基于高光譜成像的棉花葉片氮素含量遙感估測(cè)

張文旭，佟炫夢(mèng)，周天航，楊振康，孫嘉祺，王金剛，崔 靜，王海江

（石河子大學(xué) 農(nóng)學(xué)院，新疆石河子832000）

氮素作為棉花生長(zhǎng)發(fā)育的必需元素之一，其豐缺度對(duì)棉花的品質(zhì)與產(chǎn)量具有關(guān)鍵作用。傳統(tǒng)氮素營(yíng)養(yǎng)診斷技術(shù)在取樣、測(cè)定、數(shù)據(jù)分析等方面耗費(fèi)人力、物力，且時(shí)效性差，不利于推廣應(yīng)用[1]。隨著光譜技術(shù)的快速發(fā)展，特別是基于高光譜成像技術(shù)的快速無(wú)損、圖譜合一的監(jiān)測(cè)技術(shù)應(yīng)運(yùn)而生[2]，彌補(bǔ)了傳統(tǒng)氮素檢測(cè)方法的不足。因此，利用高光譜成像技術(shù)監(jiān)測(cè)植株氮素營(yíng)養(yǎng)狀況，對(duì)大范圍棉花養(yǎng)分的精準(zhǔn)管理具有重要的指導(dǎo)意義。

目前，國(guó)內(nèi)外已有大量學(xué)者利用高光譜成像技術(shù)對(duì)作物氮素估測(cè)展開(kāi)研究，主要集中在水稻[3]、小麥[4]等糧食作物。近幾年，該技術(shù)在農(nóng)業(yè)相關(guān)領(lǐng)域應(yīng)用越來(lái)越多，例如監(jiān)測(cè)棉花氮素含量[5]、土壤墑情[6]以及檢測(cè)果實(shí)品質(zhì)[7-8]等。原始光譜往往會(huì)受到與待測(cè)樣本性質(zhì)無(wú)關(guān)的環(huán)境因素干擾，導(dǎo)致近紅外光譜的基線漂移和光譜的不重復(fù)[9]，通過(guò)對(duì)原始光譜進(jìn)行多種光譜變換，可降低干擾影響，有效提高模型精度。JIN等[10]利用小波變換對(duì)不同病害程度的棉花葉片的高光譜反射率數(shù)據(jù)進(jìn)行信息提取和降維處理。高穎等[11]研究發(fā)現(xiàn)微分變換后的光譜信息對(duì)土壤養(yǎng)分含量的預(yù)測(cè)能力明顯提升。地物光譜特征是地物目標(biāo)綜合屬性和環(huán)境因素共同作用的表征，但利用地物全波段光譜數(shù)據(jù)估測(cè)某一特定屬性時(shí)往往造成數(shù)據(jù)冗余[12]，研究發(fā)現(xiàn)通過(guò)連續(xù)投影算法（successive projections algorithm，SPA）[13]、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）[14]和最佳指數(shù)法（optimal index factor，OIF）[15]等技術(shù)提取目標(biāo)屬性的特征波段，有助于建立精度較高的估測(cè)模型。余克強(qiáng)等[16]采集尖椒不同葉位的高光譜數(shù)據(jù)，針對(duì)選取的特征波段和全波段，分別建立偏最小二乘回歸模型，對(duì)比得出利用特征波段建立的模型精度較高。

目前，基于高光譜成像技術(shù)估測(cè)地物目標(biāo)屬性切實(shí)可行，且建立的模型預(yù)測(cè)精度較高。已有的研究中光譜模型構(gòu)建和模型檢驗(yàn)大多使用的是同一年的樣本數(shù)據(jù)[17-19]，但作物在不同年際環(huán)境條件下其光譜反射特征均有所變化，對(duì)光譜估測(cè)模型的穩(wěn)定性和普適性檢驗(yàn)方面還略顯不足。本研究通過(guò)采集2019年棉花葉片不同生育時(shí)期的光譜信息，對(duì)比分析多種光譜變換形式和生育時(shí)期的估測(cè)精度，利用連續(xù)投影算法（SPA）提取特征波段，采取主成分回歸（PCR）和偏最小二乘回歸（PLSR）兩種方法建立高光譜棉花葉片氮素含量估測(cè)模型，并利用2020年的光譜數(shù)據(jù)對(duì)模型精度進(jìn)行檢驗(yàn)，以期為棉花葉片高光譜氮素含量實(shí)時(shí)監(jiān)測(cè)、精確診斷和定量管理提供理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)于2019～2020年在新疆石河子大學(xué)農(nóng)學(xué)試驗(yàn)站（45°19′N，86°3′E）進(jìn)行，選取棉花品種為當(dāng)?shù)刂髟云贩N新陸早75號(hào)，該品種緊湊且葉色偏深，對(duì)氮素敏感度較高。供試土壤為灰漠土，取自石河子大學(xué)農(nóng)學(xué)試驗(yàn)站（45°19′N，86°3′E），土壤基本性質(zhì)見(jiàn)表1。

