基于“三边”参数的油松林叶绿素估算模型1)

史冰全 张晓丽 白雪琪 张欣欣

(北京林业大学，北京，100083)

责任编辑:王广建。

叶绿素是植被进行光合作用时吸收光能的主要色素，其质量分数的高低与植被的光合作用能力、植被的长势情况和健康状况都有着密切的关系，因此，如何准确并高效地估算出植被的叶绿素质量分数将是研究植被各项特征指标的关键因素［1］。传统的叶绿素监测方法不仅受到研究区域的局限，而且监测效率也不高。近年来随着遥感技术的快速发展与应用，利用高光谱遥感技术来监测植被叶绿素质量分数的方法逐渐被人们所熟知和认可。国内外关于利用高光谱遥感技术来估算、反演叶绿素质量分数的研究有很多，整体上的研究层次是从植被的叶片层面开始展开，逐渐发展到了植被冠层级别。目前，利用光谱特征参数来估算植被的叶绿素质量分数，它是利用高光谱遥感数据估算植被生化参数的主要方法和代表方向之一［2］。“三边”参数作为光谱位置特征的相关参数，不仅能够很好地反映出植被的光谱特征，而且对叶绿素、含水量等植被生化参数的变化也比较敏感。因此，本研究通过利用实测的光谱数据演算出的“三边”参数与相应的叶绿素值建立相关性分析，并选择最优的参数拟合出估算叶绿素的线性回归模型，并对模型的可靠性进行验证、分析，为今后基于遥感影像反演叶绿素质量分数提供光谱参数选择的依据。

1 研究区概况

凌源市隶属辽宁省朝阳市，地理坐标为北纬40°35'50″～41°26'6″，东经118°50'20″～119°37'40″。在凌源市松岭子乡内共选设了5块标准样地，样地的大小为30 m×30 m，且均匀分布于整个研究区域。油松林平均树龄50 a，平均树高10．5 m，平均冠幅约为4．2 m(东西方向)和3．9 m(南北方向)。样地内油松林的生长态势和层理结构较好，符合实验要求。

2 研究方法

2．1 数据采集

光谱数据。光谱数据采集利用美国ASD公司生产的野外便携式手持光谱仪进行测定。野外便携式光谱仪的观测波长范围为325 nm～1 075 nm，包括了被广泛应用于植被光谱特征研究的可见光波段和近红外波段，其光谱数据的采样间隔为1 nm，光谱分辨率为3 nm［3－4］。数据采集时间为2014年9月4日，所有光谱数据的测定均选择天气晴朗、无风、无云条件下进行，测定时间为10:00—14:00。在已经确定的5块固定样地内，分别选取2个采集点，每个采集点按照10 s的采集间隔，分别获取健康松枝、发黄松枝各50条光谱曲线数据。测量过程中每测完一种松枝的光谱数据均要进行一次标准白板优化，为保证标准白板的反射率为1，即保证所测得的植物光谱是无量纲的相对反射率。

叶绿素数据。在每块固定样地内选择3个采集点(其中的2处采集点为光谱数据采集点)，分别采集健康松树针叶、发黄松树针叶各100 g，装入密封的保鲜袋中，共获得实验松枝样本30份(其中:健康松树针叶与发黄松树针叶各15份)。叶绿素的室内测定采用分光光度法。首先，将采集到的松枝剪成小段并平均分成4份，每份约为0．1 g;其次，利用丙酮、无水乙醇和蒸馏水按照9∶9∶2的比例配提取液，并将处理过的样本浸泡在提取液中，放置暗处24 h左右［5］;最后，取出浸泡过的实验样本放入滤纸中进行过滤，将过滤后的样本放入比色皿中，利用分光光度计分别测出470、663、645 nm处的吸光度值并依次记录为A470、A663、A645。通过利用不同波段处的吸光度值计算出叶绿素a(Ca)、叶绿素b(Cb)的值、总叶绿素值(CT)。即:Ca=12．7A663－2．69A645;Cb=22．88A470－4．67A645;CT=Ca+Cb。

2．2 光谱数据均值处理及转换

利用光谱数据处理软件分别对健康松枝、发黄松枝的光谱曲线进行均值处理，并将处理后的结果作为样地内该类型松枝的所测光谱数据。对于实测光谱数据而言，为了提高信噪比，需要有选择地删除光谱数据中的部分噪声数据，保留可靠数据。例如:本次研究中的健康松枝数据保留390～1 030波段，发黄松枝数据保留337～973波段进行分析。通过对光谱数据的均值处理，不仅可以大大降低采集过程中噪声等环境因素的影响，而且也有利于减少数据采集过程中产生的误差。光谱数据均值处理后的曲线见图1。

