MODIS温度变化率与AMSR-E土壤水分的关系的提出与降尺度算法推广

土壤水分参数是陆面过程与水循环的重要影响因素。不同的遥感平台可提供不同时间和空间尺度的土壤水分,它们分别具有各自的优势与不足。利用被动微波辐射计AMSR-E土壤水分和MODIS地表温度、植被指数产品,作者探讨了地表温度变化率和土壤水分的关系,并借鉴地表温度T_s和归一化植被指数NDVI的特征空间理论,构造了温度变化率和土壤水分的三角形特征空间。随着地表温度变化率的增加,土壤水分的分布范围缩小,同时土壤水分的数值降低。作者由此提出了变温植被指数（TVVI）,并指出该指数与土壤水分呈稳定的幂指数函数关系,建立了土壤水分与温度变化率的经验定量模型。之后作者通过上述函数关系和高分辨率MODIS数据,实现了AMSR-E土壤水分数据的降尺度处理。与地面实测数据的比较表明,该降尺度方法的准确性较高。     

基于CASI高光谱数据的作物叶面积指数估算

叶面积指数(LAI)的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。利用2012年7月7日在黑河流域张掖市获取的CASI高光谱数据,精确提取出了不同作物的光谱反射率,同时结合地面实测数据,对比分析了宽波段和“红边”植被指数在估算作物LAI方面的潜力,在此基础上,基于波段组合算法,筛选出作物LAI估算的敏感波段,并构建了两个新型光谱指数NDSI和RSI,最后对研究区域作物LAI的空间分布进行了分析。结果表明,在植被覆盖度较低的情况下,宽波段植被指数NDVI对LAI具有较好的估算效果,模型的精度R2与RMSE分别为0.52,0.45(p<0.01);对于“红边”植被指数,由于CI_{red edge}充分考虑了不同的作物类型,其对LAI的估算精度与NDVI一致;利用波段组合算法构建的光谱指数NDSI_{(569.00, 654.80)}和RSI_{(597.6, 654.80)}对LAI估算的效果要优于NDVI与CI_{red edge},其中,NDSI_{(569.00, 654.80)}主要利用了植被光谱“绿峰”和“红谷”附近的波段,模型估算的精度R2可达0.77(p<0.000 1);根据LAI与NDSI_{(569.00, 654.80)}之间的函数关系,绘制作物LAI的空间分布图,经分析,研究区域的西北部LAI值偏低,需增施肥料。研究结果,可为农业管理部门及时掌握作物长势信息、制定施肥策略提供技术支持。     

基于实测光谱的植被指数对水稻叶面积指数的响应特征分析

叶面积指数(LAI)是目前最常用的农业生态监测指标,可以为农作物的病虫害监测、作物长势监测、碳循环、生物量估算及作物估产提供依据。植被指数(VI)是卫星LAI产品生产的重要数据源,但不同VIs对植被LAI的响应特征具有一定的差异性。以江西省水稻为例,基于实测光谱提取了水稻实测VIs,结合实测LAI,讨论了归一化植被指数(NDVI)、增强型植被指数(EVI)、土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征,并与MODIS LAI备用算法的计算结果进行了对比分析,研究了不同VIs用于LAI产品反演的可行性及存在的问题。通过对不同实测VIs-LAI模型精度的评估,分析其应用于LAI反演的适应性,结果显示EVI,SAVI和MSAVI比NDVI有更好的适应性,其中EVI效果最优。此外,通过对比MODIS LAI备用算法查找表,发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类,在LAI>4时,NDVI出现饱和;而实测水稻作物的NDVI在LAI>2时开始出现饱和;且当NDVI相同时,查找表LAI远大于实测LAI,MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差,有必要改用其他VIs优化该备用算法。通过对比分析四种VIs模型对LAI的预测误差,发现EVI,SAVI和MSAVI精度明显优于NDVI,基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6,基于实测NDVI反演算法的1/2,因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。     

