滨海盐土土壤水分的高光谱参数及估测模型

基于滨海盐土5个试验点的土壤含水量和室内土壤表面高光谱反射率,综合分析了350～2500 nm波段范围内土壤含水量与土壤光谱之间的关系,并基于比值光谱指数(RSI)、归一化光谱指数(NDSI)和差值光谱指数(DI)确定了光谱参数,进而构建土壤含水量估测定量模型.结果表明： 滨海盐土原始光谱反射率与土壤含水量呈显著负相关关系,且最大负相关出现在1930 nm(r=0.86)附近.对RSI、NDSI和DI的直线回归方程、幂函数回归方程进行对比,以RSI(R₁₄₀₇,R₁₄₅₉)为自变量构建的土壤含水量指数函数线性回归方程决定系数最大(0.780),标准误较小(0.016),拟合方程为y=0.00001e^9.72053x.估测模型能够更好地监测滨海盐土土壤水分状况.基于RSI(R₁₄₀₇,R₁₄₅₉)构建的模型可实现对江苏省滨海盐土土壤水分的精确监测.     

闽江河口湿地土壤全磷高光谱遥感估算

磷是湿地生态系统必需和限制性元素,利用高光谱遥感数据对其进行估算对实现湿地土壤磷素快速和准确定量具有重要意义。选取闽江河口湿地作为研究区,于2013年5月,采集16个土壤剖面80个样本作为估算与验证模型样本;基于光谱指数建立土壤全磷(TP)含量估算模型,其中光谱指数包括原始光谱反射率(R)、比值土壤指数(RSI)、归一化土壤指数(NDSI)和有机质诊断指数(OII)。此外进一步分析反射光谱与不同形态磷,TP与有机质之间关系,以期初步揭示河口湿地土壤TP估算的机理。研究结果表明,闽江河口湿地土壤TP含量与R相关系数较高的区域分布在360-560 nm,并在406 nm处达到最大值-0.816;光谱指数RSI(R_(430),R_(830))、RSI(R_(460),R_(810))、RSI(R_(560),R_(580))、NDSI(R_(430),R_(830))、NDSI(R_(460),R_(830))、NDSI(R_(560),R_(580))和OII(R_(446))与土壤TP含量均有较高的相关系数,能较好的用于TP含量的估算;各估算模型决定系数(r~2)和均方根误差(RMSE)分别在0.657-0.805和0.052-0.067之间;验证模型r~2和RMSE分别在0.606-0.893和0.037-0.044之间。分潮滩建立TP含量估算模型是可行的,并且能提高部分光谱指数的估算精度。土壤TP含量的估算精度与磷素的组成有关,其中与铁吸附态磷关系较为密切,钙吸附态和铝吸附态磷关系较弱。土壤TP与有机质和氧化还原环境的存在密切关系可能是湿地土壤TP含量估算的重要机理。     

基于棉花功能叶高光谱参数的土壤电导率监测模拟

通过2008-2009年在江苏南京农业大学牌楼试验站的盆栽试验,选择耐盐棉花品种中棉所44和盐敏感性品种苏棉12号为材料,模拟5种不同含盐水平的滨海盐土(0、0.35％、0.60％、0.85％和1.00％),分析了棉花生育期棉田土壤电导率与棉花功能叶光谱反射率和高光谱参数的关系,并建立了棉田土壤电导率(EC)的定量监测模型.结果表明:棉花功能叶光谱反射率在近红外和中红外区域均随土壤盐分水平的升高而升高;以敏感波段1350nm和2307 nm构建的归一化光谱指数NDSI(R1350,R2307)与土壤电导率的决定系数最高,基于此构建了基于NDSI(R1350,R2307)的棉田土壤EC监测模型:EC=-42.899NDSI(R1350,R2307)+27.338;在光谱微分参数中,以TM影像第5个波段的光谱反射率(TM5-SWIR)与棉田土壤EC的决定系数最高,构建了基于TM5-SWIR的棉田土壤EC监测模型:EC=0.0574 TM5-SWIR2-2.5928 TM5-SWIR+ 30.021.以NDSI(R1350,R2307)和TM5-SWIR为自变量的监测模型的预测精度均较高,分别为0.887和0.814,根均方差均较小,分别为1.09和1.29 dS·m-1.利用棉花功能叶NDSI(R1350,R2307)和TM5-SWIR均能较好地监测棉田土壤电导率.     

