落叶松毛虫危害下落叶松针叶含水率高光谱估算

摘 要：【目的】虫害早期胁迫会使得落叶松针叶含水率等内部生化组分发生微小变化，此时光谱具有明显响应。随着遥感技术的发展，高光谱遥感能够捕捉到这些微小变化，成为监测和识别虫害早期胁迫的重要工具。准确地预测针叶含水率，可为落叶松毛虫虫害早期胁迫预警工作提供实验依据。【方法】以大兴安岭森林虫害爆发区为研究区，获取2021年7月的高光谱数据和针叶含水率数据，通过平滑光谱反射率（SSR）、微分光谱反射率（DSR）和光谱连续小波系数（SCWC）三种光谱特征，结合Findpeaks函数（FP）和连续投影算法（SPA）对光谱降维和提取敏感特征，并利用偏最小二乘回归（PLSR）、随机森林（RF）和支持向量机回归（SVMR）三种算法建立含水率估算模型。【结果】1）SCWC的敏感波段大多集中在22、23、24三个尺度上且比DSR和SSR更加敏感。2）FP-SPA能快速准确地选择敏感光谱特征，减少数据冗余，降低模型复杂度。3）PLSRSCWC-coif4模型精度最高（R2=0.890 4，RMSE=0.037 5），比DSR和SSR的R2分别提高0.096 3和0.115 3，RMSE分别降低0.007 5和0.017 8；其次是SVMR-SCWC-bior4.4模型（R2=0.876 4，RMSE=0.033 0）精度提高最为显著，比DSR和SSR的R2分别提高0.155 4和0.130 8且RMSE降低0.026 3和0.027 3。【结论】SCWC比DSR和SSR对针叶含水率更敏感，同时FP-SPA能快速准确地提取敏感光谱特征，因此SCWC对于针叶含水率的估算具有可靠的精度，从而可以实现落叶松毛虫危害下落叶松针叶含水率的准确预测。

关键词：落叶松毛虫虫害；针叶含水率；高光谱；光谱变换

中图分类号：S763.305 文献标志码：A 文章编号：1673-923X（2024）08-0027-09

基金项目：国家自然科学基金项目（42361057）；内蒙古自治区科技计划项目（2021GG0183）；内蒙古高校青年科技英才支持计划项目（NJYT22030）；内蒙古自然科学基金项目（2022MS04005）。

Hyperspectral estimation of water content in larch needles from Dendrolimus superans

GUO Jiaze1， HUANG Xiaojun1， GU Pengyuan2， ZHOU Debao3， ZHANG Junsheng3， BAI Liga1， SA Heya1

（1.a. College of Geographical Sciences， b. Key Laboratory of Remote Sensing and Geographic Information System of Inner Mongolia Autonomous Region， Inner Mongolia Normal University， Hohhot 010022， Inner Mongolia， China； 2. Forestry and Grassland Bureau of Xing’an League， Ulanhot 137400， Inner Mongolia， China； 3. Inner Mongolia Daxinganling Forest Pest Control （Seed） Station， Yakeshi 022150， Inner Mongolia， China）

Abstract：【Objective】The early stress of insect infestation will cause small changes in the internal biochemical components such as the moisture content of larch needles， and the spectrum has a significant response. With the development of remote sensing technology， hyperspectral remote sensing can capture these small changes， and has become an important tool for monitoring and identifying early stress of insect pests. Accurate prediction of coniferous moisture content can provide an experimental basis for the early stress and early warning of Dendrolimus superans insect pests.【Method】Taking the forest insect pest outbreak area of the Daxing’anling as the study area， the hyperspectral data and coniferous moisture content data in July 2021 were obtained， and the spectral dimensionality reduction and extraction of sensitive features were obtained through three spectral features： smooth spectral reflectance （SSR）， differential spectral reflectance （DSR） and spectral continuous wavelet coefficient （SCWC）， combined with Findpeaks function （FP） and successive projection algorithm （SPA）， and partial least squares regression （PLSR）， random forest （RF） and support vector machine regression （SVMR） to establish a water content estimation model.【Result】1） Most of the sensitive bands of SCWC were concentrated in the three scales of 22， 23and 24， and they were more sensitive than SR and SSR. 2） FP-SPA quickly and accurately selected sensitive spectral features， reduced data redundancy， and reduced model complexity. 3） The PLSR-SCWC-coif4 model had the highest accuracy（R2=0.890 4，RMSE=0.037 5）， which was 0.096 3 and 0.115 3 higher than the R2 of DSR and SSR， and 0.007 5 and 0.017 8 lower RMSE， respectively， followed by the SVMR-SCWC-bior4.4 model （R2=0.876 4，RMSE=0.033 0） had the most significant improvement in accuracy. The accuracy was improved by 0.155 4 and 0.130 8 and decreased by 0.026 3 and 0.027 3 compared with DSR and SSR， respectively.【Conclusion】SCWC is more sensitive to coniferous moisture content than DSR and SSR， and FP-SPA can quickly and accurately extract sensitive spectral features， so SCWC has reliable accuracy in estimating coniferous moisture content， so as to accurately predict the moisture content of D. superans.

