全 文 ：基于星载通道光谱指数与小麦冠层叶片
氮素营养指标的定量关系*
姚摇 霞摇 刘小军摇 田永超摇 曹卫星摇 朱摇 艳**摇 张摇 羽
(南京农业大学 /国家信息农业工程技术中心 /江苏省信息农业高技术研究重点实验室, 南京 210095)
摘摇 要摇 利用空间遥感信息大面积监测小麦冠层氮素营养状况和生产力指标具有重要意义
和应用前景.本研究基于不同施氮水平下小麦冠层反射光谱信息,利用响应函数模拟基于不
同卫星通道构建的光谱指数(包括单波段、比值光谱指数和归一化光谱指数),分析基于星载
通道的光谱指数与小麦冠层叶片氮素营养指标的定量关系,确定监测小麦冠层叶片氮素营养
的较好卫星传感器和光谱波段,建立小麦冠层氮素营养指标监测方程.结果表明:利用 NDVI
(MSS7, MSS5)、NDVI(RBV3, RBV2)、TM4、CH2、MODIS1和 MODIS2遥感数据可以预估小麦叶
片氮含量(LNC),其决定系数(R2)在 0. 60 以上;应用 NDVI(PB4, PB2)、NDVI(CH2, CH1)、
NDVI(MSS7, MSS5 )、RVI (MSS7, MSS5 )、MODIS1和 MODIS2可以预测小麦叶片氮积累量
(LNA),其 R2大于 0. 86.比较而言,NDVI(MSS7, MSS5)和 NDVI(PB4, PB2)分别为预测小麦
LNC和 LNA的适宜星载通道光谱参数.
关键词摇 模拟卫星通道摇 植被指数摇 小麦摇 氮素指标摇 定量监测方程
文章编号摇 1001-9332(2013)02-0431-07摇 中图分类号摇 S127, S512. 1摇 文献标识码摇 A
Quantitative relationships between satellite channels鄄based spectral parameters and wheat
canopy leaf nitrogen status. YAO Xia, LIU Xiao鄄jun, TIAN Yong鄄chao, CAO Wei鄄xing, ZHU
Yan, ZHANG Yu ( Jiangsu Province Key Laboratory for Information Agriculture, National Engi鄄
neering and Technology Center for Information Agriculture, Nanjing Agricultural University, Nanjing
210095, China) . 鄄Chin. J. Appl. Ecol. ,2013,24(2): 431-437.
Abstract: Using space鄄borne remote sensing information to monitor the crop canopy nitrogen status
and crop productivity in a large鄄scale is of great significance and application prospect in modern ag鄄
riculture. With the hyper鄄spectral reflectance data from the wheat canopy under different nitrogen
fertilization levels, this paper constructed the spectral indices ( including the single wavelength,
ratio spectral index, and normalized difference spectral index) simulated by satellite channels, and
established the nitrogen estimation equations by quantifying the relationships between the simulated
channels spectral indices and the leaf nitrogen index. The results indicated that the spectral indices
based on NDVI (MSS7, MSS5), NDVI (RBV3, RBV2), TM4, CH2, MODIS1,and MODIS2 could
be reliably used for estimating the leaf nitrogen content (LNC), with R2 over 0. 60, and the spec鄄
tral indices based on NDVI ( PB4, PB2 ), NDVI ( CH2, CH1 ), NDVI (MSS7, MSS5 ), RVI
(MSS7, MSS5), MODIS1, and MODIS2 could be accurately used for predicting the leaf nitrogen
accumulation (LNA), with R2 greater than 0. 86. Comparatively, NDVI (MSS7, MSS5) and NDVI
(PB4, PB2) could be the more suitable spectral indices for predicting the wheat canopy LNC and
LNA, respectively.
Key words: simulated satellite channel; vegetation index; wheat; nitrogen index; quantitative
monitoring equation.
*教育部新世纪优秀人才支持计划项目(NCET鄄08鄄0797)、国家自然科学基金项目(31201131,31201130)、国家高技术研究发展计划项目
(2011AA100703)、江苏省科技支撑计划项目(BE2010395,BE2011351)、江苏省自然科学基金项目(BK2008330, BK2010453)和江苏高校优势
学科建设工程资助项目(PAPD)资助.
**通讯作者. E鄄mail: yanzhu@ njau. edu. cn
2012鄄05鄄11 收稿,2012鄄11鄄09 接受.
