利用高光譜參數(shù)反演水稻葉片類胡蘿卜素含量-萊森光學(xué)

引言

類胡蘿卜素（Car）是植物光合作用中吸收光能的主要色素之一，它不僅吸收傳遞光能，還具有保護(hù)葉綠素的功能。當(dāng)有過剩的光能發(fā)生時(shí)，Car就參與到葉黃素循環(huán)過程中將過剩的能量散失掉，從而避免了過剩光能對光合系統(tǒng)的傷害。當(dāng)葉片受脅迫或衰老時(shí)，Car的存在又可延緩葉綠素的快速分解，維持光合作用的進(jìn)行。因此，利用高光譜技術(shù)快速監(jiān)測葉片Car含量信息，對于診斷植物不同發(fā)育階段的生理狀態(tài)具有重要的意義。

由于Car與葉綠素吸收峰所處波段部分重疊，且多數(shù)葉片中葉綠素含量要高于Car含量，因而，前人關(guān)于植被色素的光譜監(jiān)測研究多側(cè)重易于反演的葉綠素方面，而對Car的研究相對較少。

在水稻研究方面，孫雪梅研究了光譜指數(shù)與水稻劍葉Car含量間的關(guān)系，指出應(yīng)用PSSRc和PSNDc預(yù)測Car含量有一定的局限性，而SIPI、PSRI、PRI也不能用于Car含量預(yù)測；唐延林等則指出高光譜指數(shù)和紅邊位置λred與水稻葉片Car含量間存在極顯著相關(guān)；王福民等（2009）分析了所得波段范圍內(nèi)所有歸一化光譜指數(shù)與水稻葉片Car含量之間的關(guān)系，提出（R1536–R707）/（R1536+R707）可以較好地估算Car含量。可見，對于能否利用植被光譜指數(shù)準(zhǔn)確監(jiān)測水稻葉片Car含量尚存在一定的分歧，所提出的一些敏感光譜指數(shù)在其波段選擇上也有一定的差異，且光譜指數(shù)研究范圍也局限于某一些經(jīng)驗(yàn)性或某一種構(gòu)造類型的光譜指數(shù)，不能保證篩選出的光譜指數(shù)為最佳組合。

本研究以不同年份、品種類型、施氮水平的田間試驗(yàn)為基礎(chǔ)，綜合分析所得波段范圍內(nèi)所有兩波段組合的比值與歸一化光譜指數(shù)與水稻上部葉片Car含量之間的定量關(guān)系，并對比分析前人提出的其他構(gòu)造形式的Car敏感光譜指數(shù)在水稻作物上的應(yīng)用效果，探討葉片水平高光譜技術(shù)提取Car含量的可行方法，進(jìn)而建立Car含量的定量估算模型。希望能為水稻葉片Car含量的無損監(jiān)測和光合能力評價(jià)奠定基礎(chǔ)。

材料與方法

2.1 試驗(yàn)設(shè)計(jì)

本研究共進(jìn)行了4個(gè)水稻田間試驗(yàn)，涉及不同的試驗(yàn)點(diǎn)、年份、品種類型和施氮水平，具體的試驗(yàn)設(shè)計(jì)如下。

試驗(yàn)1（EXP.1）：2005年在江蘇省南京市農(nóng)林局江寧試驗(yàn)站進(jìn)行。供試品種為‘27123’和‘武香粳14’。土壤有機(jī)質(zhì)含量1.61%、全氮含量0.136%、速效氮含量74.7mg/kg、速效磷含量10.36mg/kg、速效鉀含量82.6mg/kg。設(shè)4個(gè)施氮水平：0、90、270和405kg/hm2純氮，按基肥35%、分蘗肥15%、促花肥25%、?；ǚ?5%施入；各處理配施135kg/hm2P2O5和190kg/hm2K2O，均做基肥一次性施入。試驗(yàn)小區(qū)隨機(jī)區(qū)組排列，重復(fù)3次，小區(qū)面積為3.5m×9.0m=31.5m2，株行距為0.15m×0.25m。5月18日播種，6月18日移栽，其他管理同常規(guī)高產(chǎn)田。

