基于高光譜數據的作物凈初級生產力估算方法

張城芳+董恒

摘要： 葉片葉綠素含量、葉片含水量、葉面積指數、光合有效輻射是影響作物凈初級生產力（NPP）的重要因素。以光能利用率模型作為基本模型，結合葉片葉綠素含量、葉面積指數和葉片含水量等生態參數反演方法，構建新的NPP高光譜遙感估算模型。在山東禹城實地觀測的小麥和玉米NPP數據基礎上，研究還將新構建的模型與NDVI、CI和MCARI等傳統葉綠素冠層模型的線性擬合結果進行比較。分析結果表明，新構建的模型在小麥、玉米2種作物NPP估算中都有著較好的表現，可以用來估算作物NPP。

關鍵詞： 高光譜；作物凈初級生產力；植被指數；光能利用率模型

中圖分類號： S127 文獻標志碼： A

文章編號：1002-1302（2017）22-0260-04

20世紀初丹麥植物學家Jensen提出了凈初級生產力（NPP）的概念，并給出了計算模式。凈初級生產力是總初級生產力除去植物呼吸所消耗的有機碳量。凈初級生產力是研究生態系統中物質和能量交換的重要參數，在全球陸地碳循環研究中有著重要的作用。

經過近80年的研究，NPP估算工作已經獲得了較大的發展，出現了很多估算模型。這些模型按照構建的機制來說，大概可以分為3類：氣候統計模型、過程模型、光能利用率模型（參數模型）。其中光能利用率模型具有模型簡單、模型精度較高、適合大區域估算等優點，近年來，衛星技術的不斷進步，基于遙感技術的生態系統生產力的估算研究獲得越來越多人的關注[1]。

光能利用率模型主要是基于植物的光合作用過程和Monteith于1972年提出的光能利用率的定義基礎建立起來的。光能利用率模型的一般表達式如下：

式中：PAR（photosynthesis active radiation）是指光合有效輻射。

太陽輻射提供了作物生長過程中光合作用所需要的能量，不是所有太陽輻射的能量都能用于綠色作物的光合作用，其中被作物吸收用于光合作用的那一部分電磁波能量（400～700 nm）就是PAR，對應的光譜波段是藍光和紅光。吸收光合有效輻射（absorbed photosynthesis active radiation，簡稱APAR）為植被冠層吸收并參與光合生物量累積的光合有效輻射部分。

光合有效輻射吸收比例（fraction of absorbed photosynthesis active radiation，簡稱FPAR）是植被冠層對接收的所有PAR的吸收比例，它表征了植被冠層的能量吸收能力，是描述植被結構以及與之相關的物質與能量交換過程的基本生理變量。

ε指光能利用率，也經常用LUE表示。它是綠色植物通過光合作用將所截獲或者吸收的能量轉化為有機干物質的能力，是反映植物固定太陽能效率的指標。ε與眾多影響因素相關，如植被類型、水分、溫度、營養狀況、土壤等。如何確定光能利用率已成為提高用光能利用率模型估算NPP精度的重要研究內容。

光能利用率的遙感確定方法總的來說可以分為3類：

（1）光能利用率確定為常數。該類方法針對不同的植被類型給予特定的常數并構建查找表[2]。這種方法將一類作物的光能利用率都設置為常數，忽略了LUE對于時空分布的差異性，對于NPP的遙感估算會造成比較大的誤差。（2）最大光能利用率-環境因素綜合方法。綜合考慮影響NPP變化的環境因素（溫度、水分、CO2等）和作物本身的品種特性（最大光能利用率），以相乘的方式構建NPP遙感估算模型。CASA、VPM、EC-LUE是這類模型的代表[3-5]。該類模型的光能利用率精度較低，限制了基于光能利用率生產力模型的發展[6]。（3）遙感估算法。為了解決上述問題，研究者開始考慮利用遙感直接進行估算光能利用率方法的研究，這其中代表性的有PRI和日光誘導葉綠素熒光估算等方法[7-8]。

本研究綜合最大光能利用率-環境綜合法和遙感估算法，在冠層葉綠素含量NPP估算模型的基礎上，結合葉片含水量植被指數，改進了光能利用率估算方法，提出了新的NPP光能用率模型。

