冠層水平互花米草葉片光合色素含量的高光譜遙感估算模型

艾金泉，陳文惠，陳麗娟，張永賀，周毅軍，郭嘯川，褚武道

福建師范大學地理科學學院, 福州 350007

冠層水平互花米草葉片光合色素含量的高光譜遙感估算模型

艾金泉，陳文惠*，陳麗娟，張永賀，周毅軍，郭嘯川，褚武道

福建師范大學地理科學學院, 福州 350007

以閩江河口鱔魚灘濕地互花米草(Spartinaalterniflora)的實測冠層高光譜反射率和葉片光合色素含量(LPPC)為數(shù)據(jù)源，在分析LPPC與原始光譜反射率、一階導數(shù)光譜反射率、22種已報道光譜指數(shù)和14種新構(gòu)建的植被指數(shù)相關(guān)性的基礎上，利用直線回歸、指數(shù)回歸、對數(shù)回歸以及乘冪回歸方法，系統(tǒng)地比較了36種植被指數(shù)在估算互花米草LPPC中的表現(xiàn)。研究表明：(1)一階導數(shù)光譜反射率組合的植被指數(shù)用于估算互花米草的LPPC優(yōu)于原始光譜反射率；(2)紅邊區(qū)域一階導數(shù)光譜是估測互花米草LPPC的最佳波段；(3)對于單一色素含量的估算，葉綠素a (Chla)的最佳估算指數(shù)為FDNDVI[723,703]；葉綠素b (Chlb)的最佳估算指數(shù)為FDRVI[723,525]；類胡蘿卜素(Cars)的最佳估算指數(shù)為FDNDVI[723,703];(4)對于使用統(tǒng)一參量同時估算Chla、Chlb、Cars，由FDRVI[723,703]建立的對數(shù)估算模型效果最佳。研究成果可為濕地植物生化參量反演提供參考，也可為閩江河口濕地入侵種互花米草的動態(tài)監(jiān)測和生態(tài)評估管理提供有力的科學依據(jù)。

光合色素；敏感波段；植被指數(shù)；紅邊；濕地植物

葉片光合色素含量廣泛用于診斷植被生長狀況和健康狀況，是植被環(huán)境脅迫、光合作用能力和植物發(fā)育階段的指示器[1]。葉片光合色素含量與植被獨特的光譜特征有密切的聯(lián)系，在可見光波段內(nèi)，葉片光譜特征主要受光合色素含量的影響，在近紅外波段主要受葉片內(nèi)部結(jié)構(gòu)、葉片含水量及葉面積指數(shù)等影響；而高光譜遙感技術(shù)能通過微弱的光譜響應光合色素含量變化，因而，可用高光譜遙感估算葉片光合色素含量。王福民等[2]對水稻色素含量的估算研究表明，紅邊是估測水稻最敏感的波段。Wu等[3]基于高光譜植被指數(shù)建立了冬小麥葉綠素含量的高光譜估算模型，發(fā)現(xiàn)改進型的兩種綜合植被指數(shù)MCARI/OSAVI[705,750]和TCARI/OSAVI[705,750]最適合葉綠素含量反演。Main等[4]研究了73種已見報道估算葉片葉綠素含量的高光譜指數(shù)的魯棒性，結(jié)果表明基于紅邊位置導數(shù)光譜和紅邊拐點的導數(shù)光譜建立的指數(shù)用于估算葉片葉綠素含量適用性和穩(wěn)定性最好。Sims等[5]比較常用的高光譜指數(shù)在不同植被類型、不同的葉片冠層結(jié)構(gòu)反演葉片葉綠素含量中的表現(xiàn)，發(fā)現(xiàn)簡單比值植被指數(shù)mSR705和歸一化差值植被指數(shù)mND705與葉綠素含量相關(guān)性最好。這些研究表明，利用高光譜遙感技術(shù)估算陸地植被葉片光合色素含量是可行可靠的，只是對于不同的植物所用的最佳波段和最佳估算參量不同。

濕地植被是濕地生態(tài)系統(tǒng)最重要的組成部分，是衡量濕地生態(tài)系統(tǒng)健康的關(guān)鍵指標，對區(qū)域環(huán)境的穩(wěn)定性具有很強的指示器作用[6]。濕地植被光合色素含量狀況是濕地植被光譜變異最重要的影響因子，使用高光譜遙感無損估算其光合色素含量有利于了解其光譜特征變異機理、生理狀況、物種組成和生物化學循環(huán)的研究[7]。但是，研究者也注意到，由于濕地生物多樣性高、水文條件復雜等特殊的生態(tài)環(huán)境，給高光譜遙感技術(shù)應用于濕地植被生化參數(shù)的估測帶來了諸多挑戰(zhàn)[7]。很幸運的是，通過文獻查找發(fā)現(xiàn)，仍有少數(shù)研究者已經(jīng)開展了高光譜遙感在天然濕地植被光合色素含量的估算研究。盧霞等[8]研究了大米草(Spartinaanglica)室內(nèi)葉片光譜特征參數(shù)與葉綠素濃度關(guān)系，發(fā)現(xiàn)利用水分指數(shù)(WI)基于三次函數(shù)構(gòu)建的葉綠素濃度的高光譜檢測模型精度最高。李鳳秀等[9]采用可見光-近紅外波段對冠層水平濕地小葉章(Calamagrostisangustifolia)葉片Chla含量建立了高光譜遙感估算模型，發(fā)現(xiàn)比值微分光譜指數(shù)FRVI[548,556]建立的Chla的線性預測模型表現(xiàn)最佳。Ge等[10]對濕地植物入侵種蘆竹(Arundodonax)冠層葉片的光合色素含量估算研究表明，693 nm波段是色素含量最敏感的波段。這表明高光譜遙感技術(shù)用于估算天然濕地植被葉片光合色素含量成為可能。

