黃雙萍，岳學(xué)軍，4，洪添勝，吳偉斌，黎蘊(yùn)玉

(1.華南農(nóng)業(yè)大學(xué)南方農(nóng)業(yè)機(jī)械與裝備關(guān)鍵技術(shù)省部共建教育部重點(diǎn)實(shí)驗(yàn)室，廣東廣州510642;2.國(guó)家柑橘產(chǎn)業(yè)技術(shù)體系機(jī)械研究室，廣東廣州510642;3.華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣東 廣州510642;4.南昆士蘭大學(xué) 工程與測(cè)繪學(xué)院，圖文巴QLD4350)

鉀(K)是柑橘樹(shù)體內(nèi)活性極強(qiáng)的營(yíng)養(yǎng)元素，適量的K素對(duì)柑橘果實(shí)發(fā)育和品質(zhì)起著十分重要的作用.為精準(zhǔn)動(dòng)態(tài)地調(diào)整K肥噴施用量，保證柑橘樹(shù)體內(nèi)K素質(zhì)量分?jǐn)?shù)適中，需要對(duì)K素營(yíng)養(yǎng)水平進(jìn)行無(wú)損檢測(cè).

近年來(lái)，隨著光譜技術(shù)的發(fā)展，利用光譜數(shù)據(jù)進(jìn)行植物營(yíng)養(yǎng)成分分析的研究日漸見(jiàn)多［1-19］，但這些研究的工作主要是集中在植物氮素含量分析［1-7，9-10，12-15，18］.國(guó)內(nèi)外基于光譜數(shù)據(jù)對(duì)植物 K素質(zhì)量分?jǐn)?shù)進(jìn)行預(yù)測(cè)建模的研究為數(shù)不多［8，11，17，19］.郭賀等［8］利用近紅外光譜快速無(wú)損測(cè)定煙葉氮鉀含量，喬欣等［11］利用冠層光譜信息估算大豆全鉀含量，邢東興等［17］基于反射光譜率對(duì)蘋(píng)果樹(shù)鮮葉全氮、全磷、全鉀含量進(jìn)行測(cè)定與分析.P.Menesatti等［19］利用近紅外-可見(jiàn)光譜定量測(cè)試柑橘葉片包括K在內(nèi)的多種營(yíng)養(yǎng)元素含量，但沒(méi)有關(guān)注不同物候期的差異.易時(shí)來(lái)等［20］研究盆栽錦橙葉片鉀含量光譜監(jiān)測(cè)模型，取得0.82的預(yù)測(cè)相關(guān)系數(shù).這些研究結(jié)果表明，利用光譜技術(shù)檢測(cè)植物鉀營(yíng)養(yǎng)狀態(tài)是有效可行的.

文中以廣州市蘿崗區(qū)蟹莊村柑橘園117株羅崗橙樹(shù)為試驗(yàn)對(duì)象，用ASD公司高光譜儀FieldSpec3采集柑橘萌芽期、穩(wěn)果期、壯果促梢期和采果期4個(gè)物候期鮮葉反射光譜值，構(gòu)成柑橘樹(shù)葉片樣本多元矢量描述.用火焰光度法測(cè)試同期同批葉片K素質(zhì)量分?jǐn)?shù)，多元高光譜描述與K素質(zhì)量分?jǐn)?shù)實(shí)測(cè)值構(gòu)成建模數(shù)據(jù)集.

1 材料與方法

1.1 樣本樹(shù)種植管理

試驗(yàn)選擇廣州市蘿崗區(qū)蟹莊村柑橘園117株4年生蘿崗橙樹(shù)為研究對(duì)象，這些樹(shù)位于柑橘園同一區(qū)域，生長(zhǎng)狀況基本一致.對(duì)柑橘樹(shù)樣品進(jìn)行規(guī)范化種植管理:參照嶺南柑橘品種生長(zhǎng)發(fā)育程度，分別在萌芽期、穩(wěn)果期、壯果促梢期與采果期施用純度為45%，化學(xué)成分為氯化鉀(KCl)的鉀肥;為精確控制施肥處理，試驗(yàn)采用2種不同鉀肥水平施肥，分別記為K1，K2，2種水平K肥全年施用量分別為490.67 g和122.67 g;117株樣本中，各有54株按照K1、K2水平施肥，剩下9株不施K肥;根據(jù)柑橘在不同生長(zhǎng)時(shí)期對(duì)K肥的需求不同，分別在2011年2月、4月、6月、8月施用占全年總量的30%，30%，25%，15%的K肥.柑橘園內(nèi)保證良好的光照條件;在生長(zhǎng)期內(nèi)灌溉頻度為每周2次;加配富含有機(jī)質(zhì)，含水量高，pH值為4～5的疏松泥炭蘚或共生苔蘚的土壤.

