随着长江中下游稻麦轮作区水稻成熟期的推迟, 冬小麦播期的推迟已经成为影响产量的主要障碍, 因此在迟播小麦中筛选抗性较好的品种很有必要。 该研究旨在监测冬小麦生长早期冠层叶片的相对叶绿素含量, 用于迟播冬小麦品种筛选。 为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性, 基于多光谱无人机获取的5个单波段光谱反射率和15个植被指数作为自变量, 经过递归特征消除法(RFE)特征变量筛选, 去除冗余变量, 利用后向神经网络(BP)回归算法构建冬小麦相对叶绿素含量(SPAD)值遥感反演模型。 根据2020年—2021年江苏省扬州市广陵区实验点冬小麦越冬期、 拔节期两个生育期的实测叶片SPAD值, 结合同步获取的多光谱无人机影像, 分析了这两个生育期遥感变量和SPAD值之间的相关性。 并结合遥感变量之间的特征重要性排序进行特征变量筛选, 筛选出的变量作为模型的输入, 构建并筛选出各生育期最佳的反演模型。 比较岭回归(Ridge)和梯度提升树(GBD)算法, 以R2和RMSE作为模型评价指标, 在验证集上分析了各生育期3种模型的自学习能力和泛化能力。 结果表明, 经过了最优光谱信息筛选而建立的BP神经网络模型在此两个生育期的数据集上均表现出了最强的回归预测能力。 R2和RMSE在越冬期分别为0.806和1.861, 拔节期分别为0.827和0.507。 通过对无人机多光谱数据进行变量筛选, 构建的优选模型BP神经网络具有较高估算精度, 且表明在冬小麦的早期监测中, 拔节期比越冬期效果好。 利用无人机多光谱在估算迟播冬小麦SPAD值进行品种抗性筛选的方法是有价值的。

响应“一控两减三基本”的要求, 在不减产的前提下减少化肥用量, 研究全程机械化大苗机插条件下不同增密减肥处理的水稻叶绿素相对含量(SPAD值)光谱估算模型。分析水稻叶片SPAD值与冠层一阶微分光谱的相关性, 建立基于敏感波长及一阶微分光谱参数的SPAD值估算模型, 用决定系数(R2)、均方根误差(RMSE)、相对误差(RE)对模型精度进行评价。结果表明: 6个处理在634～652 nm、655～668 nm、497～552?nm及687～711?nm波段内达极显著相关, 相关系数均达到0.700以上; 以敏感波长为自变量估算SPAD值的模型中, 低密度减肥的多项式模型估测效果最佳, 其建模集R2、RMSE和RE分别为0.766、1.185和2.152%, 验证集R2、RMSE和RE分别为0.729、0.364和0.752%; 以光谱参数为自变量的估算模型中, 中等密度减肥模型的估测效果最好, 其建模集R2、RMSE和RE分别为0.703、1.314和2.359%, 验证集R2、RMSE和RE分别为0.763、0.620和1.198%。研究发现: 在同密度条件下, 减肥会导致SPAD值降低, 长势偏弱; 移栽密度越大, 光谱反射率相对越高; 移栽密度对水稻冠层光谱反射率的影响大于施肥水平。各处理均表现为差值光谱指数(DSI)的模型效果最优, 说明敏感波长及光谱参数的选择对模型的构建至关重要。

