植被叶片叶绿素含量反演的光谱尺度效应研究

姜海玲，张立福，杨 杭，陈小平，童庆禧

1. 北京大学遥感与地理信息系统研究所，北京 100871 2. 中国科学院遥感与数字地球研究所，北京 100101 3. 哈尔滨工业大学深圳研究生院，深圳 518055

植被叶片叶绿素含量反演的光谱尺度效应研究

姜海玲1, 2，张立福2*，杨 杭2，陈小平3，童庆禧1, 2

1. 北京大学遥感与地理信息系统研究所，北京 100871 2. 中国科学院遥感与数字地球研究所，北京 100101 3. 哈尔滨工业大学深圳研究生院，深圳 518055

目前光谱指数方法已被广泛地应用于植被叶绿素含量的反演中，考虑到不同传感器的光谱响应存在差异，研究了光谱尺度效应对光谱指数反演植被叶片叶绿素含量的影响。基于PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下的5 nm叶片光谱反射率数据，并利用高斯光谱响应函数将其分别模拟成10～35 nm六种波段宽的光谱数据，再分析评价5～35 nm波段宽下光谱指数与叶片叶绿素含量的相关性、对叶片叶绿素含量变化及对波段宽变化的敏感性。最后，利用波段宽为40～65 nm的反射率数据对光谱指数反演植被叶绿素含量的光谱尺度效应进行验证。结果表明，通用光谱指数(vegetation index based on universal pattern decomposition method, VIUPD)反演叶绿素含量的精度最高，反演值与真实值拟合程度最好；归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)其次，虽然其决定系数R2高达0.89以上，但反演的叶绿素含量值小于真实值；其他光谱指数的反演结果较差。VIUPD对叶绿素含量具有较好的相关性和敏感性，受光谱尺度效应影响较小，具有较好的反演能力，这一结论恰好验证了其“独立于传感器”的特性，同时证明了VIUPD在多源遥感数据反演植被理化参量的研究中具有更好的应用前景。

光谱指数；植被叶片叶绿素含量；辐射传输；光谱响应；尺度效应

引 言

植被叶片中的叶绿素是植被光合作用中起主导作用的色素，不同生长时期中，叶绿素含量的多少是植被光合作用能力强弱、生理胁迫状况、固碳能力及氮利用效率的良好指示器，与初级生产力NPP也密切相关[1-3]。因此，利用多源遥感数据快速及时地监测植被多个生长期的叶绿素含量对其长势及产量估算起着重要的作用。

植被叶片叶绿素含量的反演方法主要有经验/半经验和物理模型两种方法。相比较物理模型反演算法复杂、输入参数难以获取的缺陷，很多研究学者多选择使用简单快捷的基于经验/半经验的光谱指数方法，其通常通过大量特征波段的遥感反射率数据对叶绿素含量进行统计分析，然后建立反演叶片叶绿素含量的估测模型[4]。光谱指数(spectral index)是由特定的多光谱或高光谱遥感光谱波段的反射率经过线性或非线性组合而构成的一种光谱参数，其构建原则是选择合适的波段以突出植被特征信息而弱化环境背景(如土壤、水体等)的光谱影响为目的，定性、定量地评估植被的生长分布情况[3, 5]。因此，可选取敏感度较高的光谱指数来反演叶绿素含量。Kim等构建的叶绿素吸收率指数(chlorophyll absorption ratio index, CARI)通过测量550, 670和750 nm波段处的叶绿素相对深度来获取叶绿素含量的信息。后来经过研究，分别形成了改进的叶绿素吸收率指数(modified chlorophyll absorption ratio index, MCARI)和转换型叶绿素吸收率指数(transformed chlorophyll absorption ratio index, TCARI)[6]。Haboudane等将TCARI与优化型土壤调整植被指数(optimization of soil adjust vegetation index, OSAVI)相结合用于反演植被冠层的叶绿素含量[7]。Sims等利用特征波段550和700 nm构建的光谱指数与叶绿素含量建立经验模型，最后得到了叶绿素含量较高的估测精度[8]。Pisek等也指出作物叶片叶绿素含量等的估算可选用基于地面或航空传感器建立的多种形式的光谱指数[9]。Maire等利用地面实测数据和Hyperion卫星高光谱数据计算的归一化差值植被指数(normalized difference vegetation index, NDVI)和简单比值指数(simple ratio index, SRI)系列光谱指数估算了阔叶林的叶片叶绿素含量[5]。Hatfield等利用归一化色素差值指数(pigment-specific normalized difference, PSND)和光化学植被指数(photochemical reflectance index, PRI)估算农作物的叶绿素含量[4]。吴朝阳等在光谱指数的构建中加入红边位置705和750 nm的光谱信息，最后对小麦叶绿素含量进行了可靠的估算[10]。

