冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)高光譜遙感反演研究

孫勃巖，常慶瑞，劉夢云

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

冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)高光譜遙感反演研究

孫勃巖，常慶瑞，劉夢云

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

葉綠素質(zhì)量分?jǐn)?shù)是評估冬小麥生長狀況和預(yù)測產(chǎn)量的重要參數(shù)，估算葉綠素質(zhì)量分?jǐn)?shù)對于冬小麥的生長監(jiān)測具有重要意義。利用SPAD-502葉綠素儀和SVCHR 1024i型便攜式高光譜儀對冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)和光譜特征進(jìn)行田間測量，分別利用回歸分析方法和BP神經(jīng)網(wǎng)絡(luò)方法搭建冬小麥葉綠素質(zhì)量分?jǐn)?shù)的估算模型，并將模型估算的葉綠素質(zhì)量分?jǐn)?shù)與田間實(shí)測的葉綠素質(zhì)量分?jǐn)?shù)進(jìn)行對比，分析反演精度，從中篩選出精度最高的模型。結(jié)果表明：基于BP神經(jīng)網(wǎng)絡(luò)的冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)估算模型擬合精度要優(yōu)于其他7種基于植被指數(shù)的估算模型，其相關(guān)系數(shù)(R)為0.961 4，均方根誤差(RMSE)為1.875 4，相對誤差(RE)為2.815 2%，以及檢驗(yàn)方程的決定系數(shù)(R2)為0.704 8，RMSE為1.744 6，RE為2.845 1%。研究結(jié)果為估測冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)提供參考，從而為冬小麥葉綠素質(zhì)量分?jǐn)?shù)的實(shí)時、快速、無損監(jiān)測奠定基礎(chǔ)。

冬小麥；葉綠素質(zhì)量分?jǐn)?shù)；光譜特征；BP神經(jīng)網(wǎng)絡(luò)；植被指數(shù)

葉綠素是植物葉片中基本組成物質(zhì)，葉綠體是光合過程發(fā)生的載體，對太陽輻射的光能利用、大氣二氧化碳的吸收，光合進(jìn)程等具有密切關(guān)系，直接影響到作物與外界的物質(zhì)能量交換及作物的物質(zhì)積累，其質(zhì)量濃度的高低對植物光合效率、發(fā)育狀況等有重要的指示作用[1-2]。因此，利用高光譜遙感技術(shù)獲取反映冬小麥長勢狀況和光合生產(chǎn)能力的葉綠素質(zhì)量分?jǐn)?shù)信息，建立冬小麥冠層葉綠素的遙感監(jiān)測和診斷模型，能夠有效地對冬小麥進(jìn)行實(shí)時快速無損的長勢監(jiān)測[3-4]。

近年來，高光譜遙感技術(shù)已被廣泛應(yīng)用于資源調(diào)查、地質(zhì)勘探、環(huán)境監(jiān)測調(diào)查、土壤監(jiān)測、水文觀測等領(lǐng)域，取得很好的應(yīng)用效果。同時逐步應(yīng)用于農(nóng)作物病蟲害監(jiān)測、農(nóng)作物長勢監(jiān)測、作物品質(zhì)監(jiān)測等方面。宋開山等[5-7]采用小波分析對采集的光譜反射率數(shù)據(jù)進(jìn)行能量系數(shù)提取,并以小波能量系數(shù)作為自變量進(jìn)行單變量與多變量回歸分析,對葉綠素質(zhì)量分?jǐn)?shù)進(jìn)行估算。楊峰等[8]利用高光譜遙感技術(shù)分析水稻和小麥2種作物不同生育期的冠層光譜及其葉面積指數(shù)、葉綠素密度的變化，比較高光譜植被指數(shù)與2種作物的葉面積指數(shù)和葉綠素密度之間的關(guān)系，最后確定估算2種作物的葉面積指數(shù)和葉綠素密度最佳植被指數(shù)。但農(nóng)作物的高光譜應(yīng)用技術(shù)的研究主要集中于中國東部地區(qū)，而中國西北地區(qū)研究相對較少。不同地區(qū)、不同環(huán)境中的冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)對光譜的敏感波段不完全相同，不同環(huán)境下的植被指數(shù)對葉綠素質(zhì)量分?jǐn)?shù)變化的敏感程度也不同。