表1 試驗(yàn)土壤基本性質(zhì)Table 1 Basic properties of test soil

試驗(yàn)設(shè)置0，75，150，300kg·hm-2共4個(gè)氮肥水平，以N0、N1、N2、N3表示，每個(gè)處理重復(fù)6次，共24個(gè)小區(qū)。常規(guī)磷鉀肥處理采用當(dāng)?shù)赝扑]養(yǎng)分量，即重過(guò)磷酸鈣（P2O5，46%）105kg·hm-2，硫酸鉀（K2O，50%）75kg·hm-2，磷鉀肥播種前全部基施，氮肥（N，46%）40%基施，60%隨水追施。棉花培養(yǎng)期間共灌水6次，均為滴施，使其田間持水量保持在70%～80%。采樣時(shí)間分別為棉花苗期、蕾期、初花期、盛花期和結(jié)鈴期。

1.2 棉花葉片成像光譜數(shù)據(jù)獲取

棉花近地高光譜圖像采集儀器選用美國(guó)SOC公司開(kāi)發(fā)的SOC710-VP便攜式可見(jiàn)/近紅外高光譜成像光譜儀和SOC710-SWIR遠(yuǎn)紅外高光譜成像光譜儀（以下簡(jiǎn)稱為VP和SWIR），成像采集系統(tǒng)包括：成像光譜儀、便攜式多功能野外觀測(cè)支架、可調(diào)式鹵素?zé)?、?jì)算機(jī)、密封式箱柜及翻拍架。兩臺(tái)光譜儀均采用內(nèi)置推掃式光譜成像技術(shù)，無(wú)需外部運(yùn)動(dòng)平臺(tái)，可在現(xiàn)場(chǎng)獲取目標(biāo)地物在相應(yīng)波長(zhǎng)范圍內(nèi)多個(gè)波段的高光譜圖像立方體，所獲取的高光譜圖像具有圖譜合一的特點(diǎn)，即圖像上每一個(gè)像元點(diǎn)都包含著豐富的光譜信息，不同性質(zhì)的目標(biāo)點(diǎn)有著不同光譜特征，兼具光譜檢測(cè)和圖像檢測(cè)功能。VP的光譜區(qū)間在400～1000nm，光譜分辨率為5.54nm，圖像分辨率為695×519，掃描速率為150～200幀·s-1；SWIR的光譜區(qū)間在900～1700nm，光譜分辨率為2.73nm，圖像分辨率為639×511，掃描速率為150～200幀·s-1。

在棉花苗期、蕾期、初花期、盛花期和結(jié)鈴期采集成像光譜數(shù)據(jù)，圖像光譜數(shù)據(jù)通過(guò)Hyper Scanner V2軟件平臺(tái)進(jìn)行采集。鏡頭垂直棉花葉片上方，同一株棉花從頂向下4片主莖葉按順序平鋪在黑色平板上，置于暗室的鹵素?zé)粝?，設(shè)定拍攝高度為80cm，設(shè)定積分時(shí)間分別為34ms（VP）和80ms（SWIR）。在設(shè)定參數(shù)后進(jìn)行暗電流校正，每拍攝一張高光譜影像之前，將參考板置于鏡頭覆蓋范圍內(nèi)，使獲取的影像中同時(shí)包含參考板和目標(biāo)物。

