王 宇,汪 泓,*,肖玖軍,李可相,邢 丹,張永亮,陳 陽,張藍月

(1.貴州大學 礦業(yè)學院,貴州 貴陽 550025; 2.貴州科學院 貴州省山地資源研究所,貴州 貴陽 550001; 3.貴州省土地綠色整治工程研究中心,貴州 貴陽 550001; 4.貴州省農業(yè)科學院 辣椒研究所,貴州 貴陽 550009)

葉綠素與植被的光合作用密切相關,是直接影響植被生長狀況和健康狀況的重要參數[1],實時、大面積地對其進行監(jiān)測具有十分重要的意義。傳統(tǒng)葉綠素測量方法多費時費力,且提取過程中易造成色素損失[2]。便攜式葉綠素儀測量值(SPAD值)和葉綠素含量具有較好的相關性,作物SPAD值是反映葉片葉綠素含量的有效指標,SPAD值越大,表明葉片葉綠素含量越高[3],因此,便攜式葉綠素儀被廣泛運用到作物葉片葉綠素估算中。高光譜遙感技術因其圖像分辨率高、波段連續(xù)性強、高效無損等特點成為了農作物生長狀況快速監(jiān)測的有效手段[4]。融合SPAD值與高光譜遙感技術可實現對作物葉片葉綠素快速、無損、高效反演[5],為開展精準農業(yè)提供了重要的科學依據。

貴州是中國乃至世界重要的辣椒種植基地,其辣椒種植面積和年產量均占全國的1/6,全球的1/10,品種豐富多樣,但目前針對辣椒葉片葉綠素反演的研究還未見報道,因此有必要進行相關研究。近年來,葉綠素反演成為當下研究熱點,洪帥等[6]、王鑫梅等[7]對同一作物不同生育期的葉綠素進行了反演研究;田軍倉等[8]分析了同一植株不同層次的葉綠素含量差別;張東彥等[9]利用無人機對植株進行多角度拍攝以研究多角度成像對葉綠素含量反演的影響。目前,對同一作物不同品種尋求最佳反演模型的研究較少。變換光譜是光譜研究中常用的改變光譜特性的方法之一,它能有效降低周圍噪聲和放大光譜特征[10-12],利用變換光譜替換植被指數中的原始光譜,既可以有效降低周圍噪聲和放大光譜特征,又可以減少算法流程和數據量。目前已有學者在其他領域應用此方法并取得很好的效果,如張賢龍等[13]將高光譜數據進行了15種變換,突出了光譜的混合信息,其研究結果表明,在log(1/R)′光譜變換下歸一化土壤指數(normalized differential soil index, NDSI)的土壤鹽分估算模型精度最高;段丹丹等[14]提出用對數光譜替換經典植被指數的原始光譜擴大了光譜差異,有效突出了光譜特征,其搭建的多元線性回歸模型是多生育期茶葉游離氨基酸含量估算的最佳模型。以上研究表明,光譜變換后的優(yōu)化植被指數不僅可以提高模型的精度,還具有較高的普適性。前人針對辣椒葉綠素反演的研究少且內容單一[15-17],郭宏亮等[16]提出利用多元線性回歸模型反演辣椒葉綠素含量,但此模型存在諸多問題:如變量間存在多重共線性問題、數據容易“過擬合”,模型的穩(wěn)定性和普適性也都將受到影響[18]。機器學習算法可以有效處理多變量復雜的非線性模型,能有效地代表復雜的非線性關系,且光譜信息能被充分利用進而提高模型精度。其中,隨機森林模型(random forest, RF)因建模結果較精確、不易對噪聲和異常情況發(fā)生反應和出現“過擬合”現象,不需要檢驗變量的正態(tài)性和獨立性等優(yōu)勢[19]被廣泛地應用到農業(yè)參數的反演中。如武旭梅等[20]研究表明,基于多個植被指數組合的水稻冠層葉綠素含量反演最佳模型為隨機森林模型。陳瀾等[5]研究表明,隨機森林模型具備可以平衡不同數據集之間的整體誤差、模型運算性能高等優(yōu)點。王慶等[21]對比分析了偏最小二乘回歸和隨機森林回歸兩種回歸模型反演甜菜SPAD值、塊根鮮重等參數的差異性,提出隨機森林模型在精度上優(yōu)于偏最小二乘回歸。袁自然等[17]研究也表明,隨機森林模型為檢測辣椒葉片葉綠素含量的最佳模型。

