基于經(jīng)驗(yàn)?zāi)Ｐ偷腍yperion數(shù)據(jù)植被葉綠素含量反演

豐明博，牛 錚

(1.中國(guó)科學(xué)院遙感與數(shù)字地球研究所，北京 100101;2.中國(guó)科學(xué)院遙感科學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100101;3.中國(guó)科學(xué)院大學(xué)，北京 100049)

0 引言

葉綠素是參與植物光合作用的必要色素，其含量控制著植被葉片吸收太陽(yáng)輻射的能力，影響植被初級(jí)生產(chǎn)力，能提供植物營(yíng)養(yǎng)狀況的精確、間接的估算。葉綠素被認(rèn)為是地球上最重要的有機(jī)分子，是植物營(yíng)養(yǎng)(氮素)脅迫、光合能力、發(fā)育階段(特別是衰老階段)和病蟲(chóng)害監(jiān)測(cè)的重要指標(biāo)[1]。

經(jīng)驗(yàn)和半經(jīng)驗(yàn)方法主要是通過(guò)考察所研究的生化組分含量與光譜因子(反射率或其變換形式，如光譜指數(shù))間的相關(guān)關(guān)系來(lái)建立統(tǒng)計(jì)模型。統(tǒng)計(jì)分析方法通常是利用逐步多元線性回歸的方法選取反射率或其變型(一階導(dǎo)數(shù)、二階導(dǎo)數(shù)等)，或選取不同波段組合構(gòu)建光譜指數(shù)與葉片樣本的生化組分相關(guān)性最高的指數(shù)進(jìn)入模型，然后建立回歸方程來(lái)預(yù)測(cè)生化組分的含量[2–7]。利用統(tǒng)計(jì)方法構(gòu)建葉片光譜估測(cè)葉綠素含量的模型，能夠達(dá)到較高的精度(＞95%)[8]。

目前對(duì)于葉綠素含量的反演建模，利用的數(shù)據(jù)基本上是基于單一物種(如玉米);所建立的適合于葉綠素含量反演的經(jīng)驗(yàn)?zāi)Ｐ?，也大多是針?duì)特定物種而言。而對(duì)于研究區(qū)域甚至全球尺度的養(yǎng)分循環(huán)或生物地球化學(xué)循環(huán)，則需要區(qū)域的生化組分參數(shù)作為支撐，這就要求反演模型能夠盡可能多地適應(yīng)不同的植被。本文利用由歐盟委員會(huì)聯(lián)合研究中心(Joint Research Centre of the European Commission)的空間研究所實(shí)測(cè)獲得的lopex93(leaf optical properties experiment)植物生化參數(shù)數(shù)據(jù)庫(kù)資料，對(duì)其中17種植被(包括玉米、小麥、月桂樹(shù)及楊樹(shù)等)的22個(gè)葉片樣本的干葉光譜與鮮葉光譜以及測(cè)量的葉綠素含量進(jìn)行分析，對(duì)每一種植被取平均值作為終值，葉綠素含量單位為mg/g?；谥脖蝗~綠素含量與實(shí)測(cè)光譜及Hyperion模擬光譜進(jìn)行分析，建立相關(guān)關(guān)系;利用分析結(jié)果對(duì)甘肅省張掖市的植被葉綠素含量進(jìn)行了區(qū)域反演，并對(duì)反演結(jié)果進(jìn)行了誤差分析。

1 模型分析

基于經(jīng)驗(yàn)或半經(jīng)驗(yàn)?zāi)Ｐ偷娜~綠素含量反演，其葉綠素含量估算模型主要有3種:①紅邊參數(shù)與葉綠素含量回歸分析方法;②原始光譜，光譜的一階微分、對(duì)數(shù)等形式與葉綠素含量相關(guān)性分析方法;③植被指數(shù)與葉綠素含量回歸分析方法。針對(duì)這3種常用的建模方法，利用實(shí)測(cè)數(shù)據(jù)與模擬Hyperion傳感器數(shù)據(jù)進(jìn)行比較，得到遙感反演不同植物葉綠素含量的方法。