1.3 棉花葉片氮素含量測(cè)定

將棉花葉片于105℃下殺青30min，80℃下烘干至恒重，粉碎后采用H2SO4-H2O2法消煮，使用K9840-自動(dòng)凱氏定氮儀測(cè)定棉花葉片全氮含量[20]。

1.4 數(shù)據(jù)處理方法

1.4.1 感興趣區(qū)域（ROI）選取 為消除枯斑、葉脈以及葉片不平等因素影響，利用SRAnal710e軟件進(jìn)行ROI選取。首先對(duì)灰板曲線進(jìn)行提取，然后對(duì)數(shù)據(jù)圖片進(jìn)行波長(zhǎng)定標(biāo)和輻射定標(biāo)，打開(kāi)灰板文件，將能量值轉(zhuǎn)換為反射率值，最后利用Select Region工具對(duì)反射率轉(zhuǎn)換完成的圖片文件提取葉片（避開(kāi)棉花葉脈）3處面積為50×50nm像素紋理清晰的感興趣區(qū)域（ROI）的平均值作為原始反射率（R）。

1.4.2 光譜預(yù)處理 為保證數(shù)據(jù)的統(tǒng)一性，首先對(duì)原始數(shù)據(jù)進(jìn)行卷積平滑（SG）提高信噪比，過(guò)濾噪聲，其他預(yù)處理均在SG基礎(chǔ)上進(jìn)行。多元散射校正（MSC）對(duì)光譜散射的影響可以有效消減；變量標(biāo)準(zhǔn)化（SNV）一般用來(lái)消除固體顆粒大小、表面散射及光程變化所帶來(lái)的光譜誤差，但是通常會(huì)將去趨勢(shì)算法（Detrending）與變量標(biāo)準(zhǔn)化算法聯(lián)合應(yīng)用，用于SNV預(yù)處理光譜儀之后的進(jìn)一步處理；區(qū)域歸一化（Area-normalize）是一種在無(wú)法測(cè)量路徑長(zhǎng)度時(shí)對(duì)光譜進(jìn)行修訂，或者分離出一個(gè)特有的化學(xué)成分的特征波段，通過(guò)計(jì)算樣品光譜的曲線下的面積來(lái)使光譜平滑；倒數(shù)的二階微分(1/SG)″和對(duì)數(shù)的二階微分[lg(SG)]″可以消除基線漂移和背景信號(hào)、提高分析精度[21]。數(shù)據(jù)的變換與處理采用Unscrambler 10X軟件。

1.4.3 光譜特征信息提取 研究測(cè)定的成像高光譜數(shù)據(jù)含有320條波段，數(shù)據(jù)存在冗余現(xiàn)象，為避免圖像的處理帶來(lái)壓力，通過(guò)連續(xù)投影算法（SPA）提取特征波段。SPA是一種矢量空間共線性最小化的向前變量選擇法，它利用向量投影分析最大程度地消除光譜中的冗余信息，從全波段中篩選出少數(shù)幾個(gè)特征波段，不僅能夠減少參與建模的光譜波段個(gè)數(shù)，并且能夠保證特征波段之間的共線性最小，從而提高建模效率[22]。

1.4.4 模型構(gòu)建與驗(yàn)證 試驗(yàn)在每個(gè)生育時(shí)期采集64個(gè)樣本，2019和2020年采集樣本對(duì)應(yīng)的生育時(shí)期相同，每年共采集320個(gè)樣本，測(cè)定其氮素含量，舍去測(cè)定值異常樣本，2019年樣本數(shù)為309個(gè)，2020年樣本數(shù)為315個(gè)，將2019年每個(gè)時(shí)期的樣本按照氮素濃度隨機(jī)選取75%作為建模集，25%作為驗(yàn)證集。進(jìn)行年際間模型驗(yàn)證時(shí)，將2019年共309個(gè)作為建模集，2020年的315個(gè)樣本作為驗(yàn)證集。模型構(gòu)建與驗(yàn)證樣本氮素含量及其描述性統(tǒng)計(jì)分析如表2。由表2可知，建模集樣本中最大值出現(xiàn)在盛花期，為7.44mg·kg-1，最小值在結(jié)鈴期，為2.39mg·kg-1。樣本的變異系數(shù)在10%到100%之間，屬于中等變異，說(shuō)明數(shù)據(jù)離散程度較高，有利于模型的構(gòu)建。