叶绿素含量是红枣树光合作用能力、 生长状况、 营养状况的指示剂, 不同地理位置种植的红枣树受到自然、 人为等因素的影响, 叶绿素含量分布有所不同, 该研究实地测定了若羌县枣树叶片高光谱反射率及表征叶绿素含量的枣树叶片SPAD（soil plant analysis development)值。 为了高效无损地估算红枣树叶片SPAD值, 计算了红枣树叶片SPAD值全局莫兰指数, 以SPAD值和高光谱波段之间的相关性为基础, 通过CP统计量计算重要程度高的特征波段, 运用地理加权最小二乘支持向量回归GWLS-SVR（geographically weighted least squares-support vector regression）模型对红枣树叶片SPAD值进行预测, 与多元线性回归（MLR）、 支持向量机回归（SVR）模型比较并探讨GWLS-SVR模型估算红枣树叶片SPAD值的能力。 结果表明: （1）光谱一阶导数可以有效去除噪声并突出光谱信息尤其是492~510, 542~543, 642~652, 657~670和682~692 nm区间内显著的提高了与SPAD值的相关性。 （2）CP统计量方法能够有效的选择敏感区间的特征波段, 进而提高模型估算精度, 由统计量方法计算出原始光谱重要程度最高的两个变量为595与696 nm, 光谱一阶导数的特征波段为688 nm。 其中对于同一个敏感波段区间的波段组合总有单个波段的统计量低于多个波段组合的统计量, 这可能是相近波段间的较强共线性导致的。 （3）若羌县红枣树叶片SPAD值存在显著的空间聚集性, 全局莫兰指数为0.125 8（p<0.1）, 适合建立考虑空间位置的GWLS-SVR模型。 （4）结合Bootstrap再抽样与t检验模型检验得到结合地理位置信息的GWLS-SVR模型总体上估算能力优于SVR和MLR模型, 且结果高度显著（p<0.001）, 其中基于光谱一阶导数的GWLS-SVR模型为最优的红枣树叶片SPAD值估算模型（R2为0.975, MSE为1.082）, 能够为高光谱定量反演红枣树SPAD值进而快速无损的监测红枣生长状况提供一定参考。

叶绿素含量是衡量植物营养和病虫害发生情况的重要指标。 传统的分光光度法对植物叶片破坏性较大且无法实时、 快速、 无损地获取叶绿素含量。 新兴的利用叶绿素仪测量叶绿素相对含量(以下简称SPAD值)的方法不能定量获取实际含量。 光学辐射传输模型PROSPECT从生物物理、 化学的角度以及能量传输的过程出发, 定量描述了叶片色素、 水分、 结构参数等对叶片反射光谱的影响。 因此, 提出利用PROSPECT模型同时反演蔬菜叶片叶绿素含量和SPAD值, 实时、 快速、 无损、 定量获取植物叶片叶绿素的含量。 第一, 多次测量三种蔬菜叶片的反射光谱, 并用叶绿素仪测量SPAD值。 然后, 预处理光谱数据, 获得平均反射率光谱。 第二, 以欧式距离为评价函数, 利用PROSPECT模型对实测反射率光谱进行拟合。 拟合过程中三种蔬菜欧式距离最大为0.008 9, 最小为0.006 4, 平均为0.007 5, 表明该模型能够很好地拟合蔬菜叶片的反射率光谱。 第三, 根据拟合结果, 反演叶绿素含量和透射率光谱, 再根据透射率光谱获取叶片在940和650 nm波长处的光透过率, 计算叶片的反演SPAD值。 第四, 建立反演叶绿素含量、 反演SPAD值与实测SPAD值的关系模型。 结果表明: (1)利用该模型反演得到的叶绿素含量值与实测SPAD值有较好的线性关系, 其关系模型为: y=1.463 3x+16.374 3, 两者相关系数为0.927 1, 模型的决定系数为0.862, 均方根误差为2.11; (2)利用该模型反演得到的SPAD值与实测SPAD值之间线性关系较好, 其关系模型为: y=0.986 9x-0.668 3, 两者相关系数为0.845 1, 模型的决定系数为0.714 3, 均方根误差为3.380 2。 研究表明, 通过测量植物叶片的反射率光谱, 利用PROSPECT模型可以无损、 定量地获取蔬菜叶片的叶绿素含量和SPAD值。 该方法可推广至其他植物的叶绿素测量和实时监测, 为变量施肥、 精准种植提供可靠的数据支持。 研究结果对蔬菜生长态势的无损监测具有重要的意义。

