光譜技術(shù)在水稻生長監(jiān)測中的應(yīng)用研究進(jìn)展

曾水生等

摘 要：光譜技術(shù)可以快速、準(zhǔn)確、無損地獲取水稻生長狀態(tài)的實(shí)時(shí)信息，是水稻生長監(jiān)測和精確管理中實(shí)施變量投入不可或缺的關(guān)鍵技術(shù)。綜述了以光譜技術(shù)監(jiān)測水稻長勢（包括葉面積指數(shù)和生物量）、水稻生物化學(xué)參數(shù)（包括氮素營養(yǎng)和葉綠素含量）和水分的國內(nèi)外研究進(jìn)展，并提出了一些今后研究的設(shè)想，以期為提高水稻精確管理水平和單位面積產(chǎn)量提供技術(shù)支撐。

關(guān)鍵詞：水稻；光譜技術(shù)；生長監(jiān)測

中圖分類號：S311 文獻(xiàn)標(biāo)志碼：A 論文編號：2014-0613

Abstract： Spectrum technique can rapid， accurate and non-destructive monitoring the growth status of rice in the field. It is an essential key technique to implement variable input in rice growth monitoring and precision management. On the basis of spectrum technique， monitoring character of rice growth （including leaf area index and biomass）， bio-chemical parameters （including nitrogen nutrition and chlorophyll content） and water of rice were summarized and some ideas for further research were discussed in this paper， which could provide a technique support on improve precision management level and unit area grain yield in rice.

Key words： Rice； Spectrum Technique； Growth Monitoring

0 引言

精確農(nóng)業(yè)是現(xiàn)有農(nóng)業(yè)生產(chǎn)管理措施與現(xiàn)代信息高新技術(shù)的有機(jī)結(jié)合，其核心是針對作物群體生長差異精確投入，是實(shí)現(xiàn)農(nóng)業(yè)高產(chǎn)、優(yōu)質(zhì)、高效、低耗和安全的重要途徑[1-2]。光譜技術(shù)可實(shí)時(shí)、快速、準(zhǔn)確、無損地獲取農(nóng)作物生長發(fā)育、水肥狀況等信息，是實(shí)施精確農(nóng)業(yè)的重要工具[3]。基于反射光譜監(jiān)測作物生長狀況是實(shí)現(xiàn)作物長勢實(shí)時(shí)、無損、快速診斷的有效工具和手段，與傳統(tǒng)的診斷手段相比，該技術(shù)快速、無損、省時(shí)、省力，而且信息獲取量大，是作物精確管理中實(shí)施變量投入不可或缺的關(guān)鍵支撐技術(shù)。近年來，許多學(xué)者利用光譜技術(shù)在作物生長監(jiān)測方面開展了大量的相關(guān)研究，取得了不錯(cuò)進(jìn)展。如Shibayama等[4]利用多元回歸法分析了水稻多時(shí)相的可見光、近紅外與中紅外光譜和葉面積指數(shù)與地上部干物質(zhì)的關(guān)系；Bodo等[5]利用冠層光譜反射率估測了作物氮營素養(yǎng)狀況；田永超等分析了光譜植被指數(shù)與水稻葉面積指數(shù)[6]、葉層全氮含量[7]和植株含水率[8]等指標(biāo)間定量關(guān)系。光譜技術(shù)已成為精確農(nóng)業(yè)發(fā)展的重要方向和研究熱點(diǎn)之一，水稻是中國種植面積最大、單產(chǎn)最高的糧食作物之一，在中國糧食安全保障與社會(huì)經(jīng)濟(jì)發(fā)展中占有極其重要的地位，而前人專題針對光譜技術(shù)在水稻生長指標(biāo)監(jiān)測中的綜述研究較少。為此，筆者綜述了光譜技術(shù)在水稻葉面積指數(shù)、生物量、氮素營養(yǎng)、葉綠素含量、水分含量等生長指標(biāo)監(jiān)測中的應(yīng)用研究進(jìn)展，以期為提高水稻精確管理水平和單位面積產(chǎn)量提供技術(shù)支撐。

