花生叶绿素含量的高光谱遥感估算模型研究

叶绿素是植物体进行光合作用吸收光能物质的主要色素,直接影响植被的光合作用。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。实测了不同品种、肥水条件下,花生冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;首先采用相关系数较大的波段作为变量进行叶绿素含量的估算,其次采用特定叶绿素敏感波段建立叶绿素估算模型。经对比发现,以原始高光谱反射率所构建的估算模型精度不高;一阶导数与叶绿素含量之间的关系采取同样的方法,表明线性模型可较好地预测叶绿素含量;最后在高光谱特征变量中,λr、λg、λo为自变量所构建的模型均通过极显著检验,以λr所构建的指数模型具有最大的决定系数(r2=0.543 5)和F值(F=33.333);通过精度检验,综合分析认为,以662 nm处的一阶微分反射率所构建的线性模型和以红边位置所构建的指数模型均可作为叶绿素含量估算较为合适的高光谱模型。     

截形叶螨危害下枣叶片叶绿素含量高光谱估算模型

以不同截形叶螨(Tetranychus truncatus Ehara)危害等级下枣叶片高光谱和叶绿素含量数据为基础,分析不同截形叶螨危害等级(0级、1级、2级、3级、4级)下枣叶片高光谱特征,构建基于一阶微分光谱的不同截形叶螨危害等级枣叶片叶绿素含量高光谱线性回归估测模型。结果表明:截形叶螨危害造成叶片中叶绿素含量减少,导致光谱反射率降低,表现为随危害等级的增加叶绿素含量呈逐级减少趋势。在不同截形叶螨危害等级枣叶片叶绿素估测模型中,危害等级为0级时,模型拟合度最好,达到0.810,表明利用高光谱数据构建不同危害等级枣叶片叶绿素含量估算模型具有一定的潜力,对危害植被叶片的虫害诊断意义重大。     

基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型

【目的】筛选相关性好的植被指数构建马铃薯叶片叶绿素a、叶绿素b估测模型,为科学、无损地进行马铃薯叶片叶绿素含量估算提供技术支撑。【方法】采用便携式高光谱地物波谱仪,获取不同施氮水平下不同生育时期的马铃薯植株叶片光谱反射率,提取植被指数,测定马铃薯叶片叶绿素a、叶绿素b含量,并研究叶绿素含量与植被指数的相关性。【结果】12个植被指数与叶绿素a、叶绿素b含量相关性较好,其中修正归一化差异指数(mND_(705))、修正简单比值指数(mSR_(705))、地面叶绿素指数(MTCI)、修改叶绿素吸收反射指数(MCARI)与叶绿素a、叶绿素b含量相关性最好。基于这4个植被指数建立的估测模型中,MTCI构建的乘幂模型估测叶绿素a含量的效果最佳,mND_(705)构建的指数模型估测叶绿素b含量的效果最佳。【结论】MTCI构建的乘幂模型能较为精确地估测叶绿素a含量,mND_(705)构建的指数模型能较为精确地估测叶绿素b含量;这2种模型可用于间接监测马铃薯植株的氮营养亏缺状态。     

不同生育期核桃树冠层叶绿素含量高光谱估算研究

无损、实时、精准地对核桃树冠层叶绿素含量进行高光谱估算,对核桃树生长监测、营养诊断具有重要的指导意义。本研究以连续2年测定126棵核桃树不同生育期冠层光谱反射率及叶绿素含量,分析果实膨大期、果实硬核期、油脂转化期和果实成熟期4个生育期冠层光谱变化规律及叶绿素含量变化特征;在冠层光谱反射率400～1 000 nm范围内计算任意两波段组合生成的RVI、DVI和NDVI指数与各生育期冠层叶绿素含量的相关性,确定各生育期最佳敏感波段组合;基于RVI、DVI和NDVI指数构建不同生育期冠层叶绿素含量估算模型,并用第2年监测数据对估算模型进行精度验证。结果表明:(1)核桃树冠层叶绿素含量随着生育期的推进,呈现先增加后降低的趋势,各生育期叶绿素含量的变异系数和标准偏差存在明显差异,冠层叶绿素含量在油脂转化期最大,果实膨大期最小;(2)从果实膨大期到果实成熟期,在可见光波段冠层光谱反射率与冠层叶绿素含量呈负相关关系,在760～1 000 nm的近红外波段由负相关变为正相关;(3)基于两波段组合生成的RVI、DVI和NDVI指数均在油脂转化期与叶绿素含量相关性最大,估算模型拟合效果更好,且精度更高。其中,RVI指数构建的模型在核桃树中后期估算精度较高,前期较低;DVI指数构建的模型在核桃早中期估算精度较高,后期较低;而基于NDVI指数构建的估算模型,在各生育期对叶绿素含量的估算效果均最为理想,验证精度最高。因此,基于两波段组合生成的NDVI指数构建的估算模型,适用于核桃树整个生育期冠层叶绿素含量的估算研究。     

