基于叶片反射光谱特征的银杏健康量化评价技术

引用本文

金桂香, 刘海轩, 刘瑜, 吴鞠, 徐程扬. 基于叶片反射光谱特征的银杏健康量化评价技术[J]. 光谱学与光谱分析, 2018,38(4): 1184-1190.
JIN Gui-xiang, LIU Hai-xuan, LIU Yu, WU Ju, XU Cheng-yang. Study on Quantitative Assessment of Ginkgo biloba Tree Health Based on Characteristics of Leaf Spectral Reflectance [J]. Spectroscopy and Spectral Analysis, 2018,38(4): 1184-1190.
Doi:10.3964/j.issn.1000-0593(2018)04-1184-07 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于叶片反射光谱特征的银杏健康量化评价技术

金桂香, 刘海轩, 刘瑜, 吴鞠, 徐程扬^*

北京林业大学省部共建森林培育与保护教育部重点实验室, 干旱半干旱地区森林培育和生态系统国家林业局重点实验室, 北京 100083

*通讯联系人 e-mail: cyxu@bjfu.edu.cn

作者简介: 金桂香, 1986年生, 北京林业大学博士研究生 e-mail: yinzhu427@sina.com

收稿日期: 2016-01-25 接受日期: 2016-11-30

基金: 林业公益性行业重大专项(20140430102)资助

摘要

准确地诊断树木健康状况是城市森林树木管理工作的基础, 也是目前生产中急需的技术。通过土壤和植物养分分析诊断树木健康可靠性差, 通过形态特征调查诊断树木健康费时、费力, 如何快速、准确、无损地诊断树木健康已经成为城市树木健康管理的重要技术瓶颈。以北京市银杏为研究对象, 对基于叶片反射光谱特征的树木健康诊断技术进行了研究。通过13个外貌形态特征聚类将树木健康划分成健康木、亚健康木、一般健康木和不健康木4个等级, 不同健康等级树木叶片色素含量差异极其显著( p<0.001) , 因叶绿素含量与光谱反射率之间存在相关关系, 所以采用叶片反射光谱特征判断树木健康状况是可行的。采用因子分析法, 通过15个叶片反射光谱指标构建了能够综合反映叶片反射光谱特征的绿度指数、色素指数、三边指数。不同健康等级间叶片反射光谱指标以及三个反射光谱指数均有极显著差异( p<0.001)。所以, 采用三个反射光谱指数构建了银杏健康评价的多元二次模型, 经检验模型预测精度达到79%, 可以作为银杏树木健康快速诊断。选取的光谱指标较为全面, 方法简洁, 并通过综合分析, 确定了不同健康等级树木核心形态指标以及叶片的绿度指数、色素指数、三边指数等综合得分以及得分范围, 为生产中直接使用该方法诊断银杏健康状况提供了标准。

关键词: 银杏; 量化评价; 健康等级; 光谱指数

中图分类号:S731.2 文献标志码:A

Study on Quantitative Assessment of Ginkgo biloba Tree Health Based on Characteristics of Leaf Spectral Reflectance

JIN Gui-xiang, LIU Hai-xuan, LIU Yu, WU Ju, XU Cheng-yang^*

Key Laboratory for Silviculture and Conservation of Ministry of Education, Key Laboratory for Silviculture and Ecological System of Arid and Semi-arid Region of State Forestry Administration, Beijing Forestry University, Beijing 100083, China

Abstract

Accurate diagnosis of tree health is the foundation of urban forest management as well as a technology urgently needed in the production. Tree health diagnosis through the analysis of the soil and plant nutrient health shows poor reliability while morphological diagnosis appears time-consuming and laborious, so how to diagnose the tree health fast, accurately and nondestructively has become an important technical bottlenecks of urban trees health management. This paper, took ginkgo trees in Beijing as the research object, has studied the trees health diagnosis technology based on the leaf spectral reflectance characteristics. Based on the clustering analysis of 13 exterior shape features, trees were divided to four healthy levels, excellent, good, fair, and poor. Leaf pigment content between different healthy levels of trees is extremely significant different ( p<0.001). Because there is relationship between the spectral reflectance and chlorophyll content, the tree leaf spectral reflectance characteristics used for health diagnosis is feasible. Adopted the factor analysis, we constructed green degree index, index of pigment, trilateral index, reflecting leaf spectral reflectance characteristics, according to 15 leaf spectral reflectance indices. Leaf spectral reflectance indexes and three reflection spectrum indexes between different healthy levels of trees had extremely significant difference ( p<0.001). Three reflection spectrum indexes were used to construct the multiple quadratic model of the ginkgo trees health evaluation, with prediction accuracy of up to 79%. Therefore, this method can be used as a rapid diagnosis method to evaluate ginkgo trees health. This study selected relatively comprehensive and concise spectral indexes, determined the comprehensive score and score range for the tree core morphological index, green degree index, index of pigment, trilateral index of leaves of different healthy levels of trees. It provides a standard for the health diagnosis of ginkgo trees in practical forest management.

