基于高光譜圖像的茶樹LAI與氮含量反演

吳偉斌，李佳雨，張震邦，凌彩金，林賢柯，常星亮

0 引 言

葉面積指數(shù)（leaf area index，LAI）是重要的植被特征指標(biāo)，可以反映植被的生長狀況。氮是促進(jìn)植物葉片生長發(fā)育的重要化學(xué)元素，對于茶樹這種終年多葉植物，其葉片氮含量狀況的有效檢測有利于茶樹精準(zhǔn)施肥和培育管理，同時(shí)對于茶樹質(zhì)量和產(chǎn)量的提高具有重要意義[1-2]。目前國內(nèi)外高光譜技術(shù)應(yīng)用于農(nóng)作物或果樹等監(jiān)控和檢測較多[3-7]，然而對于茶樹LAI的檢測鮮有報(bào)道，而傳統(tǒng)的化學(xué)方法對于葉片氮含量的檢測雖然直觀準(zhǔn)確，但操作復(fù)雜繁瑣、破壞樣品材料，而且無法做到實(shí)時(shí)、快速、無損地對大面積種植的茶園進(jìn)行測量。隨著光譜技術(shù)的不斷發(fā)展，近年來，國內(nèi)外許多學(xué)者對高光譜技術(shù)的應(yīng)用展開了廣泛的研究[8-13]。植被指數(shù)是由高光譜數(shù)據(jù)不同波段組合而成的重要參量，其大小可推斷植株的生長狀況。高光譜數(shù)據(jù)植被指數(shù)的提取和建模方法已成為無損檢測技術(shù)的研究熱點(diǎn)[14-18]。例如 Yao等[19]使用高光譜數(shù)據(jù)與小麥的葉片氮素積累進(jìn)行建模，得出歸一化雪蓋指數(shù)NDSI（normalized difference snow index）和比值光譜指數(shù)RSI（ratio spectral index） 2種光譜數(shù)據(jù)參量與葉氮素積累值建模效果最佳。Darvishzadeh等[20]采用不同的光譜數(shù)據(jù)參量，發(fā)現(xiàn)選用逐步多元回歸和偏最小二乘法進(jìn)行葉面積指數(shù)的預(yù)測效果最佳。Nguy-Robertson等[21]提出對通用的光譜數(shù)據(jù)值處理方法估算大豆、小麥、土豆和玉米 4種農(nóng)作物的葉面積指數(shù)，結(jié)果表明葉綠素指數(shù)和寬幅動態(tài)植被指數(shù)對于估算4種作物的LAI精度最高。

英紅九號是廣東省農(nóng)業(yè)科學(xué)院茶葉研究所選育、研發(fā)和創(chuàng)建的茶樹品種，已成為全國紅茶公共品牌名的業(yè)界典范。本文以英紅九號茶樹為試驗(yàn)對象，將高光譜數(shù)據(jù)的特征變量與茶樹LAI以及葉片氮含量進(jìn)行相關(guān)性分析，選用相關(guān)性較高的高光譜數(shù)據(jù)特征參數(shù)與LAI以及氮含量通過線性、對數(shù)、拋物線、指數(shù)等方式建立估算模型，同時(shí)評估模型性能，選用均方根誤差RMSE（root mean square error）進(jìn)行模型精度檢驗(yàn)，為茶園快速無損檢測茶樹LAI及氮含量，定性定量監(jiān)控茶樹生長狀況，為精準(zhǔn)農(nóng)業(yè)管理提供理論依據(jù)。

1 材料與方法

1.1 茶樹樣本及管理

樣本采集于2017年3月28日在廣東省農(nóng)業(yè)科學(xué)院茶葉研究所英德茶葉世界英紅九號茶園進(jìn)行。該茶園中心24°18'17''N，113°22'55''E，屬于亞熱帶季風(fēng)氣候，年降雨量1 906.2 mm，年蒸發(fā)量1 717.9 mm，年平均相對濕度為77%，年均溫度21.1 ℃，氣溫范圍為-3.6～38.9 ℃。全年太陽總輻射量為44.805 MJ/m2，年平均日照時(shí)數(shù)1 631.7 h。年大于10 ℃的有效積溫7 576 d·℃，無霜日312 d，平均霜期43.3 d，平均霜日8 d，海拔40 m。茶園土壤呈酸性，pH值范圍為4.5～6.5，土壤類型為黃紅壤土、土層深厚且質(zhì)地疏松。土壤含石灰0.2%以下，地下水位在0.8～1 m范圍內(nèi)[22]，較適合英紅九號茶樹生長。

