劉昕 楊光 陳昊宇 于滋洋

(內(nèi)蒙古農(nóng)業(yè)大學(xué)，呼和浩特，010018)(東北農(nóng)業(yè)大學(xué))

土壤與植物在生態(tài)系統(tǒng)中均占有重要的地位，土壤與植物的研究一直受國內(nèi)外學(xué)者的重視。土壤的光譜反射率是由多種因素綜合反映的結(jié)果，例如土壤有機質(zhì)、顆粒組成、水分、氧化鐵、碳酸鈣、黏土礦物、鹽分等[1]。植被蓋度是衡量地表植被狀況的重要指標(biāo)，及時掌握植被蓋度的動態(tài)變化對生態(tài)環(huán)境建設(shè)具有重要的意義[2]。高光譜遙感是21世紀(jì)以來遙感技術(shù)的前沿和主要發(fā)展對象。近年來，植物地物光譜測量與土壤地物光譜測量不僅是遙感應(yīng)用分析的基礎(chǔ)，是遙感中重要方法之一，同時也是遙感理論研究的重要組成部分[3]。Zhang et al.[4]利用高光譜指數(shù)測量礦山粉塵對3種典型沙漠植物生長的影響，提取19個植被指數(shù)，檢查他們與灰塵的相關(guān)性；Du et al.[5]利用偏最小二乘回歸將SIS連接到水稻上，主要分析光譜指數(shù)在葉片氮素含量中的應(yīng)用；Liu et al.[6]采用正交試驗技術(shù)，對不同葉位馬鈴薯葉片的含水量進(jìn)行研究，分析了不同葉位的光譜特征與馬鈴薯植株水分的分布關(guān)系；Li et al.[7]利用多尺度遙感綜合監(jiān)測北方典型草原區(qū)的植被蓋度；馬爽等[8]對不同植被指數(shù)的植被—土壤混合像元高光譜偏振信息與模型進(jìn)行研究；李曉錦[9]根據(jù)混合像元分解對植被覆蓋度進(jìn)行估算與動態(tài)變化分析；陳彥兵[10]利用混合像元分解對潘陽湖濕地進(jìn)行植被覆蓋度提??；王鵬龍等[11]對騰格里沙漠典型植物含水率與地物光譜的關(guān)系進(jìn)行研究與分析；劉云鶴[12]對植被覆蓋的各層結(jié)構(gòu)進(jìn)行光譜特征分析；包剛等[13]利用北京大學(xué)“無人機載荷綜合試驗場”對草地植被覆蓋度結(jié)合高光譜遙感進(jìn)行估算研究時，得出利用高光譜數(shù)據(jù)與模型分析可以反映植被的生長狀況，準(zhǔn)確地反演植被覆蓋度，并對植被覆蓋度進(jìn)行有效的估算。

近年來，植物與土壤在生態(tài)系統(tǒng)中的作用愈發(fā)突出，混合光譜的研究也引起了學(xué)者的普遍重視，研究者著重從混合像元分解提取植被覆蓋度、植物含水率等方面進(jìn)行了研究與探討，而未說明隨地表植物蓋度增加光譜反射變化特征。由于土壤類型復(fù)雜多樣，不同土壤的組成成分各不相同，具有不同反射光譜形式，但對于覆蓋中國北方大部分的栗鈣土缺少研究；植物種類繁多，而紅瑞木(SwidaalbaOpiz)是園林造景的異色樹種，為闊葉植物，喜歡潮濕溫暖的生長環(huán)境，生長速度非常快，植物葉片水分充足，葉形與生長高度比較適合光譜反射測量，因此本文選取栗鈣土與紅瑞木葉片為研究對象，采集了純土壤、純植物和不同面積比例的土壤—植物混合光譜反射率，對比分析了隨植物蓋度逐步增加，混合光譜變化規(guī)律。在此基礎(chǔ)上，對光譜特征參數(shù)與植物葉片蓋度進(jìn)行了相關(guān)分析，建立了光譜特征參數(shù)估算植物蓋度模型。研究結(jié)果可為基于高光譜遙感的混合光譜特性研究提供一定理論依據(jù)，為植被遙感監(jiān)測提供一定的技術(shù)支撐。

