全 文 ：作物学报 ACTA AGRONOMICA SINICA 2009, 35(6): 1131−1138 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn

本研究由江苏省“六大人才高峰”项目(06-G-169)资助。
*
通讯作者(Corresponding author): 曹宏鑫, E-mail: caohongxin07@yahoo.cn; Tel: 025-48390125
第一作者联系方式: E-mail: sunjinying240@sina.com
Received(收稿日期): 2009-01-05; Accepted(接受日期): 2009-03-17.
DOI: 10.3724/SP.J.1006.2009.01131
油菜叶片气孔导度与冠层光谱植被指数的相关性
孙金英 1,2 曹宏鑫 2,* 黄 云 1
1 西南大学资源与环境学院, 重庆 400716; 2 江苏省农业科学院农业资源与环境研究所 / 数字农业工程技术研究中心, 江苏南京
210014
摘 要: 利用冠层光谱实时、无损和定量监测植物叶片气孔导度, 对于改善作物水分利用效率以及产量和品质预测
预报具有十分重要的意义。本研究采用裂区设计法(宁油 18 和宁油 16 两个品种)、两个供氮水平(N180：纯氮 180 kg
hm−2、P2O5 120 kg hm−2、K2O 180 kg hm−2和硼砂 15 kg hm−2; N0：CK)于 2007—2008年测定油菜冠层光谱反射率、
叶片气孔导度以及叶面积指数(LAI)和叶片鲜、干生物量, 利用各波段光谱反射率组合产生的植被指数, 分析油菜叶
片气孔导度的变化规律及其与光谱植被指数的相关性, 从而建立光谱植被指数对叶片气孔导度的估算模型。结果表
明, 在整个生育期油菜叶片气孔导度呈“双峰”变化, LAI和叶片鲜、干生物量均呈单峰曲线变化; 开花前光谱植被指
数与油菜叶片气孔导度和油菜冠层叶片平均气孔导度均呈极显著正相关, 且光谱植被指数对油菜冠层叶片气孔导度
的拟合效果好于对油菜叶片气孔导度的。光谱植被指数与冠层叶片气孔导度的量化关系可为今后快速、无损、大面
积的油菜作物气孔导度估算奠定一定基础。
关键词: 油菜; 气孔导度; 光谱; 植被指数; 相关性
Correlation between Canopy Spectral Vegetation Index and Leaf Stomatal
Conductance in Rapeseed (Brassica napus L.)
SUN Jin-Ying1,2, CAO Hong-Xin2,*, and HUANG Yun1
1 College of Resources and Environment, South West University, Chongqing 400716, China; 2 Institute of Agricultural Resources and Environment
Research / Engineering Research Center for Digital Agriculture, Jiangsu Academy of Agricultural Sciences, Nanjing 210014, China
Abstract: It plays a very important role for improving water use efficiency of crops and predicting crop yield and quality to
monitor leaf stomatal conductance with real time, non-destructively and quantitatively by using canopy spectral characteristics. In
the paper, the spectral reflectance, leaf stomatal conductance, LAI (leaf area index), leaf fresh and dry biomass of two rapeseed
varieties were determined in a field experiment by split-plot design with the main plot of N levels and the subsidiary plot of culti-
vars, 3 replications, and plot area of 4.3 m by 7.0 m in 2007–2008. The changes in leaf stomatal conductance and the correlation
between leaf stomatal conductance and spectral vegetation index were analyzed based on the vegetation index combined with
spectral reflectance in all kinds of bands. The estimating models for spectral vegetation index of leaf stomatal conductance were
established according to the relationship between spectral vegetation index and leaf stomatal conductance. The results showed that
there were two peaks in changes carve of leaf stomatal conductance, and one peak in the changes curve of LAI, leaf fresh and dry
biomass in the whole growth period. There existed significantly positive correlation between spectral vegetation index and leaf
stomatal conductance or canopy leaf stomatal conductance before flowering, and the spectral vegetation index better fitted into
canopy average stomatal conductance than into leaf stomatal conductance. The quantitative relationships between spectral vegeta-
tion index and canopy leaf stomatal conductance laid the foundation for rapid and non-destructive stomatal conductance estimates
in a large area of rapes in future.
Keywords: Rapeseed (Brassica napus L.); Stomatal conductance; Spectrum; Vegetation index; Correlation
气孔导度(stomatal conductance)表示气孔张开
的程度, 它直接影响作物的光合、呼吸及蒸腾作用,
进而影响作物的产量和品质[1-2]。气孔是植物叶片与
外界气体交换的主要通道, 它可根据环境条件的变
化调节其开度大小而使植物在水分损失较少的条件
下获取最多的 CO2。Eastin等[3]认为水分胁迫引起光
1132 作 物 学 报 第 35卷

