基于高光譜的渭北旱塬區棉花冠層葉面積指數估算

齊雁冰，楚萬林，解飛，陳洋，常慶瑞

（西北農林科技大學資源環境學院，陜西楊凌712100）

基于高光譜的渭北旱塬區棉花冠層葉面積指數估算

齊雁冰，楚萬林，解飛，陳洋，常慶瑞

（西北農林科技大學資源環境學院，陜西楊凌712100）

以棉花冠層高光譜反射率與冠層葉片葉面積指數（LAI）為數據源，在分析LAI與原始高光譜反射率、一階微分光譜反射率、光譜提取變量和植被指數相關性的基礎上，采用一元線性與多元回歸的方法構建了棉花LAI高光譜估算模型，并進行精度估算。結果顯示，在可見光范圍內隨著生育期的推進及施氮量的增加冠層光譜反射率逐漸降低，在近紅外范圍內從苗期到花鈴期隨著施氮量增加反射率逐漸增加，花鈴期到吐絮期反射率明顯降低；各生育期冠層光譜的提取變量與LAI的相關性不強，全生育期各種光譜提取量及植被指數與LAI的相關性高于不同生育期；棉花冠層葉片LAI在反射光譜1 461 nm處相關系數達到最大值（r＝－0.726）；對于一階微分光譜，LAI的敏感波段發生在742 nm處，r＝0.744；以敏感波段742 nm一階微分光譜反射率建立的逐步回歸估算模型精度最高，RMSE＝0.94，RE＝26.27%，r＝0.78。說明以全生育期為基礎，采用一階微分光譜敏感波段，并根據實際條件選擇有效的估測模型，可以進行棉花LAI的預測。

棉花；葉面積指數；高光譜；植被指數

綠色植物通過葉片進行光合作用，葉面積指數（Leaf Area Index，LAI）既是光合作用強度及生物量估算的重要參數，又是反應植物養分循環及健康狀況的重要指標［1］。在小尺度范圍內植被LAI的獲取方法相對成熟，而對于大尺度上植被LAI的監測而言，遙感技術的發展提供了一種無損、快速的獲取方法，通過植被光譜反射率與LAI的關系，構建基于高光譜數據的LAI反演模型，能夠及時了解作物的生長信息，對作物的精確管理具有重要意義［2］。

自20世紀70年代Wiegand等［3］開始進行LAI與光譜反射率之間關系研究以來，學者們就LAI的高光譜估算開展了大量的工作，主要集中在：（1）不同生產措施及不同生育期農作物的冠層光譜特性［4－5］；（2）以原始光譜反射率或者一階導數光譜反射率為基礎數據，求得LAI的敏感波段，并以此波段作為自變量建立回歸方程，對LAI進行估測［6－7］；（3）以植被指數光譜數據的不同變換形式中的一種或幾種作為估測LAI的變量，通過相關分析，確定這些不同變化形式的光譜數據與LAI的相關性，進而建立LAI的預測模型［8－10］。農作物在田間的生長狀況受到光、溫、水及管理措施等眾多因素的影響，因此基于高光譜的農作物LAI模型估算是一個復雜的過程，其結果受到光譜處理方法、回歸方法及所選指標靈敏性的影響，只有在對模型各種影響因素系統分析對比的基礎上，才能篩選出適宜的估算模型。同時學者們開展研究的農作物通常包括小麥［11－13］、水稻［14－16］、玉米［17－18］等糧食作物，由于棉花種植的區域性較強，開展的研究相對較少。

棉花的生產管理較其他農作物相對繁瑣和復雜，因此我國棉花種植區域有所縮減，主要向新疆地區集中，而對于棉花LAI與光譜反射的關系研究區域主要集中在新疆地區［19－21］，對渭北旱塬區棉花冠層LAI的研究尚未見到，因此，本研究將試驗區設置在渭北旱塬區，對不同施氮水平下的棉花冠層光譜反射特性進行分析，以單波段的原始光譜反射率和一階微分光譜反射率作為自變量與LAI進行相關性分析，篩選出LAI的敏感波段，并進一步以原始光譜、一階微分光譜及光譜數據的不同變化形式作為自變量，建立LAI的估算模型，并全面對比所建立模型進行棉花冠層LAI估測的精度，確定能夠較好進行LAI估算的光譜變量，為大面積、無損和及時獲取棉花冠層LAI信息提供理論依據。

