嚴(yán) 林，常慶瑞，劉夢云，王 爍

(西北農(nóng)林科技大學(xué)資源環(huán)境學(xué)院， 陜西 楊凌 712100)

葉綠素含量是植物的主要農(nóng)學(xué)參數(shù)，是植物光合作用能力、葉片氮素含量以及生長發(fā)育的重要指示器，葉綠素含量變化是植物長勢監(jiān)測的重要指標(biāo)[1]。葉綠素含量的測定是農(nóng)業(yè)科研和農(nóng)業(yè)生產(chǎn)中經(jīng)常遇到的問題[2]。目前，可以使用多種方法對葉綠素含量進(jìn)行測定，但傳統(tǒng)方法不僅費時費力，采樣時容易損壞植物葉片組織結(jié)構(gòu)[3]。另外，由于葉綠素的結(jié)構(gòu)不穩(wěn)定，容易分解，導(dǎo)致最終測量的葉綠素含量可能會發(fā)生變化[4]。隨著高光譜遙感技術(shù)的不斷發(fā)展，可以為植物葉綠素含量無損、快速的定量化診斷提供技術(shù)支持[5-6]。國內(nèi)外學(xué)者在利用高光譜遙感數(shù)據(jù)監(jiān)測葉綠素含量大量的研究，王強(qiáng)等[7]分析了棉花葉綠素密度與原始光譜反射率、一階導(dǎo)數(shù)光譜反射率的相關(guān)性，構(gòu)建了基于比值植被指數(shù)和歸一化植被指數(shù)的葉綠素密度估算模型，其中DR635/DR643為自變量的模型擬合效果最好；孟慶野等[8]通過對現(xiàn)有植被指數(shù)模型的改進(jìn)，對小麥葉綠素含量進(jìn)行了估算，取得了較好的可靠性。宮兆寧等[9]通過分析植物葉片葉綠素含量與“三邊”參數(shù)的相關(guān)性，構(gòu)建了基于光譜指數(shù)的濕地植被葉片葉綠素含量估算模型，取得了較為理想的預(yù)測精度。劉桃菊等[10]探討了水稻冠層光譜對葉片葉綠素含量的響應(yīng)規(guī)律，得出了水稻冠層葉片葉綠素監(jiān)測的特征變量。

光譜指數(shù)是通過特定的高光譜遙感數(shù)據(jù)波段進(jìn)行線性或非線性組合得到的一種光譜參數(shù)[11]，其建立時考慮了部分植物內(nèi)部的物理機(jī)制[12]，可以降低或消除環(huán)境背景，如土壤、水體等帶來的噪聲，比單波段具有更好的靈敏性[13]，可以更準(zhǔn)確地提取目標(biāo)信息。光譜指數(shù)如歸一化光譜指數(shù)、比值光譜指數(shù)等已廣泛地應(yīng)用于植被含氮量、含水量、葉面積指數(shù)等農(nóng)學(xué)參數(shù)的反演[14]，從而對植被的生長狀況進(jìn)行定量或定性的評估[15]。

目前對水稻冠層光譜反射率與葉綠素含量的研究以南方水稻為主[16-17]，對寧夏引黃灌區(qū)水稻的研究并不多見，且多生育期較為少見[18-21]。為此，本研究以寧夏引黃灌區(qū)水稻為研究對象，分析水稻不同生育期內(nèi)冠層光譜反射率與葉綠素含量的相關(guān)性，為利用高光譜遙感技術(shù)無損、快速、高效的估測水稻冠層葉綠素含量研究提供理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)選擇在寧夏青銅峽市葉盛鎮(zhèn)的水稻示范基地。該區(qū)地處西北內(nèi)陸，位于東部季風(fēng)區(qū)與西部干旱區(qū)域的交匯地帶，屬于中溫帶大陸性干旱氣候，冬無嚴(yán)寒，夏無酷暑，四季分明，晝夜溫差大，全年日照3 000 h，年平均氣溫8℃，無霜期176 d，年蒸發(fā)量1 400 nm，年降水量260 mm，主要集中在7—9月。地貌類型為黃河河谷平原，海拔1 200 m，地形平坦，土層深厚；土壤為灌淤旱耕人為土，質(zhì)地較砂，土壤有機(jī)質(zhì)含量較低，養(yǎng)分含量較為貧乏。由于此處屬于引黃灌溉區(qū)，為水稻的生長提供了得天獨厚的條件，水稻是當(dāng)?shù)刂饕淖魑镏弧?/p>

