利用反射率光谱估算植被干物质氮含量

孙华，孙林，朱金山，姚延娟

（1.山东科技大学，山东青岛266590；2.环境保护部卫星环境应用中心，北京100094）

利用反射率光谱估算植被干物质氮含量

孙华1，孙林1，朱金山1，姚延娟2

（1.山东科技大学，山东青岛266590；2.环境保护部卫星环境应用中心，北京100094）

为了排除植被含水量对氮素总含量的可能性干扰，以及用叶绿素含量来估算氮含量时忽略叶绿体外氮素影响的问题，提出了利用植被干物质来估算植被氮含量的算法。以Lopex’93数据库为数据来源，拟合构建了植被干物质氮素含量（%）与光谱反射率之间的模型关系，并与鲜植被进行对比分析，又利用光谱反射率的4种变化形式（一阶导数、二阶导数、倒数的对数和倒数的导数）来验证分析。结果表明，由差值植被指数DVI（R760－R1520）拟合的复合模型Y＝17.787×241.456x和指数模型Y＝17.787×e5.487x对植被干物质氮含量具有较好的估算精度，其拟合值和真实值的相关系数R2＝0.901。而用鲜植被拟合的模型精度明显低于干物质模型，经过反射率4种参数的验证，也说明了由DVI构建的干物质氮含量估算模型可以得到较好的结果。

植被干物质；氮含量；反射率光谱；拟合模型；Prospect－Sailh模型

0 引 言

氮素是植被生长发育过程中重要的营养元素之一，也是影响植被生长环境质量的因素之一［1］。从植被个体上来看，其氮素含量的多少直接影响到植被的长势；从区域环境整体上来看，植被氮素含量与相应组分的吸收量息息相关，故而间接影响着环境中氮元素的含量。所以研究植被的氮素含量无论是对植被个体而言，还是对环境整体而言，都具有重要的意义。由于传统测量氮素的方法［2］往往存在耗时、费力，有破坏性，时效性差，难以推广应用等问题，故将遥感手段运用到植被生化组分测量中，就显现出了其必要性和优越性。就植被而言，其生理特征决定了对光的吸收、透射和反射的变化，并且植被的生理特征又能相应地反映它的生长情况。自20世纪70年代以来，有关科学家进行了大量的基础研究，来寻找植被的生化参数与光谱参数之间的关系。

在遥感应用领域，植被指数是广泛用来定性和定量评价植被各项指标及其生长活力的重要手段［3］。基于不同氮素水平或不同植被类型的若干田间试验，田永超等［4］发现了对水稻叶层氮浓度具有较好预测性的蓝光氮指数［R434／（R496＋R401）］。通过分析植被光谱曲线不难看出，绿色植物在680nm～740nm之间会出现反射率增高最快的点，称为红边位置，而且红边位置的移动恰恰是描述植物各种生化组分含量状态的重要参考指标［5－7］，梁守真等［8］以LOPEX’93数据集为依据，研究并分析了叶片生化组分和红边移动的关系。在研究绿色植物生化组分时发现，氮素总含量的75%几乎都包含在叶绿体中，故而叶片中氮素浓度和叶绿素浓度之间存在较强的相关性［9］。王磊等［10］利用不同氮肥水平对植被叶绿素特性的影响［11］，研究发现了玉米氮素光谱诊断的敏感时期和叶片全氮含量与叶绿素含量的最大相关时期。

然而对于非绿色植被无法采用提取叶绿素的方法，叶绿体之外也会有氮素的存在，所以利用叶绿素来得到植被氮含量并不十分准确；而且大多数氮提取方法都是烘干称重获得，若直接与鲜植被光谱结合研究，就无法确定植被中的水分是否会对其造成影响；若再将干、鲜植被光谱曲线的不同考虑在内，利用红边位置来判断氮含量也显得不够严谨。基于以上原因，为了避免叶绿体之外氮素的影响以及植被含水量的干扰，本文应用LOPEX’93（Leaf Optical Properties Experiment）数据集，以多种植被的干物质作为研究对象，脱离红边位置的光谱波段局限，分别应用多个波段的光谱反射率及其变化形式和植被指数，并借助统计回归方法，分析了植被干物质与其光谱参数的相关关系，再与相同条件下的鲜植被进行了对比分析，其结果既可以用于正常植被叶片、冠层生化参数反演的参考，也能够排除反演中的不确定因素，有助于提高反演的准确性，还为研究植被氮素等生化组分提出了研究和参考的新对象。

