光譜技術(shù)在作物養(yǎng)分監(jiān)測中的應(yīng)用研究進(jìn)展

摘要：作物養(yǎng)分與作物生長狀況和產(chǎn)量密切相關(guān)，養(yǎng)分管理是作物生產(chǎn)管理中重要的環(huán)節(jié)之一。但目前我國作物養(yǎng)分管理形式粗放，過量施肥情況時(shí)有發(fā)生。快速準(zhǔn)確監(jiān)測作物養(yǎng)分含量，優(yōu)化養(yǎng)分管理至關(guān)重要。傳統(tǒng)的通過化學(xué)分析方法測定養(yǎng)分含量費(fèi)時(shí)費(fèi)力，且難以實(shí)現(xiàn)對大面積作物的快速測量。光譜技術(shù)因其高效、無損、精準(zhǔn)等特點(diǎn)，在農(nóng)業(yè)生產(chǎn)領(lǐng)域得到快速發(fā)展。利用光譜技術(shù)監(jiān)測作物養(yǎng)分含量對于及時(shí)指導(dǎo)作物生長、合理施肥和農(nóng)業(yè)可持續(xù)發(fā)展等具有重要意義，有助于實(shí)現(xiàn)農(nóng)業(yè)精準(zhǔn)化、數(shù)字化、智能化。本文對國內(nèi)外相關(guān)研究成果進(jìn)行綜述，介紹了近地光譜數(shù)據(jù)、無人機(jī)遙感光譜數(shù)據(jù)、衛(wèi)星遙感光譜數(shù)據(jù)3種光譜數(shù)據(jù)類型，系統(tǒng)性綜述了光譜技術(shù)在作物營養(yǎng)元素（葉綠素、氮、磷、鉀、其他養(yǎng)分）監(jiān)測上的應(yīng)用，并從光譜數(shù)據(jù)預(yù)處理和建模分析方法等光譜數(shù)據(jù)處理流程方面進(jìn)行了總結(jié)分析，最后在此基礎(chǔ)上分析了光譜技術(shù)在作物養(yǎng)分監(jiān)測上面臨的難題和未來發(fā)展趨勢，以期為光譜技術(shù)在現(xiàn)代農(nóng)業(yè)生產(chǎn)上的開發(fā)應(yīng)用提供參考。

關(guān)鍵詞：作物養(yǎng)分；光譜技術(shù)；養(yǎng)分監(jiān)測；精準(zhǔn)農(nóng)業(yè)；模型

中圖分類號：S127" 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2024）14-0031-09

收稿日期：2023-08-30

基金項(xiàng)目：蘇州市科技計(jì)劃（編號：SNG2022066）；蘇州市農(nóng)業(yè)科學(xué)院科研基金（編號：21014）。

作者簡介：田 婷（1988—），女，江蘇常州人，碩士，助理研究員，主要從事作物遙感監(jiān)測研究。E-mail：491016158@qq.com。

通信作者：徐 雯，碩士，高級農(nóng)藝師，主要從事作物栽培研究。E-mail：714877839@qq.com。

養(yǎng)分管理是作物生產(chǎn)管理中重要的環(huán)節(jié)之一。傳統(tǒng)的養(yǎng)分監(jiān)測方法主要是依靠田間取樣，在實(shí)驗(yàn)室進(jìn)行化學(xué)測定，但該方法具有滯后性、破壞性、工作量大等缺點(diǎn)。隨著光譜技術(shù)的高速發(fā)展，利用光譜技術(shù)對作物長勢、養(yǎng)分進(jìn)行快速無損監(jiān)測得到廣泛應(yīng)用。作物養(yǎng)分豐缺能夠引起作物中蛋白質(zhì)、葉綠素等含量的變化，影響光的吸收、反射和投射［1］。光譜技術(shù)利用作物葉片或冠層的反射光譜特征差異，間接定性或定量分析作物養(yǎng)分含量，為作物營養(yǎng)診斷與精準(zhǔn)施肥提供依據(jù)［2-3］。作物營養(yǎng)光譜監(jiān)測為實(shí)現(xiàn)肥料精準(zhǔn)調(diào)控提供技術(shù)支持，是推動作物種植管理技術(shù)從粗放型向精細(xì)化發(fā)展的重要環(huán)節(jié)［4］。本文主要從光譜傳感器類型、營養(yǎng)元素監(jiān)測、光譜數(shù)據(jù)處理流程等3個(gè)方面總結(jié)光譜技術(shù)在作物養(yǎng)分監(jiān)測中的研究進(jìn)展，討論面臨的難題，并展望其發(fā)展趨勢。

1 光譜數(shù)據(jù)類型

根據(jù)光譜數(shù)據(jù)獲取的平臺進(jìn)行分類，光譜數(shù)據(jù)類型主要分為近地光譜數(shù)據(jù)、無人機(jī)遙感光譜數(shù)據(jù)、衛(wèi)星遙感光譜數(shù)據(jù)3類。不同類型平臺不同傳感器各有優(yōu)缺點(diǎn)，估測效果也各有差異。

1.1 近地光譜數(shù)據(jù)

近地光譜數(shù)據(jù)主要是通過便攜式光譜儀和室內(nèi)光譜成像系統(tǒng)來獲取數(shù)據(jù)，較多地集中在高光譜數(shù)據(jù)，用于基礎(chǔ)研究較多。儀器主要分為成像高光譜儀和非成像高光譜儀2類。目前使用較為廣泛的非成像高光譜儀器有美國ASD公司FieldSpec系列、美國SVC公司HR-1024i型便攜式高光譜儀、荷蘭AVANTES公司的AvaSpec-ULS2048XL-EVO光譜儀等。成像高光譜儀主要有芬蘭Specim公司ImSpector V10E、美國SOC公司SOC710便攜式高光譜成像儀、中國雙利合譜公司GaiaField系列便攜式成像光譜系統(tǒng)?；诠庾V技術(shù)提取植被理化信息始于非成像光譜數(shù)據(jù)［5］，非成像高光譜儀通常波段范圍較廣，例如常用的ASD公司的全波段系列非成像高光譜儀波段范圍為350～2 500 nm，對于特定區(qū)域的光譜分析精度較高。但非成像光譜儀很難搭載到其他平臺，且只能獲取視場區(qū)域內(nèi)被測對象的平均光譜信息，無法提供整個(gè)場景全域空間的光譜信息，因此基于非成像光譜數(shù)據(jù)進(jìn)行作物養(yǎng)分監(jiān)測的研究多集中在葉片和地面某一單點(diǎn)位置冠層尺度。成像高光譜儀同時(shí)結(jié)合了監(jiān)測對象的空間信息和光譜信息，具有“圖譜合一”的優(yōu)勢，可以提取整個(gè)場景內(nèi)任意位置的光譜信息，由于其獲取的信息更豐富、產(chǎn)生的數(shù)據(jù)量更大，從而也導(dǎo)致數(shù)據(jù)分析和建模計(jì)算量更大更復(fù)雜。

