王 雪 王文輝 李 棟 姚 霞 朱 艷 曹衛(wèi)星 程 濤

二向反射和方向半球反射光譜差異及其對小麥葉片葉綠素含量反演的影響

王 雪 王文輝 李 棟 姚 霞 朱 艷 曹衛(wèi)星 程 濤*

南京農(nóng)業(yè)大學(xué)國家信息農(nóng)業(yè)工程技術(shù)中心 / 江蘇省信息農(nóng)業(yè)重點實驗室 / 農(nóng)業(yè)農(nóng)村部農(nóng)作物系統(tǒng)分析與決策重點實驗室 / 智慧農(nóng)業(yè)教育部工程研究中心 / 現(xiàn)代作物生產(chǎn)省部共建協(xié)同創(chuàng)新中心, 江蘇南京 210095

二向反射率因子(bidirectional reflectance factor, BRF)和方向半球反射率因子(directional-hemispherical reflectance factor, DHRF)是反射光譜的兩種形式, 但在生化參數(shù)監(jiān)測過程中, 多數(shù)研究忽略了BRF和DHRF光譜的差異及其對葉片葉綠素含量(leaf chlorophyll content, LCC)反演的影響。本研究以不同品種、密度及氮素處理的小麥田間小區(qū)試驗為基礎(chǔ), 在葉片尺度獲取了BRF和DHRF光譜, 并計算相應(yīng)的植被指數(shù)和小波系數(shù), 建立了基于植被指數(shù)和小波系數(shù)的LCC監(jiān)測模型, 定量分析BRF和DHRF光譜、植被指數(shù)和小波系數(shù)的差異及其對LCC反演的影響。結(jié)果表明, 1) BRF和DHRF隨LCC變化趨勢一致, 但兩種光譜存在顯著差異, 且BRF光譜值高于DHRF光譜值; 2)在一定程度上, 應(yīng)用植被指數(shù)和小波系數(shù)均可消除BRF和DHRF光譜差異的影響, 其中歸一化紅邊植被指數(shù)(normalized differential red edge vegetation index, NDRE)和紅邊葉綠素指數(shù)(red edge chlorophyll index, CIred-edge)可以消除BRF和DHRF光譜差異的影響(2=0.930), 但小波系數(shù)的性能要優(yōu)于植被指數(shù)(2=0.995); 3) 基于DHRF光譜的植被指數(shù)和小波系數(shù)對LCC的估測能力優(yōu)于BRF光譜, 所有植被指數(shù)中NDRE反演效果最好(DHRF:2=0.957; BRF:2=0.938; All:2=0.892), 第4尺度765 nm處的小波系數(shù)WF (4, 675)反演LCC的效果優(yōu)于NDRE (DHRF:2=0.985; BRF:2=0.971; All:2=0.973), 且WF (4, 675)消除BRF和DHRF光譜差異對LCC反演的影響能力強于NDRE (WF(4, 675):2=0.973; NDRE:2=0.892)。綜上所述, BRF和DHRF光譜存在差異, 且這種差異不能直接忽略。研究明確了BRF和DHRF光譜的差異, 為構(gòu)建基于BRF和DHRF光譜的統(tǒng)一模型及提升冠層尺度LCC精確反演提供理論基礎(chǔ)。

小麥; 二向反射; 方向半球反射; 葉片葉綠素含量; 植被指數(shù); 小波系數(shù)

小麥?zhǔn)俏覈饕募Z食作物之一, 其高的產(chǎn)量和品質(zhì)是保障我國的糧食安全重要前提[1]。作為作物光合作用強弱的重要指標(biāo), 葉綠素是體現(xiàn)小麥長勢狀況及產(chǎn)量高低的重要參數(shù)[2]。而葉片葉綠素含量(leaf chlorophyll content, LCC)作為葉綠素的重要的表現(xiàn)形式, 與葉片氮濃度密切相關(guān)[3]。因此實時、精準(zhǔn)監(jiān)測小麥LCC對實現(xiàn)小麥精準(zhǔn)水肥管理尤為必要。

遙感技術(shù)具有非破壞性、無接觸監(jiān)測的特點[3-4], 已經(jīng)成為作物生長參數(shù)監(jiān)測的重要工具。LCC的遙感監(jiān)測主要在葉片尺度和冠層尺度兩個方面[5]。在冠層尺度, 雖然許多學(xué)者發(fā)現(xiàn)利用遙感方法可有效反演LCC, 且冠層尺度LCC監(jiān)測的應(yīng)用價值更大, 但受作物冠層結(jié)構(gòu)(例如葉面積指數(shù)、葉傾角等)的影響, LCC反演精度通常不高[6-7], 還難以直接應(yīng)用。相反, 葉片尺度的LCC遙感監(jiān)測不受冠層結(jié)構(gòu)和外部環(huán)境的影響, 精度很高, 應(yīng)用條件比較成熟。因此, 葉片尺度的LCC監(jiān)測不僅可以揭示反射率與LCC的機(jī)理性關(guān)系, 而且為提升冠層尺度LCC估測精度提供理論基礎(chǔ)和技術(shù)支撐。

國內(nèi)外許多研究已經(jīng)在葉片尺度探究LCC和反射率之間的關(guān)系[3-4,8], 例如童倩倩等分析百香果葉片LCC和光譜信號的關(guān)系[9]; Yoder等[10]分析了葉片尺度光譜信號反演LCC的理論基礎(chǔ)。雖然上述研究已表明光譜反射率可以反演LCC[8,11], 但大多數(shù)研究忽略二向反射率因子(bidirectional reflectance factor, BRF)和方向半球反射率因子(directional- hemispherical reflectance factor, DHRF)光譜的差異對LCC反演的影響[4]。已有研究表明BRF和DHRF光譜均可用于LCC估測[3,12-13], 但是兩種光譜差異多大, 且這種差異是否影響LCC反演精度還未可知。雖然已有少數(shù)研究已經(jīng)證明BRF和DHRF光譜存在差異, 但他們更關(guān)注如何消除這種差異[3], 對BRF和DHRF光譜差異如何影響LCC反演精度缺乏系統(tǒng)研究。因此, 定量分析BRF和DHRF光譜差異對LCC反演精度的影響尤為必要。

