生态学报  2014, Vol. 34 Issue (21): 6190-6197

文章信息

章文龙, 曾从盛, 高灯州, 胡伟芳, 陈晓艳, 林伟
ZHANG Wenlong, ZENG Congsheng, GAO Dengzhou, HU Weifang, CHEN Xiaoyan, LIN Wei
闽江河口湿地秋茄叶绿素含量高光谱遥感估算
Estimating the chlorophyll content of Kandelia candel based on hyper-spectral remote sensing in the Min River Estuarine wetland
生态学报, 2014, 34(21): 6190-6197
Acta Ecologica Sinica, 2014, 34(21): 6190-6197
http://dx.doi.org/10.5846/stxb201309262374

文章历史

收稿日期:2013-9-26
修订日期:2014-3-13
闽江河口湿地秋茄叶绿素含量高光谱遥感估算
章文龙1, 2, 曾从盛1, 2, 3 , 高灯州1, 2, 胡伟芳1, 2, 陈晓艳1, 林伟1    
1. 福建师范大学地理科学学院, 福州 350007;
2. 福建师范大学亚热带湿地研究中心, 福州 350007;
3. 湿润亚热带生态地理过程教育部重点实验室, 福州 350007
摘要:叶绿素含量是表征植被胁迫状态的一个重要指示因子,同时也是其它生化参数估算的重要基础,对其进行遥感反演具有重要意义.选取闽江口秋茄(Kandelia candel)作为研究对象,分别于2013年4月和7月采集叶片,室内测定其叶片正面和反面反射光谱,同时测定其叶绿素含量(单位面积含量和单位质量含量).选取13个常用参数进行敏感性分析,并进一步选取与叶绿素相关系数较高的参数建立估算模型.结果表明,秋茄叶片反面反射率高于正面,尤其在绿光波段和近红外波段部分区域(1450-2450 nm)表现较为明显.对所选取的大部分参数而言,其与单位面积叶绿素含量的相关系数要高于与单位质量叶绿素含量的相关系数;基于正面光谱计算的光谱参数与叶绿素含量的相关系数要高于基于反面光谱计算的光谱参数.估算与验证模型结果进一步表明,TCARI、Vog1、Vog2和Vog3能较好的估算不同生长期秋茄叶片的叶绿素含量.此外,在使用GM、Carter2和PSSRb 估算叶片叶绿素含量时,可以适当考虑反面光谱的应用.这些结果也预示着利用高光谱遥感数据估算秋茄叶片叶绿素含量是可行的,并且具有较高的估算精度.
关键词叶绿素    高光谱    秋茄    闽江口    
Estimating the chlorophyll content of Kandelia candel based on hyper-spectral remote sensing in the Min River Estuarine wetland
ZHANG Wenlong1, 2, ZENG Congsheng1, 2, 3 , GAO Dengzhou1, 2, HU Weifang1, 2, CHEN Xiaoyan1, LIN Wei1    
1. School of geographical sciences, Fujian Normal University, Fuzhou 350007, China;
2. Research Center of Wetlands in Subtropical Region, Fuzhou 350007, China;
3. Key Laboratory of Humid Subtropical Eco-geographical Process (Fujian Normal University), Ministry of Education, Fuzhou 350007, China
Abstract:Kandelia candel is widely distributed in tropical and subtropical region, and plays a key role in maintaining wetland function. Chlorophyll content is necessary for studying productivity and photosynthesis of vegetation, which can also indicates the healthy condition of vegetation living in a stressed environment. Remote sensing techniques offer timely, up-to-date, and relatively accurate information such as biomass, leaf area index and chlorophyll content of wetland vegetation. Although plenty research efforts on estimating chlorophyll content from spectral reectance measurements have been mainly focused on forest and crop ecosystems. However, very limited work has been done at wetland vegetation. The aim of this study was to estimate the chlorophyll content of K. candel based on hyper-spectral remote sensing data. This study was carried out in the Min River Estuary, which is one of the most important estuarine wetlands in Southeast China. The laboratory spectral reflectance of K. candel leaves (front and back) was determined by ASD FieldSpec2500 in April, 2013 and July, 2013, and the leaf chlorophyll content (two dimensional) was measured simultaneously. Thirteen parameters including visible ratios (NPCI and PRI1), visible/NIR ratios (NDVI, Lic2, TCARI, MCRAI and PSSRa) and red edge reflectance-ratio (Vog1, Vog2, Vog3, GM, Catter2 and CI) indices, were used to establish the estimation models. The results showed that the reflectance of leaf back was higher than that of leaf front, especially more obvious in green band and part of the near infrared band (1450-2450 nm). The correlation coefficients between chlorophyll content and most of the parameters were higher when selecting area instead of quality as dimension. And the most of the parameters calculated by leaf front reflectance had higher correlation coefficient with chlorophyll content than that of leaf back. Besides, we also observed that Vog1, Vog2 and Vog3 not only had higher correlation coefficient with chlorophyll content, but were also slightly affected by leaf growth phase and structure. The limitations of using NDVI for estimation of chlorophyll content had been reported in the literature, and NDVI also had lower correlation coefficient with chlorophyll content of K. candel leaves. Consequently, TCARI, Vog1, Vog2 and Vog3 calculated by leaf front reflectance and the chlorophyll content in per unit area were selected to establish the estimation and validation models. The root means square error (RMSE) of estimation models ranged from 4.93 μg/cm2 to 10.24 μg/cm2, while it ranged from 4.17 μg/cm2 to 9.56 μg/cm2 in validation models. These results indicated that TCARI, Vog1, Vog2 and Vog3 were the most useful parameters to estimate the chlorophyll content of K. candel during different growth periods. In addition, GM, Carter2, PSSRb generally had higher correlation coefficient with chlorophyll content when they were calculated by leaf back reflectance, which indicated that we should consider using leaf back reflectance when we choose GM, Carter2, PSSRb to estimate chlorophyll content of K. candel leaves. To some extent, it can be concluded that remote sensing technology could play a vital role in the chlorophyll content retrieval of K. candel by laboratory spectral reflectance.
Key words: chlorophyll    hyper-spectral    Kandelia candel    Min River Estuary    