自1979年以來，互花米草作為外來種被引入福建省沿海灘涂，它迅速擴張，已對當?shù)厣鷳B(tài)安全產(chǎn)生了威脅。如何有效的對它的長勢進行動態(tài)監(jiān)測，具有重要的意義。本文以閩江河口鱔魚灘濕地入侵物種互花米草為研究對象，選定閩江河口濕地生態(tài)定位觀測站200 m附近的小區(qū)域作為實驗區(qū)，以野外實測數(shù)據(jù)作為數(shù)據(jù)源，利用導數(shù)光譜技術(shù)和相關(guān)性分析法，確定互花米草光合色素含量的敏感波段，構(gòu)建新的植被指數(shù)，并同已報道的植被指數(shù)進行比較，旨在確定具有適用性和可靠性強的光合色素含量估算模型。本研究可為入侵種互花米草的光譜特征變異機理、長勢動態(tài)監(jiān)測、入侵機制和生態(tài)管理評估提供參考依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

圖1 研究區(qū)地理位置與采樣點Fig.1 The location of the study area and sampling site

實驗區(qū)位于閩江河口鱔魚灘濕地生態(tài)定位觀測站附近(圖1)，地理坐標為26°00′36″—26°03′42″ N，119°34′12″—119°41′40″ E，地處中亞熱帶和南亞熱帶過渡區(qū)。區(qū)內(nèi)氣候溫暖濕潤，年均氣溫19.7 ℃，年均降水量1380 mm 左右，年均降水日數(shù)為153 d，受正規(guī)半日潮影響[11]。該濕地是閩江河口面積最大和保護較好的一處天然濕地，濕地植物以蘆葦(Phragmitesaustralis)、短葉茳芏(Cyperusmalaccensis) 和互花米草為主，其中，互花米草是外來入侵種。近年來互花米草蔓延嚴重，2002年還是零星分布，到2008年已經(jīng)超過200 hm2，給該濕地生態(tài)系統(tǒng)造成嚴重的生態(tài)威脅[12]。

1.2 數(shù)據(jù)獲取

1.2.1 冠層光譜采集

冠層光譜反射率的測定采用美國Analytical Spectral Device (ASD) 公司生產(chǎn)的便攜式野外地物光譜儀FieldSpec3，該光譜儀波段范圍在350—2500 nm，其中，350—1000 nm光譜采樣間隔為1.4 nm，光譜分辨率為3 nm；1000—2500 nm光譜采樣間隔為2 nm，光譜分辨率為10 nm。在光譜輸出時，儀器自動進行重采樣(重采樣間隔為1 nm),共輸出2151個波段數(shù)。

本研究采樣點位于鱔魚灘觀鳥臺以西200 m 范圍左右互花米草入侵嚴重區(qū)域(圖1)，采樣日期是2012年10月20日和2012年10月22日(8:00—15:00屬于低潮期，植被不受潮汐影響，地面無積水)，風力小于3級，無云，天氣晴朗，時間是地方時10:00—13:30。總共選取36個樣方，各個樣方相隔10 m左右，所有樣方互花米草長勢較好(沒有其他植物)，植株高約180—220cm，植株密度約200—300株/m2，覆蓋度大于90%，葉片顏色呈淡綠色，冠層結(jié)構(gòu)接近呈平直型。傳感器探頭使用25°視場角，高度保持在冠層上方1.0 m附近。每個樣方的大小為1 m × 1 m，每次采集10條光譜曲線，且每組數(shù)據(jù)采集前都用白板對儀器進行一次校正，以消除環(huán)境變化帶來的影響，總共采集36個有效樣本360條冠層光譜曲線。

數(shù)據(jù)預處理采用ViewSpePro軟件，對采集的冠層光譜曲線進行平滑、去噪、一階導數(shù)處理，并以每個采樣點10條光譜曲線的平均值作為該采樣點的冠層反射率。考慮到濕地土壤含水量高，易對中紅外波段產(chǎn)生較大的噪音和借鑒相關(guān)研究經(jīng)驗[8,10]，本研究只選取400—900 nm之間的波段進行分析。

