郭超凡，段福洲，郭逍宇，* ，趙文吉，劉 克

(1．首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048;2．北京市城市環(huán)境過程與數(shù)字模擬重點實驗室-省部共建國家重點實驗室培育基地，北京 100048;

3．三維信息獲取與應(yīng)用教育部重點實驗室，北京 100048;

4．資源環(huán)境與地理信息系統(tǒng)北京市重點實驗室，北京 100048;5．北京市地質(zhì)研究所，北京 100120)

植物葉片的光合作用、呼吸、蒸散發(fā)和分解等生物過程與葉片的生化參量如葉片葉綠素、水分、氮和纖維素等含量具有密切的關(guān)系［1］，而植物受葉片內(nèi)葉肉細(xì)胞、葉綠素、水分含量、氮素含量以及其他生理生化參量的影響表現(xiàn)出不同的反射光譜曲線［2-3］。大量文獻成功借助于植物冠層或葉片光譜特征對植物生化參量進行實時監(jiān)測和快速診斷，其結(jié)果對于理解大范圍的生態(tài)系統(tǒng)功能特性具有重要的意義［4］。由于葉綠素含量的變化會引起光譜趨勢改變的觀點已得到普遍認(rèn)同［5-6］，同時有文獻證明葉片葉綠素含量與葉片氮含量具有正相關(guān)關(guān)系［7］，為基于葉片光譜特征的葉氮含量反演提供了科學(xué)依據(jù)。早期的葉片氮素遙感診斷研究多集中于借助指數(shù)模型判別氮素的敏感波段［8］及基于光譜數(shù)據(jù)的變換提高光譜吸收特征可辨性［9］。但指數(shù)模型在實際應(yīng)用中容易受植物品種、生育期、生長環(huán)境的影響［8］，其反演精度存在不穩(wěn)定性和普適性較差的問題。其次指數(shù)模型對于高光譜數(shù)據(jù)豐富的光譜信息而言極其有限，容易造成重要信息的丟失［10］。為克服指數(shù)模型的局限性，許多學(xué)者通過原始光譜變換和尋求各種統(tǒng)計方法構(gòu)建基于光譜特征的植物氮素含量估算模型。其中采用逐步回歸的方法來判別生物生化參量的敏感波段得到了廣泛的應(yīng)用［11-12］，該方法具有一定的有效性和穩(wěn)定性，但葉片氮素遙感診斷研究多存在反演模型過擬合、入選波段的“多重共線性”和入選波段與生化參量間因果關(guān)系不明確［9，13］。隨后有學(xué)者提出通過光譜吸收特性的連續(xù)移除法、帶深標(biāo)準(zhǔn)化分析和多元逐步線性回歸相結(jié)合的模型構(gòu)造方法并獲得了比較一致的、適用于多種物種且精度較高的氮素及其他化學(xué)組分含量的預(yù)測方法［13］，但該方法容易受到冠層結(jié)構(gòu)及葉片水分等因素的影響，并不適宜用于濕生葉片生化參量的估測［11］。偏最小二乘方法已被證明是從植被光譜數(shù)據(jù)提取葉面屬性的最有效的經(jīng)驗方法，開始較多地應(yīng)用于對植被和農(nóng)作物的遙感監(jiān)測中［14］。

本課題組前期借助偏最小二乘法進行了植物葉片全氮含量的高光譜反演研究，因該方法具有較多的光譜參數(shù)，考慮了全譜區(qū)各波長點的光譜參數(shù)，并解決了多元線性回歸中變量多重共線性等問題，因而具有較高反演精度［14］。但由于偏最小二乘法全譜區(qū)所有波段參與模型反演，同樣無法避免受土壤背景、傳感器信噪比、大氣吸收、冠層結(jié)構(gòu)及葉片水分等因素對反演精度的影響。同時基于該方法所構(gòu)建的模型同樣無法明確入選波段與生化參量間的因果關(guān)系?；诖?，本研究以奧林匹克公園南園濕地優(yōu)勢植物蘆葦和香蒲為研究對象，選取400—1000 nm波段范圍的原始光譜及其派生的一階導(dǎo)數(shù)光譜為光譜數(shù)據(jù)源，通過舍一交叉法選取與葉氮含量相關(guān)性較高且相關(guān)頻率較大的波段作為葉片全氮含量反演模型的最佳波段集，并利用偏最小二乘法構(gòu)建這些波段集與葉片全氮含量的反演模型，研究結(jié)果預(yù)期在反演模型構(gòu)建中避免模型入選波段多重共線性、明確入選波段與生化參量間因果關(guān)系、剔除構(gòu)建模型中的奇異波段和消除模型的過擬合等方面進行有益的嘗試，為濕地植物生長的遙感監(jiān)測提供科學(xué)依據(jù)。

