不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

张潇元，张立福，张霞，王树东，田静国，翟涌光

（1中国科学院遥感与数字地球研究所，北京 100101；2中国地质大学地球科学与资源学院，北京 100083）

不同光谱植被指数反演冬小麦叶氮含量的敏感性研究

张潇元1,2，张立福1，张霞1，王树东1，田静国1，翟涌光1

（1中国科学院遥感与数字地球研究所，北京 100101；2中国地质大学地球科学与资源学院，北京 100083）

【目的】氮素是作物生长发育过程中最重要的营养元素之一，研究叶氮含量反演的有效光谱指标设置，为应用高光谱植被指数反演作物叶氮含量，以及作物的实时监测与精确诊断提供重要依据。【方法】以冬小麦为例，选取涵盖冬小麦全生育期不同覆盖程度225组冠层光谱与叶氮含量数据，通过遥感方法建立模型，模拟了不同光谱指标，即中心波长、信噪比和波段宽度对定量模型的影响，通过模型精度评价指标决定系数（coefficient of determination，R2）、根均方差（root mean square error，RMSE）、平均绝对误差（mean absolute error，MAE）、平均相对误差（mean relative error，MRE）和显著性检验水平（P＜0.01）确定最优模型及最佳指标，分析光谱指标对叶氮含量定量模型反演的敏感性和有效性。【结果】反演冬小麦叶氮含量的最佳植被指数为 MTCI_B，与实测叶氮含量的相关性最好（R2=0.7674，RMSE =0.5511%，MAE =0.4625%，MRE =11.11个百分点，且P＜0.01），对应的最佳指标为中心波长420 nm、508 nm和405 nm，波段宽度1 nm，信噪比大于70 DB；高覆盖状况反演的最优指数为RVIinf_r（R2=0.6739，RMSE =0.2964%，MAE =0.2851%，MRE =6.44个百分点，且P＜0.01），最优中心波长为826 nm和760 nm；低覆盖状况反演的最优指数为MTCI（R2=0.8252，RMSE =0.4032%，MAE =0.4408%，MRE =12.22个百分点，且P＜0.01），最优中心波长为750 nm、693 nm和680 nm；应用最适于高低覆盖的植被指数RVIinf_r和MTCI构建的联合反演模型（R2=0.9286，RMSE =0.3416%，MAE =0.2988%，MRE =7.16个百分点，且P＜0.01），明显优于最佳单一指数MTCI_B；模拟Hyperion和HJ1A-HSI传感器数据，联合反演模型精度（R2为0.92—0.93，RMSE在0.37%—0.39%，MAE为0.285%左右，MRE约为7.00个百分点）明显优于单一植被指数反演精度（R2为0.79—0.81，RMSE为0.63%—0.66%，MAE为0.455%左右，MRE约为10.90个百分点）。【结论】利用高光谱植被指数可有效实现作物叶氮含量反演，作物叶氮含量定量反演对不同光谱指标—中心波长、信噪比和波段宽度，具有较强敏感性。应用多指数联合反演模型，可显著提高反演精度，并且联合反演模型在不同高光谱传感器下有一定普适性。

叶氮反演；光谱指标；冬小麦；植被指数；高光谱遥感

0 引言

【研究意义】氮素（Nitrogen）是直接反映植被营养状况及代谢的重要组分[1]，因此应用高光谱数据，选择适宜反演模型和光谱指标定量反演氮素浓度是快速、无损监测作物叶片氮素营养的关键技术之一，对作物生长状态的精确诊断和实时调控具有重要意义[2-5]。【前人研究进展】TIAN[6]等基于不同氮素水平和多个田间试验，提出了以3个蓝光波段构建的植被指数R434/(R496×R401)，通过光谱反射率与水稻叶层氮浓度相关分析，得出该指数对叶层氮浓度具有较好预测效果；WANG等[7]利用4年小麦和水稻的光谱数据，通过引入423 nm处的蓝波段，对归一化植被指数（NDVI）进行了改进，提出三波段植被指数(R924-R703+2×R423)/(R924+R703-2×R423)，R2分别为0.870和0.857，SE为0.052和0.148，有效提高了反演精度。SHIRATSUCHI等[8]分析了不同灌溉水平植被指数对水分胁迫的影响，表明 MTCI和DATT是受水分胁迫影响最小的植被指数，是用于区分施氮量对玉米氮素营养影响的最佳指标。【本研究切入点】已有研究主要集中于不同植被指数对叶片氮素反演的影响，不同反演模型与不同数据源对植被叶片氮素反演精度的影响还少有定论。本研究以此为切入点，研究不同光谱植被指数和不同光谱指标导致植被反演及光谱敏感性分析的不确定性，即在高光谱观测模式下，缺少中心波长、波段宽度、信噪比光谱指标对叶片氮素反演模型的定量化评估。【拟解决的关键问题】以北京市小汤山冬小麦叶氮含量反演为例，结合光谱重采样和噪声模拟等方法，通过地面模拟试验，研究中心波长、波谱宽度和信噪比指标变化对反演结果的影响，分析不同光谱指数反演作物叶片氮素的敏感性。研究结果有助于确立基于不同高光谱观测模式进行植被叶片氮素营养和生长状况实时监测的关键技术，为不同观测模式下高光谱反演作物叶片氮素关键指标的设计提供依据。

