雷竹葉綠素與高光譜植被指數(shù)關(guān)系及其反演模型

李亞丹，杜華強，周國模，谷成燕，徐小軍，孫少波，高國龍

（1.浙江農(nóng)林大學 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室，浙江 臨安 311300；2.浙江農(nóng)林大學環(huán)境與資源學院，浙江臨安311300）

雷竹葉綠素與高光譜植被指數(shù)關(guān)系及其反演模型

李亞丹1,2，杜華強1,2，周國模1,2，谷成燕1,2，徐小軍1,2，孫少波1,2，高國龍1,2

（1.浙江農(nóng)林大學 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點實驗室，浙江 臨安 311300；2.浙江農(nóng)林大學環(huán)境與資源學院，浙江臨安311300）

雷竹Phyllostachys violascens快速生長過程中，采用ASD便攜式野外光譜測量儀和CCM-200手持式葉綠素儀對研究區(qū)樣竹反射光譜曲線和相對葉綠素進行連續(xù)觀測，在此基礎(chǔ)上分析了植被指數(shù)與雷竹葉綠素在不同觀測時間的相關(guān)關(guān)系，并構(gòu)建了葉綠素反演模型。研究結(jié)果表明：①綠度指數(shù)（GM），紅邊指數(shù)（Vog3），雙重差值指數(shù)（DD），修正型歸一化指數(shù)（mND705），修正型比值指數(shù)（mSR705）和紅邊拐點指數(shù)（REP）等6個高光譜植被指數(shù)在整個生長過程均與雷竹葉綠素有較好的相關(guān)關(guān)系，而其他植被指數(shù)在某些時間或時間段里與雷竹葉綠素具有較好的關(guān)系，且在觀測末期，幾乎所有植被指數(shù)與葉綠素均有較好的相關(guān)性；②采用以上6個植被指數(shù)建立的一元線性模型，在99%置信水平下的相關(guān)系數(shù)均在0.85以上，且2種方案所建立的多元線性模型能夠?qū)字袢~綠素進行高精度的預(yù)測，預(yù)測與實測葉綠素之間的相關(guān)系數(shù)在0.89以上。圖4表2參45

植物學；雷竹；葉綠素；高光譜植被指數(shù)；相關(guān)性；模型

葉綠素在植物生長過程中起著至關(guān)重要的作用，可為植被生長狀況、病理診斷等提供科學依據(jù)，而且生物化學信息對于研究和理解生態(tài)系統(tǒng)過程如光合作用、碳氮循環(huán)以及描述和模擬生態(tài)系統(tǒng)都十分重要［1］。定量估測葉綠素等植被生化、生理參數(shù)，也是植被監(jiān)測的一個研究重點，而遙感尤其是高光譜遙感技術(shù)在這方面發(fā)揮了重要的作用，并在近年的研究中取得很大的進展［2－7］。相對多光譜遙感而言，高光譜數(shù)據(jù)在探測植被生物物理參數(shù)上更有效［2,8］，其連續(xù)的光譜曲線更利于獲取識別植被生長狀況及反映植被生物物理參數(shù)的特征參數(shù)以及一些植被指數(shù)如紅邊位置、紅邊面積、光譜比值、歸一化植被指數(shù)、葉綠素吸收比指數(shù)、三角植被指數(shù)等［9－19］。如Carter［20］通過R695/R670，R695/R420，R605/R760等比值指數(shù)研究植株脅迫，其結(jié)果表明：從760~800 nm區(qū)域的任意波段的反射率都可以與605，695或710 nm的反射率相比產(chǎn)生一個對脅迫敏感的指數(shù)；Zou等［6］等利用高光譜植被指數(shù)對黃瓜Cucumis sativus葉片的葉綠素及在葉片的分布進行了計算，研究結(jié)果表明：基于紅邊范圍內(nèi)的比值植被指數(shù)如R710/R760，（R780－R710）/（R780－R680），（R750－R705）/（R750+R705）等能很好地估算黃瓜葉綠素相對含量；Zarco-Tejada等［21］利用700~750 nm波段反射率構(gòu)造的高光譜指數(shù)估算葡萄Vitis vinifera葉片葉綠素相對含量，取得了很好的效果；Sims等［22］在前人的研究基礎(chǔ)上，對原有的簡單比值指數(shù)和歸一化指數(shù)進行修正，提出了用修正型比值指數(shù)（mSR705）和修正型歸一化指數(shù)（mND705）估算樹木葉片葉綠素相對含量，提高了指數(shù)在估算葉綠素相對含量中的穩(wěn)健性；Russell等［23］對73個已有的植被指數(shù)的穩(wěn)健性進行評價，研究結(jié)果表明：紅邊基礎(chǔ)上衍生的植被指數(shù)穩(wěn)健性好，并且這些指數(shù)大多數(shù)都是基于690~730 nm范圍內(nèi)的簡單比值或歸一化差值。這些研究為利用統(tǒng)計模型、光學傳輸模型等方法反演冠層生物化學參數(shù)提供了眾多輸入?yún)?shù)的選擇［11,24］。竹林是中國亞熱帶地區(qū)的一種特殊的森林類型，在森林生態(tài)系統(tǒng)平衡、全球氣候變暖、固碳減排等方面有著較為重要的作用。雷竹Phyllostachys violascens作為一種優(yōu)良的筍用竹種，因出筍早，產(chǎn)量高，經(jīng)濟效益好，雷竹筍用林種植面積不斷增加；另外，竹類植物還具有生長迅速的特征，其生長過程中生化參數(shù)的變化對評價其生長狀況具有重要的生態(tài)意義［25］。本研究將對雷竹生長過程中葉片高光譜反射率及其葉綠素連續(xù)監(jiān)測，分析雷竹葉綠素與高光譜植被指數(shù)之間的關(guān)系，選擇適合雷竹快速生長過程中一直與葉綠素具有較好相關(guān)關(guān)系的高光譜植被指數(shù)，并建立葉綠素反演模型，反演雷竹林葉綠素。研究結(jié)果將為雷竹林遙感實時監(jiān)測及經(jīng)營管理提供參考。

