江 景，趙紫薇，蔡 唱，張勁松, 程志慶*

1.安徽農(nóng)業(yè)大學(xué)資源與環(huán)境學(xué)院，安徽 合肥 230036 2.農(nóng)業(yè)部合肥農(nóng)業(yè)環(huán)境科學(xué)觀測(cè)實(shí)驗(yàn)站，安徽 合肥 230036 3.中國(guó)林業(yè)科學(xué)研究院林業(yè)研究所，北京 100091

引 言

茶樹(shù)葉片水分是茶樹(shù)生長(zhǎng)狀態(tài)以及茶葉品質(zhì)的良好指示器。精確、快速、無(wú)損監(jiān)測(cè)茶樹(shù)葉片含水量對(duì)茶樹(shù)生產(chǎn)精準(zhǔn)管理具有重要指導(dǎo)意義。高光譜遙感可以無(wú)損、快速地捕獲地物微弱光譜信息，具有精準(zhǔn)定量反演地物特征的巨大潛力，為植被葉片水分的精確、快速、無(wú)損監(jiān)測(cè)提供了一種新的技術(shù)[1]。目前，已有較多學(xué)者在農(nóng)作物和樹(shù)木上開(kāi)展了基于高光譜信息的葉片水分估算研究，也取得了一定的成果[2-3]，但茶樹(shù)葉片水分光譜估算研究較少。且已有研究結(jié)果顯示在不同環(huán)境條件下，雖然針對(duì)同種植物使用同一方法，但獲得的葉片水分估算精度也具有差異，如: 胡珍珠等[4]利用水分指數(shù)(WI)對(duì)核桃葉片水分含量進(jìn)行估算取得了較高精度，而潘慶梅等[5]利用該植被指數(shù)進(jìn)行核桃葉片水分估算應(yīng)用時(shí)，其模型估算精度不理想；其他水分植被指數(shù)光譜估算模型同樣存在精度差異顯著的現(xiàn)象[6-7]。針對(duì)以上現(xiàn)象分析發(fā)現(xiàn)，已有葉片水分光譜估算研究中均未涉及葉面滯塵對(duì)光譜信息的影響，而葉面滯塵的存在以及不同滯塵量對(duì)葉片光譜信息具有很大影響[8-9]，是影響葉片水分光譜估算應(yīng)用魯棒性的問(wèn)題之一。因此，分析葉面滯塵對(duì)高光譜信息估算植物葉片水分的影響，對(duì)茶樹(shù)葉片水分光譜估算精度的提高具有重要意義。

目前，葉面滯塵的高光譜研究主要集中于利用高光譜技術(shù)進(jìn)行不同植被類(lèi)型滯塵能力的比較、不同環(huán)境下不同植被類(lèi)型滯塵能力的比較與分析、植被葉片特征對(duì)滯塵能力的影響、葉面滯塵率模型建立及估算研究[10-11]。而滯塵影響葉片水分高光譜模型估算精度以及如何降低滯塵對(duì)葉片水分高光譜估算的影響有待研究。茶樹(shù)由于其生長(zhǎng)環(huán)境的差異性，造成了不同的葉面滯塵環(huán)境。因此，以茶樹(shù)為研究對(duì)象，討論并分析茶樹(shù)葉片水分在滯塵影響下的光譜變化規(guī)律、通過(guò)相關(guān)系數(shù)法構(gòu)建新指數(shù)，對(duì)比分析不同滯塵狀態(tài)對(duì)新建指數(shù)、已有水分指數(shù)與葉片含水量相關(guān)性的影響，篩選受滯塵影響小且與葉片含水量相關(guān)性高的植被指數(shù)，用以降低滯塵的干擾，提高茶樹(shù)葉片水分估算精度，以期為茶樹(shù)葉片水分在復(fù)雜環(huán)境下的精準(zhǔn)估算提供重要的理論基礎(chǔ)，為減少葉面滯塵影響高光譜信息的應(yīng)用提供技術(shù)支撐。

1 實(shí)驗(yàn)部分

1.1 樣品采集

試驗(yàn)地位于安徽農(nóng)業(yè)大學(xué)農(nóng)萃園茶葉園(117°14′49.44″E，31°52′2.66″N)，茶樹(shù)品種為“舒茶早”。采樣時(shí)間為2019年4月5日—10日，采用隨機(jī)采樣方式，采集無(wú)損、健康的茶樹(shù)鮮葉，葉片樣本共350個(gè)。采樣過(guò)程中避免抖動(dòng)；樣本采集后立即放入已編號(hào)的保鮮袋、封口后立即帶回實(shí)驗(yàn)室進(jìn)行數(shù)據(jù)測(cè)定。