本研究以貴州遵義地區(qū)主栽辣椒類型朝天椒(辣研101號,紅全球)和線椒(黔椒8號和紅辣18號)為研究對象,以辣椒SPAD值和高光譜數據為基礎,利用變換光譜對經典植被指數進行優(yōu)化,篩選優(yōu)化植被指數組合,以隨機森林回歸算法為研究方法對辣椒SPAD值進行估測研究,重點解決以下問題:1)對比分析不同品種辣椒SPAD值和高光譜數據之間的關系;2)探究優(yōu)化植被指數組合對辣椒SPAD值估測模型的影響;3)優(yōu)選高普適性模型,實現適用于多品種辣椒SPAD值的快速反演,從而為實時監(jiān)測辣椒生長發(fā)育狀況提供理論基礎和技術支持。

1 材料與方法

1.1 試驗區(qū)概況與試驗設計

試驗區(qū)位于貴州省遵義市新蒲新區(qū)貴州省農業(yè)科學院辣椒研究所官莊示范基地(104°18′20″E、25°19′44″N)。該試驗區(qū)屬亞熱帶季風氣候,年平均降水量為1 200 mm,日照充足,適宜種植辣椒。本實驗于2021年9月在決定辣椒產量和品質的盛果期[22]進行樣本采集,每個品種各48個,共采集192個樣本。

小區(qū)試驗采用兩因素裂區(qū)設計,以4個品種辣椒為主區(qū),分別是黔椒8號、紅辣18號、辣研101號、紅全球;以氮肥施用量為副區(qū),施用4種不同氮肥用量,分別為0、200、350、500 kg·hm-2,基追肥比例1∶1。試驗共16個水平組合,重復3次,共計48個小區(qū),每小區(qū)面積28.8 m2。各處理磷肥、鉀肥施肥量一致,磷肥施用量為150 kg·hm-2(以P2O5計,折純),作基肥一次性施入;鉀肥施用量為300 kg·hm-2(以K2O計,折純),按基追肥1∶1進行,追肥在初花期施用。有機肥按照每667 m2100 kg一次性基施。其中,氮肥為尿素(N質量分數46.4%),磷肥為過磷酸鈣(P2O5質量分數16%),鉀肥為硫酸鉀(K2O質量分數50%)。試驗采用軟盤基質育苗,于2021年4月9日播種,移栽前按照1.2 m廂寬起壟,在椒苗達到8片真葉時以株行距0.3 m×0.6 m進行定植。四周設保護行,留0.3 m過道便于田間調查,田間管理同大田生產。

1.2 數據采集與處理

1.2.1 數據采集

采用美國ASD FieldSpec4 Standard-Res便攜式地物光譜儀采集辣椒冠層光譜,測量波長為350～2 500 nm,取樣間距為1 nm。選擇天氣晴朗、無風時測定冠層光譜,測定時間為當地時間10:00—15:00,傳感器探頭選用25°視場角的裸光纖,裸光纖垂直向下,距離辣椒冠層葉片高度約20 cm。每測定5株植株進行一次白板優(yōu)化,每株植株重復測量5次,取平均值作為該樣本冠層光譜值。

采用日本生產的SPAD-502(soil plant analysis development)葉綠素儀測定樣本SPAD值,SPAD值能作為指示作物葉片葉綠素含量的相對值,SPAD值測定與光譜測量同步進行。每株植株隨機選取15～20片代表性葉片進行測量,每片葉片選取上、中、下部測定6～10次,測量時避開葉脈位置,取代表性葉片的平均值作為辣椒SPAD值

1.2.2 光譜變換方法

由于葉綠素的光譜相應波段位于可見光波段和紅外波段[23],故本研究選取400～1 800 nm波段進行研究。為增強光譜反射率和葉綠素之間的相關性,消除周圍噪聲和土壤反射率等對辣椒光譜的影響,用MATLAB軟件對辣椒光譜進行Savitzky-Golay(SG)平滑處理作為原始光譜FR,將原始光譜進行倒數、對數、倒數對數、一階微分和二階微分變換,其變換后光譜反射率分別記為F1/R、FlgR、Flg(1/R)、FR′、FR″。