1 水稻長勢的監(jiān)測

1.1 水稻葉面積指數(shù)的監(jiān)測

葉面積指數(shù)（LAI）決定著水稻的許多生物和物理過程，是表征水稻光合面積大小和冠層結(jié)構(gòu)的重要參數(shù)，也是水稻生長模型和決策支持系統(tǒng)的重要輸入?yún)?shù)。因此，快速、實(shí)時(shí)地監(jiān)測水稻LAI狀況具有重要意義。光譜技術(shù)以其快速、實(shí)時(shí)、無損探測等特點(diǎn)，正逐步成為水稻LAI估測的有力工具，受到國內(nèi)外學(xué)者的廣泛關(guān)注[9]。利用遙感數(shù)據(jù)提取水稻LAI的方法可以采用構(gòu)造比值植被指數(shù)、歸一化植被指數(shù)、垂直植被指數(shù)等不同形式的光譜參數(shù)與LAI的相關(guān)分析來反演LAI[10-11]。隨著高光譜遙感技術(shù)的迅速發(fā)展，基于植被冠層反射光譜分析的導(dǎo)數(shù)和紅邊參數(shù)光譜技術(shù)也用來反演作物L(fēng)AI。劉偉東等[12]研究表明，LAI與一階微分光譜均表現(xiàn)出良好的相關(guān)性。王秀珍等[13]指出，歸一化差值植被指數(shù)、藍(lán)邊內(nèi)一階微分總和與紅邊內(nèi)一階微分總和的比值是估測水稻LAI的最佳參數(shù)。田永超等[6]研究指出，水稻LAI與部分高光譜植被指數(shù)存在良好的相關(guān)性，其中以差值指數(shù)DI（854，760）為變量建立的水稻LAI監(jiān)測模型效果最好，可用于水稻LAI的估測。Broge等[14]研究指出，基于高光譜的植被指數(shù)對LAI的估測并不優(yōu)于寬波段植被指數(shù)，加之高光譜遙感數(shù)據(jù)量大，處理復(fù)雜，實(shí)用性不如寬波段植被指數(shù)。為了提高水稻LAI的估測精度，有學(xué)者采用支持向量機(jī)和主成分分析法等模糊統(tǒng)計(jì)方法來估算LAI[15-16]。也有學(xué)者利用各種衛(wèi)星遙感數(shù)據(jù)，如MODIS具有不同波段設(shè)置和分辨率的影像在大范圍的LAI監(jiān)測中獲得了較好的反演效果[17]。上述研究表明，利用光譜技術(shù)可較好的估測水稻葉面積指數(shù)，能較好的解決傳統(tǒng)破壞性取樣獲取水稻葉面積指數(shù)方法費(fèi)力費(fèi)時(shí)的缺陷。

1.2 水稻生物量的監(jiān)測

生物量的大小是衡量水稻生長狀況的重要指標(biāo)，與水稻產(chǎn)量和LAI緊密相關(guān)。所以，用來監(jiān)測水稻LAI的方法均可用于生物量的監(jiān)測，主要是利用高光譜參數(shù)、植被指數(shù)和生物量進(jìn)行相關(guān)分析。如Casanova等[18]利用植被指數(shù)反射模型反演的光合有效輻射可準(zhǔn)確估算水稻的生物量。Prasad等[19]研究表明，生物量與近紅外波段（740～1100 nm）的反射率呈正相關(guān)，與紅光波段（620～700 nm）的反射率呈負(fù)相關(guān)。Takahashi等[20]研究表明，可利用冠層可見光和近紅外高光譜反射率來建立估算水稻干物質(zhì)重的監(jiān)測模型。Gitelson等[21]指出，可利用紅邊位置的對數(shù)方程估算生物量。同時(shí)，國內(nèi)學(xué)者也對水稻生物量的監(jiān)測開展了大量研究。唐延林等[22]利用760～900 nm和630～690 nm這2個(gè)寬波段的組合比值植被指數(shù)和歸一化植被指數(shù)估測了水稻鮮干葉重；他還利用紅邊位置、紅邊幅值監(jiān)測水稻、玉米等作物的鮮干葉重[23]。王秀珍等[24]指出，可利用藍(lán)邊內(nèi)一階微分總和與紅邊內(nèi)一階微分總和組成的比值植被指數(shù)來構(gòu)建水稻鮮重的監(jiān)測模型。為尋求有效的水稻生物量估算方法，張遠(yuǎn)等[25]嘗試開發(fā)了微波冠層散射模型，結(jié)果表明，利用微波遙感機(jī)理模型來反演水稻結(jié)構(gòu)參數(shù)和估算水稻生物量效果較好，具有應(yīng)用潛力。所以，通過對光譜數(shù)據(jù)進(jìn)行有效提取，建立高光譜參數(shù)與植被指數(shù)均可準(zhǔn)確的估測水稻生物量。

