東北水稻葉片SPAD遙感光譜估算模型

張新樂 于滋洋 李厚萱 劉煥軍* 張忠臣 趙明明 王 翔

(1.東北農(nóng)業(yè)大學(xué) 資源與環(huán)境學(xué)院，哈爾濱 150030； 2.東北農(nóng)業(yè)大學(xué) 農(nóng)學(xué)院，哈爾濱 150030)

葉綠素含量是作物生長的重要指標(biāo)，是評(píng)價(jià)作物光合作用能力，監(jiān)測(cè)作物生長狀況，判斷作物生理營養(yǎng)好壞的重要依據(jù)，因此可以通過監(jiān)測(cè)作物葉綠素含量間接對(duì)作物生長條件進(jìn)行調(diào)控。目前，傳統(tǒng)的葉綠素含量檢測(cè)方法有分光分度計(jì)法、熒光分析法及活體葉綠素儀法等[1]，但這些方法操作復(fù)雜繁瑣，并會(huì)破壞植物生長，因此迫切需要尋找高效和非破壞性的葉綠素檢測(cè)方法。

遙感技術(shù)可以為作物生理指標(biāo)的定量化監(jiān)測(cè)提供一種簡便有效且非破壞性的采集方法[2]。國內(nèi)外許多學(xué)者在監(jiān)測(cè)植被生理指標(biāo)方面做了大量研究[3-5]。張春蘭等[6]在優(yōu)選光譜指數(shù)和確定最佳自變量個(gè)數(shù)的基礎(chǔ)上結(jié)合隨機(jī)森林算法構(gòu)建了LAI反演模型；Inoue等[7]在水稻關(guān)鍵時(shí)期利用高光譜數(shù)據(jù)確定作物冠層含氮量估算的敏感波段對(duì)其進(jìn)行估算；梁亮等[8]利用導(dǎo)數(shù)光譜構(gòu)建了新型光譜指數(shù)進(jìn)行小麥含水量反演并進(jìn)行含水量遙感制圖；利用遙感數(shù)據(jù)同樣可以對(duì)作物進(jìn)行產(chǎn)量估測(cè)[9-11]。同樣針對(duì)于葉綠素反演的研究也有很多，有學(xué)者提出一種估算作物葉片葉綠素含量和冠層葉綠素含量反演方法并建立混合反演模型[12]；賀英等[13]利用數(shù)碼相機(jī)影像采用可見光波段構(gòu)建SPAD估算模型；陳志強(qiáng)等[14]通過對(duì)比分析不同年間光譜指數(shù)與SPAD的關(guān)系，確立能良好估測(cè)整個(gè)生育期玉米葉片SPAD的光譜指數(shù)；以紅邊參數(shù)為自變量同樣可以對(duì)SPAD進(jìn)行良好的估測(cè)，并且相對(duì)于紅邊位置以紅邊峰度為自變量可以提高估算精度[15]。Gitelson等[16]表明基于葉片尺度估算葉綠素適宜指數(shù)。傳統(tǒng)的回歸模型對(duì)反演的精度有一定的限制，由于植被生理參數(shù)與植被光譜反射率關(guān)系是非線性的，人工神經(jīng)網(wǎng)絡(luò)具有非線性和適應(yīng)性的特點(diǎn)，在解決非線性擬合問題方面有很大優(yōu)勢(shì)[17]。并且與主成分回歸和偏最小二乘回歸等模型相比，BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)精度更高[18]。因此，BP神經(jīng)網(wǎng)絡(luò)與高光譜遙感反演的結(jié)合對(duì)植被生理參數(shù)進(jìn)行反演可以提高反演精度。利用神經(jīng)網(wǎng)絡(luò)模型反演精度明顯高于多元回歸模型[19]；采用不同植被指數(shù)作為 BP神經(jīng)網(wǎng)絡(luò)模型的輸入量能較好地反演不同地區(qū)不同作物的生理參數(shù)[20-22]。

以上基于BP神經(jīng)網(wǎng)絡(luò)反演的研究均直接采用植被指數(shù)作為輸入量，缺乏對(duì)不同輸入因子的對(duì)比分析及優(yōu)勢(shì)探討。因此本研究采用東北地區(qū)不同品種水稻作為研究對(duì)象，探究高光譜監(jiān)測(cè)水稻葉片SPAD的敏感波段和最優(yōu)指數(shù)，建立相應(yīng)的SPAD估算回歸模型,旨在確定適宜東北地區(qū)水稻葉片SPAD估算的最優(yōu)輸入量及最優(yōu)算法。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