1.2.2 光合色素含量測定

野外光譜測量完后，采葉人員同時采集相應樣本點冠層上部、中部、下部成熟葉片6—8葉，裝入自封袋，標號，直接保存在放有冰袋的保鮮箱中，采樣同一天拿回實驗室進行光合色素含量測定。具體測定方法如下[13]，先將采樣葉片全部剪碎均勻混合，稱取剪碎混合后的新鮮葉片3份，每份0.200 g，分別放入研缽中，加入少量石英砂和碳酸鈣粉及2—3 mL 96%的乙醇研磨成勻漿，再加入乙醇10mL繼續(xù)研磨至組織變白，靜置3—5 min，過濾到25 mL棕色容量瓶中，再用UV2450-紫外分光光度計測量665 nm、649 nm下的光密度OD值，然后根據(jù)下面公式計算葉綠素含量濃度：

Chla(mg/L)=13.95×OD665-6.88×OD649

(1)

Chlb(mg/L)=24.96×OD649-7.32×OD665

(2)

Cars(mg/L)=(1000×OD470-2.05×Chla-114.8×Chlb)/245

(3)

X (mg/g)=濃度(mg/L)×提取液體積(mL)/質(zhì)量(g)/1000

(4)

式中, OD665為665 nm處的吸光度；OD649為649 nm處的吸光度；OD665為665 nm處的吸光度。

1.3 本文用到的高光譜植被指數(shù)

總結(jié)和篩選已報道用于冠層水平綠色植物葉片光合色素含量估算的高光譜指數(shù)，選擇其中常用的22種分析(表1前22個指數(shù))。所選指數(shù)主要有以下幾類：比值植被指數(shù)，如RVI750/550；歸一化植被指數(shù)，如NDVI；綜合植被指數(shù)，如MCARI/OSAVI；微分比值植被指數(shù)DR715/DR705；微分歸一化植被指數(shù)BmSR705。這些已報道的高光譜指數(shù)中，所用到的估測光合色素含量的敏感波段集中在445、550、670、700、705、730、760、800 nm附近，這為提出新的高光譜植被指數(shù)提供了參考。

本文充分借鑒前人研究經(jīng)驗，基于光譜特征分析和原始光譜、一階導數(shù)光譜與光合色素含量間的相關(guān)性分析，選取得到的所有峰值點和拐點(圖1，圖2)，通過波段組合，構(gòu)建新的光譜指數(shù)并選取其中14個表現(xiàn)最好的指數(shù)納入本文分析(表1中后14個指數(shù))。

表1 本文用于估算互花米草葉片光合色素含量的高光譜指數(shù)Table 1 Hyperspectral indices used for estimation foliar pigment content of S. alterniflora in this study

Rx指波長xnm處原始光譜反射率；DRx指波長xnm處一階導數(shù)光譜反射率

1.4 模型構(gòu)建、評價與驗證

采用交叉驗證法對數(shù)據(jù)建模，從所有的有效樣本中，隨機選取24個樣本作為建模數(shù)據(jù)集，其他12個作為驗證數(shù)據(jù)集。利用建模數(shù)據(jù)集，以各高光譜植被指數(shù)為自變量x，互花米草光合色素含量為因變量y建立估測模型。對同一組數(shù)據(jù)，建模過程中，選取直線回歸、指數(shù)回歸、對數(shù)回歸以及乘冪回歸中決定系數(shù)R2最大的模型進行建模，并相應給出模型的決定系數(shù)(C-R2)和均方根誤差(RMSEC)作為精度評價標準。

模型建立后，利用驗證數(shù)據(jù)集對其預測能力進行檢驗，并相應給出驗證模型的決定系數(shù)(P-R2)、均方根誤差(RMSEP) 和斜率(Slope)作為精度評價標準。最終模型的確定取決于相對較高的決定系數(shù)(C-R2、P-R2)和相對較低的均方根誤差(RMSEC、RMSEP)；此外結(jié)合驗證模型的Slope的大小進行精度檢驗，Slope越接近1，模型的精度就越高[32- 33]。其中，

(41)

式中,ym是光合色素含量的實測值，yc是模型的估測值，n為樣本的數(shù)量。

2 結(jié)果與分析

2.1 互花米草光合色素統(tǒng)計分析

為了減少誤差和奇異值對模型擬合的影響，先對冠層水平互花米草葉片光合色素測定數(shù)據(jù)進行統(tǒng)計描述分析和奇異值去除，奇異值的判定方法見文獻[34]。奇異值刪除后，葉片光合色素與光譜配套的數(shù)據(jù)樣本總數(shù)為36。隨機選取24個樣本作為建模數(shù)據(jù)集，其他12個作為驗證數(shù)據(jù)集，各樣本光合色素統(tǒng)計描述見表2。

表2 互花米草葉片光合色素含量統(tǒng)計描述Table 2 Statistic description of LPPC in S. alterniflora

由表2可知，Chla含量的最大值為2.577 mg/g，最小值為0.682 mg/g；Chlb含量的最大值為0.895 mg/g，最小值為0.266 mg/g；Cars含量的最大值為0.500 mg/g，最小值為0.101 mg/g；其光合色素含量有較大的分布區(qū)間，可滿足建模要求。

