基于高光谱数据的杨树叶片干物质含量的估算*

程志庆，张劲松**，孟 平，李岩泉，郑 宁



基于高光谱数据的杨树叶片干物质含量的估算*

程志庆1,2,3，张劲松1,2,3**，孟 平1，李岩泉1，郑 宁1

(1.中国林业科学研究院林业研究所，北京 100091；2.南京林业大学南方现代林业协同创新中心，南京 210037；3.国家林业局林木培育重点实验室，北京 100091)

将杨树叶片实测的理化数据和土壤背景光谱数据作为PROSPECT和PROSAIL模型的输入参数，输出杨树叶片高光谱数据模拟值，通过实测获得叶片尺度和冠层尺度干物质含量、等效水厚度以及高光谱数据，利用统计方法，分别对两种尺度杨树叶片干物质含量进行分析。结果表明：基于归一化指数计算方法，杨树叶片尺度和冠层尺度的最佳估算干物质含量的干物质含量归一化指数（NDMI）波段组合分别为1685，1704nm和1551，2143nm，使用偏最小二乘法分别对筛选波段组成的NDMI(1685，1704)指数和NDMI(1551，2143)指数构建叶片尺度干物质含量和冠层尺度干物质含量的估算模型，叶片尺度干物质含量估算模型精度为R2=0.663，RMSE=0.001g·cm-2，冠层尺度精度为R2=0.91，RMSE=16.7g·m-2。可见，高光谱技术对杨树叶片干物质含量的估算具有较高的精度，可为杨树叶片干物质含量的快速、无损估算提供参考依据。

高光谱技术；杨树；干物质含量；估算模型

叶片干物质含量是叶片的重要形状参数之一，能够反映叶片对光合有效辐射的捕获能力，而且与抗逆性、叶片寿命等具有很大的相关性[1-2]。杨树因其生长迅速、成林早、木材用途广、防护效益高等优势，是中国人工林的主要树种。因此，快速、准确测定杨树叶片干物质含量，对于监测杨树生长状态，加强防护林的经营管理，提升杨树人工林的生态功能具有重要意义。

干物质含量在植物生态学研究中有3种表示：叶片干重和鲜重比、比叶面积以及单位叶面积的干物质含量。由于后两种叶片的干物质含量表示形式与叶片结构参数以及植物的生长和生存对策有紧密联系，能反映植物对不同生境的适应性，使其成为植物生态学研究中的首选指标，也是辐射传输模型的重要参数[3-6]。目前，叶片干物质含量的测量主要是利用称重测量叶面积的方法进行计算[7]。尽管该方法较简便，但要获取大面积干物质含量时，该方法耗时耗力，破坏性大。因此，需要一种新的技术对其进行快速的测定。而随着遥感技术的发展，特别是当前的高光谱遥感技术，为叶片干物质含量的快速估算提供了巨大的潜力。Riaño等[8]利用光谱数据分别对鲜叶的干物质含量与干叶的干物质含量进行估算，发现干叶的干物质含量估算较鲜叶估算精度高。Maire[9]利用指数的方法估算叶片尺度与冠层尺度干物质含量，发现该指数对叶片尺度干物质含量估算精度不高。Broge等[10]研究发现干物质含量与Landsat TM数据中的红光、红外以及中红外波段具有显著的相关性，并认为利用经验模型可以在光谱分辨率的Landsat TM数据中估算冠层的干物质含量。从现有研究可见，至今还未见报道一种植被指数或者干物质反演模型能够高精度地估算任何植物干物质含量。

为了对杨树叶片干物质含量进行快速、准确的估算，本研究通过分析已有叶片干物质含量植被指数对叶片干物质含量的估算精度，根据杨树干物质含量与不同波段之间的相关性，提取杨树干物质含量特征波段，并建立新植被指数。在建立叶片尺度的干物质含量高光谱估算模型的基础上，进一步构建叶片冠层尺度干物质含量的高光谱估算模型，获得杨树干物质含量估算精度最高的植被指数与反演模型，以期为杨树叶片干物质含量的准确、快速估算提供理论支持。

