| 摘 要： | 
叶片SPAD（soil and plant analyzer development）值表征了叶片叶绿素相对含量,是监测农作物长势和营养状况的重要参数。光学遥感是大面积无损探测叶片SPAD值的重要手段。然而,由于不同光谱尺度数据探测光谱变化存在差异,影响了光学探测作物生化参数的精度,但目前很少有研究系统评估不同光谱尺度对探测冬小麦叶片SPAD值的影响。为优化光谱尺度提升叶片SPAD探测精度,该研究通过连续4年田间试验,获取冬小麦4个关键生育期（拔节期、抽穗期、开花期和灌浆期）和3种施氮水平（N1、N2和N3）条件下的冠层光谱反射率和叶片SPAD值,评估了5种光谱尺度（1、5、10、25 和50 nm）下单一波段反射率和植被指数对叶片SPAD值敏感性差异及对机器学习模型估算SPAD值的影响。结果表明,红光波段反射率对SPAD值敏感性最大,光谱尺度敏感性变异系数Var为0.497。红边波段波长710 nm反射率受到光谱尺度影响最大,在全生育期敏感性变异系数Var为1.000。
全生育期敏感性最佳植被指数为mND705,在50 nm光谱尺度对SPAD的敏感性最高（R2 =0.685）且光谱尺度敏感性变异系数低（Var = 0.014）。在4个单一生育期中,mND705在灌浆期对SPAD的敏感性最佳（R2=0.895）且受到光谱尺度的影响小（Var = 0.01）。施氮水平的增加提升了植被指数对SPAD的敏感性。优化光谱尺度提升了机器学习模型估算SPAD的能力,全生育期中以25 nm光谱尺度构建的偏最小二乘回归模型对SPAD的估算精度最佳（R2 = 0.816 和均方根误差RMSE = 4.04）。该研究为从优化光谱尺度角度优化光学传感器选择和设计、光谱植被指数波段选择和机器学习模型光谱特征构建提供了理论基础。
|
