苜蓿人工草地高光譜遙感估產(chǎn)模型的研究

呂小東，王建光*，孫啟忠，姚貴平，高鳳芹

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)生態(tài)環(huán)境學(xué)院，內(nèi)蒙古呼和浩特010019;2.中國農(nóng)業(yè)科學(xué)院草原研究所，內(nèi)蒙古呼和浩特010010;3.內(nèi)蒙古農(nóng)業(yè)大學(xué)理學(xué)院，內(nèi)蒙古呼和浩特010019)

目前，高光譜分辨率遙感(hyperspectral remote sensing)技術(shù)在植被上的應(yīng)用與發(fā)展，已經(jīng)使植被監(jiān)測和研究進入到了精準(zhǔn)化、定量化和機理化的新階段。植被光譜與植物品種、植株密度、冠層結(jié)構(gòu)、葉片形狀、葉組織結(jié)構(gòu)、植物生化組分及比例、光譜測量條件(如氣象條件、光譜儀分辨率、測量日期、背景)等因素有關(guān)［1］。所以，可以應(yīng)用高光譜遙感數(shù)據(jù)對重要的植物生長信息(如覆蓋度、葉面積、生物量、葉綠素含量等)進行反演，擬合出植物生長參數(shù)的定量模型，從而實現(xiàn)對植被冠層快速、有效、非接觸、無破壞的野外信息采集與處理，加強對植被長勢的實時診斷研究，乃是國內(nèi)外農(nóng)業(yè)遙感學(xué)者們的研究熱點之一［2］。

在草地資源領(lǐng)域，高光譜研究以其快速、便捷、準(zhǔn)確等優(yōu)勢，受到世界各國學(xué)者的普遍關(guān)注。目前，國外已將高光譜遙感技術(shù)廣泛應(yīng)用于草地植被生化參數(shù)的無損傷估算牧草品質(zhì)參數(shù)測定、含水率估測、退化草地指示、草種識別等領(lǐng)域［3］。我國應(yīng)用高光譜，還主要集中在小麥(Triticum aestivum)、水稻(Oryza sativa)、玉米(Zea mays)、棉花(Gossypium barbadense)、大豆(Glycine max)等大宗農(nóng)作物長勢的監(jiān)測和比較，較廣泛地應(yīng)用于主要產(chǎn)糧縣旱地和水田作物的物候期監(jiān)測，在草地資源上應(yīng)用還不是很多，人工牧草地植被監(jiān)管方面更少。

在國外，Kawamura等［4］通過高光譜來預(yù)測禾草與白三葉(Trifolium repens)混播草地中豆科植物的組分含量。Zhao等［5］發(fā)現(xiàn)波段1145和1205 nm的反射率可以用于狗牙根(Cynodon dactylon)草地生物量的估算。Mutanga等［6］利用草地的高光譜吸收特征來估測牧草品質(zhì)。Post等［7］以多種禾草與苜蓿(Medicago sativa)混播地為對象，發(fā)現(xiàn)紅光區(qū)域內(nèi)、紅光和近紅外區(qū)域之間的導(dǎo)數(shù)光譜，與牧草營養(yǎng)品質(zhì)和生物量顯示出的相關(guān)性為最高。國內(nèi)的研究也認(rèn)為，光譜一階導(dǎo)數(shù)在一定程度上能較好的消除土壤環(huán)境的影響，并結(jié)合線性、對數(shù)、指數(shù)、乘冪和二次、三次多項式等多種單變量函數(shù)回歸模型，來估算植被的生物量、葉面積等［8］。張凱等［9］以723 nm處一階導(dǎo)數(shù)的對數(shù)模型來反演甘南草地地上生物量;楊紅麗等［10］應(yīng)用高光譜探討了多花黑麥草(Loliummultiflorum)植株含氮量的估測模型;納欽［11］對苜蓿和緣毛雀麥(Bromus cilitus)混播地中營養(yǎng)成分的高光譜估算模型進行了研究。周宇庭等［12］發(fā)現(xiàn)，在估算藏北典型高寒草甸地上生物量的多種回歸函數(shù)中，以乘冪函數(shù)的預(yù)測效果最好。張艷楠等［13］認(rèn)為，隨著草地生物量范圍的增大，估算模型逐漸由線性趨近于指數(shù)模型，當(dāng)生物量較大時以指數(shù)函數(shù)為佳。

