基于地物光谱仪与成像光谱仪耦合的玉米生长信息监测研究

1、引言

玉米是世界上重要的谷类作物，1998年开始玉米总产量已经超过水稻和小麦，居世界首位。我国是世界第二大玉米生产国，2016年，我国粮食总产量6.162亿吨，其中玉米总产量达到2.196亿吨，成为产量最高的粮食作物。玉米产量的高低、经济效益的好坏直接影响着我国粮食安全及农业生产的发展。在我国，人多地少，水资源分布不均，农用地生产规模小，严重制约着我国玉米生产。如何在有限的耕地上，充分利用农业资源，快速获取农业信息，对农业信息加工处理，并及时反馈给农户，实现农业精细化管理，对实现现代农业以及农业增产尤为重要。“精准农业”的产生，为农业信息的定量采集提供技术支持。利用全球定位系统、遥感监测系统、地理信息系统以及计算机自动控制技术实现农业信息的采集与处理，以便实现对农作物进行精细化的灌溉、施肥和施药，促进农业整体水平的提高。精准农业自90年代在发达国家兴起，已成为一种普遍趋势， 近年来，国内对精准农业的研究也日趋增多，但推广率较低，在各地区的应用也大多处于初级阶段。农田信息获取是精准农业的重要环节，也是精准农业得以推广和应用的基础。遥感技术是精准农业体系中获得田间数据的重要来源，可以通过不同的遥感平台，搭载传感器，获取地物的电磁波信息，将这些信息加以处理，实现对地物的识别和监测。

高光谱遥感研究进展

2.1 高光谱遥感的概念与发展

遥感技术是20世纪60年代产生的对地观测技术，20世纪80年代， 成像光谱技术出现，光学遥感进入高光谱遥感阶段。高光谱遥感能覆盖电磁波谱的紫外、可见光、近红外、中红外和热红外波段范围，并获取波段范围内窄且连续的光谱数据。成像光谱仪获取的图像数据，在每个像素上均包含了光谱信息，非成像光谱仪获取的数据为目标物点区域的连续光谱。与多光谱遥感数据相比，高光谱遥感数据具有波段多，光谱分辨率高、光谱范围宽等特点。高光谱遥感使得对目标物进行观测时可获取众多连续波段的地物光谱信息，得到地物详细的光谱变化特征，从而达到准确区分地物信息的目的。在成像光谱仪不断发展的同时，高光谱遥感技术的理论与应用研究也得到迅速发展，成为农业遥感、大气研究、环境监测等领域有效的技术手段，短短的30多年间 高光谱遥感已形成了一个颇具特色的前沿领域。

2.2 高光谱遥感监测植被原理

植物由于电磁波的作用，叶片中的物质会产生电子跃迁、原子分子振动等，从而引起特定波长位置上的光谱吸收和反射特征，这种不同波长位置上光谱的响应特征称为光谱特性。对植物而言，不同植物或同一植物在不同时间，其内部化学组分以及外部形态都不尽相同，这种差异会表现为植物光谱特征的差异，因此，我们可以根据植被的光谱特性来反演其化学组成。通常，健康的绿色植被在350~2500nm波段具有典型的如下光谱特征：350~700nm，为可见光波段，是叶绿素对光的强吸收波段，光谱反射率很低，其中的蓝紫光和红光被强吸收，绿光被强反射，使得光谱曲线在蓝光区和红光区形成了两个吸收谷，绿光附近形成了一个小的反射峰，通常被称为“绿峰”，700~760nm，是可见光向近红外波段过渡的阶段，在叶绿素对红光的强吸收与冠层叶片对近红外的强反射之间形成了反射率急剧上升的一条曲线。该波段范围被称为“红 边”。“红边”已被证实与植物营养、长势有很强的相关性。760~1350nm，由于植物叶片内部细胞间隙、细胞结构、细胞内组分对光的多次散射和反射，会形成高反射平台，期间在某些波段由于水或氧气的窄吸收作用，会出现吸收谷。1350~2500nm，是叶片水分的强吸收带，除此之外，淀粉、蛋白质、糖、木质素和 纤维素也会对光谱反射率造成一定影响。通常在1460nm、1980nm、2400nm附近主要由于水分的吸收会形成小的吸收谷。

