基于光譜處理方法的棉花葉綠素含量高光譜反演研究

摘要：【目的】葉綠素含量可以用來評價棉花的長勢情況，快速、準確和大面積監(jiān)測棉花葉綠素含量，有助于實現(xiàn)精準農(nóng)業(yè)?！痉椒ā糠謩e用0～2階（步長為0.2）的分數(shù)階微分處理和1～10尺度下的小波變換對田間測定的陸地棉和海島棉等2種棉花的高光譜反射率進行處理，提高棉花葉綠素含量反演精度。通過分析不同處理方式的光譜與葉綠素含量之間的相關(guān)性，篩選得出敏感波段；并運用支持向量機回歸和隨機森林回歸模型分別構(gòu)建棉花葉綠素含量高光譜估算模型?！窘Y(jié)果】（1）在全波段范圍內(nèi)，2種棉花325～1 075 nm光譜反射率曲線整體變化趨勢基本相同，其反射率均隨著葉綠素含量的增加而增大。（2）經(jīng)連續(xù)小波變換和分數(shù)階微分變換后，2種棉花高光譜數(shù)據(jù)和葉綠素含量的相關(guān)性有所增強。使用隨機森林回歸和小波能量系數(shù)7對陸地棉葉綠素含量的反演效果最好，建模集決定系數(shù)（coefficient of determination， R2）為0.931，均方根誤差（root mean square error， RMSE）為0.782，剩余預測偏差（residual prediction deviation， RPD）為2.162；使用隨機森林回歸和小波能量系數(shù)6對海島棉葉綠素含量的反演效果最佳，建模集R2為0.932，RMSE為1.198，RPD為2.687?！窘Y(jié)論】本研究可為棉花葉綠素含量遙感估算提供技術(shù)參考。

關(guān)鍵詞：陸地棉；長絨棉；葉綠素含量；冠層高光譜；連續(xù)小波變換；分數(shù)階微分

Abstract： [Objective] Assessing cotton growth status through chlorophyll content offers a swift， accurate， and extensive monitoring of cotton development， which aids in precision farming. [Methods] To enhance the accuracy of chlorophyll content evaluation in cotton， fractional-order differentiation ranging from 0 to 2（with a step size of 0.2） and wavelet transform within scales from 1 to 10 to process the hyperspectral reflectance data collected from both upland cotton and sea island cotton fields were employed. By analyzing the correlation between different spectral processing techniques and chlorophyll content， sensitive spectral bands were identified. Subsequently， support vector machine regression（SVR） and random forest regression （RFR） models were employed to construct hyperspectral estimation models for cotton chlorophyll content. [Results] （1） In the wavelength range from 325 to 1 075 nm， the spectral reflectance curves of the two cotton species show similar overall trends， with reflectance increasing with the increase in chlorophyll content.（2） Following continuous wavelet transform and fractional-order differentiation， the correlationship between hyperspectral data and chlorophyll content improved for both cotton species. Inversion models revealed that using RFR and wavelet energy coefficient 7 had the best results for upland cotton chlorophyll content estimation， with a coefficient of determination （R2） of 0.931， root mean square error （RMSE） of 0.782， and residual prediction deviation （RPD） of 2.162. Similarly， for sea island cotton， employing RFR and wavelet energy coefficient 6 resulted in the most effective chlorophyll content estimation， with the R2 of 0.932， RMSE of 1.198， and RPD of 2.687. [Conclusion] This study provides technical insights for remotely estimating chlorophyll content in cotton plants.

Keywords： upland cotton; sea island cotton; chlorophyll content; crown height spectrum; continuous wavelet transform; fractional order differential

