基于HyperScan成像光譜數據的植被葉綠素反演

方圣輝，樂 源，楊 光

(武漢大學遙感信息工程學院，武漢 430079)

0 引言

成像光譜儀是一種可以同時獲取圖像信息與像元光譜信息的光學傳感器。成像光譜技術將傳統的二維成像遙感技術和光譜技術結合在一起，具有“圖譜合一”的重要特性[1]。地面成像光譜儀器設備在國外起步較早，并且已經取得了很多的成果[2－3]。

植被葉綠素是植被進行光合作用最重要的物質之一，準確估算葉綠素含量對研究植被的生態效應具有重要意義。近年來，高光譜遙感數據由于具有較高的光譜分辨率，在反演植物生化參數時表現出了明顯的優勢。目前，基于地面與實驗室點光譜數據的植被色素反演已經得到了廣泛的研究，國內外也有很多基于航空或衛星平臺成像光譜數據的植被色素反演方面的研究[4－5]。利用高光譜數據進行植被色素反演的方法可歸納為3類，即半經驗方法、統計方法和物理模型方法。本文基于HyperScan成像光譜數據，在植被葉片光譜曲線獲取及分析、相關分析以及波段選取的基礎上，利用SPAD502儀器獲取植被葉片的綠度值，建立了基于葉片綠度值與歸一化植被指數(normalized difference vegetation index，NDVI)、簡單比值指數(simple ratio index，SR)、綠波段葉綠素指數CIgreen(green chlorophyll index)、土壤調節植被指數(soil－adjusted vegetation index，SAVI)、差值植被指數(difference vegetation index，DVI)、改進的土壤調節植被指數2(modified soiladjusted vegetation index 2，MSAVI2)、三角植被指數(triangular vegetation index，TVI)和葉綠素吸收比值指數(chlorophyll absorption ratio index，CARI)等8 種植被指數的半經驗模型并進行葉綠素含量反演實驗，取得了較高的反演精度。

1 高光譜反射率圖像獲取

1.1 成像系統

HyperScan系統是一種地空(包括機載、實驗室和現場應用)兩用的多功能型高光譜遙感成像系統，整套系統包括高光譜傳感器(HyperScan)、440系列慣導系統、一個正弦波逆變器和一臺個人電腦(PC)。傳感器的光譜范圍為389.9～1 006 nm，光譜分辨率為1～1.1 nm，可獲取572個波段的數據;曝光時間為 30.0 μs～1.5 s，信噪比為 200。考慮到應用的廣泛性，該系統還配置了2種焦距不同的采集鏡頭(焦距分別為23 mm和12 mm)，以獲取不同空間分辨率的圖像。該系統內部有一個掃描鏡，通過開啟或關閉掃描鏡的運動，系統擁有擺掃和推掃2種成像方式，其中擺掃采用鏡面掃描機制，掃描角度為－30°～+30°。光譜儀使用1 276×1 024面陣列CCD作為探測器，探測器像元大小為10.8 μm，每條掃描線對應圖像上的1 276個像元。圖1(a)為該系統工作時的實況照片，圖1(b)為儀器的2種不同的掃描成像方式。

圖1 HyperScan系統Fig.1 HyperScan system

1.2 圖像獲取

HyperScan高光譜遙感成像系統在出廠時已經進行了輻射定標，因此，要實現遙感圖像像元亮度值(digital number，DN)到輻亮度的轉換，只需使用出廠標定時留下的增益文件進行數據處理。

儀器的輻射定標公式為

式中:L1為輻射定標后需要得到的輻亮度值(是輻亮度單元的一次衍射);L2為輻亮度單元的二次衍射;G1和G2分別為系統的一次增益和二次增益;ET為積分時間，默認值為100 ms;DF為暗電流。

將式(1)進行變形，可以得到所需的定標公式，即

在式(1)中，當波長小于800 nm時，L2=0;當波長大于800 nm時，L2和L1之間的關系為

式中λ為波長。對每一景圖像的每一個像元進行上述變換，完成高光譜圖像的輻射定標。

在每景圖像的采集過程中，均在掃描范圍內放置了一塊已知反射率的標準白板，用于得到反射率圖像。具體處理方法如下:用一個N像元×N像元的窗口遍歷圖像的第1個波段，計算每個窗口內的和值，取最大的一個，并記下此時窗口的位置和定位白板的位置。本文取N=10像元，對每一個波段圖像的每一個像元，通過式(4)計算得到反射率，即

