郭超凡，郭逍宇,*

1 首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048 2 北京市城市環(huán)境過程與數(shù)字模擬重點(diǎn)實(shí)驗(yàn)室,省部共建國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，北京 100048 3 三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室，北京 100048 4 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048

?

基于可見光波段包絡(luò)線去除的濕地植物葉片葉綠素估算

郭超凡1,2,3,4，郭逍宇1,2,3,4,*

1 首都師范大學(xué)資源環(huán)境與旅游學(xué)院，北京 100048 2 北京市城市環(huán)境過程與數(shù)字模擬重點(diǎn)實(shí)驗(yàn)室,省部共建國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，北京 100048 3 三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室，北京 100048 4 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048

研究采用蘆葦和香蒲葉片光譜及實(shí)測(cè)葉綠素含量數(shù)據(jù)，選取波段譜帶范圍為可見光波段400—760nm(為了避免近紅外波段受葉片水分含量的影響，降低構(gòu)建模型的穩(wěn)定性)，利用相關(guān)分析與逐步回歸分析的統(tǒng)計(jì)學(xué)分析方法，建立葉面尺度下不同包絡(luò)線去除衍生轉(zhuǎn)換光譜: BD (band depth)、CRDR (continuum-removed derivative reflectance)、BDR (band depth ratio)、NBDI (normalized band depth index) 與葉綠素含量估算模型。通過對(duì)入選波段的統(tǒng)計(jì)表明在550—750nm，特別是700—750nm(紅邊)波段范圍內(nèi)產(chǎn)生了較多的有效波段，是今后進(jìn)行生物參量反演的重點(diǎn)波段范圍。舍一交叉驗(yàn)證結(jié)果表明蘆葦、香蒲和混合樣本綠素含量估測(cè)的最佳模型分別為BD、CRDR和NBDI模型，其交叉驗(yàn)證決定系數(shù)依次為0.87、0.83和0.81，交叉驗(yàn)證均方根誤差RMSE依次為0.16、0.15和0.33。并在此基礎(chǔ)上利用獨(dú)立樣本非參數(shù)檢驗(yàn)和多因子方差分析，探討相關(guān)因素對(duì)于葉綠素含量估算模型精度的影響。結(jié)果表明物種差異、數(shù)據(jù)類型差異對(duì)于葉綠素回歸模型的影響較大，而光譜類型差異及光譜數(shù)據(jù)與數(shù)據(jù)類型交互作用對(duì)于回歸模型精度的影響較小。

濕地植物；包絡(luò)線去除；高光譜；葉綠素含量；可見光波段

葉綠素作為植物光合作用的主要色素，直接參與光能的吸收、傳遞、分配和轉(zhuǎn)化等過程，其含量的多少不僅反映植物的營(yíng)養(yǎng)條件、生長(zhǎng)發(fā)育狀況及生理代謝水平，還可作為環(huán)境生理研究的重要參考指標(biāo)[1]。因此，實(shí)時(shí)、準(zhǔn)確掌握葉綠素的含量、分布及變化情況對(duì)于監(jiān)測(cè)植物生長(zhǎng)狀態(tài)和生境適宜性評(píng)價(jià)具有重要的意義。

植物葉片的光合作用、呼吸、蒸散發(fā)和分解等生物過程與葉片的生化參量如葉片葉綠素、水分、氮和纖維素等濃度具有密切的關(guān)系[2]，而植物受葉片內(nèi)葉肉細(xì)胞結(jié)構(gòu)、葉綠素、水分含量、氮素含量以及其他生理生化參量的影響表現(xiàn)出不同的反射光譜曲線[3-4]。大量文獻(xiàn)成功借助于植物冠層或葉片光譜特征對(duì)植物生化參量進(jìn)行實(shí)時(shí)監(jiān)測(cè)和快速診斷，其結(jié)果對(duì)于理解大范圍的生態(tài)系統(tǒng)功能特性具有重要的意義[5]。其中，早期的生化參量遙感診斷研究多集中于借助指數(shù)模型進(jìn)行敏感波段的判別，但指數(shù)模型在實(shí)際應(yīng)用中容易受植物品種、生育期、生長(zhǎng)環(huán)境的影響[6]，其反演精度存在不穩(wěn)定性和普適性較差的問題。其次指數(shù)模型對(duì)于高光譜數(shù)據(jù)豐富的光譜信息而言極其有限，容易造成重要信息的丟失[7]。為克服指數(shù)模型的局限性，許多學(xué)者通過尋求各種統(tǒng)計(jì)方法構(gòu)建基于多變量反射光譜特征的植物生化參量估算模型。其中采用逐步回歸的方法(在測(cè)定的譜段范圍內(nèi)判別與植物生化參量密切相關(guān)的吸收特征波段)得到了廣泛的應(yīng)用[8-9]。同時(shí)，為了進(jìn)一步提高生物參量反演模型的精度和穩(wěn)定性，更多的學(xué)者開始嘗試通過對(duì)原始光譜進(jìn)行預(yù)處理即衍生變換，以便更好的挖掘生物參量的敏感波段，創(chuàng)建更加穩(wěn)定有效的回歸模型。其中對(duì)原始光譜進(jìn)行包絡(luò)線去除變換，由于該方法能夠壓抑背景光譜，擴(kuò)大弱吸收特征信息，被認(rèn)為是一種具有很大潛力的數(shù)據(jù)挖掘工具。Kokaly 和Clark提出通過光譜吸收特性的連續(xù)移除法、 帶深標(biāo)準(zhǔn)化分析和多元逐步線性回歸相結(jié)合的模型構(gòu)造方法以提高反演模型的回歸精度和魯棒性[10]；Curran等選取多種生物參量進(jìn)行反演研究，進(jìn)一步驗(yàn)證了Kokaly 和Clark方法的可靠性，促進(jìn)了包絡(luò)線去除方法在生物參量反演研究的應(yīng)用[11]。但該方法容易受到葉片水分等因素的影響，在濕生葉片生化參量的估算研究中適用性較差[12]。

