植被葉片葉綠素含量反演的光譜尺度效應研究

姜海玲，張立福，楊 杭，陳小平，童慶禧

1. 北京大學遙感與地理信息系統(tǒng)研究所，北京 100871 2. 中國科學院遙感與數(shù)字地球研究所，北京 100101 3. 哈爾濱工業(yè)大學深圳研究生院，深圳 518055

植被葉片葉綠素含量反演的光譜尺度效應研究

姜海玲1, 2，張立福2*，楊 杭2，陳小平3，童慶禧1, 2

1. 北京大學遙感與地理信息系統(tǒng)研究所，北京 100871 2. 中國科學院遙感與數(shù)字地球研究所，北京 100101 3. 哈爾濱工業(yè)大學深圳研究生院，深圳 518055

目前光譜指數(shù)方法已被廣泛地應用于植被葉綠素含量的反演中，考慮到不同傳感器的光譜響應存在差異，研究了光譜尺度效應對光譜指數(shù)反演植被葉片葉綠素含量的影響?；赑ROSPECT模型模擬了不同葉綠素含量(5～80 μg·cm-2)下的5 nm葉片光譜反射率數(shù)據(jù)，并利用高斯光譜響應函數(shù)將其分別模擬成10～35 nm六種波段寬的光譜數(shù)據(jù)，再分析評價5～35 nm波段寬下光譜指數(shù)與葉片葉綠素含量的相關(guān)性、對葉片葉綠素含量變化及對波段寬變化的敏感性。最后，利用波段寬為40～65 nm的反射率數(shù)據(jù)對光譜指數(shù)反演植被葉綠素含量的光譜尺度效應進行驗證。結(jié)果表明，通用光譜指數(shù)(vegetation index based on universal pattern decomposition method, VIUPD)反演葉綠素含量的精度最高，反演值與真實值擬合程度最好；歸一化差值植被指數(shù)(normalized difference vegetation index, NDVI)和簡單比值指數(shù)(simple ratio index, SRI)其次，雖然其決定系數(shù)R2高達0.89以上，但反演的葉綠素含量值小于真實值；其他光譜指數(shù)的反演結(jié)果較差。VIUPD對葉綠素含量具有較好的相關(guān)性和敏感性，受光譜尺度效應影響較小，具有較好的反演能力，這一結(jié)論恰好驗證了其“獨立于傳感器”的特性，同時證明了VIUPD在多源遙感數(shù)據(jù)反演植被理化參量的研究中具有更好的應用前景。

光譜指數(shù)；植被葉片葉綠素含量；輻射傳輸；光譜響應；尺度效應

引 言

植被葉片中的葉綠素是植被光合作用中起主導作用的色素，不同生長時期中，葉綠素含量的多少是植被光合作用能力強弱、生理脅迫狀況、固碳能力及氮利用效率的良好指示器，與初級生產(chǎn)力NPP也密切相關(guān)[1-3]。因此，利用多源遙感數(shù)據(jù)快速及時地監(jiān)測植被多個生長期的葉綠素含量對其長勢及產(chǎn)量估算起著重要的作用。

