利用反射率光譜估算植被干物質氮含量

孫華，孫林，朱金山，姚延娟

（1.山東科技大學，山東青島266590；2.環境保護部衛星環境應用中心，北京100094）

利用反射率光譜估算植被干物質氮含量

孫華1，孫林1，朱金山1，姚延娟2

（1.山東科技大學，山東青島266590；2.環境保護部衛星環境應用中心，北京100094）

為了排除植被含水量對氮素總含量的可能性干擾，以及用葉綠素含量來估算氮含量時忽略葉綠體外氮素影響的問題，提出了利用植被干物質來估算植被氮含量的算法。以Lopex’93數據庫為數據來源，擬合構建了植被干物質氮素含量（%）與光譜反射率之間的模型關系，并與鮮植被進行對比分析，又利用光譜反射率的4種變化形式（一階導數、二階導數、倒數的對數和倒數的導數）來驗證分析。結果表明，由差值植被指數DVI（R760－R1520）擬合的復合模型Y＝17.787×241.456x和指數模型Y＝17.787×e5.487x對植被干物質氮含量具有較好的估算精度，其擬合值和真實值的相關系數R2＝0.901。而用鮮植被擬合的模型精度明顯低于干物質模型，經過反射率4種參數的驗證，也說明了由DVI構建的干物質氮含量估算模型可以得到較好的結果。

植被干物質；氮含量；反射率光譜；擬合模型；Prospect－Sailh模型

0 引 言

氮素是植被生長發育過程中重要的營養元素之一，也是影響植被生長環境質量的因素之一［1］。從植被個體上來看，其氮素含量的多少直接影響到植被的長勢；從區域環境整體上來看，植被氮素含量與相應組分的吸收量息息相關，故而間接影響著環境中氮元素的含量。所以研究植被的氮素含量無論是對植被個體而言，還是對環境整體而言，都具有重要的意義。由于傳統測量氮素的方法［2］往往存在耗時、費力，有破壞性，時效性差，難以推廣應用等問題，故將遙感手段運用到植被生化組分測量中，就顯現出了其必要性和優越性。就植被而言，其生理特征決定了對光的吸收、透射和反射的變化，并且植被的生理特征又能相應地反映它的生長情況。自20世紀70年代以來，有關科學家進行了大量的基礎研究，來尋找植被的生化參數與光譜參數之間的關系。

在遙感應用領域，植被指數是廣泛用來定性和定量評價植被各項指標及其生長活力的重要手段［3］。基于不同氮素水平或不同植被類型的若干田間試驗，田永超等［4］發現了對水稻葉層氮濃度具有較好預測性的藍光氮指數［R434／（R496＋R401）］。通過分析植被光譜曲線不難看出，綠色植物在680nm～740nm之間會出現反射率增高最快的點，稱為紅邊位置，而且紅邊位置的移動恰恰是描述植物各種生化組分含量狀態的重要參考指標［5－7］，梁守真等［8］以LOPEX’93數據集為依據，研究并分析了葉片生化組分和紅邊移動的關系。在研究綠色植物生化組分時發現，氮素總含量的75%幾乎都包含在葉綠體中，故而葉片中氮素濃度和葉綠素濃度之間存在較強的相關性［9］。王磊等［10］利用不同氮肥水平對植被葉綠素特性的影響［11］，研究發現了玉米氮素光譜診斷的敏感時期和葉片全氮含量與葉綠素含量的最大相關時期。

然而對于非綠色植被無法采用提取葉綠素的方法，葉綠體之外也會有氮素的存在，所以利用葉綠素來得到植被氮含量并不十分準確；而且大多數氮提取方法都是烘干稱重獲得，若直接與鮮植被光譜結合研究，就無法確定植被中的水分是否會對其造成影響；若再將干、鮮植被光譜曲線的不同考慮在內，利用紅邊位置來判斷氮含量也顯得不夠嚴謹。基于以上原因，為了避免葉綠體之外氮素的影響以及植被含水量的干擾，本文應用LOPEX’93（Leaf Optical Properties Experiment）數據集，以多種植被的干物質作為研究對象，脫離紅邊位置的光譜波段局限，分別應用多個波段的光譜反射率及其變化形式和植被指數，并借助統計回歸方法，分析了植被干物質與其光譜參數的相關關系，再與相同條件下的鮮植被進行了對比分析，其結果既可以用于正常植被葉片、冠層生化參數反演的參考，也能夠排除反演中的不確定因素，有助于提高反演的準確性，還為研究植被氮素等生化組分提出了研究和參考的新對象。

