1、引言

玉米是世界上重要的谷類作物，1998年開始玉米總產量已經超過水稻和小麥，居世界首位。我國是世界第二大玉米生產國，2016年，我國糧食總產量6.162億噸，其中玉米總產量達到2.196億噸，成為產量最高的糧食作物。玉米產量的高低、經濟效益的好壞直接影響著我國糧食安全及農業生產的發展。在我國，人多地少，水資源分布不均，農用地生產規模小，嚴重制約著我國玉米生產。如何在有限的耕地上，充分利用農業資源，快速獲取農業信息，對農業信息加工處理，并及時反饋給農戶，實現農業精細化管理，對實現現代農業以及農業增產尤為重要。“精準農業”的產生，為農業信息的定量采集提供技術支持。利用全球定位系統、遙感監測系統、地理信息系統以及計算機自動控制技術實現農業信息的采集與處理，以便實現對農作物進行精細化的灌溉、施肥和施藥，促進農業整體水平的提高。精準農業自90年代在發達國家興起，已成為一種普遍趨勢， 近年來，國內對精準農業的研究也日趨增多，但推廣率較低，在各地區的應用也大多處于初級階段。農田信息獲取是精準農業的重要環節，也是精準農業得以推廣和應用的基礎。遙感技術是精準農業體系中獲得田間數據的重要來源，可以通過不同的遙感平臺，搭載傳感器，獲取地物的電磁波信息，將這些信息加以處理，實現對地物的識別和監測。

高光譜遙感研究進展

2.1 高光譜遙感的概念與發展

遙感技術是20世紀60年代產生的對地觀測技術，20世紀80年代， 成像光譜技術出現，光學遙感進入高光譜遙感階段。高光譜遙感能覆蓋電磁波譜的紫外、可見光、近紅外、中紅外和熱紅外波段范圍，并獲取波段范圍內窄且連續的光譜數據。成像光譜儀獲取的圖像數據，在每個像素上均包含了光譜信息，非成像光譜儀獲取的數據為目標物點區域的連續光譜。與多光譜遙感數據相比，高光譜遙感數據具有波段多，光譜分辨率高、光譜范圍寬等特點。高光譜遙感使得對目標物進行觀測時可獲取眾多連續波段的地物光譜信息，得到地物詳細的光譜變化特征，從而達到準確區分地物信息的目的。在成像光譜儀不斷發展的同時，高光譜遙感技術的理論與應用研究也得到迅速發展，成為農業遙感、大氣研究、環境監測等領域有效的技術手段，短短的30多年間 高光譜遙感已形成了一個頗具特色的前沿領域。

2.2 高光譜遙感監測植被原理

植物由于電磁波的作用，葉片中的物質會產生電子躍遷、原子分子振動等，從而引起特定波長位置上的光譜吸收和反射特征，這種不同波長位置上光譜的響應特征稱為光譜特性。對植物而言，不同植物或同一植物在不同時間，其內部化學組分以及外部形態都不盡相同，這種差異會表現為植物光譜特征的差異，因此，我們可以根據植被的光譜特性來反演其化學組成。通常，健康的綠色植被在350~2500nm波段具有典型的如下光譜特征：350~700nm，為可見光波段，是葉綠素對光的強吸收波段，光譜反射率很低，其中的藍紫光和紅光被強吸收，綠光被強反射，使得光譜曲線在藍光區和紅光區形成了兩個吸收谷，綠光附近形成了一個小的反射峰，通常被稱為“綠峰”，700~760nm，是可見光向近紅外波段過渡的階段，在葉綠素對紅光的強吸收與冠層葉片對近紅外的強反射之間形成了反射率急劇上升的一條曲線。該波段范圍被稱為“紅 邊”。“紅邊”已被證實與植物營養、長勢有很強的相關性。760~1350nm，由于植物葉片內部細胞間隙、細胞結構、細胞內組分對光的多次散射和反射，會形成高反射平臺，期間在某些波段由于水或氧氣的窄吸收作用，會出現吸收谷。1350~2500nm，是葉片水分的強吸收帶，除此之外，淀粉、蛋白質、糖、木質素和 纖維素也會對光譜反射率造成一定影響。通常在1460nm、1980nm、2400nm附近主要由于水分的吸收會形成小的吸收谷。

