吳秋菊+舒清態(tài)+劉延+吉一濤+汪紅

摘要：概述了目前利用高光譜遙感技術(shù)估測煙草生化參數(shù)理論與技術(shù)的最新研究進(jìn)展，著重討論了煙草主要生理生化成分與其高光譜參量之間的關(guān)系，以及建立的相應(yīng)的生理生化成分的估算模型。指出了高光譜遙感監(jiān)測煙草主要生化參數(shù)的機(jī)理和研究進(jìn)展，是目前煙草主要生化參數(shù)遙感估測研究的前沿領(lǐng)域和科學(xué)問題，為人們盡快全面了解高光譜技術(shù)在煙草生化參數(shù)方面應(yīng)用進(jìn)展和方法拓展，提供了參考。

關(guān)鍵詞：煙草；生理生化參數(shù)；高光譜；監(jiān)測模型

中圖分類號(hào)：S572

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-9944（2017）14-0255-04

1 引言

高光譜遙感[1]是指在紫外、可見光、近紅外等電磁波譜范圍內(nèi)，從探測目標(biāo)上獲取若干非常窄且光譜連續(xù)數(shù)據(jù)的技術(shù)。所獲得的光譜數(shù)據(jù)其中包含了大量的光譜反射率原始數(shù)據(jù)信息，若另外加上原始光譜反射率的導(dǎo)數(shù)（一階導(dǎo)數(shù)、二階導(dǎo)數(shù)）、對數(shù)變換、高光譜特征參數(shù)等，信息量就可以增加更多倍，因此，高光譜技術(shù)得到了廣泛的應(yīng)用和快速的發(fā)展。前人已經(jīng)對高光譜遙感技術(shù)在水稻[2，3]、大豆[4～6]、小麥[7] 等農(nóng)作物中的應(yīng)用有了較為深入的研究。近幾年來，越來越多的煙草研究者們將目光轉(zhuǎn)向了高光譜技術(shù)，他們利用高光譜技術(shù)得出了不同因素影響煙草光譜特征的變化規(guī)律，同時(shí)篩選出一些監(jiān)測參數(shù)，并建立了相應(yīng)的估算模型。

煙草生化參數(shù)主要包括有：水分、色素、糖、N、P、K和微量元素等。在農(nóng)業(yè)遙感信息模型研究、作物冠層光譜、葉片光譜、生物物理參數(shù)的提取與反演、作物長勢監(jiān)測等方面，高光譜技術(shù)都得到了較快發(fā)展。近年來，高光譜技術(shù)在煙草上的研究和應(yīng)用也進(jìn)入了快速發(fā)展的階段，并且得到了較多的應(yīng)用，其中也包括了在生化參數(shù)方面的研究。Tomas[8]等的研究發(fā)現(xiàn)煙草在缺氮時(shí)可見光波段的反射率會(huì)增加，同時(shí)光譜反射率會(huì)隨著葉綠素和類胡蘿卜素含量的增加而降低。Churasia[9]等報(bào)道了利用IRS-ID LISS-III數(shù)據(jù)可以估算煙草葉面積指數(shù)。蘇永士等[10]分析了不同施氮水平下煙草冠層光譜特征，并探究了光譜與葉面積指數(shù)、葉綠素含量間的相關(guān)性。研究表明，利用所建立的估測模型快速監(jiān)測煙草的生長狀況，及時(shí)指導(dǎo)煙草田間管理是可行的。王建偉等[11，12]將煙草葉片的高光譜反射率、冠層光譜反射率、烘烤后葉片的光譜反射率與化學(xué)指標(biāo)以及香氣指標(biāo)進(jìn)行了相關(guān)分析，建立了相應(yīng)的光譜估測模型。筆者著重討論近年來利用高光譜遙感技術(shù)手段監(jiān)測煙草生化參數(shù)的成果與方法的研究進(jìn)展，同時(shí)展望未來高光譜遙感在煙草方面的發(fā)展趨勢。

