仝春艷 馬 驛 楊振忠 劉怡晨 徐 慶

(武漢大學(xué)遙感信息工程學(xué)院，湖北武漢 430079)

油菜(Brassica napusL.)作為世界三大主要油料作物之一，是最主要的植物蛋白和植物油來源[1-2]。水分是作物的必要組成成分，與生長發(fā)育、光合作用及產(chǎn)量等息息相關(guān)[3-4]。葉片含水量是植株水分狀況度量和診斷的重要指標(biāo)，實(shí)時(shí)快速地獲取葉片含水量信息是進(jìn)行植株長勢監(jiān)測和灌溉調(diào)控的前提[5-6]。

傳統(tǒng)的植株含水量測量方法主要是野外取樣后室內(nèi)烘干再測定含水量，無法快速、無損、實(shí)時(shí)獲取大面積植株的葉片含水量[7]，而利用遙感手段監(jiān)測植被水分含量因具有大范圍、實(shí)時(shí)、快速的優(yōu)勢，已成為研究熱點(diǎn)[6，8]。表征植被含水量常用的方法有2種[9-10]:可燃物含水量(fuel moisture content，F(xiàn)MC)和等效水厚度(equivalent water thickness，EWT)。 Ceccato 等[9]利用高光譜數(shù)據(jù)反演植被含水量時(shí)發(fā)現(xiàn)，葉片短波紅外反射率(short wave infrared reflectance，SWIR)吸收帶深度與EWT直接相關(guān)；用提取的葉片光譜參數(shù)反演EWT的精度較FMC反演精度高[11-12]，且對(duì)受水分脅迫的指示性優(yōu)于FMC，對(duì)溫度變化不敏感[13]。Yebra等[14]和 Cao 等[15]指出 950～970、1 200、1 450、1 940和2 500 nm等水分敏感波段附近的光譜反射率能較好地反映小麥、大豆、大丁草等植物的葉片含水量，并驗(yàn)證了近紅外和可見光區(qū)域波段組合的光譜指數(shù)監(jiān)測植物含水量的可行性。Yotsumoto[16]等研究表明，歸一化水分指數(shù)(normalized difference water index，NDWI)(860 nm，1 240 nm)可以較好地估算植被EWT。Ceccato等[9]發(fā)現(xiàn)SWIR對(duì)EWT敏感，但不能單獨(dú)使用SWIR反演植被EWT，需要利用SWIR和近紅外波段反射率(near infrared reflectance，NIR)波段組合反演植被EWT。Wang等[10]研究發(fā)現(xiàn)1 450 nm和1 940 nm處的吸收帶深度與EWT具有較強(qiáng)的相關(guān)性。王強(qiáng)等[17]利用高光譜數(shù)據(jù)構(gòu)建新的植被指數(shù)，發(fā)現(xiàn)用1 475 nm和1 424 nm波段構(gòu)建的比值指數(shù)和歸一化指數(shù)對(duì)棉花冠層EWT有較好的估算效果。程志慶等[18]利用植被指數(shù)比值的方法構(gòu)建的新等效水厚度植被指數(shù)(GVMI/MSI)對(duì)楊樹葉片EWT有較高的預(yù)測精度。

Palacios-Orueta等[19]和Khanna等[20]提出角度指數(shù)，利用 MODIS的 3個(gè)連續(xù)波段(NIR、SWIR1、SWIR2)間光譜的幾何形狀，有效地區(qū)分植被、干物質(zhì)和裸土，并定量表示農(nóng)作物水分含量。于君明等[21]利用短波角度斜率指數(shù)(shortwave angle normalized index，SASI)對(duì)黃淮海平原農(nóng)作物水分含量進(jìn)行反演研究，發(fā)現(xiàn)該角度指數(shù)模型與農(nóng)作物含水量間具有很強(qiáng)的相關(guān)性。鄧兵等[22]對(duì)已有角度斜率指數(shù)進(jìn)行改進(jìn)，提出近紅外角度歸一化指數(shù)(near infrared angle normalized index，NANI)和近紅外角度斜率指數(shù)(near infrared angle slope index，NASI)，并發(fā)現(xiàn)其在植被含水量反演上具有較高的精度。

