毛竹葉片生化組分高光譜指數(shù)研究：結(jié)合實測與模擬數(shù)據(jù)集

徐宇凌，靳 佳*，王 權(quán)

（1.浙江師范大學(xué) 地理與環(huán)境科學(xué)學(xué)院，浙江 金華 321004；2.日本靜岡大學(xué) 農(nóng)學(xué)部，日本 靜岡 422-8529）

毛竹林是森林生態(tài)系統(tǒng)的重要組成部分，也是我國分布面積最廣、經(jīng)濟(jì)效益最佳的竹種。在長江三峽庫區(qū)尾端的縉云山森林生態(tài)系統(tǒng)中，毛竹面積占8.2%[1]。浙江省全省毛竹林面積80.98萬公頃，占森林面積的13.18%，是浙江省重要的森林資源之一[2]。毛竹具有重要的社會、經(jīng)濟(jì)和生態(tài)價值：一方面毛竹產(chǎn)品加工可增加當(dāng)?shù)剞r(nóng)民收入；另一方面毛竹根系交錯、枝葉豐茂，具備涵養(yǎng)水源的功能。此外，有研究表明毛竹的固碳能力要顯著高于普通林木[3-4]?？焖僬莆彰裆L動態(tài)對于提高其經(jīng)濟(jì)和生態(tài)效益具有重要意義。

植被體內(nèi)生化組分含量，如葉綠素、水分、蛋白質(zhì)、木質(zhì)素和纖維素等的含量直接影響和制約著植被生理生態(tài)過程，在生態(tài)系統(tǒng)的物質(zhì)和能量循環(huán)中發(fā)揮著重要作用[5-6]。植被生長相關(guān)的呼吸作用、光合作用、養(yǎng)分循環(huán)、蒸散發(fā)、初級生產(chǎn)和廢物分解都和葉片生化組分有著密不可分的關(guān)系[7]。如葉綠素含量通常是植物光合能力、營養(yǎng)脅迫和發(fā)育階段的一個重要指標(biāo)；水分是光合作用的基本原料之一，其含量的多少與光合作用和蒸騰作用有密切聯(lián)系[8]。因此，準(zhǔn)確了解毛竹生化組分，特別是葉綠素、水分和干物質(zhì)含量，是監(jiān)測毛竹生長狀態(tài)的重要手段，對于提高毛竹經(jīng)濟(jì)和生態(tài)效益，研究當(dāng)?shù)厣鷳B(tài)系統(tǒng)的生理生態(tài)過程有重要作用[9]。

傳統(tǒng)的生化組分檢測主要采用化學(xué)分析方法，需要野外采摘葉片后進(jìn)行室內(nèi)化驗分析，費時費力且破壞毛竹生長。高光譜遙感技術(shù)因其無損、快速、高效等優(yōu)勢，近年來已被廣泛應(yīng)用于建立植物色素含量的光譜估測模型[10-11]。

目前利用遙感光譜信息獲得植被生化信息的方法基本分為兩大類[12]：第一種是理論模型反演方法，其應(yīng)用面臨計算復(fù)雜、反演中普遍存在大量不同解和病態(tài)解等困難[13]；另一種方法是光譜指數(shù)法，其原理是利用數(shù)學(xué)公式將幾個波段測量的反射率進(jìn)行組合，建立它們與實測葉片生化參數(shù)間的數(shù)學(xué)關(guān)系[14]。利用高光譜指數(shù)估算葉片生化組分應(yīng)用簡單但缺乏普適性，即由于開發(fā)光譜指數(shù)利用的樣本有限，導(dǎo)致光譜指數(shù)在不同數(shù)據(jù)集或不同物種中的精度不同[15]。有研究嘗試通過增加實測樣本，提高光譜指數(shù)的普適性，如Sims等[16]進(jìn)行跨物種的研究，公開的數(shù)據(jù)集LOPEX和ANGER包含大量不同的單子葉和雙子葉植被[17]。此外，很多學(xué)者嘗試用物理模型模擬海量數(shù)據(jù)集的方法來尋找普適性高光譜指數(shù)[18-19]。但目前開發(fā)毛竹生化參數(shù)普適性指數(shù)的研究較少。

