基于熒光輻射傳輸模型的葉綠素含量熒光遙感估算方法研究

摘 要：葉綠素作為植物光合作用的主體，在監測植被生長狀態，評估固碳能力方面發揮著巨大的作用。遙感技術作為一種高效低成本的對地觀測技術，能夠通過葉片反射光譜特征實現葉綠素含量（chlorophyll content，Cab，含量為面密度）的估算。然而，葉片光譜會受到葉片含水量、葉細胞結構等影響，從而降低遙感估算Cab的精度。而日光誘導葉綠素熒光（solar-inducedchlorophyll fluorescence，SIF）遙感是直接探測葉綠素激發熒光信息，其變化特征與Cab直接相關，在Cab估算中有巨大的潛力。為此，以熒光輻射傳輸模型（soil canopy observation，photo-chemistry and energy fluxes，SCOPE）為工具，通過敏感性分析確定Cab 熒光敏感波段，并建立基于熒光光譜的Cab估算模型，最后利用實測數據驗證模型的魯棒性。研究結果表明，700、730 nm分別為葉綠素高、低敏感波段（SIF700、SIF730），760 nm為葉綠素高相關性波段（SIF760），以此3波段建立基于熒光比值的Cab估算模型，其中，以SIF760 與SIF700 的熒光比值建模精度最優，決定系數R2 為0. 998 1，均方根誤差（root mean square error，RMSE）為0. 043 5 μg/cm2。SIF700與SIF730熒光比值和Cab的建模精度最低，但R2和RMSE也分別達到了0. 904 8和0. 088 6 μg/cm2。利用實測數據獨立樣本對上述3種估算方法進行驗證，SIF760/SIF730估算結果表現最佳，RMSE為0. 210 8 μg/cm2，SIF700/SIF730次之，RMSE為0. 345 4 μg/cm2，但呈現出整體高估現象；SIF760/SIF700估算結果與實測數據偏差較大，RMSE為0. 743 5 μg/cm2。綜上，SIF760/SIF730構建的比值植被指數在估算Cab過程中不僅能夠保證很好的建模精度，同時又表現出極佳的魯棒性。研究結果為利用葉綠素熒光遙感手段進行葉片生化參數估算提供技術參考。

關鍵詞：日光誘導葉綠素熒光； 熒光敏感波段； 葉綠素含量； SCOPE模型； 遙感； 模型

中圖分類號：TP79 文獻標識碼：A DOI：10. 7525/j. issn. 1006-8023. 2025. 02. 005

0 引言

葉綠素作為光合作用的主要色素，通過吸收太陽能并將其轉化為化學能進行光合作用，在植被生長和生存中起著關鍵作用，是植被中最重要的色素之一。葉綠素含量（Chlorophyll content，Cab，含量為面密度）對環境變化十分敏感，是評估植被生長狀態的重要指標［1］，所以準確地估算葉綠素含量對于研究植物長勢、評價植物健康狀況至關重要［2］。鑒于葉綠素在植物光合作用中的重要地位，其含量的精確測定成為了科研界廣泛關注的焦點。

除傳統的測量方法之外，眾多學者已深入探索了利用遙感技術進行Cab的估算。遙感技術具有低成本、高時空分辨率和多模態等優勢，可以被應用到Cab的估算研究中。Cab的估測方法有很多，如采用葉綠素吸收指數（transformed chlorophyll absorptionreflectance index，TCARI）［3］、歸一化差異植被指數（normalized difference vegetation index，NDVI）［4］和地面葉綠素指數（meris terrestrial chlorophyllindex，MTCI）［5］等建立Cab的遙感估算模型，進行Cab的估算研究。但因地物光譜特征表征的是植物表面反射的光，會受光照條件、葉片結構和健康狀況的影響［6］，此外，大氣條件［7］、觀測幾何和地形［8］等因素會對地物反射光譜造成影響，增加反射率觀測數據的隨機誤差，降低Cab的估算精度，限制遙感技術在Cab估算中的應用。

