不同密度短星翅蝗危害后羊草的高光谱变化及对产草量的影响

赵凤杰，王正浩，王慧萍，吴惠惠，刘航玮，王广君＊，张泽华

（1.中国农业科学院植物保护研究所植物病虫害国家重点实验室，北京100193；2.农业部锡林郭勒草原有害生物科学观测实验站，内蒙古 锡林浩特026000；3.甘肃农业大学草业学院，昆虫生态实验室，甘肃 兰州730070；4.内蒙古太仆寺旗草原工作站，内蒙古 太仆寺旗027000）

本研究通过短期内草地高光谱遥感数据的变化，建立草地高光谱与短星翅蝗密度之间的关系模型，推测蝗灾的发生程度和短星翅蝗（Calliptamusabbreviatus）危害造成的羊草（Leymuschinensis）产量损失。研究结果为深入开展草原蝗虫的遥感监测奠定了基础，对于提升蝗灾的监测预警技术水平具有重要意义。使用遥感数据监测昆虫对植物的危害在国内已经有广泛的研究，尽管时空范围上植被信息的有限使得识别环境变化对动物数量的直接和间接影响变得十分困难，但是归一化植被指数（NDVI，Normalized Difference Vegetation Index）在生态领域的大量迅速的应用改变了这一情况［1］。Qiao等［2］使用地物波谱仪监测了烟蚜对植物的危害，结果发现，烟蚜的危害使烟（Nicotianatabacum）的光谱降低，尤其是近红外部分会降低。吴彤等［3］及Ni和 Wu［4］使用高光谱数据建立了东亚飞蝗危害的虫害光谱指数（DSI），通过DSI反映芦苇（Phragmitescommunis）受蝗虫危害的程度，并使用DSI对研究区域内蝗虫的危害程度划分为未危害、轻度危害和重度危害三级。卢辉等［5］在内蒙古锡林郭勒盟对亚洲小车蝗进行了高光谱遥感监测，也建立了虫害光谱指数（DI），对危害程度划分为轻度发生和严重发生2级。Ji等［6］对蝗虫暴发前后的 MODIS（Moderate－resolution Imaging Spectroradiometer）数据进行了分析，研究发现NDVI减少的区域可以成功的制图并且划分成轻、中、重三级危害级别，鉴定暴发前后的精度可以达到88.8%，其他人也证明NDVI和蝗虫的数量有良好的负相关性［7］。在羊草草地尚未有人研究光谱变化与蝗虫密度之间的关系，本研究使用高光谱数据按短星翅蝗的危害时长监测了不同蝗虫密度对羊草草地的危害程度，并建立了定量关系模型。使用高光谱遥感实现对蝗虫危害程度的监测和产量损失分析。

1 材料与方法

1.1 研究区域概况

研究区域位于农业部锡林郭勒草原有害生物科学观测站附近，该区域位于内蒙古高原中部的典型草原栗钙土亚区，其地理位置：N 43°14′－44°49′，E 115°28′－116°30′，海拔800～1400m。属于温带半干旱气候，冬季受蒙古高压气流控制，寒冷干燥；夏季受季风影响，较为温暖湿润。年均气温0.5～1.0℃，无霜期约为100d，年均降水350mm，降水集中在6－9月，地带性植被为大针茅（Stipagrandis）－羊草草原。

1.2 试验仪器

地物波谱仪，AvaSpec－2048×14－2，Avantes公司。技术参数为，探测器：薄型背照式CCD探测器，2048×14像素阵列；波长范围：200～1160nm；积分时间：2.24ms～10min；采样速度：2.24ms／每次采样；波长精度：±0.1 nm；光谱采样间隔：0.5nm；光谱分辨率：2.4nm；外形尺寸及重量：175mm×110mm×44mm，720g；工作温度：0～55℃。