本研究結(jié)合實測數(shù)據(jù)集和PROSPECT模型[17，20]模擬數(shù)據(jù)集，開發(fā)毛竹葉片生化組分葉綠素（chlorophyll，CHL）、等價水厚度（equivalent water thickness，EWT）和干物質(zhì)含量（leaf dry matter content，LMA）高光譜指數(shù)。

1 實驗數(shù)據(jù)和研究方法

1.1 實測數(shù)據(jù)集

1.1.1 研究地區(qū)

研究區(qū)位于浙江省金華市金華山（119?37'21″E，29?10'05″N），屬于亞熱帶季風(fēng)氣候區(qū)。其特點是四季分明，年溫適中，熱量豐富，雨量豐富，植被種類繁多。實驗以浙江省重要的竹類資源——毛竹為研究對象，樣本采集點位于金華市金華山智者寺周邊。

1.1.2 樣本采集和實驗觀測

毛竹葉片高光譜反射率和生化組分同步觀測實驗于2019年10月進(jìn)行。實驗采用離體測量方法[21]，于清晨采集毛竹冠層不同高度的樣本，將采集的毛竹枝條插入遮光水瓶中，迅速帶回實驗室，開展高光譜反射率和生化組分同步測量。

葉片高光譜測定采用美國ASD公司生產(chǎn)的FieldSpec 4 Hi-Res NG光譜儀，ASD光譜儀的光譜為350～2 500 nm，重采樣分辨率為1 nm。本次實驗使用葉片夾測定毛竹葉片350～2 500 nm高光譜反射率，對于每一個樣本測定3次，取平均值作為后期分析的數(shù)值。

對每個葉片高光譜反射率進(jìn)行測量之后，立即對其進(jìn)行葉面積、干重、鮮重、葉綠素含量等參數(shù)的測定。對測定反射光譜后的葉片（3個為一組）掃描計算其葉面積。取0.1 g放入離心管中，利用化學(xué)濕法測定葉綠素含量，用無水乙醇-丙酮提取液提取，將離心管置于室溫避光處浸泡24 h，根據(jù)葉綠素a和葉綠素b吸收光譜的不同，利用UV-2550型紫外可見光分光光度計測量溶劑吸光度，進(jìn)而根據(jù)663 nm、645 nm吸光度計算出葉綠素含量[22]。剩余的葉片用來測定EWT和LMA，將測定葉綠素后剩余的鮮葉片稱重后放入85℃的烘箱，48 h后取出重新稱重。

式中，F(xiàn)W指葉片鮮重，g；DW指葉片干重，g；LA指葉片面積，cm2。

實測數(shù)據(jù)集包含從金華山地區(qū)毛竹冠層不同部位摘取的60個葉片樣本。

1.2 模擬數(shù)據(jù)集

PROSPECT模型是基于Allen的平板模型發(fā)展而來的輻射傳輸模型[23]。它通過葉片結(jié)構(gòu)參數(shù)（N），葉綠素含量（CHL，μg/cm2），等效水厚度（EWT，g/cm2）和干物質(zhì)含量（LMA，g/cm2）的函數(shù)模擬葉片400～2 500 nm的光學(xué)特性，波長分辨率為1 nm。散射過程由葉片折射指數(shù)n和葉片形態(tài)結(jié)構(gòu)N來表征，吸收通過吸收系數(shù)K（λ）來描述。吸收系數(shù)K（λ）是各組分特定吸收系數(shù)的線性組合，如下式：

