第8期 光谱学与光谱分析 2193 2070 260 Wavelength/nn Concentra hip between RSIand LNA (b):I nm band s 模型类型 光参数 日归方程 建立模型 验证模型 直线方程 RS1(990.720) =5.095x.6040 0.814 13047 0.8470· 34305 幂函数方程 R81(930.580) =0223xl4 0.872 1.2593 0.7340· 4696% RSI710,890 y2.32e3 0.891 1.2706 08220· 21.50% ·表示模型的预测值和观测值在Q01水平极显著相关 特征波段构成RS1拟合直线方程，具有较高的决定系数 型的表现（表），并作预测值和观察值的1：1关系图展示所 (081)和较低的标准误差(1.30)（图2）：基于930和580nm 选模型的可靠性和一致性（图3）。 的RS1能有效估测叶片氨积累量，决定系数()较大(0.87) 结果表明，除基于RSI(930,580)构建的模型表现偏弱 而标准误差(SE)较低(1.26)：基于710和890nm所构建的 外，其他叶片氮积累量估算模型总体表现均不错。其中，以 指数预测方程也具有较大的R(Q89)和较低的SE(1.27). RSI(990,720)为变量建立的叶片氮积累量监测模型测试表 1201 现最为可靠和准确（图3），这些结果表明，基于诚量精细采 样法建立的小麦氮素监测模型不仅简化可靠，而且灵活适 用，可为便携式氮素监测仪的研制开发及空间遥感信息的快 速提取提供关键波段选择。 72 20 48 2n 2.4 8海 0014198223030 S0.720) Fig 2 Qntitative relationship between LNA △i Rst().720) and RSI(990,720)in wheat 090141252306360 22基于S1的叶片氮积累量监测模型测试 5990.720 利用独立观测资料对所构建的3个叶片氢积嚣量监测模 Fig 3 The 1:1 relationship between the predicted 型进行了初步的检验，以R和RRMSE指标来综合考察模 and observed LNA in whea 19942010h1ia http://www.enki.neFig11 Concentration map of coefficents of determination for linear relationship between RSI and L NA (a) : 10 nm band sampling interval at t he full wavelengt h of 35022 500 nm (b) : 1 nm band sampling interval at t he full wavelengt h of 90021 200 nm(X) and 5602730 nm( Y) Table 1 Quantitative relationship between L NA and RSI in wheat 模型类型 光谱参数 回归方程 建立模型 验证模型 R 2 SE R 2 RRMSE 直线方程 RSI(990 , 720) y = 51095 x - 61040 01814 11294 7 018470 3 3 24170 % 幂函数方程 RSI(930 , 580) y = 01223 x 11487 01872 11259 3 01734 0 3 3 46196 % 指数方程 RSI(710 , 890) y = 21132e - 5116 x 01891 11270 6 01822 0 3 3 27150 % 3 3 表示模型的预测值和观测值在 0101 水平极显著相关 特征波段构成 RSI 拟合直线方程 , 具有较高的决定系数 (0181) 和较低的标准误差(1130) (图 2) ; 基于 930 和 580 nm 的 RSI 能有效估测叶片氮积累量 , 决定系数( R 2 ) 较大(0187) 而标准误差(SE) 较低(1126) ; 基于 710 和 890 nm 所构建的 指数预测方程也具有较大的 R 2 (0189) 和较低的 SE(1127) 。 Fig12 Quantitative relationship between L NA and RSI( 990 , 720) in wheat 212 基于 RSI的叶片氮积累量监测模型测试 利用独立观测资料对所构建的 3 个叶片氮积累量监测模 型进行了初步的检验 , 以 R 2 和 RRMSE 指标来综合考察模 型的表现(表 1) , 并作预测值和观察值的 1 ∶1 关系图展示所 选模型的可靠性和一致性(图 3) 。 结果表明 , 除基于 RSI(930 , 580) 构建的模型表现偏弱 外 , 其他叶片氮积累量估算模型总体表现均不错。其中 , 以 RSI(990 , 720)为变量建立的叶片氮积累量监测模型测试表 现最为可靠和准确(图 3) 。这些结果表明 , 基于减量精细采 样法建立的小麦氮素监测模型不仅简化可靠 , 而且灵活适 用 , 可为便携式氮素监测仪的研制开发及空间遥感信息的快 速提取提供关键波段选择。 Fig13 The 1 ∶1 relationship between the predicted and observed L NA in wheat 第 8 期 光谱学与光谱分析 2193