全 文 ：植物生态学报 2009, 33 (1) 34~44
Chinese Journal of Plant Ecology

——————————————————
收稿日期: 2007-06-26 接受日期: 2007-10-16
基金项目: 国家自然科学基金(30671215 和 30400278)和江苏省自然科学基金(BK2005212 和 BK2003079)
* 通讯作者 Author for correspondence E-mail: caow@njau.edu.cn
基于高光谱遥感的小麦叶干重和叶面积
指数监测
冯 伟 朱 艳 姚 霞 田永超 曹卫星*
(南京农业大学/江苏省信息农业高技术研究重点实验室, 农业部作物生长调控重点开放实验室, 南京 210095)
摘 要 生物量和叶面积指数(LAI)是描述作物长势的重要参数, 叶干重和LAI的实时动态监测对小麦(Triticum
aestivum)生长诊断和管理调控具有重要意义。为分析多种高光谱参数估算小麦叶干重和LAI的效果, 建立小麦叶干
重和LAI的定量监测模型, 该研究连续3年采用不同小麦品种进行不同施氮水平的大田试验, 于小麦不同生育期采
集田间冠层高光谱数据并测定叶片叶干重和LAI。试验结果显示, 小麦叶干重和LAI随施氮水平的提高而增加, 随
生育进程呈单峰动态变化模式。小麦叶干重和LAI与光谱反射率间相关性较好的区域主要位于红光波段(590~710
nm, r<–0.60)和近红外波段(745~1 130 nm, r>0.69)。对于不同试验条件下的叶干重和LAI, 可以使用统一的光谱参数
进行定量反演, 其中基于RVI (810, 560)、FD755、GM1、SARVI (MSS)和TC3等光谱参数的方程拟合效果较好。经
不同年际独立试验数据的检验表明, 以参数RVI (810, 560)、GM1、SARVI (MSS)、PSSRb、(R750-800/R695-740) –1、VOG2
和MSR705为变量建立的叶干重和LAI监测模型均给出较好的检验结果。因此, 利用关键特征光谱参数可以有效地
评价小麦叶片生长状况, 尤其是光谱参数RVI (810, 560)、GM1和SARVI (MSS)可以对不同条件下小麦叶干重和LAI
进行准确可靠的监测。
关键词 小麦 叶干重 叶面积指数 高光谱遥感 监测模型
MONITORING LEAF DRY WEIGHT AND LEAF AREA INDEX IN WHEAT
WITH HYPERSPECTRAL REMOTE SENSING
FENG Wei, ZHU Yan, YAO Xia, TIAN Yong-Chao, and CAO Wei-Xing*
Hi-Tech Key Laboratory of Information Agriculture of Jiangsu Province, Key Laboratory of Crop Growth Regulation, Ministry of Agriculture,
Nanjing Agricultural University, Nanjing 210095, China
Abstract Aims Biomass and leaf area index (LAI) are important parameters for indicating crop
growth potential and photosynthetic productivity in wheat. Non-destructive, quick assessment of leaf
dry weight and LAI is necessary for growth diagnosis and cultural regulation in wheat production. The
objectives of this study were to determine the relationships of leaf dry weight and LAI to ground-based
canopy hyperspectral reflectance and spectral parameters and to derive regression equations for moni-
toring leaf dry weight and LAI in winter wheat (Triticum aestivum) with hyperspectral remote sensing.
Methods Three field experiments were conducted with different wheat varieties and nitrogen levels
for three growing seasons, and time-course measurements were taken on canopy hyperspectral reflec-
tance and leaf dry weight and LAI during the experiments. Experiment one was conducted in
2005−2006 to construct a monitoring model with four N rates of 0, 90, 180 and 270 kg·hm–2 using cul-
tivars ‘Ningmai9’ and ‘Yumai34’ (low and high protein types, respectively). Experiment two was un-
dertaken in 2004−2005 to construct a monitoring model with four N rates of 0, 75, 150 and 225 kg·hm–2
using cultivars ‘Ningmai9’, ‘Yangmai12’ and ‘Yumai34’ (low, medium, high protein types, respec-
tively). Experiment three was conducted in 2003−2004 to test a monitoring model with four N rates of
0, 75, 150, 225 and 300 kg·hm–2 using cultivars ‘Ningmai9’, ‘Huaimai20’ and ‘Xuzhou26’ (low, me-
dium, high protein types, respectively).
Important findings Leaf dry weight and LAI in wheat increased with increasing nitrogen rates and

