摘 要：氮肥對苧麻生長及產量品質形成具有重要意義。傳統(tǒng)氮素檢測方法存在費時、費力、時效性差等缺點；高光譜遙感技術能有效監(jiān)測作物多項生理指標，從而幫助實時掌握作物的生長態(tài)勢和營養(yǎng)情況。本研究設置4個施氮水平，即N0（不施肥）、N1（純氮273kg/hm2）、N2（純氮332kg/hm2）、N3（純氮390kg/hm2，常規(guī)施用量），以及2個追肥時期，即封行期（a）和旺長期（b），利用光譜技術分析不同處理苧麻在冠層和葉片兩個尺度下的光譜特征差異，然后通過分析多尺度高光譜數(shù)據(jù)與苧麻葉片氮含量（LNC）的相關性，分別采用偏最小二乘回歸（PLSR）、支持向量機（SVM）和隨機森林（RF）三種機器學習方法構建了關鍵生育時期（苗期、封行期、旺長期、成熟期）苧麻LNC估測模型，并進行了對比分析。結果表明：多個生育時期冠層光譜模型的精度都優(yōu)于葉片光譜模型，基于冠層光譜波段構建的苧麻LNC估測模型在成熟期精度最高（R2=0.795，RMSE=0.608），基于葉片光譜波段構建的苧麻LNC估測模型在旺長期精度最高（R2=0.670，RMSE=0.470）；采用RF算法構建的LNC估測模型在多個生育時期中表現(xiàn)效果最佳，總體性能穩(wěn)定且精度較高。綜上，基于多尺度高光譜技術的苧麻葉片氮含量估測是可行的，尤其基于冠層尺度的估測更易操作，這為苧麻氮素反演提供了更優(yōu)的手段。
關鍵詞：苧麻；葉片氮含量；高光譜；多尺度
苧麻是蕁麻科苧麻屬多年生草本纖維植物[1]。我國擁有豐富的苧麻種質資源，種植面積和原麻產量占世界的90%以上[2]。苧麻用途多樣，具有獨特的經濟[3-8]、藥用[9-10]、生態(tài)價值，發(fā)展前景廣闊。氮素是苧麻生長和產量品質形成所必需的最重要的營養(yǎng)元素[11]，快速準確地獲取苧麻氮素營養(yǎng)狀況，有助于科學、高效地制定氮肥管理策略，提高氮肥利用效率及降低環(huán)境污染。傳統(tǒng)苧麻氮素營養(yǎng)診斷方法以大田調查取樣、實驗室測量為主，這種方法耗費大量人力、物力和時間，很難實時、精準地獲取苧麻氮素狀況。隨著光譜技術的發(fā)展，高光譜遙感技術在作物葉綠素、葉面積指數(shù)以及氮磷鉀等各種生理生態(tài)參數(shù)的估測研究中廣泛應用并取得不少成果。如白雪嬌[12]找出了不同生育期冠層葉片氮含量、葉綠素含量及葉面積指數(shù)回歸擬合效果最好的光譜變量，并構建了估測模型。付虹雨等[13]基于無人機苧麻冠層RGB影像，通過數(shù)據(jù)融合和機器學習方法實現(xiàn)了苧麻產量估測。岳云開等[14]利用無人機多光譜遙感技術對苧麻葉綠素含量進行監(jiān)測，最終篩選出成熟期的隨機森林（RF）模型用于苧麻葉綠素含量反演。王仁紅等[15]研究發(fā)現(xiàn)利用高光譜手段反演氮營養(yǎng)指數(shù)具有可行性。張筱蕾等[16]利用高光譜成像技術實現(xiàn)了對油菜葉片氮含量快速監(jiān)測及氮素含量分布情況的可視化。Inoue等[17]利用400~900nm波段范圍的水稻冠層高光譜圖像構建了葉片氮素營養(yǎng)回歸模型。梁亮等[18]利用一階微分光譜構建歸一化氮指數(shù)，并建立了偏最小二乘回歸（PLSR）及支持向量機（SVM）算法的冠層氮含量估測模型。姚霞等[19]利用不同算法的紅邊位置建立了小麥冠層氮素含量估算模型，并進行了比較分析。薛利紅等[20]發(fā)現(xiàn)水稻冠層光譜反射率與葉片氮積累量呈顯著相關，尤其是近紅外與綠光波段的比值（R810/R560）與葉片氮積累量（LNA）呈顯著線性關系，不受氮肥水平和生育時期的影響，回歸方程為LNA=0.859R810/R560-1.1596?？梢?，利用該技術，通過分析不同氮營養(yǎng)狀況作物的冠層光譜差異，構建基于作物冠層光譜的氮素營養(yǎng)估測模型，能夠定量預測作物氮素含量。