1 材料與方法

1.1 實驗設(shè)計

土壤樣本與植物樣本于8月份采集于內(nèi)蒙古農(nóng)業(yè)大學(xué)校園內(nèi)，土壤采集深度0～20 cm土層，采集后將所有土樣用粒徑為2 mm的土壤篩篩出。為保證實驗條件一致，將采回的紅瑞木葉片脫離枝干后馬上裝入密封袋中，防止水分散失影響光譜曲線。

儀器采用美國Spectra Vista公司2008年生產(chǎn)的SVC HR-1024便攜式地物光譜儀測定，光譜的有效范圍為350～2 500 nm，波段個數(shù)為1 024，光譜分辨率為350～1 000 nm內(nèi)≤3.5 nm，1 000～1 850 nm內(nèi)≤8.5 nm，1 850～2 500 nm內(nèi)≤6.5 nm[14]，最小積分時間1 ms，信號采集方式為藍(lán)牙傳輸。

1.2 光譜數(shù)據(jù)采集與處理

光譜測定在可控制光照條件的暗室內(nèi)進(jìn)行，光源為50 W大小的鹵素?zé)?，距樣本表?5 cm，光源天頂角為30°，如圖1所示，測量前需進(jìn)行暗電流采集并進(jìn)行白板標(biāo)定，每個光譜數(shù)據(jù)的測定時間設(shè)置成5 s，每個樣本測定5條光譜曲線，取其平均值作為該樣點的光譜反射率的值。

土壤—植物葉片混合在30 cm×30 cm的黑色盛樣器皿中將土鋪平，并壓出一個半徑為9 cm的圓，圓心與傳感器的探頭垂直，在圓內(nèi)放入經(jīng)過裁剪的葉片，依次增加葉片的面積，并用照相機進(jìn)行拍照，逐一進(jìn)行地物光譜測量；將篩好的土壤、葉片樣本分別放置在30 cm×30 cm的黑色盛樣器皿中，土壤表面用直尺刮平，盡量模擬地表植被的真實狀態(tài)；傳感器探頭垂直于樣本表面15 cm處，并采用30°視場角探頭，探頭接受光譜的區(qū)域為半徑8.66 cm的圓，遠(yuǎn)小于盛樣器皿的面積，并保證探頭接收到的均為樣本的光譜反射。

圖1 實驗設(shè)計圖

1.3 植物葉片蓋度的測算

圓內(nèi)依次放入葉片后用照相機垂直于表面進(jìn)行拍照，為保證測出的每條光譜曲線與植被覆蓋度相對應(yīng)。經(jīng)過篩選，測試的7組數(shù)據(jù)共獲得480張有效照片，由于照片中的植被覆蓋度形態(tài)不一，而CAD的系統(tǒng)較為成熟，易掌握，具有強大的圖形編輯功能，可以進(jìn)行多種圖形格式轉(zhuǎn)換的功能，還具有超強的數(shù)據(jù)交換功能，因此利用CAD軟件對植物葉片蓋度進(jìn)行計算。

1.4 光譜數(shù)據(jù)的融合

使用光譜儀附帶的軟件SVC HR-1024來剔除研究區(qū)光譜曲線變異較大的數(shù)據(jù)，對數(shù)據(jù)重疊部分進(jìn)行匹配，利用Merge功能對光譜數(shù)據(jù)進(jìn)行融合，最后將所得的數(shù)據(jù)保存為Excel格式。

