潘佩芬，楊武年，戴曉愛(ài)

(成都理工大學(xué)地學(xué)空間信息技術(shù)國(guó)土資源部重點(diǎn)實(shí)驗(yàn)室，成都 610059)

0 引言

植被含水率能夠反映植被的生長(zhǎng)狀況，研究植被水分對(duì)生態(tài)環(huán)境和生態(tài)安全具有重大意義。植被水分對(duì)光譜的吸收與反射特征是植被含水率研究的基本原理［1－4］，高光譜就為其提供了有效的數(shù)據(jù)源。提取植被含水率的方法主要分3 類(lèi):基于植被反射光譜法、基于植被指數(shù)法和基于耦合輻射傳輸模型法。王志輝［5］、王娟［6］、毛罕平［7］和沈艷［8］等均對(duì)植被反射光譜特征進(jìn)行了研究;費(fèi)鮮蕓［1］、李玉霞［3］和張連蓬［9］等建立了植被指數(shù)與植被含水率的轉(zhuǎn)換模型;趙祥等［10］基于耦合輻射傳輸模型建立了植被含水率模型，并改進(jìn)了耦合輻射傳輸模型。但是，針對(duì)高山森林植被的研究甚少。

主成分分析法可以提取植被敏感波段，對(duì)研究植被的光譜特征具有重要價(jià)值。陳云浩等［11］采用主成分法提取了小麥光譜敏感波段并建立了小麥含水率模型，但該研究主要針對(duì)的是精準(zhǔn)農(nóng)業(yè)領(lǐng)域，研究對(duì)象生長(zhǎng)及背景環(huán)境都具有特定性。

筆者通過(guò)分析植被反射光譜特征發(fā)現(xiàn)，棕櫚葉片植被反射光譜與含水率之間存在相關(guān)關(guān)系，故本文結(jié)合上述學(xué)者的研究方法，提取了高山森林植被棕櫚葉片反射光譜與植被含水率顯著相關(guān)的敏感波段，并采用主成分分析法建立了反射光譜與植被含水率模型。植被含水量是“生態(tài)水”信息指標(biāo)參數(shù)之一［3，12－13］，建立植被含水率模型可為“生態(tài)水”的估測(cè)提供有效的方法。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)獲取

1.1.1 反射光譜測(cè)量

采用美國(guó)ASD 公司FieldSpec 便攜式光譜儀，有效光譜波段范圍為350～2 500 nm。其中，350～1 050 nm 范圍內(nèi)的分辨率為3 nm;1 000～2 500 nm 范圍內(nèi)的分辨率為10～12 nm。試驗(yàn)地點(diǎn)為青城山地區(qū)，系岷江中上游范圍，選取的植被為該地區(qū)常見(jiàn)的樹(shù)種棕櫚樹(shù)。試驗(yàn)時(shí)間為2012年4月16—19 日。測(cè)量在室內(nèi)進(jìn)行，測(cè)量人工光源模擬狀態(tài)下棕櫚樹(shù)葉片的反射光譜。每個(gè)采樣點(diǎn)采摘3 棵棕櫚樹(shù)的葉片，每棵摘3 片。均勻分布的4個(gè)采樣點(diǎn)共需測(cè)量36組反射光譜數(shù)據(jù)，其中24 組為模型建立數(shù)據(jù)，剩余12組為模型檢驗(yàn)數(shù)據(jù)。每片葉子測(cè)量3 次光譜，取平均值作為該葉片的反射光譜。光譜平滑可以消除測(cè)量?jī)x器引起的隨機(jī)誤差，本文采用5 點(diǎn)加權(quán)平滑法對(duì)采集的原始冠層光譜進(jìn)行平滑處理［2］。

1.1.2 植被含水率表示

將新鮮葉片密封帶回，采用高精度天平儀稱(chēng)量葉片濕重。新鮮葉片在恒溫60°烤箱內(nèi)烘烤12 h，反復(fù)進(jìn)行烘烤稱(chēng)重，直至2 次重量差不超過(guò)0.1 mg為止，得到葉片干重。葉片相對(duì)含水率［2，8－9，14］表示為

式中:W 為葉片濕重;D 為葉片干重;M 為葉片相對(duì)含水率，有葉片的濕基相對(duì)含水率和干基相對(duì)含水率之分，為了使含水率保持在0～1 之間，本文選用濕基相對(duì)含水率(以W 為分母)作為模型反演的植被含水率。

