基于Hyperion数据的森林叶绿素含量反演1)

杨曦光 范文义 于 颖

(东北林业大学，哈尔滨，150040)

叶绿素作为光合作用最主要的参与者，控制着森林生态系统能量和物质的循环。通过检测叶绿素的含量，可以诊断森林的健康和胁迫。健康植被的光谱在可见光波段表现出不同的反射特征，因此，遥感技术可以为检测森林的健康和胁迫提供一种有效的手段。传统的宽波段遥感数据(如MSS、TM和SPOT等)对于研究植被仅局限于一般性的红边吸收特征、近红外反射特征、中红外的水吸收特征，很难提取与叶绿素含量密切相关的“红边”光学参数。而高光谱成像光谱仪却为每个像元提供了数10至数100个窄波段的光谱信息，可以更精确地诊断和检测植被叶绿素光谱特征，探测植被形态和活力以及估计生态系统的生物物理和生物化学参数［1］。

不过大多数的研究都是单独使用过程模型或者统计模型，而将2种模型结合使用的研究并不多见。本文综合国内外学者的研究，结合统计模型和过程模型，采用分布反演的方法，反演叶绿素含量，为森林碳循环、森林的健康和胁迫以及森林病虫害研究提供重要的生化参数。

1 数据与方法

1.1 样地选取与数据采集

研究区域为我国最大的国有林区——大兴安岭林区，试验地点选取位于黑龙江省塔河县大兴安岭林区腹地，具有典型的大兴安岭地区森林结构特点。林区内主要树种为落叶松(Larix decidua)、樟子松(Pinus svlvestris)、云杉(Picea)、白桦(Betula platyphylla)、杨树(populus)。森林覆盖率74.1%;林木蓄积量5.01亿m3，占全国总蓄积量的7.8%。

在试验区随机选取并设置了32个30 m×30 m标准地。每块标准地选取优势树种3株，按照冠长将树分为上、中、下3层，分层摘叶，每层选取10片鲜叶，使用SPAD－502叶绿素仪测量每个鲜叶的相对叶绿素含量(后文均称为DSPA值)。每个叶片在6～10个不同的位置处测量DSPA值，然后取其平均值作为叶片最后的DSPA值。使用Epp－2000地物光谱仪测量叶片和冠层的反射光谱。

1.2 Hyperion数据及处理

Hyperion传感器是美国国家宇航局(NASA)于2000年11月21日发射的地球观测卫星(EO－1)上搭载的3个仪器之一，它提供了242个波段高光谱数据，平均光谱分辨率为10 nm，空间分辨率为30 m，可用于精确估算冠层层次植被生物物理和生物化学特征。

本文使用的是Hyperion Level 1R(L1R)级产品。L1R产品有242个波段，1～70为可见光近红外波段(VNIR)，71～242为短波红外波段(SWIR)，其中198个波段是经过辐射定标处理，定标的波段分别为 VNIR8－57，SWIR77－224。由于VNIR56－57与SWIR77－78的重叠，实际上只有196个独立波段。Hyperion L1级产品的预处理，主要包括水汽吸收波段和非定标波段的剔除、坏线的修复、垂直条纹的去除［2］、“Smile”效应的校正［3］、大气校正、几何校正以及地形校正。

1.3 叶片水平SPAD估算模型的建立

本研究首先分析叶片DSPA值与叶片光谱的相关关系，选取高相关系数的波段参与SPAD反演模型的建立。为了增加自变量的个数，以便能更好的选择自变量，还对叶片光谱进行了一阶导数运算(Diff(R))和对数运算(Log(R))，并计算了他们与DSPA值的相关性(图1)，最后选取了与DSPA值存在高相关性的波段:Log(R425)、Log(R466)、Log(R677)、R500、R682、Diff(R480)、Diff(R631)、Diff(R735)、Diff(R749)、Diff(R819)。此外，通过查阅国内外文献，还选取了与叶绿素浓度有较好相关性的高光谱指数，如比值叶绿素指数、归一化比值叶绿素指数、叶绿素吸收比值植被指数、归一化植被指数、绿度植被指数、修正的叶绿素吸收指数，连同蓝波段(490～530 nm)一阶导数最大值RBp、绿波段500～600 nm的光谱反射率最大值RGp、黄波段(550～650 nm)一阶导数最大值RYp、红波段光谱反射率最小值RRp以及红边内的一阶导数最大值RVp，一并参与SPAD估算模型的多元回归运算中。通过多元线性逐步回归分析得到反演DSPA较好的模型变量及模型系数。

图1 R、Log(R)、Diff(R)与DSPA值的相关性分析

1.4 Hyperion影像叶片水平叶绿素含量反演方法

本研究在估算研究区域Hyperion影像叶片水平的叶绿素含量时首先将Hyperion影像冠层水平反射率转化到叶片水平，然后利用叶片水平的叶绿素含量反演模型计算研究区域叶片水平的叶绿素含量。图2展示了冠层水平反射率和叶片水平反射率转换以及叶片水平叶绿素含量的反演技术路线。

