基于無人機(jī)高光譜影像的水稻葉片磷素含量估算

班松濤 田明璐 常慶瑞 王 琦 李粉玲

(1.西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院， 陜西楊凌 712100； 2.上海市農(nóng)業(yè)科學(xué)院農(nóng)業(yè)科技信息研究所， 上海 201403；3.上海市數(shù)字農(nóng)業(yè)工程技術(shù)研究中心， 上海 201403)

0 引言

磷元素是農(nóng)作物體內(nèi)多種生物分子的關(guān)鍵組成部分，參與了大量理化反應(yīng)和代謝過程，是農(nóng)作物所需的大量營養(yǎng)元素之一[1]。在農(nóng)業(yè)生產(chǎn)過程中，磷肥施入不足會(huì)影響作物的生長和作物品質(zhì)，施入過量則會(huì)造成面源污染[2]。因此，快速、準(zhǔn)確地診斷磷素在田間的分布狀況、并有針對(duì)性地進(jìn)行精準(zhǔn)施肥對(duì)實(shí)現(xiàn)高效綠色農(nóng)業(yè)非常重要。但通過化學(xué)分析測(cè)量作物磷素含量的方法所花費(fèi)的時(shí)間和人力成本都比較高，且難以實(shí)現(xiàn)對(duì)大面積作物的快速測(cè)量。

高光譜遙感技術(shù)的發(fā)展為作物組分快速無損監(jiān)測(cè)提供了新的手段，眾多學(xué)者對(duì)作物各類元素含量的高光譜特征展開研究，并提出了多種反演模型。針對(duì)作物磷素含量，MAHAJAN等[3]對(duì)雜交水稻養(yǎng)分含量的高光譜進(jìn)行監(jiān)測(cè)，研究發(fā)現(xiàn)，磷含量與波長670、700、730、1 090、1 260、1 460 nm處反射率具有較高的相關(guān)性，且在1 460 nm處相關(guān)性最高，由1 260、670 nm兩個(gè)波段組合得到的歸一化光譜指數(shù)能夠以較高的精度反演水稻葉片磷含量，其驗(yàn)證R2為0.67。林芬芳等[4]基于互信息理論對(duì)水稻光譜進(jìn)行分析，提取了536、551、630、656、1 040 nm共計(jì)5個(gè)對(duì)水稻葉片磷素敏感的波段，并在此基礎(chǔ)上采用神經(jīng)網(wǎng)絡(luò)和多元線性回歸構(gòu)建了磷素估算模型，其預(yù)測(cè)R2達(dá)到了0.989。ALABBAS等[5]、程一松等[6]、OSBORNE等[7]、王磊等[8]分析了玉米在不同磷素含量下的高光譜特征，發(fā)現(xiàn)波段350～730 nm和1 420～1 800 nm的可見光-近紅外光譜可以用于玉米磷素的診斷。SEMBIRING等[9]、PIMSTEIN等[10]、MAHAJAN等[11]、劉煒等[12]研究了磷脅迫下冬小麥的光譜特征，發(fā)現(xiàn)小麥磷含量與可見光波段的反射率呈顯著負(fù)相關(guān)，特別是紅光波段的反射率。此外，也有一些學(xué)者對(duì)蘋果[13-15]、柑橘[16]、番茄[17]、黃瓜[18]等果蔬作物的葉片磷含量高光譜特征和反演模型進(jìn)行了研究，并取得了較好的效果。

以上研究主要基于葉片光譜或近地冠層光譜，每次只能測(cè)量單個(gè)樣點(diǎn)上的磷素狀態(tài)，而無人機(jī)高光譜成像技術(shù)則可將測(cè)量范圍從樣點(diǎn)擴(kuò)展到區(qū)域尺度，從而更好地為生產(chǎn)實(shí)際服務(wù)[19-21]。目前，在較大范圍內(nèi)基于無人機(jī)平臺(tái)的水稻磷元素高光譜監(jiān)測(cè)研究仍較少。本文以水稻為研究對(duì)象，基于無人機(jī)高光譜影像數(shù)據(jù)，通過波段篩選和光譜指數(shù)構(gòu)建，建立水稻葉片全磷含量(Leaf phosphorus content, LPC)估算模型，以期為水稻磷元素營養(yǎng)狀況的無人機(jī)遙感監(jiān)測(cè)提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)與試驗(yàn)田概況