1 材料与方法

1.1 样地概况

本研究分别设置杨树盆栽实验与杨树人工林野外试验。

盆栽实验在河北农业大学科技园(115°24'31.31"E，38°48'22.31"N)进行。实验材料采用盆栽一年生，形态相近的107速生杨树苗。为了保证结果的全面性与精确性，获得不同生长状态的杨树，共设6个处理，分别是极度干旱、不施氮处理，干旱、不施氮处理，正常水分管理、不施氮处理（即为空白对照）；极度干旱、施氮处理，干旱、施氮处理，正常水分、施氮处理。水分处理条件为：最大田间持水量的70%为正常、55%为干旱和40%为极度干旱；氮素处理条件为：每株每千克土壤施氮量为0.167g。

杨树人工林位于衡水市武邑县（38°49′N，115°53′E）。树高10m，株行距为2m×3m，面积约30000m2，林下少有植被。在林地中间设立一座25m观测铁塔，在铁塔上于杨树冠层底部、内部以及顶部1m处各修建观测平台。

1.2 实测数据

1.2.1 光谱数据测定

（1）叶片光谱使用Field Spec Pro光谱仪（光谱波段范围为350−2500nm，美国产）自带的植被探头与叶片夹式光谱探测器在野外直接测定。 杨树叶片数据采样时间为2014年6月10−12日、 7月8−10日、8月10−13日和9月10−12日的每日10：00−14：00。为减少误差，测量前用标准白板进行校正，同时将叶片表层的浮尘用干净干燥的试纸轻拂去。每个叶片观测记录6次采集数据（测定时避开叶脉），取其平均值作为该处的光谱反射率。利用植被探头与叶片夹，采用光谱仪自带光源，保证叶片平整且被探测面积相同，有效消除了背景反射、叶片表面弯曲导致的光谱波动的影响，保证了研究结果的精确性，共获得304组叶片尺度高光谱实测数据。

（2）冠层光谱。利用25m观测塔上位于树顶上方2m处的观测平台，在天气晴朗无云、无风的2014年10月5日10：00−14：00，光纤视场角为25°的Field Spec Pro光谱仪（美国产），从平台上垂直朝下测量杨树冠层反射光谱。并利用LI-2200测定该视场角范围内（0.05m2）的冠层叶面积指数（LAI，图1）。获取冠层光谱的同时，利用高光谱仪在杨树林区的空地处选择与测定处一致的土壤进行土壤反射率测定。共获得9组冠层尺度高光谱实测数据。

1.2.2 叶片干物质含量、等效水厚度的测定

叶片采集。将测定光谱后的杨树叶片，摘取后立刻放入自封袋，并冷藏；冠层叶片等效水厚度采样，采取光谱测定视场角范围内杨树顶层、中层、底层三部位叶片各20片，放入自封袋，并冷藏。

叶片等效水厚度测定。首先利用Li-3000测定采集鲜叶的叶面积，并称重，然后立刻放入105℃烘箱中15min杀青，再将温度调至90℃烘干至恒重。

叶片等效水厚度EWTleaf的计算

叶片尺度干物质含量的计算

冠层尺度干物质含量的计算

式中，LM和CM分别表示叶片干物质含量（g·cm−2）和冠层尺度干物质含量（g·m−2），Dw为叶片干重（g），FW为叶片鲜叶重量（g），A为叶片面积（cm2），LAI为叶面积指数（m2·m−2）。

1.3 辐射传输模型参数

植物叶片光谱分析时需要大量光谱数据，而且在野外进行叶片光谱数据采集时，其它物质光谱的干扰造成叶片光谱有用信息的提取与分析更为困难。因此，可以根据植被的参数变化范围利用辐射传输模型获取模拟的光谱数据。

PROSPECT模型[6]是一个基于“平板模型”发展而来的叶片辐射传输模型，模型中的输入主要参数包括叶肉结构参数（N）、叶片叶绿素含量、叶片等效水厚度（EWT）以及叶片干物质含量（LM），能够模拟叶片400−2500nm的半球反射和透过率。

由Verhoef[11]在Suit模型的基础上发展起来的SAIL模型是使用最为广泛的冠层二向性反射物理模型之一，该模型描述了水平均匀植被冠层中直射和上行下行散射光通量的辐射传输过程，通过输入叶片的反射率和透过率、叶面积指数、叶倾角参数、土壤反射率、太阳辐射的散射分量以及光线入射和观测的几何参数，可以实现对植被冠层的反射光谱的模拟。