熒光特征是植物特有的光化學特性。植物在進行光合作用過程中，植被吸收的太陽光部分被光合色素吸收并將其轉化為化學能進行光合作用，部分以熱耗散的形式，部分則是以熒光的形式釋放［9］。日光誘導葉綠素熒光（solar-induced chlorophyll fluorescence，SIF）是在太陽光的照射下，植物通過吸收短波輻射后由光系統在波長為640～850 nm重新發射出的熒光光譜信號［10］，熒光作為光合作用的副產物，直接與葉綠素等植物色素含量有關。相較于光學遙感，SIF測量的是植被內部由于葉綠素吸收光后在特定波長產生的光，所以其更多地反映了Cab特征和光合作用的狀態，可以直接反映植物Cab的特征［11］、植被光合作用能力，以及監測植被的生理狀況［12］。研究表明，紅色和近紅外波段處的SIF690與SIF735 （波段為735 nm時的SIF）之間的比率與Cab密切相關，在紅色和近紅外波段下，任何可以改變Cab的情況都會影響上述熒光比率［13］。Zhang等［14］使用熒光圖像中提取的熒光強度來預測高粱的Cab，模型的擬合精度R2 為0. 79。Zhou等［15］收集了3個水稻數據集和1個油菜籽數據集，使用冠層熒光產率（SIF yield，SIFY）指數構建Cab的估算模型，結果表明，基于SIFY的模型在小樣本的情況下表現出更好的估算精度（平均擬合精度（R2）為0. 68，標準誤差（RMSE）為13. 23 μg/cm2）。相比之下，基于反射率的遷移模型需要充分學習訓練集中的特征以保持良好的預測能力，而基于SIFY的模型在差異樣本數據集中表現出相對一致的預測性能。陳潔［16］基于植被指數組合和連續投影算法（successive projectionsalgorithm，SPA）、競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）、隨機森林算法（random forest，RF）3種算法提取出熒光的特征波段數據分別建立支持向量機（support vectormachines，SVM）、基于種群的搜索算法優化支持向量估算模型（particle swarm optimization-Support vectormachines，PSO-SVM）、基于遺傳算法優化支持向量機估算模型（genetic algorithm-Support vector machines，GA-SVM）3種Cab支持向量機估算模型，結果顯示基于CARS提取特征波段所建立的GA-SVM模型為所有模型中的最優Cab 估算模型，訓練集R2 為0. 719、RMSE 為0. 234 μg/cm2，驗證集R2 為0. 725、RMSE為0. 225 μg/cm2。已有研究表明，SIF在植被Cab的遙感估算上具有巨大的潛能，但因數據、研究方法不同，SIF在Cab敏感特征的篩選、模型的穩定性、模型的魯棒性，以及探索如何通過機理模型和試驗數據提高SIF估算Cab的準確性等方面仍需進一步地開展細致的工作。

綜上，本研究擬通過光合作用和能量通量的土壤冠層觀測模型（soil canopy observation，photochemistryand energy fluxes，SCOPE）結合實測數據構建Cab的SIF估算模型，并分析模型的魯棒性。首先使用SCOPE模型模擬不同葉綠素水平下的葉片SIF光譜，再利用模擬實驗室模型（simulation laboratory，SimLab）分析葉片層次生化參數對SIF的敏感性并篩選出對葉綠素高敏感波段的SIF波段；在此基礎上探索SIF與Cab的相關關系，構建基于熒光光譜的Cab估算方法，最后利用實測數據進行模型可靠性驗證。相關研究為利用SIF進行葉片Cab及其他生化參數估算提供參考。

1 研究區和方法

1. 1 研究區概況

研究區域位于黑龍江尚志市轄帽兒山實驗林場（127°30′～127°34′E，45°20′～45°25′N），屬于長白山系統張廣才嶺西坡的一部分，是低山丘陵地區。該區植物區系屬于長白山植物區系，現有林分類型包括原始地帶性頂極群落經過破壞和演替后形成不同階段的天然次生林和人工栽植的林分。主要喬木樹種包括山楊（Populus davidiana）、白樺（Betula platyphylla）、水曲柳（Fraxinus mandsh?urica）、黃檗（Phellodendron amurense）、胡桃楸（Jug?lans mandshurica）、蒙古櫟（Quercus mongolica）、色木槭（Acer mono）、紫椴（Tilia amurensis）、落葉松（Larixolgensis）和紅松（Pinus koraiensis）等，研究區域采樣如圖1所示。

本試驗主要選取闊葉樹種為白樺（Betula platy?phylla）、紫椴（Tilia amurensis）、胡桃楸（Juglansmandshurica）、黃檗（Phellodendron amurense）、蒙古櫟（Quercus mongolica）、水曲柳（Fraxinus mandsh?urica）、山楊（Populus davidiana）和春榆（Ulmus da?vidiana var. japonica）；針葉樹種為紅松（Pinus ko?raiensis）、落葉松（Larix gmelinii）和樟子松（Pinus syl?vestris var. mongholica），共計11種東北地區常見樹種作為試驗對象，每個樹種選取2～3株長勢良好，無病蟲害的健康樹木作為樣木，記錄每株樣木的樹種信息。每株樣木根據冠幅大小分成上、中、下3層，在各層的東、西、南、北4 個方位共設置12 個采樣點，隨機取采樣點外層樹枝上長勢較好的葉片10～12片，而后立即放入塑封袋，排凈空氣，放入置有冰袋的保溫箱中。采集的鮮葉樣品即刻帶回實驗室進行葉綠素熒光光譜數據采集和Cab的測量工作。葉綠素熒光光譜的測定參見下節。采集過熒光光譜的葉片樣品經剪碎研磨等處理后，采用丙酮萃取法測量其Cab，具體方法詳見參考文獻［17］。

