基于MODIS数据的草地生物量估算模型比较

准确估算草地生物量对合理规划区域畜牧业、评估草地植被的生态效益有重要意义.目前,在常用的遥感估算模型中,采用的植被指数和模型函数形式多样.本文根据野外生物量调查结果和MODIS数据,分别采用归一化植被指数(NDVI)、增强植被指数(EVI)和修正的土壤调节植被指数(MSAVI)建立了内蒙古科尔沁左翼后旗草地地上生物量和地上地下总生物量估测的3种(线性、乘幂和指数)模型,并进行了比较.结果表明:3种模型能够对草地生物量进行较好的模拟,其中指数模型效果最佳;3个植被指数(NDVI,EVI和MSAVI)与草地生物量均有较高的相关性,可用于该草地产量估测,其中MSAVI对地上生物量拟合效果最好(R2=0.900);NDVI和EVI的线性模型对总生物量的模拟明显好于对地上生物量的模拟.     

臭氧胁迫冬小麦叶片高光谱特征和叶绿素含量估算

为无损、快速监测臭氧胁迫下冬小麦叶片叶绿素含量，建立叶绿素含量与光谱指标的定量关系，基于自由式臭氧浓度增加系统平台观测了臭氧浓度升高下拔节期、开花期及灌浆期冬小麦叶片的叶绿素含量和光谱特征。通过线性回归、人工神经网络(ANN)以及偏最小二乘回归(PLSR)模型对臭氧胁迫下叶片高光谱特征进行了叶绿素含量的估算。结果表明：臭氧胁迫冬小麦叶片的光谱曲线特征出现绿峰“红移”和红边位置“蓝移”现象。相比于拔节期和开花期，小麦叶片在灌浆期受到臭氧的影响更大。臭氧胁迫下叶绿素含量与部分光谱特征参数及遥感植被指数存在显著相关关系，所有模型均取得了较高的估算精度(R²>0.8),其中以光谱特征参数为建模参量的偏最小二乘回归模型精度最高。该方法可用于臭氧胁迫下冬小麦叶片叶绿素含量的估测，动态监测作物的臭氧胁迫。     

不同灌水处理下冬小麦地上干生物量的高光谱监测

地上干生物量是反映作物生长发育和产量的重要指标。本试验通过不同的灌溉处理,研究了冬小麦生育期地上干生物量的变化规律,分别利用多元线性回归(MLR)和连续投影算法-MLR(SPA-MLR)构建了冬小麦地上干生物量光谱监测模型。结果表明:拔节期+孕穗期+开花期+灌浆期的灌溉方案有利于生物量积累;基于SPA-MLR构建的预测模型精度均高于MLR预测模型,其中,以开花期模型最优,R~2达到了0.96,RMSE为0.092,验证集的R~2为0.76,RMSE为0.18;综合冬小麦主要生育时期(拔节期至灌浆期)的预测模型的R~2达到了0.64,RMSE为0.30,验证集的R~2为0.54,RMSE为0.26,可以实现拔节期至灌浆期冬小麦地上干生物量的预测。本研究可为利用高光谱遥感技术预测冬小麦地上干生物量提供技术支持。     

星载大光斑LiDAR与HJ-1A高光谱数据联合估测区域森林地上生物量

以吉林省汪清林业局经营区为研究区,利用HJ-1A/HSI高光谱数据和ICESat-GLAS波形数据,估测区域森林地上生物量。从平滑后的GLAS波形数据中提取波形长度W和地形坡度参数TS,建立GLAS森林最大树高估测模型;从GLAS波形数据中提取能量参数I(植被回波能量Ev和回波总能量E之比),建立GLAS森林郁闭度估测模型;利用GLAS估测的森林最大树高和森林郁闭度联合建立森林地上生物量模型。由于GLAS呈离散条带状分布,无法实现区域估测,因此研究将GLAS波形数据与HJ-1A/HSI高光谱数据联合,基于支持向量回归机算法实现森林地上生物量区域估测,得到研究区森林地上生物量分布图。研究结果显示,基于W和TS建立的GLAS森林最大树高估测模型的adj.R~2=0.78,RMSE=2.51m,模型验证的adj.R~2=0.85,RMSE=1.67m。地形坡度参数TS能够有效的降低地形坡度的影响;当林下植被高度为2m时,得到的基于参数I建立的GLAS森林郁闭度估测模型效果最好,模型的adj.R~2=0.64,RMSE=0.13,模型验证的adj.R~2=0.65,RMSE=0.12。利用森林最大树高和森林郁闭度建立的森林地上生物量模型的adj.R~2=0.62,RMSE=10.88 t/hm~2,模型验证的adj.R~2=0.60,RMSE=11.52 t/hm~2。基于支持向量回归机算法,利用HJ-1A/HSI和GLAS数据建立的森林地上生物量SVR模型,生成了森林地上生物量分布图,利用野外数据对得到的分布图进行验证,验证结果显示森林地上生物量估测值与实测值存在很强的线性关系(adj.R~2=0.62,RMSE=11.11 t/hm~2),能够满足林业应用的需要。因此联合ICESat-GLAS波形数据与HJ-1A高光谱数据,能够提高区域森林地上生物量的估测精度。     