1 材料与方法

1.1 研究区概况

研究区位于北京小汤山国家精准农业示范基地，地处北纬40°10′—40°11′，东经116°26′—116°27′，年平均气温约为14℃，年均降水量约480 mm，属温带大陆性季风气候。研究区内小麦种植面积约为100 hm²，经过科学的管理，2001—2002年研究区内冬小麦整体生长状态良好。

1.2 数据采集与处理

研究采用的数据是涵盖研究区冬小麦全生育周期的冠层光谱和叶片氮素含量数据，采集时间为 2001年4月—6月，2002年4月—5月底。

在预先设定的农田中均布采样点，进行冬小麦光谱和叶片氮含量的测量。冠层光谱测量仪器为 ASD Fieldspec FR2500光谱仪，其光谱分辨率分别为3 nm（350—1000 nm）和10 nm（1 000—2 500 nm），实际采样间隔1 nm。测量时间为北京时间上午10：00—14：00，天气晴朗，无风或者风速很小。探头距地面约130 cm处垂直测定，视场角25°，重复测量，取20次平均值作为每个样本点的冠层光谱数据。冬小麦冠层光谱测量后，同步进行理化组分采样。用半微量凯氏定氮法测定叶片氮含量，每个样品重复测3次，取平均值作为冬小麦叶片氮含量。

选取225组涵盖冬小麦全生育期不同覆盖程度的冠层光谱与叶氮含量数据，随机抽取130组用于研究建模，95组用于模型验证。

1.3 模型与方法

1.3.1 叶片氮含量反演模型 单一植被指数：高光谱植被指数法反演作物叶氮含量是目前最常用的方法之一[9-11]。由于高光谱植被指数往往受不同土壤背景和高覆盖因素影响，导致反演精度较差[9]。通过查阅相关资料及前人研究结果，利用大量实验数据以及结果对比分析，最终优选出14种代表性植被指数（表 1）。其中，在一定程度上能克服土壤背景影响的植被指数有SAVI、OSAVI、TCARI/OSAVI等[12-14]，减少饱和性影响的植被指数有 NDVIg_b、NDRE、CI等[15-17]，减少水分胁迫的植被指数有DATT和MTCI[8,18]。

多指数联合反演模型：单一植被指数会受到土壤背景、饱和性等因素的影响，在作物叶片氮素含量反演应用中具有一定局限性。因此，通过分析植被指数与高低覆盖下叶氮含量的相关性，按照简单、有效、可操作原则，进一步确定分段分界点，进行叶氮含量分段联合反演。

1.3.2 光谱指标适用性分析 通过设置不同波段范围、模拟不同波段宽度和添加高斯白噪声等分析方法，构建不同光谱指标组合下的植被指数，并与实测叶氮含量数据进行相关性分析，研究中心波长、波段宽度、信噪比等光谱指标对模型反演的有效性。

中心波长：选择的中心波长波段范围为Blue（400—460 nm），Green（500—560 nm），Red（620—680 nm），NIR（760—850 nm）以及红边（680—750 nm），用其构建植被指数，分析不同中心波长组合模型估测值与实测叶氮含量的相关性，通过计算模型精度评价指标值确定最优模型及最佳指标。

表1 反演作物叶氮含量的高光谱指数Table 1 Hyperspectral indices for crop leaf nitrogen content inversions

精度评价指标平均绝对误差（MAE）的计算公式：

式中，n为参与计算的样本数，Cmi、Cpi分别为第i个样本的叶氮含量实测值和估测值。

精度评价指标平均相对误差（MRE）的计算公式：

波段宽度：在确定各植被指数最优中心波长基础上，采用高斯分布光谱重采样的方法，得到3、5、10、15和20 nm的波谱分辨率数据，分析不同波谱宽度对反演作物叶片氮素含量的影响。

