基于红边参数的芦苇叶绿素的反演研究

李春, 刘卫国,, 丁旭, 邹杰, 马建伟, 王凤凤, 林喆

1. 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046 2. 绿洲生态重点实验室, 新疆 乌鲁木齐 830046

基于红边参数的芦苇叶绿素的反演研究

李春1,2, 刘卫国1,2,*, 丁旭1,2, 邹杰1,2, 马建伟1,2, 王凤凤1,2, 林喆1,2

1. 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830046 2. 绿洲生态重点实验室, 新疆 乌鲁木齐 830046

干旱区荒漠植物的叶绿素定量反演是动态监测、快速有效评估植物生物量及长势的有效方法。利用便携式可见-近红外光谱仪FieldSpecPro3测定绿洲、盐碱地及沙漠3种生境内的芦苇高光谱值, 对高光谱数据一阶微分以及红边参数与叶绿素含量进行了相关分析, 选取最佳红边参数建立经验估算模型与神经网络模型, 并评估检验。模型显示,三种生境下均为二项式回归模型的决定系数最佳, 检验精度的决定系数(R2)分别为0.8466、0.8672和0.7935, 均方根误差 RMSE (root-mean-square error)分别为2.3601、1.4112和2.8002; BP神经网络模型的检验精度的决定系数(R2)分别为0.9147、0.9331和0.8813, RSME分别为1.4010、0.9964和0.5559。结果表明, 利用BP(back propagation)神经网络估算的模型精确度显著提高, 可作为芦苇叶绿素高光谱反演的有效模型而使用, 为荒漠植物叶片叶绿素的光谱特征反演提供了借鉴, 为监测荒漠植物生长、产量估算及动态监测等提供可行的手段。

芦苇; 红边参数; 叶绿素含量; 反演模型

1 前言

叶绿素是植物进行光合作用的主要色素, 也是植物发育阶段的重要指示器, 能够表征植物的生长状况, 对其进行遥感反演有很重要的意义[4,8,14]。凌丽俐[15]等发现植物缺镁胁迫严与叶片的相对叶绿素含量有很大相关性; 杨志晓等[16]认为不同烟草疾病胁迫程度与叶绿素含量呈正比。而光谱反射率对光合色素的响应可检测植物光合作用、病害等情况[6,14]。

在植物光谱中, 绿色植物在680 nm—760 nm间反射率增高最快的点被称为红边, 是植被在红光波段叶绿素前断裂的吸收与近红外波段光在内部的多次散射而造成, 体现植物色素及健康的指示波段,都与植物的叶绿素存在密切关联, 是遥感调查植被状态的理想工具(2邹红玉)。国内外学者研究了红边与叶绿素估算之间的关系, 认为通过红边来测算叶绿素含量是可行的[3,5,18–21]。Dash[20]通过建立不同波长位置的红边与反射率之间的关系, 是判断叶绿素含量反演的最优红边波段。Mutanga[22]比较红边拐点反射率, 归一化植被指数(NDVI)和简单植被指数(VI), 认为红边位置和叶面积指数存在相关关系。Dawson[17]验证了叶面积指数(LAI), 归一化植被指数(NDVI)和红边位置的关系, 认为叶面积指数与红边位置有很强的非线性关系。薛利红[11]等采用不同红边位置提取技术估测叶绿素含量, 较好地建立了红边位置与叶绿素含量的相关性。张永贺等[1], 邹红玉等[2]等均认为红边与叶绿素含量间存在较高的相关性。

鉴于以往研究大多集中在水稻、玉米、棉花等农田经济作物上, 对干旱区植物如芦苇的研究较少。干旱区内不同的生境对于植物的生长、生理代谢等存在差异。本研究通过对绿洲内部、盐碱地和沙漠内部3种生境下芦苇的高光谱值监测及其叶绿素的监测, 筛选出最优高光谱红边参数, 并建立叶绿素含量与红边参数之间的关系模型, 为实现高光谱对荒漠植物的检测提供参考。

