全 文 ：犇犗犐：１０．１１６８６／犮狔狓犫２０１５２６８ 犺狋狋狆：／／犮狔狓犫．犾狕狌．犲犱狌．犮狀
高金龙，侯尧宸，白彦福，孟宝平，杨淑霞，胡远宁，冯琦胜，崔霞，梁天刚．基于高光谱数据的高寒草甸氮磷钾含量估测方法研究—以青海省贵南县及
玛沁县高寒草甸为例．草业学报，２０１６，２５（３）：９２１．
ＧＡＯＪｉｎＬｏｎｇ，ＨＯＵＹａｏＣｈｅｎ，ＢＡＩＹａｎＦｕ，ＭＥＮＧＢａｏＰｉｎｇ，ＹＡＮＧＳｈｕＸｉａ，ＨＵＹｕａｎＮｉｎｇ，ＦＥＮＧＱｉＳｈｅｎｇ，ＣＵＩＸｉａ，ＬＩＡＮＧＴｉａｎＧａｎｇ．
Ｍｅｔｈｏｄｓｆｏｒｅｓｔｉｍａｔｉｎｇｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｆｒｏｍａｌｐｉｎｅｍｅａｄｏｗｓｉｎＧｕｉｎａｎａｎｄＭａｑｉｎＣｏｕｎｔｉｅｓ，
Ｑｉｎｇｈａｉｐｒｏｖｉｎｃｅ．ＡｃｔａＰｒａｔａｃｕｌｔｕｒａｅＳｉｎｉｃａ，２０１６，２５（３）：９２１．
基于高光谱数据的高寒草甸氮磷钾含量估测方法研究
—以青海省贵南县及玛沁县高寒草甸为例
高金龙１，侯尧宸１，白彦福１，孟宝平１，杨淑霞１，胡远宁１，冯琦胜１，崔霞２，梁天刚１
（１．草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州７３００２０；
２．兰州大学西部环境教育部重点实验室，甘肃 兰州７３００００）
摘要：以青海省玛沁县和贵南县高寒草甸作为典型研究区，利用地物光谱仪采集了２０块样地的高光谱数据，并测
定了对应样地所有样方中牧草的养分含量，分析了牧草中氮磷钾素含量与冠层原始光谱反射率和一阶微分光谱反
射率之间的相关关系；采用回归统计方法，基于光谱位置变量、光谱面积变量及植被指数变量构建了高寒草甸氮磷
钾素的估测模型，并对模型进行了精度评价。结果表明，１）与原始光谱反射率曲线相比，一阶微分光谱反射率曲线
能较好地反映牧草中Ｎ、Ｐ、Ｋ素所对应的敏感波段；２）高寒草甸牧草中Ｎ、Ｐ、Ｋ素含量与冠层高光谱相关性较强的
波段大多分布在红光区域（６８０～７６０ｎｍ）；３）基于光谱位置变量构建的估测模型能更好地反演高寒草甸Ｎ、Ｐ、Ｋ素
含量。其中，以光谱位置变量Ｒ′７０８．８８为自变量的对数模型对氮素含量估测效果较好，犚２ 为０．６７，估测精度达到
８３．５６％；以光谱位置变量 Ｒ′７０４．８５为自变量的对数模型对磷素含量估测效果较好，犚２ 为０．５５，估测精度达到
９２．１５％；以光谱位置变量 Ｒ′６９７．３６为自变量的对数模型对钾素含量估测效果较好，犚２ 为０．８６，估测精度达到
８２．４４％。
关键词：高寒草甸；高光谱遥感；牧草营养监测；估测模型
犕犲狋犺狅犱狊犳狅狉犲狊狋犻犿犪狋犻狀犵狀犻狋狉狅犵犲狀，狆犺狅狊狆犺狅狉狌狊犪狀犱狆狅狋犪狊狊犻狌犿犮狅狀狋犲狀狋犫犪狊犲犱狅狀犺狔狆犲狉
狊狆犲犮狋狉犪犾犱犪狋犪犳狉狅犿犪犾狆犻狀犲犿犲犪犱狅狑狊犻狀犌狌犻狀犪狀犪狀犱犕犪狇犻狀犆狅狌狀狋犻犲狊，犙犻狀犵犺犪犻狆狉狅狏犻狀犮犲
ＧＡＯＪｉｎＬｏｎｇ１，ＨＯＵ ＹａｏＣｈｅｎ１，ＢＡＩＹａｎＦｕ１，ＭＥＮＧＢａｏＰｉｎｇ１，ＹＡＮＧＳｈｕＸｉａ１，ＨＵ ＹｕａｎＮｉｎｇ１，
ＦＥＮＧＱｉＳｈｅｎｇ１，ＣＵＩＸｉａ２，ＬＩＡＮＧＴｉａｎＧａｎｇ１
１．犛狋犪狋犲犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犌狉犪狊狊犾犪狀犱犃犵狉狅犲犮狅狊狔狊狋犲犿狊，犆狅犾犾犲犵犲狅犳犘犪狊狋狅狉犪犾犃犵狉犻犮狌犾狋狌狉犲犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔，犔犪狀狕犺狅狌犝狀犻
狏犲狉狊犻狋狔，犔犪狀狕犺狅狌７３００２０，犆犺犻狀犪；２．犖犪狋犻狅狀犪犾犔犪犫狅狉犪狋狅狉狔狅犳 犠犲狊狋犲狉狀犆犺犻狀犪’狊犈狀狏犻狉狅狀犿犲狀狋犪犾犛狔狊狋犲犿，犔犪狀狕犺狅狌犝狀犻狏犲狉狊犻狋狔，
犔犪狀狕犺狅狌７３００００，犆犺犻狀犪
犃犫狊狋狉犪犮狋：ＵｓｉｎｇｔｙｐｉｃａｌａｌｐｉｎｅｍｅａｄｏｗｓｉｎＭａｑｉｎａｎｄＧｕｉｎａｎＣｏｕｎｔｉｅｓｉｎＱｉｎｇｈａｉｐｒｏｖｉｎｃｅａｓｔｈｅｒｅｓｅａｒｃｈａｒｅａ，
ｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｆｒｏｍ２０ｐｌｏｔｓｗｅｒｅｃｏｌｅｃｔｅｄｂｙｓｐｅｃｔｒｏｍｅｔｅｒ，ｗｈｉｌｅｔｈｅｆｏｒａｇｅｎｕｔｒｉｅｎｔｃｏｎｃｅｎｔｒａｔｉｏｎｓｗｅｒｅ
ｍｅａｓｕｒｅｄｉｎｔｈｅｌａｂｏｒａｔｏｒｙｆｏｒｅａｃｈｐｌｏｔ．Ｕｓｉｎｇｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ，ｔｈｅｃｏｒｒｅｌａｔｉｏｎｓｂｅｔｗｅｅｎｔｈｅｎｉｔｒｏｇｅｎ，
ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｓｏｆｔｈｅａｌｐｉｎｅｍｅａｄｏｗｆｏｒａｇｅａｎｄｔｈｅｏｒｉｇｉｎａｌｒｅｆｌｅｃｔａｎｃｅｄａｔａａｎｄｔｈｅｆｉｒｓｔ
第２５卷 第３期
Ｖｏｌ．２５，Ｎｏ．３
草 业 学 报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ
９－２１
２０１６年３月
收稿日期：２０１５０５２８；改回日期：２０１５０７１４
基金项目：国家自然科学基金项目（３１３７２３６７，４１４０１４７２）和青海省科技支撑项目（２０１３Ｎ１４６４）资助。
作者简介：高金龙（１９９１），男，甘肃永昌人，在读硕士。Ｅｍａｉｌ：ｒｓｌａｂｊｉｎｌｏｎｇ＠１６３．ｃｏｍ
通信作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅｍａｉｌ：ｔｇｌｉａｎｇ＠ｌｚｕ．ｅｄｕ．ｃｎ
ｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｏｆｒｅｆｌｅｃｔａｎｃｅｗｅｒｅａｎａｌｙｚｅｄ．Ｉｎｖｅｒｓｉｏｎｍｏｄｅｌｓｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｆｏｒｅｓｔｉｍａｔｉｎｇｔｈｅｎｉｔｒｏｇｅｎ，
ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｏｆａｌｐｉｎｅｍｅａｄｏｗｆｏｒａｇｅｂａｓｅｄｏｎｓｐｅｃｔｒｕｍｌｏｃａｔｉｏｎ，ｓｐｅｃｔｒｕｍａｒｅａａｎｄｖｅｇ
ｅｔａｔｉｏｎｉｎｄｅｘ，ａｎｄｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｓｗａｓａｌｓｏｅｖａｌｕａｔｅｄ．Ｉｔｗａｓｆｏｕｎｄｔｈａｔｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｒｅ
ｆｌｅｃｔａｎｃｅｃｕｒｖｅｂｅｔｔｅｒｐｒｅｄｉｃｔｓｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔｉｎｔｈｅｆｏｒａｇｅ，ｔｈａｎｄｏｅｓｔｈｅｏｒｉｇｉｎａｌ
ｄａｔａ．Ｉｎｔｈｅｒｅｄｂａｎｄ（６８０－７６０ｎｍ），ｔｈｅｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓａｎｄｐｏｔａｓｓｉｕｍｌｅｖｅｌｓｉｎｆｏｒａｇｅｓｈｏｗａｓｔｒｏｎｇ
ｒｅｌａｔｉｏｎｓｈｉｐｗｉｔｈｃａｎｏｐｙｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｃｕｒｖｅｐａｒａｍｅｔｅｒｓ．Ｔｈｅｍｏｄｅｌｗｈｉｃｈｉｎｃｌｕｄｅｄｓｐｅｃｔｒｕｍｌｏｃａ
ｔｉｏｎｗｏｒｋｅｄｗｅｌｆｏｒｅｓｔｉｍａｔｉｎｇｃｏｎｃｅｎｔｒａｔｉｏｎｏｆｎｉｔｒｏｇｅｎ，ｐｈｏｓｐｈｏｒｕｓ，ａｎｄｐｏｔａｓｓｉｕｍｉｎａｌｐｉｎｅｍｅａｄｏｗｆｏｒ
ａｇｅ．Ａｌｏｇａｒｉｔｈｍｉｃｍｏｄｅｌｆｏｒｓｐｅｃｔｒｕｍｌｏｃａｔｉｏｎ（Ｒ′７０８．８８）ｃａｎｅｓｔｉｍａｔｅｄｆｏｒａｇｅｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｗｉｔｈａｎ犚２ｏｆ
０．６７，ａｎｄａｎａｃｃｕｒａｃｙｏｆ８３．５６％，ｗｈｉｌｅａｌｏｇａｒｉｔｈｍｉｃｍｏｄｅｌｆｏｒｓｐｅｃｔｒｕｍｌｏｃａｔｉｏｎ（Ｒ′７０４．８５）ｃａｎｅｓｔｉｍａｔｅｄｆｏｒ
ａｇｅｐｈｏｓｐｈｏｒｕｓｃｏｎｔｅｎｔ，ｗｉｔｈａｎ犚２ｏｆ０．５５，ａｎｄａｎａｃｃｕｒａｃｙｏｆ９２．１５％，ａｎｄａｌｏｇａｒｉｔｈｍｉｃｍｏｄｅｌｆｏｒｓｐｅｃｔｒｕｍ
