基于高光谱植被指数的叶片净光合速率Pn反演

王 娣，佃 袁 勇，乐 源，黄 春 波

(1.武汉大学遥感信息工程学院,湖北 武汉 430079;2.华中农业大学园艺林学学院,湖北 武汉 430070)

基于高光谱植被指数的叶片净光合速率Pn反演

王 娣1，佃 袁 勇2*，乐 源1，黄 春 波2

(1.武汉大学遥感信息工程学院,湖北 武汉 430079;2.华中农业大学园艺林学学院,湖北 武汉 430070)

植物净光合速率是衡量植被生产力、体现植物整体长势的重要指标。该文在分析植被光谱指数VI、光合有效辐射PAR与净光合速率Pn关系的基础上，建立了基于高光谱遥感数据的净光合速率反演模型。采集武汉市4种常见植被叶片共124个样本作为研究对象，在分析比较9种不同光谱指数与SPAD相关性的基础上选择3种相关性较高的植被指数对不同的植被类型进行净光合速率反演模型建立。结果表明：实验中CIrededge、NDVI705和RVI7003种植被指数与SPAD相关性较高，R2值均在0.7以上，最高达到0.88；在建立净光合速率反演模型时，若仅考虑叶片净光合速率(Pn)与植被指数的关系，其相关性较差；而将植被光谱指数、光合有效辐射(PAR)乘积后再与净光合速率(Pn)分析时，发现其相关性显著提高；以上3种植被指数中CIrededge*PAR vs.Pn反演效果最优，但农作物与园林植物净光合速率反演最优模型存在差异。因此,利用高光谱遥感技术可以了解和掌握植物叶片的光合效应，以此评价植物固碳释氧能力以及估测农作物产量是完全可行的。

高光谱；净光合速率；叶绿素SPAD；红边指数CIrededge；光合有效辐射

0 引言

光合作用是高等植物所特有的一种生理功能，它可以将太阳能转换成化学能。园林植物的固碳释氧能力、农作物的产量均与植物光合作用的生理生态过程有关[1]。净光合速率(Pn，net Photosynthesis rate，μmolCO2·m-2·s-1)是衡量光合作用能力的一个重要指标,净光合速率越高，表明植物叶片的结构和功能状况越好[2]。目前国内外很多学者都致力于对净光合速率的研究，如植被冠层光合能力的估测[3]、营养元素对光合速率的影响[4]、净光合速率昼夜动态[5]以及受胁迫状态下光合速率的变化[6,7]等。

但是，目前对植物的净光合速率研究主要以地面样地调查为主，耗时费力，无法快速便捷地反应大面积区域、大时间跨度的净光合速率情况。而遥感技术尤其是近些年发展起来的高光谱遥感，波段多且窄，具有方便快捷和可以大面积跨区域监测的优点，刚好弥补传统方法的缺陷。因此如何建立高光谱数据与净光合速率间的关系是研究中的关键。

一方面由于植被对不同光谱波段的吸收特性不同，通过高光谱波段的不同组合可得到不同的植被指数，如NDVI等[8-12]。植被指数的出现为植被生理参数的定量化测定提供了简便、快速、有效、无损的数据采集和处理方法[13,14]。Schlemmer等[15]和Clevers等[16]利用不同的植被指数对叶片和冠层尺度上的叶绿素含量分别进行了估算。Gitelson等[17-19]和Turner等[20,21]在利用植被指数估算叶绿素总含量的基础上发展了多种GPP(初级生产力)反演模型，均有较好结果。另一方面光合作用的强弱与表征植被长势的生理生化参数尤其是叶片叶绿素含量[22]密切相关，它直接影响着植被对光能的吸收和转换[23]。张秋英等[23]研究了冬小麦叶片叶绿素含量及光合速率在不同生育期的变化规律，指出两者随季节变化趋势一致，且呈显著相关。而Gitelson等[24]提出的基于三波段的植被指数CIrededge被证明与叶绿素含量间存在显著相关，R2达到0.9以上。那么利用植被指数反演净光合速率是否可行且有效就是本文的研究目的。

