蘋(píng)果葉片氮素含量高光譜檢測(cè)研究

安靜， 姚國(guó)清， 朱西存

(1.中國(guó)地質(zhì)大學(xué)(北京)信息工程學(xué)院,北京　100083； 2.山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,泰安　271018)

蘋(píng)果葉片氮素含量高光譜檢測(cè)研究

安靜1， 姚國(guó)清1， 朱西存2

(1.中國(guó)地質(zhì)大學(xué)(北京)信息工程學(xué)院,北京100083； 2.山東農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院,泰安271018)

摘要：蘋(píng)果葉片氮(N)素含量是反映其生長(zhǎng)質(zhì)量高低的重要因素。利用高光譜遙感技術(shù)對(duì)蘋(píng)果葉片N素含量進(jìn)行定量化反演，可為蘋(píng)果樹(shù)的信息化管理提供理論依據(jù)。首先使用ASD FieldSpec 3地物光譜儀對(duì)樣點(diǎn)的蘋(píng)果葉片的N素含量進(jìn)行測(cè)定，得到蘋(píng)果葉片樣品的高光譜反射率及其N(xiāo)素含量； 然后在分析蘋(píng)果葉片原始光譜和一階導(dǎo)數(shù)以及各種變換后光譜特征的基礎(chǔ)上，與蘋(píng)果葉片的N素含量進(jìn)行多元逐步回歸分析，篩選出對(duì)N素變化敏感的波段； 最后運(yùn)用BP人工神經(jīng)網(wǎng)絡(luò)算法構(gòu)建敏感波段與N素含量的反演模型，并對(duì)模型進(jìn)行優(yōu)選和檢驗(yàn)，為測(cè)定蘋(píng)果葉片N素含量提供了1個(gè)簡(jiǎn)單可靠的方法。

關(guān)鍵詞：蘋(píng)果葉片； 高光譜； 氮(N)素含量； BP神經(jīng)網(wǎng)絡(luò)

0引言

氮(N)素不僅是植物蛋白質(zhì)和葉綠素的主要成分，而且是一些酶的組成部分參與植物的多重生化過(guò)程，直接或間接影響果樹(shù)的代謝活動(dòng)和生長(zhǎng)發(fā)育，是促進(jìn)果樹(shù)健康生長(zhǎng)、增加果實(shí)產(chǎn)量、提高果品質(zhì)量所必須的重要養(yǎng)分[1]。植物中的N素含量是評(píng)價(jià)植被長(zhǎng)勢(shì)的重要指標(biāo)之一[2]，因此對(duì)植物葉片中N素含量的估測(cè)研究具有重要的實(shí)用意義。由于高光譜對(duì)植物中的N素、葉綠素等含量極為敏感[3]，植物葉片中N素含量的變化必定會(huì)對(duì)其反射光譜信息產(chǎn)生影響，故可根據(jù)葉片的光譜信息估測(cè)植物葉片中的N素含量。

早在1972 年，Thomas等[4]通過(guò)研究發(fā)現(xiàn)，甜椒葉片的N素含量與550～675nm譜段內(nèi)葉片的光譜反射率強(qiáng)度相關(guān)，葉片N素實(shí)測(cè)值和預(yù)測(cè)值之間的誤差小于7%，表明光譜分析手段有可能快速、簡(jiǎn)便和較為準(zhǔn)確地檢測(cè)植物中的N素含量。朱艷等[5]研究表明，單波段光譜在610nm和680nm處的水稻冠層反射率與水稻葉片N素含量有較好的相關(guān)性，提出采用單獨(dú)的回歸系數(shù)即可提高水稻葉片N素含量估測(cè)的準(zhǔn)確性。邢東興等[6]將利用光譜分析手段估測(cè)N素含量的方法應(yīng)用于果樹(shù)葉片，以紅富士蘋(píng)果為例進(jìn)行的研究表明，葉片N素含量與波長(zhǎng)間隔為5nm的一階微分光譜的相關(guān)性最強(qiáng)，據(jù)此建立的N素含量估測(cè)模型具有較好的線性趨勢(shì)，相關(guān)系數(shù)R2在0.8 以上。由于對(duì)葉片N素含量反演過(guò)程的影響因素很多，而上述研究多采用單一方法來(lái)預(yù)測(cè)葉片中N素含量，故在真實(shí)反映N素含量上不夠理想。本文在前人已有方法基礎(chǔ)上，采用多元回歸分析和BP人工神經(jīng)網(wǎng)絡(luò)建立ASD實(shí)測(cè)數(shù)據(jù)與N素含量的估測(cè)模型，以實(shí)現(xiàn)更高精度的蘋(píng)果葉片N素含量預(yù)測(cè)。