光谱指数方法目前已被广泛地应用于植被叶绿素含量的估算中，但已有研究的重点在于光谱指数的构建和叶绿素含量的估算精度上，并未考虑使用光谱指数方法时光谱尺度产生的影响[11]。李小文指出，由于陆表地物构成的复杂性，在某一尺度上形成的原理和规律，在另一尺度上可能并不适用。对于某一特定的研究对象(如植被)，采用具有不同光谱分辨率的光谱数据来研究光谱指数反演植被理化参量的精度，由于光谱响应不同，中心波长和半波宽均存在差异，所以反演结果往往差距很大[12]。因此，在植被理化参量的反演中，研究光谱指数在不同光谱尺度上的反演能力和反演精度十分必要。本文选取了七种光谱指数，研究其在10～35 nm波段宽范围对叶绿素含量及波段宽变化的敏感性，最后利用40～65 nm范围的光谱数据对以上结果进行验证。

1 研究方法

由于同步的多种波段宽的光谱数据很难获取，因此以PROSPECT模型生成的5 nm叶片反射率数据为基准，利用高斯光谱响应函数将其分别模拟成10，15，20，25，30和35 nm六种波段宽的光谱数据，分析光谱指数与叶片叶绿素含量的相关性，对叶绿素含量变化及波段宽变化的敏感性，以此来研究波段宽对光谱指数反演植被叶绿素含量的影响。

1.1 PROSPECT模型

PROSPECT是一个基于最早平板模型发展起来的辐射传输模型[13]，它描述了植株叶片在光谱范围400～2 400 nm的光学特性。PROSPECT模型需要四个输入参数：叶肉结构参数N、叶绿素浓度Ca+b(μg·cm-2)、叶片含水量EWT(g·cm-2)和叶片干物质含量Dm(g·cm-2)。输出值为400～2 400 nm范围内的叶片反射率与透过率[13]。

为了研究叶绿素含量对叶片反射率的影响，PROSPECT模型输入参数中保持其他参数为固定值，取值以实测数据作为参考。叶绿素含量Ca+b从5 μg·cm-2增加到80 μg·cm-2，步长为5。PROSPECT模型输入参数如表1所示。通过模型模拟，最终得到光谱范围400～2 400 nm的叶片反射率数据，光谱采样间隔为5 nm。

1.2 多波段宽光谱数据模拟

为了研究不同波段宽对植被叶片叶绿素含量反演的影响，根据式(1)和式(2)，将PROSPECT模型模拟的5 nm连续高光谱数据分别模拟得到波段宽为10，15，20，25，30和35 nm的叶片反射率。然后基于这7种波段宽的反射率数据计算选取的光谱指数。

Table 1 The input parameters of PROSPECT model

(1)

式中，ρj为模拟的第j波段的叶片反射率，ρ(λ)为PROSPECT模型模拟的5 nm光谱数据，λs(j)和λe(j)为波段j的起始波长和终止波长。Sj(λ)为对应波段j的光谱响应函数, 选用高斯光谱响应函数，计算公式如下

(2)

