基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

罗 丹，常庆瑞，齐雁冰，李媛媛，李 松

(西北农林科技大学资源环境学院，陕西杨凌 712100)



基于光谱指数的冬小麦冠层叶绿素含量估算模型研究

罗 丹，常庆瑞，齐雁冰，李媛媛，李 松

(西北农林科技大学资源环境学院，陕西杨凌 712100)

为探索对冬小麦冠层叶绿素含量反应敏感的高光谱波段组合，同时比较不同光谱指数对小麦冠层叶绿素含量的估测效果，通过分析350～2 500 nm波段范围内原始光谱反射率及其一阶导数光谱的任意两两波段交叉组合而成的主要高光谱指数与冬小麦冠层叶片叶绿素含量的定量关系，建立冬小麦冠层叶绿素含量估算模型。结果表明，选用归一化光谱指数(NDSI)、比值光谱指数(RSI)、差值光谱指数(DSI)和土壤调节光谱指数(SASI)建立的冬小麦冠层叶绿素含量监测模型决定系数均大于0.71，标准误差均小于1.842。利用独立试验资料进行检验，表现最好的是RSI(FD689,FD609)和SASI(R491,R666)L=0.01，预测精度高达98.2%，模型精确度和可靠性较高。

冬小麦；叶绿素；光谱指数；估算模型

叶绿素含量与植被的光合能力、生长发育以及氮素状况有较好的相关性，是植物营养胁迫、光合能力、生长和衰老的良好指针[1]。而植被光谱的“三边”、“两谷”光谱特征与光合作用息息相关[2]，所以叶绿素含量不仅可以反映作物生长发育的动态特征，也是反映物质生产与遥感反射光谱关系的中间枢纽。利用遥感手段快速监测叶绿素含量对作物长势预测、施肥调控、产量评估等具有重要意义。

光谱指数是通过特定的高光谱遥感数据波段进行线性或非线性组合得到的一种光谱参数[2]，其建立时考虑了部分植物内部的物理机制[3]，可以降低或消除环境背景如土壤、水体等带来的噪声，比单波段具有更好的灵敏性[4]，可以更准确地提取目标信息。光谱指数如归一化光谱指数、比值光谱指数等现已被广泛应用于植被含氮量、含水量、叶面积指数等生物物理参量、光合作用等生态功能参量的反演[5]，从而定性或定量评估植被生长状况[6]。作物叶绿素含量作为能与反射光谱进行反演的重要指标，近年来在基于遥感技术的农作物生长信息监测上发挥着越来越大的作用。学者们一方面从叶绿素与光谱反射率之间的相关性入手，对各种光谱指数用于预测或模拟叶绿素含量的可行性进行评估[7-9]；另一方面则从敏感波段的甄选出发，构建基于特定光谱指数的叶绿素估算模型，并对其进行精度评价[10-13]；也有学者对不同光谱指数对叶绿素估测的适宜性进行研究[14-16]。然而受田间管理、施肥、气候等条件的影响，各类光谱指数与冬小麦叶绿素含量之间的相关性比较复杂。目前的研究大多是基于叶片水平的，但是地表光谱包含的是混杂的复合信息[17]，冠层光谱主要由植株生化组分、LAI、冠层结构、土壤背景等因素综合决定[18]，基于叶片的光谱特征参数对于冠层结构可能并不适用。冠层结构、土壤背景等外界干扰因素严重影响了高光谱反演的精度，限制了遥感反演技术的区域推广。因此，如何消除这些因素的影响，构建准确性与稳定性兼备的冬小麦冠层高光谱估算模型十分必要。