1.2 試驗設(shè)計與樣品采集

試驗于2015年7—9月在寧夏回族自治區(qū)青銅峽市葉盛鎮(zhèn)寧夏農(nóng)科院水稻田間試驗區(qū)進(jìn)行。試驗共設(shè)置3個氮素水平，4個碳素水平，進(jìn)行碳氮交互試驗，共12個處理，分別為C0N0、C0N1、C0N2、C1N0、C1N1、C1N2、C2N0、C2N1、C2N2、C3N0、C3N1和C3N2，C0、C1、C2、C3分別代表四個不同生物質(zhì)碳用量水平，分別為0、4 500、6 750、9 000 kg·hm-2，N0、N1、N2分別表示氮肥(按純N量計)用量分別為0、240、300 kg·hm-2。每個處理設(shè)置一個重復(fù)，采用隨機(jī)區(qū)組設(shè)計，共24個試驗小區(qū)，每個小區(qū)面積為21×4.8=100.8 m2。水稻品種為寧粳43號，采用自然生長方式，分三次施肥，每年五月底插秧，九月底或十月初收獲。田間觀測采樣時，每個小區(qū)內(nèi)選擇3個樣點，直接在原地進(jìn)行光譜的測定；同時采集植株樣品。每期共獲取72個樣點數(shù)據(jù)。2015年在水稻生長的07月14日(拔節(jié)期)、07月31日(抽穗期)、08月20日(乳熟期)和09月15日(蠟熟期)四個生育期分別進(jìn)行觀測采樣，全生育期共獲得328個樣點的數(shù)據(jù)，分析建模時將每個生育期中的72個樣點數(shù)據(jù)按照分層隨機(jī)抽樣法選取48個作為建模樣本，剩余24個作為檢驗樣本。

1.3 冠層光譜測定

水稻冠層光譜采用美國SVC公司生產(chǎn)的SVCHR-1024i型野外光譜儀測定，光譜范圍為350～2 500 nm，光譜分辨率(FWHM)：350～1 000 nm，≤3.5 nm；1 000～1 850 nm，≤9.5 nm；1 850～2 500 nm，≤6.5 nm。分別在上述四個生育期選擇晴朗無云、風(fēng)力微弱的白天于當(dāng)?shù)貢r間10∶00—14∶00時，測定冠層光譜。測量前均用白板進(jìn)行標(biāo)定，測量時，為了減少稻田水對光譜的影響，采用光譜儀可選配件光纖探頭進(jìn)行測定，探頭距水稻葉片垂直高度約0.15 m，光譜儀視場角為7.5°。每個樣點測試5條光譜曲線，取其平均值作為該樣點的光譜反射值，每次觀測得到72條水稻冠層高光譜數(shù)據(jù)。

1.4 葉綠素含量測定

采用日本KONICA MINOLTA公司生產(chǎn)的SPAD(Soil Plant Analysis Development Unit)502葉綠素計，測量與采集光譜對應(yīng)的水稻植株的冠層葉綠素，每個樣點選擇5株水稻，每株水稻選取冠層展開的第2、3片葉進(jìn)行測量，共取10片葉子的平均值作為該樣點的葉綠素含量值。每個生育期觀測得到與72條高光譜曲線數(shù)據(jù)對應(yīng)的72個葉綠素含量數(shù)據(jù)。