植被葉片葉綠素含量的反演方法主要有經(jīng)驗/半經(jīng)驗和物理模型兩種方法。相比較物理模型反演算法復雜、輸入?yún)?shù)難以獲取的缺陷，很多研究學者多選擇使用簡單快捷的基于經(jīng)驗/半經(jīng)驗的光譜指數(shù)方法，其通常通過大量特征波段的遙感反射率數(shù)據(jù)對葉綠素含量進行統(tǒng)計分析，然后建立反演葉片葉綠素含量的估測模型[4]。光譜指數(shù)(spectral index)是由特定的多光譜或高光譜遙感光譜波段的反射率經(jīng)過線性或非線性組合而構(gòu)成的一種光譜參數(shù)，其構(gòu)建原則是選擇合適的波段以突出植被特征信息而弱化環(huán)境背景(如土壤、水體等)的光譜影響為目的，定性、定量地評估植被的生長分布情況[3, 5]。因此，可選取敏感度較高的光譜指數(shù)來反演葉綠素含量。Kim等構(gòu)建的葉綠素吸收率指數(shù)(chlorophyll absorption ratio index, CARI)通過測量550, 670和750 nm波段處的葉綠素相對深度來獲取葉綠素含量的信息。后來經(jīng)過研究，分別形成了改進的葉綠素吸收率指數(shù)(modified chlorophyll absorption ratio index, MCARI)和轉(zhuǎn)換型葉綠素吸收率指數(shù)(transformed chlorophyll absorption ratio index, TCARI)[6]。Haboudane等將TCARI與優(yōu)化型土壤調(diào)整植被指數(shù)(optimization of soil adjust vegetation index, OSAVI)相結(jié)合用于反演植被冠層的葉綠素含量[7]。Sims等利用特征波段550和700 nm構(gòu)建的光譜指數(shù)與葉綠素含量建立經(jīng)驗模型，最后得到了葉綠素含量較高的估測精度[8]。Pisek等也指出作物葉片葉綠素含量等的估算可選用基于地面或航空傳感器建立的多種形式的光譜指數(shù)[9]。Maire等利用地面實測數(shù)據(jù)和Hyperion衛(wèi)星高光譜數(shù)據(jù)計算的歸一化差值植被指數(shù)(normalized difference vegetation index, NDVI)和簡單比值指數(shù)(simple ratio index, SRI)系列光譜指數(shù)估算了闊葉林的葉片葉綠素含量[5]。Hatfield等利用歸一化色素差值指數(shù)(pigment-specific normalized difference, PSND)和光化學植被指數(shù)(photochemical reflectance index, PRI)估算農(nóng)作物的葉綠素含量[4]。吳朝陽等在光譜指數(shù)的構(gòu)建中加入紅邊位置705和750 nm的光譜信息，最后對小麥葉綠素含量進行了可靠的估算[10]。

光譜指數(shù)方法目前已被廣泛地應用于植被葉綠素含量的估算中，但已有研究的重點在于光譜指數(shù)的構(gòu)建和葉綠素含量的估算精度上，并未考慮使用光譜指數(shù)方法時光譜尺度產(chǎn)生的影響[11]。李小文指出，由于陸表地物構(gòu)成的復雜性，在某一尺度上形成的原理和規(guī)律，在另一尺度上可能并不適用。對于某一特定的研究對象(如植被)，采用具有不同光譜分辨率的光譜數(shù)據(jù)來研究光譜指數(shù)反演植被理化參量的精度，由于光譜響應不同，中心波長和半波寬均存在差異，所以反演結(jié)果往往差距很大[12]。因此，在植被理化參量的反演中，研究光譜指數(shù)在不同光譜尺度上的反演能力和反演精度十分必要。本文選取了七種光譜指數(shù)，研究其在10～35 nm波段寬范圍對葉綠素含量及波段寬變化的敏感性，最后利用40～65 nm范圍的光譜數(shù)據(jù)對以上結(jié)果進行驗證。

1 研究方法

由于同步的多種波段寬的光譜數(shù)據(jù)很難獲取，因此以PROSPECT模型生成的5 nm葉片反射率數(shù)據(jù)為基準，利用高斯光譜響應函數(shù)將其分別模擬成10，15，20，25，30和35 nm六種波段寬的光譜數(shù)據(jù)，分析光譜指數(shù)與葉片葉綠素含量的相關(guān)性，對葉綠素含量變化及波段寬變化的敏感性，以此來研究波段寬對光譜指數(shù)反演植被葉綠素含量的影響。

1.1 PROSPECT模型

PROSPECT是一個基于最早平板模型發(fā)展起來的輻射傳輸模型[13]，它描述了植株葉片在光譜范圍400～2 400 nm的光學特性。PROSPECT模型需要四個輸入?yún)?shù)：葉肉結(jié)構(gòu)參數(shù)N、葉綠素濃度Ca+b(μg·cm-2)、葉片含水量EWT(g·cm-2)和葉片干物質(zhì)含量Dm(g·cm-2)。輸出值為400～2 400 nm范圍內(nèi)的葉片反射率與透過率[13]。

