全 文 ：书苜蓿人工草地高光谱遥感估产模型的研究
吕小东１，王建光１，孙启忠２，姚贵平３，高凤芹２
（１．内蒙古农业大学生态环境学院，内蒙古 呼和浩特０１００１９；２．中国农业科学院草原研究所，内蒙古 呼和浩特０１００１０；
３．内蒙古农业大学理学院，内蒙古 呼和浩特０１００１９）
摘要：实地测量了１０个苜蓿品种在不同生长时期的冠层高光谱数据，用以消除不同品种间光谱的差异性，并以多
个波段的反射率、一阶导数和多种光谱吸收特征参数为光谱参数，运用多种单变量回归模型，对人工苜蓿草地的鲜
草产量进行了估算。结果表明，复合、指数等非线性模型要优于线性模型，在同类型的光谱参数中，线性模型决定
系数高的参数，其二次型、三次型多项式和复合、乘幂、指数等非线性回归模型的决定系数通常也比较高，且通常高
于线性模型；诸多估算模型中，以７４７ｎｍ处一阶导数为自变量的复合、指数２种形式的估算模型，其相关系数最高
为狉＝０．８５２，均方根误差为０．４６６ｋｇ／ｍ２，相对误差为２１．１４％，其估算精度最高，可作为多个苜蓿品种统一使用的
鲜草产量高光谱估算模型。
关键词：苜蓿；品种；鲜草产量；高光谱遥感；回归模型
中图分类号：Ｓ８１２．３；Ｓ５５１＋．７；Ｓ１２７　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１４）０１００８４０８
犇犗犐：１０．１１６８６／ｃｙｘｂ２０１４０１１１　　
　　目前，高光谱分辨率遥感（ｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ）技术在植被上的应用与发展，已经使植被监测和研
究进入到了精准化、定量化和机理化的新阶段。植被光谱与植物品种、植株密度、冠层结构、叶片形状、叶组织结
构、植物生化组分及比例、光谱测量条件（如气象条件、光谱仪分辨率、测量日期、背景）等因素有关［１］。所以，可以
应用高光谱遥感数据对重要的植物生长信息（如覆盖度、叶面积、生物量、叶绿素含量等）进行反演，拟合出植物生
长参数的定量模型，从而实现对植被冠层快速、有效、非接触、无破坏的野外信息采集与处理，加强对植被长势的
实时诊断研究，乃是国内外农业遥感学者们的研究热点之一［２］。
在草地资源领域，高光谱研究以其快速、便捷、准确等优势，受到世界各国学者的普遍关注。目前，国外已将
高光谱遥感技术广泛应用于草地植被生化参数的无损伤估算牧草品质参数测定、含水率估测、退化草地指示、草
种识别等领域［３］。我国应用高光谱，还主要集中在小麦（犜狉犻狋犻犮狌犿犪犲狊狋犻狏狌犿）、水稻（犗狉狔狕犪狊犪狋犻狏犪）、玉米（犣犲犪
犿犪狔狊）、棉花（犌狅狊狊狔狆犻狌犿犫犪狉犫犪犱犲狀狊犲）、大豆（犌犾狔犮犻狀犲犿犪狓）等大宗农作物长势的监测和比较，较广泛地应用于主
要产粮县旱地和水田作物的物候期监测，在草地资源上应用还不是很多，人工牧草地植被监管方面更少。
在国外，Ｋａｗａｍｕｒａ等［４］通过高光谱来预测禾草与白三叶（犜狉犻犳狅犾犻狌犿狉犲狆犲狀狊）混播草地中豆科植物的组分含
量。Ｚｈａｏ等［５］发现波段１１４５和１２０５ｎｍ 的反射率可以用于狗牙根（犆狔狀狅犱狅狀犱犪犮狋狔犾狅狀）草地生物量的估算。
Ｍｕｔａｎｇａ等［６］利用草地的高光谱吸收特征来估测牧草品质。Ｐｏｓｔ等［７］以多种禾草与苜蓿（犕犲犱犻犮犪犵狅狊犪狋犻狏犪）混
播地为对象，发现红光区域内、红光和近红外区域之间的导数光谱，与牧草营养品质和生物量显示出的相关性为
最高。国内的研究也认为，光谱一阶导数在一定程度上能较好的消除土壤环境的影响，并结合线性、对数、指数、
乘幂和二次、三次多项式等多种单变量函数回归模型，来估算植被的生物量、叶面积等［８］。张凯等［９］以７２３ｎｍ
处一阶导数的对数模型来反演甘南草地地上生物量；杨红丽等［１０］应用高光谱探讨了多花黑麦草（犔狅犾犻狌犿犿狌犾狋犻
犳犾狅狉狌犿）植株含氮量的估测模型；纳钦［１１］对苜蓿和缘毛雀麦（犅狉狅犿狌狊犮犻犾犻狋狌狊）混播地中营养成分的高光谱估算模
型进行了研究。周宇庭等［１２］发现，在估算藏北典型高寒草甸地上生物量的多种回归函数中，以乘幂函数的预测
８４－９１
２０１４年２月
　　　草　业　学　报　　　
　　　ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ　　　
第２３卷　第１期
Ｖｏｌ．２３，Ｎｏ．１
收稿日期：２０１３０３０７；改回日期：２０１３０４２２
基金项目：现代农业产业体系建设专项资金（ＣＡＲＳ３５）和科技部“十二五”国家科技支撑计划项目（２０１２ＢＡＤ１２Ｂ０９）资助。
作者简介：吕小东（１９８４），男，河北涞源人，在读硕士。Ｅｍａｉｌ：ｌｘｄ６３５＠１６３．ｃｏｍ
通讯作者。Ｅｍａｉｌ：ｗａｎｇｊｇ８５８０＠１６３．ｃｏｍ，ｓｕｎｑｚ＠１２６．ｃｏｍ
效果最好。张艳楠等［１３］认为，随着草地生物量范围的增大，估算模型逐渐由线性趋近于指数模型，当生物量较大
时以指数函数为佳。
一直以来，对农学参数与光谱特性的研究，大多以单一品种为材料，而未考虑到不同品种间的光谱特性差异
对估算模型的影响，从而在生产应用上造成一定的局限性。因此，本试验以１０个苜蓿品种在不同时期的冠层高
