植被含水量是农业、生态和水文研究中的重要关注参数之一，在全球水循环系统扮演着重要角色。目前基于遥感数据进行植被含水量反演的方法主要包括物理模型和统计模型两种。物理模型由于综合考虑了叶片、冠层、土壤、观测情况等因素，更能反映复杂的地表环境，反演精度相对较高，被广泛应用于冠层生化参数反演。目前应用最广泛的物理模型为Prosail模型[1]。如宋小宁等[2]基于Hyperion数据实现了玉米冠层含水量的区域反演；Cheng等[3]基于利用机载高光谱数据实现了不同植被覆盖下的冠层含水量反演；而Clevers等[4-5]基于地面实测ASD光谱数据，探讨了植被冠层含水量反演方法。统计模型主要是建立光谱指数或光谱指数变型与地面实测植被含水量的线性、指数、多项式等统计模型，进行含水量反演，统计法简单易懂，是估算植被含水量的常用方法[6]。如程晓娟等[7]对比发现，综合EVI和NDWI构建的新指数对估算冬小麦冠层含水量具有更好的优势；而王 强等[8]通过对地面实测棉花冠层高光谱数据进行所有可能的两两组合，构建了反演精度更好的新型比值指数和归一化指数；Gao等[9-11]研究发现，归一化水分指数NDWI对植被冠层水分信息比NDVI更为敏感。

综合前人研究发现，利用遥感技术进行植被冠层含水量反演一般都是基于Praosail模型或者遥感卫星数据建立经验模型，而对这两种方法在反演含水量中的精度进行比较的研究鲜有少见。因此，本研究将Prosail模型与卫星影像数据相结合，借助Landsat 8光谱响应函数，通过模拟得到的高光谱窄波段反射率模拟得到 TM8宽波段反射率数据，然后利用模拟得到的反射率数据和实际卫星影像反射率分别构建植被指数，开展冬小麦冠层水分含量的遥感建模反演，并对两类方法进行精度验证与评价，以期为在地面观测数据较少的情况下，开展区域作物水分遥感监测提供技术参考。

3）充电子过程成功概率与读写环节成功概率仅在单次扫描情况下呈非线性关系，在执行多次扫描时均呈非线性关系。随着扫描次数的增加，将扫描成功概率由最初较小值提升至较大值，能够更有效提高子过程充电成功概率；

1 数据与预处理

1.1 数据来源

1.1.1 地面实测数据

田间试验在中国科学院禹城综合试验站(116.57°E，36.83°N)进行。数据采集时间为2016年3月29日、4月18日、5月6日和5月11日。为保证TM8上有纯净像元，每次在试验区内随机选取若干个60 m×60 m且小麦长势比较均一的小区，在每个小区内随机选两个30 cm×30 cm的样方，利用比重法获取每个样方的LAI，小麦叶片和冠层含水量数据以烘干法获得，并同步获取样方的地面光谱、叶绿素等辅助信息，两个样方的平均值作为小区的实测值，四次试验共获取47个地面数据。

1.1.2 遥感数据与处理

1.2.1 植被含水量指标选取

对Landsat 8 OLI影像的预处理基于ENVI 5.1进行，首先利用Landsat 8的定标系数，将DN值转换成辐亮度值，然后通过Flaash大气校正，将辐亮度值转换成反射率，并基于地面数据的GPS信息提取对应地面点的反射率。

准确称取0.5 g待测油样于10 mL玻璃试管内，加入4.0 mL正己烷稀释，混匀，再加入5 mg磁性羧基化多壁碳纳米管复合材料，涡旋提取 2 min，磁吸倒液；加入1 mL石油醚进行杂质淋洗，磁吸倒液；用3 mL 0.02%（V/V）甲酸无水乙醇溶液洗脱，超声6 min，磁吸，上清液过0.22 μm有机膜，收集液体，氮吹浓缩，用200 μL 1：1流动相溶液复溶，供LC-MS/MS分析。