試驗(yàn)2（EXP.2）：2006年在江蘇省南京市農(nóng)林局江寧試驗(yàn)站進(jìn)行。供試品種同試驗(yàn)1。土壤有機(jī)質(zhì)含量1.43%、全氮含量0.11%、速效氮含量62.5mg/kg、速效磷含量10.36mg/kg、速效鉀含量82.5mg/kg。設(shè)4個(gè)施氮水平：0、90、240和360kg/hm2純氮，氮肥基追比及磷鉀肥的施用同試驗(yàn)1。試驗(yàn)小區(qū)隨機(jī)區(qū)組排列，重復(fù)3次，小區(qū)面積為5m×5m=25m2，株行距為0.15m×0.25m。5月18日播種，6月20日移栽，其他管理同常規(guī)高產(chǎn)田。

試驗(yàn)3（EXP.3）：2006年在浙江省杭州市中國水稻研究所試驗(yàn)場（119°56′E，30°05′N）進(jìn)行。選用9個(gè)不同株型和穗型的品種，分別為‘III優(yōu)98’、‘II優(yōu)航1號’、‘勝泰1號’、‘D優(yōu)527’、‘II優(yōu)162’、‘國稻6號’、‘天優(yōu)998’、‘汕優(yōu)63’和‘II優(yōu)602’。土壤有機(jī)質(zhì)含量1.02%、全氮含量0.101%、速效氮含量53.2mg/kg、速效磷含量9.6mg/kg、速效鉀含量66mg/kg。設(shè)3個(gè)施氮水平：0、120和180kg/hm2純氮，按基肥50%、分蘗肥30%和穗肥20%施入。各處理配施CaP2H4O8450kg/hm2，KCl150kg/hm2。試驗(yàn)小區(qū)隨機(jī)區(qū)組排列，3次重復(fù)，小區(qū)面積3m×3m=9m2，株行距為0.20m×0.28m。5月23日左右播種，6月13日移栽，其他管理同常規(guī)高產(chǎn)田。

試驗(yàn)4（EXP.4）：2007年在江蘇省南京市農(nóng)林局江寧試驗(yàn)站（118°59′E，31°56′N）進(jìn)行。供試品種為‘兩優(yōu)培九’和‘武香粳14號’。土壤有機(jī)質(zhì)含量2.11%、全氮含量0.116%、速效氮含量103.9mg/kg、速效磷含量43.46mg/kg、速效鉀含量80.5mg/kg。試驗(yàn)采用裂區(qū)設(shè)計(jì)，2個(gè)水分處理：間歇灌溉和水層灌溉（3–5cm），水分處理于秧苗移栽并返青之后開始實(shí)施至水稻成熟；3個(gè)施氮水平：0、180和300kg/hm2純氮，按基肥50%、分蘗肥10%、促花肥20%、?；ǚ?0%施入；磷鉀肥的施用同試驗(yàn)1。小區(qū)面積為5m×6m=30m2，株行距為0.20m×0.28m，3次重復(fù)。5月18日播種，6月18日移栽，其他管理同常規(guī)高產(chǎn)田。

2.2 葉片取樣及光譜測量

分別在水稻拔節(jié)、孕穗、抽穗、灌漿前期、灌漿中期和灌漿后期，從每個(gè)小區(qū)內(nèi)選取水稻植株數(shù)穴，連根拔起，置于水桶中，帶回實(shí)驗(yàn)室，每處理取6個(gè)代表性主莖，測定主莖頂1（L1）、頂2（L2）、頂3（L3）和頂4（L4）完全展開葉上、中、下部的反射光譜，取平均值作為被測葉位的光譜反射率。葉片光譜測量采用萊森光學(xué)iSpecField地物光譜儀自帶的手持葉夾式葉片光譜探測器進(jìn)行，探測器內(nèi)置石英鹵化燈，光源穩(wěn)定；測量時(shí)葉片置于葉片夾的葉室中，從而保證葉片水平且被探測面積相同，以消除背景反射、葉片表面彎曲造成的光譜波動(dòng)及葉片內(nèi)部變異造成的影響。

2.3 葉片Car含量測定

采集完光譜反射率后，將葉片樣本迅速放于保鮮袋中，經(jīng)液氮冷凍處理，然后測定Car含量。測定時(shí)，將葉片剪碎、混勻，稱0.10g左右，采用無水乙醇和丙酮1：1混合液于暗處提取，用紫外可見分光光度計(jì)測定470、645和663nm處的吸光度，然后以Lichtenthaler法計(jì)算不同葉位葉片的Car含量。

2.4 數(shù)據(jù)分析

方法本文選用最為常用的比值光譜（SR（λ1，λ2））和歸一化差值（ND（λ1，λ2））指數(shù)，詳細(xì)分析350–2500nm范圍內(nèi)任意兩波段組合的SR和ND光譜指數(shù)與水稻葉片Car含量間的關(guān)系，以期找到預(yù)測水稻葉片Car含量的適宜光譜變量。

