全 文 ：应用近红外光谱法估测小麦叶片糖氮比∗
姚　 霞　 王　 雪　 黄　 宇　 汤守鹏　 田永超　 曹卫星　 朱　 艳∗∗
（南京农业大学江苏省信息农业高技术研究重点实验室， 南京 ２１００９５）
摘　 要　 糖氮比能够反映作物碳氮代谢的协调程度，及时、准确地监测糖氮比对于作物氮素
营养诊断和调控具有重要意义．本研究以不同年份、品种、施氮水平的小麦大田试验为基础，
获取鲜叶和粉末状干叶近红外（ＮＩＲ）光谱及糖氮比信息，分别运用偏最小二乘法（ｐａｒｔｉａｌ ｌｅａｓｔ
ｓｑｕａｒｅｓ， ＰＬＳ）、ＢＰ 神经网络（ｂａｃｋ⁃ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ＢＰＮＮ）和小波神经网络（ｗａｖｅ⁃
ｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ， ＷＮＮ）３种方法建立了小麦叶片糖氮比预测模型，并利用随机选择的样品
集对所建模型进行测试和检验．结果表明： 小麦鲜叶光谱模型预测性能不佳；而干叶片预测模
型表现了较好的准确性，在 １６５５～２３７８ ｎｍ谱区范围内基于 ３ 种方法构建的干叶粉末糖氮比
估算模型，其预测均方根误差均低于 ０．３％，决定系数均高于 ０．９．比较而言，ＷＮＮ法表现最佳．
总体显示，近红外光谱法可以准确预测小麦叶片糖氮比状况，为科学诊断糖氮比提供了理论
基础和技术途径．
关键词　 近红外光谱； 糖氮比； 偏最小二乘法； ＢＰ 神经网络； 小波神经网络
文章编号　 １００１－９３３２（２０１５）０８－２３７１－０８　 中图分类号　 Ｏ４３３．４； Ｓ５１２．１　 文献标识码　 Ａ
Ｅｓｔｉｍａｔｉｏｎ ｏｆ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ ｉｎ ｗｈｅａｔ ｌｅａｖｅｓ ｗｉｔｈ ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｍｅｔｒｙ． ＹＡＯ
Ｘｉａ， ＷＡＮＧ Ｘｕｅ， ＨＵＡＮＧ Ｙｕ， ＴＡＮＧ Ｓｈｏｕ⁃ｐｅｎｇ， ＴＩＡＮ Ｙｏｎｇ⁃ｃｈａｏ， ＣＡＯ Ｗｅｉ⁃ｘｉｎｇ， ＺＨＵ Ｙａｎ
（Ｊｉａｎｇｓｕ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ａｇｒｉｃｕｌｔｕｒｅ， Ｎａｎｊｉｎｇ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｎａｎｊｉｎｇ
２１００９５， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ． Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（８）： ２３７１－２３７８．
Ａｂｓｔｒａｃｔ： Ｔｈｅ ｓｏｌｕｂｌｅ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ ｒｅｆｌｅｃｔｓ ｔｈｅ ｃｏｏｒｄｉｎａｔｉｏｎ ｄｅｇｒｅｅ ｏｆ ｃａｒｂｏｎ （Ｃ） ａｎｄ ｎｉ⁃
ｔｒｏｇｅｎ （Ｎ） ｍｅｔａｂｏｌｉｓｍ． Ｐｒｅｃｉｓｅ ａｎｄ ｒｅａｌ⁃ｔｉｍｅ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｓｏｌｕｂｌｅ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ ｉｓ ｏｆ ｓｉｇ⁃
ｎｉｆｉｃａｎｔ ｉｍｐｏｒｔａｎｃｅ ｆｏｒ ｎｉｔｒｏｇｅｎ ｄｉａｇｎｏｓｉｓ ａｎｄ ｍａｎａｇｅｍｅｎｔ ｒｅｇｕｌａｔｉｏｎ ｉｎ ｗｈｅａｔ ｐｒｏｄｕｃｔｉｏｎ． Ｉｎ ｔｈｉｓ
ｓｔｕｄｙ， ｔｉｍｅ⁃ｃｏｕｒｓｅ ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ ｓｏｌｕｂｌｅ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ ｏｆ ｆｒｅｓｈ ａｎｄ ｄｒｙ
ｌｅａｖｅｓ ｗｅｒｅ ｏｂｔａｉｎｅｄ ｕｎｄｅｒ ｄｉｆｆｅｒｅｎｔ ｆｉｅｌｄ ｅｘｐｅｒｉｍｅｎｔｓ ｗｉｔｈ ｖａｒｉｅｄ ｙｅａｒｓ ａｎｄ ｃｕｌｔｉｖａｒ ａｎｄ Ｎ ｒａｔｅｓ．
Ｔｈｅ ｍｅｔｈｏｄｓ ｏｆ ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ （ＰＬＳ）， ｂａｃｋ⁃ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ （ＢＰＮＮ） ａｎｄ ｗａｖｅｌｅｔ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ （ＷＮＮ） ｗｅｒｅ ｕｓｅｄ ｔｏ ｄｅｖｅｌｏｐ ｔｈｅ ｃａｌｉｂｒａｔｉｏｎ ｍｏｄｅｌｓ ｗｉｔｈ ｔｈｅ ｐｒｅｐｒｏｃｅｓｓｅｄ ｓｐｅｃｔｒａ，
ｒｅｓｐｅｃｔｉｖｅｌｙ， ａｎｄ ｔｈｅ ｄａｔａｓｅｔ ｓｅｌｅｃｔｅｄ ｒａｎｄｏｍｌｙ ｗａｓ ｕｓｅｄ ｔｏ ｅｖａｌｕａｔｅ ｔｈｅ ｃｏｎｓｔｒｕｃｔｅｄ ｍｏｄｅｌｓ． Ｔｈｅ
ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆ ｔｈｅ ｍｏｄｅｌｓ ｆｏｒ ｆｒｅｓｈ⁃ｌｅａｖｅｓ ｗａｓ ｎｏｔ ｓａｔｉｓｆｉｅｄ， ｂｕｔ ｇｏｏｄ ｆｏｒ
ｄｒｙ⁃ｌｅａｖｅｓ ｗｉｔｈ ｔｈｅ ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒｓ ｏｆ ｐｒｅｄｉｃｔｉｏｎ （ＲＭＳＥＰ） ｂｙ ＰＬＳ， ＢＰＮＮ ａｎｄ ＷＮＮ
ｍｏｄｅｌｓ ｂａｓｅｄ ｏｎ １６５５－２３７８ ｎｍ ｌｅｓｓ ｔｈａｎ ０．３％ ａｎｄ ｗｉｔｈ ｔｈｅ ｃｏｅｆｆｉｃｉｅｎｔｓ ｏｆ ｄｅｔｅｒｍｉｎａｔｉｏｎ （Ｒ２）
ｏｖｅｒ ｔｈａｎ ０．９， ｒｅｓｐｅｃｔｉｖｅｌｙ． Ｉｎ ｃｏｍｐａｒｉｓｏｎ， ｔｈｅ ｍｏｄｅｌ ｂａｓｅｄ ｏｎ ＷＮＮ ｗａｓ ｔｈｅ ｂｅｓｔ ｏｎｅ． Ａｌｌ ｔｈｅｓｅ
ｉｎｄｉｃａｔｅｄ ｔｈａｔ ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｍｅｔｒｙ ｃｏｕｌｄ ｂｅ ａｐｐｌｉｅｄ ｔｏ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｓｏｌｕｂｌｅ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ
ｒａｔｉｏ ｉｎ ｐｌａｎｔ． Ｔｈｅ ｒｅｓｕｌｔｓ ｐｒｏｖｉｄｅｄ ｔｈｅ ｔｈｅｏｒｅｔｉｃａｌ ｂａｓｉｓ ａｎｄ ｔｅｃｈｎｏｌｏｇｉｃａｌ ａｐｐｒｏａｃｈ ｆｏｒ ｄｉａｇｎｏｓｉｎｇ
ｃｒｏｐ Ｃ ／ Ｎ．
Ｋｅｙ ｗｏｒｄｓ： ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ； ｓｏｌｕｂｌｅ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ； ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ； ｂａｃｋ⁃
ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．
∗国家自然科学基金项目（３１２０１１３０，３１２０１１３１）、公益性行业（农业）科研专项（２０１３０３１０９）、江苏省自然科学基金项目（ＢＫ２０１４１３７１）、江苏省
现代作物生产协同创新中心项目（ ＪＣＩＣＭＣＰ）、江苏省高校优势学科建设项目 （ ＰＡＰＤ）和中央高校基本科研业务费项目 （ ＫＹＺ２０１２０２，
ＫＹＲＣ２０１４０１）资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｙａｎｚｈｕ＠ ｎｊａｕ．ｅｄｕ．ｃｎ
２０１４⁃０８⁃２８收稿，２０１５⁃０３⁃１６接受．
应 用 生 态 学 报　 ２０１５年 ８月　 第 ２６卷　 第 ８期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ａｕｇ． ２０１５， ２６（８）： ２３７１－２３７８
　 　 碳氮代谢是作物正常生长发育的物质基础．植
株的碳氮含量及碳氮比是反映植株体内碳氮代谢状
况的指标．植物碳氮比不仅体现植物的氮素利用效
率，而且能调节枯枝落叶的分解速率，对植物生长、
碳氮循环的研究具有重要作用［１］ ．植株体内总碳含
量相对稳定地维持在 ４５％左右，而可溶性糖含量对
水分及养分状况反映更敏感，因此采用可溶性糖与
全氮的比值能够比单一的糖或氮更好地反映植株生
长状况；而传统的测定糖和氮的方法耗时费力，具有
极大的局限性．近年来，近红外光谱技术的快速发
展，为精确获取作物长势、生理参数和品质信息提
供了有效的手段和方法［２－６］ ．近红外 （ ｎｅａｒ ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｍｅｔｒｙ，ＮＩＲ）为光谱波长范围约 ７８０ ～ ２５２６ ｎｍ
的电磁波，该谱区主要是含氢基团（Ｃ⁃Ｈ、Ｏ⁃Ｈ、Ｎ⁃Ｈ
等）的倍频与合频信息，这些基团吸收频率的特征
性强，适合做定量分析［７］ ．
目前，关于利用近红外光谱对植物组织中氮素
的定量估测较多［７－１１］，而对糖氮比的研究较少，且主
要集中在对总碳、木质素、纤维素、面筋、蛋白质、韧
性等单个指标的研究［１２－２０］ ． Ｂａｔｔｅｎ 等［２］、 ＭｃＧｒａｔｈ
等［３］应用近红外光谱技术测定小麦和水稻组织中
果寡糖和非结构性碳水化合物的含量，并以此监测
作物长势和营养状况．Ｇｉｌｌｏｎ 等［２０］用近红外光谱法
准确地测定了几种植物的总碳和总氮含量．施润和
等［２１－２２］证实了植物叶片碳氮比光谱估测的可行性；
并以（纤维素＋木质素） ／蛋白质代表碳氮比，深入研
究了碳氮比各组成物质浓度差异在 ２０３０ ～ ２２２０ ｎｍ
区间内光谱响应的物理机制．另外，部分学者还利用
冠层光谱对水稻和小麦等作物的碳氮比进行研究，
均取得了可喜的进展［２３－２６］ ．综观已有研究，目前关
于应用近红外光谱预测作物碳氮比是可行的，但对
于糖氮比的预测研究在国内外报道较少，有必要进
行进一步的研究和探讨．
本文拟以不同年份、品种、施氮水平的小麦田
间试验为基础，运用偏最小二乘法 （ ｐａｒｔｉａｌ ｌｅａｓｔ
ｓｑｕａｒｅｓ，ＰＬＳ）、ＢＰ 神经网络（ｂａｃｋ⁃ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ，ＢＰＮＮ）和小波神经网络（ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔ⁃
ｗｏｒｋ，ＷＮＮ）建立小麦叶片糖氮比近红外预测模型，
同时比较不同光谱预处理方法对模型精确性和稳定
性的影响，确定基于近红外光谱估测小麦叶片糖氮
比的最佳方法和模型，以期为利用近红外光谱法预
测作物碳氮代谢参数提供理论依据和技术支持．
１　 材料与方法
１􀆰 １　 试验设计
本文共进行 ３ 个不同的田间试验，具体设计方
案如下：
试验 １（ＥＸＰ．１）：２００６—２００７ 年在江苏省南京
市农林局试验站（３１°５６′ Ｎ，１１８°５９′ Ｅ）进行．供试品
种为宁麦 ９ 号和豫麦 ３４ 号，设 ４ 个施氮水平，分别
为 ０、９０、１８０和 ２７０ ｋｇ·ｈｍ－２纯氮．土壤有机质含量
１．０％、全氮含量 ０．１％、速效磷含量 ４０．２９ ｍｇ·ｋｇ－１、
速效钾含量 １００．２７ ｍｇ·ｋｇ－１，前茬为水稻．试验设两
因素随机区组排列，３次重复，小区面积约 ２３ ｍ２，基
本苗 １．５ × １０６ 株·ｈｍ－２，行距 ２５ ｃｍ．氮肥基追比
２ ∶ １ ∶ １，追肥时期为拔节期和孕穗期．各处理配施
１０５ ｋｇ Ｐ ２Ｏ５·ｈｍ
－２和 ８０ ｋｇ ＫＣｌ·ｈｍ－２，全部用作基
肥．其他管理措施同高产小麦田．
试验 ２（ＥＸＰ．２）：２００７—２００８ 年在南京农业大
学江浦试验站（３２°０２′ Ｎ，１１８°３７′ Ｅ）进行．供试品种
为宁麦 ９ 号，设 ４ 个施氮水平，分别为 ０、９０、１８０ 和
２７０ ｋｇ·ｈｍ－２纯氮．土壤有机质含量 ２．０％，全氮含量
０．１％，速效磷含量 １３． ４１ ｍｇ·ｋｇ－１，速效钾含量
４８􀆰 ８６ ｍｇ·ｋｇ－１，前茬为玉米．试验设两因素随机区
组排列，３ 次重复，小区面积约为 １６ ｍ２，基本苗
１．５×１０６ 株·ｈｍ－２，行距 ２５ ｃｍ．氮肥基追比 １ ∶ １，追
肥时期为拔节期．各处理配施 １５０ ｋｇ Ｐ ２Ｏ５·ｈｍ
－２和
１５０ ｋｇ Ｋ２Ｏ·ｈｍ
－２，全部用作基肥．其他管理措施同
高产小麦田．
试验 ３（ＥＸＰ．３）：２００７—２００８ 年在南京农业大
学江浦试验站进行．供试品种为矮抗 ５８ 号、宁麦 ９
号、淮麦 １７ 号和扬麦 １２ 号，设 ３ 个施氮水平，分别
为 ７５、１５０ 和 ２２５ ｋｇ·ｈｍ－２纯氮．土壤有机质含量
０􀆰 ６％、全氮含量 ０．１％、速效磷含量 １３．９４ ｍｇ·ｋｇ－１、
速效钾含量 １５１ ｍｇ·ｋｇ－１，前茬为玉米．试验为两因
素随机区组排列，３次重复，小区面积约为 １８ ｍ２，基
本苗 １．６５×１０６ 株·ｈｍ－２，行距 ２５ ｃｍ．氮肥基追比为
１ ∶ １，７５ 和 ２２５ ｋｇ·ｈｍ－２追肥时期为拔节期，１５０
ｋｇ·ｈｍ－２追肥时期分为拔节期和孕穗期．各处理配
施 １２０ ｋｇ Ｐ ２Ｏ５·ｈｍ
－２和 １３５ ｋｇ Ｋ２Ｏ·ｈｍ
－２，全部用
作基肥．其他管理措施同高产小麦田．
１􀆰 ２　 测定方法
１􀆰 ２􀆰 １ 光谱数据采集　 在小麦的关键生育时期（拔
节、孕穗、开花、灌浆初期、灌浆中期和成熟期），于 ３
个试验小区取上部 ３张完全展开叶，即顶 １ 叶、顶 ２
叶、顶 ３叶，用于鲜叶光谱测定，每个处理每个叶位
２７３２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
测 ９张代表性叶片．与鲜叶光谱测试同步，于拔节期
每小区取有代表性小麦 ２０ 株，至孕穗后取 ５０ 个单
茎，将叶片按叶位分离，１０５ ℃下杀青并在 ８０ ℃下
烘干后粉碎，过 ４０ 目筛，用自封袋密封后置于干燥
器中，用于可溶性糖和全氮测定和叶片粉末光谱
测定．
小麦鲜叶光谱采集用 Ｔｈｅｒｍｏ Ｎｉｃｏｌｅｔ ５７００ ＦＴ⁃
ＩＲ近红外光谱（自带 ＩｎＧａＡｓ检测器的漫反射附件、
ＯＭＮＩＣ ７．２集成软件）．光谱采集前，先在室温下开