水稻樣本采集于2017年6—9月的黑龍江省哈爾濱市呼蘭區(qū)試驗(yàn)田(45.9°N，126.8°E)為晚熟品種188和早熟品種龍稻11號(hào)2種。數(shù)據(jù)獲取時(shí)期包括移栽后、分蘗期、拔節(jié)期、孕穗期和抽穗期5個(gè)關(guān)鍵時(shí)期。施肥處理采用移栽施一次基肥，分蘗期和抽穗期之前進(jìn)行2次追肥的施肥方式。基肥、分蘗肥和穗肥施肥比例為5∶2∶3，氮磷鉀比例為2∶1∶2?？偣苍O(shè)置6個(gè)小區(qū)，氮肥處理設(shè)置0、90.0、112.5、135.0、157.5和180.0 kg/hm26個(gè)肥力水平，分別用N1、N2、N3、N4、N5和N6表示。施肥品種分別為二銨、尿素和硫酸鉀，肥中各營養(yǎng)素含量分別為二銨的含磷量為46%，含氮量為17%；尿素的含氮量為46%；硫酸鉀的含鉀量為50%。每個(gè)施肥水平設(shè)置4次重復(fù)，隨機(jī)區(qū)組排列，小區(qū)面積為72 m2。5月24日播種，其他管理同常規(guī)高產(chǎn)田。

1.2 數(shù)據(jù)采集與處理

水稻葉片反射光譜數(shù)據(jù)采用美國SVC HR768i型光譜輻射儀，光譜探測(cè)范圍350～2 500 nm，光譜分辨率為3.5、8.5和6.5 nm。利用自帶光源型手持葉片光譜探測(cè)器直接測(cè)定葉片光譜，光源為內(nèi)置鹵素?zé)簟y(cè)定前，利用漫反射參考板進(jìn)行儀器校正。每個(gè)肥力水平在長勢(shì)均一處選擇6組葉片進(jìn)行光譜反射率測(cè)定，對(duì)每個(gè)小區(qū)選擇的樣本點(diǎn)分別采集光譜曲線。測(cè)定前對(duì)測(cè)定的葉片進(jìn)行標(biāo)識(shí)，注明編號(hào)。對(duì)得到的光譜反射率利用SVC HR-768 PC進(jìn)行平滑處理，去除不同采樣間隔連接處的拐點(diǎn)噪聲。6組葉片光譜反射率數(shù)據(jù)取算數(shù)平均值得到葉片的最終光譜反射率。本研究將原始反射率重采樣至1 nm。

采用SPAD-502型手持式葉綠素儀同步測(cè)定水稻葉片的SPAD值。測(cè)量時(shí)，在每片葉子上均勻測(cè)取2個(gè)SPAD值，取算數(shù)平均值為最終的SPAD值；取6組數(shù)據(jù)算數(shù)平均值為最終的葉片SPAD值。共得到120個(gè)樣本數(shù)據(jù)，隨機(jī)抽取80個(gè)作為建模樣本，剩余40個(gè)作為驗(yàn)證樣本。

1.3 特征參數(shù)選擇

光譜特征參數(shù)分別為藍(lán)黃紅三邊及綠峰紅谷處位置形狀參數(shù)、綠峰與紅谷的比值、紅邊面積與藍(lán)邊面積和黃邊面積的比值和歸一化值(表1)。所有植被指數(shù)均在重采樣1 nm基礎(chǔ)上計(jì)算任意2個(gè)波段的原始反射率和一階導(dǎo)數(shù)值組合而成的所有差值、比值和歸一化值，并分析其與水稻葉片SPAD的關(guān)系，進(jìn)行最優(yōu)化篩選得到最優(yōu)波段組合。利用Python編程實(shí)現(xiàn)波段組合與最優(yōu)值篩選。

表1 光譜指數(shù)計(jì)算公式Table 1 Calculation formula of spectral index

1.4 模型構(gòu)建與精度驗(yàn)證

采用BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)共有輸入層、隱藏層和輸出層3層。隱藏層函數(shù)為‘tansig’，輸出層函數(shù)為‘purelin’，訓(xùn)練函數(shù)為‘trainlm’。隱含層節(jié)點(diǎn)數(shù)q則根據(jù)式(1)給定的范圍，最終確定為4～10。

(1)

