全 文 ：Vol. 29 , No. 6
pp. 815～821 　Nov. , 2003
作 　物 　学 　报
ACTA AGRONOMICA SINICA
第 29 卷 第 6 期
2003 年 11 月 　815～821 页
水稻地上鲜生物量的高光谱遥感估算模型研究
王秀珍1 　黄敬峰2 　李云梅3 　王人潮2 Ξ
(1浙江气象科学研究所 ,浙江杭州 310004 ; 2浙江大学农业遥感与信息技术研究所 ,浙江杭州 310029 ; 3南京师范大学地理科学学院 ,江苏南京
210097)
摘 　要 　不同氮素营养水平的水稻田间试验 ,采用单变量线性与非线性拟合模型和逐步回归分析 ,用 1999 年试验数据
为训练样本 ,建立水稻鲜生物量的高光谱遥感估算模型 ,用 2000 年试验数据作为测试样本数据 ,对其精度进行评价和验
证。结果表明 ,高光谱变量与地上鲜生物量之间的线性与非线性拟合分析中 ,一些高光谱特征值如红边波长 (λr ) 、绿峰
最大反射率 ( Rg)和红谷最小反射率 ( Rr )以及它们的组合 ,蓝边内一阶微分的总和 ( SDb)与红边内一阶微分的总和 ( SDr )
构成的植被指数为变量的相关系数与地上鲜生物量之间相关密切。运用逐步回归技术找出原始光谱、一阶微分光谱和
高光谱特征值与地上鲜生物量之间的最大相关波段。精度分析结果 ,以蓝边内一阶微分的总和 ( SDb)与红边内一阶微分
的总和 ( SDr )构成的比值植被指数为变量的模型 ,作为高光谱估算地上鲜生物量的最佳模型。
关键词 　水稻 ;鲜生物量参数 ;高光谱遥感 ;估算模型
中图分类号 : S511 　　　文献标识码 : A
Study on Hyperspectral Remote Sensing Estimation Models for the Ground Fresh
Biomass of Rice
WANG Xiu2Zhen1 　HUANGJing2Feng2 　LI Yun2Mei3 　WANG Ren2Chao2
(1 Institute Zhejiang Meteorology , Hangzhou , Zhejiang 310004 ; 2 Institute of Agricultural Remote Sensing & Information Application , Zhejiang University , Hang2
zhou , Zhejiang 310029 ; 3 The College of Geography Science , Nanjing Normal University , Nanjing , Jiangsu 210097 , China)
Abstract 　This study was based on the rank difference of the nitrogenous nutrition level by the man2made style through two
years rice farm experiment about the difference of the nitrogenous nutrition level . Using linear and non2linear and stepwise
multiple regression methods , whose precision had been evaluated and tested on the basis of the experiment data in 2000 act2
ed as train sample , the estimate models for ground fresh biomass of rice was built on the basis of the experiment data in
1999 acted as train sample and evaluated and validated. The results showed that there were some relationships between the
characteristic variables of hyperspectra (such as the green peak or red valley of reflectivity or red edge position or sum of 1st
derivative value within red edge ( SDr) and the blue edge ( SDb) or their vegetation indices) and about ground fresh bio2
mass. Based on the results of precision analysis , the model in which the ratio vegetation indices consisted of sum of 1st deri2
vative value within red edge ( SDr) and the blue edge ( SDb) as variables was the best one of estimating about ground fresh
biomass of rice by hyperspectra.
Key words 　Rice ; Ground fresh biomass ; Hyperspectral remote sensing ; Estimate models
　　生物量是生态系统研究中最重要的物理参数之
一 ,它是估计多种植冠功能过程的重要参数。利用
高光谱遥感数据波段窄和连续的特点 ,可以构建许
多对生物物理参数相对敏感的 VI ,或将常规的 VI
指数变为连续的形式 ,即与光谱导数成一定比例。
这种由高光谱数据产生的 VI 实质上精细地表达了
植被叶绿素、水、氮等生物化学物质吸收及细胞结构
多次散射的波形 ,有助于提高高光谱数据用于提取Ξ基金项目 :国家自然科学基金资助项目 ( 40171065 , 40271078) 。
作者简介 :王秀珍 (1961 - ) ,女 ,浙江省气象科学研究所 ,副研究员 ,博士 ,从事农业遥感与信息技术应用研究 ,Tel : (0571) 86042592 (O) ; E2
mail :wxz0516 @sina. com。
Received(收稿日期) :2002206226 ,Accepted(接受日期) :2002210215.