1.5 數(shù)據(jù)處理

由于葉綠素含量對光譜的響應(yīng)波段集中在可見光、近紅外波段，且近紅外1 000 nm之后的波段受各種因素的影響噪聲較大，因此本文采用350～1 000 nm波段進(jìn)行分析，對光譜數(shù)據(jù)進(jìn)行平滑去噪之后將其重采樣至1 nm。通過對冠層原始光譜反射率與葉綠素含量的相關(guān)分析，選擇相關(guān)系數(shù)最大的波段即特征波段采用指數(shù)、一元線性、對數(shù)函數(shù)、多項式以及冪函數(shù)構(gòu)建葉綠素含量反演模型；基于全波段歸一化光譜指數(shù)(NDSI)與葉綠素含量的相關(guān)性，從中選擇對葉綠素含量變化最敏感的波段組合NDSI構(gòu)建葉綠素含量反演模型。

最后采用R2、RMSE與RE作為評價指標(biāo)來檢驗反演模型的精度，從中選出最優(yōu)反演模型。其中，RMSE、RE計算公式如下：

(1)

(2)

2 結(jié)果與分析

2.1 不同生育期水稻冠層光譜特征

供試水稻不同生育期代表性光譜曲線如圖1所示，各生育期反射光譜差異較大。在550 nm處形成一個葉綠素的反射峰，在680 nm處形成一個葉綠素的吸收谷，而在近紅外波段(760～1 000 nm)形成一個高反射平臺。

圖1不同生育期水稻冠層光譜特征曲線

Fig.1 Spectral curves at different growth periods of rice canopy

植物不同生育期由于植株體內(nèi)的葉綠素含量、細(xì)胞結(jié)構(gòu)，以及群體的生物量、葉面積指數(shù)等的不同，導(dǎo)致各光譜反射特性也會發(fā)生變化光譜反射曲線具有明顯的差異。在可見光波段(380～760 nm)，從拔節(jié)期到抽穗期，隨著水稻的生長發(fā)育，反射率不斷下降。從抽穗期到蠟熟期，反射率逐漸升高，最大反射率從0.0297上升到0.0974。不同生育期光譜反射率差異不顯著。

在近紅外波段，拔節(jié)期反射率最高，隨著水稻的生長發(fā)育，反射率不斷下降，且不同時期差異顯著。在波長760～920 nm波段范圍，光譜反射率分別為：拔節(jié)期0.5417、抽穗期0.4389、乳熟期0.3893和蠟熟期0.3152，從拔節(jié)期到蠟熟期下降了0.2264，降幅達(dá)到41.81%。

2.2 基于敏感波段的葉綠素估算模型

2.2.1 光譜反射率與葉綠素相關(guān)性分析 將各生育期水稻冠層光譜反射率分別與其對應(yīng)的葉綠素含量進(jìn)行相關(guān)分析，結(jié)果如圖2所示。從圖2可以明顯看出，在可見光波段內(nèi)，兩者呈負(fù)相關(guān)關(guān)系，近紅外波段內(nèi)，兩者之間呈極顯著正相關(guān)關(guān)系，且基本維持在同一水平。

圖2不同生育期冠層光譜反射率與葉綠素含量相關(guān)性

Fig.2 Correlation at different growth periods of rice canopy between spectral reflectance and chlorophyll content

在不同生育期，水稻冠層光譜反射率與葉綠素含量的相關(guān)性有較大差異。在可見光波段，從拔節(jié)期到乳熟期，隨著生育期的推進(jìn)，其光譜反射率與葉綠素含量的相關(guān)性逐漸減弱，相關(guān)系數(shù)由拔節(jié)期的-0.7下降到蠟熟期的-0.2以下，其中拔節(jié)期與抽穗期的相關(guān)系數(shù)通過F0.01水平的顯著性檢驗；乳熟期相關(guān)系數(shù)通過F0.05水平的顯著性檢驗。近紅外波段，從拔節(jié)期到乳熟期相關(guān)系數(shù)均在0.5以上，差異不顯著，蠟熟期相關(guān)系數(shù)在0.3上下波動，但是此時四個生育期均通過F0.01顯著性水平檢驗。

