采样地点位于吉林省长春市东北师范大学校园内。 实验样本为两个北方常见阔叶树种, 分别是银白杨和垂榆, 这两种植被叶片正反面结构差异较大。 随机选择银白杨叶片55枚, 42枚用于建立模型, 另13枚用于检验模型; 垂榆叶片60枚, 45枚用于建立模型, 15枚用于检验模型。 采集到的叶片立即装进不透光塑料袋中并冷藏带回实验室。 光谱测量以及叶绿素含量的测量都会在叶片收集后的4 h内完成。

采样后将样本立即带入实验室, 使用的ASD FieldSpec^® 3 便携式光谱仪与叶面夹进行叶片正反面光谱测量。 光谱仪记录的是350~2 500 nm的光谱, 在350~1 000 nm之间采样间隔为1.4 nm, 1 000~2 500 nm之间采样间隔为2 nm。 因为叶绿素对叶片反射光谱的影响主要在可见光与近红外范围, 所以本研究只截取了400~1 000 nm的波段的反射光谱。 在测量叶片光谱时, 每个样本的正面或反面分别测量3次取平均值作为该测量的反射光谱值, 每测量一个样本会用白板校准一次。 叶片夹的光源垂直照射叶表面, 探测角为23° 左右, 测量样本光谱时, 为去除背景影响, 样本置于黑色粗糙表面之上。

进行光谱测量后, 利用Yaxin-1241叶面积仪对每一叶片样本进行叶片面积的测量。 用Mackinney 1941年^[16]提出的萃取方法, 先将叶片剪碎, 并用石英砂和碳酸钙进行充分研磨, 然后用80%的丙酮溶液对叶绿素进行萃取, 接着将萃取液倒入至50 mL的深棕色容量瓶内进行定容。 最后用紫外分光光度计Lambda 900(美国 Perkin Elemer 仪器公司)对萃取液在最大吸收波段664 nm(叶绿素a吸收波段)和647 nm(叶绿素b吸收波段)处读取其吸光值, 根据Wintermans等的经验公式计算叶绿素的总含量^[17]。

已有常用的植被指数可以大体划分为3种形式, 分别是: (1)差值植被指数(SD); (2)比值植被指数(SR); (3)归一化植被指数(ND)。 这些指数都是用到可见光、 近红外波谱范围内的2个不同波段进行计算得出的, 公式如下

SD(Rλ1, Rλ2)=Rλ1-Rλ2(1)

SRRλ1, Rλ2=Rλ1Rλ2（2）

ND(Rλ1, Rλ2)=|Rλ1-Rλ2|Rλ1+Rλ2(3)

实验中, 将400~1 000 nm的所有波段进行循环, 得到建模样本拟合效果最佳的波段组合, 建立指数模型。 最后, 利用检验样本对模型进行检验。

偏最小二乘法是一种新型多元线性统计分析方法, 将多元线性回归、 主成分分析以及典型相关分析结合起来^[18]。 在本实验中, 将波段作为自变量, 叶绿素含量作为因变量进行计算。 在建立PLS拟合式前, 先利用留一法交叉验证, 筛选出变异系数较大的波段作为自变量, 建立PLS模型。 最后, 利用检验样本对模型进行检验。

采集的样本根据不同物种及正反面可分为9个样本集, 分别为垂榆, 银白杨及两种植被的正面, 反面及正反面混合的样本集, 每种样本集约为3:1的比例划分为建模样本和检验样本。 根据不同样本集的建模样本建立了SD, SR, ND指数及PLS的最佳拟合模型, 并计算了每种模型在检验样本中的预测叶绿素的精度(表1), 表中拟合结果均通过显著性检验, p值皆小于0.01。

从表1可以发现对于单种植被的叶片单面样本集(即垂榆叶片正面, 垂榆叶片反面, 银白杨叶片正面和银白杨叶片反面), 这四种方法的预测叶绿素值与实际叶绿素值之间拟合效果都比较好, R²皆大于0.91。 其中植被指数中SR与ND指数在银白杨叶片反面样本集中的拟合优度R²都大于0.97; 而PLS在这四个样本集中R²都大于0.97, 特别是在银白杨叶片反面样本集中拟合优度R²更是达到0.99, RMSE为1.58 μ g· cm^-2。 然而对于每种植被叶片的正反面混合样本集(即垂榆叶片正反面和银白杨叶片正反面)时, 这四种方法的预测叶绿素值与实际叶绿素值之间拟合效果都会降低。 植被指数中SD指数在银白杨叶片正反面样本集中的拟合效果最好, R²为0.88, RMSE为7.04 μ g· cm^-2。 PLS在这两个样本集中的拟合效果分别为, 垂榆叶片正反面的R²=0.91, RMSE=4.10 μ g· cm^-2, 而银白杨叶片正反面的R²=0.93, RMSE=5.42 μ g· cm^-2。 从以上可以看出在考虑叶片正反面光谱信息时PLS建模的方法相对于其余三种植被指数方法更适用于叶片叶绿素含量的估算。