2 材料与方法

2.1 研究区概况与材料

取材于2014年7月中旬至8月中旬在新疆于田县境内的绿洲—荒漠内、外部进行, 地处东经81°14′,北纬37°02′, 地形呈牛腿状。属暖温带内陆干旱荒漠气候, 主要特点是: 四季分明、昼夜温差大, 热量资源丰富, 光照充足, 降水稀少, 蒸发量大, 春夏多风沙和浮尘等灾害天气。多年平均气温为12.4 ℃, 多年平均降水量47.7 mm, 潜在蒸发量是2432.1 mm[12]。植被群落结构简单, 种类较少, 主要以芦苇(Phragmites communis)、胡杨(Populus euphratica)、柽柳(Tamarix chinensis)等为主[13]。本实验选取和田地区绿洲内部,盐碱地及沙漠内部一定范围内生长的芦苇作为实验材料。

2.2 光谱的测定与处理

采用ASD FieldSpecPro3便携式光谱仪对芦苇叶片进行光谱测定, 光谱仪波段范围为325—1075 nm,光谱分辨率3.5 nm, 光谱采样间隔1.6 nm, 视场角25°。选择天气晴好、风力较小的日子, 于北京时间12:00 am—16:00 pm进行光谱测定。每次进行光谱测定时, 传感器探头垂直向下, 探头距离芦苇叶片垂直高度约为15 cm。每个样地设45个观测点, 每个观测点测量10次, 将其平均值作为该点的最终光谱反射率。各样点测定前都进行白板定标, 去除暗电流影响[3,9]。

2.3 叶绿素含量的测定

利用分光光度计测定某一特定波长下的吸光度A值.根据公式计算叶片中各色素的含量[10]。对测定完光谱后的新鲜叶片标记取回, 在实验室内测定该叶片叶绿素含量, 选取目标叶片3份, 每份0.3 g, 分别加入纯丙酮及少量石英砂和碳酸钙粉研磨至匀浆,加入 80%丙酮暗处静至、过滤、定容, 然后利用紫外可见分光光度计测量在663 nm , 645 nm波长下的吸光度A值, 再用如下公式计算叶绿素a和叶绿素b的浓度值:

式中: Ca, Cb分别为叶绿素a, b的浓度值; A663, A645分别为波长在663 nm和645 nm处的吸光度值。

2.4 数据处理

采用ViewSpec Pro软件从所测得光谱数据中提取光谱反射率, SPSS19.0软件对数据进行方差分析和显著性检验, Origin8.0软件对数据进行平滑、一阶微分、作图等处理, Excel 2003制作图表, DPS数据处理软件进行 BP神经网络模型的学习和预测。红边参数的计算包括: ①红边振幅(Dr): 680—760 nm波段反射光谱一阶微分的最大值; ②红边位置(λr):680—760 nm波段之间反射光谱一阶微分最大值对应的波长; ③红边面积(Sr): 680—760 nm波段的一阶微分光谱所围面积。

3 结果与分析

3.1 不同生境下芦苇叶绿素含量及光谱特性

绿洲内部、盐碱地及沙漠内部芦苇各45组数据,由小到大排列, 如图 1所示。可看出不同生境下芦苇的叶绿素含量存有一定的差异, 绿洲内部芦苇叶绿素与盐碱地和沙漠内部芦苇叶片叶绿素含量有显著差异, 盐碱地芦苇叶绿素与沙漠内部芦苇叶绿素差异显著(P＜0.05)。绿洲内部芦苇叶绿素含量在26.94—48.41 mg·g-1之间, 盐碱地芦苇叶绿素含量在5.97—30.28 mg·g-1之间, 沙漠内部叶绿素含量在2.30—25.24 mg·g-1之间。

图2是不同生境下芦苇的光谱特性。图中显示芦苇的典型光谱特征: 在 450 nm附近有一吸收谷, 是由于芦苇叶绿素吸收蓝光造成; 于 550 nm附近, 存在一个反射峰, 是由于芦苇叶绿素强烈反射绿光而形成, 也是芦苇呈现绿色的原因; 在 680 nm附近有吸收谷, 是芦苇叶绿素对红光吸收造成; 700 nm附近反射率开始突然上升, 之后曲线平稳。从红光到近红外波段(680—760 nm), 反射率由于叶片散射具有反射率比较高的过渡区域, 光谱曲线显示形成“陡坡”, 即红边区, 这是绿色植物典型的光谱特征。由图可知, 绿洲内部、盐碱地和沙漠内部的芦苇光谱在500—600 nm, 及650—900 nm有显著性差异(P＜0.05)。