鑒于此, 本研究基于不同品種、行距及氮素水平的小麥田間試驗, 獲取了不同葉綠素含量的小麥葉片的BRF和DHRF光譜, 比較分析BRF和DHRF光譜差異并定量分析光譜差異對LCC反演的影響。本研究的主要目的如下: (1) 比較BRF和DHRF光譜及其衍生產(chǎn)品(植被指數(shù)和小波系數(shù))的差異; (2) 定量分析BRF和DHRF光譜差異對LCC的影響。

1 材料與方法

1.1 試驗設(shè)計

本研究在江蘇省如皋市白蒲鎮(zhèn)朱家橋村國家信息農(nóng)業(yè)工程技術(shù)中心如皋基地(33°05′N, 120°53′E)進(jìn)行2017—2018年小麥試驗。試驗區(qū)樣地土質(zhì)以壤土為主, 土壤有機(jī)質(zhì)含量為12.95 g kg–1, 年均平均氣溫和年均降水量分別為14.6℃和1040 mm。試驗小麥品種為生選6號(V1)和揚麥18 (V2)?；久鐢?shù)分別為2,400,000 hm–2(D1)和1,500,000 hm–2(D2)。共設(shè)3個施氮水平, 分別為0 kg hm–2(N0)、150 kg hm–2(N1)和300 kg hm–2(N2)。氮肥施用為氮含量為46%純尿素, 其中氮肥50%作基肥, 50%拔節(jié)期肥; 基肥為磷肥(P2O5) 105 kg hm–2和鉀肥(KCl 135 kg hm–2全部施用。試驗共12種處理, 3次重復(fù), 共計36個試驗小區(qū)。小區(qū)長為6 m, 寬5 m, 面積為30 m2。本試驗的葉綠素梯度由不同氮肥水平產(chǎn)生。其他管理措施同高產(chǎn)大田栽培。本研究的具體試驗方案如圖1所示。本研究于小麥拔節(jié)期在每個小區(qū)選取長勢均勻的植株進(jìn)行破壞性取樣。每個小區(qū)選取3株小麥, 每株小麥獲取頂一葉、頂二葉、頂三葉3片完全展開的葉片放于保溫箱中用于室內(nèi)光譜測試和葉綠素萃取。本研究僅選取拔節(jié)期(3月11日)作為采樣關(guān)鍵生育期, 主要因為拔節(jié)期是小麥水肥精確管理關(guān)鍵節(jié)點, 對拔節(jié)期LCC監(jiān)測有助于農(nóng)學(xué)家掌控小麥生長狀況, 合理安排水肥管理措施。

圖1 試驗小區(qū)分布圖

V、D、N分別表示品種、密度、氮素處理。

V, D, and N represent variety, density, and nitrogen treatments, respectively.

1.2 數(shù)據(jù)獲取

1.2.1 葉片光譜數(shù)據(jù)測試 大田采樣后, 于室內(nèi)測試采樣葉片的BRF和DHRF光譜。兩種類型光譜測試基于同一臺FieldSpec Pro光譜儀, 分別依次搭載積分球(Analytical Spectral Devices, Boulder, CO, USA)和葉片夾(Analytical Spectral Devices, Boulder, CO, USA)。采用同一臺光譜儀測試BRF和DHRF光譜, 可以避免不同儀器的波長飄移帶來的不確定性。積分球測量得到的是DHRF光譜, 其主要反應(yīng)葉片鏡面反射和漫反射后在積分球內(nèi)部多次反射后的信號, 其中葉片鏡面反射信號的貢獻(xiàn)較低; 而葉片夾測得為BRF光譜, 通過探頭直接觀測葉片的鏡面反射和漫反射信號[3]。兩種儀器測試的示意圖如圖2所示。BRF和DHRF光譜測試均進(jìn)行標(biāo)準(zhǔn)白板校正, 且獲取到的波長范圍均為350～2500 nm, 光譜間隔為1 nm。為盡可能降低葉片生化組分變化對葉片反射率的影響, 積分球和葉片夾測試葉片反射光譜的間隔不超過30 min。每張葉片進(jìn)行3次測試, 每個小區(qū)分別采集到9條BRF和DHRF光譜, 然后將采集到的光譜平均。本研究共獲取36條小麥葉片的BRF和DHRF光譜作為試驗樣品。由于同步獲取相同葉片BRF和DHRF光譜的工作量較大, 因此僅對拔節(jié)期的小麥葉片進(jìn)行光譜測試。而由于兩類光譜的測量來源于相同葉片, 光譜差異主要來源于不同測試方式產(chǎn)生的固有的觀測幾何效應(yīng), 且這種固有效應(yīng)在不同生長期內(nèi)均存在, 所以即使采用不同生長期數(shù)據(jù), 也不改變本文的結(jié)果和結(jié)論。

圖2 葉片光譜測試示意圖:(A)積分球、(B)葉片夾

a: 擺放葉片; b: 為光譜儀; c: 為積分球光源; d: 為葉片夾光源; e: 為標(biāo)準(zhǔn)白板。FOV代表光譜儀裸光纖視場角。改編自Li等[3]。

a: a leaf holder; b: a spectrometer; c, d: represent the light sources for the integrating sphere and leaf clip; e: the standard white plate, respectively. FOV is the field of view for the bara fiber optics of the spectrometer. Adapted from Li et al.[3].

