Estimation of SPAD Value in Rice Based on Continuous Wavelet Transform and Back Propagation Neural Network

Hu Wenrui，Gao Qianwen，Yang Huibing，Gao Zhiqiang（College of Agronomy， Hunan Agricultural University， Changsha 41O128， China）

AbstractTo construct a hyperspectral accurate estimation model of SPAD value of rice leaves，the experiment was conducted with the variety Jingliangyouhuazhan as material，and three fertilization treatments were set.The hyperspectral reflectance and SPAD value data were measured continuously and periodically during the whole reproductive period.The sensitive information of the spectrum was extracted using vegetation index and continuous wavelet transform（CWT），and then the estimation models of SPAD of rice leaves were established using traditional linearand nonlinear fitingand thealgorithm of back propagation neural network （BPNN），whose estimation effects were compared using the coefficient of determination （R² ），root mean square error （RMSE），and relative analysis error （RPD）. The results showed that the accuracy of the inverse univariate models for SPAD value constructed with nine commonly used vegetation indices based on the traditional methods（linear function，logarithmic function，exponential function，and quadratic function fitting） were lower （ RPDlt;1.4 ）. Six parent wavelet functions were selected for CWT，which could effectively improve the correlation between leaf hyperspectral reflectance and SPAD value，and the accuracy of the univariate models constructed using the optimal wavelet coeficients of the parent wavelet functions increased obviously， which could reach the level of rough estimation of SPAD value with RPD between1.523 to 1.581. The accuracy of the SPAD estimation models constructed based on the BPNN algorithm were significantly improved compared with the univariate models with RPD between1.832 to 2.342. Among which，the BPNN models constructed with bior3.3 and gaus4 as parent wavelet functions had beter estimation capacity with RPD of 2.342 and 2.178，respectively. However，the BPNN model constructed with gaus4 as the parent wavelet function had the phenomenon of overfitting. In summary，the BPNN model constructed using the first 1O optimum wavelet coefficients decomposed by bior3.3 had the highest precision with R² and RMSE as 0.818 and 1.441， respectively， which could make good prediction of SPAD value of rice leaves.This study proved that CWT could effectively extract the sensitive information of spectral characteristics in rice leaves，and the established bior3.3-BPNN model could be used for the monitoring of rice SPAD value，which could provide references for subsequent rapid and nondestructive monitoring of rice SPAD value throughout the whole growth period，and provide the technical support for real-time monitoring of rice growth and development dynamics.

KeywordsRice； SPAD value； Hyperspectral； Vegetation index； Continuous wavelet transform； Backpropagation neural network

葉綠素含量是農(nóng)業(yè)和生態(tài)等領(lǐng)域衡量植物光合作用能力、生長發(fā)育情況的重要理化指標(biāo)[1]傳統(tǒng)檢測(cè)葉綠素絕對(duì)含量的方法需要先對(duì)田間作物進(jìn)行破壞性取樣后再在實(shí)驗(yàn)室進(jìn)行提取，結(jié)果準(zhǔn)確但是操作復(fù)雜且效率低[2]。SPAD-502葉綠素測(cè)量儀可以通過測(cè)量SPAD值無損地檢測(cè)植物葉片的相對(duì)葉綠素含量[3]，但不具備快速大面積監(jiān)測(cè)的能力。近年來高光譜技術(shù)因具備快速、無損、信息量大、連續(xù)性強(qiáng)等優(yōu)點(diǎn)在農(nóng)業(yè)領(lǐng)域廣泛應(yīng)用[4]，可以通過對(duì)比葉片或冠層尺度的光譜反射率差異來分析植物生長發(fā)育的變化。其中葉片尺度的測(cè)量是通過將葉夾器直接夾住作物葉片后發(fā)射主動(dòng)光源來測(cè)量光譜反射率信息，而冠層尺度的測(cè)量則是在距離作物一定的高度通過獲取經(jīng)過植物群體、土壤和水體等反射的太陽光來測(cè)量光譜反射率信息，因此，通過葉片光譜獲取的信息更加聚焦于作物目標(biāo)，同時(shí)更少受到外界因素的影響[5]。李靖言等[6]利用冠層高光譜數(shù)據(jù)構(gòu)建植被指數(shù)，然后構(gòu)建梯度提升回歸模型對(duì)春小麥SPAD值進(jìn)行估測(cè)，取得較好效果，決定系數(shù)（ R² ）和均方根誤差（RMSE）分別為0.7594和2.3329；岳云開等7]利用無人機(jī)獲取的冠層多光譜數(shù)據(jù)構(gòu)建植被指數(shù)并結(jié)合隨機(jī)森林模型對(duì)苧麻SPAD值進(jìn)行估測(cè)， R² 和RMSE分別為0.892和0.116;王俞茜等[8]利用葉片高光譜數(shù)據(jù)構(gòu)建植被指數(shù)并結(jié)合PROSPECT模型對(duì)玉米不同生育時(shí)期的葉片SPAD值進(jìn)行估測(cè)，均取得了較高的估算精度。上述結(jié)果表明通過反射光譜預(yù)測(cè)植物葉片SPAD值是可行的，但是目前的研究主要是利用植被指數(shù)構(gòu)建模型，對(duì)于光譜特征的提取有限，預(yù)測(cè)精度仍有提升的空間。

