王婷婷，常慶瑞，劉夢(mèng)云，鄭 煜，楊 景

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院，陜西楊凌 712100)

葉綠素是植被光合能力強(qiáng)弱、營(yíng)養(yǎng)生理狀況以及衰老進(jìn)程的良好指示劑，其含量的測(cè)定對(duì)農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)、施肥調(diào)控與產(chǎn)量評(píng)估具有重要意義[1]。檢測(cè)葉綠素含量的方法主要有分光光度法、高效液相色譜法、原子吸收法等。這些方法雖然準(zhǔn)確，但步驟繁瑣，普遍具有破壞性[2]?；谌~片葉綠素對(duì)光的吸收和透射原理，開(kāi)發(fā)的手持便攜式葉綠素計(jì)，如最為常用的SPAD-502葉綠素計(jì)和Dualex植物多酚-葉綠素測(cè)量?jī)x，它們均能快速、非破壞性地測(cè)定葉綠素水平[3]。但儀器必須接觸測(cè)定，工作量較大，費(fèi)時(shí)費(fèi)力，而且無(wú)法達(dá)到實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)的目的。

遙感技術(shù)的發(fā)展為葉綠素含量等植被生理生化參數(shù)的動(dòng)態(tài)監(jiān)測(cè)提供了新的技術(shù)手段，有關(guān)其應(yīng)用研究已經(jīng)取得了一定進(jìn)展[4-9]。前人針對(duì)不同的手持便攜式葉綠素計(jì)就校準(zhǔn)模型構(gòu)建進(jìn)行了大量研究。 研究表明，SPAD-502測(cè)定值容易受到樹(shù)木葉片結(jié)構(gòu)特征(比如葉片厚度、比葉質(zhì)量、葉脈及水分含量)的影響[17]。Dualex 4估測(cè)葉綠素值與水稻葉片葉綠素濃度呈極顯著線性相關(guān)(P<0.001)，且應(yīng)選取水稻葉片中上部進(jìn)行測(cè)試[28]。通過(guò)對(duì)比Dualex、SPAD 和 CCM 3個(gè)儀器對(duì)葉綠素的估算精度，得出Dualex在整個(gè)數(shù)據(jù)范圍內(nèi)線性關(guān)系最優(yōu)[10]。Dualex對(duì)葉綠素質(zhì)量分?jǐn)?shù)(Chl-M)和單位面積葉綠素質(zhì)量(Chl-S)的估測(cè)精度較好，且高于SPAD葉綠素計(jì)[3]。另外，Dualex植物多酚-葉綠素測(cè)量?jī)x可以同時(shí)測(cè)定4個(gè)指標(biāo)(Chl、Flav、Anth和NBI)，在野外作業(yè)中相比其他手持便攜式葉綠素計(jì)可以節(jié)省人力和時(shí)間，提高工作效率。而利用高光譜遙感技術(shù)反演Dualex植物多酚-葉綠素儀測(cè)定的葉綠素含量的研究尚不多見(jiàn)。本研究利用Dualex植物多酚-葉綠素測(cè)量?jī)x測(cè)定不同生育時(shí)期冬小麥葉片葉綠素含量，同時(shí)進(jìn)行葉片光譜測(cè)定，選取多種參數(shù)對(duì)葉綠素含量進(jìn)行反演建模，以確定各生育時(shí)期葉綠素含量的快速監(jiān)測(cè)模型，以期為作物生長(zhǎng)狀況監(jiān)測(cè)、生理生化研究提供理論依據(jù)和技術(shù)支持。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)與樣品采集

本研究于2016-2017年度的不同施肥量的冬小麥田間試驗(yàn)區(qū)進(jìn)行，研究區(qū)位于陜西楊凌西北農(nóng)林科技大學(xué)教學(xué)試驗(yàn)農(nóng)場(chǎng)(東經(jīng)108°10′，北緯34°14′)和陜西省咸陽(yáng)市乾縣梁山鄉(xiāng)齊南村(東經(jīng)108°07′，北緯34°38′)。

楊凌試驗(yàn)點(diǎn)設(shè)置5個(gè)氮肥處理和5個(gè)磷肥處理，其中氮肥處理的施氮量分別為180、135、90、45和0 kg·hm-2，磷肥處理的施磷(P2O5)量分別為90、67.5、45、22.5和0 kg·hm-2，每個(gè)處理設(shè)2次重復(fù)，重復(fù)小區(qū)相鄰，共計(jì)20個(gè)小區(qū)，小區(qū)面積為27.5 m2(5 m×5.5 m)。

