冬小麥冠層葉綠素質量分數高光譜遙感反演研究

孫勃巖，常慶瑞，劉夢云

(西北農林科技大學 資源環境學院，陜西楊凌 712100)

冬小麥冠層葉綠素質量分數高光譜遙感反演研究

孫勃巖，常慶瑞，劉夢云

(西北農林科技大學 資源環境學院，陜西楊凌 712100)

葉綠素質量分數是評估冬小麥生長狀況和預測產量的重要參數，估算葉綠素質量分數對于冬小麥的生長監測具有重要意義。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量分數和光譜特征進行田間測量，分別利用回歸分析方法和BP神經網絡方法搭建冬小麥葉綠素質量分數的估算模型，并將模型估算的葉綠素質量分數與田間實測的葉綠素質量分數進行對比，分析反演精度，從中篩選出精度最高的模型。結果表明：基于BP神經網絡的冬小麥冠層葉綠素質量分數估算模型擬合精度要優于其他7種基于植被指數的估算模型，其相關系數(R)為0.961 4，均方根誤差(RMSE)為1.875 4，相對誤差(RE)為2.815 2%，以及檢驗方程的決定系數(R2)為0.704 8，RMSE為1.744 6，RE為2.845 1%。研究結果為估測冬小麥冠層葉綠素質量分數提供參考，從而為冬小麥葉綠素質量分數的實時、快速、無損監測奠定基礎。

冬小麥；葉綠素質量分數；光譜特征；BP神經網絡；植被指數

葉綠素是植物葉片中基本組成物質，葉綠體是光合過程發生的載體，對太陽輻射的光能利用、大氣二氧化碳的吸收，光合進程等具有密切關系，直接影響到作物與外界的物質能量交換及作物的物質積累，其質量濃度的高低對植物光合效率、發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獲取反映冬小麥長勢狀況和光合生產能力的葉綠素質量分數信息，建立冬小麥冠層葉綠素的遙感監測和診斷模型，能夠有效地對冬小麥進行實時快速無損的長勢監測[3-4]。

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

因此，本試驗嘗試利用高光譜遙感技術對陜西省楊凌農業高新示范區的冬小麥冠層葉綠素質量分數進行估測，利用統計相關分析方法研究植被指數與葉綠素質量分數的相關性以及利用BP神經網絡法建立葉綠素質量分數的估算模型。同時，全面對比各個預算模型的估算精度，確定較好的模型參數及估算模型，為利用高光譜技術無損、快速、準確估測冬小麥冠層葉綠素質量分數提供依據，促進高光譜技術在冬小麥營養的長勢監測、快速診斷和估產中的普及與應用。

1 材料與方法

1.1 樣品采集

試驗設在西北農林科技大學教學實驗農場農作物試驗站(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。共設置20個小區，每個小區面積4 m×5 m=20 m2，田間管理按照大田種植方式進行。測定時間分別為2014-04-17和2014-04-22，是小麥的拔節-抽穗期。為保證試驗的精確性和準確性，每個小區選取2個樣點的小麥，要求其長勢能代表該區域生產特性，進行葉片光譜和葉綠素質量分數的測定。

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°，每次測量前進行白板矯正，消除陽光強度變化對光譜的影響，每樣點測10條曲線，最后將10條光譜曲線進行平均，其值作為該樣點的光譜曲線。

1.3 葉綠素質量分數測定

采用由日本KONICA MINOLTA公司生產的SPAD-502葉綠素計，該儀器利用葉綠素對于紅光和近紅外光吸收特性的原理，進而得到植物葉綠素質量分數的相對值，SPAD值與植物葉綠素質量分數呈極顯著相關，測量的SPAD值可以代表植物葉綠素的相對質量分數。因此，本試驗冬小麥冠層葉綠素質量分數由其測量的SPAD值代替。測量時，在光譜測定對應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的葉綠素質量分數。

1.4 數據處理

采用Excel 2012,SPSS 22.0、Matlab 2014 a等軟件對數據進行處理，進而對葉綠素質量分數與植物光譜進行相關性分析。首先對原始數據進行篩選，去除特異值，最終選取71個采樣點數據用作相關性分析。隨機選取50組數據用來確定估算模型，其余的21組采樣點數據用來確定驗證模型。未檢驗反演模型的精確程度、實測值與預測值的擬合效果，以反演模型的決定系數(R2)、相對誤差(RE)和均方根誤差(RMSE)作為重要依據評價模型精確程度和擬合效果。式(1)為均方根誤差的計算公式，式(2)為相對誤差的計算公式[9]。

(1)

(2)

分析冬小麥冠層葉綠素質量分數與植被指數的相關性，結合研究區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量分數敏感的最佳植被指數(表1)。