連續(xù)小波變換（CWT）是一種具有強(qiáng)大信息處理和分析能力的光譜信息提取方法[9]，通過對(duì)光譜信息連續(xù)尺度和波長上的分解能削弱對(duì)光譜信息提取具有負(fù)面影響的噪聲，放大有效的光譜信息[10]。反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）是一種具有自學(xué)習(xí)、自適應(yīng)和高度非線性表達(dá)能力的復(fù)制人腦神經(jīng)系統(tǒng)功能的機(jī)器學(xué)習(xí)算法[11]。近年來，小波變換和BP算法在高光譜反演研究中都得到了廣泛應(yīng)用[12-16]。然而，將CWT與BPNN相結(jié)合來估測(cè)水稻葉片SPAD值的研究較少。本研究以“晶兩優(yōu)華占”水稻為材料，采集移栽不同時(shí)期葉片的光譜反射率和SPAD數(shù)據(jù)，利用小波變換提取對(duì)水稻葉片SPAD值敏感的高光譜波長，探索最佳母小波函數(shù)和最佳信號(hào)提取尺度，并利用BPNN構(gòu)建SPAD估測(cè)模型，以期為利用高光譜遙感技術(shù)實(shí)時(shí)監(jiān)測(cè)水稻葉綠素含量變化及生長發(fā)育動(dòng)態(tài)提供技術(shù)支持。

材料與方法

1.1 試驗(yàn)材料及設(shè)計(jì)

試驗(yàn)于2022年在農(nóng)業(yè)大學(xué)瀏陽科研基地（ （113^°84^′E，28^°30^′N） 開展。該基地位于小型丘陵盆地，屬亞熱帶季風(fēng)性氣候，年平均氣溫為17.3°C ，前茬作物為油菜。其土壤有機(jī)質(zhì)、總氮、總磷和總鉀含量分別為23.41、1.73、0.64、19.35g/kg ，pH值為5.51。

“晶兩優(yōu)華占”水稻作為試驗(yàn)材料，5月14日育苗，6月4日采用機(jī)械拋秧技術(shù)進(jìn)行移栽，移栽株距為 22～25cm，9 9月15日收割，總田間生長期為 104d 。

試驗(yàn)設(shè)置3個(gè)施肥處理，各處理的施肥方案見表1，重復(fù)9次，隨機(jī)區(qū)組排列。小區(qū)面積為18m² 。

1.2 數(shù)據(jù)采集

1.2.1水稻葉片光譜反射率的測(cè)量使用FieldSpec3便攜式特征光譜儀（ASD，USA）在水稻幼苗移栽后的 19，34，49，64，79，94d 測(cè)量葉片不同生育時(shí)期的光譜反射率。利用光譜儀自帶光源的手持葉夾于正午時(shí)進(jìn)行測(cè)量，光譜測(cè)量范圍為350～2500nm ，其中 350～1 050nm 的光譜采樣間隔為 1.377nm，1 000～2 500nm 的采樣間隔為2nm 。從每個(gè)小區(qū)隨機(jī)選擇生長一致的5片葉子進(jìn)行反射光譜數(shù)據(jù)采集，設(shè)置每次測(cè)量進(jìn)行10次重采樣，并在每次測(cè)量前后均使用葉夾上的標(biāo)準(zhǔn)白板進(jìn)行校正，以平均值作為該小區(qū)的最終光譜值。