应 用 生 态 学 报摇 2013 年 2 月摇 第 24 卷摇 第 2 期摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇
Chinese Journal of Applied Ecology, Feb. 2013,24(2): 431-437
摇 摇 利用地面、高空遥感信息获取地物长势特征,已
有较多报道[1-5],尤其是基于地面光谱的氮素营养
监测研究取得了显著成果. Hansen 和 Schjoerring[2]
研究结果表明,基于 NDVI(R573, R440)构建指数方
程可以监测小麦氮素状况,但决定系数较低(R2 =
0郾 130);朱艳等[5]认为,NDVI(R1220, R610)与稻麦叶
片氮含量极显著相关,R2 = 0郾 889;Feng 等[6]研究结
果表明,基于 mND705、REIPLE、 FD729、AVHRR鄄GVI
可以有效监测小麦氮含量,但基于地面光谱监测长
势费工、费时,且获取信息为小范围冠层光谱,不太
适合大范围作物氮素营养监测. 高空遥感凭借其快
速、动态、区域化的优势,目前已成为大范围获取地
物信息的核心技术[7-8] .近年来,研究者利用高空卫
星影像资料,围绕作物面积识别[9]、长势监测[9-11]、
产量估算[12-13]、 氮素营养预测[14-15] 和色素监
测[16-21]等方面开展了一系列的试验研究和模型构
建工作,但对于选用何种卫星影像、光谱波段和植被
指数能更有效、可靠地监测小麦植株长势尤其是氮
素营养至今没有明确结论,还需要进一步的探索和
评估.小麦是我国主要的粮食作物,实现大面积小麦
节氮栽培,对于解决我国粮食安全问题具有重要的
战略意义.因此,在区域水平上实现小麦作物氮素营
养的快速、无损监测具有重要的应用前景.
本文利用不同年份、不同施氮水平和不同品种
类型的小麦冠层高光谱信息,模拟基于卫星通道的
光谱并构建植被指数,分析小麦叶片氮素营养指标
与模拟卫星通道光谱及植被指数的定量关系,评价
不同卫星通道拟合小麦氮素营养监测方程的精度和
准确性,确定了适宜的卫星影像、光谱波段和植被指
数,旨在为区域性小麦氮素营养监测和生产力预测
提供技术途径.
1摇 材料与方法
1郾 1摇 试验设计
本研究共进行 4 个小麦田间试验,涉及不同年
份、不同品种类型和不同施氮水平,具体试验设计见
表 1.
1郾 2摇 冠层光谱测定
采用美国 Analytical Spectral Device(ASD)公司
生产的 FieldSpec Pro FR2500 型背挂式野外高光谱
辐射仪(Analytical Spectral Devices) 测量小麦冠层
高光谱. 波段值为 350 ~ 2500 nm,其中, 350 ~
1050 nm光谱采样间隔为 1郾 4 nm,光谱分辨率为
3 nm;1050 ~ 2500 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毅,距
冠层顶垂直高度约 1郾 0 m,地面视场范围直径为
0郾 44 m.以 20 个光谱为一组采样光谱,每个小区观
测点记录 10 个采样光谱,以其平均值作为该小区的
光谱反射率值.
1郾 3摇 冠层叶片氮素营养指标测定
冠层叶片氮素营养指标的测定与冠层光谱测定
同步.从每小区破坏性获取小麦植株 20 株,按器官
分离后在 80 益下烘干,称量粉碎后,采用凯氏定氮
法测定植株不同器官的全氮含量(N,% ).叶片氮积
累量(LNA,g N·m-2)= 叶片氮含量(LNC,% ) 伊叶
片干质量(LDM,g DM·soil m-2). 通过不同叶位叶
片质量加权求得所有绿色叶片中氮素含量,进而计
算单位土地面积叶片氮积累量.