首先綜合利用試驗(yàn)1和2的資料對光譜指數(shù)與葉片Car含量進(jìn)行相關(guān)分析，選出敏感波段及適宜光譜指數(shù)，并通過回歸分析建立基于敏感光譜指數(shù)的水稻葉片Car含量預(yù)測模型。然后基于試驗(yàn)3和4的數(shù)據(jù)資料，采用均方根差（RMSE）、平均相對誤差（RE）和預(yù)測精度（P-R2）3個(gè)統(tǒng)計(jì)指標(biāo)對所篩選的光譜指數(shù)及其預(yù)測模型進(jìn)行測試和檢驗(yàn)，并繪制觀察值與預(yù)測值之間的1：1關(guān)系圖。所有數(shù)據(jù)處理和分析過程均在MATLAB語言環(huán)境下編程實(shí)現(xiàn)。

結(jié)果與分析

3.1 水稻葉片Car含量的變化特征

表2顯示了本文中建模及測試樣本集葉片Car含量的統(tǒng)計(jì)結(jié)果，Car含量的變幅范圍分別為0.136–0.854mg/g和0.217–0.866mg/g，變異系數(shù)分別為28.8%和22.7%，顯示樣本具有較好的代表性。

表2水稻葉片類胡蘿卜素含量的變化

因不同年度試驗(yàn)、不同水稻品種間葉片Car含量隨生育期的變化具有一定的相似性，本節(jié)以試驗(yàn)2中‘武香粳14’為例說明不同處理及不同葉位葉片Car含量變化情況。圖1展示不同施氮水平間各葉位葉片平均Car含量隨生育期的變化模式，各生育期不同施氮水平間葉片Car含量差異明顯，均表現(xiàn)為N3>N2>N1>N0變化模式；隨生育期的變化，在抽穗前（DAT80）變化緩慢，而抽穗后均表現(xiàn)為快速下降的趨勢，表明在生育前期，各處理葉片Car含量均有一個(gè)積累保持期，這有利于防護(hù)葉片葉綠素的降解；后期隨著葉片的營養(yǎng)轉(zhuǎn)移及衰老，Car含量持續(xù)下降，而施氮可提高葉片Car含量，延緩葉片的衰老。

圖1水稻頂部葉片類胡蘿卜素含量隨生育期的變化(試驗(yàn)2, ‘武香粳14’)。N0、N1、N2、N3,分別表示0、90、240和360 kg N/hm2處理。L1、L2、L3、L4,分別表示頂1、頂2、頂3、頂4葉。

圖1顯示了不同葉位間各處理平均Car含量隨生育期的變化模式，不同葉位間，Car前期差異較小，在移栽后80天，葉片已全部抽出，進(jìn)入孕穗期，葉位固定，之后各時(shí)期Car含量明顯表現(xiàn)為L1>L2>L3>L4的空間模式；隨著生育期推進(jìn)，各葉位葉片Car含量變化有異，抽穗前，L1和L2表現(xiàn)為先緩慢下降后上升，L3和L4表現(xiàn)為緩慢下降，抽穗期后，均表現(xiàn)為持續(xù)快速下降趨勢，說明上葉位比下葉位具有更強(qiáng)的生理活性。

3.2 水稻葉片光譜反射率的變化特征

為了清晰地描述不同Car含量水平葉片的反射光譜特征，本研究將400組葉片的反射光譜按Car含量從低到高分為Car≤0.2、0.20.8mg/g6組，并將每組樣本的光譜反射率進(jìn)行平均，從而得到代表不同Car含量水平的葉片反射光譜曲線圖（圖2）。

圖2不同類胡蘿卜素含量(mg/g)水平水稻葉片的光譜反射率特征

圖2顯示在350–700nm可見光區(qū)，葉片反射率隨著Car含量的增加而降低，平均變化幅度達(dá)到230%，而在近紅外波段（750–1350nm），葉片反射率隨著Car含量的增加而增加，但其平均變化幅度僅為5.17%?？梢姽鈪^(qū)的光譜特征受各種色素的共同影響，色素含量高則吸收強(qiáng)，反射率就低，而近紅外區(qū)域的光譜特征主要受葉肉結(jié)構(gòu)的影響，本文中由色素含量變化造成的葉肉結(jié)構(gòu)的差異相對較小，因此，受Car含量變化的影響，近紅外區(qū)葉片光譜反射率的變化強(qiáng)度要明顯小于可見光部分。不同Car含量下葉片光譜反射率的這種變化規(guī)律為研究利用高光譜技術(shù)反演水稻葉片Car含量奠定了基礎(chǔ)。