2 高光譜遙感診斷煙草組分原理及煙草高光譜特征

2.1 煙草生化成分光譜診斷的基本原理

煙草葉片在電磁波的作用下，內(nèi)部會(huì)發(fā)生一些復(fù)雜的物理過程（電子的躍遷、原子、分子振動(dòng)與旋轉(zhuǎn)），同時(shí)會(huì)呈現(xiàn)出一些光譜吸收和反射特征，以此來反映物質(zhì)的成分和結(jié)構(gòu)信息[13，14]。煙草所具有的這些光譜特征是利用遙感方法監(jiān)測其性質(zhì)和形狀的重要依據(jù)。

煙草的生化成分光譜診斷原理就是利用煙草的光譜特性與其生理生化過程以及形態(tài)結(jié)構(gòu)之間的響應(yīng)過程，從而得到光譜反射率的變化對應(yīng)化學(xué)組分的多少，反射光譜曲線的形態(tài)和特征會(huì)因煙草品種的不同、植株所處的生長期的不同而有所差異，此外灌溉、施肥、病蟲害等條件的不同也會(huì)引起煙草反射光譜特性的變化，因此可以利用遙感數(shù)據(jù)結(jié)合光譜的這些特征來進(jìn)行煙草生化成分的品質(zhì)監(jiān)測。

2.2 煙草高光譜特征

煙草的反射光譜波形與典型植物的反射特征是相同的，這是由其細(xì)胞結(jié)構(gòu)、化學(xué)成分和形態(tài)學(xué)特征決定的：即700～1000 nm為最高反射區(qū)，400～500 nm之間是最低反射區(qū)，500～600 nm之間是一個(gè)反射次高峰區(qū)，。煙草的光譜反射特征會(huì)因光照、水分、肥料、品種類型、生育時(shí)期、病蟲害等因素的影響而發(fā)生變化。李佛林[15]等對不同施氮處理、不同時(shí)期和不同葉位等的云煙85、中煙101、巴斯瑪1號(hào)的煙葉室外光譜進(jìn)行了總體描述：在整個(gè)光譜區(qū)域內(nèi)，主要吸收中心變異小，紅和近紅外波段處變異大：在592 nm附近及708 nm附近變異系數(shù)較小，大約為32.8%，大于708 nm以后變異系數(shù)逐漸增加。整個(gè)光譜區(qū)域內(nèi)，變異系數(shù)最大達(dá)到了58.7%。張正楊等[16]對K326和云煙87兩種烤煙的冠層光譜特征進(jìn)行了描述：K326冠層的光譜反射率均低于云煙87。殷全玉等[17]對云煙87和中煙101的葉片反射率光譜特征進(jìn)行了研究：兩個(gè)品種的葉片反射率光譜在近紅外波段表現(xiàn)出了較明顯的差異，而且云煙87葉片的反射率要大于中煙101。喬紅波等[18]研究了3種：重（單株頂尖和上部5片葉蚜量≥50頭）、中（15頭≤單株頂尖和上部5片葉蚜量≤50頭）和輕（單株頂尖和上部5片葉蚜量≤15頭）煙蚜危害程度條件下的光譜反射特征。研究結(jié)果表明：煙蚜?xí)斐蔁煵莨庾V反射率的下降，其中在近紅外波段的反射率下降特別明顯。

3 高光譜遙感數(shù)據(jù)估測煙草生化成分分析方法研究

目前國內(nèi)關(guān)于利用高光譜技術(shù)進(jìn)行煙草生化參數(shù)遙感估測機(jī)理和方法的研究主要側(cè)重于建立光譜特征值與煙草生化參數(shù)間的統(tǒng)計(jì)模型，這些統(tǒng)計(jì)模型，簡單且便于運(yùn)用，但是統(tǒng)計(jì)方法獲取的模型其機(jī)理并不是很明確，應(yīng)用范圍較窄，而且由于生化參數(shù)相互之間、生化參數(shù)與其它植被參數(shù)之間，再加上環(huán)境條件的干擾，會(huì)使得對其中某一生化參數(shù)的分析變得非常復(fù)雜。近年來，高光譜數(shù)據(jù)的處理技術(shù)越來越多，如多元統(tǒng)計(jì)分析技術(shù)、光譜微分技術(shù)、基于光譜位置（波長）變量的分析技術(shù)、光學(xué)模型方法、參數(shù)成圖技術(shù)、光譜匹配技術(shù)、混合光譜分解技術(shù)等[19]。利用逐步線性回歸的方法找出與某些生化成分含量相關(guān)的波段仍然是使用高光譜遙感數(shù)據(jù)估測煙草化學(xué)特性的主要方法，然后建立這些生化成分與波段光譜特征值之間的回歸方程，其缺點(diǎn)是有可能會(huì)出現(xiàn)諸如過度擬合、重要的波段被忽略和不同組分間的相關(guān)性等問題。

