楊艷東，賈方方，劉國(guó)順，彭桂新，于建春

1 河南農(nóng)業(yè)大學(xué)/煙草行業(yè)煙草栽培重點(diǎn)實(shí)驗(yàn)室/河南省生物炭工程技術(shù)研究中心，河南省鄭州市農(nóng)業(yè)路63號(hào) 450002；

2 商丘師范學(xué)院，生物與食品學(xué)院，河南省商丘市文化中路298號(hào) 476000；

3 河南中煙工業(yè)有限責(zé)任公司，河南省鄭州市榆林南路16號(hào) 450016

煙堿不僅對(duì)卷煙制品的生理強(qiáng)度、刺激性、吃味等有重要影響[1]，在醫(yī)藥、食品、農(nóng)業(yè)、化工等領(lǐng)域也發(fā)揮著重要作用，及時(shí)準(zhǔn)確掌握煙堿狀況對(duì)保證煙草品質(zhì)和人們身體健康具有重要意義。近些年來(lái)，利用高光譜遙感對(duì)作物進(jìn)行監(jiān)測(cè)，已成為國(guó)內(nèi)外研究熱點(diǎn)。由于煙堿在煙株內(nèi)呈非均勻垂直分布的形式，當(dāng)前垂直向下單一角度[2,3]、單一時(shí)期的遙感觀測(cè)方式不僅導(dǎo)致中下層葉片的煙堿信息常被忽略[4,5]，且只能得到植被單個(gè)時(shí)期的投影，易造成“同物異譜、同譜異物”的現(xiàn)象[6]，難以滿足定量遙感的需求。相比之下，多角度、多時(shí)相遙感可提供植被的方向信息和時(shí)間信息，有助于對(duì)二向反射特性的理解，提高定量反演植被結(jié)構(gòu)和生理參數(shù)的能力[7-10]。觀測(cè)角度的改變會(huì)導(dǎo)致冠層光譜反射率的差異[11]，植被指數(shù)表現(xiàn)出與多角度冠層反射光譜相似的變化[12]。李偉娜等[13]分析了不同角度光譜反射率與高寒地區(qū)地上植被生物量相關(guān)性，表明多角度數(shù)據(jù)優(yōu)于單一冠層光譜數(shù)據(jù)。張東彥等[14]對(duì)大豆冠層圖譜數(shù)據(jù)的研究表明，天頂角的變化是影響冠層葉綠素的主要因素。楊紹源等[15]利用前后向不同觀測(cè)天頂角組合形成的光譜指數(shù)建立了不同高度層的葉片氮含量探測(cè)模型。在玉米[16]、小麥[17]、森林[18]等方面已有多角度相關(guān)研究。以上研究多集中在對(duì)單一方位角光譜信息的分析。但對(duì)作物各生育時(shí)期及多個(gè)方位角反射光譜的角度敏感性分析尚鮮見(jiàn)報(bào)道。本文結(jié)合煙草整個(gè)生育時(shí)期，針對(duì)不同觀測(cè)角度下煙草冠層反射光譜的變化開展試驗(yàn)，探討多角度、多時(shí)相下大田煙草的煙堿含量同冠層反射光譜之間的定量關(guān)系，旨在為遙感觀測(cè)角度的選擇設(shè)計(jì)和植被指數(shù)的應(yīng)用提供理論參考，進(jìn)而達(dá)到更加快速、準(zhǔn)確地獲取煙田煙堿信息的目的。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)1：于2016-2017 年在河南農(nóng)業(yè)大學(xué)現(xiàn)代煙草農(nóng)業(yè)科教園區(qū)（東經(jīng)113°48′，北緯34°08′）大田進(jìn)行。供試品種為K326。前茬為芥末，土壤為砂壤土，播前0～30 cm 土壤有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)18.46 g/kg，堿解氮70.88 mg/kg，速效磷11.16 mg/kg，速效鉀166.50 mg/kg。設(shè)置5個(gè)氮肥（純氮）處理： CK（0 kg/hm2）、T1（15 kg/hm2）、T2（30 kg/hm2）、T3（45 kg/hm2）、T4（60 kg/hm2）。各處理其它施肥相同，60 kg/hm2P2O5和90 kg/hm2K2O。試驗(yàn)設(shè)置3 次重復(fù)，單個(gè)小區(qū)面積為88.9 m2，5月1 日移栽，各小區(qū)栽培管理均一致，其它與當(dāng)?shù)爻Ｒ?guī)管理一致。

