水体总氮浓度与湿地芦苇叶片高光谱特征关系研究

刘 克，唐 新 明，赵 文 吉，雷 兵，郭 逍 宇，宫 兆 宁

(1.国家测绘地理信息局卫星测绘应用中心，北京 101300；2.首都师范大学资源环境与旅游学院，北京 100048)



水体总氮浓度与湿地芦苇叶片高光谱特征关系研究

刘 克1,2，唐 新 明1，赵 文 吉2，雷 兵1，郭 逍 宇2，宫 兆 宁2

(1.国家测绘地理信息局卫星测绘应用中心，北京 101300；2.首都师范大学资源环境与旅游学院，北京 100048)

以富营养化主控因子总氮为研究对象，通过不同氮浓度梯度培养芦苇的试验，测定芦苇的生理生化参数和叶片光谱，分析不同氮浓度处理下的芦苇理化特征和光谱特征差异，并利用线性和非线性回归方法建立光谱指数与水体总氮浓度的关系模型。研究结果表明：随水体总氮浓度的增加，芦苇高度、鲜生物量、叶片氮含量及叶绿素含量呈现增加趋势，而绿光反射峰值和红光吸收谷值呈现下降趋势，并出现明显"红移"现象；不同氮浓度处理的芦苇叶片反射光谱在绿光至红光的530～639 nm和696～717 nm差异显著；基于非线性拟合的PRI(Photochemical Reflectance Index)和CI(Chlorophyll Index)指数能够较好指示水体总氮浓度，拟合精度分别达0.82和0.91。该研究可以弥补现有水体富营养化遥感探测的不足，并为湿地管理与保护提供科学依据。

湿地植物；遥感；高光谱；富营养化；总氮

0 引言

水体富营养化不仅直接危害渔业和水资源的利用，而且破坏以水环境为生存和发育条件的湿地生态系统[1,2]，是当今世界水污染治理的难题，并已成为最重要的环境问题之一。富营养化监测是富营养化水体治理与修复的基本前提。传统多光谱传感器的光谱分辨率较低，难以辨别水质参数的诊断性吸收特征，而高光谱遥感器具有很窄的电磁波波段，可以从目标物获取更多有用的信息，因此得以广泛应用[3-5]。但已有研究大多针对开阔水体，针对被湿地植物覆盖的水体富营养化探测研究尚不多见。国外学者开始探索利用湿地植物光谱监测湿地环境变化[6,7]，而目前国内关于湿地植物光谱的研究集中于物种识别、分类制图等方面，利用其监测环境变化的研究较少[8]。

湿地植物对氮的吸收阈值与其水体中氮浓度净化贡献率呈现相同趋势[9]，叶片氮含量与叶绿素含量具有正相关关系[10]，而叶片叶绿素浓度变异是决定可见光和近红外反射光谱特征的主要因素[11，12]，这些研究为基于叶片光谱特征的水体氮含量反演提供了科学依据。本研究采用室内水体总氮单因素控制试验的方法研究不同氮梯度下芦苇的生理生化和光谱响应特征，并尝试采用线性和非线性拟合的方法建立水体总氮含量与植被光谱指数的联系，以期为大尺度水体总氮遥感监测提供科学依据，为湿地管理与保护提供参考、借鉴。

1 试验材料与方法

1.1 试验设计

选择典型的湿地植物——芦苇作为研究对象。2010年7月从田间挖取芦苇，保留其根状茎，缓苗成功后移栽至装有陶粒的试验盆中，每盆栽种2棵，将试验盆放入水槽中。参照Hoagland实验方法，将植物水培母液稀释为1/40 Hoagland培养液，并利用NH4NO3调整为5个氮梯度(0 mg/L、1 mg/L、2 mg/L、5 mg/L、20 mg/L)对芦苇进行水培实验，每个处理6次重复，完全随机排列。处理期间每10天更换一次培养液，30 天后进行各项指标的测定。室内昼夜温度分别为30℃和18℃，相对湿度80%以上，光照14 h/d。

1.2 光谱反射率测定

采用美国ASD公司Field-Spec 3光谱仪测定芦苇光谱。选择晴朗无风的天气，测量时间为10∶00-14∶00，根据天气条件进行优化，至少每20 min利用白板进行1次。测量时选择植株从顶部下数第一片完全展开的新叶，探头距离叶片中间部位约5 cm，保证探头的视野范围落在叶片上，每片叶一次保存10条光谱。