1 数据源和分析

LOPEX’93数据集是1993年在意大利伊斯普拉的联合研究中心（JRC）开展的结合植物（茎叶、针叶树针等）元素可见光／红外光谱与物理测量和生化分析的实验数据集［12］。实验研究对象包含采自于50多种木本植物和草本植物（4种裸子植物，9种单子叶植物和37种双子叶植物）的约70个样本，分析的生化成分有木质素、蛋白质（氮）、纤维素、淀粉、叶绿素和类胡萝卜素等。实验测量了新鲜、干燥植被样本各种成分在不同光学厚度（叠叶＋针或粉末）下高分辨率可见光和近红外的反射率和透射率光谱。

基于LOPEX’93数据集提供的数据，以及一些常见的经验指标，本文的研究利用了较为成熟的Prospect、Sailh模型来分析植被氮素的敏感波段。其中，Prospect模型的输出结果即是Sailh模型的输入结果，所以在实际分析中，可以将两个模型结合运用。Prospect模型是由Plate模型［13］引伸而来，Plate模型将叶片看作半透明的有均匀粗糙表面的各向同性吸收平板，并假定光线是各向同性平行的［14］。而Prospect模型把Plate模型扩展到非致密叶片，将叶片看作有N层致密层和N－1空气隔层，并用入射立体角代替Plate模型中假设为各向同性平行光的入射光线，模拟了叶片半球反射率和透射率（图1）。

图1 Prospect模型原理

Prospect模型的输入参数有为定义立体角Ω的最大入射角α、相对折射指数n、透射系数τ和叶片结构参数N［15］，输出结果为叶片的反射率R和透射率T。其中，α取决于反射表面的几何性质，可依据经验选取最优值，n可由公式拟合或是模拟得到近似值，τ和吸收系数紧密相关，经半球空间积分获得，受到N的影响，且由植物生化组分浓度和相应的吸收系数决定。

植被辐射传输模型的典型代表是Sail模型［16］，而与Sail模型具有一致假设条件的Sailh模型，既考虑了多次散射作用，也将冠层的热点效应考虑在内，用来模拟冠层的二向反射率。Sailh模型中假设冠层结构是水平均匀的介质，且单一的冠层结构可忽略不计［17］，其输入参数有叶片反射率和透过率，叶面积指数LAI，平均叶倾角ALA（tl），土壤反射率以及太阳辐射的散射分量（skyl）。其中，叶片反射率和透过率即为Prospect模型的输出结果，太阳辐射的散射分量可以通过水平能见度（vis）计算，光线入射和观测的几何关系可以通过太阳天顶角（theta＿s）、太阳方位角（theta＿v）和观测方位角（phi＿v）来描述，截径与株高比通过参数sl来描述。Sailh模型的输出结果就是冠层的反射率和透过率。

2 结果与讨论

2.1 确定植被氮素敏感波段和拟合指数

为了能更准确地找到植被氮素的含量和光谱反射率的关系，基于单一变量的原则，直接由植被反射率波谱找出与氮含量相关度较高的波段，再通过相关系数的确定进一步找到植被的氮素敏感波段。这里考虑了三种生化组分：叶绿素含量cab、水分含量cw和干物质含量（粗蛋白含量、木质素、纤维素）cm，通过Prospect模型与Sailh模型相结合输出得到不同含氮量植被的反射率曲线。对同种作物在不同氮含量水平的反射率光谱进行对比分析（图2），可以明显地看到光谱曲线的差异，从中找出随着氮素含量增加而成递增或递减趋势的波谱范围，即植被氮素的敏感波段所在的范围。

图2 同种植物不同氮含量的波谱曲线

图2 所示的反射率曲线对不同氮含量植物表现出了较好的规律性［18］，结果分析得到了可作为植被氮素敏感波段的3个区间范围，分别是720nm～760nm、1450nm～1600nm、1700nm～2050nm。由于光谱分辨率低于10nm就几乎不会提供有效的附加信息，故而将上述区间以10nm为间隔，共划分为57个单波段。图3列出了各波段与氮含量的相关性，从结果中可以看出，所选区间的大多数波段与氮含量是相关的，但是最高的相关性仍低于0.7，可能的原因是所选区间虽然正确，但是单波段反射率与植被氮素含量之间的直接关系并不明显，所以为了获得与氮含量相关性更高的参数，采用了不同波段组合的植被指数与之相比较。