1 期 冯 伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测 DOI: 10.3773/j.issn.1005-264x.2009.01.004 35
with significant differences between stages of growth. The dynamics of leaf dry weight and LAI during
growth exhibited single peak patterns. The sensitive spectral bands were located mostly within red light
and near infrared regions, with correlation coefficients <–0.60 in 590~710 nm and >0.69 in 745~1 130
nm. The regression analyses between existing vegetation indices and leaf dry weight and LAI revealed
that some key spectral parameters could accurately estimate changes in leaf dry weight and LAI across a
broad range of stages of growth, nitrogen levels and growing seasons, with unified spectral parameters
for each growth parameter. Among them, regression models based on RVI (810, 560), FD755, GMI,
SARVI (MSS) and TC3 produced better estimation of leaf dry weight and LAI. Testing of the monitoring
models with an independent dataset indicated that the spectral indices of RVI (810, 560), GMI, SARVI
(MSS), PSSRb, (R750-800/R695-740)-1, VOG2 and mSR705 gave accurate growth estimation under the ex-
perimental conditions. Overall, leaf dry weight and LAI in wheat could be monitored by key vegetation
indices, with more reliable estimation from RVI (810, 560), GMI and SARVI (MSS).
Key words wheat (Triticum aestivum), leaf dry weight, leaf area index (LAI), hyperspectral remote sensing,
monitoring model
DOI: 10.3773/j.issn.1005-264x.2009.01.004
生物量和叶面积是生态系统中表征植被冠层
结构最重要的参数, 参与许多生物和物理过程。
群体叶片重量和LAI可以表征作物长势状况 , 对
光能利用、干物质生产及产量形成具有重要作用,
因而叶片重量和LAI的实时动态监测始终是农学
家关注的热点问题。前人对作物地上部生物量、
叶片重量和叶面积指数的光谱反演已进行了大量
工作。国内外的研究显示, 冠层光谱比值植被指
数和归一化植被指数可以有效地反演水稻(Oryza
sativa) 地 上 部 生 物 量 (Shibayama & Akiyama,
1989; 唐延林等, 2002)。小麦(Triticum aestivum)
地上部生物量与归一化差值植被指数NDVI (708,
565)关系密切 , 偏最小二乘法估算效果更好
(Hansen & Schjoerring, 2003)。蓝边内一阶微分的
总和(SDb)与红边内一阶微分的总和(SDr)两者比
值与水稻地上部生物量关系密切 (王秀珍等 ,
2003)。叶片重量与地上部生物量比较, 关于叶片
重量的研究相对较少, 但对禾本科作物来讲, 叶
片生理生态作用更为重要, 其重量对小麦作物生
产影响很大。研究表明, 利用偏最小二乘回归模
型可以对水稻叶片干重进行预测(Takahashi et al.,
2000; Nguyen & Lee, 2006)。比值植被指数
R990/R550、R800/R550、R750/R550、R800/R680及红边参
数与水稻、玉米 (Zea mays)和棉花 (Gossypium
hirsutum)等3种作物的叶鲜重和叶干重均存在极
显著相关关系(唐延林等, 2004)。关于LAI的研究
表明, LAI与群体反射率及一阶微分光谱均表现良
好的相关性(刘伟东等, 2000)。通过构造不同形式
光谱参数均可以用来反演LAI, 如比值植被指数、
归一化植被指数和垂直植被指数等 (Pearson &
Miller, 1972; Rouse et al., 1974; Richardson &
Wiegand, 1977; Shibayama & Akiyama, 1989; 张
晓阳和李劲峰, 1995)。基于波形分析的红边参数
对LAI也表现敏感(Patel et al., 2001; Zhao et al.,
2002; 王秀珍等, 2002)。纵观作物长势遥感的已
有进展 , 许多研究对叶片重量和LAI的光谱反演
均取得了比较满意的结果, 但缺乏两者间的比较
分析, 且用来估算叶片重量和叶面积指数的适宜
特征光谱及参数随不同作物和试验条件而有所差
异。此外, 前人研究结果多基于单年数据, 且参与
建模的生育阶段较少, 因而模型的可靠性和适用
性需要进一步加强。因此, 建立通用的且精度较
高的作物叶干重和叶面积指数监测模型尚需要进
一步探索和明确。
本研究充分利用植物的高光谱反射率在较宽
波谱范围内具有连续、精细的特点, 试图获得丰
富的波段组合及参数类型, 增强对小麦冠层结构
生物物理参数的预测能力。本试验以不同年份、
品种类型、施氮水平的田间试验为基础, 综合分
析小麦多生育期叶干重和叶面积指数与对应冠层
高光谱参数的定量关系, 测试比较多种特征光谱
参数估算叶干重和叶面积指数的效果, 以期确立
小麦作物叶干重和叶面积指数的定量监测模型。
预期结果将为遥感技术在小麦长势监测和产量预
报的可能应用提供理论依据和技术支持。
1 材料与方法
1.1 试验设计