1 材料與方法

1.1 試驗設計

試驗于2014年在陜西省乾縣齊南村進行。該區地處渭北旱源區，屬暖溫帶大陸性季風氣候，冬天冷夏天熱，春秋溫暖，四季分明，氣候溫和，光、熱資源較豐富，全年平均降水量為525.8 mm，年平均氣溫12.7℃，≥10℃積溫3 470.3℃，為一年一熟制，以小麥和玉米種植為主，間有油菜與棉花，土壤類型以黃綿土為主。供試品種為魯棉研28號，每個小區面積為30 m2，設置5個氮肥梯度，分別為N0（不施氮）、N1（37.5 kg·hm－2純氮）、N2（75 kg·hm－2純氮）、N3（112.5 kg·hm－2純氮）、N4（150 kg·hm－2純氮），每個梯度設置3個重復，隨機排列，氮肥在播種前以碳銨一次性施入，其管理方式按照常規大田管理方式。棉花種植方式為地膜覆蓋壟種，行距為30 cm，待棉花出苗20天后定株距為20 cm。

1.2 冠層光譜數據采集與葉面積指數的測定

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區間光譜分辨率為1.4 nm，1 000～1 850 nm區間光譜分辨率為3.8 nm，在1 850～2 500 nm區間光譜分辨率為2.4 nm。選擇試驗區各施肥梯度大田內不同長勢且無病蟲危害的樣本點，分別在棉花苗期（06－20）、現蕾期（07－15）、開花期（08－05）、花鈴期（08－25）、盛鈴期（09－15）、吐絮期（10－04）等關鍵生育時期進行棉花群體冠層光譜測定，測定時間選擇在晴朗無云無風的11∶00—14∶00之間，測定前經參考板（白板）標定，傳感器探頭垂直向下，距離棉花冠層頂部約1m，光譜儀視場角選用8°，光譜掃描時間設定在5 s，每樣點測5條曲線，最后用其平均值作為該樣點的光譜反射值。本研究采用Boxcar平滑對原始光譜進行去噪處理，平滑半徑為5。

葉面積指數的測定是采用冠層分析儀（CI－110），測定時位置與冠層光譜測定位置相同，選擇同步測量，分8個方向進行測量，以平均值作為該點的葉面積指數，每個小區內3個樣點的平均值作為該小區的葉面積指數值。由于前期植株較小及到后期受棉絮的影響，我們只在現蕾期、開花期、花鈴期和盛鈴期4個生育期測定冠層葉面積指數。

1.3 模型參數的選取

為建立不同光譜參數的棉花冠層LAI預測模型，評價不同模型的預測精度，進而篩選出預測LAI的特征變量和最優模型，本研究采用3類高光譜特征參數進行構建模型：

（1）LAI對于原始光譜和一階微分光譜的敏感波段，以及350～1 100 nm范圍內的原始光譜反射率和一階微分光譜反射率。

光譜的一階微分方法是對原始反射光譜進行一階微分，近似計算方法是：式中，λi為通道i處的波長值；R（λi）為波長λi處的光譜反射值；Δλ為相鄰波長間隔。

（2）常用植被指數：比值植被指數、歸一化植被指數、垂直植被指數、差值植被指數、土壤調整植被指數、轉換型土壤調整指數、修改型二次土壤調整指數、再歸一化植被指數。計算方式如下：

比值植被指數（RVI）

歸一化植被指數（NDVI）

垂直植被指數（PVI）

差值植被指數（DVI）

土壤調整植被指數（SAVI）

轉換型土壤調整指數（TSAVI）

修改型二次土壤調整指數（MSAVI2）

再歸一化植被指數（RDVI）

式中，R為光譜反射率；NIR為近紅外范圍內第一個拐點對應的波長，Red為紅谷位置對應的波長。L為調整系數，L＝0.5，ɑ、b為土壤線系數，ɑ＝10.489，b＝6.604［22］。

（3）基于原始光譜與一階微分光譜的提取變量，見表1。

表1 部分光譜變量描述Table 1 Describes of partof the spectrum variables

1.4 數據處理

相關性分析和逐步回歸分析、模型的構建、模型的檢驗、作圖等采用Excel 2010與SPSS19.0完成。用標準差加減三倍標準差方法異常值剔除后，本研究共選取148個樣本，其中128個作為測試樣本，20個作為精度檢驗樣本。

