毛竹叶片生化组分高光谱指数研究：结合实测与模拟数据集

徐宇凌，靳 佳*，王 权

（1.浙江师范大学 地理与环境科学学院，浙江 金华 321004；2.日本静冈大学 农学部，日本 静冈 422-8529）

毛竹林是森林生态系统的重要组成部分，也是我国分布面积最广、经济效益最佳的竹种。在长江三峡库区尾端的缙云山森林生态系统中，毛竹面积占8.2%[1]。浙江省全省毛竹林面积80.98万公顷，占森林面积的13.18%，是浙江省重要的森林资源之一[2]。毛竹具有重要的社会、经济和生态价值：一方面毛竹产品加工可增加当地农民收入；另一方面毛竹根系交错、枝叶丰茂，具备涵养水源的功能。此外，有研究表明毛竹的固碳能力要显著高于普通林木[3-4]。快速掌握毛竹生长动态对于提高其经济和生态效益具有重要意义。

植被体内生化组分含量，如叶绿素、水分、蛋白质、木质素和纤维素等的含量直接影响和制约着植被生理生态过程，在生态系统的物质和能量循环中发挥着重要作用[5-6]。植被生长相关的呼吸作用、光合作用、养分循环、蒸散发、初级生产和废物分解都和叶片生化组分有着密不可分的关系[7]。如叶绿素含量通常是植物光合能力、营养胁迫和发育阶段的一个重要指标；水分是光合作用的基本原料之一，其含量的多少与光合作用和蒸腾作用有密切联系[8]。因此，准确了解毛竹生化组分，特别是叶绿素、水分和干物质含量，是监测毛竹生长状态的重要手段，对于提高毛竹经济和生态效益，研究当地生态系统的生理生态过程有重要作用[9]。

传统的生化组分检测主要采用化学分析方法，需要野外采摘叶片后进行室内化验分析，费时费力且破坏毛竹生长。高光谱遥感技术因其无损、快速、高效等优势，近年来已被广泛应用于建立植物色素含量的光谱估测模型[10-11]。

目前利用遥感光谱信息获得植被生化信息的方法基本分为两大类[12]：第一种是理论模型反演方法，其应用面临计算复杂、反演中普遍存在大量不同解和病态解等困难[13]；另一种方法是光谱指数法，其原理是利用数学公式将几个波段测量的反射率进行组合，建立它们与实测叶片生化参数间的数学关系[14]。利用高光谱指数估算叶片生化组分应用简单但缺乏普适性，即由于开发光谱指数利用的样本有限，导致光谱指数在不同数据集或不同物种中的精度不同[15]。有研究尝试通过增加实测样本，提高光谱指数的普适性，如Sims等[16]进行跨物种的研究，公开的数据集LOPEX和ANGER包含大量不同的单子叶和双子叶植被[17]。此外，很多学者尝试用物理模型模拟海量数据集的方法来寻找普适性高光谱指数[18-19]。但目前开发毛竹生化参数普适性指数的研究较少。

本研究结合实测数据集和PROSPECT模型[17，20]模拟数据集，开发毛竹叶片生化组分叶绿素（chlorophyll，CHL）、等价水厚度（equivalent water thickness，EWT）和干物质含量（leaf dry matter content，LMA）高光谱指数。

1 实验数据和研究方法

1.1 实测数据集

1.1.1 研究地区

研究区位于浙江省金华市金华山（119˚37'21″E，29˚10'05″N），属于亚热带季风气候区。其特点是四季分明，年温适中，热量丰富，雨量丰富，植被种类繁多。实验以浙江省重要的竹类资源——毛竹为研究对象，样本采集点位于金华市金华山智者寺周边。

1.1.2 样本采集和实验观测

毛竹叶片高光谱反射率和生化组分同步观测实验于2019年10月进行。实验采用离体测量方法[21]，于清晨采集毛竹冠层不同高度的样本，将采集的毛竹枝条插入遮光水瓶中，迅速带回实验室，开展高光谱反射率和生化组分同步测量。

叶片高光谱测定采用美国ASD公司生产的FieldSpec 4 Hi-Res NG光谱仪，ASD光谱仪的光谱为350～2 500 nm，重采样分辨率为1 nm。本次实验使用叶片夹测定毛竹叶片350～2 500 nm高光谱反射率，对于每一个样本测定3次，取平均值作为后期分析的数值。

