夏 天，吳文斌，周清波※，陳仲新，周 勇

(1．農(nóng)業(yè)部農(nóng)業(yè)信息技術(shù)重點實驗室，北京 100081;2．中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京 100081;3．華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院，湖北武漢 430079)

1 引言

近年來，高光譜遙感技術(shù)迅速發(fā)展，使得遙感技術(shù)可以直接對地物進(jìn)行微弱光譜差異的定量分析，在植被遙感研究與應(yīng)用中表現(xiàn)出強(qiáng)大優(yōu)勢［1-3］。利用高光譜估測植物葉綠素 (Soil and Plant Analyzer Development，SPAD)含量等參數(shù)已經(jīng)成為一種重要手段［4-5］，它能了解植株葉綠素的含量及動態(tài)變化，對評價作物生產(chǎn)能力、估測產(chǎn)品和監(jiān)測品質(zhì)均有重要意義。

國內(nèi)外許多學(xué)者在此方面進(jìn)行了相關(guān)研究，如Sampson［6］和Carter［7］等發(fā)現(xiàn)葉片的葉綠素含量作為葉片的主要參數(shù)，它決定著葉片光譜可見光部分的變化，葉綠素的含量與光譜反射率具有較好的相關(guān)。Hansen［8］等利用NDVI指數(shù)的偏最小二乘法，估算出冬小麥冠層生理生化參數(shù)。Dash［9］基于單一的植被類型的冠層葉綠素含量估測，結(jié)果表明綠、紅以及紅外波段附近的光譜信息對于葉綠素含量較為敏感;楊海清［10］利用反射光譜技術(shù)建立的SPAD預(yù)測模型;董晶晶［11］和趙祥［12］等應(yīng)用高光譜數(shù)據(jù)反演冬小麥葉綠素含量。此外，還有國內(nèi)外許多學(xué)者一直致力尋找對植被葉綠素較敏感的波段建立模型［13-17］。研究發(fā)現(xiàn)，這些已有的研究主要針對某一個區(qū)域植被或作物，利用高光譜遙感技術(shù)進(jìn)行葉綠素含量反演或估算，跨區(qū)域的植被SPAD遙感估算研究較少。由于不同地區(qū)、不同環(huán)境的植被SPAD對高光譜的敏感波段不盡相同，植被指數(shù)在不同區(qū)域環(huán)境的適應(yīng)性也不同，因此開展多區(qū)域的基于高光譜遙感估算植被SPAD的比對研究具有重要意義。

基于此，研究選取江漢平原的湖北省潛江市和黃淮海平原的山東省濟(jì)南市為研究區(qū)，以冬小麥作物為研究對象，首先，使用便攜式ASD Field spec 3高光譜儀與Konica Minolta SPAD-502型手持式葉綠素測量計 (簡稱SPAD-502)對冬小麥不同生育期進(jìn)行葉片SPAD及冠層反射光譜數(shù)據(jù)定位觀測。SPAD-502儀器通過測量葉片對兩個波段650nm和940nm的吸收率，來評估當(dāng)前葉片中的葉綠素的相對含量或“綠色程度”。Marenco研究發(fā)現(xiàn)SPAD-502測量葉綠素含量的精度很高，幾乎跟化學(xué)實驗測得的葉綠素結(jié)果一樣［18］。之后，探究冬小麥冠層反射光譜與SPAD之間的定量關(guān)系，構(gòu)建不同地域冬小麥SPAD最佳遙感估算模型。該研究結(jié)果可為研究不同地域冬小麥生育期內(nèi)光譜變化情況，建立冬小麥光譜與葉綠素之間的關(guān)系，適時動態(tài)地掌握冬小麥的生長狀況提供參考［19］，也可以不同區(qū)域的多品種冬小麥葉片SPAD遙感診斷和預(yù)測提供技術(shù)支持。

