為提高作物氮素營養(yǎng)估測精度，不少學(xué)者探索了不同尺度光譜源檢測作物氮素含量的潛力。楊天成^[21]使用ASD（Analytical Spectral Devices）公司生產(chǎn)的FieldSpec3地物光譜儀獲取高光譜數(shù)據(jù)、無人機(jī)數(shù)據(jù)及模擬衛(wèi)星反射率數(shù)據(jù)，在葉片和冠層兩種尺度上構(gòu)建了小麥鉀營養(yǎng)監(jiān)測的光譜模型。董淼^[22]采用光譜分析與室內(nèi)葉綠素含量化學(xué)分析相結(jié)合的方法，分別在葉片和冠層尺度上對紅富士蘋果光譜反射率進(jìn)行分析，選取葉綠素含量光譜敏感波段進(jìn)行模型的構(gòu)建。Zhu等^[23]使用葉片和冠層尺度的高光譜變量（H-變量）作為統(tǒng)計(jì)葉綠素含量（LCC）模型的輸入，通過Pearson相關(guān)過濾和遞歸特征消除程序確定了建模的最佳H-變量。李棟^[24]利用連續(xù)小波分析方法，在葉片和冠層水平提取了葉綠素含量敏感的小波特征，并構(gòu)建了基于小波特征的多尺度葉綠素估測模型。田明璐^[25]研究發(fā)現(xiàn)冬小麥葉片和冠層SPAD值估算模型中，使用敏感光譜參數(shù)為自變量的支持向量回歸（SVR）精度最高。丁雅^[26]在葉片和冠層尺度上分析了不同時(shí)期棗原始光譜和一階光譜反射率的變化特征，將不同時(shí)期葉片、冠層光譜與營養(yǎng)元素進(jìn)行相關(guān)性分析，構(gòu)建了棗葉片、冠層營養(yǎng)元素含量的高光譜估測模型。羅丹^[27]通過對小麥葉片全氮含量與對應(yīng)的冠層和葉片光譜數(shù)據(jù)進(jìn)行相關(guān)性分析，確立了對氮素敏感的波段，并基于此建立估算葉片氮含量的模型，結(jié)果表明，基于徑向基函數(shù)（RBF）網(wǎng)絡(luò)在冠層和葉片尺度上構(gòu)建的模型具有較高決定系數(shù)和較低誤差，在檢驗(yàn)中R²均在0.9以上，RMSE均小于0.2，是估算葉片氮含量的最佳模型。以上研究表明，基于多尺度光譜數(shù)據(jù)利用高光譜技術(shù)估測作物葉片氮含量是可行的。

當(dāng)前還未有利用多尺度光譜估測苧麻葉片氮含量的研究報(bào)道，為此，本研究基于不同生育時(shí)期冠層和葉片兩個(gè)尺度的光譜數(shù)據(jù)，通過分析光譜反射率與葉片全氮含量的相關(guān)性，利用PLSR、SVM、RF算法構(gòu)建不同尺度的苧麻葉片全氮含量高光譜估測模型，以期為實(shí)時(shí)監(jiān)測苧麻氮素營養(yǎng)狀況及植株長勢提供技術(shù)支持。

1 材料與方法

1.1 試驗(yàn)材料及試驗(yàn)設(shè)計(jì)

試驗(yàn)于2022年4—11月在湖南農(nóng)業(yè)大學(xué)苧麻試驗(yàn)基地進(jìn)行（28°10′51′′N，113°04′34′′E），供試苧麻品種為中苧2號。試驗(yàn)采用隨機(jī)區(qū)組設(shè)計(jì)，設(shè)置4個(gè)施氮水平：N0（不施氮肥）、N1（純氮273kg/hm²)、N2（純氮332kg/hm²）、N3（常規(guī)施肥量，純氮390kg/hm²）；另設(shè)有2個(gè)追肥時(shí)期，分別為封行期（a）和旺長期（b）。60%的氮肥基施，剩余40%的氮肥一次性追施。以N3水平封行期追肥作為CK，共7個(gè)處理（N0、N1-a、N1-b、N2-a、N2-b、CK、N3-b），每個(gè)處理重復(fù)3次，總共21個(gè)試驗(yàn)小區(qū)。磷肥（P₂O₅150kg/hm²）和鉀肥（K₂O300kg/hm²）均作為基肥一次性施入。