試驗(yàn)2：于2016-2017 年在河南農(nóng)業(yè)大學(xué)現(xiàn)代煙草農(nóng)業(yè)科教園區(qū)（東經(jīng)113°48′，北緯34°08′）大田進(jìn)行。供試品種為云煙87和豫煙10號(hào)。前茬為芥末，土壤為砂壤土，播前0～30 cm 土壤有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)17.64 g/kg，堿解氮69.32 mg/kg，速效磷10.56 mg/kg，速效鉀158.74 mg/kg。試驗(yàn)設(shè)置3 次重復(fù)，小區(qū)面積為111.2 m2，5月1 日移栽，各小區(qū)栽培管理均一致，其它與當(dāng)?shù)爻Ｒ?guī)管理一致。

試驗(yàn)3：于2016-2017 年在洛陽(yáng)市嵩縣大坪鄉(xiāng)（東經(jīng)112°02′，北緯34°12′）和三門峽盧氏縣杜關(guān)鎮(zhèn)（東經(jīng)111°00′，北緯34°14′）大田進(jìn)行。供試品種為K326。前茬為綠肥，土壤為壤土，播前0～30 cm 土壤有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)14.35 g/kg，堿解氮65.36 mg/kg，速效磷13.03 mg/kg，速效鉀170.43 mg/kg。試驗(yàn)設(shè)計(jì)為3 次重復(fù)，小區(qū)面積為88.9 m2，4月30 日移栽，各小區(qū)栽培管理均一致，其它管理與當(dāng)?shù)爻Ｒ?guī)管理一致。

1.2 多角度光譜數(shù)據(jù)的獲取

圖1 多角度觀測(cè)次序示意圖Figure 1 Multi-angle observation sequence diagram

分別于當(dāng)?shù)乜緹煹纳旄冢ㄒ圃院?0天），旺長(zhǎng)期（移栽后55天）和成熟期（移栽后75天）采集3次數(shù)據(jù)，每處理選擇3株長(zhǎng)勢(shì)一致、具有典型代表性的煙株，采用多角度觀測(cè)架和便捷式地物光譜儀進(jìn)行觀測(cè)，通過(guò)調(diào)節(jié)觀測(cè)臂的旋轉(zhuǎn)設(shè)置天頂角度數(shù)，對(duì)煙株進(jìn)行全方位多角度觀測(cè)。采用便攜式地物光譜儀 Field Spec 3（美國(guó)ASD公司）測(cè)定多角度高光譜數(shù)據(jù)，波段范圍350～2,500 nm，350～1,000 nm光譜分辨率3 nm，采樣間隔1.4 nm；1,000～2,500 nm分辨率為10 nm，采樣間隔2 nm，視場(chǎng)角為25°。多角度高光譜數(shù)據(jù)的獲取包括天頂角和方位角，天頂角每隔10°獲取一組數(shù)據(jù)，從10°開始至60°；方位角每隔30°獲取一組數(shù)據(jù)，從0°開始至330°，天頂角為0°時(shí)（冠層光譜）僅測(cè)一次，每株煙共測(cè)73個(gè)角度，具體的角度變化如圖1所示。每個(gè)角度測(cè)10組數(shù)據(jù)，10組數(shù)據(jù)的平均值為該角度反射率數(shù)據(jù)，總樣本數(shù)為2,400，隨機(jī)抽取一半數(shù)據(jù)用來(lái)建模，建模樣本總數(shù)為1,200，驗(yàn)證樣本總數(shù)為1,200，單個(gè)觀測(cè)角度的樣本數(shù)為240。

觀測(cè)選擇在晴朗無(wú)云或太陽(yáng)周圍90°立體角范圍內(nèi)云量小于2%，風(fēng)力小于3級(jí)的天氣條件下，當(dāng)?shù)貢r(shí)間10:00—15:00，保證一定的太陽(yáng)高度角[19]；各試驗(yàn)地同一觀測(cè)時(shí)期太陽(yáng)高度角變化幅度均小于00°50′，3個(gè)觀測(cè)時(shí)期內(nèi)太陽(yáng)高度角變化范圍約為76°33′～79°16′；每個(gè)角度測(cè)定時(shí)間約為10 s，每株煙測(cè)定總用時(shí)控制在30分鐘以內(nèi)[20]，保障單株測(cè)量時(shí)間內(nèi)太陽(yáng)高度角在一定范圍內(nèi)。

