基于高光譜數(shù)據(jù)的楊樹葉片干物質含量的估算*

程志慶，張勁松**，孟 平，李巖泉，鄭 寧

?

基于高光譜數(shù)據(jù)的楊樹葉片干物質含量的估算*

程志慶1,2,3，張勁松1,2,3**，孟 平1，李巖泉1，鄭 寧1

(1.中國林業(yè)科學研究院林業(yè)研究所，北京 100091；2.南京林業(yè)大學南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，南京 210037；3.國家林業(yè)局林木培育重點實驗室，北京 100091)

將楊樹葉片實測的理化數(shù)據(jù)和土壤背景光譜數(shù)據(jù)作為PROSPECT和PROSAIL模型的輸入?yún)?shù)，輸出楊樹葉片高光譜數(shù)據(jù)模擬值，通過實測獲得葉片尺度和冠層尺度干物質含量、等效水厚度以及高光譜數(shù)據(jù)，利用統(tǒng)計方法，分別對兩種尺度楊樹葉片干物質含量進行分析。結果表明：基于歸一化指數(shù)計算方法，楊樹葉片尺度和冠層尺度的最佳估算干物質含量的干物質含量歸一化指數(shù)（NDMI）波段組合分別為1685，1704nm和1551，2143nm，使用偏最小二乘法分別對篩選波段組成的NDMI(1685，1704)指數(shù)和NDMI(1551，2143)指數(shù)構建葉片尺度干物質含量和冠層尺度干物質含量的估算模型，葉片尺度干物質含量估算模型精度為R2=0.663，RMSE=0.001g·cm-2，冠層尺度精度為R2=0.91，RMSE=16.7g·m-2?？梢?，高光譜技術對楊樹葉片干物質含量的估算具有較高的精度，可為楊樹葉片干物質含量的快速、無損估算提供參考依據(jù)。

高光譜技術；楊樹；干物質含量；估算模型

葉片干物質含量是葉片的重要形狀參數(shù)之一，能夠反映葉片對光合有效輻射的捕獲能力，而且與抗逆性、葉片壽命等具有很大的相關性[1-2]。楊樹因其生長迅速、成林早、木材用途廣、防護效益高等優(yōu)勢，是中國人工林的主要樹種。因此，快速、準確測定楊樹葉片干物質含量，對于監(jiān)測楊樹生長狀態(tài)，加強防護林的經營管理，提升楊樹人工林的生態(tài)功能具有重要意義。

干物質含量在植物生態(tài)學研究中有3種表示：葉片干重和鮮重比、比葉面積以及單位葉面積的干物質含量。由于后兩種葉片的干物質含量表示形式與葉片結構參數(shù)以及植物的生長和生存對策有緊密聯(lián)系，能反映植物對不同生境的適應性，使其成為植物生態(tài)學研究中的首選指標，也是輻射傳輸模型的重要參數(shù)[3-6]。目前，葉片干物質含量的測量主要是利用稱重測量葉面積的方法進行計算[7]。盡管該方法較簡便，但要獲取大面積干物質含量時，該方法耗時耗力，破壞性大。因此，需要一種新的技術對其進行快速的測定。而隨著遙感技術的發(fā)展，特別是當前的高光譜遙感技術，為葉片干物質含量的快速估算提供了巨大的潛力。Ria?o等[8]利用光譜數(shù)據(jù)分別對鮮葉的干物質含量與干葉的干物質含量進行估算，發(fā)現(xiàn)干葉的干物質含量估算較鮮葉估算精度高。Maire[9]利用指數(shù)的方法估算葉片尺度與冠層尺度干物質含量，發(fā)現(xiàn)該指數(shù)對葉片尺度干物質含量估算精度不高。Broge等[10]研究發(fā)現(xiàn)干物質含量與Landsat TM數(shù)據(jù)中的紅光、紅外以及中紅外波段具有顯著的相關性，并認為利用經驗模型可以在光譜分辨率的Landsat TM數(shù)據(jù)中估算冠層的干物質含量。從現(xiàn)有研究可見，至今還未見報道一種植被指數(shù)或者干物質反演模型能夠高精度地估算任何植物干物質含量。