因此，本試驗(yàn)嘗試?yán)酶吖庾V遙感技術(shù)對陜西省楊凌農(nóng)業(yè)高新示范區(qū)的冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)進(jìn)行估測，利用統(tǒng)計(jì)相關(guān)分析方法研究植被指數(shù)與葉綠素質(zhì)量分?jǐn)?shù)的相關(guān)性以及利用BP神經(jīng)網(wǎng)絡(luò)法建立葉綠素質(zhì)量分?jǐn)?shù)的估算模型。同時，全面對比各個預(yù)算模型的估算精度，確定較好的模型參數(shù)及估算模型，為利用高光譜技術(shù)無損、快速、準(zhǔn)確估測冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)提供依據(jù)，促進(jìn)高光譜技術(shù)在冬小麥營養(yǎng)的長勢監(jiān)測、快速診斷和估產(chǎn)中的普及與應(yīng)用。

1 材料與方法

1.1 樣品采集

試驗(yàn)設(shè)在西北農(nóng)林科技大學(xué)教學(xué)實(shí)驗(yàn)農(nóng)場農(nóng)作物試驗(yàn)站(108.07°E，34.30°N)，供試小麥品種為‘小偃22’，采用一次施足底肥，自然生長方式。共設(shè)置20個小區(qū)，每個小區(qū)面積4 m×5 m=20 m2，田間管理按照大田種植方式進(jìn)行。測定時間分別為2014-04-17和2014-04-22，是小麥的拔節(jié)-抽穗期。為保證試驗(yàn)的精確性和準(zhǔn)確性，每個小區(qū)選取2個樣點(diǎn)的小麥，要求其長勢能代表該區(qū)域生產(chǎn)特性，進(jìn)行葉片光譜和葉綠素質(zhì)量分?jǐn)?shù)的測定。

1.2 光譜測定

使用美國SVCHR 1024i型便攜式高光譜儀，波段范圍是350～2 500 nm，其中350～1 000 nm波段的光譜分辨率為1.4 nm，波段1 000～1 850 nm的光譜分辨率為3.8 nm，波段1 850～2 500 nm光譜分辨率為2.4 nm。測定時間選擇在晴朗無云無風(fēng)的11:00-14:00，傳感器探頭垂直向下，距離小麥冠層頂部約1 m，光譜儀視場角選用8°，每次測量前進(jìn)行白板矯正，消除陽光強(qiáng)度變化對光譜的影響，每樣點(diǎn)測10條曲線，最后將10條光譜曲線進(jìn)行平均，其值作為該樣點(diǎn)的光譜曲線。

1.3 葉綠素質(zhì)量分?jǐn)?shù)測定

采用由日本KONICA MINOLTA公司生產(chǎn)的SPAD-502葉綠素計(jì)，該儀器利用葉綠素對于紅光和近紅外光吸收特性的原理，進(jìn)而得到植物葉綠素質(zhì)量分?jǐn)?shù)的相對值，SPAD值與植物葉綠素質(zhì)量分?jǐn)?shù)呈極顯著相關(guān)，測量的SPAD值可以代表植物葉綠素的相對質(zhì)量分?jǐn)?shù)。因此，本試驗(yàn)冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)由其測量的SPAD值代替。測量時，在光譜測定對應(yīng)的小麥冠層選擇長勢均勻的葉片測量10次，取其平均值作為該采樣點(diǎn)的葉綠素質(zhì)量分?jǐn)?shù)。

1.4 數(shù)據(jù)處理

采用Excel 2012,SPSS 22.0、Matlab 2014 a等軟件對數(shù)據(jù)進(jìn)行處理，進(jìn)而對葉綠素質(zhì)量分?jǐn)?shù)與植物光譜進(jìn)行相關(guān)性分析。首先對原始數(shù)據(jù)進(jìn)行篩選，去除特異值，最終選取71個采樣點(diǎn)數(shù)據(jù)用作相關(guān)性分析。隨機(jī)選取50組數(shù)據(jù)用來確定估算模型，其余的21組采樣點(diǎn)數(shù)據(jù)用來確定驗(yàn)證模型。未檢驗(yàn)反演模型的精確程度、實(shí)測值與預(yù)測值的擬合效果，以反演模型的決定系數(shù)(R2)、相對誤差(RE)和均方根誤差(RMSE)作為重要依據(jù)評價模型精確程度和擬合效果。式(1)為均方根誤差的計(jì)算公式，式(2)為相對誤差的計(jì)算公式[9]。