通过光谱指数构建叶绿素估算模型是进行冬小麦田间长势监测的重要途径。本研究选取了归一化植被指数、比值植被指数、差值植被指数、土壤调节植被指数等4种光谱指数，在大田试验条件下，根据光谱指数对冬小麦叶绿素含量的估测能力以及光谱学原理，探索对冬小麦冠层叶绿素含量反应敏感的波段组合，建立基于光谱指数的冬小麦冠层叶绿素含量估测模型，并对这四种光谱指数反演叶绿素含量的精度及稳定性进行对比分析，以期为今后在更大尺度平台上监测冬小麦叶绿素含量提供科学依据。

1　材料与方法

1.1试验设计

本研究的冬小麦试验地位于陕西省宝鸡市扶风县巨良农场，地处108°01′03″ ～108°01′48″E，34°14′43″～34°33′21″N。该地区属大陆性半湿润季风气候，四季分明，年平均气温12.6 ℃，≥10 ℃积温为4 575 ℃，年平均降水量620 mm，年日照时数2 100 h以上。2013-2015年进行两季冬小麦的种植及光谱和叶绿素含量(SPAD)的测定，其中2015年采集的数据用于叶绿素含量估测模型的建立，2014年的数据用于模型的验证。供试冬小麦品种选用小偃22，小麦播种时间分别为2013年9月24-29日和2014年9月25-28日。小麦均实行机播，行距20 cm，播种密度约为每公顷450万株。试验区域为10 hm2，按面积分为14块，每块均匀分布3个采样点，共设置42个试验点。播前每公顷一次性基施优质复合肥300 kg，其他栽培管理措施同一般高产麦田。

1.2测定项目与方法

1.2.1光谱数据测定

在冬小麦的抽穗期(2014 年4月27日和2015年4月28日)，采用美国SCVHR 1024i型便携式高光谱仪(通道数为1 024个，光谱范围为350～2 500 nm，其中350～1 000 nm区间光谱分辨率为1.4 nm，1 000～1 850 nm区间光谱分辨率为3.8 nm，在1 850～2 500 nm区间光谱分辨率为2.4 nm)，选择长势均匀无病虫危害的冬小麦试验点进行光谱采集，测定时间选择在晴朗无云的10:00-14:00，设定视角25°，每次采集光谱前进行参考板(白板)标定，探测器探头垂直向下距冠层顶部约1 m，每个测试点测4条光谱曲线，以其平均值作为该样点的光谱数据。

1.2.2冠层叶绿素含量测定

使用日本KONICA MINOLTA公司生产的SPAD(Soil Plant Analysis Development Unit) 502叶绿素计对冬小麦叶片的相对叶绿素含量进行无损测量。通常情况下，SPAD值可以直接作为表征叶绿素含量的相对值[19]。测量时与光谱数据采集同步，每个样区对应光谱测量顺序，选择植株旗叶和倒二叶，分别测量叶尖、叶中、叶基，取平均值记录。每个点测量三株，取平均值作为该样点的冠层叶绿素含量。

1.3数据分析与利用

1.3.1求取不同叶绿素水平下的平均光谱

将42个样本的光谱数据按照叶绿素含量大小分成4组(<40、40～45、45～50、>50)，利用以下公式计算求出不同叶绿素水平下的冬小麦冠层原始光谱平均反射率及一阶导数光谱平均反射率。

(1)

(2)

1.3.2光谱指数构建及模型精度估算方法

常见植被指数具有一定的局限性，如归一化植被指数(NDVI)是当前使用最广泛的光谱指数，但其对土壤背景的变化比较敏感，适用于植被发育中期或中等覆盖度的植被监测，在低密度植被覆盖条件下估算误差较大，在高覆盖度下容易饱和[20]。Huete等[21]为了修正NDVI对土壤背景的敏感，加入调节系数L，提出了土壤调节植被指数SAVI，土壤调节系数L随着植被覆盖度不同而变化，可适当降低土壤背景影响，提高作物生理指标估测模型的预测精度。本研究选择表1所示的四种光谱指数，参考姚 霞等[22]的研究方法，在350～2 500nm全光谱范围内，两两组合所有波段原始光谱及其一阶导数光谱求光谱指数；求取光谱指数(x)与冬小麦叶绿素含量(y)的拟合方程，计算相应的决定系数，选取决定系数最大的波段，结合光谱学原理，确定叶绿素敏感波段和相应的光谱指数，进而确定光谱反射率与叶绿素含量的定量关系。

