基于成像高光譜的小麥葉片葉綠素含量估測(cè)模型研究

牛魯燕，孫家波，劉延忠，張曉艷(山東省農(nóng)業(yè)科學(xué)院 科技信息研究所，山東 濟(jì)南 250100)

基于成像高光譜的小麥葉片葉綠素含量估測(cè)模型研究

牛魯燕，孫家波，劉延忠，張曉艷*
(山東省農(nóng)業(yè)科學(xué)院 科技信息研究所，山東 濟(jì)南 250100)

高光譜； 小麥； 葉綠素； 光譜特征； 相關(guān)性

葉綠素含量是植物生長(zhǎng)過(guò)程中一個(gè)重要的生化參數(shù)，對(duì)植被光合能力、發(fā)育階段以及營(yíng)養(yǎng)狀況有指示作用[1]。目前，常用于葉綠素含量監(jiān)測(cè)的方法為分光光度法和SPAD-502型葉綠素儀法，傳統(tǒng)的分光光度法費(fèi)時(shí)、費(fèi)力，屬于有損檢測(cè)，很難滿足精準(zhǔn)農(nóng)業(yè)實(shí)時(shí)、快速、無(wú)損和大面積監(jiān)測(cè)的要求。日本Minolta Camera公司生產(chǎn)的手持式SPAD-502型葉綠素儀只能逐點(diǎn)對(duì)葉片進(jìn)行監(jiān)測(cè)，并且需要測(cè)定多株平均值作為測(cè)定結(jié)果，工作量大[2]。高光譜遙感是一種快速、無(wú)損監(jiān)測(cè)技術(shù)，可在不破壞植物組織結(jié)構(gòu)的前提下，實(shí)現(xiàn)對(duì)作物生長(zhǎng)季營(yíng)養(yǎng)狀況的監(jiān)測(cè)[3]。國(guó)內(nèi)學(xué)者對(duì)小麥高光譜的研究主要集中在小麥葉片氮含量高光譜差異[4]及其估算[5]、小麥生物量及葉面積指數(shù)估算[6-7]、小麥條銹病[8-9]、小麥全蝕病[10]、小麥白粉病[11]、小麥籽粒蛋白質(zhì)含量[12]方面。在小麥葉綠素含量研究上主要集中于山西省[13]、河南省[14]、浙江省[15]等地，但對(duì)山東區(qū)域小麥葉綠素含量高光譜估測(cè)的研究鮮有報(bào)道。本研究嘗試?yán)迷谠囼?yàn)區(qū)測(cè)定的小麥高光譜與實(shí)測(cè)的小麥葉綠素含量數(shù)據(jù)，在進(jìn)行相關(guān)分析的基礎(chǔ)上，建立小麥葉片葉綠素含量與光譜特征參量間的定量關(guān)系模型，以期為利用高光譜遙感技術(shù)對(duì)小麥生長(zhǎng)監(jiān)測(cè)提供理論依據(jù)和技術(shù)支持。

1 材料和方法

1.1 試驗(yàn)概況及樣品采集

試驗(yàn)于2014年11月至2015年6月在山東省濟(jì)南市章丘龍山試驗(yàn)基地(117.53°E、36.72°N)進(jìn)行，供試品種為濟(jì)麥22，播種量為150 kg/hm2。試驗(yàn)純氮用量280 kg/hm2，磷、鉀肥用量同當(dāng)?shù)爻Ｒ?guī)，其他栽培管理措施與當(dāng)?shù)佧溙锵嗤?shù)據(jù)測(cè)定和采樣時(shí)期分別為：4月10日(拔節(jié)期)、4月17日(孕穗期)、4月30日(抽穗期)、5月12日(開(kāi)花期)、5月22日(灌漿期)、6月2日(成熟期)。

1.2 項(xiàng)目測(cè)定與方法

1.2.1 小麥光譜數(shù)據(jù) 冠層葉片光譜測(cè)量采用美國(guó)Surface Optics Corporation公司生產(chǎn)的SOC710VP可見(jiàn)-近紅外高光譜成像式地物光譜儀，光譜范圍為370～1 000 nm，光譜分辨率為4.687 5 nm。