1.2 無人機(jī)遙感光譜數(shù)據(jù)

無人機(jī)遙感光譜數(shù)據(jù)是指通過無人機(jī)平臺搭載各類光譜傳感器獲取的數(shù)據(jù)。無人機(jī)載光譜傳感器主要分為多光譜傳感器和高光譜傳感器。機(jī)載高光譜傳感器光譜分辨率高，光譜通道連續(xù)，光譜信息量大，但操作困難、成本高昂、數(shù)據(jù)量大、處理速度慢，挖掘有效光譜信息難度大，而且對于無人機(jī)搭載的要求更高，自重較重導(dǎo)致續(xù)航更短，更適合小面積的基礎(chǔ)研究。常用的機(jī)載高光譜儀有德國Cubert公司UHD185成像光譜儀、中國雙利合譜公司系列高光譜儀、芬蘭Senop公司Rikola高光譜儀等。機(jī)載多光譜傳感器無法提供連續(xù)波段的光譜信息，但其傳感器成本低、重量輕，無人機(jī)搭載獲取影像更方便，續(xù)航時(shí)間較長，同時(shí)還具有多尺度、多用途以及干擾因素少、數(shù)據(jù)處理工作量較小等特點(diǎn)，能夠?qū)崿F(xiàn)農(nóng)場尺度大范圍的快速響應(yīng)決策［6］。目前常用的機(jī)載多光譜傳感設(shè)備有美國MicaSense公司RedEdge、美國Tetracam公司ADC-Lite/Mini-MCA/mini-MCA-6、法國AIRINOV公司Multi SPEC 4C、法國PARROT公司Sequoia、中國大疆公司DJI P4 Multispectral/MAVIC 3多光譜版、中國長光禹辰公司多光譜系列等。在實(shí)際工作中，可以根據(jù)試驗(yàn)需求搭載不同類型光譜傳感器從而獲取作物冠層的光譜信息，實(shí)現(xiàn)對農(nóng)田的精準(zhǔn)管理。

1.3 衛(wèi)星遙感光譜數(shù)據(jù)

衛(wèi)星遙感光譜數(shù)據(jù)是指從衛(wèi)星搭載的傳感器獲取遙感數(shù)據(jù)。光譜類衛(wèi)星最早是美國的 EOS AM-1 衛(wèi)星，搭載的MODIS光譜傳感器，因其時(shí)間分辨率高、覆蓋面積大、波段范圍廣和容易獲取等優(yōu)勢，極大地方便了科研工作者開展研究，成為21世紀(jì)初至今觀測地球重要的遙感信息來源之一［7］。近年來歐盟與我國也在陸續(xù)發(fā)射多種高光譜衛(wèi)星，包括環(huán)境一號（HJ-1A）星、OHS衛(wèi)星、高分五號（GF-5）等。高分五號是我國高光譜遙感監(jiān)測能力的重要標(biāo)志，波段覆蓋從紫外到長波紅外，具有定量精度高、探測手段多等特點(diǎn)［8］。目前用于作物養(yǎng)分監(jiān)測的衛(wèi)星遙感光譜數(shù)據(jù)主要有美國Landsat系列、worldview系列衛(wèi)星的遙感數(shù)據(jù)、歐洲Sentinels系列衛(wèi)星、中國GF系列、法國SPOT系列等。譚昌偉等使用Landsat TM影像數(shù)據(jù)，對冬小麥開花期葉片SPAD值和葉片氮含量進(jìn)行監(jiān)測［9］。王備戰(zhàn)等研究認(rèn)為，SPOT-5影像數(shù)據(jù)可以較好地估測小麥地上部氮積累量，預(yù)測精度較高［10］。Schlemmer等研究認(rèn)為，基于Sentinel-2衛(wèi)星模擬數(shù)據(jù)的紅邊葉綠素指數(shù)可以較好地估測玉米葉綠素含量［11］。李粉玲等利用GF-1號衛(wèi)星數(shù)據(jù)較好地預(yù)測了小麥氮素營養(yǎng)［12］。Mutanga等利用Word View-2衛(wèi)星影像數(shù)據(jù)，使用隨機(jī)森林算法成功地反演了非洲草地葉片氮素含量［13］。

2 光譜技術(shù)在營養(yǎng)元素監(jiān)測上的應(yīng)用

2.1 葉綠素

葉綠素是作物的重要理化參數(shù)，是進(jìn)行光合作用的核心色素，其含量能反映作物的生長健康狀況，是重要的長勢監(jiān)測指標(biāo)［14］。作物葉綠素含量與氮素含量密切相關(guān)［15］，在很多的遙感研究結(jié)果中，氮素和葉綠素的光譜作用規(guī)律是相似的，通過光譜技術(shù)定量反演作物葉綠素含量是監(jiān)測作物長勢和營養(yǎng)狀況的一種有效途徑。由于SPAD值較易獲取，在一定條件下SPAD值是表征植株葉綠素相對含量的參數(shù)，前人研究中主要監(jiān)測的葉綠素相關(guān)指標(biāo)有葉綠素含量和SPAD值。

葉綠素的敏感波段主要集中在可見光和近紅外波段（表1），基于該范圍波段的光譜反射、導(dǎo)數(shù)光譜、植被指數(shù)等常常用來預(yù)測作物葉綠素含量。大量的研究表明，紅邊是植被生長狀況的敏感波段，可以較好地預(yù)測作物葉綠素含量［16］。紅邊是植物光譜曲線在680～760 nm急劇變化的區(qū)域，表現(xiàn)為植物在紅光波段的強(qiáng)吸收和在近紅外波段的強(qiáng)反射［17］。王晶等研究了綠色植被光譜紅邊產(chǎn)生的機(jī)制，紅邊參數(shù)易受葉綠素含量和葉片內(nèi)部結(jié)構(gòu)的影響［18］。前人的許多研究基于紅邊區(qū)域衍生出系列紅邊特征參數(shù)用于估測葉綠素含量，常見的紅邊參數(shù)有紅邊位置（REP）、紅邊斜率、紅邊振幅、紅邊面積、紅谷等。紅邊位置是作物反射光譜中較為明顯的光譜特征參數(shù)，與作物的葉綠素含量密切相關(guān)［19］。曹英麗等的研究表明，葉綠素含量較低的植被近紅外光譜區(qū)反射率較高，葉綠素含量較高的植物的紅邊位置出現(xiàn)紅移［20］。馮海寬等研究發(fā)現(xiàn)，植被指數(shù)結(jié)合紅邊參數(shù)能夠提高作物葉綠素含量的估算精度［21］。Filella等研究認(rèn)為，紅邊峰波長與葉綠素含量高度相關(guān)［22］。不同學(xué)者在利用光譜遙感數(shù)據(jù)對植被葉綠素含量進(jìn)行估測時(shí)，大多是建立在冠層或者葉片單一尺度構(gòu)建的作物葉綠素含量光譜反演模型，采用的模型和模型輸入都不一樣，在估測葉綠素含量方面并沒有統(tǒng)一的模型，模型輸入?yún)?shù)也各異。

