基于机器学习的油菜叶片水分含量高光谱估测

宋丽芳　廖桂平　陈敏　何罗驭阳

摘要：含水率是影响光合作用的重要因素之一，为了构建效果更好、更具普适性的油菜叶片含水量（leafwater content， LWC）定量监测模型，以蕾薹期、初花期油菜叶片为研究对象，采用自然风干法去除叶片水分，同步采集叶片质量和光谱信息。为了降低干扰以及消除噪声，采用标准正态变量变换、Savitzky-Golay卷积平滑算法（SG平滑）、多元散射校正、一阶求导和二阶求导5种方法对光谱数据进行预处理，并结合偏最小二乘法（partial least squares， PLS）分析选取最优预处理方法；采用连续投影算法（successive projections algorithm，SPA）筛选预处理后的光谱特征变量，获得对水分含量变化敏感的特征波长；利用支持向量机（support vectorregression， SVR）和BP神经网络（back-propagation neural network， BPNN）方法，以特征波长建立的光谱指数为自变量建立油菜叶片水分含量估算模型。结果表明：采用多元散射校正预处理综合表现最好，2个生育期预测集相关系数均达到0.71以上；通过SPA法选择特征变量，分别筛选出特征波长，其中蕾薹期6个，初花期7个；在蕾薹期和初花期叶片水分含量预测模型中，基于SVR模型和BPNN模型建立的模型预测集决定系数（R2）均在0.800以上，均能实现油菜叶片水分含量的精准监测，其中SVR模型预测效果优于BPNN模型，R2 分别为0.857和0.827，RMSE分别为1.791和1.521。因此，利用油菜叶片高光谱建模反演油菜叶片含水率能准确监测油菜叶片含水率，可为精准农业水分管理提供理论参考。

关键词：油菜；叶片含水量；高光谱；机器学习

doi：10.13304/j.nykjdb.2022.0977

中图分类号：S126 文献标志码：A 文章编号：10080864（2024）05011010

油菜是我国主要的经济作物，也是我国播种面积和产量最大的油料作物，发展油菜生产对保障中国食用油安全具有重要意义[1]。我国油菜主产区位于长江流域及云贵高原，这些地区降雨丰沛，但季节分布不均匀，再加上油菜生长周期长，其产量和品质极易受气候变化影响[2]。中国油菜主产区常常受季节性干旱危害，9月—翌年2月的秋冬旱和春旱会导致油菜出苗不齐、出叶缓慢、绿叶面积减小、植株矮小；而3月—5月连续阴雨天，雨水过多，不仅减少光合积累，减慢角果籽粒充实，也加剧了菌核病流行[3]，严重影响油菜产量及品质。因此，研发快速、无损、可持续的方法监测油菜大田水分是非常必要的，对确保油菜的增产丰收具有现实指导意义。

绿色植物含水量可达80%～90%，水分亏缺会直接或间接影响植物体的形态结构和生理生化过程，从而影响作物的生长、产量和品质[45]。水分作为反映作物生长过程中需水状况的关键指标[6]，及时、准确地监测作物水分状况变化，对水资源的可持续利用及提高作物产量和品质具有重要意义[78]。然而，淡水资源的日益短缺对农业生产中水分利用效率提出了更高的要求，油菜是需水量较大的油料作物[9]，植株水分状况不仅影响油菜生长，还会影响其产量、氮素吸收能力及油菜籽的品质[1011]。因此，高光谱遥感监测作物水分，实时、快速、无损地获取大量准确的光谱信息对油菜等作物的生长和产量具有重要作用。目前，基于光谱对水分状况进行监测已广泛应用于小麦、水稻、油菜、棉花等作物 [12-14]以及苹果、柑橘、核桃等果树[15-17]的研究中。

