Spectral Measurements-based Estimation for Chlorophyll in Guanxi Honey Pomelo Leaves
-
摘要:目的 利用光谱特征参数建立蜜柚叶片叶绿素含量估算模型，为实现快速、无损、精确的叶绿素含量估算提供理论依据和技术支持。方法 通过提取原始光谱及一阶微分光谱特征波段和光谱特征变量，分析蜜柚叶片高光谱特征参数与叶绿素相对含量（SPAD）值之间的相关关系，构建单变量估算模型和多元回归模型，并确定蜜柚叶绿素含量的最佳估算模型。结果 在350～1050 nm的波段，不同SPAD 值的蜜柚叶片反射光谱存在明显差异，光谱反射率均随叶片叶绿素含量升高而降低。原始光谱和一阶微分光谱与叶绿素含量在可见光范围内有多波段相关性显著。原始光谱曲线敏感波长为576 nm和701 nm， 一阶微分曲线的敏感波长为691 nm和748 nm。在利用光谱特征参数建立的回归模型中，根据拟合验证精度筛选出多个拟合模型，其中多元回归模型YSPAD=54.67−15.75 NDVI′691,748−10.60 GRVI550,770+6565.6 R′691−6784.58 DVI′691,748，其拟合决定系数R2为0.894，验证决定系数R2为0.8356，RMSE为7.07，可确定为蜜柚叶片叶绿素含量的最佳预测模型；而一阶微分归一化植被指数NDVI′691,748和差值植被指数DVI′691,748为单变量的回归模型的拟合决定系数R2分别为0.824和0.798，验证决定系数R2分别为0.797和0.7918，RMSE分别为13.21和12.56。结论 综合建模精度和模型验证精度，基于高光谱指数NDVI′691,748、GRVI550,770、R′691和DVI′691,748的多元回归模型可确定为蜜柚叶片叶绿素含量的最佳估算模型。Abstract:Objective A hyperspectral estimation model for the chlorophyll content in the leaves of honey pomelo was developed using spectral measurements on the characteristic parameters for the establishment of a rapid, noninvasive, accurate determination method.Method Characteristic bands of spectrum of the leaves were obtained. The first-order differential spectrum and spectral characteristic variables were used to analyze the correlation between the hyperspectral bands and the relative chlorophyll content (SPAD) of pomelo leaves. Univariate estimation and multiple regression models were constructed and compared to arrive at the best prediction model.Result At the wavelengths between 350 nm and 1 050 nm, the reflectance spectra on the pomelo leaves of varied SPADs decreased significantly with increasing chlorophyll content. SPAD significantly correlated with either the original or the first-order differential spectrum at several wavelengths in the visible light range. The sensitive wavelengths for the original spectral curve were 576 nm and 701 nm, and 691 nm and 748 nm for the first order differential spectrum. Based on the precision of fitting, the one that based on the hyperspectral
YSPAD=54.67−15.75 NDVI′691,748−10.60 GRVI550,770+6 565.6 R′691−6 784.58 DVI′691,748 of 3 multiple regression models displayed the R2 of 0.894, the verification R2 of 0.835 6, and the RMSE of 7.07 and was selected. The univariate regression models applied the first-order differential normalized vegetation index NDVI′691,748 and the differential vegetation index DVI′691,748 had R2 of 0.824 and 0.798, respectively, the validation R2 of 0.797 and 0.7918, respectively, and RMSEs of 13.21 and 12.56, respectively. Conclusion The multiple regression model based on hyperspectral indices NDVI′691,748, GRVI550,770, R′691 and DVI′691,748 could be adequately applied for estimating chlorophyll content of honey pomelo leaves.-
Keywords:
- Hyperspectral /
- honey pomelo /
- chlorophyll /
- spectral parameters
-
0. 引言
【研究意义】琯溪蜜柚原产于福建省漳州市平和县，距今已有500 多年的栽培历史，截至 2016 年，其栽培面积达4.33万hm2，年产量120万t [1]。叶绿素是植物体重要的生理生化参数之一，其含量多少可反映出植物光合能力、氮素吸收利用和营养生长状况等，快速精确地估测植物体叶绿素含量，对植物长势监测等具重要作用[2-7]。高光谱技术具有波段多、光谱分辨率高且连续的特点，能直接对地物进行微弱光谱差异的定量分析[8]。【前人研究进展】近年来，随着高光谱技术的发展，国内外研究学者对植被叶绿素的光谱估算开展了广泛研究 [8-10]，主要集中在以下几个方面[11-12]：1）在不同施肥或灌溉等条件下作物的光谱特性，如张新乐等[13]和楚万林等[11]分别研究了不同施氮水平下水稻和棉花叶片叶绿素相对含量SPAD值（soil and plant analyzer development）的光谱估算模型；2）利用原始光谱反射率或者一阶微分光谱反射率得出作物叶绿素敏感波段，以此作为自变量建立回归估测方程 [8,14]。如Guo等[14]发现烟草叶片叶绿素含量与732 nm处的原始光谱反射率呈线性关系，与837 nm处的一阶微分光谱呈指数关系；梁爽等[8]发现苹果叶面叶绿素指数及一阶微分521 nm 和 523 nm 组合的估测模型拟合精度最高；3）利用三边面积、位置、谷峰、不同类型植被指数等光谱数据作为估测叶绿素含量的变量，通过相关分析建立估测模型[15-16]，如孙玉婷等[15]通过分析光谱植被指数、位置参数与SPAD值的相关性，构建了水稻叶片SPAD值估测模型。Cui等[16]证明红边叶绿素吸收指数/三角植被指数预测冬小麦叶绿素含量准确率最高。不同植被用以构建叶绿素含量估算模型的光谱参数有较大区别，而在构建叶绿素含量检测模型所采用的方法也并不相同[2,4,17-18]。【本研究切入点】以上研究表明，基于高光谱的作物叶绿素估算模型过程较复杂，对于不同作物、不同地域、不同栽培方式，其叶绿素含量的估算具有独特性，且结果受到光谱处理方法、回归方法及所选指标相关程度的影响，难以构建一套通用的方法，同时目前对蜜柚叶绿素含量和光谱特征参量的定量关系研究还少见报道。【拟解决的关键问题】本研究利用蜜柚叶绿素含量与高光谱特征参量之间的关系，在进行相关分析的基础上，建立蜜柚叶片叶绿素含量及光谱特征参量间的定量关系模型，以期为应用高光谱遥感技术进行蜜柚营养监测提供理论依据和技术支持。
1. 材料与方法
1.1 样品采集
供试蜜柚叶片采集时间为2020年11月，采集点位于福建省平和县霞寨镇黄庄村试验基地（N 24°21′32.18′′，E 117°08′19.12′′）。采集每棵树体东西南北和上下层共10片叶作为一个样本，选取位于顶梢起向下数的第3和第4片大小均匀的健康叶片，测试前洗净擦干。 采集蜜柚叶片样品时，有代表性的选取120组叶片样本，随机将120个总样分为建模组(含90样本）和预测组(含30个样本）。