1.2.2 葉片葉綠素含量獲取 葉片BRF和DHRF光譜測試后, 利用Li-3000確定葉片面積(Area, cm2), 選取一株進(jìn)行葉綠素測量。葉綠素測試的葉片先存放于超低溫冰箱, 然后帶回南京在國家信息農(nóng)業(yè)工程技術(shù)中心室內(nèi)實驗室用酒精萃取(萃取液體積記為Vol)、紫外分光光度計測量得到葉綠素和葉綠素的濃度, 最終計算得到LCC, 具體公式如下:

式中, Con和Con分別為葉綠素和葉綠素的濃度。649和665是紫外分光光度計測量得到的649 nm和665 nm波長處的吸光度。本研究將每個小區(qū)獲取到的9張葉片LCC進(jìn)行平均, 共獲取36個小區(qū)實測LCC值。

1.3 數(shù)據(jù)處理與分析

1.3.1 植被指數(shù)計算 根據(jù)前人的研究結(jié)果, 本研究選取4個對LCC敏感的植被指數(shù)定量分析BRF和DHRF光譜差異。歸一化植被指數(shù)(Normalized Differential Vegetation Index, NDVI)、歸一化紅邊植被指數(shù)(Normalized Differential Red Edge Vegetation Index, NDRE)、紅邊葉綠素指數(shù)(Red Edge Chlorophyll Index, CIred-edge)和葉面積指數(shù)不敏感葉綠素指數(shù)(Leaf Area Index-insensitive Chlorophyll Index, LICI)的具體公式如表1所示。

表1 常用的4種植被指數(shù)

R表示反射率, 數(shù)值代表反射率波長。

R: the reflectance and the number is the wavelength. NDVI: normalized differential vegetation index; NDRE: normalized differential red edge vegetation index; CIred-edge: red edge chlorophyll index; LICI: leaf area index-insensitive chlorophyll index.

1.3.2 小波系數(shù)計算 小波系數(shù)是高光譜數(shù)據(jù)經(jīng)過小波變換后的結(jié)果, 現(xiàn)在常用于作物生長參數(shù)估測[4,17-18]。小波變換根據(jù)變換方式分為連續(xù)小波變換(continuous wavelet transform, CWT)和離散小波變換(discrete wavelet transform, DWT)[19-20], 其中CWT是基于線性變換的方法, 用于對連續(xù)數(shù)據(jù)進(jìn)行分解, 其原理是將連續(xù)數(shù)據(jù)通過線性變化, 得到一系列多尺度的小波系數(shù)。本研究所用數(shù)據(jù)為光譜間隔為1 nm的連續(xù)高光譜, 滿足CWT的計算條件, 可以將350～2500 nm光譜區(qū)間的反射率計算為小波系數(shù)。根據(jù)Li等[4]的研究可知第4尺度下提取的小波系數(shù)對葉綠素的敏感性最強, 因此本研究僅選用尺度4的小波系數(shù)對葉綠素進(jìn)行反演。小波系數(shù)的具體計算過程如下:

1.3.3 模型構(gòu)建與驗證 為定量分析BRF和DHRF光譜的差異, 本研究采用成對檢驗和相關(guān)分析對反射率、植被指數(shù)和小波系數(shù)的差異性進(jìn)行研究。計算和檢驗過程均在SPSS 20.0 (IBM, Chicago, IL, USA)軟件中完成。本研究為了探究BRF和DHRF光譜差異對LCC估算的影響, 基于植被指數(shù)和小波系數(shù)建立LCC反演的簡單線性模型。本研究應(yīng)用留一交叉驗證算法構(gòu)建LCC估算模型。其方法的主要原理是將樣本訓(xùn)練和驗證次(為樣本個數(shù), 本研究中=36), 且每次建模,?1個樣本作為建模樣本進(jìn)行迭代, 得到的一系列系數(shù)對剩余的一個樣本進(jìn)行驗證[22]。本研究共計迭代36次。決定系數(shù)(coefficient of determination,2)、均方根誤差(root mean square error, RMSE)等指標(biāo)對模型的預(yù)測精度進(jìn)行定量評估,2值越大, RMSE越小模型精度越高, 具體計算公式如下:

2 結(jié)果與分析

2.1 BRF和DHRF光譜的差異

2.1.1 基于BRF和DHRF光譜的反射率差異 為定量分析BRF和DHRF光譜的差異, 本研究選擇對LCC敏感的可見近紅外光譜區(qū)間(450～900 nm)的BRF和DHRF光譜反射率的平均值和不同LCC的BRF和DHRF光譜差值進(jìn)行分析(圖3)。圖3-A表明BRF和DHRF光譜存在差異, 且BRF光譜值高于DHRF光譜值。由圖3-B可知, 不同LCC的BRF和DHRF光譜差值存在差異, 除了LCC=32 g cm–2, LCC與差值反射率呈現(xiàn)負(fù)相關(guān), 即隨著LCC的增加,反射率差值逐漸降低。BRF和DHRF光譜差值在可見光區(qū)間最低, 但在550 nm處出現(xiàn)波峰。在紅邊和近紅外區(qū)間, 光譜差值升高, 于750 nm處出現(xiàn)新的波峰, 而波谷主要出現(xiàn)在696 nm和750 nm左右, 760 nm后光譜差值保持穩(wěn)定不變。

