陳媛媛 幸澤峰 焦為杰 胡華浪 游炯 祝龍

摘要 基于近紅外-紅波段特征空間的垂直干旱指數（PDI）在表征土壤水分時精度還有待于提高。為提高PDI對土壤水分的敏感性，基于短波紅外和紅邊波段對作物水分脅迫響應更為敏感這一事實，考慮Sentinel 2衛(wèi)星數據的短波紅外、紅邊1、紅邊2和紅邊3波段，分別與紅波段構建特征空間，提出新的土壤水分監(jiān)測指數（分別記為SPDI、R1PDI、R2PDI和R3PDI），改進PDI，并基于冬小麥全生育期的土壤濕度實測數據評價構建的指數。結果表明，與PDI相比，新建立的指數在表征土壤墑情方面表現良好，與實測土壤濕度的負相關性更強。冬小麥播種、越冬、拔節(jié)和灌漿期的土壤墑情最優(yōu)表征指數分別是SPDI、R1PDI、R2PDI和R2PDI，這些指數與實測數據的相關系數絕對值|r|分別為0.79、0.74、0.70和0.61，相關性極顯著，均強于PDI與冬小麥播種、越冬、拔節(jié)和灌漿期實測數據的相關性。Sentinel 2數據的短波紅外、紅邊1和紅邊2波段更適合構建水分響應指數，與紅波段構建的新型指數在土壤墑情監(jiān)測方面具有潛力。

關鍵詞 土壤濕度；垂直干旱指數；短波紅外；紅邊

中圖分類號 S127;TP79? 文獻標識碼 A

文章編號 0517-6611（2023）10-0186-07

doi：10.3969/j.issn.0517-6611.2023.10.042

Abstract The perpendicular drought index （PDI），which was constructed in the previous study based on the near infrared （NIR）red band reflectance feature space to characterize the agricultural drought，is not very sensitive to the soil moisture and its accuracy needs to be improved.In order to enhance the sensitivity and improve the accuracy of PDI to soil moisture，we tried to modify PDI.The shortwave infrared （SWIR） and red edge bands were more sensitive than NIR band to the change of water content in vegetation and soil moisture.This fact inspired us to consider the SWIR and three red edge bands of Sentinel 2 satellite data when constructing the feature space with the red band.Based on the SWIRred，red edge 1red，edge 2red and red edge 3red reflectance feature space，we proposed the new soil moisture monitoring indexes （labeled as SPDI，R1PDI，R2PDI and R3PDI，indicating using the SWIR，red edge 1，red edge 2 and red edge 3 bands to replace the NIR band，respectively） to improve PDI.The proposed indexes were evaluated using the measured in situ data of soil moisture recorded with the latitude and longitude on October 26，December 25 in 2020，April 16，May 26 in 2021，when was the sowing，overwintering，jointing and filling stages of winter wheat，respectively.The results showed that the established indexes performs better in characterizing soil moisture，showing the higher negative correlation with the measured soil moisture compared with PDI.The optimal characterization indexes of soil moisture in the sowing，overwintering，jointing and filling stages of winter wheat were SPDI，R1PDI，R2PDI and R2PDI，respectively.The absolute value of correlation coefficients between SPDI，R1PDI，R2PDI and R2PDI and the measured data were 0.79，0.74，0.70 and 0.61，respectively，passing the 0.01 level significance test，while that were 0.72，0.66，0.41 and 0.38 for PDI in the sowing，overwintering，jointing and filling stages of winter wheat.The improvement effect of the established indexes was especially obvious for the jointing and filling stages，when the vegetation coverage was large.Research results indicated that SWIR，red edge 1 and red edge 2 bands from Sentinel 2 data were more appropriate to construct the soil water sensitive index with the red band for the specific growing stage of winter wheat.The potential of SWIR，red edge1 and red edge 2 bands in soil moisture monitoring was worthy of more attention in the future study.

