全 文 ：＊通讯作者，Ｅ－ｍａｉｌ：ｓｕｎｑｚ＠１２６．ｃｏｍ
收稿日期：２０１２－０３－１３；修回日期：２０１２－１０－１５
基金项目：现代农业产业体系建设专项资金（ＣＡＲＳ－３５）；科技部
“十二五”国家科技支撑计划项目“牧区及农牧交错带奶牛健康养殖
技术集成及产业化示范”（２０１２ＢＡＤ１２Ｂ０９）
作者简介：王建光（１９６０－ ），男，内蒙古包头市人，教授，博士，研
究方向为牧草生产与草地生态，Ｅ－ｍａｉｌ：ｗａｎｇｊｇ８５８０＠１６３．ｃｏｍ．
文章编号：１６７３－５０２１（２０１３）０１－００３５－０７
苜蓿和无芒雀麦混播草地高光谱遥感估产研究
王建光１，２，吕小东２，姚贵平３，孙启忠１，＊
（１．中国农业科学院草原研究所，内蒙古　呼和浩特　０１００１０；２．内蒙古农业大学生态环境学院，
内蒙古　呼和浩特　０１００１９；３．内蒙古农业大学理学院，内蒙古　呼和浩特　０１００１８）
　　摘要：采用５个新的植被指数（ＧＤＶＩ、ＧＲＶＤＩ、ＧＳＡＶＩ、ＧＯＳＡＶＩ、ＧＭＳＡＶＩ），并与以往遥感估产所用的９个植
被指数一起遴选，选出最佳植被指数构建最优模型，用以实现苜蓿和无芒雀麦混播草地快速无破坏性精准测产。结
果表明：以近红外光（７６０ｎｍ）和绿光（６００ｎｍ）光谱变量组合计算的绿色优化土壤调节植被指数（ＧＯＳＡＶＩ）为自变量
构建的二次方程式是混播草地群落最优估产模型，以近红外光（７６０ｎｍ）和绿光（６００ｎｍ）光谱变量组合计算的绿色土
壤调节植被指数（ＧＳＡＶＩ）为自变量构建的三次方程式是苜蓿种群最优估产模型，而无芒雀麦种群最优估产模型却
是以波长９７１ｎｍ处一阶微分为自变量构建的三次方程式。
关键词：苜蓿；无芒雀麦；鲜草产量；高光谱遥感；估算模型
中图分类号：Ｓ１２７　　　文献标识码：Ａ
　　草地生物量监测技术是草地经营、放牧管理
和牧草贸易最重要、最直接的手段，利用远程卫
星、机载航拍或地面便携等形式的光谱仪［１］获得
的高光谱遥感数据测算植被生物量不仅发挥了遥
感数据在光谱维上的优势［２］，而且是一种非接触、
无破坏、无损伤、简易、有效、快速而费用低的方
法。目前，遥感估产技术在天然草地方面的报道
不少，如徐斌等［３］对中国草原区产草量的估算；张
凯等［４］对甘南草原区产草量的估算；Ｍｕｓｔａｆａ　Ｍｉｒｉｋ
等［５］对美国怀俄明州黄石国家公园的地面植物总
量的估算；Ｄｕｌｉ　Ｚｈａｏ等［６］对狗牙根草地生物量的
估算。但在人工草地，尤其是苜蓿（Ｍｅｄｉｃａｇｏ　ｓａｔｉ－
ｖａ　Ｌ．）和禾草的混播草地方面未见报道。本研究
针对紫花苜蓿和无芒雀麦（Ｂｒｏｍｕｓ　ｉｎｅｒｍｉｓ　Ｌｅｙｓｓ．）混
播人工草地进行地面高光谱遥感估产，并在建立的
估产模型中探讨混播草地群落及各种群的高光谱特
征，结合前人工作的长处和不足，提出四种新的植被
指数并应用于创建混播草地群落及各种群的估产模
型，以期提高混播草地的管理水平，推动高光谱遥感
估产技术的广泛应用。
１　研究材料和方法
１．１　试验地概况
试验地位于内蒙古土默特右旗内蒙古农业大学
职业技术学院科技园区，地处北纬４０°４０′、东经１０９°５１′，
海拔１０６７ｍ。全年光照充足，日温差较大，年平均气
温７．１℃，无霜期较短，年平均无霜期１３２ｄ，年平均
降水量３３９．８ｍｍ，属典型大陆性半干旱季风气候。
土壤为栗钙土，壤质。
１．２　田间试验设计
采用苜蓿和无芒雀麦分别以１∶０、１∶１、２∶２、
１∶３、３∶１、０∶１的播种行（同种每行播种量相同）
比例进行相间条播，计６个行比梯度处理，随机区组
排列，重复３次，共１８个小区。小区面积为４ｍ×
４０ｍ，行距３０ｃｍ，每小区播种１２行。播种日期为
２００９年６月中旬，水浇地，一般田间管理。
１．３　光谱测量方法
采用美国光谱分析仪器公司（Ａｎａｌｙｔｉｃａｌ　Ｓｐｅｃ－
ｔｒａｌ　Ｄｅｖｉｃｅ）生产的 ＡＳＤＦｉｅｌｄＳｐｅｃ　ＨａｎｄＨｅｌｄ手持
式高光谱仪，在光谱３２５～１０７５ｎｍ波长范围内进
行连 续 测 量，采 样 间 隔 １．５ｎｍ，光 谱 分 辨 率
３．５ｎｍ，光纤探头视场角（ＦＯＶ）１０°。所有观测均
选择在晴朗无风天气，每次测定时间为北京时间
１０∶００～１４∶００。观测时传感器探头垂直向下，以
苜蓿冠层为基准，与冠层顶相距约１ｍ。在每个处理
小区里选有代表性的３个１ｍ×１ｍ样方（要求播种
—５３—
第３５卷　第１期
Ｖｏｌ．３５　Ｎｏ．１
　　　　　　　　　
中　国　草　地　学　报
Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｇｒａｓｓｌａｎｄ
　　　　　　　　　
２０１３年１月
Ｊａｎ．２０１３
行比符合所在试验小区处理设计）测量其冠层光谱
值，每个样方采集三组光谱值，以其平均值作为该样
点的光谱反射值。测量过程中及时进行标准白板
校正。
１．４　牧草产量测定方法
每次光谱数据采集后，立即在样方（１ｍ×１ｍ）
内按留茬５ｃｍ分别刈割苜蓿和无芒雀麦，称量各自
鲜草产量，同时计算单位面积各自的鲜草产量和总
产量（ｋｇ／ｍ２）。
１．５　高光谱数据分析方法
分别于２０１１年５月１４日、６月８日、７月２２
日、９月１日进行光谱测量和实地测产，以前三次测
量数据（ｎ＝１６２）建立估算模型，以最后一次测量数
据（ｎ＝５４）检验估算模型。采用冠层光谱原始反射
率、一阶微分及多种植被指数作为冠层光谱特征参
数，研究混播草地高光谱数据与产草量数据之间的
相关性，然后运用单变量线性和非线性回归方法，通
过检验确立紫花苜蓿和无芒雀麦混播草地群落及各
种群的估产模型。
２　结果与分析
２．１　牧草产量性状的高光谱特征分析
