雙子葉植物葉片類胡蘿卜素含量高光譜反演估算

余昌樂，許童羽，b，*，王 洋，于豐華，b

(沈陽農業大學 a.信息與電氣工程學院；b.遼寧省農業信息化工程技術中心，遼寧 沈陽 110161)

類胡蘿卜素(Car)是植物進行光合作用的主要色素之一，不僅與植物的生長狀況、營養狀況息息相關，而且還具有吸收傳遞光能、保護葉綠素、延緩衰老葉片中葉綠素的快速分解等作用[1-3]；因此，快速準確地預測葉片Car含量對監測植物的健康狀況具有積極意義。利用高光譜技術對植物葉片色素等生化成分含量進行探測，相比于傳統的化學方式來說具有無損、快速、精度高等特點[4-6]。目前，針對高光譜技術使用的方法主要有統計回歸、物理模型和植被指數[7-12]，其中，植被指數形式簡單、穩定性好，在該領域研究中應用最為廣泛[13-16]。

在高光譜反演葉片Car含量方面，國內外學者進行了大量研究，提出了許多可用于檢測Car含量的光譜指數。在國外：Chappelle等[14]基于大豆葉片提出了R760/R500；Datt[15]基于桉樹葉片提出了R672/(R550×R708)；Blackburn[13]提出了色素比值植被指數(PSSRc)和歸一化植被指數(PSNDc)；Gitelson等[16]提出了Car反射指數(CRI550)和(CRI700)。在國內：唐延林等[17-18]基于玉米和水稻葉片測試，發現多種光譜植被指數與葉片葉綠素和Car含量都具有顯著相關關系；王福民等[19]基于水稻葉片在歸一化比值色素基礎上提出了新的特征波段用來估算葉片葉綠素、Car含量；楊杰等[1]基于水稻葉片提出了比值SR(723，770)和歸一化ND(770，713)；高燈州等[20]基于秋茄葉片提出了比值SR(1000，700)；武建林等[21]發現，胡楊葉片類胡蘿卜素與光譜反射率之間的相關性受到季節、葉片、光譜波長等諸多因素影響；王弘等[22]基于PROSPECT模型提出了新的Car含量估算模型RVIDNDVI，對Car含量具有較好的估算效果。這些用來估算Car含量的特征光譜指數隨植被種類在構造形式和敏感波段的選擇上均有所差異，王弘等[22]雖然構造了可用于Car含量估算的新模型，但基本上都是基于模型獲得的數據，其實際效果還須進一步驗證。本研究通過分析所選高光譜波段范圍內所有波段兩兩組合的歸一化、比值和差值光譜植被指數與雙子葉植物葉片Car含量之間的定量關系，探討葉片水平高光譜技術提取Car含量的可行性方法，進而建立Car含量的定量估算模型，以期為植被葉片Car含量的快速無損監測提供參考。

1 材料與方法

1.1 數據來源

本研究所使用的高光譜和Car數據來源于LOPEX’93數據庫，這套數據庫是歐盟聯合研究中心(Joint Research Center，European Commission)于1993年建立的，主要用于研究高光譜數據反演植被生化參數的可靠性和精度，最近一次數據庫更新是在2015年3月。整個數據庫包括了含4種裸子植物、9種單子葉植物、37種雙子葉植物在內的70余葉片樣本的高光譜與植被生化參數數據。本研究的對象是數據庫中所包含的大豆、高粱、向日葵等雙子葉植物的Car含量反演，因此，只保留LOPEX’93數據庫中雙子葉植物的Car數據，剔除裸子植物、單子葉植物，以及雙子葉植物中與Car無關的植被生化參數。在整個實驗過程中，每一個葉片樣本的高光譜數據都是通過雙光束光譜儀Perkin Elmer Lambda 19測定的，主要測定葉片的近軸面半球反射率與透射率，整個測定的高光譜數據的波長范圍為400～2 500 nm，其中，在可見光與近紅外波段(400～1 000 nm)的光譜分辨率為1 nm，在中紅外波段(1 000～2 500 nm)的光譜分辨率為4～5 nm。本研究所用的數據庫中Car的單位是μg·cm-2，對應波段的光譜數值為反射率值。

