基于机器学习和可见光光谱的冬小麦叶片氮积累量估算

在拔节期分4次采集了6个施氮水平下的冬小麦冠层图像,同步进行取样并以凯氏定氮法测定叶片含氮量,进而计算叶片氮积累量。利用随机森林算法分割冠层图像之后提取冠层覆盖度、可见光波段(R, G和B)三个分量及其衍生的5个色彩指数。以冠层覆盖度外加色彩指数、色彩分量的两种非线性回归,以及人工神经网络、支持向量回归、随机森林3种机器学习算法建立了冬小麦叶片氮积累量的估算模型。结果表明利用色彩指数的非线性回归模型的估算精度稍低于其他方法,而随机森林算法的拟合精度最高,但存在明显的过拟合现象。其他三种方法,即以冠层覆盖度及色彩分量为输入变量的非线性回归、支持向量回归和人工神经网络方法,均具有较高的拟合精度和泛化性能。     

可见光光谱的冬小麦苗期地上生物量估算

地上生物量是表征冬小麦苗期长势的重要参数之一,对于监测冬小麦苗期长势,预测产量具有重要的实际意义。目前,通过计算光谱指数进行生物量估算是冬小麦苗期地上生物量无损测量的主要方法,但该方法需要一定的平台支撑,在便捷性方面存在一定的不足。为此,利用可见光图像数据获取方便、准确率高的特点,基于冬小麦苗期冠层可见光图像数据开展冬小麦苗期地上生物量估算研究。采用数码相机,采集冬小麦苗期冠层可见光图像并利用Canopeo进行冬小麦冠层与背景的分割。在获取冠层分割图像后,提取了CC（canopy cover）、ExG（excessg reen）、ExR（excess red）、ExGR（ExG-ExR）、NGRDI（normalized green-red difference index）、GLI（green leaf index）、RGRI（red-green ratio index）和RGBVI（RGB vegetation index）共8个可见光图像特征。利用相关性分析进行特征优选,选择与冬小麦苗期地上生物量实测数据相关性较高的图像特征构建估算模型。利用优选的图像特征,分别构建偏最小二乘回归（PLSR）、BP神经网络（BPNN）、支持向量机回归（SVR）和随机森林（RF）模型,开展冬小麦苗期地上生物量估算研究,并定量分析特征数量和播种密度对估算模型准确率的影响。结果表明,ExR,GLI和RGBVI与生物量实测数据相关性较低,因此,将这3个特征剔除。CC,ExG,ExGR,NGRDI和RGRI与生物量实测数据的相关性较高,其中CC,ExG和ExGR与生物量实测数据呈正相关,而NGRDI和RGRI与生物量实测数据呈负相关。利用优选的图像特征构建估算模型,研究结果表明,基于优选的5个图像特征,PLSR的估算准确率最高,模型R2为0.801 5,RMSE为0.0788 kg·m-2,表明PLSR能够实现冬小麦苗期地上生物量的准确估算。特征数量是影响估算模型准确率的因素之一,随着特征数量的减少,模型估算的准确率逐步下降。利用不同播种密度数据集对估算模型进行测试,结果表明,PLSR在不同的播种密度数据集上均取得了最高的估算准确率,模型R2分别为0.897,0.827 9和0.788 6,RMSE分别为0.062,0.072和0.079 1 kg·m-2,表明PLSR估算的冬小麦苗期地上生物量数据与实测生物量数据之间具有良好的相关关系。随着播种密度的增加,所有估算模型的准确率均出现下降,而PLSR的准确率下降程度最小。由此可见,基于可见光图像数据,能够实现冬小麦苗期地上生物量的准确估算,为冬小麦苗期田间管理提供参考。     

多信息融合的冬小麦地上鲜生物量检测研究

将小麦冠层光谱与小麦冠层图像或者侧面图像进行多信息融合,对冬小麦地上鲜生物量进行预测,提高了冬小麦地上鲜生物量无损检测精度,试验获取苗期93个样本的冠层光谱和冠层图像,中后期(拔节期、抽穗期、开花期、灌浆期)200个样本的冠层光谱和侧面图像。将光谱反射率作为光谱特征参数,并通过图像处理提取小麦覆盖度作为图像特征参数,建立苗期和中后期基于光谱特征参数和图像特征参数的地上生物量检测模型,将冠层光谱反射率和小麦覆盖度作为多信息融合的输入,利用多元回归分析(MRA)和偏最小二乘法(PLS)建立地上鲜生物量预测模型并进行验证。结果表明,在苗期和中后期,将光谱信息和图像信息融合,采用PLS所建立的预测模型与单独的图像模型和光谱模型相比精度最高。苗期基于信息融合所建立的PLS模型验证集R2为0.881,其RMSE为0.015 kg;中后期基于信息融合所建立的PLS模型验证集R2为0.791,RMSE为0.059 kg。由此可见,相比单一的光谱模型和图像模型,图像信息和光谱信息融合之后,充分提高了光谱信息和图像信息的利用率,使模型的精度得以提高。     