机预热约 １ ｈ，将叶片中部对准样品台的通光孔，然
后用镀金内壁紧压后进行扫描，每次操作前均采集
背景光谱．扫描范围 １１００～２５００ ｎｍ，分辨率 １ ｎｍ，每
次光谱数据采集均扫描 ６４次，每张叶片重复采集光
谱 ３次，取平均值代表该处理样品的光谱，并以吸光
度的形式存储于计算机中．
叶片粉末光谱采集是将过筛样品装入内径 ２．５
ｃｍ、高 ５ ｃｍ的专用石英杯，容量约 １ ／ ３，并用专用砝
码压紧，置于样品台扫描，每份样品重复采集光谱 ９
次，取平均值代表该粉末样品光谱，其他光谱采集参
数同鲜叶光谱．
为描述方便，记鲜叶为Ⅰ，粉末状干叶为Ⅱ．
１􀆰 ２􀆰 ２糖氮比测定　 叶片可溶性总糖含量（％）采用
蒽酮比色法测定．每份样品每个指标重复测定 ３ 次，
取平均值作为该样品总糖含量．
叶片全氮含量（％）采用凯氏微量定氮法测定，
每份样品重复测定 ３ 次，取平均值作为该样品全氮
含量．
叶片可溶性总糖含量与全氮含量的比值为糖
氮比．
１􀆰 ３　 数据处理
运用马氏距离法［２４］剔除奇异样品后，对叶片光
谱进行预处理，然后采用偏最小二乘法（ＰＬＳ）进行
建模，得到 ＰＬＳ模型；同时，将 ＰＬＳ 压缩后的主成分
作为反向传播神经网络（ＢＰＮＮ）和小波神经网络
（ＷＮＮ）的输入节点，叶片糖氮比作为输出节点，训
练后得到网络模型． ＰＬＳ、ＢＰＮＮ 和 ＷＮＮ 算法利用
Ｍａｔｌａｂ ７．０软件编程实现．
１􀆰 ３􀆰 １ 样品集的划分　 为了减少偶然误差、提高模型
精度，首先运用马氏距离法［２４］从采集到鲜叶和干叶
的粉末各 １８０份样品中分别剔除 ５份奇异样品，剩下
１７５份样品，再从中随机取 １４０份样品作为模型校正
集，其余 ３５份作为模型检验集，划分比为 ４ ∶ １．
１􀆰 ３􀆰 ２光谱预处理　 本研究将近红外光谱仪自带的
ＴＱ Ａｎａｌｙｓｔ ７． ０ 软件中的多元散射校正 （ＭＳＣ）、
Ｓａｖｉｔｚｋｙ⁃Ｇｏｌａｙ平滑与导数和 Ｎｏｒｒｉｓ导数滤波 ３ 种光
谱预处理方法组合起来对原始的光谱数据进行预处
理，并采用校正均方根误差（ＲＭＳＥＣ）及其决定系数
（ＲＣ ２）和“剔一法”交互验证均方根误差（ＲＭＳＥＣＶ）
及其决定系数 （ＲＣＶ２ ）来选择最优的光谱预处理
方法．
１􀆰 ３􀆰 ３定量校正方法 　 近红外光谱吸收谱峰较弱，
谱带严重重叠，属于弱信号，所以必须借助化学计量
学方法和计算机技术才能进行定量校正．常见的校
正方法有多元线性回归、主成分回归和偏最小二乘
法，其中，偏最小二乘法应用最为广泛．但以上方法
都是线性校正方法，而实际上，近红外光谱和组分之
间可能存在非线性关系．人工神经网络（ＡＮＮ）可以
解决连续非线性函数的逼近问题，其中，反向传播神
经网络（ＢＰＮＮ）是采用最多也是最成熟的网络之一．
但是，考虑到 ＢＰＮＮ 可能存在易陷于局部最小和收
敛速度慢等弱点，本研究尝试把小波神经网络
（ＷＮＮ）引入近红外光谱的定量分析中．因此，分别
采用 ＰＬＳ、ＢＰＮＮ和 ＷＮＮ方法对小麦样品近红外光
谱与糖氮含量比之间的关系进行了建模．
１􀆰 ４　 模型的优化与评价
为保证模型的整体性能，本研究通过“剔一法”
得到的 ＲＭＳＥＣＶ来优化建模参数；而模型的预测性
能，则通过预测均方根误差（ＲＭＳＥＰ ）和决定系数
（Ｒ２）来评价．
ＲＭＳＥＣＶ ＝
∑
Ｍ
ｉ ＝ １
（Ｏｉ － Ｐ ｉ） ２
Ｍ － １
ＲＭＳＥＰ ＝
∑
Ｎ
ｉ ＝ １
（Ｏｉ － Ｐ ｉ） ２
Ｎ
式中：Ｍ、Ｎ分别表示用于建模和检验的样品数；Ｏｉ、
Ｐ ｉ分别为样品 ｉ化学组分的观测值和预测值．
２　 结果与分析
２􀆰 １　 小麦叶片糖氮比的统计分析
由表 １ 可以看出，校正集和检验集小麦叶片糖
氮比的变幅分别为 ０．３％ ～ ５．９％和 ０．４％ ～ ５．４％，变
异系数均＞４２．３％，显示出样品具有较好的代表性．
２􀆰 ２　 小麦叶片近红外光谱
通过小麦鲜叶和干样粉末原始吸光度图谱和经
过预处理后的图谱（图 １）可以看出，吸光度图谱表
现为明显的水分和生化组分的吸收峰和谷．其中，鲜
叶的吸光度图谱的峰和谷更明显，主要原因为小麦
３７３２８期　 　 　 　 　 　 　 　 　 　 　 　 　 　 姚　 霞等： 应用近红外光谱法估测小麦叶片糖氮比　 　 　 　 　 　
表 １　 校正集和检验集小麦叶片糖氮比统计参数
Ｔａｂｌｅ １　 Ｓｔａｔｉｓｔｉｃａｌ ｐａｒａｍｅｔｅｒｓ ｏｆ ｃａｌｉｂｒａｔｉｏｎ ａｎｄ ｖａｌｉｄａｔｉｏｎ ｓｅｔｓ ｆｏｒ ｔｈｅ ｒａｔｉｏ ｏｆ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｉｎ ｗｈｅａｔ ｌｅａｖｅｓ
项目
Ｉｔｅｍ
样品数
Ｎｕｍｂｅｒ ｏｆ
ｓａｍｐｌｅｓ
最小值
Ｍｉｎｉｍｕｍ ｖａｌｕｅ
（％）
最大值
Ｍａｘｉｍｕｍ ｖａｌｕｅ
（％）
平均值
Ｍｅａｎ ｖａｌｕｅ
（％）
标准差
Ｓｔａｎｄａｒｄ ｄｅｖｉａｔｉｏｎ
（％）
变异系数
Ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ
ｖａｒｉａｔｉｏｎ （％）
校正集 Ｃａｌｉｂｒａｔｉｏｎ ｓｅｔ １４０ ０．３ ５．９ ２．４ １．０ ４２．３
检验集 Ｖａｌｉｄａｔｉｏｎ ｓｅｔ ３５ ０．４ ５．４ ２．４ １．１ ４６．６
图 １　 小麦鲜叶、干叶原始吸光度图谱（Ａ）和经过预处理后的图谱（Ｂ）
Ｆｉｇ．１　 Ｏｒｉｇｉｎａｌ ｎｅａｒ ｉｎｆｒａｒｅｄ ａｂｓｏｒｂａｎｃｅ ｓｐｅｃｔｒａ （Ａ） ａｎｄ ｓｐｅｃｔｒａ ａｆｔｅｒ ｐｒｅｐｒｏｃｅｓｓｉｎｇ （Ｂ） ｆｏｒ ｗｈｅａｔ ｆｒｅｓｈ ａｎｄ ｄｒｙ ｌｅａｖｅｓ．
ａ） 鲜叶 Ｆｒｅｓｈ ｌｅａｆ； ｂ） 干叶 Ｄｒｙ ｌｅａｆ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
叶片中的水分在 １４６０和 １９５０ ｎｍ有较强的吸收，并
有向两侧延展的吸收翼的特征．小麦干叶粉末的吸
光度图谱体现了化学物质中的吸收峰和谷，主要原
因可能为小麦叶片糖、氮物质中的 Ｎ⁃Ｈ、Ｃ⁃Ｈ及羟基
的振动．
２􀆰 ３　 光谱预处理方法的选择
分别采用 ＭＳＣ、 Ｓａｖｉｔｚｋｙ⁃Ｇｏｌａｙ 平滑与导数和
Ｎｏｒｒｉｓ导数滤波 ３ 种光谱预处理方法对原始的光谱
数据进行预处理．结合物质吸收以及光谱与糖氮含
量的相关性程度，利用 ＴＱ Ａｎａｌｙｓｔ ７．０软件中的自动
优化功能，筛选建模的最佳光谱预处理方法、谱区范
围和主成分数．ＴＱ 软件显示，对于鲜叶光谱，ＭＳＣ＋
Ｓａｖｉｔｚｋｙ⁃Ｇｏｌａｙ二阶导数效果最好，建模光谱范围为
１７２５～１８７４ 和 １９９４ ～ ２４３２ ｎｍ，最佳主成分数为 ５；
对于干叶光谱，采用 ＭＳＣ＋Ｎｏｒｒｉｓ一阶导数处理后的
光谱校正效果最好，建模光谱范围为 １６５５ ～ ２３７８
ｎｍ，最佳主成分数为 ６．图 １ 为 １１００ ～ ２５００ ｎｍ 范围
原始光谱和处理后的效果．
２􀆰 ４　 神经网络结构和参数的确定
２􀆰 ４􀆰 １网络结构的设计　 本研究中的 ２ 种神经网络
都采用常见的 ３ 层结构：输入层、隐层和输出层．与
建立各种数学模型一样，正确获取输入变量是建立
神经网络模型的最关键一步．选择输入变量的基本
原则是尽量做到“少而精”．“少”是尽量减少样本各
变量的相关性；“精”是尽量保持原始信息［２６］ ．研究