3.3 水稻葉片Car含量與原始光譜及一階導(dǎo)數(shù)間的相關(guān)性

將試驗(yàn)1和2中所有生育期的葉片Car含量與對應(yīng)的葉片光譜反射率及其一階微分光譜數(shù)據(jù)（n=400）進(jìn)行了總體相關(guān)分析（圖3）。結(jié)果顯示，波長小于745nm的光譜反射率與葉片Car含量呈負(fù)相關(guān)，其中，在510–600nm綠光區(qū)域及695–717nm的紅邊區(qū)域，負(fù)相關(guān)達(dá)到較高水平（r<–0.88），相關(guān)性最好的波段分別為562nm（r=–0.887）和705nm（r=–0.895）。在750–1350nm近紅外區(qū)域內(nèi)，存在一個(gè)正相關(guān)系數(shù)平臺，但相關(guān)性較?。╮<0.34）。葉片Car含量與一階微分光譜間的相關(guān)關(guān)系表明，在500–510、535–550及685–795nm的幾個(gè)窄波段區(qū)域，其負(fù)相關(guān)達(dá)到較高水平（r<–0.87）；在635–670及710–760nm區(qū)域，其正相關(guān)達(dá)到較高水平（r>0.88），以744nm附近的相關(guān)性最高（r=0.92）。可見，可見光綠光及紅邊波段與水稻葉片Car含量關(guān)系密切，而近紅外波段對Car含量變化不太敏感，通過對這幾個(gè)區(qū)域光譜信息的充分挖掘，有可能找到用于水稻葉片Car含量監(jiān)測的適宜光譜變量。

圖3水稻葉片類胡蘿卜素含量與葉片光譜反射率及一階導(dǎo)數(shù)光譜數(shù)據(jù)的相關(guān)性(n= 400)

3.4 水稻葉片Car含量的敏感光譜指數(shù)

高光譜反射率具有連續(xù)、精細(xì)的特點(diǎn)，有助于獲得豐富的波段組合，增強(qiáng)對植株生物理化參數(shù)的探測能力。本研究系統(tǒng)分析了350–2500nm范圍內(nèi)任意兩波段組合而成的比值（SR）及歸一化差值（ND）光譜指數(shù)與水稻葉片Car含量間的關(guān)系。圖4突出顯示了400–1200nm范圍內(nèi)兩波段組合的SR（圖4A）和ND（圖4B）光譜指數(shù)與Car含量間線性擬合的決定系數(shù)等勢圖，等勢線上的數(shù)字表示決定系數(shù)（S-R2）的起點(diǎn)。

圖4兩波段組合的比值(A)及歸一化(B)光譜指數(shù)估算類胡蘿卜素含量的決定系數(shù)(R2 )等勢圖

從圖4可以看出，可見光綠光至紅邊波段（λ1）與近紅外波段（λ2）的SR或ND組合與水稻葉片Car含量間均達(dá)到顯著相關(guān)水平，以綠光及紅邊波段組合表現(xiàn)突出。在綠光區(qū)域，綠峰處554nm附近與近紅外波段的SR組合及562nm附近與近紅外波段ND組合表現(xiàn)突出（S-R2>0.85），其中以SR（554，773）和ND（773，562）表現(xiàn)最好（表3），S-R2分別為0.854和0.867。在紅邊區(qū)域，以723nm附近與近紅外波段的SR組合及713nm附近與近紅外波段的ND組合表現(xiàn)突出（S-R2>0.89），近紅外參考波段以770nm附近波段表現(xiàn)最好，SR（723，770）和ND（770，713）用于Car含量估算的線性S-R2分別達(dá)到0.897和0.898（表3）?；趦赡陜蓚€(gè)品種的試驗(yàn)數(shù)據(jù)，圖5展示了SR（723，770）和ND（770，713）對不同生育期及不同葉位水稻葉片Car含量的擬合效果。

圖5水稻葉片類胡蘿卜素含量與比值指數(shù)(SR) (723, 770)及歸一化指數(shù)(ND) (770, 713)的關(guān)系(n=400)。L1、L2、L3、L4同圖1

3.5 模型的測試與檢驗(yàn)