1.2 數(shù)據(jù)采集與處理

1.2.1 地面高光譜數(shù)據(jù)采集與處理

冠層高光譜數(shù)據(jù)利用FieldSpecHandHeld2便攜式地物光譜儀（ASD，美國）進(jìn)行采集，儀器波長范圍325～1075nm，光譜分辨率3nm@700nm，光譜采樣間隔1.5nm，視場角25°。葉片高光譜數(shù)據(jù)利用FieldSpec3（ASD，美國）地物光譜儀進(jìn)行采集，內(nèi)置石英鹵素?zé)簦庠捶€(wěn)定。

于兩季苧麻（頭麻、二麻）的關(guān)鍵生育時(shí)期（苗期、封行期、旺長期、成熟期）進(jìn)行數(shù)據(jù)采集，共進(jìn)行了8次采集任務(wù)，均在晴朗無云少風(fēng)天的10—14時(shí)完成。冠層光譜數(shù)據(jù)采集時(shí)，每小區(qū)測定前均用標(biāo)準(zhǔn)白板校正，然后每小區(qū)均勻選取2個(gè)采樣點(diǎn)，使儀器光纖探頭距苧麻冠層上方70cm進(jìn)行測定，每個(gè)采樣點(diǎn)重復(fù)測定3次，以平均值作為該小區(qū)的冠層光譜反射率數(shù)據(jù)。葉片光譜測定前同樣進(jìn)行白板校正，每個(gè)小區(qū)隨機(jī)選擇4蔸（選蔸后定蔸），每蔸選擇2株測得其倒三葉4條光譜數(shù)據(jù)，取平均值作為該葉片的最終光譜。

1.2.2 苧麻葉片全氮含量的測定

光譜測定完后，采集每個(gè)生育時(shí)期樣本點(diǎn)的苧麻倒三葉，裝入標(biāo)記好的信封中帶回實(shí)驗(yàn)室，放入烘箱104℃殺青30min后70~80℃烘干，稱重，然后采用凱氏定氮法測定苧麻葉片全氮含量（LNC）：將葉片樣品磨碎后進(jìn)行消化，直至溶液變清澈透明為止，待消化液冷卻后，使用AA3型連續(xù)流動(dòng)分析儀測定消化液中全氮含量，計(jì)算出苧麻葉片全氮含量。

1.3模型構(gòu)建與評估

試驗(yàn)共獲得兩季苧麻608個(gè)樣本的LNC數(shù)據(jù)，將每個(gè)生育時(shí)期的樣本（152個(gè)）隨機(jī)按3∶1比例劃分為訓(xùn)練集和驗(yàn)證集。采用ViewSpecPro6.2軟件對冠層和葉片光譜數(shù)據(jù)進(jìn)行預(yù)處理，輸出原始光譜及一階導(dǎo)數(shù)光譜，然后利用MicrosoftExcel2016軟件進(jìn)行數(shù)據(jù)整理。用SPSSStatistics27軟件進(jìn)行數(shù)據(jù)統(tǒng)計(jì)，采用Pearson相關(guān)性分析求取苧麻LNC與光譜反射率的相關(guān)系數(shù)，挑選出相關(guān)性最大的波段作為特征波段。將篩選的特征波段作為輸入變量構(gòu)建模型，分別采用PLSR、SVM和RF構(gòu)建苧麻LNC估測模型。使用決定系數(shù)（R²）、均方根誤差（RMSE）作為模型評價(jià)指標(biāo)，R²值越大、相對應(yīng)的RMSE值越小，說明模型預(yù)測能力越好。