对每个叶片高光谱反射率进行测量之后，立即对其进行叶面积、干重、鲜重、叶绿素含量等参数的测定。对测定反射光谱后的叶片（3个为一组）扫描计算其叶面积。取0.1 g放入离心管中，利用化学湿法测定叶绿素含量，用无水乙醇-丙酮提取液提取，将离心管置于室温避光处浸泡24 h，根据叶绿素a和叶绿素b吸收光谱的不同，利用UV-2550型紫外可见光分光光度计测量溶剂吸光度，进而根据663 nm、645 nm吸光度计算出叶绿素含量[22]。剩余的叶片用来测定EWT和LMA，将测定叶绿素后剩余的鲜叶片称重后放入85℃的烘箱，48 h后取出重新称重。

式中，FW指叶片鲜重，g；DW指叶片干重，g；LA指叶片面积，cm2。

实测数据集包含从金华山地区毛竹冠层不同部位摘取的60个叶片样本。

1.2 模拟数据集

PROSPECT模型是基于Allen的平板模型发展而来的辐射传输模型[23]。它通过叶片结构参数（N），叶绿素含量（CHL，μg/cm2），等效水厚度（EWT，g/cm2）和干物质含量（LMA，g/cm2）的函数模拟叶片400～2 500 nm的光学特性，波长分辨率为1 nm。散射过程由叶片折射指数n和叶片形态结构N来表征，吸收通过吸收系数K（λ）来描述。吸收系数K（λ）是各组分特定吸收系数的线性组合，如下式：

式中：Ci为叶片组分i单位面积的浓度；Ki（λ）为相应组分的特定吸收系数。

根据各参数实际范围，采用随机取样方法生成10 000组参数组合，进而利用校正后的PROS⁃PECT模型模拟反射率，生成模拟数据集。此外，光谱观测中受到各种因素的影响会存在测量误差，因此为模拟数据集中的每条光谱每个波段的反射率增加1%的高斯噪声[17]，一方面模拟观测误差，另一方面减小模型模拟光谱波段间的自相关。

1.3 光谱指数开发

为发展适用于毛竹生化组分估算的光谱指数，本研究在总结前人利用高光谱指数估算植被参数的基础上，选取常用的指数类型，在高光谱波段范围内选取不同波段组合，从中挑出反演精度最高的指数类型和波段组合，进一步建立毛竹生化组分高光谱估算模型[19，24]。

本研究主要使用的指数类型：1）单波段型（reflectance，R）；2） 差值型（difference,D）；3）比值型（simple ratio，SR）；4）归一化差值型（normalized difference，ND） 和5） 二重差值型（double difference，DDn）。其中，R，D，SR，ND是当前最常用的指数类型。DDn指数是Le Maire针对叶绿素吸收红边的峰跳现象提出的指数[24]，尽管最初DDn指数只用来估算CHL，目前很多研究已经用DDn指数来估算CHL，EWT和LMA[24]。基于反射率的各类型高光谱指数的计算公式如下：

式中：Rλ为波长λ处的反射率值，Δλ为波段的增量。

对于每一种指数形式，首先针对特定的数据集（同步实测数据集、模型模拟海量数据集），遍历400～2 500 nm光谱范围内的所有波段组合，建立生化组分含量与指数值间的一元线性回归关系，计算生化组分含量实测值与估算值间的相关系数和均方根误差（root mean square error，RMSE），并选取RMSE最小的波段组合作为该类型的最优指数，对植物生化组分与每种类型的最优指数进行回归分析，构建生化组分指数估算模型。此外，本研究结合实测数据集和模型模拟数据集（权重各为50%）进行回归分析，依据RMSE，寻找最优指数。

式中：yj为样本集实测值；y'j为模型估算值；n表示样本数量。

2 结果分析

2.1 毛竹叶片生化组分和高光谱特征

实验对60个毛竹叶片样本进行了同步的室内生化组分含量分析和叶片光谱测量，叶片生化物质含量如表1所示。叶片的叶绿素含量变化范围为15.59～48.42 μg/cm2，平均值为 32.46 μg/cm2，标准差为 6.86 μg/cm2。叶片等效水厚度为 3.3×10-3～5.7×10-3g/cm2，平均值为4.8×10-3g/cm2，标准差为5.2×10-4g/cm2。 叶 片 干 物 质 含 量 在 3.8×10-3～7.4×10-3g/cm2，平均值和标准差分别为5.4×10-3g/cm2和8.4×10-4g/cm2。

表1 实测毛竹叶片生化组分含量统计值Table 1 Characteristics of measured leaf biochemical matter contents

与叶片生化组分含量对应的实测反射率如图1（a）所示。在400～700 nm波段范围内，最高反射率范围为0.07～0.25。在750～1 300 nm波段范围内，不同叶片反射率波动范围为0.5～0.6，而在2 000～2 500 nm范围内，不同叶片的反射率峰值为0.3～0.4。

