張銳 廖桂平 王訪(fǎng) 劉凡

摘要：以湖南省為研究區(qū)，探索不同栽培因子條件下油菜的高光譜特征，建立基于高光譜特征的葉綠素預(yù)測(cè)模型，并將其應(yīng)用于田間生產(chǎn)實(shí)踐，以期為油菜營(yíng)養(yǎng)診斷、高產(chǎn)栽培和生產(chǎn)管理的信息化提供一定的理論依據(jù)和技術(shù)支撐。使用便攜式地物光譜儀和SPAD-502葉綠素儀分別對(duì)油菜冠層反射光譜和SPAD值進(jìn)行實(shí)測(cè)，分析不同栽培因子條件下角果期的油菜冠層光譜特征，并得到其相應(yīng)的紅邊參數(shù)（包括紅邊位置、紅邊振幅與紅邊面積），最后運(yùn)用多種方法對(duì)紅邊參數(shù)與角果期的油菜SPAD值進(jìn)行相關(guān)性分析，以期建立SPAD值的最佳反演模型。結(jié)果表明，在紅光波段（680～760 nm），油菜角果期的冠層反射光譜趨于穩(wěn)定，冠層的三峰兩谷現(xiàn)象比較明顯，而且在整個(gè)角果期，紅邊位置都穩(wěn)定在760 nm這個(gè)點(diǎn)，不隨栽培因子的改變而改變。但是栽培因子對(duì)紅邊振幅和紅邊面積有著明顯影響，因此可用紅邊參數(shù)來(lái)預(yù)測(cè)油菜的SPAD值。經(jīng)過(guò)5種不同的建模比較分析可以得出，基于支持向量機(jī)（SVM）的預(yù)測(cè)模型最好，R2為0.912 6，均方誤差為0.326 6。

關(guān)鍵詞：油菜;紅邊特征;SPAD值;相關(guān)分析;回歸模型

中圖分類(lèi)號(hào)： S565.4?文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2019）20-0255-05

作物葉片的SPAD值反映了作物葉綠素含量的相對(duì)高低，它已經(jīng)成為一種評(píng)價(jià)作物長(zhǎng)勢(shì)狀況的重要參考指標(biāo)[1]。因此，了解作物的葉綠素含量及其變化，對(duì)作物群體營(yíng)養(yǎng)診斷、長(zhǎng)勢(shì)監(jiān)測(cè)及估產(chǎn)具有重要意義。近年來(lái)，隨著高光譜遙感技術(shù)的快速發(fā)展，遙感手段已經(jīng)可以在光譜維度上展開(kāi)，并且可直接對(duì)地物進(jìn)行微弱光譜差異的定量分析，在作物遙感研究與應(yīng)用中表現(xiàn)出強(qiáng)大優(yōu)勢(shì)[1]。作物葉片的高光譜信息在可見(jiàn)光范圍內(nèi)主要受葉綠素、類(lèi)胡蘿卜素的影響，因此可以用作物的高光譜參數(shù)來(lái)估測(cè)葉片的葉綠素含量。油菜是世界上主要的油料作物，也是我國(guó)生產(chǎn)種植面積最大的油料作物[2]，因此，利用高光譜技術(shù)估測(cè)油菜葉片的葉綠素含量（SPAD值）的研究具有重要意義。