為了研究葉綠素含量對葉片反射率的影響，PROSPECT模型輸入?yún)?shù)中保持其他參數(shù)為固定值，取值以實測數(shù)據(jù)作為參考。葉綠素含量Ca+b從5 μg·cm-2增加到80 μg·cm-2，步長為5。PROSPECT模型輸入?yún)?shù)如表1所示。通過模型模擬，最終得到光譜范圍400～2 400 nm的葉片反射率數(shù)據(jù)，光譜采樣間隔為5 nm。

1.2 多波段寬光譜數(shù)據(jù)模擬

為了研究不同波段寬對植被葉片葉綠素含量反演的影響，根據(jù)式(1)和式(2)，將PROSPECT模型模擬的5 nm連續(xù)高光譜數(shù)據(jù)分別模擬得到波段寬為10，15，20，25，30和35 nm的葉片反射率。然后基于這7種波段寬的反射率數(shù)據(jù)計算選取的光譜指數(shù)。

Table 1 The input parameters of PROSPECT model

(1)

式中，ρj為模擬的第j波段的葉片反射率，ρ(λ)為PROSPECT模型模擬的5 nm光譜數(shù)據(jù)，λs(j)和λe(j)為波段j的起始波長和終止波長。Sj(λ)為對應波段j的光譜響應函數(shù), 選用高斯光譜響應函數(shù)，計算公式如下

(2)

式中，cj為波段j的中心波長，F(xiàn)WHM(full width half maximum)為模擬的波段寬，即研究中的10，15，20，25，30和35 nm。

2 敏感性及光譜尺度效應分析

2.1 光譜指數(shù)選取及計算

利用PROSPECT葉片輻射傳輸模型模擬了葉片葉綠素含量從5～80 μg·cm-2區(qū)間，葉片在400～2 500 nm光譜范圍內(nèi)的反射率數(shù)據(jù)。

從圖1可看出，隨著葉綠素含量的增加，葉片反射率在400～800 nm光譜范圍內(nèi)總體呈下降趨勢，而在800～2 500 nm不發(fā)生變化。在400～700 nm可見光范圍內(nèi)，植物的光譜特性主要受葉片中各種光合色素的支配，其中葉綠素含量占主導作用。在450～475和640～680 nm的藍波段和紅波段區(qū)域，葉綠素強烈吸收輻射而呈吸收谷，吸收系數(shù)最大值在670 nm；葉片在以550 nm為中心波長的綠波段形成綠光反射峰，此時葉綠素吸收系數(shù)最小；在700 nm附近，對應葉綠素最小吸收波段；在720～750 nm紅邊位置附近，反射率急劇增加并形成反射峰；在750～800 nm區(qū)域，葉綠素對電磁波的吸收特征微弱[3]。因此，根據(jù)以上光譜特征，選取與光合色素存在很強相關(guān)性的特征波段構(gòu)建的光譜指數(shù)來反演植被的葉綠素含量。

選取的特征波段包括550，670，700，705，750和800 nm，并依據(jù)這些特征波段選取了歸一化差值植被指數(shù)NDVI、簡單比值指數(shù)SRI、三角形植被指數(shù)triangle vegetation index (TVI)、改進的葉綠素吸收比值指數(shù)MCARI、綜合葉綠素光譜指數(shù)(the ratio of MCARI to OSAVI, MCARI/OSAVI)、加入紅邊位置信息的綜合葉綠素光譜指數(shù)MCARI/OSAVI705六種可敏感反映葉綠素含量的光譜指數(shù)，其中OSAVI為最優(yōu)土壤調(diào)節(jié)植被指數(shù)，它能最大程度地限制大氣、土壤背景等的影響[3]。

Fig.1 The leaf reflectance between 400 and 2 500 nm based on different chlorophyll content

