同物候期苹果叶片的SPAD值估测[J]. 红外，32（12）： 31-38. [Zhu X C，Zhao G X，Jiang Y M，Wang L，Chen H Y，Wang L. 2011. Estimation of SPAD value of apple leaf in different phenophase based on hyperspectral red edge parameters[J]. Infrared，32（12）： 31-38.]

Blackburn G A. 1998. Quantifying chlorophylls and caroteniods at leaf and canopy scales：An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment，66（3）： 273-285.

Broge N H，Leblanc E. 2001. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment，76（2）： 156-172.

Friedrichs F，Igel C. 2005. Evolutionary tuning of multiple SVM parameters[J]. Neurocomputing，64（1）： 107-117.

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

Gitelson A A，Kaufman Y J，Merzlyak M N. 1996. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment，58（3）： 289-298.

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

Lichtenthaler H K，Gitelson A，Lang M. 1996. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements[J]. Journal of Plant Physiology，148（3-4）： 483-493.

Merzlyak M N，Gitelson A A，Chivkunova O B，Rakitin V YU. 2010. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening[J]. Physiologia Plantarum，106（1）： 135-141.

Niu L Y，Zhang X Y. 2016. A study of estimation model for the chlorophyll content of wheat leaf based on hyperspectral imaging[J]. Asian Agricultural Research，8（8）： 86-90.

Penuelas J，Frederic B，Filella I. 1995. Semi-empirical indices to assess Carotenoid/Chlorophyll-a ratio from leaf spectral reflectance[J]. Photosynthetica，31（2）： 221-230.

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

Vogelmann J E，Rock B N，Moss D M. 1993. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing，14（8）： 1563-1575.

Wu Q，Wang J H，Wang C，Xu T Y. 2016. Study on the optimal algorithm prediction of corn leaf component information based on hyperspectral imaging[J]. Infrared Physics & Technology，7（8）：66-71.

Zarco-Tejada P J，Miller J R，Noland T L，Mohammed G，Sampson P. 2001. Scaling-up and model inversion me-thods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，39（7）： 1491-1507.

（責任编辑 邓慧灵）