2.3 高光谱遥感在作物生长监测中的研究进展

高光谱遥感可以提供作物丰富的光谱信息，通过作物的光谱特性，可以区分不同作物以及作物的化学组分变化。目前，高光谱遥感技术在农业中的应用取得了很大进展，其中最主要的应用是对作物的各种反演研究，主要包括：作物生理参数反演，如叶绿素、 叶片氮素、叶片含水量等；作物物理参数反演，如叶面积指数，生物量；作物与环境相互作用因素反演，如光合有效辐射。目前，按作物高光谱遥感数据获取方式不同，可以分为对星载、航空、低空和地面成像光谱仪以及地面非成像光谱仪等平台下的不同数据类型的研究；对作物反演方法研究，可以分为对统计回归方法的研究、特征波段选择方法的研究，光谱数据预处理方法的研究等；对作物反演模型的研究，可分为对统计回归模型、光谱特征分析模型、基于机器学习算法的回归模型以及物理模型的研究。

2.4 成像光谱仪在作物生理参数监测中的研究进展

高光谱成像技术能够在很宽的光谱波段范围内同时获得被检测目标的光谱和图像信息，实现了“图谱合一”，不仅能够提供目标地物详细的光谱变化信息，还能获得一定范围的目标地物影像，通过对高光谱图像信息处理，可提取影像上目标物任意位置光谱信息，通过对光谱信息处理加工、提取特征波长，可用于植物生理参数监测。在低空遥感平台，搭载高光谱成像仪，可以扩大影像范围，获取更大区域的作物光谱信息，具有很大的研究价值，近年来，关于无人机平台下的高光谱遥感监测也不断增多。

玉米SPAD值高光谱检测

不同地物对电磁波的不同波段具有不同的辐射规律，这种特性称为地物的光谱特性，地物波谱的测定和特性的分析是遥感研究的核心之一，也是遥感应用的原理依据。叶绿素含量是作物主要的生理参数，是光合作用能力、叶片氮含量和作物发育阶段的指示器。因此，植物叶绿素含量的估测，对于其长势评估具有重要意义。高光谱遥感技术可以获取植物连续的光谱，光谱分辨率高，能对微弱的光谱差异进行定量分析，从而识别植物信息的变化。

3.1 不同生育期玉米冠层光谱特征

在玉米不同生育期测定其冠层光谱，得到不同生育期玉米冠层高光谱特征曲线（图 3-1）。由图3-1可知，不同生育期玉米冠层光谱特征曲线相似，均为典型的绿色植被光谱。随着生育期的变化，反射率主要在“绿峰”区域和近红外区域有显著差异。其中， 在“绿峰”波段随着生育进程增加，反射率逐渐增大，主要是由于拔节期和抽雄期，随着植株生长，叶绿素含量增加，对蓝紫光和红光吸收增强，反射率较小，后期叶片养分转移，变黄衰老，叶绿素含量减少，对光的吸收减少，反射率变大；在近红外区域表现为植株长势较好的抽雄期和乳熟期光谱反射率较大，前期的拔节期和后期的完熟期光谱反射率较小，这可能由于长势较好的玉米冠层结构较复杂，造成反射率较大。

3.2 不同生育期玉米叶片SPAD值特征分析

由图3-2可以看出，研究区玉米叶片SPAD值在主要生育期内的变化情况。随着生育期的增加，叶片SPAD值呈现出先增加后减小的趋势，玉米叶片SPAD值平均值由拔节期 到抽雄期到乳熟期逐渐增加，并在乳熟期达到最高点，由拔节期的46.03上升到乳熟期的51.88，之后玉米的营养物质不断输送到玉米粒，叶子逐渐衰老、变黄，叶片SPAD值呈现下降趋势。完熟期叶片SPAD值最低，平均值为38.24。