2 水稻生化參數(shù)的監(jiān)測

2.1 水稻氮素營養(yǎng)的監(jiān)測

氮素是水稻生長發(fā)育中最重要的營養(yǎng)元素之一，是評價(jià)水稻長勢、估測產(chǎn)量與品質(zhì)的重要參考指標(biāo)。氮肥施用過多或過少均會(huì)不同程度的影響水稻生長，導(dǎo)致葉綠素含量、生物量、葉面積指數(shù)等的變化，進(jìn)而改變水稻群體的冠層光譜反射率。所以，利用光譜技術(shù)無損監(jiān)測水稻氮素營養(yǎng)狀況始終是作物遙感監(jiān)測研究的重點(diǎn)[5]，對于診斷水稻生長特征、提高氮肥利用率、降低過量施氮帶來的農(nóng)田環(huán)境污染具有重要意義。20世紀(jì)70年代以來，國內(nèi)外許多學(xué)者廣泛開展了作物葉片氮素監(jiān)測診斷研究，尋找氮素的敏感波段及其反射率在不同氮素水平下的表現(xiàn)。Thomas等[26]利用550 nm和670 nm兩個(gè)波段定量估算了甜椒的氮素含量。Stone等[27]研究指出，可利用671 nm和780 nm這2個(gè)波段的光譜反射率組合植株—氮—光譜指數(shù)估測小麥全氮含量。以上研究提出的氮素敏感波段多位于可見光波段，并且認(rèn)為綠光附近效果最佳。在闡明氮素敏感波段后，國內(nèi)外學(xué)者利用各種統(tǒng)計(jì)方法尋找氮含量與光譜反射率及其演生參數(shù)間的定量關(guān)系，且構(gòu)建了估算作物氮素含量的監(jiān)測模型。如Nguyen等[28]采用偏最小二乘法預(yù)測了水稻葉片氮素狀況。Inoue等[29]研究指出，可利用可見光和近紅外區(qū)域內(nèi)高光譜數(shù)據(jù)的多元回歸模型來估測水稻葉片的氮素含量。楊長明等[30]研究發(fā)現(xiàn)，水稻葉片氮素含量和1376 nm波段的冠層光譜反射率呈負(fù)相關(guān)。朱艷等[31]研究指出，小麥和水稻的葉片氮素含量都與歸一化差值植被指數(shù)（1220，610）具有很好的相關(guān)性，可利用共同的波段與光譜指數(shù)來監(jiān)測其葉片氮素含量。譚昌偉等[32]分析了水稻氮素含量和原始光譜反射率、一階微分光譜及高光譜參數(shù)間的定量關(guān)系，建立與檢驗(yàn)了以光譜參數(shù)為變量的水稻氮素營養(yǎng)監(jiān)測診斷模型。田永超等[7]研究發(fā)現(xiàn)，綠光560 nm和紅邊705 nm波段附近光譜反射率與葉層全氮含量呈極顯著負(fù)相關(guān)，兩者分別與近紅外波段組合而成的光譜比值指數(shù)可較好地監(jiān)測水稻葉層全氮含量，其中綠光、紅邊窄波段比值指數(shù)SR（R780，R580）和SR（R780，R704）表現(xiàn)較好。覃夏等[33]建立基于水稻冠層歸一化植被指數(shù)NDVI的早稻氮素診斷模型，并利用模型指導(dǎo)水稻生產(chǎn)實(shí)踐，實(shí)現(xiàn)水稻氮素追肥的精確定量。由于水稻冠層光譜反射率受到葉片面積、角度、土壤覆蓋度和含水量等因子影響，同時(shí)，上述因子具有明顯的時(shí)空動(dòng)態(tài)性，所以，這樣構(gòu)建的氮素光譜診斷模型具有明顯的局限性，難以用于建模以外的時(shí)空條件，如何提高氮素光譜診斷模型的普適性有待進(jìn)一步深入探討。

