《农业工程学报》年第34卷第16期刊载了华中师范大学于雷、章涛、朱亚星、周勇、夏天和聂艳的论文——“基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值”。该研究由国家自然科学基金项目（项目号：）等资助。
叶绿素是植物营养胁迫、光合能力和衰老进程各阶段的良好指示剂。监测大豆叶片的叶绿素状况，对大豆生长诊断与施肥调控等具有重要意义。高光谱遥感技术具有高效率、非接触、不破坏、无污染等特点，为大范围获取植物叶片叶绿素含量提供了一种新方法。
然而，叶片近红外光谱的吸收峰严重重叠，导致光谱中存在冗余信息，影响了高光谱估测叶绿素含量模型的精度，利用变量筛选方法可有效滤除。但在植物叶绿素特征波长变量筛选过程中，与叶绿素关系较弱的波长变量极易被忽略，导致这些弱信息变量包含叶绿素的有效信息丢失，因此，确定叶片光谱中弱信息变量对揭示叶绿素高光谱响应规律具有重要意义。
该研究以江汉平原大豆叶片为研究对象，采集80组大豆叶片高光谱和SPAD值，基于迭代和保留信息变量法（IRIV）将大豆叶片高光谱划分为强信息波长变量、弱信息波长变量、无信息波长变量和干扰信息波长变量4类，通过消除无信息波长变量和干扰信息波长变量，在强信息波长变量和弱信息波长变量中确定大豆叶片的特征波长变量，建立偏最小二乘回归（PLSR）和支持向量机（SVM）模型估测SPAD值。
结果表明，基于IRIV算法确定了大豆叶绿素的特征波长变量，利用特征波长变量建立的估测模型的估测能力高于仅利用强信息波长变量建立的估测模型，表明弱信息变量对估测叶片SPAD值具有重要作用；IRIV-SVM模型估测能力最优，验证集决定系数和相对分析误差分别为0.73、1.82。该文尝试证明了光谱中弱信息变量的重要性，为揭示叶片高光谱响应机理提供了理论依据。
长按识别