利用高光谱技术反演作物叶绿素浓度

利用高光谱技术反演作物叶绿素浓度
第一篇：利用高光谱技术反演作物叶绿素浓度
利用高光谱技术反演作物叶绿素浓度
摘要：高光谱技术作为一种新兴光谱技术，被广泛应用于植物的无损检测中，植被叶片叶绿素含量的估测就是其中之一。

利用可见-近红外成像光谱仪采集不同生育期玉米和大豆的冠层“图谱”数据，在逐步提取影像中光照土壤、阴影土壤、光照植被、阴影植被四种组分光谱的基础上，通过选取的敏感波段构建光谱植被指数和叶绿素密度进行波段自相关分析，探讨各个分量对作物叶绿素密度反演的影响。

关键词：高光谱技术；叶绿素；反演
0 引言
植物通过光合作用获取营养物质，在植物光合作用中，植物细胞中的叶绿体占据了重要的地位，而叶绿体中的色素有叶绿素（叶绿素a，叶绿素b 和叶绿素a+b）与类胡萝卜素（胡萝卜素和叶黄素）。

其中，叶绿素是植物光合作用中最重要的色素，其作为主要吸收光能的物质，直接影响植物光合作用的光能利用率。

叶片单位面积的叶绿素含量是植物总体生长状况的一个重要指标。

叶片叶绿素含量的测定可以用来检测和研究植物突变、压力和营养状态，作物压力和萎黄病的检测对精细农业具有重要的潜在影响[1]。

随着光谱技术的发展，其被应用到各个领域。

而高光谱技术作为光谱技术的一种，由于具有众多优点，在光谱检测方面应用十分广泛，备受人们的青睐。

人类肉眼的视觉范围在380~780 nm 之间，而高光谱的波段非常宽，一些高光谱仪器的波段达350~2 500 nm。

因此，通过高光谱技术可以对绿色植物进行叶绿素的检测和定量分析。

本文对高光谱技术在植物，特别是在经济作物的叶绿素含量检测和定量分析中的应用加以概述[2]。

成像系统简介及数据处理
1.1 高光谱成像技术简介
高光谱成像技术是在多光谱成像的基础上发展而来的，在较宽的波段范围内，利用成像光谱仪对目标物体进行连续成像，从而获得每
个像元的数十或数百条光谱信息。

其成像特点是：光谱范围广（200~2 500nm）、超多波段（上百个波段）、高的高光谱分辨率（几个nm）、波段窄（≤10-2λ）和图谱合一等。

由于所获得的图像信息不仅可以反映物体的大小、形状、缺陷等外部特征，而且不同物体因结构和成分的不同使光谱吸收也不同，从而可以用于物体内部的物理结构和化学成分的检测。

高光谱成像检测装置主要由光源、光谱相机（成像光谱仪+CCD）、装有图像采集卡的计算机组成，如图1所示[3]
图1 高光谱成像装置简图
在扫描过程中，首先面阵CCD 探测器在光学焦面的垂直方向上完成横向扫描（X 方向），同时，在被测物前进的过程中，排列的探测器扫描出一条带状轨迹从而完成纵向扫描（Y 方向）。

通过综合扫描信息就可以得到物体的三维高光谱图像数据，从而可以提取所需信息。

1.2 数据获取
当对玉米、大豆冠层进行成像时，先根据作物的高度决定探测器的观测高度。

以玉米为例，小喇叭口期玉米株高50cm，行距30cm，为了保证视场内至少有一株完整的玉米，设定VNIS 观测高度距玉米冠层178 cm，距地面228cm，视场范围为60cm×60cm 的正方形。

在成像光谱数据采集时，同步用地物光谱仪ASD 采集参考白板的数字量化值，实时记录当时的天气状况，为反射率转换进行原始数据获取。

完成观测区的影像采集后，取两株玉米(大豆)活体植株进行叶绿素密度相关参数测定。

1.3 影像处理
获取的遥感影像要转换成相对反射率才能用于作物的定量化反演研究。

基于图谱解析的作物叶绿素密度反演及评价
2.1 大豆叶绿素密度反演及评价
不同株型的大豆在不同生育期覆盖度有较大变化，背景土壤在观测视场内的面积比例会对冠层反射率有较大影响。

