桉樹葉片光合色素含量高光譜估算模型

張永賀，陳文惠，郭喬影，張清林

(福建師范大學地理科學學院，福州 350007)

光合作用過程中起吸收作用的色素主要有葉綠素和類胡蘿卜素，其中葉綠素是吸收光能的物質，對植被的光能利用有直接關系，葉綠素含量在植被的光合能力、發育階段以及氮素狀況有較好的相關性，它們通常是氮素脅迫、光合作用能力和植被發育階段的指示器［1］。植物葉片中很大一部分氮是結合在葉綠素中的，植物缺少Mg、Fe、S、Cu、Zn等元素也會影響到葉綠素的合成，因此色素含量是反映植物生理功能、受害程度和其他礦質營養的重要指標［2］。通常用傳統的化學分析法測定植物的色素含量和營養狀況，雖然測定結果直觀可靠，但對植物具有破壞性。近年來，高光譜遙感技術在植物生理生態研究中得到越來越廣泛的應用，可以實時、快速、無損地從葉片水平、群體水平以及生態系統等多個層面研究植物在各種環境條件下的生理生態變化［3］。國內外許多學者在植被色素濃度反演方面進行了深入的研究，并取得了許多成功的經驗和寶貴的研究結果。Strachan等［2］研究3個施氮水平的玉米紅邊位置和葉綠素計SPAD值呈極顯著的相關，R2=0.81。吳長山［4］研究與水稻、玉米葉綠素密度相關性顯著的敏感波段為一階導數光譜762 nm處。陳維君等［5］得出mSR705、mND705和PRI等指數可用于估算水稻葉片、穗的色素含量，作為水稻成熟度的監測指標。姚付啟等［6］研究指出與紅邊位置相比，基于峰度、偏度建立的估算模型可以有效提高估算精度。與單變量模型相比人工神經網絡模型反演精度明顯提高，是一種良好的植被葉綠素含量高光譜反演模式。吉海彥等［7］采用偏最小二乘方法建立了冬小麥葉片葉綠素和水分含量與反射光譜的定量分析模型。李云梅等［8］利用PROSPECT模型和FCR模型，模擬出葉綠素含量變化對葉片反射率的影響，同時發現葉面積指數的影響也不能忽略。

本文通過對桉樹葉片原始光譜及其變換形式與葉片色素含量間的相關性分析，找出各光譜形式對色素含量的敏感波段。利用基于光譜位置、面積及植被指數變量的光譜特征參數與色素含量進行相關性分析，尋找最佳相關性的生化組分參量。利用光譜參量進行色素含量相關關系擬合并建立估算模型，用均方根誤差進行模型的精度檢驗。

1 實驗數據獲取

1.1 樣品準備

實驗樣品桉樹葉片采集時間為2011年10月11日，實驗地點位于福建省福州市白沙國有林場，實驗對象是林齡為3a的人工種植的桉樹林。采集樣品時，采集桉樹距離地面2 m處幼枝條上的幼葉，立即裝入保鮮袋，并在4 h內送回實驗室，清理樹葉表面灰塵污漬處理后進行光譜數據采集和色素含量測定。

1.2 光譜反射率測定

葉片光譜反射率的測定采用美國Analytical Spectral Device(ASD)公司生產的便攜式野外地物光譜儀FieldSpec3，該光譜儀波段范圍在350—2500 nm，其中，350—1000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm;1000—2500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。在光譜輸出時，儀器自動進行重采樣(重采樣間隔為1 nm)，共輸出2151個波段數。本實驗的測試環境由室內BRDF測試系統建立，參數設置為光源入射天頂角30°、入射方位角0°，觀測天頂角0°，探頭視場角為25°，距離葉片樣品表面13 cm，(葉片寬度約為5.7—6 cm)［9］。光譜采樣測試過程中，樣品被展平置于采樣波段接近全吸收的工作臺上，以避免雜光干擾，并確保樣品充滿儀器的視場角，為盡量避免不確定性以保證精度，對每個樣品同時采集10條光譜曲線，取平均后作為該樣品的代表性光譜曲線。每隔10 min對儀器做1次優化校正。

