基于高光谱的渭北旱塬区棉花冠层叶面积指数估算

齐雁冰，楚万林，解飞，陈洋，常庆瑞

（西北农林科技大学资源环境学院，陕西杨凌712100）

基于高光谱的渭北旱塬区棉花冠层叶面积指数估算

齐雁冰，楚万林，解飞，陈洋，常庆瑞

（西北农林科技大学资源环境学院，陕西杨凌712100）

以棉花冠层高光谱反射率与冠层叶片叶面积指数（LAI）为数据源，在分析LAI与原始高光谱反射率、一阶微分光谱反射率、光谱提取变量和植被指数相关性的基础上，采用一元线性与多元回归的方法构建了棉花LAI高光谱估算模型，并进行精度估算。结果显示，在可见光范围内随着生育期的推进及施氮量的增加冠层光谱反射率逐渐降低，在近红外范围内从苗期到花铃期随着施氮量增加反射率逐渐增加，花铃期到吐絮期反射率明显降低；各生育期冠层光谱的提取变量与LAI的相关性不强，全生育期各种光谱提取量及植被指数与LAI的相关性高于不同生育期；棉花冠层叶片LAI在反射光谱1 461 nm处相关系数达到最大值（r＝－0.726）；对于一阶微分光谱，LAI的敏感波段发生在742 nm处，r＝0.744；以敏感波段742 nm一阶微分光谱反射率建立的逐步回归估算模型精度最高，RMSE＝0.94，RE＝26.27%，r＝0.78。说明以全生育期为基础，采用一阶微分光谱敏感波段，并根据实际条件选择有效的估测模型，可以进行棉花LAI的预测。

棉花；叶面积指数；高光谱；植被指数

绿色植物通过叶片进行光合作用，叶面积指数（Leaf Area Index，LAI）既是光合作用强度及生物量估算的重要参数，又是反应植物养分循环及健康状况的重要指标［1］。在小尺度范围内植被LAI的获取方法相对成熟，而对于大尺度上植被LAI的监测而言，遥感技术的发展提供了一种无损、快速的获取方法，通过植被光谱反射率与LAI的关系，构建基于高光谱数据的LAI反演模型，能够及时了解作物的生长信息，对作物的精确管理具有重要意义［2］。

自20世纪70年代Wiegand等［3］开始进行LAI与光谱反射率之间关系研究以来，学者们就LAI的高光谱估算开展了大量的工作，主要集中在：（1）不同生产措施及不同生育期农作物的冠层光谱特性［4－5］；（2）以原始光谱反射率或者一阶导数光谱反射率为基础数据，求得LAI的敏感波段，并以此波段作为自变量建立回归方程，对LAI进行估测［6－7］；（3）以植被指数光谱数据的不同变换形式中的一种或几种作为估测LAI的变量，通过相关分析，确定这些不同变化形式的光谱数据与LAI的相关性，进而建立LAI的预测模型［8－10］。农作物在田间的生长状况受到光、温、水及管理措施等众多因素的影响，因此基于高光谱的农作物LAI模型估算是一个复杂的过程，其结果受到光谱处理方法、回归方法及所选指标灵敏性的影响，只有在对模型各种影响因素系统分析对比的基础上，才能筛选出适宜的估算模型。同时学者们开展研究的农作物通常包括小麦［11－13］、水稻［14－16］、玉米［17－18］等粮食作物，由于棉花种植的区域性较强，开展的研究相对较少。

棉花的生产管理较其他农作物相对繁琐和复杂，因此我国棉花种植区域有所缩减，主要向新疆地区集中，而对于棉花LAI与光谱反射的关系研究区域主要集中在新疆地区［19－21］，对渭北旱塬区棉花冠层LAI的研究尚未见到，因此，本研究将试验区设置在渭北旱塬区，对不同施氮水平下的棉花冠层光谱反射特性进行分析，以单波段的原始光谱反射率和一阶微分光谱反射率作为自变量与LAI进行相关性分析，筛选出LAI的敏感波段，并进一步以原始光谱、一阶微分光谱及光谱数据的不同变化形式作为自变量，建立LAI的估算模型，并全面对比所建立模型进行棉花冠层LAI估测的精度，确定能够较好进行LAI估算的光谱变量，为大面积、无损和及时获取棉花冠层LAI信息提供理论依据。

