雙子葉植物葉片類胡蘿卜素含量高光譜反演估算

余昌樂(lè)，許童羽，b，*，王 洋，于豐華，b

(沈陽(yáng)農(nóng)業(yè)大學(xué) a.信息與電氣工程學(xué)院；b.遼寧省農(nóng)業(yè)信息化工程技術(shù)中心，遼寧 沈陽(yáng) 110161)

類胡蘿卜素(Car)是植物進(jìn)行光合作用的主要色素之一，不僅與植物的生長(zhǎng)狀況、營(yíng)養(yǎng)狀況息息相關(guān)，而且還具有吸收傳遞光能、保護(hù)葉綠素、延緩衰老葉片中葉綠素的快速分解等作用[1-3]；因此，快速準(zhǔn)確地預(yù)測(cè)葉片Car含量對(duì)監(jiān)測(cè)植物的健康狀況具有積極意義。利用高光譜技術(shù)對(duì)植物葉片色素等生化成分含量進(jìn)行探測(cè)，相比于傳統(tǒng)的化學(xué)方式來(lái)說(shuō)具有無(wú)損、快速、精度高等特點(diǎn)[4-6]。目前，針對(duì)高光譜技術(shù)使用的方法主要有統(tǒng)計(jì)回歸、物理模型和植被指數(shù)[7-12]，其中，植被指數(shù)形式簡(jiǎn)單、穩(wěn)定性好，在該領(lǐng)域研究中應(yīng)用最為廣泛[13-16]。

在高光譜反演葉片Car含量方面，國(guó)內(nèi)外學(xué)者進(jìn)行了大量研究，提出了許多可用于檢測(cè)Car含量的光譜指數(shù)。在國(guó)外：Chappelle等[14]基于大豆葉片提出了R760/R500；Datt[15]基于桉樹(shù)葉片提出了R672/(R550×R708)；Blackburn[13]提出了色素比值植被指數(shù)(PSSRc)和歸一化植被指數(shù)(PSNDc)；Gitelson等[16]提出了Car反射指數(shù)(CRI550)和(CRI700)。在國(guó)內(nèi)：唐延林等[17-18]基于玉米和水稻葉片測(cè)試，發(fā)現(xiàn)多種光譜植被指數(shù)與葉片葉綠素和Car含量都具有顯著相關(guān)關(guān)系；王福民等[19]基于水稻葉片在歸一化比值色素基礎(chǔ)上提出了新的特征波段用來(lái)估算葉片葉綠素、Car含量；楊杰等[1]基于水稻葉片提出了比值SR(723，770)和歸一化ND(770，713)；高燈州等[20]基于秋茄葉片提出了比值SR(1000，700)；武建林等[21]發(fā)現(xiàn)，胡楊葉片類胡蘿卜素與光譜反射率之間的相關(guān)性受到季節(jié)、葉片、光譜波長(zhǎng)等諸多因素影響；王弘等[22]基于PROSPECT模型提出了新的Car含量估算模型RVIDNDVI，對(duì)Car含量具有較好的估算效果。這些用來(lái)估算Car含量的特征光譜指數(shù)隨植被種類在構(gòu)造形式和敏感波段的選擇上均有所差異，王弘等[22]雖然構(gòu)造了可用于Car含量估算的新模型，但基本上都是基于模型獲得的數(shù)據(jù)，其實(shí)際效果還須進(jìn)一步驗(yàn)證。本研究通過(guò)分析所選高光譜波段范圍內(nèi)所有波段兩兩組合的歸一化、比值和差值光譜植被指數(shù)與雙子葉植物葉片Car含量之間的定量關(guān)系，探討葉片水平高光譜技術(shù)提取Car含量的可行性方法，進(jìn)而建立Car含量的定量估算模型，以期為植被葉片Car含量的快速無(wú)損監(jiān)測(cè)提供參考。