1.3 植株理化参数测定

1)高度测定：与光谱反射率同步测量植株高度，测量工具为卷尺；2)叶绿素含量测定：摘取光谱测量叶片，利用丙酮和乙醇1∶1混合，提取叶片叶绿素，使用分光光度计(UV-1600 Spectrophotometer)测定叶绿素a、叶绿素b在663 nm和645 nm的吸光度，计算叶绿素含量；3)鲜生物量测定：将植株取出，用蒸馏水漂洗称其鲜重；4)全氮含量测定：将叶片在105℃下杀青30 min后，于80℃下烘干至恒重，利用H2SO4-H2O2消煮，采用KDY-9830 凯氏定氮仪测定叶片全氮含量。

1.4 数据处理与分析

(1)光谱数据处理。对采集的叶片光谱数据进行算术平均，350～400 nm和800 nm之后的波段噪声较大，故去掉这些波段，不参与后续分析。

(2)一阶导数分析。传统的植被指数易受植被覆盖率、土壤颜色等影响，利用导数光谱技术能压缩背景噪音对目标信号的影响和不理想的低频信号，使数据更科学[13]。一阶导数光谱的计算方法如下[14]：

式中:λi为每个波段的波长，ρ′(λi)为波长λi的一阶导数，Δλ为波长λi-1到λi的间隔。

(3)单因素方差分析。亦称为一维方差分析(One-WayANOVA)，用于对单因素多个独立样本均值进行比较。本文采用Bonferroni方法对不同氮浓度处理下芦苇叶片光谱反射率进行差异性分析。

2 结果分析与讨论

2.1 不同氮浓度处理下芦苇生理生化特征

统计不同氮浓度处理下芦苇高度、鲜生物量、叶绿素含量和氮含量，与水体氮浓度的相关性均达到显著(P<0.05)或极显著(P<0.01)水平。从总体趋势看，随着氮浓度的升高，芦苇各项理化指标均呈现上升趋势(图1)，说明随着水体氮含量的增加，芦苇生长发育情况逐渐好转。进一步分析叶片氮含量与叶绿素的关系(图2)，其相关系数为0.91，达到显著水平(P<0.05)。以上分析表明，供氮水平越高，叶片氮含量越多，而由于氮是叶绿素的组成元素，叶绿素含量也越高，供氮水平明显影响叶绿素的多寡。

图1 5个氮浓度处理下芦苇高度、鲜生物量、叶片氮含量及叶绿素含量

Fig.1 Comparisons of height,wet weight,nitrogen content and chlorophyll content ofPhragmitesaustraliswith five nitrogen treatments

图2 芦苇叶片氮含量与叶绿素含量相关性分析

Fig.2 Correlations of nitrogen content and chlorophyll content ofPhragmitesaustralis

2.2 不同氮浓度处理下芦苇叶片可见光波段反射率

由于叶绿素的作用，植物叶片在可见光区域存在强烈的辐射能量吸收和较低的反射率[15]。根据植物的这种反射光谱特性，截取可见光波段以探明不同氮浓度处理下芦苇叶片光谱反射率的差异。如图3所示，在可见光波段，叶片光谱反射率均呈现“单峰”状，并在560 nm左右形成反射峰。但不同氮浓度处理叶片反射强度有差别，光谱反射率随着水体氮含量的增加而下降，这是因为较高的氮供给引起叶绿素含量增加，光合有效辐射(Photosynthetically Active Radiation，PAR)增强，在绿光波段的反射率降低。不同氮浓度处理叶片反射光谱在可见光波段680 nm附近有一个红光吸收谷。叶绿素含量随着氮供给水平的升高而增多，光合作用增强，利用的红光相应增加，吸收谷因此变深。560 nm和680 nm左右的波段是有效反映植物叶绿素和氮含量的敏感波段[16,17]，本研究表明这些波段同时也是反映水体氮浓度梯度变异的敏感波段。