在大豆植被与土壤混合存在时，对叶绿素敏感的波段基本上都位于红光与近红外波段区间。

这和RVI、NDVI、DVI、SAVI、OSAVI 五种植被指数构建原理相
符，即都是基于红与近红外波段进行组合运算实现的。

当植被光谱提纯后(剔除土壤光谱)，它与叶绿素密度的关系是：对叶绿素敏感的波段范围增大，尤其是蓝、绿波段。

五种植被指数都表现为相同的规律。

由此说明，背景土壤对利用光学遥感检测植被群体生化指标有较大影响，对阴影叶片的植被光谱信息也进行剔除，尝试分析阴影部分对遥感定量监测的影响程度，植被阴影叶片光谱去除后，对叶绿素密度敏感的波段范围表现为可见光波段增加，近红外波段减少，红边波段决定系数最高。

五种植被指数都有相同的规律。

那么，可以说阴影叶片会影响植被叶绿素密度敏感波段的选择。

当构建新型植被指数时，要根据植被冠层叶片结构，尝试把阴影比例作为一个影响因子，在公式中加以体现，以便提高叶绿素密度定量化反演精度[4]。

2.2 玉米叶绿素密度反演及评价
上文重点分析了大豆冠层光谱提纯前后反演叶绿素密度的能力，初步结果是土壤光谱去除后，纯植被光谱与叶绿素密度的决定系数有所提高。

但是，大豆作为低矮宽叶植被，叶片大而圆，在幼苗分枝期以后对地表都有较高的覆盖度，茎秆对冠层光谱的影响较小。

为了更加突出背景土壤和茎秆对其冠层光谱的影响，选择玉米作为另一研究对象，主要考虑其有明显的叶片垂直分布，对地表的覆盖度较大豆低(二者的观测视场一致)，且茎秆会影响玉米的冠层光谱。

深入分析光谱提纯(土壤、阴影叶片光谱去除前后)对作物生化参数反演的重要意义。

在玉米与土壤混合存在时，对叶绿素密度敏感的波段基本上都在红与近红外波段区间，有些在蓝、红波段；总体的决定系数R2 较低，大部分在0.5 附近。

当去除土壤光谱后，即只剩下纯植被光谱，对叶绿素密度敏感的波段主要集中在红光波段，有些在近红外与蓝光波段。

决定系数R2 较前者有所提高，大部分大于0.51，最高到0.67。

当阴影叶片光谱去除后，对叶绿素密度敏感的波段主要集中在蓝、红波段，五种高光谱指数结果差异较大，大部分决定系数降低到0.45 左右。

由敏感波段及决定系数可判断，土壤与阴影叶片光谱去除前后，植被冠层光谱与叶绿素密度的相关性有较大变化，二者可以显著影响植被指数的应用效果。

2.3 作物叶绿素密度反演及评价
大量科学文献表明，冠层结构参数(如叶片内部结构参数、叶面积指数、叶倾角分布函数等)会显著影响植被指数反演作物生化参数的准确性。

因此，基于植被指数建立单一预测模型的同时预测多种作物生化参数指标往往比较困难。

将玉米与小麦数据进行混合，利用混合数据筛选最优诊断植株氮浓度的光谱指数，探讨了建立单一模型预测多种作物植株氮浓度的可行性。

上文分别对光谱提纯前后的大豆、玉米冠层光谱与叶绿素密度的敏感性进行了分析，表明二者有相同的趋势，这为单一植被指数在卫星或航空层面对大尺度作物生化参数进行反演提供地面理论支持。

光谱提纯前后对叶绿素密度敏感的波段有明显变动，纯植被光谱与叶绿素密度相关的区间增多，在可见光波段表现明显，主要集中在红光波段。

对阴影叶片进行剔除后，与叶绿素密度敏感的波段组合主要是蓝-近红和红-红组合，这与大豆、玉米单独提取时的结果相同。

但是对冠层结构差异明显的两种作物数据进行混合后，分析其与叶绿素密度的相关决定系数大小发现，植土混合时最大的决定系数高于纯植被的，这与单独研究时的结果不符。

是否因选择的作物组合或试验样本的因素最终影响了混合数据的结果，有待进一步深入研究。

但是有一点肯定的是，随着土壤光谱的剔除，与叶绿素密度敏感的波段增多，且表现在叶绿素a 和b 及胡萝卜素强吸收的波段，因此从作物的反射光谱特征上看，文中选择的敏感波段区间是合理的。