式中：k為輸入層單元數(shù)；m為輸出層單元數(shù)；α為1～10的常數(shù)。

共獲得120組有效數(shù)據(jù)，將其中80組作為訓(xùn)練樣本，40組作為驗(yàn)證樣本，以決定系數(shù)(R2)、均方根誤差(RMSE)作為指標(biāo)評(píng)價(jià)指標(biāo)。R2越大，RMSE越小，模型越穩(wěn)定。式(2)為均方根誤差的計(jì)算公式。

(2)

2 結(jié)果與分析

2.1 葉片反射光譜特征分析

葉片反射率主要受葉片內(nèi)色素、細(xì)胞結(jié)構(gòu)及葉片含水量三方面影響。在可見光波段(350～720 nm)葉片反射率主要受葉片內(nèi)色素影響，其中葉片反射率受葉綠素影響最大。隨水稻植株生長，水稻葉片光合能力增強(qiáng)和對(duì)紅光、藍(lán)光吸收增強(qiáng)，導(dǎo)致紅藍(lán)波段反射率逐漸減小。在450和670 nm附近水稻葉片反射率形成2個(gè)吸收谷。在紅波段與藍(lán)波段處的強(qiáng)吸收使綠波段反射率逐漸突出，水稻植株葉片顏色逐漸變綠，在綠波段處形成反射峰。本試驗(yàn)兩品種水稻綠波段反射峰均在分蘗期達(dá)到峰值。在近紅外波段(720～1 300 nm)，水稻光譜曲線特征受葉片內(nèi)部細(xì)胞結(jié)構(gòu)的影響，由于水稻葉片的細(xì)胞壁和細(xì)胞空隙間折射率影響，導(dǎo)致近紅外波段處水稻葉片光譜反射率較高。品種188在近紅外波段處移栽后與分蘗期反射率相差較大，在分蘗期以后近紅外處反射率增加幅度變小，由于188為晚熟品種所以水稻反射率在水稻生長末期依然呈增長趨勢(shì)。龍稻11在近紅外波段處移栽后與分蘗期反射率相差不大，水稻反射率在近紅外處增長較為穩(wěn)定，由于龍稻11號(hào)為早熟品種導(dǎo)致其在拔節(jié)孕穗之后近紅外波段處反射率增長幅度不顯著，在抽穗期反射率略有下降。在短波紅外內(nèi)(1 300～2 500 nm)，水稻光譜反射率主要受葉片含水量影響，其中在1 400和1 900 nm處為2個(gè)水分吸收帶，在1 600和2 200 nm處則是位于水分吸收帶之間形成的反射峰(圖1)。

圖1 品種188和龍稻11在N3施肥處理下不同時(shí)期葉片反射率曲線
Fig.1 Leaf reflectance curves of variety 188 and Longdao 11 under N3 fertilization at different stages

2.2 相關(guān)性分析

2.2.1反射率各波段相關(guān)性分析

由圖2可以看出，光譜反射率與水稻SPAD值在400～1 000 nm存在正相關(guān)關(guān)系，在可見光范圍內(nèi)，光譜反射率與水稻SPAD值相關(guān)系數(shù)逐漸減小并在640 nm處相關(guān)系數(shù)達(dá)到最低；光譜反射率與水稻SAPD相關(guān)系數(shù)在紅邊(690～760 nm)范圍內(nèi)逐漸變大，在近紅外范圍內(nèi)相關(guān)系數(shù)達(dá)到最大并且相關(guān)系數(shù)值保持穩(wěn)定，最大相關(guān)系數(shù)在反射率為982 nm處，達(dá)到0.68。

在400～1 000 nm波長，一階微分光譜具有兩峰一谷的特征：左峰位于波長480～550 nm，峰頂部位于520 nm處，振幅較小，約為右峰的1/3；右峰位于波長670～780 nm，峰頂部位于700 nm處。左峰波長范圍正好處在藍(lán)邊(490～530 nm)范圍，右峰波長范圍正好處在紅邊(680～760 nm)范圍；577 nm處有明顯的波谷。400～688 nm和750～1 000 nm一階微分光譜與水稻SPAD值相關(guān)關(guān)系波動(dòng)較大并且都以0為中心上下波動(dòng)；690～770 nm一階微分光譜與水稻SPAD值相關(guān)性達(dá)到極顯著正相關(guān),最大相關(guān)系數(shù)可達(dá)0.78。

圖2 SPAD與光譜反射率、一階微分相關(guān)分析
Fig.2 Correlation coefficients between SPAD and Spectral reflectance, First derivative