1.3 植被指數選擇與組合

在前人的基礎上,篩選與葉綠素相關性較高的8個植被指數(vegetation index, VI)(表1):歸一化植被指數(NDVI)[24]、修正型葉綠素吸收植被指數(MCARI)[25]、改進型葉綠素吸收植被指數(TCARI)[26]、土壤調節(jié)植被指數(OSAVI)[27]、陸地植被指數(MTCI)[28]、葉綠素吸收率指數(CARI)[27]、TCARI/OSAVI(T/O)[26]、紅邊葉綠素指數(CIrededge)[29]。由這8個植被指數構成反演辣椒SPAD值的經典植被指數組合,再分別用光譜變換生成5種優(yōu)化植被指數組合,共6種植被指數組合,記為FR-VI、F1/R-VI、FlgR-VI、Flg(1/R)-VI、FR′-VI、FR″-VI。

表1 辣椒SPAD值統(tǒng)計性分析

INDV=(R800-R650)/(R800+R650);

(1)

IMCAR=[(R700-R670)-0.2(R700-R550)]/(R700/R670);

(2)

ITCAR=3[(R700-R670)-0.2(R700-R550)]/(R700/R670);

(3)

IOSAV=1.16(R800-R650)/(R800+R650+0.16);

(4)

IMTC=(R750-R710)/(R710-R680);

(5)

ITCARI/OSAVI={3[(R700-R670)-0.2(R700-R550)]/(R700/R670)}/1.16(R800-R650)/(R800+R650+0.16);

(6)

ICAR=(R700-R670)-0.2(R700+R670);

(7)

ICrededge=(R780-R800)/(R690-R720)-1。

(8)

式(1)～(8)中:IND表示NDVI的值,IMCAR表示MCARI的值,ITCAR表示TCARI的值,IOSAV表示OSAVI的值,IMTC表示MTCI的值,ITCARI/OSAVI表示TCARI/OSAVI的值,ICAR表示CARI的值,ICrededg表示CIrededge的值,R550表示波長為550 nm的原始波段,R650表示波長為650 nm的原始波段,R670表示波長為670 nm的原始波段,R680表示波長為680 nm的原始波段,R690表示波長為690 nm的原始波段,R700表示波長為700 nm的原始波段,R710表示波長為710 nm的原始波段,R720表示波長為720 nm的原始波段,R750表示波長為750 nm的原始波段,R780表示波長為780 nm的原始波段,R800表示波長為800 nm的原始波段。

1.4 模型構建與精度評價

將植被指數組合中的8個指數作為自變量,實測SPAD值作為因變量,采用MATLAB軟件建立隨機森林模型,樣本集劃分采用SPXY法,其中75%的樣本作為建模集,25%的樣品作為驗證集。

1.4.1 模型構建方法

隨機森林模型是當前最好的回歸模型之一,在數據集上表現良好,訓練時速度快,較為容易實現,是通過集成學習的思想將多棵樹集成的一種算法,主要用于高維數據分類和回歸,即隨機森林包含了多個CART決策樹,決策樹是隨機森林的基本單位,每棵決策樹代表一個分類器,隨機森林將集成所有的分類投票結果,選取投票次數最多的結果進行輸出,其本質就是集成學習法[30]。本研究中最優(yōu)樹個數為100,最優(yōu)葉子節(jié)點個數為3。輸入的變量為由光譜數據組成的訓練集轉變到主成分空間所得到的數據,輸出的因變量為由葉綠素實測值組成的訓練集。

1.4.2 精度評價

評價指標選用決定系數(R2)和平均絕對誤差(MAD),通過對比2個評價指標選出最佳模型。其中,預測模型分為3個等級,當決定系數R2≥0.75且MAD≥2.0時,說明模型預測效果非常好;當0.5≤R2≤0.75且1.4≤MAD≤2.0時,說明模型預測效果一般,可對模型進行改進;當R2<0.5且MAD<1.4時,說明模型預測效果較差[31]。具體見式(9)～式(10)。

(9)

VMAD=VSD/VRMSE。

(10)

2 結果與分析

2.1 不同品種辣椒SPAD值統(tǒng)計性分析

采用SPXY算法對樣本進行劃分,其中辣研101號、紅全球、黔椒8號和紅辣18號4個品種建模集36個,驗證集12個;全樣本建模集144個,驗證集48個,劃分結果如表1所示:辣研101號的SPAD值最低(29.4),紅全球SPAD值居中,黔椒8號SPAD值的最大值和平均值均最高(79.9、60.65),變異系數最小的是紅辣18號(0.09)。4個品種辣椒的SPAD值存在明顯差異,不同品種和全樣本變異系數均小于30%,說明樣本劃分合理。