由于水分的吸收譜帶主要位于近紅外波段，對(duì)于可見光譜帶范圍內(nèi)的反射率影響較?。豢紤]到植物色素(主要是葉綠素)濃度變異是決定可見光(400—760nm)反射光譜特征的主要因素已得到普遍認(rèn)同[8,13]，為基于利用可見光譜帶范圍內(nèi)反射率反演葉綠素含量提供了科學(xué)依據(jù)。同時(shí)，O.Mutanga等人利用可見光范圍內(nèi)反射光譜，通過波深分析方法對(duì)新鮮牧草的多種生物參量進(jìn)行了成功估算[14]，進(jìn)一步證明了利用可見光譜帶范圍的反射率反演生物參量的可行性。因此，本研究以?shī)W林匹克公園南園濕地優(yōu)勢(shì)挺水植物蘆葦和香蒲為研究對(duì)象，選取400—760nm(可將光)譜帶范圍的反射光譜和實(shí)測(cè)葉綠素含量為數(shù)據(jù)源，通過對(duì)原始光譜進(jìn)行包絡(luò)線去除變換，并基于逐步線性回歸分析構(gòu)建濕地挺水植物葉片葉綠素含量的反演模型。研究結(jié)果以期為濕地植物生長(zhǎng)的遙感監(jiān)測(cè)提供科學(xué)依據(jù)，為再生水利用的城市濕地恢復(fù)與管理提供參考和借鑒。

1 研究區(qū)概況

奧林匹克公園南園濕地地處北京市區(qū)北部，位于奧林匹克公園內(nèi)(圖1)。該區(qū)屬暖溫帶半干旱半濕潤(rùn)大陸性季風(fēng)氣候。多年平均氣溫11—12℃，極端最高氣溫41.6℃，極端最低氣溫-21.2℃。多年平均水面蒸發(fā)量在1200mm左右，多年平均降雨量約600mm。降雨年內(nèi)分配不均，多集中在汛期6—9月，約占全年的85%。奧林匹克公園以清河、北小河再生水處理廠的出水為補(bǔ)水水源，并循環(huán)利用，且補(bǔ)水入湖前流經(jīng)南園濕地以改善水質(zhì)。南園濕地以再生水處理濕地和循環(huán)水處理濕地為核心，植物氧化塘、生態(tài)氧化塘為輔助，混合生態(tài)功能區(qū)為補(bǔ)充，形成多層次的濕地凈化系統(tǒng)[15](圖1)。該凈化系統(tǒng)的各個(gè)部分均布有大量水生植物，主要包括蘆葦、香蒲、水蔥、千屈菜等。通過植物的凈化作用出水水質(zhì)可以達(dá)到地表Ⅲ類水水質(zhì)標(biāo)準(zhǔn)(GB3838—2002)。

圖1 奧林匹克公園南園濕地地理位置及凈化系統(tǒng)布置圖 Fig.1 Location and distribution of the purification system in the South Wetland

2 研究方法

2.1 濕地植物光譜與葉片葉綠素含量測(cè)定

選擇研究區(qū)主要的濕地植物蘆葦和香蒲為光譜采集對(duì)象。根據(jù)兩種濕地植物在每個(gè)水質(zhì)凈化子系統(tǒng)(再生水處理濕地，循環(huán)水處理濕地，植物氧化塘，生態(tài)氧化塘，混合生態(tài)功能區(qū))的分布情況，設(shè)置光譜采樣點(diǎn)77個(gè)，其中蘆葦光譜采樣點(diǎn)39個(gè)，香蒲光譜采樣點(diǎn)38個(gè)。于2011年8—10月分5次進(jìn)行濕地植物葉片光譜測(cè)量，測(cè)量?jī)x器采用美國(guó)ASD(Analytical Spectral Device)公司FieldSpec?3光譜儀加載的手持葉夾式葉片光譜探測(cè)器進(jìn)行。這種探測(cè)器內(nèi)置石英鹵化燈,光源穩(wěn)定；測(cè)量時(shí)葉片置于葉片夾的葉室中，然后夾緊葉片，保證葉片水平且被探測(cè)面積相同，以消除背景反射、葉片表面彎曲造成的光譜波動(dòng)及葉片內(nèi)部變異造成的影響，每組數(shù)據(jù)采集前均進(jìn)行標(biāo)準(zhǔn)白板校正[16]。光譜采樣范圍為350—2500nm，光譜分辨率在700nm時(shí)為3nm，在1400nm時(shí)為8.5nm，在2100nm時(shí)為6.5nm，光譜采樣間隔在350—1000nm為1.4nm，在1000—2500nm為2nm。