多元統(tǒng)計(jì)分析技術(shù)。在高光譜遙感研究中，使用最普遍的是多元統(tǒng)計(jì)分析技術(shù)[20，23]，該方法可用來估計(jì)或預(yù)測生理指標(biāo)，它以光譜數(shù)據(jù)或其變換形式（如原始光譜反射率、一階二階微分變換、對數(shù)變換、各種植被指數(shù)、導(dǎo)數(shù)后的對數(shù)變換等）作為自變量，生物物理、生物化學(xué)參數(shù)等作為因變量，建立多元回歸估計(jì)預(yù)測模型。通過逐步回歸方法可以找出與生物化學(xué)成分之間相關(guān)性最大的波段，但是基于最大相關(guān)原理選擇的相關(guān)波長可能會(huì)由于過度擬合、波動(dòng)或其它相關(guān)變量的影響而造成誤差[19]。王秀珍[24]等分析了高分辨率遙感的導(dǎo)數(shù)光譜能獲得更多植被的化學(xué)成分的信息，其導(dǎo)數(shù)光譜，尤其是二階導(dǎo)數(shù)光譜能較好地消除土壤背景因素的影響和重疊光譜的影響，導(dǎo)數(shù)光譜也可部分消除大氣的影響。

基于光譜波長位置變量等的分析技術(shù)。是根據(jù)波長變化相應(yīng)的參數(shù)變量為自變量與生物物理和生物化學(xué)參量的關(guān)系來估計(jì)生化成分的，一般是通過高光譜數(shù)據(jù)進(jìn)行某種變換（如求導(dǎo)、求對數(shù)等）來尋找煙草光譜的特征位置，也可直接通過高光譜數(shù)據(jù)來尋找這些特征位置，位置變量可以是：紅邊幅值Dr、綠峰幅值Rg、黃邊幅值Dy、藍(lán)邊位置λb、紅光吸收谷位置λv及其它特征吸收谷等。面積變量一般有：紅邊面積SDr、綠峰面積SDg、黃邊面積SDy藍(lán)邊面積SDb，植被變量常用的有：紅邊面積與藍(lán)邊面積比值SDr/SDb、紅邊面積與黃邊面積歸一化值（SDr-SDy）/（SDr+SDy）、紅邊面積與黃邊面積比值SDr/SDy、綠峰與紅谷歸一化值（Rg-Rr）/（Rg+Rr）、紅邊面積與藍(lán)邊面積歸一化值（SDr-SDb）/（SDr+SDb）、綠峰與紅谷比值Rg/Rr。此方法的普及度雖然不及多元統(tǒng)計(jì)分析方法，但被經(jīng)常用在煙草的光合色素、水分和其他生化成分在可見光、近紅外波段內(nèi)形成了“藍(lán)邊”、“黃邊”和“紅邊”等區(qū)別于其他地物的特征位置的情況下。

光譜匹配技術(shù)。是利用地物的光譜與參考的光譜進(jìn)行匹配或者是地物的光譜與光譜數(shù)據(jù)庫的光譜作比較，以求它們之間的相似性或差異性[25]。在現(xiàn)有光譜數(shù)據(jù)庫不完善的情況下，直接將目標(biāo)物光譜與參考光譜進(jìn)行比較是最常用的一種光譜匹配技術(shù)，其中以交叉相關(guān)光譜匹配技術(shù)的匹配效果較好[26]。對于光譜匹配技術(shù)，有時(shí)需要將目標(biāo)物的混合光譜加以分解，從而進(jìn)一步確定在混合光譜中不同組分所占的比例，同時(shí)識(shí)別在己知組分中外加的其它組分。在一種光譜確定的物質(zhì)中加入其它組分時(shí)，光譜的特征參數(shù)會(huì)發(fā)生改變，這為用光譜法對目標(biāo)物中的組分識(shí)別提供可能，但混合光譜分解技術(shù)存在兩個(gè)關(guān)鍵問題：一是找出一組成分純的化學(xué)物質(zhì)的光譜或已知組分混合比例的目標(biāo)物的光譜；二是修正從純組分光譜到混合組分光譜因條件不同而帶來的光譜變化。目前，根據(jù)光譜匹配技術(shù)來分析煙草光譜變化及其生化組分的報(bào)道還尚未見[27]。