1.2 研究方法

為了構建雙子葉植物Car含量反演模型，選用最常用的植被指數，包括歸一化差值植被指數(normalized difference vegetation index，NDVI)、比值植被指數(ratio vegetation index，RVI)、差值植被指數(difference vegetation index，DVI)，詳細分析400～2 500 nm范圍內任意兩波段組合的NDVI、RVI和DVI與雙子葉植物葉片Car含量的關系，分別篩選出與3種植被指數相關性都比較好的特征波段，最后通過逐步回歸分析找到預測葉片Car含量的適宜指數模型。3種光譜植被指數的計算公式如下：

(1)

(2)

XDVI=ρNIR-ρRED。

(3)

式(1)～(3)中：XNDVI、XRVI、XDVI分別代表NDVI、RVI、DVI的數值；ρNIR表示高光譜在近紅外波段的反射值；ρRED表示在紅光波段的反射值。

數據處理和分析主要在Excel 2013、MATLAB 2016a、SPSS 22.0中完成。

1.3 模型的建立與驗證

采用一元線性回歸分析，分別選擇NDVI、RVI、DVI與Car含量進行統計分析，用判定系數(R2)來檢驗模型的擬合精度，判定系數的取值范圍為0～1，值越大說明模型的擬合效果越好。一元線性總體回歸模型如下：

y=β0+β1x+ε。

(4)

式(4)中：x代表NDVI、RVI或DVI的數值；y代表Car含量；β0為回歸常數；β1是未知數；ε為隨機擾動項。

將所得的49個樣本分成2部分：建模樣本38個，驗證樣本11個。采用模型預測精度(P-R2)、平均相對誤差(relative error，RE)和均方根誤差(root mean squared error，RMSE)3個指標來檢驗模型的精度。具體地：分別將NDVI、RVI和DVI的數值帶入到相應的回歸模型中求出相應的Car預測值，然后將預測值與實測值進行偏差度計算，最終確定相關模型的準確性。RMSE和RE值越小、P-R2的值約接近1，表示模型的預測值越接近真實值，模型的可靠性越高。上述指標的計算公式如下：

(5)

(6)

(7)

2 結果與分析

2.1 葉片Car含量的變化特征

表1顯示了本研究中建模及驗證樣本集Car含量的統計結果：變化范圍分別是3.449 8～16.568 1 μg·cm-2和6.774 9～15.191 0 μg·cm-2，變異系數分別為35.02%和26.12%，說明所選樣本在分布上具有比較好的代表性。

2.2 各植被指數最佳波段選擇和模型建立

高光譜反射率具有連續、精細的特點，可以獲取豐富的波段組合，從而增強對植被生化參數的探測能力。本研究系統分析了400～2 500 nm范圍內任意兩波段組合而成的NDVI、RVI和DVI與雙子葉植物葉片Car含量之間的關系。分析表明，NDVI、RVI和DVI與Car含量R2較高的波段主要集中在700～1 200 nm，選其作為分析區域，分別建立上述3種植被指數與Car含量的一元線性方程，獲取擬合方程的R2，這些由兩兩波段對應的R2就構成了相應的R2分布圖(圖1)，通過顏色深淺來表示數值大小，顏色越淺，表示R2越大。由圖1可知，3種植被指數與Car含量的R2分布圖大體相似，在波段750～1 150 nm和740～760 nm的組合均表現出較好的相關性。在近紅外波段809 nm和紅光波段756 nm處，NDVI(809，756)和RVI(809，756)均有最好的表現效果，R2分別為0.740和0.741。和NDVI(809，756)、RVI(809，756)的最優波段幾乎重合，在近紅外波段809 nm和紅光波段750 nm處，DVI(809，750)的表現效果最好，R2為0.795。選取上述表現效果最好的NDVI(809，756)、RVI(809，756)和DVI(809，750)分別與Car含量建立回歸預測模型(表2)，3種模型都通過了P<0.05的顯著性檢驗。

表1葉片Car含量變化

Table1Changes of carotenoid content in leaves μg·cm-2

SD， Standard deviation; CV， Coefficient of variation.

