桉树叶片光合色素含量高光谱估算模型

2013-12-16张永贺陈文惠郭乔影张清林

生态学报 2013年3期

张永贺，陈文惠，郭乔影，张清林

(福建师范大学地理科学学院，福州 350007)

光合作用过程中起吸收作用的色素主要有叶绿素和类胡萝卜素，其中叶绿素是吸收光能的物质，对植被的光能利用有直接关系，叶绿素含量在植被的光合能力、发育阶段以及氮素状况有较好的相关性，它们通常是氮素胁迫、光合作用能力和植被发育阶段的指示器［1］。植物叶片中很大一部分氮是结合在叶绿素中的，植物缺少Mg、Fe、S、Cu、Zn等元素也会影响到叶绿素的合成，因此色素含量是反映植物生理功能、受害程度和其他矿质营养的重要指标［2］。通常用传统的化学分析法测定植物的色素含量和营养状况，虽然测定结果直观可靠，但对植物具有破坏性。近年来，高光谱遥感技术在植物生理生态研究中得到越来越广泛的应用，可以实时、快速、无损地从叶片水平、群体水平以及生态系统等多个层面研究植物在各种环境条件下的生理生态变化［3］。国内外许多学者在植被色素浓度反演方面进行了深入的研究，并取得了许多成功的经验和宝贵的研究结果。Strachan等［2］研究3个施氮水平的玉米红边位置和叶绿素计SPAD值呈极显著的相关，R2=0.81。吴长山［4］研究与水稻、玉米叶绿素密度相关性显著的敏感波段为一阶导数光谱762 nm处。陈维君等［5］得出mSR705、mND705和PRI等指数可用于估算水稻叶片、穗的色素含量，作为水稻成熟度的监测指标。姚付启等［6］研究指出与红边位置相比，基于峰度、偏度建立的估算模型可以有效提高估算精度。与单变量模型相比人工神经网络模型反演精度明显提高，是一种良好的植被叶绿素含量高光谱反演模式。吉海彦等［7］采用偏最小二乘方法建立了冬小麦叶片叶绿素和水分含量与反射光谱的定量分析模型。李云梅等［8］利用PROSPECT模型和FCR模型，模拟出叶绿素含量变化对叶片反射率的影响，同时发现叶面积指数的影响也不能忽略。

本文通过对桉树叶片原始光谱及其变换形式与叶片色素含量间的相关性分析，找出各光谱形式对色素含量的敏感波段。利用基于光谱位置、面积及植被指数变量的光谱特征参数与色素含量进行相关性分析，寻找最佳相关性的生化组分参量。利用光谱参量进行色素含量相关关系拟合并建立估算模型，用均方根误差进行模型的精度检验。

1 实验数据获取

1.1 样品准备

实验样品桉树叶片采集时间为2011年10月11日，实验地点位于福建省福州市白沙国有林场，实验对象是林龄为3a的人工种植的桉树林。采集样品时，采集桉树距离地面2 m处幼枝条上的幼叶，立即装入保鲜袋，并在4 h内送回实验室，清理树叶表面灰尘污渍处理后进行光谱数据采集和色素含量测定。

1.2 光谱反射率测定

叶片光谱反射率的测定采用美国Analytical Spectral Device(ASD)公司生产的便携式野外地物光谱仪FieldSpec3，该光谱仪波段范围在350—2500 nm，其中，350—1000 nm光谱采样间隔为1.4 nm，光谱分辨率为3 nm;1000—2500 nm光谱采样间隔为2 nm，光谱分辨率为10 nm。在光谱输出时，仪器自动进行重采样(重采样间隔为1 nm)，共输出2151个波段数。本实验的测试环境由室内BRDF测试系统建立，参数设置为光源入射天顶角30°、入射方位角0°，观测天顶角0°，探头视场角为25°，距离叶片样品表面13 cm，(叶片宽度约为5.7—6 cm)［9］。光谱采样测试过程中，样品被展平置于采样波段接近全吸收的工作台上，以避免杂光干扰，并确保样品充满仪器的视场角，为尽量避免不确定性以保证精度，对每个样品同时采集10条光谱曲线，取平均后作为该样品的代表性光谱曲线。每隔10 min对仪器做1次优化校正。