信噪比：利用图像和信号处理常用的噪声模拟方法，向波段中添加信噪比（SNR）分别为1、5、10、15、20、25、30、35、40、50、60、70、80、90和100 DB的高斯白噪声（Additive White Gaussian Noise），分析适于反演的信噪比设置。

1.3.3 卫星数据模拟与反演模型适用性分析Hyperion和HJ卫星数据是目前常用的有效高光谱数据[23]。结合实测光谱数据，通过光谱响应函数模拟两种卫星高光谱数据。通过模拟数据构建植被指数，分析各光谱指标对模拟数据反演的影响，并运用多植被指数联合反演模型估算叶片氮素含量，分析模型在各传感器平台的适用性。

2 结果

2.1 最优中心波长选择

2.1.1 单一指数最优中心波长选择 通过计算不同中心波长组合构建的指数与叶氮含量的决定系数R2，得到每种指数反演叶氮含量的最优中心波长。表2表明，MTCI_B对于反演冬小麦叶氮含量最优中心波长组合为 420、508和 405 nm，相关性最好，R2=0.7674，RMSE=0.5511%，MAE=0.4625%，MRE=11.11个百分点。进一步分析，其在415—430、500—520和400—410 nm 波段可较好反演冬小麦叶氮含量，R2均达0.72以上。750、690和680 nm附近波段构建的受水分胁迫较小的指数DATT能够较好反演冬小麦叶氮含量，R2=0.7504，RMSE=0.5881%，MAE=0.4633%，MRE=11.81个百分点。本试验中mND705和mSR705反演叶片氮素较好的中心波长组合是 746 nm、698 nm和470 nm。

通过计算相关性和各精度评价指标，进一步分析其他指数可知适用于减少土壤背景指数中心波长位于840—850、740—750、720—730和545—560 nm，R2在0.60—0.70，RMSE在0.63%—0.69%，MAE在0.50%—0.58%，MRE在 12.50—15.60个百分点之间，P＜0.01；适用于减少饱和性指数的中心波长位于 840—850和760—770 nm，R2为0.70—0.75，RMSE在0.59%—0.61%，MAE在0.45%—0.50%，MRE在11.50—11.80个百分点之间，P＜0.01；适用于减少水分胁迫指数的中心波长位于840—850、740—750和680—690 nm，R2为0.70—0.75，RMSE在0.58%—0.62%，MAE在0.45%—0.50%，MRE在11.50—12.50个百分点之间，P＜0.01。

表2 各高光谱指数反演叶氮含量的最优中心波长Table 2 The best center wavelength of hyperspectral indices for leaf nitrogen content inversion

2.1.2 适用于高、低覆盖指数最优中心波长选择 通过大量试验对比分析，不断调整NDVI分界值，得出高低覆盖程度下植被指数与叶氮含量的散点分布图（图 1），发现 NDVI＜0.70采样点的叶氮含量与MTCI_B、MTCI、NDRE等指数相关性较强，R2在0.80以上，RMSE为0.405%左右。而NDVI≥0.70采样点的叶氮含量与RVIinf_r、CHIrededge、MSR等指数相关性较强，R2在0.67以上，RMSE在0.280%左右。最后逐点对比，参考野外采集点照片，将样本点分为高低覆盖两种样本集。分别按照单一指数中心波长选择以及最优指数确定的方法，对适用于高低覆盖的植被指数及其最优中心波长进行选择。

图1 高低覆盖下优选指数与叶氮含量图Fig. 1 Scatterplot between optimal indexes and leaf nitrogen content of high and low degree of coverage

针对高低覆盖两种样本集，分别计算各指数最优中心波长组合，如表3、4所示。根据相关性及模型精度评价指标，进一步分析表3可得MTCI和MTCI_B是比较适于低覆盖的植被指数，反演的最佳中心波长组合分别为750、693、680 nm和420、511、401 nm，R2在0.80以上，RMSE在0.403%—0.426%，MAE在0.440%—0.470%，MRE在12.0—13.0个百分点之间，P＜0.01；在低覆盖下，适宜于土壤调节性指数SAVI和 OSAVI的中心波长在 840—850 nm和 760—770 nm，相关性较高且较稳定。

同理，进一步分析表4可得，RVIinf_r和CHIrededge是比较适宜高覆盖反演的植被指数，最优中心波长组合均为826 nm和760 nm；RVIinf_r和CHIrededge可在820—835 nm和750—760 nm波段范围较好反演高覆盖叶氮含量，R2均在0.65以上，较稳定，RMSE在0.296%—0.313%，MAE在0.285%—0.290%，MRE在6.40—6.45个百分点之间，P＜0.01；在高覆盖下，能有效克服饱和性指数RVIinf_r、NDRE和CHIrededge的最佳中心波长位于820—830 nm和760—770 nm，R2较稳定，均为0.65以上；适宜高覆盖反演的植被指数相关性普遍低于适宜低覆盖指数的相关性。