２．１．１　牧草产量与原始光谱变量的相关性分析
采用多元统计分析方法，得到冠层原始光谱变
量与牧草产量的相关系数曲线（图１）。由图１－ａ可
知，冠层原始光谱变量与苜蓿种群鲜草产量的相关
系数曲线的峰谷出现在 ６６９ｎｍ（ｒ＝ －０．３２５）、
７６０ｎｍ（ｒ＝０．６９３）、８０７ｎｍ（ｒ＝０．６９２）和９０２ｎｍ（ｒ＝
０．６６１）等处，其中后３处达到极显著水平（Ｐ＜０．０１）；与
无芒雀麦种群鲜草产量的相关系数曲线的峰谷出现
在５４８ｎｍ（ｒ＝ －０．１２０）、７５８ｎｍ（ｒ＝－０．３４０）、
７６９ｎｍ（ｒ＝－０．３４５）和６８７ｎｍ（ｒ＝０．０８７）等处（图
１－ｂ），但均未达到极显著水平；与混播草地群落鲜草
总产量的相关系数曲线的峰谷出现在 ６６７ｎｍ
（ｒ＝－０．３８３）、７６０ｎｍ（ｒ＝０．６７９）、８０７ｎｍ（ｒ＝
０．６７１）和９２０ｎｍ（ｒ＝０．６４４）等处（图１－ｃ），其中后３
处达到极显著水平（Ｐ＜０．０１），与苜蓿种群的光谱
特征极为相似。
图１　 混播草地鲜草产量与原始光谱变量的相关性
Ｆｉｇ．１　Ｃｏｒｒｅｌａｔｉｏｎ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ａｎｄ　ｔｈｅ　ｒｅｆｌｅｃｔｉｖｅ　ｓｐｅｃｔｒｕｍ
２．１．２　牧草产量与一阶微分光谱变量的相关性分析
一般认为，对原始光谱变量采用一阶微分处理可
以部分地去除线性或接近线性的背景和噪声光谱对
植被光谱（必须为非线性）的影响［７］，能增强光谱曲线
在坡度上的细微变化［８］。图２反映了苜蓿和无芒雀
麦混播草地群落及各种群的产草量与一阶微分光谱
变量间的相关性。由图２－ａ可知，一阶微分光谱变量
与苜蓿种群鲜草产量相关系数曲线的峰谷出现在
７１４ｎｍ（ｒ＝０．６７３）和９７０ｎｍ（ｒ＝－０．５３０）两处，其中
前者达到了极显著水平（Ｐ＜０．０１）；图２－ｂ显示其与
无芒雀麦种群鲜草产量相关系数曲线的峰谷出现在
９１９ｎｍ（ｒ＝－０．６１８）和９７１ｎｍ（ｒ＝０．６９４），二者均达
到极显著水平（Ｐ＜０．０１）；图２－ｃ显示其与混播草地
群落鲜草总产量的相关系数曲线的峰谷出现在
６４３ｎｍ（ｒ＝－０．６７８）、７１４ｎｍ（ｒ＝０．７３０）和９５２ｎｍ（ｒ＝
－０．５６４）等处，都达到了极显著水平（Ｐ＜０．０１）。
２．１．３　牧草产量与不同植被指数的相关性分析
依据原始光谱变量与鲜草产量间的相关性分
析，模拟 Ｌａｎｄｓａｔ卫星的 ＴＭ４、ＴＭ３和 ＴＭ２波
段，选用７６０ｎｍ、６６９ｎｍ和６００ｎｍ等３个波段处
的光谱反射率构建苜蓿种群产草量植被指数，选
用７６９ｎｍ、６８７ｎｍ和５４８ｎｍ等３个波段处的光
—６３—
中国草地学报　２０１３年　第３５卷　第１期
图２　混播草地鲜草产量与一阶微分光谱变量的相关性
Ｆｉｇ．２　Ｃｏｒｒｅｌａｔｉｏｎ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ａｎｄ　ｔｈｅ　ｆｉｒｓｔ　ｄｅｒｉｖａｔｉｖｅ　ｓｐｅｃｔｒｕｍ
谱反射率构建无芒雀麦种群产草量植被指数，选用
７６０ｎｍ、６６７ｎｍ和６００ｎｍ等３个波段处的光谱反射
率构建混播草地群落总产量植被指数。表１反映了
这些植被指数的计算方法及其与群落和种群产草量
的相关性。由表１可知，苜蓿种群鲜草产量与高光
谱植被指数之间的相关系数均为正值且均达到极显
著水平（Ｐ＜０．０１），相关系数超出０．８的有ＧＭＳＡ－
ＶＩ和ＧＳＡＶＩ；无芒雀麦种群鲜草产量与高光谱植
被指数之间的相关系数均为负值且较低，尽管ＳＡ－
ＶＩ、ＯＳＡＶＩ和ＭＳＡＶＩ达到极显著水平（Ｐ＜０．０１），
但相关系数均不足０．５；混播草地群落鲜草总产量
与高光谱植被指数之间的相关系数均为正值且均达
到极显著水平（Ｐ＜０．０１），超出０．８的有ＧＭＳＡＶＩ、
ＧＳＡＶＩ、ＯＳＡＶＩ和ＧＯＳＡＶＩ。
２．２　混播草地牧草产量高光谱估算模型的建立
２．２．１　牧草产量高光谱估算模型的构建
依据图１、图２和表１中相关系数分析，选择与
鲜草产量相关系数较大（０．８左右）且达到极显著水
表１　混播草地鲜草产量与高光谱植被指数之间的相关分析
Ｔａｂｌｅ　１　Ｃｏｒｒｅｌａｔｉｏｎ　ｏｆ　ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ａｎｄ　ｔｈｅ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ
植被指数名称
Ｎａｍｅ　ｏｆ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ
植被指数算法
Ａｌｇｏｒｉｔｈｍ　ｏｆ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ
作 者 及 年 代
Ａｕｔｈｏｒ　ａｎｄ　ｙｅａｒ
相关系数ｒ
苜蓿产量
Ａｌｆａｌｆａ
ｆｉｅｌｄ
无芒雀
麦产量
Ｓｍｏｏｔｈ－
Ｂｒｏｍｅ
ｆｉｅｌｄ
总产量
Ｔｏｔａｌ
ｆｉｅｌｄ
差值植被指数（ＤＶＩ） ＤＶＩ＝ ＮＩＲ－ Ｒｅｄ　 Ｊｏｒｄａｎ等（１９６９） ０．６２６＊＊ －０．３４１＊ ０．６８９＊＊
归一化植被指数（ＮＤＶＩ） ＮＤＶＩ＝（ＮＩＲ－ Ｒｅｄ）／（ＮＩＲ＋ Ｒｅｄ） Ｒｏｕｓｅ等（１９７４） ０．６２７＊＊ －０．３９４＊ ０．７１９＊＊
比值植被指数（ＲＶＩ） ＲＶＩ＝ＮＩＲ／Ｒｅｄ　 Ｐｅａｒｓｏｎ等（１９７２） ０．６５２＊＊ －０．３８８＊ ０．６５８＊＊
