郭超凡,郭逍宇,*
1 首都師范大學資源環(huán)境與旅游學院,北京 100048 2 北京市城市環(huán)境過程與數字模擬重點實驗室,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
?
基于可見光波段包絡線去除的濕地植物葉片葉綠素估算
郭超凡1,2,3,4,郭逍宇1,2,3,4,*
1 首都師范大學資源環(huán)境與旅游學院,北京 100048 2 北京市城市環(huán)境過程與數字模擬重點實驗室,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
研究采用蘆葦和香蒲葉片光譜及實測葉綠素含量數據,選取波段譜帶范圍為可見光波段400—760nm(為了避免近紅外波段受葉片水分含量的影響,降低構建模型的穩(wěn)定性),利用相關分析與逐步回歸分析的統(tǒng)計學分析方法,建立葉面尺度下不同包絡線去除衍生轉換光譜: BD (band depth)、CRDR (continuum-removed derivative reflectance)、BDR (band depth ratio)、NBDI (normalized band depth index) 與葉綠素含量估算模型。通過對入選波段的統(tǒng)計表明在550—750nm,特別是700—750nm(紅邊)波段范圍內產生了較多的有效波段,是今后進行生物參量反演的重點波段范圍。舍一交叉驗證結果表明蘆葦、香蒲和混合樣本綠素含量估測的最佳模型分別為BD、CRDR和NBDI模型,其交叉驗證決定系數依次為0.87、0.83和0.81,交叉驗證均方根誤差RMSE依次為0.16、0.15和0.33。并在此基礎上利用獨立樣本非參數檢驗和多因子方差分析,探討相關因素對于葉綠素含量估算模型精度的影響。結果表明物種差異、數據類型差異對于葉綠素回歸模型的影響較大,而光譜類型差異及光譜數據與數據類型交互作用對于回歸模型精度的影響較小。
濕地植物;包絡線去除;高光譜;葉綠素含量;可見光波段
葉綠素作為植物光合作用的主要色素,直接參與光能的吸收、傳遞、分配和轉化等過程,其含量的多少不僅反映植物的營養(yǎng)條件、生長發(fā)育狀況及生理代謝水平,還可作為環(huán)境生理研究的重要參考指標[1]。因此,實時、準確掌握葉綠素的含量、分布及變化情況對于監(jiān)測植物生長狀態(tài)和生境適宜性評價具有重要的意義。
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、氮和纖維素等濃度具有密切的關系[2],而植物受葉片內葉肉細胞結構、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出不同的反射光譜曲線[3-4]。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[5]。其中,早期的生化參量遙感診斷研究多集中于借助指數模型進行敏感波段的判別,但指數模型在實際應用中容易受植物品種、生育期、生長環(huán)境的影響[6],其反演精度存在不穩(wěn)定性和普適性較差的問題。其次指數模型對于高光譜數據豐富的光譜信息而言極其有限,容易造成重要信息的丟失[7]。為克服指數模型的局限性,許多學者通過尋求各種統(tǒng)計方法構建基于多變量反射光譜特征的植物生化參量估算模型。其中采用逐步回歸的方法(在測定的譜段范圍內判別與植物生化參量密切相關的吸收特征波段)得到了廣泛的應用[8-9]。同時,為了進一步提高生物參量反演模型的精度和穩(wěn)定性,更多的學者開始嘗試通過對原始光譜進行預處理即衍生變換,以便更好的挖掘生物參量的敏感波段,創(chuàng)建更加穩(wěn)定有效的回歸模型。其中對原始光譜進行包絡線去除變換,由于該方法能夠壓抑背景光譜,擴大弱吸收特征信息,被認為是一種具有很大潛力的數據挖掘工具。Kokaly 和Clark提出通過光譜吸收特性的連續(xù)移除法、 帶深標準化分析和多元逐步線性回歸相結合的模型構造方法以提高反演模型的回歸精度和魯棒性[10];Curran等選取多種生物參量進行反演研究,進一步驗證了Kokaly 和Clark方法的可靠性,促進了包絡線去除方法在生物參量反演研究的應用[11]。但該方法容易受到葉片水分等因素的影響,在濕生葉片生化參量的估算研究中適用性較差[12]。
