【研究意义】受成土母质、气候、地形、生物等成土因子的影响，土壤是时空连续的变异体［1］，不仅是陆地生态的关键组成部分，而且能够为植被的生长提供养分［2］。氮素是植物从土壤中吸收量最大的矿质元素，是植物生长发育所必需的大量营养元素之一，同时也是自然界中各种生态系统生产力高低的主要限制因子［3］。关于土壤和植物养分监测的研究方法中，传统的室内化学分析方法需要破坏样本，且耗时长、工作量大，在大范围快速诊断土壤和植物养分方面具有较大的局限性，而高光谱技术作为现代科技的新兴手段，具有快速、经济、无损、大尺度等特点［4-6］，能获得比传统遥感手段更连续和完整的光谱信息，从而更加精准地获取一些农学信息，在估测水稻［7］、玉米［8］、小麦［9］和甘蔗［10］等大田作物的营养状况方面已得到广泛应用。因此，应用高光谱遥感技术，选择适宜反演模型和光谱指标定量反演土壤和植物养分含量，对于精确诊断和实时调控区域尺度范围内的土壤和植物养分水平具有重要意义。【前人研究进展】近年来国内外学者在不同土壤类型或作物高光谱曲线特征、土壤或植物养分与光谱反射率关系以及土壤和植物养分定量反演等方面，开展了很多研究，取得较大进展。如张娟娟等［11］分析了我国5种不同类型土壤全氮及速效氮含量与近红外光谱反射率间的关系，发现相关性最高的敏感波段为1 879～1 890 nm与2 050～2 100 nm，建立的线性回归模型具有较高的预测精度；李焱等［12］基于不同利用方式土壤光谱和养分数据，分析土壤高光谱反射率及其变形与全氮含量的相关性，建立的反射率二阶微分预测模型的拟合系数最高为0.956，均方根误差最低为0.045，其模型的稳定性和预测精度高，可更好地快速预测土壤全氮含量；Rajeev等［13］研究指出植被的氮素吸收波段主要在红边和短波红外光谱范围，如430、640、910、1 510、2 060、2 350 nm波段；李萍等［14］采取逐步回归法对叶片氮素含量与叶片光谱参数之间的相关性进行分析，在库尔勒香梨叶片氮素含量与敏感波长720 nm处的原始光谱和敏感波长703 nm处的一阶微分光谱构建的线性模型，决定系数R2值均＞0.90；谌俊旭等［15］基于不同氮素水平田间试验，分析大豆叶片光谱与氮素含量的关系，大豆冠层光谱一阶导数变换后红边幅值呈现先增加后降低的趋势，随叶片氮积累量的增加和减小出现“红移”与“蓝移”现象，构建线性模型的R2达0.847、乘幂模型的R2达0.872，能较精确地估测大豆冠层叶片氮素状况；张潇元等［16］利用高光谱植被指数对作物叶氮含量进行定量反演，反演冬小麦叶氮含量的最优中心波长随植被指数和作物种类的不同而有所差异，应用多指数联合反演模型，可显著提高反演精度，并且联合反演模型在不同高光谱传感器下有一定普适性。【本研究切入点】目前在高光谱遥感估算建模研究中，前人研究主要集中在土壤或植物体上，在绿洲农田生态系统中的研究较多［17-19］，而在荒漠生态系统中高光谱遥感应用研究较少，尤其是缺乏荒漠植物与其生境土壤相互结合的高光谱遥感应用研究，而荒漠生态系统又是气候变化最为敏感的区域，其植被变化对气候适应具有重要指示作用［20］。【拟解决的关键问题】以古尔班通古特沙漠梭梭（Haloxylon ammodendron）幼苗及其生境土壤为研究对象，研究荒漠区梭梭幼苗植株冠层光谱特征，利用幼苗植株氮素含量和土壤氮素含量间的关系，分析幼苗植株冠层光谱特征与生境土壤氮素含量间的相关性，筛选幼苗植株冠层光谱与土壤氮素含量相关性较强的敏感波段，建立基于高光谱的梭梭幼苗生境土壤氮素含量最佳估算模型，为新疆准噶尔盆地荒漠区植物与土壤养分状况的实时监测与精确诊断提供重要依据和技术支撑。
1 材料与方法
1.1 研究区概况
试验区位于准噶尔盆地古尔班通古特沙漠的东部，地处古尔班通古特沙漠与吉木萨尔县交错带，地势南高北低，属中温带大陆性半荒漠干旱气候，夏季炎热，冬季酷寒而漫长。全年平均气温6～10 ℃，有5个月平均气温在0 ℃以下，极端最高气温达40 ℃以上，极端最低气温则低于-40 ℃，≥10 ℃的活动年积温为3 000～3 500 ℃，年降水量100～150 mm，蒸腾量1 900～2 500 mm，全年日照时数3 100～3 200 h，无霜期150～170 d，地下水位3～5 m；冬春季有降雪，积雪深度达10～35 cm、时间长达3～4个月，春夏季盛行西风、西北风以及东北风，从沙漠中部到边缘的大风天数为25～77 d不等。植被组成主要以梭梭和白梭梭为代表，常见的还有白皮沙拐枣、蛇麻黄、白刺等荒漠植物，以及在春季萌发的多种短命、类短命植物，土壤质地为沙土，以风沙土为主［21］。