1.2 高光谱数据采集
蜜柚叶片光谱反射率的测定采用便携式野外地物光谱仪Field Spec 3[美国 Analytical Spectral Device（ASD）生产]，该光谱仪波段为350～2500 nm，其中，350～1000 nm 光谱采样间隔为1.4 nm，光谱分辨率为3 nm，1000～2500 nm光谱采样间隔为2 nm，光谱分辨率为10 nm。
测量时仪器探头垂直向下，距离采集样本的垂直距离为10～15 cm，采集数据前需经过白板校正和优化操作，光谱仪视场角选用 10°。光谱采样测试过程中，样品被展平置于采样波段接近全吸收的工作台上，以避免杂光干扰，并确保样品充满仪器的视场角，测量时注意避开叶脉。对每个叶片样品同时采集10 条光谱曲线，将测得的叶片反射率光谱异常值剔除后，取其平均值作为该样本的反射率光谱值[6,8,18-19]。
1.3 叶绿素的测定
SPAD值是衡量植物叶绿素的相对含量及绿色程度的重要参数。相关研究表明，叶绿素含量与SPAD值呈显著性正相关[6,8,20-21]，可利用SPAD值来作为衡量叶绿素总量的指数，既能保证试验的精度，又不会对蜜柚树叶片结构造成破坏。采集光谱数据后，在采集蜜柚叶片光谱的同一位置使用SPAD-502叶绿素仪测定其叶绿素SPAD值，测量10次求平均值作为该样品的SPAD值。
1.4 数据分析
将平滑变换处理后的高光谱数据和各种参数与蜜柚叶片叶绿素含量进行相关分析，找出精度较高的波段组合及模型方程。通过模型拟合检验，最终筛选出精度最高的估测模型[8,22]。
对原始光谱反射率数据按照下面公式进行一阶微分处理，得到新的高光谱数据即一阶微分光谱。进行相关分析，可以筛选出一阶微分处理后，对蜜柚叶片叶绿素含量敏感的特定波段或波长。式中，R′是Ri的一阶微分，Ri为i nm处的光谱反射率，λi是第i个通道的波长。
R′=Ri+1−Ri−1(λi+1−λi)+(λi−λi−1)=Ri+1−Ri−12Δλ 为检验实测值与估测值之间的拟合效果，计算拟合方程的决定系数R2、均方根误差（RMSE）和相对误差（RE，%），作为主要依据来评价模型的验证结果。均方根误差和相对误差的计算公式如下：
RMSE=√n∑i=1(ˆyi−yi)2n; RE=1nn∑i=1|ˆyi−yi|yi×100%。 式中，
ˆyi和yi 分别代表估测值和实测值，n为样本数量。2. 结果与分析
2.1 蜜柚叶片叶绿素相对含量特征
将蜜柚90个建模样本叶片按照SPAD值从低到高进行排序，并分为低中高3组：SPAD1、SPAD2、SPAD3，每组30个样本。计算各组蜜柚叶片的相对叶绿素平均含量SPAD值（表1），SPAD1组的平均值为35.57，SPAD2组的平均值为68.61，SPAD3组的平均值为81.14，蜜柚叶片SPAD值总平均值为61.77，最小值为26.46， 最大值为85.21，表明叶绿素含量相对于其均值离散程度较高，可为开展叶绿素含量光谱诊断提供良好素材。另外有30个验证组见表1。
表 1 蜜柚叶片样本的SPAD值Table 1. SPADs of pomelo leaf samples组别
Group样本数
Sample number最小值
Minimum value最大值
Maximum value平均值
Average value标准偏差
Standard deviationSPAD1 30 26.46 43.43 35.57 4.63 SPAD2 30 46.25 78.46 68.61 4.95 SPAD3 30 78.80 85.21 81.14 4.35 验证组
Validation group30 26.12 77.21 53.61 16.56 2.2 不同叶绿素含量的蜜柚叶片光谱特征
鉴于叶绿素主要在可见光波段范围内影响植物光谱反射率，所以选择 350～1050 nm作为研究的波段范围[6-8]。图1 是测得的3组不同叶绿素含量的蜜柚叶片的反射光谱曲线。由图1可以看出，不同叶绿素含量的蜜柚叶片反射光谱曲线的变化趋势是一致的。
![]()
图 1 不同叶绿素含量的蜜柚叶片高光谱曲线Figure 1. Hyperspectral curves of pomelo leaves with varied chlorophyll contents在可见光波段400～760 nm，蜜柚叶片光谱曲线主要受叶绿素等色素的强吸收影响，光谱反射率普遍较低，反射率一般不超过0.2，其中在蓝光和红光区域，由于叶片需要吸收红蓝光进行光合作用，因此形成向下凹陷的蓝光吸收谷和红光吸收谷，且随叶片叶绿素含量升高，叶片反射率降低；而在中心波长为550 nm的绿光波段，由于对绿光主要进行反射，从而形成一个向上凸起的反射峰。另外，在波段670～760 nm，由于植被叶片内部结构的相互影响，光谱反射率随着波长的增加呈现急剧上升的形势，这是植被光谱曲线最为明显的特征“红边”现象，反射率可达到0.4以上。由于进入叶片细胞内部的光线产生多次物理折射和反射作用，在近红外波段780 nm之后，光谱反射率明显较可见光波段反射率高，形成一个高反射率的平台，又因氧气或水的窄吸收，且在960 nm附近产生1个小吸收谷，使得该波段范围的光谱曲线呈现“波浪”的形态。而之后波长叶片水分会掩盖其他生化组分在该区域的吸收特征，不利于研究叶片中其他元素及其浓度对光谱曲线的影响，因此去除了这一部分的光谱曲线[23]。本研究发现在350～1050 nm波段，不同 SPAD 值的叶片反射光谱存在明显差异，光谱反射率均随叶片叶绿素含量升高而降低。
2.3 蜜柚叶片叶绿素含量与光谱反射率的相关性
对蜜柚叶片叶绿素含量与其原始和一阶导数光谱进行相关分析，相关系数曲线如图2、3 所示。由图2可知，蜜柚叶片叶绿素含量与原始光谱反射率均呈负相关，即蜜柚叶片在测量的350～1050 nm波段的光谱反射率随着SPAD 值的升高而降低，叶绿素含量越高，吸收越强。且在波段496～731 nm 达到了显著负相关水平（P＜0.05），其中，在波段513～652 nm 和689～721 nm 达到了极显著负相关水平（P＜0.01），最大负相关系数分别为（−0.799，576 nm）和（−0.829，701 nm）。因此576 nm和701 nm这2个波长可以作为原始光谱中估测蜜柚叶片叶绿素含量的敏感波长。
![]()
图 2 蜜柚叶片叶绿素含量与原始光谱反射率的相关性Figure 2. Correlation between chlorophyll content and original reflectance spectrum of pomelo leaves![]()
图 3 蜜柚叶片叶绿素含量与一阶光谱反射率的相关性Figure 3. Correlation between chlorophyll content and first-order reflectance spectrum of pomelo leaves蜜柚叶片叶绿素与一阶光谱反射率的相关性如图3所示。通过分析可见，在波段397～425 nm、437～462 nm、470～475 nm、481～555 nm、679～705 nm达到了显著负相关水平（P＜0.05），其中在波段440～456 nm、484～554 nm、680～702 nm达到了极显著负相关水平（P＜0.01），其中最大负相关系数为（−0.90，691 nm）。在波段569～627 nm、632～675 nm、719～752 nm达到了显著正相关水平（P＜0.05），其中在波段595～627 nm、633～672 nm、723～758 nm达到了极显著正相关水平（P＜0.01），其中最大正相关系数分别为（0.94，748 nm）。因此691 nm、748 nm这2个波长可以作为一阶光谱中估测蜜柚叶片叶绿素含量的敏感波长。而在800 nm之后其相关性变化无明显正负规律。
2.4 蜜柚叶片叶绿素光谱特征参数、敏感波段植被指数与叶绿素含量相关关系
常见的高光谱特征参数包括基于高光谱位置变量、基于高光谱面积变量、基于高光谱植被指数变量3种类型[7,13,15]，文中采用的光谱特征参数见表2。
表 2 选取的高光谱特征参数及说明Table 2. Selected hyperspectral characteristic parameters and descriptions光谱特征参数类型
Type of spectral
characteristic parameter光谱特征参数名称
Name of spectral
characteristic parameter光谱特征参数说明
Description of spectral
characteristic parameter光谱位置变量
Spectral position variableDb（蓝边幅值Blue edge amplitude） 490～530 nm内一阶微分的最大值
Maximum value of first-order differential in 490-530 nmDy（黄边幅值Yellow edge amplitude） 560～640 nm内一阶微分的最大值
Maximum value of first-order differential in 560-640 nmDr（红边幅值Red edge amplitude） 680～760 nm内一阶微分的最大值