一种估测土壤有机质含量的近红外光谱参数

通过系统分析我国中、东部地区5种不同类型土壤风干样本的有机质含量与近红外(1000～2500 nm)光谱反射率和一阶导数两波段构成的比值、差值及归一化指数之间的关系,构建了适合土壤有机质含量估测的光谱参数及定量反演模型.结果表明：用多元散射校正及Savitzky-Golay平滑方法对原始光谱反射率进行预处理后,其两波段组成的光谱参数与土壤有机质含量的相关性明显优于原始光谱反射率组成的光谱参数,而由上述预处理后的反射率一阶导数的两波段构成的光谱参数介于二者之间;不同类型光谱参数构成形式中,以差值指数的预测性最好,其次为比值和归一化指数;与土壤有机质含量相关程度最高的光谱参数,是以近红外合频区1883和2065 nm 2个波段的反射率经多元散射校正和Savitzky-Golay平滑后构建而成的差值指数DI(CR₁₈₈₃, CR₂₀₆₅),两者呈极显著的直线相关.经不同类型土壤的观测资料检验,模型的决定系数为0.837,均方根误差为4.06;与偏最小二乘法的全谱建模结果相比,尽管DI(CR₁₈₈₃, CR₂₀₆₅)的预测精度略低于后者,但该指数只使用了2个波段的反射率,且所建模型比较简单,能为便携式监测仪的研制提供更有效的信息,可作为一种良好的土壤有机质估测光谱参数.     

典型龟裂碱土土壤水分光谱特征及预测

以不同含水量的宁夏典型龟裂碱土为研究对象,系统分析了土壤光谱与土壤含水量的相关性,并建立了含水量预测模型.结果表明:随着含水量的增加,土壤光谱反射率逐渐降低,当土壤含水量高于田间持水量时,土壤光谱反射率随着含水量的增加呈增加趋势.土壤光谱反射率原始数据(r)、平滑后的反射率(R)和反射率对数(lgR)与龟裂碱土水分含量呈极显著负相关关系,整个波段R与土壤水分含量的相关系数平均比r和lgR分别高0.0013和0.0397;反射率倒数(1/R)和反射率倒数的对数[lg(1/R)]2种变换形式与龟裂碱土水分含量呈正相关关系,在950~1000 nm的相关系数平均比400~950 nm高0.2350;3种一阶微分变换形式与土壤水分的相关性不稳定.基于r、lg(1/R)、反射率的一阶微分R’和反射率对数的一阶微分(lgR)’采用不同回归模式建立的龟裂碱土含水量预测模型平均决定系数分别为0.7610、0.8184、0.8524和0.8255,其中R’的幂函数模式决定系数高达0.9447,该模型预测的土壤含水量与室内实测值拟合度为0.8279,说明该模型预测精度最高,采用r建立的模型预测精度最低.研究结果可为龟裂碱土含水量预测和当地农田灌溉提供科学依据.     

基于减量精细采样法估算小麦叶片氮积累量的最佳归一化光谱指数

基于6个小麦品种、5个施氮水平、4年田间试验条件下不同生育时期的小麦叶片高光谱反射率和相应的氮含量及生物量,采用减量精细采样法,系统构建了350～2500 nm范围内所有两两波段组成的归一化光谱指数［NDSI（i, j）］,综合分析了小麦叶片氮积累量(LNA, g N·m^-2)与NDSI（i, j）的定量关系,确定了估算叶片氮积累量的新高光谱特征波段和光谱指数,进而建立了小麦叶片氮积累量监测模型.结果表明：估算小麦叶片氮积累量的敏感波段主要存在于可见光区和近红外区,最佳特征波段组合为720 nm和860 nm;基于NDSI(860,720)的叶片氮积累量监测模型为LNA=26.34×［NDSI(860,720)］^1.887（R²=0.900,SE=1.327）.利用独立试验资料的检验结果表明,基于NDSI(860,720)建立的回归模型对小麦叶片氮积累量的估测精度为0.823,RMSE为0.991 g N·m^-2,模型预测值与观察值之间的符合度较高.可利用新的归一化高光谱参数NDSI(860,720)来估算小麦叶片氮积累量.     