36 植 物 生 态 学 报 www. plant-ecology.com 33 卷
本研究共进行了3个田间试验 , 涉及到不同
年份、不同品种类型、不同施氮水平, 具体试验
设计描述如下。
试验1 (EXP.1): 2005~2006年在江苏省南京
市农林局试验站(南京市江宁区, 118°59′ E, 31°56′
N)进行。供试品种为‘宁麦9号’(低蛋白含量, 约
10%, 记作N9), ‘豫麦34’(高蛋白含量, 约15%, 记
作Y34)。土壤质地为黄棕壤, 有机质1.43%, 全氮
0.11%, 速 效 氮 62.5 mg·kg–1, 速 效 磷 10.36
mg·kg–1, 速效钾82.5 mg·kg–1。前茬为水稻, 试验
设4个施氮水平, 分别为0 (N0)、90 (N1)、180 (N2)
和270 (N3) kg·hm–2纯氮, 其中50%用作基肥, 50%
为拔节期追肥 , 各处理配施150 kg·hm–2 P2O5和
210 kg·hm–2 K2O, 磷钾肥全部用作基肥。试验为
随机区组排列, 3次重复, 小区面积5 m×5.5 m, 基
本苗1.8×106·hm–2, 行距25 cm, 11月16日播种, 其
它栽培管理措施同一般高产麦田。田间光谱测试
和采样日期分别为: 3/30 (拔节期, Jointing)、4/11
(孕穗期, Booting)、4/20 (抽穗期, Heading)、4/29
(开花期, Anthesis)、5/8 (花后9 d, DAA9)、5/18 (花
后19 d, DAA19)和5/24 (花后25 d, DAA25)。该试
验资料用于监测模型的构建。
试验2 (EXP.2): 2004~2005年在江苏省农业
科学院(南京市孝陵卫, 118°78′ E, 32°04′ N)进行。
供试品种为‘宁麦9号’(低蛋白含量, 约10%, 记作
N9), ‘扬麦12号 ’(中蛋白含量 , 约12.5%, 记作
Y12), ‘豫麦34’(高蛋白含量, 约15%, 记作Y34)。
土壤质地为重粘土 , 有机质2.09%, 全氮0.18% ,
速效氮150.20 mg·kg–1, 速效磷140.03 mg·kg–1, 速
效钾113.50 mg·kg–1。前茬为水稻, 试验设4个施氮
水平, 分别为0 (N0)、75 (N1)、150 (N2)和225 (N3)
kg·hm–2纯氮 , 其中50%用作基肥 , 50%为拔节期
追肥。各处理配施80 kg·hm–2 P2O5和150 kg·hm–2
K2O, 磷钾肥全部用作基肥。试验为随机区组排
列 , 3次重复 , 小区面积 4 m×4.5 m, 基本苗
1.5×106·hm–2, 行距25 cm, 11月7日播种, 其它栽
培管理措施同一般高产麦田。田间光谱测试和采
样日期分别为: 3/19 (拔节期)、4/13 (孕穗期)、4/26
(开花期)、5/6 (花后10 d, DAA10)、5/17 (花后21 d,
DAA21)和5/24 (花后28 d, DAA28)。该试验资料
用于监测模型的构建。
试验3 (EXP.3): 于2003~2004年在江苏省农
业科学院(南京市孝陵卫, 118°78′ E, 32°04′ N)进
行。前茬水稻田 , 供试土壤为黄黏土 , 有机质
0.96%, 全氮0.10%, 速效磷40.29 mg·kg–1, 速效
钾102.78 mg·kg–1。供试小麦品种为‘宁麦9号’(低
蛋白质含量, 约10%)、‘淮麦20 ’(中蛋白质含量,
约12%)和‘徐州26’(高蛋白质含量, 约15%)。设5
个施氮水平, 分别为0、75、150、225和300 kg·hm–2
纯氮 , 其中60％作基肥 , 拔节肥和孕穗肥各占
20%。各处理配施P2O5 150 kg·hm–2和K2O 112.5
kg·hm–2, 全部用作基肥。小区面积为16 m2, 基本
苗为1.8×106·hm–2, 行距25 cm, 11月1日播种, 。试
验为随机区组排列, 3次重复。其它管理措施同高
产大田栽培。对‘淮麦20’品种而言, 仅在开花期进
行田间光谱测试, 而‘宁麦9号’和‘徐州26’品种田
间光谱测试和采样日期分别为: 3/28 (孕穗期)、
4/20 (开花期)、5/4 (花后14 d, DAA14)和5/16 (花
后26 d, DAA26)。该试验资料用于监测模型的检
验。
1.2 测定方法
1.2.1 光谱数据测定
小麦冠层光谱测量采用美国Analytical Spec-
tral Device (ASD) 公 司 生 产 的 FieldSpec Pro
FR2500型背挂式野外高光谱辐射仪。波段值为
350~2 500 nm, 其中350~1 000 nm光谱采样间隔
为1.4 nm, 光谱分辨率为3 nm; 1 000~2 500 nm光
谱采样间隔为2 nm, 光谱分辨率为10 nm。冠层光
谱测定选择在天气晴朗、无风或风速很小时进行,
时间范围为10:00~14:00。测量时传感器探头垂直
向下, 光谱仪视场角为25°, 距冠层顶垂直高度
约1.0 m, 地面视场范围直径为0.44 m。以10个光
谱为一采样光谱, 每个观测点记录10个采样光谱,
以其平均值作为该观测点的光谱反射值。测量过
程中, 及时对每组目标的观测前后进行标准白板
校正(标准白板反射率为1, 因此所得目标物光谱
为无量纲的相对反射率)。
1.2.2 叶干重和叶面积测定
与光谱测量同步, 每小区在拔节期选取有代
表性小麦20株, 孕穗期以后取小麦50个单茎, 将
绿色叶片按叶位分离, 称重, 在105 ℃下杀青并
在80 ℃下烘干后称重 , 得到各叶位叶片干重及
绿色叶片的总干重(LW)。同步利用CID-301型叶
面积仪测定每个叶位叶片20张样叶并称重, 由于
叶干重与其面积间存在一定的比例关系, 采用比
叶重法(Specific leaf weight, SLW)求得所有取样

1 期 冯 伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测 DOI: 10.3773/j.issn.1005-264x.2009.01.004 37
植株不同叶位叶片面积 , 进而计算出单一植株
(单茎)的每个叶位叶面积, 然后与单位土地面积
植株(单茎)数相乘, 就得到了单位土地面积内的
每个叶位叶片面积, 将所有叶位绿叶片面积相加
即得到总叶面积指数(LAI)。单位土地面积植株(单
茎 )数是通过关键生育期群体样本调查得到的 ,
具体为每个小区定两个样本区(1 m长, 4行, 折合
面积1 m2), 调查1 m2内实际小麦株数和单茎数。
1.3 数据分析与利用
本研究综合了已有光谱参数的算法 , 并在
MATLAB语言环境下编程实现。以试验1和试验2
资料为基础, 对小麦冠层多个光谱参数与叶干重
和LAI进行相关分析, 选择与叶干重和LAI显著相
关的敏感波段及光谱参数, 通过回归分析建立小
麦叶干重和LAI监测模型 , 利用估计标准误差
(SE)和拟合决定系数(R2)优化方程。然后利用试验
3资料对所筛选建立的模型进行测试和检验 , 采
用平均相对误差 (RE)、预测精度 (R2)和准确度
(SLOPE, 截距为0时估算值与实测值间线性回归
方程的斜率)进行综合评定 , 并绘制观察值与预
测值之间1:1关系图。经相关回归分析后优选出表
现较好的高光谱参数及其定义见表1。