1 模型類型

1.1 基于冠層葉綠素含量的NPP估算模型

葉片葉綠素含量是衡量單個葉片進行光合作用能力的重要指標，葉面積指數是描述作物冠層結構的重要參數，將二者結合得到的冠層葉綠素含量則是衡量作物冠層進行光合作用潛力的重要生態參數。NPP是衡量作物群體轉化有機物能力的重要參數，所以與冠層葉綠素含量具有較高相關性，Gitelson等指出，冠層葉綠素含量和PAR是GPP/NPP的主要影響因素[9]。近年來，利用葉綠素植被指數對GPP/NPP進行估算的研究變得越來越多，眾多研究表明，基于冠層葉綠素含量建立起來的植被指數反演模型是十分有效的[9-10]。模型的基本公式如下：

式中：a和b為常數項；VICh-Canopy為反演冠層葉綠素含量的植被指數；VICh-leaf為反演葉片葉綠素含量的植被指數，代表葉片葉綠素含量的影響；VILAI為反演葉面積指數的植被指數。

結合冠層葉綠素含量模型基本形式，董恒等提出，利用 M-MTCI和MSAVI來反演葉片葉綠素含量和葉面積指數構建新的冠層葉綠素含量模型，并取得了不錯的試驗結果[11-12]。

1.2 改進的冠層葉綠素含量模型

葉片水分是影響作物進行光合作用的重要因素。首先，水分是光合作用的重要原料之一；其次，葉片水分含量的變化也影響葉綠體水分含量，進而影響葉綠體的結構；另外，葉片水分含量影響氣孔的開合，從而影響二氧化碳從大氣進入葉片內部的過程。因此，葉片含水量對于作物光合作用速率具有不可忽略的影響。

然而，傳統的基于冠層葉綠素含量估算NPP的模型對于葉片水分影響考慮不足，模型中不能反映葉片含水量對于光合作用的影響。為了彌補這一缺失，本研究在傳統的冠層葉綠素含量模型基礎上，考慮葉片含水量的影響，在董恒等提出的模型[11-12]的基礎上，構建了新的NPP估算模型，其基本形式見以下公式：endprint

2 材料與方法

試驗區選擇在中國科學院地理科學與資源研究所禹城農業綜合試驗站水氮-作物關系耦合試驗場。該試驗場共設有32個試驗小區，小區面積50 m2，1 m深的水泥池，用以控制小區的氮素和水分條件。研究采用的作物類型有小麥、玉米。不同作物類型采用不同的氮素和水分處理條件。

2.1 小麥試驗方案

2.1.1 試驗設計

按根據整個生育期施氮量的不同分為0、70、140、210、280 kg N/hm2等5個等級。同時小區根據供水量的不同分為60%、80%田間持水量2個級別。整個試驗場總共有10個處理梯度，保證每個控制級別至少有3個重復。

2.1.2 測定與分析 在該試驗場觀測的數據包括小麥冠層光譜、葉片葉綠素含量、葉片氮素含量、葉片含水量、葉面積指數和生物量等生態參數。觀測從返青期（2011年3月27日）開始，成熟期結束（2011年5月25日），觀測周期為7～10 d。

凈初級生產力數據采用生物量測定的方法獲取。PAR根據公式PAR=Rg×0.45計算得到，式中：Rg代表太陽總輻射，數據來源于中國氣象科學數據共享服務網，研究使用了2011年3—6月山東濟南站的太陽總輻射數據。

2.2 玉米試驗方案

由于不同作物類型進行光合作用存在較大的差異，研究還在實測的夏玉米數據基礎上對模型進行了評價。

2.2.1 試驗設計

根據整個生育期施氮量的不同分為0、60、120、180、240 kg/hm2等5個等級。同時小區根據作物種植密度的不同被分為高密度67 500株/hm2、低密度 52 500株/hm2 2個級別，整個試驗場總共有10個處理梯度，可以保證每個控制級別至少有3個重復。由于山東禹城夏天雨水較多，試驗沒有對玉米的供水進行控制。

2.2.2 測定與分析 玉米試驗觀測的數據包括冠層光譜、葉片葉綠素含量、葉片氮素含量、葉片含水量、葉面積指數和生物量等生態參數。觀測從返青期（2011年7月20日）開始，成熟期結束（2011年10月1日）。由于玉米生長較快，試驗觀測周期為3～4 d。

NPP數據和PAR數據獲取的方法與小麥試驗中采取的方法是一致的。其中研究使用的太陽總輻射數據是從中國氣象科學數據共享服務網下載得到的2011年7—9月山東濟南站觀測的數據。

