易秋香 劉 英 常 存鐘瑞森
基于光譜指數(shù)和偏最小二乘的棉花類胡蘿卜素/葉綠素比值估算
易秋香1,2,3,*劉 英1,2,3常 存1,2,3鐘瑞森1,2,3
1中國科學院新疆生態(tài)與地理研究所/ 荒漠與綠洲生態(tài)國家重點實驗室, 新疆烏魯木齊 830011;2新疆維吾爾自治區(qū)遙感與地理信息系統(tǒng)應用重點實驗室, 新疆烏魯木齊 830011;3中國科學院大學, 北京 100049
類胡蘿卜素(Car)與葉綠素含量比值(Car/Chla)的變化與植被生長發(fā)育變化、環(huán)境脅迫及葉片衰老特征等密切相關, 可作為植被生理生態(tài)及物候的監(jiān)測指標。不同植被類型和植被品種其色素變化隨植被生長發(fā)育呈現(xiàn)出不同的變化特征。為了探究適用于干旱區(qū)棉花Car/Chla比值估算的光譜指數(shù)和估算方法, 本研究通過2011年和2012年連續(xù)2年的大面積田間試驗, 獲取了棉花不同生育期的葉片及冠層尺度光譜反射率及色素含量信息, 對多種光譜指數(shù)及偏最小二乘回歸(Partial Least Square Regression, PLSR)用于Car/Chla比值和Car估算進行了探討。對比表明, 基于光化學指數(shù)(Photochemical Reflectance Index, PRI)的線性和一元二次模型對Car/Chla比值和Car的估算精度最高, 由PRI-Car/Chla線性模型得到的葉片和冠層尺度的Car/Chla比值估算值與實測值之間的決定系數(shù)2大于0.6, PRI-Car的2大于0.36; 基于PLSR模型得到的Car/Chla比值估算值與實測值之間的擬合關系略優(yōu)于基于PRI的估算模型, 由其得到的葉片及冠層尺度Car/Chla比值估算值與實測值之間的決定系數(shù)2大于0.80, Car估算值與實測值之間2大于0.73; 不論基于PRI還是基于PLSR方法, 對Car/Chla比值的估算精度均高于Car含量, 該結論進一步證實了Car/Chla比值遙感監(jiān)測的可行性, 豐富了對棉花生長高溫脅迫、養(yǎng)分脅迫等環(huán)境脅迫及病蟲害等遙感監(jiān)測的依據(jù)指標。
類胡蘿卜素/葉綠素比值; 類胡蘿卜素; 光化學指數(shù); 偏最小二乘回歸; 棉花
植被色素變化與植被脅迫、光合作用等密切相關。葉綠素(chlorophyll, Chl)及類胡蘿卜素(carotenoid, Car)被認為是反映植被生理狀況的良好指示器[1]。隨著遙感技術的發(fā)展, 植被色素含量診斷得到了進一步的發(fā)展, 其中, 葉綠素含量的監(jiān)測已有很多研究, 并且建立了各類葉綠素含量估算模型[2-6]。類胡蘿卜素作為葉綠體中的第二大色素, 和葉綠素一樣, 具有吸收、傳遞光能及光保護功能, 并且它可反映植被受脅迫情況[7]。由于葉片中類胡蘿卜素含量明顯低于葉綠素含量, 并且兩者顯著相關[8], 用于類胡蘿卜素監(jiān)測的敏感波段也同時受葉綠素含量影響, 這導致類胡蘿卜素含量的估算較難[9-10]。
對于大部分植被, 正是由于各類色素含量及其占比的變化, 導致葉片顏色變化[11-13]。當植被受到高溫脅迫、養(yǎng)分脅迫或在葉片老化過程中, 葉綠素和類胡蘿卜素含量都會隨之老化而降低, 但相比葉綠素含量的快速減少, 類胡蘿卜素含量變化相對更穩(wěn)定[12,14-16], 這也就意味著類胡蘿卜素與葉綠素含量比值可反映植被生長環(huán)境脅迫及葉片的老化特征,如Sanger[17]證實在衰老的葉片中類胡蘿卜素要比葉綠素更持久地存在; Pe?uelas等[18-19]發(fā)現(xiàn)類胡蘿卜素與葉綠素(Chla)比值(Car/Chla)在老化和不健康的植被葉片中會增加, 而在健康的葉片中會降低。相比于利用單一葉綠素或類胡蘿卜素含量進行植被生理狀況監(jiān)測, Car/Chl比值是一個無量綱值, 能夠消除植被類型及品種之間類胡蘿卜素和葉綠素含量本身的差異, 使得不同植被類型之間的色素變化情況更具有可比性, 并且, 相比單一葉綠素含量變化或類胡蘿卜素含量變化能更靈敏地指示植被生理變化或衰老特征[20], 可為植被生理生態(tài)狀況監(jiān)測提供更有效的監(jiān)測指標。