光谱和鲜草产量数据为材料，统一分析苜蓿鲜草产量的高光谱特性，并尝试建立关于对多个苜蓿品种统一使用的
鲜草产量高光谱估算模型。
１　材料与方法
１．１　试验地概况
试验地位于内蒙古包头市土默特右旗萨拉齐镇（东经１１０．５°、北纬４０．５°、海拔１０６７．２ｍ）的内蒙古农业大学
职业技术学院科技园区。全年少雨雪，降水多集中在７－８月，年均降水量３３９．８ｍｍ；日温差较大，年均气温
７．１℃，无霜期年均１３２ｄ；土壤为栗钙壤土，ｐＨ值７．８０，有机质１５．９７ｇ／ｋｇ，有效氮３４７．９５ｍｇ／ｋｇ，有效磷５４．３３
ｍｇ／ｋｇ，有效钾３２７．６７ｍｇ／ｋｇ；属典型大陆性半干旱季风气候。
１．２　田间试验设计
以苜蓿王（Ａｌｆａｋｉｎｇ）、大富豪（Ｍｉｌｉｏｎａｉｒｅ）、农宝（ＦａｒｍｅｒｓＴｒｅａｓｕｒｅ）、费纳尔（Ｖｅｒｎａｌ）、阿尔冈金（Ａｌｇｏｎ
ｑｕｉｎ）、金皇后（ＧｏｌｄｅｎＥｍｐｒｅｓｓ）、ＷＬ２３２、ＷＬ２３２ＨＱ、ＷＬ３２３等９个国外引进品种及１个国产品种敖汉
（Ａｏｈａｎ）为供试材料，采用随机区组设计，重复３次，小区数共３０个，每个小区面积为１６０ｍ２（４ｍ×４０ｍ）。于
２００９年７月１５日播种，南北向条播种植，行距４５ｃｍ，播深２ｃｍ，播量１２ｋｇ／ｈｍ２。
１．３　数据采集方法
分别于２０１２年６月１８日、８月４日、８月２１日、９月６日，采用美国光谱分析仪器公司（ＡｎａｌｙｔｉｃａｌＳｐｅｃｔｒａｌ
Ｄｅｖｉｃｅ）生产的ＡＳＤＦｉｅｌｄＳｐｅｃＨａｎｄＨｅｌｄ手持式高光谱仪，在光谱３２５～１０７５ｎｍ波长范围内对生长第４年的各
苜蓿品种处理小区进行连续测量，采样间隔为１．５ｎｍ，光谱分辨率３．５ｎｍ，光纤探头视场角（ＦＯＶ）１０°。所有的
测试均选择在晴朗无风天气进行，每次测定时间为北京时间１０：００－１４：００时。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，选定生长均匀且长为１ｍ、宽为３行的３个样方测量
其冠层光谱值，每个样方采集３组光谱值，以其平均值作为该样方的光谱反射值。测量过程中及时进行标准白板
校正。
每次光谱数据采集后，立即将对应样方内苜蓿鲜草按留茬５ｃｍ进行刈割，并立即装入密闭自封袋中，带回实
验室称重并计算出单位面积内的鲜草产量（ｋｇ／ｍ２）。
１．４　数据分析方法
以第１、第３重复区数据为建模数据集（狀＝２４０）用以建立估算模型，以第２重复区数据为验证数据集（狀＝
１２０）用以检验估算模型。采用冠层光谱原始反射率、一阶导数及多种光谱吸收特征参数作为冠层光谱特征参数，
研究苜蓿草地高光谱数据与鲜草产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建立估算模型，
并通过检验最终确立苜蓿鲜草产量的估算模型。
采用 ＭｉｃｒｏｓｏｆｔＥｘｃｅｌ２００３、ＭｉｃｒｏｓｏｆｔＥｘｃｅｌ２００７和ＳＰＳＳ１８．０等软件，对试验所得数据进行图表绘制和相
关分析、回归分析等数理统计。
２　结果与分析
２．１　苜蓿鲜草产量性状的高光谱特征分析
２．１．１　苜蓿鲜草产量与反射率的相关性分析　采用相关分析方法，得到冠层反射率与苜蓿鲜草产量的相关系数
曲线（图１）。
从图１看出，在３３８～７５７ｎｍ波段的冠层反射光谱与鲜草产量呈负相关，其中在４４５～６８４ｎｍ波段处形成１
个相关系数的高平台区，并在６１５ｎｍ波段达到最高，为－０．７９１，在６１５～６４２ｎｍ形成一个小波谷，其中以６３３
５８第２３卷第１期 草业学报２０１４年
ｎｍ波段相关系数最低，为－０．７３０，都达到极显著水平（犘＜０．０１）。在５２０～６００ｎｍ的绿光波段中，以６００ｎｍ
处相关系数最高，为－０．７７８；在６３０～６９０ｎｍ的红光波段中，以６４５ｎｍ处相关系数最高，为－０．７７４，均达到极
显著水平（犘＜０．０１）。在７５８～１０７５ｎｍ波段区间，冠层光谱反射率与鲜草产量呈正相关，其中在近红外７５８～
７７０ｎｍ波段，相关系数迅速上升，在近红外波段７６０ｎｍ处达到最大（狉＝０．５８２），后急速下降，在７７０ｎｍ达到最
低（狉＝０．１４９）之后开始缓慢上升，并在８１３～８９０ｎｍ波段处形成一个相关系数的高平台区，均在０．５５０以上，之
后开始缓慢下降。
２．１．２　苜蓿鲜草产量与一阶导数光谱变量的相关性分析 　一般认为，对反射率采用微分处理提取一阶导数，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，能增强光谱曲线在坡度上
的细微变化［１４］。图２反映了苜蓿鲜草产量与一阶导数光谱变量间的相关性。
图１　苜蓿鲜草产量与反射率的相关性分析
犉犻犵．１　犆狅狉狉犲犾犪狋犻狅狀犫犲狋狑犲犲狀狋犺犲犳狉犲狊犺狔犻犲犾犱狅犳
犪犾犳犪犾犳犪犪狀犱狉犲犳犾犲犮狋犪狀犮犲　
图２　苜蓿鲜草产量与一阶导数的相关性
犉犻犵．２　犆狅狉狉犲犾犪狋犻狅狀犫犲狋狑犲犲狀狋犺犲犳狉犲狊犺狔犻犲犾犱狅犳
犪犾犳犪犾犳犪犪狀犱狋犺犲犳犻狉狊狋犱犲狉犻狏犪狋犻狏犲　