紅邊是由于作物在紅光波段的強(qiáng)吸收以及在近紅外波段的強(qiáng)反射，使光譜反射率在680～760 nm區(qū)域內(nèi)陡然上升，形成了綠色作物光譜最明顯的特征，與作物的葉綠素含量、氮含量等生理參數(shù)之間具有很好的相關(guān)性[3]。據(jù)姚付啟等報(bào)道，在國(guó)外，Carter等將680～760 nm這一波段范圍內(nèi)冠層光譜特征曲線(xiàn)的一階導(dǎo)數(shù)最大值定義為“紅邊”位置，接著進(jìn)行了關(guān)于“紅邊”位置同葉綠素等色素之間關(guān)系的探討[4];Pinar等提出，植被的冠層光譜“紅邊”位置能夠非常好地反映單位面積農(nóng)作物的葉綠素含量[4]。在國(guó)內(nèi)，有研究指出，上層葉片的紅邊位置與葉綠素含量之間存在密切的聯(lián)系[4]。有研究者于2004年測(cè)量了水稻、玉米、棉花3種作物不同生長(zhǎng)期的高光譜反射率及其相應(yīng)葉片的葉綠素含量等，分析了它們的紅邊參數(shù)與葉片色素含量的相關(guān)性[4]。黃敬峰等在2003至2008年研究了紅邊參數(shù)與葉面積指數(shù)（LAI）的相關(guān)性，因而建立了反演估算模型[5-6]。宋開(kāi)山等測(cè)量了大豆冠層的高光譜反射率，接著分析了其與葉綠素含量的相關(guān)性[7]。在利用紅邊參數(shù)來(lái)估測(cè)綠色植物的葉綠素含量方面，國(guó)內(nèi)外已經(jīng)有很多研究成果，但是在油菜方面的應(yīng)用較少，有的研究也只是基于冬前，關(guān)于油菜角果期的研究卻很少，而角果是油菜最重要的器官，其光合能力和潛力直接決定了油菜的產(chǎn)量[8]。因此，研究油菜角果的高光譜特征以及不同栽培因子下紅邊特征與葉綠素的相關(guān)性，能夠很好地提高油菜的光合作用效率并解決其“源”“庫(kù)”之間的沖突，這對(duì)于增加油菜的產(chǎn)出、提升油菜籽的質(zhì)量以及油菜的大規(guī)模、機(jī)械化生產(chǎn)具有巨大的價(jià)值。

本研究以長(zhǎng)沙市耘園實(shí)驗(yàn)基地作為研究區(qū)，以油菜為研究對(duì)象，選擇栽植密度、施肥量等作為試驗(yàn)因子，研究栽植密度與施肥量對(duì)油菜光譜特征的影響，旨在建立基于冠層高光譜的葉綠素預(yù)測(cè)模型，并將其應(yīng)用到田間生產(chǎn)實(shí)踐中，為油菜營(yíng)養(yǎng)診斷、高產(chǎn)栽培和生產(chǎn)化管理提供一定的理論依據(jù)和技術(shù)支持。

1?材料與方法

1.1?試驗(yàn)設(shè)計(jì)與數(shù)據(jù)獲取

1.1.1?試驗(yàn)設(shè)計(jì)?試驗(yàn)于2016年9月至2017年5月在湖南農(nóng)業(yè)大學(xué)內(nèi)耘園基地（地理位置為113°09′E，28°19′N(xiāo)）進(jìn)行，試驗(yàn)用地為水旱輪作地。試驗(yàn)用油菜品種為油菜708（由隆平高科股份有限公司提供），栽植密度設(shè)為低密度（15萬(wàn)株/hm2）、中密度（30萬(wàn)株/hm2）和高密度（45萬(wàn)株/hm2）3個(gè)水平，施肥量設(shè)為低（225 kg/hm2）、中（487.5 kg/hm2）、高（750 kg/hm2）3個(gè)水平。所用肥料為從俄羅斯進(jìn)口的復(fù)合肥，其氮（N）、磷（P）、鉀（K）（即N+P2O5+K2O）含量為45%。施用硼肥、化學(xué)除草、抗旱等由試驗(yàn)區(qū)統(tǒng)一實(shí)施。例如，播前進(jìn)行一次封閉除草，苗期施用1次藥劑防蚜蟲(chóng)和菜青蟲(chóng)，油菜生長(zhǎng)后期施用1次藥劑防菌核病。共設(shè)9個(gè)處理（表1），3次重復(fù)，共計(jì)27個(gè)小區(qū)，均為隨機(jī)小區(qū)，小區(qū)面積為16 m2（長(zhǎng) 8 m，寬2 m）。