目前對于類胡蘿卜素與葉綠素含量比值的遙感監(jiān)測已有部分研究。最早Pe?uelas等[18]分析了光譜指數(shù)用于Car/Chla監(jiān)測的可能性, 提出歸一化色素指數(shù)(Normalized Difference Pigment Index, NDPI)與向日葵及水生植物的Car/Chla比值具有顯著相關性; 隨后Pe?uelas等[21]又進一步獲取了多種植被包括玉米、小麥、番茄、大豆、向日葵、甜菜、橡樹、楓樹以及肉質(zhì)植物等的葉片光譜和色素信息, 探討了葉片光譜用于Car/Chla估算的最佳波段, 并構建了結構不敏感色素指數(shù) (Structure Insensitive Pigment Index, SIPI), 認為該指數(shù)可削弱葉片表面及葉肉結構對Car/Chla估算的影響, 同時證實該指數(shù)與Car/Chla比值之間呈非線性相關, 當Car/Chla比值較小時(小于1), SIPI敏感性較低, 當Car/Chla比值大于10時, SIPI達到飽和; Merzlyak等[16]發(fā)現(xiàn)多種植被(包括楓樹、栗樹、土豆以及錦紫蘇)葉片老化及果實(包括檸檬和蘋果)成熟過程中, 500 nm和680 nm附近的葉片光譜的差值(R678–R500)對葉片老化引起的色素含量變化最為敏感, 由此構建了用于類胡蘿卜素與葉綠素比值估算的植被衰老指數(shù)(Plant Senescing Reflectance Index, PSRI), 通過PSRI與R678/R750之間的關系判定葉片老化和果實成熟階段, 但不同植被在葉片老化和果實成熟過程中所展示的PSRI變化有所不同; Nakaji等[22]和Garrity等[23]分別證實日本落葉松及橡樹和楓樹的Car/Chl比值與光化學指數(shù)(Photochemical Reflectance Index, PRI)具有極顯著相關性。此外, 也有研究利用輻射傳輸模型證實了光譜指數(shù)與Car/Chla比值之間的顯著相關, 如Garrity等[23]利用PROSPECT-5模型證實了PRI與Car/Chl之間顯著相關, 決定系數(shù)2=0.83, 但通過實測獲取的兩種針葉林植被的PRI和Car/Chl比值之間的判定系數(shù)僅為0.22, 研究者認為這與獲取的葉片樣本受干旱脅迫有關; Hernández-Clemente等[24]的研究表明, PRI與葉綠素或類胡蘿卜素之間的關系取決于PRI和Car/Chl比值之間的關系, 其利用PROSEPCT+DART模型模擬的針葉林PRI光譜指數(shù)與類胡蘿卜素與葉綠素比值相關系數(shù)達到0.9。國內(nèi), 周賢峰[20]利用實測的葉片和冠層光譜評估了一些常用于類胡蘿卜素、葉綠素及兩者比值估算的光譜指數(shù), 用于玉米和冬小麥的Car/Chl比值估算的精度, 并構建了類胡蘿卜素與葉綠素比值植被指數(shù)(Combined Carotenoid/Chlorophyll Ratio Index, CCRI)[25], 也證實不同光譜指數(shù)對不同作物的Car/Chl比值估算精度與作物Car/Chl比值分布有關,其中SIPI、PSRI以及PRI對玉米Car/Chl比值估算的精度要優(yōu)于對冬小麥Car/Chl比值的估算, 主要因為玉米Car/Chl比值分布范圍更廣泛, 包含更大的變化。
由上可見, 已有研究中關于類胡蘿卜素和葉綠素比值遙感監(jiān)測所提出的光譜指數(shù)多針對林木植被展開, 并且都是基于研究對象的經(jīng)驗統(tǒng)計模型, 這類模型的估算精度受植被類型、植被生長環(huán)境、植被色素含量變化特征及植被本身光譜特征等多種因素影響, 無法直接應用于不同研究區(qū)域的不同作物, 同時對于作物Car/Chla比值遙感監(jiān)測的研究目前還較少, 有待進一步探討。本研究分析各類光譜指數(shù)用于棉花類胡蘿卜素與葉綠素比值及類胡蘿卜素的估算精度, 并與偏最小二乘方法對比, 旨在明確其估算的可行性, 豐富棉花生理生態(tài)遙感監(jiān)測指標。
于新疆維吾爾自治區(qū)北部石河子墾區(qū)148團、149團及150團(84°58'—86°24'E, 43°26'—45°20'N), 依據(jù)棉田連片面積, 2011及2012年分別選取4個種植面積大于50 hm2的地塊作為試驗樣點布設田間觀測點。在每個樣點布設6~8個不等的觀測點。分別于2011年6月9日(苗期)、7月14日(開花初期)、8月17日(花鈴期)及2012年6月19日(現(xiàn)蕾期)、7月18日及(開花盛期) 8月1日(花鈴期)試驗觀測。