光譜測(cè)定在可控制光照條件(鎢燈照明)實(shí)驗(yàn)室內(nèi)進(jìn)行。測(cè)定前，將待測(cè)光譜的葉片表面擦拭干凈。測(cè)定時(shí)，將葉片單層平整放置于反射率近似為0的黑色試驗(yàn)平臺(tái)上，葉片兩端用黑色板壓住防止葉片上翹。光譜儀的視場(chǎng)角為25°，探頭距待測(cè)葉片0.50 m，垂直向下正對(duì)待測(cè)葉片的中部。為了消除外界干擾以保證精度，在試驗(yàn)區(qū)選定兩處固定位置，每個(gè)位置取6～8片葉，這兩處葉片的高光譜反射率平均值作為該區(qū)的光譜反射率，測(cè)量過(guò)程中及時(shí)進(jìn)行標(biāo)準(zhǔn)白板校正。

1.2.2 小麥葉綠素SPAD值 本次試驗(yàn)采用SPAD-502葉綠素儀測(cè)量小麥冠層葉片的SPAD值。小麥葉綠素SPAD值測(cè)定與光譜測(cè)量同步，為了減少測(cè)定誤差，測(cè)定時(shí)，在處理區(qū)域連續(xù)取5個(gè)值，求平均，作為一個(gè)測(cè)定值，連續(xù)測(cè)5組數(shù)據(jù)。

1.3 高光譜數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理采用SRAnal 710、SOC 710軟件，獲得的高光譜圖像數(shù)據(jù)經(jīng)過(guò)3個(gè)步驟的標(biāo)定，包括光譜標(biāo)定、黑場(chǎng)標(biāo)定和光譜輻射標(biāo)定。利用SRAnal 710軟件從所測(cè)光譜數(shù)據(jù)中提取反射率。

為了消除原始光譜數(shù)據(jù)中干擾因素對(duì)所建模型的影響，采用5點(diǎn)加權(quán)平滑法對(duì)采集的原始光譜進(jìn)行平滑處理。

小麥葉片紅邊位置的提取采用對(duì)原始光譜數(shù)據(jù)求一階導(dǎo)數(shù)法，紅邊區(qū)域內(nèi)蘊(yùn)含著豐富的植被生長(zhǎng)信息，與植物生理生化參數(shù)關(guān)系密切，對(duì)反射率求一階導(dǎo)數(shù)能達(dá)到減弱背景因素影響的目的，將植物光譜的變化特征較清晰地反映出來(lái)，一階導(dǎo)數(shù)變化最大的波段位于紅邊區(qū)域。

1.4 數(shù)據(jù)處理方法

所有的數(shù)據(jù)在Excel中進(jìn)行錄入，采用ENVI 4.7進(jìn)行圖像處理，采用OriginPro 8.5、SPSS 18.0和Matlab進(jìn)行相關(guān)分析等處理。

對(duì)于小麥葉片原始光譜反射率與葉綠素含量的相關(guān)性，采用皮爾遜(Pearson)相關(guān)系數(shù)進(jìn)行表征。Pearson相關(guān)系數(shù)的絕對(duì)值越大，相關(guān)性越強(qiáng)。

為檢驗(yàn)實(shí)測(cè)值與估測(cè)值之間的擬合效果，采用決定系數(shù)R2、均方根誤差RMSE以及相對(duì)誤差RE對(duì)模型進(jìn)行測(cè)試和檢驗(yàn)，從而篩選小麥葉片葉綠素含量的最佳高光譜監(jiān)測(cè)模型。

2 結(jié)果與分析

2.1 不同生育時(shí)期小麥葉片的高光譜特征

圖1表明，在不同的生育時(shí)期，小麥葉片光譜反射率的形狀及其變化趨勢(shì)基本相似。不同生育時(shí)期小麥葉片的反射率在可見(jiàn)光范圍變化趨勢(shì)基本一致，差異不明顯，從高到低依次為灌漿期、孕穗期、抽穗期、拔節(jié)期、開(kāi)花期、成熟期。在近紅外區(qū)域，不同生育時(shí)期小麥葉片的高光譜曲線反射率在反射平臺(tái)上差異明顯，反射率從高到低依次為灌漿期、孕穗期、抽穗期、拔節(jié)期、開(kāi)花期、成熟期。

相同的生育時(shí)期內(nèi)，在不同的波段范圍內(nèi)，隨波長(zhǎng)的推移，其光譜反射率表現(xiàn)出不同的特征。在從500 nm開(kāi)始的綠波段，葉片的吸收減少，反射率增強(qiáng)，在550 nm附近形成明顯的反射率峰。此波峰左側(cè)是藍(lán)、紫光波段吸收谷，右側(cè)是675 nm左右的紅光波段吸收谷，之后反射率出現(xiàn)陡升，在750～1 080 nm附近紅外波段形成1個(gè)較高的反射平臺(tái)。

