豐明博，牛 錚

(1.中國科學(xué)院遙感與數(shù)字地球研究所，北京 100101;2.中國科學(xué)院遙感科學(xué)國家重點實驗室，北京 100101;3.中國科學(xué)院大學(xué)，北京 100049)

0 引言

葉綠素是參與植物光合作用的必要色素，其含量控制著植被葉片吸收太陽輻射的能力，影響植被初級生產(chǎn)力，能提供植物營養(yǎng)狀況的精確、間接的估算。葉綠素被認(rèn)為是地球上最重要的有機分子，是植物營養(yǎng)(氮素)脅迫、光合能力、發(fā)育階段(特別是衰老階段)和病蟲害監(jiān)測的重要指標(biāo)[1]。

經(jīng)驗和半經(jīng)驗方法主要是通過考察所研究的生化組分含量與光譜因子(反射率或其變換形式，如光譜指數(shù))間的相關(guān)關(guān)系來建立統(tǒng)計模型。統(tǒng)計分析方法通常是利用逐步多元線性回歸的方法選取反射率或其變型(一階導(dǎo)數(shù)、二階導(dǎo)數(shù)等)，或選取不同波段組合構(gòu)建光譜指數(shù)與葉片樣本的生化組分相關(guān)性最高的指數(shù)進(jìn)入模型，然后建立回歸方程來預(yù)測生化組分的含量[2–7]。利用統(tǒng)計方法構(gòu)建葉片光譜估測葉綠素含量的模型，能夠達(dá)到較高的精度(＞95%)[8]。

目前對于葉綠素含量的反演建模，利用的數(shù)據(jù)基本上是基于單一物種(如玉米);所建立的適合于葉綠素含量反演的經(jīng)驗?zāi)Ｐ?，也大多是針對特定物種而言。而對于研究區(qū)域甚至全球尺度的養(yǎng)分循環(huán)或生物地球化學(xué)循環(huán)，則需要區(qū)域的生化組分參數(shù)作為支撐，這就要求反演模型能夠盡可能多地適應(yīng)不同的植被。本文利用由歐盟委員會聯(lián)合研究中心(Joint Research Centre of the European Commission)的空間研究所實測獲得的lopex93(leaf optical properties experiment)植物生化參數(shù)數(shù)據(jù)庫資料，對其中17種植被(包括玉米、小麥、月桂樹及楊樹等)的22個葉片樣本的干葉光譜與鮮葉光譜以及測量的葉綠素含量進(jìn)行分析，對每一種植被取平均值作為終值，葉綠素含量單位為mg/g。基于植被葉綠素含量與實測光譜及Hyperion模擬光譜進(jìn)行分析，建立相關(guān)關(guān)系;利用分析結(jié)果對甘肅省張掖市的植被葉綠素含量進(jìn)行了區(qū)域反演，并對反演結(jié)果進(jìn)行了誤差分析。

1 模型分析

基于經(jīng)驗或半經(jīng)驗?zāi)Ｐ偷娜~綠素含量反演，其葉綠素含量估算模型主要有3種:①紅邊參數(shù)與葉綠素含量回歸分析方法;②原始光譜，光譜的一階微分、對數(shù)等形式與葉綠素含量相關(guān)性分析方法;③植被指數(shù)與葉綠素含量回歸分析方法。針對這3種常用的建模方法，利用實測數(shù)據(jù)與模擬Hyperion傳感器數(shù)據(jù)進(jìn)行比較，得到遙感反演不同植物葉綠素含量的方法。