由于水分的吸收譜帶主要位于近紅外波段,對于可見光譜帶范圍內的反射率影響較?。豢紤]到植物色素(主要是葉綠素)濃度變異是決定可見光(400—760nm)反射光譜特征的主要因素已得到普遍認同[8,13],為基于利用可見光譜帶范圍內反射率反演葉綠素含量提供了科學依據。同時,O.Mutanga等人利用可見光范圍內反射光譜,通過波深分析方法對新鮮牧草的多種生物參量進行了成功估算[14],進一步證明了利用可見光譜帶范圍的反射率反演生物參量的可行性。因此,本研究以奧林匹克公園南園濕地優(yōu)勢挺水植物蘆葦和香蒲為研究對象,選取400—760nm(可將光)譜帶范圍的反射光譜和實測葉綠素含量為數據源,通過對原始光譜進行包絡線去除變換,并基于逐步線性回歸分析構建濕地挺水植物葉片葉綠素含量的反演模型。研究結果以期為濕地植物生長的遙感監(jiān)測提供科學依據,為再生水利用的城市濕地恢復與管理提供參考和借鑒。
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(圖1)。該區(qū)屬暖溫帶半干旱半濕潤大陸性季風氣候。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1200mm左右,多年平均降雨量約600mm。降雨年內分配不均,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,且補水入湖前流經南園濕地以改善水質。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)[15](圖1)。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可以達到地表Ⅲ類水水質標準(GB3838—2002)。
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 Fig.1 Location and distribution of the purification system in the South Wetland
2.1 濕地植物光譜與葉片葉綠素含量測定
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。根據兩種濕地植物在每個水質凈化子系統(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,設置光譜采樣點77個,其中蘆葦光譜采樣點39個,香蒲光譜采樣點38個。于2011年8—10月分5次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光譜儀加載的手持葉夾式葉片光譜探測器進行。這種探測器內置石英鹵化燈,光源穩(wěn)定;測量時葉片置于葉片夾的葉室中,然后夾緊葉片,保證葉片水平且被探測面積相同,以消除背景反射、葉片表面彎曲造成的光譜波動及葉片內部變異造成的影響,每組數據采集前均進行標準白板校正[16]。光譜采樣范圍為350—2500nm,光譜分辨率在700nm時為3nm,在1400nm時為8.5nm,在2100nm時為6.5nm,光譜采樣間隔在350—1000nm為1.4nm,在1000—2500nm為2nm。
葉綠素的測量采用分光光度計法。將選取的與光譜測量相應的葉片剪碎,放入丙酮和乙醇1∶1混合液中,根據葉綠素a、b在特定提取溶液中對特定波長的光有最大吸收的原理,使用分光光度計(UV-1600 Spectrophotometer)測定在645nm和 663nm 處的光密度,計算葉綠素濃度[17]。公式如下:
Ca=(12.7×A663-2.59×A645)×v/m
(1)
Cb=(22.9×A645-7.32×A663)×v/m
(2)
CT=Ca+Cb
(3)
式中,A663、A645分別代表在663、645 波段處的光密度值,Ca為葉綠素 a 含量,Cb為葉綠素 b含量,CT為總葉綠素含量,v為提取液體積,m為樣品重。
2.2 數據處理
2.2.1 光譜數據預處理
本文選取的波段范圍是400—760nm,對每個采樣點光譜進行平均。為減少數據冗余度,對光譜進行重采樣(儀器輸出光譜自動重采樣為1nm的分辨率),采樣間隔為5nm,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,能夠保留光譜細微特征并減少隨機噪聲,提高光譜信噪比[18]。
2.2.2 原始光譜包絡線去除及標準化處理
圖2 包絡線去除法示意圖Fig.2 Continuum removal reflectance spectral curve
包絡線去除即通過將反射光譜吸收強烈部分的波段特征進行轉換,在一個共同基線的基礎上比較反射光譜的吸收特征,從而進行光譜吸收特征分析和光譜特征波段選擇(圖2)。