2.2 氮元素

氮元素是構(gòu)成蛋白質(zhì)的主要成分，也是合成葉綠素的重要組成部分，是與作物產(chǎn)量和品質(zhì)密切關(guān)聯(lián)的最重要的營養(yǎng)元素之一。早期快速準(zhǔn)確檢測作物中的氮脅迫至關(guān)重要，是作物生產(chǎn)中指示作物缺氮和指導(dǎo)施肥的重要依據(jù)［37］。光譜技術(shù)為氮素營養(yǎng)元素快速無損實(shí)時(shí)監(jiān)測提供了新的方法。作物氮素含量與光譜特征之間具有很強(qiáng)的相關(guān)性，不同的光譜指數(shù)適用于不同的作物及其生長階段［38］。

國內(nèi)外在作物氮素方面的研究非常成熟，不同學(xué)者對不同作物進(jìn)行了大量研究，基于光譜特征快速獲取作物氮素營養(yǎng)狀況已廣泛應(yīng)用在小麥、水稻、玉米等作物上，不同作物氮素敏感波段主要分布在350～1 500 nm之間（表2）。主要監(jiān)測的氮素營養(yǎng)狀況的相關(guān)指標(biāo)包括葉片氮含量［39-42］、葉片氮積累量［43-44］、地上部植株氮含量［45-46］、地上部植株氮積累量［47-48］、籽粒氮積累量［49］、氮素利用效率［50-52］、氮營養(yǎng)指數(shù)［53-54］。劉紅玉等研究認(rèn)為，采用光譜特征和圖像特征融合技術(shù)可以實(shí)現(xiàn)對番茄葉片全氮含量的快速高精度檢測［39］。Tan等構(gòu)建了新的歸一化植被指數(shù)（SDr-SDb）/（SDr+SDb）用來預(yù)測葉片氮積累量，具有更好的擬合效果［44］。井宇航等基于光譜信息、紋理特征和株高信息較好地預(yù)測了冬小麥植株氮積累量［47］。付彥博等發(fā)現(xiàn)基于差值植被指數(shù)（DVI）的植株氮含量診斷模型為最佳，調(diào)整決定系數(shù)達(dá)到0.919［46］。賈學(xué)勤等基于冠層光譜實(shí)現(xiàn)了對小麥籽粒氮積累量的動態(tài)監(jiān)測［49］。作物氮素利用效率是指在特定氮素供應(yīng)下作物產(chǎn)量的表現(xiàn)，快速無損評估作物氮素利用效率為選育氮利用效率高的品種提供了有效手段。Prey等研究認(rèn)為，水波段和紅邊波段組成的光譜指數(shù)估測小麥氮素利用效率的效果最佳［52］。氮營養(yǎng)指數(shù)（NNI）是作物實(shí)測氮濃度與臨界氮濃度的比值，被認(rèn)為是診斷作物氮素營養(yǎng)狀況的有效指標(biāo)［55-57］。陳志超等的研究表明，隨機(jī)森林算法結(jié)合多元散射校正法預(yù)處理可以更好地反演玉米氮素營養(yǎng)指數(shù)［58］。肖天豪等利用高光譜影像構(gòu)建了氮營養(yǎng)指數(shù)模型，認(rèn)為該模型能夠高效、快捷地監(jiān)測冬小麥氮素營養(yǎng)含量［53］。作物生長環(huán)境復(fù)雜多變，不同學(xué)者在利用光譜技術(shù)對植物氮素營養(yǎng)狀況進(jìn)行估算時(shí)，采用的估算尺度、數(shù)據(jù)處理方法和建模方法存在巨大差異，選擇最關(guān)鍵的光譜波段對作物氮素狀態(tài)估計(jì)具有重要意義［59］。

2.3 磷元素

磷作為作物體內(nèi)多類化合物的主要元素，在作物能量傳導(dǎo)、光合作用和呼吸作用等過程中起著重要作用［37］。在農(nóng)業(yè)生產(chǎn)過程中，適量增施磷肥可以提高作物產(chǎn)量和品質(zhì)，過量施磷肥不僅對生長無益還會造成面源污染［74］。因此及時(shí)監(jiān)測作物磷素含量對調(diào)控作物生長發(fā)育、精準(zhǔn)施肥意義重大［75］。

目前利用光譜技術(shù)進(jìn)行作物磷素含量監(jiān)測已有不少研究，但與氮素光譜監(jiān)測相比，進(jìn)展仍較緩慢。前人研究認(rèn)為，磷素會引起葉綠素和花青素含量發(fā)生變化，導(dǎo)致光譜分析較為復(fù)雜。作物在輕度缺磷時(shí)，葉綠素濃度可能會增高，只有在嚴(yán)重缺磷時(shí)，才能用光譜進(jìn)行磷素診斷［76］。對于不同作物類型，磷素的光譜響應(yīng)特征存在差異，磷素的敏感波段主要集中在藍(lán)光波段、綠光波段、紅光波段、紅邊波段、近紅外波段等（表3）［77-83］，前人的研究還不能形成統(tǒng)一的結(jié)論。

2.4 鉀元素

關(guān)于作物鉀元素與光譜特性的相關(guān)性研究相對較少，主要集中在喜鉀作物的研究上，如甜菜［84］、小麥［85］、玉米［86］、番茄［39，87］、蜜柚［88］等。有關(guān)鉀元素與作物產(chǎn)量的研究表明，施鉀肥有利于促進(jìn)作物光合速率，提高產(chǎn)量。鉀又被稱為“品質(zhì)元素”，鉀素充足有利于提高品質(zhì)。合理的鉀肥施用決策，對作物的產(chǎn)量品質(zhì)形成意義重大。

近年來，國內(nèi)外學(xué)者研究發(fā)現(xiàn)不同作物鉀素敏感波段主要集中在可見光至近紅外波段（表4）。李勛蘭等研究發(fā)現(xiàn)，柑橘葉片鉀含量敏感波段主要集中在450～600 nm、700 nm左右、980～1 030 nm區(qū)域［89］。張俊華等的研究表明，夏玉米秸稈鉀素最敏感波段為680 nm，籽粒鉀素最敏感波段為 810 nm［86］。Mahajan等、Gomez-Casero等、李夢竹等分別對小麥［80］、橄欖［90］、烤煙［91］葉片的鉀含量進(jìn)行光譜監(jiān)測，研究認(rèn)為鉀素敏感波段為近紅外波段。