图2 叶片水平叶绿素含量反演技术路线

4－Scale模型定义冠层反射率是由树冠光照面、树冠背景面、地面光照面、地面背景面4个分量的反射光谱的线性组合［4］。

其中，R 是冠层反射率，RT、RZT、RG、RZG分别是树冠光照面、树冠背景面，地面光照面，地面背景面的反射率，PT、PZT、PG、PZG分别是传感器观测到树冠光照面、树冠背景面，地面光照面，地面背景面的概率。4－Scale模型通过输入叶片的光谱特征、森林背景的光谱、树木结构参数、森林结构参数和传感器的观测信息可以估计冠层反射率。表1展示了输入到4－Scale模型中的针叶和阔叶植被的参数。

树冠光照面的光谱特征RT主要是由树冠光照面的叶片所决定的，但是并不等同于单个叶片反射率RL，因为它还受到叶倾角和冠层内部多次散射的影响。定义多次散射因子是M0，那么树冠光照面的反射率RT到光照面单片叶子的反射光谱就可以表达为:

表1 4－Scale模型模拟冠层反射率的输入参数

树冠阴影和背景部分也是由于天空的散射和冠层内部的多次散射的结果。比较与树冠光照面的反射率，树冠背景面的反射率要小的多，因此公式(1)叶片阴影和背景阴影部分可以被忽略。将RT用公式(2)替换，公式(1)就变成了有2个分量组成的方程。

因此，多次散射因子M0可以被表示成下面公式:

冠层反射率R是可以获得的，RG是已知的，PT、PG、M0要根据不同的RL利用4－Scale模型反演出来。如果冠层的反射率R从Hyperion图像中提取出来，那么叶片的反射光谱RL就可以通过公式(5)计算出来。

本研究通过4－Scale模型建立了2个查找表，一个用于提供观测到树冠光照面和背景光照面的概率PT和PG，另一个查找表提供了多次散射因子M0，实现冠层反射率到叶片反射率的转化［5］。

2 结果与分析

2.1 SPAD估算模型结果

利用逐步回归的方法最终剔除了21个变量，在显著性水平为95%的指标下，得到4个变量的多元统计模型。他们分别是 RPSS、Diff(R749)、Log(R466)、RVp。最终确定的叶片水平叶绿素相对浓度的反演模型为:

DSPA=54.559－0.865×RPSS+65.146×Diff(R749)－6.030×Log(R466)－0.238×RVp

模型及其各参数均通过显著性检验，经检验并无异常值和多重共线性。模型拟合的决定系数R2达到0.812，均方根误差为13.353 79，模型精度为88.743 258%。

2.2 叶片水平叶绿素反演结果

将叶片水平叶绿素估算模型应用到尺度转化后的Hyperion影像上，得到叶片水平的叶绿素含量(图3)，与实测的叶片叶绿素含量比较，可以看出，叶片水平的森林叶绿素的含量大多集中在20～80之间，这和实验室测量结果一致，均方根误差为16.276 91，实测精度达到79.659 3%。通过对比原始影像(图4)，发现对于人造建筑部分，包括居民地、道路，该模型依然有非零的计算结果，对于水体也有部分错误计算，这与实际情况不相符合，因此认为该模型不适用于人造建筑和水体。

3 结论

植被分析中生物物理和生物化学过程的定量研究需要高光谱和高空间分辨率的星载遥感数据。本研究利用遥感手段，通过非破坏性的方法，定量反演森林叶片水)平叶绿素含量，得到了较好的效果，为森林的经营管护和进一步研究森林的健康和胁迫提供了科学的依据。并且也考虑了冠层反射率受到冠层结构、叶绿素在冠层水平的散射、太阳方位角、观测方位角和森林背景的强烈影响，在叶片尺度和冠层尺度反射光谱之间转化时，使用了几何光学模型4－scale模型，此模型充分考虑了复杂的冠层结构、森林背景等参数的影响，也比较精确。但是本研究在叶片水平SPAD反演模型建立时使用了统计模型的方法，模型的推广存在一定局限，这有待于进一步的研究。

图3 Hyperion数据提取叶片水平叶绿素含量

图4 黑龙江省塔河地区Hyperion数据

［1］ Sampson P H，Zarco Tejada P J，Mohammed G H，et al.Hyperspectral remote sensing of forest condition:Estimating chlorophyll content in tolerant hardwoods［J］.Forest Science，2003，49(3):381－391.

［2］ Datt B，McViear T R，VanNiel T G，et al.Per-Processing EO-1 Hyperion hyperspectral data to support the application of agricultural indices［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(6):1246－1259.

［3］ Gondenough D G，Andrew D，Niemann K O，et al.Processing Hyperion and ALI for forest classifications［J］.IEEE Transactions on Geoscience and Remote Sensing，2003，41(6):1321－1331.

［4］ Chen J M，Leblanc S.A 4-scale bidirectional reflection model based on canopy architecture［J］.IEEE Transactions on Geoscience and Remote Sensing，1997，35:1316－1337.

［5］ Zhang Yongqin，Chen Jing M，John R Miller，et al.Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery［J］.Remote Sensing of Environment，2008，112(7):3234－3247.