基于高光譜的春小麥抽穗期葉綠素含量估算方法

亞森江·喀哈爾 尼加提·卡斯木 茹克亞·薩吾提 尼格拉·塔什甫拉提 張飛 師慶東

摘要：對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理是提升高光譜建模精度十分必要且有效的途徑。利用高光譜技術(shù)分析春小麥作物光譜及其葉綠素含量的變化，對(duì)原始光譜反射率及對(duì)應(yīng)的對(duì)數(shù)、倒數(shù)、平方根、對(duì)數(shù)倒數(shù)等4種數(shù)學(xué)變換及其一階、二階微分進(jìn)行預(yù)處理運(yùn)算，分析春小麥葉片葉綠素含量與預(yù)處理后的光譜數(shù)據(jù)相關(guān)性，基于選取的敏感波段對(duì)春小麥抽穗期葉綠素含量進(jìn)行偏最小二乘回歸法、BP神經(jīng)網(wǎng)絡(luò)2種方法建模并進(jìn)行模型驗(yàn)證及比較。結(jié)果表明：對(duì)原始光譜數(shù)據(jù)數(shù)學(xué)變換的微分預(yù)處理可以明顯提高春小麥葉片葉綠素含量與光譜反射率的相關(guān)性;通過(guò)顯著性檢驗(yàn)的敏感波段數(shù)量經(jīng)一階、二階微分預(yù)處理呈現(xiàn)明顯增加趨勢(shì)，對(duì)應(yīng)數(shù)學(xué)變換的波段數(shù)量有所不同;對(duì)數(shù)變換的二階微分處理所建立的PLSR模型為最優(yōu)模型，該模型精度參數(shù)為決定系數(shù)R2c=0.93，校正均方根誤差RMSEc=2.53，預(yù)測(cè)決定系數(shù)R2p=0.91，預(yù)測(cè)均方根誤差RMSEp=2.41，相對(duì)分析誤差RPD=3.20。說(shuō)明數(shù)學(xué)變換的微分預(yù)處理過(guò)后的模型精度和穩(wěn)健性有了大幅度的提升，并且運(yùn)用在高光譜遙感反演春小麥抽穗期葉片葉綠素含量上是可行的。

關(guān)鍵詞：春小麥;葉綠素;抽穗期;光譜分析;高光譜;估算精度;傳感器設(shè)計(jì);精準(zhǔn)農(nóng)業(yè)

中圖分類號(hào)： S512.1+20.1;S127文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2019）18-0266-05

收稿日期：2018-05-29

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：41671348、41761077）。

作者簡(jiǎn)介：亞森江·喀哈爾（1993—），男，新疆阿拉爾人，碩士研究生，從事干旱區(qū)遙感應(yīng)用研究，E-mail：ysj_0801@163.com;尼加提·卡斯木（1991—），男，新疆伊寧人，博士研究生，從事生態(tài)規(guī)劃與管理研究。E-mail：NejatKasim@126.com。

通信作者：尼格拉·塔什甫拉提，博士，講師，從事地圖學(xué)與地理信息系統(tǒng)研究，E-mail：ngr.t@hotmail.com;張?飛，博士，副教授，從事干旱區(qū)遙感應(yīng)用研究，E-mail：zhangfei3s@163.com。

小麥作為總產(chǎn)量位居世界第二的糧食作物，對(duì)于人類生活有著重大意義。中國(guó)的小麥總產(chǎn)量占世界糧食作物總產(chǎn)量的25%以上，種植面積約3×107 hm2，是中國(guó)口糧中最重要的一個(gè)，因此小麥產(chǎn)業(yè)發(fā)展情況會(huì)直接影響國(guó)家糧食安全及社會(huì)穩(wěn)定。其中，干旱區(qū)、半干旱區(qū)小麥的產(chǎn)量占全國(guó)小麥生產(chǎn)總量的50%以上[1]，具有極其重要的地位，在保障國(guó)家糧食安全方面始終發(fā)揮著重要的作用。過(guò)去以盲目開荒增加耕地面積滿足對(duì)糧食日益增長(zhǎng)需求的方式導(dǎo)致生態(tài)環(huán)境的破壞，十九大以來(lái)生態(tài)文明建設(shè)被提到了新的高度，對(duì)農(nóng)業(yè)發(fā)展模式提出了新的要求，實(shí)施區(qū)域精準(zhǔn)農(nóng)業(yè)成為大勢(shì)所趨。

