基于高光谱的黑土区土壤重金属含量估测

以黑龙江省讷河市采集的80份黑土样品和高光谱实测数据为数据源,对黑土中铜(Cu)、锌(Zn)、锰(Mn)重金属元素的光谱反射率及其特征变化进行研究,分析了光谱反射率、光谱反射率一阶微分变换、光谱反射率连续统去除变换、光谱反射率连续统去除一阶微分变换与元素铜、锌、锰含量的相关性,并利用相关系数法提取敏感波段。利用核主成分分析(Kernel principal component analysis,KPCA)方法对高光谱敏感波段数据进行降维及特征提取,将特征信息作为极限学习机(Extreme learning machine,ELM)模型建模的样本数据,构建KPCA-ELM估测模型,进行黑土重金属含量的定量估算。结果表明:KPCA具有较强的非线性特征提取能力,可以有效地选择最佳变量集合,KPCA-ELM模型预测土壤元素含量效果理想,3种重金属元素含量估测的决定系数均达到0.6以上,其中,锌元素预测精度最高,决定系数和均方根误差分别为0.805和3.275 mg/kg,比特征提取前模型预测精度优化了14.0%和18.5%,说明构建的KPCA-ELM模型是一种快速可行的重金属含量高光谱估测方法。     

基于高光谱遥感的苹果树冠层叶片全氮量估测

【目的】快速准确获取大面积果园冠层叶片全氮含量（LNC ,Leaf Nitrogen Content）是实现现代精准农业的基本要求。【方法】本试验通过无人机高光谱成像仪（391.9nm ~ 1006.2nm）采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率（OD）、倒数光谱（RT）、对数光谱（LF)、一阶微分光谱（FD）,构建任意两个光谱波段集组合的差值植被指数（Difference spectral index,DSI ）、土壤调节植被指数（Soil Adjusted Vegetation Index ,SAVI）、归一化光谱指数（Normalized Different Spectral Index, NDSI）,分析三种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。【结果】研究表明：人工灌溉区的FD-SAVI(825,536）、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6746和0.0665。本试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。     

北京地区粘壤土全氮含量的光谱预测模型

为实现快速准确地测量土壤的全氮含量,以北京地区粘壤土为样本,对其进行化学测量和光谱分析。利用波长为350~2 500 nm的光谱数据与实际测得的全氮含量进行相关性分析,选取相关性最大的特征波段构建土壤全氮含量的估算模型。将原光谱反射率和吸光度分别进行一阶微分、二阶微分变换,力求建立精准优化的土壤全氮含量预测模型。结果表明:反射率和吸光度与土壤全氮含量的相关性低,无法用于构建土壤全氮含量预测模型。在其他变换形式中,反射率二阶微分和吸光度二阶微分与土壤全氮含量的相关性最显著,相关系数的绝对值最大分别为0.868和0.846。相关性最大的特征波段为425~527 nm、819 nm、1 390~1 391 nm和2 200~2 219 nm。采用一元线性回归和多元逐步回归建立预测模型,最终得到土壤全氮含量最优估算模型以吸光度二阶微分为自变量的多元逐步回归模型,说明光谱结合多元逐步回归法预测土壤全氮含量的方法是可行的。最优模型决定系数R2为0.829,统计量F为86.377,均方根误差RMSE为0.104。该模型可用于预测北京地区粘壤土的土壤全氮含量。     

基于优化植被指数的多生育期茶叶游离氨基酸含量估算

不同季节的茶叶外形和品质均具有较大差异,针对运用植被指数检测不同季节茶鲜叶游离氨基酸含量存在难度,选取了10个茶树品种3个季节（春茶、夏茶和秋茶）茶鲜叶中游离氨基酸含量数据和高光谱数据进行分析。首先,对原始光谱数据进行5种光谱变换：倒数T_1/R、对数T_1gR、一阶微分T_R’、倒数的一阶微分T_（1/R）’和对数的一阶微分T_（1gR）’,并进一步利用不同光谱变换优化了经典植被指数,最终比较了经典植被指数和优化植被指数对不同季节茶鲜叶游离氨基酸模型的影响。结果表明：茶鲜叶建模集和验证集游离氨基酸含量的变化趋势从大到小均为春茶游离氨基酸含量、秋茶游离氨基酸含量、夏茶游离氨基酸含量;光谱变换优化后的植被指数与茶鲜叶游离氨基酸含量的相关性均高于经典植被指数与茶鲜叶游离氨基酸含量相关性,相关系数绝对值范围为0.10～0.30;基于T_lgR-VI构建的多元线性回归（MLR）模型在不同季节的建模集和验证集中均得到了较好的精度,且适用于多生育时期茶鲜叶氨基酸含量的估测。基于T...     

