植物光學(xué)模型估算葉片類胡蘿卜素含量的一種雙歸一化差值-比值植被指數(shù)

王 弘，施潤(rùn)和, 3*，劉浦東，高 煒, 3, 4

1. 華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200241

2. 華東師范大學(xué)環(huán)境遙感與數(shù)據(jù)同化聯(lián)合實(shí)驗(yàn)室，上海 200241

3. 華東師范大學(xué)、美國(guó)科羅拉多州立大學(xué)中美新能源與環(huán)境聯(lián)合研究院，上海 200062

4. Department of Ecosystem Science and Sustainability, Colorado State University, Fort Collins 80532, USA

植物光學(xué)模型估算葉片類胡蘿卜素含量的一種雙歸一化差值-比值植被指數(shù)

王 弘1, 2，施潤(rùn)和1, 2, 3*，劉浦東1, 2，高 煒1, 2, 3, 4

1. 華東師范大學(xué)地理信息科學(xué)教育部重點(diǎn)實(shí)驗(yàn)室，上海 200241

2. 華東師范大學(xué)環(huán)境遙感與數(shù)據(jù)同化聯(lián)合實(shí)驗(yàn)室，上海 200241

3. 華東師范大學(xué)、美國(guó)科羅拉多州立大學(xué)中美新能源與環(huán)境聯(lián)合研究院，上海 200062

4. Department of Ecosystem Science and Sustainability, Colorado State University, Fort Collins 80532, USA

運(yùn)用高光譜技術(shù)進(jìn)行植物葉片探測(cè)具有快速、無損、高精度等特點(diǎn)，在葉片色素等生化成分含量估算方面應(yīng)用前景廣闊。類胡蘿卜素作為葉片中重要光合色素之一，因其在可見光區(qū)域與葉綠素的光譜吸收特征存在重疊，且其含量遠(yuǎn)低于葉綠素，導(dǎo)致利用光譜信息估算葉片類胡蘿卜素含量存在困難，國(guó)內(nèi)外少有針對(duì)類胡蘿卜素含量的植被指數(shù)。利用高光譜數(shù)據(jù)光譜信息豐富的特點(diǎn)，提出一種以波段組合遍歷與相關(guān)分析為基礎(chǔ)，通過多指數(shù)協(xié)同來構(gòu)建組合式的植被光譜指數(shù)的新方法。在PROSPECT葉片輻射傳輸模型模擬出大量具有不同生化和生物物理特征的葉片光譜的基礎(chǔ)上，成功構(gòu)建了一種在葉片水平下具有良好穩(wěn)定性的類胡蘿卜素含量估算新指數(shù)RVIDNDVI。結(jié)果表明，該方法構(gòu)建的葉片類胡蘿卜素光譜指數(shù)由兩部分組成： 由532和405 nm構(gòu)建的窄波段NDVI(與類胡蘿卜素、葉綠素均強(qiáng)相關(guān))和由548和498 nm構(gòu)建的窄波段NDVI(僅與葉綠素強(qiáng)相關(guān))進(jìn)行比值組合，能較好消除葉綠素含量對(duì)指數(shù)的干擾； 通過減去對(duì)葉片結(jié)構(gòu)高敏感的916 nm處反射率，能消除葉肉結(jié)構(gòu)參數(shù)的影響，進(jìn)一步提高指數(shù)的抗干擾能力。該研究得到的指數(shù)RVIDNDVI僅對(duì)葉片類胡蘿卜素具有高敏感性，相關(guān)系數(shù)達(dá)到-0.94，對(duì)其進(jìn)行指數(shù)擬合的R2達(dá)到0.834 4。經(jīng)與模擬數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)的驗(yàn)證，該指數(shù)有較好的估算效果。

類胡蘿卜素含量； 多指數(shù)協(xié)同法； 植被指數(shù)； PROSPECT模型； RVIDNDVI

引 言

植被是陸地生態(tài)系統(tǒng)的重要組成部分，能通過光合作用進(jìn)行大規(guī)模的物質(zhì)轉(zhuǎn)換和能量轉(zhuǎn)換，維持碳氧循環(huán)。葉片中進(jìn)行光合作用的主要色素有葉綠素及類胡蘿卜素兩大類，其中類胡蘿卜素主要起吸收傳遞光能、保護(hù)葉綠素、延緩衰老葉片中葉綠素的快速分解等作用[1]，因此準(zhǔn)確估算葉片內(nèi)類胡蘿卜素的含量對(duì)監(jiān)測(cè)植被健康狀態(tài)有重要意義。然而傳統(tǒng)化學(xué)分析具有破壞性，且時(shí)間長(zhǎng)、成本高。利用光譜分析是一種便捷、低成本的方法，并可推廣到應(yīng)用遙感技術(shù)開展大范圍快速探測(cè)。