1 研究區(qū)與研究方法

1.1 研究區(qū)域概況

研究區(qū)位于浙江省臨安市（29°56′~30°23′N，118°51′~119°52′E）。該區(qū)屬中亞熱帶季風氣候，溫暖濕潤，雨水充沛；年平均氣溫為16.0℃，年降水量1 700.0 mm以上。臨安為全國十大 “竹子之鄉(xiāng)”之一，也是中國雷竹集中栽植的區(qū)域，雷竹筍是該市農(nóng)民的主要經(jīng)濟收入之一，且隨著其經(jīng)濟效應(yīng)的凸顯，雷竹的栽植面積也在不斷擴大。臨安市雷竹林主要分布于圖1所示臨安東部的17個鄉(xiāng)鎮(zhèn)［26］。本研究將以太湖源鎮(zhèn)通量塔周圍的雷竹作為對象展開研究。

1.2 雷竹高光譜反射率數(shù)據(jù)測量

選取通量塔附近400 m2范圍內(nèi)的20株雷竹進行編號，作為固定觀測樣本，并從2011年4月初至2011年7月中旬大致間隔1周對20株樣本重復采樣1次，共測量14次。

高光譜反射率數(shù)據(jù)采用便攜式野外光譜測量儀（ASD）獲取，其基本指標為：光譜范圍350~2 500 nm；光譜分辨率3.0 nm（350~1 000 nm），10.0 nm（1 000~2 500 nm）；掃描時間100 ms；采樣間隔1.4 nm（350~1 050 nm），2.0 nm（1 000~2 500 nm）；波長精度±1 nm；標準參考板：聚四氟乙烯標準白板。該儀器配有模擬太陽光源探頭，因此測量植被光譜受外部環(huán)境影響較小。每次測量之前先進行參考板測量和自動優(yōu)化，測量時儀器自動獲取同一葉片10組光譜數(shù)據(jù)。取葉片10片·株－1測量其反射光譜曲線，并取平均值作為該雷竹本次測量結(jié)果。

1.3 葉綠素相對含量測定

采用CCM-200手持式葉綠素儀測量葉片的相對葉綠素。在光譜測量后，采用CCM-200在相應(yīng)的葉片的基部、中部和尖部重復3次，取雷竹葉片10片·株－1的平均值作為該株雷竹本次葉綠素的測量值。

1.4 高光譜植被指數(shù)

根據(jù)已有文獻，本研究歸納了可用于植被生物物理化學參數(shù)尤其是葉綠素估算的相關(guān)指數(shù)，如表1所示。這些指數(shù)大致包括以下5種類型：①比值型植被指數(shù)（第1類）：這類植被指數(shù)主要依據(jù)可見光到近紅外波段反射峰谷特征，采用2個波段的比值來反映植被理化參數(shù)及其變化，如簡單比值指數(shù)（SR）和綠度指數(shù)（GM）等。②差值型植被指數(shù)（第2類）：主要通過2個或2個以上波段之間的減法運算，得到反映綠色植被信息的相關(guān)指標，如雙重差值指數(shù)（DD）等。③歸一化型植被指數(shù)（第3類）：眾所周知，歸一化植被指數(shù)（NDVI）是廣泛應(yīng)用于解譯植被生長狀況及與葉面積指數(shù)（LAI），綠色生物量，植被覆蓋度以及光合作用有關(guān)的一個重要指數(shù)［27］，它主要通過增加植被在近紅外波段范圍綠葉的散射與紅色波段范圍葉綠素吸收的差異，達到解釋植被相關(guān)信息的目的。這類植被多是對傳統(tǒng)歸一化植被指數(shù)進行改進或根據(jù)具體的研究目標而重新構(gòu)造，如修正型歸一化植被指數(shù)（mND705），修正型比值植被指數(shù)（mSR705）和紅邊歸一化植被指數(shù)（RENDVI）等。④葉綠素吸收比型植被指數(shù)（第4類）：植被在550 nm附近的綠峰和670 nm附近的紅色吸收谷主要反映植被葉綠素的反射和吸收特征。因此，這類植被指數(shù)多利用這2個波段的特征來反映葉綠素的變化，如葉綠素吸收比值指數(shù)（CARI）和三角植被指數(shù)（TVI）等。⑤反映植被反射光譜峰谷特征指數(shù)（第5類）：如紅邊位置、綠峰高度等常用于葉綠素的估算。