1.1 光譜重采樣

目前，地球觀測衛(wèi)星EO-1上的Hyperion傳感器數(shù)據(jù)是用途廣、易獲得、數(shù)據(jù)存檔時間較長的高光譜衛(wèi)星遙感數(shù)據(jù)，經(jīng)常用于進(jìn)行植被信息提取等研究。lopex93數(shù)據(jù)庫內(nèi)光譜數(shù)據(jù)的波譜分辨率為1 nm，而Hyperion數(shù)據(jù)的光譜分辨率為10～12 nm。為了分析利用實測光譜與衛(wèi)星光譜數(shù)據(jù)反演植被葉綠素含量的區(qū)別，以Hyperion數(shù)據(jù)為基準(zhǔn)，采用高斯光譜響應(yīng)函數(shù)法對實測的原始反射率光譜數(shù)據(jù)進(jìn)行了光譜重采樣，獲取基于Hyperion波段的模擬光譜數(shù)據(jù)集。第i波段的反射率計算公式為

式中:ri為第i波段的反射率;λui為第i波段的起始波長;λli為第i波段的終止波長;r(λ)為波長λ處的反射率;φt(λ)為波長λ處的光譜響應(yīng)因子。

圖1示出實測光譜曲線和重采樣得到的模擬Hyperion光譜曲線。

圖1 實測光譜曲線與重采樣得到的模擬Hyperion光譜曲線Fig.1 Spectral curves measured in the field and simulated Hyperion spectra by resampling

由圖1可以看出，與實測的光譜曲線相比，經(jīng)過重采樣后的模擬Hyperion光譜曲線形態(tài)并沒有多大改變;但其中心波長以及半高寬等信息均發(fā)生了變化，光譜分辨率由原來的1 nm變?yōu)?0～12 nm。光譜分辨率的變化會對反演葉綠素含量的建模產(chǎn)生一定的影響。

1.2 反射率與葉綠素含量的關(guān)系

葉片葉綠素含量與光譜反射率具有相關(guān)性。在可見光譜段內(nèi)，植物的光譜特性受葉綠素影響。研究表明，葉綠素在可見光譜段內(nèi)有2個主要的吸收帶:①以450 nm為中心的藍(lán)波段和以670 nm為中心的紅波段，葉綠素對這2部分的吸收率達(dá)90%以上;②在490～600 nm譜段，由于550 nm波長附近是葉綠素的強反射峰區(qū)，故植被在此波段的反射光譜曲線具有波峰的形態(tài);而在760 nm后的近紅外波段，葉綠素吸收能力較弱，因此葉片反射率會急劇升高。圖2顯示了實測光譜及模擬Hyperion光譜在400～1 000 nm譜段范圍內(nèi)，葉綠素含量和葉片反射率及其一階微分、對數(shù)等變化形式的相關(guān)關(guān)系。

圖2 實測光譜及Hyperion光譜信息與葉綠素含量相關(guān)關(guān)系Fig.2 Respective relationships between chlorophyll content and measured spectra，Hyperion spectra

從圖2可以看出，針對實測光譜與Hyperion光譜，葉綠素含量與葉片反射率及其對數(shù)的相關(guān)性基本一致;但其相關(guān)系數(shù)均偏小，這是由于不同植被的反射率有差異，影響了相關(guān)系數(shù)的大小，因此不能單獨利用反射率及其對數(shù)選取相關(guān)波段建模。由葉綠素含量和反射率一階導(dǎo)數(shù)的相關(guān)性可以發(fā)現(xiàn)，基于Hyperion光譜以及實測光譜的相關(guān)系數(shù)在可見光波段的形態(tài)、走勢大體是相同的，僅僅在細(xì)節(jié)上由于波譜分辨率的原因，實測光譜更加精細(xì);而在近紅外波段以后，實測光譜與Hyperion光譜有較大的差異，這一方面是因為Hyperion波譜分辨率較低，另一方面則是由于在此波譜范圍內(nèi)受葉片水分的影響較為嚴(yán)重。因此，若利用Hyperion數(shù)據(jù)的特征波段建模反演不同植被的葉綠素含量，應(yīng)依據(jù)近紅外波段附近的光譜一階導(dǎo)數(shù)與葉綠素含量的關(guān)系進(jìn)行波段選擇。