乾縣試驗(yàn)點(diǎn)設(shè)置氮、磷、鉀肥各6個(gè)處理，其中氮肥處理的施氮量分別為50、120、90、60、30和0 kg·hm-2，磷肥處理的施磷(P2O5)量分別為112.5、90、67.5、45、22.5和0 kg·hm-2，鉀肥處理的施鉀(K2O)量分別為112.5、90、67.5、45、22.5和0 kg·hm-2，每個(gè)處理設(shè)2次重復(fù)，重復(fù)小區(qū)相鄰，共計(jì)36個(gè)小區(qū)，小區(qū)面積為125.0 m2(10 m×12.5 m)。另設(shè)一個(gè)大區(qū)試驗(yàn)，設(shè)置5個(gè)施氮處理，施氮量分別為240、180、120、60和0 kg·hm-2，每個(gè)處理2次重復(fù)，重復(fù)處理相鄰，每個(gè)地塊150 m2(10 m×15 m)。

各處理的肥料均在冬小麥播前一次性施入，生育期不追肥，其他栽培管理措施同一般高產(chǎn)麥田。小麥品種為小偃22。在拔節(jié)期、抽穗期、開(kāi)花期和灌漿期進(jìn)行田間觀測(cè)和樣品采集。采樣時(shí)，每個(gè)小區(qū)選取2個(gè)樣點(diǎn)，在樣點(diǎn)附近采摘10株植株冠層的共10片相同葉位(沿主莖自上而下第一片)的葉片，用保鮮袋密封，裝入藍(lán)冰保溫箱帶回實(shí)驗(yàn)室進(jìn)行光譜及葉綠素含量測(cè)定。

1.2 葉片葉綠素測(cè)定

采用Dualex Scientific+(Force-A，Orsay，法國(guó))測(cè)量冬小麥葉片葉綠素含量。每個(gè)樣點(diǎn)選擇新鮮葉片6片，對(duì)每片葉子從葉柄至葉尖分段測(cè)量3次(避開(kāi)葉脈部分)，取平均值，6片葉子的平均為該樣點(diǎn)的葉片葉綠素含量。下文提到的Chl均代表 Dualex所測(cè)定的葉綠素含量。每個(gè)生育時(shí)期共122組樣本數(shù)據(jù)，共觀測(cè)4個(gè)生育時(shí)期。葉片葉綠素統(tǒng)計(jì)特征如表1所示。

表1 冬小麥葉片葉綠素含量(Chl)統(tǒng)計(jì)特征Table 1 Statistical features of leaf Chl in winter wheat

1.3 葉片光譜測(cè)定

葉片光譜測(cè)定采用SVR HR-1024i 型全波段地物光譜儀，測(cè)量波長(zhǎng)范圍350～2 500 nm，光譜采樣間隔在350～1 000 nm波段為1.377 nm，在1 000～2 500 nm波段為2 nm。光譜測(cè)定中使用儀器內(nèi)置光源，為消除環(huán)境變化對(duì)儀器的影響，每隔0.5 h進(jìn)行一次參考板校正。選擇每個(gè)樣點(diǎn)測(cè)定過(guò)葉綠素的6片葉片(保證Chl與光譜測(cè)定的葉片一一對(duì)應(yīng))為對(duì)象，每片葉子使用葉片夾從葉柄至葉尖分段測(cè)量3次(避開(kāi)葉脈部分和Dualex測(cè)量?jī)x夾過(guò)的部分)，求平均值后得出該葉片的光譜反射率曲線，再將6片葉子光譜曲線求平均，得到該樣點(diǎn)的光譜反射率。

1.4 數(shù)據(jù)處理

利用SVC HR-1024i PC、Excel 2013、Origin 2016、Python 3.6、JMP Trial 14和Matlab 7.10.0等軟件對(duì)數(shù)據(jù)進(jìn)行處理和計(jì)算。由于葉綠素對(duì)葉片光譜的響應(yīng)波段主要在可見(jiàn)光和紅外波段，因此本研究主要選擇350～1 000 nm波段進(jìn)行分析，并將光譜重采樣至1 nm。由于光譜儀采集的是離散的數(shù)據(jù)，因此采用式(1)對(duì)原始光譜數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)計(jì)算：

R′=(Ri+1-Ri-1)/(λi+1+λi)+(λi-λi-1)

=[(Ri+1)-(Ri-1)]/ △λ

(1)