1. 2 葉片葉綠素熒光光譜測量

使用美國ASD 公司的FieldSpec Handheld2 和FluoWat葉夾進行葉片反射及熒光光譜測量工作。FieldSpec Handheld2型光譜儀，工作波段覆蓋325～1 075 nm，光譜測量的分辨率為1 nm。結合配有濾光片的FluoWat 葉夾裝置，測量葉片的發射熒光。濾光片的作用旨在剔除650～800 nm波段的入射光。采用HLG-150光纖光源模擬太陽光，以誘導方式收集葉綠素熒光光譜數據。

測量過程中，每個葉片樣品測量5～10條有效光譜，數據收集完畢后，利用Handheld2光譜儀隨附的ViewSpec pro 軟件，對原始采集的原始數據進行處理，將多次測量的平均值作為樣品最終的葉綠素熒光光譜。

鑒于葉綠素熒光現象主要集中于紅光及近紅外波段，本研究首先剔除噪聲顯著且信息冗余的邊緣波段（即325～649 nm及801～1 075 nm），僅聚焦于650～800 nm 的關鍵波段進行深入的研究與分析。

1. 3 葉片生化特征分析

對所采集樣本的生化參數按樹種（針葉78，闊葉222）依照3個采樣層進行分層統計分析，結果見表1。闊葉樹種在樹冠上層葉片Cab 最高，為26. 342 μg/cm2，在中層最低，為20. 071 μg/cm2；對于針葉樹種，Cab在樹木下層葉片最高，為12. 440 μg/cm2，在上層最低，為11. 270 μg/cm2。對于闊葉樹種，其含水量在樹木上層葉片最高，為115. 528 μg/cm2，樹木中層最低，為111. 112 μg/cm2；對于針葉樹種，Cab在樹木中層葉片最高，為179. 672 μg/cm2，在下層最低，為152. 301 μg/cm2。對于闊葉樹種，其干物質面密度在樹木上層葉片最高，為0. 282 μg/cm2，樹木下層最低，為0. 254 μg/cm2；對于針葉樹種，Cab在樹木中層葉片最高，為2. 145 μg/cm2，在下層最低，為1. 167 μg/cm2。

1. 4 研究方法

有研究結果表明，SIF690 /SIF735 （SIF690、SIF735為波段690、735 nm的熒光發射值，以此類推）與葉片Cab密切相關，而被選波段分別為熒光發射輻射的峰值和不受熒光影響的波段，從而最大限度地放大熒光光譜的參數敏感性［18-19］。也有學者試圖通過反射率的比值R686 /R630、R690 /R630 和R740 /R800（R686 表示波段686 nm時的反射率，以此類推R630、R690、R740、R800）量化SIF，從而實現森林生化參數的估算［20- 21］。由于SIF大部分光譜特征可以用Cab進行解釋，所以綜合以上工作選取熒光比值SIF1 /SIF2，進行Cab估算模型構建，并探究熒光比值估算樹木Cab可行性。其中SIF1選取對Cab較為敏感波長，SIF2 選取對Cab敏感度較低的波長。

SCOPE 模型作為一個集輻射傳輸原理與能量守恒定律于一體的綜合框架，因其能準確地模擬SIF現象及其晝夜變化特征，被廣泛地應用到葉綠素熒光遙感的理論與方法研究中。本研究通過調整和改變葉片生化參數，利用SCOPE 模型的Fluspect模塊模擬葉片的輻射傳輸和熒光發射矩陣［22］。Fluspect 模塊在模擬熒光時需要輸入葉片的層結構、干物質面密度、水含量、Cab，具體輸入參數及范圍見表2。參考表2參數設置，輸入SCOPE模型進行模擬，共獲取了137組數據建立。利用SCOPE模型模擬的SIF與實際測量的SIF如圖3所示。由圖3可以看出模擬結果與實測數據具有很好的一致性。

SimLab模型可以評估系統的輸入參數對輸出結果的影響程度。SimLab包括參數掃描（Parametersweep）、單因素敏感性分析（One-factor-at-a-time sensitivityanalysis）、原效應方法（Morris）、索爾波方法（Sobol）、蒙特卡羅方法（Monte carlo）等多種敏感性分析方法。因Morris方法可以考慮參數之間的相互作用和非線性關系，因此本研究采用Morris方法分析熒光光譜的參數敏感性。