本文在以上研究的基础上，通过研究植物叶片净光合速率Pn与光谱植被指数间的关系，探讨是否可以利用高光谱数据进行植物光合作用生理研究，试图为运用遥感手段研究林木的固碳释氧能力以及农作物产量估测提供新思路和依据。

1 材料与方法

1.1 研究区与研究对象

研究区位于湖北省武汉市武昌区华中农业大学校园内。武汉市武昌区气候类型属于亚热带温润季风气候，降水充沛，年降水量约1 150～1 450 nm，日照充足，年平均气温在15.8～17.5 ℃。由于季风的影响，春夏多雨，秋冬多旱，降水量分配不均。本文选取杜鹃(RhododendronSimsiiPlanch.)、椤木石楠(PhotiniadavidsoniaeRehd.etWils.)、石楠(PhotiniaserrulataLindl.)和小麦(TriticumaestivumLinn)4种植物进行研究，分别位于样地1(游泳池旁)、样地2(狮子山广场)、样地3(青年湖旁)和样地4(华农附小南面)，见表1。

表1 研究对象及样本数统计

1.2 数据采集

于2014年3-5月天气晴好、风力较小的日子进行数据采集。由于北京时间上午9:00-11:00和下午14:00-16:00这两个时段内叶面入射光强和叶面温度相对稳定，为减小误差，在这段时间内于室外自然光条件下进行数据采集。使用Li-6400便携式光合仪(美国LiT-Cor公司制造)测定净光合速率Pn 值。每片叶片重复测量5次，取其平均值作为最终值。采用美国ASD 便携式野外光谱仪(光谱仪波段范围为325～1 075 nm)进行光谱测定。每次进行光谱测定前，都要利用漫反射参考板进行仪器的优化。测定时，将待测叶片平放在反射率近似为0的黑色纸板上，传感器探头垂直置于叶片2～3 cm 之上，保证叶片充满整个视场角，每个样品光谱值重复采集10次，把10组数据的平均值作为该样品最终光谱反射率。以便携式叶绿素计SPAD-502同步测定的叶片绿度SPAD值作为叶绿素含量。为了减少测量误差，每片叶子至少测量10个点(测定时避开叶脉)，然后取其平均值作为该叶片的SPAD值。

1.3 研究方法

1.3.1 植被指数计算 研究选用表2中的9种常见植被指数。红边叶绿素指数(CIrededge)和绿波段叶绿素指数(CIgreen)由Gitelson等[24]基于三波段模型提出，运用3个离散光谱带来估测植物中色素含量。归一化植被指数(NDVI)和增强型植被指数(EVI)对绿色植被表现敏感，常被用来监测区域或全球植被状态变化[8，9]。红边归一化植被指数NDVI705是NDVI的改进型，对叶片及冠层的微小变化和衰老非常灵敏，常用于精细农业、植被胁迫性探测等[10]。比值植被指数RVI700和RVI550被证明在叶片尺度上与叶绿素含量存在很强的线性相关[10]。差值植被指数(DVI)对土壤背景的变化极为敏感，有利于植被生态环境监测[11]。结构不敏感色素指数(SIPI)可以降低叶片表面及内部结构特征与辐射间交互作用所带来的影响，被证明与胡萝卜素和叶绿素a之间的比率具有较强的非线性关系[12]。在分析9种植被指数与SPAD值相关性的基础上选择3种相关系数较高的指数参与净光合速率反演模型的建立。

表2 研究中用到的植被指数(VI)及其计算公式

1.3.2 模型建立与验证 研究采用线性模型、对数模型和指数模型来分析植被指数VI与净光合速率Pn以及VI*PAR与净光合速率Pn的相互关系，以决定系数R2和均方根误差RMSE来检验模型的稳定性和推广性，并初步确定最优模型以便验证。随机选取1/3的样本(41个)作为验证样本对反演模型进行验证。将验证样本VI*PAR值代入最优模型回归方程得到Pn的估测值Pn′，利用SPSS19.0软件将估测值Pn′与实测值Pn作相关性及显著性检验来验证模型的准确性。