由图２可知，在４００～４５３ｎｍ、４８７～５５３ｎｍ和６３７～６５０ｎｍ、６８８～７１０ｎｍ、９１７～９２９ｎｍ、９４７～９５９ｎｍ波
段为负相关，以波长５５２ｎｍ 处相关系数最大（狉＝－０．８０６），其次为４４３ｎｍ（狉＝－０．８０３），均达到了极显著水平
（犘＜０．０１）；在４６１～４７０ｎｍ、５５４～６３６ｎｍ、７３５～７６１ｎｍ、７７１～８１７ｎｍ波段为正相关，最大相关系数波长位于
７４６ｎｍ处（狉＝０．８４７），达到了极显著水平（犘＜０．０１）。
２．１．３　苜蓿鲜草产量与不同吸收特征参数的相关性分析　常见的高光谱遥感吸收特征变量包括从原始光谱、一
阶导数光谱提取的基于光谱位置的特征变量、基于高光谱面积的特征变量和基于高光谱植被指数的吸收特征参
数，见表１。
如表１所示苜蓿鲜草产量与光谱吸收特征参数的相关系数，都达到了０．０１检验水平。基于光谱位置的几种
特征参数，其与苜蓿鲜草产量的相关系数普遍较高，都在０．７以上，以犇ｙ 最高（狉＝０．７７６）；而基于高光谱面积的
特征参数中，仅有２个参数的相关系数较高，其中犛犚ｇ的相关系数最高，其次为犛犇ｂ，都大于０．７；基于高光谱植
被指数的特征参数中，除了犚ｇ／犚ｒ、犛犇ｒ／犛犚ｒ、（犚ｇ－犚ｒ）／（犚ｇ＋犚ｒ）、（犛犇ｒ－犛犚ｒ）／（犛犇ｒ＋犛犚ｒ）等参数的相关系数
很低外，其余特征参数均较高，其中尤以（犛犇ｒ－犛犚ｇ）／（犛犇ｒ＋犛犚ｇ）最高，超过０．８，（犛犇ｒ－犛犇ｙ）／（犛犇ｒ＋犛犇ｙ）
和犛犇ｒ／犛犚ｇ的相关系数也都接近０．８。
２．２　模型建立
在同类型光谱参数中，选取相关系数较大的光谱参数，作为建模参数，与苜蓿鲜草产量间进行单变量回归分
析；其选用的回归方程形式包括线性、对数、逆模型、二次型、三次型多项式和复合、乘幂、Ｓ型、指数等９种。
２．２．１　应用反射率建模　从反射率中，挑选相关系数大于０．８的波段参数，进行回归分析，其决定系数见表２。
由表２看出，不同波段反射率参数中，线性回归模型决定系数高的参数，其非线性模型的决定系数也比较高，
６８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．１
以６１５ｎｍ反射率为自变量的回归方程的决定系数较高，并以其复合、指数２种形式为最高，达到０．７８８。在众多
回归形式中，除逆模型和对数、Ｓ型的回归形式外，其余非线性回归模型都比线性模型的决定系数要高；其中复
合、指数最高，其次为乘幂。
２．２．２　应用一阶导数建模　从一阶导数中，挑选相关系数大于０．８的波段参数，进行回归分析，其决定系数见表３。
表１　苜蓿鲜草产量与光谱吸收特征参数间的相关性
犜犪犫犾犲１　犆狅狉狉犲犾犪狋犻狅狀犫犲狋狑犲犲狀狋犺犲犳狉犲狊犺狔犻犲犾犱狅犳犪犾犳犪犾犳犪犪狀犱狋犺犲狊狆犲犮狋狉犪犾犪犫狊狅狉狆狋犻狅狀犳犲犪狋狌狉犲狆犪狉犪犿犲狋犲狉狊
类型Ｖａｒｉｅｔｙ 参数Ｐａｒａｍｅｔｅｒ 定义与算法 Ｄｅｆｉｎｉｔｉｏｎａｎｄａｌｇｏｒｉｔｈｍ 相关系数狉
基于光谱位置变量
Ｂａｓｅｄｏｎｓｐｅｃｔｒａｌ
ｐｏｓｉｔｉｏｎ
犇ｂ 蓝边内一阶导数光谱中的最大值，蓝边覆盖４９０～５３０ｎｍ。Ｔｈｅｆｉｒｓｔｏｒｄｅｒ
ｍａｘｉｍｕｍｄｅｒｉｖａｔｉｖｅｉｎ４９０－５３０ｎｍ．
－０．７０６
犇ｙ 黄边内一阶导数光谱中的最大值，黄边覆盖５５０～５８２ｎｍ。Ｔｈｅｆｉｒｓｔｏｒｄｅｒ
ｍａｘｉｍｕｍｄｅｒｉｖａｔｉｖｅｉｎ５５０－５８２ｎｍ．
－０．７７６
犇ｒ 红边内一阶导数光谱中的最大值，红边覆盖６８０～７８０ｎｍ。Ｔｈｅｆｉｒｓｔｏｒｄｅｒ
ｍａｘｉｍｕｍｄｅｒｉｖａｔｉｖｅｉｎ６８０－７８０ｎｍ．
－０．７３７
犚ｇ 绿峰反射率，即波长５１０～５６０ｎｍ 范围内最大的波段反射率。Ｔｈｅｍａｘｉ
ｍｕｍｒｅｆｌｅｃｔａｎｃｅｉｎ５１０－５６０ｎｍ．
－０．７５０
犚ｒ 红谷反射率，即波长６４０～６８０ｎｍ范围内最小的波段反射率。Ｔｈｅｍｉｎｉｍｕｍ
ｒｅｆｌｅｃｔａｎｃｅｉｎ６４０－６８０ｎｍ．
－０．７７０
基于光谱面积变量
Ｂａｓｅｄｏｎｓｐｅｃｔｒａｌ
ａｒｅａ
犛犇ｂ 蓝边面积，即蓝边内一阶导数的总和，蓝边覆盖４９０～５３０ｎｍ。Ｓｕｍｍａｔｉｏｎ
ｏｆｔｈｅｆｉｒｓｔｏｒｄｅｒｄｅｒｉｖａｔｉｖｅｓｉｎ４９０－５３０ｎｍ．
－０．７２４
犛犇ｙ 黄边面积，即黄边内一阶导数的总和，黄边覆盖５５０～５８２ｎｍ。Ｓｕｍｍａｔｉｏｎｏｆ
ｔｈｅｆｉｒｓｔｏｒｄｅｒｄｅｒｉｖａｔｉｖｅｓｉｎ５５０－５８２ｎｍ．
０．５１４
犛犇ｒ 红边面积，即红边内一阶导数的总和，红边覆盖６８０～７８０ｎｍ。Ｓｕｍｍａｔｉｏｎ
ｏｆｔｈｅｆｉｒｓｔｏｒｄｅｒｄｅｒｉｖａｔｉｖｅｓｉｎ６８０－７８０ｎｍ．
０．４９９
犛犚ｇ 绿峰内（波长５１０～５６０ｎｍ范围内）一阶导数波段值总和。Ｓｕｍｍａｔｉｏｎｏｆｔｈｅ
ｆｉｒｓｔｏｒｄｅｒｄｅｒｉｖａｔｉｖｅｓｉｎ５１０－５６０ｎｍ．
－０．７４４
犛犚ｒ 红谷内（波长６４０～６８０ｎｍ范围内）一阶导数波段值总和。Ｓｕｍｍａｔｉｏｎｏｆｔｈｅ
ｆｉｒｓｔｏｒｄｅｒｄｅｒｉｖａｔｉｖｅｓｉｎ６４０－６８０ｎｍ．
－０．２５７
基于植被指数
Ｂａｓｅｄｏｎｖｅｇｅｔａｔｉｏｎ