1研究方法

1.1技術(shù)流程

蘋(píng)果葉片N素含量高光譜檢測(cè)技術(shù)流程如圖1所示。

圖1　蘋(píng)果葉片N素含量檢測(cè)技術(shù)流程

1.2BP人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork,ANN)采用物理上可實(shí)現(xiàn)的方法或采用計(jì)算機(jī)模擬生物體中神經(jīng)網(wǎng)絡(luò)的某些結(jié)構(gòu)和功能，并應(yīng)用于工程領(lǐng)域。ANN具有自組織、自學(xué)習(xí)、容錯(cuò)性和魯棒性較強(qiáng)等特點(diǎn)，而分布式存儲(chǔ)、并行處理等特點(diǎn)更接近于人類(lèi)對(duì)信息的處理方式，因此ANN技術(shù)在遙感圖像識(shí)別中已得到廣泛應(yīng)用[7-10]。反向傳播(backpropagation,BP)ANN模型拓?fù)浣Y(jié)構(gòu)包括輸入層(inputlayer)、隱含層(hiddenlayer)和輸出層(outputlayer)。網(wǎng)絡(luò)的好壞取決于網(wǎng)絡(luò)結(jié)構(gòu)、傳遞函數(shù)、隱含層個(gè)數(shù)、神經(jīng)元個(gè)數(shù)和訓(xùn)練函數(shù)等[11]，在實(shí)驗(yàn)中需要通過(guò)不斷嘗試才能確定最優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)。可將BP人工神經(jīng)網(wǎng)絡(luò)視為從輸入自變量x到輸出因變量Y的非線性映射[12]，即

F∶Rn∶Rm, f(x)=Y ,

(1)

式中Rn和Rm分別為n維輸入向量和m維輸出向量。

因此，本文用BP人工神經(jīng)網(wǎng)絡(luò)算法建立了蘋(píng)果葉片反演模型。該模型主要采用了相關(guān)系數(shù)(correlationcoefficient,R2)和均方根誤差(root-mean-squareerror,RMSE)2個(gè)參數(shù)，即

(2)

(3)

2實(shí)驗(yàn)過(guò)程與結(jié)果分析

2.1實(shí)驗(yàn)區(qū)概況

實(shí)驗(yàn)區(qū)選在山東省蒙陰縣高都鎮(zhèn)、野店鎮(zhèn)和蒙陰鎮(zhèn)果園。蒙陰縣位于E117°45′～118°15′，N35°27′～36°02′之間，屬暖溫帶季風(fēng)性氣候帶，四季分明，日照充足，雨量充沛，年平均氣溫12.8℃，年降雨量820mm，年均日照時(shí)數(shù)2 280h，年無(wú)霜期191d。縣內(nèi)平均海拔300m以上，土壤以棕壤為主，呈中性偏微酸。實(shí)驗(yàn)區(qū)內(nèi)主要種植紅富士、金帥和新紅星蘋(píng)果樹(shù)。