目前，國內(nèi)外相關(guān)研究的主要對(duì)象是水稻、小麥等作物，而利用高光譜特征對(duì)油菜水分狀況的研究甚少[3]，且多通過植被指數(shù)方法對(duì)植被含水量進(jìn)行估算，利用角度指數(shù)對(duì)植被含水量的研究尚鮮見報(bào)道。苗期和蕾薹期是油菜的關(guān)鍵生長期，特別是蕾薹期是油菜達(dá)到豐產(chǎn)條件、春芽穩(wěn)長、枝多薹壯的關(guān)鍵期[23]。同時(shí)蕾薹期也是油菜對(duì)水分相對(duì)敏感的時(shí)期，蕾薹期缺水導(dǎo)致花芽分化數(shù)減少，產(chǎn)量下降[24]。本試驗(yàn)以油菜為研究對(duì)象，測量2年不同施氮水平下苗期、蕾薹期油菜葉片高光譜反射率和EWT，采用常用植被指數(shù)及角度指數(shù)對(duì)油菜葉片EWT進(jìn)行估算，旨在探究更適用于油菜苗期、蕾薹期葉片EWT估算的改進(jìn)型角度指數(shù)，以期為估算油菜葉片水分含量和合理節(jié)水灌溉提供新的技術(shù)支持。

1 材料與方法

1.1 研究區(qū)域概況

試驗(yàn)于2013年11月-2014年5月在湖北省武穴市梅川鎮(zhèn)試驗(yàn)基地(115.589 4°E，30.112 7°N)進(jìn)行，共設(shè)置24個(gè)移栽油菜小區(qū)，每個(gè)小區(qū)面積為20 m2(2 m×10 m)，移栽行、列間距分別為 0.25、0.3 m。 2016年11月-2017年5月在武漢大學(xué)水利水電學(xué)院盆栽場(114.362 0°E，30.545 9°N)設(shè)置 8 個(gè)移栽油菜小區(qū)，每個(gè)小區(qū)面積為3 m2(3 m×1 m)，移栽行、列間距均為0.2 m，溝距0.2 m。

油菜供試品種為華油雜9號(hào)，雙低(低芥酸、低硫甙)甘藍(lán)型，由華中農(nóng)業(yè)大學(xué)提供。共設(shè)置8個(gè)水平的氮肥處理，即 0(N 0)、45(N 45)、90(N 90)、135(N 135)、180(N 180)、225(N 225)、270(N 270)、360(N 360)kg·hm-2，各處理的磷、鉀、硼肥施用量相等，按90 kg·hm-2P2O5、120 kg·hm-2K2O、15 kg·hm-2硼砂施入。氮、磷、鉀和硼肥品種分別為尿素(含N 46%)、過磷酸鈣(含P2O512%)、氯化鉀(含K2O 60%)和十水硼砂(含B 10.7%)，全部氮、磷、鉀、硼肥均一次性基施，試驗(yàn)田按照大田管理方式進(jìn)行。

1.2 試驗(yàn)數(shù)據(jù)采集

1.2.1 葉片光譜采集 采用FieldSpec Pro FRTM便攜式地物光譜儀(Analytical Spectral Devices，美國)測量油菜葉片光譜，測量波段范圍為350～2 500 nm，其中350～1 000 nm光譜采樣間隔(波段寬)1.4 nm，光譜分辨率3 nm；1 000～2 500 nm光譜采樣間隔(波段寬)2 nm，光譜分辨率10 nm。每個(gè)施氮水平下均隨機(jī)選擇3株代表性油菜進(jìn)行葉片光譜測量，將各層葉片擦拭干凈后，使用ASD自帶光源的葉片夾，從下至上依次夾取油菜樣本植株各層葉片的左、頂、右部位測量光譜，取其平均值作為葉片光譜，每隔10 min進(jìn)行一次白板校正。由于350～499 nm波段信噪較低，選擇500～2 500 nm波段進(jìn)行分析。

1.2.2 葉面積測定 葉片光譜測量完成后，立即剪取油菜樣本植株各層葉片，裝入保鮮袋冷藏并迅速帶回實(shí)驗(yàn)室稱取葉片鮮重(fresh weight，F(xiàn)W)，然后利用LI-3100C臺(tái)式葉面積儀(美國LI-COR公司)測量葉面積，其可調(diào)整的壓迫式滾筒能使卷曲的葉片變平，將葉片充分展開放入滾筒中掃描得到葉面積(leaf area，A)，面積測量分辨率為0.1 mm2。

1.2.3 葉片等效水厚度測定 采用烘干法測定葉片等效水厚度，待葉面積測量完成，105℃殺青30 min，60℃烘至恒重再稱量葉片干重(dry weight，DW)。按照公式計(jì)算葉片單位面積的含水量:

式中，EWT表示葉片等效水厚度，g·cm-2；FW表示葉片鮮重，g；DW 表示葉片干重，g；A表示葉片面積，cm2。

1.3 研究方法

1.3.1 植被指數(shù) 綠色植被在900～2 500 nm波段范圍內(nèi)反射率變化受植被液態(tài)含水量的影響，這是植被水分指數(shù)估算植被含水量的理論基礎(chǔ)[25]。植被指數(shù)通常由2個(gè)波段以比值或歸一化形式組成。本研究選擇表1中9種具有一定技術(shù)突破的典型常用的植被水分指數(shù)用于估算油菜葉片EWT。

1.3.2 已有角度指數(shù) 高光譜數(shù)據(jù)中各個(gè)獨(dú)立波段間有著很強(qiáng)的相關(guān)性，水分的折射和吸收影響的波段范圍可達(dá)幾百納米[20]。因此，波段之間的波長關(guān)系與波段的反射率值同樣重要。角度指數(shù)就是基于此觀點(diǎn)，充分考慮反射率光譜曲線中各個(gè)波段間的光譜曲線的形狀，同時(shí)考慮波段的反射率值與波段間的關(guān)系。目前，角度指數(shù)包括短波角度指數(shù)(shortwave angle，βSWIR1)、短波角度歸一化指數(shù)(shortwave angle normalized index，SANI)、短波角度斜率指數(shù)(shortwave angle slope index，SASI)、近紅外角度指數(shù)(near infrared angle index，ANIR)、近紅外角度歸一化指數(shù)(near infrared angle normalized index，NANI)及近紅外角度斜率指數(shù)(near infrared angle slope index，NASI)，角度指數(shù)示意圖如圖1所示。

表1 植被指數(shù)計(jì)算公式及參考文獻(xiàn)Table1 Algorithm formula and references of vegetation indices

常用的植被指數(shù)通常由波段、反射率兩兩組合而成，其中最常見的是歸一化、差值和比值植被指數(shù)。本研究參照已有角度指數(shù)SANI、SASI、NANI和NASI的表示形式提出2種新的角度指數(shù)，即短波角度比值指數(shù)(shortwave angle ratio index，SARI)和近紅外角度比值指數(shù)(near infrared angle index，NARI)，并驗(yàn)證角度比值指數(shù)及已有角度指數(shù)是否適用于油菜葉片EWT的估算。公式如表2所示。

1.4 數(shù)據(jù)處理與分析

本試驗(yàn)共采集488個(gè)樣本，分別隨機(jī)選擇不同生育期下三分之二的樣本作為建模集，與油菜葉片EWT建立線性回歸模型，剩余三分之一的樣本作為驗(yàn)證集對(duì)EWT的反演模型進(jìn)行精度驗(yàn)證。利用SPSS 22.0和MATLAB R2016b軟件對(duì)樣本數(shù)據(jù)進(jìn)行線性回歸分析，采用決定系數(shù)R2、均方根誤差RMSE、偏移量MNB對(duì)建模效果以及驗(yàn)證模型進(jìn)行精度評(píng)價(jià)。

圖1 以NIR、SWIR1為頂點(diǎn)的角度指數(shù)示意圖Fig.1 The angle index diagram at NIR and SWIR1

表2 已有角度指數(shù)以及角度比值指數(shù)Table2 Existing angle indices and angle ratio indices

2 結(jié)果與分析

2.1 油菜葉片樣本數(shù)據(jù)統(tǒng)計(jì)

由表3可知，油菜苗期、蕾薹期EWT的變異系數(shù)均在20%以上，所采集的油菜樣本差異明顯。其中，苗期EWT的標(biāo)準(zhǔn)差和變異系數(shù)均較蕾薹期稍大。油菜葉片EWT方差分析也表明，不同生育期(苗期和蕾薹期)下油菜葉片EWT存在極顯著差異，但不同施氮水平對(duì)油菜葉片EWT的影響并不顯著，且生育期和施氮水平的交互作用也不顯著(表4)。張歲岐等[33]也證明了輕度干旱下施氮水平不會(huì)對(duì)作物水分產(chǎn)生明顯的影響，因此本研究只區(qū)分生育期(苗期、蕾薹期)分別對(duì)油菜葉片EWT進(jìn)行建模和驗(yàn)證。