2 结果与分析

2.1 叶绿素(SPAD)与植被指数的关系

将不同植被类型叶绿素(SPAD)数据分别与上述9种植被指数作线性、指数和对数拟合，决定系数见表3。可以看到农作物叶绿素(SPAD)与CIrededge指数和NDVI705指数的指数模型拟合效果最好，R2值均达到0.92；园林植物叶绿素(SPAD)与RVI700指数的指数模型拟合效果最好，R2值达到0.86；而忽略植被类型差异将其综合之后进行拟合分析，效果最好的是RVI700指数模型，R2=0.88，且除DVI指数外，其余8种指数与叶绿素(SPAD)值均达到0.01水平显著相关。

农作物与园林植物的CIrededge、NDVI705和RVI700指数的拟合决定系数除CIrededge指数模型外均达到0.7以上，与其余6种植被指数相比有明显优势，因此选取以上3种植被指数与净光合速率Pn进行相关性分析。图1给出了将农作物与园林植物综合后叶绿素(SPAD)与以上3种植被指数的散点图以及拟合效果最优的回归方程、决定系数和RMSE。

图1 农作物与园林植物综合后叶绿素(SPAD)与3种植被指数的散点图

2.2 净光合速率(Pn)反演模型

2.2.1 植被指数与净光合速率相关性分析 将两种植被类型及综合后的CIrededge、NDVI705和RVI700指数与净光合速率(Pn)进行相关性分析，决定系数R2值见表4。从表4中可以看到，3种指数与净光合速率(Pn)均达到0.01水平显著相关。农作物中拟合效果最好的是NDVI705指数模型，R2为0.58，园林植物中拟合效果最好的是NDVI705对数模型，R2为0.40，而两种植被类型整合后拟合效果最好的是CIrededge线性模型，R2为0.56，R2均低于0.6。分析其原因，影响光合作用的因素不仅仅是叶片叶绿素含量，净光合速率(Pn)还与光合有效辐射PAR密切相关。图2给出了将农作物与园林植物综合后3种植被指数与净光合速率Pn的散点图以及拟合效果最优的回归方程、决定系数及RMSE。

2.2.2 净光合速率(Pn)反演模型 将CIrededge、NDVI705和RVI700指数与PAR相乘得到VI*PAR的值，分析其与Pn的相关性。表5列出了线性、对数和指数拟合的方程与相应的决定系数R2值。可以看到在引入光合有效辐射PAR后，反演模型的R2值较表4中的R2值有明显的增大，说明利用VI*PAR值反演净光合速率Pn的效果比单纯利用VI反演Pn值效果更好。其中，CIrededge和NDVI705指数较RVI700优势明显，无论是在农作物还是园林植物甚至综合后的数据中R2值均达到0.6以上，而RVI700只在农作物RVI700*PAR vs.Pn线性模型中R2达到0.61，其余均低于0.6。农作物中拟合效果最好的是CIrededge*PAR vs.Pn线性模型，R2为0.64；园林植物CIrededge*PAR vs.Pn和NDVI705*PAR vs.Pn的拟合效果相当，R2均为0.66；而综合后拟合效果最好的是CIrededge*PAR vs.Pn线性模型,R2为0.62。

表4 植被指数与净光合速率(Pn)的拟合结果

图2 作物与园林植物综合后3种植被指数与净光合速率Pn的散点图

表5 植被指数与净光合速率(Pn)的拟合结果

Table 5 The fitting results of VI and net photosynthetic rate (Pn)

注:**表示在0.01水平(双侧)显著相关。

根据模型稳定性和准确性的判断标准，R2值越高代表建模效果越好，因此可以得到不同植被类型净光合速率反演的最优模型，图3为不同植被类型CIrededge*PAR与净光合速率Pn的散点分布图，给出了最优模型的回归方程、决定系数R2以及RMSE。