2.2樣品采集

實(shí)驗(yàn)用蘋(píng)果品種為處于盛果期的紅富士，對(duì)照用蘋(píng)果品種為金帥和新紅星。在2009年9月23日(秋末停止生長(zhǎng)期)進(jìn)行蘋(píng)果樹(shù)樣品采集，依據(jù)實(shí)驗(yàn)區(qū)土地利用現(xiàn)狀圖和果園分布情況布設(shè)采樣點(diǎn)。選取實(shí)驗(yàn)區(qū)3個(gè)鎮(zhèn)內(nèi)6個(gè)果園中的86棵蘋(píng)果樹(shù)為采樣對(duì)象，隨機(jī)采樣，并盡量涵蓋不同長(zhǎng)勢(shì)的葉片。每棵蘋(píng)果樹(shù)按E,W,S,N這4個(gè)方位，在冠層外圍各取1～2片充分展開(kāi)、無(wú)損傷、無(wú)病蟲(chóng)害的健康功能葉片。將采集的葉片迅速裝入保鮮袋內(nèi)，封口后編號(hào)，放到盛有冰塊的保鮮箱中，盡快帶回實(shí)驗(yàn)室測(cè)定光譜。

2.3數(shù)據(jù)測(cè)定

2.3.1光譜測(cè)定

光譜測(cè)定采用美國(guó)ASDFieldSpec3地物光譜儀，測(cè)定波譜范圍為350～2 500nm，其中350～1 000nm譜段采樣間隔為1.4nm，光譜分辨率為3nm； 1 000～2 500nm譜段采樣間隔為2nm，光譜分辨率為10nm。在一個(gè)能控制光照條件的暗室內(nèi)進(jìn)行光譜測(cè)定。測(cè)定前，將待測(cè)光譜的葉片用脫脂棉擦拭干凈； 測(cè)定時(shí)，把單層葉片平整地置于反射率近似為零的黑色橡膠上，置光譜儀視場(chǎng)角為25°，探頭垂直向下正對(duì)待測(cè)葉片中部，距樣品表面距離0.10m； 光源用光譜儀自帶的50W鹵化燈，光源距樣品表面距離0.50m，方位角60°。為消除外界干擾以保證測(cè)定精度，對(duì)每片葉片的觀測(cè)分別記錄10個(gè)采樣光譜數(shù)據(jù)，以其平均值作為該葉片的光譜反射值。測(cè)定過(guò)程中，要及時(shí)進(jìn)行標(biāo)準(zhǔn)白板的校正。

2.3.2N素含量測(cè)定

將測(cè)定光譜的蘋(píng)果葉片迅速放入80℃烘箱中，進(jìn)行15～30min殺青處理； 然后降溫至60℃，烘干至恒量。把烘干樣品用研缽研磨至粉狀，用H2SO4-H2O2消煮后，采用火焰光度法測(cè)定N素含量。

2.4輸入變量確定

將測(cè)得的蘋(píng)果葉片反射光譜數(shù)據(jù)利用光譜處理軟件ViewSpecPro5.0進(jìn)行處理，并通過(guò)EXCEL和統(tǒng)計(jì)產(chǎn)品與服務(wù)解決方案(statisticalproductandsurvicesolution,SPSS)軟件統(tǒng)計(jì)分析和繪圖，以便做進(jìn)一步分析。為了減小光照強(qiáng)度差異、背景光譜以及儀器噪聲對(duì)目標(biāo)光譜特征的影響，本文對(duì)測(cè)定的86組數(shù)據(jù)的光譜反射率R進(jìn)行了變換，包括光譜的倒數(shù)(1/R)、光譜的對(duì)數(shù)(lnR)、光譜的一階導(dǎo)數(shù)(R′)、光譜對(duì)數(shù)的一階導(dǎo)數(shù)((lnR)′)和光譜倒數(shù)的一階導(dǎo)數(shù)((1/R)′)(圖2)。

圖2　蘋(píng)果葉片反射率及其各種變換形式與N素含量的相關(guān)性

從相關(guān)系數(shù)較大的28個(gè)樣本中篩選出各種變換形式下相關(guān)性較高的敏感波段，然后利用SPSS軟件包中的多元逐步回歸分析軟件篩選出更為敏感的4個(gè)波段的一階導(dǎo)數(shù)，構(gòu)建特征光譜參數(shù)，其多元回歸公式為

y=2.328+51.141x1+0.978x2-90.456x3-273.485x4，

(4)