作物生长信息的水平。利用高光谱数据估算生物量
的特点在于可利用植物红边与生物量的关系估算低
覆盖度的植物生物量[1 ,2 ] 。也可构建植被因子用于
估算生物量[3 ] 。这种特点是利用常规多光谱变量估
算生物量所没有的。
本研究的主要目的是 : ①要找出一些较适用于
水稻鲜生物量参数估算的光谱波段和植被指数。②
评价实地测量的高光谱数据的各种变换形式 :植被
指数 ,蓝、黄和红边 (三边)光学参数 ,绿色反射峰 (绿
峰) ,红光吸收低谷 (红谷) ,以及基于光谱面积的预
测变量用于估算水稻鲜生物量的潜力 ; ③在水稻生
物物理参数拟合中 ,检查“三边”光谱区域内一阶微
分光谱应用于估算水稻鲜生物量的有效性。
1 　试验研究方法
1. 1 　田间试验设计
　　试验地点 :位于 30°14′N ,120°10′E ,浙江大学华
家池校区的试验农场内。
试验时间 :1999 年 6 月 25 日播种 ,7 月 24 日移
栽 ,2000 年 6 月 20 日播种 ,7 月 10 日移栽。
试验处理 :供试品种是秀水 63 ;试验占地 667
m
2
,小区面积 4 m ×5 m ,4 个重复 ,随机排列 ;5 个氮
素水平处理 ,分别施纯氮量 0、45、135、225、315 kgΠ
hm2 ,即人为地造成严重缺氮、缺氮、适量氮、过量氮、
严重过量氮 (用 N1 、N2 、N3 、N4 、N5 表示) ,分别在返青
期、拔节期和抽穗始期按 60 %、30 %、10 %施入 ,钾肥
在拔节期和抽穗始期分两次等量均匀施入各小区 ;
行、株距为 0. 14 m ×0. 17 m ,田埂宽为 25～30 cm ,田
间管理按大田管理方式进行。
1. 2 　光谱测定方法
使用由美国分析光谱仪器公司 (Analytical Spec2
tral Devices 公司)制造的 ASD 野外光谱辐射仪 (ASD2
FieldSpec) ,其光谱范围为 350～1050 nm , 色散为 1. 4
nm ,光谱分辨率是 3 nm ,有 512 个波段 ,视场角为 25°。
选择晴朗无风天气 ,分别在水稻分蘖、拔节、孕
穗、抽穗和乳熟期测定水稻冠层光谱 ,每次测定时间
在北京时间 10∶00～11∶45。传感器探头垂直向下 ,
与冠层顶相距约 0. 75 m 左右 ,观测范围直径为 0. 33
m。每个小区内不同点测定 10 次 ,取平均值作为该
小区的光谱反射值 ,每个小区测定前、后都立即进行
白板校正。
1. 3 　地上鲜生物量测定
冠层光谱测定后 ,取样测定水稻地上鲜生物量。
水稻按叶片、茎 (包括叶鞘) 、穗、根器官进行分类 ,未
抽出的小穗作为穗剥出统计 ;样本分器官称其鲜重 ,
图 1 地上鲜生物量和水稻冠层光谱之间的相关系数图
Fig. 1 Correlogram of spectra of rice canopy to ground fresh biomass
( F0. 01为 F 极显著性检验值 , F0. 05为 F 显著性检验值 ,下同)
计算 1 m2 总鲜重 (gΠm2 ) 。
1. 4 　高光谱数据特征参数及其提取方法
常见的高光谱数据特征参数[4 ] 包括从原始光
谱、一阶微分光谱提取的基于高光谱位置变量、基于
高光谱面积变量、基于高光谱植被指数变量 3 种类
型 19 个特征参数 (表 1) 。
首先定义三个光谱范围 ———蓝边、黄边和红边
(即“三边”) ,分别在“三边”光谱区域内提取一阶微
分光谱的最大值及相应的波长 ,然后选取绿峰和红
谷的光谱位置 (包括反射率的波长) ,作为基于高光
谱位置变量 ;定义“三边”范围内一阶微分波段值的
总和 ,作为基于高光谱面积变量 ;定义绿峰和红谷反
射率和“三边”变量的比值和归一化植被指数 ,为的
是与其他植被指数和光学参数有别 ,利用微分特性
来评价它们用于预测生物量的潜力 ,测试“三边”范
围内所有波段综合预测的能力[4 ] 。
2 　结果
2. 1 　地上鲜生物量与高光谱变量的相关分析
2. 1. 1 　地上鲜生物量与原始光谱变量的相关分析
　　由图 1 可见 ,波长小于 733 nm ,光谱反射率与地
上鲜生物量呈负相关 ,相关系数约在 670 nm 处达到
最大 ,形成一个波谷 ;波长大于 735 nm ,光谱反射数
据与地上鲜生物量呈正相关 ,相关系数约在 780 nm