3 結果與分析

為了評價模型估算NPP的可靠性，本研究利用地面實測冠層光譜數據和同步測量的NPP數據，用最小二乘方法，線性擬合獲得VI（ch-leaf）×PAR與NPP的關系。由于估算模型為線性關系“公式（6）”，因此實測參數之間若能顯著地呈現線性關系，那么可以從一定程度上認為該模型是可靠的。

為了更好地評價改進模型估算NPP的效果，除了與研究構建的基于冠層葉綠素模型建立的方法進行了比較，還選取了其他3種基于傳統的冠層葉綠素含量模型建立起來的估算方法進行了對比，具體操作就是將反演冠層葉綠素含量信息的植被指數設為NDVI、CI、MCARI（表1），這些方法已經被證明是進行GPP/NPP估算較好的方法[10]。

3.1 小麥試驗

基于小麥實地觀測到的數據，利用表1所列的植被指數，對本研究提出的NPP估算方法進行了對比分析，分析結果見圖1。

從圖1可以看出，基于傳統的冠層葉綠素模型構建起來的方法，冠層葉綠素含量植被指數（NDVI、CI、MCARI）與PAR的乘積與NPP之間都呈現了良好的線性關系，線性擬合精度都較高（r2>0.69），且都通過了顯著性檢驗，本結果與前人的研究結論[9-10]是一致的。對比3種植被指數，本研究所構建的M-MTCI×MSAVI×PAR與NPP之間的線性擬合精度則是最高的，r2達到了0.809 1，所以這種以葉片葉綠素含量植被指數與葉面積指數植被指數組合的方式還是較好地對冠層葉綠素含量信息進行了提取，本結果為以后提取冠層葉綠素含量提供了一個新的途徑，同時也為基于冠層葉綠素含量模型估算NPP提供了一種新方法。

圖1-e為M-MTCI×TWI×PAR與NPP的線性擬合關系。與傳統的冠層葉綠素含量估算模型相比，改進后的NPP模型，圖形的散點更加密集，植被指數與實測的NPP之間呈現更加良好的線性關系，模型的擬合精度可以達到0.85以上。可見改進的冠層葉綠素含量NPP估算方法與改進之前的方法相比更加適于估算NPP。

3.2 玉米試驗

基于玉米實地觀測的數據，利用植被指數對本研究提出的NPP估算方法進行了對比分析，分析結果見圖2。

基于各種植被指數構建起來的方法與實測的NPP之間的相關關系見圖2，可以看出，這些植被指數與PAR的乘積和NPP之間還是呈現了比較好的關系，線性模型的擬合精度都在0.5以上，其中表示的M-MTCI×MSAVI×PAR與NPP的相關性最好（圖2-d），線性模型的擬合精度達0.75以上。不過相對于小麥來說，這些方法應用效果有了一定的降低，分析認為，這與玉米成長速度快有很大關系。由于玉米生長較快，使得很多植被指數在作物生長期內很長一段時間出現飽和效應問題，圖2-a表現的NDVI的結果最為明顯。而改進的冠層葉綠素含量模型表現不如M-MTCI×MSAVI×PAR，也與TWI指數存在的飽和性問題有一定的關系，由于2011年7—9月雨水較多以及玉米本身耐干旱的生長特性，使得觀測的玉米葉片含水量數據沒有較大的差異，這2個問題的存在使得模型不確定性加大，最終導致模型擬合精度下降。

綜合研究結果可以看出，對于小麥，綜合考慮葉綠素和葉片含水量影響的改進冠層葉綠素含量模型M-MTCI×TWI×PAR是研究對比方法中最適合估算作物NPP的；而對于玉米，最適合的估算方法是基于冠層葉綠素含量模型構建起來的M-MTCI×MSAVI×PAR。endprint

4 結論與討論

根據光能利用率理論，利用葉綠素植被指數、葉面積植被指數和葉片含水量植被指數描述葉綠素含量等內在因素對光能利用率的影響，構建了新的估算NPP的模型。由于冠層葉綠素含量、光合有效輻射和葉片含水量都是影響作物光合作用強度的重要因素，而且這些參數與光合作用強度呈正相關。該模型從作物生理學角度來說是有理論依據的。

