衛(wèi)亞星,王莉雯

1 遼寧師范大學(xué)海洋經(jīng)濟(jì)與可持續(xù)發(fā)展研究中心,大連 116029 2 遼寧師范大學(xué)自然地理與空間信息科學(xué)遼寧省重點(diǎn)實(shí)驗(yàn)室,大連 116029 3 遼寧師范大學(xué)城市與環(huán)境學(xué)院,大連 116029

烏梁素海濕地蘆葦最大羧化速率的高光譜遙感

衛(wèi)亞星1,2,3,*,王莉雯1,2,3

1 遼寧師范大學(xué)海洋經(jīng)濟(jì)與可持續(xù)發(fā)展研究中心,大連 116029 2 遼寧師范大學(xué)自然地理與空間信息科學(xué)遼寧省重點(diǎn)實(shí)驗(yàn)室,大連 116029 3 遼寧師范大學(xué)城市與環(huán)境學(xué)院,大連 116029

濕地植被生產(chǎn)力和固碳潛力的研究是全球碳循環(huán)和全球變化的熱點(diǎn)研究問題。濕地植被的光合能力能夠指示其生長的健康狀態(tài)。最大羧化速率是重要的植被光合參數(shù)之一,對(duì)精確模擬濕地植被光合作用和氣體交換模型中的固碳過程具有重要的作用。以內(nèi)蒙古烏梁素海湖泊濕地為研究區(qū),進(jìn)行了蘆葦葉片光合參數(shù)和光譜的測量。蘆葦葉片最大羧化速率(Vcmax)數(shù)值是基于Farquhar光合作用模型,從光合測量獲取的A-Ci曲線計(jì)算并校正到25 ℃得到的。分別基于bootstrap PLSR模型、單波段和高光譜植被指數(shù)(包括簡單比值指數(shù)SR和歸一化差值指數(shù)ND),構(gòu)建濕地蘆葦葉片最大羧化速率(Vcmax)估算模型。基于高光譜遙感圖像HJ- 1A HSI,采用ND高光譜指數(shù)中具有較高Vcmax估算精度的入選波段702和756 nm,獲取研究區(qū)濕地蘆葦最大羧化速率空間分布圖。研究結(jié)果表明,濕地植被光譜特征和高光譜植被指數(shù),可用于估算濕地蘆葦Vcmax,其中最高精度產(chǎn)生于基于bootstrap PLSR模型的建模方法(R2=0.87,RMSECV=3.90,RPD=2.72),ND高光譜指數(shù)的Vcmax估算精度高于SR高光譜指數(shù)的估算精度；從獲取的Vcmax空間分布圖上提取估算值,其與測量值對(duì)比,存在較好的相關(guān)性(R2=0.80,RMSE=4.74)。

最大羧化速率；高光譜遙感；濕地植被光合；bootstrap PLSR；烏梁素海濕地

陸地生態(tài)系統(tǒng)碳循環(huán)過程與碳源、碳匯問題的研究已成為20世紀(jì)90年代以來科技界的最大熱點(diǎn)之一。近20年來國內(nèi)外已經(jīng)發(fā)展了大量的陸地生態(tài)系統(tǒng)模型,其中光合作用生化模型是陸地生態(tài)機(jī)理模型的核心。這些模型多以植被葉片最大羧化速率作為關(guān)鍵參數(shù)進(jìn)行光合作用的模擬[1]。一些經(jīng)典生化模型在模擬植被光合作用時(shí),通常將最大羧化速率設(shè)置為常數(shù),或僅考慮了溫度的影響,但沒有考慮其它環(huán)境影響因素,以及由此導(dǎo)致的植被最大羧化速率的時(shí)空變化。植物最大羧化速率的空間差異和季相變化的準(zhǔn)確模擬,為精確評(píng)估陸地生態(tài)系統(tǒng)生產(chǎn)力、碳收支及對(duì)氣候變化的響應(yīng)提供依據(jù)[2]。

最大羧化速率(Vcmax)是重要的植被光合生理參數(shù),是植被光合作用過程中重要限速反應(yīng)——羧化反應(yīng)的速率,對(duì)光合速率起著決定性的作用,它決定了植物的最大凈光合速率、光下線粒體呼吸、光呼吸等過程[3]。植被葉片最大羧化速率是植被光合作用過程中由核酮糖- 1,5-二磷酸羧化酶/加氧酶(Rubisco)催化的最大羧化反應(yīng)速率,即植被葉片在單位時(shí)間單位面積固定的最大CO2摩爾數(shù)。不同類型植被葉片的Vcmax差異較大,其值在6—194μmol m-2s-1之間變化。同一類型植被葉片的Vcmax在不同生長環(huán)境下也不相同,并且呈現(xiàn)年際和季相變化特征[4]。

基于植被葉片或冠層尺度的光譜特征,采用遙感分析技術(shù)可以估算植被生化、生理和結(jié)構(gòu)特性參數(shù)[5- 8]。采用遙感反演技術(shù),有助于在不同尺度上獲取植被特定光譜特征與最大羧化速率的響應(yīng)關(guān)系,由此準(zhǔn)確估算植被光合作用關(guān)鍵參數(shù)的時(shí)空變化。

