盐胁迫下匍匐翦股颖高光谱分析与电解质渗透率反演

肖国增，吴雪莲，滕 珂，晁跃辉，李伟涛，韩烈保*

1. 北京林业大学草坪研究所，北京 100083 2. 长江大学园艺园林学院，湖北 荆州 434025 3. 华中农业大学经济管理学院，湖北 武汉 430070 4. 滁州学院地理信息与旅游学院，安徽 滁州 239000

盐胁迫下匍匐翦股颖高光谱分析与电解质渗透率反演

肖国增1, 2，吴雪莲3，滕 珂1，晁跃辉1，李伟涛4，韩烈保1, 2*

1. 北京林业大学草坪研究所，北京 100083 2. 长江大学园艺园林学院，湖北 荆州 434025 3. 华中农业大学经济管理学院，湖北 武汉 430070 4. 滁州学院地理信息与旅游学院，安徽 滁州 239000

叶片电解质渗透率是反映植物细胞渗透性的一个重要指标，对草坪草遭受盐胁迫的研究有重要意义。针对叶片电解质渗透率传统检测方法，耗时长，损伤叶片，无法大面积监测等弊端，探讨了用高光谱快速无损检测叶片电解质渗透率的方法。以匍匐翦股颖(Agrostisstolonifera)为对象，在温室中水培两周后进行浓度分别为0(对照)，100和200 mmol·L-1的盐处理，7 d后按间隔7 d取样3次，共72个样。每次取样时先测量样品的光谱值，然后采用电导率法测定叶片电解质渗透率。分析匍匐翦股颖三种盐处理与光谱反射率之间的关系和差异，对三种盐处理的光谱反射率计算归一化植被指数和差值植被指数，采用差分法计算光谱反射率的一阶微分，同时计算出蓝、绿和红光的三边参数，分析叶片电解质渗透率与光谱反射率、归一化植被指数、差值植被指数和三边参数的相关性。利用叶片电解质渗透率和各光谱数据相关程度高的数据，对校正集采用一元线性回归、多元线性回归和偏最小二乘回归法构建叶片电解质渗透率反演模型，用预测集检验反演模型。结果表明： 盐胁迫与叶片高光谱在450～700 nm波段呈正相关；叶片电解质渗透率与450～732 nm波段反射率在0.01水平上显著相关；三边参数中绿边幅值和绿边面积与叶片电解质渗透率显著相关；采用偏最小二乘回归法建立的反演模型精度最好，建模和反演预测的决定系数分别达到了0.681和0.758，均方根误差分别为7.124和7.079。偏最小二乘法构建的反演模型实现了盐胁迫下匍匐翦股颖叶片电解质渗透率的快速无损检测，也为采用高光谱实时监测盐胁迫对匍匐翦股颖及其同类植物的伤害提供了依据和理论参考。

高光谱；盐胁迫；草坪草；匍匐翦股颖；电解质渗透率；反演模型

引 言

匍匐翦股颖(Agrostisstolonifera)是重要的冷季型牧草和草坪草，具有坪观质量好、生长迅速、成坪快、耐低修剪等优良特性，在城市绿化和高尔夫球场草坪中得到广泛应用，但是，需要频繁的浇水才能保证它的功能和良好特性。如今，淡水资源匮乏，大多数城市采用再生水来替代饮用水对城市绿地和高尔夫球场草坪进行浇灌，然而，再生水相对饮用水较高的含盐量易造成对草坪的盐胁迫，影响草坪的坪观质量和正常生长[1]。目前，评价草坪草盐胁迫有叶绿素含量、叶片相对含水量、丙二醛含量、抗氧化酶含量、电解质渗透率等指标，其中电解质渗透率是评价植物盐胁迫的关键指标[2]。它的电导率测试方法虽然技术成熟、测定准确，但是测定耗时长、测定数量有限，不能实时快速的反映盐胁迫情况，在区域大尺度上的盐胁迫监测更受到限制，因此，研究快速而有效的方法对草坪再生水灌溉区盐胁迫程度监测就显得尤为重要。

近年来，高光谱仪的应用和普及进一步拓展了小区域的植被胁迫研究[3]。高光谱在快速、广度和无损监测中具有明显优势，大部分研究都集中于高光谱分析的基础上结合常用的统计方法建立反演模型，对相关指标进行反演预测。在植物干旱胁迫、冻害、叶绿素含量、氮素含量和水分含量等生理生化参数的高光谱监测和反演模型领域的研究取得了较好的成果[4-7]。然而，对盐胁迫下匍匐翦股颖等草坪草的高光谱特征，以及用高光谱监测和反演盐胁迫的研究还未见报道。