1.2 相關(guān)性分析

對(duì)植被葉片含水率與植被葉片反射光譜逐波段進(jìn)行相關(guān)性分析，公式為

由于大氣中水汽的強(qiáng)烈吸收，地面光譜和遙感數(shù)據(jù)在水汽吸收波段基本都為噪聲，從本次獲得的植被光譜曲線中可以看出，地物波譜在1 350～1 416 nm，1 796～1 970 nm 和2 350～2 500 nm 波段范圍內(nèi)出現(xiàn)了水吸收峰，在光譜預(yù)處理中需剔除這3個(gè)波段。植被含水率與樣本光譜的相關(guān)性分析(圖1)表明:在440～460 nm，660～680 nm，1 455～1 475 nm，1 650～1 670 nm 和1 924 nm 波段范圍內(nèi)有較好的相關(guān)性，相關(guān)系數(shù)較高。

圖1 植被含水率與反射光譜的相關(guān)系數(shù)Fig.1 Correlation coefficient of vegetation moisture content and reflectance spectrum

1.3 敏感波段提取

植物反射波譜中某些波長(zhǎng)的光譜反射和吸收差異是由植物中化學(xué)組分分子結(jié)構(gòu)的化學(xué)鍵在一定輻射水平的照射下發(fā)生振動(dòng)而引起的，這產(chǎn)生了不同的光譜反射率，且該波長(zhǎng)處光譜反射率的變化對(duì)該化學(xué)組分含量的多少非常敏感(故稱(chēng)敏感光譜)［4］。植物含水量光譜的診斷是以植物水分敏感光譜的反射率與水含量的相關(guān)關(guān)系為基礎(chǔ)的。由相關(guān)系數(shù)分析可以得到植被含水率與植被反射光譜相關(guān)性較好的波段區(qū)間。為了能更好地反映反射光譜對(duì)植被含水率的敏感性，需提取具有代表性的敏感波段。對(duì)相關(guān)性較好的區(qū)域波段分別進(jìn)行逐步回歸分析，以440～460 nm 為例，每隔3 nm 取1個(gè)波段，共7個(gè)波段作為自變量與植被含水率進(jìn)行逐步回歸分析，判別是否入選。重復(fù)判別步驟，最終確定454 nm，668 nm，1 466 nm，1 664 nm 和1 924 nm 作為光譜敏感波段，組成x1，x2，x3，x4和x5等5個(gè)自變量。

2 結(jié)果與分析

2.1 波段相關(guān)性分析

首先利用Matlab 軟件對(duì)所選取的自變量進(jìn)行標(biāo)準(zhǔn)化變換，公式為

式中:Xi為標(biāo)準(zhǔn)化后變量;xi為原始變量(i=1，…，5);E 為各變量所有樣本的均值;D 為各變量所有樣本的標(biāo)準(zhǔn)差。

如果自變量之間的相關(guān)性較高，那么變量之間就會(huì)相互影響，這將導(dǎo)致模型顯著性降低，造成模型與實(shí)際值之間存在較大誤差。因此需要對(duì)標(biāo)準(zhǔn)化后的自變量進(jìn)行相關(guān)分析，分析各變量的獨(dú)立性。從表1 可以看出，5個(gè)自變量之間的相關(guān)系數(shù)均較高，各變量之間存在嚴(yán)重的相關(guān)性。為了提高最終估算模型的精度，這種相關(guān)性必須消除。本文對(duì)變量進(jìn)行了變換。

表1 自變量的相關(guān)系數(shù)Tab.1 Correlation coefficient of vanishes

2.2 主成分分析

主成分變換可消除波段之間的相關(guān)性，并進(jìn)行特征選擇［11，15］。從表2 得知，主成分分析得到的前2個(gè)主成分累計(jì)方差貢獻(xiàn)率達(dá)到96.913%，說(shuō)明前2個(gè)主成分包含了96.913%的信息量，能夠較全面地反映所有信息，所以選擇的主成分?jǐn)?shù)量為2。

表2 主成分對(duì)應(yīng)的單位化特征向量Tab.2 Unit eigenvectors of principal components

2.3 模型建立

首先，利用Matlab 軟件計(jì)算得到主成分的因子模型，根據(jù)表2 中的特征向量可得主成分與標(biāo)準(zhǔn)變量的轉(zhuǎn)換模型為

其次，通過(guò)多元回歸方法建立主成分(Z1，Z2)與 植被含水率(y)之間的回歸模型，即

在檢驗(yàn)水平為0.05 回歸方程顯著。將式(4)(5)引入式(6)中，得到標(biāo)準(zhǔn)變量(X1，X2，X3，X4和X5)與植被含水率之間的轉(zhuǎn)換模型，即

然后，對(duì)式(7)中的各個(gè)標(biāo)準(zhǔn)因變量進(jìn)行回歸變換，變換為原始變量，得到標(biāo)準(zhǔn)變量與原始變量的回歸方程系數(shù)，即

