基于高光譜圖像的牧草粗蛋白含量反演模型

張愛武，鄢文艷，郭超凡

0 引 言

粗蛋白（crude protein，CP）是牧草主要的營養參數之一，是衡量牧草營養狀況和飼用價值的一個重要指標[1-2]。因此，牧草CP含量的精確估算對草地營養價值評價及草地畜牧業管理具有重要意義。

國內外學者多采用光譜儀或高光譜傳感器獲取植被冠層光譜數據，從而實現 CP含量的提取和估算[3-5]。傳統的植被監測方式采用非成像光譜儀進行定量分析，此種方式只局限于“點”尺度的研究[6-7]，而成像光譜儀可以獲取小范圍作物冠層圖譜合一的高光譜圖像，能夠實現“面”尺度范圍的監測。國內外學者多借助以Hyperion為代表的遙感衛星影像并在作物參數反演方面取得了一定的研究成果[8-10]，但傳統的遙感衛星影像光譜分辨率低，反演精度不足以達到精準畜牧業的要求。近年來以航空飛行器為平臺的高光譜遙感技術發展迅速，以其時空分辨率高、靈活性高及成本低等優勢受到廣泛關注。航空飛行器高光譜圖像數據已被用來類胡蘿卜素、葉綠素、氮、生物量以及葉面指數等多種作物生化參數的反演研究[11-14]，然而通過航空飛行器高光譜圖像數據進行牧草CP含量估算方面的研究還鮮有報道。利用航空飛艇搭載的自主集成高光譜成像系統獲取的高光譜圖像在400～1 000 nm之間含 840個波段，空間分辨率可達9 cm[15]，為精細分析牧草CP含量提供了可靠的數據源。

針對高光譜數據選擇適宜的分析技術，對于植被生化參量反演研究是非常重要的部分?，F有的分析技術主要通過對高光譜數據進行各種衍生變換來提取不同的生化參量[16]。常見的衍生變換大致有 3大類：一是利用波段組合構成的各種植被指數。研究表明植被指數可以用來反演作物生化參數[17-18]。二是基于微分光譜的特征變量及其衍生組合變量。微分光譜可以有效的減小植被背景信息對冠層光譜信息的影響，進而能夠增強光譜變量與目標變量之間的相關性。王秀珍等[19]通過水稻冠層光譜多種微分變化形式提取其農學參數。王磊等[20]構建多種微分光譜及其衍生變換組合形式完成對玉米氮素含量的估算研究。三是基于包絡線去除的光譜衍生變量。包絡線去除對抑制背景光譜影響有幫助，擴大弱吸收特征信息，較多地應用于植被信息診斷研究。Kokaly等[21]基于去包絡線的光譜吸收特征法估測了植物氮、木質素和纖維素含量，獲得了很好的驗證效果。Huang等[22]利用包絡線去除光譜對葉片氮素含量進行估算，發現包絡線去除方法的效果較好。

綜上所述，光譜衍生變換在植被生化參量反演中得到較好地應用，其研究方法主要是利用原始光譜或衍生變量進行植被生化參量的估測。目前，對于作物生化參數反演研究多數只考慮單一光譜分析技術，鮮有將這些衍生變換方法進行綜合比較，且不同衍生變換方法對不同生化參量反演結果是不同的。本研究以高寒草甸牧草CP含量為研究對象，對比分析多種常見的光譜衍生變換方法對牧草CP含量估測的影響，并通過高光譜圖像實現牧草CP含量反演制圖，以直觀反映其空間分布狀況。研究結果可為利用高光譜遙感技術大面積監測牧草品質參數和指導合理放牧提供參考和技術依據。

1 材料與方法

1.1 研究區概況

試驗區為位于青海省海北藏族自治州海晏縣境內的金銀灘草原。海拔3000～3600 m，地理位置為36°53′～37°12′N，100°42′～101°02′E。該區屬大陸性高原氣候區，紫外線輻射強，年溫差較大，年均氣溫-0.3 ℃，年均降水量456.0 mm，年均蒸發量1 461.4 mm。金銀灘草原屬祁連山山地環湖盆地高寒草甸地區，是中國溫性草原與高寒草甸草原的過渡地帶。典型植被主要包括: 矮生嵩草、高山嵩草、針茅草、芨芨草、狼毒草等植物。