1.3 不同危害密度和危害时长短星翅蝗对羊草草地NDVI的影响

选择生长状况良好且一致的禁牧区羊草草地200m2，拔除杂草，将盖度处理到50%左右，羊草平均高度为40cm，在上面建规格是1m×1m×1m的笼罩30个，笼罩共3排，每排10个，笼罩的间距为1m左右。笼罩共分为6组，即1个对照组和5个处理组，5个处理分别放入5，10，20，40和60头／m2密度的短星翅蝗，对照组不放入蝗虫，每个对照和处理都有5个重复。每天检查笼罩的完整度和笼罩内短星翅蝗数量，及时补充死亡和缺失蝗虫，使其保持在设定的密度。在放入蝗虫后的当天中午以及第5，10，15和20天的中午依次采集30个笼罩内羊草和蝗虫的混合光谱。

1.4 未危害情况下不同密度短星翅蝗对羊草草地NDVI的影响

在笼罩中的短星翅蝗危害实验结束后，使用对照组笼罩，在晴朗的中午采集笼罩内羊草的反射光谱，然后依次放入20，40，60，80和100头短星翅蝗，在每次放入短星翅蝗后立即采集草地的光谱，得到不同密度短星翅蝗与健康羊草的混合光谱，实验结束后迅速将蝗虫取出。

1.5 不同密度短星翅蝗危害对羊草产量的影响

依据禁牧区羊草＋杂类草型草地的生物量与高光谱NDVI的一次项线性相关模型y＝614.15x－119.28（R＝0.9992，P＜0.0001）［8］，得到NDVI变化量／校正变化量所对应的生物量，获得不同危害密度和危害时长短星翅蝗危害造成的羊草产量损失。

1.6 数据来源与分析

光谱采集时间安排在2013年7－8月的10：30－14：30进行，传感器采用25°视场角探头，置于冠层上方1.53 m处，与冠层面保持垂直；每一样本重复测量10次，且每隔0.5h用参考板对仪器进行一次校正［9］。每隔5d采集一次笼罩试验的高光谱数据，使用光谱仪自带数据处理软件Viewer中的数据分析模块（NDVI.mod），对反射光谱进行分析。

归一化差异植被指数NDVI，是植被光谱所特有的红光吸收谷和近红外反射峰肩部特征经比值归一化得到［10］。其计算公式如下［11］：其中，NDVI为归一化植被指数；ρRED为红光波段的反射率；ρNIR为近红外波段的反射率。

NDVI增量（ΔNDVI），即第5，10，15，20天时的实测值NDVI与最初未放入短星翅蝗（第1天）时测量的NDVI的差值。即：

其中，NDVI（nd）表示第n天时的实测NDVI值。

NDVI校正值（NDVIs），即处理组NDVI增量与对照组NDVI增量的差值。公式如下：

其中，NDVI处理初／终表示处理组最初／最终的 NDVI值，NDVI对照初／终表示对照组初／终的NDVI值。

未危害时蝗虫密度对高光谱植被指数的影响试验采用多重比较方法分析，不同危害时长、不同龄期蝗虫密度和植被指数的关系试验采用简单相关方法分析。

本文数据皆使用Origin 9.0和SAS 8.0软件统计分析。

2 结果与分析

2.1 羊草草地不同密度短星翅蝗对NDVI的影响

研究结果表明，在羊草植被上（植被平均高度40 cm、平均目测盖度40%）短星翅蝗密度低于60头／m2时，植被指数NDVI与对照组的没有显著性差异变化，但当短星翅蝗密度达到80和100头／m2时，NDVI之间有显著性差异，与空白对照差异显著（P＜0.05）。在使用高光谱遥感时可以对短星翅蝗的数量进行粗略的评估，即不大于60，80和100头／m2三类，NDVI值越小，短星翅蝗的密度越大（表1）。

表1 未危害时不同密度短星翅蝗在羊草上的植被指数NDVI方差分析Table 1 The ANOVA analysis of vegetation indices NDVI of different density C.abbreviates on healthy plants