為了對楊樹葉片干物質含量進行快速、準確的估算，本研究通過分析已有葉片干物質含量植被指數(shù)對葉片干物質含量的估算精度，根據(jù)楊樹干物質含量與不同波段之間的相關性，提取楊樹干物質含量特征波段，并建立新植被指數(shù)。在建立葉片尺度的干物質含量高光譜估算模型的基礎上，進一步構建葉片冠層尺度干物質含量的高光譜估算模型，獲得楊樹干物質含量估算精度最高的植被指數(shù)與反演模型，以期為楊樹葉片干物質含量的準確、快速估算提供理論支持。

1 材料與方法

1.1 樣地概況

本研究分別設置楊樹盆栽實驗與楊樹人工林野外試驗。

盆栽實驗在河北農業(yè)大學科技園(115°24'31.31"E，38°48'22.31"N)進行。實驗材料采用盆栽一年生，形態(tài)相近的107速生楊樹苗。為了保證結果的全面性與精確性，獲得不同生長狀態(tài)的楊樹，共設6個處理，分別是極度干旱、不施氮處理，干旱、不施氮處理，正常水分管理、不施氮處理（即為空白對照）；極度干旱、施氮處理，干旱、施氮處理，正常水分、施氮處理。水分處理條件為：最大田間持水量的70%為正常、55%為干旱和40%為極度干旱；氮素處理條件為：每株每千克土壤施氮量為0.167g。

楊樹人工林位于衡水市武邑縣（38°49′N，115°53′E）。樹高10m，株行距為2m×3m，面積約30000m2，林下少有植被。在林地中間設立一座25m觀測鐵塔，在鐵塔上于楊樹冠層底部、內部以及頂部1m處各修建觀測平臺。

1.2 實測數(shù)據(jù)

1.2.1 光譜數(shù)據(jù)測定

（1）葉片光譜使用Field Spec Pro光譜儀（光譜波段范圍為350?2500nm，美國產）自帶的植被探頭與葉片夾式光譜探測器在野外直接測定。 楊樹葉片數(shù)據(jù)采樣時間為2014年6月10?12日、 7月8?10日、8月10?13日和9月10?12日的每日10：00?14：00。為減少誤差，測量前用標準白板進行校正，同時將葉片表層的浮塵用干凈干燥的試紙輕拂去。每個葉片觀測記錄6次采集數(shù)據(jù)（測定時避開葉脈），取其平均值作為該處的光譜反射率。利用植被探頭與葉片夾，采用光譜儀自帶光源，保證葉片平整且被探測面積相同，有效消除了背景反射、葉片表面彎曲導致的光譜波動的影響，保證了研究結果的精確性，共獲得304組葉片尺度高光譜實測數(shù)據(jù)。

（2）冠層光譜。利用25m觀測塔上位于樹頂上方2m處的觀測平臺，在天氣晴朗無云、無風的2014年10月5日10：00?14：00，光纖視場角為25°的Field Spec Pro光譜儀（美國產），從平臺上垂直朝下測量楊樹冠層反射光譜。并利用LI-2200測定該視場角范圍內（0.05m2）的冠層葉面積指數(shù)（LAI，圖1）。獲取冠層光譜的同時，利用高光譜儀在楊樹林區(qū)的空地處選擇與測定處一致的土壤進行土壤反射率測定。共獲得9組冠層尺度高光譜實測數(shù)據(jù)。

1.2.2 葉片干物質含量、等效水厚度的測定

葉片采集。將測定光譜后的楊樹葉片，摘取后立刻放入自封袋，并冷藏；冠層葉片等效水厚度采樣，采取光譜測定視場角范圍內楊樹頂層、中層、底層三部位葉片各20片，放入自封袋，并冷藏。

葉片等效水厚度測定。首先利用Li-3000測定采集鮮葉的葉面積，并稱重，然后立刻放入105℃烘箱中15min殺青，再將溫度調至90℃烘干至恒重。

葉片等效水厚度EWTleaf的計算

葉片尺度干物質含量的計算

冠層尺度干物質含量的計算

式中，LM和CM分別表示葉片干物質含量（g·cm?2）和冠層尺度干物質含量（g·m?2），Dw為葉片干重（g），F(xiàn)W為葉片鮮葉重量（g），A為葉片面積（cm2），LAI為葉面積指數(shù)（m2·m?2）。

1.3 輻射傳輸模型參數(shù)

