冬小麥不同葉位葉片的葉綠素含量高光譜估算模型

馬春艷 王藝琳 翟麗婷 郭輔臣 李長春 牛海鵬

(河南理工大學(xué)測繪與國土信息工程學(xué)院，焦作 454000)

0 引言

葉綠素是綠色植物進行光合作用的關(guān)鍵驅(qū)動因素[1]，其含量與植被的光合能力、生長發(fā)育及營養(yǎng)狀況密切相關(guān)。因此，及時、準確地獲取葉綠素含量對于作物田間管理、長勢監(jiān)測及產(chǎn)量估算具有重要意義。傳統(tǒng)的化學(xué)檢測方法成本高、效率低，而且具有田間破壞性和不可恢復(fù)性[2]。近年來，高光譜遙感技術(shù)因其具有便攜、快速、無損等優(yōu)勢，在高通量植物表型研究中顯示出相當(dāng)大的應(yīng)用前景[3]。已有的研究成果[2,4-6]為高光譜檢測作物葉綠素含量提供了科學(xué)依據(jù)，然而，這些研究大多是基于冠層單一尺度構(gòu)建的作物葉綠素含量遙感估算模型，無法精確反映其在垂直方向上的分布特征。

作物在生長發(fā)育過程中，營養(yǎng)成分在植株體內(nèi)的運轉(zhuǎn)會導(dǎo)致其不同葉位生化組分的分布呈現(xiàn)一定的規(guī)律性[7]。因此，通過分層研究作物生化成分的垂直變化特征并對其進行準確估算，可以提高作物營養(yǎng)診斷的精確性。從已有的研究報道[8-10]來看，針對冬小麥葉綠素含量的定量遙感反演主要存在以下兩方面的不足：一是在構(gòu)建冬小麥葉綠素含量估算模型時往往直接采用實測的冠層葉綠素含量及冠層光譜數(shù)據(jù)，而忽略了不同層葉綠素含量在植株體內(nèi)存在的垂直分布差異規(guī)律；二是在構(gòu)建作物葉綠素含量遙感反演模型時直接采用原始光譜數(shù)據(jù)，未進行相應(yīng)的光譜變換等預(yù)處理以減少噪聲干擾，這些已成為進一步提高模型精度和改善應(yīng)用效果的限制因子。

綜上所述，本文基于作物葉片尺度，分層測定冬小麥上1葉、上2葉、上3葉和上4葉葉片的葉綠素含量及高光譜反射率數(shù)據(jù)，分別利用4種機器學(xué)習(xí)算法構(gòu)建冬小麥不同葉位葉綠素含量的高光譜估算模型，并進行模型精度評估，以期為更加精細化評價作物長勢及產(chǎn)量預(yù)測奠定基礎(chǔ)。

1 估算模型構(gòu)建

1.1 研究區(qū)概況

研究區(qū)位于北京市海淀區(qū)(北緯40°11′，東經(jīng)116°27′)，具體位置如圖1所示?；赝恋胤饰?、地勢平坦，平均海拔36 m，年均氣溫13℃，年均降水量507 mm，氣候類型為典型的暖溫帶半濕潤大陸季風(fēng)氣候。冬小麥的播種時間為2017年9月29日，本研究共設(shè)置48個試驗小區(qū)，每個小區(qū)尺寸為1.2 m×1.5 m，供試品種分別為京9843和農(nóng)大211。

圖1 研究區(qū)地理位置Fig.1 Geographical location of study area

1.2 數(shù)據(jù)獲取

在冬小麥的各個發(fā)育階段中，抽穗期是需要生產(chǎn)以及追肥管理的關(guān)鍵時期，這一時期小麥葉片中較高的葉綠素含量可以促進作物葉片生長、延長葉片功能、提高光合效率及產(chǎn)量[6]。因此，選擇在冬小麥抽穗期分別獲取其上1葉、上2葉、上3葉和上4葉的高光譜反射率和葉綠素含量實測數(shù)據(jù)。