2 材料與方法

2.1 田間數(shù)據(jù)采集

圖1顯示了湖北省潛江市后湖管理區(qū)和山東省濟(jì)南市長清區(qū)的地理位置。潛江市境內(nèi)地勢平坦，土壤以黏土為主，地面高程在26～31m之間，水系縱橫，雨量豐沛，屬亞熱帶季風(fēng)性濕潤氣候，年均氣溫在16．1℃左右，年均降水量1 110mm。區(qū)內(nèi)種植水稻和冬小麥兩種糧食作物，其中冬小麥品種主要為鄭麥9023和皖麥369。濟(jì)南市地處中緯度地帶，境內(nèi)土壤主要為棕壤、褐土、潮土和風(fēng)沙土，屬于暖溫帶半濕潤大陸性季風(fēng)氣候，四季分明，春季干旱少雨，夏季炎熱多雨，秋季較為干燥，冬季氣溫低，年平均氣溫14．3℃，年平均降水量660．7mm。研究區(qū)內(nèi)主要種植泰農(nóng)18號、臨麥2號和穩(wěn)千1號等多個品種冬小麥。

由于溫度、降水等氣候原因，江漢平原冬小麥發(fā)育所需的積溫時間較黃淮海平原冬小麥所需的積溫時間短，后湖地區(qū)的冬小麥在每年的5月下旬成熟，而長清地區(qū)的冬小麥在每年的6月中旬成熟。江漢平原冬小麥的每個生育期較黃淮海平原的冬小麥均提前了15～20天左右。該研究從2010年3～6月，分析在兩個區(qū)域的冬小麥關(guān)鍵生育期 (拔節(jié)期、抽穗期、灌漿期、成熟期)進(jìn)行田間測量。

圖1 兩個研究區(qū)域的空間分布

田間測量以田塊為基本元設(shè)置觀測點，在每個觀測點田塊的東、南、西、北、中五個方位設(shè)置監(jiān)測點，使用差分GPS記錄監(jiān)測點的坐標(biāo)，分別在每個子樣點附近1 m范圍內(nèi)隨機(jī)選擇4株使用SPAD-502測定冬小麥葉片SPAD。通過儀器分別夾住葉片的上部1/3處、中部和下部1/3處測量SPAD并求其平均值。小麥的一生葉片分為3組:近根葉組、中層葉組和上層葉組。倒二葉屬于上層葉組，在孕穗期，小麥植株最后三片功能葉對每穗結(jié)實粒數(shù)影響:倒二葉＞劍葉＞倒三葉［20］。由于倒二葉對小麥產(chǎn)量具有決定性的影響，同時倒二葉屬于上層葉組對冠層光譜有直接影響，故研究選取倒二葉作為研究對象。冬小麥冠層光譜反射率測量在天氣晴朗、無風(fēng)或者風(fēng)速較小時進(jìn)行，時間為10:00～14:00之間。測量時光纖探頭垂直地表約120 cm，在視場范圍內(nèi)重復(fù)測量10次，取平均值。各點在測量前都進(jìn)行標(biāo)準(zhǔn)白板校正 (標(biāo)準(zhǔn)白板反射率為1，所得目標(biāo)物光譜為無量綱的相對反射率)。

2.2 數(shù)據(jù)處理

2．2．1 冬小麥SPAD數(shù)據(jù)處理

首先對采集的冬小麥SPAD進(jìn)行預(yù)處理，將所有的SPAD數(shù)據(jù)按照采樣地區(qū)、采樣監(jiān)測點、采樣的方位和采樣時間分別進(jìn)行處理。后湖樣區(qū)的鄭麥9023、皖麥369和長清樣區(qū)的臨麥2號、穩(wěn)千1號、泰農(nóng)18號在SPAD峰值大小及出現(xiàn)的物候期上略有差異 (圖2)。鄭麥9023和皖麥369的SPAD最大值出現(xiàn)在抽穗期，分別為51．6和48，最小值出現(xiàn)在成熟期分別為4．8和6．5。臨麥2號、穩(wěn)千1號和泰農(nóng)18號在拔節(jié)期葉片SPAD最高，分別為53、63．9和67．4，最小值出現(xiàn)在成熟期，分別為 16．1、16．9和17．5。長清樣區(qū)冬小麥的SPAD整體水平較后湖樣區(qū)要好，這說明長清樣區(qū)冬小麥的整體生長狀況較優(yōu)，后湖樣區(qū)的冬小麥葉片SPAD從拔節(jié)開始不斷增加，抽穗期時達(dá)到最大。然后進(jìn)入灌漿期，隨著冬小麥的營養(yǎng)不斷的供給麥穗，葉子和麥稈慢慢凋萎，成熟期冬小麥葉片的SPAD達(dá)到最低點。而長清樣區(qū)的冬小麥在拔節(jié)期葉片SPAD處于最高峰，抽穗期至灌漿期緩慢下降，直至成熟期降到最低點。