式中，Ri為波長(zhǎng)inm處的光譜反射率，R′是Ri的一階微分，λi為第i個(gè)通道的波長(zhǎng)。

1.5 光譜特征參數(shù)的選擇

本研究在前人研究的基礎(chǔ)上，結(jié)合數(shù)據(jù)特點(diǎn)，從多種可用于葉綠素含量測(cè)定的高光譜指數(shù)中選擇了物理意義明確、認(rèn)可度較高的8個(gè)對(duì)葉綠素含量響應(yīng)明顯的植被指數(shù)和6種常見(jiàn)的三邊參數(shù)進(jìn)行分析和建模(表2)。

1.6 模型建立與優(yōu)化

對(duì)每個(gè)生育時(shí)期采集的122個(gè)樣本按Chl值進(jìn)行排序，采用分層抽樣的方法抽取92個(gè)作為建模樣本集，剩余30個(gè)作為檢驗(yàn)樣本集。采用偏最小二乘法(PLS)和支持向量回歸(SVR)算法構(gòu)建模型，偏最小二乘在JMP Trial 14中進(jìn)行，SVR的訓(xùn)練和建模在Python 3.6中進(jìn)行。

模型精度驗(yàn)證和預(yù)測(cè)能力評(píng)判采用r2、均方根誤差RMSE和相對(duì)誤差RE三個(gè)指標(biāo)來(lái)評(píng)價(jià)4個(gè)生育時(shí)期不同模型的擬合和預(yù)測(cè)能力。r2越接近1，RMSE和RE越小，表示模型擬合能力和預(yù)測(cè)能力越好。

2 結(jié)果與分析

2.1 不同生育時(shí)期冬小麥葉片葉綠素含量及其高光譜特征

冬小麥葉片葉綠素含量(Chl)在不同生育時(shí)期差異顯著，且隨著生育進(jìn)程的推進(jìn)呈現(xiàn)出先上升后降低的變化趨勢(shì)，以開(kāi)花期Chl平均值最高(圖1)。從冬小麥不同生育時(shí)期的反射光譜曲線(圖2)看，在400～500 nm的藍(lán)紫光波段和675 nm的紅光附近，由于葉綠素的強(qiáng)烈吸收，出現(xiàn)了兩個(gè)吸收谷，反射率不足0.1，同時(shí)550 nm處由于葉綠素的強(qiáng)烈反射，形成了一個(gè)明顯的反射峰，反射率達(dá)到0.2左右。在680～1 000 nm，葉綠素由對(duì)紅光的強(qiáng)烈吸收到對(duì)近紅外光的多次散射，反射率急劇升高，在波長(zhǎng)750～1 000 nm的紅外區(qū)域，反射率穩(wěn)定在0.5以上，形成了一個(gè)高反射平臺(tái)。在不同生育時(shí)期，由于葉片的葉綠素含量等理化性質(zhì)不同，其光譜曲線表現(xiàn)出有規(guī)律性的變化。在可見(jiàn)光波段，隨著Chl的增加，葉片光合作用加強(qiáng)，光譜反射率不斷降低。灌漿期反射率最高，綠峰反射率超過(guò)了0.2，開(kāi)花期反射率最低，出現(xiàn)了反射率小于0.05的吸收谷。

2.2 冬小麥葉片Chl高光譜參數(shù)的普通回歸估算

2.2.1 基于特征波段的冬小麥葉片Chl估算模型

相關(guān)性分析表明，冬小麥葉片Chl與原始光譜反射率在550 nm反射峰附近呈顯著負(fù)相關(guān)，尤其是抽穗、開(kāi)花和灌漿期的相關(guān)性比較高，相關(guān)系數(shù)分別達(dá)到了-0.541、-0.793和-0.832(圖3)。拔節(jié)期相關(guān)性較差，主要是因?yàn)榘喂?jié)期冬小麥葉片處于發(fā)育初期，葉綠素含量較低，且葉片數(shù)量較少，對(duì)光譜的敏感性較差。冬小麥葉片Chl與一階導(dǎo)數(shù)光譜在504～550 nm和700 nm附近呈顯著負(fù)相關(guān)，相關(guān)系數(shù)隨著生育時(shí)期的推進(jìn)而逐漸增加；在570～672 nm和711～767 nm處表現(xiàn)為極顯著正相關(guān)，在開(kāi)花期754 nm處的相關(guān)系數(shù)最高，達(dá)到0.947(圖4)?？傮w來(lái)看，葉片Chl與一階導(dǎo)數(shù)光譜的相關(guān)系數(shù)絕對(duì)值在各生育時(shí)期均高于原始光譜反射率，原始光譜的敏感波段在550 nm附近，一階導(dǎo)數(shù)光譜的敏感波段在700 nm附近，而且一階導(dǎo)數(shù)光譜增強(qiáng)了葉片Chl與可見(jiàn)光波段及紅邊波段的相關(guān)性。