利用光譜技術(shù)估算葉片光合色素含量主要有三類方法： 統(tǒng)計(jì)回歸[2]、物理模型[3-4]和植被指數(shù)[5]。相較于前兩者，植被指數(shù)法具有形式簡(jiǎn)單、穩(wěn)定性和魯棒性較好等優(yōu)點(diǎn)[5]，一直是該領(lǐng)域研究的熱點(diǎn)方向[6-10]。高光譜遙感技術(shù)的發(fā)展，使窄波段光譜信息的獲取成為可能，進(jìn)而發(fā)展了一系列窄波段植被指數(shù)運(yùn)用于葉片色素含量的估算[7, 9, 12]。然而由于葉綠素與類胡蘿卜素吸收峰所處的波段有重疊，且葉片內(nèi)葉綠素含量一般遠(yuǎn)高于類胡蘿卜素含量，這給利用光譜信息監(jiān)測(cè)類胡蘿卜素含量帶來了一定困難。相比而言，現(xiàn)有針對(duì)類胡蘿卜素含量的植被指數(shù)明顯少于葉綠素植被指數(shù)，主要有Chappelle等基于大豆葉片提出的RARS指數(shù)[6]，Blackburn基于櫟樹、楓樹、山毛櫸、歐洲栗葉片提出的PSSRc和PSNDc指數(shù)[7]，Datt基于桉樹葉片提出的EPI指數(shù)[8]，Gitelson等基于楓樹、山毛櫸、歐洲栗葉片提出的CRI500和CRI700指數(shù)[9]等。另外也有學(xué)者利用類胡蘿卜素與葉綠素a含量比值估測(cè)得到的類胡蘿卜素含量，并構(gòu)建了SIPI等指數(shù)[10]。但這些指數(shù)均是基于實(shí)測(cè)數(shù)據(jù)構(gòu)建的，可能存在的問題包括： 所測(cè)的物種類型有限且各種類的數(shù)據(jù)量較少； 多變量梯度同時(shí)控制難度較大； 難以全面衡量各種因素對(duì)結(jié)果的影響等。與之相比，植物光學(xué)模型物理機(jī)制明確，各變量靈活可控，其模擬數(shù)據(jù)已成為開展植物生化參數(shù)反演研究的重要數(shù)據(jù)源之一[4]，但鮮少應(yīng)用于類胡蘿卜素含量估算研究中。

比值和歸一化差值是植被指數(shù)構(gòu)建的兩種常見形式，并被應(yīng)用于葉綠素估算中[7, 11]，但這兩種形式在類胡蘿卜素估算中的應(yīng)用潛力尚缺乏研究。本文通過模型模擬出大量不同生化參數(shù)下的葉片光譜數(shù)據(jù)，從統(tǒng)計(jì)上和機(jī)理上對(duì)窄波段NDVI的波段選取進(jìn)行研究，并通過對(duì)多個(gè)窄波段NDVI進(jìn)行組合，旨在構(gòu)建出在葉片水平下具有一定普適性，能夠較好估測(cè)類胡蘿卜素含量的新指數(shù)。

1 數(shù)據(jù)與方法

1.1 數(shù)據(jù)來源

主要利用PROSPECT-5模型模擬所得的光譜反射率數(shù)據(jù)。作為目前最成熟的葉片光學(xué)模型之一，PROSPECT模型可用于計(jì)算葉片在400～2 500 nm的半球反射率和透射率[3]，PROSPECT-5版本在輸入?yún)?shù)中首次加入了類胡蘿卜素含量，并將光譜分辨率提高到1 nm。其輸入?yún)?shù)包括： 類胡蘿卜素含量Car、葉綠素含量Ca+b、葉肉結(jié)構(gòu)參數(shù)N、等效水厚度Cw、干物質(zhì)含量Cm和棕色素含量Cbrown。

