基于连续统去除法的枸杞叶片含水率高光谱估算

为探讨连续统去除法估算枸杞叶片含水率的潜力,以宁夏枸杞主栽品种宁杞7号为研究对象,采用自然失水法和烘干法测定枸杞叶片含水率,采用连续统去除法对原始光谱反射率进行处理,分析连续统去除光谱对含水率的响应特征,分析连续统去除光谱、吸收特征参数与叶片含水率的相关性,并建立枸杞叶片含水率估算模型。研究表明:连续统去除光谱能放大吸收谷波段对含水率的响应特征,1 100~2 200 nm波段光谱反射率对枸杞叶片水分变化的响应能力最强;连续统去除光谱在1 500~1 850 nm波段与叶片含水率之间的相关性得到增强;基于连续统去除光谱敏感波长和1 270~1 700 nm波段的吸收峰右面积建立的一元回归模型优于原始光谱敏感波长;基于900~1 100 nm波段的吸收峰右面积、1 270~1 700 nm波段的吸收峰右面积和1 100~1 270 nm波段的吸收峰总面积建立的多元回归模型估算效果最好,其模型R²=0.787 0,检验R²=0.800 3,均方根误差为0.683 3,平均相对误差为0.72%,可用来定量估算枸杞叶片含水率。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513~539、564~585、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算

【目的】探讨油菜叶绿素含量的高光谱估算方法,为实现油菜叶片叶绿素含量的高效、无损、大面积监测提供理论依据。【方法】以陕西省关中地区油菜叶片为研究对象,分别测定苗期、蕾薹期、开花期及角果期的叶片高光谱数据和SPAD值,提取各生育期连续统去除光谱和7类光谱吸收特征参数,分析原始光谱、连续统去除光谱、光谱吸收特征参数与SPAD值之间的相关关系,构建基于原始光谱特征波段、连续统去除光谱特征波段、光谱吸收特征参数的SPAD估算模型,并对模型精度进行验证。【结果】在可见光范围,光谱反射率由蕾薹期、开花期、苗期到角果期依次递增,最大吸收深度和吸收谷面积逐渐增大。利用连续统去除光谱特征波段与吸收特征参数,分别建立的油菜各生育期叶片SPAD估算模型均优于原始光谱。运用连续统去除光谱特征波段结合最优吸收特征参数构建的偏最小二乘回归估算模型,是进行油菜叶片SPAD估算的最优模型。【结论】连续统去除法对不同生育期油菜叶片叶绿素相对含量具有较好的预测能力,是估算油菜叶片SPAD值的一种实时高效方法。     

油茶籽脂肪酸成分含量与高光谱反射率的相关性

测定来自不同产地的30个油茶籽样品的油酸、亚油酸、棕榈酸含量和高光谱反射率，分析油茶籽高光谱反射率与脂肪酸含量间的相关关系。结果显示，与油茶籽脂肪酸成分含量相关性比较好的高光谱波段主要分布在400~500、600~630 nm以及900 nm左右，且敏感波段区高光谱反射率与脂肪酸成分含量的相关系数均在0. 4 以上。     

葡萄叶片叶绿素含量高光谱估测模型研究

针对传统方法测定叶绿素含量存在的不足,采用高光谱技术建立了快速、准确、无损估测葡萄叶片叶绿素含量的方法。以采自泰安万吉山基地的葡萄叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率、原始光谱反射率一阶导数、高光谱特征变量间相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的葡萄叶片叶绿素含量估测模型,即SPAD=59.352+44836.313R'601,其中R'601为601 nm波段原始光谱反射率一阶导数。     

摘薹方式对油菜群体花期和产量的影响

为延长油菜花期,促进油菜花、菜两用,以紫色油菜品系R11为研究对象,采取油菜高效轻简化栽培管理措施,进行田间油菜间株摘薹、间行摘薹和不摘薹试验,初步研究不同摘薹方式对油菜的花期及产量的影响。结果表明:摘薹可推迟油菜的生育期、初花期和终花期,提高油菜籽产量;观花期可延长5～7天,产量提高13.53%～18.74%;间行摘薹处理的初花期和终花期均较晚,整体观花期可延长7天,油菜籽亩产量最高,达155.74公斤。     