利用高光谱反演、 监测植被生长状况的基础是光谱特征识别。 以半干旱采煤塌陷区为样地, 利用Field Spec 3地物光谱仪与SPAD-502叶绿素仪同步采集采煤地表塌陷形成的不同应力区（非采区、 中性区、 拉伸区、 压缩区）典型植物叶片光谱反射率与叶绿素含量（SPAD值）, 分析典型植物相同应力区SPAD值升高其光谱特征的变化, 对比不同应力区典型植物SPAD值较高与较低时光谱特征的差异, 并借助Matlab软件深入研究不同应力区典型植物SPAD值与差值指数、 归一化指数的相关关系。 结果表明: （1）不同应力区同种植物光谱曲线随着SPAD值不同变化规律相异, 可见光波段区分明显, 其余波段受应力影响的区域样本SPAD值不同, 反射率比非采区波动更为剧烈与无序。 可见光波段, 糙隐子草、 柠条、 杨树、 油蒿SPAD值低的样本光谱曲线绿峰缺失, SPAD值升高, 绿峰出现但位置红移, SPAD值高于30时, 为典型植被光谱曲线, 油松样本SPAD值越高反射峰值越小; 受应力影响的区域SPAD值低的样本谷、 峰、 边特征参数缺失更多, 光谱变化规律不强。 （2）400～700 nm波段, 不同应力区糙隐子草、 油蒿、 油松、 柠条样本SPAD值较低组反射率显著高于较高组, 杨树样本相反; 780～1 350 nm波段, 拉伸区的糙隐子草、 非采区的油蒿和柠条、 压缩区的油松和杨树样本SPAD值较高组与较低组的反射率差异小; 相较于非采区, 受应力影响的糙隐子草、 油蒿、 柠条样本在所测波段SPAD值较高组与较低组的同波段反射率差值显著减小。 （3）受应力影响的区域样本SPAD值与光谱指数相关性较之非采区在某些波段大面积增强。 与非采区相比, 中性区的油蒿、 油松、 柠条、 杨树样本SPAD值与光谱指数的最大相关系数值均增大, 糙隐子草相反; 非采区植物SPAD值与NDVI最大相关系数均高于DI, 波段组合多位于近红外, 受应力影响区域的样本最大相关系数多数位于可见光波段。 本研究为矿区不同应力区典型植物高光谱波段识别与植物健康状态监测、 矿区生态环境精准治理提供了理论支撑。

叶绿素含量高低反映植物健康状况, 研究景区树种叶片叶绿素绝对值(SPAD)不同的光谱变化规律能为叶绿素高光谱监测波段识别与景区树种管理提供理论支撑。 从琅琊山景区灌木和乔木类选取9个常见树种, 探讨相同树种叶片SPAD值变化时的光谱差异, 同时, 横向对比相同SPAD值不同树种叶片的光谱特征, 并深入分析不同树种叶片SPAD值与单波段原始光谱、 光谱倒数、 一阶微分、 二阶微分及波段组合差值指数、 归一化指数、 比值指数、 一阶微分归一化指数、 一阶微分比值指数之间的关系。 结果表明: 9个所测树种叶片随着叶绿素SPAD值的升高, 光谱变化规律各不相同, 在可见光波段区分明显, 总体上, 光谱反射率最高的样本组SPAD值较低； 叶绿素SPAD值相同时, 在可见光波段, 桂花较其余树种反射率整体较高; 在780~1 350 nm波段, 广玉兰叶片反射率始终排前三, 其余波段变化规律不明显； 原始光谱反射率的二阶微分与海桐叶片SPAD值相关系数最大, 一阶微分与其余8种相关性最高； 与灌木、 落叶乔木叶片SPAD值相关系数最大的光谱指数分别为差值指数、 一阶微分归一化指数, 与常绿乔木、 不分树种相关系数最大的为一阶微分比值指数。

便捷可靠的作物营养诊断是作物科学施肥管理的基础, 也是精准农业的核心。 叶绿素含量是作物氮营养含量的重要指标。 以水稻叶片为研究对象, 用改造后的普通单反相机搭载滤波片的方式拍摄叶片的可见光和中心波长为650, 680, 720, 760, 850和950 nm多个波段的近红外图像, 获取不同波段的相对反射率值, 通过可见光与多个近红外波段结合的回归分析与比较, 筛选出精度较高且稳定的模型。 经过对比相机三个成像通道, R通道与叶绿素含量（SPAD值）的相关性要高于B和G通道。 实验结果表明, 植被指数GVI最能反映作物的生长状况, 近红外波段760 nm对SPAD值的预测效果最好, 最小二乘支持向量机法结合多个植被指数建模的预测精度R2为0.831 4, 取得了较为理想的效果。 同时使用高光谱成像仪采集水稻叶片的高光谱影像, 对比消费级近红外相机成像方式下与高光谱成像方式下得到的植被指数多因子预测模型精度, 两者相当。 实验证明消费级近红外相机能够获得与高光谱成像仪相近的叶绿素含量估测结果。