Keyword: Ginkgo; Quantitative evaluation; Healthy levels; Spectral index

引言

树木是构成城市森林的基本要素, 由于树木年龄问题、城市土壤的特点以及城市环境等诸多原因, 维护城市树木健康一直是相关管理部门的重要工作。由于技术原因, 生产中判断城市树木健康状况主要依据经验。国内外学者在树木健康诊断领域曾开展了部分研究工作, 主要包括外部形态评价法、生理生化评价法、应力波或超声波评价法等。由于外部形态法仅仅根据树木形态特征因子的组合进行健康等级划分相对粗放, 难以科学判断树木健康程度; 而生理生化指标通常是瞬时反应, 除了叶绿素、养分含量等指标外, 许多生理生化指标稳定性相对较差, 且目前的研究结果难以找出养分含量与树木健康(尤其是古树健康)密切相关的联系, 因而尚难以在生产中直接应用; 利用应力波或超声波原理的仪器检测法, 能够准确地判断树干内部空洞大小或腐朽程度以及范围, 但对于多数树种来说, 空洞和腐朽虽然能够衰弱树木生长势, 但欲判断树木健康程度还需要进一步的实验研究。因此, 如何建立起快速、指标简单、应用便捷的城市树木健康诊断方法已经成为城市树木管理(尤其是古树管理)的技术瓶颈之一。

反射光谱具有快速、无损和高效等优越性, 且植物光谱反射特征与叶片含水量、叶片色素含量等有着密切的相关性, 因而, 植物叶片反射光谱可用于检测植物的水分含量、生长状况、光合能力、受胁迫的程度等, 亦可用于园林树木的健康评价。目前, 反射光谱在植物或植被中的应用主要研究反射光谱与叶片色素^{[1, 2, 3, 4]}、含水量^{[1, 5]}、养分^[3]之间的相关关系, 反射光谱对不同环境及胁迫的响应^{[2, 7, 8]}等, 利用光谱反射特征评估城市树木健康未见报道。

叶片反射光谱与城市树木家康健是否有良好的相关关系? 采用哪些指标可更加准确地建立反射光谱与城市树木健康关系模型, 就成为研究的关键点之一。为此, 以便于城市树木养护管理实际应用为原则, 以北京市常见城市绿化树种银杏(Ginkgo biloba)为对象, 通过外部形态指标调查, 量化银杏健康等级, 拟利用与健康等级相关度较高的光谱指标, 建立简易的树木健康评价模型, 量化健康评价指数, 并开展健康程度量化评价, 以期能为生产中快速、科学地评价银杏树健康状况奠定基础。

1 实验部分

1.1 试验地概况

为了保证供试样木生长环境的多样性, 在北京市以种植银杏较多的公园、校园、道路为试验地选取样木, 具体地点为大屯路、中关村大街、景山公园、中山公园、北京林业大学校园等地。

1.2 样木

在叶绿素及光谱指标测量中, 选取银杏树木长势差别较大的中关村大街和北京林业大学为调查地点。在每一个调查区域内, 选择以外貌形态指标判定标准(表1)判定的四个健康等级银杏树木作为样本。本次试验中共选择了55棵银杏进行了叶绿素及光谱指标的测量。

表1 不同健康等级银杏外貌形态指标差异 Table 1 Differences of morphological parameters of Ginkgo biloba trees with different healthy degrees

1.3 方法

1.3.1 外部形态指标测量

在各调查地点, 采用打样带的方式取样, 行道树样带长度为30 m, 其中中关村大街银杏样带长度为500 m。本次试验中共调查了182棵银杏树, 测定了全部银杏的外部形态指标。参考已有研究, 本研究选择了叶色、树干倾斜度、叶片着生状况、枯叶率、树皮健康率、树冠健康率、一级枝健康率、二级枝健康率、一级枝平均长度、活冠长率、树冠伸展度、径高比、偏冠程度等13个能够反映树木健康的形态指标进行定量评价研究。根据实际状况增加了活冠长率、树冠伸展度、偏冠程度等指标, 活冠长率是活树冠长度占树高的百分比; 树冠伸展度是指冠幅与树高之比; 偏冠程度: 是以树干为轴的两侧冠幅大小之比, 分两侧均有偏冠和一侧偏冠, 两侧均偏冠且大于等于两倍, 赋值1, 一侧偏冠大于等于两倍, 赋值2, 两侧均偏冠且小于两倍, 赋值3, 一侧偏冠小于两倍, 赋值4, 不偏冠赋值5。

1.3.2 光合色素含量测量

试验中共选择了55棵银杏进行了叶绿素及光谱指标的测量。叶片取样时为了提高叶片对整株的代表性及样本的统一性, 分别在树冠下层选取东、西、南、北四个方向的银杏叶片, 每个方向取6片叶片。取银杏叶片除去主脉, 用面积为0.19 cm²的打孔器打孔取样, 每棵树选取100片小圆片, 混匀、称重。将样品置于试管中, 加80%丙酮20 mL, 放于黑暗处室温下萃取至样品完全发白, 用分光光度计分别测定663, 645和470 nm的光密度D值。采用Lichtenthaler的公式计算银杏叶片光合色素含量。

