全 文 ：第 50 卷 第 4 期
2 0 1 4 年 4 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 50，No. 4
Apr．，2 0 1 4
doi: 10．11707 / j．1001-7488．20140408
收稿日期: 2013 － 04 － 24; 修回日期: 2013 － 06 － 13。
基金项目: 国家林业公益性行业科研专项(201004039)。
* 陈存根为通讯作者。
基于高光谱参数的枫杨叶绿素含量估算模型优化*
李文敏1，2 魏 虹3 李昌晓3 陈存根1，2
(1．西北农林科技大学林学院 杨凌 712100; 2. 西北农林科技大学理学院 杨凌 712100; 3．西南大学生命科学学院 重庆 400715)
摘 要: 采用 ASD Fieldspec 光谱仪测定不同土壤水分条件下枫杨叶片高光谱反射率，并给出对应的枫杨叶绿素
含量。研究不同土壤水分条件下枫杨幼苗叶片叶绿素含量的变化规律; 综合分析 9 个常见光谱植被指数与枫杨叶
片叶绿素含量的相关性与回归方程，利用主成分分析对光谱数据进行降维，将得到的主成分得分作为 BP 人工神
经网络模型的输入变量进行枫杨叶片叶绿素含量的估算。结果表明: 不同水分处理均显著影响枫杨幼苗叶绿素含
量。在所列举的 9 个常用植被指数中，VOG1 植被指数与叶绿素含量的关系最密切，相关系数 Ｒ 达到 0. 865。用主
成分分析 － BP 神经网络模型进行叶绿素含量的估算，预测值与实测值之间的线性回归的相关系数 Ｒ = 0. 934，是
一种良好的植被叶绿素含量高光谱估算模式。
关键词: 高光谱; 叶绿素含量; 敏感光谱指数; 主成分分析; BP 神经网络
中图分类号: S718. 43 文献标识码: A 文章编号: 1001 － 7488(2014)04 － 0055 － 05
Optimization of a Model for Estimating Pterocarya stenoptera
Chlorophyll Concentration with Hyperspectral Parameters
Li Wenmin1，2 Wei Hong3 Li Changxiao3 Chen Cungen1，2
(1 ． College of Forestry，Northwest A＆F University Yangling 712100; 2. College of Science，Northwest A＆F University Yangling 712100;
3 ． School of Life Science，Southwest University Chongqing 400715)
Abstract: In this study，hyperspectral reflectance of Pterocarya stenoptera leaves was measured with an ASD portable
spectrometer under different soil water condition． The corresponding chlorophyll concentration was a lso measured． The
effects of soil water condition on chlorophyll concentration of P． stenoptera are discussed． In order to estimate chlorophyll
content and establish the best estimation model，，and the corresponding correlation coefficient and regression equation
between 9 hyperspectral indices and chlorophyll concentration were established． The principal component analysis (PCA)
was used to reduce the dimensions of data，while maintaining the data characteristic effectively． The principal component
scores were used as the input variable of ANN-BP to estimate chlorophyll concentration． The results showed that different
