基于计算机视觉技术的玉米叶绿素垂直分布研究

Vertical Distribution of Chlorophyll of Maize Leaf Based on Computer Vision

摘要

采用智能手机拍照获取玉米大喇叭口期、抽雄期叶片图像，基于计算机视觉技术计算RGB颜色模型的16种颜色特征参数，探究玉米上、中、下层位叶片颜色特征参数与叶绿素相对含量（SPAD值）的相关关系，并基于随机森林算法建立了SPAD的预测模型。结果表明：两个生育时期玉米叶片叶绿素含量呈垂直异质性，中层叶片叶绿素含量显著大于上层和下层。不同层位叶片叶绿素敏感颜色参数略有不同，但总体上与G、R分量及其组合参数2G-R、2G-R-B、G/R相关性较好，且呈显著负相关。基于RF模型对各层位叶绿素含量进行预测，模型精度表现为上层中层下层。基于计算机视觉技术研究玉米叶绿素垂直分布具有可行性，可为及时掌握农作物的 光合效率、水肥状况和生长状态，为高产育种和栽培措施调控提供理论依据与技术支撑。

Abstract

The chlorophyll content of maize leaves and its vertical distribution in the plant well reflect the photosynthetic efficiency， nitrogen stress， water condition and development status of the plant. To reveal the relationships between the color parameters and chlorophyll content （SPAD readings） of the upper， middle and lower maize leaves，digital images of maize leaves at booting and tasseling stages were obtained by smart phones， and 16 color parameters of RGB （Red， Green， Blue） color model were derived by using computer vision technology， and the correlation analysis and the estimation model of SPAD was established by random forest （RF） algorithm. The results showed that chlorophyll contents of maize leaves were vertically heterogeneous at the two growth stages， and the chlorophyll contents of the middle layer leaves were greater than those of the upper and lower layers leaves； the chlorophyll sensitive color parameters at different layers were slightly different， but in general， they presented significant negative correlation with G and R components and their combinations such as 2G-R， 2G-R-B and G/R. Based on RF models， chlorophyll contents of each layer leaves were estimated， and the estimation accuracies for different leaf layer by the models were as upper layer middle layer lower layer. The results of the research on the vertical distribution of chlorophyll in maize leaves based on computer vision technology provided a theoretical basis and technical support for timely monitoring the photosynthesis efficiency， water and fertilizer condition and growth status of crops， as well as for the high-yield breeding and establishment of cultivation measures.

Graphical abstract

关键词

计算机视觉 / 玉米 / 叶绿素 / 垂直分布 / 随机森林

Key words

computer vision / maize / chlorophyll / vertical distribution / random forest

玉米是我国的三大主粮之一，也是重要的饲料和工业用粮^［1］。叶绿素是影响植物光合效率的重要因素，关系到农作物产量的高低^［2］。叶绿素含量的测定以传统化学方法^［3］、叶绿素计测量法^［4］、荧光技术法^［5］、地物光谱仪测定法^［6］和多角度遥感反演^［7］为主。使用分光光度法测定叶绿素含量时，会破坏植物叶片组织，耗费时间和试剂^［8⁃9］；叶绿素计测量法方便快捷，但只能进行点测量^［10］；近地遥感法所需仪器价格昂贵，多用于科学研究和产量普查^［11］。随着信息技术在农业中的广泛应用，利用手机、数码相机等可无损地获取植物叶片颜色性状，推动计算机视觉成为快速便捷的图像处理技术，被广泛应用于作物色素含量反演和营养状况诊断^{［12⁃13］}等领域。

计算机视觉是指借助计算机实现人的视觉功能^［14］，通过数字图像分析、人工智能识别技术，将采集到的图像与传统监测得到的作物信息相结合，建立数字图像与植株信息之间联系的一门技术^［15］。作物颜色的变化是表征其生长状态、营养水平的重要信息，具有一定的稳定性和较强的鲁棒性，对叶片大小和方向不敏感。通过图像处理技术提取的玉米叶片颜色特征，基于RGB（red、green、blue）颜色模型构建的颜色特征参数，如2G-R^{［16⁃17］}、G-B^［16］、2G-R-B^{［18⁃19］}等与叶绿素含量呈显著负相关，G-B可作为叶绿素含量的最佳预测指标^［16］。研究表明，叶绿素含量与SPAD（soil and plant analyzer development）值呈显著正相关^［20］，而SPAD计具有便携性好、适宜野外实验等优点，因此，SPAD值被广泛用于指示叶绿素含量^［21］和光合性能^［22］、估算 地上生物量^［23］、指导灌溉量^［24］和氮肥施用^［25］等。