ｌｏｃａｔｉｏｎ（Ｒ′６９７．３６）ｅｓｔｉｍａｔｅｄｐｏｔａｓｓｉｕｍｃｏｎｔｅｎｔ，ｗｉｔｈａｎ犚２ｏｆ０．８６，ａｎｄａｎａｃｃｕｒａｃｙｏｆ８２．４４％．
犓犲狔狑狅狉犱狊：ａｌｐｉｎｅｍｅａｄｏｗ；ｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｆｏｒａｇｅｎｕｔｒｉｔｉｏｎｍｏｎｉｔｏｒｉｎｇ；ｅｓｔｉｍａｔｉｏｎｍｏｄｅｌ
我国具有多样化的草地类型，其中高寒草甸类的面积最大，占全国草地面积的１６．２２％［１］。高寒草甸牧草营
养状况关乎草地的生产和持续利用能力，牧草中粗蛋白（ＣＰ）、酸性洗涤纤维（ＡＤＦ）、中性洗涤纤维（ＮＤＦ）、氮
（Ｎ）、磷（Ｐ）、钾（Ｋ）等含量和牧草产量直接影响着放牧家畜生产［２］。传统的测定牧草营养成分含量的方法，不仅
费时费力，且采样点往往缺乏代表性［３］，大量的采样亦会对草地植被造成损害。随着高光谱遥感技术的发展和完
善，这一技术在快速、无损估测植被冠层理化成分和大面积监测植物营养状况等方面取得了显著进展［４］，这使得
对天然草地牧草营养动态监测和牧草品质快速评价的深入研究成为可能。
Ｃｈｏ等［５］使用机载高光谱影像对绿色草本植物生物量进行估测的结果表明，基于高光谱影像偏最小二乘法
（ｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓ，ＰＬＳ）回归方法较高光谱指数的单变量回归方法能更精确的估测绿色草本植物的生物量。
Ｋｏｋａｌｙ和Ｃｌａｒｋ［６］基于去包络线的光谱吸收特征法估测了干叶中氮素等营养成分含量，结果表明该方法对氮素
含量的建模效果较好，可应用于其他植被氮素等化学成分含量的估测。Ｍｕｔａｎｇａ［２］在牧草营养高光谱遥感估测
方面作了一系列研究，发现在红边位置的窄波段植被指数相对于归一化差值植被指数（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅ
ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＮＤＶＩ）能更精确的估测热带草原生物量，基于包络线去除后的冠层光谱吸收特征，可以精确估
测牧草中Ｎ、Ｐ、Ｋ、Ｃａ、Ｍｇ、Ｎａ的含量；在冠层水平上，红边位置７１３和７２５ｎｍ处的斜率和振幅与野牛草（犅狌犮犺
犾狅犲犱犪犮狋狔犾狅犻犱犲狊）的氮素浓度具有明显的相关性［７］；红光范围内的光谱吸收特征与叶片氮素浓度具有很强的相关
性［８］；利用逐步回归分析方法，可以估测基于去包络线的反射光谱特征所确定波段的野牛草叶片营养成分浓度，
使用归一化波段深度指数（ｎｏｒｍａｌｉｚｅｄｂａｎｄｄｅｐｔｈｉｎｄｅｘ，ＮＢＤＩ）可以估测鲜草叶片化学物质浓度［９］；包络线去除
后的微分光谱反射率（ｃｏｎｔｉｎｕｕｍｒｅｍｏｖｅｄｄｅｒｉｖａｔｉｖｅｒｅｆｌｅｃｔａｎｃｅ，ＣＲＤＲ）可以较好的评估热带萨王纳草地Ｎ、Ｐ、
Ｋ等元素含量［１０］。Ｋｎｏｘ等［１１］对克鲁格国家公园牧草氮、磷及纤维素含量进行了模拟分析，结果表明利用这些
模型可以大面积、全季节反演萨王纳草地牧草营养成分含量。Ｒａｍｏｅｌｏ等［１２］基于ＲａｐｉｄＥｙｅ卫星影像对南非东
北部地区两个牧场的草产量和氮素含量进行了评估，并基于植被指数绘制了牧草冠层氮素含量、地上生物量的空
间分布图，该研究发现高光谱遥感数据的红边波段具有评估牧草质量和品质的潜力，利用植被指数和相应辅助数
据可以绘制牧草养分空间分布图。胥慧等［１３］利用高光谱遥感技术对内蒙古锡林郭勒草原秋季干枯牧草生物量
进行研究，发现红谷吸收深度、近红外反射率的一阶微分总和、蓝边反射率的一阶微分总和等高光谱特征参数和
草地生物量具有较高的相关性。张凯等［１４］应用高光谱分辨率遥感技术对甘肃甘南天然草地地上生物量进行了
估算，结果表明特征参数Ｄ７２３的对数回归模型可以作为甘南草地地上绿色植被生物量的最佳高光谱估算模型。
纳钦［１５］利用非成像光谱仪测定了紫花苜蓿（犕犲犱犻犮犪犵狅狊犪狋犻狏犪）和缘毛雀麦（犅狉狅犿狌狊犮犻犾犻狋狌狊）的冠层光谱反射率，
分析了光谱反射率与牧草营养成分含量之间的相关性，发现单波段反射率与牧草营养成分含量的相关性较好，并
基于此构建了牧草中叶绿素、Ｎ、Ｐ、Ｋ和ＮＤＦ含量的估算模型，模型精度达９０％以上。王迅等［１６］对高寒草地牧
０１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．３
草营养成分和高光谱数据进行分析的结果表明，通过两波段比值指数（Ｒｉ／Ｒｊ）构建的高光谱指数模型与草地生物
量、磷、粗灰分、粗蛋白等指标间显著相关。
综上所述，国内外许多学者在牧草高光谱遥感研究方面大多集中在草地生物量的建模与估测、草地牧草冠层
光谱吸收特征分析和牧草营养成分含量空间制图，虽然取得了一些研究成果，但主要针对高寒草甸混合牧草营养
成分的高光谱遥感分析及草地营养成分含量空间分布特征的研究尚鲜有报道。
基于以上因素的考虑，本研究利用高寒草甸盛草期混合种类牧草的冠层高光谱遥感数据，重点探索研究混合
种类牧草中矿质元素氮、磷、钾含量的估测模型，以期为我国高寒草甸牧草营养动态监测和品质评价提供理论依
据。
１ 材料与方法
１．１ 研究区概况
本实验研究区为青海省贵南县、玛沁县典型高寒草甸区。玛沁县高寒草甸试验区位于东经１００°１２′－
１００°１８′，北纬３４°２１′－３４°２９′，主要优势植物有矮生嵩草（犓狅犫狉犲狊犻犪犺狌犿犻犾犻狊）、针茅（犛狋犻狆犪犮犪狆犻犾犾犪狋犪）、苔草（犆犪狉犲狓
狋狉犻狊狋犪犮犺狔犪）等，植被覆盖度在８０％～１００％。贵南县高寒草甸试验区位于东经１００°４３′－１００°５０′，北纬３５°２７′－
３５°３１′，主要建群种有小嵩草（犓狅犫狉犲狊犻犪狆狔犵犿犪犲犪）、矮生嵩草、冷地早熟禾（犘狅犪犮狉狔犿狅狆犺犻犾犪）、针茅、苔草等，植被
覆盖度为８０％～９５％。
１．２ 草地观测数据
在样地选择和样点布局上，参考澳大利亚陆地生态系统网络中ＡｕｓＰｌｏｔ项目采用的基准样地采样技术［１７］，
结合高寒草地植被特征，在核心试验区采用９点法布设了２０块样地，其中玛沁县９块，贵南县１１块，样地大小为
１００ｍ×１００ｍ，其空间分布如图１所示。对每个样地的９个０．５ｍ×０．５ｍ样方采用传统的采样方法测定了草
地盖度、草层高度及地上生物量等指标，并将样方中草样剪下装袋，带回实验室经烘干、粉碎、均匀混合处理之后，
用化学分析方法对草样中的营养元素进行定量分析。氮素含量测定使用 Ｈ２ＳＯ４－Ｈ２Ｏ２ 消煮＋蒸馏法，磷素含
量测定使用Ｈ２ＳＯ４－Ｈ２Ｏ２ 消煮＋钒钼黄比色法，钾素含量测定使用 Ｈ２ＳＯ４－Ｈ２Ｏ２ 消煮＋火焰光度法。最后，
计算出各样地的养分含量均值。
１．３ 高光谱数据采集
高光谱数据的采样点位于玛沁县与贵南县高寒草甸核心试验区的样地内，采样时间为２０１５年７月中旬和９
月初，光谱测量所用仪器为荷兰Ａｖａｎｔｅｓ公司制造的适用于遥感测量、农作物监测等方面的ＡｖａＦｉｅｌｄ３便携式
高光谱地物波谱仪，其光谱范围为３００～２５００ｎｍ，其中３００～１１００ｎｍ的光谱分辨率为１．４ｎｍ，光谱采样间隔为
０．６ｎｍ；１１００～２５００ｎｍ的光谱分辨率为１５ｎｍ，光谱采样间隔为６ｎｍ。光谱采集要选择干燥、无风、晴朗无云
或少云的天气进行，并根据天气条件及时进行标准白板校正，采集时间尽量在１１：００－１５：００之间，此时光照条件
良好。为避免土壤背景的影响，混合种类草地光谱数据的采集要尽量选择植被覆盖度高的区域进行［１８１９］。光谱
采集参数设置时间为１００ｍｓ，测量后及时进行白板校正［１８，２０］。每块样地选择２～３个光谱采样点进行高光谱数
据采集，每个样点每次重复测量１０次，最后以该样点的光谱反射率均值制作光谱反射率曲线。
１．４ 高光谱数据预处理
１．４．１ 高光谱数据的平滑滤波 光谱测量易受天气、空气水分、冠层水分等因素影响，光谱曲线难免会出现异
常，因此在进行光谱数据分析之前，应该剔除有明显异常的数据。本研究中使用ＡｖａＦｉｅｌｄ３地物光谱仪自带的
Ｖｉｅｗｅｒ７．０软件对每个样点的多次重复测量值进行平均处理，得到各样点的光谱反射率数据。光谱数据的平滑
滤波处理可以有效地消除噪声，提高信噪比，并且不会改变信号的形状、宽度［２１］，常用的信号平滑滤波方法有移
动平均法和ＳａｖｉｔｚｋｙＧｏｌａｙ卷积平滑法（即ＳＧ滤波）［２２２３］，本研究主要运用Ｏｒｉｇｉｎ９．０数据分析软件中的ＳＧ
滤波方法对光谱进行平滑处理，基于一定先验知识，在滤波参数移动窗口宽度及多项式次数的优化选择上选择
