利用高光譜反射率預(yù)測枸杞葉片氮素含量

摘 要：為實現(xiàn)枸杞氮素含量的快速無損監(jiān)測，以“寧杞7號”為研究對象，同步測定枸杞葉片光譜反射率與葉片氮素含量，選用快速傅里葉變換（FFT）對測定的枸杞葉片光譜進行平滑濾波處理，并獲取原始光譜（OS）。采用一階微分、二階微分及連續(xù)統(tǒng)去除法對原始光譜進行變換處理，獲取枸杞葉片一階微分光譜（FDS）、二階微分光譜（SDS）及連續(xù)統(tǒng)去除光譜（CRS），將原始光譜及3種變式光譜分別與葉片氮素含量進行相關(guān)性分析，進而篩選出敏感波長，并構(gòu)建預(yù)測枸杞葉片氮素含量的隨機森林回歸模型（RFRM）和多元線性回歸模型（MLRM）。結(jié)果表明，基于3種變換光譜構(gòu)建的RFRM和MLRM的預(yù)測精度均優(yōu)于基于OS構(gòu)建的模型；其中：基于FDS構(gòu)建的模型預(yù)測效果最優(yōu)，其次為基于SDS和基于CRS構(gòu)建的模型，基于OS構(gòu)建的模型預(yù)測精度最差。同時表明，RFRM的擬合度均優(yōu)于MLRM，基于原始光譜OS、一階微分光譜FDS、二階微分光譜SDS和連續(xù)統(tǒng)去除光譜CRS構(gòu)建的RFRM，同MLRM相比，其模型擬合度分別提高0.258、0.259、0.275和0.291，RMSE分別降低0.044、0.054、0.059、0.076，MAE分別降低0.045、0.043、0.066、0.059?；贔FT+FDS組合方法下篩選的敏感波長構(gòu)建的RFRM，其建模數(shù)據(jù)集的擬合度、RMSE和MAE分別為0.897、0.071和0.058，檢驗數(shù)據(jù)集的決定系數(shù)、RMSE和MAE分別為0.689、0.129和0.102，模型具有良好的精度和穩(wěn)定性，可作為枸杞葉片氮素的高光譜估測方法。

關(guān)鍵詞：氮素； 枸杞； 隨機森林回歸模型； 高光譜反射率； 一階微分； 二階微分； 連續(xù)統(tǒng)去除法

中圖分類號：S181； S567.1+9" " 文獻標(biāo)識碼：A" " " 文章編號：1002-204X（2024）06-0048-07

doi：10.3969/j.issn.1002-204x.2024.06.011

Predicting Leaf Nitrogen Content in Wolfberry Trees

Using Hyperspectral Reflectance

Abstract To realize rapid and non-destructive monitoring of nitrogen content in wolfberry tree， \"Ningqi No.7\" wolfberry was selected as the research object to synchronously measure the spectral reflectance and nitrogen content of wolfberry leaves. Fast fourier transform （FFT） was performed to smooth and filter the measured spectra to obtain the original spectra （OS）. Three types of mathematical transformations including first-derivative （FD）， second-derivative （SD） and continuum removal （CR） transformations were performed on the original spectra， and the corresponding spectral datasets including first-derivative spectra （FDS）， second-derivative spectra （SDS） and continuum removal spectra （CRS） were obtained. The correlation analysis between the spectra including OS， FDS， SDS and CRS and nitrogen of wolfberry leaves were performed to select sensitive wavelengths based on the value of correlation coefficients. Random forest regression models（RFRM） and multiple linear regression models （MLRM） were constructed using selected sensitive wavelengths to predict the nitrogen content of wolfberry leaves. The study indicated that the prediction accuracy of RFRM and MLRM constructed using the three types of transformation spectra were better than those constructed using OS. Among them， the models constructed using FDS had the best prediction performance， followed by the models constructed using SDS and the models constructed using CRS， the models constructed using OS had the worst prediction accuracy. Meanwhile， it is shown that the prediction accuracy of RFRM were superior to MLRM. Compared to MLRM， the fitting degree of RFRM constructed using OS， FDS， SDS and CRS increased by 0.258， 0.259， 0.275 and 0.291， the root mean square error （RMSE） decreased by 0.044， 0.054， 0.059 and 0.076， and the mean absolute error （MAE） decreased by 0.045， 0.043， 0.066 and 0.059， respectively. The RFRM model constructed using the sensitive wavelengths selected from FDS had best accuracy and stability， with the determination coefficient， RMSE and MAE of calibration set of 0.897， 0.071 and 0.058， respectively， with the determination coefficient， RMSE and MAE of validation set of 0.689， 0.129 and 0.102， respectively. It can be used as a hyperspectral estimation method for leaf nitrogen content

