引用本文
孔丽娟, 隋媛媛, 刘爽, 陈丽梅, 周丽娜, 刘春慧, 姜玲, 李松, 于海业. 最优光谱特征变量反演颗粒物污染生菜的生理信息[J]. 光谱学与光谱分析, 2024,44(4): 1128-1135.
KONG Li-juan, SUI Yuan-yuan, LIU Shuang, CHEN Li-mei, ZHOU Li-na, LIU Chun-hui, JIANG Ling, LI Song, YU Hai-ye. Inversion of Physiological Information of Lettuce Polluted by Particulate Matter Based on Optimal Spectral Characteristic Variables[J]. Spectroscopy and Spectral Analysis, 2024,44(4): 1128-1135.
Doi:10.3964/j.issn.1000-0593(2024)04-1128-08  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
最优光谱特征变量反演颗粒物污染生菜的生理信息
孔丽娟1, 隋媛媛2, 刘爽3, 陈丽梅1, 周丽娜1, 刘春慧1, 姜玲1, 李松1, 于海业2,*
1.吉林农业大学工程技术学院, 吉林 长春 130022
2.吉林大学生物与农业工程学院, 吉林 长春 130000
3.吉林农业大学园艺学院, 吉林 长春 130022
*通讯作者 e-mail: haiye@jlu.edu.cn

作者简介: 孔丽娟, 女, 1990年生, 吉林农业大学工程技术学院讲师 e-mail: konglijuan630@sina.com

收稿日期: 2022-09-03 修回日期: 2023-08-30
基金: 国家自然科学基金青年科学基金项目(32001418)和吉林省重点研发项目(20200402015NC)资助
摘要

叶类蔬菜的品质和产量与其净光合速率息息相关, 秋冬季节受颗粒物污染的影响, 温室大棚内叶菜的光合作用受到制约, 对生理信息的准确预测不利。 以采收期生菜为试验对象, 研究其在颗粒物污染生长环境下, 基于高光谱技术建立并对比生菜净光合速率的反演模型的最优方法。 获得生菜的净光合速率和高光谱数据; 选取比值植被指数(RVI)、 差值植被指数(DI)、 归一化植被指数(NDVI)、 可视化气压阻抗指数(VARI)、 再归一化植被指数(RDVI)、 垂直植被指数(PVI)和植被衰减指数(PSRI)的原始和一阶变换共14个光谱植被指数; 用相关矩阵法优选出最优波长位置, 而非选择既有的固定波长, 计算得到最优植被指数, 与光谱位置变量(红边幅值, Dr)及光谱面积变量, 即红边面积(SDr)、 红边面积与蓝边面积的比值(SDr/SDb)、 红边面积与黄边面积的比值(SDr/SDy)共同作为光谱特征变量, 建立颗粒物污染环境下生菜净光合速率的反演模型。 采用多项式拟合和多元散射校正(MSC)、 标准正态变量变换(SNV)、 偏最小二乘(PLS)和主成分回归(PCR)光谱建模组合方法进行反演预测结果比较。 研究结果表明: 最优波长位置的PSRI(515, 499)和DI(515, 499)与净光合速率的相关性最大, 可以反映颗粒物污染下生菜的更多生理信息, 采用光谱预处理建模组合方法按精度从高到低排序为: SG+MSC+PCR>SG+SNV+PLS>SG+SNV+PCR>SG+MSC+PLS, 其中, SG+MSC+PCR组合建模方法的精度最高, 决定系数为 Rc=0.901 1, Rp=0.945 8, 基于最优光谱植被指数建模效果最佳; 光谱面积变量(SDr/SDb)的拟合精度最高( R2=0.936 5), 可以实现生菜净光合速率的可靠预测, 是基于光谱位置变量和面积变量建立生菜净光合速率的最优方法。 该工作对颗粒物污染环境下利用高光谱技术进行植物的生理信息反演研究具有一定参考价值。

关键词: 颗粒物; 最优光谱指数; 特征变量; 净光合速率; 建模反演
中图分类号:S636.2 文献标志码:A
Inversion of Physiological Information of Lettuce Polluted by Particulate Matter Based on Optimal Spectral Characteristic Variables
KONG Li-juan1, SUI Yuan-yuan2, LIU Shuang3, CHEN Li-mei1, ZHOU Li-na1, LIU Chun-hui1, JIANG Ling1, LI Song1, YU Hai-ye2,*
1. College of Engineering and Technology, Jilin Agricultural University, Changchun 130022, China
2. College of Biological and Agricultural Engineering, Jilin University, Changchun 130000, China
3. College of Horticulture, Jilin Agricultural University, Changchun 130022, China
*Corresponding author
Abstract