圖2 不同生育期冬小麥葉片SPAD變化

2．2．2 冬小麥光譜數(shù)據(jù)處理

為了減弱噪聲對實際光譜數(shù)據(jù)的影響，對原始的高光譜進(jìn)行除噪聲處理。對350～2 500 nm光譜范圍內(nèi)1 400 nm、1 900 nm和2 500 nm附近反射率大于1的波段及其周圍所對應(yīng)的噪聲數(shù)據(jù)進(jìn)行剔除，這樣所得光譜在該波長范圍內(nèi)的噪聲比較小，有利于研究使用［21］。

分析冬小麥冠層光譜數(shù)據(jù)發(fā)現(xiàn)，不同生育期冬小麥冠層光譜反射率的變化較明顯 (圖3)。長清樣區(qū)冬小麥拔節(jié)期至抽穗期，可見光部分反射率逐漸減低，而近紅外部分反射率逐漸升高。抽穗期至灌漿期;灌漿期至成熟期，可見光部分反射率逐漸升高，而近紅外部分反射率逐漸降低。該地區(qū)的冬小麥光譜特征與前人研究的規(guī)律是一致的［22］。后湖樣區(qū)冬小麥拔節(jié)期至抽穗期，可見光部分反射率逐漸降低，但近紅外部分反射率也逐漸降低，這與長清樣區(qū)的情況有所不同。抽穗期至灌漿期;灌漿期至成熟期，可見光部分反射率是逐漸升高，近紅外部分反射率降低。當(dāng)冬小麥長勢好，覆蓋度高時，在可見光部分由于葉綠素強(qiáng)烈吸收而反射率較低，在近紅外平臺區(qū)域由于冠層結(jié)構(gòu)作用導(dǎo)致反射率表現(xiàn)較高。兩地區(qū)的冬小麥從拔節(jié)期至抽穗期在植被強(qiáng)烈反射帶地區(qū)有所不同，作者綜合實地觀察和已有研究，該研究出現(xiàn)冠層光譜的差異與種植地區(qū)和冬小麥的品種差異有著一定的關(guān)系［23］。

圖3 不同生育期冬小麥冠層光譜反射率變化

2．2．3 冬小麥SPAD估算模型構(gòu)建

研究選取4種能反映冬小麥葉綠素特點的植被指數(shù) (表1)構(gòu)建反演模型。比值植被指數(shù) (RVI)綠色植被的一個靈敏的指示參數(shù)，它與葉綠素含量相關(guān)性高。差值植被指數(shù) (DVI)對土壤背景的變化較RVI敏感，植被覆蓋度高時，對植被的敏感度有所下降，適宜于冬小麥初期的植被覆蓋研究。歸一化植被指數(shù) (NDVI)可以消除大部分與儀器定標(biāo)、太陽角、地形、云陰影和大氣條件相關(guān)輻射照度的變化的影響，常用于研究植被生長狀態(tài)及覆蓋度。而綠波段指數(shù) (GRVI)對葉綠素濃度有較高的敏感性。

利用SPSS軟件統(tǒng)計分析功能對兩個樣區(qū)的冬小麥SPAD進(jìn)行方差分析，研究它們之間是否存在差異，并根據(jù)方差分析結(jié)果來確定數(shù)據(jù)集分類。將分類后的冬小麥冠層光譜反射率與冬小麥SPAD相關(guān)性分析，找出光譜敏感區(qū)域;然后利用高光譜數(shù)據(jù)計算4種植被指數(shù)，并與冬小麥SPAD構(gòu)建回歸模型，確定擬合度高、誤差小的冬小麥SPAD反演模型;最后利用實測SPAD數(shù)據(jù)對反演模型進(jìn)行精度檢驗。

表1 高光譜植被指數(shù)表達(dá)式

3 結(jié)果與分析

3.1 冬小麥SPAD差異分析

對兩樣區(qū)冬小麥的SPAD分別按拔節(jié)期、抽穗期、灌漿期、成熟期利用SPSS軟件進(jìn)行方差分析 (表2)，結(jié)果顯示 F檢驗統(tǒng)計量的值為33．398、18．914、23．880、89．143遠(yuǎn)大于1，對應(yīng)的概率 P均小于0．05，在0．05的顯著性水平下，說明后湖樣區(qū)和長清樣區(qū)的冬小麥各生育期都存在顯著的差異。故該研究將樣本分為后湖樣本和長清樣本兩個樣本進(jìn)行研究。

