陳小花,陳宗鑄,雷金睿,吳庭天,李苑菱

(1.海南省林業(yè)科學(xué)研究院(海南省紅樹林研究院),?？?571100；2.?？谑袧竦乇Ｗo工程技術(shù)研究開發(fā)中心,?？?571100)

冠層葉綠素含量(Canopy Chlorophyll Content,CCC)即單位土地面積的葉綠素含量,包含了葉片葉綠素含量、生物量和葉面積指數(shù)等理化參量,可表達植被群體光合生產(chǎn)量和群體長勢特征[1-2]。其中,葉綠素含量和葉面積指數(shù)是監(jiān)測、評價植被健康狀況的重要生理生化參數(shù)[3]。高光譜遙感技術(shù)由于其波段多且窄的特點,能直接對植被進行微弱光譜差異的定量分析,在為植被生理參數(shù)的定量化診斷時,因能提供簡便、快速、有效、非破壞性的數(shù)據(jù)采集和處理方法,在植被遙感研究與應(yīng)用中表現(xiàn)出強大優(yōu)勢,成為研究地表植被地學(xué)強有力的技術(shù)手段[4]。從當(dāng)前研究情況來看,對植被光譜信息的獲取多傾向于采用無人機多光譜、地物高光譜和衛(wèi)星高光譜等各類光譜儀和傳感器等手段,進而實現(xiàn)對葉綠素含量等植被參數(shù)的預(yù)測[5-8]。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)作為一種由大量簡單神經(jīng)元廣泛相互聯(lián)接而成的非線性映射或自適應(yīng)動力系統(tǒng),能有效解決遙感圖像處理中常見的困難,被廣泛應(yīng)用于遙感圖像分析與處理領(lǐng)域。BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是ANN人工神經(jīng)中的一種,具有并行處理、非線性、容錯性、自適應(yīng)和自學(xué)習(xí)的特點,在數(shù)據(jù)擬合與模擬中有較大優(yōu)越性。近年來,高光譜遙感和人工神經(jīng)網(wǎng)絡(luò)結(jié)合應(yīng)用已成為一大研究熱點和發(fā)展趨勢,在對果蔬[9-11]、糧食作物[12-14]、植被[15-16]等葉綠素含量和葉面積指數(shù)的檢測和評估中取得了較好效果。于躍等[17]構(gòu)建了基于偏最小二乘回歸(Partial Least Squares Regression,PLSR)、支持向量機(Support Vector Machines,SVM)和BP神經(jīng)網(wǎng)絡(luò)的高光譜反演模型,得到BP神經(jīng)網(wǎng)絡(luò)對水稻葉片葉綠素相對含量(SPAD)的預(yù)測效果最好；崔小濤等[18]研究得出利用多元線性逐步回歸遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型,估算油菜葉片SPAD值更為準(zhǔn)確；彭曉偉等[19]構(gòu)建了基于偏最小二乘法和BP 神經(jīng)網(wǎng)絡(luò)反演模型的高光譜反演模型,得到BP神經(jīng)網(wǎng)絡(luò)對葉綠素含量建模效果最優(yōu)；王克曉等[20]研究得出利用BP神經(jīng)網(wǎng)絡(luò)算法對油菜葉片葉綠素含量估測效果較好；林杰等[21]提出了一種基于反向傳播神經(jīng)網(wǎng)絡(luò)模型反演長時間序列葉面積指數(shù)(Leaf Area Index,LAI)的辦法,且反演效果很好；向洪波[22]研究得出,BP神經(jīng)網(wǎng)絡(luò)模型估算LAI的精度達到84%。

海南沉香是鄉(xiāng)土珍稀樹種,用途廣泛、品質(zhì)優(yōu)良,對其冠層葉綠素含量進行精準(zhǔn)估測,對實現(xiàn)沉香的優(yōu)質(zhì)高產(chǎn)具有重大意義。為此,本項目以海南種植的沉香樹為實驗樣本,獲取6a生沉香樹葉片高光譜數(shù)據(jù)進行分析,在構(gòu)建較優(yōu)的高光譜特征參數(shù)的同時,結(jié)合不同的建模方法,對沉香葉片葉綠素含量進行估測,旨在探索建立估算效果較好的沉香樹葉片葉綠素含量高光譜反演模型,以期為海南沉香的長勢診斷提供有力的技術(shù)支撐。