1 數據源和分析

LOPEX’93數據集是1993年在意大利伊斯普拉的聯合研究中心（JRC）開展的結合植物（莖葉、針葉樹針等）元素可見光／紅外光譜與物理測量和生化分析的實驗數據集［12］。實驗研究對象包含采自于50多種木本植物和草本植物（4種裸子植物，9種單子葉植物和37種雙子葉植物）的約70個樣本，分析的生化成分有木質素、蛋白質（氮）、纖維素、淀粉、葉綠素和類胡蘿卜素等。實驗測量了新鮮、干燥植被樣本各種成分在不同光學厚度（疊葉＋針或粉末）下高分辨率可見光和近紅外的反射率和透射率光譜。

基于LOPEX’93數據集提供的數據，以及一些常見的經驗指標，本文的研究利用了較為成熟的Prospect、Sailh模型來分析植被氮素的敏感波段。其中，Prospect模型的輸出結果即是Sailh模型的輸入結果，所以在實際分析中，可以將兩個模型結合運用。Prospect模型是由Plate模型［13］引伸而來，Plate模型將葉片看作半透明的有均勻粗糙表面的各向同性吸收平板，并假定光線是各向同性平行的［14］。而Prospect模型把Plate模型擴展到非致密葉片，將葉片看作有N層致密層和N－1空氣隔層，并用入射立體角代替Plate模型中假設為各向同性平行光的入射光線，模擬了葉片半球反射率和透射率（圖1）。

圖1 Prospect模型原理

Prospect模型的輸入參數有為定義立體角Ω的最大入射角α、相對折射指數n、透射系數τ和葉片結構參數N［15］，輸出結果為葉片的反射率R和透射率T。其中，α取決于反射表面的幾何性質，可依據經驗選取最優值，n可由公式擬合或是模擬得到近似值，τ和吸收系數緊密相關，經半球空間積分獲得，受到N的影響，且由植物生化組分濃度和相應的吸收系數決定。

植被輻射傳輸模型的典型代表是Sail模型［16］，而與Sail模型具有一致假設條件的Sailh模型，既考慮了多次散射作用，也將冠層的熱點效應考慮在內，用來模擬冠層的二向反射率。Sailh模型中假設冠層結構是水平均勻的介質，且單一的冠層結構可忽略不計［17］，其輸入參數有葉片反射率和透過率，葉面積指數LAI，平均葉傾角ALA（tl），土壤反射率以及太陽輻射的散射分量（skyl）。其中，葉片反射率和透過率即為Prospect模型的輸出結果，太陽輻射的散射分量可以通過水平能見度（vis）計算，光線入射和觀測的幾何關系可以通過太陽天頂角（theta＿s）、太陽方位角（theta＿v）和觀測方位角（phi＿v）來描述，截徑與株高比通過參數sl來描述。Sailh模型的輸出結果就是冠層的反射率和透過率。

2 結果與討論

2.1 確定植被氮素敏感波段和擬合指數

為了能更準確地找到植被氮素的含量和光譜反射率的關系，基于單一變量的原則，直接由植被反射率波譜找出與氮含量相關度較高的波段，再通過相關系數的確定進一步找到植被的氮素敏感波段。這里考慮了三種生化組分：葉綠素含量cab、水分含量cw和干物質含量（粗蛋白含量、木質素、纖維素）cm，通過Prospect模型與Sailh模型相結合輸出得到不同含氮量植被的反射率曲線。對同種作物在不同氮含量水平的反射率光譜進行對比分析（圖2），可以明顯地看到光譜曲線的差異，從中找出隨著氮素含量增加而成遞增或遞減趨勢的波譜范圍，即植被氮素的敏感波段所在的范圍。

圖2 同種植物不同氮含量的波譜曲線

圖2 所示的反射率曲線對不同氮含量植物表現出了較好的規律性［18］，結果分析得到了可作為植被氮素敏感波段的3個區間范圍，分別是720nm～760nm、1450nm～1600nm、1700nm～2050nm。由于光譜分辨率低于10nm就幾乎不會提供有效的附加信息，故而將上述區間以10nm為間隔，共劃分為57個單波段。圖3列出了各波段與氮含量的相關性，從結果中可以看出，所選區間的大多數波段與氮含量是相關的，但是最高的相關性仍低于0.7，可能的原因是所選區間雖然正確，但是單波段反射率與植被氮素含量之間的直接關系并不明顯，所以為了獲得與氮含量相關性更高的參數，采用了不同波段組合的植被指數與之相比較。