2.2 互花米草光譜特征分析

圖2是互花米草葉片原始光譜平均反射率與一階導數(shù)光譜平均反射率曲線。從圖2可知，互花米草原始光譜反射率曲線具有典型植物光譜特征。在綠光波段(520—600nm)，波長550nm附近產(chǎn)生了一個明顯反射峰(綠峰)，主要是綠光對光合色素的強烈反射造成的；在紅光波段，波長670nm附近產(chǎn)生了一個較明顯的吸收谷(紅谷)，主要是紅光對葉綠素的吸收作用產(chǎn)生的。在近紅外波段(700—900 nm)，其光譜特征主要受葉片結(jié)構(gòu)和水分的影響，最顯著的特征是在700—800nm之間有一反射的陡坡(紅邊)。一階導數(shù)光譜反射率在525nm和727nm處出現(xiàn)兩個極大值，代表光譜反射率增速最快的極點，525nm處反射率上升是由于葉綠素的反射作用增強引起的，而727 nm處主要由于紅邊效應的作用(圖2)。

圖2 互花米草反射率光譜與一階導數(shù)光譜曲線Fig.2 Reflected spectra and first derivative curves of S. alterniflora

2.3 葉片光合色素含量與原始光譜及一階導數(shù)光譜的相關(guān)性分析

圖3顯示互花米草葉片光合色素含量與原始光譜及一階導數(shù)的相關(guān)性。由圖3可知，Chla、Chlb、Cars與原始光譜的相關(guān)性變化趨勢一致，都呈較強的負相關(guān)關(guān)系。在紅至近紅外波段(700—900 nm)，原始光譜與光合色素最大相關(guān)性出現(xiàn)在703nm附近，Chla、Chlb、Cars與原始光譜達到了最大相關(guān)性值分別為-0.747、-0.682、-0.746；拐點出現(xiàn)在752 nm附近，從700到752 nm之間，相關(guān)系數(shù)值逐漸增大，而752nm后相關(guān)系數(shù)值趨于穩(wěn)定。在可見光波段(400—700 nm)，互花米草葉片光合色素含量與一階導數(shù)相關(guān)性波動性比較大，出現(xiàn)多個極值和拐點。

圖3 葉片光合色素與原始反射率及一階導數(shù)光譜反射率的相關(guān)性(n=36)Fig.3 Correlograms between LPPC and raw reflected spectral and its first derivative spectral

在綠光波段(520—600 nm)，波長525 nm處是互花米草光合色素與一階導數(shù)光譜的一個極值點，系藍邊的拐點產(chǎn)生；在紅光波段(630—690 nm)，Chla、Chlb、Cars在668 nm處達到了最大的正相關(guān)關(guān)系，值分別為0.808，0.711，0.787，系紅光吸收谷的位置；在691 nm處出達到了最大的負相關(guān)關(guān)系，值分別為-0.764，-0.665，-0.753；在紅邊區(qū)域(680—760 nm)，723 nm附近出現(xiàn)拐點，波長小于723 nm時光譜一階導數(shù)與葉片光合色素相關(guān)性達到0.01極顯著相關(guān)水平的檢驗(r=0.4238，n=36)，波長大于723 nm時沒有通過檢驗(圖3)。

2.4 互花米草葉片光合色素含量與高光譜指數(shù)的相關(guān)性分析

通過互花米草葉片光合色素與高光譜植被指數(shù)之間的相關(guān)性分析(表3)可知，所有光譜指數(shù)中，基于原始光譜組合的植被指數(shù)相對于單波段的MCCV沒有明顯優(yōu)勢，而對于導數(shù)光譜所組合的植被指數(shù)相對于導數(shù)單波段的MCCFDV優(yōu)勢明顯，并且基于原始光譜反射率組合的植被指數(shù)與光合色素含量間的相關(guān)系數(shù)r整體低于基于一階導數(shù)光譜反射率組合的植被指數(shù)，這說明一階導數(shù)光譜反射率組合的植被指數(shù)更適合用于估算互花米草光合色素含量。其中，F(xiàn)DNDVI[752,703]與Chla相關(guān)系數(shù)r達到最大，值為0.842； FDRVI[723,525]與Chlb的相關(guān)性達到最大，值為0.894；FDNDVI[723,525]與Cars的相關(guān)性達到最大，值為0.835。

表3 葉片光合色素含量與高光譜植被指數(shù)之間的相關(guān)性分析 (n=36)Table 3 Correlation coefficients between hyperspectral vegetable indices and LPPC

