引用本文
张爱武, 李梦南, 史剑聪, 庞海洋. 基于绿被覆盖率上推的天然草地冠层SPAD值高光谱反演方法[J]. 光谱学与光谱分析, 2024,44(12): 3513-3523.
ZHANG Ai-wu, LI Meng-nan, SHI Jian-cong, PANG Hai-yang. Hyperspectral Inversion Method for Natural Grassland Canopy SPAD Value Based on Scaling Up of Green Coverage Rate[J]. Spectroscopy and Spectral Analysis, 2024,44(12): 3513-3523.
Doi:10.3964/j.issn.1000-0593(2024)12-3513-11  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
基于绿被覆盖率上推的天然草地冠层SPAD值高光谱反演方法
张爱武1,2,3, 李梦南1,2,3, 史剑聪1,2,3, 庞海洋1,2,3
1.首都师范大学三维信息获取与应用教育部重点实验室, 北京 100048
2.首都师范大学空间信息技术教育部工程研究中心, 北京 100048
3.首都师范大学地理环境研究与教育中心, 北京 100048

作者简介: 张爱武, 女, 1972年生, 首都师范大学教授 e-mail: zhangaw98@163.com

收稿日期: 2023-11-11 修回日期: 2024-04-07
基金: 青海省科技成果转化项目(2022-NK-136), 北京市教委-市自然基金联合项目(KZ202110028044), 国家自然科学基金(42071303, 41571369)资助
摘要

叶绿素是评估草地光合作用能力和生理状况的重要指标。 高光谱遥感包含丰富的光谱信息, 已经成为无损估算草地叶绿素含量的重要手段。 然而, 通常获取的草地冠层高光谱数据与实测叶片的叶绿素含量存在尺度不匹配问题, 导致高光谱反演叶绿素的精度低。 为此, 提出基于绿被覆盖率上推的天然草地冠层叶绿素高光谱反演方法。 以内蒙古呼伦贝尔典型天然草地为研究对象, 利用ASD高光谱仪获取的地面冠层高光谱数据、 SPAD叶绿素仪采集的叶片叶绿素相对含量实测值和样方手机数码相片, 以绿被覆盖率为媒介, 将叶片尺度的叶绿素相对含量实测值上推到冠层尺度。 结果表明植被指数与SPAD相关性(-0.74~0.76)普遍高于场平均法上推SPAD(-0.63~0.50)。 通过原始冠层光谱反射率、 一阶导数光谱和42种常用叶绿素光谱指数构建基于绿被覆盖率上推的天然草地冠层叶绿素高光谱反演模型(SPAD_cover)。 单变量的最优草地冠层叶绿素反演模型 R2=0.689, RMSE=2.714, RPD=1.752; 多元线性逐步回归的最优草地冠层叶绿素反演模型 R2=0.833, RMSE=2.019, RPD=2.354。 实验表明基于绿被覆盖率将草地叶片叶绿素含量实测值上推至冠层尺度, 可以有效提高天然草地冠层叶绿素高光谱反演精度。

关键词: 天然草地; 绿被覆盖率; 高光谱; 尺度上推; 光谱指数; 一阶导数光谱
中图分类号:TP79 文献标志码:A
Hyperspectral Inversion Method for Natural Grassland Canopy SPAD Value Based on Scaling Up of Green Coverage Rate
ZHANG Ai-wu1,2,3, LI Meng-nan1,2,3, SHI Jian-cong1,2,3, PANG Hai-yang1,2,3
1. Key Laboratory of 3D Information Acquisition and Application, Ministry of Education, Capital Normal University, Beijing 100048, China
2. Engineering Research Center of Space Information Technology, Ministry of Education, Capital Normal University, Beijing 100048, China
3. Center for Geographic Environment Research and Education, Capital Normal University, Beijing 100048, China
Abstract

Chlorophyll is a crucial indicator for assessing grasslands′ photosynthetic capacity and physiological condition.With its rich spectral information, hyperspectral remote sensing has become an important means for non-invasively estimating chlorophyll content in grasslands. However, there is a scale mismatch between the canopy hyperspectral data and the measured leaf chlorophyll values, leading to hyperspectral chlorophyll retrieval′s low accuracy. Therefore, this paper proposes a hyperspectral retrieval method for natural grassland Canopy Chlorophyll based on the green cover rate. The typical natural grassland in Hulunbuir, Inner Mongolia, was selected as the research object. The measured leaf chlorophyll relative content values were obtained by ASD hyperspectral spectrometer, SPAD chlorophyll meter, and mobile phone digital photos.The results indicate that the correlation between vegetation indices and SPAD ranges from -0.74 to 0.76, which is generally higher than the average correlation of SPAD pushed up from -0.63 to 0.50. Green cover media pushed the measured values of leaf chlorophyll relative content to the sample canopy scale. First derivative spectra and 42 common chlorophyll spectral indices were used to construct a hyperspectral retrieval model (SPAD) of natural grassland Canopy Chlorophyll based on green cover rate_ cover. The single variable optimal grassland Canopy Chlorophyll retrieval model R2=0.689, RMSE=2.714, RPD=1.752; The best regression model of grassland Canopy Chlorophyll was R2=0.833, RMSE=2.019, RPD=2.354. The results show that the hyperspectral retrieval accuracy of chlorophyll content in natural grassland canopy can be effectively improved by extrapolating the measured value of chlorophyll content in grassland leaves to the canopy scale based on the green cover rate.