1.2 研究方法
2017年春季，在古尔班通古特沙漠东部吉木萨尔县林业管护站周边荒漠区，选取具有代表性的梭梭生长试验区（88°50′09.95″～88°48′13.18″E，44°32′10.04″～44°25′54.26″N），每隔2 km设置1个50 m×50 m的监测样方，共6个样方，每个样方内标记野生梭梭幼苗30株作为试材。采用土壤与植物相结合的研究方法，把土壤和植物对应统一成一个整体进行研究，分别在梭梭幼苗生长的萌芽期（4月21日）、同化枝生长期（7月18日）和枝条生长后期（8月30日），测定样方内标记的梭梭幼苗植株冠层光谱，并采集相应的土壤和幼苗植株样品带回实验室测定氮素含量。
1.2.1 梭梭幼苗植株冠层光谱的测定 采用便携式光谱仪（美国，SVC HR-768型）进行测定，该仪器的光谱范围为350～2 500 nm，通道数768，在350～1 000 nm范围内的光谱带宽≤3.5 nm，1 000～1 500 nm和1 500～2 100 nm 范围内的光谱带宽≤16 nm，最小积分时间1 ms。选择天气晴朗无云的白天，测量时间为12: 00～16: 00，测量方式为漫反射式，采用视场角为8°的探头，为确定幼苗植株冠层在光谱仪的观测视角内，测量时保持光谱仪距离土壤或植株样本表面垂直上方50 cm处；测定前应进行系统配置优化和白板校正，在测试过程中每隔10 min对仪器进行一次优化与校正。以10个光谱为一采样光谱，每次记录10个光谱，取平均值。在试验区6个监测样方内，每个时期每个样方采集30株标记的梭梭幼苗植株冠层的光谱，整个幼苗生长期内共采集540条植株光谱曲线。
1.2.2 生境土壤氮素和植株氮素含量的测定 分别于梭梭幼苗生长的不同时期，在每个监测样方内，随机采集标记幼苗生境周围0～30 cm土层的土壤样品10个，整个幼苗生长期共采集180个土壤样品，带回实验室风干处理并化验分析，采用碱解扩散法［22］测定土壤速效氮含量。每个时期每个样方随机选取长势一致无病害的梭梭幼苗10株，整株挖出后用保鲜袋封装带回实验室置于冰箱中备存，整个生长期共采集180个幼苗植株样品；在实验室将不同生长期采集的幼苗植株样品进行杀青烘干处理，并将烘干后的幼苗植株样品剪碎、粉碎过筛，装袋备用。植株样品通过H2SO4-H2O2消解后，采用奈式比色法［23］测定幼苗植株全氮含量。
1.2.3 数据分析 利用光谱仪配套软件、SPSS软件和Excel对所测定的光谱原始数据进行统计分析处理。考虑到因系统误差致使光谱曲线首尾两端噪音较大，而截取400～1 800 nm的光谱数据建立梭梭幼苗生境土壤氮素含量的估算模型。植株冠层光谱在波长i nm处的一阶微分光谱计算公式为：
R´（λi）=〔R（λi+1）-R（λi-1）〕/ 2Δλ
式中，λi为i nm波段的波长，R´（λi）为反射率在λi的一阶微分，R（λi+1）为波长λi+1处的植物光谱反射率，Δλ是波长λi+1到波长λi的间隔，在实际计算中，一般用光谱的差分作为微分的有限近似［24］。
估算模型精度检验的均方根误差（RMSE）和相对误差（RE）的计算公式［25］如下：
式中，yi和yi'分别为土壤速效氮含量实测值和模型计算的估算值，n为检验样本数，RMSE、RE值越小，则模型精度越高。
2 结果与分析
2.1 梭梭幼苗植株冠层光谱特征分析
不同生长期梭梭幼苗植株冠层反射光谱特征见图1。由图1可知，萌芽期、同化枝生长期和枝条生长后期，梭梭幼苗植株冠层表现出明显的光谱差异，在不同波段区域光谱响应不同，在400～1 800 nm范围内，梭梭幼苗植株冠层反射率整体上随吸收波长的增加呈先增加后减小再增加的趋势，在1 320～1 660 nm波段出现明显的峰谷变化。梭梭幼苗植株冠层光谱曲线在近红外波段701、956、1 142、1 436 nm处对光的吸收均较其他波段强，且在这4个波段附近出现波谷；在616、782、1 093、1 332、1 705 nm处存在强烈反射，光谱曲线在这5个波段附近出现波峰。不同生长期梭梭幼苗植株冠层光谱反射率大小特征表现为同化枝生长期＞枝条生长后期＞萌芽期，其中，同化枝生长期和枝条生长后期梭梭幼苗植株冠层的光谱反射率显著高于萌芽期。
图1 不同生长期梭梭幼苗植株冠层光谱反射率
Fig. 1 Canopy spectral reflectance of H. ammodendron seedlings in different growth periods