通過該模型，模擬出A，B和C共3套葉片反射光譜數(shù)據(jù)集。每套數(shù)據(jù)集中，作為變量的參數(shù)在取值范圍內(nèi)產(chǎn)生1 000個(gè)服從均勻分布的隨機(jī)數(shù)，通過PROSPECT模型，三套模擬數(shù)據(jù)集分別得到1 000條400～2 500 nm葉片模擬反射率。取值范圍如表1所示，生化參數(shù)(除棕色素)的取值主要依據(jù)Jacquemoud等對(duì)LOPEX’93數(shù)據(jù)集中，葉片生化參數(shù)含量的統(tǒng)計(jì)[12]。LOPEX’93數(shù)據(jù)集[13]是為研究高光譜數(shù)據(jù)反演植物生化參數(shù)而建立的，包含了代表50種植物(4種裸子植物、9種單子葉植物、37種雙子葉植物)的70余個(gè)葉片樣本的光譜數(shù)據(jù)與生化參數(shù)值。Cbrown主要在葉片衰老階段含量較高，本文僅研究綠色葉片，因此將其設(shè)置為0.0 μg·cm-2。N作為唯一一個(gè)無法通過實(shí)測(cè)獲取的參數(shù)，反映了葉片的緊致程度，與植物類型及其生長(zhǎng)期有一定關(guān)系，并對(duì)光譜產(chǎn)生顯著影響，是影響類胡蘿卜素估算的重要干擾因子。本研究中，當(dāng)其為常量時(shí)，取Jacquemoud等利用實(shí)際測(cè)量數(shù)據(jù)擬合而成的平均值1.4[3]； 當(dāng)其為變量時(shí)，則取能夠較好擬合LOPEX’93 數(shù)據(jù)集的1.0～4.0。

表1 PROSPECT模型輸入?yún)?shù)取值統(tǒng)計(jì)表

1.2 數(shù)據(jù)預(yù)處理

PROSPECT模型輸出的反射率值是由計(jì)算得到的浮點(diǎn)數(shù)，須根據(jù)實(shí)際測(cè)量精度對(duì)其進(jìn)行四舍五入，以便與實(shí)際觀測(cè)所能達(dá)到的精度相一致。參照Kuester等的方法，將反射率四舍五入至小數(shù)點(diǎn)后2位，再用于計(jì)算相關(guān)性[14]。

1.3 研究方法

對(duì)地物光譜進(jìn)行歸一化差值處理而構(gòu)建的植被指數(shù)在不同領(lǐng)域均得到成功應(yīng)用，如NDVI，NDWI等。保留歸一化差值的基本形式，將兩個(gè)寬波段反射率修改成1 nm光譜分辨率的窄波段反射率，如式(1)，稱為窄波段歸一化差值植被指數(shù)(narrow band NDVI)，記為NDVInb(A, B)

(1)

式中，RA和RB分別為波長(zhǎng)A和波長(zhǎng)B的反射率。

一個(gè)良好的植被指數(shù)應(yīng)該對(duì)特定因素具有高敏感性、對(duì)其他干擾因素具有強(qiáng)抵抗性，因此所構(gòu)建的植被指數(shù)應(yīng)該盡可能地減弱除類胡蘿卜素以外其他參數(shù)的影響。首先采用局部敏感性方法，使用模擬數(shù)據(jù)集A和B，分別對(duì)葉片類胡蘿卜素與葉綠素單獨(dú)分析。由于類胡蘿卜素等光合色素的吸收特征集中在可見光區(qū)域，因此將研究波段設(shè)定為400～800 nm，包含可見光區(qū)域、紅邊及近紅外的高反射峰前端。對(duì)401個(gè)波段依次進(jìn)行兩兩組合，以找出與各自含量相關(guān)性較高的NDVInb。對(duì)兩類NDVInb進(jìn)行疊加分析后，可以得到另兩類NDVI： 與類胡蘿卜素、葉綠素相關(guān)性均較好的NDVInb、僅與葉綠素具有良好相關(guān)性的NDVInb。之后通過模擬數(shù)據(jù)集C的前800個(gè)樣本，基于全局敏感性分析，將與類胡蘿卜素、葉綠素相關(guān)性均較好的NDVInb以及僅與葉綠素具有良好相關(guān)性的NDVInb基于比值的形式再次進(jìn)行兩兩組合，分析其對(duì)消除其他生化參數(shù)干擾的效果。由于N對(duì)光譜的影響分布在整個(gè)可見光至近紅外波段[15]，嘗試找出僅受N影響的波段，通過一定方式添加至指數(shù)中，最終得到受其他因素干擾小、對(duì)類胡蘿卜素高度敏感的新植被指數(shù)。