图3 5个氮浓度处理下芦苇叶片可见光平均反射率

2.3 不同氮浓度处理下芦苇叶片光谱一阶导数

一阶导数变换能够挖掘原始光谱的隐藏信息[18,19]，不同氮浓度处理下芦苇叶片光谱一阶导数变化如图4所示。红边位置(680～750 nm)由1个主峰和几个次峰组成[20,21]，主峰落在700～720 nm之间。0 mg/L处理下一阶导数的主峰位于700 nm左右，而次峰不显著，位于718 nm左右；其他处理下的一阶导数存在2个特征显著的红边峰值，分别落于702 nm和718 nm左右。另外，相比1 mg/L，2 mg/L、5 mg/L、20 mg/L处理下的一阶导数在700 nm处的峰值逐渐平缓，而在718 nm左右表现为突出峰的特征。有研究表明，植物一阶导数光谱在680～730 nm的红边区域一般存在两个潜在的峰值，前峰大约位于705 nm，后峰大约位于720 nm[20,21]。当植物生长状况较好、叶绿素含量较多时，其红边反射率一阶导数曲线的主峰为后峰，前峰不明显；反之，则主峰为前峰，后峰不明显[21]。结合图1可见，芦苇在较高浓度氮处理下，叶绿素含量较高、生长状况良好，因而红边主峰为后峰；芦苇在较低浓度氮处理下，叶绿素含量降低、生长受到抑制，因而红边主峰为前峰。红边峰值对应的波长位置反映了植物的生长状况。生长状态好时，红边右移(红移)；生长状态差时，红边左移(蓝移)。0 mg/L、1 mg/L、2 mg/L、5 mg/L、20 mg/L氮浓度处理下的一阶导数谱峰值分别为700 nm、702 nm、718 nm、718 nm、719 nm，显然，随着浓度的增高，芦苇的一阶导数峰值呈现"红移"现象，生长状况转好。

图4 5个氮浓度处理下芦苇叶片反射率一阶导数

Fig.4 The first derivative spectrum curves ofPhragmitesaustraliswith five nitrogen treatments

2.4 不同氮浓度处理下芦苇叶片光谱差异

利用对Bonferroni多重比较分析方法得到5个氮梯度下光谱对比结果(图5)，显著性水平取P=0.05。0 mg/L氮浓度处理下的光谱反射率与其他比较，分别在400～709 nm、467～722 nm、400～717 nm、400～729 nm存在显著差异；1 mg/L与2 mg/L及5 mg/L氮浓度处理下的光谱反射率没有显著差异，而与20 mg/L在红波段(530～582 nm)和近红外波段(696～728 nm)存在显著差异；2 mg/L与20 mg/L氮浓度处理下的光谱反射率相比，在562～639 nm存在显著差异；5 mg/L与20 mg/L氮浓度处理下的光谱反射率在708～732 nm存在显著差异；2 mg/L与5 mg/L氮浓度处理下的光谱反射率相比，不存在显著差异。

图5 不同氮浓度处理条件下的芦苇叶片光谱图

Fig.5 Detection of differences among pairwise contrasts of five nitrogen treatments

进一步根据两两对比的结果，统计显著差异波段出现的频次(图6)。出现6次差异的波段为562～582 nm和708～709 nm，出现5次以上(含上述6次)差异的波段为530～639 nm和696～717 nm。530～639 nm位于绿黄橙光谱范围内，主要反映叶绿素和类胡萝卜素对黄光和绿光的反射特征，而696～717 nm位于红光光谱范围内，该谱段反映叶绿素对红光的吸收特征，是探测叶绿素的敏感波段[22]。

图6 差异显著波段频次分析

Fig.6 Frequency statistics of significantly different bands

2.5 芦苇叶片光谱与氮浓度的关系

前人研究表明，选择合适的波段位置对提高植被指数与氮浓度、叶绿素浓度的相关程度至关重要。基于此，选取高频使用的高光谱指数(表1)，利用线性和非线性回归模型建立与氮梯度浓度的关系。其中，非线性回归引入Growth/Sigmoidal函数数据模型，表达式为y=A1+(A2-A1)/(1+10^((LOGx0-x)*p))。从表1中可以看出，基于线性拟合的光化学植被指数(Photo Chemical Reflectance Index，PRI)精度最高，调整R2为0.63；基于非线性拟合的CI指数表现最好，调整R2为0.91，其次为PRI指数，调整R2达到0.82。非线性模型的拟合精度高于线性模型拟合精度。

从表1中还可以看出，CI光谱指数由705 nm和750 nm处的反射率构成，充分应用了红边信息，对叶绿素浓度具有较好指示作用和较高敏感性[23]，而外源氮浓度与芦苇叶片叶绿素浓度具有高度一致性，这可能是该指数与水体氮浓度拟合效果较好的原因。PRI光谱指数是由531 nm和570 nm处的反射率构成，531 nm处的反射率只受到叶绿素含量的影响，570 nm处的反射率受叶绿素和胡萝卜素两种色素的影响，叶绿素含量越高，PRI值越大[24-26]。另外，构成CI和PRI光谱指数的波段同时也是2.4节差异频率较高的波段，可能是这两个指数与氮浓度拟合效果较好的原因。