此外，因这里获得的决定系数较低，故并未进行模型构建及精度检验。

3 结论
在光谱提纯的基础上，对大豆、玉米及二者混合叶绿素密度进行反演，得出以下结论：
(1)影像中土壤光谱去除前后，由RVI、NDVI、DVI、SAVI、OSAVI 五种光谱植被指数对叶绿素密度敏感的波段变化情况得出，背景土壤对利用光学遥感数据反演植被叶绿素密度有较大影响。

在对阴影叶片的光谱信息进行剔除后，通过五种光谱植被指数选择波段的变化区间说明，阴影叶片会影响植被冠层叶绿素密度敏感波段的选择，当构建新型植被指数时，要根据植被冠层叶片结构尝试把阴影比例作
为一个影响因子在公式中加以体现，以便提高叶绿素密度定量化反演的精度。

(2)光谱提纯前后(大豆、玉米及其混合数据)，对叶绿素密度敏感的波段有明显变动，纯植被光谱与叶绿素密度相关的区间增多，在可见光波段表现明显，主要集中在红光波段。

对阴影叶片进行剔除后，与叶绿素密度敏感的波段组合主要是蓝-近红波段和红-红波段组合。

(3)对冠层结构差异明显的两种作物(大豆与玉米)数据进行混合后，分析其与叶绿素密度的相关决定系数大小发现，植土混合时最大的决定系数高于纯植被的，这与单独研究时的结果不符。

是否因选择的作物组合或试验样本的因素最终影响了混合数据的结果还有待进一步深入研究。

参考文献：
[1] 宁艳玲，张学文，韩启金，等.基于改进的 PRI 方法对植被冠层叶绿素含量的反演[J].航天返回与遥感,2014.[2] 郭洋洋，张连蓬，王德高等.小波分析在植物叶绿素高光谱遥感反演中的应用[J].2011.[3] 刘燕德，孙祥，杨信廷，等.高光谱技术在作物叶绿素含量检测中的应用研究进展[J].广东农业科学,2013.[4] 张东彦，刘良云，黄文江，等.利用图谱特征解析和反演作物叶绿素密度[J].红外与激光工程,2013.
第二篇：什么是高光谱
什么是高光谱,多光谱,超光谱
作者：felles 提交日期：2010-4-26 8:16:00 | 分类:高光谱 | 访问量：196
到底什么是高光谱，多光谱和超光谱技术2009-11-18 13:53多光谱，高光谱和高光谱技术都被称为成像光谱技术，在遥感和其他科研领域具有举足轻重的作用。

多年来，我一直对这种技术理解不深，很多人说什么多光谱，甚至是超光谱，多光谱技术实际上是高光谱技术的原始阶段，几乎被淘汰了。

而有些人说的超光谱实际上还在美国研发，根本没有进入到市面上，也就说诸多同仁对成像光谱技术也是糊里糊涂。

今日，我在一个网站上发现了对这种技术的解释
成像光谱技术（高光谱成像技术）基础
Imaging Spectrometer Fundamentals
说明：1.下文所属的成像光谱仪又叫高光谱成像系统，而且同一个概念。

2.该资料为天津菲林斯光电仪器公司编写，仅作成像光谱技术的内部交流之用，禁止一切形式的侵权传播或引用行为。

一．技术历史背景
在现代科研过程中, 多数情况下必须对空间不均匀样品的分布特性加以分析和确认，使用传统的光谱仪仅仅能够以聚焦的镜头扫描样品或者获得整个样品的平均特性，这种光谱和空间信息不可兼得的局限性促使高光谱成像技术（Hyperspectral Imaging）应用而生。

早在20世纪60年代（1960s）人造地球卫星围绕地球获取地球的图片资料时，成像就成为研究地球的有利工具。

在传统的成像技术中，人们就知道黑白图像的灰度级别代表了光学特性的差异因而可用于辨别不同的材料，在此基础上，成像技术有了更高的发展，对地球成像时，选择一些颜色的滤波片成像对于提高对特殊农作物、研究大气、海洋、土壤等的辨别能力大有裨益。

这就是人类最早的多光谱技术（Multispectral imaging）它最早出现在LandSat卫星上。

这些最早的星载图像传感器（例如，LandSat卫星上的Thematic Mapper和法国SPOT卫星上的相机）以离散的几种颜色（或者几个波段）对地球成像，就是人们常说的多光谱成像。

