全 文 ：　 　 倡 唵国家自然科学基金项目 （４０５７１１１８ ，４０４７１０９３） 、国家重点基础研究（９７３）发展规划项目 （２００５CB１２１１０３）和北京市自然科学基金项目
（４０５２０１４）资助
收稿日期 ：２００５唱０５唱２５ 　 改回日期 ：２００５唱０８唱１７
基于红边参数的夏玉米长势监测及其营养诊断研究 倡
谭昌伟１ ，２ 　王纪华１ 　陆建飞２ 　黄文江１
（１畅国家农业信息化工程技术研究中心 　北京 　 １０００８９ ；
２畅扬州大学江苏省作物遗传生理重点实验室 　扬州 　 ２２５００９）
摘 　要 　分析了夏玉米各组分含量 、红边参数以及两者间的相关性 。结果表明 ，可利用 FD唱Max 反演叶面积指数 ，
利用 Depth６７２反演茎秆全 N含量 ，利用 Lwidth反演叶片全 N含量 、叶片和茎秆的含水量以及可溶性糖含量 。构
建了以红边参数为自变量的各组分的反演模型 ，对反演模型预测性分析表明 ，利用上述红边参数预测农学组分是
可行的 。
关键词 　夏玉米 　红边参数 　长势监测 　营养诊断
Summer maize growth supervision and nutrition diagnosis with red edge parameters ．TAN Chang唱Wei１ ，２ ，WANG Ji唱
Hua１ ，LU Jian唱Fei２ ，HUANG Wen唱Jiang１ （１畅National Engineering Research Center for Information Technology in Agri唱
culture ，Beijing １０００８９ ，China ；２畅Jiangsu Province Key Lab of Crop Genetics and Physiology ，Yangzhou University ，
Yangzhou ２２５００９ ，China） ，CJEA ，２００７ ，１５（１） ：８２ ～ ８６
Abstract 　 The correlations of agronomy components and red edge parameters were discussed ．The results indicate that the
FD唱Max can be used for predition of leaf area index ，and Depth６７２ for the stem total nitrogen content ，Lwidth for the leaf
total nitrogen content ，water content and soluble sugar of leaf and stem ．The regression models with the red edge parame唱
ters as independent variables were established ．The analysis on the forecasting function of the models shows that red edge
parameters can be used as sensitive indicators of summer maize grow th and nutrition status ．
Key words 　 Summer maize ，Red edge parameter ，Grow th supervision ，Nutrition diagnosis
（Received May ２５ ，２００５ ；revised Aug ．１７ ，２００５）
使用高光谱遥感数据监测作物生理生化组分的途径主要有 ３种 ：一是采用逐步多元回归分析技术建立
光谱数据或由此衍生的植被指数与作物农学组分之间的关系［１］ ；二是通过作物的红边参数描述作物的物候