植物葉片光譜分析時需要大量光譜數(shù)據(jù)，而且在野外進行葉片光譜數(shù)據(jù)采集時，其它物質光譜的干擾造成葉片光譜有用信息的提取與分析更為困難。因此，可以根據(jù)植被的參數(shù)變化范圍利用輻射傳輸模型獲取模擬的光譜數(shù)據(jù)。

PROSPECT模型[6]是一個基于“平板模型”發(fā)展而來的葉片輻射傳輸模型，模型中的輸入主要參數(shù)包括葉肉結構參數(shù)（N）、葉片葉綠素含量、葉片等效水厚度（EWT）以及葉片干物質含量（LM），能夠模擬葉片400?2500nm的半球反射和透過率。

由Verhoef[11]在Suit模型的基礎上發(fā)展起來的SAIL模型是使用最為廣泛的冠層二向性反射物理模型之一，該模型描述了水平均勻植被冠層中直射和上行下行散射光通量的輻射傳輸過程，通過輸入葉片的反射率和透過率、葉面積指數(shù)、葉傾角參數(shù)、土壤反射率、太陽輻射的散射分量以及光線入射和觀測的幾何參數(shù)，可以實現(xiàn)對植被冠層的反射光譜的模擬。

PROSPECT模型能夠輸出葉片的反射率和透過率，而SAIL模型中又需要這些作為其參數(shù)進行冠層光譜的擬合，因此，研究者將兩種模型進行耦合形成PROSAIL模型，該模型能夠在其它冠層參數(shù)已知的條件下對植被的化學參數(shù)進行估算。PROSAIL模型最后所需的模型參數(shù)為葉片理化學參數(shù)（葉肉結構參數(shù)、葉綠素含量、等效水厚度、葉片干物質含量），冠層結構參數(shù)（葉面積指數(shù)、葉傾角分布類型）和其它參數(shù)（熱點效應參數(shù)、太陽天頂角、觀測天頂角、相對方位角、土壤反射率）。

本文主要考慮為了獲取楊樹較為相近的光譜數(shù)據(jù)，利用實測楊樹葉片生理參數(shù)數(shù)據(jù)范圍和土壤反射率作為模型輸入?yún)?shù)，PROSAIL模型輸入的葉片理化參數(shù)與PROSPECT模型相同，具體模型參數(shù)設置見表1。

2 結果與分析

2.1 基于敏感波段的歸一化干物質含量指數(shù)構建

2.1.1 干物質含量對光譜反射率的影響

根據(jù)楊樹葉片等效水厚度的實測值將等效水厚度設為0.06cm，葉片干物質含量依據(jù)表1中范圍變化，由PROSPECT模型分別模擬的葉片反射光譜曲線見圖2a；葉片干物質含量和等效水厚度同時按表1中范圍變化，由PROSPECT模型模擬的葉片反射光譜曲線見圖2b。

由圖2a可見，葉片干物質含量影響的波段主要集中于近紅外波段（750?1350nm）以及短波紅外的兩個波段范圍（1500?1870nm和2000?2500nm），在可見光范圍（400?700nm）的反射率光譜差異較小。圖2b為干物質含量逐漸增大而等效水厚度逐漸減小的反射光譜曲線圖，當葉片中等效水厚度變化與干物質含量相當時，由于受到葉片等效水厚度的影響，對干物質含量敏感的短波紅外波段的敏感性明顯減弱。因此，認為對干物質含量敏感的波段范圍為近紅外波段以及部分短波紅外波段（2000?2250nm）。

表1 模型參數(shù)

注：圖a中等效水厚度為0.06cm；圖b中干物質含量和不同等效水厚度均按照表1中變化

Note: In fig.a, EWT is 0.06cm；In fig.b, EWT and LM change according to table 1

2.1.2 葉片干物質含量的特征波段提取

采用實測數(shù)據(jù)與PROSPECT模型擬合數(shù)據(jù)，分析葉片干物質特征波段，擬合數(shù)據(jù)采用2.1.1節(jié)中擬合的光譜數(shù)據(jù)，實測數(shù)據(jù)為153組實測楊樹葉片干物質含量。利用實測楊樹光譜數(shù)據(jù)和PROSPECT模型擬合的光譜數(shù)據(jù)分別與葉片干物質含量作相關性分析，結果如圖3。