1.2.1 光譜測定 使用美國ASD (Analytical Spectral Device)公司的ASDFieldSpec Pro FRTM光譜儀測定光譜, 其波段值為350~2500 nm, 其中350~1000 nm光譜采樣間隔為1.4 nm, 光譜分辨率為3 nm; 1001~2500 nm光譜采樣間隔為2 nm, 光譜分辨率為10 nm。冠層光譜選擇在無風無云或少云的天氣測定, 測定時間為12:00-16:00。測量之前先開啟光譜儀預熱, 再次測量之前都先進行光譜儀的優(yōu)化, 光譜測定前進行參考板反射率測定, 測量時探頭垂直向下, 距棉花冠層垂直高度約0.7 m, 25°視場角。葉片光譜選取健康葉片利用葉片夾連接ASD光譜儀測定。冠層光譜和葉片光譜采樣均以10條光譜為一采樣光譜, 即每次記錄10條光譜, 以其平均值作為該樣點的光譜反射值。
1.2.2 色素含量測定 對應葉片光譜測定的位置,剪取約0.2 g葉片置試管中, 加萃取液(丙酮∶無水乙醇∶蒸餾水=4.5∶4.5∶1.0)(v/v) 25 mL, 于室溫下遮光靜置至樣品完全發(fā)白。然后采用722 s分光光度計分別測定663、645和440 nm處的光密度值(optical density, OD), 基于OD值計算葉綠素含量, 參照蔣德安等[26]方法。
考慮到Car/Chla比值與類胡蘿卜素含量直接相關, 除已有的Car/Chla比值指數(shù)外, 還分析了各類研究中提出的類胡蘿卜素光譜植被指數(shù)。Hernandez- Clemente等[24]的研究中對用于類胡蘿卜素及類胡蘿卜素與葉綠素比值估算的植被指數(shù)進行了總結, 并構建了簡單植被指數(shù)(R515/R570), 本文在利用其總結的植被指數(shù)外, 加入了Zhou等[25]提出的CCRI, 共計19個植被指數(shù)。在對這些植被指數(shù)與棉花Car/ Chla比值及類胡蘿卜素進行相關性分析的基礎上, 篩選出在葉片及冠層尺度與Car/Chla比值及類胡蘿卜素均達到極顯著相關的植被指數(shù)進行進一步模型構建分析。采用的植被指數(shù)如表1。
偏最小二乘回歸(partial least square regression, PLSR)是用于光譜數(shù)據(jù)分析的強有力方法, 該方法已被應用于各類研究[28-29]。對于該方法的具體介紹可參考Geladi等[30]和Wold等[31]。本研究中, PLSR用于構建棉花葉片及冠層光譜反射率與Car/Chla比值及類胡蘿卜素之間的線性模型, 采用波段400~ 1000 nm共計601個光譜反射率作為輸入變量, 利用留一驗證法(leave-one-out cross-validation, LOOCV)[32]通過最小預測殘差平方和(predicted residual sums of squares, PRESS)[33]確定各估算模型的最佳潛變量(latent variables)個數(shù)。PLSR模型構建通過Matlab代碼編程實現(xiàn)。
表1 所采用的光譜指數(shù)
將葉片和冠層尺度的Car/Chla比值及Car的實測數(shù)據(jù)隨機分為檢驗樣本和驗證樣本, 其中總數(shù)據(jù)的三分之二用于建模, 剩余的三分之一用于模型估算精度驗證。建模樣本和檢驗樣本的Car/Chla比值及Car統(tǒng)計特征見表2。由表2可知, Car/Chla比值及Car的取值分布廣泛, Car/Chla比值的最大最小值分別是0.109和0.495, Car含量最小3.97 μg cm–2, 最大23.06 μg cm–2。建模樣本和檢驗樣本統(tǒng)計特征相似, 說明樣本隨機分組合理。
已有的研究證實Car/Chla比值及Car和光譜指數(shù)之間通常呈線性[24-25]或一元二次的非線性相關[23],本研究構建了基于這2種擬合函數(shù)的估算模型。
線性模型為=+(1)
元二次模型為=2++(2)
其中,表示Car/Chla比值或Car含量;表示光譜指數(shù)。
基于各類植被指數(shù)構建的線性及一元二次估算模型的決定系數(shù)見表3。由表3可知, 對于Car/Chla比值及Car含量, 在葉片及冠層尺度, 均是基于PRI的一元二次模型具有最大決定系數(shù), 并且不論是葉片尺度還是冠層尺度, Car/Chla比值的估算模型的決定系數(shù)總是大于Car含量的估算模型, PRI-Car/Chla模型在葉片尺度具有最大決定系數(shù)2=0.732, 冠層尺度2=0.681, 葉片尺度的Car/Chla估算模型精度略優(yōu)于冠層尺度。進一步對比發(fā)現(xiàn), 基于PRI的線性估算模型與一元二次模型的決定系數(shù)非常接近, 2種模型判定系數(shù)的差值均小于0.01??紤]到模型的簡單性, 在估算精度相似的情況下, 本研究將采用表達形式更為簡單的線性模型利用檢驗樣本進行進一步精度檢驗, 在此基礎上, 討論利用葉片尺度的PROSPCT-D[34]和冠層尺度的SAILH[35]輻射傳輸模型模擬棉花葉片及冠層尺度的反射率, 進一步檢驗PRI用于棉花Car/Chla估算的有效性。