融合光谱反射率与时频特征的坡垒叶绿素含量估测模型研究

【目的】研究估测坡垒叶绿素含量的高光谱模型，探讨融合光谱反射率与时频特征估测叶绿素含量的可行性，为坡垒叶绿素含量的快速无损检测提供参考。【方法】以2年生坡垒为研究对象，设置N0（0 kg/hm²）、N1（35 kg/hm²）、N2（70 kg/hm²）3个氮肥水平，测定不同氮肥水平下坡垒冠层叶绿素含量和光谱曲线，采用离散傅里叶变换（DFT）和短时傅里叶变换（STFT）方法提取光谱时频特征，采用偏最小二乘回归（PLSR）算法,构建基于光谱反射率、时频特征及其二者融合特征的不同氮水平的分区模型以及全氮肥水平下的综合模型，估测不同氮肥水平下坡垒叶绿素含量，并以决定系数（R²）、平均绝对百分比误差（MAPE）、相对均方根误差（RRMSE）作为评价指标比较各模型精度，确定最优估测模型。【结果】（1）不同叶绿素含量下坡垒冠层光谱反射特征的整体变化趋势相似，在可见光波段（380~750 nm）内，光谱反射率随着叶绿素含量的增加而降低。（2）在构建的分区模型中，基于光谱反射率和时频特征构建的模型均能较好地估测坡垒叶绿素含量，检验R²分别为0.626~0.816，0.662~0.797，检验MAPE分别为4.966％~9.269％，6.029％~8.181％，检验RRMSE分别为6.827％~11.593％，8.247％~9.792％；基于融合光谱反射率与时频特征（融合特征）构建的分区模型检验R²为0.913~0.951，检验MAPE和RRMSE均低于10％。（3）在构建的综合模型中，当引入哑变量时，基于融合光谱反射率与时频特征（融合特征）构建模型的检验R²为0.814，MAPE和RRMSE分别为7.212％和8.578%，二者较基于光谱反射率构建的模型分别降低了37％和36％，较基于时频特征构建的模型分别降低了47％和45％。【结论】基于融合光谱反射率和时频特征（融合特征）构建的模型能够提高坡垒叶绿素含量估测的精度，对于不同氮肥水平下坡垒叶绿素含量有较好的估测效果，可作为估测坡垒叶绿素含量的优选方法。     

双季晚稻叶片叶绿素含量的冠层高光谱估测模型研究

叶绿素是水稻光合能力的指示器,水稻叶片叶绿素含量直接影响光合速率。高光谱遥感技术可以为水稻叶片叶绿素含量的定量化诊断提供简便有效、非破坏性的数据采集和处理方法,为构建和验证以水稻光谱参数为自变量的水稻叶片叶绿素含量的高光谱估测模型,对不同氮素条件下水稻叶片叶绿素含量和各类"三边"参数间的相关性进行分析。结果表明,各类"三边参数"中以Dr、SDr、SDr/SDb为自变量的二次模型的决定系数R2达到较大值,分别为0.636、0.644、0.632,通过模型预测精度检验,得出最适合估测水稻叶片叶绿素含量的模型是以Dr为自变量建立的水稻叶片叶绿素含量诊断模型[y=1.278+1.943x+0.880x~2(均方根差为0.83,相对误差为1.4),其中x为冠层光谱参数Dr,该模型可以定量估测水稻叶片叶绿素含量。     

