陳秀青，楊 琦，韓景曄，林 琳，史良勝

武漢大學(xué)水資源與水電工程科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430072

引 言

葉片含水量是監(jiān)測(cè)植物生理狀態(tài)，評(píng)估干旱脅迫、火災(zāi)風(fēng)險(xiǎn)的重要指標(biāo)，快速、準(zhǔn)確地獲取葉片含水量是進(jìn)行作物干旱診斷以及灌溉決策的前提。高光譜遙感技術(shù)憑借快速、高效和無(wú)損的優(yōu)勢(shì)，已被廣泛應(yīng)用于作物生物理化參量的定量監(jiān)測(cè)[1]。Thomas等[2]研究葉片含水量與光譜反射率之間的關(guān)系，結(jié)果表明1 450和1 930 nm波段的反射率與葉片相對(duì)含水量顯著相關(guān)。Curran等[3]發(fā)現(xiàn)由水和其他分子中O—H鍵的伸縮和彎曲產(chǎn)生分子能級(jí)變化會(huì)引起目標(biāo)光譜以970，1 200，1 450，1 940和2 500 nm為中心的吸收區(qū)域的相應(yīng)變化。田慶久等[4]、王紀(jì)華等[5]研究發(fā)現(xiàn)，冬小麥葉片含水量與光譜反射率在1 450 nm附近的特征吸收峰深度和面積呈良好的線性正相關(guān)。根據(jù)眾多學(xué)者研究可知葉片含水量敏感波段主要集中在近紅外(NIR，700～1 300 nm)和短波紅外區(qū)域(SWIR，1 300～2 500 nm)，光譜水分吸收帶主要在970，1 200，1 450，1 940和2 500 nm附近。同時(shí)，導(dǎo)數(shù)光譜可以消除背景噪聲，解決重疊光譜現(xiàn)象。Danson等[6]發(fā)現(xiàn)，1 450 nm處的光譜反射率一階導(dǎo)數(shù)曲線與葉片含水量關(guān)系密切，并且對(duì)葉片結(jié)構(gòu)不敏感。Kumar[7]也發(fā)現(xiàn)葉片含水量與葉片尺度一階導(dǎo)數(shù)光譜具有統(tǒng)計(jì)相關(guān)。Clevers等[8]發(fā)現(xiàn)在1 015～1 050 nm內(nèi)的一階導(dǎo)數(shù)光譜反射率能夠很好地估算葉片含水量。

目前利用高光譜遙感數(shù)據(jù)估算作物水分的方法有兩種：一是基于作物敏感波段反射率的統(tǒng)計(jì)法[9]，二是基于物理過(guò)程的輻射傳輸模型反演法[10]。相比于機(jī)理模型的反演，統(tǒng)計(jì)法更簡(jiǎn)單方便，且同樣能夠獲得較好的估算效果。本工作著重探討統(tǒng)計(jì)回歸方法對(duì)葉片含水量的估算。所有統(tǒng)計(jì)回歸方法中應(yīng)用最廣泛的是植被指數(shù)法，然而采用植被指數(shù)的經(jīng)驗(yàn)?zāi)Ｐ屯ǔＪ腔谀骋蛔魑镌谔囟l件下建立，且僅采用兩個(gè)或幾個(gè)波段的信息，不能全面地解釋與葉片含水量的相關(guān)性，往往導(dǎo)致模型缺乏通用性和精度。相比之下，偏最小二乘回歸(partial least squares regression，PLSR)作為全波段方法，在利用全波段信息的同時(shí)能夠有效解決高光譜數(shù)據(jù)在普通多元回歸中的多重相關(guān)問(wèn)題。Cho等[11]通過(guò)利用PLSR進(jìn)行牧草干物質(zhì)估算，證明PLSR具有估算作物理化參量的可行性。Mirzaie等[9]研究表明PLSR模型對(duì)預(yù)測(cè)葉片水分有較高的精度，Das等[12]研究表明相比于植被指數(shù)，逐步回歸等統(tǒng)計(jì)模型，PLSR模型對(duì)冬小麥葉片含水量的預(yù)測(cè)效果最好。但PLSR并不總能提供最佳預(yù)測(cè)效果，因?yàn)橛行┎ǘ尾荒軌蛱峁┠繕?biāo)變量的信息，甚至可能干擾有用信息[13]。為了減少冗余波段信息的干擾，敏感波段篩選至關(guān)重要。Li等[14]根據(jù)達(dá)爾文進(jìn)化理論中的“適者生存”原則提出了競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣(competitive adaptive reweighted sampling，CARS)特征波段提取方法，研究表明通過(guò)CARS篩選的波段能夠提高PLSR模型預(yù)測(cè)能力和穩(wěn)健性[15]。