The quality and yield of leafy vegetables are closely related to the net photosynthetic rate. Affected by particulate matter pollutionespecially in autumn and winter, the photosynthesis of leafy vegetables in greenhouses is restricted, which is unfavorable for accurate prediction of physiological information. Under the growth environment of particle pollution, The lettuce during the harvest period was the test object. The optimal method for establishing the inversion model of lettuce net photosynthetic rate based on hyperspectral technology was studied. The net photosynthetic rate and hyperspectral data of lettuce were Obtained. The Ratio Vegetation Index (RI), Difference Vegetation Index (DI), Normalized Difference Vegetation Index (NDVI), visualization Visualize Atmospherically Resistive Vegetation Index (VARI), Renormalized Difference Vegetation Index (RDVI), Perpendicular Vegetation Index (PVI) and Vegetation Attenuation Index (PSRI) , were selected. The original and first-order transformations of the 14 spectral vegetation indices were studied. The correlation matrix method was used to optimize the optimal vegetation index, which was related to the spectral position variable (Red edge magnitude, Dr) and spectral area variables, namely red edge area (SDr), the ratio of red edge area to blue edge area (SDr/SDb), the ratio of red edge area to yellow edge area (SDr/SDy) as spectral feature variables. The inversion model of the net photosynthetic rate about lettuce was established by using a combination of polynomial fitting and multivariate scatter correction (MSC), standard normal variable transformation (SNV), partial least squares (PLS) and principal component regression (PCR) . The results showed that PSRI (515, 499) and DI (515, 499) at the optimal wavelength position had the greatest correlation with net photosynthetic rate, which could reflect more physiological information of lettuce under particulate pollution. The combined modeling method of SG+MSC+PCR had the highest accuracy, the coefficient of determination Rc was 0.901 1, and the Rp was 0.945 8. The modeling effect based on the optimal spectral vegetation index was the best. The spectral area variable SDr/SDb had the highest fitting accuracy ( R2=0.936 5), which could reliably predict the net photosynthetic rate of lettuce. It was the optimal method to establish the net photosynthetic rate of lettuce based on the spectral position and area variables. This work could provide a certain reference value for the inversion of plant physiological information using hyperspectral technology under a particulate pollution environment.

Keyword: Particulate matter; Optimal spectral index; Characteristic variable; Net photosynthetic rate; Modeling inversion
引言

日光温室大棚种植的叶类蔬菜以其生长快速、 鲜嫩可口、 收入可观, 深受种植户和居民喜爱, 但是秋冬季节温室内外的颗粒物污染影响了叶类蔬菜的品质产量。 生菜(Lettuce, Lactuca sativa L.)是叶用莴苣的俗称, 采收期生菜叶片具有叶面褶皱, 叶缘有锯齿的叶片特征, 使颗粒物更易吸附、 进入叶片气孔。 研究表明当植被长期处于不利环境时, 其气孔数量与分布不同于健康状态, 这直接影响植物的气体交换生理活动, 尤其是光合作用[1]。 而植被积累的生物量主要源于光合作用合成, 提高植被的净光合速率, 促进光合生产是叶类蔬菜实现高产的基础。 光合作用强则有利于植物生长发育并提高生物量积累量。 另外, 植物叶片气孔是吸收外界二氧化碳的功能器官, 气孔开度、 气孔导度和闭合速度直接影响光合作用, 长期处于颗粒物污染环境中的生菜因颗粒物的滞留、 进入气孔, 从而制约净光合速率, 不利于植被生物量积累。 因此, 研究颗粒物复杂环境下植被的光合作用被众多学者关注, 对指导植被生产和进行科学研究具有重要意义。