water treatments significantly affected the chlorophyll content of P． stenoptera seedlings． VOG1 had the closest relation to
chlorophyll concentration out of the nine hyperspectral indices in this article and the corresponding correlation coefficient
was 0． 865． The ANN-BP based on PCA containing more band information was used to estimate chlorophyll content，and
the correlation coefficient between the predicted and the measured P． stenoptera chlorophyll content was 0． 934． Thus，the
ANN-BP based on PCA in this article is a good method to be applied to hyperspectral data for estimating P． stenoptera
chlorophyll concentration．
Key words: hyperspectrum; chlorophyll concentration; hyperspectral indexes; PCA ; ANN-BP
举世瞩目的三峡大坝建成以后，对原有植被和
物种的生存环境产生了极大的影响; 同时，季节性
的裸露和淹没、流水的反复冲刷、人类的频繁活动使
三峡库区消落带成为生态脆弱区，严重影响三峡库
区的安全、健康和可持续发展。研究表明筛选适生
树种进行生态修复是一种行之有效的方式 (王勇
等，2005)，其中乡土树种在维持库区的生态环境、
确保库岸生态系统生态功能的正常发挥等方面具有
重要意义。作为我国亚热带地区的乡土树种———枫
杨(Pterocarya stenoptera)是胡桃科( Juglandaceae)枫
林 业 科 学 50 卷
杨属(Pterocarya)落叶速生乔木(彭镇华，2005)，常
见于河岸带和消落带(徐有明等，2002)。有研究表
明枫杨能够耐受较长时间的水淹胁迫，可以作为三
峡库区库岸修复的备选物种(贾中民等，2009)，因
此，研究枫杨在水淹胁迫下的生理特性及生长状况
具有重要的理论和实践意义。由于叶绿素含量是光
合作用能力和植被发育阶段(特别是衰老阶段)的
指示剂(Minolta，1989)，同时也是反映植物生理功
能、受害程度和其他矿质营养的重要指标( Strachan
et al．，2002)。为了解枫杨在不同水分下的适应性，
开展其在水淹胁迫下叶绿素含量的研究显得十分
必要。
与传统的色素分析法需要破坏性取样，且在时
间上和空间上难以满足实时、快速、无损、精确诊断
的要求相比，近年来发展起来的高光谱遥感技术，可
以实时、快速、无损地从叶片水平、群体水平以及生
态系统等多个层面研究植物在各种环境条件下的生
理生态变化，因而在植被研究方面具有巨大的应用
价值和广阔的发展前景(杨哲海等，2003)，不少学
者还开展了利用高光谱遥感进行树木叶片叶绿素含
量估算的研究(刘秀英等，2011; 张永贺等，2013;
宋晓东等，2008; 伍南等，2008)。大量研究表明，
植被的生物物理、化学参数与光谱反射率之间的关
系基本上是非线性的，而神经网络对非线性问题的
拟合有着无可比拟的优势(Kokaly et al．，1999)，因
此有部分研究者开始把神经网络引入到高光谱数据
分析的叶绿素估算(Combal et al．，2003; Gong et al．，
1999; 宋开山等，2006)中来。
目前对于枫杨的研究主要集中于其木材解剖学
特征、水淹对枫杨生理生态的影响以及在水淹胁迫下
枫杨叶片的高光谱反射率变化等方面(汪佑宏等，
2003; 王振夏等，2013; 吕茜等，2010; 衣英华等，
2006; 谢小红等，2011)，而对于在水淹胁迫下利用高
光谱数据对枫杨幼苗叶片叶绿素含量估算的研究至
今尚未见报道。本文应用主成分分析 － BP 神经网络
模型反演枫杨叶绿素含量，并对比研究不同植被指
数构建的回归模型与主成分分析 － BP 神经网络模型
在反演枫杨叶绿素含量变化的精度，以相关系数和
模型预测值与实测值的均方根误差(ＲMSE)作为模
型的评价标准来寻找最优反演模型。
1 材料与方法
1. 1 材料和地点