表1 线性/非线性拟合模型参数

Table 1 Linear/nonlinear curve fit model parameters

指数名称表达式NDVIPRICIDD(R800-R670)/(R800+R670)(R531-R570)/(R531+R570)(R750-R705)/(R750+R705)(R750-R720)-(R700-R670)线性模型非线性模型a0．0010．0020．0050．004b0．733-0．0010．3780．038Adj．R20．0240．6260．2160．255A1-20．571-242．277-288．909-340．68A20．7670．0330．4510．109LOGx0-0．33-24．721-4．378-6．436P6．870．150．7290．517Adj．R20．6430．8220．9050．811

3 结论

本研究采用室内水体总氮单因素控制试验的方法，通过分析广布世界的水生植物——芦苇对水体总氮浓度的光谱响应特征，间接反映了水体总氮浓度的变化。研究结果表明：外源氮的浓度显著影响芦苇的生长状况，与芦苇高度、鲜生物量、叶片氮含量、叶绿素含量等生理生化指标呈现正相关关系。随着水体氮浓度的上升及叶绿素含量增加，芦苇叶片光谱在绿光的反射强度降低，在红光的吸收强度增加，红边主峰移为后峰，并出现明显“红移”现象。不同氮处理浓度的芦苇叶片反射光谱在530～639 nm及696～717 nm差异显著，以上两个谱带不仅是探测叶绿素的敏感波段，同时也是反映水体氮浓度梯度变异的敏感波段。利用构成波段与上述波段范围高度重合的PRI和CI指数，建立预测水体总氮浓度的非线性拟合模型，精度分别达到0.82和0.91，是监测水体总氮浓度的理想模型。

本研究是基于水体总氮单因素的控制试验，其结果能有效避免因冠层结构、叶片水分和土壤背景等因素对光谱特征的影响导致的研究结果偏差，是基于水体总氮浓度与湿地芦苇叶片高光谱特征关系研究的有益尝试。

[1] 全为民，严力蛟.农业面源污染对水体富营养化的影响及其防治措施[J].生态学报，2002，22(3)：291-298.

[2] HEMOND H F,BENOIT J.Cumulative impacts on water quality functions of wetlands[J].Environmental Management,1988,12(5):639-653.

[3] HAKVOORT H,HAAN J DE,JORDANS R,et al.Towards airborne remote sensing of water quality in the Netherlands-validation and error analysis[J].Journal of Photogrammetry and Remote Sensing,2002,57(3):171-183.

[4] MATTHEWS M W,BERNARD S,WINTER K.Remote sensing of cyanobacteria-dominant algal blooms and water quality parameters in Zeekoevlei,a small hypertrophic lake,using MERIS[J].Remote Sensing of Environment,2010,114(9):2070-2087.

[5] 程春梅，韦玉春，张静，等.基于光谱平滑的浑浊水体叶绿素a浓度一阶微分估算模型[J].地理与地理信息科学，2013，29(3)：30-34.

[6] HARDISKY M A,SMART R M,KLEMAS V.Growth response and spectral characteristics of a shortSpartinaalterniflorasalt marsh irrigated with freshwater and sewage effluent[J].Remote Sensing of Environment,1983,13(1):57-67.

[7] TILLEY D R,AHMED M,SON J H,et al.Hyperspectral reflectance response of freshwater macrophytes to salinity in a brackish subtropical marsh[J].Journal of Environmental Quality,2007,36(3):780-789.

[8] 刘庆生，张敏，宁吉才，等.翅碱蓬高光谱植被指数对土壤化学性质的响应[J].地理与地理信息科学，2011，27(3)：86-89.

[9] 王沛芳，王超，王晓蓉，等.苦草对不同浓度氮净化效果及其形态转化规律[J].环境科学，2008，29(4)：890-895.

[10] 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(农业与生命科学版)，2006，32(2)：152-154.

[11] YODER B J,PETTIGREW-CROSBY R E.Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra (400-2500nm) at leaf and canopy scales [J].Remote Sensing of Environment,1995,53(22):199-211.

[12] GITELSON A A,MERZLYAK M N.Remote estimation of chlorophyll content in higher plant leaves[J].International Journal of Remote Sensing,1997,18(18):2691-2697.

[13] 迟光宇，刘新会，刘素红，等.环境污染监测中的植物光谱效应研究[J].环境科学与技术，2005，28(增刊)：16-20.

[14] 浦瑞良，宫鹏.高光谱遥感及其应用[M].北京：高等教育出版社，2000.81-97.

[15] KNIPLING E B.Physical and physiological basis for the reflectance of visible and near-infrared radiation from vegetation[J].Remote Sensing of Environment,1970,1(3):155-159.