1.2 數(shù)據(jù)測(cè)定

1.2.1 光譜反射率測(cè)定

用美國(guó)ASD公司生產(chǎn)的Field Spec Pro光譜儀(光譜波段范圍為：350～2 500 nm，視場(chǎng)角25°)自帶的植被探頭與葉片夾式光譜探測(cè)器在室內(nèi)分別對(duì)茶樹(shù)葉片樣品進(jìn)行滯塵清除前和清除后的光譜測(cè)定，并將滯塵清除前后數(shù)據(jù)分別標(biāo)記為有塵(dl)、無(wú)塵(cl)，測(cè)量中被測(cè)葉片面積保持相同且葉面平整，以有效消除背景反射、葉片表面彎曲而造成的光譜波動(dòng)，保證結(jié)果的精確性。同時(shí)為減少測(cè)量誤差，測(cè)量前利用標(biāo)準(zhǔn)白板校正。每個(gè)樣本采集光譜數(shù)據(jù)3次，并取其平均值作為該樣本光譜反射率。共獲取350組茶樹(shù)葉片光譜數(shù)據(jù)。

1.2.2 單位滯塵率、葉片含水量測(cè)定

采用萬(wàn)分之一電子分析天平分別測(cè)定滯塵清除前葉片質(zhì)量和滯塵清除后葉片質(zhì)量，然后利用掃描儀對(duì)該葉片進(jìn)行掃描并計(jì)算葉面積(為了防止水分的變化上述步驟均在10 min內(nèi)完成)。利用式(1)計(jì)算單位滯塵率(UDR)

(1)

式(1)中，UDR為葉片單位滯塵率，g·cm-2；M1為滯塵清除前葉片質(zhì)量，g；M2為滯塵清除后葉片質(zhì)量，g；S為葉面積，cm2。

單位滯塵含量測(cè)定后，將該葉片放入烘箱105 ℃殺青15 min，90 ℃持續(xù)烘干至葉片質(zhì)量不再變化，稱(chēng)取烘干葉片質(zhì)量。利用式(2)計(jì)算葉片等效水厚度(EWT)

(2)

式(2)中，EWT為葉片等效水厚度，g·cm-2；M2為滯塵清除后葉片質(zhì)量，g；M3為葉片烘干質(zhì)量，g；S為葉面積，cm2。

1.3 數(shù)據(jù)分析

1.3.1 數(shù)據(jù)概況

為了保證數(shù)據(jù)的獨(dú)立性，提高模型的適用范圍及穩(wěn)定性，將350組數(shù)據(jù)隨機(jī)分為特征波段提取集、建模集、檢驗(yàn)集，每個(gè)集合內(nèi)均包含了全滯塵率及含水量的茶樹(shù)葉片，如表1所示。利用View Spec Pro軟件對(duì)茶樹(shù)葉片光譜反射率進(jìn)行平均與數(shù)據(jù)導(dǎo)出處理；通過(guò)MATLAB 2012b和SPSS 21.0進(jìn)行相關(guān)系分析與建模，利用Origin 8.0進(jìn)行繪圖。

表1 樣本信息

1.3.2 植被指數(shù)

植被指數(shù)(VI)是兩個(gè)或多個(gè)波長(zhǎng)范圍內(nèi)的地物反射率組合運(yùn)算，能有效地增強(qiáng)植被某一細(xì)節(jié)，通過(guò)植被指數(shù)來(lái)區(qū)分各種植被的方法運(yùn)算簡(jiǎn)單，便于操作，實(shí)用性強(qiáng)。雖然目前有較多植物水分植被指數(shù)，但這些指數(shù)構(gòu)建時(shí)并未考慮到葉面滯塵的因素。因此，本研究利用特征波段提取集的200組數(shù)據(jù)通過(guò)隨機(jī)組合葉片有塵原始光譜350～2 500 nm的任意兩波段，利用常見(jiàn)的歸一化計(jì)算法、比值計(jì)算法構(gòu)建植被指數(shù)并分別與EWT進(jìn)相關(guān)性分析[12]，提取最佳組合波段，最終分別構(gòu)建新歸一化植被指數(shù)(NDVI)和新比值植被指數(shù)(RVI)。