表1　4种光谱指数的算法Table 1　Algorithm of four spectral indices

Rλ1和Rλ2分别为任意两个波长的光谱反射率；FD(First Derivative Spectra)为一阶导数光谱，FDλ1和FDλ2分别为任意两个波长相应的导数光谱。

Rλ1andRλ2are the spectral reflectance of any wavelength, FDλ1and FDλ2are the corresponding first derivative spectra.

为检验估算模型的精度，利用2014季同生长期测定的光谱和叶绿素数据进行独立试验资料验证。将模型预测值与实测值进行回归拟合，采用通用的决定系数(r2)、均方根误差(RMSE)、相对误差(RE)验证模型的准确性和普适性。

(3)

(4)

冬小麦反射光谱及叶绿素数据基本统计及其相关性分析用Excel2013进行，各光谱指数、相关系数的计算、相关系数等值线图绘制均在MATLAB7.0平台下实现，精度检验的均方根及相对误差在SPSS22.0下完成。

2　结果与分析

2.1不同叶绿素水平下冬小麦冠层原始光谱及一阶导数光谱的特征

在不同叶绿素水平下冬小麦冠层原始光谱和一阶导数光谱存在明显的变化规律(图1)。从图1A中可以看出，冬小麦冠层叶绿素含量与原始光谱之间存在显著的相关关系。随着叶绿素含量的提高，冬小麦冠层光谱在不同波段范围内呈现不同的变化趋势。在可见光波段，由于叶绿素的强烈吸收，光谱反射率呈降低趋势；在近红外波段，受到叶片结构和水分影响，光谱反射率显著上升。在一阶导数光谱峰值(即红边位置)处，随着叶绿素含量的提高，一阶导数光谱呈现明显的上升趋势；且随着叶绿素含量升高，红边峰值形状整体向右移动，出现“红移”现象[23](图1B)。

图1　不同叶绿素水平下的冬小麦冠层光谱曲线(A)和一阶导数光谱曲线(B)

2.2冬小麦叶绿素含量与冠层原始光谱和一阶导数光谱的相关性

相关分析(图2)表明，冬小麦冠层叶绿素水平与在红光和近红外波段(730～1 390 nm)的原始光谱反射率呈极显著正相关，相关性在770 nm附近到达最大，这个波段恰好为叶绿素强吸收带；在1 550～1 910 nm的近红外波段呈显著正相关。冬小麦冠层一阶导数光谱与叶绿素含量在710～790 nm、1 000～1 060 nm和1 500～1 610 nm波段呈极显著正相关，在1 085～1 160 nm和1 370～450 nm波段呈极显著负相关；在440～500 nm和1 700～1 780 nm等波段呈显著负相关。相比原始光谱，一阶导数光谱与叶绿素含量的相关性更高一些。