式中：Ci為葉片組分i單位面積的濃度；Ki（λ）為相應(yīng)組分的特定吸收系數(shù)。

根據(jù)各參數(shù)實際范圍，采用隨機(jī)取樣方法生成10 000組參數(shù)組合，進(jìn)而利用校正后的PROS?PECT模型模擬反射率，生成模擬數(shù)據(jù)集。此外，光譜觀測中受到各種因素的影響會存在測量誤差，因此為模擬數(shù)據(jù)集中的每條光譜每個波段的反射率增加1%的高斯噪聲[17]，一方面模擬觀測誤差，另一方面減小模型模擬光譜波段間的自相關(guān)。

1.3 光譜指數(shù)開發(fā)

為發(fā)展適用于毛竹生化組分估算的光譜指數(shù)，本研究在總結(jié)前人利用高光譜指數(shù)估算植被參數(shù)的基礎(chǔ)上，選取常用的指數(shù)類型，在高光譜波段范圍內(nèi)選取不同波段組合，從中挑出反演精度最高的指數(shù)類型和波段組合，進(jìn)一步建立毛竹生化組分高光譜估算模型[19，24]。

本研究主要使用的指數(shù)類型：1）單波段型（reflectance，R）；2） 差值型（difference,D）；3）比值型（simple ratio，SR）；4）歸一化差值型（normalized difference，ND） 和5） 二重差值型（double difference，DDn）。其中，R，D，SR，ND是當(dāng)前最常用的指數(shù)類型。DDn指數(shù)是Le Maire針對葉綠素吸收紅邊的峰跳現(xiàn)象提出的指數(shù)[24]，盡管最初DDn指數(shù)只用來估算CHL，目前很多研究已經(jīng)用DDn指數(shù)來估算CHL，EWT和LMA[24]。基于反射率的各類型高光譜指數(shù)的計算公式如下：

式中：Rλ為波長λ處的反射率值，Δλ為波段的增量。

對于每一種指數(shù)形式，首先針對特定的數(shù)據(jù)集（同步實測數(shù)據(jù)集、模型模擬海量數(shù)據(jù)集），遍歷400～2 500 nm光譜范圍內(nèi)的所有波段組合，建立生化組分含量與指數(shù)值間的一元線性回歸關(guān)系，計算生化組分含量實測值與估算值間的相關(guān)系數(shù)和均方根誤差（root mean square error，RMSE），并選取RMSE最小的波段組合作為該類型的最優(yōu)指數(shù)，對植物生化組分與每種類型的最優(yōu)指數(shù)進(jìn)行回歸分析，構(gòu)建生化組分指數(shù)估算模型。此外，本研究結(jié)合實測數(shù)據(jù)集和模型模擬數(shù)據(jù)集（權(quán)重各為50%）進(jìn)行回歸分析，依據(jù)RMSE，尋找最優(yōu)指數(shù)。

式中：yj為樣本集實測值；y'j為模型估算值；n表示樣本數(shù)量。

2 結(jié)果分析

2.1 毛竹葉片生化組分和高光譜特征

實驗對60個毛竹葉片樣本進(jìn)行了同步的室內(nèi)生化組分含量分析和葉片光譜測量，葉片生化物質(zhì)含量如表1所示。葉片的葉綠素含量變化范圍為15.59～48.42 μg/cm2，平均值為 32.46 μg/cm2，標(biāo)準(zhǔn)差為 6.86 μg/cm2。葉片等效水厚度為 3.3×10-3～5.7×10-3g/cm2，平均值為4.8×10-3g/cm2，標(biāo)準(zhǔn)差為5.2×10-4g/cm2。 葉 片 干 物 質(zhì) 含 量 在 3.8×10-3～7.4×10-3g/cm2，平均值和標(biāo)準(zhǔn)差分別為5.4×10-3g/cm2和8.4×10-4g/cm2。

表1 實測毛竹葉片生化組分含量統(tǒng)計值Table 1 Characteristics of measured leaf biochemical matter contents

