基于经验模型的Hyperion数据植被叶绿素含量反演

丰明博，牛 铮

(1.中国科学院遥感与数字地球研究所，北京 100101;2.中国科学院遥感科学国家重点实验室，北京 100101;3.中国科学院大学，北京 100049)

0 引言

叶绿素是参与植物光合作用的必要色素，其含量控制着植被叶片吸收太阳辐射的能力，影响植被初级生产力，能提供植物营养状况的精确、间接的估算。叶绿素被认为是地球上最重要的有机分子，是植物营养(氮素)胁迫、光合能力、发育阶段(特别是衰老阶段)和病虫害监测的重要指标[1]。

经验和半经验方法主要是通过考察所研究的生化组分含量与光谱因子(反射率或其变换形式，如光谱指数)间的相关关系来建立统计模型。统计分析方法通常是利用逐步多元线性回归的方法选取反射率或其变型(一阶导数、二阶导数等)，或选取不同波段组合构建光谱指数与叶片样本的生化组分相关性最高的指数进入模型，然后建立回归方程来预测生化组分的含量[2–7]。利用统计方法构建叶片光谱估测叶绿素含量的模型，能够达到较高的精度(＞95%)[8]。

目前对于叶绿素含量的反演建模，利用的数据基本上是基于单一物种(如玉米);所建立的适合于叶绿素含量反演的经验模型，也大多是针对特定物种而言。而对于研究区域甚至全球尺度的养分循环或生物地球化学循环，则需要区域的生化组分参数作为支撑，这就要求反演模型能够尽可能多地适应不同的植被。本文利用由欧盟委员会联合研究中心(Joint Research Centre of the European Commission)的空间研究所实测获得的lopex93(leaf optical properties experiment)植物生化参数数据库资料，对其中17种植被(包括玉米、小麦、月桂树及杨树等)的22个叶片样本的干叶光谱与鲜叶光谱以及测量的叶绿素含量进行分析，对每一种植被取平均值作为终值，叶绿素含量单位为mg/g。基于植被叶绿素含量与实测光谱及Hyperion模拟光谱进行分析，建立相关关系;利用分析结果对甘肃省张掖市的植被叶绿素含量进行了区域反演，并对反演结果进行了误差分析。

1 模型分析

基于经验或半经验模型的叶绿素含量反演，其叶绿素含量估算模型主要有3种:①红边参数与叶绿素含量回归分析方法;②原始光谱，光谱的一阶微分、对数等形式与叶绿素含量相关性分析方法;③植被指数与叶绿素含量回归分析方法。针对这3种常用的建模方法，利用实测数据与模拟Hyperion传感器数据进行比较，得到遥感反演不同植物叶绿素含量的方法。

1.1 光谱重采样

目前，地球观测卫星EO-1上的Hyperion传感器数据是用途广、易获得、数据存档时间较长的高光谱卫星遥感数据，经常用于进行植被信息提取等研究。lopex93数据库内光谱数据的波谱分辨率为1 nm，而Hyperion数据的光谱分辨率为10～12 nm。为了分析利用实测光谱与卫星光谱数据反演植被叶绿素含量的区别，以Hyperion数据为基准，采用高斯光谱响应函数法对实测的原始反射率光谱数据进行了光谱重采样，获取基于Hyperion波段的模拟光谱数据集。第i波段的反射率计算公式为

式中:ri为第i波段的反射率;λui为第i波段的起始波长;λli为第i波段的终止波长;r(λ)为波长λ处的反射率;φt(λ)为波长λ处的光谱响应因子。

图1示出实测光谱曲线和重采样得到的模拟Hyperion光谱曲线。

图1 实测光谱曲线与重采样得到的模拟Hyperion光谱曲线Fig.1 Spectral curves measured in the field and simulated Hyperion spectra by resampling

由图1可以看出，与实测的光谱曲线相比，经过重采样后的模拟Hyperion光谱曲线形态并没有多大改变;但其中心波长以及半高宽等信息均发生了变化，光谱分辨率由原来的1 nm变为10～12 nm。光谱分辨率的变化会对反演叶绿素含量的建模产生一定的影响。

1.2 反射率与叶绿素含量的关系

叶片叶绿素含量与光谱反射率具有相关性。在可见光谱段内，植物的光谱特性受叶绿素影响。研究表明，叶绿素在可见光谱段内有2个主要的吸收带:①以450 nm为中心的蓝波段和以670 nm为中心的红波段，叶绿素对这2部分的吸收率达90%以上;②在490～600 nm谱段，由于550 nm波长附近是叶绿素的强反射峰区，故植被在此波段的反射光谱曲线具有波峰的形态;而在760 nm后的近红外波段，叶绿素吸收能力较弱，因此叶片反射率会急剧升高。图2显示了实测光谱及模拟Hyperion光谱在400～1 000 nm谱段范围内，叶绿素含量和叶片反射率及其一阶微分、对数等变化形式的相关关系。