1.3 光合色素含量測定

根據葉綠體色素提取液對可見光譜的吸收，利用分光光度計在某一特定波長下測定其消光度D值，由朗伯比爾定律即可用公式計算提取液中各色素的含量［3］。

將采集光譜后的新鮮葉片直接在實驗室內進行光合色素含量測定，對每個樣品取新鮮葉片3份，每份0.2 g分別加入濃度為95%乙醇及少量石英砂和碳酸鈣粉將其研磨成勻漿，至組織發白，過濾，25 mL定容，然后用UV2450-紫外可見分光光度計測量665 nm，649 nm和470 nm波長下的消光度D值，再依據公式計算葉綠素 a，b 和類胡蘿卜素的濃度值(mg/kg)［2-6，10-11］。

2 研究方法

2.1 光合色素含量與原始及變換光譜之間的相關性分析

導數光譜反映了由于植被中生化物質的吸收引起的波形變化并能揭示光譜峰值的內在特征。因此，可以利用導數光譜建立生化組分與反射光譜之間的關系，估算植被內部生化組成及其含量信息［12-13］。圖1揭示了桉樹葉片葉綠素與幾種光譜的相關關系。

圖1 桉樹葉片葉綠素(Chlorophyll)與原始光譜、倒數對數光譜、一階和二階導數光譜間的相關系數Fig.1 The correlation coefficient between chlorophyll content and reflectance、reciprocal logarithm spectra、the first derivative spectra、the second derivative spectra of eucalyptus leaf

從圖1可看出，在可見光范圍內，葉綠素含量與原始光譜反射率呈負相關，在近紅外范圍內呈正相關。通過圖1對比分析印證了葉綠素含量與類胡蘿卜素含量有很好的相關性［8-10，13］，表明光合色素含量越高，可見光波段內的光譜反射率越低，而近紅外內的光譜反射率越高。無論是一階還是二階導數光譜，在500—800 nm范圍內與葉片色素含量的相關系數波動稍小一些，且部分波段相關性通過0.01顯著性檢驗，可以比較穩定地反映其相關關系［14-15］。

2.2 光合色素含量與高光譜特征變量的相關性分析

2.2.1 高光譜特征變量及提取方法

常見的高光譜吸收特征變量包括基于高光譜位置變量、基于高光譜面積變量、基于高光譜植被指數變量3種類型，文種共采用了20個吸收特征變量見表1。

表1 高光譜特征參量及說明Table 1 The Hyperspectral characteristic parameters and description

2.2.2 光合色素含量與光譜特征變量的相關性分析

利用spss統計軟件計算光合色素含量與高光譜變量之間的相關系數，結果見表2。

表2 光合色素含量與高光譜變量之間的相關系數(n=35)Table 2 Correlation coefficients between pigment contents and the hyperspectral variables

從表2可看出，色素含量與藍邊幅值、藍邊位置、黃邊幅值、紅邊位置、綠峰反射率、紅谷位置、藍邊面積、黃邊面積、綠峰面積及所有植被指數變量之間的相關系數都達到0.01極顯著檢驗水平［18］。其中，色素含量與紅邊位置、“三邊”面積構成的植被指數之間的相關系數大于0.8。色素含量與“藍邊參數”、黃邊面積、綠峰和紅谷反射率構成的植被指數之間的相關系數絕對值在0.6—0.7之間。

3 估算模型建立

將用于建立桉樹色素含量估算模型樣本的數據隨機劃分為兩組，其中總樣本的2/3用于建模，剩余的1/3用于模型驗證。根據圖1選取波段512、735m、711、737 nm的倒數光譜作為自變量，這些波段之間的相關系數都通過0.01檢驗。根據表2選取紅邊位置、藍邊面積、紅邊面積SDr與藍邊面積SDb的比值、紅邊面積SDr與藍邊面積SDb的歸一化值、紅邊面積SDr與藍邊面積SDb的歸一化值，這些相關系數大于0.6的變量作為估算模型建立的自變量。

3.1 單變量線性和非線性模型

本研究選用4個單變量線性與非線性模型，包括:

式中，Y代表光合色素含量，X是從高光譜數據中提取的自變量，a、b、c為回歸系數［15，19-21］。表3是總葉綠素含量與高光譜變量擬合模型參數表，表4是類胡蘿卜素含量與高光譜變量的合模型參數表，圖2是葉綠素含量與高光譜變量擬合結果比較，圖3是類胡蘿卜素含量與高光譜變量的擬合結果比較。