基于光谱与图像信息的杏鲍菇多糖含量检测

【目的】利用高光谱成像技术实现杏鲍菇Pleurotus eryngii多糖含量的快速无损检测。【方法】利用高光谱图像采集系统获取350～1 021 nm波长范围内的杏鲍菇高光谱图像,同时利用苯酚–硫酸法测定对应样本的多糖含量。通过波段运算和阈值分割构建掩膜图像,使样本与背景相分离。采用主成分分析(PCA)处理原始高光谱图像,获得代表原始图像99%信息的2个主成分图像(PC1、PC2),然后利用连续投影算法(SPA)选出554.4、772.8、811.4、819.1、855.6、986.3和1 019.5 nm 7个特征波长及对应的光谱特征,分别提取7个特征波长图像和2个主成分图像的纹理与颜色特征,最后利用偏最小二乘回归(PLSR)建立杏鲍菇样本基于不同图像特征与多糖含量之间的关系模型。【结果】从校正集决定系数(Rc2)来看,基于特征光谱+特征波长图像特征+主成分图像特征的模型效果最好,Rc2=0.954,RMSEc=0.341;从预测集决定系数Rp2来看,基于特征光谱+特征波长图像特征的模型效果最好,Rp2=0.868,RMSEP=0.539。【结论】该研究结果可为杏鲍菇多糖含量的快速、无损检测提供一定的参考。     

基于成像高光谱的苹果叶片叶绿素含量估测模型研究

以苹果树正常叶片、受红蜘蛛胁迫叶片的高光谱反射率和SPAD值为数据源,在分析SPAD值与原始光谱反射率及其一阶导数、高光谱值相关性的基础上,筛选敏感波段,建立了基于高光谱反射率的叶绿素含量估测模型。结果表明:正常苹果叶片叶绿素含量的敏感波段为513⁵39、564539、564⁵85、694、699、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=152.450-1884.851R377;受红蜘蛛胁迫的苹果叶片叶绿素含量的敏感波段为961、972、720 nm,叶绿素含量的最佳估测模型为线性函数模型SPAD=49.371-46428.473 R’972。     

水稻叶片高光谱响应特征及氮素估算

将高光谱遥感技术应用于高纬度高海拔宁夏回族自治区,探讨水稻氮素快速无损的监测方法,为科学合理地施肥提供依据。对3个不同施氮水平、5个生育期水稻叶片反射光谱的响应特征及叶片叶绿素相对含量(SPAD值)进行对比分析,将光谱及SPAD值与氮素含量进行相关分析,筛选诊断氮素含量的特征光谱并构建氮素估算模型。结果表明,随着生育期的推进,叶片光谱反射率在可见光范围内呈增加趋势,该变化特征与SPAD值变化规律基本一致,近红外区光谱反射率呈先增加后降低的规律;随氮素含量增加可见光反射率降低,近红外反射率增加,SPAD值与氮素含量呈正相关(r=0.766);各波段对氮素的光谱响应程度不同,可见光波段更敏感,原始光谱612 nm和一阶微分666 nm为特征波长;叶片氮素估算最优模型为y=9.155x1-0.111x2+0.050x3+2.102(x1、x2、x3分别为R612 nm、R666 nm、SPAD值)。     

基于高光谱的苹果叶片叶绿素含量估算

以2012、2013年山东省肥城市潮泉镇下寨村的苹果叶片为研究对象,分析叶片叶绿素含量与原始光谱反射率、连续统去除光谱之间的相关性,探索苹果叶片叶绿素含量的估算模型。结果显示:苹果叶片叶绿素含量与原始光谱相关性最好的波段在553、711和1 301 nm处,其中,以711 nm处的光谱所建立的模型最佳(R2=0.88);与连续统去除光谱相关性最好的波段在553、738和801 nm处,其中,以738 nm处的光谱所建立的模型最佳(R2=0.94)。根据相关性所选的敏感波段,利用随机森林(random forest,RF)建立基于以上6个波段的叶绿素含量预测模型(R2=0.94)。对所建立的711 nm、738 nm、RF算法估算模型进行检验,结果表明,利用RF建立的苹果叶片叶绿素含量模型最佳(R2=0.54)。     