2.2 不同密度短星翅蝗对羊草危害后的光谱变化

无论是在短星翅蝗危害后的第5，10，15或20天采集数据，NDVI值在蝗虫密度为10头／m2时都有一个轻微的上升然后迅速降低，可能是超补偿作用所致。在蝗虫密度为60头／m2时NDVI最低，最低可达到原来的2／3（图1）。低密度蝗虫（10，20头／m2）危害对植被指数的影响效果不显著，当蝗虫密度达到40头／m2或危害时长不小于15d时，NDVI值发生明显下降。但出现明显下降后的NDVI数值间差异不显著。

图1 危害不同时长后植被指数NDVI和短星翅蝗危害密度的关系Fig.1 The relationship between NDVI and C.abbreviatus density under different damage period

表2 危害不同时长后植被指数NDVI和短星翅蝗危害密度的拟合方程Table 2 The simulating equation of NDVI and C.abbreviatus density under different damage period

对NDVI与蝗虫密度之间的关系进行拟合，结果见表2，其中y为NDVI，x是蝗虫危害密度。结果表明，植被指数NDVI与蝗虫密度呈现出二次相关的关系，尤其在危害5，10d时曲线的弯曲程度更加明显，5 d时的拟合方程也是最理想的（R＞0.99，P＜0.01）。

研究 NDVI校正值（NDVIs，the standard Normalized Difference Vegetation Index）和蝗虫密度的关系图2，发现除第10天测量的5头／m2蝗虫危害后NDVI校正值大于0，其他的均小于0，说明随蝗虫密度增加，对羊草的取食量增大，羊草损失增加，NDVI值迅速降低，NDVI值的变化量减少。在第10天时5头／m2蝗虫的危害造成NDVI值升高，可能是由于低密度短星翅蝗危害，羊草草地产生了的超补偿作用，使植被增长量大于对照组植被增长量，所以NDVI校正值为正。在蝗虫密度达到40头／m2时，不同危害时长的NDVI之间表现出较大的差异性，蝗虫危害密度为40头／m2时的NDVI最大值与低于此密度时的NDVI最大值差异不大，但蝗虫危害密度为60头／m2的NDVI最大值远小于低于此密度时的NDVI，因此根据草地的NDVI可以将蝗虫的危害程度分为三级：连续采集的光谱NDVI值之间的差异性不显著的表明蝗虫危害密度小于40头／m2，这是第一类，记为轻度发生；NDVI值差异性显著而且NDVI最大值远远小于第一类，表明蝗虫密度大于40头／m2，是第三类，记为重度发生；连续采集的光谱NDVI值之间有显著性差异，但是最小的NDVI与第一类中最大的没有差异，是第二类，蝗虫密度大约为40头／m2，记为中度发生（图3）。

使用统计软件对NDVI校正值和蝗虫的密度进行方程拟合（表3）。结果表明，在蝗虫危害第20天时，方程模拟效果最好。在一定的危害时长范围内，蝗虫对草地的危害造成羊草的损失量大于自身的生长量，所以蝗虫的危害时间越长，损失量越大，不同蝗虫密度的羊草植被指数NDVI之间差异越明显。

图2 危害不同时长后NDVIs校正值和短星翅蝗危害密度的关系Fig.2 The relationship between NDVIs（the standard Normalized Difference Vegetation Index）and C.abbreviatus density under different damage period

图3 依据NDVI对蝗虫危害程度的划分流程Fig.3 The divided flowchart of locusts damage situation based on NDVI

表3 危害不同时长后NDVI校正值和短星翅蝗密度的反演方程结果Table 3 The simulating and analysis result of corrected NDVI and C.abbreviates density

2.3 草地被蝗虫危害不同时长后的光谱变化趋势的研究

通过分析蝗虫密度恒定情况下，植被光谱随蝗虫危害时间的变化规律发现，草地在没有受到蝗虫危害时从7月26日到7月31日，NDVI有较大的增长，从8月初到8月中旬草地的NDVI保持稳定的增长，但变化不大。在蝗虫危害密度为5，10，15头／m2时，不同的时期NDVI值呈现波动的趋势，但基本保持在平均位置左右，当蝗虫的密度为40，60头／m2时，NDVI随着危害的时长呈现明显的下降趋势，在达到一定的最低值后，保持平缓的变化（图4）。