1.1.2?數(shù)據(jù)的獲取?在油菜的角果期采用美國(guó)ASD公司生產(chǎn)的FieldSpec3Hi-Hi-Res便攜式地物光譜儀測(cè)定不同處理小區(qū)冠層的高光譜反射率，光譜儀波段范圍為325～2 500 nm，其中，325～1 000 nm采樣間隔為1.4 nm，光譜分辨率為3 nm;1 001～2 500 nm采樣間隔為1.1 nm，光譜分辨率為8 nm。光譜測(cè)量選擇在晴朗無(wú)云、風(fēng)力較弱的天氣進(jìn)行，測(cè)量時(shí)間為10：30—14：00。試驗(yàn)小區(qū)共計(jì)27個(gè)，每個(gè)處理小區(qū)隨機(jī)均勻地選取5個(gè)點(diǎn)進(jìn)行測(cè)量，取其平均值作為該小區(qū)的高光譜反射率，并且在每個(gè)小區(qū)測(cè)量之前，進(jìn)行1次白板校正[6]，然后在同一小區(qū)內(nèi)再次測(cè)量角果期油菜葉片的SPAD值，測(cè)量所用儀器是日本美能達(dá)公司生產(chǎn)的SPAD-502葉綠素儀，每塊小區(qū)測(cè)定5張葉片的SPAD值，均勻地選取各小區(qū)長(zhǎng)勢(shì)比較居中的樣本進(jìn)行測(cè)量，測(cè)量時(shí)選擇油菜主莖從上往下數(shù)第3張葉片，每張葉片沿葉周選測(cè)5個(gè)均勻的葉片SPAD值，取平均值作為該采樣點(diǎn)的葉片SPAD值，并對(duì)5個(gè)測(cè)定值取平均作為該試驗(yàn)小區(qū)的葉綠素含量相對(duì)值。

本研究共完成12次田間試驗(yàn)與數(shù)據(jù)采集，由于本研究主要針對(duì)的是油菜角果時(shí)期的特征，因此選取2017年3月26日和4月13日的數(shù)據(jù)用于研究。

1.2?分析方法

1.2.1?高光譜數(shù)據(jù)的處理?使用地物光譜儀自帶的View Spec數(shù)據(jù)后處理軟件，對(duì)原始數(shù)據(jù)進(jìn)行處理，先轉(zhuǎn)換為txt格式的文檔，然后導(dǎo)入Excel，進(jìn)行原始光譜的一階微分變換并截取680～760 nm范圍內(nèi)反射率的一階導(dǎo)數(shù)，從而計(jì)算各個(gè)紅邊參數(shù)。紅邊振幅Dλred是波長(zhǎng)680～760 nm內(nèi)光譜反射率的一階導(dǎo)數(shù)的最大值;紅邊位置λred是紅邊振幅對(duì)應(yīng)的波長(zhǎng);紅邊面積Sλred是680～760 nm內(nèi)一階導(dǎo)數(shù)光譜所包圍的面積。

1.2.2?估算模型的方法?（1）線(xiàn)性回歸模型。線(xiàn)性回歸是數(shù)理統(tǒng)計(jì)中基于回歸分析的一種統(tǒng)計(jì)分析方法。在回歸分析中，只包含1個(gè)獨(dú)立變量和1個(gè)因變量，兩者之間的關(guān)系可以近似看作1條直線(xiàn)。這種回歸分析被稱(chēng)為一元線(xiàn)性回歸模型分析，其表達(dá)式如下：y=kx+b，其中，b為誤差服從均值為0的正態(tài)分布。二元線(xiàn)性回歸是有2個(gè)自變量的線(xiàn)性回歸，是依據(jù)2個(gè)自變量和1個(gè)因變量之間的關(guān)系進(jìn)行預(yù)測(cè)的方法。二元線(xiàn)性回歸的公式如下：y=k1x1+k2x2+b?；诙€(xiàn)性回歸的預(yù)測(cè)方法、原理和步驟與基于一元線(xiàn)性回歸的預(yù)測(cè)方法沒(méi)有根本性差異，基本上相同。

