探讨草地群落光谱特征与养分含量的关系， 可为采用高光谱技术诊断草地群落营养状况， 对推进快速无损检测技术应用于草地施肥管理具有重要意义。 以黄土丘陵区典型草地群落， 白羊草（Bothriochloa ischaemum）群落为研究对象， 设置4个氮添加（0、 25、 50和100 kg N·ha-1·yr-1）和4个磷添加(0、 20、 40和80 kg P2O5·ha-1·yr-1)处理。 基于群落冠层光谱和群落氮磷养分含量测定， 结合红边区域内一阶导数处理， 在植被指数、 特征波段和红边参数组成的18个光谱特征参数中， 采用逐步回归方法（SWR）筛选出对白羊草群落氮磷含量及氮磷比敏感的光谱特征参数， 并建立反演模型对草地群落地上部分全氮含量和地上部分全磷含量及其比值进行估测。 结果表明: 白羊草群落氮磷含量随施氮量增加而增加， 氮磷比随施磷量增加而减少; 氮磷添加下光谱反射率在可见光波段与施肥量成反比， 近红外波段与施肥量成正比， 红边区域内一阶导数的“双峰现象”受氮磷添加影响显著; 一些对草地群落氮磷含量较敏感的光谱特征对氮磷含量及氮磷比估测起重要作用， 其中三波段光谱指数(TBSI), R910和红边幅值(AMP)对氮含量的估测模型有极大贡献（R2=0.87, F=18.8***）， 而磷含量估测中差值植被指数(DVI), 修正红边简比率指数(mSR705), R430, R660和AMP对模型贡献明显（R2=0.91, F=20.51***）， Slope725对氮磷比的估测模型贡献最大（R2=0.54, F=5.14***）。 该研究运用高光谱技术实现对白羊草群落养分含量的快速精准估测， 在氮磷含量及其比值与光谱特征参数存在显著相关性的基础上， 成功筛选出建立模型精度最高的参数组合， 为大面积监测氮磷添加后草地养分含量方法和参数选择奠定了基础。

通过模拟高光谱遥感器通道中心波长漂移前后的典型植被红边区间反射率，定量分析通道中心波长漂移对红边光谱的影响。结果表明，通道中心波长漂移导致植被红边区间反射率曲线出现多处尖峰、抖动，使植被反射率曲线在本不具有特征吸收的区域变得不光滑，并与红边位置误差呈显著线性关系，决定系数R²达到0.99。10 nm分辨率的高光谱遥感器，存在1，3，5 nm的通道中心波长漂移量时，给植被红边区间反射率造成的最大误差分别为1.46%、4.49%和9.57%，所获取的植被红边将分别“蓝移”0.75，2.60，5.52 nm。通道中心波长漂移会导致红边伪漂移，或对植被受胁迫引发的红边漂移造成“掩盖”或“强化”效应，进而影响基于高光谱遥感数据的植被受胁迫状态等指标的监测精度。高光谱遥感器通道中心波长漂移是红边漂移不可忽视的来源，精确的光谱定标是植被红边光谱相关定量化应用的重要基础。

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能, 及时、 准确地估算叶绿素含量对于农作物长势、 养分含量监测、 品质评价和产量估算具有重要意义。 Sentinel-2卫星的重访周期为5 d, 空间分辨率为10 m, 具有13个光谱波段, 其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段, 是叶绿素含量估算的理想数据源。 植被指数是基于农作物在不同波段的反射特性, 通过不同波段组合方式刻画长势和叶绿素含量的差异, 可用于大区域范围内的玉米冠层叶绿素含量快速、 精确估算。 以Sentinel-2A影像为数据源, 开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。 课题组于2016年8月6—11日在河北省保定市（115°29′—116°14′E, 39°5′—39°35′N）进行玉米冠层叶绿素含量的实地测量, 并在每个采样位置上采用中绘i80 智能RTK(real-time kinematic)测量系统进行定位。 Sentinel-2A影像预处理工作包括几何校正、 辐射定标和大气校正, 其中大气校正使用Sen2Cor模型和SNAP模型。 首先, 基于预处理后的Sentinel-2A遥感影像, 分别计算CIgreen(green chlorophyll index), CIred-edge(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。 然后, 建立样方位置上实测叶绿素含量与各植被指数的统计关系, 从而构建玉米冠层叶绿素含量估算模型, 并以野外实测玉米冠层叶绿素含量为依据, 对基于各植被指数的估算结果进行精度评价。 最后, 利用筛选出的最优叶绿素含量估算模型, 估算研究区内的玉米冠层叶绿素含量。 研究的目标为: （1）通过比较分析, 构建合适的玉米冠层叶绿素含量估算模型, 估算精度以决定系数R2、 均方根误差RMSE以及相对误差RE作为评价指标; （2）确定最优波段组合方案: 在红边波段中选择与可见光、 近红外波段组合效果更优的波段组合方案; （3）确定参与植被指数计算的红边波段的最优数量。 精度评价结果表明: （1）选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系, 其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果; 红边波段引入后明显提高了可见光、 近红外波段对叶绿素含量的拟合的精度, CIgreen(560, 705)指数比CIgreen(560, 842)的回归模型R2提高0.516, 红边波段参与计算的DVI相对于RVI来说, 估算结果更稳定。 （2）对于不同的植被指数, 参与运算的Sentinel-2A影像的两个红边波段, 估算精度的提高程度不同。 对于可见光波段参与计算的植被指数来说, 在红边波段1（中心波长为705 nm）的估算精度较高, 如LCI, CIgreen, DVI和RVI等; 对于近红外波段参与计算的植被指数来说, 在红边波段2（中心波长为740 nm）的估算精度较高, 如CIred-edge, NDRE和NAVI等。 （3）对于Sentinel-2A影像来说, 两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。 选用的植被指数中, MTCI(665, 705, 740)指数与玉米冠层叶绿素含量估算精度最高, 回归模型拟合精度R2为0.803, 模型验证R2为0.665, RMSE为3.185, 相对误差RE为4.819%。 MTCI(665, 705, 740)指数计算中使用了两个红边波段, 突出红边波段反射率差值变化, 与玉米冠层叶绿素含量表现出很好的相关性。 最后, 利用优选出的基于MTCI指数的叶绿素含量估算模型, 对研究区范围内的叶绿素含量进行估算并完成空间制图。

