基于熒光輻射傳輸模型的葉綠素含量熒光遙感估算方法研究

摘 要：葉綠素作為植物光合作用的主體，在監(jiān)測(cè)植被生長(zhǎng)狀態(tài)，評(píng)估固碳能力方面發(fā)揮著巨大的作用。遙感技術(shù)作為一種高效低成本的對(duì)地觀測(cè)技術(shù)，能夠通過葉片反射光譜特征實(shí)現(xiàn)葉綠素含量（chlorophyll content，Cab，含量為面密度）的估算。然而，葉片光譜會(huì)受到葉片含水量、葉細(xì)胞結(jié)構(gòu)等影響，從而降低遙感估算Cab的精度。而日光誘導(dǎo)葉綠素?zé)晒猓╯olar-inducedchlorophyll fluorescence，SIF）遙感是直接探測(cè)葉綠素激發(fā)熒光信息，其變化特征與Cab直接相關(guān)，在Cab估算中有巨大的潛力。為此，以熒光輻射傳輸模型（soil canopy observation，photo-chemistry and energy fluxes，SCOPE）為工具，通過敏感性分析確定Cab 熒光敏感波段，并建立基于熒光光譜的Cab估算模型，最后利用實(shí)測(cè)數(shù)據(jù)驗(yàn)證模型的魯棒性。研究結(jié)果表明，700、730 nm分別為葉綠素高、低敏感波段（SIF700、SIF730），760 nm為葉綠素高相關(guān)性波段（SIF760），以此3波段建立基于熒光比值的Cab估算模型，其中，以SIF760 與SIF700 的熒光比值建模精度最優(yōu)，決定系數(shù)R2 為0. 998 1，均方根誤差（root mean square error，RMSE）為0. 043 5 μg/cm2。SIF700與SIF730熒光比值和Cab的建模精度最低，但R2和RMSE也分別達(dá)到了0. 904 8和0. 088 6 μg/cm2。利用實(shí)測(cè)數(shù)據(jù)獨(dú)立樣本對(duì)上述3種估算方法進(jìn)行驗(yàn)證，SIF760/SIF730估算結(jié)果表現(xiàn)最佳，RMSE為0. 210 8 μg/cm2，SIF700/SIF730次之，RMSE為0. 345 4 μg/cm2，但呈現(xiàn)出整體高估現(xiàn)象；SIF760/SIF700估算結(jié)果與實(shí)測(cè)數(shù)據(jù)偏差較大，RMSE為0. 743 5 μg/cm2。綜上，SIF760/SIF730構(gòu)建的比值植被指數(shù)在估算Cab過程中不僅能夠保證很好的建模精度，同時(shí)又表現(xiàn)出極佳的魯棒性。研究結(jié)果為利用葉綠素?zé)晒膺b感手段進(jìn)行葉片生化參數(shù)估算提供技術(shù)參考。

關(guān)鍵詞：日光誘導(dǎo)葉綠素?zé)晒猓?熒光敏感波段； 葉綠素含量； SCOPE模型； 遙感； 模型

中圖分類號(hào)：TP79 文獻(xiàn)標(biāo)識(shí)碼：A DOI：10. 7525/j. issn. 1006-8023. 2025. 02. 005

0 引言

葉綠素作為光合作用的主要色素，通過吸收太陽能并將其轉(zhuǎn)化為化學(xué)能進(jìn)行光合作用，在植被生長(zhǎng)和生存中起著關(guān)鍵作用，是植被中最重要的色素之一。葉綠素含量（Chlorophyll content，Cab，含量為面密度）對(duì)環(huán)境變化十分敏感，是評(píng)估植被生長(zhǎng)狀態(tài)的重要指標(biāo)［1］，所以準(zhǔn)確地估算葉綠素含量對(duì)于研究植物長(zhǎng)勢(shì)、評(píng)價(jià)植物健康狀況至關(guān)重要［2］。鑒于葉綠素在植物光合作用中的重要地位，其含量的精確測(cè)定成為了科研界廣泛關(guān)注的焦點(diǎn)。

除傳統(tǒng)的測(cè)量方法之外，眾多學(xué)者已深入探索了利用遙感技術(shù)進(jìn)行Cab的估算。遙感技術(shù)具有低成本、高時(shí)空分辨率和多模態(tài)等優(yōu)勢(shì)，可以被應(yīng)用到Cab的估算研究中。Cab的估測(cè)方法有很多，如采用葉綠素吸收指數(shù)（transformed chlorophyll absorptionreflectance index，TCARI）［3］、歸一化差異植被指數(shù)（normalized difference vegetation index，NDVI）［4］和地面葉綠素指數(shù)（meris terrestrial chlorophyllindex，MTCI）［5］等建立Cab的遙感估算模型，進(jìn)行Cab的估算研究。但因地物光譜特征表征的是植物表面反射的光，會(huì)受光照條件、葉片結(jié)構(gòu)和健康狀況的影響［6］，此外，大氣條件［7］、觀測(cè)幾何和地形［8］等因素會(huì)對(duì)地物反射光譜造成影響，增加反射率觀測(cè)數(shù)據(jù)的隨機(jī)誤差，降低Cab的估算精度，限制遙感技術(shù)在Cab估算中的應(yīng)用。

