全 文 ：植物科学学报 ２０１５ꎬ ３３(５): ６３３~６４０
Ｐｌａｎｔ Ｓｃｉｅｎｃｅ Ｊｏｕｒｎａｌ
ＤＯＩ:１０ １１９１３ / ＰＳＪ ２０９５－０８３７ ２０１５ ５０６３３
高光谱技术———生态学领域研究的新方法
姜庆虎１ꎬ 童 芳１ꎬ２ꎬ 余明珠１ꎬ２ꎬ 章 影１ꎬ２ꎬ 廖 畅１ꎬ２ꎬ 刘 峰１∗
(１. 中国科学院武汉植物园水生植物与流域生态重点实验室ꎬ 武汉 ４３００７４ꎻ ２. 中国科学院大学ꎬ 北京 １０００４９)
摘 要: 高光谱技术是一种新的地物探测技术ꎬ 该技术以其敏锐的地物光谱特征探测能力为精准识别地物属性提
供了强有力的手段ꎬ 在生态系统过程与属性研究中具有广阔的应用前景ꎮ 该文以可见光－近红外光谱分析技术为
例概述了高光谱技术的原理、 特点与优势ꎬ 以及高光谱技术分析的流程ꎻ 总结并归纳了其在土壤、 植物生理、
农产品品质检测、 凋落物分解方面的研究应用ꎬ 指出高光谱技术与遥感成像技术结合在生态监测研究中的优势ꎻ
归纳了高光谱技术应用中面临的问题ꎬ 并希望高光谱技术在生态学领域研究中得到更广泛的应用ꎮ
关键词: 高光谱ꎻ 分析流程ꎻ 生态监测ꎻ 信息提取ꎻ 参数反演
中图分类号: Ｑ９４８ 文献标识码: Ａ 文章编号: ２０９５￣０８３７(２０１５)０５￣０６３３￣０８
收稿日期: ２０１５￣０６￣１０ꎬ 退修日期: ２０１５￣０７￣１５ꎮ
基金项目: 中国科学院百人计划项目(２０１２１４８)ꎻ 国家自然科学基金青年科学基金项目(３１４００４６３)ꎮ
作者简介: 姜庆虎(１９８６－)ꎬ 男ꎬ 博士后ꎬ 主要从事高光谱遥感、 全球变化生态学相关研究(Ｅ￣ｍａｉｌ: ｊｉａｎｇ８６８７＠１６３ ｃｏｍ)ꎮ
∗通讯作者(Ａｕｔｈｏｒ ｆｏｒ ｃｏｒｒｅｓｐｏｎｄｅｎｃｅ Ｅ￣ｍａｉｌ: ｌｉｕｆｅｎｇ＠ｗｂｇｃａｓ ｃｎ)ꎮ
Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｔｅｃｈｎｉｑｕｅ: Ａｎ Ｏｐｐｏｒｔｕｎｉｔｙ ｉｎ Ｅｃｏｌｏｇｙ
ＪＩＡＮＧ Ｑｉｎｇ￣Ｈｕ１ꎬ ＴＯＮＧ Ｆａｎｇ１ꎬ２ꎬ ＹＵ Ｍｉｎｇ￣Ｚｈｕ１ꎬ２ꎬ ＺＨＡＮＧ Ｙｉｎｇ１ꎬ２ꎬ ＬＩＡＯ Ｃｈａｎｇ１ꎬ２ꎬ ＬＩＵ Ｆｅｎｇ１∗
(１. Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ａｑｕａｔｉｃ Ｂｏｔａｎｙ ａｎｄ Ｗａｔｅｒｓｈｅｄ Ｅｃｏｌｏｇｙꎬ Ｗｕｈａｎ Ｂｏｔａｎｉｃａｌ Ｇａｒｄｅｎꎬ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｉｃ ｏｆ Ｓｃｉｅｎｃｅｓꎬ
Ｗｕｈａｎ ４３００７４ꎬ Ｃｈｉｎａꎻ ２. Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅｓꎬ Ｂｅｉｊｉｎｇ １０００４９ꎬ Ｃｈｉｎａ)
Ａｂｓｔｒａｃｔ: Ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｔｅｃｈｎｉｑｕｅ ｉｓ ａ ｒｏｂｕｓｔ ｍｅｔｈｏｄ ｔｈａｔ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｉｄｅｎｔｉｆｙ ｓｕｒｆａｃｅ
ｆｅａｔｕｒｅｓ ｖｉａ ｔｈｅ ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ ｄｅｔｅｃｔｉｏｎ ｏｆ ｓｐｅｃｔｒａｌ ｆｅａｔｕｒｅｓ. Ｉｔ ｈａｓ ｗｉｄｅ ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｓｐｅｃｔｓ
ｉｎ ｔｈｅ ｓｔｕｄｙ ｏｆ ｅｃｏｌｏｇｉｃａｌ ｐｒｏｃｅｓｓｅｓ ａｎｄ ｐｒｏｐｅｒｔｉｅｓ. Ｈｅｒｅꎬ ｗｅ ｓｙｓｔｅｍｉｃａｌｌｙ ｒｅｖｉｅｗｅｄ ｔｈｅ
ｉｍｐｌｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｔｅｃｈｎｉｑｕｅ ｉｎ ｓｏｉｌꎬ ｐｌａｎｔ ｐｈｙｓｉｏｌｏｇｙꎬ ｑｕａｌｉｔｙ ｄｅｔｅｃｔｉｏｎ ｏｆ
ａｇｒｉｃｕｌｔｕｒａｌ ｐｒｏｄｕｃｔｓ ａｎｄ ｌｉｔｔｅｒ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｉｔｓ ｐｒｉｎｃｉｐｌｅｓꎬ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓꎬ
ａｄｖａｎｔａｇｅｓ ａｎｄ ａｎａｌｙｓｉｓ ｐｒｏｃｅｓｓｅｓ. Ｉｔｓ ｄｉｓａｄｖａｎｔａｇｅｓ ａｎｄ ｄｒａｗｂａｃｋｓ ｗｅｒｅ ａｌｓｏ ｄｉｓｃｕｓｓｅｄ ｔｏ
ａｌｌｏｗ ｆｏｒ ｂｅｔｔｅｒ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｅｃｏｌｏｇｙ.
Ｋｅｙ ｗｏｒｄｓ: Ｈｙｐｅｒｓｐｅｃｔｒａꎻ Ａｎａｌｙｓｉｓ ｐｒｏｃｅｓｓꎻ Ｅｃｏｌｏｇｉｃａｌ ｍｏｎｉｔｏｒｉｎｇꎻ Ｉｎｆｏｒｍａｔｉｏｎ ｅｘｔｒａｃｔｉｏｎꎻ
Ｐａｒａｍｅｔｒｉｃ ｉｎｖｅｒｓｉｏｎ
近年来ꎬ 随着人类活动和全球环境变化的加剧ꎬ
生态系统过程及其功能发生了显著的变化ꎮ 为此ꎬ
学者们在国家、 区域尺度上开展了一系列的土壤、
植被调查ꎬ 并通过不同时空尺度信息的挖掘来分析
人类活动及气候变化对生态系统演替过程中生物量、
生物多样性、 稳定性以及碳、 氮、 水养分循环等生
态系统过程及其属性的影响[１]ꎮ 然而ꎬ 由于生态系
统自身的复杂性和时空异质性ꎬ 传统的依靠野外采
样—化学分析获取数据的方式耗时费力ꎬ 严重制约
了大尺度上生态系统过程的研究ꎮ 高光谱技术的发
展ꎬ 突破了传统数据调查高成本的限制ꎬ 为更快捷
地获取生态系统各种复杂地物的属性提供了可能ꎮ
高光谱技术是指利用很多很窄的电磁波波段
(一般光谱分辨率为 ｎｍ 级)获取研究对象的光谱
数据ꎬ 并通过化学计量学方法探寻研究对象本身属
性与光谱数据的关系模型ꎬ 从而识别、 获取物体的
组成和结构信息ꎮ 该技术正是由于其极高的光谱分
辨率ꎬ 在精确测量生态系统各种地物属性和生化参
数的研究中表现出巨大的潜力ꎮ 高光谱技术具有高
效、 无损、 低成本和可重复等优势ꎬ 使得该技术不
仅可以加深人类感知地物的能力ꎬ 而且可以大大提
高人们获取多种生态系统模型输入参数的类型和精
度[１]ꎮ 本文以可见光－近红外光谱分析技术为例ꎬ
简要概述了高光谱技术的原理、 特点与优势、 基本
分析流程ꎬ 总结了该技术在生态系统过程研究中的
应用现状ꎬ 指出了高光谱技术当前面临的关键问
题ꎬ 并希望为促进高光谱技术在生态学领域研究中
得到更广泛的应用提供参考ꎮ
１ 高光谱技术简介
１ １ 高光谱技术的原理
高光谱技术利用地物反射的电磁波信息ꎬ 依托
于化学计量学方法ꎬ 定量获取地物的生化属性及结
构特征[２]ꎮ 在电磁波的作用下ꎬ 不同物体在特定
的波长区域会形成反映物体组成和结构信息的光谱
反射特性ꎮ 其作用原理如图 １所示: 地物光谱反射
特征源自地物内部的分子振动和电子跃迁ꎻ 对于不
同的物质ꎬ 组成其自身的分子、 原子团不同ꎬ 且原
子内部电子的运动轨迹也不同ꎻ 当能量以光波的形
式作用于地物时ꎬ 在不同的波长处地物吸收和反射
电磁波的强度不同ꎬ 就会产生不同的光谱反射特
性[２ꎬ３]ꎮ
地物的光谱反射特征是物体的基本性质之一ꎮ
任何物体的反射光谱中均包含其自身的本质信息ꎬ
物体的光谱特征与其自身属性的密切关系是进行地
物识别和反演研究的物理基础ꎬ 为研究物体的理化
性质提供了一个新的途径ꎮ
自然界中的一切物体ꎬ 由于其自身组成和属性
结构的不同ꎬ 其反射的光谱特征亦有较大差异ꎮ 如
图 ２所示ꎬ 土壤、 植被以及水体在可见光和近红外
区间内的光谱反射曲线有显著差别ꎮ 其中ꎬ 植物叶
片的光谱反射特征由其化学和形态学特征决定ꎬ 这
种特征与植被的发育、 健康状况以及生长条件密切
相关[４]ꎬ 其主要影响因素包括叶片中的水分、 叶
绿素以及其他生物化学成分(如木质素、 纤维素
等)ꎮ 作为一个复杂的混合物ꎬ 土壤的光谱反射率
有随波长变大而升高的趋势ꎮ 土壤光谱反射特性曲
线主要由于土壤中有机质、 氧化铁、 水分对光波的
吸收形成ꎬ 而质地和母质同样对其光谱特征有显著
影响ꎮ 相对于土壤和植被ꎬ 水体对太阳辐射能量的
吸收明显要高ꎬ 其光谱特征取决于三方面的贡献ꎬ
即水的表面反射、 底物反射和悬浮物反射[３]ꎮ 在
近红外和短波红外波段ꎬ 水体几乎吸收全部的入射
能量ꎬ 反射率几乎趋近于零ꎮ
１ ２ 高光谱技术的特点和优势
一般来说ꎬ 高光谱技术利用的波谱区间为可见
光(４００ ~ ７６０ ｎｍ)和近红外(７６０ ~ ２５００ ｎｍ)光
谱ꎮ 该光谱区间内的地物光谱具有精度高、 信息范
围广、 信息量大、 信息强度弱和谱峰重叠等特
点[５]ꎮ 具体而言ꎬ 高光谱技术的首要特点是光谱
的分辨率很高ꎬ 其精度一般为 １０ ｎｍ 左右ꎻ 并且
高光谱数据可以完全涵盖地物的探测谱段范围
(４００ ~ ２５００ ｎｍ)ꎻ 从而可以有效地反映不同地物
分子、 原子和离子的晶格振动信息ꎬ 大幅度提高了
精细信息的表达能力ꎻ 使得基于高光谱信息分析和
探测地物属性成为可能ꎮ 然而ꎬ 由于地物在近红外
区的摩尔吸光系数较低ꎬ 导致该谱段的信息强度较
弱ꎻ 加上地物分子倍频、 合频吸收的组合方式很
多ꎬ 存在“同谱异物、 同物异谱”的谱峰重叠现象ꎬ
加大了地物组分定量分析的难度ꎮ
#$ γ& X&
()
*+
,-
./
01
23./
NIR MIR
41
23./
54
!
"
#
64
7389 73:9
NMR
;!
ESR
&<
=>?
-@A
BC
!"
0.1 nm 10 nm 360 nm 780 nm 2.5 mμ 25 mμ
ＮＩＲ代表近红外ꎻ ＭＩＲ代表中红外ꎻ ＥＳＲ代表电子自旋共振ꎻ ＮＭＲ代表核磁共振ꎮ
ＮＩＲ ｉｎｄｉｃａｔｅｓ ｎｅａｒ￣ｉｎｆｒａｒｅｄꎻ ＭＩＲ ｉｎｄｉｃａｔｅｓ ｍｉｄ￣ｉｎｆｒａｒｅｄꎻ ＥＳＲ ｉｎｄｉｃａｔｅｓ ｅｌｅｃｔｒｏｎ ｓｐｉｎ ｒｅｓｏｎａｎｃｅꎻ
ＮＭＲ ｉｎｄｉｃａｔｅｓ ｎｕｃｌｅａｒ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ.