１１和５［２４２５］。
１１第２５卷第３期 草业学报２０１６年
图１ 贵南县（犃）和玛沁县（犅）核心试验区１犺犿２ 样地空间分布
犉犻犵．１ 犜犺犲狊狆犪狋犻犪犾犱犻狊狋狉犻犫狌狋犻狅狀狅犳犮狅狉犲犲狓狆犲狉犻犿犲狀狋犪犾犪狉犲犪狅狀犲犺犲犮狋犪狉犲狊犪犿狆犾犲犻狀犌狌犻狀犪狀（犃）犪狀犱犕犪狇犻狀（犅）犆狅狌狀狋狔
１．４．２ 高光谱数据插值 由于光谱采样点在３５０～１５００ｎｍ和１５００～２５００ｎｍ之间的光谱采样间隔不一致，
因此需要对光谱数据进行插值处理，保证数据的整齐度，方便后期的数据分析。在本研究中，光谱数据的插值采
用Ｏｒｉｇｉｎ９．０数据分析软件中的Ｌｉｎｅａｒ插值法［２６２７］，插值后的光谱曲线称为原始光谱。
１．４．３ 高光谱数据微分处理 研究表明，光谱数据微分处理可以有效地降低或消除土壤等背景对冠层光谱的
影响［２８］，提高光谱数据的多重共线性［２９］。本研究中使用ＥＮＶＩ５．０遥感图像处理软件的一阶微分（１ｓｔｄｅｒｉｖａ
ｔｉｖｅ）插件对光谱数据进行了处理，将处理后的光谱称之为一阶微分光谱。
１．５ 建模与验证数据集选取
本研究总共测量了２０块样地的高光谱数据，由于在测量时天气突变，其中２块样地的高光谱数据出现明显
异常，经删选后，总共剩余１８块样地（玛沁７块，贵南１１块）的高光谱数据与营养素含量数据符合建模及精度验
证要求。从中随机选择１２块样地作为建模数据集，用来建立混合牧草中Ｎ，Ｐ，Ｋ素的估测模型，剩余６块样地作
为验证数据集来评估预测模型精度。
２ 结果与分析
２．１ 高寒草甸养分及高光谱特征分析
对研究区１８块样地的牧草养分实验室测定数据
进行了描述性统计分析（表１），从中可以看出，研究区
草地养分含量最高的为氮素，平均含量为２０．５６６７
ｇ／ｋｇ，标准偏差为４．６６７１６ｇ／ｋｇ，其次是钾素，平均含
量为１８．５６６７ｇ／ｋｇ，标准偏差为３．１１１８４ｇ／ｋｇ，最后
是磷素，平均含量为３．７１１１ｇ／ｋｇ，标准偏差为０．６１５３８
表１ 实验室所测牧草氮磷钾素含量的描述性统计
犜犪犫犾犲１ 犇犲狊犮狉犻狆狋犻狏犲狊狋犪狋犻狊狋犻犮狊狅犳狋犺犲狀犻狋狉狅犵犲狀，狆犺狅狊狆犺狅狉狌狊，
狆狅狋犪狊狊犻狌犿犮狅狀狋犲狀狋犿犲犪狊狌狉犲犱犻狀狋犺犲犾犪犫狅狉犪狋狅狉狔（狀＝１８）
ｇ／ｋｇ
元素
Ｅｌｅｍｅｎｔ
平均值
Ｍｅａｎ
最小值
Ｍｉｎｉｍｕｍ
最大值
Ｍａｘｉｍｕｍ
标准偏差
Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ
Ｎ ２０．５６６７ ７．６０ ２６．２０ ４．６６７１６
Ｐ ３．７１１１ ２．４０ ４．６０ ０．６１５３８
Ｋ １８．５６６７ １３．００ ２３．７０ ３．１１１８４
２１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．３
ｇ／ｋｇ。本实验虽样地数量具有一定的局限性，但是在科学的实验设计、精确的化学养分测定条件下，所测定得到
的研究区草地养分数据仍然具有一定的可信度。
图２为玛沁７块样地与贵南１１块样地的原始光谱曲线。与健康植物的波谱曲线［３０］相对比，高寒草甸的原
始光谱曲线具有明显的健康植被光谱反射特征。由于草地植被冠层中以叶绿素为主的色素强烈地吸收红光而反
射绿光，形成了在可见光波段５６０和６７５ｎｍ左右的“绿峰”和 “红光低谷”；受到草地冠层叶片细胞结构的影响，
在７００～８００ｎｍ间形成了一个反射率急剧增高的陡坡，并在８００～１３００ｎｍ之间形成了一个高反射率的反射峰；
受到草地植被冠层中水分影响，贵南与玛沁草地光谱曲线均在１４５０和１９５０ｎｍ附近出现了吸收谷，并在１３００～
１４００ｎｍ和１８００～１９００ｎｍ之间出现了比较明显的异常情况。本研究参考Ｆｒｉｃｋｅ和 Ｗａｃｈｅｎｄｏｒｆ［３１］、张凯等［３２］
对这些异常波段的处理方法，对１３００～１４００ｎｍ和１８００～１９００ｎｍ波段范围内的光谱曲线进行了优化。
由于野外草地高光谱测量的不定性因素较多，玛沁与贵南草地光谱曲线均在近红外１０５０～１１５０ｎｍ波段之
间出现了较大噪声，在１３５０和１８５０ｎｍ附近出现了反射率异常情况。通常，近红外波段的反射率主要取决于叶
片结构及其细胞构造。高寒草甸不同植被类别间内部结构变化较大，这可能是造成研究区草地光谱在近红外波
段差异较大［３２］，出现较大噪声的原因之一。此外，由于在１３００～２５００ｎｍ波段之间，植被叶片水分含量是控制叶
子反射率的主要因素，样点观测时间的差异以及不同植被类型叶片含水量存在一定差别，所以叶片含水量的不均
匀性也有可能导致该波段反射数据出现噪声现象。
图２ 玛沁（犃）、贵南（犅）原始光谱曲线
犉犻犵．２ 犜犺犲狅狉犻犵犻狀犪犾狊狆犲犮狋狉狌犿狅犳犕犪狇犻狀（犃）犪狀犱犌狌犻狀犪狀（犅）犆狅狌狀狋狔
２．２ 高寒草甸Ｎ、Ｐ、Ｋ含量与高光谱数据的相关性分析
２．２．１ 高寒草甸Ｎ含量与原始光谱及一阶微分光谱相关性分析 如图３所示为建模样地牧草Ｎ素含量与草
地原始光谱和一阶微分光谱反射率之间的相关系数曲线，可以看出：在７１８～７５４ｎｍ波段内，牧草Ｎ素含量与草
地原始光谱反射率之间的相关系数均在０．５以上（犘＜０．０５），呈显著正相关关系，在７２８ｎｍ处的相关系数最大，
达０．５３；在６９０～７２６ｎｍ波段内，牧草Ｎ素含量与草地一阶微分光谱反射率之间的相关系数均在０．５以上（犘＜
０．０５），呈显著正相关关系，在７０８．８８ｎｍ处的相关系数最大，达０．６８。
２．２．２ 高寒草甸Ｐ含量与原始光谱及一阶微分光谱相关性分析 如图４所示为建模样地牧草Ｐ素含量与草
地原始光谱和一阶微分光谱反射率之间的相关系数曲线，可以看出：在７２２～８００ｎｍ波段内，牧草Ｐ素含量与草
地原始光谱反射率之间的相关系数均在０．５以上（犘＜０．０５），呈显著正相关关系，在７３６ｎｍ处的相关系数最大，
３１第２５卷第３期 草业学报２０１６年
达０．５２；在６９５～７３４ｎｍ波段内，牧草Ｐ素含量与草地一阶微分光谱反射率之间的相关系数均在０．５以上（犘＜
０．０５），呈显著正相关关系，在７０４．８５ｎｍ处的相关系数最大，达０．６６。
图３ 草地原始光谱（犪）、一阶微分光谱（犫）与牧草犖素含量相关性分析
犉犻犵．３ 犜犺犲犮狅狉狉犲犾犪狋犻狅狀狉犲犾犪狋犻狅狀狊犺犻狆犫犲狋狑犲犲狀狋犺犲狀犻狋狉狅犵犲狀犮狅狀狋犲狀狋犪狀犱狋犺犲狅狉犻犵犻狀犪犾
狊狆犲犮狋狉狌犿（犪）犪狀犱狋犺犲犳犻狉狊狋狅狉犱犲狉犱犻犳犳犲狉犲狀狋犻犪犾狊狆犲犮狋狉狌犿（犫）
图４ 草地原始光谱（犪）、一阶微分光谱（犫）与牧草犘素含量相关性分析
犉犻犵．４ 犜犺犲犮狅狉狉犲犾犪狋犻狅狀狉犲犾犪狋犻狅狀狊犺犻狆犫犲狋狑犲犲狀狋犺犲狆犺狅狊狆犺狅狉狌狊犮狅狀狋犲狀狋犪狀犱狋犺犲狅狉犻犵犻狀犪犾
狊狆犲犮狋狉狌犿（犪）犪狀犱狋犺犲犳犻狉狊狋狅狉犱犲狉犱犻犳犳犲狉犲狀狋犻犪犾狊狆犲犮狋狉狌犿（犫）
４１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．３
２．２．３ 高寒草甸Ｋ含量与原始光谱及一阶微分光谱相关性分析 如图５所示为建模样地牧草Ｋ素含量与草
地原始光谱、一阶微分光谱反射率之间的相关系数曲线，可以看出：在７０３～１０９５ｎｍ和１１４８～１２８０ｎｍ波段内，
牧草Ｋ素含量与草地原始光谱反射率之间的相关系数均在０．５以上（犘＜０．０５），呈显著正相关关系，在７２０，
１０１１及１１６０ｎｍ处的相关系数相对较大，分别为０．７７，０．７１，０．６４；在６８０～７２６ｎｍ波段内，牧草Ｋ素含量与草
地一阶微分光谱反射率之间的相关系数均在０．５以上（犘＜０．０５），呈显著正相关关系，在６９７．３６ｎｍ处的相关系
数最大，达０．８８。
图５ 草地原始光谱（犪）、一阶微分光谱（犫）与牧草犓素含量相关性分析
犉犻犵．５ 犜犺犲犮狅狉狉犲犾犪狋犻狅狀狉犲犾犪狋犻狅狀狊犺犻狆犫犲狋狑犲犲狀狋犺犲狆狅狋犪狊狊犻狌犿犮狅狀狋犲狀狋犪狀犱狋犺犲狅狉犻犵犻狀犪犾
狊狆犲犮狋狉狌犿（犪）犪狀犱狋犺犲犳犻狉狊狋狅狉犱犲狉犱犻犳犳犲狉犲狀狋犻犪犾狊狆犲犮狋狉狌犿（犫）
２．３ 高寒草甸Ｎ、Ｐ、Ｋ含量的高光谱反演模型及精度评价
２．３．１ 特征波段选取与光谱参量构建 本项研究在高光谱估测特征波段及光谱参量的选择上主要采取基于
光谱位置变量、基于光谱面积变量及基于植被指数变量３种形式，特征波段主要选择牧草Ｎ、Ｐ、Ｋ素含量与草地
原始光谱和一阶微分光谱相关系数曲线中犚＞０．５所对应的波长范围，光谱参量的选取及其描述如表２所示。
２．３．２ 高寒草甸Ｎ、Ｐ、Ｋ估测模型构建 分别以牧草Ｎ、Ｐ、Ｋ素相关光谱参量为自变量，对应的牧草Ｎ、Ｐ、Ｋ
