全 文 ：中国生态农业学报 2013年 4月 第 21卷 第 4期
Chinese Journal of Eco-Agriculture, Apr. 2013, 21(4): 440447


* 山西省科技攻关项目(2006031114, 20110311038)和山西农业大学科技创新基金项目(201222)资助
** 通讯作者: 杨武德(1960—), 男, 教授, 博士生导师, 主要从事作物生态和农业信息技术研究。E-mail: sxauywd@126.com
王超(1988—), 男, 硕士研究生, 主要从事作物信息技术研究。E-mail: wangchaoqxx2000@126.com
收稿日期: 20120912 接受日期: 20130105
DOI: 10.3724/SP.J.1011.2013.00440
基于光谱遥感的冬小麦籽粒淀粉积累量的监测*
王 超 冯美臣 王君杰 肖璐洁 杨武德**
(山西农业大学旱作工程研究所 太谷 030801)
摘 要 为了建立基于叶绿素密度淀粉积累量的最佳种植密度光谱监测模型, 利用遥感技术准确测量小麦
淀粉积累量 , 本试验通过大田试验 , 根据品种特性和晋中地区推广种植密度分别设置 5 个种植密度(300
万苗·hm2、450万苗·hm2、600万苗·hm2、750万苗·hm2、900万苗·hm2), 对其冠层光谱、叶绿素密度和淀
粉积累量进行了测定, 并利用统计学方法对 5 个种植密度的数据进行分析, 对混合密度进行模拟。结果表明,
在 5 个密度梯度和模拟混合密度下所建立的淀粉积累量光谱监测模型中, 以密度 750 万苗·hm2 条件下的
NDVI(1 200 nm, 670 nm)所建立的光谱模型最好, 其精确度可达 0.920 6。用 2009—2010年的试验数据对模型
进行检验, 其预测值和实测值的 R2也可达 0.954 2, 表明 750万苗·hm2的种植密度是对冬小麦淀粉积累量进行
预测的最佳密度, 依此所建立的冬小麦淀粉积累动态监测光谱模型是可行的。同时, 所建立模拟混合密度模型
的精确度可达 0.883 1, 验证 R2也可达 0.905 4, 说明该模拟混合密度模型能够较准确地预测不同种植密度条件
下的淀粉积累量。因此, 模拟混合密度模型在现实应用中具有较好的适用性和普适度。
关键词 冬小麦 种植密度 叶绿素密度 淀粉积累量 光谱遥感 监测模型
中图分类号: S127 文献标识码: A 文章编号: 1671-3990(2013)04-0440-08
Monitoring grain starch accumulation in winter wheat via spectral
remote sensing
WANG Chao, FENG Mei-Chen, WANG Jun-Jie, XIAO Lu-Jie, YANG Wu-De
(Institute of Dry Farming Engineering, Shanxi Agricultural University, Taigu 030801, China)
Abstract Starch is a major photosynthate and quality index for winter wheat. Planting density influences the growth and
development of winter wheat through factors, such as, thermal, light, temperature, etc. This in turn influences the generation,
development and transportation of photosynthate to wheat grains which eventually determine wheat yield and quality. Chlorophyll
density is strongly related with spectral parameters and accumulated starch. Thus, chlorophyll density was used to serve as a link
between canopy spectra and starch accumulation in this study. The aim of the study was to explore suitable density for forecasting
accumulated starch content for the purpose of building a model for the accurate forecasting of starch accumulation via spectral
remote sensing. In this study, “Jing 9549” winter wheat cultivar was cultivated in 2009 and the “Jing 9549”, “Le 639” and “Chang
4738” cultivars cultivated in 2010 at planting densities of 3.0×106 plant·hm2, 4.5×106 plant·hm2, 6.0×106 plant·hm2, 7.5×106
plant·hm2, 9.0×106 plant·hm2. In the field experiments, canopy spectral, chlorophyll density and starch accumulation of winter
wheat were measured in the five different planting densities. The accuracy of the monitoring model with NDVI (1 200 nm, 670 nm)
was highest (0.920 6) at 7.50×106 plant·hm2 wheat planting density. The model was verified with data for the cultivation period of
2009 to 2010. The result showed a strong agreement with a correlation coefficient of 0.954 2. The 7.5×106 plant·hm2 density was the
most reasonable planting density for monitoring starch accumulation in winter wheat. Also the data for the five densities were
integrated to construct a multi-density simulation model. The multi-density model accuracy was 0.883 1 and its relative error (RE)
was also the lowest (0.905 4). Thus to some extent, the multi-density simulation model was widely applicable and practically
significant. The spectral remote sensing monitoring model for observed optimum density and accumulated starch at different wheat
planting densities gave the theoretical basis and guidance for large-scale monitoring of wheat quality from space.
Key words Winter wheat, Planting density, Chlorophyll density, Starch accumulation, Spectral remote sensing, Monitoring model
第 4期 王 超等: 基于光谱遥感的冬小麦籽粒淀粉积累量的监测 441