红树林是滨海或河口湿地重要的生态系统,在防风消浪、促淤保滩、固岸护堤、净化海水和空气等方面发挥重要作用。叶绿素含量是表征植被胁迫状态的一个重要指示因子[1],同时也是其它生化参数估算的重要基础。利用高光谱遥感数据建立湿地植被叶绿素含量的估算模型,对湿地生态系统的健康状态动态监测、恢复重建以及管理等都具有重要意义。

当前关于叶绿素高光谱估算研究已经取得较大进展,其估算方法大致包括3种:回归分析法、物理模型法和光谱参数法。其中光谱参数法在构建指数时一定程度考虑了其物理机制,同时所需波段较少,而被广泛利用[1]。但尽管如此,各光谱指数受到植被种类、发育阶段及背景环境等多种因素影响[2],其对不同植被、不同生长期的敏感性及内在的理论解释等仍有待进一步深入研究。目前,常见的光谱参数包括:高光谱的位置变量、高光谱面积变量、可见光比值指数、可见/红外比值指数、红边反射率植被指数和红边导数指数等[1, 3, 4]。为更深入理解各光谱参数的物理机制,部分学者利用PROSPECT+SAIL模型,基于实测数据对各参数的叶片结构敏感性进行探讨,发现部分红边反射率比值植被指数对叶片结构变化比较不敏感,并可以较好的估算叶绿素含量[1]。孟庆野等[2]通过模拟和实测进一步发现用红谷代替670 nm可以一定程度上提高TCARI的估算精度。以往这些研究主要是基于叶片正面的室内光谱或者冠层光谱,对叶片的反面光谱特征关注较少。然而,在实际工作中,叶片反面光谱也是叶片的重要组成部分,且其与叶片正面的结构存在较大差异(特别是颜色和气孔分布)。因此有必要加强基于叶片反面光谱对叶绿素含量反演的研究,并将其与正面光谱的反演结果进行比较。此外,目前常用的叶绿素单位量纲包括单位面积叶绿素含量和单位质量叶绿素含量两种,在秋茄叶片叶绿素含量遥感估算时以哪种量纲表征更为合适,也有待进一步研究。此外,从研究的对象来看,已有研究主要集中在农作物、森林植被及少量湿地植被[3, 5, 6, 7, 8, 9, 10],对秋茄(Kandelia candel)叶绿素含量的高光谱遥感估算相对匮乏。综上所述,通过测定闽江河口不同生长期秋茄叶片叶绿素含量与叶片正反面光谱,选取13个参数建立相应的估算模型,并分析各参数对生长期及叶片结构的敏感性,以期为实现湿地红树林生态系统健康状况遥感监测提供科学参考依据。

