0 引 言
水分影响植物光合作用、呼吸作用和生物量，水分短缺将直接影响植物生理生化过程与形态结构，进而影响冬小麦产量与品质[1]。冬小麦及其内部生化组分具有光谱特性，缺水时叶片的症状反映更加明显，会引起叶片颜色、厚度以及形态结构等一系列变化，进而引起光谱反射特性的变化，这使得冬小麦植株含水率光谱监测成为可能[2-3]。相比传统冬小麦水分监测诊断方法，高光谱的信息获取量更大且省时省力[4]，可为现代农业精准灌溉提供重要支撑。
很多国内外学者对作物含水率与叶片反射率、作物含水率与冠层光谱反射率之间的关系做了大量的研究，分析了上述指标之间的相关性，并且建立了作物含水率的估算模型。韩刚[5]研究了冬小麦植株水分及冠层反射光谱，指出冬小麦在780～805 nm的光谱反射率可表征植株水分变化状况。González等[6]采用连续体去除变量法，对1200、1450和1950 nm区间的吸收特征面积和最大吸收深度和葡萄叶片等效水厚度进行了相关性计算，并指出1450 nm的吸收特征面积可用于葡萄藤水分监测。王纪华等[7]利用美国ASD地物光谱仪，在室内2台500 W溴钨灯光照射下对小麦叶片进行光谱测量，提出一种利用光谱反射率诊断小麦叶片水分状况的方法。田永超等[8]针对小麦冠层叶片和植株含水率监测提出了相应光谱指数R（610,560）、（R810-R610）/（R810+R610）和R（610,560）/ND（810,610），发现三类光谱指数均与小麦水分参数呈极显著线性相关。刘小军等[9]提出了用于水稻叶片含水率定量监测的光谱指数RSI（R1402,R2272）和NDSI（R1402,R2272）。Bandyopadhyay等[10]在研究小麦不同灌溉水平时描述了5个等级的胁迫程度，并指出归一化的水分指数及水分指数对小麦含水率预测效果最佳。Das等[11]通过分析10种不同品种小麦的超光谱数据和相对含水率的相关性，发现估测小麦相对含水率的最佳光谱指数为RSI（R1391,R1830）和NDSI（R1391,R1830）。Dangwal等[12]研究发现，地表湿润指数水分胁迫因子（Ws_LSWI）是检测小麦水胁迫的较好指标。
综上所述，目前国内外对作物植被反射光谱与叶片及植株含水率之间的定量关系已经有了一定的认识，但针对冬小麦在这些定量关系的稳定性还有待验证，仍需要进一步开展试验研究获取监测效果以及稳定性较好的同时能降低背景等噪声影响的光谱参数模型。为此，利用325～1075 nm波段高光谱采样数据，分析不同生育期不同水分条件下的冬小麦冠层光谱变化特点，筛选冬小麦水分光谱敏感波段，构建冬小麦水分状况诊断模型，从而为建立冬小麦水分状况监测模型和监测技术提供理论基础和技术途径。
1 材料与方法
1.1 试验区概况
试验于2017年3—6月在北京市大兴区东研垡乡试验基地进行。该地位于华北平原中部，地处太行山东麓，属于大型冲洪积扇及山前冲洪积倾斜平原区，地势总体上由西北向东南倾斜，表层土质以轻壤土和砂壤土为主。试验区属于半干旱大陆性暖湿季风气候，多年平均气温12.1℃，多年平均风速1.2 m/s，以东北风和西北风为主要风向，多年平均降雨量为540 mm。表层土壤上冻期平均从每年的12月10日到次年3月初，最大冻土深约50 cm（2月）。全年大于10℃的有效积温为4730℃，分布在2月22日—12月4日，共285 d内。无霜期平均为185 d，全年日照时间为2600 h，年平均水面蒸发量在1800 mm以上。该区光热资源丰富，适合多种作物生长，包括小麦、玉米等。
1.2 试验设计
供试冬小麦品种为京冬22，试验设置3个灌溉水平，分别为W1（60 mm）、W2（180 mm）、W3（240 mm），其中W2（180 mm）为与当地情况一致的正常灌水量。小区面积为56 m2（8 m×7 m），随机区组排列，每个处理3个重复，其他管理措施与当地情况一致。
1.3 测定指标与方法
1.3.1 冠层光谱的测量
自冬小麦返青期至成熟期，每4～7 d采样1次。采用Field-Spec HandHeld2型（美国，ASD）手持式野外高光谱辐射测量仪对冬小麦冠层光谱反射率进行采集。冠层光谱反射率在天气晴朗、无风时测量，适宜时间为每天10:00—14:00。测量时传感器探头垂直向下，距冠层顶部垂直高度约20～30 cm。每小区选取3个代表性点进行测量，取其均值作为该小区的冠层光谱反射率。测量过程中，采用标准白板不断校正，以减小测定误差。