1.3 光合色素含量测定

根据叶绿体色素提取液对可见光谱的吸收，利用分光光度计在某一特定波长下测定其消光度D值，由朗伯比尔定律即可用公式计算提取液中各色素的含量［3］。

将采集光谱后的新鲜叶片直接在实验室内进行光合色素含量测定，对每个样品取新鲜叶片3份，每份0.2 g分别加入浓度为95%乙醇及少量石英砂和碳酸钙粉将其研磨成匀浆，至组织发白，过滤，25 mL定容，然后用UV2450-紫外可见分光光度计测量665 nm，649 nm和470 nm波长下的消光度D值，再依据公式计算叶绿素 a，b 和类胡萝卜素的浓度值(mg/kg)［2-6，10-11］。

2 研究方法

2.1 光合色素含量与原始及变换光谱之间的相关性分析

导数光谱反映了由于植被中生化物质的吸收引起的波形变化并能揭示光谱峰值的内在特征。因此，可以利用导数光谱建立生化组分与反射光谱之间的关系，估算植被内部生化组成及其含量信息［12-13］。图1揭示了桉树叶片叶绿素与几种光谱的相关关系。

图1 桉树叶片叶绿素(Chlorophyll)与原始光谱、倒数对数光谱、一阶和二阶导数光谱间的相关系数Fig.1 The correlation coefficient between chlorophyll content and reflectance、reciprocal logarithm spectra、the first derivative spectra、the second derivative spectra of eucalyptus leaf

从图1可看出，在可见光范围内，叶绿素含量与原始光谱反射率呈负相关，在近红外范围内呈正相关。通过图1对比分析印证了叶绿素含量与类胡萝卜素含量有很好的相关性［8-10，13］，表明光合色素含量越高，可见光波段内的光谱反射率越低，而近红外内的光谱反射率越高。无论是一阶还是二阶导数光谱，在500—800 nm范围内与叶片色素含量的相关系数波动稍小一些，且部分波段相关性通过0.01显著性检验，可以比较稳定地反映其相关关系［14-15］。

2.2 光合色素含量与高光谱特征变量的相关性分析

2.2.1 高光谱特征变量及提取方法

常见的高光谱吸收特征变量包括基于高光谱位置变量、基于高光谱面积变量、基于高光谱植被指数变量3种类型，文种共采用了20个吸收特征变量见表1。

表1 高光谱特征参量及说明Table 1 The Hyperspectral characteristic parameters and description

2.2.2 光合色素含量与光谱特征变量的相关性分析

利用spss统计软件计算光合色素含量与高光谱变量之间的相关系数，结果见表2。

表2 光合色素含量与高光谱变量之间的相关系数(n=35)Table 2 Correlation coefficients between pigment contents and the hyperspectral variables

从表2可看出，色素含量与蓝边幅值、蓝边位置、黄边幅值、红边位置、绿峰反射率、红谷位置、蓝边面积、黄边面积、绿峰面积及所有植被指数变量之间的相关系数都达到0.01极显著检验水平［18］。其中，色素含量与红边位置、“三边”面积构成的植被指数之间的相关系数大于0.8。色素含量与“蓝边参数”、黄边面积、绿峰和红谷反射率构成的植被指数之间的相关系数绝对值在0.6—0.7之间。

3 估算模型建立

将用于建立桉树色素含量估算模型样本的数据随机划分为两组，其中总样本的2/3用于建模，剩余的1/3用于模型验证。根据图1选取波段512、735m、711、737 nm的倒数光谱作为自变量，这些波段之间的相关系数都通过0.01检验。根据表2选取红边位置、蓝边面积、红边面积SDr与蓝边面积SDb的比值、红边面积SDr与蓝边面积SDb的归一化值、红边面积SDr与蓝边面积SDb的归一化值，这些相关系数大于0.6的变量作为估算模型建立的自变量。