1.3.3 反射光谱指数测定

采用英国PPSYSTEMS公司生产的Unispec-SC光谱分析仪进行检测。光谱仪测定波长范围为310~1 130 nm, 扫描波长间隔3.3 nm, 卤光灯的光强设定为100%, 整合时间为4 s, 每个叶片测4个点, 每更换一棵树参比1次。采集叶片的数量与1.3.2相同。

1.3.4 反射光谱指标的计算

在分析光谱指标时选取了与银杏健康等级的相关系数大于0.4的反射光谱指标, 具体指标及计算公式见表2。

1.3.5 数据处理及分析

采用SPSS 19.0软件中因子分析法构建银杏光谱指数; 运用聚类分析对银杏健康类型进行划分; 用SPSS 19.0软件中的单因素方法进行差异显著性分析, 在差异显著时, 用LSD法进行多重比较; 用SPSS19.0软件中的描述得出标准差, 算出变异系数; 用DPS6.85软件中的二次多项式逐步回归法进行模型的建立。

表2 反射光谱指标名称及量化方式说明 Table 2 Indicators of leaf spectral reflectance and their quantifying methods

序号	指标	计算公式
1	光谱反射指数	SR₇₀₅= $\frac{R_{705}}{R_{750}}$
2	红边归一化植被指数	rNDVI= $\frac{R_{750} - R_{705}}{R_{750} + R_{705}}$
3	绿度归一化指数	gNDVI= $\frac{R_{750} - R_{550}}{R_{750} + R_{550}}$
4	结构不敏感色数指数	SIPI= $\frac{R_{800} - R_{445}}{R_{800} - R_{680}}$
5	植被衰减反射指数	PSRI= $\frac{R_{680} - R_{500}}{R_{750}}$
6	类胡萝卜素反射指数1	CRI₅₅₀= $\frac{1}{R_{510}}$ - $\frac{1}{R_{550}}$
7	类胡萝卜素反射指数2	CRI₇₀₀= $\frac{1}{R_{510}}$ - $\frac{1}{R_{700}}$
8	改进的类胡萝卜素反射指数	mCRI= $(\frac{1}{R_{510}} - \frac{1}{R_{550}})$ × R₇₈₀
9	红边指数1	VOG1= $\frac{R_{740}}{R_{720}}$
10	红边指数2	VOG2= $\frac{R_{734} - R_{747}}{R_{715} - R_{726}}$
11	红边指数3	VOG3= $\frac{R_{734} - R_{747}}{R_{715} - R_{720}}$
12	反射绿峰Rg	510~560 nm范围内反射光谱的最大值
13	反射红谷Rr	650~690 nm范围内反射光谱最小值
14	红边位置	红光范围(680~760 nm)内反射光谱的一阶导数最大值对应的波长
15	蓝边幅值	蓝光范围(490~530 nm)内反射光谱一阶导数的最大值

表2 反射光谱指标名称及量化方式说明 Table 2 Indicators of leaf spectral reflectance and their quantifying methods

2 结果与讨论

2.1 不同等级银杏树叶光合色素含量变化规律

单位质量光合色素含量和单位面积的光合色素含量随着树木健康程度的降低而显著降低(表3), 叶绿素浓度的不足会导致可见光波段光谱反射率的增加。其中, 健康树木叶片的单位质量叶绿素a含量和单位面积叶绿素a含量分别高出亚健康、一般健康以及不健康个体的17.16%, 43.63%, 48.31%和15.79%, 41.94%, 41.94%; 健康树木叶片的单位质量叶绿素b含量和单位面积叶绿素b含量分别高出亚健康、一般健康一级不健康个体的22.83%, 53.94%, 130.61%和15.79%, 41.94%, 41.94%; 健康树木叶片的单位质量叶绿素总含量和单位面积叶绿素总含量分别高出亚健康、一般健康一级不健康个体的17.56%, 44.60%, 51.32%和17.07%, 41.18%, 50%; 健康树木叶片的单位质量类胡萝卜素含量和单位面积类胡萝卜素含量分别低出亚健康、一般健康一级不健康个体的11.6%, 18.09%, 22.98%和10%, 20%, 20%。经变异系数比较可知, 单位质量叶绿素b含量和单位面积叶绿素b含量对树木健康程度的区分度是最高的。因此, 采用叶片光合色素含量变化诊断银杏个体健康程度是可行的。

表3 不同健康等级银杏树木叶片光合色素含量差异显著性分析 Table 3 ANOVA on photosynthetic pigments concentration in leaf of Ginkgo biloba trees with different healthy degrees

表4 银杏叶反射光谱指标的因子分析 Table 4 Result of factor analysis on leaf spectral reflectance of Ginkgo biloba leaves with different healthy degrees

2.2 基于反射光谱的银杏树叶健康度光谱指数及健康评价模型构建

因子分析结果表明, 前3个公因子的累计贡献率达到89.0%, 信息含量可较好地反映出总体变化规律。所以, 选择前3个轴作为因子轴进行分析, 并根据每个公因子包含的光谱指标特点, 重新构建光谱指数。