通过计算各指数在高低不同覆盖下最优中心波长的差值，得到图 2。结果表明，各指数最适宜高低覆盖的最佳中心波长有所差异，即各指数在不同覆盖条件下敏感波段不同；高低覆盖下最优中心波长差值较大的三个指数分别为MTCI、mND705和mSR705，表明这3个指数对不同覆盖程度叶氮含量较敏感；MTCI 3个波段差值均较大，近红外波段差值最大，为98 nm；mND705和 mSR705指数仅在近红外波段差值较大，为120 nm，其他两波段最优中心波长差值分别为 8 nm和0 nm；其余指数在不同覆盖条件下最优中心波长较一致，差值在0—20 nm，且存在差异波段一般为近红外波段。

表3 低覆盖情况下各高光谱指数的最优中心波长Table 3 The best center wavelength of hyperspectral indices for low coverage

表4 高覆盖情况下各高光谱指数的最优中心波长Table 4 The best center wavelength of Hyperspectral indices for high coverage

2.2 信噪比对植被指数反演的适用性分析

由图3可知信噪比（SNR）在20 DB时，指数MTCI和mND705的R2相对变化量开始下降，且在20—50 DB，决定系数R2变化量下降明显，在SNR=50 DB时，相对于无噪声数据而言，R2变化幅度不超过5%，且 P＜0.01，表明这些指数具有较好抗噪能力，能适用于有噪声干扰环境的叶片氮素含量反演；指数DATT、MTCI_B和NDVIg_b的R2变化量分别在SNR= 35、40和50 DB时开始下降，R2变化量在信噪比SNR≥70 DB时降到5%左右，抗噪能力相对较差；指数TCARI/OSAVI在SNR=35 DB时，R2开始急剧下降，R2变化量在50 DB时降至5%以下，表明其对信噪比指标变化最敏感；相对于无噪声数据而言，其余指数R2变化量在SNR＞50 DB后均降至10%及以下，表现出较好抗噪能力。

图2 各指数在高低覆盖下最优中心波长差值（高覆盖值-低覆盖值）Fig. 2 The histogram of best center wavelength difference for each index (the value of high-low coverage)

图3 不同信噪比下植被指数与叶氮含量的决定系数变化Fig. 3 The change in coefficient of determination of measured leaf nitrogen and VIs under different SNR

图4为模拟Hyperion和HJ1A-HIS卫星数据下不同信噪比对各指数的影响。由于HJ1A-HSI和Hyperion卫星图像光谱没有小于450 nm的波段数据，因此，在分析卫星数据时，将指数MTCI_B排除，应用剩余13个指数进行分析。结果表明信噪比对模拟的卫星数据与实测数据整体影响表现一致，SNR在0—20 DB时，R2相对变化量均较大，维持在90%—100%；20—70 DB是R2变化量的下降区间；70 DB以后，各指数R2相对变化量基本降为 0%；指数 DATT和 NDVIg_b在SNR=35和40 DB时，R2相对变化量开始下降，与实测数据一致，但模拟数据中指数DATT在信噪比为60 DB时，R2相对变化量已降至5%左右，表现较好；与实测数据不同，TCARI/OSAVI在SNR=40—60 DB时，R2急剧下降，下降区间向后推迟10 DB，且在SNR＞60 DB之后表现较佳；模拟 Hyperion数据时，指数MTCI和mND705的优势消失；而指数mSR705较实测数据表现更佳，在SNR=50 DB时，R2相对变化量降至5%以下，而在实测数据中，SNR=60 DB时，R2变化量才降至 5%；相对于实测数据，模拟数据中各指数的变化趋势及变化范围更一致，尤其对于模拟的Hyperion数据。

2.3 波段宽度对植被指数反演的适用性分析

由图 5可知适于减少土壤背景影响的植被指数SAVI和OSAVI受波段宽度影响较大，最适宜的波段宽度小于等于10 nm，在波段宽度大于5 nm以后，R2相对变化量开始显著增大，且相比其余指数，随波谱宽度增加，R2相对变化量呈明显上升趋势；对于NDVIg_b、mND705、mSR705等指数，适宜的波宽数据可达20 nm及以上，随波段宽度的增加，其R2变化量很小，当波宽大于5 nm时，R2变化量呈现小幅上升，波宽为20 nm时，R2变化量仍小于5%；不同波段宽度数据构建的植被指数，在波谱宽度小于15 nm时，R²变化量均小于10%且P＜0.01。因此，适宜反演的波段宽度一般不超过15 nm，10 nm以内最佳，各指数的反演精度不随波段宽度的增加而明显降低。