一直以來，對農(nóng)學(xué)參數(shù)與光譜特性的研究，大多以單一品種為材料，而未考慮到不同品種間的光譜特性差異對估算模型的影響，從而在生產(chǎn)應(yīng)用上造成一定的局限性。因此，本試驗以10個苜蓿品種在不同時期的冠層高光譜和鮮草產(chǎn)量數(shù)據(jù)為材料，統(tǒng)一分析苜蓿鮮草產(chǎn)量的高光譜特性，并嘗試建立關(guān)于對多個苜蓿品種統(tǒng)一使用的鮮草產(chǎn)量高光譜估算模型。

1 材料與方法

1.1 試驗地概況

試驗地位于內(nèi)蒙古包頭市土默特右旗薩拉齊鎮(zhèn)(東經(jīng)110.5°、北緯40.5°、海拔1067.2 m)的內(nèi)蒙古農(nóng)業(yè)大學(xué)職業(yè)技術(shù)學(xué)院科技園區(qū)。全年少雨雪，降水多集中在7－8月，年均降水量339.8 mm;日溫差較大，年均氣溫7.1℃，無霜期年均 132 d;土壤為栗鈣壤土，pH 值 7.80，有機質(zhì) 15.97 g/kg，有效氮 347.95 mg/kg，有效磷54.33 mg/kg，有效鉀327.67 mg/kg;屬典型大陸性半干旱季風(fēng)氣候。

1.2 田間試驗設(shè)計

以苜蓿王(Alfaking)、大富豪(Millionaire)、農(nóng)寶(Farmers Treasure)、費納爾(Vernal)、阿爾岡金(Algonquin)、金皇后(Golden Empress)、WL232、WL232HQ、WL323等9個國外引進品種及1個國產(chǎn)品種敖漢(Aohan)為供試材料，采用隨機區(qū)組設(shè)計，重復(fù)3次，小區(qū)數(shù)共30個，每個小區(qū)面積為160 m2(4 m×40 m)。于2009年7月15日播種，南北向條播種植，行距45 cm，播深2 cm，播量12 kg/hm2。

1.3 數(shù)據(jù)采集方法

分別于2012年6月18日、8月4日、8月21日、9月6日，采用美國光譜分析儀器公司(Analytical Spectral Device)生產(chǎn)的ASD FieldSpec HandHeld手持式高光譜儀，在光譜325～1075 nm波長范圍內(nèi)對生長第4年的各苜蓿品種處理小區(qū)進行連續(xù)測量，采樣間隔為1.5 nm，光譜分辨率3.5 nm，光纖探頭視場角(FOV)10°。所有的測試均選擇在晴朗無風(fēng)天氣進行，每次測定時間為北京時間10:00－14:00時。觀測時傳感器探頭垂直向下，以苜蓿冠層為基準(zhǔn)，與冠層頂相距約1 m。在每個處理小區(qū)里，選定生長均勻且長為1 m、寬為3行的3個樣方測量其冠層光譜值，每個樣方采集3組光譜值，以其平均值作為該樣方的光譜反射值。測量過程中及時進行標(biāo)準(zhǔn)白板校正。

每次光譜數(shù)據(jù)采集后，立即將對應(yīng)樣方內(nèi)苜蓿鮮草按留茬5 cm進行刈割，并立即裝入密閉自封袋中，帶回實驗室稱重并計算出單位面積內(nèi)的鮮草產(chǎn)量(kg/m2)。