图3 VI*PAR与净光合速率Pn的散点图

2.2.3 模型验证 将不同植被类型随机选取的验证样本CIrededge*PAR值分别代入对应的最优模型方程中得到Pn的估测值Pn′，利用SPSS19.0软件作相关性及显著性检验来验证模型的准确性(表6)。图4为将农作物与园林植物综合后的数据通过最优模型反演得到的估测值Pn′与实际测得的净光合速率Pn值的散点图，可以看出，散点基本分布在y=x线附近，说明反演模型可满足应用要求。

表6 估测值Pn′与实测值Pn相关性检验结果

3 讨论

3.1 植被指数与叶绿素SPAD相关性分析的差异

从9种植被指数与叶绿素SPAD相关性分析的结果中可以看到，CIrededge、NDVI705和RVI7003种指数相较于其他6种有明显优势，观察其计算公式发现，以上3种植被指数均选用了近红外和红边波段组合进行计算。红边是指光谱反射率在红谷与近红外平台间呈陡峭爬行脊的区域，是由植被在红光波段强烈吸收与近红外波段强烈反射造成的。近红外波段的强烈反射则由植被生物量、冠层结构和叶片内部结构所决定。而其他6种植被指数则选择近红外和红波段或绿波段进行组合计算。虽然“绿峰红谷”现象被公认为是与叶绿素含量密切相关，但在本实验中并没有表现出预期效果。由此可见，在本实验中红边波段比红波段或绿波段对叶绿素含量的差异表现得更为敏感。除此之外，为探讨反演模型的普适性，在采集样本时选择了新叶、幼叶以及成熟叶，其绿度的差异以及叶片结构的差异也导致了9种植被指数与叶绿素SPAD相关性的差异。

图4 净光合速率实测值与估测值散点图

3.2 影响净光合速率Pn反演的因素

单独利用植被指数反演净光合速率Pn的效果并不好，在引入光合有效辐射PAR之后反演效果有一定提高，由此可见，只通过叶绿素来研究净光合速率的反演有其局限性，从另一方面说明了光强对于植物光合作用的重要性。光合作用的强弱除了与叶绿素含量和光合有效辐射PAR相关外，外界环境因子如温度、湿度等也会影响净光合速率，下一步实验将综合考虑多种因素做进一步研究。

3.3 不同植被类型的反演模型差异分析

本实验中CIrededge*PAR vs.Pn反演效果最优，NDVI705*PAR vs.Pn次之。但不同植被类型(农作物和园林植物)的反演模型存在差异，农作物净光合速率反演最优模型为y=3.422lnx-8.123 (R2=0.64)，而园林植物净光合速率反演最优模型为y=2.118lnx-5.250 (R2=0.66)。这是二者的光合作用能力存在差异造成的，农作物的光合作用能力要比园林植物稍强。如图5所示，园林植物净光合速率均低于12 μmolCO2m-2s-1，而农作物净光合速率在12～20 μmolCO2m-2s-1内仍有分布。除此之外，农作物小麦属季节性植物,而本实验中的3种园林植物均属于观赏类常绿植物，结构上的差异也造成了反演模型的不同。将二者综合后的反演最优模型为y=0.02x+2.13(R2=0.62)，但数据综合后反演效果变差，R2不增反降，因此，在可行的情况下，建议将农作物与园林植物分开进行反演建模。

图5 园林植物和农作物样本Pn值频率分布

4 结论

本文提出了一种利用高光谱数据进行植物光合作用研究的新思路。在比较9种植被指数与叶绿素SPAD相关性的基础上，选择出相关性较高的植被指数与光合有效辐射PAR作乘积运算，从而进行净光合速率反演模型建立。本文得到以下结论：利用高光谱植被指数进行净光合速率反演是可行的，其中红边指数CIrededge相比于其余8种植被指数具有明显优势，反演模型具有一定的普适性。本文方法在一定程度上弥补了传统研究方法耗时费力的缺点，满足大面积跨区域生态环境监测需求，在林木固碳释氧能力以及农作物产量估测研究中具有潜在应用价值。

[1] REICH P B，AMUNDSON R G.Ambient levels of Ozone reduce net photosynthesis in tree and crop species[J].Science，1985，230(4725):566-570.