Key words Soil moisture;Perpendicular drought index;Shortwave infrared;Red edge

農業(yè)干旱是土壤含水量持續(xù)偏低，導致農作物吸水量小于蒸騰量、作物體內水分收支失衡，從而無法正常生長的現象［1-2］。我國水資源缺乏，農業(yè)生產易受干旱影響，尤其是水資源短缺的華北地區(qū)，農業(yè)干旱發(fā)生頻率更高［3-4］，對糧食生產是一種潛在威脅。及時掌握農業(yè)干旱的發(fā)生發(fā)展狀況是農業(yè)生產實現節(jié)本增效的基礎，對我國糧食安全意義重大。遙感作為時空連續(xù)信息獲取的手段，在農業(yè)干旱監(jiān)測過程中發(fā)揮了重要作用［5-6］。水分是影響土壤和植被波譜曲線的一個重要因素，不同土壤水分和植被含水量狀況下，地表發(fā)射或反射的電磁輻射明顯不同，這是農業(yè)干旱遙感監(jiān)測的物理基礎［7-8］。因此，衛(wèi)星遙感通過獲取地表的溫度、反射率等信息來間接監(jiān)測農業(yè)干旱［9-10］。鑒于此，國內外研究者提出了多種農業(yè)干旱指數，如垂直干旱指數（perpendicular drought index，PDI）、溫度植被干旱指數、植被健康指數、綜合多源遙感數據的監(jiān)測指數等［2，11-16］。其中，PDI同時考慮了土壤和植被特征，物理意義明確，計算過程簡單，在農業(yè)干旱遙感監(jiān)測中備受關注［17-19］。

植被和土壤是農業(yè)干旱的主要承載體。植被在紅波段吸收性很強，在近紅外波段反射率急劇上升，形成紅邊，這是植被光譜曲線最為明顯的特征。受到水分脅迫時，植被活力、葉綠素含量會發(fā)生潛在變化，這些變化會引起紅和近紅外波段反射率變化［20］。土壤反射率曲線相對平滑，紅和近紅外波段的反射率差異不大，當受到水分脅迫時，土壤反射率升高。紅和近紅外波段反射率構成的散點圖近似三角形，Ghulam等［11］基于這一原理，利用遙感數據紅和近紅外波段的反射率特征空間，提出了PDI，用以表征土壤的干濕狀況。PDI適于裸土或低植被覆蓋的地表，為監(jiān)測高植被覆蓋度地表干濕狀況，Ghulam等［21］引入植被覆蓋度因子，對PDI進行改進得到MPDI。在實際應用中，MPDI的穩(wěn)定性比PDI低，當植被覆蓋度較高，尤其是接近于1時，計算結果容易出現極端負值，從而影響結果分析。值得注意的是，構建PDI的紅和近紅外波段均是通過作物水分脅迫后的生理變化來間接反映旱情，并不能直接快速地捕捉作物水分脅迫信息，這也許是一些研究中PDI與土壤水分含量相關性并不高的一個原因。

短波紅外波段，植被的光譜反射率主要受含水量影響，葉內含水量減少，光譜反射率升高［22］。已有相關研究表明，短波紅外波段，尤其是1.6、1.7 μm處的波段反射率對植被、土壤水分變化非常敏感，水分脅迫響應穩(wěn)定［20，22-25］。董婷等［26］利用MODIS數據的2個短波紅外波段構建了水分脅迫指數，表明與增強植被指數、MPDI等指數相比，水分脅迫指數與實測土壤濕度的相關性更高。紅邊是0.68～0.75 μm區(qū)間內光譜反射率急劇升高的波段，對植被變化非常敏感。不少研究對紅邊水分脅迫敏感性給予了關注。Filella等［27］指出，紅邊峰值可以作為水分脅迫嚴重時候的指示因子。孫慧［25］的研究表明，紅邊參數為冬小麥葉片含水量及植株含水量的最優(yōu)特征參數。以上關于短波紅外和紅邊作為水分脅迫直接光譜響應機制的研究顯示，短波紅外或紅邊波段或更適合構建水分敏感指數。作物受到水分脅迫時一個明顯特征是葉綠素含量降低［28-31］，可見光波段，尤其是紅光［20］對葉綠素含量的變化最為敏感［32-33］，這是植被水分變化的間接光譜響應機制。因此，利用短波紅外、紅邊分別與紅波段構建的特征空間監(jiān)測農田水分的有效性是一個值得關注的科學問題。

