全 文 :作物学报 ACTA AGRONOMICA SINICA 2010, 36(11): 19811989 http://www.chinacrops.org/zwxb/
ISSN 0496-3490; CODEN TSHPA9 E-mail: xbzw@chinajournal.net.cn
本研究由国家高技术研究发展计划(863计划)项目(2006AA10Z207, 2006AA10A302)和国家自然科学基金项目(30860139)资助。
*
通讯作者(Corresponding author): 李少昆, E-mail: Lishk@mail.caas.net.cn, Tel: 010-82108891
第一作者联系方式: E-mail: fangywang425@163.com
Received(收稿日期): 2010-03-22; Accepted(接受日期): 2010-06-27.
DOI: 10.3724/SP.J.1006.2010.01981
利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量
王方永 1 王克如 1,2 李少昆 1,2,* 陈 兵 1 陈江鲁 1
1 新疆兵团绿洲生态农业重点开放实验室 / 新疆作物高产研究中心, 新疆石河子 832003; 2 中国农业科学院作物科学研究所 / 农业
部作物生理生态与栽培重点开放实验室, 北京 100081
摘 要: 实时、无损监测棉花叶片的叶绿素和氮素含量对诊断棉花生理状况和氮肥精确管理具有重要意义。本研究
基于 MSI200成像光谱仪和数码相机 2种可见光传感器, 分析和比较了光谱和颜色参数与叶绿素、氮素浓度和 SPAD
读数的关系, 并且确立了其定量预测模型。结果表明, 不同传感器对叶绿素和氮素最敏感的波段分别为 R710和 R; 光
谱指数与叶绿素、氮素浓度和 SPAD读数的相关性比原始光谱好, 而且以蓝光和红光波段组成的差值指数(DI和 R–B)
的预测能力最佳; DI所建棉花叶片Chl a+b、Chl a、Chl b、N和 SPAD读数的预测模型的预测误差分别为 0.0058、0.0050、
0.0018 和 2.3002 mg g–1和 4.9736(分别为均值的 18.39%、19.47%、30.33%、11.69%和 8.45%), 预测精度 R2分别为
0.7965、0.7582、0.6608、0.7019和 0.7338; R–B所建模型的预测性比 DI差, 对 Chl a+b的预测精度最高(R2=0.7400),
而预测 Chl b的精度最低(R2=0.5653)。基于 CIE 1976 L*a*b*颜色模型的颜色参数 b*和 HSI颜色模型的 S是 2种传感
器与叶绿素、氮素浓度和叶色关系较好的颜色参数; b*对叶绿素、氮素浓度和 SPAD读数的预测能力稍逊于 DI, 预测
误差和精度都与 DI 的比较接近; 而饱和度 S 值的预测 RRMSE 最大, 整体预测精度小于 0.62。因此, 可以利用可见
光成像传感器的光谱和颜色参数估测棉花叶片叶绿素和氮素含量。
关键词: 棉花叶片; 光谱指数; 颜色参数; 叶绿素; 氮素; SPAD读数
Estimation of Chlorophyll and Nitrogen Contents in Cotton Leaves Using
Digital Camera and Imaging Spectrometer
WANG Fang-Yong1, WANG Ke-Ru1,2, LI Shao-Kun1,2,*, CHEN Bing1, and CHEN Jiang-Lu1
1 Key Laboratory of Oasis Ecology Agriculture of Xinjiang Construction Crops / The Center of Crop High-yield Research, Shihezi 832003, China;
2 Institute of Crop Sciences, Chinese Academy of Agriculture Sciences / Key Laboratory of Crop Physiology and Production, Ministry of Agriculture,
Beijing 100081, China
Abstract: Leaf chlorophyll and nitrogen concentrations of cotton (Gossypium hirsutum L.) are important indicators of plant N
status. They can provide valuable insights into the physiological performance of leaves. The objectives of this study were to de-
termine the relationships between chlorophyll, nitrogen, SPAD readings and leaf spectral and color parameters in cotton. Spectral
and color parameters for the non-destructive estimation of chlorophyll, nitrogen contents and SPAD readings were obtained by
using digital camera (Olympus C-5060) and imaging spectrometer (MSI200) so a wide range of them was established in cotton.
The dataset was separated into two parts using for calibration (n=100) and validation (n=60), respectively. Therefore, a systematic
analysis was undertaken on quantitative relationships of chlorophyll, nitrogen, SPAD readings to major spectral indices, such as
the ratio index (RI), normalized difference index (ND) and difference index (DI), composed of any two wavelengths with original
reflectance and color parameters. The results indicated that the maximum sensitivity of reflectance to variation in chlorophyll,
nitrogen contents and SPAD readings was found in the far-red wavelength region at 710 nm and in the red wavelength region (R)
for two sensors, respectively. Furthermore, spectral indices could improve the prediction ability obviously, and difference indices
(DI and R-B) of different sensors composed of blue and red wavelengths gave a better prediction performance. The models to
retrieve chlorophyll, nitrogen contents and SPAD readings using DI were the most feasible models with the maximum determina-
tion coefficients (R2) and the minimum RMSE, especially, DI (R440, R710), DI (R440, R710), DI (R420, R710), DI (R420, R720) and DI
(R490, R710) were the optimum indices for the models of chlorophyll a+b, chlorophyll a, chlorophyll b and N, and SPAD readings,
respectively. RB was the optimum index of digital camera but its prediction performances were lower than these of DI. Addi-
1982 作 物 学 报 第 36卷
tional, b* (CIE 1976 L*a*b* color model) and S (HSI color model) were the optimum color parameters, and the prediction ability
of b* was lower than that of DI. However, the prediction performance of S was relative weak with the highest RRMSE and the
lowest R2. Thus, measurements of leaf reflectance and color in visible range by using digital camera and imaging spectrometer
may provide a real-time and accurate means of estimating leaf chlorophyll and nitrogen contents and monitoring of cotton plant
nitrogen status and N fertilizer management in the field.