3.1 单变量线性和非线性模型

本研究选用4个单变量线性与非线性模型，包括:

式中，Y代表光合色素含量，X是从高光谱数据中提取的自变量，a、b、c为回归系数［15，19-21］。表3是总叶绿素含量与高光谱变量拟合模型参数表，表4是类胡萝卜素含量与高光谱变量的合模型参数表，图2是叶绿素含量与高光谱变量拟合结果比较，图3是类胡萝卜素含量与高光谱变量的拟合结果比较。

表3 总叶绿素含量与高光谱变量的线性与非线性拟合模型参数表Table 3 Parameter of linear and nonlinear models between chlorophyll content with the hyperspectral variables

续表

表4 类胡萝卜素含量与高光谱变量的线性与非线性拟合模型参数表Table 4 Parameter of linear and nonlinear models between carotenoids content with the hyperspectral variables

续表

3.2 多元回归模型

由于植物叶片中各种生化物质对应特定的光谱吸收特征，是进行波段选择的基本依据。但这些化学成分是混合在一起的，彼此间加强或削弱了各自的吸收特征。因此，估测某一生化成分时只用单一波段是不够的，需要进行波段选择和重组，选用多元回归分析是最好的方法之一［22，23］。

多元回归分析方程的一般形式［22］为:

式中，Y代表估算的色素含量，Xi代表第i个特征变量，bi是第i个特征变量的回归系数，b0为回归常数。

表5是基于敏感光谱参量的桉树叶片光合色素含量估算多元回归模型，从中可看出，无论是叶绿素还是类胡萝卜素，对于变换光谱数据来说，都是倒数对数光谱特征参数为自变量时拟合最优，R2与F检验值均最大，其中 R2分别是0.851 和0.786。

表5 基于高光谱数据变换的桉树叶片色素多元回归模型Table 5 Multivariate regression models for pigment estimation of eucalyptus leaf based on hyperspectral transformation variables

图2 叶绿素含量与高光谱变量的线性与非线性拟合结果比较(n=23)Fig.2 Comparison between linear and nonlinear models of chlorophyll content estimation using the hyperspectral variables

4 模型精度检验

本研究采用均方根误差(RMSE)［23-25］评价模型精度。

式中，yi和y'i分别为叶片色素含量的实测值和用拟合模型计算的预测值，n为样本数，RMSE值越小则结果越精确。

从表3和表4可看出，无论是叶绿素还是类胡萝卜素，除SDb、ρ'512预测的R2小于0.6外，模型预测精度较高。除VI5外，其他验证样本R2最大和RMSE最小都不与其最优拟合模型相对应。对于叶绿素含量估算模型中，拟合R2与预测R2均大于0.75的模型只有VI3为自变量的对数模型及VI5为自变量的指数模型，其中又以VI5为自变量的指数模型最优，拟合R2、预测R2及RMSE分别为0.809、0.797和0.3612。而对于类胡萝卜素含量估算模型中，拟合R2与预测R2均大于0.7的模型也只有这两个，其中也以VI5为自变量的指数模型最优，拟合 R2、预测 R2及 RMSE 分别为0.738、0.76 和0.0453。

图3 类胡萝卜素含量与高光谱变量的线性与非线性拟合结果比较(n=23)Fig.3 Comparison between linear and nonlinear models of carotenoids content estimation using the hyperspectral variables

从表5中可看出，无论是叶绿素还是类胡萝卜素，以倒数对数光谱为自变量的预测R2虽然比以二阶导数光谱为自变量的预测R2小，但数值相差不大，因此仍认为倒数对数光谱为自变量的估算模型最优。［26］其中总叶绿素含量的估算模型拟合R2、预测R2及RMSE分别为0.851、0.605和0.4936，类胡萝卜素含量的估算模型拟合 R2、预测 R2及 RMSE 分别为 0.786、0.593 和0.060。