因此，本研究对不同盐浓度胁迫下匍匐翦股颖叶片的高光谱数据进行分析，结合测定盐胁迫下匍匐翦股颖叶片电解质渗透率的基础上，应用回归分析方法构建叶片电解质渗透率与叶片高光谱的反演模型，对盐胁迫下叶片电解质渗透率进行反演预测，以期建立盐胁迫下匍匐翦股颖叶片电解质渗透率的高光谱快速无损检测方法，同时，也为盐胁迫草坪的高光谱实时监测提供依据和理论参考。

1 实验部分

1.1 试验设计

试验于2014年6月至10月，在北京林业大学苗圃温室和草坪实验室进行。6月1日选取Penncross和SeasideⅡ两个匍匐翦股颖草种，按5 g·m-2播种量播入花盆中，花盆口径15 cm，高28 cm，基质为纯沙。苗期进行间苗，留下长势一致和分布均匀的植株，每星期浇一次0.5强度的Hoagland营养液[8]。至9月5日，把草移入水培箱内进行水培，用增氧泵通气到试验结束。在此期间，每星期换一次水，换水时加入0.5强度的Hoagland营养液。

水培两周后即9月19日进行盐胁迫处理，0(对照)，100和200 mmol·L-1三个NaCl浓度处理、每个盐浓度重复4次，两个草种，共24盆。第一次加盐时，把相应的盐浓度平均分成四次加入，每天加一次，直至达到相应的盐处理浓度。于2014年9月30日，10月7日，10月14日三个取样时间点的上午，在温室中测定叶片光谱反射率，把测试完的样品装入自封袋，编号后放入冰盒带回实验室，在2 h内测定叶片电解质渗透率。

1.2 叶片高光谱光谱测定与数据处理

光谱测定选用单通道便携式光谱分析仪(Unispec-SC Spectral Analysis System，PP SYSTEMS，USA)，它在310～1 130 nm间的光谱采样间隔为3.3 nm，重采样间隔1 nm，输出波段数为821。利用光谱仪的内置卤素光源在暗室中进行光谱测量，从每盆取样植株顶部向下的第3片叶除尘后测试，共测试了花盆不同位置的5片叶，计算平均值作为该处理的叶片光谱反射率。测试中及时进行白板校正。采用差分法计算光谱反射率的一阶微分，在一阶微分的基础上计算边位置、边幅值和边面积的三边参数，并进行统计分析[9]。

1.3 叶片电解质渗透率测定

在所有叶片光谱数据采集完成后，将叶片带回实验室，采用电导率法测定每个样的电解质渗透率(electrolyte leakage，EL)[2]，重复一次。

1.4 建模方法与检验

通过分析样本光谱各波段的反射率和一阶微分值，定性分析盐胁迫对叶片光谱反射率和三边参数的影响。对叶片EL和光谱单波段反射率进行相关分析，确定叶片光谱对盐胁迫响应的敏感波段；分析叶片EL与任意两波段反射率生成的归一化植被指数(normalized difference vegetation index，NDVI)和差值植被指数(difference vegetation index，DVI)的相关性，为反演模型参数选择最佳波段组合；分析叶片EL与三边参数的相关性，将相关性好的指标作为构建模型参量。从9月30日和10月7日两个取样点的每个盐处理梯度所采集的样品中随机抽取3个重复，从10月14日取样点的每个盐处理梯度所采集的样品中随机抽取2个重复，共48份样本数据为校正集构建模型，其余24份样本数据为预测集用于模型检验。采用一元线性回归(unary linear regression，ULR)、多元线性回归(multivariate linear regression，MLR)和偏最小二乘回归(partial least-squares regression，PLSR)[10]三种方法构建叶片电解质渗透率与高光谱各参数间的反演模型，选取决定系数(R2)、均方根误差(root-mean-square error，RMSE)两个指标对模型进行精度检验。利用Excel2010，Spss18.0和Matlab R2012A软件进行数据处理分析、制图和构建反演模型。