熒光特征是植物特有的光化學(xué)特性。植物在進(jìn)行光合作用過程中，植被吸收的太陽光部分被光合色素吸收并將其轉(zhuǎn)化為化學(xué)能進(jìn)行光合作用，部分以熱耗散的形式，部分則是以熒光的形式釋放［9］。日光誘導(dǎo)葉綠素?zé)晒猓╯olar-induced chlorophyll fluorescence，SIF）是在太陽光的照射下，植物通過吸收短波輻射后由光系統(tǒng)在波長(zhǎng)為640～850 nm重新發(fā)射出的熒光光譜信號(hào)［10］，熒光作為光合作用的副產(chǎn)物，直接與葉綠素等植物色素含量有關(guān)。相較于光學(xué)遙感，SIF測(cè)量的是植被內(nèi)部由于葉綠素吸收光后在特定波長(zhǎng)產(chǎn)生的光，所以其更多地反映了Cab特征和光合作用的狀態(tài)，可以直接反映植物Cab的特征［11］、植被光合作用能力，以及監(jiān)測(cè)植被的生理狀況［12］。研究表明，紅色和近紅外波段處的SIF690與SIF735 （波段為735 nm時(shí)的SIF）之間的比率與Cab密切相關(guān)，在紅色和近紅外波段下，任何可以改變Cab的情況都會(huì)影響上述熒光比率［13］。Zhang等［14］使用熒光圖像中提取的熒光強(qiáng)度來預(yù)測(cè)高粱的Cab，模型的擬合精度R2 為0. 79。Zhou等［15］收集了3個(gè)水稻數(shù)據(jù)集和1個(gè)油菜籽數(shù)據(jù)集，使用冠層熒光產(chǎn)率（SIF yield，SIFY）指數(shù)構(gòu)建Cab的估算模型，結(jié)果表明，基于SIFY的模型在小樣本的情況下表現(xiàn)出更好的估算精度（平均擬合精度（R2）為0. 68，標(biāo)準(zhǔn)誤差（RMSE）為13. 23 μg/cm2）。相比之下，基于反射率的遷移模型需要充分學(xué)習(xí)訓(xùn)練集中的特征以保持良好的預(yù)測(cè)能力，而基于SIFY的模型在差異樣本數(shù)據(jù)集中表現(xiàn)出相對(duì)一致的預(yù)測(cè)性能。陳潔［16］基于植被指數(shù)組合和連續(xù)投影算法（successive projectionsalgorithm，SPA）、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）、隨機(jī)森林算法（random forest，RF）3種算法提取出熒光的特征波段數(shù)據(jù)分別建立支持向量機(jī)（support vectormachines，SVM）、基于種群的搜索算法優(yōu)化支持向量估算模型（particle swarm optimization-Support vectormachines，PSO-SVM）、基于遺傳算法優(yōu)化支持向量機(jī)估算模型（genetic algorithm-Support vector machines，GA-SVM）3種Cab支持向量機(jī)估算模型，結(jié)果顯示基于CARS提取特征波段所建立的GA-SVM模型為所有模型中的最優(yōu)Cab 估算模型，訓(xùn)練集R2 為0. 719、RMSE 為0. 234 μg/cm2，驗(yàn)證集R2 為0. 725、RMSE為0. 225 μg/cm2。已有研究表明，SIF在植被Cab的遙感估算上具有巨大的潛能，但因數(shù)據(jù)、研究方法不同，SIF在Cab敏感特征的篩選、模型的穩(wěn)定性、模型的魯棒性，以及探索如何通過機(jī)理模型和試驗(yàn)數(shù)據(jù)提高SIF估算Cab的準(zhǔn)確性等方面仍需進(jìn)一步地開展細(xì)致的工作。

綜上，本研究擬通過光合作用和能量通量的土壤冠層觀測(cè)模型（soil canopy observation，photochemistryand energy fluxes，SCOPE）結(jié)合實(shí)測(cè)數(shù)據(jù)構(gòu)建Cab的SIF估算模型，并分析模型的魯棒性。首先使用SCOPE模型模擬不同葉綠素水平下的葉片SIF光譜，再利用模擬實(shí)驗(yàn)室模型（simulation laboratory，SimLab）分析葉片層次生化參數(shù)對(duì)SIF的敏感性并篩選出對(duì)葉綠素高敏感波段的SIF波段；在此基礎(chǔ)上探索SIF與Cab的相關(guān)關(guān)系，構(gòu)建基于熒光光譜的Cab估算方法，最后利用實(shí)測(cè)數(shù)據(jù)進(jìn)行模型可靠性驗(yàn)證。相關(guān)研究為利用SIF進(jìn)行葉片Cab及其他生化參數(shù)估算提供參考。

1 研究區(qū)和方法

1. 1 研究區(qū)概況

研究區(qū)域位于黑龍江尚志市轄帽兒山實(shí)驗(yàn)林場(chǎng)（127°30′～127°34′E，45°20′～45°25′N），屬于長(zhǎng)白山系統(tǒng)張廣才嶺西坡的一部分，是低山丘陵地區(qū)。該區(qū)植物區(qū)系屬于長(zhǎng)白山植物區(qū)系，現(xiàn)有林分類型包括原始地帶性頂極群落經(jīng)過破壞和演替后形成不同階段的天然次生林和人工栽植的林分。主要喬木樹種包括山楊（Populus davidiana）、白樺（Betula platyphylla）、水曲柳（Fraxinus mandsh?urica）、黃檗（Phellodendron amurense）、胡桃楸（Jug?lans mandshurica）、蒙古櫟（Quercus mongolica）、色木槭（Acer mono）、紫椴（Tilia amurensis）、落葉松（Larixolgensis）和紅松（Pinus koraiensis）等，研究區(qū)域采樣如圖1所示。