2.3 高光譜遙感在作物生長監測中的研究進展

高光譜遙感可以提供作物豐富的光譜信息，通過作物的光譜特性，可以區分不同作物以及作物的化學組分變化。目前，高光譜遙感技術在農業中的應用取得了很大進展，其中最主要的應用是對作物的各種反演研究，主要包括：作物生理參數反演，如葉綠素、 葉片氮素、葉片含水量等；作物物理參數反演，如葉面積指數，生物量；作物與環境相互作用因素反演，如光合有效輻射。目前，按作物高光譜遙感數據獲取方式不同，可以分為對星載、航空、低空和地面成像光譜儀以及地面非成像光譜儀等平臺下的不同數據類型的研究；對作物反演方法研究，可以分為對統計回歸方法的研究、特征波段選擇方法的研究，光譜數據預處理方法的研究等；對作物反演模型的研究，可分為對統計回歸模型、光譜特征分析模型、基于機器學習算法的回歸模型以及物理模型的研究。

2.4 成像光譜儀在作物生理參數監測中的研究進展

高光譜成像技術能夠在很寬的光譜波段范圍內同時獲得被檢測目標的光譜和圖像信息，實現了“圖譜合一”，不僅能夠提供目標地物詳細的光譜變化信息，還能獲得一定范圍的目標地物影像，通過對高光譜圖像信息處理，可提取影像上目標物任意位置光譜信息，通過對光譜信息處理加工、提取特征波長，可用于植物生理參數監測。在低空遙感平臺，搭載高光譜成像儀，可以擴大影像范圍，獲取更大區域的作物光譜信息，具有很大的研究價值，近年來，關于無人機平臺下的高光譜遙感監測也不斷增多。

玉米SPAD值高光譜檢測

不同地物對電磁波的不同波段具有不同的輻射規律，這種特性稱為地物的光譜特性，地物波譜的測定和特性的分析是遙感研究的核心之一，也是遙感應用的原理依據。葉綠素含量是作物主要的生理參數，是光合作用能力、葉片氮含量和作物發育階段的指示器。因此，植物葉綠素含量的估測，對于其長勢評估具有重要意義。高光譜遙感技術可以獲取植物連續的光譜，光譜分辨率高，能對微弱的光譜差異進行定量分析，從而識別植物信息的變化。

3.1 不同生育期玉米冠層光譜特征

在玉米不同生育期測定其冠層光譜，得到不同生育期玉米冠層高光譜特征曲線（圖 3-1）。由圖3-1可知，不同生育期玉米冠層光譜特征曲線相似，均為典型的綠色植被光譜。隨著生育期的變化，反射率主要在“綠峰”區域和近紅外區域有顯著差異。其中， 在“綠峰”波段隨著生育進程增加，反射率逐漸增大，主要是由于拔節期和抽雄期，隨著植株生長，葉綠素含量增加，對藍紫光和紅光吸收增強，反射率較小，后期葉片養分轉移，變黃衰老，葉綠素含量減少，對光的吸收減少，反射率變大；在近紅外區域表現為植株長勢較好的抽雄期和乳熟期光譜反射率較大，前期的拔節期和后期的完熟期光譜反射率較小，這可能由于長勢較好的玉米冠層結構較復雜，造成反射率較大。

3.2 不同生育期玉米葉片SPAD值特征分析

由圖3-2可以看出，研究區玉米葉片SPAD值在主要生育期內的變化情況。隨著生育期的增加，葉片SPAD值呈現出先增加后減小的趨勢，玉米葉片SPAD值平均值由拔節期 到抽雄期到乳熟期逐漸增加，并在乳熟期達到最高點，由拔節期的46.03上升到乳熟期的51.88，之后玉米的營養物質不斷輸送到玉米粒，葉子逐漸衰老、變黃，葉片SPAD值呈現下降趨勢。完熟期葉片SPAD值最低，平均值為38.24。