1 研究区概况与研究方法 1.1 研究区概况

鳝鱼滩湿地是闽江口最大的天然洲滩湿地,具有较高的生物多样性,其地理坐标26°00′36″—26°03′42″ N,119°34′12″—119°41′40″ E。区内受潮汐作用影响显著,属正规半日潮;气候属南亚热带与中亚热带过渡带,暖热湿润,年均气温为19.3 ℃,年平均降水量1380 mm左右,年均降水日数为153 d;土壤为滨海盐土和沙土,pH值偏酸性[11]。湿地植被主要有秋茄、芦苇(Phragmites australis)、短叶茳芏(Cyperus malaccensis Lam.var.brevifolius Bocklr)、藨草(Scirpus triqueter)和互花米草(Spartina alterniflora)等。秋茄叶片为椭圆形,长度约为8—10 cm,宽度约为4—7 cm。

1.2 研究方法 1.2.1 样品采集

以闽江口鳝鱼滩湿地红树科秋茄(树龄约为7 a)作为研究对象,分别于2013年4月20日和7月20日采样,每次采样时选取不同植株的新叶和成熟叶,叶片采集后立即放入保温箱,并在4 h内送回实验室,进一步清理叶片表面尘埃,用于室内光谱和叶绿素含量测定。

1.2.2 叶片光谱测定

叶片室内反射光谱用美国ASD (Analytica Spectra Devices.,Inc)公司生产的FieldSpec2500进行测定,测量波段范围为350—2500 nm,其中在350—1000 nm光谱分辨率为3 nm,光谱间隔为1.4 nm;在1000—2500 nm光谱分辨率为10 nm,光谱间隔为2 nm。根据秋茄叶片形状特征,选取宽度大于5 cm的叶片,利用BRDF系统建立相应的测试环境:探头垂直向下,视场角25°,距离叶片样品表面约为10 cm,光源使用光谱仪配套的功率为50 W的卤素灯,入射天顶角设置为45°,入射方位角0°,观测天顶角0°。测定时,将叶片展平放置于对采集波段接近全吸收的工作台上,先测定叶片正面的反射光谱,然后将叶片反向,测定同一个部位的反面光谱,为确保测量精度,每次测定保存8条光谱,15 min进行1次白板校正。

1.2.3 叶片色素含量测定与计算

测定完叶片正面和反面反射光谱后,用自制打孔器(半径R约为2 cm)取样,并称重记录为W1,之后去除主要叶脉,叶脉重记录为W2;将去除叶脉后的叶片剪碎,称取两份,每份0.20 g,分别加入少量无水乙醇及少量石英砂和碳酸钙粉,将其研磨成匀浆,至组织发白,用无水乙醇将所有溶液洗入离心管,在4000 转/min条件下离心5 min,最后将上清液移入25 mL容量瓶定容(此法可有效减少过滤造成叶绿素残留和分解的损失)。最后用紫外可见分光光度计测量665 nm和649 nm处的吸光度,依据以下公式计算叶绿素浓度[12]