2 结果与讨论

2.1 盐胁迫下匍匐翦股颖叶片的高光谱特征分析

2.1.1 盐胁迫对匍匐翦股颖叶片光谱反射率的影响

匍匐翦股颖受到盐胁迫后，植株体内细胞发生变化，在可见光与近红外波段产生影响，因此，在叶片光谱数据分析中，主要分析450～850 nm的波段。匍匐翦股颖受到盐胁迫后会出现叶片失水、叶绿素含量降低，生长迟缓等症状[11]。0(对照)，100和200 mmol·L-1NaCl三种不同盐浓度胁迫下匍匐翦股颖叶片光谱反射率均值变化曲线见图1(附图1)，主要区别在450～700和725～850 nm两部分波段。450～700 nm的可见光波段反射率差异明显，随着盐浓度的增加反射率逐步升高，200 mmol·L-1盐胁迫比对照和100 mmol·L-1叶片有更高的反射率；725～850 nm近红外波段，100和200 mmol·L-1盐胁迫的反射率值低于对照。叶片光谱对盐胁迫响应特征表明，在可见光波段，由于盐胁迫的作用使植株的生理功能衰退，导致叶片在该波段对光吸收能力减弱，反射能力增强；在近红外波段范围，叶片受到盐胁迫后失水，细胞结构受到影响，造成该波段的反射率减小，因此受到盐胁迫的叶片近红外反射率低于未受胁迫的健康叶片的反射率。由此可见，匍匐翦股颖在盐胁迫下450～700 nm波段，叶片光谱反射率随盐浓度增加而升高，二者呈正相关。但在725～850 nm波段，两者相关性不明显。

图1 不同盐胁迫下叶片光谱的反射率

2.1.2 盐胁迫对匍匐翦股颖叶片光谱三边参数的影响

光谱三边参数是反演植被生长状况的重要依据[12]。按照一阶微分差分法计算不同盐浓度胁迫下叶片光谱反射率的一阶微分见图2(附图2，3)，盐胁迫对叶片的红边、绿边和蓝边位置没有显著影响。三边幅值中蓝边幅值、绿边幅值随盐浓度增加而升高，对两者有显著的影响；红边幅值在630～675 nm波段处随盐浓度增加而降低，在643 nm波段有显著影响。三边面积与三边幅值的变化趋势一致，蓝边面积和绿边面积随盐浓度增加而升高，红边面积随盐浓度增加而降低，红边面积和绿边面积的敏感性要高于蓝边面积。

图2 不同盐胁迫下叶片光谱的一阶微分

2.2 盐胁迫对匍匐翦股颖叶片EL的影响

对72个匍匐翦股颖叶片样本采用电导率法测定了EL，将其测定值分成校正集48个样本和预测集24个样本两组，分别用于模型的建立和模型检验见表1。72个样本总体的EL分布广泛，最大值为70.73%，最小值为11.66%。校正集和预测集的偏移幅度都比较理想，能够作为代表性样本进行建模和预测。

表1 不同盐胁迫下叶片电解质渗透率统计分析

Table 1 The statistical analysis of leaves electrolyte leakage (%) under the different salt stress

数量最大值最小值平均值标准差样本总体7270.7311.6634.4512.98校正集4870.7314.0232.9712.74预测集2462.1311.6637.4213.21

2.3 盐胁迫下匍匐翦股颖叶片EL与光谱数据的相关分析

2.3.1 叶片EL与单波段反射率的相关分析

计算了72个叶片样本EL与各波段反射率的相关度见图3，在450～732 nm波段的反射率与EL在0.01水平上显著正相关，在482～703 nm波段相关系数在0.7以上，特别是在622～665 nm波段相关系数达到了0.8以上，在651 nm波段相关系数达到了最高值0.817。以上结果表明，盐胁迫下匍匐翦股颖叶片的光谱在蓝、绿、黄和红光波段与其EL呈显著正相关，在红光622～665 nm波段尤为显著。

2.3.2 叶片EL与波段间反射率运算指数的相关分析

为了研究在盐胁迫下匍匐翦股颖叶片EL与各波段间反射率运算指数的相关分析，引入了NDVI和DVI。NDVI为任意两波段反射率差与和的比值： (Rm-Rn)/(Rm+Rn)；DVI为任意两波段反射率的差值：Rm-Rn。图4所示为应用Matlab计算出的叶片EL与NDVI和DVI间的相关系数矩阵。图中红色为正相关，蓝色为负相关，黄色和青色相关度低。由图4可以看出，在NDVI图中红色和蓝色面积占总面积的比率大，说明叶片EL与NDVI的相关度高，相关系数最高值在541和617 nm波段为0.831；在DVI图中红色和蓝色面积占总面积的比率小，出现了大面积的黄色和青色，表明叶片EL与DVI的相关度较低，相关系数最大值在667和668 nm波段为0.724。