按照实测数据集的生化含量分布特征，随机取样生成10 000对参数组合，进而利用校正后的PROSPECT模型模拟反射率。这些模拟数据样本的反射率范围包含了几乎所有实测数据集反射率的范围，可以更好地代表和模拟自然条件下的毛竹叶片反射率，模拟数据集中叶绿素含量、等效水厚度、干物质量均值分别为：32.38 μg/cm2，4.8×10-3g/cm2， 5.5×10-3g/cm2。 使 用 校 正 后 的PROSPECT模型模拟的反射率如图1（b）所示。

图1 实测毛竹叶片反射率（a）和PROSPECT模型模拟叶片反射率（b）Fig.1 Measured leaf reflectance(a)and PROSPECT simulated leaf reflectance(b)

2.2 CHL指数

基于叶片反射率，通过遍历所有波段组合，分别计算每种光谱指数类型在各种波段组合下对叶片叶绿素的估算精度。每种光谱指数类型对叶片叶绿素估算精度最高的波段组合如表2所示。参照表2中各个指数的RMSE，估算CHL的最优指数是ND（565，2 245），RMSE为3.30 μg/cm2。

最简单的R型指数和复杂的DDn型指数精度较低，RMSE均大于4 μg/cm2，分别为4.67 μg/cm2和4.53 μg/cm2。此外，D和SR类型指数用于计算叶片CHL的精度较高，其中SR、ND和DDn指数的最佳波段λ1分别为 560、565、575 nm，表明λ1在565 nm附近的指数与CHL有较高的相关性。在实测集验证中，ND（565，2 245）不是最优的指数，略微逊色于SR（560，2 245）和D（710，1 830），但是，ND（565，2 245）在实测数据集中仍有较高精度，决定系数R2和RMSE分别为0.60和4.04 μg/cm2。总体上，结合实测数据集和模拟数据集，ND（565，2 245）是最具鲁棒性的指数。

表2 结合PROSPECT模拟数据集和实测数据集的毛竹CHL估算最优高光谱指数及最优指数在实测集中的验证Table 2 Evaluation of CHL by the five indices based on the PROSPECT simulated dataset and measured dataset,and validation results in the measured dataset

叶片CHL实测值与基于ND（565，2 245）指数估算值之间的关系如图2所示。结果表明：实测数据点几乎都位于模拟数据集散点范围内，且实测数据集和模拟数据集散点均位于1∶1线附近，表明ND（565，2 245）指数估算毛竹叶片叶绿素含量精度较高，且具有很好的普适性。

2.3 EWT指数

结合实测数据集和模拟数据集开发的毛竹叶片等效水厚度高光谱指数见表3。五种指数类型中精度最高的是SR型光谱指数，此外ND和D类型指数也有较好的表现。最简单的R类型指数和DDn类型指数精度较差。指数SR（745，2 005）的RMSE为 3.4×10-4g/cm2，同样波段组合的ND（745，2 005） 的RMSE为 3.5×10-4g/cm2。但是，SR和ND类型光谱指数在实测数据集验证中精度较低，RMSE均为4.5×10-4g/cm2。结合实测数据集和模拟数据集，D（770，1 465）是最具鲁棒性的指数，RMSE为3.6×10-4g/cm2。

表3 结合PROSPECT模拟数据集和实测数据集的毛竹EWT估算最优高光谱指数及最优指数在实测集中的验证Table 3 Evaluation of EWT by the five indices based on the PROSPECT simulated dataset and measured dataset,and validation results in the measured dataset

基于D（770，1 465）指数估算的EWT值与实测值间关系如图3所示。由图可见，实测值散点均在模拟集散点范围内，表明D（770，1 465）指数在实测数据集和模拟数据集中的表现较为一致。

2.4 LMA指数

结合实测数据集和模拟数据集开发的毛竹叶片LMA高光谱指数结果（表4）表明：估算LMA的最优指数是SR（1 425，2 300）和ND（1 425，2 300），RMSE均为5.5×10-4g/cm2，得到的两个指数在实测数据集中的RMSE为6.9×10-4g/cm2，精度较高。此外，D指数也有较高的精度，而最简单R指数和DDn指数效果较差，RMSE分别是9.2×10-4g/cm2和8.9×10-4g/cm2。因此，结合实测数据集和模拟数据集，SR（1 425，2 300）是最具鲁棒性的指数。