隨著對(duì)植被光合作用和生產(chǎn)力的深入研究,一些研究對(duì)影響植物光合和呼吸作用的Vcmax及其影響因子進(jìn)行了觀測和模擬。其中,采用光譜分析技術(shù)模擬Vcmax空間和時(shí)相變化的研究也開始出現(xiàn)。Dillen等觀測了兩個(gè)樹種在生長季葉片反射率與光合參數(shù)(包括Vcmax等參數(shù))的季相變化[9]。研究了紅邊位置指數(shù)與光合參數(shù)的相關(guān)關(guān)系,認(rèn)為光譜植被指數(shù)具有指示關(guān)鍵光合參數(shù)生長季變化的潛力。Jin等的研究表明,不同尺度獲取的植被指數(shù)與Vcmax存在緊密相關(guān)性,所建立的相關(guān)關(guān)系可以用于反演光合參數(shù)的季相變化[10]。Serbin等基于葉片反射光譜對(duì)Vcmax估算進(jìn)行了研究,發(fā)現(xiàn)光譜反射率數(shù)據(jù)可以有效捕捉短期山楊樹葉片Vcmax對(duì)溫度變化的響應(yīng)[11]。Gamon等對(duì)PRI指數(shù)進(jìn)行了研究,他們從研究結(jié)果推論出,光合參數(shù)會(huì)受到同等的調(diào)節(jié)作用,PRI指數(shù)可用于探測植被Vcmax和氣孔導(dǎo)度的變化[12]。雖然有關(guān)植被Vcmax的光譜反演研究還較少,但Vcmax對(duì)植被生理生態(tài)的重要性,會(huì)促使植被Vcmax光譜研究成為一個(gè)值得探索的研究方向。

本文以干旱區(qū)湖泊濕地蘆葦作為研究對(duì)象,采用高光譜遙感技術(shù),探索濕地植被主要光合參數(shù)最大羧化速率高光譜估算技術(shù),并且模擬其空間分布狀況,為準(zhǔn)確模擬濕地生態(tài)系統(tǒng)碳同化和碳收支,評(píng)估濕地植被群落健康狀態(tài)和濕地凈化能力提供科學(xué)依據(jù)。

1 研究區(qū)概況

烏梁素海濕地位于內(nèi)蒙古自治區(qū)西部巴彥淖爾市烏拉特前旗境內(nèi),地理坐標(biāo)為東經(jīng)108°43′—108°57′,北緯40°36′—41°03′,是河套地區(qū)最大的湖泊濕地。烏梁素海系黃河改道后形成的牛軛湖,湖區(qū)水域面積約為293 km2,是干旱區(qū)典型的大型草型淡水湖泊。烏梁素海濕地區(qū)域?qū)儆跍貛Т箨懶愿珊禋夂?年平均氣溫7.3℃,年平均降水量220mm。烏梁素海濕地植物以蘆葦、香蒲、蓖齒眼子菜為優(yōu)勢種。蘆葦生長茂密,成大片或帶狀分布于湖中。近年來,隨著人類活動(dòng)干擾強(qiáng)度的不斷增加,烏梁素海濕地出現(xiàn)了水量逐年減少和水體污染較為嚴(yán)重的問題,各項(xiàng)富營養(yǎng)化指標(biāo)也呈現(xiàn)逐年上升的趨勢[13]。

2 數(shù)據(jù)來源和預(yù)處理

2014年7月在烏梁素海濕地進(jìn)行了野外實(shí)驗(yàn)。根據(jù)研究區(qū)蘆葦群落的分布特征,選定了73個(gè)采樣區(qū)域(圖1),在選定的73個(gè)采樣區(qū)域內(nèi)設(shè)定單位面積為0.5 m×0.5 m的蘆葦生長樣方。野外實(shí)驗(yàn)選擇晴朗無云的天氣進(jìn)行,測量時(shí)間控制在10:00—12:00之間,以避開可能發(fā)生的“光合午休”。在每個(gè)樣方內(nèi)隨機(jī)選擇5株長勢良好且基本一致的蘆葦植株,待測葉片選擇完全展開、長勢一致、對(duì)應(yīng)葉位一致的3片成熟葉片。每片葉片分別進(jìn)行3次光合參數(shù)測量和10次光譜測量。計(jì)算每個(gè)樣方所測葉片光合參數(shù)的平均值作為該樣方蘆葦葉片光合參數(shù)測量結(jié)果,計(jì)算每個(gè)樣方所測葉片光譜的平均值作為該樣方葉片反射光譜曲線,以此消除偶然誤差。

圖1 烏梁素海濕地研究區(qū)和采樣區(qū)域位置圖Fig.1 Locations of the study area and experiment sites in the Wuliangsuhai wetland

2.1 蘆葦光合參數(shù)測量和計(jì)算

使用LI- 6400便攜式光合系統(tǒng)分析儀(Li-cor,Lincoln,NE,USA),進(jìn)行了蘆葦葉片光合參數(shù)、氣體交換參數(shù)和環(huán)境參數(shù)的測量,包括葉片凈光合速率、氣孔導(dǎo)度、蒸騰速率、胞間CO2濃度、葉面溫度、大氣溫度、相對(duì)空氣濕度、空氣CO2濃度和光合有效輻射等。