1.2.1分層高光譜數(shù)據(jù)采集與預(yù)處理

采用ASD FiedSpec FR2500型便攜式地物光譜儀[11](光譜范圍350～2 500 nm，重采樣間隔為1 nm，視場角為25°)獲取冬小麥不同葉位葉片的高光譜反射率數(shù)據(jù)。為了消除天空光線變化對光譜測量的影響，測量前使用BaSO4校準面板進行光譜校準[12]。測量時在每個試驗小區(qū)內(nèi)隨機選擇3棵具有長勢代表性的冬小麥樣本植株，從上至下依次剪取上1葉、上2葉、上3葉和上4葉的葉片，并確保葉片平整放置在背景板上，以消除背景反射和葉片彎曲引起光譜波動的影響。每個葉片樣本測量10條光譜曲線，每個小區(qū)可獲取30條光譜曲線。光譜數(shù)據(jù)采集完成后，利用ViewSpec Pro光譜處理軟件導(dǎo)出無量綱的原始光譜反射率，然后計算30條光譜反射率的平均值作為各小區(qū)不同葉位葉片的光譜反射率。

1.2.2葉綠素含量數(shù)據(jù)分層獲取

光譜測量完成后，將選取植株的葉片樣本裝入保鮮袋內(nèi)，并迅速帶回實驗室，采用分光光度法測定其葉綠素含量。對于各小區(qū)不同葉位分別測量3個葉片的葉綠素含量，取其平均值作為該小區(qū)不同葉位的葉綠素含量。測量時，首先使用打孔器在每個葉片上取下18片直徑為0.8 cm的圓葉片，使用精度為0.001 g的天平稱量后，將其剪成細絲狀置于盛有95%乙醇的試管中，然后加塞放置在黑暗的環(huán)境中浸泡7 d直至葉片變白，最后采用分光光度計測定葉綠素溶液在光譜波長655、649 nm處的吸光度，再根據(jù)色素分子在該波長下的消光系數(shù)計算出葉片的葉綠素質(zhì)量比。

1.3 數(shù)據(jù)處理與模型構(gòu)建方法

1.3.1光譜微分變換

光譜微分變換技術(shù)可以有效消除儀器自身、光照和大氣效應(yīng)的影響，增強不同光譜波段的對比度[13]。本研究采用Grünwald-Letnikov微分[14]形式對高光譜數(shù)據(jù)進行微分處理，其計算公式為

(1)

式中f(λ)——光譜反射率

λ——350～2 500 nm范圍內(nèi)的波長

?！狦amma函數(shù)

m——微分上下限之差

α——階數(shù)

其中，當(dāng)α為0、1、2時，分別表示原始光譜、一階微分光譜和二階微分光譜。

1.3.2連續(xù)小波變換

連續(xù)小波變換是采用小波基函數(shù)將高光譜數(shù)據(jù)分解為一系列不同尺度和不同波長上的小波系數(shù)[15]。本研究選擇收斂速度快的Meyer函數(shù)作為小波基函數(shù)，為了減少數(shù)據(jù)冗余，選取1、2、3、4、5、6、7、8、9、10為小波系數(shù)的分解尺度。計算公式為

(2)

(3)

式中a——尺度因子b——平移因子

φa,b——小波基函數(shù)

1.3.3植被指數(shù)構(gòu)建

本研究根據(jù)前人的研究成果[16-21]，評估了15個高光譜植被指數(shù)用于估算冬小麥不同葉位葉片葉綠素含量的潛力。15個植被指數(shù)分別為：差值環(huán)境植被指數(shù)(DVI)[22]、優(yōu)化土壤調(diào)節(jié)植被指數(shù)(OSAVI)[23]、最佳植被指數(shù)(VIOPT)[24]、歸一化差異水體指數(shù)(NDWI)[25]、水體指數(shù)(WI)[26]、轉(zhuǎn)化葉綠素吸收比指數(shù)(TCARI)[27]、紅綠植被指數(shù)(RGVI)[28]、綠藍植被指數(shù)(GBVI)[29]、改良的綠紅植被指數(shù)(MGRVI)[30]、紅綠藍植被指數(shù)(RGBVI)[31]、綠葉面積指數(shù)(GLA)[32]、超綠超紅差分指數(shù)(EXR)[33]、超綠指數(shù)(EXG)[34]、顏色植被指數(shù)(CIVE)[35]和可見光大氣阻抗指數(shù)(VARI)[36]。