2.5 互花米草葉片光合色素含量的高光譜遙感估算模型構(gòu)建與驗證

挑選表3中至少與一種光合色素相關(guān)性r值大于0.8的12個植被指數(shù)利用建模數(shù)據(jù)集構(gòu)建模型，以C-R2、RMSEC為評價指標，結(jié)果如表4所示。表4可知，除mND705、MCCFDV外其他指數(shù)對互花米草光合色素的估算都取得了較好的效果。其中，對Chla的建模精度最高的4個指數(shù)依次為FDRVI[752,703]、FDNDVI[752,703]、BmND705、FDNDVI[723,703]；對Chlb的建模精度最高的4個指數(shù)依次為FDRVI[723,525]、SRE/SBE、FDNDVI[723,525]、FDRVI[723,703]；對Cars 的建模精度最高的4個指數(shù)依次為FDNDVI[723,525]、SRE/SBE、FDNDVI[723,703]、FDRVI[723,703]。

為了驗證模型的適用性和穩(wěn)健性，利用驗證數(shù)據(jù)集對模型預測能力進行驗證，以P-R2、RMSEP、Slope為評價指標，其結(jié)果如表4所示。對Chla的驗證精度最高的4個指數(shù)依次為FDRVI[723,525]、mND705、FDRVI[723,703]、FDNDVI[723,703]；對Chlb的驗證精度最高的4個指數(shù)依次為FDRVI[723,525]、MCCFDV、 FDNDVI[723,703]、FDRVI[723,703]；對Cars 的驗證精度最高的4個指數(shù)依次為FDRVI[723,703]、FDNDVI[723,703]、mND705、FDRVI[723,525]。

表4 葉片光合色素含量估算模型及評價指標Table 4 LPPC estimation models and evaluating indicator

綜合比較，雖然已見報道的指數(shù)中BmND705、SRE/SBE等模型(圖4)對互花米草的光合色素的建模精度很高，但其驗證模型的精度都相對較低；而mND705預測精度很高，但其建模模型精度卻較低，說明已見報道的植被指數(shù)建立的互花米草光合色素模型的穩(wěn)定性不強，不是最佳估算模型。為了找到更好的估算模型，本文選取建模精度和預測精度排名都能在所有估算模型前4名的模型作為最佳模型，這樣既保證了模型的精度又使模型的可靠性更強。發(fā)現(xiàn)對于單一色素含量估算而言，Chla和Cars的最佳估算指數(shù)為FDNDVI[723,703]，Chlb的最佳估算指數(shù)為FDRVI[723,525]，其直觀形狀如圖4所示。其中FDNDVI[723,703]建立的Chla估算模型的C-R2、RMSEC、P-R2、RMSEP、Slope分別為0.7379、0.2237、0.6997、0.2826、0.4869；FDRVI[723,525]建立的Chlb估算模型的C-R2、RMSEC、P-R2、RMSEP、Slope分別為0.8579、0.0522、0.8058、0.0809、0.5988；FDNDVI[723,703]建立的Cars估算模型的C-R2、RMSEC、P-R2、RMSEP、Slope分別為0.7126、0.0506、0.7132、0.0559、0.5127。

整體上看，如果只用一個植被指數(shù)來估算3種不同的光合色素含量，那么以FDRVI[723,703]建立的對數(shù)估算模型效果最佳，它是所有指數(shù)中唯一的對Chla、Chlb、Cars 估算精度C-R2、P-R2均能達到0.7以上的指數(shù)，且其RMSEC、RMSEP、Slope精度排名位于所有模型前4以上(圖4)。結(jié)合單一色素估算的最佳波段，不難發(fā)現(xiàn)紅邊區(qū)域一階導數(shù)光譜是互花米草色素含量估算的最佳波段。

圖4 葉片光合色素含量實測值與預測值擬合散點圖Fig.4 Scatter plots describing the measured and predicted LPPC

3 討論

3.1 冠層水平互花米草葉片光合色素含量估算的最佳波段

冠層水平，植物的光譜反射率由綠色植物和非綠色植物的光譜組成，它受植物冠層結(jié)構(gòu)(葉片的方向性和陰影等)和土壤背景等外部因素的影響[35]。為了消除外部因素對植物光譜產(chǎn)生的噪音對估測精度的影響，研究者通常使用導數(shù)光譜技術(shù)、相關(guān)性分析、主成分分析、植被指數(shù)構(gòu)建、紅邊位移效應分析等方法確定光合色素估算的最佳波段。楊杰等[36]通過任意兩波段組合的比值光譜指數(shù)和歸一化光譜指數(shù)與水稻葉綠素含量相關(guān)性分析表明，709、724、745 nm和749 nm波段組合的指數(shù)能較好的預測Chla、Chlb的含量。Zarco-Tejadaa等[37]通過葉片輻射傳輸模型PROSPECT- 5模擬發(fā)現(xiàn)由515 nm和570 nm兩波段組合的比值植被指數(shù)R515/R570用于人工種植葡萄的Cars的估算精度最高。Kochubey等[38]對冬小麥、玉米、甜菜和野生葡萄四種農(nóng)作物葉片葉綠素含量變化引起一階導數(shù)光譜反射率值變化的研究發(fā)現(xiàn)，當農(nóng)作物葉片的葉綠素含量從小到大變化時，紅邊區(qū)域 (690—730 nm)一階導數(shù)光譜反射率值的變化也出現(xiàn)從小到大的相應變化，725、715 nm及702 nm 是表現(xiàn)最敏感的波段。