ｉｎｄｅｘ
犚ｇ／犚ｒ 绿峰反射率与红谷反射率的比值。Ｒａｄｉｏｏｆ犚ｇａｎｄ犚ｒ． ０．３５４
犛犇ｒ／犛犇ｂ 红边内一阶导数的总和与蓝边内一阶导数的总和的比值。Ｒａｄｉｏｏｆ犛犇ｒａｎｄ犛犇ｂ． ０．７６４
犛犇ｒ／犛犇ｙ 红边内一阶导数的总和与黄边内一阶导数的总和的比值。Ｒａｄｉｏｏｆ犛犇ｒａｎｄ犛犇ｙ．－０．７２４
犛犇ｒ／犛犚ｇ 红边内一阶导数总和与绿峰内一阶导数总和的比值。Ｒａｄｉｏｏｆ犛犇ｒａｎｄ犛犚ｇ． ０．７９１
犛犇ｒ／犛犚ｒ 红边内一阶导数总和与红谷内一阶导数总和的比值。Ｒａｄｉｏｏｆ犛犇ｒａｎｄ犛犚ｒ． －０．２７９
（犚ｇ－犚ｒ）／（犚ｇ＋犚ｒ） 绿峰反射率与红谷反射率的归一化值。Ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅ犚ｇａｎｄ犚ｒ． ０．３８８
（犛犇ｒ－犛犇ｂ）／（犛犇ｒ＋犛犇ｂ） 红边内一阶导数的总和与蓝边内一阶导数的总和的归一化值。Ｎｏｒｍａｌｉｚｅｄ
ｄｉｆｆｅｒｅｎｃｅ（犛犇ｒ－犛犇ｂ）ａｎｄ（犛犇ｒ＋犛犇ｂ）．
０．７２４
（犛犇ｒ－犛犇ｙ）／（犛犇ｒ＋犛犇ｙ） 红边内一阶导数的总和与黄边内一阶导数的总和的归一化值。Ｎｏｒｍａｌｉｚｅｄ
ｄｉｆｆｅｒｅｎｃｅ（犛犇ｒ－犛犇ｙ）ａｎｄ（犛犇ｒ＋犛犇ｙ）．
－０．７９５
（犛犇ｒ－犛犚ｇ）／（犛犇ｒ＋犛犚ｇ） 红边内一阶导数总和与绿峰内一阶导数总和的归一化值。Ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒ
ｅｎｃｅ（犛犇ｒ－犛犚ｇ）ａｎｄ（犛犇ｒ＋犛犚ｇ）．
０．８２１
（犛犇ｒ－犛犚ｒ）／（犛犇ｒ＋犛犚ｒ） 红边内一阶导数总和与红谷内一阶导数总和的归一化值。Ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒ
ｅｎｃｅ（犛犇ｒ－犛犚ｒ）ａｎｄ（犛犇ｒ＋犛犚ｒ）．
０．２２８
　注：和分别表示通过０．０５和０．０１水平的显著性检验。下同。
　Ｎｏｔｅ：ａｎｄｉｎｄｉｃａｔｅ０．０５ａｎｄ０．０１ｓｉｇｎｉｆｉｃａｎｔｌｅｖｅｌ，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｓａｍｅｂｅｌｏｗ．
７８第２３卷第１期 草业学报２０１４年
表２　苜蓿鲜草产量与反射率间回归分析的决定系数（狀＝２４０）
犜犪犫犾犲２　犜犺犲犮狅犲犳犳犻犮犻犲狀狋狅犳犱犲狋犲狉犿犻狀犪狋犻狅狀狅犳狉犲犵狉犲狊狊犻狅狀犪狀犪犾狔狊犻狊犫犲狋狑犲犲狀狋犺犲犳狉犲狊犺狔犻犲犾犱狅犳犪犾犳犪犾犳犪犪狀犱狋犺犲狉犲犳犾犲犮狋犪狀犮犲（狀＝２４０）
反射率
Ｒｅｆｌｅｃｔａｎｃｅ
线性
Ｌｉｎｅａｒ
对数
Ｌｏｇａｒｉｔｈｍｉｃ
逆模型
Ｉｎｖｅｒｓｅ
二次型
Ｑｕａｄｒａｔｉｃ
三次型
Ｃｕｂｉｃ
复合
Ｃｏｍｐｏｕｎｄ
乘幂
Ｐｏｗｅｒ
Ｓ型
Ｓ
指数
Ｅｘｐｏｎｅｎｔｉａｌ
Ｒ６１４ｎｍ ０．６２６ ０．５８６ ０．４６３ ０．６２７ ０．６４４ ０．７８７ ０．６９７ ０．５０７ ０．７８７
Ｒ６１５ｎｍ ０．６２６ ０．５８８ ０．４６８ ０．６２７ ０．６４４ ０．７８８ ０．７００ ０．５１４ ０．７８８
Ｒ６１６ｎｍ ０．６２５ ０．５８６ ０．４６３ ０．６２６ ０．６４４ ０．７８８ ０．６９８ ０．５１０ ０．７８８
表３　苜蓿鲜草产量与一阶导数间回归分析的决定系数（狀＝２４０）
犜犪犫犾犲３　犜犺犲犮狅犲犳犳犻犮犻犲狀狋狅犳犱犲狋犲狉犿犻狀犪狋犻狅狀狅犳狉犲犵狉犲狊狊犻狅狀犪狀犪犾狔狊犻狊犫犲狋狑犲犲狀狋犺犲犳狉犲狊犺狔犻犲犾犱狅犳
犪犾犳犪犾犳犪犪狀犱狋犺犲犳犻狉狊狋犱犲狉犻狏犪狋犻狏犲狊狆犲犮狋狉狌犿（狀＝２４０）
一阶导数
Ｄｅｒｉｖａｔｉｏｎ
线性
Ｌｉｎｅａｒ
对数
Ｌｏｇａｒｉｔｈｍｉｃ
逆模型
Ｉｎｖｅｒｓｅ
二次型
Ｑｕａｄｒａｔｉｃ
三次型
Ｃｕｂｉｃ
复合
Ｃｏｍｐｏｕｎｄ
乘幂
Ｐｏｗｅｒ
Ｓ型
Ｓ
指数
Ｅｘｐｏｎｅｎｔｉａｌ
Ｄ４３３ｎｍ ０．６４４ － － ０．６５６ ０．６５８ ０．７８６ － － ０．７８６
Ｄ４５１ｎｍ ０．６４０ － － ０．６４０ ０．６４０ ０．７７５ － － ０．７７５
Ｄ５４３ｎｍ ０．６４３ － － ０．６４５ ０．６４５ ０．６９９ － － ０．６９９
Ｄ５５２ｎｍ ０．６４９ － － ０．６５８ ０．６５８ ０．８０１ － － ０．８０１
Ｄ７４６ｎｍ ０．７１７ － － ０．７１７ ０．７２８ ０．８４８ － － ０．８４８
Ｄ７４７ｎｍ ０．７１６ － － ０．７１６ ０．７２１ ０．８３１ － － ０．８３１
Ｄ７４８ｎｍ ０．７０６ － ０．５６１ ０．７０８ ０．７１６ ０．８２０ － ０．７０１ ０．８２０
Ｄ７４９ｎｍ ０．７０２ － ０．５２９ ０．７１４ ０．７２２ ０．８１１ － ０．６７７ ０．８１１
Ｄ７５０ｎｍ ０．７１３ － － ０．７２０ ０．７２０ ０．８２３ － － ０．８２３
Ｄ７５１ｎｍ ０．６９７ － ０．５４２ ０．６９９ ０．７０８ ０．７９９ － ０．６９５ ０．７９９
