方圣輝，樂(lè) 源，楊 光

(武漢大學(xué)遙感信息工程學(xué)院，武漢 430079)

0 引言

成像光譜儀是一種可以同時(shí)獲取圖像信息與像元光譜信息的光學(xué)傳感器。成像光譜技術(shù)將傳統(tǒng)的二維成像遙感技術(shù)和光譜技術(shù)結(jié)合在一起，具有“圖譜合一”的重要特性[1]。地面成像光譜儀器設(shè)備在國(guó)外起步較早，并且已經(jīng)取得了很多的成果[2－3]。

植被葉綠素是植被進(jìn)行光合作用最重要的物質(zhì)之一，準(zhǔn)確估算葉綠素含量對(duì)研究植被的生態(tài)效應(yīng)具有重要意義。近年來(lái)，高光譜遙感數(shù)據(jù)由于具有較高的光譜分辨率，在反演植物生化參數(shù)時(shí)表現(xiàn)出了明顯的優(yōu)勢(shì)。目前，基于地面與實(shí)驗(yàn)室點(diǎn)光譜數(shù)據(jù)的植被色素反演已經(jīng)得到了廣泛的研究，國(guó)內(nèi)外也有很多基于航空或衛(wèi)星平臺(tái)成像光譜數(shù)據(jù)的植被色素反演方面的研究[4－5]。利用高光譜數(shù)據(jù)進(jìn)行植被色素反演的方法可歸納為3類(lèi)，即半經(jīng)驗(yàn)方法、統(tǒng)計(jì)方法和物理模型方法。本文基于HyperScan成像光譜數(shù)據(jù)，在植被葉片光譜曲線(xiàn)獲取及分析、相關(guān)分析以及波段選取的基礎(chǔ)上，利用SPAD502儀器獲取植被葉片的綠度值，建立了基于葉片綠度值與歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、簡(jiǎn)單比值指數(shù)(simple ratio index，SR)、綠波段葉綠素指數(shù)CIgreen(green chlorophyll index)、土壤調(diào)節(jié)植被指數(shù)(soil－adjusted vegetation index，SAVI)、差值植被指數(shù)(difference vegetation index，DVI)、改進(jìn)的土壤調(diào)節(jié)植被指數(shù)2(modified soiladjusted vegetation index 2，MSAVI2)、三角植被指數(shù)(triangular vegetation index，TVI)和葉綠素吸收比值指數(shù)(chlorophyll absorption ratio index，CARI)等8 種植被指數(shù)的半經(jīng)驗(yàn)?zāi)Ｐ筒⑦M(jìn)行葉綠素含量反演實(shí)驗(yàn)，取得了較高的反演精度。

1 高光譜反射率圖像獲取

1.1 成像系統(tǒng)

HyperScan系統(tǒng)是一種地空(包括機(jī)載、實(shí)驗(yàn)室和現(xiàn)場(chǎng)應(yīng)用)兩用的多功能型高光譜遙感成像系統(tǒng)，整套系統(tǒng)包括高光譜傳感器(HyperScan)、440系列慣導(dǎo)系統(tǒng)、一個(gè)正弦波逆變器和一臺(tái)個(gè)人電腦(PC)。傳感器的光譜范圍為389.9～1 006 nm，光譜分辨率為1～1.1 nm，可獲取572個(gè)波段的數(shù)據(jù);曝光時(shí)間為 30.0 μs～1.5 s，信噪比為 200?？紤]到應(yīng)用的廣泛性，該系統(tǒng)還配置了2種焦距不同的采集鏡頭(焦距分別為23 mm和12 mm)，以獲取不同空間分辨率的圖像。該系統(tǒng)內(nèi)部有一個(gè)掃描鏡，通過(guò)開(kāi)啟或關(guān)閉掃描鏡的運(yùn)動(dòng)，系統(tǒng)擁有擺掃和推掃2種成像方式，其中擺掃采用鏡面掃描機(jī)制，掃描角度為－30°～+30°。光譜儀使用1 276×1 024面陣列CCD作為探測(cè)器，探測(cè)器像元大小為10.8 μm，每條掃描線(xiàn)對(duì)應(yīng)圖像上的1 276個(gè)像元。圖1(a)為該系統(tǒng)工作時(shí)的實(shí)況照片，圖1(b)為儀器的2種不同的掃描成像方式。