1 材料与方法

1.1 试验设计

试验于2014年在陕西省乾县齐南村进行。该区地处渭北旱源区，属暖温带大陆性季风气候，冬天冷夏天热，春秋温暖，四季分明，气候温和，光、热资源较丰富，全年平均降水量为525.8 mm，年平均气温12.7℃，≥10℃积温3 470.3℃，为一年一熟制，以小麦和玉米种植为主，间有油菜与棉花，土壤类型以黄绵土为主。供试品种为鲁棉研28号，每个小区面积为30 m2，设置5个氮肥梯度，分别为N0（不施氮）、N1（37.5 kg·hm－2纯氮）、N2（75 kg·hm－2纯氮）、N3（112.5 kg·hm－2纯氮）、N4（150 kg·hm－2纯氮），每个梯度设置3个重复，随机排列，氮肥在播种前以碳铵一次性施入，其管理方式按照常规大田管理方式。棉花种植方式为地膜覆盖垄种，行距为30 cm，待棉花出苗20天后定株距为20 cm。

1.2 冠层光谱数据采集与叶面积指数的测定

使用美国SVCHR 1024i型便携式高光谱仪，波段范围是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。选择试验区各施肥梯度大田内不同长势且无病虫危害的样本点，分别在棉花苗期（06－20）、现蕾期（07－15）、开花期（08－05）、花铃期（08－25）、盛铃期（09－15）、吐絮期（10－04）等关键生育时期进行棉花群体冠层光谱测定，测定时间选择在晴朗无云无风的11∶00—14∶00之间，测定前经参考板（白板）标定，传感器探头垂直向下，距离棉花冠层顶部约1m，光谱仪视场角选用8°，光谱扫描时间设定在5 s，每样点测5条曲线，最后用其平均值作为该样点的光谱反射值。本研究采用Boxcar平滑对原始光谱进行去噪处理，平滑半径为5。

叶面积指数的测定是采用冠层分析仪（CI－110），测定时位置与冠层光谱测定位置相同，选择同步测量，分8个方向进行测量，以平均值作为该点的叶面积指数，每个小区内3个样点的平均值作为该小区的叶面积指数值。由于前期植株较小及到后期受棉絮的影响，我们只在现蕾期、开花期、花铃期和盛铃期4个生育期测定冠层叶面积指数。

1.3 模型参数的选取

为建立不同光谱参数的棉花冠层LAI预测模型，评价不同模型的预测精度，进而筛选出预测LAI的特征变量和最优模型，本研究采用3类高光谱特征参数进行构建模型：

（1）LAI对于原始光谱和一阶微分光谱的敏感波段，以及350～1 100 nm范围内的原始光谱反射率和一阶微分光谱反射率。

光谱的一阶微分方法是对原始反射光谱进行一阶微分，近似计算方法是：式中，λi为通道i处的波长值；R（λi）为波长λi处的光谱反射值；Δλ为相邻波长间隔。

（2）常用植被指数：比值植被指数、归一化植被指数、垂直植被指数、差值植被指数、土壤调整植被指数、转换型土壤调整指数、修改型二次土壤调整指数、再归一化植被指数。计算方式如下：

比值植被指数（RVI）

归一化植被指数（NDVI）

垂直植被指数（PVI）

差值植被指数（DVI）

土壤调整植被指数（SAVI）

转换型土壤调整指数（TSAVI）

修改型二次土壤调整指数（MSAVI2）

再归一化植被指数（RDVI）

式中，R为光谱反射率；NIR为近红外范围内第一个拐点对应的波长，Red为红谷位置对应的波长。L为调整系数，L＝0.5，ɑ、b为土壤线系数，ɑ＝10.489，b＝6.604［22］。

（3）基于原始光谱与一阶微分光谱的提取变量，见表1。

表1 部分光谱变量描述Table 1 Describes of partof the spectrum variables

1.4 数据处理

相关性分析和逐步回归分析、模型的构建、模型的检验、作图等采用Excel 2010与SPSS19.0完成。用标准差加减三倍标准差方法异常值剔除后，本研究共选取148个样本，其中128个作为测试样本，20个作为精度检验样本。