空气中悬浮颗粒物会影响植物进行正常的气体交换, 进而阻碍植被光合作用和呼吸作用的有效进行, 对植被最终的生物量积累、 品质、 形态等方面产生不利后果。 本世纪初开始, 国内外学者开始重视颗粒物污染因素对植被生理过程的影响, 其中, 光谱被应用于植被在颗粒物污染响应下的生理生态监测分析。 苏凯等用光谱遥感技术反映了大叶黄杨在粗大颗粒物污染环境下的光谱特征和叶片性状变化, 基于红边、 黄边、 蓝边、 绿峰、 紫谷、 归一化植被指数(normalized difference vegetation index, NDVI)、 归一化差异物候指数(NDPI)及增强型植被指数(EVI)实现了滞尘量的预测, 并得出光谱角对350~1 770 nm 波段内的滞尘叶片的光谱变化敏感的结论[2]。 张爱武基于高光谱成像技术对比不同植被对颗粒物滞尘的敏感性差异, 研究了多种植物叶片的光谱差值对空气中颗粒物的响应[3]。 彭杰等利用高光谱遥感技术研究叶面降尘对榆树叶片的高光谱特征的影响, 得出空气中粗大颗粒物对榆树叶片可见光波段的影响大于近红外波段; 以光谱一阶导数建立的叶片滞尘量偏最小二乘回归模型的预测效果最佳, 决定系数为0.92[4]。

光谱植被指数是评估植被生长状态的重要指标, 将多个波长范围内的光谱反射率或一阶导数进行组合计算得到光谱植被指数, 可以摒弃复杂的光谱数据, 有效表征植被在特殊环境的生理状态。 研究植被光合作用离不开气体交换参数, 气体交换参数可以有效反映植被对外界环境变化的响应, 净光合速率是最重要的气体交换参数之一。 因此, 建立净光合速率和光谱植被指数之间的定量模型, 可以快速、 无损获取植被生理生态, 有效估算植被净光合速率, 准确反映植被光合生理变化。 朱安然等人比较了五种光能利用率遥感估算模型(MOD17、 CASA、 GMEDMP、 VPM和EC-LUE), 并考虑光照散射因素对提高模型反演精度的作用, 验证结果可知加入晴空指数的模型有利于提高光能利用率的估算精度[5]。 罗玲等人对芦苇冠层的NDVI、 EVI、 比值植被指数(ratio vegetation index, RVI)、 代表权重差异植被指数(WDVI)、 绿色叶绿素指数(CIgreen)、 修改型土壤调整植被指数(MSAVI)及归一化水体植被指数(NDWI)对比研究后得出NDVI是最优植被指数, 用于表征芦苇的光能利用敏感性最高[6]。 刘聪等引入光合入射有效辐射(PARin)建立不同氮水平下, 水稻叶片尺度的净光合速率快速反演模型, 并指出利用叶绿素相关植被指数与PARin的乘积可以建立不同品种水稻的净光合速率统一反演模型[7]。 Yang等基于荧光光谱技术, 创建了荧光校正植被指数(FCVI)用以监测植物光合有效辐射的吸收以及叶绿素荧光散射和再吸收过程[8]。 纪童等研究表明光化学植被指数(PRI)和归一化水指数(NDWI)是作为荒漠草地植物的分类识别的最优植被指数, 随机森林模型(RF)的分类精度达到0.98, 识别效果好[9]。

由于光谱数据繁多, 有效利用率低, 国内外研究中常将原始光谱进行预处理后进行数据分析。 其中, 选取光谱植被指数以及与生理信息相关性高的光谱曲线位置变量和面积变量作为有效的光谱特征变量反演生理信息, 可以增强反映植被特性, 简化反演过程, 有效克服人工处理光谱数据繁琐的缺点[10]。 但是在实际应用时, 受植被种类、 生长阶段、 生长环境等因素影响, 基于固定波长计算的光谱植被指数所建模型具有局限性, 适用度不高。 因此, 结合前人研究, 本工作引入与净光合速率关系较高的几种典型光谱植被指数, 筛选出最优光谱波长所在位置, 组合计算后得出最优光谱指数, 将最优光谱指数和光谱位置变量、 面积变量作为光谱特征变量用于表征植被生长状态, 构建生菜净光合速率的反演模型。

考虑到生菜所处的颗粒物污染环境, 采集处于颗粒物作用下采收期生菜叶片的净光合速率和高光谱数据, 对原始高光谱和一阶导数光谱进行最优的波长组合计算, 与净光合速率进行相关矩阵分析, 提取出最优光谱植被指数(共14个), 进行多元散射校正(MSC)和标准正态变量变换(SNV)两种预处理方法以及偏最小二乘(PLS)和主成分回归(PCR)两种光谱建模方法对生菜净光合速率反演比较。 对光谱位置变量(红边幅值, Dr)及光谱面积变量, 即红边面积(SDr)、 红边面积与蓝边面积的比值(SDr/SDb)、 红边面积与黄边面积的比值(SDr/SDy)进行三次多项式拟合, 建立净光合速率的拟合模型。 基于优选光谱特征变量和建模方法研究颗粒物污染对生菜净光合速率定量反演模型的影响, 为研究精准、 无损且快速的叶菜生理信息检测技术提供方法参考。