作物營(yíng)養(yǎng)狀況與其光譜特性之間具有密切的聯(lián)系[2]，作為精準(zhǔn)農(nóng)業(yè)中重要組成部分的遙感技術(shù)（特別是高光譜遙感技術(shù)）可以達(dá)到實(shí)時(shí)監(jiān)測(cè)作物營(yíng)養(yǎng)狀況與長(zhǎng)勢(shì)的目的，從而指導(dǎo)農(nóng)田管理與決策[3-4]。作物生長(zhǎng)發(fā)育和營(yíng)養(yǎng)狀況可以通過(guò)葉綠素含量這一重要指標(biāo)[5-6]來(lái)作出評(píng)價(jià)，于是針對(duì)大田作物的葉綠素含量遙感反演成為精準(zhǔn)農(nóng)業(yè)的熱點(diǎn)研究問(wèn)題之一[7]。抽穗期是春小麥發(fā)展各階段中最需要生產(chǎn)以及追肥管理的關(guān)鍵時(shí)期[8]，在這一時(shí)期快速、準(zhǔn)確、無(wú)損監(jiān)測(cè)春小麥葉綠素含量是非常必要的。

該研究將新疆大學(xué)阜康試驗(yàn)基地內(nèi)種植的春小麥作為研究對(duì)象，利用55個(gè)采樣區(qū)的野外高光譜數(shù)據(jù)以及實(shí)測(cè)春小麥葉片葉綠素含量數(shù)據(jù)，研究分析基于4種數(shù)學(xué)變換及其一階、二階微分預(yù)處理在高光譜數(shù)據(jù)估算葉綠素含量的可行性，運(yùn)用PLSR（partial least-squares regression）、BP神經(jīng)網(wǎng)絡(luò)（BP neural network）等2種方法建立估算模型并進(jìn)行模型比較，以期提高春小麥葉綠素含量的高光譜估算精度，為高光譜傳感器的設(shè)計(jì)、區(qū)域精準(zhǔn)農(nóng)業(yè)的發(fā)展提供科學(xué)支持與應(yīng)用參考。

1?材料與方法

1.1?研究區(qū)概況

阜康市[9-10]地處準(zhǔn)噶爾盆地南緣、天山東段（博格達(dá)山）北麓，位于沖洪積扇的上部，是開墾歷史較為悠久的老綠洲;地形南高北低，由東南向西北傾斜，呈長(zhǎng)條狀，地貌總輪廓由北向南分為沙漠、平原、山地三大部分，北部沙漠區(qū)為古爾班通古特沙漠的一部分;屬中溫帶大陸性干旱氣候，冬季時(shí)間長(zhǎng)，春秋季節(jié)不明顯，夏季酷熱，晝夜溫差大，年均氣溫6.7 ℃，年無(wú)霜期可達(dá)175 d，年均降水量205 mm，春夏降水量約占全年降水量的2/3。新疆大學(xué)阜康試驗(yàn)基地位于新疆維吾爾自治區(qū)阜康市滋泥泉子鎮(zhèn)以北，地理坐標(biāo)87°34′5″～88°34′10″E、44°23′12″～44°23′15″N，平均海拔577 m;試驗(yàn)基地周邊均為大型農(nóng)場(chǎng)，主要播種作物為冬小麥、春小麥和玉米。