歸一化計(jì)算法公式如式(3)所示

(3)

式(3)中，NDVI(i，j)為以i和j為中心波段歸一化植被指數(shù)；Ri和Rj分別為i和j波段的光譜反射率。

比值計(jì)算法公式如式(4)所示

(4)

式(4)中，RVI(i，j)為以i和j為中心波段的比值植被指數(shù)；Ri和Rj分別為i和j波段的光譜反射率。

為分析植被指數(shù)在不同滯塵條件下對(duì)茶樹(shù)葉片高光譜估算的響應(yīng)，同時(shí)選取6種常用精度較高的水分指數(shù)，其新建植被指數(shù)與常用水分指數(shù)如表2所示。

表2 植被指數(shù)及計(jì)算方式

1.3.3 分析方法

不同植被指數(shù)對(duì)滯塵影響的響應(yīng)大小以相對(duì)變率(RCR)作為評(píng)判指標(biāo)，若RCR越大表明該植被指數(shù)受滯塵影響越大，若RCR越小則反之。RCR的計(jì)算公式如式(5)所示

(5)

式(5)中，RCR為相對(duì)變率；xn為無(wú)塵狀態(tài)下的相關(guān)系數(shù)；xy為有塵狀態(tài)下的相關(guān)系數(shù)。

1.3.4 模型構(gòu)建與驗(yàn)證

偏最小二乘回歸(PLSR)是一種結(jié)合了多元線性回歸分析、典型相關(guān)分析和主成分分析三種算法優(yōu)點(diǎn)的化學(xué)計(jì)量分析方法，廣泛應(yīng)用于光譜分析[13]。因此，采用PLSR構(gòu)建水分估算模型，并利用均方根誤差(RMSE)、決定系數(shù)(R2)、剩余估計(jì)偏差(RPD)對(duì)不同植被指數(shù)構(gòu)建模型的預(yù)測(cè)能力和穩(wěn)定性進(jìn)行評(píng)價(jià)，最終獲得葉面滯塵影響最小的高精度茶樹(shù)葉片水分指數(shù)估算模型。

2 結(jié)果與討論

2.1 滯塵對(duì)茶樹(shù)葉片光譜反射率的影響

為分析滯塵對(duì)茶樹(shù)葉片光譜反射率不同波段的影響，將光譜數(shù)據(jù)劃分為具有區(qū)分度的分組，根據(jù)滯塵率從小到大分為3組每組100個(gè)數(shù)據(jù)樣本，每個(gè)分組間均空除25個(gè)數(shù)據(jù)樣本，分組結(jié)果如下：0.033～0.31, 0.34～0.545和0.602～2.523 g·cm-2，并對(duì)每組的葉片有塵與對(duì)應(yīng)無(wú)塵狀態(tài)下光譜數(shù)據(jù)分別進(jìn)行平均處理，并對(duì)不同狀態(tài)下相同波段反射率進(jìn)行差異性檢驗(yàn)，具體結(jié)果見(jiàn)圖1。由圖1可見(jiàn)，大于400 nm波段的葉片光譜反射率曲線在除塵前、后呈現(xiàn)相似形態(tài)，且在680～780 nm間均出現(xiàn)了光譜反射率曲線的斜率發(fā)生驟變的植被典型“陡坡”現(xiàn)象，但小于400 nm波段光譜反射率變化較為復(fù)雜且無(wú)規(guī)律，可見(jiàn)該波段區(qū)間光譜反射率并不穩(wěn)定，而相關(guān)研究指出葉片水分有效光譜信息幾乎不受小于400 nm波段的影響，因此，分析葉片水分光譜特征時(shí)可忽略小于400 nm波段區(qū)間的光譜信息。400～530，579～696和2 454～2 500 nm波段范圍內(nèi)有塵葉片均明顯高于無(wú)塵狀態(tài)下相同葉片的反射率；其中400～530 nm波段范圍各滯塵狀態(tài)下不同葉片的反射率重疊非常明顯；579～696 nm波段范圍雖然無(wú)塵葉片反射率差異較為明顯，但有塵狀態(tài)下葉片反射率重疊較多；而2 454～2 500 nm波段范圍有塵無(wú)塵狀態(tài)葉片反射率聚類(lèi)較為明顯，但同種滯塵狀態(tài)下的葉片反射率差異不顯著。531～578和711～1 378 nm波段范圍無(wú)塵葉片反射率大于該葉片有塵狀態(tài)光譜反射率，且滯塵率越小反射率越大；其中531～578 nm波段范圍無(wú)塵葉片反射率與有塵葉片反射率交叉現(xiàn)象嚴(yán)重；而711～1 378 nm波段范圍無(wú)塵葉片反射率與有塵狀態(tài)反射率具有明顯聚類(lèi)現(xiàn)象，且相同狀態(tài)下的不同葉片反射率差異性極顯著(p<0.01)；1 379～1 882 nm波段范圍雖然無(wú)塵葉片光譜反射率均高于相同葉片有塵狀態(tài)反射率，但無(wú)塵狀態(tài)和有塵狀態(tài)下葉片反射率重疊明顯?？梢?jiàn)，茶樹(shù)葉片光譜反射率受到滯塵影響其531～578和711～1 378 nm波段范圍受到滯塵影響光譜反射率具有顯著的降低趨勢(shì)，而400～530，579～696和2 454～2 500 nm波段范圍受到滯塵影響光譜反射率具有顯著的增加趨勢(shì)。711～1 378 nm對(duì)于不同滯塵率狀態(tài)具有明顯聚類(lèi)現(xiàn)象，且差異性顯著。因此，711～1 378 nm區(qū)間在葉面滯塵對(duì)茶樹(shù)葉片水分估算影響研究中具有較大潛力，且本研究對(duì)所有波段進(jìn)行兩波段組合并進(jìn)行歸一化計(jì)算與比值計(jì)算，利用相關(guān)系數(shù)法篩選并新建的歸一化指數(shù)和比值指數(shù)的波段亦位于該潛力波段區(qū)間，分別為1 298，1 340和1 298，1 325 nm。