第一公因子因变量与SR705(R=0.943), rNDVI(R=0.957), gNDVI(R=0.939), VOG₁(R=0.956)之间有较强的正相关, 与VOG₂(R=-0.952), 反射绿峰(R=-0.952)、反射红谷(R=-0.911)有着较强的负相关, 这些变量对叶绿素含量、叶子表面冠层、冠层结构等非常敏感, 将其定义为绿度指数, 计为U₁; 第二公因子因变量与SIPI(R=0.891), PSRI(R=0.733), CRI550(R=0.909), CRI700(R=0.897), mCRI(R=0.915)之间有较强的正相关, 这些变量反映植物叶片中叶绿素含量与类胡萝卜素含量的关系, 将其定义为色素指数, 计为U₂; 第三公因子因变量与VOG₃(R=0.517)、红边位置(R=0.769)有着较强的正相关, 与蓝边幅值(R=-0.759)有较强的负相关, 红边位置与蓝边幅值都属于反射光谱的“ 三边” 指标, 将其定义为三边指数, 计为U₃(表4)。

为了提高模型在实际操作中的简便性, 对影响银杏健康的3个反射光谱综合指数进行了简化, 只采用相关性> 0.50的因子构建各个指数, 三个指数的表达式如下:

U₁=0.146T₁+0.156T₂+0.144T₃+0.155T₉-0.155T₁₀-0.165T₁₄-0.160T₁₅

U₂=0.238T₄+0.154T₅+0.275T₆+0.254T₇+0.264T₈

U₃=0.383₁₁+0.543T₁₂-0.543T₁₃

以三个反射光谱综合指数为自变量, 以健康程度为因变量, 建立了银杏健康程度与银杏树叶反射光谱指数间的二次多项式模型:

H=2.12+0.22U₂+0.65U₃-0.13 $U_{1}^{2}$ -0.09 $U_{2}^{2}$ -0.29U₁U₂+0.23U₁U₃+0.43U₂U₃

经检验, 该模型F值为20.23, p值为0.000 1, 达到显著水平, 模型的决定系数R²=0.63。

通过随机抽取35组银杏叶数据进行模型验证, 模型计算准确率达79%, 模型拟合较好。

2.3 不同健康等级银杏树叶光谱指数变化规律

SR₇₀₅, rNDVI, gNDVI, SIPI, PSRI, CRI₅₅₀, CRI₇₀₀, mCRI, VOG₁, VOG₃和红边位置等光谱指数数值随着健康等级的降低显著减小, VOG₂、蓝边幅值、反射绿峰、反射红谷等光谱指数随着健康等级的降低显著增加(表5)。多重比较表明: SR₇₀₅, rNDVI, gNDVI, SIPI, VOG₁, VOG₂, 红边位置, 蓝边幅值, 反射绿峰等指标在一般健康和不健康之间差异不显著, 在其他等级之间均有显著差异。 SIPI, PSRI和VOG₃等指标在各等级之间均差异显著。 CRI₅₅₀, CRI₇₀₀和反射红谷等指标在健康、亚健康与一般健康、不健康等级之间差异显著, 健康与亚健康, 一般健康与不健康之间差异不显著。 mCRI在健康与亚健康之间差异不显著, 在其他等级间均有显著差异。

表5 不同健康级别银杏叶片反射光谱指标的平均值(取值范围) Table 5 Average values (value range) of indicators of leaf spectral reflectance of Ginkgo biloba leaves with different healthy degrees

指数	健康	亚健康	一般健康	不健康	p-value	变异系数/%
SR₇₀₅	2.625 6^a (2.347 9~2.768 0)	2.505 2^b (2.144 2~2.801 3)	2.240 2^c (1.892 5~2.628 9)	2.238 8^c (1.752 4~2.632 2)	< 0.001	10.16
rNDVI	0.380 5^a (0.402 6~0.469 2)	0.427 2^b (0.363 9~0.473 9)	0.380 9^c (0.308 6~0.448 9)	0.380 5^c (0.273 4~0.449 4)	< 0.001	10.74
gNDVI	0.549 0^a (0.509 7~0.569 4)	0.525 8^b (0.455 5~0.577 9)	0.476 9^c (0.406 7~0.559 0)	0.477 4^c (0.375 5~0.549 7)	< 0.001	9.10
SIPI	0.877 0^a (0.865 0~0.893 8)	0.866 9^b (0.836 0~0.890 6)	0.854 4^c (0.802 7~0.881 1)	0.842 6^d (0.790 4~0.889 4)	< 0.001	2.63
PSRI	-0.045 1^a (-0.005 7~-0.037 7)	-0.051 5^b (-0.064 4~-0.039 7)	-0.057 6^c (-0.074 9~-0.042 8)	-0.061 1^d (-0.078 8~-0.045 7)	< 0.001	-15.99
CRI₅₅₀	3.231 8^a (2.746 3~3.549 4)	3.243 0^a (2.562 9~4.113 6)	3.039 5^b (2.597 5~3.574 9)	2.907 7^b (2.293 4~3.379 4)	< 0.001	10.37
CRI₇₀₀	3.259 0^a (2.911 3~3.578 3)	3.213 5^a (2.598 8~4.155 1)	2.990 5^b (2.355 5~3.729 9)	2.884 8^b (2.267 5~3.334 9)	< 0.001	11.29
mCRI	1.778 1^a (1.475 2~1.979 8)	1.776 3^a (1.434 6~2.175 9)	1.639 8^b (1.412 1~1.956 4)	1.555 1^c (1.199 2~1.814 9)	< 0.001	10.58
VOG1	1.406 3^a (1.338 6~1.442 3)	1.376 4^b (1.294 1~1.445 8)	1.315 4^c (1.227 3~1.401 0)	1.317 7^c (1.195 2~1.414 9)	< 0.001	4.19
VOG2	-0.069 7^c (-0.077 7~-0.055 5)	-0.063 5^b (-0.079 1~-0.046 3)	-0.050 9^a (-0.067 6~-0.033 2)	-0.051 8^a (-0.072 5~-0.028 6)	< 0.001	-20.18
VOG3	-0.075 7^a (-0.084 8~-0.059 5)	-0.073 4^b (-0.121 1~-0.049 2)	-0.096 8^c (-0.155 8~-0.049 3)	-0.115 6^d (-0.170 9~-0.051 5)	< 0.001	-31.05
红边位置	713.42^a (708~718)	710.62^b (707~718)	707.57^c (701~714)	706.08^c (698~714)	< 0.001	0.62
蓝边幅值	0.002 7^a (0.002 3~0.003 2)	0.002 9^b (0.002 1~0.004 2)	0.003 4^c (0.002 4~0.004 7)	0.003 5^c (0.002 6~0.004 7)	< 0.001	17.03
绿峰反射率	0.158 3^c (0.144 8~0.175 3)	0.170 0^b (0.139 7~0.227 3)	0.190 8^a (0.149 1~0.226 2)	0.188 3^a (0.153 4~0.252 6)	< 0.001	12.97
红谷反射率	0.093 2^c (0.086 1~0.102 6)	0.096 8^c (0.098 4~0.131 7)	0.109 2^a (0.088 2~0.126 7)	0.107 9^a (0.091 9~0.147 5)	< 0.001	11.78