Ｄ７５２ｎｍ ０．７１６ － － ０．７１７ ０．７２９ ０．８１０ － － ０．８１０
Ｄ７５３ｎｍ ０．７１４ － － ０．７１５ ０．７２６ ０．８０６ － － ０．８０６
不同波段的一阶导数参数中，线性回归模型决定系数高的参数，其二次型、三次型多项式和复合、指数等非线
性模型的决定系数也比较高，以７４６ｎｍ处一阶导数为自变量的回归方程的决定系数较高，并以其复合、指数２
种形式为最高，达到０．８４８。在不同的回归形式中，二次型、三次型多项式和复合、指数等非线性回归模型的决定
系数，都比线性模型要高；其中复合、指数的决定系数最高。
２．２．３　应用高光谱吸收特征参数建模　基于光谱位置的特征变量、基于高光谱面积的特征变量和基于高光谱植
被指数的３种吸收特征参数，作为自变量，分别与苜蓿鲜草产量进行回归分析，其决定系数见表４。
由表４可知，基于光谱位置的几种特征参数，其回归模型的决定系数普遍较高，以犇ｙ 最高；而基于高光谱面
积的特征参数中，犛犚ｇ的决定系数最高，其次为犛犇ｂ；基于高光谱植被指数的特征参数中，犚ｇ／犚ｒ、犛犇ｒ／犛犚ｒ、（犚ｇ－
犚ｒ）／（犚ｇ＋犚ｒ）、（犛犇ｒ－犛犚ｒ）／（犛犇ｒ＋犛犚ｒ）等参数的决定系数很低外，其余特征参数均较高，以（犛犇ｒ－犛犚ｇ）／（犛犇ｒ
＋犛犚ｇ）最高，其次为（犛犇ｒ－犛犇ｙ）／（犛犇ｒ＋犛犇ｙ）和犛犇ｒ／犛犚ｇ。
从不同的回归方程中，基于光谱位置的几种特征参数，二次型、三次型多项式和复合、乘幂、指数等非线性回
归模型的决定系数，都比线性模型要高；而基于高光谱面积的特征参数，二次型、三次型多项式和复合、乘幂、指数
等非线性回归模型的决定系数，都比线性模型要高；基于高光谱植被指数的特征参数，二次型、三次型多项式和复
合、乘幂、指数等非线性回归模型的决定系数，都比线性模型要高，此外，多个参数的对数、Ｓ型回归模型的决定系
数也比线性模型要高。综合来看，在同类型的参数中，线性模型决定系数高的参数，往往其二次型、三次型、复合、
乘幂、指数等非线性回归模型的决定系数也比较高，且比其线性模型要高；其中复合、指数的决定系数最高，其次
为三次型、二次型多项式。
８８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．１
表４　苜蓿鲜草产量与光谱吸收特征参数间回归分析的决定系数（狀＝２４０）
犜犪犫犾犲４　犜犺犲犮狅犲犳犳犻犮犻犲狀狋狅犳犱犲狋犲狉犿犻狀犪狋犻狅狀狅犳狉犲犵狉犲狊狊犻狅狀犪狀犪犾狔狊犻狊犫犲狋狑犲犲狀狋犺犲犳狉犲狊犺狔犻犲犾犱狅犳犪犾犳犪犾犳犪犪狀犱
狋犺犲狊狆犲犮狋狉犪犾犪犫狊狅狉狆狋犻狅狀犳犲犪狋狌狉犲狆犪狉犪犿犲狋犲狉狊（狀＝２４０）
参数
Ｐａｒａｍｅｔｅｒ
线性
Ｌｉｎｅａｒ
对数
Ｌｏｇａｒｉｔｈｍｉｃ
逆模型
Ｉｎｖｅｒｓｅ
二次型
Ｑｕａｄｒａｔｉｃ
三次型
Ｃｕｂｉｃ
复合
Ｃｏｍｐｏｕｎｄ
乘幂
Ｐｏｗｅｒ
Ｓ型
Ｓ
指数
Ｅｘｐｏｎｅｎｔｉａｌ
犇ｂ ０．４９８ ０．４３９ ０．３３２ ０．５０４ ０．５２５ ０．５４２ ０．４５９ ０．３１１ ０．５４２
犇ｙ ０．６０２ － － ０．６７４ ０．６７４ ０．６６６ － － ０．６６６
犇ｒ ０．５４３ ０．５３８ ０．４４３ ０．５７２ ０．６２１ ０．６２５ ０．６２７ ０．５１７ ０．６２５
犚ｇ ０．５６２ ０．４８２ ０．３５５ ０．５８０ ０．５９９ ０．６４９ ０．５４１ ０．３７５ ０．６４９
犚ｒ ０．５９２ ０．５４５ ０．３９４ ０．５９７ ０．６２５ ０．７８３ ０．６８６ ０．４７３ ０．７８３
犛犇ｂ ０．５２３ ０．４５７ ０．３４４ ０．５３３ ０．５５２ ０．５８７ ０．４９６ ０．３４０ ０．５８７
犛犇ｙ ０．２６５ － ０．２１４ ０．２６５ ０．２７２ ０．２２７ － ０．１９１ ０．２２７
犛犇ｒ ０．２４９ ０．２７６ ０．２７１ ０．２８５ ０．２８６ ０．３９０ ０．４４５ ０．４５３ ０．３９０
犛犚ｇ ０．５５４ ０．４８６ ０．３５９ ０．５５８ ０．５７８ ０．６０５ ０．５０４ ０．３３４ ０．６０５
犛犚ｒ ０．０６６ － － ０．０７９ ０．１３７ ０．１７８ － － ０．１７８
犚ｇ／犚ｒ ０．１２５ ０．１４４ ０．１５３ ０．１４７ ０．１６４ ０．２３１ ０．２８２ ０．３１３ ０．２３１
犛犇ｒ／犛犇ｂ ０．５８４ ０．６５２ ０．６２０ ０．６１８ ０．６８７ ０．６３０ ０．７９０ ０．８３０ ０．６３０
犛犇ｒ／犛犇ｙ ０．５２４ － ０．６３１ ０．６０７ ０．６４６ ０．５７０ － ０．７４１ ０．５７０
犛犇ｒ／犛犚ｇ ０．６２６ ０．６８９ ０．６３９ ０．６６２ ０．７０８ ０．６３８ ０．８１０ ０．８４３ ０．６３８
犛犇ｒ／犛犚ｒ ０．０７８ － － ０．０８０ ０．０８１ ０．０８２ － － ０．０８２
（犚ｇ－犚ｒ）／（犚ｇ＋犚ｒ） ０．１５０ ０．１５３ ０．１５０ ０．１５４ ０．１５５ ０．３０２ ０．３１６ ０．３１５ ０．３０２