Keyword: Natural grassland; Green coverage rate; Hyperspectral; Scaling up; Spectral index; First derivative spectrum
引言

草地是世界上分布最广的植被类型之一。 我国草地面积达4亿hm2, 占全国国土面积的41.7%, 是重要的有机碳库, 优良的畜牧场所[1]。 叶绿素含量作为评价草地质量的重要指标, 能够很好地表征草地光合作用能力及生理健康状况[2]。 草地叶绿素含量的估算对促进草地恢复、 维护草地生态系统稳定与增强碳存储能力等方面有重要意义。 近年来, 基于遥感技术估算叶绿素含量已经成为草地生态系统保护、 草地生长状态调查等领域的重要研究内容之一[3]。 由于高光谱遥感数据包含丰富的光谱信息, 在叶绿素含量估算中已经取得了令人印象深刻的结果[4], 现有的研究主要利用遥感影像与地面高光谱数据在不同空间尺度(叶片、 冠层、 区域)上进行估算[5, 6, 7]。 这些研究以高光谱数据的原始光谱反射率为基础, 挖掘与叶绿素有关的敏感波段, 结合光谱导数、 光谱指数等特征构建数据集, 再利用辐射传输模型、 机器学习、 深度学习等方法进行建模[8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20], 在玉米[21, 22, 23]、 小麦[24, 25, 26]、 水稻[27, 28, 29]等作物的叶绿素估算中取得了较好的结果。 但关于草地叶绿素含量的估算报道较少, 主要因为上述作物叶片宽大、 冠层均质, 能够得到较为纯净的光谱反射率等遥感信息, 背景干扰较小; 而草地由于自身复杂的种类组成和层次结构等问题, 从叶片到冠层需要合理的方法进行扩展。 目前利用丰富的高光谱数据反演草地叶绿素含量的研究大多都采用场平均法将叶片尺度叶绿素上推至冠层尺度, 忽略草地特殊的冠层结构, 导致叶绿素含量估算精度较低。 因此, 需要构建一种合适的尺度上推方法, 减弱草地叶绿素反演中由叶片到冠层的误差。

叶绿素主要存在于绿色植被叶片中, 而绿被覆盖率是表征草地绿色叶片占比的合理指标, 同时又能直接建立叶片和冠层之间的联系。 因此, 为了减弱草地叶绿素反演中由叶片到冠层尺度所产生的结构误差, 弥补传统尺度上推方法易忽略草地复杂冠层结构方面的不足, 提升草地叶绿素含量估算的精度, 以呼伦贝尔天然草地为研究对象, 利用地面实测高光谱数据, 通过手机数码相片提取样方绿被覆盖率, 选取多种高光谱特征参数和建模方法, 对比分析场平均上推法和基于绿被覆盖率上推法的草地冠层SPAD值估算结果, 探究基于高光谱遥感技术估算天然混生草地冠层叶绿素含量的可行性, 为区域尺度草地叶绿素遥感估算提供参考; 更重要的, 本研究所提出的方法能快速、 精准地获取牧场的草地覆盖度与叶绿素含量空间分布, 为牧民提供更科学的放牧指导, 降低补饲成本。

1 实验部分
1.1 研究区概况与实验设计

如图1所示, 研究区位于内蒙古自治区呼伦贝尔市(49° 19'349″—49° 20'173″N、 119° 56'521″—119° 57'854″E), 属于典型温带草甸草原, 主要由羊草、 针茅和日荫菅等组成。 采样时间选取在呼伦贝尔草原长势最好、 绿度最高、 草地冠层结构复杂的盛草期, 从2019年7月15日开始, 至2019年8月23日结束, 选择这个时期是为了减弱其他物候期中裸地、 黄草、 杂草等因素对于叶绿素反演的影响。

图1 T5、 T6、 T7测区样方分布示意图与样区草地高清俯视图Fig.1 Distribution of sampling plots and high-resolution overhead view of glasslands in the T5, T6 and T7 regions

