叶绿素含量是植物的主要农学参数，是植物光合作用能力、叶片氮素含量以及生长发育的重要指示器，叶绿素含量变化是植物长势监测的重要指标[1]。叶绿素含量的测定是农业科研和农业生产中经常遇到的问题[2]。目前，可以使用多种方法对叶绿素含量进行测定，但传统方法不仅费时费力，采样时容易损坏植物叶片组织结构[3]。另外，由于叶绿素的结构不稳定，容易分解，导致最终测量的叶绿素含量可能会发生变化[4]。随着高光谱遥感技术的不断发展，可以为植物叶绿素含量无损、快速的定量化诊断提供技术支持[5-6]。国内外学者在利用高光谱遥感数据监测叶绿素含量大量的研究，王强等[7]分析了棉花叶绿素密度与原始光谱反射率、一阶导数光谱反射率的相关性，构建了基于比值植被指数和归一化植被指数的叶绿素密度估算模型，其中DR635/DR643为自变量的模型拟合效果最好；孟庆野等[8]通过对现有植被指数模型的改进，对小麦叶绿素含量进行了估算，取得了较好的可靠性。宫兆宁等[9]通过分析植物叶片叶绿素含量与“三边”参数的相关性，构建了基于光谱指数的湿地植被叶片叶绿素含量估算模型，取得了较为理想的预测精度。刘桃菊等[10]探讨了水稻冠层光谱对叶片叶绿素含量的响应规律，得出了水稻冠层叶片叶绿素监测的特征变量。

光谱指数是通过特定的高光谱遥感数据波段进行线性或非线性组合得到的一种光谱参数[11]，其建立时考虑了部分植物内部的物理机制[12]，可以降低或消除环境背景，如土壤、水体等带来的噪声，比单波段具有更好的灵敏性[13]，可以更准确地提取目标信息。光谱指数如归一化光谱指数、比值光谱指数等已广泛地应用于植被含氮量、含水量、叶面积指数等农学参数的反演[14]，从而对植被的生长状况进行定量或定性的评估[15]。

目前对水稻冠层光谱反射率与叶绿素含量的研究以南方水稻为主[16-17]，对宁夏引黄灌区水稻的研究并不多见，且多生育期较为少见[18-21]。为此，本研究以宁夏引黄灌区水稻为研究对象，分析水稻不同生育期内冠层光谱反射率与叶绿素含量的相关性，为利用高光谱遥感技术无损、快速、高效的估测水稻冠层叶绿素含量研究提供理论依据。

1 材料与方法

1.1 研究区概况

研究区选择在宁夏青铜峡市叶盛镇的水稻示范基地。该区地处西北内陆，位于东部季风区与西部干旱区域的交汇地带，属于中温带大陆性干旱气候，冬无严寒，夏无酷暑，四季分明，昼夜温差大，全年日照3 000 h，年平均气温8℃，无霜期176 d，年蒸发量1 400 nm，年降水量260 mm，主要集中在7—9月。地貌类型为黄河河谷平原，海拔1 200 m，地形平坦，土层深厚；土壤为灌淤旱耕人为土，质地较砂，土壤有机质含量较低，养分含量较为贫乏。由于此处属于引黄灌溉区，为水稻的生长提供了得天独厚的条件，水稻是当地主要的作物之一。

1.2 试验设计与样品采集

试验于2015年7—9月在宁夏回族自治区青铜峡市叶盛镇宁夏农科院水稻田间试验区进行。试验共设置3个氮素水平，4个碳素水平，进行碳氮交互试验，共12个处理，分别为C0N0、C0N1、C0N2、C1N0、C1N1、C1N2、C2N0、C2N1、C2N2、C3N0、C3N1和C3N2，C0、C1、C2、C3分别代表四个不同生物质碳用量水平，分别为0、4 500、6 750、9 000 kg·hm-2，N0、N1、N2分别表示氮肥(按纯N量计)用量分别为0、240、300 kg·hm-2。每个处理设置一个重复，采用随机区组设计，共24个试验小区，每个小区面积为21×4.8=100.8 m2。水稻品种为宁粳43号，采用自然生长方式，分三次施肥，每年五月底插秧，九月底或十月初收获。田间观测采样时，每个小区内选择3个样点，直接在原地进行光谱的测定；同时采集植株样品。每期共获取72个样点数据。2015年在水稻生长的07月14日(拔节期)、07月31日(抽穗期)、08月20日(乳熟期)和09月15日(蜡熟期)四个生育期分别进行观测采样，全生育期共获得328个样点的数据，分析建模时将每个生育期中的72个样点数据按照分层随机抽样法选取48个作为建模样本，剩余24个作为检验样本。