1.2 高光譜圖像數據獲取及預處理

本研究使用的高光譜圖像數據來自于課題組自主集成的航空飛艇搭載高光譜成像系統。高光譜圖像的采集于2016年6月15日11：00在草原上空進行，光照強度穩定，天氣晴朗無風。飛艇飛行高度為300 m，其空間分辨率為9 cm，高光譜圖像共包含840個波段，光譜范圍為400～1 000 nm，光譜分辨率為0.727 nm。

由于在獲取圖像光譜數據過程中易受大氣、空氣水分、植被冠層水分等因素影響，在數據使用之前需對高光譜圖像進行輻射定標、大氣校正、幾何校正等處理，得到高光譜圖像反射率數據，在ENVI 5.1軟件中進行解譯，選取出屬于牧草的范圍。根據地面樣方的對應位置構建感興趣區域（region of interest，ROI），選取ROI范圍內牧草冠層的光譜反射率的平均值作為該樣點的原始光譜反射率，從而獲得各采樣點的反射率數據。

1.3 牧草粗蛋白含量數據的采集與處理

為保證數據一致性，需根據研究區域狀況進行同步采樣。在試驗區內布設20個采樣點，樣點分布圖如圖1所示。利用GPS儀測量每個采樣點的經緯度，同時在樣區內布設幾塊靶標，以便在圖像上精確定位。樣方大小為 50 cm×50 cm，齊地面剪下牧草，將采集的樣本放入塑料袋中密封，委托青海省高原放牧家畜營養與生態國家重點實驗室培育基地測定CP含量。

1.4 研究方法

1.4.1 光譜指數方法

本研究選用2種光譜指數包括比值光譜指數（simple ratio spectral index，SR）和歸一化光譜指數（normalized difference spectral index，ND），通過繪制400～1 000 nm范圍內任意2個波段反射率組合構建的SR和ND與牧草CP含量的決定系數（coefficient of determination，R2）圖，以期找到預測牧草CP含量的最佳組合波段及光譜指數：

式中SR為比值光譜指數，ND為歸一化光譜指數，Ri和Rj分別代表第i和j波段的反射率，且i≠j。

圖1 試驗區采樣點分布Fig.1 Distribution of sampling points in study area

1.4.2 光譜數據變換

光譜數據變換對消除背景因素的影響和突出目標特征有重要的作用。將高光譜圖像光譜反射率數據進行 6種變換，包括：

1）將原始光譜反射率(R)作一階微分變換(D(R)):

2）將原始光譜反射率(R)作對數變換(log(R)):

3）將原始光譜反射率(R)作歸一化變換(N(R)):

這里的分母為各波段的光譜平均值，避免變換后的值太小。

4）將log(R)作一階微分變換D(log(R)):

5）將N(R)作對數變換log(N(R))：

6）將N(R)作一階微分變換D(N(R)):D(N(R))=

式中 r1, r2, …, rn為對應波段的反射率值，λ1, λ2, …, λn為對應波段的波長。

1.4.3 包絡線去除法

包絡線去除法在光譜分析中比較常用，經過包絡線去除后的高光譜圖像可以有效地抑制噪聲并增強目標參量對特征波段的敏感度[23]。根據本研究的高光譜圖像光譜數據，參考Curran等[24]在測試葉片多種生物參量時選取的波段中心，最終確定 400～750 nm為包絡線去除區域，波深中心為 680 nm。將原始光譜反射率曲線上各波長的光譜反射率R與對應波長處包絡線上的值Rc進行比值運算，得到光譜反射率包絡線去除光譜值R′

在包絡線去除的基礎上，選取 2種衍生光譜 BD（band depth）和 CRDR（continuum-removed derivative reflectance），其具體計算公式如下：

1.4.4 波段選擇方法

在多變量建模過程中，如果將這些波段全部輸入到模型中，必然影響建模的效率，因此有必要對高光譜數據進行特征波段選擇。利用逐步判別分析方法對不同形式光譜參量全波段信息輸入判別函數進行篩選，選出對因變量貢獻大的變量，隨時剔除貢獻小的變量，入選的變量必須通過F檢驗，如果變量的F值的顯著性水平小于0.05就選入，大于0.10就剔除，直到判別函數中的變量都具有顯著判別能力，逐步篩選結束。