理解叶绿素含量变化对于了解植物固碳能力，监测植被病虫害发生发展乃至植被对全球气候变化反馈有着重要的意义^［26］。作物冠层叶绿素呈现垂直异质性^{［27⁃28］}，上层叶片叶绿素含量可用于指导施氮措施^［21］，从而在提高作物产量的同时减少环境污染。目前，基于计算机视觉技术的玉米叶绿素研究主要在人工定制的环境下进行，采用专用设备统一光照，在野外大田复杂光照情况下的计算机视觉问题研究较少；同时，由于玉米株型高大，工作量大且复杂，基于计算机视觉技术尚未应用于玉米叶绿素垂直变化研究中。本研究以SPAD值指示玉米叶片叶绿素含量，采用智能手机在自然光照条件下拍照获取叶片颜色特征，基于随机森林（random forest，RF）模型对各层位叶片SPAD值回归建模，基于计算机视觉技术探究玉米叶绿素垂直分布特征，为计算机视觉技术在玉米生产信息化中的应用提供理论依据和技术支持。

1 材料与方法

1.1 玉米叶片叶绿素含量的测定

在呼和浩特市选取3块玉米田，选择玉米大喇叭口期（7月8-9日）和抽雄期（7月19日），在每块玉米田中随机取六株玉米，使用 SPAD-502 Plus 自上而下测定玉米叶片叶绿素相对含量（SPAD值）。测定前用纸巾擦拭叶片灰尘，测定时避开叶脉，在叶中、叶基、叶尖各测定两次，取6次测定的平均值作为该叶片的SPAD值。将叶片按照总数划分为上、中、下三层^［29］，各层SPAD值变化见表1。

为验证SPAD值与玉米叶片叶绿素含量的关系，在测定SPAD值后，从每块样地随机取5片叶子进行叶绿素含量的测量。在测定SPAD值位置用打孔器打孔取样并称重，用95%乙醇浸泡叶片48 h后，使用UV2600分光光度计在649 nm、665 nm处测定吸光度，并计算叶绿素a（C_a）、叶绿素b（C_b）^{［30， 31］}和叶绿素 总量（C_t）：

C_a=\mathrm{12.95}{A}_{\mathrm{665}}-\mathrm{6.88}{A}_{\mathrm{649}}，（1）

C_b=\mathrm{24.96}{A}_{\mathrm{649}}-\mathrm{7.32}{A}_{\mathrm{665}}，（2）

C_t=C_a+C_b，（3）

其中，A₆₆₅、A₆₄₉分别是649 nm、665 nm处吸光度值。实验表明，SPAD值与叶绿素含量有较好的相关性（图1），SPAD值可用于指示玉米叶绿素含量的变化。

1.2 玉米叶片颜色特征的计算与叶绿素含量反演

采用自动曝光与白平衡模式对采集过SPAD值的叶片进行图像采集，数据以JPG格式存储。由于拍摄天气、光照、曝光强度等不同，可能出现噪声，不利于颜色特征提取。在进行叶绿素含量反演时，先对图像进行滤波除噪^{［32， 33］}，采用超绿指数（excess green index，EXG）与最大类间方差（OTSU）算法相结合，提取玉米叶片主体^［34］，再通过形态学操作，去除残余背景^［35］后，基于RGB颜色模型构建颜色特征参数，并利用随机森林（RF）回归建模反演叶片叶绿素含量（图2）。