表2 用于Chl反演的高光譜指數(shù)Table 2 Hyperspectral indices for Chl inversion

圖1 不同生育時(shí)期冬小麥葉片Chl值

圖2 不同生育時(shí)期冬小麥葉片光譜反射率曲線

分別從原始光譜及一階導(dǎo)數(shù)光譜中選擇與Chl相關(guān)系數(shù)最高的波段作為自變量構(gòu)建基于敏感波段的葉片Chl單變量估算模型(表3)。整體來(lái)看，一階導(dǎo)數(shù)光譜的模型決定系數(shù)r2均超過(guò)0.6，整體上大于原始光譜。

圖3 不同生育時(shí)期冬小麥葉片Chl與原始光譜相關(guān)性

圖4 不同生育時(shí)期冬小麥葉片Chl與一階導(dǎo)數(shù)光譜相關(guān)性

表3 基于敏感波段的冬小麥葉片Chl單變量估算模型Table 3 Chl estimation models of single variable based on sensitive bands in winter wheat

Ri為波長(zhǎng)inm處的光譜反射率；Dj是Rj的一階微分。**:P<0.01; *:P<0.05.

Riis spectral reflectance at wavelengthinm;Djis the first derivative ofRi. **:P<0.01; *:P<0.05.

2.2.2 基于三邊參數(shù)的冬小麥葉片Chl估算

從表4可以看出，三邊參數(shù)中紅邊面積(Sred)、藍(lán)邊位置(λblue)和黃邊位置(λyellow)與Chl的相關(guān)性較低，尤其是在抽穗期，均未通過(guò)0.01水平顯著性檢驗(yàn)；藍(lán)邊面積(Sblue)、黃邊面積(Syellow)和紅邊位置(λred)與葉片Chl相關(guān)極顯著，相關(guān)系數(shù)均高于0.5，相關(guān)性最高是在灌漿期，紅邊位置(λred)的相關(guān)系數(shù)達(dá)到0.893；各生育時(shí)期中，開(kāi)花期Chl與各三邊參數(shù)相關(guān)性最高，灌漿期和抽穗期次之，拔節(jié)期最低。

根據(jù)相關(guān)性，拔節(jié)期、抽穗期和開(kāi)花期均選擇Sblue、Syellow和λred，灌漿期選擇Sblue、Sred和λred，分別建立各生育時(shí)期葉片Chl估算模型(表5)。所建模型的擬合性均達(dá)到了極顯著水平。從模型預(yù)測(cè)效果看，拔節(jié)期模型預(yù)測(cè)精度較低，r2低于0.4，但誤差也較小，RE約為6.5%左右，RMSE在3.4以下；開(kāi)花期模型預(yù)測(cè)精度較高，r2高于0.69，RMSE都低于4，RE在6.5%左右；抽穗期和灌漿期模型雖r2比較高，但RMSE和RE較也高，其中灌漿期以Sred參數(shù)建立的模型預(yù)測(cè)精度較差，RE達(dá)到了19.494%?？傮w來(lái)說(shuō)，利用三邊參數(shù)建立的單因素模型擬合度和預(yù)測(cè)精度均低于利用一階導(dǎo)光譜敏感波段建立的單因素模型。

表4 不同生育時(shí)期冬小麥葉片Chl與三邊參數(shù)的相關(guān)性(n=122)Table 4 Correlation coefficients between spectral characteristic variables and Chl values of wheat leaves at different growth stages

表5 基于三邊參數(shù)的冬小麥葉片Chl單變量估算模型Table 5 Chl estimation models of single variable based on trilateral parameters in winter wheat