1.3 冠层光谱测定

水稻冠层光谱采用美国SVC公司生产的SVCHR-1024i型野外光谱仪测定，光谱范围为350～2 500 nm，光谱分辨率(FWHM)：350～1 000 nm，≤3.5 nm；1 000～1 850 nm，≤9.5 nm；1 850～2 500 nm，≤6.5 nm。分别在上述四个生育期选择晴朗无云、风力微弱的白天于当地时间10∶00—14∶00时，测定冠层光谱。测量前均用白板进行标定，测量时，为了减少稻田水对光谱的影响，采用光谱仪可选配件光纤探头进行测定，探头距水稻叶片垂直高度约0.15 m，光谱仪视场角为7.5°。每个样点测试5条光谱曲线，取其平均值作为该样点的光谱反射值，每次观测得到72条水稻冠层高光谱数据。

1.4 叶绿素含量测定

采用日本KONICA MINOLTA公司生产的SPAD(Soil Plant Analysis Development Unit)502叶绿素计，测量与采集光谱对应的水稻植株的冠层叶绿素，每个样点选择5株水稻，每株水稻选取冠层展开的第2、3片叶进行测量，共取10片叶子的平均值作为该样点的叶绿素含量值。每个生育期观测得到与72条高光谱曲线数据对应的72个叶绿素含量数据。

有一年过年时连队隔壁邻居家老罗，因为他母亲眼神不好，把准备初一吃饺子的荞麦面一半倒在脚地下一半倒在泔水桶，一家人急得哭鼻子，我母亲知道后给他家送去几斤白面。母亲说：“人不能总想着占别人家的便宜，我们可以不巴结权贵但不能看不起、不关心同命人。”

1.5 数据处理

植被指数是遥感应用研究的常用方法之一，被成功地应用于植被叶绿素含量等生物物理参量和植物光合作用等生态功能参量估算，但其对土壤背景的变化比较敏感，适用于植被发育中期或中等覆盖度的植被监测，在低密度植被覆盖条件下估算误差较大，在高覆盖度下容易饱和[21]。本文参考姚霞等[22]研究方法，在350～1 000 nm的波段范围内，利用Matlab编程逐波段计算各生育期水稻冠层光谱反射率的归一化优化指数(Normalized Difference Spectral Index, NDSI)，其计算公式如下。计算NDSI与叶绿素含量的决定系数(R2)，最终得到如图3所示的各生育期决定系数分布图。

最后采用R2、RMSE与RE作为评价指标来检验反演模型的精度，从中选出最优反演模型。其中，RMSE、RE计算公式如下：

(1)

(2)

3) 通过对各生育期内NDSI构建的叶绿素含量反演模型的比较，得到了各生育期内最佳反演模型，分别为拔节期多项式模型、抽穗期指数模型、乳熟期指数模型和蜡熟期多项式模型。

2 结果与分析

2.1 不同生育期水稻冠层光谱特征

供试水稻不同生育期代表性光谱曲线如图1所示，各生育期反射光谱差异较大。在550 nm处形成一个叶绿素的反射峰，在680 nm处形成一个叶绿素的吸收谷，而在近红外波段(760～1 000 nm)形成一个高反射平台。

网络课堂的教学模式可以使用家长管理系统，即学生在观看网络视频中不能操作其他界面，或是长时间没有对电脑进行操作时，实施相应的锁屏办法。要求学生必须通过完整的网络课堂学习而取得相应的网络教学学分。