基于高光谱的荒漠植物含水率预测模型

[目的]根据实地测定的荒漠植物高光谱和含水率,建立其含水率预测模型,为遥感生态监测和荒漠生境评价提供依据.[方法]实地测定了17种荒漠植物光谱反射率,使用烘干法测定其含水率,对荒漠植物的含水率和反射光谱进行相关分析.[结果]1405-1534 nn波段是荒漠植物含水率的敏感波段.引人吸收深度为参量,分别以978-1030,1405-1534 mn波段水分吸收深度建立荒漠植物含水率线性预测模型,其决定系数分别为R2＝0.696和R2＝0.928.根据模型计算荒漠植物含水率与真值的误差分别在-16.84;-12.01;和-1.86;-2.84;,[结论]以1405-1534 nm波段水分吸收深度建立荒漠植物含水率线性预测模型可以较准确的反映荒漠植物的含水率.     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

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。     

Canopy Equivalent Water Thickness Estimation of Cotton Based on Hyperspectral Index

【Objective】 The objective of the experiments is to develop a key method for fast and nondestructive monitoring canopy equivalent water thickness (CEWT) in cotton (Lumian 54) and to further improve the estimation accuracy of CEWT in cotton monitored by remote sensing technology. 【Method】 Through setting irrigation gradient treatment in different growth period, canopy spectral reflectance and canopy equivalent water thickness and other information were measured simultaneously. Firstly, we comprehensively analyzed the correlation between CEWT and various spectral parameters, including original spectral reflectance, first derivative spectral reflectance, all-band combined spectral index and existing spectral index. Then, we determined the optimal spectral indices of bud stage, flowering and bolls stage, and full growth period. Finally, we constructed a hyperspectral monitoring model of cotton CEWT by linear regression. 【Result】 The canopy equivalent water thickness and the original spectral reflectance show continuous sensitive bands in the near infrared band (NIR) of 780-1130 nm and the short wave infrared band (SWIR) of 1 450-1 830 nm and 1 950-2 450 nm, the sensitivity of the first derivative spectrum to CEWT was enhanced in NIR band than that of the original spectrum, but was weaker in SWIR band than that of the original spectrum. The correlation between the spectral index constructed by the original spectral reflectance and CEWT is stronger than that of the first derivative spectrum, and the ratio spectral index (RSI) is more suitable for the monitoring of CEWT than the normalized difference spectral index (NDSI). During the whole growth period, the inversion accuracy of CEWT by (R₁₁₃₅-5R₁₄₉₄)/R₂₀₀₃ was the best (R ²=0.7878, RRMSE=0.1803). In the bud stage, RSI_b(1130,1996) has the best estimation effect on CEWT (R ²=0.7258, RRMSE=0.1444). RSI_a (904,1952) was the optimal spectral index (R ²=0.7853, RRMSE=0.2454) for estimating CEWT at the flowering and bolls stage.【Conclusion】The new hyperspectral indexes proposed in this study in different growth stages can be used for quantitative monitoring of canopy equivalent water thickness in cotton. The results of this study can provide reference for the application of hyperspectral technology in monitoring water content of cotton canopy, and provide technical basis for precision irrigation of cotton.     