图3 单波段反射率与氮含量相关性

对以上57个波段计算其任意波段间的差值和比值，得到了3192个差值和比值结果，再次分析差值和比值结果与氮含量的相关性。从图3的结果发现单波段反射率与氮素含量相关性高低分布在各个波段区间内较为集中，邻近波段的相关系数差异较小，说明在各区间内相邻波段反应的植被信息相同或相似，所以在计算差值和比值植被指数时，也会出现相关系数分布集中处的波段组合较为相近，甚至会由于波段跨度过小使得在计算植被指数时抵消了可能存在的某些植被信息。综合考虑了相关系数和波段组合等因素，为避免相近波段组合植被指数所含信息有限，且有可能受到同样外界因素干扰的局限性，对植被指数与氮素含量相关性结果进行了条件性筛选，并没有选择相关性最高的波段组合，而是选择了相关系数较高，且具有一定波段跨度的波段组合，即由760nm和1520nm组合的比值植被指数和差值植被指数。

2.2 拟合回归关系

以反射率植被指数作为自变量，植被干物质氮素含量（%）作为因变量，来建立回归关系。为了避免不确定因素的干扰并确保拟合结果的有效性，在拟合中选取了7种常见模型模型（表1），分别确定出各模型中的未知系数和拟合精度，通过比较，选出其中精度最高的结果，即为最佳拟合模型。表2所示为760nm和1520nm组合成的比值和差值植被指数与氮含量的7种模型的拟合结果，从表中可以看出比值植被指数拟合的立方模型和差值植被指数拟合的二次型、立方、复合、指数模型均具有较高的精度，可以用来估算植被氮素含量。其中，由DVI拟合的复合模型和指数模型可以得到较好的拟合结果。

2.3 结果验证

利用上文中得到的拟合模型，对30组比值和差值植被指数估算其对应的氮素含量，并将各组得到的估算值和真实值进行对比分析，从表3所示的结果中，可以看出DVI拟合的复合模型和指数模型具有十分相近的估算结果，同时也是估算效果最好的模型。经验证后发现，其拟合值与真实值具有良好的线性关系，并且在截距为零时的斜率最接近1。综合以上结论，可知，估算植被干物质氮素含量的最佳模型是以DVI（R760－R1520）为自变量的复合型模型和指数型模型，其估算结果与真实值的线性相关度可以达到0.9以上。

表2 RVI（R760／R1520）和DVI（R760－R1520）的拟合结果

表3 结果验证

2.4 鲜植被拟合结果

前文通过植被干物质光谱反射率和氮含量的关系，模拟了最佳的适用模型，用来估算植被干物质氮含量，所得结果的精度在可接受范围内。而为了探索实验室获取氮含量是否也能很好地适用于正常植被，下面基于同样的理论方法，进一步模拟鲜植被氮含量来进行比较分析。由于LOPEX’93数据库直接提供的是干物质的氮含量，所以在与鲜植被反射率进行相关研究之前，需要先将干物质氮含量转换成鲜植被氮含量。然后对鲜植被光谱反射率的波段进行判断，再次筛选出与鲜植被氮含量相关的敏感波段。植被的氮素，多数以化合态存在于叶绿素和蛋白质当中，鲜植被的氮含量较小，在初步确定氮敏感区域时，应该适当地扩大范围。而在进一步判断敏感波段时，则利用了Prospect－Sailh模型，将模型中的叶绿素含量和干物质含量（蛋白质包含其中）分别作为变量，通过反射率曲线的变化区间来确定敏感波段（图4）。

图4 明显的氮素浮动区间

根据以上的筛选结果，将敏感区间以10nm为间隔，共得到46个敏感波段。然后计算这46个波段任意两波段的比值和差值，再分析得到的2070个结果与氮含量的相关性，再次综合考虑相关系数和波段组合等因素，最终选择了相关性较高的22个比值植被指数和27个差值植被指数来与氮含量进行7种模型的拟合。结果显示，所选的差值和比值植被指数与氮含量拟合的结果中精度最高的分别达到0.314和0.335，从数据上可以明显看出氮含量与鲜植被光谱反射率的拟合结果精度不高，与干物质模拟结果存在明显的差距。可见，利用鲜植被反射率波段组合的植被指数来估算氮含量的研究还有待进一步深思。虽然仅仅通过以上结果还不能确定导致干、鲜植被估算结果差异的原因是水分的存在或是植被中氮素含量过低而产生的误差，但是可以肯定的是直接模拟干物质氮含量与正常鲜植被反射率间关系的方法是存在较大误差的。

2.5 反射率变化形式拟合结果

为了进一步验证上文植被干物质反射率差值与氮含量的拟合结果，这里还用了反射率的各种变化形式与干物质植被氮含量进行拟合，将其结果与DVI拟合结果相对比来说明上文结果的有效性。反射率的变化形式主要包括反射率导数光谱、连续统去除光谱、波段深度和反射率倒数的对数等［19］，这里选用的参数是反射率的一阶导数、二阶导数，以及反射率倒数的对数和倒数的导数。