（2）多項(xiàng)式回歸。若對(duì)于可控變量x和隨機(jī)變量y進(jìn)行m（m>n）次獨(dú)立的觀(guān)測(cè)（xi，yi）（i=1，2，3，…，m），則y（因變量，也被稱(chēng)為響應(yīng)變量）和x（自變量）之間的回歸模型為yi=p1xin+p2n-1+…+pnxi+pn+1，其中，p1，p2，…，pi為未知參數(shù)。

（3）BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)的算法有2個(gè)步驟：1個(gè)是正向和反向傳播，另1個(gè)是權(quán)值修正。在第1個(gè)步驟中，正向傳播時(shí)，要把1個(gè)需要輸入的學(xué)習(xí)樣本輸入到神經(jīng)網(wǎng)絡(luò)中，經(jīng)過(guò)每層的權(quán)值加權(quán)以及激活函數(shù)的映射，一直傳到最后1層，得到輸出神經(jīng)元的1個(gè)結(jié)果;而反向傳播時(shí)，要把計(jì)算出來(lái)的這個(gè)輸出結(jié)果與理想的輸出相比較，計(jì)算它們的誤差，然后將這個(gè)誤差再反向傳播到每層神經(jīng)元中。在第2步誤差反向傳播的權(quán)值修正中，采用的是梯度下降法的原則[9-10]。

（4）支持向量機(jī)（SVM）回歸。支持向量機(jī)是與相關(guān)學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，可以分析數(shù)據(jù)、識(shí)別模型，用于回歸和分類(lèi)。支持向量回歸的基本思想就是通過(guò)1個(gè)非線(xiàn)性映射到高維特征空間，并在這個(gè)特征空間進(jìn)行線(xiàn)性回歸[11]。支持向量機(jī)最開(kāi)始是做分類(lèi)的，但是為了利用支持向量機(jī)解決回歸擬合問(wèn)題，所以在支持向量機(jī)分類(lèi)的基礎(chǔ)上引入了不敏感損失函數(shù)，從而得到了回歸型支持向量機(jī)。并且，在支持向量機(jī)應(yīng)用于回歸擬合時(shí)，其基本思想不再是尋找1個(gè)最佳超平面來(lái)使2類(lèi)樣本分開(kāi)，而是尋找1個(gè)最佳超平面，使所有樣本點(diǎn)距該最佳超平面的誤差最小。

1.2.3?模型檢測(cè)?將檢測(cè)數(shù)據(jù)參數(shù)帶入研究得到的反演模型中。通過(guò)預(yù)測(cè)值和實(shí)際值的計(jì)算對(duì)比，可以得到均方誤差（MSE）和決定系數(shù)（R2）。MSE越小，R2約接近1，證明預(yù)測(cè)模型越好。具體有：（1）均方誤差越小，表明模型的性能越好;（2）決定系數(shù)的范圍在[0，1]內(nèi)，愈接近1，表明模型的性能越好;反之，愈接近0，表明模型的性能越差。

2?結(jié)果與分析

2.1?冠層光譜的紅邊參數(shù)

通過(guò)一階微分計(jì)算出每種處理方式下的一階微分曲線(xiàn)，然后截取其中紅光波段（680～760 nm）的曲線(xiàn)。從圖1、表2可以看出，在整個(gè)油菜角果期，紅邊位置都穩(wěn)定在 760 nm 這個(gè)點(diǎn)，說(shuō)明油菜在角果期的紅邊位置不隨栽培因子的變化而發(fā)生改變;油菜角果冠層光譜紅邊特征在680～750 nm 出現(xiàn)的雙峰兩谷現(xiàn)象也很明顯，其中雙峰分別在 687～689、717～719 nm，兩谷則分別在690～691、720～721 nm，完全符合綠色植物的光譜特征，同時(shí)具備油菜特有的雙峰現(xiàn)象，因此能夠從這些特定的位置來(lái)識(shí)別油菜角果期的冠層光譜信息，這也與黃敬峰等關(guān)于水稻冠層一階光譜在紅光區(qū)域存在“雙峰”現(xiàn)象的研究結(jié)論[6]相同。