除了這六種常用的光譜指數(shù)外，引入了一種新型的光譜指數(shù)，基于通用光譜模式分解算法的植被指數(shù)VIUPD(vegetation index based on universal pattern decomposition method)。它是基于通用光譜模式分解算法UPDM(universal pattern decomposition method)建立起來的[14]。UPDM是一種基于光譜線性混合模型的遙感數(shù)據(jù)處理方法，具有獨立于傳感器的特性。在UPDM算法中，遙感數(shù)據(jù)每個像元的光譜反射率值(亮度值)可以被分解為標準水體、植被、土壤和附加標準模式(一般選擇植被黃葉)的線性組合，用公式表達如下

Ri→CwPw(i)+CvPv(i)+CsPs(i)+C4P4(i)

(3)

式中，Ri為第i波段的地物反射率值/亮度值，Cw，Cv，Cs和C4分別為標準水體、植被、土壤和黃葉的UPDM系數(shù)，Pw(i)，Pv(i)，Ps(i)和P4(i)為歸一化后的標準水體、植被、土壤和黃葉的反射率地面測定值。

UPDM算法是“與傳感器無關(guān)”的，通過各種傳感器得到的UPDM系數(shù)應當一致或者接近一致[4, 14]。因此，基于UPDM算法建立的VIUPD也具有獨立于傳感器的特性[15]，其定義如下

(4)

式中，(Cw+Cv+Cs)代表UPDM系數(shù)總和。

VIUPD綜合反映了所有原始數(shù)據(jù)的光譜信息，與利用幾個有限波段組合構(gòu)成的傳統(tǒng)植被指數(shù)相比，更能突出反映植被變化的細節(jié)特征。

Table 2 The detail of spectral indices used in this study

利用模擬的多波段寬下特征波段中心波長的葉片反射率光譜數(shù)據(jù)，計算六種常用的光譜指數(shù)。在計算VIUPD指數(shù)時，首先將UPDM標準系數(shù)文件模擬到5～35 nm七種波段寬下，然后再結(jié)合各波段寬下的葉片反射率數(shù)據(jù)計算得到VIUPD值。

2.2 光譜指數(shù)對葉綠素含量敏感性分析

敏感性分析的目的在于比較所選的7種光譜指數(shù)，討論其隨著葉片葉綠素含量增加的變化趨勢。首先探討葉片尺度上光譜指數(shù)與葉綠素含量的相關(guān)性，圖2為基于七種不同波段寬下光譜指數(shù)隨葉綠素含量增加的變化情況。

從圖2可知，TVI和MCARI與Ca+b呈多項式相關(guān)(二次)，一個光譜指數(shù)值對應兩個葉綠素含量，不適宜葉片尺度上葉綠素含量的反演；SRI與MCARI/OSAVI705與Ca+b呈線性相關(guān)，隨著Ca+b的增加，指數(shù)值也逐漸增大；NDVI，MCARI/OSAVI和VIUPD與Ca+b呈對數(shù)相關(guān)，在Ca+b低值區(qū)域，三種指數(shù)迅速增大或減小，但隨著Ca+b的增加有達到飽和的趨勢，說明這三種指數(shù)更適于中低值葉綠素含量的反演。其中，光譜指數(shù)VIUPD對低值區(qū)域葉綠素含量最為敏感?；诙喾N波斷寬的光譜指數(shù)與Ca+b的決定系數(shù)R2如表3。

從表3可知，在葉片尺度上，指數(shù)TVI和MCARI的決定系數(shù)低于0.4，相關(guān)性較差。其他幾種光譜指數(shù)均大于0.8，與葉片葉綠素含量的相關(guān)性較好。

為了定量地描述光譜指數(shù)對葉綠素含量的敏感性，基于式(5)計算SI隨Ca+b變化的改變程度。

(5)

式中，SI為參與計算的光譜指數(shù)，SImax和SImin分別表示該指數(shù)隨Ca+b變化的最大值和最小值。七種光譜指數(shù)的計算結(jié)果如表4所示。

從表4中可以看出，當葉片葉綠素含量從5 μg·cm-2增加到80 μg·cm-2時，七種波段寬下計算的光譜指數(shù)對葉片葉綠素含量變化的敏感程度為0.53%～0.68%，7種指數(shù)的平均改變?yōu)?.61%。