式中,Chla和Chlb分别为提取液中叶绿素a和叶绿素b浓度;Chlt(mg/g)为单位质量叶绿素的含量,Chlt(μg/cm2)表示单位面积叶绿素含量;D649D665分别为649 nm与665 nm 吸光度;V为定容的体积(mL);M为测定样品重(g);W1W2分别指打孔器采集样品总重(g)和叶脉重量(g);R为打孔器半径(cm)。

1.2.4 统计分析

利用ViewSpecPro软件计算光谱反射率计算;用SPSS 17.0计算Pearson相关系数;用Origin 8.0作图。

1.2.5 光谱参数定义

选取常用的可见光比值植被指数(NPCI和PRI1),可见/近红外比值指数(NDVI、Lic2、TCARI、MCRAI和PSSRa)和红边反射率植被指数(Vog1、Vog2、Vog3、GM、Catter2和CI)共13个参数用于秋茄叶片叶绿素含量估算,各参数定义如表 1所示。

表1 高光谱参数定义 Table 1 Hyper-spectral parameters definition
参数计算公式 Calculation formula文献 References参数计算公式 Calculation formula文献 References
NDVI=(R774-R667)/(R774+R667)[1, 4]Vog3=R740/R720[1, 13]
MCARI=[(R700R670)-0.2×(R700R550)]×(R700/R670)[1, 4]GM=R750/R700[14]
PSSRa=R800/R680[15]Cater2=R695/R760[16]
Lic2=(R800-R680)/(R800+R680)[17]CI=(R675×R690)/(R683×R683)[1, 4]
TCARI=3[(R700R670)-0.2×(R700R550)×(R700/R670)[18]NPCI=(R680R430)/(R680+R430)[19]
Vog1=(R734R747)/(R715R720)[1, 13]PRI1=(R531R570)/(R531+R570)[20]
Vog2=(R734R747)/(R715R726)[1, 13]  
1.2.6 检验方法

根据测定的样本数及其叶绿素含量大小,随机挑选出约1/4的测定样本用于检验。其中2013年4月建模样本为57,检验样本为16;2013年7月建模样本为35,检验样本为12。为衡量各参数的估算精度,分别选取相关系数(r)、决定系数(r2)和均方根误差(RMSE)作为评价指标。在样本数相同的条件下,一般认为rr2越大越好,RMSE越小越好,RMSE的计算公式如下:

式中,yi为实测值,为估算值,i为样点号,n为样本数。

2 结果与分析 2.1 秋茄叶片正反面反射光谱特征比较

为对比秋茄叶片正反面光谱特征,将其正面光谱和反面光谱求算平均值,结果如图 1所示。图 1表明,不同生长期秋茄叶片正面反射光谱均表现为典型的植被光谱特征:在绿光波段出现绿峰,然后红光波段出现谷值,近红外波段出现明显的反射平台。对比秋茄叶片正反面光谱特征表明,无论在4月还是7月,反面光谱均要高于正面光谱,特别是在绿光波段和近红外波段的部分区域表现的尤为明显(1450—2450 nm)。

图 1 秋茄叶片正面与反面反射光谱特征 Fig. 1 The spectral characteristics of leaf front and leaf back of K. candel
2.2 光谱参数与叶绿素含量相关关系

为分析不同光谱参数估算叶绿素的敏感性,将不同生长期、正反面光谱计算的参数与叶绿素含量(单位面积叶绿素含量和单位质量叶绿素含量)做相关分析(表 2)。表 2表明,无论基于正面光谱还是反面光谱,所选取的光谱参数与秋茄叶绿素含量基本都达到显著(P<0.05)或极显著相关(P<0.01)。且对大部分参数而言,其与单位面积叶绿素含量的相关系数要优于与单位质量叶绿素含量的相关系数。