Maximum value of first-order differential in 680-760 nmλb（蓝边位置Blue edge position） Db对应的波长位置Wavelength position corresponding to Db λy（黄边位置Yellow edge position） Dy对应的波长位置
Wavelength position corresponding to Dyλr（红边位置Red edge position） Dr对应的波长位置
Wavelength position corresponding to DrRg（绿峰幅值Green peak amplitude） 510～560 nm内光谱反射率的最大值
Maximum spectral reflectance in 510-560 nmRr（红谷幅值Red valley amplitude） 640～680 nm内光谱反射率的最小值
Minimum spectral reflectance in 640-680 nm光谱面积变量
Spectral area variableSDb（蓝边面积Blue edge area） 490～530 nm内一阶微分光谱值的总和
Sum of first-order differential spectral values in 490-530 nmSDy（黄边面积Yellow edge area） 560～640 nm内一阶微分光谱值的总和
Sum of first-order differential spectral values in 560-640 nmSDr（红边面积Red edge area） 680～760 nm内一阶微分光谱值的总和
Sum of first-order differential spectral values in 680-760 nmVI1=Rg/Rr 绿峰Rg与红谷Rr幅值的比值
Ratio of green peak amplitude Rg to red valley amplitude RrVI2=（Rg−Rr）/（Rg+Rr） 绿峰Rg与红谷Rr幅值的归一化值
Normalized value of green peak amplitude Rg to red valley amplitude RrVI3=SDr/SDb 红边与蓝边面积比值 Ratio of red edge area to blue edge area VI4=（SDr−SDb）/（SDr+SDb） 红边与蓝边面积的归一化值
Normalized value of red edge area and blue edge area植被指数变量
Vegetation index variableDVI（差值植被指数Difference vegetation index） DVI(λ1, λ2)= Rλ1− Rλ2 RVI（比值植被指数Ratio vegetation index） RVI(λ1, λ2)= Rλ1/Rλ2 NDVI（归一化植被指数
Normalized difference vegetation index）NDVI(λ1, λ2)=( Rλ1− Rλ2)/（Rλ1+ Rλ2） GRVI（绿波段比值植被指数
Green band ratio vegetation index）GRVI(550, 770)= R550/ R770 GNDVI（绿波段归一化植被指数
Green band normalized difference vegetation index）GNDVI(550, 770) =( R550−R770)/（R550+ R770） 选取原始光谱2个敏感波长（576 nm和 701 nm）、一阶微分光谱2个敏感波长（691 nm和748 nm），构建了原始光谱和一阶微分光谱反射率的比值、 差值与归一化比值植被指数，分析了光谱特征参数与蜜柚叶片叶绿素含量的相关关系（表3）。
表 3 光谱特征参数及敏感波段植被指数与蜜柚叶绿素含量相关关系Table 3. Correlation between spectral characteristic parameters, sensitive band vegetation indices and chlorophyll contents of pomelo leaves光谱特征参数名称
Name of spectral characteristic parameter相关系数r
Correlation coefficient光谱特征参数名称
Name of spectral characteristic parameter相关系数r
Correlation coefficientDb −0.703** VI4 0.744** Dy 0.255 R576 −0.799** Dr −0.532** R701 −0.829** λb 0.498** R′691 −0.900** λy −0.134 R′748 0. 940** λr 0.707** DVI576,701 0.718** Rg −0.734** RVI576,701 0.620** Rr −0.525** NDVI576,701 −0.560** SDb −0.716** DVI′691,748 0.880** SDy −0.541** RVI′691,748 0.708** SDr 0.546** NDVI′691,748 0.940** VI1 −0.714** GRVI550,770 0.910** VI2 −0.738** GNDVI550,770 0.850** VI3 0.745** 由表3可知，所选三边参数中只有黄边参数Dy（黄边幅值）和λy（黄边位置）没有达到极显著相关关系，红边参数与蓝边参数均达到极显著相关关系，其中Db（蓝边幅值）、λr（红边位置）、Rg（绿峰幅值）、SDb（蓝边面积）、绿峰与红谷幅值Rg/Rr、（Rg−Rr）/（Rg+Rr）（归一化绿峰与红谷幅值）、SDr/SDb（红边与蓝边面积比值）和（SDr−SDb）/（SDr+SDb）（归一化红边与蓝边面积比值）的相关系数超过0.7，具有较好估算蜜柚叶绿素含量的能力。
分析发现植被指数均达到极显著水平。将与蜜柚叶绿素含量相关系数r较大的（r＞0.85）光谱特征参数（NDVI′691,748、GRVI550,770、R′691、DVI′691,748、R′748和GNDVI550,770）以自变量构建了线性、对数、指数、幂、二次多项式等蜜柚叶片叶绿素含量的估测模型（表4）。最佳估测模型均为二次多项式估测模型，其估测模型的决定系数R²分别为0.824、0.816、0.802、0.798、0.797和0.796。
表 4 蜜柚叶片叶绿素含量的单变量估测模型Table 4. Univariate estimation models for chlorophyll content of pomelo leaves光谱特征参数名称
Name of spectral characteristic parameter估测模型
Estimation modelR2 RMSE RE% NDVI′691,748
GRVI550,770
R′691
DVI′691,748
R′748
GNDVI550,770Y=71.26−23.82 x−16.46 x2
Y=109.38−292.40x+259.51x2
Y=80.11+82367.6x+3415x2
Y=68.58−5369.37x+195635.43x2
Y=20.99+28303.8x−3056x2
Y=158.79−460.33x+449.68x20.824
0.816
0.802
0.798
0.797
0.79612.40
13.58
13.98
15.45
15.59
15.9817.01
18.54
18.98
20.14
20.45
21.41为了克服单变量回归模型只考虑一个变量对于叶绿素含量的影响，选择了光谱参量中相关性好的变量（NDVI′691,748、GRVI550,770、R′691、DVI′691,748）进行多元回归分析，得出叶绿素含量Y的回归方程为YSPAD=54.67−15.75 NDVI′691,748−10.60 GRVI550,770+6565.6 R′691−6784.58 DVI′691,748，其估测决定系数为R2=0. 894。
2.5 蜜柚叶绿素含量估测模型的精度检验与模型优选
为了进一步验证模型的准确性和稳定性，用30个检验数据的 SPAD 值及其对应的光谱反射率，将估测模型进行实测值与预测值的验证拟合，筛选出检验精度高的模型， 结果如表5和图4所示。以NDVI′691,748、GRVI550,770、R′691、DVI′691,748为变量组成的多元回归的SPAD拟合值与真实值拟合程度最好，验证决定系数R2=0.8356，均方根误差RMSE=7.07，相对误差RE=10.70%；其次是一阶微分归一化植被指数NDVI′691,748为变量组成的拟合，验证R2=0.797，RMSE=12.86；然后为一阶微分差值植被指数DVI′691,748为变量组成的拟合，验证R2=0.7918，RMSE=12.56。以上拟合模型除GNDVI550,770验证R2较小（0.6044）外，其他均精度较高，验证R2均大于0.72。说明利用多元植被指数（NDVI′691,748、GRVI550,770、R′691、DVI′691,748）、DVI′691,748和NDVI′691,748可以较好拟合蜜柚叶片叶绿素SPAD值（图4）。