對光譜進行包絡線去除是為了增強生化參量敏感波段的光譜吸收特征??紤]到葉綠素的吸收特征主要集中在藍、紅波段,且參照Curran等[11]在測試葉片多種生物參量時選取的波段中心,結合本研究的實際光譜數據,最終確定包絡線去除區(qū)域為405—520nm、550—750nm,波深中心分別為495nm和680nm。在確定包絡線區(qū)域后,對原始光譜進行包絡線去除,具體過程公式如下:
(4)
(5)
此外,考慮到遙感影像處理中為降低土壤背景、傳感器信噪比、大氣吸收水分等因素的影響,通常會對影像進行標準化處理。為實現地面測量與高空遙感的有效結合,本文對包絡線去除后的光譜進行進一步的標準化處理,降低噪聲影響,參照O.Mutanga等[19],本研究選取4種衍生光譜:BD (Band depth)、CRDR (Continuum-removed derivative reflectance)、BDR (Normalised band depth ratio)和NBDI (Normalised band depth index)進行生物參量回歸模型的構建。其具體計算公式如下表:
BD=1-R′
(6)
(7)
BDR=BD/DC
(8)
NBDI=(BD-DC)/(BD+DC)
(9)
式中,R′為光譜反射率包絡線去除值,DC為波深。
2.2.3 模型建立與精度評價
基于spss等軟件,通過進行逐步多元回歸分析,建立4類包絡線去除衍生光譜(BD、CRDR、BDR、NBDI)與葉綠素含量的回歸模型;模型精度檢驗采用舍一交叉驗證方法,評價指標為交叉驗證決定系數(R2)和交叉驗證均方根誤差(RMSE),并繪制葉綠素含量最優(yōu)模型的實測值與估計值之間的1∶1關系圖。
3.1 生物參量分析
本文首先對獲取的樣本葉綠素含量進行了統(tǒng)計分析,其結果如表1所示。77個樣本的葉綠素含量波動區(qū)間為(2.10±0.17)%CL (Confidence limit of the mean),其中蘆葦的波動范圍為(2.72±0.15)%CL,香蒲的波動范圍為(1.46±0.12)%CL;這種波動為研究植物光譜與葉綠素含量的關系奠定了基礎。此外,蘆葦的葉綠素含量均高于香蒲。
表1 不同分類條件下葉綠素含量水平統(tǒng)計表
3.2 相關性分析
為探索植物反射光譜特征與生物參量間的關聯性,分別對樣本的4類包絡線去除衍生光譜(CRDR、BD、BDR、NBDI)與葉綠素含量進行相關性分析(圖2)。
圖3 蘆葦、香蒲包絡線去除衍生光譜與葉綠素含量的相關系數圖Fig.3 Coefficients of correlation relating BD、CRDR、BDR、NBDI to contents of chlorophyll from overall data
圖3表示樣本的葉綠素含量與其對應的4種包絡線去除衍生光譜之間相關關系。其中BD曲線中達到極顯著水平的波段分布在藍、綠、黃、橙和紅5個波段,極值點為515、610、745nm。CRDR曲線中達到極顯著水平的波段分布在藍(靛)、綠、黃、橙和紅5個波段,極值點為515、565(560)、670、745nm。BDR和NBDI曲線中達到極顯著水平的波段一致,分布在綠、黃、橙和紅4個波段,極值點為665(670)、685、745nm。這些高相關波段為濕地植物生物參量的估測提供了保障。其中橙光波段是植物脅迫的敏感波段,相對于在紅波段的強吸收來說,葉綠素在該波段的吸收較弱,因此該波段對于葉綠素的微小變換十分敏感[20]。黃光波段反映了葉綠素和類胡蘿卜素對黃光的反射特征[21],藍(靛)光波段反映植物光合作用色素(葉綠素,類胡蘿卜素)對藍光的吸收特征[22]。
3.3 模型構建及精度評價
運用逐步線性回歸分別構建BD、CRDR、BDR、NBDI與葉綠素含量的回歸模型。設置顯著性F檢驗的概率值(Use probability ofF)采用spss中的默認設置,進入0.05,刪除0.10。在構建回歸方程時,需注意入選參數之間是否具有多重共線性。將入選參數進行共線性診斷,對不符參量(VIF>10)進行篩選、剔除,確保參量間不存在多重共線性。
表2 葉綠素含量估算模型的結果及入選波段
BD: Band depth; CRDR: Continuum-removed derivative reflectance; BDR: Normalised band depth ratio; NBDI: Normalised band depth index