在油菜水分状况监测方面，张晓东等[18]基于冠层高光谱数据，采用逐步回归法定量分析油菜含水率，模型预测值与实测值间的相关系数为0.87；后续通过与多光谱图像和冠层温度多信息融合，将相关系数提高至0.93[19]；仝春艳等[20]提出2 种基于水吸收谷改进型角度指数ANI1450 和ASI1450，发现在不区分苗期、蕾薹期的情况下油菜叶片等效水厚度效果最佳，R2均达到0.832；张君等[21]发现，正交信号校正+主成分分析+支持向量回归模型估测叶片含水率效果最佳，训练集决定系数与测试集决定系数分别高达0.901 和0.857。潘月等[22] 发现，通过连续投影算法、逐步回归分析（stepwise regression， SR）和竞争自适应加权算法（competitive adaptive reweightedsampling， CARS）筛选的波段变量更多、信息更全面、估测精度普遍优于光谱指数，其中，SPA-LR模型、SPA-BP模型和SPA-SVR模型均能实现油菜植株含水率的精确监测。已有研究多能对单一生育期实现精确监测，对全生育期的普适性有待提高，目前光谱分析方法在油菜水分监测方面应用较少，且多局限于实验室条件。因此，光谱信息需要进一步深度挖掘。

在高光谱技术的实际应用中，噪声、杂散光、基线漂移和平缓背景等干扰不可忽视。数据分析前的关键是对数据进行预处理，针对不同干扰因素需要使用不同的光谱预处理方法，常用的方法包括平滑算法、均值中心化、多元散射校正、标准正态变量变换、正交信号校正和导数光谱等。数据特征挖掘方面主要有主成分分析、线性判别分析、遗传算法、竞争性自适应重加权算法和连续投影算法等。模型建立方面主要采用最小二乘回归、高斯过程回归算法、支持向量机算法、神经网络等方法。连续投影算法（successiveprojections algorithm，SPA）是一种前向迭代搜索算法，从原始光谱信息中筛选敏感波段，解决变量间共线性问题，提高建模的速度和精度，无损检测玉米种子活力[23]、棉花LAI（leaf area index， LAI）值[24]、茶叶中咖啡碱[25]和哈密瓜可溶性固形物含量[26]等应用都验证了连续投影算法能有效筛选特征波长。目前无论是光谱预处理方法还是数据特征挖掘方法或是机器学习方法建模都有被广泛应用，但不同作物的光谱响应机制不同，油菜叶片光谱对水分的敏感波长、最优的光谱处理方法和预测精度高的建模方法等都需要进一步验证。

本研究基于甘蓝型油菜（Brassica napus L）蕾薹期和初花期叶片高光谱信息建立叶片含水量预测模型，采用PLS模型对比分析预处理方法，筛选最佳预处理方法，通过连续投影算法筛选水分特征波段构建光谱指数为构建监测模型提供变量，利用BP神经网络和支持向量机回归方法构建油菜叶片含水量（leaf water content，LWC）监测模型，以进一步提高油菜叶片含水量监测精度，为油菜水分诊断和调控提供依据。

1 材料与方法

1.1 供试材料

试验品种湘杂油787、湘杂油518、农大410、农大2号、农大3号、708由湖南农业大学油料所提供，硒滋圆1号、硒滋圆2号由中国农业科学院油料作物研究所提供，共8个品种。

1.2 种植条件及取样

试验区位于湖南农业大学耘园基地（113°08' E、28°18' N），光、热、水资源丰富，无霜期长，年平均气温16～18 ℃，年降水量在1 200～1 700 mL之间，属亚热带季风湿润气候区。划分12个小区，小区面积为64 m2，2021年9月28日播种，播种方式为条播。

分别于蕾薹期（12月中旬）和初花期（翌年2月下旬）2个发育阶段取样，蕾薹期选择从上往下第3片功能叶，初花期从上往下选择第6～7片功能叶，采样时每个小区随机采集5片代表性叶片，立即用塑封袋密封放入装有冰块的泡沫箱30 min内带回实验室。按照设定的时间间隔（采样后的0.5、1.5、3.5、4.5、6.5、7.5、9.5 h），同步测量油菜叶片质量和光谱反射率。

1.3 数据采集

利用离体植物自然失水的方法来改变叶片的水分状况。即在室温下，将采集的油菜叶片展开平铺在通风的试验台上，使其在自然条件下散失水分，然后按照一定的时间间隔，同步测定叶片的质量和反射光谱响应曲线。