表2 用于模型構建和驗證的Car/Chla比值以及Car的統(tǒng)計特征
表3 基于植被指數(shù)的Car/Chla比值及Car估算模型
PLSR估算模型的最佳潛變量個數(shù)通過LOCCV獲取最小預測殘差平方和(PRESS)值來確定。潛變量是自變量信息的重新組合, 當潛變量個數(shù)對因變量解釋性最強, 同時又最能概括自變量系統(tǒng)中的綜合信息時, 為最佳潛變量個數(shù), 通常用PRESS值來判定, 當PRESS值最小時, 所對應的潛變量個數(shù)即為模型最佳潛變量個數(shù)。葉片尺度及冠層尺度的Car/Chla比值及Car含量的PLSR模型的潛變量個數(shù)與PRESS之間的關系如圖1所示。圖中最小PRESS值所對應的潛變量個數(shù)用黑色實心圓點表示。由圖1可知, 葉片及冠層尺度Car/ Chla比值的PLSR模型的最佳潛變量個數(shù)分別為19和16, Car含量的PLSR模型最佳潛變量個數(shù)分別為10和13。
在確定各估算模型最佳潛變量個數(shù)的基礎上, 將葉片及冠層光譜反射率(400~1000 nm)和Car/ Chla比值及Car含量作為模型輸入變量, 構建PLSR估算模型, 得到葉片及冠層尺度的Car/Chla比值和Car含量的估算值。基于建模樣本的估算值與實測值之間的線性關系如圖2所示。由圖2可知, 在葉片和冠層尺度, Car/Chla比值及Car含量的估算值與實測值均高度擬合, 兩者的擬合線與1∶1線接近重疊, 并且相比Car含量, Car/Chla比值的估算精度更高, 葉片和冠層尺度其估算值與實測值的擬合決定系數(shù)2均大于0.96, RMSE%約為5%, 小于Car含量的11%左右。
圖1 預測誤差平方和(PRESS)與潛變量之間的變化關系
(圖2)
進一步利用檢驗樣本對基于PRI和PLSR的Car/Chla比值及Car含量估算模型進行精度驗證。采用估算值與實測值之間線性擬合的決定系數(shù)2、均方根誤差RMSE、RMSE%以及估算值與實測值之間線性擬合的斜率()和截距()進行模型精度檢驗。決定系數(shù)2以及斜率和截距可反映估算值與實測值之間變化趨勢的吻合程度, 當2越趨近1, 斜率越接近1, 截距越接近0時, 估算值和實測值之間吻合越好; RMSE%是RMSE值與實測平均值之間的百分比值, 它是無量綱值, 可用于單位不同的參數(shù)之間估算誤差的比較, 直接體現(xiàn)模型估算誤差。由表4可知, 葉片及冠層水平, 相比Car含量, Car/Chla比值的光譜指數(shù)模型及PLSR模型均具有更好的精度結果, 并且對于PLSR方法, 葉片尺度和冠層尺度Car/Chla比值估算的精度接近, 對于PRI, 葉片尺度光譜對Car/Chla比值估算的精度略優(yōu)于冠層尺度。
表4 基于檢驗樣本的Car/Chla比值及Car含量估算模型精度檢驗結果
基于檢驗樣本得到的Car/Chla比值及Car含量估算值和實測值之間的吻合趨勢見圖3。對比基于指數(shù)和基于PLSR方法的估算模型發(fā)現(xiàn), 由PLSR模型得到的估算值與實測值之間擬合更好, 不論是Car/Chla比值還是Car含量, 利用PLSR方法得到的估算值都具有更大的斜率和更小的截距, 估算值與實測值更接近, 并且在葉片和冠層尺度Car/Chla比值的估算精度非常接近, 說明PLSR方法具有很好的穩(wěn)定性。
對多種光譜指數(shù)與Car/Chla比值及Car含量之間的相關分析表明,PRI指數(shù)在葉片和冠層尺度均是表現(xiàn)最佳的植被指數(shù)。本研究進一步利用葉片輻射傳輸模型PROSPECT-D模型和冠層SAILH模型模擬了棉花葉片及冠層尺度的光譜反射率,利用光譜模擬值分析了PRI對Car/Chl比值的估算能力,如圖4所示,模擬結果也很好地證明了PRI與Car/Chl比值之間極顯著線性及一元二次相關性。這一結論與Garrity等[23]對落葉林Car/Chl比值的監(jiān)測結果一致,該研究中落葉林模擬PRI值與Car/Chl比值之間的一元二次擬合關系的判定系數(shù)2=0.99,與本研究接近。PRI是531 nm和570 nm處光譜反射率的歸一化比值,最早用于葉黃素變化監(jiān)測,但葉綠素和類胡蘿卜素在531 nm處均有吸收特征,570 nm處只葉綠素有吸收特征,因此PRI與Car/Chl比值強烈相關[9,36],很多研究都證實PRI是時間上從天尺度[19,27]到月尺度[37-38]和在葉片[21,39-40]、冠層[19,41-42]以及生態(tài)尺度[43-44]監(jiān)測光合作用的有效指數(shù)。本研究的結論也進一步證實了PRI在葉片尺度和冠層尺度,對干旱區(qū)作物Car/Chla比值估算的精度接近,凸顯了該指數(shù)在不同光譜尺度的巨大應用價值。