2．3 光谱数据的“三边”参数

为了进一步研究光谱数据与松针叶绿素、含水量等因子之间的关系，需要对光谱数据进行后期处理。“三边”参数是指基于光谱位置特征的相关变量，即红边、蓝边、黄边［6］。“三边”参数能够较好的反映出绿色植被的光谱特征，对叶绿素、含水量等因子的变化比较敏感，因此，可以将其作为叶绿素、含水量的诊断特征参数。“三边”参数的相关定义及含义［7］见表1。

图1 样地油松针叶光谱曲线

表1 “三边”参数定义

采用光谱的归一化微分分析技术，利用ViewSpecPro、ENVI以及Excel等工具，对光谱反射率进行一阶微分值的计算，并从一阶微分值中提取出相应的“三边”参数。

3 结果与分析

3．1 光谱曲线特征

由图2可知，健康的松枝在可见光波段(380～760 nm)光谱的反射率变化十分明显［8］。例如:在蓝光波段(380～500 nm)光谱反射率均小于10%，而到了绿光波段(500～600 nm)就会形成一个反射率的小高峰。在红光波段(600～760 nm)，光谱反射率先降低后升高，在680 nm附近达到一个吸收谷，随后大幅度提升，到了780 nm附近反射率达到了一个峰点，此时的光谱反射率接近52%。对于发黄松枝而言，其光谱曲线整体呈现上升趋势，和健康松枝相似，发黄松枝在红光波段(600～760 nm)内光谱曲线先缓慢降低，然后在680 nm附近形成一个较小的吸收谷，随后逐渐上升，在760 nm波段处的反射率达到0．3左右，在760 nm之后反射率缓慢上升，在900 nm左右达到了反射率的峰值。

3．2 叶绿素质量分数与“三边”参数的相关性

通过SPSS、Excel等工具，分别对健康松枝、发黄松枝的叶绿素值与“三边”参数值进行相关分析［9－12］(见表2)。

表2 叶绿素与“三边”参数的相关系数

由表2可知，健康松枝的叶绿素与Dr、Db和Dy均呈正相关，但相关性不好，都没有达到显著性水平;健康松枝与PDb呈正相关，与PDy呈负相关，但是相关性都很小;健康松枝与Rg及PRg以及Ro均呈现负相关，且相关性也较小;对于“三边”参数的微分值总和而言，健康松枝与SDr呈现出显著的正相关性，而与SDb和SDy呈较小的负相关性。同时从表中还可以看出，发黄松枝与Dr、Db和Dy均呈负相关且相关性不好;与SDr、SDb和SDy呈负相关，相关系数均很小;与Rg及PRg以及Ro均呈负相关，红谷反射率(Ro)的相关系数较大;对于“三边”的位置参数而言，发黄松枝与PDr、PDb均呈正相关，且PDb的相关性达到显著性水平，与PDy呈负相关。

3．3 叶绿素估算模型的建立

为了使“三边”参数能更加准确地反映出不同类型松枝的叶绿素质量分数，依据光谱特征参数中，与叶绿素相关性最好的SDr和PDb分别作为估算健康松枝和发黄松枝模型的自变量，建立叶绿素估算模型［13－16］(见图2)。由图2可知，健康松树针叶叶绿素估算模型为CT=2．975SDr+0．385，模型的决定系数R2=0．788;发黄松树针叶叶绿素估算模型为CT=0．048PDb－24．35，模型的决定系数R2=0．710。其中的健康松树针叶叶绿素估算模型的R2值基本符合实验要求，估算模型具有一定的参考价值，而发黄松树针叶叶绿素估算模型的R2值略显偏低。

图2 最优光谱特征参数与叶绿素的关系

3．4 模型检验

建立估算模型后，为了验证估算模型的适用性和可靠性，利用验证数据进行模型的检验，其中采用均方根差(RMSE)和精度(R2)2个指标对估算模型进行评定［5］，并绘制出叶绿素的预测值与实测值的关系图(见图3)。