式中:ref(i，j)(n)為第 n 波段的第(i，j)個像元的反射率;L(i，j)(n)為第 n 波段的第(i，j)個像元的輻射亮度;ρ0為標準白板的反射率;Ln為第n波段的10像元×10像元白板的輻射亮度均值。

2 植被葉綠素含量反演方法

2.1 數據獲取與處理

本文在實驗中所采集葉片的樹種主要是武漢地區常見的3種常綠闊葉植被——桂樹、梔子和石楠。對同一樹種在多棵樹上采集樹葉，按照從頂層到底層的順序，分別采集顏色、葉齡等不同的樹葉50片;并依次對每片樹葉進行編號，利用HyperScan掃描獲取葉片的高光譜圖像，掃描方式為擺掃。圖2為獲取的原始圖像(右上角的白色部分為采集數據時在圖像范圍中放置的標準白板)。

圖2 葉片原始HyperScan圖像Fig.2 Original HyperScan image of leaves

本文使用SPAD502葉綠素儀獲取植被的葉綠素值。SPAD值也被稱作“綠度”，是一個無量綱的值，是反映植物葉綠素相對含量的指標。研究表明，植被葉綠素含量隨SPAD值的增加而增加，呈一定函數變化規律，且達到極顯著相關的水平[6]。在獲取HyperScan圖像的同時，利用SPAD502葉綠素儀測量每片樹葉的SPAD值，每片樹葉測量10次，大部分葉片10次SPAD測量值之間的差值在0～3.5之間波動，記錄其均值作為該葉片的SPAD值。

對原始HyperScan圖像進行處理，得到反射率圖像。在反射率圖像中，取每片樹葉中心的一個30像元×30像元大小的窗口，一片葉片共獲取900個點;每個點對應一條光譜反射率曲線，計算900條光譜反射率曲線的平均值作為該葉片的光譜曲線。這樣，每種實驗樹種均能得到50組光譜曲線及其對應的SPAD值。圖3為使用HyperScan獲取的光譜反射率曲線與使用ASD光譜儀獲取的同一片梔子葉片光譜曲線的對比圖。

2.2 波段選擇與模型建立

在利用高光譜數據進行葉綠素含量反演的各種算法中，半經驗方法由于其計算過程比較簡單、所需數據容易獲取等優點，已得到了廣泛的研究和應用[7]。本文即采用半經驗方法，通過建立葉綠素含量和某些波段組合形成的8種植被指數(見表1)的關系，反演植被葉綠素含量。

表1 本文使用的植被指數Tab.1 Vegetation indices used in this paper

表 1 中:ρnir，ρgreen，ρred分別表示近紅外波段反射率、綠波段反射率、紅波段反射率;nir，green，red分別表示與 ρnir，ρgreen，ρred相對應的波長值。

本實驗選取表1中的8種常用植被指數進行葉綠素含量反演。在這8種植被指數中，NDVI，SR，CI，SAVI，DVI和MSAVI2是2波段植被指數，而TVI和CARI是3波段植被指數。其中SAVI中L的取值需要根據測量土壤的光譜曲線并進行擬合得到;本次實驗數據是直接獲取葉片光譜，并沒有獲取土壤的光譜信息，實驗中嘗試變換L的取值，發現其對葉綠素反演的影響較小，最終本文選取L=1。兩種3波段植被指數TVI和CARI的原始定義中包含670 nm的紅波段[8]，但從實驗中單波段相關分析的結果可知，HyperScan獲取的植被光譜曲線在670 nm處的反射率與植被SPAD值的相關性形成了一個波谷(即相關性較其他波段要小)。因此本文在使用這兩種3波段植被指數進行葉綠素反演時，借用了這些植被指數的形式，但并沒有完全嚴格按照其原始的定義來選取波段，具體的波段在進行相關分析后選取。