1 材料與方法

1.1 數(shù)據(jù)來(lái)源

本研究所使用的高光譜和Car數(shù)據(jù)來(lái)源于LOPEX’93數(shù)據(jù)庫(kù)，這套數(shù)據(jù)庫(kù)是歐盟聯(lián)合研究中心(Joint Research Center，European Commission)于1993年建立的，主要用于研究高光譜數(shù)據(jù)反演植被生化參數(shù)的可靠性和精度，最近一次數(shù)據(jù)庫(kù)更新是在2015年3月。整個(gè)數(shù)據(jù)庫(kù)包括了含4種裸子植物、9種單子葉植物、37種雙子葉植物在內(nèi)的70余葉片樣本的高光譜與植被生化參數(shù)數(shù)據(jù)。本研究的對(duì)象是數(shù)據(jù)庫(kù)中所包含的大豆、高粱、向日葵等雙子葉植物的Car含量反演，因此，只保留LOPEX’93數(shù)據(jù)庫(kù)中雙子葉植物的Car數(shù)據(jù)，剔除裸子植物、單子葉植物，以及雙子葉植物中與Car無(wú)關(guān)的植被生化參數(shù)。在整個(gè)實(shí)驗(yàn)過(guò)程中，每一個(gè)葉片樣本的高光譜數(shù)據(jù)都是通過(guò)雙光束光譜儀Perkin Elmer Lambda 19測(cè)定的，主要測(cè)定葉片的近軸面半球反射率與透射率，整個(gè)測(cè)定的高光譜數(shù)據(jù)的波長(zhǎng)范圍為400～2 500 nm，其中，在可見(jiàn)光與近紅外波段(400～1 000 nm)的光譜分辨率為1 nm，在中紅外波段(1 000～2 500 nm)的光譜分辨率為4～5 nm。本研究所用的數(shù)據(jù)庫(kù)中Car的單位是μg·cm-2，對(duì)應(yīng)波段的光譜數(shù)值為反射率值。

1.2 研究方法

為了構(gòu)建雙子葉植物Car含量反演模型，選用最常用的植被指數(shù)，包括歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)、比值植被指數(shù)(ratio vegetation index，RVI)、差值植被指數(shù)(difference vegetation index，DVI)，詳細(xì)分析400～2 500 nm范圍內(nèi)任意兩波段組合的NDVI、RVI和DVI與雙子葉植物葉片Car含量的關(guān)系，分別篩選出與3種植被指數(shù)相關(guān)性都比較好的特征波段，最后通過(guò)逐步回歸分析找到預(yù)測(cè)葉片Car含量的適宜指數(shù)模型。3種光譜植被指數(shù)的計(jì)算公式如下：

(1)

(2)

XDVI=ρNIR-ρRED。

(3)

式(1)～(3)中：XNDVI、XRVI、XDVI分別代表NDVI、RVI、DVI的數(shù)值；ρNIR表示高光譜在近紅外波段的反射值；ρRED表示在紅光波段的反射值。

數(shù)據(jù)處理和分析主要在Excel 2013、MATLAB 2016a、SPSS 22.0中完成。

1.3 模型的建立與驗(yàn)證

采用一元線性回歸分析，分別選擇NDVI、RVI、DVI與Car含量進(jìn)行統(tǒng)計(jì)分析，用判定系數(shù)(R2)來(lái)檢驗(yàn)?zāi)Ｐ偷臄M合精度，判定系數(shù)的取值范圍為0～1，值越大說(shuō)明模型的擬合效果越好。一元線性總體回歸模型如下：

y=β0+β1x+ε。

(4)

式(4)中：x代表NDVI、RVI或DVI的數(shù)值；y代表Car含量；β0為回歸常數(shù)；β1是未知數(shù)；ε為隨機(jī)擾動(dòng)項(xiàng)。

將所得的49個(gè)樣本分成2部分：建模樣本38個(gè)，驗(yàn)證樣本11個(gè)。采用模型預(yù)測(cè)精度(P-R2)、平均相對(duì)誤差(relative error，RE)和均方根誤差(root mean squared error，RMSE)3個(gè)指標(biāo)來(lái)檢驗(yàn)?zāi)Ｐ偷木取＞唧w地：分別將NDVI、RVI和DVI的數(shù)值帶入到相應(yīng)的回歸模型中求出相應(yīng)的Car預(yù)測(cè)值，然后將預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行偏差度計(jì)算，最終確定相關(guān)模型的準(zhǔn)確性。RMSE和RE值越小、P-R2的值約接近1，表示模型的預(yù)測(cè)值越接近真實(shí)值，模型的可靠性越高。上述指標(biāo)的計(jì)算公式如下：