Key words Nitrogen content; Wolfberry; Random forest regression model; Hyperspectral reflectance; First-derivative; Second-derivative; Continuum removal

氮素是作物生長發(fā)育必需的營養(yǎng)元素，也是農(nóng)田生態(tài)系統(tǒng)變化的主控因子[1]。大量研究表明，植被氮素含量與光合作用密切相關(guān)，氮素通過參與光合作用，影響生態(tài)系統(tǒng)中生物量累積及碳水循環(huán)過程。因此，作物氮素豐缺診斷是實現(xiàn)農(nóng)業(yè)生產(chǎn)可持續(xù)發(fā)展和生態(tài)環(huán)境良性循環(huán)的重要途徑[2]。傳統(tǒng)作物氮素診斷方法主要是植物組織分析法，該方法需要進行破壞性取樣、工作量大、操作繁瑣且推廣應(yīng)用困難[3]。目前快速、準(zhǔn)確地監(jiān)測作物氮素含量成為現(xiàn)代農(nóng)業(yè)研究的熱點[1]。由于高光譜遙感技術(shù)具有光譜分辨率高、波段連續(xù)性強及光譜信息量大等特點，可以對地物進行微弱光譜差異的定量分析，在無損監(jiān)測作物營養(yǎng)方面具有獨特的優(yōu)勢[4-5]，已成為監(jiān)測作物生長狀況的一種新手段，在農(nóng)業(yè)養(yǎng)分管理中顯示出極好的應(yīng)用前景。

光譜信息測定時經(jīng)常會受到雜散光、噪聲、設(shè)備性能不穩(wěn)定等因素的干擾，從而對最終分析的結(jié)果造成影響，因此需要在建模前對原始光譜進行預(yù)處理[6]。許多學(xué)者對原始光譜進行多種預(yù)處理，然后基于預(yù)處理后的變換光譜構(gòu)建模型，根據(jù)建模性能的優(yōu)劣反過來選擇預(yù)處理方法，進而實現(xiàn)對作物營養(yǎng)狀況的良好監(jiān)測。王麗鳳等[7]應(yīng)用一階導(dǎo)數(shù)、二階導(dǎo)數(shù)及標(biāo)準(zhǔn)正態(tài)變換對原始光譜進行變換，通過構(gòu)建偏最小二乘回歸模型（PLRM）選出最佳光譜預(yù)處理方法，實現(xiàn)玉米拔節(jié)期葉片氮含量的檢測。鄭一力等[8]基于原始反射率、一階微分、對數(shù)一階微分及二階微分的特征波段，構(gòu)建4種竹葉片氮含量估測模型，最終基于對數(shù)一階微分光譜的BP神經(jīng)網(wǎng)絡(luò)模型具有較好估測效果（R2=0.838）。李粉玲等[9]基于原始光譜、連續(xù)統(tǒng)去除光譜及吸收特征參數(shù)，構(gòu)建了預(yù)測冬小麥葉片全氮含量的一元回歸模型，最終獲取精度最高的模型為基于550～770 nm 波段的吸收峰總面積建立的指數(shù)回歸模型。RUBIO-DELGADO J等[10]采用SG平滑、標(biāo)準(zhǔn)正態(tài)變換，一階微分和二階微分對原始高光譜反射率進行變換處理，在對變換光譜與葉片氮含量進行相關(guān)分析的基礎(chǔ)上，構(gòu)建了PLSR對西班牙西南部橄欖樹葉片氮素含量進行了較好的預(yù)測。易翔等[11]對原始光譜進行多元散射校正（MSC）、SG平滑算法、變量標(biāo)準(zhǔn)化校正（SNV）和一階導(dǎo)數(shù)（FD）4種變換，采用隨機蛙跳和連續(xù)投影算法篩選特征波長，構(gòu)建了估算棉花葉片全氮含量的PLSR，篩選出FD-SPA-PLSR組合方法下構(gòu)建的模型為最佳模型。