1.3 煙堿密度

采用德國(guó)SEAL AA3流動(dòng)分析儀測(cè)定煙堿百分含量[21]，葉片煙堿密度計(jì)算公式如下：

其中，N代表煙樣中煙堿質(zhì)量的百分比值；SLW為比葉重（g/m2），指單位葉面積的干葉重；LAI為葉面積指數(shù)，指單位土地面積上植物葉片總面積與土地面積的比值；結(jié)果表示單位土地面積上煙堿的密度，單位為g/m2。

1.4 植被指數(shù)

植被指數(shù)是由光譜數(shù)據(jù)經(jīng)線性或非線性組合構(gòu)成的對(duì)植被有一定指示意義的數(shù)值。本研究選用了比值植被指數(shù) （Ratio Vegetation Index，RVI）和歸一化植被指數(shù)（Normalized Difference Spectral Index，NDVI）[22,23]，RVI是綠色植物的靈敏指示參數(shù)，可用于檢測(cè)和估算植物生物量；NDVI是反映農(nóng)作物長(zhǎng)勢(shì)和營(yíng)養(yǎng)信息的重要參數(shù)，對(duì)合理施用氮肥具有重要的指導(dǎo)作用。

式中，RVI為比值植被指數(shù)，NDVI為歸一化植被指數(shù)指數(shù)，Rλ1指在波長(zhǎng)λ1處葉片的光譜反射率，Rλ2指在波長(zhǎng)λ2處葉片的光譜反射率。

1.5 數(shù)據(jù)處理

用Viewspec Program導(dǎo)出原始光譜數(shù)據(jù)，Origin和Excel軟件進(jìn)行繪圖，Matlab 2014b軟件進(jìn)行建模驗(yàn)證。

2 結(jié)果與分析

2.1 不同觀測(cè)角度對(duì)光譜反射率的影響

如圖2所示，不同天頂角觀測(cè)時(shí)，其反射率有較大差異，其中天頂角0°時(shí)反射率最大，天頂角60°時(shí)反射率最小，在350～2,500 nm波段范圍內(nèi)，隨著角度的增大反射率均呈現(xiàn)不同程度的降低。可見(jiàn)光范圍內(nèi)差異并不大，近紅外區(qū)域780～1,300 nm差異最為顯著。雖然不同天頂角反射率大小有差異，但總體變化規(guī)律大致相同，不同方位角時(shí)也具有大致相同的變化規(guī)律。不同方位角觀測(cè)時(shí)，隨著角度的增大，反射率大致呈現(xiàn)先減小后增大的趨勢(shì)，與太陽(yáng)同側(cè)觀測(cè)角度的反射率會(huì)明顯高于與太陽(yáng)異側(cè)觀測(cè)角度的反射率。在觀測(cè)器與太陽(yáng)同側(cè)時(shí)（0°方位角）反射率最大，與太陽(yáng)異側(cè)時(shí)（180°方位角）反射率最小。上述反射率為整體的變化趨勢(shì)，具體煙株的反射率可能會(huì)因觀測(cè)時(shí)間和葉片的著生部位不同產(chǎn)生一定差異。

2.2 各生育期不同處理對(duì)煙堿密度和LAI的影響

各處理烤煙葉片的煙堿密度均隨生育期的變化呈現(xiàn)增加的趨勢(shì)。如圖3(a)，除T4外，煙堿密度隨施氮量的增加呈現(xiàn)遞增趨勢(shì)，3個(gè)生育期的變化規(guī)律基本一致；不同品種處理的煙堿密度有較大差異，如圖3(b)，在3個(gè)生育期中，豫煙10號(hào)的煙堿密度均明顯大于K326的煙堿密度和云煙87的煙堿密度，同時(shí)期比較，豫煙10號(hào)的葉面積指數(shù)也明顯大于另外兩個(gè)品種的葉面積指數(shù)（見(jiàn)圖3(e)）；如圖3(c)所示，比較同一品種不同地區(qū)處理的烤煙葉片煙堿密度，許昌地區(qū)在伸根期和旺長(zhǎng)期稍大于另外兩地區(qū)，成熟期無(wú)較大差異，這可能是由于許昌地區(qū)前期土壤肥力較高。各處理烤煙的葉面積指數(shù)均隨生育期的變化而增大，如圖3(d)、3(e)和3(f)所示，各處理葉面積指數(shù)的變化規(guī)律與煙堿密度的變化規(guī)律基本一致。

