全 文 ：第20卷 第4期
Vol.20 No.4
草 地 学 报
ACTA AGRESTIA SINICA
2012年 7月
Jul. 2012
基于高光谱数据的高羊茅SPAD快速估测研究
华 开,张学霞*,樊登星,陈 斌
(北京林业大学水土保持学院,北京 100083)
摘要:以不同生存环境下抽穗期的高羊茅(FestucaarundinaceaSchreb.)为材料,测定叶片的光谱反射率和SPAD
(soilplantanalysisdevelopment,土壤-植物分析模式)值,采用相关、回归等多元统计方法分析叶片的SPAD值与
光谱数据之间的关系;从光谱数据中提取红边参数、植被指数和微分光谱分别与SPAD值进行分析。结果表明:红
边位置、NDVI和695~715nm之间的平均微分光谱数据与SPAD 值均具有很好的相关性,相关系数分别为
0.906,0.842和0.826,建立的一元线性回归模型确定系数分别为0.820,0.709和0.681。高羊茅叶片的光谱特征
与叶片中色素含量和叶肉细胞的结构密切相关,与其生存的环境条件无关;红边位置、NDVI和微分光谱均可以较好
的反演SPAD值。相比而言,红边位置预测高羊茅叶片的SPAD值最为精确,NDVI次之,微分光谱最差。试验结果
为利用高光谱遥感信息反演高羊茅抽穗期的叶绿素含量,进而分析其光合作用能力、碳代谢能力提供了理论依据。
关键词:高羊茅;SPAD值;红边位置;NDVI;微分光谱
中图分类号:Q945.11;S543 文献标识码:A 文章编号:1007-0435(2012)04-0699-06
RapidMethodtoEstimateTalFescueSPADvalueUsingHyperspectralData
HUAKai,ZHANGXue-xia*,FANDeng-xing,CHENBin
(ColegeofSoilandWaterConservation,BeijingForestryUniversity,Beijing100083,China)
Abstract:Talfescueplants(FestucaarundinaceaSchreb.)underdifferentgrowthconditionswereusedas
theexperimentmaterial.Initialy,spectralreflectionindicesofleavesandSPAD (SoilPlantAnalysisDe-
velopment)valueweremeasured.Next,therelationshipbetweenSPADvalueandspectraldatawereana-
lyzedusingmultivariatestatisticalmethodssuchascorrelationsandregressions.Finaly,therelationship
betweentherededgeparameters,vegetationindex,derivativespectraextractedfromspectraldataand
SPADvaluewereanalyzed.Resultsshowedthatthreespectralindicesoftherededgeposition,NDVI,
andtheaveragederivativespectraldataof695~715nm,hadafavorablecorrelationwithSPADvalueand
thecorrelationcoefficientswere0.906,0.842and0.826.Determinationcoefficientsofestablishinglinear
regressionmodelwere0.820,0.709and0.681,respectively.Thespectralcharacteristicsoftalfescue
leaveshadclosecorrelationtopigmentcontentsofleavesandthestructureofmesophylcels,butwerein-
dependenttogrowthenvironment.SPADvaluecouldbegoodinvertedbyrededgeposition,NDVIand
derivativespectra.TheedgepositionmostaccuratelyestimatedSPADvalueoftalfescueleaf,nextwas
NDVIindex,leastisthederivativespectraindex.Resultsprovidedatheoreticalbasisforinvertingchloro-
phylinformationoftalfescuegrowthperiodusinghyperspectralremotesensingtechnologywhileanaly-
zingphotosynthesisandcarbonmetabolismability.