本試驗(yàn)主要選取闊葉樹種為白樺（Betula platy?phylla）、紫椴（Tilia amurensis）、胡桃楸（Juglansmandshurica）、黃檗（Phellodendron amurense）、蒙古櫟（Quercus mongolica）、水曲柳（Fraxinus mandsh?urica）、山楊（Populus davidiana）和春榆（Ulmus da?vidiana var. japonica）；針葉樹種為紅松（Pinus ko?raiensis）、落葉松（Larix gmelinii）和樟子松（Pinus syl?vestris var. mongholica），共計(jì)11種東北地區(qū)常見樹種作為試驗(yàn)對(duì)象，每個(gè)樹種選取2～3株長(zhǎng)勢(shì)良好，無病蟲害的健康樹木作為樣木，記錄每株樣木的樹種信息。每株樣木根據(jù)冠幅大小分成上、中、下3層，在各層的東、西、南、北4 個(gè)方位共設(shè)置12 個(gè)采樣點(diǎn)，隨機(jī)取采樣點(diǎn)外層樹枝上長(zhǎng)勢(shì)較好的葉片10～12片，而后立即放入塑封袋，排凈空氣，放入置有冰袋的保溫箱中。采集的鮮葉樣品即刻帶回實(shí)驗(yàn)室進(jìn)行葉綠素?zé)晒夤庾V數(shù)據(jù)采集和Cab的測(cè)量工作。葉綠素?zé)晒夤庾V的測(cè)定參見下節(jié)。采集過熒光光譜的葉片樣品經(jīng)剪碎研磨等處理后，采用丙酮萃取法測(cè)量其Cab，具體方法詳見參考文獻(xiàn)［17］。

1. 2 葉片葉綠素?zé)晒夤庾V測(cè)量

使用美國(guó)ASD 公司的FieldSpec Handheld2 和FluoWat葉夾進(jìn)行葉片反射及熒光光譜測(cè)量工作。FieldSpec Handheld2型光譜儀，工作波段覆蓋325～1 075 nm，光譜測(cè)量的分辨率為1 nm。結(jié)合配有濾光片的FluoWat 葉夾裝置，測(cè)量葉片的發(fā)射熒光。濾光片的作用旨在剔除650～800 nm波段的入射光。采用HLG-150光纖光源模擬太陽光，以誘導(dǎo)方式收集葉綠素?zé)晒夤庾V數(shù)據(jù)。

測(cè)量過程中，每個(gè)葉片樣品測(cè)量5～10條有效光譜，數(shù)據(jù)收集完畢后，利用Handheld2光譜儀隨附的ViewSpec pro 軟件，對(duì)原始采集的原始數(shù)據(jù)進(jìn)行處理，將多次測(cè)量的平均值作為樣品最終的葉綠素?zé)晒夤庾V。

鑒于葉綠素?zé)晒猬F(xiàn)象主要集中于紅光及近紅外波段，本研究首先剔除噪聲顯著且信息冗余的邊緣波段（即325～649 nm及801～1 075 nm），僅聚焦于650～800 nm 的關(guān)鍵波段進(jìn)行深入的研究與分析。

1. 3 葉片生化特征分析

對(duì)所采集樣本的生化參數(shù)按樹種（針葉78，闊葉222）依照3個(gè)采樣層進(jìn)行分層統(tǒng)計(jì)分析，結(jié)果見表1。闊葉樹種在樹冠上層葉片Cab 最高，為26. 342 μg/cm2，在中層最低，為20. 071 μg/cm2；對(duì)于針葉樹種，Cab在樹木下層葉片最高，為12. 440 μg/cm2，在上層最低，為11. 270 μg/cm2。對(duì)于闊葉樹種，其含水量在樹木上層葉片最高，為115. 528 μg/cm2，樹木中層最低，為111. 112 μg/cm2；對(duì)于針葉樹種，Cab在樹木中層葉片最高，為179. 672 μg/cm2，在下層最低，為152. 301 μg/cm2。對(duì)于闊葉樹種，其干物質(zhì)面密度在樹木上層葉片最高，為0. 282 μg/cm2，樹木下層最低，為0. 254 μg/cm2；對(duì)于針葉樹種，Cab在樹木中層葉片最高，為2. 145 μg/cm2，在下層最低，為1. 167 μg/cm2。

1. 4 研究方法

有研究結(jié)果表明，SIF690 /SIF735 （SIF690、SIF735為波段690、735 nm的熒光發(fā)射值，以此類推）與葉片Cab密切相關(guān)，而被選波段分別為熒光發(fā)射輻射的峰值和不受熒光影響的波段，從而最大限度地放大熒光光譜的參數(shù)敏感性［18-19］。也有學(xué)者試圖通過反射率的比值R686 /R630、R690 /R630 和R740 /R800（R686 表示波段686 nm時(shí)的反射率，以此類推R630、R690、R740、R800）量化SIF，從而實(shí)現(xiàn)森林生化參數(shù)的估算［20- 21］。由于SIF大部分光譜特征可以用Cab進(jìn)行解釋，所以綜合以上工作選取熒光比值SIF1 /SIF2，進(jìn)行Cab估算模型構(gòu)建，并探究熒光比值估算樹木Cab可行性。其中SIF1選取對(duì)Cab較為敏感波長(zhǎng)，SIF2 選取對(duì)Cab敏感度較低的波長(zhǎng)。

SCOPE 模型作為一個(gè)集輻射傳輸原理與能量守恒定律于一體的綜合框架，因其能準(zhǔn)確地模擬SIF現(xiàn)象及其晝夜變化特征，被廣泛地應(yīng)用到葉綠素?zé)晒膺b感的理論與方法研究中。本研究通過調(diào)整和改變?nèi)~片生化參數(shù)，利用SCOPE 模型的Fluspect模塊模擬葉片的輻射傳輸和熒光發(fā)射矩陣［22］。Fluspect 模塊在模擬熒光時(shí)需要輸入葉片的層結(jié)構(gòu)、干物質(zhì)面密度、水含量、Cab，具體輸入?yún)?shù)及范圍見表2。參考表2參數(shù)設(shè)置，輸入SCOPE模型進(jìn)行模擬，共獲取了137組數(shù)據(jù)建立。利用SCOPE模型模擬的SIF與實(shí)際測(cè)量的SIF如圖3所示。由圖3可以看出模擬結(jié)果與實(shí)測(cè)數(shù)據(jù)具有很好的一致性。