Keywords： Dendrolimus superans infestation； coniferous moisture content； hyperspectral； spectral transformation

落叶松毛虫Dendrolimus superans是大兴安岭森林的主要害虫之一[1]，一般通过啃食针叶使林木死亡，一旦发展为灾害将会对森林生态系统平衡造成严重影响并引起巨大的经济损失，因此对该虫害的防治极为重要。研究表明，当落叶松毛虫幼虫侵入林区后会对林区造成不可逆的破坏，使林木生化组分、外观状态等指标出现异常响应[2]。其中，受害树木的水分含量变化尤为显著，因为落叶松毛虫幼虫以针叶为食，通过咀嚼和吸食针叶导致水分流失，无法维持正常的生长状态。因此，可将针叶含水率作为监测害虫的重要指标。

近年来，遥感技术已成为监测植被外观和内部生化组分信息的重要技术手段[3-4]。该技术可以在不接触植物的情况下进行大面积监测以获取光谱数据，有效弥补了传统地面调查方法的干扰植物正常生长、监测范围小等缺点[5]。有学者利用多光谱遥感分别对马尾松苗木、油菜、茶叶、桉树叶片和针叶林的含水率进行预测，决定系数在0.63～0.94之间[6-10]，展示了遥感技术在含水率估算上的潜在应用前景。还有学者利用高光谱遥感技术估算含水率，与多光谱遥感相比，高光谱传感器通常包括数百甚至数千个窄波段，提供更详细的光谱信息，更精确地分析植物的光谱特征，提升建模精度[11-13]。还有研究通过离散小波变换、叶片反射率和一阶导数以及构建植被指数等方法，成功实现了茶叶、水稻叶片、胡杨叶片、木材等多种植物含水率的准确估算，决定系数在0.75～0.95之间[14-16]。目前的研究主要关注于农作物的含水率变化[17-21]，对于林木叶片的含水率变化研究相对较为有限。森林立地通常面临复杂的地形、多样的植被类型以及需要大量人力和物力成本投入的挑战，这些因素可能导致针叶含水率数据获取困难且估测精度较低。我们亟待解决这些问题，来开展虫害胁迫下林木针叶含水率变化的研究。

使用高光谱数据构建针叶含水率的估算模型通常需要三个步骤。首先，对高光谱数据进行不同形式的光谱变换，例如微分光谱、去除包络线光谱、植被指数和光谱小波等[15-16]，以突出光谱特征的有用信息。其次，使用敏感性分析方法，如主成分分析、连续投影算法、相关性分析等[22]，筛选于针叶含水率敏感的波段，降低高维数据的冗余程度。最后，根据敏感波段结合偏最小二乘法、多元线性回归等方法建立估算模型，以准确预测含水率[23]。基于此，本研究利用针叶含水率数据和高光谱数据，通过对光谱进行平滑处理、微分变换和连续小波变换，结合Findpeaks函数和连续投影算法得到敏感光谱，并借助偏最小二乘回归、随机森林和支持向量机回归三种算法建立含水率估算模型，以准确地预测针叶含水率，可为落叶松毛虫虫害早期胁迫预警工作提供试验依据。