1.4 數(shù)據(jù)分析方法

以第1、第3重復(fù)區(qū)數(shù)據(jù)為建模數(shù)據(jù)集(n=240)用以建立估算模型，以第2重復(fù)區(qū)數(shù)據(jù)為驗證數(shù)據(jù)集(n=120)用以檢驗估算模型。采用冠層光譜原始反射率、一階導(dǎo)數(shù)及多種光譜吸收特征參數(shù)作為冠層光譜特征參數(shù)，研究苜蓿草地高光譜數(shù)據(jù)與鮮草產(chǎn)量數(shù)據(jù)之間的相關(guān)性，然后運用單變量線性和非線性回歸方法建立估算模型，并通過檢驗最終確立苜蓿鮮草產(chǎn)量的估算模型。

采用Microsoft Excel 2003、Microsoft Excel 2007和SPSS 18.0等軟件，對試驗所得數(shù)據(jù)進行圖表繪制和相關(guān)分析、回歸分析等數(shù)理統(tǒng)計。

2 結(jié)果與分析

2.1 苜蓿鮮草產(chǎn)量性狀的高光譜特征分析

2.1.1 苜蓿鮮草產(chǎn)量與反射率的相關(guān)性分析 采用相關(guān)分析方法，得到冠層反射率與苜蓿鮮草產(chǎn)量的相關(guān)系數(shù)曲線(圖1)。

從圖1看出，在338～757 nm波段的冠層反射光譜與鮮草產(chǎn)量呈負(fù)相關(guān)，其中在445～684 nm波段處形成1個相關(guān)系數(shù)的高平臺區(qū)，并在615 nm波段達(dá)到最高，為－0.791，在615～642 nm形成一個小波谷，其中以633 nm波段相關(guān)系數(shù)最低，為－0.730，都達(dá)到極顯著水平(P＜0.01)。在520～600 nm的綠光波段中，以600 nm處相關(guān)系數(shù)最高，為－0.778;在630～690 nm的紅光波段中，以645 nm處相關(guān)系數(shù)最高，為－0.774，均達(dá)到極顯著水平(P＜0.01)。在758～1075 nm波段區(qū)間，冠層光譜反射率與鮮草產(chǎn)量呈正相關(guān)，其中在近紅外758～770 nm波段，相關(guān)系數(shù)迅速上升，在近紅外波段760 nm處達(dá)到最大(r=0.582)，后急速下降，在770 nm達(dá)到最低(r=0.149)之后開始緩慢上升，并在813～890 nm波段處形成一個相關(guān)系數(shù)的高平臺區(qū)，均在0.550以上，之后開始緩慢下降。

2.1.2 苜蓿鮮草產(chǎn)量與一階導(dǎo)數(shù)光譜變量的相關(guān)性分析 一般認(rèn)為，對反射率采用微分處理提取一階導(dǎo)數(shù)，可以部分地去除線性或接近線性的背景和噪聲光譜對植被光譜(必須為非線性)的影響，能增強光譜曲線在坡度上的細(xì)微變化［14］。圖2反映了苜蓿鮮草產(chǎn)量與一階導(dǎo)數(shù)光譜變量間的相關(guān)性。

圖1 苜蓿鮮草產(chǎn)量與反射率的相關(guān)性分析Fig.1 Correlation between the fresh yield of alfalfa and reflectance

圖2 苜蓿鮮草產(chǎn)量與一階導(dǎo)數(shù)的相關(guān)性Fig.2 Correlation between the fresh yield of alfalfa and the first derivative

由圖2可知，在 400～453 nm、487～553 nm和637～650 nm、688～710 nm、917～929 nm、947～959 nm波段為負(fù)相關(guān)，以波長552 nm 處相關(guān)系數(shù)最大(r=－0.806)，其次為443 nm(r= －0.803)，均達(dá)到了極顯著水平(P ＜0.01);在 461 ～470 nm、554 ～636 nm、735 ～761 nm、771～817 nm波段為正相關(guān)，最大相關(guān)系數(shù)波長位于746 nm處(r=0.847)，達(dá)到了極顯著水平(P＜0.01)。

2.1.3 苜蓿鮮草產(chǎn)量與不同吸收特征參數(shù)的相關(guān)性分析 常見的高光譜遙感吸收特征變量包括從原始光譜、一階導(dǎo)數(shù)光譜提取的基于光譜位置的特征變量、基于高光譜面積的特征變量和基于高光譜植被指數(shù)的吸收特征參數(shù)，見表1。