基于分光吸收特性的辣椒叶片叶绿素含量测量方法研究

为了无损、简单、快速、准确估测辣椒叶片叶绿素含量和组成,提升作物的精细管理水平.本文基于辣椒叶片对光的吸收特性,利用光谱透过率通过计算得到叶片的吸光度,使用四阶导数法在640～690 nm波段找到与叶片中叶绿素a和叶绿素b的吸收波峰:649、668、681nm.参照化学法检测植物叶绿素含量和组成的吸光度法,使用多元线性回归分别建立叶绿素a和叶绿素b含量的检测模型并对比.其中以649、668、681nm处吸光度建立的模型检测叶绿素a含量的结果最好,测试结果的相对误差(RE)为8.86％,决定系数(R2)为0.879;以649、681 nm处吸光度建立的模型检测叶绿素b含量的结果最好,测试结果的相对误差(RE)为9.84％,决定系数(R2)为0.878.     

基于高光谱和BP神经网络的双子叶植物叶片叶绿素遥感估算

针对传统叶绿素分析方法具有破坏性且耗费人力、时间长、成本高的弊端,依据LOPEX’93数据集中双子叶植物的高光谱数据和叶绿素值,构建了双子叶植物基于高光谱的叶绿素含量最佳估算模型,利用Pearson相关性分析一阶微分光谱、高光谱特征参数与叶绿素的相关关系,发现724nm波段处一阶导数与双子叶植物叶绿素值的相关性最大,其相关性为0.509;高光谱特征参数RVI、NDVI、TCAR与叶绿素的相关性达到0.7以上,构建基于一阶微分光谱、高光谱特征参数和BP神经网络的叶绿素估算模型,并对模型进行验证;再结合一元线性模型、指数模型、对数模型和幂函数模型与BP神经网络模型进行比较。结果表明:叶绿素值与一阶微分光谱在724nm处的光谱数据作为自变量建立的传统回归模型可用于双子叶植物叶绿素的估算,最优建模样本R~2和最优验证样本R_V~2分别为0.541和0.745,RMSE为6.16;基于高光谱特征参数RVI、NDVI、TCAR建立的叶绿素估算回归模型,最优建模样本R~2和最优验证样本R_V~2分别为0.618,0.708;0.632,0.866;0.594,0.654,RMSE分别为6.65,5.61,7.07,将基于高光谱特征参数变量构建传统回归模型时筛选到的光谱参数作为输入,实测叶绿素值作为输出,构建BP神经网络模型,其最优建模R2与最优验模R_V~2分别为0.692和0.874,最优验证样本RMSE为5.23,与其他回归模型相比,BP神经网络模型预测精度最高。研究表明基于高光谱数据的模型具有较好的预测能力,是估算双子叶植物叶绿素值的一种高效的方法。     

基于支持向量机的棉花冠层叶片叶绿素含量高光谱遥感估算

【目的】建立并研究棉花冠层叶片叶绿素含量的高光谱估算模型,探讨合适的建模方法,以提高棉花叶绿素含量的高光谱遥感估算精度。【方法】以2016年种植的渭北旱塬区棉花鲁棉研28号为试验对象,用SPAD-502型手持式叶绿素仪和HR-1024i便携式地物光谱仪,分别测定棉花不同生育期冠层叶片SPAD值和对应的光谱反射率,分析SPAD值与光谱反射率的相关性。选取8个光谱参数,分析SPAD值与这8个光谱参数的相关性,并采用单因素回归、多元逐步回归和支持向量机(SVM)回归方法,构建棉花冠层叶片叶绿素含量的高光谱估算模型,比较各模型的决定系数(R2)、均方根误差(RMSE)以及相对误差(RE),评价模型的精度。【结果】(1)棉花冠层叶片光谱反射率在400～700nm波段随叶片SPAD值升高而降低,在700～1 000nm波段表现为SPAD值越高,叶片光谱反射率越高;(2)在530～570nm和680～730nm处叶绿素含量与光谱反射率呈极显著负相关(99.99%置信区间,n=144);(3)所选用的8个光谱参数与叶绿素含量均达到极显著相关,相关系数最高为0.686;(4)SVM回归模型验证R2达到了0.884,RMSE和RE最低,分别为2.186和3.419,比单因素回归模型中预测精度最高的SPAD-RVI1的RMSE和RE分别降低46.4%和46.3%,较多元逐步回归模型SPAD-MSR的RMSE和RE分别降低33.4%和32.1%,明显提高了棉花叶绿素含量的估算效果。采用8个光谱参数构建的SPAD-SVM8模型RMSE和RE比采用4个光谱参数构建的SPAD-SVM8模型分别降低了19.2%和23.5%。【结论】支持向量机(SVM)回归方法可以作为棉花冠层叶片叶绿素含量高光谱遥感估算的优选方法,且采用较多光谱参数构建的SVM模型估算精度更高。     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