Keywords:Talfescue;SPADvalue;Rededgeposition;NDVI;Derivativespectra
叶绿素是绿色植物进行光合作用的重要工具,
其含量的高低表明了植物的生长状况,因此,叶绿素
含量可以作为植物光合速率、营养胁迫和植物长势
的良好指示剂[1],实时监测植物叶片中叶绿素含量
的动态变化是长势监测的重要环节[2]。传统测量方
法包括分光光度计和活体叶绿素仪2大类,传统测
量方法虽然准确,但是费时费力,而且测量的样本量
也非常有限,此外,野外采样时样本的保存和运输也
存在一定的困难。遥感技术具有大面积同步进行、
无破坏性采样、快速、及时等特点,可以解决叶绿素
收稿日期:2012-03-16;修回日期:2012-05-20
基金项目:国家“973”计划项目(2010CB951101)(2012CB955403)资助
作者简介:华开 (1988-),男,江西赣州人,硕士研究生,研究方向为GIS应用,E-mail:hk0621@163.com;*通信作者Authorforcorrespon-
dence,E-mail:xuexiazh@yeah.net
草 地 学 报 第20卷
含量大面积快速测定的问题。近年快速发展的高光
谱遥感具有光谱分辨率高、波段连续性强、光谱信息
精细等特点,这为定量分析植株叶绿素含量与光谱
特征之间的关系提供了强有力的工具,在农业、林业
等行业中具有广阔的应用前景。
定量化的高光谱数据主要有“红边”参数、植被指
数和微分光谱等参量。“红边”是由于绿色植物在红
光波段叶绿素对太阳辐射强烈的吸收,而在近红外波
段受叶内细胞结构影响发生多次散射形成的,它是绿
色植物光谱特征的显著标志之一。在定量遥感中经
常用光谱微分技术寻求诸如红边位置、红边幅值、红
边峰值面积等“红边”参数来描述红边特征。刘伟东
等[3]用微分技术、单相关分析和逐步回归方法研究表
明,红边位置与叶绿素含量有相关性而红边幅值与植
物的叶面积指数(LAI)有关;谢晓金等[4]研究发现,
水稻(Oryzasativa)的叶绿素含量与红边位置具有显
著的正相关关系。姚付启等[5]研究表明,法国梧桐
(Platanusorientalis)和毛白杨(Populustomentosa)的
叶绿素含量与归一化植被指数(NDVI,normalized
diferencevegetationindex)显著正相关;郑飞等[6]研
究显示,小麦(Triticumaestivum)不同时期的SPAD
值与对应时期的NDVI之间均有极显著的相关性。
裘正军等[7]研究发现,油菜(Brassicacampestris)叶片
在684nm处的一阶微分光谱的线性回归模型可以很
好的预测其SPAD值。以往的研究主要致力于建立
叶绿素含量和宽波段植被指数的简单关系[8]。目前,
利用高光谱遥感数据研究植物的叶绿素状况主要集
中在玉米(Zeamays)[9]、小麦[10]、水稻[11]等作物上,
传统对高羊茅(Festucaarundinacea)的研究主要是用
生化方法进行[12],用遥感技术对高羊茅的研究主要
集中在草坪质量评价方面[13],对叶绿素含量定量化
的研究相对比较少。
叶绿素含量随植物的生长发育而发生动态的变
化,其含量的高低决定了植物光合作用的能力。相关
研究表明,抽穗期是植物光合作用最为旺盛,也是叶
绿素含量最高的时期。这是因为抽穗期标志着植物
由营养生长转向生殖生长,也是营养生长和生殖生长
旺盛的并进阶段。该生长阶段是决定生物量最为关
键的时期,也是一生中生长发育最快,对水分、养分、
温度、光照、CO2等变化最为敏感的时期。由于在自
然环境中CO2浓度、光照、温度和湿度等指标的变化
非常缓慢,基于多种生存环境的分析无法进行。本试
验为了有效控制高羊茅的生存环境条件,选择在植物
培养箱内进行。基于以上原因,本研究选取不同生存
条件下抽穗期的高羊茅作为研究对象,分析其光谱特
征,进而分析高羊茅叶片光谱与其SPAD值之间的
关系,为大面积高羊茅叶片叶绿素含量遥感快速监
测、精准施肥等草坪管理措施提供理论依据。
1 材料与方法
1.1 试验材料与条件
本试验在培养箱内进行,培养箱可控制CO2 浓
度、光照、温度和湿度等条件。采用盆栽法种植高羊
茅,品种均为爱瑞3号。设置2个CO2 浓度梯度和
3个水分梯度正交,CO2 浓度分别为A:390ppm和
B:700ppm,土壤水分分别设置如下:①T1:土壤含
水量为田间持水量的70%~85%;②T2:土壤含水
量为田间持水量的55%~70%;③T3:土壤含水量