1.4.5 模型構建及精度驗證

本研究針對不同的光譜變量選用不同的建模方法，探討不同建模方法對CP的估算精度。模型的構建采用以下方法：（1）單變量模型：以CP為因變量，最佳光譜指數為自變量，構建單變量的一元線性回歸模型。（2）多變量模型：將逐步判別分析選擇的各個光譜衍生變量的特征波段作為自變量，采用多元逐步線性回歸和多元非線性回歸構建多元回歸模型。

采用交叉檢驗（cross validation，CV）中的K-fold cross validation方法（簡稱K-CV）對估算模型進行檢驗。K-CV是將原始數據分成K組（通常是均分），將每個子集數據分別做一次驗證集，其余K-1組子集數據作為訓練集，得到K個模型，用其分類準確率的平均數作為最終檢驗K-CV分類器的性能指標。本次研究中使用的交叉檢驗方法選擇3K-CV，即將20個樣本數據隨機分成3組，每組樣點數量近似相等，選取其中2組作為訓練樣本建立估算模型，剩余1組進行驗證，如此循環3次。估算模型的精度采用通用的決定系數（R2）和均方根差(root mean square error，RMSE)和2個指標進行評定。

2 結果與分析

2.1 基于光譜指數的單變量模型

圖 2任意 2波段組合構成的 SR(Ri,Rj)和 ND(Ri,Rj)與CP的決定系數R2圖。結果發現，2種光譜形式的任意波段組合與牧草CP含量的相關性存在一定的相似性，相關系數高的比值組合其歸一化組合表現也較好。相關性高的波段組合寬度很窄，主要集中在 765～771 nm與795～803 nm 波段的組合，以及 740～783 nm 與 930～940 nm波段的組合。

圖2 牧草CP含量與任意兩波段構建的光譜指數的決定系數Fig.2 Coefficient of determination between pasture crude protein (CP) content and spectral indices from all possible two-band combinations

所有2波段組合構成的光譜指數中，與CP含量相關性最好的指數分別是SR(R795,R724)和ND(R795,R724)。利用最佳波段組合的 2種光譜指數與 CP含量建立單變量模型，決定系數R2均為0.626，均方根誤差RMSE均為0.110。2種光譜指數對CP含量的反演效果相同，也有學者應用這2種光譜指數估測其它植被生化參量時得出類似的結果[25-26]。

2.2 基于光譜數據變換的多變量模型

2.2.1 牧草CP含量與光譜變量相關性分析

首先，對牧草CP含量與各光譜變量之間進行相關性分析，初步探究不同光譜變換形式對 CP敏感波段的影響。圖3顯示的是R、D(R)、log(R)、N(R)、D(log(R))、log(N(R))、D(N(R))、BD、CRDR共9種光譜形式參量與牧草CP含量的相關性曲線。

圖3表明，原始光譜反射率與CP含量在400～750 nm波段呈弱相關，大多數顯著相關（P<0.05）波段集中在780～995 nm，相關性較好的波段在988 nm與929 nm左右，最大相關系數位于988 nm處，表明近紅外波段是CP含量光譜響應的敏感波段區域；與原始光譜相比，衍生變換光譜反射率與 CP含量相關關系發生了不同程度的改變，其中D(R)、D(N(R))、D(log(R))三者和CP含量的相關性曲線具有相近的趨勢，相關關系隨波長變化幅度較大，波段間相關性不連續且不穩定，但微分處理顯著提高了兩者在某些波段的相關度，使得在776、783、870、888和894 nm左右的波段相關性變得顯著，利用微分變換光譜能夠將生化組分各自吸收特征的變化趨勢挖掘出來，有利于減少其它生化組分對研究對象的影響：D(R)與 D(log(R))和 CP含量相關性極值點都在 888 nm處，D(N(R))與CP含量在783 nm處相關性最高；log(R)與CP含量的相關關系相較原始光譜來說幾乎無變化，極值點和最大相關系數都沒有發生改變，而N(R)和log(N(R))的相關關系曲線趨于一致，顯著相關波段都集中在 724～995 nm之間，整體上都與CP含量的相關性不高；包絡線去除的2種光譜衍生變量中，BD光譜變量與牧草CP含量之間達到顯著相關水平的波段集中在520～603 nm、697～717 nm，屬于可見光范圍的綠、黃、橙波段，最大相關系數位于711 nm處；CRDR光譜反射率與CP的整體相關性并不是很好，顯著相關波段較少，多位于黃光