2.2 梭梭幼苗植株氮素含量与生境土壤氮素含量的相关性分析
植物从土壤中吸收的氮素营养主要来源于土壤中的速效氮，土壤速效氮含量是土壤氮素有效性的重要指示指标［26］。由生长期内梭梭幼苗植株全氮含量与土壤速效氮含量的相关性分析（表1）可知，从萌芽期至枝条生长后期，幼苗植株全氮含量的变化特征表现为先增加后降低再增加的趋势，最大值出现在同化枝生长期、为14.21 g/kg，较含量最低的萌芽期高77.18%，差异显著，而幼苗生境土壤速效氮含量的变化特征与幼苗植株全氮的一致，同化枝生长期时达到最大值15.27 mg/kg，较萌芽期高61.25%，差异显著。不同生长期幼苗植株氮素含量与土壤氮素含量之间的特征呈正相关，各时期的相关系数均≥0.936，且相关性均达到极显著水平，表明梭梭幼苗植株氮素含量水平能够较好的反映其生境土壤氮素养分状况。
表1 梭梭幼苗植株氮素含量与土壤氮素含量之间的相关系数
Table 1 Correlation coefficient between the total nitrogen content of H.ammodendron seedlings and soil nitrogen content
注：同列数据后小写英文字母不同者表示差异显著，**表示极显著相关，n=60。
Note: Different lowercase letters in the same column represent significant differences, and ** indicate extremely significant differences. n=60.
相关系数Correlation coefficient萌芽期Sprouting period生长时期Growth period幼苗植株全氮含量Total nitrogen content of seedlings（g/kg）土壤速效氮含量 Soil available nitrogen content（mg/kg）8.02±0.05c 9.47±0.09c 0.936**同化枝生长期Growth period of assimilating shoots 14.21±0.08a 15.27±0.12a 0.953**枝条生长后期Later growth period of branches 11.26±0.06b 12.94±0.11b 0.971**
2.3 梭梭幼苗植株冠层反射光谱与土壤氮素含量的相关性分析
不同光谱数据的数学转换，能消除部分大气、土壤背景、凋落物等低频光谱成分对目标的影响，能更好地揭示植被光谱的内在特性，有利于相关信息的定量反演［27］。在梭梭幼苗植株氮素含量与生境土壤氮素养分状况具有较高相关性的基础上，对梭梭幼苗植株冠层的原始反射光谱做一阶微分、对数一阶和倒数一阶等数学转换，分析幼苗植株冠层光谱相应数学转换后的反射率与幼苗生境土壤氮素含量的相关性，以期筛选出与幼苗生境土壤氮素含量相关性最强的波段。
幼苗植株冠层原始光谱反射率与生境土壤氮素含量的相关性分析结果见图2A。在400～1 800 nm波段内，植株冠层原始光谱反射率与生境土壤氮素含量呈正相关，其中在555、757、880、1 038、1 251 nm处呈极显著正相关，相关系数分别为0.903、0.942、0.964、0.948、0.913，以880 nm处的相关系数最大，为最强敏感波长。
幼苗植株冠层原始光谱反射率的一阶微分与生境土壤氮素含量的相关性分析见图2B。植株冠层光谱反射率一阶微分与土壤氮素含量在403～485、509～538、677～806、1 489～1 616 nm波段范围内均呈显著正相关，其中在敏感波段范围内的428、516、751、801、1 534 nm处均呈极显著正相关，相关系数分别为0.956、0.912、0.981、0.947、0.958，以751 nm处的相关系数最大，为最强敏感波长。
幼苗植株冠层原始光谱反射率的对数一阶微分与生境土壤氮素含量的相关性分析见图2C。光谱反射率对数一阶微分的相关性结果与原始光谱近似，在400～1 800 nm波段内，光谱反射率的一阶微分与土壤氮素含量呈正相关，其中在572、755、879、1 062、1 243 nm处呈极显著正相关，相关系数分别为0.927、0.967、0.970、0.946、0.919，以879 nm处的相关系数最大，为最强敏感波长。