Sentinel 2衛(wèi)星搭載的成像光譜儀是同時具有可見光、短波紅外和紅邊波段的高分辨率數據源，為農業(yè)干旱監(jiān)測帶來了新的機遇。查閱已見刊的文獻，少有文獻同時研究Sentinel 2數據的短波、紅邊波段在農業(yè)干旱監(jiān)測中的潛力。

因此，筆者分別用短波紅外、紅邊與可見光的紅波段構建特征空間及水分響應指數，研究所構建的指數表征土壤水分的有效性，深化短波紅外、紅邊及紅波段在干旱監(jiān)測中的應用；冬小麥是我國主要的口糧作物，以冬小麥為研究對象，探討播種期、越冬前、拔節(jié)期、灌漿期等水分關鍵時期內，基于短波紅外、紅邊和紅波段構建的水分響應指數與實測土壤水分的關系，進而提出針對冬小麥不同生育期的土壤含水量表征指數。

1 研究區(qū)域及數據源

1.1 研究區(qū)域

試驗在山東省濰坊市濰柴雷沃阿波斯智慧農業(yè)示范基地（119.15°～119.17°Ｅ，36.56°～36.57°Ｎ）進行（圖1），基地占地約9.2 km2，地表覆蓋以耕地為主，周邊還包括水體、道路、居民地等?；刂饕N植小麥、玉米、花生、蔬菜等作物。

1.2 遙感數據與預處理

Sentinel 2是歐洲空間局2015年發(fā)射的衛(wèi)星，由A、B星組成，搭載了多光譜成像儀，光譜范圍為0.4～2.2 μm，其中第4、5、6、7、8和11波段分別對應紅、紅邊1、紅邊2、紅邊3、近紅外和短波紅外波段，空間分辨率為10/20 m（表1）。該研究使用Google Earth Engine平臺中的Sentinel 2地表反射率產品。考慮到不同生育期冬小麥長勢和地表覆蓋情況不同，為研究從裸土到全植被覆蓋情況下，不同指數對土壤干濕狀況的敏感程度，該研究分別獲取了2020年10月26日和12月25日、2021年4月16日和5月26日的地表反射率產品，分別對應冬小麥的播種期、越冬前、拔節(jié)期和灌漿期。為統計特征空間的規(guī)律和計算相關指標，所有波段統一重采樣成10 m空間分辨率。

1.3 實測數據

在1.2中所述的4個日期，利用XS2-UGA土壤水分測試儀實地測試了冬小麥種植區(qū)域的土壤體積含水量（0～100% m3/m3），用于表征實測土壤濕度（soil moisture，SM），XS2-UGA儀器土壤體積含水量的測量精度在±2% m3/m3以內；內置GPS定位模塊，可顯示測量點的經緯度；同時配有高精度實時時鐘和數據存儲器，可顯示具體測量時間和存儲數據。依據實測點位分布較均勻、插探針處地下沒有硬質土塊或非土壤物質、儀器記錄數據穩(wěn)定等原則，以上4個日期分別在16、21、17和23個點位上實測了地面以下0～10、10～20和20～30 cm（以下分別記為10、20和30 cm）3個土層的SM數據，并計算了3個土層的平均SM。每次測量前一段時間內并未對小麥進行灌溉或出現降水，麥田相對干旱，尤其是4月16日拔節(jié)期和5月26日灌漿期相對前2個生育期小麥需水量較大，麥田呈現缺水狀態(tài)。每個點位的時間信息用于匹配相應的衛(wèi)星數據，空間位置用于匹配對應位置處的像元。圖1給出了4月16日拔節(jié)期的實測點位信息。