合产物的减少, 首先是由于气孔而非内部阻力。因
此, 研究植物叶片气孔导度的实时、无损和定量监
测技术, 对于改善作物水分利用效率以及产量和品
质预测预报都具有十分重要的意义[1-2]。国内外就植
物叶片气孔导度与冠层光谱特征之间的关系已有研
究。Carter[4]研究表明部分松树种叶片的气孔导度与
比值指数 (R701/R820)的相关程度高于比值指数
(R701/R820)与叶片二氧化碳同化率的相关。另外 ,
简单比值植被指数(SR)或归一化植被指数(NDVI)与
气孔导度有良好的相关关系[5-6]; 而 Flexas 等[7]还曾
尝试利用荧光特征参数 Fs/Fo 无损监测叶片气孔导
度, 两者的关系可用双曲线函数拟合, 拟合效果很
好。田永超等[8]认为比值指数(R1650/R760)可较好监
测不同水氮条件下水稻叶片的气孔开闭特征。
植被在 400~700 nm 波段范围内的反射光谱主
要由叶绿素和其他色素的吸收决定 [9], 而在近红外
波段的反射光谱主要受叶片细胞排列方式和植被结
构影响 [10], 利用这两个波段反射光谱的组合可产生
大量植被指数 , 并广泛应用于地表植被调查和研
究。然而,利用地面遥感光谱定量监测油菜叶片气孔
导度的研究仍鲜有报道。本研究旨在阐明油菜叶片
及冠层叶片气孔导度与冠层光谱植被指数的量化关
系 ,建立基于光谱植被指数的油菜叶片及冠层叶片
气孔导度监测模型, 以期为油菜生长状况及产量品
质的遥感监测奠定基础。
1 材料与方法
1.1 试验材料与设计
于 2007—2008 年在江苏省农业科学院院部试
验田种植江苏省农业科学院经济作物研究所育成的
宁油 18(V1)和宁油 16(V2)。试验地前茬为水稻, 土
壤肥力中等, 0~40 cm耕层含有机碳 13.70 g kg−1、速
效氮 54.95 mg kg−1、速效磷 24.25 mg kg−1、速效钾
105.03 mg kg−1, 行距 40 cm, 株距 17~20 cm, 每小
区栽 10 行, 小区间空一行。采用裂区设计, 主区为
氮肥水平, 副区为品种, 品种随机排列, 重复 3 次,
共 12个小区, 小区面积 7.0 m×4.3 m。2007年 9月
26日播种, 11月 4日移栽。2008年 1月中旬至 2月
中旬发生雨雪灾害, 旬平均气温较常年偏低 1~4 , ℃
降水量较常年多 3倍(表 1), 使宁油 16号抽薹、初花
及收获等生育时期分别较上年推迟 18、10 和 3 d。
设 2 个施肥水平, 即施肥 N180 (纯氮 180 kg hm−2、
P2O5 120 kg hm−2、K2O 180 kg hm−2和硼砂 15 kg hm−2)
和不施肥 N0 (CK)。氮肥按基肥∶苗肥∶腊肥=5∶
3∶2, 其余肥料全部基施。田间管理按大田管理方式
进行。试验中测定和取样同步进行, 间隔时间为 14 d

表 1 2008年南京地区 1~2月份气象情况
Table 1 Weather data from Jan. to Feb. of 2008 in Nanjing area
项目
Item
1月上旬
The first ten
days of Jan.
1月中旬
The middle ten
days of Jan.
1月下旬
The last ten days
of Jan.
2月上旬
The first ten
days of Feb.
2月中旬
The middle ten
days of Feb.
2月下旬
The last ten days
of Feb.