1.2.2 水稻葉片SPAD 值的測(cè)量在采集高光譜反射率數(shù)據(jù)的同時(shí)，使用SPAD-502葉綠素儀（MinoltaCamera，Japan）測(cè)量相同葉片的SPAD值，每片測(cè)量葉尖、葉中、葉基3個(gè)點(diǎn)并避開葉脈，取平均值作為該葉片的SPAD實(shí)測(cè)值。

1.3 數(shù)據(jù)處理與分析

數(shù)據(jù)處理與分析在MATLAB2021b（Math-Works，USA）中進(jìn)行，總體流程如圖1所示，主要包括植被指數(shù)的選取、CWT最優(yōu)小波基函數(shù)的選取以及SPAD值估測(cè)模型的建立和驗(yàn)證。

1.3.1葉片光譜反射率的預(yù)處理和導(dǎo)出由于在 350～400nm 光譜范圍內(nèi)存在較大噪音，且與葉片SPAD值相關(guān)性較高的波段位于可見光和部分近紅外區(qū)域[17-18]，因此，本研究選取 400～1000 nm 作為光譜研究區(qū)域。采用ViewSpecPro軟件對(duì)測(cè)得的162組數(shù)據(jù)進(jìn)行預(yù)處理并導(dǎo)出，然后根據(jù)SPAD值從低到高進(jìn)行排序，每隔兩個(gè)樣本選擇一個(gè)樣本作為測(cè)試樣本（共54個(gè)樣本），其余樣本作為訓(xùn)練樣本（共108個(gè)樣本）

1.3.2 植被指數(shù)的計(jì)算基于水稻的光譜特征和前人的研究[19-27]，選擇9個(gè)常用的光譜指數(shù)來估計(jì)水稻葉片SPAD值，其表達(dá)式見表2。

1.3.3連續(xù)小波變換小波變換是法國工程師Morlet首次提出的一種線性變換方法[12]，能夠?qū)?fù)雜信號(hào)分解為不同尺度（頻率）的小波信號(hào)，從而有效地提取信號(hào)中的弱信息部分，充分凸顯局部特征，具有多分辨率分析的特點(diǎn)。連續(xù)小波變換（CWT）是一種能夠?qū)崿F(xiàn)信號(hào)變換和重構(gòu)、保持原始信息完整性并具有可逆性的小波變換[13，16]。本研究采用CWT通過小波基函數(shù)對(duì)原始高光譜反射率進(jìn)行分解，得到一系列不同尺度的小波系數(shù)（WC）。WC包含兩個(gè)維度，即譜帶（ I=1 ，2，…，m） 和分解尺度 Φ（j=1，2，…，n） 。因此，CWT將原始的一維高光譜數(shù)據(jù)轉(zhuǎn)換為二維高光譜數(shù)據(jù)，即WC的維數(shù)矩陣。轉(zhuǎn)換公式如下：

其中， λ 是譜帶的數(shù)量;a是比例因子； b 是翻譯因素； f（λ） 為葉片的光譜反射率； Ψ_a，b（λ） 是小波基函數(shù)； W_f（a，b） 是小波系數(shù)。由于不同小波基函數(shù)的降維效果不同[1128-29]，本研究選用 bior3.3、 和mexh六個(gè)母小波函數(shù)作為CWT過程的基函數(shù)進(jìn)行高光譜數(shù)據(jù)的處理，分解比例尺為 （2¹，2²，…，2¹⁰） ，對(duì)應(yīng)于尺度1～10 。