表2 叶绿素含量与高光谱参数的相关系数 Table 2 The correlation coefficient between chlorophyll content and hyper-spectral parameters
时间 Time参数 Parameter正面光谱Spectral reflectance of leaf front反面光谱Spectral reflectance of leaf back
叶绿素Chlorophyll/(μg/cm2)叶绿素Chlorophyll/(mg/g) 叶绿素Chlorophyll/(μg/cm2)叶绿素Chlorophyll/(mg/g)
* *P<0.01,*P<0.05
2013-04-20Vog10.83* *0.65* *0.81* *0.59* *
(n=73)Vog20.83* *0.64* *0.80* *0.58* *
Vog30.82* *0.66* *0.79* *0.53* *
TCARI-0.79* *-0.68* *-0.57* *-0.44* *
GM0.69* *0.56* *0.73* *0.46* *
Carter2-0.65* *-0.55* *-0.71* *-0.47* *
PRI10.64* *0.69* *0.64* *0.55* *
MCARI-0.64* *-0.53* *-0.54* *-0.40* *
PSSRb0.48* *0.43* *0.64* *0.41* *
CI-0.45* *-0.42* *-0.45* *-0.38* *
NPCI-0.45* *-0.46* *-0.39* *-0.30* *
NDVI0.44* *0.37* *0.46* *0.30* *
Lic20.43* *0.36* *0.41* *0.27*
2013-07-20Vog10.94* *0.79* *0.86* *0.70* *
(n=47)Vog20.94* *0.80* *0.84* *0.68* *
Vog30.89* *0.73* *0.86* *0.75* *
TCARI-0.90* *-0.79* *-0.62* *-0.44* *
GM0.68* *0.47* *0.84* *0.73* *
Carter2-0.48* *-0.33*-0.84* *-0.76* *
PRI10.59* *0.66* *0.37* *0.44* *
MCARI-0.82* *-0.75* *-0.36*-0.12
PSSRb0.33*0.130.87* *0.76* *
CI-0.22-0.10-0.69* *-0.72* *
NPCI-0.30*-0.24-0.060.03
NDVI0.08-0.060.75* *0.79* *
Lic20.07-0.070.69* *0.77* *

从对季节和正反面光谱的敏感性看,各光谱参数表现不尽相同。当以单位面积叶绿素含量作为计算单位时,对正反面光谱敏感的光谱参数有TCARI、GM、Carter2、MCARI、PSSR和NPCI,其中基于正面光谱计算的TCARI、MCARI和NPCI与叶绿素含量的相关系数要高于基于反面光谱计算的;GM、Carter2和PSSRb则与之相反。Vog1、Vog2 和Vog3对生长期和正反面光谱敏感性均较低,且与叶绿素含量具有较高的相关系数。PRI1、CI、NDVI和Lic2在4月份对正反面光谱不敏感,在7月则较为敏感。

当以单位质量叶绿素含量作为计算单位时,基于正面光谱计算的大部分光谱参数与叶绿素的相关系数要高于基于反面光谱的,但在不同生长期各参数对正反面光谱的敏感性略有不同。此外,对于部分参数而言,在叶绿素含量高光谱估算时可以适当考虑反面光谱的应用。