图1 不同生育期水稻冠层光谱特征曲线

Fig.1 Spectral curves at different growth periods of rice canopy

植物不同生育期由于植株体内的叶绿素含量、细胞结构，以及群体的生物量、叶面积指数等的不同，导致各光谱反射特性也会发生变化光谱反射曲线具有明显的差异。在可见光波段(380～760 nm)，从拔节期到抽穗期，随着水稻的生长发育，反射率不断下降。从抽穗期到蜡熟期，反射率逐渐升高，最大反射率从0.0297上升到0.0974。不同生育期光谱反射率差异不显著。

在近红外波段，拔节期反射率最高，随着水稻的生长发育，反射率不断下降，且不同时期差异显著。在波长760～920 nm波段范围，光谱反射率分别为：拔节期0.5417、抽穗期0.4389、乳熟期0.3893和蜡熟期0.3152，从拔节期到蜡熟期下降了0.2264，降幅达到41.81%。

积累数学基本活动经验是一个长期的过程，需要我们在平时的教学中不断为学生提供活动的机会，精心设计组织好每一个数学活动，使数学学习成为一个生动活泼、富有创造意义的过程，促进学生思维的发展。

2.2 基于敏感波段的叶绿素估算模型

2.2.1 光谱反射率与叶绿素相关性分析 将各生育期水稻冠层光谱反射率分别与其对应的叶绿素含量进行相关分析，结果如图2所示。从图2可以明显看出，在可见光波段内，两者呈负相关关系，近红外波段内，两者之间呈极显著正相关关系，且基本维持在同一水平。

图2 不同生育期冠层光谱反射率与叶绿素含量相关性

Fig.2 Correlation at different growth periods of rice canopy between spectral reflectance and chlorophyll content

在不同生育期，水稻冠层光谱反射率与叶绿素含量的相关性有较大差异。在可见光波段，从拔节期到乳熟期，随着生育期的推进，其光谱反射率与叶绿素含量的相关性逐渐减弱，相关系数由拔节期的-0.7下降到蜡熟期的-0.2以下，其中拔节期与抽穗期的相关系数通过F0.01水平的显著性检验；乳熟期相关系数通过F0.05水平的显著性检验。近红外波段，从拔节期到乳熟期相关系数均在0.5以上，差异不显著，蜡熟期相关系数在0.3上下波动，但是此时四个生育期均通过F0.01显著性水平检验。

2.2.2 基于敏感波段的叶绿素估算模型 根据各生育期水稻冠层光谱反射率与叶绿素含量的相关性，从中选取相关系数最大的波段进行基于单波段的叶绿素含量反演。拔节期，冠层光谱反射率与叶绿素含量的相关性在612 nm处最强，相关系数为-0.7691；抽穗期、乳熟期与蜡熟期相关关系最大的波段，分别为931、932 nm与811 nm，其对应的相关系数分别为0.6195、0.5879与0.3141。根据各生育期所选取的敏感波段构建不同函数类型的冠层光谱叶绿素估算模型，并且对模型进行验证，其结果如表1所示。

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，选取建模拟合度高、验证误差小的模型作为最佳估算模型。通过对比，各生育期的最佳反演模型分别为：拔节期多项式模型和抽穗期多项式模型、乳熟期指数函数模型、蜡熟期幂函数模型。从拔节期到蜡熟期，建模拟合度与验证拟合度逐渐下降，由拔节期内的0.5921、0.6348下降到蜡熟期的0.1708、0.0235；相对误差RE由4.355%上升到19.433%。通过比对蜡熟期各模型的建模参数与验证参数，该生育期的叶绿素反演模型估测精度过低，不能实际应用。

表1 基于敏感波段构建的不同生育期SPAD回归模型及验证

Table 1 Regression models and validation of chlorophyll content at different growth period base on sensitive bands