基于高光谱反演的复垦区土壤重金属含量经验模型优选

以工矿复垦区为实验区域,基于ASD Field Spec 4高光谱遥感数据,结合实测的土壤重金属含量,利用回归分析与特征选择方法,开展了基于高光谱数据的土壤重金属含量反演研究与实验并进行了经验模型优选。通过对光谱曲线进行一阶微分、对数一阶微分以及对数倒数的一阶微分等数学变换有效提高了光谱数据与土壤重金属含量的相关性。在此基础上采用偏最小二乘回归(Partial least squares regression,PLSR)、随机森林回归(Random forest regression,RFR)、支持向量机回归(Support vector machine regression,SVMR) 3种回归分析模型开展土壤重金属含量反演实验,结果表明偏最小二乘回归(PLSR)对研究区内土壤中重金属含量的反演最为有效,尤其对区域内主要障碍因子镉(Cd)元素含量的反演效果最佳,验证集决定系数R2为0. 76。基于粒子群算法(Particle swarm optimization,PSO)、遗传算法(Genetic algorithm,GA)、Relief F算法3种特征选择方法对偏最小二乘回归(PLSR)模型进行优化,结果表明粒子群算法(PSO)可有效降低特征波段变量维度,进一步提高模型反演精度,使决定系数R2由0. 76提高至0. 84。综上,基于高光谱数据,采用偏最小二乘回归(PLSR)与粒子群算法(PSO)相结合的方法,可有效对工矿复垦区土壤中的重金属含量进行测度,可为复垦区土地的质量和生态指标监测提供理论方法和技术支持。     

基于无人机多光谱遥感的芳樟矮林SPAD反演

为实现利用多光谱技术开展芳樟叶绿素相对含量(SPAD)监测，及时快速诊断芳樟矮林生长状况，为田间管理决策提供信息支持，以红壤区芳樟矮林为研究对象，利用无人机多光谱遥感影像，提取波段反射率，筛选植被指数，分别以波段反射率和植被指数为模型输入量，采用偏最小二乘回归、支持向量回归、反向传播(Back propagation, BP)神经网络和径向基函数(Radial basis function, RBF)神经网络4种方法构建芳樟矮林SPAD反演模型，并对比不同输入量、不同模型模拟结果的反演精度。研究结果表明：对比两种不同的输入量，在同一模型反演的精度相差不大；其中，基于偏最小二乘回归法，以植被指数为模型自变量估测芳樟矮林SPAD效果略优；基于支持向量回归、BP神经网络和RBF神经网络，以波段反射率为模型自变量估测芳樟矮林SPAD效果略优；对比4种建模方法，不同方法建模预测精度不同，与偏最小二乘回归、支持向量回归和BP神经网络相比，基于RBF神经网络反演芳樟SPAD的精度最高，以波段反射率和植被指数为模型输入量的测试集为例，其决定系数R²分别为0.788、0.751,均...     

基于高光谱和深度迁移学习的柑橘叶片钾含量反演

针对传统柑橘叶片钾含量检测方法耗时费力、操作繁琐且损伤叶片等弊端,引入高光谱信息探索柑橘叶片钾含量快速无损检测与预测模型,选用ASD Field Spec 3光谱仪采集柑橘4个重要物候期(萌芽期、稳果期、壮果促梢期和采果期)的叶片反射光谱,同步采用火焰光度法测定叶片的钾含量;先用正交试验确定小波去噪的最佳去噪参数组合,再进行不同光谱形式变换,对不同物候期光谱进行基于堆栈稀疏编码机-深度学习网络(Stacked sparse autoencoder-deep learning networks,SSAE-DLNs)的特征提取迁移和融合多种特征,对比支持向量机回归、偏最小二乘法回归、广义神经网络、逐步多元线性回归等多种诊断模型,结果表明,模型SSAE-DLNs基于一阶微分光谱特征建立全生长期钾含量预测模型的性能最优,其校正集和验证集决定系数分别为0. 898 8、0. 877 1,均方根误差分别为0. 544 3、0. 552 8。试验表明,深度迁移学习网络可对柑橘叶片钾含量进行精确预测,为高光谱检测技术用于柑橘树长势监测和营养诊断提供了参考。     

