杏树落果前后叶绿素含量的高光谱估算模型

贾永倩，王振锡*，吴智乐，丁 雅，董 淼

(1.新疆农业大学 林学与园艺学院，乌鲁木齐 830052；2.新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)



杏树落果前后叶绿素含量的高光谱估算模型

贾永倩1，2，王振锡1，2*，吴智乐1，2，丁 雅1，2，董 淼1，2

(1.新疆农业大学 林学与园艺学院，乌鲁木齐 830052；2.新疆教育厅干旱区林业生态与产业技术重点实验室，乌鲁木齐 830052)

为了寻求一种快速、简便、无损的杏叶绿素含量估测模型，本研究以赛买提杏叶片叶绿素含量以及叶片高光谱反射率为数据源，分析叶绿素含量与叶片原始光谱(R)、微分光谱(R′)、全波段组合的植被指数之间的相关关系，用敏感波段和植被指数构建叶绿素含量的多元线性回归和非线性的估测模型，并对不同模型进行了精度评价。结果表明：①微分光谱用于杏叶绿素含量的估测精度要显著高于原始光谱反射率，并且基于敏感波段所建立的估测模型预测精度低于基于植被指数所建立的估测模型；②对比不同建模方案，敏感波段所建模型以原始光谱的多元线性回归模型较为稳定，植被指数所建模型7月份以冠层叶绿素指数CCI(749，409)和8月份的自定义植被指数DCI(772，759)所建的二次项模型最优，相关系数分别达到0.585 9和0.571。该研究可为高光谱数据在杏叶绿素含量估测中的更好应用提供参考。

高光谱；赛买提杏；叶绿素含量

0 引 言

叶绿素作为作物光合作用的主要载体被认为是植被生长状态的良好指示器[1]，其含量与植物营养胁迫、光合能力和发展衰老各阶段氮含量密切相关[2]，因此，寻找快速、精确、无损伤、大范围地叶绿素含量估测对于植物长势监测，实施农业精细化管理具有重要意义。近年来发展起来的高光谱遥感技术，由于其具有波段多且窄的特点，能直接对植被进行微弱光谱差异的定量分析，同时也为植被生理参数的定量化诊断提供了简便、快速、有效、非破坏性的数据采集和处理方法[3-4]。国内外学者对叶绿素含量与光谱反射率的关系进行了很多研究，但研究的植被类型多集中在农作物上，如水稻[5-6]、小麦[7]、油菜[8]、大豆[9-10]、棉花[11-12]、烟草[13]和玉米[14-15]等。也有学者从高光谱遥感图像上提取植被指数并与地面实测的叶绿素含量构建回归模型，反演叶绿素含量[16-19]；部分学者通过挑选敏感波段来减少背景环境因素的影响，建立植被指数与叶绿素含量之间的函数关系[20-22]，也有学者分别运用SVR算法、神经网络以及小波分析等方法进行叶绿素含量的估算，都取得较好的精度[23-25]。然而，对经济林[26-28]的研究较少，本研究尝试利用高光谱技术对杏落果前后的叶绿素含量进行估测，旨在寻求一种叶片叶绿素含量快速无损的估测方法。

1 材料与方法

1.1 样本采集

实验于2013年7月8号和8月10号在新疆阿克苏市新疆农业大学阿克苏红旗坡教学科研实习基地(地理坐标N41°17′56.42″～N41°18′5616″、E80°20′23″～E80°20′56.16″，海拔1 215 m)进行。实验对象为南疆塔里木盆地主栽果树之一赛买提杏(Prunus anneniaca L)，实验区果树为东西行向栽植，株行距3.0 m×3.0 m，平均株高4.5 m，平均冠幅4.5 m×5.4 m(东西×南北)。在实验区随机采集不同长势杏树的不同位置的叶片样本360个进行高光谱反射率和叶绿素含量的测定。其中240个作为建模样本，120个作为检验样本。

