研究中分析的光谱与偏振数据来自上海大学校园内的芒果树的树叶。 如图1为实验室的盆栽芒果树, 图1(a)— (d)分别定义为健康叶片区域(绿色叶片)、 镜面反射叶片区域(健康叶片区域)、 胁迫1级叶片区域(轻微泛黄)、 胁迫2级叶片区域(中度泛黄)。 胁迫等级分类见表1。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 植物材料 (a)— (d)分别是健康叶片、 镜面反射区域、 胁迫1级叶片和胁迫2级叶片Fig.1 Plant material (a)— (d) are healthy leaves, specular reflection leaves, stressed level-1 leaves and stressed level-2 leaves, respectively

表1

Table 1

表1(Table 1)

表1 芒果树叶的胁迫等级分类 Table 1 Classification of stress levels of mango leaves 胁迫等级 症状 健康叶片 绿色叶片 镜面反射叶片 镜面反光(健康叶片) 胁迫1级叶片 轻微泛黄 胁迫2级叶片 中度泛黄

表1 芒果树叶的胁迫等级分类 Table 1 Classification of stress levels of mango leaves

如图2所示, 搭建偏振多光谱成像系统, 系统包括2 048像素× 2 048像素的制冷型高灵敏sCMOS相机(pco.edge 4.2), 一个装有滤波片的旋转滤光轮和一个装有偏振片的旋转架。 其中滤波片分别为semrock公司型号为FF02-482/18-25的蓝光波段滤波片, 以及Thorlabs公司型号为FB680-10和FB760-10的红光和近红外波段滤波片。 实验的目的是验证新方法的可行性, 因此随机选取30° 作为入射天顶角, 未来将扩大不同几何条件下的观测研究。 测量是在天底方向进行的, 因为天底方向是遥感中常规的观测方向。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 偏振多光谱成像系统Fig.2 Polarization multispectral imaging system

偏振技术可以为植被制图和植被状况评估提供对比度增强信息^[16]。 有研究表明镜面反射是偏振反射的主要来源^[11]。 因此, 本文将偏振引入对植被的分析中来, 并与植被指数进行融合, 以消除植被的镜面反射干扰。 本文采用Fessenkovs方法测量线性Stokes参数。

斯托克斯公式

F=IQUV=< Ax2+Ay2> < Ax2-Ay2> < 2AxAycosγ> < 2AxAysinγ> =S0S1S2S3(1)

式(1)中, I为辐射强度; A_x、 A_y分别为电子束在相互垂直方向上的振幅; γ 为A_x, A_y之间的相位角。 S₀是通过将光波通过0° 方向的线性偏振器得到的; S₁是通过将光波通过60° 方向的线性偏振器得到的; S₂通过将光波通过120° 方向的线性偏振器得到的; S₃是圆偏振分量。

Fessenkovs方法

$\begin{array}{*{35}{l}} {{S}_{0}}=\frac{2}{3}\left( {{E}_{0}}+{{E}_{60}}+{{E}_{120}} \right) \\ {{S}_{1}}=\frac{2}{3}\left( {{E}_{0}}-{{E}_{60}}-{{E}_{120}} \right) \\ {{S}_{2}}=\frac{2}{\sqrt{3}}\left( {{E}_{0}}-{{E}_{60}}-{{E}_{120}} \right) \\ \end{array}$(2)

线偏振度(DoLP)

$\text{DoLP}=\frac{\sqrt{S_{1}^{2}+S_{2}^{2}}}{{{S}_{0}}}$(3)

偏振角(AOP)

$\text{AOP}=\frac{1}{2}\text{ta}{{\text{n}}^{-1}}\left( \frac{{{S}_{2}}}{{{S}_{1}}} \right)$(4)

1.4.1 SR和NDVI的构建

基于植被指数的分析已经成为学者们在植被遥感探测研究与实践中的主要途径。 迄今为止, 已有多种不同形式的植被指数被相继提出, 这些植被指数通常具有一定的生物或理化意义, 是植物光谱的一种重要的应用形式。 其中SR和NDVI指标被广泛使用, 计算方法如下^[17]。 其中, R_{482 nm}、 R_{680 nm}和R_{760 nm}分别为482、 680和760 nm波长处的反射率值。