新疆作為我國重要的產(chǎn)棉區(qū)，其棉花種植面積和產(chǎn)量均居全國前列。2022年新疆棉花播種面積為249.7萬hm2，總皮棉產(chǎn)量達539.1萬t[1]。近年來，隨著機械化管理和智慧農(nóng)業(yè)在新疆棉花生產(chǎn)中的應(yīng)用，精準評估棉花長勢成為當前研究的重點和難點。葉綠素含量是棉花生長過程中的重要生理生化指標，準確、快速獲取葉綠素含量對評估棉花長勢、實施田間管理、預測棉花產(chǎn)量具有重要意義[2-3]。與傳統(tǒng)基于化學方法估算植被葉綠素含量相比，高光譜遙感具有高效率、廉價、無損害的優(yōu)點，成為測定植被葉綠素含量以及其他生理參數(shù)的重要手段[4]。許多學者利用高光譜技術(shù)對植被葉綠素含量估測做了大量研究，其中用原始光譜數(shù)據(jù)或由原始數(shù)據(jù)構(gòu)建的植被指數(shù)，基于支持向量機回歸（support vector machine regression， SVR）和隨機森林回歸（random forest regression， RFR）方法等經(jīng)驗統(tǒng)計模型反演葉綠素含量是目前常用的方法[5-9]。Yoder等[10]的早期研究發(fā)現(xiàn)，反演植被葉綠素含量的最佳波段范圍是可見光波段。Liang等[11]利用植被指數(shù)估算玉米的冠層葉綠素含量，結(jié)果證實玉米葉綠素含量估算精度（決定系數(shù)，coefficient of determination， R2）達到0.69。隨著高光譜數(shù)據(jù)處理算法的快速發(fā)展，研究者通過采用不同光譜變換算法結(jié)合機器學習建模方法構(gòu)建預測模型，有效地推動了高光譜技術(shù)在植被葉綠素含量估算方面的應(yīng)用研究。李長春等[6]利用高光譜數(shù)據(jù)，結(jié)合連續(xù)小波變換和人工神經(jīng)網(wǎng)絡(luò)方法，構(gòu)建了冬小麥葉綠素含量估算模型，建模精度R2達0.93，提高了葉綠素含量的高光譜遙感估算精度。阿熱孜古力·肉孜等[12]使用多種數(shù)學變換對棉花葉片高光譜數(shù)據(jù)進行處理，構(gòu)建多植被指數(shù)組合進行葉綠素含量的反演，最優(yōu)模型反演結(jié)果的R2為0.920和0.955。馬春艷等[13]利用冬小麥不同葉位葉片的葉綠素含量與原始光譜、一階微分光譜、二階微分光譜、植被指數(shù)、連續(xù)小波系數(shù)處理進行相關(guān)分析，并結(jié)合偏最小二乘回歸、SVR、RFR和反向傳播神經(jīng)網(wǎng)絡(luò)等多種機器學習方法構(gòu)建葉綠素含量高光譜反演模型，結(jié)果表明不同葉位適用的最優(yōu)反演模型不同，倒1、2、3葉中偏最小二乘效果最優(yōu)，倒4葉中SVR模型效果最優(yōu)，為葉綠素含量的反演提供了新的參考。

選擇適當?shù)墓庾V處理方法可以增強光譜的有效性和準確性，有助于篩選敏感波段。Zhang等[14]使用連續(xù)小波變換的方法對玉米冠層高光譜數(shù)據(jù)進行分解，生成的小波系數(shù)用于建模反演冠層的葉綠素含量，證明小波分析是提取高光譜數(shù)據(jù)的有效方法，可以細化光譜信息。另外，Wang等[15]對經(jīng)數(shù)學變換后的光譜進行0～2階分數(shù)階微分處理，構(gòu)建葉綠素含量光譜模型，R2最優(yōu)可達0.92，表明分數(shù)階微分可以更好地挖掘光譜信息，提高建模精度。綜上，數(shù)據(jù)變換可以減少冗余的光譜信息，突出相關(guān)光譜特征，有利于高光譜模型的優(yōu)化并增強模型穩(wěn)定性。鑒于此，本文以海島棉和陸地棉為研究對象，對棉花葉片高光譜數(shù)據(jù)進行分數(shù)階微分處理，同時利用連續(xù)小波變換對原始光譜進行分解，得到小波能量系數(shù)，基于SVR和RFR方法構(gòu)建棉花葉綠素含量估算模型，并對模型精度進行驗證，以期提高棉花葉綠素含量估算能力，進而為棉花葉綠素含量監(jiān)測提供科學依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)位于渭干河-庫車河三角洲綠洲（簡稱渭庫綠洲），地理坐標41°31′29.65″～41°49′6.73″N，83°00′13.7″～83°19′15.95″E，地處天山南麓，塔里木盆地中北部，是典型的扇形平原綠洲。該地區(qū)氣候為溫帶大陸性氣候，日照充足，植被由農(nóng)田作物和荒漠自然生長的植被構(gòu)成，是新疆主要的棉花生產(chǎn)區(qū)域之一。農(nóng)作物以棉花、冬小麥為主，其中棉花生長期為4月至10月。試驗在渭庫綠洲庫車市烏尊鎮(zhèn)和阿克吾斯塘鄉(xiāng)棉田進行，供試棉花品種為海島棉（又稱長絨棉，sea island cotton）新75和陸地棉新陸中35，其中長絨棉種植面積為12 000 m2，陸地棉種植面積為10 000 m2。棉花種植模式為地膜覆蓋壟種，行距為70 cm，株距為10 cm，施肥、化學調(diào)控以及其他管理措施同當?shù)馗弋a(chǎn)栽培措施。研究區(qū)如圖1所示，海島棉和陸地棉分別設(shè)計了60個采樣區(qū)。