图4 不同信噪比下模拟卫星数据各指数与叶氮含量的决定系数变化Fig. 4 The change in coefficient of determination of measured leaf nitrogen and VIs for simulating data under different SNR

图 5 不同波段宽度下植被指数与叶氮含量的决定系数变化Fig. 5 The change in coefficient of determination of measured leaf nitrogen and VIs under different band width

图6为模拟Hyperion和HJ1A-HSI卫星数据下不同波宽数据对各植被指数的影响。结果表明与实测数据一致，能有效减少土壤背景影响的指数 SAVI和OSAVI受波段宽度影响较大；NDVIg_b、mND705、mSR705等指数适宜的波宽数据同样可达 20 nm及以上，随波段宽度增加，R2变化量呈小幅上升趋势，波宽为 20 nm时，R2变化量仍小于 5%；对于模拟的Hyperion数据，各指数R2相对变化量在波宽大于10 nm时才有显著上升趋势，而对于模拟的HSI数据，各指数R2相对变化量在波宽大于5 nm时就开始大幅上升，模拟的 HSI数据中各指数 R2相对变化量普遍高于Hyperion数据，约为Hyperion数据R2变化量的两倍；对模拟的Hyperion数据适宜反演的波段宽度一般不超过20 nm，15 nm以内最佳，波谱宽度小于20 nm时各指数R²变化量均小于10%且P＜0.01；对模拟的HSI数据，适宜反演的波段宽度一般不超过15 nm，10 nm以内最佳；各指数反演精度不随波段宽度的增加而明显降低。

2.4 多指数联合反演叶片氮素分析

2.4.1 联合反演模型在实测数据的应用 在最优中心波长选择分析的基础上和不考虑噪声的条件下，选择表3、表4中最适宜高、低覆盖情况的两指数RVIinf_r和MTCI作为联合反演的植被指数，其中，RVIinf_r的光谱指标为中心波长826 nm和760 nm，波谱宽度1 nm，MTCI的中心波长为750 nm、693 nm和680 nm，波谱宽度1 nm。

结果表明，以RVIinf_r和MTCI建立的联合反演模型（表5），能有效提高反演精度，其决定系数R2达到0.9286，RMSE=0.3416%，MAE=0.2988%，MRE=7.16个百分点且 P＜0.01。对比最优单一植被指数各模型精度评价指标均显著提高。

图6 不同波段宽度下模拟卫星数据植被指数与叶氮含量的决定系数变化Fig. 6 The change in coefficient of determination of measured leaf nitrogen and VIs for simulating data under different band width

应用验证数据集的95组样本进行验证，验证结果如图7所示。反演的最佳单一植被指数为MTCI_B，R2=0.8408，各精度评价指标分别为RMSE=0.5237%，MAE=0.4336%，MRE=10.38个百分点且P＜0.01。应用RVIinf_r和MTCI构建的多植被指数联合反演模型，R2=0.9316，RMSE=0.3524%，MAE=0.2995%，MRE=7.20个百分点且 P＜0.01，其模型精度明显优于最佳单一植被指数MTCI_B。

图7 模型反演结果Fig. 7 The inversion result of model

2.4.2 联合反演模型在模拟卫星数据的应用 联合反演模型在模拟卫星传感器数据中的应用，如图8、9所示。结果表明对于模拟的Hyperion卫星传感器数据，最优单一植被指数NDVIg_b的决定系数R2=0.8060，各模型评价指标分别为RMSE=0.6315%，MAE=0.4538%，MRE=10.68个百分点；对于联合反演模型，决定系数R2提高到 0.9270，各精度评价指标分别为 RMSE= 0.3892%，MAE=0.2882%，MRE=7.02个百分点，结果明显优于单一植被指数模型；对模拟的HSI卫星传感器数据，指数 NDVIg_b决定系数 R2=0.7951，RMSE=0.6546%，MAE=0.4587%，MRE=11.03个百分点；应用多指数联合反演模型，R2高达0.9349，RMSE=

0.3734%，MAE=0.2814%，MRE=6.91个百分点，模型精度得到显著提高，且相比于Hyperion数据，HSI数据结果更优；应用结果表明在不同光谱指标设置的传感器下联合反演模型具有较好适用性。