图2　 叶绿素含量与原始光谱反射率及其一阶导数光谱的相关性

2.3基于光谱指数的冬小麦冠层叶绿素含量估算模型

从NDSI决定系数等值线图可以发现，NDSI与冬小麦冠层叶绿素含量相关性较大的波段组合在550～750 nm(横轴)与350～550 nm(纵轴)和2 150～2 250 nm(横轴)与620～700 nm(纵轴)处(图3A)，决定系数大于0.8。根据植物的光谱特性，2 100～2 300 nm为主要的水分吸收带，此波段范围内含水量是控制叶片反射率的主要因素，且容易受到大气中水分的强烈干扰，对反演叶绿素的贡献不稳定，不能满足田间条件下快速获取作物信息的要求，所以不采用这个波段作为特征波段。对550～750 nm(横轴)与350～550 nm(纵轴)的波段组合进行详细分析，绘制等值线图(图3B)，能够明显看出最佳波段组合在410 nm和670 nm附近，通过对比分析，选取相关系数大且相对误差和均方根误差小的波段组合，最终确定672 nm和406 nm组合成的光谱指数NDSI为最佳。在一阶导数光谱中提取特征波段，发现与冬小麦冠层叶绿素含量相关性较大波段组合位于650～750 nm(横轴)和550～650 nm(纵轴)处(图3C)，绘制此波段范围内所有组合的相关系数等值线图(图3D)，可以清晰地看出相关系数最高的波段组合在690 nm和610 nm附近，经分析和计算，确定表现最好的波段组合为689 nm和609 nm。其回归模型分别为y=-278.76x2+74.714x+43.77(r2=0.760)和y=-100.37x2+372.54x-296.9(r2=0.820)(图4)。

图3　 NDSI与叶绿素含量的决定系数(r2)

图4　基于NDSI的冬小麦冠层叶绿素含量的回归模型

采用同样方法，根据光谱指数对冬小麦叶绿素含量的估测能力及光谱学原理，筛选出表现最好的波段组合，确定了估测冬小麦冠层叶绿素含量的最佳比值光谱指数(RSI)为RSI(R672，R406)和RSI(FD689，FD609)；最佳差值光谱指数(DSI)为DSI(R491，R666)和DSI(FD1529，FD512)；最佳土壤调节光谱指数(SASI)为SASI(R491,R666)L=0.01和SASI(FD1529,FD512)L=-0.04(表2)。用四种光谱指数建立的冬小麦冠层叶绿素含量监测模型决定系数(r2)均大于0.71，标准误差均小于1.842。通过对比发现，建立的模型中一阶导数光谱的预测精度略高于原始光谱，这与前人研究结果一致[24]，说明对原始光谱求导可以降低或基本消除土壤等背景噪声对冠层光谱的影响，提升预测精度。利用NDSI和RSI建立的模型精度略高于DSI和SASI，这可能与植被覆盖度有关，抽穗期植被覆盖程度较高，造成DSI和SASI敏感度降低。

2.4冬小麦冠层叶绿素含量估算模型的测试与检验

为了考察冬小麦冠层叶绿素含量估算模型的可靠性与普适性，利用2014年独立实验资料对上述建立的回归方程分别进行测试，用预测值与实测值之间的决定系数r2、相对误差RE和均方根误差RMSE来评估模型的精度(表2)，结果显示所有模型的决定系数均大于0.6。对比建模精度和验证精度，验证模型的决定系数均略小于构建模型，而相对误差和均方根误差绝大多数小于构建模型。其中，NDSI和RSI的原始光谱和一阶导数光谱与所建立的模型拟合度都较高，决定系数在0.66以上，相对误差小于2.117%，均方根误差小于1.126，基于RSI(FD689，FD609)建立的模型表现最好；DSI和SASI测试结果中原始光谱表现较好，尤其是SASI(R491,R666)L=0.01在所有模型检验中表现最佳，决定系数达到0.767，预测精度达到98.2%，模型稳定性较高。但二者的一阶导数光谱预测精度明显差于原始光谱，估测效果不佳，说明筛选的波段普适性较差。图5为RSI(FD689，FD609)和SASI(R491,R666)L=0.01冬小麦冠层叶绿素含量估测模型预测值与实测值的1∶1关系图。

表2　冬小麦冠层叶绿素含量光谱指数估测模型及检验结果Table 2　Estimation models and test results of chlorophyll content in winter wheat canopy based on spectral indices