SimLab模型可以評(píng)估系統(tǒng)的輸入?yún)?shù)對(duì)輸出結(jié)果的影響程度。SimLab包括參數(shù)掃描（Parametersweep）、單因素敏感性分析（One-factor-at-a-time sensitivityanalysis）、原效應(yīng)方法（Morris）、索爾波方法（Sobol）、蒙特卡羅方法（Monte carlo）等多種敏感性分析方法。因Morris方法可以考慮參數(shù)之間的相互作用和非線性關(guān)系，因此本研究采用Morris方法分析熒光光譜的參數(shù)敏感性。

利用敏感性分析確定Cab影響高敏感區(qū)和低敏感區(qū)，再結(jié)合SCOPE模擬數(shù)據(jù)，構(gòu)建Cab熒光光譜分析模型，最后利用實(shí)測(cè)數(shù)據(jù)集評(píng)價(jià)模型的可靠性和穩(wěn)定性。

2 結(jié)果與分析

2. 1 SCOPE模擬參數(shù)敏感性分析

借助Simlab 模型的分析框架和SCOPE 模型的模擬數(shù)據(jù)，分析650～800 nm這一特定的葉片熒光光譜區(qū)間內(nèi)，葉片結(jié)構(gòu)及生化參數(shù)在太陽光誘導(dǎo)葉綠素?zé)晒獠ǘ蔚拿舾卸?。葉片層面生化組分對(duì)SIF響應(yīng)的細(xì)致敏感性，具體結(jié)果如圖4所示，葉片干物質(zhì)面密度在675、725 nm 處分別有2 個(gè)敏感峰，在700 nm處有個(gè)敏感谷，在760～800 nm則趨于平緩，且敏感性0. 3；葉片含水量在675、720nm處有敏感峰，在700 nm處存在敏感谷，在760～800 nm敏感性趨于平緩，為0. 07；葉片層結(jié)構(gòu)特征在675、730 nm處分別有敏感峰值，在700 nm 處有敏感谷值，在760～800 nm 敏感性曲線趨于平緩，為0. 12；葉片Cab在700 nm處有敏感峰值，在730 nm處存在敏感谷值，760～800 nm敏感性趨于穩(wěn)定，為0. 8。在700 nm波長(zhǎng)處葉片層結(jié)構(gòu)、葉片含水量和葉片干物質(zhì)面密度的敏感性最小，而Cab的變化在此敏感性處于峰值；在730 nm處葉片層結(jié)構(gòu)、葉片含水量和葉片干物質(zhì)面密度敏感性最高，Cab的變化對(duì)熒光特征的敏感性最低；在760～800 nm波段處，葉片生化特征改變對(duì)熒光特征的敏感性趨于平穩(wěn)，葉片層結(jié)構(gòu)敏感性值為0. 12，葉片干物質(zhì)面密度為0. 3，葉片含水量為0. 07，Cab為0. 8，Cab在4個(gè)因素中敏感性處于最高。基于上述分析，為精確估算Cab，本研究篩選了3種熒光比值指標(biāo)，分別為SIF700 與SIF730 的比值（SIF700/SIF730）、SIF760與SIF730的比值（SIF760/SIF730），以及SIF760與SIF700的比值（SIF760/SIF700），這些方法旨在提升Cab熒光估算的精度。

2. 2 基于模擬數(shù)據(jù)的Cab估算結(jié)果

選擇與Cab相關(guān)性最高的熒光波段和敏感性分析中對(duì)Cab敏感性最高，而其他因素敏感性最小的波段，構(gòu)建分析Cab的熒光指數(shù)。通過構(gòu)造基于這2 個(gè)特定波長(zhǎng)（即SIF700/SIF730、SIF760/SIF730 及SIF760/SIF700）的SIF比值，能夠有效地削弱非目標(biāo)參數(shù)對(duì)試驗(yàn)結(jié)果造成的潛在干擾。本研究利用SCOPE 模型對(duì)137組數(shù)據(jù)進(jìn)行詳盡的熒光模擬分析，結(jié)果如圖5—圖7所示（RMSE為均方根誤差）。

由圖5 可知，利用SCOPE 模型模擬熒光，將700、730nm 處的熒光值SIF700/SIF730 與相對(duì)應(yīng)的Cab經(jīng)過冪函數(shù)擬合，擬合結(jié)果為y = 0. 028 8x-5. 843 7；R2=0. 904 8；RMSE=0. 088 6 μg/cm2，偏差??；呈顯著相關(guān)。

由圖6可知，經(jīng)過SCOPE模型模擬所得熒光進(jìn)行760、730 nm 波段的熒光進(jìn)行比值與相應(yīng)Cab的擬合結(jié)果。SIF760/SIF730 與Cab 呈線性關(guān)系：y =172. 213 0x - 111. 378 0；R2為0. 994 8，擬合效果好；RMSE=0. 052 8 μg/cm2；呈顯著相關(guān)。

由圖7可以看出，模擬熒光取760、700 nm處的熒光值進(jìn)行比值SIF760/SIF700與Cab之間的擬合關(guān)系y = 8. 764 9e x／1. 846 7 - 8. 614 1。SIF760/SIF700 與Cab 指數(shù)擬合效果較好，R2=0. 998 1，RMSE=0. 043 5 μg/cm2；呈顯著相關(guān)。

相較而言，SIF760/SIF700模型擬合的效果最好，R2=0. 998 1，RMSE=0. 0435 μg/cm2，偏差最?。籗IF760/SIF730次之，R2=0. 994 8，RMSE=0. 052 8 μg/cm2；SIF700/SIF730 精度最低，R2=0. 904 8，RMSE=0. 088 6 μg/cm2，但也達(dá)到了模型擬合良好的結(jié)果。