圖3 基于檢驗樣本的Car/Chla比值及Car含量估算值與實測值之間的擬合關系
圖4 PROSPECT和SAILH模型模擬的葉片及冠層PRI指數(shù)與Car/Chl之間的擬合關系
本研究結果證明不論是基于光譜指數(shù)方法還是基于偏最小二乘PLSR方法, 相比單一對Car含量的估算, 對Car/Chla比值的估算精度都更高, 這與Merzlyak等[16]及Pe?uelas等[21]證實的相比單一葉綠素或類胡蘿卜素, 光譜指數(shù)對Car/Chl比值的估算更為有效的結論一致?;赑RI和PLSR方法的估算模型均能實現(xiàn)Car/Chla比值和Car含量的估算, 前者在葉片和冠層尺度的決定系數(shù)2分別為0.69和0.67, 而后者為0.87和0.84, 可見偏最小二乘法對Car/Chla比值和Car含量的估算精度更好。但PRI是由2個與葉綠素含量和類胡蘿卜素含量相關的敏感波段反射率值構成, PLSR方法的輸入變量則是400~1000 nm波段范圍內(nèi)的所有光譜反射率, 對于波段分布有限且包含多種指數(shù)波段的多光譜衛(wèi)星,如Sentinel-2衛(wèi)星數(shù)據(jù), 通過構建光譜指數(shù)進行Car/Chla比值監(jiān)測較為適用, 而當輸入變量較多時, 如光譜分辨率較高的高光譜數(shù)據(jù), 則可采用PLSR方法, PLSR包含的主成分分析計算, 能有效降低輸入變量維度, 剔除冗余變量。
(1)對比各類光譜指數(shù), 光化學指數(shù)(PRI)與Car/ Chla比值及Car含量具有最顯著相關性, 基于PRI指數(shù)的線性和一元二次非線性擬合模型對葉片和冠層尺度的Car/Chla比值和Car含量的估算具有最大決定系數(shù); (2) PRI和偏最小二乘回歸(PLSR)對Car/Chla比值的估算精度要優(yōu)于對Car含量的估算, Car/Chla比值可作為棉花生理生態(tài)脅迫(如高溫脅迫、養(yǎng)分脅迫和水分脅迫以及病蟲害)遙感監(jiān)測的有效參考指標; (3) PRI和PLSR是Car/ Chla比值和Car含量遙感監(jiān)測的有效方法, 兩者在葉片及冠層尺度對Car/Chla比值的估算精度接近, 對于葉片及冠層高光譜數(shù)據(jù), PLSR模型估算能力略高于PRI模型。進一步研究, 期望利用Sentinel-2衛(wèi)星數(shù)據(jù)在區(qū)域尺度上驗證本研究結論, 并探討Car/Chla比值用于棉花水分、養(yǎng)分脅迫及葉片衰老狀況監(jiān)測的特點。
[1] Demmig-Adams B. Survey of thermal energy dissipation and pigment composition in sun and shade leaves., 1998, 39: 474–482.
[2] Zarco-Tejada P J, Miller J R, Harron J, Hu B, Noland T L, Goel N. Needle chlorophyll content estimation through model inversion using hyperspectral data from boreal conifer forest canopies., 2004, 89: 189–199.
[3] Zhang Y, Chen J M, Miller J, Noland T. Needle chlorophyll content retrieval from airborne hyperspectral imagery., 2008, 112: 3234–3247.
[4] Hunt E R, Doraiswamy P C, McMurtrey J E, Daughtry C S T, Perry E M, Akhmedov B. A visible band index for remote sensing leaf chlorophyll content at the canopy scale., 2013, 21: 103–112.