2.2.3 基于植被指數(shù)的冬小麥葉片Chl估算

經(jīng)相關(guān)分析，在不同生育時(shí)期，8種植被指數(shù)與冬小麥葉片Chl均極顯著相關(guān)(表6)，抽穗期、開(kāi)花期和灌漿期Chl與NDVI705、mNDVI705和GNDVI的相關(guān)性都較高，其中灌漿期的相關(guān)性系數(shù)分別是0.921、0.923和0.931；GRVI與Chl相關(guān)性也較高，各生育時(shí)期相關(guān)系數(shù)均大于0.65。根據(jù)各植被指數(shù)與Chl值的相關(guān)性，每個(gè)生育時(shí)期選擇與葉片Chl相關(guān)性最高的3個(gè)植被指數(shù)用于構(gòu)建模型。拔節(jié)期選擇GDNVI、GRVI和FD(730-525)/(730+525)，抽穗期、開(kāi)花期和灌漿期均選擇NDVI705、mNDVI705和GNDVI。

為達(dá)到較高的模型擬合精度，分別嘗試建立線性、多項(xiàng)式、對(duì)數(shù)、指數(shù)及冪函數(shù)模型，依據(jù)r2最高、誤差最小的原則選取最終模型(表7)。除拔節(jié)期外，其他生育時(shí)期建模r2均超過(guò)了0.8，驗(yàn)證r2在0.7以上，灌漿期基于mNDVI705所構(gòu)建的模型驗(yàn)證r2達(dá)到了0.911。各生育時(shí)期顯著相關(guān)的植被指數(shù)都能夠較好地反映小麥Chl值變化，可以用來(lái)構(gòu)建估測(cè)模型。

表6 葉片Chl 與8種已知植被指數(shù)相關(guān)性(n=122)Table 6 Correlation coefficients between six known vegetation indices and Chl values of wheat leaves

表7 基于相關(guān)性強(qiáng)的3種植被指數(shù)的Chl估算模型Table 7 Chl estimation models based on the strong correlation of the three vegetation indices

2.3 冬小麥葉片Chl偏最小二乘回歸模型估算

以上述一階導(dǎo)數(shù)敏感波段、相關(guān)性較高的三邊參數(shù)和植被指數(shù)共7個(gè)參數(shù)作為自變量，采用偏最小二乘法(PLS)分別建立各生育時(shí)期的冬小麥葉片Chl估算模型。從表8可以看出，各生育時(shí)期估算模型的r2都有了一定的提升，尤其是拔節(jié)期，r2達(dá)到了0.8。檢驗(yàn)結(jié)果(圖5)表明，模型預(yù)測(cè)精度較高，拔節(jié)期、抽穗期、開(kāi)花期和灌漿期的RMSE分別是2.034、2.492、2.194和3.548，RE分別是4.2%、4.6%、4.3%和5.8%。與單變量估算模型相比較，多元模型精度有所提高，在一定程度上得到了優(yōu)化。

2.4 支持向量回歸(SVR)模型的Chl估算

應(yīng)用(SVR)方法進(jìn)行Chl估算模型構(gòu)建，核函數(shù)類型選擇徑向基核(RBF)，懲罰系數(shù)c與RBF核函數(shù)參數(shù)g通過(guò)交叉驗(yàn)證確定，其余參數(shù)采用默認(rèn)值，得到各生育時(shí)期的最佳估算模型(表9)。對(duì)比表9與表8可知，各生育時(shí)期SVR的預(yù)測(cè)r2均大于PLS的預(yù)測(cè)r2，不同生育時(shí)期分別增長(zhǎng)1.1%～8.2%，同時(shí)RMSE和RE也較小，表明以7個(gè)參數(shù)構(gòu)建模型時(shí)，與PLS模型相比，SVR模型的精度更高，預(yù)測(cè)能力更好。

表8 基于偏最小二乘法的Chl估算模型Table 8 Chl estimation models based on the Partial Least Squares(PLS)

圖5 基于偏最小二乘法的冬小麥葉片Chl估算模型精度檢驗(yàn)

生育時(shí)期Growth stagecg建模 Modelingr2RMSERE/%驗(yàn)證 Verificationr2RMSERE/%拔節(jié)期 Jointing stage1 024.00.003 90.8131.6393.2890.7142.1704.666抽穗期 Heading stage 64.02.000 00.9271.8103.1990.8453.9768.380開(kāi)花期 Flowering stage524 288.00.001 00.9441.4432.6910.9033.1126.440灌漿期 Filling stage512.00.250 00.9292.5785.6670.9033.4596.873