1 研究區(qū)概況

奧林匹克公園南園濕地地處北京市區(qū)北部，位于奧林匹克公園內(nèi)。該區(qū)屬暖溫帶半干旱半濕潤大陸性季風(fēng)氣候。多年平均氣溫11—12℃，極端最高氣溫41．6℃，極端最低氣溫－21．2℃。多年平均水面蒸發(fā)量在1200 mm左右，多年平均降雨量約600 mm。降雨年內(nèi)分配不均，多集中在汛期6—9月，約占全年的85%。奧林匹克公園以清河、北小河再生水處理廠的出水為補水水源，并循環(huán)利用，且補水入湖前流經(jīng)南園濕地以改善水質(zhì)。南園濕地以再生水處理濕地和循環(huán)水處理濕地為核心，植物氧化塘、生態(tài)氧化塘為輔助，混合生態(tài)功能區(qū)為補充，形成多層次的濕地凈化系統(tǒng)(圖1)［15］。該凈化系統(tǒng)的各個部分均布有大量水生植物，主要包括蘆葦、香蒲、水蔥、千屈菜等。通過植物的凈化作用出水水質(zhì)可以達到地表Ⅲ類水水質(zhì)標(biāo)準(zhǔn)(GB3838—2002)。

2 研究方法

2．1 濕地植物光譜采集及TN含量的測定

圖1 奧林匹克公園南園濕地地理位置及凈化系統(tǒng)布置圖［15］Fig．1 Location and distribution of the purification system in the South W etland［15］

選擇研究區(qū)主要的濕地植物蘆葦和香蒲為光譜采集對象。根據(jù)兩種濕地植物在每個水質(zhì)凈化子系統(tǒng)(再生水處理濕地，循環(huán)水處理濕地，植物氧化塘，生態(tài)氧化塘，混合生態(tài)功能區(qū))的分布情況，設(shè)置蘆葦(Phragmites australis)光譜采樣點 28個，香蒲(Typha angustifolia)光譜采樣點20個。于2010年8月進行濕地植物葉片光譜測量，測量儀器采用美國ASD(Analytical Spectral Device)公司FieldSpec 3便攜式地物波譜儀。該儀器探頭視場角度為10°，光譜范圍為350—2500 nm，光譜分辨率在700 nm時為3 nm，在 1400 nm 時為 8．5 nm，在 2100 nm 時為 6．5 nm，光譜采樣間隔在 350—1000 nm 為 1．4 nm，在1000—2500 nm為2 nm。野外測量選擇晴朗無風(fēng)的天氣，測量時間為10:00—14:00，根據(jù)天氣條件進行優(yōu)化，至多每20 min利用白板進行1次。測量時選擇植株從頂部下數(shù)第1片完全展開的新葉，探頭距離葉片中間部位約5 cm，保證探頭的視野范圍落在葉片上，同時注意避開葉脈位置，每個樣點一次保存10條光譜。與光譜測量同步，取相應(yīng)葉片，在105℃下殺青30 min后，再于 80℃下烘干至恒量，用H2SO4-H2O2消煮后，利用凱氏法測定葉片全氮含量。

2．2 數(shù)據(jù)處理

2．2．1 光譜數(shù)據(jù)預(yù)處理

本文選取的波段范圍為:400—1000 nm，對每個樣點采集的光譜進行平均。為減少數(shù)據(jù)冗余度，對光譜進行重采樣(儀器輸出光譜自動重采樣為1 nm的分辨率)，采樣間隔為5 nm，并采用Savitzky-Golay方法進行平滑，該方法為窗口移動多項式最小二乘平滑，能夠保留光譜細(xì)微特征并減少隨機噪聲，提高光譜信噪比［16］。

2．2．2 光譜數(shù)據(jù)的一階導(dǎo)數(shù)變換

光譜微分技術(shù)是高光譜遙感數(shù)據(jù)最主要的分析技術(shù)之一，利用光譜微分技術(shù)可以消除大氣和背景噪聲的影響，突出光譜特征和規(guī)律。一階導(dǎo)數(shù)的計算方法如公式(1):