Keywords: Cotton leaves; Spectral index; Color parameter; Chlorophyll; Nitrogen; SPAD readings
叶片吸收太阳辐射的量主要由叶绿素含量决定, 叶
绿素是把光能转化为化学能的重要色素[1], 较低的叶绿素
浓度会限制光合能力和生产力[2-4]。叶片色素和生理胁迫
直接相关 , 叶绿素含量一般在叶片受到胁迫和衰老时会
降低[5-6]。氮素是作物生长的必需营养元素, 其缺乏会减缓
棉花生长并最终限制产量, 而过量的氮素会导致棉花贪青
晚熟和增大烂铃率[7]。叶片颜色的浓淡能够指示叶片中叶
绿素的含量和比例, 叶片氮素是叶绿素的重要组分, 缺氮
的叶片的叶绿素含量低而呈现黄绿色, 因此, 叶色可以作
为诊断叶绿素含量和氮素营养状况的指标[2,4,7-8]。在自然
界中, 波长 400~700 nm 电磁波谱区域的可见光的颜色主要
由目标物的反射特性决定, 叶片颜色由叶片色素的光谱特
性决定, 叶绿素使得叶片呈现绿色[3,7,9-10], 因此, 可见光区
域的反射光谱可以用于估测叶片叶绿素和氮素含量[11]。
利用数码相机 (digital camera)和成像光谱仪 (imaging
spectrometer)两种可见光成像传感器获取棉花叶片的颜色
和光谱数据 , 分析比较二者对棉花叶片叶绿素和氮素含
量的无损、快速诊断能力, 对评价作物氮素状况、胁迫状
况、光合能力乃至生产力都有重要意义。
植物在缺氮时其可见光波段反射率增加, 但不同植
物其反射率的增加程度不一 [9]。前人研究发现 , 甜椒叶
片[9,12]、桉树叶片[13]、不同叶色蔬菜叶片[9,11]、小麦冠层[2]
的叶绿素浓度以及玉米叶片[14]和冠层[15]、水稻叶片[16]、棉
花叶片[9,17]的氮素浓度可以用 550 nm和 710 nm波段附近
的光谱反射率(分别用 R550 和 R710 表示, 下文同)进行监
测。Filella等[2]、Blackburn等[3]和金震宇等[18]认为 680 nm
附近的光谱反射率和小麦冠层、落叶树叶片及水稻叶片的
叶绿素含量关系密切。利用可见光波段构建的光谱指数
R517/ R413[17]、R600/R680和 R630/R680[12]、R672/(R550 R708)和
R672/R550[13]、R553/R670[19]也能用于不同作物叶绿素和氮素
浓度估测。在目前的应用中, 最主要的信号源是电磁波谱,
特别是可见光光谱波段的图像, 彩色图像由红、绿、蓝 3
个波段组成 [20], 可以利用不同的颜色模型量化数字图像
的颜色信息。而成像光谱仪能够获取大量窄波段连续光谱
图像数据, 使得每个像素具有几乎连续的光谱数据 [21]。
Noh 等[22]用机动车装载的多光谱成像传感器检测玉米追
肥时的氮素胁迫状况 , 指出冠层绿色通道的反射率和
SPAD 读数高度相关。Jia 分别用低空航拍图像[23]和数码
相机图像 [24]评估中国北部平原冬小麦的氮素营养状况 ,
认为航拍图像的红、绿、蓝波段反射强度的归一化值和孕
穗、开花期的数码相机图像的绿光强度都与氮素浓度、
SPAD读数高度相关。Graeff使用数码相机测定玉米[25]和
花椰菜 [26]的叶片反射率 , 发现 L*a*b*颜色系统的色差
ΔEb、b*参数分别与玉米和花椰菜的叶片氮素含量显著相
关。Ahmad等[27]发现 HSI值比 RGB值能更清晰地表征玉
米植株的颜色变化, 可以作为肥水管理决策的参考指标。
Kawashima 等 [8]用彩色摄影机估测小麦和黑麦叶片的叶
绿素含量, 发现在限定的气象条件下 R–B和 G–B与叶绿素
含量相关性最好, 但是在不同的气象条件下(R–B)/(R+B)是
最好的指标。Adamsen 等[28]用数码相机测定小麦的衰老
状况, 当 G/R<1.2时, G/R指标和 SPAD值呈显著正相关。
Karcher 等[29]提取的基于 HSB 颜色系统的反映作物冠层
绿色程度的 DGCI(dark green color index)指标与施氮量间
高度相关。王克如等[30]对棉花单叶进行颜色值提取并用
于预测单叶的叶绿素浓度, 预测精度高于 SPAD的估测精
度。王方永等[31]提出 G–R 参数能够较好地预测棉花群体
的叶绿素含量。谭海珍等[32]利用 MSI200型成像光谱仪监
测冬小麦苗期冠层叶绿素含量 , 认为比值植被色素指数
PPR对叶绿素预测精度最高。以上研究表明, 用可见光光
谱和颜色参数估测叶片叶绿素和氮素含量是可行的。而且
有关近地成像光谱仪在农作物生长监测中的应用报道很
少 , 普通数码相机和近地成像光谱仪对棉花生理状态和
氮素营养诊断的有效性和可行性需要研究探讨。
本文以不同叶色的棉花叶片为研究对象, 结合数码
相机和近地成像光谱仪两种不同的可见光成像传感器 ,
综合分析了光谱和颜色信息与叶片叶绿素和氮素含量的
关系 , 比较光谱和颜色参数估测叶绿素、氮素含量和
SPAD 读数模型的预测能力, 为可见光成像传感器应用于
棉花生理状态和氮素营养诊断提供依据。
1 材料与方法
1.1 试验设计
试验于 2008年在石河子大学新疆兵团绿洲生态农业
重点实验室田间试验站(N 44.3138°, E 86.0583°)进行。试
验地为壤质灰漠土, 施用 150 kg P2O5 hm–2和 75 kg K2O
hm–2作为基肥。供试品种为陆地棉 297-5。4月 23日播种,
4月 30日出苗, 5月 28日现蕾, 6月 25日开花, 9月 1日吐
絮。采用 30 cm+55 cm宽窄行, 种植密度为 24万株 hm–2,
7月 16日打顶。氮肥全部做追肥, 施用量为 300 kg 纯氮
hm–2, 按整个生育期的需肥规律随水滴施。采用膜下滴灌,
整个生育期滴水 10次, 灌水量为 4 500 m3 hm–2, 用水表
控制和分配各时期的滴水量。其他措施按照大田棉花高产
第 11期 王方永等: 利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量 1983
栽培模式进行。
1.2 棉花叶片及数据采集方法
于 2008年 9月 7日 13:00~15:30 (天空晴朗无云, 风
速很小) 时在试验田采集棉花叶片。根据棉花叶片衰老的
不同程度, 选择叶片颜色从黄到绿的无病、虫、药害的棉
花叶片, 从叶柄基部剪下后立即进行成像光谱测定, 之后
用密封袋密封并立即带回实验室进行其他项目的测定(30
min之内)。
1.2.1 成像光谱数据采集 MSI200多光谱成像测色系
统(MSI200 Multi-Spectral Imaging & Color Measurement
System)是由本课题组与北京奥博泰科技有限公司联合研
发的小型便携式多光谱成像分析系统。该系统由光学成像
系统、可调谐滤光器、高分辨低噪声数字 CCD 摄像机及
系统软件组成, 成像感光器件为 2/3英寸 CCD, 分辨率为
130万像素(1 2801 024)。成像光谱范围为 420~720 nm,
光谱间隔带宽为 10 nm, 共有 31个光谱波段, 可分别成像,
即可获得目标物的图像立方体。利用便携式计算机操作
CCD 成像系统进行数据采集与传输 , 数据传输方式为