参考相关文献中叶绿素含量与颜色特征参数的关系，选用以下基于RGB颜色模型的颜色特征参数（表2），基于计算机视觉技术反演叶绿素含量。

RF是一种基于集成学习和随机空间算法的机器学习方法，可有效处理多变量问题，且不需要统一删除变量和处理维数，同时可评估变量的重要性。RF算法不易出现过拟合，对异常值、缺失值和干扰值有较高的容忍度，具有良好的鲁棒性^［43］。RF的原理是基于 bootstrap 抽样，对每个 bootstrap 样本使用决策树建模，然后组合多株决策树进行预测，以投票的方式决定预测结果^［44］。本研究通过计算机视觉技术获取玉米叶片图像R、G、B分量，通过波段运算得到颜色特征参数（表1），采用RF算法对玉米各层位叶片SPAD值进行回归预测。由计算得到的颜色参数构建数据集，数据的80%用于建模，20%用于模型的验证与评价。选取决定系数R²、均方根误差RMSE （root mean square error ）^［45］、绝对均值误差MAE（mean absolute error）对 模型进行综合评定。RF参数的优化主要包括框架参数优化及决策树参数优化，框架参数主要是随机森林树数，决策树参数包括最大深度、最大特征数等^［46］。本研究使用GridSearch CV，通过网格搜索和交叉验证寻找最优解^［47］，进行模型优化。

2 结果分析

2.1 玉米不同层位叶片叶绿素含量的变化

在玉米大喇叭口期和抽雄期，叶片叶绿素含量均表现为中层下层上层，且玉米中层叶片SPAD值显著高于上层和下层的SPAD值，下层SPAD值极显著大于上层的（图3-4）。叶片由于叶龄的差异和衰老等因素，叶绿素含量出现离群值。

2.2 玉米叶片颜色特征与叶绿素含量的相关性分析

2.2.1 玉米不同层次叶片颜色特征

在RGB颜色模型中，R、G、B分量是最基本、最重要的颜色特征参数，其他参数均由R、G、B分量计算得来（表2）。在玉米的大喇叭口期和抽雄期，上、中、下层叶片颜色特征参数中GRB（图5），说明太阳光照射到叶片表面后，反射光的绿光最多、红光次之、蓝光最少，因为叶绿素a和叶绿素b对绿光吸收很少，对蓝光的吸收显著高于红光。

2.2.2 玉米叶片颜色特征与叶绿素含量的相关性

对玉米大喇叭口期叶片叶绿素含量与颜色特征参数（表1）进行相关分析和显著性检验，结果表明上层叶片SPAD值与2G-R、G、2G-R-B、G-R、R极显著负相关（α=0.01），相关系数分别为-0.56、-0.50、-0.46、-0.45、-0.33（图6a）；中层叶片SPAD值与2G-R、G、R极显著负相关（α=0.01），相关系数分别为-0.51、-0.45、-0.37（图6b）。因此，颜色特征参数2G-R与大喇叭口期上层、中层SPAD值相关性较好。下层叶片SPAD值与B相关系数高于R、G分量，IKAW和RBRI与大喇叭口期下层SPAD值相关性较高（图6c）。

对玉米抽雄期上层叶片叶绿素含量与颜色特征参数进行相关分析和显著性检验（图7a），结果显示SPAD值与2G-R-B、2G-R、G、G-B、G-R、G/R、R显著负相关（α=0.01），相关系数分别为-0.59、-0.58、-0.58、-0.53、-0.48、-0.47、-0.35，2G-R-B与上层叶片SPAD值相关性最好。中层叶片SPAD值与G/R、G-R、2G-R-B显著负相关（α=0.01），相关系数分别为-0.54、-0.51、-0.38，G/R与抽雄期中层SPAD值相关性最好（图7b）。下层叶片SPAD值与2G-R、G-R、G、G/R、2G-R-B、R显著负相关（α=0.01），相关系数分别为-0.62、-0.61、-0.58、-0.56、-0.54、-0.45。2G-R与大喇叭口期下层SPAD值相关性最好（图7c）。

玉米抽雄期颜色特征参数与SPAD值相关性略高于大喇叭口期。在两个生育时期，叶绿素相对含量SPAD值对G分量和R分量变化较为敏感，尤其是G分量，增强G分量的颜色特征参数，如2G-R、2G-R-B等，与SPAD值相关性较高。