使用手持叶夹式叶片光谱探测器（FieldSpec3Hi-Res便携式地物光谱仪，美国ASD 公司） 采集光谱数据，该仪器内部自带卤化灯，光源稳定。光谱波段范围为350～2 500 nm，光谱分辨率在350～1 000 nm 内为3 nm，采样间隔为1.4 nm；在1 000～2 500 nm内为10 nm，采样间隔为2 nm，每组数据测量前均进行标准白板校正。将叶片擦拭干净，用万分天平称量鲜叶质量，后立即用手持叶夹式叶片光谱探测器测量叶片光谱反射率，实现称量和采集准同步。在每片油菜叶片叶尖边缘处随机选取5 个区域测定光谱反射率[27]对这5 个区域反射率取平均值作为该叶片的反射率。然后按照时间为采样后的0.5、1.5、3.5、4.5、6.5、7.5、9.5 h，依次重复上述操作，测定叶片的质量信息和反射光谱响应曲线。用烘箱烘至恒重，再称其干质量，测定叶片相对含水量（LWC），计算公式为。

式中，Ww代表叶片的每个自然风干阶段的质量；Wd 代表叶片的干重质量；Wf 代表叶片采集0.5 h的质量，作为叶片的鲜重质量。

1.4 光谱数据的预处理

光谱仪性能、目标物本身光谱特性、自然环境以及人的行为等因素均对光谱反射率有一定的影响，导致获取的光谱数据中既所需的样品特性外还掺杂着不需要的无关信息和噪声，可见光350～620 nm范围的光谱反射率主要受叶片色素含量的影响，截去容易出现较大噪声且受水分影响较小的350～500 nm 波段，对500～2 500 nm 光谱数据进行分析研究。为了提高叶片含水量估测模型的精度，需要对取得的原始光谱数据进行预处理。本试验采用标准正态变量（standardnormal variate， SNV）、SG 平滑、多元散射校正（multiplicative scatter correction， MSC）、一阶求导（1st-derivative）、二阶求导（2nd-derivative）对原始数据进行预处理，数据分析程序在Matlab2021a 中完成。

1.5 光谱特征提取

在使用高光谱建模时，若将整条光谱曲线作为自变量用来构建线性、非线性模型，不仅计算复杂，并且会产生数据冗余现象，从而导致模型难以得到最佳效果，因此，需要对光谱进行特征提取，通过一定数学变换找到最能反映待测样本类别的差异特征或敏感特征，从而在提高模型预测精度的同时简化计算量。本研究采用连续投影算法进行敏感波段筛选。

连续投影算法是一种前向变量选择算法，运用向量投影分析选择最大向量，最终通过RMSECV进行修正提取特征波长。该方法从光谱矩阵中选择最小共线性的变量组合，得到最少的冗余量信息，从而大幅度地降低了模型中的变量数量，提高模型的预测速度和准确性。该算法的操作过程如下。

①任意选择光谱矩阵中的一列向量设为xn（0），其他的列向量如下式。

W = m，1 ≤ m ≤ j， m ? { n （0），...，n （k - 1） } （2）

②计算其中一列向量xm，对其余的全部列向量投影Yxm。

Yxm =xm -[ xTm xn （k-1） ] xn （k-1） [ xTm xn （k-1） xn （k-1） ]-1 ， m∈W（3）

③选择最大投影向量，提取对应波长。

④如果y

xn（k）{k=0，…，H-1} （5）

式中，j、k 对应j 个波段的k 个样本，H 为特征波段个数。

以此构建模型，均方根差（root mean squareerror，RMSE）的CV值最小时，取得的值为最优值。

光谱指数是光谱反射率通过待测样本的敏感波段区域进行组合，从而得到理想的组合特征，通常来说，归一化植被指数（normalized differencespectral index， NDSI）、比值植被指数（ratiospectral index， RSI）、差值植被指数（differencespectral index， DSI）是3个最重要的光谱指数。本文中将经SPA筛选的特征波长进行两两组合，本文中使用的高光谱指数计算公式如下。