由圖3可見，在750?1350nm近紅外波段兩種數(shù)據(jù)與干物質含量的相關性均較大，但卻呈現(xiàn)出相反的相關方向，圖2a在該波段區(qū)間內的光譜反射率隨LM增大而減少，根據(jù)干物質的光學特征分析，該波段區(qū)間應呈現(xiàn)負相關，但實測結果卻顯示相反的趨勢。從圖2b的不同干物質含量和等效水厚度光譜圖以及圖4干物質含量與等效水厚度的關系圖可知，在楊樹葉片干物質含量較小、等效水厚度較大的條件下，750?1350nm近紅外波段的反射率隨干物質的增大而增大。從圖3可見，所獲得的楊樹葉片的等效水厚度較大，干物質含量較小。由于干物質含量在所有的特征波段中都受到其它因素的影響，因此，在干物質含量進行特征波段選取時，應根據(jù)實際光譜信息進行分析提取。同時從圖3中可見，實測光譜波段與干物質含量的相關系數(shù)均較低。因此，為獲取更好的估算波段，對兩波段組合的歸一化干物質含量指數(shù)（NDMI）對干物質含量的估算能力進行比較。NDMI的計算式為

式中，R(i)與R(j)分別表示為第i波段的反射率和第j波段的反射率。

由圖5可見，決定系數(shù)較大的區(qū)間（R2＞0.62）主要分布在1250?2250nm，黑色圓圈內表示決定系數(shù)最大（R2=0.696）的區(qū)域，即以（1441nm，2309nm）坐標點為中心的附近，可見以上隨機選取兩波段的NDMI對葉片干物質含量具有很高的敏感性。但是，大氣水分在1400nm附近產生較強的吸收作用，地面遙感由于距離近，大氣水分對其影響較小，可以忽略，而衛(wèi)星遙感獲取地表植被光譜時，需要透過大氣，所以在利用衛(wèi)星遙感數(shù)據(jù)時應避免選取非大氣窗口波段[12]。因此，本研究選取非1400nm附近的最大系數(shù)的波段組合，即圖5中紅色圈位置，其坐標點為（1685nm，1704nm），其決定系數(shù)為0.661。從圖3中可以看出，這兩個波段內無論是擬合數(shù)據(jù)還是實測數(shù)據(jù)，其與干物質均具有較大的負相關性，同時1704nm是最大的負相關波段，選取的這兩個波段，在大氣中的透射率為90%，能夠避免大氣對其它波段的吸收而產生干擾，故利用NDMI進行衛(wèi)星遙感估算楊樹葉片干物質含量時可使用（1685nm，1704nm）波段組合。而為獲得能在LandSAT 8等寬波段光譜數(shù)據(jù)中應用的干物質含量植被指數(shù)，選取波段范圍應為LandSAT 8所包含的波段。由此，本研究選取最大決定系數(shù)的波段組合為（1551nm，2143nm）。

2.2 葉片尺度干物質含量光譜估算模型的構建

為了實現(xiàn)葉片尺度NDMI指數(shù)的干物質含量高精度估算，在304組實測數(shù)據(jù)中以153組數(shù)據(jù)進行建模，另外151組數(shù)據(jù)驗證模型估算精度。

利用NDMI指數(shù)進行干物質含量LM估算的關系式為

式中，K和b為估算模型的線性參數(shù)，由選定NDMI波段與實測干物質含量求出。

由表2可見，NDMI(1441,2309)和NDMI(1685,1704)干物質含量估算模型的殘差相同，為0.0001，兩者的擬合決定系數(shù)均為極顯著，但是前者擬合決定系數(shù)比后者大0.036?？梢?，在葉片尺度的光譜估算中NDMI(1441,2309)具有一定優(yōu)勢。

表2 葉片尺度優(yōu)選的3種波段組合下干物質含量的NDMI估算模型

注：*、**分別表示相關系數(shù)(R)通過0.05、0.01水平的顯著性檢驗。下同。

Note:*is P<0.05，**is P<0.01.The same as below.