1.2 研究思路与方法

从遥感数据共享网站(http://ids.ceode.ac.cn/)获取覆盖研究区的四景Landsat 8 OLI影像，成像时间分别为2016年3月26日、4月18日、5月4日和5月13日。卫星数据获取时间与地面数据采集时间最大相差3 d，考虑到小麦3 d之内地面实测光谱变化很小，且研究区未发生灌溉和降水，故认为地面实测数据与相近时间的卫星影像数据一致。

常用的植被含水量指标有可燃物水分含量FMC(fuel moisture content)、相对叶片含水量RWC(relative water content)和等效水厚度EWT(equivalent water thickness)。为与Prosail模型输入参数一致，本研究利用EWT作为表征小麦冠层的水分含量。

EWTL=FW-DW/A

(1)

从某种意义上说，基于ICT的成人参与学习本质是有效使用ICT，是人们发展与ICT的关系以及能够获得有用的教育资源。在思考ICT对成人参与学习的价值时，既不能以“技术决定论”为导向过分夸大ICT技术在教育与社会发展中的角色，亦不可以“社会决定论”为导向仅赋予ICT为中性技术工具的内涵，而误解其所涵盖的社会文化特性［17］。因此，如何面对使用ICT过程中所产生的来自心理、教育、社会等复杂因素交织而成的障碍，学习个体、教育机构、决策组织乃至关联企业的应对之策，均至关重要。

(2)

式中EWTL和EWTC分别为叶片和冠层水平的等效水厚度(kg·m-2)； FW、DW分别为样品的鲜重和干重(kg)；A为样品植株的叶面积(m2)；LAI为叶面积指数。

[2] 宋小宁,马建威,李小涛,等.基于Hyperion高光谱数据的植被冠层含水量反演[J].光谱学与光谱分析,2013(10):2833.

本研究的主要思路如图1所示。

ECTC=EWTL×LAI

  

图1 主要研究思路

 

Fig.1 Main research idea

1.3 Prosail模型

Prosail模型是叶片辐射传输模型PROSPECT和冠层辐射传输模型SAIL的耦合模型。PROSPECT模型主要描述植物叶片在400～2 500 nm光谱范围内的光学特征，通过输入叶片等效水厚度EWTL、叶绿素浓度Cab、叶片结构参数Ns、干物质量Cm等参数，可以得到400～2 500 nm光谱范围内的叶片透射率和反射率。SAIL模型是在水平均匀的假设下主要考察冠层的垂直分层结构和叶倾角分布，主要输入参数为叶片透过率和反射率、LAI、LAD(leaf inclination angle distribution )、土壤反射率、太阳天顶角和观测天顶角等。Cm、Cab为地面实测数据均值，EWTL、LAI输入最大值和最小值根据地面实测数据的范围确定，其他主要参数依据参考文献和模型建议值(表1)。

利用Prosail模型得到的植被冠层反射率，然后基于Landsat 8的波段响应函数，将Prosail模型得到的高光谱反射率数据模拟等效的TM蓝波段(436～528 nm)、红波段(625～691 nm)、近红外波段(829～900 nm)和两个短波红外(1 550～1 750 nm、2 090～2 350 nm)的反射率数据以构建植被指数。转换模型为：

表1 Prosail模型输入参数设置

Table 1 Nominal values and range of parameters used forthe canopy simulations with the Prosail model

  

输入参数Parameter输入值ValuesandrangeEWTL0．01～0．09g·cm-2(步长0．01)0．01～0．09g·cm-2(0．01steplength)LAI0．5～8(步长0．1)0．5～8(0．1steplength)Cm0．005g·cm-2Cab42．7mg·cm-2Ns1．3

V Theory of toothpaste raw material (To be continued) 4 62

(3)