1.2?數(shù)據(jù)采集與測(cè)量

小型試驗(yàn)田播種總面積為50 m×150 m的春小麥，采樣區(qū)以2 m×2 m為樣方，共設(shè)置55個(gè)采樣區(qū)。2017年6月4日進(jìn)行采樣，此時(shí)研究區(qū)春小麥的生育階段處于抽穗期早期。在該測(cè)量日，天空晴朗，無(wú)云無(wú)風(fēng)，適合野外采集數(shù)據(jù)，并且春小麥葉片沒有明顯的天氣因素造成的損害。使用美國(guó)ASD公司（Analytical Spectral Devices，Inc.）生產(chǎn)的FieldSpec 3型光譜儀（波段范圍350～2 500 nm）獲得春小麥葉片的光譜反射率數(shù)據(jù)，每個(gè)采樣區(qū)使用五點(diǎn)取樣法，實(shí)地測(cè)量是在當(dāng)?shù)貢r(shí)間10：00—14：00進(jìn)行。在采樣區(qū)進(jìn)行測(cè)量時(shí)，每個(gè)活體樣品由多張葉片組成，探頭的天頂角為15°，距植株葉片10 cm左右，重復(fù)測(cè)量10次，取光譜曲線的算術(shù)平均值作為該樣區(qū)的冠層光譜反射率，每個(gè)采樣區(qū)光譜測(cè)定之前均進(jìn)行白板標(biāo)定。與此同時(shí)，使用SPAD-502型便攜式葉綠素儀測(cè)得春小麥葉片葉綠素含量，葉綠素含量采樣點(diǎn)與光譜采樣點(diǎn)重合，每個(gè)采樣點(diǎn)分別對(duì)同植株倒一、倒二葉片進(jìn)行測(cè)定，對(duì)每張葉片的葉尖、葉中、葉基3個(gè)部位各測(cè)定3次[11-12]，同一張葉片共測(cè)得9個(gè)SPAD值并取平均值為整個(gè)葉片的相對(duì)葉綠素含量，最終取平均值作為該采樣點(diǎn)春小麥葉片相對(duì)葉綠素含量，該研究共采集（55×5）個(gè)春小麥葉綠素含量數(shù)據(jù)。

1.3?數(shù)據(jù)處理

計(jì)算各個(gè)采樣區(qū)的平均葉綠素含量，將55個(gè)樣本按照葉綠素含量從高到低進(jìn)行排序，等間距選取建模和驗(yàn)證2個(gè)數(shù)據(jù)集。表1為春小麥抽穗期葉片相對(duì)葉綠素含量的描述性統(tǒng)計(jì)特征，經(jīng)分析發(fā)現(xiàn)，建模集和驗(yàn)證集葉綠素含量均值分別為48.9和49.6，最小值分別為28.8和38.8，最大值分別為58.8 和57.2，變異系數(shù)分別為14.7%和10.7%;全部采樣區(qū)葉綠素含量平均值為49.5，變異系數(shù)為11.6%，介于建模集與驗(yàn)證集對(duì)應(yīng)葉綠素含量的均值和變異系數(shù)之間，呈中等變異性。

利用ViewSpec Pro軟件對(duì)獲取的高光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)平均，之后為減少噪聲影響，易受大氣中水汽影響的噪聲波段（1 800～2 000、1 350～1 500 nm）以及信噪比較低的邊緣波段（350～399、2 401～2 500 nm）均被剔除，對(duì)55個(gè)采樣區(qū)的401～2 400 nm的反射光譜利用Savitzky-Golay濾波法進(jìn)行平滑去噪，去噪后的光譜曲線如圖1-a所示。由光譜曲線分析發(fā)現(xiàn)，可見光波段400～760 nm范圍內(nèi)光譜曲線呈上升趨勢(shì)，在近紅波段760～900 nm范圍內(nèi)呈現(xiàn)平緩趨勢(shì)。整個(gè)光譜曲線變化分析結(jié)果顯示，除了700～800 nm波段范圍內(nèi)外，不同葉綠素含量小麥的光譜反射率曲線較為容易區(qū)分。葉綠素是小麥重要的賦色成分，其含量對(duì)小麥反射光譜產(chǎn)生一定的影響[13-14]。本研究選取4個(gè)具有代表性的春小麥抽穗期葉片葉綠素含量的高光譜數(shù)據(jù)，繪制不同葉綠素含量的光譜曲線，結(jié)果如圖1-b所示。春小麥葉片不同葉綠素含量的光譜反射曲線變化趨勢(shì)基本一致，且小麥的光譜反射率與其葉綠素含量基本上成相反關(guān)系，即葉綠素含量越高，春小麥葉片反射率越低，反之同理。