2 結(jié)果與討論

2.1 單一NDVInb估算Car的可行性分析

2.1.1 光合色素與NDVInb的相關(guān)性研究

利用模擬數(shù)據(jù)集A，將不同的波段兩兩組合，得出Car與NDVInb之間相關(guān)系數(shù)的絕對(duì)值，并作出Car與各NDVInb的相關(guān)系數(shù)圖，如圖1(a)。圖中，每個(gè)點(diǎn)對(duì)應(yīng)的X軸、Y軸坐標(biāo)分別代表了構(gòu)成NDVInb的兩個(gè)光譜波段A和B，點(diǎn)的顏色代表了相關(guān)性程度的強(qiáng)弱。相應(yīng)地，利用模擬數(shù)據(jù)B得到Ca+b與NDVInb的線性相關(guān)性圖，如圖1(b)。由式(1)可知，NDVI的形式是對(duì)稱的，因此圖1(a)和(b)均是沿對(duì)角線上下完全對(duì)稱的關(guān)系圖，為方便分析僅分析對(duì)角線右下方，即假設(shè)波段A的波長(zhǎng)大于波段B的波長(zhǎng)。

圖1 光合色素含量與NDVInb相關(guān)性分布圖

圖1(a)中，對(duì)角線下方與Car相關(guān)性較顯著(相關(guān)系數(shù)絕對(duì)值在0.9以上)的NDVInb主要集中于3個(gè)區(qū)域，其兩個(gè)波段取值范圍見表2。這些區(qū)域內(nèi)NDVInb與Car的相關(guān)系數(shù)絕對(duì)值均大于0.95，但受Ca+b影響也較大。再列出與Ca+b相關(guān)性較好的NDVInb的波段A和B取值范圍，如表3，其中7塊區(qū)域的相關(guān)系數(shù)絕對(duì)值的平均值均在0.94以上，但這些NDVInb與Car相關(guān)性非常低，且大部分NDVInb完全不受Car影響。

如果某一指標(biāo)屬于設(shè)定的權(quán)重區(qū)間，則該工程能夠評(píng)價(jià)其優(yōu)劣程度，但往往有些工程的綜合權(quán)重值處于界定區(qū)間的邊緣，則很難界定其等級(jí)。所以采用3種權(quán)重確定方法，試圖得到理想生小流域生態(tài)與現(xiàn)實(shí)小流域生態(tài)的偏離程度。

2.1.2 抗疊加干擾分析

為了估算葉片內(nèi)類胡蘿卜素的含量，需削弱其他生化參數(shù)的影響。水對(duì)光譜的影響基本位于1 000 nm以后，對(duì)所構(gòu)建的NDVInb無影響。干物質(zhì)因?qū)?40～800 nm處的光譜反射率存在影響，因此NDVInc中這些波段需要剔除。為了避免葉綠素的影響，應(yīng)將表2中與Ca+b相關(guān)系數(shù)絕對(duì)值高于0.3的NDVInb剔除，然而表2中所選3個(gè)區(qū)域的NDVInb與Ca+b相關(guān)性都較好，因此無法得到理想的NDVInb。此結(jié)果表明，利用單個(gè)NDVInb估算類胡蘿卜素含量方法不可行。但在圖1和表2中可以發(fā)現(xiàn)部分區(qū)域與Car和Ca+b的相關(guān)性都較高，而表3中則有部分區(qū)域僅與Ca+b高度相關(guān)，因此嘗試?yán)脙蓚€(gè)NDVInb組合的方法來消除葉綠素的影響，以提高估算類胡蘿卜素含量的準(zhǔn)確性。