圖1 臨安雷竹林主要分布鄉(xiāng)鎮(zhèn)及本研究位置Figure 1 Study area and main towns full of Phyllostachys violascens in Lin’an City

表1 可用于葉綠素相對含量估算的高光譜植被指數(shù)Table 1 Hyperspectral vegetation indices for estimating chlorophyll content

表1 （續(xù)）Table 1 Continued

1.5 葉綠素相對含量與植被指數(shù)的關(guān)系及其反演模型構(gòu)建

對每次測量的20株樣竹數(shù)據(jù)，分別計算表1所示各種高光譜植被指數(shù)，并分析它們與樣竹葉綠素之間的Pearson相關(guān)系數(shù)（R）。對某次觀測，某植被指數(shù)與葉綠素的相關(guān)系數(shù)采用（1）式計算。

式（1）中：ui表示第i株樣竹的相對葉綠素，vi為第i株樣竹植被指數(shù)，u-和v-分別是相對葉綠素和植被指數(shù)的平均值，n為樣竹總數(shù)。

以光譜反射率對葉綠素的敏感性作為分析葉綠素與植被指數(shù)相關(guān)關(guān)系的輔助指標。敏感性主要基于實測雷竹葉片光譜數(shù)據(jù)，并利用PROSPECT輻射傳輸模型模擬不同葉綠素水平下雷竹葉片光譜反射率曲線［44］。以x0為參考點，定量分析的敏感度（s）定義如下：

式（2）中：x0為模型參數(shù)，△x為參數(shù)的步長；ρ（j）x0為模型某個參數(shù)下的原始葉片反射率；x0+△xρ（j）為模型參數(shù)x0增加步長值△x后模擬的葉片反射率值；n為模型參數(shù)增加步長的次數(shù)；s為靈敏度。

在相關(guān)性分析的基礎(chǔ)上，選擇在不同觀測時間均與葉綠素有較好相關(guān)關(guān)系的植被指數(shù)，建立雷竹葉綠素反演模型并對結(jié)果進行評價。

2 結(jié)果分析

2.1 植被指數(shù)與葉綠素相對含量相關(guān)性

表2為2011年不同測量時期各指數(shù)與雷竹葉綠素之間的相關(guān)系數(shù)（R）分布。一般認為，相關(guān)系數(shù)大于0.6，說明2個變量之間具有較好的相關(guān)性，因此，表2中葉綠素與植被指數(shù)之間的相關(guān)關(guān)系小于0.6的均以空白表示。分析表2發(fā)現(xiàn)：第2類植被指數(shù)中的綠度指數(shù)（GM）和紅邊指數(shù)（Vog3），第2類植被指數(shù)中的雙重差值指數(shù)數(shù)（DD），第3類植被指數(shù)中的修正型歸一化指數(shù)（mND705）和修正型比值指數(shù)（mSR705）以及第5類指數(shù)中的紅邊拐點指數(shù)（REP）等6個植被指數(shù)在所有14次觀測時間里，均與雷竹葉綠素有較好的相關(guān)關(guān)系，相關(guān)系數(shù)為0.64~0.97。

分析表1這6個植被指數(shù)發(fā)現(xiàn)：除紅邊指數(shù)（Vog3）外，它們均利用750 nm和700 nm附近的反射率，而修正型歸一化指數(shù)（mND705）和修正型比值指數(shù)mSR705增加了445 nm處的反射率。750 nm處于近紅外反射肩，反射率高，主要是由葉片散射屬性引起的，不同生長階段葉片葉綠素變化對該區(qū)域反射率影響較?。?0］。雷竹反射率對葉綠素的敏感性分析也表明（圖2），在750 nm以后，雷竹反射率對葉綠素的敏感性幾乎為0；700 nn附近處于反射率對葉綠素的高度敏感區(qū)域，而且在紅光吸收谷以及紅邊位置附近，反射率較低（圖2）。因此，通過750 nm與700 nm反射率的比值或差分運算所得到的植被指數(shù)如綠度指數(shù)（GM），雙重差值指數(shù)（DD），修正型歸一化指數(shù)（mND705）和修正型比值指數(shù)（mSR705）等，增強了對葉綠素的解譯能力，從而能夠直觀的反映出葉綠素的變化。