1郾 4摇 数据分析
直接将基于高光谱数据建立的反应模型应用到
多光谱影像中,必然会产生误差. 为了提高精度,本
文利用响应函数模拟各卫星传感器相应通道的光谱
反射率,然后将相应通道的多光谱数据平均. 利用
2004—2005 年和 2005—2006 年的试验资料,对不
同生育时期小麦植株氮素营养与光谱指数进行回归
分析,进而优选出对小麦冠层叶片氮素含量敏感的
卫星传感器、光谱参数和监测模型. 利用 2003—
2004年和2006—2007年的试验资料对预测模型进
表 1摇 4 个田间试验的基本情况
Table 1摇 Basic information for 4 field experiments
试验
Experiment
年份
Year
地点
Site
品种
Cultivar
施氮水平
N rate (kg·hm-2)
采样日期
Sampling date
1 2003—2004 南京 宁麦 9, 淮麦 20,
徐州 26, 扬麦 10
0,75,150, 225,300 04鄄08, 04鄄20, 04鄄28, 05鄄04, 05鄄11, 05鄄17,
05鄄24
2 2004—2005 南京 宁麦 9, 扬麦 12, 豫麦 34 0,75, 150, 225 03鄄19, 04鄄13, 04鄄26, 05鄄03, 05鄄06, 05鄄12,
05鄄20, 05鄄24, 06鄄01
3 2005—2006 南京 宁麦 9, 豫麦 34 0, 90, 180, 270 03鄄30, 04鄄11, 04鄄20, 04鄄29,05鄄06, 05鄄19,
05鄄24, 06鄄02
4 2006—2007 大丰 偃麦 4110 0,75, 150, 225, 300 04鄄23, 05鄄17
234 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
表 2摇 本研究涉及到的传感器波段
Table 2摇 Sensor bands involved in this paper
传感器波段
Sensor band
描述
Description
MSS4 Landsat上的多光谱扫描仪 MSS4波段,蓝绿波段,覆盖波段为 500 ~ 600 nm
MSS5 Landsat上的多光谱扫描仪 MSS5波段,红黄波段,覆盖波段为 600 ~ 700 nm
MSS6 Landsat上的多光谱扫描仪 MSS6波段,红外波段,覆盖波段为 700 ~ 800 nm
MSS7 Landsat上的多光谱扫描仪 MSS7波段,红外波段,覆盖波段为 800 ~ 1056 nm
RBV1 Landsat上的反光导管摄像仪 RBV1波段,蓝绿波段,覆盖波段为 475 ~ 575 nm
RBV2 Landsat上的反光导管摄像仪 RBV2波段,红黄波段,覆盖波段为 580 ~ 680 nm
RBV3 Landsat上的反光导管摄像仪 RBV3波段,红外波段,覆盖波段为 690 ~ 830 nm
TM1 Landsat上的专题制图仪 TM1波段,蓝光波段,覆盖波段为 450 ~ 500 nm
TM2 Landsat上的专题制图仪 TM2波段,绿光波段,覆盖波段为 520 ~ 600 nm
TM3 Landsat上的专题制图仪 TM3波段,红光波段,覆盖波段为 630 ~ 690 nm
TM4 Landsat上的专题制图仪 TM4波段,近红外波段,覆盖波段为 760 ~ 940 nm
TM5 近红外中波,覆盖波段为 1550 ~ 1750 nm
TM6 远红外(热红外),覆盖波段为 1040 ~ 1250 nm
TM7 近红外长波,覆盖波段为 2080 ~ 2350 nm
CH1 NOAA的 AVHRR可见光波段,可见光波段,覆盖波段为 580 ~ 680nm
CH2 NOAA的 AVHRR近红外波段,近红外波段,覆盖波段为 725 ~ 1056 nm
BR 蓝区,覆盖波段为 400 ~ 490 nm
BE 蓝边,覆盖波段为 490 ~ 530 nm
ETM1 蓝光波段,覆盖波段为 450 ~ 515 nm
ETM2 绿光波段,覆盖波段为 525 ~ 605 nm
ETM3 红光波段,覆盖波段为 630 ~ 690 nm
SPOTPAN 高分辨率可见光扫描仪波段,全色波段,覆盖波段为 510 ~ 730 nm
SPOTB1 高分辨率可见光扫描仪波段,绿光波段,覆盖波段为 500 ~ 590 nm
SPOTB2 高分辨率可见光扫描仪波段,红光波段,覆盖波段为 610 ~ 680 nm
SPOTB3 高分辨率可见光扫描仪波段,近红外波段,覆盖波段为 790 ~ 890 nm
SPOTSWIR 中红外波段,覆盖波段为 1580 ~ 1750 nm
PB2 绿光波段,覆盖波段为 520 ~ 590 nm
PB3 红光波段,覆盖波段为 620 ~ 680 nm
PB4 近红外波段,覆盖波段为 770 ~ 860 nm
PB5 短波红外波段,覆盖波段为 1550 ~ 1700 nm
MODIS1 红波段波段,覆盖波段为 620 ~ 670 nm
MODIS2 近红外波段,覆盖波段为 841 ~ 876 nm
MODIS3 蓝波段波段,覆盖波段为 459 ~ 479 nm
行检验,采用相对根均方差(RRMSE) [22]、决定系数
(R2) [23]、相对误差(RE) [23]和偏斜度(BIAS) [24] 4
个统计指标综合评价估测模型. 表 2 列出了本研究
涉及到的卫星传感器波段.