2. 3 實(shí)測(cè)數(shù)據(jù)的驗(yàn)證

2. 2. 1 實(shí)測(cè)數(shù)據(jù)整體驗(yàn)證及誤差分析

根據(jù)模擬分析結(jié)論，結(jié)合實(shí)測(cè)熒光數(shù)據(jù)，運(yùn)用上述3個(gè)模型（SIF700/SIF730、SIF760/SIF730、SIF760/SIF700）估算Cab。將這些估算結(jié)果與實(shí)測(cè)的Cab進(jìn)行對(duì)比分析，評(píng)估各方法的有效性和準(zhǔn)確性。具體結(jié)果如圖8—圖10所示。

圖8為利用SIF700/SIF730波段構(gòu)建的模型和實(shí)測(cè)熒光數(shù)據(jù)計(jì)算的Cab與實(shí)測(cè)數(shù)據(jù)的擬合結(jié)果及誤差分析。由圖8可知，該模型估算的Cab普遍低于實(shí)際測(cè)量的Cab，但兩者擬合的標(biāo)準(zhǔn)誤差（RMSE）較小，為0. 345 4 μg/cm2，偏差較小。此模型在Cab低于20 μg/cm2時(shí)誤差較大，超過20%，Cab大于20 μg/cm2時(shí)，誤差較小，低于20%，但也不排除測(cè)量誤差而導(dǎo)致數(shù)值大于20%。

圖9為利用SIF760/SIF730波段構(gòu)建的模型和實(shí)際熒光數(shù)據(jù)計(jì)算的Cab與實(shí)測(cè)Cab之間的擬合結(jié)果及其誤差分析。由圖9可知，利用SIF760/SIF730 估算的Cab與實(shí)測(cè)的Cab擬合效果好，R2為0. 985 6，RMSE為0. 210 8 μg/cm2，整體偏差較小。但在Cab較大時(shí)估算結(jié)果出現(xiàn)了輕微的高估。當(dāng)Cab低于5 μg/cm2時(shí)，此模型估算Cab 會(huì)產(chǎn)生較大誤差，在5～10 μg/cm2時(shí)，估算的Cab與實(shí)測(cè)Cab誤差在20%～30%，當(dāng)Cab大于10 μg/cm2時(shí)，估算的Cab產(chǎn)生的誤差小于20%。

圖10 為利用SIF760/SIF700 波段構(gòu)建的模型和實(shí)際測(cè)量的熒光值估算的Cab及其產(chǎn)生的誤差。由圖10可知，利用SIF760/SIF700估算的Cab與實(shí)際測(cè)量的Cab偏差較大，RMSE為0. 763 5 μg/cm2。此模型估算的Cab與實(shí)際測(cè)量結(jié)果產(chǎn)生的誤差均很大。

綜上所述，利用SIF760/SIF730波段構(gòu)建的模型估算的結(jié)果效果最好，R2為0. 985 6，RMSE為0. 21 08 μg/cm2，偏差最?。籗IF700/SIF730 次之，R2 為0. 981 8，RMSE為0. 345 4 μg/cm2；雖然SIF760/SIF700波段構(gòu)建的模型精度最低，但R2 和RMSE 也分別達(dá)到了0. 978 6和0. 763 5 μg/cm2。

2. 2. 2 模型在不同林分類型間的可靠性驗(yàn)證及誤差分析

為進(jìn)一步驗(yàn)證模型的可用性，將實(shí)測(cè)數(shù)據(jù)分為闊葉樹種和針葉樹種，將闊葉樹種和針葉樹種的實(shí)測(cè)數(shù)據(jù)分別代入上述3種估算模型進(jìn)行驗(yàn)證，評(píng)估模型對(duì)不同森林類型Cab估算的準(zhǔn)確性，具體結(jié)果如圖11—圖13所示。

將實(shí)測(cè)熒光數(shù)據(jù)按闊葉、針葉分類并分析利用SIF700/SIF730波段構(gòu)建的模型估算結(jié)果與實(shí)際測(cè)得的Cab之間的擬合關(guān)系及其誤差。圖11（a）和圖11（b）分別為闊葉和針葉模型估算結(jié)果和實(shí)測(cè)Cab之間的散點(diǎn)圖。對(duì)于闊葉來說，利用模型估算的結(jié)果要比實(shí)際測(cè)量的結(jié)果偏低，RMSE為0. 369 6 μg/cm2。對(duì)于針葉來說，當(dāng)Cab超過40 μg/cm2時(shí)估算結(jié)果呈現(xiàn)出高估情況，但總體RMSE為0. 261 0 μg/cm2。圖11（c）和圖11（d）分別是闊葉和針葉模型估算值和實(shí)測(cè)值之間的誤差。Cab小于25 μg/cm2的闊葉樹種樣本，呈現(xiàn)出較大的估算誤差。而針葉樹種當(dāng)Cab在10～25μg/cm2時(shí)所產(chǎn)生的誤差較低，表現(xiàn)出較好的估算精度。

圖12 為利用SIF760/SIF730 構(gòu)建的模型估算不同森林類型的Cab和實(shí)測(cè)含量之間的擬合關(guān)系和誤差分析。圖12（a）和圖12（b）分別是利用SIF760/SIF730估算的闊葉和針葉樹種的Cab與實(shí)測(cè)數(shù)據(jù)的擬合關(guān)系。由圖12（a）可知，利用SIF760/SIF730 估算的闊葉Cab和實(shí)際測(cè)量擬合效果好，R2為0. 989 6，RMSE為0. 184 2 μg/cm2，偏差小。由圖12（b）可知，對(duì)于針葉樹種模型估算結(jié)果略高于實(shí)際測(cè)量，產(chǎn)生的偏差相比于闊葉略大，RMSE為0. 274 0 μg/cm2。圖12（c）和圖12（d）分別為闊葉和針葉樹種估算結(jié)果的誤差分布。對(duì)于闊葉樹種，當(dāng)Cab在5～20 μg/cm2時(shí)產(chǎn)生的誤差低于30%，大于20 μg/cm2時(shí)，估算產(chǎn)生的誤差低于20%，對(duì)于針葉，在Cab 為5～30 μg/cm2 時(shí)。整體估算的誤差小于20%。