(Received Sep. 12, 2012; accepted Jan. 5, 2013)
小麦淀粉含量是评价其品质的重要指标之一。
小麦开花后的淀粉积累量不仅影响其最终的淀粉含
量, 也影响其营养品质和加工品质。为适应市场需
求, 快速、准确获取小麦淀粉积累量已成为一种趋
势, 利用遥感技术快速、大面积、无损测试、光谱
分辨率高且能成像等特点 , 使得这一需求成为可
能[1]。国内外许多学者对作物的蛋白质和淀粉等品
质进行了遥感监测方面的相关研究, 并取得了一定
进展[28]。但这些大都是利用光谱参数直接与作物品
质指标进行相关性研究和建模。冯伟等[9]研究中提
供了一种思路, 即构建一个与光谱参数和作物品质
指标都有密切关系的中间农学参数为变量, 如叶绿
素、叶面积指数等农学参数, 从而将光谱参数与品
质指标联系起来 , 实现对作物品质的直接遥感监
测。王磊等[10]利用盆栽试验发现不同氮营养水平下
的春玉米叶片叶绿素和全氮含量与叶片光谱反射率
具有很好的相关性。Filella 等[11]研究不同施肥条件
下的冬小麦冠层光谱, 发现 550 nm处的反射率与叶
绿素密度呈曲线相关关系。Horler 等[1218]许多国内
外专家也发现了光谱参数与叶绿素之间存在较大相
关性。在作物生理上, 叶绿素与光合作用密切相关,
从而影响净初级生产力和淀粉等光合产物的生成 ,
是监测作物生长发育和营养状况的重要指示指标。
因此, 本研究以叶绿素密度作为光谱参数和淀粉积
累量的农学参数连接点是可行的。
虽然国内外对作物品质的光谱监测研究取得了
一定进展, 但是利用叶绿素密度这一农学参数作为
连接点来对作物淀粉积累量进行遥感监测和对其监
测最佳种植密度的研究尚不多。因此本研究以此为
切入点, 间接引入以与光谱和淀粉积累量都密切相
关的叶绿素密度为连接点, 按照“冠层光谱参数叶
绿素密度淀粉积累量”这一技术路线, 以不同种植
密度的田间试验为基础, 综合分析不同种植密度冬
小麦在不同生育时期的叶绿素密度、冠层光谱参数
和淀粉积累量之间的定量关系, 建立基于叶绿素密
度籽粒淀粉积累量的遥感监测模型 , 以实现对小
麦淀粉积累量的无损伤、大尺度遥感监测提供理论
参考和实践指导。
1 材料与方法
1.1 试验材料与设计
2009年 9月—2010年 6月试验地点设在山西农
业大学农学院农作站。供试土壤为黄土母质发育而
成的石灰性褐土, 土壤肥力水平中等, 理化性质为
有机质 22.01 g·kg1, 碱解氮 53.8 mg·kg1, 有效磷
18.43 mg·kg1, 速效钾 236.9 mg·kg1。本试验因子为
种植密度, 研究区推广种植密度为 600 万苗·hm2,
据此本试验所设的密度梯度分别为 300万苗·hm2、
450万苗·hm2、600万苗·hm2、750万苗·hm2、900
万苗·hm2。试验采取随机区组设计, 供试小麦品种
为“京 9549”, 小区面积为 30 m2(4 m×7.5 m), 行距为
20 cm, 重复 3次, 田间管理各处理相同。施肥量为
磷肥(磷酸二铵, 含 P2O5 460 g·kg1)150 kg·hm2, 氮
肥(尿素, 含 N 460 g·kg1)150 kg·hm2, 钾肥(氯化钾,
含 K2O 600 g·kg1)112.5 kg·hm2, 试验用于监测模型
的验证。
2010年 9月—2011年 6月试验地点设在山西农
业大学农学院农作站, 供试土壤理化性质为: 有机
质 20.07 g·kg1, 碱解氮 49.3 mg·kg1, 有效磷 18.79
mg·kg1, 速效钾 247.3 mg·kg1。本试验因子为品种
和密度, 采用二因素裂区试验设计, 主区为供试品
种 , 副区为密度 , 供试小麦品种为“京 9549”、“乐
639”、“长 4738”, 密度设置同 2009—2010年试验。
小区面积 30 m2 (4 m×7.5 m), 行距为 20 cm, 3次重复,
田间管理同 2009—2010年试验, 试验用于监测模型
的构建。
1.2 测量指标与方法
1.2.1 冠层光谱
小麦冠层反射光谱于返青期、拔节期、孕穗期、
抽穗期、开花期及花后每隔 5 d 测定 , 采用美国
Cropscan 公司生产的 MSR-16 型便携式光谱辐射仪
测量冠层光谱反射率, 仪器视场角为 31.1°, 设有 16
个波段, 波段范围为 452~1 650 nm。仪器每季度用
白色标准版校准 1 次。测量选择在晴朗无云或少云
的天气进行 , 测量时间为 10:00—14:00, 测量时探
头垂直向下, 探头距冠层的垂直高度约 1.2 m。每个
小区测量 3点, 每点重复测量 5次, 取平均值作为该
小区光谱值。
1.2.2 叶绿素密度和淀粉积累量的测定
叶绿素密度和淀粉积累量的测定分别参照杨峰
等[19]和田永超等[20]的方法。
1.2.3 典型光谱参数及其计算方法
在当前农业遥感研究中, 已经发展了与作物色
素、氮素、生物量、群体指标等相关的众多波段特
征和波段组合植被指数, 以下是最常用和研究比较
深入的 8种光谱参数及其计算公式(表 1)。
442 中国生态农业学报 2013 第 21卷