(1)

(2)

分析冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)與植被指數(shù)的相關(guān)性，結(jié)合研究區(qū)域的冬小麥生育期光譜特征，分別篩選出對冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)敏感的最佳植被指數(shù)(表1)。

2 結(jié)果與分析

2.1 不同葉綠素質(zhì)量分?jǐn)?shù)的冬小麥高光譜特征

表1 高光譜植被指數(shù)及表達(dá)式Table 1 Hyperspectral vegetation indices and expression

注：R800、R670、R660、R777、R747、R750、R705、R445、R673、R795、R667分別為 800、670、660、777、747、750、705、445、673、795、667 nm 波段的光譜反射率。

Note:R800、R670、R660、R777、R747、R750、R705、R445、R673、R795、R667is spectral reflectance of 800,670,660,777,747,750,705,445,673、795、667 nm,respectively.

冬小麥的葉片由表皮、葉綠素顆粒組成的柵欄組織和多孔薄壁細(xì)胞組織構(gòu)成，入射到葉片上的太陽輻射透過上表皮，葉綠素吸收藍(lán)紅光進(jìn)行光合作用，綠光大部分也被吸收，僅有少部分被反射，所以葉片呈現(xiàn)綠色。而近紅外線則能夠穿透葉綠素，被多孔薄壁細(xì)胞組織反射，因而形成強(qiáng)反射。由圖1可知，不同葉綠素質(zhì)量分?jǐn)?shù)的冬小麥冠層光譜特征總體上保持一致。在400～500 nm的藍(lán)紫光波段和600～700 nm的紅光波段，形成2個吸收谷，在500～600 nm波段形成1個反射峰，在700～750 nm的近紅外波段，光譜反射率急劇上升，750 nm以上形成高反射平臺；同時，葉綠素質(zhì)量分?jǐn)?shù)不同會造成植物光譜吸收特征的變化，隨著葉綠素質(zhì)量分?jǐn)?shù)的增加，在可見光波段，光譜曲線向下移動，在近紅外波段，反射率逐漸升高。由此可以證明，冬小麥冠層光譜曲線特征與葉綠素質(zhì)量分?jǐn)?shù)有著密不可分的聯(lián)系，可以嘗試將光譜特征與葉綠素質(zhì)量分?jǐn)?shù)建立相關(guān)性，進(jìn)而估算葉綠素質(zhì)量分?jǐn)?shù)。

圖1 不同葉綠素質(zhì)量分?jǐn)?shù)冬小麥冠層高光譜曲線Fig.1 Canopy hyperspectral reflectance of winter wheat in different chlorophyll mass fraction

2.2 植被指數(shù)與冬小麥葉綠素質(zhì)量分?jǐn)?shù)的相關(guān)性

通過冬小麥冠層光譜反射率，依據(jù)表1公式計(jì)算各種植被指數(shù)，分析植被指數(shù)與葉綠素質(zhì)量分?jǐn)?shù)的相關(guān)性。由表 2可以看出，冬小麥冠層7種植被指數(shù)均與葉綠素質(zhì)量分?jǐn)?shù)達(dá)到顯著相關(guān)水平(P<0.01)，其相關(guān)系數(shù)為0.591～0.784，并且與葉綠素質(zhì)量分?jǐn)?shù)都是正相關(guān)關(guān)系，即葉綠素質(zhì)量分?jǐn)?shù)隨著植被指數(shù)增加而增加。其中NVI與葉綠素質(zhì)量分?jǐn)?shù)的相關(guān)性最高，達(dá)到0.784，RVI與葉綠素質(zhì)量分?jǐn)?shù)相關(guān)性相對較低，為0.591。根據(jù)統(tǒng)計(jì)學(xué)相關(guān)規(guī)定，以上7種植被指數(shù)與葉綠素質(zhì)量分?jǐn)?shù)均達(dá)到中度相關(guān)，說明這些植被指數(shù)均能夠較好反映葉綠素質(zhì)量分?jǐn)?shù)的變化，能夠用來搭建估算模型。

表2 植被指數(shù)與葉綠素質(zhì)量分?jǐn)?shù)的相關(guān)系數(shù)Table 2 Correlation coefficient between vegetation indices and chlorophyll mass fraction

注：“**”表示在 0.01 水平上相關(guān)。

Note:“**” significant correlation at 0.01 level.