但是該估算模型也存在一些問題，并需要在以后的研究中加以改進。（1）葉綠素、葉面積指數等信息提取精度問題。本研究是利用一些植被指數反演葉片葉綠素和葉面積指數，雖然植被指數是建立在輻射傳輸模型的基礎上， 有一定的物

理機制，不過與物理模型相比在物理意義上還是存在一定的差距。同時，由于該模型僅采用單個觀測角度的信息，也造成模型精度方面的一定限制。而且幾個指數進行乘積運算也可能造成誤差的傳遞和放大。所以，尋找更好的反演葉綠素含量和葉面積指數的方法是以后研究的重要內容之一。（2）改進的葉綠素冠層模型在原有模型的基礎上考慮了作物含水量的因素，使模型在考慮因素的全面性方面都有了提高，不過在精度方面針對不同的作物類型還是存在一定的差異。從光合作用的過程明確光合作用還受到如氣溫、CO2含量、作物類型等其他因素的影響，而在本模型中都沒有得到體現，如何在模型中加入這些因素的影響，提出一個對所有作物都比較合適的模型是以后改進的重要方向。（3）本研究使用的光合有效輻射數據還是基于氣象觀測得到的，若想獲得區域高精度的光合有效輻射數據，現有的氣象觀測站點顯得不足，所以為了將模型應用于大區域尺度上，高精度大區域尺度的光合有效輻射數據極為重要。遙感作為現在獲取大區域數據的重要手段，是解決這個問題的重要途徑，目前，很多學者也在從事利用遙感反演光合有效輻射的研究工作。雖然部分產品已經面世，但離真正的實用化還有些距離。如果可以將這一難題攻克，那么基于全遙感數據的NPP反演也就變得可能，未來NPP的估算也將變得越來越方便和準確。（4）由于觀測條件的限制，模型只是利用在禹城試驗區實測得到的1年的小麥和玉米相關觀測數據對模型進行了評價，需要更多的驗證數據（不同的氣候條件、不同的作物類型、不同尺度的遙感數據）對模型進行進一步的完善和評價。

參考文獻：

[1] 崔 霞，馮琦勝，梁天剛. 基于遙感技術的植被凈初級生產力研究進展[J]. 草業科學，2007，24（10）：36-42.

[2]Heinsch F A，Zhao M S，Running S W，et al. Evaluation of remote sensing based terrestrial productivity from MODIS using regional Tower eddy flux network observations[J]. Geoscience and Remote Sensing，2006，44（7）：1908-1925.

[3]Werf G R V D，Randerson J T，Collatz G J，et al. Carbon emissions from fires in tropical and subtropical ecosystems[J]. Global Change Biology，2003，9（4）：547-562.

[4]Xiao X M，Hollinger D，Aber J，et al. Satellite-based modeling of gross primary production in an evergreen needleleaf forest[J]. Remote Sensing of Environment，2004，89（4）：519-534.

[5]Yuan W P，Liu S G，Zhou G S，et al. Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes[J]. Agricultural and Forest Meteorology，2007，143（3/4）：189-207.

[6]程占慧，劉良云. 基于葉綠素熒光發射光譜的光能利用率探測[J]. 農業工程學報，2010，26（增刊2）：74-80.

[7]Meroni M，Rossini M，Picchi V，et al. Assessing steady-state fluorescence and PRI from hyperspectral proximal sensing as early indicators of plant stress：the case of ozone exposure[J]. Sensors，2008，8（3）：1740-1754.

[8]Liu L Y，Zhang Y J，Jiao Q J，et al. Assessing photosynthetic light-use efficiency using a solar-induced chlorophyll fluorescence and photochemical reflectance index[J]. International Journal of Remote Sensing，2013，34（12）：4264-4280.

[9]Gitelson A A，Via A，Verma S B，et al. Relationship between gross primary production and chlorophyll content in crops：implications for the synoptic monitoring of vegetation productivity[J]. Journal of Geophysical Research Atmospheres，2006，111（D8）：854-871.

[10] Wu C Y，Niu Z，Tang Q，et al. Remote estimation of gross primary production in wheat using chlorophyll-related vegetation indices [J]. Agricultural and Forest Meteorology，2009，149（6/7）：1015-1021.

[11]董 恒，孟慶野，王金梁，等. 一種改進的葉綠素提取植被指數[J]. 紅外與毫米波學報，2012，31（4）：336-341.

[12]董 恒. 作物長勢參數遙感監測與反演研究[D]. 北京：北京大學，2013.endprint