枸杞產(chǎn)業(yè)作為寧夏的“六特”產(chǎn)業(yè)之一，其高質(zhì)量發(fā)展備受關(guān)注。目前鮮見采用高光譜反射率監(jiān)測枸杞葉片氮素等生化參數(shù)的相關(guān)研究報道。本研究對枸杞葉片原始光譜進行一階微分、二階微分及連續(xù)統(tǒng)去除3種變換處理，在對原始光譜、變換光譜與氮素定量分析的基礎(chǔ)上，構(gòu)建了估測葉片氮素含量的隨機森林回歸模型（random forest regression model， RFRM），通過構(gòu)建多元線性回歸模型對RFRM進行評估，并采用驗證數(shù)據(jù)對模型穩(wěn)定性進行評價，以期探討枸杞葉片光譜的最佳預(yù)處理方法并優(yōu)選出估測枸杞葉片氮素的良好模型，為寧夏枸杞葉片氮素檢測與評估提供科學(xué)依據(jù)，為枸杞精準(zhǔn)施肥提供參考。

1 材料和方法

1.1 研究區(qū)概況

研究區(qū)位于寧夏中寧縣恩和鎮(zhèn)枸杞種植園。該地屬溫帶大陸性氣候，光照充足，熱量豐富，晝夜溫差大，干旱少雨，年平均氣溫9.5 ℃，年平均日照時間2 979.9 h，年平均降水量209 mm。園區(qū)地質(zhì)條件優(yōu)良，地貌平坦，土層厚，土壤質(zhì)地均勻，富含各種礦物質(zhì)和微量元素，屬于寧夏枸杞國家地理標(biāo)志產(chǎn)品保護區(qū)范疇。

1.2 試驗材料

以“寧杞7號”枸杞為試驗材料，栽培株行距為3 m×1 m，采集樣本時枸杞樹齡為5年。在開花期至果熟期，隨機選取長勢不同的枸杞樹作為樣株，在樣株不同方位采集結(jié)果枝條上的健康葉片，作為待測樣本。將采集的鮮葉片樣本迅速裝入自封袋，編號，放入移動式保鮮箱，帶回實驗室。將每個樣本分成2組，一組用于光譜反射率的測定，一組用于氮素的測定。

1.3 數(shù)據(jù)測定

1.3.1 光譜反射率測定

光譜反射率測定在密閉暗室內(nèi)進行。測定設(shè)備為美國ASD Field Spec Pro便捷式地物光譜儀，光纖視場角為25°，光譜范圍為350～2 500 nm。測定時，先將鮮葉片表面灰塵擦拭干凈，然后將葉片呈近似圓形平鋪在黑色絨布上，將光纖垂直對準(zhǔn)測定范圍中心位置，光纖距離樣本的垂直高度根據(jù)公式H=L/[2×tan（A/2）]進行調(diào)整。其中：H為光纖與樣本的垂直距離，L為測定范圍直徑，A為光纖視場角。安裝50 W的鹵素?zé)裟M太陽光，且光線以與水平面成45°的恒定角度射入。每個樣本測定5條光譜，每次測定前對光譜儀進行標(biāo)準(zhǔn)白板校正。