表 5 蜜柚叶片叶绿素含量估测模型的拟合精度比较Table 5. Fitting accuracy of estimation models for chlorophyll content of pomelo leaves光谱特征参数名称
Name of spectral characteristic parameter实测值与估测值拟合方程
Fitting equation between measured value and estimated valueR2 RMSE RE% NDVI′691,748
GRVI550,770
R′691
DVI′691,748
R′748
GNDVI550,770
多元回归 Multiple regressionY=1.25x−5.6191
Y=1.1633x−0.945
Y=1.1982x−2.8258
Y=1.2451x−5.3558
Y=1.9522x−35.447
Y=0.7895x+14.453
Y=1.2732x−7.20390.797
0.7293
0.7535
0.7918
0.7520
0.6044
0.835613.21
12.86
11.08
12.56
25.03
9.92
7.0717.45
17.77
15.59
18.54
36.03
15.99
10.70根据验证系数筛选出R2＞0.79的3个拟合模型：多元回归模型YSPAD=54.67-15.75 NDVI′691,748-10.60 GRVI550,770+6565.6 R′691-6784.58 DVI′691,748，其拟合决定系数为R2为0. 894，验证R2=0.8356，RMSE=7.07，可确定为蜜柚叶片叶绿素含量的最佳预测模型；其次为一阶微分归一化植被指数NDVI′691,748为单变量回归模型YSPAD=71.26−23.82 NDVI′691,748−16.46 NDVI′691,7482，拟合R2=0.824，验证R2=0.797，RMSE=13.21；再次是一阶微分差值植被指数DVI′691,748，单变量回归模型YSPAD=68.58−5369.37DVI′691,748+195635.43DVI′691,7482，拟合R2=0.798，验证R2=0.7918，RMSE=12.56。
3. 讨论
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[17]，本研究表明蜜柚叶片光谱在可见光处吸光强烈，反射率整体较低且波动剧烈，与叶绿素呈显著负相关关系，且叶绿素含量低的叶片在绿波段有强的反射峰，叶绿素含量高的叶片在红谷处有强吸收特性；而在近红外区域反射率较高且平稳，主要是由于叶肉内的海绵组织结构内有很大反射表面的空腔，且细胞内的叶绿素呈水溶胶状态，具有强烈的红外反射[24]。同时由于此区域受细胞结构、叶片含水率及近红外光谱波段间存在严重自相关性等，存在较严重的相互干扰[25]，导致与叶绿素相关性程度较低，这与于雷等[25]、胥喆等[26]、余蛟洋等[27]和Zhao等[28]研究结果一致，而也有研究发现在近红外区域水稻冠层叶片[17]、糜子冠层[29]的叶绿素含量与原始光谱反射率呈正相关，这可能是仪器和作物品种等的影响导致。
光谱数据变换中常采用一阶微分变换，并且研究表明微分光谱较原始光谱与植被理化参数的相关性更好[17,30-31]。本研究通过对蜜柚叶片 SPAD值与原始光谱反射率和一阶微分光谱进行相关性分析发现，一阶微分光谱反射率和叶绿素含量间出现正负相关关系，上下波动的频率大，且相关性优于原始光谱，与胥喆等[26]和李恒凯等[6]研究一致。主要原因是由于单波段包含的信息简单且易受外界因素影响，但通过对叶片光谱数据求微分、多波段组合等方法构建光谱参数，可减少背景噪声的影响，并使波段间的差异表现更加明显，提高了信息提取率，且包含不同波段的信息[8,27,31,32]。因此，微分光谱和植被指数可以更精确地反映蜜柚叶片叶绿素含量，提高对植物理化参数的监测效果。
本研究选取了常见的高光谱吸收特征参数包括基于高光谱位置变量、基于高光谱面积变量、基于原始光谱和一阶微分敏感波长的差值植被指数、比值植被指数和归一化植被指数，对蜜柚叶片叶绿素含量与高光谱参数相关分析和模型验证结果表明，对原始光谱进行一阶变换或者建立植被指数比单一波段的相关系数要大，这与前人研究成果一致[8,33-34]。如茹克亚·萨吾提等[35]发现对光谱数据进行数学转换和微分处理可显著提高春小麦叶绿素含量的估算精度。颜丙囤等[36]也发现淹水玉米原始高光谱反射率所构建的估算模型精度不高，基于一阶导数与叶绿素含量之间的关系建立的线性模型可较好地预测叶绿素含量。王烁等[37]分析了多种植被指数与棉花叶绿素含量的相关关系，其中基于比值光谱指数RSI（Ration spectral index）的二次曲线回归模型最佳模型。本研究最佳波段的组合与前人研究[8,32,33]有一定的不同，这可能与植被类型有一定的关系，不同植被叶片的结构存在一定的差异，因而最佳波段的选取可能存在差异。
综合估算精度与预测效果，多元回归模型YSPAD=54.67−15.75 NDVI′691,748−10.60 GRVI550,770+6565.6 R′691−6784.58 DVI′691,748，一阶微分归一化植被指数NDVI′691,748 和DVI′691,748为单变量回归模型的拟合检验效果较好，而多元模型的精度与预测效果最好，其拟合R2为0.894，验证R2为0.8356，可模拟估算蜜柚叶片叶绿素含量。同样余蛟洋等[27]发现在猕猴桃全生育期叶片SPAD值多元回归模型的拟合估算R2为0.857，预测验证R2为0.850；纪童等[38]筛选出最优的草坪草叶绿素多元回归模型的估算R2为0.817，预测R2为0.9289。本研究多元回归估算模型比以前研究精度提高的原因可能是本研究的多元回归模型包含了对因变量有显著性影响的4个自变量，由于综合考虑了多个植被指数自变量，因此提高了回归模型方程预测精度和稳定性。
本研究分析了蜜柚叶片SPAD与光谱特征变量间的定量关系，但仅用同一地域、同一时期的样本数据对模型进行了验证，因此该估算模型还需要更多的实测数据的验证，同时本研究未涉及蜜柚冠层光谱与叶绿素含量间的关系，尚不能应用于大面积遥感监测。所以在后续研究中，还需要进一步探索蜜柚冠层光谱与各个生理生化参数之间的关系，在蜜柚不同生长期、不同地域等条件下进行更为广泛的验证，进而促进高光谱技术在蜜柚上的大面积应用，为蜜柚产区长势监测提供重要技术支撑。
4. 结论
本文基于多个蜜柚光谱特征参数和叶绿素实测数据，分析了蜜柚叶片叶绿素含量的原始光谱特征以及构建了单变量估算模型和多元回归模型，并确定了蜜柚叶绿素的最佳估算模型。在350～1050 nm波段，不同SPAD 值的蜜柚叶片反射光谱存在明显差异，光谱反射率均随叶片叶绿素含量升高而降低。原始光谱和一阶微分光谱与叶绿素含量在可见光范围内有多波段相关性显著。在建立的蜜柚光谱特征参数回归模型中，基于一阶微分的光谱单变量回归模型比原始光谱单变量回归模型的精度要高，其中以高光谱指数NDVI′691,748、GRVI550,770、R′691、 DVI′691,748组成的多元回归模型具有最好的拟合和估算效果，其估算精度、预测效果和稳定性均比单因素变量建立的模型好，其拟合决定系数为R2为0. 894，验证决定系数R2为0.8356，RMSE为7.07，因此可选择用植被指数为自变量的多元回归模型对蜜柚叶片的 SPAD 进行长势监测。本研究应用光谱技术，对福建省平和县蜜柚叶片叶绿素含量进行估测，为本区域蜜柚树营养的快速诊断奠定了基础，也为蜜柚精准化管理提供了信息支持。
-
![]()
图 1 不同叶绿素含量的蜜柚叶片高光谱曲线
Figure 1. Hyperspectral curves of pomelo leaves with varied chlorophyll contents
![]()
图 2 蜜柚叶片叶绿素含量与原始光谱反射率的相关性
Figure 2. Correlation between chlorophyll content and original reflectance spectrum of pomelo leaves
![]()
图 3 蜜柚叶片叶绿素含量与一阶光谱反射率的相关性
Figure 3. Correlation between chlorophyll content and first-order reflectance spectrum of pomelo leaves
表 1 蜜柚叶片样本的SPAD值
Table 1 SPADs of pomelo leaf samples
组别
Group样本数
Sample number最小值
Minimum value最大值
Maximum value平均值
Average value标准偏差
Standard deviationSPAD1 30 26.46 43.43 35.57 4.63 SPAD2 30 46.25 78.46 68.61 4.95 SPAD3 30 78.80 85.21 81.14 4.35 验证组