2摇 结果与分析
2郾 1摇 模拟卫星通道光谱参数与小麦冠层叶片氮素
状况的相关分析
以 2004—2006 年 2 个小麦生长季的试验资料
为基础,分析基于星载通道的光谱反射率及光谱参
数与冠层叶片氮素状况的相关性.由图 1 可以看出,
基于星载通道构建的植被指数与冠层 LNC 和 LNA
高度相关,且与 LNA 的关系更密切;相对于基于原
始光谱波段的光谱反射率与 LNC 和 LNA 的相关系
数(0郾 302 ~ 0郾 895),植被指数光谱的相关系数平均
增加 0郾 131;相对于直线函数,曲线函数的相关系数
平均提高 0郾 050.
2郾 2摇 模拟的卫星通道光谱指数与小麦冠层叶片氮
素状况的定量关系
以 2004—2006 年试验数据为例,分析基于星载
通道的光谱指数与小麦冠层叶片氮素状况的定量关
系.由表 3 可见(仅列出前 6 个参数),基于植被指
数的 NDVI(MSS7, MSS5)、NDVI(RBV3, RBV2 )与
小麦冠层 LNC 的决定系数(R2)较高,均在 0郾 79 以
上;基于原始光谱的 TM4鄄NIR、CH2、MODIS1,2也可
以较准确地预估小麦冠层 LNC,但 R2有所降低
(<0郾 733).基于植被指数的 NDVI(MSS7, MSS5 )、
NDVI( CH2 ,CH1 ) 、NDVI( PB4 ,PB2 ) 、RVI( MSS7 ,
3342 期摇 摇 摇 摇 摇 摇 摇 摇 姚摇 霞等: 基于星载通道光谱指数与小麦冠层叶片氮素营养指标的定量关系摇 摇 摇 摇 摇
图 1摇 模拟的星载通道光谱波段和光谱参数与小麦冠层叶片氮含量(LNC)和氮积累量(LNA)的相关系数
Fig. 1摇 Correlation coefficients of the spectral bands and spectral indices on the simulated satellite sensors to LNC and LNA in wheat
canopy郾
光谱波段请参见表 1 The spectral bands listed in Table 1 郾 NDVI: 归一化植被指数 Normal difference vegetation index,; RVI: 比值植被指数 Ratio
vegetation index郾 玉: 直线相关 Linear correlation; 域: 曲线相关 Curve correlation.
表 3摇 模拟的星载通道光谱指数与小麦冠层 LNC和 LNA的定量关系(仅列出前 6 个参数)
Table 3摇 Quantitative relationships on the simulated satellite sensors spectral indices to LNC and LNA in wheat canopy (only
showed the top six parameters)
氮指数
Nitrogen
index
模拟的星载通道光谱指数
Spectral parameter on
simulated satellite sensor
估算方程
Estimated
equation
决定系数
R2
标准误
SE
氮含量 NDVI(MSS7, MSS5) y=4郾 017x1郾 324 0郾 794 0郾 175
LNC NDVI(RBV3, RBV2) y=4郾 159x1郾 116 0郾 793 0郾 174
(mg·g-1) MODIS1 y=4郾 658e-12郾 4x 0郾 733 0郾 199
TM4 y=3郾 007lnx-7郾 937 0郾 633 0郾 270
CH2 y=9郾 924x-0郾 699 0郾 608 0郾 282
MODIS2 y=3郾 011lnx+5郾 842 0郾 623 0郾 272
氮积累量 NDVI(PB4, PB2) y=0郾 060e5郾 952x 0郾 896 0郾 246
LNA NDVI(CH2, CH1) y=0郾 107e4郾 844x 0郾 883 0郾 270
(g·m-2) NDVI(MSS7, MSS5) y=0郾 106e4郾 807x 0郾 882 0郾 272
RVI(MSS7, MSS5) y=0郾 299x1郾 218 0郾 861 0郾 285
MODIS1 y=0郾 027x-1郾 53 0郾 793 0郾 352
MODIS2 y=29郾 96x-6郾 209 0郾 782 0郾 594
光谱波段请参见表 1 The spectral bands listed in Table 1 郾 NDVI: 归一化植被指数 Normal difference vegetation index,; RVI: 比值植被指数 Ratio
vegetation index郾
MSS5)可以有效预测小麦冠层 LNA,R2高于 0郾 86;基
于原始光谱 MODIS1,2也可以拟合冠层 LNA,其 R2均
大于 0郾 78.