幼苗植株冠层原始光谱反射率的倒数一阶微分与生境土壤氮素含量的相关性分析见图2D。相关性结果与原始光谱相反，在400～1 800 nm波段内，植株冠层光谱反射率倒数一阶微分与土壤氮素含量呈负相关，其中在546、720、879、1 149、1 321 nm处呈极显著负相关，相关系数分别为0.928、0.938、0.969、0.935、0.909，以879 nm处的相关系数最大，为最强敏感波长。以上结果表明，在各光谱转换的敏感波段范围内，可选用最强敏感波长建立幼苗生境土壤速效氮含量的估测模型。
图2 梭梭幼苗植株冠层光谱与生境土壤氮素含量的相关性
Fig. 2 Correlation between the canopy spectral of H. ammodendron seedlings and soil nitrogen content
2.4 梭梭幼苗生境土壤氮素含量估测模型的建立
在光谱反射率与幼苗生境土壤速效氮含量相关性较强的敏感波段范围内，以最强敏感波长处的植株冠层原始、一阶微分、对数一阶微分和倒数一阶微分的光谱反射率为自变量，以土壤速效氮含量为因变量，建立回归模型。土样总数为180个，采用150个样品的土壤速效氮含量数据用于构建反演模型，30个土壤样品数据用于验证模型的精度。回归模型的建模精度采用决定系数R2、检验R2、均方根误差（RMSE）及相对误差（RE）进行评价。
由表2可知，构建各模型的决定系数R2均在0.930以上，模型的检验R2 均在0.60以上，表明模型的预测精度较高，其中幼苗植株冠层原始光谱反射率一阶微分与土壤氮素含量在677～806 nm敏感波段建立的线性回归模型的决定系数R2和检验R2最高，分别为0.963和0.937。不同估测模型的RMSE和RE的大小顺序均表现为幼苗植株冠层光谱反射率一阶微分＜倒数一阶微分＜对数一阶微分＜原始光谱，其中幼苗植株冠层光谱一阶微分反演模型的RMSE和RE值最小，分别为0.921和1.89%，其模拟估算方程的估测值与实测值的拟合性较好。
为了验证模型的可靠性，利用非建模的30个土壤速效氮含量实测数据对估测模型进行验证，由结果（图3）可知，幼苗植株冠层光谱一阶微分反演模型的检验R2值最大，为0.927（图3B），明显高于其他模型，模型的估测值与实测值的相关性最高，估测效果整体上较好。综上所述，幼苗植株冠层光谱一阶微分反演模型Y=133.186X751+8.803，其决定系数最大，相对误差最小，拟合效果最优，精度最高，预测结果较为理想，可作为梭梭幼苗生境土壤氮素含量的最优估算模型。
表2 梭梭幼苗植株冠层光谱与其生境土壤氮素含量估算模型
Table 2 Estimation model for the canopy spectral of H.ammodendron seedlings and soil nitrogen content in its habitats
相对误差RE（%）原始光谱Primitive spectral 550～1251 Y=0.308X880+3.877 0.930 0.835 1.189 4.35一阶微分谱First derivative spectral 677～806 Y=133.186X751+8.803 0.963 0.937 0.921 1.89对数一阶微分谱Logarithmic first derivative spectral 572～1243 Y=45.824X879-14.782 0.941 0.815 1.153 3.85倒数一阶微分谱Reciprocal first derivative spectral 546～1321 Y=-470.25X874+20.822 0.940 0.763 1.039 3.32光谱变换形式Spectral transformation methods敏感波段Sensitive bands（nm）模型表达式Model expression决定系数R2 Determination coefficient R2检验R2 Test R2均方根误差RMSE
图3 梭梭幼苗生境土壤氮素含量估算模型的检验
Fig. 3 Precision tests of estimation models for soil nitrogen content in H.ammodendron seedlings habitats
3 讨论