2.5 其他養(yǎng)分

國內(nèi)外部分研究者們通過光譜技術(shù)對作物中營養(yǎng)元素的含量監(jiān)測進(jìn)行研究，除了在葉綠素、氮、磷、鉀這些重要指標(biāo)外，在其他一些常量和微量元素監(jiān)測方面也有一定涉及。Chungcharoen等利用多光譜圖像和4種機(jī)器學(xué)習(xí)方法對油棕葉10種營養(yǎng)元素進(jìn)行評估，通過隨機(jī)森林（RF）、支持向量回歸（SVR）、偏最小二乘回歸（PLSR）和人工神經(jīng)元網(wǎng)絡(luò)（ANN）進(jìn)行建模，結(jié)果表明葉綠素和常量營養(yǎng)素（N、K、Ca和Mg）估測精度較高［93］。Costa等利用無人機(jī)捕獲的多光譜圖像和人工智能來模擬柑橘葉片養(yǎng)分（N、P、S、K、Zn、Mg、Ca、Fe、Mn、Cu、B）濃度，研究認(rèn)為光譜模型可以很好地估測常量營養(yǎng)元素，可以適度地估測微量營養(yǎng)元素［94］。馬超飛等對植物葉片中8種微量元素與光譜數(shù)據(jù)的相關(guān)性進(jìn)行研究，結(jié)果顯示鈷（Co）含量敏感波段位于569 nm處，錳（Mn）含量的敏感波段位于402、1 161 nm處，硼（B）含量的敏感波段位于470、878、2 191、2 338 nm 處，鉬（Mo）含量的敏感波段位于1 623 nm處，鋅（Zn）含量的敏感波段位于2 338 nm處［95］。

3 光譜數(shù)據(jù)處理流程

3.1 光譜數(shù)據(jù)預(yù)處理方法

3.1.1 遙感影像校正

衛(wèi)星遙感數(shù)據(jù)和無人機(jī)遙感數(shù)據(jù)在處理和分析前首先要經(jīng)過遙感影像校正，主要包括幾何校正、大氣校正和輻射校正。主要目的是為了消除影像上的幾何變形，減小大氣、地形、太陽高度角、傳感器本身對地物反射的影響，從而得到遙感影像的真實(shí)坐標(biāo)信息和真實(shí)反射率值。

3.1.2 去噪

光譜信息除了包含樣本本身的信息之外，還包含背景以及噪聲，通過預(yù)處理可以減少或消除光譜數(shù)據(jù)中噪聲的影響，提高數(shù)據(jù)的質(zhì)量，能夠有效提高模型的預(yù)測能力［6］。不同的去噪方法對結(jié)果的影響很大。常用的去噪方法有平滑算法（SG）、小波變換法（WT）、傅里葉變換法（FT）、非局部均值濾波（NLM）、標(biāo)準(zhǔn)正態(tài)變量變化（SNV）等。近兩年來，隨著深度學(xué)習(xí)算法的快速發(fā)展，很多學(xué)者將其引入到光譜去噪方法研究中，并取得了一定進(jìn)展。李忠偉等提出了一種融合空譜-梯度特征的深度高光譜圖像去噪方法［96］。Yuan等利用空間-光譜深度卷積神經(jīng)網(wǎng)絡(luò)模型（HISD-CNN）對高光譜圖像進(jìn)行去噪，結(jié)果表明這些方法對比主流算法效果顯著［97］。

3.1.3 降維

降維主要運(yùn)用在高光譜數(shù)據(jù)的預(yù)處理中，由于高光譜數(shù)據(jù)波段較多、特征空間維數(shù)高，極易造成數(shù)據(jù)冗余，降維是為了從復(fù)雜的光譜信息中挖掘有效的信息，同時(shí)降低數(shù)據(jù)維度可以提高模型的運(yùn)行速度［98］。高光譜數(shù)據(jù)降維主要方法有2類：一是光譜波段選擇，主要是從原始波段中僅選擇作物敏感的波段來減小數(shù)據(jù)大小，通過提取敏感波段、光譜特征參數(shù)、植被指數(shù)進(jìn)行降維。二是光譜特征提取，主要是將高光譜全波段進(jìn)行降維，這樣可以更全面地保存有用信息。主要方法有主成分分析（PCA）、偏最小二乘法（PLS）、最小噪聲分?jǐn)?shù)（MNF）、均勻特征設(shè)計(jì)（UMD）、小波變換（WT）、人工神經(jīng)網(wǎng)絡(luò)（ANN）和連續(xù)投影算法（SPA）［27］等。

3.2 建模分析方法

3.2.1 經(jīng)驗(yàn)?zāi)Ｐ停ńy(tǒng)計(jì)模型）

經(jīng)驗(yàn)?zāi)Ｐ陀址Q為統(tǒng)計(jì)模型，是基于地表實(shí)測參數(shù)和光譜反射率之間的關(guān)系，來構(gòu)建作物養(yǎng)分含量的定量關(guān)系模型。主要有線性參數(shù)回歸和線性非參數(shù)回歸2種方法。

線性參數(shù)回歸是一種基于參數(shù)回歸的簡單經(jīng)驗(yàn)算法，被廣泛用于分析光譜數(shù)據(jù)和作物養(yǎng)分含量。該方法是迄今為止應(yīng)用最多的植被養(yǎng)分估測技術(shù)。主要是基于光譜反射率和植被指數(shù)建立線性關(guān)系的作物養(yǎng)分預(yù)測模型。

線性非參數(shù)回歸又稱為化學(xué)計(jì)量法，是使用數(shù)學(xué)和統(tǒng)計(jì)技術(shù)從復(fù)雜數(shù)據(jù)（例如高光譜數(shù)據(jù)）中提取化學(xué)和物理信息。與統(tǒng)計(jì)線性參數(shù)方法相比，化學(xué)計(jì)量學(xué)是通過將其轉(zhuǎn)換為新特征來增加數(shù)據(jù)的價(jià)值。主要方法有主成分分析/回歸（PCA/PCR）、多元線性回歸（MLR）、逐步多元線性回歸（SMLR）和偏最小二乘回歸（PLSR）。與線性參數(shù)回歸相比，線性非參數(shù)回歸模型在模型中大多使用多個(gè)預(yù)測變量來提高模型精度。

3.2.2 輻射傳輸模型（RTM）

輻射傳輸模型是使用物理定律來模擬電磁輻射在植被-土壤耦合系統(tǒng)中反射、透射和吸收的過程［38］，從輻射傳輸理論來建立光譜與作物生理參數(shù)之間的定量關(guān)系，具有明確的物理意義。相比于經(jīng)驗(yàn)?zāi)Ｐ停哂衅者m性和可移植性。常用的輻射傳輸模型有LIBERTY、PROSPECT、SAIL、PROSAIL、Suits、Kuusk等。PROSAIL是目前使用最廣泛的RTM之一，該模型由葉片PROSPECT模型和冠層SAIL模型耦合而成，綜合利用作物葉片特性、冠層結(jié)構(gòu)、二向散射特性等來模擬作物冠層反射率。由于RTM具有較高的模型復(fù)雜性和計(jì)算強(qiáng)度，目前用于作物養(yǎng)分監(jiān)測的研究相對較少。張明政等研究認(rèn)為，利用PROSAIL模型可以較好地預(yù)測玉米葉片葉綠素含量［99］。王聲鋒等利用PROSAIL模型實(shí)現(xiàn)了夏玉米葉綠素含量垂直分層模擬［100］。