基于高光谱参数的竹叶叶绿素质量分数估算模型

为研究竹叶叶绿素质量分数和高光谱参数的相关性,建立叶绿素质量分数估算模型。利用Field Spec4便携式地物光谱仪采集无病虫害的箭竹竹叶光谱,使用SPAD-502叶绿素仪测定相应竹叶的叶绿素质量分数,分析竹叶叶绿素质量分数与原始光谱、一阶导数光谱以及提取的光谱特征参数之间的相关性,采用线性和非线性分析法构建叶绿素质量分数估算模型并进行精度检验。结果表明:(1)竹叶叶绿素质量分数在原始光谱反射率762 nm处相关系数达到最大值,相关系数为0.544 3;在一阶导数光谱反射率689 nm和726 nm处分别达到了极显著相关水平,相关系数分别为-0.747 9和0.907 9。(2)基于λ_b、λ_r、S_(Dr)/S_(Db)和(S_(Dr)-S_(Db))/(S_(Dr)+S_(Db))等光谱参数都与叶绿素质量分数达到了极显著相关水平。(3)采用相关性达到极显著水平的4种光谱参数以及689、726 nm处的一阶导数光谱反射率,构建叶绿素质量分数估算模型。依据决定系数(R2)最高,筛选出的回归估算模型中,基于一阶导数光谱反射率在726 nm处的线性模型R~2最高,为0.882 8,均方根误差(R_(MSE))和相对误差(RE)最小,分别为1.7050%和4.18%。因此,一阶导数光谱反射率在726 nm处的线性模型为竹叶叶绿素质量分数的最佳估算模型。     

苹果冠层叶绿素含量高光谱估算模型

【目的】 研究一种快速、简便、无损的苹果冠层叶绿素含量估测模型。探索苹果品种岩富10号冠层的高光谱特征和叶绿素含量的估测方法,为该地区岩富10号苹果营养的快速诊断奠定基础,为红富士苹果精准化管理和-7光谱尺度研究提供参考依据。【方法】以红富士苹果(Malus domestica Borkh. cv. Red Fuji)主栽品种岩富10号叶绿素含量以及冠层高光谱反射率为数据源,分析叶绿素含量与冠层原始光谱(R)、微分光谱(R')之间的相关关系,利用敏感波段建立新的对应关系,构建岩富10号叶绿素含量的多种回归估测模型,并对不同模型进行了精度评价。【结果】微分光谱用于岩富10号叶绿素含量的估测精度要显著高于原始光谱反射率;利用敏感波段组合新定义的衍生变量拟合程度更优;在多种回归方式中,三次多项式模型的拟合程度最好,最优模型为357 nm等7个波段组合定义的新植被指数所建立的三次多项式模型,其精度为0.839。【结论】应用光谱技术对南疆塔里木盆地阿克苏地区岩富10号叶绿素含量进行定量反演是可行的。     