1 研究区概况和研究方法

1.1 研究区概况

本研究以内蒙古牙克石市乌尔其汉镇的落叶松毛虫爆发区作为研究区（图1），于2021年7月进行针叶含水率的采样和高光谱数据的测定。选取47棵落叶松并分为四个级别：健康、轻度受害、中度受害和重度受害[24]。

1.2 数据获取

1.2.1 高光谱数据获取

使用AvaField-3地物光谱仪对落叶松进行了光谱测量，光谱分辨率为1.5 nm @ 350～1 100 nm；15 nm @ 1 050～2 500 nm；采样间隔为0.6 nm @ 350-1 100 nm； 6 nm @ 1 050～2 500 nm，测量数据间隔为1 m。仪器的探头角度为25°，朝向垂直向下，距离被测对象大约为0.2 m。在晴朗无云天气下的10：30—14：30时间内进行测量。将样本树垂直分为上、中、下三层，每层选取代表性的树枝观测20次。在观测前后，使用参考白板对光谱进行校正。取20×3次观测的光谱反射率平均值来代表树冠的光谱反射率。

1.2.2 针叶含水率数据获取

在光谱测量完成后，立即取下叶片并将其置于密封塑料袋中，以防止水分的流失。使用精度为0.000 1 g的电子天平测量样本的鲜质量（FW）。然后将所有样本放入80 ℃的烘干箱中烘干48 h，再次称重并记录干质量（DW）。根据下式计算针叶含水率（LWC）。

针叶含水率的最大值、最小值、均值、标准差、方差分别为0.76、0.05、0.53、0.15和0.02。由此可见，针叶含水率的数据较为分散，样本选取均匀地覆盖受灾区域，以反映落叶松毛虫胁迫下不同受害程度的针叶含水率。

1.3 光谱变换

1.3.1 微分光谱变换

由于高光谱数据受背景和仪器噪声的影响，原始光谱的尾部通常包含噪声。去除较大噪声和异常值的波段，最终选择保留350～1 650 nm范围的光谱。随后，使用Smooth函数对光谱曲线进行平滑处理，得到平滑光谱反射率（记为SSR）。接着，通过ENVI软件计算预处理后的光谱反射率的一阶导数，得到微分光谱反射率（记为DSR）。这一步骤旨在减少背景干扰，突出有用的光谱特征信息，从而增强光谱数据与植物生化组织含量之间的相关性。

1.3.2 连续小波变换

1.4 建模方法

1.4.1 Fp-SPA的敏感波段选择

为了减少数据冗余，利用Matlab中的Findpeaks（FP）函数寻找R2峰值并确定敏感波段位置，将这些峰值按R2值降序排序，保留前20%的特征（R2>0.62）设为初始敏感波段[25]。随后，使用连续投影算法（successive projection algorithm，SPA）进行降维，以确定最终的敏感光谱特征。SPA是一种前向变量选择算法，旨在减少矢量空间的共线性，并选择最少冗余的波长，以解决共线性问题。它通过向量投影选择有效特征波段，以减少建模输入变量数量，提高建模速度和降低复杂性，同时避免光谱信息重叠，已成功应用于多种样本波长的选择，并取得了良好效果。

1.4.2 含水率估算模型

利用偏最小二乘回归（partial least squares regression，PLSR）、随机森林（random forest，RF）和支持向量机回归（support vector machine regression，SVMR）三种算法建立含水率估算模型，并进行比较。PLSR是一种处理多元线性数据的统计方法，相当于线性回归、主成分分析和典型相关分析的组合，它寻找自变量和因变量中相关程度最大的成分线性组合，以更好地预测因变量的变化。RF是一种分类器，它包含多个决策树，并利用这些树对样本进行训练和预测。输出的类别由各个树输出的类别的众数决定。它引入了随机性，可以有效地避免过拟合问题，还具有出色的抗噪声能力。SVMR是一种用于解决回归问题的机器学习算法。与传统的回归算法不同，基于支持向量机的理论，其主要思想是找到一个超平面，使得样本点与该超平面的距离最小化，且能够处理非线性问题并被广泛应用于预测、回归分析等领域。

