史冰全 張曉麗 白雪琪 張欣欣

(北京林業(yè)大學，北京，100083)

責任編輯:王廣建。

葉綠素是植被進行光合作用時吸收光能的主要色素，其質量分數(shù)的高低與植被的光合作用能力、植被的長勢情況和健康狀況都有著密切的關系，因此，如何準確并高效地估算出植被的葉綠素質量分數(shù)將是研究植被各項特征指標的關鍵因素［1］。傳統(tǒng)的葉綠素監(jiān)測方法不僅受到研究區(qū)域的局限，而且監(jiān)測效率也不高。近年來隨著遙感技術的快速發(fā)展與應用，利用高光譜遙感技術來監(jiān)測植被葉綠素質量分數(shù)的方法逐漸被人們所熟知和認可。國內外關于利用高光譜遙感技術來估算、反演葉綠素質量分數(shù)的研究有很多，整體上的研究層次是從植被的葉片層面開始展開，逐漸發(fā)展到了植被冠層級別。目前，利用光譜特征參數(shù)來估算植被的葉綠素質量分數(shù)，它是利用高光譜遙感數(shù)據(jù)估算植被生化參數(shù)的主要方法和代表方向之一［2］?！叭叀眳?shù)作為光譜位置特征的相關參數(shù)，不僅能夠很好地反映出植被的光譜特征，而且對葉綠素、含水量等植被生化參數(shù)的變化也比較敏感。因此，本研究通過利用實測的光譜數(shù)據(jù)演算出的“三邊”參數(shù)與相應的葉綠素值建立相關性分析，并選擇最優(yōu)的參數(shù)擬合出估算葉綠素的線性回歸模型，并對模型的可靠性進行驗證、分析，為今后基于遙感影像反演葉綠素質量分數(shù)提供光譜參數(shù)選擇的依據(jù)。

1 研究區(qū)概況

凌源市隸屬遼寧省朝陽市，地理坐標為北緯40°35'50″～41°26'6″，東經(jīng)118°50'20″～119°37'40″。在凌源市松嶺子鄉(xiāng)內共選設了5塊標準樣地，樣地的大小為30 m×30 m，且均勻分布于整個研究區(qū)域。油松林平均樹齡50 a，平均樹高10．5 m，平均冠幅約為4．2 m(東西方向)和3．9 m(南北方向)。樣地內油松林的生長態(tài)勢和層理結構較好，符合實驗要求。

2 研究方法

2．1 數(shù)據(jù)采集

光譜數(shù)據(jù)。光譜數(shù)據(jù)采集利用美國ASD公司生產(chǎn)的野外便攜式手持光譜儀進行測定。野外便攜式光譜儀的觀測波長范圍為325 nm～1 075 nm，包括了被廣泛應用于植被光譜特征研究的可見光波段和近紅外波段，其光譜數(shù)據(jù)的采樣間隔為1 nm，光譜分辨率為3 nm［3－4］。數(shù)據(jù)采集時間為2014年9月4日，所有光譜數(shù)據(jù)的測定均選擇天氣晴朗、無風、無云條件下進行，測定時間為10:00—14:00。在已經(jīng)確定的5塊固定樣地內，分別選取2個采集點，每個采集點按照10 s的采集間隔，分別獲取健康松枝、發(fā)黃松枝各50條光譜曲線數(shù)據(jù)。測量過程中每測完一種松枝的光譜數(shù)據(jù)均要進行一次標準白板優(yōu)化，為保證標準白板的反射率為1，即保證所測得的植物光譜是無量綱的相對反射率。

葉綠素數(shù)據(jù)。在每塊固定樣地內選擇3個采集點(其中的2處采集點為光譜數(shù)據(jù)采集點)，分別采集健康松樹針葉、發(fā)黃松樹針葉各100 g，裝入密封的保鮮袋中，共獲得實驗松枝樣本30份(其中:健康松樹針葉與發(fā)黃松樹針葉各15份)。葉綠素的室內測定采用分光光度法。首先，將采集到的松枝剪成小段并平均分成4份，每份約為0．1 g;其次，利用丙酮、無水乙醇和蒸餾水按照9∶9∶2的比例配提取液，并將處理過的樣本浸泡在提取液中，放置暗處24 h左右［5］;最后，取出浸泡過的實驗樣本放入濾紙中進行過濾，將過濾后的樣本放入比色皿中，利用分光光度計分別測出470、663、645 nm處的吸光度值并依次記錄為A470、A663、A645。通過利用不同波段處的吸光度值計算出葉綠素a(Ca)、葉綠素b(Cb)的值、總葉綠素值(CT)。即:Ca=12．7A663－2．69A645;Cb=22．88A470－4．67A645;CT=Ca+Cb。