变化及其农学组分［２］ ；三是光学传输模型方法 ，Dawson 等［３］利用 LIBERTY 模型估算了各种生化组分 。
Bonham唱Cater等［４］提出了“红边” ，并认为红边参数与叶绿素等色素间存在紧密关系 。 Boochs等［５］认为红边
可提供足够的信息以探测出植被长势和生化组分状况 。本研究利用倒高斯模型模拟夏玉米红边特性 ，探讨
了吸收光谱红边参数与农学组分间的关系 ，旨在研究运用红边参数评价夏玉米生长及其营养状况的可能
性 ，为生产上利用高光谱遥感技术大区域 、无破坏 、实时快速监测夏玉米的生长状况及其营养诊断提供重要
依据 。
1 　试验材料与方法
试验于 ２００２年和 ２００３年夏玉米生长季在北京市农林科学院实验农场进行 。试验地土壤质地为壤土 ，
０ ～ ３０cm土层含有机质 １畅９２ ～ ２畅２２g／kg ，铵态氮 １０畅２ ～ １２畅３mg／kg ，硝态氮 １６畅１７ ～ １８畅０３mg／kg ，有效磷
１５畅２ ～ １７畅６mg／kg ，速效钾 ２２５ ～ ２３０mg／kg 。小区面积为 １５m × ７m ，共 ２５个小区 。供试品种（系）为“唐玉
１０” 、“户单 ２０００” 、“京试白 １ 号” 、“唐抗 ５” 、“京早 １３ 号” 、“京玉 ７ 号” 、“中原单 ３２” 、“中单 ９４０９” 、“高油
１１５” 、“中糯 ２号” 、“９６唱３” 、“郑单 ９５８” 、“豫玉 ２２” 、“农大 ８０” 、“农大 １０８” 。随机种植 ，部分品种设置重复 。
田间管理同实际生产 。
光谱反射率采用美国 ASD公司产的 FieldSpec光谱仪测定 ，视场角 ２５° ，波段范围为 ３５０ ～ ２５００nm ，重采
第 １５ 儍卷第 １期 中 国 生 态 农 业 学 报 Vol ．１５ 换　 No ．１
２ ０ ０ ７ 乔年 １ 月 Chinese Journal of Eco唱Agriculture Jan ．，　 ２００７ 後
样后输出波段数为 ２１５１个 ，间隔 １nm ，光谱分辨率在 ３５０ ～ １０００nm 内间隔为 ３nm ，通道数 ５１２ ，在 １０００ ～
２５００nm内间隔为 １０nm ，通道数 ５３７ 。选择晴朗无云风力较小视场范围内太阳直接照射的日期 ，分别在夏玉
米拔节期 、喇叭口期 、抽雄期 、吐丝初期和吐丝中期选取有代表性的样区进行光谱测定 ，测定时间为北京时
间 １０ ：３０ ～ １４ ：００ 。探头在距植冠顶部 １６０cm处垂直向下测定 ，每样点在 １m２ 范围内均匀改变测点测定 ２０
次 ，取平均值作为该小区的光谱反射值 ，各小区测定前 、后都立即进行参考板校正 。光谱测定后取同一目标
样按器官分成叶片和茎秆测定理化组分含量 。
采用干重法测定叶面积指数 ，即同一处理取 ５ ～ １０片叶测量面积后 ，烘干称重 ，再根据被测对象的干重
反推叶面积 ，用 CI唱２０３型激光叶面积仪进行矫正 ，最后计算单位土地面积上的总叶面积 。
LA I ＝ n × A p × WtW p × ６畅６７ × １０６ （１）
式中 ，LA I为叶面积指数 ；n为单位土地面积上的叶片数 ；A p 为由叶片上剪成长方形状的叶片面积 ；Wp 为
A p 的干重 ；Wt 为全部叶片的干重 。采用烘干称重法测定含水量 ，田间活体取样后 ，将叶片和茎秆分开 ，分别
用电子天平速称鲜重 ，然后 １０５ ℃杀青 １５min ，８０ ℃下烘至恒重 ，称干重 ，计算叶片（茎秆）含水量 。采用凯氏
定氮法测定全 N 含量 ，取已全展的最顶部及其邻位下叶 ５ ～ １０ 片及相对应的茎秆 ，将叶片和茎秆烘干后粉
碎混匀测定 。采用淀粉酶法测定可溶性糖含量 ，取样方法同全 N测定 。
红边参数及计算方法 。红边位置（REP）为在 ６８０ ～ ７５０nm 范围内 ，当光谱反射率的一阶微分值达到最
大时所对应的波长 ；红谷位置（Lo）为在 ６８０ ～ ７５０nm范围内 ，当光谱反射率的一阶微分值达到最小时所对应