在研究区内选取了三个典型样区T5/T6/T7, 每块样区为3× 10列, 样方间隔10米, 共90个样方。 综合考虑研究区内的草地覆盖、 绿度和复杂程度, 同时为了保证野外作业效率与样方内包含草地的种类、 绿度、 盖度等因素的代表性, 样方大小设置为1 m× 1 m。 草地俯视图显示了该地区草地植被覆盖度较强的空间异质性, 地表覆盖了一定厚度的枯草, 为精准反演草地冠层叶绿素带来了挑战。

使用ASD FieldSpec HandHeld光谱仪测取草地植被冠层光谱数据, 光谱仪波谱范围为325~1 075 nm, 光谱分辨率为3.5 nm, 采样间隔为1 nm。 测量当天晴朗无云, 测量时间为北京时间10:00—14:00。 传感器探头垂直向下, 距离植被冠层约1 m。 每次测量前进行白板校正, 每个样方测取10次, 取平均值作为该样方的冠层光谱反射率数据。

研究表明, 使用SPAD-502叶绿素仪测定的叶绿素相对含量值与叶绿素含量之间存在极显著的相关关系, 能够表征叶绿素含量[31]。 本研究采用SPAD-502测取叶绿素质量分数, 测定时间及位置和光谱测定一致, 每株植被测其叶片3次, 取其平均值作为该处叶绿素含量, 每个样方测取四角及中心处植被共5个值, 共采集90个样方的冠层叶绿素质量分数。

1.2 数据准备与预处理

1.2.1 光谱数据预处理

测定的草地冠层植被光谱谱曲线如图2所示(以T5样方为例)。 低于400 nm和高于920 nm光谱反射率存在较严重噪声, 为保证实验数据的可靠性和科学性, 选取400~920 nm的光谱数据进行研究; 但400~920 nm的光谱依然存在随机噪声, 因此采用Savitzky-Golay滤波器(S-G滤波)去噪, 该方法基于最小二乘拟合原理, 在滤除噪声的同时确保信号的形状、 宽度不变[32]。 同时, 为了减弱滤波器阶次与窗宽参数影响, 采用分段式S-G滤波方法, 经过多次试验, 当400~750 nm区间选用3邻域, 750~920 nm区间选用7邻域时, 既能保持光谱曲线特征, 又能较好地去除噪声。 最终滤波结果如图2所示。

图2 T5样方滤波后草地冠层光谱Fig.2 Canopy spectra of glassland after filtering in T5 sampling plot

1.2.2 草地叶片SPAD值数据预处理

为使训练集和验证集可以充分反映研究区叶绿素含量的实际情况, 将均值后的样方叶绿素质量分数从高到低排序, 等间隔抽取, 得到60个训练集和30个验证集(表1)。

表1 采样区草地叶绿素含量统计特征 Table 1 Statistical characteristics of chlorophyll content in the sampling area

从变异系数来看, 样方叶绿素质量分数属于中等变异强度, 表明研究区内各样方叶绿素均值差异较大, 生长状况不一致, 与均质冠层作物有较大差别。

1.2.3 高光谱植被指数选取

基于光谱特征分析建立的经验性光谱指数是目前反演叶绿素含量最常用的方法。 建立了42个叶绿素反演效果较好的光谱指数汇总于表2。 对于宽波段植被指数, 选取该波段内与叶绿素相关性最高波段反射率进行计算。

表2 常见叶绿素相关光谱植被指数 Table 2 Spectral vegetation indices commonly used for chlorophyll estimation
1.3 绿被覆盖率提取及草地叶片SPAD值上推

植被冠层结构指叶片数量及其分布状况, 常见参数如叶面积指数和叶片倾角。 在非均质冠层作物研究中, 有学者尝试通过生物量或叶面积指数将待估算参量从叶片尺度上推至冠层尺度, 取得了一定成果。 然而, 生物量和叶面积指数本身的测量或估算存在较大不确定性, 会影响模型的科学性。 考虑到天然草地虽然物种组成复杂, 样方间植被覆盖率差异大, 但绿草与背景要素如土壤、 枯草、 花等有较强的区分性, 基于智能手机彩色相片, 可以快速、 准确、 无损地获得各样方的绿被覆盖率, 故尝试基于绿被覆盖率对叶片尺度的叶绿素质量分数进行上推。 绿被覆盖率指样方内绿色植被冠层覆盖面积占样方总面积百分比, 其计算公式如式(1)

Cover_greengrass=S_greengrassS_plot(1)