平均气温
Average temperature ( )℃ 4.5 1.4 –1.2 –0.8 2.4 6.2

与常年相比
Comparison with normal year ( )℃ 2.0 –1.0 –4.0 –4.0 –3.0 1.0

旬极端最低气温
The lowest temperature ( )℃ –5.9 –3.6 –7.6 –8.5 –6.4 –2.4

降水量
Rainfall (mm)
0 63 47 6 0 13

与常年相比
Comparison with normal year
— Increasing 2 to 3 times
Increasing
3 times
Decreasing
5/10 —
Decreasing
2/10

累积最大积雪深度
The largest snow depth (cm)
— 4 37 28 — —

降水日数
Rain days (d)
— 7 6 3 0 2

日照
Sun time (h)
39 9 9 55 77 62

与常年相比
Comparison with normal year
Decreasing
a bit
Decreasing
8/10
Decreasing
8/10
Increasing
2/10
Increasing
9/10
Increasing
7/10

第 6期 孙金英等: 油菜叶片气孔导度与冠层光谱植被指数的相关性 1133


(越冬期和特殊天气除外)。
1.2 冠层光谱测定
冠层光谱反射率采用美制 EXOTECH 100BX四
波段光谱辐射计, 选择晴天 9:00~10:00 之间太阳高
度角大于 45°时测定。光谱仪探头表面平行于油菜冠
层并与冠层保持 2 m垂直距离, 测试范围为直径 50
cm的一个圆, 每次测量前后均进行标准白板校正。
EXOTECH 100BX四波段光谱辐射计的 ABCD 4个
波段对应于美国陆地卫星 TM1234 波段, 其中 A 为
蓝光波段(以下简称 B), 波长 450~520 nm; B 为绿
光波段(以下简称 G), 波长 520~600 nm; C为红光波
段(以下简称 R), 波长 630~690 nm; D为近红外波段
(以下简称 NIR), 波长 760~900 nm。用该仪器测量值
计算的植被指数与卫星遥感数据具有可比性。
1.3 气孔导度、叶面积指数和叶干鲜重测定
采用 ECA-PB0402 光合测定仪, 与冠层光谱反
射率同步测定气孔导度 , 选择晴天无云的上午
9:00~10:00 测定, 越冬期前测定叶位为顶部第 1 片
完全展开功能叶, 越冬期后测定叶位为顶部第 1和 2
片完全展开功能叶。测量时尽量不触摸所测量的叶
片及所测部位的叶表面, 以防改变自然状态的叶温,
影响测量数据的准确性。上样时要叶面朝上, 夹在
叶室的有效部分, 即 3 cm×2 cm 的标准叶室内, 防
止叶室漏气而测量不准。当 Δ CO2 值稳定时记录数
据, 每小区测 3株, 求气孔导度的平均值。用孔径 6
mm 的单孔打孔器(德国基尔大学植物营养和土壤研
究所设计)分别从距叶梢和叶柄 2 cm 处开始顺次打
孔, 每张叶片共打 20 孔, 并注意避开中心叶脉和已
枯萎部分, 将打下的圆形叶片计数并装入纸袋烘干
(75℃烘 48 h)、称重(W1, 单位：g); 打孔后的剩余
叶片装入纸袋烘干、称重(W2, 单位：g)。叶面积
(cm2)= (W1+ W2)×打孔数×3.14 r2⁄ W1, 其中 r为打孔
器的半径, 这里为 3 mm。与光谱测量同步, 每次每
小区取代表性植株 3株, 用 0.001 g精度电子天平称
叶片鲜重后置恒温干燥箱内烘干, 前半小时温度控
制在 105℃杀青, 以后维持在 70~80 , 12 h℃ 后第一
次称重, 然后每隔 1 h称重一次, 当样本前后 2次重
量差≤5‰时不再烘烤, 称得干重。进一步计算 LAI
(全部叶片的面积与占地面积之比, 面积单位：cm2)。
1.4 光谱植被指数的计算
用红、绿、蓝光 3个波段的组合代替常规 NDVI
中的红光波段, 其中包括绿光波段、蓝光波段、绿
光与红光波段的和、绿光与蓝光波段的和、红光与
蓝光波段的和以及红绿蓝 3 波段的和, 各种波段组
合构成的植被指数公式见表 2。NDVI的通用公式为
Visible NDVI=VNDVI=(NIR–VIS)/(NIR+VIS), 其中,
NIR为近红外波段, VIS为可见光波段, 它可能是红
绿蓝的一个波段, 也可能是几个波段的组合。