1.3.2 葉片氮素測定

將樣本放入烘箱，調(diào)溫至105 ℃殺青30 min，然后調(diào)溫至70 ℃烘干至恒重，將葉片研磨成粉末，通過0.25 mm的篩網(wǎng)，最后采用凱氏定氮法測定葉片氮素含量。

1.4 試驗方法

1.4.1 光譜預(yù)處理

光譜測定中，由于光源波動、外界干擾及設(shè)備自身等影響，使得光譜受到不同程度的干擾，因此，必須對光譜進行降噪處理，以提高后期光譜分析結(jié)果的準(zhǔn)確性。本研究首先將光譜進行比對，去除異常值，然后對測定的光譜進行快速傅里葉變換（FFT），得到穩(wěn)定的原始光譜（OS）反射率。然后，采用微分和連續(xù)統(tǒng)去除法對原始光譜進行數(shù)學(xué)變換處理，得到一階微分光譜（FDS）、二階微分光譜（SDS）和連續(xù)統(tǒng)去除光譜（CRS）。將原始光譜及3種變換光譜作為后期定量分析和模型建立的基礎(chǔ)數(shù)據(jù)集。

1.4.2 模型構(gòu)建

隨機森林（Random forest regression， RF）是以CART決策樹為基礎(chǔ)的一種集成機器學(xué)習(xí)算法，是將樣本不斷放回并進行多次取樣形成訓(xùn)練集，通過決策樹的組合對預(yù)測結(jié)果求平均值來進行預(yù)測[12]。本試驗將光譜反射率作為輸入，枸杞葉片氮素作為輸出，采用十折交叉驗證對模型進行訓(xùn)練，模型的決策樹數(shù)量為100，樹的最大深度為10，分割節(jié)點數(shù)量為2，葉子節(jié)點的最大數(shù)量為50。為了評價隨機森林算法在枸杞葉片氮素預(yù)測上的表現(xiàn)，采用相同數(shù)據(jù)集，將光譜反射率作為自變量，枸杞葉片氮素作為因變量，構(gòu)建了多元線性回歸模型（multivariable linear regression model， MLRM）。

1.4.3 模型檢驗

采用決定系數(shù)（determination coefficient， R2）、均方根誤差（root mean square error， RMSE）和平均絕對誤差（mean absolute error， MAE）對模型進行獨立性檢驗。

合度越高；RMSE和MAE數(shù)值越小，模型預(yù)測值與實測值間的誤差越小，表明模型的預(yù)測效果越好。

2 結(jié)果與分析

2.1 氮素正態(tài)檢驗分析

將氮素數(shù)據(jù)按照2∶1分為訓(xùn)練集和驗證集，對全體樣本集、訓(xùn)練集和驗證集進行正態(tài)性檢驗（表1）。由表1可見，3組數(shù)據(jù)集的峰度絕對值均小于10且偏度絕對值小于3，表明3組數(shù)據(jù)基本可接受為正態(tài)分布。

2.2 光譜反射率與氮素相關(guān)性分析

采用Pearson相關(guān)性分析，將原始光譜及變換光譜與氮素分別進行定量分析（圖1）?？梢姡脊庾V與氮素的相關(guān)系數(shù)在-0.474～0.083之間變化。原始光譜729～860 nm波段與氮素在0.01水平呈顯著負(fù)相關(guān)，達(dá)到0.01水平顯著相關(guān)的波段有132個；722～728 nm和861～906 nm波段與氮素在0.05水平呈現(xiàn)顯著相關(guān)，達(dá)到0.05水平顯著相關(guān)的波段有54個；通過0.01和0.05水平顯著性檢驗的波長共有186個，主要集中在紅邊及近紅外波段。同原始光譜比，一階微分光譜和二階微分光譜與氮素的相關(guān)系數(shù)曲線波動很大，其中一階微分光譜與氮素的相關(guān)系數(shù)在-0.550～0.571之間變化，與氮素在0.01水平顯著相關(guān)的波段有309個，在0.05水平顯著相關(guān)的有87個波長，共有396個波長通過0.01和0.05水平顯著性檢驗。二階微分光譜與氮素的相關(guān)系數(shù)在-0.588～0.553之間，達(dá)到0.01水平顯著相關(guān)的波段有121個，達(dá)到0.05水平顯著相關(guān)的光譜有66個，共計187個波長。一階微分光譜和二階微分光譜與氮素通過相關(guān)性檢驗的波長在可見光波段與近紅外波段均有分布。連續(xù)統(tǒng)去除光譜達(dá)到0.01水平顯著相關(guān)的波長有437～530 nm、555～745 nm、834～848 nm，共有378個波長；與氮素在0.05水平相關(guān)的波長有93個，合計471個波段，主要分布于近紅外波段，其相關(guān)系數(shù)在-0.577～0.510之間變化。