1.3.4反向傳播神經(jīng)網(wǎng)絡(luò)反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）是一種根據(jù)誤差反向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，其結(jié)構(gòu)通常包括輸入層、隱藏層和輸出層本研究通過MATLAB2021b編程對(duì)BPNN模型進(jìn)行了訓(xùn)練。為了使網(wǎng)絡(luò)在訓(xùn)練階段易于收斂，本研究對(duì)輸入和輸出變量進(jìn)行了歸一化處理，網(wǎng)絡(luò)中間層神經(jīng)元的傳遞函數(shù)采用s型切函數(shù)Tan-sig，輸出層神經(jīng)元的傳輸函數(shù)采用線性函數(shù)Purelin，網(wǎng)絡(luò)的訓(xùn)練函數(shù)采用Levenberg-Mar-quardt算法訓(xùn)練函數(shù) Trainlm，學(xué)習(xí)函數(shù)為 learng-dm 。網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)為1000次，訓(xùn)練目標(biāo)的最小誤差為 10^-6 ，學(xué)習(xí)率為0.01。隱藏層節(jié)點(diǎn)的數(shù)量固定為10[30] 0

1.4 模型的評(píng)價(jià)

用決定系數(shù)（ R² ）、均方根誤差（RMSE）和相對(duì)分析誤差（RPD）評(píng)估模型的準(zhǔn)確性。 R² 值介于0和1之間，其值越接近1，RMSE越小，表明模型擬合效果越好，預(yù)測(cè)精度越高。當(dāng) RPDlt;1.4 時(shí)，模型無法預(yù)測(cè)樣本；當(dāng) 1.4?RPDlt;2.0 時(shí)，模型可以對(duì)樣本進(jìn)行粗略評(píng)估；當(dāng) RPD?2 時(shí)，模型具有良好的預(yù)測(cè)能力。計(jì)算公式如下：

其中 是測(cè)量值， y_j 是預(yù)測(cè)值， 是平均值， Std_v 是測(cè)試集的標(biāo)準(zhǔn)偏差， RMSE_v 是測(cè)試集的RMSE， n 是樣本數(shù)。

2 結(jié)果與分析

2.1 葉片光譜特征分析

選取間隔為8的SPAD值對(duì)應(yīng)的反射光譜（圖2），可以看出不同SPAD值對(duì)應(yīng)的水稻葉片光譜的反射率變化規(guī)律大致相同：在 400～680nm 可見光波段中出現(xiàn)下降-上升-下降-再上升的變化趨勢(shì)，形成兩谷夾一峰的形態(tài)；之后急劇升高，并在 780～1000nm 近紅外波段出現(xiàn)一個(gè)變化平緩的平臺(tái)。這符合植物光譜的一般規(guī)律，即出現(xiàn)藍(lán)谷、綠峰、紅谷的“兩谷夾一峰”現(xiàn)象以及急速上升的“紅邊”現(xiàn)象和高反射率平臺(tái)“紅肩”。但是不同SPAD值對(duì)應(yīng)的葉片光譜反射率存在明顯差異，隨著SPAD值的增大，光譜反射率呈現(xiàn)下降趨勢(shì)，呈現(xiàn)出明顯的負(fù)相關(guān)性

2.2 不同母小波函數(shù)的小波系數(shù)與SPAD值的相關(guān)性分析

通過CWT將水稻葉片的光譜反射率數(shù)據(jù)在1＼～10尺度上進(jìn)行分解，并在每個(gè)分解尺度下為每個(gè)波段生成相應(yīng)的小波系數(shù)，然后在Excel中對(duì)每個(gè)尺度上的小波系數(shù)與SPAD值進(jìn)行簡單的相關(guān)性分析，并計(jì)算每個(gè)尺度上的小波系數(shù)與SPAD值之間的相關(guān)系數(shù)絕對(duì)值（IRI）。將每個(gè)尺度上所有的IRI構(gòu)建成矩陣，矩陣中的每個(gè)像素對(duì)應(yīng)的橫坐標(biāo)為原始光譜帶（ 400～1000nm ），縱坐標(biāo)為分解尺度，每個(gè)像素的色度值表示IRI的大小。本研究使用6個(gè)不同的母小波函數(shù)作為CWT的基函數(shù)，共獲得6個(gè)IRI矩陣（圖3），可以看出具有較強(qiáng)相關(guān)性的譜帶分布在可見光和近紅外區(qū)域。其中， bior3.3-S10-784 （母小波函數(shù)-尺度-波段，后同） sym4-S10-961 、rbior3.7-S9-$8 5 5 ＼mathrm ‰ ＼textJoin$ 和mexh-S1-677條件下相關(guān)性最強(qiáng)，IRI在 0.692～0.725 之間，均達(dá)到極顯著相關(guān)水平（表3）。