荒漠区由于受到人为放牧、采集药材的干扰，土壤表面经常有动物粪便、植物枯枝落叶，加之荒漠区风沙大，气候干旱少雨，致使地表短命植物和覆盖物处于不断变化中，造成荒漠土壤环境的复杂性、多变性，对于利用遥感直接监测荒漠土壤地表光谱和土壤养分含量及其动态变化带来一定难度，而且通常测的是植物和土壤的混合光谱，并不是土壤的实际光谱。荒漠区不同的土壤和气候条件会引起地表植物形态和生长的差异，最终会反映在植物冠层光谱反射率的差异上。因此，将土壤与植物相结合对应统一成一个整体，通过遥感监测荒漠区植物的冠层光谱，利用植物冠层光谱与土壤养分之间的相关关系，可以用来实现荒漠区植物生境土壤养分的快速、无损定量反演。
不同生长期梭梭幼苗植株冠层具有明显的光谱差异，在近红外波段701～1 142 nm范围存在强烈反射，这与其他植物植株的光谱反射特征一致［28-29］，在近红外波段光谱反射率较强。幼苗植株冠层光谱不同形式转换后，与生境土壤氮素含量呈极显著相关的敏感波段主要集中在700～1 200 nm范围内，与植株光谱反射率与植株氮素含量相关性较强的敏感波段范围基本吻合，这与潘文超等［30］的研究结果相似，在近红外波段700～1 300 nm范围内，棉花植株冠层反射光谱与土壤氮素含量间呈正相关，但不同地区土壤氮素含量估测的最佳模型有所不同。利用幼苗植株冠层原始光谱反射率一阶微分在敏感波段677～806 nm建立的土壤氮素含量估算模型的决定系数R2、检验R2高于原始光谱及其他光谱形式转换建立的反演模型，而模型的均方根误差和相对误差低于其他反演模型，表明幼苗植株冠层光谱反射率一阶微分反演模型的拟合性最优、精度最高、误差最小，可较稳定地预测土壤氮素含量。
4 结论
本研究利用敏感波段范围内的梭梭幼苗植株冠层原始、一阶微分、对数一阶微分和倒数一阶微分的光谱反射率建立的不同土壤速效氮含量估算模型，通过精度检验，确定基于植株冠层光谱反射率一阶微分的反演模型Y=133.186X751+8.803，其决定系数最大、相对误差最小、拟合效果最优、精度最高，预测结果较为理想，可作为梭梭幼苗生境土壤氮素含量的最优估算模型。
［1］ 杨硕，金文俊，黄海蒙，王军，周得宝，赵阳阳，董召荣，宋贺.耕层土层交换对土壤氮素关键转化过程和玉米氮素利用的影响［J］.中国生态农业学报，2019,27（10）:1515-1527.doi:10.13930/j.cnki.cjea.190265.YANG S, JIN W J, HUANG H M, WANG J, ZHOU D B, ZHAO Y Y,DONG Z R, SONG H. Effects of soil layers exchange on key nitrogen transformation processes in soil and nitrogen utilization by maize［J］.Chinese Journal of Eco-Agriculture, 2019,27（10）:1515-1527.doi:10.13930/j.cnki.cjea.190265.
［2］ BARRETT M, KHALIL M I, JAHANGIR M M. Carbon amendment and soil depth affect the distribution and abundance of denitrifiers in agricultural soils［J］. Environmental Science and Pollution Research International, 2016,23（8）:7899-7910.
［3］ 卜容燕，任涛，廖世鹏，李小坤，丛日环，张洋洋，鲁剑巍.不同轮作和氮肥分配季节下土壤氮素供应和油菜氮素吸收差异［J］.植物营养与肥料学报，2019,25（03）:412-420.doi:10.11674/zwyf.18091.BU R Y, REN T, LIAO S P, LI X K, CONG R H, ZHANG Y Y, LU J W.Difference of soil nitrogen supply and rapeseed nitrogen uptake under different rotation systems and seasonal distribution of nitrogen fertilizer［J］. Journal of Plant Nutrition and Fertilizers, 2019,25（3）:412-420.doi:10.11674/zwyf.18091.