表 2 光谱植被指数的公式
Table 2 Formula of spectral vegetation index
名称
Name
计算公式
Formula
参考文献
Reference
RVI RVI＝NIR/Red Person & Miller[11]
NDVI NDVI=(NIR–Red)/(NIR+Red) Rouse et al.[12]
Green NDVI GNDVI=(NIR–Green)/(NIR+Green) Gitelson et al.[13]
Blue NDVI BNDVI=(NIR–Blue)/(NIR+Blue) Wang et al.[14]
Green-Red NDVI GRNDVI=[NIR–(Green+Red)]/[NIR+(Green+Red)] Wang et al.[14]
Green-Blue NDVI GBNDVI=[NIR–(Green+Blue)]/[NIR+(Green+Blue)] Wang et al.[14]
Red-Blue NDVI RBNDVI=[NIR–(Red+Blue)]/[NIR+(Red+Blue)] Wang et al.[14]
Pan NDVI PNDVI=[NIR–(Green+Red+Blue)]/[NIR+(Green+Red+Blue)] Wang et al.[14]

2 结果与分析
2.1 油菜叶片气孔导度的变化趋势
同一测定日期, 相同品种和施肥处理第 1 片完
全展开功能叶的平均气孔导度与其相邻叶位的绝对
相差较小, 一般在 0.05左右, 最大为 0.07。因此, 取
3 株第 1 片完全展开功能叶气孔导度平均值代表油
菜叶片气孔导度。在油菜整个生育期随发育期推移
4 个处理的叶片气孔导度变化呈“双峰”曲线(图 1)。
在移栽初期, 叶片气孔导度随时间缓慢增加, 在越
冬前第一次达到高峰(2007 年 12 月 8 日); 进入越
冬期后, 由于油菜停止生长, 在 2008 年 1 月 8 日叶
片气孔导度最小; 春季返青后, 油菜恢复生长, 叶片
气孔导度迅速增加, 2008年 3月 27日再次达到高峰,
成为全生育期最大值; 开花后, 油菜角果大量形成,
1134 作 物 学 报 第 35卷

叶片养分开始向角果转移, 叶片内部组织结构开始
发生变化, 叶片光合作用减小。研究表明, 在形成油
菜籽粒产量的营养物质中, 大约有 1/3 来源于叶片
光合作用, 2/3 来源于角果光合作用[15-17]。叶片气孔
导度呈下降趋势直到成熟。另外, 4个处理油菜的叶
片气孔导度差异较小, 仅越冬前施肥处理高于对照,
施肥区V1大于V2, 无肥区V2大于V1; 越冬后, 无
论施肥区还是无肥区, 均基本上 V2大于 V1。
2.2 油菜生长参数的变化趋势
从图 2 和图 3 可知, 不同处理油菜的 LAI 和叶
干鲜重均不同, 施肥处理高于无肥处理, 品种间差
异较小, 均呈单峰曲线。



图 1 整个生育期油菜叶片气孔导度的变化趋势
Fig. 1 Changes in leaf stomatal conductance of rapeseed in the whole growth period