如表1所示苜蓿鮮草產(chǎn)量與光譜吸收特征參數(shù)的相關(guān)系數(shù)，都達(dá)到了0.01檢驗水平?；诠庾V位置的幾種特征參數(shù)，其與苜蓿鮮草產(chǎn)量的相關(guān)系數(shù)普遍較高，都在0.7以上，以Dy最高(r=0.776);而基于高光譜面積的特征參數(shù)中，僅有2個參數(shù)的相關(guān)系數(shù)較高，其中SRg的相關(guān)系數(shù)最高，其次為SDb，都大于0.7;基于高光譜植被指數(shù)的特征參數(shù)中，除了Rg/Rr、SDr/SRr、(Rg－Rr)/(Rg+Rr)、(SDr－SRr)/(SDr+SRr)等參數(shù)的相關(guān)系數(shù)很低外，其余特征參數(shù)均較高，其中尤以(SDr－SRg)/(SDr+SRg)最高，超過0.8，(SDr－SDy)/(SDr+SDy)和SDr/SRg的相關(guān)系數(shù)也都接近0.8。

2.2 模型建立

在同類型光譜參數(shù)中，選取相關(guān)系數(shù)較大的光譜參數(shù)，作為建模參數(shù)，與苜蓿鮮草產(chǎn)量間進行單變量回歸分析;其選用的回歸方程形式包括線性、對數(shù)、逆模型、二次型、三次型多項式和復(fù)合、乘冪、S型、指數(shù)等9種。

2.2.1 應(yīng)用反射率建模 從反射率中，挑選相關(guān)系數(shù)大于0.8的波段參數(shù)，進行回歸分析，其決定系數(shù)見表2。

由表2看出，不同波段反射率參數(shù)中，線性回歸模型決定系數(shù)高的參數(shù)，其非線性模型的決定系數(shù)也比較高，以615 nm反射率為自變量的回歸方程的決定系數(shù)較高，并以其復(fù)合、指數(shù)2種形式為最高，達(dá)到0.788。在眾多回歸形式中，除逆模型和對數(shù)、S型的回歸形式外，其余非線性回歸模型都比線性模型的決定系數(shù)要高;其中復(fù)合、指數(shù)最高，其次為乘冪。

2.2.2 應(yīng)用一階導(dǎo)數(shù)建模 從一階導(dǎo)數(shù)中，挑選相關(guān)系數(shù)大于0.8的波段參數(shù)，進行回歸分析，其決定系數(shù)見表3。

表1 苜蓿鮮草產(chǎn)量與光譜吸收特征參數(shù)間的相關(guān)性Table 1 Correlation between the fresh yield of alfalfa and the spectral absorption feature parameters

表2 苜蓿鮮草產(chǎn)量與反射率間回歸分析的決定系數(shù)(n=240)Table 2 The coefficient of determination of regression analysis between the fresh yield of alfalfa and the reflectance(n=240)

表3 苜蓿鮮草產(chǎn)量與一階導(dǎo)數(shù)間回歸分析的決定系數(shù)(n=240)Table 3 The coefficient of determination of regression analysis between the fresh yield of alfalfa and the first derivative spectrum(n=240)

不同波段的一階導(dǎo)數(shù)參數(shù)中，線性回歸模型決定系數(shù)高的參數(shù)，其二次型、三次型多項式和復(fù)合、指數(shù)等非線性模型的決定系數(shù)也比較高，以746 nm處一階導(dǎo)數(shù)為自變量的回歸方程的決定系數(shù)較高，并以其復(fù)合、指數(shù)2種形式為最高，達(dá)到0.848。在不同的回歸形式中，二次型、三次型多項式和復(fù)合、指數(shù)等非線性回歸模型的決定系數(shù)，都比線性模型要高;其中復(fù)合、指數(shù)的決定系數(shù)最高。

2.2.3 應(yīng)用高光譜吸收特征參數(shù)建模 基于光譜位置的特征變量、基于高光譜面積的特征變量和基于高光譜植被指數(shù)的3種吸收特征參數(shù)，作為自變量，分別與苜蓿鮮草產(chǎn)量進行回歸分析，其決定系數(shù)見表4。