表1 本文采用的高光谱参数列表
Table 1 Summary of different hyperspectral parameters used in this study
光谱参数
Spectral parameter
定义与算法
Definition and algorithm
参考文献
Reference
RVI 两波段反射率比值 Ratio of reflectance at λ1 and λ2 Rλ1/Rλ2 Rouse et al. (1974)
SARVI (MSS) 基于MSS波段的土壤调整比值植被指数 Soil adjusted ratio vegetation indices on data from MSS MSS7/(MSS5+b/a) Lyon et al. (1998)
TC3 穗帽变换第三分量 The third variable extracted using Tasseled Cap transformation -0.829MSS4+0.522MSS5–0.039MSS6+0.194MSS7 Kauth & Thomas (1976)
GM1 750 nm与550 nm处反射率比值 Ratio of reflectance at 750 nm to reflectivity at 550 nm R750/R550 Gitelson & Merzlyak (1994)
VOG2 红边光谱比值植被指数 Red edge reflectance-ratio indices (R734–R747)/(R715+R726) Zarco-Tejada et al. (2001)
MSR705 修正SR705植被指数 Simple ratio indices modified on SR705 R750–R445/R705–R445 Sims & Gamon (2002)
PSSRb Ratio of reflectance at 800 and 635 nm R800/R635 Blackburn (1998)
(R750-800/R695-740)-1
宽波段695~740 nm反射率倒数与750~800 nm反射率组合指数 Broad spectral
bands indice with reciprocal reflectance from 695 to 740 nm and reflectance from
750 to 800 nm (R750-800/R695-740)–1
Gitelson et al. (2003)
Dr/Db
红边内一阶微分最大值与蓝边内一阶微分最大值的比值
Radio of the red edge amplitude and the blue edge amplitude
Max (dR(λi)/dλi)／max (dR(λj)/dλj), i=680–760 nm, j=490–530 nm
Wang XZ (王秀珍 ) et al.
(2003)
SDr/SDb
红边内一阶微分总和与蓝边内一阶微分总和的比值
Radio of the red-edge integral areas and the blue-edge integral areas



Wang XZ (王秀珍 ) et al.
(2003)
MSR 修正型简单比值指数 Modified simple ratio
(Rλ1/Rλ2-1)/[(Rλ1/Rλ2)0.5–1] Chen (1996)



2 结果与分析
2.1 小麦叶干重和叶面积指数的变化
小麦绿色叶干重和LAI是两个重要的冠层结
构参数, 是表征冠层功能过程的重要指标。图1显
示不同氮肥水平下小麦叶干重和LAI随生育时期
的动态变化规律。可以看出, 小麦叶干重和LAI随
施氮量的增加而增加, 不同品种及不同生育时期均
表现相似, 且两年变化趋势一致。年度间比较, 试
验2 (2004~2005)中的小麦叶干重和LAI显著高于试
验1 (2005~2006), 这与试验2的基础肥力高于试验1
密切相关。叶干重和LAI在品种间存在差异, 由于试
验1中N0处理的植株氮素营养极度贫乏, 叶干重和
LAI表现很小, 且两品种差异较小; 而在其它氮素
条件下, ‘宁麦9号’显著高于‘豫麦34’, 这与‘宁麦9
号’具有较高的氮素吸收和利用效率有关。
对4个施氮水平间叶干重和LAI的差异分析显
示, 试验1中除拔节期外, 不同氮肥处理间均达显
著水平 , 且氮素对叶干重和LAI的促进效应以开
( ) ( )∑∑
=
−+
=
−+ −−
530
490
11
755
680
11 2/2/
i
ii
i
ii RRRR

38 植 物 生 态 学 报 www. plant-ecology.com 33 卷
花期最为显著, ‘宁麦9号’高于‘豫麦34’, N3较N0
处理叶干重分别增加了3.38和2.74倍, LAI则分别
提高了3.33和2.37倍 ; 而试验2由于基础肥力较
高 , 不同氮肥处理间差异均较小。叶干重和LAI
随生育时期的变化趋势与氮素营养密切相关。由
于试验1中N0处理氮素缺乏, ‘豫麦34’呈逐渐下降
趋势, ‘宁麦9号’则表现为近似单峰曲线; 而在其
它氮素条件下均表现出明显的单峰动态 , 且‘宁
麦9号’峰值更为明显。在孕穗期至开花期, 植株
生长旺盛, 叶干重和LAI持续维持较高水平。


图1 不同施氮水平下小麦叶干重和LAI的变化
Fig. 1 Changes of leaf dry weight and leaf area index (LAI) in wheat under different N rates
N9、Y34: 表示‘宁麦9号和‘豫麦34 Denote Ningmai 9 and Yumai34 EXP.1、EXP.2: 表示试验1和试验2 Denote
experiment one and experiment two N0、N1、N2和N3: 在试验1中为0, 90, 180, 270 kg N·hm–2；在试验2中为0, 75, 150,
225 kg N·hm–2 In EXP.1 is 0, 90, 180, 270 kg N·hm–2 and In EXP.2 is 0, 75, 150, 225 kg N·hm–2 DAA9 、DAA10、
DAA19、 DAA21、DAA25 和DAA28: 表示花后第9、10、19、21、25和28天 Denote the 9th, 10th, 19th, 21st, 25th and
28th day after anthesis, respectively


2.2 小麦冠层光谱特征与叶干重和LAI的相关性
利用试验1和试验2中‘宁麦9号’开花期冠层
高光谱反射率为例, 说明不同氮素水平下小麦冠
层高光谱反射率的响应模式(图2A), 并将试验1
和试验2中叶干重和LAI与对应冠层光谱反射率进
行相关分析(图2B)。由图2A可知, 冠层光谱反射
率在350~710和1 400~2 500 nm波段随施氮水平
的增加而降低, 相反, 在740~1 100 nm波段范围
内而提高, 但在1 100~1 400 nm波段内未表现出
明显规律。年度间比较, 具有明显差异且规律性
变化的波段区域主要存在于紫外可见光波段
(350~710 nm)和近红外反射平台(740~1 100 nm)
区域。由于年度间冠层结构存在显著差异, 必然
对光谱特征产生重要影响 , 试验2中基础肥力较
高 , 小麦长势好 , 植被盖度高 , 在可见光部分由
于叶绿素强烈吸收而反射率较低, 在近红外平台
区域由于冠层结构作用导致反射率表现较高。对
可见光区和近红外反射平台区进行比较分析, 近
红外反射平台区域对不同氮素水平表现更敏感 ,
而可见光区在较低氮素水平下便趋于饱和。
图2B表示小麦叶干重和LAI与冠层光谱反射
率的相关系数。可以看出, 叶干重相关性好于LAI,