图1 不同生境下芦苇叶绿素含量Fig. 1 Different chlorophyll contents of Phragmites under different sample areas

图2 不同生境下芦苇光谱特性Fig. 2 Spectral properties of Phragmites under different sample areas

3.2 不同生境下芦苇一阶微分光谱值与叶绿素含量的相关分析

建立不同生境内的芦苇反射率的一阶微分光谱值与叶绿素含量间进行相关性, 并分析芦苇的反射率一阶微分光谱值与叶绿素含量之间的拟合度(相关系数的平方), 95%置信度显著相关的拟合度(R2)的临界值为 0.4568(三种生境下芦苇都各为45个样品); 99%置信度显著相关的拟合度(R2)的临界值为0.5201(三种生境下芦苇都各为45个样品)。如图3,盐碱地和沙漠内部芦苇与叶绿素含量的拟合度为表现一致的特征, 拟合度在700—715 nm之间相关性最好; 绿洲内部芦苇与叶绿素含量的拟合度体现了其独特性, 绿洲内部拟合度在710—720 nm之间具有相关性较好, 在725 nm左右开始下降之后开始下降。绿洲内部拟合度最大值达0.79左右, 沙漠内部拟合度最大值达0.78左右, 盐碱地拟合度可达到0.7左右, 说明绿洲内部、盐碱地和沙漠内部的芦苇红边和叶绿素含量均有较好的相关性。

3.3 不同生境下芦苇叶片红边参数与叶绿素含量的相关分析

对对绿洲内部、盐碱地和荒漠内部芦苇光谱反射率进行一阶微分后, 再提出红边幅值(Dr)、红边位置(λr)以及红边面积(Sr), 并分别建立与叶绿素含量相关性。由表 1可知, 三种生境下芦苇叶绿素含量与红边幅值(Dr)呈负相关, 与红边面积(Sr)呈正相关,但相关性不好, 未达到显著性水平, 而红边位置(λr)均体现红边参数中的红边位置的相关性最好, 均达到极显著水平, 决定系数(R2)分别为0.8004、0.7089和0.8208。

3.4 建立不同生境下芦苇叶绿素含量的估测模型

3.4.1 建立不同生境下芦苇叶绿素含量的经验估测模型

为使自变量能够能精确估测叶绿素含量, 从红边幅值(Dr)、红边位置(λr)以及红边面积(Sr)中选出与叶绿素含量相关性最高的红边位置(λr)为自变量,再建立叶绿素含量间建立经验估测模型, 模型有线性函数模型(y=ax+b)、多项式函数模型(y=ax2+bx+c)、对数函数模型(y=a+b*ln(x))、指数模型(y=a*ebx)和幂函数模型(y=axb)。从表2中显示, 绿洲内部、盐碱地和沙漠内部3种生境内的叶绿素含量与红边参数的模型中, 均以二项式函数模型的决定系数(R2)为最高。

如图5所示, 从45组数据中选取30组数据建立3种生境下的叶绿素含量与红边参数的二项式函数模型, 得出绿洲内部对芦苇叶绿素含量的估测最好, 决定系数达到0.7856。

表1 不同生境下红边参数与叶绿素含量之间的相关系数Tab. 1 Correlation coefficients between red edge parameter and chlorophyll content of Phragmites in different sample areas

表2 不同生境下芦苇叶绿素含量的估测模型Tab. 2 Estimation model between red edge position and chlorophyll content of Phragmites under different sample areas

图4 以红边参数为自变量的不同生境下芦苇叶绿素含量的反演模型Fig. 4 Chlorophyll content invertion model of Phragmites under different sample areas based on red edge position