根據(jù)相關(guān)系數(shù)絕對值最大原則，從4類光譜數(shù)據(jù)集中選取10個波長作為敏感波長（表2），表2中敏感波長按照相關(guān)系數(shù)絕對值從大到小的順序排列。可見，原始光譜敏感波長為近紅外768～777 nm波段內(nèi)連續(xù)分布的10個波長。連續(xù)統(tǒng)去除光譜敏感波長集中于777～938 nm的近紅外波段，同原始光譜相比，其敏感波長的分布相對分散，所包含的光譜信息豐富。一階微分光譜的敏感波長553 nm，位于550 nm附近的綠峰波段；745～748 nm的4個敏感波長位于紅邊波段；825 nm、826nm、916 nm、936 nm及959 nm位于近紅外波段；可見一階微分光譜的敏感波長分布最分散，包含的光譜信息最豐富。二階微分光譜的敏感波長包含702～706 nm紅邊波段內(nèi)的連續(xù)5個波長和747～749 nm紅邊波段內(nèi)的3個連續(xù)波長，以及近紅外波段的837 nm和847 nm 2個波長。

2.3 模型構(gòu)建

基于表2中的敏感波長，構(gòu)建了預(yù)測枸杞葉片氮素的RFRM（表3）。可見，基于光譜變換構(gòu)建的模型預(yù)測效果均優(yōu)于基于原始光譜構(gòu)建的模型，其中，基于FDS構(gòu)建的RFRM擬合度最高（R2=0.897），同基于OS、SDS及CRS建立的RFRM比，其擬合度分別提高了0.137、0.027和0.034；RMSE和MAE分別降低了0.048、0.006和0.004，0.035、0.004和0.002。其次為基于SDS和基于CRS的RFRM，其擬合度分別為0.870和0.863，同OS構(gòu)建的RFRM比，擬合度分別提高了0.11和0.103；RMSE和MAE分別減小了0.042和0.044，0.031和0.033。基于OS構(gòu)建的RFRM預(yù)測精度最差（R2=0.760）。

為了評價隨機森林算法在枸杞葉片氮素預(yù)測上的表現(xiàn)，以表2中的敏感波長作為自變量，構(gòu)建了MLRM（表3），可見，MLRM的擬合度高低依次為R2（FDS+MLRM）、R2（SDS+MLRM）、R2（CRS+MLRM）、R2（OS+MLRM），與RFRM表現(xiàn)規(guī)律一致。其中：基于FDS構(gòu)建的MLRM預(yù)測效果最優(yōu)，同其余3個MLRM比，其擬合度分別提高了0.136、0.043和0.066；RMSE和MAE分別降低了0.038、0.011和0.026，0.037、0.01和0.019；同MLRM相比，基于OS、FDS、SDS和CRS構(gòu)建的4種RFRM的擬合度分別提高了0.258、0.259、0.275和0.291，RMSE分別減小了0.044、0.054、0.059、0.076，MAE分別減小了0.045、0.043、0.066、0.059。