实时准确地获取作物叶绿素含量的三维空间分布信息, 是作物营养、 栽培和育种等科学研究和生产领域密切关注的问题。 该研究以水稻植株为研究对象, 采用改造后的普通单反相机加载近红外滤光片的方法, 多角度获取水稻植株的多光谱图像。 基于不同波段不同通道的组合图像计算多种植被指数, 将其结果与对应的实测SPAD值之间建立水稻植株叶绿素(SPAD)预测模型, 并筛选出最优预测模型。 研究结果表明, 近红外760 nm波段的R通道与可见光G通道构建的GNDVI植被指数, 与实测SPAD值建立的二次函数预测模型能够很好地反演水稻植株叶绿素(SPAD)含量, 其中, R2=0.758, RMSE=1.532。 在此基础上, 利用多角度成像三维建模方法建立具备纹理信息的水稻三维模型, 将最优预测模型应用于水稻综合纹理图, 得到水稻叶绿素含量三维空间分布信息, 从而实现水稻生长情况以及叶绿素养分分布状况的快速无损检测。

作物信息科学的重要内容是如何利用作物的信息对其进行无损营养诊断, 光谱分析是一种有效可行的途径。 对于油菜而言, 冠层光谱的特征是描述其营养状况的重要指标。 但由于原始光谱总是受到一些如环境、 气候等外在因素的影响, 其巨大的波动导致难以直接用于油菜生物量的诊断。 然而, 光谱的多重分形特征将保持相对稳定。 为研究油菜冠层光谱与叶绿素含量的关系, 基于多重分形理论, 提出了基于油菜冠层光谱特征的叶绿素定量预测模型和定性识别模型。 以24个移栽种植小区和24个直播种植小区的高油酸油菜苗期样本为试验对象。 首先, 利用流行的多重分形去趋势波动分析提取了6个不同波段范围内光谱的广义Hurst指数和质量指数及其他相关的特征参数, 发现它们都呈现典型的多重分形特性。 但两种不同种植方式下的光谱特征也存在差异。 接着, 通过多重分形特征参数与SPAD值的相关分析发现不同波段的光谱所含的有效信息不同。 以多重分形特征参数建立单变量油菜叶片SPAD值预测模型, 移栽方式、 直播方式及混合样本的预测模型相对均方根误差均小于5%。 最后, 以多重分形特征组合建立识别模型, 以Fisher线性判别法识别移栽和直播两种种植方式的最大约登指数为0.902 5, 对应最敏感波段为350~1 350 nm。 这项有意义的工作为预测油菜叶绿素提供了理论基础和实践方法, 也为寻找敏感波段进行识别诊断提供了有效的途径。

研究和建立在收获前对小麦籽粒品质快速无损预测的技术, 本文利用31个小麦品种材料, 对五个不同时期所测小麦顶一叶至顶四叶的SPAD值进行分析, 获得SPAD值随取样时期及叶位的变化规律; 利用近红外光谱测定蛋白质含量的方法获得材料的籽粒蛋白质含量, 建立叶片SPAD值与成熟期籽粒蛋白质含量的相关关系。 发现顶一叶SPAD递减速率与籽粒蛋白质含量之间呈现明显的负相关, 直线拟合方程为y=－3.210　9x+14.286, 相关系数r=－0.849　0。 经显著性分析推断顶一叶SPAD值的递减速率与籽粒蛋白质含量存在着十分显著的直线相关关系。 因此可以利用顶一叶SPAD值的递减速率来对籽粒蛋白质含量进行预测, 以减轻品质育种工作量, 指导育种实践。