葉綠素的測(cè)量采用分光光度計(jì)法。將選取的與光譜測(cè)量相應(yīng)的葉片剪碎，放入丙酮和乙醇1∶1混合液中，根據(jù)葉綠素a、b在特定提取溶液中對(duì)特定波長(zhǎng)的光有最大吸收的原理，使用分光光度計(jì)(UV-1600 Spectrophotometer)測(cè)定在645nm和 663nm 處的光密度，計(jì)算葉綠素濃度[17]。公式如下：

Ca=(12.7×A663-2.59×A645)×v/m

(1)

Cb=(22.9×A645-7.32×A663)×v/m

(2)

CT=Ca+Cb

(3)

式中，A663、A645分別代表在663、645 波段處的光密度值，Ca為葉綠素 a 含量,Cb為葉綠素 b含量,CT為總?cè)~綠素含量,v為提取液體積,m為樣品重。

2.2 數(shù)據(jù)處理

2.2.1 光譜數(shù)據(jù)預(yù)處理

本文選取的波段范圍是400—760nm，對(duì)每個(gè)采樣點(diǎn)光譜進(jìn)行平均。為減少數(shù)據(jù)冗余度，對(duì)光譜進(jìn)行重采樣(儀器輸出光譜自動(dòng)重采樣為1nm的分辨率)，采樣間隔為5nm，并采用Savitzky-Golay方法進(jìn)行平滑，該方法為窗口移動(dòng)多項(xiàng)式最小二乘平滑，能夠保留光譜細(xì)微特征并減少隨機(jī)噪聲，提高光譜信噪比[18]。

2.2.2 原始光譜包絡(luò)線去除及標(biāo)準(zhǔn)化處理

圖2 包絡(luò)線去除法示意圖Fig.2 Continuum removal reflectance spectral curve

包絡(luò)線去除即通過將反射光譜吸收強(qiáng)烈部分的波段特征進(jìn)行轉(zhuǎn)換，在一個(gè)共同基線的基礎(chǔ)上比較反射光譜的吸收特征，從而進(jìn)行光譜吸收特征分析和光譜特征波段選擇(圖2)。

對(duì)光譜進(jìn)行包絡(luò)線去除是為了增強(qiáng)生化參量敏感波段的光譜吸收特征。考慮到葉綠素的吸收特征主要集中在藍(lán)、紅波段，且參照Curran等[11]在測(cè)試葉片多種生物參量時(shí)選取的波段中心，結(jié)合本研究的實(shí)際光譜數(shù)據(jù)，最終確定包絡(luò)線去除區(qū)域?yàn)?05—520nm、550—750nm，波深中心分別為495nm和680nm。在確定包絡(luò)線區(qū)域后，對(duì)原始光譜進(jìn)行包絡(luò)線去除，具體過程公式如下：

(4)

(5)

此外，考慮到遙感影像處理中為降低土壤背景、傳感器信噪比、大氣吸收水分等因素的影響，通常會(huì)對(duì)影像進(jìn)行標(biāo)準(zhǔn)化處理。為實(shí)現(xiàn)地面測(cè)量與高空遙感的有效結(jié)合，本文對(duì)包絡(luò)線去除后的光譜進(jìn)行進(jìn)一步的標(biāo)準(zhǔn)化處理，降低噪聲影響，參照O.Mutanga等[19]，本研究選取4種衍生光譜：BD (Band depth)、CRDR (Continuum-removed derivative reflectance)、BDR (Normalised band depth ratio)和NBDI (Normalised band depth index)進(jìn)行生物參量回歸模型的構(gòu)建。其具體計(jì)算公式如下表：

BD=1-R′

(6)

(7)

BDR=BD/DC

(8)

NBDI=(BD-DC)/(BD+DC)

(9)

式中，R′為光譜反射率包絡(luò)線去除值，DC為波深。

2.2.3 模型建立與精度評(píng)價(jià)

基于spss等軟件，通過進(jìn)行逐步多元回歸分析，建立4類包絡(luò)線去除衍生光譜(BD、CRDR、BDR、NBDI)與葉綠素含量的回歸模型；模型精度檢驗(yàn)采用舍一交叉驗(yàn)證方法,評(píng)價(jià)指標(biāo)為交叉驗(yàn)證決定系數(shù)(R2)和交叉驗(yàn)證均方根誤差(RMSE)，并繪制葉綠素含量最優(yōu)模型的實(shí)測(cè)值與估計(jì)值之間的1∶1關(guān)系圖。

