垂直干旱指数的改进及在冬小麦生长季的应用

陈媛媛 幸泽峰 焦为杰 胡华浪 游炯 祝龙

摘要 基于近紅外-红波段特征空间的垂直干旱指数（PDI）在表征土壤水分时精度还有待于提高。为提高PDI对土壤水分的敏感性，基于短波红外和红边波段对作物水分胁迫响应更为敏感这一事实，考虑Sentinel 2卫星数据的短波红外、红边1、红边2和红边3波段，分别与红波段构建特征空间，提出新的土壤水分监测指数（分别记为SPDI、R1PDI、R2PDI和R3PDI），改进PDI，并基于冬小麦全生育期的土壤湿度实测数据评价构建的指数。结果表明，与PDI相比，新建立的指数在表征土壤墒情方面表现良好，与实测土壤湿度的负相关性更强。冬小麦播种、越冬、拔节和灌浆期的土壤墒情最优表征指数分别是SPDI、R1PDI、R2PDI和R2PDI，这些指数与实测数据的相关系数绝对值|r|分别为0.79、0.74、0.70和0.61，相关性极显著，均强于PDI与冬小麦播种、越冬、拔节和灌浆期实测数据的相关性。Sentinel 2数据的短波红外、红边1和红边2波段更适合构建水分响应指数，与红波段构建的新型指数在土壤墒情监测方面具有潜力。

关键词 土壤湿度；垂直干旱指数；短波红外；红边

中图分类号 S127;TP79  文献标识码 A

文章编号 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

农业干旱是土壤含水量持续偏低，导致农作物吸水量小于蒸腾量、作物体内水分收支失衡，从而无法正常生长的现象［1-2］。我国水资源缺乏，农业生产易受干旱影响，尤其是水资源短缺的华北地区，农业干旱发生频率更高［3-4］，对粮食生产是一种潜在威胁。及时掌握农业干旱的发生发展状况是农业生产实现节本增效的基础，对我国粮食安全意义重大。遥感作为时空连续信息获取的手段，在农业干旱监测过程中发挥了重要作用［5-6］。水分是影响土壤和植被波谱曲线的一个重要因素，不同土壤水分和植被含水量状况下，地表发射或反射的电磁辐射明显不同，这是农业干旱遥感监测的物理基础［7-8］。因此，卫星遥感通过获取地表的温度、反射率等信息来间接监测农业干旱［9-10］。鉴于此，国内外研究者提出了多种农业干旱指数，如垂直干旱指数（perpendicular drought index，PDI）、温度植被干旱指数、植被健康指数、综合多源遥感数据的监测指数等［2，11-16］。其中，PDI同时考虑了土壤和植被特征，物理意义明确，计算过程简单，在农业干旱遥感监测中备受关注［17-19］。

植被和土壤是农业干旱的主要承载体。植被在红波段吸收性很强，在近红外波段反射率急剧上升，形成红边，这是植被光谱曲线最为明显的特征。受到水分胁迫时，植被活力、叶绿素含量会发生潜在变化，这些变化会引起红和近红外波段反射率变化［20］。土壤反射率曲线相对平滑，红和近红外波段的反射率差异不大，当受到水分胁迫时，土壤反射率升高。红和近红外波段反射率构成的散点图近似三角形，Ghulam等［11］基于这一原理，利用遥感数据红和近红外波段的反射率特征空间，提出了PDI，用以表征土壤的干湿状况。PDI适于裸土或低植被覆盖的地表，为监测高植被覆盖度地表干湿状况，Ghulam等［21］引入植被覆盖度因子，对PDI进行改进得到MPDI。在实际应用中，MPDI的稳定性比PDI低，当植被覆盖度较高，尤其是接近于1时，计算结果容易出现极端负值，从而影响结果分析。值得注意的是，构建PDI的红和近红外波段均是通过作物水分胁迫后的生理变化来间接反映旱情，并不能直接快速地捕捉作物水分胁迫信息，这也许是一些研究中PDI与土壤水分含量相关性并不高的一个原因。

短波红外波段，植被的光谱反射率主要受含水量影响，叶内含水量减少，光谱反射率升高［22］。已有相关研究表明，短波红外波段，尤其是1.6、1.7 μm处的波段反射率对植被、土壤水分变化非常敏感，水分胁迫响应稳定［20，22-25］。董婷等［26］利用MODIS数据的2个短波红外波段构建了水分胁迫指数，表明与增强植被指数、MPDI等指数相比，水分胁迫指数与实测土壤湿度的相关性更高。红边是0.68～0.75 μm区间内光谱反射率急剧升高的波段，对植被变化非常敏感。不少研究对红边水分胁迫敏感性给予了关注。Filella等［27］指出，红边峰值可以作为水分胁迫严重时候的指示因子。孙慧［25］的研究表明，红边参数为冬小麦叶片含水量及植株含水量的最优特征参数。以上关于短波红外和红边作为水分胁迫直接光谱响应机制的研究显示，短波红外或红边波段或更适合构建水分敏感指数。作物受到水分胁迫时一个明显特征是叶绿素含量降低［28-31］，可见光波段，尤其是红光［20］对叶绿素含量的变化最为敏感［32-33］，这是植被水分变化的间接光谱响应机制。因此，利用短波红外、红边分别与红波段构建的特征空间监测农田水分的有效性是一个值得关注的科学问题。