在光譜指數(shù)SRI，MCARI/OSAVI，MCARI/OSAVI705，NDVI和VIUPD與Ca+b均具有良好相關(guān)關(guān)系的前提下，隨葉片葉綠素含量變化改變程度更大的指數(shù)，對葉綠素含量具有更好的敏感性，能更好地描述葉綠素含量的變化情況。與其他指數(shù)相比，指數(shù)TVI和MCARI/OSAVI705僅分別改變了0.45%和0.43%，雖然上述研究中MCARI/OSAVI705與Ca+b決定系數(shù)較高，但綜合考慮，在葉片尺度上MCARI/OSAVI705對葉片葉綠素含量變化的描述能力有限。指數(shù)NDVI，MCARI/OSAVI，VIUPD和SRI無論是與葉片葉綠素含量的相關(guān)性，還是對葉綠素含量變化的敏感性，都呈現(xiàn)出較好的表現(xiàn)能力。

Fig.2 The relationship between Ca+b and spectral indices based on leaf reflectance of 7 different bandwidths

Table 3 The coefficient of determination R2 between spectral indices and Ca+b

Table 4 The sensitivity of spectral indices to Ca+b variation

2.3 光譜尺度效應分析

從圖2可看出，光譜指數(shù)的值還受到波段寬的影響，且不同指數(shù)受波段寬的影響程度不同。根據(jù)式(6)定義的變異系數(shù)，將模擬的六種波段寬10，15，20，25，30和35 nm下的光譜指數(shù)值與5 nm的光譜指數(shù)值進行比較，用于定量地比較并評價波段寬對光譜指數(shù)的影響大小。

(6)

式中，i為波段寬，i=10，15，20，25，30，35 nm。j為某一葉綠素含量，取值范圍為5～80 μg·cm-2。SIi,j-SI5 nm,j表示某一葉綠素含量對應的波段寬為i的光譜指數(shù)值與該葉綠素含量對應的波段寬為5 nm的指數(shù)值之差。

表5列出了光譜指數(shù)受波段寬影響的大小。MCARI/OSAVI和MCARI的變異系數(shù)最大(>0.08%)，其余指數(shù)均小于0.06%。波段寬10，15，20，25，30和35 nm計算的光譜指數(shù)相比于5 nm的結(jié)果，平均改變分別為0.022%，0.026%，0.051%，0.061%，0.072%和0.092%。其中，波段寬35 nm計算的光譜指數(shù)與5 nm的指數(shù)結(jié)果差別最為顯著。從整體上看，當波段寬從5 nm增加到35 nm時，所有光譜指數(shù)的變異系數(shù)平均值為0.054%。

Table 5 The sensitivity of spectral indices to bandwidth variations

研究中，與葉綠素含量的相關(guān)性高，對葉綠素含量變化較敏感且隨波段寬變化影響較小的光譜指數(shù)反演效果最好。與葉綠素含量的相關(guān)性研究中，除指數(shù)MCARI和TVI與葉綠素含量的相關(guān)性系數(shù)低于0.4，其余幾種指數(shù)的決定系數(shù)均大于0.8；對葉綠素含量變化的敏感性研究中，指數(shù)TVI和MCARI/OSAVI705隨Ca+b的變化得出的變異系數(shù)小于0.5%，其余指數(shù)的變異系數(shù)均大于0.55%；對波段寬變化的敏感性研究中，指數(shù)MCARI/OSAVI和MCARI隨波段寬變化得出的變異系數(shù)大于0.08%，其余指數(shù)均小于0.06%。綜合以上三方面研究，相比之下，基于通用光譜分解模式的VIUPD、加入紅邊位置信息的NDVI和SRI三種光譜指數(shù)在反演葉綠素含量的研究中，呈現(xiàn)出更好的反演能力。