1.3.4模型構(gòu)建方法

考慮到模型構(gòu)建及預(yù)測的穩(wěn)定性和魯棒性，本研究選擇75%的數(shù)據(jù)用于建模，25%的數(shù)據(jù)用于驗證。篩選與不同葉位葉綠素含量相關(guān)性較強的光譜敏感波段、植被指數(shù)、小波系數(shù)作為模型輸入變量，葉片葉綠素含量作為輸出變量，分別基于偏最小二乘回歸(Partial least squares regression,PLSR)、支持向量機(Support vector machine，SVM)、隨機森林(Random forests,RF)和反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)4種機器學(xué)習(xí)算法構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對模型精度進行驗證。

(1)偏最小二乘回歸

偏最小二乘回歸集中利用了多元線性回歸分析、典型相關(guān)分析和主成分分析的概念[37]。該方法主要適用于含有多個自變量或多個因變量的回歸分析，可以有效解決多重共線性問題并保證模型的穩(wěn)定性[38]。

(2)支持向量機

支持向量機可以有效避免模型出現(xiàn)過擬合現(xiàn)象，具有良好的泛化能力和魯棒性，目前在作物識別、分類以及小樣本回歸分析中得到了廣泛應(yīng)用[2]。

(3)隨機森林

隨機森林提供了一種對多個決策樹的預(yù)測結(jié)果進行平均的方法，這些決策樹在同一數(shù)據(jù)的不同子集上進行訓(xùn)練，不僅能提供更高的精度，還能有效克服單個決策樹的過度擬合問題[39]。

(4)反向傳播神經(jīng)網(wǎng)絡(luò)

反向傳播神經(jīng)網(wǎng)絡(luò)具有較強的自學(xué)習(xí)、自組織以及自適應(yīng)能力，適宜模擬較為復(fù)雜的非線性關(guān)系，目前被廣泛應(yīng)用于分類、擬合、壓縮等領(lǐng)域[40]。

1.3.5模型精度評價指標(biāo)

選擇決定系數(shù)(Coefficient of determination，R2)、均方根誤差(Root mean squared error，RMSE)和標(biāo)準均方根誤差(Normalized root mean squared error，NRMSE)作為模型精度評價指標(biāo)。

2 結(jié)果與分析

2.1 冬小麥不同葉位葉片葉綠素含量分布及光譜響應(yīng)特征

分層測定冬小麥不同葉位葉片的葉綠素含量，圖2為冬小麥不同葉位所有小區(qū)平均葉綠素質(zhì)量比的分布特征。

圖2 不同葉位葉片葉綠素含量分布Fig.2 Plot of chlorophyll content distribution of leaves at different leaf positions

由圖2可知，不同葉位葉片葉綠素含量隨葉位的升高呈現(xiàn)逐漸上升的趨勢。這是由于上層葉片光合作用強度較大，而下層葉片接收到的光照較少，因而光合作用較弱，葉綠素含量相對較低。

分層測定冬小麥抽穗期上1葉、上2葉、上3葉和上4葉不同葉位葉片的高光譜反射率數(shù)據(jù)，并繪制不同葉位葉片的原始光譜反射率變化曲線，如圖3所示。

由圖3可知，上1葉、上2葉和上3葉葉片的原始光譜反射率曲線較為接近，而上4葉葉片的原始反射率曲線與它們的差異較大，總體表現(xiàn)為隨著葉位升高葉片光譜反射率逐漸增強。其中，不同葉位葉片原始光譜反射率在波段750～1 300 nm和1 400～1 900 nm之間出現(xiàn)明顯差異性，反射率由大到小依次為上1葉、上2葉、上3葉、上4葉，其他波段范圍內(nèi)，不同葉位葉片的光譜反射率及其變化趨勢基本相似。

圖3 不同葉位葉片的原始光譜響應(yīng)曲線Fig.3 Raw spectral response curves of leaves at different leaf positions

2.2 不同葉位葉片葉綠素含量與光譜參數(shù)的相關(guān)性分析

2.2.1與變換光譜反射率的相關(guān)性分析

將原始光譜分別進行一階微分(First-order differential，F(xiàn)D)和二階微分(Second-order differential，SD)光譜變換，并將原始光譜、不同變換光譜與不同葉位葉綠素含量進行相關(guān)性分析，篩選相關(guān)系數(shù)的絕對值(|ρ|)較大的前5個波長(λ)作為敏感波長，結(jié)果如表1所示。