3.3 不同SPAD值玉米冠層光譜特征

當葉片葉綠素含量不同時，植物冠層光譜反射率存在明顯差異，因而可以通過對不 同葉綠素含量的作物冠層光譜特征進行分析，了解作物的健康狀態，進行施肥管理。選取拔節期獲取的玉米冠層光譜數據，在不同SPAD值下光譜響應特征曲線如圖3-3所示。在可見光區域，隨著冠層葉片SPAD值變化，光譜反射率變化不大， 差異主要集中在“紅谷”波段，表現為隨著SPAD值增大，光譜反射率減小，即葉綠素含量越高，對紅光的吸收越大，反射率越小；在近紅外750~1000nm范圍內，隨著冠層 葉片SPAD值的增大，光譜反射率增大，這與上節近紅外區不同生育期冠層光譜反射率表現為長勢良好期光譜反射率較大相符合。

3.4 不同SPAD值玉米冠層光譜特征

3.4.1 玉米冠層原始光譜以及一階微分光譜與 SPAD 值的相關性

計算不同生育期的玉米冠層光譜反射率一階微分值，并將不同生育期的玉米冠層原始光譜以及一階微分光譜分別與玉米冠層葉片SPAD值進行相關性分析，結果如圖3-4、 圖3-5所示。由圖3-4可知，各個生育期玉米冠層原始光譜與SPAD值的相關性曲線具有相同的特征，且都存在著極顯著負相關。其中，抽雄期和完熟期在整個波段范圍內，原始光譜與 SPAD值相關性皆達到了0.01極顯著負相關；乳熟期在400~780nm波段范圍內，達到了 0.01極顯著負相關；拔節期在516~614nm、694~737nm波段范圍內，達到了0.01極顯著負相關。拔節期SPAD值與原始光譜相關性最小，抽雄期SPAD值與原始光譜相關性最大。抽雄期在407~740nm波長范圍內，完熟期506~640nm、692~732nm波長范圍內，相關系數絕對值均超過0.7，相關性較強。拔節期在709nm處，具有最大相關系數，R=-0.606；抽雄期在552nm處，具有最大相關系數，R=-0.853；乳熟期在712nm處，具有最大相關系數，R=-0.702；完熟期在710nm處，具有最大相關系數，R=-0.828。因此可以選取各個生育期相關性最大的波段處的原始光譜反射率為自變量，通過線性和非線性擬合構建玉米冠層葉片SPAD值的估算模型。

?

由圖3-5可以看出，各個生育期相關性系數變化規律基本相同，在大部分波段都呈現極顯著相關，且相關系數較大，相關性較強。一階微分光譜與SPAD值在500~550nm、680~710nm之間保持穩定的0.01極顯著負相關，在560~670nm、720~800nm之間保持穩定的0.01極顯著正相關。大于800nm波段，相關性降低，可能與在近紅外波段葉綠素等色素的吸收降低有關。其中，抽雄期的相關性要整體高于其他生育期。拔節期在514~526nm、 690~704nm處相關系數小于-0.7，在727~764nm相關系數大于0.7；抽雄期在504~529nm、 689~703nm處，相關系數小于-0.8，在732~771nm處相關系數大于0.8；乳熟期在516~529nm、694~706nm處相關系數小于-0.7，在750~765nm處相關系數大于0.8；完熟期499~522nm、 684~702nm處相關系數小于-0.7，在721~761nm處相關系數大于0.8。分析發現，拔節期一階微分與SPAD值在696nm處具有最大負相關系數，R=-0.787， 在752nm處具有最大正相關系數，R=0.846；抽雄期一階微分與SPAD值在522nm處具有最大負相關系數，R=-0.867，在756nm處具有最大正相關系數，R=0.897；乳熟期一階微分與SPAD值在699nm處具有最大負相關系數，R=-0.770，在760nm處具有最大正相關系 數，R=0.859；完熟期一階微分與SPAD值在694nm處具有最大負相關系數，R=-0.835， 在749nm處具有最大正相關系數，R=0.885。選取各個生育期相關性最大的波段處的光譜 反射率一階微分值為自變量，通過線性和非線性擬合構建玉米冠層葉片SPAD值的估算模型。