式中，λi為每個波段的波長，R'(λi)為波長 λi的一階導(dǎo)數(shù)。

2．2．3 模型建立及精度驗證

基于 SPSS，SIMCA-P 11．5等軟件，利用相關(guān)性分析和統(tǒng)計分析的方法選取與葉片全氮含量關(guān)系密切的敏感波段，并運用偏最小二乘回歸法分別構(gòu)建原始最佳光譜集與葉片全氮含量的回歸模型(Original Spectrum-Partial Least Squares Regression，OS-PLSR)和一階導(dǎo)數(shù)光譜最佳波段集與葉片全氮含量的回歸模型(First Derivative Spectrum-Partial Least Squares Regression，F(xiàn)DS-PLSR)。模型精度檢驗采用舍一交叉驗證方法，評價指標(biāo)為交叉驗證決定系數(shù)(R2cv)和交叉驗證均方根誤差(RMSEcv)，并繪制實測值與估計值之間的1∶1關(guān)系圖。

3 結(jié)果與討論

3．1 相關(guān)性分析

分別對蘆葦和香蒲的所有樣點的原始光譜及其一階導(dǎo)數(shù)光譜和葉片全氮含量進行相關(guān)性分析(圖2)。從原始光譜相關(guān)性分析可以看出蘆葦和香蒲的相關(guān)性系數(shù)曲線相似，葉片氮含量與光譜(400—1000 nm)反射率呈負(fù)相關(guān)，并在550 nm和715 nm附近出現(xiàn)波谷。第一個波谷的形成是由于葉綠素對于綠光的反射作用，并且在550 nm附近達到最大值，第二個波谷位于“紅邊”區(qū)域，有相關(guān)研究發(fā)現(xiàn)“紅邊”波段與植物葉綠素含量、生物量等參數(shù)間存在顯著相關(guān)性［17］。以上結(jié)論與 barbara．J．Yoder等人的研究成果一致。說明在原始光譜中，反映蘆葦和香蒲葉片氮含量的敏感光譜主要集中在可見光波段。其中蘆葦葉片全氮含量與光譜在400—980 nm范圍內(nèi)相關(guān)性達到顯著水平(P＜0．05)，在440—840 nm范圍內(nèi)到極顯著水平(P＜0．01);而香蒲葉片全氮含量與光譜的相關(guān)性在455—665、685—770 nm和910—1000 nm 達到顯著水平(P＜0．05)，在 515—605 nm和695—730 nm達到極顯著水平(P＜0．01)。從一階導(dǎo)數(shù)相關(guān)性分析，蘆葦葉片全氮含量與可見光波段反射率的相關(guān)性水平較高，在405—455、485—545 nm和555—725 nm波段范圍內(nèi)達到顯著水平(P＜0．05)，在405—455、485—535 nm和555—675 nm波段范圍內(nèi)達到極顯著水平(P＜0．01)。香蒲在可見光波段與蘆葦?shù)南嚓P(guān)性曲線表現(xiàn)出一致的變化趨勢，在425—455、485—545、555—645 nm 和680—710 nm 波段范圍內(nèi)達到顯著(P＜0．05)，在 485—530、555—600 nm 和680—710 nm波段范圍內(nèi)達到極顯著水平(P＜0．01)，但對比發(fā)現(xiàn)，與蘆葦葉片全氮含量達到顯著和極顯著水平的波段范圍更廣。在近紅外波段，蘆葦葉片全氮含量與光譜在820、875、910 nm和940 nm等附近的也出現(xiàn)了相關(guān)性較高的峰值，而香蒲在近紅外波段范圍內(nèi)不存在與葉片氮含量相關(guān)性較好的波段。這些高相關(guān)波段為濕地植物蘆葦和香蒲全氮含量的估測提供了保障。