表1 與不同葉位葉片葉綠素含量相關(guān)性強的前5個光譜波長Tab.1 The first five spectral bands with strong correlation with chlorophyll content in leaves at different leaf positions

分析表1可知，整體上看，光譜反射率與不同葉位葉綠素含量的相關(guān)性呈現(xiàn)隨葉位的下降而逐漸降低的趨勢。其中，上1葉敏感波段集中在二階微分和原始光譜的近紅外波段(640～790 nm)，|ρ|最大為0.73；上2葉敏感波段集中在一階微分和原始光譜的可見光波段(360～370 nm)和近紅外波段(690～710 nm)，|ρ|最大為0.68；上3葉敏感波段主要集中在一階微分光譜的可見光波段(360～370 nm)和中紅外波段(1 890～1 900 nm)，|ρ|最大為0.67；上4葉敏感波段集中在二階微分中紅外波段(1 450～1 460 nm)，|ρ|最大為0.63。

2.2.2與植被指數(shù)的相關(guān)性分析

利用選取的植被指數(shù)與不同葉位葉片葉綠素含量進行相關(guān)性分析，篩選出不同葉位相關(guān)系數(shù)的絕對值較大的前5個植被指數(shù)用于構(gòu)建葉片葉綠素含量估算模型，結(jié)果如表2所示。

分析表2可知，整體上看，上1葉葉綠素含量與植被指數(shù)相關(guān)性最高，其他葉位葉綠素含量與植被指數(shù)相關(guān)性相當(dāng)。其中，與上1葉葉綠素含量相關(guān)性最大的植被指數(shù)分別為EXR、GLA、RGBVI、GBVI和EXG，|ρ|最大均為0.75；與上2葉葉綠素含量相關(guān)性最大的植被指數(shù)分別為VARI、GBVI、RGVI、MGRVI和EXR，|ρ|最大均為0.66；與上3葉葉綠素含量相關(guān)性最大的植被指數(shù)為WI，|ρ|最大達到0.75；與上4葉葉綠素含量相關(guān)性最大的植被指數(shù)為WI，|ρ|最大可達0.65。

表2 與不同葉位葉片葉綠素含量相關(guān)性強的前5個植被指數(shù)Tab.2 The first five vegetation indices with strong correlation with chlorophyll content in leaves at different leaf positions

2.2.3與小波系數(shù)的相關(guān)性分析

利用連續(xù)小波變換將原始光譜反射率轉(zhuǎn)換為小波系數(shù)，對應(yīng)10個尺度。將小波系數(shù)與不同葉位葉片葉綠素含量進行敏感性分析，繪制不同葉位小波系數(shù)與葉片葉綠素含量的相關(guān)性分布圖，結(jié)果如圖4所示?；谙嚓P(guān)性分析結(jié)果，篩選不同葉位對應(yīng)的前5個敏感小波系數(shù)用于構(gòu)建葉綠素估算模型，結(jié)果如表3所示。

圖4 不同葉位小波系數(shù)與葉綠素含量的相關(guān)性矩陣圖Fig.4 Correlation matrix between wavelet coefficients and chlorophyll content at different leaf positions

表3 與不同葉位葉片葉綠素含量相關(guān)性強的前5個小波系數(shù)Tab.3 The first five wavelet coefficients with strong correlation with chlorophyll content in leaves at different leaf positions

分析圖4和表3可知，整體上看，不同葉位葉片葉綠素含量與小波系數(shù)的相關(guān)性隨葉位升高而增強，上1葉和上2葉葉綠素含量與小波系數(shù)的相關(guān)性相當(dāng)，且相關(guān)性最強。對于不同葉位，在1 500～2 500 nm波段，上1葉的全局敏感指數(shù)最高，對應(yīng)尺度為2、3、4、5、6，上1葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段1 730～1 740 nm，|ρ|最大為0.88，對應(yīng)尺度為4；在1 800～2 500 nm波段范圍，上2葉的全局敏感指數(shù)最高，對應(yīng)尺度為3、4、5，上2葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段1 730～1 740 nm，|ρ|最大為0.88，對應(yīng)尺度為3；在波段500～1 000 nm，上3葉的全局敏感指數(shù)最高，對應(yīng)尺度為3、4、5、7、8、9，上3葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段550～560 nm，|ρ|最大為0.83，對應(yīng)尺度為9；在波段1 500～2 500 nm范圍，上4葉的全局敏感指數(shù)最高，對應(yīng)尺度為2、3、4，上4葉葉綠素含量與小波系數(shù)相關(guān)性最大的系數(shù)主要集中在波段2 000～2 500 nm，|ρ|最大為0.79，對應(yīng)尺度為3。

