为了探索分数阶微分在高光谱估算小麦叶片含水量上的可行性,在农田尺度上,利用春小麦野外光谱数据与实测叶片含水量数据,以0.2阶为步长,计算光谱0~2阶微分,并分析其与小麦叶片含水量的相关性,再利用连续投影算法(SPA)从通过0.01水平显著性检验的波段中筛选出估算叶片含水量的最佳波段组合,并建立估算春小麦叶片含水量的反射传播(BP)神经网络模型。结果表明:分数阶微分可以细化小麦叶片含水量与光谱数据相关性的变化趋势;分数阶微分处理后,相关系数通过0.01水平显著性检验的波段数量呈现先增后减的趋势,在不同的波段范围内,分数阶微分的最佳阶数也有所不同;SPA筛选出的敏感波段基本上集中在红光、近红外波段范围内,1.2阶微分后水分敏感波段数最多,达到13个;所建立的模型中,基于1.8阶微分建立的6-4-1结构的BP神经网络模型为最佳模型,其建模组均方根误差为0.701,决定系数为0.751,验证组的均方根误差为0.227,决定系数为0.917,相对分析误差为3.253,说明了分数阶微分后的模型稳定性和预测能力较整数阶微分得到明显的提升,可为高光谱定量反演春小麦叶片含水量提供参考。

利用高光谱植被指数反演植被水分含量时, 快速、 准确的找到实测光谱数据与植被水分相关性最高的植被指数是研究的重点。 在农田尺度上, 以春小麦野外光谱数据与叶片含水量的定量关系为基础, 通过灰色关联度分析, 筛选出与叶片含水量灰色关联度较高的5种典型的水分植被指数, 并建立了估算春小麦叶片含水量(LWC)的偏最小二乘回归(PLSR)模型和BP神经网络(back propagation artificial neural networks, BP ANN)模型。 结果表明: (1)光谱一阶导数可以有效去除噪声影响并突出光谱特征信息, 尤其是在750～830, 1 000～1 060和2 056～2 155 nm等区间明显提高了与LWC的相关性。 (2)灰色关联法能够较好的表征各水分植被指数与叶片含水量间的关联性, 其中基于原始光谱建立的前5个水分植被指数都是两波段比值植被指数, 基于光谱一阶导数建立的水分植被指数基本上都是两波段归一化差值植被指数。 (3)所建立的两种模型中, 基于光谱一阶导数建立的PLSR和BP神经网络模型R2分别为0.80和0.81, 稳定性基本相同且都较好; 两种模型RMSE都是0.55, RPD分别为2.01和1.41, 说明PLSR模型的预测精度比BP神经网络模型高。 从模型的验证效果来看, PLSR模型在估算春小麦叶片含水量方面有一定的优势, 为高光谱定量反演春小麦叶片含水量提供一定的参考。

为实现对不同地类春小麦叶绿素含量的无损估测, 通过分析春小麦冠层光谱与叶绿素含量的相关性, 以及对其红边拐点位置与叶绿素含量做回归分析, 分别建立了水浇地和旱地春小麦叶绿素含量估测模型并检验了模型精度。 结果表明: (1) 拔节期水浇地和旱地春小麦叶绿素含量差异较大, 且前者明显大于后者。 虽然各地类春小麦光谱反射率与叶绿素含量均有很好的相关性, 但旱地春小麦的相关性在可见光和近红外波段均低于水浇地。 (2)在可见光范围, 旱地春小麦冠层光谱反射率高于水浇地, 而在近红外区则相反。 阴坡地由于土壤水分高, 春小麦长势较好, 冠层光谱特点与水浇地差异不大。 (3)建立的不同地类春小麦反射光谱红边拐点位置与叶绿素含量的监测模型表明, 水浇地春小麦叶绿素含量的监测可用线性模型, 预测精度达94.06%。 而旱地则宜用二项式模型, 预测精度为97.15%, 比其线性模型高10.48%。