表2 棉花各生育時(shí)期葉片氮素含量的描述性統(tǒng)計(jì)分析Table 2 Descriptive statistical analysis of nitrogen content in cotton leaves at various growth stages

本研究采取主成分回歸法（PCR）和偏最小二乘法（PLSR）建立基于高光譜成像的棉花葉片氮素含量預(yù)測(cè)模型。主成分回歸（PCR）將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)重要變量的一種多元統(tǒng)計(jì)分析方法。通過(guò)主成分分析對(duì)于原先提出的所有變量，建立盡可能少的新變量，使得這些新變量是兩兩不相關(guān)的，而這些新變量所包含的信息盡可能保持原有信息[23]。偏最小二乘模型（PLSR）是將因子分析和回歸分析相結(jié)合的方法，它不僅僅考慮因變量與自變量集合的回歸建模，還采用成分提取的方法，在變量系統(tǒng)中提取對(duì)系統(tǒng)有最佳解釋能力的新綜合變量，再對(duì)它們進(jìn)行回歸建模[24]。模型的精度評(píng)價(jià)主要有決定系數(shù)（coefficient of determination，R2）、均方根誤差（root mean square error，RMSE）和相對(duì)分析誤差（relative percent deviation，RPD）。R2越趨向1，說(shuō)明模型的預(yù)測(cè)能力越穩(wěn)定，RMSE可以反映模型的預(yù)測(cè)能力，RMSE越小，模型的估算能力越強(qiáng)[25]，RPD大于2.0說(shuō)明模型適于估算棉花葉片氮素含量，RPD小于1.5時(shí)，模型不可靠，RPD在1.5～2.0之間，模型的可靠性可以通過(guò)不同的建模方法得到提高[26]。

2 結(jié)果與分析

2.1 施氮量對(duì)棉花葉片氮素含量的影響

由圖1可知，隨著生育時(shí)期的延長(zhǎng)，棉花葉片氮素含量呈現(xiàn)先升高后降低的趨勢(shì)，盛花期達(dá)到最大，N0、N1、N2、N3處理下全氮含量分別為5.62，6.07，6.68，6.55mg·kg-1，除了盛花期最高含氮量出現(xiàn)在N2處理，為6.68mg·kg-1，其余各時(shí)期棉花葉片氮素含量均隨著施氮量的增加而呈上升趨勢(shì)，其中N0、N1、N2處理的葉片全氮含量差異顯著（p＜0.05），而N2處理與N3處理的葉片氮素含量無(wú)顯著差異，所有生育時(shí)期在N0處理下全氮含量均低于3mg·kg-1。

圖1 基于高光譜成像的棉花葉片氮素估測(cè)模型流程圖Figure 1 Flow chart of cotton leaf nitrogen estimation model based on hyperspectral imaging

圖2 各生育時(shí)期不同氮處理棉花葉片全氮含量Figure 2 Total nitrogen contents of cotton leaves under different nitrogen treatments at different growth stages

2.2 各生育時(shí)期不同氮處理棉花葉片原始光譜反射率

選擇波長(zhǎng)451～896nm和967～1600nm范圍內(nèi)的光譜反射特征進(jìn)行分析（圖3）。各生育時(shí)期不同氮素處理的棉花樣本光譜反射率波形趨勢(shì)大體一致，在綠波段（約550nm）處呈現(xiàn)明顯的反射峰，最大值為0.181，在紅波段（約680nm）處呈現(xiàn)有吸收谷的現(xiàn)象，最小值為0.049。在近紅外波段（760～800nm）反射率走勢(shì)急劇升高，最高達(dá)0.741。在967～1382nm范圍內(nèi)，光譜反射率隨波長(zhǎng)的增加緩慢下降，波長(zhǎng)為1832～1452nm時(shí)，光譜反射率下降迅速，于1452nm附近存在強(qiáng)吸收谷，反射率最小為0.002，之后光譜反射率出現(xiàn)小幅上升。不同生育時(shí)期的反射率相比，結(jié)鈴期最高，為0.741，苗期、初花期次之，全生育期與初花期反射率高低相近，均小于0.700，蕾期、盛花期反射率較低，均低于0.600。隨著施氮量的增加，可見(jiàn)光-近紅外波段的葉片反射率除盛花期呈遞增趨勢(shì)外，其余各時(shí)期均先升高后降低，其中近紅外部分的增幅高于可見(jiàn)光部分。通過(guò)對(duì)比各生育期不同氮處理棉花葉片的原始光譜反射率，發(fā)現(xiàn)氮素含量高的樣本其光譜反射率并不一定低，原始光譜反射率與氮素含量并未有很好的規(guī)律。