2.3 基于單指標(biāo)的傳統(tǒng)SPAD估測(cè)模型評(píng)價(jià)

以構(gòu)建的光譜植被指數(shù)和選出的不同母小波函數(shù)IRI最高的小波系數(shù)分別作為自變量，以SPAD值作為因變量，利用常用的單變量線性函數(shù) Φ_y=ax+b ）或非線性函數(shù)（對(duì)數(shù)函數(shù) y=alnx+b ：指數(shù)函數(shù) y=ae^bx ;二次函數(shù) y=ax²+bx+c） 進(jìn)行擬合，構(gòu)建了基于單指標(biāo)的傳統(tǒng)SPAD值估測(cè)模型，從中選擇每個(gè)自變量反演精度最好的回歸方程進(jìn)行訓(xùn)練（ Δn=108Ω ），并使用測(cè)試集（ Δ_n=54 數(shù)據(jù)進(jìn)行驗(yàn)證。由表4可以看出，每個(gè)參數(shù)反演精度最好的擬合方程均是二次函數(shù)方程，其中，基于植被指數(shù)構(gòu)建模型的訓(xùn)練集 R² 在 0.152～0.489 之間，測(cè)試集 R² 在 0.157～0.481 之間，且RPD 均低于1.4，表明這些模型的預(yù)測(cè)精度較低，擬合效果和穩(wěn)定性較差；而基于小波系數(shù)構(gòu)建的模型訓(xùn)練集和測(cè)試集 R² 均在0.6以上，預(yù)測(cè)精度明顯高于用植被指數(shù)構(gòu)建的模型，而且RPD均在 1.523～ 1.581之間，能夠?qū)崿F(xiàn)對(duì)樣本的粗略估計(jì)，還達(dá)不到良好估測(cè)的要求。

2.4 基于BPNN的葉片SPAD值估測(cè)模型評(píng)價(jià)

根據(jù)小波變換的結(jié)果，選取每個(gè)母小波函數(shù)下IRI最高的10個(gè)小波系數(shù)對(duì)應(yīng)的波段作為敏感波段（表5），然后以其作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，以水稻葉片的SPAD值作為輸出層，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型。模型評(píng)價(jià)結(jié)果（表6）顯示，與傳統(tǒng)的單指標(biāo)模型相比，BPNN構(gòu)建模型的擬合效果和預(yù)測(cè)精度都有所提高，訓(xùn)練集 R² 為 0.682～ 0.834，測(cè)試集 R² 為 0.699～0.818 ，RPD在 1.823～ 2.342，這是由于機(jī)器學(xué)習(xí)具有更強(qiáng)的非線性擬合能力。其中以bior3.3、gaus4作為母小波函數(shù)構(gòu)建的BPNN模型RPD超過2.0，表明模型達(dá)到良好預(yù)測(cè)效果。但基于gaus4母小波函數(shù)構(gòu)建的模型存在過擬合現(xiàn)象，即訓(xùn)練集的精度明顯高于測(cè)試集。綜合來看，基于bior3.3母小波函數(shù)構(gòu)建的BPNN模型對(duì)水稻葉片SPAD值的估測(cè)效果最好（圖4），測(cè)試集 R² 為0.818，RMSE為1.441，RPD為2.342，具有良好的泛化能力。