1.3 紅邊參數(shù)與葉綠素的關(guān)系

紅邊是綠色植物在680～740 nm之間反射率增高最快的波長位置，也是光譜反射率一階導(dǎo)數(shù)在該區(qū)間內(nèi)的拐點。葉綠素含量與紅邊參數(shù)具有較好的相關(guān)關(guān)系[9]。對于紅邊參數(shù)的計算，首先要對光譜反射率進(jìn)行一階微分。由于光譜儀和傳感器所獲得的光譜數(shù)據(jù)是離散形式的，因此其微分的計算就變成了差分計算，本次研究中采用如下公式來求解光譜數(shù)據(jù)的微分。光譜反射率的一階微分計算公式為

式中:λi為第i波段的波長;ρ(λi)為波長 λi的一階微分光譜。

從一階微分?jǐn)?shù)值中提取基于光譜位置的主要變量“紅邊”(680～750 nm)內(nèi)最大的一階微分值即為紅邊斜率(Dr)，最大的一階微分值對應(yīng)的波長位置即為紅邊位置(λr)。

圖3示出葉綠素含量與實測光譜紅邊參數(shù)(紅邊斜率、紅邊位置)之間的關(guān)系。

圖3 葉綠素含量與實測光譜紅邊參數(shù)的關(guān)系Fig.3 Relationship between chlorophyll content and red edge parameters of measured spectra

圖4 示出葉綠素含量與Hyperion光譜紅邊參 數(shù)(紅邊斜率、紅邊位置)之間的關(guān)系。

圖4 葉綠素含量與Hyperion光譜紅邊參數(shù)關(guān)系Fig.4 Relationship between chlorophyll content and red edge parameters of Hyperion spectra

從圖3和4可以看出，基于紅邊信息與葉綠素含量的關(guān)系進(jìn)行建模，由于不同植被受到葉綠素影響后，紅邊信息的改變具有明顯的差異性;所以通過實測數(shù)據(jù)建立的模型，僅紅邊位置與葉綠素含量的決策系數(shù)R2=0.334 3，具有一定的相關(guān)性;而紅邊斜率與葉綠素含量不具有相關(guān)性，這是由于數(shù)據(jù)量不足，對于紅邊斜率與葉綠素含量的關(guān)系不具有代表性。利用模擬的Hyperion數(shù)據(jù)與葉綠素含量進(jìn)行分析時，由于Hyperion數(shù)據(jù)的光譜分辨率為10～12 nm，這樣的光譜分辨率不能準(zhǔn)確地表達(dá)紅邊位置信息(其紅邊位置信息均集中在701 nm，711 nm和721 nm處，不能細(xì)微地得到不同葉綠素含量下較準(zhǔn)確的紅邊位置)，因此，對于Hyperion數(shù)據(jù)，不同植被、不同葉綠素含量與紅邊位置無準(zhǔn)確關(guān)系，紅邊斜率與葉綠素含量的相關(guān)性更低。

1.4 植被指數(shù)與葉綠素的關(guān)系

以植被指數(shù)為自變量，利用植被冠層光譜反射特征，通過葉綠素含量與植被指數(shù)的經(jīng)驗回歸關(guān)系估算葉綠素含量，這種方法是現(xiàn)今較常用的一種反演葉綠素含量的建模方法。很多關(guān)于植被的指數(shù)已被采用不同的方法構(gòu)建出來，并成功地應(yīng)用于估算植被的葉綠素含量。利用植被指數(shù)反演葉綠素含量的依據(jù)主要是利用高光譜數(shù)據(jù)波段窄而連續(xù)的特點，根據(jù)葉綠素與光譜的吸收、反射關(guān)系，通過尋找若干波段組合得到植被指數(shù)削弱、影響葉片光譜的因素，從而更好地建立葉綠素含量與植被指數(shù)之間的關(guān)系。本文選擇歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)[10]，優(yōu)化的簡單比值植被指數(shù)(modified simple ratio，MSR)[11]，優(yōu)化的葉綠素吸收率指數(shù)(modified chlorophyll absorption ratio index，MCARI)[12]，以及基于改進(jìn)的葉綠素吸收率指數(shù)(transformed chlorophyll absorption in reflectance index，TCARI)和MCARI與土壤背景指數(shù)(optimized soil-adjusted vegetation index，OSAVI)[13]的混合植被指數(shù) TCARI/OSAVI和 MCARI/OSAVI等5個植被指數(shù)(表1)，分別利用基于實測光譜及Hyperion光譜的植被指數(shù)進(jìn)行葉綠素含量反演建模。