冬小麦不同生育时期叶面积指数反演方法

针对当前作物叶面积指数遥感反演过程中,在不同生育时期采用相同的植被指数进行反演存在叶面积指数反演精度较低的问题。以冬小麦为研究对象,选取了对冬小麦覆盖度响应程度不同的六种宽带和四种窄带共10种植被指数,分析比较了在冬小麦整个生育期选用当前广泛使用的归一化植被指数(NDVI)反演冬小麦的LAI和在冬小麦不同生长阶段选用不同的植被指数反演冬小麦LAI的结果差异。在冬小麦整个生育期内使用NDVI反演小麦LAI得到的LAI反演值和真实值之间的R2=0.558 5,RMSE=0.320 9。改进的比值植被指数(mSR)适合于反演冬小麦生长前期(拔节期之前)的LAI,得到的LAI反演值和真实值之间的相关系数r=0.728 7,均方根误差RMSE=0.297 1;比值植被指数(SR)适于反演冬小麦生长中期(拔节到抽穗前),得到的LAI反演值和真实值之间的R2=0.654 6,RMSE=0.306 1;NDVI适于反演冬小麦生长后期(抽穗到成熟期)的LAI,得到的LAI反演值和真实值之间的R2=0.679 4,均方根误差RMSE=0.316 4。 研究表明：在冬小麦的不同生育时期,根据地表作物覆盖度的变化和反射率的变化,选择不同的植被指数建立冬小麦LAI的反演模型获得的反演精度均高于在冬小麦整个生育期使用NDVI获得的反演结果。说明在冬小麦的不同生育时期选择不同的植被指数构建LAI的分段反演模型可以改善冬小麦LAI的反演精度。     

无人机遥感的多植被指数土壤水分反演模型

土壤水分是影响农业生产的重要因素,在作物生长发育和最终产量上起着至关重要的作用,快速、高效地估算土壤水分已成为农林水资源监测的热点问题。利用高光谱反射率的特征波段计算植被指数、构建土壤水分反演模型已获得广泛的认可和应用。针对反演土壤水分受植被覆盖度影响较大的问题,提出用多种植被指数组合削弱植被覆盖度对土壤水分反演的影响。在宜昌市仓屋榜试验基地选取30组柑橘树,在果树滴落线处收集土壤,通过烘干法测定土壤质量含水率,采样4次,共计120组土壤含水率;并利用ASD Field Spectral FR光谱仪(波长范围325～1 075 nm)及大疆精灵4多光谱版无人机获取了120组试验区蓝、绿、红、红边、近红外及短波红外波段光谱反射率,采用移动平均法对光谱数据进行降噪预处理,通过灰色关联法对9种植被指数进行比较分析,筛选出与土壤水分极显著相关的4种植被指数(p<0.01),各指数与土壤水分的相关性从高到低依次为裸土指数(BSI)、归一化蓝绿差异植被指数(NGBDI)、绿色归一化指数(GNDVI)、归一化差异植被指数(NDVI),其中BSI与土壤水分的相关性最高,相关系数为-0.687(N...     

基于CHRIS数据的新型植被指数的LAI估算研究

叶面积指数(LAI)作为重要的植被冠层结构参数,对其进行正确估算一直是遥感应用研究的重点。CHRIS/PROBA是目前具有较高分辨率(17 m)的高光谱多角度数据,该数据在反演LAI方面有着重要的应用价值。本次研究应用辐射传输ACRM模型来模拟一系列LAI在不同观测天顶角(-80°～+80°)情况下的植被光谱数据,在此基础上利用红波段和近红外波段构建了一个新型高光谱多角度植被指数HDVI,并成功地应用于CHRIS/PROBA数据对LAI的估算。结果表明：(1)相比光谱指数NDVI和多角度指数HDS,新指数能更好地利用光谱和多角度双重信息,与研究区LAI有着更好的相关性,决定系数R2高达0.734 7。(2)利用LAI-HDVI最优拟合方程关系来估测LAI值,得到了研究区的LAI分布图,LAI估算精度均方根误差RMSE为0.619 8。     

