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