3．2 OS-PLSR模型構(gòu)建及精度評價

3．2．1 原始葉片氮反演最佳波段選擇

為選擇基于地物高光譜特征的濕地植物葉片全氮反演的最佳波段，本文嘗試采用“舍一交叉法”。具體流程如下:將原始光譜隨機劃分為10份，每次取其中的九份進行與葉氮含量的相關(guān)性分析，選出每組中相關(guān)系數(shù)絕對值最大的20個極值點(共200個)。之后對入選波段按其相關(guān)性絕對值的大小進行排序(1—20名)，并統(tǒng)計每個波段出現(xiàn)的頻率、頻率最高排名和頻率最高排名的次數(shù)(表1)。實驗中認(rèn)為當(dāng)波段出現(xiàn)的頻率小于5時(出現(xiàn)頻率小于50%)，表示該波段為不穩(wěn)定波段，應(yīng)該刪除。最終確定蘆葦和香蒲各有21個，這些入選波段為潛在的濕地植物全氮含量預(yù)測的最佳波段。按照表中波段出現(xiàn)的間斷，并結(jié)合光譜分區(qū)特征，對入選波段進行譜帶劃分。蘆葦?shù)娜脒x波段主要分布在紅波波段(I)、黃光波段(Ⅱ)和綠光波段(Ⅲ)，香蒲的入選波段主要分布在紅光波段(I)、黃光波段(Ⅱ)和綠光波段(Ⅲ)。其中紅光波段反映了葉綠素對紅光的吸收特征;黃光譜帶反映了葉綠素和類胡蘿卜素對黃光的反射特征;綠光波段反映了植物葉綠素和類胡蘿卜素對綠光的反射特征。為進一步確定葉片氮含量反演的最佳波段，在各個譜帶內(nèi)選取頻率最高、出現(xiàn)頻率次數(shù)最大且頻率排名最高的波段作為該譜帶的代表波段。結(jié)果如下:蘆葦?shù)淖罴巡ǘ渭癁?50、580、715 nm，蘆葦?shù)淖罴巡ǘ渭癁?555、580、715 nm。蘆葦和香蒲葉片全氮含量反演的最佳波段集幾乎一致，說明550(555 nm)、580、715 nm波段是葉氮反演的關(guān)鍵波段，在蘆葦和香蒲葉氮反演中具有普適性。此外這些入選波段不僅與葉片全氮含量具有高度相關(guān)性，而且可從生化參數(shù)的角度解釋其與葉片氮含量高度相關(guān)的意義，同時在譜區(qū)范圍劃分及譜區(qū)范圍分區(qū)中各參數(shù)選擇則可以有效地避免同一譜區(qū)范圍內(nèi)“多重共線性”問題對反演模型的影響。從研究結(jié)果還可以看出在原始光譜葉片氮含量反演最佳波段判別過程中，不同植物類型對于葉片全氮含量的敏感波段差異不明顯，進一步說明入選的波段是基于原始光譜特征的反演植物葉片氮含量的特征波段。其中550(555 nm)和715 nm是能有效反映植物葉片全氮含量的敏感波段已被許多學(xué)者證實［17-18］，580 nm波段由于受到550 nm波段的影響，在傳統(tǒng)模型中該波段對于葉片全氮含量的估測能力往往不能充分體現(xiàn)。

圖2 蘆葦、香蒲原始光譜和一階導(dǎo)數(shù)光譜與TN含量的相關(guān)系數(shù)圖Fig．2 Coefficients correlation relating the spectrum of original and first-derivation to concentrations of nitrogen

3．2．2 模型及精度驗證

經(jīng)過統(tǒng)計分析選出的最佳波段集代表了各個譜帶內(nèi)與葉片氮含量相關(guān)性最好的波段，且相關(guān)性絕對值均大于0．6，均達到極顯著水平。說明這些光譜特征變量與葉片尺度的全氮含量具有較高的關(guān)聯(lián)性。因此利用偏最小二乘法構(gòu)建葉片全氮含量和最佳波段集的回歸模型，構(gòu)建的回歸模型如表3。根據(jù)交叉有效性原理，得到蘆葦和香蒲所提取的成分維數(shù)分別為1維和2維。建立最佳估算模型后，為了檢驗估算模型的可靠性和實用性，采用了交叉驗證決定系數(shù)(R2cv)和均方根誤差(RMSEcv)2個指標(biāo)對估算模型進行評定，并繪制了實測值與預(yù)測值之間的1∶1關(guān)系圖，以直觀的展示估算模型的擬合度和可靠性。驗證的結(jié)果如圖3所示，在構(gòu)建的回歸模型中蘆葦模型的R2cv為 0．58，RMSEcv為 0．16，香蒲模型的R2cv為 0．56，RMSEcv為 0．16。在原始光譜構(gòu)建的回歸模型中，蘆葦模型精度略高于香蒲，但差異不大。雖然該模型在一定程度上能夠反映蘆葦和香蒲葉片的全氮含量，但是精度較低，穩(wěn)定性有待提高。

表1 濕地植物原始光譜潛在最佳波段統(tǒng)計表Table 1 Potential optimal bands of original spectrum from wetland vegetation

圖3 原始光譜的偏最小二乘回歸模型的交叉驗證實測值和估計值的1∶1關(guān)系圖Fig．3 The 1 ∶1 relationship between the estimated value and measured value in cross validation of spectral OS-PLSR model