基于高光谱特征参数荒漠草原生物量估测研究

应用高光谱技术对荒漠草原草地生物量进行估测,分别采用原始光谱、一阶微分光谱和高光谱特征参数,分析荒漠草原草地冠层光谱数据与草地生物量相关关系,选择与草地生物量显著相关的高光谱特征参数,利用单变量线性与非线性、逐步回归和BP(Back Propagation)神经网络构建估测模型。试验结果表明:与草地生物量相关系数最大的为高光谱特征参数SDR/SDb,相关系数为0.792;通过高光谱特征参数Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb、(SDR-SDy)/(SDR+SDy)建立的BP神经网络回归模型最优,决定系数R2为0.766,均方根误差为40.19g/m2,相对误差为29.88%。因此,利用草地冠层高光谱特征参数可以估测草地生物量,能够对草地生物量进行定量分析,为草地精细化管理提供技术支持,对畜牧业可持续发展具有重要意义。     

基于高光谱数据的土壤有机质含量反演模型比较

以土壤多样化的陕西省横山县为研究区域,比较了3种基于高光谱数据的土壤有机质含量反演模型,在实验室利用ASD Field Spec FR地物光谱仪对横山县野外采集的土壤样品进行光谱测定,并通过重铬酸钾氧化容量法测定土壤有机质含量。然后对原始光谱反射率的倒数进行微分运算获得其一阶导数光谱,将原始光谱反射率、一阶导数光谱分别与土壤有机质含量进行相关性分析,得到相关性系数r较高的特征波段的一阶导数光谱,直接建立基于一阶导数光谱的多元线性逐步回归分析(MLSR)模型。同时针对这些相关性系数较高的特征波段的一阶导数光谱进行主成分分析(Principal component analysis,PCA),利用主成分分析得到的结果分别建立BP神经网络反演模型(PCA-BP)和多元线性逐步回归分析模型(PCA-MLSR)。用上述3种方法进行土壤有机质含量反演,并对3种反演结果进行精度验证与比较。实验分析结果表明:在3种模型中,基于主成分分析结果构建的PCA-BP模型在土壤有机质含量反演中决定系数(R2)最高,为0.893 0,均方根误差(RMSE)为0.118 5%;其次为运用全部主成分PCA分析结果构建的多元线性逐步回归模型,R2为0.740 7,RMSE为0.161 3%;而采用一阶导数光谱反射率构建的多元线性逐步回归模型中,最佳反演模型R2仅为0.689 9,RMSE为0.171 0%。由此说明,PCA-BP模型有机质含量反演精度明显高于多元线性逐步回归模型,利用全部主成分进行多元逐步回归,其有机质含量反演精度优于仅用累计方差贡献率大于90%的主成分进行多元逐步回归的精度,可以更好地反演土壤有机质的含量。     

基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析

以酿酒葡萄赤霞珠果实为研究对象,利用高光谱成像技术检测葡萄果皮中的花色苷含量。采集60组样本的900~1700nm近红外波段高光谱图像,并用pH示差法测量样本果皮中花色苷含量。选取高光谱图像中葡萄果实区域作为感兴趣区域（ROI）,计算其平均光谱,并采用SG平滑、归一化、多元散射校正等预处理方法提高光谱的信噪比。然后采用偏最小二乘回归（PLSR）、支持向量回归（SVR）和BP神经网络算法建立花色苷含量预测模型。研究表明：基于PLSR模型推荐的13个隐含变量建立的BP神经网络模型的预测决定系数和预测均方根误差分别为0.9102和0.3795。     