區域和紅光區域內。顯然通過衍生變換后的光譜變量與CP相關性發生了不同程度的變化，對潛在敏感波段起到很好的挖掘作用。

圖3 不同光譜數據變量與牧草CP含量的相關性曲線Fig.3 Correlation curves of different transformed spectrum data variables and pasture CP content

2.2.2 入選波段

各光譜變量的入選波段如表 1所示。同類型的組合光譜變量的入選波段互有重疊，大部分入選波段主要集中在400～470 nm和815～1000 nm之間。已有研究利用藍光區域（415～460 nm）和紅邊區域（700～775 nm）的波段來估算CP含量[27]，本研究選出的449 nm、456 nm、711 nm和738 nm波段在此區域范圍之內，是估算CP含量的重要波段。而775 nm波段與CP含量證明是呈顯著相關性，CRDR變量中入選波段 783 nm在該波段位置10 nm容差范圍之內，可能是受到其它生化組分的影響，導致吸收特征波段位置有所偏移。還有一部分入選波段主要在近紅外區域，此范圍易受葉綠素和葉片細胞結構的影響[28]，使得CP含量在該區域范圍波段的吸收發生變化。研究中出現了并不屬于CP含量的吸收特征波段，也沒有在相關研究中出現過的用來估測 CP含量的敏感波段。一個可能原因是因為CP含量的吸收特征與葉片中其他生化組分有關，而這些組分的吸收特征是重疊的，使得這些波段入選。另外就是由于逐步判別分析法在篩選波段時只考慮了波段與 CP含量相關性而較少考慮具體的物理意義。

2.2.3 光譜衍生變量的模型構建與精度驗證

以逐步判別分析選出的各光譜變量的入選波段為自變量，分別構建各光譜變量與CP含量的多元線性和非線性回歸模型，并對模型進行交叉驗證，結果如表1所示。從各模型的交叉驗證R2和交叉驗證RMSE可以看出，基于多變量的線性回歸模型中，以D(log(R))建立的牧草CP含量回歸模型精度最高；多元非線性回歸模型中，D(log(R))模型精度最高，交叉驗證R2為0.918，RMSE為0.054，是所有模型中擬合效果最佳的估算模型；對比同種光譜變量構建的模型之間的精度，基于多變量的非線性回歸模型均高于線性回歸模型，說明光譜衍生變換自身就會對CP含量估算效果產生影響。

將各光譜變量進行歸類分析發現，微分光譜變量的回歸模型表現出較高的精度，BD和CRDR通過多元非線性回歸方法構建模型精度得到大幅度提高。而對于 N(R)和 log(N(R))，不論采用線性回歸方法還是非線性回歸方法，模型估算效果都不理想。研究對比分析了多種光譜衍生變量對牧草CP含量的估算能力，發現并不是所有衍生變換都具有提高反演模型精度的能力。為此，要提高植被生化參量的反演模型精度關鍵在于選擇合適的光譜衍生變換方法。

表1 模型的入選波段及交叉驗證結果Table 1 Selected bands and cross validation results from different models

圖4是牧草CP含量Dlog(R)模型交叉驗證的實測值和估測值 1∶1關系圖，以直觀反映模型的擬合程度及可靠性（CP含量單位為mg/像素，文中以mg表示）。

2.3 基于高光譜圖像的牧草CP含量反演及制圖

將最佳反演模型運用到整幅高光譜圖像上，得到研究區牧草 CP含量的空間分布（圖 5），圖像中的道路、房屋、水域為非植被地物，在試驗前予以去除（白色區域為剔除部分）。由于研究區域的牧草處于返青期，存在枯死植被以及裸露土壤的干擾影響，同時受牧草自身內部結構及葉綠素含量的變化影響，整體上CP含量不高，CP含量的值域基本位于 0.8～19.5 mg之間，與地面采集結果（3～10.6 mg）較相符，CP含量的大小分布與牧草長勢分布呈一致狀態，說明研究結果能夠較理想地實現CP含量空間分布的可視化。

圖4 牧草CP含量Dlog(R)模型交叉驗證的實測值與估測值之間的1∶1關系Fig.4 1∶1 CP content relationship between the estimated value and measured value in cross validation of Dlog(R) model