2.3 叶绿素含量估算与验证 2.3.1 叶绿素含量估算模型

表 2分析表明对于大部分参数而言,光谱参数与单位面积叶绿素含量具有较高相关系数,且基于正面光谱所计算的参数与叶绿素含量的相关系数也相对较高。因此,以单位面积叶绿素含量为计算单位,以正面光谱作为参数计算光谱,并进一步选择相关系数较高的参数(TCARI、Vog1、Vog2 和Vog3)作为估算参数,分别用线性、对数和指数模型进行回归分析,尝试建立秋茄叶绿素含量估算模型。在建立模型之前,为检验模型的精度,将样本分成两个部分,一部分用于训练,一部分用于检验,模型估算结果和检验结果如表 3所示。表 3表明,基于正面光谱计算的TCARI、Vog1、Vog2和Vog3均能较好的估算秋茄叶片单位面积叶绿素含量,其中TCARI与叶绿素含量主要呈对数或指数关系,而Vog1、Vog2和Vog3与叶绿素含量则主要表现为线性或对数关系。综合分析估算模型和检验模型的r2和RMSE,Vog1和Vog2估算精度略高于其它两个参数,并且它们对生长期敏感性较低。结合叶片的叶绿素含量变化幅度来看,当样本中叶绿素含量变化幅度较大时,Vog3可能有较好的估算效果。此外,为进一步阐明叶绿素含量与光谱参数的关系,以Vog1为例,绘制其最佳拟合曲线图,结果如图 2所示。

表3 叶绿素含量估算与验证模型 Table 3 Chlorophyll content estimation model and its validation
时间 Time叶绿素含量估算模型Estimation model/(μg/cm2) 验证模型 Validation Model
参数 Parameter模型 Model方程 Equationr2RMSE r2RMSE
所有估算模型和验证模型均通过置信水平为0.01的检验;T:训练样本,V:验证样本
2013-04-20TCARI线性y=-142.76x + 97.1980.639.580.668.08
(T =57,V =16) 对数y=-37.884ln(x) + 6.5930.629.650.628.69
 指数y=125.06e-3.049x0.729.660.649.56
Vog1线性y=84.753x-14.450.688.860.846.78
 对数y=75.259ln(x) + 70.9420.708.570.846.86
 指数y=13.987e1.599x0.6110.000.828.26
Vog2线性y=217.51x-32.0790.679.000.857.37
 对数y=93.148ln(x) + 141.010.698.800.857.10
 指数y=10.225e4.06x0.599.940.838.28
Vog3线性y=86.408x-64.9280.659.220.857.37
 对数y=123.96ln(x) + 15.0320.669.160.865.46
 指数y=4.764e1.714x0.6410.240.827.18
2013-07-20TCARI线性y=-188.52x + 103.710.81 6.47 0.84 6.06
(T=35,V=12) 对数y=-43.987ln(x)-6.710.86 5.67 0.83 7.29
 指数y=123.49e-3.262x0.83 5.85 0.85 6.39
Vog1线性y=118.02x-49.8830.87 5.37 0.90 4.73
 对数y=106.66ln(x) + 68.6340.85 5.72 0.91 4.36
 指数y=8.83e2.0217x0.87 5.14 0.87 5.99
Vog2线性y=301.74x-74.2930.88 5.27 0.91 4.46
 对数y=131.03ln(x) + 166.920.865.59 0.92 4.17
 指数y=5.812e5.1691x0.884.93 0.88 5.67
Vog3线性y=142.32x-147.10.78 6.94 0.83 6.73
 对数y=207.04ln(x)-17.2150.78 6.98 0.84 6.62
 指数y=1.707e2.423x0.78 7.15 0.79 7.55
图 2 基于Vog1叶绿素最佳估算模型 Fig. 2 The best chlorophyll content estimation model based on Vog1
2.3.2 叶绿素含量估算模型验证

表 3分析表明Vog1和Vog2能较高的估算秋茄叶绿素含量,且对生长期敏感性较低,并以Vog1为例获取最佳估算模型散点图。在此,利用验证样本对Vog1的估算精度进一步验证,结果如图 3所示。图 3可以看出,无论是2013年4月,还是7月,Vog1均能根据建立的模型对验证样本进行较好的预测。

图 3 基于Vog1叶绿素的预测模型 Fig. 3 Validation of models for chlorophyll content estimation based on Vog1
3 结论与讨论

(1)秋茄叶片反面反射率高于正面,尤其在绿光波段和近红外波段部分区域(1450—2450 nm)表现较为明显。产生这一现象的原因可能是叶片反面有较为发达的气孔组织,从而形成许多空腔,在此条件下,使得其具有更大的反射表面,最终导致叶片反面反射率高于正面反射率。