Validation group30 26.12 77.21 53.61 16.56 
下载: 导出CSV
表 2 选取的高光谱特征参数及说明
Table 2 Selected hyperspectral characteristic parameters and descriptions
光谱特征参数类型
Type of spectral
characteristic parameter光谱特征参数名称
Name of spectral
characteristic parameter光谱特征参数说明
Description of spectral
characteristic parameter光谱位置变量
Spectral position variableDb（蓝边幅值Blue edge amplitude） 490～530 nm内一阶微分的最大值
Maximum value of first-order differential in 490-530 nmDy（黄边幅值Yellow edge amplitude） 560～640 nm内一阶微分的最大值
Maximum value of first-order differential in 560-640 nmDr（红边幅值Red edge amplitude） 680～760 nm内一阶微分的最大值
Maximum value of first-order differential in 680-760 nmλb（蓝边位置Blue edge position） Db对应的波长位置Wavelength position corresponding to Db λy（黄边位置Yellow edge position） Dy对应的波长位置
Wavelength position corresponding to Dyλr（红边位置Red edge position） Dr对应的波长位置
Wavelength position corresponding to DrRg（绿峰幅值Green peak amplitude） 510～560 nm内光谱反射率的最大值
Maximum spectral reflectance in 510-560 nmRr（红谷幅值Red valley amplitude） 640～680 nm内光谱反射率的最小值
Minimum spectral reflectance in 640-680 nm光谱面积变量
Spectral area variableSDb（蓝边面积Blue edge area） 490～530 nm内一阶微分光谱值的总和
Sum of first-order differential spectral values in 490-530 nmSDy（黄边面积Yellow edge area） 560～640 nm内一阶微分光谱值的总和
Sum of first-order differential spectral values in 560-640 nmSDr（红边面积Red edge area） 680～760 nm内一阶微分光谱值的总和
Sum of first-order differential spectral values in 680-760 nmVI1=Rg/Rr 绿峰Rg与红谷Rr幅值的比值
Ratio of green peak amplitude Rg to red valley amplitude RrVI2=（Rg−Rr）/（Rg+Rr） 绿峰Rg与红谷Rr幅值的归一化值
Normalized value of green peak amplitude Rg to red valley amplitude RrVI3=SDr/SDb 红边与蓝边面积比值 Ratio of red edge area to blue edge area VI4=（SDr−SDb）/（SDr+SDb） 红边与蓝边面积的归一化值
Normalized value of red edge area and blue edge area植被指数变量
Vegetation index variableDVI（差值植被指数Difference vegetation index） DVI(λ1, λ2)= Rλ1− Rλ2 RVI（比值植被指数Ratio vegetation index） RVI(λ1, λ2)= Rλ1/Rλ2 NDVI（归一化植被指数
Normalized difference vegetation index）NDVI(λ1, λ2)=( Rλ1− Rλ2)/（Rλ1+ Rλ2） GRVI（绿波段比值植被指数
Green band ratio vegetation index）GRVI(550, 770)= R550/ R770 GNDVI（绿波段归一化植被指数
Green band normalized difference vegetation index）GNDVI(550, 770) =( R550−R770)/（R550+ R770）
下载: 导出CSV
表 3 光谱特征参数及敏感波段植被指数与蜜柚叶绿素含量相关关系
Table 3 Correlation between spectral characteristic parameters, sensitive band vegetation indices and chlorophyll contents of pomelo leaves
光谱特征参数名称
Name of spectral characteristic parameter相关系数r
Correlation coefficient光谱特征参数名称
Name of spectral characteristic parameter相关系数r
Correlation coefficientDb −0.703** VI4 0.744** Dy 0.255 R576 −0.799** Dr −0.532** R701 −0.829** λb 0.498** R′691 −0.900** λy −0.134 R′748 0. 940** λr 0.707** DVI576,701 0.718** Rg −0.734** RVI576,701 0.620** Rr −0.525** NDVI576,701 −0.560** SDb −0.716** DVI′691,748 0.880** SDy −0.541** RVI′691,748 0.708** SDr 0.546** NDVI′691,748 0.940** VI1 −0.714** GRVI550,770 0.910** VI2 −0.738** GNDVI550,770 0.850** VI3 0.745**
下载: 导出CSV
表 4 蜜柚叶片叶绿素含量的单变量估测模型
Table 4 Univariate estimation models for chlorophyll content of pomelo leaves
光谱特征参数名称
Name of spectral characteristic parameter估测模型
Estimation modelR2 RMSE RE% NDVI′691,748
GRVI550,770
R′691
DVI′691,748
R′748
GNDVI550,770Y=71.26−23.82 x−16.46 x2
Y=109.38−292.40x+259.51x2
Y=80.11+82367.6x+3415x2
Y=68.58−5369.37x+195635.43x2
Y=20.99+28303.8x−3056x2
Y=158.79−460.33x+449.68x20.824
0.816
0.802
0.798
0.797
0.79612.40
13.58
13.98
15.45
15.59
15.9817.01
18.54
18.98
20.14
20.45
21.41
下载: 导出CSV
表 5 蜜柚叶片叶绿素含量估测模型的拟合精度比较
Table 5 Fitting accuracy of estimation models for chlorophyll content of pomelo leaves
光谱特征参数名称
Name of spectral characteristic parameter实测值与估测值拟合方程
Fitting equation between measured value and estimated valueR2 RMSE RE% NDVI′691,748
GRVI550,770
R′691
DVI′691,748
R′748
GNDVI550,770
多元回归 Multiple regressionY=1.25x−5.6191
Y=1.1633x−0.945
Y=1.1982x−2.8258
Y=1.2451x−5.3558
Y=1.9522x−35.447
Y=0.7895x+14.453
Y=1.2732x−7.20390.797
0.7293
0.7535
0.7918
0.7520
0.6044
0.835613.21
12.86
11.08
12.56
25.03
9.92
7.0717.45
17.77
15.59
18.54
36.03
15.99
10.70