闽江口湿地土壤全氮含量的高光谱遥感估算

氮是湿地生态系统重要生源要素,基于高光谱(350~2500 nm)遥感数据对其进行估算以实现湿地土壤全氮(TN)含量无损、快速和准确定量化具有重要意义。选取闽江河口湿地为研究区,于2013年5月,沿潮滩(高潮滩到中潮滩)采集16个土壤剖面80个样本,室内测定其光谱反射率和TN含量,并基于原始反射率(R)和光谱指数(比值指数RI、归一化指数NDI和差值指数DI)建立土壤TN含量高光谱估算模型,并进一步分析反射光谱与铵态氮(NH_4~+-N)、硝态氮(NO_3~--N)、有机质(SOM)和电导率(EC)之间的关系,以期揭示河口湿地土壤TN含量估算的机理。结果表明:土壤光谱反射率在350~600 nm,表现为高潮滩中潮滩,而在600~2500 nm,表现为高潮滩中潮滩;闽江河口湿地土壤TN含量与R在500 nm附近相关关系较好,并在490 nm有最大相关系数(-0.508);RI、NDI和DI大大提高了反射光谱与土壤TN含量的相关关系,其相关系数较高区域集中在600~1000 nm的波段组合,以RI(590,640)、RI(610,940)、NDI(940,590)、NDI(940,610)、DI(640,920)和DI(640,940)相关关系表现较好,能较好地实现研究区湿地土壤TN含量反演,其估算与检验模型r~2均大于0.610,RMSE均小于0.208,其中以RI(610,940)估算精度最好,估算与检验模型r~2分别为0.832和0.631,RMSE分别为0.178和0.202;闽江口湿地土壤TN含量与SOM含量密切相关是土壤TN含量估算的重要机理,而NH_4~+-N、NO_3~--N和盐分含量对其估算精度影响不大。     

干旱条件下春玉米高光谱特征及土壤含水量反演

通过辽宁锦州地区春玉米不同生育时期的土壤水分控制试验,利用ASD Field Spec Pro FR分光辐射计观测不同生长状况的玉米冠层高光谱反射率,分析光谱反射率变化特征,建立光谱参数对土壤水分的反演模型。结果表明:玉米在七叶-拔节期受到干旱胁迫后,750~1400 nm波段冠层光谱反射率、红边幅值、红边面积均出现降低,350~750、1400~2300 nm反射率出现升高趋势;750~1400 nm、红边幅值、红边面积对土壤干旱胁迫的响应时间较短,且存在异于正常灌溉处理的光谱特征;反演方法中,逐步回归方法利用高光谱反射率反演土壤含水量的误差小于一阶导数光谱,反演10 cm土壤含水量的效果好于30 cm。     

小麦冠层反射光谱与植株水分状况的关系

研究了不同土壤水、氮条件下小麦冠层光谱反射特征与叶片和植株水分状况的相关性．结果表明,在小麦主要生育期,冠层叶片含水率与460～510、610～680和1480～1500nm波段范围内的光谱反射率有较高的相关性,植株含水率与810～870nm波段范围内的光谱反射率密切相关．在整个生长期内,小麦冠层叶片含水率与460～1500nm波段范围内的光谱反射率均有良好相关性,植株含水率与560～1480nm波段范围内光谱反射率的相关性均达到极显著水平．冠层叶片(CL)、上层叶(UL)和下层叶片(LL)含水率与光谱指数的相关程度为CL>LL>UL．冠层叶片和植株含水率与比值指(R(610,560))和光谱指数(R(610,560)／ND(810,610))呈极显著线性负相关,与归一化指数((R810-R610)／(R810+R610))呈极显著线性正相关．其中,用光谱指数(R(610,560)／ND(810,610))监测不同生育期小麦冠层叶片和植株含水率的效果最好。     

基于分数阶微分优化光谱指数的土壤电导率高光谱估算

土壤电导率与含盐量具有高度相关性,精准的土壤电导率监测有助于了解区域土壤的盐渍化程度,对区域盐渍化防治与调控,农业可持续发展以及生态文明建设具有重要意义。为寻求预测土壤电导率的最佳高光谱参数,实现土壤盐分信息的高效监测,本研究对土壤样品进行室内高光谱和电导率测定,利用两波段优化算法对简化光谱指数(nitrogen planar domain index, NPDI)进行波段优化,筛选不同高光谱数据(原始高光谱反射率及其对应的5种数学变换)运算下的最敏感高光谱参数,从而建立土壤电导率高光谱估算模型。结果表明:1)NPDIs与土壤电导率之间的相关性显著,在原数据及其平方根、倒数、对数倒数、1.6阶微分变换形式下,优化光谱指数对土壤电导率的敏感程度更强,相关系数绝对值均超过0.80,且基于1.6阶微分变换的(R_(2020nm)+R_(1893 nm))/R_(1893 nm)波段组合相关系数绝对值最高,达到0.888。2)基于1.6阶微分波段优化的预测模型效果最佳,预测精度为R■=0.84,RMSE_(Pre)=2.07mS/cm,RPD=2.94,AIC=158.11。因此,对高光谱数据的适当数学变换有利于优化光谱指数更好地估算土壤电导率,进一步实现土壤盐渍化高精度动态监测。     