(5)

(6)

(7)

2 結(jié)果與分析

2.1 葉片Car含量的變化特征

表1顯示了本研究中建模及驗(yàn)證樣本集Car含量的統(tǒng)計(jì)結(jié)果：變化范圍分別是3.449 8～16.568 1 μg·cm-2和6.774 9～15.191 0 μg·cm-2，變異系數(shù)分別為35.02%和26.12%，說(shuō)明所選樣本在分布上具有比較好的代表性。

2.2 各植被指數(shù)最佳波段選擇和模型建立

高光譜反射率具有連續(xù)、精細(xì)的特點(diǎn)，可以獲取豐富的波段組合，從而增強(qiáng)對(duì)植被生化參數(shù)的探測(cè)能力。本研究系統(tǒng)分析了400～2 500 nm范圍內(nèi)任意兩波段組合而成的NDVI、RVI和DVI與雙子葉植物葉片Car含量之間的關(guān)系。分析表明，NDVI、RVI和DVI與Car含量R2較高的波段主要集中在700～1 200 nm，選其作為分析區(qū)域，分別建立上述3種植被指數(shù)與Car含量的一元線性方程，獲取擬合方程的R2，這些由兩兩波段對(duì)應(yīng)的R2就構(gòu)成了相應(yīng)的R2分布圖(圖1)，通過(guò)顏色深淺來(lái)表示數(shù)值大小，顏色越淺，表示R2越大。由圖1可知，3種植被指數(shù)與Car含量的R2分布圖大體相似，在波段750～1 150 nm和740～760 nm的組合均表現(xiàn)出較好的相關(guān)性。在近紅外波段809 nm和紅光波段756 nm處，NDVI(809，756)和RVI(809，756)均有最好的表現(xiàn)效果，R2分別為0.740和0.741。和NDVI(809，756)、RVI(809，756)的最優(yōu)波段幾乎重合，在近紅外波段809 nm和紅光波段750 nm處，DVI(809，750)的表現(xiàn)效果最好，R2為0.795。選取上述表現(xiàn)效果最好的NDVI(809，756)、RVI(809，756)和DVI(809，750)分別與Car含量建立回歸預(yù)測(cè)模型(表2)，3種模型都通過(guò)了P<0.05的顯著性檢驗(yàn)。

表1葉片Car含量變化

Table1Changes of carotenoid content in leaves μg·cm-2

SD， Standard deviation; CV， Coefficient of variation.

圖1 NDVI(A)、RVI(B)、DVI(C)與葉片Car含量的判定系數(shù)(R2)分布Fig.1 Distribution of decision coefficient (R2) of NDVI(A)， RVI(B)， DVI(C) with leaf carotenoid content

2.3 模型精度驗(yàn)證與比較

利用LOPEX’93數(shù)據(jù)庫(kù)中預(yù)留好的驗(yàn)證樣本，采用P-R2、RMSE和RE對(duì)各回歸模型的可靠性和普適性進(jìn)行驗(yàn)證(表3)。檢驗(yàn)結(jié)果顯示，基于NDVI(809，756)和RVI(809，756)所建立的回歸模型的驗(yàn)證效果相當(dāng)且最好，模型的預(yù)測(cè)值和實(shí)測(cè)值的P-R2分別為0.735、0.738，RMSE分別為1.426 1、1.420 5 μg·cm-2，RE分別為13.66%、13.60%。基于NDVI(809，756)和RVI(809，756)模型的預(yù)測(cè)精度和預(yù)測(cè)誤差十分相近，這與2種植被指數(shù)構(gòu)造的光譜波段、光譜信息、建模和測(cè)試數(shù)據(jù)都相同有關(guān)?；贒VI(809，750)模型的P-R2為0.817，但RMSE和RE分別為2.015 6 μg·cm-2和15.40%，總體來(lái)說(shuō)，估算效果不如NDVI(809，756)和RVI(809，756)。