由表2可知, 不同LCC或氮梯度的BRF和DHRF光譜都存在顯著差異(<0.01)。隨著LCC和施氮量的增加, BRF和DHRF平均光譜差值降低, 不同LCC和施氮量的最低差值分別為0.031和0.044。不同LCC或氮梯度的BRF和DHRF光譜顯著性差異表明, 在作物生長監(jiān)測過程中, 不應(yīng)忽略BRF和DHRF光譜的差異[3], 但不同LCC間的光譜差值差異較大, 這說明LCC大小會影響B(tài)RF和DHRF光譜的差異。

2.1.2 基于BRF和DHRF光譜的植被指數(shù)差異

就同一植被指數(shù)而言, 除LICI外, BRF和DHRF光譜反射率構(gòu)建的植被指數(shù)存在顯著差異(<0.05), 且前者數(shù)值低于后者(圖4)。就植被指數(shù)的值域范圍而言, 后者的波動范圍大于前者。就不同植被指數(shù)而言, NDVI的差異最顯著且值域范圍差異最小, CIred-edge的值域范圍最大。針對LICI、NDRE和CIred-edge的差異小于NDVI, 主要原因是紅邊波長處BRF和DHRF光譜差值較大, 這種大的差值會降低植被指數(shù)的差異?；贐RF和DHRF光譜構(gòu)建的LICI差異不顯著, 表明使用LICI可消除BRF和DHRF光譜差異的影響。

由圖5可知, 基于BRF和DHRF光譜構(gòu)建的植被指數(shù)存在顯著相關(guān)性,2均大于0.80。相關(guān)性強度不同, 針對NDRE和CIred-edge的相關(guān)性最強(2=0.93**), 針對NDVI的相關(guān)性最弱(2=0.80**)。具有紅邊的植被指數(shù)相差不大, 但2均大于0.91, 表明紅邊在消除BRF和DHRF光譜差異方面具有重要作用。就不同氮梯度而言, 具有紅邊的植被指數(shù)在高氮水平更能消除BRF和DHRF光譜差異。

2.1.3 基于BRF和DHRF光譜的小波系數(shù)差異

為定量分析由BRF和DHRF光譜計算的小波系數(shù)差異, 本研究選取4尺度450～900 nm之間的小波系數(shù)進(jìn)行對比(圖6)。由圖6-A可知, BRF和DHRF光譜的小波系數(shù)隨波長變化趨勢一致, 但在波峰位置BRF光譜對應(yīng)的小波系數(shù)高于DHRF光譜, 在波谷位置則相反, 主要歸因于BRF光譜值總體高于DHRF光譜值。由兩類小波系數(shù)的相關(guān)性可知, BRF和DHRF光譜的小波系數(shù)具有極強相關(guān)性(2=0.995**), 且兩者的小波系數(shù)均分布在1∶1線附近, 說明小波系數(shù)受BRF和DHRF光譜差異的影響極小, 具有高魯棒性。在不同施氮水平, 基于BRF和DHRF光譜的小波系數(shù)之間均不存在顯著差異(> 0.05), 表明在相同氮水平下, 可以消除BRF和DHRF光譜差異的影響。

圖3 BRF和DHRF光譜的差異

A: 積分球和葉片夾測得的平均反射率光譜; B: 葉片夾和積分球光譜的差值在不同葉綠素含量的變化規(guī)律。

A: the relationships of mean reflectance derived from BRF and DHRF spectra; B: the changes of different reflectance between BRF and DHRF spectra with various leaf chlorophyll content.

表2 不同LCC和氮梯度的BRF和DHRF光譜的成對t檢驗

LCC: 葉片葉綠素含量。

LCC: leaf chlorophyll content. N0: 0 kg hm–2; N1: 150 kg hm–2; N2: 300 kg hm–2.

圖4 BRF和DHRF光譜的植被指數(shù)差異

不同小寫字母為顯著性差異(< 0.05)。

Different lowercase indicate that there are significant difference at< 0.05.

圖5 BRF和DHRF構(gòu)建的植被指數(shù)相關(guān)性

**:< 0.01.

圖6 BRF和DHRF小波系數(shù)的關(guān)系

A: 小波系數(shù)差異; B: 小波系數(shù)相關(guān)性。

A: the difference of wavelet coefficient; B: the correction of wavelet coefficient.**:< 0.01.

表3 不同氮水平BRF和DHRF的小波系數(shù)成對t檢驗

縮寫同表2。**:< 0.01. Other abbreviations are the same as those given in Table 2.

2.2 BRF和DHRF光譜差異對葉綠素反演的影響

為進(jìn)一步分析BRF和DHRF光譜差異對LCC反演的影響, 本研究構(gòu)建了基于不同植被指數(shù)的LCC反演模型。圖7表明所有的植被指數(shù)與LCC呈正相關(guān), 但不同植被指數(shù)反演LCC的能力存在差異, 其中NDVI的反演效果最差(DHRF:2=0.592, BRF:2=0.458), NDRE最好(DHRF:2=0.957, BRF:2=0.938)。就不同光譜而言, 除LICI外(DHRF:2=0.853, BRF:2=0.891), DHRF植被指數(shù)反演LCC的能力優(yōu)于BRF植被指數(shù)。紅邊植被指數(shù)構(gòu)建同時適用于BRF和DHRF光譜的模型的能力強于NDVI, NDRE和CIred-edge構(gòu)建統(tǒng)一模型的能力最強(NDRE:2=0.892, CIred-edge:2=0.889), LICI次之(2=0.843)。這表明NDRE和CIred-edge等紅邊波段植被數(shù)在一定程度上可以消除BRF和DHRF帶來的差異。