图 2 整个生育期油菜叶面积指数的变化趋势
Fig. 2 Changes in LAI of rapeseed in the whole growth period



图 3 整个生育期油菜叶鲜、干生物量的变化趋势
Fig. 3 Changes in leaf fresh and dry biomass of rapeseed in the whole growth period
A：油菜叶鲜生物量; B：干生物量。
A: fresh leaf biomass; B: dry biomass.
第 6期 孙金英等: 油菜叶片气孔导度与冠层光谱植被指数的相关性 1135


2.3 光谱植被指数与油菜叶片气孔导度的关系
相关分析表明, 开花前光谱植被指数与油菜叶
片气孔导度呈极显著正相关 ; 开花后则相反 , 除
BNDVI 与油菜叶片气孔导度显著相关外, 其他光谱
植被指数与油菜叶片气孔导度相关性均不显著(表
3), 这是由于开花期间 , 油菜冠层光谱主要反映花
的信息, 而角果形成后, 油菜冠层光谱主要反映角
果的信息, 此时, 叶片对冠层光谱的影响减少。因此,
开花后光谱植被指数与油菜叶片气孔导度的相关性
较低。
2.4 油菜叶片气孔导度的光谱植被指数估算模型
根据光谱植被指数与叶片气孔导度的关系(表
2), 建立光谱植被指数对叶片气孔导度的拟合方程
(线性和非线性)(表 4)。由表 4 可见, 光谱植被指数
变量回归 R2值, 除 RVI 以乘幂形式最好外, 其他以
指数形式最好, 各种光谱植被指数对叶片气孔导度
的拟合效果都较好, 但不同光谱植被指数也有一定
差别, 其中, 以 BNDVI 对油菜叶片气孔导度的拟合
效果最好 , R2 值为 0.6462; GBNDVI、GNDVI、
PNDVI、RBNDVI、GRNDVI 和 NDVI 的拟合效果
次之, R2都在 0.6001以上; 而RVI的拟合效果较差,
R2值为 0.5676。
2.5 油菜冠层叶片气孔导度的光谱植被指数估
算模型
冠层叶片气孔导度对于大面积(航空、航天尺度)
遥感监测有重要意义, 它是植物水分监测、光合生
产力调查的重要手段。进一步分析光谱植被指数与
油菜冠层叶片平均气孔导度(即近似为油菜叶片气
孔导度和叶面积指数的乘积)的关系表明, 其相关顺
序与光谱植被指数和油菜叶片平均气孔导度的相关
性一致(表 5), 光谱植被指数对冠层叶片平均气孔导
度的最佳拟合方程为线性和指数形式(图 4), 且光谱
植被指数对油菜冠层叶片平均气孔导度的拟合效果
好于对油菜叶片气孔导度的, 原因是试验中光谱参
数来源于冠层反射光谱值, 其对植物冠层生长参数
更敏感。从图 4 可看出, 除 GNDVI 和 GBNDVI 以
指数形式最好外, 其他以直线形式最好, R2 值都在
0.7270 以上, 其中, RVI 变量回归方程的 R2 值达
0.8074。
3 讨论
光谱技术的发展, 使利用作物光谱特征反演农
学参数成为可能 [18-22], 如何精确提取作物冠层光谱
信息, 消除和减少土壤背景的影响, 提高反射光谱
的预测精度是影响该技术使用的关键。本研究尝试
利用各波段光谱反射率构成的植被指数来提高油菜
冠层叶片气孔导度光谱监测的精度, 分析不同植被
指数与油菜冠层叶片气孔导度的定量关系, 表明利
用 RVI 建立油菜冠层叶片气孔导度光谱模型的 R2
达 0.8074; 由红、绿、蓝光各波段组合构成的植被
指数(GNDVI、BNDVI、GRNDVI、GBNDVI、RBNDVI
和 PNDVI)对油菜冠层叶片气孔导度拟合方程的 R2
相差不大, 但拟合效果都好于常规 NDVI; 由绿光
波段以及绿蓝光波段构成的 GNDVI 和 GBNDVI 相
对其他几个植被指数(BNDVI、GRNDVI、RBNDVI
和 PNDVI)对油菜冠层叶片气孔导度具有较好的估
算效果, 这是由绿光波段和蓝光波段对油菜叶片气
孔导度敏感性以及 GNDVI 和 GBNDVI 特有的公式
形式决定的。
光谱植被指数与冠层群体叶片气孔导度的量化
关系为今后快速、无损、大面积的油菜作物气孔导
度估算奠定了一定基础, 同时也为油菜冠层叶片气
孔导度光谱监测仪器的研究开发提供新的理论依据
和技术支持。但本研究中油菜冠层叶片气孔导度监
测模型仅建立在 2 个施肥水平、2 个品种的基础之
上, 试验数据来源有限, 所有量化方程还有待进一
步测试和完善。且 2008年初南方雪灾, 这次连续低
温雨雪冰冻天气给油菜正常生长发育造成不利影响,