绿度指数U₁、色素指数U₂、三边指数U₃随着健康等级的降低有线性降低的趋势。多重比较表明: 绿度指数U₁与三边指数U₃在一般健康与不健康之间差异不显著, 其他等级间均有显著差异。色素指数在健康和亚健康之间差异不显著, 其他等级间均有显著差异(表6)。

表6 不同健康级别银杏叶片反射光谱指数的差异 Table 6 Difference of indices of leaf spectral reflectance of Ginkgo biloba trees with different healthy degrees

2.4 不同健康等级银杏光谱特点描述

Ⅰ 级, 健康银杏: 健康银杏光谱指数因子综合得分均值为1.07, 取值范围在0.56~1.57, U₁, U₂, U₃的平均得分之和得分范围分别为-0.04~1.64, -0.35~1.78, 0.47~2.23。该类型银杏树体完整, 树势旺盛, 平均冠长率为71%, 叶色较深、枯叶率小于10%、叶片着生浓密, 一级和二级侧枝的健康率高, 树冠伸展度大, 将健康状况定为健康, 量化等级值计为4。本研究中属这一类的银杏占14.55%(表5)。

Ⅱ 级, 亚健康银杏: 健康银杏光谱指数因子综合得分均值为0.63, 取值范围在-0.83~2.17, U₁, U₂, U₃的平均得分之和得分范围分别为-1.15~1.92, -0.94~3.02和-0.64~2.32。该类型银杏树体基本健康, 树势良好, 平均冠长率为66%, 叶色正常、枯叶率小于40%、叶片着生正常, 一级侧和二级侧枝的健康率较高, 树冠伸展度较大, 将健康状况定义为亚健康, 量化等级值为3。本研究中属这一类的银杏占23.64%(表5)。

Ⅲ 级, 一般健康银杏: 一般健康银杏光谱指数因子综合得分均值为-0.36, 取值范围在-1.52~1.36, U₁, U₂和U₃的平均得分之和得分范围分别为-2.18~1.24, -2.05~1.73和-2.58~1.33。该类型银杏树体不健康, 树势一般, 树冠有轻微受损、平均冠长率为55%, 叶色基本正常、部分偏浅、枯叶率小于50%、叶片着生正常, 一级侧枝健康率相对较低, 树冠伸展度较小, 将健康状况定义为一般, 量化等级值计为2。本研究中属这一类的银杏占25.45%(表5)。

Ⅳ 级, 不健康银杏: 不健康银杏光谱指数因子综合得分均值为-0.58, 取值范围在-1.62~0.75, U₁, U₂和U₃的平均得分之和得分范围分别为-3.10~1.24, -2.75~0.72和-3.20~0.90。该类型银杏树体损伤严重、树势差, 树冠受损率较高、平均冠长率在40%, 叶色大部分偏浅、叶片枯叶率大于70%、叶片着生较为稀疏, 一级侧枝健康率低, 树冠伸展度小, 定义为不健康, 量化等级值计为1。本研究中属这一类的银杏占36.36%(表5)。

3 结论

光合色素含量、叶片反射光谱各指标以及绿度指数、色素指数、三边指数等反射光谱健康(Ⅰ )、亚健康(Ⅱ )、一般健康(Ⅲ )和不健康(Ⅳ )四个等级间北京银杏的, 等级划分较为详细, 划分依据充分和客观。含有高浓度叶绿素的植被一般较为健康, 叶绿素的分析结果随着银杏健康等级的下降, 叶绿素含量有减少的趋势, 可进一步的证明等级划分的合理性。