2.4 蝗虫对草地产生损失量的研究

依据禁牧区羊草＋杂类草型草地的生物量与高光谱NDVI的一次项线性相关模型y＝614.15x－119.28（R＝0.9992，P＜0.0001）［8］，得到 NDVI校正变化量所对应的生物量（表4），计算之间的相关性及模拟变化趋势（图5）。

结合图表的结果可以看出，由于NDVI与草地生物量是线性相关的关系，因此生物量与蝗虫密度关系的变化趋势和NDVI与蝗虫密度的关系变化趋势一致。生物量在蝗虫密度为10头／m2时都有一个轻微的上升然后迅速降低，可能是超补偿作用所致。在蝗虫密度为60头／m2并于第15天后测量的草地NDVI最低。低密度蝗虫（10，20头／m2）危害对草地生物量的影响效果不显著，当蝗虫密度达到40头／m2且危害时长不小于10d时，NDVI值发生明显下降。但出现明显下降后的生物量间差异不显著。

蝗虫危害第10，15和20天时，低密度蝗虫（10和20头／m2）危害后的生物量下降比较平缓，蝗虫密度达到40和60头／m2时草地的生物量迅速下降。蝗虫危害密度为40和60头／m2时，第5天测量的生物量与之后的生物量值之间差异性显著。因此可以推断，草地的生物量变化和蝗虫的危害总量（危害时长×危害密度）正相关。蝗虫的密度越大，危害时长越长，生物量减少得越多。

图4 草地被蝗虫危害不同时长后的光谱变化趋势Fig.4 The spectra trend of grass after been damaged by C.abbreviates of different period

图5 蝗虫危害后草地生物量与蝗虫密度的关系趋势Fig.5 The trend of relationship between grassland biomass and locust density

表4 根据NDVI值计算出的生物量理论值Table 4 The theory value of biomass calculated by NDVI g／m2

3 讨论

随着遥感传感器技术的日益精确和光谱识别技术的逐渐发展，高光谱遥感对蝗虫危害的监测从最初的在光谱曲线上寻找特征区域和特征值来判别研究区是否发生蝗虫危害［12］，到构建蝗虫危害指数对蝗虫的暴发进行半定量的危害，已经逐渐进入到定量监测的阶段。国外使用遥感在农业上的应用研究主要集中在对树种的鉴别［13－15］，植被的定植［16－17］，植被生产力的监测［18－22］以及干旱监测［23－28］等研究区域，国内遥感在草地上也被广泛用来监测草地的生产力、盖度［29］、草地类型的高光谱特征研究［30－31］等。本研究建立了蝗虫密度和NDVI的反演模型，结合了半定量与定量遥感的探索，不同于只是对危害程度进行级别分类的研究。

在进行蝗虫监测研究时，大都是直接监测蝗虫生境［32－37］，而不考虑蝗虫本身光谱，一是蝗虫自身反射光谱不影响试验结果的精度，据本试验研究所得，在蝗虫密度不大于60头／m2时，它自身的光谱不会影响植被指数NDVI；二是即使是高光谱遥感卫星数据，它的分辨率也无法直接识别蝗虫的光谱特征。本试验的结果也证明了当蝗虫的密度在一般发生范围内（蝗虫密度≤60头／m2）时，使用本试验的地物波谱仪从1.50m的高度进行光谱采集，蝗虫本身的光谱对羊草的植被指数NDVI没有显著性影响。本研究中后两个研究内容的蝗虫密度都不大于60头／m2，因此试验得到的植被指数和相关模型的精度受蝗虫自身光谱的影响可以忽略。

植被的反射光谱和植物的叶绿素A、B含量有关，在红光波段叶绿素和反射光谱之间负相关，而在近红外波段是正相关，而且比值植被指数（RVI）和叶绿素A是正相关的关系［38］，因此根据NDVI的算法可以推测出NDVI和叶绿素的含量也是呈正相关的关系。并且还有大量的研究结果表明NDVI和生物量是正相关的关系［39－41］，本研究也发现，不论危害时长的长短，蝗虫的密度和NDVI都是线性负相关的关系，因为蝗虫密度越大，对羊草造成的破坏也就越严重，因此生物量和叶绿素的含量都会降低，这种结果和前人所做的研究结果是一致的［41］。