試驗(yàn)茶樹樣本于2010年種植，種植期間采取以下肥料管理方式：2011-2014年期間：每年冬季挖溝施花生麩3 750 kg/hm2和牛糞22 500 kg/ hm2，追肥為尿素（45%）750 kg/hm2。2015—2016年期間：每年冬季挖溝施花生麩3 750 kg/hm2牛糞22 500 kg/hm2和羊糞15 000 kg/hm2。

1.2 光譜數(shù)據(jù)及采集

茶樹葉片高光譜反射率數(shù)據(jù)的采集在英紅九號春茶采摘季節(jié)進(jìn)行。該時(shí)期的茶樹生長旺盛，是一年中茶葉產(chǎn)量最高的季節(jié)。同時(shí)茶葉品質(zhì)較好，體內(nèi)營養(yǎng)物質(zhì)豐富，氨基酸含量較高，適宜進(jìn)行光譜數(shù)據(jù)測試。采集時(shí)隨機(jī)選取40株同一海拔高度，長勢、大小相同的茶樹作為試驗(yàn)樣本并編號，所用儀器為GaiaField便攜式高光譜系統(tǒng)，是雙利合譜公司基于芬蘭Specim成像光譜儀自主研發(fā)研制的超便攜式高光譜成像儀器系統(tǒng)。該光譜儀的光譜范圍為400～1 000 nm，分辨率為4 nm。茶樹冠層高光譜圖像采集于當(dāng)日10:00-16:00進(jìn)行。采集時(shí)，將光譜儀放在三腳架上架高，鏡頭平面位于茶樹冠層上方 1 m處，并保持水平穩(wěn)定，傳感器探頭朝下對單株茶樹的中央?yún)^(qū)域進(jìn)行高光譜圖像采集，圖1a為采集裝置示意圖。由于每次采集的環(huán)境、時(shí)間不斷變化，為了保證測量的精度，每次拍攝時(shí)均用標(biāo)準(zhǔn)白板進(jìn)行校正，每株茶樹樣本采集一幅高光譜圖像進(jìn)行光譜數(shù)據(jù)分析，圖1b為茶樹冠層高光譜圖像。

1.3 茶樹冠層高光譜反射數(shù)據(jù)提取

以單株茶樹冠層的中央?yún)^(qū)域高光譜圖像為代表分析整株茶樹的高光譜反射率數(shù)據(jù)。采用GaiaField便攜式高光譜系統(tǒng)配套的分析軟件Specview提取茶樹冠層高光譜圖像的反射率數(shù)據(jù)。隨機(jī)選取茶樹冠層高光譜圖像中不同葉片上的10個(gè)點(diǎn)，可獲得10條反射率曲線，以10條反射率曲線的平均值作為該茶樹冠層高光譜圖像的冠層反射率，圖2為茶樹冠層高光譜反射率曲線。

1.4 高光譜特征變量提取方法

高光譜原始數(shù)據(jù)屬于多元數(shù)據(jù)，具有數(shù)據(jù)量大，復(fù)雜冗余等特點(diǎn)，波段數(shù)據(jù)之間具有一定的線性相關(guān)關(guān)系，因此使用原始數(shù)據(jù)建模難度較大，估算模型的精確度較低[23-24]。采用光譜特征變量建立葉面積指數(shù)和氮含量的估算模型可大大降低光譜數(shù)據(jù)的計(jì)算量，常見的高光譜特征變量包括高光譜位置變量、高光譜面積變量以及植被指數(shù)變量。本文選取其中有代表性的20種光譜特征變量分別與葉面積指數(shù)和氮含量進(jìn)行相關(guān)性分析[25]，各高光譜特征變量含義及計(jì)算見表1。