处达到最大 ,形成一个平台 ,约在 930 nm 附近 ,相关
系数迅速下降 ,且波动大。波长处于 37619～722115
nm 和 754～917 nm 光谱反射率和地上鲜生物量之
间的相关系数达到了显著性检验水平 , 波长在
681111 nm 处存在着最大相关系数 ,达 - 01822 , 这
个波长处于红光波谷中 ,与其他研究者[5 ] 使用的光
谱区域 682 nm 很相近。
618 　　　作 　　物 　　学 　　报 29 卷 　

表 1 高光谱特征参数的定义
Table1 The definitions of hyperspectral parameters used in this study
变量 Variable 定义 Definition 描述 Describing
基于高
光谱位
置变量
1. Db
2.λb
3. Dy
4.λy
5. Dr
6.λr
7. Rg
8.λg
9. R r
10. λo
蓝边内最大的一阶微分值
Db 对应的波长
黄边内最大的一阶微分值
Dy 对应的波长
红边内最大的一阶微分值
Dr 对应的波长即红边位置
绿峰反射率
Rg 对应的波长
红谷反射率
红谷反射率对应的波长
蓝边覆盖 490～530 nm , Db 是蓝边内一阶微分光谱中的最大值
λb 是 Db 对应的波长位置 (nm)
黄边覆盖 550～582 nm , Dy 是黄边内一阶微分光谱中的最大值
λy 是 Dy 对应的波长位置 (nm)
红边覆盖 680～780 nm , Dr 是红边内一阶微分光谱中的最大值
λr 是 Dr 对应的波长位置 (nm)
Rg 是波长 510～560 nm 范围内最大的波段反射率
λg 是 Rg 对应的波长位置 (nm)
Rr 是波长 640～680 nm 范围内最小的波段反射率
λo 是 Rr 对应的波长位置 (nm)
基于高光
谱面积变量
1. SDb
2. SDy
3. SDr
蓝边内一阶微分的总和
黄边内一阶微分的总和
红边内一阶微分的总和
蓝边波长范围内一阶微分波段值的总和
黄边波长范围内一阶微分波段值的总和
红边波长范围内一阶微分波段值的总和
基于高光
谱植被
指数变量
1. RgΠR r
2. ( Rg - Rr)Π( Rg + Rr)
3. SDrΠSDb
4. SDrΠSDy
5. ( SDr - SDb)Π( SDr + SDb)
6. ( SDr - SDy)Π( SDr + SDy) 绿峰反射率 ( Rg)与红谷反射率 ( Rr)的比值绿峰反射率 ( Rg)与红谷反射率 ( R r)的归一化值红边内一阶微分的总和 ( SDr)与蓝边内一阶微分的总和 ( SDb)的比值红边内一阶微分的总和与黄边内一阶微分的总和 ( SDy)的比值红边内一阶微分的总和 ( SDr)与蓝边内一阶微分的总和 ( SDb)的归一化值红边内一阶微分的总和 ( SDr)与黄边内一阶微分的总和 ( SDy)的归一化值
2. 1. 2 　地上鲜生物量与一阶微分光谱变量的相关
分析 　　地上鲜生物量和一阶微分光谱之间约在
714～757 nm 为正相关 ,在 927～757 nm 为负相关 ,
达到了显著性检验水平 ,最大相关系数波长发生在
743. 37 nm 处 (图 2) ,为 0. 7729 ,这个波长也是 LAI
和一阶微分光谱之间相关系数最大的波长[6 ] 。这个
波长是光谱变化最大的位置 ,位于红边范围。
图 2 地上鲜生物量和水稻冠层一阶微分光谱之间的相关系数图
Fig. 2 Correlogram of the first derivative spectra of rice
canopy to ground fresh biomass
2. 1. 3 　地上鲜生物量与高光谱特征变量的相关分
析　　由表 2 可见 ,高光谱变量与地上鲜生物量之
间的相关系数以红谷反射率最大为 - 0. 7657 ,其次
是绿峰反射率和红边波长达到了极显著性检验水
平。红谷反射率和绿峰反射率的比值和归一化植被
指数与地上鲜生物量之间的相关关系也达到极显著
性检验水平 , SDr 和 SDb 以及其比值和归一化植被
指数与地上鲜生物量之间的相关系数达到显著性检
验水平 ,可用其变量建立估算地上鲜生物量的模型。
地上鲜生物量与 Db 、λb 、Dy 、λy 、Dr 、λg 、λo 、SDy