表1 本文使用的植被指數(shù)Tab.1 Vegetation indexes used in this paper

對以上各光譜參量與葉綠素含量，分別采用線性模型、指數(shù)模型和對數(shù)模型等不同模型進(jìn)行回歸分析，計算最合適的回歸模型?；貧w結(jié)果如圖5和圖6所示。

圖5 葉綠素含量與實測光譜構(gòu)建植被指數(shù)關(guān)系Fig.5 Relationship between chlorophyll content and vegetation index built with measured spectra

圖6 葉綠素含量與Hyperion光譜構(gòu)建植被指數(shù)關(guān)系Fig.6 Relationship between chlorophyll content and vegetation index built with Hyperion spectra

由圖5和6可以看出，雖然在建立回歸關(guān)系的過程中不同的指數(shù)有著不同的回歸關(guān)系，但利用實測光譜和Hyperion光譜構(gòu)建的植被指數(shù)分別得到的回歸模型，其決策系數(shù)R2并沒有顯著的差別。這一方面是由于很多光譜指數(shù)在構(gòu)建時已經(jīng)考慮到了較小的波譜分辨率，另一方面則是由于植被指數(shù)多利用幾個波段之間的相對關(guān)系，而Hyperion圖像的波譜分辨率完全能夠滿足體現(xiàn)波段間相對關(guān)系的要求。相比較而言，MSR[705，750]與多種植被葉綠素含量的回歸結(jié)果最好，因為 MSR[705，750]考慮了近紅外波段和紅波段的反射率之比，能夠較好地克服大氣、土壤和背景等因素的影響。

綜上所述，采取植被指數(shù)的方法、利用Hyperion圖像反演不同植被葉綠素含量時，植被指數(shù)通常選擇 MSR[705，750]。

2 實驗結(jié)果與分析

選擇甘肅省張掖市為實驗區(qū)，利用植被指數(shù)MSR[705，750]，基于 Hyperion 數(shù)據(jù)建立經(jīng)驗?zāi)Ｐ?，進(jìn)行反演多種植被葉綠素含量的實驗。實驗區(qū)范圍在E100.291 941°～ 100.452 943°，N38.313 695°～39.169 923°之間。覆蓋實驗區(qū)的Hyperion圖像的獲取時間為2008年7月15日。實驗區(qū)內(nèi)的主要植被包括玉米和小麥等，利用葉綠素儀(又稱“土壤、作物分析儀”，soil and plant analyzer development，SPAD)測量實驗區(qū)內(nèi)大塊農(nóng)田的玉米和小麥的葉綠素含量。SPAD通過測量葉子對2個波譜段內(nèi)的吸收率來評估當(dāng)前葉子中的葉綠素的相對含量，其值與葉綠素含量具有正相關(guān)性，故可利用SPAD的測量值表征葉綠素的相對含量。因葉綠素含量與植被指數(shù) MSR[705，750]成指數(shù)關(guān)系，SPAD 與葉綠素含量具有正相關(guān)性，所以 SPAD 與植被指數(shù) MSR[705，750]也成指數(shù)關(guān)系。利用 SPAD 與 MSR[705，750]建立經(jīng)驗?zāi)Ｐ?。圖7示出實驗區(qū)內(nèi)的葉綠素相對含量與植被指數(shù) MSR[705，750]之間的關(guān)系。

圖7 實驗區(qū)內(nèi)葉綠素相對含量與MSR[705，750]關(guān)系Fig.7 Relationship between relative chlorophyll content and MSR[705，750] in test area