1.3.2 植株含水率测量
与冠层光谱的测量同时开展，采集的冬小麦样本，采用烘干法测其含水率。
2 结果与分析
2.1 不同水分处理植株冠层光谱的变化规律
图1为冬小麦不同生育期不同水分处理下植株含水率。由于冬小麦在返青-拔节期不同水分处理间的植株含水率无明显差异，故不对冬小麦生育初期进行水分监测分析。冬小麦拔节—抽穗期、抽穗—灌浆期、灌浆—成熟期不同水分条件下的冠层光谱特征曲线见图2。由图2可知，不同生育期不同水分处理下，冬小麦冠层光谱曲线形状大体相似，冬小麦冠层光谱曲线存在明显的吸收谷和反射峰:350～500 nm（吸收谷），520～600 nm（反射峰），650～710 nm（吸收谷），在近红外区域的750～1000 nm（反射峰）。在400～500 nm的蓝紫光波段与600～700 nm的红光波段，由于叶绿素强烈吸收辐射能进行光合作用而形成2个吸收谷，其中蓝紫谷为光谱在蓝紫波段的最小值，红谷为反射光谱在红光波段的反射率最小值。在这2个吸收谷之间，即绿光波段，吸收较少，形成反射峰。700 nm后进入近红外波段，反射率急剧增加，形成1个高反射平台。且随着冬小麦生育期的推进，冬小麦冠层光谱曲线520～600 nm的反射峰与650～710 nm的吸收谷呈逐渐上升趋势，同时近红外区域的750～1000 nm反射峰值逐渐降低。
由图2（a）、图2（b）可知，冬小麦冠层光谱反射率在750～1075 nm近红外反射平台随植株含水率的增大呈上升趋势，这与贾雯晴[13]的研究结果一致；在350～750 nm的可见光区域随植株含水率的增大而降低（图2（c））。综合来看，冬小麦冠层光谱650～710 nm吸收谷与750～1075 nm近红外反射平台的反射率在不同水分处理间有明显差异，且植株含水率较高时750～1075 nm近红外反射平台可较好地反映冬小麦水分变化状况，植株含水率较低时冬小麦水分状况则与650～710 nm吸收谷相关。这也表明650～710 nm、750～1075 nm与冬小麦植株含水率密切相关。
图1 冬小麦不同生育期不同水分处理下植株含水率
图2 不同水分条件下冬小麦冠层光谱特征曲线
2.2 冬小麦水分光谱敏感波段筛选
分析不同生育期冬小麦冠层光谱反射率与冬小麦植株含水率相关性可知（图3），不同生育期冠层光谱反射率与植株含水率相关系数曲线变化趋势基本一致，相关系数曲线变化特征在拔节—抽穗期不明显，随生育期推进高相关度波谷（波峰）逐渐明显。每条相关系数曲线在可见光波段（350～750 nm）存在2个最小值波谷且2个波谷之间都存在1个波峰，在近红外波段（750～1075 nm）存在1个最大值波峰。综合对比不同生育期冬小麦冠层光谱反射率与冬小麦植株含水率相关性在可见光波段2个最小值波谷与近红外波段最大值波峰可知，冬小麦植株含水率最敏感波段位于可见光波段660～700 nm的波谷以及近红外波段740～780 nm的波峰附近。通过对比筛选可知，660～780 nm波段内661 nm与771 nm波长处光谱反射率与植株含水率在冬小麦主要生育期相关度最佳（表1），因此，661、771 nm可用于冬小麦整个生育期冬小麦植株水分状况的监测。
图3 不同生育期冬小麦植株含水率与原始光谱反射率相关系数曲线
表1 冬小麦各生育期661、771 nm与植株含水率相关系数
生育期拔节—抽穗期抽穗—灌浆期灌浆—乳熟期全生育期661 nm 0.1943-0.7906-0.7132-0.7277 771 nm 0.3777 0.4747 0.6136 0.7957
2.3 冬小麦植株含水率光谱监测
2.3.1 基于光谱参数模型水分监测
本研究以光谱特征参数和己见报道的水分植被指数共计29个光谱参数为基础（表2），通过对拔节—成熟期试验中获得冬小麦植株含水率与冠层光谱参数进行相关性分析，优选出相关度最佳的5个光谱参数，其在不同生育期的相关系数见表3。
表2 采用水分光谱参数