修正型歸一化指數(shù)（mND705）與修正型比值指數(shù)（mSR705）是在傳統(tǒng)歸一化指數(shù)（NDVI）和簡單化指數(shù)（SR）指數(shù)的基礎(chǔ)上，增加了對葉綠素敏感度較高的705 nm處的反射率，并結(jié)合445 nm處的葉綠素吸收特征，以及750 nm近紅外強反射而發(fā)展的一個植被指數(shù)［45,22］。Sims等［22］研究發(fā)現(xiàn)：705 nm處的反射率與植被葉綠素之間具有較好的相關(guān)關(guān)系，而445 nm處因類胡蘿卜素的吸收，其反射率比680 nm處更低且穩(wěn)定（盡管圖2表明680 nm處于葉綠素高敏感區(qū)），因此該處反射率可以作為比較可靠的參考基準，改進后的植被指數(shù)能消弱光譜散射及吸收的不穩(wěn)定性對葉綠素估算的影響，從而得到了理想的結(jié)果。這可能就是歸一化植被指數(shù)（NDVI1，NDVI2）以及紅邊歸一化植被指數(shù)（REDEDVI）等3個常用的植被指數(shù)與葉綠素之間的相關(guān)性都比較差（個別日期除外），而修正型歸一化指數(shù)（mND705）與修正型比值指數(shù)（mSR705）指數(shù)在所有的觀測時間里均與葉綠素具有較好的相關(guān)性的原因。這也從另一個側(cè)面印證了Sims等［22］的研究結(jié)果。

表2 2011年不同測量日期葉綠素與植被指數(shù)相關(guān)性Table 2 Correlations between chlorophyll content and hyper-spectral vegetation indices in 2011

紅邊拐點指數(shù)（REP）隨葉綠素相對含量、葉面積指數(shù)、生物量、年齡、植被的健康程度、季節(jié)而變化，即當植被健康并有高的葉綠素相對含量時，紅邊位置將會往長波方向移動，當遭受病蟲害或得萎黃病時，紅邊位置將向短波方向移動［1］。本研究選擇健康的雷竹樣本，且各樣本在整個觀測期生長良好，因此雷竹葉綠素紅邊拐點指數(shù)（REP）與葉綠素具有較好的相關(guān)關(guān)系就不言而喻。

圖2 雷竹葉片反射率光譜曲線及反射率對葉綠素的敏感性分析Figure 2 Leaf reflectance of Phyllostachys violascens and sensitivity of reflectance to chlorophyll contents

2.2 雷竹葉綠素動態(tài)反演模型

2.2.1 一元線性模型 如上所述，在整個觀測期綠度指數(shù)（GM），紅邊指數(shù)（Vog3），雙重差值指數(shù)（DD），修正型歸一化指數(shù)（mND705），修正型比值指數(shù)（mSR705）和紅邊拐點指數(shù)（REP）與雷竹葉綠素有較好的相關(guān)性，因此，選用這6個植被指數(shù)反演雷竹葉綠素及其動態(tài)變化。既然這6個指數(shù)在不同時期均與雷竹葉綠素具有較好的關(guān)系，為減少不同時期不同指數(shù)均單獨計算的麻煩，我們用每株雷竹14次觀測的平均值構(gòu)建相應(yīng)的模型反演葉綠素。圖3是平均葉綠素相對含量（RCC）與6個植被指數(shù)之間的關(guān)系模型。由圖3可見，它們的相關(guān)系數(shù)均在0.85以上，在0.01顯著水平上線性關(guān)系線性極為顯著。因此，對于上述6個植被指數(shù)，用多次觀測的平均值反演雷竹葉綠素及其動態(tài)變化是可行的。

2.2.2 多元線性模型 方案一：以20株雷竹為樣本，14次觀測的平均葉綠素和6個植被指數(shù)為樣本值，建立多元線性模型A；方案二，以14次觀測為樣本，每次觀測的20株樣竹平均葉綠素和植被指數(shù)為樣本值，建立多元線性模型B。式（3）和式（4）分別是2個方案所建立的估算雷竹葉綠素的多元線性模型：

圖4是模型預(yù)測葉綠素與實測葉綠素之間的相關(guān)關(guān)系。由圖4可見:2個方案所建立的模型葉綠素反演精度都比較高，但相比較而言，方案一模型雷竹葉綠素相對含量反演精度高于方案二，相關(guān)系數(shù)R達到0.978 6，均方根誤差也較小為0.244 5，僅為方案二的一半左右。但方案一將樣本的時間變化進行了平均，因此，方案一模型A主要反映樣本之間的差異；相比之下，方案二對樣本進行平均，以不同時間的觀測值作為樣本，體現(xiàn)了時間動態(tài)變化，符合雷竹快速生長的特點，因此，模型B的反演結(jié)果能更好地刻畫雷竹葉綠素的動態(tài)變化。