測定光響應(yīng)曲線時(shí),控制CO2的濃度為400 μmolCO2mol-1,設(shè)定光合強(qiáng)度梯度為0、50、100、150、200、400、650、800、1000、1200、1400、1600、1800、2000 μmol m-2s-1。測定CO2響應(yīng)曲線時(shí),控制光合強(qiáng)度為650 μmol m-2s-1,設(shè)定CO2濃度梯度為0、50、100、150、200、400、600、800、1000、1200、1400、1600、1800、2000 μmol mol-1。采用二次曲線方程,分別進(jìn)行光響應(yīng)曲線擬合和CO2響應(yīng)曲線擬合,繪制光合(A-PAR)響應(yīng)曲線和光合-CO2(A-Ci)響應(yīng)曲線(A為測量葉片的凈光合速率,PAR為光合有效輻射,Ci為CO2濃度),計(jì)算表1所列其它光合參數(shù)。

基于Farquhar等提出的生化模型和A-Ci響應(yīng)曲線[14],采用非線性回歸方法,擬合Vcmax數(shù)值[10]：

式中,Γ*為缺乏暗呼吸下的CO2補(bǔ)償點(diǎn)；KC和KO分別為羧化作用和加氧作用的Michaelis-Menten常數(shù)。在A-Ci響應(yīng)曲線初始部分,即Ci低值區(qū)間,A主要受Vcmax的限制。因此,Vcmax和光下的暗呼吸速率(Rd*),基于Ci<250 μmol mol-1的部分A-Ci曲線進(jìn)行估算。在缺乏Rd*(Γ*)下的CO2補(bǔ)償點(diǎn)和Michaelis-Menten常數(shù),采用Brooks等[15]提出的葉溫轉(zhuǎn)換方法和Von Caemmerer等[16]的算法進(jìn)行估算：

式中,O和Ci分別是胞間O2分壓和胞間CO2分壓；τ是Rubisco特異性因子；Rd為在光下的線粒體呼吸速率。隨后,基于Harley等提出的溫度響應(yīng)算法[17],將計(jì)算獲得的Vcmax校正到25 ℃：

式中,Ha為活化能；Hd為鈍化能；c為尺度轉(zhuǎn)換常數(shù)；ΔS為熵期,取值為0.65kJ K-1mol-1；R為氣體常數(shù)；Tk為葉溫。

2.2 蘆葦葉片光譜測量

蘆葦葉片光譜測量使用了ASD FieldSpec Pro FR野外光譜輻射儀。光譜測量范圍為350—2500 nm。傳感器探頭采取垂直向下的位置進(jìn)行觀測,測量視場角為25°,距離所測蘆葦葉片上方約1 cm處。實(shí)驗(yàn)中使用了99%的朗伯體白板作為參考板。

2.3 高光譜圖像

環(huán)境與災(zāi)害監(jiān)測預(yù)報(bào)衛(wèi)星HJ- 1A上搭載有超光譜成像儀(hyperspectral imaging radiometer,HSI)傳感器。其空間分辨率為100 m,工作光譜譜段115個(gè),光譜范圍459—956 nm。相比于EO- 1 Hyperion、MODIS等傳感器,其光譜監(jiān)測性能有所提高,從而有效提高了對(duì)地物信息的提取能力,適用于植被生長狀況、生化組分信息等多種專題研究[18]。

研究采用了2014年7月覆蓋研究區(qū)的HSI高光譜圖像,軌道號(hào)為11/65和12/65。對(duì)高光譜圖像依次進(jìn)行了格式轉(zhuǎn)換、絕對(duì)輻亮度值轉(zhuǎn)換、大氣校正和幾何精校正等數(shù)據(jù)預(yù)處理。采用ENVI的FLAASH模型(fast line-of-sight atmospheric analysis of spectral hypercubes)進(jìn)行圖像的大氣校正。以TM為參考影像,使用二次多項(xiàng)式法進(jìn)行了圖像的幾何精校正,校正誤差控制在0.5個(gè)像元,得到歸一化地表反射率圖像。

3 研究方法

3.1 高光譜參量選取

本文基于單波段和高光譜植被指數(shù),進(jìn)行濕地蘆葦光合參數(shù)最大羧化速率的回歸分析。單波段光譜采用ASD光譜輻射儀測量獲取的高光譜數(shù)據(jù)(400—2350 nm波譜范圍)。高光譜植被指數(shù)采用了兩種基本類型的指數(shù),分別為簡單比值指數(shù)(SR)和歸一化差值指數(shù)(ND)：

(1)

(2)

式中,Rλ1為波段λ1的反射率,Rλ2為波段λ2的反射率,λ1≠λ2。在本研究中,在400—2350nm波譜范圍內(nèi)(去除波段除外),采用了由此波譜區(qū)間內(nèi)任意兩個(gè)波段構(gòu)建的SR和ND高光譜指數(shù)。

3.2 基于bootstrap的PLSR模型

本研究采用了bootstrap技術(shù)結(jié)合偏最小二乘回歸模型(PLSR)的回歸建模方法。

bootstrap技術(shù)是利用有限的樣本進(jìn)行隨機(jī)、等概率、有放回的多次重復(fù)抽樣,建立起足以代表母體樣本分布之新樣本,從而實(shí)現(xiàn)擴(kuò)大樣本容量進(jìn)行數(shù)據(jù)模擬。因此,基于再抽樣和數(shù)據(jù)模擬的bootstrap技術(shù),能夠有效提高所建模型的估算精度[19]。

本研究在MATLAB平臺(tái)上完成建模的編程計(jì)算。具體建模步驟包括：基于原始樣本數(shù)據(jù)采用PLSR回歸建模方法構(gòu)建估算模型,獲得初始回歸系數(shù)集；在原始數(shù)據(jù)集中隨機(jī)抽取一個(gè)樣本點(diǎn)(yi(1),xi1(1),xi2(1),…,xip(1)),記錄其值后再放回原始數(shù)據(jù)集,重復(fù)n次,得到一個(gè)bootstrap樣本：