表 1 作物典型光谱参数计算方法及出处
Table 1 Algorithm and references of different spectral parameters of crops
光谱参数
Spectral parameter
缩写
Abbreviation
计算公式
Algorithm
参考文献
Reference
发表年份
Year
单波段反射率 Reflectance Rλ — Cropscan[21] 2000
比值植被指数 Ratio vegetation index RVI RNIR/RRed Pearson等[22] 1972
差值植被指数 Difference vegetation index DVI RNIRRRed Jordan[23] 1969
归一化植被指数 Normalized difference vegetation index NDVI RNIRRRed/RNIR+RRed Rouse等[24] 1974
垂直植被指数 Perpendicular vegetation index PVI (RNIRaRRed–b)/ 21 a Richardson等[25] 1977
转化型土壤调整指数 Transformed soil adjusted vegetation index TSAVI ( NIR Red )NIR Red
a a b
a ab
 
 
 
  (a=10.489, b=6.604) Baret等
[26] 1989
土壤调节植被指数 Soil adjusted vegetation index SAVI (1+L)(RNIRRRed)/(RNIR+RRed+L) (L=0.5) Huete[27] 1988
优化土壤调节植被指数 Optimized soil-adjusted vegetation index OSAVI (1+0.16)(R800R670)/(R800R670+0.16) Rondeaux等[28] 1996
R: 反射率 Reflectance; NIR: 近红外光 Near infrared; Red: 红光 Red light.

1.3 模型的构建及检验
2009—2010年试验数据用于对 2010—2011年所
构建监测模型进行测试和检验。模型的准确性和适
用性采用预测值和实测值的精度 (R2)、均方根差
(RMSE)、相对误差(RE)进行综合评定, 并绘制预测
值与实测值的 1︰1线性关系图, 以直观展示监测模
型的拟合度和可靠性 , 另外采用 EXCEL 2003 和
DPS软件进行数据的相关性和回归分析。
2 结果与分析
2.1 冬小麦叶绿素密度与冠层光谱参数的关系
2.1.1 叶绿素密度与冠层单波段反射率的关系
图 1表明, 冬小麦 5个密度处理及模拟混合密
度生育时期叶绿素密度变化与冠层光谱反射率的
变 化 规 律 相 似 , 叶 绿 素 密 度 与 可 见 光 波 段
(460~670 nm)和近红外长波段 1 460 nm的反射率
呈极显著负相关, 与近红外短波段(780~1 260 nm)
反射率呈极显著正相关, 与可见光 730 nm 反射率
呈不显著正相关。密度 750 万苗·hm2处理的叶绿
素密度与冠层单波段反射率的相关系数在 670 nm
达到最大值 , 为0.85; 其他 4 个密度处理及模拟
混合密度的叶绿素密度与冠层单波段反射率的相
关系数均在 1 460 nm达到最大值, 分别为0.82、
0.78、0.81、0.86、0.81。综上, 叶绿素密度对
不同密度条件下所相应的敏感波段为 670 nm 和
1 460 nm, 对 730 nm最为不敏感。
选取不同密度处理在 670 nm和 1 460 nm处相
关性最好的反射率为自变量 X, 叶绿素密度为 Y, 研
究叶绿素密度与 X1(1 460 nm)和 X2(670 nm)处反射
率的定量关系, 密度单位为“万苗·hm2”, 见表 2。
2.1.2 叶绿素密度与冠层反射光谱指数的关系
通过对 5 个种植密度所有测定时期的叶绿素密
度和不同光谱指数进行计算, 将表 1 中的植被指数
作为变量 X, 小麦叶绿素密度作为 Y进行相关分析。
结果表明: 在近红外光波段(780~1 260 nm)与可见
光波段(460~730 nm)组成的 RVI、NDVI、SAVI、DVI、
OSAVI、RDVI 与叶绿素密度都呈极显著正相关 ,
TSAVI 与叶绿素密度呈极显著负相关, 近红外光波
段(780~1 460 nm)与可见光波段(460~730 nm)组成的
PVI与叶绿素密度都呈极显著负相关。1 460 nm与
可见光波段(460~600 nm)组成的 RVI、NDVI、SAVI、
OSAVI、RDVI与叶绿素密度呈极显著负相关, RDVI