1 材料與方法

1.1 研究區(qū)概況

選擇海南省林業(yè)科學(xué)研究院(海南省紅樹林研究院)云龍科研基地作為試驗地,該基地位于?？谑性讫堟?zhèn),距離海口市中心30km,交通便利,總占地面積26.48hm2?；乩塾嬇嘤迪泓S檀(Dalbergiaodorifera)、土沉香(Aquilariasinensis)、坡壘(Hopeahainanensis)、海南紫荊木(Madhucahainanensis)、陸均松(Dacrydiumpierrei)、雞毛松(Podocarpusimbricatus)、海南蘇鐵(Cycashainanensis)等30余種林木。本項目選擇6a生、長勢均一且無病蟲害的沉香林作為研究對象,將試驗區(qū)均勻劃分成小塊樣地(5m×5m),選擇樣地內(nèi)生長健康的沉香樹作為光譜采集樣木,每隔兩個月獲取冠層標(biāo)準(zhǔn)枝,用于測定光譜信息和葉綠素含量。

1.2 地物光譜信息采集

于2021年11月—2022年5月,采用便攜式高光譜非成像光譜儀(PSR-1100f)對沉香葉片光譜曲線進行采集,共采集3次。以獲取采樣點真實的光譜特征,用于確定遙感波段范圍。該儀器能夠測量的光譜波長范圍在320nm～1 100nm之間,數(shù)據(jù)間的間隔為1.5nm,光譜分辨率是3.2nm。冠層光譜測定選擇在晴朗無云、無風(fēng)天氣,測定時段在10:00—14:00時,測量時傳感器探頭垂直向下,對準(zhǔn)冠層葉片。光譜采樣以10采樣光譜,每次記錄10個光譜,以平均值作為植株光譜反射值。為減少大氣變化影響,在每組測量前后及時進行標(biāo)準(zhǔn)白板校正。

1.3 參數(shù)測定方法

葉綠素含量(Chlorophyll Content,Chl)測定:采用TYS-B葉綠素測定儀測量每片葉子的SPAD值,對采摘的試驗林冠層枝條或幼苗冠層均測量8～10次,取平均SPAD值作為測量目標(biāo)葉綠素的相對濃度。

葉面積指數(shù)(LAI)測定:為避免手工測量的局限性,采用Li-COR公司的植物冠層分析儀LAI-2200C進行,測量過程中為避免受太陽直射光影響,選擇陰天、日出、日落等時段進行測量,并保證與光譜測量時間間隔不超過48h。選取90°遮蓋帽,每個樣本點測量前,先測量天空光記錄為A值,然后在沉香林冠層下測量并記錄為B值,通過軟件FV2200 1.0進行LAI測算。

以上兩個參數(shù)的采集時間、次數(shù)與地面光譜采集保持一致。

1.4 模型構(gòu)建方法

為了建立沉香樹冠層葉綠素含量反演模型,同時驗證反演模型的精度,需要保證地面實測數(shù)據(jù)與高光譜數(shù)據(jù)相關(guān)聯(lián)。在每次采集地物光譜數(shù)據(jù)時,同步進行地面樣品采集?？紤]到試驗均一性和可操作性,每次試驗在劃分的樣地內(nèi)找長勢均勻處取樣。

相關(guān)性分析法能夠?qū)⒐庾V參量與含量值進行關(guān)系緊密程度的評價,有利于發(fā)現(xiàn)光譜的作用機理,尋找特征光譜參量。相關(guān)性分析計算過程為:1)將實測值與光譜參量進行相關(guān)性統(tǒng)計,確定完全相關(guān)、不完全相關(guān)和不相關(guān)關(guān)系；2)確定相關(guān)的方向為正相關(guān)或負相關(guān)；3)確定相關(guān)形式是線性或非線性相關(guān)；4)計算光譜參量對含量的影響程度,是單相關(guān)還是復(fù)相關(guān)。