圖1 HyperScan系統(tǒng)Fig.1 HyperScan system

1.2 圖像獲取

HyperScan高光譜遙感成像系統(tǒng)在出廠時(shí)已經(jīng)進(jìn)行了輻射定標(biāo)，因此，要實(shí)現(xiàn)遙感圖像像元亮度值(digital number，DN)到輻亮度的轉(zhuǎn)換，只需使用出廠標(biāo)定時(shí)留下的增益文件進(jìn)行數(shù)據(jù)處理。

儀器的輻射定標(biāo)公式為

式中:L1為輻射定標(biāo)后需要得到的輻亮度值(是輻亮度單元的一次衍射);L2為輻亮度單元的二次衍射;G1和G2分別為系統(tǒng)的一次增益和二次增益;ET為積分時(shí)間，默認(rèn)值為100 ms;DF為暗電流。

將式(1)進(jìn)行變形，可以得到所需的定標(biāo)公式，即

在式(1)中，當(dāng)波長(zhǎng)小于800 nm時(shí)，L2=0;當(dāng)波長(zhǎng)大于800 nm時(shí)，L2和L1之間的關(guān)系為

式中λ為波長(zhǎng)。對(duì)每一景圖像的每一個(gè)像元進(jìn)行上述變換，完成高光譜圖像的輻射定標(biāo)。

在每景圖像的采集過(guò)程中，均在掃描范圍內(nèi)放置了一塊已知反射率的標(biāo)準(zhǔn)白板，用于得到反射率圖像。具體處理方法如下:用一個(gè)N像元×N像元的窗口遍歷圖像的第1個(gè)波段，計(jì)算每個(gè)窗口內(nèi)的和值，取最大的一個(gè)，并記下此時(shí)窗口的位置和定位白板的位置。本文取N=10像元，對(duì)每一個(gè)波段圖像的每一個(gè)像元，通過(guò)式(4)計(jì)算得到反射率，即

式中:ref(i，j)(n)為第 n 波段的第(i，j)個(gè)像元的反射率;L(i，j)(n)為第 n 波段的第(i，j)個(gè)像元的輻射亮度;ρ0為標(biāo)準(zhǔn)白板的反射率;Ln為第n波段的10像元×10像元白板的輻射亮度均值。

2 植被葉綠素含量反演方法

2.1 數(shù)據(jù)獲取與處理

本文在實(shí)驗(yàn)中所采集葉片的樹(shù)種主要是武漢地區(qū)常見(jiàn)的3種常綠闊葉植被——桂樹(shù)、梔子和石楠。對(duì)同一樹(shù)種在多棵樹(shù)上采集樹(shù)葉，按照從頂層到底層的順序，分別采集顏色、葉齡等不同的樹(shù)葉50片;并依次對(duì)每片樹(shù)葉進(jìn)行編號(hào)，利用HyperScan掃描獲取葉片的高光譜圖像，掃描方式為擺掃。圖2為獲取的原始圖像(右上角的白色部分為采集數(shù)據(jù)時(shí)在圖像范圍中放置的標(biāo)準(zhǔn)白板)。

圖2 葉片原始HyperScan圖像Fig.2 Original HyperScan image of leaves

本文使用SPAD502葉綠素儀獲取植被的葉綠素值。SPAD值也被稱(chēng)作“綠度”，是一個(gè)無(wú)量綱的值，是反映植物葉綠素相對(duì)含量的指標(biāo)。研究表明，植被葉綠素含量隨SPAD值的增加而增加，呈一定函數(shù)變化規(guī)律，且達(dá)到極顯著相關(guān)的水平[6]。在獲取HyperScan圖像的同時(shí)，利用SPAD502葉綠素儀測(cè)量每片樹(shù)葉的SPAD值，每片樹(shù)葉測(cè)量10次，大部分葉片10次SPAD測(cè)量值之間的差值在0～3.5之間波動(dòng)，記錄其均值作為該葉片的SPAD值。