以往光谱在植物方面的应用多用于建立估算色素含量^{[1, 10]}、反演冻害程度、养分预测^[3]、含水率预测^[7]等模型, 尚未见关于建立树木健康评价的研究。本研究筛选与银杏健康等级显著相关(R²大于0.4)的15个指标, 用因子分析的方法构建了与银杏健康等级相关的光谱指数, 利用因子分析得出的光谱指数综合得分值建立的银杏健康评价模型, 经验证模型准确率达79%, 准确率较高, 能够快速、便捷地评价银杏的健康状况。

反射红谷与光合速率负相关, 光合速率是反映植物健康程度的指标之一, 研究中反射红谷随着健康程度的降低而显著降低。相关研究表明, 随着色素含量的增加gNDVI, CRI₅₅₀, CRI₇₀₀等指标显著增加, 随着环境胁迫的严重SR₇₀₅, rNDVI, gNDVI和SIPI等指标显著下降^{[2, 7]}。研究实验地点中中关村大街的银杏大部分健康状况较差, 这与土层薄、立地环境差有关, 从结果中可以看出SR₇₀₅, rNDVI, gNDVI, CRI₅₅₀, CRI₇₀₀和SIPI等指标随着健康程度的降低均有降低的趋势, 这与先前研究结果相一致。红边位置是反映植被健康的指数之一, 随着环境胁迫的增加红边位置会向短波方向移动^{[2, 7]}, 研究中随着银杏树健康程度的降低, 红边位置有“ 蓝移现象” 。

研究中VOG₁, VOG₂, VOG₃, 绿峰反射率等指标随着健康状况的不同有相应的变化, 但这方面的相关研究较少, 还需要通过数据的增加来验证, 进一步完善基于反射光谱的树木健康评价体系。也有研究认为SIPI, PSRI, CRI₅₅₀, CRI₇₀₀和mCRI等指数随着胁迫性的增加有增加的趋势, 这与本次实验结果相反, 这可能与采样时间在五月底叶片尚未成熟有关, 尚需要其他季节数据来验证。因此, 本试验得出的模型, 在使用季节上存在局限性, 需要补充叶片生长旺盛期、落叶前期等样本, 完善银杏健康评价模型。

因光谱分析的便捷性、高效性等特点, 反射光谱在植物生理生态研究中得到了更多的应用, 反射光谱即可以用来监测植物生长状况、反演叶片叶绿素含量、养分含量等, 还可通过无破坏检测叶片、快速准确的判断树木的健康状况。本研究得到的健康评价模型准确率较高, 且所测指标与树木健康程度相关度较高, 因此, 所筛选的光谱指标及模型建立方法, 可以推广到其他树种。找到与树木健康相关度高的光谱衍生指数, 进一步完善基于反射光谱的树木健康评价模型; 根据树木的生理特性将树木分为几大类, 分析各类不同树种间反射光谱的特性, 寻找共同点, 构建可以运用于更多树种的树木健康通用评价模型, 将是今后进一步研究的方向。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	JI Rong-hua, ZHENG Li-hua, DENG Xiao-lei, et al(冀荣华, 郑立华, 邓小蕾, 等). Transactions of the Chinese Society of Agricultural Machinery(农业机械学报), 2014, 45(8): 269. [本文引用:3]
[2]	XU Gai-ping, WU Xing-bo, LIU Fang, et al(许改平, 吴兴波, 刘芳, 等). Scientia Silvae Sinicae(林业科学), 2014, 50(5): 41. [本文引用:4]
[3]	Dobrota C, Lazar L, Baciu C. Flora, 2015, 216: 26. [本文引用:3]
[4]	Kira O, Linker R, Gitelson A. International Journal of Applied Earth Observation and Geoinformation, 2015, 38: 251. [本文引用:1]
[5]	Tao C, Benoit R, Sánchez-Azofeifa A G, et al. Journal of Plant Physiology, 2012, 169(12): 1134. [本文引用:1]
[6]	LI Yin-kun, WU Xue-ping, MEI Xu-rong, et al(李银坤, 武雪萍, 梅旭荣, 等). Chinese Journal of Soil Science(土壤通报), 2012, 43(1): 141. [本文引用:1]
[7]	ZHANG Shan-shan, YU Fei, GUO Hui-yuan, et al(张珊珊, 俞飞, 郭慧媛, 等). Journal of Zhejiang A&F University(浙江农林大学学报), 2014, 31(2): 254. [本文引用:4]
[8]	Magney T S, Vierling L A, Eitel J U H, et al. Remote Sensing of Environment, 2016, 173: 84. [本文引用:1]
[9]	Huang J F, Blackburn G A. International Journal of Remote Sensing, 2011, 32(24): 1. [本文引用:1]
[10]	ZHANG Yong-he, CHEN Wen-hui, GUO Qiao-ying, et al(张永贺, 陈文惠, 郭乔影, 等). Acta Ecologica Sinica(生态学报), 2013, 33(3): 876. [本文引用:1]

2014

0.0

... 目前, 反射光谱在植物或植被中的应用主要研究反射光谱与叶片色素^[1,2,3,4]、含水量^{[1, 5]}、养分^[3]之间的相关关系, 反射光谱对不同环境及胁迫的响应^{[2, 7,8]}等, 利用光谱反射特征评估城市树木健康未见报道 ...