1.5 光譜數(shù)據(jù)的平滑與重采樣

由于在測量時波段之間存在相應(yīng)的能量差異和光譜儀器自身因素等影響，導(dǎo)致光譜曲線會產(chǎn)生一些噪聲，因此有必要平滑數(shù)據(jù)消除信號中包含的少量噪聲，并滿足后期對光譜建模的需要。光譜數(shù)據(jù)平滑處理的方法較多，例如三點平滑法、五點平滑法和七點平滑法等；由于三點平滑取的點較少，平滑效果不太理想，而七點平滑法取的點過多，容易導(dǎo)致數(shù)據(jù)出現(xiàn)誤差，因此本文采用的是移動平均法下的五點平滑法[15]。用Matlab 7.1完成，平滑前后的效果圖(以土壤光譜曲線為例)如圖2所示。

利用ENVI 5.3對光譜數(shù)據(jù)進(jìn)行10 nm光譜重采樣，將重采樣結(jié)果作為實際光譜反射率。

圖2 光譜曲線平滑前后處理效果圖

1.5.1 光譜植被指數(shù)參數(shù)

對本文所選取的植被指數(shù)進(jìn)行分析，一共選取10種植被指數(shù)，計算公式見表1。

表1 植被指數(shù)參數(shù)

注：R750為750 nm波長的反射率；R705為705 nm波長處的反射率。

1.5.2 一階微分處理

利用一階微分處理后的光譜(圖3)不僅可以消除系統(tǒng)誤差，還可以減弱大氣背景產(chǎn)生的噪聲，有效的提取出光譜特征參數(shù)，見表2。其一階微分計算公式[16]:

(1)

式中：R(λi)為波長λi+1和λi的一階微分光譜;R(λi)、R(λi+1)為i和i+1處的原始光譜反射率;Δ(λi)為波長λi+1與λi之間的波長差值。

表2 紅邊參數(shù)

1.5.3包絡(luò)線去除法(CR)

包絡(luò)線去除法又稱連續(xù)統(tǒng)去除法，是指連接波段吸收起點和吸收終點的線[17]。使用該方法可以將原始反射光譜曲線轉(zhuǎn)化為吸收光譜曲線，更有效地突出光譜曲線的吸收和反射特征[18]。根據(jù)公式(2)進(jìn)行計算，再對所得出的曲線進(jìn)行歸一化處理，使最大值為1，如圖4所示，根據(jù)包絡(luò)線去除后的曲線，以ENVI 5.3為平臺，可以得出吸收峰面積(A)、吸收深度BD(λi)、吸收寬度(W)，計算公式見(3)、(4)[19]。

(2)

式中：CR(λi)為波長λi處的包絡(luò)線去除值；R(λi)為波長λi處的光譜反射率;RH(λi)為波長λi處直線的光譜反射率。

(3)

BD(λi)=1-CR(λi)。

(4)

式中：BD(λi)為λi處的波段深度;λend、λstart為吸收終點和吸收起點的波長。

圖3 一階微分處理后光譜曲線

圖4 包絡(luò)線去除后光譜曲線圖

1.6 兩波段原始光譜指數(shù)算法

選取可見光波段410～2 300 nm處的原始光譜反射率中任意兩個波段組合成的差值指數(shù)(式5)、比值指數(shù)(式6)、歸一化指數(shù)(式7)[20]，利用MATLAB7.1完成，對植物葉片蓋度進(jìn)行相關(guān)分析。

RI(Rλ1,Rλ2)=Rλ1/Rλ2。

(5)

NI(Rλ1,Rλ2)=|Rλ1-Rλ2|/|Rλ1+Rλ2|。

(6)

DI(Rλ1,Rλ2)=Rλ1-Rλ2。

(7)

1.7 數(shù)學(xué)建模

本文選取3種建模方法，包括一元線性回歸法、多元線性逐步回歸法、偏最小二乘法，利用這3種方法建立植物葉片蓋度預(yù)測模型。這3種建模方法各有優(yōu)勢。一元線性回歸法輸入量小，計算量小，用Excel完成。多元線性逐步回歸法廣泛應(yīng)用于光譜分析，構(gòu)建模型簡單，直觀且易于理解，運用Spss 13.0完成。偏最小二乘法以MATLAB 7.1為平臺使用分解和篩選數(shù)據(jù)信息的方法，有效地提取綜合性最強的變量，并消除無關(guān)信息的干擾[21]。為了評估模型的準(zhǔn)確性和穩(wěn)定性，并確保樣品之間葉片覆蓋面積的比例間隔，將66組樣本分為兩部分，隨機抽取40組樣本對其進(jìn)行建模分析，余下26組樣本做為驗證樣本，分別建立3種模型。