素实验室实测值含量为因变量，通过ＳＰＳＳ１７．０软件进行回归分析，并以犘＜０．０１的显著性水平进行犉检验，构
建草地营养素含量与光谱参量之间的拟合模型，然后依据该模型是否通过了犉检验以及其拟合决定系数大小，
从中选出了相对较好的模型，结果如表３所示。
２．３．３ 高寒草甸Ｎ、Ｐ、Ｋ估测模型精度分析 由表３可知，有１２个模型（其中３个Ｎ素含量模型，４个Ｐ素含
量模型，５个Ｋ素含量模型）通过了犉检验，达到了极显著性水平。逐步回归方法简单易用，但是经常出现“过渡
拟合”现象［３３］。当选取的建模样本较少而波段数较多时，这种现象极易发生，这时波段的反射率可能与牧草中的
某些营养成分并不相关，但是其噪声模式却与某种营养成分相关，而且这种误差发生的可能性往往会随着波段数
的增多而提高［３４］。模型精度评价可以提高模型精度，降低随机误差，因此，使用验证数据集对所建立的草地Ｎ、
Ｐ、Ｋ素含量估测模型进行精度评价是很有必要的。本文利用６块样地的高光谱数据作为验证数据集，对上述１２
个估测模型进行验证，结果如表４所示。
５１第２５卷第３期 草业学报２０１６年
表２ 高寒草甸犖、犘、犓估测模型高光谱参量描述
犜犪犫犾犲２ 犎狔狆犲狉狊狆犲犮狋狉犪犾狆犪狉犪犿犲狋犲狉狊犱犲狊犮狉犻狆狋犻狅狀狅犳犲狊狋犻犿犪狋犻狅狀犿狅犱犲犾狅犳狀犻狋狉狅犵犲狀，
狆犺狅狊狆犺狅狉狌狊犪狀犱狆狅狋犪狊狊犻狌犿犮狅狀狋犲狀狋犻狀犪犾狆犻狀犲犿犲犪犱狅狑
光谱变量
Ｓｐｅｃｔｒｕｍｖａｒｉａｂｌｅ
光谱参量
Ｓｐｅｃｔｒｕｍｐａｒａｍｅｔｅｒ
参量描述
Ｐａｒａｍｅｔｅｒｄｅｓｃｒｉｐｔｉｏｎ
光谱位置变量
Ｓｐｅｃｔｒｕｍｌｏｃａｔｉｏｎ
ｖａｒｉａｂｌｅ
Ｒ７２８（Ｎ） ７２８ｎｍ处光谱反射率（Ｎ）Ｓｐｅｃｔｒｕｍｒｅｆｌｅｃｔａｎｃｅｉｎ７２８ｎｍ（Ｎ）
Ｒ′７０８．８８（Ｎ） ７０８．８８ｎｍ处光谱反射率一阶微分值（Ｎ）Ｔｈｅｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｓｐｅｃｔｒｕｍｒｅｆｌｅｃｔａｎｃｅｉｎ７０８．８８ｎｍ（Ｎ）
Ｒ７３６（Ｐ） ７３６ｎｍ处光谱反射率（Ｐ）Ｓｐｅｃｔｒｕｍｒｅｆｌｅｃｔａｎｃｅｉｎ７３６ｎｍ（Ｐ）
Ｒ′７０４．８５（Ｐ） ７０４．８５ｎｍ处光谱反射率一阶微分值（Ｐ）Ｔｈｅｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｓｐｅｃｔｒｕｍｒｅｆｌｅｃｔａｎｃｅｉｎ７０４．８５ｎｍ（Ｐ）
Ｒ７２０（Ｋ） ７２０ｎｍ处光谱反射率（Ｋ）Ｓｐｅｃｔｒｕｍｒｅｆｌｅｃｔａｎｃｅｉｎ７２０ｎｍ（Ｋ）
Ｒ′６９７．３６（Ｋ） ６９７．３６ｎｍ处光谱反射率一阶微分值（Ｋ）Ｔｈｅｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｓｐｅｃｔｒｕｍｒｅｆｌｅｃｔａｎｃｅｉｎ６９７．３６ｎｍ（Ｋ）
光谱面积变量
Ｓｐｅｃｔｒｕｍａｒｅａ
ｖａｒｉａｂｌｅ
ＳＤｒ（Ｎ） ６９０～７１６ｎｍ波段内一阶微分值和Ｓｕｍｏｆｔｈｅｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｖａｌｕｅｂｅｔｗｅｅｎ６９０ｎｍａｎｄ７１６ｎｍ
ＳＤｒ（Ｐ） ６９６～７１８ｎｍ波段内一阶微分值和Ｓｕｍｏｆｔｈｅｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｖａｌｕｅｂｅｔｗｅｅｎ６９６ｎｍａｎｄ７１８ｎｍ
ＳＤｒ（Ｋ） ６８０～７２６ｎｍ波段内一阶微分值和Ｓｕｍｏｆｔｈｅｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｖａｌｕｅｂｅｔｗｅｅｎ６８０ｎｍａｎｄ７２６ｎｍ
植被指数变量
Ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ
ｖａｒｉａｂｌｅ
［６７８，７２８］（Ｎ） （Ｒ７２８－Ｒ６７８）／（Ｒ７２８＋Ｒ６７８）
［６８０，７３６］（Ｐ） （Ｒ７３６－Ｒ６８０）／（Ｒ７３６＋Ｒ６８０）
［６７４，７２０］（Ｋ） （Ｒ７２０－Ｒ６７４）／（Ｒ７２０＋Ｒ６７４）
（６７８，７２８）（Ｎ） Ｒ７２８／Ｒ６７８
（６８０，７３６）（Ｐ） Ｒ７３６／Ｒ６８０
（６７４，７２０）（Ｋ） Ｒ７２０／Ｒ６７４
表３ 高寒草甸犖、犘、犓素含量估测模型
犜犪犫犾犲３ 犈狊狋犻犿犪狋犻狅狀犿狅犱犲犾狅犳狀犻狋狉狅犵犲狀，狆犺狅狊狆犺狅狉狌狊犪狀犱狆狅狋犪狊狊犻狌犿犮狅狀狋犲狀狋犻狀犪犾狆犻狀犲犿犲犪犱狅狑
光谱参量Ｓｐｅｃｔｒｕｍｐａｒａｍｅｔｅｒ 回归方程Ｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎ 拟合犚２（狀＝１２）Ｆｉｔｔｅｄ犚２ 犉 犘
Ｒ′７０８．８８（Ｎ） 犢＝１５．７９６ｌｎ（犡）＋３０．１５４ ０．６６８ ２０．１２９ ０．００１
犢＝－１４９．８０９犡２＋１８９．７６２犡－３６．５２５ ０．７８０ １５．９６６ ０．００１
犢＝２９．１６８犡＋４．２２３ ０．６０８ １５．５３９ ０．００３
Ｒ′７０４．８５（Ｐ） 犢＝３．６８９犡＋１．６１８ ０．５７９ １３．７６２ ０．００４
犢＝１．８３７ｌｎ（犡）＋４．７８５ ０．５４８ １２．１１４ ０．００６
犢＝５．０２５犡０．５３８ ０．５１９ １０．７８０ ０．００８
犢＝１．９９８ｅ１．０７１犡 ０．５３９ １１．７０７ ０．００７
Ｒ′６９７．３６（Ｋ） 犢＝２６．９９４犡＋５．４３０ ０．８６７ ６４．９６３ ０．０００
犢＝１２．５１５ｌｎ（犡）＋２７．９２５ ０．８５８ ６０．４８２ ０．０００
犢＝－８．７８８犡２＋３５．６０１犡＋３．４３３ ０．８６８ ２９．６０６ ０．０００
犢＝３０．８２７犡０．６９９ ０．８５５ ５９．１３５ ０．０００
犢＝８．８３７ｅ１．４９３犡 ０．８４７ ５５．１９７ ０．０００
注：表示极显著水平（犘＜０．０１），模型中犡表示光谱参量，犢 表示对应的营养素含量，下同。
Ｎｏｔｅ：ｉｎｄｉｃａｔｅｓｉｇｎｉｆｉｃａｎｔｌｙｃｏｒｒｅｌａｔｉｏｎａｔｔｈｅｌｅｖｅｌｏｆ０．０１，犡ｉｎｄｉｃａｔｅｓｐｅｃｔｒｕｍｐａｒａｍｅｔｅｒａｎｄ犢ｉｎｄｉｃａｔｅｔｈｅｃｏｒｒｅｓｐｏｎｄｉｎｇｎｕｔｒｉｅｎｔｃｏｎｔｅｎｔ，
ｔｈｅｓａｍｅｂｅｌｏｗ．
在３个Ｎ素含量模型中，估测结果的回归系数犚２ 变动范围为０．６０４～０．６２９，平均值为０．６１６，与拟合方程
的犚２ 平均值０．６８５相比，结果有一定偏差，说明所选Ｎ素模型的估算结果是比较理想的。在４个Ｐ素含量模型
中，估测结果的回归系数犚２ 变动范围为０．５３８～０．５６３，平均值为０．５５０，与拟合方程的犚２ 平均值０．５４６相比，结
果相差不大，说明Ｐ素模型的估算结果是相对理想的。在５个Ｋ素含量模型中，估测结果的回归系数犚２ 变动范
６１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．３
围为０．８１２～０．８５４，平均值为０．８３５，与拟合方程的犚２ 平均值０．８５９相比，二者有一定差异，但变化不大，说明所
选的Ｋ素模型的估算结果也是比较理想的。考虑到本研究中样地数量的局限性，利用６块样地的实测数据验证
上述模型，结果可能存在一定的不确定性，尚需进一步完善。
表４ 高寒草甸犖、犘、犓含量估测模型精度评价结果
犜犪犫犾犲４ 犘狉犲犮犻狊犻狅狀犲狏犪犾狌犪狋犻狅狀狉犲狊狌犾狋狊狅犳犲狊狋犻犿犪狋犻狅狀犿狅犱犲犾狅犳狀犻狋狉狅犵犲狀，狆犺狅狊狆犺狅狉狌狊犪狀犱狆狅狋犪狊狊犻狌犿犮狅狀狋犲狀狋犻狀犪犾狆犻狀犲犿犲犪犱狅狑
光谱参量
Ｓｐｅｃｔｒｕｍ
ｐａｒａｍｅｔｅｒ
回归方程
Ｒｅｇｒｅｓｓｉｏｎ
ｅｑｕａｔｉｏｎ
拟合犚２
Ｆｉｔｔｅｄ犚２
（狀＝１２）
均方根误差
Ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ
（ＲＭＳＥ，ｇ／ｋｇ）
相对误差
Ｒｅｌａｔｉｖｅｅｒｒｏｒ
（ＲＥ，％）
估测犚２
Ｅｓｔｉｍａｔｅｄ犚２
（狀＝６）
Ｒ′７０８．８８（Ｎ） 犢＝１５．７９６ｌｎ（犡）＋３０．１５４ ０．６６８ ３．８８０ １６．４４３ ０．６１５
犢＝－１４９．８０９犡２＋１８９．７６２犡－３６．５２５ ０．７８０ ４．６６２ ２０．５３５ ０．６２９
犢＝２９．１６８犡＋４．２２３ ０．６０８ ４．３８６ １８．０２４ ０．６０４
Ｒ′７０４．８５（Ｐ） 犢＝３．６８９犡＋１．６１８ ０．５７９ ０．４９６ ９．３４２ ０．５３８