2.3 冬小麥葉綠素質(zhì)量分?jǐn)?shù)高光譜估算模型及其檢驗(yàn)

不同類型的植被指數(shù)所構(gòu)建的回歸模型對結(jié)果精度存在一定影響，為比較 7 種植被指數(shù)構(gòu)建的葉綠素質(zhì)量分?jǐn)?shù)高光譜估算模型的效果，以決定系數(shù)(R2)、均方根誤差(RMSE)和相對誤差(RE)作為評價指標(biāo)，選擇擬合度較高的模型為最終估算模型，結(jié)果如圖2所示。由圖2可見，通過各種植被指數(shù)均能搭建精度較好的冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)估算模型R2為0.356 4～0.640 1；同時， 7類估算模型都是非線性模型，即冬小麥葉綠素質(zhì)量分?jǐn)?shù)隨著植被指數(shù)呈曲線變化。7類葉綠素質(zhì)量分?jǐn)?shù)估算模型中，RE為3.958 7%～5.407 4%，RMSE為2.368 3～3.167 6。對比分析7類估算模型發(fā)現(xiàn)，基于NVI構(gòu)建的葉綠素質(zhì)量分?jǐn)?shù)估算模型精度最高，擬合方程為y=-122x2+91.875x+36.882，R2為0.640 1，RE為3.958 7%，RMSE為2.368 3。

圖2 不同植被指數(shù)擬合的葉綠素質(zhì)量分?jǐn)?shù)估算模型Fig.2 Chlorophyll mass fraction estimation model with different vegetation indices

通過21組檢測數(shù)據(jù)對估算模型驗(yàn)證，結(jié)果如表3。表3中擬合方程x代表實(shí)測的SPAD值，y代表該植被指數(shù)擬合方程得到的預(yù)測SPAD值。由此可知，基于7種植被指數(shù)建立的冬小麥葉綠素質(zhì)量分?jǐn)?shù)驗(yàn)證模型，R2為0.210 5～0.637 1，RE為3.238 7%～4.907 1%，RMSE為2.007 8～3.084 9。對比分析7類葉綠素質(zhì)量分?jǐn)?shù)驗(yàn)證模型發(fā)現(xiàn)，基于新型植被指數(shù)NVI構(gòu)建的葉綠素質(zhì)量分?jǐn)?shù)驗(yàn)證模型精度最高，R2為0.637 1，RE為3.238 7%，RMSE為2.007 8，是冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)最佳估算模型。

2.4 基于BP神經(jīng)網(wǎng)絡(luò)的冬小麥葉綠素質(zhì)量分?jǐn)?shù)估算模型與檢驗(yàn)

神經(jīng)網(wǎng)絡(luò)在遙感影像分類領(lǐng)域應(yīng)用廣泛，國內(nèi)外學(xué)者使用BP神經(jīng)網(wǎng)絡(luò)對土地類型進(jìn)行遙感分類，結(jié)果表明其分類精度比傳統(tǒng)的分類方法更準(zhǔn)確[17-19]。本試驗(yàn)神經(jīng)網(wǎng)絡(luò)分析通過Matlab軟件實(shí)現(xiàn)，其分為輸入層、隱藏層和輸出層3個層級。通常構(gòu)成植被指數(shù)的波段相對局限，不能完整的反映植物光譜特征，因此，本試驗(yàn)嘗試采用能反映植物光譜特征的不同的敏感波段作為輸入層來預(yù)測冬小麥葉綠素質(zhì)量分?jǐn)?shù)的變化趨勢。從獲得的71組有效數(shù)據(jù)中，隨機(jī)選擇50組作為建模訓(xùn)練樣本，剩余數(shù)據(jù)為模型檢驗(yàn)樣本。選擇對冬小麥葉綠素質(zhì)量分?jǐn)?shù)變化較為敏感的藍(lán)光波段450 nm，綠光波段550 nm，紅光波段667 nm，近紅外波段795 nm的反射率作為輸入層，輸入層變量數(shù)為4，達(dá)到不同波段優(yōu)勢互補(bǔ)的目的。輸出層為葉綠素質(zhì)量分?jǐn)?shù)，神經(jīng)元為1。