1.4.3 模型精度验证

本研究采用留一交叉验证法（LOOCV）对各模型进行评价[26]。具体步骤如下：首先，在总共47个样本中，逐个选取1个样本作为验证样本，剩余46个样本作为训练样本。如此循环迭代47次，确保每个样本都被用于验证一次。最后，通过比较预测值和实际值，计算确定系数（R2）和均方根误差（RMSE）来评价模型的性能。其中，R2取值范围为0～1，数值越接近1表示模型拟合效果越好，估算精度越高；RMSE的最小值为0，数值越接近0表示模型拟合效果越好，估算精度越高。

2 结果与分析

2.1 SSR、DSR和SCWC的高光谱特征与含水率的关系

图2为SSR、DSR和SCWC的光谱曲线图，将3个光谱曲线进行无量纲化，取值范围0～1。由于SCWC个数较多，此处选择24尺度上的sym3小波基为代表。对于SSR而言：波峰主要分布在532～572和794～1 332 nm区间，波谷主要分布在646～689和1 425～1 540 nm范围内。而DSR的波峰主要分布在505～537、689～753、1 367～1 371和1 478～1 578 nm区间，波谷主要分布在559～588、620～635、942～954、1 092～1 120、1 349～1 360和1 410～1 438 nm区间。对于SCWC而言：振幅主要集中在1 330～1 500 nm范围内，波峰主要分布在365～380、570～585、675～700、745～770、910～950、1 110～1 130、1 140～1 160和1 631～1 640 nm区间，波谷主要分布在350～365、515～540、700～745和 910～930 nm区间。

为深入分析针叶含水率对光谱变换的敏感性，对波段逐一进行相关性分析，并绘制相关系数R2分布图。由图3可知，SCWC综合2¹～2¹⁰十个尺度，在可见光区域（420～750 nm）和近红外区域（751～850 nm）以及中红外波段（1 400～1 580 nm）等波段内与含水率存在极显著相关。DSR在可见光区域（590～630 nm）和近红外区域（770～810 nm）以及中红外波段（1 478～1 650 nm）等波段内与含水率存在显著相关。SSR在可见光区（360～410 nm）和近红外区域（701～1 070 nm）等波段内与含水率存在显著相关。显然，SCWC比DSR和SSR对针叶含水率更为敏感，可作为估算针叶含水率的重要指标。

2.2 基于FP-SPA的敏感特征提取分析

利用FP-SPA提取的SCWC、DSR和SSR的敏感特征波段分布结果如图4所示。使用FP函数降重后，SSR有34个、DSR有57个、在2¹～2¹⁰的尺度上Biorthogonal有43～66个、Coiflets有61～391个、Daubechies有42～74个、Symlets有58～64个。FP函数提取的初始敏感特征波段数量较多，数据冗余，会导致模型复杂、计算量大等问题。接着使用SPA算法进行降维处理：SSR有7个、DSR有2个、2¹～2¹⁰的尺度上Biorthogonal有1～7个、Coiflets有2～45个、 Daubechies有1～45个、Symlets有2～44个，提取了最终敏感特征光谱用于建模。

2.3 含水率估算模型及精度评价

使用MATLAB软件，利用最终敏感特征光谱构建PLSR、RF和SVMR的含水率估算模型。结果如表1所示：对于PLSR模型而言，小波基对比平滑光谱和微分光谱反射率，R2均有所提高，RMSE呈现下降。其中，Biorthogonal小波系中bior4.4的模型精度最优，比SSR和DSR的R2分别提高0.080 4和0.061 4，RMSE分别降低0.013 6和0.003 3；Coiflets小波系中coif4的模型精度最优，比SSR和DSR的R2分别提高0.115 3和0.096 3，RMSE分别降低0.017 8和0.003 3；Daubechies小波系中db1的模型精度最优，比SSR和DSR的R2分别提高0.086 7和0.067 7，RMSE分别降低0.014 5和0.007 5；Symlets小波系中sym3的模型精度最优，比SSR和DSR的R2分别提高0.064和0.042，RMSE分别降低0.015 8和0.005 5。

