乌梁素海湿地芦苇最大羧化速率的高光谱遥感

卫亚星,王莉雯

1 辽宁师范大学海洋经济与可持续发展研究中心,大连 116029 2 辽宁师范大学自然地理与空间信息科学辽宁省重点实验室,大连 116029 3 辽宁师范大学城市与环境学院,大连 116029

乌梁素海湿地芦苇最大羧化速率的高光谱遥感

卫亚星1,2,3,*,王莉雯1,2,3

1 辽宁师范大学海洋经济与可持续发展研究中心,大连 116029 2 辽宁师范大学自然地理与空间信息科学辽宁省重点实验室,大连 116029 3 辽宁师范大学城市与环境学院,大连 116029

湿地植被生产力和固碳潜力的研究是全球碳循环和全球变化的热点研究问题。湿地植被的光合能力能够指示其生长的健康状态。最大羧化速率是重要的植被光合参数之一,对精确模拟湿地植被光合作用和气体交换模型中的固碳过程具有重要的作用。以内蒙古乌梁素海湖泊湿地为研究区,进行了芦苇叶片光合参数和光谱的测量。芦苇叶片最大羧化速率(Vcmax)数值是基于Farquhar光合作用模型,从光合测量获取的A-Ci曲线计算并校正到25 ℃得到的。分别基于bootstrap PLSR模型、单波段和高光谱植被指数(包括简单比值指数SR和归一化差值指数ND),构建湿地芦苇叶片最大羧化速率(Vcmax)估算模型。基于高光谱遥感图像HJ- 1A HSI,采用ND高光谱指数中具有较高Vcmax估算精度的入选波段702和756 nm,获取研究区湿地芦苇最大羧化速率空间分布图。研究结果表明,湿地植被光谱特征和高光谱植被指数,可用于估算湿地芦苇Vcmax,其中最高精度产生于基于bootstrap PLSR模型的建模方法(R2=0.87,RMSECV=3.90,RPD=2.72),ND高光谱指数的Vcmax估算精度高于SR高光谱指数的估算精度；从获取的Vcmax空间分布图上提取估算值,其与测量值对比,存在较好的相关性(R2=0.80,RMSE=4.74)。

最大羧化速率；高光谱遥感；湿地植被光合；bootstrap PLSR；乌梁素海湿地

陆地生态系统碳循环过程与碳源、碳汇问题的研究已成为20世纪90年代以来科技界的最大热点之一。近20年来国内外已经发展了大量的陆地生态系统模型,其中光合作用生化模型是陆地生态机理模型的核心。这些模型多以植被叶片最大羧化速率作为关键参数进行光合作用的模拟[1]。一些经典生化模型在模拟植被光合作用时,通常将最大羧化速率设置为常数,或仅考虑了温度的影响,但没有考虑其它环境影响因素,以及由此导致的植被最大羧化速率的时空变化。植物最大羧化速率的空间差异和季相变化的准确模拟,为精确评估陆地生态系统生产力、碳收支及对气候变化的响应提供依据[2]。

最大羧化速率(Vcmax)是重要的植被光合生理参数,是植被光合作用过程中重要限速反应——羧化反应的速率,对光合速率起着决定性的作用,它决定了植物的最大净光合速率、光下线粒体呼吸、光呼吸等过程[3]。植被叶片最大羧化速率是植被光合作用过程中由核酮糖- 1,5-二磷酸羧化酶/加氧酶(Rubisco)催化的最大羧化反应速率,即植被叶片在单位时间单位面积固定的最大CO2摩尔数。不同类型植被叶片的Vcmax差异较大,其值在6—194μmol m-2s-1之间变化。同一类型植被叶片的Vcmax在不同生长环境下也不相同,并且呈现年际和季相变化特征[4]。

基于植被叶片或冠层尺度的光谱特征,采用遥感分析技术可以估算植被生化、生理和结构特性参数[5- 8]。采用遥感反演技术,有助于在不同尺度上获取植被特定光谱特征与最大羧化速率的响应关系,由此准确估算植被光合作用关键参数的时空变化。

随着对植被光合作用和生产力的深入研究,一些研究对影响植物光合和呼吸作用的Vcmax及其影响因子进行了观测和模拟。其中,采用光谱分析技术模拟Vcmax空间和时相变化的研究也开始出现。Dillen等观测了两个树种在生长季叶片反射率与光合参数(包括Vcmax等参数)的季相变化[9]。研究了红边位置指数与光合参数的相关关系,认为光谱植被指数具有指示关键光合参数生长季变化的潜力。Jin等的研究表明,不同尺度获取的植被指数与Vcmax存在紧密相关性,所建立的相关关系可以用于反演光合参数的季相变化[10]。Serbin等基于叶片反射光谱对Vcmax估算进行了研究,发现光谱反射率数据可以有效捕捉短期山杨树叶片Vcmax对温度变化的响应[11]。Gamon等对PRI指数进行了研究,他们从研究结果推论出,光合参数会受到同等的调节作用,PRI指数可用于探测植被Vcmax和气孔导度的变化[12]。虽然有关植被Vcmax的光谱反演研究还较少,但Vcmax对植被生理生态的重要性,会促使植被Vcmax光谱研究成为一个值得探索的研究方向。