[2] 张治安，杨福，陈展宇，等.菰叶片净光合效率日变化及其与环境因子的相互关系[J].中国农业科学,2006,3:502-509.

[3] ZHANG Y G，LUIS G，JOSEPH A B，et al.Estimation of vegetation photosynthetic capacity from space-based measurements of chlorophyll fluorescence for terrestrial biosphere models[J].Global Change Biology，2014，20(12):3727-3742.

[4] AHMED N，ABID M，RASHID A，et al.Influence of Boron nutrition on membrane leakage，chlorophyll content and gas exchange characteristics in Cotton (Gossypium HirsutumL)[J].Journal of Plant Nutrition，2014，37(14):2302-2315.

[5] PENG Y F，LI C J，FRITSCHI F B.Diurnal dynamics of maize leaf photosynthesis and carbohydrate concentrations in response to differential N availability[J].Environmental and Experimental Botany，2014，99:18-27.

[6] 何明，翟明普，曹帮华.水分胁迫下增施氮、磷对刺槐无性系苗木光合特性的影响[J].北京林业大学学报,2009(6):116-120.

[7] 吴顺，张雪芹，蔡燕.干旱胁迫对黄瓜幼苗叶绿素含量和光合特性的影响[J].中国农学通报,2014(1):133-137.

[8] 罗亚，徐建华，岳文泽，等.植被指数在城市绿地信息提取中的比较研究[J].遥感技术与应用,2006(3):212-219.

[9] 贾宝全，邱尔发，张红旗.基于归一化植被指数的西安市域植被变化[J].林业科学,2012(10):6-12.

[10] LIANG L，LI P D，DENG M X，et al.Estimation of crop LAI using hyperspectral vegetation indices and a hybrid inversion method[J].Remote Sensing of Environment，2015(165)：123-134.

[11] XIAO L J，FENG M C，YANG W D，et al.Estimation of water content in winter wheat(Triticum aestivum L.) and soil based on remote sensing data-vegetation index[J].Communications in Soil Science and Plant Analysis，2015，46(14):1827-1839.

[12] JIN X L，LI Z H，FENG H K，et al.Newly combined spectral indices to improve estimation of total leaf chlorophyll content in cotton[J].Selected Topics in Applied Earth Observations and Remote Sensing ，2014(7):4589-4600.

[13] CIGANDA V，GITELSON A A，SCHEPERS J.Non-destructive determination of maize leaf and canopy chlorophyll content[J].Journal of Plant Physiology，2009，166(2):157-167.

[14] GITELSON A A，GRITZ Y，MERZLYAK M N.Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leave[J].Journal of Plant Physiology，2003，160(3):271-282.

[15] SCHLEMMER M，GITELSON A A，SCHEPERS J，et al.Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels[J].International Journal of Applied Earth Observation and Geoinformation，2013(25):47-54.

[16] CLEVERS J G P W，GITELSON A A.Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3[J].International Journal of Applied Earth Observation and Geoinformation，2013(23):344-351.

[17] PENG Y，GITELSON A A，KEYDAN G，et al.Remote estimation of gross primary production in maize and support for a new paradigm based on total crop chlorophyll content[J].Remote Sensing of Environment，2011，115(4):978-989.

[18] PENG Y，GITELSON A A.Application of chlorophyll-related vegetation indices for remote estimation of maize productivity[J].Agricultural and Forest Meteorology，2011，151(9):1267-1276.

[19] GITELSON A A，PENG Y，MASEK J G，et al.Remote estimation of crop gross primary production with Landsat data[J].Remote Sensing of Environment，2012(121):404-414.

[20] TURNER D P，RITTS W D，COHEN W B，et al.Site-level evaluation of satellite-based global terrestrial gross primary production and net primary production monitoring[J].Global Change Biology，2005，11(4):666-684.

[21] TURNER D P，RITTS W D，WHARTON S，et al.Assessing FPAR source and parameter optimization scheme in application of a diagnostic carbon flux model[J].Remote Sensing of Environment，2009，113(7):1529-1539.

[22] 王洋，齐晓宁，柏会子.生态环境对作物光合作用和光能利用影响的研究进展[J].土壤与作物,2012(3):129-134.