圖1 茶樹冠層高光譜圖像采集Fig.1 Tea tree canopy hyperspectral image acquisition

圖2 40株茶樹冠層高光譜反射率Fig.2 Hyperspectral reflectance of 40 tea canopies

1.5 茶樹LAI的數(shù)據(jù)采集

利用卷尺測量每株茶樹冠層的長寬并計(jì)算投影面積，對每株茶樹的全部葉片進(jìn)行摘取，裝入封口袋并編號帶回實(shí)驗(yàn)室，用掃描儀掃描每個(gè)葉片，將得到的數(shù)據(jù)導(dǎo)入Matlab計(jì)算輪廓面積，通過累加得到整株茶樹葉片總面積，根據(jù)以下公式計(jì)算茶樹LAI真實(shí)值[26]。

式中LAI單株茶樹樣本的葉面積指數(shù)，St和Sa分別為茶樹所有的葉片總面積和茶樹的占地面積。

1.6 氮含量測定

采用人工破壞性采摘的方法，每株茶樹取東西南北方向，上、下層共 8片葉片放入封口袋，編號帶回實(shí)驗(yàn)室。將采摘的葉片表面用蒸餾水清洗干凈，瀝干表面水后放入烘干機(jī)80 ℃烘干，置于研缽中研磨至粉末狀。每株樹的 8片葉子混合均勻后作為一個(gè)樣品，每組樣品用天平稱取0.2 g，采用H2SO4-H2O2消煮-奈氏比色法[27]進(jìn)行氮含量測定：將0.2 g的粉末狀樣品置于消煮爐中，加入5 mL的濃硫酸，并在320 ℃的條件下加熱，待樣品變成棕色溶液后，取出稍冷，逐滴加入H2O2并搖勻，待溶液呈無色清亮后，再加熱10 min除盡過量的H2O2。取2 mL消煮液于比色管中，加入 2 mL酒石酸鈉溶液，并加入2 mL 質(zhì)量分?jǐn)?shù)為100 g/L的KOH溶液調(diào)節(jié)pH，最后加入奈氏試劑進(jìn)行顯色反應(yīng)。將顯色液定容至50 mL刻度線后，取溶液在420 nm下進(jìn)行分光光度計(jì)比色。

表1 高光譜特征變量及說明Table 1 Hyperspectral characteristic parameters and description

1.7 建模方法

使用Excel統(tǒng)計(jì)數(shù)據(jù)，并用SPSS（statistical product and service solutions）和Matlab軟件分析計(jì)算光譜特征變量與LAI和氮含量之間的相關(guān)性，可采用相關(guān)系數(shù)評價(jià)變量之間的相關(guān)性，相關(guān)系數(shù)[28]如式（2）所示。

式中 Xi為第 i個(gè)自變量的值，為自變量的平均值，Yi為第i個(gè)因變量的值，為因變量的平均值。

為建立一個(gè)根據(jù)茶樹冠層光譜特征變量推算茶樹葉面積指數(shù)和氮含量的估算模型，選擇相關(guān)系數(shù)較高的高光譜特征變量進(jìn)行回歸分析，回歸分析包括線性回歸和非線性回歸，其中一元線性、指數(shù)、對數(shù)和拋物線模型是常見的回歸分析模型[29]，該文分別選用這 4種模型進(jìn)行回歸分析，比較各回歸分析模型的預(yù)測精度，為茶樹葉面積指數(shù)和氮含量的高光譜無損檢測技術(shù)提供參考。

2 結(jié)果與分析

2.1 茶樹LAI和葉片氮含量與光譜特征變量相關(guān)性分析

各光譜特征變量與LAI和氮含量的相關(guān)系數(shù)計(jì)算值和顯著性檢驗(yàn)結(jié)果如表2所示。

表2 光譜特征變量與LAI值、氮含量相關(guān)系數(shù)Table 2 Correlation coefficients between LAI, nitrogen content and hyperspectral variables

通過相關(guān)系數(shù)計(jì)算結(jié)果表2數(shù)據(jù)可以看出，LAI值與黃邊幅值、紅邊幅值、紅邊位置、綠峰反射率、紅谷位置、紅邊面積以及植被指數(shù) VI3、VI5具有顯著相關(guān)性，其中黃邊幅值、綠峰反射率以及紅谷位置相關(guān)系數(shù)在0.8以上。