［4］ 李雪莹，范萍萍，侯广利.可见-近红外光谱的土壤养分快速检测［J］.光谱学与光谱分析，2017,37（11）: 3562-3566. doi:10.3964/j.is sn.1000-0593.2017.11.3562.05.LI W Y, FAN P P, HOU G L, Rapid detection of soil nutrients based on yisibleand near infeared spectroscopy［J］. Spectroscopy and Spectral Analysis, 2017,37（11）:3562-3566.doi:10.3964/j.is sn.1000-0593.2017.11.3562.05.
［5］ HE R, LI H, QIAO X. Using wavelet analysis of hyperspectral remotesensing data to estimate canopy chlorophyll content of winter wheat under stripe rust stress［J］. International Journal of Remote Sensing,2018,39（12）:4059-4076.
［6］ 李盛阳，刘志文，刘康，赵子飞.航天高光谱遥感应用研究进 展［J］.红 外 与 激 光 工 程，2019,48（3）:9-23. doi:10.3788/IRLA201948.0303001.LI S Y, LIU Z W, LIU K, ZHAO Z F. Advances in application of space hyperspectral remote sensings［J］.Infrared and Laser Engineering,2019,48（3）:9-23.doi:10.3788/IRLA201948.0303001.
［7］ 曹英丽，邹焕成，郑伟，江凯伦，于丰华.水稻叶片高光谱数据降维与叶绿素含量反演方法研究［J］.沈阳农业大学学报，2019,50（1）:101-107.doi:10.3969/j.issn.1000-1700.2019.01.013.CAO Y L, ZOU H C, ZHENG W, JIANG K L, YU F H. Study on methods of reducing hyperspectral data and retrieving chlorophyll content from rice leaf［J］.Journal of Shenyang Agricultural University, 2019,50（1）: 101-107.doi:10.3969/j.issn.1000-1700.2019.01.013.
［8］ 刘二华，周广胜，周莉.不同干旱条件下夏玉米全生育期冠层吸收光合有效辐射比的高光谱遥感反演［J］.应用生态学报，2019,30（6）:2021-2029.doi:10.13287/j.1001-9332.201906.041.LIU E H, ZHOU G S, ZHOU L.Fraction of absorbed photosynthetically active radiation over summer maize canopy estimated by hyperspectral remote sensing under different drought conditions［J］.Chinese Journal of Applied Ecology, 2019,30（6）:2021-2029. doi:10.13287/j.1001-9332.201906.041.
［9］ 程萌，张俊逸，李民赞，刘豪杰，孙红，郑涛.用于微小型光谱仪的冬小麦抽穗期叶绿素含量诊断模型［J］.农业工程学报，2017,33（1）:157-163.doi:10.11975/j.issn.1002-6819.2017.z1.024.CHENG M, ZHANG J Y, LI M Z, LIU H J, SUN H, ZHENG T.Chlorophyll content diagnosis model of winter wheat at heading stage applied in miniature spectrometer［J］.Transactions of the CSAE,2017,33（1）:157-163. doi:10.11975/j.issn.1002-6819.2017.z1.024.
［10］ 杨绍锷，陈廷速.甘蔗叶片光谱特征分析及氮含量估算初探［J］.广 东 农 业 科 学，2018,45（2）: 145-150. doi:10.16768/j.issn.1004-874X.2018.08.018.YANG S E, CHEN Y S. Spectral characteristics analysis and nitrogen content estimation in sugarcane leaves［J］. Guangdong Agricultural Sciences,2018,45（2）:145-150.doi:10.16768/j.issn.1004-874X.2018.08.018.
［11］ 张娟娟，田永超，姚霞曹，卫星，马新明，朱艳.同时估测土壤全氮、有机质和速效氮含量的光谱指数研究［J］土壤学报，2012,49（1）:50-59.doi:10.11765/trxb201201222532.ZHANG J J, TIAN Y C, YAO X, CAO W X, MA X M, ZHU Y. The spectral index for estimating soil OM,TN and an content simultaneously using near-infrared spectroscopy［J］. Acta Pedologica Sinica,2012,49（1）:50-59. doi:10.11765/trxb201201222532.
［12］ 李焱，王让会，管延龙，蒋烨林，吴晓全，彭擎.基于高光谱反射特性的土壤全氮含量预测分析［J］.遥感技术与应用，2017,32（1）:173-179.doi: 10.11873/j.issn.1004-0323.2017.1.0173.LI Y, WANG R H, GUANG Y L, JIANG H L, WU XQ, PEN Q.Prediction analysis of soil nitrogen content based on hyperspectral［J］.Remote Sensing Technology and Application,2017,32（1）:173-179.doi: 10.11873/j.issn.1004-0323.2017.1.0173.