图 １ 高光谱作用原理[２]
Ｆｉｇ １ Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｐｒｉｎｃｉｐｌｅ[２]
４３６ 植 物 科 学 学 报 第 ３３卷
( ( )μm
Wavelength
)
*
+
R
ef
le
ct
an
ce
!" Soil
#$ Plant
%& Water
0.9
0.6
0.3
0.0
0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 2.4 2.6
图 ２ 典型地物可见光和近红外光谱反射率曲线[３]
Ｆｉｇ ２ Ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ￣ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ
ｓｐｅｃｔｒａ ｏｆ ｔｙｐｉｃａｌ ｏｂｊｅｃｔｓ[３]
相对于以往的化学分析方法ꎬ 高光谱技术具有
如下优势[５]: (１)测试简单ꎬ 无繁琐的前处理和化
学反应过程ꎻ (２)测试速度快ꎬ 测试过程大多可在
１ ｍｉｎ内完成ꎬ 大大缩短了测试周期ꎻ (３)测试过
程无污染ꎬ 可有效避免传统化学分析中产生的废
气、 废液和废渣ꎻ (４)测试人员专业化要求较低ꎬ
可单人完成多个化学指标的大量测试ꎻ (５)对样品
无损伤ꎬ 可以在不破坏动植物活体和微生物生境的
情况下进行测试ꎻ (６)重复性好ꎬ 并且可以实现在
线分析ꎮ
２ 高光谱技术分析的基本流程
(１)样品光谱的测定
高光谱技术分析的成功与否与光谱测定仪器及
测量环境的稳定性和重现性直接相关ꎮ 从测定仪器
的角度来看ꎬ 高信噪比、 高稳定性和仪器间的一致
性是人们一直追求的目标ꎮ 当前ꎬ 性能较好的国内
外主流仪器有 ＡＳＤ ＦｉｅｌｄＳｐｅｃ ４ 分光辐射光谱仪、
ＧＥＲ ２６００光谱仪、 ＳＶＣ ＨＲ￣１０２４光谱仪、 ＮＩＲＱｕｅｓｔ
近红外光谱仪和傅里叶光谱仪等ꎮ 从测量环境的角
度来看ꎬ 选择相对稳定的光源及传输环境是获取高
质量光谱数据的基础ꎮ 野外光谱测量的光源为太阳
光ꎬ 而室内测量为人造光源(如卤光灯)ꎮ 因此ꎬ
在野外测量时ꎬ 应选择晴空天气ꎬ 测量时间以
１０ ∶ ００ ~ １５ ∶ ００为宜ꎬ 此时大气中的水分和其他
干扰因素较少ꎻ 而室内测量一般选择在暗室中进
行ꎮ 地物的野外和室内光谱测定流程类似ꎬ 本文以
运用 ＡＳＤ地物光谱仪进行室内光谱测量为例进行
具体阐述ꎮ 仪器的架设如图 ３所示ꎬ 在测量前ꎬ 仪
器应预热 ３０ ｍｉｎꎬ 将处理好的样品放置到干净的
培养皿内并铺设均匀ꎬ 在暗室内用 ５０ Ｗ的卤光灯
作为光源照射ꎬ 光线入射角度为 ４５°ꎬ 光源距样品
中心约 ５０ ｃｍꎬ 光谱仪探头位于样品表面且垂直上
方 １５ ｃｍꎮ 测试之前先用标准板校正ꎬ 测试过程中
每测 １０个样本校正一次ꎬ 以保证测量稳定ꎮ 每个
样本采集多条光谱曲线ꎬ 取平均值得到各样品的实
际反射光谱数据ꎮ
(２)高光谱技术分析预处理
高光谱技术分析预处理主要是针对特定的样品
体系对异常样品进行剔除ꎬ 消除光谱噪声ꎬ 筛选数
据变量ꎬ 优化光谱范围ꎬ 以降低非目标因素对光谱
的影响ꎬ 为建立光谱校正模型和预测未知样品信息
奠定基础[７]ꎮ 预处理过程分为两方面: ①样品预处
理ꎬ 包括异常样品的剔除和建模集样品的筛选ꎮ 异
常样品的剔除多是基于预测浓度残差、 主成分得分
聚类、 马氏距离的计算以及杠杆值与学生 Ｔ 检验
等标准ꎮ 建模集样品的筛选多是基于常规的建模样
1000 W
45°
!"#
( $%&)
()*
( +,&)90°
ASD-./0
1+234
567
89:;<
=>?@
图 ３ 室内非接触式光谱仪器平台位置示意图[６]
Ｆｉｇ ３ Ｌｏｃａｔｉｏｎ ｓｋｅｔｃｈ ｏｆ ｔｈｅ ｎｏｎ－ｃｏｎｔａｃｔ ｓｐｅｃｔｒｕｍ ｉｎｓｔｒｕｍｅｎｔ ｐｌａｔｆｏｒｍ[６]
５３６ 第 ５期 姜庆虎等: 高光谱技术———生态学领域研究的新方法
品挑选法ꎬ 如含量梯度法、 Ｋｅｎｎａｒｄ￣Ｓｔｏｎｅ 法等ꎮ
通过筛选ꎬ 可以有效减低测量基础数据的样品数ꎬ
降低建模成本ꎻ ②光谱预处理ꎬ 包括光谱噪声消除
和光谱特征提取ꎮ 采集的光谱除样品特定组分的信
息外ꎬ 还包含了其他无关的信息和噪声ꎬ 如电噪
声、 样品背景和杂散光等ꎮ 通过化学计量学方法建
立校正模型时ꎬ 消除光谱噪声十分必要ꎮ 常用的方
法有: 光谱的平滑、 求导、 光散射校正、 小波变
换、 正交信号校正等ꎮ 另外ꎬ 通过光谱范围的优化
和特征波段的提取ꎬ 可以有效剔除不相关的变量ꎬ
提高运算效率和预测能力ꎬ 从而建立稳健性更好的
校正模型ꎮ 常用的波长选择方法有相关系数法、 逐
步回归法、 间隔偏最小二乘法、 遗传算法等ꎮ
(３)高光谱估测模型的建立与评价
建立光谱预测模型的流程如图 ４所示ꎬ 首先选
取一定数量的样品ꎬ 采用标准化学方法测量出它们
的组分含量化学值ꎬ 并选用光谱仪测量出它们的光
谱信号ꎻ 把这些样品分为建模集和预测集ꎬ 通过建
模集的光谱信号和化学值的关系ꎬ 利用统计回归方
法(如多元线性回归(ＭＬＲ)、 主成分回归(ＰＣＲ)、
偏最小二乘法(ＰＬＳ)、 人工神经网络(ＡＮＮ)等)建
立校正模型ꎻ 进一步通过预测集的光谱信号和建立
的校正模型预测出对应的组分含量化学值来检验校
正模型ꎮ
!"#$%&(
)*+, -./0
!"1.2
34% 56%
)*7849
:;!"
<+=8
>?56
图 ４ 高光谱技术分析流程
Ｆｉｇ ４ Ａｎａｌｙｓｉｓ ｆｌｏｗ ｃｈａｒｔ ｏｆ ｔｈｅ
ｈｙｐｅｒｓｐｅｃｔｒａｌ ｔｅｃｈｎｉｑｕｅ
模型稳定性和预测精度的评价指标采用决定系
数(ｄｅｔｅｒｍｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔꎬ Ｒ ２)、 均方根误差
( ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒꎬ ＲＭＳＥ)和相对分析误差
( ｒｅｌａｔｉｖｅ ｐｅｒｃｅｎｔ ｄｅｖｉａｔｉｏｎꎬ ＲＰＤ)ꎮ 建模集交互
验证 Ｒ ２值越大ꎬ 说明模型越稳定、 精度越好ꎻ 验
证集 Ｒ ２值及 ＲＰＤ越大、 ＲＭＳＥ越小ꎬ 说明预测效