4 高光譜估測煙草色素狀態(tài)的機(jī)理和研究進(jìn)展

煙草的光合色素含量與其光合能力具有很好的相關(guān)性，可以用來評價(jià)煙草長勢。植被色素（ 葉綠素和類胡蘿卜素） 直接影響植被和葉子在可見光范圍內(nèi)的反射光譜，可以利用植被冠層和葉片的反射光譜來估算其色素含量[28]。綠色植被的光合色素在可見光波段的吸收峰主要在藍(lán)光區(qū)和紅光區(qū)，在藍(lán)光區(qū)內(nèi)，葉綠素和類胡蘿卜素的吸收峰是相重疊的，所以一般不用藍(lán)光區(qū)估測葉綠素狀況；在紅光區(qū)內(nèi)，葉綠素的最大吸收峰在660～680 nm，但是較低含量的葉綠素就會(huì)引起該吸收區(qū)光的飽和，會(huì)使估測的靈敏度有所下降，所以常用略偏于吸收峰的550 nm和700 nm來估測葉綠素的含量[29]。付虎艷[30]等測定了南江3 號(hào)不同長勢且無病蟲害烤煙的葉片反射率光譜，發(fā)現(xiàn)：在波長700 nm處Chl a 含量與葉片原始光譜反射率的相關(guān)系數(shù)達(dá)到最大，為-0.705，Chl b 含量與原始光譜反射率的相關(guān)系數(shù)最大是在701 nm波長處，為-0.654。

研究煙草的高光譜與色素特性，分析色素與高光譜參數(shù)之間的關(guān)系，并建立估測模型，可以及時(shí)、準(zhǔn)確地獲取煙草的生長狀況信息，特別是煙草的光合能力，為煙田施肥和煙草長勢監(jiān)測提供便捷、有效的方法。 付虎艷[30]通過研究南江3 號(hào)發(fā)現(xiàn)：在波長623 nm處Chl a 含量與一階光譜反射率的相關(guān)系數(shù)最大，相關(guān)系數(shù)為0.835，在波長653 nm 處Chl b含量與一階光譜反射率的相關(guān)系數(shù)最大，相關(guān)系數(shù)為0.808；Chl a含量與綠峰位置，Chl b含量與SDr/SDb的相關(guān)系數(shù)最大，分別為0.861和0.832，建立的煙草葉片葉綠素含量的多元逐步回歸模型以及基于高光譜特征變量建立的單變量模型中，基于光譜一階微分的逐步回歸模型可以較好的估測Chl a和Chl b含量，估測效果最好、檢驗(yàn)精度也較高，是煙草葉片葉綠素含量的最優(yōu)估測模型。黃智[31]等研究了烤煙K326冠層4 種色素指標(biāo)與18 種高光譜參數(shù)之間的相關(guān)性。Chl a 含量與Db、Ro、Rg、SDr、SDb存在顯著的負(fù)相關(guān)關(guān)系，Chl a、Chl b、Chl a+b含量均與SDy 的相關(guān)系數(shù)最高，并呈極顯著的正相關(guān)關(guān)系，R2 均達(dá)到0.75 以上，與類胡蘿卜素含量的相關(guān)性較差，R2 為0.61，同時(shí)構(gòu)建了函數(shù)模型，得出各時(shí)期色素含量的估測值，與其真實(shí)值進(jìn)行差異性檢驗(yàn)，其差異不顯著，說明用這些高光譜參數(shù)建立的檢測模型是可行的。劉大雙[32]等對NC89從煙株接種后的第3 d到煙株現(xiàn)蕾為止的生長期內(nèi)對葉片進(jìn)行了5 次高光譜反射率的測定，利用線性、非線性回歸技術(shù)建立了色素含量的估測模型，并且得出結(jié)論：與Chl a 和Chl a +b 最相關(guān)的特征變量是SDg，與Chl b 和類胡蘿卜素最相關(guān)的特征參量是Db，同時(shí)篩選出了相關(guān)系數(shù)較大的7 個(gè)光譜變量（SDg、 SDb、 SDy、Db、Dy、Rg、（SDr-SDg）/（SDr+SDg），分別建立了線性或非線性單變量色素含量估測模型。Chl a 的最佳模型是線性模型，Chl b 的最佳模型是指數(shù)模型，對于Chl a +b的最佳模型是Dy為自變量的線性模型，而其余6個(gè)光譜變量的最佳模型是指數(shù)模型，類胡蘿卜素最佳模型是Dy和Rg為變量的線性模型，其他5 個(gè)光譜變量的最佳模型是指數(shù)模型。經(jīng)精度檢驗(yàn)， 估測Chl a 含量的最佳模型是以SDb為自變量的線性模型，估測Chl b 和Chl a+b含量的最佳模型是以SDb為自變量的指數(shù)模型，估測類胡蘿卜素含量的最佳模型是以Rg為自變量的線性模型。