对于SVMR模型而言，小波基对比平滑光谱和微分光谱反射率，R2均有所提高，RMSE呈现下降。其中，Biorthogonal小波系中bior4.4的模型精度最优，比SSR和DSR的R2分别提高0.155 4和0.130 8，RMSE分别降低0.027 3和0.026 3；Coiflets小波系中coif4的模型精度最优，比SSR和DSR的R2分别提高0.138 6和0.114，RMSE分别降低0.016 4和0.015 4；Daubechies小波系中db1的模型精度最优，比SSR和DSR的R2分别提高0.144和0.119 4，RMSE分别降低0.021 9和0.020 9；Symlets小波系中sym3的模型精度最优，比SSR和DSR的R2分别提高0.130 4和0.105 8，RMSE分别降低0.001 8和0.001 7。

对于RF模型而言，小波基对比平滑光谱和微分光谱反射率，R2均有所提高，RMSE呈现下降。其中，Biorthogonal小波系中bior4.4的模型精度最优，比SSR和DSR的R2分别提高0.083 1和0.016 5，RMSE分别降低0.030 9和0.005 5；Coiflets小波系中coif4的模型精度最优，比SSR和DSR的R2分别提高0.091 9和0.025 3，RMSE分别降低0.034 7和0.009 3；Daubechies小波系中db1的模型精度最优，比SSR和DSR的R2分别提高0.119和0.052 4，RMSE分别降低0.039 7和0.014 3；Symlets小波系中sym3的模型精度最优，比SSR和DSR的R2分别提高0.118 2和0.051 6，RMSE分别降低0.034 9和0.009 5。

本研究利用SSR、DSR和SCWC构建的不同模型对建模集和验证集的估算值与实测值进行了1∶1直线拟合分析，以研究模型的准确性和稳定性。选取结果最优的SCWC建立的模型与SSR和DSR模型相比，由图5得知，建模集和验证集的大部分数据点都均匀分布在1∶1直线的两侧。这表明使用最终敏感特征光谱构建模型具有较好的拟合效果，估算精度较高，三个模型中拟合效果最好的是PLSR，其次是RF，最差的是SVM。

3 讨 论

本研究使用47棵落叶松的高光谱数据，应用了三种不同光谱变换方法，各自具有独特的优势。首先，SSR方法主要用于去噪和减少波动，以提高数据质量和可解释性，从而方便后续的分析和可视化。其主要效果在于提高信号质量，使数据更易于理解。其次，DSR方法则专注于增强光谱中的峰值信号，降低噪声水平，提高信噪比，以使光谱特征更加清晰可靠。这有助于更精确地捕捉和解释光谱数据中的重要信息。最后，SCWC方法采用多尺度分析，提供了不同时间和频率尺度上的信号信息。其中，Daubechies小波用于捕捉信号的细节，Symlets小波是其改进版本，在某些应用中表现更佳，Coiflets小波紧凑，适用于高阶小波系列，而Biorthogonal小波具有对称和反对称基函数，适应不同信号类型。研究结果显示，相较于SSR和DSR，SCWC方法更明显地展示了振幅特征，对针叶含水率的相关性更强。此结果与先前研究一致，特别是王延仓、李铠等人使用连续小波变换进行实验，成功提高了对植物含水率预测的决定系数，最高值达到0.813，与原始光谱相关性相比有显著提升[27，28]。本研究SSR，DSR和SCWC与针叶含水率的相关系数R2中，SSR的R2max值为0.51，而DSR的R2max值为0.78，并且有8%的R2值大于0.51。关于图3中SSR呈现大范围黄色区域的现象，这是由于SSR与针叶含水率高相关的波段相对连续所导致的。