摇 摇 比较而言,采用 NDVI(MSS7, MSS5)和 MODIS2
为变量预测小麦冠层 LNC 的准确性更高,效果更
好;利用 NDVI(PB4, PB2)和 RVI(MSS7, MSS5)预
测小麦冠层 LNA的表现更好(图 2).
总体看来,各种卫星通道光谱参数与小麦冠层
叶片氮素状况关系密切,对氮积累量的预测效果优
于氮含量,基于植被指数的拟合效果好于基于原始
的单变量光谱参数,且绝大多数参数拟合曲线函数
的表现优于直线函数.
2郾 3摇 小麦冠层叶片氮素状况监测模型的检验
由表 4 可以看出,建模筛选出来的前 6 个光谱
指数中,除监测叶片氮积累量的光谱指数 MODIS1的
表现较差( RRMSE为0郾 561 ) ,没有通过检验外,
434 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
图 2摇 基于模拟星载通道光谱指数 NDVI(MSS7, MSS5)(A)、MODIS2(B)、NDVI(PB4, PB2) (C)、RVI(MSS7, MSS5) (D)与小
麦叶片氮素状况的定量关系
Fig. 2摇 Quantitative relationships between NDVI (MSS7, MSS5 ) (A), MODIS2 (B), NDVI (PB4, PB2 ) (C) and RVI (MSS7,
MSS5) (D) based on the simulated satellite sensors spectral indices and LNC and LNA in wheat canopy郾
图 3摇 基于 NDVI(MSS7, MSS5)(A)、MODIS2(B)、NDVI(PB4, PB2)(C)、RVI(MSS7, MSS5)(D)的小麦冠层叶片氮素状况预
测值与观察值的 1 颐 1 关系图
Fig. 3摇 The 1 颐 1 relationships between the observed and estimated values in LNC and LNA of wheat canopy on NDVI(MSS7, MSS5)
(A), MODIS2(B), NDVI(PB4, PB2) (C), RVI(MSS7, MSS5) (D) (n=184)郾
其他光谱指数的表现均较好. 总体上,相对于 LNC
而言, LNA 表现更好, R2 平均提高 0郾 125,但
RRMSE和 RE相对较大(RRMSE 平均升高 0郾 106,
RE平均增加 0郾 126);NDVI(MSS7, MSS5)为表现较
5342 期摇 摇 摇 摇 摇 摇 摇 摇 姚摇 霞等: 基于星载通道光谱指数与小麦冠层叶片氮素营养指标的定量关系摇 摇 摇 摇 摇
表 4摇 所选光谱指数与小麦冠层叶片氮素指标拟合方程的
检验
Table 4 摇 Testing performance of the fitting equations
between the selected spectral indices and LNC and LNA in
wheat canopy
氮指数
Nitrogen
index
模拟的星载通
道光谱指数
Spectral indices based
on the simulated
satellite sensor
预测值与观察值之间的符合度
Fitness between predicted
and observed values
决定系数
R2
相对根
均方差
RRMSE
相对误差
RE
偏斜度
BIAS
氮含量 NDVI(MSS7, MSS5) 0郾 700 0郾 268 0郾 267 -0郾 059
LNC NDVI(RBV3, RBV2) 0郾 692 0郾 270 0郾 271 -0郾 071
(mg·g-1) MODIS1 0郾 594 0郾 322 0郾 355 -0郾 195
TM4 0郾 568 0郾 260 0郾 273 -0郾 037
CH2 0郾 561 0郾 235 0郾 240 -0郾 162
MODIS2 0郾 538 0郾 253 0郾 254 -0郾 110
氮积累量 NDVI(PB4, PB2) 0郾 768 0郾 333 0郾 298 -0郾 022
LNA NDVI(CH2, CH1) 0郾 762 0郾 334 0郾 332 -0郾 125
(g·m-2) NDVI(MSS7, MSS5) 0郾 762 0郾 333 0郾 334 -0郾 134
RVI(MSS7, MSS5) 0郾 743 0郾 324 0郾 254 -0郾 090
MODIS2 0郾 743 0郾 357 0郾 594 -0郾 031
MODIS1 0郾 625 0郾 561 0郾 603 0郾 033
好的小麦冠层 LNC 预测参数,NDVI(PB4, PB2)为
预测小麦冠层 LNA较优的光谱参数.