分析本研究測(cè)得的角果期油菜冠層光譜紅邊參數(shù)可以得出，油菜角果期的紅邊位置為760 nm，紅邊振幅在 0.030 990～0.036 491之間，紅邊面積在0.309 525～0.400 972 之間，其中處理T9的紅邊振幅最大，但紅邊面積最小，處理T3的紅邊振幅最小，但紅邊面積最大，推測(cè)其主要原因，可能由于隨著供氮量的增加，葉片葉綠素含量升高，植物新陳代謝能力加強(qiáng)。因而在不同栽培因子條件下，油菜角果的冠層光譜值存在一定差異，即不同栽培因子對(duì)油菜角果冠層光譜有影響。

2.2?油菜紅邊參數(shù)與SPAD值的相關(guān)性反演研究

對(duì)角果期的油菜數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，其中油菜的樣本容量為27株，通過(guò)MATLAB對(duì)油菜樣本的紅邊參數(shù)與葉片SPAD值之間進(jìn)行相關(guān)性分析，進(jìn)而建立角果期紅邊參數(shù)與葉片SPAD值的回歸模型。

2.2.1?一元線(xiàn)性回歸?利用MATLAB對(duì)紅邊參數(shù)的單一變量紅邊振幅和紅邊面積進(jìn)行分析，建立單一變量紅邊振幅和紅邊面積與葉片SPAD值的線(xiàn)性方程，其中紅邊振幅和紅邊面積作為自變量，葉片SPAD值作為因變量，可以得出圖2、圖3的線(xiàn)性回歸方程。關(guān)于紅邊振幅和葉片SPAD值的一元線(xiàn)性回歸方程為y=55.831-409.57x，其決定系數(shù)為0.436 6，均方誤差為1.53;關(guān)于紅邊面積和SPAD值的一元線(xiàn)性回歸方程為y=26.287+44.65x，其決定系數(shù)為0.665 0，均方誤差為1.18。以紅邊面積作為自變量建立的回歸模型的決定系數(shù)比以紅邊振幅作為自變量建立的模型的決定系數(shù)要大，并且均方誤差要小，可見(jiàn)使用紅邊面積作為自變量建立的模型要更精確。

2.2.2?多元線(xiàn)性回歸?多元線(xiàn)性回歸分析就是要研究因變量與2個(gè)或2個(gè)以上自變量的回歸問(wèn)題。紅邊參數(shù)中的紅邊振幅和紅邊面積都與葉片SPAD值具有較好的一元關(guān)系。為了探索精確度更高的估算回歸模型，建立上述2個(gè)顯著變量與油菜葉片SPAD值的多元線(xiàn)性回歸模型。經(jīng)過(guò)MATLAB軟件的分析處理，建立的多元回歸模型為y=-113.44x1+37.693x2+32.582（其中：x1為紅邊振幅，x2為紅邊面積），該模型的R2為0.682，MSE為1.170，均優(yōu)于單個(gè)變量的回歸模