利用敏感性分析確定Cab影響高敏感區和低敏感區，再結合SCOPE模擬數據，構建Cab熒光光譜分析模型，最后利用實測數據集評價模型的可靠性和穩定性。

2 結果與分析

2. 1 SCOPE模擬參數敏感性分析

借助Simlab 模型的分析框架和SCOPE 模型的模擬數據，分析650～800 nm這一特定的葉片熒光光譜區間內，葉片結構及生化參數在太陽光誘導葉綠素熒光波段的敏感度。葉片層面生化組分對SIF響應的細致敏感性，具體結果如圖4所示，葉片干物質面密度在675、725 nm 處分別有2 個敏感峰，在700 nm處有個敏感谷，在760～800 nm則趨于平緩，且敏感性0. 3；葉片含水量在675、720nm處有敏感峰，在700 nm處存在敏感谷，在760～800 nm敏感性趨于平緩，為0. 07；葉片層結構特征在675、730 nm處分別有敏感峰值，在700 nm 處有敏感谷值，在760～800 nm 敏感性曲線趨于平緩，為0. 12；葉片Cab在700 nm處有敏感峰值，在730 nm處存在敏感谷值，760～800 nm敏感性趨于穩定，為0. 8。在700 nm波長處葉片層結構、葉片含水量和葉片干物質面密度的敏感性最小，而Cab的變化在此敏感性處于峰值；在730 nm處葉片層結構、葉片含水量和葉片干物質面密度敏感性最高，Cab的變化對熒光特征的敏感性最低；在760～800 nm波段處，葉片生化特征改變對熒光特征的敏感性趨于平穩，葉片層結構敏感性值為0. 12，葉片干物質面密度為0. 3，葉片含水量為0. 07，Cab為0. 8，Cab在4個因素中敏感性處于最高。基于上述分析，為精確估算Cab，本研究篩選了3種熒光比值指標，分別為SIF700 與SIF730 的比值（SIF700/SIF730）、SIF760與SIF730的比值（SIF760/SIF730），以及SIF760與SIF700的比值（SIF760/SIF700），這些方法旨在提升Cab熒光估算的精度。

2. 2 基于模擬數據的Cab估算結果

選擇與Cab相關性最高的熒光波段和敏感性分析中對Cab敏感性最高，而其他因素敏感性最小的波段，構建分析Cab的熒光指數。通過構造基于這2 個特定波長（即SIF700/SIF730、SIF760/SIF730 及SIF760/SIF700）的SIF比值，能夠有效地削弱非目標參數對試驗結果造成的潛在干擾。本研究利用SCOPE 模型對137組數據進行詳盡的熒光模擬分析，結果如圖5—圖7所示（RMSE為均方根誤差）。

由圖5 可知，利用SCOPE 模型模擬熒光，將700、730nm 處的熒光值SIF700/SIF730 與相對應的Cab經過冪函數擬合，擬合結果為y = 0. 028 8x-5. 843 7；R2=0. 904 8；RMSE=0. 088 6 μg/cm2，偏差小；呈顯著相關。

由圖6可知，經過SCOPE模型模擬所得熒光進行760、730 nm 波段的熒光進行比值與相應Cab的擬合結果。SIF760/SIF730 與Cab 呈線性關系：y =172. 213 0x - 111. 378 0；R2為0. 994 8，擬合效果好；RMSE=0. 052 8 μg/cm2；呈顯著相關。

由圖7可以看出，模擬熒光取760、700 nm處的熒光值進行比值SIF760/SIF700與Cab之間的擬合關系y = 8. 764 9e x／1. 846 7 - 8. 614 1。SIF760/SIF700 與Cab 指數擬合效果較好，R2=0. 998 1，RMSE=0. 043 5 μg/cm2；呈顯著相關。

相較而言，SIF760/SIF700模型擬合的效果最好，R2=0. 998 1，RMSE=0. 0435 μg/cm2，偏差最??；SIF760/SIF730次之，R2=0. 994 8，RMSE=0. 052 8 μg/cm2；SIF700/SIF730 精度最低，R2=0. 904 8，RMSE=0. 088 6 μg/cm2，但也達到了模型擬合良好的結果。

2. 3 實測數據的驗證

2. 2. 1 實測數據整體驗證及誤差分析

根據模擬分析結論，結合實測熒光數據，運用上述3個模型（SIF700/SIF730、SIF760/SIF730、SIF760/SIF700）估算Cab。將這些估算結果與實測的Cab進行對比分析，評估各方法的有效性和準確性。具體結果如圖8—圖10所示。