圖13 為利用SIF760/SIF700 估算不同森林類型的Cab 與實(shí)測(cè)值之間的擬合關(guān)系和誤差分析。圖13（a）和圖13（b）分別為利用SIF760/SIF700估算的闊葉、針葉Cab和實(shí)測(cè)值之間的擬合結(jié)果。由圖13可知，無論是闊葉還是針葉樹種，利用SIF760/SIF700所得的估算值與實(shí)測(cè)值偏差均很大，RMSE 分別為0. 7820、0. 615 8 μg/cm2。利用SIF760/SIF700 估算闊葉和針葉的Cab誤差大于30%，估計(jì)誤差較大。

綜上所述，利用SIF760/SIF730波段構(gòu)建的模型估算的結(jié)果效果最好，其中闊葉樹種R2為0. 989 6，針葉樹種R2為0. 968 0。闊葉和針葉樹種的RMSE分別為0. 184 2、0. 274 0 μg/cm2，偏差最?。籗IF700/SIF730次之，闊葉樹種R2為0. 983 5，針葉樹種R2為0. 973 0，闊葉和針葉樹種的RMSE 分別為0. 369 6、0. 261 0μg/cm2；SIF760/SIF700構(gòu)建模型估算精度最低，對(duì)于闊葉樹種R2為0. 978 9，針葉樹種R2為0. 975 9，闊葉和針葉樹種的RMSE分別為0. 782 0、0. 615 8 μg/cm2，但這樣的精度也能滿足一定研究的需求。

3 討論

3. 1 基于SIF估算Cab相關(guān)研究比較

對(duì)比已有研究可以發(fā)現(xiàn)利用遙感技術(shù)估算Cab的工作主要聚焦于農(nóng)作物領(lǐng)域，并通過Cab的估算解決作物估產(chǎn)等問題。如印玉明等［23］計(jì)算了SIF指數(shù)基于線性回歸和輻射傳輸模型2種方法建立Cab估算模型。在單葉尺度上，下行SIF指數(shù)與單葉Cab相關(guān)性最高，R2為0. 77，該研究使用的SIF指數(shù)是基于熒光產(chǎn)量計(jì)算得到，該數(shù)據(jù)與熒光波段的數(shù)值是有差別的，且SIF指數(shù)與Cab相關(guān)性最高為0. 77，略低于本研究所構(gòu)建模型精度，本研究基于SIF760/SIF730波段構(gòu)建模型擬合精度為0. 985 6。同時(shí)在不同的森林類型的獨(dú)立樣本檢驗(yàn)中都表現(xiàn)出極好的魯棒性。Zhou等［24］探索利用SIF和反射率的跨物種數(shù)據(jù)集構(gòu)建估算Cab的魯棒遷移學(xué)習(xí)模型，該研究使用C3植物數(shù)據(jù)集估算Cab，討論了差異性樣本的Cab估算精度。Lichtenthaler等［18］研究表明SIF690 /SIF735變化與Cab關(guān)系存在較一致的對(duì)應(yīng)關(guān)系，并且指出該指數(shù)能夠用來進(jìn)行Cab的估算。分析原因一方面來源于較科學(xué)的敏感性分析，從而能夠篩選出特征波段。另外一方面，從光合作用機(jī)理角度來看Cab與葉綠素?zé)晒庵g關(guān)系密切，較高的Cab會(huì)使植物捕獲更多的光能，進(jìn)而導(dǎo)致熒光量子產(chǎn)出增多?；诖耍瑹晒獠ǘ伪戎挡粌H能夠直接反映Cab的變化，還可以為今后估算Cab的研究提供新思路。

3. 2 模型誤差分析

影響熒光的因素有植物生理參數(shù)和環(huán)境因子兩類［25］，其中，植物生理參數(shù)中的葉片結(jié)構(gòu)會(huì)改變進(jìn)入葉片內(nèi)部結(jié)構(gòu)，影響反射能量的大小，從而會(huì)影響熒光和光合作用的關(guān)系。由于光進(jìn)入葉片內(nèi)部的過程是十分復(fù)雜的，葉片內(nèi)部的分子并不是均勻分布的［26］，所以模型誤差一方面是由于模型在模擬光進(jìn)入葉片內(nèi)部的復(fù)雜過程中存在偏差，所以造成估算的不穩(wěn)定性。同時(shí)，環(huán)境因子包括空氣溫度、飽和水汽壓、太陽天頂角和水分脅迫等因素同樣會(huì)對(duì)葉片的生理生化特征產(chǎn)生影響，而這些因素對(duì)葉片的影響并不是單獨(dú)存在的，通常是幾個(gè)因素的連鎖反應(yīng)，而這些不確定性，可能導(dǎo)致激發(fā)熒光的差異性，從而對(duì)后續(xù)估算造成影響［27］。

此外，由于實(shí)地測(cè)量數(shù)據(jù)包含多個(gè)樹種葉片，由于樹種類型其葉片形態(tài)和結(jié)構(gòu)存在明顯差異，如闊葉具有寬而平展的葉片并且葉脈復(fù)雜，而針葉具有細(xì)長(zhǎng)而尖銳的葉片，其葉脈簡(jiǎn)單等差異，這些因素也會(huì)對(duì)結(jié)果產(chǎn)生影響，從而影響Cab和熒光之間的關(guān)系。而SCOPE模型并沒有將葉片特征如此細(xì)化，所以樹種的差異性可能也會(huì)導(dǎo)致SCOPE模型模擬的結(jié)果與實(shí)地測(cè)量得到的Cab和熒光模型之間關(guān)系產(chǎn)生差異，最終導(dǎo)致各種或大或小的誤差。這些問題都需要進(jìn)一步地深入研究。