2 結果與分析

2.1 不同葉綠素質量分數的冬小麥高光譜特征

表1 高光譜植被指數及表達式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胞組織構成，入射到葉片上的太陽輻射透過上表皮，葉綠素吸收藍紅光進行光合作用，綠光大部分也被吸收，僅有少部分被反射，所以葉片呈現綠色。而近紅外線則能夠穿透葉綠素，被多孔薄壁細胞組織反射，因而形成強反射。由圖1可知，不同葉綠素質量分數的冬小麥冠層光譜特征總體上保持一致。在400～500 nm的藍紫光波段和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，葉綠素質量分數不同會造成植物光譜吸收特征的變化，隨著葉綠素質量分數的增加，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量分數有著密不可分的聯系，可以嘗試將光譜特征與葉綠素質量分數建立相關性，進而估算葉綠素質量分數。

圖1 不同葉綠素質量分數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 植被指數與冬小麥葉綠素質量分數的相關性

通過冬小麥冠層光譜反射率，依據表1公式計算各種植被指數，分析植被指數與葉綠素質量分數的相關性。由表 2可以看出，冬小麥冠層7種植被指數均與葉綠素質量分數達到顯著相關水平(P<0.01)，其相關系數為0.591～0.784，并且與葉綠素質量分數都是正相關關系，即葉綠素質量分數隨著植被指數增加而增加。其中NVI與葉綠素質量分數的相關性最高，達到0.784，RVI與葉綠素質量分數相關性相對較低，為0.591。根據統計學相關規定，以上7種植被指數與葉綠素質量分數均達到中度相關，說明這些植被指數均能夠較好反映葉綠素質量分數的變化，能夠用來搭建估算模型。

表2 植被指數與葉綠素質量分數的相關系數Table 2 Correlation coefficient between vegetation indices and chlorophyll mass fraction

注：“**”表示在 0.01 水平上相關。

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

2.3 冬小麥葉綠素質量分數高光譜估算模型及其檢驗

不同類型的植被指數所構建的回歸模型對結果精度存在一定影響，為比較 7 種植被指數構建的葉綠素質量分數高光譜估算模型的效果，以決定系數(R2)、均方根誤差(RMSE)和相對誤差(RE)作為評價指標，選擇擬合度較高的模型為最終估算模型，結果如圖2所示。由圖2可見，通過各種植被指數均能搭建精度較好的冬小麥冠層葉綠素質量分數估算模型R2為0.356 4～0.640 1；同時， 7類估算模型都是非線性模型，即冬小麥葉綠素質量分數隨著植被指數呈曲線變化。7類葉綠素質量分數估算模型中，RE為3.958 7%～5.407 4%，RMSE為2.368 3～3.167 6。對比分析7類估算模型發現，基于NVI構建的葉綠素質量分數估算模型精度最高，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 不同植被指數擬合的葉綠素質量分數估算模型Fig.2 Chlorophyll mass fraction estimation model with different vegetation indices

通過21組檢測數據對估算模型驗證，結果如表3。表3中擬合方程x代表實測的SPAD值，y代表該植被指數擬合方程得到的預測SPAD值。由此可知，基于7種植被指數建立的冬小麥葉綠素質量分數驗證模型，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類葉綠素質量分數驗證模型發現，基于新型植被指數NVI構建的葉綠素質量分數驗證模型精度最高，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量分數最佳估算模型。

2.4 基于BP神經網絡的冬小麥葉綠素質量分數估算模型與檢驗

神經網絡在遙感影像分類領域應用廣泛，國內外學者使用BP神經網絡對土地類型進行遙感分類，結果表明其分類精度比傳統的分類方法更準確[17-19]。本試驗神經網絡分析通過Matlab軟件實現，其分為輸入層、隱藏層和輸出層3個層級。通常構成植被指數的波段相對局限，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測冬小麥葉綠素質量分數的變化趨勢。從獲得的71組有效數據中，隨機選擇50組作為建模訓練樣本，剩余數據為模型檢驗樣本。選擇對冬小麥葉綠素質量分數變化較為敏感的藍光波段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，輸入層變量數為4，達到不同波段優勢互補的目的。輸出層為葉綠素質量分數，神經元為1。

BP神經網絡中,隱含層節點數的選取十分重要，它決定網絡是否成功。本研究確定BP神經網絡中隱含層節點數使用以下方法[20]：

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

BP神經網絡結構確定后，將隱藏層激活函數設置為tansig，輸出層為葉綠素質量分數，神經元數量為1，輸出層的激活函數設置成purelin，訓練函數采用trainrp。預期的精度為0.1，訓練的最大次數設置為1 000次。運行結果如表4，在隱含節點數量達到17的情況下，訓練模型的R為0.961 4，達到極顯著水平，RMSE為1.875 4，RE為2.815 2%，可以得到最好的葉綠素質量分數的最佳結果。用檢驗樣本驗證的結果如圖3，檢驗模型的R2為0.704 8，達到極顯著水平，RMSE為1.744 6，RE為2.845 1%。因此，BP神經網絡可用來進行冬小麥冠層葉綠素的分析預測與反演。

