郭 松，常庆瑞，崔小涛，张佑铭，陈 倩，蒋丹垚，落莉莉

（西北农林科技大学资源环境学院，陕西 杨凌 712100）

叶绿素含量为植被生长和营养胁迫等研究常用指示量，可反映植被初级生产力和生长状态[1-2]。分光光度法、荧光分析法等传统叶绿素含量检测方法不仅流程复杂、误差大、耗时长，且对植被本身损害较大，不利于大样本下叶绿素含量监测[3]。近年来，高光谱遥感技术以其数据蕴含较高维度信息的特点被应用到植被叶绿素含量估测研究中，为简便迅速、大范围测量植被叶绿素含量提供技术支持[4]。

目前，国内外在高光谱估算植被叶绿素方面开展大量研究，Bannari等使用Hyperion EO-1传感器获取地面和实验室高光谱数据，构建多个光谱叶绿素植被指数反演冠层尺度上小麦叶绿素a含量，模型决定系数达0.69[5]；Ali等发现基于高光谱反射率提取的红边位置（REP）可准确估计植被叶绿素含量，通过红边位置建立的模型决定系数为0.90~0.93[6]；Yamashita等利用机器学习算法和绿茶叶绿素高光谱敏感波段建立可较好的叶绿素反演模型，预测偏差1.4~2.0[7]；陈澜等创建多个关中地区猕猴桃PCA-RF模型，决定系数最高达0.98[8]；袁小康等对比不同灌溉条件下夏玉米高光谱特征变化，发现植被指数与叶绿素含量相关性较高，相关系数最小绝对值为0.812[9]；陈春玲等为准确检测玉米叶片叶绿素含量，采用蚁群算法优化BP神经网络模型，结果表明，优化后神经网络模型建模和验证决定系数较未优化时分别提高0.073与0.078[10]。综上，利用高光谱遥感技术检测作物叶绿素含量的研究较成熟，但光谱变换可对光谱空间坐标作数学转换，突出原有光谱特点，同时消除光谱噪声[11]，大部分研究依赖于作物原始光谱构建模型，较少探索光谱变换后的建模效果；……