2．2 光譜數(shù)據(jù)均值處理及轉換

利用光譜數(shù)據(jù)處理軟件分別對健康松枝、發(fā)黃松枝的光譜曲線進行均值處理，并將處理后的結果作為樣地內該類型松枝的所測光譜數(shù)據(jù)。對于實測光譜數(shù)據(jù)而言，為了提高信噪比，需要有選擇地刪除光譜數(shù)據(jù)中的部分噪聲數(shù)據(jù)，保留可靠數(shù)據(jù)。例如:本次研究中的健康松枝數(shù)據(jù)保留390～1 030波段，發(fā)黃松枝數(shù)據(jù)保留337～973波段進行分析。通過對光譜數(shù)據(jù)的均值處理，不僅可以大大降低采集過程中噪聲等環(huán)境因素的影響，而且也有利于減少數(shù)據(jù)采集過程中產(chǎn)生的誤差。光譜數(shù)據(jù)均值處理后的曲線見圖1。

2．3 光譜數(shù)據(jù)的“三邊”參數(shù)

為了進一步研究光譜數(shù)據(jù)與松針葉綠素、含水量等因子之間的關系，需要對光譜數(shù)據(jù)進行后期處理?！叭叀眳?shù)是指基于光譜位置特征的相關變量，即紅邊、藍邊、黃邊［6］?！叭叀眳?shù)能夠較好的反映出綠色植被的光譜特征，對葉綠素、含水量等因子的變化比較敏感，因此，可以將其作為葉綠素、含水量的診斷特征參數(shù)?！叭叀眳?shù)的相關定義及含義［7］見表1。

圖1 樣地油松針葉光譜曲線

表1 “三邊”參數(shù)定義

采用光譜的歸一化微分分析技術，利用ViewSpecPro、ENVI以及Excel等工具，對光譜反射率進行一階微分值的計算，并從一階微分值中提取出相應的“三邊”參數(shù)。

3 結果與分析

3．1 光譜曲線特征

由圖2可知，健康的松枝在可見光波段(380～760 nm)光譜的反射率變化十分明顯［8］。例如:在藍光波段(380～500 nm)光譜反射率均小于10%，而到了綠光波段(500～600 nm)就會形成一個反射率的小高峰。在紅光波段(600～760 nm)，光譜反射率先降低后升高，在680 nm附近達到一個吸收谷，隨后大幅度提升，到了780 nm附近反射率達到了一個峰點，此時的光譜反射率接近52%。對于發(fā)黃松枝而言，其光譜曲線整體呈現(xiàn)上升趨勢，和健康松枝相似，發(fā)黃松枝在紅光波段(600～760 nm)內光譜曲線先緩慢降低，然后在680 nm附近形成一個較小的吸收谷，隨后逐漸上升，在760 nm波段處的反射率達到0．3左右，在760 nm之后反射率緩慢上升，在900 nm左右達到了反射率的峰值。

3．2 葉綠素質量分數(shù)與“三邊”參數(shù)的相關性

通過SPSS、Excel等工具，分別對健康松枝、發(fā)黃松枝的葉綠素值與“三邊”參數(shù)值進行相關分析［9－12］(見表2)。

表2 葉綠素與“三邊”參數(shù)的相關系數(shù)

由表2可知，健康松枝的葉綠素與Dr、Db和Dy均呈正相關，但相關性不好，都沒有達到顯著性水平;健康松枝與PDb呈正相關，與PDy呈負相關，但是相關性都很小;健康松枝與Rg及PRg以及Ro均呈現(xiàn)負相關，且相關性也較小;對于“三邊”參數(shù)的微分值總和而言，健康松枝與SDr呈現(xiàn)出顯著的正相關性，而與SDb和SDy呈較小的負相關性。同時從表中還可以看出，發(fā)黃松枝與Dr、Db和Dy均呈負相關且相關性不好;與SDr、SDb和SDy呈負相關，相關系數(shù)均很小;與Rg及PRg以及Ro均呈負相關，紅谷反射率(Ro)的相關系數(shù)較大;對于“三邊”的位置參數(shù)而言，發(fā)黃松枝與PDr、PDb均呈正相關，且PDb的相關性達到顯著性水平，與PDy呈負相關。

3．3 葉綠素估算模型的建立

為了使“三邊”參數(shù)能更加準確地反映出不同類型松枝的葉綠素質量分數(shù)，依據(jù)光譜特征參數(shù)中，與葉綠素相關性最好的SDr和PDb分別作為估算健康松枝和發(fā)黃松枝模型的自變量，建立葉綠素估算模型［13－16］(見圖2)。由圖2可知，健康松樹針葉葉綠素估算模型為CT=2．975SDr+0．385，模型的決定系數(shù)R2=0．788;發(fā)黃松樹針葉葉綠素估算模型為CT=0．048PDb－24．35，模型的決定系數(shù)R2=0．710。其中的健康松樹針葉葉綠素估算模型的R2值基本符合實驗要求，估算模型具有一定的參考價值，而發(fā)黃松樹針葉葉綠素估算模型的R2值略顯偏低。

圖2 最優(yōu)光譜特征參數(shù)與葉綠素的關系

3．4 模型檢驗

建立估算模型后，為了驗證估算模型的適用性和可靠性，利用驗證數(shù)據(jù)進行模型的檢驗，其中采用均方根差(RMSE)和精度(R2)2個指標對估算模型進行評定［5］，并繪制出葉綠素的預測值與實測值的關系圖(見圖3)。