Sentinel 2卫星搭载的成像光谱仪是同时具有可见光、短波红外和红边波段的高分辨率数据源，为农业干旱监测带来了新的机遇。查阅已见刊的文献，少有文献同时研究Sentinel 2数据的短波、红边波段在农业干旱监测中的潜力。

因此，笔者分别用短波红外、红边与可见光的红波段构建特征空间及水分响应指数，研究所构建的指数表征土壤水分的有效性，深化短波红外、红边及红波段在干旱监测中的应用；冬小麦是我国主要的口粮作物，以冬小麦为研究对象，探讨播种期、越冬前、拔节期、灌浆期等水分关键时期内，基于短波红外、红边和红波段构建的水分响应指数与实测土壤水分的关系，进而提出针对冬小麦不同生育期的土壤含水量表征指数。

1 研究区域及数据源

1.1 研究区域

试验在山东省潍坊市潍柴雷沃阿波斯智慧农业示范基地（119.15°～119.17°Ｅ，36.56°～36.57°Ｎ）进行（图1），基地占地约9.2 km2，地表覆盖以耕地为主，周边还包括水体、道路、居民地等。基地主要种植小麦、玉米、花生、蔬菜等作物。

1.2 遥感数据与预处理

Sentinel 2是欧洲空间局2015年发射的卫星，由A、B星组成，搭载了多光谱成像仪，光谱范围为0.4～2.2 μm，其中第4、5、6、7、8和11波段分别对应红、红边1、红边2、红边3、近红外和短波红外波段，空间分辨率为10/20 m（表1）。该研究使用Google Earth Engine平台中的Sentinel 2地表反射率产品。考虑到不同生育期冬小麦长势和地表覆盖情况不同，为研究从裸土到全植被覆盖情况下，不同指数对土壤干湿状况的敏感程度，该研究分别获取了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，分别对应冬小麦的播种期、越冬前、拔节期和灌浆期。为统计特征空间的规律和计算相关指标，所有波段统一重采样成10 m空间分辨率。

1.3 实测数据

在1.2中所述的4个日期，利用XS2-UGA土壤水分测试仪实地测试了冬小麦种植区域的土壤体积含水量（0～100% m3/m3），用于表征实测土壤湿度（soil moisture，SM），XS2-UGA仪器土壤体积含水量的测量精度在±2% m3/m3以内；内置GPS定位模块，可显示测量点的经纬度；同时配有高精度实时时钟和数据存储器，可显示具体测量时间和存储数据。依据实测点位分布较均匀、插探针处地下没有硬质土块或非土壤物质、仪器记录数据稳定等原则，以上4个日期分别在16、21、17和23个点位上实测了地面以下0～10、10～20和20～30 cm（以下分别记为10、20和30 cm）3个土层的SM数据，并计算了3个土层的平均SM。每次测量前一段时间内并未对小麦进行灌溉或出现降水，麦田相对干旱，尤其是4月16日拔节期和5月26日灌浆期相对前2个生育期小麦需水量较大，麦田呈现缺水状态。每个点位的时间信息用于匹配相应的卫星数据，空间位置用于匹配对应位置处的像元。图1给出了4月16日拔节期的实测点位信息。

2 研究方法

2.1 指数构建

在PDI建立的过程中，地表水分与特征空间的关系如下：近红外-红波段反射率散点图中的底线为土壤线，无植被覆盖和低植被覆盖度的点落在土壤线附近，两端分别表示水分饱和、极端干旱状态，离原点越远，对应像元的反射率逐渐增大，表示土壤水分由湿润逐渐向干旱过渡。垂直于土壤线方向表示植被覆盖情况，离土壤线越远，对应像元的近红外波段反射率越大，红波段反射率越小，表示植被覆盖度越高。因此，特征空间中任一点到土壤线的垂线距离表示土壤干湿状况。在此基础上，考虑短波红外和红边波段对水分的敏感性，用Sentinel 2数据的短波红外和红边替换近红外波段，分别构建研究区域的短波红外-红、红边-红波段反射率特征空间，图2给出冬小麦播种期的红边3-红波段反射率特征空间作为示例。根据PDI的计算公式（1），分别计算基于不同波段的冬小麦水分响应指数，其中基于短波红外的记为SPDI，基于红边1、2、3波段的分別记为R1PDI、R2PDI、R3PDI。