表明，如果将 ＰＬＳ 压缩后的主成分作为网络输入节
点，既可以保证输入数据的高精度，又可以大大加快
网络收敛速度［２６］ ．因此，本研究将 ＰＬＳ 主成分输入
神经网络，即鲜叶和干叶网络输入层节点数可分别
确定为 ５和 ６，依次对应于各主成分；输出层节点数
为 １，即为叶片糖氮比．这样，网络结构设计实际上就
是确定隐层节点数 ｈ．小波神经网络的隐层节点数
就是小波基函数的个数［２７－２８］ ．我们尝试取不同的 ｈ
（ｈ≤１０）来进行建模，并把 ＲＭＳＥＣＶ最小时的隐层节
点数确定为最佳隐层节点数．从图 ２ 可以看出，鲜叶
ＢＰＮＮ和 ＷＮＮ 中的最佳隐层节点数分别为 ８ 和 ５，
干叶中分别为 ７和 ４．因此，对于鲜叶 ＢＰＮＮ和 ＷＮＮ
的结构形式分别为 ５⁃８⁃１和 ５⁃５⁃１，干叶分别为 ６⁃７⁃１
和 ６⁃４⁃１（输入节点数⁃隐层节点数⁃输出节点数）．
２􀆰 ４􀆰 ２网络参数的确定　 神经网络参数直接关系模
４７３２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
图 ２　 交互验证均方根误差（ＲＭＳＥＣＶ）随隐层节点数的变化
Ｆｉｇ．２　 Ｃｈａｎｇｅｓ ｏｆ ＲＭＳＥＣＶ ｗｉｔｈ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｎｅｕｒｏｎｓ ｉｎ ｈｉｄ⁃
ｄｅｎ ｌａｙｅｒ．
ＢＰＮＮ： ＢＰ 神经网络 Ｂａｃｋ⁃ｐｒｏｐａｇａｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ； ＷＮＮ： 小波神
经网络法 Ｗａｖｅｌｅｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ． 下同 Ｔｈｅ ｓａｍｅ ｂｅｌｏｗ．
型的预测性能．为了不失一般性，小波神经网络的隐
层小波基函数采用 Ｍｏｒｌｅｔ函数［２９－３１］，该函数时频域
分辨率较高；ＢＰＮＮ 隐层传递函数和输出层函数分
别采用 Ｔａｎｓｉｇ函数和 Ｐｕｒｅｌｉｎ函数，综合考虑网络稳
定性和训练时间，将学习速率都设为 ０．０１，网络优
化算法选择 Ｌｅｖｅｖｂｅｒｇ⁃Ｍａｒｑｕａｒｄｔ 算法，最大训练次
数都为 １０００，网络模型期望误差分别为 ０􀆰 ００３ 和
０􀆰 ００１，其他参数由 Ｍａｔｌａｂ程序随机设置．
２􀆰 ５　 校正模型的构建与评价
光谱经过预处理并确定了网络建模参数后，分
别运用 ＰＬＳ、ＢＰＮＮ和 ＷＮＮ方法对 ＮＩＲ光谱与糖氮
比进行建模，建模数据集为随机选择出来的 １４０ 份
样品．
为了检验叶片糖氮比模型的可靠性，随机取鲜
叶和干叶各 ３５份样品分别对模型进行了测试，采用
ＲＭＳＥＰ和 Ｒ２综合评价模型性能（图 ３）．
　 　 由图 ３可以看出，小麦干叶 ＰＬＳ、ＢＰＮＮ和ＷＮＮ
模型的 ＲＭＳＥＰ和 Ｒ２分别为 ０． ３％和 ０． ８５、０． ３％和
０􀆰 ８７，和 ０．３％和 ０􀆰 ８７．显示出 ３ 种模型对干叶的预
测性能均较好，其中，基于神经网络ＢＰＮＮ模拟的
图 ３　 小麦叶片糖氮比近红外模型观测值与预测值的相关性
Ｆｉｇ．３　 Ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｏｂｓｅｒｖｅｄ ａｎｄ ｐｒｅｄｉｃｔｅｄ ｖａｌｕｅｓ ｏｆ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ ｉｎ ｗｈｅａｔ ｌｅａｖｅｓ ｗｉｔｈ ＮＩＲ ｍｏｄｅｌｓ．
Ⅰ： 宁麦 ９号 Ｎｉｎｇｍａｉ ９； Ⅱ： 扬麦 １２号 Ｙａｎｇｍａｉ １２； Ⅲ： 淮麦 １７号 Ｈｕａｉｍａｉ １７． ＰＬＳ： 偏最小二乘法 Ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅ． ∗∗Ｐ＜０．０１．
５７３２８期　 　 　 　 　 　 　 　 　 　 　 　 　 　 姚　 霞等： 应用近红外光谱法估测小麦叶片糖氮比　 　 　 　 　 　
模型效果比 ＰＬＳ方法更好，原因可能由于 ＰＬＳ 属于
线性回归方法，而神经网络可以较好地克服非线性
干扰；但是小波神经网络没有表现出比 ＢＰ 神经网
络明显的优势．另外，小麦鲜叶模型的 ＲＭＳＥＰ都在
０􀆰 ８％以上，Ｒ２都在 ０．６５以下，测定精度较差．
３　 讨　 　 论
３􀆰 １　 小麦鲜叶和干叶糖氮比模型效果
植物碳氮代谢对作物产量及品质形成具有重要
作用．本研究分别采用偏最小二乘法（ＰＬＳ）、ＢＰ 神
经网络（ＢＰＮＮ）和小波神经网络（ＷＮＮ）对小麦鲜
叶和粉末的近红外光谱与其糖氮比之间的关系进行
定量校正．其中，对于鲜叶，对光谱进行最佳的 ＭＳＣ＋
Ｓａｖｉｔｚｋｙ⁃Ｇｏｌａｙ二阶导数处理后，模型的 ＲＭＳＥＰ都高
于 ０．８％，Ｒ２都低于 ０．６５，估测精度较差；对于干叶，
对光谱进行 ＭＳＣ＋Ｎｏｒｒｉｓ 一阶导数预处理后的建模
效果最好，在 １６５５～２３７８ ｎｍ谱区内，基于 ＰＬＳ 建立
模型的 ＲＭＳＥＰ和 Ｒ２分别为 ０．３％和 ０．８５，ＢＰＮＮ模型
的 ＲＭＳＥＰ和 Ｒ２为 ０．３％和 ０．８７，ＷＮＮ模型的 ＲＭＳＥＰ
和 Ｒ２为 ０．３％和 ０．８７，均表现了较好的准确性和稳
定性．鲜叶效果优于干叶，其原因可能为：一是由于
新鲜叶片表面的蜡质层能引起高反射；二是叶片中
强势组分水的影响，使得在短波红外区水的强烈吸
收会在很大程度上掩盖其他生化组分的吸收特征，
因而对其他组分的估算比较困难；三是细胞结构间
隙因气和水介质差异导致折射率不同而使多次散射
更加复杂等［３２］ ．
３􀆰 ２　 最小二乘法与神经网络法的比较
偏最小二乘法（ＰＬＳ）集多元线性回归、典型相
关分析和主成分分析的基本功能于一身，能够在自
变量存在严重多重相关性的条件下进行建模，是近
红外光谱定量分析中常用的校正方法，其本质是以
线性关系为基础．但是由于样品各组分化合物之间
的关系复杂，会发生不同程度的缔合作用，如诱导效
应、空间位阻效应和氢键效应等［３３］，这些因素决定
了样品近红外光谱与糖氮比之间的非线性关系，而
人工神经网络 ＢＰ 模仿人脑处理信息，具有分布并
行处理、非线性映射、自适应学习和容错鲁棒等特
性，对处理非线性体系的信息有着突出的优点，因此
逼近精度较 ＰＬＳ 更高，但其训练过程存在随机性，
对计算机性能要求较高，预测结果波动相对较大，尤
其是在网络结构设计和参数的选取方面尚无明确的
理论指导，需要依靠研究人员的经验积累和反复尝
试，因此神经网络在实用性方面不如 ＰＬＳ 模型．当
然，今后我们将计划尝试更加先进的方法，如小波分
析法、连续投影法［３４］，建立准确性更高、普适性更好
的模型．
３􀆰 ３　 基于室内近红外光谱的化学计量学方法和前
人的光谱指数法比较
有关小麦叶片碳氮比的光谱估测，前人利用多
光谱、高光谱技术手段作了大量研究．薛利红等［１］用
冠层多光谱反射率分别确立了小麦和水稻叶片碳氮
比与光谱参数的定量关系；冯伟等［３５］则在小麦叶片
糖氮比的高光谱监测中获得成功；周冬琴等［２３］研究
表明，利用水稻冠层高光谱特征可以定量估测不同
栽培条件下叶片碳氮比的变化状况．但是，这些研究
所用的光谱仪分辨率相对于近红外光谱较低，且均
为在室外获取的冠层光谱信息，易受到冠层几何结
构、土壤覆盖度和大气吸收等外界环境因素的影
响［３６］ ．由于不同时空条件下这些影响因子不同，因
