黃祥 周蕊 王茜等

摘要 葉綠素是農(nóng)作物生長過程中重要的生理參數(shù)，其含量是評價農(nóng)作物長勢的重要指標(biāo)。利用定量遙感技術(shù)對農(nóng)作物葉綠素含量進行反演，可輔助大面積農(nóng)作物長勢監(jiān)測、產(chǎn)量預(yù)測等。總結(jié)并分析了近幾年遙感定量反演葉綠素的主要研究成果，表明物理模型法更具普適性，適宜大面積農(nóng)作物葉綠素含量反演，是未來定量遙感發(fā)展的重要方向，但是有待輻射傳輸機理的進一步完善；統(tǒng)計模型法是目前應(yīng)用最廣的反演模型，但是無明確物理意義，探索通過不同光譜特征量組合來改善模型普適性，減弱環(huán)境因素影響，對提升當(dāng)前統(tǒng)計模型反演精度有重要意義。

關(guān)鍵詞 農(nóng)作物；定量遙感；葉綠素含量

中圖分類號 S127 文獻標(biāo)識碼

A 文章編號 0517-6611（2018）32-0192-03

The Status and Development of Quantitative Retrieval of Crop Chlorophyll by Remote Sensing

HUANG Xiang，ZHOU Rui，WANG Qian et al （Agricultural Science and Technology Information Center，Chongqing Academy of Agricultural Sciences，Chongqing 401329）

Abstract Chlorophyll is an important physiological parameter in the growing process of crops，and its content is an important index to evaluate crop growth.The quantitative remote sensing technique can be used to invert the chlorophyll content of crops，which can be used to monitor the growth of largeareas of crops.We summarized and analyzed the main research results of quantitative retrieval of chlorophyll by remote sensing in recent years，and showed that the physical model method was more universal and suitable for the inversion of chlorophyll content of largearea crops，which was an important direction for the future development of quantitative remote sensing，but depended on further improvement of radiation transmission mechanism.The statistical model method was the most widely used inversion model at present，but it had no clear physical significance.By combining different spectral features，it can improve the universality of the model，reduce the influence of environmental factors，and improve the accuracy of statistical model inversion results.

Key words Crop；Quantitative remote sensing；Chlorophyll content

基金項目 重慶市科研院所績效激勵引導(dǎo)專項（cstc2017jxjl00014）。

作者簡介 黃祥（1988—），男，四川綿陽人，助理工程師，碩士，從事遙感信息提取研究。*通訊作者，副研究員，碩士，從事農(nóng)業(yè)遙感數(shù)據(jù)分析與應(yīng)用研究。

收稿日期 2018-09-18

葉綠素是植物進行光合作用的重要物質(zhì)，其含量是反映植被生長階段以及營養(yǎng)狀況的重要參數(shù)[1]，對于作物長勢監(jiān)測、產(chǎn)量預(yù)測、病蟲害監(jiān)測等具有重要的意義。常用的葉綠素含量測定方法是采用葉綠素速測儀測量葉綠素含量的相對值，如SPAD-502，它針對具體葉片進行測量，是樣本點數(shù)據(jù)，而不是田塊尺度的葉綠素面狀分布數(shù)據(jù)，應(yīng)用受限。遙感技術(shù)以其簡便快速、靈敏準(zhǔn)確、非破壞性等優(yōu)點，為區(qū)域尺度大范圍的作物葉綠素含量監(jiān)測提供了有效途徑，它被廣泛應(yīng)用于農(nóng)作物生化參數(shù)的估算。當(dāng)前關(guān)于葉綠素含量遙感反演已經(jīng)取得了較大進展，其反演方法主要包括統(tǒng)計模型法、物理模型法和耦合模型法[2]。該研究詳細介紹了當(dāng)前遙感反演農(nóng)作物葉綠素含量的常見模型，比較了不同模型的優(yōu)缺點，討論了葉綠素含量估算模型的適用情況和發(fā)展趨勢。