圖1 不同生育時(shí)期小麥葉片光譜反射率的變化特征

2.2 紅邊位置的提取

紅邊是綠色植物在680～760 nm的反射率增高最快的點(diǎn)，也是一階導(dǎo)數(shù)在該區(qū)間的拐點(diǎn)，是由于植物在紅光波段強(qiáng)烈的吸收與近紅外波段強(qiáng)烈的反射造成的。

從圖2小麥葉片一階導(dǎo)數(shù)光譜圖可以看出，曲線變化趨勢(shì)基本相似。在523 nm、710 nm處形成明顯的波峰。在564 nm、652 nm形成明顯的波谷。采用一階導(dǎo)數(shù)最大值所在波段提取紅邊位置。本研究的紅邊位置為726 nm波長(zhǎng)處。其與原始光譜的相關(guān)系數(shù)達(dá)到0.671，而該處一階導(dǎo)數(shù)的相關(guān)系數(shù)為0.768，因此將紅邊位置的光譜反射率一階導(dǎo)數(shù)確定為敏感變量。

圖2 小麥葉片一階導(dǎo)數(shù)光譜曲線特征

2.3 小麥葉片光譜反射率及其一階導(dǎo)數(shù)與葉綠素含量的相關(guān)分析

對(duì)小麥葉片原始光譜反射率與葉綠素含量進(jìn)行相關(guān)分析，結(jié)合SPSS統(tǒng)計(jì)分析結(jié)果(圖3)表明，小麥冠層原始光譜反射率與葉綠素含量呈正相關(guān)。在372～397 nm波段小麥冠層的原始光譜反射率與葉綠素含量呈顯著正相關(guān)(P<0.05)。在可見(jiàn)光范圍內(nèi)最大相關(guān)系數(shù)出現(xiàn)在波長(zhǎng)為732 nm的位置上，Pearson相關(guān)系數(shù)為0.696。在377～407 nm和694～742 nm達(dá)到相關(guān)系數(shù)峰值，平均相關(guān)系數(shù)分別為0.807和0.641，因此選擇這2組波段的原始光譜反射率作為估測(cè)小麥葉片葉綠素含量的敏感波段。

圖3 小麥冠層原始光譜反射率與葉綠素含量的相關(guān)性

在近紅外范圍內(nèi)最大相關(guān)系數(shù)出現(xiàn)在波長(zhǎng)為1 033 nm的位置上，Pearson相關(guān)系數(shù)為0.737。另一個(gè)波峰的位置出現(xiàn)在波長(zhǎng)為973 nm處，此處的Pearson相關(guān)系數(shù)為0.667。

由小麥葉片原始光譜反射率的一階導(dǎo)數(shù)與葉綠素含量進(jìn)行相關(guān)分析(圖4)，結(jié)合SPSS統(tǒng)計(jì)分析結(jié)果可以得出，在波長(zhǎng)377 nm處的Pearson相關(guān)系數(shù)為0.846，顯著性(雙向)水平P<0.05；在波長(zhǎng)757 nm處的Pearson相關(guān)系數(shù)為0.864，顯著性(雙向)水平P<0.05；在波長(zhǎng)742 nm處的Pearson相關(guān)系數(shù)為0.641，顯著性(雙向)水平為P<0.05。

在近紅外范圍內(nèi)，在波長(zhǎng)940 nm處出現(xiàn)波峰，Pearson相關(guān)系數(shù)為0.553；在波長(zhǎng)918 nm處出現(xiàn)波峰，Pearson相關(guān)系數(shù)為0.355；在927 nm處出現(xiàn)波谷， Pearson相關(guān)系數(shù)為-0.524，在波長(zhǎng)951 nm處出現(xiàn)波谷；Pearson相關(guān)系數(shù)為-0.576，因此將這些波段的一階導(dǎo)數(shù)以及其所在的區(qū)間作為敏感變量。

圖4 小麥冠層原始光譜反射率一階倒數(shù)與葉綠素含量的相關(guān)性

由以上分析，共選擇5個(gè)波段區(qū)間和7個(gè)單波段組合作為敏感變量，分別為732 nm、377～407 nm、694～742 nm的原始光譜反射率；503～544 nm、684～715 nm、736～763 nm以及377 nm、523 nm、710 nm、742 nm、757 nm一階導(dǎo)數(shù)；紅邊位置726 nm一階導(dǎo)數(shù)。