晚播条件下基于高光谱的小麦叶面积指数估算方法

利用高光谱遥感技术,分析晚播条件下小麦叶片与冠层模式光谱特征和叶面积指数（LAI）的变化规律,建立了适用于晚播小麦的叶面积指数估算方法。研究结果表明：（1）从红光和蓝紫光420～663 nm波段提取的叶绿素光谱反射率植被指数（CSRVI）与旗叶SPAD值做相关性分析,结果表明正常播期和晚播处理在叶片模式的相关系数分别为0.963*和0.997**,达显著和极显著水平。（2）利用相关性分析,得出两个播期处理的LAI与SPAD值相关系数分别是0.847*和0.813*,均达到显著水平。SPAD值与LAI及CSRVI指数均具有相关性,可以用CSRVI指数建立LAI的估算模型。（3）对叶片模式和冠层模式光谱曲线特征分析得出,叶片模式中在680～780 nm处的反射率呈现陡升趋势,在可见光波段的446和680 nm和近红外波段的1 440和1 925 nm处各有两个明显的吸收波谷,在540～600,1 660和2 210 nm波段处有两个明显的反射波峰;三种冠层模式中60°模式下的光谱反射率整体表现为最高。（4）将各波段反射率与叶面积指数做相关性分析得出在可见光波段范围内,光谱反射率与LAI总体呈现负相关性,500～600 nm处有一个波峰。（5）将三种冠层模式下（仪器入射角度分别与地面呈30°,60°和90°夹角）的等效植被指数与LAI做相关性分析得出：60°冠层模式下八种植被指数与正常播期LAI的相关性均未达显著水平,比值植被指数（RVI）、归一化植被指数（NDVI）、增强型植被指数（EVI）、再次归一化植被指数（RDVI）、土壤调整植被指数（SAVI）、修改型土壤调整植被指数（MSAVI）的等六种植被指数与晚播条件下的LAI具有显著和极显著相关关系;90°冠层模式下CSRVI指数与正常播期处理的LAI具有显著相关关系,NDVI指数与晚播处理的LAI具有显著相关关系;30°冠层模式下的八种植被指数与两播期处理的LAI的相关性均未达显著水平。综合分析CSRVI指数、NDVI指数的相关性最高,这两种指数最具有估算LAI的潜力。（6）通过三种冠层模式所计算的植被指数估算LAI模型,结果表明,正常播期条件下,其最佳估算模型是90°冠层模式CSRVI指数所建立的线性模型Y=-7.873 6+6.223 8X;晚播条件下的最佳模型是60°冠层模式RDVI指数所建立的幂函数模型Y=30 221 333.33X17.679 1,两个模型的决定系数R2分别为0.950*和0.974**。研究表明试验中所提取的CSRVI指数能够反映旗叶叶绿素含量,可以通过光谱仪器的叶片模式对小麦生育期内叶绿素含量进行监测;通过冠层模式计算的CSRVI指数和RDVI指数所建立的LAI估算模型可以对小麦的LAI进行无损害观察。     

融合冠层水分特征的光谱参数NCVI及反演玉米LAI

精确反演农作物冠层叶面积指数对指导作物管理和作物估产具有非常重要的意义。以吉林市郊区玉米种植区为试点,考虑冠层叶片水分含量对LAI的贡献,在NDVI的基础上结合表征冠层叶片水分含量的植被指数DSWI,提出一种归一化综合植被指数NCVI,以此建立模型反演LAI,并对模型进行检验。结果表明:NCVI模型反演LAI值与实测值之间存在良好的对应关系,此模型突破了传统经验模型对稠密冠层LAI反演的局限,对LAI值大于3的冠层反演效果良好;另外,NCVI模型对土壤水环境十分敏感,在干旱半干旱地区的反演效果明显优于一般区域。     

基于环境星CCD数据的环境植被指数及叶面积指数反演研究

利用PROSAIL前向模型模拟的植被冠层光谱,在植被指数构造时,引入修正大气、土壤背景影响的蓝、绿波段,构建了避免过早饱和的环境植被指数(environmental vegetation index,EVI)。基于多个典型冬小麦生育期的地面观测数据,建立基于EVI-LAI长时间序列反演模型,并对模型进行不同品种间的交叉检验。研究表明,EVI建立的叶面积指数(leaf area index,LAI)反演模型精度优于同类植被指数模型,并具有较好的普适性,能应用于冬小麦遥感多时相长势监测及LAI反演。     