从整体上看，以(SDr-SDb)/(SDr+SDb)为自变量的指数模型最优，其训练样本拟合与验证样本精度检验水平均较高。从图4中可看出色素含量的估算效果整体上较好，实测值与估算值相关性较强［27-28］。

5 结果及讨论

在本研究中，通过对光合色素含量与高光谱特征变量之间的相关性分析、估算模型建立及模型的精度检验，可以得出以下结论:

图4 总叶绿素和类胡萝卜素含量估算模型的预测效果检验(n=12)Fig.4 Validation of models for chlorophyll and carotenoids content estimation

(1)原始光谱和倒数对数光谱与色素含量在各波长范围中的相关性具有一致性，且在近红处也有600 nm左右波段范围相关性通过0.01极显著检验，波动较小，相关性较稳定。这一结论与黄敬峰等［3］叶绿素含量与光谱反射率在可见光和近红外光区均呈极显著负相关研究成果一致。在一阶、二阶导数光谱与色素含量的相关性最大，但相关性在较近的波长范围内上下波动的频率大，且只在500—800 nm部分波段通过0.01极显著性检验。这一研究结果与吴长山等［4］导数光谱与叶绿素密度具有较高的相关性，特别是导数光谱在720—770 nm波段与叶绿素密度的相关关系拟合度达到了0.89研究结果相近。

(2)由相关性得出敏感光谱波段:原始光谱为551、703、1408、1874 nm，倒数对数光谱为 562、703、1408、1874 nm，一阶导数光谱为 512、613、696、735 nm，二阶导数光谱为 637、690、711、737 nm。其中以倒数对数光谱为自变量的估算模型为最优。这一研究与刘璇等［24］对杉木光谱反射率一阶导数与叶绿素a含量相关分析，叶绿素a含量敏感的光谱波段为530 nm和690 nm，相关系数均通过了0.05或0.01显著性检验水平，结果相近。

(3)光合色素含量与 Db、λb、Dy、λy、Rg、λ0、SDb、SDy、SDg、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)之间的相关性通过了0.01极显著性检验水平，其中 λr、SDr/SDb、SDr/SDy、(SDr-SDb)/(SDr+SDb)、(SDr-SDy)/(SDr+SDy)与光合色素含量的相关系数高达0.8以上。以ρ'512、λr、SDr/SDb、(SDr-SDb)/(SDr+SDb)为自变量的单变量非线性估算模型拟合较好。该结论与刘秀英等［18］叶绿素含量与Db、Rg、Rg/Ro、(Rg-Ro)/(Rg+Ro)、之间的相关系数达到了0.01极显著性检验水平研究成果一致。并与冯伟等26］光谱参数SDr/SDb可以较好地监测小麦叶片色素密度，其中以叶绿素a和叶绿素a+b表现最好结论相近［22］。

(4)利用色素含量与高光谱特征变量之间的关系，建立了桉树叶片色素含量的估算模型，通过精度检验分析，优选出了桉树叶片色素含量最适合的估算模型。但是对不同年龄组，不同色素含量级别与光谱之间的相关性研究还未深入探讨，样本的数据量有待增加，以便建立基于大量统计数据基础上的桉树光合色素含量高光谱估算模型。

［1］ Filella I，Serrano L，Serra J，Pefiuelas J.Evaluating wheat nitrogen status with canopy reflectance indices and discriminate analysis.Crop Science，1995，35(5):1400-1405.

［2］ Strachan I B，Pattey P，Boisvert J B.Impact of nitrogen and environmental conditions on corn as detected by hyper spectral reflectance.Remote Sensing of Environment，2002，80(2):213-224.

［3］ Chen L，hung J F，Wang F M，Tang Y L.Comparison between back propagation neural network and regression models for the estimation of pigment content in rice leaves and panicles using hyper spectral data Remote Sensing，2007，28(16):3457-3478.