3.2.3 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)算法在近年來越來越廣泛地應(yīng)用于高光譜信息分析，它具備強(qiáng)大的處理高維數(shù)據(jù)與冗余數(shù)據(jù)的能力，能更高效地實(shí)現(xiàn)對高光譜數(shù)據(jù)中有效信息的提?。?01-102］。主要的機(jī)器學(xué)習(xí)算法有反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）、隨機(jī)森林（RF）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機(jī)（SVR）、高斯過程回歸（GPR）、極限學(xué)習(xí)機(jī)（ELM）等。Qiu等研究不同方法對水稻氮素營養(yǎng)指數(shù)進(jìn)行預(yù)測，認(rèn)為機(jī)器學(xué)習(xí)方法預(yù)測精度高于統(tǒng)計(jì)模型［103］。王韋燕等利用反向傳播神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林和支持向量機(jī)3種機(jī)器學(xué)習(xí)方法對烤煙葉綠素含量進(jìn)行預(yù)測，結(jié)果表明隨機(jī)森林模型效果最佳，R2達(dá)到0.96［104］。郭燕等利用4種機(jī)器學(xué)習(xí)方法對冬小麥植株氮含量進(jìn)行預(yù)測并分析模型遷移能力，結(jié)果顯示隨機(jī)森林、Adaboost方法構(gòu)建的模型表現(xiàn)突出［105］。

4 總結(jié)與展望

國內(nèi)外學(xué)者在利用光譜技術(shù)監(jiān)測作物營養(yǎng)狀況方面已做了大量工作，光譜數(shù)據(jù)獲取方式和數(shù)據(jù)分析方法也越來越豐富，已有的研究成果表明光譜技術(shù)已成為作物養(yǎng)分無損精準(zhǔn)監(jiān)測的重要工具之一，但仍存在著一些急需解決的困難和挑戰(zhàn)。

4.1 多方法結(jié)合提高模型的普適性

經(jīng)驗(yàn)?zāi)Ｐ椭衅毡榇嬖谥Ｐ推者m性、穩(wěn)健性和傳遞性不高等難題，不同作物不同營養(yǎng)元素的敏感波段不盡相同，很難建立統(tǒng)一的指標(biāo)和模型來監(jiān)測作物養(yǎng)分含量。經(jīng)驗(yàn)?zāi)Ｐ筒捎昧藬?shù)理統(tǒng)計(jì)的方式進(jìn)行建模，很少從農(nóng)學(xué)機(jī)理上探究光譜特征與營養(yǎng)元素含量之間的關(guān)系。輻射傳輸模型可以一定程度彌補(bǔ)經(jīng)驗(yàn)?zāi)Ｐ偷牟蛔?，但?yīng)用相對較少，可能與其復(fù)雜性相關(guān)。機(jī)器學(xué)習(xí)近兩年在建模等方面的應(yīng)用越來越多，不同的建模分析方法利弊各不相同，面對不同的研究內(nèi)容選擇最佳方法至關(guān)重要。如何結(jié)合不同的建模方法進(jìn)行營養(yǎng)元素監(jiān)測，提高反演精度，需要大量的試驗(yàn)和數(shù)據(jù)去驗(yàn)證，有必要進(jìn)行深入的研究和探索。

4.2 多角度監(jiān)測提高模型的反演精度

目前作物營養(yǎng)光譜監(jiān)測主要集中在相同葉層葉片或冠層單一尺度上，但隨著作物生長發(fā)育進(jìn)程的推進(jìn)，養(yǎng)分會在植物體內(nèi)進(jìn)行運(yùn)輸與分配，導(dǎo)致作物不同葉層葉片的養(yǎng)分含量有顯著分層特性。光譜技術(shù)在作物養(yǎng)分垂直分布中的應(yīng)用較為復(fù)雜，目前尚處于探索階段［106］。當(dāng)前作物冠層葉綠素、氮素等養(yǎng)分含量的估算來自于作物冠層表面，因冠層頂層葉片的遮蔽，很難監(jiān)測中下部養(yǎng)分變化。但是養(yǎng)分脅迫初期冠層中下部葉片敏感性高于冠層頂部，傳統(tǒng)的冠層光譜監(jiān)測會影響早期的養(yǎng)分脅迫監(jiān)測的精準(zhǔn)性和及時(shí)性。因此，有必要構(gòu)建不同垂直層營養(yǎng)元素光譜監(jiān)測模型，實(shí)現(xiàn)營養(yǎng)元素從傳統(tǒng)冠層監(jiān)測向垂直分布拓展，豐富作物的冠層結(jié)構(gòu)信息，提高作物養(yǎng)分反演精度。

4.3 多源數(shù)據(jù)融合提高模型的泛化性和遷移性

研究表明，融合光譜信息和圖像特征信息的作物養(yǎng)分監(jiān)測模型精度比單一光譜模型或單一圖像模型更高，今后的研究中將光譜信息結(jié)合二維圖像特征和三維掃描數(shù)據(jù)建立多尺度多特征融合監(jiān)測模型，勢必會有更好的監(jiān)測效果。目前大多模型只是考慮了光譜信息與作物參數(shù)之間的關(guān)系，如何綜合利用不同數(shù)據(jù)源信息，例如土壤數(shù)據(jù)、氣象數(shù)據(jù)、灌溉記錄和歷史產(chǎn)量等信息，建立更全面、更準(zhǔn)確的光譜模型，開發(fā)新的算法來綜合分析和挖掘多源數(shù)據(jù)的關(guān)聯(lián)性，從而提高模型的泛化性，實(shí)現(xiàn)模型的異地遷移也是今后研究的重點(diǎn)。

參考文獻(xiàn)：

［1］童 偉，劉金寶. 冬小麥光譜氮營養(yǎng)診斷技術(shù)研究進(jìn)展［J］. 南方農(nóng)業(yè)，2021，15（21）：14-15.

［2］李金敏，陳秀青，楊 琦，等. 基于高光譜的水稻葉片氮含量估計(jì)的深度森林模型研究［J］. 作物學(xué)報(bào)，2021，47（7）：1342-1350.

［3］Zhao Y，Wang J W，Chen L P，et al." An entirely new approach based on remote sensing data to calculate the nitrogen nutrition index of winter wheat［J］. Journal of Integrative Agriculture，2021，20（9）：2535-2551.

［4］李克亮，周志艷. 水稻氮肥精準(zhǔn)管理技術(shù)研究進(jìn)展［J］. 江蘇農(nóng)業(yè)科學(xué)，2019，47（12）：18-25.

［5］王鑫梅. 基于高光譜信息的核桃林冠葉綠素和氮素含量研究［D］. 北京：中國林業(yè)科學(xué)研究院，2020：5-8.

［6］何 勇，彭繼宇，劉 飛，等. 基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測研究進(jìn)展［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（3）：174-189.

［7］林志堅(jiān)，姚俊萌，蘇校平，等. 基于MODIS指數(shù)和隨機(jī)森林的江西省早稻種植信息提取［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（11）：197-205.