1 統(tǒng)計模型法

統(tǒng)計模型法又稱經(jīng)驗?zāi)Ｐ头?，是基于葉綠素含量與光譜特征量間的相關(guān)性，運用統(tǒng)計分析方法，得到葉綠素反演模型。光譜特征量包括植被指數(shù)、基于位置信息的光譜特征量、基于面積信息的光譜特征量。葉綠素含量通過地面實測得到，而光譜數(shù)據(jù)處理方法包括比值法、微分法等。常見的光譜特征量見表1。常用統(tǒng)計分析方法包括傳統(tǒng)回歸分析法，比如一元線性回歸方法、多元回歸方法、指數(shù)回歸分析、冪函數(shù)回歸分析等；神經(jīng)網(wǎng)絡(luò)法；支持向量機分析；偏最小二乘回歸分析；主成分回歸分析；隨機森林算法等。反演模型的精度評價通常基于決定系數(shù)（R2）、均方根誤差（RMSE）等指標(biāo)進行評價。其中，R2越接近1越好，RMSE值越小越好。

1.1 植被指數(shù)

植被指數(shù)從數(shù)學(xué)角度而言也屬于光譜衍生參數(shù)，但部分植被指數(shù)能弱化土壤、大氣、光照幾何特性等干擾信息，有利于提高葉綠素含量的估算精度。葉綠素對不同波長入射光的吸收、散射和反射不同，通過一個葉綠素弱吸收波段對一個葉綠素強吸收波段進行校正，可以獲得更適宜葉綠素反演的植被指數(shù)[3]。Sims等[4]通過引入藍波段反射率對比值植被指數(shù)進行改造，構(gòu)造了綠波段葉綠素指數(shù)、紅邊波段、葉綠素指數(shù)，實驗證明改進后的植被指數(shù)可以提升葉綠素含量估算精度。孫勃巖等[5]對冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)和冠層光譜特征進行田間實測，利用實測葉綠素含量分?jǐn)?shù)與7種植被指數(shù)，分別運用傳統(tǒng)回歸分析方法和BP神經(jīng)網(wǎng)絡(luò)方法搭建冬小麥葉綠素質(zhì)量分?jǐn)?shù)的反演模型，結(jié)合實測數(shù)據(jù)進行反演精度分析，結(jié)果表明傳統(tǒng)回歸模型中基于新型植被指數(shù)NVI構(gòu)建驗證模型的精度最高：R2為0.637 1， RMSE為2.007 8；基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建驗證模型的精度：R2為0.704 8，RMSE為1.744 6。顯然基于BP神經(jīng)網(wǎng)絡(luò)的反演模型精度優(yōu)于其他7種基于植被指數(shù)的傳統(tǒng)回歸模型。賀英等[6]利用搭載數(shù)碼相機的輕小型無人機，采集研究區(qū)玉米RGB影像，使用土壤調(diào)節(jié)植被指數(shù)對研究區(qū)影像進行分割，基于分割前后的影像分別提取15種常見的可見光植被指數(shù)，運用傳統(tǒng)回歸分析法和隨機森林算法構(gòu)建玉米冠層SPAD值估算模型，結(jié)果表明將數(shù)碼相機影像用于玉米葉綠素含量的估測是可行的。王爍等[7]選擇對葉綠素含量響應(yīng)敏感的波段構(gòu)成的13種植被指數(shù)以及從原始光譜波段400～2 000 nm中相隔10 nm提取的光譜反射率，計算所有可能的兩兩反射率比值，得到比值光譜指數(shù)，結(jié)合實測棉花葉片葉綠素相對含量，運用傳統(tǒng)回歸分析方法進行建模。模型精度驗證結(jié)果表明，二次回歸模型最優(yōu)，植被指數(shù)構(gòu)建的驗證模型最高精度：R2為0.785；比值光譜指數(shù)構(gòu)建的驗證模型精度：R2為1.000。章文龍等[8]提取了13種光譜植被指數(shù)，運用傳統(tǒng)回歸分析方法，構(gòu)建了秋茄葉綠素含量估算模型。李粉玲等[9]基于15種常見植被指數(shù)，運用傳統(tǒng)回歸分析方法和隨機森林回歸算法構(gòu)建了冬小麥不同生育期葉片葉綠素含量估算模型。Rondeaux等[10]提出了優(yōu)化土壤調(diào)節(jié)植被指數(shù)來減弱土壤對冠層尺度葉綠素含量估算的影響，結(jié)果表明該指數(shù)在不同覆蓋度下都能取得很好的反演結(jié)果。Liu等[11]建立了增強植被指數(shù)，通過引入藍波段以增強植被信號，校正土壤背景影響，結(jié)果表明在植被茂密區(qū)反演作物葉綠素能取得較好的效果。