图 1 冬小麦叶绿素密度与冠层光谱单波段反射率的相关性
Fig. 1 Correlation between chlorophyll density and canopy single band reflectance of winter wheat

第 4期 王 超等: 基于光谱遥感的冬小麦籽粒淀粉积累量的监测 443


表 2 不同种植密度冬小麦叶绿素密度(Y)与 X1(1 460 nm)和 X2(670 nm)处反射率的定量关系
Table 2 Quantitative relationships between chlorophyll density (Y) and canopy reflectance of X1 (1 460 nm) and X2 (670 nm) under
different planting densities of winter wheat
种植密度 Planting density [million(plant)·hm2] 回归方程 Regression equation 决定系数 R2 Determination coefficient
3.0 Y=13.510 0e0.358 7X1 0.688 7**
4.5 Y=16.895 0e0.410 1X1 0.751 2**
6.0 Y=14.127 0e0.376 1X1 0.792 1**
7.5 Y=0.007 5X22+0.002 5X2+0.730 2 0.798 9**
9.0 Y=0.001 1X120.028 6X1+0.960 4 0.787 8**
模拟混合密度 Simulated multi-density Y=12.781 0e0.369 1X1 0.758 1**

与可见光波段(650 nm, 670 nm)呈不显著负相关, 其
余与可见光波段(650 nm, 670 nm)呈极显著正相关;
1 460 nm和可见光波段(460~670 nm)组成的 DVI与
叶绿素密度呈极显著负相关; 1 460 nm和可见光波
段(460~670 nm)组成的 TSAVI与叶绿素密度呈正相
关。选取与叶绿素密度相关性较好的光谱指数
NDVI(1 200 nm, 670 nm)、OSAVI(1 200 nm, 670
nm)、TASVI(1 200 nm, 670 nm)、PVI(1 200 nm, 670
nm), 拟合回归方程和决定系数 , 进行综合评定 ,
见表 3。
由表 2 和表 3 可知, 两波段组成的光谱植被指
数比单波段反射率与叶绿素密度的关系相关性好 ,
对表 3 中所有方程的拟合 R2进行比较, 发现 NDVI
(1 200 nm, 670 nm)能较好地预测模拟混合密度处理
及模拟混合密度的冬小麦叶绿素密度。
2.2 叶绿素密度与小麦籽粒淀粉积累量的定量关系
根据不同密度条件下各样点所测的试验数据 ,
分别对小麦花后灌浆期冠层叶片叶绿素密度与籽粒
淀粉积累量进行相关性分析, 并建立回归模型, 结
果如表 4所示。