2.5 葉綠素質量分數反演精度對比

比較上述的葉綠素質量分數植被指數估算模型和基于BP神經網絡的葉綠素質量分數高光譜數據估算模型的擬合度和相對誤差。在基于植被指數的葉綠素質量分數估算模型中新型植被指數NVI葉綠素質量分數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神經網絡估算模型(R=0.961 4，RMSE=1.875 4，RE=2.815 2%)還是略遜一籌。同時，通過檢驗的結果來看，也是BP神經網絡估算模型(R2=0.704 8，RMSE=1.744 6，RE=2.845 1%)反演精度更加精準。因此，無論是模型擬合度還是反演精度都是基于BP神經網絡的葉綠素質量分數高光譜數據估算模型更好，BP 神經網絡法相較于傳統植被指數估算模型精度有較大的提升。

表4 神經網絡模型結果 Table 4 Results of BP neural network model

圖3 BP神經網絡擬合的葉綠素質量分數驗證模型Fig.3 Chlorophyll mass praction performance model with BP neural network

3 結 論

不同葉綠素質量分數的冬小麥光譜特征總體上保持一致，隨著葉綠素質量分數的變化會造成植物光譜吸收特征的變化。葉綠素質量分數越高，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量分數有著密不可分的聯系。

OSAVI、EVI2、NVI、mNDVI、RVI、DVI和NDVI7 種植被指數與冬小麥葉綠素質量分數關系密切，相關性均達到顯著水平；利用各種植被指數構建的估算模型，模型決定系數(R2)、相對誤差(RE)和均方根誤差(RMSE)均達到建模精度要求。經模型精度檢驗決定系數(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，適合進行該地區冬小麥葉綠素質量分數反演。

利用 BP 神經網絡輸入4個敏感波段反射率來估算冬小麥葉綠素質量分數，提升了反演精度。輸入的波段分別為藍光波段 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神經網絡構建的估算模型，相關系數(R)0.961 4，均方根誤差(RMSE)1.875 4，相對誤差(RE)2.815 2%。BP 神經網絡估算方法相較于傳統植被指數估算模型估測的冬小麥葉綠素質量分數精度有較大提高，更加適合估算冬小麥冠層葉綠素質量分數。

利用冬小麥冠層高光譜特征估測葉綠素質量分數為估測其葉綠素質量分數提供一種參考方法，從而為冬小麥葉綠素質量分數的實時、快速、無損監測奠定基礎。本研究發現BP神經網絡方法比傳統回歸模型法更加適合冬小麥冠層葉綠素質量分數的反演研究，提升模型的擬合精度。與此同時還存在一定的不足，BP神經網絡在搭建過程中一定要確保訓練樣本數量相對較多，才能保證研究的適普性，并且沒有保存訓練使用過的權值和閾值，增加樣本數量。在數學層面上，BP算法是一種局部搜索的優化方法，但它要得到的結果是求解復雜非線性函數的全局極值，因此，這種算法有一定的概率在局部到達極值，導致訓練無法完成，使得BP神經網絡模型在實用性方向有待進一步研究。本研究所測量的冬小麥地塊的土壤養分、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有待進一步論證。

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,項月琴,鄭蘭芬,等.利用高光譜數據對作物群體葉綠素密度估算的研究[J].遙感學報,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.水稻不同發育時期高光譜與葉綠素和類胡蘿卜素的變化規律[J].中國水稻科學,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用[J].中國農學通報,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].植物生態學報,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].農業系統科學與綜合研究,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.高光譜數據估測稻麥葉面積指數和葉綠素密度[J].農業工程學報，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] 王紀華,趙春江,黃文江,等.農業定量遙感基礎與應用[M].北京:科學出版社,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.地理信息系統支持下Spot/vegetation NDVI影像的大尺度神經網絡分類[J].紅外與毫米波學報,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.神經網絡的研究及應用[D].哈爾濱:東北林業大學,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，表達一種描述后的結果，通常用在名詞、形容詞后。例如，我們的祖國，強大的祖國，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，部隊在快速地推進、同志們緊張地開始工作……

“得”常表示一種后果，多出現在動補詞組，表示一種狀態，一種結果，通常用在動詞后，作為動補狀語出現。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，仔細地看，開心地笑笑……”

“得”前面跟的多數是動詞，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……”

補充兩點：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

國家高技術研究發展計劃(863計劃)(2013AA102401)。

孫勃巖，男，碩士研究生，研究方向為遙感模型與信息處理。E-mail:346713148@qq.com

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

S127

A

1004-1389(2017)04-0552-08

網絡出版地址：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).