式(1)中, Cover_greengrass为样方绿被覆盖率, S_greengrass为绿色植被所占面积, S_plot为样方面积。

基于手机采集的彩色图像, 通过选取合适的图像分类算法, 将样方图像分为绿色植被与其他两类, 并计算绿色植被所占像元面积比作为样方鲜草覆盖度。 实验通过ENVI5.3中监督分类模块完成, 并利用混淆矩阵进行精度验证(每张照片随机选100个点进行验证)。 低覆盖度、 中覆盖度、 高覆盖度样方照片各选一幅进行图像二分类, 采用混淆矩阵统计分类精度(如表3所示)。

表3 不同分类算法精度统计 Table 3 Classification accuracy statistics of different classification algorithms

三种分类算法均可达到较高精度, 通过对比最大似然法、 最小距离和支持向量机分类精度, 选取支持向量机算法进行90个样方的绿被覆盖率计算, 其中有效样方89个, 样方T6C8照片缺失, 样方分类效果如图3所示。

图3 SVM算法分类Fig.3 Classification by using SVM algorithm

T5、 T7测区样方绿被覆盖率差异较小, 覆盖率区间在17%~47.62%, T6测区样方绿被覆盖率差异较大, 覆盖率区间在17.49%~87.24%, 整体来说, 样方绿被覆盖率处于较低水平, 进一步表明冠层光谱反射率数据受到非绿被的影响较大, 直接将均值叶绿素质量分数作为冠层叶绿素, 并进行遥感估算模型的构建, 存在一定问题。

图4 T5、 T6、 T7测区样方绿被盖度分布Fig.4 Distribution of green vegetation coverages in T5, T6 and T7 study areas

基于绿被覆盖率将叶片尺度SPAD值上推至冠层尺度, 理论上有助于削弱土壤、 干草等背景因素对反演模型的影响, 提高叶绿素与光谱反射特征直接的相关性。 采用的上推公式如式(2)

SPAD_cover=Cover_greengrass* SPAD_mean(2)

式(2)中, SPAD_cover为基于绿被覆盖率上推的冠层SPAD值, Cover_greengrass为样方内绿被覆盖率, SPAD_mean为均值后的冠层SPAD值。

1.4 模型构建与评价

选取单变量回归模型与多元线性逐步回归模型构建天然草地冠层SPAD值的估算模型。 选用模型的决定系数R2、 均方根误差(root mean square error, RMSE)和相对分析误差(relative percent deviation, RPD)作为模型评价指标。

R2=∑i=1n(Xi-X̅)2(Yi-Y̅)2∑i=1n(Xi-X̅)2∑i=1n(Yi-Y̅)2(3)

RMSE=∑i=1n(Xi-Yi)2n(4)

RPD=SDSEP(5)

其中R2越接近1表示预测效果越好, RMSE越接近0越好。 当RPD< 1.4时, 表明模型不可用; 当RPD在1.4~2.0之间时, 认为模型较为可靠; 当RPD> 2.0时, 表明模型可靠, 具有较好的预测能力。

2 结果与讨论
2.1 草地冠层光谱特征分析

从T5、 T6、 T7中各取10个样方的冠层光谱曲线(图5)。 从曲线特征来看, 三个测区草地植被冠层光谱曲线变化趋势相似, 波峰波谷出现的位置基本一致, 且基本符合绿色植被光谱曲线特点, 即在蓝色和红色谱带内出现了两个不太明显的吸收谷, 在绿色谱带(540 nm附近)出现一个反射峰, 在红波段680 nm处反射率急剧上升, 约在760 nm处逐渐平稳, 形成“ 红边” , 在近红外波段(760~920 nm)形成红外反射平台, 表明草地冠层高光谱反射率具有反演草地叶绿素含量的潜力。

图5 T5、 T6、 T7草地冠层高光谱反射率曲线Fig.5 Hyperspectral reflectance curves of glassland canopies in T5/T6/T7 study areas

其中T5、 T6测区光谱反射率在0~0.7之间, T7测区光谱反射率在0~0.6之间。 另一方面, 与典型植被光谱红边范围(760~1 100 nm)相比, 草地植被冠层光谱红边向短波方向移动(680~760 nm), 三个测区光谱红边位置基本出现在716 nm附近, 较为稳定。 受样方内草种与植被覆盖度影响, 反射率与叶绿素含量并不呈现正比例关系, 高叶绿素含量可能对应较低的冠层光谱反射率。

2.2 草地冠层SPAD_mean与冠层光谱反射率及其衍生数据的相关关系

为了更好地分析草地冠层叶绿素含量与冠层高光谱反射率及其衍生数据的关系, 利用Pearson相关分析法分别计算了场平均SPAD值与原始冠层光谱反射率、 一阶导数光谱和植被指数的相关性(图6)。

图6 原始反射率光谱、 一阶导数光谱与叶绿素含量相关性Fig.6 Correlations between original spectrum reflectance, first derivative spectrum and chlorophyll content