表5 反演叶氮含量的最佳高光谱指数与模型Table 5 The best hyperspectral indices for leaf nitrogen content inversions

图8 模拟Hyperion数据反演结果Fig. 8 The inversion result of simulating Hyperion data

图9 模拟HSI数据反演结果Fig. 9 The inversion result of simulating HSI data

3 讨论

为了满足面向叶氮含量反演的不同观测模式需求，需要对光谱指标适用性进行有效评估。本研究重点定量分析了不同光谱植被指数对反演冬小麦叶氮含量的影响，研究了光谱指标设置对光谱植被指数反演的有效性和适用性。

反演冬小麦叶氮含量的最优中心波长随植被指数和作物种类的不同而有所差异，以3个蓝光波段构建的植被指数MTCI_B是应用单一植被指数反演效果最好的指数，与 TIAN[6]等的研究结果一致。本试验中mND705和mSR705的最优中心波长与定义的750 nm、705 nm和445 nm有所差异，原因是SIMS等[19]在提出修正指数mND705和mSR705时，研究对象为美国加州地区树木的叶绿素，因此针对北京地区冬小麦叶氮含量反演，该指数最优中心波长为 746 nm、698 nm和470 nm。

对样本数据进行对比分析，NDVI≥0.70的数据均为4月中旬到5月中旬采集，为小麦生长最旺盛时期。因此，将NDVI是否大于0.70作为区别采样区高低覆盖状态的判断依据，与前人研究结果一致[24-25]。不同覆盖程度下，各指数反演叶片氮素的效果不同，且同一植被指数在不同覆盖程度下最佳中心波长亦存在差异。

在噪声分析中，各指数的抗噪声能力规律明显。随信噪比增加，各指数R2相对变化量呈递减趋势。其中，MTCI和mND705的抗噪能力最好，能适用于有噪声干扰环境的叶片氮素反演。在实际应用中，不同程度噪声的数据应注意选择不同指数进行反演，以得到最佳的反演效果。

相比于噪声而言，波段宽度对指数反演冬小麦叶氮含量的影响较小，并且各指数反演精度不随波段宽度增加而明显降低。因此，当试验数据的波宽数据不大于15 nm情况下，反演冬小麦叶片氮素含量可以得到较好效果。

基于 HJ1A-HSI与 Hyperion卫星的光谱响应函数，结合实测地面高光谱数据，对卫星传感器数据进行模拟，结果表明模拟传感器数据和真实数据下各指数反演结果基本一致，在不考虑图像质量、大气、噪声等情况下，反演模型在各传感器数据下具有较好适用性。在信噪比及波段宽度指标分析中，Hyperion和HSI传感器数据结果存在差异的原因是HSI数据平均光谱分辨率为4.23 nm，Hyperion光谱分辨率为10 nm。

此外，本文是通过地面模拟试验进行的，更多考虑光谱指标对反演的影响，但在实际传感器设置中，需要考虑大气、空间分辨率、传感器信噪比等复杂因素的影响。

4 结论

4.1 中心波长为420 nm、508 nm和405 nm，波段宽度为1 nm，信噪比大于70 DB的植被指数MTCI_B是用于反演的最佳单一植被指数。

4.2 对于减少饱和性影响的NDRE和CHIrededge等植被指数而言，适于反演的中心波长位于840—850 nm和760—770 nm，波段宽度一般小于10 nm，信噪比大于60 DB。

4.3 对于减少土壤背景影响的 SAVI和 TCARI/ OSAVI等指数，适宜中心波长位于840—850 nm、740—750 nm、720—730 nm和545—560 nm，波段宽度一般小于5 nm，信噪比大于50 DB。

4.4 RVIinf_r是反演高覆盖状况叶氮含量最好的指数，最优中心波长为826 nm和760 nm，可在826—835 nm和750—760 nm波段较好反演高覆盖叶氮含量；MTCI是反演低覆盖状况最好的指数，中心波长为750 nm、693 nm和680 nm，并且应用两者建立的多指数联合反演模型，显著提高了反演精度。

4.5 通过模拟高光谱传感器数据，表明联合反演模型在不同光谱指标的高光谱平台下有较好适用性。

[1] ZHU Y, LI Y X, FENG W, TIAN Y C, YAO X, CAO W X. Monitoring leaf nitrogen in wheat using canopy reflectance spectra, Canadian Journal of Plant Science, 2006, 86(4): 1037-1046.

[2] 李振海, 徐新刚, 金秀良, 张竟成, 宋晓宇, 宋森楠. 基于氮素运转原理和GRA-PLS算法的冬小麦籽粒蛋白质含量遥感预测. 中国农业科学, 2014, 47(19): 3780-3790.