重归一化植被指数（ＲＶＤＩ） 槡ＲＤＶＩ＝ ＮＤＶＩ×ＤＶＩ　 Ｒｏｕｊｅａｎ＆Ｂｒｅｏｎ（１９９５） ０．６５９＊＊ －０．３９５＊ ０．６９８＊＊
土壤调节植被指数（ＳＡＶＩ） ＳＡＶＩ＝１．５× （ＮＩＲ－ Ｒｅｄ）／（ＮＩＲ＋Ｒｅｄ＋０．５） Ｈｕｅｔｅ等（１９８８） ０．７０９＊＊ －０．４０９＊＊ ０．７８８＊＊
优化土壤调节植被指数（ＯＳＡＶＩ） ＯＳＡＶＩ＝ （ＮＩＲ－ Ｒｅｄ）／（ＮＩＲ＋ Ｒｅｄ＋０．１６） Ｒｏｎｄｅａｕｘ等（１９９６） ０．７７７＊＊ －０．４４１＊＊ ０．８２２＊＊
修正土壤调节植被指数（ＭＳＡＶＩ）
ＭＳＡＶＩ＝ （１／２）×［２×ＮＩＲ＋１－
（２×ＮＩＲ＋１）２－８×（ＮＩＲ－Ｒｅｄ槡 ）
Ｑｉ等（１９９４） ０．７１６＊＊ －０．４２５＊＊ ０．７８４＊＊
绿色差值植被指数（ＧＤＶＩ） ＧＤＶＩ＝ ＮＩＲ－ Ｇｒｅｅｎ 本文 ０．６６６＊＊ －０．３３６＊ ０．７６０＊＊
绿色归一化植被指数（ＧＮＤＶＩ） ＧＮＤＶＩ＝ （ＮＩＲ－ Ｇｒｅｅｎ）／（ＮＩＲ＋ Ｇｒｅｅｎ） Ｇｉｔｅｌｓｏｎ等（１９９６） ０．５５７＊＊ －０．１２８　 ０．６９１＊＊
绿色比值植被指数（ＧＲＶＩ） ＧＲＶＩ＝ ＮＩＲ／Ｇｒｅｅｎ　 Ｓｈｉｂａｙａｍａ等（１９８９） ０．６０４＊＊ －０．２３１　 ０．６４６＊＊
绿色重归一化植被指数（ＧＲＶＤＩ） ＧＲＤＶＩ＝ ＮＤＶＩｇｒｅｅｎ×ＤＶＩｇ槡 ｒｅｅｎ 本文 ０．５９５＊＊ －０．１８７　 ０．６７８＊＊
绿色土壤调节植被指数（ＧＳＡＶＩ） ＧＳＡＶＩ＝１．５× （ＮＩＲ－Ｇｒｅｅｎ）／（ＮＩＲ＋Ｇｒｅｅｎ＋０．５） 本文 ０．８３５＊＊ －０．３０９　 ０．８５６＊＊
绿色优化土壤调节植被指数（ＧＯＳＡＶＩ） ＧＯＳＡＶＩ＝ （ＮＩＲ－Ｇｒｅｅｎ）／（ＮＩＲ＋Ｇｒｅｅｎ＋０．１６） 本文 ０．７９５＊＊ －０．２３８　 ０．８１９＊＊
绿色修正土壤调节植被指数（ＧＭＳＡＶＩ）
ＧＭＳＡＶＩ＝ （１／２）×［２×ＮＩＲ
＋１－ （２×ＮＩＲ＋１）２－８×（ＮＩＲ－Ｇｒｅｅｎ槡 ）］
本文 ０．８５３＊＊ －０．３３３＊ ０．８６１＊＊
　　注：ＮＩＲ、Ｇｒｅｅｎ、Ｒｅｄ分别表示近红外波段、绿光波段、红光波段反射率；＊和＊＊分别表示通过０．０５和０．０１水平的显著性检验；下表同。
Ｎｏｔｅ：ＮＩＲ，Ｇｒｅｅｎ　ａｎｄ　Ｒｅｄ　ｓｔａｎｄ　ｆｏｒ　ｔｈｅ　ｒｅｆｌｅｃｔａｎｃｅｓ　ｏｆ　ｎｅａｒ－ｉｎｆｒａｒｅｄ，ｇｒｅｅｎ　ａｎｄ　ｒｅｄ　ｂａｎｄｓ，ｒｅｓｐｅｃｔｉｖｅｌｙ．＊ａｎｄ＊＊ｉｎｄｉｃａｔｅ　０．０５ａｎｄ　０．０１ｓｉｇｎｉｆｉｃａｎｔ　ｌｅｖｅｌ，
ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅ　ｓａｍｅ　ａｓ　ｂｅｌｏｗ．
—７３—
王建光　吕小东　姚贵平　孙启忠　　　苜蓿和无芒雀麦混播草地高光谱遥感估产研究
平（Ｐ＜０．０１）的一阶微分和植被指数作为建模参
数，构建单变量线性及二次型、三次型的回归模型
（表２）。由表２可知，苜蓿种群鲜草产量回归方程
的决定系数都通过了０．０１极显著性检验，其中以
ＧＯＳＡＶＩ三次型模型最高，达０．８２１，其次为 ＧＭ－
ＳＡＶＩ三次型和二次型模型及 ＧＯＳＡＶＩ二次型模
型，变幅０．７８９～０．７８１；无芒雀麦种群鲜草产量回
归方程的决定系数较低，部分通过了０．０１极显著性
检验，其中最高的Ｄ９７１一阶微分三次型模型也不过
０．５１３；混播草地群落鲜草总产量回归方程的决定系
数都通过了０．０１极显著性检验，其中以 ＧＭＳＡＶＩ
三次型和二次型模型及ＧＳＡＶＩ三次型和二次型模
型较高，变幅０．７４６～０．７４２。
表２　混播草地鲜草产量与高光谱特征参数之间的回归分析
Ｔａｂｌｅ　２　Ｒｅｇｒｅｓｓｉｏｎ　ｂｅｔｗｅｅｎ　ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ａｎｄ　ｔｈｅ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｐａｒａｍｅｔｅｒｓ
苜蓿产量
Ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　ａｌｆａｌｆａ
　
无芒雀麦产量
Ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　Ｓｍｏｏｔｈ－Ｂｒｏｍｅ
　
总产量
Ｔｏｔａｌ　ｆｏｒａｇｅ　ｙｉｅｌｄ
参数
Ｐａｒａｍｅｔｅｒ
回归方程（ｎ＝１６２）
Ｒｅｇｒｅｓｓｉｏｎ　ｅｑｕａｔｉｏｎ
决定
系数
Ｒ２
参数
Ｐａｒａｍｅｔｅｒ
回归方程（ｎ＝１６２）
Ｒｅｇｒｅｓｓｉｏｎ　ｅｑｕａｔｉｏｎ
决定
系数
Ｒ２
参数
Ｐａｒａｍｅｔｅｒ
回归方程（ｎ＝１６２）
Ｒｅｇｒｅｓｓｉｏｎ　ｅｑｕａｔｉｏｎ
决定
系数
Ｒ２
ＯＳＡＶＩ　 Ｙ＝ －０．０７１＋２．２６９Ｘ ０．６０３＊＊ ＲＶＤＩ　 Ｙ＝１．０９９－０．２８６Ｘ ０．１２９＊ ＯＳＡＶＩ　 Ｙ＝０．４２４＋２．２１３Ｘ ０．６１９＊＊
Ｙ＝０．１８＋０．０３５Ｘ
　　＋３．３１７Ｘ２
０．７２７＊＊ Ｙ＝１．３４３－０．５３７Ｘ
　　＋０．０６Ｘ２
０．１３１＊ Ｙ＝０．５４２＋１．１７６Ｘ
　　＋１．５３７Ｘ２
０．６４７＊＊
Ｙ＝０．４０２＋０．６１Ｘ－
　 ２．４４７Ｘ２＋６．６７９Ｘ３
０．７５４＊＊ Ｙ＝１．２８１－０．４２７Ｘ
　　＋０＋０．０１Ｘ３
０．１３１＊ Ｙ＝０．６４２＋１．４５３Ｘ
　　－１．１５９Ｘ２＋３．２５５Ｘ３
０．６５４＊＊