2 研究方法

2.1 指數構建

在PDI建立的過程中，地表水分與特征空間的關系如下：近紅外-紅波段反射率散點圖中的底線為土壤線，無植被覆蓋和低植被覆蓋度的點落在土壤線附近，兩端分別表示水分飽和、極端干旱狀態(tài)，離原點越遠，對應像元的反射率逐漸增大，表示土壤水分由濕潤逐漸向干旱過渡。垂直于土壤線方向表示植被覆蓋情況，離土壤線越遠，對應像元的近紅外波段反射率越大，紅波段反射率越小，表示植被覆蓋度越高。因此，特征空間中任一點到土壤線的垂線距離表示土壤干濕狀況。在此基礎上，考慮短波紅外和紅邊波段對水分的敏感性，用Sentinel 2數據的短波紅外和紅邊替換近紅外波段，分別構建研究區(qū)域的短波紅外-紅、紅邊-紅波段反射率特征空間，圖2給出冬小麥播種期的紅邊3-紅波段反射率特征空間作為示例。根據PDI的計算公式（1），分別計算基于不同波段的冬小麥水分響應指數，其中基于短波紅外的記為SPDI，基于紅邊1、2、3波段的分別記為R1PDI、R2PDI、R3PDI。

PDI=ρred+MρiM2+1（1）

式中，ρ為反射率，red表示紅波段，i表示短波紅外、紅邊1、紅邊2或紅邊3波段，M為土壤線斜率。土壤線斜率的提取和指數的計算在IDL平臺中實現。

2.2 相關性分析

以SM為參考，驗證遙感指數的有效性和敏感性?；谖恢藐P系，讓實測點數據與像元配對關聯，將所構建的指數與實測位置點進行空間疊置，提取位置點處的像元指數值，以SM為縱坐標、遙感指數值為橫坐標做散點圖與相關性趨勢線，利用Pearson系數及顯著水平來評價不同指數對土壤濕度的敏感性，分析不同指數間的敏感性差異。

3 結果與分析

3.1 基于平均SM的結果

表2給出了在冬小麥不同生育期遙感反演指數與實測SM間的相關系數，圖3～6為各指數與平均SM的線性關系。可以看出，各指數與平均SM均呈負相關關系，但相關程度依不同生育期指數而不同。具體來看，10月26日播種期，5個指數與平均SM的相關系數絕對值（|r|）都在0.70以上，且均通過了99%的置信度檢驗，其中SPDI與平均SM的相關性最好，|r|為0.79；其次為R3PDI，|r|為0.78；PDI、R1PDI、R2PDI 3個指數表現相差無幾。12月25日越冬前，5個指數與平均SM的|r|除PDI以外，SPDI、R1PDI、R2PDI、R3PDI 4個指數也在0.7以上，均通過了99%的置信度檢驗，以R1PDI表現最佳，但4個指數差別不大，較PDI都有所改進。4月16日拔節(jié)期，PDI與平均SM的相關性一般，R2PDI與平均SM的相關性最好，|r|為0.7，通過了99%的置信度檢驗，其次為SPDI，|r|為0.5，通過了95%的置信度檢驗。5月26日灌漿期，PDI與平均SM的相關性一般，R2PDI和SPDI與平均SM的相關性明顯改善，|r|分別為0.61和0.59，均通過了99%的置信度檢驗。

3.2 基于各層SM的結果

各生育期表現最好的指數與各層SM的相關性見圖7～10。播種期，SPDI與10、20、30 cm層的|r|為0.66及以上，在0.01水平上顯著相關。越冬前，R1PDI與10、20、30 cm層SM的|r|分別為0.48、0.54和0.68，且均通過了95%的置信度檢驗，其中與30 cm層在0.01水平上顯著相關。拔節(jié)期，R2PDI與各層SM的|r|分別為0.46、0.55、0.43，僅與20 cm層的相關性通過了95%的置信度檢驗，與10、30 cm層的SM在0.1水平上相關。灌漿期，R2PDI與10、20、30 cm的|r|在0.4～0.5，均通過了95%置信度檢驗。

