基于改進的PRI方法對植被冠層葉綠素含量的反演

寧艷玲 張學(xué)文 韓啟金 楊寶祝

（1 北京派得偉業(yè)科技發(fā)展有限公司，北京 100197）

（2 中國資源衛(wèi)星應(yīng)用中心，北京 100094）

0 引言

植被通過葉綠素的光合作用吸收太陽輻射能，將光能轉(zhuǎn)變成化學(xué)能，因此植被的葉綠素含量直接決定其光合作用的能力[1]。同時葉綠素含量對植被的健康狀況有直接的指示作用，葉片葉綠素含量與植被脅迫和敏感性聯(lián)系緊密[2]。利用遙感技術(shù)快速、準(zhǔn)確地估計植物的葉綠素含量，對植物長勢監(jiān)測與估產(chǎn)、營養(yǎng)診斷與施肥等有重要意義[3]。高光譜遙感數(shù)據(jù)具有光譜分辨率高及圖譜合一等特點，在定量反演植被生化參數(shù)等應(yīng)用中日益受到重視[4]。

文獻[5]在1992年首次提出了光化學(xué)植被指數(shù)（Photochemical Reflectance Index，PRI）的概念：定義為531nm和570nm波段處反射率的歸一化植被指數(shù)，可最小化太陽角度日變化及其對冠層反射率的影響。文獻[5-6]將上述歸一化植被指數(shù)中的531nm波段選作550nm，文獻[6-7]將531nm波段移到530nm和539nm波段。葉黃素環(huán)可能與光合效率的日變化有關(guān)；在光線過剩的狀態(tài)下，葉黃素環(huán)色素紫黃質(zhì)去環(huán)氧化，而這個過程在光線有限的情況下很容易發(fā)生逆轉(zhuǎn)。文獻[8]指出葉片葉綠素濃度和葉黃素濃度之間存在著可靠的相關(guān)關(guān)系（決定系數(shù)R2=0.87），因此，葉黃素的變化可間接反映葉綠素的濃度。文獻[9]給出了PRI用于估計地中海樹種葉片水平輻射利用效率的驗證和新結(jié)論。但是，將該指數(shù)應(yīng)用于大尺度時就會帶來另外的復(fù)雜問題：景觀組成的不均勻性、大氣干擾和校正誤差[10]。

PROSAIL模型是基于葉片的PROSPECT模型[11]和基于冠層的SAIL模型[12]耦合而成的一種廣泛應(yīng)用的輻射傳輸模型。本文將利用PROSAIL模型模擬各種葉面積指數(shù)（Leaf Area Index，LAI）狀態(tài)下的冠層反射光譜，通過有規(guī)律地改變植被冠層葉綠素含量，研究各種形式的PRI對葉綠素的敏感性程度，并考慮土壤背景的影響，比較得出較理想的波段組合[13]，進而定量反演植被冠層的葉綠素含量。

1 研究方法

葉綠素a和b是對植被重要的色素。葉綠素含量Cab為葉片單位面積內(nèi)的葉綠素a和b的總含量，若假定單個葉片內(nèi)葉綠素平均分布，則其葉片的葉綠素含量為

式中 CW為單一葉片葉綠素的含量；LA為單一葉片的面積。

PRI的不同表達形式見表1，表中R531、R550、R570、R539、R672、R708分別為531、550、570、539、672、708nm處的反射率。利用PROSAIL模型模擬植被冠層反射率數(shù)據(jù)，PROSAIL各輸入?yún)?shù)見表2，表中 LAI為葉面積指數(shù)，即是單位土地面積上植物葉片總面積占土地面積的倍數(shù)；N為葉片結(jié)構(gòu)參數(shù)，描述葉子內(nèi)部細胞結(jié)構(gòu)，與植物的種類和生長狀態(tài)（衰老與否）有關(guān)，一般情況下單子葉植物的N為1~1.5，雙子葉植物的N為1.5~2.5，老化葉N>2；Sl為葉片大小與冠層高度之比。

表1 PRI的不同表現(xiàn)形式Tab.1 Different forms of PRI

表2 PROSAIL模型的輸入?yún)?shù)Tab.2 Input parameters of PROSAIL model

1.1 PRI對葉綠素的敏感性分析

通過有規(guī)律地改變LAI模擬不同的反射率數(shù)據(jù)，得出不同LAI下各PRI表達式隨葉綠素的變化曲線，如圖1所示。

圖1 不同LAI下PRI隨葉綠素的變化Fig.1 The changes of PRI with different chlorophyll contents based on different LAI