试验地点位于西南大学三峡库区生态环境教育
部重点实验室试验基地(海拔 249 m)，2010 年 3 月
播种，2010 年 6 月选取长势一致的 80 株幼苗移栽
入盆，每盆 1 株，进行常规田间管理，2010 年 7 月
23 日，选取 65 盆长势一致的枫杨进行水分处理。
1. 2 试验设计
将试验用苗随机分为 3 组，即对照组 CK(不进
行水淹，但保证正常供水)、T1(根部水淹 － 干旱)、
T2(根部水淹)。CK 组保持常规管理，根部水淹处
理为淹水至土壤表面 5 cm。干旱处理通过 Wescor
水势仪对植株叶片进行检 测 (叶水 势位 置在
－ 0. 5 MPa)，并及时补充水分。试验从 2010 年 7 月
23 日开始，取样时间分别为 0，12，24，36，48 天，试
验处理开始时取 5 株用于 0 天测量，以后每组每次
取 5 株用于测量，每组重复测量 5 次。
1. 3 叶片反射光谱的测定
采用便携式光谱仪 FieldSpec 3 Hi-Ｒes，在 350 ～
2 500 nm波长范围内进行连续测量，350 ～ 1 100 nm
采样间隔为 1. 4 nm，1 000 ～ 2 500 nm 采样间隔为
2 nm。350 ～ 1 100 nm 光谱分辨率为 3 nm，1 000 ～ 1
900 nm 光谱分辨率为 8. 5 nm，1 700 ～ 2 500 nm光谱
分辨率为 6. 5 nm。利用叶片夹持器固定叶片，使用植
被探头测定叶片光谱，每一植株选择顶端完全展开的
3 片叶进行测量，每一植株重复测量 10 次，以其平均
值作为该植株叶片反射率，每一处理重复 5 次。
1. 4 叶片叶绿素含量的测定
采用浸提法(高俊凤，2006)，对每一植株选择
顶端完全展开的 3 片叶用岛津 2550 分光光度计测
定浸 提 液 的浓 度，再 依据 公式 将其 转 为 含 量
(mg·g － 1)，每一处理重复 5 次。
1. 5 光谱指数
依据目前文献中比较能反映植物叶绿素含量的
光谱指数，列举常见的光谱指数(表 1)。
1. 6 主成分分析 － BP 神经网络法
BP 神经网络是最具代表性、使用最多、应用最
广、发展最迅速的误差反向传播多层前馈式网络
(back-propagation network，简称 BP 网络)，80% ～
90% 的模型都采用这种网络或它的变化形式(朱瑜
馨等，2005)。在应用 BP 神经网络时，若将光谱仪
生成的成百上千个采样数据直接输入 BP 神经网，
即使建一个只含 3 层结点的网，其计算量之大目前
微机难以承受，而且这样建成的模型会对输出产生
“过拟合”，其预测的适应能力反而大大下降。如果
舍弃其中一些因素，势必会造成某些有用信息的丢
失。而主成分分析是利用降维思路，把多指标转化
为少数几个综合指标的一种常用分析方法，既保留
数据原有的绝大部分信息，又大大降低了数据的维
65
第 4 期 李文敏等: 基于高光谱参数的枫杨叶绿素含量估算模型优化
数。因此，利用主成分分析法把所取得的高光谱数
据进行降维，在保留有效的数据信息的条件下，以所
得主成分的得分作为 BP 神经网络的输入数据，这
样既保留了原有的信息，又大大降低了 BP 神经网
络输入数据的维数。本文中以 65 株枫杨幼苗为研
究对象，利用便携式光谱仪 FieldSpec 3 Hi-Ｒes 采集
得到 64 组有效高光谱数据，其中对照组 25 组、根部
水淹 －干旱组 20 组、根部水淹组 19 组。
表 1 常用的叶绿素敏感高光谱指数
Tab． 1 Hyperspectral indices for estimating leaf chlorophyll concentrations
光谱指数 Spectral indices 计算公式 Algorithm formula 参考文献 Ｒeference
PSSＲa Ｒ800 /Ｒ680 Blackburn et al．，1998
PSSＲb Ｒ800 /Ｒ635 Blackburn et al．，1998
ND705 (Ｒ750 － Ｒ705 ) /(Ｒ750 + Ｒ705 ) Gitelson et al．，1996b
GNDVI (Ｒ750 － Ｒ550 ) /(Ｒ750 + Ｒ550 ) Gitelson et al．，1996a
NPCI (Ｒ680 － Ｒ430 ) /(Ｒ680 + Ｒ430 ) Peuelas et al．，1994
SＲPI Ｒ430 /Ｒ680 Peuelas et al．，1995
GM1 Ｒ750 /Ｒ550 Gitelson et al．，1997
VOG1 Ｒ740 / Ｒ705 Vogelmann et al．，1993