氮含量與藍(lán)邊幅值、藍(lán)邊位置、黃邊幅值、紅邊位置、藍(lán)邊面積、黃邊面積以及植被指數(shù)VI1、VI2、VI3、VI4、VI5、VI6具有顯著相關(guān)性；其中藍(lán)邊位置、紅邊位置、植被指數(shù)變量VI1和VI4相關(guān)系數(shù)大于0.7。

2.2 估算模型的構(gòu)建

將用于建立茶樹LAI估算模型的40組樣本數(shù)據(jù)隨機(jī)劃分為2組，其中24組用于建模，16組用于模型的精度驗(yàn)證。根據(jù)光譜特征變量與LAI值之間的相關(guān)系數(shù)計(jì)算結(jié)果，選取黃邊幅值Dy、綠峰反射率Rg和紅谷位置λo，這些相關(guān)系數(shù)大于0.8的變量作為估算模型建立的自變量。

茶樹葉片氮含量與高光譜數(shù)據(jù)建模的樣本數(shù)據(jù)分組情況與茶樹LAI估算模型分組情況相同。與LAI相比，氮含量的相關(guān)系數(shù)較低，最大值為0.799。根據(jù)表2中的相關(guān)系數(shù)計(jì)算結(jié)果，選取相關(guān)系數(shù)大于0.75的變量植被指數(shù)VI4建立估算模型。

2.2.1 反演模型的構(gòu)建

采用 4種常見的回歸模型進(jìn)行反演模型的構(gòu)建，分別是一元線性模型、指數(shù)模型、對模型和拋物線模型。4種模型的表達(dá)式如下：

式中 x為反演模型的自變量，即挑選出的高光譜特征變量；y為反演模型的因變量，即葉面積指數(shù)或者氮含量；A、B和C為反演模型的系數(shù)。

2.2.2 反演模型精度評價(jià)

均方根誤差可以表示反演模型的預(yù)測值與真實(shí)值的偏差。該文以均方根誤差RMSE[30-31]評價(jià)反演模型的精度。

式中yi為LAI或者茶樹葉片氮含量的實(shí)測值，y′i為反演模型計(jì)算的預(yù)測值，n為建模樣本數(shù)24，i為茶樹樣本的編號，RMSE值為0～1的數(shù)，其數(shù)值越小則反演模型精度越高。

2.2.3 反演模型結(jié)果分析

表3為模型的精度和驗(yàn)證結(jié)果，可得: 1）LAI與高光譜特征變量擬合的模型中，Dy的拋物線模型決定系數(shù)R2最高，可達(dá)到0.907 4，預(yù)測精度也比較高，均方根誤差RMSE為0.156 7；Dy和Rg的4種擬合模型的RMSE值均在0.2以下，模型精度較好。2）氮含量與高光譜特征變量的建模通過植被指數(shù) VI4的擬合模型決定系數(shù)較大，均達(dá)到0.8以上。其中拋物線擬合模型可獲得最大的決定系數(shù)R2，可達(dá)到0.830 8；模型的預(yù)測精度較高，除了拋物線模型的RMSE為0.234 8外（小于0.3），其余模型的RMSE均在0.2以下。

表3 LAI與氮含量的擬合模型結(jié)果Table 3 Results of LAI and nitrogen content modeling

3 結(jié)論與展望

針對茶樹LAI和氮含量傳統(tǒng)檢測方法中存在的耗時(shí)長、破壞性等問題，本研究以春茶時(shí)期的英紅九號茶樹為研究對象，提取茶樹冠層高光譜特征變量，并分別對LAI、氮含量和高光譜特征變量進(jìn)行相關(guān)性分析，將相關(guān)性較高的光譜特征變量值作為自變量與LAI和氮含量進(jìn)行建模，并通過均方根誤差RMSE評價(jià)模型精度，得出以下結(jié)論：