2結(jié)果與分析

2.1不同施氮水平對苧麻LNC的影響

圖1和圖2分別展示了2022年頭麻、二麻各生育時(shí)期LNC在不同施氮水平下的差異，可以看出，隨著生育時(shí)期的后移，不同處理苧麻LNC之間的差異加大，并且隨著施氮水平的提升，LNC表現(xiàn)出明顯的增大趨勢，表現(xiàn)為N3>N2>N1>N0。N2水平下不同追肥時(shí)期對苧麻LNC的影響較大，大多生育時(shí)期表現(xiàn)出顯著差異?？傮w來說，低氮水平下，封行期追肥的LNC值較高；高氮水平下，封行期追肥對生育早期的LNC貢獻(xiàn)較大，而生育晚期，旺長期追肥對LNC的積累貢獻(xiàn)更大。

柱上不同小寫字母表示同一生育時(shí)期不同處理間在0.05水平差異顯著，下同。

圖1 不同時(shí)期、不同施氮水平頭麻葉片氮含量變化

圖2 不同時(shí)期、不同施氮水平二麻葉片氮含量變化

2.2 基于冠層光譜的苧麻LNC估測

2.2.1 冠層光譜波段篩選

采用Pearson相關(guān)性分析方法探究不同生育時(shí)期苧麻LNC與冠層一階導(dǎo)數(shù)光譜之間的相關(guān)關(guān)系，從而篩選出可用于LNC估測的波段。結(jié)果（圖3）顯示，苧麻LNC與一階導(dǎo)數(shù)光譜在多個(gè)生育時(shí)期都存在顯著（P＜0.05）或極顯著（P＜0.01，下同）相關(guān)關(guān)系，其中，苗期在414~420、456~460、545~551nm波段呈極顯著正相關(guān)，其余波段不顯著；封行期在896~921nm波段呈極顯著正相關(guān)，在972~1074nm波段呈極顯著負(fù)相關(guān)；旺長期在329、998nm呈顯著相關(guān)，在1020~1044nm波段呈極顯著正相關(guān)；成熟期在445~457、852~868nm波段呈極顯著正相關(guān)，在904~915nm波段呈極顯著負(fù)相關(guān)?？梢?，封行期LNC與苧麻冠層一階導(dǎo)數(shù)光譜之間的相關(guān)關(guān)系最強(qiáng)（P＜0.01），其次為成熟期、旺長期、苗期。

在上述分析的基礎(chǔ)上，選取各生育時(shí)期與LNC極顯著相關(guān)的特征波長，用于構(gòu)建苧麻LNC估測模型。苧麻冠層一階導(dǎo)數(shù)光譜在苗期414~420、456~460、545~551nm波段存在一定差異，因此選取該波段范圍內(nèi)的3個(gè)拐點(diǎn)（414、459、550nm）作為特征波長，其中414nm特征波長與苧麻LNC相關(guān)性最高，相關(guān)系數(shù)為0.536；封行期篩選出的特征波長為913、996、1029、1070nm，其中996nm波長與苧麻LNC相關(guān)性最高，相關(guān)系數(shù)為-0.592；旺長期篩選出的特征波長為329、998、1021、1044nm，其中1044nm波長與苧麻LNC相關(guān)性最高，相關(guān)系數(shù)為-0.552。成熟期特征篩選的波長為413nm、456nm、866nm、908nm，其中908nm波長與苧麻LNC相關(guān)性最高，相關(guān)系數(shù)為-0.580。