图2 实测光谱及Hyperion光谱信息与叶绿素含量相关关系Fig.2 Respective relationships between chlorophyll content and measured spectra，Hyperion spectra

从图2可以看出，针对实测光谱与Hyperion光谱，叶绿素含量与叶片反射率及其对数的相关性基本一致;但其相关系数均偏小，这是由于不同植被的反射率有差异，影响了相关系数的大小，因此不能单独利用反射率及其对数选取相关波段建模。由叶绿素含量和反射率一阶导数的相关性可以发现，基于Hyperion光谱以及实测光谱的相关系数在可见光波段的形态、走势大体是相同的，仅仅在细节上由于波谱分辨率的原因，实测光谱更加精细;而在近红外波段以后，实测光谱与Hyperion光谱有较大的差异，这一方面是因为Hyperion波谱分辨率较低，另一方面则是由于在此波谱范围内受叶片水分的影响较为严重。因此，若利用Hyperion数据的特征波段建模反演不同植被的叶绿素含量，应依据近红外波段附近的光谱一阶导数与叶绿素含量的关系进行波段选择。

1.3 红边参数与叶绿素的关系

红边是绿色植物在680～740 nm之间反射率增高最快的波长位置，也是光谱反射率一阶导数在该区间内的拐点。叶绿素含量与红边参数具有较好的相关关系[9]。对于红边参数的计算，首先要对光谱反射率进行一阶微分。由于光谱仪和传感器所获得的光谱数据是离散形式的，因此其微分的计算就变成了差分计算，本次研究中采用如下公式来求解光谱数据的微分。光谱反射率的一阶微分计算公式为

式中:λi为第i波段的波长;ρ(λi)为波长 λi的一阶微分光谱。

从一阶微分数值中提取基于光谱位置的主要变量“红边”(680～750 nm)内最大的一阶微分值即为红边斜率(Dr)，最大的一阶微分值对应的波长位置即为红边位置(λr)。

图3示出叶绿素含量与实测光谱红边参数(红边斜率、红边位置)之间的关系。

图3 叶绿素含量与实测光谱红边参数的关系Fig.3 Relationship between chlorophyll content and red edge parameters of measured spectra

图4 示出叶绿素含量与Hyperion光谱红边参 数(红边斜率、红边位置)之间的关系。

图4 叶绿素含量与Hyperion光谱红边参数关系Fig.4 Relationship between chlorophyll content and red edge parameters of Hyperion spectra

从图3和4可以看出，基于红边信息与叶绿素含量的关系进行建模，由于不同植被受到叶绿素影响后，红边信息的改变具有明显的差异性;所以通过实测数据建立的模型，仅红边位置与叶绿素含量的决策系数R2=0.334 3，具有一定的相关性;而红边斜率与叶绿素含量不具有相关性，这是由于数据量不足，对于红边斜率与叶绿素含量的关系不具有代表性。利用模拟的Hyperion数据与叶绿素含量进行分析时，由于Hyperion数据的光谱分辨率为10～12 nm，这样的光谱分辨率不能准确地表达红边位置信息(其红边位置信息均集中在701 nm，711 nm和721 nm处，不能细微地得到不同叶绿素含量下较准确的红边位置)，因此，对于Hyperion数据，不同植被、不同叶绿素含量与红边位置无准确关系，红边斜率与叶绿素含量的相关性更低。

1.4 植被指数与叶绿素的关系

以植被指数为自变量，利用植被冠层光谱反射特征，通过叶绿素含量与植被指数的经验回归关系估算叶绿素含量，这种方法是现今较常用的一种反演叶绿素含量的建模方法。很多关于植被的指数已被采用不同的方法构建出来，并成功地应用于估算植被的叶绿素含量。利用植被指数反演叶绿素含量的依据主要是利用高光谱数据波段窄而连续的特点，根据叶绿素与光谱的吸收、反射关系，通过寻找若干波段组合得到植被指数削弱、影响叶片光谱的因素，从而更好地建立叶绿素含量与植被指数之间的关系。本文选择归一化差值植被指数(normalized difference vegetation index，NDVI)[10]，优化的简单比值植被指数(modified simple ratio，MSR)[11]，优化的叶绿素吸收率指数(modified chlorophyll absorption ratio index，MCARI)[12]，以及基于改进的叶绿素吸收率指数(transformed chlorophyll absorption in reflectance index，TCARI)和MCARI与土壤背景指数(optimized soil-adjusted vegetation index，OSAVI)[13]的混合植被指数 TCARI/OSAVI和 MCARI/OSAVI等5个植被指数(表1)，分别利用基于实测光谱及Hyperion光谱的植被指数进行叶绿素含量反演建模。