1.2 建模數(shù)據(jù)采集

柑橘葉片采集時(shí)間為每次施肥15 d后，共采集了4次:2011年2月20日、4月24日、6月26日和8月23日.每株樹(shù)分東南西北和上下層共采集8片大小均勻的健康葉片，選位于頂梢起向下數(shù)的第3至第4片鮮葉.用ASD Fieldspec3采集柑橘鮮葉片的光譜反射值，8片葉子光譜反射值的均值作為柑橘樣本的光譜描述.該儀器光譜范圍為350～2 500 nm，光譜分辨率在350～1 000 nm范圍內(nèi)為3 nm，在1 000～2 500 nm范圍內(nèi)為7 nm;采樣間隔在350～1 000 nm范圍內(nèi)為1.4 nm，在1 000～2 500 nm范圍內(nèi)為2 nm.光譜采集時(shí)，從葉片基部將葉片完整裁剪下，將待測(cè)葉片展開(kāi)平鋪于反射率近似為零的黑色橡膠上，入射光纖及人工光源Pro Lamp(A128932)通過(guò)手柄安裝在采集支架上，入射光纖探頭垂直向下，正對(duì)待測(cè)葉片，探頭與待測(cè)葉片距離6 cm(視場(chǎng)直徑約0.52 cm，小于葉片寬度)，使待采集葉片的相應(yīng)部位充滿探測(cè)頭視場(chǎng).人工光源天頂角為30°，方向與葉片保持一致.分別在每片葉子的葉尖、葉中、葉基附近采集3次，從葉尖開(kāi)始采集光譜至葉片基部結(jié)束，取其平均值作為觀測(cè)葉片的光譜反射值.每次測(cè)量前均用白板校正，采集暗電流25次，白板10次.FieldSpec3輸出數(shù)據(jù)間隔為1 nm，因此，每株柑橘樣本的光譜描述是2 151維多元矢量.每株柑橘樹(shù)的8片鮮葉均勻混合后作為一個(gè)樣品，取樣品經(jīng)消煮或浸提后的稀釋液體，用火焰光度法測(cè)定稀釋液的鉀素質(zhì)量分?jǐn)?shù).不同批次117株柑橘樹(shù)樣本的葉片平均高光譜反射率見(jiàn)圖1，鉀素質(zhì)量分?jǐn)?shù)統(tǒng)計(jì)數(shù)據(jù)見(jiàn)表1.

圖1 不同物候期117株柑橘樣本平均反射光譜

表1 實(shí)驗(yàn)室測(cè)定的不同物候期K素質(zhì)量分?jǐn)?shù) ‰

從圖1看出，4個(gè)物候期的柑橘葉片在350～650 nm可見(jiàn)光區(qū)內(nèi)反射率較弱，在550 nm處有一個(gè)強(qiáng)反射峰.在650～700 nm，反射光譜迅速增強(qiáng).在700～1 250 nm內(nèi)反射率處于高位，且隨著波長(zhǎng)增加呈現(xiàn)非顯著的降低趨勢(shì)，形成一個(gè)高的“反射平臺(tái)”.由此可知，柑橘葉片反射光譜曲線在小于1 250 nm內(nèi)的可見(jiàn)光和近紅外光區(qū)內(nèi)呈現(xiàn)的規(guī)律和前人研究基本一致［20］.在1 250～1 400 nm紅外區(qū)內(nèi)，反射光譜迅速下降至局部谷點(diǎn)，在1 400～1 850 nm內(nèi)，反射率又從谷點(diǎn)迅速上升，形成第2個(gè)反射值高位區(qū)間.在1 850～1 900 nm間反射值再次迅速下降至接近零的位置，1 900～2 400 nm之間又形成一個(gè)“反射山峰”.