表 3 不同种植密度冬小麦叶绿素密度(Y)与不同光谱参数(X)的定量关系
Table 3 Quantitative relationships between chlorophyll density (Y) and individual spectral index (X) under different planting
densities of winter wheat
种植密度
Planting density [million(plant)·hm2]
光谱参数
Spectral parameter (X)
非线性回归方程
Linear regression equation
决定系数 R2
Determination coefficient
NDVI(1 200 nm, 670 nm) Y=2.417 7X2+4.110 7X1.037 6 0.814 4**
OSAVI(1 200 nm, 670 nm) Y=1.821 1X2+3.569 2X1.039 2 0.814 4**
TSAVI(1 200 nm, 670 nm) Y=0.010 1X2+0.035 8X+0.732 9 0.790 2**
3.0
PVI(1 200 nm, 670 nm) Y=0.003 9X2+0.045X+0.771 1 0.760 9**
NDVI(1 200 nm, 670 nm) Y=2.492X4.745 2 0.815 1**
OSAVI(1 200 nm, 670 nm) Y=1.268 5X4.746 5 0.815 1**
TSAVI(1 200 nm, 670 nm) Y=1.344 7e0.671 0X 0.800 3**
4.5
PVI(1 200 nm, 670 nm) Y=1.518 3e0.548 8X 0.756 1**
NDVI(1 200 nm, 670 nm) Y=2.267 6X4.331 8 0.822 2**
OSAVI(1 200 nm, 670 nm) Y=1.223 5X4.333 1 0.821 8**
TSAVI(1 200 nm, 670 nm) Y=0.006 5X2+0.066 3X+0.749 7 0.778 0**
6.0
PVI(1 200 nm, 670 nm) Y=1.429 4e0.487 1X 0.809 4**
NDVI(1 200 nm, 670 nm) Y=2.234 2X4.327 3 0.841 5**
OSAVI(1 200 nm, 670 nm) Y=1.206 9X4.329 0.841 3**
TSAVI(1 200 nm, 670 nm) Y=0.012 4X2+0.018 7X+0.707 5 0.823 4**
7.5
PVI(1 200 nm, 670 nm) Y=0.008 1X2+0.011 0X+0.712 4 0.822 4**
NDVI(1 200 nm, 670 nm) Y=2.172 6X2+3.768 5X0.929 0 0.863 3**
OSAVI(1 200 nm, 670 nm) Y=1.642 4X2+3.280 1X0.932 8 0.863 3**
TSAVI(1 200 nm, 670 nm) Y=0.01X2+0.035 0X+0.719 8 0.863 2**
9.0
PVI(1 200 nm, 670 nm) Y=0.002 7X2+0.048 9X+0.746 9 0.835 8**
NDVI(1 200 nm, 670 nm) Y=2.269 2X4.316 8 0.801 9**
OSAVI(1 200 nm, 670 nm) Y=1.227 6X4.319 0.801 7**
TSAVI(1 200 nm, 670 nm) Y=0.008 6X2+0.048 0X+0.732 5 0.784 6**
模拟混合密度
Simulated multi-density
PVI(1 200 nm, 670 nm) Y=0.002 7X2+0.058 4X+0.767 3 0.771 4**
444 中国生态农业学报 2013 第 21卷


表 4 冬小麦花后灌浆期叶绿素密度(X)与籽粒淀粉积累量(Y)的定量关系
Table 4 Quantitative relationships of grain starch content (Y) to chlorophyll density (X) of winter wheat at filling stage
种植密度
Planting density [million(plant)·hm2]
回归方程
Regression equation
决定系数 R2
Determination coefficient
3.0 Y=1 262.5X21 895.7X+822.65 0.781 6**
4.5 Y=943.91X21 550.6X+752.38 0.652 1**
6.0 Y=1 041.4X21 786.9X+837.02 0.819 7**
7.5 Y=1 391X21 991.2X+863.57 0.689 0**
9.0 Y=245.07X21 002.3X+696.9 0.741 6**
模拟混合密度 Simulated multi-densities Y=1 085.7X21 721.2X+796.88 0.723 5**

2.3 基于叶绿素密度籽粒淀粉积累量的遥感监测
模型及检验
从表 3可知, 5个种植密度处理及模拟混合密度
的叶绿素密度与 NDVI(1 200 nm, 670 nm)相关性均
达到了 0.01 显著水平, 且其显著性最大, 分别选取
表 3 中各密度条件下决定系数最大的非线性回归方
程作为叶绿素密度与 NDVI 的回归方程, 以叶绿素
密度为中间变量 , 将表 3 中所选的叶绿素密度与
NDVI(1 200 nm, 670 nm)的回归方程和表 4中淀粉积
累量与叶绿素密度的回归方程联系起来, 建立不同
密度条件下淀粉积累量与光谱参数 NDVI(1 200 nm,
670 nm)的监测模型。利用 2009—2010 年的密度试
验, 采用 RMSE、RE和 R2指标对上述建立的方程分
别进行验证(表 5)。对实测值和预测值作 1︰1 线性
关系图以直观展示其测试效果(图 2)。
从表 5 可以看出, 在所有种植密度处理的监测
模型中, 密度为 750 万苗·hm2 模型的精确度最大,
为 0.920 6, RMSE和 RE值最小, 分别为 1.423 4和
0.011 5; 模拟混合密度模型的精确度最小, 为 0.883 1,
RE最大, 为 0.038 8; RMSE以密度为 3.0万苗·hm2
模型最大, 为 4.225 2。从图 2 的实测值和预测值
1︰1 关系图中可以看出, 450 万苗·hm2的 R2最大,
模拟混合密度的 R2最小, 密度 7.5万苗·hm2模型的
R2为 0.954 2, 其实测值和预测值的吻合度仍然相对
较大, 表明在 2010 年 9 月—2011 年 6 月的试验中,
对推广小麦品种“京 9549”进行淀粉积累量监测得出
最佳种植密度为 750 万苗·hm2, 在此基础上所建立
的淀粉积累量光谱监测模型为最佳模型。另外, 虽
然模拟混合密度模型的 R2在所有密度中最小, 但仍
达到 0.883 1, 其实测值和预测值的线性关系中, 其
R2也达到了 0.905 4(图 2D), 说明试验结果在实际生
产应用中仍具有一定意义。
3 讨论与结论
本研究按照“光谱农学参数淀粉积累量”这一
研究思路, 利用作物生理上叶绿素与淀粉积累量的
农学相关性, 结合前人在利用光谱对叶绿素监测的
研究基础上, 选择了叶绿素密度这一农学参数为连
接点, 从而将基于叶绿素密度的淀粉积累量预测模
型和基于叶绿素密度的光谱遥感监测模型进行连接,
建立了小麦花后灌浆期淀粉积累量的光谱监测模
型。研究结果表明在监测叶绿素密度时, 双波段组
成的光谱参数比单波段的准确度高, 效果更好, 这
与前人的研究结果一致, 表明建立在双波段光谱参
数上淀粉积累量的监测是有根据的、可行的。在此
基础上, 本试验建立了冬小麦“京 9549”在不同种植
密度条件下的淀粉积累量光谱监测模型, 在所有模
型中, 种植密度 750 万苗·hm2的光谱监测模型精确
度最大, RMSE 和 RE 值最小, 表明本研究所建立的
淀粉积累量遥感监测模型较为可靠, 而且密度 750