3.3 不同SPAD值玉米冠层光谱特征

当叶片叶绿素含量不同时，植物冠层光谱反射率存在明显差异，因而可以通过对不 同叶绿素含量的作物冠层光谱特征进行分析，了解作物的健康状态，进行施肥管理。选取拔节期获取的玉米冠层光谱数据，在不同SPAD值下光谱响应特征曲线如图3-3所示。在可见光区域，随着冠层叶片SPAD值变化，光谱反射率变化不大， 差异主要集中在“红谷”波段，表现为随着SPAD值增大，光谱反射率减小，即叶绿素含量越高，对红光的吸收越大，反射率越小；在近红外750~1000nm范围内，随着冠层 叶片SPAD值的增大，光谱反射率增大，这与上节近红外区不同生育期冠层光谱反射率表现为长势良好期光谱反射率较大相符合。

3.4 不同SPAD值玉米冠层光谱特征

3.4.1 玉米冠层原始光谱以及一阶微分光谱与 SPAD 值的相关性

计算不同生育期的玉米冠层光谱反射率一阶微分值，并将不同生育期的玉米冠层原始光谱以及一阶微分光谱分别与玉米冠层叶片SPAD值进行相关性分析，结果如图3-4、 图3-5所示。由图3-4可知，各个生育期玉米冠层原始光谱与SPAD值的相关性曲线具有相同的特征，且都存在着极显著负相关。其中，抽雄期和完熟期在整个波段范围内，原始光谱与 SPAD值相关性皆达到了0.01极显著负相关；乳熟期在400~780nm波段范围内，达到了 0.01极显著负相关；拔节期在516~614nm、694~737nm波段范围内，达到了0.01极显著负相关。拔节期SPAD值与原始光谱相关性最小，抽雄期SPAD值与原始光谱相关性最大。抽雄期在407~740nm波长范围内，完熟期506~640nm、692~732nm波长范围内，相关系数绝对值均超过0.7，相关性较强。拔节期在709nm处，具有最大相关系数，R=-0.606；抽雄期在552nm处，具有最大相关系数，R=-0.853；乳熟期在712nm处，具有最大相关系数，R=-0.702；完熟期在710nm处，具有最大相关系数，R=-0.828。因此可以选取各个生育期相关性最大的波段处的原始光谱反射率为自变量，通过线性和非线性拟合构建玉米冠层叶片SPAD值的估算模型。

​

由图3-5可以看出，各个生育期相关性系数变化规律基本相同，在大部分波段都呈现极显著相关，且相关系数较大，相关性较强。一阶微分光谱与SPAD值在500~550nm、680~710nm之间保持稳定的0.01极显著负相关，在560~670nm、720~800nm之间保持稳定的0.01极显著正相关。大于800nm波段，相关性降低，可能与在近红外波段叶绿素等色素的吸收降低有关。其中，抽雄期的相关性要整体高于其他生育期。拔节期在514~526nm、 690~704nm处相关系数小于-0.7，在727~764nm相关系数大于0.7；抽雄期在504~529nm、 689~703nm处，相关系数小于-0.8，在732~771nm处相关系数大于0.8；乳熟期在516~529nm、694~706nm处相关系数小于-0.7，在750~765nm处相关系数大于0.8；完熟期499~522nm、 684~702nm处相关系数小于-0.7，在721~761nm处相关系数大于0.8。分析发现，拔节期一阶微分与SPAD值在696nm处具有最大负相关系数，R=-0.787， 在752nm处具有最大正相关系数，R=0.846；抽雄期一阶微分与SPAD值在522nm处具有最大负相关系数，R=-0.867，在756nm处具有最大正相关系数，R=0.897；乳熟期一阶微分与SPAD值在699nm处具有最大负相关系数，R=-0.770，在760nm处具有最大正相关系 数，R=0.859；完熟期一阶微分与SPAD值在694nm处具有最大负相关系数，R=-0.835， 在749nm处具有最大正相关系数，R=0.885。选取各个生育期相关性最大的波段处的光谱 反射率一阶微分值为自变量，通过线性和非线性拟合构建玉米冠层叶片SPAD值的估算模型。