基于可见光光谱和随机森林算法的冬小麦冠层图像分割

数字图像分析技术因其高效、快速等特点,已被广泛应用于作物长势和氮素营养状况的无损监测领域。获取作物冠层覆盖度及可见光光谱亮度值及其衍生的色彩指数,需要从作物冠层图像中准确分割出作物图像。研究以冬小麦与背景(土壤)在可见光波段反射率的差异为依据,利用基于CIEL*a*b*色彩空间a*分量的最大类间方差法和基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法对冬小麦冠层图像进行了分割,并比较了图像分割精度。结果表明,三种方法均具有较高的分割精度,其中基于随机森林算法的图像分割效果明显好于最大类间方差法,而基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法的图像分割效果差异较小。研究结果表明,随机森林算法可直接利用冠层图像可见光波段的三个色彩分量(R,G和B)分割冬小麦冠层图像。     

基于高光谱和BP神经网络的棉花冠层叶绿素含量联合估算

冠层叶绿素能够有效反映植被的生长状况。为了基于高光谱精确估算冠层的叶绿素含量,以棉花为研究对象,实测棉花冠层光谱反射率和叶绿素含量,然后进行原始光谱数据转换,计算高光谱参数,分析叶绿素含量与高光谱参数之间的相关关系,构建估算棉花冠层叶绿素含量的BP神经网络模型。结果表明:包络线去除处理后,冠层反射率和叶绿素含量的相关性在560～740 nm波段范围内提高了10.7%,效果优于原始光谱和一阶微分光谱得到的结果;基于原始光谱和去除包络线光谱建立的植被指数mSR、mND、NDI、DD与叶绿素含量表现出较高的相关性,相关系数均在0.8左右;在所建的BP神经网络模型中,基于包络线光谱指数建立的模型的决定系数为0.85,均方根误差和相对误差分别为1.37、1.97%,这一结果优于基于红边参数、原始光谱植被指数和一阶微分光谱指数建立的模型。本研究可为作物叶绿素含量估算的实际应用提供理论依据和技术支持。     

基于可见光谱与轻量级卷积神经网络的冬小麦分蘖数估算

分蘖数是表征冬小麦生长的关键性参数,对于冬小麦苗情监测、产量预估具有重要意义。针对目前冬小麦分蘖数估算方法存在的数据获取繁复和估算模型体量大的问题,提出一种基于可见光图像和轻量级卷积神经网络的冬小麦分蘖数估算方法,以期实现冬小麦分蘖数无损快速估算,并且可嵌入移动终端设备。可见光图像具有获取便捷,处理简单的特点,利用数码相机连续采集2017年—2018年和2018年—2019年两个生长季的冬小麦冠层可见光图像。利用该数据图像,分别构建基于轻量级卷积神经网络MobileNetV2,SqueezeNett,ShuffleNet的冬小麦分蘖数估算模型进行比较试验,并与基于非轻量级卷积神经网络AlexNet和ResNet系列构建的估算模型进行对比试验。开展冬小麦分蘖数估算模型针对不同植株密度数据的鲁棒性以及针对不同生长季数据的泛化能力的验证试验。结果表明,基于MobileNetV2构建的冬小麦分蘖数估算模型的决定系数（R2）为0.7,归一化均方根误差（NRMSE）为0.2,在三个轻量级卷积神经网络中具有最优表现;基于非轻量级卷积神经网络构建的冬小麦分蘖数估算模型体积是基于MobileNetV2构建的冬小麦分蘖数估算模型的2.3~16.1倍。与非轻量级卷积神经网络相比较,基于MobileNetV2构建的估算模型在具有较好R2的同时有较小的体量,适宜嵌入移动终端设备;针对120,270和420 株·m-2三个不同植株密度的可见光图像数据集,基于MobileNetV2构建的冬小麦分蘖数估算模型的R2分别为0.8,0.8和0.7,表现鲁棒;针对两个生长季的可见光图像,基于MobileNetV2构建的冬小麦分蘖数估算模型通过迁移学习将R2提升了2倍,NRMSE下降了7.6%,表现出对数据季节性差异较好的适应性,体现了模型的泛化能力。利用可见光图像,基于MobileNetV2构建的估算模型能够满足冬小麦分蘖数估算需求,为冬小麦生长观测以及田间农艺措施管理决策提供了一个准确、鲁棒、可嵌入移动终端设备的工具。     