2.4 基于敏感性波段的模型建立

運(yùn)用SPSS軟件，將敏感波段進(jìn)行各種變換后建立回歸模型，進(jìn)行比較找出每種變換中擬合度較高的模型，篩選結(jié)果見(jiàn)表1。

表1 回歸模型及其參數(shù)的準(zhǔn)確性(n=84)

變量估測(cè)模型R2FPR382線性函數(shù)SPAD=34．305+247．061R3820．685?8．6840．042對(duì)數(shù)函數(shù)SPAD=102．768+19．04lnR3820．741?11．4160．028冪函數(shù)SPAD=138．229R382x0．370．762?12．7780．023R387線性函數(shù)SPAD=36．75+188．168R3870．691?8．9380．040對(duì)數(shù)函數(shù)SPAD=95．236+16．983lnR3870．756?12．3740．025冪函數(shù)SPAD=119．131R3870．3290．772?13．5610．021R392線性函數(shù)SPAD=40．235+134．913R3920．738?11．2800．028對(duì)數(shù)函數(shù)SPAD=86．869+14．059lnR3920．835?20．2500．011二次多項(xiàng)式函數(shù)SPAD=468．482R3922-1539．252R392+23．9120．887?11．7690．038冪函數(shù)SPAD=100．957R3920．270．843?21．5000．010R402對(duì)數(shù)函數(shù)SPAD=76．68+9．312lnR4020．814?17．5260．014二次多項(xiàng)式函數(shù)SPAD=325．512R4022-996．267R402+33．7750．904?14．1150．030冪函數(shù)SPAD=82．828R4020．1780．814?17．5350．014R407對(duì)數(shù)函數(shù)SPAD=74．559+8．106lnR4070．764?12．9260．023冪函數(shù)SPAD=79．565R4070．1550．766?13．0580．022R726對(duì)數(shù)函數(shù)SPAD=59．812+7．316lnR7260．679?8．4460．044冪函數(shù)SPAD=59．958R7260．140．676?8．3530．045R731對(duì)數(shù)函數(shù)SPAD=59．177+7．628lnR7310．692?9．0020．040冪函數(shù)SPAD=59．236R7310．1460．690?8．9140．041R736對(duì)數(shù)函數(shù)SPAD=58．368+7．547lnR7360．698?9．2480．038冪函數(shù)SPAD=58．326R7360．1440．696?9．1370．039R′705對(duì)數(shù)函數(shù)SPAD=77．907+5．372lnR′7050．704?9．5020．037冪函數(shù)SPAD=84．625R′7050．1020．697?9．2020．039R′710對(duì)數(shù)函數(shù)SPAD=80．813+5．52lnR′7100．863??25．2450．007二次多項(xiàng)式函數(shù)SPAD=1625．671R′7102-38636．975R′710+42．7790．873?10．3530．045冪函數(shù)SPAD=89．931R′7100．1060．875?27．9220．006R′715對(duì)數(shù)函數(shù)SPAD=81．306+5．095lnR′7100．713?9．9160．035二次多項(xiàng)式函數(shù)SPAD=4273．136R′7152-245671．338R′715-1．561E70．994??254．7370．000三次多項(xiàng)式函數(shù)SPAD=2094．242R′7153+112646．744R′7152-1．561E7R′715+42．9911．000??3247．4280．000R′726對(duì)數(shù)函數(shù)SPAD=115．867+12．963lnR′7260．677?8．3700．044二次多項(xiàng)式函數(shù)SPAD=12707．275R′7262-646607．164R′726-1．8370．931?20．1220．018三次多項(xiàng)式函數(shù)SPAD=7455．552R′7263-20．503E7R′726+11．3180．942?24．3140．014冪函數(shù)SPAD=178．989R′7260．2530．701?9．3670．038R′736對(duì)數(shù)函數(shù)SPAD=81．812+5．933lnR′7360．683?8．6330．042冪函數(shù)SPAD=91．093R′7360．1130．675?8．2980．045R′752對(duì)數(shù)函數(shù)SPAD=78．254+4．002lnR′7520．707?9．6570．036冪函數(shù)SPAD=85．184R′7520．0760．700?9．3430．038R′757線性函數(shù)SPAD=49．022+2688．112R′7570．747?11．8320．026二次多項(xiàng)式函數(shù)SPAD=6292．587R′7572-733208．776R′757+46．6030．977??64．7870．003三次多項(xiàng)式函數(shù)SPAD=4438．758R′7573+406231．726R′7572-1．499E8R′757+46．3330．986?47．2580．021