VOG2 (Ｒ734 － Ｒ747 ) /(Ｒ715 + Ｒ726 ) Zarco-Tejada et al．，2001
2 结果与分析
2. 1 土壤水分处理对叶片叶绿素含量的影响
由表 2 可知，随着处理时间的延长，T1，T2 组叶
绿素含量均显著低于对照。T1 组叶绿素含量先下
降后上升，在 24 天呈最低值 1. 93 mg·g － 1，仅为对照
的 67. 48%，在 48 天达最大值 2. 21 mg·g － 1; T2 组
的变化趋势与 T1 组一致，在 24 天呈最低值 2. 07
mg·g － 1，仅为对照的 72. 38%。这可能是植物受到
水淹胁迫后，各种生理过程受到干扰，造成膜系统
结构破坏、有害代谢产物积累、蛋白质合成下降等后
果，直接或间接地影响了叶绿素的含量。
表 2 不同土壤水分处理下枫杨叶片叶绿素总浓度的动态变化(平均值 ±标准误)
Tab． 2 Change of total chlorophyll concentration under different flooding-depths (mean ± SE) mg·g － 1
处理 Treatment
处理时间 Time / d
0 12 24 36 48
CK 2. 19 ± 0. 03 2. 74 ± 0. 10 2. 86 ± 0. 15 2. 85 ± 0. 05 2. 86 ± 0. 04
T1 2. 19 ± 0. 03 2. 08 ± 0. 08 1. 93 ± 0. 17 1. 98 ± 0. 08 2. 21 ± 0. 11
T2 2. 19 ± 0. 03 2. 08 ± 0. 01 2. 07 ± 0. 05 2. 09 ± 0. 04 2. 17 ± 0. 05
2. 2 枫杨叶片叶绿素含量的高光谱估算模型
以表 1 所列举的常用叶绿素敏感光谱指数为自
变量，枫杨叶片叶绿素含量为因变量，进行一元线性
回归，所得的结果如表 3 所示。
表 3 枫杨的叶片叶绿素含量( y)与光谱参数(x)的回归分析(n = 64)
Tab． 3 The regression analysis between the hyperspectral indices and chlorophyll in leaves of P． stenoptera(n = 64)
光谱指数
Spectral indices
线性回归模型 Linear regression model
回归方程
Ｒegression equations
相关系数
Correlation coefficient Ｒ 均方根误差
ＲMSE
PSSＲa y = 0. 215x + 0. 565 0. 530 0. 077 3
PSSＲb y = 0. 389x + 0. 262 0. 834 0. 052 2
ND705 y = 8. 081x － 0. 386 0. 841 0. 048 6
GNDVI y = 8. 045x － 1. 099 0. 761 0. 072 3
NPCI y = － 5. 602x + 2. 694 － 0. 344 0. 095 1
SＲPI y = 3. 152x － 0. 450 0. 383 0. 085 8
GM1 y = 1. 189x － 0. 661 0. 781 0. 064 8
VOG1 y = 1. 820x － 1. 252 0. 865 0. 041 8
VOG2 y = － 44. 251x + 0. 784 － 0. 854 0. 043 3
以回归模型的相关系数(Ｒ)和预测值与实测值
的均方根误差(ＲMSE)作为模型的评价标准。从表
3 可知，以 VOG1 为自变量所得的回归模型的相关
系数在这 9 个叶绿素敏感光谱指数中最大，为
0. 865，而相应的均方根误差为 0. 041 8，低于其余叶
绿素敏感光谱指数的均方根误差。因此，以 VOG1
75
林 业 科 学 50 卷
为自变量所得的回归模型来预测枫杨叶片叶绿素含
量的效果为最好。
2. 3 基于主成分分析 － BP 神经网络的叶绿素含量
估算
在本研究中，利用 Matlab 7. 01 对原始光谱350 ～
2 500 nm 数据进行主成分分析，提取 λ ＞ 1 的作为
主成分，共 12 个，累积贡献率达到 99. 70%。具体
的贡献率见表 4，同时也给出相应主成分载荷矩阵
(表 5 )，进而求出每个样本各个主成分得分
(表 6)。
表 4 主成分的贡献率
Tab． 4 Contribution rate of the principal component
主成分 Principal components 贡献率 Contribution rate(% ) 累计贡献率 Cumulative contribution rate(% )