3.4.2 基于特征波段的不同生育期玉米 SPAD 值估算模型构建及检验

表3-1为原始光谱以及一阶微分光谱与玉米冠层叶片SPAD值的构建的单变量回归模型及验证结果。其中R2表示建模决定系数，R2v表示验证模型决定系数，RMSEv表示验证均方根误差，REv表示验证相对误差，选择建模拟合度高、验模误差小的回归模型 作为最佳估算模型。基于R2最大原则在回归模型中选择拟合度最好的模型作为各生育期的最佳拟合模型。

在基于原始光谱反射率建立的单变量回归模型中，拔节期、乳熟期和完熟期的最优模型均为二次多项式模型，抽雄期的指数模型为最优模型。其中拟合效果最好的是抽雄期的模型，建模决定系数最大，R2=0.694，其次为完熟期的模型，R2=0.689。验证效果 最好的也是抽雄期模型，其实测值与预测值的决定系数R2v最大，R2v=0.795，均方根误差RMSEv、相对误差REv均最小，分别为2.343和3.58%，此外，完熟期模型验证效果也较好，验模决定系数R2v为0.652，均方根误差RMSEv为3.874、相对误差REv为7.47%，仅次于抽雄期。拔节期和乳熟期的模型，拟合效果与模型验证均较差，尤其是拔节期的模型，验模决定系数很小，预测值中出现了与实测值相差很大的值，说明模型不稳定，预测效果较差，不能用来预测本研究中玉米冠层叶片SPAD值。在基于光谱反射率一阶微分值建立的单变量回归模型中，拔节期、乳熟期和完熟期 的最优模型为二次多项式模型，抽雄期为幂函数模型。通过比较发现，四个生育期的模 型拟合效果均优于基于原始光谱建立的模型，其建模决定系数R2均大于0.7，其中，拟合 效果最好的是抽雄期的模型，建模决定系数最大，R2=0.831，其次为乳熟期的模型， R2=0.811。验证效果最好的也是抽雄期模型，其验模决定系数最大，R2v=0.848，均方根 误差RMSEv为2.141、相对误差REv为3.05%，均最小。拔节期模型依然为拟合及验证效 果最差的模型，这可能与拔节期玉米植株较小，获取的SVC光谱受到土壤的影响较大有关。不同生育期基于原始光谱与一阶微分构建的单变量回归模型得到的玉米冠层叶片SPAD实测值与预测值之间的1:1关系如图3-6和3-7所示，其中散点分布越接近1:1线表示 模型预测精度越高。

选取各生育期原始光谱与SPAD值相关性最大的波段以及一阶微分光谱与SPAD值具有最大正负相关的波段作为自变量，SPAD值作为因变量，构建多元线性回归模型（表 3-2）。总体上看，多元线性模型的拟合效果优于基于原始光谱构建的单变量模型，与 基于光谱一阶微分值构建的单变量模型拟合效果接近。抽雄期的模型建模决定系数最大，R2=0.810，乳熟期次之，拔节期最小。模型的精度检验结果表明多元线性模型的预测精度普遍更高。在拔节期，多元线性模型预测精度远大于其基于单变量的回归模型，其验 模决定系数，均方根误差RMSEv和相对误差REv分别为0.692、3.809和7.137%，模型精度远大于基于原始光谱建立的单变量模型；在抽雄期，多元线性模型精度检验各项指标略小于一阶微分单变量模型，大于原始光谱单变量模型；在乳熟期和完熟期多元线性模型 精度检验各项指标均高于各单变量模型。因此，多元线性模型可以作为预测不同生育期 玉米冠层叶片SPAD值的估算模型，且模型精度较高。不同生育期基于多元线性模型得 到的玉米冠层叶片SPAD实测值与预测值之间的1:1关系图如图3-8所示，其中散点分布越 接近1:1线则表示模型预测精度越高。