... 以往光谱在植物方面的应用多用于建立估算色素含量^{[1, 10]}、反演冻害程度、养分预测^[3]、含水率预测^[7]等模型, 尚未见关于建立树木健康评价的研究 ...

2014

0.0

Gai-ping

, WU

Xing-bo

, LIU

Fang

, et al(许改平, 吴兴波, 刘芳, 等). Scientia Silvae Sinicae(林业科学), 2014, 50(5): 41.

In order to investigate the relationship between the reflection spectral characteristic and the pigment content of Phyllostachys edulis leaves under the high temperature stress, we measured on the determination to the pigment content and the reflection spectrum of the leaves from the 3-years-old potted seedlings of P. edulis subiected to 25 ℃ (CK), 35 ℃, 40 ℃ and 45 ℃ treatments. The relationship between the spectral reflectivity, the first derivative spectrum, and the spectrum parameters were analyzed using the SPSS 13.0 and the OriginPro 8.0 software, respectively. Results showed that: with the increased of temperature, the contents of chlorophyll a, chlorophyll b and carotenoids in the P. edulis leaves decreased, the value of the reflectance spectrum parameters (SR 705 , PSSRa, PSSRb, rNDVI, mND, PSNDa, RARSb and Mcri) also decreased; The red-edge area ( S red ) decreased with the enhancement of the temperature stress level, and the position of red-edge inflection ( λ red ) moved to the short-wave direction. There were significant correlations between the content of chlorophyll a, chlorophyll b and carotenoids in the leaves and reflectance spectra characteristics, first derivative of reflectance spectra at the wavelength regions of blue edge and red edge. Moreover, the correlations were extremely significant between pigment contents and almost all spectral characteristic parameters. These reflectance spectrum parameters can be used to evaluate the content of theleaf pigment, and the damage degree of P. edulis by high temperature.

1. The Nurturing Station for the State Key Laboratory of Subtropical Silviculture Zhejiang Agriculture and Forestry University Lin'an 311300; 2. China National Bamboo Research Center Hangzhou 310012

采用25 ℃（对照）、35 ℃、40 ℃和45 ℃ 4个温度对3年生盆栽毛竹实生苗进行处理，测定毛竹叶片色素含量和反射光谱；同时对叶片光谱反射率、一阶导数及特征参数与色素含量进行相关分析。结果表明：随着高温胁迫温度的升高，叶绿素a、叶绿素b和类胡萝卜素含量呈降低趋势；反射光谱参数SR 705 ，PSSRa，PSSRb，rNDVI，mND，PSNDa，RARSb和Mcri等也随着温度的升高而降低； S red 随着胁迫加深不断减小， λ red 向短波方向移动；叶绿素a、叶绿素b和类胡萝卜素含量与光谱反射率及微分光谱，在绿光区和红光区具有显著或极显著的相关关系，且与大部分光谱参数达到极显著相关。说明反射光谱特征及其参数可用来估算叶片色素含量，进而监测毛竹高温受伤害程度。

... 相关研究表明, 随着色素含量的增加gNDVI, CRI₅₅₀, CRI₇₀₀等指标显著增加, 随着环境胁迫的严重SR₇₀₅, rNDVI, gNDVI和SIPI等指标显著下降^{[2, 7]} ...

... 红边位置是反映植被健康的指数之一, 随着环境胁迫的增加红边位置会向短波方向移动^{[2, 7]}, 研究中随着银杏树健康程度的降低, 红边位置有#cod#x0201c ...

2015

0.0

2015

0.0

2012

0.0

2012

0.0

2014

0.0

ZHANG

Shan-shan

, YU

Fei

, GUO

Hui-yuan

, et al(张珊珊, 俞飞, 郭慧媛, 等). Journal of Zhejiang A&F University(浙江农林大学学报), 2014, 31(2): 254.

To understand the combined effects of acid rain and litter on Cryptomeria fortunei seedlings， pigment content and reflectance spectra in 3-year-old C. fortunei seedlings were tested with treatments of the control（ck）， acid rain stress （pH 4.0， Tr1）， litter addition （60 g， Tr2） and their combination （Tr3）， which then compared with a correlation analysis. Results showed that compared to the control， chlorophyll content decreased 11.6% in Tr1， 26.1% in Tr2， and 39.1% in Tr3. Acid rain also decreased the reflectance spectral parameters （SR 680 , NDVI, PSNDa, PSNDb, RARSc, and SIPI） but increased mSR 705 and RARSa（ P ＜0.05）. For Tr2, some reflectance spectral parameters（RR, SR 680 , mSR 705 , NDVI, and PRI） were significantly less than the control（ P ＜0.05）, and Tr3 made highly difference compared to the control（ P ＜0.01）. Reflectance between 514-629 nm and 690-1 000 nm had a highly significant correlation（0.80＜ r ＜0.98），which was near 0.98, with the chlorophyll content and chlorophyll a/b. In addition, r between chlorophyll content and the first derivative of reflectance spectra was highly significant within 424-486 nm, 552-682 nm, 698-755 nm, and 762-772 nm, that maximum r was near 0.96. The reflectance spectrum parameters, such as RR, RARSa and λ red , were significantly correlated（P＜0.05） with pigment content. The correlation coefficients between reflectance spectral parameters （ R R , D λ blue , S blue , D λyellow , S yellow , D λred , and S red ） and chlorophyll a, chlorophyll b, and chlorophyll a/b were near 0.8. Therefore, acid rain enhanced the allelopathic effect in litter on chlorophyll a by increasing chlorophyll a degradation; visible light and the near infrared region were the sensitive areas of reflectance and first derivative in the leaves of C. fortunei ; and reflectance spectral parameters RR, D λblue , S blue , D λyellow , S yellow , D λred , and S red could be used to evaluate chlorophyll a, chlorophyll b, and chlorophyll a/b. ［Ch, 4 fig. 5 tab. 41 ref.］