1.1 光譜重采樣

目前，地球觀測(cè)衛(wèi)星EO-1上的Hyperion傳感器數(shù)據(jù)是用途廣、易獲得、數(shù)據(jù)存檔時(shí)間較長(zhǎng)的高光譜衛(wèi)星遙感數(shù)據(jù)，經(jīng)常用于進(jìn)行植被信息提取等研究。lopex93數(shù)據(jù)庫(kù)內(nèi)光譜數(shù)據(jù)的波譜分辨率為1 nm，而Hyperion數(shù)據(jù)的光譜分辨率為10～12 nm。為了分析利用實(shí)測(cè)光譜與衛(wèi)星光譜數(shù)據(jù)反演植被葉綠素含量的區(qū)別，以Hyperion數(shù)據(jù)為基準(zhǔn)，采用高斯光譜響應(yīng)函數(shù)法對(duì)實(shí)測(cè)的原始反射率光譜數(shù)據(jù)進(jìn)行了光譜重采樣，獲取基于Hyperion波段的模擬光譜數(shù)據(jù)集。第i波段的反射率計(jì)算公式為

式中:ri為第i波段的反射率;λui為第i波段的起始波長(zhǎng);λli為第i波段的終止波長(zhǎng);r(λ)為波長(zhǎng)λ處的反射率;φt(λ)為波長(zhǎng)λ處的光譜響應(yīng)因子。

圖1示出實(shí)測(cè)光譜曲線和重采樣得到的模擬Hyperion光譜曲線。

圖1 實(shí)測(cè)光譜曲線與重采樣得到的模擬Hyperion光譜曲線Fig.1 Spectral curves measured in the field and simulated Hyperion spectra by resampling

由圖1可以看出，與實(shí)測(cè)的光譜曲線相比，經(jīng)過(guò)重采樣后的模擬Hyperion光譜曲線形態(tài)并沒(méi)有多大改變;但其中心波長(zhǎng)以及半高寬等信息均發(fā)生了變化，光譜分辨率由原來(lái)的1 nm變?yōu)?0～12 nm。光譜分辨率的變化會(huì)對(duì)反演葉綠素含量的建模產(chǎn)生一定的影響。

1.2 反射率與葉綠素含量的關(guān)系

葉片葉綠素含量與光譜反射率具有相關(guān)性。在可見(jiàn)光譜段內(nèi)，植物的光譜特性受葉綠素影響。研究表明，葉綠素在可見(jiàn)光譜段內(nèi)有2個(gè)主要的吸收帶:①以450 nm為中心的藍(lán)波段和以670 nm為中心的紅波段，葉綠素對(duì)這2部分的吸收率達(dá)90%以上;②在490～600 nm譜段，由于550 nm波長(zhǎng)附近是葉綠素的強(qiáng)反射峰區(qū)，故植被在此波段的反射光譜曲線具有波峰的形態(tài);而在760 nm后的近紅外波段，葉綠素吸收能力較弱，因此葉片反射率會(huì)急劇升高。圖2顯示了實(shí)測(cè)光譜及模擬Hyperion光譜在400～1 000 nm譜段范圍內(nèi)，葉綠素含量和葉片反射率及其一階微分、對(duì)數(shù)等變化形式的相關(guān)關(guān)系。

圖2 實(shí)測(cè)光譜及Hyperion光譜信息與葉綠素含量相關(guān)關(guān)系Fig.2 Respective relationships between chlorophyll content and measured spectra，Hyperion spectra

從圖2可以看出，針對(duì)實(shí)測(cè)光譜與Hyperion光譜，葉綠素含量與葉片反射率及其對(duì)數(shù)的相關(guān)性基本一致;但其相關(guān)系數(shù)均偏小，這是由于不同植被的反射率有差異，影響了相關(guān)系數(shù)的大小，因此不能單獨(dú)利用反射率及其對(duì)數(shù)選取相關(guān)波段建模。由葉綠素含量和反射率一階導(dǎo)數(shù)的相關(guān)性可以發(fā)現(xiàn)，基于Hyperion光譜以及實(shí)測(cè)光譜的相關(guān)系數(shù)在可見(jiàn)光波段的形態(tài)、走勢(shì)大體是相同的，僅僅在細(xì)節(jié)上由于波譜分辨率的原因，實(shí)測(cè)光譜更加精細(xì);而在近紅外波段以后，實(shí)測(cè)光譜與Hyperion光譜有較大的差異，這一方面是因?yàn)镠yperion波譜分辨率較低，另一方面則是由于在此波譜范圍內(nèi)受葉片水分的影響較為嚴(yán)重。因此，若利用Hyperion數(shù)據(jù)的特征波段建模反演不同植被的葉綠素含量，應(yīng)依據(jù)近紅外波段附近的光譜一階導(dǎo)數(shù)與葉綠素含量的關(guān)系進(jìn)行波段選擇。