3．3 FDS-PLSR模型構(gòu)建及精度評價

3．3．1 一階導(dǎo)數(shù)葉片全氮反演最佳波段選擇

相同的方法應(yīng)用于一階導(dǎo)數(shù)光譜的最佳波段選取。產(chǎn)生的極值點(共200個)所對應(yīng)的波段即為葉片全氮含量反演的潛在敏感波段。對入選波段按其相關(guān)性絕對值大小進行排序(1—20名)，并統(tǒng)計每個波段出現(xiàn)的頻率、頻率最高排名和頻率最高排名的次數(shù)(表2)。實驗中認(rèn)為當(dāng)波段出現(xiàn)的頻率小于5(頻率＜50%)時，表示該波段為不穩(wěn)定波段，應(yīng)該刪除。統(tǒng)計發(fā)現(xiàn)蘆葦有21個波段入選，香蒲有23個波段入選。按照表中波段出現(xiàn)的間斷，并結(jié)合光譜分區(qū)特征，對入選波段進行譜帶劃分。蘆葦?shù)娜脒x波段主要分布在近紅外波段(Ⅰ)、紅光波段(Ⅱ、Ⅲ)、綠光波段(Ⅳ)和藍(lán)光波段(Ⅴ)，香蒲的入選波段主要分布在紅光波段(I)、黃光波段(Ⅱ)、綠光波段(Ⅲ、IV)和藍(lán)光波段(V)。其中藍(lán)光波段，反映了植物光合作用色素(葉綠素，類胡蘿卜素)對藍(lán)光的吸收特征，黃光光譜反映了葉綠素和類胡蘿卜素對黃光的反射特征，近紅外波段(760—1000 nm)反映了植物葉子的多孔薄壁組織(海綿組織)對近紅外波段的強烈反射。雖然尚未發(fā)現(xiàn)該波段與葉片全氮含量的直接相關(guān)的生化意義，但氮素作為植物生長、發(fā)育所必須的元素，氮含量的多少影響植物葉子的多孔薄壁組織(海綿組織)結(jié)構(gòu)［14］，進而影響光譜反射率。為進一步確定濕地植物葉片氮含量反演的最佳波段，在每個譜帶分區(qū)中各選取一個出現(xiàn)頻率最高，出現(xiàn)頻率次數(shù)最大和頻率最高排名次數(shù)最多的波段作為該分區(qū)中的代表波段即最佳波段。其中蘆葦?shù)淖罴巡ǘ渭癁?490、500、635、680 nm 和940 nm，香蒲的最佳波段集為 490、495、565、590 nm 和 700 nm。與原始光譜最佳波段判別結(jié)果相比較，一階導(dǎo)數(shù)光譜判別中獲得的譜區(qū)范圍更廣。蘆葦與香蒲的最佳譜帶中出現(xiàn)了紅外光和藍(lán)光等原始光譜中不存在的譜帶，這些譜帶作為原始光譜的斜率對葉片全氮含量的敏感性被充分挖掘。不同植物類型相比較，蘆葦和香蒲二者不僅在譜區(qū)范圍的劃分上存在較大的差異，而且在入選波段上有所變異。在可見光范圍內(nèi)，相同入選波段(490、495 nm/500 nm)是經(jīng)過一階導(dǎo)數(shù)變換后植物葉片全氮含量反演的穩(wěn)定特征波段，這些關(guān)鍵波段對于蘆葦和香蒲葉片全氮含量反演研究具有普遍適用性。不同的入選波段則是通過一階導(dǎo)數(shù)轉(zhuǎn)換有效的從光譜角度反映出不同植物類型的生理生化參量的差異與組織結(jié)構(gòu)的關(guān)系的反應(yīng)。

3．3．2 模型及精度驗證

經(jīng)過統(tǒng)計分析選出的最佳波段集代表了各個譜帶內(nèi)與葉片氮含量相關(guān)性最好的波段，且相關(guān)性均大于0．65，說明這些光譜特征變量與葉片尺度的全氮含量具有較高的關(guān)聯(lián)性。因此利用偏最小二乘法構(gòu)建葉片全氮含量和最佳波段集的回歸模型，構(gòu)建的回歸模型如表3。根據(jù)交叉有效性原理，得到蘆葦和香蒲所提取的成分維數(shù)分別為2維和3維。建立最佳估算模型后，為了檢驗估算模型的可靠性和實用性，采用了交叉驗證決定系數(shù)(R2cv)和均方根誤差(RMSEcv)2個指標(biāo)對估算模型進行評定，并繪制了實測值與預(yù)測值之間的1∶1關(guān)系圖，以直觀的展示估算模型的擬合度和可靠性。驗證的結(jié)果如圖4所示，蘆葦?shù)幕貧w模型的R2cv為 0．82，RMSEcv為 0．11。香蒲的回歸模型的R2cv為 0．66，RMSEcv為 0．13。相對于OS-PLSR模型，R2cv分別增加了 0．11 和 0．05，RMSEcv分別減少了0．03和0．02，精度有了很大的提高。此外，研究結(jié)果表明一階導(dǎo)數(shù)模型中，仍然是蘆葦所建立的模型精度較高。