1 实验部分
1.1 材料与方法

供试生菜品种为意大利生菜(Lactuca sativa L.), 播种育苗在吉林大学生物与农业工程学院的日光温室进行, 水肥生产管理条件一致, 移苗并缓苗3 d后, 于吉林大学生物与农业工程学院室外农学实验基地进行盆栽对照试验。 每次试验分为对照组和两个试验组, 对照组生菜放置在无污染棚内健康生长(共15株), 试验组是在试验棚内每天都受颗粒物连续作用1 h的生菜(共15株)。 颗粒物污染作用的方式为直接作用, 颗粒物作用1 h约从颗粒物发生箱中抽取2 000 mL, 使试验棚内达到并维持PM2.5的浓度为500 μg· m-3, 空气污染指数级别为六级[11]。

1.2 数据采集与处理

生菜采收期采集数据(晴朗天气9:00—15:00, 阴雨天顺延), 每株取3~4片功能叶片测量。 采集高光谱数据和净光合速率的叶片样本位置相同, 均取三次重复测量的平均值。 对照组和试验组的样本量相同, 均为154个。 高光谱数据采用地物光谱仪(Field Spec Hand Held 2型, 美国ASD公司)测定, 测量范围325~1 075 nm, 采样间隔1.4 nm, 分辨率3 nm。 净光合速率(Pn, μmol· m-2· s-1)由光合仪(LI-6400XT型, 美国LI-COR公司)测定获得。

将全波段原始光谱(325~1 075 nm)首末两端噪声抖动明显的部分去除后, 取450~850 nm作为有效光谱波段以降低数据处理复杂度, 用Savitzky-Golay(SG)平滑处理后, 用MSC和SNV方法进行光谱预处理, 筛选出最优光谱植被指数和光谱位置变量、 面积变量作为最优光谱特征变量进行研究分析, 数据预处理过程如图1所示。 数据处理与分析软件为ViewSpec Pro、 Matlab R2017b和Origin 19.0。

图1 数据预处理过程Fig.1 Data preprocessing

2 结果与讨论
2.1 最优光谱植被指数提取

为更有效提取颗粒物污染下与叶菜的净光合速率相关性最大的光谱波长组合, 选取14个植被指数进行计算, 如表1所示。

表1 光谱植被指数计算公式 Table 1 Formula of spectral vegetation index

利用Matlab中的相关矩阵法求净光合速率与14个光谱植被指数之间的相关性, 以相关矩阵图中相关系数最大(Rmax)对应的波长位置(i, j)作为最优的光谱波长组合, 用以计算光谱植被指数, 结果如图2所示。

图2 光谱植被指数与净光合速率相关矩阵图Fig.2 Correlation matrix diagrams of Pn and vegetation indices

由相关矩阵图提取出的最优波长位置组合(i, j)即可得到相应的光谱反射率(Ri, Rj)和光谱一阶导数(R'i, R'j), 从而计算出最优波长位置的光谱植被指数, 整理相关性结果如表2所示。 由表2可知, 14个光谱植被指数与净光合速率有一定相关性, 但受颗粒物污染的影响, 相关系数均不高, Rmax值最大为0.703 8, 对应光谱植被指数为PSRI, 波长组合为(515, 499), 其次为DI, Rmax值为0.698 5, 对应波长组合为(515, 499)。 按光谱植被指数与净光合速率的相关性排序从高到低为: PSRI> DI> RDVI> RI> NDVI> VARI> FDNDVI> FDDI> FDRI> FDPVI> PVI> FDVARI> FDPSRI。 在有效光谱波段内, 筛选Rmax值相对较大的光谱植被指数为最优光谱植被指数, 作为建立净光合速率反演模型的光谱特征输入变量, 结果分别为PSRI (515, 499)、 DI (515, 499)、 FDNDVI (607, 560)、 FDDI (616, 560)、 FDRI (572, 560)、 PVI (719, 575)。

表2 最优波长位置组合及相应光谱植被指数 Table 2 The optimal wavelength position combination and corresponding spectral vegetation index
2.2 建立净光合速率反演模型最优方法比较