1.2 光譜曲線特征

光譜曲線特征的提取通常是運用光譜微分法，比如光譜曲線一階導(dǎo)數(shù)的最值、光譜曲線包圍的面積等。Gitelson等[12]研究表明紅邊參數(shù)與葉綠素之間有密切的統(tǒng)計關(guān)系，決定系數(shù)高于0.9；黃文江等[13]利用紅邊位置參數(shù)估算了冬小麥葉片葉綠素含量，決定系數(shù)高于0.7。楊可明等[14]實測玉米葉片葉綠素含量和葉片光譜數(shù)據(jù)，利用包絡(luò)線去除和光譜微分法提取葉片光譜曲線特征參數(shù)，將光譜特征參數(shù)與不同植被指數(shù)結(jié)合，進行主成分分析，提取前4個主分量，作為小波神經(jīng)網(wǎng)絡(luò)的輸入因子，反演得到玉米葉片葉綠素含量，結(jié)果表明小波神經(jīng)網(wǎng)絡(luò)模型的決定系數(shù)為0.742 1，高于BP神經(jīng)網(wǎng)絡(luò)模型的0.706 7，其預(yù)測精度比BP神經(jīng)網(wǎng)絡(luò)更好。余蛟洋等[15]利用地面實測蘋果葉片光譜反射率，提取了17種光譜特征參數(shù)，采用傳統(tǒng)回歸分析法和BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了蘋果各生育期葉片葉綠素含量估算模型，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)表現(xiàn)最優(yōu)。李媛媛等[16]利用光譜微分法基于原始實測光譜曲線，提取11種葉片光譜曲線特征參數(shù)，運用BP神經(jīng)網(wǎng)絡(luò)、偏最小二乘回歸、主成分回歸、傳統(tǒng)回歸等分析法，建立了玉米葉片葉綠素含量估算模型，并比較了不同模型模擬結(jié)果，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測精度最高。

1.3 植被指數(shù)結(jié)合光譜曲線特征

馬文君等[17]提取了22種對葉綠素含量敏感的光譜指數(shù)和7種紅邊參數(shù)，結(jié)合棉花葉片葉綠素含量，運用傳統(tǒng)回歸分析方法和偏最小二乘回歸法分別構(gòu)建反演模型，對模型預(yù)測能力檢驗結(jié)果表明，傳統(tǒng)回歸模型的決定系數(shù)為0.530 0左右，而偏最小二乘回歸模型為0.737 0。張卓然等[18]通過地面實測棉花葉片光譜反射率，提取6種植被指數(shù)和2種基于位置信息的光譜特征量，利用傳統(tǒng)回歸分析法和支持向量機分析法，構(gòu)建棉花葉片SPAD值遙感估算模型，結(jié)果表明支持向量機模型估算精度更高。梁亮等[19]選擇16種植被指數(shù)和2種光譜曲線特征，以最小二乘支持向量回歸算法建立了小麥冠層葉綠素含量反演模型，結(jié)果表明紅邊位置指數(shù)在所選指數(shù)中的反演精度最高。田明璐等[20]利用高光譜無人機采集棉花高光譜影像，提取14種植被指數(shù)和13種光譜曲線特征，采用傳統(tǒng)回歸分析方法和偏最小二乘回歸分析法，建立了6個葉綠素含量估算模型，結(jié)果表明使用與葉綠素相關(guān)性高的單一光譜特征量建模，可獲得較高的建模精度和單點驗證精度，但用于區(qū)域反演時，效果并不理想，因此，采用多個光譜特征量構(gòu)建的模型具有更好的反演效果。

遙感監(jiān)測作物葉綠素含量基于對葉綠素含量敏感的波段反射率差異，顯然單一的光譜特征量未能充分利用各波段的差異信息，因此，對于區(qū)域遙感反演作物葉綠素含量，組合不同光譜特征量是一種重要方式，但是光譜特征量過多，將帶來數(shù)據(jù)冗余，計算量大，模型復(fù)雜化。最佳的光譜特征組合需要權(quán)衡光譜特征數(shù)量和模型精度。