图5 二项式估测模型下不同生境的芦苇叶绿素含量实测值和预测值的比较Fig. 5 Comparision between measured value and predicted value of Phragmites under different sample areas

3.4.2 基于二项式模型的不同生境下叶绿素含量的估测模型

鉴于二项式估测模型为估测模型中的估测效果最好, 利用剩下的 15组数据进行模型精度的检验,得到模型的决定系数分别为: 0.8466、0.8672和0.7935, RMSE分别为2.3601、1.4112和2.8002。决定系数越高, 说明模型的精度越高, RMSE越低, 说明模型的精度越高。

3.4.3 基于神经网络的不同生境下叶绿素含量的估测模型

BP神经网络(Back Propagation), 是一种按误差逆传播算法训练的多层前馈网络, 为目前应用最广泛的神经网络模型之一, 它的学习规则是使用最速下降法, 通过反向传播来不断调整网络的权值和阈值, 是网络的误差平方和最小[7]。BP神经网络具有并行处理、非线性、容错性、自适应性和自学习的优点[3]。

因此, 本文通过使用DPS数据处理软件建立含有一个隐含层的BP神经网络模型, 预测3种生境下芦苇叶绿素含量随光谱反射率的变化而变化的情况。数据输入格式是一行是一个样本, 一列是一个变量, 变量在左边, 因变量在右边, 设置好参数值后, 可进行神经网络训练。选取红边参数作为输入层神经元, 叶绿素含量作为输出神经元, 根据确定隐含层节点数的经验和基本原则, 将隐含层节点数确定为2; 训练速率越大, 权重变化越大, 收敛越快,但训练速率过大会, 则会引起系统震荡, 故在不引起系统震荡前提下训练速率越大越好, 本文最小训练速率为0.1; 动态参数的选择为0.6—0.8之间, 本文选择为0.6; 允许误差一般为0.001—0.00001合适,当 2次迭代结果的误差小于允许误差时, 系统结束计算, 本文选为 0.0001; 迭代次数为 1000; Sigmoid参数为0.9。之后将BP神经网络预测的叶绿素含量值同实测值进行拟合, 结果如图6所示。

3.5 模型精度比较

图6 BP神经网络模型下不同生境的芦苇叶绿素含量实测值和预测值的比较Fig. 6 Comparision bewteem measured value and predicted value of Phragmites under different sample areas by BPNN method

为检验模型的精确性, 利用三种生境下测得剩余的15组独立数据, 对二项式经验估测模型进行检验, 利用决定系数(R2)和均方根差(RMSE)检验模型的估测精度。从图 5中可知, 三种生境下的叶绿素含量经验模型的检验的决定系数(R2)分别为0.8466、0.8672和0.7935, RMSE分别为2.3601、1.4112和2.8002; 从图6中可得, 利用神经网络估测模型, 三种生境下叶绿素含量经验模型的检验的决定系数R2)分别为0.9147、0.9331和0.8813, RSME分别为1.4010、0.9964和0.5559, 与二项式模型相比较, 精度明显提高, 而均方根差明显降低, 其越小, 说明检验精度越准确。因此, 这两个模型都可以对不同生境下叶绿素含量进行精确估测, 但基于神经网络模型的检验精度要高于经验模型, RSME分别提高了0.9591、0.4148及2.2443。

4 讨论

本研究通过建立基于最优红边参数的芦苇叶绿素估算模型, 并对比进行了二项式函数模型和神经网络模型精度检验。综上所述, 可得出以下结论:

(1) 得到三种生境下的芦苇反射光谱数据与叶绿素含量的拟合度, 绿洲内部拟合度最大可达 0.79,沙漠内部拟合度最大可达0.78左右, 盐碱地拟合度可达0.7, 这表明绿洲内部、盐碱地和沙漠内部的芦苇红边和叶绿素含量具有较好的相关性。

(2) 建立绿洲内部、盐碱地和沙漠内部芦苇反射光谱3个红边参数—红边幅值(Dr)、红边位置(λr)以及红边面积(Sr)与芦苇叶绿素含量的相关性分析,得出红边位置(λr)和芦苇叶绿素含量的相关系数最高, 分别为0.8004、0.7089和0.8208, 其中红边位置λr)与叶绿素的相关性最高。