表 5 基于光谱遥感(NDVI)的冬小麦籽粒淀粉积累量监测模型
Table 5 Forecasting models of winter wheat grains starch content (Y) based on spectral remote sensing (NDVI, X)
实测值与预测值的符合度
Congruent validity of measured and estimated values
种植密度
Planting density
[million(plant)·hm2]
监测模型
Forecasting model 精确度 R2 均方根差RMSE 相对误差 RE
3.0 Y=1 262.5×(2.417 7X
2+4.110 7X1.037 6)21 895.7(2.417 7X2 +
4.110 7X1.037 6)+822.65 0.896 9 4.225 2 0.029 0
4.5 Y=943.91×(2.492X4.745 2)21 550.6×(2.492X4.745 2) +752.38 0.900 6 2.316 4 0.022 7
6.0 Y=1 041.4×(2.267 6X4.331 8)21 786.9×(2.267 6X4.331 8) +837.02 0.917 4 2.189 7 0.011 5
7.5 Y=1 391×(2.234 2X4.327 3)21991.2×(2.234 2X4.327 3)+863.57 0.920 6 1.423 4 0.011 5
9.0 Y=245.07×(2.172 6X
2+3.768 5X0.929)21 002.3×(2.172 6X2
+3.768 5X0.929)+696.9 0.900 0 2.036 5 0.025 3
模拟混合密度
Simulated multi-density
Y=1 085.7×(2.269 2X4.316 8)21 721.2×(2.269 2X4.316 8)+796.88 0.883 1 2.147 1 0.038 8
第 4期 王 超等: 基于光谱遥感的冬小麦籽粒淀粉积累量的监测 445



图 2 冬小麦种植密度为 300万苗·hm2(A)、450万苗·hm2(B)、600万苗·hm2(C)、750万苗·hm2(D)、900万苗·hm2(E)
和模拟混合密度(F)下籽粒淀粉积累量的实测值和预测值的线性关系
Fig. 2 Liner relationships between estimated and measured values of grains starch content of winter wheat with planting densities of
3.0 million(plant)·hm2 (A), 4.5 million(plant)·hm2 (B), 6.0 million(plant)·hm2 (C), 7.5 million(plant)·hm2 (D),
9.0 million(plant)·hm2 (E) and simulated multi-density (F)

万苗·hm2 可认为是进行本小麦品种淀粉积累量监
测的最佳密度 , 其中所利用的光谱参数是 NDVI
(1 200 nm, 670 nm), 这一结果与张学治等[29]的研究
结果相一致。
另外, 就实际情况而言, 由于冬小麦在播种时
易受到播种方式、播种时间等诸多人为和环境因素
的影响, 导致冬小麦种植密度存在很大差异, 从而
对其产量和品质造成较大的影响。而利用大尺度遥
感技术在对冬小麦进行产量估测、品质监测时, 基
于样点数据的分析很难实现全面监测, 造成估产精
度的降低。因此对不同混合密度条件下的产量、品
质进行监测具有重要的研究价值和实际意义。本试
验利用统计方法将 5 个种植密度的数据进行模拟分
析, 构建模拟混合密度的监测模型, 在所有密度模
型中, 虽然该模型的精确度最小, 但也可达 0.883 1,
RE也仅为 0.038 8, 用 2009—2010年的试验进行验
证, 实测值和预测值的 R2可达 0.905 4, 充分说明该
模型具有较好的普适度, 可用来对不同种植密度的
麦田进行淀粉积累量的遥感监测, 这可为大尺度地
面遥感监测提供实践参考。
本研究是建立在小气候试验田的研究基础上 ,
其气候异质性低, 品种单一, 研究对象也仅有一个
农学参数, 所建立的模型虽然精确, 但适用范围较
窄, 具有局限性。若建立能够真正达到快速、无损、
准确和提前预测小麦籽粒淀粉积累量的监测模型 ,
今后应加强对作物在不同生态气候、不同小麦品种、
446 中国生态农业学报 2013 第 21卷