高光谱植被指数与水稻叶面积指数的定量关系

基于不同水稻品种、施氮水平和不同生育期下的大田试验,确立了水稻叶面积指数（LAI）与冠层光谱特征参数的定量关系.结果表明：水稻叶面积指数与部分高光谱植被指数存在良好的相关性,其中原始光谱组成的2波段差值指数（DI）形式相关性最好,其次为比值（RI）和归一化（NI）植被指数.相关最好的原始光谱植被指数是由近红外波段组成的差值指数DI(854,760),相关最好的一阶导数光谱植被指数是红光和近红外光组成的导数差值指数DI(D₆₇₆, D₇₇₈),但总体上导数光谱指数不如原始光谱指数与LAI关系密切.独立试验数据检验结果表明,以差值指数DI(854,760)为变量建立的水稻LAI监测模型具有较好的表现,可用于水稻LAI的估测.     

植被生化组分光谱模型抗土壤背景的能力

应用LOPEX'93(Leaf Optical Properties Experiment)数据,分析了统计回归模型在进行植被叶绿素和水分反演中抗土壤背景影响的能力,模型参数分别使用了:反射率及其变化形式、光谱位置变量、植被指数。在LOPEX'93数据库的植被波谱中分别加入10%—90%的实测土壤光谱信息,得到植被与土壤的混合光谱,并分析混合光谱对植被生化组分的响应。结果表明:应用反射率及其变化形式进行植被叶绿素反演时,以730nm和400nm组合的反射率和反射率倒数的对数为参数的模型具有最高的抗土壤背景能力,在土壤背景所占比例从低到高的变化过程中,以二者反射率组合为参数的模型与叶绿素的相关系数,始终保持在0.645附近,以二者反射率倒数的对数为参数的模型与植被叶绿素的相关系数保持在0.650附近;应用反射率及其变化形式进行植被含水量反演时,以1100,1170,1000,1040,1080nm组合的反射率为参数的模型以及以1170,960,1210,1090,1080,950,1220,1210nm反射率倒数的对数组合为参数的模型具有较高的稳定性,在土壤组分变化的过程中,以上模型与植被含水量的相关系数均稳定...     

植被叶片及冠层层次含水量估算模型的建立

利用LOPEX'93数据库中7个鲜叶片含水量(Cw)和光谱反射率实测数据,基于光谱指数法,在叶片层次,用47个随机样本建立Cw与不同光谱指数的统计模型,并用另外20个样本验证.结果表明,Cw的两种表征形式相对含水量FMC和等价水深EWT在提取叶片Cw时差异较大,EWT与各光谱指数的相关性较FMC高,但FMC对叶片Cw的反演精度高于EWT.而反演精度更高的是基于最优子集回归建立的光谱指数线性模型.Ratio₉₇₅是叶片层次提取Cw的普适光谱指数.冠层层次,利用PROSPECT+SAILH耦合模型,模拟在不同叶面积指数LAI和Cw下的冠层光谱.为了剔除背景影响,更好地提取冠层Cw,提出用近红外和短波红外波段反射率构造土壤可调节水分指数(SAWI),该指数与其他光谱指数的比值能明显地剔除土壤背景影响,更准确地提取冠层Cw.Ratio₉₇₅的改进型光谱指数(Ratio₉₇₅-0.9)/(SAWI+0.2)能用来提取叶面积指数LAI从0.3到8.0,Cw从0.0001cm到0.07cm的冠层Cw,研究表明精度较高.     