为田间持水量的40%~55%;当土壤含水量降到设
定的灌水下限时开始灌水至灌水上限时为止。每盆
种植10株,管理条件均一致。
1.2 数据获取
试验数据于高羊茅的抽穗期采集。试验主要采集
高羊茅叶片光谱反射率和叶片的SPAD值等数据。
叶片的光谱反射率:采用北京爱万提斯科技有
限公司生产的AvaFiled-1便携式光谱仪,波段范围
为200~1100nm,光谱采样间隔为0.6nm,光谱分
辨率为2.4nm,传感器探头视场角为25°。光谱的
测定选择在北京时间10:00-14:00、天气晴朗并且
无云无风时进行。测量时传感器探头垂直向下,保
证探头的视野范围全部落在叶片上并且视野范围全
部处于太阳照射下,每次测定扫描3次。为了减少
误差,对每个叶片测量3次,取其平均值作为该叶片
的光谱反射率。为了得到无量纲的光谱反射率,每
次测量前均用标准白板进行校正。
叶片的SPAD 值:叶片SPAD 值的测定与光
谱测量同步进行,利用日本美能达公司生产的手持
式SPAD-502叶绿素仪测量高羊茅叶片的SPAD
值。为了减少测量误差,每株测定(避开叶脉)5次,
然后取其平均值作为该叶片的SPAD值。
1.3 数据处理
鉴于光谱仪在测量的波段范围内的两端有比较
大的噪声,并且叶绿素主要在可见光波段内影响植
物的光谱特征,所以选择400~1000nm作为本次
研究的波段。由于随机噪声的频率一般都比较高,
007
第4期 华开等:基于高光谱数据的高羊茅SPAD快速估测研究
如果对采集的光谱直接进行微分可能会进一步放大
噪声使得信噪比变大。为了消除部分光谱噪声,采
用Savitzky-Golay卷积平滑法对获得的光谱数据进
行平滑处理,平滑窗口设为3,该数据处理在 Ava-
Viewer软件中完成。光谱数据和SPAD 数据的相
关分析、回归统计分析在Excel2003、Origin8.0和
SPSS18.0等软件中进行。
表1 叶绿素含量的统计参数
Table1 Statisticparametersofchlorophylcontent
样本数 Numberofsample 最小值 Minimum 最大值 Maximum 平均值 Mean 标准差Standarddeviation
SPAD 51 33.66 63.64 51.60 7.42
2 结果与分析
2.1 高羊茅叶片的光谱特性
图1所示为在不同生长环境下采集的高羊茅叶
片的光谱反射率曲线。图中的光谱反射率呈现出了
典型的绿色植物的光谱特征[14]。在600~700nm
的红光波段,由于色素强烈吸收太阳辐射进行光合
作用而形成反射谷,用“红谷”表示;在近红外波段受
到细胞结构的影响在叶片内发生多次散射,然后在
700nm左右,反射率突然急剧上升,800nm左右之
后形成一个反射峰。反射率从“红谷”到近红外高反
射平台之间的变化可用“红边”来表示[15]。
图1 高羊茅叶片的可见/近红外光谱
Fig.1 Vis/NIRspectraoftalfescueleaves
叶片的光谱特征与叶片中色素含量和叶肉细胞
的结构密切相关。叶片中色素含量,尤其叶绿素(叶
绿素a和叶绿素b)和类胡萝卜素(胡萝卜素和叶黄
素)含量决定了可见光波段的光谱特征;叶肉细胞的
结构对近红外波段的光谱特征影响较大。高羊茅的
叶片适应特殊的生境具有如下2个特征:① 叶绿素
a/b值较大,叶绿素a在红光波段的最大吸收光谱
较宽;② 发达的栅栏组织、不发达的海绵组织和胞
间隙,而海绵组织对800~1300nm的近红外光强
烈的反射,在光谱曲线形成反射高峰。因此,高羊茅
叶片的红边光谱与叶绿素a在红光波段的宽吸收光
谱段、海绵组织在近红外波段的高反射密切相关。
本文对不同生长环境下获取的高羊茅叶片的光
谱数据进行相关性分析,结果表明,任何2组光谱数
据在0.01水平上两两之间均达到极显著,相关系数
都在0.998以上,这说明不同环境条件对高羊茅叶
片的光谱特征影响不明显,即高羊茅叶片的光谱特
征与试验设计的环境无关。
鉴于不同环境条件下高羊茅的光谱曲线无显著
性差异,本文按照平均值的方法得到不同波长对应
的标准光谱反射率。此外,由于采集的是离散型的
光谱数据,但是光谱采样间隔很小(仅为0.6nm),
本文通过公式(1)近似地对高羊茅叶片光谱反射率
进行一阶微分计算。以波长为横坐标,高羊茅叶片
反射率的一阶微分光谱为纵坐标,得到图2。其中,
“红边”就是植物反射率光谱曲线上斜率最大时所对
应的波长,即图2中最大值对应的波长,位于680~
750nm之间[15]。
R′(λ1)=R
(λi+1)-R(λi-1)