從圖6可以看出，3種兩波段組合的NDMI估算模型的估算精度，雖然NDMI(1441,2309)模型估算結果擬合度略高于NDMI(1685,1704)，但后者擬合結果更接近1:1線，加之兩個估算結果的RMSE相近。因此，考慮到大氣水汽吸收時，NDMI(1685,1704)應為最佳選擇指數(shù)。NDMI(1551,2143)模型估算精度雖然較前者低，但其均方根誤差及斜率均較可觀，關鍵是可以應用于Landsat 8等衛(wèi)星寬波段數(shù)據(jù)的NDMI構建，所以NDMI(1551,2143)指數(shù)可以作為衛(wèi)星光譜數(shù)據(jù)估算干物質含量的最佳指數(shù)。

2.3 冠層尺度干物質含量光譜模型的構建

由式（3）可見，冠層尺度的干物質含量除受葉片尺度干物質含量的影響外，冠層葉面積指數(shù)也會對其產生影響。因此，利用PROSAIL模型擬合的冠層光譜數(shù)據(jù)對冠層葉面積和干物質含量的影響進行分析。

由圖7可見，3種NDMI指數(shù)由于受LAI的影響，在相同葉面積指數(shù)條件下，這3種指數(shù)與冠層尺度干物質含量均具有顯著相關性，其關系表達式與葉片尺度下雖然有差異，但其表達式形式相同。由于不同葉面積指數(shù)的影響表達式的系數(shù)產生了變化，為此，設想利用LAI對上述模型的系數(shù)進行修正，以分析LAI與模型表達式中的系數(shù)關系（圖8）。

在鉆進機構抵達限幅機構預定位置時，對接鎖合組件能夠實現(xiàn)限幅機構與鉆進機構的鎖定，從而使得限幅機構與鉆進機構進行隨動，保證后續(xù)的鉆取采樣作業(yè)順利進行。

從圖8可以看出，3種NDMI估算CM模型系數(shù)a、b、c與LAI的擬合決定系數(shù)R2均大于0.99（P<0.001），因此，可以利用LAI替換模型系數(shù)，得到利用LAI改進的3種NDMI估算冠層尺度干物質含量的模型。

利用9組楊樹冠層實測數(shù)據(jù)對冠層尺度干物質含量模型進行驗證，結果見圖9。由圖可見，利用LAI修正后的估算模型NDMI(1441,2309)模型估算精度最高，而NDMI(1551,2143)估算值與實測值的擬合決定系數(shù)比NDMI(1685,1704)模型的高出0.2，且NDMI(1551,2143)模型估算的結果與實測值更接近1:1的擬合線。因此，結合2.2節(jié)中的NDMI(1551,2143)與NDMI(1551,2143)指數(shù)分析可知，利用地面高光譜數(shù)據(jù)進行楊樹冠層尺度干物質含量估算時，NDMI(1441,2309)構建的模型最優(yōu)，而利用衛(wèi)星遙感數(shù)據(jù)對冠層尺度的干物質含量進行估算時，NDMI(1551,2143)構建的模型為最佳選擇。

3 結論與討論

3.1 結論

通過對楊樹高光譜數(shù)據(jù)的實測和利用PROSPECT與PROSAIL模型分別進行葉片尺度和冠層尺度的干物質含量分析，利用歸一化指數(shù)的計算方法，篩選出楊樹葉片尺度和冠層尺度的最佳NDMI指數(shù)波段組合，根據(jù)所選對應葉片尺度和冠層尺度的高光譜特征波段組合的NDMI指數(shù)，構建了楊樹葉片尺度及冠層尺度干物質含量模型。對兩種不同尺度的干物質含量模型的檢驗與驗證表明，所構建的估算模型具有較高精度。

3.2 討論

（1）由于模型模擬光譜數(shù)據(jù)只需葉片的部分生理生化參數(shù)，排除了非葉片本身所引起的光譜變化，因此，在進行特征波段提取時具有很大的優(yōu)勢。但是由于野外環(huán)境復雜多變，若簡單地利用模型模擬光譜數(shù)據(jù)進行特征波段的提取會讓所選特征波段的適用性降低[13-14]，因此，利用模型模擬光譜數(shù)據(jù)的同時應結合實測數(shù)據(jù)，并利用實測數(shù)據(jù)進行驗證，最終才能提取適用的光譜特征波段。本研究利用輻射傳輸模型模擬的光譜數(shù)據(jù)與實測數(shù)據(jù)相結合的辦法，最終提取了分別對楊樹葉片尺度和冠層尺度葉片干物質含量準確估算的特征波段。