1. The Nurturing Station for the State Key Laboratory of Subtropical Silviculture，Zhejiang A & F University，Lin’an 311300，Zhejiang，China; 2. China Bamboo Research Center，Hangzhou 310012，Zhejiang，China; 3. Management Office，National Nature Reserve of Mount Tianmu，Lin’an 311311，Zhejiang，China; 4. College of Biological Sciences and Biotechnology，Beijing Forestry University，Beijing 100083，China

采用盆栽3年生柳杉 Cryptomeria fortunei 幼苗研究了酸雨（pH 4.0，Tr1），柳杉凋落物（60 g，Tr2）以及酸雨和柳杉凋落物复合作用（Tr3）对其叶片色素质量分数和反射光谱的影响，并对柳杉叶片色素质量分数与光谱反射率、一阶微分光谱和反射光谱参数的相关性进行了分析。结果表明：①Tr1，Tr2和Tr3处理下，柳杉叶片叶绿素a质量分数比对照分别降低了11.6%，26.1%和39.1%，说明酸雨增强了凋落物化感作用对柳杉叶绿素a质量分数的抑制作用，加快了其降解速度。②Tr1和Tr2处理均显著减小了光谱参数反射率倒数、改良的归一化差值指数和反射光谱比值指数a等（ P ＜0.05）。Tr3处理的柳杉反射光谱参数均对照有极显著差异（ P ＜0.01）。③叶绿素质量分数与柳杉反射和一阶微分光谱呈极显著相关（ P ＜0.01），可见光和近红外区域是酸雨与凋落物复合作用下柳杉幼苗反射光谱和微分光谱的敏感区域。④反射率倒数、归一化差值指数和蓝边位置等11个反射光谱参数与叶绿素a，叶绿素b质量分数和叶绿素a/b之间的相关性达到显著水平（ P ＜0.05），其中反射率倒数、蓝边幅值、蓝边面积、黄边幅值、黄边面积、红边幅值和红边面积与柳杉叶绿素a，叶绿素b质量分数和叶绿素a/b之间的相关性高于或接近0.8，说明酸雨与凋落物作用下柳杉幼苗反射光谱特征及其参数可用来估算叶绿素质量分数，并为利用反射光谱监测柳杉胁迫提供了可能。图4表5参41

2016

0.0

2011

0.0

2013

0.0

ZHANG

Yong-he

, CHEN

Wen-hui

, GUO

Qiao-ying

, et al(张永贺, 陈文惠, 郭乔影, 等). Acta Ecologica Sinica(生态学报), 2013, 33(3): 876.

Pigments are of great importance in physiological and ecological processes of plants. Revealing the relationships between their characteristic bands in the spectral reflectance and the contents of photosynthetic pigments using hyperspectral data will help to understand the spectral reflectance characteristics of photosynthetic pigments and provide the technical supports for rapid non-destructive monitoring of plant photosynthetic pigments using hyperspectral remote sensing. In this paper, eucalyptus leaf samples collected in field were used to measure the hyperspectral reflectance of the leaves and the corresponding contents of chlorophyll, carotenoid in our laboratory. The spectral data were processed using spectral analysis techniques and analyzed using statistical methods to extract spectral characteristic parameters and subsequently to establish the estimation models of spectral characteristics and both chlorophyll and carotenoid contents. Precision tests proved that the best model is the exponential model using (SDr-SDb)/(SDr+SDb) as a variable, where SDr and SDb are red and blue edge areas, respectively.

色素在植物的生理生态过程中非常重要,利用高光谱数据,揭示光谱反射率上特征波段与光合色素含量间的关系将有助于理解光合色素光谱反射特征的规律,同时为利用高光谱遥感技术快速无损监测植物叶片光合色素提供了技术支持。利用野外采集的桉树叶片样本,在实验室内测定了叶片的高光谱反射率及对应的叶绿素、类胡萝卜素含量。利用光谱分析技术和统计学方法对光谱数据进行处理分析,提取了光谱特征参量,并建立叶绿素、类胡萝卜素含量与光谱特征参量间的估算模型。通过精度检验,研究结果表明以 (SDr-SDb)/(SDr+SDb) 为变量建立的指数模型估算效果最佳。