高光谱特征参量的冬小麦吸收性光合有效辐射分量估算模型

精确估算吸收性光合有效辐射分量(EPAR)对于检测植被水分、能量及碳循环平衡具有重要意义。应用ASD地物光谱仪与SUNSCAN冠层分析仪对冬小麦整个生育期内冠层光谱反射和光合有效辐射进行监测,并利用冠层反射率数据构建了24个高光谱特征参量,通过分析不同光谱特征参量与冬小麦FPAR的相关关系,建立冬小麦FPAR光谱参量估算模型。结果表明：除蓝边幅值Db外其余高光谱参量均与冬小麦FPAR呈极显著相关(p＜0.01)。红边面积SDr与蓝边面积SDb的比值(VI₄)与FPAR的相关系数最高,达到0.836。提取相关性较高的7个光谱参量分别与冬小麦FPAR建立最优线性与非线性估算模型,通过精度检验分析,优选了冬小麦FPAR最合适的模型。对于线性模型,绿峰位置λg与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.679, 0.111和20.82%;对于非线性模型,绿峰反射率Rg与红谷反射率Rr的归一化比值(VI₂)与FPAR的反演模型最好,其预测模型的R2, RMSE和RRMSE分别为0.724, 0.088和21.84%。为进一步提高模型精度,分别运用多元线性逐步回归与BP神经网络建立多个高光谱参量同时参与的模型,与单参量模型相比,BP神经网络模型的反演精度明显提高(R2=0.906,RMSE=0.08,RRMSE=16.57%)。利用高光谱特征参量测定冬小麦FAPR具有可行性,这为实时、有效、准确监测冬小麦生长过程中FPAR的动态变化提供了一种新的方法和理论依据。     

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算

当作物生物量较大时,现有植被指数由于受饱和问题限制,不能较好的估算作物生物量。针对此问题,尝试将波段深度分析与偏最小二乘回归(partial least square regression,PLSR)结合,提高对大田冬小麦生物量的估算精度,并将两者结合建立的模型与应用代表性植被指数建立的模型进行生物量估算精度比较。波段深度分析主要对冬小麦冠层光谱550～750nm范围进行,采用波段深度、波段深度比(band depth ratio,BDR)、归一化波段深度指数和归一化面积波段深度对波段深度信息进行表征。在建立的模型中,波段深度分析和PLSR结合的估算精度比应用植被指数模型的精度高,其中BDR与PLSR结合的估算精度最高(R2=0.792,RMSE=0.164kg.m-2)。研究结果表明波段深度分析与PLSR结合能较好的克服生物量较大时存在的饱和问题,提高冬小麦生物量的估算精度。     

基于灰度关联分析的冬小麦叶片含水量高光谱估测

尝试应用灰色关联分析方法(GRA)分析典型的水分植被指数(WVI)和水分含量(LWC)间的关联度,然后选择对冬小麦叶片水含量敏感的指数,比较SRM-PLS(逐步回归-偏最小二乘)方法和PLS方法估算LWC的精度。首先,对冬小麦WVI与LWC进行灰色关联分析,筛选出对冬小麦LWC敏感的WVI;其次,利用筛选出的敏感WVI,分别用PLS-SRM方法和PLS两种方式估算冬小麦LWC;然后对两种方式进行比较,选择最高决定系数(R2)和最小均方根误差(RMSE)的LWC估算模型来估算冬小麦LWC。结果表明：在整个生育期用PLS和PLS-SRM方法估算LWC, R2和RMSE分别为0.605和0.575,4.75%和7.35%。研究表明：先使用GRA对WVI和LWC进行关联度分析,再用PLS或PLS-SRM方法可以提高冬小麦的LWC估算精度。     