為提高作物氮素營養(yǎng)估測精度，不少學者探索了不同尺度光譜源檢測作物氮素含量的潛力。楊天成[21]使用ASD（Analytical Spectral Devices）公司生產的FieldSpec3地物光譜儀獲取高光譜數(shù)據(jù)、無人機數(shù)據(jù)及模擬衛(wèi)星反射率數(shù)據(jù)，在葉片和冠層兩種尺度上構建了小麥鉀營養(yǎng)監(jiān)測的光譜模型。董淼[22]采用光譜分析與室內葉綠素含量化學分析相結合的方法，分別在葉片和冠層尺度上對紅富士蘋果光譜反射率進行分析，選取葉綠素含量光譜敏感波段進行模型的構建。Zhu等[23]使用葉片和冠層尺度的高光譜變量（H-變量）作為統(tǒng)計葉綠素含量（LCC）模型的輸入，通過Pearson相關過濾和遞歸特征消除程序確定了建模的最佳H-變量。李棟[24]利用連續(xù)小波分析方法，在葉片和冠層水平提取了葉綠素含量敏感的小波特征，并構建了基于小波特征的多尺度葉綠素估測模型。田明璐[25]研究發(fā)現(xiàn)冬小麥葉片和冠層SPAD值估算模型中，使用敏感光譜參數(shù)為自變量的支持向量回歸（SVR）精度最高。丁雅[26]在葉片和冠層尺度上分析了不同時期棗原始光譜和一階光譜反射率的變化特征，將不同時期葉片、冠層光譜與營養(yǎng)元素進行相關性分析，構建了棗葉片、冠層營養(yǎng)元素含量的高光譜估測模型。羅丹[27]通過對小麥葉片全氮含量與對應的冠層和葉片光譜數(shù)據(jù)進行相關性分析，確立了對氮素敏感的波段，并基于此建立估算葉片氮含量的模型，結果表明，基于徑向基函數(shù)（RBF）網絡在冠層和葉片尺度上構建的模型具有較高決定系數(shù)和較低誤差，在檢驗中R2均在0.9以上，RMSE均小于0.2，是估算葉片氮含量的最佳模型。以上研究表明，基于多尺度光譜數(shù)據(jù)利用高光譜技術估測作物葉片氮含量是可行的。
當前還未有利用多尺度光譜估測苧麻葉片氮含量的研究報道，為此，本研究基于不同生育時期冠層和葉片兩個尺度的光譜數(shù)據(jù)，通過分析光譜反射率與葉片全氮含量的相關性，利用PLSR、SVM、RF算法構建不同尺度的苧麻葉片全氮含量高光譜估測模型，以期為實時監(jiān)測苧麻氮素營養(yǎng)狀況及植株長勢提供技術支持。
1 材料與方法
1.1 試驗材料及試驗設計
試驗于2022年4—11月在湖南農業(yè)大學苧麻試驗基地進行（28°10′51′′N，113°04′34′′E），供試苧麻品種為中苧2號。試驗采用隨機區(qū)組設計，設置4個施氮水平：N0（不施氮肥）、N1（純氮273kg/hm2)、N2（純氮332kg/hm2）、N3（常規(guī)施肥量，純氮390kg/hm2）；另設有2個追肥時期，分別為封行期（a）和旺長期（b）。60%的氮肥基施，剩余40%的氮肥一次性追施。以N3水平封行期追肥作為CK，共7個處理（N0、N1-a、N1-b、N2-a、N2-b、CK、N3-b），每個處理重復3次，總共21個試驗小區(qū)。磷肥（P2O5150kg/hm2）和鉀肥（K2O300kg/hm2）均作為基肥一次性施入。
1.2 數(shù)據(jù)采集與處理
1.2.1 地面高光譜數(shù)據(jù)采集與處理
冠層高光譜數(shù)據(jù)利用FieldSpecHandHeld2便攜式地物光譜儀（ASD，美國）進行采集，儀器波長范圍325～1075nm，光譜分辨率3nm@700nm，光譜采樣間隔1.5nm，視場角25°。葉片高光譜數(shù)據(jù)利用FieldSpec3（ASD，美國）地物光譜儀進行采集，內置石英鹵素燈，光源穩(wěn)定。