3.4.2 基于特征波段的不同生育期玉米 SPAD 值估算模型構建及檢驗

表3-1為原始光譜以及一階微分光譜與玉米冠層葉片SPAD值的構建的單變量回歸模型及驗證結果。其中R2表示建模決定系數，R2v表示驗證模型決定系數，RMSEv表示驗證均方根誤差，REv表示驗證相對誤差，選擇建模擬合度高、驗模誤差小的回歸模型 作為最佳估算模型。基于R2最大原則在回歸模型中選擇擬合度最好的模型作為各生育期的最佳擬合模型。

在基于原始光譜反射率建立的單變量回歸模型中，拔節期、乳熟期和完熟期的最優模型均為二次多項式模型，抽雄期的指數模型為最優模型。其中擬合效果最好的是抽雄期的模型，建模決定系數最大，R2=0.694，其次為完熟期的模型，R2=0.689。驗證效果 最好的也是抽雄期模型，其實測值與預測值的決定系數R2v最大，R2v=0.795，均方根誤差RMSEv、相對誤差REv均最小，分別為2.343和3.58%，此外，完熟期模型驗證效果也較好，驗模決定系數R2v為0.652，均方根誤差RMSEv為3.874、相對誤差REv為7.47%，僅次于抽雄期。拔節期和乳熟期的模型，擬合效果與模型驗證均較差，尤其是拔節期的模型，驗模決定系數很小，預測值中出現了與實測值相差很大的值，說明模型不穩定，預測效果較差，不能用來預測本研究中玉米冠層葉片SPAD值。在基于光譜反射率一階微分值建立的單變量回歸模型中，拔節期、乳熟期和完熟期 的最優模型為二次多項式模型，抽雄期為冪函數模型。通過比較發現，四個生育期的模 型擬合效果均優于基于原始光譜建立的模型，其建模決定系數R2均大于0.7，其中，擬合 效果最好的是抽雄期的模型，建模決定系數最大，R2=0.831，其次為乳熟期的模型， R2=0.811。驗證效果最好的也是抽雄期模型，其驗模決定系數最大，R2v=0.848，均方根 誤差RMSEv為2.141、相對誤差REv為3.05%，均最小。拔節期模型依然為擬合及驗證效 果最差的模型，這可能與拔節期玉米植株較小，獲取的SVC光譜受到土壤的影響較大有關。不同生育期基于原始光譜與一階微分構建的單變量回歸模型得到的玉米冠層葉片SPAD實測值與預測值之間的1:1關系如圖3-6和3-7所示，其中散點分布越接近1:1線表示 模型預測精度越高。

選取各生育期原始光譜與SPAD值相關性最大的波段以及一階微分光譜與SPAD值具有最大正負相關的波段作為自變量，SPAD值作為因變量，構建多元線性回歸模型（表 3-2）。總體上看，多元線性模型的擬合效果優于基于原始光譜構建的單變量模型，與 基于光譜一階微分值構建的單變量模型擬合效果接近。抽雄期的模型建模決定系數最大，R2=0.810，乳熟期次之，拔節期最小。模型的精度檢驗結果表明多元線性模型的預測精度普遍更高。在拔節期，多元線性模型預測精度遠大于其基于單變量的回歸模型，其驗 模決定系數，均方根誤差RMSEv和相對誤差REv分別為0.692、3.809和7.137%，模型精度遠大于基于原始光譜建立的單變量模型；在抽雄期，多元線性模型精度檢驗各項指標略小于一階微分單變量模型，大于原始光譜單變量模型；在乳熟期和完熟期多元線性模型 精度檢驗各項指標均高于各單變量模型。因此，多元線性模型可以作為預測不同生育期 玉米冠層葉片SPAD值的估算模型，且模型精度較高。不同生育期基于多元線性模型得 到的玉米冠層葉片SPAD實測值與預測值之間的1:1關系圖如圖3-8所示，其中散點分布越 接近1:1線則表示模型預測精度越高。