本文充分借鑒以上研究成果，利用導數(shù)光譜技術(shù)和相關(guān)系數(shù)法(圖2中的峰值點或拐點)得到了互花米草光合色素敏感的波段，并對其構(gòu)建光譜指數(shù)進行驗證 (表4)，表明723、703、525 、752 、668 nm的一階導數(shù)光譜是估測互花米草葉片光合色素含量的敏感波段。由此可知，冠層水平，紅邊導數(shù)光譜(680—760 nm)是估測互花米草葉片光合色素含量的最佳波段，這一研究結(jié)論與馮偉等[31]，Main等[4]研究結(jié)果類似，只是所選取的具體波段不一樣。這可能有以下幾方面的原因[4,7]：(1)研究表明，紅邊是主要由植物的色素含量、水分含量等固有的生化參量決定的，并且相對于其他波段(藍光或紅外波段)不易受土壤等背景影響的波段，而運用紅邊導數(shù)光譜處理進一步的消除了土壤等背景光譜的影響，故用紅邊一階導數(shù)波段組合的光譜指數(shù)反演葉綠素含量效果比較好；(2)估算的具體植物類別不同，他們的冠層結(jié)構(gòu)可能有差異，且濕地植物光譜變異性強，所以導致具體使用的光譜波段不一樣。

3.2 互花米草光合色素含量高光譜遙感估測的可行性

利用高光譜遙感技術(shù)精確估測濕地植物互花米草的光合色素，對于監(jiān)測其生長狀況和生態(tài)評估管理具有重要的意義。雖然本文對互花米草光合色素含量估算取得了較好的效果，但本研究取得的研究成果是對實驗條件進行了嚴格的控制下取得的。首先采樣點位于閩江河口濕地生態(tài)定位站觀鳥臺以西200 m附近的小區(qū)域，濕地土壤單一，地形平坦；其次，互花米草的葉片冠層光譜采集是基于模擬陸地植物光譜條件下采集的，包括采集的時間是互花米草不受潮汐影響的時間段，地面沒有明顯積水以及盡量選取接近平直型的冠層進行光譜采集。但真實的濕地環(huán)境復雜，不但濕地植物生物多樣性高，而且受到潮汐的影響，而本研究只研究了秋季互花米草色素含量的高光譜估算模型，并沒有對不同季節(jié)、不同濕地環(huán)境條件下互花米草光合色素估測模型進行研究，這也是今后需進一步深入研究的方向。此外，在冠層水平下證明用高光譜能夠準確測定互花米草的光合色素含量，在衛(wèi)星遙感也不一定行，還需研究相應的反演模型進一步能使本研究的結(jié)論推廣至航空或航天高光譜遙感。

4 結(jié)論

本研究通過導數(shù)光譜技術(shù)、相關(guān)性分析法和構(gòu)建新的植被指數(shù)等高光譜處理方法，利用地面實測數(shù)據(jù)，比較22種已報道的植被指數(shù)和14種新構(gòu)建的植被指數(shù)在估算冠層水平互花米草葉片光合色素含量中的表現(xiàn)，得出的主要結(jié)論如下：

(1)不同色素含量與原始光譜反射率和一階導數(shù)光譜反射率在各波長范圍相關(guān)性變化趨勢具有一致性，但其相關(guān)系數(shù)大小有所差異。

(2)已報道指數(shù)和新構(gòu)建的指數(shù)均表明，一階導數(shù)光譜反射率組合的植被指數(shù)用于估算互花米草光合色素的含量優(yōu)于原始光譜反射率。

(3)通過導數(shù)光譜技術(shù)、相關(guān)性分析和最優(yōu)估算模型精度比較得出，互花米草光合色素估算的敏感波段依次是723、703、525 、752 、668 nm的一階導數(shù)光譜。

(4)對于單一色素的估算，Chla、Chlb、Cars的最佳估算模型分別是由FDNDVI[723,703]、FDRVI[723,525]、FDNDVI[723,703]建立的線性估算模型。

(5)對于不同色素使用同一植被指數(shù)估算而言，指數(shù)FDRVI[723,703]建立的對數(shù)估算模型效果最好。

[1] Xue L H, Yang L Z. Deriving leaf chlorophyll content of green-leafy vegetables from hyperspectral reflectance. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(1): 97- 106.

[2] 王福民, 黃敬峰, 劉占宇, 王秀珍. 水稻色素含量估算的最優(yōu)比值色素指數(shù)研究. 浙江大學學報: 農(nóng)業(yè)與生命科學版, 2009, 35(3): 321- 328.

[3] Wu C Y, Niu Z, Tang Q, Huang W J. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation. Agricultural and Forest Meteorology, 2008, 148(8/9): 1230- 1241.

[4] Main R, Cho M Z, Mathieu R, O′Kennedy M M, Ramoelo A, Koch S. An investigation into robust spectral indices for leaf chlorophyll estimation. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6): 751- 761.