建立估算模型后,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(R2)和均方根誤差(RMSE)2個指標對估算模型進行評定(表2)。在葉綠素回歸模型中,蘆葦的回歸模型R2介于0.84—0.87,RMSE 0.16—0.18,其中BD模型具有最大的R2值和最小的RMSE值,是蘆葦葉綠素回歸的最優(yōu)模型;香蒲的回歸模型R2介于0.74—0.83,RMSE介于0.15—0.19,其中CRDR模型具有最大的R2值和最小的RMSE值,是香蒲葉綠素回歸的最優(yōu)模型;混合樣本的回歸模型R2介于0.74—0.81,RMSE介于0.33—0.38,其中NBDI模型具有最大的R2值和最小的RMSE值,是全部葉綠素回歸的最優(yōu)模型。
為了直觀的展示葉綠素含量最優(yōu)估算模型的擬合度和可靠性,繪制了預測值與實測值之間的 1∶1 關系圖(圖4)。
圖4 不同分類條件下葉綠素含量最優(yōu)模型的實測值與估計值之間的1∶1關系圖Fig.4 The 1∶1 Chl content relationship between the estimated value and measured value in cross validation of optimal model from different data sources
3.4 入選波段
Curran[11]等研究發(fā)現430、460、570、640、660nm、以及紅邊波段(700—750nm)為可見光范圍內生物參量的敏感波段,入選波段位于敏感波段±12nm范圍,說明該波段具有明確的生理生化因果含義,屬于有效波段??紤]到本研究中光譜重采樣間隔為5nm,本文選取±15nm作為敏感波段的波動范圍。對葉綠素反演模型入選波段的統(tǒng)計結果見表3。
表3 葉綠素反演模型入選波段統(tǒng)計
Table 3 Frequency of wavebands selected by stepwise regression using four sets of spectral data (BD、CRDR、BDR、NBDI) and their relation with known absorption wavelengths
波段范圍Absorptionfeaturecentre易受生化參量影響波段/nmWavelengthsofknownchemicalinfluence對應生理生化參量Knowncausalbiochemical參考文獻Reference入選波段頻率(±15nm)FrequencyofbandsselectedR405—520430葉綠素a[23-24]1460葉綠素b[23-24]2未分類7合計10(3)R550—750570葉綠素+氮[25]4640葉綠素b[11,23-24]6660葉綠素a[11,23-24]3(700—750)葉綠素+氮[26-28]16未分類6合計35(29)
在葉綠素模型中,共有45個波段入選,其中在405—520nm波段范圍內產生10個入選波段,僅有3個波段具有明確生理生化含義。550—750nm波段范圍內共產生了35入選波段,有效波段為29個,占全部波段的82%以上。說明550—750nm波段范圍能更有效的反映植物葉片的葉綠素含量。
相關研究發(fā)現680nm附近是色素的強吸收波段,被廣泛用于植被生化參量估算模型的構建[25,29];550—580nm屬于綠光波段,該波段范圍內的許多光譜指數與葉綠素和氮具有較好的相關關系[8,30];而700—750nm波段屬于紅邊波段,這些波段是生化參量的敏感波段[31]。這些相關研究所利用的光譜波段與本研究具有一定的相似性,說明一些關鍵波段在植被研究中具有普遍適用性。
3.5 模型的影響因素分析
在葉面尺度下,生物參量葉綠素含量的估測模型中哪些因素對于模型的回歸精度影響較大,為了探索這個問題,本文利用獨立多樣本的非參數檢驗“Krushkal-Wallis”檢驗和多因子方差分析計算模型精度評價指標R2和RMSE,推斷模型的衍生光譜類型(CRDR、BD、BDR、NBDI)、數據類型(單一物種、混合物種)、物種差異(蘆葦、香蒲)及其交互作用對于模型反演結果的影響(表4)。
表4 反演模型影響因素分析結果
Table 4 The results of non-parametric Krushkal-Wallis test and multiple factor variance analysis on the evaluation indicatorsR2and RMSE for regression models