3 葉綠素含量反演

3.1 回歸模型建立

將以上模擬的七種波段寬下光譜指數(shù)與相應葉綠素含量建立適當?shù)幕貧w模型。研究中光譜指數(shù)和葉綠素含量對應的樣本數(shù)量為16種葉綠素水平和7種波段寬下的112個樣本。回歸模型建立后，采用均方根誤差(root mean squared error, RMSE)來評價模型的預測性，對模擬值和實測值之間的符合度進行檢驗分析。RMSE值越小，則說明模型的模擬值和實測值偏差小，一致性高，模擬結(jié)果越精確可靠；若RMSE值越大則相反。其計算見式(7)

(7)

式中：Zp(Si)為預測值；Zt(Si)為實測值；N為樣本單元的數(shù)量。

表6為光譜指數(shù)與葉綠素含量建立的回歸模型。

從表6可看出，指數(shù)VIUPD，NDVI，SRI和MCARI/OSAVI與葉綠素含量呈現(xiàn)出較好的回歸關(guān)系(R2>0.85，RMSE<8 μg·cm-2)，其中VIUPD最好(R2=0.991 0, RMSE=3.52 μg·cm-2)。而指數(shù)TVI，MCARI和MCARI/OSAVI705未能表現(xiàn)出較好的回歸關(guān)系。

Table 6 The regression model between spectral indices and chlorophyll content

3.2 敏感性及光譜尺度效應驗證

將PROSPECT模型模擬的5 nm葉片反射率數(shù)據(jù)根據(jù)1.2節(jié)中的方法分別模擬成40，45，50，55，60和65 nm波段寬的反射率數(shù)據(jù)，然后分別計算出每種波段寬下的七種光譜指數(shù)，再按照3.1中建立的回歸模型反演葉綠素含量，最后與葉綠素含量的實際值進行擬合，實際值為PROSPECT模型輸入?yún)?shù)Ca+b的取值，即5～80 μg·cm-2。圖3為利用光譜指數(shù)方法得到的葉綠素含量的反演值與實際值的擬合情況。

Fig.3 The fitting degree between the estimation value of chlorophyll and the true value

從圖3可看出，指數(shù)VIUPD反演的葉綠素含量與真實值擬合程度最好，分布在y=x直線附近，R2為0.996 9，其反演值分布在5～80 μg·cm-2；其次是指數(shù)NDVI和SRI，R2分別為0.907 3和0.891 8，其反演值分布在0～70 μg·cm-2，略小于真實值范圍5～80 μg·cm-2；MCARI/OSAVI和MCARI/OSAVI705的R2均大于0.55，分別為0.764和0.588 6，但與真實值相比，反演值分別僅分布在25～65和10～60 μg·cm-2，反演結(jié)果缺乏真實性；基于指數(shù)TVI和MCARI的反演值與真實值擬合結(jié)果最差，嚴重偏離y=x直線，其中TVI反演的葉綠素含量值總體比真實值低(<45 μg·cm-2)，而MCARI反演的葉綠素含量值偏高(35～70 μg·cm-2)。

綜合以上分析，與葉綠素含量的相關(guān)性、葉綠素含量變化的敏感性及波段寬變化的敏感性研究，證明了光譜指數(shù)NDVI，VIUPD和SRI呈現(xiàn)出更好的反演能力，與光譜指數(shù)對波段寬的敏感性驗證結(jié)果相吻合，VIUPD表現(xiàn)出最好的反演精度，NDVI和SRI其次。

4 結(jié)果與討論

基于PROSPECT葉片輻射傳輸模型研究了利用光譜指數(shù)方法反演植被葉片葉綠素含量的光譜尺度效應。利用PROSPECT模型模擬了不同葉綠素含量(5～80 μg·cm-2)下5 nm的葉片光譜反射率數(shù)據(jù)，然后利用高斯光譜響應函數(shù)將5nm反射率數(shù)據(jù)分別模擬成波段寬10，15，20，25，30和35 nm的光譜數(shù)據(jù)，分析七種波段寬下選取的七種光譜指數(shù)NDVI，SRI，TVI，MCARI，MCARI/OSAVI，MCARI/OSAVI705及VIUPD與葉片葉綠素含量的相關(guān)性、對葉綠素含量變化的敏感性及對波段寬變化的敏感性。結(jié)果表明，加入紅邊位置信息的NDVI，基于通用光譜分解模式的新型光譜指數(shù)VIUPD和簡單比值指數(shù)SRI呈現(xiàn)出較好的反演葉綠素含量的能力。最后，利用模擬的波段寬為40，45，50，55，60和65 nm的反射率數(shù)據(jù)驗證以上光譜指數(shù)對波段寬變化的敏感性。最后得出結(jié)論，光譜指數(shù)VIUPD的反演精度最高，反演值與真實值擬合程度最好；NDVI和SRI其次，確定系數(shù)R2高達0.89以上，但反演值小于真實值范圍；其余幾種指數(shù)的反演結(jié)果較差。