2.2 不同品種的辣椒冠層光譜特性分析

由圖1可以看出,不同品種辣椒光譜反射率存在明顯差異。原始反射率大小表現為辣研101號>黔椒8號>紅辣18號>紅全球,一階微分、二階微分光譜反射率大小和原始光譜表現形式一致,且原始光譜和微分光譜反射率大小和不同品種辣椒的平均SPAD值表現一致;倒數光譜、對數光譜、倒數對數光譜反射率大小與原始光譜表現相反,表現均為紅全球>紅辣18號>辣研101號>黔椒8號。通過一階微分光譜反射率可得,紅邊位置在720 nm處,綠峰位置在521 nm處,由不同品種520～560 nm一階微分曲線位置變化規(guī)律可知,波長向短波方向移動[32],這一波段范圍出現“藍移”現象,且“藍移”的變化規(guī)律與4個品種辣椒平均SPAD值的表現一致。

A代表黔椒8號;B代表紅辣18號;C代表辣研101號;D代表紅全球。FR表示原始光譜反射率,F1/R表示倒數光譜反射率,FlgR表示對數光譜反射率,Flg(1/R)表示倒數對數光譜反射率,FR′表示一階微分光譜反射率,FR″表示二階微分光譜反射率。A represents Qianjiao No.8, B represents Hongla 18, C represents Layan 101, D represents Red Global. FRrepresents the original spectral reflectance, F1/R represents the reciprocal spectral reflectance, FlgR represents the logarithmic spectral reflectance, Flg(1/R) represents the reciprocal logarithmic spectral reflectance, FR′ represents the first-order differential spectral reflectance, FR″ represents the second-order spectral reflectance.圖1 不同品種辣椒變換光譜反射率Fig.1 Spectral reflectance of different pepper varieties

2.3 優(yōu)化植被指數與SPAD值相關性分析

為探究不同品種的優(yōu)化植被指數與SPAD值之間的相關性,將8個植被指數進行光譜替換,結果如圖2所示。經典植被指數中,辣研101號除CARI、MTCI、CIrededge外,其余4個植被指數均與SPAD值呈極顯著(P<0.01)相關,其中,植被指數NDVI與SPAD值相關性最高,相關系數絕對值為0.417;紅全球的SPAD值和植被指數相關性較差,只與NDVI呈顯著相關(P<0.05),相關系數絕對值為0.303;黔椒8號的SPAD值與植被指數相關性最好,與CARI、MCARI、TCARI、T/O均呈極顯著(P<0.01)相關,相關系數絕對值分別為0.520、0.542、0.542、0.279;紅辣18號中只有植被指數TCARI與SPAD值呈顯著(P<0.05)相關關系、T/O與SPAD值呈極顯著(P<0.01)相關關系,相關系數絕對值分別為0.288、0.364。優(yōu)化植被指數中,辣研101號微分光譜搭建的植被指數CARI、MCARI、MTCI、TCARI、CIrededge相關系數相比于經典植被指數顯著提升,MCARI、TCARI的所有替換形式均呈極顯著(P<0.01)相關,相關系數最高的是FR″-MTARI和FR″-TCARI,相關系數均為0.451。紅全球大部分優(yōu)化植被指數相關性不高,只有FR-NDVI、FlgR-NDVI、Flg1/R-NDVI與SPAD值呈現顯著(P<0.05)相關,其中FlgR-NDVI相關系數最高,相關系數絕對值為0.28。黔椒8號中基于1/R、lgR、lg1/R優(yōu)化的植被指數與經典植被指數相比相關系數無顯著變化,基于R、1/R、lgR、lg1/R搭建的CARI、MCARI、TCARI、T/O與SPAD值呈極顯著(P<0.01)相關,其微分光譜優(yōu)化植被指數效果差。紅辣18號中基于R、lgR和lg1/R搭建的CARI、MCARI、TCARI和T/O與SPAD值呈顯著(P<0.05)相關,其中FlgR-CARI、Flg1/R-CARI、FlgR-MCRAI和Flg1/R-MCRAI與SPAD值呈極顯著(P<0.01)相關,相關系數最高的植被指數是FlgR-MCRAI和Flg1/R-MCRAI,其絕對值均為0.49。