1 期 冯 伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测 DOI: 10.3773/j.issn.1005-264x.2009.01.004 39
存在明显差异的区域为可见光波段(520~700 nm)
和近红外波段(760~1 130 nm)。波长小于726 nm
和大于1 350 nm, 光谱反射率与叶干重和LAI呈负
相关, 其中在590~710 nm间相关系数存在一个较
低的波谷(r<–0.60), 而在745~1 130 nm间相关系
数存在一个较高的平台(r>0.69)。690~760 nm区
域 , 称之为红边 , 随波长增加 , 相关系数迅速变
化, 且有质的转化; 其中726 nm附近相关系数迅
速接近于零, 在此区域向长波方向移动, 色素对
光能的吸收逐渐减弱, 而细胞结构对光的反射开
始增强, 在近红外反射平台区域对冠层及叶片结
构表现最为敏感。
2.3 小麦叶干重和LAI与冠层高光谱参数的定量
关系
本研究综合不同年份和不同时期的小麦叶干
重和LAI与冠层光谱参数分别进行回归分析 , 表
现较好的14个参数、拟合方程、决定系数及标准
误差见表2。总体上, 回归方程表现为线性关系,
采用其它形式函数并不能有效改善方程的拟合效
果, 其中代表性回归方程的拟合效果展示于图3。
可以看出 , 利用关键光谱参数对叶干重和LAI分
别进行方程拟合, 均取得较好效果, 但对叶干重
估算的准确性要好于LAI。




图2 小麦冠层光谱反射率在不同氮素水平下的变化(A)及与叶干重(LW)和叶面积指数(LAI)的关系(B)
Fig. 2 Changes of canopy reflectance under different N rates (A) and relationships of reflectance to leaf dry weight (LW)
and leaf area index (LAI) (B) in wheat
图注同图1 Notes see Fig. 1


表2 小麦叶干重和LAI与高光谱参数的定量关系
Table 2 Quantitative relationships of leaf dry weight and leaf area index (LAI) to some hyperspectral parameters in wheat (n=402)
叶干重 Leaf dry weight 叶面积指数 LAI 光谱参数
Spectral parameter 回归方程 Equation R2 SE 回归方程 Equation R2 SE
RVI (810, 560) y = 0.024 9x + 0.007 7 0.819 0.033 y = 0.561 3x + 0.183 3 0.767 0.846
FD755 y = 0.609 2x + 0.054 6 0.817 0.033 y = 13.957x + 1.212 0.788 0.820
GM1 y = 0.031 4x - 0.006 4 0.817 0.033 y = 0.703 2x - 0.104 4 0.751 0.872
SARVI (MSS) y = 0.012 6x + 0.040 6 0.814 0.033 y = 0.278 7x + 0.967 2 0.736 0.896
TC3 y = 0.047 3x - 0.027 0.806 0.034 y = 1.065 5x - 0.590 2 0.751 0.877
RVI (900, 680) y = 0.008 7x + 0.050 5 0.807 0.034 y = 0.192 5x + 1.200 4 0.719 0.923
MSR (800, 670) y = 0.054 2x + 0.033 4 0.814 0.034 y = 1.192 1x + 0.826 5 0.724 0.923
SDr/SDb y = 0.011 6x + 0.019 5 0.805 0.034 y = 0.259 7x + 0.464 7 0.746 0.874
PSSRb y = 0.011 7x + 0.045 8 0.806 0.034 y = 0.259 3x + 1.089 0.724 0.913
(R750-800/R695-740)–1 y = 0.107 2x + 0.030 6 0.793 0.035 y = 2.422 2x + 0.698 1 0.744 0.884
VOG2 y = -0.540 6x + 0.049 8 0.788 0.035 y = -12.231x + 1.127 9 0.741 0.885
MSR705 y = 0.056 8x + 0.014 2 0.795 0.035 y = 1.265 6x + 0.364 9 0.727 0.910
Dr/Db y = 0.023 6x + 0.012 0.774 0.036 y = 0.530 7x + 0.296 6 0.717 0.913
R870 y = 0.006 7x - 0.082 0.714 0.041 y = 0.145 8x - 1.689 3 0.629 1.022


40 植 物 生 态 学 报 www. plant-ecology.com 33 卷

冠层光谱通过微分计算, 可以减小背景噪音
的影响, 同时有效分解混合光谱。由表2可知, 755
nm处微分光谱可以很好地表达叶干重和LAI的动
态变化 , 方程拟合精度 (R2)分别为0.817和0.788,
标准误差 (SE)分别为0.033和0.820。SDr/SDb和
Dr/Db是基于微分技术构造的包含多波段连续光
谱信息, 与叶干重和LAI关系密切。单波段包含的
信息简单且易受背景噪声的影响, 与群体长势关
系不稳定, 如表2中870 nm反射率与叶干重和LAI
虽然关系良好, 但与其它植被指数相比表现最差,
而通过多波段组合构造不同植被指数对叶干重和
LAI方程拟合效果明显改善。所选用的植被指数主
要为比值植被指数, 入选的波段为窄波段与宽波
段并用。光谱参数RVI (810, 560)、GM1、RVI (900,
680)、MSR (800, 670)、PSSRb、VOG2和MSR705
均为多个窄波段组合, 其中利用RVI (810, 560)所
建立的叶干重和LAI回归估算方程均具有较好的
拟合效果 , 决定系数分别为0.819和0.767, 标准
误差分别为0.033和0.846。通过高光谱数据计算宽
光 谱 波 段 组 合 参 数 SARVI (MSS) 、 TC3 和
(R750-800/R695-740)–1, 对叶干重和LAI的方程拟合均
表现较好, 可以为高空大面积遥感监测小麦冠层
结构和长势状况的应用提供有效的技术途径。
图3展现了连续2年种植条件下3种不同类型
小麦品种的叶干重和LAI与冠层反射光谱特征参
数RVI (810, 560)和FD755的定量关系。尽管试验1
和试验2中的叶干重和LAI数值大小及变化范围较
大差异, 但回归方程的显著性测验显示, 监测模
型在不同年度间表现一致, 因而可以利用统一的
回归方程来定量表达不同试验中小麦叶干重和
LAI的动态变化规律。
2.4 模型的测试与检验
为了考察叶干重和LAI监测模型的可靠性和
普适性, 利用2003~2004年度独立试验资料(试验
3, n=134)对上述建立的回归方程分别进行测试,
采用RE、R2和SLOPE进行统计检验(表3)。结果显