HyperScan成像光譜數據的波段較多，光譜分辨率也較高，為了更好地分析窄波段的光譜指數對葉綠素反演效果的影響，對于某種植被指數，在572個波段中任意選取2個波段進行組合，計算該植被指數與對應植被的SPAD值之間的相關系數，生成相關系數圖;根據各個植被指數的定義，選取與SPAD值相關性最高的2個波段建立線性模型。在計算2種3波段組合植被指數的相關系數時，為運算方便，本文采取固定綠波段、計算紅外波段和紅波段組合的植被指數與對應SPAD值的相關系數的方法，綠波段的選取和CI指數中綠波段的選取相一致。根據所選擇的波段建立了葉綠素含量反演模型，并對總體模型的精度進行了驗證。

2.3 反演模型驗證

隨著成像光譜儀的光譜波段的增加，數據量也隨之增大。為了驗證HyperScan的光譜波段的增加是否有利于葉綠素含量反演精度的提高，設計了波段合并實驗，通過將HyperScan的光譜波段進行合并，發現隨著光譜波段的合并和光譜分辨率的減小，反演模型的精度呈現一定的下降趨勢，證明Hyper-Scan成像光譜數據的波段的增加有利于葉綠素含量反演精度的提高。

3 實驗結果與分析

3.1 波段相關性分析

為了提高葉綠素含量反演的精度，在選擇具體

圖3 HyperScan與ASD數據對比Fig.3 Comparison between HyperScan and ASD Data

與ASD測量的光譜反射率數據相比，HyperScan數據有明顯的區別。在波長為550 nm附近的反射峰值更加明顯，大于700 nm的近紅外波段反射率更高，小于500 nm處以及紅邊反射率與ASD數據基本一致，只是紅邊位置相對ASD的左移;整條光譜曲線在波長小于700 nm時比較平滑，在大于800 nm的近紅外波段開始光譜曲線的平滑性減小，呈現出明顯的鋸齒狀的反射坪，說明大于800 nm時光譜曲線的噪聲較大。為了提高植被葉綠素含量反演的精度，盡量避免使用波長大于800 nm處的反射率值。HyperScan數據與ASD數據的不同，使得在利用HyperScan數據進行葉綠素含量的反演時，不能完全利用適合于ASD這種地面點光譜儀器所獲取光譜數據的反演方法，而是要對HyperScan數據的反射率光譜進行一定的分析，選取適合于HyperScan數據的光譜波段。的植被指數之前，首先分析了3種植被光譜曲線與SPAD值之間的單波段相關系數，分析結果如圖4所示。

3種植被呈現出相似的相關特性，在520～650 nm的綠波段和紅波段以及在700～730 nm的近紅外波段的相關系數較高，在小于500 nm和大于750 nm的波段處相關系數較低，同時在675 nm附近有一個相關系數先減小后增加的過程。因此，利用綠波段、紅波段和近紅外波段組合進行葉綠素含量反演，相對其他波段組合會有更高的精度。總體的相關系數同3種植被的一致，同時受到3種植被相關系數的影響，其取值介于相關系數較高的梔子、桂樹和相關系數較低的石楠之間。表2列出了各植被指數與對應SPAD值之間相關系數最大的值以及對應的波段。

表2 波段選擇與相關系數Tab.2 Band selection and correlation coefficient

對于某種植被來說，不同植被指數的波段選擇具有相似性，例如梔子的波段選取基本上集中在530 nm，700 nm，770 nm和800 nm等處的波段。在這些波段中，530 nm和700 nm處的波段在單波段相關分析中相關性較高;700 nm處在紅邊波段，與傳統的地面點光譜數據研究中應用的植被指數的定義有一定區別，但還是在植被指數定義的范圍之中;而770 nm和800 nm處的波段在單波段相關分析中相關性并不高，但在多波段相關性分析中，經過波段組合，其相關性也超過了單波段相關分析。