原始冠层光谱反射率与叶绿素含量为负相关关系(图6), 范围约在-0.5~-0.1之间, 且在698 nm处出现最大负值。 一阶导数光谱与叶绿素含量相关性总体要高于原始光谱, 相关系数范围在-0.68~0.54, 最大值在485 nm处(-0.68)。

利用原始冠层光谱反射率或一阶导数光谱计算选取的42个叶绿素相关植被指数, 对其进行相关性分析, 其结果如表4所示。 这些在其他作物或其他尺度相关性较高的植被指数, 与异质性草地冠层叶绿素含量相关性偏低, 其中EVI、 OSAVI等经典指数与叶绿素含量的相关性甚至未通过显著性检验, 通过显著性检验的指数一共有13个, 其中PPR、 SIPI、 MCARI_MTVI2、 CARI、 TCARI、 GNDVI通过0.05显著性检验, PSRI、 NDVI、 CIred-edge、 NDREI、 RENDVI、 Readone、 Vog通过0.01显著性检验, 相关性最高的指数为CIred-edge(R=0.580 8)。 可以发现, 红边相关的指数与草地冠层叶绿素含量具有相对较高的相关性。

表4 42种高光谱植被指数与叶绿素含量相关性 Table 4 Correlations between 42 hyperspectral vegetation indices and chlorophyll content
2.3 草地冠层SPAD_cover与冠层光谱反射率及其衍生数据的相关关系

为了分析基于绿被覆盖度上推后的冠层SPAD值与光谱反射率、 一阶导数光谱与植被指数的关系, 计算皮尔逊相关系数, 结果如图7和表5所示。

图7 原始反射率光谱、 一阶导数光谱与SPAD_cover相关性Fig.7 Correlations between original reflectance spectrum, first derivative spectrum and SPAD_cover

表5 42种高光谱植被指数与SPAD_cover相关性 Table 5 Correlation between 42 hyperspectral vegetation indices and SPAD_cover

对比场平均方法得到的冠层SPAD值相关性分析结果, 原始冠层光谱与SPAD_cover之间的相关系数范围在-0.63~0.50之间, 且其相关系数曲线特征接近其他叶片尺度叶绿素反演研究结果, 即在红边波段由负相关转换为正相关, 一阶导数光谱与SPAD_cover之间的相关系数范围在-0.80~0.79之间, 相关性在500~760 nm之间有了显著增强, 正负最大值出现在583 nm(R=-0.80)和730 nm(R=0.79)处。

对比表4与表5结果可知, 选取的42种植被指数与SPAD_cover相关性要普遍高于场平均法上推SPAD, 其相关系数范围在-0.74~0.76之间, 其中PSRI指数(R=-0.74)与Vog指数(R=0.76)相关性最好, 且相关系数绝对值大于0.5的共有28个指数, 均通过显著性检验(p< 0.01)。

2.4 草地冠层SPAD估算模型的建立

为了进一步对比两种SPAD上推方法, 基于冠层原始光谱反射率、 一阶导数光谱与植被指数相关性分析结果, 选取相关性最好的光谱特征参数作为自变量, SPAD_mean与SPAD_cover分别为因变量, 构建草地冠层SPAD单变量估算模型(线性、 对数、 指数、 二次、 三次函数), 以及选用多元线性逐步回归模型进行模型构建, 分析草地冠层叶绿素SPAD准确估算的可行性。

由表6可知, 基于单变量回归模型的建模R2都偏低, 且最优估算模型均为非线性模型, 多为二次、 三次方模型和指数模型, 说明草地冠层叶绿素含量与各参数表现为复杂的非线性关系。 原始光谱建模最大R2为R(λ =698nm)变量指数模型(R2=0.205), 植被指数建模最大R2为CIred-edge指数模型(R2=0.433), 一阶导数光谱建模的R2要高于原始光谱和植被指数建模的R2, R2最高为变量D(λ =485nm)的三次方模型(R2=0.481)。 基于绿被覆盖率上推的模型R2整体有了较大提高, 其中原始特征光谱建模R2提高了120%, 一阶导数光谱模型提高了28.7%, 植被指数模型提高了23.8%。 此外, 不论是SPAD_mean还是SPAD_cover估算模型, 一阶导数光谱参数建模的R2要优于原始光谱与植被指数建模, 说明了一阶导数光谱对于草地冠层叶绿素的敏感性要高于冠层反射率与植被指数。

表6 草地冠层SPAD单变量回归模型与决定系数(训练集样本数n=59) Table 6 R2 of univariate regression model of glassland canopy SPAD value (training sample size n=59)