式中，cj为波段j的中心波长，FWHM(full width half maximum)为模拟的波段宽，即研究中的10，15，20，25，30和35 nm。

2 敏感性及光谱尺度效应分析

2.1 光谱指数选取及计算

利用PROSPECT叶片辐射传输模型模拟了叶片叶绿素含量从5～80 μg·cm-2区间，叶片在400～2 500 nm光谱范围内的反射率数据。

从图1可看出，随着叶绿素含量的增加，叶片反射率在400～800 nm光谱范围内总体呈下降趋势，而在800～2 500 nm不发生变化。在400～700 nm可见光范围内，植物的光谱特性主要受叶片中各种光合色素的支配，其中叶绿素含量占主导作用。在450～475和640～680 nm的蓝波段和红波段区域，叶绿素强烈吸收辐射而呈吸收谷，吸收系数最大值在670 nm；叶片在以550 nm为中心波长的绿波段形成绿光反射峰，此时叶绿素吸收系数最小；在700 nm附近，对应叶绿素最小吸收波段；在720～750 nm红边位置附近，反射率急剧增加并形成反射峰；在750～800 nm区域，叶绿素对电磁波的吸收特征微弱[3]。因此，根据以上光谱特征，选取与光合色素存在很强相关性的特征波段构建的光谱指数来反演植被的叶绿素含量。

选取的特征波段包括550，670，700，705，750和800 nm，并依据这些特征波段选取了归一化差值植被指数NDVI、简单比值指数SRI、三角形植被指数triangle vegetation index (TVI)、改进的叶绿素吸收比值指数MCARI、综合叶绿素光谱指数(the ratio of MCARI to OSAVI, MCARI/OSAVI)、加入红边位置信息的综合叶绿素光谱指数MCARI/OSAVI705六种可敏感反映叶绿素含量的光谱指数，其中OSAVI为最优土壤调节植被指数，它能最大程度地限制大气、土壤背景等的影响[3]。

Fig.1 The leaf reflectance between 400 and 2 500 nm based on different chlorophyll content

除了这六种常用的光谱指数外，引入了一种新型的光谱指数，基于通用光谱模式分解算法的植被指数VIUPD(vegetation index based on universal pattern decomposition method)。它是基于通用光谱模式分解算法UPDM(universal pattern decomposition method)建立起来的[14]。UPDM是一种基于光谱线性混合模型的遥感数据处理方法，具有独立于传感器的特性。在UPDM算法中，遥感数据每个像元的光谱反射率值(亮度值)可以被分解为标准水体、植被、土壤和附加标准模式(一般选择植被黄叶)的线性组合，用公式表达如下

Ri→CwPw(i)+CvPv(i)+CsPs(i)+C4P4(i)

(3)

式中，Ri为第i波段的地物反射率值/亮度值，Cw，Cv，Cs和C4分别为标准水体、植被、土壤和黄叶的UPDM系数，Pw(i)，Pv(i)，Ps(i)和P4(i)为归一化后的标准水体、植被、土壤和黄叶的反射率地面测定值。

UPDM算法是“与传感器无关”的，通过各种传感器得到的UPDM系数应当一致或者接近一致[4, 14]。因此，基于UPDM算法建立的VIUPD也具有独立于传感器的特性[15]，其定义如下

(4)

式中，(Cw+Cv+Cs)代表UPDM系数总和。

VIUPD综合反映了所有原始数据的光谱信息，与利用几个有限波段组合构成的传统植被指数相比，更能突出反映植被变化的细节特征。

Table 2 The detail of spectral indices used in this study

利用模拟的多波段宽下特征波段中心波长的叶片反射率光谱数据，计算六种常用的光谱指数。在计算VIUPD指数时，首先将UPDM标准系数文件模拟到5～35 nm七种波段宽下，然后再结合各波段宽下的叶片反射率数据计算得到VIUPD值。

2.2 光谱指数对叶绿素含量敏感性分析

敏感性分析的目的在于比较所选的7种光谱指数，讨论其随着叶片叶绿素含量增加的变化趋势。首先探讨叶片尺度上光谱指数与叶绿素含量的相关性，图2为基于七种不同波段宽下光谱指数随叶绿素含量增加的变化情况。