1.4?建模方法

高光譜建模應(yīng)用中包括偏最小二乘回歸法、多元線性逐步回歸法、遺傳算法、支持向量機(jī)回歸以及蟻群算法等常用的方法，其中主成分分析、典型相關(guān)分析和多元線性回歸等方法的優(yōu)點(diǎn)都包含在偏最小二乘回歸法中，在建模過(guò)程中通過(guò)降維、信息的綜合與篩選等處理方法，極大地提高了系統(tǒng)對(duì)綜合成分的提取能力，因而在光譜數(shù)據(jù)建模中得以廣泛應(yīng)用[15]。平滑后的野外光譜數(shù)據(jù)通過(guò)DPS（Version 16.05）軟件對(duì)55個(gè)采樣區(qū)春小麥的光譜反射率R及其對(duì)應(yīng)的對(duì)數(shù)（lgR）、倒數(shù)（1/R）、平方根（sqrt-R）、對(duì)數(shù)倒數(shù)（1/lgR）等4種數(shù)學(xué)變換進(jìn)行一、二階微分處理。利用PLSR、BP神經(jīng)網(wǎng)絡(luò)2種方法建立葉綠素含量的估算模型，結(jié)合比較模型之間的決定系數(shù)R2c、校正均方根誤差RMSEc、預(yù)測(cè)決定系數(shù)R2p、預(yù)測(cè)均方根誤差RMSEp、相對(duì)分析誤差RPD，篩選穩(wěn)健性最突出的模型用以研究區(qū)春小麥抽穗期葉片葉綠素含量的反演。模型的穩(wěn)定性通過(guò)R2p可以判定，其值越接近于1，模型的穩(wěn)定性越強(qiáng);模型的準(zhǔn)確性通過(guò)RMSEp可以說(shuō)明，其值越小，模型的精度越高。相對(duì)分析誤差RPD<1.4，模型的可用性差;1.4≤RPD<2，模型估算能力一般;RPD≥2，模型定量估算能力良好[16-17]。

2?結(jié)果與分析

2.1?數(shù)學(xué)變換及其一階、二階微分對(duì)波段顯著性的影響

春小麥冠層高光譜數(shù)據(jù)建模過(guò)程中，通過(guò)葉綠素含量與光譜反射率的相關(guān)性來(lái)確定敏感波段的選取，結(jié)合相關(guān)性程度決定波段是否可能入選為敏感波段。因此，將春小麥葉片葉綠素含量與光譜各波段反射率R的數(shù)學(xué)變換（1/R、lgR、1/lgR、sqrt-R）及其一階、二階微分進(jìn)行相關(guān)性分析，并在0.01水平上進(jìn)行顯著性檢驗(yàn)（閾值0.34），結(jié)果如圖2所示。對(duì)原始光譜反射率R進(jìn)行預(yù)處理后，對(duì)通過(guò)顯著性檢驗(yàn)的敏感波段數(shù)量分別進(jìn)行統(tǒng)計(jì)分析（圖3）。原始光譜反射率R在4種數(shù)學(xué)變換后，其相關(guān)系數(shù)通過(guò)顯著性檢驗(yàn)的波段數(shù)量少。但是在光譜數(shù)據(jù)4種變換的基礎(chǔ)上進(jìn)行一階、二階微分處理，通過(guò)顯著性檢驗(yàn)的波段數(shù)量明顯增加，基于倒數(shù)變換一階微分處理的波段數(shù)可達(dá)50個(gè)。在600～2 400 nm處的相關(guān)系數(shù)呈降低趨勢(shì)的波段范圍，進(jìn)行微分處理后，通過(guò)顯著性檢驗(yàn)的趨勢(shì)更為突出。此表征經(jīng)一階、二階微分預(yù)處理過(guò)后的光譜數(shù)據(jù)的變化趨勢(shì)發(fā)生細(xì)化并能夠呈現(xiàn)更多的光譜信息，減少光譜信息的忽略。