2.3 基于计算机视觉的玉米叶绿素含量预测

2.3.1 随机森林模型的建立

基于相关系数大小筛选两个生育时期三层位叶片重要颜色特征参数（图6-7），输入随机森林回归模型，进行叶绿素含量的预测。在大喇叭口期，选择上层、中层G、R、G-R、2G-R、2G-R-B作为输入；下层选择归一化b、B/R、B/G、IKAW、RBRI作为输入。在抽雄期，上层选择G、G-B、G-R、2G-R、2G-R-B作为输入；中层、下层选择G、G-R、2G-R、2G-R-B、G/R作为输入。利用Grid Search CV搜索最优参数（表3），基于随机森林回归进行各层位叶绿素含量预测（表4）。在两个生育时期，模型的决定系数表现为上层中层下层，说明模型对上层叶片叶绿素含量的预测效果最好。

2.3.2 叶片颜色特征对随机森林模型的贡献

在玉米大喇叭口期，所选择的上层颜色特征参数对叶绿素预测的贡献表现为2G-R2G-R-BGG-RR，中层表现为2G-R2G-R-BGRG-R，下层表现为bB/GB/RRBRIIKAW（图7）。在抽雄期，上层叶片颜色特征参数对叶绿素预测的贡献程度表现为G-BG2G-R-BG-R2G-R，中层表现为G-RG/R2G-R2G-R-BG，下层表现为2G-RGG-R2G-R-BG/R（图8）。

2.3.3 基于颜色特征的叶绿素含量预测

在玉米大喇叭口期和抽雄期，选取一株玉米的第1、8、12叶（自上而下）代表上、中、下层位叶片，基于随机森林回归反演其叶绿素含量变化。在大喇叭口期，叶片SPAD值分布在6.44~73.13，中层叶片SPAD值高于下层和上层（图9a）。在抽雄期，SPAD值分布于12.11~75.16，中层SPAD值高于下层和上层（图9b）。从整体来看，抽雄期SPAD值略高于大喇叭口期，两个生育时期叶片SPAD值均表现为中层下层上层。

3 讨论与展望

3.1 玉米叶片叶绿素含量的垂直异质性

本研究表明在大喇叭口期和抽雄期，玉米中层、下层叶片叶绿素含量高于上层叶，这与以往研究结论一致^{［4， 29］}。玉米叶片SPAD值随着生长发育进程而变化，叶绿素含量在叶片展开达最大后缓慢下降，后期降低迅速^［48］，不同叶位叶片叶绿素含量呈垂直异质性^［27］。叶绿素含量的垂直异质性与上层叶发育程度、叶绿体的超微结构有关^［49］；也可能因为随着发育进程的推进，生长中心发生转变，营养物质向中层叶位的转移，中部叶成为重要功能叶^［48］。

3.2 计算机视觉参数与叶绿素含量的关系

绿叶植物叶片呈色机制基本一致^［50］，叶绿素在光吸收中起核心作用，吸收大部分红光（R）、紫光，反射 绿光（G），使叶片呈现绿色。一束光照射到叶片表面后，反射光中绿光最多、红光其次、蓝光（B）最少^［51］。健康茂盛的植物对G敏感^［52］，R与叶片生长有关，B与蛋白质合成有关^［53］。本研究表明，R、G、B分量均与玉米叶片叶绿素含量呈负相关，与孙红等^［54］的研究结论类似；其中，G分量与SPAD值相关性高于R、B分量，基于高光谱的研究也表明基于550 nm附近（G分量）反射率建立的玉米叶片SPAD预测模型偏差率普遍较小^［55］，与本研究结论一致。此外，与SPAD值相关性较好的颜色特征参数主要由G、R分量运算得到，其中2G-R、2G-R-B表现了较好的相关性，这与费丽君和蔡月芹^［36］在大豆上的研究结果相似。不同生育时期及同一生育时期不同叶位叶片的颜色特征参数及其与叶绿素含量的相关性存在差异，这与董哲等^［56］的研究结果一致。在大喇叭口期，上、中层叶片叶绿素含量均与2G-R相关性显著，下层叶片与IKAW和RBRI较好；在抽雄期，上层叶片叶绿素含量与2G-R-B相关性最好，中层与G/R相关性较好。但在苹果叶片叶绿素含量估测中，R、G分量相关性低于B分量^［39］，这可能是由于颜色特征参数的适用性不同，或与拍摄环境、背景和相机类型等因素对RGB图像的影响有关。