的相关关系未达到显著性检验水平 ,说明地上鲜生
物量的变化并没有引起上述高光谱特征变量的变
化。
2. 2 　地上鲜生物量的高光谱遥感估算模型
图 3 显示 681. 11 nm 处的原始光谱与地上鲜生
物量的关系。由图可见 ,具有较高的地上鲜生物量
在 681. 11 nm 处有较小的光谱值。图中数据点沿
120°对角线呈离散分布 ,较大的地上鲜生物量常会
导致较小的光谱。用 681. 11 nm 处的原始光谱建立
估算地上鲜生物量的拟合模型 ,以对数形式最佳 ,其
相关系数达到 0. 01 极显著检验水平。
718　6 期 王秀珍等 : 水稻地上鲜生物量的高光谱遥感估算模型研究 　　　

表 2 地上鲜生物量与高光谱特征变量之间的相关系数 ( n = 25)
Table 2 The correlation coefficient between ground
fresh biomass and the hyperspectral variables
光谱变量类型
Type
相关系数 ( r)
The correlation coefficient ( r)
基于光谱
位置变量
1. Db
2.λb
3. Dy
4.λy
5. Dr
6.λr
7. Rg
8.λg
9. Rr
10.λo
- 0. 3111
　0. 3629
　0. 2185
　0. 3584
　0. 2034
　0. 5161 3 3
- 0. 6591 3 3
　0. 0244
- 0. 7657 3 3
　0. 3768
基于光谱
面积变量
1. SDb
2. SDy
3. SDr
- 0. 4507 3
　0. 2673
　0. 5505 3 3
基于 VI
变量
1. RgΠRr
2. ( Rg - Rr)Π( Rg + Rr)
3. SDrΠSDb
4. SDrΠSDy
5. ( SDr - SDb)Π( SDr + SDb)
6. ( SDr - SDy)Π( SDr + SDy) - 0. 7257 3 3　0. 7510 3 3　0. 7341 3 3- 0. 6472 3 3　0. 7062 3 3- 0. 4958 3
图 3 地上鲜生物量与 681. 11 nm处的光谱的相关关系
Fig. 3 The correlation relationship between spectra of rice canopy
at 681. 11nm and ground fresh biomass
　　图 4 显示 743. 37 nm处的一阶微分光谱对地上
鲜生物量的关系。由图可见 ,在 743. 37 nm 处有较
大的一阶微分光谱值。图中数据点沿对角线的离散
分布与地上鲜生物量变化有关 ,较大的地上鲜生物
量常会导致较高的一阶微分光谱。用 743. 37 nm 处
的一阶微分光谱建立估算地上鲜生物量的拟合模
型 ,以指数函数最佳 ,其相关系数达到 0. 01 极显著
检验水平。
从表 2 中筛选出相关系数较大的单变量λr 、
Rg 、Rr 以及 RgΠRr 、( Rg - Rr )Π( Rg + Rr ) 、SDrΠSDb 、
( SDr - SDb )Π( SDr + SDb )变量进行线性与非线性回
归分析 ,建立估算地上鲜生物量的模型。
2. 2. 1 　单变量线性与非线性拟合模型 　　使用 5
图 4 地上鲜生物量与 743. 37 nm处的一阶微分光谱的相关关系
Fig. 4 The correlation relationship between the first derivative
spectra of rice canopy at 743. 37 nm and ground fresh biomass
个单变量线性与非线性的拟合模型 ,包括 :
简单线性函数 : y = a + bx ;
对数函数 : y = a + b·ln ( x) ;
抛物线 : y = a + bx + cx2 ;
一元三次函数 : y = a + bx + cx2 + dx3 ;
指数函数 : y = a·exp ( bx) 。
式中 , y 代表地上鲜生物量拟合值 , x 代表光谱变
量 , a 和 b 为常数。
2. 2. 2 　逐步回归分析 　　用逐步回归分析法来确
定那些与地上鲜生物量相关的光谱变量时 ,输入变