圖3 葉綠素的實測值與預測值關系

由圖3可知，基于紅邊面積(SDr)建立的健康松樹針葉葉綠素估算模型通過驗證得到了較好的效果，其驗證擬合方程的決定系數(shù)R2為0．901，均方根誤差為0．013 5，說明該模型的擬合精度較高，可靠性較強?；谒{邊位置(PDb)建立的發(fā)黃松樹針葉葉綠素估算模型經(jīng)過驗證，其驗證擬合方程的決定系數(shù)R2為0．838，均方根誤差為0．185 0，說明該模型的誤差在實驗允許范圍內偏大。造成這種情況的原因有兩個方面:首先，發(fā)黃松枝的含水量偏低，致使所測得葉綠素濃度不夠，影響了模型構建時的斜率值;其次，在實地采集樣本時，所采集到的發(fā)黃松枝的“發(fā)黃”程度不同，其中包括了輕度發(fā)黃樣本、中度發(fā)黃樣本、重度發(fā)黃樣本，利用這些不同程度的樣本所測得的葉綠素濃度值也將影響到估算模型的精度。

4 結論與討論

本次研究對實驗樣地內測定的松樹針葉的光譜數(shù)據(jù)與實驗室內測定的相應采集點處的葉綠素數(shù)據(jù)進行了相關性分析。采用微分分析技術確定出相關性較大的光譜特征參數(shù)，并將其與葉綠素數(shù)據(jù)進行線性回歸分析，建立葉綠素估算模型，利用實驗數(shù)據(jù)對模型估算精度與可靠性進行了驗證。通過分析光譜數(shù)據(jù)與葉綠素數(shù)據(jù)的相關性，油松林的光譜特征參數(shù)與其葉綠素值之間存在著較強的相關性。其中健康松枝的紅邊面積(SDr)與葉綠素的相關系數(shù)為0．888，發(fā)黃松枝的藍邊位置(PDb)與葉綠素的相關系數(shù)為0．703，且均呈現(xiàn)顯著性相關。

實驗結果雖然只是在實測了油松林內兩種類型松枝的反射光譜基礎上得出的，但是對油松林健康水平的監(jiān)測研究具有借鑒意義。同時，本文提出的基于紅邊面積、藍邊位置的松樹針葉葉綠素估算模型為單一因素線性關系模型，具有計算方便、精度較高等優(yōu)點。本次研究是基于松樹針葉展開的，而高光譜遙感是基于植被冠層的，因此，在后續(xù)研究中需進一步探討油松林植被冠層光譜數(shù)據(jù)與葉綠素質量分數(shù)之間的關系。

［1］梅安新，彭望祿，秦其明，等．遙感導論［M］．北京:高等教育出版社，2001:14－25．

［2］張海波，李峰．ASD地物光譜儀測量技術及使用方法［J］．山東氣象，2014，34(1):46－48．

［3］趙良斌，曹衛(wèi)彬．地物光譜儀在野外光譜測量中的使用［J］．現(xiàn)代農(nóng)業(yè)科技，2008(8):212－214．

［4］姚付啟，張振華，楊潤亞，等．基于紅邊參數(shù)的植被葉綠素含量高光譜估算模型［J］．農(nóng)業(yè)工程學報，2009，25(增刊):123－129．

［5］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［J］．生態(tài)學報，2011，31(22):6645－6658．

［6］許丹，伍維模，王家強，等．塔里木河流域上游天然胡楊葉片葉綠素與可見光－近紅外光譜反射率的相關性研究［J］．塔里木大學學報，2012，24(4):54－59．

［7］Sims D A，Gamon JA．Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance:a comparison of indices based on liquid water and chlorophyll absorption features［J］．Remote Sensing of Environment，2003，84(4):526－537．

［8］劉偉東，項月琴，鄭蘭芬，等．高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關分析［J］．遙感學報，2000，4(4):279－283．

［9］宋開山，張柏，王宗明，等．大豆葉綠素含量高光譜反演模型研究［J］．農(nóng)業(yè)工程學報，2006，22(8):16－20．

［10］楊杰，田永超，姚霞，等．水稻上部葉片葉綠素含量的高光譜估算模型［J］．生態(tài)學報，2009，29(12):6561－6571．

［11］Filella D，Pen-uelas J．The red edge position and shape asindicators of plant chlorophyll content，biomass and hydricstatus［J］．Internal Journal of Remote Sensing，1994，15(7):1459－1470．

［12］Curran P J，Dungan J I，Gholz H I．Explorong the relationship between reflectance red edge and chlorophyll content in slashpine［J］．Tree Physiology，1990，7:33－38．

［13］Danson FM，Rowland CS．Training a neural network with acanopy reflectance model to estimate crop leaf area index［J］．International Journal of Remote Sensing，2003，24(23):4891－4905．

［14］Yang J，Tian Y C，Yao X，et al．Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice［J］．ActaEcologica Sinica，2009，29(12):6561－6571．

［15］唐延林，黃敬峰，王秀珍，等．水稻、玉米、棉花的高光譜及其紅邊特征比較［J］．中國農(nóng)業(yè)科學，2004，37(1):29－35．

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