CARI,葉綠素吸收率指數;MCARI,修正型葉綠素吸收植被指數;MTCI,陸地植被指數;NDVI,歸一化植被指數;TCARI,改進型葉綠素吸收植被指數;OSVAI,土壤調節(jié)植被指數;CIrededge,紅邊葉綠素指數。CARI, Chlorophyll absorption ratio index; MCARI, Modified chlorophyll absorption ratio index; MTCI, MERIS terrestrial chlorophyll index; NDVI, Normalized difference vegetation index; TCARI, Transformed chlorophyll absorption in reflectance index; OSVAI, Optimized soil-adjusted vegetation index; CIrededge, Red edge chlorophyll index.圖2 SPAD值與植被指數相關性分析熱力圖Fig.2 Heat map of correlation analysis between SPAD and vegetation index

全樣本數據搭建的植被指數與SPAD值相關性如表2所示:經典植被指數中,只有CIrededge與SPAD顯著相關;而基于倒數對數優(yōu)化的植被指數,除了CARI和CIrededge,其他5個植被指數均呈現顯著(P<0.05)相關,相關系數絕對值取值范圍為0.14～0.22?；诘箶祵祪?yōu)化的植被指數除CIrededge外,其余植被指數的相關系數均高于經典植被指數,表明對光譜數據進行倒數對數變換能有效提高植被指數與SPAD值之間的相關性。

表2 全樣本優(yōu)化植被指數與SPAD值相關性分析

2.4 優(yōu)化植被指數組合的SPAD值估測模型

由表3分析可知,辣研101號中基于F1/R-VI和Flg1/R-VI搭建的模型精度相較于經典植被指數有明顯提升,其中基于F1/R-VI搭建模型的建模集R2、MAD分別為0.90、2.42,R2>0.75且MAD>2,驗證集R2、MAD分別為0.90、2.45,R2>0.75且MAD>2,模型預測效果最好。紅全球中基于Flg1/R-VI和FlgR-VI搭建的模型效果均較好,R2均大于0.75,MAD均大于1.4小于2,模型預測效果一般,其中基于Flg1/R-VI搭建的模型的驗證集表現較優(yōu),R2、MAD分別為0.94、1.58,R2>0.75且2>MAD>1.4。黔椒8號中基于FlgR-VI和Flg1/R-VI搭建的模型精度高于經典植被指數,其中Flg1/R-VI搭建的模型的建模集R2、MAD分別為0.87、2.24,驗證集的R2、MAD分別為0.83、2.07,建模集和驗證集的R2均大于0.75,MAD值均大于2,模型預測效果好。紅辣18號中FR-VI和FlgR-VI搭建的模型精度均較高,其中FR-VI模型的建模集精度最高,R2、MAD分別為0.83、1.95,R2>0.75,MAD>2,模型效果好;驗證集精度最高的是基于FlgR-VI搭建的模型,其R2、MAD分別為0.66、1.40,模型預測效果一般?；谌珮颖窘浀渲脖恢笖荡罱ǖ哪Ｐ途让黠@低于4個樣本的模型精度,其中基于Flg1/R-VI搭建的模型精度最優(yōu),建模集的R2、MAD分別為0.83、1.90,驗證集的R2、MAD分別為0.45、1.26,R2<0.5,MAD<1.4,建模集預測效果一般。微分光譜搭建的植被指數模型效果最差,不能對SPAD進行預測。

表3 優(yōu)化植被指數組合估算SPAD值的RF模型結果

綜上所述,辣研101號的最佳預測模型為F1/R-VI-RF(倒數光譜優(yōu)化的植被指數組合搭建的隨機森林模型),其次是Flg1/R-VI-RF;紅全球的最佳預測模型為Flg1/R-VI-RF,其次為FlgR-VI-RF;黔椒8號的最佳預測模型為Flg1/R-VI-RF,其次為FR-VI-RF;紅辣18號的最佳預測模型為FlgR-VI-RF,其次為FR-VI-RF?；诳倶颖镜淖罴涯Ｐ蜑镕lg1/R-VI-RF。辣研101、紅全球、黔椒8號、紅辣18號和全樣本SPAD值最優(yōu)模型實測值和預測值關系如圖3所示。

圖3 不同品種辣椒的SPAD值最優(yōu)估算模型實測值與預測值關系Fig.3 Relationship between the measured value and the predicted value of SPAD optimal estimation model of different varieties of pepper