表2 與類胡蘿卜素含量相關(guān)性顯著的NDVInb

表3 與葉綠素含量相關(guān)性顯著的NDVInb

2.2 雙NDVInb比值法估算Car的可行性分析

2.2.1 葉綠素影響的消除

將模擬數(shù)據(jù)集C的前800個(gè)樣本作為光譜數(shù)據(jù)，對(duì)2.1.2得到的與Car，Ca+b均相關(guān)的NDVInb以及僅與Ca+b相關(guān)的NDVInb，采用減法、比值、NDVI法等數(shù)學(xué)形式兩兩組合產(chǎn)生新指數(shù)，發(fā)現(xiàn)比值形式比其他數(shù)學(xué)形式能更好地削弱葉綠素影響，因此提出一種雙NDVI比值型指數(shù)，記為RVIDNDVI(ratio vegetation index using dual NDVI)，計(jì)算公式為

(2)

式中，R532，R405，R548，R498分別代表了波長(zhǎng)為532，405，548和498 nm的反射率。

表4為NDVInb(532, 405)，NDVInb(548, 498)以及RVIDNDVI分別在局部敏感性分析及全局敏感性分析下，與各生化參數(shù)的相關(guān)系數(shù)統(tǒng)計(jì)表。不難發(fā)現(xiàn)，當(dāng)采取局部敏感性分析時(shí)，NDVInb(532, 405)與Car，Ca+b和N具有強(qiáng)相關(guān)性，NDVInb(548, 498)則與Ca+b和N具有強(qiáng)相關(guān)性。當(dāng)Car，Ca+b，Cw，Cm和N五個(gè)參數(shù)均作為變量時(shí)，指數(shù)與各個(gè)參數(shù)的相關(guān)性都會(huì)受到互相的影響而有所變化，因此NDVInb(532, 405)雖然深受Car，Ca+b和N的影響，但其與該三者的相關(guān)性分別有不同程度的降低； 類似地，NDVInb(548, 498)雖然在局部敏感性分析中與Ca+b和N的相關(guān)性均很高，但在全局敏感性分析中，相關(guān)系數(shù)也有變化。對(duì)于RVIDNDVI來說，在全局敏感性分析中，與Car負(fù)相關(guān)程度很高，而與Ca+b的相關(guān)系數(shù)則小于0.1，不過其受到N的影響依然很大，兩者相關(guān)系數(shù)絕對(duì)值高達(dá)0.55。

表4 VI與生化參數(shù)的相關(guān)系數(shù)

圖2為利用模擬數(shù)據(jù)集C前800個(gè)樣本為數(shù)據(jù)，依據(jù)N的取值劃分的Car值與RVIDNDVI值的關(guān)系散點(diǎn)圖。整體看來，各點(diǎn)聚集較為緊密，且整體呈遞減趨勢(shì)，但可以看出，N主要對(duì)VI的截距產(chǎn)生較大影響，且當(dāng)Car含量相同時(shí)，RVIDNDVI值與N值呈單調(diào)遞增趨勢(shì)。因此嘗試通過減去一個(gè)僅與N相關(guān)的函數(shù)來減弱N的影響。

圖2 按N劃分的RVIDNDVI與類胡蘿卜素含量的散點(diǎn)圖

圖3是依據(jù)LOPEX’93數(shù)據(jù)集的統(tǒng)計(jì)結(jié)果及Jacquemoud等對(duì)N的取值建議，模擬出的400～2 500 nm的反射率的變化率圖，描述了不同波段對(duì)N，Ca+b，Car，Cw和Cm的敏感性程度。雖然各參數(shù)主要影響的波段不盡相同，但N作為影響400～2 500 nm全波段的一個(gè)參數(shù)，在各波段的變化率都高于其他參數(shù)。在750～1 150 nm處，除了N的變化率高于90%以外，其余各參數(shù)的變化率都較小，可作為理想波段的大致范圍。最終通過遍歷，選擇最優(yōu)波段916 nm及系數(shù)1.4。因此對(duì)RVIDNDVI進(jìn)行修正

(3)