利用甘蓝型油菜高密度SNP遗传图谱定位油酸、 亚麻酸及芥酸含量QTL位点

【目的】菜籽油包括多种脂肪酸组分,提高油酸（C18:1）含量,降低亚麻酸（C18:2）和芥酸（C22:1）含量是油菜育种改良和遗传研究的重要目标。本研究利用刚开发的油菜60K芯片构建的高世代重组自交系群体遗传连锁图谱,对3个不同环境中影响甘蓝型油菜品质的油酸、亚麻酸及芥酸含量进行QTL定位分析,研究结果可对脂肪酸组分QTL位点在不同的群体之间准确比较分析。【方法】以高芥酸亲本GH06为母本和低芥酸亲本P174为父本构建高世代重组自交系,分别于2008年在德国吉森、德国霍亨里特及2009年德国吉森3个不同的环境中设置田间试验,收获自交种子,采用近红外分析方法3次重复对种子的脂肪酸组分进行分析。利用油菜60K芯片对重组自交系群体进行基因型分析,DNA样品预处理及芯片处理严格按照Illumina Inc公司Infinium HD Assay Ultra操作说明进行。取最小阈值LOD 5.0利用MSTmap软件构建遗传图谱。QTL定位所用的遗传图谱包括2 756个SNP位点,覆盖甘蓝型油菜基因组1 832.4 cM。利用Windows QTL Cartographer复合区间作图法对油酸、亚麻酸及芥酸含量进行QTL定位。【结果】在3个环境中,油酸和芥酸含量均表现为极显著负相关,相关系数均达到-0.95,且表现为主基因控制的性状,芥酸和亚麻酸表现负相关,油酸与亚麻酸表现正相关。3个性状在3个环境中共检测到14个QTL,在A08和C03上都检测到油酸和芥酸含量重叠的主效QTL位点。在3个环境中,油酸主效QTL位点解释表型变异19%-31%,芥酸主效QTL位点解释表型变异19%-34%,两者表现加性效应相反。A08和C03染色体上的芥酸主效QTL位点加性效应在3个环境中为7.6到9.6,加性效应来自低油酸、高芥酸亲本GH06。亚麻酸属于典型的数量性状,受环境影响较大,在3个环境中检测到不同的微效QTL位点,解释表型变异3%-12%。遗传图谱与物理图谱比较分析发现,脂肪酸去饱和酶FAD2基因位于亚麻酸QTL qA05C18:3的置信区间,而脂肪酸延长酶FAE1基因位于芥酸QTL qA08C22:1的置信区间。【结论】利用该套油菜60K芯片准确定位了油酸、亚麻酸及芥酸QTL位点,位于A08和C03染色体上的芥酸主效QTL位点同时也是油酸的主效QTL位点,该研究结果有利于不同群体在使用该套SNP芯片分析及对脂肪酸组分定位后准确比较分析。     

基于人工神经网络的大豆叶面积高光谱反演研究

【目的】探索不同高光谱模型监测大豆叶面积指数LAI的精度。【方法】实测不同水肥耦合作用下，大豆冠层的高光谱反射率与叶面积指数（Leaf Area Index）数据，对二者进行相关分析；采用敏感波段(801nm,670nm)构建RVI, NDVI, SAVI, OSAVI 和MTVI2植被指数，建立大豆LAI估算模型；最后采用相关系数较大的波段作为神经网络模型的输入变量进行大豆LAI的估算。【结果】大豆LAI与光谱反射率在可见光波段呈负相关、近红外波段呈正相关、红边处相关系数由负变正；微分光谱在三边处与大豆LAI关系密切，在红边处取得最大回归确定性系数（R2 = 0.86）。植被指数可以较为精确反演大豆LAI，确定性系数R2>0.84。人工神经网络模型可以大大提高大豆LAI的估算水平，当隐藏层节点数为2时，R2为0.92，随着隐藏层节点数的增加，R2可高达0.96；在没有黄熟期数据干扰的情况下，神经网络可以进一步提高大豆LAI的反演精度，R2可高达0.99。【结论】与基于植被指数建立的模型相比，神经网络模型可以有效避免因LAI过高而出现的过饱和现象，大大提高了LAI的反演精度。     

农田不同粒级土壤含水量光谱特征及定量预测

【目的】土壤含水量是土壤属性的关键参数。摸清不同机械组成条件下土壤水分的光谱变化并实现土壤含水量的定量预测,为农田水分的快速监测及土壤其他属性的定量获取提供依据。【方法】通过人为控制获得不同粒级和不同含水量的土壤样品,确定室内土壤光谱测定的几何条件,采集不同土样的光谱特征并进行比较,按粒径等级利用最小二乘法（PLSR）建立农田土壤含水量的光谱定量预测模型。【结果】土壤光谱反射率总体趋势是随含水量增加而降低,其差异随着波长的增加和含水量的降低而增加,在1 400 nm和1 900 nm的水分敏感波段随含水量增加光谱吸收深度也增加。但当含水量大于40%时,通过孔径为0.15 mm 筛子的土壤样品（处理D-1）,在350-1 240 nm光谱反射率随含水量增加而升高,而1 240 nm以后随含水量增加而降低。相对于将所有样本数据混合建立模型,分粒级建立的模型在细颗粒土壤中预测效果得到了明显改善,并且样品越细模型在预测效果和稳定性也越好：最优模型均方根误差RMSE=4.13%,决定系数R2=0.90。同时,数据归一化处理后所建立的模型在一定程度上降低了噪声的影响,从而在预测效果和稳定性上也有所改善。【结论】土壤光谱随含水量的变化而变化,但并不都表现随含水量增加光谱反射率降低的特点,当含水量大于40%时,细颗粒土壤样本表现为在350-1 240 nm波段光谱反射率随含水量增加而升高;土壤含水量预测模型的精度和稳定性随着土壤粒径变小、样本量增大以及光谱数据归一化预处理而得到改善。     