2.2.2 基于敏感波段的葉綠素估算模型 根據(jù)各生育期水稻冠層光譜反射率與葉綠素含量的相關(guān)性，從中選取相關(guān)系數(shù)最大的波段進(jìn)行基于單波段的葉綠素含量反演。拔節(jié)期，冠層光譜反射率與葉綠素含量的相關(guān)性在612 nm處最強(qiáng)，相關(guān)系數(shù)為-0.7691；抽穗期、乳熟期與蠟熟期相關(guān)關(guān)系最大的波段，分別為931、932 nm與811 nm，其對應(yīng)的相關(guān)系數(shù)分別為0.6195、0.5879與0.3141。根據(jù)各生育期所選取的敏感波段構(gòu)建不同函數(shù)類型的冠層光譜葉綠素估算模型，并且對模型進(jìn)行驗證，其結(jié)果如表1所示。

以決定系數(shù)(R2)、均方根誤差(RMSE)以及相對誤差(RE)作為評價指標(biāo)，選取建模擬合度高、驗證誤差小的模型作為最佳估算模型。通過對比，各生育期的最佳反演模型分別為：拔節(jié)期多項式模型和抽穗期多項式模型、乳熟期指數(shù)函數(shù)模型、蠟熟期冪函數(shù)模型。從拔節(jié)期到蠟熟期，建模擬合度與驗證擬合度逐漸下降，由拔節(jié)期內(nèi)的0.5921、0.6348下降到蠟熟期的0.1708、0.0235；相對誤差RE由4.355%上升到19.433%。通過比對蠟熟期各模型的建模參數(shù)與驗證參數(shù)，該生育期的葉綠素反演模型估測精度過低，不能實際應(yīng)用。

表1 基于敏感波段構(gòu)建的不同生育期SPAD回歸模型及驗證

2.3 基于NDSI的葉綠素估算模型

植被指數(shù)是遙感應(yīng)用研究的常用方法之一，被成功地應(yīng)用于植被葉綠素含量等生物物理參量和植物光合作用等生態(tài)功能參量估算，但其對土壤背景的變化比較敏感，適用于植被發(fā)育中期或中等覆蓋度的植被監(jiān)測，在低密度植被覆蓋條件下估算誤差較大，在高覆蓋度下容易飽和[21]。本文參考姚霞等[22]研究方法，在350～1 000 nm的波段范圍內(nèi)，利用Matlab編程逐波段計算各生育期水稻冠層光譜反射率的歸一化優(yōu)化指數(shù)(Normalized Difference Spectral Index, NDSI)，其計算公式如下。計算NDSI與葉綠素含量的決定系數(shù)(R2)，最終得到如圖3所示的各生育期決定系數(shù)分布圖。