表3 總葉綠素含量與高光譜變量的線性與非線性擬合模型參數表Table 3 Parameter of linear and nonlinear models between chlorophyll content with the hyperspectral variables

續表

表4 類胡蘿卜素含量與高光譜變量的線性與非線性擬合模型參數表Table 4 Parameter of linear and nonlinear models between carotenoids content with the hyperspectral variables

續表

3.2 多元回歸模型

由于植物葉片中各種生化物質對應特定的光譜吸收特征，是進行波段選擇的基本依據。但這些化學成分是混合在一起的，彼此間加強或削弱了各自的吸收特征。因此，估測某一生化成分時只用單一波段是不夠的，需要進行波段選擇和重組，選用多元回歸分析是最好的方法之一［22，23］。

多元回歸分析方程的一般形式［22］為:

式中，Y代表估算的色素含量，Xi代表第i個特征變量，bi是第i個特征變量的回歸系數，b0為回歸常數。

表5是基于敏感光譜參量的桉樹葉片光合色素含量估算多元回歸模型，從中可看出，無論是葉綠素還是類胡蘿卜素，對于變換光譜數據來說，都是倒數對數光譜特征參數為自變量時擬合最優，R2與F檢驗值均最大，其中 R2分別是0.851 和0.786。

表5 基于高光譜數據變換的桉樹葉片色素多元回歸模型Table 5 Multivariate regression models for pigment estimation of eucalyptus leaf based on hyperspectral transformation variables

圖2 葉綠素含量與高光譜變量的線性與非線性擬合結果比較(n=23)Fig.2 Comparison between linear and nonlinear models of chlorophyll content estimation using the hyperspectral variables

4 模型精度檢驗

本研究采用均方根誤差(RMSE)［23-25］評價模型精度。

式中，yi和y'i分別為葉片色素含量的實測值和用擬合模型計算的預測值，n為樣本數，RMSE值越小則結果越精確。

從表3和表4可看出，無論是葉綠素還是類胡蘿卜素，除SDb、ρ'512預測的R2小于0.6外，模型預測精度較高。除VI5外，其他驗證樣本R2最大和RMSE最小都不與其最優擬合模型相對應。對于葉綠素含量估算模型中，擬合R2與預測R2均大于0.75的模型只有VI3為自變量的對數模型及VI5為自變量的指數模型，其中又以VI5為自變量的指數模型最優，擬合R2、預測R2及RMSE分別為0.809、0.797和0.3612。而對于類胡蘿卜素含量估算模型中，擬合R2與預測R2均大于0.7的模型也只有這兩個，其中也以VI5為自變量的指數模型最優，擬合 R2、預測 R2及 RMSE 分別為0.738、0.76 和0.0453。

圖3 類胡蘿卜素含量與高光譜變量的線性與非線性擬合結果比較(n=23)Fig.3 Comparison between linear and nonlinear models of carotenoids content estimation using the hyperspectral variables

從表5中可看出，無論是葉綠素還是類胡蘿卜素，以倒數對數光譜為自變量的預測R2雖然比以二階導數光譜為自變量的預測R2小，但數值相差不大，因此仍認為倒數對數光譜為自變量的估算模型最優。［26］其中總葉綠素含量的估算模型擬合R2、預測R2及RMSE分別為0.851、0.605和0.4936，類胡蘿卜素含量的估算模型擬合 R2、預測 R2及 RMSE 分別為 0.786、0.593 和0.060。

從整體上看，以(SDr-SDb)/(SDr+SDb)為自變量的指數模型最優，其訓練樣本擬合與驗證樣本精度檢驗水平均較高。從圖4中可看出色素含量的估算效果整體上較好，實測值與估算值相關性較強［27-28］。

5 結果及討論

在本研究中，通過對光合色素含量與高光譜特征變量之間的相關性分析、估算模型建立及模型的精度檢驗，可以得出以下結論:

圖4 總葉綠素和類胡蘿卜素含量估算模型的預測效果檢驗(n=12)Fig.4 Validation of models for chlorophyll and carotenoids content estimation