圖2-A～C分別顯示各植被指數(shù)與葉片Car含量之間的關(guān)系，圖2-D～F分別顯示對(duì)應(yīng)指數(shù)模型Car含量的預(yù)測(cè)值和實(shí)測(cè)值之間的關(guān)系。NDVI(809，756)和RVI(809，756)所對(duì)應(yīng)的擬合直線的截距分別是0.866和0.865，系數(shù)分別是0.893和0.894，而DVI(809，750)的截距和系數(shù)分別是2.464和0.688。綜合分析可以看出，基于NDVI(809，756)和RVI(809，756)所建立的回歸預(yù)測(cè)模型在驗(yàn)證效果上相當(dāng)，且都要好于基于DVI(809，750)建立的模型。

表2葉片Car含量(y)與不同植被指數(shù)(x)的回歸模型

Table2Regression model of leaf carotenoid content (y) and different vegetation index (x)

光譜植被指數(shù)Spectralvegetationindex回歸方程RegressionequationR2NDVI(809，756)y=703．211x+2．3350740RVI(809，756)y=344．675x-342．2840741DVI(809，750)y=548．017x+0．5020795

表3各植被指數(shù)回歸預(yù)測(cè)模型對(duì)比驗(yàn)證

Table3Comparison and validation of regression prediction models for various vegetation indices

光譜植被指數(shù)SpectralvegetationindexP?R2RMSE/(μg·cm-2)RE/%NDVI(809，756)0735142611366RVI(809，756)0738142051360DVI(809，750)0817201561540

3 結(jié)論與討論

高光譜以其分辨率高、波段豐富、數(shù)據(jù)量大等特點(diǎn)，為植被體內(nèi)單一光合色素反演提供了有效途徑[13]。植物體內(nèi)的Car不僅含量普遍較低，而且生理變化相對(duì)比較復(fù)雜，導(dǎo)致已有的光譜預(yù)測(cè)模型對(duì)Car含量的估測(cè)精度較低。光譜植被指數(shù)可以最大化地反映植被的有效信息，且較少受到外部干擾因素的影響，構(gòu)建合適的光譜植被指數(shù)已經(jīng)成為高光譜獲取植被生化參數(shù)信息的重要方法[14-16]。本研究基于LOPEX’93數(shù)據(jù)庫(kù)中的高光譜和雙子葉植物葉片Car含量數(shù)據(jù)，系統(tǒng)分析了400～2 500 nm范圍內(nèi)所有波段兩兩組合的歸一化差值植被指數(shù)(NDVI)、比值植被指數(shù)(RVI)，以及差值植被指數(shù)(DVI)與雙子葉植物葉片Car含量的定量關(guān)系。結(jié)果表明，在近紅外波段809 nm和紅光波段756 nm處NDVI(809，756)和RVI(809，756)的表現(xiàn)效果最好，判定系數(shù)分別達(dá)到了0.740和0.741，在近紅外波段809 nm和紅光波段750 nm處DVI(809，750)的表現(xiàn)效果最好，R2達(dá)到了0.795，據(jù)此建立的3個(gè)回歸預(yù)測(cè)模型都達(dá)到了顯著水平。對(duì)上述回歸預(yù)測(cè)模型進(jìn)行精度驗(yàn)證，發(fā)現(xiàn)基于NDVI(809，756)和RVI(809，756)所構(gòu)建的模型的驗(yàn)證效果相當(dāng)，且優(yōu)于基于DVI(809，750)所構(gòu)建的模型，前2個(gè)模型的預(yù)測(cè)精度分別達(dá)到了0.735和0.738，RMSE分別為1.426 1和1.420 5，RE分別為13.66%和13.60%，精度較高，具有可行性。本研究說(shuō)明，拓寬光譜指數(shù)的研究范圍可以提取出適用于雙子葉植物葉片Car含量監(jiān)測(cè)的光譜植被指數(shù)，研究結(jié)果可為高光譜估算植物葉片Car含量提供參考。但本研究結(jié)果是基于經(jīng)典數(shù)據(jù)庫(kù)數(shù)據(jù)所得，建模和驗(yàn)證樣本有限，因此，所得模型的可靠性和普適性還須進(jìn)一步驗(yàn)證。

圖2 各植被指數(shù)回歸預(yù)測(cè)模型與驗(yàn)證模型散點(diǎn)圖Fig.2 Scatter plots of various vegetation index regression prediction models and validation models

[1] 楊杰，田永超，姚霞. 利用高光譜參數(shù)反演水稻葉片類胡蘿卜素含量[J]. 植物生態(tài)學(xué)報(bào)，2010，34(7): 845-854.