圖1 NDVI(A)、RVI(B)、DVI(C)與葉片Car含量的判定系數(R2)分布Fig.1 Distribution of decision coefficient (R2) of NDVI(A)， RVI(B)， DVI(C) with leaf carotenoid content

2.3 模型精度驗證與比較

利用LOPEX’93數據庫中預留好的驗證樣本，采用P-R2、RMSE和RE對各回歸模型的可靠性和普適性進行驗證(表3)。檢驗結果顯示，基于NDVI(809，756)和RVI(809，756)所建立的回歸模型的驗證效果相當且最好，模型的預測值和實測值的P-R2分別為0.735、0.738，RMSE分別為1.426 1、1.420 5 μg·cm-2，RE分別為13.66%、13.60%。基于NDVI(809，756)和RVI(809，756)模型的預測精度和預測誤差十分相近，這與2種植被指數構造的光譜波段、光譜信息、建模和測試數據都相同有關。基于DVI(809，750)模型的P-R2為0.817，但RMSE和RE分別為2.015 6 μg·cm-2和15.40%，總體來說，估算效果不如NDVI(809，756)和RVI(809，756)。

圖2-A～C分別顯示各植被指數與葉片Car含量之間的關系，圖2-D～F分別顯示對應指數模型Car含量的預測值和實測值之間的關系。NDVI(809，756)和RVI(809，756)所對應的擬合直線的截距分別是0.866和0.865，系數分別是0.893和0.894，而DVI(809，750)的截距和系數分別是2.464和0.688。綜合分析可以看出，基于NDVI(809，756)和RVI(809，756)所建立的回歸預測模型在驗證效果上相當，且都要好于基于DVI(809，750)建立的模型。

表2葉片Car含量(y)與不同植被指數(x)的回歸模型

Table2Regression model of leaf carotenoid content (y) and different vegetation index (x)

光譜植被指數Spectralvegetationindex回歸方程RegressionequationR2NDVI(809，756)y=703．211x+2．3350740RVI(809，756)y=344．675x-342．2840741DVI(809，750)y=548．017x+0．5020795

表3各植被指數回歸預測模型對比驗證

Table3Comparison and validation of regression prediction models for various vegetation indices

光譜植被指數SpectralvegetationindexP?R2RMSE/(μg·cm-2)RE/%NDVI(809，756)0735142611366RVI(809，756)0738142051360DVI(809，750)0817201561540

3 結論與討論

高光譜以其分辨率高、波段豐富、數據量大等特點，為植被體內單一光合色素反演提供了有效途徑[13]。植物體內的Car不僅含量普遍較低，而且生理變化相對比較復雜，導致已有的光譜預測模型對Car含量的估測精度較低。光譜植被指數可以最大化地反映植被的有效信息，且較少受到外部干擾因素的影響，構建合適的光譜植被指數已經成為高光譜獲取植被生化參數信息的重要方法[14-16]。本研究基于LOPEX’93數據庫中的高光譜和雙子葉植物葉片Car含量數據，系統分析了400～2 500 nm范圍內所有波段兩兩組合的歸一化差值植被指數(NDVI)、比值植被指數(RVI)，以及差值植被指數(DVI)與雙子葉植物葉片Car含量的定量關系。結果表明，在近紅外波段809 nm和紅光波段756 nm處NDVI(809，756)和RVI(809，756)的表現效果最好，判定系數分別達到了0.740和0.741，在近紅外波段809 nm和紅光波段750 nm處DVI(809，750)的表現效果最好，R2達到了0.795，據此建立的3個回歸預測模型都達到了顯著水平。對上述回歸預測模型進行精度驗證，發現基于NDVI(809，756)和RVI(809，756)所構建的模型的驗證效果相當，且優于基于DVI(809，750)所構建的模型，前2個模型的預測精度分別達到了0.735和0.738，RMSE分別為1.426 1和1.420 5，RE分別為13.66%和13.60%，精度較高，具有可行性。本研究說明，拓寬光譜指數的研究范圍可以提取出適用于雙子葉植物葉片Car含量監測的光譜植被指數，研究結果可為高光譜估算植物葉片Car含量提供參考。但本研究結果是基于經典數據庫數據所得，建模和驗證樣本有限，因此，所得模型的可靠性和普適性還須進一步驗證。