表3 油菜葉片樣本數(shù)據(jù)統(tǒng)計(jì)特征Table3 Statistical characteristics of rapeseed leaves sample data

表4 油菜葉片樣本數(shù)據(jù)方差分析Table4 ANOVA of rapeseed leaves sample data

2.2 改進(jìn)型角度指數(shù)

由圖2可知，在可見光波段，有一個(gè)反射峰(540 nm附近)和吸收谷(670 nm附近)，這是由于葉綠素對(duì)太陽光輻射分別在綠波段弱吸收和紅波段強(qiáng)吸收造成的；由于葉綠素a和葉綠素b對(duì)太陽輻射吸收作用減弱，在670～760 nm波段內(nèi)油菜光譜反射率急劇增高，形成一個(gè)陡坡，并在770～1 110 nm處形成反射高臺(tái)，反射高臺(tái)上存在著2個(gè)吸收谷(970 nm、1 200 nm)，受到葉片細(xì)胞結(jié)構(gòu)[34]和葉片水分[35]共同影響，并非估計(jì)含水量的最佳波段。

在近紅外與短紅外波段，光譜反射率受葉片水分吸收的影響而逐漸降低，曲線總趨勢表現(xiàn)為“三峰夾兩谷”[36]，其中三峰分別為1 270、1 670和2 220 nm附近處，二谷的中心波長分別位于1 450 nm和1 930 nm左右，吸收谷是由于水分強(qiáng)吸收造成的，隨著EWT的增加，且谷深遞增，而三峰的峰值遞減，導(dǎo)致1 670 nm、2 220 nm在1 930 nm處的夾角以及1 270 nm、1 670 nm在1 450 nm處的夾角隨著EWT的增大而增大，表明以1 450 nm和1 930 nm為中心的夾角很可能是葉片EWT的良好指標(biāo)。本研究根據(jù)此特點(diǎn)并參照已有角度指數(shù)的計(jì)算方式來描述1 270、1 450、1 670 nm(“兩峰夾一谷”)以及 1 670、1 930、2 220 nm(“兩峰夾一谷”)三波段的關(guān)系(圖3)，提出1 450 nm和1 930 nm處的角度指數(shù)β1450、β1930、 角度歸一化指數(shù)ANI1450、ANI1930、角度斜率指數(shù) ASI1450、ASI1930以及角度比值指數(shù) ARI1450、ARI1930[公式(4)～(11)](表4)。

圖2 不同EWT下的油菜葉片光譜反射率Fig.2 Spectral reflectance of rapeseed leaves under different EWT levels

2.3 角度指數(shù)與等效水厚度線性回歸對(duì)比分析

本研究角度指數(shù)中，RED、NIR、SWIR1和SWIR2波段分別選取660、850、1 630和2 200 nm，與Landsat8 OLI陸地成像儀第4、第5、第6和第7波段的中心波長相對(duì)應(yīng)。將常用的9種植被水分指數(shù)、6種已有角度指數(shù)βSWIR1、SANI、SASI、ANIR、NANI、NASI和 2 種角度比值指數(shù)SARI、NARI及8種改進(jìn)型角度指數(shù)β1450、β1930、 ANI1450、 ANI1930、 ASI1450、 ASI1930、 ARI1450、ARI1930共25個(gè)指數(shù)分別與油菜苗期、蕾薹期以及不區(qū)分生育期(苗期、蕾薹期)葉片EWT進(jìn)行回歸分析，由于所有植被指數(shù)與EWT基本都呈現(xiàn)出線性關(guān)系，為了更好地對(duì)比分析各指數(shù)反演EWT的精度，本研究統(tǒng)一采用線性回歸模型建立EWT估算模型，暫時(shí)不考慮用非線性模型(二項(xiàng)式模型、指數(shù)模型、對(duì)數(shù)模型等)估算油菜葉片EWT。

表4 改進(jìn)型角度指數(shù)Table4 Improved angle indices

圖3 以1 450和1 930 nm為頂點(diǎn)的角度指數(shù)示意圖Fig.3 The angle index diagram at 1 450 nm and 1 930 nm