USB2.0。在 40~50 s内即可完成目标物 31幅窄波段光谱
图像的连续采集 , 在获取目标物二维空间信息的同时获
取二维空间内所有点的一维光谱/颜色信息。
于 13:00~16:00进行成像光谱测定。MSI200多光谱
成像仪的视场角为 14, 将棉花叶片置于黑色背景上, 借
助三脚架调整仪器镜头垂直距叶片约 70 cm (图 1-a), 在
视场内放置白板同步测量其 DN 值作为每幅图像的参考
值。使用 MSI200 操作软件进行数据处理, 得到各个波段
的反射率值和颜色值, 采用 CIE 1976 L*a*b*颜色模型量
化叶片的颜色信息。CIE L*a*b* 颜色模型中的颜色值和
设备无关, 亮度用 L*表示, 值从 0(黑)到 100(白)表示由暗
到亮。a*和 b*表示色度坐标, 其中, a*在正向的数值越大
表示越红, 在负向的数值越大则表示越绿; b*的正向数值
越大表示越黄, 在负向的数值越大表示越蓝。
图 1 棉花叶片成像光谱(a)、数码相机图像(b)采集示意图
Fig. 1 Portable platform of cotton leaf image and spectrum
collection by MSI200 (a) and digital camera (b)
1.2.2 数码相机图像采集及颜色模型选择 利用自制
的单叶图像采集辅助装置进行叶片数字图像采集 (图
1-b)。此装置为 30 cm×30 cm×70 cm的长方体, 顶部中心
设有安放数码相机的圆孔, 内壁为黑色, 长方体内顶部的
四角安装 4个 10 W的卤素灯泡, 调整其角度使光源均匀
照射在底部以黑色棉布为背景的叶片上。用普通数码相机
(Model No.C-5060 Wide Zoom, Olympus Corporation)拍摄
叶片图像, 相机镜头垂直距叶片约 70 cm, 相机有闪光灯
关闭和自动白平衡设置 , 采用近拍模式。图像分辨率为
2592×1944 像素 , 以 JPEG (joint photographic experts
group)格式存储并传输至计算机。
选择面向硬件设备的最常用的 RGB模型和面向彩色
处理的最常用的 HSI 颜色模型提取棉花叶片图像的特征
参数。利用 Microsoft Visual Studio.NET工具开发了图像
处理软件, 分割出棉花叶片后, 提取棉花叶片所有像素的
R、G、B 及色调 H、饱和度 S 和亮度 I 值的均值作为该
叶片的颜色信息[31]。
1.2.3 叶色及叶绿素、氮素浓度的测定 用 SPAD
(Minolta Osaka Co., Ltd., Japan)读数表示叶片的绿色深浅,
将其视为农学参数的一种。在采集完成像光谱和数字图像
之后, 用 SPAD-502 读取叶片的左、中和右部(避开叶脉)
的读数各 2次, 之后求均值作为该叶片的 SPAD读数。
在完成上述测定之后 , 称量棉花叶片鲜重 , 之后用
直径 0.6 cm 的打孔器在叶片各部位(不含叶脉)均匀打孔
取样约 0.2 g, 放置在避光处用无水酒精和丙酮 1∶1混合
液浸提至叶片组织完全褪色, 用 722N型分光光度计比色,
测定特定波长下的吸光率, 用 Lichtenthaler[33]方法计算叶
片的叶绿素 a (Chl a), 叶绿素 b (Chl b)和叶绿素 a+b (Chl
a+b)含量(mg g–1)。将打孔后的叶片在烘箱中杀青(105℃)
半小时, 再用 85℃烘干至恒重, 称量叶片干重。用研钵将
烘干的叶片研碎后称取约 0.2 g, 用凯氏定氮法(Kjeldahl
Digestion)测定叶片全氮含量(mg g–1, DW)。叶片叶绿素浓
度分别用单位叶片面积(mg cm–2)和重量(mg g–1, FW)的含
量来表示。
1.3 数据分析
计算棉花叶片理化参数和光谱数据的基本统计参数
(平均值、标准差、最大值、最小值和变异系数), 用以
描述数据的分布特征。随机选取一部分样本(n=100), 分析
可见光区域原始光谱和所有两波段组成的比值(式1)、归一
化差值(式 2)和差值(式 3)光谱指数以及不同颜色模型特征
参数与叶绿素、氮素和 SPAD读数之间的相关性, 筛选出
相关性较好的原始光谱波段、光谱指数及颜色参数。用回
归分析建立叶绿素、氮素和 SPAD读数的预测模型, 利用
估计标准误差(SE)和拟合决定系数(R2)确定最佳模型。剩
余样本(n=60)作为预测模型的检验样本, 采用预测的均方
根误差(RMSE)、相对均方根误差(RRMSE, RMSE与实测
值均值的比值)、精确度(R2)和准确度(Slope, 截距为 0 时
预测值和实测值之间的线性方程的斜率)[34]等统计上式
(1)~(3)中, R1和 R2分别表示波段1和2的光谱反射率。
指标对预测模型进行综合评定。
RI (R1, R2) = R1/R2 (1)
ND (R1, R2) = (R1–R2)/(R1+R2) (2)
DI (R1, R2) = R1–R2 (3)
1984 作 物 学 报 第 36卷
2 结果与分析
2.1 棉花叶片理化性质
由表 1 可见, 用于图像和光谱研究的叶绿素和氮素数
据有较大的变异范围。其中, Chl a+b 浓度的变化范围为
0.115~2.486 mg g–1 (0.0044~0.0765 mg cm–2)。当用单位叶
片面积含量表示叶绿素浓度时变异系数变小, 这与 Xue
和 Yang[11]的结果相反, 而与 Datt[13]认为用单位叶片面积
或重量表示桉树叶片叶绿素含量的变异系数较一致。N含
量的变化范围为 8.35~35.45 mg g–1。
图 2表明, 所有的参数之间均达极显著正相关。其中,
叶绿素 b与氮素浓度、SPAD读数之间的相关相对较弱。
叶绿素含量随着氮素和叶色的增加而增加, 但是 SPAD读
数与叶绿素和氮素之间呈现指数关系 , 这与 Broge 和
Mortensen[35]的研究结果一致。
2.2 棉花叶片可见光区域的光谱特征及其与叶绿素、氮
素和SPAD读数的相关性
可见光区域的光谱反射率曲线形状和叶绿素密切相
关[36], 由图 3可见, 不同叶绿素和氮素含量的棉花叶片的
光谱曲线形状和特征吸收波段呈现较一致的变化趋势 ,
叶绿素在蓝光波段(420~500 nm)的反射率较低, 而且在红
光波段形成一个吸收谷(670 nm 左右); 绿光波段的反射峰
在 550 nm附近, 然后在 700 nm左右反射率急剧上升, 这
里是反射率从低反射红光波段向高反射近红外波段过渡
的红边区。此外, 绿光波段和红光波段的反射率变异程度
较大, 最大值在 630 nm 左右, 说明光谱的变化对应叶绿
素、氮素和叶色的变化。
为了确定与叶绿素和氮素浓度相关性较好的可见光
光谱波段, 构建了叶绿素、氮素浓度和 SPAD读数与每个
波段反射率的相关图(图 4)。由图可见, 叶绿素、氮素和
SPAD读数均与在可见光区域反射率呈现变化趋势比较一
致的负相关, 即叶绿素和氮素含量越高, 可见光波段的反
射率越低, 红边波段 710 nm 附近的反射率和三者相关性
最好, 其次为 600 nm左右, 而蓝光波段 430 nm附近的反
射率对其变化最不敏感。姚霞等[37]认为与棉花功能叶片
各色素指标相关性比较好的高光谱波段主要分布在
500~700 nm, 与本文结果比较一致。而且单位叶片面积叶