5 高光譜估測煙草總氮狀態(tài)的機(jī)理和研究進(jìn)展

煙草作為一種需要適當(dāng)施氮肥才能保證其產(chǎn)量和品質(zhì)的經(jīng)濟(jì)作物，氮素的缺少或過多會(huì)引起煙草生長發(fā)育的變化，從而影響生長期內(nèi)煙草光譜的吸收，反射和透射。

在煙草氮素營養(yǎng)光譜應(yīng)用中，常運(yùn)用煙草葉片的反射光譜來評價(jià)煙株氮狀況，但是單波段光譜易受外界因素和煙草生長狀況的影響會(huì)不穩(wěn)定，為了獲得普適性關(guān)系，需要用兩個(gè)或多個(gè)波段的光譜指數(shù)對氮含量和反射率進(jìn)行相關(guān)分析。張正楊[33]等從25個(gè)冠層光譜參數(shù)建立的各種生理生化逐步回歸方程中篩選出，總氮的自變量為λg、（SDr-SDy）/（SDr+SDy）和SDy，總氮的回歸方程通過F檢驗(yàn)達(dá)到了極顯著水平。通過SPSS，對模擬值和實(shí)測值進(jìn)行相關(guān)分析，建立的總氮的回歸模型相關(guān)系數(shù)都達(dá)到了顯著水平，從而得出結(jié)論：建立的基于葉片反射光譜的回歸方程能夠很好的預(yù)測煙草的生理生化指標(biāo)。李佛林[15]選取了一些在煙草各個(gè)測定時(shí)期（移栽后49d、61d、75d）中都穩(wěn)定一致的與葉片氮含量達(dá)到顯著相關(guān)的光譜參數(shù)，并建立了相應(yīng)的回歸模型，其中最適合估算氮含量模型的參數(shù)有：NRI、MCARI、P-Depth560、CAR1、RMAXFD、FD688、PRI、P-Area560、NDFDGR、GM1、GM2、NDVIG、D712、TCARI、NDVI，基于這些光譜參數(shù)，并建立了相應(yīng)的方程，得出結(jié)論：與氮含量呈線性正顯著相關(guān)的參數(shù)有：SD712、GM1、GM2，與氮含量呈線性負(fù)顯著相關(guān)的參數(shù)有P- Area560、P- Depth560，而其它參數(shù)與氮含量呈非線性關(guān)系。