图3 小麦叶片重量和LAI与高光谱参数的关系
Fig. 3 Relationships of leaf dry weight and leaf area index (LAI) to the key hyperspectral parameters in wheat


1 期 冯 伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测 DOI: 10.3773/j.issn.1005-264x.2009.01.004 41

示 , 以光谱参数R870和TC3为变量的叶干重和
LAI预测模型 , 给出的相对误差(RE)均大于20%,
表明模拟值与实测值间存在较大差异。而其它光
谱参数均给出满意的预测误差 , 其中 , RVI(900,
680)、MSR(800, 670)和Dr/Db给出的RE相对偏大
(RE>16%), 而 (R750-800/R695-740)–1和VOG2模型预
测误差表现最小。考察模型预测准确度SLOPE,
光谱参数TC3、R870、Dr/Db、SDr/SDb和FD755
给出的预测准确度偏低 (SLOPE﹤0.90), 与理论
值 (1.0)存在一定差异 , 表明模型预测值不宜外
推。FD755在建摸过程中表现突出, 在模型检验
中预测精度和相对误差均较好, 但由于预测准确
度偏低, 限制了该模型在生产中的应用。综合分
析叶干重和LAI建模过程和模型检验效果, 以RVI
(810, 560)、GM1、SARVI (MSS)、PSSRb、(R750-800/
R695-740)–1、VOG2和MSR705光谱参数为变量建立
回归模型均可以对叶干重和LAI进行准确预测 ,
尤以RVI (810, 560)、GM1和SARVI (MSS)对叶干
重和LAI更敏感, 模型预测效果也更好。
RVI (810, 560)是充分利用近红外波段对冠层



表3 模型预测能力的检验(n=134)
Table 3 Performance of the model for predicting leaf dry weight and leaf area index (LAI)
叶干重 Leaf dry weight 叶面积指数 LAI 光谱参数
Spectral parameter RE R2 SLOPE RE R2 SLOPE
RVI (810, 560) 0.150 0.772 0.931 0.151 0.760 0.900
FD755 0.152 0.811 0.853 0.164 0.804 0.827
GM1 0.152 0.768 0.931 0.154 0.756 0.900
SARVI(MSS) 0.156 0.771 0.977 0.153 0.763 0.940
TC3 0.236 0.757 0.824 0.248 0.747 0.798
RVI (900, 680) 0.171 0.747 0.966 0.167 0.740 0.962
MSR (800, 670) 0.167 0.770 0.981 0.161 0.763 0.944
SDr/SDb 0.144 0.801 0.882 0.154 0.786 0.850
PSSRb 0.155 0.763 0.956 0.154 0.754 0.923
(R750-800/R695-740)–1 0.137 0.830 0.936 0.140 0.822 0.906
VOG2 0.129 0.838 0.919 0.135 0.829 0.890
MSR705 0.155 0.789 0.987 0.152 0.780 0.951
Dr/Db 0.168 0.761 0.863 0.178 0.746 0.836
R870 0.220 0.712 0.846 0.225 0.712 0.810



结构敏感的特点而构建的比值植被指数, 在建模
中表现突出 , 模型检验也较好。(R750-800/R695-740)
–1为色素指数 , 在建模中对叶干重和LAI方程拟
合均达较高水平 , 而在模型测试中也表现突出 ,
表明该模型稳定性好。以光谱参数RVI (810, 560)
和(R750-800/R695-740)–1为代表 , 作出观察值与模型
预测值1:1关系图(图4), 直观地展现了模型的良
好测试效果。
3 讨 论
作物长势监测的目的是为了实时掌握作物生
长状况, 及时发布苗情监测通报, 以指导农业生

产, 进行合理的管理调控, 并为作物产量预测提
供理论依据和技术途径。本研究基于不同品种、
氮素水平和不同生育时期条件下的连续3年大田
试验研究 , 确立了小麦叶干重和LAI与冠层高光
谱特征参数的定量关系 , 发现RVI (810, 560)、
GM1、SARVI (MSS)、PSSRb、(R750-800/R695-740) –1、
VOG2和MSR705等光谱参数均可以较好地监测小
麦叶干重和LAI状况, 其中RVI (810, 560)、GM1
和SARVI (MSS)监测模型更为准确可靠。本研究
结果对于小麦植株生长特征及群体长势的实时监
测和精确诊断具有重要意义, 为遥感技术在精确
农业中的直接应用奠定了技术基础。


42 植 物 生 态 学 报 www. plant-ecology.com 33 卷


图4 小麦叶干重和LAI预测值与实测值之间的比较
Fig. 4 Comparison of estimated and measured leaf dry weight and leaf area index (LAI) in wheat