高光谱数据拥有丰富信息的同时存在大量的冗余。因此，为了降低数据的冗余程度并提升模型的计算速度，敏感波段的提取变得至关重要。在这方面，本研究采用了Fp-SPA方法筛选出敏感波段，有助于优化数据。与此同时，不同光谱特征对于光谱波段的敏感性也有所不同。由图4可见SSR模型对紫外光、绿光、红光、近红外光表现出敏感特征分布，DSR模型对红光和近红外光敏感。相比之下，SCWC模型的敏感特征主要分布在蓝光、绿光、红光和近红外光上，与前人研究中的马铃薯作物叶片含水量、冬小麦植株含水率、雅氏落叶松尺蠖和西伯利亚松毛虫危害下林木中水分的敏感波段基本一致[29-31]。这意味着SCWC模型可能在叶片含水率领域具有较高的适用性，为相关研究提供了重要参考和支持。通过使用Fp-SPA方法来筛选敏感特征波段，成功减少了数据的冗余，并有效提取了可见光和近红外的敏感特征波段。这对于研究植物内部生化组分与反射率变化的关系至关重要。例如，紫光主要被叶绿素吸收，而与水分的直接关系较弱，在识别含水率方面敏感性较弱，但其在植物生长和健康状态的评估中仍具有一定的价值。高水分植物组织对蓝光波段的吸收能力较高，而低水分组织则反射更多蓝光。同时，绿光波段是针叶最常见的反射波段，随叶绿素含量增加反射率下降。红光主要被叶绿素吸收，一些研究表明，较低含水率的反射率可能较强。近红外波段透过表皮被内部水分吸收，与含水率呈负相关，因为叶子中的水分吸收并产生热能，导致反射率下降。通过不同波段的敏感性分析，能够更清晰地理解高光谱数据的特性，从而提高分析的准确性和效率以优化模型。

本研究采用了LOOCV评估模型。LOOCV是一种常用的评估模型性能的方法，它能最大化数据的利用。通过逐个样本地将其作为验证集，而将剩余样本作为训练集。确保了每个样本都有机会参与验证，从而保证了评估的全面性和客观性。每次迭代中都能使用尽可能多的数据来拟合模型，能够更准确和稳健地评估模型性能。对于样本数量较少的数据集，LOOCV能够一定程度上减少因数据量不足而导致的过拟合问题，提高模型的泛化能力。此外，本研究还存在一些不足之处。首先，仅比较了SSR、DSR、SCWC三种光谱变换对于针叶含水率估测敏感性，其他光谱变换尚未深入研究。其次，所采用的数据仅来自牙克石市乌尔其汉镇的天然林样地，对其他地区和树种的适用性尚需进一步验证。最后，由于样本数量较少，容易出现分割后的欠拟合问题。为了提高估算准确度和实用性，未来实验应增加样本数量，并考虑结合卫星遥感影像，实现对大范围虫害早期胁迫的监测评估。

4 结 论

1）在估算针叶含水率方面，SCWC最敏感且大多集中在2²、2³、2⁴这三个尺度上，其次为DSR，最差为SSR。

2）FP-SPA方法能准确捕捉可见光和近红外的最终敏感波段，避免高光谱数据处理中出现的冗余信息和计算量大的问题。

3）PLSR-SCWC-coif4模型精度最高（R2= 0.890 4，RMSE=0.037 5），比DSR和SSR的R2分别提高0.096 3和0.115 3，RMSE分别降低0.007 5和0.017 8；其次是SVMR-SCWC-bior4.4模型（R2= 0.876 4，RMSE=0.033 0）精度提高最为显著，比DSR和SSR的R2分别提高0.155 4和0.130 8且RMSE降低0.026 3和0.027 3。

综上，SCWC在针叶含水率估算时能够提供更多的频率和时域信息，对森林虫害早期监测具有参考价值。

参考文献：

[1] 王千雪，王烁，韩大校，等.大兴安岭落叶松毛虫不同危害程度虫害木结构特征[J].西北林学院学报，2024，39（1）：95-99. WANG Q X， WANG S， HAN D X， et al. Structure characteristics of Dendrolimus superans damaged trees with different damage degrees in Daxing’an Mountain[J]. Journal of Northwest Forestry University，2024，39（1）：95-99.

[2] NAKAMURA T， ISHIDA A， KAWAI K， et al. Tree hazards compounded by successive climate extremes after masting in a small endemic tree， Distylium lepidotum， on subtropical islands in Japan[J]. Global Change Biology，2021，27（20）：5094-5108.

[3] 张景路，朱雅丽，张绘芳，等.基于Landsat8遥感影像的阿尔泰山天然林生物量估测[J].中南林业科技大学学报，2022， 42（6）：33-44. ZHANG J L， ZHU Y L， ZHANG H F， et al. Biomass estimation of natural forests in the Altay Mountains based on Landsat 8 remote sensing images[J]. Journal of Central South University of Forestry Technology，2022，42（6）：33-44.

[4] MENG J H， YOU X Y， ZHANG X B， et al. Remote sensing application in Chinese medicinal plant identification and acreage Estimation-A review[J]. Remote Sensing，2023，15（23）：5580.