圖2 不同觀測(cè)天頂角（a）和方位角（b）的光譜反射率Figure 2 Spectral reflectance for different zenith angles (a) and azimuth angles (b)

2.3 反應(yīng)煙堿密度狀況的最佳角度

基于不同處理下烤煙葉片中煙堿密度變化同光譜反射率的關(guān)系，采用減量精細(xì)采樣法，系統(tǒng)分析了不同處理?xiàng)l件下350～2,500 nm光譜范圍內(nèi)任意兩波段的光譜反射率組合構(gòu)建的歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）同烤煙葉片中煙堿密度的定量關(guān)系，得出NDVI和RVI每個(gè)角度的決定系數(shù)R2，并繪制了R2的等勢(shì)圖。RVI和NDVI的R2最大的前6個(gè)觀測(cè)角度及R2值如表1所示，其中，反映煙堿密度的最佳角度為30°天頂角和210°方位角的組合角度（30°-210°，下同），RVI和NDVI的R2分別為0.851和0.849，而RVI和NDVI冠層（0°天頂角）的R2 分別為0.603和0.598，表明該角度的效果要優(yōu)于冠層觀測(cè)的效果。

圖3 不同處理對(duì)煙堿密度和LAI的影響Fig.3 Effect of different treatments on nicotine density and LAI

表1 RVI和NDVI與煙堿密度的決定系數(shù)Tab.1 R2 between RVI and nicotine density and that between NDVI and nicotine density

2.4 反應(yīng)煙堿密度的敏感光譜參數(shù)及波段組合

如圖3所示，RVI的R2 ＞0.8的波段組合范圍（單位均為nm）為（1,596～1,610，1,757～1,761）、（1,609～11,672，1,733～1,760） 和（1,682～1,691，1,716～1,722）；R2 ＞0.7的主要波段組合為（775～791，957～961）、（839～869，958～962）、（1,009～1,031，1,149～1,167）、等；R2 ＞0.6的主要波段組合為（749～923，935～983）、（1,005～1,110，1,140～1,220）、（1,008～1,090，1,690～1,790）等。歸 一 化 植 被 指 數(shù)NDVI的R2 ＞0.8的波段組合為（1,598～1,605，1,758～1,761）、（1,610～1,668，1,734～1,755） 和（1,683～1,691，1,717～1,722）；R2 ＞0.7的主要波段組合為（768～815，948～964）、（829～887，954～968）、（1,008～1,059，1,148～1,172）等；R2 ＞0.6的主要波段組合為（738～819，1,709～1,792）、（749～930，935～983）、（826～895，1,715～1,792）等。兩種植被指數(shù)的決定系數(shù)分別為R2為預(yù)測(cè)烤煙葉片中氮含量的最佳光譜指數(shù)為RVI（1,630，1,740）和NDVI（1,630，1,740），核心波段為1630 nm和1740 nm，核心波段主要集中在近紅外范圍內(nèi)。

圖4 最佳角度30°-210°處RVI（a）和NDVI（b）的R2等勢(shì)圖Fig.4 The contour maps of R2 of RVI (a) and NDVI (b) within the angle range of 30° -210°

2.5 煙堿密度預(yù)測(cè)模型

隨機(jī)選取單個(gè)觀測(cè)角度的120個(gè)樣本用來(lái)建立預(yù)測(cè)模型，剩余120個(gè)樣本用來(lái)驗(yàn)證模型。選取最佳角度30°-210°決定系數(shù)最大的前20個(gè)RVI值和前20個(gè)NDVI值作為獨(dú)立的自變量，建立預(yù)測(cè)葉片煙堿密度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和支持向量機(jī)預(yù)測(cè)模型。