3 分析與討論

3.1 生物參量分析

本文首先對(duì)獲取的樣本葉綠素含量進(jìn)行了統(tǒng)計(jì)分析，其結(jié)果如表1所示。77個(gè)樣本的葉綠素含量波動(dòng)區(qū)間為(2.10±0.17)%CL (Confidence limit of the mean)，其中蘆葦?shù)牟▌?dòng)范圍為(2.72±0.15)%CL，香蒲的波動(dòng)范圍為(1.46±0.12)%CL；這種波動(dòng)為研究植物光譜與葉綠素含量的關(guān)系奠定了基礎(chǔ)。此外，蘆葦?shù)娜~綠素含量均高于香蒲。

表1 不同分類條件下葉綠素含量水平統(tǒng)計(jì)表

3.2 相關(guān)性分析

為探索植物反射光譜特征與生物參量間的關(guān)聯(lián)性，分別對(duì)樣本的4類包絡(luò)線去除衍生光譜(CRDR、BD、BDR、NBDI)與葉綠素含量進(jìn)行相關(guān)性分析(圖2)。

圖3 蘆葦、香蒲包絡(luò)線去除衍生光譜與葉綠素含量的相關(guān)系數(shù)圖Fig.3 Coefficients of correlation relating BD、CRDR、BDR、NBDI to contents of chlorophyll from overall data

圖3表示樣本的葉綠素含量與其對(duì)應(yīng)的4種包絡(luò)線去除衍生光譜之間相關(guān)關(guān)系。其中BD曲線中達(dá)到極顯著水平的波段分布在藍(lán)、綠、黃、橙和紅5個(gè)波段，極值點(diǎn)為515、610、745nm。CRDR曲線中達(dá)到極顯著水平的波段分布在藍(lán)(靛)、綠、黃、橙和紅5個(gè)波段，極值點(diǎn)為515、565(560)、670、745nm。BDR和NBDI曲線中達(dá)到極顯著水平的波段一致，分布在綠、黃、橙和紅4個(gè)波段，極值點(diǎn)為665(670)、685、745nm。這些高相關(guān)波段為濕地植物生物參量的估測(cè)提供了保障。其中橙光波段是植物脅迫的敏感波段，相對(duì)于在紅波段的強(qiáng)吸收來(lái)說，葉綠素在該波段的吸收較弱，因此該波段對(duì)于葉綠素的微小變換十分敏感[20]。黃光波段反映了葉綠素和類胡蘿卜素對(duì)黃光的反射特征[21]，藍(lán)(靛)光波段反映植物光合作用色素(葉綠素，類胡蘿卜素)對(duì)藍(lán)光的吸收特征[22]。

3.3 模型構(gòu)建及精度評(píng)價(jià)

運(yùn)用逐步線性回歸分別構(gòu)建BD、CRDR、BDR、NBDI與葉綠素含量的回歸模型。設(shè)置顯著性F檢驗(yàn)的概率值(Use probability ofF)采用spss中的默認(rèn)設(shè)置，進(jìn)入0.05，刪除0.10。在構(gòu)建回歸方程時(shí)，需注意入選參數(shù)之間是否具有多重共線性。將入選參數(shù)進(jìn)行共線性診斷，對(duì)不符參量(VIF>10)進(jìn)行篩選、剔除，確保參量間不存在多重共線性。

表2 葉綠素含量估算模型的結(jié)果及入選波段

BD: Band depth; CRDR: Continuum-removed derivative reflectance; BDR: Normalised band depth ratio; NBDI: Normalised band depth index

建立估算模型后，為了檢驗(yàn)估算模型的可靠性和實(shí)用性，采用了交叉驗(yàn)證決定系數(shù)(R2)和均方根誤差(RMSE)2個(gè)指標(biāo)對(duì)估算模型進(jìn)行評(píng)定(表2)。在葉綠素回歸模型中，蘆葦?shù)幕貧w模型R2介于0.84—0.87，RMSE 0.16—0.18，其中BD模型具有最大的R2值和最小的RMSE值，是蘆葦葉綠素回歸的最優(yōu)模型；香蒲的回歸模型R2介于0.74—0.83，RMSE介于0.15—0.19，其中CRDR模型具有最大的R2值和最小的RMSE值，是香蒲葉綠素回歸的最優(yōu)模型；混合樣本的回歸模型R2介于0.74—0.81，RMSE介于0.33—0.38，其中NBDI模型具有最大的R2值和最小的RMSE值，是全部葉綠素回歸的最優(yōu)模型。

為了直觀的展示葉綠素含量最優(yōu)估算模型的擬合度和可靠性，繪制了預(yù)測(cè)值與實(shí)測(cè)值之間的 1∶1 關(guān)系圖(圖4)。