目前采用CARS-PLSR方法進(jìn)行葉片含水量估算的應(yīng)用較少，且少有學(xué)者同時(shí)對(duì)比基于不同尺度、不同光譜處理形式的多種統(tǒng)計(jì)回歸模型對(duì)葉片含水量的預(yù)測(cè)效果。本研究以此為切入點(diǎn)，通過(guò)設(shè)置冬小麥灌溉水平，人為制造不同水分脅迫水平，在冬小麥拔節(jié)期至灌漿期獲取葉片、冠層尺度的光譜數(shù)據(jù)，進(jìn)行原始和一階導(dǎo)數(shù)兩種處理，采用兩波段植被指數(shù)、PLSR以及CARS-PLSR三種方法構(gòu)建葉片含水量估算模型，同時(shí)與傳統(tǒng)經(jīng)典水分植被指數(shù)模型作比較，確定葉片含水量最優(yōu)估算模型，為快速、準(zhǔn)確地監(jiān)測(cè)冬小麥葉片含水量及田間灌溉決策提供方法依據(jù)。

1 實(shí)驗(yàn)部分

1.1 試驗(yàn)設(shè)計(jì)

本研究共設(shè)2個(gè)冬小麥筒栽試驗(yàn)，于2016年—2018年在武漢大學(xué)灌溉排水綜合試驗(yàn)場(chǎng)進(jìn)行(30.5°N，114.4°E)。冬小麥種植于軌道式稱重蒸滲儀測(cè)筒內(nèi)，測(cè)筒直徑為0.64 m，深為1.2 m。測(cè)筒回填土為粘土，飽和含水率為48.19%，田間持水率為30.81%，容重為1.36 g·m-3。冬小麥品種為鄭麥9023，播種量為187.5 kg·ha-1，氮施用量為225 kg N·ha-1。播種時(shí)間分別為2016年11月16日以及2017年11月18日，通過(guò)人工控制灌水水平，以土壤水分下限為灌水信號(hào)，設(shè)置不同水分處理。在2016年—2017年試驗(yàn)中，設(shè)CK(control check), LD(light drought), MD(middle drought), SD(severe drought)4個(gè)水分處理(分別為田間持水率的80%，60%，40%，30%)，隨機(jī)分組，每組3個(gè)重復(fù)；在2017年—2018年試驗(yàn)中，設(shè)CK，LD和SD共3個(gè)水分處理(分別為田間持水率的80%，60%，40%)，隨機(jī)分組，每組4個(gè)重復(fù)。各試驗(yàn)于拔節(jié)期進(jìn)行水分差異處理，持續(xù)到灌漿期結(jié)束。測(cè)筒上方配有遮雨棚，下雨時(shí)雨棚自動(dòng)關(guān)閉。

1.2 光譜采集與預(yù)處理

采用美國(guó)ASD公司生產(chǎn)的FieldSpec FR4(350～2 500 nm)地物光譜儀獲取冬小麥的葉片和冠層反射率光譜。光譜測(cè)量前后用白板進(jìn)行校正，光譜儀光纖探頭視場(chǎng)角為25°。冠層光譜測(cè)量時(shí)將探頭垂直向下高于冠層頂部約1 m，每個(gè)測(cè)筒測(cè)定1次，每次重復(fù)測(cè)量10次，以其平均值作為該測(cè)筒的光譜反射值。光譜測(cè)定選擇在晴朗無(wú)云的天氣，測(cè)量時(shí)間為10:00—14:00。所有光譜反射率數(shù)據(jù)通過(guò)配套軟件ViewSpecPro處理得到。冠層光譜剔除350～400，1 350～1 400，1 800～1 950以及2 400～2 500 nm的水分吸收帶，并采用S-G濾波平滑, 其中每個(gè)窗口用21個(gè)數(shù)據(jù)點(diǎn)進(jìn)行二項(xiàng)式擬合。葉片光譜測(cè)量采用地物光譜儀配套的葉片夾，每個(gè)測(cè)筒隨機(jī)選取三片長(zhǎng)勢(shì)良好、伸展充分的旗葉進(jìn)行測(cè)量，每片葉片重復(fù)測(cè)量5次，以其平均值作為該測(cè)筒的光譜反射值。數(shù)據(jù)采集的日期及其對(duì)應(yīng)的生育期如表1所示。分別采集葉片、冠層光譜各120份，隨機(jī)選取84份用于建立模型(建模集)，剩下的36份用于驗(yàn)證模型(驗(yàn)證集)。