(1)原始光譜和倒數對數光譜與色素含量在各波長范圍中的相關性具有一致性，且在近紅處也有600 nm左右波段范圍相關性通過0.01極顯著檢驗，波動較小，相關性較穩定。這一結論與黃敬峰等［3］葉綠素含量與光譜反射率在可見光和近紅外光區均呈極顯著負相關研究成果一致。在一階、二階導數光譜與色素含量的相關性最大，但相關性在較近的波長范圍內上下波動的頻率大，且只在500—800 nm部分波段通過0.01極顯著性檢驗。這一研究結果與吳長山等［4］導數光譜與葉綠素密度具有較高的相關性，特別是導數光譜在720—770 nm波段與葉綠素密度的相關關系擬合度達到了0.89研究結果相近。

(2)由相關性得出敏感光譜波段:原始光譜為551、703、1408、1874 nm，倒數對數光譜為 562、703、1408、1874 nm，一階導數光譜為 512、613、696、735 nm，二階導數光譜為 637、690、711、737 nm。其中以倒數對數光譜為自變量的估算模型為最優。這一研究與劉璇等［24］對杉木光譜反射率一階導數與葉綠素a含量相關分析，葉綠素a含量敏感的光譜波段為530 nm和690 nm，相關系數均通過了0.05或0.01顯著性檢驗水平，結果相近。

(3)光合色素含量與 Db、λb、Dy、λy、Rg、λ0、SDb、SDy、SDg、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)之間的相關性通過了0.01極顯著性檢驗水平，其中 λr、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)與光合色素含量的相關系數高達0.8以上。以ρ'512、λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)為自變量的單變量非線性估算模型擬合較好。該結論與劉秀英等［18］葉綠素含量與Db、Rg、Rg/Ro、(Rg-Ro)/(Rg+Ro)、之間的相關系數達到了0.01極顯著性檢驗水平研究成果一致。并與馮偉等26］光譜參數SDr/SDb可以較好地監測小麥葉片色素密度，其中以葉綠素a和葉綠素a+b表現最好結論相近［22］。

(4)利用色素含量與高光譜特征變量之間的關系，建立了桉樹葉片色素含量的估算模型，通過精度檢驗分析，優選出了桉樹葉片色素含量最適合的估算模型。但是對不同年齡組，不同色素含量級別與光譜之間的相關性研究還未深入探討，樣本的數據量有待增加，以便建立基于大量統計數據基礎上的桉樹光合色素含量高光譜估算模型。

［1］ Filella I，Serrano L，Serra J，Pefiuelas J.Evaluating wheat nitrogen status with canopy reflectance indices and discriminate analysis.Crop Science，1995，35(5):1400-1405.

［2］ Strachan I B，Pattey P，Boisvert J B.Impact of nitrogen and environmental conditions on corn as detected by hyper spectral reflectance.Remote Sensing of Environment，2002，80(2):213-224.

［3］ Chen L，hung J F，Wang F M，Tang Y L.Comparison between back propagation neural network and regression models for the estimation of pigment content in rice leaves and panicles using hyper spectral data Remote Sensing，2007，28(16):3457-3478.

［4］ Wu C S，Xiang Y Q，Deng L F，Tong Q X.Estimating chlorophyll density of crop canopies by using Hyperspectral data.Journal of Remote Sensing，2000，4(3):228-232.

［5］ Chen W J，Zhou Q F，Huang J F.Estimating pigment contents in leaves and panicles of rice after milky ripening by hyperspectral vegetation indices.Chinese Journal of Rice Science，2006，20(4):434-439.

［6］ Yao F Q，Zhang Z H，Yang R Y，Sun J W，Cui S F.Hyperspectral models for estimating vegetation chlorophyll content based on red edge parameter.Transactions of the Chinese Society of Agricultural Engineering，2009，25(2):123-129.

［7］ Ji H Y，Wang P X，Yan T L.Estimations of chlorophyll and water contents in live leaf of winter wheat with reflectance spectroscopy.Spectroscopy and Spectral Analysis，2007，27(3):514-516.

［8］ Li Y M，Ni S Y，Huang J F.Discussing effects of different chlorophyll concentration to leaf and canopy reflectance by hyperspectral data.Remote Sensing Technology and Application，2003，18(1):1-5.

［9］ Huang J F，Wang F M，Wang X Z，et al.Relationship between narrow band normalized deference vegetation index and rice agronomic variables，communications in soil.Science and Plant Analysis，2004，35(20):2689-2708.