图3 叶片电解质渗透率与光谱反射率的相关分析

图4 叶片电解质渗透率与反射率运算指数的相关矩阵

Fig.4 Correlation matrix of relationship between leaves electrolyte leakage and the calculated index of reflectance

2.3.3 叶片EL与光谱三边参数相关分析

根据光谱反射率一阶微分值分别计算蓝光、绿光和红光的三边参数，与叶片EL做相关性分析见表2，绿边面积相关系数最大为0.539，其次为绿边幅值为0.404均达到了显著水平，其余参数相关度低。匍匐翦股颖受到盐胁迫后EL随着盐浓度增加而升高[13]，表明植株内部结构受到破坏渗透物质增多，从而使叶绿素合成与代谢受阻，叶绿素含量不断下降，导致叶绿素在绿波段对光吸收减弱，反射率增强。因此，EL的变化与绿波段反射率变化趋势一致，相关程度高。

表2 叶片电解质渗透率与三边参数的相关分析

Table 2 Analysis of relationship between leaves electrolyte leakage and the Trilateral parameters

类型红边幅值(Dr)绿边幅值(Dg)蓝边幅值(Db)红边面积(SDr)绿边面积(SDg)蓝边面积(SDb)相关系数0.1220.4040.332-0.2800.539-0.083

2.4 匍匐翦股颖叶片EL与高光谱反演模型构建

本研究分别采用ULR，MLR和PLSR三种成熟的建模方法，根据盐胁迫下匍匐翦股颖叶片EL与高光谱反射率、一阶微分、三边参数及高光谱反射率运算指数的相关性分析结果，利用48个校正集数据构建了4个反演模型见表3。将相关系数最高的651 nm波段反射率，541和617 nm波段反射率构成的NDVI分别进行对数运算后作为自变量，盐胁迫下匍匐翦股颖叶片EL作为因变量构建ULR的M1和M2模型。依据叶片EL与高光谱数据相关系数大小和显著水平的同时，兼顾各变量因子之间的综合性和线性关系，选取了8个自变量以叶片EL为因变量构建了MLR和PLSR的M3和M4模型。8个自变量选取如下： 分别在绿光波段、黄光波段、红光波段选择相关系数高的541，617和651 nm波段的反射率；在三边参数中选择相关度高的绿边幅值和绿边面积；在NDVI和DVI中分别选择相关系数最高的541和617 nm波段的NDVI，以及667和668 nm波段的DVI，考虑到盐胁迫下匍匐翦股颖叶片EL与红光波段的NDVI相关性大，再选择651和718 nm波段的NDVI以增加反演模型的综合性。构建的各模型拟合精度的R2都在0.6以上，均达到了显著相关的水平。在4个构建好的模型中，MLR M3和PLSR M4模型的R2分别为0.688和0.681，RMSE分别为7.046和7.124，好于ULR M2模型的R2和RMSE，M1模型的R2和RMSE最低。ULR只涉及到一个自变量，而MLR和PLSR的自变量多，能很好把各种特征波段和光谱参数与因变量高度拟合。因此，校正集构建的4个模型中基于MLR和PLSR构建的模型M3和M4能很好的反演盐胁迫下匍匐翦股颖叶片EL。

表3 叶片电解质渗透率与高光谱参数的反演模型及其精度

Note： ULR: Unary linear regression; MLR: Multivariate linear regression; PLSR: Partial least-squares regression; Dg: Green edge amplitude; SDg: Area of green edge;R2: Coefficient of determination; RMSE: Root-mean-square error

2.5 叶片EL与高光谱反演模型检验

用预测集24个样本的高光谱数据作为自变量分别代入构建好的4个模型(见表3)计算出盐胁迫下匍匐翦股颖叶片EL的预测值，并将预测值与实测值拟合见图5，各模型拟合精度的R2都在0.730以上，均达到了显著水平。基于PLSR的M4模型预测值与实测值拟合精度的R2最大为0.758，其次为ULR的M2模型R2，M1和M3的R2最小。M2的RMSE最大为7.404，其次是M1和M3的RMSE，M4的RMSE最小为7.079。