最后，將式(8)—(12)代入式(7)中，得到基于原樣本自變量x1，x2，x3，x4和x5的主成分回歸模型，即

利用樣本采集時(shí)獲取的剩余12 組數(shù)據(jù)對(duì)所建立的模型進(jìn)行檢驗(yàn)，結(jié)果顯示葉片濕基相對(duì)含水率的實(shí)際值與模型估算值的相關(guān)系數(shù)為0.92，均方根誤差為0.06。

3 結(jié)論

根據(jù)樣本的實(shí)測(cè)光譜反射率與葉片含水率的相關(guān)性，選擇相關(guān)性較高的波段作為敏感波段;考慮到高光譜數(shù)據(jù)波段多、數(shù)據(jù)量大和處理冗繁等特點(diǎn)，本文采用分段逐步回歸的方式選擇葉片水分敏感波段;為了避免波段變量之間的相關(guān)性及多重共線性的影響，采用了主成分分析法，最終建立了光譜反射率與含水率之間的轉(zhuǎn)換模型。

1)對(duì)植被葉片含水率與植被葉片反射光譜逐波段進(jìn)行相關(guān)性分析，通過(guò)逐步回歸計(jì)算方法確定波段是否入選，最終確定454 nm，668 nm，1 466 nm，1 664 nm 和1 924 nm 等5個(gè)波段的反射率與棕櫚樹(shù)葉片濕基含水率顯著相關(guān)，將其選擇為敏感波段;對(duì)上述5個(gè)敏感波段的相關(guān)性分析表明它們之間存在很大的相關(guān)性，因此采用主成分分析方法提取前2個(gè)主成分，建立了前2個(gè)主成分與棕櫚樹(shù)葉片含水率之間的轉(zhuǎn)換模型;將前2個(gè)主成分與5個(gè)標(biāo)準(zhǔn)變量的回歸方程引入到轉(zhuǎn)換模型中，得出標(biāo)準(zhǔn)變量與植被含水率之間的轉(zhuǎn)換模型，進(jìn)而采用回歸方法轉(zhuǎn)換成5個(gè)敏感波段與含水率之間的轉(zhuǎn)換模型;經(jīng)過(guò)誤差驗(yàn)證，該模型精度較高。

2)近年來(lái)，高光譜特征分析的國(guó)內(nèi)外相關(guān)研究已有很多，但多為精準(zhǔn)農(nóng)業(yè)研究，而本文的研究對(duì)象為高山森林植被。通過(guò)高光譜提取了棕櫚樹(shù)葉片含水率定量計(jì)算的敏感波段，為今后從高光譜遙感圖像中獲取相應(yīng)波段的定量值反演研究區(qū)棕櫚樹(shù)葉片的含水率提供了分析依據(jù)和快速便捷的含水率計(jì)算方法。

3)植被含水率是“生態(tài)水”信息指標(biāo)參數(shù)中最重要的因子之一，本研究可為棕櫚樹(shù)生態(tài)水的計(jì)算提供參考依據(jù)。利用研究區(qū)高光譜遙感影像直接反演研究區(qū)的植被含水率是研究的重點(diǎn)和難點(diǎn)，如何將植被含水率與反射光譜之間的轉(zhuǎn)換模型很好地應(yīng)用于借助遙感圖像直接反演植被含水率的研究中是作者下一步探討的重點(diǎn)。

［1］費(fèi)鮮蕓，張志國(guó)，盧 霞，等.麻櫟葉片含水率與水分指數(shù)關(guān)系分析［J］.林業(yè)資源管理，2010(5):55－60.Fei X Y，Zhang Z G，Lu X，et al.The relationship between sawtooth oak leave WI and FMC［J］.Forest Resources Management，2010(5):55－60.

［2］蔣金豹，黃文江，陳云浩.用冠層光譜比值指數(shù)反演條銹病脅迫下的小麥含水量［J］.光譜學(xué)與光譜分析，2010，30(7):1939－1943.Jiang J B，Huang W J，Chen Y H，et al.Using canopy hyperspectral ratio index to retrieve relative water content of wheat under yellow rust stress［J］.Spectroscopy and Spectral Analysis，2010，30(7):1939－1943.

［3］李玉霞，楊武年，童 玲，等.基于光譜指數(shù)法的植被含水量遙感定量監(jiān)測(cè)及分析［J］.光學(xué)學(xué)報(bào)，2009，29(5):1403－1407.Li Y X，Yang W N，Tong L，et al.Remote sensing quantitative monitoring and analysis of fuel moisture content based on spectral index［J］.Acta Optica Sinica，2009，29(5):1403－1407.