本研究采用R語言,實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)預(yù)測,把多個波段的反射率作為輸入矢量來預(yù)測沉香樹葉綠素含量隨光譜反射率的變化。

2 結(jié)果與分析

2.1 基于光譜遙感的沉香試驗林葉綠素含量反演研究

2.1.1光譜反射率與沉香樹葉綠素含量的相關(guān)分析

圖1是所有采集的光譜反射率與對應(yīng)沉香樹葉綠素含量的相關(guān)分析?？梢钥闯?沉香樹葉綠素含量與320～500nm之間的冠層光譜反射率存在負相關(guān)關(guān)系,最大負相關(guān)指數(shù)為0.50；沉香樹葉綠素含量與500～695nm之間的冠層光譜反射率則存在正相關(guān)關(guān)系,最大相關(guān)指數(shù)達到0.48；沉香樹葉綠素含量與750～1050nm之間的光譜反射率則存在明顯的負相關(guān)關(guān)系,而且在整個近紅外平臺區(qū),相關(guān)系數(shù)的變化較為平穩(wěn),保持在0.55左右；在695～750nm之間,光譜反射率與沉香樹葉綠素含量之間的相關(guān)關(guān)系變化較大,由明顯的正相關(guān)變?yōu)槊黠@的負相關(guān)。

圖1 沉香樹葉綠素含量與光譜反射率的相關(guān)分析

2.1.2特征波段與沉香樹葉綠素含量的回歸分析

采用相關(guān)性分析方法。假設(shè)葉片的葉綠素含量與高光譜儀所采集的個別波段數(shù)據(jù)反射率值緊密相關(guān),則從中挑出相關(guān)性最高的幾個波段,通過挑選相關(guān)性最高的前5個波段的反射率來建立相應(yīng)的模型:

y=a×x1+b×x2+c×x3+d×x4+e×x5+f

(1)

式中:a,b,c,d,e為模型的系數(shù)；y為葉綠素含量；x1,…,x5為葉綠素含量相關(guān)性最高的前5個波段的反射率；f為常數(shù)。

求算葉綠素含量與全部波段的相關(guān)系數(shù)。通過對相關(guān)系數(shù)絕對值排序,確定5個波段分別為760,761,759,765,764nm。最終計算得出的多元回歸系數(shù)是0.714,P<0.01,而5個波段的回歸系數(shù)分別為-311.176,232.945,129.960,-69.490,17.503,截距為77.889。四舍五入后,整理出葉綠素含量回歸方程為:

y葉綠素含量=-311.176×b760+232.945×b761+129.960×b759-69.490×b765+17.503×b764+77.889

(2)

散點圖如圖2所示:

圖2 基于特征波段建立的回歸模型的預(yù)測Chl與實測值之間的關(guān)系

2.1.3沉香樹葉綠素含量的BP神經(jīng)網(wǎng)絡(luò)模擬

由圖2可以發(fā)現(xiàn),基于特征波段建立的回歸模型的預(yù)測Chl與實測值所構(gòu)成的散點呈不規(guī)則落在1∶1線的兩側(cè),確定系數(shù)R2為0.713 9。而圖3顯示的基于BP神經(jīng)網(wǎng)絡(luò)建立的回歸模型的預(yù)測chl與實測值所構(gòu)成的散點基本落在1∶1線上和線的兩側(cè),確定系數(shù)R2為0.946 7。以上結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)模型運行效果良好,存在少數(shù)低估或高估現(xiàn)象,但不明顯。