從圖1可以看出，PPRI_1與PPRI_3對葉綠素變化不敏感，而隨LAI的變化很敏感；PPRI_2對葉綠素的變化在Cab<50μg/cm2時較敏感，但當(dāng)葉綠素含量超過50μg/cm2時，PPRI_2達到飽和，并有下降的趨勢；在LAI較小時，PPRI_4隨LAI的變化較敏感，隨著LAI的增大，PPRI_4對LAI的敏感性逐漸下降，但PPRI_4對葉綠素的變化很敏感，由于672nm是葉綠素a吸收較強的波段，而550nm和708nm是葉綠素a反射較強的波段，這樣構(gòu)造的比值指數(shù)對葉綠素具有更強的敏感性。因此本文采用 PPRI_4來反演冠層葉綠素含量。

1.2 考慮土壤背景的影響

植被冠層反射率受多種因素的影響，其中較為突出的因素是土壤背景的影響，由于土壤在近紅外波段的反射通常是可見波段的 2倍，土壤的背景輻射會影響到紅波段、近紅外波段有關(guān)的植被指數(shù)。文獻[15]提出了一種土壤調(diào)整植被指數(shù)（Optimization of Soil-adjusted Vegetation Index, OSAVI），主要利用可見光和近紅外的組合，通過引入土壤線、增加土壤調(diào)節(jié)系數(shù)等參數(shù)，并在研究中證明能在全范圍內(nèi)（即高或低植被覆蓋度）有效減少土壤噪聲的影響。其表達式為

通過PROSAIL模型模擬數(shù)據(jù)，PPRI_4與OOSAVI之間的關(guān)系如圖2所示。圖2是基于LAI遍歷（0.3, 0.5, 1, 1.5, 2, 2.5, 3~8）和葉綠素遍歷（5, 10, 20, 30, 40, 50, 60, 70, 80）時，由PROSAIL模型模擬不同葉綠素與LAI指數(shù)下的光譜曲線，得出LAI與葉綠素下的PPRI_4與OOSAVI取值，并加以統(tǒng)計得到PPRI_4隨OOSAVI的分布情況；在圖2中曲線l1為最小等LAI線，此線上的點均有LAI=0.3；曲線l2為最大的等LAI線，此線上的的點均有LAI=8.0；而曲線l3為最小等葉綠素線，此線上所有點的葉綠素含量均為最小值5μg/cm2；同理，曲線l4為最大的等葉綠素線，此線上所有點的葉綠素均為最大值為80μg/cm2。由圖2可以得出葉綠素的變化與等葉綠素線所會聚成的交點有關(guān)，但也可以發(fā)現(xiàn)，等葉綠素線的變化沒有一個統(tǒng)一的趨勢，且交點擬合具有不穩(wěn)定性，所以PPRI_4模型不適合反演冠層葉綠素的含量。

圖2 OOSAVI與PPRI_4的分布關(guān)系Fig.2 The distribution relation between OOSAVI and PPRI_4

1.3 改進的PRI

在PPRI_4與OOSAVI所形成的散點圖中，等葉綠素線的變化沒有統(tǒng)一的趨勢，參考文獻[16]的散點圖，并考慮葉綠素在700nm之后沒有吸收作用，因此取PPRI_4的倒數(shù)，并用700nm的反射率替代708nm的反射率，得到：

分析PPRI_5對冠層葉綠素的敏感性及土壤背景對PPRI_5的影響。不同的LAI下PPRI_5隨葉綠素的變化如圖3所示，考慮土壤背景對PPRI_5的影響如圖4所示。

圖3 不同LAI下PPRI_5隨葉綠素的變化Fig.3 The changes of PPRI_5 with different Chlorophyll contents based on different LAI