量是测定的地上鲜生物量和光谱变量值 ,输出结果
是一系列包含不同光谱变量的多元线性方程及相应
的确定系数 ( R2 )和 F 检验值。回归分析模型为 :
y^ = a0 + a1 x1 + a2 x2 + ⋯ai xi + ⋯
　　其中 : y^ 为根据所有自变量 xi 计算出的估计值 ,
a0 为常数项 , ai 为 y 对应于 xi 的偏回归系数。由于
光谱变量数量大于地上鲜生物量的样本数 ,且它们
之间不是互相独立的 ,而是相互有关的 ,从多个光谱
变量中选择对因变量 y 方差贡献最大的一个光谱
变量 ,同时这个光谱变量对因变量的作用是显著的 ,
保持每一步得到的回归方程中的光谱变量都是重要
的 ,必须在每步选入光谱变量以后 ,对当步的回归方
程中的所有光谱变量再作一次显著性检验 ,及时剔
除不重要的光谱变量。
由表 3 可见 ,由回归分析得到的全部 R2 值通过
0. 01 极显著性检验水平。对λr 、Rr 和 ( Rg - Rr )Π
( Rg + Rr ) 、( SDr - SDb )Π( SDr + SDb )变量回归而言 ,
最适合的拟合模型为指数 ,其相关系数通过 0. 01 极
显著检验水平 , F 检验值最大。Rg 、RgΠRr 变量回归
而言 ,最适合的拟合模型为对数 , SDrΠSDb 变量最适
合的模型为线性 ,其相关系数、F 检验值较大。上述
变量回归模型比较 ,以 RgΠRr 变量的对数和 ( Rg -
Rr )Π( Rg + Rr )变量的指数模型为最佳。
818 　　　作 　　物 　　学 　　报 29 卷 　

表 3 地上鲜生物量与高光谱变量的线性和非线性回归分析
Table 3 The regression of linear and non2linear between ground fresh biomass with the hyperspectral variables
变量 Variable 模型 Models a b c d R2 F
线性 - 48. 847 0. 0700 0. 266 8. 35
对数 - 331. 15 50. 5677 0. 266 8. 35
λr 抛物线 - 48. 847 0. 0700 0. 266 8. 35
一元三次 - 96. 351 0. 1686 - 6. E - 08 0. 266 4. 00
指数 1. 5e - 14 0. 0446 0. 378 13. 96
线性 4. 0535 - 35. 405 0. 434 17. 67
对数 - 4. 3056 - 2. 1711 0. 485 21. 63
Rg 抛物线 6. 7218 - 129. 66 746. 249 0. 511 11. 49
一元三次 6. 8367 - 135. 75 847. 057 - 519. 53 0. 511 7. 31
指数 1. 6646 - 18. 877 0. 431 17. 44
线性 3. 7383 - 82. 229 0. 586 32. 60
对数 - 5. 0948 - 1. 7919 0. 648 42. 32
R r 抛物线 5. 0306 - 212. 52 2698. 04 0. 648 20. 21
一元三次 6. 2736 - 403. 92 11364. 0 - 116453 0. 657 13. 40
指数 1. 5494 - 46. 627 0. 658 44. 32
线性 2. 9310 - 647. 68 0. 527 25. 58
对数 - 4. 9208 - 1. 0021 0. 699 53. 33
RgΠRr 抛物线 3. 5359 - 1677. 0 239575 0. 664 21. 70
一元三次 4. 1135 - 3191. 6 1095346 - 1. E + 08 0. 709 17. 10
指数 1. 1043 - 378. 22 0. 627 38. 67
线性 0. 0616 0. 2278 0. 539 26. 88
对数 - 2. 0297 1. 9390 0. 530 25. 93
SDrΠSDb 抛物线 - 0. 1795 0. 2844 - 0. 0030 0. 540 12. 91
一元三次 - 0. 6802 0. 4664 - 0. 0231 0. 0007 0. 540 8. 23