式中,Reg为模拟的等效TM8反射率；RASD(λ)为Prosail模拟高光谱反射率；fTM(λ)为TM8传感器目标波段的光谱响应函数。

综上所述，超声微泡造影剂携RPM相较于单独应用RPM作用效果更加明显，能够使药物准确且快速的发挥疗效，从而抑制膀胱肿瘤T24细胞的生长和繁殖；并通过与mTOR蛋白的作用而使得大部分细胞停滞在G1期，加快细胞的凋亡。超声微泡造影剂携RPM在膀胱癌的治疗当中具有很好的临床应用前景。

1.4 植被指数构建

基于模拟可见光、近红外和两个短波红外波段以及对应Landsat 8四个波段反射率分别构建四种常用的植被指数(表2)。

表2 植被指数计算公式

Table 2 Formulas of vegetation indices

  

植被指数Vegetationindex计算公式FormulaNDVI(Rnir-Rred)/(Rnir+Rred)EVI2．5∗(Rnir-Rred)/(Rnir+6∗Rred-7．5∗Rblue+1)NDWI5(Rnir-Rswir5)/(Rnir+Rswir5)NDWI7(Rnir-Rswir7)/(Rnir+Rswir7)

Rblue、Rred、Rnir、 Rswir5、 Rswir7分别代表Landsat 8数据的第2波段(436～528 nm)、第4波段(625～691 nm)、第5波段(829～900 nm)、第6波段(1 550～1 750 nm)和第7波段(2 090～2 350 nm)反射率。

Rblue,Rred,Rnir,Rswir5 and Rswir7 represent the reflectivity of the second wave land(436-528 nm),fourth wave land(625-691 nm),fifth wave land(829-900 nm),sixth wave land(1 550-1 750 nm)and seventh wave land(2 090-2 350 nm) from Landsat 8 data,respectively.

2 结果与分析

2.1 植被指数与小麦冠层含水量的相关性

经相关分析，植被指数NDVI、EVI、NDWI5和NDWI7与植被冠层含水量的相关性均达到极显著水平(表3)。其中，基于短波红外构建的NDWI与植被冠层含水量的相关性优于常用的NDVI和EVI，且利用第5波段构建的指数NDWI5与植被含水量相关性比利用第7波段构建的指数NDWI7更好。基于TM8数据构建的植被指数与植被观测含水量的相关系数高于Prosail模型模拟的植被指数。

2.2 小麦冠层含水量反演模型的建立

以片植、孤植和绿篱三种方式栽植：一是片植，选择苗木高度0.5-1.0m，冠幅0.3-0.5m，株行距0.6m×0.5m；二是孤植，选择苗木高度1.2-1.5m，冠幅0.5-1.0m；三是绿篱方式，选择苗木高度0.5-1.0m，冠幅0.3-0.5m,单排栽植，行距0.2m。

表3 宽波段植被指数与植被冠层含水量的的相关性

Table 3 Correlation between EWTc and vegetation index

  

植被参数VegetationindexrProrTM8NDVI0．419∗∗0．831∗∗EVI0．488∗∗0．841∗∗NDWI50．808∗∗0．862∗∗NDWI70．711∗∗0．850∗∗

**：P<0.01。rPro、rTM8分别代表基于Prosail模型和TM8得到的植被指数与冠层含水量的相关系数。

**: P<0.01.rPro and rTM8 represent correlation coefficients of the vegetation indices based on Prosail model and Landsat 8 data with EWTc,respectively.

表4 基于宽波段NDWI5与冠层含水量的统计模型

Table 4 Statistics models between NDWI5 and EWTc

  

NDWI5来源NDWI5source反演模型Inversionmodelr2Prosaily=0．8102x-0．1850．659y=0．0412e4．7306x0．854y=1．7843x2-0．8736x+0．14180．762y=0．6012x1．73960．806TM8y=0．8587x-0．01990．718y=0．0477e4．515x0．806y=-0．4210x2+1．1049x-0．04640．720y=0．6468x0．87630．675