不同种植方式和结合其他农学参数的进一步研究 ,
以实现模型预测性和普适性的高度统一, 促进遥感
技术在小麦籽粒品质研究中的直接应用, 为小麦优
质生产的宏观管理调控提供理论基础与实践指导。
参考文献
[1] 丁圣彦 , 李昊民 , 钱乐祥 . 应用遥感技术评价植被生化物
质含量的研究进展[J]. 生态学杂志, 2004, 23(4): 109–117
Ding S Y, Li H M, Qian L X. Research advances in remote
sensing techniques in estimation of vegetation biochemical
material contents[J]. Chinese Journal of Ecology, 2004, 23(4):
109–117
[2] 刘良云, 王纪华, 黄文江, 等. 利用新型光谱指数改善冬小
麦估产精度[J]. 农业工程学报, 2004, 20(1): 172–175
Liu L Y, Wang J H, Huang W J, et al. Improving winter wheat
yield prediction by novel spectral index[J]. Transactions of
the Chinese Society of Agricultural Engineering, 2004, 20(1):
172–175
[3] Humburg D S, Stange K W, Robert P C. Spectral properties of
sugarbeets related to sugar content and quality[C]//Procee-
dings of the Fourth International Conference on Precision
Agriculture. Paul. 1999: 1593–1602
[4] Basnet B, Apan A, Kelly R, et al. Relating satellite imagery
with grain protein content[C]//Proceedings of the Spatial
Sciences Conference. Canberra. 2003: 1–11
[5] 李卫国, 王纪华, 赵春江, 等. 利用卫星遥感进行冬小麦籽
粒淀粉含量监测研究[J]. 云南农业大学学报: 自然科学版,
2007, 22(3): 365–369
Li W G, Wang J H, Zhao C J, et al. Study on monitoring
starch content in winter wheat grain using land-sat TM im-
age[J]. Journal of Yunnan Agriculture University, 2007, 22(3):
365–369
[6] 李映雪, 朱艳, 田永超, 等. 小麦冠层反射光谱与籽粒蛋白
质含量及相关品质指标的定量关系 [J]. 中国农业科学 ,
2005, 38(7): 1332–1338
Li Y X, Zhu Y, Tian Y C, et al. Relationship of grain protein
content and relevant quality traits to canopy reflectance spec-
tra in wheat[J]. Scientia Agricultura Sinica, 2005, 38(7):
1332–1338
[7] 薛利红, 朱艳, 张宪, 等. 利用冠层反射光谱预测小麦籽粒
品质指标的研究[J]. 作物学报, 2004, 30(10): 1036–1041
Xue L H, Zhu Y, Zhang X, et al. Predicting wheat grain qual-
ity with canopy reflectance spectra[J]. Acta Agronomica Si-
nica, 2004, 30(10): 1036–1041
[8] Hansen P M, Jørgensen J R, Thomsen A. Predicting grain
yield and protein content in winter wheat and spring barley
using repeated canopy reflectance measurements and partial
least squares regression[J]. Journal of Agricultural Science,
2002, 139(3): 307–318
[9] 冯伟, 朱艳, 田永超, 等. 利用高光谱遥感预测小麦籽粒蛋
白质产量[J]. 生态学杂志, 2008, 27(6): 903–910
Feng W, Zhu Y, Tian Y C, et al. Prediction of wheat grain
protein yield by canopy hyperspectal remote sensing[J]. Chi-
nese Journal of Ecology, 2008, 27(6): 903–910
[10] 王磊 , 白由路 . 不同氮处理春玉米叶片光谱反射率与叶片
全氮和叶绿素含量的相关研究 [J]. 中国农业科学 , 2005,
38(11): 2268–2276
Wang L, Bai Y L. Correlation between corn leaf spectral re-
flectance and leaf total nitrogen and chlorophyll content under
different nitrogen levels[J]. Scientia Agricultura Sinica, 2005,
38(11): 2268–2276
[11] Filella I, Serrano L, Serra J, et al. Evaluating wheat nitrogen
status with canopy reflectance indices and discriminant anal-
ysis[J]. Crop Science, 1995, 35(5): 1400–1405
[12] Horler D, Barber J, Barringer A R. Effects of heavy metals on
the absorbance and reflectance spectra of plants[J]. Interna-
tional Journal of Remote Sensing, 1980, 1(2): 121–136
[13] 谭昌伟, 王纪华, 黄文江, 等. 夏玉米叶片全氮、叶绿素及
叶面积指数的光谱响应研究[J]. 西北植物学报, 2004, 24(6):
1041–1046
Tan C W, Wang J H, Huang W J, et al. Study on spectral
variation of LTN, CHL and LAI of summer maize[J]. Acta
Botanica Boreali-Occidentalia Sinica, 2004, 24(6):
1041–1046
[14] Broge N H, Mortensen J V. Deriving green crop area index
and canopy chlorophyll density of winter wheat from spectral
reflectance data[J]. Remote Sensing of Environment, 2002,
81(1): 45–57
[15] Sims D A, Gamon J A. Relationships between leaves pigment
content and spectral reflectance across a wide range of species,
leaf structures and developmental stages[J]. Remote Sense of
Environment, 2002, 81(2/3): 337–354
[16] 吴长山, 童庆禧, 郑兰芬, 等. 水稻、玉米的光谱数据与叶
绿素的相关分析[J]. 应用基础与工程科学学报, 2000, 8(1):
31–37
Wu C S, Tong Q X, Zheng L F, et al. Correlation analysis
between spectral data and chlorophyll of rice and maize[J].
Journal of Basic Science and Engineering, 2000, 8(1): 31–37
[17] Curran P J, Dungan J L, Macler B A, et al. Reflectance spec-
troscopy of fresh whole leaves for the estimation of chemical
第 4期 王 超等: 基于光谱遥感的冬小麦籽粒淀粉积累量的监测 447