圖4 不同分類條件下葉綠素含量最優(yōu)模型的實(shí)測(cè)值與估計(jì)值之間的1∶1關(guān)系圖Fig.4 The 1∶1 Chl content relationship between the estimated value and measured value in cross validation of optimal model from different data sources

3.4 入選波段

Curran[11]等研究發(fā)現(xiàn)430、460、570、640、660nm、以及紅邊波段(700—750nm)為可見光范圍內(nèi)生物參量的敏感波段，入選波段位于敏感波段±12nm范圍，說明該波段具有明確的生理生化因果含義，屬于有效波段?？紤]到本研究中光譜重采樣間隔為5nm，本文選取±15nm作為敏感波段的波動(dòng)范圍。對(duì)葉綠素反演模型入選波段的統(tǒng)計(jì)結(jié)果見表3。

表3 葉綠素反演模型入選波段統(tǒng)計(jì)

Table 3 Frequency of wavebands selected by stepwise regression using four sets of spectral data (BD、CRDR、BDR、NBDI) and their relation with known absorption wavelengths

波段范圍Absorptionfeaturecentre易受生化參量影響波段/nmWavelengthsofknownchemicalinfluence對(duì)應(yīng)生理生化參量Knowncausalbiochemical參考文獻(xiàn)Reference入選波段頻率(±15nm)FrequencyofbandsselectedR405—520430葉綠素a[23-24]1460葉綠素b[23-24]2未分類7合計(jì)10(3)R550—750570葉綠素+氮[25]4640葉綠素b[11,23-24]6660葉綠素a[11,23-24]3(700—750)葉綠素+氮[26-28]16未分類6合計(jì)35(29)

在葉綠素模型中，共有45個(gè)波段入選，其中在405—520nm波段范圍內(nèi)產(chǎn)生10個(gè)入選波段，僅有3個(gè)波段具有明確生理生化含義。550—750nm波段范圍內(nèi)共產(chǎn)生了35入選波段，有效波段為29個(gè)，占全部波段的82%以上。說明550—750nm波段范圍能更有效的反映植物葉片的葉綠素含量。

相關(guān)研究發(fā)現(xiàn)680nm附近是色素的強(qiáng)吸收波段，被廣泛用于植被生化參量估算模型的構(gòu)建[25,29]；550—580nm屬于綠光波段，該波段范圍內(nèi)的許多光譜指數(shù)與葉綠素和氮具有較好的相關(guān)關(guān)系[8,30]；而700—750nm波段屬于紅邊波段，這些波段是生化參量的敏感波段[31]。這些相關(guān)研究所利用的光譜波段與本研究具有一定的相似性，說明一些關(guān)鍵波段在植被研究中具有普遍適用性。

3.5 模型的影響因素分析

在葉面尺度下，生物參量葉綠素含量的估測(cè)模型中哪些因素對(duì)于模型的回歸精度影響較大，為了探索這個(gè)問題，本文利用獨(dú)立多樣本的非參數(shù)檢驗(yàn)“Krushkal-Wallis”檢驗(yàn)和多因子方差分析計(jì)算模型精度評(píng)價(jià)指標(biāo)R2和RMSE，推斷模型的衍生光譜類型(CRDR、BD、BDR、NBDI)、數(shù)據(jù)類型(單一物種、混合物種)、物種差異(蘆葦、香蒲)及其交互作用對(duì)于模型反演結(jié)果的影響(表4)。

表4 反演模型影響因素分析結(jié)果

Table 4 The results of non-parametric Krushkal-Wallis test and multiple factor variance analysis on the evaluation indicatorsR2and RMSE for regression models

ANOVAtype影響因子FactorsR2RMSE顯著性p因子等級(jí)Rankperformance顯著性p因子等級(jí)RankperformanceK-W檢驗(yàn)光譜類型0.955CRDR>(BD、NBDI、BDR)0.955CRDR<(BD、NBDI、BDR)Krushkal-Wallistest物種差異0.019蘆葦>香蒲0.234蘆葦<香蒲數(shù)據(jù)類型0.3040.006單一物種<合并物種多因子方差分析光譜類型0.9730.632Multiplefactor數(shù)據(jù)類型0.4440.000varianceanalysis光譜類型-數(shù)據(jù)類型0.8400.258