2 結果與分析

2.1 生育期內棉花冠層光譜反射特征

由圖1可知，在棉花生育期內不同波段上光譜反射率差異明顯，在可見光范圍內，隨著生育期的推進冠層光譜反射率逐漸降低，到吐絮期達到最小，而在近紅外范圍內，從苗期到花鈴期反射率逐漸增加，花鈴期到吐絮期反射率明顯降低，這與棉花冠層葉面積及葉片結構的變化相關。棉花從苗期到花鈴期地表覆蓋度增加，葉面積及葉片含水量累積量增大，從而增強了對近紅外的反射與對可見光的吸收，而在盛鈴期與吐絮期，棉花基本停止營養生長，光合作用不斷減弱，導致冠層光譜反射率不斷降低。不同的施氮水平對棉花光譜反射率也具有明顯的影響（圖2，以吐絮期為例），在可見光范圍內隨施氮量的增加而呈現降低的趨勢，這主要是由于葉面積隨著施氮水平的提高而有增大的趨勢，而葉面積與葉綠素等色素含量對植被在可見光范圍內的光譜反射率具有明顯影響。冠層光譜反射率在近紅外范圍內隨施氮量增加呈現明顯的增長趨勢，與施氮量關系密切。

圖1 不同生育時期冠層光譜反射率Fig.1 Canopy spectral reflectance in differentgrowth stage

2.2 葉面積指數與光譜特征參量的相關分析

以棉花現蕾期、開花期、花鈴期、盛鈴期等4個時期為例，由表2可知，各生育期冠層光譜的提取變量與LAI的相關性不強，現蕾期各光譜提取變量與葉面積指數相關性均不顯著，在開花期、花鈴期、盛鈴期與LAI相關性最大的變量分別為Rg／Rr（r＝0.375）、紅谷幅值Rr（r＝－0.379）、（Rg－Rr）／（Rg＋Rr）（r＝0.459），但這幾個時期的相關性不顯著。在對全生育期冠層提取變量與葉面積指數的分析中，相關性明顯比單生育期LAI與變量的相關性強，與LAI相關性最大的變量是SDr／SDb，相關系數為0.601，達到極顯著水平。在對葉面積指數進行估測時應利用全生育期冠層高光譜數據建立預測模型。

圖2 吐絮期不同施氮水平下冠層光譜反射率Fig.2 Canopy spectral reflectance in different N treatment in the ball opening stage

利用相關性較大的光譜提取變量建立葉面積指數的回歸方程，分別建立線性、一元二次、指數、冪函數、對數5種回歸方程，從中選取確定系數（R2）最大的列于表3中，可以看出，以整個生育期變量SDr／SDb建立的冪函數回歸方程確定系數最大，為0.3713，達到極顯著水平，全生育期建立的葉面積回歸方程比分時期建立的回歸方程估測效果好，與上面相關性的分析結果一致，但利用全生育期提取變量建立的回歸方程確定系數也不高。

2.3 葉面積指數與敏感波段的相關分析

本研究將棉花現蕾期、開花期、花鈴期、盛鈴期等4個關鍵生育期共128個測試樣本的冠層光譜反射率與對應的葉面積指數進行了相關性分析，如圖3所示，原始光譜與葉面積指數在1 461 nm處呈現最大的負相關，相關性系數為－0.726，一階微分光譜與葉面積指數在742 nm處呈現最大正相關，相關性系數為0.744，一階微分光譜與LAI的最大相關性高于原始光譜與LAI的最大相關性，將葉面積指數的兩個敏感波段R1461、DR742作為單一自變量分別建立LAI的估測方程，由圖4a可知，葉面積指數與R1461建立的回歸方程，以指數形式的回歸方程確定系數最高，為0.5347，由圖4b可知，葉面積指數與DR742建立的回歸方程，以一元線性形式的回歸方程確定系數最高，為0.5539，均達到了極顯著的水平，且確定系數較高，可以用來估測棉花的葉面積指數。

表2 不同生育期棉花葉面積指數與光譜變量的相關性系數Table 2 Correlation coefficient of cotton LAIand spectral variables in differentgrowth stages

表3 冠層光譜提取變量與葉面積指數的回歸方程Table 3 The regression equations of LAIand spectral variables