果越好ꎮ
３ 高光谱技术的生态学应用
３ １ 高光谱技术在土壤属性监测中的应用
土壤是地球陆地表面具有肥力并能生长绿色植
物的疏松层ꎬ 为植物生长提供营养和立地条件ꎮ 作
为陆地生态系统最大的碳库ꎬ 土壤碳库的微小变化
对全球碳循环有重要的影响ꎬ 因此土壤资源是影响
生态系统功能的主要因素ꎬ 有必要对其属性进行实
时监控和制图ꎮ 然而ꎬ 受土壤空间异质性、 数据缺
乏以及采样成本等的限制ꎬ 现有土壤数据精度和适
用程度受到很大制约ꎬ 不利于区域性碳库管理和可
持续经营ꎮ 高光谱技术的发展使快速、 实时获取土
壤属性成为可能[７]ꎮ 早在 ２０ 世纪 ７０ 年代ꎬ 国外
学者就对土壤的属性及其光谱特征做了初步研究ꎬ
建立起二者的关系模型ꎬ 并指出土壤中的有机质、
有机化合物的几种官能团以及矿物元素在近红外区
具有清晰的光谱纹迹[８ꎬ９]ꎻ 近年来ꎬ 高光谱技术被
用来预测土壤的物理结构ꎬ 如颗粒组成和团聚体平
均粒径等[１０]ꎮ 在我国ꎬ 学者们主要将高光谱技术
运用在对土壤养分的检测中ꎬ 如陈红艳[１１]对土壤
氮、 磷及钾含量进行光谱分析ꎬ 预测值均达到了与
实验室化学分析值相近的水平 (其 Ｒ ２值分别为
０９５、 ０９３和 ０９１)ꎮ 史舟[２]在总结国内外相关研
究成果后指出ꎬ 土壤有机质的平均预测的 Ｒ ２值为
０８０８ꎬ 有机质的预测结果评价 Ｒ ２值为 ０８２３ꎮ 此
外ꎬ 高光谱技术还可以检测土壤的许多其他性质ꎬ
例如用高光谱技术测定土壤粘粒含量、 阳离子交换
量(ＣＥＣ)、 基本饱和度、 基础呼吸量、 ｐＨ 值、 粉
砂量等的实验结果都是比较可靠的[１２]ꎮ 综上所述ꎬ
利用高光谱技术快速获取土壤属性及生化参量ꎬ 可
以为数字土壤制图和土壤动态监测提供大量的有效
数据ꎮ
３ ２ 高光谱技术在植被生理生态中的应用
植物的色素含量、 水分含量、 营养状况等指标
６３６ 植 物 科 学 学 报 第 ３３卷
是衡量植被生长和生理状况的重要指标[１３]ꎮ 在植被
生理生态的研究中ꎬ 传统的方法是运用化学分析方
法测定植被的各种生化参量ꎬ 结果虽然真实可信ꎬ
但是往往基于破坏性取样ꎬ 并且无法对同一植被样
品进行长期动态监测ꎮ 近年来已实现了从植物叶片
和冠层水平上ꎬ 利用高光谱技术对植被生理变化的
快速、 无损地动态监测ꎮ 大量研究证明ꎬ 植物叶绿
素、 类胡萝卜素和花青素等的含量均有其特有的光
谱吸收特征ꎬ 其特征波段分别为 ６４０ ~ ６６０ ｎｍ、
４３０ ~ ４５０ ｎｍ和 ５３７ ｎｍ[１４]ꎮ 通过高光谱技术实
现植物色素的定量反演ꎬ 进而反演植株衰老、 病虫
害及环境胁迫(水分、 温度)等条件下的生理特性ꎬ
其结果与采用传统方法获得的实验结果呈极显著相
关[１５]ꎮ 植被在水分胁迫的情况下ꎬ 其光谱信息会
发生改变ꎬ 利用高光谱技术可以快速提取植被含水
量的信息ꎮ 有研究表明ꎬ １５３０ ｎｍ 和 １７２０ ｎｍ 波
段的植被光谱适合估算植被含水量[１４]ꎮ Ｃｅｃｃａｔｏ
等[１６]以 １６００ ~ １８２０ ｎｍ 波段的光谱比值反演单
位叶面积的含水量ꎬ 相关系数达 ０９ꎮ 此外ꎬ 高光
谱技术还可对植物的营养状况进行实时监测ꎬ 王人
潮等[１７]提出水稻氮素缺乏会导致叶片颜色、 形态
的变化ꎬ 因而可以利用 ７６０ ~ ９００ ｎｍ、 ６３０ ~
６６０ ｎｍ 和 ５３０ ~ ５６０ ｎｍ间的光谱信息进行反演ꎮ
利用高光谱技术分析植被的生理生态状况和特征ꎬ
可以为大范围内监测诊断植被的成长、 健康状况提
供依据ꎬ 对适时调整灌溉、 施肥等管理措施具有重
大意义ꎮ
３ ３ 高光谱技术在农产品品质检测中的应用
近年来ꎬ 随着新型光谱仪器的出现ꎬ 高光谱
技术在我国农产品品质检测领域得到了广泛的成
功应用ꎬ 分析对象涉及谷物、 经济作物 (烟草、
茶叶和油料作物等)、 果蔬等[１８] ꎮ 其中ꎬ 在谷物
分析方面ꎬ 高光谱技术主要利用植株叶片或冠层
尺度的光谱来估算作物的生长状态ꎬ 从而预测其
产量和质量ꎮ 如唐延林等[１９]指出高光谱差值植被
指数 Ｒ９９０ ~ Ｒ４４０ 和 Ｒ１２００ ~ Ｒ４４０ 的估产效果
最佳ꎬ 最高精度达 ９５％ꎻ 魏良明等[２０]采用偏最小
二乘回归法ꎬ 建立了测定玉米混合籽粒样品蛋白
质、 淀粉含量的校正模型ꎬ 其模型的 Ｒ ２值均大于
０９７ꎬ 外部验证和交叉验证的 Ｒ ２值介于 ０９２ 和
０ ９５ 之间ꎮ 在经济作物方面ꎬ 高光谱技术不仅可
用于烟草、 茶叶中的总糖、 蛋白质、 尼古丁、 氨基
酸、 茶多酚等组分含量的测定[２１ꎬ２２]ꎬ 还可应用于
油料作物(如大豆、 花生、 油菜籽和棉籽等)ꎬ 对
其水分、 蛋白质、 脂肪、 芥酸等进行分析[２３ꎬ２４]ꎮ
在水果蔬菜方面ꎬ 测量对象有黄瓜、 大白菜、 西红
柿、 鲜辣椒、 南瓜、 水蜜桃、 苹果和柑橘等ꎬ 分析
指标包括胡萝卜素、 糖分、 维生素 Ｃ、 糖度、 酸度
和内部褐变[２５ꎬ２６]ꎮ 在果蔬食用安全方面ꎬ 高光谱
技术可用于果蔬硝酸盐含量和有机磷农药残留的鉴
别[２７ꎬ２８]ꎮ 可见ꎬ 高光谱技术在农产品检测方面发
挥了巨大的作用ꎬ 其研究前景可观ꎮ
３ ４ 高光谱技术在凋落物分解监测中的应用
凋落物是一个重要的有机物和养分储存库ꎬ 它
的分解是联系植被－土壤－大气的关键通道ꎬ 在陆
地生态系统的地球化学循环中起着关键作用ꎬ 在维
持森林生态系统生产力、 土壤有机质的形成以及群
落演替等方面具有不可替代的地位[２９－３２]ꎮ 凋落物
质量与其组分的结构复杂性有关[３３]ꎬ 如分子的大
小和多样化的化学键ꎮ 而凋落物在 ４００ ~ ２５００ ｎｍ
的光谱则包含这些化学组成的全部信息ꎬ 由全光谱
和主要的￣ＯＨꎬ ￣ＣＨꎬ ￣ＮＨ 基团结合键的伸展和弯
曲振动提供[３４]ꎮ 研究表明ꎬ 高光谱技术能够相对
准确地预测凋落物的化学成分[３５ꎬ３６]ꎮ 例如ꎬ Ｇｉｌｌｏｎ
等[３７]建立了凋落物初始光谱特征与凋落物可分解
性的相关性ꎬ 可以用近红外光谱测定凋落物分解过
程中质量的变化ꎮ Ｍａｒｔｉｎ 等[３８]应用高光谱技术成
功预测了 １７ 种落叶和常绿植被叶片中的木质素、
纤维素以及总氮含量ꎬ 其预测模型的 Ｒ ２值分别为
０８３、 ０６９ 和 ０９０ꎮ Ｍａｎｃｉｎｅｌｌｉ 等[３９]利用高光谱
