叶片含氮量是表征玉米营养活性的重要参数之一，决定了玉米光合效率和产量形成。无人机高光谱技术近年来在作物表型性状获取方面得到了广泛应用。作物冠层光谱是探测视场内群体结构特性和叶片营养特性的综合反映，如何从冠层光谱分离出对于叶片氮素含量敏感的光谱信息对于提升玉米叶片含氮量估算精度具有重要意义。植物表型资讯介绍如下。

研究首先基于野外实测样本计算叶片氮状态、地上部生物量和叶面积指数对于冠层光谱的贡献，分离出对于叶片氮的敏感光谱数据。其次，利用SPA和CARS两种变量筛选方法筛选光谱分解前后叶片氮的敏感波段。最后，基于全波段反射率和敏感波段反射率，使用PLSR，RFR，SVR和GLR四种方法来构建育种玉米叶片氮估算模型，并利用独立的验证样本集验证各叶片氮的估算模型精度。

图1无人机高光谱成像系统(a)、传感器(b)和技术参数

结果表明：与光谱分解前的结果相比，光谱分解后叶片氮含量与各波段之间的相关性有所增加。光谱分解后的近红外波段反射率与叶片氮含量或叶片氮密度之间的相关性显著高于光谱分解前。光谱分解后玉米叶片氮的敏感波段主要在470、538、638、682、710、734和830 nm附近。无论是使用全波段还是敏感波段，光谱分解后的4种叶片氮估算模型精度均优于光谱分解前。基于CARS-SVR构建的叶片氮估算模型与使用全波段-SVR构建的模型估算精度相当。

图2 研究工作流程。试验区数码影像(a)和高光谱图像(b)示例

图3光谱分解前后光谱反射率与LNC或LND的相关性