表 3 光谱植被指数与油菜叶片气孔导度的相关性
Table 3 Correlation between spectral vegetation index and leaf stomatal conductance in rapeseed
RVI NDVI GNDVI BNDVI GRNDVI GBNDVI RBNDVI PNDVI
开花前(n＝20)
Before flowering stage
0.710** 0.732** 0.743** 0.756** 0.738** 0.749** 0.743** 0.743**
开花后(n＝12)
After flowering stage
–0.165 –0.250 –0.039 0.616* –0.153 0.176 –0.029 –0.030
*和**分别表示 0.05和 0.01水平显著性。
* and ** denote significant at the 0.05 and 0.01 probability levels, respectively.

1136 作 物 学 报 第 35卷

表 4 开花前油菜叶片气孔导度与光谱植被指数的回归方程
Table 4 Regression equation between leaf stomatal conductance and spectral vegetation index before flowering
植被指数
Vegetation index
回归方程
Regression equation
决定系数
R2
线性 Linear y = 0.0492x–0.0216 0.5043
对数 Logarithmic y = 0.1593 ln(x)–0.041 0.5315
乘幂 Power y = 0.0302x1.2505 0.6001
比值植被指数
RVI
指数 Exponential y = 0.0353e0.3853x 0.5676

线性 Linear y = 0.4276x–0.0762 0.5343
对数 Logarithmic y = 0.1921 ln(x)+0.2746 0.5123
乘幂 Power y＝0.3609x1.5107 0.5808
归一化植被指数
NDVI
指数 Exponential y = 0.0229e3.3598x 0.6044

线性 Linear y = 0.6086x–0.1511 0.5516
对数 Logarithmic y = 0.2749 ln(x)+0.3461 0.5468
乘幂 Power y = 0.6354x2.1657 0.6221
绿光波段构成的 NDVI
GNDVI
指数 Exponential y = 0.0126e4.7945x 0.6272

线性 Linear y = 0.4034x+0.0621 0.5447 绿红光波段构成的 NDVI
GRNDVI 指数 Exponential y = 0.0678e3.1721x 0.6172

线性 Linear y = 0.6096x–0.2459 0.5711
对数 Logarithmic y = 0.3704 ln(x)+0.312 0.5647
乘幂 Power y = 0.4842x2.9127 0.6401
蓝光波段构成的 NDVI
BNDVI
指数 Exponential y = 0.0060e4.7898x 0.6462

线性 Linear y = 0.4608x＋0.0151 0.5617
对数 Logarithmic y = 0.0976 ln(x)+0.274 0.5197
乘幂 Power y = 0.3600x0.7692 0.5915
绿蓝光波段构成的 NDVI
GBNDVI
指数 Exponential y = 0.0469e3.6247x 0.6369

线性 Linear y = 0.3725x+0.0313 0.5517
对数 Logarithmic y = 0.0713 ln(x)＋0.2323 0.4570
乘幂 Power y = 0.2589x0.5615 0.5188
红蓝光波段构成的 NDVI
RBNDVI
指数 Exponential y = 0.0533e2.9258x 0.6237