下载: 导出CSV
-
[1] 张青, 栗方亮, 孔庆波, 等. 不同减量施肥模式对蜜柚产量、品质及经济效益的影响 [J]. 果树学报, 2021, 38(3):783−792. ZHANG Q, LI F L, KONG Q B, et al. Effect of different reduced fertigation modes on the yield, quality and economic benefits of honey pomelo [J]. Journal of Fruit Science, 2021, 38(3): 783−792.(in Chinese)
[2] LIU P, SHI R, GAO W. Estimating leaf chlorophyll contents by combining multiple spectral indices with an artificial neural network [J]. Earth Science Informatics, 2018, 11(1): 147−156. DOI: 10.1007/s12145-017-0319-1
[3] AMIRRUDDIN A D, MUHARAM F M, ISMAIL M H, et al. Hyperspectral remote sensing for assessment of chlorophyll sufficiency levels in mature oil palm (Elaeis guineensis) based on frond numbers: analysis of decision tree and random forest. Computers and Electronics in Agriculture, 2020, 169: 105221.
[4] PENG Z, GUAN L, LIAO Y, et al. Estimating total leaf chlorophyll content of Gannan navel orange leaves using hyperspectral data based on partial least squares regression [J]. IEEE Access, 2019, 7: 155540−155551. DOI: 10.1109/ACCESS.2019.2949866
[5] 袁炜楠, 许童羽, 曹英丽, 等. 基于主基底分析降维方法的水稻冠层叶片叶绿素含量估算 [J]. 浙江大学学报(农业与生命科学版), 2018, 44(4):423−430. YUAN W N, XU T Y, CAO Y L, et al. Estimation of chlorophyll content in rice canopy leaves based on main base analysis and dimensionality reduction method [J]. Journal of Zhejiang University (Agric. & Life Sci. ), 2018, 44(4): 423−430.(in Chinese)
[6] 李恒凯, 王英浩. 甜柚叶绿素含量高光谱无损检测模型[J]. 华南农业大学学报, 2019, 40(2): 126–132. LI H K, WANG Y H. Hyperspectral nondestructive detection model of chlorophyll content of Citrus maxima[J]. Journal of South China Agricultural University, 2019, 40(2): 126–132. (in Chinese)
[7] 姜海玲, 李耀, 赵艺源, 等. 扬花期冬小麦冠层叶绿素含量高光谱遥感反演 [J]. 吉林师范大学学报(自然科学版), 2020, 41(3):133−140. JIANG H L, LI Y, ZHAO Y Y, et al. Study on the inversion of winter wheat canopy chlorophyll content during flowering period based on hyperspectral remote sensing [J]. Jounral of Jilin Nomal Unversity (Natural Science Edition), 2020, 41(3): 133−140.(in Chinese)
[8] 梁爽, 赵庚星, 朱西存. 苹果树叶片叶绿素含量高光谱估测模型研究 [J]. 光谱学与光谱分析, 2012, 32(5):1367−1370. DOI: 10.3964/j.issn.1000-0593(2012)05-1367-04 LIANG S, ZHAO G X, ZHU X C. Hyperspectral estimation models of chlorophyll content in apple leaves [J]. Spectroscopy and Spectral Analysis, 2012, 32(5): 1367−1370.(in Chinese) DOI: 10.3964/j.issn.1000-0593(2012)05-1367-04
[9] 王爱芳, 王妮, 高明, 等. 基于高光谱的香樟叶绿素含量估测模型研究 [J]. 黑龙江工程学院学报, 2018, 32(1):14−19. WANG A F, WANG N, GAO M, et al. Estimation models of camphor leaf chlorophyll content based on proximal hyperspectral remote sensing [J]. Journal of Heilongjiang Institute of Technology, 2018, 32(1): 14−19.(in Chinese)
[10] KHDERY G, ARAFAT S, ABOELGHAR M, et al. Selection of optimal hyperspectral vegetation indices for estimating chlorophyll content of some plant species [J]. European Chemical Bulletin, 2017, 6(11): 531−535. DOI: 10.17628/ecb.2017.6.531-535
[11] 楚万林, 齐雁冰, 常庆瑞, 等. 棉花冠层叶片叶绿素含量与高光谱参数的相关性 [J]. 西北农林科技大学学报(自然科学版), 2016, 44(9):65−73. CHU W L, QI Y B, CHANG Q R, et al. Relationship between chlorophyll content and hyperspectral parameters in canopy leaves of cotton [J]. Journal of Northwest A&F University(Nat. Sci. Ed. ), 2016, 44(9): 65−73.(in Chinese)
[12] 李宗飞, 苏继霞, 费聪, 等. 基于高光谱数据的滴灌甜菜叶绿素含量估算 [J]. 农业资源与环境学报, 2020, 37(5):761−769. LI Z F, SU J X, FEI C, et al. Estimation of chlorophyll content in sugar beet under drip irrigation based on hyperspectral data [J]. Journal of Agricultural Resources and Environment, 2020, 37(5): 761−769.(in Chinese)
[13] 张新乐, 于滋洋, 李厚萱, 等. 东北水稻叶片SPAD遥感光谱估算模型 [J]. 中国农业大学学报, 2020, 25(1):66−75. DOI: 10.11841/j.issn.1007-4333.2020.01.08 ZHANG X L, YU Z Y, LI H X, et al. Remote sensing estimation model of SPAD for rice leaves in Northeast China [J]. Journal of China Agricultural University, 2020, 25(1): 66−75.(in Chinese) DOI: 10.11841/j.issn.1007-4333.2020.01.08
[14] GUO T, TAN C, LI Q, et al. Estimating leaf chlorophyll content in tobacco based on various canopy hyperspectral parameters [J]. Journal of Ambient Intelligence and Humanizd Computing, 2019, 10(1): 3239−3247.