［10］ Yang X H，Wang F M，Huang J F，Wang J W，Wang R C，Shen Z Q，Wang X Z.Comparison between radial basis function neural network and regression model for estimation of rRice Bbiophysical parameters using remote sensing.Soil Science Society of China，2009，19(2):176-188.

［11］ Huang J F，Blackburn G A.Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis of hyperspectral data.International Journal of Remote Sensing，2011，32(24):1-22.

［12］ Xue Z C，Gao H Y，Peng T，Yao G.Application of spectral reflectance on research of plant eco-physiology.Plant Physiology Journal，2011，47(4):313-320.

［13］ Ding S Y，Li H M，Qian L X.Research advances in remote sensing techniques in estimation of vegetation biochemical material contents.Chinese Journal of Ecology，2004，23(4):109-117.

［14］ Wang F M，Huang J F，Wang J X.Normalized difference ratio pigment index for estimating chlorophyll and cartenoid contents of in leaves of rice.Spectroscopy and Spectral Analysis，2009，29(4):1064-1068.

［15］ Lu X，Liu F C，Tian H J.Relationship between spectral characteristics parameters at leaf level of spartina anglica and chlorophyll concentration.Science of Surveying and Mapping，2010，35(6):99-102.

［16］ Yang X G，Fan W Y，Yu Y.Establishment of hyperspectral remote sensing model for estimating forest chlorophyll content in Daxing'anling Mountain.Forest Engineering，2010，26(2):8-11.

［17］ Qian Y R，Yang F，Li J L，Gan X Y，Yang Y，Wang E Y.Estimation of photosynthetic pigment of Festuca arundinacea using hyper-spectral data.Acta Prataculturae Sinica，2009，18(4):94-102.

［18］ Liu X Y，Lin H，Wan L F，Sun H，Xong Y J，Huang D K.Hyper-spectral estimation models of the chlorophyll contents of young camphor trees based on remote sensing data.Journal of Central South University of Forestry:Technology，2007，27(4):49-54.

［19］ Tang X G，Song K S，Liu D W，Wang Z M，Zhang B，Du J，Zeng L H，Jiang G J，Wang Y D.Comparison of methods for estimating soybean chlorophyll content based on visual/near infrared reflection spectra.Spectroscopy and Spectral Analysis，2011，31(2):371-374.

［20］ Shi R H，Zhuang D F，Niu Z，Wang W.Quantitative inversion of chlorophyll content based on radiative transfer model.Chinese Journal of Ecology，2006，25(5):591-595.

［21］ Sun Y X，Wang J H，Li B G，Liu L Y，Huang W J.Contrastive analysis based on neural network of winter wheat's chlorophyll concentration inversion with hyperspectral data.Remote Sensing Technology and Application，2007，22(4):492-496.

［22］ Zhang X Z，Deng G Q，Dai Y B，Li G Q，Hu F.Estimation models of summer maize leaf pigment content based on canopy reflectance spectra.Journal of Maize Sciences，2010，18(6):55-60.

［23］ Liu Z Y，Huang J F，Wu XH，Dong Y P，Wang F M，Liu P T.Hyperspectral remote sensing estimation models for the grassland biomass.Transactions of the Chinese Society of Agricultural Engineering，2006，22(2):111-115.

［24］ Liu X，Lin H，Zang Z，Wu X M.Study on correlation between chlorophyll-a and hyperspectral data of Cunninghamia lanceolata.Journal of Central South University of Forestry and Technology，2010，30(5):72-76.

［25］ Song K S，Zhang B，Wang Z M，Liu H J，Duan H T.Inverse model for estimating soybean chlorophyll concentration using in-situ collected canopy hyperspectral data.Transactions of the Chinese Society of Agricultural Engineering，2006，22(8):16-21.

［26］ Feng W，Zhu Y，Yao X，Tian Y C，Yao X F，Cao W X.Monitoring of wheat leaf pigment concentration with hyper-spectral remote sensing.Chinese Journal of Applied Ecology，2008，19(5):992-999.

［27］ Zhao X，Liu S H，Wang P J，Wang J D，Tian Z K.A method for inverting chlorophyll content of wheat using hyperspectral.Geography and Geo-Information Science，2004，20(3):36-39.