线性 Linear y = 0.3865x+0.1183 0.5518 红绿蓝光波段构成的 NDVI
PNDVI 指数 Exponential y = 0.1055e3.0374x 0.6246
RVI: ratio vegetation index; NDVI: normalized difference vegetation index; GNDVI: NDVI constituted by green band; GRNDVI:
NDVI constituted by green and red bands; BNDVI: NDVI constituted by blue band; GBNDVI: NDVI constituted by green and blue bands;
RBNDVI: NDVI constituted by red and blue bands; PNDVI; NDVI constituted by red, green and blue bands.

表 5 光谱植被指数与油菜冠层叶片气孔导度的相关性
Table 5 Correlation between spectral vegetation index and canopy leaf stomatal conductance of rapeseed
RVI NDVI GNDVI BNDVI GRNDVI GBNDVI RBNDVI PNDVI
开花前(n=20)
Before flowering stage
0.898** 0.853** 0.863** 0.879** 0.870** 0.880** 0.876** 0.882**
开花后(n=12)
After flowering stage
–0.249 –0.326 –0.117 0.601* –0.231 0.108 –0.098 –0.104
* 和 ** 分别表示 0.05和 0.01水平显著性。
* and ** denote significant at the 0.05 and 0.01 probability levels, respectively.
第 6期 孙金英等: 油菜叶片气孔导度与冠层光谱植被指数的相关性 1137




图 4 开花前光谱植被指数对油菜冠层叶片气孔导度的拟合方程
Fig. 4 Fitted regression equation between spectral vegetation index and canopy leaf stomatal conductance of rapeseed
before flowering

属特殊年份。因此, 今后研究工作的重点是通过地
面遥感与高空或卫星遥感相结合, 获得大面积的航
空成像或卫星影像高光谱资料, 建立较大尺度的农业
遥感应用技术, 使结果具有较好的可靠性和普适性。
1138 作 物 学 报 第 35卷