6 高光譜技術(shù)估測煙草其他生化成分的機(jī)理和研究進(jìn)展

煙草內(nèi)部包含了多種生化成分，這些生化成分的含量加權(quán)以后吸收特性的總和表現(xiàn)為葉片的光譜，多元回歸法可以找出相關(guān)性程度較高的光譜反射波段和波段組合，也可以確定其化學(xué)成分的組合，從而反演出其化學(xué)成分的含量。有些相關(guān)性波段是某些生化成分的特征吸收波段，或者是利用光譜一階導(dǎo)數(shù)作為自變量的特征吸收波段的邊緣，亦或是與該生化成分相關(guān)的另外組分的特征吸收波段，又或者該波段與特征吸收波段并無相關(guān)性。李向陽[27]等對烤煙葉片的煙堿進(jìn)行了分析，并且采用逐步回歸的方法建立了葉片煙堿含量的光譜反射率，一階導(dǎo)數(shù)光譜以及光譜特征變量的回歸方程，分析了這些方程的R2和自變量回歸系數(shù)的相伴概率，最后進(jìn)行了檢驗(yàn)，得出結(jié)論：一階導(dǎo)數(shù)光譜回歸方程的模擬效果最好，而特征變量回歸方程的模擬效果最差，光譜反射率回歸方程的模擬效果居中，這些回歸方程的自變量回歸系數(shù)的相伴概率都達(dá)到極顯著水平。

7 結(jié)語

利用高光譜技術(shù)可以對煙草主要生化成分進(jìn)行很好的監(jiān)測，而且具有廣闊的應(yīng)用前景。煙草學(xué)者們已經(jīng)提出的一系列的煙草生化成分的監(jiān)測和估算模型，每個(gè)模型都有特定的研究方法和適用條件，并不適用于所有品種的煙草，所以很難找到通用的模型。同時(shí)高光譜遙感數(shù)據(jù)有一些缺陷，比如景觀異質(zhì)性、大氣噪音、太陽位置等的干擾都會(huì)影響高光譜遙感技術(shù)在實(shí)際的應(yīng)用能力。所以要使煙草光譜資料更加完備，今后的研究方向：一是煙草生化參數(shù)，要一步步地上升到較為精確的模型水平，進(jìn)一步對其進(jìn)行細(xì)化和確定。為了降低實(shí)際生產(chǎn)中煙草的品種類型、生態(tài)條件多樣和栽培管理等方面的差異，需要建立更加全面和更具規(guī)模的樣本參數(shù)，以便進(jìn)行修正。二是遙感數(shù)據(jù)的分析方法和遙感信息的信噪比要進(jìn)一步提高，在今后的研究中，要注重于完善和擴(kuò)充煙草的光譜數(shù)據(jù)庫，加強(qiáng)煙草高光譜數(shù)據(jù)的采集和挖掘，結(jié)合3S技術(shù)的應(yīng)用，進(jìn)一步推動(dòng)高光譜遙感技術(shù)在煙草生化成分診斷和監(jiān)測中的應(yīng)用。

參考文獻(xiàn)：

[1]Lillesand T M，Kiefer R W.Remote sensing and image interpretation（3rd Edition）[M].New York：John Wiley&Sons，1994：750.

[2]Tian YC，GuKJ，ChuX. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J]Plant and Soil，2013，376：193-209.

[3]覃 夏，王紹華，薛利紅，等.江西鷹潭地區(qū)早稻氮素營養(yǎng)光譜診斷模型的構(gòu)建與應(yīng)用[J]中國農(nóng)業(yè)科學(xué)，2011，44（4）：691～698.

[4]宋開山，張 柏，王宗明，等.基于人工神經(jīng)網(wǎng)絡(luò)的大豆葉面積高光譜反演研究[J].中國農(nóng)業(yè)科學(xué)，2006，39（6）：1138～1145.

[5]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(tài)學(xué)報(bào)，2008，32（1）：152～160.

[6]吳 瓊，齊 波，趙團(tuán)結(jié)，等.高光譜遙感估測大豆冠層生長和籽粒產(chǎn)量的探討[J].作物學(xué)報(bào)，2013，39（2）：309～318.

[7]陳云浩，蔣金豹，黃文江，等.主成分分析法與植被指數(shù)經(jīng)驗(yàn)方法估測冬小麥條銹病嚴(yán)重度的對比研究[J].光譜學(xué)與光譜分析，2009，29（8）：2161～2165.

[8]Thomas J R，Gausman H W.Leaf reflectance VS.1eaf chlorophyll and carotenoid concentrations for eight crops[J].Agronomy Journal，1977，60（7）：99～802.

[9]Chaurasia S，BhaRacharya B K，Dadhwal V K，eta1.Field—scale leaf area index estimation using IRS—ID LISS—III data[J].International Journal of Remote Sensing，2006，27（4）：637～644.