表2 后湖樣區(qū)與長清樣區(qū)冬小麥各生育期SPAD方差分析

3.2 冬小麥SPAD預(yù)測模型

由圖4可以看出，后湖管理區(qū)可見光部分變化十分強(qiáng)烈，其中藍(lán)光波段為正相關(guān)，綠光波段為負(fù)相關(guān)，紅光波段在680 nm附近達(dá)到負(fù)相關(guān)最大值-0．70，然后迅速轉(zhuǎn)為正相關(guān)。近紅外區(qū)域760～1 000 nm部分相關(guān)性相對比較平穩(wěn)，維持在0．75左右。而長清區(qū)在可見光部分 (350～720 nm波段)，冬小麥冠層高光譜反射率與SPAD值呈負(fù)相關(guān)，其中500～560 nm之間由于葉綠素的強(qiáng)吸收帶的影響出現(xiàn)一個小波峰。紅光波段620～720 nm處于負(fù)相關(guān)，最低達(dá)到-0．70左右，720 nm附近相關(guān)系數(shù)迅速接近于零，720～760 nm波段冬小麥冠層高光譜反射率與SPAD值呈正相關(guān)，相關(guān)系數(shù)隨著波長不斷增加達(dá)到0．70，此區(qū)域色素對光能的吸收逐漸減弱，而細(xì)胞結(jié)構(gòu)對光的反射開始增強(qiáng)，在近紅外反射平臺區(qū)域?qū)趯蛹叭~片結(jié)構(gòu)表現(xiàn)最為敏感。近紅外區(qū)域760～1 000 nm部分相關(guān)性相對比較平穩(wěn)，維持在0．70左右。

圖4 兩個樣區(qū)冬小麥高光譜反射率與SPAD相關(guān)性

結(jié)合光譜的實際情況，該研究選取以近紅外890 nm、紅外680 nm、綠光550 nm波段的光譜反射率的組合4種植被指數(shù)可以較好的反映冬小麥特征。通過4種高光譜指數(shù)與冬小麥SPAD進(jìn)行相關(guān)性分析 (表3)，預(yù)處理時按照地域分為后湖和長清兩大類，分析結(jié)果顯示，兩樣區(qū)冬小麥葉片SPAD與4種植被指數(shù)的相關(guān)系數(shù)在0．686～0．901之間。其中后湖樣區(qū)鄭麥9023的 NDVI與SPAD相關(guān)系數(shù)最高，達(dá)到了0．901，其次是DVI達(dá)到了0．803，RVI和GRVI與SPAD相關(guān)性相對較低，分別為0．780和0．686。同時在長清樣區(qū)NDVI與SPAD相關(guān)系數(shù)最高達(dá)到0．873，其次是GRVI為0．793;RVI和DVI相對較低分別為0．748和0．737。從SPSS結(jié)果來分析，以上幾種植被指數(shù)都能夠很好反映SPAD的變化，均能夠利用其建模模擬分析。

表3 不同地域冬小麥SPAD與植被指數(shù)的相關(guān)系數(shù)

然后將各種植被指數(shù)與冬小麥SPAD擬合一元回歸模型，分析模型擬合精度，該研究均選取擬合度最高的線性模型進(jìn)行建模，各植被指數(shù)與SPAD構(gòu)建回歸模型如圖5所示。后湖樣區(qū)模型擬合度均較高，R2為0．786～0．902之間，其中NDVI構(gòu)建的指數(shù)方程擬合度最優(yōu)，其次是RVI模型和DVI模型。長清樣區(qū)擬合度相對較低，R2為0．666～0．817之間，其中NDVI構(gòu)建的線性方程擬合度最優(yōu)，其次為GRVI方程和RVI方程。兩樣區(qū)均較適宜使用NDVI植被指數(shù)估測該地區(qū)冬小麥SPAD。