表1 本文使用的植被指数Tab.1 Vegetation indexes used in this paper

对以上各光谱参量与叶绿素含量，分别采用线性模型、指数模型和对数模型等不同模型进行回归分析，计算最合适的回归模型。回归结果如图5和图6所示。

图5 叶绿素含量与实测光谱构建植被指数关系Fig.5 Relationship between chlorophyll content and vegetation index built with measured spectra

图6 叶绿素含量与Hyperion光谱构建植被指数关系Fig.6 Relationship between chlorophyll content and vegetation index built with Hyperion spectra

由图5和6可以看出，虽然在建立回归关系的过程中不同的指数有着不同的回归关系，但利用实测光谱和Hyperion光谱构建的植被指数分别得到的回归模型，其决策系数R2并没有显著的差别。这一方面是由于很多光谱指数在构建时已经考虑到了较小的波谱分辨率，另一方面则是由于植被指数多利用几个波段之间的相对关系，而Hyperion图像的波谱分辨率完全能够满足体现波段间相对关系的要求。相比较而言，MSR[705，750]与多种植被叶绿素含量的回归结果最好，因为 MSR[705，750]考虑了近红外波段和红波段的反射率之比，能够较好地克服大气、土壤和背景等因素的影响。

综上所述，采取植被指数的方法、利用Hyperion图像反演不同植被叶绿素含量时，植被指数通常选择 MSR[705，750]。

2 实验结果与分析

选择甘肃省张掖市为实验区，利用植被指数MSR[705，750]，基于 Hyperion 数据建立经验模型，进行反演多种植被叶绿素含量的实验。实验区范围在E100.291 941°～ 100.452 943°，N38.313 695°～39.169 923°之间。覆盖实验区的Hyperion图像的获取时间为2008年7月15日。实验区内的主要植被包括玉米和小麦等，利用叶绿素仪(又称“土壤、作物分析仪”，soil and plant analyzer development，SPAD)测量实验区内大块农田的玉米和小麦的叶绿素含量。SPAD通过测量叶子对2个波谱段内的吸收率来评估当前叶子中的叶绿素的相对含量，其值与叶绿素含量具有正相关性，故可利用SPAD的测量值表征叶绿素的相对含量。因叶绿素含量与植被指数 MSR[705，750]成指数关系，SPAD 与叶绿素含量具有正相关性，所以 SPAD 与植被指数 MSR[705，750]也成指数关系。利用 SPAD 与 MSR[705，750]建立经验模型。图7示出实验区内的叶绿素相对含量与植被指数 MSR[705，750]之间的关系。

图7 实验区内叶绿素相对含量与MSR[705，750]关系Fig.7 Relationship between relative chlorophyll content and MSR[705，750] in test area

根据地面实测的玉米和小麦SPAD值，结合Hyperion数据对应点的MSR指数，得到预测叶绿素含量的回归模型。对模型预测结果与实测的检验样本叶绿素含量进行对比分析的结果如表2所示。

可以看出，利用植被指数MSR得到的回归模型能很好地满足利用星载传感器数据反演不同植被叶绿素含量的要求，误差小于5%。

表2 回归模型预测误差Tab.2 Prediction error of regression model

基于Hyperion高光谱图像以及得到的张掖地区叶绿素含量预测模型，能够对整景图像进行填图，得到预测的叶绿素相对含量分布图(图8)。

图8 叶绿素相对含量分布图Fig.8 Distribution map of relative chlorophyll content

根据遥感图像与实测叶绿素含量、基于MSR指数建立的模型，反演得到叶绿素含量分布图，能够形象地反映出张掖地区各种植被的叶绿素含量，大大减少了工作量，而且利于后续的对植被叶绿素含量的分析与利用。

3 结论

针对实测光谱数据和Hyperion模拟数据，利用经验方法建模，反演叶绿素含量，得出如下结论:

1)对多种植被而言，Hyperion光谱红边参数与叶绿素含量的相关关系不明显。

2)植被叶片反射率及其倒数、对数等形式与叶绿素含量相关性较低，Hyperion光谱一阶导数与实测光谱相比，丢失很多细节内容;而且利用Hyperion光谱及其变化形式建模时，特征波段会随着不同区域而变化，普适性较低。

3)利用Hyperion光谱构建植被指数，与叶绿素含量具有较高的相关性;构建的模型能够很好地反演得到叶绿素含量，其中MSR指数与叶绿素含量的相关性最高，回归结果能够很好地预测不同区域的叶绿素含量。

4)利用MSR指数进行Hyperion图像叶绿素含量制图，方法简便，不仅能够快速获得区域性叶绿素分布情况，而且得到的不同植被的叶绿素含量比较准确，能够为精准农业研究、植被生产力估算、病虫害防治等一系列应用提供有效的支持。

利用经验模型进行植被叶绿素含量的估算，需进一步对植被类型进行分析整理，从而建立不同的种类体系，使反演结果更加精确。

[1]Curran P J，Dungan J L，Gholz H L.Exploring the relationship between reflectance red edge and chlorophyll content in slash pine[J].Tree Physiol，1990，7(1/4):33-38.