此，所建立的模型很难外推应用到其他生态地
点［３７］ ．本研究在室内采集近红外光谱，一定程度上
避免了外界环境对光谱的影响；同时考虑了光谱数
据连续相关性的特点［３８］，充分利用了 ＮＩＲ光谱的丰
富信息和化学计量学的分析优势，因而所建模型更
稳健、更精确．水分在近红外区域有较强的吸收峰，
是近红外光谱定量分析的主要干扰因素［３９－４１］ ．对于
鲜叶，水通常占湿质量的 ４０％ ～８０％，是其最主要的
生化组分，但由于水在 １１４０和 １１９０ ｎｍ处的强吸收
中心和向两侧延展的吸收翼掩盖了其他生化组分在
该区域的吸收特征［４２］，因此将粉碎后的干叶作为研
究对象可以克服这个问题，并且减少了叶片物理及
外部形态结构对光谱的干扰［３７］，提高了模型的预测
效果．
３􀆰 ４　 样品集的选择与近红外预测模型的性能
样品集的选择直接影响近红外预测模型的性
能．所以，要想建立满意的近红外光谱监测模型，不
仅需要足够多的定标样品，同时还要求定标样品具
有较好的代表性，并且化学组分的含量应有尽可能
大的涵盖范围．本研究中，小麦叶片采自不同年份、
不同品种、不同施氮水平的田间试验，样品涵盖范围
较大，因而具有较好的代表性，在一定程度上可适用
于不同栽培条件下、不同生育期和不同叶位的小麦
叶片糖氮比的预测，具有较好的应用前景．若今后能
通过不同生态区、不同生产系统、更多品种类型的广
泛检验并不断完善，实现模型的预测精度和普适性
的有效统一，将在小麦植株碳氮代谢参数的诊断中
发挥更大的应用价值．
６７３２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
４　 结　 　 论
植物碳氮代谢是植株生长发育最基本的生理代
谢．本研究基于不同年份、不同品种、不同施氮水平
条件下的 ３ 个试验研究，分别采用偏最小二乘
法（ＰＬＳ）、ＢＰ 神经网络 （ ＢＰＮＮ）和小波神经网络
（ＷＮＮ）对小麦鲜叶和粉末的近红外光谱与其糖氮
比之间的关系进行定量校正，并选择了最佳的光谱
预处理方法．其中，鲜叶模型的 ＲＭＳＥＰ都高于 ０．８％，
Ｒ２都低于 ０􀆰 ６５；干叶的建模效果最好，在 １６５５ ～
２３７８ ｎｍ谱区内，基于 ＰＬＳ 建立模型的 ＲＭＳＥＰ均低
于 ０．３％，Ｒ２均高于 ０．８５，均表现了较好的准确性和
稳定性．本研究结论进一步论证了运用近红外光谱
法预测小麦叶片糖氮比的可行性，这对于小麦植株
碳氮代谢参数的精确诊断具有重要意义，为近红外
光谱法在作物精准农业中的可能应用奠定了技术
基础．
参考文献
［１］　 Ｘｕｅ Ｌ⁃Ｈ （薛利红）， Ｙａｎｇ Ｌ⁃Ｚ （杨林章）， Ｆａｎ Ｘ⁃Ｈ
（范小晖）， ｅｔ ａｌ． Ｂａｓｅｄ ｏｎ ｃａｒｂｏｎ ａｎｄ ｎｉｔｒｏｇｅｎ ｍｅｔａｂｏ⁃
ｌｉｓｍ ｏｆ ｒｉｃｅ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ａｎｄ Ｃ ／ Ｎ ｒａｔｉｏ ｓｐｅｃｔｒｕｍ
ｅｓｔｉｍａｔｉｏｎ． Ａｃｔａ Ａｇｒｏｎｏｍｉｃａ Ｓｉｎｉｃａ （作物学报）， ２００６，
３２（３）： ４３０－４３５ （ｉｎ Ｃｈｉｎｅｓｅ）
［２］　 Ｂａｔｔｅｎ ＧＤ， Ｂｌａｋｅｎｅｙ ＡＢ， ＭｃＧｒａｔｈ ＶＢ， ｅｔ ａｌ． Ｎｏｎ⁃
ｓｔｒｕｃｔｕｒａｌ ｃａｒｂｏｈｙｄｒａｔｅ： Ａｎａｌｙｓｉｓ ｂｙ ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃ⁃
ｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ ｉｔｓ ｉｍｐｏｒｔａｎｃｅ ａｓ ａｎ ｉｎｄｉｃａｔｏｒ ｏｆ
ｐｌａｎｔ ｇｒｏｗｔｈ ／ ／ Ｂａｒｒｏｗ ＮＪ， ｅｄ． Ｐｌａｎｔ Ｎｕｔｒｉｔｉｏｎ： Ｆｒｏｍ
Ｇｅｎｅｔｉｃ Ｅｎｇｉｎｅｅｒｉｎｇ ｔｏ Ｆｉｅｌｄ Ｐｒａｃｔｉｃｅ． Ａｍｓｔｅｒｄａｍ， ｔｈｅ
Ｎｅｔｈｅｒｌａｎｄｓ： Ｓｐｒｉｎｇｅｒ， １９９３， ５４： ２４３－２４６
［３］　 ＭｃＧｒａｔｈ ＶＢ， Ｂｌａｋｅｎｅｙ ＡＢ， Ｂａｔｔｅｎ ＧＤ． Ｆｒｕｃｔａｎ ｔｏ ｎｉ⁃
ｔｒｏｇｅｎ ｒａｔｉｏ ａｓ ａｎ ｉｎｄｉｃａｔｏｒ ｏｆ ｎｕｔｒｉｅｎｔ ｓｔｒｅｓｓ ｉｎ ｗｈｅａｔ
ｃｒｏｐｓ． Ｎｅｗ Ｐｈｙｔｏｌｏｇｉｓｔ， １９９７， １３６： １４５－１５２
［４］　 Ｂａｔｔｅｎ ＧＤ． Ｐｌａｎｔ ａｎａｌｙｓｉｓ ｕｓｉｎｇ ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ
ｓｐｅｃｔｒｏｓｃｏｐｙ： Ｔｈｅ ｐｏｔｅｎｔｉａｌ ａｎｄ ｔｈｅ ｌｉｍｉｔａｔｉｏｎｓ． Ａｕｓｔｒａ⁃
ｌｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｅｘｐｅｒｉｍｅｎｔａｌ Ａｇｒｉｃｕｌｔｕｒｅ， １９９８， ３８：
６９７－７０６
［５］　 Ｗｉｌｌｉａｍｓ Ｐ， Ｎｏｒｒｉｓ Ｋ． Ｎｅａｒ⁃ｉｎｆｒａｒｅｄ Ｔｅｃｈｎｏｌｏｇｙ ｉｎ ｔｈｅ
Ａｇｒｉｃｕｌｔｕｒａｌ ａｎｄ Ｆｏｏｄ Ｉｎｄｕｓｔｒｉｅｓ． ２ｎｄ Ｅｄ． Ｓａｉｎｔ Ｐａｕｌ，
ＭＮ： Ａｍｅｒｉｃａｎ Ａｓｓｏｃｉａｔｉｏｎ ｏｆ Ｃｅｒｅａｌ Ｃｈｅｍｉｓｔｓ Ｉｎｃ，
２００１
［６］　 Ｇａｏ Ｈ⁃Ｚ （高洪智）， Ｌｕ Ｑ⁃Ｐ （卢启鹏）， Ｄｉｎｇ Ｈ⁃Ｑ
（丁海泉）， ｅｔ ａｌ． Ｃｈｏｉｃｅ ｏｆ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ
ｗａｖｅｌｅｎｇｔｈｓ ｆｏｒ ｓｏｉｌ ｔｏｔａｌ ｎｉｔｒｏｇｅｎ ｂａｓｅｄ ｏｎ ｓｕｃｃｅｓｓｉｖｅ
ｐｒｏｊｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ． Ｓｐｅｃｔｒｏｓｃｏｐｙ ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ
（光谱学与光谱分析）， ２００９， ２９（１１）： ２９５１－ ２９５４
（ｉｎ Ｃｈｉｎｅｓｅ）
［７］　 Ｙａｎ Ｙ⁃Ｌ （严衍禄）． Ｆｏｕｎｄａｔｉｏｎ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ
Ｎｅａｒ⁃ｉｎｆｒａｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ Ａｎａｌｙｓｉｓ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ
Ｌｉｇｈｔ Ｉｎｄｕｓｔｒｙ Ｐｒｅｓｓ， ２００５ （ｉｎ Ｃｈｉｎｅｓｅ）
［８］　 Ｂｏｌｓｔｅｒ ＫＬ， Ｍａｒｔｉｎ ＭＥ， Ａｂｅｒ ＪＤ． Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｃａｒ⁃
ｂｏｎ ｆｒａｃｔｉｏｎ ａｎｄ ｎｉｔｒｏｇｅｎ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ ｔｒｅｅ ｆｏｌｉａｇｅ ｂｙ
ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ： Ａ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｓｔａｔｉｓｔｉｃａｌ