3.5 基于植被指数的玉米 SPAD 值遥感估算

3.5.1 植被指数与玉米 SPAD 值相关性

不同生育期玉米冠层植被指数与SPAD值进行相关分析结果（表3-3）表明，在拔节期，TVI、GRVI、GNDVI、MCARI、TCARI与SPAD值达到0.01水平极显著相关，RVI 与SPAD值达到0.05水平显著相关，其余植被指数与SPAD值没有相关性，其中负相关性 最大的是MCARI，相关系数为-0.782，正相关性最大的是GNDVI，相关系数为0.720；抽雄期，除了DVI与SPAD值没有相关性外，其余植被指数均与SPAD值呈0.01水平极显著相关，其中GNDVI与SPAD值呈最大正相关，R=0.878，TCARI与SPAD值呈最大负相 关，R=-0.843；乳熟期，TVI、GRVI、GNDVI、MCARI、TCARI与SPAD值呈0.01水平 极显著相关，与拔节期呈极显著相关的植被指数一致，RVI、NDVI和EVI与SPAD值呈 0.05水平显著相关，其中GNDVI与SPAD值呈最大正相关，R=0.742，TCARI与SPAD值 呈最大负相关，R=-0.707；完熟期，除了TVI与SPAD值呈显著相关外，其余植被指数均 与SPAD值呈极显著相关，其中GNDVI与SPAD值呈最大正相关，R=0.854，TCARI与 SPAD值呈最大负相关，R=-0.811。比较可知，GRVI、GNDVI、MCARI、TCARI这四 种植被指数在玉米各个生育期内均与SPAD值呈0.01水平极显著相关，且相关系数介于 -0.689~0.878之间，相关性较强，因此，可以选用这四种植被指数进行不同生育期玉米 SPAD值反演研究，通用性较好。其中，TCARI与SPAD值在不同生育期（除拔节期）内均呈最大负相关，GNDVI与SPAD值在不同生育期均呈最大正相关。

3.5.2 基于植被指数的不同生育期玉米 SPAD 值估算模型构建及检验

GRVI、GNDVI、MCARI、TCARI这四种植被指数在玉米各个生育期内均与SPAD 值呈0.01水平极显著相关，且相关系数介于-0.689~0.878之间，相关性较强，通用性较好， 因此，分别以这四种植被指数为自变量，冠层玉米叶片SPAD值为因变量，建立了不同 生育期SPAD值估算的单变量回归模型，选择建模决定系数最大的模型作为植被指数建 模的最优拟合模型，结果见表3-4。

由表3-4可知，植被指数与冠层叶片SPAD值的非线性关系优于线性关系，基于各植 被指数建立的单变量回归模型最优模型以二次多项式模型和指数模型为主。在拔节期，以MCARI建立的模型拟合效果最好，但模型精度检验较差，以GRVI建立的模型，均方根误差和相对误差均最小，验模R2v最大，模型预测精度最高，为最佳模型；在抽雄期，以GNDVI建立的模型为最优模型，其验模决定系数R2v最大，验模均方根误差RMSEv最小，分别为0.834和2.069，相对误差REv为3.133%，其次为GRVI建立的模型；在乳熟期，以GRVI和GNDVI建立的模型，建模与验模效果较其他植被指数更好，其中GRVI建立的 模型建模和验模R2最大，验模误差最小，是最佳估算模型；完熟期依然是以GRVI和 GNDVI建立的模型较好，其中GNDVI以其建模和验模R2最大，验模误差最小，是该生育期的最佳估算模型。综合以上分析可知，在不同生育期，基于这四种植被指数的单变量回归模型中，都以GRVI和GNDVI建立的模型较好。抽雄期的各个模型的建模决定系 数和验模决定系数较其他生育期较大，验证均方根误差和相对误差均较小，对玉米冠层 叶片SPAD值估算效果最佳。不同生育期基于植被指数的最佳单变量回归模型得到玉米 冠层叶片SPAD实测值与预测值之间的1:1关系图如图3-9所示，其中散点分布越接近1:1 线则表示模型预测精度越高。