從表4可以看出，對(duì)于濕地植物野外光譜數(shù)據(jù)，衍生光譜數(shù)據(jù)所對(duì)應(yīng)的R2和RMSE概率P值分別為：0.955和0.955，均遠(yuǎn)大于顯著性水平(0.05)，說明不同標(biāo)準(zhǔn)化處理獲取的包絡(luò)線去除光譜對(duì)于葉綠素估算模型的影響不顯著，但總體來(lái)說CRDR較其他轉(zhuǎn)換模型具有更好的反演精度；蘆葦和香蒲間物種差異所對(duì)應(yīng)的R2概率P值為0.019，小于顯著性水平，說明蘆葦和香蒲的葉綠素反演模型精度存在差異，且蘆葦?shù)木哂懈玫臄M合效果，對(duì)應(yīng)的RMSE概率P值為0.234，大于0.05，說明蘆葦、香蒲間的物種差異對(duì)于RMSE的影響不顯著，但總的來(lái)說蘆葦具有更好的反演結(jié)果；單一物種與混合物種所對(duì)應(yīng)的R2概率P值為0.304，說明該因素對(duì)于反演結(jié)果影響較??；RMSE概率為0.006，說明水生植被中單一物種較混合物種數(shù)據(jù)回歸結(jié)果更接近實(shí)測(cè)值。而Mutanga 等關(guān)于熱帶牧草類型與多種生化參量的估測(cè)模型的研究也進(jìn)一步證明了單一物種在植被生化參量估測(cè)中的優(yōu)勢(shì)。因此研究植物光譜特征，判別植物識(shí)別的最佳波段，應(yīng)該作為今后研究的一個(gè)重點(diǎn)內(nèi)容。

多因素方差分析的目的是分析多個(gè)控制變量的作用、多個(gè)控制變量交互作用以及其他隨機(jī)作用是否對(duì)觀察變量的分布產(chǎn)生顯著影響。如表4所示，光譜類型、數(shù)據(jù)類型等影響因素所對(duì)應(yīng)的R2和RMSE的相伴概率分別為0.973、0.632和0.444、0.000，說明基于野外光譜數(shù)據(jù)建立的反演模型光譜類型的差異對(duì)于模型精度的影響較?。欢鴶?shù)據(jù)類型差異對(duì)于模型精度有較大影響。與上述非參數(shù)檢驗(yàn)結(jié)果一致。

從因素交互作用造成模型反演精度差異的檢驗(yàn)結(jié)果來(lái)看，光譜類型和數(shù)據(jù)類型交互作用對(duì)應(yīng)的R2和RMSE概率值分別0.840和0.258，遠(yuǎn)大于0.05，說明這兩個(gè)因素的交互對(duì)于葉綠素回歸模型的影響較小。

4 結(jié)論

本次研究采用奧林匹克公園南園典型濕地挺水植物蘆葦和香蒲葉片光譜及實(shí)測(cè)葉綠素含量數(shù)據(jù)，利用相關(guān)分析與逐步回歸分析的統(tǒng)計(jì)學(xué)分析方法，建立葉面尺度下不同數(shù)據(jù)源葉綠素含量的估算模型，模型精度驗(yàn)證采用舍一交叉驗(yàn)證的方法，并在此基礎(chǔ)上了利用獨(dú)立樣本非參數(shù)檢驗(yàn)和多因子方差分析，探討相關(guān)因素對(duì)于葉綠素估算模型精度的影響。結(jié)論如下：

(1)通過對(duì)入選波段的統(tǒng)計(jì)表明，在葉綠素含量估測(cè)模型中71%(45個(gè)入選波段中有32個(gè)波段位于敏感波段的±15nm內(nèi))的入選波段與葉片葉綠素含量具有較好的生化含義，屬于有效波段。通過對(duì)波段選區(qū)區(qū)域?qū)Ρ龋?05—520nm波段范圍內(nèi)產(chǎn)生10個(gè)入選波段，僅有3個(gè)波段具有明確生理生化含義，占總數(shù)的30%。550—750nm波段范圍內(nèi)共產(chǎn)生了35個(gè)入選波段，有效波段為29個(gè)，約占總數(shù)的83%，說明550—750nm能更有效的反映植物葉片的葉綠素含量，是以后研究的重點(diǎn)波段。

(2)本文選取可見光波段范圍內(nèi)的反射光譜進(jìn)行生化參量估算模型的構(gòu)建，并采用舍一交叉法驗(yàn)證構(gòu)建模型的魯棒性，結(jié)果統(tǒng)計(jì)表明葉綠素含量估測(cè)模型的交叉驗(yàn)證系數(shù)R2介于0.74—0.87，RMSE介于0.15—0.41。說明利用葉面可見光波段反射率反演植物參量，不僅能夠避免水分含量對(duì)于回歸模型的影響，構(gòu)建的回歸模型具有較好的精度。

(3)通過獨(dú)立多樣本的非參數(shù)檢驗(yàn)“Krushkal-Wallis”檢驗(yàn)和多因子方差分析分析反演模型的評(píng)價(jià)指標(biāo)R2和RMSE，推斷模型的光譜類型、物種差異、數(shù)據(jù)類型及其交互作用對(duì)于模型反演結(jié)果的影響，結(jié)果表明物種差異、數(shù)據(jù)類型差異對(duì)于葉綠素回歸模型的影響較大，而光譜類型差異及光譜數(shù)據(jù)與數(shù)據(jù)類型交互作用對(duì)于回歸模型精度的影響較小。根據(jù)上述結(jié)論，在后期的研究中利用高光譜進(jìn)行植物物種區(qū)分應(yīng)該作為研究的一個(gè)重點(diǎn)方面。