PDI=ρred+MρiM2+1（1）

式中，ρ为反射率，red表示红波段，i表示短波红外、红边1、红边2或红边3波段，M为土壤线斜率。土壤线斜率的提取和指数的计算在IDL平台中实现。

2.2 相关性分析

以SM为参考，验证遥感指数的有效性和敏感性。基于位置关系，让实测点数据与像元配对关联，将所构建的指数与实测位置点进行空间叠置，提取位置点处的像元指数值，以SM为纵坐标、遥感指数值为横坐标做散点图与相关性趋势线，利用Pearson系数及显著水平来评价不同指数对土壤湿度的敏感性，分析不同指数间的敏感性差异。

3 结果与分析

3.1 基于平均SM的结果

表2给出了在冬小麦不同生育期遥感反演指数与实测SM间的相关系数，图3～6为各指数与平均SM的线性关系。可以看出，各指数与平均SM均呈负相关关系，但相关程度依不同生育期指数而不同。具体来看，10月26日播种期，5个指数与平均SM的相关系数绝对值（|r|）都在0.70以上，且均通过了99%的置信度检验，其中SPDI与平均SM的相关性最好，|r|为0.79；其次为R3PDI，|r|为0.78；PDI、R1PDI、R2PDI 3个指数表现相差无几。12月25日越冬前，5个指数与平均SM的|r|除PDI以外，SPDI、R1PDI、R2PDI、R3PDI 4个指数也在0.7以上，均通过了99%的置信度检验，以R1PDI表现最佳，但4个指数差别不大，较PDI都有所改进。4月16日拔节期，PDI与平均SM的相关性一般，R2PDI与平均SM的相关性最好，|r|为0.7，通过了99%的置信度检验，其次为SPDI，|r|为0.5，通过了95%的置信度检验。5月26日灌浆期，PDI与平均SM的相关性一般，R2PDI和SPDI与平均SM的相关性明显改善，|r|分别为0.61和0.59，均通过了99%的置信度检验。

3.2 基于各层SM的结果

各生育期表现最好的指数与各层SM的相关性见图7～10。播种期，SPDI与10、20、30 cm层的|r|为0.66及以上，在0.01水平上显著相关。越冬前，R1PDI与10、20、30 cm层SM的|r|分别为0.48、0.54和0.68，且均通过了95%的置信度检验，其中与30 cm层在0.01水平上显著相关。拔节期，R2PDI与各层SM的|r|分别为0.46、0.55、0.43，仅与20 cm层的相关性通过了95%的置信度检验，与10、30 cm层的SM在0.1水平上相关。灌浆期，R2PDI与10、20、30 cm的|r|在0.4～0.5，均通过了95%置信度检验。

PDI在裸土和低植被覆盖情况下表现较好，随着冬小麦生育期的推进，植被覆盖度逐渐增大，PDI与SM的相关性变差，这一结论与前人的研究结果是一致的。改进型的指数在每个生育期表现不同，播种、越冬、拔节、灌浆期的最佳指数分别是SPDI、R1PDI、R2PDI和R2PDI。相比于PDI，这几个指数由于考虑了对水分更为敏感的短波红外和红边波段，播种、越冬、拔节、灌浆期与平均SM的相关系数|r|较PDI分别提高了0.07、0.08、0.29、0.23，尤其在冬小麦生长中后期，与SM的相关性改善明显。Sentinel 2数据的3个红边中，以0.704和0.741 μm为中心波长的红边适于土壤墒情监测，其中0.704 μm的红边更适于生长前期，0.741 μm的红边更适于生长中后期。这与生长前期叶绿素水平相对较低，而0.704 μm 左右的波段对幼叶的叶绿素含量比较敏感有关［34］。该研究使用0.704 μm红边和红波段组合，通过监测幼苗由于受到水分胁迫引起叶绿素含量变化来反映冬小麦生长前期的土壤墒情。研究区域在拔节初期3月20日给冬小麦追施了含有氮磷钾的复合肥，追肥的同时并没有浇水，而拔节期是冬小麦营养生长最旺盛、水肥需求最多的时期，该研究中拔节和灌浆期冬小麦呈现缺水不缺肥的状态，而0.740 μm左右的波段反射率对植被水分、叶绿素浓度和叶冠层的综合信息更为敏感［35］。该研究使用0.741 μm红边和红波段组合，通过对冬小麦缺水不缺肥反映出来的综合状况来表征冬小麦生长中后期的土壤墒情。从全生育期来看，R2PDI与各个生育期SM的相关性表现整体较好，|r|都在0.6以上，其次是SPDI。