于兩季苧麻（頭麻、二麻）的關鍵生育時期（苗期、封行期、旺長期、成熟期）進行數(shù)據(jù)采集，共進行了8次采集任務，均在晴朗無云少風天的10—14時完成。冠層光譜數(shù)據(jù)采集時，每小區(qū)測定前均用標準白板校正，然后每小區(qū)均勻選取2個采樣點，使儀器光纖探頭距苧麻冠層上方70cm進行測定，每個采樣點重復測定3次，以平均值作為該小區(qū)的冠層光譜反射率數(shù)據(jù)。葉片光譜測定前同樣進行白板校正，每個小區(qū)隨機選擇4蔸（選蔸后定蔸），每蔸選擇2株測得其倒三葉4條光譜數(shù)據(jù)，取平均值作為該葉片的最終光譜。
1.2.2 苧麻葉片全氮含量的測定
光譜測定完后，采集每個生育時期樣本點的苧麻倒三葉，裝入標記好的信封中帶回實驗室，放入烘箱104℃殺青30min后70~80℃烘干，稱重，然后采用凱氏定氮法測定苧麻葉片全氮含量（LNC）：將葉片樣品磨碎后進行消化，直至溶液變清澈透明為止，待消化液冷卻后，使用AA3型連續(xù)流動分析儀測定消化液中全氮含量，計算出苧麻葉片全氮含量。
1.3模型構建與評估
試驗共獲得兩季苧麻608個樣本的LNC數(shù)據(jù)，將每個生育時期的樣本（152個）隨機按3∶1比例劃分為訓練集和驗證集。采用ViewSpecPro6.2軟件對冠層和葉片光譜數(shù)據(jù)進行預處理，輸出原始光譜及一階導數(shù)光譜，然后利用MicrosoftExcel2016軟件進行數(shù)據(jù)整理。用SPSSStatistics27軟件進行數(shù)據(jù)統(tǒng)計，采用Pearson相關性分析求取苧麻LNC與光譜反射率的相關系數(shù)，挑選出相關性最大的波段作為特征波段。將篩選的特征波段作為輸入變量構建模型，分別采用PLSR、SVM和RF構建苧麻LNC估測模型。使用決定系數(shù)（R2）、均方根誤差（RMSE）作為模型評價指標，R2值越大、相對應的RMSE值越小，說明模型預測能力越好。
2結果與分析
2.1不同施氮水平對苧麻LNC的影響
圖1和圖2分別展示了2022年頭麻、二麻各生育時期LNC在不同施氮水平下的差異，可以看出，隨著生育時期的后移，不同處理苧麻LNC之間的差異加大，并且隨著施氮水平的提升，LNC表現(xiàn)出明顯的增大趨勢，表現(xiàn)為N3>N2>N1>N0。N2水平下不同追肥時期對苧麻LNC的影響較大，大多生育時期表現(xiàn)出顯著差異。總體來說，低氮水平下，封行期追肥的LNC值較高；高氮水平下，封行期追肥對生育早期的LNC貢獻較大，而生育晚期，旺長期追肥對LNC的積累貢獻更大。
柱上不同小寫字母表示同一生育時期不同處理間在0.05水平差異顯著，下同。
圖1 不同時期、不同施氮水平頭麻葉片氮含量變化
圖2 不同時期、不同施氮水平二麻葉片氮含量變化
2.2 基于冠層光譜的苧麻LNC估測
2.2.1 冠層光譜波段篩選
采用Pearson相關性分析方法探究不同生育時期苧麻LNC與冠層一階導數(shù)光譜之間的相關關系，從而篩選出可用于LNC估測的波段。結果（圖3）顯示，苧麻LNC與一階導數(shù)光譜在多個生育時期都存在顯著（P＜0.05）或極顯著（P＜0.01，下同）相關關系，其中，苗期在414~420、456~460、545~551nm波段呈極顯著正相關，其余波段不顯著；封行期在896~921nm波段呈極顯著正相關，在972~1074nm波段呈極顯著負相關；旺長期在329、998nm呈顯著相關，在1020~1044nm波段呈極顯著正相關；成熟期在445~457、852~868nm波段呈極顯著正相關，在904~915nm波段呈極顯著負相關?？梢姡庑衅贚NC與苧麻冠層一階導數(shù)光譜之間的相關關系最強（P＜0.01），其次為成熟期、旺長期、苗期。