指数 0. 6286 0. 1215 0. 535 26. 50
线性 - 2. 9105 10. 4410 0. 564 29. 75
对数 5. 6592 4. 7729 0. 568 30. 25
( Rg - R r)Π( Rg + R r) 抛物线 - 5. 6735 22. 6610 - 13. 185 0. 568 14. 45
一元三次 - 5. 6735 22. 6610 - 13. 185 0. 568 14. 45
指数 0. 0999 6. 0911 0. 670 46. 75
线性 - 5. 1299 9. 3020 0. 499 22. 88
对数 3. 8530 6. 8162 0. 483 21. 50
( SDr - SDb)Π( SDr + SDb) 抛物线 12. 0722 - 36. 994 30. 8021 0. 534 12. 61
一元三次 3. 2158 0 - 20. 226 23. 2552 0. 536 12. 70
指数 0. 0333 5. 1779 0. 540 26. 95
　　运用逐步回归分析技术探讨原始光谱、一阶微
分光谱和光谱特征变量与地上鲜生物量值间的关系
(表 4) 。对原始光谱而言 ,第一个被选中波段 (具有
最大相关系数)能解释样本间地上鲜生物量方差的
67. 6 % ;选择 2 个变量 (波段)进入方程 ,能解释样本
间地上鲜生物量方差的 89. 7 % ;而选择 6 个变量 (波
段)进入方程 ,基本上可以解释全部方差。对一阶微
分光谱而言 ,只选择了两个变量 (表 4) ,第一个被选
中波段 (具有最大相关系数)能解释样本间地上鲜生
物量方差的 59. 7 % ;而选择 2 个变量 (波段) 进入方
程 ,实际上可以解释样本间地上鲜生物量方差的
70. 7 %。从入选的步数看 ,一阶微分光谱与地上鲜
生物量之间的关系更明了、简洁 ,但 F 检验值明显
低于原始光谱的。从入选的波段看 ,原始光谱以可
见光为主 ,而一阶微分光谱以近红外为主 ,这意味着
当光谱数据在不同日期 ,特别是在不同季节获取时 ,
918　6 期 王秀珍等 : 水稻地上鲜生物量的高光谱遥感估算模型研究 　　　

在可见光区的光谱测量值比那些近红外区的光谱测
量值显得更加稳定 ,即受时空影响较小 ,与文献 [ 4 ]
得出的结论一致。然而 ,这种现象还需作进一步的
实验来验证。
213 　水稻鲜生物量的高光谱遥感估算模型精度分
析
以上采用的相关分析、线性与非线性回归和逐
步回归方法来确定高光谱对于水稻鲜生物量变量重
要的波长位置 ,并说明某些波段值和生物量有较好
的相关性。据此可以用这些确定的波长位置 (波段
值)来估计某种参数的数值。这种方法比较简单明
了 ,但它有在建立回归模型时存在“过度拟合”现
象[4 ]的不足。这种现象主要发生在当样本数比波段
数小时 ,这时波段反射值可能并未与某种变量相关 ,
但其噪声模式可能与某种变量相关 ,这种危险性随
着波段数的增加而提高。这种现象可采用测试样本
的评价精度加以控制和避免。以 1999 年试验数据
作为训练样本 ,用 2000 年试验数据作为测试样本对
建立的估算模型进行精度分析。
从表 5 可知 ,地上鲜生物量高光谱估算模型的
拟合 R2 通过 0. 01 极显著性检验水平 ,以λr 、Rg 、
Rr 、RgΠRr 为变量的模型预测 R2 通过显著性检验水
平 ,以 ( Rg - Rr )Π( Rg + Rr ) 为变量的模型和逐步回
归模型预测 R2 未通过显著性检验水平 ,由于变量
数目的增加 ,将影响模型的稳定性 ,这里选取原始光
谱逐步回归结果的前三步列入选出的模型中。从表
5 可见 ,以 SDrΠSDb 为变量的模型通过极显著性检
验水平。
　　Y = 0. 0616 + 0. 2278·SDrΠSDb
( Y 为地上鲜生物量预测值 ,单位 :gΠm2 )
表 4 地上鲜生物量与高光谱和一阶微分光谱的逐步回归分析结果
Table 4 The result of stepwise multiple regression between ground fresh biomass and the hyperspectral variables
光谱反射
Spectral reflectance ( R)
模型 (步数)