图5　基于RSI(FD689，FD609)和SASI(R666，R491)L=0.01的冬小麦冠层叶绿素含量估测模型实测值与预测值的比较

3　讨 论

作物不同生育期的光谱表现出不同的特征。抽穗期是冬小麦由生殖生长转向营养生长的阶段，此时冬小麦冠层叶绿素含量较高，光谱特征最为显著，是最能反映冬小麦生长状况的关键时期。本研究中，不同叶绿素水平下冬小麦冠层原始光谱和一阶导数光谱变化规律非常明显，原始光谱反射率在可见光波段，由于叶绿素的吸收而降低，在近红外波段，受到叶片叶绿素含量、植株结构和水分影响而显著上升；一阶导数光谱随叶绿素含量增加，红边峰值上升，且红边形状整体向右移动。这与红边的形成原理有关。红边是由于植被在红光波段叶绿素强烈的吸收与近红外波段光在叶片内部的多次散射而形成的强反射造成的[25-26]，是植物光谱的最显著标志[27]，同时这也是分析原始光谱和一阶导数光谱相关性时，红边位置与叶绿素含量相关性达到最高的原因。叶绿素含量与原始光谱和一阶导数光谱的相关性较强是基于光谱指数构建叶绿素含量监测模型的理论基础。

大田条件下农作物冠层高光谱为混合信息。在植物高光谱研究中，为了降低或消除背景噪声的影响，人们采取多种手段处理光谱，以提高辨识目标信息的能力和监测模型的精度。冯伟[28]研究发现，利用微分技术可以减少背景噪音的影响，同时有效分解混合光谱，明显改善与色素密度的关系。白雪娇[29]认为冬小麦一阶导数光谱与冬小麦叶片叶绿素含量的相关系数在一些波段高于原始光谱。本研究对一阶导数光谱和原始光谱进行对比，也发现一阶导数光谱与冬小麦冠层叶绿素含量相关性较高，选用的四种光谱指数建立的模型中一阶导数光谱相比原始光谱，决定系数升高，标准误差降低，提高了模型的精度。因为对光谱求导可以降低或基本消除土壤等背景噪声对冠层光谱的影响，提高目标信息的提取效率。由此看来，一阶导数光谱在今后的研究中有一定的潜力和开发价值。

对模型进行测试中发现，NDSI和RSI的原始光谱和一阶导数光谱与建立的模型拟合度较高，结果比较理想，具有较高的稳定性和普适性；DSI和SASI检验结果较之建模精度结果表现不理想，尤其是其一阶导数光谱效果显著差于原始光谱，说明一阶导数处理虽然能够在一定程度上消除背景因素的干扰，但在不同年份可能会出现不稳定性，导致筛选出的波段普适性较差。这可能也与光谱指数本身的性质有关。DSI能很好地反映植被覆盖度的变化，但对土壤背景的变化较敏感，当植被覆盖度在15%～25%时，DSI随生物量的增加而增加。植被覆盖度大于80%时，DSI对植被的灵敏度有所下降；SASI与NDSI相比，增加了根据实际情况确定的土壤调节系数L，意义在于减少稀疏植被覆盖区域的土壤噪声对植被指数的影响，增强裸土与植被的可分性[30]，而对于高植被覆盖区域，土壤噪声明显减少，所以SASI精度逊于NDSI，这也说明了SAVI仅在土壤线参数a=1、b=0(即非常理想的状态下)时才适用。大田作物的生长不受人为控制，土壤背景与植被冠层之间的相互影响是非常复杂的，仅靠调节系数来解释冬小麦冠层与土壤的关系还不能达到理想的估测效果。本研究建立的土壤调节光谱指数较其他光谱指数在测试中精度虽然有了明显提高，但仍未完全去除土壤背景的干扰，且一阶导数光谱表现很不稳定，在今后的研究中还需进一步提高精度，并考虑提取新的光谱指数来消除土壤背景对冠层光谱的干扰。

[1]焦全军,张 兵,张 霞,等.植被叶绿素含量的冠层层次遥感诊断研究[J].光谱学与光谱分析,2008,28(10):117-118.

JIAO Q J,ZHANG B,ZHANG X,etal.Retrieving vegetation chlorophyll content through remoting sensing approach at canopy level [J].SpectroscopyandSpectralAnalysis,2008,28(10):117-118.