表2 濕地植物一階導(dǎo)數(shù)光譜潛在最佳波段統(tǒng)計表Table2 Potential optimal bands of first derivative spectrum from wetland vegetation

圖4 一階導(dǎo)數(shù)的偏最小二乘回歸模型的交叉驗證實測值和估計值的1∶1關(guān)系圖Fig．4 The 1 ∶1 relationship between the estimated value and measured value in cross validation of spectral FDS-PLSR model

表3 葉片全氮含量與最佳波段集構(gòu)建的回歸模型Table 3 Regression model between nitrogen content and the best band set

4 結(jié)論與討論

為了探索植物生化參量遙感診斷的可能性，20世紀(jì)70年代以來有關(guān)科學(xué)家就進行了大量的基礎(chǔ)研究，探索植物生化參量反演的最佳反演模型。然而，研究發(fā)現(xiàn)這些回歸模型存在入選波段的穩(wěn)定性差、波段生化參量含義不明確、共線性和回歸模型的過擬合等問題。雖然這些問題被許多學(xué)者反復(fù)指出并做了大量解決方法的嘗試［11，13，19］，但并未取得較為理想和統(tǒng)一的效果。本文結(jié)合了“舍一交叉相關(guān)分析”、譜帶劃分、統(tǒng)計分析和偏最小二乘回歸等多種方法，構(gòu)建了濕地植物蘆葦和香蒲葉片全氮含量的回歸模型。其中，“舍一交叉相關(guān)分析”處理能夠有效剔除模型中的“奇異波段”，降低了參量間的“多重共線性”，譜段范圍的劃分解釋了入選波段與生化參量間的因果關(guān)系，偏最小二乘法進一步消除了入選波段間“多重共線性”。此外，由于構(gòu)建的模型是多參量方程，在一定程度上避免了指數(shù)模型易受環(huán)境等其他干擾因素影響的缺點。研究結(jié)果表明上述處理方法對于構(gòu)建的葉片全氮含量的回歸模型具有較好精度。理論上，該方法也可應(yīng)用于其他生物參量如葉綠素、水分含量的估測。本研究的方法和模型針對其他生理生化參量反演的適用性有待今后進一步研究。

本文分別用原始光譜和一階導(dǎo)數(shù)光譜進行了葉片全氮含量回歸模型的構(gòu)建。結(jié)果表明，F(xiàn)DS-PLSR模型比OS-PLSR模型具有更好的穩(wěn)定性和精度。有研究表明經(jīng)過一階導(dǎo)數(shù)轉(zhuǎn)換能有效提高光譜與生物參量的相關(guān)性［20］，即原始光譜的斜率更能高效的反映出生物參量與光譜間的關(guān)系。此外，本課題組前期已有學(xué)者進行了蘆葦和香蒲葉片全氮含量估測最優(yōu)模型的構(gòu)建［21］，與其結(jié)果相比較，蘆葦和香蒲的FDS-PLSR模型精度都高于其所構(gòu)建的最優(yōu)模型PLSR。雖然，F(xiàn)DS-PLSR模型是濕地植物葉片全氮含量估測的最優(yōu)模型，尤其對于蘆葦葉片全氮的反演具有較高的精度，大量文獻研究中發(fā)現(xiàn)不同的信息提取方法對于構(gòu)建的模型精度有很大的影響。目前，已有許多學(xué)者嘗試從光譜轉(zhuǎn)換，提取隱藏信息這一角度進行回歸模型的構(gòu)建［22-23］。不同的方法在不同類型的生理生化參量反演中發(fā)揮了不同的作用。應(yīng)用其他的轉(zhuǎn)化方法取代一階導(dǎo)數(shù)轉(zhuǎn)化進行回歸模型的構(gòu)建也是一個值得深入探討的問題。