式中： x1,x2,x3和x4分別為中心波長(zhǎng)364nm,373nm,392nm和998nm波段的一階導(dǎo)數(shù)的值； y為N素含量值，單位為(g·kg-1)。上述4個(gè)波段的一階導(dǎo)數(shù)與N素含量的相關(guān)系數(shù)與N素含量有較好的擬合性(圖3)，并以此作為BP神經(jīng)網(wǎng)絡(luò)輸入層的參數(shù)，N素含量為輸出層參數(shù)，建立N素含量反演的BP人工神經(jīng)網(wǎng)絡(luò)模型。

(a) 364nm波段 (b) 373nm波段

(c) 393nm波段 (d) 998nm波段

圖34個(gè)波段一階導(dǎo)數(shù)與N素實(shí)測(cè)值的相關(guān)性

Fig.3Correlationbetweenderivativesoffourbandsandmeasurednitrogenvalues

2.5模型優(yōu)選結(jié)果

在相關(guān)系數(shù)較大的28個(gè)樣本中，隨機(jī)抽取19個(gè)樣本作為訓(xùn)練樣本。BP人工神經(jīng)網(wǎng)絡(luò)模型的隱含層神經(jīng)元個(gè)數(shù)為10(網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為“4-10-1”, 即4個(gè)輸入層節(jié)點(diǎn)、10個(gè)隱含層節(jié)點(diǎn)、1個(gè)輸出層節(jié)點(diǎn))時(shí)，可得到較好的N素值估計(jì)結(jié)果。模型的訓(xùn)練結(jié)果如圖4(a)所示，其中訓(xùn)練樣本R2= 0.887 8，RMSE=0.014 2。利用9組數(shù)據(jù)對(duì)網(wǎng)絡(luò)訓(xùn)練結(jié)果進(jìn)行檢驗(yàn)，即把測(cè)試樣本的4個(gè)波段一階導(dǎo)數(shù)作為輸入矢量P，進(jìn)行N素值預(yù)測(cè)； 并將N素含量的預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行擬合測(cè)試，測(cè)試結(jié)果如圖4(b)所示，其中測(cè)試樣本的R2=0.900 1,RMSE=0.015 0。

(a) 模型訓(xùn)練結(jié)果 (b) 模型測(cè)試結(jié)果

圖4氮素實(shí)測(cè)值與BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值擬合效果

Fig.4FittingchatofnitrogenvaluesmeasuredandpredictedbyBPANNmodel

為了對(duì)不同模型的預(yù)測(cè)效果進(jìn)行比較，利用多元逐步回歸分析模型對(duì)上述28組數(shù)據(jù)進(jìn)行N素含量預(yù)測(cè)。預(yù)測(cè)結(jié)果如圖5所示，其中R2=0.716 3，RMSE=0.022 2。

圖5　氮素實(shí)測(cè)值與多項(xiàng)式預(yù)測(cè)值擬合圖

由此可以看出，BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的N素含量與實(shí)測(cè)N素含量的相關(guān)性比多元逐步回歸分析模型更高，且均方根誤差更低。可見(jiàn)BP人工神經(jīng)網(wǎng)絡(luò)模型對(duì)氮素含量監(jiān)測(cè)具有更大的應(yīng)用潛力。

3結(jié)論

1)基于ACD實(shí)測(cè)數(shù)據(jù)建立的BP人工神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的N素含量與實(shí)測(cè)N素含量的相關(guān)性比多元逐步回歸模型的更高，且均方根誤差更低。

2)最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)為“4-10-1”的BP人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本的R2=0.887 8，RMSE=0.014 2，測(cè)試樣本的R2=0.900 1，RMSE=0.015 0。邢東興等[6]以紅富士蘋(píng)果為例進(jìn)行的研究中，以一階微分光譜建立的估測(cè)模型的R2=0.8。說(shuō)明本文方法較前人有所改進(jìn)，相關(guān)系數(shù)R2的提高較為明顯。

3)結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)算法建立的N素含量反演模型能夠更精準(zhǔn)地估測(cè)蘋(píng)果葉片的N素含量，可為蘋(píng)果樹(shù)的營(yíng)養(yǎng)診斷、高產(chǎn)栽培和遙感估產(chǎn)提供理論依據(jù)和技術(shù)支持，對(duì)蘋(píng)果樹(shù)的栽培與管理信息化有積極意義。