[2]童庆禧,张 兵,郑兰芬.高光谱遥感[M].北京:高等教育出版社,2006:121.

TONG Q X,ZHANG B,ZHENG L F.Hyperspectral Remote Sensing [M].Beijing:Higher Education Press,2006:121.

[3]颜春燕,牛 铮,王纪华,等.光谱指数用于叶绿素含量提取的评价及一种改进的农作物冠层叶绿素含量提取模型[J].遥感学报,2005,9(6):742-750.

YAN C Y,NIU Z,WANG J H,etal.The assessment of spectral indices applied in chlorophyll content retrieval and a modified crop canopy chlorophyll content retrieval model [J].JournalofRemoteSensing,2005,9(6):742-750.

[4]姜海玲,杨 杭,陈小平,等.利用光谱指数反演植被叶绿素含量的精度及稳定度研究[J].光谱学与光谱分析,2015,35(4):975-981.

JIANG H L,YANG H,CHEN X P,etal.Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method [J].SpectroscopyandSpectralAnalysis,2015,35(4):975-981.

[5]王纪华.农业定量遥感基础与应用[M].北京:科学出版社,2008:21.

WANG J H.Basis and Application of Quantitative Remote Sensing of Agriculture [M].Beijing:Science Press,2008:21.

[6]BANNARI A,MORIN D,BONN F,etal.A review of vegetation indices [J].RemoteSensingReviews,1995,13(1-2):95-120.

[7]FERWERDA J G,JONES S D,O'LEARY G,etal.Comparing Common Hyperspectral Vegetation Indices for Their Ability to Estimate Seasonal Nitrogen and Other Variables in Winter Wheat Across a Growing Season[M]//Innovations in Remote Sensing and Photogrammetry.Springer Berlin Heidelberg,2009:291-307.

[8]HANSEN P M,SCHJOERRING J K.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression [J].RemoteSensingofEnvironment,2003,86(4):542-553.

[9]宋开山,张 柏,李 方,等.玉米叶绿素含量的高光谱估算模型研究[J].作物学报,2005,31(8):1095-1097.

SONG K S,ZHANG B,LI F,etal.A hyperspectral model for estimating chlorophyll content in maize leaves [J].ActaAgronimicaSinica,2005,31(8):1095-1097.

[10]杨 杰,田永超,姚 霞,等.水稻上部叶片叶绿素含量的高光谱估算模型[J].生态学报,2009,29(12):6561-6571.

YANG J,TIAN Y C,YAO X,etal.Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice [J].ActaEcologicaSinica,2009,29(12):6561-6571.

[11]宫兆宁,赵雅莉,赵文吉,等.基于光谱指数的植物叶片叶绿素含量的估算模型[J].生态学报,2014,34(20):5736-5745.

GONG Z N,ZHAO Y L,ZHAO W J,etal.Estimation model for plant leaf chlorophyll content based on the spectral index content [J].ActaEcologicaSinica,2014,34(20):5736-5745.

[12]肖 汉,陈秀万,杨振宇,等.基于光谱分析的草地叶绿素含量估测植被指数[J].光谱学与光谱分析,2014,34(11):3075-3078.

XIAO H,CHEN X W,YANG Z Y,etal.Vegetation index estimation by chlorophyll content of grassland based on spectral analysis [J].SpectroscopyandSpectralAnalysis,2014,34(11):3075-3078.

[13]田永超,杨 杰,姚 霞,等.利用叶片高光谱指数预测水稻群体叶层全氮含量[J].作物学报,2010,36(19):1529-1537.

TIAN Y C,YANG J,YAO X,etal.Monitoring canopy leaf nitrogen concentration based on leaf hyperspectral indices in rice [J].ActaAgronomicaSinica,2010,36(19):1529-1537.