圖3 不同生育時(shí)期苧麻LNC與冠層一階光譜之間的相關(guān)關(guān)系

2.2.2 基于冠層光譜的苧麻LNC估測模型構(gòu)建及驗(yàn)證

將篩選的苗期特征波長（414、459、550nm）、封行期特征波長（913、996、1029、1070nm）、旺長期特征波長（329、998、1021、1044nm）、成熟期特征波長（413、456、866、908nm）作為輸入變量，構(gòu)建基于一階導(dǎo)數(shù)光譜特征LNC的估測模型。表1為不同生育時(shí)期苧麻LNC估測模型精度評價(jià)結(jié)果，可以看出，在苗期PLSR建模效果最好，估測模型精度最高（R²=0.506，RMSE=0.695）；在封行期，RF的LNC估測模型精度最高（R²=0.694，RMSE=0.440）；同樣在旺長期，RF的LNC估測模型精度最好（R²=0.676，RMSE=0.382）；在成熟期，RF的LNC估測模型精度優(yōu)于SVM、PLSR，其中RF的LNC估測模型（R²=0.795，RMSE=0.608），PLSR的LNC估測模型（R²=0.617，RMSE=0.624），SVM的LNC估測模型（R²=0.778，RMSE=0.503）。通過比較發(fā)現(xiàn)，3種機(jī)器學(xué)習(xí)模型估測LNC的精度存在差異，雖然苗期以PLSR的LNC估測模型建模效果最優(yōu)，但RF模型的也較優(yōu)，而且封行期、旺長期和成熟期均以RF的LNC估測模型精度最高，因此，綜合來看，以RF構(gòu)建的LNC估測模型在苧麻4個(gè)生育時(shí)期的表現(xiàn)最佳。

表1 基于冠層光譜的不同生育時(shí)期苧麻LNC估測模型

2.3 基于葉片光譜的苧麻LNC估測

2.3.1 葉片光譜波段篩選

采用Pearson相關(guān)性分析方法探究不同生育時(shí)期苧麻LNC與葉片一階導(dǎo)數(shù)光譜之間的相關(guān)關(guān)系，從而篩選出可用于LNC估測的波段。結(jié)果（圖4）顯示，苧麻LNC與葉片一階導(dǎo)數(shù)光譜在多個(gè)生育時(shí)期都存在顯著或極顯著相關(guān)關(guān)系。其中，苗期在2036~2087nm波段范圍內(nèi)呈極顯著正相關(guān)，其余波段不顯著；封行期苧麻LNC與葉片一階導(dǎo)數(shù)光譜在480~490nm波段范圍內(nèi)呈極顯著負(fù)相關(guān)，在970~996、2067~2093nm波段范圍內(nèi)呈極顯著正相關(guān)；旺長期在全波段范圍內(nèi)均較低，在1012nm處相對較高；成熟期在1435~1458nm波段范圍內(nèi)呈極顯著正相關(guān)，在2285~2293nm波段范圍內(nèi)呈極顯著負(fù)相關(guān)。

基于上述分析，選取相關(guān)系數(shù)曲線中達(dá)到極顯著相關(guān)水平的波長作為特征波長，用于構(gòu)建葉片尺度的苧麻LNC估測模型：苗期選取2036~2087nm波段范圍內(nèi)的3個(gè)拐點(diǎn)（2061、2073、2077nm）作為特征波長，其中位于近紅外波段范圍內(nèi)的2061nm波長與LNC相關(guān)系數(shù)最高，達(dá)0.684；封行期篩選的特征波長為488、981、2084nm，其中488nm波長與苧麻LNC相關(guān)性最高，相關(guān)系數(shù)為-0.501；旺長期篩選的特征波長為354、399、427、1012nm，其中1012nm波長與苧麻LNC相關(guān)性最高，相關(guān)系數(shù)為0.401；成熟期篩選的特征波長為1449、1683、2292、2313nm，其中2292nm波長與苧麻LNC相關(guān)性最高，相關(guān)系數(shù)為-0.564。