3.5 基于植被指數的玉米 SPAD 值遙感估算

3.5.1 植被指數與玉米 SPAD 值相關性

不同生育期玉米冠層植被指數與SPAD值進行相關分析結果（表3-3）表明，在拔節期，TVI、GRVI、GNDVI、MCARI、TCARI與SPAD值達到0.01水平極顯著相關，RVI 與SPAD值達到0.05水平顯著相關，其余植被指數與SPAD值沒有相關性，其中負相關性 最大的是MCARI，相關系數為-0.782，正相關性最大的是GNDVI，相關系數為0.720；抽雄期，除了DVI與SPAD值沒有相關性外，其余植被指數均與SPAD值呈0.01水平極顯著相關，其中GNDVI與SPAD值呈最大正相關，R=0.878，TCARI與SPAD值呈最大負相 關，R=-0.843；乳熟期，TVI、GRVI、GNDVI、MCARI、TCARI與SPAD值呈0.01水平 極顯著相關，與拔節期呈極顯著相關的植被指數一致，RVI、NDVI和EVI與SPAD值呈 0.05水平顯著相關，其中GNDVI與SPAD值呈最大正相關，R=0.742，TCARI與SPAD值 呈最大負相關，R=-0.707；完熟期，除了TVI與SPAD值呈顯著相關外，其余植被指數均 與SPAD值呈極顯著相關，其中GNDVI與SPAD值呈最大正相關，R=0.854，TCARI與 SPAD值呈最大負相關，R=-0.811。比較可知，GRVI、GNDVI、MCARI、TCARI這四 種植被指數在玉米各個生育期內均與SPAD值呈0.01水平極顯著相關，且相關系數介于 -0.689~0.878之間，相關性較強，因此，可以選用這四種植被指數進行不同生育期玉米 SPAD值反演研究，通用性較好。其中，TCARI與SPAD值在不同生育期（除拔節期）內均呈最大負相關，GNDVI與SPAD值在不同生育期均呈最大正相關。

3.5.2 基于植被指數的不同生育期玉米 SPAD 值估算模型構建及檢驗

GRVI、GNDVI、MCARI、TCARI這四種植被指數在玉米各個生育期內均與SPAD 值呈0.01水平極顯著相關，且相關系數介于-0.689~0.878之間，相關性較強，通用性較好， 因此，分別以這四種植被指數為自變量，冠層玉米葉片SPAD值為因變量，建立了不同 生育期SPAD值估算的單變量回歸模型，選擇建模決定系數最大的模型作為植被指數建 模的最優擬合模型，結果見表3-4。

由表3-4可知，植被指數與冠層葉片SPAD值的非線性關系優于線性關系，基于各植 被指數建立的單變量回歸模型最優模型以二次多項式模型和指數模型為主。在拔節期，以MCARI建立的模型擬合效果最好，但模型精度檢驗較差，以GRVI建立的模型，均方根誤差和相對誤差均最小，驗模R2v最大，模型預測精度最高，為最佳模型；在抽雄期，以GNDVI建立的模型為最優模型，其驗模決定系數R2v最大，驗模均方根誤差RMSEv最小，分別為0.834和2.069，相對誤差REv為3.133%，其次為GRVI建立的模型；在乳熟期，以GRVI和GNDVI建立的模型，建模與驗模效果較其他植被指數更好，其中GRVI建立的 模型建模和驗模R2最大，驗模誤差最小，是最佳估算模型；完熟期依然是以GRVI和 GNDVI建立的模型較好，其中GNDVI以其建模和驗模R2最大，驗模誤差最小，是該生育期的最佳估算模型。綜合以上分析可知，在不同生育期，基于這四種植被指數的單變量回歸模型中，都以GRVI和GNDVI建立的模型較好。抽雄期的各個模型的建模決定系 數和驗模決定系數較其他生育期較大，驗證均方根誤差和相對誤差均較小，對玉米冠層 葉片SPAD值估算效果最佳。不同生育期基于植被指數的最佳單變量回歸模型得到玉米 冠層葉片SPAD實測值與預測值之間的1:1關系圖如圖3-9所示，其中散點分布越接近1:1 線則表示模型預測精度越高。