主成分 1 Principal component 1 70. 00 70. 00
主成分 2 Principal component 2 18. 95 88. 95
主成分 3 Principal component 3 6. 84 95. 79
  
主成分 12 Principal component 12 0. 05 99. 70
表 5 主成分载荷矩阵
Tab. 5 Loading matrix of principal component
变量 Variables x1 x2 x3 x4 … x2 150 x2 151
主成分 1 Principal component 1 0. 511 1 0. 474 9 0. 501 9 0. 532 4 … 0. 687 1 0. 683 3
主成分 2 Principal component 2 0. 570 3 0. 582 3 0. 569 8 0. 612 4 … 0. 574 8 0. 576 2
主成分 3 Principal component 3 － 0. 131 7 － 0. 183 9 － 0. 209 6 － 0. 180 5 … 0. 253 2 0. 259 7
       
主成分 12 Principal component 12 0. 136 4 0. 040 7 － 0. 056 9 0. 190 1 … 0. 027 1 0. 028 6
表 6 主成分得分矩阵
Tab. 6 Score matrix of principal component
样本 Samples S S1 S2 S3 S4 … S63 S64
因子 1Factor 1 25. 642 2 26. 972 2 26. 890 1 28. 024 8 … 24. 132 5 25. 405 7
因子 2 Factor 2 9. 542 5 4. 868 4 5. 553 3 4. 695 0 … 4. 222 6 4. 771 2
因子 3 Factor 3 － 2. 326 3 － 1. 261 3 － 1. 407 6 － 0. 975 7 … － 1. 802 9 － 1. 301 6
       
因子 12 Factor 12 0. 009 6 0. 001 6 0. 002 0 0. 001 9 … 0. 007 9 0. 002 1
本研究的 BP 神经网络由 Matlab 的 Neural
Net2work Toolbox 提供，网络共有 3 层，依次为输入
层、隐含层和输出层。将主成分得分(表 6) 作为神
经网络的输入层神经元，以相对应样本叶绿素含量
为输出层神经元。根据 Kolmogorov 定理，本研究设
定网络的中间层神经元个数为 11。隐含层的激活
函数为 tansig，输出层为 purelin，网络的训练函数为
traingd，网络的学习函数 learngdm，网络的性能函数
采用均方根误差性能函数 rmse。
在所得到的 64 个枫杨在水淹胁迫下的叶绿素
数据中随机选取 40 个数据作为 BP 神经网络训练
样本的学习目标，将训练样本的主成分得分作为 BP
神经网络的输入数据，设置网络学习的精度为
0. 001，最大迭代次数为 1 000。当网络训练完毕后，
将所有样本的光谱数据作为输入矢量，进行模拟所
得的预测值与实测值进行拟合，其结果如图 1 所示。
由图 1 可知，用主成分分析 － BP 神经网络方法
来拟合枫杨的叶绿素含量时，其预测值与实测值的
一元线性回归模型的相关系数为 0. 934，其均方根
误差为 0. 022 9。
3 结论
本文研究了在水淹胁迫下枫杨幼苗叶片叶绿素
含量的估算模型，通过对 9 个叶绿素敏感光谱指数
的回归分析和基于主成分分析 － BP 神经网络模拟，
得出以下结论。
1) 在所列举的 9 个常用叶绿素敏感光谱指数
中，VOG1 指数与枫杨幼苗叶绿素含量的线性回归
模型最好，其相关系数达到 0. 865。所以在应用光
谱敏感指数对枫杨幼苗的叶绿素含量进行反演时，
应优先考虑这个叶绿素敏感光谱指数。
2) 将主成分分析 － BP 神经网络应用到枫杨幼
苗的叶绿素含量反演中，预测值与实测值之间的线
性回归的相关系数为 0. 934，预测值与实测值均方
根误差为 0. 022 9。相比较前面用叶绿素敏感光谱
指数所得回归模型的结果，无论是回归的相关系数
还是在所得预测值与实测值的均方根误差都是最好
的，预测精度大大提高，达到了理想的效果。
85
第 4 期 李文敏等: 基于高光谱参数的枫杨叶绿素含量估算模型优化
图 1 枫杨幼苗叶片的叶绿素 BP 神经网络的
模拟值与实测值的效果
Fig． 1 Ｒenderings of the simulation values by BP neural