[16] 李丙智，李敏夏，周璇，等.苹果树叶片全氮含量高光谱估算模型研究[J].遥感学报，2010，14(4)：761-773.

[17] 宋沙磊，李平湘，龚威，等.基于水稻高光谱遥感数据的PLS波长选择研究[J].武汉大学学报(信息科学版)，2010，35(2)：219-223.

[18] BLACKBURN G A,FERWERDA J G.Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis[J].Remote Sensing of Environment,2008,112(4):1614-1632.

[19] MALENOVSKY＇ Z,HOMOLOVL,ZURITA-MILLA R,et al.Retrieval of spruce leaf chlorophyll content from airborne image data using continuum removal and radiative transfer[J].Remote Sensing of Environment,2013,131(2013):85-102.

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

[21] ZARCO-TEJADA P J,PUSHNIK J C,DOBROWSKI S,et al.Steady-state chlorophyll a fluorescence detection from canopy derivative reflectance and double-peak red-edge effects[J].Remote Sensing of Environment,2003,84(2):283-294.

[22] 刘克，赵文吉，郭逍宇，等.野鸭湖典型湿地植物光谱特征研究[J].生态学报，2010，30(21)：5853-5861.

[23] 吴朝阳，牛铮.基于辐射传输模型的高光谱植被指数与叶绿素浓度及叶面积指数的线性关系改进[J].植物学通报，2008，25(6)：714-721.

[24] 吴朝阳，牛铮，汤泉，等.不同氮、钾施肥处理对小麦光能利用率和光化学植被指数(PRI)关系的影响[J].光谱学与光谱分析，2009，29(2)：455-458.

[25] DARIA S,KERSTIN W,DONALD C P,et al.Evaluating hyperspectral imaging of wetland vegetation as a tool for detecting estuarine nutrient enrichment[J].Remote Sensing of Environment,2008,112 (11):4020-4033.

[26] NAUMANN J C,ANDERSON J E,YOUNG D R.Linking physiological responses,chlorophyll fluorescence and hyperspectral imagery to detect salinity stress using the physiological reflectance index in the coastal shrub,Myrica cerifera[J].Remote Sensing of Environment,2008,112(10):3865-3875.

Study on Relationship Between Nitrogen Nutrients in Water and Hyperspectral Characteristics of Wetland Plants

LIU Ke1,2,TANG Xin-ming1,ZHAO Wen-ji2,LEI Bing1,GUO Xiao-yu2,GONG Zhao-ning2

(1.SatelliteSurveyingandMappingApplicationCenter,NationalAdministrationofSurveying,MappingandGeoinformation,Beijing101300;2.CollegeofResourcesEnvironmentandTourism,CapitalNormalUniversity,Beijing100048,China)

Remote sensing technology,as a useful tool to monitor the eutrophication of water body,is usually employed in open water.However,limited applications have been found in measuring eutrophication of wetland covered by vegetation.This paper explored the possibility to estimate total nitrogen content,which is an important index indicating water eutrophication,by using wetland vegetation spectra.The physical-chemical traits and the spectral differences ofPhragmitesaustraliswere analyzed based on data measured with five nitrogen levels (0 mg/L,1 mg/L,2 mg/L,5 mg/L,20 mg/L).Furthermore,linear and non-linear regression models were established to reveal the relationship between nitrogen treatment levels and spectral indices.The results have shown that:1) The height,fresh biomass,nitrogen content and chlorophyll content ofPhragmitesaustralisdisplay increased trend along the increasing of the nitrogen concentration in water.2) The reflection features of green and red wavebands are weaker from low to high nitrogen treatment,moreover,the peak wavelength of red edge shifts to longer wavelengths.3) The reflectance differences among nitrogen treatment levels are significant in the 530～639 nm and 696～717 nm wavebands.4) PRI (Photochemical Reflectance Index) and CI (Chlorophyll Index) provide the most useful tool to monitor the total nitrogen concentration of water body.The result from this paper can fill the gaps in the detection of eutrophication using remote sensing.

wetland vegetation;remote sensing;hyperspectral;eutrophication;total nitrogen

2014-07-11；

2014-10-07

国家自然科学基金项目(41101404、40901281)；国家科技支撑项目(2012BAH28B01、2012BAH28B04)

刘克(1984-)，女，博士，助理研究员，主要从事遥感应用研究，发表论文10余篇。E-mail:xiaokezi124@163.com

10.3969/j.issn.1672-0504.2015.02.006

TP79；X87

A

1672-0504(2015)02-0024-05