LI Z H, XU X G, JIN X L, ZHANG J C, SONG X Y, SONG S N. Remote sensing prediction of winter wheat protein content based on nitrogen translocation and GRA-PLS method. Scientia Agricultura Sinica, 2014, 47(19): 3780-3790. (in Chinese)

[3] FENG W, YAO X, ZHU Y, TIAN Y C, CAO W X. Monitoring leaf nitrogen status with hyperspectral reflectance in wheat. European Journal of Agronomy, 2008, 28(3): 394-404.

[4] 袁金国, 牛铮. 基于Hyperion高光谱图像的氮和叶绿素制图. 农业工程学报, 2007, 23(4): 172-177.

YUAN J G, NIU Z. Nitrogen and chlorophyll mapping based on Hyperion hyperspectral image. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23(4): 172-177. (in Chinese)

[5] BOEGH E, SOEGAARD H, BROGE N, HASAGER C B, JENSEN N O, SCHELDE K, THOMSEN A. Airborne multispectral data for quantifying leaf area index, nitrogen concentration, and photosynthetic efficiency in agriculture. Remote Sensing of Environment, 2002, 81(2): 179-193.

[6] TIAN Y C, YAO X, YANG J, CAO W X, HANNAWAY D B, ZHU Y. Assessing newly developed and published vegetation indices for estimating rice leaf nitrogen concentration with ground-and spacebased hyperspectral reflectance. Field Crops Research, 2011, 120(2): 299-310.

[7] WANG W, YAO X, YAO X F, TIAN Y C, LIU X J, NI J, CAO W X, ZHU Y. Estimating leaf nitrogen concentration with three-band vegetation indices in rice and wheat. Field Crops Research, 2012, 129(11): 90-98.

[8] SHIRATSUCHI L, FERGUSON R, SHANAHAN J, ADAMCHUK V, RUNDQUIST D, MARX D, SLATER G. Water and nitrogen effects on active canopy sensor vegetation indices. Agronomy Journal, 2011, 103(6): 1815-1826.

[9] 王莉雯, 卫亚星. 植被氮素浓度高光谱反演研究进展. 光谱学与光谱分析, 2013, 33(10): 2823-2827.

WANG L W, WEI Y X. Progress in inversion of vegetation nitrogen concentration by hyperspectral remote sensing. Spectroscopy and Spectral Analysis, 2013, 33(10): 2823-2827. (in Chinese)

[10] HERRMANN I, KARNIELI A, BONFIL D J. SWIR-based spectral indices for assessing nitrogen content in potato fields. International Journal of Remote Sensing, 2010, 31(19): 5127-5143.

[11] HABOUDANE D, MILLER J R, TREMBLAY N, ZARCO-TEJADA P J, DEXTRAZE L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, 2002, 81(2/3): 416-426.

[12] HUETE A, DIDAN K, MIURA T, RODRIGUEZ E P, GAO X, FERREIRA L G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sensing of Environment, 2002, 83(1): 195-213.

[13] RONDEAUX G, STEVEN M, BARET F. Optimization of soiladjusted vegetation indices. Remote Sensing of Environment, 1996, 55(2): 95-107.

[14] WU C Y, NIU Z, TANG Q, HUANG W J. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Agricultural and Forest Meteorology, 2008, 148(8): 1230-1241.

[15] 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. Remote Sensing of Environment, 2003, 86(4): 542-553.

[16] FITZGERALD G, RODRIGUEZ D, O’LEARY G. Measuring and predicting canopy nitrogen nutrition in wheat using a spectral index-The canopy chlorophyll content index (CCCI). Field Crops Research, 2010, 116(3): 318-324.

[17] GUPTA R K, VIJAYAN D, PRASAD T S. New hyperspectral vegetation characterization parameters. Advances in Space Research, 2001, 28(1): 201-206.

[18] DASH J, CURRAN P J. MTCI: The MERIS terrestrial chlorophyll index. International Journal of Remote Sensing, 2004, 25(23): 5403-5413.

[19] SIMS D A, GAMON J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 2002, 81(2): 337-354.

[20] CHEN J M. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing, 1996, 22(3): 229-242.

[21] YAO X, ZHU Y, TIAN Y C, FENG W, CAO W X. Exploring hyperspectral bands and estimation indices for leaf nitrogen accumulation in wheat. International Journal of Applied Earth Observation and Geoinformation, 2010, 12(2): 89-100.