生育期Growthperiod函数类型Functiontype模型方程Formulaofmodel建模精度ModelingaccuracyR2RMSE验证精度ValidationaccuracyR2RMSERE拔节期(R612)Stemelongation抽穗期(R931)Heading乳熟期(R932)Milkgran蜡熟期(R811)Doughgrain指数Exponentialy=45.955*exp(-3.03*x)0.59022.4440.63302.0424.411线性Lineary=-119.31*x+45.6510.57742.4580.63132.0584.444对数Logarithmicy=-5.542*ln(x)+22.3060.57892.4530.61722.0904.507多项式Polynomialy=866.63*x2-214.94*x+47.6620.59212.4150.63482.0364.355幂函数Powery=25.434*x-0.140.58852.4720.61082.1074.472指数Exponentialy=31.836*exp(0.7141*x)0.51622.8390.53302.6124.810线性Lineary=29.743*x+30.6690.50302.8480.52462.5964.881对数Logarithmicy=8.7946*ln(x)+50.6480.46402.9570.48002.6865.164多项式Polynomialy=43.51*x2+0.8146*x+35.0740.51292.8190.55372.5774.713幂函数Powery=51.485*x0.2120.48002.9330.49052.6865.069指数Exponentialy=32.511*exp(0.4457*x)0.36261.7170.43731.9104.006线性Lineary=16.949*x+32.1280.36111.7160.43721.9284.047对数Logarithmicy=5.7832*ln(x)+44.2810.35251.7270.43201.9684.155多项式Polynomialy=-7.0169*x2+22.041*x+31.2450.36171.7150.43651.9364.067幂函数Powery=44.753*x0.15210.35411.7240.43321.9484.110指数Exponentialy=8.836*exp(1.8351*x)0.16184.0100.02324.01219.541线性Lineary=29.98*x+6.8380.14523.9800.02354.01519.768对数Logarithmicy=10.503*ln(x)+28.4880.14933.9710.02324.00619.762多项式Polynomialy=-53.163*x2+67.598*x+0.34330.14693.9760.02373.99819.737幂函数Powery=33.544*x0.65140.17084.0020.02353.99619.433

2.3 基于NDSI的叶绿素估算模型

由于叶绿素含量对光谱的响应波段集中在可见光、近红外波段，且近红外1 000 nm之后的波段受各种因素的影响噪声较大，因此本文采用350～1 000 nm波段进行分析，对光谱数据进行平滑去噪之后将其重采样至1 nm。通过对冠层原始光谱反射率与叶绿素含量的相关分析，选择相关系数最大的波段即特征波段采用指数、一元线性、对数函数、多项式以及幂函数构建叶绿素含量反演模型；基于全波段归一化光谱指数(NDSI)与叶绿素含量的相关性，从中选择对叶绿素含量变化最敏感的波段组合NDSI构建叶绿素含量反演模型。

式中，Ri和Rj表示任意波段的反射率。

报名截止日期：2018年12月14日。联系人：Maryam Maleki；联系地址：International Piano Forum，Wiesenau 1， D-60323 Frankfurt am Main， Germany；电话：（+49）69 - 7953482-200，-201，-202；传真：（+49）69 - 7953482-157；邮箱：m.maleki@ipf-frankfurt.com，

从图3可以看出，拔节期450～500 nm(横轴)与420～460 nm(纵轴)、540～580 nm(横轴)与750～1 000 nm(纵轴)、610～700 nm(横轴)与400～500 nm(纵轴)以及720～1 000 nm(横轴)与700～750 nm(纵轴)四个区域内的相关系数均大于0.8，其中475 nm与456 nm组成的NDSI(475,456)与叶绿素的相关性最大，相关系数为0.8418。抽穗期，640～660 nm(横轴)与400～500 nm(纵轴)与740～1 000 nm(横轴)与700～760 nm(纵轴)两个组合区域内相关系数均大于0.7，NDSI与叶绿素含量相关性最强的波段组合为782 nm与748 nm NDSI(782,748)，此时相关系数为0.7675。乳熟期，相关系数较大的区域逐渐向近红外-红光波段转移，且此时只有820～950 nm(横轴)与730～850 nm(纵轴)区域内的相关系数大于0.6，其中由822 nm与823 nm波段组成的NDSI(822,823)与水稻叶绿素相关性最强，相关系数为0.6798。蜡熟期，冠层光谱反射率与叶绿素的相关性逐渐减弱，相关系数大于0.6的只剩下700～750 nm(横轴)720～770 nm(纵轴)波段所组成的狭小区域，由730 nm与731 nm波段组合构成的NDSI(730,731)与叶绿素含量的相关性最强，相关系数为0.6349。将以上各生育期相关性强的归一化光谱指数作为特征指数，用于构建水稻叶绿素含量反演模型。