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

[6] Leonard L A, Luther M E. Flow hydrodynamics in tidal marsh canopies. Limnology and Oceanography, 1995, 40(8): 1474- 1484.

[7] Adam E, Mutanga O, Rugege D. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: A review. Wetlands Ecology and Management, 2010, 18(3): 281- 296.

[8] 盧霞, 劉付程, 田慧娟. 大米草室內(nèi)葉片光譜特征參數(shù)與葉綠素濃度關(guān)系研究. 測繪科學, 2010, 35(6): 99- 102.

[9] 李鳳秀, 張柏, 劉殿偉, 王宗明, 宋開山, 靳華安, 劉煥軍. 濕地小葉章葉綠素含量的高光譜遙感估算模型. 生態(tài)學雜志, 2008, 27(7): 1077- 1083.

[10] Ge S K, Carrutherrs R I, Spencer D F, Yu Q. Canopy assessment of biochemical features by ground-based hyperspectral data for an invasive species, giant reed (Arundodonax). Environmental Monitoring and Assessment, 2008, 147(1/3): 271- 278.

[11] 曾從盛, 張林海, 仝川. 閩江河口濕地蘆葦和互花米草氮、磷養(yǎng)分季節(jié)動態(tài). 濕地科學, 2009, 7(1): 16- 25.

[12] 高元競. 閩江河口濕地生態(tài)服務功能價值評價 [D]. 福州: 福建農(nóng)林大學, 2009.

[13] 林輝, 臧卓, 劉秀英, 孫華. 森林樹種高光譜遙感研究. 北京: 中國林業(yè)出版社, 2011: 23- 23.

[14] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, 58(3): 289- 298.

[15] Haboudane D, Millera J R, Tremblay N, Zarcote-Jada P J, Dextraze L. Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture. Remote Sensing of Environment, 2002, 81(2/3): 416- 426.

[16] 王強, 易秋香, 包安明, 羅毅, 趙金. 基于高光譜反射率的棉花冠層葉綠素密度估算. 農(nóng)業(yè)工程學報, 2012, 28(15): 125- 132.

[17] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. Remote Sensing of Environment, 2002, 81(2/3): 337- 354.

[18] Tucker C J. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 1979, 8(2): 127- 150.

[19] Gamon J A, Serrano L, Surfus J S. The photochemical reflectance index: an optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. Oecologia, 1997, 112(4): 492- 501.

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

[21] Yang X H, Huang J F, Wang J W, Wang X Z, Liu Z Y. Estimation of vegetation biophysical parameters by remote sensing using radial basis function neural network. Journal of Zhejiang University Science A, 2007, 8(6): 883- 895.

[22] Gitelson A A, Merzlyak M N. Signature analysis of leaf reflectance spectra: algorithm development for remote sensing of chlorophyll. Journal of Plant Physiology, 1996, 148(3- 4): 494- 500.

[24] Kim M S, Daughtry C S T, Chappelle E W, McMurtrey III J E, Walthall C L. The Use of High Spectral Resolution Bands for Estimating Absorbed Photosynthetically Active Radiation (A par). France: Proceedings of the 6th Symposium on Physical Measurements and Signatures in Remote Sensing Vai D′ Isere, 1994: 299- 306.

[25] Huete A R, Liu H Q, Batchily K, Vanleeuwen W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sensing of Environment, 1997, 59(3): 440- 451.

[26] Daughtry C S T, Walthall C L, Kim M S, de Colstoun E B, McMurtrey J E. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment, 2000, 74(2): 229- 239.

[27] Boochs F, Kupfer G, Dockter K, Kühbauch W. Shape of the red edge as vitality indicator for plants. International Journal of Remote Sensing, 1990, 11(10): 1741- 1753.

[28] Vogelmann J E, Rock B N, Moss D M. Red edge spectral measurements from sugar maple leaves. International Journal of Remote Sensing, 1993, 14(8): 1563- 1575.

[29] Le Maire G, Fran?ois C, Dufrêne E. Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements. Remote Sensing of Environment, 2004, 89(1): 1- 28.

[30] 蔣金豹, 陳云浩, 黃文江. 用高光譜微分指數(shù)估測條銹病脅迫下小麥冠層葉綠素密度. 光譜學與光譜分析, 2010, 30(8): 2243- 2247.

[31] 馮偉, 朱艷, 田永超, 馬吉鋒, 莊森, 曹衛(wèi)星. 基于高光譜遙感的小麥冠層葉片光合色素密度監(jiān)測. 生態(tài)學報, 2008, 28(10): 4902- 4915.

[32] 任紅艷, 史學正, 莊大方, 江東, 徐新良, 黃耀歡, 劉磊, 施潤和. 土壤全氮含量與碳氮比的高光譜反射估測影響因素研究. 遙感技術(shù)與應用, 2012, 27(3): 372- 379.

[33] 梁亮, 楊敏華, 張連蓬, 林卉, 周興東. 基于SVR算法的小麥冠層葉綠素含量高光譜反演. 農(nóng)業(yè)工程學報, 2012, 28(20): 162- 171.