與葉片生化組分含量對應(yīng)的實測反射率如圖1（a）所示。在400～700 nm波段范圍內(nèi)，最高反射率范圍為0.07～0.25。在750～1 300 nm波段范圍內(nèi)，不同葉片反射率波動范圍為0.5～0.6，而在2 000～2 500 nm范圍內(nèi)，不同葉片的反射率峰值為0.3～0.4。

按照實測數(shù)據(jù)集的生化含量分布特征，隨機(jī)取樣生成10 000對參數(shù)組合，進(jìn)而利用校正后的PROSPECT模型模擬反射率。這些模擬數(shù)據(jù)樣本的反射率范圍包含了幾乎所有實測數(shù)據(jù)集反射率的范圍，可以更好地代表和模擬自然條件下的毛竹葉片反射率，模擬數(shù)據(jù)集中葉綠素含量、等效水厚度、干物質(zhì)量均值分別為：32.38 μg/cm2，4.8×10-3g/cm2， 5.5×10-3g/cm2。 使 用 校 正 后 的PROSPECT模型模擬的反射率如圖1（b）所示。

圖1 實測毛竹葉片反射率（a）和PROSPECT模型模擬葉片反射率（b）Fig.1 Measured leaf reflectance(a)and PROSPECT simulated leaf reflectance(b)

2.2 CHL指數(shù)

基于葉片反射率，通過遍歷所有波段組合，分別計算每種光譜指數(shù)類型在各種波段組合下對葉片葉綠素的估算精度。每種光譜指數(shù)類型對葉片葉綠素估算精度最高的波段組合如表2所示。參照表2中各個指數(shù)的RMSE，估算CHL的最優(yōu)指數(shù)是ND（565，2 245），RMSE為3.30 μg/cm2。

最簡單的R型指數(shù)和復(fù)雜的DDn型指數(shù)精度較低，RMSE均大于4 μg/cm2，分別為4.67 μg/cm2和4.53 μg/cm2。此外，D和SR類型指數(shù)用于計算葉片CHL的精度較高，其中SR、ND和DDn指數(shù)的最佳波段λ1分別為 560、565、575 nm，表明λ1在565 nm附近的指數(shù)與CHL有較高的相關(guān)性。在實測集驗證中，ND（565，2 245）不是最優(yōu)的指數(shù)，略微遜色于SR（560，2 245）和D（710，1 830），但是，ND（565，2 245）在實測數(shù)據(jù)集中仍有較高精度，決定系數(shù)R2和RMSE分別為0.60和4.04 μg/cm2?？傮w上，結(jié)合實測數(shù)據(jù)集和模擬數(shù)據(jù)集，ND（565，2 245）是最具魯棒性的指數(shù)。

表2 結(jié)合PROSPECT模擬數(shù)據(jù)集和實測數(shù)據(jù)集的毛竹CHL估算最優(yōu)高光譜指數(shù)及最優(yōu)指數(shù)在實測集中的驗證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

葉片CHL實測值與基于ND（565，2 245）指數(shù)估算值之間的關(guān)系如圖2所示。結(jié)果表明：實測數(shù)據(jù)點幾乎都位于模擬數(shù)據(jù)集散點范圍內(nèi)，且實測數(shù)據(jù)集和模擬數(shù)據(jù)集散點均位于1∶1線附近，表明ND（565，2 245）指數(shù)估算毛竹葉片葉綠素含量精度較高，且具有很好的普適性。

2.3 EWT指數(shù)

結(jié)合實測數(shù)據(jù)集和模擬數(shù)據(jù)集開發(fā)的毛竹葉片等效水厚度高光譜指數(shù)見表3。五種指數(shù)類型中精度最高的是SR型光譜指數(shù)，此外ND和D類型指數(shù)也有較好的表現(xiàn)。最簡單的R類型指數(shù)和DDn類型指數(shù)精度較差。指數(shù)SR（745，2 005）的RMSE為 3.4×10-4g/cm2，同樣波段組合的ND（745，2 005） 的RMSE為 3.5×10-4g/cm2。但是，SR和ND類型光譜指數(shù)在實測數(shù)據(jù)集驗證中精度較低，RMSE均為4.5×10-4g/cm2。結(jié)合實測數(shù)據(jù)集和模擬數(shù)據(jù)集，D（770，1 465）是最具魯棒性的指數(shù)，RMSE為3.6×10-4g/cm2。