图3 不同生育期NDSI与叶绿素含量相关系数等势线图

Fig.3 Equipotential figure of correlation between NDSI and chlorophyll content at different growth periods

表2为基于NDSI建立的不同生育期水稻叶绿素估算模型及拟合结果。从表3可知从拔节期到乳熟期，拟合R2与检验R2均逐渐减小。利用多项式模型构建的拔节期叶绿素含量反演模型拟合及验证结果较好，其拟合R2与检验R2分别为0.7515与0.6502，而RMSE分别为1.885与1.436，其中检验的RE为4.295%。抽穗期，叶绿素含量反演精度最高的为指数函数模型，其拟合R2为0.6288，检验R2为0.5254，RE为4.553%。乳熟期综合R2、RMSE与RE三者的表现，指数函数模型为最佳模型，其拟合R2、检验R2与RE分别为0.4465、0.5708与3.711%。蜡熟期的最佳反演模型为多项式模型，拟合R2为0.4877，检验R2为0.4396，RE为15.037%。

为了检验所建立的水稻叶绿素估算模型精度及普适性，分别利用检验样本对各生育期的最佳估算模型进行检验，其检验结果如图4所示。由图4可知，不同生育期，其模型精度差异显著。拔节期，模型精度较高，拟合度R2为0.6502，RMSE为1.4356，RE为4.30%；随着生育期的推进，模型精度逐渐下降，至蜡熟期，模型拟合度R2为0.4396，RMSE为2.1403，RE为15.04%。

3 讨 论

高光谱遥感能够快速无损的获取植物冠层的光谱数据，可以通过高光谱数据分析来得到植物的相关信息。特征光谱选择与植被指数是分析高光谱数据的主要方法之一。

随着生育期的推进，植物体内的叶绿素含量逐渐降低，植被光合作用减弱，不同生育期内，水稻冠层光谱反射率对叶绿素含量的敏感强度下降明显，本文通过选取不同生育期内与叶绿素含量相关性最高的波段反射率构建不同生育期预测水稻叶绿素含量，结果表明，拔节期和抽穗期模型预测精度较高，而乳熟期与蜡熟期效果则不理想，可能是由于水稻处于拔节期和抽穗期时，水稻植株持续生长，此时光谱反射率与叶绿素含量相关性较高，而在抽穗期以后，植株进入生殖生长阶段，营养物质不断向穗部转移，叶绿素不断分解，光合作用力逐渐下降，叶绿素与光谱反射率的相关性下降明显，导致以敏感波段构建的叶绿素含量估算模型精度下降。

本文利用水稻不同生育期的高光谱数据通过对西北地区水稻的叶绿素相对含量(SPAD)进行估算，为水稻分生育期的叶绿素估算提供了科学依据。本文研究表明，不同的建模方法对模型的精度具有较大影响。基于敏感波段、NDSI构建的非线性模型精度高于线性模型的精度，这可能是由于数据在采集过程中仪器与操作的影响，使两者存在显著的非线性关系。在不同的生育期内，水稻冠层原始光谱对叶绿素含量的敏感波段以及相关系数各不相同，具有较大差异性。各生育期内与叶绿素含量相关性最强的NDSI波段组合不同，各生育期的最优模型也不尽相同，造成不同生育期内最优反演模型也不相同。

表2 基于NDSI的不同生育期水稻叶绿素含量估算模型及拟合结果

Table 2 Estimation models and validation of chlorophyll content based on NDSI at different growth periods of rice.