Models(steps)
波长
Wave length (nm) R
2 F
一阶微分
The first derivative spectra ( dR)
模型 (步数)
Models(steps)
波长
Wavelength(nm) R
2 F
1 681. 11 . 676 47. 962 1 743. 37 0. 597 34. 135
2 702. 34 . 815 48. 574 2 964. 09 0. 707 26. 556
3 556. 6 . 897 61. 274
4 630. 18 . 920 57. 256
5 962. 68 . 937 56. 046
6 434. 92 . 953 61. 000
表 5 高光谱估算地上鲜生物量模型的拟合 R2 与预测 R2 比较
Table 5 Comparison of simulated R2 with predicted R2 of models estimated ground fresh with models using variables of hyperspectra
类型
Type
水稻高光谱地上鲜生物量估算模型
Hyperspectral remote sensing estimation models about
above ground fresh biomass of rice
拟合 R2
Estimated R2
F
预测 R2
Predicted R2
Y = 1. 5 e - 14exp (0. 0446λr) 0. 378 3 3 13. 96 0. 3547 3
Y = - 4. 3056 - 2. 1711ln( Rg) 0. 485 3 3 21. 63 0. 3674 3
线性与非线性 Y = - 5. 0948 - 1. 7919ln( Rr) 0. 648 3 3 42. 32 0. 3016 3
回归模型 Y = - 4. 9208 - 1. 0021ln( RgΠRr) 0. 699 3 3 53. 33 0. 2843 3
Y = 0. 0616 + 0. 2278 SDrΠSDb 0. 539 3 3 26. 88 0. 4224 3 3
Y = 0. 0999exp[6. 0911( Rg - R r)Π( Rg + R r) ] 0. 670 3 3 46. 75 0. 2208
Y = 3. 8669 + 81. 1232 ( R681. 11) 0. 676 3 3 47. 96 0. 1129
Y = 3. 1086 + 160. 8735 ( R681. 11) + 41. 4421 ( R702. 34) 0. 815 3 3 48. 57 0. 1272
逐步回归模型 Y = 3. 4522 + 147. 4044 ( R681. 11) + 119. 5406 ( R702. 34) + 99. 0762 ( R556. 6) 0. 897 3 3 61. 27 0. 21
Y = - 0. 5526 + 2. 7974 ( dR744. 78) 0. 597 3 3 34. 135 0. 1376
Y = 0. 4905 + 2. 0298 ( dR744. 78) + 0. 6301( dR964. 09) 0. 707 3 3 26. 556 0. 1002
028 　　　作 　　物 　　学 　　报 29 卷 　

拟合 R2 为 0. 539 ,预测 R2 为 0. 4224 ,从图 5 可直观
看出其预测效果 ,因此 ,将它视为高光谱估算地上鲜
生物量的最佳模型。
图 5 估算地上鲜生物量的高
光谱线性回归模型预测值与实测值比较
Fig. 5 Comparison of measured ground fresh biomass with
nonlinear regression models using variables of hyperspectra
3 　结论与讨论
高光谱变量与地上鲜生物量之间的线性与非线
性拟合分析中 ,一些高光谱特征值如红边波长 (λr ) 、
绿峰最大反射率 ( Rg ) 和红谷最小反射率 ( Rr ) 以及
它们的组合与地上鲜生物量之间相关密切 ,对λr 、
RgΠRr 变量回归而言 ,最适合的拟合模型为对数 ,其