1.2 棉花葉片葉綠素含量采集

使用土壤、作物分析儀器開發(fā)SPAD-502Plus（Minolta Corp， Ramsey， NJ， USA）手持式葉綠素儀實測陸地棉和海島棉葉片的SPAD（soil and plant analyzer development）值，表征葉綠素含量。在采集樣本前對設(shè)備進行校準，選擇一株長勢均勻的棉株，對倒2葉0.5 m×0.5 m的正方形區(qū)域進行測量，每個采樣區(qū)內(nèi)選擇3株樣本分別測量5次，并取其平均值作為該點的SPAD值。

1.3 光譜數(shù)據(jù)的測定及處理

1.3.1 高光譜數(shù)據(jù)測定。在2018年7月5－7日和2018年8月5－9日，使用ASD Fieldspec3（Malvern Panalytical Ltd， Malvern， UK）便攜式光譜儀采集棉花葉片光譜數(shù)據(jù)。選擇晴朗無云的天氣，測定時間為北京時間12：00－16：00，太陽高度角為45°～50°。測量過程中操作者正對著太陽，避免遮擋太陽光，測取波長為325～1 075 nm的光譜曲線，采樣間隔為1 nm。測定過程中儀器的傳感器探頭保持垂直向下，并且與樣品表面相隔15 cm左右，測定前經(jīng)白板校正。測定中為了保證試驗數(shù)據(jù)的準確度，每個樣本都用光譜儀掃描8 s，測量10次，每測10次做1次白板標定。每一波長的棉花光譜反射率值通過Viewspec PRO軟件計算10條曲線的平均值求得。

1.3.2 小波變換。采用連續(xù)小波變換（continuous wavelet transform， CWT）對光譜數(shù)據(jù)進行不同尺度的分解，生成一系列小波系數(shù)，其變換公式如下[5， 16]：

式中，Ψa， b（λ）為小波基函數(shù)；a為尺度因子；b為平移因子；λ為波段數(shù)。

式中，Wf（a， b）為小波系數(shù)，是由波長（350～2 500 nm）、分解尺度構(gòu)成的二維矩陣數(shù)據(jù)；f（λ）為光譜反射率。

1.3.3 分數(shù)階微分。分數(shù)階微分（fractional order differential， FOD）[15]是基于Grünwald-Letnikov（G-L）一元函數(shù)差分實現(xiàn)，G-L定義公式中的核心步驟為分數(shù)階微分一元函數(shù)差分，表達式為：

式中，f（λ）為光譜反射率，v為階數(shù)，г為伽馬（gamma）函數(shù)，n為微分上下限差。

1.4 模型建立與驗證

本研究利用DPS（data processing system）軟件，運用SVR和RFR建立基于高光譜的棉花葉綠素含量反演模型。運用皮爾遜相關(guān)系數(shù)法，對經(jīng)過CWT和FOD的光譜反射率逐波段與葉綠素含量進行相關(guān)分析，并對其相關(guān)系數(shù)進行顯著性檢驗（P＜0.05），通過顯著性檢驗的波段即為顯著性波段，并作為建立反演模型的輸入?yún)?shù)。將60個棉花樣本按照2∶1的比例隨機抽取40個樣本用于建模，剩下的20個樣本用于驗證。