技术成功预测了凋落叶中麦角固醇的含量(Ｒ ２ ＝
０８３６)ꎮ Ｇｉｌｌｏｎ等[３７]研究了 ３４种不同植被凋落物
的分解状态并指出ꎬ 与凋落物组分(碳、 氮、 半纤
维素、 纤维素和木质素)含量相比ꎬ 其最初的光谱
数据在预测凋落物的分解能力方面更具优势ꎮ 此方
法快速便捷ꎬ 虽有待完善ꎬ 却可带来凋落物分解研
究方法的重要变革[４０]ꎮ
３ ５ 高光谱技术的其他应用
高光谱技术利用的可见光－近红外波段主要反
映的是 Ｃ￣Ｈ、 Ｏ￣Ｈ、 Ｎ￣Ｈ、 Ｓ￣Ｈ 等化学键的信息ꎬ
７３６ 第 ５期 姜庆虎等: 高光谱技术———生态学领域研究的新方法
因此其分析范围几乎可覆盖所有的有机化合物和混
合物ꎮ 近年来ꎬ 高光谱技术在生态学领域得到了广
泛应用ꎮ 如 Ｐａｚ￣Ｋａｇａｎ等[４１]提出了土壤光谱质量
指数(ＳＳＱＩ)ꎬ 并成功运用它对土壤质量进行评价ꎬ
提出可利用该指数对热点区域的土地利用变化和
土壤侵蚀状况进行评估ꎮ Ｚａｎｇｅｒｌé 等[４２]利用高
光谱技术成功推测蚯蚓排泄物的熟化年龄ꎬ 并能
进一步判断其来源于哪种蚯蚓ꎮ Ｅｒｔｌｅｎ 等[４３]利用
高光谱技术成功识别土壤有机质的古生物来源ꎬ
进而推演古代植被类型的历史演替规律ꎮ 随着生
态学的快速发展ꎬ 高光谱技术以其简洁、 快速、
无损等诸多优势ꎬ 将会在生态领域研究中发挥更
广泛的作用ꎮ
此外ꎬ 随着计算机技术和成像技术的快速发
展ꎬ 将光谱技术和成像技术相结合并发展出高光谱
遥感技术ꎮ 该技术在对地物进行成像的同时ꎬ 可获
取每个像元内目标地物的高光谱信息ꎬ 形成连续的
光谱图像ꎮ 与传统的遥感技术不同ꎬ 高光谱遥感具
有超高的光谱分辨率ꎬ 在大面积的地物特征识别和
定量分析方面具有很大的潜力ꎮ 近年来ꎬ 已经研制
成的高光谱传感器(如美国的 ＡＶＩＲＩＳ、 Ｈｙｐｅｒｉｏｎ
及我国的 ＯＭＩＳ等)在地质、 植被调查、 农业、 环
境等领域得到广泛的应用ꎮ 例如ꎬ 王润生等[４４]对
新疆东天山地区和西藏驱龙地区开展矿物填图ꎬ 矿
物识别率和识别正确率均达到 ８５％以上ꎮ 在植被
调查和农业遥感上ꎬ 高光谱遥感可以利用植物的
“红边”效应ꎬ 很好地描述植物的健康及色素状态ꎬ
实现大面积森林、 草原的分类调查并进行火灾监
测、 病虫害评估和作物估产等[１ꎬ４５]ꎮ 在湖泊、 海洋
遥感中ꎬ 高光谱遥感可以很好地区分水草及水华ꎬ
如李俊生等[４６]利用高光谱遥感技术建立了太湖水
域中水草、 水华和水体的判别公式ꎬ 获得较高的识
别精度ꎮ 此外ꎬ 高光谱遥感技术在生物入侵制图的
研究中发挥着重要的作用ꎮ Ｐｅｎｇｒａ 等[４７]基于 Ｈｙ￣
ｐｅｒｉｏｎ高光谱遥感数据ꎬ 绘制了 Ｐｈｒａｇｍｉｔｅｓ ａｕｓｔ￣
ｒａｌｉｓ在美国西海岸湿地中的入侵形态ꎬ 其研究总
体精度达 ８１４％ꎮ 高光谱遥感将传统的遥感成像技
术与高光谱技术结合ꎬ 在获取地物生化参量ꎬ 特别
是大尺度的地物信息的定量反演方面具有一定的优
势ꎬ 在生态系统过程研究中具有更为广阔的前景ꎮ
４ 高光谱技术应用中面临的问题
高光谱技术依托其极高的光谱分辨率ꎬ 在生态
学领域中有着巨大的研究潜力ꎬ 但在实际应用中仍
存在一些问题有待解决和完善:
(１)高光谱反演精度及其适用范围有限
与传统的化学分析方法相比ꎬ 高光谱技术在
地物属性的反演中能够获得较好的预测精度ꎬ 具
有快速、 无损、 低成本和可重复的优点ꎮ 但是ꎬ 在
对精度要求较高的研究中ꎬ 其预测结果往往无法支
持最初的科学假设ꎬ 甚至造成相反的研究结果ꎮ 如
高光谱技术在土壤检测中ꎬ 对土壤有机质和水分含
量的预测结果较好ꎬ 但是对其中的微量元素(如
硼、 锌、 铜等元素)的预测能力有限ꎮ 此外ꎬ 受可
见光－近红外光谱穿透能力的限制ꎬ 高光谱技术仅
仅能反演地物的表观参数(如表层土、 上林冠层
等)ꎬ 而缺乏对地物内部组分参数的反演预测能
力ꎬ 这限制了高光谱技术的适用范围ꎮ 因此ꎬ 在今
后的研究中ꎬ 应深入挖掘光谱技术的潜力ꎬ 在探索
新的建模方法提高预测精度的同时ꎬ 需综合考虑地
物与光谱的作用机理ꎬ 更好地利用高光谱技术准确
获取地物的表观参数信息ꎮ
(２)高光谱建模中易受外部因素干扰
由于生态学的研究对象往往是不同物质的组合
或混合ꎬ 其光谱信息中除自身信息外ꎬ 还受其他无
关的信息和噪声的干扰ꎬ 如背景、 杂散光及仪器噪
声等ꎬ 消除这些外部因素的干扰十分必要ꎮ 目前ꎬ
常用的方法有数据平滑、 导数变换、 光散射校正
等ꎮ 近年来ꎬ 正交信号校正、 小波变换、 外部因素
正交等新方法被发展和应用到对外部因素干扰的消
除中ꎬ 模型的预测能力得到不同程度的提高ꎮ 因
此ꎬ 如何更好地使用化学计量新方法消除混合光谱
中外部因素的干扰ꎬ 是未来高光谱技术研究中一项
非常重要的内容ꎮ
(３)高光谱反演模型缺乏普适性
当前ꎬ 运用高光谱技术建立的地物属性反演模型
已有很多ꎬ 但是对同种地物仍没有一种普遍适用的模
型方法ꎮ 各模型建立所需的光谱信息受温度、 光照条
件、 仪器架设等的影响显著ꎻ 并且对于同种地物(如
植被)来说ꎬ 在不同的生长时期表现出不同的光谱特
８３６ 植 物 科 学 学 报 第 ３３卷
征ꎻ 各个国家和组织间没有统一的光谱信息采集标准
和模式ꎬ 已建立的大多数模型需要因地制宜地进行修
正和验证ꎬ 限制了模型的传递和应用的普适性ꎮ 因
此ꎬ 学者们正努力尝试建立起统一的光谱采集标准和
建模策略ꎬ 发展地区、 国家级地物光谱库ꎬ 以便更好
地实现大样本数据的光谱定量监控ꎮ
５ 结语
高光谱技术已成为生态领域数据获取的前沿技
术之一ꎬ 该技术依托地物光谱的响应机理ꎬ 能够精
确监测生态系统的演变过程信息ꎬ 为实现生态学的
快速发展提供了基础ꎮ 目前ꎬ 高光谱技术在土壤、
植物生理、 农产品品质检测及生态系统碳循环领域
已取得了大量研究成果ꎬ 但仍处于起步和发展阶段ꎬ
成熟的高光谱技术还需要不断地探索与研究ꎮ 随着
遥感技术的发展ꎬ 高光谱遥感的应用将光谱分析技
术扩展至空间领域ꎬ 为在大尺度上对地物光谱信息
数据挖掘和生态建模提供了更广阔的应用前景ꎬ 有
望成为未来生态学发展数据获取的一种新模式ꎮ
参考文献:
[ １ ] 岳跃民ꎬ 王克林ꎬ 张兵ꎬ 陈正超. 高光谱遥感在生
态系统研究中的应用进展[ Ｊ] . 遥感技术与应用ꎬ
２００８ꎬ ２３(４): ４７１－４７８.