式中，n 和m 分别表示特征筛选的波长，Rn和Rm分别表示波长n 和m 的反射率。

1.6 预测模型建立及精度验证

本研究使用支持向量机回归和BP神经网络2种机器学习方法研究油菜叶片光谱反射率和叶片水分含量的关系。将经SPA算法特征提取的敏感波长组成的光谱指数作为自变量，叶片含水量为因变量，按照3∶1划分数据集，对420组油菜样本，其中315个样本为训练集，105个样本为测试集，构建含水量预测模型。在模型的建立过程中，由于样本数量较小，为了避免发生过拟合和欠拟合状态，提高模型的泛化能力，本研究将10折交叉验证分别嵌入SVR和BP神经网络模型，然后使用测试集数据对油菜叶片水分含量估测模型进行精度评价。模型结果评价指标采用能够反映模型稳定性的决定系数（R2）、反映模型预测能力的均方根误差RMSE进行评价。R2值越接近1，RMSE越小，说明模型拟合能力越好，预测精度越高。计算公式如下。

式中，yˉ、y?i 和yi 分别代表叶片水分含量的平均值、预测值和实测值，n 为总样本数。

2 结果与分析

2.1 不同预处理结果对比分析

本研究采用5 种方法对原始数据进行预处理，结果如图1所示。可以看出，二阶导数表现最差，不适合作为本研究建立油菜叶片水分含量估测模型前的预处理方法。将以上5种处理数据与油菜叶片水分含量结合PLS模型进行分析，其统计结果如表1所示。对比5种预处理方法发现，SG平滑和多元散射校正MSC处理后相关系数均大于0.6，其中MSC表现最佳，因此确定在后续建模处理前使用的光谱预处理方式为多元散射校正MSC。

2.2 特征变量提取和分析

对经过MSC预处理后的油菜叶片光谱使用SPA算法进行特征提取，以经过预处理后的光谱数据作为算法变量x 值，油菜叶片含水量为算法变量的y 值，筛选出光谱波段。

由图2可知，蕾薹期随着筛选变量数量的增加，RMSE先是迅速下降，当变量数为6时，RMSE趋于稳定状态，其值为1.650，通过SPA运算筛选后得到6 个特征波长，仅占全部光谱数据的0.30%，极大地缩减了光谱信息中的冗余变量。同理，运用SPA对初花期光谱数据进行筛选，最终得到最优7 个特征变量，占全部光谱数据的0.35%，确定特征波长如表2所示。

2.3 数学模型分析

2.3.1 基于BPNN的叶片水分含量预测模型

BP神经网络是一种采用误差反向传播的算法，具有误差反向传播和多层前馈的特点，可以有效地训练多层前向神经网络。本研究利用BP神经网络建立叶片水分含量预测模型，模型的迭代次数设置为1 000，学习精度为0.01，训练目标为均方根误差小于0.001。模型内嵌10折交叉验证进行最佳隐含层神经元寻优，经过多次循环训练得到最佳回归模型。从回归结果（图3）可以看出，蕾薹期和初花期的模型泛化能力较好，拟合系数分别0.837和0.856，均处于较好预测水平。

模型训练完成后对随机产生的测试集光谱数据进行仿真测试得到叶片含水量预测值，将叶片含水量预测值与真实值进行比较（图4和5），利用决定系数R2、RMSE对模型性能进行评价（表3），可以看出，其中蕾薹期的训练集和测试集的决定系数均高于初花期。

2.3.2 基于SVR的叶片水分含量预测模型

SVR是以统计学为基础的机器学习方法，可以分别进行分类（SVC）和回归（SVR）2种操作，SVR模型主要受到惩罚因子C和核参数g的影响。本研究基于Matlab软件的Libsvm 工具包构建SVR 模型，ε参数设为0.01，核函数类型为径向基函数（RBF），利用内嵌10折交叉验证的SVMcgForRegress函数进行参数优化，寻找最佳超参组合。将优化后的参数值带入训练函数svmtrain中进行模型的训练，使用svmpredict函数对油菜叶片水分含量进行预测，从结果（表4）来看，蕾薹期和初花期训练集样本的决定系数分别为0.871、0.888，都处于较好的水平，蕾薹期和初花期测试集样本的决定系数分别为0.857、0.827，预测模型效果均较好，其中蕾薹期的估算模型精度要高于初花期。SVR模型在预测能力比BPNN有所提升。