BP神經(jīng)網(wǎng)絡(luò)中,隱含層節(jié)點(diǎn)數(shù)的選取十分重要，它決定網(wǎng)絡(luò)是否成功。本研究確定BP神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)使用以下方法[20]：

式中，m表示隱含節(jié)點(diǎn)數(shù)，n表示輸入層節(jié)點(diǎn)數(shù)(即樣本數(shù))，l表示輸出層節(jié)點(diǎn)數(shù),δ表示0～10之間的常數(shù)。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定后，將隱藏層激活函數(shù)設(shè)置為tansig，輸出層為葉綠素質(zhì)量分?jǐn)?shù)，神經(jīng)元數(shù)量為1，輸出層的激活函數(shù)設(shè)置成purelin，訓(xùn)練函數(shù)采用trainrp。預(yù)期的精度為0.1，訓(xùn)練的最大次數(shù)設(shè)置為1 000次。運(yùn)行結(jié)果如表4，在隱含節(jié)點(diǎn)數(shù)量達(dá)到17的情況下，訓(xùn)練模型的R為0.961 4，達(dá)到極顯著水平，RMSE為1.875 4，RE為2.815 2%，可以得到最好的葉綠素質(zhì)量分?jǐn)?shù)的最佳結(jié)果。用檢驗(yàn)樣本驗(yàn)證的結(jié)果如圖3，檢驗(yàn)?zāi)Ｐ偷腞2為0.704 8，達(dá)到極顯著水平，RMSE為1.744 6，RE為2.845 1%。因此，BP神經(jīng)網(wǎng)絡(luò)可用來進(jìn)行冬小麥冠層葉綠素的分析預(yù)測與反演。

2.5 葉綠素質(zhì)量分?jǐn)?shù)反演精度對比

比較上述的葉綠素質(zhì)量分?jǐn)?shù)植被指數(shù)估算模型和基于BP神經(jīng)網(wǎng)絡(luò)的葉綠素質(zhì)量分?jǐn)?shù)高光譜數(shù)據(jù)估算模型的擬合度和相對誤差。在基于植被指數(shù)的葉綠素質(zhì)量分?jǐn)?shù)估算模型中新型植被指數(shù)NVI葉綠素質(zhì)量分?jǐn)?shù)估算模型是最佳估算模型(R2=0.640 1，RMSE=2.368 6，RE=3.9587%)，但相較于BP神經(jīng)網(wǎng)絡(luò)估算模型(R=0.961 4，RMSE=1.875 4，RE=2.815 2%)還是略遜一籌。同時，通過檢驗(yàn)的結(jié)果來看，也是BP神經(jīng)網(wǎng)絡(luò)估算模型(R2=0.704 8，RMSE=1.744 6，RE=2.845 1%)反演精度更加精準(zhǔn)。因此，無論是模型擬合度還是反演精度都是基于BP神經(jīng)網(wǎng)絡(luò)的葉綠素質(zhì)量分?jǐn)?shù)高光譜數(shù)據(jù)估算模型更好，BP 神經(jīng)網(wǎng)絡(luò)法相較于傳統(tǒng)植被指數(shù)估算模型精度有較大的提升。

表4 神經(jīng)網(wǎng)絡(luò)模型結(jié)果 Table 4 Results of BP neural network model

圖3 BP神經(jīng)網(wǎng)絡(luò)擬合的葉綠素質(zhì)量分?jǐn)?shù)驗(yàn)證模型Fig.3 Chlorophyll mass praction performance model with BP neural network

3 結(jié) 論

不同葉綠素質(zhì)量分?jǐn)?shù)的冬小麥光譜特征總體上保持一致，隨著葉綠素質(zhì)量分?jǐn)?shù)的變化會造成植物光譜吸收特征的變化。葉綠素質(zhì)量分?jǐn)?shù)越高，可見光波段的反射率逐漸下降，近紅外波段的反射率逐漸升高。冬小麥冠層光譜曲線特征與葉綠素質(zhì)量分?jǐn)?shù)有著密不可分的聯(lián)系。