ＧＳＡＶＩ　 Ｙ＝０．０２３＋２．３７８Ｘ ０．６９８＊＊ ＳＡＶＩ　 Ｙ＝１．０６８－１．１６６Ｘ ０．１３９＊＊ ＧＳＡＶＩ　 Ｙ＝０．５０８＋２．３４４Ｘ ０．７３３＊＊
Ｙ＝０．２６４＋０．４０３Ｘ
　　＋２．９９１Ｘ２
０．７７８＊＊ Ｙ＝１．２６９－２．０２Ｘ
　　＋０．８３Ｘ２
０．１４０＊ Ｙ＝０．５８４＋１．７０６Ｘ
　　＋０．９６６Ｘ２
０．７４２＊＊
Ｙ＝０．３０５＋０．８４８Ｘ
　　＋０．２１５Ｘ２＋３．２２９Ｘ３
０．７８４＊＊ Ｙ＝ －３．７３６＋３４．００５Ｘ
　 －７９．００２Ｘ２＋５５．１０７Ｘ３
０．２７５＊＊ Ｙ＝０．６１１＋１．９９１Ｘ－
　　０．８１１Ｘ２＋２．０６７Ｘ３
０．７４４＊＊
ＧＯＳＡＶＩ　 Ｙ＝０．０５３＋２．４７６Ｘ ０．６３２＊＊ ＯＳＡＶＩ　 Ｙ＝１．３６９－１．７２１Ｘ ０．１６１＊＊ ＧＯＳＡＩ　 Ｙ＝０．４２４＋２．４５５Ｘ ０．６７１＊＊
Ｙ＝０．２６６－０．６１Ｘ
　　＋５．０１１Ｘ２
０．７８１＊＊ Ｙ＝０．７７８＋０．７６３Ｘ
　　－２．４９２Ｘ２
０．１６５＊ Ｙ＝０．５６＋１．１４１Ｘ
　　＋２．１３４Ｘ２
０．７００＊＊
Ｙ＝０．３９６＋１．０６１Ｘ
　　－５．３２７Ｘ２＋１２．５７１Ｘ３
０．８２１＊＊ Ｙ＝０．７７８＋０．７６３Ｘ
　　－２．４９２Ｘ２＋０
０．１６５＊ Ｙ＝０．６３５＋２．０９７Ｘ
　　－０．３７７９Ｘ２＋７．１９Ｘ３
０．７１４＊＊
ＧＭＳＡＶＩ　 Ｙ＝０．０８６＋２．２９３Ｘ ０．７２８＊＊ ＭＳＡＶＩ　 Ｙ＝１．０１２－１．０５８Ｘ ０．１４９＊＊ ＧＭＳＡＶＩ　 Ｙ＝０．５８＋２．２２５Ｘ ０．７４０＊＊
Ｙ＝０．２９＋０．６５８Ｘ
　　＋２．４０８Ｘ２
０．７８５＊＊ Ｙ＝１．０１３－１．０６２Ｘ
　　＋０．００４Ｘ２
０．１４９＊ Ｙ＝０．６１９＋１．９１８Ｘ
　　＋０．４５２Ｘ２
０．７４３＊＊
Ｙ＝０．３２２＋１．０５８Ｘ
　　－０．０７３Ｘ２＋２．８７３Ｘ３
０．７８９＊＊ Ｙ＝ －１．７０７＋１９．９７１Ｘ
　　－４８．５７６Ｘ２＋３４．２０３Ｘ３
０．２５１＊＊ Ｙ＝０．６４３＋２．２２４Ｘ
　　－１．４４６Ｘ２＋２．１９７Ｘ３
０．７４６＊＊
Ｄ７１４ Ｙ＝０．３８０＋１２３．１１７Ｘ ０．４５２＊＊ Ｄ９７１ Ｙ＝０．７９８＋２５７．９６７Ｘ ０．４８１＊＊ Ｄ７１４ Ｙ＝０．９７４＋１００．５２３Ｘ ０．５３３＊＊
Ｙ＝０．３６６＋１３１．７８９Ｘ
　　－７１６．６５５Ｘ２
０．４５３＊＊ Ｙ＝０．７５５＋２９３．６５４Ｘ
　　＋２９３１４．２４７Ｘ２
０．４９６＊＊ Ｙ＝０．９１９＋１３５．０５６Ｘ
　　－２８５３．７３０Ｘ２
０．５４３＊＊
Ｙ＝０．２９９＋１９．９１１Ｘ
　　＋３４７０３．６２１Ｘ２
　　－２１０２９８２．７０９Ｘ３
０．４５８＊＊ Ｙ＝０．６６＋２２６．７１２Ｘ
　　＋７５６９３．８３Ｘ２
　　＋２３２６４８３９．０３４Ｘ３
０．５１３＊＊ Ｙ＝０．９０１＋１０４．８１３Ｘ
　　＋６７２１．２１７Ｘ２
　　－５６８４８６．４６７Ｘ３
０．５４７＊＊
２．２．２　牧草产量高光谱估算模型的检验
最优估算模型不仅要求估算值与实测值间的
相关系数 高，同 时 还 应 有 较 小 的 均 方 根 误 差
（ＲＭＳＥ）和平均相对误差（ＲＥ）［９］。为此，本研究
从表２中择出 Ｒ２ 较大的回归方程作为高光谱遥
感鲜草产量的估算模型，然后进行检验。由表３
可见，对于苜蓿种群鲜草产量，尽管以ＧＯＳＡＶＩ为
变量的三次型和二次型估算模型的ｒ最高，分别为
０．８１９和０．８１７，但其 ＲＭＳＥ和 ＲＥ也相对较高，
分别 为 ０．３８１ｋｇ／ｍ２、０．３３１ｋｇ／ｍ２ 和 ２９．１３１％、
２７．１８３％，所以估算精度不算高；而以 ＧＳＡＶＩ为
变量的三次型回归方程的ｒ比较高，为０．８０８，同
时ＲＭＳＥ和ＲＥ也相对较低，分别为０．２８６ｋｇ／ｍ２
和２４．７９５％，因此估算精度较高，能较准确地反演
鲜草产量，同时参照表２中的 Ｒ２，ＧＳＡＶＩ三次型
的Ｒ２ 要略高于 ＧＯＳＡＶＩ，说明 ＧＳＡＶＩ三次型在
一定程度上能够较好地消除高光谱测试时所受环
境的影响，更能精确地反演苜蓿种群鲜草产量。
为此可以确定，混播草地苜蓿种群鲜草产量最优
估算模型是以ＧＳＡＶＩ为变量的三次回归模型，即
Ｆ（ｘ＝ＧＳＡＶＩ）＝０．３０５＋０．８４８Ｘ＋０．２１５Ｘ２＋３．２２９Ｘ３
　　由表４可知，对于无芒雀麦种群鲜草产量，尽管
以９７１ｎｍ一阶微分为变量的二次型估算模型的ｒ
最高，达０．７９０，但其ＲＭＳＥ和ＲＥ也相对较高，分
—８３—
中国草地学报　２０１３年　第３５卷　第１期
表３　混播草地苜蓿种群鲜草产量高光谱估算模型检验
Ｔａｂｌｅ　３　Ｔｅｓｔｉｎｇ　ｏｆ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌｓ　ｆｏｒ　ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　ａｌｆａｌｆａ
参数
Ｐａｒａｍｅｔｅｒ
回归方程（ｎ＝５４）
Ｒｅｇｒｅｓｓｉｏｎ　ｅｑｕａｔｉｏｎ
相关系数
ｒ
均方根误差
ＲＭＳＥ
（ｋｇ／ｍ２）
相对误差
ＲＥ
（％）
ＯＳＡＶＩ　 Ｙ＝０．１８＋０．０３５Ｘ＋３．３１７Ｘ２ ０．７９７＊＊ ０．３２８　 ２９．７９７
Ｙ＝０．４０２＋０．６１Ｘ－２．４４７Ｘ２＋６．６７９Ｘ３　 ０．８０６＊＊ ０．３４２　 ２９．４９５
ＧＳＡＶＩ　 Ｙ＝０．２６４＋０．４０３Ｘ＋２．９９１ｘ２ ０．８０４＊＊ ０．２８９　 ２５．３５７