$\text{SR}=\frac{\ \ \ \ {{R}_{760\text{nm}}}\ \ \ \ }{\ \ \ \ {{R}_{680\text{nm}}}\ \ \ \ }$(5)

$\text{NDVI}=\frac{\ \ \ \ \ \ {{R}_{760\text{nm}}}\ \ \ \ \ -\ \ \ {{R}_{680\text{nm}}}\ \ \ \ \ \ \ \ }{\ \ \ \ \ \ \ {{R}_{760\text{nm}}}\ \ \ \ \ +\ \ \ {{R}_{680\text{nm}}}\ \ \ \ \ \ \ \ \ \ \ }$(6)

1.4.2 SRRI_SR和SRRI_NDVI的构建

如图3(a)是R_{482 nm}图像、 (b)是R_{680 nm}图像、 (c)是DoLP图像、 (d)是R_{760 nm}图像, 图中红色区域为镜面反射区域, 实验发现R_{482 nm}和R_{680 nm}的光谱图像对镜面反射较敏感且敏感度相似, 而R_{760 nm}的光谱图像对镜面反射不敏感。 因此, 本文假设R_{482 nm}处的反射率是镜面反射, 并且只需要R_{680 nm}减去R_{482 nm}。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 (a) R482 nm图像、 (b) R680 nm图像、 (c) DoLP图像、 (d) R760 nm图像Fig.3 (a) R482 nm image, (b) R680 nm image, (c) DoLP image, (d) R760 nm image

$\text{SRR}{{\text{I}}_{\text{SR}}}=\frac{\ \ \ \ \ {{R}_{760\text{nm}}}\ \ \ }{\ \ \ {{R}_{680\text{nm}}}\ \ \ \ \ -\ \ \ {{R}_{482\text{nm}}}\ \ \ \ }$(7)

$\text{SRR}{{\text{I}}_{\text{NDVI}}}=\frac{\left[ \ \ {{R}_{760\text{nm}}}\ \ \ -\ \ \left( {{R}_{680\text{nm}}}\ \ \ -\ \ {{R}_{482\text{nm}}} \ \ \ \ \right) \ \right]}{\ \ \ \ \ \ \left[ \ \ {{R}_{760\text{nm}}}\ \ \ \ \ +\ \ \left( {{R}_{680\text{nm}}}\ \ \ \ -\ \ {{R}_{482\text{nm}}} \ \ \ \ \right) \ \right]\ \ \ \ \ \ \ }$(8)

1.4.3 PFSRRI_SR和PFSRRI_NDVI的构建

如图3(c)可以看到, 镜面反射区域的DoLP值较低, 这是因为目标的DoLP与表面反射率成反比^[18]。 因此, 提出了一种利用目标漫反射和镜面反射的光谱和偏振特性来检测目标的融合算法, 镜面去除指数(SRRI), 线偏振度(DoLP)和偏振角(AOP)均在融合框架内计算, 以去除镜面反射干扰并提高植物健康状态检测精度。

对镜面去除指数(SRRI), 线偏振度(DoLP)和偏振角(AOP)进行HSV融合, 融合算法:

∑HSV→RGB{DoLP, SRRI, AOP}(9)

式(9)中, PFSRRI为HSV融合后的SRRI的值。 其中, G(SRRI_SR)和G(SRRI_NDVI)分别为图像融合后的G波段分量。

$\text{PFSRR}{{\text{I}}_{\text{SR}}}={{G}_{\left( \text{SRR}{{\text{I}}_{\text{SR}}} \ \ \right)}\ \ \ }$(10)

$\text{PFSRR}{{\text{I}}_{\text{NDVI}}}={{G}_{\left( \text{SRR}{{\text{I}}_{\text{NDVI}}} \ \ \ \right)}\ \ \ }$ (11)