2 試驗(yàn)結(jié)果分析

2.1 鉀素質(zhì)量分?jǐn)?shù)敏感波段飄移現(xiàn)象分析

柑橘在不同物候期對(duì)鉀素的需求不同，不同物候期測(cè)得的柑橘葉片反射光譜是其生理狀態(tài)和物理化學(xué)組分的綜合反映.本節(jié)試驗(yàn)研究反射光譜與葉片鉀素質(zhì)量分?jǐn)?shù)間相關(guān)性在不同物候期呈現(xiàn)的規(guī)律，為柑橘在不同物候期鉀素質(zhì)量分?jǐn)?shù)的光譜監(jiān)測(cè)建模提供依據(jù).

皮爾森(Pearson)相關(guān)系數(shù)r是反映2個(gè)變量x和y線性相關(guān)程度的統(tǒng)計(jì)量，其計(jì)算公式如下:

圖2 反射光譜與K素質(zhì)量分?jǐn)?shù)相關(guān)性分析

式中:下標(biāo)i表示變量的不同抽樣值;n為樣本量;r的取值范圍是［-1，1］.根據(jù)統(tǒng)計(jì)學(xué)理論，0.3≤|r|＜0.8表示2個(gè)變量中等程度線性相關(guān)，0.8≤|r|≤1表示強(qiáng)線性相關(guān)，0＜|r|≤0.3表示弱線性相關(guān)，r=0表示非線性相關(guān).當(dāng)r＞0時(shí)，表明2個(gè)變量正相關(guān)，否則負(fù)相關(guān).

選取4個(gè)批次K素質(zhì)量分?jǐn)?shù)實(shí)測(cè)數(shù)據(jù)各117個(gè)，分別與350～2 500 nm波長(zhǎng)范圍的反射率進(jìn)行皮爾森相關(guān)系數(shù)分析計(jì)算，圖2畫(huà)出皮爾森系數(shù)曲線和相應(yīng)顯著性水平曲線.

4個(gè)物候期分別對(duì)應(yīng)子圖2a-d，綜合4批數(shù)據(jù)的全發(fā)育期對(duì)應(yīng)子圖2e.圖中實(shí)線為皮爾森系數(shù)曲線，用藍(lán)色“□”標(biāo)注大于0.3的皮爾森系數(shù);虛線為顯著性水平曲線，用紅色“?”標(biāo)注小于等于0.01的顯著性校驗(yàn)值.

從圖2a看出，萌芽期內(nèi)顯著性水平為0.01的K素敏感特征波段位于1 000 nm內(nèi)，全波段區(qū)間鉀素質(zhì)量分?jǐn)?shù)和反射光譜呈正線性相關(guān).從圖2b看出，穩(wěn)果期K素敏感特征波段主要位于700 nm以內(nèi)的可見(jiàn)光區(qū)，但在1 900～1 960 nm的短波紅外區(qū)出現(xiàn)新的鉀素敏感特征波段.相比萌芽期，穩(wěn)果期在700～1 900 nm內(nèi)出現(xiàn)較寬范圍的弱負(fù)線性相關(guān)波段區(qū).壯果促梢期(圖2c)的弱負(fù)相關(guān)頻率區(qū)域相比穩(wěn)果期變窄，可見(jiàn)光區(qū)內(nèi)特征波段線性相關(guān)曲線包絡(luò)相比萌芽期有明顯變化，其中萌芽期包絡(luò)有明顯單峰特性，而壯果促梢期包絡(luò)曲線較為平坦.采果期(圖2d)顯著性為0.01的中度以上相關(guān)波段最遠(yuǎn)漂移至2 478～2 500 nm(見(jiàn)表2)，可見(jiàn)光區(qū)出現(xiàn)皮爾森系數(shù)大于0.3的中等程度負(fù)線性相關(guān)的光譜波段為350，351和358 nm.這些分析表明，柑橘鉀素敏感光譜特征波段隨著不同物候期生物特性的變化，呈現(xiàn)明顯漂移現(xiàn)象.

表2列出4個(gè)物候期和全發(fā)育期與鉀素質(zhì)量分?jǐn)?shù)中等程度線性相關(guān)的波段(即|r|≥0.3)，且顯著性水平為0.01.

表2 不同物候期鉀素質(zhì)量分?jǐn)?shù)敏感特征波段

2.2 不同物候期鉀素預(yù)測(cè)建模結(jié)果分析

由于柑橘在發(fā)育周期內(nèi)隨不同物候期出現(xiàn)K素敏感特征波段飄移現(xiàn)象，本節(jié)試驗(yàn)進(jìn)一步研究不同物候期鉀素預(yù)測(cè)建模規(guī)律.