表1 光譜數(shù)據(jù)采集日期及對(duì)應(yīng)的冬小麥生育Table 1 Date of hyperspectral data acquisition and growth stage of winter wheat

1.3 葉片含水量測(cè)定

待葉片光譜測(cè)定完成后，立即將上述葉片取下，放入自封袋中(放置陰涼處)。將葉片放入鋁盒中稱取鮮重后，置于烘箱以65 ℃烘至恒重，測(cè)定其干重。葉片含水量按照式(1)進(jìn)行測(cè)定，其統(tǒng)計(jì)特征見(jiàn)表2。其中FW(fresh weight)為葉片鮮重，DW(drought weight)為干重。

LWC=(FW-DW)/DW

(1)

1.4 數(shù)據(jù)分析方法

植被指數(shù)是被廣泛使用于獲取作物生物物理變量。不同形式的植被指數(shù)對(duì)與植被特征相關(guān)的光譜信號(hào)增強(qiáng)效果不同，其中最常見(jiàn)的形式是比值型指數(shù)。因此通過(guò)在350～2 500 nm波段范圍內(nèi)，將任意兩個(gè)波段進(jìn)行組合分別構(gòu)造兩波段指數(shù)：歸一化差值(NDSI)和比值(RSI)光譜指數(shù)[式(2)和式(3)]，分析其與冬小麥葉片含水量的關(guān)系，建立估算模型。

NDSI=(Rλ1-Rλ2)/(Rλ1+Rλ2)

(2)

RSI=Rλ1/Rλ2

(3)

其中Rλ1和Rλ2分別為350～2 500 nm波段范圍內(nèi)的任意波段光譜反射率。

PLSR方法由Wold等[16]在1983年提出，其最大優(yōu)勢(shì)就是能夠在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行有效回歸建模。與PCA不同的是，PCA的主成分僅取決于自變量的方差，而PLSR的潛變量通過(guò)考慮自變量以及目標(biāo)變量之間的協(xié)方差，增加了預(yù)測(cè)準(zhǔn)確性。但全波段PLSR模型包含大量冗余波段信息，為提高PLSR模型的預(yù)測(cè)性，采用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣(competitive adaptive reweighted sampling, CARS)方法進(jìn)行敏感波段提取，主要步驟：(1)蒙特卡洛模型抽樣N次，分別建立PLS回歸模型；(2)采用指數(shù)遞減函數(shù)(EDF)強(qiáng)制選擇波段，去除回歸系數(shù)絕對(duì)值相對(duì)較小的波長(zhǎng)；(3)采用自適應(yīng)重采樣進(jìn)行波長(zhǎng)競(jìng)爭(zhēng)性選擇，選出回歸系數(shù)絕對(duì)值較大的波長(zhǎng)；(4)交叉驗(yàn)證，選擇最小RMSE對(duì)應(yīng)的變量子集。本文將比較CARS-PLSR與PLSR的預(yù)測(cè)效果，驗(yàn)證波段選取的有效性。

表2 冬小麥葉片含水量的統(tǒng)計(jì)特征Table 2 LWC of winter wheat during different growth stages

模型構(gòu)建與驗(yàn)證分析在Matlab R2014a中完成。模型預(yù)測(cè)精度選取建模集和驗(yàn)證集的決定系數(shù)R2，均方根誤差RMSE以及相對(duì)均方根誤差RRMSE三個(gè)參數(shù)作為檢測(cè)指標(biāo)，其計(jì)算公式見(jiàn)式(4)—式(6)。

(4)

(5)

(6)