1）通過對光譜特征變量與實(shí)測LAI值進(jìn)行相關(guān)性檢驗(yàn)，選擇黃邊幅值Dy、綠峰反射率Rg和紅谷位置λo3種相關(guān)系數(shù)均大于0.8的特征變量進(jìn)行建模。根據(jù)茶樹LAI實(shí)測值和驗(yàn)證值的決定系數(shù)R2以及均方根誤差RMSE對各高光譜特征變量值所建立的反演模型進(jìn)行精度評估，結(jié)果顯示，以Rg的對數(shù)擬合模型其RMSE值為所有模型最低，為0.087 6；在其他RMSE值小于0.2的模型中，以Dy的拋物線、Rg的對數(shù)和拋物線的擬合建模效果較好，其擬合樣本的R2在0.9以上，其中以Rg為自變量的對數(shù)擬合模型最佳，其擬合樣本的R2和驗(yàn)證樣本的均方根誤差RMSE值分別為0.9和0.087 6。

2）茶樹葉片氮含量與光譜特征變量藍(lán)邊位置λb、紅邊位置λr、植被指數(shù)變量VI1= Rg/Rr和VI4=SDr/SDy均有較好的相關(guān)性，相關(guān)系數(shù)超過0.7。其中，植被指數(shù)VI4的相關(guān)系數(shù)最大，為0.799。選用VI4進(jìn)行線性，指數(shù)，對數(shù)和拋物線擬合模型，R2均能達(dá)到0.8以上，且RMSE均小于0.3。其中，指數(shù)模型的RMSE為0.1029，以植被指數(shù)VI4與氮含量建立的指數(shù)模型為最佳建模效果。

3）利用傳統(tǒng)破壞性取樣的化學(xué)實(shí)測法得到的LAI值、氮含量與高光譜采集數(shù)據(jù)進(jìn)行擬合建模，并得到建模效果較好的估算模型，為今后茶園快速、無損檢測茶樹的LAI和氮含量提供了理論依據(jù)。

研究結(jié)果表明，應(yīng)用高光譜圖像技術(shù)進(jìn)行茶樹葉面積指數(shù)和氮含量的無損檢測是可行的，反演模型的預(yù)測結(jié)果在合理范圍內(nèi)。

本文不足之處與展望如下：研究采集的茶樹樣本數(shù)較小，僅對春茶時(shí)期的樣本進(jìn)行了研究，尚未進(jìn)行不同生長季節(jié)的樣本處理和建模比較；對不同栽培措施及生態(tài)條件下茶樹的營養(yǎng)狀態(tài)狀況、生化指標(biāo)、養(yǎng)分管理等與葉面積指數(shù)關(guān)系可進(jìn)行更深一步的建模；該反演模型的預(yù)測精度可繼續(xù)深入研究，下一步的研究重點(diǎn)是采用人工智能算法建立高光譜特征變量反演模型。該方法也可以嘗試應(yīng)用到茶葉內(nèi)含的其它物質(zhì)。

[1] Han W Y, Ma L F, Shi Y Z, et al. Nitrogen release dynamics and transformation of slow release fertiliser products and their effects on tea yield and quality[J]. Journal of the Science of Food and Agriculture, 2010, 88(5): 839－846.

[2] Han Z Y, Zhu X C, Fang X Y, et al. Hyperspectral estimation of apple tree canopy LAI based on SVM and RF regression[J]. Spectroscopy and Spectral Analysis, 2016,36(3): 800－805.

[3] Zhao Duli, Reddy K Raja, Kakani Vijaya Gopal, et al.Nitrogen deficiency effects on plant growth, leaf photosynthesis and hyperspectral reflectance properties of sorghum[J].European Journal of Agronomy，2005，22(4)：391－403.

[4] 梁棟，管青松，黃文江，等. 基于支持向量機(jī)回歸的冬小麥葉面積指數(shù)遙感反演[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2013, 29(7)：117－123.Liang Dong, Guan Qingsong, Huang Wenjiang, et al. Remote sensing inversion of leaf area index based on support vector machine regression in winter wheat[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(7)：117－123. (in Chinese with English abstract)

[5] 黃雙萍，岳學(xué)軍，洪添勝，等. 不同物候期柑橘葉片鉀素水平預(yù)測建模[J]. 江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013,34(5)：529－535.Huang Shuangping, Yue Xuejun, Hong Tiansheng, et al.Potassium content prediction model of citrus leaves in different phenological period[J]. Journal of JiangSu University, 2013, 34(5): 529－535. (in Chinese with English abstract)