ｍｅｔｈｏｄｓ． Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ Ｒｅｓｅａｒｃｈ， １９９６，
２６： ５９０－６００
［９］　 ＭｃＣｌｕｒｅ ＷＦ， Ｃｒｏｗｅｌｌ Ｂ， Ｓｔａｎｆｉｅｌｄ ＤＬ， ｅｔ ａｌ． Ｎｅａｒ ｉｎ⁃
ｆｒａｒｅｄ ｔｅｃｈｎｏｌｏｇｙ ｆｏｒ ｐｒｅｃｉｓｉｏｎ ｅｎｖｉｒｏｎｍｅｎｔａｌ ｍｅａｓｕｒｅ⁃
ｍｅｎｔｓ． Ⅰ． Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｎｉｔｒｏｇｅｎ ｉｎ ｇｒｅｅｎ ａｎｄ ｄｒｙ⁃
ｇｒａｓｓ ｔｉｓｓｕｅ． Ｊｏｕｒｎａｌ ｏｆ Ｎｅａｒ Ｉｎｆｒａｒｅｄ Ｓｐｅｃｔｒｏｓｃｏｐｙ，
２００２， １０： １７７－１８５
［１０］　 Ｇｉｓｌｕｍ Ｒ， Ｍｉｃｋｌａｎｄｅｒ Ｅ， Ｎｉｅｌｓｅｎ ＪＰ． Ｑｕａｎｔｉｆｉｃａｔｉｏｎ ｏｆ
ｎｉｔｒｏｇｅｎ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ ｐｅｒｅｎｎｉａｌ ｒｙｅｇｒａｓｓ ａｎｄ ｒｅｄ ｆｅｓ⁃
ｃｕｅ ｕｓｉｎｇ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ （ＮＩＲＳ）
ａｎｄ ｃｈｅｍｏｍｅｔｒｉｃｓ． Ｆｉｅｌｄ Ｃｒｏｐｓ Ｒｅｓｅａｒｃｈ， ２００４， ８８：
２６９－２７７
［１１］　 Ｍｏｒóｎ Ａ， Ｇａｒｃíａ Ａ， Ｓａｗｃｈｉｋ Ｊ， ｅｔ ａｌ． Ｐｒｅｌｉｍｉｎａｒｙ ｓｔｕｄｙ
ｏｎ ｔｈｅ ｕｓｅ ｏｆ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ｔｏ
ａｓｓｅｓｓ ｎｉｔｒｏｇｅｎ ｃｏｎｔｅｎｔ ｏｆ ｕｎｄｒｉｅｄ ｗｈｅａｔ ｐｌａｎｔｓ． Ｊｏｕｒｎａｌ
ｏｆ ｔｈｅ Ｓｃｉｅｎｃｅ ｏｆ Ｆｏｏｄ ａｎｄ Ａｇｒｉｃｕｌｔｕｒｅ， ２００６， ８７： １４７－
１５２
［１２］　 Ｅｌｖｉｄｇｅ ＣＤ． Ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｃｈａ⁃
ｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｄｒｙ ｐｌａｎｔ ｍａｔｅｒｉａｌｓ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ
ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １９９０， １１： １７７５－１７９５
［１３］　 Ｇｒｏｓｓｍａｎ ＹＬ， Ａｎｄｅｒｓｏｎ ＥＷ， Ｕｓｔｉｎ ＳＬ． Ｒｅｌａｔｉｏｎｓｈｉｐｓ
ｂｅｔｗｅｅｎ ｌｅａｆ ｃｈｅｍｉｓｔｒｙ ａｎｄ ｒｅｆｌｅｃｔａｎｃｅ ｆｏｒ ｐｌａｎｔ ｓｐｅｃｉｅｓ
ｆｒｏｍ Ｊａｓｐｅｒ Ｒｉｄｇｅ Ｂｉｏｌｏｇｉｃａｌ Ｒｅｓｅｒｖｅ， Ｃａｌｉｆｏｒｎｉａ． ＩＥＥＥ
Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｓｙｍｐｏ⁃
ｓｉｕｍ， Ｐａｓａｄｅｎａ， ＣＡ， １９９４， ４： ２３５７－２３５９
［１４］　 Ｃｕｒｒａｎ ＰＪ， Ｄｕｎｇａｎ ＪＬ， Ｐｅｔｅｒｓｏｎ ＤＬ． Ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｆｏ⁃
ｌｉａｒ ｂｉｏｃｈｅｍｉｃａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｏｆ ｌｅａｖｅｓ ｗｉｔｈ ｒｅｆｌｅｃｔａｎｃｅ
ｓｐｅｃｔｒｏｍｅｔｒｙ： Ｔｅｓｔｉｎｇ ｔｈｅ Ｋｏｋａｌｙ ａｎｄ Ｃｌａｒｋ ｍｅｔｈｏｄｏｌｏ⁃
ｇｉｅｓ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００１， ７６： ３４９－
３５９
［１５］　 Ｏｎｏ Ｋ， Ｈｉｒａｉｄｅ Ｍ， Ａｍａｒｉ Ｍ． Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｌｉｇｎｉｎ，
ｈｏｌｏｃｅｌｌｕｌｏｓｅ， ａｎｄ ｏｒｇａｎｉｃ ｓｏｌｖｅｎｔ ｅｘｔｒａｃｔｉｖｅｓ ｉｎ ｆｒｅｓｈ
ｌｅａｆ， ｌｉｔｔｅｒｆａｌｌ， ａｎｄ ｏｒｇａｎｉｃ ｍａｔｅｒｉａｌ ｏｎ ｆｏｒｅｓｔ ｆｌｏｏｒ ｕｓｉｎｇ
ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ． Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ
Ｒｅｓｅａｒｃｈ， ２００３， ８： １９１－１９８
［１６］　 Ｒｉｃｈａｒｄｓｏｎ ＡＤ， Ｒｅｅｖｅｓ Ⅲ ＪＢ． Ｑｕａｎｔｉｔａｔｉｖｅ ｒｅｆｌｅｃｔａｎｃｅ
ｓｐｅｃｔｒｏｓｃｏｐｙ ａｓ ａｎ ａｌｔｅｒｎａｔｉｖｅ ｔｏ ｔｒａｄｉｔｉｏｎａｌ ｗｅｔ ｌａｂ ａｎａ⁃
ｌｙｓｉｓ ｏｆ ｆｏｌｉａｒ ｃｈｅｍｉｓｔｒｙ： Ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ａｎｄ ｍｉｄ⁃ｉｎｆｒａｒｅｄ
ｃａｌｉｂｒａｔｉｏｎｓ ｃｏｍｐａｒｅｄ． Ｃａｎａｄｉａｎ Ｊｏｕｒｎａｌ ｏｆ Ｆｏｒｅｓｔ
Ｒｅｓｅａｒｃｈ， ２００５， ３５： １１２２－１１３０
［１７］ 　 Ｑｉａｎ Ｈ⁃Ｂ （钱海波）， Ｓｕｎ Ｌ⁃Ｊ （孙来军）， Ｗａｎｇ Ｌ⁃Ｋ
（王乐凯）， ｅｔ ａｌ． Ｎｅａｒ ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ ｃａｌｉｂｒａｔｉｏｎ
ｍｏｄｅｌ ｏｐｔｉｍｉｚｉｎｇ ｏｆ ｗｅｔ ｇｌｕｔｅｎ ｂａｓｅｄ ｏｎ ｓｕｃｃｅｓｓｉｖｅ ｐｒｏ⁃
ｊｅｃｔｉｏｎｓ ａｌｇｏｒｉｔｈｍ． Ｃｈｉｎｅｓｅ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ
（中国农学通报）， ２０１１， ２７（１８）： ５１－ ５６ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［１８］　 Ｈｕａｎ Ｋ⁃Ｗ （宦克为）， Ｌｉｕ Ｘ⁃Ｘ （刘小溪）， Ｚｈｅｎｇ Ｆ
（郑 　 峰）， ｅｔ ａｌ． Ｖａｒｉａｂｌｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｓｃｏｐｙ ｆｏｒ ｍｅａｓｕｒｉｎｇ ｗｈｅａｔ ｐｒｏｔｅｉｎ ｂａｓｅｄ ｏｎ ＭＣ⁃
ＬＰＧ． Ｔｒａｎｓａｃｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ
Ｅｎｇｉｎｅｅｒｉｎｇ （农业工程学报）， ２０１３， ２９（４）： ２６６－
２７１ （ｉｎ Ｃｈｉｎｅｓｅ）
［１９］　 Ａｙｓｅ ＣＭ， Ｉｓｍａｉｌ ＨＢ， Ｈｕｓｅｙｉｎ Ｅ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ
ｗｈｅａｔ ｑｕａｌｉｔｙ ｐａｒａｍｅｔｅｒｓ ｕｓｉｎｇ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏ⁃
ｓｃｏｐｙ ａｎｄ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ． Ｅｕｒｏｐｅａｎ Ｆｏｏｄ
７７３２８期　 　 　 　 　 　 　 　 　 　 　 　 　 　 姚　 霞等： 应用近红外光谱法估测小麦叶片糖氮比　 　 　 　 　 　
Ｒｅｓｅａｒｃｈ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０１１， ２３３： ２６７－２７４
［２０］　 Ｇｉｌｌｏｎ Ｄ， Ｈｏｕｓｓａｒｄ Ｃ， Ｊｏｆｆｒｅ Ｒ． Ｕｓｉｎｇ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｒｅ⁃
ｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ｔｏ ｐｒｅｄｉｃｔ ｃａｒｂｏｎ， ｎｉｔｒｏｇｅｎ ａｎｄ
ｐｈｏｓｐｈｏｒｕｓ ｃｏｎｔｅｎｔ ｉｎ ｈｅｔｅｒｏｇｅｎｅｏｕｓ ｐｌａｎｔ ｍａｔｅｒｉａｌ．
Ｏｅｃｏｌｏｇｉａ， １９９９， １１８： １７３－１８２
［２１］　 Ｓｈｉ Ｒ⁃Ｈ （施润和）， Ｎｉｕ Ｚ （牛 　 铮）， Ｚｈｕａｎｇ Ｄ⁃Ｆ
（庄大方）． Ｔｈｅ ｕｓｅ ｏｆ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａ ｔｏ ｅｓｔｉｍａｔｅ ｌｅａｆ
Ｃ ／ Ｎ ｒａｔｉｏ ｏｆ ｆｅａｓｉｂｉｌｉｔｙ ｓｔｕｄｙ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ
ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ （遥感技术与应用）， ２００３， １８（２）：
７６－８０ （ｉｎ Ｃｈｉｎｅｓｅ）
［２２］　 Ｓｈｉ Ｒ⁃Ｈ （施润和）， Ｎｉｕ Ｚ （牛 　 铮）， Ｚｈｕａｎｇ Ｄ⁃Ｆ
（庄大方 ）． Ｌｅａｆ ｂｉｏｃｈｅｍｉｃａｌ ｃｏｎｃｅｎｔｒａｔｉｏｎｓ ｏｎ ｌｅａｆ
ｓｐｅｃｔｒａ ｓｔｕｄｙ ｏｎ ２１００ ｎｍ ａｂｓｏｒｐｔｉｏｎ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ
ｔｈｅ ｒａｔｉｏ ｏｆ ｃａｒｂｏｎ ｔｏ ｎｉｔｒｏｇｅｎ ｉｎｖｅｒｓｉｏｎ ｆｏｒ ｅｘａｍｐｌｅ．
Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学报）， ２００５， ９（１）：
１－７ （ｉｎ Ｃｈｉｎｅｓｅ）
［２３］　 Ｚｈｏｕ Ｄ⁃Ｑ （周冬琴）， Ｚｈｕ Ｙ （朱　 艳）， Ｙａｎｇ Ｊ （杨
杰）， ｅｔ ａｌ． Ｂａｓｅｄ ｏｎ ｃａｎｏｐｙ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｐａｒａｍｅｔｅｒｓ ｏｆ
ｒｉｃｅ ｌｅａｆ ｃａｒｂｏｎ ａｎｄ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ ｍｏｎｉｔｏｒｉｎｇ． Ｔｒａｎｓａｃ⁃
ｔｉｏｎｓ ｏｆ ｔｈｅ Ｃｈｉｎｅｓｅ Ｓｏｃｉｅｔｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｅｎｇｉｎｅｅｒｉｎｇ
（农业工程学报）， ２００９， ２５（３）： １３５－１４１ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［２４］　 Ｓｍｉｔｈ ＢＭ， Ｇｅｍｐｅｒｌｉｎｅ ＰＪ． Ｗａｖｅｌｅｎｇｔｈ ｓｅｌｅｃｔｉｏｎ ａｎｄ
ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｍｅｔｈｏｄｓ ｕｓｉｎｇ ｔｈｅ
ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ． Ａｎａｌｙｔｉｃａ Ｃｈｉｍｉｃａ Ａｃｔａ， ２０００， ４２３：
１６７－１７７
［２５］　 Ｑｉ Ｘ⁃Ｍ （齐小明）， Ｚｈａｎｇ Ｌ⁃Ｄ （张录达）， Ｄｕ Ｘ⁃Ｌ
（杜晓林）， ｅｔ ａｌ． ＰＬＳ⁃ＢＰ ｍｅｔｈｏｄ ｆｏｒ ｎｅａｒ ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｓｃｏｐｙ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ＰＬＳ⁃ＢＰ． Ｓｐｅｃｔｒｏｓｃｏｐｙ
ａｎｄ Ｓｐｅｃｔｒａｌ Ａｎａｌｙｓｉｓ （光谱学与光谱分析）， ２００３， ２３
（５）： ８７０－８７２ （ｉｎ Ｃｈｉｎｅｓｅ）
［２６］　 Ｄｏｕ Ｙ， Ｍｉ Ｈ， Ｚｈａｏ ＬＺ， ｅｔ ａｌ． Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｃｏｍ⁃
ｐｏｕｎｄ ａｍｉｎｏｐｙｒｉｎｅｐｈｅｎａｃｅｔｉｎ ｔａｂｌｅｔｓ ｂｙ ｕｓｉｎｇ ａｒｔｉfiｃｉａｌ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｃｏｍｂｉｎｅｄ ｗｉｔｈ ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔｓ
ａｎａｌｙｓｉｓ． Ａｎａｌｙｔｉｃａｌ Ｂｉｏｃｈｅｍｉｓｔｒｙ， ２００６， ３５１： １７４－１８０
［２７］　 Ｗｅｎ Ｘ （闻　 新）， Ｚｈｏｕ Ｌ （周　 露）， Ｗａｎｇ Ｄ⁃Ｌ （王
丹力）， ｅｔ ａｌ． ＭＡＴＬＡＢ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ａｐｐｌｉｃａｔｉｏｎ
Ｄｅｓｉｇｎ． Ｂｅｉｊｉｎｇ： Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ， ２００１ （ｉｎ Ｃｈｉｎｅｓｅ）
［２８］　 Ｚｈａｎｇ Ｑ． Ｕｓｉｎｇ ｗａｖｅｌｅｔ ｎｅｔｗｏｒｋ ｉｎ ｎｏｎｐａｒａｍｅｔｒｉｃ ｅｓｔｉ⁃
ｍａｔｉｏｎ． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， １９９７，
８ ： ２２７－２３６
［２９］　 Ｚｈｏｎｇ ＨＢ， Ｚｈａｎｇ Ｊ， Ｇａｏ Ｍ， ｅｔ ａｌ． Ｔｈｅ ｄｉｓｃｒｅｔｅ ｗａｖｅｌｅｔ
ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｏｓｃｉｌｌｏｇｒａｐｈｉｃ ｃｈｒｏ⁃
ｎｏｐｏｔｅｎｔｉｏｍｅｔｒｉｃ ｄｅｔｅｒｍｉｎａｔｉｏｎ． Ｃｈｅｍｏｍｅｔｒｉｃｓ ａｎｄ Ｉｎｔｅｌ⁃
ｌｉｇｅｎｔ Ｌａｂｏｒａｔｏｒｙ Ｓｙｓｔｅｍｓ， ２００１， ５９： ６７－７４