综合考虑模拟的星载通道光谱波段、光谱指数
的类型、数据获取应用的便利程度和模型的表现,选
择监测氮含量的光谱指数 NDVI(MSS7, MSS5 )和
MODIS2、监测氮积累量的光谱指数 NDVI ( PB4,
PB2)和 RVI(MSS7, MSS5)来绘制氮素观察值与预
测值之间的 1 颐 1 关系图(图 3),结果表明,基于不
同光谱参数的小麦冠层叶片氮素状况观察值与预测
值之间总体上具有良好的符合度和协同性.
3摇 讨摇 摇 论
关于作物冠层叶片氮素状况的遥感监测研究,
前人已经发现了大量的敏感参数和植被指数[5-11],
但至今尚未明确提出何种卫星传感器及氮素敏感通
道和预测模型.本文模拟构建了不同卫星通道的遥
感植被指数,分析了基于星载通道的植被指数与小
麦叶片氮素营养指标的定量关系,进而提出了小麦
冠层叶片氮素状况的预测方程. 结果显示:利用
NDVI(MSS7, MSS5 )、 NDVI ( RBV3, RBV2 )、 TM4、
CH2、MODIS1和MODIS2遥感数据可以提取小麦 LNC
信息;应用 NDVI(PB4, PB2 )、NDVI(CH2, CH1 )、
NDVI(MSS7, MSS5)、RVI(MSS7, MSS5)、MODIS1和
MODIS2可以预测小麦 LNA;且所拟合的曲线方程效
果优于直线方程. 其中,LANDSAT 和 IRS鄄P6为表现
较好的 2 类卫星传感器,且基于 MSS7和 MSS5、PB4
和 PB2构建的光谱指数预测表现最好. 本研究结果
有助于实现区域化小麦冠层叶片氮素营养的快速监
测和精确诊断,对于利用多种遥感数据源进行其他
作物的氮素监测预报具有借鉴作用,可为卫星影像
在精确农业和现代农业中的应用提供关键技术.
本研究显示,LANDSAT 中的 MSS7和 MSS5以及
MODIS2遥感信息具有大面积监测小麦氮素营养状
况的能力,时效性较高,实用性较好,且具有一定的
理论基础. LANDSAT 的产品 TM 影像有 7 个波段,
其数据更新周期为 16 d、空间分辨率为 30 m(RBV
和 MSS传感器的空间分辨率为 80 m),监测作物氮
素比较经济、适用. MODIS 光谱分辨率相对较高,观
测周期较短,可以免费获取数据,对作物氮素的预测
具有良好的应用前景. 当然,MODIS 空间分辨率相
对较低,因而比较适用于大面积的小麦氮素监测.此
外,IRS鄄P6为空间分辨率高、重访周期短、覆盖范围
大的多光谱图像,主要应用于环境及农业监测、灾害
监测、地图制图与更新、国土资源调查等.
在监测方法上,除使用基于 TM鄄NIR、 CH2和
MODIS的原始光谱构建监测模型外,还可运用
LANDSAT、NOAA / AVHRR和 IRS鄄P6 的传感器构建
植被指数预测小麦冠层叶片氮素状况,且准确性更
高.但基于卫星获取的遥感影像经常由于研究区存
在高密度云等干扰,影响日常监测的顺利进行,尤其
是小麦生长季节遭受阴雨多云的气候条件时. 由于
本文的结论是基于地面高光谱在近似无云无风的环
境下模拟获得,因此,在外推应用到实际高空遥感
时,需要采取有效方法去除云、大气、时间等因素的
影响,才能真正实现作物氮素状况的精确监测.