圖3 基于BP神經(jīng)網(wǎng)絡(luò)建立的回歸模型的預(yù)測Chl與實測值之間的關(guān)系

2.2 基于光譜遙感的沉香試驗林葉面積指數(shù)反演研究

2.2.1光譜反射率與沉香樹葉面積LAI的相關(guān)分析

圖4是所有采集的光譜反射率與對應(yīng)沉香樹葉面積的相關(guān)分析?？梢钥闯?沉香樹LAI與320～497nm之間的冠層光譜反射率存在正相關(guān)關(guān)系,相關(guān)系數(shù)均低于0.45；沉香樹LAI與498～695nm之間的冠層光譜反射率則存在負相關(guān)關(guān)系,最大負相關(guān)指數(shù)達到0.47；沉香樹LAI與760～1 050nm之間的光譜反射率則存在明顯的正相關(guān)關(guān)系,而且在整個近紅外平臺區(qū),相關(guān)系數(shù)的變化較為平穩(wěn),保持在0.55左右；在695～760nm之間,光譜反射率與沉香樹LAI之間的相關(guān)關(guān)系變化較大,由明顯的負相關(guān)變?yōu)槊黠@的正相關(guān)。

圖4 沉香樹葉面積與光譜反射率的相關(guān)分析

2.2.2特征波段與沉香樹葉面積LAI的相關(guān)分析

采用相關(guān)性分析方法。假設(shè)葉片的葉面積指數(shù),與高光譜儀所采集的個別波段數(shù)據(jù)反射率值緊密相關(guān),則從中挑出相關(guān)性最高的幾個波段,通過挑選相關(guān)性最高的前5個波段來建立相應(yīng)的模型:

y=a×x1+b×x2+c×x3+d×x4+e×x5+f

(3)

式中:a,b,c,d,e為模型的系數(shù)；y為葉面積指數(shù)；x1,…,x5為葉面積指數(shù)相關(guān)性最高的前5個波段；f為常數(shù)。

求算葉面積指數(shù)與全部波段的相關(guān)系數(shù)。通過相關(guān)系數(shù)絕對值排序確定5個波段分別為778,777,779,776,782nm。最終計算得出的多元回歸系數(shù)是0.738 2,P<0.05,而5個波段的回歸系數(shù)分別為33.266,50.542,-59.067,-34.054,9.357,截距為1.348。四舍五入后,整理出葉綠素含量回歸方程為:

yLAI=33.266×b778+50.542×b777-59.067×b779-34.054×b776+9.357×b782+1.348

(4)

散點圖如圖5所示:

圖5 基于特征波段建立的回歸模型的預(yù)測LAI與實測值之間的關(guān)系

2.2.3植被指數(shù)與沉香樹葉面積LAI的回歸分析

采用多元線性回歸分析方法。根據(jù)文獻資料,葉面積指數(shù)跟3個光譜指數(shù)有關(guān),需要求解模型的系數(shù),模型為:

y=a×EVI+b×NDCI-c×GNDVI+d

(5)

式中:a,b,c,d為模型的系數(shù)；y為葉面積指數(shù)；EVI,NDCI,GNDVI分別是增強型植被指數(shù)、歸一化差值葉綠素指數(shù)和綠色歸一化差值植被指數(shù)。計算公式分別為:

EVI=2.5×(Nir-R)/(Nir+6×R-7.5×R454+1)

(6)

NDCI=(R708-R665)/(R708+R665)

(7)

GNDVI=(Nir-G)/(Nir+G)

(8)

式中:Nir選擇852nm,R選擇672nm,G選擇554nm。增強型植被指數(shù)、歸一化差值葉綠素指數(shù)和綠色歸一化差值植被指數(shù)計算結(jié)果如表1所示。

表1 植被指數(shù)計算結(jié)果

在Excel中,利用分析工具庫建立歸回方程,最終得到多元回歸系數(shù)是0.656,P<0.01,而3個參量的回歸系數(shù)分別3.717,-5.172,7.758,截距值為-7.337。四舍五入后,整理出葉面積指數(shù)方程為:

y葉面積指數(shù)=3.717×EVI-5.172×NDCI+7.758×GNDVI-7.337

(9)