(3)

x是自變量數(shù)據(jù),y是因變量數(shù)據(jù)；基于bootstrap樣本S(1),采用PLSR回歸建模方法,建立估算模型：

(4)

β是回歸系數(shù)；重復(fù)(3)、(4)步驟,得到估算模型回歸系數(shù)組,構(gòu)建基于bootstrap樣本的回歸系數(shù)集；計(jì)算基于bootstrap樣本的回歸系數(shù)與初始回歸系數(shù)差值的絕對(duì)值,取絕對(duì)值的90%分位點(diǎn)作為拒絕域的臨界值；比較回歸系數(shù)的絕對(duì)值與臨界值,判斷其是否通過顯著性檢驗(yàn)；將經(jīng)過顯著性檢驗(yàn)的自變量在原數(shù)據(jù)集上重新構(gòu)建PLSR估算模型；重復(fù)上述步驟,直到所有變量均通過顯著性檢驗(yàn)。

3.3 模型建立及精度驗(yàn)證

研究采用4種方法構(gòu)建濕地蘆葦葉片最大羧化速率估算模型：(1)采用線性回歸建立單波段與蘆葦葉片Vcmax的回歸模型；(2)采用線性回歸建立SR高光譜指數(shù)與蘆葦葉片Vcmax的回歸模型；(3)采用線性回歸建立ND高光譜指數(shù)與蘆葦葉片Vcmax的回歸模型；(4)采用基于bootstrap PLSR模型建立預(yù)處理后光譜與蘆葦葉片Vcmax的回歸模型。

所建模型估算精度評(píng)價(jià)指標(biāo)選用了R2(決定系數(shù))、RMSECV(交叉驗(yàn)證均方根誤差)和RPD。研究基于留一交叉算法(leave-one-out)計(jì)算RMSECV。即對(duì)有N個(gè)樣本的原始數(shù)據(jù),每個(gè)步驟取出其中的1個(gè)樣本,只使用其余N-1個(gè)樣本建立預(yù)測模型,用以預(yù)測被取出的樣本值。這個(gè)過程一直重復(fù)至每個(gè)樣本都被取出1次。本文計(jì)算標(biāo)準(zhǔn)差(SD)與RMSECV的比值作為RPD值。

3.4 基于高光譜圖像的濕地蘆葦最大羧化速率空間分布估算

濕地植被最大羧化速率空間分布的獲取,有利于較為精確地描述其空間變化狀況,改進(jìn)區(qū)域或全球尺度濕地生態(tài)系統(tǒng)生產(chǎn)力與碳收支模型中光合參數(shù)的精度。

在本文使用的4種方法中,選取一種適宜的濕地蘆葦最大羧化速率估算方法,將該方法應(yīng)用于HSI高光譜圖像。從經(jīng)過預(yù)處理的HSI圖像上,提取73個(gè)采樣區(qū)域?qū)?yīng)像素的反射光譜曲線。將73組樣本數(shù)據(jù)(包括從圖像上提取的反射光譜曲線和測量計(jì)算獲取的Vcmax),隨機(jī)分成2組,包括建模樣本數(shù)據(jù)(n=50)和驗(yàn)證樣本數(shù)據(jù)(n=23)。基于建模樣本數(shù)據(jù),構(gòu)建蘆葦Vcmax估算模型,獲取研究區(qū)濕地蘆葦最大羧化速率空間分布圖。基于驗(yàn)證樣本數(shù)據(jù),采用R2和RMSE對(duì)Vcmax估算精度進(jìn)行評(píng)價(jià)。

4 結(jié)果與分析

4.1 研究區(qū)濕地蘆葦光合生理參數(shù)特征

野外實(shí)驗(yàn)測量在7月進(jìn)行,研究區(qū)蘆葦長勢較好,種群密度92株/m2,平均株高2.68 m,葉面積指數(shù)3.64 m2/m2。從表1可以看出,蘆葦光飽和點(diǎn)和光補(bǔ)償點(diǎn)之間的光能利用區(qū)間較寬,這導(dǎo)致蘆葦具有較高的生產(chǎn)力。蘆葦葉片較高的光飽和點(diǎn)和光補(bǔ)償點(diǎn),也從一方面表明了其屬于不耐蔭的陽性植物[20]。從各光合生理參數(shù)指標(biāo)綜合來看,研究區(qū)濕地蘆葦呈現(xiàn)較強(qiáng)的光合能力。

4.2 濕地蘆葦葉片光譜特征

圖2為經(jīng)實(shí)驗(yàn)測量獲取的蘆葦葉片平均反射光譜曲線。曲線中剔除了水分吸收帶、大氣影響以及噪聲干擾較大的部分。曲線呈現(xiàn)出綠色植物葉片的一般光譜特征：在可見光波段,在葉綠素等色素吸收和反射作用影響下,葉片光譜反射率值較低,在542 nm存在明顯的反射峰,在683 nm存在明顯的吸收谷；在近紅外波段,683—760 nm波段范圍呈現(xiàn)“紅邊”特征,760—1335 nm波段之間光譜反射率值較高,在1063 nm達(dá)到峰值,這是葉片細(xì)胞結(jié)構(gòu)高反射率影響所致；在短波紅外(SWIR)波段,受葉片含水量的影響,光譜反射率值降低,以1450、1950 nm為中心形成了水分吸收帶。