模型的精度主要由決定系數(shù)（R2）、均方根誤差（root mean square error， RMSE）和剩余預測偏差（residual prediction deviation， RPD）3個指標來評判[17]。

2 結(jié)果與分析

2.1 2個棉種葉片葉綠素含量的統(tǒng)計學特征

研究區(qū)的海島棉和陸地棉葉綠素含量的箱線圖和正態(tài)分布曲線如圖2所示。海島棉樣本的SPAD值為46.68～64.68，均值為56.74；陸地棉樣本的SPAD值為48.86～60.66，均值為53.47。所有樣本數(shù)據(jù)都符合正態(tài)分布，各數(shù)據(jù)集的均值和變異系數(shù)均較小（表1），總體上選取的樣本較好且具有代表性。

2.2 棉花葉片光譜曲線特征分析

在全波段范圍內(nèi)，2個棉種葉片光譜反射率曲線整體變化趨勢基本相同（圖3A）。根據(jù)陸地棉和海島棉樣本的葉綠素含量，將棉花樣本葉綠素含量分3個等級，即SPAD值大于60為高（H）、SPAD值在40～60之間為中（M）和SPAD值小于40為低（L）葉綠素含量，并研究了不同SPAD值水平下的原始光譜，在400～650 nm和700～1 075 nm波段范圍內(nèi)，不同的葉綠素含量下2種棉花的反射率也不同，2個棉種的反射率都會隨著葉綠素含量的增加而提高；相同葉綠素含量水平下，陸地棉的反射率總是低于海島棉（圖3B）。

2.3 光譜數(shù)據(jù)處理和葉綠素含量相關(guān)性分析

本研究中，將原始光譜反射率分別進行了以0.2階次為步長的0～2階的分數(shù)階微分處理和以1尺度為步長的1～10尺度下的連續(xù)小波變換處理，然后與葉綠素含量進行相關(guān)性分析，結(jié)果如表2和圖4所示。經(jīng)過分數(shù)階微分變換和連續(xù)小波變換后，2個棉種的光譜反射率與葉綠素含量之間的相關(guān)性得到了提高，敏感波段的數(shù)量和位置也發(fā)生了較大變化。

對于陸地棉來說，經(jīng)連續(xù)小波變換后光譜數(shù)據(jù)與葉綠素含量的相關(guān)系數(shù)最大絕對值由0.305提高到0.423，提升38.7%，敏感波段（即表中的顯著波段）數(shù)量從388個減少到39個（XB5），敏感波段位置由最初的1 073 nm偏移到423 nm，敏感波段多集中分布在400 nm、500 nm、600 nm附近（圖4A）。對于海島棉來說，連續(xù)小波變換的相關(guān)系數(shù)最大絕對值提高到0.513，較無數(shù)學處理的0.434，提升18.2%，敏感波段數(shù)量從462個減少到128個（XB3），敏感波段位置由最初的717 nm偏移到1 071 nm（XB3）（圖4B）。陸地棉光譜數(shù)據(jù)經(jīng)分數(shù)階微分變換后，與葉綠素含量的相關(guān)系數(shù)絕對值最大提高到0.423（0.6階），較無變化處理的0.305，提升了38.7%，敏感波段數(shù)量減少為164個，敏感波段偏移到569 nm，集中分布于400～650 nm（圖4C）。對于海島棉來說，經(jīng)分數(shù)階微分變換的光譜數(shù)據(jù)與葉綠素含量的相關(guān)系數(shù)的絕對值最大提高到0.581（1.0階），較無數(shù)學處理的0.434提升了33.9%，敏感波段數(shù)量減少為190個，相關(guān)系數(shù)最大的敏感波段偏移到526 nm（圖4D）。