［３０］　 Ｔａｂａｒａｋｉ Ｒ， Ｋｈａｙａｍｉａｎ Ｔ， Ｅｎｓａｆｉ ＡＡ． Ｗａｖｅｌｅｔ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ ｍｏｄｅｌｉｎｇ ｉｎ ＱＳＰＲ ｆｏｒ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｓｏｌｕｂｉｌｉｔｙ ｏｆ
２５ ａｎｔｈｒａｑｕｉｎｏｎｅ ｄｙｅｓ ａｔ ｄｉｆｆｅｒｅｎｔ ｔｅｍｐｅｒａｔｕｒｅｓ ａｎｄ
ｐｒｅｓｓｕｒｅｓ ｉｎ ｓｕｐｅｒｃｒｉｔｉｃａｌ ｃａｒｂｏｎ ｄｉｏｘｉｄｅ． Ｊｏｕｒｎａｌ ｏｆ
Ｍｏｌｅｃｕｌａｒ Ｇｒａｐｈｉｃｓ ａｎｄ Ｍｏｄｅｌｌｉｎｇ， ２００６， ２５： ４６－５４
［３１］　 Ｓｕｂａｓｉ Ａ， Ａｌｋａｎ Ａ， Ｋｏｋｌｕｋａｙａ Ｅ， ｅｔ ａｌ． Ｗａｖｅｌｅｔ ｎｅｕｒａｌ
ｎｅｔｗｏｒｋ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ＥＥＧ ｓｉｇｎａｌｓ ｂｙ ｕｓｉｎｇ ＡＲ ｍｏｄｅｌ
ｗｉｔｈ ＭＬＥ ｐｒｅｐｒｏｃｅｓｓｉｎｇ． Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， ２００５， １８：
９８５－９９７
［３２］ 　 Ｐｕ Ｒ⁃Ｌ （浦瑞良）， Ｇｏｎｇ Ｐ （宫　 鹏）． Ｈｙｐｅｒｓｐｅｃｔｒａｌ
Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ａｎｄ Ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ． Ｂｅｉｊｉｎｇ： Ｈｉｇｈｅｒ
Ｅｄｕｃａｔｉｏｎ Ｐｒｅｓｓ， ２０００ （ｉｎ Ｃｈｉｎｅｓｅ）
［３３］　 Ｗｅｎｇ Ｓ⁃Ｆ （翁诗甫）． Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍｓ Ｉｎｆｒａｒｅｄ Ｓｐｅｃ⁃
ｔｒｏｍｅｔｅｒ． Ｂｅｉｊｉｎｇ： Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ Ｐｒｅｓｓ， ２００５ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［３４］　 Ｓｈａｏ ＸＧ， Ｄｕ ＧＲ， Ｊｉｎｇ Ｍ， ｅｔ ａｌ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｌａｔｅｎｔ
ｐｒｏｊｅｃｔｉｖｅ ｇｒａｐｈ ｉｎ ｖａｒｉａｂｌｅ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ｎｅａｒ ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒａｌ ａｎａｌｙｓｉｓ． Ｃｈｅｍｏｍｅｔｒｉｃｓ ａｎｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｌａｂｏｒａｔｏ⁃
ｒｙ Ｓｙｓｔｅｍｓ， ２０１２， １１４： ４４－４９
［３５］　 Ｆｅｎｇ Ｗ （冯　 伟）， Ｙａｏ Ｘ （姚　 霞）， Ｔｉａｎ Ｙ⁃Ｃ （田
永超）， ｅｔ ａｌ． Ｍｏｎｉｔｏｒｉｎｇ ｔｈｅ ｓｕｇａｒ ｔｏ ｎｉｔｒｏｇｅｎ ｒａｔｉｏ ｉｎ
ｗｈｅａｔ ｌｅａｖｅｓ ｗｉｔｈ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ． Ｓｃｉｅｎｔｉａ
Ａｇｒｉｃｕｌｔｕｒａ Ｓｉｎｉｃａ （中国农业科学）， ２００８， ４１（６）：
１６３０－１６３９ （ｉｎ Ｃｈｉｎｅｓｅ）
［３６］　 Ａｓｎｅｒ ＧＰ． Ｂｉｏｐｈｙｓｉｃａｌ ａｎｄ ｂｉｏｃｈｅｍｉｃａｌ ｓｏｕｒｃｅｓ ｏｆ ｖａｒｉａ⁃
ｂｉｌｉｔｙ ｉｎ ｃａｎｏｐｙ ｒｅｆｌｅｃｔａｎｃｅ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎ⁃
ｍｅｎｔ， １９９８， ６４： ２３４－２５３
［３７］　 Ｘｕｅ Ｌ⁃Ｈ （薛利红）， Ｌｕｏ Ｗ⁃Ｈ （罗卫红）， Ｃａｏ Ｗ⁃Ｘ
（曹卫星）， ｅｔ ａｌ． Ｃｒｏｐ ｗａｔｅｒ ａｎｄ ｎｉｔｒｏｇｅｎ ｓｐｅｃｔｒｕｍ
ｄｉａｇｎｏｓｉｓ ｐｒｏｇｒｅｓｓ． Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学
报）， ２００３， ７（１）： ７３－８０ （ｉｎ Ｃｈｉｎｅｓｅ）
［３８］　 Ｊｉａｎｇ ＪＨ， Ｂｅｒｒｙ ＲＪ， Ｓｉｅｓｌｅｒ ＨＷ， ｅｔ ａｌ． Ｗａｖｅｌｅｎｇｔｈ ｉｎ⁃
ｔｅｒｖａｌ ｓｅｌｅｃｔｉｏｎ ｉｎ ｍｕｌｔｉ⁃ｃｏｍｐｏｎｅｎｔ ｓｐｅｃｔｒａｌ ａｎａｌｙｓｉｓ ｂｙ
ｍｏｖｉｎｇ ｗｉｎｄｏｗ ｐａｒｔｉａｌ ｌｅａｓｔ⁃ｓｑｕａｒｅｓ ｒｅｇｒｅｓｓｉｏｎ ｗｉｔｈ ａｐ⁃
ｐｌｉｃａｔｉｏｎｓ ｔｏ ｍｉｄ⁃ｉｎｆｒａｒｅｄ ａｎｄ ｎｅａｒ⁃ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｉｃ
ｄａｔａ． Ａｎａｌｙｔｉｃａｌ Ｃｈｅｍｉｓｔｒｙ， ２００２， ７４： ３５５５－３５６５
［３９］　 Ｈａｎｓ ＢＰ． Ａｎａｌｙｓｉｓ ｏｆ ｗａｔｅｒ ｉｎ ｆｏｏｄ ｂｙ ｎｅａｒ ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｓｃｏｐｙ． Ｆｏｏｄ Ｃｈｅｍｉｓｔｒｙ， ２００３， ８２： １０７－１１５
［４０］ 　 Ｃｕｒｒａｎ ＰＪ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｏｆ ｆｏｌｉａｒ ｃｈｅｍｉｓｔｒｙ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， １９８９， ３０： ２７１－２７８
［４１］　 Ｊａｃｑｕｅｍｏｕｄ Ｓ， Ｂａｒｅｔ Ｆ． ＰＲＯＳＰＥＣＴ： Ａ ｍｏｄｅｌ ｏｆ ｌｅａｆ
ｏｐｔｉｃａｌ ｐｒｏｐｅｒｔｉｅｓ ｓｐｅｃｔｒａ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎ⁃
ｍｅｎｔ， １９９０， ３４： ７５－９１
［４２］　 Ｋｏｋａｌｙ ＲＦ， Ｃｌａｒｋ ＲＮ． Ｓｐｅｃｔｒｏｓｃｏｐｉｃ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ
ｌｅａｆ ｂｉｏｃｈｅｍｉｓｔｒｙ ｕｓｉｎｇ ｂａｎｄ⁃ｄｅｐｔｈ ａｎａｌｙｓｉｓ ｏｆ ａｂｓｏｒｐｔｉｏｎ
ｆｅａｔｕｒｅｓ ａｎｄ ｓｔｅｐｗｉｓｅ ｍｕｌｔｉｐｌｅ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ． Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ， １９９９， ６７： ２６７－２８７
作者简介　 姚　 霞，女，１９７７年生，副教授． 主要从事作物生
长监测研究． Ｅ⁃ｍａｉｌ： ｙａｏｘｉａ＠ ｎｊａｕ．ｅｄｕ．ｃｎ
责任编辑　 杨　 弘
８７３２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