2.2 水稻葉綠素的監(jiān)測

葉綠素是水稻葉片吸收轉(zhuǎn)化光能的重要物質(zhì)，是評價(jià)作物光合效率與營養(yǎng)脅迫的重要指標(biāo)。可見光波段是葉片葉綠素含量最敏感波段，藍(lán)光與紅光被葉綠素強(qiáng)烈吸收，導(dǎo)致反射率較小，綠光是葉綠素吸收低谷區(qū)[34]。許多研究表明[35-36]，可利用光譜技術(shù)來監(jiān)測作物葉片葉綠素含量。吳長山等[37]分析了水稻等作物的葉片光譜特征與葉綠素密度的關(guān)系，指出在762 nm波段的導(dǎo)數(shù)光譜與葉綠素密度具有高度的相關(guān)性。劉偉東等[12]分析了水稻整個(gè)生育期內(nèi)葉綠素密度與高光譜數(shù)據(jù)的關(guān)系，指出微分技術(shù)能夠改善光譜數(shù)據(jù)與葉綠素密度的相關(guān)性。另外，許多學(xué)者對水稻不同葉位葉片的葉綠素含量與光譜反射率間的關(guān)系進(jìn)行大量研究。孫雪梅等[38]研究指出，植被指數(shù)GNDVI和水稻抽穗后頂一葉葉綠素含量的關(guān)系最好。陳維君等[39]研究表明，mSR705和mND705是預(yù)測水稻乳熟后頂一葉葉綠素含量的良好光譜指數(shù)。楊杰等[40]分析了水稻主莖頂部4張葉片的高光譜反射率與葉綠素含量的定量關(guān)系，發(fā)現(xiàn)紅邊波段的比值和歸一化光譜指數(shù)可較好的估測水稻上部4葉的葉綠素含量。所以，利用高光譜數(shù)據(jù)可準(zhǔn)確地監(jiān)測水稻葉片的葉綠素密度與葉綠素含量等信息。

3 水稻水分的監(jiān)測

水分是影響作物生長發(fā)育、光合作用和呼吸作用的主要環(huán)境因子之一。葉片含水量是水稻水分狀況良好度量和診斷指標(biāo)，采用傳統(tǒng)的測定方法存在測試時(shí)間長并具破壞性等缺陷。近年來，光譜技術(shù)的快速發(fā)展，使作物水分狀況的無損實(shí)時(shí)監(jiān)測成為可能。許多學(xué)者針對干旱對作物光譜特性的影響及光譜對葉片水分虧缺的響應(yīng)等開展了廣泛研究，同時(shí)構(gòu)建光譜指數(shù)來診斷植株水分狀況。干旱時(shí)，作物冠層光譜反射率在近紅外區(qū)域都有所降低，認(rèn)為760～900 nm是監(jiān)測作物水分脅迫的最好波段，可以作為作物中度干旱時(shí)水分狀況的指示器[3]。Danson等[41]研究發(fā)現(xiàn)，1360～1470 nm和1830～2080 nm為水分吸收波段，其葉片反射率一階導(dǎo)數(shù)和葉片含水量具有很好的相關(guān)性，并且不受葉片結(jié)構(gòu)的影響。Ceccato等[42]研究表明，利用短波紅外波段（1600 nm）與近紅外波段（820 nm）的比值來估算含水量比用單一波段估測的結(jié)果更準(zhǔn)確。田永超等[8]研究了不同土壤水氮條件下水稻冠層光譜反射特征與植株含水量的相關(guān)性，表明水稻冠層短波紅外光譜反射率隨土壤含水量的降低而升高，而近紅外光譜反射率隨土壤含水量的降低而降低，比值植被指數(shù)R810/R460可以較好的監(jiān)測不同生育期水稻葉片和植株含水率。孫俊等[43]于水稻孕穗期同時(shí)測量室外水稻冠層光譜反射率和葉片含水率，分別應(yīng)用BP神經(jīng)網(wǎng)絡(luò)和GA-BP-Network、傳統(tǒng)多元線性回歸方法建立葉片含水率預(yù)測模型，試驗(yàn)表明，GA-BP-Network 模型的預(yù)測效果最好。