2.2?葉綠素含量建模

利用PLSR方法、BP神經(jīng)網(wǎng)絡(luò)法，通過(guò)DPS（Version 16.05）軟件計(jì)算，對(duì)高光譜反射率R及其對(duì)應(yīng)4種數(shù)學(xué)變換的一階、二階微分處理數(shù)據(jù)進(jìn)行葉綠素含量的高光譜估算建模，建模參數(shù)見表2、表3。結(jié)合建立的20個(gè)估算模型精度參數(shù)篩選后發(fā)現(xiàn)，相對(duì)分析誤差RPD值超過(guò)2的估算模型僅2個(gè)，分別是基于lgR二階微分的PLSR和BP-NN所建立的模型，其余模型的相對(duì)分析誤差RPD未超過(guò)2。將光譜原數(shù)據(jù)微分與4種數(shù)學(xué)變換后微分處理相比較發(fā)現(xiàn)，原數(shù)據(jù)一階、二階微分處理進(jìn)行2種方法建模發(fā)現(xiàn)，基于偏最小二乘回歸法（PLSR）建立模型的精度參數(shù)分別為：RPD=1.06、1.72，RMSEp=5.11、4.14，R2p=0.63、0.72;而基于BP神經(jīng)網(wǎng)絡(luò)建立模型的精度參數(shù)分別為：RPD=1.93、1.01，RMSEp=5.84、5.13，R2p=0.52、0.62。原數(shù)據(jù)經(jīng)過(guò)數(shù)學(xué)變換后一階、二階微分處理發(fā)現(xiàn)，在建模的波段范圍為400～2 268 nm時(shí)，基于lgR二階微分建立BP神經(jīng)網(wǎng)絡(luò)模型的精度參數(shù)為：RPD=1.02、2.98，RMSEp=5.40、3.24，R2p=0.64、0.84;而同樣數(shù)據(jù)處理建立PLSR模型的精度參數(shù)為：RPD=1.22、3.20，RMSEp=4.63、2.41，R2p=0.75、0.91。上述分析可得，基于數(shù)學(xué)變換處理后建立PLSR模型的決定系數(shù)R2分別提高0.12、0.19，校正均方根誤差RMSE分別下降0.48、1.73;而利用BP神經(jīng)網(wǎng)絡(luò)建立模型的決定系數(shù)R2分別提高0.12、0.22，校正均方根誤差RMSE分別下降0.44、1.89。2種模型都具有一定的預(yù)測(cè)能力，結(jié)合模型的精度參數(shù)及穩(wěn)健性，基于偏最小二乘回歸法的模型預(yù)測(cè)能力高于BP神經(jīng)網(wǎng)絡(luò)建模;對(duì)原數(shù)據(jù)的數(shù)學(xué)變換后一階、二階微分處理而言，二階微分處理增強(qiáng)了原數(shù)據(jù)的敏感性以及建模能力。表征原始光譜數(shù)據(jù)的對(duì)數(shù)lgR二階微分一定程度上可以增強(qiáng)光譜對(duì)葉綠素含量的敏感性程度，并利用PLS回歸法對(duì)春小麥葉片葉綠素含量具有較好的定量反演能力，且計(jì)算量及過(guò)程相對(duì)簡(jiǎn)易，該估算模型最佳，其R2c=0.93，RMSEc=2.53，R2p=0.91，RMSEp=2.41，RPD=3.20。選擇具有最優(yōu)反演能力的模型來(lái)檢驗(yàn)樣本的實(shí)測(cè)值與估測(cè)值散點(diǎn)圖及模型各個(gè)波段的系數(shù)，結(jié)果如圖4所示。