PROSPECT模型能够输出叶片的反射率和透过率，而SAIL模型中又需要这些作为其参数进行冠层光谱的拟合，因此，研究者将两种模型进行耦合形成PROSAIL模型，该模型能够在其它冠层参数已知的条件下对植被的化学参数进行估算。PROSAIL模型最后所需的模型参数为叶片理化学参数（叶肉结构参数、叶绿素含量、等效水厚度、叶片干物质含量），冠层结构参数（叶面积指数、叶倾角分布类型）和其它参数（热点效应参数、太阳天顶角、观测天顶角、相对方位角、土壤反射率）。

本文主要考虑为了获取杨树较为相近的光谱数据，利用实测杨树叶片生理参数数据范围和土壤反射率作为模型输入参数，PROSAIL模型输入的叶片理化参数与PROSPECT模型相同，具体模型参数设置见表1。

2 结果与分析

2.1 基于敏感波段的归一化干物质含量指数构建

2.1.1 干物质含量对光谱反射率的影响

根据杨树叶片等效水厚度的实测值将等效水厚度设为0.06cm，叶片干物质含量依据表1中范围变化，由PROSPECT模型分别模拟的叶片反射光谱曲线见图2a；叶片干物质含量和等效水厚度同时按表1中范围变化，由PROSPECT模型模拟的叶片反射光谱曲线见图2b。

由图2a可见，叶片干物质含量影响的波段主要集中于近红外波段（750−1350nm）以及短波红外的两个波段范围（1500−1870nm和2000−2500nm），在可见光范围（400−700nm）的反射率光谱差异较小。图2b为干物质含量逐渐增大而等效水厚度逐渐减小的反射光谱曲线图，当叶片中等效水厚度变化与干物质含量相当时，由于受到叶片等效水厚度的影响，对干物质含量敏感的短波红外波段的敏感性明显减弱。因此，认为对干物质含量敏感的波段范围为近红外波段以及部分短波红外波段（2000−2250nm）。

表1 模型参数

注：图a中等效水厚度为0.06cm；图b中干物质含量和不同等效水厚度均按照表1中变化

Note: In fig.a, EWT is 0.06cm；In fig.b, EWT and LM change according to table 1

2.1.2 叶片干物质含量的特征波段提取

采用实测数据与PROSPECT模型拟合数据，分析叶片干物质特征波段，拟合数据采用2.1.1节中拟合的光谱数据，实测数据为153组实测杨树叶片干物质含量。利用实测杨树光谱数据和PROSPECT模型拟合的光谱数据分别与叶片干物质含量作相关性分析，结果如图3。

由图3可见，在750−1350nm近红外波段两种数据与干物质含量的相关性均较大，但却呈现出相反的相关方向，图2a在该波段区间内的光谱反射率随LM增大而减少，根据干物质的光学特征分析，该波段区间应呈现负相关，但实测结果却显示相反的趋势。从图2b的不同干物质含量和等效水厚度光谱图以及图4干物质含量与等效水厚度的关系图可知，在杨树叶片干物质含量较小、等效水厚度较大的条件下，750−1350nm近红外波段的反射率随干物质的增大而增大。从图3可见，所获得的杨树叶片的等效水厚度较大，干物质含量较小。由于干物质含量在所有的特征波段中都受到其它因素的影响，因此，在干物质含量进行特征波段选取时，应根据实际光谱信息进行分析提取。同时从图3中可见，实测光谱波段与干物质含量的相关系数均较低。因此，为获取更好的估算波段，对两波段组合的归一化干物质含量指数（NDMI）对干物质含量的估算能力进行比较。NDMI的计算式为

式中，R(i)与R(j)分别表示为第i波段的反射率和第j波段的反射率。

由图5可见，决定系数较大的区间（R2＞0.62）主要分布在1250−2250nm，黑色圆圈内表示决定系数最大（R2=0.696）的区域，即以（1441nm，2309nm）坐标点为中心的附近，可见以上随机选取两波段的NDMI对叶片干物质含量具有很高的敏感性。但是，大气水分在1400nm附近产生较强的吸收作用，地面遥感由于距离近，大气水分对其影响较小，可以忽略，而卫星遥感获取地表植被光谱时，需要透过大气，所以在利用卫星遥感数据时应避免选取非大气窗口波段[12]。因此，本研究选取非1400nm附近的最大系数的波段组合，即图5中红色圈位置，其坐标点为（1685nm，1704nm），其决定系数为0.661。从图3中可以看出，这两个波段内无论是拟合数据还是实测数据，其与干物质均具有较大的负相关性，同时1704nm是最大的负相关波段，选取的这两个波段，在大气中的透射率为90%，能够避免大气对其它波段的吸收而产生干扰，故利用NDMI进行卫星遥感估算杨树叶片干物质含量时可使用（1685nm，1704nm）波段组合。而为获得能在LandSAT 8等宽波段光谱数据中应用的干物质含量植被指数，选取波段范围应为LandSAT 8所包含的波段。由此，本研究选取最大决定系数的波段组合为（1551nm，2143nm）。