使用手持式叶绿素测定仪(中科维禾, 型号: TYS-4N)进行叶片的SPAD测量。 测定了不同健康状态的芒果树叶的SPAD。 健康叶片的SPAD在37.94 SPAD以上, 胁迫1级叶片的SPAD在20.05~37.94 SPAD范围内, 胁迫2级叶片的SPAD在0~20.05 SPAD范围内。 植物不同健康状态的叶片区域的平均SPAD含量三维散点图, 如图4, x轴为植被胁迫等级, y轴为样本数, z轴为相对叶绿素含量(SPAD)。 使用SPAD散点图的误分率计算不同植物状态的敏感性(Se)和特异性(Sp)以及各自的阳性预测值(PPV)和阴性预测值(NPV)值见表2。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 SPAD含量散点图Fig.4 Scatter plot of SPAD content

表2

Table 2

表2(Table 2)

表2 SPAD、 SR、 NDVI、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI对植物不同健康状态等级的判别精度 Table 2 Discrimination accuracy between different grades of plant health states obtained with SR, NDVI, SRRISR, SRRINDVI, PFSRRISR, PFSRRINDVI, and SPAD 植被健康状况 健康叶片— 胁迫1级 镜面叶片— 胁迫1级 胁迫1级— 胁迫2级 Se Sp PPV NPV Se Sp PPV NPV Se Sp PPV NPV SPAD 1 0.98 0.98 1 1 0.98 0.98 1 1 1 1 1 SR 1 0.97 0.98 1 0 0 0 0 0.74 0.75 0.74 0.75 NDVI 1 1 1 1 0 0 0 0 1 0.98 0.98 1 SRRISR 1 1 1 1 1 1 1 1 1 1 1 1 SRRINDVI 1 1 1 1 1 1 1 1 1 1 1 1 PFSRRISR 1 1 1 1 1 1 1 1 1 1 1 1 PFSRRINDVI 1 1 1 1 0.98 1 1 0.98 1 1 1 1 注: 敏感性(Se)=真阳性/(真阳性+假阴性), 特异性(Sp)=真阴性/(真阴性+假阳性), 阳性预测值(PPV)=真阳性/(真阳性+假阳性), 阴性预测值(NPV)=真阴性/(真阴性+假阴性)

表2 SPAD、 SR、 NDVI、 SRRISR、 SRRINDVI、 PFSRRISR和PFSRRINDVI对植物不同健康状态等级的判别精度 Table 2 Discrimination accuracy between different grades of plant health states obtained with SR, NDVI, SRRISR, SRRINDVI, PFSRRISR, PFSRRINDVI, and SPAD

如5图所示, 图5(a)是由式(5)计算得到的SR图像、 图5(b)是SR的伪彩色图像、 图5(c)是由式(6)计算得到的NDVI图像、 图5(d)是NDVI的伪彩色图像。 图5(a)— (d)黑色框中的值要比其周围的值低, 这是因为叶片表面发生镜面反射造成的(见第3节), 因此镜面反射使得健康叶片被误认为胁迫叶片。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 (a)SR图像、 (b) SR伪彩色图像、 (c)NDVI图像、 (d) NDVI伪彩色图像、 (e)SRRISR图像、(f) SRRISR伪彩色图像、 (g) SRRINDVI图像、 (h) SRRINDVI伪彩色图像Fig.5 (a) SR image, (b) SR pseudo-color image, (c) NDVI image, (d) NDVI pseudo-color image, (e) SRRISR image, (f) SRRISR pseudo-color image, (g) SRRINDVI image, (h) SRRINDVI pseudo-color image

图5(e)是由式(7)计算得到的SRRI_SR图像、 图5(f)是SRRI_SR的伪彩色图像、 图5(g)是由式(8)计算得到的SRRI_NDVI图像、 图5(h)是SRRI_NDVI的伪彩色图像。 图5(e)— (h)黑色框中的值要比其周围的值高, 这是因为SRRI_SR和SRRI_NDVI将叶片的镜面反射从低值改善为高值(见第3节)。 而叶片的镜面反射区域是健康叶片区域, 因此改善后的SRRI_SR和SRRI_NDVI进行叶绿素反演的精度得到提高(如图8)。