[34] 黃敬峰, 王福民, 王秀珍. 水稻高光譜遙感實驗研究. 杭州: 浙江大學出版社, 2010: 136- 161, 284- 300.

[35] Blackburn G A. Quantifying chlorophylls and carotenoids at leaf and canopy scales: an evaluation of some hyperspectral approaches. Remote Sensing of Environment, 1998, 66(3): 273- 285.

[36] 楊杰, 田永超, 姚霞, 曹衛(wèi)星, 張玉森, 朱艷. 水稻上部葉片葉綠素含量的高光譜估算模型. 生態(tài)學報, 2009, 29(12): 6561- 6571.

[37] Zarco-Tejadaa P J, Guillén-Climenta M L, Hernández-Clementeb R, Catalinac A, Gonzálezc M R, Martínc P. Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle (UAV). Agricultural and Forest Meteorology, 2013, 171- 172: 281- 284.

[38] Kochubey S M, Kazantsev T A. Changes in the first derivatives of leaf reflectance spectra of various plants induced by variations of chlorophyll content. Journal of Plant Physiology, 2007, 164(12): 1648- 1655.

Hyperspectral remote sensing estimation models for foliar photosynthetic pigment contents at canopy level in an invasive species,Spartinaalterniflora

AI Jinquan, CHEN Wenhui*CHEN Lijuan, ZHANG Yonghe, ZHOU Yijun, GUO Xiaochuan, CHU Wudao

CollegeofGeographicalScience,FujianNormalUniversity,Fuzhou350007,China

Foliar photosynthetic pigments are the most important biochemical parameters relative to the physiological function of wetland plants. Quantitative estimation of photosynthetic pigments can provide important information about the dynamics of the vegetation productivity, vegetation stress, or nutrient cycles within wetland ecosystems. However, the estimation of foliar photosynthetic pigments is complicated because canopy reflectance in the visible and near infrared wavelengths is affected by confounding effects that come not only from foliar photosynthetic pigment contents variation but also from the changing environmental conditions of wetland ecosystem. Our objective was to address the question by establishing hyperspectral remote sensing estimation models for foliar photosynthetic pigments at canopy level in an invasive species,Spartinaalterniflora. In this study, the hyperspectral reflectance of canopy leaf and leaf photosynthetic pigment contents (LPPC) fromS.alterniflorain Min River Shanyu beach were recorded as data source. The correlation between LPPC and raw spectral reflectance, the first derivative reflectance, 22 reported vegetable indices and 14 new formed indices were determined. Based on the results of correlation analysis, a total of 36 indices were tested by linear regression, exponential regression, logarithm regression and the power of regression to explore their potentials in LPPC estimation inS.alterniflora. The results showed that: (1) This study selected 5 wavebands in the region of 400—900 nm, which appeared to be the optimal wavebands for theS.alterniflorafoliar photosynthetic pigments estimation. Of the selected wavebands, the most frequently occurring wavebands were 723 nm, 703 nm, 525 nm, 752 nm, 668 nm. (2) Vegetation index portfolio by the first derivative reflectance was evidently better than raw reflectance for estimating LPCC inS.alterniflora. Combining the optimal wavebands, the results indicated that the first derivative of reflectance in the red edge region (680—760 nm) was the optimal band for estimating LPCC. (3) For a single pigment content, the best indexes for estimating chlorophyll a (Chla), chlorophyll b (Chlb) carotenoids (Cars) were FDNDVI[723,703], FDRVI[723,525], and FDNDVI[723,703], respectively. The three new formed indices were proved to have better linearity with corresponding photosynthetic pigment. (4) Using the same index to estimate different pigments, the best model was the logarithmic model using FDRVI[723,703], with high predicted correlation coefficientsR2of 0.6997, 0.7187, and 0.7132, respectively. This study would not only provide a good reference for hyperspectral remote sensing retrieval of biochemical variables in wetland vegetation, but also provide a strong scientific basis for the dynamic monitoring ofS.alternifloraand management of ecological assessment in Min River estuary.

photosynthetic pigment; sensitive bands; vegetation index; red edge; wetland vegetation

福建省科技計劃項目(2010R1037); 福建師范大學研究生科技創(chuàng)新基金資助

2013- 04- 27;

日期:2014- 04- 11

10.5846/stxb201304270834

*通訊作者Corresponding author.E-mail: whchenfz@sohu.com

艾金泉，陳文惠，陳麗娟，張永賀，周毅軍，郭嘯川，褚武道.冠層水平互花米草葉片光合色素含量的高光譜遙感估算模型.生態(tài)學報,2015,35(4):1175- 1186.

Ai J Q, Chen W H, Chen L J, Zhang Y H, Zhou Y J, Guo X H, Chu W D.Hyperspectral remote sensing estimation models for foliar photosynthetic pigment contents at canopy level in an invasive species,Spartinaalterniflora.Acta Ecologica Sinica,2015,35(4):1175- 1186.