［13］ RAJEEV R, USHA K C, RABI N S, ANIL K S, SANATAN P.Assessment of plant nitrogen stress in wheat（Triticum aestivum L）through hyperspectral indices［J］. International Journal of Remote Sensing, 2012,33（20）:462-468.
［14］ 李萍，柴仲平，武红旗，盛建东，龚双凤.基于光谱的库尔勒香梨叶片氮素含量估算模型［J］.经济林研究，2013,31（3）:48-53.doi:10.14067/j.cnki.1003-8981.2013.03.019.LI P, CHAI Z P, WU H Q, SHENG J D, GONG S F. Prediction models for total nitrogen content in Korla Fragrant pear leaves based on spectra［J］. Nonwood Forest Research,2013,31（3）:48-53. doi:10.14067/j.cnki.1003-8981.2013.03.019.
［15］ 谌俊旭，黄山，范元芳，王锐，刘沁林，杨文钰，杨峰.单作套作大豆叶片氮素积累与光谱特征［J］.作物学报，2017,43（12）:1835-1844.doi:10.3724/SP.J.1006.2017.01835.CHEN J X, HUA S, FAN Y F, WANG R, LIU Q L, YANG W Y,YANG F. Remote detection of canopy leaf nitrogen status in soybean by hyperspectral data under monoculture and intercropping systems［J］.Acta Agronomica Sinica,2017,43（12）:1835-1844.doi:10.3724/SP.J.1006.2017.01835.
［16］ 张潇元，张立福，张霞，王树东，田静国，翟涌光.不同光谱植被指数反演冬小麦叶氮含量的敏感性研究［J］.中国农业科学，2017,50（3）:474-485.doi:10.3864/j.issn.0578-1752.2017.03.006.ZHANG X Y, ZHANG L F, ZHANG X, WANG S D ,TIAN J G, ZHAI Y G.Sensitivity of different spectral vegetation index for estimating winter wheat leaf nitrogen［J］. Scientia Agricultura Sinica,2017,50（3）:474-485. doi:10.3864/j.issn.0578-1752.2017.03.006.
［17］ 李粉玲，常庆瑞.基于连续统去除法的冬小麦叶片全氮含量估 算［J］.农 业 机 械 学 报，2017,48（7）:174-179. doi:10.6041/j.issn.1000-1298.2017.07.022.LI F L, CHANG Q R. Estimation of winter wheat leaf nitrogen content based on continuum removed spectra［J］.Transactions of the CSAM,2017,48（7）:174-179.doi:10.6041/j.issn.1000-1298.2017.07.022.
［18］ 江振蓝，杨玉盛，沙晋明.福州市土壤铬含量高光谱预测的GWR模型研究［J］.生态学报，2017,37（23）: 8117-8127. doi:10.5846/stxb201609281969.JIANG Z L, YANG Y S, SHA J M. Study on GWR model applied for hyperspectral prediction of soil chromium in Fuzhou city［J］.Acta Ecologica Sinica,2017,37（23）:8117-8127.doi:10.5846/stxb201609281969.
［19］ 刘露，彭致功，张宝忠，韩玉国，魏征，韩娜娜.基于高光谱的夏玉米冠层SPAD值监测研究［J］.水土保持学报，2019,33（1）:353-360.doi:10.13870/j.cnki.stbcxb.2019.01.055.LIU L, PENG Z G, ZHANG B Z, HAN Y G, WEI Z, HAN N N. Monitoring of summer corn canopy SPAD values based on hyperspectrum［J］.Journal of Soil and Water Conservation, 2019,33（1）:353-360. doi:10.13870/j.cnki.stbcxb.2019.01.055.
［20］ 崔楠，吕光辉，刘晓星，秦璐，冉启洋.胡杨、梭梭群落土壤理化性质及其相互关系［J］.干旱区研究，2015,32（3）:476-482.doi:10.13866/j.azr.2015.03.09.CUI N, LV G H, LIU X X, QIN LU,R AN QY.Soil physicalchemical properties of Populus euphratica and Haloxylon persicum communities and their relationship［J］.Arid Zone Research, 2015,32（3）:476-482. doi:10.13866/j.azr.2015.03.09.