［8］張苗苗，溫 淵，孫立達(dá)，等. “高分” 五號02星概述及應(yīng)用示例［J］. 中國航天，2022（12）：9-15.

［9］譚昌偉，王紀(jì)華，趙春江，等. 利用Landsat TM遙感數(shù)據(jù)監(jiān)測冬小麥開花期主要長勢參數(shù)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27（5）：224-230.

［10］ 王備戰(zhàn)，馮 曉，溫 暖，等. 基于SPOT-5影像的冬小麥拔節(jié)期生物量及氮積累量監(jiān)測［J］. 中國農(nóng)業(yè)科學(xué)，2012，45（15）：3049-3057.

［11］Schlemmer M，Gitelson A，Schepers J，et al." Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels［J］. International Journal of Applied Earth Observation and Geoinformation，2013，25：47-54.

［12］李粉玲，常慶瑞，申 健，等. 基于GF-1衛(wèi)星數(shù)據(jù)的冬小麥葉片氮含量遙感估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（9）：157-164.

［13］Mutanga O，Adam E，Adjorlolo C，et al." Evaluating the robustness of models developed from field spectral data in predicting African grass foliar nitrogen concentration using WorldView-2 image as an independent test dataset［J］. International Journal of Applied Earth Observation and Geoinformation，2015，34：178-187.

［14］陳 倩，常慶瑞，郭 松，等. 基于紅邊特性和連續(xù)小波變換的冬小麥葉綠素含量估算［J］. 麥類作物學(xué)報(bào)，2022，42（7）：883-891.

［15］汪 旭，鄧裕帥，練雪萌，等. 基于無人機(jī)多光譜技術(shù)的甜菜冠層葉綠素含量反演［J］. 中國糖料，2022，44（4）：36-42.

［16］王紀(jì)華，趙春江，黃文江，等. 農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用［M］. 北京：科學(xué)出版社，2008：141-201.

［17］高 興，李 斐，楊海波，等. 基于紅邊位置的馬鈴薯植株氮濃度估測方法研究［J］. 植物營養(yǎng)與肥料學(xué)報(bào)，2019，25（2）：296-310.

［18］王 晶，劉 朗，李 澄，等. 綠色植被紅邊特征的研究（英文）［J］. 光譜學(xué)與光譜分析，2017，37（12）：3940.

［19］Chen H，Huang W，Li W，et al."" Estimation of LAI in winter wheat from multi-angular hyperspectral vnir data： effects of view angles and plant architecture［J］. Remote Sensing，2018，10（10）：1630.

［20］曹英麗，江凱倫，劉亞帝，等. 基于高光譜紅邊位置提取的水稻葉綠素反演研究［J］. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，52（6）：718-728.

［21］馮海寬，陶惠林，趙 鈺，等. 利用無人機(jī)高光譜估算冬小麥葉綠素含量［J］. 光譜學(xué)與光譜分析，2022，42（11）：3575-3580.

［22］Filella I，Penuelas J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status［J］. International Journal of Remote Sensing，1994，15（7）：1459-1470.

［23］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］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（6）：217-225，358.

［24］尼加提·卡斯木，師慶東，王敬哲，等. 基于高光譜特征和偏最小二乘法的春小麥葉綠素含量估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（22）：208-216.

［25］Hansen P M，Schjoerring J K. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression［J］. Remote Sensing of Environment，2003，86（4）：542-553.

［26］田容才，高志強(qiáng)，周 昆. 基于高光譜數(shù)據(jù)的晚秈稻品種劍葉SPAD值估測［J］. 中國稻米，2021，27（1）：45-50.

［27］于豐華，馮 帥，趙依然，等. 粳稻冠層葉綠素含量PSO-ELM高光譜遙感反演估算［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，41（6）：59-66.

［28］陳君穎，田慶久，亓雪勇，等. 基于Hyperion影像的水稻冠層生化參量反演［J］. 遙感學(xué)報(bào)，2009，13（6）：1106-1121.

［29］郭 松，常慶瑞，鄭智康，等. 基于無人機(jī)高光譜影像的玉米葉綠素含量估測［J］. 江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（4）：976-984.

［30］楊 婧，廖桂平，劉 凡，等. 基于高光譜成像技術(shù)的油菜葉片葉綠素含量預(yù)測［J］. 中國農(nóng)業(yè)科技導(dǎo)報(bào)，2020，22（5）：86-96.

［31］于 雷，章 濤，朱亞星，等. 基于IRIV算法優(yōu)選大豆葉片高光譜特征波長變量估測SPAD值［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（16）：148-154.

［32］尹 航，李 斐，楊海波，等. 基于無人機(jī)高光譜影像的馬鈴薯葉綠素含量估測［J］. 植物營養(yǎng)與肥料學(xué)報(bào)，2021，27（12）：2184-2195.

［33］Sonobe R，Hirono Y，Oi A. Non-destructive detection of tea leaf chlorophyll content using hyperspectral reflectance and machine learning algorithms［J］. Plants，2020，9（3）：368.

［34］王鑫梅，張勁松，孟 平，等. 不同生育期核桃樹冠層葉綠素含量高光譜估算研究［J］. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，44（2）：63-71.

［35］李莉婕，岳延濱，王延倉，等. 高光譜定量反演火龍果莖枝葉綠素含量的研究［J］. 光譜學(xué)與光譜分析，2021，41（11）：3538-3544.

［36］羅 靖，楊再強(qiáng)，楊 立，等. 基于高光譜參數(shù)建立苗期高溫條件下草莓葉片葉綠素含量估算模型［J］. 中國農(nóng)業(yè)氣象，2022，43（10）：832-845.

［37］Lu Y L，Bai Y L，Ma D L，et al." Nitrogen vertical distribution and status estimation using spectral data in maize［J］. Communications in Soil Science and Plant Analysis，2018，49（5）：526-536.

［38］梁雪映，樊風(fēng)雷. 基于遙感光譜的作物氮含量估算研究進(jìn)展［J］. 中國農(nóng)業(yè)科技導(dǎo)報(bào)，2019，21（1）：51-61.

［39］劉紅玉，毛罕平，朱文靜，等. 基于高光譜的番茄氮磷鉀營養(yǎng)水平快速診斷［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（增刊1）：212-220.

［40］于豐華，邢思敏，郭忠輝，等. 基于特征轉(zhuǎn)移植被指數(shù)的水稻葉片氮素含量定量估算［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（2）：175-182.

［41］張曉東，李 立，高洪燕，等. 番茄氮素的多特征融合檢測研究［J］. 江蘇農(nóng)業(yè)科學(xué)，2016，44（10）：379-382.

［42］Li F，Wang L，Liu J，et al."" Evaluation of leaf N concentration in winter wheat based on discrete wavelet transform analysis［J］. Remote Sensing，2019，11（11）： 1331.

［43］韓 康，于 靜，李 瑞，等. 基于光譜特征值反演馬鈴薯葉片氮累積量［J］. 灌溉排水學(xué)報(bào)，2021，40（6）：53-58.