ANOVAtype影響因子FactorsR2RMSE顯著性p因子等級Rankperformance顯著性p因子等級RankperformanceK-W檢驗光譜類型0.955CRDR>(BD、NBDI、BDR)0.955CRDR<(BD、NBDI、BDR)Krushkal-Wallistest物種差異0.019蘆葦>香蒲0.234蘆葦<香蒲數據類型0.3040.006單一物種<合并物種多因子方差分析光譜類型0.9730.632Multiplefactor數據類型0.4440.000varianceanalysis光譜類型-數據類型0.8400.258
從表4可以看出,對于濕地植物野外光譜數據,衍生光譜數據所對應的R2和RMSE概率P值分別為:0.955和0.955,均遠大于顯著性水平(0.05),說明不同標準化處理獲取的包絡線去除光譜對于葉綠素估算模型的影響不顯著,但總體來說CRDR較其他轉換模型具有更好的反演精度;蘆葦和香蒲間物種差異所對應的R2概率P值為0.019,小于顯著性水平,說明蘆葦和香蒲的葉綠素反演模型精度存在差異,且蘆葦的具有更好的擬合效果,對應的RMSE概率P值為0.234,大于0.05,說明蘆葦、香蒲間的物種差異對于RMSE的影響不顯著,但總的來說蘆葦具有更好的反演結果;單一物種與混合物種所對應的R2概率P值為0.304,說明該因素對于反演結果影響較??;RMSE概率為0.006,說明水生植被中單一物種較混合物種數據回歸結果更接近實測值。而Mutanga 等關于熱帶牧草類型與多種生化參量的估測模型的研究也進一步證明了單一物種在植被生化參量估測中的優(yōu)勢。因此研究植物光譜特征,判別植物識別的最佳波段,應該作為今后研究的一個重點內容。
多因素方差分析的目的是分析多個控制變量的作用、多個控制變量交互作用以及其他隨機作用是否對觀察變量的分布產生顯著影響。如表4所示,光譜類型、數據類型等影響因素所對應的R2和RMSE的相伴概率分別為0.973、0.632和0.444、0.000,說明基于野外光譜數據建立的反演模型光譜類型的差異對于模型精度的影響較?。欢鴶祿愋筒町悓τ谀P途扔休^大影響。與上述非參數檢驗結果一致。
從因素交互作用造成模型反演精度差異的檢驗結果來看,光譜類型和數據類型交互作用對應的R2和RMSE概率值分別0.840和0.258,遠大于0.05,說明這兩個因素的交互對于葉綠素回歸模型的影響較小。
本次研究采用奧林匹克公園南園典型濕地挺水植物蘆葦和香蒲葉片光譜及實測葉綠素含量數據,利用相關分析與逐步回歸分析的統(tǒng)計學分析方法,建立葉面尺度下不同數據源葉綠素含量的估算模型,模型精度驗證采用舍一交叉驗證的方法,并在此基礎上了利用獨立樣本非參數檢驗和多因子方差分析,探討相關因素對于葉綠素估算模型精度的影響。結論如下:
(1)通過對入選波段的統(tǒng)計表明,在葉綠素含量估測模型中71%(45個入選波段中有32個波段位于敏感波段的±15nm內)的入選波段與葉片葉綠素含量具有較好的生化含義,屬于有效波段。通過對波段選區(qū)區(qū)域對比,在405—520nm波段范圍內產生10個入選波段,僅有3個波段具有明確生理生化含義,占總數的30%。550—750nm波段范圍內共產生了35個入選波段,有效波段為29個,約占總數的83%,說明550—750nm能更有效的反映植物葉片的葉綠素含量,是以后研究的重點波段。
(2)本文選取可見光波段范圍內的反射光譜進行生化參量估算模型的構建,并采用舍一交叉法驗證構建模型的魯棒性,結果統(tǒng)計表明葉綠素含量估測模型的交叉驗證系數R2介于0.74—0.87,RMSE介于0.15—0.41。說明利用葉面可見光波段反射率反演植物參量,不僅能夠避免水分含量對于回歸模型的影響,構建的回歸模型具有較好的精度。
(3)通過獨立多樣本的非參數檢驗“Krushkal-Wallis”檢驗和多因子方差分析分析反演模型的評價指標R2和RMSE,推斷模型的光譜類型、物種差異、數據類型及其交互作用對于模型反演結果的影響,結果表明物種差異、數據類型差異對于葉綠素回歸模型的影響較大,而光譜類型差異及光譜數據與數據類型交互作用對于回歸模型精度的影響較小。根據上述結論,在后期的研究中利用高光譜進行植物物種區(qū)分應該作為研究的一個重點方面。
總的來說,本研究利用葉面反射光譜成功構建了濕地植被葉片生物參量葉綠素含量的反演模型,為后期基于衛(wèi)星遙感數據進行大面積生物參量監(jiān)測提供了科學依據,為大范圍的生態(tài)系統(tǒng)功能特性管理提供一定的參考、借鑒。
致謝:林川、張翼然、段光耀、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化驗分析,特此致謝。
[1] 鄧祥元, 高坤, 張麗娟. 桑葉葉綠素光譜特征及其含量測定的初步研究. 安徽農業(yè)科學, 2010, 38(31): 17423-17424, 17426-17426.