2 結(jié)果與討論

2.1 原始光譜與一階導(dǎo)數(shù)光譜經(jīng)驗(yàn)植被指數(shù)相關(guān)性分析

將所有獲取的葉片含水量與對(duì)應(yīng)的高光譜反射率(R)及一階導(dǎo)數(shù)光譜反射率(FDR)進(jìn)行相關(guān)分析[圖1(a,b)]。結(jié)果顯示，在葉片尺度，原始光譜在1 520～1 550 nm范圍內(nèi)呈現(xiàn)顯著負(fù)相關(guān)(取|R|最大值的前1%，下同)，最大相關(guān)系數(shù)波長(zhǎng)為1 533 nm(r=-0.81)。一階導(dǎo)數(shù)光譜在1 880～1 900 nm范圍內(nèi)呈現(xiàn)顯著負(fù)相關(guān)，在1 960～1 980 nm范圍內(nèi)呈現(xiàn)顯著正相關(guān)，最大相關(guān)系數(shù)波長(zhǎng)為1 973 nm(r=0.86)。在冠層尺度，原始光譜在1 950～1 965和1 995～2 010 nm范圍內(nèi)呈現(xiàn)顯著負(fù)相關(guān)，最大相關(guān)系數(shù)波長(zhǎng)為1 959 nm(r=-0.60)。一階導(dǎo)數(shù)光譜在555～580 nm范圍內(nèi)和1 738 nm附近呈現(xiàn)顯著負(fù)相關(guān)，在1 580 nm附近呈現(xiàn)顯著正相關(guān)，最大相關(guān)系數(shù)波長(zhǎng)為563 nm(r=-0.63)。結(jié)果表明，在葉片尺度，原始光譜和一階導(dǎo)數(shù)光譜的水分敏感波段都位于短波紅外區(qū)域(1 300～2 500 nm)；在冠層尺度，原始光譜的水分敏感波段均位于短波紅外區(qū)域，而一階導(dǎo)數(shù)光譜的水分敏感波段則分布在綠光區(qū)域以及短波紅外區(qū)域，與前人研究結(jié)果相似[17]。

圖1 冬小麥葉片含水量與原始光譜及一階導(dǎo)數(shù)光譜反射率的相關(guān)性(a): 葉片尺度光譜；(b): 冠層尺度光譜

2.2 葉片、冠層尺度下冬小麥LWC模型構(gòu)建與分析

2.2.1 兩波段植被指數(shù)回歸建模

基于原始光譜，一階導(dǎo)數(shù)光譜分別構(gòu)建葉片、冠層尺度的兩波段植被指數(shù)(NDSI，RSI)，通過(guò)植被指數(shù)與葉片含水量的R2等值線圖進(jìn)行敏感波段組合篩選(圖2)，模型預(yù)測(cè)效果匯總于表3。

由圖2可以看出，對(duì)比不同指數(shù)類型，NDSI與RSI對(duì)LWC的敏感波段組合類似，相同的敏感波段組合下，RSI比NDSI與LWC有更高的R2；對(duì)比不同尺度光譜可知，構(gòu)建的葉片光譜指數(shù)與冠層光譜指數(shù)與LWC具有類似的敏感區(qū)域，不同波段組合下，葉片光譜指數(shù)與LWC的相關(guān)性大于冠層光譜指數(shù)；對(duì)比不同光譜處理類型可知，原始光譜指數(shù)的敏感波段組合主要分布在近紅外(750～1 300 nm)和短波紅外波段(1 300～1 900 nm)范圍內(nèi)，而一階導(dǎo)數(shù)光譜指數(shù)的敏感波段組合主要分布在短波紅外波段范圍(1 300～2 100 nm)內(nèi)，對(duì)比原始光譜指數(shù)，一階導(dǎo)數(shù)光譜R2等值線圖中峰值帶寬較小。

由表3可知，對(duì)于葉片尺度，NDSI(R1 162，R1 321)，RSI(R1 162，R1 321)與葉片含水量相關(guān)性最高(驗(yàn)證集R2為0.871和0.872，RMSE為0.354和0.352)，在冠層尺度，NDSI(R1 653，R1 683)，RSI(R1 684，R1 652)與葉片含水量相關(guān)性最高(驗(yàn)證集R2為0.811和0.817，RMSE分別為0.482和0.474)。同樣利用一階導(dǎo)數(shù)光譜進(jìn)行指數(shù)構(gòu)建，在葉片尺度，NDSI(R1 381，R1 977)，RSI(R1 977，R1 380)與葉片含水量相關(guān)性最高(驗(yàn)證集R2為0.764和0.753，RMSE為0.498和0.508)，在冠層尺度，NDSI(R563，R1 509)，RSI(R1 288，R766)與葉片含水量相關(guān)性最高(驗(yàn)證集R2為0.490和0.669，RMSE為0.935和0.764)。

圖2 NDSI，RSI與LWC的決定系數(shù)R2等值線圖(a): NDSI-葉片原始光譜；(b)：NDSI-葉片一階導(dǎo)數(shù)光譜；(c)：NDSI-冠層原始光譜；(d)：NDSI-冠層一階導(dǎo)數(shù)光譜；(e): RSI-葉片原始光譜；(f)：RSI-葉片一階導(dǎo)數(shù)光譜；(g)：RSI-冠層原始光譜；(h): RSI-冠層一階導(dǎo)數(shù)光譜