圖8為利用SIF700/SIF730波段構建的模型和實測熒光數據計算的Cab與實測數據的擬合結果及誤差分析。由圖8可知，該模型估算的Cab普遍低于實際測量的Cab，但兩者擬合的標準誤差（RMSE）較小，為0. 345 4 μg/cm2，偏差較小。此模型在Cab低于20 μg/cm2時誤差較大，超過20%，Cab大于20 μg/cm2時，誤差較小，低于20%，但也不排除測量誤差而導致數值大于20%。

圖9為利用SIF760/SIF730波段構建的模型和實際熒光數據計算的Cab與實測Cab之間的擬合結果及其誤差分析。由圖9可知，利用SIF760/SIF730 估算的Cab與實測的Cab擬合效果好，R2為0. 985 6，RMSE為0. 210 8 μg/cm2，整體偏差較小。但在Cab較大時估算結果出現了輕微的高估。當Cab低于5 μg/cm2時，此模型估算Cab 會產生較大誤差，在5～10 μg/cm2時，估算的Cab與實測Cab誤差在20%～30%，當Cab大于10 μg/cm2時，估算的Cab產生的誤差小于20%。

圖10 為利用SIF760/SIF700 波段構建的模型和實際測量的熒光值估算的Cab及其產生的誤差。由圖10可知，利用SIF760/SIF700估算的Cab與實際測量的Cab偏差較大，RMSE為0. 763 5 μg/cm2。此模型估算的Cab與實際測量結果產生的誤差均很大。

綜上所述，利用SIF760/SIF730波段構建的模型估算的結果效果最好，R2為0. 985 6，RMSE為0. 21 08 μg/cm2，偏差最??；SIF700/SIF730 次之，R2 為0. 981 8，RMSE為0. 345 4 μg/cm2；雖然SIF760/SIF700波段構建的模型精度最低，但R2 和RMSE 也分別達到了0. 978 6和0. 763 5 μg/cm2。

2. 2. 2 模型在不同林分類型間的可靠性驗證及誤差分析

為進一步驗證模型的可用性，將實測數據分為闊葉樹種和針葉樹種，將闊葉樹種和針葉樹種的實測數據分別代入上述3種估算模型進行驗證，評估模型對不同森林類型Cab估算的準確性，具體結果如圖11—圖13所示。

將實測熒光數據按闊葉、針葉分類并分析利用SIF700/SIF730波段構建的模型估算結果與實際測得的Cab之間的擬合關系及其誤差。圖11（a）和圖11（b）分別為闊葉和針葉模型估算結果和實測Cab之間的散點圖。對于闊葉來說，利用模型估算的結果要比實際測量的結果偏低，RMSE為0. 369 6 μg/cm2。對于針葉來說，當Cab超過40 μg/cm2時估算結果呈現出高估情況，但總體RMSE為0. 261 0 μg/cm2。圖11（c）和圖11（d）分別是闊葉和針葉模型估算值和實測值之間的誤差。Cab小于25 μg/cm2的闊葉樹種樣本，呈現出較大的估算誤差。而針葉樹種當Cab在10～25μg/cm2時所產生的誤差較低，表現出較好的估算精度。

圖12 為利用SIF760/SIF730 構建的模型估算不同森林類型的Cab和實測含量之間的擬合關系和誤差分析。圖12（a）和圖12（b）分別是利用SIF760/SIF730估算的闊葉和針葉樹種的Cab與實測數據的擬合關系。由圖12（a）可知，利用SIF760/SIF730 估算的闊葉Cab和實際測量擬合效果好，R2為0. 989 6，RMSE為0. 184 2 μg/cm2，偏差小。由圖12（b）可知，對于針葉樹種模型估算結果略高于實際測量，產生的偏差相比于闊葉略大，RMSE為0. 274 0 μg/cm2。圖12（c）和圖12（d）分別為闊葉和針葉樹種估算結果的誤差分布。對于闊葉樹種，當Cab在5～20 μg/cm2時產生的誤差低于30%，大于20 μg/cm2時，估算產生的誤差低于20%，對于針葉，在Cab 為5～30 μg/cm2 時。整體估算的誤差小于20%。

圖13 為利用SIF760/SIF700 估算不同森林類型的Cab 與實測值之間的擬合關系和誤差分析。圖13（a）和圖13（b）分別為利用SIF760/SIF700估算的闊葉、針葉Cab和實測值之間的擬合結果。由圖13可知，無論是闊葉還是針葉樹種，利用SIF760/SIF700所得的估算值與實測值偏差均很大，RMSE 分別為0. 7820、0. 615 8 μg/cm2。利用SIF760/SIF700 估算闊葉和針葉的Cab誤差大于30%，估計誤差較大。