犢＝１．８３７ｌｎ（犡）＋４．７８５ ０．５４８ ０．４４３ ７．８４６ ０．５６３
犢＝５．０２５犡０．５３８ ０．５１９ ０．４７２ ８．３９６ ０．５５６
犢＝１．９９８ｅ１．０７１犡 ０．５３９ ０．５４９ １０．３４５ ０．５４２
Ｒ′６９７．３６（Ｋ） 犢＝２６．９９４犡＋５．４３０ ０．８６７ ４．６１１ １８．５９６ ０．８２４
犢＝１２．５１５ｌｎ（犡）＋２７．９２５ ０．８５８ ４．０３７ １７．５６３ ０．８４６
犢＝－８．７８８犡２＋３５．６０１犡＋３．４３３ ０．８６８ ４．３９９ １８．１９８ ０．８３７
犢＝３０．８２７犡０．６９９ ０．８５５ ４．４００ １８．０４２ ０．８５４
犢＝８．８３７ｅ１．４９３犡 ０．８４７ ５．２４８ １９．７９７ ０．８１２
图６ 牧草中犖、犘、犓素含量最佳估测模型的估测结果
犉犻犵．６ 犜犺犲犲狊狋犻犿犪狋犲犱狉犲狊狌犾狋犳狅狉狋犺犲犫犲狊狋犲狊狋犻犿犪狋犲犱
犿狅犱犲犾狊狅犳狋犺犲狀犻狋狉狅犵犲狀，狆犺狅狊狆犺狅狉狌狊，
狆狅狋犪狊狊犻狌犿犮狅狀狋犲狀狋犻狀狋犺犲犳狅狉犪犵犲
２．３．４ 最佳估测模型的选择 从表４可以看出，上述１２个估测模型的估测精度均在８０％以上，由此可以说
明各个估测模型都能较好地估测高寒草甸牧草Ｎ、Ｐ、Ｋ素含量。其中，在Ｎ素含量模型中，以Ｒ′７０８．８８为自变量的
模型犢＝１５．７９６ｌｎ（犡）＋３０．１５４相对于其他Ｎ素估测模型，拟合犚２ 较高（０．６６８），估测犚２ 也相对较高（０．６１５），
均方根误差（ＲＭＳＥ）和相对误差（ＲＥ）均较小，分别为３．８８０ｇ／ｋｇ和１６．４４３％，可以达到良好的预测效果，所以
７１第２５卷第３期 草业学报２０１６年
选择此估测模型作为草地 Ｎ素含量的最佳估测模型。对Ｐ素含量模型而言，以Ｒ′７０４．８５为自变量的模型犢＝
１．８３７ｌｎ（犡）＋４．７８５相对于其他Ｐ素估测模型，拟合犚２ 较高（０．５４８），估测犚２ 也相对较高（０．５６３），而且ＲＭＳＥ
与ＲＥ均相对较低（０．４４３ｇ／ｋｇ和７．８４６％），预测效果较好，因此选择此估测模型作为草地Ｐ素含量的最佳估测
模型。在Ｋ素含量模型中，以Ｒ′６９７．３６为自变量的模型犢＝１２．５１５ｌｎ（犡）＋２７．９２５相对于其他Ｋ素估测模型，其
拟合犚２ 值较高（０．８５８），估测犚２ 也相对较高（０．８４６），而且 ＲＭＳＥ与 ＲＥ均相对较低，分别为４．０３７ｇ／ｋｇ、
１７．５６３％，所以选择该估测模型作为草地Ｋ素含量的最佳估测模型。牧草中Ｎ、Ｐ、Ｋ素含量的最佳估测模型的
估测效果如图６所示。
３ 讨论
３．１ 高寒草甸牧草Ｎ、Ｐ、Ｋ素高光谱特征波段与光谱参量分析
３．１．１ 特征波段的选择 基于上述研究结果，高寒草甸牧草Ｎ、Ｐ、Ｋ素含量与冠层原始光谱反射率、一阶微
分光谱反射率关系密切的波段主要集中在６８０～１３００ｎｍ之间，其中与Ｎ素含量相关性较强（犚＞０．５）的波段主
要集中在７１８～７５４ｎｍ（原始光谱）和６９０～７２６ｎｍ（一阶微分光谱）之间，且基于７０８．８８ｎｍ处的一阶微分光谱
反射率值与牧草氮素含量之间的模型具有较好精度；与Ｐ素含量相关性较强（犚＞０．５）的波段主要集中在７２２～
７６０ｎｍ（原始光谱）和６９５～７３４ｎｍ（一阶微分光谱）之间，且基于７０４．８５ｎｍ处的一阶微分光谱反射率值与牧草
磷素含量之间的估测模型具有较好精度；与Ｋ素含量相关性较强（犚＞０．５）的波段主要集中在７０３～１０９５ｎｍ（原
始光谱）、１１４８～１２８０ｎｍ（原始光谱）和６８０～７２６ｎｍ（一阶微分光谱）之间，且基于６９７．３６ｎｍ处的一阶微分光
谱反射率值与牧草钾素含量之间的估测模型具有较好精度。
本研究分析所得高光谱Ｎ、Ｐ、Ｋ素含量特征波段主要集中在红光波段（６９０～７５４ｎｍ），与已有研究有一定差
别，但大致相似。付彦博［３５］、Ｍｕｔａｎｇａ［２］等分别对紫花苜蓿和天然牧草营养品质高光谱的研究发现，牧草中 Ｎ、
Ｐ、Ｋ素含量与高光谱敏感的波段大多分布在红光区域（６８０～７６０ｎｍ），在该区域所选择的很多波段与植被生化
物质含量显著相关。Ｌｉｃｈｔｅｎｔｈａｌｅｒ等［３６］对野生烟草（犖犻犮狅狋犻犪狀犪狋犪犫犪犮狌犿）色素、氮素含量的光谱分析发现，红边
区域的光谱反射率比值（Ｒ７５０／Ｒ７００）与冠层叶片叶绿素、氮素浓度具有很高的相关性。Ｒａｍｏｅｌｏ等［１２］对萨王纳草
地品质的研究发现基于红边波段的高光谱遥感数据具有评估牧草质量和品质的潜力。Ｃｌｅｖｅｒｓ和Ｂüｋｅｒ［３７］的研
究也发现红边位置（７００～７５０ｎｍ）与牧草叶绿素和氮素含量的相关性较强。本研究结果与这些研究基本一致。
但是，纳钦［１５］研究发现生长期紫花苜蓿单波段（２４３８，２４３８，１３６２ｎｍ）反射率与其营养成分Ｎ、Ｐ、Ｋ含量具有较高
的相关性，结实后期的缘毛雀麦单波段（２４９５，２４９５，１４０３ｎｍ）反射率与其营养成分Ｎ、Ｐ、Ｋ之间具有较高的相关
性。Ｓｅｍｂｉｒｉｎｇ等［３８］研究发现可以用４３５ｎｍ处的光谱反射率和光谱指数（Ｒ６９５／Ｒ４０５）作为判断狗牙根（犆狔狀狅犱狅狀
犱犪犮狋狔犾狅狀）磷素含量的指标。造成这些差异的原因一方面可能是草地植被群落物种组成、草层高度、植被冠层形
态结构、理化组成、叶片颜色及组织构造的不同，草地植被的光谱反射率会存在一定的差别。另一方面可能是植
物叶片中的矿质元素的光谱吸收特征容易被水分的吸收特征掩盖［６，３９］，这也可能是本研究在长波近红外波段未
发现牧草Ｎ、Ｐ、Ｋ素含量特征波段的重要原因。
３．１．２ 光谱参量的选择 本研究基于光谱位置变量、光谱面积变量、光谱指数变量选择了多种光谱参量，经回
归建模及模型精度评价后发现以光谱位置变量Ｒ′７０８．８８，Ｒ′７０４．８５，Ｒ′６９７．３６为自变量构建的牧草Ｎ、Ｐ、Ｋ素的估测模
型具有较高的决定系数，误差较小，精度较高。纳钦［１５］对紫花苜蓿和缘毛雀麦Ｎ、Ｐ、Ｋ素高光谱研究也发现基于
光谱位置变量的单波段反射率与牧草营养成分含量的相关性优于植被指数与牧草营养成分含量的相关性，本研
究结果与此基本一致。但是，付彦博［３５］对制种紫花苜蓿主要生理指标的高光谱反演研究却发现以７６０和８１０
ｎｍ构建的植被指数ＤＶＩ（７６０，８１０）与苜蓿现蕾期叶片的氮含量具有很好的相关性。原因可能是基于近红外波
段和可见光波段构建的植被指数对单一种类植被的一些生化参量的反演效果更好，如唐延林［４０］研究发现水稻
（犗狉狔狕犪狊犪狋犻狏犪）产量与冠层高光谱植被指数ＲＶＩ及ＤＶＩ的相关性较好；Ｈａｎｓｅｎ和Ｓｃｈｊｏｅｒｒｉｎｇ［４１］研究发现可以
利用６９２和４４７ｎｍ两个波段的归一化指数预测小麦（犜狉犻狋犻犮狌犿犪犲狊狋犻狏狌犿）叶片氮含量。
８１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．３
３．２ 高光谱数据微分处理与牧草养分含量的相关性分析
通过对冠层原始光谱反射率与一阶微分光谱反射率所建估测模型的分析对比发现，一阶微分光谱相对于原
始光谱能较好地反映出牧草中Ｎ、Ｐ、Ｋ素所对应的敏感波段，所建估测模型的精度较高，误差较小。潘蓓［４２］、熊
鹰等［４３］及张喜杰和李民赞［４４］的研究结果也表明微分光谱可以消除部分系统误差以及土壤背景等因素的影响，
提高模型精度。Ｍｕｔａｎｇａ等［９］的研究也表明叶片生化物质浓度与一阶微分光谱反射率之间具有很高的相关性。
潘蓓［４２］应用了二阶微分对光谱数据进行了处理，发现对光谱数据进行二阶微分处理也可以提高反演精度。本文
中也尝试了对光谱数据进行二阶微分处理，但是噪声太大，无法提取有效信息，可能是因为研究的植被类型及其
环境差异所致。
３．３ 高光谱遥感在高寒草甸牧草营养成分含量分析中的主要影响因素
高寒草甸牧草冠层的光谱反射特征容易受到冠层叶片水分含量、冠层形状结构、理化组成、土壤背景、大气等
因素的影响，特征波段的选择与建模所使用的高光谱遥感数据关联密切，由于不同研究区的建群种的差异，高寒
草甸牧草高光谱的特征波段往往差异也很大［４５４６］，模型的准确性依赖于大量的实测数据，而且会随着时间、地域、
植被类型、生长季的变化而变化［４７］，这就在一定程度上限制了利用高光谱遥感对牧草养分含量进行估测的可靠
性和普适性。
４ 结论
本研究基于高寒草甸冠层光谱曲线特征，建立了以光谱特征参数为自变量的高寒草甸牧草氮磷钾素的估测
模型，主要得出以下结论：
１）对高寒草甸冠层光谱反射曲线的特征分析发现，红光区（６８０～７６０ｎｍ）的反射率与牧草中氮磷钾素含量
相关性均比较显著。其中，与牧草中氮素含量相关性较强的波段为６９０～７５４ｎｍ，与牧草中磷素含量相关性较强