由表4可知，基于光譜位置的幾種特征參數(shù)，其回歸模型的決定系數(shù)普遍較高，以Dy最高;而基于高光譜面積的特征參數(shù)中，SRg的決定系數(shù)最高，其次為SDb;基于高光譜植被指數(shù)的特征參數(shù)中，Rg/Rr、SDr/SRr、(Rg－Rr)/(Rg+Rr)、(SDr－SRr)/(SDr+SRr)等參數(shù)的決定系數(shù)很低外，其余特征參數(shù)均較高，以(SDr－SRg)/(SDr+SRg)最高，其次為(SDr－SDy)/(SDr+SDy)和SDr/SRg。

從不同的回歸方程中，基于光譜位置的幾種特征參數(shù)，二次型、三次型多項式和復(fù)合、乘冪、指數(shù)等非線性回歸模型的決定系數(shù)，都比線性模型要高;而基于高光譜面積的特征參數(shù)，二次型、三次型多項式和復(fù)合、乘冪、指數(shù)等非線性回歸模型的決定系數(shù)，都比線性模型要高;基于高光譜植被指數(shù)的特征參數(shù)，二次型、三次型多項式和復(fù)合、乘冪、指數(shù)等非線性回歸模型的決定系數(shù)，都比線性模型要高，此外，多個參數(shù)的對數(shù)、S型回歸模型的決定系數(shù)也比線性模型要高。綜合來看，在同類型的參數(shù)中，線性模型決定系數(shù)高的參數(shù)，往往其二次型、三次型、復(fù)合、乘冪、指數(shù)等非線性回歸模型的決定系數(shù)也比較高，且比其線性模型要高;其中復(fù)合、指數(shù)的決定系數(shù)最高，其次為三次型、二次型多項式。

表4 苜蓿鮮草產(chǎn)量與光譜吸收特征參數(shù)間回歸分析的決定系數(shù)(n=240)Table 4 The coefficient of determination of regression analysis between the fresh yield of alfalfa and the spectral absorption feature parameters(n=240)

結(jié)合吸收特征參數(shù)相關(guān)系數(shù)來看，就會發(fā)現(xiàn)，在同類型的吸收特征參數(shù)中，相關(guān)系數(shù)高的參數(shù)，往往其回歸模型的決定系數(shù)也較高。綜合來看，在3種吸收特征參數(shù)的多種回歸方程中，以(SDr－SRg)/(SDr+SRg)的復(fù)合、指數(shù)形式的估算方程的決定系數(shù)最高，為0.849，其次為SDr/SRg的S型回歸形式的決定系數(shù)、SDr/SDb的S型回歸形式和SDr/SRg的乘冪形式，其決定系數(shù)都在0.8以上。

2.3 苜蓿鮮草產(chǎn)量高光譜估算模型的檢驗

從上述表中挑選決定系數(shù)在0.82以上的回歸方程，擬作為估算模型進行檢驗。一個最優(yōu)的估算模型，不僅應(yīng)該使估算值與實際值具有較高的相關(guān)系數(shù)(r)，同時還應(yīng)具有較小的均方根誤差(root mean square error，簡稱RMSE)和平均相對誤差(relative error，簡稱RE)［8］。因此，綜合采用r、RMSE和 RE這3個統(tǒng)計量對苜蓿鮮草產(chǎn)量的高光譜估算模型進行檢驗，如表5所示。