OSAVI、EVI2、NVI、mNDVI、RVI、DVI和NDVI7 種植被指數(shù)與冬小麥葉綠素質(zhì)量分?jǐn)?shù)關(guān)系密切，相關(guān)性均達(dá)到顯著水平；利用各種植被指數(shù)構(gòu)建的估算模型，模型決定系數(shù)(R2)、相對誤差(RE)和均方根誤差(RMSE)均達(dá)到建模精度要求。經(jīng)模型精度檢驗(yàn)決定系數(shù)(R2)略有降低，為0.210 5～0.637 1；相對誤差(RE)為3.238 7%～4.907 1%，均方根誤差(RMSE)為2.007 8～3.084 9，兩者都有所減少。其中NVI估算模型擬合度最好，誤差最小，擬合方程為y=-122x2+ 91.875x+36.882，適合進(jìn)行該地區(qū)冬小麥葉綠素質(zhì)量分?jǐn)?shù)反演。

利用 BP 神經(jīng)網(wǎng)絡(luò)輸入4個敏感波段反射率來估算冬小麥葉綠素質(zhì)量分?jǐn)?shù)，提升了反演精度。輸入的波段分別為藍(lán)光波段 450 nm 、綠光波段 550 nm、紅光波段 667 nm 及近紅外波段 795 nm。通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的估算模型，相關(guān)系數(shù)(R)0.961 4，均方根誤差(RMSE)1.875 4，相對誤差(RE)2.815 2%。BP 神經(jīng)網(wǎng)絡(luò)估算方法相較于傳統(tǒng)植被指數(shù)估算模型估測的冬小麥葉綠素質(zhì)量分?jǐn)?shù)精度有較大提高，更加適合估算冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)。

利用冬小麥冠層高光譜特征估測葉綠素質(zhì)量分?jǐn)?shù)為估測其葉綠素質(zhì)量分?jǐn)?shù)提供一種參考方法，從而為冬小麥葉綠素質(zhì)量分?jǐn)?shù)的實(shí)時、快速、無損監(jiān)測奠定基礎(chǔ)。本研究發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)方法比傳統(tǒng)回歸模型法更加適合冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)的反演研究，提升模型的擬合精度。與此同時還存在一定的不足，BP神經(jīng)網(wǎng)絡(luò)在搭建過程中一定要確保訓(xùn)練樣本數(shù)量相對較多，才能保證研究的適普性，并且沒有保存訓(xùn)練使用過的權(quán)值和閾值，增加樣本數(shù)量。在數(shù)學(xué)層面上，BP算法是一種局部搜索的優(yōu)化方法，但它要得到的結(jié)果是求解復(fù)雜非線性函數(shù)的全局極值，因此，這種算法有一定的概率在局部到達(dá)極值，導(dǎo)致訓(xùn)練無法完成，使得BP神經(jīng)網(wǎng)絡(luò)模型在實(shí)用性方向有待進(jìn)一步研究。本研究所測量的冬小麥地塊的土壤養(yǎng)分、種植方式、管理水平等也有一定的局限性，模型能否適合其他冬小麥種植區(qū)有待進(jìn)一步論證。

Reference：

[1] BROGE N H,MORTENSEN J V.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data [J].RemoteSensingofEnvironment,2002,81(1):45-57.

[2] DAUGHTRY C S T,WALTHALL C L,KIM M S,etal.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance [J].RemoteSensingofEnvironment,2000,74(2):229-239.

[3] 吳長山,項(xiàng)月琴,鄭蘭芬,等.利用高光譜數(shù)據(jù)對作物群體葉綠素密度估算的研究[J].遙感學(xué)報,2000,4(3):228-232．

WU CH SH,XIANG Y Q,ZHENG L F,etal.Estimating chlorophyll density of crop canopies by using hyperspectral data[J].JournalofRemoteSensing,2000,4(3):228-232(in Chinese with English abstract)．

[4] 唐延林,黃敬峰,王人潮.水稻不同發(fā)育時期高光譜與葉綠素和類胡蘿卜素的變化規(guī)律[J].中國水稻科學(xué),2004,18(1):59-66.

TANG Y L,HUANG J F,WANG R CH.Change law of hyperspectral data with chlorophyll and carotenoid for rice at different developmental stages[J].ChineseJournalofRiceSciences,2004,18(1):59-66(in Chinese with English abstract)．

[5] 宋開山,張 柏,王宗明,等.小波分析在大豆葉綠素含量高光譜反演中的應(yīng)用[J].中國農(nóng)學(xué)通報,2006,22(9):101-107.