concentration[J]. Remote Sensing of Environment, 1992,
39(2): 153–166
[18] Pinar A, Curran P J. Technical note grass chlorophyll and the
reflectance red edge[J]. International Journal of Remote
Sensing, 1996, 17(2): 351–357
[19] 杨峰, 范亚民, 李建龙, 等. 高光谱数据估测稻麦叶面积指
数和叶绿素密度[J]. 农业工程学报, 2010, 26(2): 237–243
Yang F, Fan Y M, Li J L, et al. Estimating LAI and CCD of
rice and wheat using hyperspectral remote sensing data[J].
Transactions of the CSAE, 2010, 26(2): 237–243
[20] 田永超 , 朱艳 , 曹卫星 , 等 . 利用冠层反射光谱和叶片
SPAD 值预测小麦籽粒蛋白质和淀粉的积累[J]. 中国农业
科学, 2004, 37(6): 808–813
Tian Y C, Zhu Y, Cao W X, et al. Monitoring protein and
starch accumulation in wheat grains with leaf SPAD and ca-
nopy spectral reflectance[J]. Scientia Agricultura Sinica, 2004,
37(6): 808–813
[21] Cropscan Inc. Data logger controller, user’s guide and tech-
nical reference[Z]. Rochester: CROPSCAN Inc, 2000
[22] Pearson R L, Miller D L. Remote mapping of standing crop
biomass for estimation of the productivity of the shortgrass
prairie[C]//Proceedings of the Eighth International Sympo-
sium on Remote Sensing of Environment. Michigan: Ann
Arbor, 1972: 1357–1381
[23] Jordan C F. Derivation of leaf-area index from quality of light
on the forest floor[J]. Ecology, 1969, 50(4): 663–666
[24] Rouse J W, Haas R W, Schell J A, et al. Monitoring the vernal
advancement and retro gradation (green wave effect) of natu-
ral vegetation[C]//NASA/GSFCT Type ш Final Report,
Greenbelt, MD, USA, 1974: 309–317
[25] Richardson A J, Wiegand C L. Distinguishing vegetation from
soil background information[J]. Photogrammetric Engineer-
ing and Remote Sensing, 1977, 43(12): 1541–1552
[26] Baret F, Guyot G, Major D J. TSAVI: a vegetation index
which minimizes soil brightness effects on LAI and APAR
estimation[C]//Proceedings of IGARRS89. 12th Canadian
Symposium on Remote Sensing. Vancouver, 1989, 3:
1355–1358
[27] Huete A R. A soil-adjusted vegetation index (SAVI)[J]. Re-
mote Sensing of Environment, 1988, 25(3): 295–309
[28] Rondeaux G, Steven M, Baret F. Optimization of
soil-adjusted vegetation indices[J]. Remote Sensing of Envi-
ronment, 1996, 55(2): 95–107
[29] 张学治, 郑国清, 戴廷波, 等. 基于冠层反射光谱的夏玉米
叶片色素含量估算模型研究 [J]. 玉米科学 , 2010, 18(6):
55–60
Zhang X Z, Zheng G Q, Dai T B, et al. Estimation models of
summer maize leaf pigment content based on canopy reflec-
tance spectral[J]. Journal of Maize Sciences, 2010, 18(6):
55–60