圖3 單波段反射率與氮含量相關性

對以上57個波段計算其任意波段間的差值和比值，得到了3192個差值和比值結果，再次分析差值和比值結果與氮含量的相關性。從圖3的結果發現單波段反射率與氮素含量相關性高低分布在各個波段區間內較為集中，鄰近波段的相關系數差異較小，說明在各區間內相鄰波段反應的植被信息相同或相似，所以在計算差值和比值植被指數時，也會出現相關系數分布集中處的波段組合較為相近，甚至會由于波段跨度過小使得在計算植被指數時抵消了可能存在的某些植被信息。綜合考慮了相關系數和波段組合等因素，為避免相近波段組合植被指數所含信息有限，且有可能受到同樣外界因素干擾的局限性，對植被指數與氮素含量相關性結果進行了條件性篩選，并沒有選擇相關性最高的波段組合，而是選擇了相關系數較高，且具有一定波段跨度的波段組合，即由760nm和1520nm組合的比值植被指數和差值植被指數。

2.2 擬合回歸關系

以反射率植被指數作為自變量，植被干物質氮素含量（%）作為因變量，來建立回歸關系。為了避免不確定因素的干擾并確保擬合結果的有效性，在擬合中選取了7種常見模型模型（表1），分別確定出各模型中的未知系數和擬合精度，通過比較，選出其中精度最高的結果，即為最佳擬合模型。表2所示為760nm和1520nm組合成的比值和差值植被指數與氮含量的7種模型的擬合結果，從表中可以看出比值植被指數擬合的立方模型和差值植被指數擬合的二次型、立方、復合、指數模型均具有較高的精度，可以用來估算植被氮素含量。其中，由DVI擬合的復合模型和指數模型可以得到較好的擬合結果。

2.3 結果驗證

利用上文中得到的擬合模型，對30組比值和差值植被指數估算其對應的氮素含量，并將各組得到的估算值和真實值進行對比分析，從表3所示的結果中，可以看出DVI擬合的復合模型和指數模型具有十分相近的估算結果，同時也是估算效果最好的模型。經驗證后發現，其擬合值與真實值具有良好的線性關系，并且在截距為零時的斜率最接近1。綜合以上結論，可知，估算植被干物質氮素含量的最佳模型是以DVI（R760－R1520）為自變量的復合型模型和指數型模型，其估算結果與真實值的線性相關度可以達到0.9以上。

表2 RVI（R760／R1520）和DVI（R760－R1520）的擬合結果

表3 結果驗證

2.4 鮮植被擬合結果

前文通過植被干物質光譜反射率和氮含量的關系，模擬了最佳的適用模型，用來估算植被干物質氮含量，所得結果的精度在可接受范圍內。而為了探索實驗室獲取氮含量是否也能很好地適用于正常植被，下面基于同樣的理論方法，進一步模擬鮮植被氮含量來進行比較分析。由于LOPEX’93數據庫直接提供的是干物質的氮含量，所以在與鮮植被反射率進行相關研究之前，需要先將干物質氮含量轉換成鮮植被氮含量。然后對鮮植被光譜反射率的波段進行判斷，再次篩選出與鮮植被氮含量相關的敏感波段。植被的氮素，多數以化合態存在于葉綠素和蛋白質當中，鮮植被的氮含量較小，在初步確定氮敏感區域時，應該適當地擴大范圍。而在進一步判斷敏感波段時，則利用了Prospect－Sailh模型，將模型中的葉綠素含量和干物質含量（蛋白質包含其中）分別作為變量，通過反射率曲線的變化區間來確定敏感波段（圖4）。