的波长 ；红边宽度（Lwidth）为吸收谷深度一半处的宽度 ；R２为近红外区域红肩反射最大值 ；FD唱Max 为红边
区域内一阶微分光谱值的最大值 ；Depth６７２为 ６７２nm处的吸收深度 ；吸收特征面积（Area６７２）为包络线与光
谱反射率之间的面积 ；归一化的吸收深度（ND６７２）为 Depth６７２与 Area６７２的比值 。以 ２００３年数据为训练
样本（１２５个） ，２００２年数据为检验样本（４５个） ，借助 SAS６畅１０ 统计软件进行方差及相关分析 ，依据较大的
R２ （Coefficient of determination）建立以红边参数为基础的组分反演模型 ，采用由下式计算得到的 RMSE
（Root mean square error）评价反演模型的预测性 。
RMSE ＝ １n ∑
n
i ＝ １
（yi － y＾i）２ （２）
式中 ，yi 和y＾i 分别为实测值和模拟值 ，n为样本数 。
2 　结果与分析
2畅1 　红边参数与农学组分间的相关性
　 　由红边参数与各农学组分间的相关性分析结果（表 １）可知 ，叶面积指数与REP和 Lwidth呈显著相关 ，与其
他红边参数呈极显著相关 ，故可通过这些红边参数预测叶面积指数 ；叶片含水量与 Lwidth呈显著负相关 ，可通
过 Lwidth预测叶片含水量 ；茎秆含水量与 REP 、Lwidth和 R２均呈极显著相关 ，可通过这些红边参数预测茎秆
含水量 ；叶片全 N含量与 Lo 、Lwidth 、FD唱Max 、Depth６７２和 Area６７２均呈极显著相关 ，可通过这些参数预测叶片
全 N含量 ；茎秆全 N含量与 Lo呈显著相关 ，与 REP 、R２ 、FD唱Max 、Depth６７２ 、Area６７２和 ND６７２呈极显著相关 ，
故可利用这些红边参数预测茎秆全 N 含量 ；叶片可溶性糖含量与 Lo 、Lwidth 、FD唱Max 、Depth６７２ 、Area６７２和
　 　 表 1 　红边参数与农学组分间的相关性
Tab ．１ 　 Relationships between red edge parameters and agronomic components
项 　 目
Items
叶面积指数
Leaf area index
叶片含水量
Leaf water
content
茎秆含水量
Stem water
content
叶片全 N含量
Leaf nitrogen
content
茎秆全 N含量
Stem nitrogen
content
叶片可溶性糖
Leaf sugar
content
茎秆可溶性糖
Stem sugar
content
REP 　 　 ０ 畅２０９６ 倡 － ０ 吵畅１４２４ － ０ 祆畅２９４６ 倡 倡 ０ X畅０３２４ － ０ 汉畅３３３９ 倡 倡 － ０ d畅０２４９ ０ 眄畅１８３０ 倡
Lo ０ 畅２８９８ 倡 倡 ０ 吵畅１６８４ ０ 祆畅０６５２ ０ X畅２４６０ 倡 倡 － ０ 汉畅１７９５ 倡 － ０ d畅３１８１ 倡 倡 － ０ 眄畅１０８３
Lwidth － ０ 畅２０２９ 倡 － ０ 吵畅４５１８ 倡 倡 － ０ 祆畅４７７６ 倡 倡 － ０ X畅３５６１ 倡 倡 － ０ 汉畅１３２１ 　 ０ d畅４８２１ 倡 倡 　 ０ 眄畅４０６２ 倡 倡
R２ 悙－ ０ 畅２９３２ 倡 倡 ０ 吵畅１６７８ ０ 祆畅３４６７ 倡 倡 － ０ X畅０４６６ ０ 汉畅３６５８ 倡 倡 　 ０ d畅０４１５ 　 － ０ 眄畅２６０２ 倡 倡
FD唱Max ０ 畅８７４３ 倡 倡 － ０ 吵畅１１０１ － ０ 祆畅１２５９ － ０ X畅３２４４ 倡 倡 － ０ 汉畅６６８６ 倡 倡 　 － ０ d畅３４３３ 倡 倡 　 － ０ 眄畅０９１８