綜上所述，利用SIF760/SIF730波段構建的模型估算的結果效果最好，其中闊葉樹種R2為0. 989 6，針葉樹種R2為0. 968 0。闊葉和針葉樹種的RMSE分別為0. 184 2、0. 274 0 μg/cm2，偏差最?。籗IF700/SIF730次之，闊葉樹種R2為0. 983 5，針葉樹種R2為0. 973 0，闊葉和針葉樹種的RMSE 分別為0. 369 6、0. 261 0μg/cm2；SIF760/SIF700構建模型估算精度最低，對于闊葉樹種R2為0. 978 9，針葉樹種R2為0. 975 9，闊葉和針葉樹種的RMSE分別為0. 782 0、0. 615 8 μg/cm2，但這樣的精度也能滿足一定研究的需求。

3 討論

3. 1 基于SIF估算Cab相關研究比較

對比已有研究可以發現利用遙感技術估算Cab的工作主要聚焦于農作物領域，并通過Cab的估算解決作物估產等問題。如印玉明等［23］計算了SIF指數基于線性回歸和輻射傳輸模型2種方法建立Cab估算模型。在單葉尺度上，下行SIF指數與單葉Cab相關性最高，R2為0. 77，該研究使用的SIF指數是基于熒光產量計算得到，該數據與熒光波段的數值是有差別的，且SIF指數與Cab相關性最高為0. 77，略低于本研究所構建模型精度，本研究基于SIF760/SIF730波段構建模型擬合精度為0. 985 6。同時在不同的森林類型的獨立樣本檢驗中都表現出極好的魯棒性。Zhou等［24］探索利用SIF和反射率的跨物種數據集構建估算Cab的魯棒遷移學習模型，該研究使用C3植物數據集估算Cab，討論了差異性樣本的Cab估算精度。Lichtenthaler等［18］研究表明SIF690 /SIF735變化與Cab關系存在較一致的對應關系，并且指出該指數能夠用來進行Cab的估算。分析原因一方面來源于較科學的敏感性分析，從而能夠篩選出特征波段。另外一方面，從光合作用機理角度來看Cab與葉綠素熒光之間關系密切，較高的Cab會使植物捕獲更多的光能，進而導致熒光量子產出增多?；诖?，熒光波段比值不僅能夠直接反映Cab的變化，還可以為今后估算Cab的研究提供新思路。

3. 2 模型誤差分析

影響熒光的因素有植物生理參數和環境因子兩類［25］，其中，植物生理參數中的葉片結構會改變進入葉片內部結構，影響反射能量的大小，從而會影響熒光和光合作用的關系。由于光進入葉片內部的過程是十分復雜的，葉片內部的分子并不是均勻分布的［26］，所以模型誤差一方面是由于模型在模擬光進入葉片內部的復雜過程中存在偏差，所以造成估算的不穩定性。同時，環境因子包括空氣溫度、飽和水汽壓、太陽天頂角和水分脅迫等因素同樣會對葉片的生理生化特征產生影響，而這些因素對葉片的影響并不是單獨存在的，通常是幾個因素的連鎖反應，而這些不確定性，可能導致激發熒光的差異性，從而對后續估算造成影響［27］。

此外，由于實地測量數據包含多個樹種葉片，由于樹種類型其葉片形態和結構存在明顯差異，如闊葉具有寬而平展的葉片并且葉脈復雜，而針葉具有細長而尖銳的葉片，其葉脈簡單等差異，這些因素也會對結果產生影響，從而影響Cab和熒光之間的關系。而SCOPE模型并沒有將葉片特征如此細化，所以樹種的差異性可能也會導致SCOPE模型模擬的結果與實地測量得到的Cab和熒光模型之間關系產生差異，最終導致各種或大或小的誤差。這些問題都需要進一步地深入研究。

4 結論

本研究以葉片Cab熒光光譜估算為主要研究內容，分析利用葉綠素熒光比值估算樹木Cab的可行性。本研究選用700、730、760 nm波段的比值作為估算模型的輸入因子，與Cab建立數學模型，實現利用SIF估算Cab。研究結果表明，3種估算模型具有較好的擬合效果，R2均在0. 9以上，而利用獨立的實測樣本集進行模型魯棒性驗證時，發現利用SIF760/SIF730所得的估算結果與實測結果偏差最小，RMSE為0. 210 8 μg/cm2，當Cab高于5 μg/cm2時產生的誤差在20%～30%。在實際應用中，建議選用SIF760/SIF730 進行植被葉片Cab的估算。本研究結果為利用SIF估算植被葉片Cab提供了參考，同時也為研究植物光合作用提供了新方向。

【參 考 文 獻】

［1］ 馮海寬，陶惠林，趙鈺，等. 利用無人機高光譜估算冬小麥葉綠素含量［J］. 光譜學與光譜分析，2022，42（11）：3575-3580.