選擇上述在各個生育期與SPAD值相關性絕對值均大于0.689的植被指數即GRVI、 GNDVI、MCARI、TCARI作為自變量，SPAD值作為因變量，構建多元線性回歸模型，并對模型進行驗證，結果見表3-6。與表3-5比較可知，在各個生育期，多元線性模型的 擬合效果與精度檢驗均優于單變量模型，因此可以使用多元線性模型對玉米冠層葉片SPAD值進行估算。在不同生育期的多元線性模型中，抽雄期的模型，建模R2最大，R2=0.753，驗模決定系數R2v為0.828，驗模均方根誤差與相對誤差均最小，分別為2.263 和3.418%，模型的擬合效果和檢驗精度均最好。不同生育期基于植被指數的多元線性模型得到玉米冠層葉片SPAD實測值與預測值之間的1:1關系圖如圖3-10所示，其中散點分布越接近1:1線則表示模型預測精度越高。

3.6 基于高光譜特征參數的玉米 SPAD 值遙感估算

3.6.1 高光譜特征參數與玉米 SPAD 值相關性

根據第二章表2-2分別計算玉米拔節期、抽雄期、乳熟期和完熟期的高光譜特征參 數，分析高光譜特征參數與冠層葉片SPAD值的相關性，分析結果見表3-7。在基于光譜位置的變量中，在各個生育期均與SPAD值達到極顯著相關的高光譜特征參數有Dr、λr、Db、Dy、Rg，其中在各個生育期相關系數均較大的有λr和Db。在拔節期，除了λb與Ro外，均與SPAD值呈極顯著相關，λr與SPAD值的相關性最大，相關系數為0.786，其次為Db，相關系數為-0.745；在抽雄期，除了λy與λg外，均與SPAD值呈 極顯著相關，Db與SPAD值的相關性最大，相關系數為-0.866，其次為Rg，相關系數為-0.853，其中λr、Db、Dy、Rg、Ro與SPAD相關性很強，相關系數絕對值均大于0.7；乳熟期相較于其他生育期與各高光譜參數相關性最差，只有λr、Db與SPAD相關性超過0.7， 其中Db與SPAD值相關性最好，R=-0.735；完熟期相較于其他生育期與各高光譜參數相關性較好，除λy與SPAD值不相關外，其余均與SPAD值呈極顯著相關，其中λr與SPAD 值的相關性最大，相關系數為0.842，其次為Rg，相關系數為-0.805。在基于光譜面積的變量中，除SDr在拔節期、抽雄期和乳熟期與SPAD值不相關外， 其余4個高光譜特征參數，在各個生育期均與SPAD呈極顯著相關，且相關系數絕對值均 大于0.6，說明基于光譜面積的高光譜特征參數與SPAD值有較強的相關性，可以用于不 同生育期玉米冠層SPAD值的反演研究。其中拔節期、抽雄期、乳熟期，與SPAD值相關性最強的均為SDg，相關系數分別為-0.802，-0.862，-0.798；完熟期與SPAD值相關性最 大的是SDb，R=-0.771，其次是SDg，R=-0.764。在基于光譜指數形式的變量中，除SDg/SDo在抽雄期和乳熟期與SPAD值不相關外， 其余參數在各個生育期均與SPAD值呈極顯著相關，且相關系數均較大，尤其是SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)，與SPAD值的相關性絕對值均 大于0.7，說明這些參數與SPAD值有很強的相關性，其中，拔節期、抽雄期、乳熟期與 SPAD值相關性最強的均(SDr-SDy)/(SDr+SDy)，相關系數分別為-0.841，-0.890，-0.810；完熟期與SPAD值相關性最大的是(SDr-SDb)/(SDr+SDb)，相關系數為0.849。對于高光譜特征參數的通用性分析可知，λr、Db、SDb、SDg、SDr/SDb、SDr/SDy，(SDr-SDb)/(SDr+SDb)，(SDr-SDy)/(SDr+SDy)與SPAD值在各生育期均達到相關系數絕對 值0.7以上的極顯著相關，其通用性較高.