3 討 論

葉綠素含量是表征植物生長(zhǎng)狀態(tài)最重要的指標(biāo)之一。無(wú)論是國(guó)內(nèi)還是國(guó)外，利用高光譜遙感進(jìn)行冬小麥葉綠素含量反演的研究都已比較成熟。梁亮等利用高光譜指數(shù)REP建立的LS-SVR模型實(shí)現(xiàn)了小麥葉綠素含量的準(zhǔn)確估測(cè)，預(yù)測(cè)r2達(dá)到了0.722[1]。然而植物含氮量、花青素含量等理化參數(shù)對(duì)植被長(zhǎng)勢(shì)監(jiān)測(cè)也具有重要影響。Dualex植物多酚-葉綠素儀相對(duì)大部分研究中所使用的葉綠素相對(duì)含量測(cè)量?jī)x器在同樣的時(shí)間內(nèi)可以同時(shí)獲取葉綠素含量、花青素和氮平衡指數(shù)等多個(gè)指標(biāo)數(shù)據(jù)。但是，至今利用Dualex植物多酚-葉綠素儀進(jìn)行植物理化參數(shù)高光譜反演的研究尚不多見(jiàn)。本研究基于Dualex植物多酚-葉綠素儀，通過(guò)多期地面實(shí)測(cè)數(shù)據(jù)，利用不同的光譜參數(shù)和建模方法建立了各生育時(shí)期的冬小麥Chl估測(cè)模型，實(shí)現(xiàn)了冬小麥葉綠素含量的準(zhǔn)確估測(cè)，預(yù)測(cè)r2最高達(dá)到了0.944。

基于一階導(dǎo)數(shù)光譜構(gòu)建的模型建模和驗(yàn)證精度均高于基于高光譜特征參數(shù)建立的單因素模型，一階導(dǎo)數(shù)光譜更適合反演冬小麥葉片的Chl值，這與許多學(xué)者的研究結(jié)果一致[23-24]。在單個(gè)參數(shù)構(gòu)建的傳統(tǒng)回歸模型中，r2最高的均為非線性模型，其形成機(jī)理和影響機(jī)制有待進(jìn)一步驗(yàn)證。

光譜在可見(jiàn)光-近紅外區(qū)域具有紅谷、綠峰和紅邊等明顯的光譜特征，與Chl具有較高的相關(guān)性[8]。本研究選取的8個(gè)與冬小麥葉綠素含量密切相關(guān)的植被指數(shù)構(gòu)建的單因素模型結(jié)果表明，拔節(jié)期和灌漿期Chl與GNDVI構(gòu)建的模型精度最高，抽穗期和開(kāi)花期與NDVI705構(gòu)建的模型精度最高。這是因?yàn)槌樗肫诤烷_(kāi)花期葉綠素含量較高，小麥會(huì)吸收更多的紅光，紅邊向長(zhǎng)波方向移動(dòng)，基于紅邊的紅邊歸一化植被指數(shù)NDVI705與Chl相關(guān)性更高，拔節(jié)期和灌漿期葉綠素含量較低，紅邊向短波方向移動(dòng)，基于綠光波段的綠色歸一化植被指數(shù)GNDVI與Chl相關(guān)性更高。

與其他時(shí)期相比，拔節(jié)期Chl與光譜相關(guān)性較差，估算模型精度較低。這主要是因?yàn)榘喂?jié)期冬小麥葉綠素含量較低，光譜中獲得的葉綠素信息較少。葉綠素含量在多個(gè)波段均對(duì)光譜有一定的影響，很多光譜參數(shù)與葉綠素具有較高的相關(guān)性。單一光譜指數(shù)往往只包含作物光譜的部分信息，模型的精度和穩(wěn)定性都難以得到保證。因此本研究利用一階導(dǎo)數(shù)光譜、具有高度相關(guān)性的三邊參數(shù)和植被指數(shù)共7個(gè)參數(shù)建立的多元估算模型(PLS和SVR模型)具有較高的模型精度，特別是在拔節(jié)期，基于SVR方法建立的模型預(yù)測(cè)精度相比基于單個(gè)植被指數(shù)建立的估算模型提高了21%。

本研究只對(duì)Dualex植物多酚-葉綠素儀的Chl這一個(gè)指標(biāo)進(jìn)行了高光譜反演，結(jié)果表明Dualex植物多酚-葉綠素儀可以實(shí)現(xiàn)植物的葉綠素準(zhǔn)確估算。在今后的研究中可以嘗試對(duì)基于Dualex植物多酚-葉綠素儀的其他指標(biāo)進(jìn)行高光譜反演，為作物長(zhǎng)勢(shì)監(jiān)測(cè)提供更全面、科學(xué)的理論和技術(shù)支持。