2.2.4沉香樹葉面積LAI的BP神經(jīng)網(wǎng)絡(luò)模擬

由圖6可以發(fā)現(xiàn),BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測LAI與實測值所構(gòu)成的散點基本落在1∶1線上。相較于前兩種預(yù)測方法結(jié)果,BP神經(jīng)網(wǎng)絡(luò)模型運行效果較好,沒有低估或高估現(xiàn)象的存在。

圖6 基于BP神經(jīng)網(wǎng)絡(luò)建立的回歸模型的預(yù)測LAI與實測值之間的關(guān)系

3 討論與結(jié)論

關(guān)于開展植被葉綠素含量與光譜特征之間的定量關(guān)系已有不少報道。有研究指出,光譜信息過多或過少都會影響模型的精度和穩(wěn)定性,其中光譜信息過少的模型容易導(dǎo)致模型受到背景因素的干擾而缺乏穩(wěn)定性,而光譜信息過多的模型會導(dǎo)致模型復(fù)雜且易用性低[23]。各指標(biāo)的預(yù)測模型精度因建模方法不同而存在差異,大多數(shù)學(xué)者研究得出PLSR模型的反演精度高于PCR模型[24-25]；PLSR和PCR模型的反演精度均遠低于BP神經(jīng)網(wǎng)絡(luò)模型,原因在于基于BP神經(jīng)網(wǎng)絡(luò)模型在暗箱進行,不需要建立具體的數(shù)學(xué)模型,仿真性強,可以有效地解釋非線性問題。

本研究開展了6a生海南沉香林葉片葉綠素含量對冠層光譜特征的影響。結(jié)果表明,沉香樹冠層光譜反射率與沉香樹葉綠素含量存在一定相關(guān)性,其中在320～500nm之間存在負相關(guān),且相關(guān)程度呈逐漸下降；在500～695nm之間呈正相關(guān),最高相關(guān)指數(shù)0.48(695nm處)；在695～750nm之間,由正相關(guān)變?yōu)樨撓嚓P(guān),之后趨于負相關(guān)穩(wěn)定。采用相關(guān)性分析方法,最終確定近紅外波段(760,761,759,765,764nm)處的光譜反射率與葉綠素含量關(guān)系最為密切。對比特征波段與BP神經(jīng)網(wǎng)絡(luò)模擬效果發(fā)現(xiàn),基于BP神經(jīng)網(wǎng)絡(luò)建立的回歸模型的預(yù)測Chl與實測值所構(gòu)成的散點基本落在1∶1線上和線的兩側(cè),確定系數(shù)R2為0.946 7,說明BP神經(jīng)網(wǎng)絡(luò)模擬效果最佳。

本研究還對葉面積指數(shù)進行了單波段相關(guān)分析、植被指數(shù)回歸分析和BP神經(jīng)網(wǎng)絡(luò)模擬。相關(guān)結(jié)論表明,沉香樹冠層光譜反射率與沉香樹LAI存在一定相關(guān)性,其中在320～497nm之間存在正相關(guān),且相關(guān)程度呈逐漸下降；在498～695nm之間呈負相關(guān),其中最高負相關(guān)在695nm處；711～760nm之間,呈直線上升正相關(guān),760nm之后趨于穩(wěn)定；與LAI關(guān)系最為密切的光譜反射率落在778,777,779,776,782nm處；對比植被指數(shù)、特征波段和BP神經(jīng)網(wǎng)絡(luò)法的模擬結(jié)果,得出BP神經(jīng)網(wǎng)絡(luò)模擬的效果最佳,預(yù)測LAI與實測值所構(gòu)成的散點基本落在1∶1線上,沒有低估或高估現(xiàn)象的存在。

綜上所述,高光譜技術(shù)結(jié)合BP神經(jīng)網(wǎng)絡(luò)法可以很好地監(jiān)測沉香葉綠素含量和葉面積指數(shù)等參數(shù)值動態(tài)變化,為海南沉香規(guī)?；N植監(jiān)測提供數(shù)據(jù)支持。