4 结论
光谱植被指数对油菜冠层叶片气孔导度的拟合
效果好于对油菜叶片气孔导度的, 光谱植被指数变
量回归的 R2值都在 0.7270以上。

致谢： 本研究得到江苏省农业科学院金之庆、石春
林、葛道阔、魏秀芳、朱大威、陈玉泉等老师, 扬
州大学刘岩、南京农业大学岳延滨等同学的帮助和
支持, 在此表示诚致的谢意。
References
[1] Zhang J-H(张佳华), Wang C-Y(王长耀). Water deficit crop yield
model based on remote sensing and crop photosynthesis. J Hy-
draulic Eng (水利学报), 1999, 30(8): 35–39(in Chinese with
English abstract)
[2] Zhang J-H(张佳华), Fu C-B(符淙斌), Wang C-Y(王长耀). Study
on stomatal conductance distribution of winter wheat in regional
scale using remote sensing information. Acta Meteorol Sin (气象
学报), 2000, 58(3): 347–353(in Chinese with English abstract)
[3] Eastin J D, Sullivan C J. Environmental Stress Influences on
Plant Persistence, Physiology, and Production. In: Tesar M B ed.
Physiological Basis of Crop Growth and Development. Madison,
WI: ASA Special Publication. 1984. pp 201–238
[4] Carter G A. Reflectance wavebands and indices for remote esti-
mation of photosynthesis and stomatal conductance in pine cano-
pies. Remote Sens Environ, 1998, 63: 61–72
[5] Myneni R B, Ganapol B D, Asrar G. Remote sensing of vegeta-
tion canopy photosynthetic and stomatal conductance efficiencies.
Remote Sens Environ, 1992, 42: 217–238
[6] Verma S B, Sellers P J, Walthall C L, Hall F G, Kim J, Goetz S J.
Photosynthesis and stomatal conductance related to reflectance
on the canopy scale. Remote Sens Environ, 1993, 44: 103–116
[7] Flexas J, Escalona J M, Evain S, Gulias J, Moya I, Osmond C B,
Medrano H. Steady-state chlorophyll fluorescence (Fs) measure-
ments as a tool to follow variations of net CO2 assimilation and
stomatal conductance during water-stress in C3 plants. Physiol
Plant, 2002, 114: 231–240
[8] Tian Y-C(田永超), Zhu Y(朱艳), Yao X(姚霞), Zhou C-J(周昌
俊), Cao W-X(曹卫星). Quantitative relationships between can-
opy spectral reflectance and leaf stomatal conductance in rice. J
Plant Ecol (植物生态学报), 2006, 30(2): 261–267(in Chinese
with English abstract)
[9] Mutanga O, Skidmore A K, Wieren S. Discrimination tropical
grass (Cenchrus ciliaris) canopies grown under different nitrogen
treatment using spectroradiometry. J Photogram Remote Sens,
2003, 57: 263–272
[10] Jago R A, Mark E J C, Curran P J. Estimation canopy chlorophyll
concentration from field and air born spectra. Remote Sens En-
voron, 1999, 68: 217–224
[11] Pearson R L, Miller D L. Remote mapping of standing crop bio-
mass for estimation of the productivity of the short grass prairie.
In: Proceedings of the Eighth International Symposium on Re-
mote Sensing of Environment. MI: ERIM Annu Arbor, 1972. pp
1357–1381
[12] Rouse J W, Haas R H, Schell J A, Deering D W, Harlan J C.
Monitoring the Vernal Advancement of Retrogradation of Natu-
ral Vegetation. Greenbelt, MD, USA: NASA/GSFC, Type III Fi-
nal Report, 1974. pp 1–371
[13] Gitelson A A, Kaufman Y, Merzlyak M N. Use of a green chan-
nel in remote sensing of global vegetation from EOS-MO-DIS.
Remote Sens Environ, 1996, 58: 289–298
[14] Wang F-M(王福民), Huang J-F(黄敬峰), Tang Y-L(唐延林),
Wang X-Z(王秀珍). New vegetation index and its application in
estimating leaf area index of rice. J Rice Sci (水稻科学), 2007,
21(2): 159–166(in Chinese with English abstract)
[15] Leng S-H(冷锁虎), Zhu G-R(朱耕如). Study on the origin rape
grain dry matter. Acta Agron Sin (作物学报), 1992, 18(4):
250–270(in Chinese with English abstract)
[16] Fu S-Z(傅寿仲). Photosynthesis and output formation of rape.
Jiangsu Agric Sci (江苏农业科学), 1980, (6): 18–21(in Chinese
with English abstract)
[17] Fu S-Z(傅寿仲), Zhu G-R(朱耕如). Oil Crop Science in Jiangsu
Province (江苏油作科学). Nanjing: Nanjing Sci & Tech Press,
1995. pp 220–237(in Chinese)
[18] Liu W-D(刘伟东), Xiang Y-Q(项月琴), Zheng L-F(郑兰芬),
Tong Q-X(童庆禧), Wu C-S(吴长山). Relationships between rice
LAI, CHD and hyperspectra data. J Remote Sens (遥感学报),
2000, (4): 279–283 (in Chinese with English abstract)
[19] Thiemann S, Kaufmann H. Determination of chlorophyll content
and trophic state of lakes using field spectrometer and IRS_1C
satellite data in the Mecklenburg lake district Germany. Remote
Sens Environ, 2000, 73: 227–235
[20] Tian Q, Tong Q, Guo X, Zhao C. Spectroscopic determination of
wheat water status using 1650–1850 nm spectral absorption fea-
tures. Intl J Remote Sens, 2001, 22: 2329–2338
[21] Jensen A, Lorenzen B. Radiometric estimation of biomass and
nitrogen content of barley grown at different nitrogen levels. Intl
J Remote Sens, 1990, 11: 1809–1820
[22] Filella I, Penuelas J. The red edge position and shape as indica-
tors of plant chlorophyll content, biomass and hydric status. Intl J
Remote Sens, 1994, 15: 1459–1470