式中，Ri和Rj表示任意波段的反射率。

從圖3可以看出，拔節(jié)期450～500 nm(橫軸)與420～460 nm(縱軸)、540～580 nm(橫軸)與750～1 000 nm(縱軸)、610～700 nm(橫軸)與400～500 nm(縱軸)以及720～1 000 nm(橫軸)與700～750 nm(縱軸)四個區(qū)域內(nèi)的相關(guān)系數(shù)均大于0.8，其中475 nm與456 nm組成的NDSI(475,456)與葉綠素的相關(guān)性最大，相關(guān)系數(shù)為0.8418。抽穗期，640～660 nm(橫軸)與400～500 nm(縱軸)與740～1 000 nm(橫軸)與700～760 nm(縱軸)兩個組合區(qū)域內(nèi)相關(guān)系數(shù)均大于0.7，NDSI與葉綠素含量相關(guān)性最強(qiáng)的波段組合為782 nm與748 nm NDSI(782,748)，此時相關(guān)系數(shù)為0.7675。乳熟期，相關(guān)系數(shù)較大的區(qū)域逐漸向近紅外-紅光波段轉(zhuǎn)移，且此時只有820～950 nm(橫軸)與730～850 nm(縱軸)區(qū)域內(nèi)的相關(guān)系數(shù)大于0.6，其中由822 nm與823 nm波段組成的NDSI(822,823)與水稻葉綠素相關(guān)性最強(qiáng)，相關(guān)系數(shù)為0.6798。蠟熟期，冠層光譜反射率與葉綠素的相關(guān)性逐漸減弱，相關(guān)系數(shù)大于0.6的只剩下700～750 nm(橫軸)720～770 nm(縱軸)波段所組成的狹小區(qū)域，由730 nm與731 nm波段組合構(gòu)成的NDSI(730,731)與葉綠素含量的相關(guān)性最強(qiáng)，相關(guān)系數(shù)為0.6349。將以上各生育期相關(guān)性強(qiáng)的歸一化光譜指數(shù)作為特征指數(shù)，用于構(gòu)建水稻葉綠素含量反演模型。

圖3不同生育期NDSI與葉綠素含量相關(guān)系數(shù)等勢線圖

Fig.3 Equipotential figure of correlation between NDSI and chlorophyll content at different growth periods

表2為基于NDSI建立的不同生育期水稻葉綠素估算模型及擬合結(jié)果。從表3可知從拔節(jié)期到乳熟期，擬合R2與檢驗R2均逐漸減小。利用多項式模型構(gòu)建的拔節(jié)期葉綠素含量反演模型擬合及驗證結(jié)果較好，其擬合R2與檢驗R2分別為0.7515與0.6502，而RMSE分別為1.885與1.436，其中檢驗的RE為4.295%。抽穗期，葉綠素含量反演精度最高的為指數(shù)函數(shù)模型，其擬合R2為0.6288，檢驗R2為0.5254，RE為4.553%。乳熟期綜合R2、RMSE與RE三者的表現(xiàn)，指數(shù)函數(shù)模型為最佳模型，其擬合R2、檢驗R2與RE分別為0.4465、0.5708與3.711%。蠟熟期的最佳反演模型為多項式模型，擬合R2為0.4877，檢驗R2為0.4396，RE為15.037%。

為了檢驗所建立的水稻葉綠素估算模型精度及普適性，分別利用檢驗樣本對各生育期的最佳估算模型進(jìn)行檢驗，其檢驗結(jié)果如圖4所示。由圖4可知，不同生育期，其模型精度差異顯著。拔節(jié)期，模型精度較高，擬合度R2為0.6502，RMSE為1.4356，RE為4.30%；隨著生育期的推進(jìn)，模型精度逐漸下降，至蠟熟期，模型擬合度R2為0.4396，RMSE為2.1403，RE為15.04%。

3 討 論

高光譜遙感能夠快速無損的獲取植物冠層的光譜數(shù)據(jù)，可以通過高光譜數(shù)據(jù)分析來得到植物的相關(guān)信息。特征光譜選擇與植被指數(shù)是分析高光譜數(shù)據(jù)的主要方法之一。

隨著生育期的推進(jìn)，植物體內(nèi)的葉綠素含量逐漸降低，植被光合作用減弱，不同生育期內(nèi)，水稻冠層光譜反射率對葉綠素含量的敏感強(qiáng)度下降明顯，本文通過選取不同生育期內(nèi)與葉綠素含量相關(guān)性最高的波段反射率構(gòu)建不同生育期預(yù)測水稻葉綠素含量，結(jié)果表明，拔節(jié)期和抽穗期模型預(yù)測精度較高，而乳熟期與蠟熟期效果則不理想，可能是由于水稻處于拔節(jié)期和抽穗期時，水稻植株持續(xù)生長，此時光譜反射率與葉綠素含量相關(guān)性較高，而在抽穗期以后，植株進(jìn)入生殖生長階段，營養(yǎng)物質(zhì)不斷向穗部轉(zhuǎn)移，葉綠素不斷分解，光合作用力逐漸下降，葉綠素與光譜反射率的相關(guān)性下降明顯，導(dǎo)致以敏感波段構(gòu)建的葉綠素含量估算模型精度下降。