2 结果与分析

2.1 生育期内棉花冠层光谱反射特征

由图1可知，在棉花生育期内不同波段上光谱反射率差异明显，在可见光范围内，随着生育期的推进冠层光谱反射率逐渐降低，到吐絮期达到最小，而在近红外范围内，从苗期到花铃期反射率逐渐增加，花铃期到吐絮期反射率明显降低，这与棉花冠层叶面积及叶片结构的变化相关。棉花从苗期到花铃期地表覆盖度增加，叶面积及叶片含水量累积量增大，从而增强了对近红外的反射与对可见光的吸收，而在盛铃期与吐絮期，棉花基本停止营养生长，光合作用不断减弱，导致冠层光谱反射率不断降低。不同的施氮水平对棉花光谱反射率也具有明显的影响（图2，以吐絮期为例），在可见光范围内随施氮量的增加而呈现降低的趋势，这主要是由于叶面积随着施氮水平的提高而有增大的趋势，而叶面积与叶绿素等色素含量对植被在可见光范围内的光谱反射率具有明显影响。冠层光谱反射率在近红外范围内随施氮量增加呈现明显的增长趋势，与施氮量关系密切。

图1 不同生育时期冠层光谱反射率Fig.1 Canopy spectral reflectance in differentgrowth stage

2.2 叶面积指数与光谱特征参量的相关分析

以棉花现蕾期、开花期、花铃期、盛铃期等4个时期为例，由表2可知，各生育期冠层光谱的提取变量与LAI的相关性不强，现蕾期各光谱提取变量与叶面积指数相关性均不显著，在开花期、花铃期、盛铃期与LAI相关性最大的变量分别为Rg／Rr（r＝0.375）、红谷幅值Rr（r＝－0.379）、（Rg－Rr）／（Rg＋Rr）（r＝0.459），但这几个时期的相关性不显著。在对全生育期冠层提取变量与叶面积指数的分析中，相关性明显比单生育期LAI与变量的相关性强，与LAI相关性最大的变量是SDr／SDb，相关系数为0.601，达到极显著水平。在对叶面积指数进行估测时应利用全生育期冠层高光谱数据建立预测模型。

图2 吐絮期不同施氮水平下冠层光谱反射率Fig.2 Canopy spectral reflectance in different N treatment in the ball opening stage

利用相关性较大的光谱提取变量建立叶面积指数的回归方程，分别建立线性、一元二次、指数、幂函数、对数5种回归方程，从中选取确定系数（R2）最大的列于表3中，可以看出，以整个生育期变量SDr／SDb建立的幂函数回归方程确定系数最大，为0.3713，达到极显著水平，全生育期建立的叶面积回归方程比分时期建立的回归方程估测效果好，与上面相关性的分析结果一致，但利用全生育期提取变量建立的回归方程确定系数也不高。

2.3 叶面积指数与敏感波段的相关分析

本研究将棉花现蕾期、开花期、花铃期、盛铃期等4个关键生育期共128个测试样本的冠层光谱反射率与对应的叶面积指数进行了相关性分析，如图3所示，原始光谱与叶面积指数在1 461 nm处呈现最大的负相关，相关性系数为－0.726，一阶微分光谱与叶面积指数在742 nm处呈现最大正相关，相关性系数为0.744，一阶微分光谱与LAI的最大相关性高于原始光谱与LAI的最大相关性，将叶面积指数的两个敏感波段R1461、DR742作为单一自变量分别建立LAI的估测方程，由图4a可知，叶面积指数与R1461建立的回归方程，以指数形式的回归方程确定系数最高，为0.5347，由图4b可知，叶面积指数与DR742建立的回归方程，以一元线性形式的回归方程确定系数最高，为0.5539，均达到了极显著的水平，且确定系数较高，可以用来估测棉花的叶面积指数。

表2 不同生育期棉花叶面积指数与光谱变量的相关性系数Table 2 Correlation coefficient of cotton LAIand spectral variables in differentgrowth stages

表3 冠层光谱提取变量与叶面积指数的回归方程Table 3 The regression equations of LAIand spectral variables