[2] Goetz S J, Prince S D. Remote sensing of net primary production in boreal forest stands. Agricultural and Forest Meteorology, 1996, 78(3/4): 149-179.
[3] 王紀華, 趙春江, 黃文江. 農業(yè)定量遙感基礎與應用. 北京: 科學出版社, 2008: 4-5.
[4] 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)學報, 2011, 31(22): 6645-6658.
[5] 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.
[6] 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. 遙感學報, 2003, 7(1): 73-80.
[7] 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. 光譜學與光譜分析, 2010, 30(4): 1070-1074.
[8] Yoder B J, Pettigrew-Crosby R E. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra (400-2500 nm) at leaf and canopy scales. Remote Sensing of Environment, 1995, 53(3): 199-211.
[9] 顏春燕, 牛錚, 王紀華, 劉良云, 黃文江. 光譜指數用于葉綠素含量提取的評價及一種改進的農作物冠層葉綠素含量提取模型. 遙感學報, 2005, 9(6): 742-750.
[10] 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.
[11] 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, 349-359.
[12] Bortolot Z J, Wynne R H. A method 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.
[13] 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.
[14] Mutanga O, Skidmore A K, Kumar L, Ferwerda J. Estimating tropical pasture quality at canopy level using band depth analysis with continuum removal in the visible domain. International Journal of Remote Sensing, 2005, 26(6): 1093-1108.
[15] Deng Z Z. On Water System and Rainwater Harvesting System in Beijing Olympic Green. Beijing: China Water Power Press, 2009: 54-88.
[16] 宮兆寧, 趙雅莉, 趙文吉, 林川, 崔天翔. 基于光譜指數的植物葉片葉綠素含量的估算模型. 生態(tài)學報, 2014, 34(20): 5736-5745.
[17] 崔勤, 李新麗, 翟淑芝. 小麥葉片葉綠素含量測定的分光光度計法. 安徽農業(yè)科學, 2006, 34(10): 2063-2063.
[18] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 1964, 36(8): 1627-1639.
[19] Mutanga O, Skidmore A K. Continuum-removed absorption features estimate tropical savanna grass quality in situ//Proceedings of the 3rd Earsel Workshop on Imaging Spectroscopy. Germany: EARSeL, Hersching, 2003: 13-16.
[20] Mutanga O, Skidmore A K, Prins H H T. Predicting in situ pasture quality in the Kruger National Park, South Africa, using continuum-removed absorption features. Remote Sensing of Environment, 2004, 89(3): 393-408.
[21] Carter G A. Responses of leaf spectral reflectance to plant stress. American Journal of Botany, 1993, 80(3): 239-243.
[22] 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)學報, 2010, 30(21): 5853-5861.
[23] Curran P J. Remote sensing of foliar chemistry.Remote Sensing of Environment, 1989, 30(3):271-278.
[24] Kumar L, Schmidt K, Dury S, Skidmore A. Imaging Spectrometry and Vegetation Science. Remote Sensing & Digital Image Processing, 2001,4:111-155.