在上述分析的基礎上，選取各生育時期與LNC極顯著相關的特征波長，用于構建苧麻LNC估測模型。苧麻冠層一階導數(shù)光譜在苗期414~420、456~460、545~551nm波段存在一定差異，因此選取該波段范圍內的3個拐點（414、459、550nm）作為特征波長，其中414nm特征波長與苧麻LNC相關性最高，相關系數(shù)為0.536；封行期篩選出的特征波長為913、996、1029、1070nm，其中996nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.592；旺長期篩選出的特征波長為329、998、1021、1044nm，其中1044nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.552。成熟期特征篩選的波長為413nm、456nm、866nm、908nm，其中908nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.580。
圖3 不同生育時期苧麻LNC與冠層一階光譜之間的相關關系
2.2.2 基于冠層光譜的苧麻LNC估測模型構建及驗證
將篩選的苗期特征波長（414、459、550nm）、封行期特征波長（913、996、1029、1070nm）、旺長期特征波長（329、998、1021、1044nm）、成熟期特征波長（413、456、866、908nm）作為輸入變量，構建基于一階導數(shù)光譜特征LNC的估測模型。表1為不同生育時期苧麻LNC估測模型精度評價結果，可以看出，在苗期PLSR建模效果最好，估測模型精度最高（R2=0.506，RMSE=0.695）；在封行期，RF的LNC估測模型精度最高（R2=0.694，RMSE=0.440）；同樣在旺長期，RF的LNC估測模型精度最好（R2=0.676，RMSE=0.382）；在成熟期，RF的LNC估測模型精度優(yōu)于SVM、PLSR，其中RF的LNC估測模型（R2=0.795，RMSE=0.608），PLSR的LNC估測模型（R2=0.617，RMSE=0.624），SVM的LNC估測模型（R2=0.778，RMSE=0.503）。通過比較發(fā)現(xiàn)，3種機器學習模型估測LNC的精度存在差異，雖然苗期以PLSR的LNC估測模型建模效果最優(yōu)，但RF模型的也較優(yōu)，而且封行期、旺長期和成熟期均以RF的LNC估測模型精度最高，因此，綜合來看，以RF構建的LNC估測模型在苧麻4個生育時期的表現(xiàn)最佳。
表1 基于冠層光譜的不同生育時期苧麻LNC估測模型
2.3 基于葉片光譜的苧麻LNC估測
2.3.1 葉片光譜波段篩選
采用Pearson相關性分析方法探究不同生育時期苧麻LNC與葉片一階導數(shù)光譜之間的相關關系，從而篩選出可用于LNC估測的波段。結果（圖4）顯示，苧麻LNC與葉片一階導數(shù)光譜在多個生育時期都存在顯著或極顯著相關關系。其中，苗期在2036~2087nm波段范圍內呈極顯著正相關，其余波段不顯著；封行期苧麻LNC與葉片一階導數(shù)光譜在480~490nm波段范圍內呈極顯著負相關，在970~996、2067~2093nm波段范圍內呈極顯著正相關；旺長期在全波段范圍內均較低，在1012nm處相對較高；成熟期在1435~1458nm波段范圍內呈極顯著正相關，在2285~2293nm波段范圍內呈極顯著負相關。
基于上述分析，選取相關系數(shù)曲線中達到極顯著相關水平的波長作為特征波長，用于構建葉片尺度的苧麻LNC估測模型：苗期選取2036~2087nm波段范圍內的3個拐點（2061、2073、2077nm）作為特征波長，其中位于近紅外波段范圍內的2061nm波長與LNC相關系數(shù)最高，達0.684；封行期篩選的特征波長為488、981、2084nm，其中488nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.501；旺長期篩選的特征波長為354、399、427、1012nm，其中1012nm波長與苧麻LNC相關性最高，相關系數(shù)為0.401；成熟期篩選的特征波長為1449、1683、2292、2313nm，其中2292nm波長與苧麻LNC相關性最高，相關系數(shù)為-0.564。