4 展望

光譜技術(shù)可實(shí)時(shí)、快速、準(zhǔn)確地獲取作物長勢、生物化學(xué)參數(shù)等信息。隨著高光譜遙感的快速發(fā)展，可以更準(zhǔn)確地探測并獲取作物的精細(xì)光譜信息來估測生物量、LAI和氮素等指標(biāo)，但是，目前的作物監(jiān)測模型多為靜態(tài)的統(tǒng)計(jì)模型，難以提示作物生長發(fā)育、產(chǎn)量形成及其與氣候土壤環(huán)境的互作機(jī)理，缺乏普適性與動(dòng)態(tài)性[44]。因此，將光譜遙感信息與作物生長模型相耦合，以利于構(gòu)建普適性強(qiáng)且方便可靠地光譜監(jiān)測模型，進(jìn)而進(jìn)一步提高模型的反演能力與精度，是解決光譜監(jiān)測問題的有效途徑和農(nóng)業(yè)遙感研究的重要方向之一。利用光譜技術(shù)探測作物生長狀態(tài)可在地面和高空兩個(gè)層面下進(jìn)行，相對于基于航空航天平臺的作物生長監(jiān)測，地面遙感監(jiān)測作物生長具有受大氣干擾和傳感器本身性能等因子的影響小、監(jiān)測精度高等優(yōu)點(diǎn)，但存在監(jiān)測區(qū)域小的缺點(diǎn)。所以，將精度較高地地面光監(jiān)測模型與空間遙感信息相結(jié)合，構(gòu)建作物長勢、氮素含量等指標(biāo)的遙感監(jiān)測模型，用來指導(dǎo)大尺度的作物生長監(jiān)測與肥水精確調(diào)控。此外，目前作物長勢、生物化學(xué)參數(shù)等信息的獲取大多是基于國外進(jìn)口的地物光譜儀，不但價(jià)格昂貴，而且結(jié)構(gòu)復(fù)雜，操作繁瑣，不便于田間生產(chǎn)使用。因此，研制結(jié)構(gòu)簡單、價(jià)格便宜和易于田間操作的便攜帶式作物生長監(jiān)測診斷儀仍然是光譜監(jiān)測研究中的一個(gè)重要方向，有利于解決當(dāng)前作物生長信息實(shí)時(shí)、快速、無損測量手段瓶頸問題，以提高作物生產(chǎn)精確管理水平和綜合效益。

參考文獻(xiàn)

[1] 蔣煥煜，應(yīng)義斌，謝麗娟.光譜分析技術(shù)在作物生長信息檢測中的應(yīng)用研究進(jìn)展[J].光譜學(xué)與光譜分析，2008，28（6）：1300-1304.

[2] 李映雪，謝曉金，徐德福.高光譜遙感技術(shù)在作物生長監(jiān)測中的應(yīng)用研究進(jìn)展[J].麥類作物學(xué)報(bào)，2009，29（1）：174-178.

[3] 馮偉，郭天財(cái)，謝迎新，等.作物光譜分析技術(shù)及其在生長監(jiān)測中的應(yīng)用[J].中國農(nóng)學(xué)通報(bào)，2009，25（23）：182-188.