根據(jù)2.1節(jié)所述，選擇顯著性水平為0.01，皮爾森系數(shù)大于0.3的波長(zhǎng)點(diǎn)作為K素敏感特征波段.如表2所示，萌芽期、穩(wěn)果期、壯果促梢期、采果期和全發(fā)育期分別選擇514，266，244，190和609 nm特征波段反射值構(gòu)成描述柑橘葉片樣本的多元矢量.文中試驗(yàn)總共采集4個(gè)物候期4批次數(shù)據(jù)，單批次樣本數(shù)為117，總樣本數(shù)為468.每次試驗(yàn)任意選擇80%的數(shù)據(jù)用作訓(xùn)練建模，其他20%用作測(cè)試.試驗(yàn)選定模型決定系數(shù)R2，均方誤差MSE(mean square error)，平均相對(duì)誤差REa(average relative error)等指標(biāo)，用以評(píng)估回歸模型性能.每個(gè)試驗(yàn)方案獨(dú)立運(yùn)行20次，取20次性能指標(biāo)的均值和標(biāo)準(zhǔn)差作為試驗(yàn)結(jié)果記錄.模型性能在測(cè)試集上評(píng)估.

2.2.1 多元線性回歸建模

本節(jié)試驗(yàn)用多元線性回歸法(multiple linear regression，MLR)［21］建立鉀素光譜監(jiān)測(cè)模型.試驗(yàn)中采用Matlab(R2011a)命令regress編程實(shí)現(xiàn)，試驗(yàn)結(jié)果見(jiàn)表3.

表3 不同物候期反射光譜M LR建模性能評(píng)估

從表3看出，萌芽期和采果期K素光譜監(jiān)測(cè)模型R2分別為0.812和0.610，模型決定系數(shù)偏低;MSE分別為0.728和99.590，REa分別為4.19%和11.30%，均方誤差和平均相對(duì)誤差偏大;穩(wěn)果期及壯果促梢期模型決定系數(shù)R2都低于0.3，模型幾乎沒(méi)有預(yù)測(cè)能力.由此可知，提取與鉀素質(zhì)量分?jǐn)?shù)中等以上線性相關(guān)的光譜特征波段建立多元線性回歸模型，模型精度低，預(yù)測(cè)性能差.圖3畫(huà)出全發(fā)育期K素敏感特征波段間皮爾森相關(guān)系數(shù)比率統(tǒng)計(jì)分布曲線，其中縱軸表示顯著性為0.01時(shí)，敏感特征波段間皮爾森系數(shù)累計(jì)比率(例如，橫軸為0.5的點(diǎn)表示皮爾森系數(shù)小于等于0.5的特征波段比率約為0.25，以此類推).從圖3可以看出，顯著波段間皮爾森系數(shù)大于0.3的比例高達(dá)90%，大于0.8的達(dá)50%.由此可知，特征光譜波段間多重共線性突出，從而導(dǎo)致其構(gòu)成的矢量空間線性不可分.因此，試驗(yàn)進(jìn)一步研究基于核的非線性回歸SVR建模和去相關(guān)PLS建模效果.

圖3 全發(fā)育期敏感波段皮爾森系數(shù)累計(jì)比率

2.2.2 支持矢量回歸建模

支持矢量回歸［22］是一個(gè)專門針對(duì)有限樣本情況的學(xué)習(xí)機(jī)器，其優(yōu)化的基本思想是結(jié)構(gòu)風(fēng)險(xiǎn)最小化，即在數(shù)據(jù)逼近精度與逼近函數(shù)復(fù)雜性之間尋求折衷，以期獲得最好的模型泛化能力.SVR最終解決的是一個(gè)凸二次規(guī)劃問(wèn)題，從理論上說(shuō)，得到的將是全局最優(yōu)解.SVR巧妙地利用核函數(shù)，將復(fù)雜的實(shí)際問(wèn)題通過(guò)非線性變換轉(zhuǎn)換到高維特征空間，在高維空間中構(gòu)造線性決策函數(shù)來(lái)實(shí)現(xiàn)原空間中的非線性決策.核函數(shù)的引進(jìn)，巧妙地規(guī)避高維映射定義和高維空間內(nèi)積運(yùn)算問(wèn)題，用線性方法解決線性不可分的數(shù)據(jù)回歸分析問(wèn)題，并保證模型有較好的推廣能力.