地面高光谱模拟的卫星数据和实际卫星监测数
据之间的高吻合度是本文应用的前提. 而直接根据
高光谱数据建立的反应模型应用到多光谱数据中必
然产生误差,影响定量反演的精度[24-25] . 为了提高
精度,本文利用响应函数模拟了各卫星传感器相应
通道的光谱参数,在一定程度上能减小监测误差、提
高准确性,并给广大用户建议了监测小麦氮素营养状
况的适宜卫星传感器.但由于条件限制,本文无法获
取试验期间的各类卫星影像数据,也无法比较分析高
光谱数据模拟卫星通道的光谱波段与实际卫星监测
数据之间的差异,在今后的研究中须进一步改进.
通过比较分析基于多种星载通道的光谱参数对
小麦冠层氮素状况的预测效果,可以看出,本研究选
用的光谱参数和估算模型重演性较高、外推性较好、
应用范围较宽,且适用于不同生育时期. 然而,基于
634 应摇 用摇 生摇 态摇 学摇 报摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 24 卷
不同卫星通道构成的植被指数具有不同的特点及适
用范围,因此,如何精细选择监测小麦冠层氮素营养
指标适用的传感器及光谱波段还需进一步的研究探
索.同时,需要深入解析和系统阐明小麦氮素营养状
况与基于星载通道光谱指数的机理性关系,设法提
高氮素营养监测模型的精度.
参考文献
[1]摇 Pu R鄄L (蒲瑞良), Gong P (宫 摇 鹏). Hyperspectral
Remote Sensing and its Applications. Beijing: Higher
Education Press, 2000 (in Chinese)
[2]摇 Hansen PM, Schjoerring JK. Reflectance measurement
of canopy biomass and nitrogen status in wheat crops
using normalized difference vegetation indices and partial
least squares regression. Remote Sensing of Environ鄄
ment, 2003, 86: 542-553
[3]摇 Wang Y (王摇 渊), Huang J鄄F (黄敬峰), Wang F鄄M
(王福民), et al. Predicting nitrogen concentrations
from hyperspectral reflectance at leaf and canopy for
rape. Spectroscopy and Spectral Analysis (光谱学与光
谱分析), 2008, 28(2): 273-277 (in Chinese)
[4]摇 Blackmer TM, Schepers JS, Varvel GE, et al. Nitrogen
deficiency detection using reflected short wave radiation
from irrigated corn canopies. Agronomy Journal, 1996,
88: 1-5
[5]摇 Zhu Y (朱摇 艳), Li Y鄄X (李映雪), Zhou D鄄Q (周
冬琴), et al. Quantitative relationship between leaf
nitrogen concentration and canopy reflectance spectra in
rice and wheat. Acta Ecologica Sinica (生态学报),
2006, 26(10): 3463-3469 (in Chinese)
[6]摇 Feng W, Yao X, Zhu Y, et al. Monitoring leaf nitrogen
status with hyperspectral reflectance in wheat. European
Journal of Agronomy, 2008, 28: 394-404
[7]摇 Yang M鄄H (杨敏华), Zhao C鄄J (赵春江), Zhao Y鄄C
(赵永超), et al. Research on a method to derive wheat
canopy information from airborne imaging spectrometer
data. Scientia Agricultura Sinica (中国农业科学),
2002, 35(6): 626-631 (in Chinese)
[8]摇 Chen S鄄P (陈述彭). The satellite remote sensing is ap鄄
proaching life. Remote Sensing Information (遥感信
息), 2002(4): 2-4 (in Chinese)
[9] 摇 Zhang J鄄G (张建国), Li X鄄W (李宪文), Wu Y鄄L
(吴延磊). Object oriented estimation of winter wheat
planting area using remote sensing data. Transactions of
the Chinese Society of Agricultural Engineering (农业工
程学报), 2008, 24(5): 156-160 (in Chinese)
[10]摇 Cheng Q (程摇 乾). Estimation models of rice LAI and
chlorophyll content based on MOD09. Chinese Journal of
Applied Ecology (应用生态学报), 2006, 17 (8):
1453-1458 (in Chinese)
[11]摇 Chen J (陈摇 健), Ni S鄄X (倪绍祥), Li Y鄄M (李云
梅). LAI retrieval of reed canopy using the neural net鄄
work method. Remote Sensing for Land & Resources (国
土资源遥感), 2008(2): 62-67 (in Chinese)
[12]摇 Mao L鄄X (毛留喜), Hou Y鄄Y (侯英雨), Qian S (钱
拴), et al. Estimation of pasture output and livestock
carrying capacity using remote sensing. Transactions of
the Chinese Society of Agricultural Engineering (农业工
程学报), 2008, 24(8): 147-151 (in Chinese)