圖3 各生育時(shí)期不同氮處理棉花葉片原始光譜反射率Figure 3 The original spectral reflectance of cotton leaves treated with different nitrogen at different growth stages

2.3 棉花葉片氮素敏感波段的提取與模型構(gòu)建

2.3.1 氮素含量與不同光譜變換形式的相關(guān)性分析 不同變換形式下的光譜反射率與葉片氮素含量分別進(jìn)行相關(guān)性分析。由圖4可知，同一種光譜變換方式下，不同施氮量的相關(guān)系數(shù)變化趨勢(shì)基本一致。葉片氮素含量在SG-SNV-Detrending變換、原始光譜和SG-MSC變換下，與各波段反射率的相關(guān)性變化趨勢(shì)基本一致，其中，SG-SNV-Detrending變換下最大相關(guān)系數(shù)出現(xiàn)在1403nm，為0.602。葉片原始光譜相關(guān)系數(shù)在各個(gè)波段均低于0.400，最大值出現(xiàn)在766nm處，僅為0.365，SG-MSC變換和SG-Area-normalize變換下相關(guān)系數(shù)均低于0.300，即相關(guān)性較原始光譜低。(1/SG)″和[lg(SG)]″光譜變換與氮素的相關(guān)系數(shù)曲線波動(dòng)幅度較大，與原始光譜相比，相關(guān)系數(shù)明顯增大，最大相關(guān)系數(shù)分別出現(xiàn)在1114nm和1174nm，為0.522和0.496。5種變換的光譜數(shù)據(jù)中，(1/SG)″變換下的光譜數(shù)據(jù)與氮素含量的相關(guān)性最大，最大相關(guān)系數(shù)出現(xiàn)在1114nm處，為0.522，比原始光譜高出43%。

圖4 氮素含量與6種光譜形式的相關(guān)性分析Figure 4 Correlation analysis of nitrogen content and six spectral forms

2.3.2 特征波段的提取 在相關(guān)性分析篩選出的敏感特征區(qū)域內(nèi)，利用連續(xù)投影算法（SPA）分別提取原始光譜、SG-MSC、SG-SNV-Detrending、SG-Area normalize、(1/SG)″和[lg(SG)]″的特征波段（表3）。棉花葉片成像光譜特征波段相比波長(zhǎng)350～2500nm范圍內(nèi)的416個(gè)波段，數(shù)目大幅下降，且在不同光譜變換方式以及不同生育期間存在差異。其中盛花期在[lg(SG)]″處理下的特征波段相對(duì)較多，為24個(gè)，而蕾期原始光譜提取的特征波段僅5個(gè)。

表3 不同光譜變換的棉花氮素含量敏感波段數(shù)Table 3 Sensitive bands of cotton nitrogen content based on different spectral transformation