1.3 紅邊參數(shù)與葉綠素的關(guān)系

紅邊是綠色植物在680～740 nm之間反射率增高最快的波長(zhǎng)位置，也是光譜反射率一階導(dǎo)數(shù)在該區(qū)間內(nèi)的拐點(diǎn)。葉綠素含量與紅邊參數(shù)具有較好的相關(guān)關(guān)系[9]。對(duì)于紅邊參數(shù)的計(jì)算，首先要對(duì)光譜反射率進(jìn)行一階微分。由于光譜儀和傳感器所獲得的光譜數(shù)據(jù)是離散形式的，因此其微分的計(jì)算就變成了差分計(jì)算，本次研究中采用如下公式來(lái)求解光譜數(shù)據(jù)的微分。光譜反射率的一階微分計(jì)算公式為

式中:λi為第i波段的波長(zhǎng);ρ(λi)為波長(zhǎng) λi的一階微分光譜。

從一階微分?jǐn)?shù)值中提取基于光譜位置的主要變量“紅邊”(680～750 nm)內(nèi)最大的一階微分值即為紅邊斜率(Dr)，最大的一階微分值對(duì)應(yīng)的波長(zhǎng)位置即為紅邊位置(λr)。

圖3示出葉綠素含量與實(shí)測(cè)光譜紅邊參數(shù)(紅邊斜率、紅邊位置)之間的關(guān)系。

圖3 葉綠素含量與實(shí)測(cè)光譜紅邊參數(shù)的關(guān)系Fig.3 Relationship between chlorophyll content and red edge parameters of measured spectra

圖4 示出葉綠素含量與Hyperion光譜紅邊參 數(shù)(紅邊斜率、紅邊位置)之間的關(guān)系。

圖4 葉綠素含量與Hyperion光譜紅邊參數(shù)關(guān)系Fig.4 Relationship between chlorophyll content and red edge parameters of Hyperion spectra

從圖3和4可以看出，基于紅邊信息與葉綠素含量的關(guān)系進(jìn)行建模，由于不同植被受到葉綠素影響后，紅邊信息的改變具有明顯的差異性;所以通過(guò)實(shí)測(cè)數(shù)據(jù)建立的模型，僅紅邊位置與葉綠素含量的決策系數(shù)R2=0.334 3，具有一定的相關(guān)性;而紅邊斜率與葉綠素含量不具有相關(guān)性，這是由于數(shù)據(jù)量不足，對(duì)于紅邊斜率與葉綠素含量的關(guān)系不具有代表性。利用模擬的Hyperion數(shù)據(jù)與葉綠素含量進(jìn)行分析時(shí)，由于Hyperion數(shù)據(jù)的光譜分辨率為10～12 nm，這樣的光譜分辨率不能準(zhǔn)確地表達(dá)紅邊位置信息(其紅邊位置信息均集中在701 nm，711 nm和721 nm處，不能細(xì)微地得到不同葉綠素含量下較準(zhǔn)確的紅邊位置)，因此，對(duì)于Hyperion數(shù)據(jù)，不同植被、不同葉綠素含量與紅邊位置無(wú)準(zhǔn)確關(guān)系，紅邊斜率與葉綠素含量的相關(guān)性更低。

1.4 植被指數(shù)與葉綠素的關(guān)系

以植被指數(shù)為自變量，利用植被冠層光譜反射特征，通過(guò)葉綠素含量與植被指數(shù)的經(jīng)驗(yàn)回歸關(guān)系估算葉綠素含量，這種方法是現(xiàn)今較常用的一種反演葉綠素含量的建模方法。很多關(guān)于植被的指數(shù)已被采用不同的方法構(gòu)建出來(lái)，并成功地應(yīng)用于估算植被的葉綠素含量。利用植被指數(shù)反演葉綠素含量的依據(jù)主要是利用高光譜數(shù)據(jù)波段窄而連續(xù)的特點(diǎn)，根據(jù)葉綠素與光譜的吸收、反射關(guān)系，通過(guò)尋找若干波段組合得到植被指數(shù)削弱、影響葉片光譜的因素，從而更好地建立葉綠素含量與植被指數(shù)之間的關(guān)系。本文選擇歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)[10]，優(yōu)化的簡(jiǎn)單比值植被指數(shù)(modified simple ratio，MSR)[11]，優(yōu)化的葉綠素吸收率指數(shù)(modified chlorophyll absorption ratio index，MCARI)[12]，以及基于改進(jìn)的葉綠素吸收率指數(shù)(transformed chlorophyll absorption in reflectance index，TCARI)和MCARI與土壤背景指數(shù)(optimized soil-adjusted vegetation index，OSAVI)[13]的混合植被指數(shù) TCARI/OSAVI和 MCARI/OSAVI等5個(gè)植被指數(shù)(表1)，分別利用基于實(shí)測(cè)光譜及Hyperion光譜的植被指數(shù)進(jìn)行葉綠素含量反演建模。