3.6.2 基于高光譜特征參數的不同生育期玉米 SPAD 值估算模型構建及檢驗

由上節對高光譜特征參數與SPAD值相關性的分析可知，λr、Db、SDb、SDg、SDr/SDb、 SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)與SPAD值在各生育期均達到極顯著相關，相關性很強，通用性較高。因此使用這8個高光譜特征參數與SPAD值建立線 性與非線性擬合的單變量回歸模型，選擇建模決對系數R2最大的模型列于表3-8當中， 并利用檢驗樣本對上述變量建立的估算模型預測精度進行檢驗。在拔節期，(SDr-SDy)/(SDr+SDy)與SPAD值表現出顯著的指數關系，其余參數和 SPAD值的最優模型為二次多項式模型。λr與SPAD值構建的模型擬合效果最好，建模決 定系數達到0.707；其次為以SDr/SDb和SDr/SDy構建的模型，建模決定系數分別為0.690 和0.687。在模型的精度檢驗中，λr構建的模型雖然驗模決定系數較大，但均方根誤差和 相對誤差也較大，因此該模型預測效果不佳。以SDr/SDy構建的模型驗模決定系數最大， RMSEv 和 REv 均 最 小 ， 模 型 精 度 最 高 ， 為 拔 節 期 最 佳 估 算 模 型 。此 外 ， 以 (SDr-SDy)/(SDr+SDy)構建的指數模型，建模R2為0.675，驗模R2v為0.768，RMSEv和REv 均較小，分別為3.536和6.420%，模型檢驗精度僅次于最佳模型。抽雄期，λr、SDr/SDb和SDr/SDy和SPAD值的最優模型為二次多項式模型，Db、SDb、 SDg和(SDr-SDy)/(SDr+SDy)與SPAD值的最優模型為指數模型，(SDr-SDb)/(SDr+SDb)與 SPAD值的最優模型為冪函數模型。各個參數與SPAD值構建的模型，建模R2均超過0.6， 擬合效果均較好。以(SDr-SDy)/(SDr+SDy)構建的指數模型建模R2最大，R2=0.790，且驗 模R2v最大，R2v=0.845，RMSEv和REv最小，分別為2.203和3.240%，為最佳模型。除λr 構建的模型精度檢驗效果較差，其余參數建立的模型建模R2在0.709~0.771之間，驗模R2v 在0.787~0.824之間，RMSEv在2.382~2.520之間，REv在3.373%~3.891%之間，擬合與驗 證效果均較好，均能夠用于SPAD值的估算。乳熟期，各參數的最優模型仍然集中在二次多項式、指數模型和冪函數模型。各個 參數構建的模型建模與驗模R2較前兩個生育期最低，RMSEv和REv較抽雄期高，較拔節 期低。其中建模與驗模R2超過0.6的只有SDg、SDr/SDy和(SDr-SDy)/(SDr+SDy)建的模 型，以(SDr-SDy)/(SDr+SDy)構建的模型建模和驗模R2最大，RMSEv和REv最小，為基于 高光譜特征參數單變量構建的單變量回歸模型中的最佳模型。完熟期，SDg和(SDr-SDb)/(SDr+SDb)與SPAD值的最優模型為指數模型，其余參數 與SPAD值的最優模型為二次多項式模型。以λr建立的模型擬合效果最好，但模型的精 度檢驗最差，因此不能作為很好的估算模型，以SDr/SDb和(SDr-SDb)/(SDr+SDb)構建的 模型建模決定系數分別為0.692和0.690，擬合效果僅次于以λr建立的模型，同時，RMSEv 和REv均最小，驗模R2v分別為0.767與0.766，與最大R2v0.779很接近，綜合比較，二者建 立的模型較好。其中以SDr/SDb建立的模型驗模RMSEv和REv最小，為最佳模型。不同生育期選取基于高光譜特征參數的單變量構建的最佳回歸模型得到玉米冠層 葉片SPAD實測值與預測值之間的1:1關系圖如圖3-11所示，其中散點分布越接近1:1線則 表示模型預測精度越高。