[2]Gitelson A A，Merzlyak M N.Signature analysis of leaf reflectance spectra:Algorithm development for remote sensing[J].Plant Physiol，1996，148(3/4):493-500.

[3]Jacquemoud S，Ustin S L，Verdebout J，et al.Estimating leaf biochemistry using the PROSPECT leaf optical properties model[J].Remote Sensing of Environment，1996，56(3):194-202

[4]Wessman C A，Aber J D，Peterson D L.An evaluation of imagings spectrometry for estimating forest canopy chemistry[J].International Journal of Remote Sensing，1989，10(8):1293-1316.

[6]吴朝阳，牛 铮.植物光化学植被指数对叶片生化组分参数的敏感性[J].中国科学院研究生院学报，2008，25(3):346-354.Wu C Y，Niu Z.Sensitivity study of photochemical reflectance index to leaf biochemical components[J].Journal of the Graduate School of the Chinese Academy of Sciences，2008，25(3):346-354.

[7]吴朝阳，牛 铮.基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进[J].植物学通报，2008，25(6):714-721.Wu C Y，Niu Z.Improvement in linearity between hyperspectral vegetation indices and chlorophyll content，leaf area index based on radiative transfer models[J].Chinese Bulletin of Botany，2008，25(6):714-721.

[8]方 慧，宋海燕，曹 芳，等.油菜叶片的光谱特征与叶绿素含量之间的关系研究[J].光谱学与光谱分析，2007，27(9):1731-1734.Fang H，Song H Y，Cao F，et al.Study on the relationship between spectral properties of oilseed rape leaves and their chlorophyll content[J].Spectroscopy and Spectral Analysis，2007，27(9):1731-1734.

[9]Pinar A，Curran P J.Technical note grass chlorophyll and the reflectance red edge[J].International Journal of Remote Sensing，1996，17(2):351-357.

[10]Gitelson A，Merzlyak M N.Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L.and Acer platanoides L.leaves.spectral features and relation to chlorophyll estimation[J].Journal of Plant Physiology，1994，143(3)，286-292.

[11]Chen J.Evaluation of vegetation indices and modified simple ratio for boreal applications[J].Canadian Journal of Remote Sensing，1996，22:229 –242.

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

[13]Rondeaux G，Steven M，Baret F.Optimization of soil-adjusted vegetation indices[J].Remote Sensing of Environment，1996，55(2):95–107.

[14]Curran P J.Remote sensing of foliar chemistry[J].Remote Sensing of Environment，1989，30(3):271-278.

[15]Rouse J W，Haas R H，Schell J A，et al.Monitoring the vernal advancements and retrogradation(greenwave effect)of natural vegetation[R].NASA/GSFC，Final Report，Greenbelt，MD，USA，1974:1-137.

[16]陈君颖，田庆久，亓雪勇，等.基于Hyperion影像的水稻冠层生化参量反演[J].遥感学报，2009，13(6):1106-1121.Chen J Y，Tian Q J，Qi X Y，et al.Rice canopy biochemical concentration retrievals based on Hyperion data[J].Journal of Remote Sensing，2009，13(6):1106-1121.

[17]鞠昌华，田永超，朱 艳，等.小麦叠加叶片的叶绿素含量光谱反演研究[J].麦类作物学报，2008，28(6):1068-1074.Ju C H，Tian Y C，Zhu Y，et al.Spectral inverse study of stacked leaf chlorophyll concentration in wheat[J].Journal of Triticeae Crops，2008，28(6):1068-1074.

[18]杨敏华，刘良云，刘团结，等.小麦冠层理化参量的高光谱遥感反演试验研究[J].测绘学报，2002，31(4):316-321.Yang M H，Liu L Y，Liu T J，et al.Research on a method to retrieve biophysical and biochemical parameters of wheat canopy with hyperspectral remote sensing[J].Acta Geodaetica et Cartographica Sinica，2002，31(4):316-321.

[19]颜春燕.遥感提取植被生化组分信息方法与模型研究[D].北京:中国科学院遥感应用研究所，2004.Yan C Y.Study on methods and models for vegetation biochemical information retrieval by remote sensing[D].Beijing:Institute of Remote Sensing Applications，Chinese Academy of Sciences，2004.