生育期Growthperiod函数类型Functiontype回归方程Regressionequation建模精度ModelingaccuracyR2RMSE检验精度ValidationaccuracyR2RMSERE拔节期NDSI(456,475)Stemelongation抽穗期NDSI(748,782)Heading乳熟期NDSI(822,823)Milkgran蜡熟期NDSI(730,731)Doughgrain指数Exponentialy=45.177*exp(-9.121*x)0.75321.8980.64631.4454.288线性Lineary=-362.56*x+45.0220.75091.8870.64921.4374.289对数Logarithmic————————多项式Polynomialy=-1218*x2-328.91*x+44.8910.75151.8850.65021.4364.295幂函数Power————————指数Exponentialy=33.417*exp(2.379*x)0.62882.5260.52641.7954.563线性Lineary=99.275*x+32.6720.61502.5060.52641.7944.570对数Logarithmicy=7.664*ln(x)+60.60.60112.5510.51101.8254.607多项式Polynomialy=-287.28*x2+149.27*x+30.8060.62022.4900.51901.8084.574幂函数Powery=65.384*x0.18440.61952.5350.51621.8124.563指数Exponentialy=38.591*exp(-76.35*x)0.44651.6150.57081.1963.712线性Lineary=-2879.4*x+38.6460.43751.6100.57141.2083.740对数Logarithmic————————多项式Polynomialy=-1E+06*x2-2648*x+38.8850.45181.5890.56471.2213.763幂函数Power————————指数Exponentialy=9.516*exp(137.88*x)0.43983.3270.26212.48617.419线性Lineary=2383.8*x+7.49540.44203.2160.31262.33216.650对数Logarithmicy=10.681*ln(x)+76.3760.47223.1280.37372.23115.800多项式Polynomialy=-570344*x2+7660.4*x-3.79230.48773.0810.43962.14015.037幂函数Powery=534.34*x0.62580.48213.1900.33832.34416.585

图4 基于各生育期最佳模型水稻叶绿素含量验证结果

Fig.4 Validation results of the best models at different growth periods

4 结 论

本文针对西北地区水稻拔节期、抽穗期、乳熟期及蜡熟期，通过分析各生育期冠层光谱反射率与叶绿素含量的相关性，建立了基于敏感波段和NDSI的水稻叶绿素含量反演模型，并对模型反演精度进行比较，得到如下结论：

1) 通过对水稻冠层原始光谱与叶绿素含量的相关性分析，得到各生育期敏感波段，分别为拔节期(612 nm)、抽穗期(931 nm)、乳熟期(932 nm)与蜡熟期(811 nm)。

2) 通过分析各生育期逐波段构建的NDSI与叶绿素含量的相关性，确定各生育期内与叶绿素含量相关性最强的NDSI组合，分别为拔节期NDSI(475 nm，456 nm)、抽穗期NDSI(782 nm，748 nm)、乳熟期NDSI(822 nm，823 nm)与蜡熟期NDSI(730 nm，731 nm)。

式中，为预测值，yi为测量值，n为样本数。

参 考 文 献：

猕猴桃（Actinidia chinensis Planch）属猕猴桃科猕猴桃属，其成熟果实清香、甜美可口，不仅富含微量元素和氨基酸，其所含的维生素C含量居水果之冠[1-3]，而且具有降血压和血脂等药用疗效，是一种兼具食用与药用于一体的果品[4-6]。近年来，国内外对猕猴桃产品的研发活跃，已有果汁饮料、果酒、果干、果酱、果醋等产品面世[7-13]。其中，猕猴桃果酒是一种新型的产品，其酒精度低、口感好、营养保健价值高，受到消费者的喜爱[14]。

[1] 徐新刚,赵春江,王纪华,等.新型光谱曲线特征参数与水稻叶绿素含量间的关系研究[J].光谱学与光谱分析,2011,31(1):188-191.

[2] 张宪政.植物叶绿素含量测定——丙酮乙醇混合液法[J].辽宁农业科学,1986,(3):28-30.