图1— 图4分别为SD, SR, ND植被指数及PLS建模方法对于垂榆正反面叶片, 银白杨正反面叶片及两种植被混合正反面叶片的叶绿素含量的预测结果。 PLS方法对实测叶绿素含量拟合的RMSE最小而且拟合斜率最接近于1。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 SD对检验样本叶绿素含量预测值与叶绿素含量真实值的关系Fig.1 The relationship between the predicted chlorophyll content and the measured chlorophyll content in the validation samples using SD

表1

Table 1

表1(Table 1)

表1 SD, SR, ND和PLS对检验样本叶片叶绿素含量预测的精度和模型参数 Table 1 Prediction accuracy of the SD, SR, ND and PLS methods and model parameters in estimating leaf chlorophyll content for the validation samples adaxial abaxial adaxial & abaxial Chinese elm PLS R2=0.98 R2=0.97 R2=0.91 RMSE=2.08 RMSE=2.31 RMSE=4.10 波段个数: 41 参数个数: 4 波段个数: 44 参数个数: 3 波段个数: 54 参数个数: 22 SD R2=0.92 R2=0.94 R2=0.81 RMSE=4.21 RMSE=3.56 RMSE=6.15 R747-R748 R746-R749 R425-R713 SR R2=0.95 R2=0.97 R2=0.78 RMSE=3.34 RMSE=2.70 RMSE=6.52 R748/R747 R749/R738 R418/R701 ND R2=0.95 R2=0.96 R2=0.77 RMSE=3.34 RMSE=3.05 RMSE=6.71 |R747-R748|/(R747+R748) |R746-R749|/(R746+R749) |R418-R701|/(R418+R701) White poplar PLS R2=0.97 R2=0.99 R2=0.93 RMSE=3.48 RMSE=1.59 RMSE=5.42 波段个数: 10 参数个数: 6 波段个数: 39 参数个数: 12 波段个数: 26 参数个数: 9 SD R2=0.93 R2=0.97 R2=0.88 RMSE=5.49 RMSE=3.66 RMSE=7.04 R747-R748 R742-R744 R433-R708 SR R2=0.93 R2=0.98 R2=0.83 RMSE=5.59 RMSE=3.12 RMSE=8.18 R747/R748 R747/R720 R423/R581 ND R2=0.93 R2=0.97 R2=0.81 RMSE=5.59 RMSE=3.34 RMSE=8.66 |R747-R748|/(R747+R748) |R739-R740|/(R739+R740) |R430-R516|/(R430+R516) All plants PLS R2=0.94 R2=0.96 R2=0.91 RMSE=4.30 RMSE=3.76 RMSE=5.21 波段个数: 16 参数个数: 6 波段个数: 51 参数个数: 11 波段个数: 63 参数个数: 12 SD R2=0.88 R2=0.88 R2=0.87 RMSE=6.31 RMSE=6.18 RMSE=6.43 R441-R709 R412-R712 R434-R709 SR R2=0.85 R2=0.82 R2=0.83 RMSE=7.01 RMSE=7.64 RMSE=7.27 R437/R595 R456/R594 R451/R603 ND R2=0.83 R2=0.86 R2=0.82 RMSE=7.45 RMSE=6.83 RMSE=7.47 |R434-R589|/(R434+R589) |R411-R701|/(R411+R701) |R426-R582|/(R426+R582) 注: 此表中所有拟合结果均通过显著性检验, p值皆小于0.01。

表1 SD, SR, ND和PLS对检验样本叶片叶绿素含量预测的精度和模型参数 Table 1 Prediction accuracy of the SD, SR, ND and PLS methods and model parameters in estimating leaf chlorophyll content for the validation samples

对于两种植被叶片混合的样本集, 四种方法在估测叶片叶绿素时精度都会降低。 植被指数中SD指数在两种植被叶片的正面数据集中表现拟合效果最佳R²为0.88, RMSE为6.31 μ g· cm^-2, 对于两种植被正反面混合的数据集中SD指数的拟合效果最佳R²为0.87, RMSE为6.43 μ g· cm^-2。 而PLS建模方法对两种植被叶片正面混合的数据集的R²为0.94, RMSE为4.30 μ g· cm^-2, 对两种植被叶片反面混合的数据集的R²为0.96, RMSE为3.76 μ g· cm^-2, 而对于正反面混合的数据集中PLS的拟合效果为R²=0.91, RMSE=5.21 μ g· cm^-2。 可见PLS建模方法不仅对单种叶片正反面不敏感, 还可以有效估算出混合种类植被的叶片叶绿素含量。 虽然当有反面叶片光谱信息混入遥感传感器中, PLS的估算精度会有所降低, 但是估算叶绿素含量和真实叶绿素含量的拟合效果仍可以保持在一个较高的水平上。 所以, PLS可以被认为是一种对植被种类和叶片正反面较为稳定的估测叶片叶绿素的方法。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 SR对检验样本叶绿素含量预测值与叶绿素含量真实值的关系Fig.2 The relationship between the predicted chlorophyll content and the measured chlorophyll content in the validation samples using SR

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 ND对检验样本叶绿素含量预测值与叶绿素含量真实值的关系Fig.3 The relationship between the predicted chlorophyll content and the measured chlorophyll content in the validation samples using ND

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 PLS对检验样本叶绿素含量预测值与叶绿素含量真实值的关系Fig.4 The relationship between the predicted chlorophyll content and the measured chlorophyll content in the validation samples using PLS