［44］Tan C W，Du Y，Zhou J，et al." Analysis of different hyperspectral variables for diagnosing leaf nitrogen accumulation in wheat［J］. Frontiers in Plant Science，2018，9：674.

［45］肖天豪，周學(xué)軍，李存文，等. 基于無人機(jī)高光譜的冬小麥植株氮含量估算［J］. 地理空間信息，2022，20（8）：8-12.

［46］付彥博，范燕敏，盛建東，等. 紫花苜蓿植株含氮量的高光譜估測技術(shù)研究［J］. 草地學(xué)報(bào)，2013，21（5）：902-905，920.

［47］井宇航. 基于無人機(jī)多光譜和高分二號遙感影像的冬小麥植株氮積累量監(jiān)測［D］. 鄭州：河南農(nóng)業(yè)大學(xué)，2022：21-53.

［48］Feng W，Guo B B，Zhang H Y，et al." Remote estimation of above ground nitrogen uptake during vegetative growth in winter wheat using hyperspectral red-edge ratio data［J］. Field Crops Research，2015，180：197-206.

［49］賈學(xué)勤，馮美臣，王 超，等. 冬小麥籽粒氮積累量高光譜監(jiān)測研究［J］. 山西農(nóng)業(yè)科學(xué)，2018，46（3）：335-338.

［50］郭建彪. 基于高光譜遙感的小麥生長及氮素利用效率估測研究［D］. 鄭州：河南農(nóng)業(yè)大學(xué)，2021：111-125.

［51］Frels K，Guttieri M，Joyce B，et al." Evaluating canopy spectral reflectance vegetation indices to estimate nitrogen use traits in hard winter wheat［J］. Field Crops Research，2018，217：82-92.

［52］Prey L，Hu Y C，Schmidhalter U. High-throughput field phenotyping traits of grain yield formation and nitrogen use efficiency：optimizing the selection of vegetation indices and growth stages［J］. Frontiers in Plant Science，2020，10：1672.

［53］肖天豪，范園園，馮海寬，等. 利用高光譜影像估算氮營養(yǎng)指數(shù)［J］. 遙感信息，2022，37（3）：7-11.

［54］徐浩聰，姚 波，王 權(quán)，等. 基于葉片反射光譜估測水稻氮營養(yǎng)指數(shù)［J］. 中國農(nóng)業(yè)科學(xué)，2021，54（21）：4525-4538.

［55］Ata-Ul-Karim S T，Cao Q，Zhu Y，et al." Non-destructive assessment of plant nitrogen parameters using leaf chlorophyll measurements in rice［J］. Frontiers in Plant Science，2016，7：1829.

［56］Paleari L，Movedi E，Vesely F M，et al." Estimating crop nutritional status using smart apps to support nitrogen fertilization.A case study on paddy rice［J］. Sensors，2019，19（4）：981.

［57］Vleugels T，Rijckaert G，Gislum R. Seed yield response to N fertilization and potential of proximal sensing in Italian ryegrass seed crops［J］. Field Crops Research，2017，211：37-47.

［58］陳志超，蔣貴印，張 正，等. 基于無人機(jī)高光譜遙感的春玉米氮營養(yǎng)指數(shù)反演［J］. 河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（3）：81-89.

［59］Li D L，Zhang P，Chen T，et al." Recent development and challenges in spectroscopy and machine vision technologies for crop nitrogen diagnosis：a review［J］. Remote Sensing，2020，12（16）：2578.

［60］薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等. 小麥葉片氮素狀況與光譜特性的相關(guān)性研究［J］. 植物生態(tài)學(xué)報(bào)，2004，28（2）：172-177.

［61］楊寶華，陳建林，陳林海，等. 基于敏感波段的小麥冠層氮含量估測模型［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（22）：176-182.

［62］Fernandez S，Vidal D，Simon E，et al."" Radiometric characteristics of Triticum aestivum cv. Astral under water and nitrogen stress［J］. International Journal of Remote Sensing，1994，15（9）：1867-1884.

［63］Stroppiana D，Boschetti M，Brivio P A，et al." Plant nitrogen concentration in paddy rice from field canopy hyperspectral radiometry［J］. Field Crops Research，2009，111（1/2）：119-129.

［64］王嬌嬌，宋曉宇，梅 新，等. 基于高斯回歸分析的水稻氮素敏感波段篩選及含量估算［J］. 光譜學(xué)與光譜分析，2021，41（6）：1722-1729.

［65］Nguyen H T，Kim J H，Nguyen A T，et al." Using canopy reflectance and partial least squares regression to calculate within-field statistical variation in crop growth and nitrogen status of rice［J］. Precision Agriculture，2006，7（4）：249-264.

［66］王人潮，陳銘臻，蔣亨顯. 水稻遙感估產(chǎn)的農(nóng)學(xué)機(jī)理研究：Ⅰ. 不同氮素水平的水稻光譜特征及其敏感波段的選擇［J］. 浙江農(nóng)業(yè)大學(xué)學(xué)報(bào)，1993，19（增刊1）：9-16.

［67］Osborne S L，Schepers J S，F(xiàn)rancis D D，et al." Detection of phosphorus and nitrogen deficiencies in corn using spectral radiance measurements［J］. Agronomy Journal，2002，94（6）：1215-1221.

［68］張文旭，佟炫夢，周天航，等. 基于高光譜成像的棉花葉片氮素含量遙感估測［J］. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，52（5）：586-596.

［69］易 翔，呂 新，張立福，等. 基于RF和SPA的無人機(jī)高光譜估算棉花葉片全氮含量［J］. 作物雜志，2023（2）：245-252.

［70］楊海波，李 斐，張加康，等. 基于高光譜指數(shù)估測馬鈴薯植株氮素濃度的敏感波段提?。跩］. 植物營養(yǎng)與肥料學(xué)報(bào)，2020，26（3）：541-551.

［71］Thomas J R，Oerther G F. Estimating nitrogen content of sweet pepper leaves by reflectance measurements［J］. Agronomy Journal，1972，64（1）：11-13.

［72］Singh S K，Houx J H，Maw M J W，et al." Assessment of growth，leaf N concentration and chlorophyll content of sweet sorghum using canopy reflectance［J］. Field Crops Research，2017，209：47-57.

［73］Yamashita H，Sonobe R，Hirono Y，et al." Dissection of hyperspectral reflectance to estimate nitrogen and chlorophyll contents in tea leaves based on machine learning algorithms［J］. Scientific Reports，2020，10（1）：17360.

［74］張 敏，潘存德，羅 威. 基于光譜特征參量的‘新榛1號’葉片磷含量估測模型［J］. 新疆農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，43（4）：252-260.

［75］徐 壯，王婉瑕，徐 磊，等. 水稻磷素吸收與轉(zhuǎn)運(yùn)分子機(jī)制研究進(jìn)展［J］. 植物營養(yǎng)與肥料學(xué)報(bào)，2018，24（5）：1378-1385.

