利用高光谱技术建立了叶片含水量估算模型，为精确灌溉提供技术参考。本研究于2018-2020年连续两年进行田间试验(不同灌溉时间和7个小麦品种)，获得冠层光谱反射率和叶片含水量(LWC)数据。从相关系数法（CA）和x-载重量法（x-Lw）中提取与LWC相关的特征带。基于特征带的五种建模方法，光谱指数和其他四种方法（偏最小二乘回归（PLSR），随机森林回归（RFR），极端随机树（ERT）和K最近邻（KNN））来 建立LWC估计模型。


P1、P2、P3、P4、P5、P6和P7代表小麦品种，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代表不同的灌溉处理，w0是底部阶段的灌溉，w1是底部和拔节期的灌溉，w2是底部、拔节期和灌浆期的灌溉

结果表明，冠层光谱反射率随着灌水次数的增加而增加，尤其是在近红外波段(750-1350nm)。新开发的差分光谱指数DVI (R1185，R1307)的预测精度高于现有的光谱指数，其校正和验证的R2分别为0.85和0.78。由于大量的高光谱数据，使用相关系数法（CA）和x负荷权重（x-Lw）从全光谱中选择水分特征带（分别为100和28个特征带）。我们发现，基于特征波段的模型的精度并不显著低于基于全光谱的模型。在这些模型中，ERT-x-Lw模型表现最佳（R2和RMSE分别为0.88和1.46；校准和验证分别为0.84和1.62）。此外，由ERT-x-Lw构造的LWC估计模型的准确性高于DVI（R1185，R1307）。

基于冠层光谱的LWC和NDVI RVI之间的测定系数(R2)等高线图和DVI值

基于ERT-x-Lw和DVI（R1185、R1307）的两个模型能有效地预测小麦叶片含水量。研究结果为类似生产条件下的作物水分监测和诊断提供了技术参考和依据。

来源：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