[13]摇 Bai J鄄H (柏军华), Li S鄄K (李少昆), Wang K鄄R (王
克如), et al. Model of cotton yield estimation by re鄄
mote sensing. Acta Agronomica Sinca (作物学报),
2006, 32(6): 840-844 (in Chinese)
[14]摇 Boegh E, Soegaard H, Broge N, et al. Airborne multi鄄
spectral data for quantifying leaf area index, nitrogen
concentration, and photosynthetic efficiency in agricul鄄
ture. Remote Sensing of Environment, 2002, 81: 179-
193
[15]摇 Yang M鄄H (杨敏华), Zhao C鄄J (赵春江),Zhao Y鄄C
(赵永超), et al. Research on a method to derive wheat
canopy information from airborne imaging spectrometer
data. Scientia Agricultura Sinica (中国农业科学),
2002, 35(6): 626-631 (in Chinese)
[16]摇 Tang Y鄄L (唐延林), Wang R鄄C (王人潮), Huang J鄄
F (黄敬峰), et al. Hyperspectral data and their rela鄄
tionships correlative to the pigment contents for rice
under different nitrogen support level. Journal of Remote
Sensing (遥感学报), 2004, 8(2): 186-192 ( in Chi鄄
nese)
[17]摇 Wang X鄄Z (王秀珍), Huang J鄄F (黄敬峰), Li Y鄄M
(李云梅), et al. Correlation between chemical contents
of leaves and characteristic variables of hyperspectra on
rice field. Transactions of the Chinese Society of Agricul鄄
tural Engineering (农业工程学报), 2003, 19 (2):
144-148 (in Chinese)
[18]摇 Hu BX, Qian SE, Haboudane D, et al. Retrieval of
crop chlorophyll content and leaf area index from decom鄄
pressed hyperspectral data: The effects of data compres鄄
sion. Remote Sensing of Environment, 2004, 92: 139-
152
[19]摇 Zarco鄄Tejada PJ, Miller JR, Noland TL, et al. Scaling
up and model inversion methods with narrow鄄band opti鄄
cal indices for chlorophyll content estimation in closed
forest canopies with hyperspectral data. IEEE Transac鄄
tions on Geoscience and Remote Sensing, 2001, 39:
1491-1501
[20]摇 Maccioni A, Agati G, Mazzinghi P. New vegetation in鄄
dices for remote measurement of chlorophylls based on
leaf directional reflectance spectra. Journal of Photo鄄
chemistry and Photobiology, 2001, 61: 52-61
[21]摇 Sims DA, Gamon JA. Relationships between leaf pig鄄
ment content and spectral reflectance across a wide
range of species, leaf structures and developmental
stages. Remote Sensing of Environment, 2002, 81:
337-354
[22]摇 Zhu Y, Li Y, Feng W, et al. Monitoring leaf nitrogen
in wheat with canopy reflectance spectra. Canadian
Journal of Plant Science, 2006, 86: 1037-1046
[23]摇 Wang X鄄Z (王秀珍), Huang J鄄F (黄敬峰), Li Y鄄M
(李云梅), et al. The study on multi鄄spectral remote
sensing estimation model about LAI of rice. Remote
Sensing Technology and Application (遥感技术与应
用), 2003, 18(2): 57-65 (in Chinese)
[24]摇 Cao W鄄X (曹卫星). Agricultural Informatics. Beijing:
China Agriculture Press, 2005 (in Chinese)
[25]摇 Shen H (沈摇 宏), Shen F (沈摇 芳) . Effect of rela鄄
tive spectral response and bandwidth on water鄄leaving
reflectance of optically complex case II waters. Infrared
(红外), 2012, 33(4):31-37 (in Chinese)
作者简介摇 姚摇 霞,女,1977 年生,副教授.主要从事作物生
长监测研究. E鄄mail: yaox@ njau. edu. cn
责任编辑摇 杨摇 弘
7342 期摇 摇 摇 摇 摇 摇 摇 摇 姚摇 霞等: 基于星载通道光谱指数与小麦冠层叶片氮素营养指标的定量关系摇 摇 摇 摇 摇