對(duì)原始HyperScan圖像進(jìn)行處理，得到反射率圖像。在反射率圖像中，取每片樹(shù)葉中心的一個(gè)30像元×30像元大小的窗口，一片葉片共獲取900個(gè)點(diǎn);每個(gè)點(diǎn)對(duì)應(yīng)一條光譜反射率曲線(xiàn)，計(jì)算900條光譜反射率曲線(xiàn)的平均值作為該葉片的光譜曲線(xiàn)。這樣，每種實(shí)驗(yàn)樹(shù)種均能得到50組光譜曲線(xiàn)及其對(duì)應(yīng)的SPAD值。圖3為使用HyperScan獲取的光譜反射率曲線(xiàn)與使用ASD光譜儀獲取的同一片梔子葉片光譜曲線(xiàn)的對(duì)比圖。

2.2 波段選擇與模型建立

在利用高光譜數(shù)據(jù)進(jìn)行葉綠素含量反演的各種算法中，半經(jīng)驗(yàn)方法由于其計(jì)算過(guò)程比較簡(jiǎn)單、所需數(shù)據(jù)容易獲取等優(yōu)點(diǎn)，已得到了廣泛的研究和應(yīng)用[7]。本文即采用半經(jīng)驗(yàn)方法，通過(guò)建立葉綠素含量和某些波段組合形成的8種植被指數(shù)(見(jiàn)表1)的關(guān)系，反演植被葉綠素含量。

表1 本文使用的植被指數(shù)Tab.1 Vegetation indices used in this paper

表 1 中:ρnir，ρgreen，ρred分別表示近紅外波段反射率、綠波段反射率、紅波段反射率;nir，green，red分別表示與 ρnir，ρgreen，ρred相對(duì)應(yīng)的波長(zhǎng)值。

本實(shí)驗(yàn)選取表1中的8種常用植被指數(shù)進(jìn)行葉綠素含量反演。在這8種植被指數(shù)中，NDVI，SR，CI，SAVI，DVI和MSAVI2是2波段植被指數(shù)，而TVI和CARI是3波段植被指數(shù)。其中SAVI中L的取值需要根據(jù)測(cè)量土壤的光譜曲線(xiàn)并進(jìn)行擬合得到;本次實(shí)驗(yàn)數(shù)據(jù)是直接獲取葉片光譜，并沒(méi)有獲取土壤的光譜信息，實(shí)驗(yàn)中嘗試變換L的取值，發(fā)現(xiàn)其對(duì)葉綠素反演的影響較小，最終本文選取L=1。兩種3波段植被指數(shù)TVI和CARI的原始定義中包含670 nm的紅波段[8]，但從實(shí)驗(yàn)中單波段相關(guān)分析的結(jié)果可知，HyperScan獲取的植被光譜曲線(xiàn)在670 nm處的反射率與植被SPAD值的相關(guān)性形成了一個(gè)波谷(即相關(guān)性較其他波段要小)。因此本文在使用這兩種3波段植被指數(shù)進(jìn)行葉綠素反演時(shí)，借用了這些植被指數(shù)的形式，但并沒(méi)有完全嚴(yán)格按照其原始的定義來(lái)選取波段，具體的波段在進(jìn)行相關(guān)分析后選取。

HyperScan成像光譜數(shù)據(jù)的波段較多，光譜分辨率也較高，為了更好地分析窄波段的光譜指數(shù)對(duì)葉綠素反演效果的影響，對(duì)于某種植被指數(shù)，在572個(gè)波段中任意選取2個(gè)波段進(jìn)行組合，計(jì)算該植被指數(shù)與對(duì)應(yīng)植被的SPAD值之間的相關(guān)系數(shù)，生成相關(guān)系數(shù)圖;根據(jù)各個(gè)植被指數(shù)的定義，選取與SPAD值相關(guān)性最高的2個(gè)波段建立線(xiàn)性模型。在計(jì)算2種3波段組合植被指數(shù)的相關(guān)系數(shù)時(shí)，為運(yùn)算方便，本文采取固定綠波段、計(jì)算紅外波段和紅波段組合的植被指數(shù)與對(duì)應(yīng)SPAD值的相關(guān)系數(shù)的方法，綠波段的選取和CI指數(shù)中綠波段的選取相一致。根據(jù)所選擇的波段建立了葉綠素含量反演模型，并對(duì)總體模型的精度進(jìn)行了驗(yàn)證。