3.3 影响叶片颜色特征参数、叶绿素含量的因素

田间背景复杂，叶片倾斜生长，要获得平整且完整的叶片较难^［57］。光照条件影响叶绿素含量，叶绿素对太阳辐射的吸收和反射可以通过计算机视觉技术获得的叶片颜色特征参数反映^［36］。作物中、下层叶片处于弱光环境时，导致叶绿体数目减少、形状变小，使植物表现出萎蔫的现象，抑制植物叶片生长，并导致叶片弯曲^［58］。玉米叶片的卷曲导致不同部位的反光程度不同，造成了图像颜色分布不均以及颜色信息的非线性畸变^［59］。光照也影响数字图像质量，不同光照条件下获得的叶片图像，其颜色特征参数有一定的差别，使其与SPAD值的相关性表现不一致^［33］。使用灰板校正，可以消除不同时期由于光照条件引起图像间的差异，增加颜色特征参数的预测精度^［18］。归一化可以减少光照差异的影响，但由于图像变暗，在图像分割中被算法抛弃，提取不到颜色完整信息^［33］。选择合适的观测时间可以减少光照的影响。早晨和中午的图像中颜色特征值与SPAD值的相关性较好，尤以中午拍摄效果最佳^［60］。将计算机视觉技术应用于野外大田，一是要解决光照问题，寻找对光照敏感性低的颜色特征参数显得尤为重要，可以更好地处理叶片反光、光照不均以及阴影问题；二是要解决玉米叶片卷曲、不平整对于计算机视觉估算叶绿素含量的影响。图像获取需要一定的标准和方法，研究表明图片的拍摄角度、拍摄高度、图片储存格式对光谱参数没有影响，但不同光照强度和不同图像分辨率对图片的光谱参数值影响较大^［61］。

基于随机森林构建的SPAD预测模型中，对玉米上层叶片叶绿素含量的预测准确率高于下层和中层，其原因可能是上层叶片较为小且平展，而中、下层叶片不平整导致叶片表面光照分布不均^［62］；同时，由于叶龄产生的差异、叶片的厚度、叶表面是否有绒毛和蜡质层、叶脉是否密集等也可能产生影响^［63］。抽雄期模型效果好于大喇叭口期，可能因为该生育时期所受太阳辐射强，日夜温差小，受外界影响小，预测值和实测值一致性较高^［64］。本研究探讨了使用随机森林回归反演了玉米大喇叭口期和抽雄期叶片叶绿素含量的垂直异质性，在进一步研究中，应采用无人机等适合野外大田的数据获取方式，尝试更多的颜色模型与算法， 探讨叶绿素垂直异质性对水肥指示的敏感叶位等。

4 结论

（1）在玉米大喇叭口期和抽雄期，中层叶位SPAD值显著大于上层及下层，叶绿素含量呈垂直异质性。抽雄期叶绿素含量高于大喇叭口期，这些特性与叶片的生长发育、作物生长中心的转变以及环境条件密切相关。

（2）玉米上、中、下层叶片的颜色特征参数GRB，三分量均与叶绿素含量呈负相关。叶绿素含量（SPAD值）与G、R分量相关性较好，与二者相关的颜色特征参数，如2G-R、2G-R-B，对叶绿素含量的指示作用较强。

（3）基于计算机视觉技术的玉米叶绿素垂直分布研究具有可行性。基于随机森林的SPAD值预测表明，模型对上层叶片叶绿素含量的预测精度高于下层和中层。虽然不同时期不同层位叶片颜色特征参数对叶绿素预测的贡献有所差异，但综合来看，G、R分量及与二者相关的颜色特征参数，如2G-R、2G-R-B，对叶绿素反演精度的贡献较大。

参考文献

[1] 陈衍俊. 我国玉米种植区生态效率的区域差异及影响因素研究［J］. 安徽农业科学， 2022， 50（5）： 196-199.