1.2 光谱采集方法

对所有选定的树挂标签标识，并用GPS进行定位。光谱测定采用美国PP Systems公司生产的UniSpec-SC(单通道)便携式光谱分析仪，波段值为310～1 130 nm，光谱分辨率为1 nm，最大视场角为20°。所有观测值均选择在晴朗无风的天气，每次测定时间为北京时间12：00～16：00(太阳高度角大于45°)。为限制冠层反射率的非各向同性的影响，对每个样株的阴、中、阳三面进行光谱测定，每个样株每一面样本重复测定5次，取平均值作为该样本的光谱反射率值，为保证数据的准确性，每测一个样株进行一次白板矫正。

1.3 叶绿素测定

常规的叶绿素含量测定方法是将叶子采集到实验室，采用混合提取液比色法对整个叶子进行测定[29]，而同一片叶子不同位置的叶绿素含量是不同的。SPAD-502叶绿素探测仪可以在采集叶片光谱的同一位置测定其叶绿素含量，且SPAD值是衡量植物叶绿素相对含量的重要参数，很多研究证明SPAD值与叶绿素含量呈显著地正相关[30-32]，用仪器测量方法不仅可以保证实验数据的精度，又不会对杏树的叶片造成破坏，因此可以用SPAD值作为叶片叶绿素含量的重要指数。

1.4 数据处理

由于光谱数据在小于400 nm和大于900 nm噪声比较大，为了减少数据量和限制随机噪声水平，本实验选用波段范围在400～900 nm的光谱数据进行分析。有研究结果表明，一阶微分变换有利于限制低频背景光谱(通常是土壤，凋落物及枯死地被物光谱)对目标光谱的影响[33]。因此采用公式(1)对原始光谱反射率进行一阶微分计算。

d(R)=((r3-r1)/Δλ,…(rn-rn-2)/Δλ)。

(1)

式中：γn是第n纳米处的光谱反射率值。

1.5 估测叶绿素含量的高光谱的指数

结合前人研究结果[34-37]和赛买提杏叶片光谱特性，筛选出下列用于估测杏叶片叶绿素含量的高光谱植被指数，见表1。

表1 用于估测杏叶片叶绿素含量的高光谱植被指数Tab. 1 Hyperspectral parameter for estimating the chlorophyll content of apricot leaf

1.6 模型构建

利用SPSS19.0软件，分别将原始光谱和微分光谱与杏叶绿素含量进行相关性分析，绘制相关系数曲线图，并根据曲线图找出相关系数绝对值较大的波段，确定为敏感波段。同时将构建的植被指数与叶绿素含量进行相关性分析，确定相关性较高的植被指数，优选出表现最好的光谱指数，分别以筛选出敏感波段和植被指数为自变量，杏叶绿素含量为因变量，用逐步回归法建立杏叶绿素含量的估测模型。采用常用的决定系数(R2)、均方根差(RMSE)对模型的估测值和实测值之间的符合度进行验证和评价，均方根差公式：

(2)

2 结果与讨论

2.1 杏叶绿素含量和叶片光谱反射率特征

2.1.1 不同时期、不同位置杏叶片光谱反射率变化特征

将杏树不同时期、不同位置的400～900nm区间光谱数据作图得6条光谱反射率随波长变化的曲线，如图1所示。从图可以看出，在可见光范围内存在两个吸收谷(502、669nm)和一个小反射峰(549nm)，在680～750nm范围内，光谱反射率急剧增高，形成一个“陡坡”，即植物的“红边”[38]，两个波谷是由叶绿素强烈吸收红光和蓝紫光形成的，小反射峰是植物叶片反射绿光形成的，也是肉眼看到植物叶片是绿色的原因，这是绿色植物所具有的典型光谱特征[39]。另外，落果前后的杏光谱数据虽然形态、走势上基本一致，但是光谱反射率值存在很明显的差异，但同一时期不同方位的光谱曲线基本一致。可见，单株树阴、中、阳三面的光谱之间差异不大，在本研究中可取三面平均光谱值作为该样本的原始光谱反射率。