2.3 不同葉位葉片葉綠素含量估算模型構(gòu)建及模型精度驗證

2.3.1基于變換光譜構(gòu)建估算模型

利用表1篩選出的敏感變換光譜波段作為模型輸入特征，分別基于PLSR、SVM、RF、BPNN 4種機器學(xué)習(xí)算法，構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對模型進行精度評定，結(jié)果如表4所示。

表4 基于變換光譜的不同葉位葉片葉綠素含量估算模型精度Tab.4 Accuracy of chlorophyll content estimation model at different leaf positions based on transform spectrum

由表4可知，葉片葉綠素含量的估算精度整體上隨葉位的升高呈現(xiàn)逐漸上升的趨勢。其中，上1葉葉綠素含量估算的最佳模型為BPNN，其建模和驗證R2分別為0.64和0.50；上2葉葉綠素含量估算的最佳模型為BPNN，其建模和驗證R2分別為0.43和0.57；上3葉葉綠素含量估算的最佳模型為BPNN，其建模和驗證R2分別為0.49和0.60；上4葉葉綠素含量估算的最佳模型為PLSR，其建模和驗證R2分別為0.44和0.35。

2.3.2基于植被指數(shù)構(gòu)建估算模型

利用表2篩選出的敏感植被指數(shù)作為模型輸入特征，分別基于PLSR、SVM、RF、BPNN 4種機器學(xué)習(xí)算法，構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對模型進行精度評定，結(jié)果如表5所示。

表5 基于植被指數(shù)的不同葉位葉片葉綠素含量估算模型精度Tab.5 Accuracy of chlorophyll content estimation model at different leaf positions based on vegetation indices

由表5可知，上1葉葉綠素含量估算的最佳模型為SVM，其建模和驗證R2分別為0.85和0.73；上2葉綠素含量估算的最佳模型為PLSR，其建模和驗證R2分別為0.67和0.72；上3葉葉綠素含量估算的最佳模型為BPNN，其建模和驗證R2分別為0.66和0.62；上4葉葉綠素含量估算的最佳模型為SVM，其建模和驗證R2分別為0.74和0.79。

2.3.3基于小波系數(shù)構(gòu)建估算模型

利用表3篩選出的敏感小波系數(shù)作為模型輸入特征，分別基于PLSR、SVM、RF、BPNN 4種機器學(xué)習(xí)算法，構(gòu)建冬小麥不同葉位葉片葉綠素含量估算模型，并對模型進行精度評定，結(jié)果如表6所示。

由表6可知，整體上看上1葉和上2葉估算精度相當(dāng)，且估算精度最高，上3葉和上4葉葉綠素估算精度次之。上1葉、上2葉、上3葉、上4葉葉綠素含量估算的最佳模型均為PLSR，其建模R2分別為0.82、0.80、0.71和0.74，驗證R2分別為0.75、0.77、0.62和0.70。

表6 基于小波系數(shù)的不同葉位葉片葉綠素含量估算模型精度Tab.6 Accuracy of estimation model of chlorophyll content at different leaf positions based on wavelet coefficients

3 討論

隨著作物的生長發(fā)育，營養(yǎng)成分會在植物體內(nèi)發(fā)生轉(zhuǎn)移，導(dǎo)致不同葉位葉片的葉綠素含量存在垂直異質(zhì)性[7]。本文研究也驗證了這一點，即葉綠素含量自上而下逐漸降低，且光譜反射率隨著作物葉綠素含量的變化，呈現(xiàn)不同的光譜響應(yīng)特征(圖2、3)，整體上表現(xiàn)為不同葉位光譜反射率隨葉綠素含量的減少而逐漸降低，其中上4葉的光譜反射率差異性更明顯。這是因為作物的莖葉是自下而上生長的，因而作物下層葉片會先生長而先衰老，葉綠素含量也會隨之減少，而中上部葉片的葉齡接近，因而光譜反射率的差異較小[41]。