3 讨论

油菜不同生育阶段需水规律不同，主要分为3个阶段。第一阶段，即苗前期和苗后期，苗期植株小加之气温较低生长缓慢所以耗水量少，仅做培苗阶段，结合追肥浇灌一般能满足其所需水分[28]；第二阶段即蕾薹期、抽薹期、初花期、盛花期和终花期，温度升高，雨水增加，油菜生长快速，薹花期是油菜生长发育最旺盛的时期，且叶面积日渐增大，日耗水量增大，分化速度加快，花序不断增长，这个时期的水分状况对油菜单位面积产量影响很大，此阶段光合作用的主要贡献在蕾薹期-初花期；第三阶段角果发育成熟期由于日平均气温升高和叶面积下降，所以耗水量也增大，但由于角果增大，角果皮的光合作用在一定时期内日益加强，所以土壤仍需保持适宜的水分状态，以保证光合作用的正常进行和茎叶营养物质向种子中转运，促进增粒、增重[2930]；且对水分敏感性表现为蕾薹期、花期>苗期、角果成熟期[31]。本研究就第二阶段进行研究分析，探究了蕾薹期和初花期2个时期的油菜叶片含水量与高光谱响应机制，实现油菜水分状况监测。苗期对油菜培育壮苗和安全越冬发挥重要作用，角果期是油菜产量形成的关键时期，其中角果皮对产量贡献占角果期的70% [32]，本研究未对全生育期进行整体研究，后期将会继续对苗期叶片和角果成熟期角果的水分含量进行深入研究。

由于数据采集过程中受到设备、人为和环境等因素的影响，使数据存在冗杂、缺失和噪声等问题，故本研究对数据采集环境（光源、温度、湿度）都做了控制变量处理。同时为了降低外界因素的影响，本研究通过5种简单光谱预处理方法进行分析比较，最终确定基于多元散射校正MSC预处理方法具有最优效果，此方法有效地增强了光谱数据与水分含量之间的相关信息量，提高了模型的准确度和稳定性。但不同高光谱预处理技术处理原理不一样，解决的问题和达到的效果也不一样，本研究对单一预处理方式进行适用性选择，对于复杂数据采集环境，有必要进一步将预处理方法组合进行分析，以提升预处理方法的适用性，提高模型准确度。

作物水分状况的光谱监测研究始于20世纪70年代初，Thomas等 [33]用完全饱和的叶片在室温下逐渐干燥的方法来获取不同含水量下的反射光谱，发现叶片在红外光谱反射率随叶片含水量的下降而增加，1 450和1 930 nm波段的反射率与叶片的相对含水量呈显著相关关系。后续众多学者在不同植物上的研究结果都表明，主要水分吸收波段在0.96[34]、1.19[35]及1.45、1.65、1.97、2.35 μm [36]等红外波段，除了主要的水分吸收波段，也存在其他能反映作物水分差异的敏感波段，如680～780 nm区域的红边光谱，而已有的油菜水分监测研究大多是对可见光和近红外波段，对主要水吸收波段的短波红外的研究还有待增强，故本研究选取500～2 500 nm波段代表全波段进行分析。本研究通过SPA法提取特征波长，既能极大地降低数据维度提高建模速度，又能筛选出含水量敏感波长，提高模型准确度和稳定性，通过SPA法提取的敏感波长与前人[17，21]提出的光谱波长相近，说明该方法具有普适性，但具体波长不一样，这与油菜的品种和生长环境有关。

已有油菜水分状况的监测研究大多是运用未优化过非线性回归模型，对于小样本或分布不均的样本易出现过拟合现象，本研究采用BP神经网络和SVR进行非线性拟合，结合10折交叉验证进行参数优化，经过多次循环训练寻优得到最佳回归模型，避免出现过拟合现象，预测模型精度明显提高，最后通过BPNN和SVR机器学习方法和10折交叉验证结合构建的模型预测效果都非常好，能够为油菜水分诊断提供依据。本研究仅进行了一种降维方法，有必要增加降维方法和机器学习方法结合，通过将不同降维方法与机器学习方法结合进行建模研究，通过对比分析筛选出最佳组合方法，进一步提高含水率的预测精度。

参考文献

［1］ 白桂萍，谢雄泽，谢捷，等.中国油菜生产布局时空演变及影响因素浅析[J].中国油脂，2022，48（4）：1-6.