［4］ Wu C S，Xiang Y Q，Deng L F，Tong Q X.Estimating chlorophyll density of crop canopies by using Hyperspectral data.Journal of Remote Sensing，2000，4(3):228-232.

［5］ Chen W J，Zhou Q F，Huang J F.Estimating pigment contents in leaves and panicles of rice after milky ripening by hyperspectral vegetation indices.Chinese Journal of Rice Science，2006，20(4):434-439.

［6］ Yao F Q，Zhang Z H，Yang R Y，Sun J W，Cui S F.Hyperspectral models for estimating vegetation chlorophyll content based on red edge parameter.Transactions of the Chinese Society of Agricultural Engineering，2009，25(2):123-129.

［7］ Ji H Y，Wang P X，Yan T L.Estimations of chlorophyll and water contents in live leaf of winter wheat with reflectance spectroscopy.Spectroscopy and Spectral Analysis，2007，27(3):514-516.

［8］ Li Y M，Ni S Y，Huang J F.Discussing effects of different chlorophyll concentration to leaf and canopy reflectance by hyperspectral data.Remote Sensing Technology and Application，2003，18(1):1-5.

［9］ Huang J F，Wang F M，Wang X Z，et al.Relationship between narrow band normalized deference vegetation index and rice agronomic variables，communications in soil.Science and Plant Analysis，2004，35(20):2689-2708.

［10］ Yang X H，Wang F M，Huang J F，Wang J W，Wang R C，Shen Z Q，Wang X Z.Comparison between radial basis function neural network and regression model for estimation of rRice Bbiophysical parameters using remote sensing.Soil Science Society of China，2009，19(2):176-188.

［11］ Huang J F，Blackburn G A.Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis of hyperspectral data.International Journal of Remote Sensing，2011，32(24):1-22.

［12］ Xue Z C，Gao H Y，Peng T，Yao G.Application of spectral reflectance on research of plant eco-physiology.Plant Physiology Journal，2011，47(4):313-320.

［13］ Ding S Y，Li H M，Qian L X.Research advances in remote sensing techniques in estimation of vegetation biochemical material contents.Chinese Journal of Ecology，2004，23(4):109-117.

［14］ Wang F M，Huang J F，Wang J X.Normalized difference ratio pigment index for estimating chlorophyll and cartenoid contents of in leaves of rice.Spectroscopy and Spectral Analysis，2009，29(4):1064-1068.

［15］ Lu X，Liu F C，Tian H J.Relationship between spectral characteristics parameters at leaf level of spartina anglica and chlorophyll concentration.Science of Surveying and Mapping，2010，35(6):99-102.

［16］ Yang X G，Fan W Y，Yu Y.Establishment of hyperspectral remote sensing model for estimating forest chlorophyll content in Daxing'anling Mountain.Forest Engineering，2010，26(2):8-11.

［17］ Qian Y R，Yang F，Li J L，Gan X Y，Yang Y，Wang E Y.Estimation of photosynthetic pigment of Festuca arundinacea using hyper-spectral data.Acta Prataculturae Sinica，2009，18(4):94-102.

［18］ Liu X Y，Lin H，Wan L F，Sun H，Xong Y J，Huang D K.Hyper-spectral estimation models of the chlorophyll contents of young camphor trees based on remote sensing data.Journal of Central South University of Forestry:Technology，2007，27(4):49-54.

［19］ Tang X G，Song K S，Liu D W，Wang Z M，Zhang B，Du J，Zeng L H，Jiang G J，Wang Y D.Comparison of methods for estimating soybean chlorophyll content based on visual/near infrared reflection spectra.Spectroscopy and Spectral Analysis，2011，31(2):371-374.

［20］ Shi R H，Zhuang D F，Niu Z，Wang W.Quantitative inversion of chlorophyll content based on radiative transfer model.Chinese Journal of Ecology，2006，25(5):591-595.