本文利用水稻不同生育期的高光譜數(shù)據(jù)通過對西北地區(qū)水稻的葉綠素相對含量(SPAD)進(jìn)行估算，為水稻分生育期的葉綠素估算提供了科學(xué)依據(jù)。本文研究表明，不同的建模方法對模型的精度具有較大影響。基于敏感波段、NDSI構(gòu)建的非線性模型精度高于線性模型的精度，這可能是由于數(shù)據(jù)在采集過程中儀器與操作的影響，使兩者存在顯著的非線性關(guān)系。在不同的生育期內(nèi)，水稻冠層原始光譜對葉綠素含量的敏感波段以及相關(guān)系數(shù)各不相同，具有較大差異性。各生育期內(nèi)與葉綠素含量相關(guān)性最強(qiáng)的NDSI波段組合不同，各生育期的最優(yōu)模型也不盡相同，造成不同生育期內(nèi)最優(yōu)反演模型也不相同。

表2 基于NDSI的不同生育期水稻葉綠素含量估算模型及擬合結(jié)果

圖4基于各生育期最佳模型水稻葉綠素含量驗證結(jié)果

Fig.4 Validation results of the best models at different growth periods

4 結(jié) 論

本文針對西北地區(qū)水稻拔節(jié)期、抽穗期、乳熟期及蠟熟期，通過分析各生育期冠層光譜反射率與葉綠素含量的相關(guān)性，建立了基于敏感波段和NDSI的水稻葉綠素含量反演模型，并對模型反演精度進(jìn)行比較，得到如下結(jié)論：

1) 通過對水稻冠層原始光譜與葉綠素含量的相關(guān)性分析，得到各生育期敏感波段，分別為拔節(jié)期(612 nm)、抽穗期(931 nm)、乳熟期(932 nm)與蠟熟期(811 nm)。

2) 通過分析各生育期逐波段構(gòu)建的NDSI與葉綠素含量的相關(guān)性，確定各生育期內(nèi)與葉綠素含量相關(guān)性最強(qiáng)的NDSI組合，分別為拔節(jié)期NDSI(475 nm，456 nm)、抽穗期NDSI(782 nm，748 nm)、乳熟期NDSI(822 nm，823 nm)與蠟熟期NDSI(730 nm，731 nm)。

3) 通過對各生育期內(nèi)NDSI構(gòu)建的葉綠素含量反演模型的比較，得到了各生育期內(nèi)最佳反演模型，分別為拔節(jié)期多項式模型、抽穗期指數(shù)模型、乳熟期指數(shù)模型和蠟熟期多項式模型。

參考文獻(xiàn)：

[1] 徐新剛,趙春江,王紀(jì)華,等.新型光譜曲線特征參數(shù)與水稻葉綠素含量間的關(guān)系研究[J].光譜學(xué)與光譜分析,2011,31(1):188-191.

[2] 張憲政.植物葉綠素含量測定——丙酮乙醇混合液法[J].遼寧農(nóng)業(yè)科學(xué),1986,(3):28-30.

[3] Wellburn A R. The spectral determination of chlorophylls a, and b, as well as total carotenoids, using various solvents with spectrophotometers of different resolution[J]. Journal of Plant Physiology, 1994,144(3):307-313.

[4] 姚付啟,張振華,楊潤亞,等.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的法國梧桐葉綠素含量高光譜反演研究[J].測繪科學(xué),2010,35(1):109-112.