型，估算精度得到了提高。

2.2.3?一元多項(xiàng)式回歸?使用MATLAB對(duì)紅邊參數(shù)的單一變量（紅邊振幅和紅邊面積）與葉片SPAD值分別進(jìn)行二次、三次多項(xiàng)式回歸擬合。由圖4、圖5可以看出，紅邊振幅的二次多項(xiàng)式擬合方程為y=0.057 53x2-1.331x+41.82，r2為 0.437，MSE為1.564;紅邊振幅的三次多項(xiàng)式擬合方程為 y=-0.754 3x3+0.063 93x2-0.011 8x+41.91，r2為0.526，MSE為1.467。紅邊面積的二次多項(xiàng)式擬合方程為y=0.343x2+1.692x+41.55，r2為0.694，MSE為1.153;紅邊面積的三次多項(xiàng)式擬合方程為y=-0.097 91x3+0.341 1x2+1.887x+41.53，r2為0.695，MSE為1.175。

2.2.4?BP神經(jīng)網(wǎng)絡(luò)?以油菜冠層角果期的葉片作為試驗(yàn)樣本，建立以高光譜紅邊參數(shù)為自變量的傳統(tǒng)回歸模型，然后將從中優(yōu)選的紅邊參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，將油菜葉片的SPAD值作為輸出。利用MATLAB編程對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，首先對(duì)數(shù)據(jù)進(jìn)行隨機(jī)抽取，分作2組，1組作為訓(xùn)練集（n=20），用以建立回歸模型，1組作為測(cè)試集（n=7），用以進(jìn)行精度檢查，然后對(duì)輸入、輸出變量進(jìn)行歸一化處理，數(shù)據(jù)被壓縮到[0，1]的范圍中，以使訓(xùn)練階段容易收斂，最后建立BP神經(jīng)網(wǎng)絡(luò)的葉片SPAD值估算模型及精度檢驗(yàn)，模型的訓(xùn)練值和目標(biāo)值均方誤差MSE為0.240 6，決定系數(shù)為 0.724 0，模擬結(jié)果較精確。模型的檢驗(yàn)結(jié)果如圖6、表3所示，可見(jiàn)預(yù)測(cè)值與實(shí)際值的MSE為0.114 7，決定系數(shù)為 0.802 4，模型的預(yù)測(cè)效果良好。

2.2.5?支持向量機(jī)?以油菜冠層角果期的葉片作為試驗(yàn)樣本，建立起以高光譜紅邊參數(shù)為自變量的傳統(tǒng)回歸模型，利用MATLAB編程對(duì)SVM模型進(jìn)行訓(xùn)練。首先對(duì)數(shù)據(jù)進(jìn)行隨機(jī)抽取，分作2組，1組作為訓(xùn)練集（n=20），用以建立回歸模型，1組作為測(cè)試集（n=7），用以進(jìn)行精度檢查，然后對(duì)輸入、輸出變量進(jìn)行歸一化處理，數(shù)據(jù)被壓縮到[0，1]的范圍中，以使訓(xùn)練階段容易收斂，最后建立基于SVM的油菜紅邊參數(shù)及葉片SPAD值估算模型并進(jìn)行精度檢驗(yàn)，由圖7可知，模型的訓(xùn)練值和目標(biāo)值均方誤差為0.038 5，決定系數(shù)為0.856 7，模擬結(jié)果很好。模型的檢驗(yàn)結(jié)果如圖8所示，預(yù)測(cè)值與實(shí)際值的均方誤差為0.326 6，決定系數(shù)為0.912 6，模型的預(yù)測(cè)效果較為精確。

3?討論

本研究利用高光譜對(duì)角果期油菜的葉片SPAD值進(jìn)行了估算研究，為油菜的葉片SPAD值高精度估算提供了重要的理論依據(jù)。通過(guò)對(duì)油菜冠層高光譜特征曲線(xiàn)的分析可知，油菜角果的光譜特征在680～760 nm這一范圍出現(xiàn)的雙峰兩谷現(xiàn)象很明顯，而整個(gè)油菜角果期的紅邊位置都穩(wěn)定在760 nm這點(diǎn)，可作為油菜角果期識(shí)別與反演的重要標(biāo)志，這與黃敬峰等的研究結(jié)果[6]相同。在角果期不同栽培因子條件下，油菜光譜反射率的整體變化趨勢(shì)相同，但是在不同栽培條件下，油菜的冠層光譜值存在著一定差異，即不同栽培因子對(duì)油菜冠層光譜有影響，結(jié)果表明，在3.3 kg/hm2+667株/hm2這一栽培條件下，油菜的長(zhǎng)勢(shì)最好，可以推測(cè)是由于隨著單位植株供氮量的增加，葉片葉綠素含量增加，植物的新陳代謝能力加強(qiáng)。

