楊曦光 范文義 于 穎

(東北林業(yè)大學，哈爾濱，150040)

葉綠素作為光合作用最主要的參與者，控制著森林生態(tài)系統(tǒng)能量和物質的循環(huán)。通過檢測葉綠素的含量，可以診斷森林的健康和脅迫。健康植被的光譜在可見光波段表現(xiàn)出不同的反射特征，因此，遙感技術可以為檢測森林的健康和脅迫提供一種有效的手段。傳統(tǒng)的寬波段遙感數(shù)據(如MSS、TM和SPOT等)對于研究植被僅局限于一般性的紅邊吸收特征、近紅外反射特征、中紅外的水吸收特征，很難提取與葉綠素含量密切相關的“紅邊”光學參數(shù)。而高光譜成像光譜儀卻為每個像元提供了數(shù)10至數(shù)100個窄波段的光譜信息，可以更精確地診斷和檢測植被葉綠素光譜特征，探測植被形態(tài)和活力以及估計生態(tài)系統(tǒng)的生物物理和生物化學參數(shù)［1］。

不過大多數(shù)的研究都是單獨使用過程模型或者統(tǒng)計模型，而將2種模型結合使用的研究并不多見。本文綜合國內外學者的研究，結合統(tǒng)計模型和過程模型，采用分布反演的方法，反演葉綠素含量，為森林碳循環(huán)、森林的健康和脅迫以及森林病蟲害研究提供重要的生化參數(shù)。

1 數(shù)據與方法

1.1 樣地選取與數(shù)據采集

研究區(qū)域為我國最大的國有林區(qū)——大興安嶺林區(qū)，試驗地點選取位于黑龍江省塔河縣大興安嶺林區(qū)腹地，具有典型的大興安嶺地區(qū)森林結構特點。林區(qū)內主要樹種為落葉松(Larix decidua)、樟子松(Pinus svlvestris)、云杉(Picea)、白樺(Betula platyphylla)、楊樹(populus)。森林覆蓋率74.1%;林木蓄積量5.01億m3，占全國總蓄積量的7.8%。

在試驗區(qū)隨機選取并設置了32個30 m×30 m標準地。每塊標準地選取優(yōu)勢樹種3株，按照冠長將樹分為上、中、下3層，分層摘葉，每層選取10片鮮葉，使用SPAD－502葉綠素儀測量每個鮮葉的相對葉綠素含量(后文均稱為DSPA值)。每個葉片在6～10個不同的位置處測量DSPA值，然后取其平均值作為葉片最后的DSPA值。使用Epp－2000地物光譜儀測量葉片和冠層的反射光譜。

1.2 Hyperion數(shù)據及處理

Hyperion傳感器是美國國家宇航局(NASA)于2000年11月21日發(fā)射的地球觀測衛(wèi)星(EO－1)上搭載的3個儀器之一，它提供了242個波段高光譜數(shù)據，平均光譜分辨率為10 nm，空間分辨率為30 m，可用于精確估算冠層層次植被生物物理和生物化學特征。

本文使用的是Hyperion Level 1R(L1R)級產品。L1R產品有242個波段，1～70為可見光近紅外波段(VNIR)，71～242為短波紅外波段(SWIR)，其中198個波段是經過輻射定標處理，定標的波段分別為 VNIR8－57，SWIR77－224。由于VNIR56－57與SWIR77－78的重疊，實際上只有196個獨立波段。Hyperion L1級產品的預處理，主要包括水汽吸收波段和非定標波段的剔除、壞線的修復、垂直條紋的去除［2］、“Smile”效應的校正［3］、大氣校正、幾何校正以及地形校正。

1.3 葉片水平SPAD估算模型的建立

本研究首先分析葉片DSPA值與葉片光譜的相關關系，選取高相關系數(shù)的波段參與SPAD反演模型的建立。為了增加自變量的個數(shù)，以便能更好的選擇自變量，還對葉片光譜進行了一階導數(shù)運算(Diff(R))和對數(shù)運算(Log(R))，并計算了他們與DSPA值的相關性(圖1)，最后選取了與DSPA值存在高相關性的波段:Log(R425)、Log(R466)、Log(R677)、R500、R682、Diff(R480)、Diff(R631)、Diff(R735)、Diff(R749)、Diff(R819)。此外，通過查閱國內外文獻，還選取了與葉綠素濃度有較好相關性的高光譜指數(shù)，如比值葉綠素指數(shù)、歸一化比值葉綠素指數(shù)、葉綠素吸收比值植被指數(shù)、歸一化植被指數(shù)、綠度植被指數(shù)、修正的葉綠素吸收指數(shù)，連同藍波段(490～530 nm)一階導數(shù)最大值RBp、綠波段500～600 nm的光譜反射率最大值RGp、黃波段(550～650 nm)一階導數(shù)最大值RYp、紅波段光譜反射率最小值RRp以及紅邊內的一階導數(shù)最大值RVp，一并參與SPAD估算模型的多元回歸運算中。通過多元線性逐步回歸分析得到反演DSPA較好的模型變量及模型系數(shù)。

圖1 R、Log(R)、Diff(R)與DSPA值的相關性分析

1.4 Hyperion影像葉片水平葉綠素含量反演方法

本研究在估算研究區(qū)域Hyperion影像葉片水平的葉綠素含量時首先將Hyperion影像冠層水平反射率轉化到葉片水平，然后利用葉片水平的葉綠素含量反演模型計算研究區(qū)域葉片水平的葉綠素含量。圖2展示了冠層水平反射率和葉片水平反射率轉換以及葉片水平葉綠素含量的反演技術路線。