圖4 不同生育時(shí)期苧麻LNC與葉片一階光譜之間的相關(guān)關(guān)系

2.3.2 基于葉片光譜波段的苧麻LNC模型構(gòu)建及驗(yàn)證

將篩選的苗期特征波長（414、459、550nm）、封行期特征波段（913、996、1029、1070nm）、封行期特征波段（329、998、1021、1044nm）、成熟期特征波段（413、456、866、908nm）作為輸入變量，構(gòu)建基于一階導(dǎo)數(shù)光譜特征的LNC估測模型。由表2可知，基于葉片特征光譜的苧麻LNC估測模型估測精度較高。在苗期，RF建模效果最好，模型精度最高，驗(yàn)證集的R²為0.622，RMSE為0.356；在封行期，也是RF的LNC估測模型精度最高，驗(yàn)證集的R²為0.656，RMSE為0.437；在旺長期，PLSR的LNC估測模型精度最好，驗(yàn)證集的R²和RMSE分別為0.670和0.470；在成熟期，RF的LNC估測模型精度優(yōu)于SVM、PLSR，驗(yàn)證集R²為0.606，RMSE為0.409。綜合來看，基于RF構(gòu)建的LNC估測模型在4個(gè)生育時(shí)期中表現(xiàn)較優(yōu)。

表2 基于葉片光譜的不同生育時(shí)期苧麻LNC估測模型

3 討論與結(jié)論

嚴(yán)文淦等^[28]對高產(chǎn)田每季纖用苧麻出苗-齊苗、齊苗-封行、封行-黑腳、黑腳-成熟四個(gè)營養(yǎng)生長階段的養(yǎng)分含量及吸收量進(jìn)行了研究，發(fā)現(xiàn)高產(chǎn)田三季麻各營養(yǎng)階段植株體內(nèi)養(yǎng)分含量和吸收量均不相同，表現(xiàn)為前期養(yǎng)分含量高，之后逐漸下降，但吸收量則以中、后期較高，吸氮高峰一般出現(xiàn)在封行黑腳期，此時(shí)期各季麻吸氮量達(dá)到總吸收量的26.9%~42.4%。本研究中不同施氮水平下苧麻LNC隨著施氮量的增加呈現(xiàn)先增加再降低趨勢，并在旺長期達(dá)到頂峰，隨后成熟期下降，說明麻株吸氮高峰出現(xiàn)在封行-旺長期，與前人研究結(jié)果一致。不同施氮水平間比較，頭麻、二麻苗期和旺長期的LNC均在N3-b處理下最大，封行期和成熟期均在CK處理（N3-a）下最大。

LNC是評估苧麻植株氮狀態(tài)的重要指標(biāo)，通過精準(zhǔn)、無損、高效、及時(shí)獲取田間苧麻LNC信息，既能有效合理地為苧麻生長提供肥料，又能最大限度地減少對周圍環(huán)境損害，實(shí)現(xiàn)苧麻產(chǎn)量和肥料利用效率最大化。利用高光譜傳感器獲取的高頻光譜信息被認(rèn)為是評估作物氮素營養(yǎng)狀況的定量指標(biāo)，通過構(gòu)建敏感波段或植被指數(shù)與特定作物參數(shù)之間的反演模型使快速檢索作物參數(shù)成為可能^[29]。

本研究采用Pearson相關(guān)性分析篩選與LNC顯著相關(guān)的特征波段，選用PLSR、SVM、RF3種機(jī)器學(xué)習(xí)算法，從葉片、冠層兩個(gè)尺度探討了利用光譜數(shù)據(jù)估測苧麻LNC的可行性及準(zhǔn)確性。通過比較所建模型在苧麻不同生育時(shí)期的表現(xiàn)發(fā)現(xiàn)，在基于冠層光譜波段構(gòu)建的苧麻LNC估測模型中，除苗期為PLSR建模效果最好（驗(yàn)證集R2為0.506，RMSE為0.695），封行期、旺長期、成熟期均為RF建模精度最高，驗(yàn)證集R2分別為0.694、0.676、0.795，RMSE分別為0.440、0.382、0.608；在基于葉片光譜波段構(gòu)建的苧麻LNC估測模型中，苗期、封行期、成熟期均以RF建立的模型估測精度最高，驗(yàn)證集R2分別為0.622、0.656、0.606，RMSE分別為0.356、0.437、0.409，而旺長期是PLSR建模效果最好，驗(yàn)證集R2和RMSE分別為0.670和0.470。綜合來看，RF模型在苧麻多個(gè)生育時(shí)期兩個(gè)尺度的LNC估測中表現(xiàn)穩(wěn)定且精度較優(yōu)，這也與顧晨等^[30]的研究結(jié)論相一致。