Depth６７２ ０畅８７１５ 倡 倡 － ０ 吵畅１４８７ － ０ 祆畅１５４１ － ０ X畅３２７７ 倡 倡 － ０ 汉畅６８９７ 倡 倡 　 － ０ d畅３０４４ 倡 倡 　 ０ 眄畅１０８９
Area６７２ 腚０ 畅８６００ 倡 倡 － ０ 吵畅１４２９ － ０ 祆畅１５４６ － ０ X畅３０３８ 倡 倡 － ０ 汉畅６８５５ 倡 倡 　 － ０ d畅３０３９ 倡 倡 　 － ０ 眄畅１０２３
ND６７２ 鬃－ ０ 畅５６７５ 倡 倡 ０ 吵畅０１５９ ０ 祆畅１１０１ ０ X畅０４０２ ０ 汉畅４９３８ 倡 倡 　 ０ d畅３０６１ 倡 倡 　 － ０ 眄畅０４１０
　 　 倡 ，倡倡 分别表示 ５％ 和 １％ 的显著水平 ；r０畅０５［１２５］ ＝ ０畅１７４０ ，r０畅０１［１２５］ ＝ ０畅２２８０（下同） ；n ＝ １２５ 。
第 １ 噰期 谭昌伟等 ：基于红边参数的夏玉米长势监测及其营养诊断研究 ８３　
ND６７２呈极显著相关 ，可通过这些红边参数预测叶片可溶性糖含量 ；茎秆可溶性糖含量与 REP 呈显著相
关 ，与 Lwidth和 R２均呈极显著相关 ，可通过这些红边参数预测茎秆可溶性糖含量 。
2畅2 　利用红边参数推算农学组分含量
表 2 　基于红边参数的农学组分反演模型的预测性 倡
Tab ．２ 　 Forecasting function of agronomic components retrieval models based on red edge parameters
组分 y
Components
入选参量 x
Independent variables y yi R２ RMSE／％
叶 面 积 指 数 FD唱Max ４ 畅７０３１８ ４ D畅４５２５７ ０ 崓畅８９２５ １５ p畅１０８７
叶 片 含 水 量 Lwidth ７８ 畅２９０１２ ８０ D畅６１９１９ ０ 崓畅６４２６ ２８ p畅６２３６
茎 秆 含 水 量 Lwidth ８７ 畅５７４８３ ９０ D畅１４２６８ ０ 崓畅６５７７ ２７ p畅４５９１
叶片全 N 含量 Lwidth ３ 畅４８０１５ ３ D畅２１２９０ ０ 崓畅６０４４ ３１ p畅５８８６
茎秆全 N 含量 Depth６７２ 汉２ 畅３３１３８ １ D畅８４８７６ ０ 崓畅７９３２ ２１ p畅３２５２
叶片可溶性糖 Lwidth ６ 畅９３０２８ ６ D畅３８３９７ ０ 崓畅６７４２ ２５ p畅２０２３
茎秆可溶性糖 Lwidth １５ 畅５６６０７ １５ D畅４４５２１ ０ 崓畅６３３１ ２９ p畅２３６１
　 　 倡 表中 y 、yi分别表示 ４５ 个样本的实测值和预测值的平均值 ，R２０畅０５［４５］ ＝ ０畅０８２９ ，R２０畅０１［４５］ ＝ ０畅１３８４ ；n ＝ ４５ 。
对组分含量 、红边参数以及两者间的相关性分析说明 ，利用红边参数反演与其密切相关的作物组分含
量是可行的 。为了利用红边参数更精确地估算农学组分含量 ，本研究依据选取相关性最强的红边参数作为
图 1 　以一阶微分最大值为自变量的
叶面积指数反演模型
Fig ．１ 　 Leaf area index estimation model
based on FD唱Max
入选参量 ，利用红边参数反演组分含量 。
利用 FD唱Max反演叶面积指数 。由表 １可知 ，FD唱Max 与
叶面积指数间存在较大的相关性 ，可以通过建立以 FD唱Max 为
自变量的回归方程预测叶面积指数（图 １） ，从而通过高光谱遥
感数据计算得到的 FD唱Max 实现对夏玉米长势监测 。 FD唱Max
与叶面积指数间的回归方程为 ：
y ＝ １４３畅６７ x － １畅６６５７ 　 　 （R２ ＝ ０畅７６４３） （３）
式中 ，y为叶面积指数 ，x 为 FD唱Max 。进一步分析（表 ２）表
明 ，由该方程计算出的叶面积指数的模拟值与实测值间存在
较强的相关性（R２ ＝ ０畅８９２５） ，RMSE ＝ １５畅１０８７％ ，表明利用