試驗(yàn)中調(diào)用libsvm軟件包編程實(shí)現(xiàn)，選擇RBF核函數(shù)，并用格子搜索和交叉驗(yàn)證的方法，搜索最佳模型參數(shù)和核函數(shù)參數(shù).試驗(yàn)結(jié)果見(jiàn)表4.

比較表3和表4，基于K素質(zhì)量分?jǐn)?shù)敏感光譜特征波段的支持矢量回歸(SVR)模型預(yù)測(cè)性能相比多元線性回歸(MLR)模型明顯提升，每個(gè)物候期模型R2均明顯提升，達(dá)到0.94以上，壯果促梢期預(yù)測(cè)模型MSE最低僅為0.036，采果期預(yù)測(cè)模型REa低至1.01%.這種線性(MLR)和非線性(SVR)預(yù)測(cè)模型性能的顯著差異，表明K素敏感特征波段構(gòu)成的特征空間呈現(xiàn)較為復(fù)雜的非線性，而基于核的非線性SVR建模方法明顯提高了K素質(zhì)量分?jǐn)?shù)預(yù)測(cè)精度.

表4 不同物候期反射光譜SVR建模性能評(píng)估

2.2.3 偏最小二乘法建模

偏最小二乘法［23］是一種多元數(shù)據(jù)統(tǒng)計(jì)分析方法，特別適用于解釋變量個(gè)數(shù)大于樣本量的問(wèn)題，常用于光譜數(shù)據(jù)分析.該方法的分析過(guò)程同時(shí)實(shí)現(xiàn)多元線性回歸、主成分分析以及典型相關(guān)分析.其中主成分分析基于原始變量，綜合出盡可能少的互不相關(guān)的新變量，而這些新變量盡可能多地保持原始數(shù)據(jù)的信息.因此，PLS建模過(guò)程中，在一定程度上去除了原始變量間的相關(guān)性.

試驗(yàn)利用Matlab R2011a命令plsregress建模，該命令的核心算法是1993年Jong S.De［24］提出的簡(jiǎn)單偏最小二乘.plsregress的參數(shù)ncomp是直接影響模型性能的重要參數(shù)，試驗(yàn)在閉區(qū)間［1，min(樣本數(shù)-1，樣本維度)］中根據(jù)最小均方誤差原則，采用交叉驗(yàn)證方式搜索最佳參數(shù)值.試驗(yàn)結(jié)果見(jiàn)表5.

從表5可以看出，采果期的PLS預(yù)測(cè)模型R2達(dá)0.991，REa低至0.974%，壯果促梢期模型MSE為0.036.4個(gè)物候期中，穩(wěn)果期模型精度略差，其R2為0.867，MSE為 0.292，REa為 3.169%.對(duì)比表 3和表5，各個(gè)物候期預(yù)測(cè)模型R2均明顯提升，且MSE和REa顯著下降，表明基于K素質(zhì)量分?jǐn)?shù)敏感光譜特征波段的PLS回歸模型相比MLR性能明顯提升.由此可知，PLS建模過(guò)程中的主成分分析一定程度去除了原始變量間的相關(guān)性，其模型預(yù)測(cè)性能明顯超出基于特征波段直接構(gòu)成的矢量空間而建立的線性模型，提高了K素質(zhì)量分?jǐn)?shù)預(yù)測(cè)精度.比較表4和表5，萌芽期和采果期PLS模型性能較好，穩(wěn)果期和全發(fā)育期SVR模型性能較好，而壯果促梢期PLS與SVR模型性能基本一致.

表5 不同物候期反射光譜PLS模型性能評(píng)估

3 結(jié)論

1)柑橘在不同物候期K素敏感光譜特征波段存在飄移現(xiàn)象.

2)K素敏感特征波段構(gòu)成的矢量空間由于波段間多重共線性而呈現(xiàn)復(fù)雜的非線性，因此用MLR建立的K素質(zhì)量分?jǐn)?shù)預(yù)測(cè)模型性能較差.

3)SVR基于核實(shí)現(xiàn)非線性建模，PLS用主成分提取法去除原始變量間的相關(guān)性再建立線性模型，這2種建模思路均較好地解決光譜波段間多重共線性問(wèn)題.