2.3 反演模型驗(yàn)證

隨著成像光譜儀的光譜波段的增加，數(shù)據(jù)量也隨之增大。為了驗(yàn)證HyperScan的光譜波段的增加是否有利于葉綠素含量反演精度的提高，設(shè)計(jì)了波段合并實(shí)驗(yàn)，通過(guò)將HyperScan的光譜波段進(jìn)行合并，發(fā)現(xiàn)隨著光譜波段的合并和光譜分辨率的減小，反演模型的精度呈現(xiàn)一定的下降趨勢(shì)，證明Hyper-Scan成像光譜數(shù)據(jù)的波段的增加有利于葉綠素含量反演精度的提高。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 波段相關(guān)性分析

為了提高葉綠素含量反演的精度，在選擇具體

圖3 HyperScan與ASD數(shù)據(jù)對(duì)比Fig.3 Comparison between HyperScan and ASD Data

與ASD測(cè)量的光譜反射率數(shù)據(jù)相比，HyperScan數(shù)據(jù)有明顯的區(qū)別。在波長(zhǎng)為550 nm附近的反射峰值更加明顯，大于700 nm的近紅外波段反射率更高，小于500 nm處以及紅邊反射率與ASD數(shù)據(jù)基本一致，只是紅邊位置相對(duì)ASD的左移;整條光譜曲線(xiàn)在波長(zhǎng)小于700 nm時(shí)比較平滑，在大于800 nm的近紅外波段開(kāi)始光譜曲線(xiàn)的平滑性減小，呈現(xiàn)出明顯的鋸齒狀的反射坪，說(shuō)明大于800 nm時(shí)光譜曲線(xiàn)的噪聲較大。為了提高植被葉綠素含量反演的精度，盡量避免使用波長(zhǎng)大于800 nm處的反射率值。HyperScan數(shù)據(jù)與ASD數(shù)據(jù)的不同，使得在利用HyperScan數(shù)據(jù)進(jìn)行葉綠素含量的反演時(shí)，不能完全利用適合于ASD這種地面點(diǎn)光譜儀器所獲取光譜數(shù)據(jù)的反演方法，而是要對(duì)HyperScan數(shù)據(jù)的反射率光譜進(jìn)行一定的分析，選取適合于HyperScan數(shù)據(jù)的光譜波段。的植被指數(shù)之前，首先分析了3種植被光譜曲線(xiàn)與SPAD值之間的單波段相關(guān)系數(shù)，分析結(jié)果如圖4所示。

3種植被呈現(xiàn)出相似的相關(guān)特性，在520～650 nm的綠波段和紅波段以及在700～730 nm的近紅外波段的相關(guān)系數(shù)較高，在小于500 nm和大于750 nm的波段處相關(guān)系數(shù)較低，同時(shí)在675 nm附近有一個(gè)相關(guān)系數(shù)先減小后增加的過(guò)程。因此，利用綠波段、紅波段和近紅外波段組合進(jìn)行葉綠素含量反演，相對(duì)其他波段組合會(huì)有更高的精度?？傮w的相關(guān)系數(shù)同3種植被的一致，同時(shí)受到3種植被相關(guān)系數(shù)的影響，其取值介于相關(guān)系數(shù)較高的梔子、桂樹(shù)和相關(guān)系數(shù)較低的石楠之間。表2列出了各植被指數(shù)與對(duì)應(yīng)SPAD值之間相關(guān)系數(shù)最大的值以及對(duì)應(yīng)的波段。