2.3 小麦冠层含水量反演模型的验证

为进一步对比分析Prosail模拟反射率和卫星TM8数据反射率在反演植被冠层含水量中的效果，利用剩余的10个地面实测值和对应点的Landsat 8 NDWI5数据对上述两个最佳模型分别进行验证。从图2可以看出，两个模型模拟的冠层含水量值与实测值相关性和平均相对误差都比较一致，决定系数r2分别为0.790 0和0.794 8，RMSE分别为0.151 2和0.152 8 kg·m-2。该精度能够满足农业、生态对区域植被冠层含水量信息的需求。

根据相关性分析结果，分别选取基于Prosail模型模拟的植被指数NDWI5和冠层含水量数据，以及37个地面实测小麦冠层含水量数据和对应点的Landsat 8的NDWI5指数，建立线性、指数、多项式和幂函数模型(表4)。在四种模型中，两种NDWI与冠层含水量的统计关系中都以指数函数模型的决定系数(r2)最大，且除线性模型外，且基于Prosail模型的NDWI5所构建的反演模型的r2均优于基于TM8的NDWI5所构建的反演模型。因此，将NDWI5与植被冠层含水量的指数模型作为最佳反演模型。

(λ)·fTM(λ)·dλ(λ) ·dλ

3 讨 论

经验统计模型和辐射传输模型是作物长势参数遥感模拟最常用的两种方法。本研究依托地面实测数据和卫星遥感数据的光谱响应函数，分别基于Prasail模型和Landsat 8 OLI卫星数据进行小麦冠层含水量反演，结果表明，在有地面数据数据支持的情况下，基于Prosail模型模拟得到的NDWI5和基于Landsat 8构建的NDWI5在植被冠层含水量反演中的精度均优于NDVI、EVI和NDWI7，与程晓娟等基于近地高光谱与TM遥感影像的冬小麦冠层含水量反演的结果比较一致[12]。Chuvieco等[13]基于TM开展植株含水量FMC研究也发现，与TM第7被段相比，TM第5波段与FMC的相关性更强。本研究进一步开展两种方法结果精度的对比分析，结果发现，在有地面数据支持的情况下，两种方法在小麦冠层含水量反演中的精度较为一致。

1.2 手术方法 三孔组采用传统三孔胸腔镜手术。单孔组采用单孔胸腔镜手术，患者取侧仰卧位，行双腔气管插管复合麻醉，单肺通气，于患者腋中线第5肋骨间做一切口，长度约为4 cm。逐层切开皮肤及胸壁组织，置入胸腔镜观察各器官情况、肿瘤大小及粘连情况后，逐层剥离肺血管、支气管、肺裂，分离胸腔粘连，再将肺门、肺裂依次解剖，游离肺叶静脉及动脉分支，切除并取出肺叶，闭合支气管残端，清扫淋巴结。

  

图2 小麦反演植被冠层含水量与地面实测值的比较

 

Fig.2 Comparison between estimated and field measured EWTc

本研究结果对于植被冠层含水量遥感反演有重要意义，尤其是为地面实测数据过少时拟开展植被含水量反演研究提供了一种新的思路，但本研究是基于有限的试验样本进行相关探讨的，且供试品种单一，所建立的小麦冠层含水量反演模型仍然存在一定的不确定性，因而还需要更多的试验加以验证补充。

3）苹果内袋脱袋后立即用药1次。此次用药一定要注意选择安全性药剂，不能刺激果面。最好使用悬浮剂、水剂等，避免使用乳油及溶解悬浮率不佳的劣质粉剂等。一般选用50%甲托悬浮剂+50%代森锰锌悬浮剂+醇钙600倍液。

参考文献：

[1] JACKSON T J,CHEN D Y,COSH M,et al.Vegetation water content mapping using Landsat data water index for corn and soybeans [J].Remote Sensing of Environment,2004,92:475.

1.2.2 研究思路

SONG X N,MA J W,LI X T,et al.Estimation of vegetation canopy water content using hyperion hyperspectral data [J].Spectroscopy and Spectral Analysis,2013(10):2833.