4 結(jié)論

本研究以葉片Cab熒光光譜估算為主要研究?jī)?nèi)容，分析利用葉綠素?zé)晒獗戎倒浪銟淠綜ab的可行性。本研究選用700、730、760 nm波段的比值作為估算模型的輸入因子，與Cab建立數(shù)學(xué)模型，實(shí)現(xiàn)利用SIF估算Cab。研究結(jié)果表明，3種估算模型具有較好的擬合效果，R2均在0. 9以上，而利用獨(dú)立的實(shí)測(cè)樣本集進(jìn)行模型魯棒性驗(yàn)證時(shí)，發(fā)現(xiàn)利用SIF760/SIF730所得的估算結(jié)果與實(shí)測(cè)結(jié)果偏差最小，RMSE為0. 210 8 μg/cm2，當(dāng)Cab高于5 μg/cm2時(shí)產(chǎn)生的誤差在20%～30%。在實(shí)際應(yīng)用中，建議選用SIF760/SIF730 進(jìn)行植被葉片Cab的估算。本研究結(jié)果為利用SIF估算植被葉片Cab提供了參考，同時(shí)也為研究植物光合作用提供了新方向。

【參 考 文 獻(xiàn)】

［1］ 馮海寬，陶惠林，趙鈺，等. 利用無人機(jī)高光譜估算冬小麥葉綠素含量［J］. 光譜學(xué)與光譜分析，2022，42（11）：3575-3580.

FENG H K，TAO H L，ZHAO Y，et al. Estimation of chlorophyllcontent in winter wheat based on UAV hyperspectral［J］. Spectroscopy and Spectral Analysis，2022，42（11）：3575-3580.

［2］ 宮兆寧，趙雅莉，趙文吉，等. 基于光譜指數(shù)的植物葉片葉綠素含量的估算模型［J］. 生態(tài)學(xué)報(bào)，2014，34（20）：5736-5745.

GONG Z N，ZHAO Y L，ZHAO W J，et al. Estimationmodel for plant leaf chlorophyll content based on the spectralindex content［J］. Acta Ecologica Sinica，2014，34（20）：5736-5745.

［3］ 孟慶野，董恒，秦其明，等. 基于高光譜遙感監(jiān)測(cè)植被葉綠素含量的一種植被指數(shù)MTCARI［J］. 光譜學(xué)與光譜分析，2012，32（8）：2218-2222.

MENG Q Y，DONG H，QIN Q M，et al. MTCARI：A kind ofvegetation index monitoring vegetation leaf chlorophyll contentbased on hyperspectral remote sensing［J］. Spectroscopyand Spectral Analysis，2012，32（8）：2218-2222.

［4］ 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 differenceratio pigment index for estimating chlorophyll andcartenoid contents of in leaves of rice［J］. Spectroscopy andSpectral Analysis，2009，29（4）：1064-1068.

［5］ 何彩蓮，鄭順林，周少猛，等. 基于高光譜植被指數(shù)的馬鈴薯葉片葉綠素含量估測(cè)模型［J］. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)，2016，37（5）：45-49.

HE C L，ZHENG S L，ZHOU S M，et al. Estimation modelsof chlorophyll contents in potato leaves based on hyperspectralvegetation indices［J］. Journal of South China AgriculturalUniversity，2016，37（5）：45-49.

［6］ 馮銳，武晉雯，王宏博，等. 玉米苗期干旱脅迫對(duì)關(guān)鍵生育期的光譜特征影響分析［J］. 光譜學(xué)與光譜分析，2020，40（7）：2222-2234.

FENG R，WU J W，WANG H B，et al. Influence of droughtstress on maize in the seedling stage on spectral characteristicsat the critical developmental stage［J］. Spectroscopyand Spectral Analysis，2020，40（7）：2222-2234.

［7］ 陳春，劉成玉，張樹清. 基于地物光譜矢量空間的遙感圖像大氣影響校正［J］. 中國(guó)科學(xué)：地球科學(xué)，2012，42（6）：962-968.

CHEN C，LIU C Y，ZHANG S Q. Atmospheric correctionof remote sensing imagery based on the surface spectrum′svector space［J］. Science China Earth Sciences，2012，42（6）：962-968.

［8］ 陳博，穆磊，張彪，等. 地形條件對(duì)空間目標(biāo)細(xì)致光譜輻射特性的影響［J］. 紅外與激光工程，2019，48（12）：255-262.。

CHEN B，MU L，ZHANG B，et al. Effects of terrain conditionson the detailed spectral radiation characteristics ofthe space target［J］. Infrared and Laser Engineering，2019，48（12）：255-262.

［9］ 詹春暉，章釗穎，張永光. 日光誘導(dǎo)葉綠素?zé)晒廨椛鋫鬏斈Ｐ脱芯窟M(jìn)展［J］. 遙感學(xué)報(bào)，2020，24（8）：945-957.

ZHAN C H，ZHANG Z Y，ZHANG Y G. Recent advancesin the radiative transfer models of sun-induced chlorophyllfluorescence［J］. National Remote Sensing Bulletin，2020，24（8）：945-957.

［10］ 章釗穎，王松寒，邱博，等. 日光誘導(dǎo)葉綠素?zé)晒膺b感反演及碳循環(huán)應(yīng)用進(jìn)展［J］. 遙感學(xué)報(bào)，2019，23（1）：37-52.