类型光谱特征参数光谱植被指数光谱参数绿峰幅值Rg红谷幅值Rr(Rg-Rr)/(Rg+Rr)Rg/Rr红谷偏度Sr红谷峰度kr绿峰偏度Sg绿峰峰度kg Sg/Sr kg/kr(Sg-Sr)/(Sg+Sr)(kg-kr)/(kg+kr)depth670 Area670 ND670 WBI1 WBI2 WI1 WI2 R(810，460)NDVI(895，675)NDCI NWI-1 R(610，560)/ND(810，610)WI/NDVI VARI最优土壤调节光谱指数OSAVI土壤调节植被指数SAVI CCCI定义与算法绿光范围510～560 nm内的最大波段反射率红光范围640～680 nm内的最小波段反射率绿峰反射率与红谷反射率归一化值绿峰反射率与红谷反射率的比值波长640～680 nm范围内波段反射率的偏度波长640～680 nm范围内波段反射率的峰度波长510～560 nm范围内波段反射率的偏度波长510～560 nm范围内波段反射率的峰度绿峰偏度(Sg)与红谷偏度(Sr)的比值绿峰峰度(kg)与红谷峰度(kr)的比值绿峰偏度(Sg)与红谷偏度(Sr)的归一化值绿峰峰度(kg)与红谷峰度(kr)的归一化值植被在670 nm处的吸收深度植被在560～760 nm光谱范围内包络线与光谱反射率之间的面积植被在670 mn处的归一化吸收深度,为吸收深度与面积的比值R900/R970 R900/R950 R970/R900 R950/R900 R810/R460(R895-R675)/(R895+R675)(R762−R527)/(R762+R527)(R970-R900)/(R970+R900)(R610/R560)/[(R810-R610)/(R810+R610)(R900/R970)/[(R900-R680)/(R900+R680)](R555-R645)/(R555+R645-R469)[(1+0.16)(R800-R670)]/(R800+R670+0.16)]1.5×(R870-R680)/(R870+R680+0.5)[(R780-R720)/(R780+R720)]/[(R780-R670)/(R780+R670)]参考文献[14][14][14][14][15][15][15][15][15][15][15][15][16][16][16][17][18][17][18][19][20][21][6][12][22][23][24][25][26]
表3 冬小麦不同生育期光谱参数与植株含水率相关系数
光谱参数最优土壤调节光谱指数OSAVI土壤调节植被指数SAVI Rg/Rr R(610，560)/ND(810，610)VARI=(R555-R645)/(R555+R645-R469)拔节—抽穗期0.3517 0.3799 0.2391-0.2336 0.3454抽穗—灌浆期0.6758 0.5175 0.8684-0.8658 0.9181灌浆—成熟期0.9014 0.8968 0.8372-0.8962 0.9066全生育期0.9094 0.9261 0.9072-0.8401 0.9255
表4为冬小麦不同生育期植株含水率与光谱参数模型的拟合情况。由表4可知，拔节—抽穗期基于土壤调节植被指数SAVI建立的水分监测模型具有较好的拟合精度与较小的误差，决定系数R2、平均绝对误差MAE和均方根误差RMSE分别为0.9003、0.0179、0.0233；抽穗—灌浆期、灌浆—成熟期基于VARI建立的水分监测模型具有较好的拟合精度与较小的误差，决定系数R2、平均绝对误差MAE和均方根误差RMSE分别为0.9890、0.0095、0.0154与0.9904、0.0242、0.0330。且在5个光谱参数中最优土壤调节光谱指数OSAVI在冬小麦全生育期与植株含水率拟合最佳，决定系数R2、平均绝对误差MAE和均方根误差RMSE分别为0.9609、0.0331、0.0408。
表4 冬小麦不同生育期植株含水率光谱参数模型拟合与验证