3?結(jié)論與討論

對(duì)于具有豐富光譜信息的高光譜數(shù)據(jù)而言，僅利用單個(gè)波段反射率建立的估算模型無(wú)法充分利用高光譜數(shù)據(jù)，從而在一定程度上限制反演模型的精度[18]。基于此，該研究不單對(duì)于光譜細(xì)節(jié)變換，而且考慮了利用去除噪聲波段的多個(gè)敏感波段綜合建模，研究分析基于4種數(shù)學(xué)變換及其一階、二階微分預(yù)處理在高光譜數(shù)據(jù)估算葉綠素含量的可能性，且對(duì)抽穗期的春小麥葉片葉綠素含量的相關(guān)性進(jìn)行了初步探討，結(jié)合應(yīng)用PLSR、BP神經(jīng)網(wǎng)絡(luò)對(duì)春小麥抽穗期葉片葉綠素含量進(jìn)行高光譜建模，得出以下結(jié)論：（1）采用Savitzky-Golay濾波對(duì)采樣區(qū)春小麥葉片反射率光譜曲線進(jìn)行平滑去噪處理，將預(yù)處理后的光譜反射率數(shù)據(jù)進(jìn)行4種數(shù)學(xué)變換，再進(jìn)行一階、二階微分處理;其中，微分處理（一階、二階微分）可以對(duì)春小麥葉綠素含量與其光譜反射率相關(guān)性的變化趨勢(shì)進(jìn)行細(xì)化，在700～1 350、1 500～1 800、2 000～2 400 nm等波段范圍內(nèi)明顯地增加了通過(guò)0.01顯著性檢驗(yàn)的波段數(shù)量，其相關(guān)性系數(shù)得到了增強(qiáng)，并呈現(xiàn)出更多的未表達(dá)的信息。（2）分別比較經(jīng)過(guò)數(shù)據(jù)變換及其一階、二階微分預(yù)處理所建立的20個(gè)春小麥葉綠素含量的高光譜PLSR和BP-NN估算模型及其精度驗(yàn)證結(jié)果，基于數(shù)學(xué)變換處理后建立PLSR模型的決定系數(shù)Rp2分別提高了0.12、0.19，校正均方根誤差RMSEp分別下降了0.48、1.73;而利用BP神經(jīng)網(wǎng)絡(luò)建立模型的決定系數(shù)Rp2分別提高了0.12、0.22，校正均方根誤差RMSEp分別下降了0.44、1.89。對(duì)2種建模方法而言，2種模型都具有一定的預(yù)測(cè)能力，結(jié)合模型的精度參數(shù)及穩(wěn)健性，基于偏最小二乘回歸法的模型預(yù)測(cè)能力高于BP神經(jīng)網(wǎng)絡(luò)建模。（3）對(duì)原數(shù)據(jù)的數(shù)學(xué)變換后一階、二階微分處理而言，二階微分處理增強(qiáng)了原數(shù)據(jù)的敏感性以及建模能力。表征原始光譜數(shù)據(jù)的對(duì)數(shù)lgR二階微分一定程度上可以增強(qiáng)光譜對(duì)葉綠素含量的敏感性程度，并利用偏最小二乘回歸法對(duì)研究區(qū)春小麥葉綠素含量具有較好的定量反演能力，且計(jì)算量及過(guò)程相對(duì)簡(jiǎn)易，因而決定該預(yù)測(cè)模型為最優(yōu)模型，其R2c=0.93，RMSEc=2.53，R2p=0.91，RMSEp=2.41，RPD=3.20，實(shí)測(cè)值與預(yù)測(cè)值擬合方程y=0.92x+3.7，r2=0.91。數(shù)據(jù)經(jīng)數(shù)學(xué)變換及微分預(yù)處理后對(duì)模型精度和穩(wěn)健性有明顯的提高，并達(dá)到了春小麥葉綠素含量高光譜估算的精度要求。

以往的研究[19-22]往往對(duì)小麥光譜數(shù)據(jù)沒有充分利用，僅利用單個(gè)光譜特征參數(shù)進(jìn)行建模，對(duì)于光譜細(xì)節(jié)變換及利用多個(gè)敏感波段綜合建模的研究相對(duì)較少，且主要以各個(gè)生長(zhǎng)時(shí)期的冬小麥為研究對(duì)象，而受生長(zhǎng)周期、播種時(shí)間等因素的限制對(duì)于春小麥葉片葉綠素含量的研究相對(duì)較少。該研究利用小型系統(tǒng)性試驗(yàn)田內(nèi)處于抽穗期早期春小麥的野外高光譜數(shù)據(jù)及其對(duì)應(yīng)的實(shí)測(cè)葉片葉綠素含量進(jìn)行葉綠素含量定量估算。但因?yàn)樵撗芯繕颖镜臄?shù)量相對(duì)有限，且抽穗期持續(xù)時(shí)間也較短，所以建立的葉綠素含量高光譜估算模型的穩(wěn)健性還有待進(jìn)一步驗(yàn)證。因此，擴(kuò)大播種面積及樣本數(shù)量，并針對(duì)春小麥不同重要生育期進(jìn)行細(xì)化研究，完善春小麥葉片高光譜數(shù)據(jù)庫(kù)，進(jìn)一步提高模型的穩(wěn)健性將是后續(xù)研究的努力方向。

參考文獻(xiàn)：

[1]張?凱，王潤(rùn)元，馮?起，等. 模擬增溫和降水變化對(duì)半干旱區(qū)春小麥生長(zhǎng)及產(chǎn)量的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（s1）：161-170.