2.2 叶片尺度干物质含量光谱估算模型的构建

为了实现叶片尺度NDMI指数的干物质含量高精度估算，在304组实测数据中以153组数据进行建模，另外151组数据验证模型估算精度。

利用NDMI指数进行干物质含量LM估算的关系式为

式中，K和b为估算模型的线性参数，由选定NDMI波段与实测干物质含量求出。

由表2可见，NDMI(1441,2309)和NDMI(1685,1704)干物质含量估算模型的残差相同，为0.0001，两者的拟合决定系数均为极显著，但是前者拟合决定系数比后者大0.036。可见，在叶片尺度的光谱估算中NDMI(1441,2309)具有一定优势。

表2 叶片尺度优选的3种波段组合下干物质含量的NDMI估算模型

注：*、**分别表示相关系数(R)通过0.05、0.01水平的显著性检验。下同。

Note:*is P<0.05，**is P<0.01.The same as below.

从图6可以看出，3种两波段组合的NDMI估算模型的估算精度，虽然NDMI(1441,2309)模型估算结果拟合度略高于NDMI(1685,1704)，但后者拟合结果更接近1:1线，加之两个估算结果的RMSE相近。因此，考虑到大气水汽吸收时，NDMI(1685,1704)应为最佳选择指数。NDMI(1551,2143)模型估算精度虽然较前者低，但其均方根误差及斜率均较可观，关键是可以应用于Landsat 8等卫星宽波段数据的NDMI构建，所以NDMI(1551,2143)指数可以作为卫星光谱数据估算干物质含量的最佳指数。

2.3 冠层尺度干物质含量光谱模型的构建

由式（3）可见，冠层尺度的干物质含量除受叶片尺度干物质含量的影响外，冠层叶面积指数也会对其产生影响。因此，利用PROSAIL模型拟合的冠层光谱数据对冠层叶面积和干物质含量的影响进行分析。

由图7可见，3种NDMI指数由于受LAI的影响，在相同叶面积指数条件下，这3种指数与冠层尺度干物质含量均具有显著相关性，其关系表达式与叶片尺度下虽然有差异，但其表达式形式相同。由于不同叶面积指数的影响表达式的系数产生了变化，为此，设想利用LAI对上述模型的系数进行修正，以分析LAI与模型表达式中的系数关系（图8）。

在钻进机构抵达限幅机构预定位置时，对接锁合组件能够实现限幅机构与钻进机构的锁定，从而使得限幅机构与钻进机构进行随动，保证后续的钻取采样作业顺利进行。

从图8可以看出，3种NDMI估算CM模型系数a、b、c与LAI的拟合决定系数R2均大于0.99（P<0.001），因此，可以利用LAI替换模型系数，得到利用LAI改进的3种NDMI估算冠层尺度干物质含量的模型。

利用9组杨树冠层实测数据对冠层尺度干物质含量模型进行验证，结果见图9。由图可见，利用LAI修正后的估算模型NDMI(1441,2309)模型估算精度最高，而NDMI(1551,2143)估算值与实测值的拟合决定系数比NDMI(1685,1704)模型的高出0.2，且NDMI(1551,2143)模型估算的结果与实测值更接近1:1的拟合线。因此，结合2.2节中的NDMI(1551,2143)与NDMI(1551,2143)指数分析可知，利用地面高光谱数据进行杨树冠层尺度干物质含量估算时，NDMI(1441,2309)构建的模型最优，而利用卫星遥感数据对冠层尺度的干物质含量进行估算时，NDMI(1551,2143)构建的模型为最佳选择。

3 结论与讨论

3.1 结论

通过对杨树高光谱数据的实测和利用PROSPECT与PROSAIL模型分别进行叶片尺度和冠层尺度的干物质含量分析，利用归一化指数的计算方法，筛选出杨树叶片尺度和冠层尺度的最佳NDMI指数波段组合，根据所选对应叶片尺度和冠层尺度的高光谱特征波段组合的NDMI指数，构建了杨树叶片尺度及冠层尺度干物质含量模型。对两种不同尺度的干物质含量模型的检验与验证表明，所构建的估算模型具有较高精度。