基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进

高光谱植被指数以其特有的精细光谱特征,能够获得非常细微的植被生理状况和环境胁迫差异,因而使遥感技术在精细农业中的应用.尤其是在叶绿素浓度和叶面积指数的反演上面有着广阔的应用前景.然而,现有的植被指数往往和这2个参数呈非线性关系,且只对某一区间的数值敏感,无法适用于其它植被覆盖程度的研究.为了寻找合适的波段位置以改善植被指数与叶绿素浓度和叶面积指数的线性关系,去除饱和区域,进而提高这2个参数的实际估算精度,该文选取了叶绿素浓度和叶面积指数,以辐射传输模型PROSPECT和SAIL为基础,模拟了这2个参数变化对3类高光谱植被指数(归一化植被指数(NDVI)、优化的简单比值指数(MSR)和优化的叶绿素吸收率指数(MCARI))的影响.叶绿素浓度变化敏感性分析结果表明,对这3类植被指数而言,750 nm和705 nm的叶片反射率更适合实际的叶绿素浓度反演.以750 nm和705 nm代替800 nm/700 nm和670 nm成功地提高了3类植被指数与叶绿素浓度的线性相关程度,其中MCARI705和叶绿素浓度基本呈线性关系.叶面积指数变化敏感性分析I口j样显示,以750 nm和705 nm组成的植被指数能够获取更可靠的叶面积指数信息,尤其对于高植被覆盖区域.其中MCARI705能较好地降低随叶面积指数变化的饱和程度,相比其它植被指数,当叶面积指数大于8时,MCARI705才出现明显的饱和.由于冠层的尺度效应,波段位置的选择对植被指数与叶面积指数线性关系的改善不及对叶绿素浓度明显.     

基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进

高光谱植被指数以其特有的精细光谱特征, 能够获得非常细微的植被生理状况和环境胁迫差异, 因而使遥感技术在精细农业中的应用, 尤其是在叶绿素浓度和叶面积指数的反演上面有着广阔的应用前景。然而, 现有的植被指数往往和这2个参数呈非线性关系, 且只对某一区间的数值敏感, 无法适用于其它植被覆盖程度的研究。为了寻找合适的波段位置以改善植被指数与叶绿素浓度和叶面积指数的线性关系, 去除饱和区域, 进而提高这2个参数的实际估算精度, 该文选取了叶绿素浓度和叶面积指数, 以辐射传输模型PROSPECT和SAIL为基础, 模拟了这2个参数变化对3类高光谱植被指数(归一化植被指数(NDVI)、 优化的简单比值指数(MSR)和优化的叶绿素吸收率指数(MCARI))的影响。叶绿素浓度变化敏感性分析结果表明, 对这3类植被指数而言, 750 nm 和705 nm 的叶片反射率更适合实际的叶绿素浓度反演。以750 nm 和705 nm代替 800 nm/700 nm 和670 nm成功地提高了3类植被指数与叶绿素浓度的线性相关程度, 其中MCARI705 和叶绿素浓度基本呈线性关系。叶面积指数变化敏感性分析同样显示, 以750 nm 和705 nm 组成的植被指数能够获取更可靠的叶面积指数信息, 尤其对于高植被覆盖区域。其中MCARI705 能较好地降低随叶面积指数变化的饱和程度, 相比其它植被指数, 当叶面积指数大于8时, MCARI705 才出现明显的饱和。由于冠层的尺度效应, 波段位置的选择对植被指数与叶面积指数线性关系的改善不及对叶绿素浓度明显。     