4)雖然不同物候期敏感特征波段存在漂移現(xiàn)象，但將4個(gè)物候期數(shù)據(jù)混合建模也取得了較佳的預(yù)測(cè)效果，因此為簡(jiǎn)單起見(jiàn)，可以在柑橘全生育期內(nèi)進(jìn)行K素質(zhì)量分?jǐn)?shù)光譜建模.

5)全發(fā)育期MLR，PLS，SVR綜合預(yù)測(cè)模型中，SVR取得最佳預(yù)測(cè)性能，其R2=0.994，MSE=0.120，平均相對(duì)誤差為1.33%.

References)

［1］ 彭彥昆，黃 慧，王 偉，等.基于LS-SVM和高光譜技術(shù)的玉米葉片葉綠素含量檢測(cè)［J］.江蘇大學(xué)學(xué)報(bào):自然科學(xué)版，2011，32(2):125-128.Peng Yankun，Huang Hui，WangWei，et al.Rapid detection of chlorophyll content in corn leaves by using least squares-support vector machines and hyperspectral images［J］.Journal of Jiangsu University:Natural Science Edition，2011，32(2):125-128.(in Chinese)

［2］ Smith M L，Martin M E，Plourde L，et al.Analysis of hyperspectral data for estimation of temperate forest canopy nitrogen concentration:comparison between an airborne(AVIRIS)and a spaceborne(hyperion)sensor［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(6):1332-1337.

［3］ Axelsson CR.Predicting mangrove leaf chemical content from hyperspectral remote sensing using advanced regression techniques［D］.Enschede，the Netherlands:University of Twente，2011.

［4］ Yi Q X，Huang JF，Wang FM，et al.Monitoring rice nitrogen status using hyperspectral reflectance and artificial neural network［J］.Environ Sci Technol，2007，41(19):6770-6775.

［5］ Tang Y L，Huang JF，CaiSH，et al.Nitrogen contents of rice panicle and paddy by hyperspectral remote sensing［J］.Pakistan Journal of Biological Sciences，2007，10(24):4420-4425.

［6］ Wang FM，Huang JF，Wang Y，et al.Monitoring nitrogen concentration of oilseed rape from hyperspectral data using radial basis function［J］.International Journal of Digit Earth，doi:10.1080117538947.2011.628414.

［7］ 王 淵，黃敬峰，王福民，等.油菜葉片和冠層水平氮素含量的高光譜反射率估算模型［J］.光譜學(xué)與光譜分析，2008，28(2):273-277.Wang Yuan，Huang Jingfeng，Wang Fumin，et al.Predicting nitrogen concentrations from hyperspectral reflectance at leaf and canopy for rape［J］.Spectroscopy and Spectral Analysis，2008，28(2):273-277.(in Chinese)

［8］ 郭 賀，金蘭淑，林國(guó)林.利用近紅外光譜法對(duì)煙葉氮鉀含量的快速測(cè)定［J］.黑龍江農(nóng)業(yè)科學(xué)，2008(4):103-104.Guo He，Jin Lanshu，Lin Guolin.Rapid determination of nitrogen and potassium contents in tobacco leaves by near infrared reflectance spectroscopy［J］.Heilongjiang Agricultural Sciences，2008(4):103-104.(in Chinese)

［9］ 張雪紅，劉紹民，何蓓蓓.基于包絡(luò)線消除法的油菜氮素營(yíng)養(yǎng)高光譜評(píng)價(jià)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24(10):151-155.Zhang Xuehong，Liu Shaomin，He Beibei.Hyperspectral evaluation of rape nitrogen nutrition using continuum-removed method ［J］.Transactions of the CSAE，2008，24(10):151-155.(in Chinese)

［10］ 蔣金豹，陳云浩，黃文江，等.條銹病脅迫下冬小麥冠層葉片氮素含量的高光譜估測(cè)模型［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24(1):35-39.Jiang Jinbao，Chen Yunhao，Huang Wenjiang，et al.Hyperspectral estimation models for LTN content of winter wheat canopy under stripe rust stress［J］.Transactions of the CSAE，2008，24(1):35-39.(in Chinese)

［11］ 喬 欣，馬 旭，張小超，等.大豆葉綠素和鉀素信息的冠層光譜響應(yīng)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(4):108-111.Qiao Xin，Ma Xu，Zhang Xiaochao，et al.Response of coronary spectrum on chlorophyll and K information of soy［J］.Transactions of the Chinese Society for Agricultural Machinery，2008，39(4):108-111.(in Chinese)

［12］ Miphokasap P，Honda K，Vaiphasa C，et al.Estimating canopy nitrogen concentration in sugarcane using field imaging spectroscopy［J］.Remote Sensing，2012，4:1651-1670.