［21］ Sun Y X，Wang J H，Li B G，Liu L Y，Huang W J.Contrastive analysis based on neural network of winter wheat's chlorophyll concentration inversion with hyperspectral data.Remote Sensing Technology and Application，2007，22(4):492-496.

［22］ Zhang X Z，Deng G Q，Dai Y B，Li G Q，Hu F.Estimation models of summer maize leaf pigment content based on canopy reflectance spectra.Journal of Maize Sciences，2010，18(6):55-60.

［23］ Liu Z Y，Huang J F，Wu XH，Dong Y P，Wang F M，Liu P T.Hyperspectral remote sensing estimation models for the grassland biomass.Transactions of the Chinese Society of Agricultural Engineering，2006，22(2):111-115.

［24］ Liu X，Lin H，Zang Z，Wu X M.Study on correlation between chlorophyll-a and hyperspectral data of Cunninghamia lanceolata.Journal of Central South University of Forestry and Technology，2010，30(5):72-76.

［25］ Song K S，Zhang B，Wang Z M，Liu H J，Duan H T.Inverse model for estimating soybean chlorophyll concentration using in-situ collected canopy hyperspectral data.Transactions of the Chinese Society of Agricultural Engineering，2006，22(8):16-21.

［26］ Feng W，Zhu Y，Yao X，Tian Y C，Yao X F，Cao W X.Monitoring of wheat leaf pigment concentration with hyper-spectral remote sensing.Chinese Journal of Applied Ecology，2008，19(5):992-999.

［27］ Zhao X，Liu S H，Wang P J，Wang J D，Tian Z K.A method for inverting chlorophyll content of wheat using hyperspectral.Geography and Geo-Information Science，2004，20(3):36-39.

［28］ Yi Q X，Huang J F，Wang X Z，Qian L.Hyperspectral remote sensing estimation models for chlorophyll concentration in corn.Bulletin of Science and Technology，2007，23(1):83-87.

参考文献:

［4］吴长山，项月琴，郑兰芬，童庆禧.利用高光谱数据对作物群体叶绿素密度估算的研究.遥感学报，2000，4(3):228-232.

［5］陈维君，周启发，黄敬峰.用高光谱植被指数估算水稻乳熟后叶片和穗的色素含量.中国水稻科学，2006，20(4):434-439.

［6］姚付启，张振华，杨润亚，孙金伟，崔素芳.基于红边参数的植被叶绿素含量高光谱估算模型.农业工程学报，2009，25(2):123-129.

［7］吉海彦，王鹏新，严泰来.冬小麦活体叶片叶绿素和水分含量与反射光谱的模型建立.光谱学与光谱分析，2007，27(3):514-516.

［8］李云梅，倪绍祥，黄敬峰.高光谱数据探讨水稻叶片叶绿素含量对叶片及冠层光谱反射特性的影响.遥感技术与应用，2003，18(1):1-5.

［12］薛忠财，高辉远，彭涛，姚广.光谱分析在植物生理生态研究中的应用.植物生理学通讯，2011，47(4):313-320.

［13］丁圣彦，李昊民，钱乐祥.应用遥感技术评价植被生化物质含量的研究进展.生态学杂志，2004，23(4):109-117.

［14］王福民，黄敬峰，王秀珍.水稻叶片叶绿素、类胡萝卜素含量估算的归一化色素指数研究.光谱学与光谱分析，2009，29(4):1064-1068.

［15］卢霞，刘付程，田慧娟.大米草室内叶片光谱特征参数与叶绿素浓度关系研究.测绘科学，2010，35(6):99-102.

［16］杨曦光，范文义，于颖.森林叶绿素含量的高光谱遥感估算模型的建立.森林工程，2010，26(2):8-11.

［17］钱育蓉，杨峰，李建龙，干晓宇，杨齐，王卫源.利用高光谱数据快速估算高羊茅牧草光合色素的研究.草业学报，2009，18(4):94-102.