基于分数阶微分技术的土壤水盐信息高光谱反演

准确高效获取土壤水盐信息是盐碱地改良和可持续利用的前提。本研究以地面野外高光谱反射率和实测土壤水盐含量为数据源,利用分数阶微分(FOD)技术对原始光谱反射率进行步长为0.25的处理,从光谱数据与土壤水盐信息相关性层面筛选FOD阶数,构建二维光谱指数,采用支持向量机回归(SVR)和地理加权回归(GWR)建立土壤水盐含量反演模型并进行验证。结果表明：FOD技术可以在一定程度上减弱高光谱噪声并挖掘潜在光谱信息,提高高光谱反射率与土壤含水量(SMC)、pH值和含盐量的相关性,相关系数最高分别提升0.98、1.35和0.33。与一维光谱相比,FOD结合二维光谱指数筛选的特征波段组合对SMC、pH值和含盐量的响应更敏感,分别以1.5、1.0和0.75阶为最优,其中,SMC最大相关系数绝对值的最佳组合波段为570、1000、1010、1020、1330和2140 nm; pH值为550、1000、1380和2180 nm;含盐量为600、990、1600和1710 nm。相较于原始光谱反射率,SMC、pH值和含盐量最优阶次估算模型验证决定系数(R_p²)最高...     

基于高光谱和Landsat-8 OLI影像的盐渍化土壤水盐估算模型构建

水盐信息的迅速获取是盐碱地改良利用的重要基础数据。以宁夏银北平罗县盐渍化土壤为研究对象,基于实测土壤水分、盐分含量和高光谱数据反射率及其同期Landsat-8 OLI多光谱影像数据,利用重采样技术进行实测高光谱数据与OLI影像波段匹配,采用11个线性和非线性函数筛选出敏感波段和11个盐分指数,基于多元线性回归(MLR)、偏最小二乘回归(PLSR)和支持向量机(SVM)分别构建土壤含水率(SMC)和含盐量(SSC)的估算模型。结果表明:重采样处理后的实测高光谱波段反射率与OLI影像波段反射率具有极显著相关性,基于线性和非线性函数筛选出的重采样敏感波段及影像盐分指数为自变量构建MLR、PLSR和SVM的SSC估算模型决定系数R2分别为0.626、0.510和0.829,SMC估算模型R~2分别为0.455、0.204和0.731,土壤盐分和水分的SVM估算模型的稳定性和预测能力均优于MLR和PLSR模型,适用于研究区SSC和SMC估算。结果可以为研究区及同类地区不同时期土壤水盐信息估算提供科学依据。     

叶冠尺度野鸭湖湿地植物群落含水量的高光谱估算模型

利用高光谱遥感技术定量估测野鸭湖湿地植被含水量,对于监测和诊断野鸭湖湿地植被的生理状况及生长趋势具有重要意义,也能够为高光谱遥感影像在野鸭湖湿地植被含水量诊断中的实际应用提供理论依据和技术支持.采用Field Spec 3野外高光谱辐射仪,获取了野鸭湖典型湿地植被冠层和叶片的光谱,并测定了对应的含水量.以上述实测数据为基础,首先以芦苇为例初步探明了不同含水量水平下典型湿地植被冠层和叶片光谱反射率的响应模式,然后采用相关性及单变量线性与非线性拟合分析技术,从冠层和叶片两种层次,对不同尺度下的含水量与“三边”参数及高光谱植被指数进行了分析拟合,并采用交叉检验中的3K-CV方法对估算模型进行了测试和检验,确立了不同尺度下野鸭湖湿地植被含水量的定量监测模型.结果表明:(1)随着含水量水平的增加,芦苇冠层与叶片光谱在可见光波段(350-760 nm)和红外波段(760-2500 nm)的反射率均呈逐渐降低趋势.(2)不同尺度含水量与选取的光谱特征参数整体上相关性较强,与“三边”参数基本上都呈极显著相关,相关系数最大达到0.906;与高光谱指数全部呈极显著相关,相关系数最小为0.455,最大达到0.919,并通过选取不同尺度上相关性最佳的光谱特征参数,分别基于“三边”参数和高光谱植被指数构建了不同尺度下的含水量估算模型.其中,冠层尺度下,黄边面积(SDy)与SRWI( Simple Ratio Water Index)的估算效果最好,估算模型分别为y=-9.462x2 -2.671x+0.608和y=0.219e1.010x;叶片尺度下,红边面积(SDr)与WI( Water Index)的估算效果最好,估算模型分别为y=0.562x+0.376和y=2.028x2 -0.476x-1.009.通过3K-CV的交叉验证,不同尺度下的含水量估算模型均取得了较为理想的预测精度,预测精度的最小值为94.92％,最大值为97.06％,表明估测模型具有较高的可靠性与普适性.(3)高光谱植被指数与含水量拟合方程的拟合度相对高于“三边”参数与之建立方程的拟合度,说明多波段组合的光谱特征参数更适合含水量的判别.     