圖4 OOSAVI與PPRI_5的關(guān)系Fig.4 The relation between OOSAVI and PPRI_5

一個好的葉綠素反演模型能對葉綠素的改變敏感，而對其它影響因素不敏感。由圖 3可知，PPRI_5對葉綠素的變化隨LAI的變化越來越敏感，從整體上看，在不同LAI下PPRI_5對冠層葉綠素的變化較敏感。圖4顯示了在不同葉綠素與LAI指數(shù)下PPRI_5與OOSAVI的關(guān)系。圖4中曲線l2為最小等LAI線，此線上的點均有LAI=0.3；曲線l1為最大的等LAI線，此線上的的點均有LAI=8.0；而曲線l3為最小等葉綠素線，此線上所有點的葉綠素含量均為最小值 5μg/cm2；曲線 l4為最大的等葉綠素線，此線上所有點的葉綠素均為最大值為80μg/cm2。在圖4中OOSAVI與PPRI_5的分布近似同心圓狀，表明葉綠素的變化與PPRI_5、OOSAVI的斜率有關(guān)，即Cab=F(PPRI_5/OOSAVI)，其中F()為線性函數(shù)。PPRI_5/OOSAVI隨葉綠素含量的變化曲線如圖5所示，從圖5中可以看出PPRI_5/OOSAVI與冠層葉綠素含量之間存在一定的函數(shù)關(guān)系。

圖5 PPRI_5/OOSAVI隨Cab的變化結(jié)果Fig.5 The changes of PPRI_5/OOSAVI with Cab based on LAI

2 基于改進植被指數(shù)的冠層葉綠素反演

由以上分析可知，PPRI_5/OOSAVI與植被冠層葉綠素存在一定關(guān)系，通過PROSAIL模型模擬數(shù)據(jù)，擬合出PPRI_5/OOSAVI與葉綠素含量的函數(shù)關(guān)系，即：y=–32.167ln(x)–1.193 6，其中y為葉綠素含量，x為PPRI_5/OOSAVI的值，決定系數(shù)R2=0.869 4，如圖6所示。

圖6 PPRI_5/OOSAVI與葉綠素含量的關(guān)系Fig.6 The plot of PPRI_5/OOSAVI and Cab

2.1 基于實測的數(shù)據(jù)驗證

利用2011年4月4日、4月14日、4月21日、4月26日、4月3日、5月4日、5月9日、5月13日、5月17日、5月23日和6月3日小湯山的實測數(shù)據(jù)對模型進行驗證。實測葉綠素值與模型擬合葉綠素數(shù)據(jù)的相關(guān)程度如圖7所示。

圖7 實測數(shù)據(jù)進行模型驗證結(jié)果Fig.7 The validation results of PPRI_5/OOSAVI model

2.2 基于影像的數(shù)據(jù)驗證

利用與小湯山同步觀測的2011年4月11日、4月26日的采樣點的實測數(shù)據(jù)和實用模塊化成像光譜儀（Operative Modular Imaging Spectrometer，OMIS）影像數(shù)據(jù)進行驗證，如圖8所示，驗證結(jié)果如圖9所示。

圖8 OMIS影像數(shù)據(jù)Fig.8 OMIS image data

圖9 OMIS影像葉綠素含量反演結(jié)果Fig.9 The validation results of OMIS data

通過對4月11日和4月26日的實測值與通過圖像反演出的葉綠素值進行分析，可以得到較好的結(jié)果決定系數(shù)（R2=0.78），均方根誤差Rrms=1.99。

3 結(jié)束語

本文考慮不同形式的PRI，提取出對葉綠素變化較為敏感的組合形式，并考慮土壤背景的影響，通過改進已有 PRI來找出植被指數(shù)與土壤背景間的關(guān)系，進而去除土壤背景對冠層葉綠素的影響。研究用改進的PRI反演植被冠層葉綠素含量，并從實測數(shù)據(jù)和OMIS高光譜遙感數(shù)據(jù)驗證該模型，得出較為滿意的反演結(jié)果。但該模型還存在有待改進的地方，通過影像數(shù)據(jù)驗證模型，PPRI_5會存在尺度效應(yīng)問題，當(dāng)空間分辨率較低時PPRI_5出現(xiàn)飽和現(xiàn)象。后續(xù)研究將針對上述問題進行改進，進一步提高模型對葉綠素含量反演的精度。

References)

[1] 劉燕德, 張光偉, 蔡麗君. 基于高光譜的 GA和 SPA算法對贛南臍橙葉綠素定量分析[J]. 光譜學(xué)與光譜分析, 2012, 32(12): 3377-3380. LIU Yande, ZHANG Guangwei, CAI Lijun. Analysis of Chlorphyll in Gannan Navel Orange with Algorithm of GA and SPA Based on Hyperspectral[J]. Spectrocopy and Spectral Analysis, 2012, 32(12): 3377-3380. (in Chinese)

[2] Maxwel K, Johnson G N. Chlorophyll Fluorescence a Practical Guide[J]. Journal of Experimental Botany, 2000(51): 659-668.