本研究結(jié)論具有一定的代表性，但是還存在一些不足，研究初步得出的結(jié)論都是基于同一年份以及同一地點(diǎn)進(jìn)行的，加上試驗(yàn)樣本有限，而且試驗(yàn)樣本為同一種油菜品種，此外采集光譜數(shù)據(jù)的人不同，操作儀器的方式也不可能完全一致，另外還受到天氣、環(huán)境以及設(shè)備的影響。因此，基于冠層光譜的油菜角果紅邊參數(shù)和SPAD值估算模型的預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性以及所建立的模型是否適用于其他油菜品種類(lèi)型和指導(dǎo)大面積生產(chǎn)仍需要進(jìn)一步試驗(yàn)與論證。

4?結(jié)論

本研究以油菜作為對(duì)象，利用微分技術(shù)獲取光譜參數(shù)，分析葉片SPAD值與高光譜特征參數(shù)的相關(guān)關(guān)系，建立起了估算油菜葉片SPAD值的線(xiàn)性回歸模型、多項(xiàng)式回歸模型、BP神經(jīng)網(wǎng)絡(luò)模型以及支持向量機(jī)回歸模型，并對(duì)各模型的反演精度進(jìn)行比較分析，得出基于紅邊參數(shù)構(gòu)建的支持向量機(jī)回歸模型是估算油菜葉片SPAD值的最優(yōu)模型，其決定系數(shù)R2為0.912 6，均方誤差為0.326 6。

參考文獻(xiàn)：

[1]朱西存，趙庚星，姜遠(yuǎn)茂，等. 基于高光譜紅邊參數(shù)的不同物候期蘋(píng)果葉片的SPAD值估測(cè)[J]. 紅外，2011，32（12）：31-38.

[2]張秀英，皇甫海燕，陳菁菁，等. 高油酸油菜的研究進(jìn)展及前景[J]. 作物研究，2007，60（增刊1）：654-656，661.

[3]楊榮超，田海清，李?斐，等. 基于甜菜冠層高光譜紅邊參數(shù)的SPAD值診斷[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（11）：153-156.

[4]姚付啟，張振華，楊潤(rùn)亞，等. 基于紅邊參數(shù)的植被葉綠素含量高光譜估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2009，25（增刊2）：123-129.

[5]王福民，王?淵，黃敬峰. 不同氮素水平油菜冠層反射光譜特征研究[J]. 遙感技術(shù)與應(yīng)用，2004，26（2）：80-84.

[6]黃敬峰，王?淵，王福民，等. 油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2006，22（8）：22-26.

[7]宋開(kāi)山，張?柏，王宗明，等. 基于小波分析的大豆葉綠素a含量高光譜反演模型[J]. 植物生態(tài)學(xué)報(bào)，2008，32（1）：152-160.

[8]張耀文，趙小光，關(guān)周博，等. 油菜角果光合特性研究現(xiàn)狀及改良思路[J]. 中國(guó)油料作物學(xué)報(bào)，2017，39（5）：704-713.

[9]李媛媛，常慶瑞，劉秀英，等. 基于高光譜和BP神經(jīng)網(wǎng)絡(luò)的玉米葉片SPAD值遙感估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（16）：135-142.

[10]楊可明，張婉婉，卓?偉，等. 紅邊光譜諧波分析的神經(jīng)網(wǎng)絡(luò)法葉綠素含量反演研究[J]. 科學(xué)技術(shù)與工程，2016，16（24）：19-24.

[11]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.