基于小波变换的土壤有机质含量高光谱估测术

利用统计分析方法选取了土壤N、P、K元素含量近似而有机质含量差异较大的样本60个,通过高光谱探测分析获得样本反射率对数的一阶导数光谱,采用Bior 1.3函数进行多层离散小波分解,剔除低频近似信号和高频噪声信号,得到反映土壤理化参数的特征光谱曲线;采用相关分析筛选土壤有机质含量的显著相关波段,基于显著相关波段和特征光谱曲线分别构建土壤有机质含量高光谱多元回归估测模型;通过比较分析,确定了提取土壤有机质特征光谱的最佳小波分解尺度并构建了最佳预测模型.结果表明:提取土壤有机质特征光谱的最佳小波分解层数是9层,其次是8层和10层;基于小波9层分解特征光谱曲线的有机质含量估测模型最佳,其决定系数(R2)为0.89,比基于显著相关波段构建模型的R2增加了0.31,比基于原始光谱所构建模型的R2增加了0.10.     

基于高光谱指数的塔里木河上游胡杨和灰叶胡杨叶片氮素含量估测

采用高光谱技术,以胡杨、灰叶胡杨为实验材料,利用野外地物光谱辐射计获得了塔里木河上游胡杨、灰叶胡杨叶片的光谱反射率数据,同时进行叶片的采集并分析其氮素含量。结果表明:(1)以原始光谱反射率与叶片氮素含量的最大相关波段处的反射率为自变量,氮素含量为因变量,拟合的线性模型灰叶胡杨的决定系数大于胡杨,胡杨在657 nm处和灰叶胡杨689 nm处所构建的模型在叶片氮素预测模型中较为理想;(2)以光谱特征变量、植被指数及红边位置为自变量,叶片氮素含量为因变量所构建的线性模型拟合效果较好,其中叶片氮素与植被指数构建的模型其决定系数值较高,说明其具有较高的预测能力;(3)基于光谱面积的预测变量在监测叶片营养状况中也有较大的潜力。研究认为,利用高光谱反射率数据及其光谱变换参数来估测胡杨、灰叶胡杨的氮素含量是可行的。     

淹水胁迫下棉花叶片高光谱特征及叶绿素含量估算模型

为即时监测淹水胁迫下棉花功能叶叶绿素含量,确立叶绿素含量与单叶光谱特征参数的定量关系,本文以遮雨棚内蕾期淹水胁迫下的盆栽棉花为研究对象,淹水后每 3 d对棉花叶片进行测定、取样,综合分析叶绿素含量与高光谱特征参数的相关性,并构建和验证叶绿素含量的估算模型.结果表明: 随着淹水胁迫程度的加重,叶片叶绿素含量下降;叶片原始光谱反射率、一阶微分光谱反射率分别在580、697 nm波段附近与叶绿素含量呈显著负相关;利用差值指数和归一化指数建立的估算模型优于单波段线性模型,其中以植被指数(DR₆₉₇-DR₇₃₈)/(DR₆₉₇+DR₇₃₈)为自变量建立的模型棉花单叶叶绿素含量估算值与实测值拟合度最好,拟合系数为0.814,可用于淹水胁迫下棉花单叶叶绿素含量的估测.     

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

研究了不同土壤水氮条件下水稻 (Oryzasativa) 冠层光谱反射特征和植株水分状况的量化关系。结果表明, 水稻冠层近红外光谱反射率随土壤含水量的降低而降低, 短波红外光谱反射率随土壤含水量的降低而升高。相同土壤水分条件下, 高氮水稻的冠层含水率高于低氮水稻的冠层含水率 ;同一水分条件下, 高氮处理的可见光区和短波红外波段光谱反射率低于低氮处理, 近红外波段光谱反射率高于低氮处理。发现拔节后比值植被指数 (R810 /R460 ) 与水稻叶片含水率和植株含水率呈极显著的线性相关, 模型的检验误差 (RootmeansquareError, RMSE) 分别为 0.93和 1.5 0。表明比值植被指数R810 /R460 可以较好地监测不同生育期水稻叶片和植株含水率。