本研究仅探究了蝗虫取食危害后与植被生物量有关的植被指数NDVI的变化情况，尚未对蝗虫取食后对植被的生化参数进行研究，因此，有必要对植物的生化参数也进行相应的试验探索。

4 结论

短星翅蝗的密度在0～60头／m2时，蝗虫自身的反射光谱不会影响植被指数NDVI。在蝗虫危害草地第5，10，15，20天时，蝗虫密度和植被指数NDVI之间表现为抛物线的关系，随蝗虫密度的增大，NDVI值先升高后降低，而且相关性和显著性也都比较理想，适合在实际大面积的草地监测中应用。当对蝗虫的危害进行快速粗略的估算时也可以根据蝗虫危害后的NDVI值判断蝗虫的发生程度属于轻度发生、中度发生或重度发生。通过NDVI和生物量的关系进一步推出的蝗虫危害密度与草地生物量之间也是抛物线的关系，因此在进行蝗虫监测时，可以根据草地的NDVI值和蝗虫的危害时长，估算出蝗虫的危害情况，及时进行防治，这对草地蝗虫监测有非常实用的意义。

Reference：

［1］Pettorelli N，Vik J O，Mysterud A，etal.Using the satellite－derived NDVI to assess ecological responses to environmental change.Trends in Ecology ＆Evolution，2005，20（9）：503－510.

［2］Qiao H B，Jiang J W，Cheng D F，etal.Comparison of hyperspectral characteristics in tobacco aphid damage.Chinese Bulletin of Entomology，2007，1：015.

［3］Wu T，Ni S X，Li Y M，etal.Monitoring of the damage intensity extent by oriental migration locust using of hyper－spectra data measured at ground surface.Journal of Remote Sensing，2007，11（1）：103－108.

［4］Ni S，Wu T.Monitoring the intensity of locust damage to vegetation using hyper－spectra data obtained at ground surface［C］.Optical Engineering Applications.International Society for Optics and Photonics，2007：66790B－66790B－9.

［5］Lu H，Han J G，Zhang L D.Study on hyper－spectral remote sensing models for monitoring damage ofOedaleusasiaticus（Orthoptera：Acrididae）.Spectroscope and Spectral Analysis，2009，29（3）：745－748.

［6］Ji R，Xie B Y，Li D M，etal.Use of MODIS data to monitor the oriental migratory locust plague.Agriculture，Ecosystems ＆ Environment，2004，104（3）：615－620.

［7］Yang H S，Wang C B，Yu F，etal.Vegetation dynamics in locust occurrence area of Jeminay based on MODIS—NDVI.Jiangsu Agricultural Sciences，2013，41（5）：354－356.

［8］Zhao F J，Wu H H，Liu Z Y，etal.Application of hyperspectral remote sensing in the biomass monitor of two grassland types in Xilinhot.Acta Agrestia Sinica，2013，21（6）：1059－1064.

［9］Liang L，Zhang L P，Lin H，etal.Estimating canopy leaf water content in wheat based on derivative spectra.Scientia Agricultura Sinica，2013，46（1）：18－29.

［10］Huang C Y，Wang D W，Huang D C，etal.Monitoring growing status of processing tomato based on hyperspectral vegetative index.Remote Sensing Information，2012，27（5）：26－30.

［11］Rouse J W.Monitoring vegetation systems in the Great Plains with ERTS［C］.NASA.Goddard Space Flight Center 3dERTS－1Symp，1974，309－317.

［12］Ma J，Han X，Hasibagan，etal.Monitoring East Asian migratory locust plagues using remote sensing data and field investigations.International Journal of Remote Sensing，2005，26（3）：629－634.

［13］Sugumaran R，Voss M.Object－oriented classification of LIDAR－fused hyperspectral imagery for tree species identification in an urban environment［C］.Urban Remote Sensing Joint Event，IEEE，2007：1－6.