基于SVM与RF的苹果树冠LAI高光谱估测

叶面积指数(leaf area index,LAI)是反映作物群体大小的较好的动态指标。运用高光谱技术快速、无损地估测苹果树冠叶面积指数,为监测苹果树长势和估产提供参考。以盛果期红富士苹果树为研究对象,采用ASD地物光谱仪和LAI-2200冠层分析仪,在山东省烟台栖霞研究区,连续2年测量了30个果园90棵苹果树冠层光谱反射率及LAI值;通过相关性分析方法构建并筛选出了最优的植被指数;利用支持向量机(support vector machine, SVM)与随机森林(random forests, RF)多元回归分析方法构建了LAI估测模型。新建的GNDVI₅₂₇,NDVI₆₇₆,RVI₆₈₂,FD-NVI₆₅₆和GRVI₅₁₇五个植被指数及前人建立的两个植被指数NDVI₆₇₀和NDVI₇₀₅与LAI的相关性都达到了极显著水平;建立的RF回归模型中,校正集决定系数C-R2和验证集决定系数V-R2为0.920,0.889,分别比SVM回归模型提高了0.045和0.033,校正集均方根误差C-RMSE、验证集均方根误差V-RMSE为0.249,0.236,分别比SVM回归模型降低了0.054和0.058, 校正集相对分析误C-RPD、验证集相对分析误V-RPD达到了3.363和2.520,分别比SVM回归模型提高了0.598和0.262,校正集及验证集的实测值与预测值散点图趋势线的斜率C-S和V-S都接近于1,RF回归模型的估测效果优于SVM。RF多元回归模型适合盛果期红富士苹果树LAI的估测。     

新植被水分指数的冬小麦冠层水分遥感估算

水分含量是表征作物水分胁迫生理状况的重要指标,及时有效地监测作物水分含量对于评估作物水分盈亏平衡,指导农业生产灌溉具有重要意义。针对不同形式的归一化差值水分指数(NDWI)存在的饱和性问题,拟引入增强型植被指数EVI对其加以适当改进,通过构建新的植被水分指数NDWI#(即NDWI*EVI)来估算作物水分含量。首先,利用PROSAIL辐射传输模型分析了由不同水分敏感波段(1 240,1 450,1 950和2 500 nm)构建的各种典型NDWIs与相应新植被水分指数NDWI#对植被冠层水分及LAI的饱和响应特征;然后,利用田间实验光谱和水分数据,开展作物水分含量的建模和验证分析。结果表明：将EVI引入后,形成的新水分指数NDWI#能够有效提高冬小麦水分含量估算精度,特别是针对NDWI₁₄₅₀,NDWI₁₉₄₀,NDWI₂₅₀₀这三个指数,改进后的新指数显著提高了对LAI响应的饱和点,冬小麦作物水分估算精度也得到较为的明显改善。研究表明,将含有可见光波段信息的EVI引入到NDWI中,构建的新指数NDWI#因融合可见光、近红外和短波红外更多波段的光谱信息,对估算冬小麦冠层含水量可能具有更好的优势。     

基于LST_LAI特征空间的农田干旱监测研究

农田干旱具有范围广且对农业生产影响巨大的特点,对农田干旱的遥感实时动态监测是目前公认的难题。利用MODIS的地表温度(LST)产品和叶面积指数(LAI)产品,构建LST-LAI光谱特征空间,提出温度—叶面积干旱指数(temperature LAI drought index,TLDI)监测农田水分含量,并利用宁夏实测的0～10 cm平均土壤含水量验证该指数的精度,结果表明：它们之间具有良好的相关性,R2的变化范围为0.43～0.86。与TVDI相比,TLDI弥补了作物封垄后TVDI因归一化植被指数(NDVI)饱和对农田水分监测精度降低的缺陷。此外,利用MODIS数据产品LST和LAI进行农田干旱监测,避免了使用MODIS原始数据的繁杂处理过程,初步为MODIS数据产品在农田干旱监测业务化运行探索出一条技术流程。     