2.4 葉面積指數估算模型精度分析

如表4所示，可以看出基于全生育期的原始光譜敏感波段以及一階微分光譜敏感波段建立葉面積指數估測模型的RMSE均較低，分別為0.96和0.94，預測值與實測值之間的相關性系數相似，均達到1%的極顯著水平，但估測精度不同，分別為52.91%與73.73%，因此，以一階微分光譜敏感波段DR742為變量建立的一元線性回歸方程對棉花葉面積指數的估測精度較高，可以用該模型對棉花葉面積指數進行反演。

圖3 葉面積指數與原始光譜和一階微分光譜的相關性Fig.3 Correlationship of LAIwith raw reflectance and first derivative reflectance

圖4 葉面積指數（LAI）預測回歸方程Fig.4 The predict regression equations of LAI

表4 棉花葉面積指數估算模型精度分析Table 4 The accuracy of estimationmodels of cotton leaf area index

圖5 棉花葉面積指數估算值與實測值分布Fig.5 Distribution of estimated andmeasured of cotton leaf area index

對篩選出的預測模型的預測值與實測值間的關系作圖分析，從圖5可以看出，以DR742為變量的預測值與實測值分布較優，以變量R1461建立的模型的預測值偏離實測值相對較大，估測效果不佳。

3 討論

農作物的反射光譜特征與其生理特點息息相關，因此通過反射光譜特征的觀測及對各種生理參數進行反演，進而根據光譜的差異對農作物生長狀況進行檢測，這也是近年來高光譜遙感在農作物生長環境監測中最為重要的應用方面。唐延林等［23］的研究表明隨著棉花發育期的推移，冠層光譜反射率在可見光波段逐漸降低，在近紅外區域增高，本研究的結果顯示冠層光譜反射率由花鈴期到吐絮期在可見光譜段逐漸降低，在近紅外范圍內逐漸升高，與以上結果一致，原因在于在可見光波段光譜反射率主要受葉綠素等色素的影響［24］，而在近紅外區域，光譜反射率受到冠層葉片細胞的排列方式與植被整體結構影響較大［25］，與棉花長勢密切相關。

植被指數可以指示地表植被的蓋度及其生長狀況，通常是由地面光譜中紅外和近紅外區域光譜反射率進行線性或非線性組合或運算得到的一組參數［22，26］。王登偉等［26］、馬勤建等［27］的研究均表明在整個生育期內，棉花冠層光譜反射率及各種形式提取量獲得的植被指數與葉面積指數均呈現顯著的相關關系，本研究的結果顯示在各個生育期內，冠層光譜的提取量與LAI的相關性并不強，現蕾期無光譜提取量與LAI顯著相關，開花期、花鈴期及盛鈴期也僅有個別提取量與LAI具有顯著相關性，而將整個生育期綜合來計算的時候，光譜提取量與LAI的相關性顯著提高，大部分指標與LAI均呈現顯著相關性。其原因有待進一步研究。

在利用高光譜數據構建葉面積的預測模型時，模型精度受到光譜數據的變換形式及所選函數類型的影響。對地物原始光譜進行微分處理可以提高光譜數據與農學參數的相關性，對光譜信噪比非常敏感，因為光譜微分處理可以去除部分由于線性光譜背景及噪聲光譜對植被指數的影響，從而能更好地獲取地表植被冠層生長信息。馬勤建等［27］的研究表明對棉花原始光譜進行一階微分處理后與LAI的相關系數由0.6339提高至0.6769，本研究的結果顯示原始光譜與LAI的相關系數為－0.726，而經過一階微分變換之后相關系數略有提高，變為0.744。利用線性和非線性擬合的方法是目前基于光譜數據的葉面積估算的主要途徑，通常選用的函數包括線性、對數、指數、冪函數、多項式等，由于農作物的生長條件千差萬別，所選用的函數模擬精度差異也非常明顯，陳志強等［28］和易秋香等［29］的結果顯示指數模型優于對數、冪函數、多項式及線性模型，而王登偉等［26］的結果表明冪函數模型優于線性模型。本研究的結果顯示以一階微分光譜敏感波段所建立的預測模型中線性模型精度明顯高于冪函數、指數、對數及多項式函數，由此表明預測模型函數的選取并沒有孰優孰劣之分，而是要根據實際狀況選取最優的模型。