4)本文實(shí)驗(yàn)區(qū)山東省蒙陰縣屬于華北平原地區(qū)，是中國(guó)3大蘋(píng)果產(chǎn)區(qū)之一，所建立的蘋(píng)果葉片N素含量的高光譜估測(cè)模型對(duì)其他地區(qū)、其他類(lèi)型蘋(píng)果葉片N素含量的遙感估測(cè)有一定參考價(jià)值，但應(yīng)用效果有待進(jìn)一步研究。

參考文獻(xiàn)(References)：

[1]裘正軍,宋海燕,何勇,等.應(yīng)用SPAD和光譜技術(shù)研究油菜生長(zhǎng)期間的氮素變化規(guī)律[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(7):150-154.

QiuZJ,SongHY,HeY,etal.VariationrulesofthenitrogencontentoftheoilseedrapeatgrowthstageusingSPADandvisible-NIR[J].TransactionsoftheCSAE,2007,23(7):150-154.

[2]BrogeNH,MortensenJV.Derivinggreencropareaindexandcanopychlorophylldensityofwinterwheatfromspectralreflectancedata[J].RemoteSensingEnvironment,2002,81(1):45-57.

[3]WangY,HuangJF,WangFM,etal.PredictingnitrogenconcentrationsfromhyperspectralreflectanceatleafandcanopyforRape[J].SpectroscopyandSpectralAnalysis,2008,28(2):273-277.

[4]ThomasJR,OertherGF.Estimatingnitrogencontentofsweetpepperleavesbyreflectancemeasurements[J].AgronomyJournal,1971,64(1):11-13.

[5]朱艷,李映雪,周冬琴,等.稻麥葉片氮含量與冠層反射光譜的定量關(guān)系[J].生態(tài)學(xué)報(bào),2006,26(10):3463-3469.

ZhuY,LiYX,ZhouDQ,etal.Quantitativerelationshipbetweenleafnitrogenconcentrationandcanopyreflectancespectrainriceandwheat[J].ActaEcologicaSinica,2006,26(10):3463-3469.

[6]邢東興,常慶瑞.基于光譜分析的果樹(shù)葉片微量元素含量估測(cè)研究——以紅富士蘋(píng)果為例[J].西北農(nóng)林科技大學(xué)學(xué)報(bào):自然科學(xué)版,2008,36(11):143-150.

XingDX,ChangQR.ResearchonpredictingtheFe,Mn,Cu,Zncontentsinfruittrees’freshleavesbyspectralanalysis：RedFujiappletreeasanexample[J].JournalofNorthwestA&FUni-versity:NaturalScienceEdition,2008,36(11):143-150.

[7]宋開(kāi)山,張柏,王宗明,等.大豆葉綠素含量高光譜反演模型研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006,22(8):16-21.

SongKS,ZhangB,WangZM,etal.Inversemodelforestimatingsoybeanchlorophyllconcentrationusingin-situcollectedcanopyhyperspectraldata[J].TransactionsoftheCSAE,2006,22(8):16-21.

[8]湯旭光,劉殿偉,宋開(kāi)山,等.東北主要綠化樹(shù)種葉面積指數(shù)(LAI)高光譜估算模型研究[J].遙感技術(shù)與應(yīng)用,2010,25(3):334-341.

TangXG,LiuDW,SongKS,etal.AstudyforestimatingthemaintreespeciesleafareaindexinNortheastbasedonhyperspectraldata[J].RemoteSensingTechnologyandApplication,2010,25(3):334-341.

[9]姚付啟,張振華,楊潤(rùn)亞,等.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的法國(guó)梧桐葉綠素含量高光譜反演研究[J].測(cè)繪科學(xué),2010,35(1):109-112.

YaoFQ,ZhangZH,YangRY,etal.ResearchonPlatanusorientalisL.chlorophyllconcentrationestimationwithhyperspectraldatabasedonBP-artificialneuralnetworkandprincipalcomponentanalysis[J].ScienceofSurveyingandMapping,2010,35(1):109-112.

[10]LubacB,LoiselH.VariabilityandclassificationofremotesensingreflectancespectraintheeasternEnglishChannelandsouthernNorthSea[J].RemoteSensingofEnvironment,2007,110(1):45-58.