有研究结果表明，一阶微分变换有利于限制低频背景光谱(通常是土壤，凋落物及枯死地被物光谱)对目标光谱的影响[40]。对杏叶片光谱反射率做一阶微分处理，如图2所示，曲线不再呈现单一的变化趋势，而是上下波动剧烈，并在525、568nm分别形成一个小波峰和小波谷，在717nm处出现一个大波峰，769～900nm近红外平台处的光谱微分值几乎为0。同样，7、8月份光谱曲线存在明显差异，但同一时期不同位置之间差异较小。

图1 不同时期、不同位置赛买提杏原始光谱曲线Fig.1 The original spectrum curve of saimaiti apricot at different times and different places

图2 不同时期、不同位置赛买提杏微分光谱曲线Fig.2 The differential spectrum curve of saimaiti apricot at different times and different places

2.1.2 不同时期、不同位置杏叶绿素含量变化特征

从图3可以看出，7月份叶绿素含量明显低于8月份叶绿素含量，相关研究显示，赛买提杏叶绿素含量在6、7月份出现低谷期，这可能因为此时杏处于果实成熟期，叶片中大量的氮元素都供给了果实使得叶绿素含量较低，而8月份赛买提杏叶绿素含量则处于一个较高水平。同一时期不同位置的杏叶绿素含量差异不大，即杏阴、中、阳三面叶绿素含量差异很小，因此本研究取三面平均值作为杏该时期的叶绿素含量值。

2.2 杏叶绿素含量与光谱特征之间的相关分析

图4和图5是取杏阴、中、阳三面平均的叶绿素含量值分别建立的杏叶绿素含量与叶片原始光谱、微分光谱的相关曲线。由图4可以看出，叶绿素含量与叶片光谱含量在可见光和近红外波段内，7月份的515～618、691～739 nm波段范围、8月份的533～570、698～746 nm波段范围与叶绿素含量呈负相关，其他范围内均呈正相关，且分别在712、463 nm处达相关性最大值。由图5可以看出，杏叶绿素含量与光谱一阶微分时而呈正相关时而呈负相关，7、8月份叶绿素含量分别与微分光谱的749、567 nm处波段达相关性最大值。相比原始光谱的相关性，微分光谱的相关性更为显著。

图3 不同时期、不同位置赛买提杏的SPAD值Fig.3 The SPAD values of saimaiti apricot at different times and different places

图4 杏冠层原始光谱反射率与叶绿素含量的相关性图Fig.4 Correlation between the original spectral reflectance of apricot canopy and the chlorophyll content

图5 杏冠层微分光谱反射率与叶绿素含量的相关性图Fig.4 Correlation between the differential spectral reflectance of apricot canopy and the chlorophyll content

2.3 高光谱植被指数筛选及与叶绿素含量的相关性分析

将表1 所列的几种植被指数用400～900 nm波段范围内的任意两个波段进行组合并与杏叶绿素含量进行相关性分析，将结果用等势图直观的表现出来(如图6～图17所示)。

由等势图可以看出，表1中所列的不同的植被指数与杏叶绿素含量的相关系数最大值区域有一定的差异，但在红光区相关性均较好。同时，不同时期的植被指数与杏叶绿素含量的相关系数最佳值分布区域也具有一定差异。7月份比植被指数在RVI(517，514)处相关性最好，相关系数达0.580 2，而8月份比植被指数在RVI(528，525)处相关性最好，相关系数为0.713 5；7月份和8月份的差植被指数DVI最佳值分别为DVI(697，696)和DVI(700，613)，相关系数最大值为0.629 9和0.690 4；归一化植被指数NDVI(520，513)和NDVI(528，525)分别为7、8月份相关系数最大值处，相关系数值分别为0.583 7和0.713 7；7、8月份的CCI、DCI、CDCI最佳值分别为CCI(749，409)、DCI(764，750)、CDCI(745，556)和CCI(738，565)、DCI(772，759)、CDCI(736，556)，相关系数值均在0.7以上。

图6 7月份所有RVI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.6 Equipotential graph of correlation coefficient (R) abs between the RVI wavelength combination and the chlorophyll content in July

图7 8月份所有RVI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.7 Equipotential graph of correlation coefficient (R) abs between the All RVI wavelength combination and the chlorophyll content in August