[10]蘇永士，蘇富強(qiáng)，王海波，等.不同施肥條件下煙草冠層光譜特征與葉綠素、葉面積指數(shù)的關(guān)系[J].中國煙草科學(xué)，2013，34（2）：23～27.

[11]王建偉，薛超群，周漢平，等.烤煙冠層光譜參數(shù)與葉片葉綠素含量的相關(guān)分析[J].生態(tài)學(xué)雜志，2010，29（5）：876～880.

[12]王建偉，李樹人，周漢平，等.不同施氮量條件下烤煙葉面積系數(shù)與冠層光譜參數(shù)的相關(guān)性[J].煙草科技，2011（3）：77～80.

[13]童慶禧.中國典型地物波譜及其特征分析[M].北京：科學(xué)出版社，1990.

[14]陳述彭，童慶禧，郭華東.遙感信息機(jī)理研究[M].北京：科學(xué)出版社，1998.

[15]李佛琳.基于光譜的煙草生長和品質(zhì)研究[D].南京：南京農(nóng)業(yè)大學(xué)，2006：44，62.

[16]張正楊，馬新明，賈方方，等.煙草葉面積指數(shù)的高光譜估算模型[J]生態(tài)學(xué)報(bào)，2012，32（1）：168～174.

[17]殷全玉，楊伊檬，靳志偉.煙草葉片光譜特征及其光譜反射率的變化[J].河南科學(xué)，2006，24（4）：521～523.

[18]喬紅波，蔣金煒，程登發(fā).煙蚜為害特征的高光譜比較[J].昆蟲知識(shí)，2007，44（1）：57～61.

[19]浦瑞良，宮 鵬.高光譜遙感及其應(yīng)用[M].北京：高等教育出版社， 2000：185～228.

[20]施潤和，莊大方，牛 錚，等..葉肉結(jié)構(gòu)對葉片光譜及生化組分定量反演的影響[J].中國科學(xué)院研究生院學(xué)報(bào)，2005，22（5），589～595.

[21]Hansen，PM，Schjoerring，JK.Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regressions[J].Remote Sensing of Environment， 2003，86：542～553.

[22]劉偉東，項(xiàng)月琴，鄭蘭芬，等.高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)性分析[J].遙感學(xué)報(bào)，2000，4（4）：279～283

[23]王秀珍.水稻生物物理與生物化學(xué)參數(shù)的光譜遙感估算模型研究[D].杭州：浙江大學(xué)，2001：88～90.

[24]王秀珍，王人潮，黃敬峰.微分光譜遙感及其在水稻農(nóng)學(xué)參數(shù)測定上的應(yīng)用研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2002（18）：9～15.

[25]Cloutis，E.A.，Hyperspectral gelogical remote sensing：evaluation of analytical techniques[J]. Int.J. Remote Sensing，1996，17（12）：2215～2242

[26]MeerFVD，BakkerW.Cross correlogram spectral matehing：application to surface Mineralogical mapping by using AVIRS data from Cuprite，Nevada[J].Remote Sens..1997，61：371～382

[27]李向陽.煙草高光譜特性與農(nóng)藝、生理、品質(zhì)指標(biāo)關(guān)系和估測模型研究[D]，鄭州：河南農(nóng)業(yè)大學(xué)，2007.

[28]李曉利，唐延林，樓 佳.雜交水稻葉片葉綠素含量與光譜吸收率的關(guān)系[J].山地農(nóng)業(yè)生物學(xué)報(bào)，2011（1）：1～5

[29]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]. Remote Sensing of Environment， 2002（81）：331～354.

[30]付虎艷，靳涵丞，張洪亮，等.貴州喀斯特山區(qū)煙葉高光譜參數(shù)與葉綠素含量的關(guān)系[J].煙草科技，2015，48（2）：21～ 26.

[31]黃 智，昌宏濤，陳建國，等.烤煙K326色素含量的高光譜估測研究[J].作物研究，2015，29（5）：516～521，541.

[32]劉大雙，劉國順，李向陽，等.TMV侵染后烤煙葉片色素含量高光譜估算模型研究[J].中國煙草學(xué)報(bào)，2009，15（2）：60～65.

[33]張正楊.基于水氮互作的煙草高光譜特性及估測模型研究[D].鄭州：河南農(nóng)業(yè)大學(xué)，2011：29～32.