[2] 杜玉红， 孙文新. 基于计算机视觉技术的玉米叶绿素含量检测研究［J］. 农机化研究， 2017， 39（8）： 199-201.

[3] 胡昌浩， 王群瑛. 玉米不同叶位叶片叶绿素含量与光合强度变化规律的研究［J］. 山东农业大学学报， 1989， 20（1）： 43-47.

[4] 童淑媛， 宋凤斌， 徐洪文. 玉米不同叶位叶片SPAD值的变化及其与生物量的相关性［J］. 核农学报， 2008， 22（6）： 869-874.

[5] 朱延姝， 郭丽丽， 崔震海， 等. 光强对玉米幼苗不同叶位叶片叶绿素荧光参数的影响［J］. 吉林农业科学， 2013， 38（4）： 1-4.

[6] WU B， YE H C， HUANG W J， et al. Monitoring the vertical distribution of maize canopy chlorophyll content based on multi-angular spectral data［J］. Remote Sensing， 2021， 13（5）： 987.

[7] 何宇航. 多角度遥感植物冠层叶绿素含量反演研究［D］. 杭州： 杭州电子科技大学， 2021：1-70.

[8] 乔浪， 张智勇， 陈龙胜， 等. 基于无人机图像的玉米冠层叶绿素含量检测与分布研究［J］. 农业机械学报， 2019， 50（S1）： 182-186.

[9] 陈圣波， 陈彦冰， 任枫荻， 等. 基于光谱指数的玉米叶绿素含量估算［J］. 信阳师范学院学报（自然科学版）， 2021， 34（2）： 225-229.

[10] 张伏， 张亚坤， 毛鹏军， 等. 植物叶绿素测量方法研究现状及发展［J］. 农机化研究， 2014， 36（4）： 238-241.

[11] 吴少俊. 基于计算机视觉的水稻叶绿素含量测定［J］. 农机化研究， 2020， 42（4）： 223-226.

[12] 刘静波， 赵红霞. 基于计算机视觉技术的叶绿素含量测定［J］. 食品工业科技， 2003， 24（S1）： 62-66.

[13] 娄卫东， 林宝刚， 周洪奎， 等. 基于图像特征的油菜叶绿素含量快速估算［J］. 浙江农业科学， 2022， 63（3）： 480-484.

[14] 王勃， 徐静. 计算机视觉技术在苹果叶片营养诊断上的应用［J］. 农机化研究， 2008， 30（3）： 238-240.

[15] 翟瑞芳， 方益杭， 林承达， 等. 基于高斯HI颜色算法的大田油菜图像分割［J］. 农业工程学报， 2016， 32（8）： 142-147.

[16] 李长生， 王国宏， 姜敏， 等. 基于图像处理的玉米叶色分级及其与光合性状的相关性分析［J］. 沈阳农业大学学报， 2012， 43（4）： 411-417.

[17] 徐远芳， 王晓敏， 孙红， 等. 基于图像处理的玉米叶片营养监测技术研究［C］//中国农业工程学会.中国农业工程学会2009年学术年会论文集.太谷： 中国农业工程学会，2009.

[18] 王娟， 危常州， 王肖娟， 等. 采用灰板校正的计算机视觉预测棉花叶绿素含量［J］. 农业工程学报， 2013， 29（24）： 173-180.

[19] 孙文辉， 马明建. 基于数字图像处理技术的叶绿素含量检测系统［J］. 农机化研究， 2012， 34（2）： 160-163.

[20] 薛香， 吴玉娥. 小麦叶片叶绿素含量测定及其与SPAD值的关系［J］. 湖北农业科学， 2010， 49（11）： 2701-2702.

[21] 党蕊娟， 李世清， 穆晓慧， 等. 施氮对半湿润农田夏玉米冠层氮素及叶绿素相对值（SPAD值）垂直分布的影响［J］. 中国生态农业学报， 2009， 17（1）： 54-59.

[22] 宋贺， 蒋延玲， 许振柱， 等. 玉米光合生理参数对全生育期干旱与拔节后干旱过程的响应［J］. 生态学报， 2019， 39（7）： 2405-2415.