绿素含量(mg cm–2)和光谱反射率的相关性优于单位重量
含量(mg g–1)的, 所以下文使用单位叶片面积叶绿素含量
进行数据分析。
表 1 棉花叶片的理化性质
Table 1 Leaf physical and chemical properties for cotton (n=160)
叶片性质
Leaf property
单位
Uint
平均值
Mean
标准差
SD
最小值
Min.
最大值
Max.
变异系数
CV
mg g–1 0.574 0.307 0.090 1.777 0.5348 Chl a
mg cm–2 0.0262 0.0117 0.0035 0.0546 0.4466
mg g–1 0.138 0.104 0.003 0.709 0.7536 Chl b
mg cm–2 0.0061 0.0037 0.0001 0.0218 0.6066
mg g–1 0.712 0.399 0.115 2.486 0.5604 Chl a+b
mg cm–2 0.0323 0.0147 0.0044 0.0765 0.4551
N mg g–1 19.82 4.90 8.35 35.45 0.2472
SPAD readings 58.46 9.40 32.00 77.77 0.1608
图 2 棉花叶片叶绿素、氮素和 SPAD读数之间的相关性
Fig. 2 Correlations (r) between chlorophyll, nitrogen, and SPAD readings of cotton leaves (n=160)
第 11期 王方永等: 利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量 1985
图 3 棉花叶片反射率的平均值、最小值、最大值和+/–标准差
的曲线图
Fig. 3 Mean, minimum, maximum, and +/– standard deviation
of cotton leaf reflectance (n=160)
图 4 叶绿素、氮素浓度和 SPAD读数与叶片反射率的相关图
Fig. 4 Correlogram of leaf chlorophyll, nitrogen
concentrations and SPAD readings to leaf reflectance (n=100)
数码相机所采集的数字图像的 RGB 值, 本质上是对
红、绿和蓝 3个宽波段(RGB的中心波长分别为 700、546.1
和 435.8 nm)反射的光强的量化, 也反映了叶片对光的反
射特性。分析结果表明, 叶片的叶绿素(mg cm–2)、氮素浓
度及 SPAD读数与 R波段反射的光强(R值)之间呈现指数
关系, 而且均达到极显著负相关水平, 而与 G和 B值则相
关性较差。其中, R与 SPAD读数的相关性最差(r= –0.60),
与 Chl a+b最好(r= –0.82), 而与 Chl a+b高度相关的 Chl a
(图 2)与 R值相关性稍弱(r= –0.81), 氮素浓度与 R值相关
性也较好(r= –0.76), Chl b与 R值相关性较弱(r= –0.69)。
说明除了 SPAD读数, 其他农学参数和数字图像的 R值及
成像光谱的红光波段(600~720 nm)反射率的相关性是一
致的(图 4)。
2.3 叶绿素、氮素浓度和SPAD读数与光谱指数的定量关
系
用比值、归一化和差值方法分别计算了原始成像光
谱的光谱指数 , 用不同模型分析了各种光谱指数与叶绿
素的相关性 , 发现指数模型是描述光谱指数和叶绿素关
系的最好模型, 并用决定系数等势图展示。由图 5可以看
出, 光谱指数可以明显提高与叶绿素含量的相关性, 比值
和归一化指数的表现较为一致 , 而差值指数表现略有不
同(与 Chl a+b 相关性较好的波段组合数比前二者增加),
整体上表现为红光或绿光波段与蓝光波段的组合 3 种光
谱指数与 Chl a+b 相关性较好。其中, 420~430 nm 与
690~700 nm波段的组合和 420~480 nm与 580~630 nm波
段的组合均与比值指数和归一化差值指数相关较好 , 而
与差值指数相关性较好的为 420~480 nm 与 700~720 nm
的组合和 450~500 nm与 580~630 nm波段的组合, 而且,
由 R430和 R700组合的 3种光谱指数都与 Chl a+b相关性
较好。采用相同的方法, 分析了 Chl a、Chl b、N和 SPAD
与 3 种光谱指数的相关性(图略)。结果表明, 基于 3 种指
数确定的 Chl a、Chl b、N和 SPAD敏感波段范围与 Chl a+b
有较好的一致性。
用不同的模型拟合叶绿素和氮素与各敏感波段组合
的比值、归一化差值和差值光谱指数的关系, 根据模型的
估计标准误差(SE)和拟合决定系数(R2)选取定量模型(表
(a) RI
450 500 550 600 650 700
W
av
el
en
gt
h
( 1
, n
m
)
450
500
550
600
650
700
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
(b) ND
Wavelength (2, nm)
450 500 550 600 650 700
450
500
550
600
650
700
(c) DI
450 500 550 600 650 700
450
500
550
600
650
700
图 5 棉花叶片叶绿素含量与比值指数(a)、归一化指数(b)和差值指数(c)的关系
Fig. 5 Variation in determination coefficient (derived from exponential regression model) for the relationships between Chl a+b and
the matrix of combinations of R1 and R2 used in ratio index(a), normalized index(b) and difference index (c) (n=100)
1986 作 物 学 报 第 36卷
2)。可见, 选取的构建 3种光谱指数的最佳波段分别位于
蓝光和红光波段, 由于对叶绿素、氮素和叶色变化最敏感
和最不敏感的反射率的波段分别位于红光和蓝光区域(图
4), 所以用二者构建的光谱指数能够很好地反映其在叶
片中的含量[13]。除了 Chl b的最佳回归指数是 ND以外, DI
与 Chl a+b、Chl a、N和 SPAD拟合的方程的拟合度高, 且
标准误小。虽然选取的 RI 与叶绿素和氮素的拟合方程分
别为线性和指数曲线方程 , 但是两种方程对叶绿素或氮
素的拟合程度差异较小。
进一步分析数字图像红、绿和蓝三波段的比值、归
一化差值和差值光谱指数与叶绿素、氮素和叶色的相关性,
并筛选出相应的最佳预测模型(表 2)。结果表明, R与 B构
建的 3种指数的拟合决定系数最大, 且标准误最小。其中,
R–B差值指数是预测叶绿素、氮素和 SPAD读数的最佳光
谱指数 , 但是数码相机所获取的光谱指数的拟合程度总
体上低于 MSI200的光谱指数。