为进一步对比分析, 实验采取多元线性逐步回归方法构建草地冠层SPAD估算模型, 逐个引入对叶绿素相关性强的特征参量。 通过设置F检验阈值, 逐步剔除不显著的指标, 直到模型中仅包含对反演参数有显著影响的特征参数。 多元逐步线性回归模型可以使回归模型中仅包含对反演参数有显著影响的特征参量, 被广泛应用于各类研究。 构建的多元线性逐步回归模型如表7所示。

表7 草地冠层SPAD值多元线性逐步回归模型与决定系数(建模样本数n=59) Table 7 R2 of multivariable linear stepwise regression model of glassland canopy SPAD value (sample size n=59)

表7清楚地显示了各估算模型均已通过显著性检验, 达到极显著水平, 其R2均大于单变量回归模型, 表明组合多个特征参数可以提高冠层SPAD值估算精度, 且基于原始光谱反射率、 一阶导数光谱和植被指数的SPAD_mean估算模型R2远低于对应参数的SPAD_cover估算模型, 其中SPAD_mean估算模型R2最高的是一阶导数光谱模型(R2=0.623), SPAD_cover估算模型R2最高的是一阶导数光谱模型(R2=0.865), 表明了基于绿被覆盖率上推SPAD值可以有效提高模型建模精度。

2.5 估算模型验证

为检验各模型的预测性能, 利用上述模型预测30个样方内的冠层叶绿素含量, 并将预测结果与实测叶绿素含量进行验证。 选择模型拟合优度R2、 RMSE以及RPD对模型进行综合评价。 验证结果如图8和图9所示。

图8 单变量SPAD估算模型验证结果
(a): R_SPAD_mean; (b): D_SPAD_mean; (c): VI_SPAD_mean; (d): R_SPAD_cover; (e): D_SPAD_cover; (f): VI_SPAD_coverFig.8 Validation results of univariate SPAD estimation model
(a): R_SPAD_mean; (b): D_SPAD_mean; (c): VI_SPAD_mean; (d): R_SPAD_cover; (e): D_SPAD_cover; (f): VI_SPAD_cover

图9 多元线性逐步回归SPAD估算模型验证结果
(a): MLSR_R_SPAD_mean; (b): MLSR_D_SPAD_mean; (c): MLSR_VI_SPAD_mean; (d): MLSR_R_SPAD_cover; (e): MLSR_D_SPAD_cover; (f): MLSR_VI_SPAD_coverFig.9 Validation results of multivariable linear stepwise regression SPAD estimation model
(a): MLSR_R_SPAD_mean; (b): MLSR_D_SPAD_mean; (c): MLSR_VI_SPAD_mean; (d): MLSR_R_SPAD_cover; (e): MLSR_D_SPAD_cover; (f): MLSR_VI_SPAD_cover

单变量回归模型验证结果表明, SPAD_mean估算模型R2偏低, 最高为一阶导数参数建模结果(R2=0.471 3), 原始光谱反射率模型、 一阶导数光谱模型与植被指数模型RPD均小于1.4, 模型不可用。 SPAD_cover估算模型R2均高于对应的SPAD_mean估算模型, 最高为一阶导数参数建模结果(R2=0.688 9), 其中一阶导数光谱模型与植被指数模型RPD均大于1.4, 表明模型较为可靠, 可用于估算SPAD值。

多元线性逐步回归模型验证结果表明, SPAD_mean估算模型R2均偏低, 其中R2最高的模型为植被指数模型(R2=0.464 8), 但高光谱反射率、 一阶导数光谱与植被指数模型RPD分别为1.119 3、 1.156 9和1.274 1, 均小于1.4, 表明模型不可用。 SPAD_cover估算模型R2远远高于同种参数的SPAD_mean估算模型, 其中高光谱反射率模型、 一阶导数光谱模型和植被指数模型R2分别为0.795 3、 0.779 4和0.83 3, 其RPD值分别为2.193 7、 1.808 9和2.354 3, 表明模型可靠, 具有较好的估算能力, 综合来看, 基于植被指数的SPAD_cover估算模型效果最好。

结合单变量回归模型和多元线性逐步回归模型的建模和验证结果, 基于绿被覆盖率将草地叶片SPAD值上推至冠层尺度, 能有效提高草地冠层SPAD值高光谱估算模型估算能力。