試驗(yàn)田位于寧夏回族自治區(qū)青銅峽市葉盛鎮(zhèn)水稻示范基地(38°7′28″N，106°11′37″E)，如圖1所示。葉盛鎮(zhèn)屬溫帶干旱氣候，地貌類型為黃河沖積平原。葉盛鎮(zhèn)水稻示范基地試驗(yàn)田種植的水稻品種為寧粳43號(hào)，設(shè)置3個(gè)水平的氮肥和4個(gè)水平生物炭組合，共12個(gè)處理。氮肥施入量分別為0 kg/hm2(N1)、240 kg/hm2(N2)、300 kg/hm2(N3)；生物炭施入量分別為0 kg/hm2(C1)、4 500 kg/hm2(C2)、9 000 kg/hm2(C3)、13 500 kg/hm2(C4)；每個(gè)處理重復(fù)3次，共計(jì)36個(gè)小區(qū)。各小區(qū)磷肥和鉀肥相同，P2O5和K2O施入量均為90 kg/hm2，但由于水稻氮-磷吸收具有互作效應(yīng)，不同氮處理小區(qū)的水稻對(duì)磷的吸收并不相同[22-23]，LPC也有差異。其他管理措施與當(dāng)?shù)卮筇锼鞠嗤?。單個(gè)小區(qū)規(guī)格為5 m×12 m，面積60 m2。

1.2 高光譜影像獲取與處理

于2016年7月19日(拔節(jié)期)、8月16日(灌漿期)和9月7日(乳熟期)展開田間試驗(yàn)3次。使用的機(jī)載遙感傳感器為Cubert S185型快照式高成像光譜儀(簡稱S185)，影像數(shù)據(jù)的波長范圍為450～998 nm，光譜采樣間隔為4 nm；影像分辨率為1 000像素×1 000像素；鏡頭焦距25 mm，視場角13°。高光譜影像的采集于11:00—12:00在田間上空進(jìn)行，天氣晴。遙感平臺(tái)為八旋翼無人機(jī)，設(shè)定自動(dòng)航線的航向重疊率85%，旁向重疊率70%，飛行高度100 m；在無人機(jī)起飛之前，使用隨S185配備的標(biāo)準(zhǔn)白板對(duì)傳感器進(jìn)行反射率標(biāo)定；設(shè)置S185為等時(shí)間間隔自動(dòng)拍攝，時(shí)間間隔為1 s；飛行時(shí)間約12 min，單次飛行獲取影像約720幅。對(duì)影像進(jìn)行篩選，剔除冗余影像，使用Cubert Pilot軟件對(duì)高光譜影像進(jìn)行輻射校正、大氣校正等處理，根據(jù)白板標(biāo)定結(jié)果將影像DN值轉(zhuǎn)換為反射率，得到反射率影像數(shù)據(jù)；在Agisoft Photoscan軟件中對(duì)反射率影像進(jìn)行拼接，然后根據(jù)差分GPS測(cè)量得到的10個(gè)地面像控點(diǎn)坐標(biāo)，在ArcGIS軟件中對(duì)拼接得到的影像進(jìn)行幾何校正，再使用試驗(yàn)田邊界矢量文件對(duì)影像進(jìn)行裁切，得到覆蓋完整試驗(yàn)田的高光譜影像(圖1b)，影像空間分辨率為2.7 cm。

1.3 水稻葉片全磷含量測(cè)定

在無人機(jī)高光譜影像采集的同一天，在每個(gè)小區(qū)中心區(qū)域選擇長勢(shì)均勻、代表性強(qiáng)的樣點(diǎn)1個(gè)，采集樣點(diǎn)周圍半徑約為100 cm內(nèi)水稻不同部位的葉片30片左右，裝入自封袋帶回實(shí)驗(yàn)室；并使用差分GPS記錄每個(gè)采樣點(diǎn)的坐標(biāo)。將葉片樣品殺青、干燥、粉碎，使用全自動(dòng)間斷化學(xué)分析儀測(cè)量樣品中全氮和全磷含量，以干基質(zhì)量分?jǐn)?shù)表示。各生育期LPC統(tǒng)計(jì)特征如表1所示。