选择上述在各个生育期与SPAD值相关性绝对值均大于0.689的植被指数即GRVI、 GNDVI、MCARI、TCARI作为自变量，SPAD值作为因变量，构建多元线性回归模型，并对模型进行验证，结果见表3-6。与表3-5比较可知，在各个生育期，多元线性模型的 拟合效果与精度检验均优于单变量模型，因此可以使用多元线性模型对玉米冠层叶片SPAD值进行估算。在不同生育期的多元线性模型中，抽雄期的模型，建模R2最大，R2=0.753，验模决定系数R2v为0.828，验模均方根误差与相对误差均最小，分别为2.263 和3.418%，模型的拟合效果和检验精度均最好。不同生育期基于植被指数的多元线性模型得到玉米冠层叶片SPAD实测值与预测值之间的1:1关系图如图3-10所示，其中散点分布越接近1:1线则表示模型预测精度越高。

3.6 基于高光谱特征参数的玉米 SPAD 值遥感估算

3.6.1 高光谱特征参数与玉米 SPAD 值相关性

根据第二章表2-2分别计算玉米拔节期、抽雄期、乳熟期和完熟期的高光谱特征参 数，分析高光谱特征参数与冠层叶片SPAD值的相关性，分析结果见表3-7。在基于光谱位置的变量中，在各个生育期均与SPAD值达到极显著相关的高光谱特征参数有Dr、λr、Db、Dy、Rg，其中在各个生育期相关系数均较大的有λr和Db。在拔节期，除了λb与Ro外，均与SPAD值呈极显著相关，λr与SPAD值的相关性最大，相关系数为0.786，其次为Db，相关系数为-0.745；在抽雄期，除了λy与λg外，均与SPAD值呈 极显著相关，Db与SPAD值的相关性最大，相关系数为-0.866，其次为Rg，相关系数为-0.853，其中λr、Db、Dy、Rg、Ro与SPAD相关性很强，相关系数绝对值均大于0.7；乳熟期相较于其他生育期与各高光谱参数相关性最差，只有λr、Db与SPAD相关性超过0.7， 其中Db与SPAD值相关性最好，R=-0.735；完熟期相较于其他生育期与各高光谱参数相关性较好，除λy与SPAD值不相关外，其余均与SPAD值呈极显著相关，其中λr与SPAD 值的相关性最大，相关系数为0.842，其次为Rg，相关系数为-0.805。在基于光谱面积的变量中，除SDr在拔节期、抽雄期和乳熟期与SPAD值不相关外， 其余4个高光谱特征参数，在各个生育期均与SPAD呈极显著相关，且相关系数绝对值均 大于0.6，说明基于光谱面积的高光谱特征参数与SPAD值有较强的相关性，可以用于不 同生育期玉米冠层SPAD值的反演研究。其中拔节期、抽雄期、乳熟期，与SPAD值相关性最强的均为SDg，相关系数分别为-0.802，-0.862，-0.798；完熟期与SPAD值相关性最 大的是SDb，R=-0.771，其次是SDg，R=-0.764。在基于光谱指数形式的变量中，除SDg/SDo在抽雄期和乳熟期与SPAD值不相关外， 其余参数在各个生育期均与SPAD值呈极显著相关，且相关系数均较大，尤其是SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)，与SPAD值的相关性绝对值均 大于0.7，说明这些参数与SPAD值有很强的相关性，其中，拔节期、抽雄期、乳熟期与 SPAD值相关性最强的均(SDr-SDy)/(SDr+SDy)，相关系数分别为-0.841，-0.890，-0.810；完熟期与SPAD值相关性最大的是(SDr-SDb)/(SDr+SDb)，相关系数为0.849。对于高光谱特征参数的通用性分析可知，λr、Db、SDb、SDg、SDr/SDb、SDr/SDy，(SDr-SDb)/(SDr+SDb)，(SDr-SDy)/(SDr+SDy)与SPAD值在各生育期均达到相关系数绝对 值0.7以上的极显著相关，其通用性较高.