高光譜預(yù)測模型的準(zhǔn)確性評估主要基于決定系數(shù)和總均方根差，R2與模型的穩(wěn)定性有關(guān)，即R2的值很大，則建立模型的穩(wěn)定性越好；并且RMSE與模型的預(yù)測能力有關(guān)：RMSE的值越小，建立的模型的準(zhǔn)確度越高，預(yù)測能力越強[22]。

2 結(jié)果與分析

2.1 土壤光譜特性與植物葉片光譜特性

如圖5所示，在自然狀態(tài)下，土壤表面的光譜反射曲線都比較光滑，沒有明顯的峰值和谷值；土壤光譜曲線共有3個吸收谷，分別在480、1 400、1 900 nm附近，在500～1 300 nm之間光譜隨著波長增加呈上升的趨勢，在1 480～1 810 nm呈緩慢上升的趨勢；1 840～1 920 nm土壤光譜曲線變化比較平滑；1 873～1 945 nm曲線呈下降趨勢，在1 950～2 190 nm，光譜曲線呈上升狀態(tài)。

圖5 光譜曲線圖

植物的光譜反射特征主要取決于葉片，該曲線明顯的表現(xiàn)出植被光譜“五谷四峰”的特征。植被光譜的主要特征是可見光波段下的“紅谷”和“綠峰”；紅邊出現(xiàn)在680～760 nm之間，是植被具有診斷性的光譜特征[23]，而紅谷在此波段內(nèi)形成高反射；在波長480 nm附近存在一個小的反射峰，即“綠峰”。隨著葉綠素的不斷增加，光譜曲線會出現(xiàn)向右紅移的趨勢。

2.2 土壤-植被混合光譜曲線特征

圖6是400～2 300 nm之間土壤與植物葉片混合光譜在不同面積比例下反射率所表現(xiàn)出來的形式。當(dāng)植物葉片蓋度比例較小時，光譜曲線近似土壤的光譜曲線；植物葉片蓋度大于10%時，近似土壤的光譜曲線開始轉(zhuǎn)變，曲線逐漸趨于植物的光譜曲線，與植物的光譜曲線相似；當(dāng)比例增加到20%時，混合光譜曲線呈現(xiàn)“五谷四峰”的特性，曲線基本保持一致，但由于土壤反射光譜的影響，各波段的峰值均低于綠色植被。

圖6 土壤-植物混合光譜曲線

2.3 兩波段原始光譜指數(shù)與植物葉片蓋度相關(guān)性

兩波段原始光譜反射率組成的差值、比值和歸一化植被指數(shù)與植被覆蓋度的關(guān)系中，其中差值的表現(xiàn)形式最好，其次是歸一化值和比值。如圖7所示，差值指數(shù)形式中組合較好的波段是410～710 nm與700～1 400 nm的組合，比值指數(shù)形式中組合較好的波段是700～720 nm與690～810 nm的組合，歸一化指數(shù)形式中組合較好的波段是420～500 nm與720～850 nm的組合和510～720 nm與720～1 300 nm的組合，經(jīng)過對比分析發(fā)現(xiàn)，差值指數(shù)與植被覆蓋度的關(guān)系明顯優(yōu)于比值指數(shù)與歸一化指數(shù)。其中，差值指數(shù)中相關(guān)系數(shù)最好的波段是(690，450)、比值指數(shù)(720，710)和歸一化指數(shù)(720，700)。