［4］王 潔，徐瑞松，馬躍良，等.植被含水量的遙感反演方法及研究進(jìn)展［J］.遙感信息，2008(1):100－106.Wang J，Xu R S，Ma Y L，et al.Methods and research developments for retrival of vegetable water content by remote sensing［J］.Remote Sensing Information，2008(1):100－106.

［5］王志輝，丁麗霞.基于葉片高光譜特性分析的樹(shù)種識(shí)別［J］.光譜學(xué)與光譜分析，2010，30(7):1825－1829.Wang Z H，Ding L X.Tree species discrimination based on leaf level hyperspectral characteristic analysis［J］.Spectroscopy and Spectral Analysis，2010，30(7):1825－1829.

［6］王 娟，鄭國(guó)清.夏玉米冠層反射光譜與植株水分狀況的關(guān)系［J］.玉米科學(xué)，2010，18(5):86－89，95.Wang J，Zheng G Q.Relationships between canopy reflectance and plant water status of summer maize［J］.Journal of Maize Scences，2010，18(5):86－89，95.

［7］毛罕平，張曉東，李 雪，等.基于光譜反射特征葡萄葉片含水率模型的建立［J］.江蘇大學(xué)學(xué)報(bào):自然科學(xué)版，2008，29(5):369－372.Mao H P，Zhang X D，Li X，et al.Model establishment for grape leaves dry－basis moisture content based on spectral signature［J］.Journal of Jiangsu University:Natural Science Edition，2008，29(5):369－372.

［8］沈 艷，牛 錚，王 汶，等.基于導(dǎo)數(shù)光譜變量葉片含水量模型的建立［J］.地理與地理信息科學(xué)，2005，21(4):16－19.Shen Y，Niu Z，Wang W，et al.Establishment of leaf water content models based on derivative spectrum variables［J］.Geography and Geo－information Science，2005，21(4):16－19.

［9］張蓮蓬，柳欽火，王德高，等.高光譜遙感植被指數(shù)的普適性分析［J］.測(cè)繪通報(bào)，2010，56(9):1－4.Zhang L P，Liu Q H，Wang D G，et al.The universal analysis of vegetation indices for hyperspectral remote sensing data［J］.Bulletin of Surveying and Mapping，2010，56(9):1－4.

［10］趙 祥，王錦地，劉素紅.耦合輻射傳輸模型的植被含水量遙感改進(jìn)監(jiān)測(cè)［J］.紅外與毫米波學(xué)報(bào)，2010，29(3):185－190.Zhao X，Wang J D，Liu S H.Modified monitoring method of vegetation water content based on coupled radiative transfer model［J］.Journal of Infrared and Millimeter Waves，2010，29(3):185－190.

［11］陳云浩，蔣金豹，黃文江，等.主成分分析法與植被指數(shù)經(jīng)驗(yàn)方法估測(cè)冬小麥條銹病嚴(yán)重度的對(duì)比研究［J］.光譜學(xué)與光譜分析，2009，29(8):2161－2165.Chen Y H，Jiang J B，Huang W J，et al.Comparison of principal component analysis with VI empirical approach for estimating severity of yellow rust of winter wheat［J］.Spectroscopy and Spectral Analysis，2009，29(8):2161－2165.

［12］萬(wàn)新南，楊武年，吳炳方，等.“生態(tài)水層與生態(tài)水”概念及研究意義［J］.地球科學(xué)進(jìn)展，2004，19(s1):117－121.Wan X N，Yang W N，Wu B F，et al.Conception of eco－ water sphere and its application［J］.Advance in Earth Sciences，2004，19(s1):117－121.

［13］楊武年，簡(jiǎn) 季，李玉霞，等.生態(tài)水遙感定量研究［J］.成都理工大學(xué)學(xué)報(bào):自然科學(xué)版，2008，49(2):219.Yang W N，Jian J，Li Y X，et al.Quantitative investigation of ecowater with remote sensing［J］.Journal of Chengdu University of Technology:Science and Technology Edition，2008，49(2):219.

［14］趙 釗，李 霞，尹業(yè)彪，等.荒漠植物含水量的光譜特征分析［J］.光譜學(xué)與光譜分析，2010，30(9):2500－2503.Zhao Z，Li X，Yin Y B，et al.Analysis of spectral features based on water content of desert vegetation［J］.Spectroscopy and Spectral Analysis，2010，30(9):2500－2503.

［15］劉家雄.主成分分析與聚類(lèi)分析在土壤分類(lèi)中的應(yīng)用［J］.上海農(nóng)業(yè)學(xué)報(bào)，2011，27(3):110－113.Liu J X.Application of principal component analysis and cluster analysis to classification of ancient tree－growing soils［J］.Acta Agriculturae Shanghai，2011，27(3):110－113.