8種植被指數中，2種3波段的植被指數最終選擇的波段組合與原始定義有一定差別。除CARI呈現出負相關特性并且相關系數較其他植被指數偏小以外，其他植被指數均呈現出較高的相關特性(其中最大值為桂樹的DVI指數，R=0.974 7;最小值為梔子的CI指數，但R＞0.9)。8種植被指數中，SAVI，DVI，MSAVI2和TVI這4種植被指數相關系數略大于NDVI，SR和CI，明顯大于CARI。總體的相關系數均小于單一植被的相關系數，這說明對于HyperScan數據來說，混合植被的葉綠素反演精度會低于單一植被的葉綠素反演精度。

3.2 模型建立與驗證

利用波段分析得到的敏感波段進行葉綠素含量反演模型的建立與驗證。由3種單一植被數據組成的總體數據共有150組，其中用于波段分析的數據共120組，余下的30組作為模型驗證數據。這30組數據是從每種植被數據中隨機選出10組組合而成的。圖5示出總體數據的建模(左)與驗證(右)圖形。

圖4 單波段相關系數Fig.4 Correlation coefficient of single band

圖 5(a)－ (h)分別為 NDVI，SR，CI，SAVI，DVI，MSAVI2，CARI和 TVI與對應 SPAD 之間的關系模型與驗證模型，其具體的模型參數在表3中列出。

表3 模型參數Tab.3 Model parameters

從表3可以看出，在8種植被指數的模型中，反演精度最高的是SAVI和MSAVI2(決定系數接近0.9)，CARI精度較低(決定系數只有 0.6)，其余各植被指數模型精度則普遍較高(決定系數均大于0.8 而小于0.9)。

3.3 波段合并實驗

高光譜數據在提高光譜分辨率的同時，也使得數據量急劇增大，這對數據獲取、存儲與處理提出了一定的要求。為了探究利用HyperScan高光譜數據進行葉綠素反演是否需要如此高的光譜分辨率的問題，本文進行了波段合并實驗——通過合并相鄰波段數據，研究模型的決定系數和均方根誤差隨著合并波段數目增加而產生的變化情況。具體實驗過程是:以建立模型時選取的波段為中心波段，將相鄰波段數據分別進行3，5，7，…，直到21個波段相加并取其均值;再利用均值計算對應的植被指數，建立模型。圖6是波段合并實驗的結果圖，圖6(a)和(b)分別示出合并波段數與模型的決定系數R2和均方根誤差RMSE之間的關系。

圖6 波段合并實驗結果Fig.6 Experimental results of band combination

由于CARI指數的結果與其他指數相差較大，為了更直觀的顯示波段合并對反演模型的影響，圖6中并沒有顯示CARI指數，但CARI指數的變化趨勢與其他植被指數是一致的。

由圖6可以看出，隨著HyperScan數據波段的不斷合并，除DVI指數外，其他指數的模型精度均呈單調下降趨勢。在合并波段數為7－15時，精度下降趨勢較快;當合并波段增加至17波段時，精度下降趨勢減小，模型精度趨于穩定。但DVI指數的模型精度呈先減小、后增大的趨勢。

3.4 葉綠素含量反演

利用3.2中建立的總體模型，對桂樹的Hyper-Scan圖像進行了葉綠素含量的反演，統計了50片葉片影像范圍中的葉綠素含量的均值，并與實測值進行了比較。圖7顯示了部分葉片的葉綠素含量反演結果圖，圖7(a)—(h)分別表示NDVI，SR，CI，SAVI，DVI，MSAVI2，CARI和 TVI等 8 種植被指數的葉綠素含量反演結果。

圖7－1 桂樹數據葉綠素含量反演結果Fig.7－1 Inversion results of HyperScan data

圖7－2 桂樹數據葉綠素含量反演結果Fig.7－2 Inversion results of HyperScan data

從圖7可以看出，在8種植被指數中，CARI模型的反演精度較差，表現在同一片葉片反演的SPAD值變化范圍較大;除模型反演精度較差的CARI之外，其余7種植被指數反演的同一片葉片SPAD值的變化范圍不大。圖7中第一行左起第4片葉片出現了左右兩邊葉綠素值不一致的現象，經過觀察原始圖像發現，這是由于圖像掃面瞬間因葉片被風吹動導致部分葉片背面向上所致。盡管在提取光譜時避開了這些區域，但進行圖像的葉綠素含量反演時無法避開這些區域;為了減小對實驗結果的影響，人為去除了被風吹動葉片的反演結果。對葉綠素含量反演誤差進行了統計(表4)。