(2)本研究认为利用室内实测高光谱遥感数据估算秋茄叶片叶绿素含量时,以单位面积叶绿素含量表征时具有更好的估算精度。这一现象可以从辐射传输理论得到解释。一般认为,光线在叶片的消光作用分为散射和吸收,其分散和吸收程度与光线在叶片内通过的光程有关,而叶片表面的光泽又与单位面积内的散射吸收物质直接相关[21]。另一方面,不同叶片或同一叶片的不同部位,其叶片厚度也并非均质的,即使有叶片质量相同,但其表面积却不尽相同,从而使得单位质量叶绿素反演的精度受到影响。

(3)TCARI、Vog1、Vog2和Vog3可以较好的用于秋茄叶片叶绿素估算。之前学者尝试利用PROSPECT+SAIL模型,基于实测数据对各参数的叶片结构敏感性进行的探讨,研究结果证明Vog对叶片结构变化比较不敏感[1, 21]。本研究中Vog在估算秋茄叶片叶绿素时也得到类似的结论。TCARI虽然对秋茄叶片正反面光谱敏感,但其在不同季节,基于正面光谱其均有较高的估算精度。

(4)对于部分参数而言,利用高光谱遥感数据对其叶绿素进行估算时可以适当考虑反面光谱的应用。如大部分情况下,基于反面光谱计算的GM、Carter2和PSSRb对秋茄叶片叶绿素估算精度要高于基于正面光谱的。

(5)NDVI和MCRAI对秋茄叶片叶绿素含量估算的精度相对较低。这主要是因为它们对叶片结构较为敏感,且具有易饱和的特点,在叶绿素高于40 μg时,线性关系消失[21]

(6)本研究主要是基于室内实测光谱进行秋茄叶绿素估算得到的初步结果。但在实际工作中利用遥感数据对秋茄叶绿素进行估算时,其还受到叶片角度、冠层结构和土壤背景等的影响,且光谱在大气传输中也会一定程度受到影响。因此,所得的结果还有待进一步验证。