[26] Clevers J G P W, Büker C. Feasibility of the red edge index for the detection of nitrogen deficiency. Proc, 1991(1991).
[27] Curran P J, Dungan J L, Macler B A, Plummer S E. The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentration. Remote Sensing of Environment, 1991, 35(1):69-76.
[28] Filella I, Penuelas J. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status. International Journal of Remote Sensing, 1994, 15(7):1459-1470.
[29] Katz J J, Dougherty R C, Boucher L J. 7-Infrared and nuclear magnetic resonance spectroscopy of chlorophyll. The Chlorophylls, 1996: 185-251.
[30] Buschmann C, Nagel E. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. International Journal of Remote Sensing, 1993, 14(4): 711-722.
[31] Lichtenthaler H K. Vegetation stress: an introduction to the stress concept in plants. Journal of Plant Physiology, 1996, 148(1/2): 4-14.
Estimation of wetland plant leaf chlorophyll content based on continuum removal in the visible domain
GUO Chaofan1,2,3,4,GUO Xiaoyu1,2,3,4*
1CollegeofResourcesEnvironmentandTourism,CapitalNormalUniversity,Beijing100048,China2UrbanEnvironmentalProcessesandDigitalModelingLaboratory,Beijing100048,China3Laboratoryof3DInformationAcquisitionandApplication,MOST,Beijing100048,China4BeijingMunicipalKeyLaboratoryofResourcesEnvironmentandGIS,Beijing100048,China
Increasing amounts of recycled water are being used in urban wetlands; as such, monitoring the growth of wetland plants over large areas is of great significance to assessing the restoration and reconstruction of wetlands created by recycled water. At present, remote-sensing technology is considered an important method for monitoring the growth of plants on a large scale. In this study, typical wetland plants (PhragmitesaustralisandTyphaangustifolia) growing in the South Park Wetland of Olympic Park were selected as research subjects. Spectral reflectance was determined at a domain ranging from 400 to 760 nm to avoid the influence of leaf water on the established model. Chlorophyll content was obtained from data sources. Statistical analysis, including correlation and stepwise regression analysis, was conducted to establish chlorophyll content inversion models with different derivative transformation spectrums at the leaf level for: (1) band depth (BD), (2) continuum-removed derivative reflectance (CRDR), (3) band depth ratio (BDR), and (4) normalized band depth index (NBDI). We found that 550 nm to 750 nm, particularly 700 nm to 750 nm (red edge range), was the key range to estimate biochemical parameters. Single removal cross-validation results indicated that optimal models of chlorophyll content inversion in reeds, cattails, and combined samples were BD, CRDR, and NBDI, respectively. CorrespondingR2values were 0.87, 0.83, and 0.81, and the respective RMSE values were 0.16, 0.15, and 0.33, respectively. Kruskal-Wallis non-parametric tests and multi-way ANOVAs were performed to elucidate the influence of relevant factors individually and in combination with one another on the regression results of biochemical parameters of plant water. Results showed that vegetation type (reed, cattail) and data type (single or mixed species) greatly influenced the inversion model. In contrast, the spectral derivative transformation(BD, CRDR, BDR, and CRDR)and the interaction between spectral derivative transformation and data types did not significantly affect the inversion model. In this study, an estimation model of wetland plant biochemical parameters was established and functions of related factors in the estimation model were analyzed. Our results could be used as a scientific basis for non-destructive monitoring of growth in wetland plants. This study also provided a reference for the use of recycled water in restoration and management.
wetland plan; continuum removal; hyperspectrum; chlorophyll content; visible spectrum
國家自然科學基金資助項目(40901281);北京市教育委員會科技計劃面上項目(KM201310028012)
2015- 07- 09;
2016- 03- 21
10.5846/stxb201507091460
*通訊作者Corresponding author.E-mail: xiaoyucnu@126.com
郭超凡,郭逍宇.基于可見光波段包絡線去除的濕地植物葉片葉綠素估算.生態(tài)學報,2016,36(20):6538- 6546.
Guo C F,Guo X Y.Estimation of wetland plant leaf chlorophyll content based on continuum removal in the visible domain.Acta Ecologica Sinica,2016,36(20):6538- 6546.