BAI G P， XIE X Z， XIE J， et al .. Analysis on the temporal andspatial evolution and influencing factors ofoilseed rape production layout in China [J]. China Oils Fats，2022，48（4）：1-6.

［2］ 黄杰.气候变化对中国油菜生产布局的影响研究[D].武汉：华中农业大学，2019.

HUANG J. Study on the impact of climate change on thedistribution of Chinese rape production [D]. Wuhan： HuazhongAgricultural University， 2019.

［3］ 冷博峰，李先容，陈雪婷，等.2008-2019年中国油菜生产性状变化趋势[J].中国油料作物学报，2021， 43 （2）：171-185.

LENG B F， LI X R， CHEN X T， et al .. Variation trend ofrapeseed production in china from 2008 to 2019 [J]. Chin. J.Oil Crop Sci.， 2021，43（2）：171-185.

［4］ 张玮，王鑫梅，潘庆梅，等.干旱胁迫下雷竹叶片叶绿素的高光谱响应特征及含量估算[J].生态学报， 2018， 38 （18）：6677-6684.

ZHANG W， WANG X M， PAN Q M， et al .. Hyperspectralresponse characteristics and chlorophyll content estimation ofPhyllostachys violascens leaves under drought stress [J]. ActaEcol. Sin.， 2018，38（18）：6677-6684.

［5］ 张海威，张飞，张贤龙，等. 光谱指数的植被叶片含水量反演[J].光谱学与光谱分析，2018，38（5）：1540-1546.

ZHANG H W， ZHANG F， ZHANG X L， et al .. Inversion ofvegetation leaf water content based on spectral index [J].Spectrosc. Spect. Anal.， 2018，38（5）：1540-1546.

［6］ 梁亮，张连蓬，林卉，等.基于导数光谱的小麦冠层叶片含水量反演[J].中国农业科学，2013，46（1）：18-29.

LIANG L， ZHANG L P， LIN H， et al .. Estimating canopy leafwater content in wheat based on derivative spectral [J]. Sci.Agric. Sin.， 2013，46（1）：18-29.

［7］ ZHANG Q X， LI Q B， ZHANG G J. Rapid determination of leafwater content using VIS/NIR spectroscopy analysis withwavelength selection [J]. J. Spectroscopy.，2012，27（2）：93-105.

［8］ DINESH K M， NITIN B， et al .. Rethinking on the methodologyfor assessing global water and food challenges [J]. Inter. J.Water Resour. Dev.， 2020，36（2-3）：325-342.

［9］ 瞿益民，唐合年，葛妹兰，等.油菜需水量试验分析[J].江苏水利，2005，（10）：20-21，23.

QU Y M， TANG H N， GE M L， et al .. Analysis of rape waterrequirement test [J]. Jiangsu Water Resour.， 2005， （10）： 20-21，23.

［10］ 黄纯倩，朱晓义，张亮，等.干旱和高温对油菜叶片光合作用和叶绿素荧光特性的影响[J]. 中国油料作物学报，2017，39（3）：342-350.

HUANG C Q， ZHU X Y， ZHANG L， et al .. Effects of droughtand high temperature on photosynthesis and chlorophyllfluorescence characteristics of rapeseed leaves [J]. Chin. J. OilCrop Sci.， 2017，39（3）：342-350.

［11］ MAMNABI S， NASROLLAHZADEH S， GHASSEMI-GOLEZANIK， et al.. Improving yield-related physiological characteristics ofspring rapeseed by integrated fertilizer management underwater deficit conditions [J]. J. Saudi Biol. Sci.， 2020， 27（3）797-804.

［12］ 刘晓静，陈国庆，王良，等.不同生育时期冬小麦叶片相对含水量高光谱监测[J].麦类作物学报， 2018， 38（7）：854-862.

LIU X J， CHEN G Q， WANG L， et al .. Monitoring leaf relativewater content of winter wheat based on hyperspectral index atdifferent growth stages [J]. J. Triticeae Crops， 2018， 38（7）：854-862.