為探究BRF和DHRF光譜差異是否會影響小波系數(shù)反演LCC的能力, 本研究分析了450～900 nm范圍第4尺度小波系數(shù)與LCC的相關(guān)性(圖8)。由圖8-A可知, 不同波長對應(yīng)的小波系數(shù)反演LCC的能力存在差異。在450～900 nm范圍內(nèi)波峰和波谷交替變化, 且在655～681 nm、694～725 nm和738～784 nm光譜區(qū)間2值均大于0.8, 其中在694～725 nm和738～784 nm光譜區(qū)間2值大于0.9。在這2個光譜區(qū)間內(nèi)DHRF小波系數(shù)反演LCC的能力優(yōu)于BRF光譜。由于在2個紅邊區(qū)間的2值最高, 為確定哪個區(qū)間范圍的小波系數(shù)反演LCC的能力更強, 本研究分別選取位于2個波峰位置的小波系數(shù)(WF (4, 720)和WF (4, 765))反演LCC (圖8-B, C)。相較于WF (4, 720), WF (4, 765)反演LCC更強且受BRF和DHRF光譜差異更小(DHRF:2=0.985, BRF:2=0.971)。WF (4, 720)和WF (4, 765)均可構(gòu)建統(tǒng)一模型, 但WF (4, 765)模型的精度更高(2=0.973), 表明738～784 nm光譜區(qū)間可以有效消除BRF和DHRF光譜差異的影響。

為驗證植被指數(shù)和小波系數(shù)在不同光譜及氮梯度下反演LCC的穩(wěn)定性, 進(jìn)一步選取反演LCC最強的NDRE和WF (4, 765)進(jìn)行精度檢驗(表4)。在不同光譜和氮梯度下, WF (4, 765)模型的驗證精度均高于NDRE, 表明小波系數(shù)在LCC反演中具有比植被指數(shù)明顯的優(yōu)勢。就不同類型的光譜而言, 基于DHRF光譜的NDRE和WF (4, 765)在反演LCC方面優(yōu)于BRF光譜。不同氮梯度下, NDRE和WF (4, 765)反演LCC能力存在差異, 且隨施氮量的增加, 模型穩(wěn)定性增強, 但所有氮梯度結(jié)合的模型穩(wěn)定性最強(BRF: NDRE,2=0.901, RMSE=2.041 μg cm–2, WF (4, 765),2=0.971, RMSE=1.513 μg cm–2; DHRF: NDRE,2=0.926, RMSE=1.8421 μg cm–2, WF (4, 765),2=0.985, RMSE=1.099 μg cm–2)。

圖7 BRF和DHRF光譜構(gòu)建的植被指數(shù)和LCC的關(guān)系

(圖8)

A: 所有波長; B: WF (4, 720); C: WF (4, 765)。

A: all wavelet coefficient at the fourth scale; B: the wavelet coefficient with 720 band at the fourth scale; C: the wavelet coefficient with 765 band at the fourth scale.

表4 不同氮梯度BRF和DHRF構(gòu)建的NDRE和WF (4, 765)在反演LCC中驗證精度

BRF: 二向反射率因子; DHRF: 方向半球反射率因子。

**:< 0.01. NDRE: normalized differential red edge vegetation index; WF(4, 765): wavelet coefficient from 765 band at fourth scale:2: coefficient of determination; RMSE: root mean square error; BRF: bidirectional reflectance factor; DHRF: directional-hemispherical reflectance factor. Other abbreviations are the same as those given in Table 2.

3 討論

3.1 BRF和DHRF光譜差異的產(chǎn)生原因

本研究從光譜反射率和植被指數(shù)分析BRF和DHRF光譜的差異。從光譜反射率而言, BRF和DHRF光譜變化趨勢一致(圖3), 且隨LCC增加兩者差值降低, 這可能與葉綠素的吸收特征有關(guān)[23-24]。BRF和DHRF光譜存在差異, 整體上BRF光譜值高于DHRF光譜值(圖3-A), 這可能與BRF和DHRF光譜的測試原理有關(guān)[3]。利用積分球所得的是DHRF反射率, 光譜儀探頭不是直接測得葉片的反射光, 而是鏡面反射和漫反射光在積分球內(nèi)多次反射后進(jìn)入探頭。而葉片夾測得的是BRF反射率, 是光譜儀探頭直接測量葉片, 得到鏡面反射和漫反射光直接進(jìn)入探頭, 這種測試導(dǎo)致二者相差一個鏡面反射因子[3,24], 因此BRF和DHRF光譜存在系統(tǒng)差異, 不能相互替代。

就不同的植被指數(shù)而言, BRF和DHRF光譜構(gòu)建的NDVI差異顯著, 且BRF光譜構(gòu)建的NDVI小于DHRF光譜(圖4), 這可能與兩種光譜在近紅外和紅光區(qū)間的差異有關(guān)。相較于NDVI, 由紅邊構(gòu)建的植被指數(shù)在BRF和DHRF光譜上差異較小, 且所有紅邊植被指數(shù)的2值均高于0.91, 這充分說明紅邊在消除BRF和DHRF光譜差異中的潛力[25-28]。在消除BRF和DHRF光譜差異方面, 不同紅邊植被指數(shù)存在差異(圖5), 紅邊和近紅外組合的植被指數(shù)(NDRE和CIred-edge)優(yōu)于2個紅邊組合的LICI, 這表明多個紅邊并不能有效消除BRF和DHRF光譜差異[6], 因此在今后植被指數(shù)構(gòu)建中, 建議使用近紅和紅邊構(gòu)建的植被指數(shù)。鑒于NDRE在消除BRF和DHRF光譜差異方面的優(yōu)勢, 因此盡可能在作物生長參數(shù)監(jiān)測中使用NDRE。