2.4 叶面积指数估算模型精度分析

如表4所示，可以看出基于全生育期的原始光谱敏感波段以及一阶微分光谱敏感波段建立叶面积指数估测模型的RMSE均较低，分别为0.96和0.94，预测值与实测值之间的相关性系数相似，均达到1%的极显著水平，但估测精度不同，分别为52.91%与73.73%，因此，以一阶微分光谱敏感波段DR742为变量建立的一元线性回归方程对棉花叶面积指数的估测精度较高，可以用该模型对棉花叶面积指数进行反演。

图3 叶面积指数与原始光谱和一阶微分光谱的相关性Fig.3 Correlationship of LAIwith raw reflectance and first derivative reflectance

图4 叶面积指数（LAI）预测回归方程Fig.4 The predict regression equations of LAI

表4 棉花叶面积指数估算模型精度分析Table 4 The accuracy of estimationmodels of cotton leaf area index

图5 棉花叶面积指数估算值与实测值分布Fig.5 Distribution of estimated andmeasured of cotton leaf area index

对筛选出的预测模型的预测值与实测值间的关系作图分析，从图5可以看出，以DR742为变量的预测值与实测值分布较优，以变量R1461建立的模型的预测值偏离实测值相对较大，估测效果不佳。

3 讨论

农作物的反射光谱特征与其生理特点息息相关，因此通过反射光谱特征的观测及对各种生理参数进行反演，进而根据光谱的差异对农作物生长状况进行检测，这也是近年来高光谱遥感在农作物生长环境监测中最为重要的应用方面。唐延林等［23］的研究表明随着棉花发育期的推移，冠层光谱反射率在可见光波段逐渐降低，在近红外区域增高，本研究的结果显示冠层光谱反射率由花铃期到吐絮期在可见光谱段逐渐降低，在近红外范围内逐渐升高，与以上结果一致，原因在于在可见光波段光谱反射率主要受叶绿素等色素的影响［24］，而在近红外区域，光谱反射率受到冠层叶片细胞的排列方式与植被整体结构影响较大［25］，与棉花长势密切相关。

植被指数可以指示地表植被的盖度及其生长状况，通常是由地面光谱中红外和近红外区域光谱反射率进行线性或非线性组合或运算得到的一组参数［22，26］。王登伟等［26］、马勤建等［27］的研究均表明在整个生育期内，棉花冠层光谱反射率及各种形式提取量获得的植被指数与叶面积指数均呈现显著的相关关系，本研究的结果显示在各个生育期内，冠层光谱的提取量与LAI的相关性并不强，现蕾期无光谱提取量与LAI显著相关，开花期、花铃期及盛铃期也仅有个别提取量与LAI具有显著相关性，而将整个生育期综合来计算的时候，光谱提取量与LAI的相关性显著提高，大部分指标与LAI均呈现显著相关性。其原因有待进一步研究。

在利用高光谱数据构建叶面积的预测模型时，模型精度受到光谱数据的变换形式及所选函数类型的影响。对地物原始光谱进行微分处理可以提高光谱数据与农学参数的相关性，对光谱信噪比非常敏感，因为光谱微分处理可以去除部分由于线性光谱背景及噪声光谱对植被指数的影响，从而能更好地获取地表植被冠层生长信息。马勤建等［27］的研究表明对棉花原始光谱进行一阶微分处理后与LAI的相关系数由0.6339提高至0.6769，本研究的结果显示原始光谱与LAI的相关系数为－0.726，而经过一阶微分变换之后相关系数略有提高，变为0.744。利用线性和非线性拟合的方法是目前基于光谱数据的叶面积估算的主要途径，通常选用的函数包括线性、对数、指数、幂函数、多项式等，由于农作物的生长条件千差万别，所选用的函数模拟精度差异也非常明显，陈志强等［28］和易秋香等［29］的结果显示指数模型优于对数、幂函数、多项式及线性模型，而王登伟等［26］的结果表明幂函数模型优于线性模型。本研究的结果显示以一阶微分光谱敏感波段所建立的预测模型中线性模型精度明显高于幂函数、指数、对数及多项式函数，由此表明预测模型函数的选取并没有孰优孰劣之分，而是要根据实际状况选取最优的模型。