FD唱Max反演叶面积指数是可行的 。
利用 Lwidth反演含水量 。由表 １可知 ，叶片和茎秆含水
　
图 2 　以红边宽度为自变量的叶片含水量反演模型
Fig ．２ 　 Leaf water content estimation model
based on Lwidth
图 3 　以红边宽度为自变量的茎秆含水量反演模型
Fig ．３ 　 Stem water content estimation model
based on Lwidth
量与 Lwidth间均存在较大的相关性 ，可以通过建立以 Lwidth为自变量的回归方程预测叶片含水量（图 ２）
和茎秆含水量（图 ３） ，Lwidth与叶片和茎秆含水量间的回归方程分别为 ：
y ＝ － １畅３２６３ x ＋ １１４畅９９ 　 　 （R２ ＝ ０畅２０４１） （４）
式中 ，y为叶片含水量 ，x 为 Lwidth 。
y ＝ － １畅９５７８ x ＋ １４１畅７４ 　 　 （R２ ＝ ０畅２２８１） （５）
８４　 中 国 生 态 农 业 学 报 第 １５ 卷
式中 ，y为茎秆含水量 ，x 为 Lwidth 。
进一步分析（表 ２）表明 ，由方程（４）和（５）分别计算出的叶片和茎秆含水量的模拟值与实测值间均存在
较强的相关性 ，RMSE分别为 ２８畅６２３６％ 和 ２７畅４５９１％ ，表明利用 Lwidth反演叶片和茎秆含水量是可行的 。
利用 Lwidth和 Depth６７２反演全 N 含量 。由表 １可知 ，Lwidth与叶片全 N 含量间 、Depth６７２与茎秆全
N含量间相关系数较大 ，可通过建立分别以 Lwidth和 Depth６７２ 为自变量的回归方程预测叶片全 N 含量
（图 ４）和茎秆全 N含量（图 ５） ，Lwidth与叶片全 N含量和 Depth６７２与茎秆全 N 含量间的回归方程分别为 ：
图 4 　以红边宽度为自变量的叶片全N含量反演模型
Fig ．４ 　 Leaf nitrogen content estimation model
based on Lwidth
图 5 　以吸收深度为自变量的茎秆全 N含量反演模型
Fig ．５ 　 Stem nitrogen content estimation model
based on Depth６７２
y ＝ － ０畅１４５７ x ＋ ７畅２４３５ 　 　 （R２ ＝ ０畅１２６８） （６）
式中 ，y为叶片全 N含量 ，x 为 Lwidth 。
y ＝ － ３畅６２９４ x ＋ ３畅７９２１ 　 　 （R２ ＝ ０畅４８８４） （７）
式中 ，y为茎秆全 N含量 ，x 为 Depth６７２ 。
进一步分析（表 ２）表明 ，由方程（６）和（７）分别计算出的叶片和茎秆全 N 含量的模拟值与实测值间均存
在较好的相关性 ，RMSE分别为 ３１畅５８８６％ 和 ２１畅３２５２％ ，表明分别利用 Lwidth和 Depth６７２反演叶片和茎
秆全 N含量是可行的 。
利用 Lwidth来反演可溶性糖含量 。由表 １ 可知 ，Lwidth与叶片和茎秆可溶性糖含量间均存在较大的
相关系数 ，均可以通过建立以 Lwidth为自变量的回归方程分别预测叶片可溶性糖含量（图 ６）和茎秆可溶性
糖含量（图 ７） ，Lwidth与叶片和茎秆可溶性糖含量间的回归方程分别为 ：
图 6 　以红边宽度为自变量的叶片可溶性糖反演模型
Fig ．６ 　 Leaf sugar content estimation model
based on Lwidth
图 7 　以红边宽度为自变量的茎秆可溶性糖反演模型
Fig ．７ 　 Stem sugar content estimation model
based on Lwidth
y ＝ ０畅６８７ x － １２畅８８４ 　 　 （R２ ＝ ０畅２４８１） （８）
式中 ，y为叶片可溶性糖含量 ，x 为 Lwidth 。