2.2.2紅邊參數(shù)與植被指數(shù)相關(guān)性分析

在基于高光譜位置和面積的參數(shù)與SPAD的相關(guān)分析中可以發(fā)現(xiàn)，除藍(lán)邊位置，黃邊位置和紅谷位置外，其余參數(shù)均與SPAD呈極顯著相關(guān)關(guān)系。其中紅邊位置和紅邊面積與SPAD相關(guān)系數(shù)明顯大于其他光譜參數(shù)，相關(guān)系數(shù)在0.6以上(表2)。綠峰處參數(shù)與SPAD相關(guān)性極顯著，但是相關(guān)系數(shù)較小在0.27左右。黃邊幅值與黃邊面積與SPAD呈極顯著負(fù)相關(guān)。

在植被指數(shù)與SPAD相關(guān)性分析中可以發(fā)現(xiàn)，三類植被指數(shù)均與SPAD極顯著相關(guān)且相關(guān)系數(shù)均在0.8以上。兩波段原始反射率和一階微分光譜歸一化指數(shù)形式與SPAD相關(guān)性顯著高于差值和比值2種形式，并且基于一階導(dǎo)數(shù)構(gòu)建的植被指數(shù)相關(guān)系數(shù)整體高于原始反射率所構(gòu)建的植被指數(shù)。本研究篩選出相關(guān)系數(shù)絕對(duì)值>0.8的參數(shù)作為估算模型的自變量，所選自變量為本所構(gòu)建的6種植被指數(shù)。

表2 光譜參數(shù)、植被指數(shù)與SPAD的相關(guān)系數(shù)Table 2 Correlation coefficient between spectral parameters, vegetation index and SPAD

注：**表示在0.01水平差異顯著。

Note：** shows significant correlation at the level of 0.01.

3 SPAD高光譜預(yù)測(cè)模型

3.1 基于一階微分單一波段的SPAD估算模型

因?yàn)橐浑A微分值與SPAD具有最大相關(guān)系數(shù)在波長為729 nm處，所以以729 nm處一階微分值為輸入量構(gòu)建SPAD回歸模型。表3為729 nm處一階微分光譜與水稻葉片SPAD值的估算回歸模型。通過比較發(fā)現(xiàn)，對(duì)數(shù)、多項(xiàng)式和冪函數(shù)的建模的決定系數(shù)R2均>0.6，并且3種模型的驗(yàn)證模型決定系數(shù)R2均>0.7。由驗(yàn)證樣本分析，對(duì)數(shù)模型和多項(xiàng)式模型R2高于其他類回歸模型， RMSE小于其他類回歸模型，因此對(duì)數(shù)模型和多項(xiàng)式模型為最佳估算模型。冪函數(shù)模型估算效果相對(duì)較好。但是驗(yàn)證樣本決定系數(shù)R2明顯大于建模樣本，并且差值接近1。驗(yàn)證樣本均方根誤差也明顯大于建模樣本。

表3 一階微分SPAD值估算回歸模型Table 3 First order differential SPAD estimation regression model

3.2 基于植被指數(shù)的SPAD估算模型

在光譜參數(shù)、植被指數(shù)與SPAD的相關(guān)分析中發(fā)現(xiàn)，選取的植被指數(shù)相關(guān)系數(shù)大于所有光譜參數(shù)，并且相關(guān)系數(shù)在0.8以上(表2)。因此采用指數(shù)、一元線性、對(duì)數(shù)、多項(xiàng)式和冪函數(shù)構(gòu)建基于植被指數(shù)回歸方程，將每種植被指數(shù)精度最高的方程作為估算結(jié)果。表4為以植被指數(shù)為輸入量的水稻SPAD最優(yōu)估算模型，驗(yàn)證樣本中，以DVI(710,982)、DVI(D755，D930) 和NDVI(662,1 000)為輸入量的回歸模型決定系數(shù)都在0.7以上?？梢园l(fā)現(xiàn)以兩波段原始反射率或一階微分光譜差值指數(shù)形式組合計(jì)算的DVI為自變量，所建立的回歸模型精度高于比值和歸一化值2種形式，其中以DVI(D755，D930)為自變量建立的回歸模型精度驗(yàn)證樣本R2為0.785，RMSE為2.184，此模型為最佳估算模型；NDVI(662,1 000)為自變量的回歸模型R2為0.74，RMSE為2.575，估算精度同樣較好。

表4 植被指數(shù)與SPAD值估算回歸模型Table 4 Regression model of vegetation index and SPAD estimation