2.4 叶片的数字图像颜色参数与叶绿素、氮素及叶色的
关系
分析棉花叶片的成像光谱图像的 L*、a*和 b*及数码
相机图像的 H、S 和 I 颜色参数与叶绿素、氮素浓度和
SPAD读数的相关性表明, 两个不同颜色模型的 b*和 S值
分别和叶绿素、氮素浓度和 SPAD读数相关性最好。这与
Graeff 等[26]认为 b*参数和花椰菜的叶片氮素含量显著相
关以及王克如[30]认为 S 参数和棉花叶片叶绿素浓度显著
相关的结果一致。选择不同的回归模型对 b*和 S 值与叶
绿素、氮素浓度和 SPAD 读数进行回归分析(表 3), 结果
表 2 光谱指数(x)与棉花叶片叶绿素、氮素浓度和 SPAD读数(y)的定量关系
Table 2 Quantitative relationships between spectral index (x) and leaf chlorophyll, nitrogen and SPAD reading (y) (n=100)
传感器
Sensor
光谱指数
Spectral index
回归方程
Regression equation
决定系数
R2
标准误
SE
RI(R450, R600) y = 0.0013e 5.2266 x 0.7637 0.0082
ND(R450, R600) y = 0.1550e 6.4179 x 0.7853 0.0078
MSI200
DI(R440, R710) y = 0.1347e 7.1090 x 0.8188 0.0069
B/R y = –0.0515+0.1405 x 0.6106 0.0090 Digital Camera
(R–B)/(R+B) y = 0.0755–0.1688 x 0.5933 0.0092
Chl a+b
R–B y = 0.0767–0.0006 x 0.6820 0.0081
Chl a MSI200 RI(R460, R600) y = 0.0009e 5.3654 x 0.7402 0.0073
ND(R460, R600) y = 0.1211e 6.7963 x 0.7605 0.0067
DI(R440, R710) y = 0.1087e 7.0876 x 0.8043 0.0058
B/R y = –0.0411+0.1129 x 0.6043 0.0073
(R–B)/(R+B) y = 0.0610–0.1358 x 0.5889 0.0074
Digital Camera
R–B y = 0.0618–0.0005 x 0.6727 0.0067
RI(R420, R610) y = 0.0004e 4.9947 x 0.6767 0.0021
ND(R420, R610) y = 0.0322e 5.4559 x 0.6889 0.0020
MSI200
DI(R420, R710) y = 0.0252e 7.0280 x 0.6565 0.0023
B/R y = 0.0002e 5.6643 x 0.4517 0.0025
(R–B)/(R+B) y = 0.0290e 6.8112 x 0.4396 0.0026
Chl b
Digital Camera
R–B y = 0.0327e 0.0254 x 0.5475 0.0024
RI(R420, R700) y = 0.8726+60.063 x 0.7354 2.5371
ND(R420, R700) y = 80.278e 2.7261 x 0.7384 2.5782
MSI200
DI(R420, R720) y = 51.541e 3.0706 x 0.7714 2.5793
B/R y = –6.8902+45.067 x 0.5324 3.3728
(R–B)/(R+B) y = 33.785–53.938 x 0.5134 3.4406
N
Digital Camera
R–B y = 40.841e 0.0102 x 0.5995 3.0781
RI(R480, R600) y = 2.3767+88.116 x 0.6816 5.2724
ND(R480, R600) y = 84.425+115.08 x 0.6911 5.1936
MSI200
DI(R490, R710) y = 83.469+121.76 x 0.7248 4.9015
B/R y = 10.329+80.968 x 0.4788 6.7459
(R–B)/(R+B) y = 83.666–97.909 x 0.4713 6.7942
SPAD
Digital Camera
R–B y = 83.163–0.3349 x 0.4944 6.6439
第 11期 王方永等: 利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量 1987
表明, 与S相比, 均以 b*拟合的决定系数最大, 标准误最
小。同时, 用 b*预测的最佳模型为指数曲线方程, 而S除
了对Chl b的最佳模型为指数方程外, 其余的则为线性方程。
2.5 预测模型的检验
利用独立的检验样本(n=60)检验上述基于光谱指数
和颜色参数的预测方程, 采用预测的均方根误差(RMSE)、相
对均方根误差(RRMSE)、精确度(R2)和准确度(截距为 0
时的斜率)评定模型的预测能力。结果显示, 各预测模型
的预测值和实测值都通过了极显著水平检验, 而且差值
指数的预测能力强于比值和归一化差值指数。在表4中列
出了对叶绿素、氮素浓度和 SPAD读数预测能力最强的成
像光谱仪和数码相机的光谱指数和颜色参数。由表 4可以
看出, 基于成像光谱数据的 DI和 b*的预测模型的均方根
误差较小、预测精度较高, 而基于数码相机数据的 R–B
和 S的预测误差相对较大、精度较低, 说明 MSI200的预
测能力强于数码相机, 而且同一传感器的光谱指数的预
表 3 颜色参数(x)与棉花叶片叶绿素、氮素浓度和 SPAD读数(y)的定量关系
Table 3 Quantitative relationships between color parameters (x) and leaf chlorophyll, nitrogen concentration and SPAD reading (y)
in cotton (n=100)
颜色参数
Color parameter
回归方程
Regression equation
决定系数
R2
标准误
SE
b* y = 0.1516e –0.1019 x 0.8027 0.0079 Chl a+b
S y = 0.0800–0.1593 x 0.5265 0.0099
b* y = 0.1206e –0.1008 x 0.7759 0.0067 Chl a
S y = 0.0648–0.1289 x 0.5280 0.0080
b* y = 0.0305e –0.1090 x 0.6809 0.0023 Chl b
S y = 0.0336e –6.3133 x 0.3764 0.0027
b* y = 38.484e –0.0418 x 0.6838 3.0521 N
S y = 34.712–49.261 x 0.4267 3.7344
b* y = 89.044e –0.0263 x 0.5858 6.0632 SPAD