基于无人机高光谱影像的水稻叶片磷素含量估算

为快速获取水稻叶片磷素含量信息,采用无人机搭载高光谱成像仪获取水稻冠层高光谱影像,并采样检测叶片磷素含量（质量分数）（Leaf phosphorus content, LPC）。分析了水稻LPC在无人机高光谱影像上的光谱特征,使用连续投影算法提取对磷素敏感的特征波长,通过任意波段组合构建并筛选与磷素高度相关的光谱指数,基于特征波长反射率和光谱指数建立水稻LPC的估算模型,利用最佳模型对高光谱影像进行反演填图,得到LPC空间分布信息。结果表明：全生育期内LPC与462~718 nm范围内光谱反射率显著负相关,负相关最大处相关系数达到-0.902;LPC的特征波长为670、706、722、846 nm,基于特征波长、使用偏最小二乘回归建立的LPC估算模型精度最高,验证R2达到0.925,RMSE为0.027%;在任意波段组合构建的3种类型的光谱指数中,NDSI(R498,R606)、RSI(R498,R606)和DSI(R498,R586)与LPC的相关性最高,相关系数分别为0.913、0.915和0.938;基于3个光谱指数、使用神经网络构建的LPC估算模型精度较高,验证R2为0.885,RMSE为0.029%;对各生育期水稻LPC空间分布的反演结果与实测数据相一致,说明利用无人机高光谱遥感可以实现田间水稻LPC的快速无损监测。     

基于高光谱的抽穗期寒地水稻叶片氮素预测模型

为快速、无损地监测水稻叶片氮素营养状况,开展了基于高光谱成像技术的抽穗期寒地水稻叶片氮素预测模型的研究。以不同施氮水平的寒地水稻叶片为研究对象,采用连续投影算法(successive projections algorithm,SPA)和分段主成分分析(segmented principal components analysis,SPCA)方法选择水稻叶片的高光谱特征波段,SPCA方法降维后结合相关分析(correlation analysis,CA)构建特征光谱参量,并建立基于全波段高光谱数据、SPA特征波段及SPCA特征光谱参量的多种回归分析模型且对模型进行检验和筛选。研究结果表明:在校正集决定系数RC2上,基于多元逐步回归分析(multiple stepwise regression analysis,MSRA)的全波段模型较好,RC2=0.9 6 4,校正集均方根误差RMSEC=0.083;RP2为0.961,RMSEP为0.050。该研究结果为快速检测水稻叶片氮素含量及水稻生长期间精确施肥管理提供了技术支撑和理论依据。     

冬小麦不同叶位叶片的叶绿素含量高光谱估算模型

科学、高效地获取作物不同叶位叶绿素含量的垂直分布信息,可监测农作物长势状况并进行田间管理。基于冬小麦抽穗期获取的不同叶位叶片的高光谱反射率和叶绿素含量实测数据,将原始光谱、一阶微分光谱、二阶微分光谱、植被指数和连续小波系数与叶绿素含量进行相关性分析,筛选相关性较强的光谱特征参数,然后分别采用偏最小二乘回归、支持向量机、随机森林和反向传播神经网络4种机器学习算法构建冬小麦上1叶、上2叶、上3叶和上4叶的叶绿素含量估算模型,并根据精度评估结果筛选不同叶位叶绿素含量估算的最佳模型。结果表明,上1叶、上2叶和上3叶采用小波系数结合偏最小二乘回归构建的叶绿素含量估算模型精度最高,建模和验证R2分别为0.82和0.75、0.80和0.77、0.71和0.62;上4叶采用植被指数结合支持向量机构建的叶绿素含量估算模型效果最佳,建模和验证R2为0.74和0.79。研究结果可为基于遥感技术精准监测作物营养成分的垂直变化特征提供理论和技术支撑。     