選取各個生育期中在基于光譜位置變量，基于光譜面積變量，基于光譜指數形式變量中分別與SPAD值相關性最大的高光譜特征參數作為自變量，SPAD值作為因變量，構建多元線性回歸模型（表3-10）。與表3-9比較可知，除抽雄期外，多元線性回歸模型的 擬合效果均優于單變量回歸模型。模型驗證效果抽雄期優于單變量回歸模型，拔節期、 乳熟期劣于單變量回歸模型。完熟期驗模R2v小于單變量回歸模型，但其驗模誤差均小 于單變量回歸模型。

由表3-10可知，不同生育期的多元線性回歸模型中，抽雄期的模型，建模R2最大，R2=0.779，驗模決定系數R2v也最大，R2v=0.860，驗模RMSEv與REv均最小，分別為2.145 和3.192%，模型的擬合和驗證效果最好。不同生育期基于高光譜特征參數的多元線性回 歸模型得到玉米冠層葉片SPAD實測值與預測值之間的1:1關系圖如圖3-12所示，其中散點分布越接近1:1線則表示模型預測精度越高。

4、結論

在可見光波段，葉綠素對光有強烈的吸收作用，尤其對藍光和紅光的吸收，使得植 物光譜在藍光和紅光波段形成兩個吸收谷，在綠光波段，吸收較少，形成小的反射峰， 在紅光與近紅外過渡的波段，由紅光的強吸收到近紅外的高反射，光譜形成了急劇上升 的區域，稱為“紅邊”；在近紅外波段，葉片內部對光的多次反射和散射形成高反射平 臺，植物葉片內部細胞間隙、形狀、成分的不同，對光譜的反射造成影響；到1400nm 之后，光譜反射率主要受到葉片水分的影響，水分對光的吸收使得反射率降低。葉綠素 含量不同，植物光譜會表現出不同的變化，研究表明，葉綠素與植物光譜反射率存在顯 著地相關性，因而可以根據光譜反射率的變化來估算植物葉綠素的含量。本研究中，對 原始光譜作一階微分變換，提取植被指數，高光譜特征參數，與玉米冠層葉片SPAD值 進行相關分析發現，一階微分與玉米SPAD值的相關性最大，其次為基于指數形式變換 的高光譜特征參數，基于這些參數建立的回歸模型中，也發現基于一階微分特征波段構 建的模型擬合效果最好，這與其和SPAD值相關性最高有關，但利用樣本數據對模型進 行檢驗時，高光譜特征參數模型精度檢驗最優，綜合來看，以高光譜特征參數建立的模 型最優，這與許多學者的研究結果相一致（秦占飛等 2016）。這是因為一階微分光譜 可以消除線性或接近線性噪聲的影響且能夠方便地用來確定光譜曲線彎曲點、最大和最 小反射率處的波長位置等光譜特征，比基于前人研究指定波長組合的植被指數有更好的 實際對應性，而高光譜特征參數在不同波段范圍內取值，效果也要比植被指數好，且通 過光譜組合可以進一步消除噪聲干擾，增強光譜信息的精度。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應用系統的研發、生產和銷售。

審核編輯黃宇