3 討論

葉片光譜特征的差異反映了作物生長發(fā)育及營養(yǎng)狀況的變化。SPAD值表征植物葉片葉綠素含量，可反映植物進(jìn)行光合作用的能力[1]。當(dāng)SPAD值高時(shí)，葉片葉綠素含量高，對(duì)光的吸收能力強(qiáng)，光譜反射率降低，SPAD值低時(shí)則相反，這為 SPAD值的高光譜反演提供了理論依據(jù)[31]。大多數(shù)研究通常采用構(gòu)建植被指數(shù)的方法去除原始光譜信息中的噪聲，并用于對(duì)SPAD值進(jìn)行估測(cè)。因此，本研究選用CARI、VOG1、VOG3、ND-VI、GNDVI、DGNDVI、mSR705、mND705、DD和OSAVI2共9個(gè)植被指數(shù)，利用線性或非線性函數(shù)擬合構(gòu)建單一植被指數(shù)模型來估測(cè)水稻的SPAD值，結(jié)果表明所建模型都達(dá)不到估測(cè)SPAD值的程度。這可能是因?yàn)榛谠脊庾V構(gòu)建植被指數(shù)容易受到外界因素的干擾，反映的光譜信息有限，導(dǎo)致SPAD值的預(yù)測(cè)效果變差。

連續(xù)小波變換（CWT）作為一種光譜數(shù)據(jù)的處理方法，能夠很好地挖掘光譜信息中比較微弱的部分，這對(duì)作物生長參數(shù)的反演具有重要意義[32]，因而被用于多種作物生長參數(shù)的監(jiān)測(cè)。Wen等[33]利用CWT對(duì)高光譜數(shù)據(jù)進(jìn)行處理后構(gòu)建水稻葉片葉綠素?zé)晒鈪?shù) Fv/Fm 值的監(jiān)測(cè)模型，結(jié)果表明bior3.3-BPNN模型具有最佳的監(jiān)測(cè)性能。Wang等[14]利用CWT的mexh母小波函數(shù)對(duì)冬小麥凍害葉片高光譜數(shù)據(jù)進(jìn)行處理后構(gòu)建了SPAD值估測(cè)模型， R² 為0.7444，RMSE為7.359，實(shí)現(xiàn)了對(duì)不同低溫處理下冬小麥葉片SPAD值的準(zhǔn)確估計(jì)。但不同類型母小波函數(shù)描述高光譜信號(hào)局部特征的能力存在較大差異，因此，本研究選擇6種母小波函數(shù)作為連續(xù)小波變換的基礎(chǔ)函數(shù)，結(jié)果表明，使用不同母小波函數(shù)進(jìn)行小波變換后，小波系數(shù)與SPAD值相關(guān)性較高的波段大多在 670～1000nm 范圍內(nèi)，最優(yōu)分解尺度均在7＼～9內(nèi)；與基于植被指數(shù)構(gòu)建的模型相比，基于最優(yōu)小波系數(shù)的單變量SPAD值估測(cè)模型精度明顯提高，達(dá)到了粗略估計(jì)的水平（RPD 1.523～1.581 。為了進(jìn)一步提高 SPAD值的估測(cè)效果，本研究基于每種母小波函數(shù)的前10個(gè)最優(yōu)小波系數(shù)構(gòu)建BPNN模型，模型精度進(jìn)一步提高，測(cè)試集 R² 達(dá)到 0.699～0.818 ，RPD提高至 1.823～2.342 。其中，以bior3.3母小波函數(shù)構(gòu)建的BPNN模型估測(cè)能力最好，測(cè)試集 R² 為0.818，RMSE 為1.441，RPD 為 2.342。

本研究結(jié)果是在綜合分析不同施肥處理和不同生育期數(shù)據(jù)的基礎(chǔ)上得出的，具有一定的普適性，但仍存在一些不足，如未采集不同品種和不同種植地區(qū)的水稻光譜和SPAD值數(shù)據(jù)訓(xùn)練模型，導(dǎo)致模型的普適性有待提高，后續(xù)應(yīng)采集更加多樣化的水稻數(shù)據(jù)來豐富建模訓(xùn)練集，進(jìn)一步提高估測(cè)模型的普適性。另外，本研究中使用的光譜數(shù)據(jù)是基于葉片尺度的，受環(huán)境因素的影響較小，而冠層尺度的光譜信息容易受環(huán)境背景噪聲（如土壤和水）的影響，通過CWT分解光譜信息能否有助于突出冠層尺度的有效光譜信息也有待進(jìn)一步研究。