（犛犇ｒ－犛犇ｂ）／（犛犇ｒ＋犛犇ｂ） ０．５２３ － ０．３４４ ０．５３３ ０．５５２ ０．５８７ － ０．３４０ ０．５８７
（犛犇ｒ－犛犇ｙ）／（犛犇ｒ＋犛犇ｙ） ０．６３２ ０．６３１ ０．６２８ ０．６３２ ０．６３２ ０．７４７ ０．７４２ ０．７３４ ０．７４７
（犛犇ｒ－犛犚ｇ）／（犛犇ｒ＋犛犚ｇ） ０．６７４ ０．５５０ ０．１８２ ０．６８７ ０．６８７ ０．８４９ ０．７６２ ０．３０１ ０．８４９
（犛犇ｒ－犛犚ｒ）／（犛犇ｒ＋犛犚ｒ） ０．０５２ ０．０５５ ０．０５９ ０．１１７ ０．１１７ ０．１７３ ０．１７９ ０．１８４ ０．１７３
　　结合吸收特征参数相关系数来看，就会发现，在同类型的吸收特征参数中，相关系数高的参数，往往其回归模
型的决定系数也较高。综合来看，在３种吸收特征参数的多种回归方程中，以（犛犇ｒ－犛犚ｇ）／（犛犇ｒ＋犛犚ｇ）的复合、
指数形式的估算方程的决定系数最高，为０．８４９，其次为犛犇ｒ／犛犚ｇ的Ｓ型回归形式的决定系数、犛犇ｒ／犛犇ｂ的Ｓ型
回归形式和犛犇ｒ／犛犚ｇ的乘幂形式，其决定系数都在０．８以上。
２．３　苜蓿鲜草产量高光谱估算模型的检验
从上述表中挑选决定系数在０．８２以上的回归方程，拟作为估算模型进行检验。一个最优的估算模型，不仅
应该使估算值与实际值具有较高的相关系数（狉），同时还应具有较小的均方根误差（ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，简称
ＲＭＳＥ）和平均相对误差（ｒｅｌａｔｉｖｅｅｒｒｏｒ，简称ＲＥ）［８］。因此，综合采用狉、ＲＭＳＥ和 ＲＥ这３个统计量对苜蓿鲜草
产量的高光谱估算模型进行检验，如表５所示。
总体来看，与以犛犇ｒ／犛犇ｂ、犛犇ｒ／犛犚ｇ、（犛犇ｒ－犛犚ｇ）／（犛犇ｒ＋犛犚ｇ）为自变量的估算模型相比，分别以７４６，７４７，
７４８ｎｍ处一阶导数为自变量的复合、指数２种形式的估算模型，其相关系数普遍较高，且ＲＭＳＥ和ＲＥ也相对较
低。也就是说，经过一阶导数处理后的光谱变量，要比犛犇ｒ／犛犇ｂ、犛犇ｒ／犛犚ｇ、（犛犇ｒ－犛犚ｇ）／（犛犇ｒ＋犛犚ｇ）等光谱吸
收参数等的估算精度要高。其中，以７４７ｎｍ处一阶导数为自变量的复合、指数２种形式的估算模型，其相关系
数最高（狉＝０．８５２），且ＲＭＳＥ和ＲＥ也最低，分别为０．４６６ｋｇ／ｍ２ 和２１．１４％，由于这几个模型的估算精度最高，
且最能较准确地反演苜蓿鲜草产量，故以７４７ｎｍ处一阶导数为自变量的模型作为苜蓿鲜草产量估算模型。其
公式表示如下：
犉（狓＝Ｄ７４７ｎｍ）＝０．６０２×（３．０１８×１０１７２）狓＝０．６０２×ｅ２９３．５３３狓
９８第２３卷第１期 草业学报２０１４年
表５　苜蓿鲜草产量高光谱估算模型检验结果（狀＝１２０）
犜犪犫犾犲５　犜犺犲狏犪犾犻犱犪狋犻狅狀狉犲狊狌犾狋狅犳犺狔狆犲狉狊狆犲犮狋狉犪犾犲狊狋犻犿犪狋犻狅狀犿狅犱犲犾狊犳狅狉犳狉犲狊犺狔犻犲犾犱狅犳犪犾犳犪犾犳犪犻狀狋犲狊狋犱犪狋犪（狀＝１２０）
参数（狓）Ｐａｒａｍｅｔｅｒ（狓） 回归方程Ｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎ 相关系数狉 均方根误差ＲＭＳＥ（ｋｇ／ｍ２） 相对误差ＲＥ（％）
Ｄ７４６ｎｍ 犢＝０．４１３×（１．６１６×１０１５５）狓 ０．７８９ ０．５４９ ２３．１６
犢＝０．４１３×ｅ３５３．３８１狓 ０．７８９ ０．５４９ ２３．１６
Ｄ７４７ｎｍ 犢＝０．６０２×（３．０１８×１０１７２）狓 ０．８５２ ０．４６６ ２１．１４
犢＝０．６０２×ｅ２９３．５３３狓 ０．８５２ ０．４６６ ２１．１４
Ｄ７４８ｎｍ 犢＝０．７９２×（０．０１２×１０１０６）狓 ０．８３３ ０．４９０ ２２．９７
犢＝０．７９２×ｅ２４４．０８６狓 ０．８３３ ０．４９０ ２２．９７
Ｄ７５０ｎｍ 犢＝０．８０７×（２．５５７×１０１２２）狓 ０．８２４ ０．５０４ ２２．９４
犢＝０．８０７×ｅ２８１．８５４狓 ０．８２４ ０．５０４ ２２．９４
犛犇ｒ／犛犇ｂ 犢＝ｅ（１．２１４－３．５６５／狓） ０．７１４ ０．６７７ ４５．１５
犛犇ｒ／犛犚ｇ 犢＝ｅ（１．２３９－３．２５２／狓） ０．７５７ ０．６３７ ４２．７４
（犛犇ｒ－犛犚ｇ）／（犛犇ｒ＋犛犚ｇ） 犢＝０．２４２×１８．０９２狓 ０．７５６ ０．６４４ ４０．１７
犢＝０．２４２×ｅ２．８９５狓 ０．７５６ ０．６４４ ４０．１７
３　讨论与结论
本试验以１０个苜蓿品种在不同时期的冠层高光谱数据为材料，并以多种高光谱参数作为变量进行分析，统
一分析苜蓿鲜草产量的高光谱特性，并建立了可供多个苜蓿品种统一使用的鲜草产量高光谱估算模型。
对光谱进行微分处理，是在实际应用中非常有效的技术。在一定程度上，微分处理可以去除土壤和噪声等多
种背景对植被光谱的部分影响，明显消除光谱基线平移及其旋转，从而提高了光谱对植被的敏感性。马勤建
等［１５］发现，棉花冠层的一阶导数与叶面积指数及地上干物质量的相关系数要比反射光谱高得多。张凯等［９］发
现，在４５７，５５７和７２３ｎｍ处的一阶导数光谱，与甘南草地的地上鲜生物量的相关系数较高，通过了０．０１极显著