3 討論與結(jié)論

3.1 討論

研究表明：綠度指數(shù)（GM），紅邊指數(shù)（Vog3），雙重差值指數(shù)（DD），修正的歸一化指數(shù)（mND705），修正的比值指數(shù)（mSR705）和紅邊拐點指數(shù)（REP）在整個觀測期均與雷竹的相對葉綠素具有較好的相關(guān)關(guān)系。除以上6個植被指數(shù)外，其他植被指數(shù)在部分時間或時間段與葉綠素具有較好的相關(guān)關(guān)系，而且在觀測后期的7月11日和7月18日，幾乎所有植被指數(shù)均與葉綠素相關(guān)關(guān)系良好。出現(xiàn)這種情況可能有2個方面的原因：一方面可能與該植被指數(shù)的特征有關(guān)，如第1類植被中的Carter1和Carter2對植被缺水、干燥的環(huán)境、衰老等脅迫因子敏感［20］，當植被受到脅迫時，植被葉綠素減少，而光譜反射率的吸收谷如Carter1和Carter2指數(shù)中的695 nm處反射率增加，在對雷竹不同觀測樣本及不同觀察時間，可能受到的脅迫因子不同而使得某些時間（如4月5日、5月29日、6月25日等）的指數(shù)與葉綠素之間關(guān)系不理想。第3類指數(shù)中的葉綠素吸收比值指數(shù)（CARI）主要利用670 nm處紅光的葉綠素吸收特征來反映葉綠素的變化，除4月5日和5月15日外，該指數(shù)與雷竹葉綠素都具有較好的相關(guān)性，但如前Sims等［22］研究所述，紅光吸收區(qū)沒有445 nm藍光吸收區(qū)穩(wěn)定，這可能是導致該指數(shù)與葉綠素之間的關(guān)系不穩(wěn)定的原因，而改進型指數(shù)MCARI對葉面積指數(shù)變化的敏感性高于葉綠素［41］，因而與葉綠素之間的關(guān)系更不理想。其他幾個轉(zhuǎn)換性指數(shù)如TCARI和TCARI/OSAVI等，主要為了降低葉面積指數(shù)或背景影響，其與雷竹葉綠素的關(guān)系整體上沒有得到改善。另一方面，竹筍生長迅速，在內(nèi)外環(huán)境相同的情況下，母竹及其鞭根系統(tǒng)為其快速生長提供重要養(yǎng)分來源，到后期，竹筍展枝放葉，自我光合提供養(yǎng)分，母竹和新竹處于動態(tài)平衡狀態(tài)，林分趨于穩(wěn)定。雷竹的這種生長特點可能解釋了從4月5日到7月18日，植被指數(shù)與葉綠素的關(guān)系處于動態(tài)變化的實際情況（表2）。而這種母竹和新竹的動態(tài)平衡狀態(tài)可能是后期植被指數(shù)與葉綠素關(guān)系均比較好的原因。

圖3 基于所選擇6個植被指數(shù)的一元線性模型Figure 3 Univariate linear models between hyper-spectral vegetation indices and six chlorophyll contents

圖4 多元線性模型預(yù)測葉綠素與實測葉綠素之間的相關(guān)關(guān)系Figure 4 Relationships between predicted and measured chlorophyll content using multivariate linear models

通過研究，選擇了適用于雷竹葉綠素反演的高光譜植被指數(shù)，為衛(wèi)星遙感數(shù)據(jù)反演葉綠素奠定了基礎(chǔ)，但研究是基于葉片尺度的光譜反射率數(shù)據(jù)進行分析，因此在衛(wèi)星遙感反演時，需要考慮葉片和冠層（像元）之間的尺度差異，而將葉片尺度反射率通過輻射傳輸模型轉(zhuǎn)換到冠層尺度是解決該問題的重要途徑之一。我們也將進一步開展相關(guān)研究。

3.2 結(jié)論

在雷竹快速生長過程中，通過對固定樣竹相對葉綠素及反射光譜進行連續(xù)觀測，構(gòu)建了雷竹葉綠素動態(tài)估算反演模型。研究表明：①綠度指數(shù)（GM），紅邊指數(shù)（Vog3），雙重差值指數(shù)（DD），修正型歸一化指數(shù)（mND705），修正型比值指數(shù)（mSR705）和紅邊拐點指數(shù)（REP）等6個高光譜植被指數(shù)在整個生長過程均與雷竹葉綠素有較好的相關(guān)關(guān)系，這幾個植被指數(shù)包括廣泛應(yīng)用于反映植被生長狀況的特征參數(shù)如紅邊拐點批數(shù)（REP），也有根據(jù)植被反射光譜對葉綠素的色素的吸收以及光譜的強反射等特征進行構(gòu)建或改進的如修正型歸一化指數(shù)（mND705）和修正型比值指數(shù)（mSR705）。本研究進一步表明這些植被指數(shù)也適用于雷竹快速生長過程中葉綠素的反演。②采用以上6個植被指數(shù)所建立的一元線性模型的相關(guān)系數(shù)均在0.85以上，而2種方案建立的多元線性模型也具有較好的預(yù)測能力，預(yù)測與實測葉綠素之間的相關(guān)系數(shù)均在0.89以上。

［1］ 杜華強,葛宏立,范文義,等.馬尾松針葉光譜特征與其葉綠素含量間關(guān)系研究［J］.光譜學與光譜分析,2009,29（11）:3033－3037.

DU Huaqiang,GE Hongli,FAN Wenyi,et al.Study on relationship between total chlorophyll with hyperspectral features for leaves of Pinus massoniana［J］.Spectrosc Spectr Anal，2009,29（11）:3033－3037.

［2］ 浦瑞良,宮鵬.高光譜遙感及其應(yīng)用［M］.北京：高等教育出版社,2003.

［3］ ZARCO-TEJADA P J,MILLER J R,MORALES A,et al,Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops［J］.Remote Sens Environ,2004,90（4）:463－476.

［4］ 牛錚,王長耀.碳循環(huán)遙感基礎(chǔ)與應(yīng)用［M］.北京:科學出版社,2008.