遥感技术的发展尽管为农作物生长环境及基本参数的快速、无损检测提供了一条有效途径，但从众多的农作物遥感反演的研究结果中不难发现，不仅不同农作物之间的反演模型无法通用，即使是相同的农作物之间，在不同研究区域、不同学者之间反演模型也是千差万别［30－32］，甚至同一种农作物、相同的研究区内在不同的年份的反演模型都差异很大，因此，就目前的研究水平，建立通用的农作物遥感反演模型仍有很长的路要走。

4 结论

本文在对不同施氮水平及不同生育期的棉花冠层光谱反射特性分析的基础上，以棉花冠层光谱与LAI的相关性为出发点，建立了基于不同光谱参数的LAI估算模型，并检验了各模型的预测精度，筛选出棉花LAI的特征变量及精度较高的预测模型。受到气候、地形及生育期的等众多因素的影响，棉花冠层光谱反射率与LAI的相关性各生育期内低于全生育期，且以全生育期SDr／SDb建立的幂函数方程相关系数最高，对棉花原始光谱进行一阶微分处理后与LAI的相关系数则会有所提高，并以一阶微分光谱敏感波段DR742为变量建立的一元线性回归方程对棉花LAI的估测精度较高。目前以地物光谱反射率进行农作物农学参数估算模型的构建仍然处于探索阶段，不同区域及不同农作物之间不具有可比性，而应该结合实际，通过长期的实验才能得到可靠的结果。

［1］吴立峰，张富仓，王海东，等.新疆棉花亏缺灌溉叶面积指数模拟研究［J］.农业工程学报，2015，46（1）：249-258.

［2］陈江鲁，王克如，李少昆，等.基于光谱参数的棉花叶面积指数监测和敏感性分析［J］.棉花学报，2011，23（6）：552-558.

［3］Wiegand C L，Gausman HW，Cuellar JA.Vegetation density as deduced from ERTS－1MSS response［C］／／Third ETRSSymp，NASASP－351，（1）A.Washington，DC：NASA，1974：93-116.

［4］Thomas I，Ching N P，Benning VM，et al.A review ofmulti-channel indicesof class separability［J］.International Journal of Remote Sens-ing，1987，18（3）：331-350.

［5］吴春霞，王进，任岗，等.基于高光谱技术的棉花冠层反射特征研究［J］.农业与技术，2008，28（4）：56-60.

［6］卢霞.沿海滩涂棉花叶片叶绿素含量高光谱遥感估算模型研究［J］.安徽农业科学，2011，39（12）：7452-7454.

［7］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.

［8］Horler D N H，Dockray M，Barber J.Red edgemeasurements for remotely sensing plant chlorophyll content［J］.Advances in Space Research，1983，3（2）：273-277.

［9］Pinar A，Curran P J.Grass chlorophylland the reflectance red edge［J］.International Journal of Remote Sensing，1996，17（2）：351-357.

［10］姚霞，吴华兵，朱艳，等.棉花功能叶片色素含量与高光谱参数的相关性研究［J］.棉花学报，2007，19（4）：267-272.

［11］Broge N H，Mortensen JV.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.

［12］代辉，胡春胜，程一松，等.不同氮水平下冬小麦农学参数与光谱植被指数的相关性［J］.干旱地区农业研究，2005，23（4）：16-21.

［13］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.

［14］Haboudane D，Miller JR，Tremblay N，et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture［J］.Remote Sensing of Environment，2002，81（2）：416-426.

［15］金震宇，田庆久，惠凤鸣，等.水稻叶绿素浓度与光谱反射率关系研究［J］.遥感技术与应用，2003，18（3）：134-137.

［16］徐新刚，赵春江，王纪华，等.新型光谱曲线特征参数与水稻叶绿素含量间的关系研究［J］.光谱学与光谱分析，2011，31（1）：188-191.

［17］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.

［18］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.

［19］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.

［20］陈燕，王登伟，黄春燕，等.新疆棉花LAI和叶绿素密度的高光谱估算研究［J］.遥感信息，2007，（2）：33-36，41.

［21］黄春燕，王登伟，张煜星.基于棉花红边参数的叶绿素密度及叶面积指数的估算［J］.农业工程学报，2009，25（2）：137-141.

［22］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.

［23］唐延林，王秀珍，黄敬峰.棉花高光谱及其红边特征（I）［J］.棉花学报，2003，15（3）：146-150.