（2）本試驗在研究冠層尺度干物質含量的估算中，通過對葉片尺度獲取的植被指數(shù)中引入葉面積，以提高冠層尺度干物質含量的估算精度，該法獲得了較高精度的冠層尺度干物質含量的估算模型。程曉娟等[15]在研究冠層尺度等效水厚度時指出，利用植被指數(shù)對冠層尺度等效水厚度進行估算，由于直接利用冠層等效水厚度選取的植被指數(shù)，沒有從等效水厚度自身考慮，缺乏理論基礎，從而影響模型的準確性。野外中冠層尺度干物質含量的高光譜不僅受葉面積的影響，測定的冠層尺度高光譜數(shù)據(jù)也會受到其它因素的影響[16-17]。因此，若要獲得高精度、高通用性的冠層尺度干物質含量估算的模型，尚需將更多的影響因素在建模時引入估算模型中。

[1]于龍鳳,李福恒,安福全,等.番茄不同節(jié)位葉片形態(tài)特征與干物質含量的關系[J].東北農業(yè)大學學報,2009,40(6):58-62.

Yu L F,Li F H,An F Q,et al.Relation between leaf morphology features and dry matter content in different site of node of tomatoes[J].Journal of Northeast Acultural University,2009, 40(6):58-62.(in Chinese)

[2]Romero A,Aguado I,Yebra M.Estimation of dry matter content in leaves using normalized indexes and PROSPECT model inversion[J].International Journal of Remote Sensing, 2012,33(2):396-414.

[3]李玉霖,崔健垣,蘇永中.不同沙丘生境主要植物比葉面積和葉干物質含量的比較[J].生態(tài)學報,2005,25(2):304-311.

Li Y L,Cui J H,Su Y Z.Specific leaf area and leaf dry matter content of some plants in different dune habitats[J].Act Ecologica Sinica,2005,25(2):304-311. (in Chinese)

[4]潘瑞熾,王小青,李娘輝.植物生理[M].北京:高等教育出版社,2004:1-309.

Pan R C,Wang X Q,Li N H.Plant physiology[M]. Beijing:Higher Education Press,2004:1-309.(in Chinese)

[5]肖艷芳,周德民,趙文吉.輻射傳輸模型多尺度反演植被理化參數(shù)研究進展[J].生態(tài)學報,2013,33(11): 3291-3297.

Xiao Y F,Zhou D M,Zhao W J.Review of inversing biophysical and biochemical vegetation parameters in various spatial scales using radiative transfer models[J]. Acta Ecologica Sinica,2013,33(11): 3291-3297. (in Chinese)

[6]Feret J,Fran?ois C,Asner G P,et al.PROSPECT-4 and 5:advances in the leaf optical properties model separating photosynthetic pigments[J].Remote Sensing of Environment,2008,112(6): 3030- 3043.

[7]張林,羅天祥,鄧坤枚,等.云南松比葉面積和葉干物質含量隨冠層高度的垂直變化規(guī)律[J].北京林業(yè)大學學報,2008, 30(1):40-44.

Zhang L,Luo T X,Deng K M,et al.Vertical variations in specific leaf area and leaf dry matter content with canopy height in pinus yunnanensis[J].Journal of Beijing Forestry University,2008,30(1):40-44.(in Chinese)

[8]Ria?o D,Vaughan P,Chuvieco E,et al.Estimation of fuel moisture content by inversion of radiative transfer models to simulate equivalent water thickness and dry matter content: analysis at leaf and canopy level[J].Geoscience and Remote Sensing, 2005,43(4):819-826.

[9]Maire G,Fran?ois C,Soudani K,et al.Calibration and validation of hyperspectral indices for the estimation of broadleaved forest leaf chlorophyll content,leaf mass per area,leaf area index and leaf canopy biomass[J].Remote Sensing of Environment,2008, 112(10):3846-3864.

[10]Broge N H,Mortensen J V.Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J].Remote Sensing of Environment, 2002,81(1):45-57.

[11]Verhoef W.Light scattering by leaf layers with application to canopy reflectance modeling:the SAIL Model[J].Remote Sensing of Environment, 1984,16(2):125-141.

[12]張佳華,郭文娟,姚鳳梅.植被水分遙感監(jiān)測模型的研究[J].應用基礎與工程科學學報,2007,15(1): 45-53.