从图2可知，TVI和MCARI与Ca+b呈多项式相关(二次)，一个光谱指数值对应两个叶绿素含量，不适宜叶片尺度上叶绿素含量的反演；SRI与MCARI/OSAVI705与Ca+b呈线性相关，随着Ca+b的增加，指数值也逐渐增大；NDVI，MCARI/OSAVI和VIUPD与Ca+b呈对数相关，在Ca+b低值区域，三种指数迅速增大或减小，但随着Ca+b的增加有达到饱和的趋势，说明这三种指数更适于中低值叶绿素含量的反演。其中，光谱指数VIUPD对低值区域叶绿素含量最为敏感。基于多种波断宽的光谱指数与Ca+b的决定系数R2如表3。

从表3可知，在叶片尺度上，指数TVI和MCARI的决定系数低于0.4，相关性较差。其他几种光谱指数均大于0.8，与叶片叶绿素含量的相关性较好。

为了定量地描述光谱指数对叶绿素含量的敏感性，基于式(5)计算SI随Ca+b变化的改变程度。

(5)

式中，SI为参与计算的光谱指数，SImax和SImin分别表示该指数随Ca+b变化的最大值和最小值。七种光谱指数的计算结果如表4所示。

从表4中可以看出，当叶片叶绿素含量从5 μg·cm-2增加到80 μg·cm-2时，七种波段宽下计算的光谱指数对叶片叶绿素含量变化的敏感程度为0.53%～0.68%，7种指数的平均改变为0.61%。

在光谱指数SRI，MCARI/OSAVI，MCARI/OSAVI705，NDVI和VIUPD与Ca+b均具有良好相关关系的前提下，随叶片叶绿素含量变化改变程度更大的指数，对叶绿素含量具有更好的敏感性，能更好地描述叶绿素含量的变化情况。与其他指数相比，指数TVI和MCARI/OSAVI705仅分别改变了0.45%和0.43%，虽然上述研究中MCARI/OSAVI705与Ca+b决定系数较高，但综合考虑，在叶片尺度上MCARI/OSAVI705对叶片叶绿素含量变化的描述能力有限。指数NDVI，MCARI/OSAVI，VIUPD和SRI无论是与叶片叶绿素含量的相关性，还是对叶绿素含量变化的敏感性，都呈现出较好的表现能力。

Fig.2 The relationship between Ca+b and spectral indices based on leaf reflectance of 7 different bandwidths

Table 3 The coefficient of determination R2 between spectral indices and Ca+b

Table 4 The sensitivity of spectral indices to Ca+b variation

2.3 光谱尺度效应分析

从图2可看出，光谱指数的值还受到波段宽的影响，且不同指数受波段宽的影响程度不同。根据式(6)定义的变异系数，将模拟的六种波段宽10，15，20，25，30和35 nm下的光谱指数值与5 nm的光谱指数值进行比较，用于定量地比较并评价波段宽对光谱指数的影响大小。

(6)

式中，i为波段宽，i=10，15，20，25，30，35 nm。j为某一叶绿素含量，取值范围为5～80 μg·cm-2。SIi,j-SI5 nm,j表示某一叶绿素含量对应的波段宽为i的光谱指数值与该叶绿素含量对应的波段宽为5 nm的指数值之差。

表5列出了光谱指数受波段宽影响的大小。MCARI/OSAVI和MCARI的变异系数最大(>0.08%)，其余指数均小于0.06%。波段宽10，15，20，25，30和35 nm计算的光谱指数相比于5 nm的结果，平均改变分别为0.022%，0.026%，0.051%，0.061%，0.072%和0.092%。其中，波段宽35 nm计算的光谱指数与5 nm的指数结果差别最为显著。从整体上看，当波段宽从5 nm增加到35 nm时，所有光谱指数的变异系数平均值为0.054%。