甘蓝型油菜茎秆纤维组分含量和木质素单体G/S 近红外模型构建

【目的】探索近红外光谱分析技术在甘蓝型油菜茎秆纤维组分含量及木质素单体G/S测定中应用的可能性。【方法】采集近红外光谱,根据马氏距离GH（Global H）筛选出103份纤维组分含量材料和75份木质素单体G/S材料作为定标样品,采用Van Soest法和GC-MS法对茎秆纤维组分含量和木质素单体比例进行测定,统计结果表明定标样品化学测定值变异范围较大,3次重复差异较小,可用于近红外模型构建。运用不同光谱预处理方法和化学计量学方法建立校正模型,对比各模型性能参数,筛选出最优定标模型并用检验集对模型进行验证。【结果】采用修正偏最小二乘法（MPLS）建立模型最佳。中性洗涤纤维（neutral detergent fiber,NDF）、酸性洗涤纤维（acid detergent fiber,ADF）、酸性洗涤木质素（acid detergent lignin,ADL）与木质素单体G/S的交叉验证相关系数（1-VR）分别为0.864、0.861、0.872和0.920,定标相关系数（RSQ）分别为0.892、0.891、0.907和0.953。用检验集对模型进行验证,NDF、ADF、ADL及木质素单体G/S模型的外部检验相关系数（RSQ）分别为0.837、0.818、0.870和0.935,其预测标准差（SEP）为0.680、0.636、0.348和0.054。【结论】试验所建模型质量较好,能快速测量茎秆纤维组分含量和木质素单体G/S,可为油菜抗病抗倒伏育种研究提供技术支持。     

基于高光谱的苹果盛果期冠层叶绿素含量监测研究

【目的】建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用。【方法】以蒙阴县果园的苹果树为试验材料,连续2年分别测定了苹果冠层光谱反射率和冠层叶绿素（Chl(a+b)）含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了400—1 000 nm任意两波段组合而成的RVI、DVI、NDVI和RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型。【结果】结果表明,以单变量估算叶绿素含量的最佳光谱指数为NDVI(975,742),相关系数为0.5093。利用多元逐步回归建立的苹果冠层叶绿素含量最佳监测模型为Y=-0.56(log1/R)771-0.48(log1/R)1978 +0.20(log1/R)2407 -0.10(log1/R)2440+4.749。【结论】用多元逐步回归方法建立的模型来监测苹果冠层叶绿素含量效果较好,为利用高光谱技术监测苹果生长状况提供了理论依据。     

小麦叶层氮含量估测的最佳高光谱参数研究

 【目的】作物体内氮素状况是评价长势和预测产量的重要指标。小麦植株氮素营养的快速监测和无损诊断对于精确氮素管理具有重要作用。本文旨在通过对高光谱信息的精细分析和信息提取,探索建立小麦叶片氮含量（LNC,leaf nitrogen content）估算的最佳波段、光谱参数及监测模型。【方法】利用连续4年的系统观测资料,采用精细采样法,详细分析350～2 500 nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段组合而成的主要高光谱指数与小麦冠层叶片氮含量的定量关系。【结果】发现小麦叶片氮含量的最佳波段为位于红边的690、691、700和711 nm以及近红外波段的1 350 nm;基于归一化光谱指数NDSI（R1350,R700）和NDSI（FD700,FD690）、比值光谱指数RSI（R700,R1350）和RSI（FD691,FD711）、土壤调节光谱指数SASI（R1350,R700）（L=0.09）和SASI（FD700,FD690）（L=-0.01）构建氮含量监测模型,决定系数（R2）分别为0.851和0.857、0.842和0.893、0.860和0.866。利用独立试验资料对模型检验的结果显示,模型测试的精度（R2）均大于0.758,RRMSE均小于0.266,尤其是高光谱参数RSI（FD691,FD711）和SASI（FD700,FD690）表现最好。【结论】总体上,利用精细采样法确定最佳波段,构建植被指数和氮含量监测模型,可显著提高模型的精确度和可靠性,从而为快速无损诊断小麦叶层的氮素状况提供新的波段选择和技术途径。