y ＝ ２畅１８１７ x － ４５畅７４７ 　 　 （R２ ＝ ０畅１６９６） （９）
式中 ，y为茎秆可溶性糖含量 ，x 为 Lwidth 。
进一步分析（表 ２）表明 ，由方程（８）和（９）分别计算出的叶片和茎秆可溶性糖含量的模拟值与实测值间
第 １ 噰期 谭昌伟等 ：基于红边参数的夏玉米长势监测及其营养诊断研究 ８５　
均存在较好的相关性 ，RMSE分别为 ２５畅２０２３％ 和 ２９畅２３６１％ ，表明利用 Lwidth反演叶片和茎秆可溶性糖含
量是可行的 。
3 　小结与讨论
本研究通过探讨 ８个吸收光谱红边参数与农学组分间的关系 ，发现红边参数与农学组分间存在较强的
相关性 ，并构建了以红边参数为自变量的各组分的反演模型 ，提出可利用 FD唱Max 反演叶面积指数 ，利用
Depth６７２反演茎秆全 N 含量 ，利用 Lwidth反演叶片全 N 含量 、叶片和茎秆的含水量以及可溶性糖含量 。
本研究所采用的作物冠层光谱分析属于一种无损测试技术（Non唱destructive measurement） ，即在不破坏植物
组织结构的前提下 ，利用光谱仪测得的植株冠层光谱反射率特征实现作物长势监测以及营养状况诊断 ，相
对于传统的室内生化测试方法 ，不仅为活体非破坏观测 ，而且获得的是“面状”信息 ，同时降低了成本 ，为生
产上利用遥感技术大区域 、无破坏 、实时快速监测夏玉米的生长状况及其营养诊断提供了重要的技术支撑 。
测定结果的差异性主要来源一是用于计算红边参数的光谱反射率为整个冠层的光谱（混合）反射率 ，且
农学组分含量仅对部分叶片或茎秆分析所得 ，不同部位叶片或茎秆对光谱的响应不同 ；二是光谱测定对象
与组分采样对象并非完全统一 ；三是不同品种的冠层结构特性不同 ，可能会造成反射率光谱存在差异 。
参 　考 　文 　献 h
１ 　 沣Shibayama M ．，Akiyama T ．．Seasonal visible near唱infrared and mid唱infrared spectra of rice canopies in relation to LAI and above唱ground dry
phytomass ．Remote Sensing of Environment ，１９８９ ，２７（２） ：１１９ ～ １２７
２ 　 沣Danson F ．M ．，Plummer S ．E ．Red唱edge response to forest leaf area index ．International Journal of Remote Sensing ，１９９５ ，１６（１） ：１８３ ～ １８８
３ 　 珑Dawson T ．P ．，Curran P ．J ．，Plummer S ．E ．LIBERTY — modeling the effects of leaf biochemical concentration on reflectance spectra ．Remote
Sensing of Environment ，１９９８ ，６５（２） ：５０ ～ ６０
４ 　 沣Bonham唱Carter G ．F ．Numerical procedures and computer program for fitting an inverted Gaussian model to vegetation reflectance data ．Com唱
puters & Geosciences ，１９８８ ，１４（３） ：３３９ ～ ３５６
５ 　 骀Boochs F ．，Kupfer G ．，Dockter K ．，et al ．Shape of the red edge as vitality indicator for plants ．Int ．J ．Remote Sensing ，１９９０ ，１１（１０） ：１７４１ ～
１７５３
８６　 中 国 生 态 农 业 学 报 第 １５ 卷