既然多光谱成像（Multispectral Imaging）仅仅以几个连续的光谱波带成像对于我们研究环境就如此有用，为什么不把波带数拓展更多，把光谱分辨率拓展更细呢？因此，用于遥感目的的高光谱成像技术（Hyperspectral Imaging）在20世纪80年代初期诞生了，它最早是机载的成像光谱仪（Airborne Imaging Spectrometer），如今已拓展到先进的可见和红外成像光谱仪（AVIRIS），这两种最早都诞生在NASA的JPL中心（NASA：美国国家航天航空管理局）。

从多光谱到高光谱遥感技术的前进也需要仪器的发展。

虽然对地球成像而言七个非连续的波段称不上什么光谱成像技术，但是如果使
用200个连续的波段，每个波段的光谱分辨率在10nm左右，谁都不会否认这是光谱成像技术。

而且人类对更好更高的追求从来都没停止过，现在光谱成像技术已经发展到超光谱时代（Ultraspectral Imaging），比如，它使用的是空间发射光谱仪（Atmospheric Emission Spectrometer，AES），这个超光谱成像仪在红外波段就能产生数千个波带，分辨率高达1/cm。

全球第一个星载高光谱成像器于1997年在NASA随着Lewis卫星发射升空，它包含了384个波段涵盖了400-2500nm波段，不幸的是这颗卫星控制出现问题，失去了动力，升空一个月后就偏离了轨道。

随后，一些实验性的机载高光谱成像器在NASA的DOD （Department of Defense）得到了重点研发，这些机载的高光谱成像系统涵盖了VNIR/SWIR和MLIR(3-5微米），LWIR（又称热红外相机，适应波段8-12微米）。

目前，成像光谱技术已经走出了最初的军事应用的局限，在国土资源调查，精准农业生产和研究，农作物分选和检测等多种应用领域发挥不可替代的作用。

基于成像光谱技术波长范围为400-1000nm, 900-1700nm,1100-2500nm,3000-15000nm的各种成像光谱仪和高光谱成像器也应运而生。

但是由于军事应用的潜在性依然存在，国外先进成像光谱仪国家对成像光谱仪的对华出口管制非常严格，例如，红外成像光谱仪是百分之百对华禁运，其他波段的成像光谱仪也需要我国用户提供商务部签发的“End User and End Use Statement”，但是，尽管如此，能否进口到中国来依然存在许多变数。

为什么国外多这种技术对华如此高级别地限制，高光谱技术到底“高”在那些方面，高光谱成像光谱仪如何实现高光谱数据的获取？针对诸多技术细节，天津菲林斯光电仪器公司作为国内专业的成像光谱技术提供者，发挥专业技术优势，从纯技术的角度为广大用户和读者提供一份绝密级别的内部参考资料，这份资料仅供广大用户之间阅读参考，切勿随意散发。

二．技术综述
成像光谱（高光谱）数据是图谱合一的海量数据源，它同时包含
了图像信息和光谱信息，能够给出各个波段上每个像素的光谱强度数据，而且光谱分辨率很高，这样，这种数据在一些对光谱和图像和光谱分辨率要求较高的领域就显示出无可替代的作用。

例如，矿产探测，高光谱数据由于较高的光谱分辨率就可以帮助人们通过光谱分析的的办法找到一些隐蔽性极强的稀有矿产，而在以前，普通的光谱技术是无法发现这些矿产的。

高光谱成像的数据是一叠连续多个波段成像获得的景色或样品的图像，就是俗称的图像立方体（Image cube）。

这个图像立方具有两个空间维度（X和Y），第三维为每个像素的波长或辐射强度。

图二：一种比较典型的高光谱图像立方体
那么，如何获得这种价值连城的高光谱图像立方体呢？它是通过成像光谱仪获取的，但是成像光谱仪（或高光谱成像系统）本身是一种获取图像的传感器，它获取的只是光谱信息，一般地，成像光谱仪器及其配套软件是不提供该图像立方体的显示功能的，您需要把成像光谱仪获取的数据导入到ENVI软件中才能显出如此漂亮的图片资料。