［14］Boschetti M，Boschetti L，Oliveri S，etal.Tree species mapping with Airborne hyper－spectral MIVIS data：the Ticino Park study case.International Journal of Remote Sensing，2007，28（6）：1251－1261.

［15］Vaiphasa C，Ongsomwang S，Vaiphasa T，etal.Tropical mangrove species discrimination using hyperspectral data：a laboratory study.Estuarine，Coastal and Shelf Science，2005，65（1）：371－379.

［16］He K S，Rocchini D，Neteler M，etal.Benefits of hyperspectral remote sensing for tracking plant invasions.Diversity and Distributions，2011，17（3）：381－392.

［17］Sheeren D，Fauvel M，Ladet S，etal.Mapping ash tree colonization in an agricultural mountain landscape：Investigating the potential of hyperspectral imagery［C］.Geoscience and Remote Sensing Symposium（IGARSS），2011IEEE International，2011：3672－3675.

［18］Salazar L，Kogan F，Roytman L.Use of remote sensing data for estimation of winter wheat yield in the United States.International Journal of Remote Sensing，2007，28（17）：3795－3811.

［19］Becker－Reshef I，Vermote E，Lindeman M，etal.A generalized regression－based model for forecasting winter wheat yields in Kansas and U－kraine using MODIS data.Remote Sensing of Environment，2010，114（6）：1312－1323.

［20］Santin－Janin H，Garel M，Chapuis J L，etal.Assessing the performance of NDVI as a proxy for plant biomass using non－linear models：a case study on the Kerguelen archipelago.Polar Biology，2009，32（6）：861－871.

［21］Verbesselt J，Somers B，van Aardt J A N，etal.Monitoring herbaceous biomass and water content with SPOT VEGETATION time－series to improve fire risk assessment in savanna ecosystems.Remote Sensing of Environment，2006，101（3）：399－414.

［22］Sims D A，Rahman A F，Cordova V D，etal.On the use of MODIS EVI to assess gross primary productivity of North American ecosystems.Journal of Geophysical Research：Biogeosciences（2005－2012），2006，111（G4）.DOI：10.1029／2006JG000162.

［23］Rhee J，Im J，Carbone G J.Monitoring agricultural drought for arid and humid regions using multi－sensor remote sensing data.Remote Sensing of Environment，2010，114（12）：2875－2887.

［24］Caccamo G，Chisholm L A，Bradstock R A，etal.Assessing the sensitivity of MODIS to monitor drought in high biomass ecosystems.Remote Sensing of Environment，2011，115（10）：2626－2639.

［25］Rojas O，Vrieling A，Rembold F.Assessing drought probability for agricultural areas in Africa with coarse resolution remote sensing imagery.Remote Sensing of Environment，2011，115（2）：343－352.

［26］Huete A，Didan K.MODIS seasonal and inter－annual responses of semiarid ecosystems to drought in the Southwest USA［C］.Geoscience and Remote Sensing Symposium，2004.IGARSS’04.Proceedings.2004IEEE International.IEEE，2004：1538－1541.

［27］Deshayes M，Guyon D，Jeanjean H，etal.The contribution of remote sensing to the assessment of drought effects in forest ecosystems.Annals of Forest Science，2006，63（6）：579－595.

［28］Carrāo H，Sepulcre G，Horion S，etal.A multitemporal and non－parametric approach for assessing the impacts of drought on vegetation greenness：A case study for Latin America.EARSeL eProceedings，2013，12（1）：8.

［29］Zhang C B，Li J L，Zhang Y，etal.A quantitative analysis method for measuring grassland coverage based on the RGB model.Acta Prataculturae Sinica，2013，22（4）：220－226.

［30］Yang H F，Li J L，Mu S J，etal.Analysis of hyperspectral reflectance characteristics of three main grassland types in Xinjiang.Acta Prataculturae Sinica，2012，21（6）：258－266.

［31］Qian Y R，Yu J，Jia Z H，etal.Extraction and analysis of hyper－spectral data from typical desert grassland in Xinjiang.Acta Prataculturae Sinica，2013，22（1）：157－166.