2.4 建模結(jié)果分析

基于2種預處理的光譜數(shù)據(jù)，使用建模集分別建立SVR和RFR模型估算海島棉和陸地棉的葉綠素含量，并用驗證集對模型進行驗證（表3）。

對海島棉的葉綠素含量進行反演的建模結(jié)果表明：基于小波能量系數(shù)為6的光譜數(shù)據(jù)和RFR構(gòu)建的模型精度最高，R2是0.932，RMSE為1.198，RPD為2.687；基于分數(shù)階為1.8階的光譜數(shù)據(jù)和RFR所得模型精度最高，R2是0.929，RMSE為1.263，RPD為2.521?；谛〔芰肯禂?shù)為6的光譜數(shù)據(jù)和SVR所得模型精度最高，R2是0.915，RMSE為1.207，RPD為2.713；基于分數(shù)階為1.4階的光譜數(shù)據(jù)和SVR所得模型精度最高，R2是0.916，RMSE為1.155，RPD為2.870?？傮w上，小波能量系數(shù)為6的光譜數(shù)據(jù)結(jié)合RFR對海島棉的葉綠素含量進行反演的建模效果最佳。

對陸地棉的葉綠素含量進行反演的建模結(jié)果表明：基于小波能量系數(shù)為7的光譜數(shù)據(jù)和RFR所得模型精度最高，R2是0.931，RMSE為0.782，RPD為2.162；基于分數(shù)階為2.0階的光譜數(shù)據(jù)和RFR所得模型精度最高，R2是0.922，RMSE為0.877，RPD為1.882；基于分數(shù)階為1.2階的光譜數(shù)據(jù)和RFR所得模型精度表現(xiàn)也不錯，R2是0.921，RMSE為0.851，RPD為1.955。基于SVR模型，小波能量系數(shù)為1的光譜數(shù)據(jù)所得模型精度最高，R2是0.892，RMSE為0.859，RPD為1.859；分數(shù)階為1.0階的光譜數(shù)據(jù)所得模型精度最高，R2是0.870，RMSE為0.722，RPD為2.857?？傮w上，小波能量系數(shù)為7的光譜數(shù)據(jù)結(jié)合RFR對陸地棉的葉綠素含量進行反演的建模效果最佳。

3 討論

本研究通過比較2種常用光譜預處理方法（分數(shù)階微分和連續(xù)小波變換）提取海島棉和陸地棉的光譜信息，建立基于SVR和RFR的棉花葉綠素含量高光譜模型并比較預測效果。由于采集過程受到環(huán)境因素、土壤背景等影響，從高光譜數(shù)據(jù)中提取與葉綠素含量相關(guān)的光譜信息時，原始光譜中存在噪聲，影響對與葉綠素含量相關(guān)的光譜特征的提取。葉綠素含量的高光譜反演模型大多使用數(shù)學變換對原始光譜數(shù)據(jù)進行處理，利用差值光譜指數(shù)（difference spectral index， DSI）、歸一化光譜指數(shù)（normalized difference spectral index， NDSI）、比值光譜指數(shù)（ratio spectral index， RSI）等光譜指數(shù)消除噪聲影響[6， 13-14]。呂美蓉等[17]研究發(fā)現(xiàn)在光譜數(shù)據(jù)的微分變換中，當光譜反射率變化較小時，其微分值接近為零，而當光譜反射率變化較大時，微分值較大。因此，微分能有效地減少低頻背景噪聲對光譜數(shù)據(jù)的影響，但會增加高頻噪聲的干擾。小波變換也能從復雜的高光譜反射率中提取出對葉綠素含量最敏感的光譜信息[18]。