4 结论与讨论

4.1 结论

在前人研究工作的基础上，笔者以冬小麦整个生长周期为研究对象，考虑短波红外、红边反射率对植被、土壤水分的敏感性，分别与红波段构建反射率特征空间，改进PDI指数，并利用冬小麦全生育期的实测SM数据对改进指数进行评价，分析不同植被覆盖条件下新构建的水分响应指数的适用性。主要得出以下结论：①PDI与SM的相关性随着植被覆盖度的增大而变差；②与PDI相比，新构建的指数与实测SM的相关性更高，能更好地反映不同生育期冬小麦土壤水分胁迫情况，播种、越冬、拔节和灌浆期分别使用SPDI、R1PDI、R2PDI和R2PDI来监测土壤水分效果较好；③短波红外、红边更适合构建水分响应指数，与红波段构建的新型指数在土壤墒情监测方面具有潜力，该研究是对农业干旱遥感监测认知的进一步深入。

4.2 创新点

（1）已见刊文献对于红边用于干旱监测的研究多是基于红边参数［25，36-38］，而红边参数的计算往往需要光谱仪测得的高光谱及其一阶导数光谱数据。该研究直接用卫星数据的红边波段参与指数计算，增强了遥感监测土壤墒情研究的实用性。

（2）该研究指出了Sentinel 2数据的短波红外和红边在土壤墒情监测中的适用性，并应用于冬小麦整个生长周期的重要生育阶段，对冬小麦全生育期的科学灌溉决策具有重要指导意义。

4.3 讨论

（1）该研究仅选择了山东潍柴雷沃阿波斯基地作为研究区域，区域范围偏小，每个生育期的实测样点数据也有所不足，这会给所得研究结果增加一定的不确定性，因此构建的水分响应指数在其他冬小麦种植区域的适用性以及在空间上的可推广性、稳定性等问题仍需进一步研究。

（2）冬小麦生长中后期，R2PDI在农田水分表征方面相比PDI有較大改善，但与SM的相关性|r|仍然不是特别高。这应该与植被覆盖度对特征空间土壤线的影响有关，如何结合植被覆盖度因子进一步优化R2PDI等指数是下一步的研究方向。

参考文献

［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，张强，孙鹏，等.干旱强度及发生时间对华北平原五省冬小麦产量影响［J］.地理学报，2019，74（1）：87-102.

［4］ 杨宇，王金霞，侯玲玲，等.华北平原的极端干旱事件与农村贫困：不同收入群体在适应措施采用及成效方面的差异［J］.中国人口·资源与环境，2018，28（1）：124-133.

［5］ 刘冀，张特，魏榕，等.基于随机森林偏差校正的农业干旱遥感监测模型研究［J］.农业机械学报，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］ 尹国应，张洪艳，张良培.2001—2019年长江中下游农业干旱遥感监测及植被敏感性分析［J］.武汉大学学报（信息科学版），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.基于多源遥感数据和随机森林的综合旱情指标构建［J］.农业机械学报，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］ 权文婷，王旭东，李红梅.基于FY-3D/MERSⅠ-Ⅱ数据的陕西农业干旱遥感监测应用研究［J］.干旱地区农业研究，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.基于高光谱的半干旱区作物水分胁迫及其生理参数监测模型研究［D］.兰州：兰州大学，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］ 森卡贝尔·普拉萨德·S，里昂·约翰·G，韦特·阿尔韦雷德.高光谱植被遥感［M］.刘海启，李召良，译.北京：中国农业科学技术出版社，2015.

［23］ 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.

［24］ 李伯祥，陈晓勇.基于Sentinel多源遥感数据的河北省景县农田土壤水分协同反演［J］.生态与农村环境学报，2020，36（6）：752-761.

［25］ 孙慧.基于高光谱监测的干旱胁迫下冬小麦生长生理响应研究［D］.太谷：山西农业大学，2018.

［26］ 董婷，孟令奎，张文.MODIS 短波红外水分胁迫指数及其在农业干旱监测中的适用性分析［J］.遥感学报，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］ 冯锐，武晋雯，王宏博，等.玉米苗期干旱胁迫对关键生育期的光谱特征影响分析［J］.光谱学与光谱分析，2020，40（7）：2222-2234.

［31］ 李萌.夏玉米理化参数对连续水分胁迫的响应特征及遥感监测［D］.南京：南京信息工程大学，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，冯美臣，等.不同密度冬小麦叶绿素含量的冠层光谱响应研究［J］.山西农业大学学报（自然科学版），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］ 賀可勋，赵书河，来建斌，等.水分胁迫对小麦光谱红边参数和产量变化的影响［J］.光谱学与光谱分析，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.