［32］McCulloch L，Hunter D M.Identification and monitoring of Australian plague locust habitats from Landsat.Remote Sensing of Environment，1983，13（2）：95－102.

［33］Sivanpillai R，Latchininsky A V.Can late summer Landsat data be used for locating Asian migratory locust，Locusta migratoria migratoria，oviposition sites in the Amudarya River delta，Uzbekistan.Entomologia Experimentalis et Applicata，2008，128（2）：346－353.

［34］Tratalos J A，Cheke R A.Can NDVI GAC imagery be used to monitor desert locust breeding areas.Journal of Arid Environments，2006，64（2）：342－356.

［35］Latchininsky A V，Sivanpillai R.Locust Habitat Monitoring and Risk Assessment Using Remote Sensing and GIS Technologies［M］.Integrated Management of Arthropod Pests and Insect Borne Diseases.Netherlands：Springer，2010：163－188.

［36］Despland E，Rosenberg J，Simpson S J.Landscape structure and locust swarming：a satellite’s eye view.Ecography，2004，27（3）：381－391.

［37］Sivanpillai R，Latchininsky A V，Driese K L，etal.Mapping locust habitats in River Ili Delta，Kazakhstan，using LANDSAT imagery.Agriculture，Ecosystems ＆Environment，2006，117（2）：128－134.

［38］Song K S，Zhang B，Wang Z M，etal.Inverse model for estimating soybean chlorophyII concentration using in－situ collected canopy hyperspectral data.Transactions of the CSAE，2006，22（8）：16－21.

［39］Cho M A，Skidmore A，Corsi F，etal.Estimation of green grass／herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression.International Journal of Applied Earth Observation and Geoinformation，2007，9（4）：414－424.

［40］Mutanga O，Skidmore A K.Narrow band vegetation indices overcome the saturation problem in biomass estimation.International Journal of Remote Sensing，2004，25（19）：3999－4014.

［41］Chen M D，Huang X D，Hou X M，etal.Dynamic monitoring of biomass and vegetation coverage in rodent damaged grassland regions of Qinghai province，China.Acta Prataculturae Sinica，2013，22（4）：247－256.

［3］吴彤，倪绍祥，李云梅，等.基于地面高光谱数据的东亚飞蝗危害程度监测.遥感学报，2007，11（1）：103－108.

［5］卢辉，韩建国，张录达.高光谱遥感模型对亚洲小车蝗危害程度研究.光谱学与光谱分析，2009，29（3）：745－748.

［7］杨洪升，王长宝，于非，等.基于 MODIS－NDVI的吉木乃蝗区植被动态.江苏农业科学，2013，41（5）：354－356.

［8］赵凤杰，吴惠惠，刘朝阳，等.高光谱遥感在锡林浩特2种草地类型生产力监测中的应用.草地学报，2013，21（6）：1059－1064.

［9］梁亮，张连蓬，林卉，等.基于导数光谱的小麦冠层叶片含水量反演.中国农业科学，2013，46（1）：18－29.

［10］黄春燕，王登伟，黄鼎程，等.基于高光谱植被指数的加工番茄生长状况监测研究.遥感信息，2012，27（5）：26－30.

［29］章超斌，李建龙，张颖，等.基于RGB模式的一种草地盖度定量快速测定方法研究.草业学报，2013，22（4）：220－226.

［30］杨红飞，李建龙，穆少杰，等.新疆三种主要草地植被类型的高光谱反射特征研究.草业学报，2012，21（6）：258－266.

［31］钱育蓉，于炯，贾振红，等.新疆典型荒漠草地的高光谱特征提取和分析研究.草业学报，2013，22（1）：157－166.

［38］宋开山，张柏，王宗明，等.大豆叶绿素含量高光谱反演模型研究.农业工程学报，2006，22（8）：16－21.

［41］陈梦蝶，黄晓东，侯秀敏，等.青海省草原鼠害区域草地生物量及盖度动态监测研究.草业学报，2013，22（4）：247－256.