圖1 有塵和無(wú)塵茶樹(shù)葉片光譜反射率對(duì)比

2.2 滯塵對(duì)茶樹(shù)葉片含水量與植被指數(shù)相關(guān)性的影響

利用建模集的100組數(shù)據(jù)分別進(jìn)行植被指數(shù)與茶樹(shù)葉片有塵、無(wú)塵狀態(tài)下的EWT相關(guān)性分析，并對(duì)相關(guān)系數(shù)進(jìn)行相對(duì)變率計(jì)算，結(jié)果見(jiàn)表3。由表3可見(jiàn)，植被指數(shù)與EWT的相關(guān)系數(shù)在無(wú)塵狀態(tài)下均高于有塵，且絕對(duì)值皆已達(dá)到0.7以上；除MSI與EWT呈負(fù)相關(guān)外，其余7個(gè)指數(shù)與EWT均呈正相關(guān)；無(wú)塵狀態(tài)下NDVI(1 298，1 340)，RVI(1 298，1 325)與EWT相關(guān)性最高，分別達(dá)到0.865和0.864，而有塵狀態(tài)下NDVI(1 298，1 340)與EWT相關(guān)性最高，達(dá)0.848。對(duì)比無(wú)塵、有塵狀態(tài)下植被指數(shù)與EWT的相關(guān)性方向(即正、負(fù)相關(guān)性)可知，無(wú)論是否有塵植被指數(shù)與EWT的相關(guān)性方向不會(huì)改變，只會(huì)改變相關(guān)性的大小，且有塵狀態(tài)下各植被指數(shù)與EWT的相關(guān)性始終低于無(wú)塵狀態(tài)。對(duì)比植被指數(shù)與EWT相關(guān)系數(shù)的相對(duì)變率大小可知，NDVI(1 298，1 340)，RVI(1 298，1 325)，NDWI(860，1 450)和SIWSI的相對(duì)變率均小于0.06，其大小分別為0.019，0.023，0.051和0.060，可見(jiàn)以上4個(gè)植被指數(shù)受到葉面滯塵影響較?。磺胰~片有塵、無(wú)塵狀態(tài)下的EWT與以上4個(gè)植被指數(shù)相關(guān)系數(shù)均顯著(p<0.01)達(dá)到0.754以上。

表3 茶樹(shù)葉片EWT在有塵、無(wú)塵狀態(tài)下分別與各指數(shù)的相關(guān)系數(shù)

2.3 滯塵對(duì)茶樹(shù)葉片水分估算精度的影響

根據(jù)上述結(jié)果可見(jiàn)NDVI(1 298，1 340)，RVI(1 298，1 325)，NDWI(860，1 450)和SIWSI受滯塵影響小，且與EWT的相關(guān)性最高。因此，利用這4個(gè)植被指數(shù)作為自變量，分別構(gòu)建有塵、無(wú)塵狀態(tài)下茶樹(shù)葉片EWT估算模型用以分析葉面滯塵對(duì)各植被指數(shù)構(gòu)建模型精度的影響。