3.2 讨论

（1）由于模型模拟光谱数据只需叶片的部分生理生化参数，排除了非叶片本身所引起的光谱变化，因此，在进行特征波段提取时具有很大的优势。但是由于野外环境复杂多变，若简单地利用模型模拟光谱数据进行特征波段的提取会让所选特征波段的适用性降低[13-14]，因此，利用模型模拟光谱数据的同时应结合实测数据，并利用实测数据进行验证，最终才能提取适用的光谱特征波段。本研究利用辐射传输模型模拟的光谱数据与实测数据相结合的办法，最终提取了分别对杨树叶片尺度和冠层尺度叶片干物质含量准确估算的特征波段。

（2）本试验在研究冠层尺度干物质含量的估算中，通过对叶片尺度获取的植被指数中引入叶面积，以提高冠层尺度干物质含量的估算精度，该法获得了较高精度的冠层尺度干物质含量的估算模型。程晓娟等[15]在研究冠层尺度等效水厚度时指出，利用植被指数对冠层尺度等效水厚度进行估算，由于直接利用冠层等效水厚度选取的植被指数，没有从等效水厚度自身考虑，缺乏理论基础，从而影响模型的准确性。野外中冠层尺度干物质含量的高光谱不仅受叶面积的影响，测定的冠层尺度高光谱数据也会受到其它因素的影响[16-17]。因此，若要获得高精度、高通用性的冠层尺度干物质含量估算的模型，尚需将更多的影响因素在建模时引入估算模型中。

[1]于龙凤,李福恒,安福全,等.番茄不同节位叶片形态特征与干物质含量的关系[J].东北农业大学学报,2009,40(6):58-62.

Yu L F,Li F H,An F Q,et al.Relation between leaf morphology features and dry matter content in different site of node of tomatoes[J].Journal of Northeast Acultural University,2009, 40(6):58-62.(in Chinese)

[2]Romero A,Aguado I,Yebra M.Estimation of dry matter content in leaves using normalized indexes and PROSPECT model inversion[J].International Journal of Remote Sensing, 2012,33(2):396-414.

[3]李玉霖,崔健垣,苏永中.不同沙丘生境主要植物比叶面积和叶干物质含量的比较[J].生态学报,2005,25(2):304-311.

Li Y L,Cui J H,Su Y Z.Specific leaf area and leaf dry matter content of some plants in different dune habitats[J].Act Ecologica Sinica,2005,25(2):304-311. (in Chinese)

[4]潘瑞炽,王小青,李娘辉.植物生理[M].北京:高等教育出版社,2004:1-309.

Pan R C,Wang X Q,Li N H.Plant physiology[M]. Beijing:Higher Education Press,2004:1-309.(in Chinese)

[5]肖艳芳,周德民,赵文吉.辐射传输模型多尺度反演植被理化参数研究进展[J].生态学报,2013,33(11): 3291-3297.

Xiao Y F,Zhou D M,Zhao W J.Review of inversing biophysical and biochemical vegetation parameters in various spatial scales using radiative transfer models[J]. Acta Ecologica Sinica,2013,33(11): 3291-3297. (in Chinese)

[6]Feret J,François C,Asner G P,et al.PROSPECT-4 and 5:advances in the leaf optical properties model separating photosynthetic pigments[J].Remote Sensing of Environment,2008,112(6): 3030- 3043.

[7]张林,罗天祥,邓坤枚,等.云南松比叶面积和叶干物质含量随冠层高度的垂直变化规律[J].北京林业大学学报,2008, 30(1):40-44.

Zhang L,Luo T X,Deng K M,et al.Vertical variations in specific leaf area and leaf dry matter content with canopy height in pinus yunnanensis[J].Journal of Beijing Forestry University,2008,30(1):40-44.(in Chinese)

[8]Riaño D,Vaughan P,Chuvieco E,et al.Estimation of fuel moisture content by inversion of radiative transfer models to simulate equivalent water thickness and dry matter content: analysis at leaf and canopy level[J].Geoscience and Remote Sensing, 2005,43(4):819-826.

[9]Maire G,François C,Soudani K,et al.Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content,leaf mass per area,leaf area index and leaf canopy biomass[J].Remote Sensing of Environment,2008, 112(10):3846-3864.

[10]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.

[11]Verhoef W.Light scattering by leaf layers with application to canopy reflectance modeling:the SAIL Model[J].Remote Sensing of Environment, 1984,16(2):125-141.