SONG K SH,ZHANG B,WANG Z M,etal.Application of wavelet transformation in insitu measured hyperspectral data for soybean LAI estimation[J].ChineseAgriculturalScienceBulletin,2006,22(9):101-107(in Chinese with English abstract)．

[6] 宋開山,張 柏,王宗明,等.基于小波分析的大豆葉綠素a含量高光譜反演模型[J].植物生態(tài)學(xué)報,2008,32(1):152-160.

SONG K SH,ZHANG B,WANG Z M,etal.Soybean chlorophyll a concentration estimation models based on wavelet-transformed,in situ collected,canopy hyperspectral data[J].JournalofPlantEcology,2008,32(1):152-160(in Chinese with English abstract)．

[7] 宋開山,張 柏,王宗明,等.基于小波分析的玉米葉綠素a與LAI高光譜反演模型研究[J].農(nóng)業(yè)系統(tǒng)科學(xué)與綜合研究,2011,27(2):154-160.

SONG K SH,ZHANG B,WANG Z M,etal.Corn chlorophyll-a concentration and LAI estimation models based on wavelet transformed canopy hyperspectral reflectance[J].SystemSciencesandComprehensiveStudiesinAgriculture,2011,27(2):154-160(in Chinese with English abstract)．

[8] 楊 峰,范亞民,李建龍,等.高光譜數(shù)據(jù)估測稻麥葉面積指數(shù)和葉綠素密度[J].農(nóng)業(yè)工程學(xué)報，2010，26(2):237-243.

YANG F,FAN Y M,LI J L,etal.Estimating LAI and CCD of rice and wheat using hyperspectral remote sensing data[J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2010，26(2):237-243(in Chinese with English abstract)．

[9] 王紀(jì)華,趙春江,黃文江,等.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.

WANG J H,ZHAO CH J,HUANG W J,etal.Quantitative Remote Sensing of Agriculture Base and Application[M].Beijing:Science Press,2008(in Chinese)．

[10] RONDEAUX G,STEVEN M,BARET F.Optimization of soil adjusted vegetation indices[J].RemoteSensingofEnvironment,1996,55(2):95-107.

[11] JIANG Z,HUETE A R,DIDAN K,etal.Development of a two-band enhanced vegetation index without a blue band[J].RemoteSensingofEnvironment,2008,112(10):3833-3845.

[12] GUPTA R K,VIJAYAN D,PRASAD T S.Comparative analysis of red edge hyperspectral indices[J].AdvanceSpaceResearch,2003,32(11):2217-2222.

[13] 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[J].RemoteSensingofEnvironment,2002,81(2-3):337-354.

[14] ANDERSON G L,HANSON J D,HAAS R H.Evaluating landsat thematic mapper derived vegetation indices for estimating above-ground biomass on semisrid rangelands[J].RemoteSensingofEnvironment,1993,45(2):165-175.

[15] RICHARDSON A J,WIEGAND C L.Distinguishing vegetation from soil background information[J].PhotogrammetricEngineeringandRemoteSensing,1977,43(12):1541-1552.

[16] MILLER J R,HARE E W,WU J.Quantitative characterization of the vegetation red edge reflectance 1.an inverted-gaussian reflectance model[J].InternationalJournalofRemoteSensing,1990,11(10):1755-1773.

[17] HEPNER G F,LOGAN T,RITTER N,etal.Artifieial neural network classification using minimal training set[J].PhotogrammetricEngineeringandRemoteSensing,1990,56(14):469-473.

[18] JUSTIN D P,ROBERT A S.A detailed comparison of backpropagation neural network and maximum-likelihood classifiers for urban land use classification[J].IEEETransactionsonGeoscienceandRemoteSensing,1995,33(4):564-582.

[19] 巴雅爾,敖登高娃,沈彥俊,等.地理信息系統(tǒng)支持下Spot/vegetation NDVI影像的大尺度神經(jīng)網(wǎng)絡(luò)分類[J].紅外與毫米波學(xué)報,2005,24(6):427-431.

BAYAER,AODENGGAOWA,SHEN Y J,etal.Spot/vegetation NDVI image's large scale neural networks classification supported by GIS [J].JournalofInfraredandMillimeterWaves,2005,24(6):427-431(in Chinese with English abstract)．

[20] 吳昌友.神經(jīng)網(wǎng)絡(luò)的研究及應(yīng)用[D].哈爾濱:東北林業(yè)大學(xué),2010.