利用建模集數(shù)據(jù)的葉片有塵、無(wú)塵數(shù)據(jù)，采用偏最小二乘回歸法分別建立有塵、無(wú)塵狀態(tài)下以NDVI(1 298，1 340)，RVI(1 298，1 325)，NDWI(860，1 450)和SIWSI為自變量的茶樹(shù)葉片EWT估算模型，并對(duì)相同植被指數(shù)的有塵、無(wú)塵模型R2進(jìn)行相對(duì)變率計(jì)算，具體結(jié)果見(jiàn)表4。由表4可知，無(wú)論有塵與無(wú)塵狀態(tài)下，所選4種植被指數(shù)構(gòu)建茶樹(shù)葉片EWT模型的R2均達(dá)到0.7以上，且無(wú)塵茶樹(shù)葉片EWT估算模型的R2始終大于相同植被指數(shù)構(gòu)建的有塵模型R2；4種植被指數(shù)構(gòu)建的茶樹(shù)葉片EWT估算模型在有塵、無(wú)塵狀態(tài)下其R2大小依次為：RVI(1 298，1 325)>NDVI(1 298，1 340)>NDWI(860，1 450)>SIWSI；其R2相對(duì)變率大小為：NDVI(1 298，1 340)

表4 在有塵和無(wú)塵狀態(tài)下分別建立的茶樹(shù)葉片EWT指數(shù)估算模型與評(píng)價(jià)

利用檢驗(yàn)樣本集數(shù)據(jù)的有塵、無(wú)塵數(shù)據(jù)，對(duì)上述4種植被指數(shù)構(gòu)建的模型進(jìn)行精度檢驗(yàn)，分析葉面滯塵對(duì)不同指數(shù)構(gòu)建模型精度的影響，結(jié)果見(jiàn)表5。由表5可知，以NDVI(1 298，1 340)，RVI(1 298，1 325)，NDWI(860，1 450)和SIWSI為自變量構(gòu)建的茶樹(shù)葉片EWT估算模型，在有塵、無(wú)塵狀態(tài)下其估算值與實(shí)測(cè)值線性擬合方程的RMSE均為0.001，R2除SIWSI指數(shù)構(gòu)建的模型外其余均大于0.6。以NDVI(1 298，1 340)構(gòu)建的模型估算值與實(shí)測(cè)值擬合方程的R2最大，相對(duì)變率最小，但僅有塵狀態(tài)下其估算值與實(shí)測(cè)值相近(線性擬合方程斜率為0.777)，而無(wú)塵狀態(tài)下估算值與實(shí)測(cè)值線性擬合方程斜率僅為0.225，表明估算值與實(shí)測(cè)值相差較大。以NDWI(860，1 450)構(gòu)建的估算模型估算值與實(shí)測(cè)值線性擬合方程的R2雖然在有塵、無(wú)塵不同狀態(tài)下同樣具有較小的相對(duì)變率，且在無(wú)塵狀態(tài)下該模型估算值與實(shí)測(cè)值線性擬合方程斜率最接近1，但其決定系數(shù)較小，在有塵狀態(tài)下其斜率值與1相差較大。以RVI(1 298，1 325)構(gòu)建的模型估算值與實(shí)測(cè)值線性擬合方程雖然R2相對(duì)變率較NDWI(860，1 450)和NDVI(1 298，1 340)大，但在有塵、無(wú)塵狀態(tài)下其R2均具有較大值(>0.694)，且估算值與實(shí)測(cè)值線性擬合方程斜率均與1相差小，可見(jiàn)滯塵對(duì)以RVI(1 298，1 325)構(gòu)建的估算模型精度影響小。