2.3.3 模型構(gòu)建 為更好地檢驗(yàn)本研究中棉花葉片氮素含量預(yù)測(cè)模型的精度，分別用偏最小二乘回歸（PLSR）和主成分回歸（PCR）兩種方法對(duì)特征波段和全波段光譜構(gòu)建模型并進(jìn)行對(duì)比。基于各項(xiàng)估算結(jié)果總體來(lái)看，特征波段所建模型精度在這兩種方法中均高于全波段建模，且PLSR方法對(duì)棉花葉片氮素含量的估算精度優(yōu)于PCR方法。由表4和表5可知，不同生育時(shí)期最佳光譜變換形式不同，在PLSR建模方法中，原始光譜在各時(shí)期估算精度均低于其他光譜變換方式。隨著生育時(shí)期的推進(jìn)，苗期至盛花期模型精度呈現(xiàn)升高趨勢(shì)，結(jié)鈴期精度下降，全生育期精度高于結(jié)鈴期。由表5可知，特征波段所建模型的估算精度，苗期在SG-Area-normalize變換下最高，R2p為0.766，RMSEp為3.061，RPD為3.332；蕾期在(1/SG)′′變換下估算精度最高，R2p為0.933，RMSEp為1.621，RPD為6.292；初花期在[lg(SG)]′′變換下估算精度最高，R2p為0.896，RMSEp為2.256，RPD為4.521；盛花期在(1/SG)′′變換下估算精度最高，R2p為0.967，較原始光譜高出25.3%，RMSEp為1.222，RPD為4.590，比原始光譜提高了42.7%；結(jié)鈴期和全生育期均為SG-MSC變換估算精度最高，前者R2p為0.714，RMSEp為5.242，RPD為1.946，后者R2p為0.895，RMSEp為2.148，RPD為4.344。綜合各項(xiàng)指標(biāo)來(lái)看，盛花期的(1/SG)′′光譜變換方式結(jié)合PLSR建模的模型優(yōu)于其他組合，R2p為0.967，RMSEp為1.222，RPD為4.590，其穩(wěn)定性、預(yù)測(cè)精度、擬合度均較高。

表4 棉花葉片氮素含量反演的全波段模型構(gòu)建Table 4 Full band model construction of cotton leaf nitrogen content inversion

表5 棉花葉片氮素含量反演的特征波段模型構(gòu)建Table 5 Construction of characteristic band model for cotton leaf nitrogen content inversion

續(xù)表

2.4 棉花葉片氮素含量最優(yōu)估測(cè)模型的檢驗(yàn)

為能夠更好地驗(yàn)證模型的普適性和穩(wěn)定性，利用2020年棉花葉片樣本作為外部獨(dú)立樣本，對(duì)2019年樣本建立的棉花葉片氮素估測(cè)模型進(jìn)行檢驗(yàn)（圖5）。各個(gè)生育時(shí)期的葉片氮素含量的獨(dú)立檢驗(yàn)R2均大于0.540。模型的驗(yàn)證精度從苗期到盛花期逐漸增大，且穩(wěn)定性逐漸升高，結(jié)鈴期模型精度和穩(wěn)定性降低，全生育期模型精度優(yōu)于結(jié)鈴期。苗期和蕾期由于對(duì)氮素需求相對(duì)較低，R2均小于0.600，且RMSE在0.500以上，模型驗(yàn)證精度較差；盛花期的模型精度最好，R2高達(dá)0.783，RMSE為0.035。

圖5 基于PLSR的棉花葉片氮素含量預(yù)測(cè)值和實(shí)測(cè)值的相關(guān)性Figure 5 Correlation between predicted and measured nitrogen content in Cotton Leaves Based on PLSR

3 討論與結(jié)論

對(duì)原始地物光譜進(jìn)行數(shù)據(jù)變換是有效篩選特征波段和提高模型估測(cè)精度的重要手段[27]。本研究通過(guò)對(duì)比各生育期不同氮處理棉花葉片的原始光譜反射率，發(fā)現(xiàn)各波段光譜反射率與氮素含量并未呈現(xiàn)一致的變化規(guī)律，這或許是由于地物原始光譜反射率是其自身屬性特性與外界環(huán)境因素的綜合作用[28]，而光譜預(yù)處理可以有效地消除噪聲和基線漂移，突出光譜特征帶的位置[29]。李宗飛等[30]對(duì)甜菜冠層一階微分光譜反射率與葉綠素含量進(jìn)行相關(guān)性分析，最大相關(guān)系數(shù)比原始光譜高46.9%。高洪智等[31]研究顯示，樣品光譜存在著基線漂移，這對(duì)特征波長(zhǎng)的選取將會(huì)產(chǎn)生不利的影響，而一階導(dǎo)數(shù)光譜能有效地消除原始光譜的基線漂移和背景干擾，同時(shí)也強(qiáng)化了譜帶特征。王玉娜等[22]對(duì)重采樣后的光譜數(shù)據(jù)利用二次多項(xiàng)式和9個(gè)平滑點(diǎn)數(shù)進(jìn)行Savitzky-Golay平滑濾波處理，剔除依附于冠層高光譜之上的噪聲信息，對(duì)去噪后的冠層光譜進(jìn)行基本變換建模，精度均高于原始光譜以及光譜指數(shù)所建模型。本研究葉片原始光譜反射率與葉片氮素含量的相關(guān)系數(shù)在各個(gè)波段均低于0.400，利用(1/SG)″變換下的光譜數(shù)據(jù)與氮素含量的相關(guān)系數(shù)最高為0.522，較原始光譜提高31%。