[3] CHENG Y B,ZARCO T P J,RIANO D,et al.Estimating vegetation water content with hyperspectral data for different canopy scenarios:Relationships between AVIRIS and MODIS indexes [J].Remote sensing of Environment,2006,105:354.

阅读一篇优秀的诗文就像在与作者进行对话，进行思想的交流；美的文章能给我们美的享受，给我们心灵的震动，丰富我们的内心世界，丰富我们的语言。而学生的语言积累丰富了，饱满了，其表达也是富有情感的。

[4] CLEVERS J G P W,KOOISTRA L,SCHAEPMAN M E.Using spectral information from the NIR water absorption features for the retrieval of canopy water content [J].International Journal of Applied Earth Observation and Geoinformation,2008,10(3):388.

[5] CLEVERS J G P W,KOOISTRA L,SCHAEPMAN M E.Estimating canopy water content using hyperspectral remote sensing data [J].International Journal of Applied Earth Observation and Geoinformation,2010,12(2):119.

[6] GHULAM A,LI Z L,QIN Q M,et al.Estimating crop water stress with ETM+NIR and SWIR data [J].Agricultural and Forest Meteorology,2008,148:1679.

[7] 程晓娟,杨贵军,徐新刚,等.新植被水分指数的冬小麦冠层水分遥感估算[J].光谱学与光谱分析,2014(12):3391.

在调查中随机选取班级发放832份问卷调查，回收818份，期中12份无效问卷、806份有效问卷,有效问卷中在校学生中高职组274份、中职组199份、在医院实习生333份。数据收集之后利用SPSS软件统计分析，意在得出中职护士生的职业认同度现状，为进一步分析其影响因素奠定基础。

CHENG X J,YANG G J,XU X G,et al.Estimating canopy water content in wheat based on new vegetation water index [J].Spectroscopy and Spectral Analysis,2014(12):3391.

[8] 王 强,易秋香,包安明,等.棉花冠层水分含量估算的高光谱指数研究[J].光谱学与光谱分析,2013(2):507.

WANG Q,YI Q X,BAO A M,et al.Discussion on hyperspectral index for the estimation of cotton canopy water content [J].Spectroscopy and Spectral Analysis,2013(2):507.

[9] GAO B C.NDWI-a normalized difference water index for remote sensing of vegetation liquid water from space [J].Remote Sensing of Environment,1996,58:257.

[10] 刘小磊,覃志豪.NDWI与NDVI指数在区域干旱监测中的比较分析-以2003年江西夏季干旱为例[J].遥感技术与应用,2007(5):608.

LIU X L,QIN Z H.Comparative Analysis between NDWI and NDVI indices in regional drought monitoring [J].Remote Sensing Technology and Application,2007(5):608.

[11] 田永超,朱 艳,曹卫星,等.小麦冠层反射光谱与植株水分状况的关系[J].应用生态学报,2004,15(11):2072.

TIAN Y C,ZHU Y,CAO W X,et al.Relationship between canopy reflectance and plant water status of wheat [J].Chinese Journal of Applied Ecology,2004,15(11):2072.

[12] 程晓娟,杨贵军,徐新刚,等.基于近地高光谱与TM遥感影像的冬小麦冠层含水量反演[J].麦类作物学报,2014,34(2):227.

CHENG X J,YANG G J,XU X G,et al.Inferred water content of winter wheat based on ground hyperspectral and remote sensing data of TM5 [J].Journal of Triticeae Crops,2014,34(2):227.

原位整地：依山就势，保持原有地形地貌及边坡的固有稳定性，用最少的扰动确保边坡地形地貌自然态，结合施工道路修建及场地排水沟设置需要，就近挖高填低，平整与回填，合理调配土方。

从图8可知PNN网络的训练效果很好，训练预测值和实际值基本完全吻合，误差图上的训练误差更是为0，这得益于spread值的正确选择，过大或过小都会导致训练出现误差。

[13] CHUUVIECO E,RIANO D,AGUADO I,et al.Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data:Applications in fire danger assessment [J].International Journal of Remote Sensing,2002,23(11):2145.