YANG J， TIAN Y C， YAO X. Estimating leaf carotenoid content with hyperspectral parameters in rice[J].ChineseJournalofPlantEcology， 2010， 34(7): 845-854. (in Chinese with English abstract)

[2] BISWALL B. Carotenoid catabolism during leaf senescence and its control by light[J].JournalofPhotochemistryandPhotobiologyB:Biology， 1995， 30(1): 3-13.

[3] 伍維模，牛建龍，溫善菊，等. 植物色素高光譜遙感研究進(jìn)展[J]. 塔里木大學(xué)學(xué)報(bào)，2009， 21(4): 61-68.

WU W M， NIU J L， WEN S J， et al. Research advances in hyperspectral remote sensing techniques in quantifying plant pigments[J].JournalofTarimUniversity， 2009， 21(4): 61-68.(in Chinese with English abstract)

[4] 馮偉，朱艷，田永超，等. 基于高光譜遙感的小麥冠層葉片色素密度監(jiān)測(cè)[J]. 生態(tài)學(xué)報(bào)，2008， 28(10): 4902-4911.

FENG W， ZHU Y， TIAN Y C， et al. Monitoring canopy leaf pigment density in wheat with hyperspectral remote sensing[J].ActaEcologicaSinica， 2008， 28(10): 4902-4911. (in Chinese with English abstract)

[5] CURRAN P J. Remote sensing of foliar chemistry[J].RemoteSensingofEnvironment， 1989， 30(3): 271-278.

[6] 張國(guó)圣，許童羽，于豐華，等. 基于高光譜的水稻葉片氮素估測(cè)與反演模型[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2017，29(5)：845-849.

ZHANG G S， XU T Y， YU F H， et al. Nitrogen content inversion of rice leaf based on the hyperspectral data[J].ActaAgriculturaeZhejiangensis， 2017， 29(5): 845-849. (in Chinese with English abstract)

[7] GONG P， PU R， HEALD R C. Analysis ofinsituhyperspectral data for nutrient estimation of giant sequoia[J].InternationalJournalofRemoteSensing， 2002， 23(9): 1827-1850.

[8] CHO M A， SKIDMORE A K， ATZBERGER C. Towards red-edge positions less sensitive to canopy biophysical parameters for leaf chlorophyll estimation using properties optique spectrales des feuilles (PROSPECT) and scattering by arbitrarily inclined leaves (SAILH) simulated data[J].InternationalJournalofRemoteSensing， 2008， 29(8): 2241-2255.

[9] GROSSMAN Y L， UUTIN S L， JACQUEMOUD S， et al. Critique of stepwise multiple linear regission for the extraction of leaf biochemistry information from leaf reflectance data[J].RemoteSensingofEnvironment， 1996， 56(3): 182-193.

[10] MAIN R， CHO M A， MATHIEU R， et al. An investigation into robust spectral indices for leaf chlorophyll estimation[J].ISPRSJournalofPhotogrammetryandRemoteSensing， 2011， 66(6): 751-756.

[11] FERET J B， FRANCOIS C， ASNER G P， et al. PROSPECT-4 and 5: advances in the leaf optical properties model separating photosyntheic pigments[J].RemoteSensingofEnvironment， 2008， 112(6): 3030-3043.

[12] 陳春玲，馬航，許童羽，等. 東北粳稻葉片植被指數(shù)NDVI與PRI的相關(guān)性分析[J]. 浙江農(nóng)業(yè)學(xué)報(bào)，2016，28(12): 1963-1969.