式中，R532，R405，R548，R498和R916分別代表了波長(zhǎng)為532，405，548，498和916 nm處的反射率。

圖3 400～2 500 nm處不同參數(shù)含量下的敏感性變化率

通過全局敏感性分析計(jì)算，RVIDNDVI與Car的負(fù)相關(guān)系數(shù)高達(dá)-0.94，而與N，Ca+b，Cw，Cm的相關(guān)系數(shù)則僅為0.07，0.03，0.02，0.21。對(duì)Car與RVIDNDVI進(jìn)行曲線擬合，結(jié)果如圖4顯示，兩者具有較強(qiáng)的非線性關(guān)系，指數(shù)擬合后R2為0.834 4。

2.3 驗(yàn)證

采用模擬數(shù)據(jù)集C后200個(gè)樣本以及Lopex’93數(shù)據(jù)集的64個(gè)樣本，分別對(duì)RVIDNDVI能否準(zhǔn)確估算類胡蘿卜素含量進(jìn)行模擬數(shù)據(jù)驗(yàn)證和真實(shí)數(shù)據(jù)驗(yàn)證，并對(duì)比前人提出的不同類胡蘿卜素指數(shù)(表5)的估算效果，最終統(tǒng)計(jì)結(jié)果如表6。

圖4 RVIDNDVI與類胡蘿卜素含量擬合關(guān)系圖

表5 本工作采用的光譜指數(shù)列表

Table 5 Different spectral indices used in this study

光譜指數(shù)計(jì)算公式或定義參考文獻(xiàn)RARSRARS=R760/R500[6]PSSRcPSSRc=R800/R500[7]EPIEPI=R672/(R550×R708)[8]CRICRI550=R-1510-R-1550CRI700=R-1510-R-1700[9]

根據(jù)驗(yàn)證結(jié)果，在模擬數(shù)據(jù)驗(yàn)證方面，所構(gòu)建的RVIDNDVI估算Car的RMSE最小，為3.32，表明估算Car的準(zhǔn)確性較高； 變異系數(shù)為38.23，預(yù)測(cè)值離散程度較好； 在Lopex’93數(shù)據(jù)驗(yàn)證方面，RVIDNDVI估算類胡蘿卜素含量的RMSE為5.03，僅低于EPI，變異系數(shù)為26.19。但由于模擬數(shù)據(jù)各參數(shù)變化梯度大，涵蓋面廣，因此總體來說，估算效果理想。

表6 不同光譜指數(shù)估算類胡蘿卜素含量的結(jié)果統(tǒng)計(jì)表

3 結(jié) 論

通過PROSPECT模型，在可見光至短波紅外區(qū)域內(nèi)模擬了大量不同生化參數(shù)的光譜曲線，計(jì)算了不同窄波段組合的NDVI值，分別分析了其與葉片類胡蘿卜素、葉綠素之間的相關(guān)性，比較了用不同數(shù)學(xué)形式消除干擾因素的影響，以探究是否能構(gòu)建出不受種類干擾，可用于估算類胡蘿卜素含量的光譜指數(shù)。結(jié)果表明： 單一NDVI用于估算類胡蘿卜素含量的方法不可行； 比值法能較好地通過削弱分母指數(shù)的干擾來突出分子指數(shù)的信息； 構(gòu)建的RVIDNDVI與類胡蘿卜素含量存在較好的相關(guān)性與預(yù)測(cè)性，說明利用多指數(shù)組合能良好地反演葉片類胡蘿卜素含量。

另外，本研究是基于模型模擬數(shù)據(jù)進(jìn)行的，由于模擬光譜數(shù)據(jù)與實(shí)測(cè)光譜數(shù)據(jù)之間有偏差，最終反演效果可能會(huì)略有差異，研究結(jié)果的普適性有待進(jìn)一步驗(yàn)證。

[1] Biswall B. Journal of Photochemistry and Photobiology, 1995, 30(1): 3.

[2] Grossman Y L, Ustin S L, Jacquemoud S, et al. Remote Sensing of Environment, 1996, 56(3): 182.

[3] Jacquemoud S, Baret F. Remote Sensing of Environment, 1990, 34(2): 75.

[4] Féret J B, Fran?ois C, Asner G P, et al. Remote Sensing of Environment, 2008, 112(6): 3030.

[5] Main R, Cho M A, Mathieu R, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6): 751.

[6] Chappelle E W, Kim M S, McMurtrey J E. Remote Sensing of Environment, 1992, 39(3): 239.

[7] Blackburn G A. Remote Sensing of Environment, 1998, 66(3): 273.