注：**表示P<0.01；*表示P<0.05

從表1可以看出，以715 nm處的一階導(dǎo)數(shù)作為變量確定的三次多項(xiàng)式函數(shù)估測(cè)模型，R2最大，達(dá)到1.000**；其次是以715 nm處的一階導(dǎo)數(shù)作為變量確定的二次多項(xiàng)式函數(shù)估測(cè)模型，R2達(dá)到0.994**；以757 nm、726 nm處的一階導(dǎo)數(shù)作為變量確定的二次、三次多項(xiàng)式函數(shù)估測(cè)模型R2分別達(dá)到0.977**、0.986*和0.931*、0.942*，以392 nm、402 nm處的反射光譜原始值為變量確定的二次多項(xiàng)式函數(shù)估測(cè)模型R2分別達(dá)到0.887*、0.904*，均較大。其余模型相對(duì)較小。因此，選擇這9個(gè)估測(cè)模型以及顯著性相關(guān)的4個(gè)線性函數(shù)進(jìn)一步進(jìn)行模型驗(yàn)證。

2.5 模型驗(yàn)證

為了檢驗(yàn)估測(cè)模型的精確性和可靠性，隨機(jī)抽取在同組試驗(yàn)中測(cè)定的小麥葉片試驗(yàn)數(shù)據(jù)，對(duì)篩選出的小麥葉片SPAD值的估測(cè)模型進(jìn)行測(cè)試與檢驗(yàn)，篩選出檢驗(yàn)精度高的模型。由表2可以看出，R387進(jìn)行檢驗(yàn)擬合方程的R2達(dá)到了0.713，RMSE最小，所建立的小麥葉片葉綠素含量監(jiān)測(cè)模型具有良好的擬合效果。這表明，R387模型對(duì)小麥葉片葉綠素含量具有較好的監(jiān)測(cè)效果，其次為R382。其他估測(cè)模型檢測(cè)精度均較低將其排除。

表2 模型的擬合精度參數(shù)檢查(n=12)

變量估測(cè)模型實(shí)測(cè)值與估測(cè)值擬合方程檢驗(yàn)指標(biāo)斜率R2RMSERE/%R′715SPAD=2094．242R′7153+112646．744R′7152-1．561E7R′715+42．991y=0．758x+9．7500．7580．2974．1248．74R′757SPAD=4438．758R′7573+406231．726R′7572-1．499E8R′757+46．333y=0．336x+37．830．3360．1553．7515．82R382SPAD=34．305+247．061R382y=0．784x+12．840．7840．5581．3371．14R387SPAD=36．75+188．168R387y=0．860x+7．8570．8600．7131．9521．81R392SPAD=40．235+134．913R392y=0．872x+7．9300．8720．5643．4485．68

3 結(jié)論與討論

受季節(jié)、土壤、氣候等自然因素和施肥、栽培技術(shù)與管理等人為因素的影響，小麥葉片的高光譜信息會(huì)有不同的變化。本研究主要是對(duì)特定氮處理水平下小麥葉片葉綠素含量進(jìn)行監(jiān)測(cè)研究，并用同一區(qū)域的樣本數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證，增強(qiáng)了監(jiān)測(cè)模型的可信性和適應(yīng)性，但是對(duì)于不同地區(qū)、不同品種、不同生長(zhǎng)期的小麥葉片葉綠素含量檢測(cè)是否適用，還需要做進(jìn)一步的探索。

[1] 蔣金豹,陳云浩,黃文江.用高光譜微分指數(shù)估測(cè)條銹病脅迫下小麥冠層葉綠素密度[J].光譜學(xué)與光譜分析,2010,30(8)：2243-2247.

[2] 王紀(jì)華，黃文江，勞彩蓮,等.運(yùn)用PLS算法由小麥冠層反射光譜反演氮素垂直分布[J].光譜學(xué)與光譜分析,2007,27(7)：1319-1322.

[3] 王克如,潘文超,李少昆,等.不同施氮量棉花冠層高光譜特征研究[J].光譜學(xué)與光譜分析,2011,31(7):1868-1872.

[4] 翟清云,張娟娟,熊淑萍,等.基于不同土壤質(zhì)地的小麥葉片氮含量高光譜差異及監(jiān)測(cè)模型構(gòu)建[J].中國(guó)農(nóng)業(yè)科學(xué),2013,46(13)：2655-2667.