從表4可以看出，對整景圖像而言，SAVI，DVI，MSAVI2和TVI這4種植被指數的葉綠素含量反演精度較高;NDVI，SR和CI次之;CARI的反演精度最低(反演的平均誤差超過了30%)，其余7種植被指數的反演平均誤差均在15%以內。

4 結論

本文利用HyperScan采集不同植被葉片的高光譜圖像數據，采用 NDVI，SR，CI，SAVI，DVI，MSAVI2，TVI和CARI等8種植被指數反演模型進行植被葉綠素含量反演實驗，同時進行了波段合并實驗，并比較了在逐步合并波段的情況下各種模型的反演精度。實驗結果表明:

1)在本文選取的植被指數中，2波段植被指數反演葉綠素含量精度普遍高于3波段植被指數。

2)波段合并的實驗表明，隨著波段的逐步合并，模型的反演精度逐漸下降;因此，光譜分辨率較高的高光譜圖像數據更適合于植被葉綠素含量反演。

3)本文中的反演模型精度普遍較高，說明利用地面高光譜圖像進行葉片葉綠素反演是可行的，且采用葉片內光譜反射值的均值進行葉片的葉綠素含量反演有很高的反演精度。

4)由于HyperScan數據本身的特點，導致了紅邊的位置與一般的地面點光譜儀(ASD)數據有一定的不同，同時在波長大于800 nm處的反射率曲線呈現明顯的鋸齒狀，因此在相關性分析的基礎上進行了波段的選擇，并且沒有選擇波長在800 nm以上的波段;這也導致了選擇的特征波段與傳統的地面點光譜儀器的特征波長有所不同，但是所選擇的波段仍然是在植被指數所定義的范圍中的，除了2種3波段的植被指數的形式與原始定義的形式有一定的差別，其余的植被指數均與原來的定義一致。

[1]童慶禧，薛永祺，王晉年，等.地面成像光譜輻射測量系統及其應用[J].遙感學報，2010，14(3):409－422.Tong Q X，Xue Y Q，Wang J N，et al.Development and application of the field imaging spectrometer system[J].Journal of Remote Sensing，2010，14(3):409－422.

[2]Borregaard T，Nielsen H，Nrgaard L，et al.Crop－ weed discrimination by line imaging spectroscopy[J].Journal of Agricultural Engineering Research，2000，75(4):389－400.

[3]Monteiro S T，Minekawa Y，Kosugi Y，et al.Prediction of sweetness and amino acid content in soybean crops from hyperspectral imagery[J].ISPRS Journal of Photogrammetry and Remote Sensing，2007，62(1):2－12.

[4]Rock B N，Hoshizaki T，Miller J R.Comparison of in situ and airborne spectral measurements of the blue shift associated with forest decline[J].Remote Sensing of Environment，1988，24(1):109－127.

[5]Ustin S L，Gitelson A A，Jacquemoud S，et al.Retrieval of foliar information about plant pigment systems from high resolution spectroscopy[J].Remote Sensing of Environment，2009，113(s1):s67－s77.

[6]李 輝，白 丹，張 卓，等.羊草葉片SPAD值與葉綠素含量的相關分析[J].中國農學通報，2012，28(2):27－30.Li H，Bai D，Zhang Z，et al.Correlation analysis between SPAD value and chlorophyll content of leaf of leymus chinensis[J].Chinese Agricultural Science Bulletin，2012，28(2):27－30.

[7]Steele M，Gitelson A A，Rundquist D.Research Note:Nondestructive estimation of leaf chlorophyll content in grapes[J].American Journal of Enology and Viticulture，2008，59(3):299－305.

[8]Broge N H，Leblanc E.Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J].Remote Sensing of Environment，2001，76(2):156－172.

[9]Bannari A，Morin D，Bonn F，et al.A review of vegetation indices[J].Remote Sensing Reviews，1995，13(1/2):95－120.

[10]Peng Y，Gitelson A A.Application of chlorophyll－ related vegetation indices for remote estimation of maize productivity[J].Agricultural and Forest Meteorology，2011，151(9):1267－1276.