［5］ BLACKBURN G A,FERWERDA J G.Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis［J］.Remote Sens Environ,2008,112（4）:1614－1632.

［6］ ZOU Xiaobo,SHI Jiyong,HAO Limin,et al.In vivo noninvasive detection of chlorophyll distribution in cucumber（Cucumis sativus）leaves by indices based on hyperspectral imaging［J］.Anal Chim Acta,2011,706（1）:105－112.

［7］ 李明澤,趙曉紅,盧偉,等.基于機載高光譜影像的植被冠層葉綠素反演［J］.應(yīng)用生態(tài)學報，2013,24（1）:177－182.

LI Mingze,ZHAO Xiaohong,LU Wei,et al.Inversion of vegetation canopy’s chlorophyll content based on airborne hyperspectral image［J］.Chin J Appl Ecol,2013,24（1）:177－182.

［8］ PU Ruiliang,GONG Peng,BIGING G S,et al.Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index［J］.IEEE Trans Geosc Remote Sens,2003,41（4）:916－921.

［9］ MERTON R N.Monitoring community hysteresis using spectral shift analysis and the red-edge vegetationstress index［C］//NASA.Proceedings of the Seventh Annual JPL Airborne Earth Science Workshop.Pasadena:Jet Propulsion Laboratory,1998:12－16.

［10］ BROGE N H,LEBLANC E.Comparing prediction power and stability of broadband and hyper spectral vegetation Indices for estimation of green leaf area index and canopy chlorophyll densityv［J］.Remote Sens Environ,2000,76（2）:156－172.

［11］ 張金恒,王珂,王人潮，等.高光譜評價植被葉綠素含量的研究進展［J］.上海交通大學學報:農(nóng)業(yè)科學版,2003,21（1）:74-79.

ZHANG Jinheng,WANG Ke,WANG Renchao,et al.Study on hyperspectral remote sensing in estimate vegetation leaf chlorophyll content［J］.J Shanghai Jiaotong Univ Agric Sci,2003,21（1）:74-79.

［12］ 黃文江,王紀華,劉良云,等.冬小麥紅邊參數(shù)變化規(guī)律及其營養(yǎng)診斷［J］.遙感技術(shù)與應(yīng)用,2003,18（4）:206-211.

HUANG Wenjiang,WANG Jihua,LIU Liangyun,et al.The red edge parameters diersification disciplinarian and its application for nutrition diagnosis［J］.Remote Sens Technol Appl,2003,18（4）:206-211.

［13］ HABOUDANE D,MILLER J R,PATTEY E,et al.Hyperspectral vegetation Indices and novel algorithms for predicting green LAI of crop canopies:Modeling and validation in the context of precision agriculture［J］.Remote Sens Environ,2004,90（3）:337-352.

［14］ 張風麗,尹球,匡定波,等.環(huán)青海湖地區(qū)天然草地時序光譜特征參量分析［J］.生態(tài)學報,2005,25（12）：3155 -3160.

ZHANG Fengli,YIN Qiu,KUANG Dingbo,et al.Analysis of time series spectrum feature parameters derired formdominant natural grassland in the region around Qinghai Lake［J］.Acta Ecol Sin,2005,25（12）:3155-3160.

［15］ 黃敬峰,王淵,王福民,等.油菜紅邊特征及其葉面積指數(shù)的高光譜估算模型［J］.農(nóng)業(yè)工程學報,2006,22（8）: 22-26.

HUANG Jingfeng,WANG Yuan,WANG Fumin,et al.Red edge characteristics and leaf area index on estimation model using hyperspercetral data for rape［J］.Transac Chin Soc Agric Eng,2006,22（8）:22-26.

［16］ 吳彤,倪紹祥,李云梅,等.基于地面高光譜數(shù)據(jù)的東亞飛蝗危害程度監(jiān)測［J］.遙感學報,2007,11（1）:103-108.

WU Tong,NI Shaoxiang,LI Yunmei,et al.Monitoring of the damage intensity extent by oriental migratory locust using of hyperspectra data measured of ground surface［J］.Remote Sens,2007,11（1）:103-108.

［17］ 代輝,胡春勝,程一松.冬小麥冠層光譜紅邊特征分析［J］.中國生態(tài)農(nóng)業(yè)學報,2007,15（5）:80-83.

DAI Hui,HU Chunsheng,CHENG Yisong.Red-edge characteristics of winter wheat canopy spectra［J］.Chin J Eco-Agric,2007,15（5）:80-83.

［18］ 蔣金豹,陳云浩,黃文江.用高光譜微分指數(shù)監(jiān)測冬小麥病害的研究［J］.光譜學與光譜分析,2007,27（12）：2475-2479.

JIANG Jinbao,CHEN Yunhao,HUANG Wenjiang.Using hyperspectral diverivative index to monitor wheat disease［J］.Spectrosc Spectr Anal,2007,27（12）:2475-2479.

［19］ 李向陽,劉國順,史舟,等.利用室內(nèi)光譜紅邊參數(shù)估測烤煙葉片成熟度［J］.遙感學報,2007,11（2）:269-275.