FENG H K，TAO H L，ZHAO Y，et al. Estimation of chlorophyllcontent in winter wheat based on UAV hyperspectral［J］. Spectroscopy and Spectral Analysis，2022，42（11）：3575-3580.

［2］ 宮兆寧，趙雅莉，趙文吉，等. 基于光譜指數的植物葉片葉綠素含量的估算模型［J］. 生態學報，2014，34（20）：5736-5745.

GONG Z N，ZHAO Y L，ZHAO W J，et al. Estimationmodel for plant leaf chlorophyll content based on the spectralindex content［J］. Acta Ecologica Sinica，2014，34（20）：5736-5745.

［3］ 孟慶野，董恒，秦其明，等. 基于高光譜遙感監測植被葉綠素含量的一種植被指數MTCARI［J］. 光譜學與光譜分析，2012，32（8）：2218-2222.

MENG Q Y，DONG H，QIN Q M，et al. MTCARI：A kind ofvegetation index monitoring vegetation leaf chlorophyll contentbased on hyperspectral remote sensing［J］. Spectroscopyand Spectral Analysis，2012，32（8）：2218-2222.

［4］ 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 differenceratio pigment index for estimating chlorophyll andcartenoid contents of in leaves of rice［J］. Spectroscopy andSpectral Analysis，2009，29（4）：1064-1068.

［5］ 何彩蓮，鄭順林，周少猛，等. 基于高光譜植被指數的馬鈴薯葉片葉綠素含量估測模型［J］. 華南農業大學學報，2016，37（5）：45-49.

HE C L，ZHENG S L，ZHOU S M，et al. Estimation modelsof chlorophyll contents in potato leaves based on hyperspectralvegetation indices［J］. Journal of South China AgriculturalUniversity，2016，37（5）：45-49.

［6］ 馮銳，武晉雯，王宏博，等. 玉米苗期干旱脅迫對關鍵生育期的光譜特征影響分析［J］. 光譜學與光譜分析，2020，40（7）：2222-2234.

FENG R，WU J W，WANG H B，et al. Influence of droughtstress on maize in the seedling stage on spectral characteristicsat the critical developmental stage［J］. Spectroscopyand Spectral Analysis，2020，40（7）：2222-2234.

［7］ 陳春，劉成玉，張樹清. 基于地物光譜矢量空間的遙感圖像大氣影響校正［J］. 中國科學：地球科學，2012，42（6）：962-968.

CHEN C，LIU C Y，ZHANG S Q. Atmospheric correctionof remote sensing imagery based on the surface spectrum′svector space［J］. Science China Earth Sciences，2012，42（6）：962-968.

［8］ 陳博，穆磊，張彪，等. 地形條件對空間目標細致光譜輻射特性的影響［J］. 紅外與激光工程，2019，48（12）：255-262.。

CHEN B，MU L，ZHANG B，et al. Effects of terrain conditionson the detailed spectral radiation characteristics ofthe space target［J］. Infrared and Laser Engineering，2019，48（12）：255-262.

［9］ 詹春暉，章釗穎，張永光. 日光誘導葉綠素熒光輻射傳輸模型研究進展［J］. 遙感學報，2020，24（8）：945-957.

ZHAN C H，ZHANG Z Y，ZHANG Y G. Recent advancesin the radiative transfer models of sun-induced chlorophyllfluorescence［J］. National Remote Sensing Bulletin，2020，24（8）：945-957.

［10］ 章釗穎，王松寒，邱博，等. 日光誘導葉綠素熒光遙感反演及碳循環應用進展［J］. 遙感學報，2019，23（1）：37-52.

ZHANG Z Y，WANG S H，QIU B，et al. Retrieval of suninducedchlorophyll fluorescence and advancements incarbon cycle application［J］. National Remote SensingBulletin，2019，23（1）：37-52.

［11］ 楊妮，鄧樹林，樊艷紅，等. 葉綠素熒光遙感反演及其農業監測應用研究進展［J］. 江蘇農業科學，2023，51（14）：1-13.

YANG N，DENG S L，FAN Y H，et al. Research progressof chlorophyll fluorescence retrieval by remote sensingand its application in agricultural monitoring［J］. JiangsuAgricultural Sciences，2023，51（14）：1-13.

［12］ 彭金龍，李萌，褚榮浩，等. 日光誘導葉綠素熒光反演及其在植被環境脅迫監測中的研究進展［J］. 江蘇農業科學，2021，49（24）：29-40.