Ｙ＝０．３０５＋０．８４８Ｘ＋０．２１５Ｘ２＋３．２２９Ｘ３　 ０．８０８＊＊ ０．２８６　 ２４．７９５
ＧＯＳＡＶＩ　 Ｙ＝０．２６６－０．６１Ｘ＋５．０１１Ｘ２ ０．８１７＊＊ ０．３３１　 ２７．１８３
Ｙ＝０．３９６＋１．０６１Ｘ－５．３２７Ｘ２＋１２．５７１Ｘ３　 ０．８１９＊＊ ０．３８１　 ２９．１３１
ＧＭＳＡＶＩ　 Ｙ＝０．２９＋０．６５８Ｘ＋２．４０８Ｘ２ ０．８０６＊＊ ０．３０１　 ２５．９６８
Ｙ＝０．３２２＋１．０５８Ｘ－０．０７３Ｘ２＋２．８７３Ｘ３　 ０．８０７＊＊ ０．３０１　 ２５．６１６
别为０．２６８ｋｇ／ｍ２ 和４２．４５３％；而三次型估算模型
的ｒ（ｒ＝０．７８１）虽然低于二次型，但在ＲＭＳＥ和ＲＥ
方面都远比 二 次 型 低，分 别 为 ０．２３８ｋｇ／ｍ２ 和
３８．４４６％。为此确定混播草地无芒雀麦种群鲜草产
量适宜估算模型是以Ｄ９７１为变量的三次回归模型，
即：
Ｆ（ｘ＝Ｄ９７１）＝ ０．６６＋２２６．７１２Ｘ＋７５６９３．８３Ｘ
２＋
２３２６４８３９．０３４Ｘ３
表４　混播草地无芒雀麦种群鲜草产量高光谱估算模型检验
Ｔａｂｌｅ　４　Ｔｅｓｔｉｎｇ　ｏｆ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌｓ　ｆｏｒ　ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　Ｓｍｏｏｔｈ－Ｂｒｏｍｅ
参数
Ｐａｒａｍｅｔｅｒ
回归方程（ｎ＝５４）
Ｒｅｇｒｅｓｓｉｏｎ　ｅｑｕａｔｉｏｎ
相关系数
ｒ
均方根误差
ＲＭＳＥ
（ｋｇ／ｍ２）
相对误差
ＲＥ
（％）
Ｄ９７１ Ｙ＝０．７９８＋２５７．９６７Ｘ ０．７８１＊＊ ０．２６０　 ４４．９２１
Ｙ＝０．７５５＋２９３．６５４Ｘ＋２９３１４．２４７Ｘ２　 ０．７９０＊＊ ０．２６８　 ４２．４５３
Ｙ＝０．６６＋２２６．７１２Ｘ＋７５６９３．８３Ｘ２＋２３２６４８３９．０３４Ｘ３　 ０．７８１＊＊ ０．２３８　 ３８．４４６
　　由表５可知，对于苜蓿和无芒雀麦混播草地群
落鲜草总产量，以ＧＯＳＡＶＩ为变量的二次型估算模
型的ｒ最高，为０．８６７，其 ＲＭＳＥ和 ＲＥ也相对较
低，分别为０．２２７ｋｇ／ｍ２ 和１２．７１８％。由此确定，混
播草地群落鲜草总产量最优估算模型是以 ＧＯＳＡ－
ＶＩ为变量的二次回归模型，即：
Ｆ（ｘ＝ＧＯＳＡＶＩ）＝０．５６＋１．１４１Ｘ＋２．１３４Ｘ２
表５　混播草地群落鲜草总产量高光谱估算模型检验
Ｔａｂｌｅ　５　Ｔｅｓｔｉｎｇ　ｏｆ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌｓ　ｆｏｒ　ｔｈｅ　ｔｏｔａｌ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　ｍｉｘｅｄ　ｓｏｗｉｎｇ　ｇｒａｓｓｌａｎｄ
参数
Ｐａｒａｍｅｔｅｒ
回归方程（ｎ＝５４）
Ｒｅｇｒｅｓｓｉｏｎ　ｅｑｕａｔｉｏｎ
相关系数
ｒ
均方根误差
ＲＭＳＥ
（ｋｇ／ｍ２）
相对误差
ＲＥ
（％）
ＧＳＡＶＩ　 Ｙ＝０．５０８＋２．３４４Ｘ ０．８６１＊＊ ０．２３７　 １４．２７５
Ｙ＝０．５８４＋１．７０６Ｘ＋０．９６６Ｘ２ ０．８６０＊＊ ０．２３２　 １３．８２７
Ｙ＝０．６１１＋１．９９１Ｘ－０．８１１Ｘ２＋２．０６７Ｘ３　 ０．８５６＊＊ ０．２３５　 １４．１２３
ＧＯＳＡＶＩ　 Ｙ＝０．５６＋１．１４１Ｘ＋２．１３４Ｘ２ ０．８６７＊＊ ０．２２７　 １２．７１８
Ｙ＝０．６３５＋２．０９７Ｘ－０．３７７９Ｘ２＋７．１９Ｘ３　 ０．８４９＊＊ ０．２５１　 １４．８４４
ＧＭＳＡＶＩ　 Ｙ＝０．５８＋２．２２５Ｘ ０．８５４＊＊ ０．２４２　 １４．７５３
Ｙ＝０．６１９＋１．９１８Ｘ＋０．４５２Ｘ２ ０．８５２＊＊ ０．２３５　 １４．２５６
Ｙ＝０．６４３＋２．２２４Ｘ－１．４４６Ｘ２＋２．１９７Ｘ３　 ０．８４５＊＊ ０．２４０　 １４．７４９
—９３—
王建光　吕小东　姚贵平　孙启忠　　　苜蓿和无芒雀麦混播草地高光谱遥感估产研究
３　结论与讨论
植被的光谱特征与其植物种类密切相关。本研
究混播草地中，对比原始光谱相关系数曲线图和一
阶微分光谱相关系数曲线图，显示出苜蓿种群与无
芒雀麦种群鲜草产量相关系数曲线图截然不同，峰
谷波段出现处相距较远，效果最佳波段分别在
７１４ｎｍ处和９７１ｎｍ处，这表明不同草种的光谱有明
显差异，可形成各自的高光谱特征。纳钦等［１０］发
现，苜蓿和缘毛雀麦（Ｂｒｏｍｕｓ　ｃｉｌｉａｔｕｓ）混播地中缘
毛雀麦的反射率要比苜蓿小得多。正是利用这种植
物种间的差异，Ｅｍｍａ　Ｕｎｄｅｒｗｏｏｄ等［１１］鉴别了入侵
植物和本土植物。以往用近红外光和红光反射率组
合构建的植被指数多用于遥感监测和植被特征估
算，然而近年来人们发现以近红外光和绿光波段构
建的植被指数对植被的农学参数有时更加敏感。
陈鹏飞等［１２］在改进三角植被指数（ＴＶＩ）的基础上
提出了红边三角植被指数；曹仕等［１３］在ＮＤＶＩ的基
础上提出一种反演叶面积的归一化综合植被指数
（ＮＣＶＩ）。鉴于此，本研究结合前人工作的长处和
不足，采用近红外光（７６０ｎｍ）和绿光（６００ｎｍ）两波
段反射率提出五种新的植被指数（ＧＤＶＩ、ＧＲＶＤＩ、
ＧＳＡＶＩ、ＧＯＳＡＶＩ、ＧＭＳＡＶＩ），与以往的九种植被
指数同时进行了比较分析和优化筛选。结果显示，
本研究提出的五种植被指数中有三种（ＧＳＡＶＩ、
ＧＯＳＡＶＩ、ＧＭＳＡＶＩ）都大大提高了混播草地群落
总产量和苜蓿种群产草量估算的相关性，尤其是以