圖4 明顯的氮素浮動區間

根據以上的篩選結果，將敏感區間以10nm為間隔，共得到46個敏感波段。然后計算這46個波段任意兩波段的比值和差值，再分析得到的2070個結果與氮含量的相關性，再次綜合考慮相關系數和波段組合等因素，最終選擇了相關性較高的22個比值植被指數和27個差值植被指數來與氮含量進行7種模型的擬合。結果顯示，所選的差值和比值植被指數與氮含量擬合的結果中精度最高的分別達到0.314和0.335，從數據上可以明顯看出氮含量與鮮植被光譜反射率的擬合結果精度不高，與干物質模擬結果存在明顯的差距。可見，利用鮮植被反射率波段組合的植被指數來估算氮含量的研究還有待進一步深思。雖然僅僅通過以上結果還不能確定導致干、鮮植被估算結果差異的原因是水分的存在或是植被中氮素含量過低而產生的誤差，但是可以肯定的是直接模擬干物質氮含量與正常鮮植被反射率間關系的方法是存在較大誤差的。

2.5 反射率變化形式擬合結果

為了進一步驗證上文植被干物質反射率差值與氮含量的擬合結果，這里還用了反射率的各種變化形式與干物質植被氮含量進行擬合，將其結果與DVI擬合結果相對比來說明上文結果的有效性。反射率的變化形式主要包括反射率導數光譜、連續統去除光譜、波段深度和反射率倒數的對數等［19］，這里選用的參數是反射率的一階導數、二階導數，以及反射率倒數的對數和倒數的導數。

擬合過程中，先分別計算出所選敏感波段反射率的4個參數（一階導數、二階導數、倒數的對數和倒數的導數），然后再分析各項參數與氮含量的相關性，從中選取相關性最高的結果，將其與氮含量分別進行7種模型的擬合，從而找到相關性最高波段光譜參數的最佳擬合模型。表4列出了反射率4個參數與氮含量擬合結果中精度最高的擬合模型，結果顯示，反射率的各項參數在與干物質植被氮含量的擬合中也有較好的精度，可以用來估算氮含量，但是其精度仍然低于DVI（R760－R1520）與氮含量所擬合的模型。

表4 反射率參數與氮含量擬合結果

3 結束語

植被的氮素含量與植被光譜信息存在著一定的相關性，通過植被的光譜來研究植被氮含量是運用遙感手段來獲取植被生化組分的有效方法。本文的研究中，首先擬合了植被干物質和光譜反射率的關系，又與鮮植被的擬合結果進行了對比，再用光譜放射率的各種參數對干物質擬合結果的精度進行了驗證，所得結論如下：

①通過植被指數與氮含量的模型擬合，找到了估算植被干物質氮含量的較好模型，即以DVI（R760－R1520）擬合的復合模型Y＝17.787× 241.456x和指數模型Y＝17.787×e5.487x，其擬合精度R2＝0.673，模型驗證結果中擬合值與真實值的線性相關性在0.9以上。該結論既可以作為研究植被干物質生化組分的參考，也可以作為研究正常植被氮素含量的基礎，具有一定的研究價值。

②采用同種方法擬合鮮植被氮含量與反射率差值、比值，其擬合模型結果的最高精度R2＝0.335，明顯低于植被干物質的擬合結果，這可以說明實驗室獲取的植被氮素含量與鮮植被光譜反射率直接擬合存在一定的誤差，而且誤差可能來源于植被中存在的水分。

③利用反射率的4種變化形式（一階導數、二階導數、反射率倒數的對數和倒數的導數）來與植被干物質氮含量擬合，結果中反射率一階導數具有最高的擬合精度R2＝0.601，其它參數的最高精度也都在0.5以上，但是仍然低于DVI（R760－R1520）擬合的結果，進一步論證了本文中擬合結果的可信度和有效性。

［1］ 朱曉鈴，黃正清，高建陽，等.琯溪蜜柚葉片氮濃度高光譜遙感監測初探［J］.國土資源遙感，2007，（2）：71－74.

［2］ 朱哲燕，鮑一丹，黃敏，等.油菜葉綠素與氮含量關系的試驗研究［J］.浙江大學學報，2006，32（2）：152－154.

［3］ 田慶永，閔祥軍.植被指數研究進展［J］.地球科學進展，1998，13（4）：327－333.

［4］ 田永超，楊杰，姚霞，等.估測水稻葉層氮濃度的新型藍光氮指數［J］.應用生態學報，2010，21（4）：966－972.

［5］ JU C H，TIAN Y C，YAO X，et al.Estimating leaf chlorophyll content using red edge parameters［J］.Pedosphere，2010，20（5）：633－644.