利用試驗(yàn)3和試驗(yàn)4的獨(dú)立資料，采用均方根差（RMSE）、平均相對誤差（RE）和預(yù)測精度（P-R2）3項(xiàng)統(tǒng)計(jì)指標(biāo)，對各預(yù)測方程的可靠性與普適性進(jìn)行了驗(yàn)證（表3）。檢驗(yàn)結(jié)果顯示，基于SR（723，770）和ND（770，713）建立的葉片Car含量監(jiān)測模型的測試效果最好（圖6），觀測值與模擬值之間的P-R2分別達(dá)到0.856和0.858，RMSE分別為0.083和0.085mg/g，RE分別為11.9%和12.0%。兩指數(shù)的預(yù)測精度和預(yù)測誤差均相近，這與兩指數(shù)的構(gòu)造波段相近，包含類似的光譜信息，且建模和測試數(shù)據(jù)相同有關(guān)，說明基于這兩個(gè)光譜指數(shù)建立的模型對水稻葉片Car含量的預(yù)測均具有較好的準(zhǔn)確度和普適性。基于綠光波段提出的SR（554，773）和ND（773，562）不及上述紅邊波段組合優(yōu)秀，P-R2分別為0.782和0.794，RMSE依次為0.074和0.075mg/g，RE分別為12.8%和12.7%（表3）。

表3水稻葉片類胡蘿卜素含量(y)與不同光譜指數(shù)(x)的定量關(guān)系(n = 400)及檢驗(yàn)效果(n = 223)

進(jìn)一步分析了前人提出的不同類型Car指數(shù)在本研究中的應(yīng)用效果（表3）?？梢钥闯觯叭嘶贑ar吸收波段470nm附近波段提出的PSSRc和PSNDc與水稻葉片Car含量的關(guān)系較差，擬合精度S-R2僅為0.718和0.712，這可能與Car和葉綠素的吸收波段部分重疊受葉綠素影響有關(guān)。而前人構(gòu)造的CRI550、CRI700、R760/R500和R672/（R550×R708），其對水稻葉片Car含量的估算效果也不理想，擬合精度較低，預(yù)測誤差也較大（RE>18.5%），不及本研究新提出的各光譜指數(shù)表現(xiàn)優(yōu)秀。

討論

高光譜遙感以其高分辨率、多波段、海量數(shù)據(jù)等特點(diǎn)，為量化植被體內(nèi)的單一光合色素提供了有效途徑。植物體內(nèi)的Car含量較低，且生理變化復(fù)雜，導(dǎo)致已有光譜預(yù)測模型對Car的估測精度較低。本文綜合分析了不同年份、施氮水平、品種類型、生育時(shí)期水稻不同葉位葉片反射光譜與Car含量之間的定量關(guān)系，結(jié)果顯示，不同葉位水稻葉片Car含量及不同Car含量水平下水稻葉片光譜反射率均有明顯的規(guī)律性差異，葉片光譜反射率與Car含量間在可見光綠光及紅邊區(qū)域表現(xiàn)為顯著的負(fù)相關(guān)性，而在近紅外區(qū)域表現(xiàn)為較弱的正相關(guān)關(guān)系，這為光譜監(jiān)測水稻葉片Car含量提供了理論依據(jù)。

光譜指數(shù)可以使植被的有效反射信息最大化，而使外部因素影響最小化，構(gòu)建適宜的敏感光譜指數(shù)已成為遙感提取植被生化組分信息的重要方法。孫雪梅比較了幾種經(jīng)驗(yàn)性光譜指數(shù)對水稻劍葉Car含量的估算效果，指出光譜監(jiān)測Car含量比監(jiān)測葉綠素含量要困難的多。本研究通過分析350–2500nm范圍內(nèi)所有兩波段組合的比值及歸一化光譜指數(shù)與葉片Car含量間的定量關(guān)系，結(jié)果表明，拓寬光譜指數(shù)的研究范圍，可以提取出適于水稻葉片Car含量監(jiān)測的理想光譜指數(shù)。光譜指數(shù)組合波段的選擇對其預(yù)測能力影響較大，以紅邊723nm左右的波段（λ1）與近紅外波段（λ2）的比值組合以及紅邊713nm左右的波段與近紅外波段的歸一化組合預(yù)測水稻葉片Car含量的效果最好（S-R2>0.89），近紅外參考波段以770nm附近波段表現(xiàn)最佳。