性检验水平；其中以７２３ｎｍ处一阶导数为自变量的对数回归模型的估算精度较高。本研究中，在敏感波段的一
阶导数与苜蓿鲜草产量的相关系数及回归方程的决定系数，也比光谱反射率要高一些，说明导数光谱能较好地反
映植被的生长信息。
正确选取回归曲线形式能提高模型预测精度。许多学者以线性、对数、指数、乘幂和二次型、三次型多项式等
多种回归模型对植被生物量进行估算，结果显示非线性回归模型比线性回归模型更为精准，尤以乘幂模型突出。
黄春燕等［１６］发现，在对棉花地上鲜生物量的高光谱估算模型中，以指数、乘幂和双曲线函数构建的估测模型，其
精度要比线性、对数要高，其中以指数模型的精度最高。柏军华等［１７］应用５种回归模型对棉花地上鲜生物量进
行高光谱估算的研究中，发现指数、乘幂模型比线性、二次型、对数等函数模型的决定系数要高。谭昌伟等［１８］采
用７３８ｎｍ处光谱一阶导数建立的指数回归模型，对夏玉米叶绿素密度估算精度最好。本研究以线性、对数、逆
模型、二次型、三次型多项式和复合、乘幂、Ｓ型、指数等９种回归形式，建立估算模型并加以验证，发现复合、指数
等非线性模型要优于线性模型。同时，在同类型的光谱参数中，线性模型决定系数高的参数，其二次型、三次型、
复合、乘幂、指数等非线性回归模型的决定系数通常也比较高，且通常高于线性模型，其中复合、指数最高。该结
果与前人研究结果大体相同。
在本研究的供试参数和回归模型中，以７４７ｎｍ处一阶导数为自变量的复合、指数２种形式的苜蓿产量估算
模型，其相关系数最高为狉＝０．８５２，且均方根误差为０．４６６ｋｇ／ｍ２，相对误差为２１．１４％，估算精度最高，因此该
模型可用于苜蓿鲜草产量的高光谱估算。
参考文献：
［１］　祁亚琴．基于高光谱数据提取棉花冠层特征信息的研究［Ｄ］．石河子：石河子大学，２００６．
０９ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１４） Ｖｏｌ．２３，Ｎｏ．１
［２］　马勤建．基于高光谱植被指数的棉花冠层结构参数的估算研究［Ｄ］．石河子：石河子大学，２００８．
［３］　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［Ｊ］．草业学报，２０１３，２２（１）：１５７１６６．
［４］　ＫａｗａｍｕｒａＫ，ＷａｔａｎａｂｅＮ，ＳａｋａｎｏｕｅＳ，犲狋犪犾．Ｗａｖｅｂａｎｄｓｅｌｅｃｔｉｏｎｕｓｉｎｇａｐｈａｓｅｄｒｅｇｒｅｓｓｉｏｎｗｉｔｈａｂｏｏｔｓｔｒａｐｐｒｏｃｅｄｕｒｅｆｏｒ
ｅｓｔｉｍａｔｉｎｇｌｅｇｕｍｅｃｏｎｔｅｎｔｉｎａｍｉｘｅｄｓｏｗｎｐａｓｔｕｒｅ［Ｊ］．ＧｒａｓｓｌａｎｄＳｃｉｅｎｃｅ，２０１１，５７（２）：８１９３．
［５］　ＺｈａｏＤ，ＳｔａｒｋｓＰＪ，ＢｒｏｗｎＭＡ，犲狋犪犾．Ａｓｓｅｓｓｍｅｎｔｏｆｆｏｒａｇｅｂｉｏｍａｓｓａｎｄｑｕａｌｉｔｙｐａｒａｍｅｔｅｒｓｏｆｂｅｒｍｕｄａｇｒａｓｓｕｓｉｎｇｐｒｏｘｉｍａｌ
ｓｅｎｓｉｎｇｏｆｐａｓｔｕｒｅｃａｎｏｐｙｒｅｆｌｅｃｔａｎｃｅ［Ｊ］．ＧｒａｓｓｌａｎｄＳｃｉｅｎｃｅ，２００７，５３（１）：３９４９．
［６］　ＭｕｔａｎｇａＯ，ＳｋｉｄｍｏｒｅＡＫ，ＰｒｉｎｓＨＨＴ．ＰｒｅｄｉｃｔｉｎｇｉｎｓｉｔｕｐａｓｔｕｒｅｑｕａｌｉｔｙｉｎｔｈｅＫｒｕｇｅｒＮａｔｉｏｎａｌＰａｒｋ，ＳｏｕｔｈＡｆｒｉｃａｕｓｉｎｇ
ｃｏｎｔｉｎｕｕｍｒｅｍｏｖｅｄａｂｓｏｒｐｔｉｏｎｆｅａｔｕｒｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，８９（３）：３９３４０８．
［７］　ＰｏｓｔＣＪ，ＤｅｇｌｏｒｉａＳＤ，ＣｈｅｒｎｅｙＪＨ，犲狋犪犾．Ｓｐｅｃｔｒａｌｍｅａｓｕｒｅｍｅｎｔｓｏｆａｌｆａｌｆａ／ｇｒａｓｓｆｉｅｌｄｓｒｅｌａｔｅｄｔｏｆｏｒａｇｅｐｒｏｐｅｒｔｉｅｓａｎｄｓｐｅ
ｃｉｅｓｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］．ＰｌａｎｔＮｕｔｒｉｔｉｏｎ，２００７，３０（１１）：１７７９１７８９．
［８］　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．
［９］　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．
［１０］　杨红丽，陈功，吴建付．施氮水平对多花黑麦草植株氮含量及反射光谱特征的影响［Ｊ］．草业学报，２０１１，２０（３）：２３９２４４．
［１１］　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．
［１２］　周宇庭，付刚，沈振西，等．藏北典型高寒草甸地上生物量的遥感估算模型［Ｊ］．草业学报，２０１３，２２（１）：１２０１２９．
［１３］　张艳楠，牛建明，张庆，等．植被指数在典型草原生物量遥感估测应用中的问题探讨［Ｊ］．草业学报，２０１２，２１（１）：２２９
２３８．
［１４］　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．