表5 茶樹(shù)葉片EWT的實(shí)測(cè)值與估算值比較分析

2.4 滯塵混合狀態(tài)下的茶樹(shù)葉片含水量高光譜估算模型構(gòu)建與驗(yàn)證

自然條件下茶樹(shù)葉片處于不同滯塵環(huán)境，葉面滯塵狀態(tài)的不確定將嚴(yán)重影響茶樹(shù)葉片水分的準(zhǔn)確估算，構(gòu)建一種對(duì)滯塵不敏感的茶樹(shù)葉片水分光譜模型，對(duì)于無(wú)損、快速、準(zhǔn)確測(cè)定茶樹(shù)葉片水分具有重要作用。因此，利用建模集數(shù)據(jù)中有塵、無(wú)塵數(shù)據(jù)進(jìn)行隨機(jī)混合，并采用偏最小二乘回歸法分別以RVI(1 298，1 325)，NDVI(1 298，1 340)，NDWI(860，1 450)和SIWSI為自變量構(gòu)建混合狀態(tài)茶樹(shù)葉片EWT估算模型，建模結(jié)果見(jiàn)表6。由表6可知，基于上述4種植被指數(shù)構(gòu)建的茶樹(shù)葉片EWT模型的決定系數(shù)以RVI(1 298，1 325)最大(R2=0.853)，NDVI(R1 298，R1 340)次之(R2=0.837)，NDWI(860，1 450)和SIWSI最小分別為0.752和0.688。

表6 茶樹(shù)葉片EWT在有塵、無(wú)塵混合狀態(tài)下的指數(shù)估算模型

為了檢驗(yàn)所建模型精度，利用檢驗(yàn)集樣本(包括有塵、無(wú)塵數(shù)據(jù))對(duì)模型估算值與實(shí)測(cè)值進(jìn)行線性擬合分析，結(jié)果如圖2。由圖2可知，在混合條件下以RVI(1 298，1 325)，NDWI(860，1 450)，SIWSI，NDVI(1 298，1 340)為自變量構(gòu)建的模型估算值與實(shí)測(cè)值線性擬合方程的RMSE均為0.001，其R2依次為：0.728，0.677，0.520，0.447，RPD依次為：1.917，1.344，1.759，1.443；線性擬合方程斜率分別依次為：0.813，0.776，0.715和0.693，線性擬合方程截距依次為：0.003，0.004，0.005和0.005。比較4種植被指數(shù)構(gòu)建模型的估算值與實(shí)測(cè)值線性關(guān)系可知，以RVI(1 298，1 325)為自變量構(gòu)建的茶樹(shù)葉片EWT模型的估算值與實(shí)測(cè)值線性擬合方程的R2和RPD最大，斜率與1差值最小，方程截距最小。因此，該模型受滯塵影響小，是混合滯塵狀態(tài)下的最優(yōu)模型，該結(jié)果也驗(yàn)證了RVI(1 298，1 325)受滯塵的影響最小的結(jié)論。

圖2 混合條件茶樹(shù)葉片水分含量實(shí)測(cè)值與預(yù)測(cè)值比較分析

3 結(jié) 論

通過(guò)分析不同植被指數(shù)對(duì)茶樹(shù)葉面滯塵的敏感性，發(fā)現(xiàn)NDVI(1 298，1 340)，RVI(1 298，1 325)，NDWI(860，1 450)，SIWSI與EWT的相關(guān)性高，且有、無(wú)塵狀態(tài)下相關(guān)系數(shù)的相對(duì)變率小。選擇這4個(gè)指數(shù)構(gòu)建EWT估算模型并分析滯塵對(duì)EWT估算精度的影響，利用偏最小二乘回歸法分別建立有塵、無(wú)塵茶樹(shù)葉片水分估算模型，發(fā)現(xiàn)滯塵會(huì)降低茶樹(shù)葉片水分估算精度，且4個(gè)模型中在有塵、無(wú)塵兩種狀態(tài)下，以NDVI(1 298，1 340)，RVI(1 298，1 325)為自變量的模型估算精度高、反演效果優(yōu)于NDWI(860，1 640)、SIWSI。在有塵、無(wú)塵混合狀態(tài)下以RVI(1 298，1 325)為自變量的茶樹(shù)葉片水分估算模型精度最高(模型為y=0.245x-0.241)，模型估算值與實(shí)測(cè)值具有較強(qiáng)的一致性，反演效果最佳，因此RVI(1 298，1 325)構(gòu)建的茶樹(shù)水分估算模型在自然滯塵狀態(tài)下對(duì)茶樹(shù)葉片含水量的精確估算具有較大潛力，能夠?yàn)檫b感估測(cè)有塵、無(wú)塵以及混合狀態(tài)下茶樹(shù)葉片水分含量提供參考依據(jù)，對(duì)茶樹(shù)精準(zhǔn)管理具有重要的指導(dǎo)和參考價(jià)值。