ADI土壤水分反演方法

土壤水分是影响植被、土壤和大气之间能量和水分循环的重要因素,及时准确获取土壤湿度信息有利于提高作物估产精度和改善田间管理措施。本文基于红光与近红外光谱特征空间(NIR-RED)发展了一种新型土壤水分遥感监测模型ADI(angle dryness index),提高了可见光与近红外波段监测土壤水分的精度。经过研究表明,在红光与近红外(NIR-RED)特征空间中,存在一个中间角度变量θ,利用光谱反射率与土壤水分之间的经验关系式模型以及混合像元分解公式证明该变量能够表征土壤湿度情况,而不受植被覆盖度的影响,因此利用该原理构建了ADI方法。最后利用两组遥感数据(分别为TM5与MODIS产品数据)以及对应的地面观测数据进行验证,结果表明计算值与实测值均具有较高的一致性,R2分别达到0.74与0.64。同时,将MPDI的计算结果与实测值进行了比较,两组数据的R2均小于0.60,表明ADI方法的计算精度高于MPDI。在MPDI的计算过程中用到了植被覆盖度,这可能是引起计算结果误差的主要因素。此外,MPDI的计算结果表征土壤湿度的相对值,而ADI则能定量的获取土壤水分含量。MODIS像元除了具有植被与土壤两个端元,还有其他类型端元的概率高于TM数据,因而MODIS数据的计算精度低于TM。因此,ADI是一种简单可行且具有较大应用前景的土壤水分反演方法,适合于推广应用。     

新雪的热红外偏振特性研究

积雪直接影响地表能量平衡和气候变化,与人类生产、生活息息相关,运用热红外偏振技术对新雪的发射光谱特性进行研究,可为热红外遥感监测雪的热辐射偏振特性定量研究提供基础,对加深对全球变暖理解及制定相应对策等具有重要意义。研究结果表明：波段对新雪热红外偏振特性影响很大,其偏振辐亮度(L)表现为：L_CH1>L_CH3>L_CH4>L_CH2,偏振亮温(T)表现为：T_CH4>T_CH1>T_CH2>T_CH3,在探测角50°偏振角90°处出现最大值而在探测角30°偏振角75°处存在最小值,利用CH₃偏振亮温数据分析新雪热辐射偏振特性效果更优。探测角对新雪的偏振亮温影响极其显著,表现为：T₁₀203005040,偏振度(P)表现为：P₀>P₃₀>P₄₀>P₂₀>P₁₀>P₅₀。偏振角对新雪亮温影响呈线性关系,在0~135°范围,每单位偏振角偏振亮温增加约0.003 ℃,这为新雪偏振亮温预测提供可能,在研究探测角对新雪偏振亮温影响时可忽略波段造成的差异。相对方位角对新雪的热辐射偏振特性影响不显著,这主要是由物质表面粗糙程度与组织结构差异导致,利用热红外偏振度对新雪的理化特性监测具有重要作用。     

基于土壤植被光谱协同分析的土壤盐度推理模型构建研究

土壤组成较为复杂,单纯利用土壤光谱信息探测土壤盐度,反演精度不足以满足实际需求。通过遥感获取的植被信息(植被类型和生长状况)可间接反映土壤盐分的空间分布特性,弥补上述不足。为此,基于干旱区土壤盐度与植被之间的协同变化,尝试结合土壤和植被光谱信息,借助二维特征空间理论,构建土壤盐度推理模型,提高土壤盐度推理精度。对于干旱区单个像元下土壤光谱的影响,利用归一化植被指数(normalized difference vegetation index,NDVI) 难以准确反演干旱区稀疏植被参数。因此,首先利用线性混合像元分解模型(linear spectral unmixing model, LSUM)提取研究区地物组分,构建植被组分指示因子(combined vegetation indicative factor, CVIF)方程,并与土壤盐度指数(salinity index,SI)构建二维特征空间。分析二维特征空间内散点走势与土壤盐分之间的关系,建立土壤盐度推理模型(salinity inference model, SID)。验证结果显示,CVIF提取的植被信息精度(R2>0.84, RMSE=3.92)高于应用较为广泛的NDVI(R2>0.66, RMSE=13.77)。构建的SID模型与前人基于NDVI建立的联合光谱指数(combined spectral response index, CORSI)相比,前者(R2>0.86, RMSE=6.86)推理精度优于后者(R2>0.71, RMSE=16.21)。由此得出结论,基于土壤和植被光谱信息双重判定的SID模型对土壤盐渍化的高精度遥感监测研究具有较好促进作用。     