生育期验证模型R2拔节—抽穗期抽穗—灌浆期灌浆—成熟期全生育期拟合模型光谱参数最优土壤调节光谱指数OSAVI土壤调节植被指数SAVI Rg/Rr R(610，560)/ND(810，610)VARI=(R555-R645)/(R555+R645-R469)最优土壤调节光谱指数OSAVI土壤调节植被指数SAVI Rg/Rr R(610，560)/ND(810，610)VARI=(R555-R645)/(R555+R645-R469)最优土壤调节光谱指数OSAVI土壤调节植被指数SAVI Rg/Rr R(610，560)/ND(810，610)VARI=(R555-R645)/(R555+R645-R469)最优土壤调节光谱指数OSAVI土壤调节植被指数SAVI Rg/Rr R(610，560)/ND(810，610)VARI=(R555-R645)/(R555+R645-R469)拟合方程y=-7.7275x2+12.731x-4.4851 y=-3.1207x2+4.4956x-0.86 y=-0.032x2+0.1912x+0.4746 y=-1.0872x2+1.4001x+0.3075 y=-0.5872x2+0.7801x+0.5084 y=-1.7856x2+4.1533x-1.4526 y=10.504x2-12.034x+4.0568 y=-0.2524x2+1.2146x-0.727 y=-1.2269x2+1.3589x+0.4096 y=-2.6204x2+2.7652x+0.0151 y=0.1887ln(x)+0.6272 y=0.2272ln(x)+0.6815 y=-0.2257x2+0.699x+0.0225 y=-0.159ln(x)+0.5717 y=-0.0865x2+0.3409x+0.491 y=1.3418x2-0.815x+0.5212 y=0.2543e1.500 8x y=-0.0523x2+0.3666x+0.1635 y=0.6277x-0.471 y=0.4867e0.871 6x 0.8976 0.9003 0.8877 0.8871 0.8938 0.9582 0.9446 0.9824 0.9812 0.9890 0.9902 0.9900 0.9879 0.9900 0.9904 0.9609 0.9405 0.9477 0.9453 0.9457 MAE 0.0181 0.0179 0.0176 0.0178 0.0180 0.0190 0.0230 0.0110 0.0114 0.0095 0.0261 0.0277 0.0288 0.0257 0.0242 0.0331 0.0398 0.0349 0.0380 0.0338 RMSE 0.0236 0.0233 0.0247 0.0248 0.0240 0.0299 0.0344 0.0194 0.0201 0.0154 0.0334 0.0336 0.0370 0.0337 0.0330 0.0408 0.0504 0.0472 0.0482 0.0481
2.3.2 基于敏感波段模型水分监测
1)敏感波段逐步回归模型水分监测
由上文分析可知，冬小麦冠层光谱中661 nm和771 nm为对冬小麦植株含水率最为敏感的波段。利用SPSS软件建立冬小麦冠层光谱661、771 nm反射率与植株含水率的逐步回归模型，结果如表5所示。由表5可知，敏感波段逐步回归模型在冬小麦不同生育期的决定系数R2均大于0.86且平均绝对误差MAE和均方根误差RMSE均不超过0.06，因此敏感波段逐步回归模型在冬小麦不同生育期监测冬小麦植株含水率效果较好。
表5 不同生育期敏感波段逐步回归模型拟合与验证
生育期拔节—抽穗期抽穗—灌浆期灌浆—成熟期全生育期逐步回归模型验证模型R2 y=0.421-1.632R661+0.719R7710.8681 0.9502 0.9703 0.9371 MAE 0.0347 0.0225 0.0466 0.0413 RMSE 0.0434 0.0349 0.0596 0.0517
2）敏感波段二次回归模型水分监测
由表1可知，冬小麦冠层光谱敏感波段771 nm相比661 nm在冬小麦不同生育期与植株含水率相关更为密切。基于冬小麦冠层光谱771 nm反射率建立冬小麦不同生育期二次回归水分监测模型，如表6所示。由表6可知，敏感波段二次回归水分监测模型在冬小麦不同生育期决定系数R2均大于0.89且平均绝对误差MAE和均方根误差RMSE均不超过0.07，可知二次回归水分监测模型在不同生育期模型拟合精度较好且误差小可用于监测冬小麦植株含水率。