由表5可知，改進(jìn)型角度指數(shù)對(duì)油菜苗期葉片EWT的估算精度明顯優(yōu)于常用植被水分指數(shù)和已有角度指數(shù)，其中改進(jìn)型角度指數(shù)ANI1450和ASI1450建模和驗(yàn)證精度相對(duì)較高，R2均達(dá)到0.837，RMSE均僅為0.004 9，驗(yàn)證模型R2均為 0.799，RMSE均為0.005 2，MNB均為 2.85%，表明改進(jìn)型角度指數(shù)ANI1450和ASI1450所構(gòu)建的模型可以用來反演油菜苗期葉片EWT。常用植被水分指數(shù)中MSI、GVMI和NDII反演效果次之，但R2也均達(dá)到0.81以上，RMSE均為0.005 2。觀察發(fā)現(xiàn)，MSI、GVMI和NDII均用到了近紅外和短波紅外波段，表明短波紅外和近紅外2個(gè)波段組合可以用來反演植被EWT，這與前人結(jié)果一致[9]。

由表6可知，改進(jìn)型角度指數(shù)、常用植被水分指數(shù)和已有角度指數(shù)對(duì)油菜蕾薹期葉片EWT的估算效果接近，其中改進(jìn)型角度指數(shù)ANI1930、ASI1930，常用植被水分指數(shù)GVMI，已有角度指數(shù)NASI、SANI和角度比值指數(shù)SARI反演效果相對(duì)較好，建模R2均達(dá)到0.71及以上，RMSE均低于0.003 8，驗(yàn)證模型R2也達(dá)到0.74及以上，表明改進(jìn)型角度指數(shù)仍然對(duì)油菜蕾薹期葉片EWT有較好的估算效果。

表5 苗期EWT估算模型及驗(yàn)證模型精度Table5 The model accuracy of calibration and validation of EWT at seeding stage

表5(續(xù))

由表7可知，在不區(qū)分苗期、蕾薹期的情況下，改進(jìn)型角度指數(shù)對(duì)葉片EWT的估算精度仍然遠(yuǎn)優(yōu)于常用植被水分指數(shù)和已有角度指數(shù)，其中改進(jìn)型角度指數(shù)ANI1450和ASI1450建模和驗(yàn)證精度最高，R2均達(dá)到0.832，RMSE均僅為 0.004 6，驗(yàn)證模型R2均為0.801，RMSE均為0.004 7，MNB均為1.41%，預(yù)測精度不低于苗期和蕾薹期分開建模的精度，且ANI1450和ASI1450模型預(yù)測值和實(shí)測值均接近于1∶1趨勢線(圖4、圖5)，說明模型預(yù)測能力好，表明改進(jìn)型角度指數(shù)ANI1450和ASI1450所構(gòu)建的模型可以同時(shí)用來反演油菜苗期、蕾薹期葉片EWT。常用植被水分指數(shù)中GVMI反演效果次之，但R2也達(dá)到0.800，RMSE為0.005 0。

表6 蕾薹期EWT估算模型及驗(yàn)證模型精度Table6 The model accuracy of calibration and validation of EWT at bud stage

表6(續(xù))

圖4 苗期、蕾薹期ANI1450與EWT的線性回歸圖以及模型預(yù)測值與實(shí)測值的對(duì)比圖Fig.4 Linear regression graph of ANI1450and EWT and comparison graph of predicted values and measured values at seeding stage and bud stage

圖5 苗期、蕾薹期ASI1450與EWT的線性回歸圖以及模型預(yù)測值與實(shí)測值的對(duì)比圖Fig.5 Linear regression graph of ASI1450and EWT and comparison graph of predicted values and measured values at seeding stage and bud stage

表7 苗期、蕾薹期EWT估算模型及驗(yàn)證模型精度Table7 The model accuracy of calibration and validation of EWT at seeding stage and bud stage

3 討論

研究表明，高光譜數(shù)據(jù)波段眾多，各獨(dú)立波段之間存在著很強(qiáng)的相關(guān)性[37-38]。常用來估算植被水分含量的植被指數(shù)通常只用到波段的反射率值，無法反映出波段間的幾何關(guān)系，而波段間的波長關(guān)系與反射率同等重要[21]。角度指數(shù)結(jié)合了波段反射率以及波段間的關(guān)系，更直接地反映了油菜的高光譜特征，能精確估算油菜葉片EWT[21-22]。本研究提出利用角度指數(shù)估算不同施氮水平下苗期、蕾薹期油菜葉片等效水厚度EWT，并對(duì)比分析角度指數(shù)和常用來估算植被含水量的植被指數(shù)對(duì)油菜葉片EWT的估算效果，在分析不同EWT下油菜葉片的高光譜特征時(shí)，發(fā)現(xiàn)以1 450 nm和1 930 nm為中心的夾角很可能是葉片EWT的良好指標(biāo)，這與前人結(jié)果一致[9，11，39-40]，并根據(jù)此特點(diǎn)提出了基于1 450 nm、1 930 nm的改進(jìn)型角度指數(shù)，發(fā)現(xiàn)本研究提出的改進(jìn)型角度指數(shù)較已有角度指數(shù)和常用植被水分指數(shù)具有更高的穩(wěn)定性，且可在一定程度上提高油菜苗期、蕾薹期葉片EWT的估算精度，為快速、精確地估計(jì)油菜葉片EWT提供了新的研究思路。