[5] Vane G, Goetz A F H. Terrestrial imaging spectrometry: Current status, future trends[J]. Remote Sensing of Environment, 1993,44(2-3):117-126.

[6] Fassnacht K S, Gower S T, Mackenzie M D, et al. Estimating the leaf area index of north central Wisconsin forests using the Landsat Thematic Mapper[J]. Remote Sensing of Environment, 1997,61(2):229-245.

[7] 王 強(qiáng),易秋香,包安明,等.基于高光譜反射率的棉花冠層葉綠素密度估算[J].農(nóng)業(yè)工程學(xué)報,2012,28(15):125-132.

[8] 孟慶野,董 恒,秦其明,等.基于高光譜遙感監(jiān)測植被葉綠素含量的一種植被指數(shù)MTCARI[J].光譜學(xué)與光譜分析,2012,32(8):2218-2222.

[9] 宮兆寧,趙雅莉,趙文吉,等.基于光譜指數(shù)的植物葉片葉綠素含量的估算模型[J].生態(tài)學(xué)報,2014,34(20):5736-5745.

[10] 劉桃菊,胡雯君,張笑東,等.水稻冠層高光譜特征變量與葉片葉綠素含量的相關(guān)性研究[J].激光生物學(xué)報,2015,24(5):428-435.

[11] 童慶禧,張 兵,鄭蘭芬.高光譜遙感[M].北京：高等教育出版社,2006:121.

[12] 顏春燕,牛 錚,王紀(jì)華,等.光譜指數(shù)用于葉綠素含量提取的評價及一種改進(jìn)的農(nóng)作物冠層葉綠素含量提取模型[J].遙感學(xué)報,2005,9(6):742-750.

[13] 姜海玲,楊 杭,陳小平,等.利用光譜指數(shù)反演植被葉綠素含量的精度及穩(wěn)定性研究[J].光譜學(xué)與光譜分析,2015,35(4):975-981.

[14] 王紀(jì)華,趙春江,黃文江.農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用[M].北京：科學(xué)出版社,2008:21.

[15] Bannari A, Morin D, Bonn F, et al. A review of vegetation indices[J]. Remote Sensing Reviews, 1995,13(1):95-120.

[16] 陳小龍,陳 燦,周 莉.水稻不同生育期葉綠素含量的測定及其相關(guān)性分析[J].現(xiàn)代農(nóng)業(yè)科技,2010,(17):42-44.

[17] 畢景芝,劉湘南,趙 冬.基于粗糙集約簡的水稻葉片葉綠素含量高光譜反演[J].應(yīng)用科學(xué)學(xué)報,2014,32(4):394-400.

[18] 李云梅,倪紹祥,黃敬峰.高光譜數(shù)據(jù)探討水稻葉片葉綠素含量對葉片及冠層光譜反射特性的影響[J].遙感技術(shù)與應(yīng)用,2003,18(1):1-5.

[19] 韓 超.基于葉片光譜估測水稻葉綠素含量研究[D].青島：青島科技大學(xué),2010.

[20] 秦占飛,常慶瑞,申 健,等.引黃灌區(qū)水稻紅邊特征及SPAD高光譜預(yù)測模型[J].武漢大學(xué)學(xué)報(信息科學(xué)版),2016,41(9):1168-1175.

[21] 謝 靜,陳 適,王 珂,等.基于高光譜成像技術(shù)的水稻葉片SPAD值及其分布問題研究[J].華中師范大學(xué)學(xué)報(自然科學(xué)版), 2014,48(2):269-273.

[22] 虞連玉,蔡煥杰,姚付啟,等.植被指數(shù)反演冬小麥植被覆蓋度的適用性研究[J].農(nóng)業(yè)機(jī)械學(xué)報,2015,46(1):231-239.

[23] 姚 霞,朱 艷,田永超,等.小麥葉層氮含量估測的最佳高光譜參數(shù)研究[J].中國農(nóng)業(yè)科學(xué),2009,42(8):2716-2725.