[5] Zarco-Tejada P J, Hornero A, Beck P S A, Kattenborn T, Kempeneers P, Hernández-Clemente R. Chlorophyll content estimation in an open-canopy conifer forest with Sentienl-2A and hyperspectral imagery in the context of forest decline.,2019, 223: 320–335.
[6] Gitelson A A, Chivkunova O B, Merzlyak M N. Non-destructive estimation of anthocyanins and chlorophylls in anthocyanic leaves.,2009, 96: 1861–1868.
[7] Young A, Britton G. Carotenoids and stress. In: Alscher R G Jr, Cumming J R, eds. Stress Response in Plants: Adaptation and Acclimation Mechanisms. New York: Wiley-Liss, 1990. pp 87–112.
[8] Blackburn G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales: an evaluation of some hyperspectral approaches., 1998, 66: 273–285.
[9] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81: 337–354.
[10] Féret J B, Fran?ois C, Gitelson A, Gregory P A, Barry K M, Panigada C, Richardson A D, Jacquemoud S. Optimizing spectral indices and chemometric analysis of leaf chemical properties using radiative transfer modeling., 2011, 115: 2742–2750.
[11] Hendry G A F, Houghton J D, Brown S B. The degradation of chlorophyll: a biological enigma., 1987, 107: 255–302.
[12] Biswall B. Carotenoid catabolism during leaf senescence and its control by light.:, 1995, 30: 3–14.
[13] Buchanan-Wollastin V. The molecular biology of leaf senescence.,1998, 49: 181–199.
[14] Gitelson A A, Merzlyak M N. Spectral reflectance changes associate with autumn senescence ofL. andL. leaves. Spectral features and relation to chlorophyll estimation., 1994, 143: 286–292.
[15] Gitelson A A, Merzlyak M N. Quantitative estimation of chlorophyll-a using reflectance spectra: experiments with autumn chestnut and maple leaves.:,1994, 22: 247–252.
[16] Merzlyak M N, Gitelson A A, Chivkunova O B, Rakitin V Y. Non-destructive optical detection of pigment changes during leaf senescence and fruit ripening., 1999, 106: 135–141.