基于光谱植被指数的冬小麦叶绿素含量反演

植物功能叶的SPAD值与其氮素和叶绿素有较强的相关性,研究功能叶SPAD与其冠层光谱的关系,对实现植株叶绿素含量快速、无损检测具有重要意义。本文通过对冬小麦生育期的冠层原始光谱进行一阶导数变换,研究其功能叶片SPAD值与冠层光谱的相关性,对监测冬小麦叶绿素含量的敏感波段进行了提取,并建立了叶绿素含量与冠层反射光谱的定量关系。结果表明,基于小麦冠层原始光谱反射率、冠层光谱导数反射率与SPAD的相关系数曲线,提取的各形式下冬小麦叶绿素含量的敏感波段分别为500、690、760和470、630、723nm;并构建了冬小麦叶绿素含量的预测模型,以FDNDVI(630,723)预测模型较好,其R2可达0.9485,模型验证参数R2、MRE和RMSE分别为0.8099、0.0294和1.805,拟合效果较好,表明该模型能有效地对冬小麦叶绿素含量进行预测。该研究结果可为冬小麦长势监测提供一定的理论参考。     

基于“三边”参数的油松林叶绿素估算模型1）

利用ASD便携式手持光谱仪,实测了研究区域内油松林健康松枝和发黄松枝的原始光谱数据,并采集松枝样本进行叶绿素的测定。通过对光谱数据的处理,计算出光谱数据的位置特征参数—“三边”参数。对“三边”参数与所测叶绿素值进行相关性分析,选择最优的参数拟合出叶绿素的线性回归模型。结果表明：基于红边面积（SDr）的健康松树针叶叶绿素估算模型的决定系数为0．788;基于蓝边位置（PDb）的发黄松树针叶叶绿素估算模型的决定系数为0．710。利用实验数据对所建立的估算模型进行验证,健康松树针叶与发黄松树针叶叶绿素估算模型的可靠性均满足实验要求,说明应用“三边”参数估算植被叶绿素的方法是可行的。     

基于EFAST方法的苹果叶片叶绿素含量估算

为了快速、准确地估算叶绿素含量,使用2012年和2013年在山东省肥城市潮泉镇获取的整个生育期苹果叶片叶绿素含量和配套的光谱数据,利用PROSPECT模型和EFAST方法探讨了对叶绿素含量敏感的波段,然后采用经验统计方法实现了单波段高光谱对苹果叶片叶绿素含量的监测。结果表明:以571 nm和697 nm波段光谱参数为自变量所建立的估测模型拟合精度较高,其决定系数(R2)分别为0.71和0.69,均方根误差(RMSE)分别为1.14、1.17 mg/dm~2,相对误差(RE)分别为-1.07%和-1.01%。以PROSPECT模型和EFAST方法整合筛选的敏感波段建立的估算模型监测叶绿素含量效果较好,为利用高光谱技术监测苹果长势提供了理论依据。     

基于不同传感器的纽荷尔脐橙叶片叶绿素含量检测技术评价

【目的】研究基于不同传感器的叶片叶绿素含量监测方法,探索建立轻简、高效的柑橘叶绿素含量监测技术。【方法】以枳砧纽荷尔脐橙当年生春梢叶片为试材,采用便携式地物光谱仪FieldSpec4、数字图像技术、荧光及多酚含量测量仪Multiplex?Research和SPAD 502分别获取叶片光谱反射率、图像信息、荧光值和叶绿素含量,分析各数字化指标、叶片光谱指标、荧光值与叶绿素含量（SPAD值）的相关性。基于不同指标采用偏最小二乘法（partial least squares regression,PLS）及内部交叉验证构建叶绿素含量定量反演模型,并进行模型精度检验以及各传感器监测叶片叶绿素含量的可行性评价。【结果】 基于地物光谱仪FieldSpec4、荧光及多酚含量测量仪Multiplex?Research、数字图像技术获得参数信息与叶片叶绿素含量均呈极显著相关,模型拟合度较好,相关系数均在0.7以上。其中,通过地物光谱仪获取的532 nm、586 nm与705 nm特征波段光谱数据经一阶导数（FD）预处理建立的偏最小二乘法（PLS）预测模型效果最优,MRE=1.80%,RPD=3.801。其次为基于数字图像分析技术以G-B作为特征参数建立一元二次回归模型,MRE=1.98%,RPD=3.946。以及基于荧光及多酚含量测量仪Multiplex?Research获取的特征荧光参数建立PLS模型,MRE=2.37%,RPD=4.807。【结论】地物光谱仪、Multiplex?Research、数字图像技术均可应用于纽荷尔脐橙叶片叶绿素含量的估测。其中,以地物光谱仪FieldSpec4预测精度相对最优,Multiplex?Research便捷程度最高,数字图像技术用于大批量样品的测定操作性相对较强。     