[23] ZHAI W G， LI C C， FEI S P， et al. CatBoost algorithm for estimating maize above-ground biomass using unmanned aerial vehicle-based multi-source sensor data and SPAD values［J］. Computers and Electronics in Agriculture， 2023， 214： 108306.

[24] 袁小康， 周广胜， 王秋玲， 等. 不同灌溉量夏玉米叶绿素含量的高光谱特征及其反演［J］. 生态学报， 2021， 41（2）： 543-552.

[25] 王正瑞， 芮玉奎， 申建波， 等. 氮肥施用量和形态对玉米苗期叶绿素含量的影响［J］. 光谱学与光谱分析， 2009， 29（2）： 410-412.

[26] 孟庆野， 董恒， 秦其明， 等. 基于高光谱遥感监测植被叶绿素含量的一种植被指数MTCARI［J］. 光谱学与光谱分析， 2012， 32（8）： 2218-2222.

[27] 潘丽杰， 张宝林， 李瑞鑫， 等. 玉米不同叶位叶片叶绿素含量垂直分布研究进展［J］. 北方农业学报， 2023， 51（4）： 28-37.

[28] 武彬. 作物冠层叶绿素含量垂直分布遥感监测方法研究［D］. 北京： 中国科学院大学（空天信息创新研究院）， 2021.

[29] 王囡囡. 不同玉米品种生育期叶片SPAD值的比较［J］. 安徽农业科学， 2020， 48（16）： 45-46.

[30] 陈浩， 冯浩， 杨祯婷， 等. 基于无人机多光谱遥感的夏玉米冠层叶绿素含量估计［J］. 排灌机械工程学报， 2021， 39（6）： 622-629.

[31] 孔维平. 作物冠层色素含量及其垂直分布遥感监测研究［D］. 北京： 中国科学院大学（遥感与数字地球研究所）， 2018.

[32] 费丽君， 谭峰. 机器视觉技术在大豆叶片叶绿素含量测算上的应用［J］. 农机化研究， 2010， 32（3）： 199-201.

[33] 时雷， 庞晓丹， 钱诚， 等. 基于图像处理技术的小麦群体叶绿素状况估计研究［J］. 太原理工大学学报， 2016， 47（2）： 223-227.

[34] 孙红， 邢子正， 乔浪， 等. 基于光饱和影响校正的作物叶绿素分布光谱成像检测［J］. 光谱学与光谱分析， 2019， 39（12）： 3897-3903.

[35] 汪小钦， 王苗苗， 王绍强， 等. 基于可见光波段无人机遥感的植被信息提取［J］. 农业工程学报， 2015， 31（5）： 152-157.

[36] 费丽君， 蔡月芹. 大豆叶片叶绿素含量与颜色特征的关系［J］. 湖北农业科学， 2015， 54（4）： 967-969.

[37] 马明洋， 许童羽， 周云成， 等. 东北粳稻叶绿素相对含量的无人机高清影像检测方法［J］. 沈阳农业大学学报， 2017， 48（6）： 757-762.

[38] 孙洁琼， 孙明， 姜伟杰. 基于图像处理技术的冬小麦叶绿素含量检测研究［C］//中国农业工程学会.中国农业工程学会2009年学术年会论文集.太谷： 中国农业工程学会，2009.

[39] 程立真， 朱西存， 高璐璐， 等. 基于RGB模型的苹果叶片叶绿素含量估测［J］. 园艺学报， 2017， 44（2）： 381-390.

[40] 孙志伟， 张启明， 苑举民， 等. 基于可见光谱参数的烤烟叶片叶绿素含量估算模型［J］. 中国烟草科学， 2020， 41（1）： 44-49.

[41] 牛庆林， 冯海宽， 周新国， 等. 冬小麦SPAD值无人机可见光和多光谱植被指数结合估算［J］. 农业机械学报， 2021，52（8）：183-194.

[42] 王志超， 王建军， 戴晓宇， 等. 基于低成本RGB相机和近红外相机的作物叶片叶绿素含量估测方法比较研究［J］. 吉林农业， 2018（24）： 53.