遙感技術的發展盡管為農作物生長環境及基本參數的快速、無損檢測提供了一條有效途徑，但從眾多的農作物遙感反演的研究結果中不難發現，不僅不同農作物之間的反演模型無法通用，即使是相同的農作物之間，在不同研究區域、不同學者之間反演模型也是千差萬別［30－32］，甚至同一種農作物、相同的研究區內在不同的年份的反演模型都差異很大，因此，就目前的研究水平，建立通用的農作物遙感反演模型仍有很長的路要走。

4 結論

本文在對不同施氮水平及不同生育期的棉花冠層光譜反射特性分析的基礎上，以棉花冠層光譜與LAI的相關性為出發點，建立了基于不同光譜參數的LAI估算模型，并檢驗了各模型的預測精度，篩選出棉花LAI的特征變量及精度較高的預測模型。受到氣候、地形及生育期的等眾多因素的影響，棉花冠層光譜反射率與LAI的相關性各生育期內低于全生育期，且以全生育期SDr／SDb建立的冪函數方程相關系數最高，對棉花原始光譜進行一階微分處理后與LAI的相關系數則會有所提高，并以一階微分光譜敏感波段DR742為變量建立的一元線性回歸方程對棉花LAI的估測精度較高。目前以地物光譜反射率進行農作物農學參數估算模型的構建仍然處于探索階段，不同區域及不同農作物之間不具有可比性，而應該結合實際，通過長期的實驗才能得到可靠的結果。

［1］吳立峰，張富倉，王海東，等.新疆棉花虧缺灌溉葉面積指數模擬研究［J］.農業工程學報，2015，46（1）：249-258.

［2］陳江魯，王克如，李少昆，等.基于光譜參數的棉花葉面積指數監測和敏感性分析［J］.棉花學報，2011，23（6）：552-558.

［3］Wiegand C L，Gausman HW，Cuellar JA.Vegetation density as deduced from ERTS－1MSS response［C］／／Third ETRSSymp，NASASP－351，（1）A.Washington，DC：NASA，1974：93-116.

［4］Thomas I，Ching N P，Benning VM，et al.A review ofmulti-channel indicesof class separability［J］.International Journal of Remote Sens-ing，1987，18（3）：331-350.

［5］吳春霞，王進，任崗，等.基于高光譜技術的棉花冠層反射特征研究［J］.農業與技術，2008，28（4）：56-60.

［6］盧霞.沿海灘涂棉花葉片葉綠素含量高光譜遙感估算模型研究［J］.安徽農業科學，2011，39（12）：7452-7454.

［7］王登偉，黃春燕，張偉，等.高光譜數據與棉花葉綠素含量和葉綠素密度的相關分析［J］.棉花學報，2008，20（5）：368-371.

［8］Horler D N H，Dockray M，Barber J.Red edgemeasurements for remotely sensing plant chlorophyll content［J］.Advances in Space Research，1983，3（2）：273-277.

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

［10］姚霞，吳華兵，朱艷，等.棉花功能葉片色素含量與高光譜參數的相關性研究［J］.棉花學報，2007，19（4）：267-272.

［11］Broge N H，Mortensen JV.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data［J］.Remote Sensing of Environment，2002，81（1）：45-57.

［12］代輝，胡春勝，程一松，等.不同氮水平下冬小麥農學參數與光譜植被指數的相關性［J］.干旱地區農業研究，2005，23（4）：16-21.

［13］靳彥華，熊黑鋼，張芳，等.不同地類春小麥葉片葉綠素含量高光譜植被指數估算模型研究［J］.麥類作物學報，2013，33（5）：1012-1018.

［14］Haboudane D，Miller JR，Tremblay N，et al.Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture［J］.Remote Sensing of Environment，2002，81（2）：416-426.

［15］金震宇，田慶久，惠鳳鳴，等.水稻葉綠素濃度與光譜反射率關系研究［J］.遙感技術與應用，2003，18（3）：134-137.

［16］徐新剛，趙春江，王紀華，等.新型光譜曲線特征參數與水稻葉綠素含量間的關系研究［J］.光譜學與光譜分析，2011，31（1）：188-191.

［17］宋開山，張柏，李方，等.玉米葉綠素含量的高光譜估算模型研究［J］.作物學報，2005，31（8）：1095-1097.

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

［19］陳燕，黃春燕，王登偉，等.北疆棉花葉綠素密度的高光譜估算研究［J］.新疆農業科學，2006，43（6）：451-454.

［20］陳燕，王登偉，黃春燕，等.新疆棉花LAI和葉綠素密度的高光譜估算研究［J］.遙感信息，2007，（2）：33-36，41.