LI Xiangyang,LIU Guoshun,SHI Zhou,et al.Predicting leaf maturity of flue-cured tobacco using red edge characteristics of laboratory spectrometry［J］.J Remote Sens,2007,11（2）:269-275.

［20］ CARTER G A.Ratios of leaf reflectances in narrow wavebands as indicators of plant stress［J］.Int J Remote Sens, 1994,15（3）:697-703.

［21］ ZARCO-TEJADA P J,BERJóNB A,L?PEZ-LOZANO R,et al.Assessing vineyard condition with hyper spectral indices:Leaf and canopy reflectance simulation in a row-structured discontinuous canopy［J］.Remote Sens Environ, 2005,99（3）:271-287.

［22］ 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［J］.Remote Sens Environ,2002,81（2）:337-354.

［23］ MAIN R,CHO M A,MATHIEU R,et al.An investigation into robust spectral indices for leaf chlorophyll estimation［J］.ISPRS J Photogramm Remote Sens,2011,66（6）:751-761.

［24］ 譚昌偉，王紀華，郭文善.利用遙感紅邊參數(shù)估算夏玉米農(nóng)學參數(shù)的可行性分析［J］.福建農(nóng)林大學學報:自然科學版，2006,35（2）:123-128.

TAN Changwei,WANG Jihua,GUO Wenshan.Agronomy parameters of summer maize diagnosed by red edge parameters obtainable form remotely sensing data［J］.J Fujian Agric For Univ Nat Sci,2006,35（2）:123-128.

［25］ 陸國富.毛竹林冠層參數(shù)動態(tài)變化及高光譜遙感反演研究［D］.臨安:浙江農(nóng)林大學,2012.

LU Guofu.Dynamic Change of Moso Bamboo Forest Canopy Parameters and Its Retrieval Based on Hyperspectral Remote Sensing［D］.Lin’an:Zhejiang A&F University,2012.

［26］ 董德進,周國模,杜華強,等.6種地形校正方法對雷竹林地上生物量遙感估算的影響［J］.林業(yè)科學,2011,47（12）:1－8.

DONG Dejin,ZHOU Guomo,DU Huaqiang,et al.Effect of topographic correction with 6 correction modes on Phyllostachys praecox forest aboveground biomass estimation［J］.Sci Silv Sin,2011,47（12）:1－8.

［27］ 趙英時.遙感應(yīng)用分析原理與方法［M］.北京：科學出版社,2006.

［28］ ZARCO-TEJADA P J,MILLER J R,MOHAMMED G H,et al.Canopy optical indices from infinite reflectance and canopy reflectance models for forest condition monitoring:applications to hyperspectral CASI data［C］//Geoscience and Remote Sensing Symposium,Hamburg:IEEE 1999 International,GARSS 1999 Proceedings,1999:1878－1881.

［29］ SMITH R C G,ADAMS J,STEPHENS D J,et al.Forecasting wheat yield in a mediterranean-type environment from the NOAA satellite［J］.Crop Pasture Sci,1995,46（1）:113－125.

［30］ PENUELAS J,BARET F,FILELLA I.Semi-empirical indices to assess carotenoids/chlorophyll a ratio from leaf spectral reflectance［J］.Photosynthetica,1995,31（2）:221－230.

［31］ BLACKBURN G A.Quantifying chlorophylls and carotenoids at leaf and canopy scales:an evaluation of some hyperspectral approaches［J］.Remote Sens Environ,1998,66（3）:273－285.

［32］ GITELSON A A,MERZYLAC M N.Remote estimation of chlorophyll content in higher plant leaves［J］.Int J Remote Sens,1997,18（12）:2691－2697.

［33］ VOGELMAN J E,ROCK B N,MOSS D M.Red edge spectral measurements from sugar maple leaves［J］.Int J Remote Sens,1993,14（8）:1563－1575.

［34］ Le MAIRE G,FRANCOIS C,DUFRENE E.Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements［J］.Remote Sens Environ,2004,89（1）:1－28.

［35］ ROUSE J W,HAAS R H,SCHELL J A,et al.Monitoring Vegetation Systems in the Great Plains with ERTS［C］// NASA.Third Earth Resource Technology Satellite （ERTS）Symposium.Washington D C:NASA,Third Earth Resource Technology Satellite（ERTS）Symposium,1974:148－162.

［36］ BARNES J D,BALAGUER L,MANRIQUE E,et al.A reappraisal of the use of DMSO for the extraction and determination of chlorophylls a and b in lichens and higher plants［J］.Environ Exp Bot,1992,32（2）:85－100.

［37］ FILELLA I,PENUELAS J.The red edge position and shape as indicators of plant chlorophyll content,biomass and hydric status［J］.Int J Remote Sens,1994,15（7）:1459－1470.

［38］ GAMON J A,PENUELAS J,FIELD C B.A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency［J］.Remote Sens Environ,1992,41（1）:35－44.

［39］ ZARCO-TEJADA P J,MILLER,J R,NOLAND T L,et al.Scaling up and model inversion methods with narrow-band optical indices for chlorophyll content estimation in closed forest canopies with hyperspectral data［J］.IEEE Trans Geosci Remote Sens,2001,39（7）:1491－1501.