用预测集检验回归模型准确性的过程中，M2和M3模型的R2和RMSE与构建模型时的值不一致，其中M2的R2反而比M3高，可能是由于预测集的样本数比校正集的样本数要少造成了这一结果，说明样本数的多少对模型预测的结果会有一定的影响，但是，从M2与M3整体比较来看，R2相差不大，而M3比M2有更小的RMSE，因此，从一定程度上说明M3比M2有更好的准确性，自变量个数多有利于增加模型反演的准确性。总之，对于预测集和校正集而言基于PLSR构建的模型M4具有最大的R2和最小的RMSE，说明在盐胁迫下该模型能很好的反演匍匐翦股颖叶片EL。

图5 叶片电解质渗透率预测值与实测值的比较

3 结 论

在研究不同盐浓度胁迫下匍匐翦股颖叶片高光谱特征，以及测定叶片EL的基础上，分别采用了ULR，MLR和PLSR三种建模方法，用相关性分析方法进行降维，选择与EL相关系数高的高光谱反射率、三边参数和运算指数为自变量，EL为因变量构建反演模型，并对模型的精度进行了检验评价，结论如下：

(1)不同盐浓度胁迫与匍匐翦股颖叶片高光谱反射率具有相关性，在450～700 nm波段为正相关。盐胁迫下匍匐翦股颖叶片的光谱在蓝、绿、黄和红光波段与叶片EL呈显著正相关，在622～665 nm波段尤为显著，在651 nm波段相关系数达到了最高值0.817。

(2)叶片高光谱三边参数中，绿边幅值和绿边面积与叶片EL相关性显著，相关系数分别为0.404和0.539。

(3)叶片EL与任意波段间反射率构成的NDVI和DVI也具有相关性。位于541和617 nm波段处的NDVI与叶片EL相关度最高为0.831，在667和668 nm波段处的DVI与叶片EL相关度最高为0.724，但DVI与叶片EL的相关性不及NDVI与叶片EL的相关性显著。

(4)构建的4个叶片高光谱反演叶片EL模型中，都具有较好的R2和RMSE。在校正集中基于MLR和PLSR构建的反演模型R2和RMSE均好于ULR的反演模型；在预测集中基于PLSR的反演模型R2好于另三个模型，RMSE好于两个模型M1和M2，分别达到了0.758和7.079。

综上所述，在不同盐浓度胁迫下采用了与匍匐翦股颖叶片EL相关系数最高的541，617和651 nm波段反射率值，541和617 nm波段和651和718 nm波段组成的NDVI，667和668 nm波段组成的DVI，以及三边参数中绿边幅值和绿边面积为自变量构建的反演模型要优于单一波段和单一运算指数构建的反演模型，特别是基于PLSR构建的模型对叶片EL反演效果好。该模型的构建能够实现盐胁迫下匍匐翦股颖叶片电解质渗透率的快速无损检测，也为采用高光谱实时监测盐胁迫对匍匐翦股颖及其同类植物的伤害提供了依据和理论参考。电解质渗透率虽然是评价盐胁迫的重要指标，但是，在野外由于温度、水分等原因造成的对植物热胁迫、干旱胁迫和低温胁迫也会影响细胞渗透率，从而影响EL评价盐胁迫程度的准确性。因此，在以后的实验中应当对相关的胁迫进行研究，排除其干扰，提高高光谱检测盐胁迫EL的准确性和增加高光谱检测盐胁迫EL的适用范围。

附图：

附图1 不同盐胁迫下叶片光谱反射率

附图2 不同盐胁迫下叶片光谱的一阶微分

附图3 不同盐胁迫下叶片光谱的一阶微分

[1] Wang S, Zhang Q. Hortscience, 2010, 45(11): 1747.

[2] WANG Xue-kui(王学奎). Principle and Technology of Plant Physiological and Biochemical Experiments(植物生理生化实验原理与技术). 2nd ed(第2版). Beijing: Higher Education Press(北京： 高等教育出版社), 2006. 282.

[3] Hall R J, Crown P H, Titus S J, et al. Canadian Journal of Remote Sensing, 2014, 21: 388.

[4] Jiang Y, Carrow R N. Crop Science, 2007, 47(4): 1611.

[5] Lee G J, Carrow R N, Duncan R R. Plant Sci., 2004, 166: 1417.

[6] Naumann J, Anderson J, Young D. Remote Sensing of Environment, 2008, 112(10): 3865.