［13］ 郭 曼，常慶瑞，曹曉瑞.不同氮營(yíng)養(yǎng)水平與夏玉米光譜特性關(guān)系初報(bào)［J］.西北農(nóng)林科技大學(xué)學(xué)報(bào):自然科學(xué)版，2008，36(11):123-128.Guo Man，Chang Qingrui，Cao Xiaorui.Initial study of different nitrogen levels on summer corn's spectral characteristics［J］.Journal of Northwest A＆F University:Natural Science Edition，2008，36(11):123-128.(in Chinese)

［14］ 馮 偉，朱 艷，姚 霞，等.小麥氮素積累動(dòng)態(tài)的高光譜監(jiān)測(cè)［J］.中國(guó)農(nóng)業(yè)科學(xué)，2008，41(7):1937-1946.FengWei，Zhu Yan，Yao Xia，et al.Monitoring plant nitrogen accumulation dynamics with hyperspectral remote sensing in wheat［J］.Scientia Agricultura Sinica，2008，41(7):1937-1946.(in Chinese)

［15］ Wang Y，Wang F，Huang JF，et al.Validation of artificial neural network techniques in the estimation of nitrogen concentration in rape using canopy hyperspectral reflectance data［J］.International Journal of Remote Sensing，2009，30(17):4493-4505.

［16］ 朱西存，趙庚星，董 芳，等.基于高光譜的蘋(píng)果花磷素含量監(jiān)測(cè)模型［J］.應(yīng)用生態(tài)學(xué)報(bào)，2009，78(10):2424-2430.Zhu Xicun，Zhao Gengxing，Dong Fang，et al.Monitoring models for phosphorus content of apple flowers based on hyperspectrum［J］.Chinese Journal of Applied Ecology，2009，78(10):2424-2430.(in Chinese)

［17］ 邢東興，常慶瑞.基于光譜分析的果樹(shù)葉片全氮、全磷、全鉀含量估測(cè)研究—以紅富士蘋(píng)果樹(shù)為例［J］.西北農(nóng)林科技大學(xué)學(xué)報(bào):自然科學(xué)版，2009，37(2):141-147.Xing Dongxing，Chang Qingrui.Research on predicting the TN，TP，TK contents of fresh fruit tree leaves by spectral analysis with red fuji apple tree as an example［J］.Journal of Northwest A＆F University:Natural Science Edition，2009，37(2):141-147.(in Chinese)

［18］ Cohen Y，Alchanatis V，Zusman Y，et al.Leaf nitrogen estimation in potato based on spectral data and on simulated bands of the VENlS satellite［J］.Precision Agric，2010，11:520-537.

［19］ Menesatti P，Antonucci F，Pallottino F，et al.Estimation of plant nutritional status by Vis-NIR spectrophotometric analysis on orange leaves［J］.Biosystems Engineering，2010，105:448-454.

［20］ 易時(shí)來(lái)，鄧 烈，何紹蘭，等.錦橙葉片鉀含量光譜監(jiān)測(cè)模型研究［J］.中國(guó)農(nóng)業(yè)科學(xué)，2010，43(4):780-786.Yi Shilai，Deng Lie，He Shaolan，et al.A spectrum based models for monitoring leaf potassium content of citrus sinensis(L)cv.jincheng orange ［J］.Scientia Agricultura Sinica，2010，43(4):780-786.(in Chinese)

［21］ Hocking R R.The analysis and selection of variables in linear regression ［J］.Biometrics，1976，32(1):1-49.

［22］ Vapnik V N.Statistical Learning Theory［M］.New York:Wiley，1998.

［23］ Wold S，Sjostrom M，Erikssonn L.PLS-regression:a basic tool of chemometrics［J］.Chemometrics and Intelligent Laboratory System，2001，58:109-130.

［24］ De Jong S.SIMPLS:an alternative approach to partial least squares regression ［J］.Chemometrics and Intelligent Laboratory Systems，1993，18:251-263.