［21］黃春燕，王登偉，張煜星.基于棉花紅邊參數的葉綠素密度及葉面積指數的估算［J］.農業工程學報，2009，25（2）：137-141.

［22］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.

［23］唐延林，王秀珍，黃敬峰.棉花高光譜及其紅邊特征（I）［J］.棉花學報，2003，15（3）：146-150.

［24］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（1）：76-87.

［25］Mutanga O，Skidmore A K，Van Wieren S.Discriminating tropical grass（Cenchrus ciliɑris）canopies grown under differentnitrogen treatments using spectroradiometry［J］.Photogrammetry＆Remote Sensing，2003，57：263-272.

［26］王登偉，黃春燕，馬勤建，等.棉花高光譜植被指數與LAI和地上鮮生物量的相關分析［J］.中國農學通報，2008，24（3）：426-429.

［27］馬勤建，王登偉，黃春燕，等.棉花葉面積指數和地上干物質積累量的高光譜估算模型研究［J］.棉花學報，2008，20（3）：217-222.

［28］陳志強，王磊，白由路，等.整個生育期玉米葉片SPAD高光譜預測模型研究［J］.光譜學與光譜分析，2013，33（10）：2838-2842.

［29］楚萬林，齊雁冰，常慶瑞，等.棉花冠層葉片葉綠素含量與高光譜參數的相關性［J］.西北農林科技大學學報（自然科學版），2016，44（9）：65-73.

［30］白麗，王進，蔣桂英，等.干旱區基于高光譜的棉花遙感估產研究［J］.中國農業科學，2008，41（8）：2499-2505.

［31］陳兵，李少昆，王克如，等.病害脅迫下棉花葉片色素含量高光譜遙感估測研究［J］.光譜學與光譜分析，2010，30（2）：421-425.

［32］王強，易秋香，包安明，等.基于高光譜反射率的棉花冠層葉綠素密度估算［J］.農業工程學報，2012，28（15）：125-132.

Estimating leaf area index of cotton canopy by hyperspectral reflectance in Weibei plateau

QIYan-bing，CHUWan-lin，XIE Fei，CHEN Yang，CHANG Qing-rui
（College of Nɑturɑl Resourcesɑnd Environment，Northwest A＆F University，Yɑngling，Shɑɑnxi 712100，Chinɑ）

Leaf Area Index（LAI）is an important parameter to assess the growth situation of cotton.In this paper，canopy hyperspectral reflectance and LAIweremeasured at six growth stages of cotton in a field experiment.The correlation of LAIwith the original spectral reflectance，the first derivative spectral reflectance，commonly used spectral variables and vegetation indexwere analyzed.The estimationmodels of LAIwere established using linear regression andmultiply stepwise regression methods，and the predictive precision was analyzed.The results indicated that spectral reflectance of cotton canopy decreased gradually with the advance of the growth stage and increase of nitrogen fertilizer application in the visible band，while itwas increased from the seeding stage to the flowering and ball stage and itwas decreased from the flowering and ball stage to the ball opening stage in the infrared band.The correlation coefficientof LAI with the common used spectral variables and vegetation index were higher in the whole growth stage than the different stages.Themaximum correlation coefficients of LAIoccurred at the reflectance bandsof1 461 nm with the r＝－0.726，while the highest correlation coefficients between the first derivative spectral data and LAIoccurred at band of 742 nm with r＝0.744.Themodel based on the first derivative spectral reflectance by usingmultiply stepwise regressionmethod obtained themost satisfied results for the estimation of LAIin the 742 nm，RMSE＝0.94，RE＝26.27%，r＝0.78.It is feasible tomonitor the cotton growth by the first derivative spectral reflectance based on data of thewhole growth stage.But for the different regions，the estimatingmodels should be assessed carefully based on plenty of experiments.

cotton；leaf area index；hyperspectrum；vegetation index

TP79；S562

：A

1000-7601（2017）01-0114-08

10.7606／j.issn.1000-7601.2017.01.18

2016-01-05

“十二五”農村領域國家科技計劃課題（2013AA102401－2）

齊雁冰（1976—），男，河南淮陽人，副教授，主要從事3S技術及其應用方面的研究。

常慶瑞（1959—），男，陜西子洲人，教授，博士生導師，主要從事遙感與GIS應用方面的研究。E-mail：changqr＠nwsuaf.edu.cn。