λi+1-λi-1
(1)
式中:R′为一阶微分光谱,R 为反射率,λ为波
长,i为光谱通道。
图2 高羊茅叶片反射率的一阶微分光谱
Fig.2 First-orderderivativespectra
oftalfescueleavesreflectance
107
草 地 学 报 第20卷
2.2 高羊茅叶片的SPAD 值与高光谱数据的相关
性分析
为了分析叶片的SPAD 值与高光谱数据的定
量关系,根据高羊茅的光谱曲线特征,参考前人研究
结果[3,5,7],本文选取了红边参数、植被指数和微分
光谱3个指标分别研究光谱特征与SPAD 值之间
的关系,探讨光谱数据定量反演叶绿素含量的可能。
2.2.1 红边参数 定量描述植被光谱“红边”特征
的参数主要有红边幅值Dr、红边峰值面积SDr和
红边位置λr等[15]。本文采用红边幅值、红边峰值
面积、红边位置3个指标代表红边参数,指标的计算
采用公式(1)求一阶微分光谱,从一阶光谱曲线中提
取红边幅值、红边峰值面积和红边位置等红边参数,
具体计算公式参见文献[15]。
相关研究表明[16-17]:植被的LAI、覆盖度、生物
量等农学参数以及叶绿素含量、含水量、累积施氮量
等生化成分都会影响红边参数。因此,本文选取叶
绿素含量探讨其与红边参数的关系,相关性分析结
果如表2所示。
表2 叶片SPAD值与红边参数之间的相关系数
Table2 Correlationcoefficientsbetweenleaf
SPADvalueandrededgeparameters
Dr SDr λr
相关系数
Correlationcoefficient
-0.336* 0.174 0.906**
注:*和**分别表示在0.05和0.01水平上显著和极显著相关。下同
Notes:*and**standforsignificantcorrelationat0.05and
0.01levels,respectively.Thesameasbelow
由表2可知,高羊茅叶片的SPAD 值与红边幅
值Dr成负相关,达到了显著水平;SPAD 值与红边
峰值面积SDr成正相关,但是相关性没有达到显著
水平;SPAD值与红边位置λr成正相关,达到了极
显著水平。经过比较可知,在红边幅值、红边峰值面
积和红边位置这3个“红边”参数中,红边位置与叶
片SPAD值的关系最密切,这个结论与前人的研究
结果相符合[18-20]。
“红边”参数定量反演高羊茅叶片的SPAD 模
型采用相关性最好的红边位置构建,一元线性回归
模型如图3所示。
2.2.2 植被指数 植被指数是将遥感地物光谱资
料经数学方法处理,以反映植被状况的无量纲的特
征量,主要反映植被在可见光、近红外波段反射与土
壤背景之间差异的指标,各个植被指数在一定条件
下能用来定量说明植被的生长状况。常用的植被指
数有比值植被指数(RVI,ratiovegetationindex)、
归一化植被指数(NDVI)、差值植被指数(DVI,
differencevegetationindex)和垂直植被指数(PVI,
perpendicularvegetationindex)等,相关研究表
明[8],以上植被指数与叶片的SPAD 值存在一定的
相关关系。本文分别用上述4种植被指数与叶片的
SPAD值进行相关性分析,结果如表3所示。
图3 以红边位置为自变量的高羊茅叶片
SPAD值反演模型
Fig.3 LeafSPADvalueinversionmodeloftalfescue
basedonrededgeposition
表3 叶片SPAD值与植被指数之间的相关系数
Table3 Correlationcoefficientsbetweenleaf
SPADvalueandvegetationindex
RVI NDVI DVI PVI
相关系数
Correlationcoefficient
0.507* 0.842** 0.325 0.458*
由表3可知,高羊茅叶片的SPAD值与RVI成
正相关,达到了显著水平;SPAD值与NDVI成正相
关,达到了极显著水平;SPAD值与DVI成正相关,
但是相关性没有达到显著水平;SPAD值与PVI成
正相关,达到了显著水平。与其他3个植被指数相
比,NDVI与叶片SPAD值的相关性最好。
为了用植被指数定量描述高羊茅叶片的
SPAD值,根据相关性最好的NDVI作为自变量,
建立一元线性回归模型,如图4所示。
2.2.3 微分光谱 由于多元线性回归分析法要求
校正集的样本总数不少于参与回归的变量总数。将