S y = 86.098–91.881 x 0.4136 7.1550
表 4 光谱和颜色参数对棉花叶片叶绿素、氮素浓度和 SPAD读数的预测性
Table 4 Performance of spectral and color parameters for cotton leaf chlorophyll, nitrogen concentration and SPAD reading (n=60)
传感器
Sensor
光谱指数
Spectral index
回归方程
Regression equation
RMSE RRMSE (%)
决定系数
R2
斜率
Slope
DI(R440, R710) y = 0.0053+0.7943 x 0.0058 18.39 0.7965 0.9362 MSI200
b* y = 0.0043+0.8068 x 0.0058 18.42 0.7961 0.9221
R–B y = 0.0087+0.7304 x 0.0063 19.93 0.7400 0.9637
Chl a+b
Digital Camera
S y = 0.0128+0.5854 x 0.0077 24.37 0.6124 0.9298
DI(R440, R710) y = 0.0044+0.7815 x 0.0050 19.47 0.7582 0.9279 MSI200
b* y = 0.0040+0.7801 x 0.0052 20.13 0.7543 0.9103
R–B y = 0.0051+0.7470 x 0.0054 20.91 0.7253 0.9140
Chl a
Digital Camera
S y = 0.0103+0.5866 x 0.0062 24.12 0.6112 0.9250
DI(R420, R710) y = 0.0023+0.5546 x 0.0018 30.33 0.6608 0.8559 MSI200
b* y = 0.0019+0.5961 x 0.0018 31.77 0.6217 0.8558
R–B y = 0.0024+0.5233 x 0.0019 33.95 0.5653 0.8416
Chl b
Digital Camera
S y = 0.0029+0.4045 x 0.0022 38.78 0.4406 0.7945
DI(R420, R720) y = 5.7164+0.6977 x 2.3002 11.69 0.7019 0.9735 MSI200
b* y = 6.7189+0.6394 x 2.4299 12.35 0.6729 0.9637
R–B y = 8.1190+0.5730 x 3.0673 15.39 0.6159 0.9573
N
Digital Camera
S y = 11.270+0.4262 x 3.6169 18.15 0.4560 0.9597
DI(R490, R710) y = 18.826+0.6749 x 4.9736 8.45 0.7338 0.9867 MSI200
b* y = 22.343+0.6009 x 5.6591 9.62 0.6694 0.9708
R–B y = 28.061+0.5146 x 6.3154 10.73 0.5697 0.9792
SPAD
Digital Camera
S y = 33.015+0.4282 x 6.8264 11.60 0.5034 0.9749
1988 作 物 学 报 第 36卷
测能力强于颜色参数。
基于成像光谱数据的 DI 和 b*所建棉花叶片的 Chl
a+b预测模型的 RMSE均为 0.0058 mg cm–2 (约为均值的
18.39%), 预测精度分别为 0.7965 和 0.7961, 准确度分别
为 0.9362和 0.9221, 可见 DI的预测性稍优于 b*, 总体上
说明MSI200的光谱和颜色参数对叶片叶绿素含量的预测
具有较好的稳定性。而基于数码相机的 R–B 和 S 参数所
建棉花叶片的 Chl a+b预测模型的 RMSE、精度和准确度
分别为 0.0063 mg cm–2(均值的 19.93%)、0.7400、0.9637
和 0.0077 mg cm–2(均值的 24.37%)、0.6124、0.9298, S的
预测性相对较差 , 表明数码相机参数也能较好地预测棉
花叶片叶绿素含量。进一步分析发现, 上述类型的参数对
叶绿素 b 的预测的相对均方根误差最大(均值的 30.33~
38.79%), 精度(<0.67)和准确度(<0.86)较低。对 SPAD读数
的预测的精度虽然不高(0.5034~0.7338), 但是准确度却最
高(>0.97), RRMSE也较小(<均值的 12%)。上述结果表明,
基于近地成像光谱仪和数码相机 2 种不同的可见光传感
器的光谱和颜色参数, 可以对棉花叶片的叶绿素、氮素浓
度和叶色的变化状况进行有效的诊断和预测。
3 讨论
植物色素在生物圈中具有重要意义[38], 叶片中主要
光合色素叶绿素 a、叶绿素 b的浓度和植株的光合能力高
度相关[34,39], 实时、无损地获取叶片的叶绿素和氮素含量
的信息 , 对于研究叶绿素和氮素的变化动态和诊断植株
的生理状况具有重要意义。本文通过两种不同的可见光传
感器, 比较分析了对叶片尺度上的叶绿素、氮素和叶色变
化敏感的波段、光谱指数和颜色参数及其预测性的优劣,
说明近地成像光谱仪和数码相机相互印证了对棉花叶片
叶绿素和氮素含量诊断的可行性和有效性。
近地成像光谱仪在作物主要理化参数的监测方面的
应用鲜有报道, 便携式多光谱成像测色分析系统 MSI200
是最新研发的近地成像光谱仪 , 在对目标物成像的同时
测量其光谱特性(图像立方体)。研究已证明 MSI200 在冬
小麦苗期冠层叶绿素监测中的精度高于非成像高光谱仪[32],
这主要是由于成像光谱数据可以依据图像选择不同目标
物的光谱 , 之后采用去混合和光谱分类等方法采集所需
目标物的纯光谱和颜色信息。本试验中根据其成像获取棉
花叶片纯的光谱和颜色信息, 红边波段 710 nm 附近的反
射率和叶绿素、氮素和 SPAD读数的相关性最好, 预测性
最好的差值光谱指数 DI 均与红边区有关, 前人研究提出
的许多光谱参数都与该区域有关。而且, 基于 CIE 1976
L*a*b*颜色模型获取的颜色参数 b*与叶绿素、氮素和叶
色均高度相关, 与 Graeff 等[26]在花椰菜上的研究结果相
同, 但是其预测能力比 DI的稍弱。
本文从辐射度学的角度出发, 认为 RGB 颜色模型的
RGB 值为棉花叶片反射的红、绿、蓝可见光电磁波段的
能量, 而没有从色度学的角度将其归入颜色参数。结果显
示, R、R–B和 HSI颜色模型的 S与和叶绿素、氮素和 SPAD
读数的负相关性最好, 但是整体的预测性比 MSI200 差。
饱和度 S值是与光照强度无关的颜色分量, 其量化了某种
颜色的深浅程度, 能够较好地对应叶色的变化。王克如等[30]
用机器视觉获取了棉花叶片的叶绿素浓度, 发现 B 值和
叶绿素含量极显著正相关, 而 R则不相关, 可能是由于单
个波段的反射率稳定性差, 易受到光源、背景和相机类型
等因素的影响, 而选择的预测指标 B/R和 S则与本文有较