[14]FENG W,YAO X,TIAN Y C,etal.Monitoring leaf pigment status with hyperspectral remote sensing in wheat [J].AustralianJournalofAgriculturalResearch,2008,59(8):748-760.

[15]程志庆,张劲松,孟 平,等.植被参数高光谱遥感反演最佳波段提取算法的改进[J].农业工程学报,2015,31(12):179-185.

CHENG Z Q,ZHANG J S,MENG P,etal.Improvement of algorithm used for extraction hyperspectral feature bands of vegetation [J].TransactionsoftheChineseSocietyofAgricultural,2015,31(12):179-185.

[16]姜海玲,张立福,杨 杭.植被叶片叶绿素含量反演的光谱尺度效应研究[J].光谱学与光谱分析,2016,36(1):169-176.

JIANG H L,ZHANG L F,YANG H,etal.Research on spectral scale effect in the estimation of vegetation leaf chlorophyll content [J].SpectroscopyandSpectralAnalysis,2016,36(1):169-176.

[17]任海建.不同植被覆盖度条件下小麦生长参数的高光谱监测研究[D].南京:南京农业大学,2012:7-9.

REN H J.Monitoring growth parameters with hyperspectrum under different vegetation coverage conditions in wheat [D].Nanjing:Nanjing Agricultural University,2012:7-9.

[18]GITELSON A A,MERZLYAK M N.Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves [J].JournalofPlantPhysiology,2003,160(3):271-282.

[19]朱新开,盛海君,顾 晶,等.应用SPAD值预测小麦叶片叶绿素和氮含量的初步研究[J].麦类作物学报,2005,25(2):46-50.

ZHU X K,SHENG H J,GU J,etal.Primary study on application of SPAD value to estimate chlorophyll and nitrogen content in wheat leaves [J].JournalofTriticeaeCrops,2005,25(2):46-50.

[20]虞连玉,蔡焕杰,姚付启,等.植被指数反演冬小麦植被覆盖度的适用性研究[J].农业机械学报,2015,46(1):231-239.

YU L Y,CAI H J,YAO F Q,etal.Applicability of vegetation indices to estimate fractional vegetation coverage [J].TransactionsoftheChineseSocietyforAgriculturalMachinery,2015,46(1):231-239.

[21]HUETE B A R.Soil adjusted vegetation index (SAVI) [J].RemoteSensingofEnvironment,1988,25:295-309.

[22]姚 霞,朱 艳,田永超,等.小麦叶层氮含量估测的最佳高光谱参数研究[J].中国农业科学,2009,42(8):2716-2725.

YAO X,ZHU Y,TIAN Y C,etal.Research of the optimum hyperspectral vegetation indices on monitoring the nitrogen content in wheat leaves [J].ScientiaAgriculturaSinica,2009,42(8):2716-2725.

[23]姚付启,张振华,杨润亚,等.基于红边参数的植被叶绿素含量高光谱估算模型[J].农业工程学报,2009,25(增2):123-129.

YAO F Q,ZHANG Z H,YANG R Y,etal.Hyperspectral models for estimating vegetation chlorophyll content based on red edge parameter [J].TransactionsoftheChineseSocietyofAgricultural,2009,25(S2):123-129.

[24]王 渊,黄敬峰,王福民,等.油菜叶片和冠层水平氮素含量的高光谱反射率估算模型[J].光谱学与光谱分析,2008,28(2):273-277.

WANG Y,HUANG J F,WANG F M,etal.Predicting nitrogen concentrations from hyperspectral reflectance at leaf and canopy for rape [J].SpectroscopyandSpectralAnalysis,2008,28(2):273-277.

[25]王秀珍,王人潮,李云梅,等.不同氮素营养水平的水稻冠层光谱红边参数及其应用研究[J].浙江大学学报(农业与生命科学版),2001,27(3):301-306.

WANG X Z,WANG R C,LI Y M,etal.Study on red edge characteristics of rice spectral caused by nitrogen level [J].JournalofZhejiangUniversity(Agriculture&LifeScience),2001,27(3):301-306.