基于植被指数的典型草原区生物量模型——以内蒙古锡林浩特市为例

利用遥感估测地上生物量是国内外生态学与地理学的研究热点。但基于植被指数的生物量回归模型结果差异较大,究竟哪种植被指数与哪种模型更适合典型草原的生物量反演,是现代草地遥感急需解决的问题之一。该文基于TM影像数据的不同植被指数(VI)差异性,分别选取了RVI(比值植被指数)、NDVI(归一化差异植被指数)、SAVI(土壤调节植被指数)、MASVI(修改型土壤调整植被指数)和RSR(简化比率植被指数)5种植被指数,与同期的内蒙古典型草原区地面实测地上生物量做相关分析,分别建立了5种植被指数与地上生物量的线性及3种非线性(对数、二次多项式、三次多项式)回归模型。研究结果表明:对于中国北方典型草原区而言,地上生物量与5种植被指数(RVI、NDVI、SAVI、MSAVI和RSR)均呈现出显著相关,但地上生物量与后4种植被指数是正相关,与RVI为负相关;利用5种植被指数(RVI、NDVI、SAVI、MSAVI和RSR)监测草地植被生物量的复相关系数均大于0.6,充分说明利用植被指数检测典型草原生物量是一种简单可行的方法;NDVI建立的生物量回归模型,其复相关系数大于其它4类植被指数(RVI、SAVI、MSAVI和RSR),说明NDVI-生物量模型优于植被指数RVI、SAVI、MSAVI和RSR 模型,其模拟地表生物量的效果好;对于TM影像来说,植被生物量的线性模型与3种非线性模型(三次多项式生物量模型、二次多项式生物量模型、对数模型)都表现出较好的模拟效果,都通过了0.01的显著性检验,而且该研究的结果显示出三次多项式生物量回归模型最优,其次是二次多项式生物量模型,再次是线性模型,相对较差的是对数模型。通过NDVI-生物量三次多项式回归模型模拟锡林浩特草原的生物量,可以看出整个研究区的地上生物量基本上是东高西低、东南高西北低的趋势,这与研究区的地形、气候及土地利用等多种因素有关。     

高寒草地生物量变化对归一化物候指数的响应

准确评价草地地上生物量(Above-ground biomass, AGB)对草地资源的可持续利用和保护具有重要意义。以甘南为典型研究区,利用2019—2021年Sentinel-2地表反射率和野外实测地上生物量数据,借助GEE(Google Earth Engine)平台和数理统计方法评价了9种植被指数对高寒草地AGB的估算精度,构建了高寒草地地上生物量反演模型,在此基础上分析了2019—2021年甘南州草地产量的时空动态变化。结果表明：在所有植被指数中,归一化物候指数(Normalized difference phenology index, NDPI)与草地AGB的R²值最高(0.72),其次为归一化植被指数(normalized difference vegetation index, NDVI)(R²=0.68),拟合效果最差的为增强型植被指数(enhanced vegetation index, EVI)(R²=0.37)和差值植被指数(different vegetation index, DVI)(R<...     

不同地形条件下植被盖度信息提取技术研究

为系统地研究特定区域的植被盖度信息提取技术, 在不同的地形条件下, 比较了目前流行的多种高光谱遥感植被盖度提取方法。结果表明: 最优高光谱归一化植被指数(NDVI₁)的建模和验证精度均高于其他两种归一化植被指数(NDVI), 直接采用NDVI建立的回归模型对研究区植被盖度的估测能力低于像元二分模型; 阴坡的最佳模型为基于一阶微分的偏最小二乘回归模型(PLSR模型), 其建模决定系数(R²)为0.810, 均方根误差(RMSE)为6.29, 验证R²为0.773, RMSE为8.85; 阳坡的最佳模型为基于二阶微分的PLSR模型, 其建模R²为0.823, RMSE为6.04, 验证R²为0.801, RMSE为7.35; 平原的最佳模型为全受限的线性光谱混合分解模型(FCLS), 其验证R²为0.852, RMSE为5.86。     