图三：一种比较典型的成像光谱仪(Imaging Spectrometer or
Hyperspectral imager)
获取这样一个图像立方有两种方法，一种是推扫式(Push-broom),适合动态成像，也就是成像光谱仪随着搭载平台时刻在运动而探测的目标静止, 另外一种是波长扫描式(Wavelength Scanning),适合静态成像，也就是程序光谱仪和目标都是静止不动。

（有关扫摆式和摇摆式成像在此不作阐述）。

在深入该话题的探讨之前，我们首先明确高光谱遥感的三个空间级别：
航天级别：星载遥感（planet-borne）距离地面150公里以上。

这是一种典型的高光谱遥感应用，也是高光谱技术（成像光谱技术）的最初应用，它是把成像光谱仪安装于卫星上，对地球目标进行高光谱遥感探测。

工作距离通常是几万公里以上，我国的神舟七号飞船就成安装类似的成像光谱仪。

使用的成像光谱仪非常庞大，每次实验的费用非常巨大。

航空级别：机载遥感（Airborne）距离地面100-到十多公里的距离。

使用小型飞机或无人机作为光谱仪的搭载平台，是目前主要的遥感成像工作方法。

它使用的成像光谱仪体积小。

但是要获得比较好的实验结果并不容易，需要精确的GPS和惯导定位，高性能的计算机和高频率的拍摄速度。

地面级别：这种应用的主要领域是地面或高度不高于50m的空间成像。

它不再是像前两种那样动态的成像，而是通常静态成像，比较常见的是农业应用和是实验室高光谱成像。

但是也有把推扫式成像光谱仪放置在地面，配备旋转位移台或线形位移台，以产生两种效果：成像光谱仪运动而待测物目标静止，或者成像光谱仪静止而待测目标运动的效果。

目前,实际科研过程中,常用的是航空级别(动态成像)和地面级别的高光谱遥感成像(静态成像)。

现在，可以这样认为：动态的测量应用就需要使用推扫式成像方式获取图像，静态测量应用需要使用波长扫描式获取高光谱图像。

这两者有何区别呢？下图将有利于您理解该问题。

图四：A图是波长扫描式的成像方式(静态测量)B图是推扫式成像方式(动态测量)
第三篇：高光谱遥感实习报告
中国地质大学（武汉）
《高光谱遥感》上机实习报告
学号： 20141000360 班级序号： 113142 姓名：林浩指导老师：沈永林
实习一
1.高光谱数据的基本信息查询：
（1）打开数据
（2）鼠标放在cup95eff.Int左键点击->edit header，查看头文件信息
2.数据分析
（1）在ENVI主菜单下选择：File>OpenImageFile，在打开的文件选择窗口中选择图像文件cup95eff，点击OK打开图像。

（2）打开它的2-D散点图T ools>2-DScatterPlots,并且选择band172、173
（3）得到2d散点图
3.高光谱数据MNF变换以及纯净端元提取
样本的选取与分类
（1）在ENVI主菜单下选择Transform>MNFRotation>ForwardMNF>EstimateNoiseStatistics fromData
：
（2）进行mnf变换设置
（3）得到特征值曲线
（4）查看mnf变换后band1和band2的2d散点图
（5）在散点图中用ROI制图功能将点云拐角零散的几个点圈起来（6）在2-D散点图窗口中选择：Options > Export All 提取各样本区
（7）点击Select ALL 然后点击stats
（8）在ENVI主菜单下选择：Spectral > Spectral Analyst，我们选择USGS（美国地质调查局）波谱库
（9）选择红色区域得到匹配结果
得出红色区域为明矾石。

（10）同理得到绿色区域结果
判断该为锂辉石
蓝色区域
判断该为高岭石
黄色区域
判断该为赤铁矿
青色区域
判断该为黄钾铁矾
洋红区域
判断该为黄钾铁矾
褐红色区域
判断该为白云石
（11）通过分析是否有两类极其相似，于是我把这两类合并。

在ROIs Tools窗口中选择Option > Merge Regions
得到分类好的样本区域
分类
（1）在ENVI主菜单下选择：Pixel Purity Index > [FAST]New Output Band
进行10000次迭代
（2）得到的PPI图像如下所示：
（3）由PPI图像生成样本区。

在ROIs Tool对话框中选择Options > Band Threshold to ROI 建立一个只包含拥有高PPI值像素的ROI
（4）在弹出的对话框中输入最小极限值100，提取训练样本。