3.2 小波變換消除積BRF和DHRF光譜差異的優(yōu)勢

小波系數(shù)反映在不同尺度特定波長范圍內(nèi)的光譜變化情況, 現(xiàn)已廣泛用于生長參數(shù)監(jiān)測[14,17-18,30-32]。本研究應(yīng)用連續(xù)小波變換對BRF和DHRF光譜計算小波系數(shù), 并比較不同光譜的小波系數(shù)差異(圖6)。研究發(fā)現(xiàn)在450～900 nm波長范圍內(nèi)二者平均小波系數(shù)相差不大, 這充分說明小波變換可以有效消除BRF和DHRF光譜的差異。因此, 小波變換可作為消除BRF和DHRF光譜差異最有效的方法。較之紅邊植被指數(shù)(NDRE:2=0.930), 小波系數(shù)消除光譜差異的能力最強(2=0.995), 這可能與小波系數(shù)的數(shù)學(xué)原理有關(guān)[18]。

本研究僅選取第4尺度的小波系數(shù)分析兩類光譜差異, 主要因為前人研究表明第4尺度的小波系數(shù)與葉綠素含量密切相關(guān)[4], 且第4尺度是用于作物光譜信號提取的主要尺度之一, 其小波系數(shù)變化可以反映出作物光譜的變化, 進(jìn)而為消除兩類光譜差異奠定基礎(chǔ)。本研究所選擇的波長范圍主要集中在450～900 nm之間, 主要因為該光譜區(qū)間包含了葉綠素的主要吸收特征, 已被廣泛用于LCC估算。常用的無人機(jī)多光譜相機(jī)(例如法國Airphen相機(jī)和美國Red edgeM相機(jī))[16,33]和一些主動傳感器[34-35](例如美國的GreenSeeker和RapidSCAN CS-45), 均基于此波長范圍設(shè)計, 并用于冠層尺度作物生長參數(shù)監(jiān)測。因此, 選取可見光和近紅外波長的小波系數(shù), 用于分析BRF和DHRF光譜差異, 對從葉片升尺度到冠層及新儀器研發(fā)具有重要意義。

3.3 限制LCC反演的主要因子

本研究從BRF和DHRF光譜差異和氮梯度兩個方面, 定量評估影響LCC反演的主要限制因子。就植被指數(shù)而言, 紅邊構(gòu)建的植被指數(shù)對LCC反演精度高于非紅邊植被指數(shù)(圖7), 這與前人的結(jié)果一致[2,4,30]。紅邊植被指數(shù)的形式不同, 對葉綠素含量反演的影響也有差異, 且LICI的反演精度差于NDRE和CIred-edge, 這可能與紅邊植被指數(shù)設(shè)計的應(yīng)用場景有關(guān), 與紅邊波段個數(shù)沒有直接關(guān)系。設(shè)計LICI的初衷, 主要用于消除冠層尺度葉面積指數(shù)對葉片葉綠素含量估算的影響[6], 而本研究是在葉片尺度, 不存在冠層結(jié)構(gòu)的影響。DHRF光譜構(gòu)建的植被指數(shù)對LCC反演能力優(yōu)于BRF光譜, 這充分說明DHRF光譜在估測LCC的優(yōu)勢。NDRE和CIred-edge均可構(gòu)建適用于BRF和DHRF光譜的統(tǒng)一模型, 且2均大于0.88。因此在今后LCC反演中, 推薦使用NDRE和CIred-edge進(jìn)行反演, 以消除BRF和DHRF光譜差異的影響。不同波長對應(yīng)的小波系數(shù)反演LCC的能力存在差異(圖8), 其中紅邊(738～784 nm)最好, 這與前人的研究一致[4]。對比植被指數(shù), 小波系數(shù)在建立統(tǒng)一模型方面具有更高的估測精度, 這充分表明連續(xù)小波變換可有效消除BRF和DHRF光譜差異的影響[3]。

就不同的氮水平而言, 雖然氮梯度差異引起B(yǎng)RF和DHRF光譜差異, 但是這種差異未對LCC的反演產(chǎn)生顯著影響。尺度的差異可以解釋這一現(xiàn)象。在冠層尺度, 氮肥水平影響小麥的長勢, 即高氮肥的施用可降低土壤背景的比例, 進(jìn)而影響光譜對LCC的反演[6]。而在葉片尺度, 高氮施用不會增加背景的影響, 但是高氮水平的植被指數(shù)和小波系數(shù)均高于低氮, 這表明高氮施用會增加作物光合效應(yīng), 進(jìn)而增強光譜對LCC的敏感性。雖然DHRF光譜反演LCC的能力優(yōu)于BRF, 但二者差異不大, 考慮到測試的成本及效率, 本研究建議應(yīng)用BRF光譜。因為BRF光譜測試的葉片夾相較于積分球來說, 方便攜帶且造價低更低。

4 結(jié)論

本研究基于不同品種、氮水平和密度的小麥小區(qū)試驗, 從植被指數(shù)和小波系數(shù)兩個方面分析BRF和DHRF光譜的差異, 并定量評估光譜差異對LCC反演的影響。結(jié)果表明, BRF和DHRF光譜存在差異, 且BRF光譜值高于DHRF。相較于植被指數(shù), 小波系數(shù)消除BRF和DHRF光譜差異的效果更好。就BRF和DHRF光譜差異對LCC反演的影響而言, 紅邊植被指數(shù)中的NDRE和小波系數(shù)中的WF (4, 765)可以消除光譜差異的影響, 且WF (4, 765)反演LCC和消除光譜差異的能力最強(BRF:2=0.971, RMSE=1.513 μg cm–2; DHRF:2=0.985, RMSE= 1.099 μg cm–2)。本研究結(jié)果從葉片尺度分析BRF和DHRF光譜差異, 為冠層尺度消除BRF和DHRF光譜差異和提高LCC反演精度奠定理論基礎(chǔ)。

[1] Lyu Z F, Liu X J, Cao W X, Zhu Y. Climate change impacts on regional winter wheat production in main wheat production regions of China., 2013, 171: 234–248.