總的來(lái)說，本研究利用葉面反射光譜成功構(gòu)建了濕地植被葉片生物參量葉綠素含量的反演模型，為后期基于衛(wèi)星遙感數(shù)據(jù)進(jìn)行大面積生物參量監(jiān)測(cè)提供了科學(xué)依據(jù)，為大范圍的生態(tài)系統(tǒng)功能特性管理提供一定的參考、借鑒。

致謝：林川、張翼然、段光耀、楊典華、袁德陽(yáng)、尹川、朱先芳、熊薇參與了大量野外采樣和室內(nèi)化驗(yàn)分析，特此致謝。

[1] 鄧祥元, 高坤, 張麗娟. 桑葉葉綠素光譜特征及其含量測(cè)定的初步研究. 安徽農(nóng)業(yè)科學(xué), 2010, 38(31): 17423-17424, 17426-17426.

[2] Goetz S J, Prince S D. Remote sensing of net primary production in boreal forest stands. Agricultural and Forest Meteorology, 1996, 78(3/4): 149-179.

[3] 王紀(jì)華, 趙春江, 黃文江. 農(nóng)業(yè)定量遙感基礎(chǔ)與應(yīng)用. 北京: 科學(xué)出版社, 2008: 4-5.

[4] 林川, 宮兆寧, 趙文吉. 葉冠尺度野鴨湖濕地植物群落含水量的高光譜估算模型. 生態(tài)學(xué)報(bào), 2011, 31(22): 6645-6658.

[5] Dawson T P, Curran P J, North P R J, Plummer S E. The propagation of foliar biochemical absorption features in forest canopy reflectance: a theoretical analysis. Remote Sensing of Environment, 1999, 67(2): 147-159.

[6] 薛利紅, 羅衛(wèi)紅, 曹衛(wèi)星, 田永超. 作物水分和氮素光譜診斷研究進(jìn)展. 遙感學(xué)報(bào), 2003, 7(1): 73-80.

[7] 王圓圓, 李貴才, 張立軍, 范錦龍. 利用偏最小二乘回歸從冬小麥冠層光譜提取葉片含水量. 光譜學(xué)與光譜分析, 2010, 30(4): 1070-1074.

[8] Yoder B J, Pettigrew-Crosby R E. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra (400-2500 nm) at leaf and canopy scales. Remote Sensing of Environment, 1995, 53(3): 199-211.

[9] 顏春燕, 牛錚, 王紀(jì)華, 劉良云, 黃文江. 光譜指數(shù)用于葉綠素含量提取的評(píng)價(jià)及一種改進(jìn)的農(nóng)作物冠層葉綠素含量提取模型. 遙感學(xué)報(bào), 2005, 9(6): 742-750.

[10] Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, 1999, 67(3): 267-287.

[11] Curran P J, Dungan J L, & Peterson D L. Estimating the foliar biochemical concentration of leaves with reflectance spectrometry: testing the Kokaly and Clark methodologies. Remote Sensing of Environment, 2001,76, 349-359.

[12] Bortolot Z J, Wynne R H. A method for predicting fresh green leaf nitrogen concentrations from shortwave infrared reflectance spectra acquired at the canopy level that requires no in situ nitrogen data. International Journal of Remote Sensing, 2003, 24(3): 619-624.

[13] Gitelson, A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing, 1997, 18(12): 2691-2697.

[14] Mutanga O, Skidmore A K, Kumar L, Ferwerda J. Estimating tropical pasture quality at canopy level using band depth analysis with continuum removal in the visible domain. International Journal of Remote Sensing, 2005, 26(6): 1093-1108.

[15] Deng Z Z. On Water System and Rainwater Harvesting System in Beijing Olympic Green. Beijing: China Water Power Press, 2009: 54-88.

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

[17] 崔勤, 李新麗, 翟淑芝. 小麥葉片葉綠素含量測(cè)定的分光光度計(jì)法. 安徽農(nóng)業(yè)科學(xué), 2006, 34(10): 2063-2063.

[18] Savitzky A, Golay M J E. Smoothing and differentiation of data by simplified least squares procedures. Analytical Chemistry, 1964, 36(8): 1627-1639.

[19] Mutanga O, Skidmore A K. Continuum-removed absorption features estimate tropical savanna grass quality in situ//Proceedings of the 3rd Earsel Workshop on Imaging Spectroscopy. Germany: EARSeL, Hersching, 2003: 13-16.

[20] Mutanga O, Skidmore A K, Prins H H T. Predicting in situ pasture quality in the Kruger National Park, South Africa, using continuum-removed absorption features. Remote Sensing of Environment, 2004, 89(3): 393-408.

[21] Carter G A. Responses of leaf spectral reflectance to plant stress. American Journal of Botany, 1993, 80(3): 239-243.