[5] 劉旻帝,薛建輝,褚軍,等.基于高光譜指數(shù)的林農(nóng)復(fù)合系統(tǒng)小麥冠層氮含量估算研究[J].南京林業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015,39(3):91-95.

[6] 孫小艷,常學(xué)禮,張寧,等.不同取樣單元對(duì)干旱區(qū)綠洲小麥地上生物量光譜估算模型的影響[J].中國(guó)沙漠,2012,32(2):568-573.

[7] 侯學(xué)會(huì),牛錚,黃妮,等.小麥生物量和真實(shí)葉面積指數(shù)的高光譜遙感估算模型[J].國(guó)土資源遙感,2012,95(4):30-35.

[8] 王海光,馬占鴻,王韜,等.高光譜在小麥條銹病嚴(yán)重度分級(jí)識(shí)別中的應(yīng)用[J].光譜學(xué)與光譜分析,2007,27(9):1811-1814.

[9] 王爽，馬占鴻,孫振宇,等.基于高光譜遙感的小麥條銹病脅迫下的產(chǎn)量損失估計(jì)[J].中國(guó)農(nóng)學(xué)通報(bào),2011,27(21):253-258.

[10] 喬紅波,師越,郭偉,等.利用近地成像高光譜遙感對(duì)小麥全蝕病的監(jiān)測(cè)[J].植物保護(hù)學(xué)報(bào),2015,42(3):475-476.

[11] 沈文穎,馮偉,李曉,等.基于葉片高光譜特征的小麥白粉病嚴(yán)重度估算模式[J].麥類作物學(xué)報(bào),2015,35(1):129-137.

[12] 馮偉,姚霞,田永超,等.小麥籽粒蛋白質(zhì)含量高光譜預(yù)測(cè)模型研究[J].作物學(xué)報(bào),2007,33(12):1935-1942.

[13] 李方舟,馮美臣,楊武德,等.水旱地冬小麥葉綠素含量高光譜監(jiān)測(cè)[J].生態(tài)學(xué)雜志,2013,32(12):3213-3218.

[14] 張娟娟,熊淑萍,翟清云,等.不同土壤質(zhì)地小麥葉片葉綠素的高光譜響應(yīng)及估測(cè)模型[J].麥類作物學(xué)報(bào),2014,34(5):642-647.

[15] 楊海清,姚建松,何勇.基于反射光譜技術(shù)的植物葉片SPAD值預(yù)測(cè)建模方法研究[J].光譜學(xué)與光譜分析,2009,29(6)：1607-1610.

Research of Estimation Models of Wheat Chlorophyll Content Based on Imaging Hyperspectral Data

NIU Luyan,SUN Jiabo,LIU Yanzhong,ZHANG Xiaoyan*
(Institute of Science and Technology Information,Shandong Academy of Agricultural Sciences,Ji’nan 250100,China)

In order to explore the wheat leaf spectral features and sensitive spectrum wave,the quantitative relationship models between the wheat chlorophyll content and the characteristics of spectrum was built,so as to promote the application of hyperspectral techniques in the real-time non-destructive detection of the wheat precise fertilization and the diagnosis of the growth of the wheat.The correlation coefficient between the chlorophyll content and spectral reflectance and its first deriviative was analyzed by correlation methods,and the chlorophyll content monitoring model was established.The beat models wereSPAD=36.75+188.168R387,SPAD=2 094.242R’7153+112 646.744R’7152-1.561E7R’715+42.991 after evaluation and validation.These two models could be well estimated wheat lesf SPAD values,in comparision,the accuracy of the model which based on the bandR387for predicting the SPAD values was higher.

hyperspectrum; wheat; chlorophyll; spectral features; correlation

2015-10-21

山東省農(nóng)業(yè)重大應(yīng)用技術(shù)創(chuàng)新項(xiàng)目

牛魯燕(1983-)，女，山東鄄城人，助理研究員，碩士，主要從事農(nóng)業(yè)信息和農(nóng)情監(jiān)測(cè)研究。 E-mail:nly83412@126.com

*通訊作者：張曉艷(1974-)，女，內(nèi)蒙古通遼人，研究員，博士，主要從事農(nóng)情監(jiān)測(cè)和全產(chǎn)業(yè)鏈農(nóng)業(yè)信息預(yù)警工作。 E-mail:239491965@qq.com

S512.1;TP79

A

1004-3268(2016)04-0150-05