[ ２ ] 史舟等编著. 土壤地面高光谱遥感原理与方法[Ｍ] .
北京: 科学出版社ꎬ ２０１４: ２－３.
[ ３ ] 张兵ꎬ 高连如. 高光谱图像分类与目标探测[Ｍ] . 北
京: 科学出版社ꎬ ２０１１: ２－５.
[ ４ ] Ｂｏｏｃｈｓ Ｆꎬ Ｋｕｐｆｅｒ Ｇꎬ Ｄｏｃｔｅｒ Ｋꎬ Ｋüｈｂａｕｃｈ Ｗ.
Ｓｈａｐｅ ｏｆ ｔｈｅ ｒｅｄ ｅｄｇｅ ａｓ ｖｉｔａｌｉｔｙ ｉｎｄｉｃａｔｏｒ ｆｏｒ
ｐｌａｎｔｓ[ Ｊ] . Ｉｎｔ Ｊ Ｒｅｍｏｔｅ Ｓｅｎｓꎬ １９９０ꎬ １１ (１０):
１７４１－１７５３.
[ ５ ] 张小超ꎬ 吴静珠ꎬ 徐云. 近红外光谱分析技术及其
在现代农业中的应用[Ｍ] . 北京: 电子工业出版社ꎬ
２０１２: ３５－３７.
[ ６ ] 陈奕云. 基于可见￣近红外光谱的土壤部分重金属含
量提取[Ｄ] . 武汉: 武汉大学ꎬ ２０１１: １－１５１.
[ ７ ] 彭玉魁ꎬ 张建新ꎬ 何绪生ꎬ 卢恩双. 土壤水分、 有
机质和总氮含量的近红外光谱分析研究[Ｊ] . 土壤学
报ꎬ １９９８ꎬ ３５(４): ５５３－５５９.
[ ８ ] Ｂｏｗｅｒｓ ＳＡꎬ Ｈａｎｋｓ ＲＪ. Ｒｅｆｌｅｃｔｉｏｎ ｏｆ ｒａｄｉａｎｔ ｅｎｅｒ￣
ｇｙ ｆｒｏｍ ｓｏｉｌｓ[Ｊ] . Ｓｏｉｌ Ｓｃｉꎬ １９６５ꎬ １００(２): １３０－
１３８.
[ ９ ] Ｈｕｎｔ ＧＲ. Ｓｐｅｃｔｒａｌ ｓｉｇｎａｔｕｒｅｓ ｏｆ ｐａｒｔｉｃｕｌａｔｅ ｍｉｎｅ￣
ｒａｌｓ ｉｎ ｔｈｅ ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ ｉｎｆｒａｒｅｄ[ Ｊ] . Ｇｅｏｐｈｙ￣
ｓｉｃｓꎬ １９７７ꎬ ４２(３): ５０１－５１３.
[１０] Ｇｈｏｌｉｚａｄｅｈ Ａꎬ Ａｍｉｎ ＭＳＭꎬ Ｂｏｒｕ
ꎮ
ｖｋａ Ｌꎬ Ｓａｂｅｒｉｏｏｎ
ＭＭ. Ｍｏｄｅｌｓ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｐｈｙｓｉｃａｌ ｐｒｏｐｅｒｔｉｅｓ
ｏｆ ｐａｄｄｙ ｓｏｉｌ ｕｓｉｎｇ ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃ￣
ｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ[Ｊ] . Ｊ Ａｐｐｌ Ｓｐｅｃｔｒｏｓｃꎬ ２０１４ꎬ
８１(３): ５３４－５４０.
[１１] 陈红艳. 土壤主要养分含量的高光谱估测研究[Ｄ] .
泰安: 山东农业大学ꎬ ２０１２: １－１２１.
[１２] 聂志东ꎬ 韩建国ꎬ 张录达ꎬ 李军会. 近红外光谱技
术(ＮＩＲＳ)在草地生态学研究中的应用[Ｊ] . 光谱学
与光谱分析ꎬ ２００７ꎬ ２７(４): ６９１－６９６.
[１３] 罗海婧ꎬ 张永清ꎬ 石艳华ꎬ 李鑫ꎬ 张耀文. 不同红
小豆品种幼苗对干旱胁迫的生理响应[Ｊ] . 植物科学
学报ꎬ ２０１４ꎬ ３２(５): ４９３－５０１.
[１４] 薛忠财ꎬ 高辉远ꎬ 彭涛ꎬ 姚广. 光谱分析在植物生
理生态研究中的应用[ Ｊ] . 植物生理学报ꎬ ２０１１ꎬ
４７(４): ３１３－３２０.
[１５] 彭涛ꎬ 李鹏民ꎬ 贾裕娇ꎬ 高辉远. 介绍两种无损伤
测定植物活体叶片色素含量的方法[Ｊ] . 植物生理学
通讯ꎬ ２００６ꎬ ４２(１): ８３－８６.
[１６] Ｃｅｃｃａｔｏ Ｐꎬ Ｆｌａｓｓｅ Ｓꎬ Ｔａｒａｎｔｏｌａ Ｓꎬ Ｊａｃｑｕｅｍｏｕｄ
Ｓꎬ Ｇｒｅｇｏｉｒｅ ＪＭ. Ｄｅｔｅｃｔｉｎｇ ｖｅｇｅｔａｔｉｏｎ ｌｅａｆ ｗａｔｅｒ
ｃｏｎｔｅｎｔ ｕｓｉｎｇ ｒｅｆｌｅｃｔａｎｃｅ ｉｎ ｔｈｅ ｏｐｔｉｃａｌ ｄｏｍａｉｎ
[Ｊ] . Ｒｅｍｏｔｅ Ｓｅｎｓ Ｅｎｖｉｒｏｎꎬ ２００１ꎬ ７７ (１): ２２ －
３３.
[１７] 王人潮ꎬ 陈铭臻ꎬ 蒋亨显. 水稻遥感估产的农学机
理研究Ⅱ. 农学参数与光谱变量的相关分析[Ｊ] . 浙
江农业大学学报ꎬ １９９３ꎬ １９(Ｓｕｐ.): １７－２４.
[１８] 褚小立ꎬ 袁洪福ꎬ 陆婉珍. 近年来我国近红外光谱
分析技术的研究与应用进展[Ｊ] . 分析仪器ꎬ ２００６
(２): １－１０.
[１９] 唐延林ꎬ 王纪华ꎬ 黄敬峰ꎬ 王人潮. 利用水稻成熟
期冠层高光谱数据进行估产研究[ Ｊ] . 作物学报ꎬ
２００４ꎬ ３０(８): ７８０－７８５.
[２０] 魏良明ꎬ 严衍禄ꎬ 戴景瑞. 近红外反射光谱测定玉
米完整籽粒蛋白质和淀粉含量的研究[Ｊ] . 中国农业
科学ꎬ ２００４ꎬ ３７(５): ６３０－６３３.
[２１] 张建平ꎬ 谢雯燕ꎬ 束茹欣ꎬ 严衍禄. 烟草化学成分
的近红外快速定量分析研究[Ｊ] . 烟草科技ꎬ １９９９
(３): ３７－３８.