2 物理模型法

物理模型基于輻射傳輸機制，描述光在葉片、莖稈之間傳輸?shù)墓庾V特性，具有明確的物理含義。當(dāng)前廣泛使用的物理模型是基于冠層的PROSAIL模型和基于葉片的PROSPECT模型，通過模擬不同葉綠素含量水平下作物冠層和葉片的光譜反射率，運用迭代數(shù)值優(yōu)化法、人工神經(jīng)網(wǎng)絡(luò)、查找表算法、支持向量機算法等反演得到葉綠素含量。

2.1 針對葉片尺度的PROSPECT模型

Sun等[21]運用高光譜雷達數(shù)據(jù)，數(shù)據(jù)包含32個光譜通道，覆蓋范圍539～910 nm，融合光譜與空間探測能力。通過PROSPECT模型反演了水稻葉片葉綠素含量，作為對比，運用支持向量回歸分析法，構(gòu)建支持向量回歸模型，表明這個光譜范圍適合探測葉綠素含量，并且PROSPECT模型反演精度更高。

2.2 針對冠層尺度的PROSAIL模型

Croft等[22]基于光學(xué)遙感數(shù)據(jù)，使用PROSAIL輻射傳輸模型估算了黑云杉、糖楓樹、桃楊樹等植被冠層葉綠素含量，這些植被具有不同冠層郁閉度和冠層結(jié)構(gòu)，結(jié)果表明由衛(wèi)星圖像反演得到的葉片葉綠素含量與實測葉綠素含量值有良好的關(guān)聯(lián)，具有強烈的線性和可以忽略的偏差，基于中尺度分辨率影像和Landsat5影像的驗證模型決定系數(shù)分別為0.62和0.65。Botha等[23]利用PROSAIL模型，基于馬鈴薯冠層光譜反射率反演葉片葉綠素含量，結(jié)果表明該模型能減少土壤反射率影響，反演精度較高。

農(nóng)作物對光譜輻射的吸收、透射、反射受到多種因素影響，如葉片傾角、葉片結(jié)構(gòu)、葉面積指數(shù)等，目前還無法精確描述光譜輻射的傳輸機制，因此，基于光譜輻射傳輸機制的物理模型模擬的農(nóng)作物冠層或葉片輻射率與其真實輻射率間存在一定差異。

3 耦合模型

將統(tǒng)計模型和物理模型進行耦合，融合各自優(yōu)勢：統(tǒng)計模型，效率高，精度較理想，但是隨時空改變而變化；物理模型，考慮作物生理參數(shù)對光譜反射率的影響，但模型過于復(fù)雜，參數(shù)太多，且參數(shù)間互相影響。因此，通過物理模型，模擬不同葉綠素含量下的光譜曲線，分析葉綠素含量與光譜曲線間的關(guān)系，比如優(yōu)選植被指數(shù)、訓(xùn)練反演模型等，再根據(jù)實測作物光譜，利用統(tǒng)計模型進行葉綠素含量反演。耦合模型能夠最大化統(tǒng)計模型的優(yōu)勢，同時避免物理模型存在的計算復(fù)雜、參數(shù)眾多等缺點。

湯旭光等[24]利用PROSAIL模型模擬了4個層次葉綠素含量下大豆冠層光譜反射率，表明葉綠素主要影響400～700 nm反射率?；诘孛鎸崪y，選取400～700 nm全部波段進行小波分析，獲取6個小波能量系數(shù)，再分別采用傳統(tǒng)回歸分析、神經(jīng)網(wǎng)絡(luò)以及偏最小二乘回歸分析構(gòu)建大豆葉綠素含量估算模型，結(jié)果表明引入小波分析法進行高光譜特征提取，構(gòu)建葉綠素反演模型是可行且成功的。呂杰等[25]運用PROSPECT模型模擬了不同葉綠素含量下玉米葉片反射率，據(jù)此建立訓(xùn)練數(shù)據(jù)集，利用粒子群優(yōu)化算法確定支持向量機回歸參數(shù)，構(gòu)建玉米葉片葉綠素含量估算模型，利用實測玉米葉片高光譜數(shù)據(jù)估算葉片葉綠素含量，結(jié)果表明基于該反演模型能準(zhǔn)確預(yù)測玉米葉綠素含量。孟慶野等[26]基于PROSAIL模型模擬得到不同葉綠素含量下作物冠層光譜反射率，利用該反射率改進葉綠素吸收比率指數(shù)，再結(jié)合土壤背景調(diào)節(jié)指數(shù)，運用傳統(tǒng)回歸分析方法，建立了葉綠素估算模型，通過實測小麥冠層光譜和葉片葉綠素含量對模型進行了驗證，表明改進后的葉綠素吸收比率指數(shù)模型的決定系數(shù)有了較大提升。