基于森林群落和光谱曲线特征分异的福建省森林生物量遥感反演

基于福建省Landsat8 OLI影像,利用混合像元分解模型筛选出"纯净"的植被像元,提取296个调查样地对应植被像元的红光和近红外波段的中心波长(分别CWR和CWNIR)及其对应的反射率(分别R和NIR),构建以(NIR-R)/(CWNIR-CWR)为特征指数的叶生物量回归模型。然后根据针叶林、阔叶林及针阔混交林叶生物量与干、枝、叶所组成的地上生物量的关系方程,结合福建省植被覆盖分类数据,估测了整个福建省针叶林、阔叶林、混交林的地上生物量,并绘制了福建省地上生物量分布图。结果表明:红光和近红外两个波段反射率和其中心波长所组成的斜率与叶生物量相关性显著,与针叶林、阔叶林、混交林叶生物量的精度分别达到70.55%、68.89%、51.75%,采用这种方法对福建省叶生物量和地上总生物量进行估算,并进行精度验证,其中,针叶林、阔叶林、混交林叶物量的模型误差(RMSE)分别达到29.2467 t/hm~2(R~2=66.64%)、14.0258 t/hm~2(R~2=61.13%)、10.1788 t/hm~2(R~2=55.43%),地上总生物量的模型精度分别达到49.8315 t/hm~2(R~2=54.65%)、45.1820 t/hm~2(R~2=49.01%)、41.5131 t/hm~2(R~2=38.79%),这说明,采用红光波段和近红外波段与其中心波长所组成的斜率估测森林叶生物量,进而估算其地上总生物量的方法是可行的。     

基于机载高光谱影像的植被冠层叶绿素反演

利用黑龙江省伊春市带领区凉水国家级自然保护区机载高光谱数据,提取了红边面积、三角形植被指数、归一化植被指数等15个光谱参数,结合坡度、坡向、海拔、郁闭度和植被总盖度5个地理参数,并利用叶绿素计SPAD-502对研究区植被冠层叶绿素相对含量进行同步测量,分析了叶片光谱反射率、反射率的一阶导数及其他变形分别与SPAD值的相关性,采用基于核变换的偏最小二乘原理建立了叶绿素相对含量的估测模型,用该模型对研究区植被冠层叶绿素相对含量进行定量估算.结果表明:当分段数为3、提取的主成分数为10时,所建模型的效果较好,模型决定系数达到0.855,平均绝对百分误差为9.6％,预测精度为89.7％.     

协同ICESat/GLAS和MISR数据估算小兴安岭地区森林地上生物量

大光斑激光雷达ICESat/GLAS波形数据包含大量的地物垂直结构信息,如森林垂直断面、地形等。这些信息与森林地上生物量具有很强的相关性。本研究在雷达波形数据处理的基础上,提取波形参数,分别用线性逐步回归模型和Erf-BP神经网络模型建立波形参数与森林地上生物量的关系式。使用Erf-BP神经网络模型计算研究区域内GLAS光斑点的生物量,协同多角度光学遥感数据MISR应用随机森林机器学习方法构建从点到面的空间尺度生物量扩展模型,最后用样地数据对模型反演的生物量结果进行检验。研究结果表明Erf-BP神经网络模型预测能力(P=0.965,RMSE=3.81 t·ha-1)优于线性逐步回归模型(P=0.86,RMSE=4.54 t·ha-1);空间尺度扩展模型预测精度P=0.81,RMSE=2.39 t·ha-1,反演的森林地上生物量估计值范围在0~144.4 t·ha-1,平均地上生物量估计值为59.28 t·ha-1,用样地数据检验模型的反演结果(R2=0.72,RMSE=8.98 t·ha-1),估计值与实际值较为接近。研究实现使用少量实测数据获取大尺度、高精度森林地上生物量的目的,为森林资源调查、生态研究及碳循环研究提供基础。     

三种回归分析方法在Hyperion影像LAI反演中的比较

借助GPS进行地面精确定位,利用LAI-2000冠层分析仅在攸县黄丰桥林场开展130个样地(60m×60m)的叶面积指数(Leaf Area Index,LAI)测量.采用FLAASH模块对Hyperion数据进行大气校正并与地面同步冠层观测数据进行拟合,通过研究地面实测LAI与Hyperion影像波段及其衍生的系列植被指数(NDVI、RVI等)的相关性,筛选出估算叶面积指数的植被指数因子.应用曲线估计、逐步回归及偏最小二乘三种回归分析技术分别建立叶面积指数的最优估算模型.结果表明:参与建模的因子中,比值植被指数(RVI)与LAI的相关性最大,敏感性最高,其次是SARVI0.1,NDVI705,NDVI,SARVI0.1,SARVI0.25;曲线估计、逐步回归分析和偏最小二乘回归三种分析方法所建的6个回归模型中,偏最小二乘回归的拟合效果最好,预测值与实测值的决定系数R2为0.84、曲线估计的拟合效果最低,预测值与实测值的决定系数R2为0.64;建模精度分析表明,选用5-6个自变量因子进行LAI建模是可靠的,以6个植被因子建立的偏最小二乘回归模型预测精度最高.     