根據(jù)地面實測的玉米和小麥SPAD值，結(jié)合Hyperion數(shù)據(jù)對應(yīng)點的MSR指數(shù)，得到預(yù)測葉綠素含量的回歸模型。對模型預(yù)測結(jié)果與實測的檢驗樣本葉綠素含量進(jìn)行對比分析的結(jié)果如表2所示。

可以看出，利用植被指數(shù)MSR得到的回歸模型能很好地滿足利用星載傳感器數(shù)據(jù)反演不同植被葉綠素含量的要求，誤差小于5%。

表2 回歸模型預(yù)測誤差Tab.2 Prediction error of regression model

基于Hyperion高光譜圖像以及得到的張掖地區(qū)葉綠素含量預(yù)測模型，能夠?qū)φ皥D像進(jìn)行填圖，得到預(yù)測的葉綠素相對含量分布圖(圖8)。

圖8 葉綠素相對含量分布圖Fig.8 Distribution map of relative chlorophyll content

根據(jù)遙感圖像與實測葉綠素含量、基于MSR指數(shù)建立的模型，反演得到葉綠素含量分布圖，能夠形象地反映出張掖地區(qū)各種植被的葉綠素含量，大大減少了工作量，而且利于后續(xù)的對植被葉綠素含量的分析與利用。

3 結(jié)論

針對實測光譜數(shù)據(jù)和Hyperion模擬數(shù)據(jù)，利用經(jīng)驗方法建模，反演葉綠素含量，得出如下結(jié)論:

1)對多種植被而言，Hyperion光譜紅邊參數(shù)與葉綠素含量的相關(guān)關(guān)系不明顯。

2)植被葉片反射率及其倒數(shù)、對數(shù)等形式與葉綠素含量相關(guān)性較低，Hyperion光譜一階導(dǎo)數(shù)與實測光譜相比，丟失很多細(xì)節(jié)內(nèi)容;而且利用Hyperion光譜及其變化形式建模時，特征波段會隨著不同區(qū)域而變化，普適性較低。

3)利用Hyperion光譜構(gòu)建植被指數(shù)，與葉綠素含量具有較高的相關(guān)性;構(gòu)建的模型能夠很好地反演得到葉綠素含量，其中MSR指數(shù)與葉綠素含量的相關(guān)性最高，回歸結(jié)果能夠很好地預(yù)測不同區(qū)域的葉綠素含量。

4)利用MSR指數(shù)進(jìn)行Hyperion圖像葉綠素含量制圖，方法簡便，不僅能夠快速獲得區(qū)域性葉綠素分布情況，而且得到的不同植被的葉綠素含量比較準(zhǔn)確，能夠為精準(zhǔn)農(nóng)業(yè)研究、植被生產(chǎn)力估算、病蟲害防治等一系列應(yīng)用提供有效的支持。

利用經(jīng)驗?zāi)Ｐ瓦M(jìn)行植被葉綠素含量的估算，需進(jìn)一步對植被類型進(jìn)行分析整理，從而建立不同的種類體系，使反演結(jié)果更加精確。

[1]Curran P J，Dungan J L，Gholz H L.Exploring the relationship between reflectance red edge and chlorophyll content in slash pine[J].Tree Physiol，1990，7(1/4):33-38.

[2]Gitelson A A，Merzlyak M N.Signature analysis of leaf reflectance spectra:Algorithm development for remote sensing[J].Plant Physiol，1996，148(3/4):493-500.

[3]Jacquemoud S，Ustin S L，Verdebout J，et al.Estimating leaf biochemistry using the PROSPECT leaf optical properties model[J].Remote Sensing of Environment，1996，56(3):194-202

[4]Wessman C A，Aber J D，Peterson D L.An evaluation of imagings spectrometry for estimating forest canopy chemistry[J].International Journal of Remote Sensing，1989，10(8):1293-1316.