图6(a)是DoLP图像、 图6(b)是AOP图像、 图6(c)是由式(7)计算得到的SRRI_SR图像、 图6(d)是由DoLP、 AOP和SRRI_SR融合得到的PFSRRI_SR图像、 图6(e)是由式(8)计算得到的SRRI_NDVI图像、 图6(f)是由DoLP、 AOP和SRRI_NDVI融合得到的PFSRRI_NDVI图像。 图6(d)、 (f)黑色框中的值和其周围的值已经几乎相等, 因此PFSRRI_SR和PFSRRI_NDVI几乎完全消除了叶片的镜面反射。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 (a) DoLP图像、 (b) AOP图像、 (c) SRRISR图像、 (d) PFSRRISR图像、(e) SRRINDVI图像、 (f) PFSRRINDVI图像Fig.6 (a) DoLP image, (b) AOP image, (c) SRRISR image, (d) PFSRRISR image, (e) SRRINDVI image, (f) PFSRRINDVI image

图7(a)— (f)分别是SR、 NDVI、 SRRI_SR、 SRRI_NDVI、 PFSRRI_SR和PFSRRI_NDVI三维散点图, x轴为植被的不同健康水平分类、 y轴为分组数, z轴分别为SR、 NDVI、 SRRI_SR、 SRRI_NDVI、 PFSRRI_SR和PFSRRI_NDVI值。 图7(a)、 (b)可以看出, 镜面反射叶片的值低于胁迫2级叶片的值, 镜面反射叶片被误认为是胁迫叶片, 这是采用SR和NDVI进行叶绿素反演产生误差的原因。 图7(c)、 (d)可以看出, 镜面反射叶片的值大于健康叶片的值(实际上应该相等)。 图7(e)、 (f)可以看出, 镜面反射叶片的值与健康叶片区域的值相等, 并且其他健康叶片水平分类明显。 PFSRSI极大的消除了镜面反射带来的干扰, 提高了叶绿素检索的精度。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 (a) SR散点图; (b) NDVI散点图; (c) SRRISR散点图; (d) SRRINDVI散点图; (e) PFSRRISR散点图; (f) PFSRRINDVI散点图Fig.7 (a) SR scatter plot; (b) NDVI scatter plot; (c) SRRISR scatter plot; (d) SRRINDVI scatter plot; (e) PFSRRISR scatter plot; (f) PFSRRINDVI scatter plot

通过曲面的颜色和趋势的变化可以很直观地看到植被健康状态的变化趋势, 将曲面投影在xy面和yz面上, 在yz面上相邻植被状态等级的算术平均值上画出截断线。 根据相邻植物状态的误分率, 确定了植物不同健康状态区分的敏感性和特异性以及分类的阳性预测值(PPV)和阴性预测值(NPV)见表2。

将SR、 NDVI、 SRRI_SR、 SRRI_NDVI、 PFSRRI_SR和PFSRRI_NDVI与SPAD进行线性相关性分析。 如图8(a)、 (b), SR与SPAD的相关系数R²为0.012 8, 而NDVI与SPAD的相关系数R²为0.007 5。 图8(c)和(d), SRRI_SR与SPAD含量的相关系数R²为0.818, SRRI_NDVI与SPAD含量的相关系数R²为0.889, 精度明显得到改善。 图8(e)、 (f), PFSRRI_SR与SPAD含量的相关系数R²为0.955, PFSRRI_NDVI与SPAD含量的相关系数R²为0.948, 精度得到极大的改善。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 (a) SPAD和SR的相关性; (b) SPAD和NDVI的相关性; (c) SPAD和SRRISR的相关性; (d) SPAD和SRRINDVI的相关性; (e) SPAD和PFSRRISR的相关性; (f) SPAD和PFSRRINDVI的相关性Fig.8 (a) Correlation of SPAD and SR; (b) Correlation of SPAD and NDVI; (c) Correlation of SPAD and SRRISR; (d) Correlation of SPAD and SRRINDVI; (e) Correlation of SPAD and PFSRRISR; (f) correlation of SPAD and PFSRRINDVI

镜面反射是远程反演叶绿素含量的重要误差源。 为了消除叶片镜面反射对植物健康检测的影响, 将镜面去除指数(SRRI)、 线偏振度(DoLP)和偏振角(AOP)进行融合, 开发了一个偏振融合镜面去除指数(PFSRRI), 以更好地检测镜面反射干扰下的植物健康状态。 搭建了一套偏振多光谱成像系统, 用于监测植物健康状态, 评价叶片镜面反射去除的效果。