圖5 研究區牧草CP含量反演結果Fig.5 Results of inversion of CP content in study area

3 討 論

大量研究采用經驗模型建立農作物生化參數反演模型并取得了較高的精度，對于草地遙感監測領域，針對草地營養參數方面的研究鮮少涉及。本研究通過高海拔飛艇平臺搭載的高光譜相機獲取研區域高空間分辨率的草地高光譜圖像，對牧草CP含量進行反演并取得了較好的結果，研究結果可為今后高光譜圖像在大面積區域草地營養變化監測及其他農業領域的研究提供借鑒。

以往的反演研究中并未對 CP含量遙感反演得出統一的標準模型，因此，本研究分析了不同光譜衍生變量和不同建模方法對CP含量的估算能力，以精確反演牧草CP含量并實現空間分布制圖。對比各個模型精度，使用最佳光譜指數建立的單變量模型并未達到理想的估算效果，這是因為單變量模型中建模的光譜信息過少導致模型缺乏穩定性，容易受到背景信息的干擾。大部分多變量回歸模型精度高于單變量模型，因為多變量模型由于參與建模的波段較多，且通過光譜衍生變換在不同程度上減小了土壤等背景信息對目標光譜信息的影響。但是多變量回歸模型中依然存在估算精度較差的模型，N(R)和log(N(R))光譜變量無論是以多元線性還是多元非線性的形式建立CP含量回歸模型，其模型精度都較低，說明并不是所有衍生變換都能提高建模精度。對比同種光譜變量構建的多元回歸模型之間的精度，多元非線性回歸模型均高于多元線性回歸模型。利用 D(log(R))變量構建的非線性回歸模型是所有模型中精度最高的，研究結果體現了光譜變量和模型構建方法的選擇對 CP含量估算的重要性。

利用高光譜成像技術實現區域范圍牧草 CP含量空間分布狀況反演，為指導合理放牧提供理論依據。然而國內借助航空飛行器搭載成像光譜儀進行作物生化參數監測研究尚處于探索階段，研究尚存在一些不足之處。由于本文采用的模型構建方法是傳統的經驗模型，模型本身具有一定的地域性和時間性，因此需要尋求更加穩定的模型，如物理模型，同時兼顧高光譜圖像上的結構與光譜信息，以達到精準畜牧業的要求。另外，由于植物葉片的生化成分之間相互關聯，一些復雜的生化組分如氮、淀粉等與CP含量關系密切，這些生化組分在一定程度上會影響CP含量本身的光譜吸收特征波段，進而影響牧草CP含量的反演。今后有待進一步加深研究氮、淀粉等成分的影響以提高CP含量的估算精度。

4 結 論

本研究基于高分辨率高光譜圖像數據，嘗試評估光譜指數構建的單變量模型和其它光譜衍生變量構建的多元逐步線性回歸模型和多元非線性回歸模型估算牧草CP含量的表現能力，主要得出以下結論：

1）通過構建任意兩波段組合構成的兩種光譜指數發現，相關性最高的 2種光譜指數 SR(R795,R724)和ND(R795,R724)，組合波段相同，建模精度也相同，R2均為0.626，RMSE均為0.110。由于參與建模的變量較少，使用光譜指數建立的模型精度精度提高不明顯。

2）對光譜數據進行衍生變換能夠改變牧草CP含量的吸收特征波段，其中，微分變換光譜變量有效反應了牧草CP含量在不同波段的響應程度，建模結果表明經過微分處理的光譜變量構建的多變量回歸模型效果較理想，微分變換也是高光譜遙感估測植物生化參量最常用的分析方法。

3）分別使用多元逐步線性回歸方法和多元非線性回歸方法建立各光譜變量的牧草CP含量的反演模型。對比同種光譜變量模型之間的估算精度，基于多變量的非線性回歸模型均高于線性回歸模型。通過比較得出以D(log(R))變量構建的多元非線性回歸模型是牧草CP含量的最佳估算模型，R2達到0.918，RMSE僅為0.054。

上述研究證明了利用高分辨率高光譜圖像大面積估算牧草CP含量的可行性，今后可將研究對象推廣到其它植被類型和更多的生化參量。

[1] 馬維維，鞏彩蘭，胡 勇，等. 牧草品質的高光譜遙感監測模型研究[J]. 光譜學與光譜分析，2015(10)：2851－2855.Ma Weiwei, Gong Cailan, Hu Yong, et al. Hyperspectral remote sensing estimating models for pasture quality [J].Spectroscopy and Spectral Analysis, 2015 (10): 2851－2855.(in Chinese with English abstract)