另外，兩個(gè)尺度間比較，基于冠層光譜波段構(gòu)建的苧麻LNC估測模型在成熟期精度最高（R²=0.795，RMSE=0.608），基于葉片光譜波段構(gòu)建的苧麻LNC估測模型在旺長期精度最高（R²=0.670，RMSE=0.470），但冠層尺度的光譜測定更便利，在苧麻LNC估測方面具有優(yōu)勢。

綜上，基于冠層光譜數(shù)據(jù)構(gòu)建的RF模型更適用于苧麻LNC的估測，可推廣性較高。但本研究只是基于田間試驗(yàn)開展苧麻冠層和葉片尺度的氮素營養(yǎng)診斷研究，單一平臺獲取的作物信息較為有限，在光譜分辨率、時(shí)間分辨率和空間分辨率等方面很難全面兼顧，應(yīng)用性還需進(jìn)一步考證，今后可以利用無人機(jī)和衛(wèi)星遙感數(shù)據(jù)對研究結(jié)果進(jìn)一步驗(yàn)證。

參考文獻(xiàn)

[1] 李宗道.麻作的理論與技術(shù)[M]. 上海：上?？茖W(xué)技術(shù)出版社，1980.

[2] 成雄偉. 我國苧麻紡織工業(yè)歷史現(xiàn)狀及發(fā)展[J]. 中國麻業(yè)科學(xué)，2007(增刊)：77-85.

[3] Lin C C，Yen M H，Lo T S，et al. The antiinflammatory and liver protective effects of Boehmeria nivea and B. nivea subsp. nippononivea in rats[J]. Phytomedicine，1997，4(4)：301-308.

[4] Lin C C，Yen M H，Lo T S，et al. Evaluation of the hepatoprotective and antioxidant activity of Boehmeria nivea var. nivea and B. nivea var. tenacissima[J]. Journal of Ethnopharmacology，1998， 60(1)：9-17.

[5] Huang K L，Lai Y K，Lin C C，et al. Inhibition of hepatitis B virus production by Boehmeria nivea root extract in HepG2 2. 2. 15 cells[J]. World Journal of Gastroenterology，2006，12(35)：5721-5725.

[6] Jin C H, Maekawa M. Evaluating an enzyme treatment of ramie fabrics[J]. Textile Research Journal,  2001, 71(9): 779-782.

[7] de Toledo G S P，da Silva L P，de Quadros A R B，et al. Productive performance of rabbits fed with diets containing ramie (Boehmeria nivea) hay in substitution to alfalfa (Medicago sativa) hay[C]//9th World Rabbit Congress, June 10-13, 2008, Verona, Italy. 2008：827-830.

[8] Li E K，Zhao J B，Liu L，et al. Digestible energy and metabolizable energy contents of konjac flour residues and ramie in growing pigs[J]. Animal Nutrition，2018，4(2)：228-233.

[9] 陳保鋒，陳建華，母波，等. 苧麻藥用研究進(jìn)展[J]. 中國麻業(yè)科學(xué)，2016，38(5)：237-241.

[10]Wang Q，Muzammal R，Peng D X，et al. Antioxidant capacity and α-glucosidase inhibitory activity of leaf extracts from ten ramie cultivars[J]. Industrial Crops and Products，2018，122：430-437.