［6］ LIU S H，LIU X H，HOU J，et al.Study on the spectral response of Brassica Campestris L.Leaf to the copper pollution［J］.Science in China Series E：Technological Sciences，2008，51（2）：202－208.

［7］ ZHAO C J，HUANG W J，WANG J H，et al.The red edge parameters of different wheat varieties under different fertilizationand irrigation treatments［J］.Agrieultural Scieneesin China，2002，1（7）：745－751.

［8］ 梁守真，施平，馬萬棟，等.植被葉片光譜及紅邊特征與葉片生化組分關系的分析［J］.中國生態農業學報，2010，18（4）：804－809.

［9］ 王莉雯，衛亞星.植被氮素濃度高光譜遙感反演研究進展［J］.光譜學與光譜分析，2013，33（10）：2823－2827.

［10］ 王磊，白由路.不同氮處理春玉米葉片光譜反射率與葉片全氮和葉綠素含量的相關研究［J］.中國農業科學，2005，38（11）：2268－2276.

［11］ LONG J R，MA G H，WAN Y Z，et al.Effects of nitrogen fertilizer level on chlorophyll fluorescence characteristics in flag leaf of super hybrid rice at late growth stage［J］.Rice Science，2013，20（3）：220－228.

［12］ HOSGOOD B，JACQUEMOUD S，ANDREOLI G，et al.Leaf optical properties experiment 93（LOPEX93）［R］.European Commission，Institute for Remote Sensing Applications，1994.

［13］ 陸成，陳圣波，劉萬崧.葉片輻射傳輸模型PROSPECT理論研究［J］.世界地質，2013，32（1）：177－188.

［14］ JACQUEMOUD S，BARET F.PROSPECT：A model of leaf optical properties spectra［J］.Remote Sens.Environ，1990，34：75－91.

［15］ 顏春燕.遙感提取植被生化組分信息方法與模型研究［D］.北京：中國科學院遙感應用研究所，2003.

［16］ 梁守真，施平，周迪.基于SAILH模型的植被冠層NDVI二向性分析［J］.遙感信息，2011，26（1）：22－26，86.

［17］ VERHOEF W.Light scattering by leaf layers with application to canopy reflectance modeling：The SAIL model［J］.Remote Sensing of Environment，1984，16：125－141.

［18］ 王人潮，陳銘臻，蔣亨顯.水稻遙感估產的農學機理研究：不同氮素水平的水稻光譜特征及其敏感波段的選擇［J］.浙江農業大學學報，1993，19（增刊）：7－14.

［19］ 孫林，程麗娟.植被生化組分光譜模型抗土壤背景的能力［J］.生態學報，2011，31（6）：1641－1652.

Estimation of Vegetation Dry Matter Nitrogen Content with Reflectivity Spectrum

SUN Hua1，SUN Lin1，ZHU Jin－shan1，YAO Yan－juan2
（1.Shandong University of Science and Technology，Qingdao 266590；2.Satellite Environment Center，Ministry of Environmental Protection，Beijing100094）

Taking Lopex’93database as the data source，fit and construct the relationship model between the nitrogen content（%）of vegetation dry matter and the spectral reflectance.It verifies the analysis by comparing with fresh vegetation and using the four change forms of the spectral reflectance（first derivative，second derivative，the logarithm of reciprocal and the derivative of reciprocal）.Results show that the composite model Y＝17.787×241.456xand exponential model Y＝17.787× e5.487xconstructing by difference vegetation index DVI（R760－R1520）have better estimation precision to nitrogen content of vegetation dry matter and the correlation coefficient between fitted value and real value is R2＝0.901.The accuracy of fresh vegetation fitting model is obviously lower than the dry matter model，and the estimated model which is constructed by DVI and dry matter can get good results through the validation of the four parameters of reflectivity.

vegetable dry matter；nitrogen content；reflectivity spectrum；fitting model；Prospect－Sailh model

10.3969／j.issn.1000－3177.2015.04.013

TP79

A

1000－3177（2015）140－0075－06

2014－06－06

2014－08－10

國家自然科學基金項目（NSFC41271349）；國家“十二五”科技支撐計劃項目（2012BAH27B00）；新疆及周邊區域遙感動態監測與應急管理系統下課題（2012BAH27B04）。

孫華（1987—），女，碩士研究生，研究方向為海洋遙感、定量遙感。

E－mail：yexun1127＠126.com