[6] 吳偉斌，余耀烽，洪添勝，等. 柑橘樹冠層葉密度高光譜信息反演試驗(yàn)分析[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，36(1)：47－54.Wu Weibin, Yu Yaofeng, Hong Tiansheng, et al. Citrus canopy LAI experiment inversion analysis with Hyperspectrum[J]. Journal of Huazhong Agricultural University,2017, 36(1): 47－54. (in Chinese with English abstract)

[7] 岳學(xué)軍，全東平，洪添勝，等. 基于流形學(xué)習(xí)算法的柑橘葉片氮含量光譜估測模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(6)：244－250.Yue Xuejun, Quan Dongping, Hong Tiansheng, et al.Estimation model of nitrogen content for citrus leaves by spectral technology based on manifold learning algorithm[J].Transaction of the Chinese Society for Agricultural Machinery, 2015, 46(6): 244－250. (in Chinese with English abstract)

[8] Hasegawa K, Matsuyama H, Tsuzuki H, et al. Improving the estimation of leaf area index by using remotely sensed NDVI with BRDF signatures[J]. Remote Sensing of Environment,2010, 114(3): 514－519.

[9] 張瀟元，張立福，張霞，等. 不同光譜植被指數(shù)反演冬小麥葉氮含量的敏感性研究[J]. 中國農(nóng)業(yè)科學(xué)，2017，50(3):474－485.Zhang Xiaoyuan, Zhang Lifu, Zhang Xia, et al. Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen[J]. Scientia Agricultura Sinica, 2017,50(3): 474－485. (in Chinese with English abstract)

[10] 趙娟，黃文江，張耀鴻，等. 冬小麥不同生育時(shí)期葉面積指數(shù)反演方法[J]. 光譜學(xué)與光譜分析，2013，33(9)：2546－2552.Zhao Juan, Huang Wenjiang, Zhang Yaohong, et al. Inversion of leaf area index during different growth stages in winter wheat[J]. Spectroscopy and Spectral Analysis, 2013,33(9): 2546－2552. (in Chinese with English abstract)

[11] 夏天，吳文斌，周清波，等. 冬小麥葉面積指數(shù)高光譜遙感反演方法對比[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29(3)：139－147.Xia Tian，Wu Wenbin，Zhou Qingbo，et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE)，2013, 29(3): 139－147. (in Chinese with English abstract)

[12] 何亞娟，潘學(xué)標(biāo)，裴志遠(yuǎn)，等. 基于SPOT遙感數(shù)據(jù)的甘蔗葉面積指數(shù)反演和產(chǎn)量估算[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013,44(5)：226－231.He Yajuan, Pan Xuebiao, Pei Zhiyuan, et al. Estimation of LAI and yield of sugarcane based on SPOT remote sensing data[J]. Transaction of the Chinese Society for Agricultural Machinery，2013, 44(5)：226－231. (in Chinese with English abstract)

[13] 張?bào)憷伲瑒w，聶鵬程，等. 高光譜成像技術(shù)的油菜葉片氮含量及分布快速檢測[J]. 光譜學(xué)與光譜分析，2014，34(9)：2513－2518.Zhang Xiaolei, Liu Fei, Nie Pengcheng, et al. Rapid detection of nitrogen content and distribution in pilseed pape leaves based on hyperspectral imaging[J]. Spectroscopy and Spectral Analysis，2014, 34(9): 2513－2518. (in Chinese with English abstract)

[14] 李子揚(yáng)，錢永剛，申慶豐，等. 基于高光譜數(shù)據(jù)的葉面積指數(shù)遙感反演[J]. 紅外與激光工程，2014，43(3)：944－949.Li Ziyang，Qian Yonggang，Shen Qingfeng，et al. Leaf area index retrieval from remotely sensed hyperspectral data[J].Infrared and Laser Engineering，2014, 43(3): 944－949. (in Chinese with English abstract)

[15] 趙明家，張忠慶，李志洪. 基于高光譜優(yōu)化NDVI值反演玉米葉片氮含量[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2014，19(6)：56－61.Zhao Mingjia, Zhang Zhongqing, Li Zhihong. NDVI value optimization and nitrogen content inversion of maize leaf based on the high spectrum[J]. Journal of China Agricultural University, 2014, 19(6): 56－61. (in Chinese with English abstract)