［21］ 王春玲，郭泉水，谭德远，史作民，马超.准噶尔盆地东南缘不同生境条件下梭梭群落结构特征研究［J］.应用生态学报，2005（7）:1224-1229.doi:10.13287/j.1001-9332.2005.0129.WANG C L, GUO Q S, TAN D Y, SHI Z M, MA C. Haloxylon ammodendron community patterns in different habitats along southeastern edge of Zhunger Basin［J］.Chinese Journal of Applied Ecology, 2005（7）:1224-1229. doi:10.13287/j.1001-9332.2005.0129.
［22］ 张珂，苏永中，王婷，刘婷娜.荒漠绿洲区不同种植年限人工梭梭林土壤化学计量特征［J］.生态学报，2016,36（11）:3235-3243.doi:10.5846/stxb201506301362.ZHANG K, SU Y Z, WANG T, LIU T N. Soil stoichiometry characteristics of Haloxylon ammodendron with different plantation age in the desert-oasis ecotone,north China［J］.Acta Ecologica Sinica,2016,36（11）:3235-3243.doi:10.5846/stxb201506301362.
［23］ 鲍士旦.土壤农化分析［M］.北京:中国农业出版社，2000:172-189.BAO S D. Soil agrochemical analysis［M］. Beijing: China Agricultural Press,2000:172-189.
［24］ REEVES J, III, MCCARTY G. Quantitative analysis of agricultural soils using near infrared reflectance spectroscopy and a fibre-optic probe［J］. Journal of Near Infrared Spectroscopy, 2001,9（1）:25-32.
［25］ 张峰，周广胜.植被含水量高光谱遥感监测研究进展［J］.植物生态学报，2018,42（5）:517-525. doi:10.17521/cjpe.2017.0313.ZHANG F, ZHOU G S. Research progress on monitoring vegetation water content by using hyperspectral remote sensing［J］.Chinese Journal of Plant Ecology,2018,42（5）:517-525.doi:10.17521/cjpe.2017.0313.
［26］ 吴全金，周喆，孙威江.近红外光谱技术在茶叶品质调控中的应用［J］.广东农业科学，2019,46（1）:91-100. doi:10.16768/j.issn.1004-874X.2019.01.014.WU Q J, ZHOU Z, SUN W J. Review on the application of near-infrared spectroscopy technology in tea quality management［J］.Guangdong Agricultural Sciences,2019,46（1）:91-100. doi:10.16768/j.issn.1004-874X.2019.01.014.
［27］ 张东辉，赵英俊，秦凯，赵宁博，杨越超.光谱变换方法对黑土养分含量高光谱遥感反演精度的影响［J］.农业工程学报，2018,34（20）:141-147.doi:10.11975/j.issn.1002-6819.2018.20.018.ZHANG D H, ZHAO Y J, QIN K, ZHAO N B, YANG Y C. Influence of spectral transformation methods on nutrient content inversion accuracy by hyperspectral remote sensing in black soil［J］.Transactions of the CSAE,2018,34（20）:141-147.doi:10.11975/j.issn.1002-6819.2018.20.018.
［28］ 冯海宽，杨福芹，杨贵军，李振海，裴浩杰，邢会敏.基于特征光谱参数的苹果叶片叶绿素含量估算［J］.农业工程学报，2018,34（6）:182-188.doi:10.11975/j.issn.1002-6819.2018.06.023.FENG H K, YANG F Q, YANG G J, LI Z H, PEI H J, XING H M.Estimation of chlorophyll content in apple leaves base on spectral feature parameters［J］.Transactions of the CSAE, 2018,34（6）:182-188. doi:10.11975/j.issn.1002-6819.2018.06.023.
［29］ 沈佳，熊永柱，许燕婷，刘惠娜，程丹玲.胁迫处理蜜柚叶片色素含量高光谱遥感估测模型研究［J］.广东农业科学，2018,45（8）:118-129.doi:10.16768/j.issn.1004-874X.2018.08.018.SHEN J, XIONG Y Z, XU Y T, LIU H N, CHENG D L.Study on hyperspectral remote sensing estimation models of pigment contents of pomelo leaves under different stresses［J］.Guangdong Agricultural Sciences, 2018,45（8）:118-129. doi:10.16768/j.issn.1004-874X.2018.08.018.
［30］ 潘文超.基于高光谱遥感的棉田土壤含氮量监测模型研究［D］.石河子:石河子大学，2009.PAN W C. Monitoring soil nitrogen based on hyperspectral of cotton canopy［D］. Shihezi: Shihezi University,2009.