拟合过程中，先分别计算出所选敏感波段反射率的4个参数（一阶导数、二阶导数、倒数的对数和倒数的导数），然后再分析各项参数与氮含量的相关性，从中选取相关性最高的结果，将其与氮含量分别进行7种模型的拟合，从而找到相关性最高波段光谱参数的最佳拟合模型。表4列出了反射率4个参数与氮含量拟合结果中精度最高的拟合模型，结果显示，反射率的各项参数在与干物质植被氮含量的拟合中也有较好的精度，可以用来估算氮含量，但是其精度仍然低于DVI（R760－R1520）与氮含量所拟合的模型。

表4 反射率参数与氮含量拟合结果

3 结束语

植被的氮素含量与植被光谱信息存在着一定的相关性，通过植被的光谱来研究植被氮含量是运用遥感手段来获取植被生化组分的有效方法。本文的研究中，首先拟合了植被干物质和光谱反射率的关系，又与鲜植被的拟合结果进行了对比，再用光谱放射率的各种参数对干物质拟合结果的精度进行了验证，所得结论如下：

①通过植被指数与氮含量的模型拟合，找到了估算植被干物质氮含量的较好模型，即以DVI（R760－R1520）拟合的复合模型Y＝17.787× 241.456x和指数模型Y＝17.787×e5.487x，其拟合精度R2＝0.673，模型验证结果中拟合值与真实值的线性相关性在0.9以上。该结论既可以作为研究植被干物质生化组分的参考，也可以作为研究正常植被氮素含量的基础，具有一定的研究价值。

②采用同种方法拟合鲜植被氮含量与反射率差值、比值，其拟合模型结果的最高精度R2＝0.335，明显低于植被干物质的拟合结果，这可以说明实验室获取的植被氮素含量与鲜植被光谱反射率直接拟合存在一定的误差，而且误差可能来源于植被中存在的水分。

③利用反射率的4种变化形式（一阶导数、二阶导数、反射率倒数的对数和倒数的导数）来与植被干物质氮含量拟合，结果中反射率一阶导数具有最高的拟合精度R2＝0.601，其它参数的最高精度也都在0.5以上，但是仍然低于DVI（R760－R1520）拟合的结果，进一步论证了本文中拟合结果的可信度和有效性。

［1］ 朱晓铃，黄正清，高建阳，等.琯溪蜜柚叶片氮浓度高光谱遥感监测初探［J］.国土资源遥感，2007，（2）：71－74.

［2］ 朱哲燕，鲍一丹，黄敏，等.油菜叶绿素与氮含量关系的试验研究［J］.浙江大学学报，2006，32（2）：152－154.

［3］ 田庆永，闵祥军.植被指数研究进展［J］.地球科学进展，1998，13（4）：327－333.

［4］ 田永超，杨杰，姚霞，等.估测水稻叶层氮浓度的新型蓝光氮指数［J］.应用生态学报，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，马万栋，等.植被叶片光谱及红边特征与叶片生化组分关系的分析［J］.中国生态农业学报，2010，18（4）：804－809.

［9］ 王莉雯，卫亚星.植被氮素浓度高光谱遥感反演研究进展［J］.光谱学与光谱分析，2013，33（10）：2823－2827.

［10］ 王磊，白由路.不同氮处理春玉米叶片光谱反射率与叶片全氮和叶绿素含量的相关研究［J］.中国农业科学，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］ 陆成，陈圣波，刘万崧.叶片辐射传输模型PROSPECT理论研究［J］.世界地质，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］ 颜春燕.遥感提取植被生化组分信息方法与模型研究［D］.北京：中国科学院遥感应用研究所，2003.

［16］ 梁守真，施平，周迪.基于SAILH模型的植被冠层NDVI二向性分析［J］.遥感信息，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，陈铭臻，蒋亨显.水稻遥感估产的农学机理研究：不同氮素水平的水稻光谱特征及其敏感波段的选择［J］.浙江农业大学学报，1993，19（增刊）：7－14.

［19］ 孙林，程丽娟.植被生化组分光谱模型抗土壤背景的能力［J］.生态学报，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

国家自然科学基金项目（NSFC41271349）；国家“十二五”科技支撑计划项目（2012BAH27B00）；新疆及周边区域遥感动态监测与应急管理系统下课题（2012BAH27B04）。

孙华（1987—），女，硕士研究生，研究方向为海洋遥感、定量遥感。

E－mail：yexun1127＠126.com