[２２] 马强ꎬ 张忠锋ꎬ 董小卫ꎬ 李晓ꎬ 周显升ꎬ 肖协忠.
近红外技术在烟草分析领域的研究进展[Ｊ] . 现代农
业科技ꎬ ２００８(１２): １８５－１８８.
[２３] 李钧ꎬ 王宁惠ꎬ 余青兰ꎬ 杜德志ꎬ 付忠. 傅立叶变
换近红外光谱技术分析完整油菜籽含油量数学模型
９３６ 第 ５期 姜庆虎等: 高光谱技术———生态学领域研究的新方法
的建立[Ｊ] . 青海大学学报: 自然科学版ꎬ ２００６ꎬ ２４
(６): ２８－３０.
[２４] 陆宇振ꎬ 杜昌文ꎬ 余常兵ꎬ 周健民. 红外光谱在油
菜籽快速无损检测中的应用[Ｊ] . 植物营养与肥料学
报ꎬ ２０１３ꎬ １９(５): １２５７－１２６３.
[２５] 金同铭ꎬ 崔洪昌. 苹果中蔗糖、 葡萄糖、 果糖、 苹
果酸的非破坏检测 [ Ｊ] . 华北农学报ꎬ １９９７ꎬ １２
(１): ９２－９７.
[２６] 张德双ꎬ 金同铭ꎬ 徐家炳ꎬ 赵岫云. 几种主要营养
成分在大白菜不同叶片及部位中的分布规律[Ｊ] . 华
北农学报ꎬ ２０００ꎬ １５(１): １０８－１１１.
[２７] 王多加ꎬ 林纯忠ꎬ 钟娇娥. 近红外光谱法非破坏快
速检测生菜中硝酸盐含量[ Ｊ] . 食品科学ꎬ ２００４ꎬ
２５(１０): ２３９－２４１.
[２８] 姚炜ꎬ 夏彩云. 红外光谱技术在食品安全检测中的应
用[Ｊ]. 中国卫生检验杂志ꎬ ２００９ꎬ １９(６): １４５１－
１４５２.
[２９] Ｊａｃｏｂ Ｍꎬ Ｗｅｌａｎｄ Ｎꎬ Ｐｌａｔｎｅｒ Ｃꎬ Ｓｃｈａｅｆｅｒ Ｍꎬ Ｌｅ￣
ｕｓｃｈｎｅｒ Ｃꎬ Ｔｈｏｍａｓ ＦＭ. Ｎｕｔｒｉｅｎｔ ｒｅｌｅａｓｅ ｆｒｏｍ ｄｅ￣
ｃｏｍｐｏｓｉｎｇ ｌｅａｆ ｌｉｔｔｅｒ ｏｆ ｔｅｍｐｅｒａｔｅ ｄｅｃｉｄｕｏｕｓ ｆｏｒｅｓｔ
ｔｒｅｅｓ ａｌｏｎｇ ａ ｇｒａｄｉｅｎｔ ｏｆ ｉｎｃｒｅａｓｉｎｇ ｔｒｅｅ ｓｐｅｃｉｅｓ
ｄｉｖｅｒｓｉｔｙ[ Ｊ] . Ｓｏｉｌ Ｂｉｏｌ Ｂｉｏｃｈｅｍꎬ ２００９ꎬ ４１(１０):
２１２２－２１３０.
[３０] Ｂａｎｓａｌ Ｓꎬ Ｓｈｅｌｅｙ ＲＬꎬ Ｂｌａｎｋ Ｂꎬ Ｖａｓｑｕｅｚ ＥＡ. Ｐｌａｎｔ
ｌｉｔｔｅｒ ｅｆｆｅｃｔｓ ｏｎ ｓｏｉｌ ｎｕｔｒｉｅｎｔ ａｖａｉｌａｂｉｌｉｔｙ ａｎｄ ｖｅｇｅｔａ￣
ｔｉｏｎ ｄｙｎａｍｉｃｓ: Ｃｈａｎｇｅｓ ｔｈａｔ ｏｃｃｕｒ ｗｈｅｎ ａｎｎｕａｌ
ｇｒａｓｓｅｓ ｉｎｖａｄｅ ｓｈｒｕｂ￣ｓｔｅｐｐｅ ｃｏｍｍｕｎｉｔｉｅｓ [ Ｊ ] .
Ｐｌａｎｔ Ｅｃｏｌꎬ ２０１４ꎬ ２１５(３): ３６７－３７８.
[３１] 杨万勤ꎬ 邓仁菊ꎬ 张健. 森林凋落物分解及其对全
球气候变化的响应[Ｊ] . 应用生态学报ꎬ ２００７ꎬ １８
(１２): ２８８９－２８９５.
[３２] 刘昕ꎬ 江明喜ꎬ 邓红兵. 三峡地区香溪河流域叶片
凋落物分解过程中 Ｎ、 Ｐ含量动态研究[Ｊ] . 武汉植
物学研究ꎬ ２００８ꎬ ２６(６): ６１３－６１９.
[３３] Ｗｉｃｋｉｎｇｓ Ｋꎬ Ｇｒａｎｄｙ ＡＳꎬ Ｒｅｅｄ ＳＣꎬ Ｃｌｅｖｅｌａｎｄ ＣＣ.
Ｔｈｅ ｏｒｉｇｉｎ ｏｆ ｌｉｔｔｅｒ ｃｈｅｍｉｃａｌ ｃｏｍｐｌｅｘｉｔｙ ｄｕｒｉｎｇ ｄｅ￣
ｃｏｍｐｏｓｉｔｉｏｎ[Ｊ]. Ｅｃｏｌ Ｌｅｔｔꎬ ２０１２ꎬ １５(１０): １１８０－
１１８８.
[３４] 刘强ꎬ 彭少麟. 植被凋落物生态学[Ｍ] . 北京: 科学
出版社ꎬ ２０１０: ３０.
[３５] Ｐａｒｓｏｎｓ ＳＡꎬ Ｌａｗｌｅｒ ＩＲꎬ Ｃｏｎｇｄｏｎ ＲＡꎬ Ｗｉｌｌｉａｍｓ
ＳＥ. Ｒａｉｎｆｏｒｅｓｔ ｌｉｔｔｅｒ ｑｕａｌｉｔｙ ａｎｄ ｃｈｅｍｉｃａｌ ｃｏｎｔｒｏｌｓ
ｏｎ ｌｅａｆ ｄｅｃｏｍｐｏｓｉｔｉｏｎ ｗｉｔｈ ｎｅａｒ￣ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏ￣
ｍｅｔｒｙ[Ｊ] . Ｊ Ｐｌａｎｔ Ｎｕｔｒ Ｓｏｉｌ Ｓｃꎬ ２０１１ꎬ １７４ (５):
７１０－７２０.
[３６] Ｏｎｏ Ｋꎬ Ｍｉｋｉ Ｋꎬ Ａｍａｒｉ Ｍꎬ Ｈｉｒａｉ Ｋ. Ｎｅａｒ￣ｉｎｆｒａｒｅｄ ｒｅ￣
ｆｌｅｃｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ ｆｏｒ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｌｉｇ￣
ｎｉｎ￣ｄｅｒｉｖｅｄ ｃｏｍｐｏｕｎｄｓ ｉｎ ｔｈｅ ｄｅｃｏｍｐｏｓｅｄ ａｎｄ
ｈｕｍｉｆｉｅｄ ｌｉｔｔｅｒｓ ｏｆ ｃｏｎｉｆｅｒｏｕｓ ａｎｄ ｄｅｃｉｄｕｏｕｓ ｔｅｍ￣
ｐｅｒａｔｅ ｆｏｒｅｓｔｓ ｉｎ Ｎｏｒｔｈｅｒｎ Ｋａｎｔｏ Ｄｉｓｔｒｉｃｔꎬ Ｃｅｎｔｒａｌ
Ｊａｐａｎ[ Ｊ] . Ｓｏｉｌ Ｓｃｉ Ｐｌａｎｔ Ｎｕｔｒꎬ ２００８ꎬ ５４ ( ２):
１８８－１９６.