基于高光谱数据的玉米叶面积指数和生物量评估

利用高光谱技术获取玉米农学参数信息,有助于提升玉米精准管理水平。本研究基于3个种植密度和5份玉米材料的田间试验,获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像,分析不同种植密度下不同遗传材料的叶面积指数（LAI）和单株地上部生物量,构建基于全波段、敏感波段和植被指数的LAI和单株地上部生物量高光谱估算模型,比较分析两类高光谱数据在玉米表型性状参数上的监测能力。结果表明,野生型玉米材料的冠层光谱反射率在近红外波段随着种植密度的增大而增大;同一种植密度下的野生型玉米材料的光谱反射率在可见光和近红外波段均为最低。在可见光波段550 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高4.52%~19.9%,在近红外波段870 nm的波峰处,4种转基因材料的光谱反射率比野生型玉米材料的光谱反射率提高23.64%~57.05%。基于21个高光谱植被指数构建的模型对LAI的估算效果最好,测试集决定系数R²为0.70,均方根误差RMSE为0.92,相对均方根误差rRMSE为15.94%。敏感波段反射率（839~893 nm和1336~1348 nm）对玉米单株地上部生物量估算效果最佳,测试集R²为0.71,RMSE为12.31 g,rRMSE为15.89%。综上,田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具有较好的一致性,能够快速有效地提取地块尺度玉米农学参数信息,本研究可为高光谱技术在小区尺度的精准农业管理应用提供参考。     

土壤有机质含量高光谱估测模型构建及精度对比

土壤有机质含量对作物的生长发育有着显著影响。为实现对苹果果园土壤有机质含量快速、实时估测，本研究以山东省烟台市栖霞市苹果园为研究区，采集100个土壤样本，利用ASD FieldSpec3便携式地物光谱仪获取其高光谱反射率，利用定量化学方法测定土壤有机质含量。采用移动平均法对高光谱数据进行预处理，分析果园土壤的反射光谱特征，研究光谱反射率与其有机质含量的相关关系，筛选土壤有机质含量的敏感波长并构建光谱指数后，分别建立多元线性回归模型（MLR）、支持向量机（SVM）和随机森林（RF）模型，并对模型精度进行验证比较。结果表明，筛选出的土壤有机质含量的敏感波长为678、709、1931、1939、1996和2201 nm。用筛选出的波长构建光谱参数，最终构建的光谱指数分别为NDSI_{（678，709）}、NDSI_{（678，1931）}、NDSI_{（678，2201）}、NDSI_{（709，1939）}和NDSI_{（1939，2201）}。建立的MLR、SVM和RF回归模型中，以RF模型精度最优，其校正样本集R²为0.8804，RMSE为0.1423，RPD达到2.25；验证模型的R²为0.7466，RMSE为0.1266，RPD为1.79，建立的RF定量模型反演苹果果园土壤有机质含量效果较好。因此，可以利用RF方法快速预测苹果果园土壤有机质含量，了解土壤养分分布状况，指导农民合理施肥，从而提高果园生产管理效率。     

基于近红外光谱岭回归的甜椒氮素检测试验

针对设施作物营养水平无损检测技术,着重描述了基于近红外光谱数据岭回归分析的甜椒氮素检测试验研究过程.利用近红外反射光谱成像技术对目标作物进行叶片尺度的光谱图像采集,应用计算机图像分析软件进行光谱数字图像处理、提取光谱数据,经过统计分析对数据完成筛选作为变量,结合化学分析试验结果建立作物营养检测模型,检验模型得出结论.为了解决自变量间存在的多重共线性造成模型难以建立的问题,在数据处理阶段,采用了在农业探测领域内并不多见的岭回归分析方法,利用其特殊的有偏估计算法,拟合建立回归方程.同时,由于岭回归分析可以用于进一步筛选特征波段,最终得到的是基于三特征波段近红外光谱反射率数据的甜椒叶片氮营养检测模型.经过模型检验,模型的调整R2为0.843,RMSE为0.105.     

基于“三边”参数的冬小麦冠层SPAD值监测模型

开展冬小麦冠层SPAD值监测,建立“三边”参数与SPAD值之间的高光谱估算模型,以期为高光谱诊断冬小麦冠层SPAD值提供理论依据和技术支持.以冬小麦冠层反射率与冠层SPAD值的相关关系为基础,构建基于“三边”参数的冬小麦冠层SPAD值的一元线性回归模型和主成分回归模型.结果表明:拔节期、抽穗期、灌浆期和全生育期分别以红谷位置、(SD_r-SD_b)/(SD_r+SD_b)、红谷幅值、(SD_r-SD_y)/(SD_r+SD_y)的相关系数最高,且均具有统计学意义(P<0.01);采用主成分方法构建的光谱模型在拔节期、抽穗期、灌浆期和全生育期相较于同期一元线性回归模型,决定系数R²分别提高49.6%,54.3%,14.3%和8.6%,均方根误差RMSE与相对误差RE均分别减少9.0%,12.4%,13.5%和13.6%,因此采用综合光谱信息构建主成分回归模型,在各生育时段及全生育时段对冬小麦冠层SPAD值均有较高的估算精度,可为冬小麦SPAD值的监测与诊断提供依据.     