图8 7月份所有DVI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.8 Equipotential graph of correlation coefficient (R) abs between DVI wavelength combination and chlorophyll content in July

图9 8月份所有DVI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.9 Equipotential graph of correlation coefficient (R) abs between DVI wavelength combination and chlorophyll content in August

图10 7月份所有NDVI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.10 Equipotential graph of correlation coefficient (R) abs between NDVI wavelength combination and chlorophyll content in July

图11 8月份所有NDVI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.11 Equipotential graph of correlation coefficient (R) abs between NDVI wavelength combination and chlorophyll content in August

图12 7月份所有CCI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.12 Equipotential graph of correlation coefficient (R) abs between CCI wavelength combination and chlorophyll content in July

图13 8月份所有CCI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.13 Equipotential graph of correlation coefficient (R) abs between CCI wavelength combination and chlorophyll content in August

图14 7月份所有DCI波长组合与叶绿素含 量相关系数(R)abs 等势图Fig.14 Equipotential graph of correlation coefficient (R) abs between DCI wavelength combination and chlorophyll content in July

图15 8月份所有DCI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.15 Equipotential graph of correlation coefficient(R) abs between DCI wavelength combination and chlorophyll content in August

图16 7月份所有CDCI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.16 Equipotential graph of correlation coefficient (R) abs between CDCI wavelength combination and chlorophyll content in July

图17 8月份所有CDCI波长组合与叶绿素 含量相关系数(R)abs 等势图Fig.17 Equipotential graph of correlation coefficient(R) abs between CDCI wavelength combination and chlorophyll content in August

2.4 杏叶片叶绿素含量估测模型构建

2.4.1 基于敏感波段建立的多元回归模型

据杏叶绿素含量与光谱特征之间的相关性分析结果，从中选取相关系数大、分布均匀的波长533、552、589、712、749、875、463、526、567、673、716、852nm分别作为7月份和8月份回归分析中的自变量，对应叶绿素值作为因变量进行多元逐步回归分析，结果见表2。从表2可看出，多元逐步回归分析方法可一定程度的提高对杏叶绿素含量监测的精度，且以原始的光谱数据形式建立的叶绿素含量逐步回归模型较佳。

2.4.2 基于植被指数建立的的杏叶绿素含量监测模型

根据以上分析结果，分别选择7、8月份与杏叶绿素含量相关系数较好的6种植被指数(RVI、DVI、NDVI、CCI、DCI、CDCI)为自变量，杏叶绿素含量为因变量，建立线性模型、二次项模型、指数模型，结果见表3和表4。

从表3和表4可见，不同植被指数建立的模型均有较好的拟合度，从R2最大模型最优的原则来看，6种植被指数所建立的监测模型中7月份以CCI(749，409)建立的二次项模型最佳，决定系数为0.585 9，8月份以DCI(772，759)建立的二次项模型最佳，决定系数为0.571。

表2 基于敏感波段的杏叶绿素含量监测模型Tab.2 The apricot chlorophyll content monitoring model based on sensitive wave band

表3 基于植被指数的杏7月份叶绿素含量监测模型Tab.3 The apricot chlorophyll content monitoring model based on vegetation index in July

续表3 基于植被指数的杏7月份叶绿素含量监测模型Tab.3 The apricot chlorophyll content monitoring model based on vegetation index in July

表4 基于植被指数的杏8月份叶绿素含量监测模型Tab.4 The apricot chlorophyll content monitoring model based on vegetation index in August

2.5 精度评价

为了检验检测模型的普适性，有必要对所建的最优模型进行精度检验。即用敏感波段建立的最优回归方程和植被指数建立的最优回归方程进行杏叶绿素含量的反演，将检验样本数据代入模型对估测值和实测值的符合度进行检验，并绘制预测值和实测值的1∶1比较图。如图18和图19所示。

图18 基于敏感波段建模的杏叶绿素含量估测值与实测值的相关分析Fig.18 Correlation analysis between estimated and measured chlorophyll content based on sensitive wave bands