参考文献
[1] Yan C Y, Niu Z, Wang J H, Liu Y L, Huang W J. The assessment of spectral indices applied in chlorophyll content retrieval and a modified crop canopy chlorophyll content retrieval model. Journal of Remote Sensing, 2005, 9(6): 742-750.
[2] Meng Q Y, Dong H, Qin Q M, Wang J L, Zhao J H. MTCARI: A kind of vegetation index monitoring vegetation leaf chlorophyll content based on hyperspectral remote sensing. Spectroscopy and Spectral Analysis, 2012, 32(8): 2218-2222.
[3] Wang X Z. The Study on Spectral Remote Sensing Estimation Models about Bio-physical and Bio-chemical Parameters of Rice [D]. Hangzhou: Zhejiang University, 2001.
[4] Zarco-Tejada P J, Miller J R, Mohammed G H, Noland T L, Sampson P H. Canopy optical indices from infinite reflectance and canopy reflectance models for forest condition monitoring: application to hyperspectral CASI data // Proceedings of the IEEE 1999 International Geoscience and Remote Sensing Symposium. Hamburg: IEEE, 1999: 1878-1881.
[5] Zarco-Tejada P J, Morales A, Testi L, Villalobos F J. Spatio-temporal patterns of chlorophyll fluorescence and physiological and structural indices acquired from hyperspectral imagery as compared with carbon fluxes measured with eddy covariance. Remote Sensing of Environment, 2013, 133: 102-115.
[6] Boegh E, Houborg R, Bienkowski J F, Braban C F, Dalgaard T, Van Dijk N, Dragosits U, Holmes E, Magliulo V, Schelde K, Di Tommasi P, Vitale L, Theobald M R, Cellier P, Sutton M. Remote sensing of LAI, chlorophyll and leaf nitrogen pools of crop-and grasslands in five European landscapes. Biogeosciences Discussions, 2012, 9(8): 10149-10205.
[7] Zarco-Tejada PJ, Miller J R, Morales A, Berjón A, Agüera J. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops. Remote Sensing of Environment, 2004, 90(4): 463-476.
[8] Zhang X Z, Zheng G Q, Dai Y B, Li G Q, Hu F. Estimation models of summer maize leaf pigment content based on canopy reflectance spectra. Journal of Maize Sciences, 2010, 18(6): 55-60.
[9] Zhao G F, Li J, Liu B F, Tahir M N. Monitoring model of leaf nitrogen content of winter wheat in guanzhong district by hyperspectral remote sensing. Journal of Triticeae Crops, 2012, 32(3): 530-536.
[10] Williams G J. Estimating Chlorophyll Content in a Mangrove Forest Using a Neighbourhood Based Inversion Approach [D]. Enschede: University of Twente, 2012.
[11] Liu J Q. Research of Minjiang River Estuary wetland. Beijing: Science Press, 2006.
[12] Zou Q. Experiment Guidance of Plant Physiology. Beijng: China Agriculture Press, 2000.
[13] Vogelmann J, Rock B, Moss D. Red edge spectral measurements from sugar maple leaves. International Journal of Remote Sensing, 1993, 14(8): 1563-1575.
[14] Gitelson A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing, 1997, 18(12): 2691-2697.
[15] Blackburn G A. Spectral indices for estimating photosynthetic pigment concentrations: a test using senescent tree leaves. International Journal of Remote Sensing, 1998, 19(4): 657-675.
[16] Carter G A. Ratios of leaf reflectances in narrow wavebands as indicators of plant stress. International Journal Remote Sensing, 1994, 15(3): 697-703.
[17] Lichtenthaler H K, Gitelson A, Lang M. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements. Journal of Plant Physiology, 1996, 148(3/4): 483-493.
[18] Daughtry C S T, Walthall C L, Kim M S, De Colstoun E B, McMurtrey J E III. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment, 2000, 74(2): 229-239.
[19] Peuelas J, Gamon J A, Fredeen A L, Merino J, Field C B. Reflectance indices associated with physiological changes in nitrogen-and water-limited sunflower leaves. Remote Sensing of Environment, 1994, 48(2): 135-146.
[20] Gamon J A, Serrano L, Surfus J S. The photochemical reflectance index: an optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. Oecologia, 1997, 112(4): 492-501.
[21] Niu Z, Wang C Y. Remote Sensing Applications for Carbon Cycle. Beijing: Science Press, 2008.
[1] 颜春燕, 牛铮, 王纪华, 刘良云, 黄文江. 光谱指数用于叶绿素含量提取的评价及一种改进的农作物冠层叶绿素含量提取模型. 遥感学报, 2005, 9(6): 742-750.
[2] 孟庆野, 董恒, 秦其明, 王金梁, 赵江华. 基于高光谱遥感监测植被叶绿素含量的一种植被指数 MTCARI. 光谱学与光谱分析, 2012, 32(8): 2218-2222.
[3] 王秀珍. 水稻生物物理与生物化学参数的光谱遥感估算模型研究 [D]. 杭州: 浙江大学, 2001.
[8] 张学治, 郑国清, 戴廷波, 李国强, 胡峰. 基于冠层反射光谱的夏玉米叶片色素含量估算模型研究. 玉米科学, 2010, 18(6): 55-60.
[9] 赵刚峰, 李军, 刘冰峰, Tahir M N. 关中冬小麦叶片氮素含量高光谱遥感监测模型. 麦类作物学报, 2012, 32(3): 530-536.
[11] 刘剑秋. 闽江河口湿地研究. 北京: 科学出版社, 2006.
[12] 邹琦. 植物生理学实验指导. 北京: 中国农业出版社, 2000.
[21] 牛铮, 王长耀. 碳循环遥感基础与应用. 北京: 科学出版社, 2008.