[2] 杜雪燕，王 迅，柴沙駝，等. 天然牧草營養成分的近紅外光譜定量分析[J]. 中國農學通報，2015, 31(17)：6－11.Du Xueyan, Wang Xun, Chai Shatuo, et al. Quantitative analysis of nutrition composition of native grasses by near infrared reflectance spectroscopy[J]. Chinese Agricultural Science Bulletin, 2015, 31(17): 6－11. (in Chinese with English abstract)

[3] Kawamura K, Watanabe N, Sakanoue S, et al. Estimating forage biomass and quality in a mixed sown pasture based on partial least squares regression with waveband selection[J].Grassland Science, 2008, 54(3): 131－145.

[4] Dale L M, Pierna J A F, Vermeulen P, et al. Research on crude protein and digestibility of Arnica montana L. using conventional NIR spectrometry and hyperspectral imaging NIR[J]. Journal of Food Agriculture & Environment, 2012,10(1): 391－396.

[5] Liu Mingbo, Li Xiaoli, Liu Yun, et al. Detection of crude protein, crude starch, and amylose for rice by hyperspectral reflectance[J]. Spectroscopy Letters, 2014, 47(2): 101－106.

[6] 張東彥，宋曉宇，馬智宏，等. 掃描成像光譜儀和地物光譜儀在單葉尺度上的對比研究[J]. 中國農業科學，2010，43(11)：2239－2245.Zhang Dongyan, Song Xiaoyu, Ma Zhihong, et al.Assessment of the developed pushbroom imaging spectrometer in single leaf scale.[J]. Scientia Agricultura Sinica, 2010,43(11):2239－2245. (in Chinese with English abstract)

[7] 任 哲，陳懷亮，王連喜，等. 利用交叉驗證的小麥 LAI反演模型研究[J]. 國土資源遙感，2015，27(4)：34－40.Ren Zhe, Chen Huailiang, Wang Lianxi, et al. Research on inversion model of wheat LAI using cross-validation[J].Remote Sensing for Land & Resources, 2015, 27(4): 34－40.(in Chinese with English abstract)

[8] 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]. 遙感學報，2009，13(6)：1106－1121.Chen Junying, Tian Qingjiu, Qi Xueyong, et al. Rice canopy biochemical concentration retrievals based on Hyperion data[J]. Journal of Remote Sensing, 2009, 13(6): 1106－1121.(in Chinese with English abstract)

[9] Numata I, Roberts D A, Chadwick O A, et al. Evaluation of hyperspectral data for pasture estimate in the Brazilian Amazon using field and imaging spectrometers[J]. Remote Sensing of Environment, 2008, 112(4): 1569－1583.

[10] 豐明博，牛 錚. 基于經驗模型的 Hyperion數據植被葉綠素含量反演[J]. 國土資源遙感，2014，26(1)：71－77.Feng Mingbo, Niu Zheng. Chlorophyll content retrieve of vegetation using Hyperion data based on empirical models[J].Remote Sensing for Land & Resources, 2014, 26(1): 71－77.(in Chinese with English abstract)

[11] Zarcotejada P J, Guilléncliment M L, Hernándezclemente R,et al. Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle (UAV)[J]. Agricultural and Forest Meteorology, 2013, 171－172: 281－294.

[12] 高 林，楊貴軍，于海洋，等. 基于無人機高光譜遙感的冬小麥葉面積指數反演[J]. 農業工程學報，2016，32(22)：113－120.Gao Lin, Yang Guijun, Yu Haiyang, et al. Retrieving winter wheat leaf area index based on unmanned aerial vehicle hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32 (22): 113－120. (in Chinese with English abstract)

[13] 田明璐，班松濤，常慶瑞，等. 基于無人機成像光譜儀數據的棉花葉綠素含量反演[J]. 農業機械學報，2016，47(11)：285－293.Tian Minglu, Ban Songtao, Chang Qingrui, et al. Estimating of SPAD value of cotton leaf using hyperspectral images from UAV-based imaging spectroradiometer[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(11): 285－293. (in Chinese with English abstract)

[14] 秦占飛，常慶瑞，謝寶妮，等. 基于無人機高光譜影像的引黃灌區水稻葉片全氮含量估測[J]. 農業工程學報，2016，32(23)：77－85.Qin Zhanfei, Chang Qingrui, Xie Baoni, et al. Rice leaf nitrogen content estimation based on hysperspectral imagery of UAV in Yellow River diversion irrigation district[J].Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 77－85. (in Chinese with English abstract)