[17] Sanger J E. Quantitative investigations of leaf pigments from their inception in buds through autumn coloration to decomposition in falling leaves., 1972, 52: 1075–1089.
[18] Pe?uelas J, Field C, Griffin K, Gamon J. Assessing community type, plant biomass, pigment composition and photosynthetic efficiency of aquatic vegetation from spectral reflectance., 1993, 46: 1–25.
[19] Pe?uelas J, Gamon J, Freeden A, Merino J, Field C. Reflectance indices associated with physiological changes in nitrogen and water limited sunflower leaves., 1994, 48: 135–146.
[20] 周賢峰. 色素含量比值進行作物氮素營養(yǎng)狀況診斷方法研究. 中國科學院大學博士學位論文, 北京, 2017. Zhou X F. Research on the Methods of Crop Nitrogen Status Diagnosis Based on Carotenoid and Chlorophyll Ratio Values. PhD Dissertation of University of Chinese Academy of Sciences, Beijing, China, 2017 (in Chinese with English abstract).
[21] Pe?uelas J, Baret F, Filella I. Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance., 1995, 31: 221–230.
[22] Nakaji T, Oguma H, Fujinuma Y. Seasonal changes in the relationship between photochemical reflectance index and photosynthetic light use efficiency of Japanese larch needles., 2006, 27: 493–509.
[23] Garrity S R, Eitel J U H, Vierling L A. Disentangling the relationships between plant pigments and the photochemical reflectance index reveals a new approach for remote estimation of carotenoid content., 2011, 115: 628–635.
[24] Hernández-Clemente R, Navarro-Cerrillo R M, Zarco-Tejada P J. Carotenoid content estimation in a heterogeneous conifer forest using narrow-band indices and PROSPECT + DART simulations., 2012, 127: 298–315.
[25] Zhou X F, Huang W J, Zhang J C, Kong W P, Casa R, Huang Y B. A novel combined spectral index for estimating the ratio of carotenoid to chlorophyll content to monitor crop physiological and phonological status., 2019, 76: 128–142.
[26] 蔣德安, 朱誠. 植物生理學實驗指導. 成都: 成都科技大學出版社, 1999. pp 20–23. Jiang D A, Zhu C. Guide for Plant Physiology Experiment. Chengdu: Chengdu University of Science and Technology Press, 1999. pp 20–23 (in Chinese).
[27] Gamon J A, Pe?uelas J, Field C B. A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency., 1992, 41: 35–44.
[28] Yi Q X, Jiapaer G L, Chen J M, Bao A M, Wang F M. Different units of measurement of carotenoids estimation in cotton using hyperspectral indices and partial least square regression., 2014, 91: 72–74.
[29] 依爾夏提·阿不來提, 買買提·沙吾提, 白燈莎·買買提艾力, 安申群, 馬春玥. 基于隨機森林法的棉花葉片葉綠素含量估算. 作物學報, 2019, 45: 81–90. Ershat A, Mamat S, Baidengsha M, An S Q, Ma C Y. Estimation of leaf chlorophyll content in cotton based on the random forest approach., 2019, 45: 81–90 (in Chinese with English abstract).
[30] Geladi P, Kowalski B R. Partial least-squares regression: a tutorial., 1986, 185: 1–17.
[31] Wold S, Sj?str?m M, Eriksson L. PLS-regression: a basic tool of chemometrics., 2001, 58: 109–130.
[32] Shao J. Linear model selection by cross-validation.,1993, 88: 486–494.
[33] Chen S, Hong X, Harris C J, Sharkey P M. Sparse modeling using orthogonal forward regression with PRESS statistic and regularization., 2004, 34: 898–911.
[34] Féret J B, Gitelson A, Noble S D, Jacquemoud S. PROSPECT-D: towards modeling leaf optical properties through a complete lifecycle., 2017, 193: 204–215.
[35] Kuusk A. The angular distribution of reflectance and vegetation indices in barley and clover canopies., 1991, 37: 143–151.
[36] Filella I, Porcar-Castell A, Munné-Bosch S, Back J, Garbulsky M F, Pe?uelas J. PRI assessment of long-term changes in carotenoids/chlorophyll ratio and short-term changes in de-epoxidation state of the xanthophyll cycle., 2009, 30: 4443–4455.