圖4 不同生育時期苧麻LNC與葉片一階光譜之間的相關關系
2.3.2 基于葉片光譜波段的苧麻LNC模型構建及驗證
將篩選的苗期特征波長（414、459、550nm）、封行期特征波段（913、996、1029、1070nm）、封行期特征波段（329、998、1021、1044nm）、成熟期特征波段（413、456、866、908nm）作為輸入變量，構建基于一階導數(shù)光譜特征的LNC估測模型。由表2可知，基于葉片特征光譜的苧麻LNC估測模型估測精度較高。在苗期，RF建模效果最好，模型精度最高，驗證集的R2為0.622，RMSE為0.356；在封行期，也是RF的LNC估測模型精度最高，驗證集的R2為0.656，RMSE為0.437；在旺長期，PLSR的LNC估測模型精度最好，驗證集的R2和RMSE分別為0.670和0.470；在成熟期，RF的LNC估測模型精度優(yōu)于SVM、PLSR，驗證集R2為0.606，RMSE為0.409。綜合來看，基于RF構建的LNC估測模型在4個生育時期中表現(xiàn)較優(yōu)。
表2 基于葉片光譜的不同生育時期苧麻LNC估測模型
3 討論與結論
嚴文淦等[28]對高產田每季纖用苧麻出苗-齊苗、齊苗-封行、封行-黑腳、黑腳-成熟四個營養(yǎng)生長階段的養(yǎng)分含量及吸收量進行了研究，發(fā)現(xiàn)高產田三季麻各營養(yǎng)階段植株體內養(yǎng)分含量和吸收量均不相同，表現(xiàn)為前期養(yǎng)分含量高，之后逐漸下降，但吸收量則以中、后期較高，吸氮高峰一般出現(xiàn)在封行黑腳期，此時期各季麻吸氮量達到總吸收量的26.9%~42.4%。本研究中不同施氮水平下苧麻LNC隨著施氮量的增加呈現(xiàn)先增加再降低趨勢，并在旺長期達到頂峰，隨后成熟期下降，說明麻株吸氮高峰出現(xiàn)在封行-旺長期，與前人研究結果一致。不同施氮水平間比較，頭麻、二麻苗期和旺長期的LNC均在N3-b處理下最大，封行期和成熟期均在CK處理（N3-a）下最大。
LNC是評估苧麻植株氮狀態(tài)的重要指標，通過精準、無損、高效、及時獲取田間苧麻LNC信息，既能有效合理地為苧麻生長提供肥料，又能最大限度地減少對周圍環(huán)境損害，實現(xiàn)苧麻產量和肥料利用效率最大化。利用高光譜傳感器獲取的高頻光譜信息被認為是評估作物氮素營養(yǎng)狀況的定量指標，通過構建敏感波段或植被指數(shù)與特定作物參數(shù)之間的反演模型使快速檢索作物參數(shù)成為可能[29]。
本研究采用Pearson相關性分析篩選與LNC顯著相關的特征波段，選用PLSR、SVM、RF3種機器學習算法，從葉片、冠層兩個尺度探討了利用光譜數(shù)據(jù)估測苧麻LNC的可行性及準確性。通過比較所建模型在苧麻不同生育時期的表現(xiàn)發(fā)現(xiàn)，在基于冠層光譜波段構建的苧麻LNC估測模型中，除苗期為PLSR建模效果最好（驗證集R2為0.506，RMSE為0.695），封行期、旺長期、成熟期均為RF建模精度最高，驗證集R2分別為0.694、0.676、0.795，RMSE分別為0.440、0.382、0.608；在基于葉片光譜波段構建的苧麻LNC估測模型中，苗期、封行期、成熟期均以RF建立的模型估測精度最高，驗證集R2分別為0.622、0.656、0.606，RMSE分別為0.356、0.437、0.409，而旺長期是PLSR建模效果最好，驗證集R2和RMSE分別為0.670和0.470。綜合來看，RF模型在苧麻多個生育時期兩個尺度的LNC估測中表現(xiàn)穩(wěn)定且精度較優(yōu)，這也與顧晨等[30]的研究結論相一致。