VIUPD是基于通用光譜分解模式UPDM建立起來的新型光譜指數(shù)，具有“不受傳感器影響”的特性，VIUPD對葉綠素含量具有較好的相關(guān)性且不受波段寬變化的影響，具有較好的反演能力，這一結(jié)論恰好驗證其“獨立于傳感器”的特性，同時也說明指數(shù)VIUPD可以滿足不同多/高光譜傳感器數(shù)據(jù)分析應用的需求，實現(xiàn)多源遙感數(shù)據(jù)植被理化參量的精確反演。因此，利用通用光譜指數(shù)VIUPD在植被葉綠素含量估算方面乃至植被理化參量反演領(lǐng)域具有更廣闊的應用前景。

“紅邊位置”是植被反射光譜一階微分最大值所對應的波長位置，通常位于650～750 nm之間。紅邊位置向長波方向移動時反映了植被葉片葉綠素含量濃度增加，葉綠素濃度減少時紅邊位置則向短波方向移動[3, 16]。研究中將紅邊位置信息波段加入到NDVI和SRI這兩種指數(shù)的構(gòu)建中，基于多波段寬光譜數(shù)據(jù)反演葉片葉綠素含量得到了較好的反演結(jié)果，驗證了植被紅邊位置可用來描述葉片葉綠素含量的變化的理論。

修正型葉綠素吸收反射率指數(shù)MCARI是CARI的變型，其中R700/R670的引入是為了最小化土壤反射率的影響，但仍然對背景反射屬性敏感。Daughtry等提出應該將MCARI與優(yōu)化的土壤調(diào)整植被指數(shù)OSAVI結(jié)合，從而減少土壤背景發(fā)射率的貢獻，同時增強葉綠素含量的敏感性[17]。本文對葉綠素含量和波段寬的敏感性分析說明，指數(shù)MCARI/OSAVI比MCARI呈現(xiàn)出更好的反演葉綠素含量的能力，恰恰與這一結(jié)論相吻合。

綜上所述，基于多種傳感器數(shù)據(jù)利用光譜指數(shù)方法反演植被葉片葉綠素含量時，由于傳感器光譜響應(波段寬、中心波長)存在差異，因此需考慮光譜尺度效應對反演結(jié)果的影響，為葉綠素含量多源遙感數(shù)據(jù)的協(xié)同反演提供理論基礎(chǔ)。

[1] Haboudane D, Miller J R., Tremblay N, et al. Remote Sensing of Environment, 2002, 81: 416.

[2] ZHANG Liang-pei, ZHANG Li-fu(張良培, 張立福). Hyperspectral Remote Sensing(高光譜遙感). Wuhan: Wuhan University Press(武漢：武漢大學出版社), 2011.

[3] TONG Qing-xi, ZHANG Bing, ZHENG Lan-fen(童慶禧，張 兵，鄭蘭芬). Hyperspectral Remote Sensing: Principle, Technology and Application(高光譜遙感—原理, 技術(shù)與應用). Beijing: Higher Education Press(北京：高等教育出版社), 2006.

[4] Hatfield J, Gitelson A A, Schepers J S, et al. Agronomy Journal, 2008, 100: S117.

[5] le Maire G, Fran?ois C, Soudani K, et al. Remote Sensing of Environment, 2008, 112: 3846.