表6 不同生育期敏感波段二次回归模型拟合与验证
生育期拔节—抽穗期抽穗—灌浆期灌浆—成熟期全生育期二次回归模型y=-1.1281x2+1.2331x+0.4256 y=11.21x2-7.7625x+1.9566 y=-6.5911x2+4.8739x-0.3688 y=-2.171x2+3.0123x-0.2023验证模型R20.8988 0.9410 0.9708 0.8988 MAE 0.0184 0.0242 0.0458 0.0480 RMSE 0.0235 0.0355 0.0575 0.0656
3 讨论
研究发现，冬小麦植株含水率随生育期的推进而减少，且不同水分处理间均随水分处理梯度的高低而增减。不同水分处理下冬小麦冠层光谱有明显差异:在可以见光波段(350～750 nm)，冠层光谱反射率随植株含水率的增大而降低；在近红外波段平台区域(750～1075 nm)冠层光谱反射率随植株含水率的增加而升高，这与前人的研究结果吻合[5]。敏感波段661 nm位于可见光红光区域叶绿素最强吸收光谱带，冬小麦植株含水率的增加促进作物的光合作用、光周期反应以及叶绿素的生物合成，使得661 nm波段冠层光谱反射率随植株含水率增加而降低；敏感波段771 nm位于近红外区域，由于植物叶片海绵状叶肉细胞对近红外光谱的强反射以及多层叶片对近红外光谱的加性反射，使植物在红光吸收带后反射率迅速上升，形成独特的近红外反射率平台，在近红外波段，冬小麦健康旺盛、植株含水率越高冠层植被反射率越高，但冬小麦植株含水率过低时近红外区域的反射率反而会增大，这与前人研究结果[27-28]一致。探索新的简单而可靠的光谱指数一直是光谱监测在农业遥感领域应用的重点和难点。兹筛选出反映小麦水分状况的光谱参数与敏感波段，并建立了基于敏感波段661、771 nm的回归模型，2种模型检验的决定系数均达到0.85以上。光谱参数包含多个波段信息、减少了背景等噪音的影响，因而在冬小麦不同生育时期对冬小麦植株含水率的监测效果更佳，稳定性更好。同时，661、771 nm均位于卫星遥感波段范围内，因此有利于将水分监测模型推广至区域上的冬小麦水分监测研究。兹推荐水分监测光谱参数模型均含有661 nm及771 nm附近波段，但在利用光谱技术监测冬小麦植株含水率时还需同时考虑光谱参数与敏感波段建立模型，以提高模型预测精度。
4 结论
1）冬小麦同一时期不同水分条件下的冠层光谱特征曲线大体一致，冬小麦拔节—抽穗期、抽穗—灌浆期冠层光谱反射率在750～1075 nm近红外反射平台随植株含水率的增大呈上升趋势；冬小麦灌浆—成熟期冠层光谱反射率在350～750 nm的可见光区域随植株含水率的增大而降低。
2）冬小麦冠层光谱650～710 nm吸收谷、750～1075 nm近红外反射平台与植株含水率密切相关。650～775 nm波段为冬小麦植株水分敏感波段，且661、771 nm处冠层光谱反射率与冬小麦植株含水率相关度最佳，因此可用于冬小麦整个生育期的水分状况估测。
3）在冬小麦不同生育期对植株含水率的监测，光谱参数模型相比敏感波段回归模型更为精确，拔节—抽穗期基于土壤调节植被指数SAVI建立的水分监测模型具有较好的拟合精度与误差；抽穗—灌浆期、灌浆—成熟期基于VARI建立的水分监测模型具有较好的拟合精度与误差。且在5个光谱参数中土壤调节光谱指数OSAVI在冬小麦全生育期与植株含水率拟合最佳。
[1]和刚，路振广，邱新强，等.不同水分调亏下冬小麦适宜灌水定额研究[J].灌溉排水学报，2016，35(9):65-69.
[2]周学秋，朱雨杰，严衍禄.生育阶段小麦冠层的反射光谱特征及其模糊聚类的研究[J].激光生物学,1996(3):870-873.
[3]BATTEN G D.Plant analysis using near infrared reflectance spectroscopy:the potential and the limitations[J].Australian Journal of Experimental Agriculture,1998,38(7):697.