[15] 孙玉婷, 杨红云, 孙爱珍, 等. 水稻叶片SPAD值的高光谱估算模型 [J]. 南方农业学报, 2020, 51(5):1062−1069. DOI: 10.3969/j.issn.2095-1191.2020.05.010 SUN Y T, YANG H Y, SUN A Z, et al. Hyperspectral estimation model for SPAD value of rice leaves [J]. Journal of Southern Agriculture, 2020, 51(5): 1062−1069.(in Chinese) DOI: 10.3969/j.issn.2095-1191.2020.05.010
[16] CUI Y, ZHAO H, HUANG C, et al. A new integrated vegetation index for the estimation of winter wheat leaf chlorophyll content [J]. Remote Sensing, 2019, 11(8): 974. DOI: 10.3390/rs11080974
[17] 孙小香, 王芳东, 郭熙, 等. 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, 2018, 40(3):444−453. SUN X X, WANG F D, GUO X, et al. The estimation models of rice leaf SPAD value based on canopy spectrum [J]. Acta Agriculturae Universitatis Jiangxiensis, 2018, 40(3): 444−453.(in Chinese)
[18] VANBRABANT Y, TITS L, DELALIEUX S, et al. Multitemporal chlorophyll mapping in pome fruit orchards from remotely piloted aircraft systems [J]. Remote Sensing, 2019, 11(12): 1468. DOI: 10.3390/rs11121468
[19] 高金龙, 侯尧宸, 白彦福, 等. 基于高光谱数据的高寒草甸氮磷钾含量估测方法研究-以青海省贵南县及玛沁县高寒草甸为例 [J]. 草业学报, 2016, 25(3):9−21. DOI: 10.11686/cyxb2015268 GAO J L, HOU Y C, BAI Y F, et al. Methods for estimating nitrogen, phosphorus, and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties, Qinghai Province [J]. Acta Prataculturae Sinica, 2016, 25(3): 9−21.(in Chinese) DOI: 10.11686/cyxb2015268
[20] DIAN Y, LE Y, FANG S, et al. Influence of spectral bandwidth and position on chlorophyll content retrieval at leaf and canopy levels [J]. Journal of Indian Society of Remote Sensing, 2016, 44: 583−593. DOI: 10.1007/s12524-015-0537-2
[21] 亚森江·喀哈尔, 尼加提·卡斯木, 茹克亚·萨吾提, 等. 基于高光谱的春小麦抽穗期叶绿素含量估算方法 [J]. 江苏农业科学, 2019, 47(18):266−270. YASENJIANG K, NIJIATI K, RUKEYA S, et al. Estimation method of chlorphyll content at heading stage of spring wheat based on hyperspectral data [J]. Jiangsu Agricultural Sciences, 2019, 47(18): 266−270.(in Chinese)
[22] 陈澜, 常庆瑞, 高一帆, 等. 猕猴桃叶片叶绿素含量高光谱估算模型研究 [J]. 西北农林科技大学学报(自然科学版), 2020, 48(6):79−89,98. CHEN L, CHANG Q R, GAO Y F, et al. Hyperspectral estimation model of chlorophyll content in kiwifruit leaves [J]. Journal of Northwest A&F University(Nat. Sci. Ed. ), 2020, 48(6): 79−89,98.(in Chinese)
[23] LING B, GOODIN D G, RAYNOR E J, et al. Hyperspectral analysis of leaf pigments and nutritional elements in tallgrass prairie vegetation [J]. Frontiers in Plant Science, 2019, 10: 1−13. DOI: 10.3389/fpls.2019.00001
[24] 王晓星, 常庆瑞, 刘梦云, 等. 冬小麦冠层水平叶绿素含量的高光谱估测 [J]. 西北农林科技大学学报(自然科学版), 2016, 44(2):48−54. WANG X X, CHANG Q R, LIU MY, et al. Hyperspectral estimation of chlorophyll content in canopy of winter wheat [J]. Journal of Northwest A&F University(Nat. Sci. Ed. ), 2016, 44(2): 48−54.(in Chinese)
[25] 于雷, 章涛, 朱亚星, 等. 基于IRIV 算法优选大豆叶片高光谱特征波长变量估测SPAD值 [J]. 农业工程学报, 2018, 34(16):148−154. DOI: 10.11975/j.issn.1002-6819.2018.16.019 YU L, ZHANG T, ZHUY X, et al. Determination of soybean leaf SPAD value using characteristic wavelength variables preferably selected by IRIV algorithm [J]. Transactions of the Chinese Society of Agricultural Engineering , 2018, 34(16): 148−154.(in Chinese) DOI: 10.11975/j.issn.1002-6819.2018.16.019
[26] 胥喆, 舒清态, 杨凯博, 等. 基于非成像高光谱的高山松叶绿素估算模型研究 [J]. 西北林学院学报, 2017, 32(2):73−78. DOI: 10.3969/j.issn.1001-7461.2017.02.12 XU Z, SHU Q T, YANG KB, et al. Estimation models of chlorophyll in pinus densata based on non-imaging hyperspectrum [J]. Journal of Northwest Forestry University, 2017, 32(2): 73−78.(in Chinese) DOI: 10.3969/j.issn.1001-7461.2017.02.12
[27] 余蛟洋, 常庆瑞, 班松涛, 等. 猕猴桃叶片 SPAD 值高光谱估算模型构建 [J]. 干旱地 区农业研究, 2018, 36(6):168−174. YU J Y, CHANG Q R, BAN S T, et al. Hyperspectral models for estimating SPAD values of kiwifruit leaves [J]. Agricultural Research in the Arid Areas, 2018, 36(6): 168−174.(in Chinese)
[28] ZHAO Y, YAN C, LU S, et al. Estimation of chlorophyll content in intertidal mangrove leaves with different thicknesses using hyperspectral data [J]. Ecological Indicators, 2019, 106(3): 105511.