2.5.1 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

將篩選的植被指數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入因子，輸入層傳遞函數(shù)用S型正切傳遞函數(shù)（Tansig），訓(xùn)練函數(shù)采用L-M優(yōu)化算法函數(shù)（Trainlm），輸出層傳遞函數(shù)采用線性傳遞函數(shù)（Purelin）。采用試錯(cuò)法比對(duì)不同節(jié)點(diǎn)數(shù)時(shí)的結(jié)果數(shù)據(jù)，獲得最佳隱藏節(jié)點(diǎn)數(shù)為23，設(shè)定目標(biāo)精度為0.001，迭代次數(shù)為5,000次，當(dāng)擬合精度達(dá)到目標(biāo)精度時(shí)，神經(jīng)網(wǎng)絡(luò)自動(dòng)停止訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果如圖4（a）所示，該預(yù)測(cè)模型的R2為0.944，RMSE為0.877，表明BP神經(jīng)網(wǎng)絡(luò)對(duì)煙堿密度的預(yù)測(cè)效果較好，實(shí)測(cè)值和預(yù)測(cè)值接近。

2.5.2 支持向量機(jī)預(yù)測(cè)模型

程序隨機(jī)選擇120個(gè)樣本（篩選出的植被指數(shù)）作為輸入因子，采用試錯(cuò)法確定隱藏節(jié)點(diǎn)數(shù)為32，目標(biāo)精度為0.001，迭代次數(shù)為5,000次。圖4（b）為煙堿密度真實(shí)值與支持向量機(jī)預(yù)測(cè)值一一對(duì)應(yīng)的結(jié)果，其R2為0.996，RMSE為0.001，表明該預(yù)測(cè)模型不僅擬合度佳，且具有較好的精準(zhǔn)度。

兩個(gè)預(yù)測(cè)模型中，其決定系數(shù)均大于0.940，均方根誤差均小于1，表明二者均對(duì)煙堿密度具有較好的模擬效果。兩個(gè)模型中，支持向量機(jī)的決定系數(shù)最大，為0.996，RMSE最小，為0.007，因此，兩者中支持向量機(jī)模型的模擬效果要好于BP神經(jīng)網(wǎng)絡(luò)。

圖5 BP神經(jīng)網(wǎng)絡(luò)（a）和支持向量機(jī)（b）的訓(xùn)練結(jié)果Fig.5 Training results of BP neural network (a) and SVM (b)

2.6 烤煙煙堿密度預(yù)測(cè)模型的檢驗(yàn)

選取剩余120個(gè)樣本對(duì)所建模型進(jìn)行驗(yàn)證。如圖5所示，繪制了BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩個(gè)模型的煙堿密度預(yù)測(cè)值與實(shí)測(cè)值之間的1 : 1關(guān)系圖。圖中的點(diǎn)越是集中分布在1 : 1關(guān)系線周圍，表明模型的預(yù)測(cè)精度越高、效果越好，BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩個(gè)模型的預(yù)測(cè)值與實(shí)測(cè)值的R2分別為0.959和0.955，P-RMSE分別為0.858和0.011，表明兩個(gè)模型具有很好的預(yù)測(cè)精準(zhǔn)度，對(duì)煙堿密度均具有良好的預(yù)測(cè)效果。

用相同方法對(duì)冠層（0°天頂角）光譜進(jìn)行建模，所得BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的R2分別為0.637和0.903，RMSE分別為2.201和0.024；對(duì)模型進(jìn)行驗(yàn)證，BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)兩個(gè)模型的煙堿密度預(yù)測(cè)值與實(shí)測(cè)值的R2分別為0.832和0.582，P-RMSE分別為1.440和0.155。對(duì)比30°-210°光譜數(shù)據(jù)和冠層（0°天頂角）光譜數(shù)據(jù)所建模型，在30°-210°角度處所建模型的效果優(yōu)于冠層（0°天頂角）所建模型。

圖6 BP神經(jīng)網(wǎng)絡(luò)(a)和支持向量機(jī)(b)的預(yù)測(cè)值和實(shí)測(cè)值的1∶1的關(guān)系圖（n=120）Fig.6 The relationship between predicted value and measured value in BP neural network model (a) and SVM model (b)