3.6.2 基于高光谱特征参数的不同生育期玉米 SPAD 值估算模型构建及检验

由上节对高光谱特征参数与SPAD值相关性的分析可知，λr、Db、SDb、SDg、SDr/SDb、 SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)与SPAD值在各生育期均达到极显著相关，相关性很强，通用性较高。因此使用这8个高光谱特征参数与SPAD值建立线 性与非线性拟合的单变量回归模型，选择建模决对系数R2最大的模型列于表3-8当中， 并利用检验样本对上述变量建立的估算模型预测精度进行检验。在拔节期，(SDr-SDy)/(SDr+SDy)与SPAD值表现出显著的指数关系，其余参数和 SPAD值的最优模型为二次多项式模型。λr与SPAD值构建的模型拟合效果最好，建模决 定系数达到0.707；其次为以SDr/SDb和SDr/SDy构建的模型，建模决定系数分别为0.690 和0.687。在模型的精度检验中，λr构建的模型虽然验模决定系数较大，但均方根误差和 相对误差也较大，因此该模型预测效果不佳。以SDr/SDy构建的模型验模决定系数最大， RMSEv 和 REv 均 最 小 ， 模 型 精 度 最 高 ， 为 拔 节 期 最 佳 估 算 模 型 。此 外 ， 以 (SDr-SDy)/(SDr+SDy)构建的指数模型，建模R2为0.675，验模R2v为0.768，RMSEv和REv 均较小，分别为3.536和6.420%，模型检验精度仅次于最佳模型。抽雄期，λr、SDr/SDb和SDr/SDy和SPAD值的最优模型为二次多项式模型，Db、SDb、 SDg和(SDr-SDy)/(SDr+SDy)与SPAD值的最优模型为指数模型，(SDr-SDb)/(SDr+SDb)与 SPAD值的最优模型为幂函数模型。各个参数与SPAD值构建的模型，建模R2均超过0.6， 拟合效果均较好。以(SDr-SDy)/(SDr+SDy)构建的指数模型建模R2最大，R2=0.790，且验 模R2v最大，R2v=0.845，RMSEv和REv最小，分别为2.203和3.240%，为最佳模型。除λr 构建的模型精度检验效果较差，其余参数建立的模型建模R2在0.709~0.771之间，验模R2v 在0.787~0.824之间，RMSEv在2.382~2.520之间，REv在3.373%~3.891%之间，拟合与验 证效果均较好，均能够用于SPAD值的估算。乳熟期，各参数的最优模型仍然集中在二次多项式、指数模型和幂函数模型。各个 参数构建的模型建模与验模R2较前两个生育期最低，RMSEv和REv较抽雄期高，较拔节 期低。其中建模与验模R2超过0.6的只有SDg、SDr/SDy和(SDr-SDy)/(SDr+SDy)建的模 型，以(SDr-SDy)/(SDr+SDy)构建的模型建模和验模R2最大，RMSEv和REv最小，为基于 高光谱特征参数单变量构建的单变量回归模型中的最佳模型。完熟期，SDg和(SDr-SDb)/(SDr+SDb)与SPAD值的最优模型为指数模型，其余参数 与SPAD值的最优模型为二次多项式模型。以λr建立的模型拟合效果最好，但模型的精 度检验最差，因此不能作为很好的估算模型，以SDr/SDb和(SDr-SDb)/(SDr+SDb)构建的 模型建模决定系数分别为0.692和0.690，拟合效果仅次于以λr建立的模型，同时，RMSEv 和REv均最小，验模R2v分别为0.767与0.766，与最大R2v0.779很接近，综合比较，二者建 立的模型较好。其中以SDr/SDb建立的模型验模RMSEv和REv最小，为最佳模型。不同生育期选取基于高光谱特征参数的单变量构建的最佳回归模型得到玉米冠层 叶片SPAD实测值与预测值之间的1:1关系图如图3-11所示，其中散点分布越接近1:1线则 表示模型预测精度越高。