基于谐波分析算法的干旱区绿洲土壤光谱特性研究

土壤有机质(SOM)含量是评价土壤肥力的重要指标。以新疆渭-库绿洲为研究区,对室内获取的SOM含量及反射光谱数据进行Savitzky-Golay (S-G)平滑和一阶微分(FD)预处理。在此基础上,为减小敏感波段遴选对建模精度的影响,引入谐波分析(HA)算法对全波段光谱数据进行谐波分解。基于主成分分析(PCA)降维后的7个主分量对SOM含量进行基于反向传播(BP)神经网络、遗传算法(GA)-BP神经网络和多元线性回归(MLR)方法的定量估算,并对估算精度进行比较。结果表明:HA预处理后的光谱数据与SOM含量的相关性相较于FD数据有了明显提高;非线性模型BP神经网络的估算精度明显高于线性模型MLR;在非线性模型中,GA-BP模型的估算精度最高,其决定系数为0.92,预测集的均方根误差为3.92×10~(-3),相对分析误差为1.93。验证了HA算法深度挖掘光谱数据的有效性,经过GA优化的BP神经网络模型可以提高SOM含量的估算精度,为土壤属性的光谱定量估算提供借鉴。     

Estimation of Winter Wheat Biomass Using Visible Spectral and BP Based Artificial Neural NetworksSCIEI北大核心CSCD

The objective of this study was to evaluate the feasibility of using color digital image analysis and back propagation (BP) based artificial neural networks (ANN) method to estimate above ground biomass at the canopy level of winter wheat field. Digital color images of winter wheat canopies grown under six levels of nitrogen treatments were taken with a digital camera for four times during the elongation stage and at the same time wheat plants were sampled to measure above ground biomass. Canopy cover (CC) and 10 color indices were calculated from winter wheat canopy images by using image analysis program (developed in Microsoft Visual Basic). Correlation analysis was carried out to identify the relationship between CC, 10 color indices and winter wheat above ground biomass. Stepwise multiple linear regression and BP based ANN methods were used to establish the models to estimate winter wheat above ground biomass. The results showed that CC, and two color indices had a significant correlation with above ground biomass. CC revealed the highest correlation with winter wheat above ground biomass. Stepwise multiple linear regression model constituting CC and color indices of NDI and b, and BP based ANN model with four variables (CC, g, b and NDI) for input was constructed to estimate winter wheat above ground biomass. The validation results indicate that the model using BP based ANN method has a better performance with higher R-2 (0.903) and lower RMSE (61.706) and RRMSE (18.876) in comparation with the stepwise regression model.     

Sentinel-2宽波段光谱指数预测拔节后受冻冬小麦减产率

冬小麦拔节期后的晚霜冻害在区域尺度上表现出一定的空间差异,决定了应对冻害采取分区措施。基于Sentinel-2卫星数据的宽波段光谱指数预测区域冬小麦减产率,对灾情评估和生产管理决策具有重要意义。采用人工模拟霜冻试验,以光谱重采样将ASD FieldSpec^? 3光谱辐射计获取的冠层反射率模拟为Sentinel-2传感器对应的波段反射率。采用19个已有光谱指数和以3种形式(简单比值、简单差值、归一化)组合构建的光谱指数构建冬小麦减产率线性回归模型。在每种形式中,筛选出决定系数排名前三的宽波段光谱指数作为候选指数。以商丘地区自然霜冻事件为契机,以Sentinel-2卫星数据计算候选指数,利用地面采样点的实测减产率验证候选指数精度。结果表明：(1)随着处理温度的降低,冬小麦冠层反射率在近红外区呈降低趋势,在可见光区和短波段红外区呈升高趋势;(2)重采样前后反射率数据计算的19个已有光谱指数中,大部分指数与减产率呈显著相关(p<0.001)。筛选出的12个候选光谱指数预测冬小麦减产率的线性回归精度较好,在校正集和验证集中的决定系数均高于0.631;(3)Sentin...     