(3) 建立以红边位置为自变量的叶绿素含量经验模型和神经网络模型, 精度比较得出, 经验模型的决定系数(R2)分别为 0.8466、0.8672和 0.7935,RMSE分别为2.3601、1.4112和2.8002, 神经网络模型的决定系数(R2)分别为 0.9147、0.9331和 0.8813,RSME分别为1.4010、0.9964和0.5559。

表3 不同生境下芦苇叶绿素含量的估测模型比较Tab. 3 The comparison of estimation models between red edge position and chlorophyll content of Phragmites under different sample areas

本文对绿洲内部、盐碱地和沙漠内部3中生境下芦苇反射光谱特征结合叶绿素进行分析, 建立了最优模型, 对比得出神经网络模型的精度较高, 这对其它荒漠植物进行叶绿素含量的估算有着一定的借鉴, 其后仍需进一步探讨不同生境下荒漠植物的反射光谱数据与叶绿素含量间的相关性, 以期得出这一理论的普遍意义。

[1] 张永贺, 郭啸川, 褚武道, 等. 基于红边位置的木荷叶片叶绿素含量估测模型研究[J]. 红外与激光工程, 2013,42(3): 798–804.

[2] 邹红玉, 丁丽霞. 基于 SPAD 值的植被 “红边位置” 确定方法探讨[J]. 遥感信息, 2013, 28(4): 3–7.

[3] 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(2):123–129.

[4] 靳彦华, 熊黑钢, 张芳, 等. 不同地类春小麦拔节期冠层光谱与叶绿素差异研究[J]. 光谱学与光谱分析, 2013,33(4): 1043–1047.

[5] 张清林, 陈文惠, 张永贺, 等. 基于红边位置的台湾相思树叶片叶绿素含量估测模型研究[J]. 亚热带资源与环境学报, 2011, 6(3): 9–17.

[6] 汤旭光, 宋开山, 刘殿伟, 等. 基于可见/近红外反射光谱的大豆叶绿素含量估算方法比较[J]. 光谱学与光谱分析, 2011, 31(2):371–374.

[7] 王平, 刘湘南, 黄方, 等. 受污染胁迫玉米叶绿素含量微小变化的高光谱反演模型[J]. 光谱学与光谱分析, 2010,30(1): 197–201.

[8] 丁希斌, 刘飞, 张初, 等. 基于高光谱成像技术的油菜叶片 SPAD值检测[J]. 光谱学与光谱分析, 2015, 2(2):486–491.

[9] 宫兆宁, 赵雅莉, 赵文吉等. 基于光谱指数的植物叶片叶绿素含量的估算模型[J]. 生态学报, 2014, 34(20):5736–5745.

[10] 肖汉, 陈秀万, 杨振宇, 等. 基于光谱分析的草地叶绿素含量估测植被指数[J]. 光谱学与光谱分析, 2014, 11(11):3075–3078.

[11] 薛利红, 杨林章. 采用不同红边位置提取技术估测蔬菜叶绿素含量的比较研究[J]. 农业工程学报, 2008, 24(9):165–169.

[12] 丁俊祥, 邹杰, 唐立松,等. 克里雅河流域荒漠-绿洲交错带3种不同生活型植物的光合特性[J]. 生态学报, 2015,3(3): 733–741.

[13] 刘卫国, 邹杰. 水盐梯度下克里雅河流域芦苇光合响应特征[J]. 西北植物学报, 2014, 34(3): 572–580.

[14] 章文龙, 曾从盛, 高灯州, 等. 闽江河口湿地秋茄叶绿素含量高光谱遥感估算[J]. 生态学报, 2014, 21(21):6190–6197.

[15] 凌丽俐, 彭良志, 王男麒, 等. 缺镁胁迫对纽荷尔脐橙叶绿素荧光特性的影响[J]. 生态学报, 2013, 33(1):71–78.