将Dr、 SDr、 SDr/SDb、 SDr/Sdy及最优光谱植被指数作为光谱特征变量, 分别用三次多项式Y=β 3X3+β 2X2+β 1X+β 0函数和光谱组合建模方法建立颗粒物污染影响下生菜净光合速率的反演模型。 其中, 基于MSC和SNV两种预处理方法和PLS和PCR两种建模方法对净光合速率建模结果进行比较, 共有四种方法组合结果。 建模预测均随机取3/4的样本数作为校正集, 1/4作为验证集。 光谱位置变量和面积变量的反演模型多项式拟合结果如表3所示。

表3 光谱位置变量和面积变量的净光合速率反演模型 Table 3 Inversion models of Pn and Dr, SDr, SDr/SDb and SDr/SDy

由表3结果可知, 基于光谱位置变量和面积变量建立采收期生菜的生理信息反演模型取得较好效果, SDr/SDb这一光谱特征变量的检验回归三次方程的决定系数R2最高(R2=0.936 5), 拟合精度最高, 其次是SDr、 SDr/Sdy、 Dr, 决定系数R2分别为0.852 0、 0.778 5、 0.725 6。 净光合速率归一化值的预测值和实测值结果如图3所示。 由预测结果可知此多项式R2均大于0.8, 拟合水平较高, 其中SDr/SDb的模型预测能力R2=0.895 9, 模型预测能力佳, 可为颗粒物污染时生菜的净光合速率反演提供参考。

图3 光谱位置变量和面积变量的预测结果
(a): Dr; (b): SDr; (c): SDr/SDb; (d): SDr/SDyFig.3 Prediction results of Dr, SDr, SDr/SDb and SDr/Sdy
(a): Dr; (b): SDr; (c): SDr/SDb; (d): SDr/SDy

将筛选出的6个最优光谱植被指数, 即PSRI (515, 499)、 DI (515, 499)、 FDNDVI (607, 560)、 FDDI (616, 560)、 FDRI (572, 560)、 PVI (719, 575)作为光谱特征变量建立生菜净光合速率反演模型, MSC和SNV两种预处理方法以及PLS和PCR两种建模方法的组合建模结果比较如图4所示。

图4 最优光谱植被指数建模方法比较
(a): SG+MSC+PCR; (b): SG+MSC+PLS; (c): SG+SNV+PCR; (d): SG+SNV+PLSFig.4 Comparison of spectral modeling methods by using optimal vegetation indices
(a): SG+MSC+PCR; (b): SG+MSC+PLS; (c): SG+SNV+PCR; (d): SG+SNV+PLS

分别采用校验集和验证集的决定系数Rc、 Rp和均方根误差RMSEC、 RMSEP作为建模结果评价指标, 整理生菜净光合速率的最优光谱预处理和建模方法组合结果, 如表4所示。 可知, 以最优光谱植被指数为光谱特征变量时, Rc和Rp值均大于0.8, RMSEC和RMSEP值均小于1.51, 表明生菜净光合速率所建模型精度均较高, 结果可对生菜净光合速率实现定量预测。 其中, SG+MSC+PCR的预处理+建模组合的决定系数分别为Rc=0.901 1, Rp=0.945 8, 决定系数是四种组合方法中最高的, 均方根误差分别为Δ RMSEC=-0.054, Δ RMSEP=-0.168, 均方根误差与1的差值最小, 因此采用SG+MSC+PCR组合方法是基于最优光谱植被指数作为光谱特征变量建模的最优方法, 可以在颗粒物污染条件下最大程度提取生菜的有效生理信息, 对生菜净光合速率的反演精度最高。

表4 最优光谱植被指数建模结果 Table 4 Modeling results by using optimal spectral vegetation indices
3 结论

基于叶类蔬菜叶片气孔和叶绿素波段对光能吸收能力影响不同, 不同光谱植被指数和净光合速率之间的相关性存在差异, 尤其是在颗粒物污染环境条件下, 优选最优光谱特征变量, 建立最优光谱特征变量与植物净光合速率之间的相关关系, 可以快速准确反演植被生理信息, 为精确高效估算生理信息提供方法。 日光温室大棚内的颗粒物污染是影响叶类蔬菜光合作用的不利因素, 秋冬季节尤其明显。 以颗粒物污染环境下生长的采收期生菜为研究对象, 摒弃传统的固定波长计算植被指数方法, 采用相关矩阵法提取光谱植被指数的最优波长位置组合(i, j), 得到最优光谱植被指数, 作为光谱特征变量用MSC和SNV两种预处理方法以及PLS和PCR两种建模方法两两组合建立净光合速率反演模型。 另外, 将光谱位置变量和面积变量作为另一光谱特征变量, 建立净光合速率的一元三次预测模型, 得出以下结论:

(1)在14个光谱植被指数中, 筛选出6个最优光谱植被指数作为光谱特征变量, 其中, 与净光合速率相关性最大的最优光谱植被指数为PSRI(515, 499)和DI(515, 499), 可以反映更多的生菜生理信息;

(2)利用光谱预处理MSC和SNV方法以及PLS和PCR建模方法组合建立最优光谱植被指数的净光合速率反演模型, 模型表现出不同的精度, 以Rc、 Rp和RMSEC、 RMSEP为评价指标, 精度从高到低的光谱预处理建模组合方法为: SG+MSC+PCR> SG+SNV+PLS> SG+SNV+PCR> SG+MSC+PLS, 采用SG+MSC+PCR组合方法的精度最高, 是基于最优光谱植被指数作为光谱特征变量建模的最优方法;

(3)基于光谱位置变量和面积变量建立的生菜净光合速率预测模型中, 拟合精度最高的是SDr/SDb(R2=0.936 5), 实测值与预测值结果表明Dr、 SDr、 SDr/SDb和SDr/SDy与净光合速率的相关系数都大于0.84, 所建模型拟合水平较高, 模型可靠。

本工作只研究了净光合速率的高光谱反演, 植物光合生理信息还包括光合有效辐射、 叶绿素含量、 叶绿素荧光信息等, 今后还可以研究更多的生理信息作用, 探索多种光合生理信息的高光谱反演研究。 另外, 由于植物种类、 所处生长阶段、 生长环境等因素都会对植物的光合特性产生影响, 本工作只针对颗粒物污染环境下采收期的生菜, 因此, 基于植物生理信息进行光谱反演还需加强普适性, 探索在大数据基础上增强所建模型的一致性, 使植物在一定环境条件下, 基于光谱手段预测其生理信息的精度更高。

参考文献
[1] Melo H, Souza E R, Duarte H H F, et al. Revista Brasileira de Engenharia Agrícola e Ambiental, 2017, 21(1): 38. [本文引用:1]
[2] SU Kai, YU Qiang, SUN Xiao-ting, et al(苏凯, 于强, 孙小婷, 等). Journal of Beijing Forestry University(北京林业大学学报), 2021, 43(11): 40. [本文引用:1]
[3] ZHANG Ai-wu, ZHANG Tai-pei, KANG Xiao-yan, et al(张爱武, 张泰配, 康孝岩, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2018, 34(19): 170. [本文引用:1]
[4] PENG Jie, XIANG Hong-ying, WANG Jia-qiang, et al(彭杰, 向红英, 王家强, 等). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2013, 32(4): 313. [本文引用:1]
[5] ZHU An-ran, SUN Rui, WANG Meng-jia(朱安然, 孙睿, 王梦佳). National Remote Sensing Bulletin(遥感学报), 2021, 25(6): 1227. [本文引用:1]
[6] LUO Ling, MAO De-hua, ZHANG Bo, et al(罗玲, 毛德华, 张柏, 等). Geomatics and Information Science of Wuhan University[武汉大学学报(信息科学版)], 2020, 45(4): 524. [本文引用:1]
[7] LIU Cong, PENG Yi, FANG Sheng-hui(刘聪, 彭漪, 方圣辉). Journal of China Agricutural University(中国农业大学学报), 2020, 25(1): 56. [本文引用:1]
[8] Yang Peiqi, van der Tol Christiaan, Campbell Petya K E, et al. Biogeosciences, 2021, 8: 441. [本文引用:1]
[9] JI Tong, WANG Bo, YANG Jun-yin, et al(纪童, 王波, 杨军银, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2022, 42(3): 678. [本文引用:1]
[10] Tan K Z, Wang S W, Song Y Z, et al. Chemometrics and Intelligent Laboratory Systems, 2018, 172: 68. [本文引用:1]
[11] Kong L J, Yu H Y, Piao Z J, et al. Phyton-International Journal of Experimental Botany, 2021, 90(3): 1015. [本文引用:1]
[12] Sun H, Feng M C, Xiao L J, et al. PLOS ONE, 2019, 14(6): e0216890. [本文引用:1]
[13] Lu J Z, Ehsani R, Shi Y Y. Scientific Reports, 2018, 8: 2793. [本文引用:1]