［40］ RAINER L,GEORG B,REINER D.Analysis of Hyperspectral Field Data for Detection of Sugar Beet Diseases［R］. Debrecen:Proceedings of the EFITA Conference,2003:375－381.

［41］ DAUGHTRY C S T,WALTHALL C L,KIM M S.et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］.Remote Sens Environ,2000,74（2）:229－239.

［42］ HABOUDANE D,MILLER J R,TREMBLAY N,et al.Integrad narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture［J］.Remote Sens Environ,2002,81（2）:416－426.

［43］ MILLER J R,HARE E W,WU J.Quantitative characterization of the vegetation red edge reflectance［J］.Int J Remote Sens,1990,11（10）:1755－1773.

［44］ 谷成燕,杜華強,周國模,等.基于PROSAIL輻射傳輸模型的毛竹林葉面積指數(shù)遙感反演［J］.應(yīng)用生態(tài)學報, 2013,24（8）:2248－2256.

GU Chengyan,DU Huaqiang,ZHOU Guomo,et al.Retrieval of leaf area index of moso forest with Landsat Thematic Mapper image based on PROSAIL canopy radiative transfer model［J］.Chin J Appl Ecol,2013,24（8）:2248－2256.

［45］ GITELSON A,MERZYLACM N.Spectral reflectance changes associate with autumn senescence of Aesculus hippocastanum L.and Acer platanoides L.leaves:spectral features and relation to chlorophyll estimation［J］.J Plant Physiol,1994,143（3）:286－292.

Chlorophyll content in Phyllostachys violascens related to hyper-spectral vegetation indices and development of an inversion model

LI Yadan1,2,DU Huaqiang1,2,ZHOU Guomo1,2,GU Chengyan1,2,XU Xiaojun1,2,SUN Shaobo1,2,GAO Guolong1,2
（1.Zhejiang Provincial Key Laboratory of Carbon Cycling in Forest Ecosystems and Carbon Sequestration,Zhejiang A &F University,Lin’an 311300,Zhejiang,China;2.School of Environmental and Resources Science,Zhejiang A&F University,Lin’an 311300,Zhejiang,China）

Reflectance data and relative chlorophyll content for Phyllostachys violascens at leaf scale were measured during the growth period from April,5th to June,18th using a portable Analytical Spectral Devices（ASD）field spectrometer and a hand-held Chlorophyll Content Meter （CCM）-200.Correlation analyses were conducted between hyper-spectral vegetation indices and chlorophyll content based on the data.Then individual univariate linear inversion models were developed for chlorophyll content and hyper-spectral vegetation indices,such as red edge indexes GM,Vog3,double difference index DD,modified normalized differential vegetation index mND705,modified simple ratio mSR705,and Red-edge positions （REP）.Also multivariate linear models for selected hyper-spectral vegetation indices and chlorophyll content were tested.Multivariate linear models are designed in two methods,strategy A is based on the 20 Phyllostachys violascens samples,and each data for the sample is the average for all the 14 times.On the contrary,strategy B is based on the data of 14 times,which average the 20 samples for each time.Results over the entire growth period showed （1）significant （P＜0.01）correlations between chlorophyll content and hyper-spectral vegetation indices,GM （r=0.866 3）,Vog3（r=0.927 4）,DD（r=0.880 6）,mND705（r=0.917 9）,mSR705（r=0.924 9）,and REP（r= 0.895 4）.At the end of the growth period,all vegetation indices had a favorable relationship with chlorophyll content,showing as the high correlation coefficients,although some indexes perform bad in most other time periods；（2）Using the univariate linear model,correlation for hyper-spectral vegetation indices and chlorophyll content showed r＞ 0.85.The multivariate linear models of the six hyper-spectral vegetation indices listed above and chlorophyll content using two strategies,both accurately predicted chlorophyll content of Phyllostachys violascens ［with correlation coefficients between predicted values and measured values that were all above r=0.89］.The multivariate linear models can be used to predicte chlorophyll content in the leaf of Phyllostachys violascens.Considering the calculate method,strategy B is more fit for the dynamic change of chlorophyll content for Phyllostachys violascens at leaf scale.［Ch,4 fig.2 tab.45 ref.］

botany;Phyllostachys violascens;chlorophyll content;hyperspectral vegetation indices;correlation analysis;model

S718.4

A

2095-0756（2015）03-0335-11

10.11833/j.issn.2095-0756.2015.03.002

2014-09-12；

2014-11-24

浙江省杰出青年科學基金資助項目（LR14C160001）；國家自然科學基金資助項目（31370637）；浙江省林業(yè)碳匯與計量創(chuàng)新團隊資助項目（2012R10030-01）；浙江省本科院校中青年學科帶頭人學術(shù)攀登計劃項目（pd2013239）；浙江農(nóng)林大學農(nóng)林碳匯與生態(tài)環(huán)境修復研究中心預(yù)研基金資助項目

李亞丹，從事森林資源遙感監(jiān)測與信息技術(shù)等研究。E-mail：919937099@qq.com。通信作者：杜華強，教授，博士，從事遙感、森林碳匯遙感估算以及空間統(tǒng)計等研究。E-mail：dhqrs@126.com