全球水资源紧缺、智慧农业加速发展的当下，如何精准、高效地监测果树水分成为果园精细化管理的关键挑战。有没有办法在不破坏叶片的情况下快速掌握作物水分状态？
近日，新疆大学团队在《Computers and Electronics in Agriculture》发表研究成果——基于核桃、杏和枣树的实测光谱，创新性地结合ASD FieldSpec4地物光谱、PROSPECT-D模型与智能优化算法，系统评估了不同光谱分辨率与特征选择方法对叶片等效水厚度（EWT）估算的影响，为果树水分遥感监测开辟了全新路径。
图1.研究区域的位置。
研究地点：天山南麓绿洲，干旱区的果树样本
研究区域位于新疆乌鲁木齐市南部的天山山麓地带（82°48′E–83°40′E，41°05′N–41°56′N），海拔940–980米，地形为典型的山前冲积扇平原。
这里气候干旱，年蒸发量远高于降水量，昼夜温差大，但正是这种极端环境，孕育了新疆优质核桃、杏和红枣。
团队选择了三种代表性果树：
核桃（Juglans regia）：果实坚核期，处于水分需求高峰；
杏树（Prunus armeniaca）：成熟期，叶片含水波动大；
红枣（Ziziphus jujuba）：开花末期，叶片含水下降明显。
这三种果树的叶片结构、颜色与含水性差异显著，为模型建立提供了天然的对比样本。
图2.数据收集、处理、索引构建和建模过程的详细流程图。
实地采样：在烈日下测一片叶子的“光谱指纹”
研究团队于2022年7月2日开展实地观测。每个采样点从果树冠层的东、南、西、北四个方向各选取一片健康叶片，使用ASD FieldSpec4地物光谱仪测量350–2500 nm波段的反射光谱。测量时间严格控制在12:00–15:00之间，以保证太阳高度角变化最小、光照稳定。为避免环境干扰，每个点均进行白板校正。共采集99份样本，分别来自三种果树。
图3.三种果树的高光谱特征。
图4.基于数据集的全波段建模分析。
图5.不同光谱带宽下的光谱带分布。
图6.基于八种不同光谱分辨率的模拟数据集，EWT与TBI的相关性。切片表示最佳光谱变量的波段位置。
表1.基于TBI的最优波段组合
表2.两波段光谱指数在不同光谱分辨率及其波段组合下的最大相关系数值。
研究发现：融合光谱与智能算法，精准感知果树水分
（1）核桃叶片EWT最高——表现出更强的抗旱和保水能力；
（2）智能优化显著提效——WOA-RF 模型精度优于传统 RF（R² > 0.88，RPD > 2.0，MAE < 0.00097）；
（3）20 nm + CARS 最优组合——精度高、冗余低、运算效率更佳；
（4）关键波段集中于 1450、1950、2500 nm —— 与水分吸收峰一致。
图7.最优模型估计EWT相对误差的空间分布。
为果树精准“把脉”：ASD地物光谱仪的智慧农业实践
ASD FieldSpec4地物光谱仪作为关键的地面数据采集工具，为整个研究提供了可靠的数据基石。它不仅是获取高精度叶片光谱的源头，更是连接“叶片级测量”与“遥感级应用”的核心桥梁，其核心价值体现在：
l 奠定数据基石：为PROSPECT-D模型模拟提供高精度的"光谱真值"，确保后续分析的可靠性；
l 衔接多源数据：作为地面基准，为无人机遥感观测提供关键校准依据，实现多平台数据的有效融合；
l 支撑技术链条：从叶片参数反演到机器学习模型构建，ASD的高质量数据贯穿研究全流程。
意义与应用
这项研究首次系统比较了不同光谱分辨率与特征选择方法对果树叶片水分估算的影响，为干旱区果园水分精准监测与节水灌溉管理提供了科学依据。、
未来，通过无人机或卫星搭载光谱仪，就能在大范围内快速评估果树“渴不渴”，帮助农户科学浇水，让天山脚下的绿洲农业更高效、更可持续。
发表期刊：Computers and Electronics in Agriculture【影响因子：8.9】
研究单位：新疆大学、新疆畜牧科学院、伊犁师范大学等
研究地点：中国西北部的新疆维吾尔自治区天山南麓
使用设备：ASD FieldSpec4地物光谱仪