的波段为６９５～７６０ｎｍ，与牧草中钾素含量相关性较强的波段为６８０～１０９５ｎｍ、１１４８～１２８０ｎｍ。
２）与光谱面积变量和植被指数变量相比，光谱位置变量Ｒ′７０８．８８、Ｒ′７０４．８５和Ｒ′６９７．３６构建的估测模型能更好地
反演高寒草甸氮、磷、钾素含量，估测精度均达到了８０％以上。其中，氮素含量的最佳估测模型为 Ｎ＝１５．８０
ｌｎ（Ｒ′７０８．８８）＋３０．１５，犚２ 为０．６７，ＲＭＳＥ和ＲＥ分别为３．８８ｇ／ｋｇ和１６．４４％；磷素含量的最佳估测模型为Ｐ＝
１．８４ｌｎ（Ｒ′７０４．８５）＋４．７９，其犚２ 为０．５５，ＲＭＳＥ、ＲＥ分别为０．４４ｇ／ｋｇ、７．８５％；钾素含量的最佳估测模型为Ｋ＝
１２．５２ｌｎ（Ｒ′６９７．３６）＋２７．９３，其犚２ 为０．８６，ＲＭＳＥ、ＲＥ分别为４．０４ｇ／ｋｇ、１７．５６％。
３）对原始光谱进行一阶微分处理，可以有效限制低频背景（如土壤、凋落物等）光谱对牧草养分吸收特征的影
响，因此利用一阶微分光谱的吸收特征可以提高牧草中Ｎ、Ｐ、Ｋ素含量估测模型的精度。
犚犲犳犲狉犲狀犮犲狊：
［１］ ＸｕＰ，ＨｕＺＺ，ＺｈｕＪＺ，犲狋犪犾．ＧｒａｓｓｌａｎｄＲｅｓｏｕｒｃｅＳｕｒｖｅｙａｎｄＰｌａｎｎｉｎｇ［Ｍ］．Ｂｅｉｊｉｎｇ：ＣｈｉｎａＡｇｒｉｃｕｌｔｕｒｅＰｒｅｓｓ，２０００．
［２］ ＭｕｔａｎｇａＯ．ＨｙｐｅｒｓｐｅｃｔｒａｌＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＴｒｏｐｉｃａｌＧｒａｓｓＱｕａｌｉｔｙａｎｄＱｕａｎｔｉｔｙ［Ｄ］．Ｅｎｓｃｈｅｄｅ：ＷａｇｅｎｉｎｇｅｎＵｎｉｖｅｒｓｉｔｙ，
２００４：１１１．
［３］ ＬüＹＨ，ＦｕＢＪ．Ｅｃｏｌｏｇｉｃａｌｓｃａｌｅａｎｄｓｃａｌｉｎｇ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２００１，２１（１２）：２０９６２１０５．
［４］ ＨｅＹＺ，ＺｈａｎｇＺＱ，ＧｕａｎＣＹ．Ａｐｐｌｉｃａｔｉｏｎａｎｄｐｒｏｓｐｅｃｔｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｔｅｃｈｎｏｌｏｇｙｉｎｐｒｅｃｉｓｉｏｎａｇｒｉｃｕｌｔｕｒｅ
ｍｏｎｉｔｏｒｉｎｇ．ＣｒｏｐＲｅｓｅａｒｃｈ，２０１５，（１）：９６１００．
［５］ ＣｈｏＭＡ，ＳｋｉｄｍｏｒｅＡ，ＣｏｒｓｉＦ，犲狋犪犾．Ｅｓｔｉｍａｔｉｏｎｏｆｇｒｅｅｎｇｒａｓｓ／ｈｅｒｂｂｉｏｍａｓｓｆｒｏｍａｉｒｂｏｒｎｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｒｙｕｓｉｎｇ
ｓｐｅｃｔｒａｌｉｎｄｉｃｅｓａｎｄｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎａｎｄＧｅｏｉｎｆｏｒｍａｔｉｏｎ，
２００７，９（４）：４１４４２４．
［６］ ＫｏｋａｌｙＲＦ，ＣｌａｒｋＲＮ．Ｓｐｅｃｔｒｏｓｃｏｐｉｃｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｌｅａｆｂｉｏｃｈｅｍｉｓｔｒｙｕｓｉｎｇｂａｎｄｄｅｐｔｈａｎａｌｙｓｉｓｏｆａｂｓｏｒｐｔｉｏｎｆｅａｔｕｒｅｓａｎｄ
ｓｔｅｐｗｉｓｅｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９９，６７（３）：２６７２８７．
［７］ ＭｕｔａｎｇａＯ，ＳｋｉｄｍｏｒｅＡＫ．Ｒｅｄｅｄｇｅｓｈｉｆｔａｎｄｂｉｏｃｈｅｍｉｃａｌｃｏｎｔｅｎｔｉｎｇｒａｓｓｃａｎｏｐｉｅｓ．ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄ
ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００７，６２（１）：３４４２．
［８］ ＭｕｔａｎｇａＯ，ＳｋｉｄｍｏｒｅＡＫ，ｖａｎＷｉｅｒｅｎＳ．Ｄｉｓｃｒｉｍｉｎａｔｉｎｇｔｒｏｐｉｃａｌｇｒａｓｓ（犆犲狀犮犺狉狌狊犮犻犾犻犪狉犻狊）ｃａｎｏｐｉｅｓｇｒｏｗｎｕｎｄｅｒｄｉｆｆｅｒｅｎｔ
ｎｉｔｒｏｇｅｎｔｒｅａｔｍｅｎｔｓｕｓｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｒｙ．ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００３，５７（４）：２６３２７２．
９１第２５卷第３期 草业学报２０１６年
［９］ ＭｕｔａｎｇａＯ，ＳｋｉｄｍｏｒｅＡＫ，ＫｕｍａｒＬ，犲狋犪犾．Ｅｓｔｉｍａｔｉｎｇｔｒｏｐｉｃａｌｐａｓｔｕｒｅｑｕａｌｉｔｙａｔｃａｎｏｐｙｌｅｖｅｌｕｓｉｎｇｂａｎｄｄｅｐｔｈａｎａｌｙｓｉｓ
ｗｉｔｈｃｏｎｔｉｎｕｕｍｒｅｍｏｖａｌｉｎｔｈｅｖｉｓｉｂｌｅｄｏｍａｉｎ．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００５，２６（６）：１０９３１１０８．
［１０］ ＭｕｔａｎｇａＯ，ＳｋｉｄｍｏｒｅＡＫ．ＣｏｎｔｉｎｕｕｍＲｅｍｏｖｅｄＡｂｓｏｒｐｔｉｏｎＦｅａｔｕｒｅｓＥｓｔｉｍａｔｅＴｒｏｐｉｃａｌＳａｖａｎｎａＧｒａｓｓＱｕａｌｉｔｙｉｎＳｉｔｕ［Ｃ］．
Ｈｅｒｒｓｃｈｉｎｇ：３ｒｄＥＡＲＳＥＬＷｏｒｋｓｈｏｐｏｎＩｍａｇｉｎｇＳｐｅｃｔｒｏｓｃｏｐｙ，２００３：１３１６．
［１１］ ＫｎｏｘＮＭ，ＳｋｉｄｍｏｒｅＡＫ，ＰｒｉｎｓＨＨＴ，犲狋犪犾．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｆｏｒａｇｅｎｕｔｒｉｅｎｔｓ：Ｃｏｍｂｉｎｉｎｇｅｃｏｌｏｇｉｃａｌａｎｄｓｐｅｃｔｒａｌａｂ
ｓｏｒｐｔｉｏｎｆｅａｔｕｒｅｄａｔａ．ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１２，７２：２７３５．
［１２］ ＲａｍｏｅｌｏＡ，ＣｈｏＭＡ，ＭａｔｈｉｅｕＲ，犲狋犪犾．Ｅｓｔｉｍａｔｉｎｇｇｒａｓｓｎｕｔｒｉｅｎｔｓａｎｄｂｉｏｍａｓｓａｓａｎｉｎｄｉｃａｔｏｒｏｆｒａｎｇｅｌａｎｄ（ｆｏｒａｇｅ）ｑｕａｌｉ
ｔｙａｎｄｑｕａｎｔｉｔｙｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎＳａｖａｎｎａｅｃｏｓｙｓｔｅｍｓ．９ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｆｔｈｅＡｆｒｉｃａｎＡｓｓｏｃｉａｔｉｏｎｏｆＲｅ
ｍｏｔｅＳｅｎｓｉｎｇａｎｄｔｈｅＥｎｖｉｒｏｎｍｅｎｔ［Ｃ］．Ｅｌｊａｄｉｄａ，Ｍｏｒｏｃｃｏ：ＡＡＲＳＥ，２０１２．
［１３］ ＸｕＨ，ＢａｏＹＨ，ＢａｏＧ，犲狋犪犾．ＴｙｐｉｃａｌｇｒａｓｓｌａｎｄｏｆＩｎｎｅｒＭｏｎｇｏｌｉａｈａｙｂｉｏｍａｓｓｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｒｅ
ｓｅａｒｃｈ．ＹｉｎｓｈａｎＡｃａｄｅｍｉｃＪｏｕｒｎａｌ：ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ，２０１４，２８（４）：２２２７．
［１４］ ＺｈａｎｇＫ，ＧｕｏＮ，ＷａｎｇＲＹ，犲狋犪犾．ＨｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓｆｏｒａｂｏｖｅｇｒｏｕｎｄｆｒｅｓｈｂｉｏｍａｓｓｉｎＧａｎ
ｎａｎｇｒａｓｓｌａｎｄ．ＰｒａｔａｃｕｌｔｕｒａｌＳｃｉｅｎｃｅ，２００９，２６（１１）：４４５０．
［１５］ ＮａＱ．ＨｙｐｅｒｓｐｅｃｔｒａｌａｎｄＮｕｔｒｉｔｉｏｎｏｆ犕犲犱犻犮犪犵狅狊犪狋犻狏犪Ｌａｎｄ犅狉狅犿狌狊犮犻犾犻狋狌狊Ｌ．ＣｏｒｒｅｌａｔｉｏｎＲｅｓｅａｒｃｈ［Ｄ］．Ｈｏｈｈｏｔ：Ｉｎｎｅｒ
ＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２０１０．
［１６］ ＷａｎｇＸ，ＬｉｕＳＪ，ＪｉａＨＦ，犲狋犪犾．Ｓｔｕｄｙｏｎｔｈｅｎｕｔｒｉｔｉｏｎｏｆａｌｐｉｎｅｍｅａｄｏｗｂａｓｅｄｏｎｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ．Ｓｐｅｃｔｒｏｓｃｏｐｙａｎｄ
ＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ，２０１２，３２（１０）：２７８０２７８４．