基于EMD-SD光谱的玉米叶片叶绿素含量GA-BP模型反演

叶绿素是作物进行光合作用所需的主要色素,BP神经网络（BPNN）是较为新颖的反演叶绿素含量的方法。为研究反演精度更高的叶绿素含量反演模型,将经验模态分解（EMD）与光谱微分（SD）结合来提高输入因子与叶绿素含量的相关性,并使用遗传算法（GA）优化BPNN得到GA BP模型以获得最优初始权值阈值。将光谱数据EMD后进行一阶微分变换得到EMD SD光谱,选择与叶绿素含量相关系数超过06的5个波段处的EMD SD值作为GA BP模型的输入因子,隐含层节点数为7,多次训练取最优个体适应度值最低的GA BP模型来反演玉米叶片叶绿素含量。GA BP模型反演得到的预测值与实测值之间的判定系数（R2）最高,达到0818,均方根误差（RMSE）仅为2442,平均相对误差（e）为5436%。研究表明,EMD SD光谱作为GA BP模型的输入因子,与线性模型MLR和未优化的BP模型相比反演精度最高,验证了基于EMD SD光谱的GA BP模型提高玉米叶片叶绿素含量反演精度的可行性。     

基于机器学习的粳稻叶片叶绿素含量高光谱反演建模

叶绿素含量是表征粳稻生长状态的重要指标,高光谱遥感技术能够无损、快速的获取粳稻叶片叶绿素含量。本研究利用2015—2017年沈阳农业大学辽中水稻实验站粳稻叶片高光谱数据,并利用主成分分析法(PCA)、典型相关分析法(CCA)、核典型关联分析法(KCCA)3种方法对粳稻叶片高光谱信息降维,选出较优光谱参数作为叶绿素含量反演模型的输入变量。采用支持向量机回归(SVR)、神经网络(NN)、随机森林(RF)、偏最小二乘法(PLSR)四种机器学习算法建立粳稻叶片叶绿素含量反演模型。结果表明,KCCA降维方法对粳稻叶片高光谱降维效果要优于PCA和CCA两种方法。采用KCCA-SVR方法建立的粳稻叶片叶绿素含量反演模型的模型决定系数R²=0.801,RMSE=1.610,建立的粳稻叶绿素含量反演模型精度最高。该模型良好的预测能力为粳稻叶片叶绿素含量反演研究和养分诊断提供了数据支撑和模型参考。     

基于PCA-WNN的玉米叶片叶绿素含量遥感反演建模方法

为寻找一种准确、非破坏性的叶绿素含量获取方法,实时掌握作物的生理状况,研究一种基于PCAWNN的玉米叶片叶绿素含量遥感反演模型。利用SVC HR-1024I光谱仪采集盆栽玉米叶片光谱,同时用SPAD-502便携式叶绿素计测定叶绿素含量。从包络线去除、微分处理后的光谱曲线中提取7个光谱特征参数(SCPs)并与修改型土壤调节植被指数(MSAVI)、归一化差值植被指数(NDVI)、修正植被指数(MVI)、比值植被指数(RVI)、差值植被指数(DVI)5种植被指数分别结合主成分分析(PCA),并提取前4个主分量作为小波神经网络(WNN)的输入因子,以Morlet母小波基函数作为激励函数,建立隐含层节点数为3的PCAWNN模型反演玉米叶片叶绿素含量。通过精度检验,表明7个SCPs与MSAVI组合的建模精度最高,验证小波神经网络反演玉米叶绿素含量的可行性以及其预测精度比BP神经网络更好。