[11]張澤，馬露露，洪帥，等. 滴灌棉田植株氮營養(yǎng)指數(shù)的高光譜診斷研究[J].棉花學(xué)報(bào)，2020，32(5)：392-403.

[12]白雪嬌. 冬小麥氮素營養(yǎng)及其冠層生物理化參量高光譜遙感監(jiān)測[D]. 楊凌：西北農(nóng)林科技大學(xué)，2013.

[13]付虹雨，王薇，岳云開，等. 基于數(shù)據(jù)融合和機(jī)器學(xué)習(xí)的多年生苧麻產(chǎn)量估測[J]. 山東農(nóng)業(yè)科學(xué)， 2023，55(10)：158-166.

[14]岳云開，陳建福，趙亮，等. 基于無人機(jī)多光譜遙感的苧麻葉綠素含量反演[J]. 山東農(nóng)業(yè)科學(xué)，2023，55(7)：152-158.

[15]王仁紅，宋曉宇，李振海，等. 基于高光譜的冬小麥氮素營養(yǎng)指數(shù)估測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(19)：191-198.

[16]張?bào)憷?，劉飛，聶鵬程，等. 高光譜成像技術(shù)的油菜葉片氮含量及分布快速檢測[J]. 光譜學(xué)與光譜分析，2014，34(9)：2513-2518.

[17]Inoue Y，Penuelas J. An AOTF-based hyperspectral imaging system for field use in eco-physiological and agricultural applications[J]. International Journal of Remote Sensing，2001，22(18)：3883-3888.

[18]梁亮，楊敏華，鄧凱東，等. 一種估測小麥冠層氮含量的新高光譜指數(shù)[J].生態(tài)學(xué)報(bào)，2011，31(21)：6594-6605.

[19]姚霞，田永超，劉小軍，等. 不同算法紅邊位置監(jiān)測小麥冠層氮素營養(yǎng)指標(biāo)的比較[J]. 中國農(nóng)業(yè)科學(xué)，2010，43(13)：2661-2667.

[20]薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等. 基于冠層反射光譜的水稻群體葉片氮素狀況監(jiān)測[J]. 中國農(nóng)業(yè)科學(xué)，2003，36(7)：807-812.

[21]楊天成. 基于葉片和冠層光譜的小麥鉀素營養(yǎng)監(jiān)測研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2020.

[22]董淼. 蘋果葉片和冠層葉綠素含量高光譜估算模型[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2018.

[23]Zhu W X，Sun Z G，Yang T，et al. Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales[J]. Computers and Electronics in Agriculture，2020，178： 105786.

[24]李棟. 基于連續(xù)小波分析的小麥生長指標(biāo)光譜監(jiān)測研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2016.

[25]田明璐. 西北地區(qū)冬小麥生長狀況高光譜遙感監(jiān)測研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2017.

[26]丁雅. 棗葉片和冠層營養(yǎng)元素含量高光譜估測模型[D]. 烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2018.

[27]羅丹. 基于高光譜遙感的冬小麥氮素營養(yǎng)指標(biāo)監(jiān)測研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2017.

[28]嚴(yán)文淦，王敏裳，等. 高產(chǎn)苧麻吸肥規(guī)律與土壤營養(yǎng)條件的研究[J]. 土壤肥料，1983 (5)：24-26.

[29]黃亮平. 高光譜遙感在農(nóng)作物生長監(jiān)測的應(yīng)用研究進(jìn)展[J]. 農(nóng)村經(jīng)濟(jì)與科技，2019，30(5)：42-44.

[30]顧晨. 基于機(jī)器學(xué)習(xí)的小麥 SPAD 值與水稻產(chǎn)量測報(bào)方法研究[D]. 揚(yáng)州：揚(yáng)州大學(xué)，2023.

文章摘自：陳建福,岳云開,付虹雨,等.基于多尺度高光譜技術(shù)的苧麻葉片氮含量估測[J/OL].山東農(nóng)業(yè)科學(xué),1-11[2025-02-10].