3.3 水稻葉片SPAD神經(jīng)網(wǎng)絡(luò)模型

所選取輸入層共有3組數(shù)據(jù)，分別為構(gòu)建回歸模型所選取的四組植被指數(shù)NDVI(662,1 000)、DVI(D755，D930)、RVI(D693，D413)和NDVI(D413，D622)；藍(lán)波段(500 nm)、綠波段(550 nm)、紅波段(660 nm)和近紅外波段(860 nm)處反射率，波段選擇主要以植被在可見光-近紅外光譜反射特征差異為原則，利用人工神經(jīng)網(wǎng)絡(luò)模擬可以尋求不同波段做的互補(bǔ)優(yōu)勢(shì)[23]；選取450、540、680和 960 nm 處反射率與第二組數(shù)據(jù)對(duì)比，其中所選波段均在可見光與近紅外范圍與SPAD相關(guān)系數(shù)較高。將水稻葉片實(shí)測(cè)SPAD值1個(gè)變量作為輸出層。

表5為不同輸入層及不同隱含層節(jié)點(diǎn)數(shù)的水稻葉片SPAD值神經(jīng)網(wǎng)絡(luò)模擬的建模與驗(yàn)證結(jié)果。由表5可知，采用500、550、660和860 nm作為輸入量，隱含層節(jié)點(diǎn)數(shù)為10的條件下估算精度最高。通過分析可以發(fā)現(xiàn)，當(dāng)植被指數(shù)作為輸入量，隱含層節(jié)點(diǎn)數(shù)為7時(shí)，神經(jīng)網(wǎng)絡(luò)模型相較于傳統(tǒng)回歸模型精度提高。在隱含層節(jié)點(diǎn)數(shù)為7～10時(shí)模型趨于穩(wěn)定，R2穩(wěn)定在0.8以上；當(dāng)采用500、550、660和 860 nm 波段反射率作為輸入量時(shí)，隱含層節(jié)點(diǎn)數(shù)為7，相比于以植被指數(shù)作為輸入層模型精度提高，在隱含層節(jié)點(diǎn)數(shù)為8～10時(shí)，模型精度趨于穩(wěn)定；當(dāng)采用450、540、680和960 nm反射率作為輸入量時(shí)，隱含層節(jié)點(diǎn)數(shù)在8以上時(shí)，模型精度同樣趨于穩(wěn)定。第三組輸入量同第二組輸入量相比，模型精度差異很小。說明以神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，以不同波段反射率作為輸入量可以對(duì)水稻葉片SPAD值進(jìn)行估算。

表5 水稻葉片光譜SPAD神經(jīng)網(wǎng)絡(luò)模擬建模與驗(yàn)證結(jié)果Table 5 Modeling and validation of rice leaf spectral SPAD neural network

4 討 論

本研究首先分析了不同品種水稻不同生育期在光譜特征上的特點(diǎn)，不同品種在不同生育期反射光譜形狀大致相似，之前也有類似的結(jié)果[24]。在建立估算模型時(shí)選擇三類變量與水稻葉片SPAD進(jìn)行相關(guān)性分析，包括1)原始反射率和一階微分光譜；2)基于原始反射率及一階微分構(gòu)建的光譜參數(shù)；3)基于原始反射率及一階微分進(jìn)行優(yōu)選計(jì)算的植被指數(shù)。在相關(guān)性分析中發(fā)現(xiàn)， 一階微分光譜與SPAD相關(guān)性好于原始反射率，以往有研究證明微分光譜與植被生理參數(shù)相關(guān)性更好[25]，并且植被指數(shù)與SPAD相關(guān)性好于光譜參數(shù)。

3種植被指數(shù)中歸一化指數(shù)形式的組合相關(guān)性高于其他2種形式，但是建模估算結(jié)果表明，以差值形式作為自變量估算精度最高。精度最高的3個(gè)建模自變量分別為DVI(710,982)、DVI(D755,D930)和NDVI(622,1 000)，這3種指數(shù)的波段組合都是紅波段、紅邊處與近紅外波段的組合，說明紅波段與近紅外波段是估算SPAD的最優(yōu)組合。并且不同建模方法估算精度差異較大?；趩尾ǘ我浑A微分和植被指數(shù)建立估算回歸模型中非線性模型估算精度明顯高于線性模型，原因可能有2個(gè)：1)在植被生長過程中葉綠素在不同階段變化速率不同，導(dǎo)致在生長末期葉綠素含量存在飽和現(xiàn)象；2)在光譜采集和SPAD值數(shù)據(jù)采集過程中由于操作原因?qū)е鹿浪憬Y(jié)果呈明顯的非線性關(guān)系?；貧w模型中驗(yàn)證樣本精度明顯高于建模樣本，說明估算的經(jīng)驗(yàn)?zāi)Ｐ筒环€(wěn)定，模型的普適性需要加強(qiáng)。