4 結(jié)論

統(tǒng)計模型只具有統(tǒng)計意義上的相關(guān)性，方法簡單，無明確物理含義。作物地理環(huán)境差異使得遙感反演參數(shù)與作物生理參數(shù)不可避免地會隨著地理環(huán)境的改變而變化，因此統(tǒng)計模型不可通用。物理模型難以準(zhǔn)確描述輻射傳輸機制，影響因素較多，使用相對復(fù)雜，但是其不依賴于植被類型，具有普適性。目前，統(tǒng)計模型在農(nóng)作物葉綠素含量的估算中應(yīng)用最多，仍占主流。綜上所述，物理模型因其對環(huán)境適應(yīng)性更好，魯棒性更強，更適合大面積監(jiān)測，必然是一種發(fā)展趨勢。物理模型隨著輻射傳輸理論研究的不斷改進，還有很大的進步空間，值得相關(guān)研究者進一步完善。此外，統(tǒng)計模型反演作物葉綠素含量具有方便、快捷、易操作的優(yōu)勢，通過不同特征量組合來提升反演精度是統(tǒng)計模型值得探索的一個方向。

參考文獻

[1]

蔣金豹，陳云浩，黃文江.用高光譜微分指數(shù)估測條銹病脅迫下小麥冠層葉綠素密度[J].光譜學(xué)與光譜分析，2010，30（8）：2243-2247.

[2] 徐晉，蒙繼華.農(nóng)作物葉綠素含量遙感估算的研究進展與展望[J].遙感技術(shù)與應(yīng)用，2016，31（1）：74-85.

[3] BLACKBURN G A.Hyperspectral remote sensing of plant pigments[J].Journal of experimental botany，2007，58（4）：855-867.

[4] SIMS D A，GAMON J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J].Remote sensing of environment，2002，81（2）：337-354.

[5] 孫勃巖，常慶瑞，劉夢云.冬小麥冠層葉綠素質(zhì)量分?jǐn)?shù)高光譜遙感反演研究[J].西北農(nóng)業(yè)學(xué)報，2017，26（4）：552-559.

[6] 賀英，鄧?yán)?，毛智慧，?基于數(shù)碼相機的玉米冠層 SPAD 遙感估算[J].中國農(nóng)業(yè)科學(xué)，2018，51（15）：2886-2897.

[7] 王爍，常慶瑞，劉夢云，等.基于高光譜遙感的棉花葉片葉綠素含量估算[J].中國農(nóng)業(yè)大學(xué)學(xué)報，2017，22（4）：16-27.

[8] 章文龍，曾從盛，高燈州，等.閩江河口濕地秋茄葉綠素含量高光譜遙感估算[J].生態(tài)學(xué)報，2014，34（21）：6190-6197.

[9] 李粉玲，王力，劉京，等.基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片 SPAD 值遙感估算[J].農(nóng)業(yè)機械學(xué)報，2015，46（9）：273-281.

[10] RONDEAUX G，STEVEN M，BARET F.Optimization of soiladjusted vegetation indices[J].Remote sensing of environment，1996，55（2）：95-107.

[11] LIU H Q，HUETE A.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J].IEEE Transactions on Geoscience & Remote Sensing，1995，33（2）：457-465.

[12] GITELSON A A，MERZLYAK M N，LICHTENTHALER H K.Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm[J].Journal of plant physiology，1996，148（3/4）：501-508.

[13] 黃文江，王紀(jì)華，劉良云，等.冬小麥紅邊參數(shù)變化規(guī)律及其營養(yǎng)診斷[J].遙感技術(shù)與應(yīng)用，2003，18（4）：206-211.

[14] 楊可明，張婉婉，劉二雄，等.基于 PCA-WNN 的玉米葉片葉綠素含量遙感反演建模方法[J].西北農(nóng)業(yè)學(xué)報，2016，25（5）：684-690.