图19 基于植被指数建模的杏叶绿素含量估测值与实测值的相关分析Fig.19 Correlation analysis between estimated and measured chlorophyll content based on vegetation index

3 结论与讨论

通常进行植被叶绿素含量估测时对叶绿素的采集仅限于同一时期和同一位置的叶绿素数据[41]，本研究分析了落果前后赛买提杏不同方位的叶绿素含量，发现落果后杏叶绿素含量明显升高，不同方位间叶绿素含量的差异不大。

利用高光谱数据建立植被估算模型时多采用逐步回归方法[42-43]，也有部分是通过作物红边参数建立与农学参量之间的关系[44-45]。本研究在分析了原始和微分光谱单波段反射率与杏叶绿素含量的相关性的基础上，建立了敏感波段的多元线性模型，并进一步分析了杏叶绿素含量与原始和微分光谱400～900 nm波段范围内所有波段两两组合后植被指数之间的相关关系，组合的植被指数包括前人已总结出的比植被指数、差植被指数、归一化植被指数和冠层叶绿素指数以及自定义的两种植被指数，同时将得到的相关系数以等势图的形式表现出来，根据等势图确定最大相关系数所对应的波段位置和波段组合形式，将它作为最佳指数用于杏叶绿素含量估算模型的构建，最后将最佳指数所建模型的结果和敏感波段所建模型的结果进行对比，得出以下结论：

(1)微分光谱用于杏叶绿素含量的估测精度要显著高于原始光谱反射率，并且基于敏感波段所建立的估测模型预测精度低于基于植被指数所建立的估测模型；

(2)对比不同建模方案，敏感波段所建模型以原始光谱的多元线性回归模型较为稳定，植被指数所建模型7月份以冠层叶绿素指数CCI(749，409)和8月份的自定义植被指数DCI(772，759)所建的二次项模型最优。

基于敏感波段的多元线性回归模型的估算精度因参与建模的数据组不同而产生变化，而基于植被指数所建模型相对较稳定，一定程度上说明多波段线性模型的普适性和稳定性比植被指数模型差。

本研究在分析了杏光谱反射率与叶绿素含量之间的相关关系后得出的结论对杏落果前后叶绿素含量的监测提供了快速便捷的途径，也为星载探测器估测杏叶绿素含量提供了参考，对实时监测杏长势及营养也具有一定的参考价值，但仍存在不足之处，文中虽然给出了杏落果前后叶绿素含量估测的最优方案，也进行了精度评价，但对于模型的普适性和稳定性有待进一步验证，有必要采用不同年份、不同地区、不同树龄的数据进行更有说服力的验证。

[1]王平荣，张帆涛，高家旭，等.高等植物叶绿素生物合成的研究进展[J].西北植物学报，2009，29(3)：629-636.

[2]孔维平，毕银丽，李少朋，等.利用高光谱估测干旱胁迫下接菌根菌大豆叶绿素含量[J].农业工程学报，2014，30(2)：123-131.

[3]王秀珍，王人潮，黄敬峰.微分光谱遥感及其在水稻农学参数测定上的应用研究[J].农业工程学报，2002，18(1)：9-14.

[4]张东彦.基于高光谱成像技术的作物叶绿素信息诊断机理及方法研究[D].杭州：浙江大学，2012.

[5]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(2)：6561-6571.

[6]孙雪梅，周启发，何秋霞.利用高光谱参数预测水稻叶片叶绿素和籽粒蛋白质含量[J].作物学报，2005，31(7)：844-850.

[7]靳彦华，熊黑钢，张 芳，等.不同地类春小麦叶片叶绿素含量高光谱植被指数估算模型研究[J].麦类作物学报，2013，33(5)：1012-1018.

[8]丁希斌，刘 飞，张 初，等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析，2015，35(2)：486-491.

[9]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[J].农业工程学报，2006，22(8)：16-21.

[10]陈婉婧，阎广建，吕 琳，等.大豆叶片水平叶绿素含量的高光谱反射率反演模型研究[J].北京师范大学学报：自然科学版，2012，48(1)：60-65.