选取各个生育期中在基于光谱位置变量，基于光谱面积变量，基于光谱指数形式变量中分别与SPAD值相关性最大的高光谱特征参数作为自变量，SPAD值作为因变量，构建多元线性回归模型（表3-10）。与表3-9比较可知，除抽雄期外，多元线性回归模型的 拟合效果均优于单变量回归模型。模型验证效果抽雄期优于单变量回归模型，拔节期、 乳熟期劣于单变量回归模型。完熟期验模R2v小于单变量回归模型，但其验模误差均小 于单变量回归模型。

由表3-10可知，不同生育期的多元线性回归模型中，抽雄期的模型，建模R2最大，R2=0.779，验模决定系数R2v也最大，R2v=0.860，验模RMSEv与REv均最小，分别为2.145 和3.192%，模型的拟合和验证效果最好。不同生育期基于高光谱特征参数的多元线性回 归模型得到玉米冠层叶片SPAD实测值与预测值之间的1:1关系图如图3-12所示，其中散点分布越接近1:1线则表示模型预测精度越高。

4、结论

在可见光波段，叶绿素对光有强烈的吸收作用，尤其对蓝光和红光的吸收，使得植 物光谱在蓝光和红光波段形成两个吸收谷，在绿光波段，吸收较少，形成小的反射峰， 在红光与近红外过渡的波段，由红光的强吸收到近红外的高反射，光谱形成了急剧上升 的区域，称为“红边”；在近红外波段，叶片内部对光的多次反射和散射形成高反射平 台，植物叶片内部细胞间隙、形状、成分的不同，对光谱的反射造成影响；到1400nm 之后，光谱反射率主要受到叶片水分的影响，水分对光的吸收使得反射率降低。叶绿素 含量不同，植物光谱会表现出不同的变化，研究表明，叶绿素与植物光谱反射率存在显 著地相关性，因而可以根据光谱反射率的变化来估算植物叶绿素的含量。本研究中，对 原始光谱作一阶微分变换，提取植被指数，高光谱特征参数，与玉米冠层叶片SPAD值 进行相关分析发现，一阶微分与玉米SPAD值的相关性最大，其次为基于指数形式变换 的高光谱特征参数，基于这些参数建立的回归模型中，也发现基于一阶微分特征波段构 建的模型拟合效果最好，这与其和SPAD值相关性最高有关，但利用样本数据对模型进 行检验时，高光谱特征参数模型精度检验最优，综合来看，以高光谱特征参数建立的模 型最优，这与许多学者的研究结果相一致（秦占飞等 2016）。这是因为一阶微分光谱 可以消除线性或接近线性噪声的影响且能够方便地用来确定光谱曲线弯曲点、最大和最 小反射率处的波长位置等光谱特征，比基于前人研究指定波长组合的植被指数有更好的 实际对应性，而高光谱特征参数在不同波段范围内取值，效果也要比植被指数好，且通 过光谱组合可以进一步消除噪声干扰，增强光谱信息的精度。

欢迎关注公众号：莱森光学，了解更多光谱知识。

莱森光学（深圳）有限公司是一家提供光机电一体化集成解决方案的高科技公司，我们专注于光谱传感和光电应用系统的研发、生产和销售。

审核编辑黄宇