利用高光譜技術建立了葉片含水量估算模型，為精確灌溉提供技術參考。本研究于2018-2020年連續兩年進行田間試驗(不同灌溉時間和7個小麥品種)，獲得冠層光譜反射率和葉片含水量(LWC)數據。從相關系數法（CA）和x-載重量法（x-Lw）中提取與LWC相關的特征帶。基于特征帶的五種建模方法，光譜指數和其他四種方法（偏最小二乘回歸（PLSR），隨機森林回歸（RFR），極端隨機樹（ERT）和K最近鄰（KNN））來 建立LWC估計模型。


P1、P2、P3、P4、P5、P6和P7代表小麥品種，P1: Luomai 27, P2: Zhengmai 136, P3: Zhengmai 22, P4: Zhengmai 16, P5: Zhongyu 1211, P6: Luomai 34, P7: Zhoumai 18. 

w0、w1和w2代表不同的灌溉處理，w0是底部階段的灌溉，w1是底部和拔節期的灌溉，w2是底部、拔節期和灌漿期的灌溉

結果表明，冠層光譜反射率隨著灌水次數的增加而增加，尤其是在近紅外波段(750-1350nm)。新開發的差分光譜指數DVI (R1185，R1307)的預測精度高于現有的光譜指數，其校正和驗證的R2分別為0.85和0.78。由于大量的高光譜數據，使用相關系數法（CA）和x負荷權重（x-Lw）從全光譜中選擇水分特征帶（分別為100和28個特征帶）。我們發現，基于特征波段的模型的精度并不顯著低于基于全光譜的模型。在這些模型中，ERT-x-Lw模型表現最佳（R2和RMSE分別為0.88和1.46；校準和驗證分別為0.84和1.62）。此外，由ERT-x-Lw構造的LWC估計模型的準確性高于DVI（R1185，R1307）。

基于冠層光譜的LWC和NDVI RVI之間的測定系數(R2)等高線圖和DVI值

基于ERT-x-Lw和DVI（R1185、R1307）的兩個模型能有效地預測小麥葉片含水量。研究結果為類似生產條件下的作物水分監測和診斷提供了技術參考和依據。

來源：Plant Methods.Comparison of new hyperspectral index and machine learning models for prediction of winter wheat leaf water content.Juanjuan Zhang, Wen Zhang, Shuping Xiong, Zhaoxiang Song, Wenzhong Tian, Lei Shi & Xinming Ma.

https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00737-2