荒漠地区由于气候干燥, 降水稀少, 水分常成为制约植被生长的因素之一, 水分胁迫对植物长势和产量的影响比任何其他胁迫都要大。 随着高光谱技术的发展, 国内外已有众多学者利用高光谱数据研究植被遭受胁迫作用, 然而这些研究对象多集中于甜菜、 棉花、 玉米、 水稻等作物, 针对干旱区盐生植被遭受胁迫作用的研究较少。 梭梭作为荒漠、 半荒漠地区的典型盐生植被之一, 具有极高的经济和生态效益。 选择梭梭作为研究对象, 培育一年生梭梭, 并设置三个水分梯度, 形成受不同水分量胁迫的梭梭。 使用原始光谱、 红边位置参数, 结合植被指数及二维相关光谱研究其叶片光谱特征, 为干旱区利用高光谱遥感监测盐生植被提供借鉴。 结果表明: （1）分析梭梭叶片反射光谱曲线发现, 在可见光至中红外各波段范围内, 受不同水分量胁迫作用的梭梭叶片光谱反射率有显著差异。 在可见光（350～610 nm）波段, 各水分处理的梭梭叶片反射率依次为100 mL>500 mL>200 mL, 这是由于100和200 mL水分促进梭梭内部叶绿素合成, 使该波段反射率降低, 而过多的水分（500 mL）对梭梭内部的叶绿素合成没有更大的促进作用。 在红光区（611～738 nm）, 随着水分量的增多, 受不同水分量胁迫的梭梭叶片光谱反射率依次减小。 在738～1 181和1 228～1 296 nm波段, 受不同水分量胁迫作用的梭梭叶片光谱反射率为: 200 mL>100 mL>500 mL; 在1 182～1 227 nm波段, 受不同水分量胁迫作用的梭梭叶片光谱反射率为: 100 mL>200 mL>500 mL。 这是由于植被细胞结构对近红外区域的反射率影响较大, 因而受不同水分胁迫作用的梭梭叶片光谱反射率有显著差异。 在1 300～1 365和1 392～1 800 nm波段, 受各水分胁迫作用的梭梭叶片反射率为: 100 mL>200 mL>500 mL。 这表明在500 mL水分胁迫量范围内, 水分越多, 叶子的细胞液、 细胞膜对水分的吸收能力越强, 使得反射率下降。 通过对原始光谱求取一阶导数并提取红边位置参数发现, 各水分处理下的梭梭叶片一阶微分光谱曲线中红边位置未发生移动。 这是由于梭梭在长期的干旱环境影响下, 形成了特殊的适应机制, 水分对其红边位置影响不敏感。 （2）选取若干植被指数分析各水分处理下的梭梭光谱指数变化。 当水分胁迫量由100 mL增至200 mL时, WI/NDWI, MSI和NDII指数值变化显著, 可用于研究水分胁迫下梭梭的光谱特征。 （3）使用二维相关光谱技术分析受各水分胁迫作用的梭梭光谱特征, 得出在100 mL水分胁迫下, 在536, 643, 1 219和1 653 nm波段处, 吸收峰对水分的微扰敏感; 在200 mL水分胁迫下, 在846和1 083 nm波段处, 吸收峰对水分的微扰敏感; 在500 mL水分胁迫下, 在835和1 067 nm波段处, 吸收峰对水分的微扰敏感。 总之, 在近红外波段, 与100 mL水分量相比, 梭梭受200和500 mL水分量胁迫时, 吸收峰对水分的微扰敏感度上升。 由100 mL水分胁迫下梭梭的二维同步相关谱图可知, 1 044和1 665 nm, 1 072和903 nm, 903和1 264 nm, 1 230和1 061 nm波段处形成正交叉峰, 表明这些波段处光谱强度随水分的干扰同时变化。