PENG J L，LI M，CHU R H，et al. Research progress ofsun-induced chlorophyll fluorescence inversion and itsapplication in vegetation environmental stress monitoring［J］. Jiangsu Agricultural Sciences，2021，49（24）：29-40.

［13］ LICHTENTHALER H K，RINDERLE U. The role of chlo‐rophyll fluorescence in the detection of stress conditionsin plants［J］. C R C Critical Reviews in Analytical Chemistry，1988，19（sup1）：S29-S85.

［14］ ZHANG H，GE Y，XIE X，et al. High throughput analysisof leaf chlorophyll content in sorghum using RGB，hyperspectral，and fluorescence imaging and sensor fusion［J］.Plant Methods，2022，18（1）：60.

［15］ ZHOU Y A，HUANG Z，ZHOU W，et al. Optimized transferlearning for chlorophyll content estimations across datasetsof different species using sun-Induced chlorophyllfluorescence and reflectance［J］. Remote Sensing，2024，16（11）：1869.

［16］ 陳潔. 基于熒光光譜的植物葉綠素含量估算方法研究［D］. 哈爾濱：東北林業大學，2023.

CHEN J. Study on estimation method of plant chlorophyllcontent based on fluorescence spectrum［D］. Harbin：Northeast Forestry University，2023.

［17］ 孫俊寶，王建新. 櫻桃葉綠素含量測定方法研究［J］.山西農業科學，2010，38（3）：18-19，33.

SUN J B，WANG J X. Study on method for determinationof chlorophyll in cherry leaves［J］. Journal of Shanxi AgriculturalSciences，2010，38（3）：18-19，33.

［18］ LICHTENTHALER H K，HAK R，RINDERLE U. Thechlorophyll fluorescence ratio F690/F730 in leaves of differentchlorophyll content［J］. Photosynthesis Research，1990，25（3）：295-298.

［19］ AGATI G，MAZZINGHI P，FUSI F，et al. The F685/F730 chlorophyll fluorescence ratio as a tool in plant physiology：Response to physiological and environmental factors*［J］. Journal of Plant Physiology，1995，145（3）：228-238.

［20］ ZARCO-TEJADA P J，MILLER J R，MOHAMMED G H，et al. Vegetation stress detection through chlorophyll a+bestimation and fluorescence effects on hyperspectral imagery［J］. Journal of Environmental Quality，2002，31（5）：1433-1441.

［21］ DOBROWSKI S Z，PUSHNIK J C，ZARCO-TEJADA P J，et al. Simple reflectance indices track heat and waterstress-induced changes in steady-state chlorophyll fluorescenceat the canopy scale［J］. Remote Sensing of Environment，2005，97（3）：403-414.

［22］ YANG P，PRIKAZIUK E，VERHOEF W，et al. SCOPE2. 0：A model to simulate vegetated land surface fluxesand satellite signals［J］. Geoscientific Model Development，2021，14（7）：4697-4712.

［23］ 印玉明，王永清，馬春晨，等. 利用日光誘導葉綠素熒光監測水稻葉片葉綠素含量［J］. 農業工程學報，2021，37（12）：169-180.

YIN Y M，WANG Y Q，MA C C，et al. Monitoring of chlorophyllcontent in rice canopy and single leaf using suninducedchlorophyll fluorescence［J］. Transactions of theChinese Society of Agricultural Engineering，2021，37（12）：169-180.

［24］ ZHOU Y A，HUANG Z，ZHOU W，et al. Optimized transferlearning for chlorophyll content estimations across datasetsof different species using sun-induced chlorophyllfluorescence and reflectance［J］. Remote Sensing，2024，16（11）：1869.

［25］ 劉雷震，武建軍，周洪奎，等. 葉綠素熒光及其在水分脅迫監測中的研究進展［J］. 光譜學與光譜分析，2017，37（9）：2780-2787.

LIU L Z，WU J J，ZHOU H K，et al. Chlorophyll fluorescenceand its progress in detecting water stress［J］. Spectroscopyand Spectral Analysis，2017，37（9）：2780-2787.

［26］ FUKSHANSKY L，REMISOWSKY A M V，MCCLENDONJ，et al. Absorption spectra of leaves corrected forscattering and distributional error：A radiative transferand absorption statistics treatment［J］. Photochemistryand Photobiology，1993，57（3）：538-555.

［27］ 錢新. 基于葉綠素熒光遙感的植被干旱脅迫指數構建［D］. 南京：南京大學，2019.

QIAN X. Construction of vegetation drought stress indexbased on chlorophyll fluorescence remote sensing［D］.Nanjing：Nanjing University，2019.

基金項目：國家自然科學基金項目（32471855；31971580）。