［28］ Yi Q X，Huang J F，Wang X Z，Qian L.Hyperspectral remote sensing estimation models for chlorophyll concentration in corn.Bulletin of Science and Technology，2007，23(1):83-87.

參考文獻:

［4］ 吳長山，項月琴，鄭蘭芬，童慶禧.利用高光譜數據對作物群體葉綠素密度估算的研究.遙感學報，2000，4(3):228-232.

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

［6］ 姚付啟，張振華，楊潤亞，孫金偉，崔素芳.基于紅邊參數的植被葉綠素含量高光譜估算模型.農業工程學報，2009，25(2):123-129.

［7］ 吉海彥，王鵬新，嚴泰來.冬小麥活體葉片葉綠素和水分含量與反射光譜的模型建立.光譜學與光譜分析，2007，27(3):514-516.

［8］ 李云梅，倪紹祥，黃敬峰.高光譜數據探討水稻葉片葉綠素含量對葉片及冠層光譜反射特性的影響.遙感技術與應用，2003，18(1):1-5.

［12］ 薛忠財，高輝遠，彭濤，姚廣.光譜分析在植物生理生態研究中的應用.植物生理學通訊，2011，47(4):313-320.

［13］ 丁圣彥，李昊民，錢樂祥.應用遙感技術評價植被生化物質含量的研究進展.生態學雜志，2004，23(4):109-117.

［14］ 王福民，黃敬峰，王秀珍.水稻葉片葉綠素、類胡蘿卜素含量估算的歸一化色素指數研究.光譜學與光譜分析，2009，29(4):1064-1068.

［15］ 盧霞，劉付程，田慧娟.大米草室內葉片光譜特征參數與葉綠素濃度關系研究.測繪科學，2010，35(6):99-102.

［16］ 楊曦光，范文義，于穎.森林葉綠素含量的高光譜遙感估算模型的建立.森林工程，2010，26(2):8-11.

［17］ 錢育蓉，楊峰，李建龍，干曉宇，楊齊，王衛源.利用高光譜數據快速估算高羊茅牧草光合色素的研究.草業學報，2009，18(4):94-102.

［18］ 劉秀英，林輝，萬玲鳳，孫華，熊育久，莫登奎.樟樹幼林葉綠素含量的高光譜遙感估算模型.中南林業科技大學學報:自然科學版，2007，27(4):49-54.

［19］ 湯旭光，宋開山，劉殿偉，王宗明，張柏，杜嘉，曾麗紅，姜廣甲，王遠東.基于可見/近紅外反射光譜的大豆葉綠素含量估算方法比較.光譜學與光譜分析，2011，31(2):371-374.

［20］ 施潤和，莊大方，牛錚，王汶.基于輻射傳輸模型的葉綠素含量定量反演.生態學雜志，2006，25(5):591-595.

［21］ 孫焱鑫，王紀華，李保國，劉良云，黃文江，趙春江.基于BP和GRNN神經網絡的冬小麥冠層葉綠素高光譜反演建模研究.遙感技術與應用，2007，22(4):492-496.

［22］ 張學治，鄭國清，戴廷波，李國強，胡峰.基于冠層反射光譜的夏玉米葉片色素含量估算模型研究.玉米科學，2010，18(6):55-60.

［23］ 劉占宇，黃敬峰，吳新宏，董永平，王福民，劉朋濤.草地生物量的高光譜遙感估算模型.農業工程學報，2006，22(2):111-115.

［24］ 劉璇，林輝，臧卓，吳學明.杉木葉綠素a含量與高光譜數據相關性分析.中南林業科技大學學報:自然科學版，2010，30(5):72-76.

［25］ 宋開山，張柏，王宗明，劉煥軍，段洪濤.大豆葉綠素含量高光譜反演模型研究.農業工程學報，2006，22(8):16-21.

［26］ 馮偉，朱艷，姚霞，田永超，姚鑫峰，曹衛星.小麥葉片色素含量的高光譜監測.應用生態學報，2008，19(5):992-999.

［27］ 趙祥，劉素紅，王培娟，王錦地，田振坤.基于高光譜數據的小麥葉綠素含量反演.地理與地理信息科學，2004，20(3):36-39.

［28］ 易秋香，黃敬峰，王秀珍，錢翌.玉米葉綠素高光譜遙感估算模型研究.科技通報，2007，23(1):83-87.