表1 烏梁素海濕地蘆葦葉片光合生理參數(shù)

圖2 濕地蘆葦葉片平均反射光譜曲線 Fig.2 The spectral curve of the average reflectance for reed leaves in wetlands

4.3 濕地蘆葦葉片最大羧化速率估算精度對(duì)比

表2為本文中采用的4種方法估算蘆葦葉片Vcmax的結(jié)果及精度評(píng)價(jià)指標(biāo)對(duì)比。圖3為采用上述4種方法構(gòu)建蘆葦葉片Vcmax估算模型,入選較高估算精度的波段或波段組合,進(jìn)行Vcmax估算值與測量值比較?？傮w來看,最高估算精度產(chǎn)生于基于bootstrap PLSR模型的Vcmax估算建模方法(R2=0.87,RMSECV=3.90,RPD=2.72)。ND高光譜指數(shù)的Vcmax估算精度(R2介于0.85—0.79),高于SR高光譜指數(shù)的估算精度(R2介于0.80—0.74)。基于單波段構(gòu)建的Vcmax線性估算模型精度最低(R2介于0.55—0.48)。

RPD常被用來評(píng)價(jià)預(yù)測模型的精度。一些研究根據(jù)估算結(jié)果總結(jié)出,RPD值越大預(yù)測模型的估算能力越好。當(dāng)RPD>2時(shí)表示模型具有較好的預(yù)測能力；2>RPD>1.4時(shí)表示模型的估算結(jié)果可以被接受,存在改進(jìn)空間；RPD<1.4時(shí)說明模型預(yù)測的可靠性在減?。籖PD<1時(shí)表示模型預(yù)測能力較差,不能應(yīng)用于樣本估算[21]。在本研究中,基于bootstrap PLSR模型、ND高光譜指數(shù)、SR高光譜指數(shù)中的657和794波段組合(表2),其RPD值均超過2,說明這些估算方法可以獲得精度較高的蘆葦葉片Vcmax預(yù)測值。

本研究中所采用的bootstrap技術(shù)結(jié)合PLSR回歸建模方法,獲取了蘆葦葉片Vcmax的最高估算精度。 在本文中,采用了基于bootstrap的PLSR回歸建模方法,利用bootstrap技術(shù)可以有效提高估算模型精度,證明bootstrap和PLSR結(jié)合的建模方法,適用于基于高光譜數(shù)據(jù)的蘆葦葉片Vcmax估算。但是,存在的問題是,在類似生態(tài)和地理參數(shù)光譜估算研究中,通常使用整個(gè)光譜測量波段數(shù)據(jù)(包括上千個(gè)波段),這導(dǎo)致在PLSR模型中,部分光譜變量對(duì)估算變量不具有重要性影響(例如,影響系數(shù)接近于0)或者負(fù)影響[11]。當(dāng)空間尺度由局地測量上升至寬尺度遙感應(yīng)用時(shí),可利用的波段數(shù)量較為有限,需要較多成分變量的PLSR建模方法將導(dǎo)致較大估算誤差。因此,基于寬波段星載光譜數(shù)據(jù)時(shí),PLSR并不是理想的建模方法,其應(yīng)用會(huì)受到該問題的限制,而光譜指數(shù)的應(yīng)用卻更為普遍。

表2 4種方法估算烏梁素海濕地蘆葦葉片最大羧化速率結(jié)果和評(píng)價(jià)指標(biāo)對(duì)比

Table 2 The results of estimating maximum carboxylation rate of reed leaves in Wuliangsuhai wetland using 4 methods and the comparisons of evaluation indicators (n=73)

構(gòu)建Vcmax估算模型方法MethodsofconstructingVcmaxestimationmodels入選估算波段/nmSelectedestimationbands評(píng)價(jià)指標(biāo)EvaluationindicesR2RMSECVRPD單波段Singleband696(a)2142(b)713(c)0．550．510．487．347．808．091．461．381．31SR高光譜指數(shù)SRhyperspectralvegetationindex657，794(a)645，734(b)462，2178(c)0．800．760．745．075．795．732．071．831．87ND高光譜指數(shù)NDhyperspectralvegetationindex675，1504(a)702，756(b)460，2053(c)0．850．830．794．114．555．012．582．352．11基于bootstrapPLSR模型BasedonbootstrapPLSRmodel12(成分個(gè)數(shù))0．873．902．72

入選估算波段一列,下標(biāo)a、b、c分別代表在同一種估算蘆葦葉片Vcmax的方法中,綜合各估算精度評(píng)價(jià)指標(biāo),并且考慮實(shí)際應(yīng)用中特征波段經(jīng)常發(fā)生偏移,以及星載波段的設(shè)置,a為估算精度最高的入選波段,b和c為估算精度較高的入選波段;R2: 決定系數(shù) determination coefficient; RMSECV: 交叉驗(yàn)證均方根誤差 root mean square error of cross-validation; RPD: the ratio of performance to deviation

圖3 4種方法對(duì)蘆葦葉片Vcmax最高精度的估算值與測量值比較Fig.3 Measured versus estimated Vcmax with the highest accuracy for reed leaves based on four kinds of estimation methods (n=73)