更重要的, 与类似的研究相比, 例如Mbulisi利用地面高光谱与SPAD数据, 估算草地叶片叶绿素含量, R2=0.91[33]; 纪童等利用地面高光谱与SPAD数据估算草地冠层的叶绿素含量, 结果精度为R2=0.763[34]; Zhang等利用无人机高光谱图像和SPAD数据估算草地冠层的叶绿素含量, 结果精度为R2=0.808[35]; 本研究所提出的叶绿素估算方法都有相当或者更优的结果, 具体的, 本研究所提出的基于绿被覆盖率将草地叶片SPAD值上推至冠层尺度的冠层叶绿素含量估算效果优于上述研究中冠层和无人机尺度的估算精度。 与叶片尺度的估算效果相比, 估算精度较低, 但已成功将尺度上升至草地冠层尺度。 为草地冠层叶绿素的快速、 高效和精准估算提供一种科学的方法。

相对来讲, 一阶导数光谱建模效果优于植被指数, 原始高反射率光谱模型相对较差, 预测效果表明基于光谱植被指数估算SPAD值最好, 原始冠层反射率光谱次之, 一阶导数光谱表现略差于前两者。 但总体来讲, 基于高光谱反射率、 一阶导数光谱和植被指数构建的SPAD_cover多元线性逐步回归估算模型均已达到较优的决定系数, RPD值显示了模型的可靠性。

3 结论

立足于内蒙古呼伦贝尔典型草地植被冠层叶绿素含量估算问题, 提出了一种基于绿被覆盖率将叶片SPAD值上推至冠层尺度方法, 同时选取了多种高光谱植被指数和原始冠层反射率光谱、 一阶导数光谱进行皮尔逊相关性分析与叶绿素含量最优估算模型研究。

首先, 相比于传统的场平均方法所获取的原始冠层光谱与SPAD_cover之间的相关系数范围在-0.63~0.50, 本研究所提出的基于绿被覆盖率上推的SPAD值方法所获取的SPAD_cover与高光谱反射率、 一阶导数光谱和植被指数之间的相关性有明显的提升(-0.74~0.76)。

其次, 结合绿被覆盖率上推方法获取的SPAD值与高光谱反射率、 一阶导数光谱、 植被指数, 利用多元线性逐步回归方法, 获取到了最优估算模型为基于光谱指数构建的多元线性逐步回归模型, R2达0.833, RPD大于2, 优于单一植被指数特征反演的结果。

综上所述, 本研究所提出的基于绿被覆盖率上推的天然草地冠层SPAD值获取方法优于传统的场平均方法; 而结合高光谱反射率、 一阶导数光谱与植被指数的SPAD值估算模型证明了本研究提出的尺度上推方法的估算能力, 为天然草地叶绿素精准估算提供了一种高效、 合理的估算方法, 也为后续的研究者们进行由叶片到冠层的尺度上推研究提供一种新的思路, 估算结果能为牧民提供更科学的放牧引导。

本研究还有不足之处: 首先, 虽然本研究选取的样本均匀分布在各自的测区, 但样本总数量较少; 在后续的研究中会扩充样本; 其次, 本研究所提出的方法还局限于地面尺度, 而在无人机与中低分辨率的卫星遥感影像中反演单个冠层的叶绿素含量, 需要考虑植被覆盖度和植被叶片健康程度两方面关键因素, 后续研究中将重点考虑地面→ 无人机→ 卫星的尺度扩展问题。