[4] Shibayama Michio， Akiyama Tsuyoshi. Seasonal visible， near-infrared and mid-infrared spectra of rice canopies in relation to LAI and above-ground dry phytomass[J]. Remote Sensing of Environment，1989（27）：119-127.

[5] Bodo M， Urs S. Estimating the nitrogen nutrition index using spectral canopy reflectance measurements[J]. European Journal of Agronomy， 2008（7）：1-7.

[6] 田永超，楊杰，姚霞，等.高光譜植被指數(shù)與水稻葉面積指數(shù)的定量關(guān)系[J].應(yīng)用生態(tài)學(xué)報(bào)，2009，20（7）：1685-1690.

[7] 田永超，楊杰，姚霞，等.利用葉片高光譜指數(shù)預(yù)測水稻群體葉層全氮含量[J].作物學(xué)報(bào)，2010，36（9）：1529-1537.

[8] 田永超，曹衛(wèi)星，姜東，等.不同水氮條件下水稻冠層反射光譜與植株含水率的定量關(guān)系[J].植物生態(tài)學(xué)報(bào)，2005，29（2）：318-323.

[9] Roshanak D， Andrew S， Martin S， et al. Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in a heterogeneous grassland[J]. Remote Sensing of Environment，2008，112（5）：2592-2604.

[10] 薛利紅，曹衛(wèi)星，羅衛(wèi)紅，等.光譜植被指數(shù)與水稻葉面積指數(shù)相關(guān)性的研究[J].植物生態(tài)學(xué)報(bào)，2004，28（1）：47-52.

[11] 張曉陽，李勁峰.利用垂直植被指數(shù)推算作物葉面積系數(shù)的理論模式[J].遙感技術(shù)與應(yīng)用，1995，10（3）：13-18.

[12] 劉偉東，項(xiàng)月琴，鄭蘭芬，等.高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析[J].遙感學(xué)報(bào)，2000，4（4）：279-283.

[13] 王秀珍，黃敬峰，李云梅，等.水稻葉面積指數(shù)的高光譜遙感估算模型[J].遙感學(xué)報(bào)，2004，8（1）：81-88.

[14] Broge N H， J V Mortensen. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing of Environment，2002（81）：45-57.

[15] 楊曉華，黃敬峰，王秀珍，等.基于支持向量機(jī)的水稻葉面積指數(shù)高光譜估算模型研究[J].光譜學(xué)與光譜分析，2008，28（8）：1837-1841.

[16] 楊燕，田慶久.高光譜反演水稻葉面積指數(shù)的主成分分析法[J].國土資源遙感，2007（3）：47-50.

[17] Fang H L， Liang S L. A hybrid invers ion m ethod for mapping leaf area index from MOD IS data： Experiments and application to broad lea f and needle leaf canopies[J]. Remote Sensing of Environment，2005（94）：405-424.

[18] Casanova D， Epema G F， Goudriaan J. Monitoring rice reflectance at field level for estimating biomass and LAI[J]. Field Crops Research，1998（55）：83-92.

[19] Prasad S T， Ronald B， Smith， et al. Hyperspectral vegetation indices and their relationship with agricultural crop characteristics[J]. Remote Sensing Environment，2000（71）：158-182.

[20] Takahashi W， Nguyen C V， Kawaguchi S， et al. Statistical models for prediction of dry weight and nitrogen accumulation based on visible and near-infrared hyper-spectral reflectance of rice canopies[J]. Plant Production Science，2000，3（4）：377-386.

[21] 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）：76-87.

[22] 唐延林，王秀珍，王珂.利用光譜法測定水稻生物物理參數(shù)及其與光譜變量的相關(guān)性研究[J].貴州大學(xué)學(xué)報(bào)：農(nóng)業(yè)與生物科學(xué)版，2002，21（5）：327-331.

[23] 唐延林，王秀珍，王福民，等.農(nóng)作物L(fēng)AI和生物量的高光譜法測定[J].西北農(nóng)林科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2004，32（11）：100-104.

[24] 王秀珍，黃敬峰，李云梅，等.水稻地上鮮生物量的高光譜遙感估算模型研究[J].作物學(xué)報(bào)，2003，29（6）：815-821.