[11]王登伟，黄春燕，张 伟，等.高光谱数据与棉花叶绿素含量和叶绿素密度的相关分析[J].棉花学报，2008，20(5)：368-371.

[12]陈 燕，黄春燕，王登伟，等.北疆棉花叶绿素密度的高光谱估算研究[J].新疆农业科学，2006，43(6)：451-454.

[13]王建伟，薛超群，周汉平，等.烤烟冠层光谱参数与叶片叶绿素含量的相关分析[J].生态学杂志，2010，29(5)：876-880.

[14]易秋香，黄敬峰，王秀珍，等.玉米叶绿素高光谱遥感估算模型研究[J].科技通报，2007，23(1)：83-87.

[15]张晓华，常庆瑞，章 曼，等.基于高光谱植被指数的西北玉米不同时期叶绿素含量估测[J].中国农业大学学报，2015，20(4)：75-81.

[16]孟庆野，董 恒，秦其明，等.基于高光谱遥感监测植被叶绿素含量的一种植被指数MTCARI[J].光谱学与光谱分析，2012，32(8)：2218-2222.

[17]程 乾，黄敬峰，王人潮，等.MODIS植被指数与水稻叶面积指数及叶片叶绿素含量相关性研究[J].应用生态学报，2004，15(8)：1363-1367.

[18]廖钦洪，张东彦，王纪华，等.基于多角度成像数据的新型植被指数构建与叶绿素含量估算[J].光谱学与光谱分析，2014，34(6)：1599-1604.

[19]方圣辉，乐 源，杨光.基于HyperScan成像光谱数据的植被叶绿素反演[J].国土资源遥感，2013，25(4)：40-47.

[20]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.

[21]张晓华，常庆瑞，章 曼，等.基于高光谱植被指数的西北玉米不同时期叶绿素含量估测[J].中国农业大学学报，2015，20(4)：75-81.

[22]关 丽，刘湘南.两种用于作物冠层叶绿素含量提取的改进光谱指数[J].地球科学进展，2009，24(5)：548-554.

[23]梁 亮，杨敏华，张连蓬，等.基于SVR算法的小麦冠层叶绿素含量高光谱反演[J].农业工程学报，2012，28(20)：162-171.

[24]姚付启，张振华，杨润亚，等.基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究[J].测绘科学，2010，35(1)：109-112.

[25]宋开山，张柏，王宗明，等.基于小波分析的大豆叶绿素a含量高光谱反演模型[J].植物生态学报，2008，32(1)：152-160.

[26]潘 蓓，赵庚星，朱西存，等.利用高光谱植被指数估测苹果树冠层叶绿素含量[J].光谱学与光谱分析，2013，33(8)：2203-2206.

[27]李欢.基于高光谱数据的柑桔叶绿素含量估算研究[D].重庆：西南大学，2009.

[28]房贤一，朱西存，王 凌，等.基于高光谱的苹果盛果期冠层叶绿素含量监测研究[J].中国农业科学，2013，46(16)：3504-3513.

[29]蒋德安，朱 诚.植物生理学实验指导[M].成都：成都科技大学出版社，1999.

[30]王中堂，周广芳，张 琼，等.枣叶片叶绿素含量与SPAD值相关性研究[A].中国园艺学会干果分会.第八届全国干果生产、科研进展学术研讨会论文集[C].中国园艺学会干果分会，2013.

[31]潘 静，曹 兵，万仲武.两种果树叶片SPAD值与叶绿素含量相关性分析[J].北方园艺，2012，1(5)：9-12.

[32]艾天成，李方敏，周治安，等.作物叶片叶绿素含量与SPAD值相关性研究[J].湖北农学院学报，2000，20(1)：6-8.

[33]浦瑞良，宫 鹏，Miller J R.应用CASI图像数据估计横跨美国俄勒冈州针叶林叶面积指数[J].南京林业大学学报，1993，17(17)：41-48.

[34]Pearson R L，Miller L D.Remote Sensing of the Environment[M]，1972：1355.