参考文献
[1] LIU Wei, SUN Hai-xia, YANG Xiao-bo, et al(刘炜, 孙海霞, 杨晓波, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2020, 40(7): 2200. [本文引用:1]
[2] Cao Z, Ma R, Duan H, et al. Remote Sensing of Environment, 2020, 248: 111974. [本文引用:1]
[3] GAO Jin-long, LIU Jie, YIN Jian-peng, et al(高金龙, 刘洁, 殷建鹏, 等). Acta Prataculturae Sinica(草业学报), 2020, 29(2): 172. [本文引用:1]
[4] ZHENG Zhu-bin, ZHANG Run-fei, LI Jian-zhong, et al(郑著彬, 张润飞, 李建忠, 等). National Remote Sensing Bulletin(遥感学报), 2022, 26(11): 2162. [本文引用:1]
[5] GU Feng, DING Jian-li, GE Xiang-yu, et al(顾峰, 丁建丽, 葛翔宇, 等). Arid Zone Research(干旱区研究), 2019, 36(4): 924. [本文引用:1]
[6] Clevers J G P W, Gitelson A A. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 344. [本文引用:1]
[7] Verrelst J, Munoz J, Alonso L, et al. Remote Sensing of Environment, 2012, 118: 127. [本文引用:1]
[8] Zarco-Tejada P J, Hornero A, Beck P S A, et al. Remote Sensing of Environment, 2019, 223: 320. [本文引用:1]
[9] WU Jian, HOU Lan-gong, WANG Dong(吴见, 侯兰功, 王栋). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(6): 116. [本文引用:1]
[10] YUAN Jin-guo, NIU Zheng(袁金国, 牛铮). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2007, 23(4): 172. [本文引用:1]
[11] YAO Fu-qi, ZHANG Zhen-hua, YANG Run-ya, et al(姚付启, 张振华, 杨润亚, 等). Science of Surveying and Mapping(测绘科学), 2010, 35(1): 109. [本文引用:1]
[12] Main R, Cho M A, Mathieu R, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6): 751. [本文引用:1]
[13] CHEN Lan, CHANG Qing-rui, GAO Yi-fan, et al (陈澜, 常庆瑞, 高一帆, 等). Journal of Northwest A&F University (Natural Science Edition)[西北农林科技大学学报(自然科学版)], 2020, 48(6): 79. [本文引用:1]
[14] Sid′ko A F, Botvich I Yu, Pisman T I, et al. Field Crops Research, 2017, 207: 24. [本文引用:1]
[15] DENG Chao, CHEN Zhi-biao, CHEN Hai-bin, et al(邓超, 陈志彪, 陈海滨, 等). Geo-Information Science(地球信息科学学报), 2019, 21(6): 948. [本文引用:1]
[16] CHEN Peng, FENG Hai-kuan, LI Chang-chun, et al(陈鹏, 冯海宽, 李长春, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2019, 35(11): 63. [本文引用:1]
[17] Singhal G, Bansod B, Mathew L, et al. Remote Sensing Applications: Society and Environment, 2019, 15: 100235. [本文引用:1]
[18] Zhu W, Sun Z, Yang T, et al. Computers and Electronics in Agriculture, 2020, 178: 105786. [本文引用:1]
[19] Li C, Chen P, Ma C, et al. International Journal of Remote Sensing, 2020, 41(21): 8176. [本文引用:1]
[20] Roosjen P P J, Brede B, Suomalainen J M, et al. International Journal of Applied Earth Observation and Geoinformation, 2018, 66: 14. [本文引用:1]
[21] Zhang M, Su W, Fu Y, et al. European Journal of Agronomy. 2019, 111: 125938. [本文引用:1]
[22] CHANG Xiao-yue, CHANG Qing-rui, WANG Xiao-fan, et al(常潇月, 常庆瑞, 王晓凡, 等). Agricultural Research in the Arid Areas(干旱地区农业研究), 2019, 37(1): 66. [本文引用:1]
[23] Su W, Sun Z, Chen W H, et al. Remote Sensing, 2019, 11(20): 2409. [本文引用:1]
[24] LIANG Liang, YANG Min-hua, ZHANG Lian-peng, et al(梁亮, 杨敏华, 张连蓬, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2012, 28(20): 162. [本文引用:1]
[25] ZHU Xin-kai, SHENG Hai-jun, GU Jing, et al(朱新开, 盛海君, 顾晶, 等). Journal of Triticeae Crops(麦类作物学报), 2005, 25(2): 46. [本文引用:1]
[26] Cui B, Zhao Q J, Huang W J, et al. Journal of Integrative Agriculture, 2019, 18(6): 1230. [本文引用:1]
[27] ZHOU Xiao, BAO Yun-xuan, WANG Lin, et al(周晓, 包云轩, 王琳, 等). Chinese Journal of Agrometeorology(中国农业气象), 2020, 41(3): 173. [本文引用:1]
[28] WU Xu-mei, CHANG Qing-rui, LUO Li-li, et al(武旭梅, 常庆瑞, 落莉莉, 等). Agricultural Research in the Arid Areas(干旱地区农业研究), 2019, 37(3): 238. [本文引用:1]
[29] Xu X Q, Lu J S, Zhang N, et al. ISPRS Journal of Photogrammetry and Remote Sensing. 2019, 150: 185. [本文引用:1]
[30] Savitzky A, Golay M J E. Analytical Chemistry, 1964, 36(8): 1627. [本文引用:1]
[31] WANG Rui, CHEN Yong-zhong, CHEN Long-sheng, et al(王瑞, 陈永忠, 陈隆升, 等). Journal of Central South University of Forestry & Technology(中南林业科技大学学报), 2013, 33(2): 77. [本文引用:1]
[32] Zhang X, Sun W, Cen Y, et al. Science of the Total Environment, 2019, 650: 321. [本文引用:1]
[33] Siband a Mbulisi, Mutanga Onisimo, Dube Timothy, et al. Journal of Applied Remote Sensing, 2020, 14(2): 024517. [本文引用:1]
[34] JI Tong, WANG Bo, WANG Zhan-jun, et al(纪童, 王波, 王占军, 等). Acta Agrestia Sinica(草地学报), 2020, 28(3): 675. [本文引用:1]
[35] Zhang A, Yin S, Wang J, et al. Remote Sensing, 2023, 15: 5623. [本文引用:1]