表1 本文使用的植被指數(shù)Tab.1 Vegetation indexes used in this paper

對(duì)以上各光譜參量與葉綠素含量，分別采用線性模型、指數(shù)模型和對(duì)數(shù)模型等不同模型進(jìn)行回歸分析，計(jì)算最合適的回歸模型?；貧w結(jié)果如圖5和圖6所示。

圖5 葉綠素含量與實(shí)測(cè)光譜構(gòu)建植被指數(shù)關(guān)系Fig.5 Relationship between chlorophyll content and vegetation index built with measured spectra

圖6 葉綠素含量與Hyperion光譜構(gòu)建植被指數(shù)關(guān)系Fig.6 Relationship between chlorophyll content and vegetation index built with Hyperion spectra

由圖5和6可以看出，雖然在建立回歸關(guān)系的過(guò)程中不同的指數(shù)有著不同的回歸關(guān)系，但利用實(shí)測(cè)光譜和Hyperion光譜構(gòu)建的植被指數(shù)分別得到的回歸模型，其決策系數(shù)R2并沒(méi)有顯著的差別。這一方面是由于很多光譜指數(shù)在構(gòu)建時(shí)已經(jīng)考慮到了較小的波譜分辨率，另一方面則是由于植被指數(shù)多利用幾個(gè)波段之間的相對(duì)關(guān)系，而Hyperion圖像的波譜分辨率完全能夠滿足體現(xiàn)波段間相對(duì)關(guān)系的要求。相比較而言，MSR[705，750]與多種植被葉綠素含量的回歸結(jié)果最好，因?yàn)?MSR[705，750]考慮了近紅外波段和紅波段的反射率之比，能夠較好地克服大氣、土壤和背景等因素的影響。

綜上所述，采取植被指數(shù)的方法、利用Hyperion圖像反演不同植被葉綠素含量時(shí)，植被指數(shù)通常選擇 MSR[705，750]。

2 實(shí)驗(yàn)結(jié)果與分析

選擇甘肅省張掖市為實(shí)驗(yàn)區(qū)，利用植被指數(shù)MSR[705，750]，基于 Hyperion 數(shù)據(jù)建立經(jīng)驗(yàn)?zāi)Ｐ?，進(jìn)行反演多種植被葉綠素含量的實(shí)驗(yàn)。實(shí)驗(yàn)區(qū)范圍在E100.291 941°～ 100.452 943°，N38.313 695°～39.169 923°之間。覆蓋實(shí)驗(yàn)區(qū)的Hyperion圖像的獲取時(shí)間為2008年7月15日。實(shí)驗(yàn)區(qū)內(nèi)的主要植被包括玉米和小麥等，利用葉綠素儀(又稱“土壤、作物分析儀”，soil and plant analyzer development，SPAD)測(cè)量實(shí)驗(yàn)區(qū)內(nèi)大塊農(nóng)田的玉米和小麥的葉綠素含量。SPAD通過(guò)測(cè)量葉子對(duì)2個(gè)波譜段內(nèi)的吸收率來(lái)評(píng)估當(dāng)前葉子中的葉綠素的相對(duì)含量，其值與葉綠素含量具有正相關(guān)性，故可利用SPAD的測(cè)量值表征葉綠素的相對(duì)含量。因葉綠素含量與植被指數(shù) MSR[705，750]成指數(shù)關(guān)系，SPAD 與葉綠素含量具有正相關(guān)性，所以 SPAD 與植被指數(shù) MSR[705，750]也成指數(shù)關(guān)系。利用 SPAD 與 MSR[705，750]建立經(jīng)驗(yàn)?zāi)Ｐ?。圖7示出實(shí)驗(yàn)區(qū)內(nèi)的葉綠素相對(duì)含量與植被指數(shù) MSR[705，750]之間的關(guān)系。