3 討論

我國(guó)是烤煙種植大國(guó)，及時(shí)、準(zhǔn)確獲取烤煙葉片煙堿信息，對(duì)指導(dǎo)田間施肥、提高化肥利用率、節(jié)約資源和保護(hù)環(huán)境具有重要意義。目前，應(yīng)用光譜數(shù)據(jù)構(gòu)造植被指數(shù)對(duì)煙堿等理化參數(shù)進(jìn)行反演，是植被遙感領(lǐng)域研究一大熱點(diǎn)。本研究為大田試驗(yàn)，建模和驗(yàn)證樣本包含不同年份、不同的地區(qū)地形、不同生育時(shí)期、不同品種以及不同施氮水平的烤煙煙株，因此本文的煙堿密度預(yù)測(cè)模型對(duì)烤煙具有較強(qiáng)的適用性，所建模型可用于預(yù)測(cè)大田烤煙整體的煙堿密度信息。

研究發(fā)現(xiàn)，同天頂角不同方位角時(shí)，隨著角度的增加，光譜反射率呈現(xiàn)先增大后減小的趨勢(shì)；不同天頂角同方位角時(shí)，隨角度的增加反射率減小，與前人研究一致[24]。此外，較好的觀測(cè)角度多位于天頂角30°和40°，前人的研究也表明天頂角30°～40°是獲取植被信息的最佳角度區(qū)間[25-27]，這可能是由于30°天頂角觀測(cè)到的數(shù)據(jù)包含了煙株的上中下層信息，受土壤背景的影響較小，具備反演整體的條件；此外，本文發(fā)現(xiàn)與太陽(yáng)異側(cè)時(shí)（方位角210°）R2達(dá)到最高，而在水稻、小麥等作物上的研究顯示熱點(diǎn)區(qū)域位于天頂角35°附近[28]，其最佳角度多是太陽(yáng)同側(cè)的角度，隨著方位角的變化，葉片光譜反射率雖然會(huì)發(fā)生較大變化，但陰影葉片光譜對(duì)決定系數(shù)影響不大[29]，這有待進(jìn)一步研究。本研究基于多角度建立了烤煙煙株葉片煙堿密度的預(yù)測(cè)模型，而煙株不同部位葉片煙堿含量不同，此外，煙株缺素或發(fā)生病害時(shí)多從某一部位的葉片開始呈現(xiàn)，針對(duì)不同部位葉片煙堿含量的觀測(cè)角度仍需進(jìn)一步篩選，并建立不同層次的預(yù)測(cè)模型，以對(duì)煙株礦質(zhì)營(yíng)養(yǎng)和病害發(fā)生程度進(jìn)行精準(zhǔn)監(jiān)測(cè)，為烤煙生長(zhǎng)精準(zhǔn)管理提供理論依據(jù)。高光譜數(shù)據(jù)信息量大，在如何篩選更為有效、合理的植被指數(shù)，建立估算模型方面，仍需要不斷探索和研究。

4 結(jié)論

（1）篩選出煙堿密度最佳的觀測(cè)角度為30°-210°的觀測(cè)天頂角-觀測(cè)方位角組合，天頂角30°和天頂角40°的觀測(cè)效果優(yōu)于其它天頂角的觀測(cè)效果。

（2）比值植被指數(shù)RVI較好的波段組合范圍（單位nm）為（1,596～1,610，1,757～1,761）、（1,609～1,1672，1,733～1,760）和（1,682～1,691，1,716 ～1,722）；歸一化植被指數(shù)NDVI較好的波段組合為（1,598～1,605，1,758～1,761）、（1,610～1,668，1,734～1,755）和（1,683～1,691，1,717～1,722），與葉片煙堿密度氮含量相關(guān)性最好的兩個(gè)光譜指數(shù)為RVI（1,630，1,740）和NDVI（1,630，1,740），與煙堿密度相關(guān)的敏感核心波段為1,630 nm和1,740 nm。

（3）建立了煙堿密度的BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型，其R2分別為0.944和0.996，對(duì)模型進(jìn)行檢驗(yàn)，其均方根誤差P-RMSE分別為0.858和0.001，表明二者均具有較好的預(yù)測(cè)效果，以支持向量機(jī)模型的預(yù)測(cè)效果最佳。