圖2 各植被指數回歸預測模型與驗證模型散點圖Fig.2 Scatter plots of various vegetation index regression prediction models and validation models

[1] 楊杰，田永超，姚霞. 利用高光譜參數反演水稻葉片類胡蘿卜素含量[J]. 植物生態學報，2010，34(7): 845-854.

YANG J， TIAN Y C， YAO X. Estimating leaf carotenoid content with hyperspectral parameters in rice[J].ChineseJournalofPlantEcology， 2010， 34(7): 845-854. (in Chinese with English abstract)

[2] BISWALL B. Carotenoid catabolism during leaf senescence and its control by light[J].JournalofPhotochemistryandPhotobiologyB:Biology， 1995， 30(1): 3-13.

[3] 伍維模，牛建龍，溫善菊，等. 植物色素高光譜遙感研究進展[J]. 塔里木大學學報，2009， 21(4): 61-68.

WU W M， NIU J L， WEN S J， et al. Research advances in hyperspectral remote sensing techniques in quantifying plant pigments[J].JournalofTarimUniversity， 2009， 21(4): 61-68.(in Chinese with English abstract)

[4] 馮偉，朱艷，田永超，等. 基于高光譜遙感的小麥冠層葉片色素密度監測[J]. 生態學報，2008， 28(10): 4902-4911.

FENG W， ZHU Y， TIAN Y C， et al. Monitoring canopy leaf pigment density in wheat with hyperspectral remote sensing[J].ActaEcologicaSinica， 2008， 28(10): 4902-4911. (in Chinese with English abstract)

[5] CURRAN P J. Remote sensing of foliar chemistry[J].RemoteSensingofEnvironment， 1989， 30(3): 271-278.

[6] 張國圣，許童羽，于豐華，等. 基于高光譜的水稻葉片氮素估測與反演模型[J]. 浙江農業學報，2017，29(5)：845-849.

ZHANG G S， XU T Y， YU F H， et al. Nitrogen content inversion of rice leaf based on the hyperspectral data[J].ActaAgriculturaeZhejiangensis， 2017， 29(5): 845-849. (in Chinese with English abstract)

[7] GONG P， PU R， HEALD R C. Analysis ofinsituhyperspectral data for nutrient estimation of giant sequoia[J].InternationalJournalofRemoteSensing， 2002， 23(9): 1827-1850.

[8] CHO M A， SKIDMORE A K， ATZBERGER C. Towards red-edge positions less sensitive to canopy biophysical parameters for leaf chlorophyll estimation using properties optique spectrales des feuilles (PROSPECT) and scattering by arbitrarily inclined leaves (SAILH) simulated data[J].InternationalJournalofRemoteSensing， 2008， 29(8): 2241-2255.

[9] GROSSMAN Y L， UUTIN S L， JACQUEMOUD S， et al. Critique of stepwise multiple linear regission for the extraction of leaf biochemistry information from leaf reflectance data[J].RemoteSensingofEnvironment， 1996， 56(3): 182-193.

[10] MAIN R， CHO M A， MATHIEU R， et al. An investigation into robust spectral indices for leaf chlorophyll estimation[J].ISPRSJournalofPhotogrammetryandRemoteSensing， 2011， 66(6): 751-756.

[11] FERET J B， FRANCOIS C， ASNER G P， et al. PROSPECT-4 and 5: advances in the leaf optical properties model separating photosyntheic pigments[J].RemoteSensingofEnvironment， 2008， 112(6): 3030-3043.

[12] 陳春玲，馬航，許童羽，等. 東北粳稻葉片植被指數NDVI與PRI的相關性分析[J]. 浙江農業學報，2016，28(12): 1963-1969.