PDI在裸土和低植被覆蓋情況下表現較好，隨著冬小麥生育期的推進，植被覆蓋度逐漸增大，PDI與SM的相關性變差，這一結論與前人的研究結果是一致的。改進型的指數在每個生育期表現不同，播種、越冬、拔節(jié)、灌漿期的最佳指數分別是SPDI、R1PDI、R2PDI和R2PDI。相比于PDI，這幾個指數由于考慮了對水分更為敏感的短波紅外和紅邊波段，播種、越冬、拔節(jié)、灌漿期與平均SM的相關系數|r|較PDI分別提高了0.07、0.08、0.29、0.23，尤其在冬小麥生長中后期，與SM的相關性改善明顯。Sentinel 2數據的3個紅邊中，以0.704和0.741 μm為中心波長的紅邊適于土壤墑情監(jiān)測，其中0.704 μm的紅邊更適于生長前期，0.741 μm的紅邊更適于生長中后期。這與生長前期葉綠素水平相對較低，而0.704 μm 左右的波段對幼葉的葉綠素含量比較敏感有關［34］。該研究使用0.704 μm紅邊和紅波段組合，通過監(jiān)測幼苗由于受到水分脅迫引起葉綠素含量變化來反映冬小麥生長前期的土壤墑情。研究區(qū)域在拔節(jié)初期3月20日給冬小麥追施了含有氮磷鉀的復合肥，追肥的同時并沒有澆水，而拔節(jié)期是冬小麥營養(yǎng)生長最旺盛、水肥需求最多的時期，該研究中拔節(jié)和灌漿期冬小麥呈現缺水不缺肥的狀態(tài)，而0.740 μm左右的波段反射率對植被水分、葉綠素濃度和葉冠層的綜合信息更為敏感［35］。該研究使用0.741 μm紅邊和紅波段組合，通過對冬小麥缺水不缺肥反映出來的綜合狀況來表征冬小麥生長中后期的土壤墑情。從全生育期來看，R2PDI與各個生育期SM的相關性表現整體較好，|r|都在0.6以上，其次是SPDI。

4 結論與討論

4.1 結論

在前人研究工作的基礎上，筆者以冬小麥整個生長周期為研究對象，考慮短波紅外、紅邊反射率對植被、土壤水分的敏感性，分別與紅波段構建反射率特征空間，改進PDI指數，并利用冬小麥全生育期的實測SM數據對改進指數進行評價，分析不同植被覆蓋條件下新構建的水分響應指數的適用性。主要得出以下結論：①PDI與SM的相關性隨著植被覆蓋度的增大而變差；②與PDI相比，新構建的指數與實測SM的相關性更高，能更好地反映不同生育期冬小麥土壤水分脅迫情況，播種、越冬、拔節(jié)和灌漿期分別使用SPDI、R1PDI、R2PDI和R2PDI來監(jiān)測土壤水分效果較好；③短波紅外、紅邊更適合構建水分響應指數，與紅波段構建的新型指數在土壤墑情監(jiān)測方面具有潛力，該研究是對農業(yè)干旱遙感監(jiān)測認知的進一步深入。

4.2 創(chuàng)新點

（1）已見刊文獻對于紅邊用于干旱監(jiān)測的研究多是基于紅邊參數［25，36-38］，而紅邊參數的計算往往需要光譜儀測得的高光譜及其一階導數光譜數據。該研究直接用衛(wèi)星數據的紅邊波段參與指數計算，增強了遙感監(jiān)測土壤墑情研究的實用性。

（2）該研究指出了Sentinel 2數據的短波紅外和紅邊在土壤墑情監(jiān)測中的適用性，并應用于冬小麥整個生長周期的重要生育階段，對冬小麥全生育期的科學灌溉決策具有重要指導意義。

4.3 討論

（1）該研究僅選擇了山東濰柴雷沃阿波斯基地作為研究區(qū)域，區(qū)域范圍偏小，每個生育期的實測樣點數據也有所不足，這會給所得研究結果增加一定的不確定性，因此構建的水分響應指數在其他冬小麥種植區(qū)域的適用性以及在空間上的可推廣性、穩(wěn)定性等問題仍需進一步研究。

（2）冬小麥生長中后期，R2PDI在農田水分表征方面相比PDI有較大改善，但與SM的相關性|r|仍然不是特別高。這應該與植被覆蓋度對特征空間土壤線的影響有關，如何結合植被覆蓋度因子進一步優(yōu)化R2PDI等指數是下一步的研究方向。

參考文獻

［1］ZHANG Y，HAO Z C，FENG S F，et al.Agricultural drought prediction in China based on drought propagation and largescale drivers［J/OL］.Agricultural water management，2021，255［2021-09-25］.https：//doi.org/10.1016/j.agwat.2021.107028.