3 討論

不同品種辣椒建模集SPAD值由大到小為黔椒8號、紅辣18號、紅全球、辣研101號,驗證集SPAD值由大到小為黔椒8號、紅辣18號、辣研101號、紅全球,不同品種辣椒SPAD值由大到小為黔椒8號、紅辣18號、辣研101號、紅全球。線椒SPAD值不論是建模集、驗證集還是全樣本都高于朝天椒,這是由于不同品種的辣椒外形不同,導致冠層葉片分布存在差異,線椒呈長線型,大多垂直懸掛于冠層葉片底部,而朝天椒果實較小且堅實,朝上生長。辣椒果實顏色不同會直接影響葉片葉綠素對光能的捕獲特性,影響作物進行光合作用等一系列生命活動,從而導致不同品種作物之間的SPAD值存在差異。

不同品種辣椒光譜曲線變化規(guī)律基本一致,但不同品種辣椒的冠層光譜特性存在差異。辣椒品種不同,其葉片組織結構和冠形也會存在差異[33],導致辣椒的反射率大小存在差異,且光譜變換方式不同,這種差異的顯著程度也不同。由原始光譜曲線可知,葉綠素對綠光吸收較低,所以在可見光區(qū)域(400～760 nm)辣椒葉綠素反射率較低;由于光合作用對紅光的吸收作用,在670 nm處形成了吸收谷,在“紅邊位置”反射率陡然增加至反射率最高位置,即反射率達到45%左右,這是由于葉綠素在強烈吸收紅光波段;在760～1 350 nm區(qū)域由于近紅外波段葉片內部進行了多次散射,反射率呈現波浪形下降,其反射率在20%～45%。

基于倒數、對數與倒數對數光譜優(yōu)化的植被指數搭建的模型精度表現較好,這與文獻[14]結論一致,其中基于倒數對數變換波段優(yōu)化的植被指數在不同品種和全樣本搭建的模型具有較好的普適性,主要在于倒數對數光譜可以突出譜線波形變化特征,增強多組光譜數據之間的峰谷特征差異,從而有利于從多譜線間的分異表現中提取敏感波段,改善對光譜特征相近地物的識別精度[34],這與文獻[35]的結論一致。經典的植被指數主要是為了放大紅外和近紅外光譜差異[36],倒數對數變換可進一步放大光譜差異,降低周圍噪聲,突出敏感波段[37]。研究表明,基于對數、倒數對數光譜優(yōu)化的植被指數與SPAD值之間的相關性具有一致性;類似植被指數TCARI、MCARI、OSAVI和TCARI/OSAVI這樣的表達式與SPAD值之間具有較好的相關性,且它們的優(yōu)化植被指數普適性相比經典植被指數有一定程度的提升,這可能與植被指數表達式構建原理有關。

盡管使用隨機森林模型有效解決了線性模型帶來的一系列包括過擬合問題,但過擬合現象是機器算法中常見的關鍵障礙,無法徹底避免。模型建模集和驗證集精度差異較為明顯,存在過擬合現象,這是由于遵義屬于典型的喀斯特地區(qū),地形態(tài)勢起伏不定,峰叢錯綜復雜[38],且采集光譜數據時對天氣要求高,測量時間有限,導致數據采集困難,樣本量采集過少,一定程度上影響了數據的泛化能力。

4 結論

不同品種辣椒葉片光譜反射率變化趨勢基本一致,但不同品種辣椒冠層光譜特性存在差異。原始光譜和微分光譜反射率大小變化趨勢與不同品種辣椒平均SPAD值表現一致;對數、倒數和倒數對數光譜反射率大小變化趨勢和不同品種辣椒平均SPAD值表現相反。建模集和驗證集SPAD值大小變化趨勢均是朝天椒小于線椒,線椒中黔椒8號的SPAD值不論建模集還是驗證集都高于其他品種?；诘箶祵倒庾V優(yōu)化的植被指數除了CIrededge外,其余植被指數的相關系數均高于經典植被指數。以Flg1/R優(yōu)化的植被指數組合建立的SPAD值預測模型,對不同品種和全樣本辣椒建模集和驗證集都具有較好的精度,適用于貴州遵義辣椒SPAD值的預測。

上述結果僅針對不同品種辣椒盛果期SPAD值進行研究,而不同生育期的冠層光譜和SPAD值都會存在差異,盛果期可能無法代替整個生育期的信息,該模型是否適用于其他生育期SPAD估算還有待進一步探索。