表3 新構(gòu)建的植被指數(shù)對(duì)冬小麥葉片含水量估算效果分析Table 3 Results of model performance analysis by calibration and validation data sets

2.2.2 PLSR/CARS-PLSR回歸建模

PLSR采用留一法(leave-one-out)進(jìn)行交叉驗(yàn)證，通過(guò)使交叉驗(yàn)證集的RMSE最小確定最優(yōu)潛變量個(gè)數(shù)。將所有數(shù)據(jù)隨機(jī)分成建模集(70%)和驗(yàn)證集(30%)，考慮到抽樣本身具有隨機(jī)性，故為提高模型預(yù)測(cè)效果的穩(wěn)健性，研究中進(jìn)行了10 000次重復(fù)抽樣，取驗(yàn)證集R2出現(xiàn)頻率最高時(shí)對(duì)應(yīng)的建模與驗(yàn)證子集作為模型運(yùn)行數(shù)據(jù)集。其中CARS波段篩選結(jié)果見(jiàn)圖3，PLSR與CARS-PLSR回歸模型的預(yù)測(cè)效果匯總于表4。

由圖3可知，CARS-PLSR篩選出的波段大致分為兩部分，一部分在1 200，1 450，1 950，2 100以及2 350 nm等水分敏感波段附近，另一部分在可見(jiàn)光及紅邊等與色素、脅迫強(qiáng)度相關(guān)的波段范圍內(nèi)，與Cater等[17]的研究結(jié)果一致。

根據(jù)表4，PLSR與CARS-PLSR回歸模型無(wú)論在葉片還是冠層尺度的預(yù)測(cè)效果都較好(R2>0.66，RRMSE<14%)。對(duì)比不同方法可知，無(wú)論是基于不同尺度還是不同光譜處理形式，CARS-PLSR僅利用不足全波段2%的波段數(shù)信息，就獲得優(yōu)于PLSR的預(yù)測(cè)效果，表明CARS方法能夠篩選出對(duì)葉片含水量較敏感的波段。通過(guò)分析兩種方法驗(yàn)證集R2分布[圖4(a—h)]可以看出，在10 000次隨機(jī)抽樣中，CARS-PLSR方法驗(yàn)證集的R2分布比PLSR更集中且更靠近1，且頻率最高點(diǎn)對(duì)應(yīng)的被選次數(shù)更高，這表明全波段的PLSR方法包含與LWC無(wú)關(guān)的波段信息，一定程度上影響PLSR對(duì)LWC的預(yù)測(cè)效果。相比之下，通過(guò)CARS提取特征波段可以保留有效波段信息，剔除無(wú)效波段信息，降低模型的復(fù)雜程度，獲得較高的預(yù)測(cè)能力。因此CARS-PLSR模型對(duì)LWC的預(yù)測(cè)效果比PLSR模型好且具有更強(qiáng)的穩(wěn)健性。對(duì)比基于葉片、冠層光譜的模型可以發(fā)現(xiàn)，基于葉片光譜的模型驗(yàn)證集R2分布均比基于冠層光譜的更集中且更接近1，可以說(shuō)明基于葉片光譜建模的預(yù)測(cè)效果優(yōu)于基于冠層光譜的建模且更具有穩(wěn)健性。對(duì)比基于原始光譜和一階導(dǎo)數(shù)光譜模型可以發(fā)現(xiàn)，在CARS-PLSR方法中，基于一階導(dǎo)數(shù)光譜的模型預(yù)測(cè)效果優(yōu)于基于原始光譜模型。

圖3 平均光譜以及CARS方法篩選出的波段(a): 葉片-原始光譜；(b): 葉片-一階導(dǎo)數(shù)光譜；(c): 冠層-原始光譜；(d): 冠層-一階導(dǎo)數(shù)光譜

再對(duì)比2.2.1中構(gòu)建的兩波段指數(shù)，PLSR以及CARS-PLSR模型的預(yù)測(cè)能力優(yōu)于兩波段指數(shù)模型，究其原因是PLSR以及CARS-PLSR利用了更多與LWC相關(guān)波段信息，避免了兩波段指數(shù)模型存在的有效信息“丟失”問(wèn)題，因此具有更佳的預(yù)測(cè)效果。

表4 PLSR，CARS-PLSR對(duì)冬小麥葉片含水量估算效果分析Table 4 Results of model performance analysis by calibration and validation data sets