旗帜鲜明讲政治、讲立场这是当代马克思主义理论的根本要求。红色文化促进了文化自信、道路自信、制度自信、理论自信,“筑牢信仰之基、补足精神之钙、把稳思想之舵，把共产党人的精神支柱和政治灵魂立起来”[6]。红色文化使英雄丰满，使故事感人，使情节真实，使理论阐述科学，能把人们带入历史叙事中去认知和切身感受，从而引发人民群众思想共鸣和思维共振，实现政治认同和立场坚定。

[3] Wellburn A R. The spectral determination of chlorophylls a, and b, as well as total carotenoids, using various solvents with spectrophotometers of different resolution[J]. Journal of Plant Physiology, 1994,144(3):307-313.

随着经济的发展和木材需求量的增加，杉木纯林已经不适应现代社会的发展需求。本文主要分析杉木纯林和混交林方面的内容，重点分析了林下植物多样性，得出如下结论：林下植物的多样性指数会受到多因素影响，如物种丰富度、物种数、均匀度指数、植被类型、环境和人为干扰等；本文研究的杉木纯林和混交林的林下植物多样性同样受环境因素的综合影响，某些区域出现物种优势度指数为1.000的情况，主要是因为某一物种在其中占有绝对优势，完全限制了其他物种的生长。

[4] 姚付启,张振华,杨润亚,等.基于主成分分析和BP神经网络的法国梧桐叶绿素含量高光谱反演研究[J].测绘科学,2010,35(1):109-112.

[13] 姜海玲,杨 杭,陈小平,等.利用光谱指数反演植被叶绿素含量的精度及稳定性研究[J].光谱学与光谱分析,2015,35(4):975-981.

[5] Vane G, Goetz A F H. Terrestrial imaging spectrometry: Current status, future trends[J]. Remote Sensing of Environment, 1993,44(2-3):117-126.

[12] 颜春燕,牛 铮,王纪华,等.光谱指数用于叶绿素含量提取的评价及一种改进的农作物冠层叶绿素含量提取模型[J].遥感学报,2005,9(6):742-750.

[7] 王 强,易秋香,包安明,等.基于高光谱反射率的棉花冠层叶绿素密度估算[J].农业工程学报,2012,28(15):125-132.

[8] 孟庆野,董 恒,秦其明,等.基于高光谱遥感监测植被叶绿素含量的一种植被指数MTCARI[J].光谱学与光谱分析,2012,32(8):2218-2222.

[9] 宫兆宁,赵雅莉,赵文吉,等.基于光谱指数的植物叶片叶绿素含量的估算模型[J].生态学报,2014,34(20):5736-5745.

为了在将来实验中更好的识别和研究第五主族原子(N、P、Sb、Bi)替位掺杂对砷烯几何结构和电子性质的影响，模拟计算了扫描隧道显微镜(STM)图像，如图5所示. 在1 V的正偏压条件下，其STM图像较容易识别，并与其晶体结构相对应. 从图5可见，4种不同的掺杂晶格的STM图像存在明显的差异，因此为实验时辨别砷烯材料中的这些杂质提供了参考.

[11] 童庆禧,张 兵,郑兰芬.高光谱遥感[M].北京：高等教育出版社,2006:121.

[6] Fassnacht K S, Gower S T, Mackenzie M D, et al. Estimating the leaf area index of north central Wisconsin forests using the Landsat Thematic Mapper[J]. Remote Sensing of Environment, 1997,61(2):229-245.

红色文化在高校校园文化中占比不足，红色教育活动开展较少，教育形式也局限于征文比赛、演讲比赛、合唱比赛、观影活动等。受时间、经费等因素的限制，去烈士陵园扫墓、参观红色教育基地等活动机会更是少之又少，导致学生接受红色教育途径少，校园红色教育实效性差。除了线下活动，据调查，各大高校少有建立专门的红色教育网站或在官网上有红色专题宣传板块，即便已建立的红色教育网站也存在内容陈旧、更新慢、吸引力不强等问题，点击量少，不能充分发挥网络红色教育作用，教育体系不够完善[4]。

[10] 刘桃菊,胡雯君,张笑东,等.水稻冠层高光谱特征变量与叶片叶绿素含量的相关性研究[J].激光生物学报,2015,24(5):428-435.