表3 結(jié)合PROSPECT模擬數(shù)據(jù)集和實測數(shù)據(jù)集的毛竹EWT估算最優(yōu)高光譜指數(shù)及最優(yōu)指數(shù)在實測集中的驗證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）指數(shù)估算的EWT值與實測值間關(guān)系如圖3所示。由圖可見，實測值散點均在模擬集散點范圍內(nèi)，表明D（770，1 465）指數(shù)在實測數(shù)據(jù)集和模擬數(shù)據(jù)集中的表現(xiàn)較為一致。

2.4 LMA指數(shù)

結(jié)合實測數(shù)據(jù)集和模擬數(shù)據(jù)集開發(fā)的毛竹葉片LMA高光譜指數(shù)結(jié)果（表4）表明：估算LMA的最優(yōu)指數(shù)是SR（1 425，2 300）和ND（1 425，2 300），RMSE均為5.5×10-4g/cm2，得到的兩個指數(shù)在實測數(shù)據(jù)集中的RMSE為6.9×10-4g/cm2，精度較高。此外，D指數(shù)也有較高的精度，而最簡單R指數(shù)和DDn指數(shù)效果較差，RMSE分別是9.2×10-4g/cm2和8.9×10-4g/cm2。因此，結(jié)合實測數(shù)據(jù)集和模擬數(shù)據(jù)集，SR（1 425，2 300）是最具魯棒性的指數(shù)。

圖3 基于D（770，1 465）指數(shù)估算的EWT值與實際值間關(guān)系圖Fig.3 Estimated EWT values with the D(770,1 465)index versus measured EWT values

表4 結(jié)合PROSPECT模擬數(shù)據(jù)集和實測數(shù)據(jù)集的毛竹LMA估算最優(yōu)高光譜指數(shù)及最優(yōu)指數(shù)在實測集中的驗證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

毛竹葉片LMA實測值與基于SR（1 425，2 300）指數(shù)估算值間關(guān)系如圖4所示。實測數(shù)據(jù)集與模型模擬數(shù)據(jù)集散點均靠近1∶1線，且實測數(shù)據(jù)集散點更靠近1∶1線，表明該指數(shù)對實測數(shù)據(jù)集中LMA的估算精度更高。實測數(shù)據(jù)集中僅有3個樣本未落在模擬數(shù)據(jù)集散點范圍內(nèi)，表明SR（1 425，2 300）指數(shù)對實測數(shù)據(jù)集和模擬數(shù)據(jù)集中LMA的估算精度較為一致，具有一定的魯棒性。

3 討論

圖4 基于SR（1 425，2 300）指數(shù)估算的毛竹葉片LMA值與實際值間關(guān)系散點圖Fig.4 Estimated LMA values with the SR(1 425,2 300)index versus measured LMA values

目前，國內(nèi)外對于植物葉片尺度的生化組分高光譜遙感研究已經(jīng)較為成熟。Le Maire等總結(jié)[24]幾乎所有類型的指數(shù)歸為如下幾類：1）使用簡單的一個波段反射率或者簡單的兩個反射率的差；2）兩個波段反射率的比值（SR）；3）變形的歸一化指數(shù)（ND）。本文較為全面地研究了五種不同指數(shù)類型在毛竹葉片生化組分估算中的應(yīng)用。