[22] 劉克, 趙文吉, 郭逍宇, 胡德勇, 宮兆寧, 龍娟. 野鴨湖典型濕地植物光譜特征. 生態(tài)學(xué)報(bào), 2010, 30(21): 5853-5861.

[23] Curran P J. Remote sensing of foliar chemistry.Remote Sensing of Environment, 1989, 30(3):271-278.

[24] Kumar L, Schmidt K, Dury S, Skidmore A. Imaging Spectrometry and Vegetation Science. Remote Sensing & Digital Image Processing, 2001,4:111-155.

[26] Clevers J G P W, Büker C. Feasibility of the red edge index for the detection of nitrogen deficiency. Proc, 1991(1991).

[27] Curran P J, Dungan J L, Macler B A, Plummer S E. The effect of a red leaf pigment on the relationship between red edge and chlorophyll concentration. Remote Sensing of Environment, 1991, 35(1):69-76.

[28] Filella I, Penuelas J. The red edge position and shape as indicators of plant chlorophyll content, biomass and hydric status. International Journal of Remote Sensing, 1994, 15(7):1459-1470.

[29] Katz J J, Dougherty R C, Boucher L J. 7-Infrared and nuclear magnetic resonance spectroscopy of chlorophyll. The Chlorophylls, 1996: 185-251.

[30] Buschmann C, Nagel E. In vivo spectroscopy and internal optics of leaves as basis for remote sensing of vegetation. International Journal of Remote Sensing, 1993, 14(4): 711-722.

[31] Lichtenthaler H K. Vegetation stress: an introduction to the stress concept in plants. Journal of Plant Physiology, 1996, 148(1/2): 4-14.

Estimation of wetland plant leaf chlorophyll content based on continuum removal in the visible domain

GUO Chaofan1,2,3,4，GUO Xiaoyu1,2,3,4*

1CollegeofResourcesEnvironmentandTourism,CapitalNormalUniversity,Beijing100048,China2UrbanEnvironmentalProcessesandDigitalModelingLaboratory,Beijing100048,China3Laboratoryof3DInformationAcquisitionandApplication,MOST,Beijing100048,China4BeijingMunicipalKeyLaboratoryofResourcesEnvironmentandGIS,Beijing100048,China

Increasing amounts of recycled water are being used in urban wetlands; as such, monitoring the growth of wetland plants over large areas is of great significance to assessing the restoration and reconstruction of wetlands created by recycled water. At present, remote-sensing technology is considered an important method for monitoring the growth of plants on a large scale. In this study, typical wetland plants (PhragmitesaustralisandTyphaangustifolia) growing in the South Park Wetland of Olympic Park were selected as research subjects. Spectral reflectance was determined at a domain ranging from 400 to 760 nm to avoid the influence of leaf water on the established model. Chlorophyll content was obtained from data sources. Statistical analysis, including correlation and stepwise regression analysis, was conducted to establish chlorophyll content inversion models with different derivative transformation spectrums at the leaf level for: (1) band depth (BD), (2) continuum-removed derivative reflectance (CRDR), (3) band depth ratio (BDR), and (4) normalized band depth index (NBDI). We found that 550 nm to 750 nm, particularly 700 nm to 750 nm (red edge range), was the key range to estimate biochemical parameters. Single removal cross-validation results indicated that optimal models of chlorophyll content inversion in reeds, cattails, and combined samples were BD, CRDR, and NBDI, respectively. CorrespondingR2values were 0.87, 0.83, and 0.81, and the respective RMSE values were 0.16, 0.15, and 0.33, respectively. Kruskal-Wallis non-parametric tests and multi-way ANOVAs were performed to elucidate the influence of relevant factors individually and in combination with one another on the regression results of biochemical parameters of plant water. Results showed that vegetation type (reed, cattail) and data type (single or mixed species) greatly influenced the inversion model. In contrast, the spectral derivative transformation(BD, CRDR, BDR, and CRDR)and the interaction between spectral derivative transformation and data types did not significantly affect the inversion model. In this study, an estimation model of wetland plant biochemical parameters was established and functions of related factors in the estimation model were analyzed. Our results could be used as a scientific basis for non-destructive monitoring of growth in wetland plants. This study also provided a reference for the use of recycled water in restoration and management.

wetland plan; continuum removal; hyperspectrum; chlorophyll content; visible spectrum

國(guó)家自然科學(xué)基金資助項(xiàng)目(40901281)；北京市教育委員會(huì)科技計(jì)劃面上項(xiàng)目(KM201310028012)

2015- 07- 09;

2016- 03- 21

10.5846/stxb201507091460

*通訊作者Corresponding author.E-mail: xiaoyucnu@126.com

郭超凡，郭逍宇.基于可見光波段包絡(luò)線去除的濕地植物葉片葉綠素估算.生態(tài)學(xué)報(bào),2016,36(20):6538- 6546.

Guo C F，Guo X Y.Estimation of wetland plant leaf chlorophyll content based on continuum removal in the visible domain.Acta Ecologica Sinica,2016,36(20):6538- 6546.