[3] 李潭, 沈中, 寧蔚. 環(huán)境與災(zāi)害監(jiān)測光學(xué)有效載荷發(fā)展綜述[J]. 航天返回與遙感, 2010, 31(6): 31-38. LI Tan, SHEN Zhong, NING Wei. The Environment and Disaster Monitoring and Forecasting Optical Payload Development Review[J]. Spacecraft Recovery & Remote Sensing, 2010, 31(6): 31-38. (in Chinese)

[4] 何明一, 暢文娟, 梅少輝. 高光譜遙感數(shù)據(jù)特征挖掘技術(shù)研究進展[J]. 航天返回與遙感, 2013, 34(1): 1-12. HE Mingyi, CHANG Wenjuan, MEI Shaohui. Advance in Feature Mining from Hyperspectral Remote Sensing Data[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(1): 1-12. (in Chinese)

[5] Gamon J A, Peňuelas J, Field C B. A Narrow Waveband Spectral Index That Tracks Diurnal Changes in Photosynthetic Efficiency[J]. Remote Sensing of Environment, 1992(41):35-44.

[6] Fillella I, Amaro T, Araus J L, et al. Relationship between Photosynthetic Radiation-use Efficiency of Barley Canopies and the Photochemical Reflectance Index(PRI)[J]. Physiologia Plantarum, 1996(96): 211-216.

[7] Peňuelas J, Gamon J A, Fredeen A L, et al. Reflectance Indices Associated with Physiological Changes in Nitrogen and Water-limited Sunflower Leaves[J]. Remote Sensing of Environment, 1994(48): 135-146.

[8] SimsD 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): 337-354.

[9] Peňuelas J, Llusia J, Piňol J, et al. Photochemical Reflectance Index and Leaf Photosynthetic Radiation-use-efficiency Assessment in Mediterranean Trees[J]. International Journal of Remote Sensing, 1997(18): 2863-2868.

[10] Guyot G. Optical Properties of Vegetation Canopies in Applications of Remote Sensing in Agriculture [M]. London: Butterworths, 1990.

[11] Jacquemoud S, Baret F. Prospect: a Model of Leaf Optical Properties Spectra[J]. Remote Sensing of Environment, 1990(34): 75-91.

[12] Verhoef W. Light Scattering by Leaf Layers with Application to Canopy Reflectance Modeling: the SAIL Model[J]. Remote Sensing of Environment, 1984(6): 125-184.

[13] 牛曄, 張宇烽, 李永強. 衛(wèi)星光學(xué)遙感器光譜波段選擇的影響因素[J]. 航天返回與遙感, 2004, 25(3): 29-35. NIU Ye, ZHANG Yufeng, LI Yongqiang. Influence on Spectral Band Selection for Satellite Optical Remote Sensor[J]. Spacecraft Recovery & Remote Sensing, 2004, 25(3): 29-35. (in Chinese)

[14] Gamon J A, Serrano L, Surfus J S. The Photochemical Reflectance Index: an Optical Indicator of Photosynthetic Radiation Use Efficiency Across Species, Functional Types, and Nutrient Levels[J]. Oecologia, 1997(112):492-501.

[15] Datt B. Remote Sensing of Chlorophyll A,Chlorophyll B,Chlorophyll A+B and Total Carotenoid Content in Eucalyptus Leaves[J]. Remote Sensing of Environment, 1988, 66(2):111-121.

[16] Rondeaux G, Steven M, Baret F. Optimization of Soil-adjusted Vegetation Indices[J]. Remote Sensing of Environment, 1996(55): 95-107.

[17] Haboudane D, Miller J R, Tremblay N, et al. Integrated Narrow-band Vegetation Indices for Prediction of Crop Chlorophyll Content for Application to Precision Agriculture[J]. Remote Sensing of Environment, 2002(81): 416-426.