有研究表明光譜指數(shù)對植被水分狀態(tài)變化的敏感性在不同物種間的表現(xiàn)不同，而國內(nèi)外對毛竹生化組分高光譜遙感的研究較少[25-26]。Sims和Gamon等[16]指出指數(shù)NDVI（800，680）、SR（750，680）和1/R700與葉片葉綠素含量相關(guān)，但是這些指數(shù)不能準(zhǔn)確估算毛竹葉綠素，其RMSE分別為6.78 μg/cm2，6.88 μg/cm2和7.24 μg/cm2。由于植被水分含量在生態(tài)系統(tǒng)中有重要的作用，同樣有很多指數(shù)用于葉片水分含量估算，比如Pe?uelas[27]的WI指數(shù)，R（895，972）；Gao[28]的指數(shù)NDWI（860，1 240）；Hardisky[29]的NDII指數(shù)（R819-R1649）/（R819+R1649）。此外，隨著葉片尺度的模型PROSPECT的廣泛應(yīng)用，EWT的研究熱度也越來越高。但是，這些估算EWT的指數(shù)在毛竹的實測數(shù)據(jù)集中表現(xiàn)都不佳。本文得出的最佳指數(shù)，除了R型，其他幾種類型的RMSE值均較小，精度較高。葉片高光譜信息相對較少用于LMA的預(yù)測。Ourcival[30]等提出高光譜信息可以用來估算冬青樹葉的LMA含量。然而，他們的研究是基于偏最小二乘（PLS）分析，需要使用400～2 500 nm范圍內(nèi)的全部光譜信息，本文只需2個波段，模型較為簡單。

數(shù)據(jù)量的大小是獲取優(yōu)秀光譜指數(shù)的前提，但是由于成本限制，實測數(shù)據(jù)集總是局限于給定的物種、地區(qū)和生長階段。而物理模型，如PROS?PECT，可以生成大量的葉片反射率光譜，為克服傳統(tǒng)基于有限數(shù)量實測數(shù)據(jù)構(gòu)建的統(tǒng)計模型普適性差的問題提供了可能。然而，模型模擬反射率往往存在一定的誤差，且模型輸入?yún)?shù)的取樣方式對模擬數(shù)據(jù)集的“真實性”同樣具有一定影響[31]。僅使用模擬數(shù)據(jù)集尋找指數(shù)結(jié)果是不準(zhǔn)確的。因此，本研究結(jié)合模擬數(shù)據(jù)集和實測數(shù)據(jù)集進(jìn)行指數(shù)開發(fā)，既能保證指數(shù)在大樣本量數(shù)據(jù)集中的普適性，又能保證其在實測數(shù)據(jù)中的精度。

4 結(jié)語

為了解決基于實測數(shù)據(jù)的葉片組分估算光譜指數(shù)因數(shù)據(jù)量有限，存在普適性差的問題，本研究探討了結(jié)合海量模擬數(shù)據(jù)集與實測數(shù)據(jù)集，開發(fā)具有普適性的毛竹生化組分高光譜指數(shù)的思路與方法。為保證模擬數(shù)據(jù)集盡量符合實際，同時又覆蓋較大葉片參數(shù)取值范圍，本研究基于實測葉片生化參數(shù)，設(shè)置了符合毛竹實際生化參數(shù)的模型輸入?yún)?shù)采樣方法，基于校正的PROSPECT模型，生成了大量毛竹葉片反射信息模擬數(shù)據(jù)集。結(jié)果表明，估算毛竹葉片CHL的最優(yōu)指數(shù)為ND（565，2 245）指數(shù)，估算毛竹葉片EWT的最優(yōu)指數(shù)為D（770，1 465）指數(shù)，估算毛竹葉片LMA的最優(yōu)指數(shù)為SR（1 425，2 300）指數(shù)，其RMSE分別是3.30 μg/cm2，3.6×10-4g/cm2和5.5×10-4g/cm2。研究得出的指數(shù)可以用于毛竹葉片葉綠素含量、等效水厚度和干物質(zhì)量的無損快速監(jiān)測，對于實時掌握毛竹生長狀態(tài)具有重要意義。