好的一致性。Kawashima 等 [8]发现在限定的气象条件下
R–B 与小麦和黑麦叶片的叶绿素含量相关性最好, 该结
论也证明了该参数具有一定的普适性和有效性。
叶绿素计与MSI200和数码相机相比, 叶绿素计只能
获取量化叶色的相对值, 而 MSI200 和数码相机能够提供
较多的信息(光谱和颜色), 所以在分析时发现 SPAD 读数
与叶绿素和氮素的相关性弱于与颜色和光谱参数。可能是
由于叶片厚度影响光的透射率 , 致使叶绿素计对叶片厚
度较敏感; 而可见光光谱和颜色参数对叶片厚度较不敏感。
本研究的试验数据仅仅是通过一次试验采集的, 其
限制了试验结果的通用性和普适性。但是, 两种不同的可
见光成像传感器诊断棉花叶片的叶绿素和氮素浓度的指
标高度一致 , 说明使用成像光谱仪和数码相机监测是切
实可行的。因此, 应用本文的方法和结果于不同年份和生
育时期 , 以及不同品种和水肥处理的叶片生理状态监测
是很有可能的 , 但是需要进行验证。虽然精密仪器
MSI200 诊断叶绿素和氮素的精度较高, 但是高成本必定
会限制其推广和应用; 普通数码相机精度相对较低, 但其
价格低廉、操作简便, 且性价比还在不断提高, 已经深入
普及到人们的日常生活中, 因此, 具有良好的推广和应用
前景。
References
[1] Gitelson A A, Gritz Y, Merzlyak M N. Relationships between leaf
chlorophyll content and spectral reflectance and algorithms for
non-destructive chlorophyll assessment in higher plant leaves. J
Plant Physiol, 2003, 160: 271–282
[2] Filella I, Serrano L, Serra J, Peńuelas J. Evaluating wheat
nitrogen status with canopy reflectance indices and discriminant
analysis. Crop Sci, 1995, 35: 1400–1405
[3] Blackburn G A. Spectral indices for estimating photosynthetic
pigment concentrations: a test using senescent tree leaves. Intl J
Remote Sens, 1998, 19: 657–675
[4] Moran J A, Mitchell A K, Goodmanson G, Stockburger K A.
Differentiation among effects of nitrogen fertilization treatments
on conifer seedlings by foliar reflectance: a comparison of
methods. Tree Physiol, 2000, 20: 1113–1120
[5] Schepers J S, Blackmer T M, Wilhelm W W, Resende M. Trans-
mittance and reflectance measurements of corn leaves from
plants with different nitrogen and water supply. J Plant Physiol,
1996, 148: 523–529
[6] Fang Z, Bouwkamp J, Solomos T. Chlorophyllase activities and
chlorophyll degradation during leaf senescence in non-yellowing
mutant and wild type of Phaseolus vulgaris L. J Exp Bot, 1998,
49: 503–510
第 11期 王方永等: 利用数码相机和成像光谱仪估测棉花叶片叶绿素和氮素含量 1989
[7] Buscaglia H J, Varco J J. Early detection of cotton leaf nitrogen
status using leaf reflectance. J Plant Nutr, 2002, 25: 2067–2080
[8] Kawashima S, Nakatani M. An algorithm forestimating
chlorophyll content in leaves using a video camera. Ann Bot,
1998, 81: 49–54
[9] Thomas J R, Gausman H W. Leaf reflectance vs leaf chlorophyll
and carotenoid concentration for eight crops. Agron J, 1977, 69:
799–802
[10] Madeira A C, Ferreira A, Varennes A, Vieira M I. SPAD meter
versus tristimulus colorimeter to estimate chlorophyll content and
leaf color in sweet pepper. Commun Soil Sci Plant Anal, 2003, 34:
2461–2470
[11] Xue L, Yang L. Deriving leaf chlorophyll content of green-leafy
vegetables from hyperspectral reflectance. ISPRS J Photogram-
metry Remote Sens, 2008, DOI:10.1016/j.isprsjprs. 2008.06.002
[12] Schlemmer M R, Francis D D, Shanahan J F, Schepers J S. Re-
motely measuring chlorophyll content in corn leaves with differ-
ing nitrogen levels and relative water content. Agron J, 2005, 97:
106–112
[13] Datt B. Remote sensing of chlorophyll a, chlorophyll b, chloro-
phyll a+b, and total carotenoid content in Eucalyptus leaves. Re-
mote Sens Environ, 1998, 66: 111–121
[14] Blackmer T M, Schepers J S, Varvel G E. Light reflectance com-
pared with other nitrogen stress measurements in corn leaves.