如图4所示, 健康叶片区域和镜面反射区域(健康叶片), 其SPAD值都在37.94之上。 镜面反射区域位于健康叶片区域, 这也说明叶片的表面越光滑, 镜面反射就越强, 而叶片的表面光滑程度与健康程度有关, 即叶片越健康表面则越光滑。

在遥感监测中, 叶子的反射率是由两部分组成的: 镜面反射率和漫反射^[19]。 镜面反射源于叶表皮界面处的直接反射, 入射辐射不会穿透叶内部^[20]而漫反射来自于叶片内部, 其光谱的变化取决于生物化学成分。 因此, 镜面反射分量不携带叶生物化学信息^{[21, 22]}, 叶片镜面反射的存在可能导致远程检测叶绿素含量的干扰。 如图5(a)— (d)黑色框, 镜面反射产生的干扰使得健康叶片被误认为是胁迫叶片。 从如图7(a)、 (b)中也可以看到, 镜面反射区域的值低于胁迫2级叶片的值, 这是反常的。 此外, 叶片的镜面反射干扰使得叶绿素反演精度大大降低, SPAD与SR和NDVI相关性仅为0.012 8和0.007 5[如图8(a)和(b)]。

由于SR和NDVI指标对镜面反射的敏感性, 本文提出了SRRI_SR和SRRI_NDVI来缓解镜面反射的影响[式(7)和式(8)]。 本文的研究也证实了SRRI_SR和SRRI_NDVI指数比SR和NDVI指数有改善, 图8(c)、 (d)说明了该策略的有效性, SPAD与SRRI_SR和SRRI_NDVI相关性为0.818和0.889。 然而, 如图5(e)— (h)可以看到镜面反射区域的值高于周围的值, 这也是反常的。 由于本文将R_{482 nm}当作是叶片镜面反射的测量值, 而实际上R_{482 nm}同时包含漫反射和镜面反射, 因此R_{482 nm}的值高于镜面反射的测量值。 在SRRI_SR和SRRI_NDVI中[式(7)和式(8)], R_{680 nm}减去R_{482 nm}以消除镜面干扰。 因此, SRRI_SR和SRRI_NDVI的镜面反射区域的值大于健康叶片的值[如图7(c)和(d)]。 故SRRI_SR和SRRI_NDVI在消除镜面反射效应方面的并不是特别理想。

光的偏振是比光的强度更普遍的物理特性。 如图3(b)、 (c)黑色框, DoLP与R_{680 nm}变化趋势相反^{[23, 24]}, 并且镜面反射区域的DoLP值较低, 这是因为目标的DoLP与表面反射率成反比^[18]。 此外, SRRI_SR和SRRI_NDVI使得镜面反射区域高亮。 因此, 如果将SRRI_SR和SRRI_NDVI分别与偏振图像融合, 生成的图像将会具有更优秀的镜面反射去除效果。 本文开发了一个偏振融合镜面去除指数[式(9)— 式(11)], 几乎完全消除叶片的镜面反射[如图6(d)和(f)黑色框]。 利用PFSRRI_SR和PFSRRI_NDVI数据进行绘制散点图[图7(e)和(f)], 对植物不同健康状况等级进行分类。 可以看出, 健康叶片和镜面反射叶片区域的值已经相等, 镜面反射干扰被消除。 SPAD与PFSRRI_SR和PFSRRI_NDVI相关性分别为0.955和0.948[如图8(e)和(f)], 精度得到极大的改善。 此外, 表2中PFSRRI_SR和PFSRRI_NDVI将镜面反射叶片从胁迫1级中分类的灵敏度分别为100%、 100%, 特异性分别为100%、 98%, 这具有重要意义, 因为它们证明了该指数在镜面反射干扰下检测植物健康状况的潜力。

目前, 该系统只能静态的进行检测植被健康状况, 因为本文偏振测量选择的是手动旋转, 当然这也增加了偏振测量的误差。 在未来, 将开发可动态测量的设备, 并将其部署在平台上, 如小车、 无人机和卫星, 在消除镜面反射干扰的同时, 以在远距离感受各种类型的生物和非生物胁迫对农田和森林的影响。