另外，兩個尺度間比較，基于冠層光譜波段構建的苧麻LNC估測模型在成熟期精度最高（R2=0.795，RMSE=0.608），基于葉片光譜波段構建的苧麻LNC估測模型在旺長期精度最高（R2=0.670，RMSE=0.470），但冠層尺度的光譜測定更便利，在苧麻LNC估測方面具有優(yōu)勢。
綜上，基于冠層光譜數(shù)據(jù)構建的RF模型更適用于苧麻LNC的估測，可推廣性較高。但本研究只是基于田間試驗開展苧麻冠層和葉片尺度的氮素營養(yǎng)診斷研究，單一平臺獲取的作物信息較為有限，在光譜分辨率、時間分辨率和空間分辨率等方面很難全面兼顧，應用性還需進一步考證，今后可以利用無人機和衛(wèi)星遙感數(shù)據(jù)對研究結果進一步驗證。
參考文獻
[1] 李宗道.麻作的理論與技術[M]. 上海：上?？茖W技術出版社，1980.
[2] 成雄偉. 我國苧麻紡織工業(yè)歷史現(xiàn)狀及發(fā)展[J]. 中國麻業(yè)科學，2007(增刊)：77-85.
[3] Lin C C，Yen M H，Lo T S，et al. The antiinflammatory and liver protective effects of Boehmeria nivea and B. nivea subsp. nippononivea in rats[J]. Phytomedicine，1997，4(4)：301-308.
[4] Lin C C，Yen M H，Lo T S，et al. Evaluation of the hepatoprotective and antioxidant activity of Boehmeria nivea var. nivea and B. nivea var. tenacissima[J]. Journal of Ethnopharmacology，1998， 60(1)：9-17.
[5] Huang K L，Lai Y K，Lin C C，et al. Inhibition of hepatitis B virus production by Boehmeria nivea root extract in HepG2 2. 2. 15 cells[J]. World Journal of Gastroenterology，2006，12(35)：5721-5725.
[6] Jin C H, Maekawa M. Evaluating an enzyme treatment of ramie fabrics[J]. Textile Research Journal, 2001, 71(9): 779-782.
[7] de Toledo G S P，da Silva L P，de Quadros A R B，et al. Productive performance of rabbits fed with diets containing ramie (Boehmeria nivea) hay in substitution to alfalfa (Medicago sativa) hay[C]//9th World Rabbit Congress, June 10-13, 2008, Verona, Italy. 2008：827-830.
[8] Li E K，Zhao J B，Liu L，et al. Digestible energy and metabolizable energy contents of konjac flour residues and ramie in growing pigs[J]. Animal Nutrition，2018，4(2)：228-233.
[9] 陳保鋒，陳建華，母波，等. 苧麻藥用研究進展[J]. 中國麻業(yè)科學，2016，38(5)：237-241.