微分光谱数据每20nm为间隔求一次平均,这样可
以获得28个光谱波段。然后在SPSS中做相关性
分析,建立SPAD值与微分光谱数据之间的相关关
系。结果显示在695~715nm之间的微分光谱数
据与SPAD值之间的相关系数最大为0.826,成极
207
第4期 华开等:基于高光谱数据的高羊茅SPAD快速估测研究
显著相关。以695~715nm之间的微分光谱作为
自变量,建立一元线性回归模型,如图5所示。
图4 以NDVI为自变量的高羊茅叶片SPAD 值反演模型
Fig.4 LeafSPADvalueinversionmodeloftal
fescuebasedonNDVI
图5 以一阶微分光谱为自变量的高羊茅叶片SPAD反演模型
Fig.5 LeafSPADvalueinversionmodeloftalfescue
basedonfirst-orderderivativespectra
根据相关性分析、回归分析结果发现,以红边位
置为自变量的模型对叶片SPAD 值的反演最好,
NDVI次之,微分光谱最差。下面对各个模型进行
显著性检验,对各模型分别采用F 检验,各模型的
参数采用t检验进行验证。
2.3 模型检验
为了检验一元回归模型的显著性,对模型进行
F检验,结果如表4所示。
由表4可知,在0.01水平下,3种模型的F检
验参数值均大于对应的F 临界值,其中红边参数为
自变量的模型F检验参数值(191.789)远远大于对
应的F临界值(7.280)。
对各个回归模型的参数做t检验,如表5所示。
由表5可知,各个显著水平均小于0.01,各项
检验参数也远远高于检验临界值。因此各个模型在
所列出的显著水平上高度显著。
根据以上的相关分析和回归分析可知,“红边”
参数中红边位置与叶绿素含量的相关性最好;植被
指数中NDVI与叶绿素含量的相关性最好;微分光
谱中695~715nm之间的平均微分光谱与叶绿素
含量的相关性最好,而这3个参数中又以红边位置
的相关性最好。相关研究表明,红边位置对叶绿素
a、b的含量和叶片的细胞结构均非常敏感。植被指
数主要反映植被在可见光、近红外波段反射与土壤
背景之间差异的指标。微分光谱在一定程度上可以
降低大气和背景对光谱的影响。植被指数和微分光
谱是由多个波段组合而成的,而红边位置直接由叶
绿素含量和细胞结构决定。
表4 模型的F检验参数
Table4 Ftestingparametersofmodel
F检验参数值
ValueofFtestingparameters
显著水平
Significantlevel
F临界值
Fcriticalvalue
建模样本数
Modelingnumberofsamples
红边位置 191.789 0.01 7.280 44
NDVI 75.613 0.01 7.530 33
微分光谱 83.438 0.01 7.333 41
表5 模型的t检验参数
Table5 ttestingparametersofmodel
自变量类型
Independentvariabletype
模型参数
Modelparameters
t检验参数值
Valueofttestingparameters
显著水平
Significantlevel
红边位置 0.691 13.849 0.000
-458.983 -12.448 0.000
NDVI 53.307 8.696 0.000
14.406 3.224 0.003
微分光谱 -68.325 -9.134 0.000
59.724 56.231 0.000
307
草 地 学 报 第20卷
3 讨论与结论
本研究分析了不同生存条件下的高羊茅抽穗期
的叶片反射光谱特征,并探讨了叶片反射光谱与
SPAD值的相关关系,通过对高羊茅的叶片反射光
谱的红边位置、NDVI和微分光谱分析,分别建立
了高羊茅抽穗期SPAD 值的线性检测模型。研究
结果表明:
3.1 高羊茅抽穗期的叶片反射光谱受到高叶绿素
a含量在红光波段的宽吸收光谱段、不发达的海绵
组织在近红外波段高反射的影响,表现为“红谷”和
“红边”的特征。高羊茅抽穗期的叶片反射光谱特征
与叶片中色素含量和叶肉细胞的结构密切相关,与
其生存的环境条件无关。
3.2 从光谱数据中提取出红边参数、植被指数和微
分光谱与SPAD 值做相关分析。结果显示:红边参
数中,红边位置与叶绿素含量关系最密切;植被指数
中,NDVI与叶绿素含量关系最密切;微分光谱中,
695~715nm之间的平均微分光谱与叶绿素含量关
系最密切;而其他的参数相关性不好。红边位置、