[2] Gitelson A A, Gritz Y, Merzlyak M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves., 2003, 160: 271–282.

[3] Li D, Tian L, Wan Z F, Jia M, Yao X, Tian Y C, Zhu Y, Cao W X, Cheng T. Assessment of unified models for estimating leaf chlorophyll content across directional-hemispherical reflectance and bidirectional reflectance spectra., 2019, 231: 111240.

[4] Dong L, Cheng T, Zhou K, Zheng H B, Yao X, Tain Y C, Zhu Y, Cao W X. WREP: a wavelet-based technique for extracting the red edge position from reflectance spectra for estimating leaf and canopy chlorophyll contents of cereal crops., 2017, 129: 103–117.

[5] Gitelson A A. Remote estimation of canopy chlorophyll content in crops., 2005, 32: 8403.

[6] Li D, Chen J M, Zhang X, Yan Y, Zhu J, Zheng H B, Zhou K, Yao X, Tian Y C, Zhu Y, Cheng T, Cao W X. Improved estimation of leaf chlorophyll content of row crops from canopy reflectance spectra through minimizing canopy structural effects and optimizing off-noon observation time., 2020, 248: 111985.

[7] Jay S, Maupas F, Bendoula R, Gorretta N. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: comparison of vegetation indices and PROSAIL inversion for field phenotyping., 2017, 210: 33–46.

[8] Gitelson A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves., 1997, 18: 2691–2697.

[9] 童倩倩, 李莉婕, 趙澤英, 岳延濱, 劉海. 基于離散小波算法定量反演貴州百香果葉片葉綠素含量的研究. 西南農(nóng)業(yè)學(xué)報, 2020, 33: 2927–2932.

Tong Q Q, Li L J, Zhao Z Y, Yue Y B, Liu H. Quantitative inversion of chlorophyll content in passiflora edulis leaves based on discrete wavelete algorithm in Guizhou province., 2020, 33: 2927–2932 (in Chinese with English abstract).

[10] Yoder B J, Pettigrew-Crosby R E. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra (400–2500 nm) at leaf and canopy scales., 1995, 53: 199–211.

[11] 王浩云, 曹雪蓮, 孫云曉, 閆明壯, 王江波, 徐煥良. 基于光學(xué)特性參數(shù)反演的綠蘿葉綠素含量估測研究. 農(nóng)業(yè)機(jī)械學(xué)報, 2021, 52(3): 202–209.

Wang H Y, Cao X L, Sun Y X, Yan M Z, Wang J B, Xu H L. Estimation of chlorophyll content of epipremnum aureum based on optical characteristic parameter inversion., 2021, 52(3): 202–209 (in Chinese with English abstract).

[12] Ma Z G, Chen X, Wang Q, Li P H, Jiapaer G L. Retrieval of leaf biochemical properties by inversed PROSPECT model and hyperspectral indices: an application topolymorphic leaves., 2012, 4: 52–62.

[13] Li P H, Wang Q. Retrieval of leaf biochemical parameters using PROSPECT inversion: a new approach for alleviating ill-posed problems., 2011, 49: 2499–2506.

[14] Chen J. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter., 2004, 91: 332–344.

[15] Barnes E M, Clarke T R, Richards S E, Colaizzi P D, Thompson T. Coincident Detection of Crop Water Stress, Nitrogen Status, and Canopy Density Using Ground Based Multispectral Data. Proceedings of the 5th International Conference on Precision Agriculture and other resource management July 16-19, 2000, Bloomington, MN USA 2000.

[16] Wang W H, Wu Y P, Zhang Q F, Zheng H B, Yao X, Zhu Y, Cao W X, Cheng T. AAVI: a novel approach to estimating leaf nitrogen concentration in rice from unmanned aerial vehicle multispectral imagery at early and middle growth stages., 2021, 14: 6716–6728.

[17] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis., 2014, 87: 28–38.

[18] Cheng T, Rivard B, Sánchez-Azofeifa A. Spectroscopic determination of leaf water content using continuous wavelet analysis., 2010, 115: 659–670.

[19] Huang J F, Blackburn G A. Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis of hyperspectral data., 2011, 32: 9375–9396.

[20] 李辰, 王延倉, 李旭青, 楊秀峰, 顧曉鶴. 基于小波技術(shù)的冬小麥植株組分含水率估測模型. 農(nóng)業(yè)機(jī)械學(xué)報, 2021, 52(3): 193–201.

Li C, Wang Y C, Li X Q, Yang X F, Gu X H. Quantitative inversion of water content of plant components in winter wheat based on wavelet technology,, 2021, 52(3): 193–201 (in Chinese with English abstract).

[21] 張驍, 閆巖, 王文輝, 鄭恒彪, 姚霞, 朱艷, 程濤. 基于小波分析的水稻籽粒直鏈淀粉含量高光譜預(yù)測. 作物學(xué)報, 2021, 47: 1563–1580.

Zhang X, Yan Y, Wang W H, Zheng H B, Yao X, Zhu Y, Cheng T. Application of continuous wavelet analysis to laboratory reflectance spectra for the prediction of grain amylose content in rice., 2021, 47: 1563–1580 (in Chinese with English abstract).

[22] Yan G, Bo D, Zhu R S, Wu X T, Ma Y, Peng Y. Remote estimation of rapeseed yield with unmanned aerial vehicle (UAV) imaging and spectral mixture analysis., 2018, 14: 70.