［１７］ ＦｏｕｌｋｅｓＪＮ，ＷｈｉｔｅＩＡ，ＳｐａｒｒｏｗＢＤ，犲狋犪犾．ＡｕｓＰｌｏｔｓＲａｎｇｅｌａｎｄｓＭｏｎｉｔｏｒｉｎｇＳｉｔｅＳｔｒａｔｉｆｉｃａｔｉｏｎａｎｄＳｕｒｖｅｙＭｅｔｈｏｄｓｗｉｔｈｉｎ
ＴＥＲＮ（ＴｅｒｒｅｓｔｒｉａｌＥｃｏｓｙｓｔｅｍＲｅｓｅａｒｃｈＮｅｔｗｏｒｋ）［Ｒ］．Ａｄｅｌａｉｄｅ：ＤｉｓｃｕｓｓｉｏｎＰａｐｅｒ，ＴｅｒｒｅｓｔｒｉａｌＥｃｏｓｙｓｔｅｍＲｅｓｅａｒｃｈＮｅｔ
ｗｏｒｋ，２０１１．
［１８］ ＱｉａｎＹＲ，ＹｕＪ，ＪｉａＺＨ，犲狋犪犾．ＥｘｔｒａｃｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａｆｒｏｍｔｙｐｉｃａｌｄｅｓｅｒｔｇｒａｓｓｌａｎｄｉｎＸｉｎｊｉａｎｇ．Ａｃｔａ
ＰｒａｔａｃｕｌｔｕｒａｅＳｉｎｉｃａ，２０１３，２２（１）：１５７１６６．
［１９］ ＬｉｕＢ，ＳｈｅｎＷＳ，ＬｉＲ，犲狋犪犾．Ｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｌｐｉｎｅｇｒａｓｓｌａｎｄｄｕｒｉｎｇｄｅｇｒａｄａｔｉｏｎｐｒｏｃｅｓｓｉｎｔｈｅｓｏｕｒｃｅｒｅｇｉｏｎｏｆ
ＹａｒｌｕｎｇＺａｎｇｂｏ．ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ，２０１３，３３（６）：１５９８１６０２．
［２０］ ＬｉＪＬ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＭｏｎｉｔｏｒｉｎｇＧｒａｓｓｌａｎｄＤｅｇｒａｄａｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ，２０１２：１０２１５４．
［２１］ ＣｈｕＸＬ，ＹｕａｎＨＦ，ＬｕＷＺ．Ｐｒｏｇｒｅｓｓａｎｄａｐｐｌｉｃａｔｉｏｎｏｆｓｐｅｃｔｒａｌｄａｔａｐｒｅｔｒｅａｔｍｅｎｔａｎｄｗａｖｅｌｅｎｇｔｈｓｅｌｅｃｔｉｏｎｍｅｔｈｏｄｓｉｎ
ＮＩＲａｎａｌｙｔｉｃａｌｔｅｃｈｎｉｑｕｅ．ＰｒｏｇｒｅｓｓＩｎＣｈｅｍｉｓｔｒｙ，２００４，１６（４）：５２８５４２．
［２２］ ＬｉａｎｇＹＺ，ＹｕＲＱ．ＡｎａｌｙｔｉｃａｌＣｈｅｍｉｓｔｒｙＨａｎｄｂｏｏｋ（１０）—Ｓｔｏｉｃｈｉｏｍｅｔｒｙ［Ｍ］．Ｂｅｉｊｉｎｇ：ＣｈｅｍｉｃａｌＩｎｄｕｓｔｒｙＰｒｅｓｓ，２００１．
［２３］ ＬｉｕＳＳ，ＹｉＺＳ．ＢａｓｉｃＳｔｏｉｃｈｉｏｍｅｔｒｙ［Ｍ］．Ｂｅｉｊｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ，１９９９．
［２４］ ＳａｖｉｔｚｋｙＡ，ＧｏｌａｙＭＪＥ．Ｓｍｏｏｔｈｉｎｇａｎｄｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｏｆｄａｔａｂｙｓｉｍｐｌｉｆｉｅｄｌｅａｓｔｓｑｕａｒｅｓｐｒｏｃｅｄｕｒｅｓ．ＡｎａｌｙｔｉｃａｌＣｈｅｍｉｓ
ｔｒｙ，１９６４，３６（８）：１６２７１６３９．
［２５］ ＥｒａｓｍｉＳ，ＤｏｂｅｒｓＥＳ．ＰｏｔｅｎｔｉａｌａｎｄＬｉｍｉｔａｔｉｏｎｓｏｆＳｐｅｃｔｒａｌＲｅｆｌｅｃｔａｎｃｅＭｅａｓｕｒｅｍｅｎｔｓｆｏｒｔｈｅＥｓｔｉｍａｔｉｏｎｏｆｔｈｅＳｉｔｅｓｐｅｃｉｆｉｃ
ＶａｒｉａｂｉｌｉｔｙｉｎＣｒｏｐｓ［Ｃ］．Ｂａｒｃｅｌｏｎａ：ＰｒｏｃｅｅｄｉｎｇｓｏｆＳＰＩＥＴｈｅＩｎｔｅｒｎａｔｉｏｎａｌＳｏｃｉｅｔｙｆｏｒＯｐｔｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，２００４：４２５１．
［２６］ ＺｈａｎｇＪ，ＷａｎｇＭＺ，ＣｈｅｎＬ，犲狋犪犾．Ｉｎｔｅｒｐｏｌａｔｉｏｎａｌｇｏｒｉｔｈｍｉｎｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａ．ＪｏｕｒｎａｌｏｆＳｉｃｈｕａｎＵｎｉ
ｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅ＆Ｅｎｇｉｎｅｅｒｉｎｇ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ），２０１２，３（３）：４３４６．
［２７］ ＺｈａｎｇＪＷ．Ｏｒｉｇｉｎ９．０ＳｕｐｅｒＬｅａｒｎｉｎｇＭａｎｕａｌＤｒａｗｉｎｇａｎｄＤａｔａＡｎａｌｙｓｉｓＴｅｃｈｎｏｌｏｇｙ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｐｏｓｔ＆ＴｅｌｅｃｏｍＰｒｅｓｓ，
２０１４．
［２８］ ＤｅｍｅｔｒｉａｄｅｓＳｈａｈＴＨ，ＳｔｅｖｅｎＭＤ，ＣｌａｒｋＪＡ．Ｈｉｇｈｒｅｓｏｌｕｔｉｏｎｄｅｒｉｖａｔｉｖｅｓｐｅｃｔｒａｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ，１９９０，３３（１）：５５６４．
［２９］ ＬｉＭＺ．ＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＴｅｃｈｎｏｌｏｇｙａｎｄＡｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：ＳｃｉｅｎｃｅＰｒｅｓｓ，２００６：１８１．
［３０］ ＭｅｉＡＸ．ＩｎｔｒｏｄｕｃｔｉｏｎｔｏＲｅｍｏｔｅＳｅｎｓｉｎｇ［Ｍ］．Ｂｅｉｊｉｎｇ：ＨｉｇｈｅｒＥｄｕｃａｔｉｏｎＰｒｅｓｓ，２００１．
［３１］ ＦｒｉｃｋｅＴ，ＷａｃｈｅｎｄｏｒｆＭ．Ｃｏｍｂｉｎｉｎｇｕｌｔｒａｓｏｎｉｃｓｗａｒｄｈｅｉｇｈｔａｎｄｓｐｅｃｔｒａｌｓｉｇｎａｔｕｒｅｓｔｏａｓｓｅｓｓｔｈｅｂｉｏｍａｓｓｏｆｌｅｇｕｍｅｇｒａｓｓ
ｓｗａｒｄｓ．ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２０１３，９９（７）：２３６２４７．
［３２］ ＺｈａｎｇＫ，ＧｕｏＮ，ＷａｎｇＲＹ，犲狋犪犾．ＲｅｓｅａｒｃｈｏｎｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｆｏｒｄｅｓｅｒｔｍｅａｄｏｗｏｆＮｏｒｔｈｗｅｓｔＣｈｉｎａ．
ＡｄｖａｎｃｅｓＩｎＥａｒｔｈＳｃｉｅｎｃｅ，２００６，２１（１０）：１０６３１０６９．
［３３］ ＰｕＲＬ，ＧｏｎｇＰ．ＨｙｐｅｒｓｐｅｃｔｒａｌＲｅｍｏｔｅＳｅｎｓｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎ［Ｍ］．Ｂｅｉｊｉｎｇ：ＨｉｇｈｅｒＥｄｕｃａｔｉｏｎＰｒｅｓｓ，２０００．
［３４］ ＷａｎｇＸＺ，ＨｕａｎｇＪＦ，ＬｉＹＭ，犲狋犪犾．ＴｈｅｓｔｕｄｙｏｎｍｕｌｔｉｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓａｂｏｕｔＬＡＩｏｆｒｉｃｅ．Ｒｅ
ｍｏｔｅＳｅｎｓｉｎｇＴｅｃｈｎｏｌｏｇｙａｎｄＡｐｐｌｉｃａｔｉｏｎ，２００３，１８（２）：５７６５．
［３５］ ＦｕＹＢ．ＭａｉｎＰｈｙｓｉｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓｏｆＨｙｐｅｒｓｐｅｃｔｒａｌＩｎｖｅｒｓｉｏｎｉｎＡｌｆａｌｆａＳｅｅｄＰｒｏｄｕｃｔｉｏｎ［Ｄ］．Ｕｒｕｍｃｈｉ：ＸｉｎｊｉａｎｇＡｇｒｉ
ｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２０１３．
［３６］ ＬｉｃｈｔｅｎｔｈａｌｅｒＨＫ，ＧｉｔｅｌｓｏｎＡ，ＬａｎｇＭ．Ｎｏｎｄｅｓｔｒｕｃｔｉｖｅｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｃｈｌｏｒｏｐｈｙｌｃｏｎｔｅｎｔｏｆｌｅａｖｅｓｏｆａｇｒｅｅｎａｎｄａｎａｕ
ｒｅａｍｕｔａｎｔｏｆｔｏｂａｃｃｏｂｙｒｅｆｌｅｃｔａｎｃｅｍｅａｓｕｒｅｍｅｎｔｓ．ＪｏｕｒｎａｌｏｆＰｌａｎｔＰｈｙｓｉｏｌｏｇｙ，１９９６，１４８（３）：４８３４９３．
［３７］ ＣｌｅｖｅｒｓＪ，ＢüｋｅｒＣ．Ｆｅａｓｉｂｉｌｉｔｙｏｆｔｈｅｒｅｄｅｄｇｅｉｎｄｅｘｆｏｒｔｈｅｄｅｔｅｃｔｉｏｎｏｆｎｉｔｒｏｇｅｎｄｅｆｉｃｉｅｎｃｙ．Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ５ｔｈＩｎｔｅｒｎａ