[43] SUDU B， RONG G Z， GUGA S R， et al. Retrieving SPAD values of summer maize using UAV hyperspectral data based on multiple machine learning algorithm［J］. Remote Sensing， 2022， 14（21）： 5407.

[44] 裴浩杰， 冯海宽， 李长春， 等. 基于多元线性回归和随机森林的苹果叶绿素含量高光谱估测方法比较［J］. 江苏农业科学， 2018， 46（17）： 224-230.

[45] 高帅. 基于深度学习的小麦冠层叶片分割及氮素营养监测模型构建［D］. 南京： 南京农业大学， 2019.

[46] 柳明星， 刘建红， 马敏飞， 等. 基于GF-2 PMS影像和随机森林的甘肃临夏花椒树种植监测［J］. 自然资源遥感， 2022， 34（1）： 218-229.

[47] 钱力扬. 基于随机森林和XGBoost的大型风力机故障诊断方法研究［D］. 杭州： 浙江大学， 2018.

[48] 杨太新， 杜艳华， 马保国， 等. 夏玉米生长发育中叶片光合特性的研究［J］. 邯郸农业高等专科学校学报， 2001， 18（1）： 1-4.

[49] 王群瑛， 胡昌浩. 玉米不同叶位叶片叶绿体超微结构与光合性能的研究［J］. 植物学报， 1988， 30（2）：146-150.

[50] 边明博， 马彦鹏， 樊意广， 等. 融合无人机多源传感器的马铃薯叶绿素含量估算［J］. 农业机械学报， 2023， 54（8）： 240-248.

[51] 于峰. 计算机图像处理技术在植物N营养诊断中的应用及其软件开发［D］. 北京： 中国农业大学， 2003.

[52] 任文俊， 黄若之， 陈强， 等. 园林植物叶片光合色素的季节变化［J］. 农业与技术， 2023， 43（17）： 126-129.

[53] 赵静， 石卫华. 光质和光强对植物生长的影响［J］. 现代园艺， 2024（1）： 32-34.

[54] 孙红， 赵毅， 张猛， 等. 玉米拔节期冠层叶绿素含量多光谱图像检测［J］. 农业工程学报， 2015， 31（S2）： 186-192.

[55] 高鑫， 高聚林， 于晓芳， 等. 不同玉米品种叶片SPAD值估测模型的构建及其差异性研究［J］. 西北农林科技大学学报（自然科学版）， 2016， 44（10）： 37-44.

[56] 董哲， 杨武德， 朱洪芬， 等. 基于连续投影算法与BP神经网络的玉米叶片SPAD值高光谱估算［J］. 山西农业科学， 2019， 47（5）： 751-755.

[57] 李锦卫. 基于计算机视觉的水稻、油菜叶色—氮营养诊断机理与建模［D］. 长沙： 湖南农业大学， 2010.

[58] 王峥嵘， 魏建荣， 周兴华， 等. 不同光照强度对烤烟生长及品质的影响［J］. 云南农业大学学报（自然科学）， 2011， 26（S2）： 14-20.

[59] 周超超. 基于Android手机平台的玉米叶片含氮量检测方法研究［D］. 咸阳： 西北农林科技大学， 2014.

[60] 管鹤卿. 基于计算机视觉技术的油菜叶片信息研究［D］. 长沙： 湖南农业大学， 2007.

[61] 李艳. 加工番茄氮素营养快速诊断方法的研究［D］. 石河子： 石河子大学， 2007.

[62] 胡阳， 朱姣姣. 基于数码影像的香樟树叶片叶绿素分布可视化研究［J］. 信阳农林学院学报， 2017， 27（3）： 90-94.

[63] 王璞. RGB颜色传感器叶绿素仪的研究［D］. 天津： 天津大学， 2008.

[64] 马红雨， 李仙岳， 孙亚楠， 等. 基于无人机遥感的不同控释肥夏玉米SPAD差异性［J］. 排灌机械工程学报， 2023， 41（12）： 1261-1267.

基金资助

内蒙古自治区自然科学基金资助项目“基于卫星和无人机多源遥感的玉米生长检测诊断”(2022LHMS03009)