[35]Richardson A J，Everitt J H.Using spectral vegetation indices to estimate rangeland productivity[J].Geocarto International，1992(1)：63-69.

[36]Rouse J W，Haas R H，Schell J A，et al.Monitoring the vernal advancement of retrogradation of natural vegetation[J].NASA/GSFC，Type III，Final Report，Greenbelt，MD，USA，1974(1)：1-371.

[37]Carter G A.Ratios of leaf reflectance in narrow wavebands as indicators of plant stress [J].International Journal of Remote Sensing，1994，15(3)：697-703.

[38]浦瑞良，宫 鹏.高光谱遥感及其应用[M].北京：高等教育出版社，2000.

[39]赵英时.遥感应用分析原理与方法[M].北京：科学出版社，2003：388-390.

[40]浦瑞良，宫 鹏，Miller J R.应用CASI图像数据估计横跨美国俄勒冈州针叶林叶面积指数[J].南京林业大学学报，1993，17(1)：41-48.

[41]刘殿伟，宋开山，张 柏.行道树叶绿素变化的高光谱神经网络模型[J].生态学杂志，2006，25(3)：238-242.

[42]梁 爽，赵庚星，朱西存.苹果树叶片叶绿素含量高光谱估测模型研究[J].光谱学与光谱分析，2012，32(5)：1367-1370.

[43]董晶晶，牛铮.高光谱反演叶片叶绿素及全氮含量[J].遥感信息，2008，1(5)：25-27.

[44]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(S2)：123-129.

[45]李永亮.杉木红边参数估算叶绿素含量模型研究[D].长沙：中南林业科技大学，2011.

Hyperspectral Estimation Models of the Chlorophyll ContentBefore and After Fruit Drop of Apricot Tree

Jia Yongqian1，2，Wang Zhenxi1，2*，Wu Zhile1，2，Ding Ya1，2，Dong Miao1，2

(1.College of Forestry and Horticulture，Xinjiang Agriculture University，Urumqi 830052；2.Key Laboratory of Forestry Ecology and Industry Technology in Arid Region，Education Department of Xinjiang，Urumqi 830052)

In order to seek a rapid，simple and non-destructive model for apricot chlorophyll content estimation，the chlorophyll content of saimaiti apricot (PrunusanneniacaL) leaves and hyperspectral reflectance of leaves were taken as data sources to analyze the correlation relationships between the chlorophyll content and leaf original spectrum (R)，differential spectrum(R′)，and the vegetation index of whole band combinations.The sensitive wave bands and vegetation index were used to build the multiple linear regression and nonlinear estimate models for chlorophyll content prediction and the accuracy of the model was evaluated.The results showed that：① the prediction accuracy differential spectrum used for apricot chlorophyll content estimation was significantly higher than the original spectral reflectance，and the prediction accuracy based on the sensitive wavelengths estimation model was lower than that based on vegetation index；②Compared different modeling schemes，among the sensitive band models，the established multivariate linear regression model based on the original spectrum was relatively stable.And among the vegetation index models，the built quadratic term model base on the canopy chlorophyll index CCI (749，409) in July and based on vegetation index DCI (772，759) in August was the most optimal ，with the correlation coefficient of 0.585 9 and 0.571 0，respectively.This study could be used to provide reference for better application of hyperspectral data in apricot chlorophyll content estimation

hyperspectral；saimaitiapricot；chlorophyll content

2016-05-06

新疆维吾尔自治区高校科研计划科学研究重点项目(XJEDU2013I16)；国防科工局高风专项(95-Y40B02-9001-13/15-01-01)；中国博士后科学基金项目(2015M572668XB)

贾永倩，硕士研究生。研究方向：林业3S技术及应用。E-mail：jiayongqian2014@163.com

*通信作者：王振锡，博士，副教授。研究方向：林业3S技术及应用。E-mail：wangzhenxi2003@163.com

贾永倩，王振锡，吴智乐，等.杏树落果前后叶绿素含量的高光谱估算模型[J].森林工程，2016，32(6)：1-9.

S 792

A

1001-005X(2016)06-0001-09