3.3 模型檢驗

為了檢驗上述SPAD估算模型精度，該研究將模型應(yīng)用于后湖地區(qū)和長清樣區(qū)的其他地塊估算冬小麥葉片SPAD，然后和實地采集的觀測數(shù)據(jù)進(jìn)行比對，采用總均方根差RMSE(Root Mean Square Error)對模擬值和實際值進(jìn)行了檢驗。如圖6所示，后湖樣區(qū)冬小麥擬合的GRVI、RVI、NDVI和DVI這4種模型的RMSE 分別為12．09、5．25、5．17和5．75;長清樣區(qū)冬小麥擬合 GRVI、RVI、NDVI和 DVI這4種模型的RMSE分別為5．25、5．46、5．22、6．49。以上數(shù)據(jù)表明，后湖樣區(qū)和長清樣區(qū)的NDVI擬合預(yù)測模型能夠較好地估算冬小麥SPAD。

4 結(jié)論與討論

該研究在江漢平原的湖北省潛江市和黃淮海平原的山東省濟(jì)南市對冬小麥的關(guān)鍵生長期 (拔節(jié)期、抽穗期、灌漿期和成熟期)同步采集冬小麥冠層光譜反射率與倒二葉片SPAD，并利用數(shù)學(xué)統(tǒng)計分析并構(gòu)建冬小麥SPAD反演模型，得出以下結(jié)論。

(1)后湖樣區(qū)和長清樣區(qū)冬小麥各生育期的SPAD存在顯著差異，兩樣區(qū)冬小麥拔節(jié)期和抽穗期對應(yīng)的各生育期冠層光譜在近紅外波段的變化也存在差異，其光譜變化趨勢相反。如果將兩區(qū)域冬小麥部分地域籠統(tǒng)的按照一種情況來進(jìn)行冬小麥SPAD預(yù)測研究，筆者認(rèn)為存在模型的適用性、精度問題。

圖5 兩個區(qū)域不同的冬小麥SPAD估算模型 (A．后湖樣區(qū)，B．長清樣區(qū))

(2)后湖樣區(qū)和長清樣區(qū)冬小麥葉片SPAD與4種植被指數(shù)的相關(guān)系數(shù)在0．686～0．901之間，相關(guān)性均較好，其中NDVI與冬小麥的相關(guān)系數(shù)最高，后湖樣區(qū)為0．901，長清樣區(qū)為0．873。

(3)各種回歸模型精度檢驗表明，NDVI模型總體精度高，但后湖樣區(qū)最優(yōu)估算模型是NDVI指數(shù)模型，而長清樣區(qū)則是NDVI線性模型。這其中的主要原因是兩地區(qū)NDVI在拔節(jié)期和抽穗期的變化趨勢相反，長清地區(qū)NDVI與SPAD呈線性變化，而后湖地區(qū)NDVI與SPAD的變化呈非線性變化，故兩區(qū)域采用不同的NDVI回歸模型進(jìn)行冬小麥葉片SPAD估算。

圖6 兩個區(qū)域冬小麥SPAD估算值與觀測值對比 (A．后湖樣區(qū)，B．長清樣區(qū))

該研究還存在一些不足，研究成果是否能代表我國南方和北方冬小麥的特征，能否解決兩大區(qū)域范圍內(nèi)的估算工作有待進(jìn)一步驗證。實驗過程中兩樣區(qū)冬小麥SPAD的峰值出現(xiàn)在不同的生育期，是品種差異還是南北差異造成的原因或者是其他原因造成的，SPAD的峰值出現(xiàn)的生育期是否跟冬小麥的產(chǎn)量存在一定關(guān)系等，這些問題有待進(jìn)一步研究。

［1］夏天，周清波，陳仲新，等．基于HJ-1衛(wèi)星的冬小麥葉片SPAD遙感監(jiān)測研究．中國農(nóng)業(yè)資源與區(qū)劃，2012，33(6):38～44

［2］謝曉金，申雙和，李映雪，等．高溫脅迫下水稻紅邊特征及SPAD和LAI的監(jiān)測．農(nóng)業(yè)工程學(xué)報，2010，26(3):183～190

［3］張莉，吳文斌，左麗君，等．基于EOS/MODIS數(shù)據(jù)的南方水稻面積提取技術(shù)．中國農(nóng)業(yè)資源與區(qū)劃，2011，32(4):39～44

［4］Pagola M，Ortiz R，Irigoyen Ⅰ，et al．New method to assess barley nitrogen nutrition status based on image colour analysis Comparison with SPAD-502．Computers and Electronics in Agriculture，2009:213～218