［76］王 磊，白由路. 基于光譜理論的作物營養(yǎng)診斷研究進(jìn)展［J］. 植物營養(yǎng)與肥料學(xué)報(bào)，2006，12（6）：902-912.

［77］梁宇鋒，潘滿清，霍 翔，等. 基于無人機(jī)多光譜圖像的荔枝葉片氮磷鉀含量檢測［J］. 機(jī)電工程技術(shù)，2022，51（5）：138-142.

［78］班松濤，田明璐，常慶瑞，等. 基于無人機(jī)高光譜影像的水稻葉片磷素含量估算［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（8）：163-171.

［79］程立真，朱西存，高璐璐，等. 基于隨機(jī)森林模型的蘋果葉片磷素含量高光譜估測［J］. 果樹學(xué)報(bào)，2016，33（10）：1219-1229.

［80］Mahajan G R，Sahoo R N，Pandey R N，et al." Using hyperspectral remote sensing techniques to monitor nitrogen，phosphorus，sulphur and potassium in wheat （Triticum aestivum L.）［J］. Precision Agriculture，2014，15（5）：499-522.

［81］劉 煒，常慶瑞，郭 曼，等. 冬小麥導(dǎo)數(shù)光譜特征提取與缺磷脅迫神經(jīng)網(wǎng)絡(luò)診斷［J］. 光譜學(xué)與光譜分析，2011，31（4）：1092-1096.

［85］楊福芹，馮海寬，蔣瑞波，等. 蘋果葉片磷含量高光譜估測模型研究［J］. 商丘師范學(xué)院學(xué)報(bào)，2021，37（3）：36-39.

［83］張喜杰，李民贊. 基于反射光譜的溫室黃瓜葉片磷素含量分析與預(yù)測［J］. 光譜學(xué)與光譜分析，2008，28（10）：2404-2408.

［84］戴宇祥. 滴灌條件下甜菜鉀素含量的高光譜特征及反演研究［D］. 石河子：石河子大學(xué)，2020：20-41.

［85］Pimstein A，Karnieli A，Bansal S K，et al." Exploring remotely sensed technologies for monitoring wheat potassium and phosphorus using field spectroscopy［J］. Field Crops Research，2011，121（1）：125-135.

［86］張俊華，張佳寶，欽繩武. 不同施肥長期定位試驗(yàn)地夏玉米冠層光譜特征研究［J］. 植物營養(yǎng)與肥料學(xué)報(bào)，2010，16（4）：874-879.

［87］朱文靜. 基于偏振-高光譜多維光信息的番茄氮磷鉀及交互作用檢測研究［D］. 鎮(zhèn)江：江蘇大學(xué)，2014：37-63.

［88］栗方亮，孔慶波，張 青. 利用多種回歸模型對比估算琯溪蜜柚葉片鉀素含量［J］. 熱帶作物學(xué)報(bào)，2022，43（6）：1191-1199.

［89］李勛蘭，王 武，楊 蕾，等. 基于高光譜的柑橘葉片鉀含量快速診斷模型［J］. 南方農(nóng)業(yè)，2019，13（22）：37-40.

［90］Gomez-Casero M T，Lopez-Granados F，Pena-Barragan J M，et al."" Assessing nitrogen and potassium deficiencies in olive orchards through discriminant analysis of hyperspectral data［J］. Journal of the American Society for Horticultural Science，2007，132（5）： 611-618.

［91］李夢竹，葉紅朝，王 惠，等. 不同水分脅迫程度下烤煙葉片鉀含量的光譜響應(yīng)［J］. 中國煙草學(xué)報(bào)，2020，26（4）：86-92.

［92］高金龍，侯堯宸，白彥福，等. 基于高光譜數(shù)據(jù)的高寒草甸氮磷鉀含量估測方法研究：以青海省貴南縣及瑪沁縣高寒草甸為例［J］. 草業(yè)學(xué)報(bào)，2016，25（3）：9-21.

［93］Chungcharoen T，Donis-Gonzalez I，Phetpan K，et al." Machine learning-based prediction of nutritional status in oil palm leaves using proximal multispectral images［J］. Computers and Electronics in Agriculture，2022，198：107019.

［94］Costa L，Kunwar S，Ampatzidis Y，et al." Determining leaf nutrient concentrations in citrus trees using UAV imagery and machine learning［J］. Precision Agriculture，2022，23（3）：854-875.

［95］馬超飛，馬建文，韓秀珍. 微量元素在植物光譜中的響應(yīng)機(jī)理研究［J］. 遙感學(xué)報(bào)，2001，5（5）：334-339.

［96］李忠偉，張 浩，王雷全，等. 融合空譜-梯度特征的深度高光譜圖像去噪［J］. 光學(xué)精密工程，2022，30（5）：615-629.

［97］Yuan Q Q，Zhang Q，Li J，et al." Hyperspectral image denoising employing a spatial-spectral deep residual convolutional neural network［J］. IEEE Transactions on Geoscience and Remote Sensing，2019，57（2）：1205-1218.

［98］蘇紅軍. 高光譜遙感影像降維：進(jìn)展、挑戰(zhàn)與展望［J］. 遙感學(xué)報(bào)，2022，26（8）：1504-1529.

［99］張明政，蘇 偉，朱德海. 基于PROSAIL模型的玉米冠層葉面積指數(shù)及葉片葉綠素含量反演方法研究［J］. 地理與地理信息科學(xué)，2019，35（5）：28-33.

［100］王聲鋒，徐亞澤，彭致功，等. 基于PROSAIL模型的夏玉米葉綠素含量垂直分層模擬［J］. 排灌機(jī)械工程學(xué)報(bào)，2022，40（6）：603-610.

［101］競 霞，張 杰，王嬌嬌，等. 水稻產(chǎn)量遙感監(jiān)測機(jī)器學(xué)習(xí)算法對比［J］. 光譜學(xué)與光譜分析，2022，42（5）：1620-1627.

［102］楊野，楊德昌，孫 紅，等. 基于無人機(jī)多光譜遙感和機(jī)器學(xué)習(xí)算法的南疆棉花生物量估算［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（15）：179-187.

［103］Qiu Z C，Ma F，Li Z W，et al." Estimation of nitrogen nutrition index in rice from UAV RGB images coupled with machine learning algorithms［J］. Computers and Electronics in Agriculture，2021，189：106421.

［104］王韋燕，馮文強(qiáng)，常乃杰，等. 基于光譜預(yù)處理和機(jī)器學(xué)習(xí)算法的烤煙葉綠素含量預(yù)測［J］. 中國土壤與肥料，2023（3）：194-201.

［105］郭 燕，井宇航，王來剛，等. 基于無人機(jī)影像特征的冬小麥植株氮含量預(yù)測及模型遷移能力分析［J］. 中國農(nóng)業(yè)科學(xué)，2023，56（5）：850-865.

［106］武 彬. 作物冠層葉綠素含量垂直分布遙感監(jiān)測方法研究［D］. 北京：中國科學(xué)院大學(xué)（中國科學(xué)院空天信息創(chuàng)新研究院），2021：1-9.