圖7 實(shí)驗(yàn)區(qū)內(nèi)葉綠素相對(duì)含量與MSR[705，750]關(guān)系Fig.7 Relationship between relative chlorophyll content and MSR[705，750] in test area

根據(jù)地面實(shí)測(cè)的玉米和小麥SPAD值，結(jié)合Hyperion數(shù)據(jù)對(duì)應(yīng)點(diǎn)的MSR指數(shù)，得到預(yù)測(cè)葉綠素含量的回歸模型。對(duì)模型預(yù)測(cè)結(jié)果與實(shí)測(cè)的檢驗(yàn)樣本葉綠素含量進(jìn)行對(duì)比分析的結(jié)果如表2所示。

可以看出，利用植被指數(shù)MSR得到的回歸模型能很好地滿足利用星載傳感器數(shù)據(jù)反演不同植被葉綠素含量的要求，誤差小于5%。

表2 回歸模型預(yù)測(cè)誤差Tab.2 Prediction error of regression model

基于Hyperion高光譜圖像以及得到的張掖地區(qū)葉綠素含量預(yù)測(cè)模型，能夠?qū)φ皥D像進(jìn)行填圖，得到預(yù)測(cè)的葉綠素相對(duì)含量分布圖(圖8)。

圖8 葉綠素相對(duì)含量分布圖Fig.8 Distribution map of relative chlorophyll content

根據(jù)遙感圖像與實(shí)測(cè)葉綠素含量、基于MSR指數(shù)建立的模型，反演得到葉綠素含量分布圖，能夠形象地反映出張掖地區(qū)各種植被的葉綠素含量，大大減少了工作量，而且利于后續(xù)的對(duì)植被葉綠素含量的分析與利用。

3 結(jié)論

針對(duì)實(shí)測(cè)光譜數(shù)據(jù)和Hyperion模擬數(shù)據(jù)，利用經(jīng)驗(yàn)方法建模，反演葉綠素含量，得出如下結(jié)論:

1)對(duì)多種植被而言，Hyperion光譜紅邊參數(shù)與葉綠素含量的相關(guān)關(guān)系不明顯。

2)植被葉片反射率及其倒數(shù)、對(duì)數(shù)等形式與葉綠素含量相關(guān)性較低，Hyperion光譜一階導(dǎo)數(shù)與實(shí)測(cè)光譜相比，丟失很多細(xì)節(jié)內(nèi)容;而且利用Hyperion光譜及其變化形式建模時(shí)，特征波段會(huì)隨著不同區(qū)域而變化，普適性較低。

3)利用Hyperion光譜構(gòu)建植被指數(shù)，與葉綠素含量具有較高的相關(guān)性;構(gòu)建的模型能夠很好地反演得到葉綠素含量，其中MSR指數(shù)與葉綠素含量的相關(guān)性最高，回歸結(jié)果能夠很好地預(yù)測(cè)不同區(qū)域的葉綠素含量。

4)利用MSR指數(shù)進(jìn)行Hyperion圖像葉綠素含量制圖，方法簡(jiǎn)便，不僅能夠快速獲得區(qū)域性葉綠素分布情況，而且得到的不同植被的葉綠素含量比較準(zhǔn)確，能夠?yàn)榫珳?zhǔn)農(nóng)業(yè)研究、植被生產(chǎn)力估算、病蟲(chóng)害防治等一系列應(yīng)用提供有效的支持。

利用經(jīng)驗(yàn)?zāi)Ｐ瓦M(jìn)行植被葉綠素含量的估算，需進(jìn)一步對(duì)植被類型進(jìn)行分析整理，從而建立不同的種類體系，使反演結(jié)果更加精確。

[1]Curran P J，Dungan J L，Gholz H L.Exploring the relationship between reflectance red edge and chlorophyll content in slash pine[J].Tree Physiol，1990，7(1/4):33-38.

[2]Gitelson A A，Merzlyak M N.Signature analysis of leaf reflectance spectra:Algorithm development for remote sensing[J].Plant Physiol，1996，148(3/4):493-500.