[３７] Ｇｉｌｌｏｎ Ｄꎬ Ｊｏｆｆｒｅ Ｒꎬ Ｉｂｒａｈｉｍａ Ａ. Ｃａｎ ｌｉｔｔｅｒ ｄｅｃｏｍ￣
ｐｏｓａｂｉｌｉｔｙ ｂｅ ｐｒｅｄｉｃｔｅｄ ｂｙ ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃ￣
ｔａｎｃｅ ｓｐｅｃｔｒｏｓｃｏｐｙ? [ Ｊ ] . Ｅｃｏｌｏｇｙꎬ １９９９ꎬ ８０
(１): １７５－１８６.
[３８] Ｍａｒｔｉｎ Ｍꎬ Ａｂｅｒ Ｊ. Ａｎａｌｙｓｅｓ ｏｆ ｆｏｒｅｓｔ ｆｏｌｉａｇｅ Ⅲ:
Ｄｅｔｅｒｍｉｎｉｎｇ ｎｉｔｒｏｇｅｎꎬ ｌｉｇｎｉｎ ａｎｄ ｃｅｌｌｕｌｏｓｅ ｉｎ ｆｒｅｓｈ
ｌｅａｖｅｓ ｕｓｉｎｇ ｎｅａｒ ｉｎｆｒａｒｅｄ ｒｅｆｌｅｃｔａｎｃｅ ｄａｔａ[Ｊ] . Ｊ
Ｎｅａｒ Ｉｎｆｒａｒｅｄ Ｓｐｅｃꎬ １９９４ꎬ ２(１): ２５.
[３９] Ｍａｎｃｉｎｅｌｌｉ Ｇꎬ Ｃｏｓｔａｎｔｉｎｉ ＭＬꎬ Ｒｏｓｓｉ Ｌ. Ｐｒｅｄｉｃｔｉｎｇ
ｅｒｇｏｓｔｅｒｏｌ ｉｎ ｌｅａｆ ｌｉｔｔｅｒ ｂｙ ｎｅａｒ￣ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｒａ￣
ｄｉｏｍｅｔｒｙ: Ａ ｐｒｅｌｉｍｉｎａｒｙ ａｓｓｅｓｓｍｅｎｔ[Ｊ] . Ｅｕｒ Ｊ Ｓｏｉｌ
Ｂｉｏｌꎬ ２０１４ꎬ ６３(４): ４９－５４.
[４０] 彭少麟ꎬ 刘强. 森林凋落物动态及其对全球变暖的
响应[Ｊ] . 生态学报ꎬ ２００２ꎬ ２２(９): １５３４－１５４４.
[４１] Ｐａｚ￣Ｋａｇａｎ Ｔꎬ Ｓｈａｃｈａｋ Ｍꎬ Ｚａａｄｙ Ｅꎬ Ｋａｒｎｉｅｌｉ Ａ. Ａ
ｓｐｅｃｔｒａｌ ｓｏｉｌ ｑｕａｌｉｔｙ ｉｎｄｅｘ (ＳＳＱＩ) ｆｏｒ ｃｈａｒａｃｔｅｒｉ￣
ｚｉｎｇ ｓｏｉｌ ｆｕｎｃｔｉｏｎ ｉｎ ａｒｅａｓ ｏｆ ｃｈａｎｇｅｄ ｌａｎｄ ｕｓｅ[Ｊ] .
Ｇｅｏｄｅｒｍａꎬ ２０１４ꎬ ２３０－２３１: １７１－１８４.
[４２] Ｚａｎｇｅｒｌé Ａꎬ Ｈｉｓｓｌｅｒ Ｃꎬ Ｂｌｏｕｉｎ Ｍꎬ Ｌａｖｅｌｌｅ Ｐ. Ｎｅａｒ
ｉｎｆｒａｒｅｄ ｓｐｅｃｔｒｏｓｃｏｐｙ (ＮＩＲＳ) ｔｏ ｅｓｔｉｍａｔｅ ｅａｒｔｈ￣
ｗｏｒｍ ｃａｓｔ ａｇｅ[Ｊ] . Ｓｏｉｌ Ｂｉｏｌ Ｂｉｏｃｈｅｍꎬ ２０１４ꎬ ７０:
４７－５３.
[４３] Ｅｒｔｌｅｎ Ｄꎬ Ｓｃｈｗａｒｔｚ Ｄꎬ Ｂｒｕｎｅｔ Ｄꎬ Ｔｒｅｎｄｅｌ Ｊ －Ｍꎬ
Ａｄａｍ Ｐꎬ Ｓｃｈａｅｆｆｅｒ Ｐ. Ｑｕａｌｉｔａｔｉｖｅ ｎｅａｒ ｉｎｆｒａｒｅｄ
ｓｐｅｃｔｒｏｓｃｏｐｙꎬ ａ ｎｅｗ ｔｏｏｌ ｔｏ ｒｅｃｏｇｎｉｚｅ ｐａｓｔ ｖｅｇｅ￣
ｔａｔｉｏｎ ｓｉｇｎａｔｕｒｅ ｉｎ ｓｏｉｌ ｏｒｇａｎｉｃ ｍａｔｔｅｒ[Ｊ] . Ｓｏｉｌ Ｂｉｏｌ
Ｂｉｏｃｈｅｍꎬ ２０１５ꎬ ８２: １２７－１３４.
[４４] 王润生ꎬ 甘甫平ꎬ 闫柏琨ꎬ 杨苏明ꎬ 王青华. 高光
谱矿物填图技术与应用研究[ Ｊ] . 国土资源遥感ꎬ
２０１０ꎬ ８３(１): １－１３.
[４５] 袁迎辉ꎬ 林子瑜. 高光谱遥感技术综述[Ｊ] . 中国水
运: 学术版ꎬ ２００７ꎬ ７(８): １５５－１５７.
[４６] 李俊生ꎬ 吴迪ꎬ 吴远峰ꎬ 刘海霞ꎬ 申茜ꎬ 张浩. 基
于实测光谱数据的太湖水华和水生高等植物识别
[Ｊ] . 湖泊科学ꎬ ２００９ꎬ ２１(２): ２１５－２２２.
[４７] Ｐｅｎｇｒａ ＢＷꎬ Ｊｏｈｎｓｔｏｎ ＣＡꎬ Ｌｏｖｅｌａｎｄ ＴＲ. Ｍａｐｐｉｎｇ
ａｎ ｉｎｖａｓｉｖｅ ｐｌａｎｔꎬ Ｐｈｒａｇｍｉｔｅｓ ａｕｓｔｒａｌｉｓꎬ ｉｎ ｃｏａｓｔａｌ
ｗｅｔｌａｎｄｓ ｕｓｉｎｇ ｔｈｅ ＥＯ￣１ ｈｙｐｅｒｉｏｎ ｈｙｐｅｒｓｐｅｃｔｒａｌ
ｓｅｎｓｏｒ [ Ｊ ] . Ｒｅｍｏｔｅ Ｓｅｎｓ Ｅｎｖｉｒｏｎꎬ ２００７ꎬ １０８
(１): ７４－８１.
(责任编辑: 张 平)
０４６ 植 物 科 学 学 报 第 ３３卷