CHEN C L， MA H， XU T Y， et al. Correlation analysis of leaf vegetation index NDVI and PRI of Northeastjaponicarice[J].ActaAgriculturaeZhenjiangensis， 2016， 28(12): 1963-1969. (in Chinese with English abstract)

[13] BLACKBURM G A. Quantifying chlorophylls and caroteniods at leaf and canopy scales: an evaluation of some hyperspectral approaches[J].RemoteSensingofEnvironment， 1998， 66(3): 273-285.

[14] CHAPPELLE E W， KIM M S， MC MURTREY J E. Ratio analysis of reflectance spectra RARS: an algorithm for the remote estimation of the concentrations of chlorophyll a， chlorophyll b， and carotenoids in soybean leaves[J].RemoteSensingofEnvironment， 1992， 39(3): 239-247.

[15] DATT B. A new reflectance index for remote sensing of chlorophyll content in higher plants: tests using Eucalyptus leaves[J].JournalofPlantPhysiology， 1999， 154(1): 30-36.

[16] GITELSON A A， ZUR Y， CHIVKUNOVA O B， et al. Assessing carotenoid content in plant leaves with reflectance spectroscopy[J].PhotochemistryandPhotobiology， 2002，75(3): 272-281.

[17] 唐延林，黃敬峰，王秀珍，等. 玉米葉片高光譜特征及與葉綠素、類胡蘿卜素相關性的研究[J]. 玉米科學，2008，16(2)：71-76.

TANG Y L， HUANG J F， WANG X Z， et al. Study on hyper spectral characteristics of corn leaves and their correlation to chrolophyll and carotenoid[J].JournalofMaizeSciences， 2008， 16(2): 71-76. (in Chinese with English abstract)

[18] 唐延林，王紀華，黃敬峰，等. 水稻成熟過程中高光譜與葉綠素、類胡蘿卜素的變化規律研究[J]. 農業工程學報，2003，19(6)：167-173.

TANG Y L， WANG J H， HUANG J F， et al. Variation law of hyperspectral data and chorophyll and carotenoid for rice in mature process[J].TransactionsoftheChineseSocietyofAgriculturalEngineering， 2003， 19(6): 167-173. (in Chinese with English abstract)

[19] 王福民，黃敬峰，王秀珍. 水稻葉片葉綠素、類胡蘿卜素含量估算的歸一化色素指數研究[J]. 光譜學與光譜分析，2009，29(4)：1064-1068.

WANG F M， HUANG J F， WANG X Z. Normalized difference ratio pigment index for estimating chlorophyll and carotenoid contents of in leaves of rice[J].SpectroscopyandSpectralAnalysis， 2009， 29(4) : 1064-1068. (in Chinese with English abstract)

[20] 高燈州，章文龍，陳美田，等. 秋茄類胡蘿卜素含量高光譜反演[J]. 生態學雜志，2014，33(11)：3053-3059.

GAO D Z， ZHANG W L， CHEN M T， et al. Retrieval of carotenoid contens of Kandelia candel based on hyper-spectral remote sensing data[J].ChineseJournalofEcology， 2014， 33(11): 3053-3059. (in Chinese with English abstract)

[21] 武建林，王家強，溫善菊，等. 胡楊條形葉和卵形葉片類胡蘿卜素含量與高光譜反射率的相關性研究[J]. 塔里木大學學報， 2014，26(2): 1-10.

WU J L， WANG J Q， WEN S J， et al. Correlations between carotenoids contents and hyperspectral reflectance of strip and oval leaves of populus euphratica[J].JournalofTarimUniversity， 2014， 26(2): 1-10. (in Chinese with English abstract)

[22] 王弘，施潤和，劉浦東，等. 植物光學模型估算葉片類胡蘿卜素含量的一種雙歸一化差值-比值植被指數[J]. 光譜學與光譜分析，2016，36(7)：2189-2194.

WANG H， SHI R H， LIU P D， et al. Dual NDVI ratio vegetation index: a kind of vegetation index assessing leaf carotenoid content based on leaf optical properties model[J].SpectroscopyandSpectralAnalysis， 2016， 36(7): 2189-2194. (in Chinese with English abstract)