表1 LPC樣本統(tǒng)計(jì)特征

水稻對(duì)氮、磷的吸收具有協(xié)同作用，王偉妮等[22]、劉曉偉等[23]的研究表明在磷肥施入量固定的情況下，氮肥施入量的增加會(huì)顯著提高磷的吸收量；氮肥施入不足時(shí)，磷的吸收也會(huì)出現(xiàn)下降的趨勢(shì)。本研究中各小區(qū)采用碳氮組合施肥處理，但檢測(cè)結(jié)果表明，不同氮肥處理小區(qū)的LPC均值也具有明顯的差異，具體表現(xiàn)為氮肥施入量越高、LPC越大(圖2)。因此，水稻LPC數(shù)據(jù)集具備光譜分析和建模所需的梯度和差異性。

1.4 光譜反射率提取及數(shù)據(jù)集劃分

以每個(gè)小區(qū)內(nèi)采樣點(diǎn)的坐標(biāo)為中心，使用ENVI軟件中的ROI工具在各期拼接和校正處理完成的高光譜影像上選取50像素×50像素的區(qū)域，并統(tǒng)計(jì)區(qū)域內(nèi)所有像元的光譜反射率(Spectral reflectance, SR)的平均值作為該樣點(diǎn)的水稻冠層光譜反射率，得到3個(gè)生育期的光譜和葉片全磷數(shù)據(jù)樣本共108組，在每個(gè)生育期數(shù)據(jù)的3個(gè)重復(fù)小區(qū)中隨機(jī)選取2個(gè)用于建模，剩余1個(gè)用于驗(yàn)證。這樣，2/3的樣本(72個(gè))作為建模集，1/3的樣本(36個(gè))作為驗(yàn)證集。

1.5 研究方法

1.5.1敏感波段選擇

由于高光譜數(shù)據(jù)波段較多，在建模之前需要對(duì)波段進(jìn)行篩選，去除不包含目標(biāo)信息的波段。本研究使用連續(xù)投影算法(Successive projections algorithm, SPA)提取特征波段。SPA是一種前向變量選擇算法，通過使矢量空間的共線性最小化，消除原始光譜矩陣中冗余的信息，從全部波段中篩選出若干特征波長，從而使基于光譜的多元回歸模型的建模條件得到簡化和改善[24]。

1.5.2光譜指數(shù)選擇

將波段450～998 nm范圍內(nèi)任意兩個(gè)波長的光譜反射率分別進(jìn)行歸一化、比值和差值運(yùn)算，得到歸一化光譜指數(shù)(Normalized difference spectral index，NDSI)、比值光譜指數(shù)(Ratio spectral index，RSI)和差值光譜指數(shù)(Difference spectral index，DSI)，計(jì)算公式為

NDSI(Ri,Rj)=(Ri-Rj)/(Ri+Rj)

(1)

RSI(Ri,Rj)=Ri/Rj

(2)

DSI(Ri,Rj)=Ri-Rj

(3)

式中Ri、Rj——波長i、j處的光譜反射率

分別計(jì)算每一個(gè)NDSI、RSI、DSI與LPC的相關(guān)系數(shù)，尋找與LPC相關(guān)性最高的光譜指數(shù)用于LPC估算模型的構(gòu)建。

1.5.3模型構(gòu)建與檢驗(yàn)

基于建模數(shù)據(jù)集，分別使用多元線性回歸(Multivariable linear regression, MLR)、偏最小二乘回歸法(Partial least squares regression, PLSR)、支持向量機(jī)回歸(Support vector regression, SVR)和基于人工神經(jīng)網(wǎng)絡(luò)(Artificial neural network, ANN)的回歸算法進(jìn)行LPC估算模型的構(gòu)建。其中PLSR集成了主成分分析、典型相關(guān)分析和多元線性回歸分析，能夠消除自變量間的多重相關(guān)性，有效提取對(duì)系統(tǒng)解釋性最強(qiáng)的綜合變量，建立精確、穩(wěn)定的模型[25]。SVR是基于統(tǒng)計(jì)學(xué)理論的一種機(jī)器學(xué)習(xí)算法，通過非線性映射把輸入的向量數(shù)據(jù)從原空間映射到高維空間，并在高維空間中構(gòu)造最優(yōu)回歸函數(shù)[26]。ANN是一種模仿生物神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和功能的非線性統(tǒng)計(jì)性數(shù)據(jù)建模機(jī)器學(xué)習(xí)算法[27]；本文采用多層前饋神經(jīng)網(wǎng)絡(luò)，通過設(shè)置輸入層、中間層(也稱隱含層)和輸出層，基于數(shù)學(xué)統(tǒng)計(jì)學(xué)類型的學(xué)習(xí)方法進(jìn)行優(yōu)化，建立回歸模型。本文SVR模型中使用的核函數(shù)為Polynomial函數(shù)；ANN模型采用的訓(xùn)練算法為Levenberg-Marquardt，設(shè)置隱含層層數(shù)為5。