本研究中采用BP神經(jīng)網(wǎng)絡(luò)可以提高估算的精度，與傳統(tǒng)回歸模型相比預(yù)測(cè)效果更好，這與前人研究的結(jié)果一致[26]。但以上研究直接將植被指數(shù)作為輸入量，缺乏對(duì)最優(yōu)輸入因子的優(yōu)化篩選。采用50、550、660和860 nm作為輸入量比采用植被指數(shù)作為輸入量估算精度高，這是因?yàn)橹脖恢笖?shù)之間相關(guān)性較高，神經(jīng)網(wǎng)絡(luò)所能提取的有用信息較少，而以可見光和近紅外波段處反射率作為輸入量可以實(shí)現(xiàn)不同波段反射率間信息的互補(bǔ)，以此提高估算精度；采用450、540、680和960 nm波段的反射率作為輸入量對(duì)比發(fā)現(xiàn)，采用不同波段反射率作為輸入量對(duì)估算精度影響較小，因?yàn)锽P神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自學(xué)習(xí)能力且能有效解決非線性問題，可以通過不同波段作為輸入量。但是波段選擇也不是完全隨機(jī)的，本研究是在與葉綠素相關(guān)性較高的可見光和近紅外波段處的反射率進(jìn)行分析，其他波段處的反射率作為輸入量還有待探究。BP神經(jīng)網(wǎng)絡(luò)雖然預(yù)測(cè)效果較好，但也存在一些不足，樣本數(shù)量要足夠大，否則模型訓(xùn)練結(jié)果有很大隨機(jī)性。本研究尚存在部分局限性，由于使用一年一個(gè)區(qū)的樣本數(shù)據(jù)，缺乏對(duì)不同年份不同地區(qū)模型適宜性的探討，因此今后需要針對(duì)更多水稻品種在不同年份及區(qū)域的適宜模型做進(jìn)一步的探究。

5 結(jié) 論

本研究針對(duì)東北地區(qū)5個(gè)時(shí)期不同品種水稻葉片進(jìn)行實(shí)驗(yàn)，建立水稻葉片SPAD估算的回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，比較2種模型精度并且比較在不同參數(shù)作為輸入量的情況下BP神經(jīng)網(wǎng)絡(luò)模型的精度，可以得出以下結(jié)論：

1)不同品種水稻光譜反射率形狀大致相似，早熟品種水稻近紅外處反射率在孕穗期達(dá)到飽和并且穩(wěn)定，孕穗期和抽穗期反射率差異較??；晚熟品種水稻近紅外處反射率在孕穗期仍然小于抽穗期。兩品種水稻綠峰處反射率均在分蘗期達(dá)到峰值。

2)水稻葉片一階微分值與SPAD值在紅邊范圍內(nèi)720～755 nm相關(guān)系數(shù)達(dá)到最大，在732 nm處具有最大相關(guān)系數(shù)0.78， 利用此波段處的一階微分值構(gòu)建的對(duì)數(shù)和多項(xiàng)式模型為最佳估算模型。在其他波段一階微分光譜與SPAD相關(guān)系數(shù)波動(dòng)較大。

3)在光譜特征參數(shù)與SPAD相關(guān)分析中，紅邊位置和紅邊面積與SPAD相關(guān)系數(shù)最大。在植被指數(shù)中，兩波段歸一化值組合與水稻葉片SPAD相關(guān)性較好，但是差值組合建立回歸模型精度最高。在回歸模型中以植被指數(shù)DVI(D755，D930)為自變量建立的多項(xiàng)式模型為最佳估算模型，估算模型與南方水稻SPAD估算模型有所不同。

4)BP神經(jīng)網(wǎng)絡(luò)模型在隱藏節(jié)點(diǎn)數(shù)為7時(shí)估算精度達(dá)到穩(wěn)定，并且利用BP神經(jīng)網(wǎng)絡(luò)模型可以提高反演精度，采用波段反射率作為輸入量精度明顯高于采用植被指數(shù)作為輸入量，并且在可見光和近紅外處經(jīng)過不同波段反射率的嘗試說明神經(jīng)網(wǎng)絡(luò)模型較為穩(wěn)定，可以用來反演葉綠素相對(duì)含量。