總體來看，與以 SDr/SDb、SDr/SRg、(SDr－SRg)/(SDr+SRg)為自變量的估算模型相比，分別以 746，747，748 nm處一階導(dǎo)數(shù)為自變量的復(fù)合、指數(shù)2種形式的估算模型，其相關(guān)系數(shù)普遍較高，且RMSE和RE也相對較低。也就是說，經(jīng)過一階導(dǎo)數(shù)處理后的光譜變量，要比SDr/SDb、SDr/SRg、(SDr－SRg)/(SDr+SRg)等光譜吸收參數(shù)等的估算精度要高。其中，以747 nm處一階導(dǎo)數(shù)為自變量的復(fù)合、指數(shù)2種形式的估算模型，其相關(guān)系數(shù)最高(r=0.852)，且RMSE和RE也最低，分別為0.466 kg/m2和21.14%，由于這幾個模型的估算精度最高，且最能較準(zhǔn)確地反演苜蓿鮮草產(chǎn)量，故以747 nm處一階導(dǎo)數(shù)為自變量的模型作為苜蓿鮮草產(chǎn)量估算模型。其公式表示如下:

表5 苜蓿鮮草產(chǎn)量高光譜估算模型檢驗結(jié)果(n=120)Table 5 The validation result of hyperspectral estimation models for fresh yield of alfalfa in test data(n=120)

3 討論與結(jié)論

本試驗以10個苜蓿品種在不同時期的冠層高光譜數(shù)據(jù)為材料，并以多種高光譜參數(shù)作為變量進行分析，統(tǒng)一分析苜蓿鮮草產(chǎn)量的高光譜特性，并建立了可供多個苜蓿品種統(tǒng)一使用的鮮草產(chǎn)量高光譜估算模型。

對光譜進行微分處理，是在實際應(yīng)用中非常有效的技術(shù)。在一定程度上，微分處理可以去除土壤和噪聲等多種背景對植被光譜的部分影響，明顯消除光譜基線平移及其旋轉(zhuǎn)，從而提高了光譜對植被的敏感性。馬勤建等［15］發(fā)現(xiàn)，棉花冠層的一階導(dǎo)數(shù)與葉面積指數(shù)及地上干物質(zhì)量的相關(guān)系數(shù)要比反射光譜高得多。張凱等［9］發(fā)現(xiàn)，在457，557和723 nm處的一階導(dǎo)數(shù)光譜，與甘南草地的地上鮮生物量的相關(guān)系數(shù)較高，通過了0.01極顯著性檢驗水平;其中以723 nm處一階導(dǎo)數(shù)為自變量的對數(shù)回歸模型的估算精度較高。本研究中，在敏感波段的一階導(dǎo)數(shù)與苜蓿鮮草產(chǎn)量的相關(guān)系數(shù)及回歸方程的決定系數(shù)，也比光譜反射率要高一些，說明導(dǎo)數(shù)光譜能較好地反映植被的生長信息。

正確選取回歸曲線形式能提高模型預(yù)測精度。許多學(xué)者以線性、對數(shù)、指數(shù)、乘冪和二次型、三次型多項式等多種回歸模型對植被生物量進行估算，結(jié)果顯示非線性回歸模型比線性回歸模型更為精準(zhǔn)，尤以乘冪模型突出。黃春燕等［16］發(fā)現(xiàn)，在對棉花地上鮮生物量的高光譜估算模型中，以指數(shù)、乘冪和雙曲線函數(shù)構(gòu)建的估測模型，其精度要比線性、對數(shù)要高，其中以指數(shù)模型的精度最高。柏軍華等［17］應(yīng)用5種回歸模型對棉花地上鮮生物量進行高光譜估算的研究中，發(fā)現(xiàn)指數(shù)、乘冪模型比線性、二次型、對數(shù)等函數(shù)模型的決定系數(shù)要高。譚昌偉等［18］采用738 nm處光譜一階導(dǎo)數(shù)建立的指數(shù)回歸模型，對夏玉米葉綠素密度估算精度最好。本研究以線性、對數(shù)、逆模型、二次型、三次型多項式和復(fù)合、乘冪、S型、指數(shù)等9種回歸形式，建立估算模型并加以驗證，發(fā)現(xiàn)復(fù)合、指數(shù)等非線性模型要優(yōu)于線性模型。同時，在同類型的光譜參數(shù)中，線性模型決定系數(shù)高的參數(shù)，其二次型、三次型、復(fù)合、乘冪、指數(shù)等非線性回歸模型的決定系數(shù)通常也比較高，且通常高于線性模型，其中復(fù)合、指數(shù)最高。該結(jié)果與前人研究結(jié)果大體相同。