[16] 杨志晓, 史跃伟, 林世峰, 等. 烤烟碳氮代谢关键酶活性动态及其与类胡萝卜素关系研究[J]. 中国烟草科学,2014, 35(2): 59–63.

[17] DAWSON T P, CURRAN P J. Technical note A new technique for interpolating the reflectance red edge position[J]. International Journal of Remote Sensing, 2010,19(11): 2133–2139.

[18] SUN C X, YUAN F, ZHANG Y L, et al. Unintended effects of genetic transformation on photosynthetic gas exchange,leaf reflectance and plant growth properties in barley(Hordeum vulgare L.)[J]. Photosynthetica, 2013, 51(1):22–32.

[19] RAHIMZADEH B P, MUNEHIRO M, OMASA K.Relationships between the photochemical reflectance index(PRI) and chlorophyll fluorescence parameters and plant pigment indices at different leaf growth stages[J].Photosynthesis Research, 2012, 113(1-3): 261–271.

[20] DASH J, CURRAN P J. Relationship between herbicide concentration during the 1960s and 1970s and the contemporary MERIS Terrestrial Chlorophyll Index(MTCI) for southern Vietnam[J]. International Journal of Geographical Information Science, 2006, 20(8):929–939.

[21] MOHD S H Z, MOHD S M A, GHIYAMAT A.Hyperspectral. Remote Sensing of Vegetation Using Red Edge Position Techniques[J]. American Journal of Applied Sciences, 2006, 3(6): 1864–1871.

[22] MUTANGA O, SKIDMORE A K. Red edge shift and biochemical content in grass canopies [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(1): 34–42.

Inversion model for chlorophyll content of Phragmites under different sample areas based on red edge parameter

LI Chun1,2, LIU Weiguo1,2,*, DING Xu1,2, ZOU Jie1,2, MA Jianwei1,2, WANG Fengfeng1,2, LIN Zhe1,2
1. College of Resources and Environment Science, Xinjiang University, Urumqi, Xinjiang 830046, China 2. Xinjiang Key Laborary of Oasis Ecology, Urumqi, Xinjiang 830046, China

The quantitative inversion of chlorophyll of desert plants in arid areas is an effective approach of dynamic monitoring and fast assessment of biomass and plant growth. Hyper spectral reflectances of Phragmites in Oasis habitat, saline area and desert habitat were measured by FieldSpecPro3 portable spectrometer. Correlation analysis was carried on hyperspectral data of first order and red edge parameters and chlorophyll content, meanwhile, red edge parameters were chose to establish optimal experience estimation model and the BPNN model. Models showed that the determination coefficients (R2) of binomial regression model eached the best, which were 0.8466, 0.8672 and 0.7935; RMSE was 2.3601, 1.4112 and 2.8002. For BPNN model, R2of accuracy est separately was 0.9147, 0.9331 and 0.8813; RMSE was 1. 4010, 0.9964 and 0.5559. Thus, the accuracy of BPNN was the best model and it could be widely used to be a kind of good chlorophyll hyperspectral inversion model, in providing reference for desert plant chlorophyll spectral characteristics of the inversion and providing a convenient and feasible way for monitoring plant growth and physiological characteristics.

Phragmites australis; red edge parameter; chlorophyll content; inversion model

10.14108/j.cnki.1008-8873.2017.03.010

Q14

A

1008-8873(2017)03-066-08

李春, 刘卫国, 丁旭, 等. 基于红边参数的芦苇叶绿素的反演研究[J]. 生态科学, 2017, 36(3): 66-73.

LI Chun, LIU Weiguo, DING Xu, et al. Inversion model for chlorophyll content of Phragmites under different sample areas based on red edge parameter[J]. Ecological Science, 2017, 36(3): 66-73.

2015-11-03;

2016-02-01

国家自然基金课题(31260112); 国家自然基金新疆联合项目(U1138303)

李春(1991—), 女, 新疆库尔勒人, 硕士, 主要从事生态系统及全球变化生态学研究, E-mail: lichun0996@163.com

*通信作者:刘卫国, 男, 博士, 副教授, 主要从事生态学研究, E-mail: wgliuxj@126.com