從濕地植物類型看，模型精度在不同濕地植物類型之間存在差異，利用蘆葦光譜的模型精度均高于香蒲。這與該組早期的研究結(jié)果一致［20］。有文獻表明蘆葦對氮的吸收能力高于香蒲［24］，說明蘆葦更能反映所處的環(huán)境特征，這可能是其回歸模型精度較高的原因。本文最終確定了蘆葦葉片全氮含量反演的最佳波段組合集為490、500、635、680 nm和940 nm，香蒲葉片全氮含量反演的最佳波段組合集為490、495、565、590 nm 和700 nm。在反演模型中，蘆葦和香蒲相同的入選波段為490 nm和495/500 nm，這些關(guān)鍵波段對于蘆葦和香蒲葉片全氮含量反演研究具有普遍適用性。而不同的入選波段則反映出不同植物類型的生理生化參量的差異與組織結(jié)構(gòu)對于光譜反射值得影響。此外，研究發(fā)現(xiàn)蘆葦在近紅外范圍940 nm出現(xiàn)了最佳波段而香蒲在該區(qū)域不存在最佳波段。研究表明在922—990 nm植物光譜會受到植物水分差異的影響［14］，蘆葦和香蒲水分的差異和組織結(jié)構(gòu)的不同可能是造成這種現(xiàn)象的原因，其深層次的原因還有待進一步研究。本文主要對濕地植物蘆葦和香蒲全氮含量估測模型構(gòu)建的可能性進行了探討，在不影響回歸精度的前提下，有效避免了傳統(tǒng)生物參量光譜反演中存在的一些問題。研究成果可以為濕地植物全氮含量的大面積監(jiān)測提供有力的科學(xué)依據(jù)。

致謝:林川、張翼然、段光耀、阿多、楊典華、袁德陽、尹川、朱先芳、熊薇參與了大量野外采樣和室內(nèi)化驗分析工作，特此致謝。

［1? Goetz S J，Prince SD．Remote sensing of net primary production in boreal forest stands．Agricultural and forestMeteorology，1996，78(3/4):149-179．

［2］ Wang JH，Zhao C J，HuangW J．Fundamentalsand Applications of Quantitative Remote Sensing in Agriculture．Beijing:Science Press，2008:4-5．

［3］ Lin C，Gong ZN，ZhaoW J．Hyperspectral estimationmodels for plant community water content at both leaf and canopy levels in Wild Duck Lakewetland．Acta Ecologica Sinica，2011，31(22):6645-6658．

［4］ Dawson T P，Curran P J，North P R J，Plummer S E．The propagation of foliar biochemical absorption features in forest canopy reflectance:a theoretical analysis．Remote Sensing of Environment，1999，67(2):147-159．

［5］ Yoder B J，Pettigrew-Crosby R E．Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra(400—2500nm)at leaf and canopy scales．Remote Sensing of Environment，1995，53(22):199-211．

［6］ Gitelson A A，Merzlyak M N．Remote estimation of chlorophyll content in higher plant leaves．International Journal of Remote Sensing，1997，18(12):2691-2697．

［7］ Zhu Z Y，Bao Y D，Huang M，F(xiàn)eng L．Study of the relationship between the chiorophyll and the nitrogen content of oilseed rapes．Journal of Zhejiang University:Agriculture and Life Sciences，2006，32(2):152-154．

［8］ Xue L H，LuoW H，Cao W X，Tian Y C．Research progress on the water and nitrogen detection using spectral reflectance．Journal of Remote Sensing，2003，7(1):73-80．

［9］ Curran P J，Dungan J L，Peterson D L．Estimating the foliar biochemical concentration of leaves with reflectance spectrometry:testing the kokaly and clark methodologies．Remote Sensing of Environment，2001，76(3):349-359．

［10］ Wang Y Y，Li G C，Zhang L J，F(xiàn)an J L．Retrieval of leaf water content of winter wheat from canopy hyperspectral data using partial least square regression．Spectroscopy and Spectral Analysis，2010，30(4):1070-1074．

［11］ Bortolot Z J，Wynne RH．Amethod for predicting fresh green leaf nitrogen concentrations from shortwave infrared reflectance spectra acquired at the canopy level that requires no in situ nitrogen data．International Journal of Remote Sensing，2003，24(3):619-624．

［12］ Yan C Y，Niu Z，Wang J H，Liu L Y，Huang W J．The assessment of spectral indices applied in chlorophyll content retrieval and a modified crop canopy chlorophyll content retrieval model．Journal of Remote Sensing，2005，9(6):742-750．

［13］ Kokaly R F，Clark R N．Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression．Remote Sensing of Environment，1999，67(3):267-287．

［14］ Liu K，Zhao W J，Guo X Y，Hu D Y，Gong Z N，Long J．Spectral bands of typical wetland vegetation in the Wild Duck Lake．Acta Ecologica Sinica，2010，30(21):5853-5861．