Zhang J H,Guo W J,Yao F M.The study on vegetation water content estimating model based on remote sensing technique [J].Journal of Basic Science and Engineering,2007,15(1): 45-53.(in Chinese)

[13]趙永光,馬靈玲,李傳榮,等.基于冠層輻射傳輸模型的地表反射率光譜重建方法[J].光譜學與光譜分析,2015,35(7): 1763-1769.

Zhao Y G,Ma L L,Li C R,et al.A method to reconstruct surface reflectance spectrum from multispectral image based on canopy radiation transfer[J]. Spectroscopy and Spectral Analysis, 2015,35(7): 1763-1769.(in Chinese)

[14]馬文勇,王訓明.基于高光譜分析的草地葉綠素含量估算研究進展[J].地理科學進展,2016,35(1): 25-34.

Ma W Y,Wang X M.Progress on grassland chlorophyll content estimation by hyperspectral analysis[J]. Progress in Geography, 2016,35(1):25-34. (in Chinese)

[15]程曉娟,楊貴軍,徐新剛,等.新植被水分指數(shù)的冬小麥冠層水分遙感估算[J].光譜學與光譜分析,2014, 34(12): 3391-3396.

Cheng X J,Yang G J,Xu X G,et al.Estimating canopy water content in wheat based on new vegetation water index[J]. Spectroscopy and Spectral Analysis,2014,34 (12):3391-3396.(in Chinese)

[16]佃袁勇.高光譜數(shù)據(jù)反演植被信息的研究[D].武漢:武漢大學,2011.

Dian Y Y.Inversion vegetation information base on hyper- spectral remote sensing data[D]. Wuhan: Wuhan University, 2011.(in Chinese)

[17]Ali A M,Darvishzadeh R,Skidmore A K,et al. Estimating leaf functional traits by inversion of PROSPECT:assessing leaf dry matter content and specific leaf area in mixed mountainous forest[J]. International Journal of Applied Earth Observation, 2015,45(A):66-76.

Estimating Dry Matter Content of Poplar Leaf by Hyperspectral Data

CHENG Zhi-qing1,2,3, ZHANG Jin-song1,2,3, MENG Ping1, LI Yan-quan1, ZHENG Ning1

（1.Research Institute of Forestry, Chinese Academy of Forestry, Beijing 100091,China; 2.Collaborative Innovation Center of Sustaintable Forestry in Southern China, Nanjing Forestry University, Nanjing 210037; 3. Key Laboratory of Tree Breeding and Cultivation, State Forestry Administration, Beijing 100091）

In order to explore estimating the dry matter content of poplar leaves accurately, rapidly and accurately and nondestructive with hyperspectral data. Simulated values of poplar leave hyperspectral data which were leaf scales and canopy scales were obtained by PROSPECT and PROSAIL models which input parameters were measured by the physical and chemical data and soil background spectral data. At the same time, the dry matter content, equivalent water thickness and hyperspectral data were obtained from the measured leaf scales and canopy scales. Finally, the statistical methods were used to analyze the dry matter content in two scales of poplar leaves. The results showed that, the best band combination of the normalized difference vegetation index of dry matter was respectively band combination between 1685nm and 1704nm and band combination between 1551nm and 2143nm, respectively in leaf scales and canopy scales. Dry matter content models of leaf and canopy scales were built respectively by NDMI(1685,1704)and NDMI(1551,2143).The model validation accuracy of the leaf scale dry matter content was R2=0.663, RMSE=0.001g·cm-2, and the model validation accuracy of the canopy scale dry matter content was R2=0.91, RMSE=16.7g·m-2. Obviously, the hyperspectral technique has a high precision for estimating the dry matter content of poplar leaves, which can provide reference for the rapid and nondestructive estimation of dry matter content of poplar leaves.

Technology of hyperspectrum；Poplar；Dry matter content；Estimation model

10.3969/j.issn.1000-6362.2017.01.006

2015?12?16

國家科技支撐計劃課題（2015BAD07B05）；林業(yè)公益性行業(yè)科研專項（201204105）；國家自然科學基金項目（41105076）；國家重大科學研究計劃（2012CB956202）

程志慶(1986?)，博士，講師，主要從事林業(yè)高光譜模型及氣象方面研究。E-mail：chengzhiqing1@126.com

**通訊作者。E-mail：zhangjs@caf.ac.cn