本研究通過分析2種棉花葉片的原始光譜反射率、分數(shù)階微分和小波能量系數(shù)處理后的光譜與葉綠素含量的相關(guān)性發(fā)現(xiàn)，光譜反射率在經(jīng)小波變換后，陸地棉和海島棉光譜與葉綠素含量之間的相關(guān)系數(shù)最大絕對值分別提升38.7%和18.2%。同樣，經(jīng)過分數(shù)階微分變換處理后，2種棉花光譜與葉綠素含量之間的相關(guān)系數(shù)最大絕對值分別提升38.7%和33.9%，說明光譜經(jīng)處理后能提高分辨率，并有助于提高光譜數(shù)據(jù)與葉綠素含量間的相關(guān)性，提高棉花葉綠素含量估算模型的精度。Wang等[15]和李長春等[6]的研究也發(fā)現(xiàn)經(jīng)過連續(xù)小波變換和分數(shù)階微分處理后光譜數(shù)據(jù)與葉綠素含量的相關(guān)系數(shù)均能得到大幅提高。在建立棉花葉綠素含量估算模型時，以往大部分研究以單一棉種為研究對象，對不同棉種的光譜特征以及估算方法鮮有提及。由于不同棉花對養(yǎng)分的需求不完全相同，且不同棉種枝葉形態(tài)存在差異，導致棉花光譜特征存在差異，相同波段范圍內(nèi)光譜反射率及其對葉綠素含量變化的敏感性也存在差異。本研究對陸地棉和海島棉的光譜數(shù)據(jù)進行分析，基于RFR和SVR建立葉綠素含量估算模型，不僅進一步加深了對陸地棉與海島棉光譜特征的理解，又驗證了棉花葉綠素含量的反演方法。研究表明除了光譜數(shù)據(jù)變換以外，光譜特征波長提取方法是重要的光譜預處理方法[19]，但是本研究僅對光譜數(shù)據(jù)變換方法進行探究，未分析不同特征波段選擇方法與光譜預處理方法的耦合。此外，最新開發(fā)的機器學習方法，如深度森林（deep forest）在估計水稻和玉米等作物的氮、磷和葉綠素含量方面顯示出良好的效果[20]，但深度學習方法需要大量的訓練和驗證樣本，模型運行復雜，可遷移性與穩(wěn)定性有待驗證。

4 結(jié)論

以陸地棉和海島棉為研究對象，利用棉花的高光譜數(shù)據(jù)和實測葉綠素含量（SPAD值）數(shù)據(jù)進行建模分析。研究發(fā)現(xiàn)：在700～1 000 nm波段范圍內(nèi)，2個棉種葉片反射率曲線整體變化趨勢基本相同，其中海島棉的反射率整體高于陸地棉。2個棉種葉片高光譜數(shù)據(jù)經(jīng)連續(xù)小波變換和分數(shù)階微分變換后與葉綠素含量的相關(guān)性增強，模型反演結(jié)果發(fā)現(xiàn)使用隨機森林回歸和小波能量系數(shù)7對陸地棉葉綠素含量反演效果最好，使用隨機森林回歸和小波能量系數(shù)6對海島棉葉綠素含量反演效果最佳。

參考文獻：

[1] 國家統(tǒng)計局. 國家統(tǒng)計局關(guān)于2022年棉花產(chǎn)量的公告[EB/OL]. （2022-12-26）[2023-05-25]. https：//www.stats.gov.cn/sj/zxfb/202302/t20230203_1901689.html.

National Bureau of Statistics of China. Bulletin on the national cotton output in 2022[EB/OL]. （2022-12-26）[2023-05-25]. https：//www.stats.gov.cn/sj/zxfb/202302/t20230203_1901689.html.

[2] Curran P J， Dungan J L， Gholz H L. Exploring the relationship between reflectance red edge and chlorophyll content in slash pine[J/OL]. Tree Physiology， 1995， 15（3）： 203-206[2023-05-25]. https：//doi：10.1093/treephys/15.3.203.

[3] Marion L， Paillisson J M. A mass balance assessment of the contribution of floating-leaved macrophytes in nutrient stocks in an eutrophic macrophyte-dominated lake[J/OL]. Aquatic Botany， 2003， 75（3）： 249-260[2023-12-25]. https：//doi.org/10.1016/S0304-3770（02）00177-8.

[4] 彭曉偉， 張愛軍， 楊曉楠， 等. 谷子葉綠素含量高光譜特征分析及其反演模型構(gòu)建[J/OL]. 干旱地區(qū)農(nóng)業(yè)研究， 2022， 40（2）： 69-77[2023-05-25]. https：//doi.org/10.7606/j.issn.1000-7601.2022.02.09.

Peng Xiaowei， Zhang Aijun， Yang Xiaonan， et al. Hyperspectral analysis of chlorophyll content of millet and construction of inversion model[J/OL]. Agricultural Research in the Arid Areas， 2022， 40（2）： 69-77[2023-05-25]. https：//doi.org/10.7606/j.issn.1000-7601.2022.02.09.

[5] 蔡慶空. 基于小波變換的冬小麥葉面積指數(shù)與葉綠素含量遙感反演[D]. 北京： 中國礦業(yè)大學， 2015.