[5] XU Z H， LI B， YU H， et al. Changing relationships between water content and spectral features in moso bamboo leaves under pantana phyllostachysae Chao Stress[J]. Forests，2023，14（4）：702.

[6] LI Y R， XIA H F， LIU Y， et al. Detection of moisture content of pinus massoniana lamb. seedling leaf based on NIR spectroscopy with a multi-Learner model[J]. Forests，2023，14（5）：883.

[7] 张晓东，毛罕平，左志宇，等.基于多光谱视觉技术的油菜水分胁迫诊断[J].农业工程学报，2011，27（3）：152-157. ZHANG X D， MAO H P， ZUO Z Y， et al. Nondestructive testing method for rape water stress based on multi-spectral vision[J]. Transactions of the Chinese Society of Agricultural Engineering， 2011，27（3）：152-157.

[8] ZHANG M， GUO J M， MA C Y， et al. An effective prediction approach for moisture content of tea leaves based on discrete wavelet transforms and bootstrap soft shrinkage algorithm[J]. Applied Sciences，2020，10（14）： 4839.

[9] 卢万鸿，杨桂丽，林彦，等.桉树叶片水分状态的近红外光谱检测[J].林业科学，2017，53（5）：16-22. LU W H， YANG G L， LIN Y， et al. Assessing leaf water status of Eucalyptus using NIRS[J]. Scientia Silvae Sinicae，2017，53（5）： 16-22.

[10] 王长青，邢艳秋，汪献义，等.结合Sentinel-1B和Landsat8数据的针叶林叶片含水量反演研究[J].森林工程，2018，34（4）： 27-35. WANG C Q， XING Y Q， WANG X Y， et al. Conifer leaf water content retrieval based on Sentinel-1B and Landsat8 data[J]. Forest Engineering，2018，34（4）： 27-35.

[11] 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 water content based on hyperspectral remote sensing[J]. Remote Sensing Information，2018，33（5）： 1-8.

[12] 刘璐，邵慧，孙龙，等.利用高光谱激光雷达检测木材的霉变与含水量[J].激光技术，2023，47（5）：620-626. LIU L， SHAO H， SUN L， et al. Detection of mildew and moisture content in timber by hyperspectral LiDAR[J]. Laser Technology，2023，47（5）： 620-626.

[13] CHENG T， RIVARD B. Spectroscopic determination of leaf water content using continuous wavelet analysis[J]. Remote Sensing of Environment，2011，115（2）：659-670.

[14] YANG F F， LIU T， WANG Q Y， et al. Rapid determination of leaf water content for monitoring waterlogging in winter wheat based on hyperspectral parameters[J]. Journal of Integrative Agriculture， 2021，20（10）： 2613-2626.

[15] 王涛，白铁成，朱彩蝶，等.基于近红外光谱多种预处理的胡杨叶片含水量预测对比[J].西北林学院学报，2020，35（5）： 173-179. WANG T， BAI T C， ZHU C D， et al. Prediction and comparison of leaf water content of Populus euphratica based on multiple pretreatment of near infrared spectrum[J]. Journal of Northwest Forestry University，2020，35（5）： 173-179.

[16] ZHU X， ANDREW K， SKIDMORE， et al. Estimation of forest leaf water content through inversion of a radiative transfer model from LiDAR and hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation，2019，74： 120-129.

[17] 彭要奇，肖颖欣，傅泽田，等.多光谱图像的玉米叶片含水量检测[J].光谱学与光谱分析，2020，40（4）：1257-1262. PENG Y Q， XIAO Y X， FU Z T， et al. Water content detection of maize leaves based on multispectral images[J]. Spectroscopy and Spectral Analysis，2020，40（4）： 1257-1262.

[18] 谭丞轩，张智韬，许崇豪，等.无人机多光谱遥感反演各生育期玉米根域土壤含水率[J].农业工程学报，2020，36（10）：63-74. TAN C X， ZHANG Z T， XU C H， et al. Soil water content inversion model in field maize root zone based on UAV multispectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering，2020，36（10）： 63-74.