4結(jié)論

本研究通過與9種植被指數(shù)的比較，發(fā)現(xiàn)連續(xù)小波變換從水稻葉片的原始高光譜數(shù)據(jù)中提取有效信息的能力更強(qiáng)；以母小波函數(shù)bior3.3為基礎(chǔ)函數(shù)對(duì)原始光譜數(shù)據(jù)進(jìn)行分解，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建的模型對(duì)水稻葉片SPAD值具有較高的預(yù)測(cè)精度（ R² 為0.818，RMSE為1.441），達(dá)到良好預(yù)測(cè)水平（RPD大于2.0）。本研究結(jié)果有助于推進(jìn)CWT和BPNN在SPAD值估算中的應(yīng)用，并為后續(xù)水稻SPAD值的全生育期快速無損監(jiān)測(cè)提供參考。

參考文獻(xiàn)：

[1］陳小龍，陳燦，周莉.水稻不同生育期葉綠素含量的測(cè)定及 其相關(guān)性分析[J].現(xiàn)代農(nóng)業(yè)科技，2010（17）：42-44，52.

[2]朱新開，盛海君，顧晶，等.應(yīng)用 SPAD 值預(yù)測(cè)小麥葉片葉綠 素和氮含量的初步研究[J].麥類作物學(xué)報(bào)，2005，25（2）： 46-50.

[3］馬文君，常慶瑞，田明璐，等.棉花全生育期葉片 SPAD 值的 遙感估算模型[J].干旱地區(qū)農(nóng)業(yè)研究，2017，35（5）：42- 48.

[4]Guo B B，Qi S L，Heng Y R，et al. Remotely asssing leaf N uptake in winter wheat based on canopy hyperspectral red-edge absorption[J]. European Journal of Agronomy，2017，82：113- 124.

[5]章曼，常慶瑞，張曉華，等.不同施肥條件下水稻冠層光譜 特征與葉綠素含量的相關(guān)性［J].西北農(nóng)業(yè)學(xué)報(bào)，2015，24 （11） ：49-56.

[6]李靖言，顏安，寧松瑞，等.基于高光譜植被指數(shù)的春小麥 LAI和 SPAD值及產(chǎn)量反演模型研究［J].江蘇農(nóng)業(yè)科學(xué)， 2023，51（20） ：201-210.

[7］岳云開，陳建福，趙亮，等.基于無人機(jī)多光譜遙感的苧麻 葉綠素含量反演[J].山東農(nóng)業(yè)科學(xué)，2023，55（7）：152- 158.

[8］王俞茜，韓娜娜，周青云，等.基于高光譜的夏玉米葉片 SPAD 值估測(cè)模型研究[J].天津農(nóng)學(xué)院學(xué)報(bào)，2022，29（3）： 1-8.

[9]Rivard B，F(xiàn)eng J，Gallie A，et al. Continuous wavelets for the improved use of spectral libraries and hyperspectral data[J]. Remote Sensing of Environment，2008，112（6） ：2850-2862.

[10]Blackburn G A，F(xiàn)erwerda JG. Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis[J]. Remote Sensing of Environment，2008，112（4） ：1614-1632.

[11]Keiner L E，Yan X H. A neural network model for estimating sea surface chlorophyll and sediments from thematic mapper imagery[J]. Remote Sensing of Environment，1998，66（2） ：153- 165.

[12]Mallat S. Group invariant scattering[J]. Communications on Pureand Applied Mathematics，2012，65（10）：1331-1398.

[13]王延倉，張蕭譽(yù)，金永濤，等.基于連續(xù)小波變換定量反演 冬小麥葉片含水量研究[J].麥類作物學(xué)報(bào)，2020，40（4）： 503-509.

[14]Wang HF，Huo Z G，Zhou G S，et al. Estimating leaf SPAD 4J.

[15］姚霞，朱艷，程濤，等.一種基于連續(xù)小波分析建立小麥葉 干重定量模型的方法：CN106772427A[P].2017-05-31.