[37] Stylinski C D, Gamon J A, Oechel W C. Seasonal patterns of reflectance indices, carotenoid pigments and photosynthesis of evergreen chaparral species., 2002, 131: 366–374.
[38] Garbulsky M F, Pe?uelas J, Papale D, Filella I. Remote estimation of carbon dioxide uptake of terrestrial ecosystems., 2008, 14: 2860–2867.
[39] Gamon J A, Serrano L, Surfus J S. The photochemical reflectance index: an optical indicator of photosynthesis radiation use efficiency across species, functional types and nutrient levels., 1997, 112: 492–501.
[40] Richardson A D, Berlyn G P. Spectral reflectance and photosynthetic properties of(Betulaceae) leaves along an elevational gradient on Mt. Mansfield, Vermont, USA., 2002, 89: 88–94.
[41] Filella I, Amaro T, Araus J L, Pe?uelas J. Relationship between photosynthetic radiation-use efficiency of barley canopies and the photochemical reflectance index (PRI).,1996, 96: 211–216.
[42] Trotter G M, Whitehead D, Pinkney E J. The photochemical reflectance index as a measure of photosynthetic light use efficiency for plants with varying foliar nitrogen contents., 2002, 6: 1207–1212.
[43] Nichol C J, Huemmrich K F, Black T A, Jarvis P G, Walthall C L, Grace J, Hall F G. Remote sensing of photosynthetic-light-use efficiency of boreal forest., 2000, 101: 131–142.
[44] Pe?uelas J, Inoue Y. Reflectance assessment of canopy CO2uptake., 2000, 21: 3353–3356.
Estimation of cotton Car/Chla ratio by hyperspectral vegetation indices and partial least square regression
YI Qiu-Xiang1,2,3,*, LIU Ying1,2,3, CHANG Cun1,2,3, and ZHONG Rui-Sen1,2,3
1State Key Laboratory of Desert and Oasis Ecology / Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi 830011, Xinjiang, China;2Key Laboratory of GIS & RS Application Xinjiang Uygur Autonomous Region, Urumqi 830011, Xinjiang, China;3University of Chinese Academy of Sciences, Beijing 100049, China
Estimating the ratio between carotenoid to chlorophyll(Car/Chla) provides an additional avenue for the assessment of physiology and phenology of plant growth and development. With the aim of assessing cotton Car/Chla ratio from hyperspectral reflectance, a wide range of carotenoid (Car) and chlorophyllconcentrations, and leaf and canopy reflectance at cotton different growth stages were measured. The performance of a variety of Car/Chla ratio related vegetation indices and partial least square regression (PLSR) for Car/Chla ratio and Car estimation were tested. Among all tested vegetation indices, PRI (Photochemical Reflectance Index) and linear PRI models had the most significant correlations with Car/Chla ratio and Car, and could accurately estimate, Car/Chla ratio (2leaf level= 0.69 and2canopy level= 0.67) and Car concentration (2leaf level= 0.44 and2canopy level= 0.36). The best estimation of the Car/Chla ratio and Car was provided by PLSR models with2> 0.80between the estimated and measured value for Car/Chla ratio and20.74for Car. Both reflectance indices and PLSR method were more successful for the estimation of Car/Chla ratio than for that of Car concentration, indicating the promising potential of Car/Chla ratio as a powerful indicator using for plant status monitoring by remote sensing. Besides, accuracy test of models using validation dataset highlighted the remarkable performance of PLSR for Car/Chla (2leaf level= 0.87 and2canopy level= 0.84) and Car (2leaf level= 0.73 and2canopy level= 0.74) estimated by hyperspectral reflectance at both the leaf and canopy levels. The results further prove the remarkable performance of hyperspectral reflectance for the estimation of Car/Chla ratio, and enrich the parameters for monitoring high temperature stress, water deficit stress, and nutrient stress and pest diseases by remote sensing in cotton.
Car/Chla ratio; carotenoid; PRI (Photochemical Reflectance Index); PLSR (Partial Least Square Regression); cotton
10.3724/SP.J.1006.2020.94157
本研究由國家自然科學基金項目(41571428, 41871328)資助。
This study was supported by the National Natural Science Foundation of China (41571428, 41871328).
易秋香, E-mail: yiqx@ms.xjb.ac.cn
2019-10-22;
2020-03-24;
2020-04-13.
URL: http://kns.cnki.net/kcms/detail/11.1809.S.20200413.0842.002.html