network and measured values of chlorophyll
实线表示实测值和模拟值完全一致时的直线。The solid line stands
for straight line when simulation values of chlorophyll is in accord with
the corresponding measured values．虚线表示测值与利用本文的方法
得出的预测值的拟合直线。 The dotted line stands for fitting line
between measured values and simulation values．圆圈表示实测值与利
用本文的方法得出的预测值的拟合效果。 The circles stands for
fitting effect between measured values and simulation values．
参 考 文 献
高俊凤 ． 2006．植物生理学实验指导 ． 北京: 高等教育出版社，74 －
77．
贾中民，魏 虹，田晓峰，等 ． 2009． 长期水淹对枫杨幼苗光合生理和
叶绿素荧光持性的影响 ． 西南大学学报:自然科学版，31 (5 ) :
124 － 129．
吕 茜，魏 虹，李昌晓 ． 2010．土壤水分条件对枫杨幼苗光合生理的
影响 ．西南大学学报，32(3) : 116 － 123．
刘秀英，熊建利，林 辉 ． 2011．基于高光谱特征参数的樟树叶绿素
含量的估算模型研究 ． 广东农业科学，(5) : 1 － 4．
彭镇华 ． 2005．中国长江三峡植物大全 (上卷) ． 北京: 科学出版社，
861．
宋开山，张 柏，王宗明，等 ． 2006． 大豆叶绿素含量高光谱反演模
型研究 ． 农业工程学报，22(8) : 16 － 21．
宋晓东，江 洪，余树全，等 ． 2008． 亚热带典型常绿阔叶树种叶片叶
绿素含量与其高光谱特征间的关系 ．生态学报，28(5) : 1959 －
1963．
汪佑宏，曹仁忠，徐 斌，等 ． 2003． 水淹程度对滩地枫杨主要力学性
质的影响 ．安徽农业大学学报，31(2) : 168 － 172．
王 勇，刘义飞，刘松柏，等 ． 2005．三峡库区消涨带植被重建 ．植物学
通报，22(5) :513 － 522．
王振夏，魏 虹，吕 茜，等 ． 2013． 枫杨幼苗对土壤水分“湿 － 干”
交替变化的光合及叶绿素荧光响应 ． 生态学报，33(3) : 888 －
897．
伍 南，刘君昂，闫瑞坤 ． 2012． 利用光谱特征参数估算病害胁迫下
杉木叶绿素含量 ．植物保护，38(4) : 72 － 76．
谢小红，魏 虹，李昌晓，等 ． 2011． 水淹胁迫下枫杨 ( Pterocarya
stenoptera C． DC． )幼苗叶片高光谱特征的研究 ． 西南大学学报:
自然科学版，33(4) : 93 － 98．
徐有明，邹明宏，史玉虎，等 ． 2002． 枫杨的生物学特性及其资源利用
的研究进展 ．东北林业大学学报，30(3) : 42 － 48．
杨哲海，韩建锋，宫大鹏，等 ． 2003．高光谱遥感技术的发展与应用 ． 海
洋测绘，23(6) : 55 － 81．
衣英华，樊大勇，谢宗强，等 ． 2006． 模拟淹水对枫杨和栓皮栎气体交
换、叶绿素荧光和水势的影响 ． 植物生态学报，30 ( 6 ) : 960 －
968．
张永贺，陈文惠，郭乔影，等 ． 2013．桉树叶片光合色素含量高光谱估
算模型 ． 生态学报，33(3) : 876 － 887．
朱瑜馨，张锦宗，赵 军 ． 2005．基于人工神经网络的森林资源预测
模型研究 ． 干旱区资源与环境，19(1) : 101 － 104．
Blackburn G A． 1998． Quantifying chlorophylls and carotenoids at leaf
and canopy scales: An evaluation of some hyperspectral approaches．
Ｒemote Sensing of Environment，66(3) : 273 － 285．
Combal B， Baret F， Weiss M， et al． 2003． Ｒetrieval of canopy
biophysical variables from bi-directional reflectance: using prior
information to solve the ill-posed inverse problem． Ｒemote Sensing