［2］ JIAO W Z，TIAN C，CHANG Q，et al.A new multisensor integrated index for drought monitoring［J］.Agricultural and forest meteorology，2019，268：74-85.

［3］ 余慧倩，張強，孫鵬，等.干旱強度及發(fā)生時間對華北平原五省冬小麥產量影響［J］.地理學報，2019，74（1）：87-102.

［4］ 楊宇，王金霞，侯玲玲，等.華北平原的極端干旱事件與農村貧困：不同收入群體在適應措施采用及成效方面的差異［J］.中國人口·資源與環(huán)境，2018，28（1）：124-133.

［5］ 劉冀，張?zhí)?，魏榕，?基于隨機森林偏差校正的農業(yè)干旱遙感監(jiān)測模型研究［J］.農業(yè)機械學報，2020，51（7）：170-177.

［6］ JIAO W Z，WANG L X，MCCABE M F.Multisensor remote sensing for drought characterization：Current status，opportunities and a roadmap for the future［J］.Remote sensing of environment，2021，256（1）：1-23.

［7］ SUN J J，YANG W D，ZHANG M J，et al.Estimation of water content in corn leaves using hyperspectral data based on fractional order SavitzkyGolay derivation coupled with wavelength selection［J］.Computers and electronics in agriculture，2021，182（1）：1-8.

［8］ KATARZYNA K，JUSTYNA S，JAKUB S，et al.Estimation of bare soil moisture from remote sensing indices in the 0.4-2.5 mm spectral range［J］.Transactions on aerospace research，2021（2）：1-11.

［9］ 尹國應，張洪艷，張良培.2001—2019年長江中下游農業(yè)干旱遙感監(jiān)測及植被敏感性分析［J］.武漢大學學報（信息科學版），2022，47（8）：1245-1256，1270.

［10］ FARIDATUL M I，AHMED B.Assessing agricultural vulnerability to drought in a heterogeneous environment：A remote sensingbased approach［J］.Remote sensing，2020，12（20）：1-17.

［11］ GHULAM A，QIN Q M，ZHAN Z M.Designing of the perpendicular drought index［J］.Environmental geology，2007，52（6）：1045-1052.

［12］ SANDHOLT I，ASMUSSEN K，ANDERSEN J.A simple interpretation of the surface temperature/vegetation index space for assessment of surface moisture status［J］.Remote sensing of environment，2002，79（2/3）：213-224.

［13］ KOGAN F.World droughts in the new millennium from AVHRRbased vegetation health indices［J］.EOS，transactions，American Geophysical Union，2002，83（48）：557-563.

［14］ 董婷，任東，邵攀，等.基于多源遙感數據和隨機森林的綜合旱情指標構建［J］.農業(yè)機械學報，2019，50（8）：200-212.

［15］ PATIL A S，PATIL A A，PATIL S P，et al.Analysis of the agriculture drought severity and spatial extent using Vegetation Health Index （VHI） in Manganga watershed of Maharashtra，India［J］.Disaster advances，2021，14（2）：36-47.

［16］ SHASHIKANT V，SHARIFF A R M，WAYAYOK A，et al.Utilizing TVDI and NDWI to classify severity of agricultural drought in Chuping，Malaysia［J］.Agronomy，2021，11（6）：1-18.

［17］ 權文婷，王旭東，李紅梅.基于FY-3D/MERSⅠ-Ⅱ數據的陜西農業(yè)干旱遙感監(jiān)測應用研究［J］.干旱地區(qū)農業(yè)研究，2021，39（1）：158-163.

［18］ SHAHABFAR A，GHULAM A，EITZINGER J.Drought monitoring in Iran using the perpendicular drought indices［J］.International journal of applied earth observation and geoinformation，2012，18：119-127.