[25] 張遠(yuǎn)，張中浩，蘇世亮，等.基于微波冠層散射模型的水稻生物量遙感估算[J].農(nóng)業(yè)工程學(xué)報(bào)，2011，27（9）：100-105.

[26] Thomas J R， Oerther G F. Estimating nitrogen content of sweet pepper leaves by reflectance measurements[J]. Agronomy Journal，1972（64）：11-13.

[27] Stone M L， Soile J B， Raun W R， et al. Use of spectral radiance for correcting in-season fertilizer nitrogen deficiencies in winter wheat[J]. Transactions of ASAE，1996（39）：1623-1631.

[28] Nguyen H T， Lee B W. Assessment of rice leaf growth and nitrogen status by hyperspectral canopy reflectance and partial least square regression[J]. European Journal of Agronomy，2006，24（4）：349-356.

[29] Inoue Y， Penuelas J. An AOTE-based hyperspectral imaging system for field use in ecophysiological and agricultural applications[J]. International Journal of Remote Sensing，2001，22（18）：3883-3888.

[30] 楊長明，楊林章，韋朝領(lǐng)，等.不同品種水稻群體冠層光譜特征比較研究[J].應(yīng)用生態(tài)學(xué)報(bào)，2002，13（6）：689-692.

[31] 朱艷，李映雪，周冬琴，等.稻麥葉片氮含量與冠層反射光譜的定量關(guān)系[J].生態(tài)學(xué)報(bào)，2006，26（10）：3463-3469.

[32] 譚昌偉，周清波，齊臘，等.水稻氮素營養(yǎng)高光譜遙感診斷模型[J].應(yīng)用生態(tài)學(xué)報(bào)，2008，19（6）：1261-1268.

[33] 覃夏，王紹華，薛利紅.江西鷹潭地區(qū)早稻氮素營養(yǎng)光譜診斷模型的構(gòu)建與應(yīng)用[J].中國農(nóng)業(yè)科學(xué)，2011，44（4）： 691-698.

[34] Chappelle E W， Kim M S， McMurtrey J E. Ratio analysis of reflectance spectra （PARS）： an algorithm for the remote estimation of the concentrations of chlorophyll a， chlorophyll b， and carotenoids in soybean leaves[J]. Remote Sensing of Environment，1992（39）：239-247.

[35] Thomas J R， Gausman H W. Leaf reflectance vs. leaf chlorophyll and carotenoid concentrations for eight crops[J]. Agronomy Journal，1977（60）：799-802.

[36] Zhang Y， Chen J M， John R M， et al. Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery[J]. Remote Sensing of Environment，2008，112（7）：3234-3247.

[37] 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(bào)，2000，4（3）：228-232.

[38] 孫雪梅，周啟發(fā)，何秋霞.利用高光譜參數(shù)預(yù)測水稻葉片葉綠素和籽粒蛋白質(zhì)含量[J].作物學(xué)報(bào)，2005，31（7）： 844-850.

[39] 陳維君，周啟發(fā)，黃敬峰.用高光譜植被指數(shù)估算水稻乳熟后葉片和穗的色素含量[J].中國水稻科學(xué)，2006，20（4）：434-439.

[40] 楊杰，田永超，姚霞，等.水稻上部葉片葉綠素含量的高光譜估算模型[J].生態(tài)學(xué)報(bào)，2009，29（12）：6561-6571.

[41] Danson F M， Steven M D， Malthus T J， et al. High spectral resolution data for determining leaf water concentration[J]. International Journal of Remote Sensing，1992（13）：461-470.

[42] Ceccato P， Flasse S， Tarantola S， et al. Detecting vegetation leaf water content using reflectance in the optical domain[J]. Remote Sensing of Environment，2001（77）：22-23.

[43] 孫俊，毛罕平，羊一清，等.基于冠層光譜特性的水稻葉片含水率模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（9）：133-136.

[44] 郭建茂.基于遙感與作物生長模型的冬小麥生長模擬研究[D].南京：南京信息工程大學(xué)，2007.