［13］ 徐庆，马驿，蒋琦，等.水稻叶片含水量的高光谱遥感估算[J].遥感信息，2018，33（5）：1-8.

XU Q， MA Y， JIANG Q， et al .. Estimation of rice leaf watercontent based on hyperspectral remote sensing [J]. RemoteSens. Inform.， 2018，33（5）：1-8.

［14］ 马岩川.基于高光谱遥感的棉花冠层水氮参数估算[D].北京：中国农业科学院，2020.

MA Y C. Estimation of water and nitrogen parameters of cottonat canopy scale based on hyperspectral remote sensing [D].Beijing： Chinese Academy of Agricultural Sciences，2020.

［15］ 王浩云，李晓凡，李亦白，等.基于高光谱图像和3D-CNN的苹果多品质参数无损检测[J].南京农业大学学报，2020，43（1）：178-185.

WANG H Y， LI X F， LI Y B， et al .. Non-destructive detectionof apple multi-quality parameters based on hyperspectral imagingtechnology and 3D-CNN [J]. J. Nanjing Agric. Univ.， 2020，43（1）：178-185.

［16］ 代秋芳，廖臣龙，李震，等.基于CARS-CNN的高光谱柑橘叶片含水率可视化研究[J]. 光谱学与光谱分析， 2022，42（9）：2848-2854.

DAI Q F， LIAO Q L， LI Z， et al .. Hyperspectral visualization ofcitrus leaf moisture content based on CARS-CNN [J].Spectrosc. Spect. Anal.， 2022，42（9）：2848-2854.

［17］ 潘庆梅，张劲松，张俊佩，等.不同品种核桃叶片含水量与高光谱反射率的相关性差异分析[J]. 林业科学研究， 2019，32（6）：1-6.

PAN Q M， ZHANG J S， ZHANG J P， et al .. Analysis ofcorrelation and differences between leaf moisture and hyperspectralreflectance among different walnut varieties [J]. Forest Res.，2019，32（6）：1-6.

［18］ 张晓东，毛罕平，左志宇，等.干旱胁迫下油菜含水率的高光谱遥感估算研究[J]. 安徽农业科学， 2011， 39（30）：18451-18452，18487.

ZHANG X D， MAO H P， ZUO Z Y， et al .. Study on estimationmodel for rape moisture content under water stress based onhyperspectral remote sensing [J]. J. Anhui Agric. Sci.， 2011，39（30）：18451-18452，18487.

［19］ 张晓东，李立，毛罕平，等.基于PCA-BP多特征融合的油菜水分胁迫无损检测[J].江苏大学学报（自然科学版），2016，37（2）：174-182.

ZHANG X D， LIP， MAO H P， et al .. Nondestructive testingmethod for rape water stress with multiple feature informationfusion based on PCA-BP method [J]. J. Jiangsu Univ. （Nat.Sci.）， 2016，37（2）：174-182.

［20］ 仝春艳，马驿，杨振忠，等.基于角度指数的油菜叶片等效水厚度估算研究[J].核农学报，2019，33（1）：187-198.

TONG C Y， MA Y， YANG Z Z， et al .. Estimation of equivalentwater thickness of rapeseed leaves based on angle index [J]. J.Nucle. Agric. Sci.， 2019，33（1）：187-198.

［21］ 张君，蔡振江，张东方，等.基于机器学习与光谱技术的油菜叶片含水率估测研究[J]. 河北农业大学学报， 2021，44（6）：122-127.

ZHANG J， CAI Z J， ZHANG D F， et al .. Estimation of watercontent in rape leaves by spectral reflectance combined withmachine learning [J]. J. Hebei Agric. Univ.， 2021， 44（6）：122-127.

［22］ 潘月，曹宏鑫，齐家国，等.基于高光谱和数据挖掘的油菜植株含水率定量监测模型[J].江苏农业学报， 2022，38（6）：1550-1558.

PAN Y， CAO H X， QI J G， et al .. Quantitative monitoringmodels of plant water content in rapeseed based on hyperspectrumand related data mining [J]. J. Jiangsu Agric. Sci.， 2022，38（6）：1550-1558.