作物中葉片含水量的及時(shí)評(píng)估對(duì)于作物的干旱診斷和精確水分管理至關(guān)重要。分別比較了三種不同統(tǒng)計(jì)方法對(duì)冬小麥葉片含水量的預(yù)測(cè)效果。結(jié)果表明：三種方法中，基于葉片一階導(dǎo)數(shù)光譜的CARS-PLSR模型對(duì)LWC的預(yù)測(cè)效果最好，CARS方法能提取與葉片含水量密切相關(guān)的敏感波段，從而提高模型預(yù)測(cè)效果。相比之下，兩波段指數(shù)方法會(huì)“丟失”一些有效波段信息，而PLSR方法可能會(huì)包含一些具有干擾性的無(wú)效波段信息。

在三種方法中，葉片尺度的LWC估算效果均優(yōu)于冠層尺度。但是，葉片尺度下的光譜監(jiān)測(cè)難以向大區(qū)域推廣。結(jié)果表明，在沒(méi)有葉片光譜觀測(cè)的條件下，基于冠層原始光譜的三種方法也可以達(dá)到較好的LWC預(yù)測(cè)效果(R2>0.81)，其中基于冠層一階導(dǎo)數(shù)光譜的模型在CARS-PLSR方法下取得較好的預(yù)測(cè)效果(R2=0.881)。從光譜特性可知，葉片含水量敏感波段處于近紅外與短波紅外范圍，考慮到葉片結(jié)構(gòu)以及葉面積指數(shù)影響的波段也主要處于短波紅外范圍，因此兩波段指數(shù)以及CARS所篩選出的波段可能不僅僅對(duì)LWC敏感，同時(shí)所選波段的內(nèi)在機(jī)理仍有待進(jìn)一步研究，以期選出普適的波段組合。

本試驗(yàn)的水分差異處理從拔節(jié)后期開(kāi)始一直持續(xù)至冬小麥成熟。通過(guò)人為設(shè)置不同水分差異處理，在不同生育期獲取葉片含水量數(shù)據(jù)。由于不同生育期造成葉片含水量變化的原因不同，在作物生長(zhǎng)期，葉片含水量降低主要受水分脅迫影響，而在作物生殖期，葉片開(kāi)始衰老，葉片含水量自然降低，葉片含水量的變化并非單純受到水分脅迫的影響。因此，未來(lái)的研究應(yīng)考慮劃分生育期構(gòu)建葉片含水量估算模型。另外，試驗(yàn)設(shè)計(jì)目前缺乏不同作物品種間的對(duì)比，且研究結(jié)論是否適合小區(qū)試驗(yàn)或大田試驗(yàn)，在今后也需要深入研究。

3 結(jié) 論

(1)對(duì)比三種不同統(tǒng)計(jì)回歸的方法，發(fā)現(xiàn)基于葉片一階導(dǎo)數(shù)光譜的CARS-PLSR模型對(duì)LWC的預(yù)測(cè)效果最好(R2=0.969，RMSE=0.164，RRMSE=6.00%)。

(2)在兩波段植被指數(shù)法中，NDSI與RSI具有相似的水分敏感區(qū)域，其中基于葉片原始光譜的NDVI(R1 162，R1 321)和RSI(R1 162，R1 321)模型對(duì)葉片含水量預(yù)測(cè)效果最好。在相同情況下RSI對(duì)葉片含水量的預(yù)測(cè)效果優(yōu)于NDSI。

圖4 PLSR模型驗(yàn)證集R2分布圖(a,b,c,d)；CARS-PLSR模型驗(yàn)證集R2分布圖(e,f,g,h)(a): PLSR-葉片原始光譜；(b)：PLSR-葉片一階導(dǎo)數(shù)光譜；(c)：PLSR-冠層原始光譜；(d)：PLSR-冠層一階導(dǎo)數(shù)光譜；(e): CARS-PLSR-葉片原始光譜；(f)：CARS-PLSR-葉片一階導(dǎo)數(shù)光譜；(g)：CARS-PLSR-冠層原始光譜；(h): CARS-PLSR-冠層一階導(dǎo)數(shù)光譜

(3)對(duì)比原始、一階導(dǎo)數(shù)光譜兩種光譜處理形式，在兩波段指數(shù)和PLSR方法中，基于原始光譜的模型對(duì)葉片含水量的預(yù)測(cè)效果優(yōu)于基于一階導(dǎo)數(shù)光譜的模型，在CARS-PLSR方法中，結(jié)果相反。