［24］Gitelson A A，Kaufman Y J，Stark R，et al.Novel algorithms for remote estimation of vegetation fraction［J］.Remote Sensing of Environment，2002，80（1）：76-87.

［25］Mutanga O，Skidmore A K，Van Wieren S.Discriminating tropical grass（Cenchrus ciliɑris）canopies grown under differentnitrogen treatments using spectroradiometry［J］.Photogrammetry＆Remote Sensing，2003，57：263-272.

［26］王登伟，黄春燕，马勤建，等.棉花高光谱植被指数与LAI和地上鲜生物量的相关分析［J］.中国农学通报，2008，24（3）：426-429.

［27］马勤建，王登伟，黄春燕，等.棉花叶面积指数和地上干物质积累量的高光谱估算模型研究［J］.棉花学报，2008，20（3）：217-222.

［28］陈志强，王磊，白由路，等.整个生育期玉米叶片SPAD高光谱预测模型研究［J］.光谱学与光谱分析，2013，33（10）：2838-2842.

［29］楚万林，齐雁冰，常庆瑞，等.棉花冠层叶片叶绿素含量与高光谱参数的相关性［J］.西北农林科技大学学报（自然科学版），2016，44（9）：65-73.

［30］白丽，王进，蒋桂英，等.干旱区基于高光谱的棉花遥感估产研究［J］.中国农业科学，2008，41（8）：2499-2505.

［31］陈兵，李少昆，王克如，等.病害胁迫下棉花叶片色素含量高光谱遥感估测研究［J］.光谱学与光谱分析，2010，30（2）：421-425.

［32］王强，易秋香，包安明，等.基于高光谱反射率的棉花冠层叶绿素密度估算［J］.农业工程学报，2012，28（15）：125-132.

Estimating leaf area index of cotton canopy by hyperspectral reflectance in Weibei plateau

QIYan-bing，CHUWan-lin，XIE Fei，CHEN Yang，CHANG Qing-rui
（College of Nɑturɑl Resourcesɑnd Environment，Northwest A＆F University，Yɑngling，Shɑɑnxi 712100，Chinɑ）

Leaf Area Index（LAI）is an important parameter to assess the growth situation of cotton.In this paper，canopy hyperspectral reflectance and LAIweremeasured at six growth stages of cotton in a field experiment.The correlation of LAIwith the original spectral reflectance，the first derivative spectral reflectance，commonly used spectral variables and vegetation indexwere analyzed.The estimationmodels of LAIwere established using linear regression andmultiply stepwise regression methods，and the predictive precision was analyzed.The results indicated that spectral reflectance of cotton canopy decreased gradually with the advance of the growth stage and increase of nitrogen fertilizer application in the visible band，while itwas increased from the seeding stage to the flowering and ball stage and itwas decreased from the flowering and ball stage to the ball opening stage in the infrared band.The correlation coefficientof LAI with the common used spectral variables and vegetation index were higher in the whole growth stage than the different stages.Themaximum correlation coefficients of LAIoccurred at the reflectance bandsof1 461 nm with the r＝－0.726，while the highest correlation coefficients between the first derivative spectral data and LAIoccurred at band of 742 nm with r＝0.744.Themodel based on the first derivative spectral reflectance by usingmultiply stepwise regressionmethod obtained themost satisfied results for the estimation of LAIin the 742 nm，RMSE＝0.94，RE＝26.27%，r＝0.78.It is feasible tomonitor the cotton growth by the first derivative spectral reflectance based on data of thewhole growth stage.But for the different regions，the estimatingmodels should be assessed carefully based on plenty of experiments.

cotton；leaf area index；hyperspectrum；vegetation index

TP79；S562

：A

1000-7601（2017）01-0114-08

10.7606／j.issn.1000-7601.2017.01.18

2016-01-05

“十二五”农村领域国家科技计划课题（2013AA102401－2）

齐雁冰（1976—），男，河南淮阳人，副教授，主要从事3S技术及其应用方面的研究。

常庆瑞（1959—），男，陕西子洲人，教授，博士生导师，主要从事遥感与GIS应用方面的研究。E-mail：changqr＠nwsuaf.edu.cn。