[4]刘志刚，徐勤超.基于高光谱技术的基质含水率快速测定方法[J].灌溉排水学报，2017，36(10):82-86.
[5]韩刚.基于高光谱的小麦植株水分状况监测研究[D].南京:南京农业大学，2011.
[6]GONZALEZ-FERNANDEZ A B,ROGRIGUEZ-PEREZ J R,MARCELO V,et al.Using field spectrometry and a plant probe accessory to determine leaf water content in commercial vineyards[J].Agricultural Water Management,2015,156:43-50.
[7]王纪华，赵春江，郭晓维，等.用光谱反射率诊断小麦叶片水分状况的研究[J].中国农业科学，2001，34(1):104-107.
[8]田永超，朱艳，曹卫星，等.小麦冠层反射光谱与植株水分状况的关系[J].应用生态学报，2004，15(11):2072-2076.
[9]刘小军，田永超，姚霞，等.基于高光谱的水稻叶片含水量监测研究[J].中国农业科学，2012，45(3):435-442.
[10]BANDYOPADHYAY K K,PRADHAN S,SAHOO R N,et al.Characterization of water stress and prediction of yield of wheat using spectral indices under varied water and nitrogen management practices[J].Agricultural Water Management,2014,146:115-123.
[11]DAS B,SAHOO R N,KRISHNA G,et al.Wheat phenomics through hyper-spectral remote sensing for water deficit stress[C]//International Plant Physiology Congress,2015.
[12]DANGWAL N,PATEL N R,KUMARI M,et al.Monitoring of water stress in wheat using multispectral indices derived from landsat-tm[J].Geocarto International,2016,31(6):682-693.
[13]贾雯晴.基于高光谱的小麦水分状况监测研究[D].南京:南京农业大学，2013.
[14]贺佳.冬小麦不同生育时期生态生理参数的高光谱遥感监测模型[D].杨凌:西北农林科技大学，2015.
[15]姚付启.冬小麦高光谱特征及其生理生态参数估算模型研究[D].杨凌:西北农林科技大学，2012.
[16]蒋桂英.新疆棉花主要栽培生理指标的高光谱定量提取与应用研究[D].长沙:湖南农业大学，2004.
[17]PENUELAS J,GAMON J A,FREDEEN A L,et al.Reflectance indices associated with physiological changes in nitrogen-and water-limited sunflower leaves[J].Remote Sensing of Environment,1994,48(2):135-146.
[18]INOUE Y,MORINAGAS,SHIBAYAMAM.Non-destructive estimation of water status on intact crop leaves based on spectral reflectance measurements[J].Japanese Journal of Crop Science,2008,62(3):462-469.
[19]田永超，曹卫星，姜东，等.不同水氮条件下水稻冠层反射光谱与植株含水率的定量关系[J].植物生态学报，2005，29(2):318-323.
[20]SERRANO L.Deriving water content of chaparral vegetation from aviris data[J].Remote Sensing of Environment,2000,74(3):570-581.
[21]MARSHAK A,KNYAZIKHIN Y,DAVIS A B,et al.Cloud-vegetation interaction:use of normalized difference cloud index for estimation of cloud optical thickness[J].Geophysical Research Letters,2000,27(12):1695-1698.
[22]PENUELAS J,INOUE Y.Reflectance indices indicative of changes in water and pigment contents of peanut and wheat leaves[J].Photosynthetica,1999,36(3):355-360.
[23]SCHNEIDER P,ROBERTS D A,KYRIAKIDIS P C.A vari-based relative greenness from modis data for computing the fire potential index[J].Remote Sensing of Environment,2008,112(3):1151-1167.
[24]RONDEAUX G,STEVEN M,BARET F.Optimization of soil-adjusted vegetation indices[J].Remote Sensing of Environment,1996,55(2):95-107.
[25]HUETEAR.Asoil-adjusted vegetation index(savi)[J].Remote Sensing of Environment,1988,25(3):295-309.
[26]BARNES E M,CLARKE T R,RICHARDS S E,et al.Coincident detection of crop water stress,nitrogen status and canopy density using ground-based multispectral data[C]//Madison:International Conference on PrecisionAgriculture and Other Resource Management,2000.
[27]李合生.现代植物生理学(第2版)[M].北京:高等教育出版社，2006:151.
[28]梁亮.小麦冠层理化参量的高光谱反演[D].长沙:中南大学，2010.