[19] 赵文举，段威成，王银凤，等.基于敏感变量筛选的多光谱植被含水率反演模型研究[J].农业机械学报，2023，54（9）： 343-351. ZHAO W J， DUAN W C， WANG Y F， et al. Multispectral vegetation water content inversion model based on sensitive variable filtering[J]. Transactions of the Chinese Society for Agricultural Machinery，2023，54（9）： 343-351.

[20] 李长春，施锦锦，马春艳，等.基于小波变换和分数阶微分的冬小麦叶绿素含量估算[J].农业机械学报，2021，52（8）： 172-182. LI C C， SHI J J， MA C Y， et al. Estimation of chlorophyll content in winter wheat based on wavelet transform and fractional differential[J]. Transactions of the Chinese Society for Agricultural Machinery，2021，52（8）：172-182.

[21] KOVAR M， BRESTIC M， SYTAR O， et al. Evaluation of hyperspectral reflectance parameters to assess the leaf water content in soybean[J]. Water，2019，11（3）：443.

[22] 西桂林，黄晓君，包玉海，等.雅氏落叶松尺蠖不同危害程度下林木冠层颜色高光谱判别[J].光谱学与光谱分析，2020， 40（9）：2925-2931. XI G L， HUANG X J， BAO Y H， et al. Hyperspectral discrimination of different canopy color in Erannis Jacobsoni Djak-infested larch[J]. Spectroscopy and Spectral Analysis， 2020，40（9）：2925-2931.

[23] XI G L， HUANG X J， XIE Y W， et al. Detection of larch forest stress from Jas’s Larch Inchworm （Erannis jacobsoni Djak） attack using hyperspectral remote sensing[J]. Remote Sensing， 2022，14（1）： 124.

[24] 黄晓君，颉耀文，包玉海.落叶松受雅氏落叶松尺蠖危害程度光谱检测[J].光谱学与光谱分析，2018，38（3）：905-911. HUANG X J，JIE Y W，BAO Y H. Spectral detection of damage level of larch affected by Jas’s larch inchworm[J]. Spectroscopy and Spectral Analysis，2018，38（3）：905-911.

[25] CHENG T， RIVARD B， SANCHEZ-AZOFEIFA G A， et al. Continuous wavelet analysis for the detection of green attack damage due to mountain pine beetle infestation[J]. Remote Sensing of Environment，2010，114（4）： 899-910.

[26] RODRIGUEZ F， LIZARRALDE I， BRAVO F. Comparison of stem taper equations for eight major tree species in the Spanish plateau[J].Forest Systems，2015，24（3）：e034.

[27] 王延仓，张萧誉，金永涛，等.基于连续小波变换定量反演冬小麦叶片含水量研究[J].麦类作物学报，2020，40（4）：503-509. WANG Y C， ZHANG X Y， JIN Y T， et al. Quantitative retrieval of water content in winter wheat leaves based on continuous wavelet transform[J]. Journal of Triticeae Crops，2020，40（4）：503-509.

[28] 李铠，常庆瑞，陈倩，等.基于连续小波变换耦合CARS算法的冬小麦冠层叶片含水量估算[J].麦类作物学报，2023，43（2）： 251-258. LI K， CHANG Q R， CHEN Q， et al. Estimation of water content in canopy leaf of winter wheat based on continuous wavelet transform coupled CARS algorithm[J]. Journal of Triticeae Crops， 2023，43（2）： 251-258.

[29] 黄晓君.落叶松针叶虫害地面高光谱识别及遥感监测方法研究[D].兰州：兰州大学，2019. HUANG X J. Remote sensing identification and monitoring of larch needle pests based on ground hyperspectral data[D]. Lanzhou：Lanzhou University，2019.

[30] 李辰，王延仓，李旭青，等.基于小波技术的冬小麦植株组分含水率估测模型[J].农业机械学报，2021，52（3）：193-201. LI C， WANG Y C， LI X Q， et al. Quantitative inversion of water content of plant components in winter wheat based on wavelet technology[J]. Transactions of the Chinese Society for Agricultural Machinery，2021，52（3）： 193-201.

[31] SUN H， LIU N， WU L， et al. Water content detection of potato leaves based on hyperspectral image[J]. IFAC PapersOnLine， 2018，51（17）：443-448.

[本文编校：罗 列]