[23] 张秋英，李发东，刘孟雨.冬小麦叶片叶绿素含量及光合速率变化规律的研究[J].中国生态农业学报,2005(3):95-98.

[24] GITELSON A A，KEYDAN G P，MERZLYAK M N.Three-band model for noninvasive estimation of chlorophyll,carotenoids,and anthocyanin contents in higher plant leaves[J].Geophysical Research Letters，2006，33(11).DOI:10.1029/2006GL026457.

[25] TUCKER C J.Red and photographic infrared linear combinations for monitoring vegetation[J].Remote Sensing of Environment，1979(8):127-150.

[26] GITELSON A A，MERZLYAK M N.Quantitative estimation of chlorophylla using reflectance spectra:Experiments with autumn chestnut and maple leave[J].Journal of Photochemistry and Photobiology B:Biology，1994(22):247-252.

[27] GITELSON A A，MERZLYAK M N.Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L.and Acer platanoides L.leaves spectral features and relation to chlorophyll estimation[J].Journal of Plant Physiology，1994，143:286-292.

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

[29] HUETE A，JUSTICE C，LIU H.Development of vegetation and soil indices for MODIS-EOS[J].Remote Sensing of Environment，1994，49:224-234.

[30] JORDAN C F.Derivation of leaf area index from quality of light on the forest floor[J].Ecology，1969，50:663-666.

[31] PENUELAS J，FILELLA I，GAMON J A.Assessment of photosynthetic radiation-use efciency with spectral re ectance[J].New Phytologist，1995，131(3):291-296.

Net Photosynthetic Rate Inversion Based on Hyperspectral Vegetation Indices

WANG Di1,DIAN Yuan-yong2,LE Yuan1，HUANG Chun-bo2

(1.SchoolofRemoteSensingandInformationEngineering,WuhanUniversity,Wuhan430079;2.CollegeofHorticultureandForestry,HuazhongAgriculturalUniversity,Wuhan430070,China)

In this paper,we analyzed the correlation between the 9 vegetation indices of the plant and the chlorophyll SPAD values,and then select the better ones to study the correlation between them and the net photosynthetic rate respectively.The results showed that compared with the other six vegetation indices,the CIrededge,NDVI705and RVI700have obvious advantages.They have higher correlationR2with SPAD,theR2value were above 0.7,the highest one reached 0.88;when only considering the relationship between the net photosynthetic rate (Pn) and spectral vegetation index(VI),the result was not good;but when use the product PAR*VI (the vegetation index was multiplied by the photosynthetic active radiation) instead of VI,the correlation with Pn was significantly improved.The results showed that CIrededge* PAR vs.Pn model has high fit results withR2values all up to 0.6.CIrededgebehaved better than the other two vegetation indices in the Pn inversion,but different in the crop and landscape plant,the optimal model isy=3.422*lnx-8.123(R2=0.64,RMSE=3.1825) in the crop,y=2.118*lnx-5.250 (R2=0.66,RMSE=2.238) in the landscape plant respectively,andy=0.02*x+2.13 (R2=0.62,RMSE=2.814) when ignoring the difference between vegetation types.This method makes up the defect of the traditional research methods which are time consuming and laborious in a certain extent,it meets the need of ecological environment monitoring,and it has the potential application value in the estimation research of releasing oxygen and crop yield.

hyperspectral data;net photosynthetic rate;chlorophyll SPAD;red edge index CIrededge;photosynthetic active radiation

2015-10-13；

2016-03-17

国家863项目 “作物生长信息的数字化获取与解析技术”(2013AA102401);国家自然科学基金项目“基于叶面积指数的城市绿地固碳释养与降温增湿功能反演”(31270744);国家自然科学基金项目“基于体素特征的森林冠层叶绿素反演研究”(41501365)

王娣(1991-)，女，硕士，主要从事高光谱技术应用研究。*通讯作者E-mail：dianyuanyong@126.com

10.3969/j.issn.1672-0504.2016.04.008

TP79;Q945.11

A

1672-0504(2016)04-0042-07