两年的试验资料经总体回归分析后, 发现对
小麦叶干重和LAI敏感的光谱参数较多 , 包括不
同形式和波段组合的多类别参数, 这与高光谱遥
感数据波段连续、信息丰富有关, 从而为监测冠
层结构参数提供了更多的参数选择。此外, 叶片
重量和LAI是植被冠层最基本的生物物理参数之
一 , 两者关系密切 , 共同表征冠层结构特征 , 由
于叶片重量和LAI的变化具有高度的同质性 , 对
两参数的监测可以使用统一的光谱指数。植株氮
素营养显著影响植被冠层结构, 在群体叶面积相
同条件下 , 叶夹角及叶片结构均可能存在差异 ,
不同生育期间更是如此; 同时, 叶片空间分布的
不均衡性随生育进程也存在较大差异, 必然导致
冠层光谱的明显变化, 直接影响叶面积指数的监
测效果, 在本文中对叶干重的监测效果好于LAI。
绿色植被典型光谱特征受冠层结构影响很大, 近
红外平台波段(740~1 100 nm)对冠层结构反应敏
感, 但当LAI大于6时趋于饱和, 而采用近红外波
段与绿(红)光波段的比值可以显著提高对冠层结
构参数的敏感性。原因在于, 利用近红外波段信
息可以对构建的植被指数进行标准化, 尽量消除
叶片结构、叶片方向及辐射角度等冠层结构的影
响 , 同时有效突出绿 (红 )光等敏感波段的信息 ,
因此利用近红外平台波段信息构建光谱指数可以
较好地表达冠层结构参数的动态变化(Walburg et
al., 1982; 薛利红等, 2004), 本文结果充分表明这
一点。此外, 植被色素状况与冠层结构密切相关,
因此, 色素指数可以用来表达冠层结构特征参数
的变化, 本文中色素指数VOG2和MSR705等均可
以用来很好地监测小麦叶干重及LAI状况。
本文结果显示 , 采用RVI对小麦冠层结构参
数的预测效果较好 , 这与前人研究结果一致

1 期 冯 伟等: 基于高光谱遥感的小麦叶干重和叶面积指数监测 DOI: 10.3773/j.issn.1005-264x.2009.01.004 43
(Hatfield et al., 1985)。由于利用的植被指数对冠
层结构参数高度敏感, 方程拟合形式多表现为线
性, 有利于监测模型的外推, 适用范围较宽。不同
波段可组合成多种光谱参数 , 预测效果存在差
异。近红外与红光的比值可以监测LAI (Bunnik,
1978), 本文中RVI (900, 680)、PSSRb和MSR (800,
670)等参数充分表明这一点。由于绿光波段(550
nm)较红光波段(680 nm)对色素吸收差异更敏感
(Peñuelas & Filella, 1998), 采用近红外与绿光波
段的比值可以更好地监测LAI。本研究表明, RVI
(810, 560)和GMI可以很好地监测冠层结构参数,
在其它作物上也有相似的结果(宋开山等, 2005;
薛利红等, 2004)。由于宽波段光谱稳定, 本文将
高光谱数据转化为宽波段计算植被指数, 取得了
不错的预测效果。TC3和SARVI (MSS)在建模中表
现较好 , 而(R750-800/R695-740)-1在模型测试中表现
稳定, 尤其是SARVI (MSS)可以准确可靠地监测
冠层结构参数, 为大面积遥感监测作物长势提供
了有效的技术途径。
本文利用与色素吸收有关的光谱指数和近红
外波段信息监测小麦冠层结构特征参数, 结果显
示, 用来监测叶干重和LAI的参数类型多样, 窄波
段和宽波段均有较好表现, 为利用不同光谱参数
定量表达小麦冠层结构提供了不同的技术选择。
当然, 不同植被指数有各自特点及适用范围, 因
而利用高光谱数据信息丰富的特点, 如何选择敏
感、适用和多类别特征参数仍需进一步精确研究,
冠层结构与特征光谱参数间的机理性关系仍需进
一步深入阐明。当然 , 本文中小麦叶干重和LAI
监测模型的构建和测试是以一个生态区连续3年
大田试验资料为基础的, 今后需要通过不同生态
点、生产力水平和品种类型试验的广泛检验和完
善 , 实现模型估测精确性和普适性的有效统一 ,
从而促进在小麦生长监测及精确管理中的可靠应
用。
参 考 文 献
Blackburn GA (1998). Spectral indices for estimating pho-
tosynthetic pigment concentrations: a test using se-
nescent tree leaves. International Journal of Remote
Sensing, 19, 657–675.
Chen JM (1996). Evaluation of vegetation indices and
modified simple ratio for boreal applications. Cana-
dian Journal of Remote Sensing, 22, 229–242.
Gitelson AA, Merzlyak MN (1994). Spectral reflectance
changes associate with autumn senescence of Aesculus
hippocastanum L. and Acer platanoides L. leaves
spectral features and relation to chlorophyll estimation.
Journal of Plant Physiology, 143, 286–292.
Gitelson AA, Gritz Y, Merzlyak MN (2003). Relationships
between leaf chlorophyll content and spectral
reflectance and algorithms for non-destructive
chlorophyll assessment in higher plant leaves. Journal
of Plant Physiology, 160, 271–282.
Hansen PM, Schjoerring JK (2003). Reflectance measure-
ment of canopy biomass and nitrogen status in wheat
crops using normalized difference vegetation indices
and partial least squares regression. Remote Sensing of
Environment, 86, 542–553.
Hatfield JL, Kanemasu ET, Asrar G, Jackson RD, Pinter Jr
PJ, Reginato RJ, Idso SB (1985). Leaf area estimates
from spectral measurements over various planting
dates of wheat. International Journal of Remote Sens-
ing, 6,167–175.
Kauth RJ, Thomas GS (1976). The tasseled cap — a graphic
description of the spectral temporal development of
agricultural crops as seen by Landsat. Proceedings of
Symposium on Machine Processing of Remotely Sensed
Data, West Lafayette, IN: LARS, 41–51.
Liu WD (刘伟东), Xiang YQ (项月琴), Zheng LF (郑兰
芬), Tong QX (童庆禧), Wu CS (吴长山) (2000). Re-
lationships between rice LAI, CH.D and hyperspecrta
data. Journal of Remote Sensing (遥感学报 ), 4,
279–283. (in Chinese with English abstract)
Lyon JG, Yuan D, Lunetta RS (1998). A change detection
experiment using vegetation indices. Photogrammetric
Engineering and Remote Sensing, 64, 143–150.
Nguyen HT, Lee BW (2006). Assessment of rice leaf
growth and nitrogen status by hyperspectral canopy
reflectance and partial least square regression. Euro-
pean Journal of Agronomy, 24, 349–356.
Patel NK, Patnaik C, Dutta S, Shekh AM, Dave AJ (2001).
Study of crop growth parameters using airborne imag-
ing spectrometer. International Journal of Remote
Sensing, 22, 2401–2411.
Pearson RL, Miller DL (1972). Remote mapping of standing
crop biomass for estimation of the productivity of the
short grass prairie. Proceedings of the Eighth Interna-
tional Symposium on Remote Sensing of Environment.
2, 1357–1381.
Peñuelas J, Filella I (1998). Visible and near-infrared re-
flectance techniques for diagnosing plant physiological
status. Trends in Plant Science, 3, 151–156.
Richardson AJ, Wiegand CL (1977). Distinguishing vegeta-
tion from soil background information. Photogram-
metric Engineering and Remote Sensing, 43,
1541–1552.