[8] Datt B. Remote Sensing of Environment, 1998, 66(2): 111.

[9] Gitelson A A, Zur Y, Chivkunova O B, et al. Photochemistry and Photobiology, 2002, 75(3): 272.

[11] Huang J F, Wang F M, Wang X Z, et al. Communications in Soil Science and Plant Analysis, 2004, 35: 2689.

[12] Jacquemoud S, Ustin S L, Verdebout J, et al. Remote Sensing of Environment, 1996, 56(3): 194.

[13] Hosgood B, Jacquemoud S, Andreoli G, et al. Leaf Optical Properties Experiment 93 (LOPEX93). European Commission, 1995.

[14] Kuester M, Thome K, Krause K, et al. IEEE 2011 International Geoscience and Remote Sensing Symposium, 2001, 1: 72.

[15] SHI Run-he, NIU Zheng, ZHUANG Da-fang(施潤(rùn)和，牛 錚，莊大方). Journal of Remote Sensing(遙感學(xué)報(bào)), 2005, 9(1): 1.

(Received May 14, 2015; accepted Sep. 8, 2015)

*Corresponding author

Dual NDVI Ratio Vegetation Index: A Kind of Vegetation Index Assessing Leaf Carotenoid Content Based on Leaf Optical Properties Model

WANG Hong1, 2, SHI Run-he1, 2, 3*, LIU Pu-dong1, 2, GAO Wei1, 2, 3, 4

1. Key Laboratory of Geographical Information Science, Ministry of Education, East China Normal University, Shanghai 200241, China

2. Joint Laboratory for Environmental Remote Sensing and Data Assimilation, East China Normal University, Shanghai 200241, China

3. Joint Research Institute for New Energy and the Environment, East China Normal University and Colorado State University, Shanghai 200062, China

4. Department of Ecosystem Science and Sustainability, Colorado State University, Fort Collins 80532, USA

With characteristics of rapidness, non-destructiveness and high precision in detecting plant leaves, hyperspectral technology is promising in assessing the contents of leaf pigments and other biochemical components. Because the spectral absorption features of carotenoid and chlorophyll are overlapped in visible light region and that foliar carotenoid content is far lower than chlorophyll content, studies about constructing vegetation indices (VIs) for carotenoid is rare at home and abroad though carotenoid is one of the most important photosynthetic pigments. Hyperspectral data has abundant spectral information, so this paper proposed a multiple spectral indices collaborative algorithm to construct VIs on the basis of band-combination traversal and correlation analysis. Through a large number of simulated leaf reflectance spectra under different biochemical components contents run on PROSPECT model, a radiative transfer model, we successfully constructed a new kind of stable vegetation index (VI) for assessing carotenoid content at leaf level: RVIDNDVI. Our results indicate that RVIDNDVIis composed of two parts: (1)Narrow band NDVI constructed with 532 and 405 nm is high correlated with both carotenoid content and chlorophyll content while narrow band NDVI constructed with 548 and 498 nm is highly correlated with carotenoid content. The influence of chlorophyll content on RVIDNDVIcan be eliminated with the ratio combination of these two indices. (2) The influence of mesophyll structure parameter can be weakened by subtracting the reflectance at 916 nm, which has strong correlation with mesophyll structure parameter. RVIDNDVIonly has high sensitivity to carotenoid content (the correlation coefficient is -0.94) at leaf level andR2of its exponential fit is 0.834 4. The estimation of RVIDNDVIto carotenoid content can be verified with the validations of both simulated data and measured data.

Carotenoid content; Multiple spectral indices collaborative algorithm; Vegetation index; PROSPECT model; RVIDNDVI

2015-05-14，

2015-09-08

國(guó)家自然科學(xué)基金項(xiàng)目(41201358)，上海市科委重點(diǎn)項(xiàng)目(15dz1207805，13231203804)，上海市衛(wèi)計(jì)委重點(diǎn)學(xué)科建設(shè)項(xiàng)目(15GWZK0201)資助

王 弘，1990年生，華東師范大學(xué)地理科學(xué)學(xué)院碩士研究生 e-mail: re_honorine@163.com *通訊聯(lián)系人 e-mail: rhshi@geo.ecnu.edu.cn

TP79

A

10.3964/j.issn.1000-0593(2016)07-2189-06