基于多变量统计分析的冬小麦长势高光谱估算研究

利用高光谱分析技术实现冬小麦长势的准确、无损监测具有重要的实践意义。基于连续两年的氮素运筹试验,通过获取叶面积指数(LAI)、地上干生物量(AGDB)、地上鲜生物量(AGFB)、植株含水量(PWC)、叶绿素密度(CH.D)和氮素积累量(ANC)六个冬小麦长势指标及冬小麦冠层高光谱,引入主成分分析法(PCA)构建可表征冬小麦长势的综合长势指标(CGI),并结合偏最小二乘回归法(PLSR)构建CGI的高光谱估测模型。结果表明,除植株含水量外,其他长势指标与所构建的CGI都达到极显著水平,表明利用CGI可以表征各长势指标信息。对比CGI和其他各长势指标的PLSR模型表现可知,CGI光谱监测模型表现最优(R2=0.802,RMSE=1.268,RPD=2.015),也具有较高的预测精度和稳健度(R2=0.672,RMSE=1.732,RPD=1.489)。表明基于PCA方法所构建的CGI可以表征冬小麦长势,利用PLSR方法可以实现对冬小麦长势的准确监测,且监测效果要优于单一的冬小麦长势指标。     

冬小麦条锈病严重度不同估算方法对比研究

为了提高遥感监测小麦条锈病病害严重度的准确性,寻找小麦病害的较优反演模型,在国家精准农业示范研究基地基于野外定位调查小麦病情指数及冠层光谱数据,利用与小麦病害发生呈显著关系且有效反映植被生理生长状况的7种高光谱植被指数,尝试分别采用PLS(偏最小二乘回归)、BP神经网络和植被指数经验法三种方法建立小麦条锈病病情反演模型,并进行比较分析。结果表明：三种方法病害严重度预测值与实测值间的R2分别为0.936,0.918,0.767。采用偏最小二乘回归方法监测小麦病情指数效果更好,为探寻不同种类植被指数对模型的贡献,尝试用代表植被绿度的NDVI, GNDVI, MSR和代表水分含量的NDWI和MSI植被指数分别作为PLS模型的输入变量,建立病害反演模型。结果表明：小麦条锈病中,叶片叶绿素含量的变化比冠层水含量的变化对病情指数更为敏感,对病害有更好的解释作用。然而,两模型精度都低于七种植被指数全部参与时的预测结果,即输入变量中采用多种植被指数比用单类指数模拟准确度高。     

基于无人机可见光谱平台的烤烟氮素营养诊断

利用不同氮肥用量田间试验,分析基于无人机平台的可见光谱诊断技术对烟草氮素营养进行无损评估预测的可行性,明确该技术的最佳颜色参数和方程模型。2018年在江西省安福县开展田间试验,设置不同氮肥用量,分别为0,45,90,135,180和300 kg N·ha-1,于移栽后47 d（团棵期）、移栽后83 d（旺长后期）和移栽后116 d（下部叶成熟期）,利用无人机获取冠层RGB色彩数字图像,同时采集植株样品分析地上部生物量、叶片生物量、地上部氮浓度、叶片氮浓度、叶片SPAD值等氮营养状况指标,对冠层数字图像进行数字化分析,获得颜色指标值,通过颜色指标与烟草氮营养状况指标的相关性分析,筛选适宜的颜色指标并建立氮营养诊断方程。利用不同地块的氮肥用量试验,对氮营养诊断方程拟合精度进行验证。试验结果表明,旺长后期各处理间冠层图像的颜色标准值存在显著差异,团棵期与下部叶成熟期不存在显著差异。在10个颜色指标中,NRI,NGI,G/R,G/(R+B),(G-R)/(R+G+B)和ExG与5个烤烟氮素营养指标均达到极显著相关（p＜0.01)。在归一化颜色指标体系、比颜色指标体系和归一化差分颜色指标体系中选择潜在的最佳颜色参数指标分别为NGI,G/R和ExG。根据不同类型的回归分析结果,确定指数回归作为地上部生物量和叶片生物量的预测模型,线性回归作为地上部氮浓度、叶片氮浓度及叶片SPAD值的预测模型。对潜在的最佳指标进行验证性筛选,G/R对地上部氮浓度和叶片氮浓度的RMSE值分别为0.375 1%和0.249 1%,明显低于NGI和ExG,预测精度最高。用G/R值表示的地上部生物量、叶片生物量、地上部氮浓度、叶片氮浓度、SPAD值预测方程分别为Y=21.785e1.3502G/R,Y=4.057 9e1.937 3G/R,Y=5.039 9G/R-3.333 2,Y=4.281 4G/R-3.802 9,Y=40.168G/R-28.188。因此,基于无人机平台的可见光谱诊断技术在烤烟氮素营养诊断方面具有应用潜力,评估最佳时期为旺长后期,最佳预测参数为G/R值。     