Agron J, 1994, 86: 934–938
[15] Blackmer T M, Schepers J S, Varvel G E, Walter-Shea E A. Ni-
trogen deficiency detection using reflected shortwave radiation
from irrigated corn canopies. Agron J, 1994, 88: 1–5
[16] Xue L, Cao W, Luo W, Dai T, Zhu Y. Monitoring leaf nitrogen
status in rice with canopy spectral reflectance. Agron J, 2004, 96:
135–142
[17] Zhao D, Reddy K R, Kakani V G, Read J J, Koti S. Selection of
optimum reflectance ratios for estimating leaf nitrogen and chlo-
rophyll concentrations of field-grown cotton. Agron J, 2005, 97:
89–98
[18] Jin Z-Y(金震宇), Tian Q-J(田庆久), Hui F-M(惠凤鸣), Lu
J-F(陆建飞). Study of the relationship between rice chlorophyll
concentration and rice reflectance. Remote Sens Technol Appl (遥
感技术与应用), 2003, 18(3): 134–137 (in Chinese with English
abstract)
[19] Tang Y-L(唐延林), Huang J-F(黄敬峰), Wang R-C(王人潮).
Change law of hyperspectral data with chlorophyll and carote-
noid for rice at different developmental stages. Chin J Rice Sci
(中国水稻科学), 2004, 18(1): 59–66 (in Chinese with English
abstract)
[20] Gonzalez R C, Woods R E. Digital Image Processing, Second
Edition. Pearson Education, Inc., Publishing as Prentice Hall,
2002. pp 4–10
[21] Pu R-L(浦瑞良), Gong P(宫鹏). Hyperspectral Remote Sensing
and Its Application (高光谱遥感及其应用). Beijing: Higher
Education Press, 2000. p 22 (in Chinese)
[22] Noh H, Zhang Q, Shin B, Han S, Feng L. A neural network
model of maize crop nitrogen stress assessment for a multi-
spectral imaging sensor. Biosyst Eng, 2006, 94: 477–485
[23] Jia L, Buerkert A, Chen X, Roemheld V, Zhang F. Low-altitude
aerial photography for optimum N fertilization of winter wheat
on the North China Plain. Field Crops Res, 2004, 89: 389–395
[24] Jia L, Chen X, Zhang F, Buerkert A, Römheld V. Use of digital
camera to assess nitrogen status of winter wheat in the Northern
China Plain. J Plant Nutr, 2004, 27: 441–450
[25] Graeff S, Claupein W. Quantifying nitrogen status of corn (Zea
mays L.) in the field by reflectance measurements. Eur J Agron,
2003, 19: 611–618
[26] Graeff S, Pfenning J, Claupein W, Liebig H P. Evaluation of im-
age analysis to determine the N-fertilizer demand of Broccoli
plants (Brassica oleracea convar. botrytis var. italica). Adv Opti-
cal Technol, 2008, DOI:10.1155/2008/359760
[27] Ahmad I S, Reid J F. Evaluation of colour representations for
maize images. J Agric Eng Res, 1996, 63: 185–195
[28] Adamsen F J, Pinter P J Jr, Barnes E M, LaMorte R L, Wall G W,
Leavitt S W, Kimball B A. Measuring wheat senescence with a
digital camera. Crop Sci, 1999, 39: 719–724
[29] Karcher D E, Richardson M D. Quantifying turfgrass color using
digital image analysis. Crop Sci, 2003, 43: 943–951
[30] Wang K-R(王克如), Li S-K(李少昆), Wang C-T(王崇桃), Yang
L(杨蕾), Xie R-Z(谢瑞芝), Gao S-J(高世菊), Bai J-H(柏军华).
Acquired chlorophyll concentration of cotton leaves with tech-
nology of machine vision. Acta Agron Sin (作物学报), 2006,
32(1): 34–40 (in Chinese with English abstract)
[31] Wang F-Y(王方永), Li S-K(李少昆), Wang K-R(王克如), Sui
X-Y(隋学艳), Bai J-H(柏军华), Chen B(陈兵), Liu G-Q(刘国
庆), Tan H-Z(谭海珍). Obtaining information of cotton popula-
tion chlorophyll by using machine vision technology. Acta Agron
Sin (作物学报), 2007, 33(12): 2041–2046 (in Chinese with Eng-
lish abstract)
[32] Tan H-Z(谭海珍), Li S-K(李少昆), Wang K-R(王克如), Xie
R-Z(谢瑞芝), Gao S-J(高世菊), Ming B(明博), Yu Q(于青), Lai
J-C(赖军臣), Liu G-Q(刘国庆), Tang Q-X(汤秋香). Monitoring
canopy chlorophyll density in seedlings of winter wheat using
imaging spectrometer. Acta Agron Sin (作物学报), 2008, 34(10):
1812–1817 (in Chinese with English abstract)
[33] Lichtenthale H K. Chlorophyll and Carotenoids, the Pigments of
Photosynthetic Biomembranes. Methods in Enzymology. San
Diego, CA: Academic Press, 1987, 148: 350–382
[34] Massart D L, Vandeginste B G M, Deming S M, Michotte Y,
Kaufman L. Chenometrics: A Textbook. Elsevier, Amsterdam,
1988
[35] Broge N H, Mortensen J V. Deriving green crop area index and
canopy chlorophyll density of winter wheat from spectral reflec-
tance data. Remote Sens Environ, 2002, 81: 45–57
[36] Gamon J A, Surfus J S. Assessing leaf pigment content and acti-
vity with a reflectometer. New Phytol, 1999, 143: 105−117
[37] Yao X(姚霞), Wu H-B(吴华兵), Zhu Y(朱艳), Tian Y-C(田永超),
Zhou Z-G(周治国), Cao W-X(曹卫星). Relationship between
pigment concentration and hyper-spectral parameters in func-
tional leaves of cotton. Cotton Sci (棉花学报), 2007, 19(4):
267–272 (in Chinese with English abstract)
[38] Blackburn G A. Hyperspectral remote sensing of plant pigments.
J Exp Bot, 2007, 58: 855−867
[39] Blackburn G A. Remote sensing of forest pigments using air-
borne imaging spectrometer and LIDAR imagery. Remote Sens
Environ, 2002, 82: 311–321