在本研究的供試參數(shù)和回歸模型中，以747 nm處一階導(dǎo)數(shù)為自變量的復(fù)合、指數(shù)2種形式的苜蓿產(chǎn)量估算模型，其相關(guān)系數(shù)最高為r=0.852，且均方根誤差為0.466 kg/m2，相對誤差為21.14%，估算精度最高，因此該模型可用于苜蓿鮮草產(chǎn)量的高光譜估算。

［1］祁亞琴.基于高光譜數(shù)據(jù)提取棉花冠層特征信息的研究［D］.石河子:石河子大學(xué)，2006.

［2］馬勤建.基于高光譜植被指數(shù)的棉花冠層結(jié)構(gòu)參數(shù)的估算研究［D］.石河子:石河子大學(xué)，2008.

［3］錢育蓉，于炯，賈振紅，等.新疆典型荒漠草地的高光譜特征提取和分析研究［J］.草業(yè)學(xué)報，2013，22(1):157-166.

［4］Kawamura K，Watanabe N，Sakanoue S，et al.Waveband selection using a phased regression with a bootstrap procedure for estimating legume content in a mixed sown pasture［J］.Grassland Science，2011，57(2):81-93.

［5］Zhao D，Starks P J，Brown M A，et al.Assessment of forage biomass and quality parameters of bermudagrass using proximal sensing of pasture canopy reflectance［J］.Grassland Science，2007，53(1):39-49.

［6］Mutanga O，Skidmore A K，Prins H H T.Predicting in situ pasture quality in the Kruger National Park，South Africa using continuum removed absorption features［J］.Remote Sensing of Environment，2004，89(3):393-408.

［7］Post C J，Degloria S D，Cherney J H，et al.Spectral measurements of alfalfa/grass fields related to forage properties and species composition［J］.Plant Nutrition，2007，30(11):1779-1789.

［8］張凱，王潤元，王小平，等.黃土高原春小麥地上鮮生物量高光譜遙感估算模型［J］.生態(tài)學(xué)雜志，2009，28(6):1155-1161.

［9］張凱，郭鈮，王潤元，等.甘南草地地上生物量的高光譜遙感估算研究［J］.草業(yè)科學(xué)，2009，26(11):44-50.

［10］楊紅麗，陳功，吳建付.施氮水平對多花黑麥草植株氮含量及反射光譜特征的影響［J］.草業(yè)學(xué)報，2011，20(3):239-244.

［11］納欽.苜蓿和緣毛雀麥高光譜與營養(yǎng)成分的相關(guān)性研究［D］.呼和浩特:內(nèi)蒙古農(nóng)業(yè)大學(xué)，2010.

［12］周宇庭，付剛，沈振西，等.藏北典型高寒草甸地上生物量的遙感估算模型［J］.草業(yè)學(xué)報，2013，22(1):120-129.

［13］張艷楠，牛建明，張慶，等.植被指數(shù)在典型草原生物量遙感估測應(yīng)用中的問題探討［J］.草業(yè)學(xué)報，2012，21(1):229-238.

［14］浦瑞良，宮鵬.高光譜及其應(yīng)用［M］.北京:高等教育出版社，2000:52-53.

［15］馬勤建，王登偉，黃春燕，等.棉花葉面積指數(shù)和地上干物質(zhì)積累量的高光譜估算模型研究［J］.棉花學(xué)報，2008，20(3):217-222.

［16］黃春燕，王登偉，曹連莆，等.棉花地上鮮生物量的高光譜估算模型研究［J］.農(nóng)業(yè)工程學(xué)報，2007，23(3):131-135.

［17］柏軍華，李少昆，王克如，等.基于近地高光譜棉花生物量遙感估算模型［J］.作物學(xué)報，2007，33(2):311-316.

［18］譚昌偉，王紀(jì)華，黃文江，等.夏玉米葉片全氮、葉綠素及葉面積指數(shù)的光譜響應(yīng)研究［J］.西北植物學(xué)報，2004，24(6):1041-1046.