运用光谱参数冠层覆盖度建立作物长势及氮营养状态模型

为了探索运用数码照片中光谱(红、绿、蓝)的像素计算得到的冠层覆盖度(canopy cover, CC)对玉米长势及氮素营养状态进行非破坏性监测的技术。通过获取玉米冠层的数码照片图像,定量化数码照片色彩参数与作物叶面积指数(leaf area index, LAI)、冠层干重(shoot dry matter weight, DM)、叶片氮素含量(leaf nitrogen content percentage, N%)之间的关系。试验于2012年和2013年在中国农业科学院试验田进行,运用基于Visual Basic Version 6.0研发的玉米冠层图像分析系统,分析了玉米品种中单909在3个氮素水平条件下分别于9叶展时期、抽雄期和灌浆期的CC、11种色彩指数与植株LAI,DM,N%及产量之间的相关性,并对相关性显著的指标进行了拟合与建模。结果表明,CC与LAI(r=0.93, p＜0.01),DM(r=0.94, p＜0.01),N%(r=0.82, p＜0.01)之间均达到了极显著水平;用CC估算LAI,DM和N%的模型均为幂函数,方程式分别是y=3.281 2x0.763 9,y=283.658 1x0.553 6,y=3.064 5x0.932 9;用与建模相独立的数据对模型验证,结果表明,CC估算LAI模型的实测值与模拟值基于1∶1直线的R2,RMSE和RE分别是0.996,0.035和1.46%;CC估算DM模型的R2,RMSE和RE分别是0.978,5.408 g和2.43%;CC估算N%模型的R2,RMSE和RE分别是0.990,0.054和2.62%。综上所述,模型能够较准确的通过CC估算不同氮肥水平条件下玉米9叶展时期、抽雄期和灌浆期的LAI,DM与N%,表明应用数码相机的光谱信息可实现对玉米生长过程中的生长状况及氮素营养状态进行实时无损快速监测与预测。     

用冠层光谱比值指数反演条锈病胁迫下的小麦含水量

通过高光谱遥感估测条锈病胁迫下的小麦冠层水分含量。通过人工田间诱发不同等级小麦条锈病,在不同生育期测定感染不同严重程度条锈病的冬小麦冠层光谱、相对含水量(relative water content,RWC) 以及调查小麦条锈病病情指数(disease index,DI)。研究发现随着小麦RWC的减少,冠层光谱反射率在近红外区域(900～1 300 nm)逐渐降低,而在短波红外区域(1 300～2 500 nm)逐渐增大,且RWC与DI间具有强负相关性。对冠层光谱进行平滑处理,利用冠层光谱近红外与短波红外水分敏感波段构建比值指数,然后建立以比值指数为变量的反演RWC线性模型,并分析对比各模型反演RWC的精度以及稳定性,结果发现比值指数R_{1 300}/R_{1 200}反演RWC的精度及稳定性(R2=0.63)都优于其他指数,其线性模型反演绝对误差为3.43,相对误差(relative error,RE)为4.78%。该研究结果不仅为判别小麦病害提供辅助信息,而且也为未来利用高光谱图像反演植物含水量提供理论与方法支持。     

监测小麦叶片氮积累量的新高光谱特征波段及比值植被指数

实时、快速、无损监测作物氮素状况对于精确氮肥管理具有重要意义。传统的氮素估测方法在时间或空间上难以满足要求,新兴的高光谱遥感技术为作物氮素监测提供了有效手段和技术途径。本研究的目的是基于三个田间试验的系统观测资料,探索可用于小麦叶片氮素监测的新的高光谱敏感波段及比值指数。利用减量精细采样法,系统构建了350～2 500 nm范围内所有两两波段形成的比值光谱指数RSI(ratio spectral index),综合分析了小麦叶片氮积累量LNA(leaf nitrogen accumulation)(g N·m-2)与RSI的定量关系,发现了监测叶片氮积累量的新高光谱特征波段(990, 720)和光谱指数RSI(990, 720),建立了相应的监测模型y=5.095x-6.040,模型的决定系数(R2)为0.814。利用独立试验资料检验模型,决定系数(R2)为0.847,相对根均方差(RRMSE)为24.70%,表明模型预测值与观察值之间的符合度较高。因此,利用高光谱比值指数RSI(990, 720)来估算小麦叶片氮积累量是精确可行的。该结果为便携式小麦氮素监测仪的研制开发及遥感信息的快速提取提供了适用可行的波段选择与技术依据。