［15］ Deng Z Z．On Water System and Rainwater Harvesting System in Beijing Olympic Green． Beijing:China Water Power Press，2009:54-88．

［16］ Savitzky A，Golay M JE．Smoothing and differentiation of data by simplified least squares procedures．Analytical Chemistry，1964，36(8):1627-1639．

［17］ Li B Z，LiM X，Zhou X，Zhang L S，Zhang H Y．Hyperspectral estimation models for nitrogen contents of apple leaves．Journal of Remote Sensing，2010，14(4):767-780．

［18］ Song SL，Li P X，GongW，Wang JP．PLSwavelength selection by hyperspectral remote sensing in rice．Geomaticsand Information Science ofWuhan University，2010，35(2):219-223．

［19］ Pasternak H， Edan Y， Schmilovitch Z． Overcoming multicollinearity by deducting errors from the dependent variable．Journal of Quantitative Spectroscopy＆ Radiative Transfer，2001，69(6):761-768．

［20］ Han L H．Estimating chlorophyll-a concentration using firstderivative spectra in coastalwater．International Journal of Remote Sensing，2005，26(23):5235-5244．

［21］ Liu K，Zhao W J，Guo X Y，Wang Y H，Miao Q．Estimating total nitrogen content in wetland vegetation based on measured reflectance spectra．Spectroscopy and Spectral Analysis，2012，32(2):465-471．

［22］ Blackburn G A， Ferwerda J G． Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis．Remote Sensing of Environment，2008，112(4):1614-1632．

［23］ Malenovsky'Z，Homolováb L，Zurita-Millad R，LukesˇP，Kaplane V，HanusˇJ，Gastellu-Etchegorryf JP，Schaepman M E．Retrieval of spruce leaf chlorophyll content from airborne image data using continuum removal and radiative transfer．Remote Sensing of Environment，2013，131:85-102．

［24］ Chen Y H，Wu X F，Jiang L J，Chen M L，Zeng M，Lei D，Zhang Z N，Yang S Y．Screening and evaluation of plant purification potential for phytoremediation of sanitary sewage．Acta Scientiae Circumstantiae，2008，28(8):1549-1554．

參考文獻:

［2］ 王紀(jì)華，趙春江，黃文江．農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用．北京:科學(xué)出版社，2008:4-5．

［3］ 林川，宮兆寧，趙文吉．葉冠尺度野鴨湖濕地植物群落含水量的高光譜估算模型．生態(tài)學(xué)報，2011，31(22):6645-6658．

［7］ 朱哲燕，鮑一丹，黃敏，馮雷．油菜葉綠素與氮含量關(guān)系的試驗研究．浙江大學(xué)學(xué)報:農(nóng)業(yè)與生命科學(xué)版，2006，32(2):152-154．

［8］ 薛利紅，羅衛(wèi)紅，曹衛(wèi)星，田永超．作物水分和氮素光譜診斷研究進展．遙感學(xué)報，2003，7(1):73-80．

［10］ 王圓圓，李貴才，張立軍，范錦龍．利用偏最小二乘回歸從冬小麥冠層光譜提取葉片含水量．光譜學(xué)與光譜分析，2010，30(4):1070-1074．

［12］ 顏春燕，牛錚，王紀(jì)華，劉良云，黃文江．光譜指數(shù)用于葉綠素含量提取的評價及一種改進的農(nóng)作物冠層葉綠素含量提取模型．遙感學(xué)報，2005，9(6):742-750．

［14］ 劉克，趙文吉，郭逍宇，胡德勇，宮兆寧，龍娟．野鴨湖典型濕地植物光譜特征．生態(tài)學(xué)報，2010，30(21):5853-5861．

［17］ 李丙智，李敏夏，周璇，張林森，張海燕．蘋果樹葉片全氮含量高光譜估算模型研究．遙感學(xué)報，2010，14(4):767-780．

［18］ 宋沙磊，李平湘，龔?fù)艚鹌剑谒靖吖庾V遙感數(shù)據(jù)的PLS波長選擇研究．武漢大學(xué)學(xué)報:信息科學(xué)版，2010，35(2):219-223．

［21］ 劉克，趙文吉，郭逍宇，王翊虹，孫永華，苗茜．基于地面實測光譜的濕地植物全氮含量估算研究．光譜學(xué)與光譜分析，2012，32(2):465-471．

［24］ 陳永華，吳曉芙，蔣麗鵑，陳明利，曾敏，雷電，張珍妮，陽石英．處理生活污水濕地植物的篩選與凈化潛力評價．環(huán)境科學(xué)學(xué)報，2008，28(8):1549-1554．