[16] 劉珺，龐鑫，李彥榮，等. 夏玉米葉面積指數(shù)遙感反演研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016, 47(9)：309－317.Liu Jun, Pang Xin, Li Yanrong, et al. Inversion study on leaf area index of summer maize using remote sensing[J].Transaction of the Chinese Society for Agricultural Machinery, 2016, 47(9): 309－317. (in Chinese with English abstract)

[17] 方美紅，劉湘南. 小波分析用于水稻葉片氮含量高光譜反演[J]. 應(yīng)用科學(xué)學(xué)報(bào)，2010，28(4): 387－393.Fang Meihong, Liu Xiangnan. Estimation of nitrogen content in rice leaves with hyperspectral reflectance measurements using wavelet analysis[J]. Journal of Applied Sciences-Electronics and Information Engieering, 2010, 28(4): 387－393. (in Chinese with English abstract)

[18] 周麗麗，馮漢宇，閻忠敏，等. 玉米葉片氮含量的高光譜估算及其品種差異[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(8)：195－199.Zhou Lili, Feng Hanyu, Yan Zhongmin, et al. Hyperspectral diagnosis of leaf N concentration of maize and variety difference[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010,26(8): 195－199. (in Chinese with English abstract)

[19] Yao X, Zhu Y, Tian Y C, et al. Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat[J]. International Journal of Applied Earth Observation and Geo Information, 2010, 12(2): 89－100.

[20] Darvishzadeh R, Skidmore A, Schlerf M, et al. LAI and chlorophyll estimation for a heterogeneous grassland using hyperspectral measurements[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2008, 63(4): 409－426.

[21] Nguy-Robertson A L, Peng Yi, Gitelson Anatoly A, et al.Estimating green LAI in four crops: Potential of determining optimal spectral bands for a universal algorithm[J]. Agricultural and Forest Meteorology, 2014(192/193): 140－148.

[22] 英德年鑒編纂委員會. 英德年鑒[M]. 廣州：廣東人民出版社，2016.

[23] 張兵，高連如. 高光譜圖像分類與目標(biāo)探測[M]. 北京：科學(xué)出版社，2011.

[24] Bazi Y, Melgani F. Toward an optimal SVM classification system for hyperspectral remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006,44(11): 3374－3385.

[25] 張永賀，陳文惠，郭喬影，等. 桉樹葉片光合色素含量高光譜估算模型[J].生態(tài)學(xué)報(bào)，2013，33(3)：876－887.Zhang Yonghe, Chen Wenhui, Guo Qiaoying, et al.Hyperspectral estimation models for photosynthetic pigment contents in leaves of Eucalyptus[J]. Cta Ecological Sinica,2013, 33(3): 876－887. (in Chinese with English abstract)

[26] Wang X. Relationship between narrow band normalized deference vegetation index and rice agronomic variables[J].Communications in Soil Science and Plant Analysis, 2005,35(19/20): 2689－2708.

[27] Schaffer F L, Sprecher J C. Routine determination of nitrogen in microgram range with sealed tube sigestion and sirect nesslerization[J]. Analytical chemistry, 1957, 29(3): 437－438

[28] 唐年勝. 應(yīng)用回歸分析[M]. 北京：科學(xué)出版社，2014.

[29] Feng Wei，Zhang Haiyan，Zhang Yuanshuai，et al. Remote detection of canopy leaf nitrogen concentration in winter wheat by using water resistance vegetation indices from in-situ hyperspectral data[J]. Field Crops Research, 2016, 198:238－246.

[30] Wolfowit J. Nonparametric statistical inference[J]. Marcel Dekker, 2003, 15(2): 1384－1385

[31] 張雪紅，劉紹民，何蓓蓓. 不同氮素水平下油菜高光譜特征分析[J]. 北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2007，43(3)：245－249.Zhang Xuehong, Liu Shaomin, He Beibei. Analysis on hyperspectral characteristics of rape at different nitrogen levels[J]. Journal of Beijing Normal University (Natural Science), 2007, 43(3): 245－249. (in Chinese with English abstract)