当前, 基于机器学习方法开展农作物分类研究, 对于确保干旱区粮食安全和生态安全有着极为重要的现实意义。 基于机器学习方法, 采用时间序列Sentinel 2A遥感数据提取农作物分类信息, 通过引入地块基元和红边特征, 探讨了不同分类特征组合对机器学习分类精度的影响。 结果表明: 随机森林分类器可以有效集成光谱和植被指数等多维向量的优势, 将其应用于干旱区典型农作物分类上的精度均在89%以上, 分类组总体精度最高可达94.02%。 地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度, 使光谱组及指数组的分类精度分别提高3.13%和4.07%, 并能有效解决“椒盐”效应及耕地边缘廓线模糊等问题。 红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39 %和1.63%, 并使春、 冬小麦的识别能力显著提高, 表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异。 该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考。

采用5级梯度铜胁迫砂培试验, 通过测定叶片反射光谱曲线和叶绿素含量, 研究铜胁迫对玉米叶片反射光谱与叶绿素含量的影响。 研究表明: 玉米叶片反射光谱的红边位置与铜胁迫浓度显著相关(R2≥05755), 且存在明显的“红边蓝移”现象, 即叶片光谱红边位置向短波方向移动。 随着铜胁迫浓度的升高或胁迫时间延长, 红边蓝移程度增加。 不同胁迫浓度之间, 叶绿素a、 叶绿素b含量及二者比值 (Chla/Chlb)均差异显著(p分别为0002, 0007和0001)。 叶绿素a、 b比值(Chla/Chlb)与培养液中铜浓度呈显著负相关(R=-0898); Chla/Chlb与平均红边波长显著正相关(R=0814)。 这表明随着铜胁迫浓度升高, Chla/Chlb降低, 叶绿素b相对于叶绿素a升高, 叶片反射光谱的红边位置蓝移。 铜胁迫改变了玉米叶片中Chla和Chlb含量和比值, 由此导致的色素吸收光谱变化, 是铜胁迫导致叶片反射光谱红边蓝移的可能的生理学成因。

番茄植株在生长过程中受病虫害的侵染, 将导致番茄减产和种植户的经济效益降低, 该研究用高光谱技术结合化学计量学方法, 实现了番茄叶片斑潜蝇虫害的快速识别。 搭建了简易的高光谱成像系统, 包括光源单元、 高光谱图像采集单元和数据处理单元, 用该系统获取番茄叶片的高光谱图像, 对高光谱图像进行校准, 并从每一幅图像中提取光谱信息。 分别采用了光谱角匹配(SAM)分析方法和光谱红边参数判别分析(DA)方法识别番茄叶片斑潜蝇虫害。 在SAM分析中, 对高光谱数据进行了归一化预处理, 以消除多余信息, 增加样品之间的差异。 比较了以不同番茄叶片样品的反射光谱作为测试光谱时, 虫害识别效果的差异, 当以受到斑潜蝇侵染的番茄叶片的平均反射光谱作为测试光谱时, 虫害识别的正确率较高, 达到96.5%。 在光谱红边参数判别分析中, 从光谱数据中提取了红边位置、 红边振幅、 最小振幅、 红边面积、 红谷位置和红边振幅/最小振幅6组红边信息, 利用判别分析方法建立番茄叶片斑潜蝇虫害的判别模型, 比较了距离判别、 Fisher判别、 Bayes判别分析方法的判别效果, 使用距离判别分析建模的判别正确率最低, 判别正确率为88.0%, 使用Fisher判别分析建模的效果最佳, 判别正确率为96.0%。 研究结果表明, 采用高光谱技术识别番茄叶片斑潜蝇虫害具有可行性。

通过系统分析绿色植被在紫外可见波段光谱的产生机理, 得出绿峰和红边是由叶绿素产生的。 从叶绿素的结构上看, 它属于卟啉类化合物, 为了进一步探究红边产生的机理, 合成了四苯基卟啉、 四(4-甲氧基苯基)卟啉、 四(4-磺酸钠苯基)卟啉、 四吡啶基卟啉、 四甲基卟啉、 四(4-甲氧基苯基)卟啉合锌和四(4-甲氧基苯基)卟啉合铜, 并采用紫外可见光谱、 红外及核磁进行表征。 通过对其紫外可见光谱的系统分析, 提出“红边”不仅限于叶绿素, 而是卟啉类化合物特有的光谱特征, 红边是由卟啉环a2u(π)-eg(π*) 跃迁产生的Q带所致。 其位置不仅与卟啉的浓度相关, 与卟啉化合物外侧取代基类型也有关系, 金属卟啉对红边的位置影响较大。