of Environment，84(1) : 1 － 15．
Gitelson A A，Kaufman Y J，Merzlyak M N． 1996a． Use of a green
channel in remote sensing of global vegetation from EOS-MODIS．
Ｒemote Sensing of Environment，58(3) : 289 － 298．
Gitelson A A， Merzlyak M N． 1996b． Signature analysis of leaf
reflectance spectra: Algorithm development for remote sensing．
Journal of Plant Physiology． 148(3 /4) : 494 － 500．
Gitelson A A，Merzlyak M N． 1997． Ｒemote estimation of chlorophyll
content in higher plant leaves． Internal Journal of Ｒemote Sensing，
18(12) : 2691 － 2697．
Gong P，Wang，D X，Liang S． 1999． Inverting a canopy reflectance
model suing a neural network． International Journal of Ｒemote
Sensing，20(1) : 111 － 122．
Kokaly Ｒ F，Clark Ｒ N． 1999． Spectroscopic determination of leaf
biochemistry using band-depth analysis of absorption features and
stepwise multiple linear regression． Ｒemote Sensing of Environment，
67(3) : 267 － 287．
Minolta C． 1989． Chlorophyll SPAD-502 instruction manual． Osaka，
Japan: Ｒadiometric Instruments Operation，17 － 21．
Peuelas J，Filella I，Lloret P，et al． 1995． Ｒeflectance assessment of
mite effects on apple trees． International Journal of Ｒemote Sensing，
16(14) : 2727 － 2733．
Peuelas J，Gamon J，Fredeen A L，et al． 1994． Ｒeflectance indices
associated with physiological changes in nitrogen and water-limited
sunflower leaves． Ｒemote Sensing of Environment，48 (2) : 135 －
146．
Strachan I B，Pattey P，Boisvert J B． 2002． Impact of nitrogen and
environmental conditions on corn as detected by hyper spectral
reflectance． Ｒemote Sensing of Environment，80(2) : 213 － 224．
Vogelmann J E，Ｒock B N，Moss D M． 1993． Ｒed-edge spectral
measurement from sugar maple leaves． Internal Journal of Ｒemote
Sensing，14(8) : 1563 － 1575．
Zarco-Tejada P J，Miller J Ｒ，Noland T L，et al． 2001． Scaling-up and
model inversion methods with narrow-band optical indices for
chlorophyll content estimation in closed forest canopies with
hyperspectral data． IEEE Transactions on Geoscience and Ｒemote
Sensing，39(7) : 1491 － 1507．
(责任编辑 王艳娜 郭广荣)
95