[12]张佳华,郭文娟,姚凤梅.植被水分遥感监测模型的研究[J].应用基础与工程科学学报,2007,15(1): 45-53.

Zhang J H,Guo W J,Yao F M.The study on vegetation water content estimating model based on remote sensing technique [J].Journal of Basic Science and Engineering,2007,15(1): 45-53.(in Chinese)

[13]赵永光,马灵玲,李传荣,等.基于冠层辐射传输模型的地表反射率光谱重建方法[J].光谱学与光谱分析,2015,35(7): 1763-1769.

Zhao Y G,Ma L L,Li C R,et al.A method to reconstruct surface reflectance spectrum from multispectral image based on canopy radiation transfer[J]. Spectroscopy and Spectral Analysis, 2015,35(7): 1763-1769.(in Chinese)

[14]马文勇,王训明.基于高光谱分析的草地叶绿素含量估算研究进展[J].地理科学进展,2016,35(1): 25-34.

Ma W Y,Wang X M.Progress on grassland chlorophyll content estimation by hyperspectral analysis[J]. Progress in Geography, 2016,35(1):25-34. (in Chinese)

[15]程晓娟,杨贵军,徐新刚,等.新植被水分指数的冬小麦冠层水分遥感估算[J].光谱学与光谱分析,2014, 34(12): 3391-3396.

Cheng X J,Yang G J,Xu X G,et al.Estimating canopy water content in wheat based on new vegetation water index[J]. Spectroscopy and Spectral Analysis,2014,34 (12):3391-3396.(in Chinese)

[16]佃袁勇.高光谱数据反演植被信息的研究[D].武汉:武汉大学,2011.

Dian Y Y.Inversion vegetation information base on hyper- spectral remote sensing data[D]. Wuhan: Wuhan University, 2011.(in Chinese)

[17]Ali A M,Darvishzadeh R,Skidmore A K,et al. Estimating leaf functional traits by inversion of PROSPECT:assessing leaf dry matter content and specific leaf area in mixed mountainous forest[J]. International Journal of Applied Earth Observation, 2015,45(A):66-76.

Estimating Dry Matter Content of Poplar Leaf by Hyperspectral Data

CHENG Zhi-qing1,2,3, ZHANG Jin-song1,2,3, MENG Ping1, LI Yan-quan1, ZHENG Ning1

（1.Research Institute of Forestry, Chinese Academy of Forestry, Beijing 100091,China; 2.Collaborative Innovation Center of Sustaintable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037; 3. Key Laboratory of Tree Breeding and Cultivation, State Forestry Administration, Beijing 100091）

In order to explore estimating the dry matter content of poplar leaves accurately, rapidly and accurately and nondestructive with hyperspectral data. Simulated values of poplar leave hyperspectral data which were leaf scales and canopy scales were obtained by PROSPECT and PROSAIL models which input parameters were measured by the physical and chemical data and soil background spectral data. At the same time, the dry matter content, equivalent water thickness and hyperspectral data were obtained from the measured leaf scales and canopy scales. Finally, the statistical methods were used to analyze the dry matter content in two scales of poplar leaves. The results showed that, the best band combination of the normalized difference vegetation index of dry matter was respectively band combination between 1685nm and 1704nm and band combination between 1551nm and 2143nm, respectively in leaf scales and canopy scales. Dry matter content models of leaf and canopy scales were built respectively by NDMI(1685,1704)and NDMI(1551,2143).The model validation accuracy of the leaf scale dry matter content was R2=0.663, RMSE=0.001g·cm-2, and the model validation accuracy of the canopy scale dry matter content was R2=0.91, RMSE=16.7g·m-2. Obviously, the hyperspectral technique has a high precision for estimating the dry matter content of poplar leaves, which can provide reference for the rapid and nondestructive estimation of dry matter content of poplar leaves.

Technology of hyperspectrum；Poplar；Dry matter content；Estimation model

10.3969/j.issn.1000-6362.2017.01.006

2015−12−16

国家科技支撑计划课题（2015BAD07B05）；林业公益性行业科研专项（201204105）；国家自然科学基金项目（41105076）；国家重大科学研究计划（2012CB956202）

程志庆(1986−)，博士，讲师，主要从事林业高光谱模型及气象方面研究。E-mail：chengzhiqing1@126.com

**通讯作者。E-mail：zhangjs@caf.ac.cn