圖6基于比值指數(shù)SR(723, 770)和歸一化指數(shù)ND (770, 713)的水稻葉片類胡蘿卜素含量實(shí)測值與預(yù)測值間的比較(n = 223)。RE、RMSE,同表3。

本文所選最佳光譜指數(shù)敏感波段范圍與王福明等利用歸一化光譜指數(shù)的研究結(jié)果相近，均在紅邊區(qū)域內(nèi)，說明紅邊波段組合的光譜指數(shù)預(yù)測水稻葉片Car含量具有較好的通用性；不同的是，構(gòu)成指數(shù)參考波段的選擇中，本文中無論是比值還是歸一化光譜指數(shù)，均以近紅外波段表現(xiàn)更好，短波紅外波段（>1350nm）作為參考波段雖有一定的估算效果，但均不及近紅外波段表現(xiàn)突出，這可能與短波紅外波段對葉片水分濃度變化敏感，波動(dòng)較大，不及近紅外波段穩(wěn)定有關(guān)。唐延林等利用綠光553nm與不同波段的比值組合進(jìn)行水稻葉片色素含量的監(jiān)測，本文也證明了綠光波段與近紅外波段的比值或歸一化組合對Car含量有一定的預(yù)測作用，但其預(yù)測效果不及紅邊波段組合優(yōu)秀（S-R2<0.867），不是預(yù)測水稻葉片Car含量的理想選擇。

進(jìn)一步分析了前人在其他植被上提出的R760/R500、PSSRc和PSNDc、R672/（R550×R708）、以及CRI550和CRI700等不同構(gòu)造類型的Car敏感光譜指數(shù)在本文中的應(yīng)用效果，發(fā)現(xiàn)這些光譜指數(shù)對本文水稻葉片Car含量的預(yù)測效果均較差（表3），可能是因?yàn)檫@些光譜指數(shù)均是基于特定的林木葉片提出的，所用葉片表層及葉肉結(jié)構(gòu)與禾本科的水稻作物葉片差異較大；另一方面，這些已有指數(shù)均是基于少數(shù)經(jīng)驗(yàn)性波段的敏感性分析上提出的，因其研究波段范圍較窄而易導(dǎo)致關(guān)鍵光譜指數(shù)的丟失，不能保證篩選出的光譜指數(shù)的敏感性和穩(wěn)定性。

本研究則采用了全波段綜合分析方法，這有利于篩選出光譜指數(shù)的最佳組合。最終所選光譜指數(shù)均為可見光區(qū)敏感波段與近紅外不敏感波段的組合，這在一定程度上有利于消除葉片結(jié)構(gòu)及表面反射等因素對反演結(jié)果的影響?；讵?dú)立試驗(yàn)資料的檢驗(yàn)結(jié)果表明，本研究新提出的SR（723，770）和ND（770，713）對水稻葉片Car含量的預(yù)測具有較好的準(zhǔn)確性和穩(wěn)定性，這為水稻葉片光合色素的無損監(jiān)測及便攜式色素監(jiān)測儀的開發(fā)奠定了基礎(chǔ)。本研究采用葉夾式探測器測定葉片光譜，可以較好地消除背景及冠層結(jié)構(gòu)的影響，光譜獲取的精確性較高，所使用的數(shù)據(jù)來源于不同年份、不同品種和不同氮肥處理，其樣品Car含量涵蓋范圍較大，且來自不同生育時(shí)期和不同葉位，因而所建立的模型可靠性得到增強(qiáng)，具有較好的代表性，但今后仍需在更廣泛的條件下進(jìn)行測試和檢驗(yàn)，以增強(qiáng)模型的估測精度和適用范圍。

5、結(jié)論

水稻葉片Car含量和光譜反射率在不同施氮水平、不同葉位間均存在明顯的規(guī)律性變化，510–600nm綠光區(qū)域和695–717nm紅邊區(qū)域與葉片Car含量間有較好的相關(guān)性，紅邊723nm左右波段與近紅外波段的比值組合以及紅邊713nm附近波段與近紅外波段的歸一化組合可很好地監(jiān)測水稻葉片Car含量，近紅外參考波段以770nm附近波段表現(xiàn)最好。新提出的SR（723，770）和ND（713，770）與葉片Car含量間有很好的相關(guān)性，且預(yù)測性和重演性好，說明通過提取適當(dāng)?shù)娜~片光譜指數(shù)可以有效地估算水稻葉片Car含量。

歡迎關(guān)注公眾號：萊森光學(xué)，了解更多光譜知識。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)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(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯黃宇