[23] Croft H, Arabian J, Chen J M, Shang J L, Liu J G. Mapping within-field leaf chlorophyll content in agricultural crops for nitrogen management using Landsat-8 imagery., 2020, 21: 856–880.

[24] Zhang Y Q, Chen J M, Miller J R, Noland T L. Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery., 2008, 112: 3234–3247.

[25] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages., 2002, 81: 337–354.

[26] Main R, Cho M A, Mathieu R, Kennedy M M O, Ramoelo A, Koch S. An investigation into robust spectral indices for leaf chlorophyll estimation., 2011, 66: 751–761.

[27] Féret J B, Fran?ois C, Gitelson A, Asner G P, Barry K M, Panigada C, Richardson A D, Jacquemoud S. Optimizing spectral indices and chemometric analysis of leaf chemical properties using radiative transfer modeling., 2011, 115: 2742–2750.

[28] Maccioni A, Agati G, Mazzinghi P. New vegetation indices for remote measurement of chlorophylls based on leaf directional reflectance spectra., 2001, 61: 52–61.

[29] Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves., 1999, 20: 2741–2759.

[30] Cheng T, Ria O D, Ustin S L. Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis., 2014, 143: 39–53.

[31] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis., 2012, 169: 1134–1142.

[32] Cheng T, Rivard B, Sánchez-Azofeifa G A, Feng J, Calvo- polanco M. Continuous wavelet analysis for the detection of green attack damage due to mountain pine beetle infestation., 2010, 114: 899–910.

[33] Wang Y Y, Zhang K, Tang C L, Cao Q, Tian Y C, Zhu Y, Cao W X, Liu X J. Estimation of rice growth parameters based on linear mixed-effect model using multispectral images from fixed-wing unmanned aerial vehicles., 2019, 11: 1371.

[34] Li S Y, Liu X J, Tian Y C, Zhu Y, Cao Q. Comparison RGB digital camera with active canopy sensor based on UAV for rice nitrogen status monitoring. In: 2018 7th International Conference on Agro-geoinformatics, 2018. pp 1–6.

[35] Grohs D S, Bredemeier C, Mundstock C M, Poletto N. Model for yield potential estimation in wheat and barley using the GreenSeeker sensor., 2009, 29: 101–112.

Difference between bidirectional reflectance factor and directional-hemispherical reflectance factor spectra and its effect on the estimation of leaf chlorophyll content in wheat

WANG Xue, WANG Wen-Hui, LI Dong, YAO Xia, ZHU Yan, CAO Wei-Xing, and CHENG Tao*

National Engineering and Technology Center for Information Agriculture / Jiangsu Provincial Key Laboratory of Information Agriculture / Key Laboratory for Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs / Engineering Research Center for Intelligent Agriculture, Ministry of Education / Collaborative Innovation Center for Modern Crop Production co-sponsored by Province and Ministry, Nanjing 210095, Jiangsu, China

Bidirectional reflectance factor (BRF) and directional-hemispherical reflectance factor (DHRF) spectra are two common types of reflectance measurements. However, most studies ignored the differences between BRF and DHRF spectra and their effects on the estimation of leaf chlorophyll content (LCC) while monitoring the biochemical parameters of crops. In this study, we collected leaf-level data from field trials of winter wheat with different varieties, densities, and nitrogen rates. We calculated the vegetation indices (VIs) and wavelet coefficients (WCs) based on BRF and DHRF spectra and then established their relationships with LCC. Finally, we evaluated the ability of VIs and WCs in reducing the differences between BRF and DHRF spectra, and their effects on LCC estimation. Results were as follows: (1) changes in BRF and DHRF were consistent with the variation of LCC, but there were significant differences between the two types of spectra, and the reflectance in BRF was higher than that in DHRF. (2) To some extent, the use of either VIs or WCs could eliminate the influence of the differences between BRF and DHRF spectra. For example, the Normalized Differential Red Edge Vegetation Index (NDRE) and the Red Edge Chlorophyll Index (CIred-edge) could reduce this effect (2=0.930), but the performance of wavelet coefficients were better than those of NDRE and CIred-edge(2=0.995). (3) The performance of VIs and WCs based on DHRF data was better than that of BRF data for LCC estimation. NDRE was the best among all VIs evaluated (DHRF:2=0.957; BRF:2=0.938; All:2=0.892). Furthermore, the WC at the fourth scale of 765 nm [WF(4, 675)] was better than NDRE (DHRF:2=0.985; BRF:2=0.971; All:2=0.973), and it had a stronger ability to eliminate the influence of the spectral differences on LCC estimation than NDRE (WF (4, 675):2=0.973; NDRE:2= 0.892). In summary, there was a difference between BRF and DHRF data, and this difference could not be ignored directly. To some extent, the use of suitable VIs and WCs can eliminate the difference and improve the accuracy of LCC estimation. This study determined the differences between BRF and DHRF spectra of the same leaf samples of winter wheat, which provided a theoretical basis for establishing a unified model across BRF and DHRF spectra and improving the accurate estimation of LCC at the canopy level.

wheat; BRF; DHRF; leaf chlorophyll content; vegetation index; wavelet analysis

10.3724/SP.J.1006.2023.21005

本研究由國家自然科學(xué)基金項目(41871259)資助。

This study was supported by the National Natural Science Foundation of China (41871259).

程濤, E-mail: tcheng@njau.edu.cn

E-mail: wangxue@njau.edu.cn

2022-01-24;

2022-07-21;

2022-08-22.

URL: https://kns.cnki.net/kcms/detail/11.1809.S.20220822.1619.004.html

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/)