[15] 張愛武，杜 楠，康孝巖，等. 非線性變換和信息相鄰相關的高光譜自適應波段選擇[J]. 紅外與激光工程，2017，46(5)：213－221.Zhang Aiwu, Du Nan, Kang Xiaoyan, et al. Hyperspectral adaptive band selection method through nonlinear transform and information adjacency correlation [J]. Infrared and Laser Engineering, 2017, 46(5): 213－221. (in Chinese with English abstract)

[16] 浦瑞良，宮 鵬. 高光譜遙感及其應用[M]. 北京：高等教育出版社，2000.

[17] Vi?a A, Gitelson A A, Nguy-Robertson A L, et al.Comparison of different vegetation indices for the remote assessment of green leaf area index of crops[J]. Remote Sensing of Environment, 2011, 115(12): 3468－3478.

[18] 姜海玲，楊 杭，陳小平，等. 利用光譜指數反演植被葉綠素含量的精度及穩定性研究[J]. 光譜學與光譜分析，2015，35(4)：975－981.Jiang Hailing, Yang Hang, Chen Xiaoping, et al. Research on accuracy and stability of inversing vegetation chlorophyll content by spectral index method [J]. Spectroscopy and Spectral Analysis, 2015, 35(4):975－981. (in Chinese with English abstract)

[19] 王秀珍，王人潮，黃敬峰. 微分光譜遙感及其在水稻農學參數測定上的應用研究[J]. 農業工程學報，2002，18(1)：9－13.Wang Xiuzhen, Wang Renchao, Huang Jingfeng. Derivative Spectrum Remote Sensing and Its Application in Measurement of Rice Agronomic Parameters of Rice [J].Transactions of the CSAE, 2002, 18(1): 9－13. (in Chinese with English abstract)

[20] 王 磊，白由路，盧艷麗，等. 光譜數據變換對玉米氮素含量反演精度的影響[J]. 遙感技術與應用，2011，26(2)：220－225.Wang Lei, Bai Youlu, Lu Yanli, et al. Effect on retrieval precision for maize nitrogen content by spectrum data transformation[J]. Remote Sensing Technology and Application,2011, 26 (2): 220－225. (in Chinese with English abstract)

[21] Kokaly R F, Clark R N. Spectroscopic Determination of leaf biochemistry using bard-depth analysis of absorption,features and stepwise multiple linear regression[J]. Remote Sensing of Environment, 1999, 67(3): 267－287.

[22] Huang Z, Turner B J, Dury S J, et al. Estimating foliage nitrogen contentrution from HYMAP data using continuum removal analysis[J]. Remote Sensing of Environment, 2004,93(1－2): 18－29.

[23] 童慶禧，張 兵，鄭蘭芬. 高光譜遙感——原理、技術與應用[M]. 北京：高等教育出版社，2006.

[24] Curran P J, Dungan J L, Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry: Testing the Kokaly and Clark methodologies[J].Remote Sensing of Environment, 2001, 76(3): 349－359.

[25] 劉 克，趙文吉，郭逍宇，等. 基于濕地植物光譜的水體總氮估測[J]. 生態學報，2012，32(8)：2410－2419.Liu Ke, Zhao Wenji, Guo Xiaoyu, et al. Estimation total nitrogen content in water body based on reflectance from wetland vegetation[J]. Acta Ecologica Sinica, 2012, 32 (8):2410－2419. (in Chinese with English abstract)

[26] 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]. 生態學報，2009，29(12)：6561－6571.Yang Jie, Tian Yongchao, Yao Xia, et al. Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice[J]. Acta Ecologica Sinica, 2009, 29 (12): 6561－6571.(in Chinese with English abstract)

[27] Thulin S, Hill M J, Held A, et al. Predicting Levels of crude protein, digestibility, lignin and cellulose in temperate pastures using hyperspectral image data[J]. American Journal of Plant Sciences, 2014, 5(7): 997－1019.

[28] Starks P J, Zhao D, Phillips W A, et al. Development of canopy reflectance algorithms for real-time prediction of bermudagrass pasture biomass and nutritive values[J]. Crop Science, 2006, 46(2): 927－934.