圖2 葉片水平葉綠素含量反演技術路線

4－Scale模型定義冠層反射率是由樹冠光照面、樹冠背景面、地面光照面、地面背景面4個分量的反射光譜的線性組合［4］。

其中，R 是冠層反射率，RT、RZT、RG、RZG分別是樹冠光照面、樹冠背景面，地面光照面，地面背景面的反射率，PT、PZT、PG、PZG分別是傳感器觀測到樹冠光照面、樹冠背景面，地面光照面，地面背景面的概率。4－Scale模型通過輸入葉片的光譜特征、森林背景的光譜、樹木結構參數(shù)、森林結構參數(shù)和傳感器的觀測信息可以估計冠層反射率。表1展示了輸入到4－Scale模型中的針葉和闊葉植被的參數(shù)。

樹冠光照面的光譜特征RT主要是由樹冠光照面的葉片所決定的，但是并不等同于單個葉片反射率RL，因為它還受到葉傾角和冠層內部多次散射的影響。定義多次散射因子是M0，那么樹冠光照面的反射率RT到光照面單片葉子的反射光譜就可以表達為:

表1 4－Scale模型模擬冠層反射率的輸入參數(shù)

樹冠陰影和背景部分也是由于天空的散射和冠層內部的多次散射的結果。比較與樹冠光照面的反射率，樹冠背景面的反射率要小的多，因此公式(1)葉片陰影和背景陰影部分可以被忽略。將RT用公式(2)替換，公式(1)就變成了有2個分量組成的方程。

因此，多次散射因子M0可以被表示成下面公式:

冠層反射率R是可以獲得的，RG是已知的，PT、PG、M0要根據不同的RL利用4－Scale模型反演出來。如果冠層的反射率R從Hyperion圖像中提取出來，那么葉片的反射光譜RL就可以通過公式(5)計算出來。

本研究通過4－Scale模型建立了2個查找表，一個用于提供觀測到樹冠光照面和背景光照面的概率PT和PG，另一個查找表提供了多次散射因子M0，實現(xiàn)冠層反射率到葉片反射率的轉化［5］。

2 結果與分析

2.1 SPAD估算模型結果

利用逐步回歸的方法最終剔除了21個變量，在顯著性水平為95%的指標下，得到4個變量的多元統(tǒng)計模型。他們分別是 RPSS、Diff(R749)、Log(R466)、RVp。最終確定的葉片水平葉綠素相對濃度的反演模型為:

DSPA=54.559－0.865×RPSS+65.146×Diff(R749)－6.030×Log(R466)－0.238×RVp

模型及其各參數(shù)均通過顯著性檢驗，經檢驗并無異常值和多重共線性。模型擬合的決定系數(shù)R2達到0.812，均方根誤差為13.353 79，模型精度為88.743 258%。

2.2 葉片水平葉綠素反演結果

將葉片水平葉綠素估算模型應用到尺度轉化后的Hyperion影像上，得到葉片水平的葉綠素含量(圖3)，與實測的葉片葉綠素含量比較，可以看出，葉片水平的森林葉綠素的含量大多集中在20～80之間，這和實驗室測量結果一致，均方根誤差為16.276 91，實測精度達到79.659 3%。通過對比原始影像(圖4)，發(fā)現(xiàn)對于人造建筑部分，包括居民地、道路，該模型依然有非零的計算結果，對于水體也有部分錯誤計算，這與實際情況不相符合，因此認為該模型不適用于人造建筑和水體。

3 結論

植被分析中生物物理和生物化學過程的定量研究需要高光譜和高空間分辨率的星載遙感數(shù)據。本研究利用遙感手段，通過非破壞性的方法，定量反演森林葉片水)平葉綠素含量，得到了較好的效果，為森林的經營管護和進一步研究森林的健康和脅迫提供了科學的依據。并且也考慮了冠層反射率受到冠層結構、葉綠素在冠層水平的散射、太陽方位角、觀測方位角和森林背景的強烈影響，在葉片尺度和冠層尺度反射光譜之間轉化時，使用了幾何光學模型4－scale模型，此模型充分考慮了復雜的冠層結構、森林背景等參數(shù)的影響，也比較精確。但是本研究在葉片水平SPAD反演模型建立時使用了統(tǒng)計模型的方法，模型的推廣存在一定局限，這有待于進一步的研究。

圖3 Hyperion數(shù)據提取葉片水平葉綠素含量

圖4 黑龍江省塔河地區(qū)Hyperion數(shù)據

［1］ Sampson P H，Zarco Tejada P J，Mohammed G H，et al.Hyperspectral remote sensing of forest condition:Estimating chlorophyll content in tolerant hardwoods［J］.Forest Science，2003，49(3):381－391.

［2］ Datt B，McViear T R，VanNiel T G，et al.Per-Processing EO-1 Hyperion hyperspectral data to support the application of agricultural indices［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(6):1246－1259.

［3］ Gondenough D G，Andrew D，Niemann K O，et al.Processing Hyperion and ALI for forest classifications［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(6):1321－1331.

［4］ Chen J M，Leblanc S.A 4-scale bidirectional reflection model based on canopy architecture［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35:1316－1337.

［5］ Zhang Yongqin，Chen Jing M，John R Miller，et al.Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery［J］.Remote Sensing of Environment，2008，112(7):3234－3247.