[3]Jacquemoud S，Ustin S L，Verdebout J，et al.Estimating leaf biochemistry using the PROSPECT leaf optical properties model[J].Remote Sensing of Environment，1996，56(3):194-202

[4]Wessman C A，Aber J D，Peterson D L.An evaluation of imagings spectrometry for estimating forest canopy chemistry[J].International Journal of Remote Sensing，1989，10(8):1293-1316.

[6]吳朝陽(yáng)，牛 錚.植物光化學(xué)植被指數(shù)對(duì)葉片生化組分參數(shù)的敏感性[J].中國(guó)科學(xué)院研究生院學(xué)報(bào)，2008，25(3):346-354.Wu C Y，Niu Z.Sensitivity study of photochemical reflectance index to leaf biochemical components[J].Journal of the Graduate School of the Chinese Academy of Sciences，2008，25(3):346-354.

[7]吳朝陽(yáng)，牛 錚.基于輻射傳輸模型的高光譜植被指數(shù)與葉綠素濃度及葉面積指數(shù)的線性關(guān)系改進(jìn)[J].植物學(xué)通報(bào)，2008，25(6):714-721.Wu C Y，Niu Z.Improvement in linearity between hyperspectral vegetation indices and chlorophyll content，leaf area index based on radiative transfer models[J].Chinese Bulletin of Botany，2008，25(6):714-721.

[8]方 慧，宋海燕，曹 芳，等.油菜葉片的光譜特征與葉綠素含量之間的關(guān)系研究[J].光譜學(xué)與光譜分析，2007，27(9):1731-1734.Fang H，Song H Y，Cao F，et al.Study on the relationship between spectral properties of oilseed rape leaves and their chlorophyll content[J].Spectroscopy and Spectral Analysis，2007，27(9):1731-1734.

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

[10]Gitelson A，Merzlyak M N.Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L.and Acer platanoides L.leaves.spectral features and relation to chlorophyll estimation[J].Journal of Plant Physiology，1994，143(3)，286-292.

[11]Chen J.Evaluation of vegetation indices and modified simple ratio for boreal applications[J].Canadian Journal of Remote Sensing，1996，22:229 –242.

[12]Daughtry C S T，Walthall C L，Kim M S，et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote Sensing of Environment，2000，74(2):229-239.

[13]Rondeaux G，Steven M，Baret F.Optimization of soil-adjusted vegetation indices[J].Remote Sensing of Environment，1996，55(2):95–107.

[14]Curran P J.Remote sensing of foliar chemistry[J].Remote Sensing of Environment，1989，30(3):271-278.

[15]Rouse J W，Haas R H，Schell J A，et al.Monitoring the vernal advancements and retrogradation(greenwave effect)of natural vegetation[R].NASA/GSFC，F(xiàn)inal Report，Greenbelt，MD，USA，1974:1-137.

[16]陳君穎，田慶久，亓雪勇，等.基于Hyperion影像的水稻冠層生化參量反演[J].遙感學(xué)報(bào)，2009，13(6):1106-1121.Chen J Y，Tian Q J，Qi X Y，et al.Rice canopy biochemical concentration retrievals based on Hyperion data[J].Journal of Remote Sensing，2009，13(6):1106-1121.

[17]鞠昌華，田永超，朱 艷，等.小麥疊加葉片的葉綠素含量光譜反演研究[J].麥類作物學(xué)報(bào)，2008，28(6):1068-1074.Ju C H，Tian Y C，Zhu Y，et al.Spectral inverse study of stacked leaf chlorophyll concentration in wheat[J].Journal of Triticeae Crops，2008，28(6):1068-1074.

[18]楊敏華，劉良云，劉團(tuán)結(jié)，等.小麥冠層理化參量的高光譜遙感反演試驗(yàn)研究[J].測(cè)繪學(xué)報(bào)，2002，31(4):316-321.Yang M H，Liu L Y，Liu T J，et al.Research on a method to retrieve biophysical and biochemical parameters of wheat canopy with hyperspectral remote sensing[J].Acta Geodaetica et Cartographica Sinica，2002，31(4):316-321.

[19]顏春燕.遙感提取植被生化組分信息方法與模型研究[D].北京:中國(guó)科學(xué)院遙感應(yīng)用研究所，2004.Yan C Y.Study on methods and models for vegetation biochemical information retrieval by remote sensing[D].Beijing:Institute of Remote Sensing Applications，Chinese Academy of Sciences，2004.