针对长链式薄弱电网励磁涌流防控需要，在计及剩磁、合闸电阻及延时合闸策略的基础上，分析了三者之间配合关系对励磁涌流的影响，进而给出了优化的合闸策略。同时，基于PSCAD平台搭建了藏中电网详细电磁暂态计算模型，提出用于励磁涌流评价的剩磁施加方法，仿真和实测对比高度吻合，充分验证了励磁涌流仿真评估方法的准确性，也为主变压器消磁效果评价提供了一种手段。

[14] 王纪华,赵春江,黄文江.农业定量遥感基础与应用[M].北京：科学出版社,2008:21.

经济全球化的发展，出国旅游也变得越来越普遍，代购行业也越来越繁荣。在此背景下，提高英语能力尤其是口语能力口语更好地满足社会发展的需求，因此，在高职院校的英语教学中，需要正视自己与本科院校学生英语水平的差距，高职院校英语综合能力较弱，在表达能力上更是有所不足，因此，在这个大背景下，高职院校学生英语能力无法满足社会日益发展的需求矛盾，传统的教学模式重视教师的主导作用侧重于教，现代化教学模式侧重学生的主体地位，而混合式教学的新鲜元素的应用在课堂上，可以打破限制英语口语能力的发展的因素，积极引导学生英语课堂的参与积极性，促进英语口语交流的可能性，激发学生学习英语的自主性与积极性。

鬼子发现占领东山的国军正在向江边撤退，一路尾随追击而来。石大勇心想，如果不就地组织阻击，他们这样被敌人追着打，还不等跑到江边，就会被敌人消灭干净。于是，他反身停了下来，对身后的战士们说：“班长以上的军官们留下阻击敌人，其它战士护送连长先撤。你们记住，到了江边不要等我们，让所有的划夫们都撤，你们上了木排顺江向下游烟收坝南岸撤，上岸后从点军回石牌。如果你们活着回去了，让连长去找师长，代我们问一句话，为什么攻城的大部队撤走时不带上我们？就这，都赶紧走。”

[15] Bannari A, Morin D, Bonn F, et al. A review of vegetation indices[J]. Remote Sensing Reviews, 1995,13(1):95-120.

[16] 陈小龙,陈 灿,周 莉.水稻不同生育期叶绿素含量的测定及其相关性分析[J].现代农业科技,2010,(17):42-44.

[17] 毕景芝,刘湘南,赵 冬.基于粗糙集约简的水稻叶片叶绿素含量高光谱反演[J].应用科学学报,2014,32(4):394-400.

[18] 李云梅,倪绍祥,黄敬峰.高光谱数据探讨水稻叶片叶绿素含量对叶片及冠层光谱反射特性的影响[J].遥感技术与应用,2003,18(1):1-5.

[19] 韩 超.基于叶片光谱估测水稻叶绿素含量研究[D].青岛：青岛科技大学,2010.

[20] 秦占飞,常庆瑞,申 健,等.引黄灌区水稻红边特征及SPAD高光谱预测模型[J].武汉大学学报(信息科学版),2016,41(9):1168-1175.

[21] 谢 静,陈 适,王 珂,等.基于高光谱成像技术的水稻叶片SPAD值及其分布问题研究[J].华中师范大学学报(自然科学版), 2014,48(2):269-273.

[22] 虞连玉,蔡焕杰,姚付启,等.植被指数反演冬小麦植被覆盖度的适用性研究[J].农业机械学报,2015,46(1):231-239.

[23] 姚 霞,朱 艳,田永超,等.小麦叶层氮含量估测的最佳高光谱参数研究[J].中国农业科学,2009,42(8):2716-2725.

④全程记载和描述在服务外包履约过程中的各类统计信息，既为管理部门发现问题、事前干预提供抓手，也为管理部门开展服务绩效考核、优化服务管理提供信息和依据。