將前人在其他植被上提出的常用植被水分指數(shù)應(yīng)用于油菜葉片EWT反演研究中，發(fā)現(xiàn)大部分指數(shù)估算效果較差，這可能是由于植被水分指數(shù)是基于某些特定植被提出的，這些植被的葉片結(jié)構(gòu)和葉肉組織和油菜葉片差異較大，且效果不好的植被水分指數(shù)(WI、PRI、NDVI、NDWI等)大都利用了近紅外和可見光波段，可見光波段不是估計(jì)含水量的最佳波段，易受到葉片細(xì)胞結(jié)構(gòu)影響[34]，近紅外波段同時(shí)受到葉片水分、木質(zhì)素和纖維素等葉片結(jié)構(gòu)成分的影響，波動(dòng)較大，沒有短紅外波段穩(wěn)定[41]；其中效果相對(duì)較好的植被水分指數(shù)(GVMI、NDII、MSI)同時(shí)利用了近紅外和短紅外波段，再次證明了短波紅外和近紅外2個(gè)波段組合可以較好地反演植被 EWT[9，27，31-32]。而本研究提出的改進(jìn)型角度指數(shù)不僅利用了水分吸收特征波段，同時(shí)應(yīng)用短波紅外和近紅外的反射率值和波段間的關(guān)系，因此可以更好地估算油菜葉片EWT。

本研究在湖北2年小面積田間試驗(yàn)的基礎(chǔ)上，采用葉片夾自帶光源測量葉片光譜，葉片夾內(nèi)完全被葉片填充，可以有效消除植被冠層結(jié)構(gòu)、土壤背景以及大氣吸收等因素的影響，光譜獲取的精確性和穩(wěn)定性較高，且試驗(yàn)田均按照大田管理方式進(jìn)行，具有良好的代表性。但油菜品種單一，今后應(yīng)對(duì)不同品種、更多水分梯度下及不同生育期下的油菜EWT進(jìn)行研究，建立更具有普適性的油菜EWT估算模型，并進(jìn)一步分析油菜不同層次葉片EWT對(duì)水分脅迫的響應(yīng)以及和土壤含水量的關(guān)系，建立油菜葉片尺度和冠層尺度的含水量估算模型，結(jié)合冠層溫度和高光譜圖像信息，進(jìn)一步提高含水率的預(yù)測精度，為大面積實(shí)時(shí)快速地監(jiān)測油菜生長狀態(tài)、估計(jì)油菜受水分脅迫的程度和節(jié)水灌溉提供新的研究思路和科學(xué)依據(jù)。

4 結(jié)論

本研究分析不同EWT下的油菜葉片光譜特征，發(fā)現(xiàn)以1 450 nm和1 930 nm為中心的夾角是油菜葉片EWT的良好指標(biāo)。結(jié)果表明，在不區(qū)分苗期、蕾薹期的情況下，改進(jìn)型角度指數(shù)ANI1450、ASI1450估算油菜葉片EWT效果最好，R2達(dá)到了0.832，表明改進(jìn)型角度指數(shù)可以不區(qū)分苗期、蕾薹期統(tǒng)一對(duì)油菜葉片EWT進(jìn)行估算，適用性更好。本研究提高了油菜葉片EWT的估算精度，擴(kuò)展了角度指數(shù)的波段范圍，使角度指數(shù)更豐富、應(yīng)用更廣泛，為角度指數(shù)及油菜葉片EWT估算的發(fā)展提供了新的理論依據(jù)。

致謝:感謝武漢大學(xué)水利水電學(xué)院黃爽、黃焰兵老師在田間試驗(yàn)布置和試驗(yàn)生活中給予的幫助；感謝武漢大學(xué)生命科學(xué)學(xué)院劉元慶老師在油菜樣品處理中給予的幫助。