[6]吳朝陽，牛 錚.植物光化學(xué)植被指數(shù)對葉片生化組分參數(shù)的敏感性[J].中國科學(xué)院研究生院學(xué)報，2008，25(3):346-354.Wu C Y，Niu Z.Sensitivity study of photochemical reflectance index to leaf biochemical components[J].Journal of the Graduate School of the Chinese Academy of Sciences，2008，25(3):346-354.

[7]吳朝陽，牛 錚.基于輻射傳輸模型的高光譜植被指數(shù)與葉綠素濃度及葉面積指數(shù)的線性關(guān)系改進(jìn)[J].植物學(xué)通報，2008，25(6):714-721.Wu C Y，Niu Z.Improvement in linearity between hyperspectral vegetation indices and chlorophyll content，leaf area index based on radiative transfer models[J].Chinese Bulletin of Botany，2008，25(6):714-721.

[8]方 慧，宋海燕，曹 芳，等.油菜葉片的光譜特征與葉綠素含量之間的關(guān)系研究[J].光譜學(xué)與光譜分析，2007，27(9):1731-1734.Fang H，Song H Y，Cao F，et al.Study on the relationship between spectral properties of oilseed rape leaves and their chlorophyll content[J].Spectroscopy and Spectral Analysis，2007，27(9):1731-1734.

[9]Pinar A，Curran P J.Technical note grass chlorophyll and the reflectance red edge[J].International Journal of Remote Sensing，1996，17(2):351-357.

[10]Gitelson A，Merzlyak M N.Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L.and Acer platanoides L.leaves.spectral features and relation to chlorophyll estimation[J].Journal of Plant Physiology，1994，143(3)，286-292.

[11]Chen J.Evaluation of vegetation indices and modified simple ratio for boreal applications[J].Canadian Journal of Remote Sensing，1996，22:229 –242.

[12]Daughtry C S T，Walthall C L，Kim M S，et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance[J].Remote Sensing of Environment，2000，74(2):229-239.

[13]Rondeaux G，Steven M，Baret F.Optimization of soil-adjusted vegetation indices[J].Remote Sensing of Environment，1996，55(2):95–107.

[14]Curran P J.Remote sensing of foliar chemistry[J].Remote Sensing of Environment，1989，30(3):271-278.

[15]Rouse J W，Haas R H，Schell J A，et al.Monitoring the vernal advancements and retrogradation(greenwave effect)of natural vegetation[R].NASA/GSFC，F(xiàn)inal Report，Greenbelt，MD，USA，1974:1-137.

[16]陳君穎，田慶久，亓雪勇，等.基于Hyperion影像的水稻冠層生化參量反演[J].遙感學(xué)報，2009，13(6):1106-1121.Chen J Y，Tian Q J，Qi X Y，et al.Rice canopy biochemical concentration retrievals based on Hyperion data[J].Journal of Remote Sensing，2009，13(6):1106-1121.

[17]鞠昌華，田永超，朱 艷，等.小麥疊加葉片的葉綠素含量光譜反演研究[J].麥類作物學(xué)報，2008，28(6):1068-1074.Ju C H，Tian Y C，Zhu Y，et al.Spectral inverse study of stacked leaf chlorophyll concentration in wheat[J].Journal of Triticeae Crops，2008，28(6):1068-1074.

[18]楊敏華，劉良云，劉團結(jié)，等.小麥冠層理化參量的高光譜遙感反演試驗研究[J].測繪學(xué)報，2002，31(4):316-321.Yang M H，Liu L Y，Liu T J，et al.Research on a method to retrieve biophysical and biochemical parameters of wheat canopy with hyperspectral remote sensing[J].Acta Geodaetica et Cartographica Sinica，2002，31(4):316-321.

[19]顏春燕.遙感提取植被生化組分信息方法與模型研究[D].北京:中國科學(xué)院遙感應(yīng)用研究所，2004.Yan C Y.Study on methods and models for vegetation biochemical information retrieval by remote sensing[D].Beijing:Institute of Remote Sensing Applications，Chinese Academy of Sciences，2004.