［19］ LASHKARI A，IRANNEZHAD M，ZARE H，et al.Assessing longterm spatiotemporal variability in humidity and drought in Iran using Pedj Drought Index （PDI）［J］.Journal of arid environments，2021，185：1-10.

［20］ 王小平.基于高光譜的半干旱區(qū)作物水分脅迫及其生理參數監(jiān)測模型研究［D］.蘭州：蘭州大學，2014.

［21］ GHULAM A，QIN Q M，TEYIP T，et al.Modified perpendicular drought index （MPDI）：A realtime drought monitoring method［J］.ISPRS journal of photogrammetry and remote sensing，2007，62（2）：150-164.

［22］ 森卡貝爾·普拉薩德·S，里昂·約翰·G，韋特·阿爾韋雷德.高光譜植被遙感［M］.劉海啟，李召良，譯.北京：中國農業(yè)科學技術出版社，2015.

［23］ 王紀華，趙春江，郭曉維，等.用光譜反射率診斷小麥葉片水分狀況的研究［J］.中國農業(yè)科學，2001，34（1）：104-107.

［24］ 李伯祥，陳曉勇.基于Sentinel多源遙感數據的河北省景縣農田土壤水分協同反演［J］.生態(tài)與農村環(huán)境學報，2020，36（6）：752-761.

［25］ 孫慧.基于高光譜監(jiān)測的干旱脅迫下冬小麥生長生理響應研究［D］.太谷：山西農業(yè)大學，2018.

［26］ 董婷，孟令奎，張文.MODIS 短波紅外水分脅迫指數及其在農業(yè)干旱監(jiān)測中的適用性分析［J］.遙感學報，2015，19（2）：319-327.

［27］ FILELLA I，PENUELAS J.The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status［J］.International journal of remote sensing，1994，15（7）：1459-1470.

［28］ GHOLAMIN R，KHAYATNEZHAD M.Assessment of the correlation between chlorophyll content and drought resistance in corn cultivars （Zea mays）［J］.Helix，2020，10（5）：93-97.

［29］ MADHURA S，SMITHA T V.Multispectral imaging for identification of water stress and chlorophyll content in paddy field using vegetation indices［M］//VERMA P，SAMUEL O D，VERMA T N，et al.Advancement in meterials，manufacturing and energy engineering：Vol.I.Singapore：Springer Singapore，2021：11-19.

［30］ 馮銳，武晉雯，王宏博，等.玉米苗期干旱脅迫對關鍵生育期的光譜特征影響分析［J］.光譜學與光譜分析，2020，40（7）：2222-2234.

［31］ 李萌.夏玉米理化參數對連續(xù)水分脅迫的響應特征及遙感監(jiān)測［D］.南京：南京信息工程大學，2018.

［32］ SUN H，LI M Z，ZHAO Y，et al.The spectral characteristics and chlorophyll content at winter wheat growth stages［J］.Spectroscopy and spectral analysis，2010，30（1）：192-196.

［33］ 王慧琴，王君杰，馮美臣，等.不同密度冬小麥葉綠素含量的冠層光譜響應研究［J］.山西農業(yè)大學學報（自然科學版），2013，33（5）：374-377.

［34］ SIMS D A，GAMON J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages［J］.Remote sensing of environment，2002，81（2/3）：337-354.

［35］ VOGELMANN J E，ROCK B N，MOSS D M.Red edge spectral measurements from sugar maple leaves［J］.International journal of remote sensing，1993，14（8）：1563-1575.

［36］ 賀可勛，趙書河，來建斌，等.水分脅迫對小麥光譜紅邊參數和產量變化的影響［J］.光譜學與光譜分析，2013，33（8）：2143-2147.

［37］ CHANDEL N S，RAJWADE Y A，GOLHANI K，et al.Canopy spectral reflectance for crop water stress assessment in wheat （Triticum aestivum L.）［J］.Irrigation and drainage，2021，70（2）：321-331.

［38］ REN S，GUO B，WANG Z，et al.Optimized spectral index models for accurately retrieving soil moisture （SM） of winter wheat under water stress［J/OL］.Agricultural water management，2022，261［2021-09-25］.https：//doi.org/10.1016/j.agwat.2021.107333.