（5）在ENVI主菜单中选择Spectral > n-Dimensional Visualizer > Visualize with New Data
（6）选择其前十个波段进行观察
（7）使用n维空间观察仪
（8）选择其中5个波段进行模拟
（9）在ENVI主菜单下选择：Classification > Supervised > Spectral Angle Mapper。

选择原始图像作为待分类图像。

（10）在此窗口中选择：Import > form ROI from Input File
（11）选择我们刚才定义好的样本区
（12）这些样本区就出现在端元收集器中了
（13）设置分类参数
（14）得到最后分类的图像
第四篇：高光谱实习报告
高光谱遥感实习
报告
1、通过给定的数据1DATA（excel文档格式）建立光谱库，并将
该光谱库数据重采样至TM传感器的光谱分辨率。

1.1光谱库重采样
使用“Spectral Libraries | Spectral Library Resampling”子菜单进行光谱库重采样。

在“Spectral Resampling Parameters”对话框里，选择“Input Data File” 作为重采样方法, 第一步：出现“File Containing Output Wavelength”对话框时，点击需要的文件名。

此时是can_tmr.img作为参考文件，也就是说光谱库中的光谱将以TM的波长范围进行重采样。

如下系列图所示：
第二步：点击【OK】开始重采样过程。

数据文件在它的相关文件头中，必须包含用于重采样的波长数值。

如果在文件头中，出现FWHM 值，它们也将用于重采样。

（1）在“Available Bands List”中出现重采样后的光谱库。

（2）通过光谱库查看功能查看重采样后的光谱数据。

第三步：通过光谱库查看重采样后的结果
1.2光谱库建立
操作步骤：
第一步：选择“Spectral | Spectral Libraries | Spectral Library Builder”。

第二步：出现“Spectral Library Builder”对话框时，从“Data File”(ENVI 图像文件)或ASCII File”、或“File Input Spectrum”，为新库选择数据源。

第三步：出现“File Containing Output Wavelength”对话框时，用标准选择程序选择包含波长和可选项FWHM值的输入文件。

（1）当采用“Data File”，波长和FWHM 值（若存在）从ENVI 头文件中读取。

如图18.（2）当采用“ASCII File”, 必须选上包含波长值与 FWHM(若存在)的列。

（3）当采用“file input spectrum”时直接弹出Spectral Library Builder 对话框（4）点击【OK】。

出现“Spectral Library Builder”对话框，允许选择光谱库。

如图第四步：“Spectral Library Builder”对话框运用这一对话框从
各种数据源中收集端元光谱。

所有光谱自动被重采样到选择的波长空间。

这一对话框的个别部分见下面描述（参见错误！未找到引用源。

节“端元收集”）。

第五步：此时例子选择的为野外采集光谱文件“ASD file”则根据选择的波长建立光谱库。

由选择的光谱建立一个标准ENVI光谱库文件。

可以看到，该光谱曲线已经被采样到can_tmr.img文件的波长范围了，即6个波段。

这表明输入的ASD数据已经被ENVI识别并已经可以使用了。

那么下一步就是将其保存为ENVI的光谱库文件。

第六步：在“Endmember Collection Spectra”对话框中选择“File | Output Spectra | Spectral Library”。

第七步：出现“Output Plots to Spectral Library”对话框时，输入输出文件名，此时该光谱库就已经被建立。

第八步：关闭“Spectral Library Builder”对话框，选择“File | Cancel”
2、对数据2构建三维影像立方体。

操作步骤：
第一步：选择“Spectral | Building 3D Cube”菜单
第二步：输入构建3维影像立方体文件，选择ENVI自带的cup95eff高光谱数据进行实验。

第三步：弹出“3D Cube RGB Face Input Bands”对话框，输入影像RGB，用于影像立方体第一层显示。

第四步：弹出“3D Cube Parameters”对话框，选择色彩对应表，显示立方体其他部分的颜色对应表。

第五步：显示结果
3、对数据2的column=10的位置进行光谱切面。

3.1水平切面
操作步骤：
第一步：选择“Spectral | Spectral Slices | Horizontal Slice”。

第二步：出现“Spectral Slice Input File”对话框时，选择一个输入文件和需要的光谱子集第三步：出现“Spectral Slice Parameters”对话框时，在标有“Line” 的文本框里输入用。