ZHANG Z Y，WANG S H，QIU B，et al. Retrieval of suninducedchlorophyll fluorescence and advancements incarbon cycle application［J］. National Remote SensingBulletin，2019，23（1）：37-52.

［11］ 楊妮，鄧樹林，樊艷紅，等. 葉綠素?zé)晒膺b感反演及其農(nóng)業(yè)監(jiān)測(cè)應(yīng)用研究進(jìn)展［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（14）：1-13.

YANG N，DENG S L，F(xiàn)AN Y H，et al. Research progressof chlorophyll fluorescence retrieval by remote sensingand its application in agricultural monitoring［J］. JiangsuAgricultural Sciences，2023，51（14）：1-13.

［12］ 彭金龍，李萌，褚榮浩，等. 日光誘導(dǎo)葉綠素?zé)晒夥囱菁捌湓谥脖画h(huán)境脅迫監(jiān)測(cè)中的研究進(jìn)展［J］. 江蘇農(nóng)業(yè)科學(xué)，2021，49（24）：29-40.

PENG J L，LI M，CHU R H，et al. Research progress ofsun-induced chlorophyll fluorescence inversion and itsapplication in vegetation environmental stress monitoring［J］. Jiangsu Agricultural Sciences，2021，49（24）：29-40.

［13］ LICHTENTHALER H K，RINDERLE U. The role of chlo‐rophyll fluorescence in the detection of stress conditionsin plants［J］. C R C Critical Reviews in Analytical Chemistry，1988，19（sup1）：S29-S85.

［14］ ZHANG H，GE Y，XIE X，et al. High throughput analysisof leaf chlorophyll content in sorghum using RGB，hyperspectral，and fluorescence imaging and sensor fusion［J］.Plant Methods，2022，18（1）：60.

［15］ ZHOU Y A，HUANG Z，ZHOU W，et al. Optimized transferlearning for chlorophyll content estimations across datasetsof different species using sun-Induced chlorophyllfluorescence and reflectance［J］. Remote Sensing，2024，16（11）：1869.

［16］ 陳潔. 基于熒光光譜的植物葉綠素含量估算方法研究［D］. 哈爾濱：東北林業(yè)大學(xué)，2023.

CHEN J. Study on estimation method of plant chlorophyllcontent based on fluorescence spectrum［D］. Harbin：Northeast Forestry University，2023.

［17］ 孫俊寶，王建新. 櫻桃葉綠素含量測(cè)定方法研究［J］.山西農(nóng)業(yè)科學(xué)，2010，38（3）：18-19，33.

SUN J B，WANG J X. Study on method for determinationof chlorophyll in cherry leaves［J］. Journal of Shanxi AgriculturalSciences，2010，38（3）：18-19，33.

［18］ LICHTENTHALER H K，HAK R，RINDERLE U. Thechlorophyll fluorescence ratio F690/F730 in leaves of differentchlorophyll content［J］. Photosynthesis Research，1990，25（3）：295-298.

［19］ AGATI G，MAZZINGHI P，F(xiàn)USI F，et al. The F685/F730 chlorophyll fluorescence ratio as a tool in plant physiology：Response to physiological and environmental factors*［J］. Journal of Plant Physiology，1995，145（3）：228-238.

［20］ ZARCO-TEJADA P J，MILLER J R，MOHAMMED G H，et al. Vegetation stress detection through chlorophyll a+bestimation and fluorescence effects on hyperspectral imagery［J］. Journal of Environmental Quality，2002，31（5）：1433-1441.

［21］ DOBROWSKI S Z，PUSHNIK J C，ZARCO-TEJADA P J，et al. Simple reflectance indices track heat and waterstress-induced changes in steady-state chlorophyll fluorescenceat the canopy scale［J］. Remote Sensing of Environment，2005，97（3）：403-414.

［22］ YANG P，PRIKAZIUK E，VERHOEF W，et al. SCOPE2. 0：A model to simulate vegetated land surface fluxesand satellite signals［J］. Geoscientific Model Development，2021，14（7）：4697-4712.

［23］ 印玉明，王永清，馬春晨，等. 利用日光誘導(dǎo)葉綠素?zé)晒獗O(jiān)測(cè)水稻葉片葉綠素含量［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（12）：169-180.

YIN Y M，WANG Y Q，MA C C，et al. Monitoring of chlorophyllcontent in rice canopy and single leaf using suninducedchlorophyll fluorescence［J］. Transactions of theChinese Society of Agricultural Engineering，2021，37（12）：169-180.

［24］ ZHOU Y A，HUANG Z，ZHOU W，et al. Optimized transferlearning for chlorophyll content estimations across datasetsof different species using sun-induced chlorophyllfluorescence and reflectance［J］. Remote Sensing，2024，16（11）：1869.

［25］ 劉雷震，武建軍，周洪奎，等. 葉綠素?zé)晒饧捌湓谒置{迫監(jiān)測(cè)中的研究進(jìn)展［J］. 光譜學(xué)與光譜分析，2017，37（9）：2780-2787.

LIU L Z，WU J J，ZHOU H K，et al. Chlorophyll fluorescenceand its progress in detecting water stress［J］. Spectroscopyand Spectral Analysis，2017，37（9）：2780-2787.

［26］ FUKSHANSKY L，REMISOWSKY A M V，MCCLENDONJ，et al. Absorption spectra of leaves corrected forscattering and distributional error：A radiative transferand absorption statistics treatment［J］. Photochemistryand Photobiology，1993，57（3）：538-555.

［27］ 錢新. 基于葉綠素?zé)晒膺b感的植被干旱脅迫指數(shù)構(gòu)建［D］. 南京：南京大學(xué)，2019.

QIAN X. Construction of vegetation drought stress indexbased on chlorophyll fluorescence remote sensing［D］.Nanjing：Nanjing University，2019.

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（32471855；31971580）。