Table 5 The sensitivity of spectral indices to bandwidth variations

研究中，与叶绿素含量的相关性高，对叶绿素含量变化较敏感且随波段宽变化影响较小的光谱指数反演效果最好。与叶绿素含量的相关性研究中，除指数MCARI和TVI与叶绿素含量的相关性系数低于0.4，其余几种指数的决定系数均大于0.8；对叶绿素含量变化的敏感性研究中，指数TVI和MCARI/OSAVI705随Ca+b的变化得出的变异系数小于0.5%，其余指数的变异系数均大于0.55%；对波段宽变化的敏感性研究中，指数MCARI/OSAVI和MCARI随波段宽变化得出的变异系数大于0.08%，其余指数均小于0.06%。综合以上三方面研究，相比之下，基于通用光谱分解模式的VIUPD、加入红边位置信息的NDVI和SRI三种光谱指数在反演叶绿素含量的研究中，呈现出更好的反演能力。

3 叶绿素含量反演

3.1 回归模型建立

将以上模拟的七种波段宽下光谱指数与相应叶绿素含量建立适当的回归模型。研究中光谱指数和叶绿素含量对应的样本数量为16种叶绿素水平和7种波段宽下的112个样本。回归模型建立后，采用均方根误差(root mean squared error, RMSE)来评价模型的预测性，对模拟值和实测值之间的符合度进行检验分析。RMSE值越小，则说明模型的模拟值和实测值偏差小，一致性高，模拟结果越精确可靠；若RMSE值越大则相反。其计算见式(7)

(7)

式中：Zp(Si)为预测值；Zt(Si)为实测值；N为样本单元的数量。

表6为光谱指数与叶绿素含量建立的回归模型。

从表6可看出，指数VIUPD，NDVI，SRI和MCARI/OSAVI与叶绿素含量呈现出较好的回归关系(R2>0.85，RMSE<8 μg·cm-2)，其中VIUPD最好(R2=0.991 0, RMSE=3.52 μg·cm-2)。而指数TVI，MCARI和MCARI/OSAVI705未能表现出较好的回归关系。

Table 6 The regression model between spectral indices and chlorophyll content

3.2 敏感性及光谱尺度效应验证

将PROSPECT模型模拟的5 nm叶片反射率数据根据1.2节中的方法分别模拟成40，45，50，55，60和65 nm波段宽的反射率数据，然后分别计算出每种波段宽下的七种光谱指数，再按照3.1中建立的回归模型反演叶绿素含量，最后与叶绿素含量的实际值进行拟合，实际值为PROSPECT模型输入参数Ca+b的取值，即5～80 μg·cm-2。图3为利用光谱指数方法得到的叶绿素含量的反演值与实际值的拟合情况。

Fig.3 The fitting degree between the estimation value of chlorophyll and the true value

从图3可看出，指数VIUPD反演的叶绿素含量与真实值拟合程度最好，分布在y=x直线附近，R2为0.996 9，其反演值分布在5～80 μg·cm-2；其次是指数NDVI和SRI，R2分别为0.907 3和0.891 8，其反演值分布在0～70 μg·cm-2，略小于真实值范围5～80 μg·cm-2；MCARI/OSAVI和MCARI/OSAVI705的R2均大于0.55，分别为0.764和0.588 6，但与真实值相比，反演值分别仅分布在25～65和10～60 μg·cm-2，反演结果缺乏真实性；基于指数TVI和MCARI的反演值与真实值拟合结果最差，严重偏离y=x直线，其中TVI反演的叶绿素含量值总体比真实值低(<45 μg·cm-2)，而MCARI反演的叶绿素含量值偏高(35～70 μg·cm-2)。

综合以上分析，与叶绿素含量的相关性、叶绿素含量变化的敏感性及波段宽变化的敏感性研究，证明了光谱指数NDVI，VIUPD和SRI呈现出更好的反演能力，与光谱指数对波段宽的敏感性验证结果相吻合，VIUPD表现出最好的反演精度，NDVI和SRI其次。