［23］ 杨冬风，李爱传，刘金明，等.耦合平均影响值-连续投影算法优化种子活力近红外检测模型[J].光谱学与光谱分析，2022，42（10）：3135-3142.

YANG D F， LI A C， LIU J M， et al .. Optimization of seed vigornear-infrared detection by coupling mean impact value withsuccessive projection algorithm [J]. Spectrosc. Spect. Anal.，2022，42（10）：3135-3142.

［24］ 张楠楠，张晓，王城坤，等.基于高光谱和连续投影算法的棉花叶面积指数估测[J].农业机械学报， 2022， 53（S1）：257-262.

ZHANG N N， ZHANG X， WANG C Q， et al .. Cotton LAIestimation based on hyperspectral and successive projectionalgorithm [J]. Trans. Chin. Soc. Agric. Mach.， 2022， 53（S1）：257-262.

［25］ 赵静远，熊智新，宁井铭，等.小波变换结合连续投影算法优化茶叶中咖啡碱的近红外分析模型[J]. 分 析科学学报，2021，37（5）：611-617.

ZHAO J Y， XIONG Z X， NING J M， et al .. Wavelet tranformcombined with SPA to optimize the near-infrared analysismodel of caffeine in tea [J]. J. Anal. Sci.， 2021，37（5）：611-617.

［26］ 郭阳，史勇，郭俊先，等.近红外光谱技术结合反向区间偏最小二乘算法-连续投影算法预测哈密瓜可溶性固形物含量[J].食品与发酵工业，2022，48（2）：248-253.

GUO Y， SHI Y， GUO J X， et al .. Prediction of soluble solidscontent in hami melon by combining near-infrared spectroscopyand BiPLS-SPA technology [J]. Food Ferment. Indust.， 2022，48（2）：248-253.

［27］ 李锦卫.基于计算机视觉的水稻、油菜叶色—氮营养诊断机理与建模[D].长沙：湖南农业大学，2010.

LI J W. Studies on the diagnosis mechanism and modeling ofleaf color-nitrogen nutrition in rice and rapeseed plant bycomputer vision [D]. Changsha： Hunan Agricultural University，2010.

［28］ 谢素华，杨明高.人民渠平原灌区油菜需水量及需水规律研究[J].四川水利，2001，（1）：33-35.

［29］ 冯鹏.油菜高产灌溉技术[J].农业开发与装备，2011， 6：39.［30］ 谢素华，杨明高，张清.油菜需水量及需水规律的研究[J].四川水利，1996，2：24-25.

［31］ 王巧娟. 关中地区夏大豆—冬油菜的水分产量效应及灌溉制度模型模拟研究[D].杨凌：西北农林科技大学，2022.

WANG Q J. Study on water yield effect of summer soybeanwinter rape and Simulation of irrigation schedule model inGuanzhong Area [D].Yangling： Northwest Agriculture ForestryUniversity， 2022.

［32］ 李岚涛.冬油菜氮素营养高光谱特异性及定量诊断模型构建与推荐追肥研究[D].武汉：华中农业大学，2018.

LI L T. Research on hyperspectral characteristics， quantitativediagnostic models， and topdressing for winter oilseed rapenitrogen status [D]. Wuhan： Huazhong Agricultural University，2018.

［33］ THOMAS J R， NAMKEN L N， OERTHER G F， et al ..Estimating leaf water content by reflectance measurements [J].J. Agron.，1971，63（6）：845-847.

［34］ SHIBAYAMA M， AKIYAMA T. Seasonal visible， near-infraredand mid-infrared spectra of rice canopiesin relation to LAI andabove-ground dryphytomass [J]. Remote Sens. Env.，1989，27（2）：119-127.

［35］ SHIBAYAMA M， TAKAHASHI W， MORINAGA S， et al ..Canopy water deficit detection in paddy rice using a highresolution field spectroradiometer [J].Remote Sens. Env.，1993，45（2）：117-126.

［36］ 黄敬峰，王福民，王秀珍.水稻高光谱遥感实验研究[M].杭州：浙江大学出版社，2010：1-315.

（责任编辑：温小杰）

基金项目：湖南省现代农业（油菜）产业体建设系项目（湘农发〔2019〕105号）。