ＧＯＳＡＶＩ、ＧＳＡＶＩ创建的估产模型精度较高。由此
证实，植被指数的优化和遴选对于提高估算模型的
相关性和精确度非常重要，但也反映出同一群落中
不同种群对植被指数的感应很不一样，相关植被指
数的应用评述［１２，１４～１５］也说明了这一点。
本研究结果表明，以近红外光（７６０ｎｍ）和绿光
（６００ｎｍ）光谱变量组合提出的绿色优化土壤调节植
被指数（ＧＯＳＡＶＩ）为自变量构建的二次方程式，是
苜蓿和无芒雀麦混播草地群落鲜草总产量最优估算
模型，其相关系数为０．８６７，均方根误差为０．２２７
ｋｇ／ｍ２，相对误差为１２．７１８％。就群落内各种群而
言，以近红外光（７６０ｎｍ）和绿光（６００ｎｍ）光谱变量
组合提出的绿色土壤调节植被指数（ＧＳＡＶＩ）为自
变量构建的三次方程式是苜蓿种群鲜草产量最优估
算模 型，其 相 关 系 数 为 ０．８０８，均 方 根 误 差 为
０．２８６ｋｇ／ｍ２，相对误差为２４．７９５％；而无芒雀麦种
群最优估产模型却是以波长９７１ｎｍ处一阶微分为
自变量构建的三次方程式，其相关系数为０．７８１，均
方根误差为０．２３８ｋｇ／ｍ２，相对误差为３８．４４６％。
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：
［１］　Ｊｕｎｇｈｏ　Ｉ　Ｍ，Ｊｏｈｎ　Ｒ　Ｊｅｎｓｅｎ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｏｆ
ｖｅｇｅｔａｔｉｏｎ［Ｊ］．Ｇｅｏｇｒａｐｈｙ　Ｃｏｍｐａｓｓ，２００８，２（６）：１９４３－１９６１．
［２］　杜鑫，蒙继华，吴炳方 ．作物生物量遥感估算研究进展［Ｊ］．光
谱学与光谱分析，２０１０，３０（１１）：３０９８－３１０２．
Ｄｕ　Ｘｉｎ，Ｍｅｎｇ　Ｊｉｈｕａ，Ｗｕ　Ｂｉｎｇｆａｎｇ．Ｒｅｓｅａｒｃｈ　ｐｒｏｇｒｅｓｓ　ｏｎ　ｒｅ－
ｍｏｔｅ　ｓｅｎｓｉｎｇ　ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｃｒｏｐ　ｂｉｏｍａｓｓ［Ｊ］．Ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ
Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ，２０１０，３０（１１）：３０９８－３１０２．
［３］　徐斌，杨秀春，陶伟国，等 ．中国草原产草量遥感监测［Ｊ］．生
态学报，２００７，２７（２）：４０５－４１３．
Ｘｕ　Ｂｉｎ，Ｙａｎｇ　Ｘｉｕｃｈｕｎ，Ｔａｏ　Ｗｅｉｇｕｏ，ｅｔ　ａｌ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ
ｍｏｎｉｔｏｒｉｎｇ　ｕｐｏｎ　ｔｈｅ　ｇｒａｓｓ　ｐｒｏｄｕｃｔｉｏｎ　ｉｎ　Ｃｈｉｎａ［Ｊ］．Ａｃｔａ　Ｅｃｏ－
ｌｏｇｉｃａ　Ｓｉｎｉｃａ，２００７，２７（２）：４０５－４１３．
［４］　张凯，郭铌，王润元，等 ．甘南草地地上生物量的高光谱遥感估
算研究［Ｊ］．草业科学，２００９，２６（１１）：４４－５０．
Ｚｈａｎｇ　Ｋａｉ，Ｇｕｏ　Ｎｉ，Ｗａｎｇ　Ｒｕｎｙｕａｎ，ｅｔ　ａｌ．Ｓｔｕｄｙ　ｏｆ　ｈｙｐｅｒ－
ｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｅｓｔｉｍａｔｉｏｎ　ａｂｏｖｅｇｒｏｕｎｄ　ｂｉｏｍａｓｓ　ｉｎ
Ｇａｎｎａｎ　Ｃｈｉｎａ［Ｊ］．Ｐｒａｔａｃｕｌｔｕｒａｌ　Ｓｃｉｅｎｃｅ，２００９，２６（１１）：４４－
５０．
［５］　Ｍｕｓｔａｆａ　Ｍｉｒｉｋ，Ｊａｃｋ　Ｅ　Ｎｏｒｌａｎｄ，Ｒｏｂｅｒｔ　Ｌ　Ｃｒａｂｔｒｅｅ，ｅｔ　ａｌ．
Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｏｎｅ－ｍｅｔｅｒ－ｒｅｓｏｌｕｔｉｏｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｎ　Ｙｅｌｏｗ－
ｓｔｏｎｅ　Ｎａｔｉｏｎａｌ　Ｐａｒｋ，Ｗｙｏｍｉｎｇ：ＩＩ．Ｂｉｏｍａｓｓ［Ｊ］．Ｒａｎｇｅｌａｎｄ
Ｅｃｏｌｏｇｙ　＆ Ｍａｎａｇｅｍｅｎｔ，２００５，５８（５）：４５９－４６５．
［６］　Ｄｕｌｉ　Ｚｈａｏ，Ｐａｔｒｉｃｋ　Ｊ　Ｓｔａｒｋｓ，Ｍｉｃｈａｅｌ　Ａ　Ｂｒｏｗｎ，ｅｔ　ａｌ．Ａｓｓｅｓｓ－
ｍｅｎｔ　ｏｆ　ｆｏｒａｇｅ　ｂｉｏｍａｓｓ　ａｎｄ　ｑｕａｌｉｔｙ　ｐａｒａｍｅｔｅｒｓ　ｏｆ　ｂｅｒｍｕｄａｇｒａ－
ｓｓ　ｕｓｉｎｇ　ｐｒｏｘｉｍａｌ　ｓｅｎｓｉｎｇ　ｏｆ　ｐａｓｔｕｒｅ　ｃａｎｏｐｙ　ｒｅｆｌｅｃｔａｎｃｅ［Ｊ］．
Ｇｒａｓｓｌａｎｄ　Ｓｃｉｅｎｃｅ，２００７，５３（１）：３９－４９．
［７］　浦瑞良，宫鹏 ．高光谱及其应用［Ｍ］．北京：高等教育出版社，
２０００：５２－５３．
Ｐｕ　Ｒｕｉｌｉａｎｇ，Ｇｏｎｇ　Ｐｅｎｇ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ａｎｄ　ｉｔｓ
ａｐｐｌｉｃａｔｉｏｎｓ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｈｉｇｈｅｒ　Ｅｄｕｃａｔｉｏｎ　Ｐｒｅｓｓ，２０００：５２－
５３．
［８］　蒋金豹，陈云浩，黄文江 ．利用高光谱红边与黄边位置距离识
别小麦条锈病［Ｊ］．光谱学与光谱分析，２０１０，３０（６）：１６１４－
１６１８．
Ｊｉａｎｇ　Ｊｉｎｂａｏ，Ｃｈｅｎ　Ｙｕｎｈａｏ，Ｈｕａｎｇ　Ｗｅｎｊｉａｎｇ．Ｕｓｉｎｇ　ｔｈｅ　ｄｉｓ－