相关系数通过 0. 01 极显著性检验水平 , F 检验值最
大。Rg 、Rr 和 ( Rg - Rr ) Π( Rg + Rr ) 变量回归而言 ,
最适合的拟合模型为指数 ,其相关系数通过 0. 01 极
显著性检验水平 , F 检验值最大 ;在水稻地上鲜生物
量与“三边”光谱区域面积的相关分析中 ,与红边内
一阶微分的总和 ( SDr )的相关系数通过 0. 01 极显著
性检验水平 ,其次是蓝边内一阶微分的总和 ( SDb )
通过 0. 05 显著性检验水平 ,而与黄边内一阶微分的
总和 ( SDy ) 未通过显著性检验 , SDrΠSDb 、( SDr -
SDb)Π ( SDr + SDb ) 为变量的相关系数通过 0. 01 极
显著性检验水平 ;运用逐步回归技术找出原始光谱、
一阶微分光谱和高光谱特征值与地上鲜生物量之间
的最大相关波段 ,但预测效果差 ,这说明用单个波段
光谱变量观测生物量存在着不稳定性。
以 1999 年试验数据作为训练样本 ,用 2000 年
试验数据作为测试样本对建立的估算模型进行精度
分析。拟合结果与预测结果加以比较 ,得出 : 以
SDrΠSDb 为变量的线性模型最佳 ,其拟合 R2 为
01539 ,预测 R2 为 0. 4224 ,都通过极显著性检验水
平 ;其次是λr 的指数形式和 Rg 、Rr 的对数形式 ,其
拟合 R2 通过极显著性检验水平 ,预测 R2 通过显著
性检验水平。因此 ,用 SDrΠSDb 为变量的模型 :
Y = 0. 0616 + 0. 2278·SDrΠSDb
作为高光谱估算水稻地上鲜生物量的最佳模型 ,但
需要作大量的实验来验证。
致　谢 　杭州市农业科学研究所王竺美研究员、浙
江大学沈掌泉老师、申广荣博士、于军平硕士在田间
试验方面给予了大力支持 ,在此表示真诚的感谢 !
References
[1 ] 　Elvidge C D. Visible and near infrared reflectance characteristics of dry
plant materials. International Journal of Remote Sensing , 1990 , 11 :
1775 —1795
[2 ] 　Elvidge C D , Chen Z. Comparison of broadband and narrow2band red
and near2infrared vegetation indices. Remote Sensing of Environment ,
1995 , 54 , 38 —48
[3 ] 　Zhang L2P(张良培) ,Zheng L2F(郑兰芬) ,Tong Q2X (童庆禧) . The
estimation of vegetation variable based on high resolution spectra. Jour2
nal of Remote Sensing (遥感学报) ,1997 ,1(2) :111 —114
[4 ] 　Pu R2L (浦瑞良) , Gong P(宫鹏) . Hyperspectral Remote Sensing and
Its Applications (高光谱遥感及其应用) . Beijing : Higher Edication
Press , 2000. 123 —227
[5 ] 　Prasad S T , Ronald B S , Eddy D P. Hyperspectral vegetation indices
and their relationship with agricultural crop characteristics. Remote
Sensing Environment , 2000 , 71 :158 —182
[6 ] 　Wang X2Z(王秀珍) . The study on spectral remote sensing estimation
models about bio2physical and bio2chemical parameters of rice. Zhe2
jiang University PhD Degree Thesis , 46 —52
128　6 期 王秀珍等 : 水稻地上鲜生物量的高光谱遥感估算模型研究