歸一化植被指數(shù)(NDVI[705, 750])、光化學(xué)植被指數(shù)(PRI[531, 570])等,在已有研究中證明了其估算植被光合參數(shù)的可行性[22]。本研究中,采用了ND形式和SR形式的高光譜指數(shù),估算濕地蘆葦葉片Vcmax。值得注意的是,ND形式中標(biāo)記為b的高光譜指數(shù),利用了702和756 nm波段,這與上文提及的705和750 nm波段較為接近,這兩個(gè)波段被認(rèn)為與植被葉片葉綠素含量相關(guān)性較高,而葉綠素含量在很大程度上決定了葉片的光合能力[23]。尤其是在星載光譜數(shù)據(jù)中,相近的這兩對(duì)波段可能各自位于同一衛(wèi)星波段中。探索高光譜指數(shù)對(duì)植被光合參數(shù)(例如,最大羧化速率、最大光合電子傳遞速率等)的估算研究,有利于在不同尺度上開展其時(shí)空變化監(jiān)測及對(duì)環(huán)境影響因素的響應(yīng)。

表2顯示,入選估算波段分別位于藍(lán)光(460、462 nm)、紅光(645、657、675、696 nm)、近紅外(702、713、734、756、794 nm)、SWIR波段(1504、2053、2142、2178 nm)。其中,696、702、713、734、756 nm位于近紅外波段的“紅邊”區(qū)域。可以看出,主要入選估算波段位于紅外、近紅外、SWIR光譜范圍。一些研究證明,許多中心位于紅光和近紅外的波段在植被葉片和冠層光合參數(shù)的指示方面具有潛能[24]。表2中,ND[702, 756]、SR[657, 794]和SR[645, 734]即為此類高光譜指數(shù),它們表現(xiàn)出了對(duì)蘆葦葉片Vcmax較好的估算能力。在本研究中,一些SWIR波段也顯示出能夠指示蘆葦葉片的Vcmax。Rubisco在SWIR波段存在幾個(gè)較寬的光譜吸收特征波段,主要位于1500、1680、1740、1940、2050、2170、2290、2470 nm波段[25]。另一方面,葉片中氮素的30%—50%分配于蛋白質(zhì)核酮糖- 1,5-二磷酸羧化酶/加氧酶(Rubisco)中,葉片氮素狀態(tài)與凈光合速率顯著相關(guān)[25]。而氮素在SWIR波段的吸收波段中心位置,主要位于1510、1940、2060、2180、2300、2350 nm[5]。將Rubisco、氮素吸收特征波段和表2中入選估算波段相對(duì)比,在SWIR波段,入選的1504、2053、2178 nm與前兩者相應(yīng)的吸收特征波段較為接近。一些研究表明,SWIR波段的入選有利于提高預(yù)測模型的估算精度,主要源于其獨(dú)特的光譜特性[5],這在本文中也有所體現(xiàn)。

4.4 研究區(qū)濕地蘆葦最大羧化速率空間分布

圖4 基于高光譜圖像HSI的濕地蘆葦最大羧化速率估算值與測量值比較(n=23)Fig.4 Measured versus estimated maximum carboxylation rate of wetland reeds based on HSI hyperspectral image

圖5 研究區(qū)濕地蘆葦最大羧化速率空間分布 Fig.5 The spatial distribution of reed maximum carboxylation rate in the wetland of study area

本文采用的高光譜遙感圖像為HJ- 1A HSI,其光譜范圍為459—956 nm。根據(jù)該高光譜圖像的波譜覆蓋范圍,以及實(shí)際推廣應(yīng)用的可行性和實(shí)用性,選擇ND高光譜指數(shù)中具有較高Vcmax估算精度的入選波段702和756 nm,即采用ND[702, 756]高光譜指數(shù)估算蘆葦Vcmax。

圖4為根據(jù)23組驗(yàn)證樣本數(shù)據(jù)的空間位置,從研究區(qū)濕地蘆葦最大羧化速率空間分布圖(圖5)上提取的估算值與測量值對(duì)比。圖4顯示,估算值與測量值之間存在較好的相關(guān)性(R2=0.80,RMSE=4.74)。結(jié)果表明,高光譜指數(shù)ND[702, 756]以較好的精度估算了濕地蘆葦最大羧化速率的變化,即基于光譜特征的植被指數(shù)可以較為精確地估算濕地植被最大羧化速率。

圖5為基于高光譜指數(shù)ND[702, 756]、50組建模樣本數(shù)據(jù)和線性回歸模型,獲取的研究區(qū)濕地蘆葦最大羧化速率空間分布圖。濕地蘆葦最大羧化速率估算值介于62.3—94.8之間,平均值為76.7 μmol m-2s-1。在烏梁素海濕地的研究區(qū),北部和東部沿岸地區(qū)呈現(xiàn)蘆葦最大羧化速率的高值區(qū)。在這些區(qū)域,蘆葦生長密集度大,而且單個(gè)植株長勢旺盛。

5 結(jié)論

本文主要研究結(jié)論為：

(1)基于蘆葦葉片測量光譜和高光譜遙感圖像HSI,所獲取的植被光譜特征和高光譜植被指數(shù),可用于以較高精度估算濕地蘆葦最大羧化速率,從而獲得濕地植被最大羧化速率的空間分布。

(2)用于估算濕地蘆葦葉片Vcmax的4種方法中,最高估算精度產(chǎn)生于基于bootstrap PLSR模型的Vcmax估算建模方法(R2=0.87,RMSECV=3.90,RPD=2.72)。ND高光譜指數(shù)的Vcmax估算精度高于SR高光譜指數(shù)的估算精度。單波段的Vcmax估算精度最低。