[2]張?建，孟?晉，趙必權(quán)，等. 消費(fèi)級(jí)近紅外相機(jī)的水稻葉片葉綠素（SPAD）分布預(yù)測(cè)[J]. 光譜學(xué)與光譜分析，2018，38（3）：737-744.

[3]姚云軍，秦其明，張自力，等. 高光譜技術(shù)在農(nóng)業(yè)遙感中的應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24（7）：301-306.

[4]Yuan Z F，Ata-Ul-Karim S T，Cao Q，et al. Indicators for diagnosing nitrogen status of rice based on chlorophyll meter readings[J]. Field Crops Research，2016，185（185）：12-20.

[5]宋?莎，江旭生，韓秀梅，等. 不同蘋果砧木葉綠素含量與光合速率研究[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（3）：149-150.

[6]尼加提·卡斯木，師慶東，王敬哲，等. 基于高光譜特征和偏最小二乘法的春小麥葉綠素含量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（22）：208-216.

[7]梁?亮，楊敏華，張連蓬，等. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（20）：162-171.

[8]茹京娜，于?洋，董凡凡，等. 小麥抽穗期QTL及其與環(huán)境的互作[J]. 麥類作物學(xué)報(bào)，2014，34（9）：1185-1190.

[9]曾慶敏，劉新平. 天山北坡經(jīng)濟(jì)帶宜耕未利用地開發(fā)潛力分區(qū)及評(píng)價(jià)——以新疆阜康市為例[J]. 中國(guó)生態(tài)農(nóng)業(yè)學(xué)報(bào)，2016，24（6）：819-828.

[10]張?超，孫?林，韓留生，等. 新疆阜康地區(qū)徑流及植被覆蓋變化研究[J]. 測(cè)繪地理信息，2016，41（3）：79-81.

[11]宋廷宇，陳赫楠，常?雪，等. 2個(gè)薄皮甜瓜葉片SPAD值與葉綠素含量的相關(guān)性分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2014，42（4）：127-129.

[12]何麗斯，蘇家樂，劉曉青，等. 高山杜鵑葉片葉綠素含量測(cè)定及其與SPAD值的關(guān)系[J]. 江蘇農(nóng)業(yè)科學(xué)，2012，40（11）：190-191.

[13]姜海玲，楊?杭，陳小平，等. 利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究[J]. 光譜學(xué)與光譜分析，2015，35（4）：975-981.

[14]羅?丹，常慶瑞，齊雁冰，等. 基于光譜指數(shù)的冬小麥冠層葉綠素含量估算模型研究[J]. 麥類作物學(xué)報(bào)，2016，36（9）：1225-1233.

[15]楊建昌，杜?永，劉?輝. 長(zhǎng)江下游稻麥周年超高產(chǎn)栽培途徑與技術(shù)[J]. 中國(guó)農(nóng)業(yè)科學(xué)，2008，41（6）：1611-1621.

[16]Shi Z，Wang Q L，Peng J，et al. Development of a National VNIR soil-spectral library for soil classification and prediction of organic matter concentrations[J]. Science China Earth Sciences，2014，57（7）：1671-1680.

[17]Li X C，Zhang Y J，Bao Y S，et al. Exploring the best hyperspectral features for LAI estimation using partial least squares regression[J]. Remote Sensing，2014，6（7）：6221-6241.

[18]姚付啟，張振華，楊潤(rùn)亞，等. 基于紅邊參數(shù)的植被葉綠素含量高光譜估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（13）：123-129.

[19]孫?紅，李民贊，趙?勇，等. 冬小麥生長(zhǎng)期光譜變化特征與葉綠素含量監(jiān)測(cè)研究[J]. 光譜學(xué)與光譜分析，2010，30（1）：192-196.

[20]李粉玲，常慶瑞. 基于連續(xù)統(tǒng)去除法的冬小麥葉片全氮含量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（7）：174-179.

[21]王?偉，彭彥昆，馬?偉，等. 冬小麥葉綠素含量高光譜檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41（5）：172-177.

[22]郭?燕，程永政，黎世民，等. 區(qū)域尺度冬小麥葉綠素含量的高光譜預(yù)測(cè)和空間變異研究[J]. 麥類作物學(xué)報(bào)，2017，37（7）：970-977.