图3 叶绿素的实测值与预测值关系

由图3可知，基于红边面积(SDr)建立的健康松树针叶叶绿素估算模型通过验证得到了较好的效果，其验证拟合方程的决定系数R2为0．901，均方根误差为0．013 5，说明该模型的拟合精度较高，可靠性较强。基于蓝边位置(PDb)建立的发黄松树针叶叶绿素估算模型经过验证，其验证拟合方程的决定系数R2为0．838，均方根误差为0．185 0，说明该模型的误差在实验允许范围内偏大。造成这种情况的原因有两个方面:首先，发黄松枝的含水量偏低，致使所测得叶绿素浓度不够，影响了模型构建时的斜率值;其次，在实地采集样本时，所采集到的发黄松枝的“发黄”程度不同，其中包括了轻度发黄样本、中度发黄样本、重度发黄样本，利用这些不同程度的样本所测得的叶绿素浓度值也将影响到估算模型的精度。

4 结论与讨论

本次研究对实验样地内测定的松树针叶的光谱数据与实验室内测定的相应采集点处的叶绿素数据进行了相关性分析。采用微分分析技术确定出相关性较大的光谱特征参数，并将其与叶绿素数据进行线性回归分析，建立叶绿素估算模型，利用实验数据对模型估算精度与可靠性进行了验证。通过分析光谱数据与叶绿素数据的相关性，油松林的光谱特征参数与其叶绿素值之间存在着较强的相关性。其中健康松枝的红边面积(SDr)与叶绿素的相关系数为0．888，发黄松枝的蓝边位置(PDb)与叶绿素的相关系数为0．703，且均呈现显著性相关。

实验结果虽然只是在实测了油松林内两种类型松枝的反射光谱基础上得出的，但是对油松林健康水平的监测研究具有借鉴意义。同时，本文提出的基于红边面积、蓝边位置的松树针叶叶绿素估算模型为单一因素线性关系模型，具有计算方便、精度较高等优点。本次研究是基于松树针叶展开的，而高光谱遥感是基于植被冠层的，因此，在后续研究中需进一步探讨油松林植被冠层光谱数据与叶绿素质量分数之间的关系。

［1］梅安新，彭望禄，秦其明，等．遥感导论［M］．北京:高等教育出版社，2001:14－25．

［2］张海波，李峰．ASD地物光谱仪测量技术及使用方法［J］．山东气象，2014，34(1):46－48．

［3］赵良斌，曹卫彬．地物光谱仪在野外光谱测量中的使用［J］．现代农业科技，2008(8):212－214．

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

［5］林川，宫兆宁，赵文吉．叶冠尺度野鸭湖湿地植物群落含水量的高光谱估算模型［J］．生态学报，2011，31(22):6645－6658．

［6］许丹，伍维模，王家强，等．塔里木河流域上游天然胡杨叶片叶绿素与可见光－近红外光谱反射率的相关性研究［J］．塔里木大学学报，2012，24(4):54－59．

［7］Sims D A，Gamon JA．Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance:a comparison of indices based on liquid water and chlorophyll absorption features［J］．Remote Sensing of Environment，2003，84(4):526－537．

［8］刘伟东，项月琴，郑兰芬，等．高光谱数据与水稻叶面积指数及叶绿素密度的相关分析［J］．遥感学报，2000，4(4):279－283．

［9］宋开山，张柏，王宗明，等．大豆叶绿素含量高光谱反演模型研究［J］．农业工程学报，2006，22(8):16－20．

［10］杨杰，田永超，姚霞，等．水稻上部叶片叶绿素含量的高光谱估算模型［J］．生态学报，2009，29(12):6561－6571．

［11］Filella D，Pen-uelas J．The red edge position and shape asindicators of plant chlorophyll content，biomass and hydricstatus［J］．Internal Journal of Remote Sensing，1994，15(7):1459－1470．

［12］Curran P J，Dungan J I，Gholz H I．Explorong the relationship between reflectance red edge and chlorophyll content in slashpine［J］．Tree Physiology，1990，7:33－38．

［13］Danson FM，Rowland CS．Training a neural network with acanopy reflectance model to estimate crop leaf area index［J］．International Journal of Remote Sensing，2003，24(23):4891－4905．

［14］Yang J，Tian Y C，Yao X，et al．Hyperspectral estimation model for chlorophyll concentrations in top leaves of rice［J］．ActaEcologica Sinica，2009，29(12):6561－6571．

［15］唐延林，黄敬峰，王秀珍，等．水稻、玉米、棉花的高光谱及其红边特征比较［J］．中国农业科学，2004，37(1):29－35．

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