图3 基于D（770，1 465）指数估算的EWT值与实际值间关系图Fig.3 Estimated EWT values with the D(770,1 465)index versus measured EWT values

表4 结合PROSPECT模拟数据集和实测数据集的毛竹LMA估算最优高光谱指数及最优指数在实测集中的验证Table 4 Evaluation of LMA by the five indices based on the PROSPECT simulated dataset and measured dataset,and validation results in the measured dataset

毛竹叶片LMA实测值与基于SR（1 425，2 300）指数估算值间关系如图4所示。实测数据集与模型模拟数据集散点均靠近1∶1线，且实测数据集散点更靠近1∶1线，表明该指数对实测数据集中LMA的估算精度更高。实测数据集中仅有3个样本未落在模拟数据集散点范围内，表明SR（1 425，2 300）指数对实测数据集和模拟数据集中LMA的估算精度较为一致，具有一定的鲁棒性。

3 讨论

图4 基于SR（1 425，2 300）指数估算的毛竹叶片LMA值与实际值间关系散点图Fig.4 Estimated LMA values with the SR(1 425,2 300)index versus measured LMA values

目前，国内外对于植物叶片尺度的生化组分高光谱遥感研究已经较为成熟。Le Maire等总结[24]几乎所有类型的指数归为如下几类：1）使用简单的一个波段反射率或者简单的两个反射率的差；2）两个波段反射率的比值（SR）；3）变形的归一化指数（ND）。本文较为全面地研究了五种不同指数类型在毛竹叶片生化组分估算中的应用。

有研究表明光谱指数对植被水分状态变化的敏感性在不同物种间的表现不同，而国内外对毛竹生化组分高光谱遥感的研究较少[25-26]。Sims和Gamon等[16]指出指数NDVI（800，680）、SR（750，680）和1/R700与叶片叶绿素含量相关，但是这些指数不能准确估算毛竹叶绿素，其RMSE分别为6.78 μg/cm2，6.88 μg/cm2和7.24 μg/cm2。由于植被水分含量在生态系统中有重要的作用，同样有很多指数用于叶片水分含量估算，比如Peñuelas[27]的WI指数，R（895，972）；Gao[28]的指数NDWI（860，1 240）；Hardisky[29]的NDII指数（R819-R1649）/（R819+R1649）。此外，随着叶片尺度的模型PROSPECT的广泛应用，EWT的研究热度也越来越高。但是，这些估算EWT的指数在毛竹的实测数据集中表现都不佳。本文得出的最佳指数，除了R型，其他几种类型的RMSE值均较小，精度较高。叶片高光谱信息相对较少用于LMA的预测。Ourcival[30]等提出高光谱信息可以用来估算冬青树叶的LMA含量。然而，他们的研究是基于偏最小二乘（PLS）分析，需要使用400～2 500 nm范围内的全部光谱信息，本文只需2个波段，模型较为简单。

数据量的大小是获取优秀光谱指数的前提，但是由于成本限制，实测数据集总是局限于给定的物种、地区和生长阶段。而物理模型，如PROS⁃PECT，可以生成大量的叶片反射率光谱，为克服传统基于有限数量实测数据构建的统计模型普适性差的问题提供了可能。然而，模型模拟反射率往往存在一定的误差，且模型输入参数的取样方式对模拟数据集的“真实性”同样具有一定影响[31]。仅使用模拟数据集寻找指数结果是不准确的。因此，本研究结合模拟数据集和实测数据集进行指数开发，既能保证指数在大样本量数据集中的普适性，又能保证其在实测数据中的精度。

4 结语

为了解决基于实测数据的叶片组分估算光谱指数因数据量有限，存在普适性差的问题，本研究探讨了结合海量模拟数据集与实测数据集，开发具有普适性的毛竹生化组分高光谱指数的思路与方法。为保证模拟数据集尽量符合实际，同时又覆盖较大叶片参数取值范围，本研究基于实测叶片生化参数，设置了符合毛竹实际生化参数的模型输入参数采样方法，基于校正的PROSPECT模型，生成了大量毛竹叶片反射信息模拟数据集。结果表明，估算毛竹叶片CHL的最优指数为ND（565，2 245）指数，估算毛竹叶片EWT的最优指数为D（770，1 465）指数，估算毛竹叶片LMA的最优指数为SR（1 425，2 300）指数，其RMSE分别是3.30 μg/cm2，3.6×10-4g/cm2和5.5×10-4g/cm2。研究得出的指数可以用于毛竹叶片叶绿素含量、等效水厚度和干物质量的无损快速监测，对于实时掌握毛竹生长状态具有重要意义。