WU CH Y.Study on estimation of forest canopy chlorophyll and nitrogen content by hyperspectral data [D].Harbin:Northeast Forestry University,2010(in Chinese with English abstract)．

(責(zé)任編輯：成 敏 Responsible editor:CHENG Min)

“的、地、得”的用法

“的”常用在介賓詞組，表達(dá)一種描述后的結(jié)果，通常用在名詞、形容詞后。例如，我們的祖國，強(qiáng)大的祖國，漂亮的姑娘……

“地”常用在動賓詞組，也是一種描述的后果，通常用在名詞、動詞、形容詞后。例如，部隊(duì)在快速地推進(jìn)、同志們緊張地開始工作……

“得”常表示一種后果，多出現(xiàn)在動補(bǔ)詞組，表示一種狀態(tài)，一種結(jié)果，通常用在動詞后，作為動補(bǔ)狀語出現(xiàn)。例如，高興得跳起來，打得你一佛出世二佛升天……

“的”后面跟的都是名詞，如“他的媽媽，可愛的花兒，誰的橡皮，清清的河水……”

“地”后面跟的都是表示動作的詞，如“用力地踢，仔細(xì)地看，開心地笑笑……”

“得”前面跟的多數(shù)是動詞，后面跟的都是形容詞，表示怎么怎么樣的，如“掃得真干凈，笑得多甜啊……”

補(bǔ)充兩點(diǎn)：1、如果“de”的后面是“很、真、太”等這些詞，十有八九用“得”。 2、有一種情況，如“他高興得一蹦三尺高”這句話里，后面的“一蹦三尺高”雖然是表示動作的，但是它是來形容“高興”的程度的，所以也應(yīng)該用“得”。

Inversion Chlorophyll Mass Fraction in Winter Wheat Canopy by Hyperspectral Reflectance

SUN Boyan,CHANG Qingrui and LIU Mengyun

(College of Natural Resources and Environment,Northwest A&F University,Yangling Shaanxi 712100,China)

Chlorophyll mass fraction is one of the important parameter to assess growth situation and forecast yields of winter wheat,it is significant to estimate chlorophyll mass fraction for monitoring of winter wheat growing information.During the growth of winter wheat growth stage,the winter wheat canopy spectral reflectance and chlorophyll mass fraction were monitored in the field by the SPAD-502 and the SVCHR 1024i handheld spectrometer.Based on the results of correlation analysis,the estimation models of chlorophyll mass fraction were established according to regression and BP neural network.Then simulation precision for different models were analyzed,evaluated and the best model from the different ones was chosen.The results showed that the fitting precision of estimation models with BP neural network were superior to other models of vegetation index.The coefficient of determination (R) was 0.961 4,the root mean square error (RMSE) was 1.875 4,the relative error (RE) was 2.815 2%.And the coefficient of determination (R2) of inspection equation was 0.704 8,RMSEof inspection equation was 1.744 6,REof inspection equation was 2.845 1%.The study provided a reference for estimating winter wheat by chlorophyll contents.And it would be a solid foundation for the winter wheat to obtain chlorophyll mass fraction of real-time,fast and nondestructive monitoring method.

Winter wheat；Chlorophyll mass fraction; Spectral characteristics；BP neural network；Vegetation index

SUN Boyan,male,master student.Research area:remote sensing model and information processing.E-mail:346713148@qq.com

CHANG Qingrui,male,doctoral supervisor.Research area:land resources and space information.E-mail:changqr@nwsuaf.edu.cn

日期：2017-03-30

2016-04-05

2016-06-12

國家高技術(shù)研究發(fā)展計(jì)劃(863計(jì)劃)(2013AA102401)。

孫勃巖，男，碩士研究生，研究方向?yàn)檫b感模型與信息處理。E-mail:346713148@qq.com

常慶瑞，男，博士生導(dǎo)師，主要從事土地資源與空間信息技術(shù)研究。E-mail:changqr@nwsuaf.edu.cn

S127

A

1004-1389(2017)04-0552-08

網(wǎng)絡(luò)出版地址：http://kns.cnki.net/kcms/detail/61.1220.S.20170330.1508.016.html

Received 2016-04-05 Returned 2016-06-12

Foundation item National High Technology Research and Development Program(“863”)(No.2013AA102401).