2.4 植物葉片蓋度模型

2.4.1 一元線性回歸模型

(1)高光譜植被指數(shù)模型。根據(jù)圖8可知，各植被指數(shù)與植被覆蓋度之間存在著顯著的相關(guān)性，決定系數(shù)大部分在0.6以上，在選取的11種植被指數(shù)中，ISAV的相關(guān)系數(shù)最小，只有0.347 9，而IPR與IPSR的相關(guān)系數(shù)較大，均在0.8以上，因此選擇IPR、IPSR這兩種植被指數(shù)進(jìn)行建模效果最好。

(2)高光譜紅邊參數(shù)模型。利用一階微分法，可提取出紅邊參數(shù)(680～760 nm)，主要包括紅邊幅值、紅邊位置、紅邊面積,紅邊位置采用重采樣為1 nm后的數(shù)據(jù)進(jìn)行建模，紅邊幅值與紅邊面積是重采樣為10 nm的數(shù)據(jù)進(jìn)行建模。圖9為不同植物葉片蓋度一階微分處理后的光譜曲線，葉片蓋度從20%增加至40%和80%時，導(dǎo)致光譜峰值的波長向右移動了10 nm和13 nm，主要是因為隨著葉片的增加，植物葉綠素含量不斷增加，長勢狀況良好，導(dǎo)致紅光波段的吸收率變大，因此出現(xiàn)向右“紅移”的現(xiàn)象。由表3紅邊參數(shù)數(shù)據(jù)與植物葉片蓋度的一元線性相關(guān)可以看出：紅邊幅值、紅邊位置、紅邊面積都與植物葉片蓋度有一定的相關(guān)性，在植物葉片蓋度比例較小時，光譜反射受土壤的影響較大，因此光譜曲線雙峰特征不明顯，而“紅邊”隨著植物葉片蓋度的增加而增大，紅邊位置的R2只有0.2189，說明紅邊位置的變化不具有連續(xù)性；而紅邊幅值與紅邊面積的變化較為明顯，R2都達(dá)到0.6以上，說明隨著植物葉片蓋度的增加，“紅邊”面積與“紅邊”幅值呈指數(shù)增長。

圖7 兩波段原始光譜指數(shù)

圖8 植物葉片蓋度與植被指數(shù)的關(guān)系圖

表3 紅邊參數(shù)模型

(3)高光譜吸收特征參數(shù)模型。利用包絡(luò)線去除法，可提取出光譜吸收特征參數(shù)(吸收深度、吸收面積和吸收寬度)。由高光譜吸收特征參數(shù)與植物葉片蓋度的一元線性相關(guān)分析表4可知：3種吸收特征參數(shù)均與植物葉片蓋度存在著一定的關(guān)系，決定系數(shù)均在0.6以上，模型精度也較穩(wěn)定；在提取的3種吸收參數(shù)中，吸收寬度的模型最穩(wěn)定。

2.4.2 多元線性逐步回歸模型

分別以植被指數(shù)、紅邊參數(shù)、光譜吸收特征參數(shù)作為自變量，不同葉片覆蓋面積比例作為因變量，建立不同多元線性逐步回歸分析，根據(jù)表5可知：構(gòu)建的多元線性回歸模型明顯優(yōu)于一元線性回歸模型，前者R2和RMSE優(yōu)于后者。以植被指數(shù)和不同覆蓋度作為輸入量而建的模型，預(yù)測效果和穩(wěn)定性較好，達(dá)到0.911。

圖9 一階微分后不同植被覆蓋度的光譜曲線

表4 光譜吸收特征參數(shù)模型

表5 多元線性逐步回歸模型

2.4.3 偏最小二乘回歸模型

用MATLAB 7.1進(jìn)行編程，分別以植被指數(shù)、吸收特征參數(shù)、紅邊特征參數(shù)作為輸入量，建立不同葉片覆蓋面積偏最小二乘回歸模型。經(jīng)過3種建模方法的對比，表6可知偏最小二乘回歸模型比一元線性回歸模型和多元線性回歸模型更穩(wěn)定，植被指數(shù)、吸收特征參數(shù)與紅邊特征參數(shù)的相關(guān)系數(shù)在不斷增大，而RMSE逐漸減小，其中以植被指數(shù)和不同覆蓋度作為輸入量所建的偏最小二乘回歸模型，擬合系數(shù)達(dá)到0.971 4，預(yù)測效果與精度驗證十分準(zhǔn)確，效果較好。