[6] Kim M S, Daughtry C, Chappelle E, et al. In Proceedings of the 6th International Symposium on Physical Measurements and Signatures in Remote Sensing, 1994, 299.

[7] Haboudane D. Remote Sensing of Environment, 2004, 90: 337.

[8] Sims D A, Gamon J A. Remote Sensing of Environment, 2002, 81: 337.

[9] Pisek J, Chen J M. Remote Sensing of Environment, 2007, 109: 81.

[10] Wu C, Han X, Niu Z. International Journal of Remote Sensing, 2010, 31: 1079.

[11] Chen X, Zhang L, Zhang X, et al. International Journal of Remote Sensing, 2013, 34: 2200.

[12] LI Xiao-wen, WANG Jin-di, Strahler A H(李小文, 王錦地, Strahler A H). Science China(中國科學), 2000, 30: 12.

[13] Feret J B, Fran?ois C, Asner G P, et al. Remote Sensing of Environment, 2008, 112: 3030.

[14] Zhang L, Furumi S, Muramatsu K. International Journal of Remote Sensing, 2007, 28: 107.

[15] Zhang L, Liu B, Zhang B, et al. International Journal of Remote Sensing, 2010, 31: 2083.

[16] Das P K, Choudhary K K, Laxman B, et al. International Journal of Remote Sensing, 2014, 35: 1432.

[17] Daughtry C S T, Walthall C L, Kim M S, et al. Remote Sensing of Environment, 2000, 74: 229.

*Corresponding author

Research on Spectral Scale Effect in the Estimation of Vegetation Leaf Chlorophyll Content

JIANG Hai-ling1, 2, ZHANG Li-fu2*, YANG Hang2, CHEN Xiao-ping3, TONG Qing-xi1, 2

1. Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China

2. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

3. Harbin Institute of Technology Shenzhen Graduate School, Shenzhen 518055, China

Spectral indices (SIs) method has been widely applied in the prediction of vegetation biochemical parameters. Take the diversity of spectral response of different sensors into consideration, this study aimed at researching spectral scale effect of SIs for estimating vegetation chlorophyll content (VCC). The 5 nm leaf reflectance data under 16 levels of chlorophyll content was got by the radiation transfer model PROSPECT and then simulated to multiple bandwidths spectrum (10～35 nm), using Gaussian spectral response function. Firstly, the correlation between SIs and VCC was studied. And then the sensitivity of SIs to VCC and bandwidth were analyzed and compared. Lastly, 112 samples were selected to verify the results above mentioned. The results show that Vegetation Index Based on Universal Pattern Decomposition Method (VIUPD) is the best spectral index due to its high sensitivity to VCC but low sensitivity to bandwidth, and can be successfully used to estimate VCC with coefficient of determinationR2of 0.99 and RMSE of 3.52 μg·cm-2. Followed by VIUPD, Normalized Difference Vegetation Index (NDVI) and Simple Ratio Index (SRI) presented a comparatively good performance for VCC estimation (R2>0.89) with their prediction value of chlorophyll content was lower than the true value. The worse accuracy of other indices were also tested. Results demonstrate that spectral scale effect must be well-considered when estimating chlorophyll content, using SIs method. VIUPD introduced in the present study has the best performance, which reaffirms its special feature of comparatively sensor-independent and illustrates its potential ability in the area of estimating vegetation biochemical parameters based on multiple satellite data.

Spectral indices; Vegetation leaf chlorophyll content; Radiative transfer; Spectral response; Spectral scale effect

Nov. 24, 2014; accepted Mar. 20, 2015)

2014-11-24，

2015-03-20

國家自然科學基金項目(41371362，41201348，41371359)，高分水利遙感應用示范系統(tǒng)(08-Y30B07-9001-13/15-01)和國家(863)計劃項目(2012AA12A308)資助

姜海玲，1986年生，北京大學遙感與地理信息系統(tǒng)研究所博士研究生 e-mail: hai.ling.1986@163.com *通訊聯(lián)系人 e-mail：zhanglf@radi.ac.cn

TP79；S512.11

A

10.3964/j.issn.1000-0593(2016)01-0169-08