2.4 模型檢驗

利用驗證集對擬合度超過0.7的4個RFRM進行預(yù)測精度檢驗（表4），可見，模型的決定系數(shù)由大到小依次為R2（FDS+RFRM）、R2（SDS+RFRM）、R2（CRS+RFRM）、R2（OS+RFRM），RMSE由小到大依次為RMSE（FDS+RFRM）、RMSE（SDS+RFRM）、RMSE（CRS+RFRM）、RMSE（OS+RFRM），4個模型的MAE排序與RMSE一致。

通過對模型檢驗可見，基于FDS構(gòu)建的RFRM預(yù)測精度及穩(wěn)定性最優(yōu)，其檢驗R2、RMSE和MAE分別為0.689、0.129和0.102。基于OS構(gòu)建的RF回歸模型預(yù)測能力最差，其檢驗R2僅為0.196，說明該模型只能解釋樣本變化的19.6%。

3 結(jié)論與討論

本研究從葉片尺度開展枸杞氮素含量估測研究，為了能夠準(zhǔn)確反映枸杞植株氮素狀況，以枸杞當(dāng)年生的結(jié)果枝條上的鮮葉片為研究對象，同步測定葉片光譜反射率與全氮含量，在定量分析光譜與氮素的定量關(guān)系的基礎(chǔ)上，建立了枸杞葉片氮素預(yù)測回歸模型，為枸杞精準(zhǔn)施肥提供科學(xué)參考。

已有研究表明，光譜變換可以突出光譜特征并提取植被生物化學(xué)信息[14-16]，已成為過濾噪聲、提高信噪比和提升建模精度的關(guān)鍵手段?？焖俑道锶~變換（FFT）[17]可以將信號從時域變換到頻域，使噪聲信號在頻域中更容易檢測和消除，從而提高去噪的效率。本研究采用FFT對測定的光譜進行濾波平滑處理，獲取穩(wěn)定的原始光譜（OS），然后采用數(shù)學(xué)變換獲取3種變換光譜（FDS、SDS和CRS），并構(gòu)建了估測枸杞葉片氮素的隨機森林回歸模型和多元線性回歸模型。本研究表明基于3種變換光譜構(gòu)建的RFRM和MLRM的預(yù)測效果均優(yōu)于基于原始光譜構(gòu)建的模型，可見對枸杞葉片光譜進行數(shù)學(xué)變換能提升模型預(yù)測精度，這與劉昌華等[18]得出的結(jié)果相一致?；贔DS的模型預(yù)測效果最優(yōu)，基于SDS的模型次之，第三為基于CRS的模型。這是由于采用Pearson相關(guān)性分析篩選枸杞葉片氮素的光譜敏感波長時，F(xiàn)DS具有較好的效果，其敏感波長分布于綠峰波段、紅邊波段及近紅外波段，涵蓋光譜信息更豐富。SDS的敏感波長包含紅邊及近紅外波段。同F(xiàn)DS和SDS相比，CRS的敏感波長分布相對集中。2種建模方法中，RFRM的預(yù)測精度明顯優(yōu)于MLRM。這是由于多元線性回歸模型在解決非線性問題時擬合能力較弱，而RF算法具有較強的全局搜索能力，能一定程度上改善信息缺失問題[19]，同時，該算法通過引入了兩個隨機性，使其具有較強的抗噪聲能力，也不易產(chǎn)生過度擬合現(xiàn)象[20]，在解決非線性問題時具有相對較高的精度。

今后可依托無人機平臺，采集枸杞高光譜圖譜信息，從枸杞冠層尺度，將圖譜、紋理與枸杞冠層結(jié)構(gòu)信息相結(jié)合，嘗試綜合更多的數(shù)學(xué)變換、光譜分析及建模方法，實現(xiàn)光譜數(shù)據(jù)的充分利用，進一步提高枸杞氮素監(jiān)測精度，助力寧夏枸杞產(chǎn)業(yè)高質(zhì)量發(fā)展。

參考文獻：

[1] 李永梅，張立根. 作物氮素高光譜遙感監(jiān)測研究[J]. 寧夏農(nóng)林科技，2020，61（4）：55-59.