ｔａｎｃｅ　ｂｅｔｗｅｅｎ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｄ　ｅｄｇｅ　ｐｏｓｉｔｉｏｎ　ａｎｄ　ｙｅｌｏｗ　ｅｄｇｅ
ｐｏｓｉｔｉｏｎ　ｔｏ　ｉｄｅｎｔｉｆｙ　ｗｈｅａｔ　ｙｅｌｏｗ　ｒｕｓｔ　ｄｉｓｅａｓｅ［Ｊ］．Ｓｐｅｃｔｒｏｓｃｏ－
ｐｙ　ａｎｄ　Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ，２０１０，３０（６）：１６１４－１６１８．
［９］　张凯，王润元，王小平，等 ．黄土高原春小麦地上鲜生物量高光
谱遥感估算模型［Ｊ］．生态学杂志，２００９，２８（６）：１１５５－１１６１．
Ｚｈａｎｇ　Ｋａｉ，Ｗａｎｇ　Ｒｕｎｙｕａｎ，Ｗａｎｇ　Ｘｉａｏｐｉｎｇ，ｅｔ　ａｌ．Ｈｙｐｅｒ－
ｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌｓ　ｆｏｒ　ａｂｏｖｅ－ｇｒｏｕｎｄ
ｆｒｅｓｈ　ｂｉｏｍａｓｓ　ｏｆ　ｓｐｒｉｎｇ　ｗｈｅａｔ　ｏｎ　Ｌｏｅｓｓ　Ｐｌａｔｅａｕ［Ｊ］．Ｃｈｉｎｅｓｅ
Ｊｏｕｒｎａｌ　ｏｆ　Ｅｃｏｌｏｇｙ，２００９，２８（６）：１１５５－１１６１．
［１０］　纳钦 ．苜蓿和缘毛雀麦高光谱与营养成分的相关性研究［Ｄ］．
呼和浩特：内蒙古农业大学，２０１０．
—０４—
中国草地学报　２０１３年　第３５卷　第１期
Ｎａ　Ｑｉｎ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ａｎｄ　ｎｕｔｒｉｔｉｏｎ　ｏｆ　Ｍｅｄｉｃａｇｏ　ｓａｔｉｖａ　Ｌ．
ａｎｄ　Ｂｒｏｍｕｓ　ｃｉｌｉｔｕｓ　Ｌ．ｃｏｒｒｅｌａｔｉｏｎ　ｒｅｓｅａｒｃｈ［Ｄ］．Ｈｏｈｈｏｔ：Ｉｎ－
ｎｅｒ　Ｍｏｎｇｏｌｉａ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，２０１０．
［１１］　Ｅｍｍａ　Ｕｎｄｅｒｗｏｏｄ，Ｓｕｓａｎ　Ｕｓｔｉｎ，Ｄｅａｎｎｅ　ＤｉＰｉｅｔｒｏ．Ｍａｐｐｉｎｇ
ｎｏｎｎａｔｉｖｅ　ｐｌａｎｔｓ　ｕｓｉｎｇ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅｒｙ［Ｊ］．Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００３，８６（２）：１５０－１６１．
［１２］　陈鹏飞，Ｎｉｃｏｌａｓ　Ｔｒｅｍｂｌａｙ，王纪华，等 ．估测作物冠层生物
量的新植被指数的研究［Ｊ］．光谱学与光谱分析，２０１０，３０
（２）：５１２－５１７．
Ｃｈｅｎ　Ｐｅｎｇｆｅｉ，Ｎｉｃｏｌａｓ　Ｔｒｅｍｂｌａｙ，Ｗａｎｇ　Ｊｉｈｕａ，ｅｔ　ａｌ．Ｓｔｕｄｙ
ｏｆ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ　ｔｏ　ｅｓｔｉｍａｔｉｎｇ　ｃｒｏｐ　ｃａｎｏｐｙ　ｂｉｏｍａｓｓ［Ｊ］．
Ｓｐｅｃｔｒｏｓｃｏｐｙ　ａｎｄ　Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ，２０１０，３０（２）：５１２－５１７．
［１３］　曹仕，刘湘南，刘美玲，等 ．融合冠层水分特征的光谱参数
ＮＣＶＩ及反演玉米ＬＡＩ［Ｊ］．光谱学与光谱分析，２０１１，３１（２）：
４７８－４８２．
Ｃａｏ　Ｓｈｉ，Ｌｉｕ　Ｘｉａｎｇｎａｎ，Ｌｉｕ　Ｍｅｉｌｉｎｇ，ｅｔ　ａｌ．Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｌｅａｆ
ａｒｅａ　ｉｎｄｅｘ　ｂｙ　ｎｏｒｍａｌｉｚｅｄ　ｃｏｍｐｏｓｉｔｅ　ｖｅｇｅｔｉｏｎ　ｉｎｄｅｘ［Ｊ］．Ｓｐｅｃ－
ｔｒｏｓｃｏｐｙ　ａｎｄ　Ｓｐｅｃｔｒａｌ　Ａｎａｌｙｓｉｓ，２０１１，３１（２）：４７８－４８２．
［１４］　王建伟，陈功 ．草地植被指数及生物量的遥感估测［Ｊ］．云南
农业大学学报，２００６，２１（３）：３７２－３７５．
Ｗａｎｇ　Ｊｉａｎｗｅｉ，Ｃｈｅｎ　Ｇｏｎｇ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｅｓｔｉｍａｔｉｏｎ　ｏｆ
ｇｒａｓｓｌａｎｄ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ　ａｎｄ　ｂｉｏｍａｓｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｙｕｎ－
ｎａｎ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，２００６，２１（３）：３７２－３７５．
［１５］　徐小军，杜华强，周国模，等 ．基于遥感植被生物量估算模型
自变量相关性分析综述［Ｊ］．遥感技术与应用，２００８，２３（２）：
１２３－１３１．
Ｘｕ　Ｘｉａｏｊｕｎ，Ｄｕ　Ｈｕａｑｉａｎｇ，Ｚｈｏｕ　Ｇｕｏｍｏ，ｅｔ　ａｌ．Ｓｕｍｍａｒｙ　ｏｎ
ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｏｆ　ｖｅｇｅｔａｔｉｏｎ　ｂｉｏ－
ｍａｓｓ　ｉｎｄｅｐｅｎｄｅｎｔ　ｖａｒｉａｂｌｅ　ｃｏｒｒｅｌａｔｉｏｎ　ａｎａｌｙｓｉｓ［Ｊ］．Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ　Ｔｅｃｈｎｏｌｏｇｙ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎ，２００８，２３（２）：１２３－１３１．
Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　Ｆｒｅｓｈ　Ｆｏｒａｇｅ　Ｙｉｅｌｄ　ｏｆ　Ｍｉｘｅｄ　Ｓｏｗｉｎｇ　Ｐａｓｔｕｒｅｓ
ｏｆ　Ａｌｆａｌｆａ　ａｎｄ　Ｓｍｏｏｔｈ－Ｂｒｏｍｅ　ｗｉｔｈ　Ｈｙｐｅｒｓｐｅｃｔｒａｌ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ
ＷＡＮＧ　Ｊｉａｎ－ｇｕａｎｇ１，２，ＬＶ　Ｘｉａｏ－ｄｏｎｇ２，ＹＡＯ　Ｇｕｉ－ｐｉｎｇ３，ＳＵＮ　Ｑｉ－ｚｈｏｎｇ１
（１．Ｇｒａｓｓｌａｎｄ　Ｒｅｓｅａｒｃｈ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｃｈｉｎｅｓｅ　Ａｃａｄｅｍｙ　ｏｆ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｓｃｉｅｎｃｅｓ，Ｈｏｈｈｏｔ　０１００１０，Ｃｈｉｎａ；
２．Ｃｏｌｌｅｇｅ　ｏｆ　Ｅｃｏｌｏｇｙ　ａｎｄ　Ｅｎｖｉｒｏｎｍｅｎｔａｌ　Ｓｃｉｅｎｃｅ，Ｉｎｎｅｒ　Ｍｏｎｇｏｌｉａ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈｏｈｈｏｔ
０１００１９，Ｃｈｉｎａ；３．Ｃｏｌｌｅｇｅ　ｏｆ　Ｓｃｉｅｎｃｅ，Ｉｎｎｅｒ　Ｍｏｎｇｏｌｉａ　Ａｇｒｉｃｕｌｔｕｒａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｈｏｈｈｏｔ　０１００１８，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　ｍｉｘｅｄ　ｓｏｗｉｎｇ　ｐａｓｔｕｒｅ　ｏｆ　ａｌｆａｌｆａ（Ｍｅｄｉｃａｇｏ　ｓａｔｉｖａ　Ｌ．）ａｎｄ　Ｓｍｏｏｔｈ－
Ｂｒｏｍｅ（Ｂｒｏｍｕｓ　ｉｎｅｒｍｉｓ　Ｌｅｙｓｓ．）ｗａｓ　ｅｓｔｉｍａｔｅｄ　ｗｉｔｈ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｔｅｃｈｎｏｌｏｇｙ．Ｔｈｅ　ｂｅｓｔ
ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘｅｓ　ｗｅｒｅ　ｓｅｌｅｃｔｅｄ　ｆｒｏｍ　ｔｈｅ　ｎｅｗ　ｆｉｖｅ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ（ＧＤＶＩ，ＧＲＶＤＩ，ＧＳＡＶＩ，ＧＯＳＡＶＩ，
ＧＭＳＡＶＩ）ａｌｏｎｇ　ｗｉｔｈ　ｔｈｅ　ｎｉｎｅ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ　ｕｓｅｄ　ｉｎ　ｐａｓｔ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｙｉｅｌｄ，ｔｈｅ　ｏｐｔｉ－
ｍａｌ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｗａｓ　ｂｕｉｌｔ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗｅｄ　ｔｈａｔ　ａ　ｑｕａｄｒａｔｉｃ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ
Ｇｒｅｅｎ　Ｏｐｔｉｍｉｚａｔｉｏｎ　Ｓｏｉｌ　Ａｄｊｕｓｔ　Ｖｅｇｅｔａｔｉｏｎ　Ｉｎｄｅｘ（ＧＯＳＡＶＩ，ＮＩＲ＝７６０ｎｍ，Ｇｒｅｅｎ＝６００ｎｍ）ｗａｓ　ｔｈｅ　ｂｅｓｔ
ｆｏｒ　ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｔｈｅ　ｔｏｔａｌ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　ｍｉｘｅｄ　ｓｏｗｉｎｇ　ｐａｓｔｕｒｅ．Ａｎｄ　ｔｈｅ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｏｆ　ｔｈｅ
ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　ａｌｆａｌｆａ　ｐｒｅｆｅｒｓ　ｔｏ　ａ　ｃｕｂｉｃ　ｅｑｕａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　Ｇｒｅｅｎ　Ｓｏｉｌ　Ａｄｊｕｓｔ　Ｖｅｇｅｔａｔｉｏｎ　Ｉｎｄｅｘ（ＧＳＡ－
ＶＩ，ＮＩＲ＝７６０ｎｍ，Ｇｒｅｅｎ＝６００ｎｍ）；ｔｈｅ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅ　ｏｆ　ｔｈｅ　ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ　ｏｆ　Ｓｍｏｏｔｈ－Ｂｒｏｍｅ　ｆａｖｏｒｓ
ａ　ｃｕｂｉｃ　ｅｑｕａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｆｉｒｓｔ　ｄｅｒｉｖａｔｉｖｅ　ｖａｌｕｅ　ａｔ　ｗａｖｅｌｅｎｇｔｈ　９７１ｎｍ．
Ｋｅｙ　ｗｏｒｄｓ：Ａｌｆａｌｆａ；Ｓｍｏｏｔｈ－Ｂｒｏｍｅ；Ｆｒｅｓｈ　ｆｏｒａｇｅ　ｙｉｅｌｄ；Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ；Ｅｓｔｉｍａｔｉｏｎ
ｍｏｄｅｌ
—１４—
王建光　吕小东　姚贵平　孙启忠　　　苜蓿和无芒雀麦混播草地高光谱遥感估产研究