土壤水分对近红外光谱实时检测土壤全氮的影响研究

利用近红外光谱技术实时预测土壤全氮含量是精细农业的研究热点之一,但是由于土壤水分在近红外波段的吸收系数较高,影响了土壤全氮含量的实时预测精度。使用布鲁克MATRIX_I傅里叶近红外光谱分析仪对不同土壤水分的土壤样本进行了近红外光谱扫描,定性和定量的分析了土壤水分对近红外光谱的影响,并提出了一种消除土壤水分对土壤全氮含量预测影响的方法。近红外光谱扫描结果显示在同一全氮含量水平下,随着土壤水分含量的增加,光谱吸光度呈逐渐上升的趋势,且变化趋势为非线性。通过对1 450和1 940 nm两个水分吸收波段的差分处理,设计了水分吸收指数MAI（moisture absorbance index）,再对土壤按照水分含量梯度进行分类,提出了相应的修正系数。修正后的6个土壤全氮特征波段处(940,1 050,1 100,1 200,1 300和1 550 nm)的土壤吸光度值作为建模自变量,使用BP神经网络建立了土壤全氮预测模型,模型的R_C,R_V,RMSEC,RMSEP和RPD分别达到了0.86,0.81,0.06,0.05和2.75;与原始吸光度所建模型相比较模型精度得到了显著提高。实验结果表明本方法可以有效地消除土壤水分对近红外光谱检测土壤全氮含量预测的影响,为土壤全氮含量实时预测提供了理论和技术支持。     

高光谱的草本植物水分含量检测模型构建

基于高光谱开展植物水分盈缺检测是当前植物生理学研究的热点。羊茅草是我国北方草坪使用量最大的草本植物之一,其生长对水分需求量大,水分亏缺会使其叶片颜色、纹理、形态等物理特征和组织生理特性发生系列变化。开展基于高光谱的草本植物水分含量检测模型构建,可实现对羊茅草等草本植物水分盈缺状况的快速无损监测,利于全面、可靠的诊断草本植物水分状况并及时采取应对措施,为预测未来气候变化下北方常见草本植物生理响应及变化过程提供重要依据。以北方使用量最大的草本植物--羊茅草为例,采用盆栽控制实验法开展基于高光谱的植物水分含量观测模拟实验研究。实验在恒温恒湿培养箱中进行。经查阅有关文献,该实验共设置空气CO₂浓度(CX)(包括400和700 μmol·mol-1两个梯度)和土壤持水量(WX)(包括：100%田间持水量,40%田间持水量,20%田间持水量三个梯度)两个变量,共六种不同情景;在不同情景条件下,借助ASD Field Spec HandHeld光谱仪于每天10:00-14:00测定羊茅草叶片光谱反射参数,主要包括：光谱反射率(R_i)、一阶导数光谱(Dλ_i)、红边幅值(Dλr)、红边位置(λr)、红谷吸收深度(D)、红边面积(Sr)、光化学反射指数(PRI)、叶绿素指数(Rch)、归一化植被指数(NDVI)、比值植被指数(RVI)、归一化光谱指数(NDSI)、比值光谱指数(RSI)、分形维数(Fd)等。通过采集不同情景下植物光谱反射参数,采用多元线性逐步回归分析、方差分析、数学统计模型构建等多种方法,探讨不同生境条件下羊茅草叶片水分含量与光谱反射率(R_i)、红边幅值(Dλr)、红边面积(Sr)等光谱参数之间的量化关系,筛选出可以用于检测羊茅草水分含量状况的最优光谱特征参数,并构建了基于高光谱的羊茅草水分含量检测模型公式。研究结果表明：归一化植被指数(NDVI)、叶绿素指数(Rch)、分形维数(Fd)与羊茅草叶片含水量之间相关性在99%置信水平上达到极显著水平(p<0.01),且对于不同土壤水分胁迫条件下的羊茅草长势分辨效果较好,是监测羊茅草水分含量的有效参数和最优参数。同时发现,羊茅草叶片水分含量(Y)与诸多光谱特征参数(X)之间具有良好的多元线性关系,拟合得到羊茅草水分含量检测模型公式为：Y=-0.125X_Rch+1.714X_NDVI-0.023X_Fd+0.018,相关系数平方(R2)达到0.89,通过F检验,模型检验达到极显著水平(F=15.588>7.21,p<0.01),说明建立的回归模型具备统计学意义,可以用于羊茅草水分含量检测。为快速便捷且准确无损的监测羊茅草受旱程度,指导大面积草坪灌溉和管理等提供;重要的技术支撑,对于丰富植被水分光谱探测研究具有重要理论与实践意义。