[2] DIACONO M， RUBINO P， MONTEMURRO F. Precision nitrogen management of wheat. A review[J]. Agronomy for Sustainable Development， 2013，33：219-241.

[3] 陳楊，樊明壽，李斐，等. 氮素營養(yǎng)診斷技術(shù)的發(fā)展及其在馬鈴薯生產(chǎn)中的應(yīng)用[J]. 中國農(nóng)學(xué)通報，2009，25（3）：66-71.

[4] 陳云浩，王思佳，趙逸飛，等. 農(nóng)業(yè)高光譜遙感研究進展及發(fā)展趨勢[J]. 地理與地理信息科學(xué)，2019，35（5）：1-8.

[5] 李永梅，張立根，張學(xué)儉. 水稻葉片高光譜響應(yīng)特征及氮素估算[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（23）：210-213.

[6] 第五鵬瑤，卞希慧，王姿方，等. 光譜預(yù)處理方法選擇研究[J]. 光譜學(xué)與光譜分析，2019，39（9）：2800-2806.

[7] 王麗鳳，張長利，趙越，等. 高光譜成像技術(shù)的玉米葉片氮含量檢測模型[J]. 農(nóng)機化研究，2017，39（11）：140-147.

[8] 鄭一力，趙燕東，董瑋，等. 竹葉片氮含量高光譜估測方法對比研究[J]. 農(nóng)業(yè)機械學(xué)報，2018，49（S1）：393-400.

[9] 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)機械學(xué)報，2017，48（07）：174-179.

[10] RUBIO-DELGADO J， Pérez C J， Vega-Rodríguez M A. Predicting leaf nitrogen content in olive trees using hyperspectral data for precision agriculture[J]. Precision Agriculture， 2020，22（1）：1-21.

[11] 易翔，呂新，張立福，等. 基于RF和SPA的無人機高光譜估算棉花葉片全氮含量[J]. 作物雜志，2023（2）：245-252.

[12] 陳曉凱，李粉玲，王玉娜，等. 無人機高光譜遙感估算冬小麥葉面積指數(shù)[J]. 農(nóng)業(yè)工程學(xué)報，2020，36（22）：40-49.

[13] 谷振宇，陳聰，鄭家佳，等. 基于時空圖卷積循環(huán)神經(jīng)網(wǎng)絡(luò)的交通流預(yù)測[J]. 控制與決策，2022，37（3）：645-653.

[14] 田安紅，熊黑鋼，趙俊三，等. 分?jǐn)?shù)階微分對鹽漬土野外光譜預(yù)處理精度提升的機理分析[J]. 光譜學(xué)與光譜分析，2019，39（8）：2495-2500.

[15] MOROS J. Vibrational spectroscopy provides a green tool for multi-component analysis[J]. Trends in Analytical Chemistry， 2009，29（7）：578–591.

[16] LUO S， HE Y， LI Q， et al. Assessment of unified models for estimating potato leaf area index under water stress conditions across ground-based hyperspectral data[J]. Journal of Applied Remote Sensing， 2020，14（1）：014517.

[17] XU P， CAO Y， XUE L， et al. Study on sparse representation and measurement matrices of compressive sensing of plant hyperspectral data for retrieving plant physiological and biochemical parameters[J]. Biosystems Engineering，2019，182：38-53.

[18] 劉昌華，方征，陳志超，等. ASD Field Spec3野外便攜式高光譜儀診斷冬小麥氮營養(yǎng)[J]. 農(nóng)業(yè)工程學(xué)報，2018，34（19）：162-169.

[19] 張春蘭，楊貴軍，李賀麗，等. 基于隨機森林算法的冬小麥葉面積指數(shù)遙感反演研究[J]. 中國農(nóng)業(yè)科學(xué)，2018，51（5）：855-867.

[20] 高小梅，李燕麗，熊勤學(xué)，等. 受漬冬小麥不同葉位葉片的SPAD高光譜估算[J]. 生態(tài)學(xué)雜志，2024，43（3）：733-740.