CHEN C L， MA H， XU T Y， et al. Correlation analysis of leaf vegetation index NDVI and PRI of Northeastjaponicarice[J].ActaAgriculturaeZhenjiangensis， 2016， 28(12): 1963-1969. (in Chinese with English abstract)

[13] BLACKBURM G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales: an evaluation of some hyperspectral approaches[J].RemoteSensingofEnvironment， 1998， 66(3): 273-285.

[14] CHAPPELLE E W， KIM M S， MC MURTREY J E. Ratio analysis of reflectance spectra RARS: an algorithm for the remote estimation of the concentrations of chlorophyll a， chlorophyll b， and carotenoids in soybean leaves[J].RemoteSensingofEnvironment， 1992， 39(3): 239-247.

[15] DATT B. A new reflectance index for remote sensing of chlorophyll content in higher plants: tests using Eucalyptus leaves[J].JournalofPlantPhysiology， 1999， 154(1): 30-36.

[16] GITELSON A A， ZUR Y， CHIVKUNOVA O B， et al. Assessing carotenoid content in plant leaves with reflectance spectroscopy[J].PhotochemistryandPhotobiology， 2002，75(3): 272-281.

[17] 唐延林，黃敬峰，王秀珍，等. 玉米葉片高光譜特征及與葉綠素、類胡蘿卜素相關(guān)性的研究[J]. 玉米科學(xué)，2008，16(2)：71-76.

TANG Y L， HUANG J F， WANG X Z， et al. Study on hyper spectral characteristics of corn leaves and their correlation to chrolophyll and carotenoid[J].JournalofMaizeSciences， 2008， 16(2): 71-76. (in Chinese with English abstract)

[18] 唐延林，王紀(jì)華，黃敬峰，等. 水稻成熟過(guò)程中高光譜與葉綠素、類胡蘿卜素的變化規(guī)律研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2003，19(6)：167-173.

TANG Y L， WANG J H， HUANG J F， et al. Variation law of hyperspectral data and chorophyll and carotenoid for rice in mature process[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2003， 19(6): 167-173. (in Chinese with English abstract)

[19] 王福民，黃敬峰，王秀珍. 水稻葉片葉綠素、類胡蘿卜素含量估算的歸一化色素指數(shù)研究[J]. 光譜學(xué)與光譜分析，2009，29(4)：1064-1068.

WANG F M， HUANG J F， WANG X Z. Normalized difference ratio pigment index for estimating chlorophyll and carotenoid contents of in leaves of rice[J].SpectroscopyandSpectralAnalysis， 2009， 29(4) : 1064-1068. (in Chinese with English abstract)

[20] 高燈州，章文龍，陳美田，等. 秋茄類胡蘿卜素含量高光譜反演[J]. 生態(tài)學(xué)雜志，2014，33(11)：3053-3059.

GAO D Z， ZHANG W L， CHEN M T， et al. Retrieval of carotenoid contens of Kandelia candel based on hyper-spectral remote sensing data[J].ChineseJournalofEcology， 2014， 33(11): 3053-3059. (in Chinese with English abstract)

[21] 武建林，王家強(qiáng)，溫善菊，等. 胡楊條形葉和卵形葉片類胡蘿卜素含量與高光譜反射率的相關(guān)性研究[J]. 塔里木大學(xué)學(xué)報(bào)， 2014，26(2): 1-10.

WU J L， WANG J Q， WEN S J， et al. Correlations between carotenoids contents and hyperspectral reflectance of strip and oval leaves of populus euphratica[J].JournalofTarimUniversity， 2014， 26(2): 1-10. (in Chinese with English abstract)

[22] 王弘，施潤(rùn)和，劉浦東，等. 植物光學(xué)模型估算葉片類胡蘿卜素含量的一種雙歸一化差值-比值植被指數(shù)[J]. 光譜學(xué)與光譜分析，2016，36(7)：2189-2194.

WANG H， SHI R H， LIU P D， et al. Dual NDVI ratio vegetation index: a kind of vegetation index assessing leaf carotenoid content based on leaf optical properties model[J].SpectroscopyandSpectralAnalysis， 2016， 36(7): 2189-2194. (in Chinese with English abstract)