表2 波段選擇與相關(guān)系數(shù)Tab.2 Band selection and correlation coefficient

對(duì)于某種植被來(lái)說(shuō)，不同植被指數(shù)的波段選擇具有相似性，例如梔子的波段選取基本上集中在530 nm，700 nm，770 nm和800 nm等處的波段。在這些波段中，530 nm和700 nm處的波段在單波段相關(guān)分析中相關(guān)性較高;700 nm處在紅邊波段，與傳統(tǒng)的地面點(diǎn)光譜數(shù)據(jù)研究中應(yīng)用的植被指數(shù)的定義有一定區(qū)別，但還是在植被指數(shù)定義的范圍之中;而770 nm和800 nm處的波段在單波段相關(guān)分析中相關(guān)性并不高，但在多波段相關(guān)性分析中，經(jīng)過(guò)波段組合，其相關(guān)性也超過(guò)了單波段相關(guān)分析。

8種植被指數(shù)中，2種3波段的植被指數(shù)最終選擇的波段組合與原始定義有一定差別。除CARI呈現(xiàn)出負(fù)相關(guān)特性并且相關(guān)系數(shù)較其他植被指數(shù)偏小以外，其他植被指數(shù)均呈現(xiàn)出較高的相關(guān)特性(其中最大值為桂樹(shù)的DVI指數(shù)，R=0.974 7;最小值為梔子的CI指數(shù)，但R＞0.9)。8種植被指數(shù)中，SAVI，DVI，MSAVI2和TVI這4種植被指數(shù)相關(guān)系數(shù)略大于NDVI，SR和CI，明顯大于CARI?？傮w的相關(guān)系數(shù)均小于單一植被的相關(guān)系數(shù)，這說(shuō)明對(duì)于HyperScan數(shù)據(jù)來(lái)說(shuō)，混合植被的葉綠素反演精度會(huì)低于單一植被的葉綠素反演精度。

3.2 模型建立與驗(yàn)證

利用波段分析得到的敏感波段進(jìn)行葉綠素含量反演模型的建立與驗(yàn)證。由3種單一植被數(shù)據(jù)組成的總體數(shù)據(jù)共有150組，其中用于波段分析的數(shù)據(jù)共120組，余下的30組作為模型驗(yàn)證數(shù)據(jù)。這30組數(shù)據(jù)是從每種植被數(shù)據(jù)中隨機(jī)選出10組組合而成的。圖5示出總體數(shù)據(jù)的建模(左)與驗(yàn)證(右)圖形。

圖4 單波段相關(guān)系數(shù)Fig.4 Correlation coefficient of single band

圖 5(a)－ (h)分別為 NDVI，SR，CI，SAVI，DVI，MSAVI2，CARI和 TVI與對(duì)應(yīng) SPAD 之間的關(guān)系模型與驗(yàn)證模型，其具體的模型參數(shù)在表3中列出。

表3 模型參數(shù)Tab.3 Model parameters

從表3可以看出，在8種植被指數(shù)的模型中，反演精度最高的是SAVI和MSAVI2(決定系數(shù)接近0.9)，CARI精度較低(決定系數(shù)只有 0.6)，其余各植被指數(shù)模型精度則普遍較高(決定系數(shù)均大于0.8 而小于0.9)。

3.3 波段合并實(shí)驗(yàn)

高光譜數(shù)據(jù)在提高光譜分辨率的同時(shí)，也使得數(shù)據(jù)量急劇增大，這對(duì)數(shù)據(jù)獲取、存儲(chǔ)與處理提出了一定的要求。為了探究利用HyperScan高光譜數(shù)據(jù)進(jìn)行葉綠素反演是否需要如此高的光譜分辨率的問(wèn)題，本文進(jìn)行了波段合并實(shí)驗(yàn)——通過(guò)合并相鄰波段數(shù)據(jù)，研究模型的決定系數(shù)和均方根誤差隨著合并波段數(shù)目增加而產(chǎn)生的變化情況。具體實(shí)驗(yàn)過(guò)程是:以建立模型時(shí)選取的波段為中心波段，將相鄰波段數(shù)據(jù)分別進(jìn)行3，5，7，…，直到21個(gè)波段相加并取其均值;再利用均值計(jì)算對(duì)應(yīng)的植被指數(shù)，建立模型。圖6是波段合并實(shí)驗(yàn)的結(jié)果圖，圖6(a)和(b)分別示出合并波段數(shù)與模型的決定系數(shù)R2和均方根誤差RMSE之間的關(guān)系。