[29] 韩浩坤, 妙佳源, 张钰玉, 等. 基于高光谱反射率的糜子冠层叶片叶绿素含量估算 [J]. 干旱地区农业研究, 2018, 36(1):164−170. DOI: 10.7606/j.issn.1000-7601.2018.01.25 HAN H K, MIAO J Y, ZHANG Y Y, et al. Estimating chlorophyll content of proso millet canopy by hyperspectral reflectance [J]. Agricultural Research in the Arid Areas, 2018, 36(1): 164−170.(in Chinese) DOI: 10.7606/j.issn.1000-7601.2018.01.25
[30] 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. DOI: 10.11975/j.issn.1002-6819.2016.16.019 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.(in Chinese) DOI: 10.11975/j.issn.1002-6819.2016.16.019
[31] 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. DOI: 10.3964/j.issn.1000-0593(2013)10-2838-05 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.(in Chinese) DOI: 10.3964/j.issn.1000-0593(2013)10-2838-05
[32] 潘蓓, 赵庚星, 朱西存, 等. 利用高光谱植被指数估测苹果树冠层叶绿素含量 [J]. 光谱学与光谱分析, 2013, 33(8):2203−2206. DOI: 10.3964/j.issn.1000-0593(2013)08-2203-04 PAN B, ZHAO G X, ZHU X C, et al. Estimation of chlorophyll content in apple tree canopy based on hyperspectral parameters [J]. Spectroscopy and Spectral Analysis, 2013, 33(8): 2203−2206.(in Chinese) DOI: 10.3964/j.issn.1000-0593(2013)08-2203-04
[33] 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. DOI: 10.3864/j.issn.0578-1752.2013.16.022 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.(in Chinese) DOI: 10.3864/j.issn.0578-1752.2013.16.022
[34] PENG Y, ZHANG M, XU Z, et al. Estimation of leaf nutrition status in degraded vegetation based on field survey and hyperspectral data [J]. Scientific Reports, 2020, 10: 1−12. DOI: 10.1038/s41598-019-56847-4
[35] 茹克亚·萨吾提, 阿不都艾尼·阿不里, 尼加提·卡斯木, 等. 基于分数阶微分的春小麦叶绿素含量高光谱估算 [J]. 麦类作物学报, 2019, 39(6):738−746. DOI: 10.7606/j.issn.1009-1041.2019.06.15 RUKEYA S, ABUAINI A, NIJATI K, et al. Spectral estimation of chlorophyll content in spring wheat leaves based on fractional differential [J]. Journal of Triticeae Crops, 2019, 39(6): 738−746.(in Chinese) DOI: 10.7606/j.issn.1009-1041.2019.06.15
[36] 颜丙囤, 隋学艳, 王猛, 等. 拔节期淹水玉米冠层光谱变化特征分析 [J]. 山东农业科学, 2016, 48(5):28−30. YAN B D, SUI X Y, WANG M, et al. Character analysis of canopy spectral changes of corn at jointing stage under waterlogging stress [J]. Shandong Agricultural Sciences, 2016, 48(5): 28−30.(in Chinese)
[37] 王 烁, 常庆瑞, 刘梦云, 等. 基于高光谱遥感的棉花叶片叶绿素含量估算 [J]. 中国农业大学学报, 2017, 22(4):16−27. DOI: 10.11841/j.issn.1007-4333.2017.04.03 WANG S, CHANG Q R, LIU M Y, et al. Estimation on chlorophyll content of cotton based on optimized spectral index [J]. Journal of China Agricultural University, 2017, 22(4): 16−27.(in Chinese) DOI: 10.11841/j.issn.1007-4333.2017.04.03
[38] 纪童, 王波, 杨军银, 等. 基于高光谱的草坪草叶绿素含量模拟估算 [J]. 光谱学与光谱分析, 2020, 40(8):2571−2577. JI T, WANG B, YANG J Y, et al. Hyperspectral-based estimation on the chlorophyll content of turfgrass [J]. Spectroscopy and Spectral Analysis, 2020, 40(8): 2571−2577.(in Chinese)
-
期刊类型引用(6)
1. 栗方亮，孔庆波，张青. 基于光谱指数的琯溪蜜柚叶片钙素含量估测模型研究. 中国农业科学. 2025(07): 1321-1332 . 
百度学术
2. 栗方亮，孔庆波，张青. 光谱技术在果树叶片营养诊断上的应用研究进展. 江西农业学报. 2024(03): 22-26 . 百度学术
3. 孟繁钰，郭孝玉，郑小曼. 不同海拔毛竹叶绿素的高光谱特征及叶绿素估测模型. 东北林业大学学报. 2024(09): 46-52+57 . 百度学术
4. 潘玉霞，李艳大，曹中盛，孙滨峰，黄俊宝，吴自明，冯旭萍，郭永久. 基于便携式蜜柚光谱仪的金沙柚叶片叶绿素含量监测模型. 江西农业学报. 2023(05): 60-66 . 百度学术
5. 张红雪，吴凤英，陈宇琳，何峥旋，朱巧莲，毛艳玲. 烟秆生物炭对土壤不同形态钾含量及烟草光合特性的影响. 福建农林大学学报(自然科学版). 2022(04): 468-477 . 百度学术
6. 罗靖，杨再强，杨立，袁昌洪，张丰寅，李岩宸，李春影. 基于高光谱参数建立苗期高温条件下草莓叶片叶绿素含量估算模型. 中国农业气象. 2022(10): 832-845 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 619
- HTML全文浏览量: 219
- PDF下载量: 30
- 被引次数: 10