利用全波段建模往往會(huì)造成數(shù)據(jù)冗余、模型擬合精度降低[32]，連續(xù)投影算法（SPA）是在光譜矩陣中尋找含有最低限度的冗余信息的變量組，使得變量之間的共線性達(dá)到最小，最大程度地減少信息重疊[33]。本研究基于SPA篩選特征波段能夠有效去除冗余信息，減少計(jì)算量，縮短建模時(shí)間[34]。JIA等[35]將SIPLS和SPA相結(jié)合，有效地從高光譜圖像數(shù)據(jù)中提取小麥生物量的最佳光譜特征，生物量模型在校準(zhǔn)中具有較高的R2c（0.790），在驗(yàn)證中具有較低的RMSEv（0.059kg·m-2）和RRMSEv（38.55%）。武改紅等[36]利用SMLR方法通過(guò)逐個(gè)計(jì)算LAI模型中最優(yōu)組合的波段，達(dá)到選擇和提取LAI光譜特征波段的目的，模型R2值均大于0.596。吳倩等[37]采用相關(guān)分析法（correlational analysis,CA）與連續(xù)投影算法（SPA）分別進(jìn)行土壤碳酸鈣含量與光譜反射率的相關(guān)，結(jié)果顯示基于連續(xù)投影算法建模精度均高于相關(guān)分析法，連續(xù)投影算法不僅變量少效率高，且在波段篩選方面較為適用。本研究分別用PLSR和PCR兩種方法對(duì)特征波段和全波段光譜構(gòu)建模型并進(jìn)行對(duì)比，結(jié)果顯示利用全波段和特征波段建立模型的最高精度均出現(xiàn)在盛花期的(1/SG)′′光譜變換方式，其中全波段R2p為0.757，RMSEp為4.132，RPD為2.468，特征波段的模型精度高于全波段，R2p為0.967，RMSEp為1.222，RPD為4.590。此外，全波段所建模型精度在其他各個(gè)生育時(shí)期均低于特征波段建立模型的預(yù)測(cè)精度，這與前人的研究結(jié)果一致[38]，說(shuō)明進(jìn)行特征波段的提取是提高建模效率和模型精度的關(guān)鍵。

本研究結(jié)果表明，不同光譜變換下棉花葉片氮素與反射率相關(guān)性差異顯著，通過(guò)5種不同光譜變換方法對(duì)棉花葉片樣本光譜信息進(jìn)行預(yù)處理并進(jìn)行相關(guān)系數(shù)比較，篩選(1/SG)″為最佳方法，其最大相關(guān)系數(shù)出現(xiàn)在1114nm處，為0.522，比原始光譜高出43%。全波段建模和特征波段建模精度范圍值在同一級(jí)別估算能力內(nèi)，本研究采用SPA方法提取特征波段，有效減少計(jì)算量，縮短建模時(shí)間?；谔卣鞑ㄩL(zhǎng)建立的PCR和PLSR模型預(yù)測(cè)效果均優(yōu)于全波段建模，PLSR方法對(duì)棉花葉片氮素含量的估算精度較高。研究結(jié)果顯示，盛花期的(1/SG)″光譜變換方式結(jié)合PLSR建模的模型最佳，R2p為0.967，RMSEp為1.222，RPD為4.590。利用2020年的棉花樣本數(shù)據(jù)對(duì)2019年棉花各時(shí)期樣本數(shù)據(jù)所建模型進(jìn)行驗(yàn)證。其中，苗期和蕾期R2均小于0.600，且RMSE在0.500以上；盛花期R2為0.783，RMSE為0.035，模型具有較高的穩(wěn)定性和普適性。