Cai Qingkong. Remote sensing inversion of leaf area index and chlorophyll content of winter wheat based on wavelet transform[D]. Beijing： China University of Mining and Technology， 2015.

[6] 李長春， 施錦錦， 馬春艷， 等. 基于小波變換和分數(shù)階微分的冬小麥葉綠素含量估算[J/OL].農(nóng)業(yè)機械學報， 2021， 52（8）： 172-182[2023-05-25]. https：//doi.org/10.6041/j.issn.1000-1298.2021.08.017.

Li Changchun， Shi Jinjin， Ma Chunyan， et al. Estimation of chlorophyll content in winter wheat based on wavelet transform and fractional differentiation[J/OL]. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（8）： 172-182[2023-05-25]. https：//doi.org/10.6041/j.issn.1000-1298.2021.08.017.

[7] 趙春江. 農(nóng)業(yè)遙感研究與應(yīng)用進展[J/OL]. 農(nóng)業(yè)機械學報， 2014， 45（12）： 277-293[2023-05-25]. https：//doi.org/10.6041/j.issn.1000-1298.2014.12.04.

Zhao Chunjiang. Progress in agricultural remote sensing research and application[J/OL]. Transactions of the Chinese Society for Agricultural Machinery， 2014， 45（12）： 277-293[2023-05-25]. https：//doi.org/10.6041/j.issn.1000-1298.2014.12.04.

[8] 司海洋. 水分脅迫下小麥抽穗后功能葉片衰老的高光譜監(jiān)測研究[D]. 南京： 南京農(nóng)業(yè)大學， 2015.

Si Haiyang. Hyperspectral monitoring of senescence in functional leaves of wheat after heading under water stress[D]. Nanjing： Nanjing Agricultural University， 2015.

[9] 劉潭， 許童羽， 于豐華， 等. 基于PROSAIL模型偏差補償?shù)乃救~綠素含量遙感估測[J/OL]. 農(nóng)業(yè)機械學報， 2020， 51（5）： 156-164[2023-05-25]. https：//doi.org10.6041/j.issn.1000-1298.2020.05.01.

Liu Tan， Xu Tongyu， Yu Fenghua， et al. Remote sensing estimation of chlorophyll content in rice based on deviation compensation of PROSAIL model[J/OL]. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（5）： 156-164[2023-05-25]. https：//doi.org/10.6041/j.issn.1000-1298.2020.05.01.

[10] Yoder B J， Pettigrew-Crosby R E. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra （400-2 500 nm） at leaf and canopy scales[J/OL]. Remote Sensing of Environment， 1995， 53（3）： 199-211[2023-05-25]. https：//doi.org/10.1016/0034-4257（95）00135-N.

[11] Liang L， Qin Z H， Zhao S H， et al. Estimating crop chlorophyll content with hyperspectral vegetation indices and the hybrid inversion method[J/OL]. International Journal of Remote Sensing， 2016， 37（13）： 2923-2949[2023-05-25]. https：//doi.org/10.1080/01431161.2016.1186850.

[12] 阿熱孜古力·肉孜， 買買提·沙吾提， 何旭剛， 等. 基于多植被指數(shù)組合的棉花葉片葉綠素含量估算[J/OL]. 干旱區(qū)研究， 2023， 40（11）： 1865-1874[2023-12-25]. https：//doi.org/10.13866/j.azr.2023.11.16.

Areziguli Rouzi， Mamat Sawut， He Xugang， et al. Estimation of cotton leaf chlorophyll content based on combinations of multi-vegetation indices[J/OL]. Arid Zone Research， 2023， 40（11）： 1865-1874[2023-12-25]. https：//doi.org/10.13866/j.azr.2023.11.16.

[13] 馬春艷， 王藝琳， 翟麗婷， 等. 冬小麥不同葉位葉片的葉綠素含量高光譜估算模型[J/OL].農(nóng)業(yè)機械學報， 2022， 53（6）： 217-225， 358[2023-05-25]. https：//doi.org/10.6041/j.issn.1000-1298.2022.06.02.

Ma Chunyan， Wang Yilin， Zhai Liting， et al. Hyperspectral estimation model of chlorophyll content in different leaf positions of winter wheat[J/OL]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（6）： 217-225， 358[2023-25]. https：//doi.org/10.6041/j.issn.1000-1298.2022.06.02.