表6 偏最小二乘回歸模型

3 結(jié)論與討論

本文采用3種方法建立植物葉片蓋度的預(yù)測模型，效果較為理想。建模結(jié)果表明：利用光譜特征參數(shù)預(yù)測不同植物葉片蓋度具有可行性。根據(jù)3種模型的建模效果可以看出，用植被指數(shù)預(yù)測不同植物葉片蓋度的效果最好，雖然運用植被指數(shù)建立的一元線性回歸模型的精度和穩(wěn)定性與運用多元線性逐步回歸、偏最小二乘回歸建立的模型相差不大，但多元線性逐步回歸模型簡單直觀并容易理解，可靠性較高。經(jīng)過一階微分法提取的紅邊參數(shù)與包絡(luò)線去除法提取的光譜吸收特征參數(shù)所建立的模型效果沒有植被指數(shù)建立的模型穩(wěn)定。一階微分處理后得出的紅邊參數(shù)與植物的葉綠素、水分等因素有關(guān)，用一階微分處理這種方法減少了對葉綠素與水分等因素的敏感性。由包絡(luò)線去除法得出的吸收特征參數(shù)只與光譜吸收谷的形狀特征有關(guān)，吸收谷的位置是特定的[24]，而且混合光譜是土壤水分、有機質(zhì)、植物水分、葉綠素等綜合作用的結(jié)果，用包絡(luò)線去除法提取出的光譜吸收特征參數(shù)降低了對上述因素的敏感性[25]。因此，用植被指數(shù)作為自變量建立的不同植被覆蓋度預(yù)測模型具有更強的穩(wěn)定性和適普性。

混合光譜特性在遙感等方面發(fā)揮著極其重要的作用，不同地物反射出的光譜曲線均不同，本文選取了植物葉片覆蓋土壤表面為研究對象，實踐當(dāng)中，混合光譜更為復(fù)雜，除純土壤、植物葉片外，植物枝、干等均有一定反射特性，后續(xù)研究中將模擬近自然狀態(tài)下混合光譜進(jìn)行。

在自然狀態(tài)下，土壤光譜曲線十分平滑，隨著植物葉片蓋度的增加，土壤光譜曲線逐漸呈現(xiàn)植物光譜曲線的特性，出現(xiàn)“五谷四峰”的特征；在紅邊范圍內(nèi)(680～760 nm)，明顯向右紅移，但由于土壤光譜反射的影響，光譜曲線始終都低于植物光譜曲線。

植物葉片蓋度與原始高光譜組成的3種形式(差值、比值、歸一化值)的指數(shù)之間具有相關(guān)性，其中兩波段差值指數(shù)的效果最好，波段組合為410～710 nm與700～1 400 nm之間的組合，差值指數(shù)形式的組合與植物葉片蓋度的顯著性明顯高于其他兩種形式組合，相關(guān)系數(shù)最好、最優(yōu)的波段為(690,450)。

植被指數(shù)、紅邊參數(shù)與光譜吸收特征參數(shù)均與植物葉片蓋度有一定的相關(guān)性，植被指數(shù)所建立的模型最穩(wěn)定，驗證的精度最高，可行性較好；在3種建模方法中，偏最小二乘法建立的模型最穩(wěn)定，精度最高，但處理方法較麻煩，輸入量較多，不易操作；雖然一元線性模型的計算量小，操作簡便，但得出的模型精度低于其他兩種方法，因此選用多元線性逐步回歸法最適宜。

通過以上研究，探討了運用不同光譜參數(shù)與不同建模方法預(yù)測植物葉片蓋度的可行性，取得了較好的結(jié)果。為植物葉片蓋度的估測提供了理論依據(jù)與技術(shù)支持，也為混合光譜特性研究提供了良好的依據(jù)。