使用驗(yàn)證數(shù)據(jù)集對(duì)各模型精度進(jìn)行檢驗(yàn)，采用決定系數(shù)R2(Coefficient of determination)和均方根誤差(Root mean square error, RMSE)評(píng)估各模型的精度，R2越接近1、RMSE越小，模型精度越高。

2 結(jié)果與分析

2.1 水稻LPC高光譜特征

不同LPC水稻冠層光譜反射率如圖3所示。由圖3可知，在波段454～720 nm范圍內(nèi)，水稻冠層光譜反射率隨LPC的增大而減小；在波段724～998 nm范圍，反射率隨LPC的變化沒有表現(xiàn)出規(guī)律性的變化。對(duì)全生育期內(nèi)水稻LPC與各波段光譜反射率的相關(guān)性進(jìn)行分析，結(jié)果如圖4所示，在可見光-紅邊波段462～718 nm范圍，LPC與光譜反射率表現(xiàn)出極顯著負(fù)相關(guān)(P<0.001)；其中在波段562～706 nm范圍相關(guān)系數(shù)絕對(duì)值均高于0.8，形成了一個(gè)高相關(guān)平臺(tái)；LPC與波長622 nm處的光譜反射率達(dá)到最大負(fù)相關(guān)，相關(guān)系數(shù)為-0.902。在近紅外波段722～998 nm范圍，LPC與光譜反射率未表現(xiàn)出顯著相關(guān)性。MAHAJAN等[3]研究發(fā)現(xiàn)水稻冠層LPC在波段520～710 nm范圍與光譜反射率顯著負(fù)相關(guān)(P<0.05)，這一結(jié)論與本文相一致。但在波長大于710 nm的近紅外波段，MAHAJAN等[3]發(fā)現(xiàn)LPC與反射率顯著正相關(guān)(P<0.05)，而本研究中LPC與近紅外波段反射率雖也表現(xiàn)出正相關(guān)，但未達(dá)到0.001水平的顯著性，這可能與使用的數(shù)據(jù)集及顯著性水平的選取有關(guān)。

2.2 基于SPA特征波長的LPC估算模型

以LPC為目標(biāo)變量、各波段的光譜反射率為解釋變量，使用SPA對(duì)全波段進(jìn)行篩選，最終選取670、706、722、846 nm 共4個(gè)特征波長?；诮?shù)據(jù)集，以4個(gè)特征波長對(duì)應(yīng)的光譜反射率為自變量，分別使用MLR、PLSR、SVR和ANN算法構(gòu)建LPC估算模型，并用驗(yàn)證數(shù)據(jù)集對(duì)各模型精度進(jìn)行檢驗(yàn)，結(jié)果如表2所示。LPC-SR-ANN和LPC-SR-PLSR 2個(gè)模型精度較高，2個(gè)模型的建模R2和驗(yàn)證R2均高于0.9；其中LPC-SR-ANN模型的建模R2達(dá)到了0.976，RMSE僅為0.007%，表現(xiàn)最佳。但在模型驗(yàn)證中LPC-SR-PLSR表現(xiàn)出最高的精度，驗(yàn)證R2為0.925，其次才是LPC-SR-ANN模型；這說明基于PLSR算法的模型具有更好的穩(wěn)定性。

表2 基于特征波長光譜反射率的LPC模型

2.3 基于光譜指數(shù)的LPC估算模型

對(duì)LPC與任意兩波段光譜反射率組合運(yùn)算得到的光譜指數(shù)NDSI(Ri,Rj)、RSI(Ri,Rj)和DSI(Ri,Rj)進(jìn)行相關(guān)分析，并制作相關(guān)系數(shù)的等勢(shì)圖，結(jié)果如圖5所示。其中，498 nm與606 nm組合得到的NDSI(R498,R606)和RSI(R498,R606)與LPC相關(guān)性最好，相關(guān)系數(shù)分別為0.913和0.915；498 nm和586 nm組合得到的DSI(R498,R586)與LPC相關(guān)性最好，相關(guān)系數(shù)為0.938。

以NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)為自變量，分別使用MLR、PLSR、SVR和ANN構(gòu)建LPC估算模型，并利用驗(yàn)證數(shù)據(jù)集對(duì)各模型精度進(jìn)行檢驗(yàn)，結(jié)果如表3所示。LPC-SI-ANN模型的精度最高，建模R2達(dá)到0.937、RMSE僅為0.011%，驗(yàn)證R2為0.885、RMSE為0.029%，表現(xiàn)優(yōu)于其他3個(gè)模型；LPC-SI-SVR模型建模精度較高(R2=0.891)，但驗(yàn)證精度略低(R2=0.878)；LPC-SI-PLSR和LPC-SI-MLR兩個(gè)模型建模精度相近(R2分別為0.885和0.884)，但前者驗(yàn)證精度更高(R2為0.881)，PLSR算法再次表現(xiàn)出較好的穩(wěn)定性。

表3 基于光譜指數(shù)的LPC模型

2.4 水稻LPC空間分布的高光譜遙感反演

使用精度較高的LPC-RS-PLSR模型對(duì)獲取的各期高光譜影像進(jìn)行解算，得到試驗(yàn)田水稻各生育期冠層LPC空間分布圖，結(jié)果如圖6所示；使用對(duì)應(yīng)時(shí)期的LPC實(shí)測(cè)值對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行擬合檢驗(yàn)，結(jié)果如圖7所示。由圖6、7可以看出，各生育期水稻LPC模型預(yù)測(cè)值與實(shí)測(cè)值基本一致：一方面，對(duì)于同一生育期內(nèi)不同施肥處理的小區(qū)，肥力越高的地塊水稻長勢(shì)越好，LPC也越高；另一方面，對(duì)于同一施肥處理的小區(qū)，在不同生育期，隨著水稻從拔節(jié)到成熟的發(fā)展，葉片中的磷元素向果實(shí)轉(zhuǎn)移，LPC呈下降的趨勢(shì)。但同時(shí)也發(fā)現(xiàn)，基于全生育期建立的LPC估算模型在單個(gè)生育期中的預(yù)測(cè)精度有所下降(圖7)：拔節(jié)期和灌漿期的LPC驗(yàn)證R2分別為0.714和0.704，乳熟期LPC驗(yàn)證R2為0.639。

3 討論

3.1 LPC敏感光譜波段

水稻LPC的高光譜特征較為明顯，與LPC高相關(guān)的光譜反射率集中在可見光-紅邊波段462～718 nm范圍，經(jīng)過SPA篩選得到的4個(gè)特征波長中的2個(gè)波長(670、706 nm)、以及構(gòu)建的新型光譜指數(shù)用到的波長(498、586、606 nm)都分布在該區(qū)間內(nèi)。這一結(jié)果也與其他學(xué)者相關(guān)的研究相同：MAHAJAN等[3]發(fā)現(xiàn)的6個(gè)磷元素高相關(guān)波段中有2個(gè)(670、700 nm)在此范圍；林芬芳等[4]使用互信息理論提取到的水稻葉片磷元素的5個(gè)敏感波段中有4個(gè)在同一波段區(qū)間，分別為波長536、551、630、656 nm。這表明診斷水稻磷素的光譜波長位于可見光-紅邊范圍，且敏感度較高的是紅光波段(656、670 nm)和紅邊波段(706、700 nm)。這也與玉米[5-8]、小麥[9-12]等糧食作物的磷素敏感波段相一致，說明這些作物磷素含量的差異在反射光譜上的響應(yīng)具有相似性。在不同的研究中水稻磷含量光譜響應(yīng)也有所不同，且主要反映在近紅外波段上；這主要是由數(shù)據(jù)源和光譜獲取尺度上的差異造成的：本文所使用的數(shù)據(jù)源為低空尺度的無人機(jī)高光譜影像，一方面Cubert S185光譜測(cè)量的波長范圍較小(小于1 000 nm)，且波段900～1 000 nm范圍內(nèi)測(cè)得的光譜信噪比較低[28-29]；另一方面近紅外光譜受作物冠層結(jié)構(gòu)影響較大[30-31]，而近地面尺度和低空無人機(jī)尺度獲取的光譜數(shù)據(jù)中水稻表現(xiàn)出的冠層結(jié)構(gòu)不同[31-32]。這些因素都會(huì)造成不同的研究中近紅外波段上的差異。