[10]Wang Q，Muzammal R，Peng D X，et al. Antioxidant capacity and α-glucosidase inhibitory activity of leaf extracts from ten ramie cultivars[J]. Industrial Crops and Products，2018，122：430-437.
[11]張澤，馬露露，洪帥，等. 滴灌棉田植株氮營養(yǎng)指數(shù)的高光譜診斷研究[J].棉花學報，2020，32(5)：392-403.
[12]白雪嬌. 冬小麥氮素營養(yǎng)及其冠層生物理化參量高光譜遙感監(jiān)測[D]. 楊凌：西北農林科技大學，2013.
[13]付虹雨，王薇，岳云開，等. 基于數(shù)據(jù)融合和機器學習的多年生苧麻產量估測[J]. 山東農業(yè)科學， 2023，55(10)：158-166.
[14]岳云開，陳建福，趙亮，等. 基于無人機多光譜遙感的苧麻葉綠素含量反演[J]. 山東農業(yè)科學，2023，55(7)：152-158.
[15]王仁紅，宋曉宇，李振海，等. 基于高光譜的冬小麥氮素營養(yǎng)指數(shù)估測[J]. 農業(yè)工程學報，2014，30(19)：191-198.
[16]張筱蕾，劉飛，聶鵬程，等. 高光譜成像技術的油菜葉片氮含量及分布快速檢測[J]. 光譜學與光譜分析，2014，34(9)：2513-2518.
[17]Inoue Y，Penuelas J. An AOTF-based hyperspectral imaging system for field use in eco-physiological and agricultural applications[J]. International Journal of Remote Sensing，2001，22(18)：3883-3888.
[18]梁亮，楊敏華，鄧凱東，等. 一種估測小麥冠層氮含量的新高光譜指數(shù)[J].生態(tài)學報，2011，31(21)：6594-6605.
[19]姚霞，田永超，劉小軍，等. 不同算法紅邊位置監(jiān)測小麥冠層氮素營養(yǎng)指標的比較[J]. 中國農業(yè)科學，2010，43(13)：2661-2667.
[20]薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等. 基于冠層反射光譜的水稻群體葉片氮素狀況監(jiān)測[J]. 中國農業(yè)科學，2003，36(7)：807-812.
[21]楊天成. 基于葉片和冠層光譜的小麥鉀素營養(yǎng)監(jiān)測研究[D]. 南京：南京農業(yè)大學，2020.
[22]董淼. 蘋果葉片和冠層葉綠素含量高光譜估算模型[D]. 烏魯木齊：新疆農業(yè)大學，2018.
[23]Zhu W X，Sun Z G，Yang T，et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales[J]. Computers and Electronics in Agriculture，2020，178： 105786.
[24]李棟. 基于連續(xù)小波分析的小麥生長指標光譜監(jiān)測研究[D]. 南京：南京農業(yè)大學，2016.
[25]田明璐. 西北地區(qū)冬小麥生長狀況高光譜遙感監(jiān)測研究[D]. 楊凌：西北農林科技大學，2017.
[26]丁雅. 棗葉片和冠層營養(yǎng)元素含量高光譜估測模型[D]. 烏魯木齊：新疆農業(yè)大學，2018.
[27]羅丹. 基于高光譜遙感的冬小麥氮素營養(yǎng)指標監(jiān)測研究[D]. 楊凌：西北農林科技大學，2017.
[28]嚴文淦，王敏裳，等. 高產苧麻吸肥規(guī)律與土壤營養(yǎng)條件的研究[J]. 土壤肥料，1983 (5)：24-26.
[29]黃亮平. 高光譜遙感在農作物生長監(jiān)測的應用研究進展[J]. 農村經濟與科技，2019，30(5)：42-44.
[30]顧晨. 基于機器學習的小麥 SPAD 值與水稻產量測報方法研究[D]. 揚州：揚州大學，2023.
文章摘自：陳建福,岳云開,付虹雨,等.基于多尺度高光譜技術的苧麻葉片氮含量估測[J/OL].山東農業(yè)科學,1-11[2025-02-10].