０２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．３
ｔｉｏｎａｌＣｏｌｏｑｕｉｕｍ－ＰｈｙｓｉｃａｌＭｅａｓｕｒｅｍｅｎｔｓａｎｄＳｉｇｎａｔｕｒｅｓｉｎＲｅｍｏｔｅＳｅｎｓｉｎｇ［Ｃ］．Ｃｏｕｒｃｈｅｖｅｌ，Ｆｒａｎｃｅ：ＥｕｒｏｐｅａｎＳｐａｃｅＡ
ｇｅｎｃｙ，１９９１．
［３８］ ＳｅｍｂｉｒｉｎｇＨ，ＲａｕｎＷＲ，ＪｏｈｎｓｏｎＧＶ，犲狋犪犾．Ｄｅｔｅｃｔｉｏｎｏｆｎｉｔｒｏｇｅｎａｎｄｐｈｏｓｐｈｏｒｕｓｎｕｔｒｉｅｎｔｓｔａｔｕｓｉｎｂｅｒｍｕｄａｇｒａｓｓｕｓｉｎｇ
ｓｐｅｃｔｒａｌｒａｄｉａｎｃｅ．ＪｏｕｒｎａｌｏｆＰｌａｎｔＮｕｔｒｉｔｉｏｎ，１９９８，２１（６）：１１８９１２０６．
［３９］ ＣｌｅｖｅｒｓＪ．Ｔｈｅｕｓｅｏｆｉｍａｇｉｎｇｓｐｅｃｔｒｏｍｅｔｒｙｆｏｒａｇｒｉｃｕｌｔｕｒａｌａｐｐｌｉｃａｔｉｏｎｓ．ＩＳＰＲＳＪｏｕｒｎａｌｏｆＰｈｏｔｏｇｒａｍｍｅｔｒｙａｎｄＲｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，１９９９，５４（５）：２９９３０４．
［４０］ ＴａｎｇＹＬ．ＳｔｕｄｙｏｎｔｈｅＨｙｐｅｒｓｐｅｃｔｒａｌＣｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄＳｉｍｕｌａｔｉｎｇａｎｄＥｓｔｉｍａｔｉｎｇＭｏｄｅｌｓａｂｏｕｔＢｉｏｐｈｙｓｉｃａｌａｎｄＢｉｏｃｈｅｍ
ｉｃａｌＰａｒａｍｅｔｅｒｓｏｆＲｉｃｅ［Ｄ］．Ｈａｎｇｚｈｏｕ：ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，２００４．
［４１］ ＨａｎｓｅｎＰＭ，ＳｃｈｊｏｅｒｒｉｎｇＪＫ．Ｒｅｆｌｅｃｔａｎｃｅｍｅａｓｕｒｅｍｅｎｔｏｆｃａｎｏｐｙｂｉｏｍａｓｓａｎｄｎｉｔｒｏｇｅｎｓｔａｔｕｓｉｎｗｈｅａｔｃｒｏｐｓｕｓｉｎｇｎｏｒｍａｌ
ｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓａｎｄｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００３，８６（４）：５４２
５５３．
［４２］ ＰａｎＢ．ＨｙｐｅｒｓｐｅｃｔｒａｌＥｓｔｉｍａｔｉｏｎｏｆＡｐｐｌｅＴｒｅｅＣａｎｏｐｙＮｉｔｒｏｇｅｎ，ＣｈｌｏｒｏｐｈｙｌａｎｄＬＡＩＳｔａｔｕｓ［Ｄ］．Ｔａｉａｎ：ＳｈａｎｄｏｎｇＡｇｒｉ
ｃｕｌｔｕｒｅＵｎｉｖｅｒｓｉｔｙ，２０１３．
［４３］ ＸｉｏｎｇＹ，ＬｉｕＢ，ＹｕｅＹＭ．ＩｎｖｅｒｓｉｏｎｏｆｎｉｔｒｏｇｅｎｃｏｎｔｅｎｔｏｆｐｌａｎｔｌｅａｖｅｓｂａｓｅｄｏｎＡＳＤａｎｄＦＩＳＳ．ＥｃｏｌｏｇｙａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌ
Ｓｃｉｅｎｃｅｓ，２０１３，２２（４）：５８２５８７．
［４４］ ＺｈａｎｇＸＪ，ＬｉＭＺ．Ａｎａｌｙｓｉｓａｎｄｅｓｔｉｍａｔｉｏｎｏｆｔｈｅｐｈｏｓｐｈｏｒｕｓｃｏｎｔｅｎｔｉｎｃｕｃｕｍｂｅｒｌｅａｆｉｎｇｒｅｅｎｈｏｕｓｅｂｙｓｐｅｃｔｒｏｓｃｏｐｙ．Ｓｐｅｃ
ｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓ，２００８，２８（１０）：２４０４２４０８．
［４５］ ＧｒｏｓｓｍａｎＹＬ，ＵｓｔｉｎＳＬ，ＪａｃｑｕｅｍｏｕｄＳ，犲狋犪犾．Ｃｒｉｔｉｑｕｅｏｆｓｔｅｐｗｉｓｅｍｕｌｔｉｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｆｏｒｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｌｅａｆｂｉｏ
ｃｈｅｍｉｓｔｒｙｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｌｅａｆｒｅｆｌｅｃｔａｎｃｅｄａｔａ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９６，５６（３）：１８２１９３．
［４６］ ＤａｗｓｏｎＴＰ，ＣｕｒｒａｎＰＪ，ＮｏｒｔｈＰＲＪ，犲狋犪犾．Ｔｈｅｐｒｏｐａｇａｔｉｏｎｏｆｆｏｌｉａｒｂｉｏｃｈｅｍｉｃａｌａｂｓｏｒｐｔｉｏｎｆｅａｔｕｒｅｓｉｎｆｏｒｅｓｔｃａｎｏｐｙｒｅ
ｆｌｅｃｔａｎｃｅ：Ａｔｈｅｏｒｅｔｉｃａｌａｎａｌｙｓｉｓ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９９，６７（２）：１４７１５９．
［４７］ ＭａＬＹ，ＣｕｉＸ，ＦｅｎｇＱＳ，犲狋犪犾．Ｄｙｎａｍｉｃｃｈａｎｇｅｓｏｆｇｒａｓｓｌａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｆｒｏｍ２００１ｔｏ２０１１ｉｎＧａｎｎａｎＰｒｅｆｅｃ
ｔｕｒｅ．ＡｃｔａＰｒａｔａｃｕｌｔｕｒａｅＳｉｎｉｃａ，２０１４，２３（４）：１９．
参考文献：
［１］ 许鹏，胡自治，朱进忠，等．草地资源调查规划学［Ｍ］．北京：中国农业出版社，２０００．
［３］ 吕一河，傅伯杰．生态学中的尺度及尺度转换方法．生态学报，２００１，２１（１２）：２０９６２１０５．
［４］ 何友铸，张振乾，官春云．高光谱遥感技术在精细农业监测上的应用及展望．作物研究，２０１５，（１）：９６１００．
［１３］ 胥慧，包玉海，包刚，等．内蒙古典型草原干草生物量高光谱遥感估算研究．阴山学刊：自然科学版，２０１４，２８（４）：２２２７．
［１４］ 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．草业科学，２００９，２６（１１）：４４５０．
［１５］ 纳钦．紫花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．
［１６］ 王迅，刘书杰，贾海峰，等．基于高光谱数据的高寒草地营养状况的研究．光谱学与光谱分析，２０１２，３２（１０）：２７８０２７８４．
［１８］ 钱育蓉，于炯，贾振红，等．新疆典型荒漠草地的高光谱特征提取和分析研究．草业学报，２０１３，２２（１）：１５７１６６．
［１９］ 刘波，沈渭寿，李儒，等．雅鲁藏布江源区高寒草地退化光谱响应变化研究．光谱学与光谱分析，２０１３，３３（６）：１５９８１６０２．
［２０］ 李建龙．草地退化遥感监测［Ｍ］．北京：科学出版社，２０１２：１０２１５４．
［２１］ 褚小立，袁洪福，陆婉珍．近红外分析中光谱预处理及波长选择方法进展与应用．化学进展，２００４，１６（４）：５２８５４２．
［２２］ 梁逸曾，俞汝勤．分析化学手册（１０）—化学计量学［Ｍ］．北京：化工出版社，２００１．
［２３］ 刘树深，易忠胜．基础化学计量学［Ｍ］．北京：科学出版社，１９９９．
［２６］ 张军，王茂芝，陈聆，等．插值算法在高光谱数据中的应用．四川理工学院学报（自然科学版），２０１２，３（３）：４３４６．
［２７］ 张建伟．Ｏｒｉｇｉｎ９．０科技绘图与数据分析超级学习手册［Ｍ］．北京：人民邮电出版社，２０１４．
［２９］ 李民赞．光谱分析技术及其应用［Ｍ］．北京：科学出版社，２００６：１８１．
［３０］ 梅安新．遥感导论［Ｍ］．北京：高等教育出版社，２００１．
［３２］ 张凯，郭铌，王润元，等．西北荒漠草甸植被光谱反射特征研究．地球科学进展，２００６，２１（１０）：１０６３１０６９．
［３３］ 浦瑞良，宫鹏．高光谱遥感及其应用［Ｍ］．北京：高等教育出版社，２０００．
［３４］ 王秀珍，黄敬峰，李云梅，等．水稻叶面积指数的多光谱遥感估算模型研究．遥感技术与应用，２００３，１８（２）：５７６５．
［３５］ 付彦博．制种紫花苜蓿主要生理指标高光谱反演［Ｄ］．乌鲁木齐：新疆农业大学，２０１３．
［４０］ 唐延林．水稻高光谱特征及其生物理化参数模拟与估测模型研究［Ｄ］．杭州：浙江大学，２００４．
［４２］ 潘蓓．苹果树冠层氮素，叶绿素及叶面积指数的高光谱估测［Ｄ］．泰安：山东农业大学，２０１３．
［４３］ 熊鹰，刘波，岳跃民．基于ＡＳＤ和ＦＩＳＳ的植被叶片氮素含量反演研究．生态环境学报，２０１３，２２（４）：５８２５８７．
［４４］ 张喜杰，李民赞．基于反射光谱的温室黄瓜叶片磷素含量分析与预测．光谱学与光谱分析，２００８，２８（１０）：２４０４２４０８．
［４７］ 马琳雅，崔霞，冯琦胜，等．２００１－２０１１年甘南草地植被覆盖度动态变化分析．草业学报，２０１４，２３（４）：１９．
１２第２５卷第３期 草业学报２０１６年