(3)基于高光譜遙感圖像HSI,采用ND[702, 756]高光譜指數(shù)估算蘆葦Vcmax,獲取了研究區(qū)濕地蘆葦最大羧化速率空間分布圖。經(jīng)驗(yàn)證,估算值與測量值之間存在較好的相關(guān)性(R2=0.80,RMSE=4.74)。

(4)估算濕地蘆葦葉片Vcmax的入選估算波段,主要位于藍(lán)光(460、462 nm)、紅光(645、657、675、696 nm)、近紅外(702、713、734、756、794 nm)、SWIR波段(1504、2053、2142、2178 nm)。其中,696、702、713、734、756 nm位于近紅外波段的“紅邊”區(qū)域。

(5)對(duì)比Rubisco、氮素吸收特征波段和本文獲得的Vcmax入選估算波段,在SWIR波段,入選的1504、2053、2178 nm與前兩者相應(yīng)的吸收特征波段較為接近。

植被最大羧化速率是表征植被光合能力的重要光合參數(shù)。植被光合作用過程不僅與植物自身的生理生態(tài)特性(包括葉片構(gòu)造、葉齡、葉位等)有密切關(guān)系,還受到環(huán)境因素的影響(包括光照、溫度、水分、CO2濃度、土壤養(yǎng)分等)。隨著遙感空間技術(shù)的發(fā)展,已存在的多種傳感器可以在不同空間和時(shí)間尺度上持續(xù)提供海量的地物光譜信息,如此大數(shù)據(jù)的光譜數(shù)據(jù)有助于精確捕捉植被光合參數(shù)的時(shí)空變化。

[1] Houborg R, Cescatti A, Migliavacca M, Kustas W P. Satellite retrievals of leaf chlorophyll and photosynthetic capacity for improved modeling of GPP. Agricultural and Forest Meteorology, 2013, 177: 10- 23.

[2] 閆霜, 張黎, 景元書, 何洪林, 于貴瑞. 植物葉片最大羧化速率與葉氮含量關(guān)系的變異性. 植物生態(tài)學(xué)報(bào), 2014, 38(6): 640- 652.

[3] 張彥敏, 周廣勝. 植物葉片最大羧化速率對(duì)多因子響應(yīng)的模擬. 科學(xué)通報(bào), 2012, 57(13): 1112- 1118.

[4] Wullschleger S D. Biochemical limitations to carbon assimilation in C3plants-a retrospective analysis of theA/Cicurves from 109 species. Journal of Experimental Botany, 1993, 44(5): 907- 920.

[5] 王莉雯, 衛(wèi)亞星. 植被氮素濃度高光譜遙感反演研究進(jìn)展. 光譜學(xué)與光譜分析, 2013, 33(10): 2823- 2827.

[6] Soudani K, Hmimina G, Dufrêne E, Berveiller D, Delpierre N, Ourcival J M, Rambal S, Joffre R. Relationships between photochemical reflectance index and light-use efficiency in deciduous and evergreen broadleaf forests. Remote Sensing of Environment, 2014, 144: 73- 84.

[7] Wu C Y, Niu Z, Gao S. The potential of the satellite derived green chlorophyll index for estimating midday light use efficiency in maize, coniferous forest and grassland. Ecological Indicators, 2012, 14(1): 66- 73.

[8] Raymond Hunt Jr E, Doraiswamy P C, McMurtrey J E, Daughtry C S T, Perry E M, Akhmedov B. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 103- 112.

[9] Dillen S Y, de Beeck M O, Hufkens K, Buonanduci M, Phillips N G. Seasonal patterns of foliar reflectance in relation to photosynthetic capacity and color index in two co-occurring tree species,QuercusrubraandBetulapapyrifera. Agricultural and Forest Meteorology, 2012, 160: 60- 68.

[10] Jin P B, Wang Q, Iio A, Tenhunen J. Retrieval of seasonal variation in photosynthetic capacity from multi-source vegetation indices. Ecological Informatics, 2012, 7(1): 7- 18.

[11] Serbin S P, Dillaway D N, Kruger E L, Townsend P A. Leaf optical properties reflect variation in photosynthetic metabolism and its sensitivity to temperature. Journal of Experimental Botany, 2012, 63(1): 489- 502.

[12] Gamon J A, Bond B. Effects of irradiance and photosynthetic downregulation on the photochemical reflectance index in Douglas-fir and ponderosa pine. Remote Sensing of Environment, 2013, 135: 141- 149.

[13] 孫惠民, 何江, 呂昌偉, 高興東, 樊慶云, 薛紅喜. 烏梁素海氮污染及其空間分布格局. 地理研究, 2006, 25(6): 1003- 1012.

[14] Farquhar G D, Von Caemmerer S, Berry J A. A biochemical model of photosynthetic CO2assimilation in leaves of C3species. Planta, 1980, 149(1): 78- 90.

[15] Brooks A, Farquhar G D. Effect of temperature on the CO2/O2specificity of ribulose- 1, 5-bisphosphate carboxylase/oxygenase and the rate of respiration in the light. Planta, 1985, 165(3): 397- 406.

[16] Von Caemmerer S, Evans J R, Hudson G S, Andrews T J. The kinetics of ribulose- 1, 5-bisphosphate carboxylase/oxygenase in vivo inferred from measurements of photosynthesis in leaves of transgenic tobacco. Planta, 1994, 195(1): 88- 97.