[16］張驍，閆巖，王文輝，等.基于小波分析的水稻籽粒直鏈淀 粉含量高光譜預(yù)測(cè)［J].作物學(xué)報(bào)，2021，47（8）：1563- 1580.

[17]Inoue Y，Penuelas J. An AOTF-based hyperspectral imaging system for field use in ecophysiological and agricultural applications[J]. International Journal of Remote Sensing，2001，22 （18） ：3883-3888.

[18] Sims D A，Gamon JA. Relationships between leaf pigment content and spectral reflectance across a wide range of species ， leaf structures and developmental stages[J]. Remote Sensing of Environment，2002，81（2/3） ：337-354.

[19] Gitelson A A，Kaufman Y J，Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J]. Remote Sensing of Environment，1996，58（3） ：289- 298.

[20]Lichtenthaler H K，Gitelson A，Lang M. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements[J]. Journal of Plant Physiology，1996，148（3/4） ：483/493.

[21] Lin P R，Qin Q M，Dong H，et al. Hyperspectral vegetation indices for crop chlorophyll estimation：assessment，modeling and validation[ C]//2O12 IEEE International Geoscience and Remote Sensing Symposium. Piscataway： IEEE，2012： 4841 - 4844.

[22] Vogelmann J，Rock B，Moss D. Red edge spectral measurements from sugar maple leaves[J]. International Journal of Remote Sensing，1993，14（8） ：1563-1575.

[23] Zarco-Tejada P J，Miler JR，Noland T L，et al. Scaling-up and model inversion methods with narrowband optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing，2001，39（7） ：1491-1507.

[24] Zhou Q F，Liu Z Y，Huang JF. Detection of nitrogen-overfertilized rice plants with leaf positional diference in hyperspectral vegetation index[J]. Journal of Zhejiang University Science B， 2010，11（6） ：465-470.

[25]Bal A，Sanchez-Azofeifa A，Portill-Quintero C，et al.Patterns of leaf biochemical and structural properties of Cerrado life forms：implications for remote sensing[J]. PLoS ONE，2015， 10（2） ：e0117659.

[26]Tang H M，Xiao X P，Li C，et al. Effects of different soil tillage systems on soil carbon management index under double-cropping rice field in southern China[J]. Agronomy Journal，2019， 111（1） ：440-447.

[27] Zhen Z J，Chen S B，Qin W H，et al. A modified transformed soil adjusted vegetation index for cropland in Jilin Province， China[J]. Acta Geologica Sinica，2019，93（S1） ：173-176.

[28]Le Maire G，F(xiàn)rangois C，Dufrene E. Towards universal broad leaf chlorophyll indices using PROSPECT simulated database andhyperspectral reflectance measurements[J].Remote Sensing of Environment，2004，89（1）：1-28.

[29] Zhao R M，An LL，Song D，et al. Detection of chlorophyl fluorescence parameters of potato leaves based on continuous wavelet transform and spectral analysis[J]. Spectrochimica Acta PartA：Molecular and Biomolecular Spectroscopy，2O21，259： 119768.

[30]Wan FY，YangL，Zhong YG，et al.Enhancement of lysosomal osmotic sensitivity inducedby thephotooxidation of membrane thiol groups[J]. Photochemistry and Photobiology，2O02，75 （2） ：134-139.

[31］孫玉婷，楊紅云，孫愛珍，等.水稻葉片SPAD值的高光譜估 算模型[J].南方農(nóng)業(yè)學(xué)報(bào)，2020，51（5）：1062-1069.

[32]Cheng T，Rivard B，S?nchez-Azofeifa A G，et al. Deriving leaf massper area（LMA） from foliar reflectance across a variety of plant species using continuous wavelet analysis[J]. ISPRS Journal ofPhotogrammetryand Remote Sensing，2O14，87：28- 38.

[33]Wen SY，Shi N，LuJW，et al.Continuous wavelet transform and back propagation neural network for condition monitoring chlorophyll fluorescence parameters Fv/Fm of rice leaves[J]. Agriculture，2022，12（8） ：1197.