[22] GITELSON A A, VINA A, CIGANDA V, RUNDQUIST D C, ARKEBAUER T J. Remote estimation of canopy chlorophyll content in crops. Geophysical Research Letters, 2005, 32(8): 93-114.

[23] 王来刚, 王备战, 冯伟, 郑涛, 冯晓, 郑国清. SPOT-5与HJ遥感影像用于冬小麦氮素监测的效果对比. 麦类作物学报, 2011, 31(2): 331-336.

WANG L G, WANG B Z, FENG W, ZHENG T, FENG X, ZHENG G Q. Comparative analysis of monitoring winter wheat nitrogen with SPOT-5 and HJ image. Journal of Triticeae Crops, 2011, 31(2): 331-336. (in Chinese)

[24] CARLSON T N, RIPLEY D A. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sensing of Environment, 1997, 62(3): 241-252.

[25] LU H, RAUPACH M R, MCVICAR T R, BARRETT D J. Decomposition of vegetation cover into woody and herbaceous components using AVHRR NDVI time series. Remote Sensing of Environment, 2003, 86(1): 1-18.

（责任编辑 杨鑫浩）

Sensitivity of Different Spectral Vegetation Index for Estimating Winter Wheat Leaf Nitrogen

ZHANG XiaoYuan1,2, ZHANG LiFu1, ZHANG Xia1, WANG ShuDong1, TIAN JingGuo1, ZHAI YongGuang1
(1Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101;2School of Earth Sciences and Resources, China University of Geosciences, Beijing 100083)

【Objective】Nitrogen is one of the most important nutrients in crop growth and development. The objective of this paper is to study the setting of effective index of leaf nitrogen content inversion in order to provide an important basis for the application of hyperspectral vegetation index of leaf nitrogen content estimation, and for real-time monitoring and accuratediagnosis of crops.【Method】A total of 225 groups of canopy reflectance and leaf nitrogen content data which covering the whole winter wheat growth period and under different levels of coverage, were collected to simulate different spectral index like different central wavelengths, SNR and band width indicators, and to analyze the influence of different observation pattern on quantitative models. And then, the indicators of accuracy evaluation, coefficient of determination, root mean square error, mean absolute error, mean relative error and P＜0.01 were used to select the optimal model and the best indicators, and the sensitivity and effectiveness of leaf nitrogen content quantitative models inversion were analyzed with different spectral indicators.【Result】MTCI_B was the best vegetation index for leaf nitrogen content inversion with the center wavelengths of 420 nm, 508 nm and 405 nm, band width of 1nm, SNR greater than 70 DB; the correlation with measured nitrogen content was preferably (R2=0.7674, RMSE=0.5511% , MAE=0.4625%, MRE=11.11 percentage points and P＜0.01). RVIinf_rwas the best index for inversion of high coverage with the optimal center wavelengths 826 nm and 760 nm (R2=0.6739, RMSE=0.2964%, MAE=0.2851%, MRE=6.44 percentage points and P＜0.01). MTCI was the best index for inversion of low coverage nitrogen (R2=0.8252, RMSE=0.4032%, MAE=0.4408%, MRE=12.22 percentage points and P＜0.01), corresponding to the optimal center wavelengths 750 nm, 693 nm and 680 nm. Using hyperspectral vegetation indexes RVIinf_rand MTCI to build a joint inversion model, the model accuracy evaluation result (R2=0.9286, RMSE=0.3416%, MAE=0.2988%, MRE=7.16 percentage points and P＜0.01) was significantly better than the best single index MTCI_B. When the optimal model was used to simulate Hyperion and HJ1A-HSI data, the accuracy of the joint model (R2reached 0.92-0.93, RMSE were between 0.37%-0.39%) was better than the single vegetation index (R2were 0.79-0.81, RMSE were between 0.63%-0.66%).【Conclusion】A good estimation of crop leaf nitrogen content could be realized by using hyperspectral vegetation index, quantitative inversion of crop leaf nitrogen content had a strong sensitivity with different spectral indexes, center wavelength, SNR, and band width. Application of multi-exponential joint inversion model significantly improved the accuracy of the inversion. And the joint inversion model had a certain degree of universality in different hyperspectral sensors.

leaf nitrogen inversion; spectral index; winter wheat; vegetation index; hyperspectral remote sensing

2016-06-16；接受日期：2016-09-30

国家自然科学基金（41371359，41671362）、广西空间信息与测绘重点实验室开放基金（151400727）、高分辨率对地观测系统重大专项（30-Y30B13-9003-14/16，11-Y20A40-9002-15/17）

联系方式：张潇元，E-mail：zhangxy_16@163.com。通信作者王树东，E-mail：wangsd@radi.ac.cn