[17] Harley P C, Tenhunen J D. Modeling the photosynthetic response of C3leaves to environmental factors // Boote K J, Loomis R S, eds. Modeling Crop Photosynthesis-from Biochemistry to Canopy. Geneva: American Society of Agronomy, 1991: 17- 39.

[18] 陳雪洋, 蒙繼華, 吳炳方, 朱建軍, 杜鑫. 基于HJ星高光譜數(shù)據(jù)紅邊參數(shù)的冬小麥葉面積指數(shù)反演. 中國科學(xué): 信息科學(xué), 2011, 41(增刊): 213- 220.

[19] 王惠文, 吳載斌, 孟潔. 偏最小二乘回歸的線性與非線性方法. 北京: 國防工業(yè)出版社, 2006: 267- 274.

[20] 付為國, 李萍萍, 卞新民, 吳沿友, 曹秋玉. 鎮(zhèn)江北固山濕地蘆葦光合日變化的研究. 西北植物學(xué)報(bào), 2006, 26(3): 496- 501.

[21] Anne N J P, Abd-Elrahman A H, Lewis D B, Hewitt N A. Modeling soil parameters using hyperspectral image reflectance in subtropical coastal wetlands. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 47- 56.

[22] 王莉雯, 衛(wèi)亞星. 植被光能利用率高光譜遙感反演研究進(jìn)展. 測繪與空間地理信息, 2015, 38(6): 15- 22.

[23] Wu C Y, Chen J M, Desai A R, Hollinger D Y, Altaf Arain M, Margolis H A, Gough C M, Staebler R M. Remote sensing of canopy light use efficiency in temperate and boreal forests of North America using MODIS imagery. Remote Sensing of Environment, 2012, 118: 60- 72.

[24] Inoue Y, Peuelas J, Miyata A, Mano M. Normalized difference spectral indices for estimating photosynthetic efficiency and capacity at a canopy scale derived from hyperspectral and CO2flux measurements in rice. Remote Sensing of Environment, 2008, 112(1): 156- 172.

[25] Elvidge C D. Visible and near infrared reflectance characteristics of dry plant materials. International Journal of Remote Sensing, 1990, 11(10): 1775- 1795.

Maximum carboxylation rates of reed in the Wuliangsuhai wetland using hyperspectral remote sensing

WEI Yaxing1,2,3,*, WANG Liwen1,2,3

1CenterforStudiesofMarineEconomyandSustainableDevelopment,LiaoningNormalUniversity,Dalian116029,China2LiaoningKeyLaboratoryofPhysicalGeographyandGeomatics,LiaoningNormalUniversity,Dalian116029,China3CollegeofUrbanandEnvironmentalScience,LiaoningNormalUniversity,Dalian116029,China

Studies on wetland vegetation productivity and their carbon sequestration potential are becoming an important focus of the global carbon cycle and global climate change research. The photosynthetic capacity of wetland vegetation can indicate the health status of its growth. In addition, an accurate estimate of maximum carboxylation rate (Vcmax) is important for accurately simulating wetland vegetation photosynthesis and carbon sequestration processes with a gas exchange model. Here, the wetland of Wuliangsuhai (Inner Mongolia) was chosen as the study area, and the photosynthetic parameters and spectral reflectance of reed leaves were measured. Based on the Farquhar model of photosynthesis, reed leafVcmaxvalues were calculated fromA-Cicurves, and subsequently standardized to 25 ℃. Estimation models ofVcmaxfor reed leaves in the wetland were constructed with a bootstrap PLSR model and single band and hyperspectral vegetation indices (e.g., simple ratio index (SR) and normalized difference index (ND)). Based on hyperspectral remote sensing images from HJ- 1A HSI, the bands of 702 and 756 nm, which had a higher estimation accuracy forVcmax, were selected from the ND hyperspectral indices. Subsequently, a spatial distribution map ofVcmaxfor wetland reed was acquired for the study area. The results showed that the spectral characteristics of wetland vegetation, combined with hyperspectral vegetation indices, could be used effectively to accurately estimate reedVcmaxin the wetland. The highest accuracy was produced from the modeling method based on a bootstrap PLSR model (R2=0.87,RMSECV=3.90,RPD=2.72). Furthermore, the accuracy ofVcmaxestimations from the ND hyperspectral indices was higher than that from the SR hyperspectral indices. Overall, the estimated values extracted from the spatial distribution map ofVcmaxhad a good correlation with the measured values (R2=0.80,RMSE=4.74).

maximum carboxylation rate; hyperspectral remote sensing; wetland vegetation photosynthesis; bootstrap PLSR; Wuliangsuhai wetland

國家自然科學(xué)基金項(xiàng)目(41271421)；教育部人文社會(huì)科學(xué)研究規(guī)劃基金項(xiàng)目(14YJA630064)

2015- 09- 11;

日期:2016- 06- 13

10.5846/stxb201509111879

*通訊作者Corresponding author.E-mail: wyx9585@sina.com

衛(wèi)亞星,王莉雯.烏梁素海濕地蘆葦最大羧化速率的高光譜遙感.生態(tài)學(xué)報(bào),2017,37(3):841- 850.

Wei Y X, Wang L W.Maximum carboxylation rates of reed in the Wuliangsuhai wetland using hyperspectral remote sensing.Acta Ecologica Sinica,2017,37(3):841- 850.