[7] Zhang H, Hu H, Zhang X, et al. Acta Physiologiae Plantarum, 2012, 34(2): 581.

[8] Hoagland D R, Arnon D I. Circular. California Agricultural Experiment Station, 1950, 347: 1.

[9] REN Peng, FENG Mei-chen, YANG Wu-de, et al(任 鹏, 冯美臣, 杨武德, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(9): 2490.

[10] Wold S, Sjostrom M, Erikssonn L. Chemometrics and Intelligent Laboratory System, 2001, 58(2): 109.

[11] Yu Q, Chang Z, Li D. Crop Science, 2013, 53(4): 1734.

[12] HUANG Jing-feng, WANG Yuan, WANG Fu-min, et al(黄敬峰, 王 渊, 王福民, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2006, 22(8): 22.

[13] Xu C, Sibicky T, Huang B. Plant Cell Reports, 2010, 29(6): 595.

(Received Sep. 7, 2015; accepted Jan. 28, 2016)

*Corresponding author

Hyperspectral Analysis and Electrolyte Leakage Inversion of Creeping Bentgrass under Salt Stress

XIAO Guo-zeng1, 2, WU Xue-lian3, TENG Ke1, CHAO Yue-hui1, LI Wei-tao4, HAN Lie-bao1, 2*

1. Institute of Turfgrass Science, Beijing Forestry University, Beijing 100083, China 2. The College of Horticulture and Garden, Yangtze University, Jingzhou 4340252, China 3. The College of Economics & Management, Huazhong Agriculture University, Wuhan 430070, China 4. Geography Information and Tourism College, Chuzhou University, Chuzhou 239000, China

Leaf electrolyte leakage is an important index of the plant cell permeability which plays an important role in the study of turfgrass salt stress. Traditional methods of measuring leaf electrolyte leakage have many disadvantages such as time-consuming, destroying the plants and being unable to monitor salt stress in large area. The aim of this study is to build a hyperspectral inversion model for leaf electrolyte leakage of creeping bentgrass under different salt concentration stresses thus to promote the application of the hyperspectral techniques in turfgrass salt stress monitoring. Creeping bentgrass was used in this study, and it was grown in water for two weeks before salt treatments. Leaves were collected at 7, 14 and 21 d under 0(CK), 100 and 200 mmol·L-1NaCl respectively. The spectral values were gathered using Unispec-SC Spectral Analysis System (PP SYSTEMS，USA)before collecting grass leaves. Leaf electrolyte leakage was measured with electrical conductivity method. The relation and differences between salt treatments and spectral reflectance values were analyzed with EXCEL. Normalized difference vegetation index (NDVI) and difference vegetation index (DVI) were calculated using the spectral reflectance values. The first-order differential was calculated with difference method. The trilateral parameters of the blue, green and red rays were calculated at the meantime. The correlation analysis of the Leaf electrolyte leakage, spectral reflectance value, DVI and trilateral parameters was achieved by using EXCEL and Matlab software. Electrolyte leakage inversion model of the calibration set consisted of 48 high correlational samples, was built using unary linear regression, multivariate linear regression and partial least-squares regression methods. The prediction set inspection inversion model was established using the other 24 samples. The results showed that there is a positive correlation between salt stresses and 450～700 nm wave band. The leaf electrolyte leakage was positively associated with 450～732 nm band region at 0.01. The green edge amplitude and area of green edge were correlated with the foliar electrolyte leakage positively. Models based on partial least squares regression could inversion the foliar electrolyte leakage optimally. The calibrationR2reached to 0.681, and the validationR2reached to 0.758. The calibration RMSE was 7.124, and the validation RMSE reached to 7.079. The inversion model made it possible to detect creeping bentgrass leaf electrolyte leakage under salt stress rapidly. This study also provided theoretical reference for monitoring the damage of other creeping bentgrass related plant species resulted by salt stress.

Hyperspectral；Salt stress；Turfgrass；Creeping bentgrass；Electrolyte leakage；Inversion model

2015-09-07，

2016-01-28

国家高技术研究发展计划(863计划)项目(2013AA102607)和2016年安徽地理信息集成应用协同创新中心开放基金项目(201116Y03)资助

肖国增，1979年生，北京林业大学草坪研究所讲师 e-mail： x_gz99@163.com *通讯联系人 e-mail： hanliebao@163.com

O657.3

A

10.3964/j.issn.1000-0593(2016)11-3630-07