[11]申廣榮,王人潮.基于神經(jīng)網(wǎng)絡(luò)的水稻雙向反射模型研究[J].遙感學(xué)報(bào),2002,6(4):252-258.

ShenGR,WangRC.Studyonbi-directionalreflectancemodelofriceusingaartificialneuralnetwork[J].JournalofRemoteSensing,2002,6(4):252-258.

[12]王平,劉湘南,黃方.受污染脅迫玉米葉綠素含量微小變化的高光譜反演模型[J].光譜學(xué)與光譜分析,2010,30(1):197-201.

WangP,LiuXN,HuangF.Retrievalmodelforsubtlevariationofcontaminationstressedmaizechlorophyllusinghyperspectraldata[J].SpectroscopyandSpectralAnalysis,2010,30(1):197-201.

[13]朱西存,趙庚星,王瑞燕,等.蘋(píng)果葉片的高光譜特征及其色素含量監(jiān)測(cè)[J].中國(guó)農(nóng)業(yè)科學(xué),2010,43(6):1189-1197.

ZhuXC,ZhaoGX,WangRY,etal.Hyperspectralcharacteristicsofappleleavesandtheirpigmentcontentsmonitoring[J].ScientiaAgriculturaSinica,2010,43(6):1189-1197.

[14]朱西存,趙庚星,王凌,等.基于高光譜的蘋(píng)果花氮素含量預(yù)測(cè)模型研究[J].光譜學(xué)與光譜分析,2010,30(2):416-420.

ZhuXC,ZhaoGX,WangL,etal.HyperspectrumbasedpredictionmodelforNitrogencontentofappleflowers[J].SpectroscopyandSpectralAnalysis,2010,30(2):416-420.

(責(zé)任編輯： 劉心季)

Studyofhyperspectraldetectionfornitrogencontentofappleleaves

ANJing1，YAOGuoqing1，ZHUXicun2

(1. School of Information Engineering, China University of Geosciences(Beijing)， Beijing 100083， China；2. College of Resources and Environment, Shandong Agricultural University, Tai’an 271018， China)

Abstract:Nitrogen(N)content of apple leaves is an important indicator for estimating growth status of apple tree. Quantitative inversion of the nitrogen content of apple leaves using high spectral technology can provide the theoretical basis for information management of apple tree. In this paper, the hyperspectral reflectance and nitrogen content of apple leaf samples were measured by using ASD FieldSpec 3 spectrometer. The authors constructed multiple regression analysis of the relationships between nitrogen content of apple tree leaves and the original spectrum, the first-order derivative and the transformation forms, selected four wavebands which are more sensitive to the nitrogen change, and constructed the retrieval model for nitrogen content of apple leaves using back propagation (BP) artificial neural network (ANN) algorithm. Finally, the model was optimized and tested. The results show that the model is an effective means to improve capability of predicting apple tree nitrogen content based on BP artificial neural network algorithm.

Keywords:apple leaf； hyperspectral； content of nitrogen(N)； back propagation(BP)neural network

doi:10.6046/gtzyyg.2016.02.11

收稿日期：2014-10-21；

修訂日期：2014-12-22

基金項(xiàng)目：山東省自然科學(xué)基金項(xiàng)目“蘋(píng)果葉片色素與水分含量的高光譜估測(cè)方法與模型研究”(編號(hào)： ZR2012DM007)資助。

中圖法分類(lèi)號(hào)：TP 751.1

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-070X(2016)02-0067-05

第一作者簡(jiǎn)介：安靜(1989-),女,碩士研究生,主要研究方向?yàn)檫b感技術(shù)與應(yīng)用。Email： 448116074@qq.com。

引用格式： 安靜,姚國(guó)清,朱西存.蘋(píng)果葉片氮素含量高光譜檢測(cè)研究[J].國(guó)土資源遙感,2016,28(2)：67-71.(AnJ,YaoGQ,ZhuXC.Studyofhyperspectraldetectionfornitrogencontentofappleleaves[J].RemoteSensingforLandandResources,2016,28(2)：67-71.)