新疆云杉蓄积与地上生物量模型拟合分析

目的：建立新疆云杉蓄积及地上生物量模型,为在林分尺度上估算云杉碳储量及生产力提供基础数据。方法：利用收获法采集西伯利亚云杉(Picea obovata)与雪岭云杉(Picea schrenkiana)各50株,以蓄积为自变量,地上生物量为因变量,采用4种生物量模型进行回归分析构建模型,综合模型评价、参数估计值的稳定性及相对误差筛选出最优生物量模型。结果：确定W=0.515V^0.926 (R²=0.980)为西伯利亚云杉估测模型,W=0.541V^0.953 (R²=0.954)为雪岭云杉估测模型。结论：新疆云杉蓄积和地上生物量极显著相关,4种估测模型以幂函数拟合效果最优。     

人工神经网络与相容性生物量模型预测单木地上生物量的比较

森林生物量是林业生产经营和森林资源监测的重要指标,为探索高效低偏的单木生物量估测方法,引入人工神经网络.本研究采用黑龙江省东折棱河林场的101株长白落叶松地上生物量数据,基于不同变量(胸径、树高、冠幅)组合建立了4个聚合模型体系(AMS),采用加权回归消除模型的异方差.然后,基于最优的变量组合建立人工神经网络(ANN)...     

黄土高原典型草原地上生物量估测模型

为了寻求有效的草地地上生物量估测方法和精确估测黄土高原典型草原草原地上生物量。于2014年8月中旬,在黄土高原典型草原草原地上生物量达到最大值,分别从单株水平和种群水平进行野外调查。以株高(H)和盖度(C)的复合因子(C×H)为自变量,通过回归分析,建立地上生物量估测模型,采用留一法对其精确性进行评估;并通过校正系数以及群落总生物量估测值和实测值比较单株水平和种群水平所建模型的精确性。结果表明:黄土高原典型草原草地,无论在单株水平还是种群水平,线性和幂函数对该区域生物量的拟合效果更好。估测模型检验结果表明,在单株水平各个物种的生物量估测值与实测值相关性较好,均达到了显著水平(P0.05),其r值均大于0.6,总相对误差RS均小于10%,平均相对误差绝对值RMA(average absolute value of relative error)均小于30%,总生物量的实测值与估测值比较接近,校正系数均接近1;而在种群水平上,虽然各物种的生物量估测值与实测值相关性均达到了显著水平(P0.05),但多数物种平均相对误差绝对值RMA大于30%,总相对误差RS(total relative error)均大于10%,总生物量的估测值均大于实测值,校正系数均偏离了1,说明在黄土高原典型草原通过单株水平建立的物种生物量估测模型的精度优于种群水平建立的物种生物量估测模型的精度。     

利用机载激光雷达技术估测东北林区典型针叶林的蓄积量

为了推广激光雷达技术在森林蓄积量估测计量方面的应用,本研究以东北林区云冷杉林、落叶松林、红松林和樟子松林4种典型针叶林为对象,基于机载激光雷达获取的点云数据提取特征变量,结合800块地面样地数据,采用逐步回归方法和偏最小二乘方法,建立4种针叶林的蓄积量模型。结果表明: 偏最小二乘法建立的模型精度优于逐步回归方法(ΔR²=0.05～0.15,ΔRRMSE=2.6%～4.2%);在参与建模的3类点云特征变量中,贡献最大的是点云高度变量(被选择26次),其他变量有一定的辅助作用(分别被选择12次和11次);使用偏最小二乘方法建立的林分蓄积量模型中,红松林(R²=0.79,RMSE=60.92,RRMSE=22.9%)和落叶松林(R²=0.76,RMSE=28.39,RRMSE=25.8%)的精度最高,云冷杉林(R²=0.81,RMSE=46.96,RRMSE=27.7%)次之,樟子松林(R²=0.50,RMSE=55.49,RRMSE=30.4%)的精度稍低。研究结果为东北林区4种典型针叶林蓄积量估测提供了一种有效的方法。     