44 植 物 生 态 学 报 www. plant-ecology.com 33 卷
Rouse JW, Haas RH, Schell JA, Deering DW, Harlan JC
(1974). Monitoring the vernal advancement of retro-
gradation of natural vegetation. NASA/GSFC, TypeIII,
Final report, Greenbelt, MD, USA, 1–371.
Shibayama M, Akiyama T (1989). Seasonal visible,
near-infrared and mid-infrared spectra of rice canopies
in relation to LAI and above-ground dry phytomass.
Remote Sensing of Environment, 27, 119–127.
Sims DA, Gamon JA (2002). Relationships between leaf
pigment content and spectral reflectance across a wide
range of species, leaf structures and developmental
stages. Remote Sensing of Environment, 81, 331–354.
Song KS (宋开山), Zhang B (张柏), Li F (李方), Duan HT
(段洪涛 ), Wang ZM (王宗明 ) (2005). Correlative
analyses of hyperspectral reflectance, soybean LAI and
aboveground biomass. Transactions of the Chinese
Society of Agricultural Engineering (农业工程学报),
21, 36–40. (in Chinese with English abstract)
Takahashi W, Nguyen CV, Kawaguchi S, Minamiyama M,
Ninomiya S (2000). Statistical models for prediction of
dry weight and nitrogen accumulation based on visible
and near-infrared hyper-spectral reflectance of rice
canopies. Plant Production Science, 3, 377–386.
Tang YL (唐延林), Wang XZ (王秀珍), Wang FM (王福
民), Wang RC (王人潮) (2004). Study on the determi-
nation of LAI and biomass of crop by hyperspectral.
Journal of Northwest Sci-Tech University of Agricul-
ture and Forestry (Natural Science Edition) (西北农林
科技大学学报(自然科学版)), 32, 100–104. (in Chi-
nese with English abstract)
Tang YL (唐延林), Wang XZ (王秀珍), Wang K (王珂)
(2002). Study on the correlation between biophysical
parameter and spectral variable. Journal of Guizhou
University (Agricultural and Biological Science Edi-
tion) (贵州大学学报 (农业与生物科学版 )), 21,
327–331. (in Chinese with English abstract)
Wang XZ (王秀珍), Huang JF (黄敬峰), Li YM (李云梅),
Wang RC (王人潮) (2003). Study on hperspectral re-
mote sensing estimation models for the ground fresh
biomass of rice. Acta Agronomica Sinica (作物学报),
29, 815–821. (in Chinese with English abstract)
Wang XZ (王秀珍), Wang RC (王人潮), Huang JF (黄敬
峰) (2002). Derivative spectrum remote sensing and its
application in measurement of rice agronomic pa-
rameter. Transactions of the Chinese Society of Agri-
cultural Engineering (农业工程学报), 18, 9–13. (in
Chinese with English abstract)
Walburg G, Bauer ME, Daughtry CST, Housley TL (1982).
Effects of nitrogen on the growth, yield, and reflec-
tance characteristics of corn canopies. Agronomy
Journal, 74, 677–683.
Xue LH (薛利红), Cao WX (曹卫星), Luo WH (罗卫红),
Wang SH (王绍华 ) (2004). Relationship between
spectral vegetation indices and LAI in rice. Acta Phy-
toecologica Sinica (植物生态学报), 28, 47–52. (in
Chinese with English abstract)
Zarco-Tejada PJ, Miller JR, Mohammed GH, Noland TL,
Sampson PH (2001). Scaling-up and model inversion
methods with narrow-band optical indices for chloro-
phyll content estimation in closed forest canopies with
hyperspectral data. IEEE Transactions on Geoscience
and Remote Sensing, 39, 1491–1507.
Zhang XY (张晓阳), Li JF (李劲峰) (1995). The derivation
of a reflectance model for the estimation of leaf area
index using perpendicular vegetation index. Remote
Sensing of Technology and Application (遥感技术与
应用), 10(3), 13–18. (in Chinese with English abstract)
Zhao CJ, Huang WJ, Wang JH, Yang MH, Xue XZ (2002).
The red edge parameters of different wheat varieties
under different fertilization and irrigation treatments.
Agricultural Sciences in China, 1, 745–751.



责任编委: 黄建辉 责任编辑: 李 敏