[26]姚 霞,田永超,刘小军,等.不同算法红边位置监测小麦冠层氮素营养指标的比较[J].中国农业科学,2010,43(13):2661-2667.

YAO X,TIAN Y C,LIU X J,etal.Comparative study on monitoring canopy leaf nitrogen status on red edge position with different algorithms in wheat [J].ScientiaAgriculturaSinica,2010,43(13):2661-2667.

[27]刘 炜,常庆瑞,郭 曼,等.基于改进红边面积的夏玉米叶片氮素含量导数光谱监测[J].西北农林科技大学学报(自然科学版),2010,38(4):91-98.

LIU W,CHANG Q R,GUO M,etal.Monitoring of leaf nitrogen content in summer corn with first derivative of spectrum based on modified red edge [J].JournalofNorthwestA&FUniversity(NatureScienceEdition),2010,38(4):91-98.

[28]冯 伟.基于高光谱遥感的小麦氮素营养及生长指标监测研究[D].南京:南京农业大学,2007:9-12.

FENG W.Monitoring nitrogen status and growth characters with canopy hyperspectral remote sensing in wheat [D].Nanjing:Nanjing Agricultural University,2007:9-12.

[29]白雪娇.冬小麦氮素营养及其冠层生物理化参量高光谱遥感监测[D].杨凌:西北农林科技大学,2013:5-6.

BAI X J.Monitoring nitrogen status and physicochemical parameters with hyperspecteal sensing in winter wheat [D].Yangling:Northwest A&F University,2013:5-6.

[30]李 晶,徐涵秋,李 霞,等.水土流失区马尾松林植被提取的土壤调节指数分析[J].地球信息科学,2015,17(9):1128-1134.

LI J,XU H Q,LI X,etal.Vegetation information extraction of Pinus massoniana forest in soil erosion areas using soil-adjusted vegetation index [J].Geo-InformationScience,2015,17(9):1128-1134.

Estimation Model for Chlorophyll Content in Winter Wheat Canopy Based on Spectral Indices

LUO Dan, CHANG Qingrui, QI Yanbing, LI Yuanyuan, LI Song

(College of Nature Resources and Environment, Northwest A&F University, Yangling, Shaanxi 712100, China)

The objective of the present research was to estimate the winter wheat canopy chlorophyll content by using hyperspectral technology, which can indicate the plant healthy status in real time and non-destructively. The quantitative relationship was established between the winter wheat canopy chlorophyll content and major hyperspectral indices calculated by combining any two wavebands with original reflectance and its derivative within the full spectral range of 350-2 500 nm. Four kinds of spectral indices were studied in this paper-Normalized Difference Spectral Index(NDSI), Ratio Spectral Index(RSI), Difference Spectral Index(DSI), Soil Adjust Spectral Index(SASI). The results showed that the monitor models based on these spectral indices to estimate chlorophyll content in winter wheat canopy gave the correlation coefficient no less than 0.71 and RMSE lower than 1.842. Testing of the regression equation with independent experiment data produced that the prediction accuracies was reached above 98.2%, with the best performance from the model for chlorophyll content predication in winter wheat canopy based on RSI(FD689,FD609) and SASI(R491,R666)L=0.01.The results suggested that it is feasible to use hyperspectral indices for the measurement of chlorophyll content more rapidly and accurately in winter wheat canopy．

Winter wheat; Chlorophyll content; Spectral index; Estimation model

2016-03-17

2016-04-20

国家高新技术研究发展计划(863计划)项目(2013AA102401)；教育部高等学校博士学科点专项科研基金项目(20120204110013)

E-mail：luodan6568@163.com

常庆瑞(E-mail：changqr@nwsuaf.edu.cn)

S512.1；S313

A

1009-1041(2016)09-1225-09

网络出版时间：2016-08-31

网络出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20160831.1657.044.html