4 结果与讨论

基于PROSPECT叶片辐射传输模型研究了利用光谱指数方法反演植被叶片叶绿素含量的光谱尺度效应。利用PROSPECT模型模拟了不同叶绿素含量(5～80 μg·cm-2)下5 nm的叶片光谱反射率数据，然后利用高斯光谱响应函数将5nm反射率数据分别模拟成波段宽10，15，20，25，30和35 nm的光谱数据，分析七种波段宽下选取的七种光谱指数NDVI，SRI，TVI，MCARI，MCARI/OSAVI，MCARI/OSAVI705及VIUPD与叶片叶绿素含量的相关性、对叶绿素含量变化的敏感性及对波段宽变化的敏感性。结果表明，加入红边位置信息的NDVI，基于通用光谱分解模式的新型光谱指数VIUPD和简单比值指数SRI呈现出较好的反演叶绿素含量的能力。最后，利用模拟的波段宽为40，45，50，55，60和65 nm的反射率数据验证以上光谱指数对波段宽变化的敏感性。最后得出结论，光谱指数VIUPD的反演精度最高，反演值与真实值拟合程度最好；NDVI和SRI其次，确定系数R2高达0.89以上，但反演值小于真实值范围；其余几种指数的反演结果较差。

VIUPD是基于通用光谱分解模式UPDM建立起来的新型光谱指数，具有“不受传感器影响”的特性，VIUPD对叶绿素含量具有较好的相关性且不受波段宽变化的影响，具有较好的反演能力，这一结论恰好验证其“独立于传感器”的特性，同时也说明指数VIUPD可以满足不同多/高光谱传感器数据分析应用的需求，实现多源遥感数据植被理化参量的精确反演。因此，利用通用光谱指数VIUPD在植被叶绿素含量估算方面乃至植被理化参量反演领域具有更广阔的应用前景。

“红边位置”是植被反射光谱一阶微分最大值所对应的波长位置，通常位于650～750 nm之间。红边位置向长波方向移动时反映了植被叶片叶绿素含量浓度增加，叶绿素浓度减少时红边位置则向短波方向移动[3, 16]。研究中将红边位置信息波段加入到NDVI和SRI这两种指数的构建中，基于多波段宽光谱数据反演叶片叶绿素含量得到了较好的反演结果，验证了植被红边位置可用来描述叶片叶绿素含量的变化的理论。

修正型叶绿素吸收反射率指数MCARI是CARI的变型，其中R700/R670的引入是为了最小化土壤反射率的影响，但仍然对背景反射属性敏感。Daughtry等提出应该将MCARI与优化的土壤调整植被指数OSAVI结合，从而减少土壤背景发射率的贡献，同时增强叶绿素含量的敏感性[17]。本文对叶绿素含量和波段宽的敏感性分析说明，指数MCARI/OSAVI比MCARI呈现出更好的反演叶绿素含量的能力，恰恰与这一结论相吻合。

综上所述，基于多种传感器数据利用光谱指数方法反演植被叶片叶绿素含量时，由于传感器光谱响应(波段宽、中心波长)存在差异，因此需考虑光谱尺度效应对反演结果的影响，为叶绿素含量多源遥感数据的协同反演提供理论基础。

[1] Haboudane D, Miller J R., Tremblay N, et al. Remote Sensing of Environment, 2002, 81: 416.

[2] ZHANG Liang-pei, ZHANG Li-fu(张良培, 张立福). Hyperspectral Remote Sensing(高光谱遥感). Wuhan: Wuhan University Press(武汉：武汉大学出版社), 2011.

[3] TONG Qing-xi, ZHANG Bing, ZHENG Lan-fen(童庆禧，张 兵，郑兰芬). Hyperspectral Remote Sensing: Principle, Technology and Application(高光谱遥感—原理, 技术与应用). Beijing: Higher Education Press(北京：高等教育出版社), 2006.

[4] Hatfield J, Gitelson A A, Schepers J S, et al. Agronomy Journal, 2008, 100: S117.

[5] le Maire G, François C, Soudani K, et al. Remote Sensing of Environment, 2008, 112: 3846.

[6] Kim M S, Daughtry C, Chappelle E, et al. In Proceedings of the 6th International Symposium on Physical Measurements and Signatures in Remote Sensing, 1994, 299.