3.2 LPC估算模型

在LPC模型的構(gòu)建中，盡管LPC與部分波段的光譜反射率已經(jīng)具有高度的相關(guān)性，但不適合直接用作自變量進(jìn)行建模。這主要是由于高光譜數(shù)據(jù)的相鄰波段之間往往具有較強(qiáng)的共線性，而在多元回歸模型中共線性會(huì)降低模型精度和穩(wěn)定性[33]。因此本研究分別使用SPA篩選特征波長、使用波段組合構(gòu)建光譜指數(shù)用于建模，以減少共線性的影響。從建模結(jié)果來看，基于特征波長的模型精度總體上優(yōu)于基于光譜指數(shù)的模型，這主要是由于兩類變量所包含的光譜信息量不同：4個(gè)特征波長分布于從可見光到近紅外的多個(gè)譜段，光譜信息更豐富；而3個(gè)光譜指數(shù)只使用了可見光中的3個(gè)波段，且NDSI(R498,R606)和RSI(R498,R606)用到的波段相同，包含的光譜信息相對(duì)較少。在后續(xù)的研究中，可以考慮將光譜反射率和光譜指數(shù)進(jìn)行綜合分析篩選、構(gòu)建模型。此外，在各模型中，ANN模型一般都能取得最高的建模精度，但驗(yàn)證精度會(huì)出現(xiàn)較大幅度的下降，原因可能是在本研究數(shù)據(jù)集中，基于機(jī)器學(xué)習(xí)的ANN算法在建模過程中出現(xiàn)了一定程度的過擬合現(xiàn)象。

試驗(yàn)中發(fā)現(xiàn)由于養(yǎng)分脅迫的原因，試驗(yàn)田各小區(qū)水稻生育期并不嚴(yán)格一致；而單個(gè)時(shí)期內(nèi)樣本量較小，不足以反映光譜隨LPC變化的實(shí)際規(guī)律；因此，本研究在分析和建模過程中使用了3個(gè)時(shí)期匯總的數(shù)據(jù)集。在針對(duì)特定時(shí)期的水稻LPC空間分布制圖中，由于樣本數(shù)據(jù)分布和數(shù)量的差異，模型對(duì)單個(gè)時(shí)期的LPC預(yù)測(cè)精度有所下降。

4 結(jié)論

(1)LPC與無人機(jī)影像上水稻冠層光譜反射率在波段462～718 nm范圍呈極顯著負(fù)相關(guān)(P<0.001)，在波段562～706 nm范圍內(nèi)相關(guān)系數(shù)絕對(duì)值均高于0.8，負(fù)相關(guān)最大處相關(guān)系數(shù)達(dá)到-0.902。二者在波段722～998 nm范圍未表現(xiàn)出顯著相關(guān)性。

(2)使用連續(xù)投影算法，以LPC為目標(biāo)對(duì)光譜波段進(jìn)行篩選，得到4個(gè)特征波長分別為670、706、722、846 nm。以特征波長為自變量構(gòu)建的4個(gè)LPC估算模型中，基于PLSR算法的模型精度和穩(wěn)定性最佳，驗(yàn)證R2達(dá)到0.925，RMSE為0.027%。

(3)LPC與NDSI(R498,R606)、RSI(R498,R606)、DSI(R498,R586) 3個(gè)新構(gòu)建的光譜指數(shù)相關(guān)性較高，相關(guān)系數(shù)分別為0.913、0.915和0.938?；谛陆ü庾V指數(shù)的ANN模型對(duì)LPC具有較好的預(yù)測(cè)能力，驗(yàn)證R2為0.885，RMSE為0.029%。

(4)基于全生育期LPC-PLSR模型和高光譜影像計(jì)算得到各生育期LPC的空間分布，其結(jié)果與實(shí)測(cè)值相一致，可以用于田間水稻葉片磷素狀況的監(jiān)測(cè)。