乌梁素海湿地芦苇最大羧化速率的高光谱遥感

湿地植被生产力和固碳潜力的研究是全球碳循环和全球变化的热点研究问题。湿地植被的光合能力能够指示其生长的健康状态。最大羧化速率是重要的植被光合参数之一,对精确模拟湿地植被光合作用和气体交换模型中的固碳过程具有重要的作用。以内蒙古乌梁素海湖泊湿地为研究区,进行了芦苇叶片光合参数和光谱的测量。芦苇叶片最大羧化速率(V_(cmax))数值是基于Farquhar光合作用模型,从光合测量获取的A-C_i曲线计算并校正到25℃得到的。分别基于bootstrap PLSR模型、单波段和高光谱植被指数(包括简单比值指数SR和归一化差值指数ND),构建湿地芦苇叶片最大羧化速率(V_(cmax))估算模型。基于高光谱遥感图像HJ-1A HSI,采用ND高光谱指数中具有较高V_(cmax)估算精度的入选波段702和756 nm,获取研究区湿地芦苇最大羧化速率空间分布图。研究结果表明,湿地植被光谱特征和高光谱植被指数,可用于估算湿地芦苇V_(cmax),其中最高精度产生于基于bootstrap PLSR模型的建模方法(R~2=0.87,RMSECV=3.90,RPD=2.72),ND高光谱指数的V_(cmax)估算精度高于SR高光谱指数的估算精度;从获取的V_(cmax)空间分布图上提取估算值,其与测量值对比,存在较好的相关性(R~2=0.80,RMSE=4.74)。     

基于HJ1B和ALOS/PALSAR数据的森林地上生物量遥感估算

森林地上生物量的精确估算能够减小碳储量估算的不确定性。为了探寻一种有效地提高森林生物量估算精度的方法,探讨了基于遥感物理模型和经验统计模型估算山地森林地上生物量的方法。首先,基于Li-Strahler几何光学模型和多元前向模式(MFM)进行模型模拟,结合查找表算法(LUT)从多光谱图像HJ1B估算贺兰山研究区的森林地上生物量。其次,采用统计方法建立了2种回归模型:(1)多光谱图像HJ1B进行混合像元分解(SMA),并与雷达图像ALOS/PALSAR进行图像融合建立生物量回归模型;(2)雷达图像ALOS/PALSAR后向散射系数和实测生物量建立了生物量回归模型。用实测数据对3种算法估算结果进行精度验证。研究结果表明:采用几何光学模型和MFM算法估算的森林地上生物量精度最好(决定系数R2=0.61,均方根误差RMSE=8.33 t/hm2,P0.001),其估算地上生物量与实测值一致性较好,估算生物量精度略优于SMA估算的精度(R2=0.60,RMSE=9.417 t/hm2);ALOS/PALSAR多元回归估算的精度最差(R2=0.39,RMSE=14.89 t/hm2)。由此可见,采用几何光学模型和混合像元分解SMA适合估算森林地上生物量,利用这2种方法进行森林地上生物量遥感监测研究具有一定的应用潜力。     

冬小麦叶片SPAD值高光谱估测的预处理方法

为选择合适的光谱预处理方法,提高叶片SPAD值的预测精度,本研究分析冬小麦不同叶位叶片SPAD值与光谱的响应关系,对原始光谱数据进行归一化处理(NC)、多元散射校正(MSC)和基线校正(BC)及组合处理,并结合连续投影算法(SPA)和逐步多元线性回归(SMLR)构建SPAD值光谱估测模型。结果表明:增加施氮量能提高冬小麦不同叶位叶片的SPAD值,生育前期顶二叶在近红外光谱区域反射率最大,生育后期则为顶一叶最大;单一光谱预处理中基于NC处理的光谱预测模型最好(R2=0.770、RMSE=1.483),MSC处理降低了模型预测效果,组合预处理中,以BC+NC建模效果最好,R2和RMSE分别为0.755和1.540;部分预处理在一定程度上可以消减噪音,但不当的预处理方法会降低模型的预测能力;预处理方法并不是越多越好,顺序不同预测模型精度不同。