［１５］　马勤建，王登伟，黄春燕，等．棉花叶面积指数和地上干物质积累量的高光谱估算模型研究［Ｊ］．棉花学报，２００８，２０（３）：
２１７２２２．
［１６］　黄春燕，王登伟，曹连莆，等．棉花地上鲜生物量的高光谱估算模型研究［Ｊ］．农业工程学报，２００７，２３（３）：１３１１３５．
［１７］　柏军华，李少昆，王克如，等．基于近地高光谱棉花生物量遥感估算模型［Ｊ］．作物学报，２００７，３３（２）：３１１３１６．
［１８］　谭昌伟，王纪华，黄文江，等．夏玉米叶片全氮、叶绿素及叶面积指数的光谱响应研究［Ｊ］．西北植物学报，２００４，２４（６）：
１０４１１０４６．
犚犲狊犲犪狉犮犺狅狀狋犺犲犺狔狆犲狉狊狆犲犮狋狉犪犾狉犲犿狅狋犲狊犲狀狊犻狀犵犲狊狋犻犿犪狋犻狅狀犿狅犱犲犾狊
犳狅狉狋犺犲犳狉犲狊犺狔犻犲犾犱狅犳犪犾犳犪犾犳犪犵狉犪狊狊犾犪狀犱
ＬＶＸｉａｏｄｏｎｇ１，ＷＡＮＧＪｉａｎｇｕａｎｇ１，ＳＵＮＱｉｚｈｏｎｇ２，ＹＡＯＧｕｉｐｉｎｇ３，ＧＡＯＦｅｎｇｑｉｎ２
（１．ＣｏｌｅｇｅｏｆＥｃｏｌｏｇｙａｎｄＥｎｖｉｒｏｎｍｅｎｔ，ＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｈｏｈｈｏｔ０１００１９，Ｃｈｉｎａ；
２．ＧｒａｓｓｌａｎｄＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＳｃｉｅｎｃｅｓ，Ｈｏｈｈｏｔ０１００１０，
Ｃｈｉｎａ；３．ＣｏｌｅｇｅｏｆＳｃｉｅｎｃｅ，ＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌ
Ｕｎｉｖｅｒｓｉｔｙ，Ｈｏｈｈｏｔ０１００１９，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｉｎｔｈｅｆｉｅｌｄ，ｈｙｐｅｒｓｐｅｃｔｒａｌｄａｔａａｎｄｆｒｅｓｈｙｉｅｌｄｓｉｎｄｉｆｆｅｒｅｎｔｇｒｏｗｔｈｐｅｒｉｏｄｓｏｆ１０ａｌｆａｌｆａ（犕犲犱犻犮犪犵狅
狊犪狋犻狏犪）ｖａｒｉｅｔｉｅｓｗｅｒｅｃｏｌｅｃｔｅｄａｎｄｔｈｅｎｔｈｅｒｅｆｌｅｃｔａｎｃｅ，ｆｉｒｓｔｄｅｒｉｖａｔｉｖｅｓｐｅｃｔｒｕｍａｎｄｓｐｅｃｔｒａｌａｂｓｏｒｐｔｉｏｎｆｅａ
ｔｕｒｅｐａｒａｍｅｔｅｒｓｗｅｒｅｕｓｅｄａｓｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅｓ，ｔｏｂｕｉｌｄｕｎｉｖａｒｉａｔｅｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｓｆｏｒｅｓｔｉｍａｔｉｎｇｔｈｅ
ｆｒｅｓｈｙｉｅｌｄｏｆａｌｆａｌｆａ．Ｔｈｅｎｏｎｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎｍｏｄｅｌｓ，ｓｕｃｈａｓｑｕａｄｒａｔｉｃ，ｃｕｂｉｃ，ｃｏｍｐｏｕｎｄ，ｐｏｗｅｒ
ａｎｄｅｘｐｏｎｅｎｔｉａｌｗｅｒｅｂｅｔｔｅｒｔｈａｎｌｉｎｅａｒｍｏｄｅｌｓ．Ａｍｏｎｇｔｈｅｓｐｅｃｔｒａｌｐａｒａｍｅｔｅｒｓｏｆｔｈｅｓａｍｅｔｙｐｅ，ｔｈｅｐａｒａｍｅ
ｔｅｒｓｗｈｉｃｈｈａｄｈｉｇｈｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎｓｏｆｔｈｅｌｉｎｅａｒｍｏｄｅｌ，ａｌｗａｙｓｈａｄｈｉｇｈｅｒｃｏｅｆｆｉｃｉｅｎｔｓｏｆｄｅｔｅｒｍｉ
ｎａｔｉｏｎｏｆｑｕａｄｒａｔｉｃ，ｃｕｂｉｃ，ｃｏｍｐｏｕｎｄ，ｐｏｗｅｒａｎｄｅｘｐｏｎｅｎｔｉａｌｍｏｄｅｌｓ．Ａｍｏｎｇｔｈｅｓｅｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓ，ｔｈｅ
ｃｏｍｐｏｕｎｄａｎｄｅｘｐｏｎｅｎｔｉａｌｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｓｂａｓｅｄｏｎｔｈｅｆｉｒｓｔｄｅｒｉｖａｔｉｖｅｖａｌｕｅａｔｗａｖｅｌｅｎｇｔｈ７４７ｎｍｗａｓｔｈｅ
ｍｏｓｔａｃｃｕｒａｔｅｆｏｒｅｓｔｉｍａｔｉｎｇｔｈｅｆｒｅｓｈｙｉｅｌｄｏｆａｌｆａｌｆａ；Ｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔ（狉）ｗａｓ０．８５２，ｔｈｅｒｏｏｔｍｅａｎ
ｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ）ｗａｓ０．４６６ｋｇ／ｍ２，ａｎｄｔｈｅｒｅｌａｔｉｖｅｅｒｒｏｒ（ＲＥ）ｗａｓ２１．１４％．Ｔｈｅｍｏｄｅｌｓｃａｎｂｅｕｓｅｄｔｏ
ｅｓｔｉｍａｔｅｔｈｅｆｒｅｓｈｙｉｅｌｄｏｆｔｈｅ１０ａｌｆａｌｆａｖａｒｉｅｔｉｅｓ．
犓犲狔狑狅狉犱狊：ａｌｆａｌｆａ；ｖａｒｉｅｔｙ；ｆｒｅｓｈｙｉｅｌｄ；ｈｙｐｅｒｓｐｅｃｔｒａｌｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ
１９第２３卷第１期 草业学报２０１４年