[14] Zhang J Y， Sun H， Gao D H， et al. Detection of canopy chlorophyll content of corn based on continuous wavelet transform analysis[J/OL]. Remote Sensing， 2020， 12（17）： 2741[2023-05-25]. https：//doi.org/10.3390/rs12172741.

[15] Wang X P， Zhang F， Kung H T， et al. New methods for improving the remote sensing estimation of Soil Organic Matter Content （SOMC） in the Ebinur Lake Wetland National Nature Reserve （ELWNNR） in Northwest China[J/OL]. Remote Sensing of Environment， 2018， 218： 104-118[2023-05-25]. https：//doi.org/10.1016/j.rse.2018.09.020.

[16] 王延倉， 張?zhí)m， 王歡， 等. 連續(xù)小波變換定量反演土壤有機質(zhì)含量[J/OL]. 光譜學與光譜分析， 2018， 38（11）： 3521-3527[2023-05-25]. https：//doi.org/10.3964/j.issn.1000-0593（2018）11-3521-07.

Wang Yancang， Zhang Lan， Wang Huan， et al. Quantitative inversion of soil organic matter content by continuous wavelet transform[J/OL]. Spectroscopy and Spectral Analysis， 2018， 38（11）： 3521-3527[2023-05-25]. https：//doi.org/10.3964/j.issn.1000-0593（2018）11-3521-07.

[17] 呂美蓉， 任國興， 李雪瑩， 等. 光譜數(shù)據(jù)預處理對潮間帶沉積物氮LSSVM模型的影響研究[J/OL]. 光譜學與光譜分析， 2020， 40（8）： 2409-2414[2023-05-25]. https：//doi.org/10.3964/j.issn.1000-0593（2020）08-2409-06.

Lü Meirong， Ren Guoxing， Li Xueying， et al. Effect of spectral data pretreatment on nitrogen LSSVM model in intertidal sediments[J/OL]. Spectroscopy and Spectral Analysis， 2020， 40（8）： 2409-2414[2023-05-25]. https：//doi.org/10.3964/j.issn.1000-0593（2020）08-2409-06.

[18] 玉米提·買明， 王雪梅. 連續(xù)小波變換的土壤有機質(zhì)含量高光譜估測[J/OL]. 光譜學與光譜分析， 2022， 42（4）： 1278-1284[2023-05-25]. https：//doi.org/10.3964/j.issn.1000-0593（2022）04-1278-07.

Yumiti Maiming， Wang Xuemei. Hyperspectral estimation of soil organic matter content based on continuous wavelet transformation[J/OL]. Spectroscopy and Spectral Analysis， 2022， 42（4）： 1278-1284[2023-05-25]. https：//doi.org/10.3964/j.issn.1000-0593（2022）04-1278-07.

[19] 于雷， 洪永勝， 耿雷， 等. 基于偏最小二乘回歸的土壤有機質(zhì)含量高光譜估算[J/OL]. 農(nóng)業(yè)工程學報， 2015， 31（14）： 103-109[2023-05-25]. https：//doi.org/10.11975/j.issn.1002-6819.2015.14.015.

Yu Lei， Hong Yongsheng， Geng Lei， et al. Hyperspectral estimation of soil organic matter content based on partial least squares regression[J/OL]. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（14）： 103-109[2023-05-25]. https：//doi.org/10.11975/j.issn.1002-6819.2015.14.015.

[20] 張梓浩， 郭飛， 吳坤澤， 等. 深度森林DF21模型在土壤鎘含量高光譜反演中的性能評價[J/OL]. 光譜學與光譜分析， 2023， 43（8）： 2638-2643[2023-05-25]. https：//doi.org/10.3964//j.issn.1000-0593（2023）08-2638-06.

Zhang Zihao， Guo Fei， Wu Kunze， et al. Performance evaluation of the Deep Forest 2021（DF2021） model in retrieving soil cadmium concentration using hyperspectral data[J/OL]. Spectroscopy and Spectral Analysis， 2023， 43（8）： 2638-2643[2023-05-25]. https：//doi.org/10.3964/j.issn.1000-0593 （2023） 08-2638-06.

（責任編輯：付毓 責任校對：王小璐）