田间冬小麦抽穗期长势分析——基于可见-近红外光

为了快速估测大田冬小麦叶绿素含量指标,指导冬小麦抽穗期追肥管理,基于光谱分析技术在可见光和近红外波段(325~1 075 nm)处,对陕西省杨凌区揉谷镇粮食基地的冬小麦进行长势检测、分析。试验在1 000 m×600 m区域内划分为30个采样区进行数据采集,使用ASD Field Spec Hand Held光谱辐射仪(Analytical Spectral Devices.,USA)采集冬小麦的冠层光谱反射率数据,使用SPAD-5 0 2 Plus便携式叶绿素仪测量小麦倒一叶和倒二叶的叶绿素指标(SPAD值),使用G738 CM型手持式GPS记录采样点的位置信息。分别进行冠层光谱反射率小麦倒一叶和倒二叶的预处理,结果表明:冠层反射光谱倒二叶的SPAD值相关系数高于倒一叶。基于相关性分析,选取4个敏感波段538、661、740、850 nm分别与预处理前后的光谱数据进行多元线性回归分析,结果表明:预处理后的模型精度较高,建模精度R2=0.8 3,验证建模精度R2=0.7。同时,绘制了大田作物长势分布图,可为冬小麦抽穗期追肥提供支持。     

基于反射光谱的苹果叶片叶绿素和含水率预测模型

为探索苹果叶片叶绿素含量(质量比)、叶片含水率与反射光谱之间的关系,以华北地区苹果树为研究对象,分别测定了各个关键生长期苹果叶片的光谱反射率、叶绿素含量和叶片含水率。分析光谱反射率与叶绿素含量以及叶片含水率之间相关性发现,在不同生长时期,苹果叶片叶绿素a含量与反射光谱在515~590 nm和688~715 nm两组波段内具有较高的相关性,且果实成熟期数据显示相关度最高(R2=0.6)。在420~500 nm、640~680 nm、740~860 nm 3个波段叶片含水率与反射光谱有较高的相关性,且果实膨大期的叶片含水率在可见光波段的相关系数最大。根据所选敏感波段,分别利用多元线性回归、主成分分析和人工神经元网络建立基于反射光谱的苹果叶片不同生长时期叶绿素和含水率的预测模型。通过对所建立的预测模型进行校验,结果显示,利用主成分分析方法所建立的苹果叶片叶绿素含量预测模型的决定系数最高(R2=0.885 2),校验系数为0.828 9。该模型可以较为准确地预测苹果叶片叶绿素含量。而采用神经元网络所建立苹果叶片含水率预测模型的决定系数R2=0.862,校验系数为0.8375,预测效果最好。     

玉米叶片净光合速率快速检测方法研究

玉米叶片的净光合速率可以用来表征植物生物量的积累和营养盈亏等健康状态,为探求玉米叶片净光合速率的快速无损检测方法,利用叶绿素荧光光谱分析技术对拔节期玉米叶片净光合速率进行检测。实验选取了吉林省典型种植品种先玉335作为研究对象,通过对80组数据的无量纲化处理和标准化处理,降低光谱噪声引起的样本差异,分析不同光谱波段与叶片净光合速率的相关性,确定500~550nm、675~715nm、715~745nm等3组波段作为光谱检测样本。选择675~715nm波段作为光谱波段的典型参数预测玉米叶片的净光合速率,得出两者之间存在显著线性关系,其决定系数R^2=0.7 9 2 4,表明以6 7 5~7 1 5 nm波段预测玉米叶片的净光合速率是可行的。对回归模型进行验证,得到预测值与真实值之间的决定系数R^2=0.7 9 2 1,表明此回归模型对拔节期玉米叶片净光合速率具有良好预测能力,为植物生理信息快速无损检测提供了新的方法。