NDVI、微分光谱与SPAD 值之间的相关系数分别
为0.906,0.842和0.826。
3.3 分别用相关性最好的红边位置、NDVI和微
分光谱建立检测SPAD 值的线性模型,红边位置、
NDVI和微分光谱与SPAD 值的确定系数分别为
0.820,0.709和0.681,均显著相关(P<0.01),根据
F检验和t检验,各种模型中红边位置最好,NDVI
次之,微分光谱最差,这与叶绿素a、b的含量和细胞
结构有关。
本试验对抽穗期高羊茅叶片反射光谱特征的初
步研究,认为光谱特征与生存环境条件无关,采用红
边位置构建模型模拟叶绿素含量最为精确,这为进
一步利用高光谱数据研究高羊茅的生长状况提供了
一定的依据,对精准施肥、产草量评估等草坪管理措
施具有重要的实践意义,在精准农业的研究和实践
中也具有重要的参考价值。由于植物的生长是长期
而连续的过程,每个阶段都有各自的特征,本文仅对
抽穗期进行了分析,所得结论是否适用于其他植物
其他的生长阶段有待进一步的验证。
参考文献
[1] ColinsW.Remotesensingofcroptypeandmaturity[J].Pho-
togrammetricEngineeringandRemoteSensing,1978,44(1):
43-55
[2] 李云梅,倪绍祥,王秀珍.线性回归模型估算水稻叶片叶绿素
含量的适宜性分析[J].遥感学报,2003,9(5):364-371
[3] 刘伟东,项月琴,郑兰芬,等.高光谱数据与水稻叶面积指数及
叶绿素密度的相关分析[J].遥感学报,2000,4(4):279-283
[4] 谢晓金,申双和,李映雪,等.高温胁迫下水稻红边特征及
SPAD和LAI的监测[J].农业工程学报,2010,26(3):183-
190
[5] 姚付启,张振华,杨润亚,等.ANFIS在植被叶绿素含量高光谱
反演中的应用[J].光谱学与光谱分析,2010,30(7):1834-1838
[6] 郑飞,岳俊芹,邵运辉,等.不同弱春性小麦品种 NDVI与
SPAD 之间的相关性[J].麦类作物学报,2008,28(2):291-294
[7] 裘正军,宋海燕,何勇,等.应用SPAD和光谱技术研究油菜生
长期间的氮素变化规律[J].农业工程学报,2007,23(7):150-
154
[8] GowardSN,HvemmrichKF.VegetationcanopyPARab-
sorptanceandthenormalizeddifferencevegetationindex:An
assessmentusingtheSAILmodel[J].RemoteSensingofEn-
vironment,1990,32(1):47-54
[9] 宋开山,张柏,李方,等.玉米叶绿素含量的高光谱估算模型研
究[J].作物学报,2005,31(8):1095-1097
[10]孙红,李民赞,赵勇,等.冬小麦生长期光谱变化特征与叶绿素
含量监测研究[J].光谱学与光谱分析,2010,30(1):192-196
[11]刘占宇,黄敬峰,王福民,等.估算水稻叶面积指数的调节型归
一化植被指数[J].中国农业科学,2008,41(10):3350-3356
[12]郝俊,孙小玲,马鲁沂,等.三种生长调节剂对高羊茅生长特性
及赤霉素含量的影响[J].草地学报,2009,17(4):470-473
[13]张文,张建利,陈功.以高光谱植被指数研究草坪色泽[J].草
地学报,2008,16(5):530-535
[14]梅安新,彭望琭,秦其明.遥感导论[M].北京:高等教育出版
社,2001:240
[15]谭倩,赵永超,童庆禧,等.植被光谱维特征提取模型[J].遥感
信息,2001(1):14-18
[16]赵春江,黄文江,王纪华,等.不同品种、肥水条件下冬小麦光
谱红边参数研究[J].中国农业科学,2002,35(8):980-987
[17]胡昊,白由路,杨俐苹,等.不同氮营养冬小麦冠层光谱红边特
征分析[J].植物营养与肥料学报,2009,15(6):1317-1323
[18]唐延林,王秀珍,黄敬峰,等.水稻微分光谱和植被指数的作用
探讨[J].农业工程学报,2003,19(1):145-150
[19]唐延林,黄敬峰,秀珍,等.水稻、玉米、棉花的高光谱及其红边
特征比较[J].中国农业科学,2004,37(1):29-35
[20]李向阳,刘国顺,史舟,等.利用室内光谱红边参数估测烤烟叶
片成熟度[J].遥感学报,2007,11(2):270-275
(责任编辑 刘云霞)
407