［5］Markwell J，Osterman J C，Mitchell J L．Calibration of the Minolta SPAD-502 leaf chlorophyll meter．Photosynthesis Research，1995，46:467 ～472

［6］Sampson P H，Zarco-Tejada P J，Mohammed G．H，et al．Hyperspectral remote sensing of forest condition:Estimating chlorophyll content intolerant hardwoods．Forest Science，2003，49(3):381～391

［7］Carter G．A，Knapp A．K．Leaf optical properties in higher plants:linking spectral characteristics to stress and chlorophyll concentrations．American Journal of Botany，2001，88:677 ～684

［8］Hansen P M，Schjoerring J K．Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least Squares regression．Remote Sensing of Enviroment，2003，86:542 ～553

［9］Dash J，Curran P J．The MERIS terrestrial chlorophyll index．International Journal of Remote Sensing，2004，25，(23):5403 ～5413

［10］楊海清，姚建松，何勇．基于反射光譜技術(shù)的植物葉片SPAD值預(yù)測建模方法研究．光譜學(xué)與光譜分析，2009，29(6):1607～1610

［11］董晶晶，王力，牛錚．植被冠層水平葉綠素含量的高光譜估測．光譜學(xué)與光譜分析，2009，29(11):3003～3006

［12］趙祥，劉素紅，王培娟，等．基于高光譜數(shù)據(jù)的小麥葉綠素含量反演．地理與地理信息科學(xué)，2004，20(3):36～39

［13］William L Bauerle，David J Weston，Joseph D Bowden，Leaf absorptance of photosynthetically active radiation in relation to chlorophyll meter estimates among woody plant species．Scientia Horticulturae，2004，169 ～178

［14］Zarco-Tejada P J，Miller J R，Morales A，et al．Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops．Remote Sensing of Environment，2004，90(4):463 ～476

［15］Horler D N H，Barber J，Barringer A R．Effects of heavy metals on the absorbance and reflectance spectra of plants．International journal of remote Sensing，1980，1(2):121～136

［16］Curran P J，Dungan J L，Gholz H l．Exploring the relationship between reflectance red edge and chlorophyll content in slash pine．Tree Physiology，1990，7:33～38

［17］宋開山，張柏，王宗明，等．大豆葉綠素含量高光譜反演模型研究．農(nóng)業(yè)工程學(xué)報，2006，22(8):16～21

［18］Marenco R A，Antezana-Vera S A，Nascimento H C S．Relationship between specific leaf area，leaf thickness，leaf water content and SPAD-502 readings in six Amazonian tree species．Photosynthetica，2009，47(2):184 ～190

［19］楊峰，范亞民，李劍龍，等．高光譜數(shù)據(jù)估測稻麥葉面積指數(shù)和葉綠素密度．農(nóng)業(yè)工程學(xué)報，2010，26(2):237～243

［20］于振文．作物栽培學(xué)各論．中國農(nóng)業(yè)出版社，2003

［21］夏天，吳文斌，周清波，等．基于高光譜的冬小麥葉面積指數(shù)估算方法．中國農(nóng)業(yè)科學(xué)，2012，45(10):2085～2092

［22］馮偉，朱艷，田永強(qiáng)，等．基于高光譜遙感的小麥葉片氮積累量．生態(tài)學(xué)報，2008，28(1):23～32

［23］盧艷麗，王紀(jì)華，李少昆．冬小麥不同群體冠層結(jié)構(gòu)的高光譜響應(yīng)研究．中國農(nóng)業(yè)科學(xué)，2005，38(5):911～915

［24］Anderson G L，Hanson J D，Haas R H．Evaluating landsat thematic mapper derived vegetation indices for estimating above-ground biomass on semisrid rangelands．Remote sensing of Environment，1993，45(2):165 ～175

［25］Richardson A J，Wiegand C L．Distinguishing vegetation from soil background information．photogram Engineering and Remote sensing，1977，43(12):1541～1552

［26］Miller J R，Hare E W，Wu J．Quantitative characterization of the vegetation red edge reflectance 1．An inverted-Gaussian reflectance model．International Journal of Remote Sensing，1990，11(10):1755 ～1773

［27］Gitelson A A，Kaufman Y，Merzlyak M N．Use of green Channel in Remote of sensing Global Vegetation from EOS-MODIS．Remote Sensing of Environment，1996，58:289 ～298