[7] Haboudane D. Remote Sensing of Environment, 2004, 90: 337.

[8] Sims D A, Gamon J A. Remote Sensing of Environment, 2002, 81: 337.

[9] Pisek J, Chen J M. Remote Sensing of Environment, 2007, 109: 81.

[10] Wu C, Han X, Niu Z. International Journal of Remote Sensing, 2010, 31: 1079.

[11] Chen X, Zhang L, Zhang X, et al. International Journal of Remote Sensing, 2013, 34: 2200.

[12] LI Xiao-wen, WANG Jin-di, Strahler A H(李小文, 王锦地, Strahler A H). Science China(中国科学), 2000, 30: 12.

[13] Feret J B, Fran?ois C, Asner G P, et al. Remote Sensing of Environment, 2008, 112: 3030.

[14] Zhang L, Furumi S, Muramatsu K. International Journal of Remote Sensing, 2007, 28: 107.

[15] Zhang L, Liu B, Zhang B, et al. International Journal of Remote Sensing, 2010, 31: 2083.

[16] Das P K, Choudhary K K, Laxman B, et al. International Journal of Remote Sensing, 2014, 35: 1432.

[17] Daughtry C S T, Walthall C L, Kim M S, et al. Remote Sensing of Environment, 2000, 74: 229.

*Corresponding author

Research on Spectral Scale Effect in the Estimation of Vegetation Leaf Chlorophyll Content

JIANG Hai-ling1, 2, ZHANG Li-fu2*, YANG Hang2, CHEN Xiao-ping3, TONG Qing-xi1, 2

1. Institute of Remote Sensing and GIS, Peking University, Beijing 100871, China

2. Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

3. Harbin Institute of Technology Shenzhen Graduate School, Shenzhen 518055, China

Spectral indices (SIs) method has been widely applied in the prediction of vegetation biochemical parameters. Take the diversity of spectral response of different sensors into consideration, this study aimed at researching spectral scale effect of SIs for estimating vegetation chlorophyll content (VCC). The 5 nm leaf reflectance data under 16 levels of chlorophyll content was got by the radiation transfer model PROSPECT and then simulated to multiple bandwidths spectrum (10～35 nm), using Gaussian spectral response function. Firstly, the correlation between SIs and VCC was studied. And then the sensitivity of SIs to VCC and bandwidth were analyzed and compared. Lastly, 112 samples were selected to verify the results above mentioned. The results show that Vegetation Index Based on Universal Pattern Decomposition Method (VIUPD) is the best spectral index due to its high sensitivity to VCC but low sensitivity to bandwidth, and can be successfully used to estimate VCC with coefficient of determinationR2of 0.99 and RMSE of 3.52 μg·cm-2. Followed by VIUPD, Normalized Difference Vegetation Index (NDVI) and Simple Ratio Index (SRI) presented a comparatively good performance for VCC estimation (R2>0.89) with their prediction value of chlorophyll content was lower than the true value. The worse accuracy of other indices were also tested. Results demonstrate that spectral scale effect must be well-considered when estimating chlorophyll content, using SIs method. VIUPD introduced in the present study has the best performance, which reaffirms its special feature of comparatively sensor-independent and illustrates its potential ability in the area of estimating vegetation biochemical parameters based on multiple satellite data.

Spectral indices; Vegetation leaf chlorophyll content; Radiative transfer; Spectral response; Spectral scale effect

Nov. 24, 2014; accepted Mar. 20, 2015)

2014-11-24，

2015-03-20

国家自然科学基金项目(41371362，41201348，41371359)，高分水利遥感应用示范系统(08-Y30B07-9001-13/15-01)和国家(863)计划项目(2012AA12A308)资助

姜海玲，1986年生，北京大学遥感与地理信息系统研究所博士研究生 e-mail: hai.ling.1986@163.com *通讯联系人 e-mail：zhanglf@radi.ac.cn

TP79；S512.11

A

10.3964/j.issn.1000-0593(2016)01-0169-08