圖6 波段合并實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of band combination

由于CARI指數(shù)的結(jié)果與其他指數(shù)相差較大，為了更直觀的顯示波段合并對(duì)反演模型的影響，圖6中并沒(méi)有顯示CARI指數(shù)，但CARI指數(shù)的變化趨勢(shì)與其他植被指數(shù)是一致的。

由圖6可以看出，隨著HyperScan數(shù)據(jù)波段的不斷合并，除DVI指數(shù)外，其他指數(shù)的模型精度均呈單調(diào)下降趨勢(shì)。在合并波段數(shù)為7－15時(shí)，精度下降趨勢(shì)較快;當(dāng)合并波段增加至17波段時(shí)，精度下降趨勢(shì)減小，模型精度趨于穩(wěn)定。但DVI指數(shù)的模型精度呈先減小、后增大的趨勢(shì)。

3.4 葉綠素含量反演

利用3.2中建立的總體模型，對(duì)桂樹(shù)的Hyper-Scan圖像進(jìn)行了葉綠素含量的反演，統(tǒng)計(jì)了50片葉片影像范圍中的葉綠素含量的均值，并與實(shí)測(cè)值進(jìn)行了比較。圖7顯示了部分葉片的葉綠素含量反演結(jié)果圖，圖7(a)—(h)分別表示NDVI，SR，CI，SAVI，DVI，MSAVI2，CARI和 TVI等 8 種植被指數(shù)的葉綠素含量反演結(jié)果。

圖7－1 桂樹(shù)數(shù)據(jù)葉綠素含量反演結(jié)果Fig.7－1 Inversion results of HyperScan data

圖7－2 桂樹(shù)數(shù)據(jù)葉綠素含量反演結(jié)果Fig.7－2 Inversion results of HyperScan data

從圖7可以看出，在8種植被指數(shù)中，CARI模型的反演精度較差，表現(xiàn)在同一片葉片反演的SPAD值變化范圍較大;除模型反演精度較差的CARI之外，其余7種植被指數(shù)反演的同一片葉片SPAD值的變化范圍不大。圖7中第一行左起第4片葉片出現(xiàn)了左右兩邊葉綠素值不一致的現(xiàn)象，經(jīng)過(guò)觀察原始圖像發(fā)現(xiàn)，這是由于圖像掃面瞬間因葉片被風(fēng)吹動(dòng)導(dǎo)致部分葉片背面向上所致。盡管在提取光譜時(shí)避開(kāi)了這些區(qū)域，但進(jìn)行圖像的葉綠素含量反演時(shí)無(wú)法避開(kāi)這些區(qū)域;為了減小對(duì)實(shí)驗(yàn)結(jié)果的影響，人為去除了被風(fēng)吹動(dòng)葉片的反演結(jié)果。對(duì)葉綠素含量反演誤差進(jìn)行了統(tǒng)計(jì)(表4)。

從表4可以看出，對(duì)整景圖像而言，SAVI，DVI，MSAVI2和TVI這4種植被指數(shù)的葉綠素含量反演精度較高;NDVI，SR和CI次之;CARI的反演精度最低(反演的平均誤差超過(guò)了30%)，其余7種植被指數(shù)的反演平均誤差均在15%以?xún)?nèi)。

4 結(jié)論

本文利用HyperScan采集不同植被葉片的高光譜圖像數(shù)據(jù)，采用 NDVI，SR，CI，SAVI，DVI，MSAVI2，TVI和CARI等8種植被指數(shù)反演模型進(jìn)行植被葉綠素含量反演實(shí)驗(yàn)，同時(shí)進(jìn)行了波段合并實(shí)驗(yàn)，并比較了在逐步合并波段的情況下各種模型的反演精度。實(shí)驗(yàn)結(jié)果表明:

1)在本文選取的植被指數(shù)中，2波段植被指數(shù)反演葉綠素含量精度普遍高于3波段植被指數(shù)。

2)波段合并的實(shí)驗(yàn)表明，隨著波段的逐步合并，模型的反演精度逐漸下降;因此，光譜分辨率較高的高光譜圖像數(shù)據(jù)更適合于植被葉綠素含量反演。

3)本文中的反演模型精度普遍較高，說(shuō)明利用地面高光譜圖像進(jìn)行葉片葉綠素反演是可行的，且采用葉片內(nèi)光譜反射值的均值進(jìn)行葉片的葉綠素含量反演有很高的反演精度。

4)由于HyperScan數(shù)據(jù)本身的特點(diǎn)，導(dǎo)致了紅邊的位置與一般的地面點(diǎn)光譜儀(ASD)數(shù)據(jù)有一定的不同，同時(shí)在波長(zhǎng)大于800 nm處的反射率曲線(xiàn)呈現(xiàn)明顯的鋸齒狀，因此在相關(guān)性分析的基礎(chǔ)上進(jìn)行了波段的選擇，并且沒(méi)有選擇波長(zhǎng)在800 nm以上的波段;這也導(dǎo)致了選擇的特征波段與傳統(tǒng)的地面點(diǎn)光譜儀器的特征波長(zhǎng)有所不同，但是所選擇的波段仍然是在植被指數(shù)所定義的范圍中的，除了2種3波段的植被指數(shù)的形式與原始定義的形式有一定的差別，其余的植被指數(shù)均與原來(lái)的定義一致。

[1]童慶禧，薛永祺，王晉年，等.地面成像光譜輻射測(cè)量系統(tǒng)及其應(yīng)用[J].遙感學(xué)報(bào)，2010，14(3):409－422.Tong Q X，Xue Y Q，Wang J N，et al.Development and application of the field imaging spectrometer system[J].Journal of Remote Sensing，2010，14(3):409－422.

[2]Borregaard T，Nielsen H，Nrgaard L，et al.Crop－ weed discrimination by line imaging spectroscopy[J].Journal of Agricultural Engineering Research，2000，75(4):389－400.

[3]Monteiro S T，Minekawa Y，Kosugi Y，et al.Prediction of sweetness and amino acid content in soybean crops from hyperspectral imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing，2007，62(1):2－12.

[4]Rock B N，Hoshizaki T，Miller J R.Comparison of in situ and airborne spectral measurements of the blue shift associated with forest decline[J].Remote Sensing of Environment，1988，24(1):109－127.

[5]Ustin S L，Gitelson A A，Jacquemoud S，et al.Retrieval of foliar information about plant pigment systems from high resolution spectroscopy[J].Remote Sensing of Environment，2009，113(s1):s67－s77.

[6]李 輝，白 丹，張 卓，等.羊草葉片SPAD值與葉綠素含量的相關(guān)分析[J].中國(guó)農(nóng)學(xué)通報(bào)，2012，28(2):27－30.Li H，Bai D，Zhang Z，et al.Correlation analysis between SPAD value and chlorophyll content of leaf of leymus chinensis[J].Chinese Agricultural Science Bulletin，2012，28(2):27－30.

[7]Steele M，Gitelson A A，Rundquist D.Research Note:Nondestructive estimation of leaf chlorophyll content in grapes[J].American Journal of Enology and Viticulture，2008，59(3):299－305.

[8]Broge N H，Leblanc E.Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J].Remote Sensing of Environment，2001，76(2):156－172.

[9]Bannari A，Morin D，Bonn F，et al.A review of vegetation indices[J].Remote Sensing Reviews，1995，13(1/2):95－120.

[10]Peng Y，Gitelson A A.Application of chlorophyll－ related vegetation indices for remote estimation of maize productivity[J].Agricultural and Forest Meteorology，2011，151(9):1267－1276.