本文研究發(fā)現(xiàn)將原始光譜采用一階和二階微分光譜變換處理后，光譜與不同葉位葉片葉綠素含量的相關(guān)性顯著增強，相關(guān)系數(shù)絕對值最高可達0.73。這主要是因為高光譜數(shù)據(jù)采集過程中會受光照、大氣效應(yīng)和背景等因素的影響，致使原始光譜存在噪聲，影響敏感信息的提取，光譜微分技術(shù)能夠部分消除環(huán)境因素的干擾，有效增強植被的本質(zhì)特征，這與蔣金豹等[42]的研究結(jié)論一致。由于可見光波段和近紅外波段對葉綠素含量的變化更加敏感，因而在敏感特征參數(shù)的篩選中與不同葉位的葉綠素含量表現(xiàn)出更強的相關(guān)性，這與王紀華等[10]的研究結(jié)果一致。

為了提高不同葉位葉綠素含量的準確性，本研究分別評估了光譜變換波段、植被指數(shù)和小波系數(shù)用于估算葉綠素含量的潛力。整體上看，小波系數(shù)與葉綠素含量的相關(guān)性最強，植被指數(shù)次之。綜合分析基于不同光譜特征參數(shù)的模型精度評定結(jié)果可知，上1葉、上2葉、上3葉均為基于小波系數(shù)構(gòu)建的估算模型精度最高，不同葉位葉綠素含量估算模型的建模和驗證R2的最大值分別達到0.82和0.77，這與前人研究結(jié)論[43-45]一致。這是由于小波變換技術(shù)能夠通過伸縮平移運算，將光譜信息分解成不同頻率的子信息，對光譜信息逐步進行多尺度細化，深度挖掘并提取光譜信號中隱藏的弱信息，有效利用光譜信息的整體結(jié)構(gòu)特征，實現(xiàn)對光譜特征更精確的局部描述和分離[46]。

本研究采用4種機器學(xué)習(xí)算法預(yù)測冬小麥不同葉位葉片的葉綠素含量，精度評定結(jié)果均顯示上1葉的預(yù)測效果最佳。這與上部葉片對冠層光譜貢獻最大，且隨著葉位降低，葉片對冠層光譜的貢獻逐漸減少有關(guān)。該結(jié)論與XIAO等[47]的研究結(jié)論高度吻合。綜合分析不同機器學(xué)習(xí)方法用于不同葉位葉綠素含量估算模型的結(jié)果發(fā)現(xiàn)，PLSR表現(xiàn)出最好的預(yù)測能力，這是因為PLSR在回歸建模過程中采用了數(shù)據(jù)降維、信息綜合與篩選技術(shù)，能夠有效提取對系統(tǒng)有最佳解釋能力的新綜合成分[37]。

然而，本研究僅討論和研究了抽穗期冬小麥植株不同葉位葉綠素含量的估算方法，且田間試驗區(qū)域較小。因而為了更加準確地研究冬小麥的長勢狀況，未來還需在大田試驗中增加供試品種，并針對作物不同生育期進行動態(tài)試驗驗證，以期為開展作物冠層整體動態(tài)診斷提供參考。

4 結(jié)論

(1)葉綠素含量隨葉位的升高而逐漸升高，光譜反射率隨著作物葉綠素含量的減少而呈現(xiàn)逐漸降低的趨勢。

(2)將原始光譜經(jīng)過光譜微分變換、小波變換處理或者用于植被指數(shù)的構(gòu)建均可以顯著增強光譜反射率與不同葉位葉片葉綠素含量的相關(guān)性，整體上看，小波系數(shù)與葉綠素含量之間的相關(guān)性最強，植被指數(shù)次之。

(3)冬小麥上1葉、上2葉和上3葉均采用小波變換結(jié)合PLSR的方法構(gòu)建的葉綠素含量估算模型精度最高，建模和驗證R2分別為0.82和0.75、0.80和0.77、0.71和0.62；上4葉采用植被指數(shù)結(jié)合SVM的方法構(gòu)建的模型估算效果最好，建模和驗證R2分別為0.74和0.79。研究可為基于遙感技術(shù)精細化監(jiān)測作物長勢及產(chǎn)量奠定基礎(chǔ)。