本文以干旱区湖泊湿地芦苇作为研究对象,采用高光谱遥感技术,探索湿地植被主要光合参数最大羧化速率高光谱估算技术,并且模拟其空间分布状况,为准确模拟湿地生态系统碳同化和碳收支,评估湿地植被群落健康状态和湿地净化能力提供科学依据。

1 研究区概况

乌梁素海湿地位于内蒙古自治区西部巴彦淖尔市乌拉特前旗境内,地理坐标为东经108°43′—108°57′,北纬40°36′—41°03′,是河套地区最大的湖泊湿地。乌梁素海系黄河改道后形成的牛轭湖,湖区水域面积约为293 km2,是干旱区典型的大型草型淡水湖泊。乌梁素海湿地区域属于温带大陆性干旱气候,年平均气温7.3℃,年平均降水量220mm。乌梁素海湿地植物以芦苇、香蒲、蓖齿眼子菜为优势种。芦苇生长茂密,成大片或带状分布于湖中。近年来,随着人类活动干扰强度的不断增加,乌梁素海湿地出现了水量逐年减少和水体污染较为严重的问题,各项富营养化指标也呈现逐年上升的趋势[13]。

2 数据来源和预处理

2014年7月在乌梁素海湿地进行了野外实验。根据研究区芦苇群落的分布特征,选定了73个采样区域(图1),在选定的73个采样区域内设定单位面积为0.5 m×0.5 m的芦苇生长样方。野外实验选择晴朗无云的天气进行,测量时间控制在10:00—12:00之间,以避开可能发生的“光合午休”。在每个样方内随机选择5株长势良好且基本一致的芦苇植株,待测叶片选择完全展开、长势一致、对应叶位一致的3片成熟叶片。每片叶片分别进行3次光合参数测量和10次光谱测量。计算每个样方所测叶片光合参数的平均值作为该样方芦苇叶片光合参数测量结果,计算每个样方所测叶片光谱的平均值作为该样方叶片反射光谱曲线,以此消除偶然误差。

图1 乌梁素海湿地研究区和采样区域位置图Fig.1 Locations of the study area and experiment sites in the Wuliangsuhai wetland

2.1 芦苇光合参数测量和计算

使用LI- 6400便携式光合系统分析仪(Li-cor,Lincoln,NE,USA),进行了芦苇叶片光合参数、气体交换参数和环境参数的测量,包括叶片净光合速率、气孔导度、蒸腾速率、胞间CO2浓度、叶面温度、大气温度、相对空气湿度、空气CO2浓度和光合有效辐射等。

测定光响应曲线时,控制CO2的浓度为400 μmolCO2mol-1,设定光合强度梯度为0、50、100、150、200、400、650、800、1000、1200、1400、1600、1800、2000 μmol m-2s-1。测定CO2响应曲线时,控制光合强度为650 μmol m-2s-1,设定CO2浓度梯度为0、50、100、150、200、400、600、800、1000、1200、1400、1600、1800、2000 μmol mol-1。采用二次曲线方程,分别进行光响应曲线拟合和CO2响应曲线拟合,绘制光合(A-PAR)响应曲线和光合-CO2(A-Ci)响应曲线(A为测量叶片的净光合速率,PAR为光合有效辐射,Ci为CO2浓度),计算表1所列其它光合参数。

基于Farquhar等提出的生化模型和A-Ci响应曲线[14],采用非线性回归方法,拟合Vcmax数值[10]：

式中,Γ*为缺乏暗呼吸下的CO2补偿点；KC和KO分别为羧化作用和加氧作用的Michaelis-Menten常数。在A-Ci响应曲线初始部分,即Ci低值区间,A主要受Vcmax的限制。因此,Vcmax和光下的暗呼吸速率(Rd*),基于Ci<250 μmol mol-1的部分A-Ci曲线进行估算。在缺乏Rd*(Γ*)下的CO2补偿点和Michaelis-Menten常数,采用Brooks等[15]提出的叶温转换方法和Von Caemmerer等[16]的算法进行估算：

式中,O和Ci分别是胞间O2分压和胞间CO2分压；τ是Rubisco特异性因子；Rd为在光下的线粒体呼吸速率。随后,基于Harley等提出的温度响应算法[17],将计算获得的Vcmax校正到25 ℃：

式中,Ha为活化能；Hd为钝化能；c为尺度转换常数；ΔS为熵期,取值为0.65kJ K-1mol-1；R为气体常数；Tk为叶温。

2.2 芦苇叶片光谱测量

芦苇叶片光谱测量使用了ASD FieldSpec Pro FR野外光谱辐射仪。光谱测量范围为350—2500 nm。传感器探头采取垂直向下的位置进行观测,测量视场角为25°,距离所测芦苇叶片上方约1 cm处。实验中使用了99%的朗伯体白板作为参考板。

2.3 高光谱图像

环境与灾害监测预报卫星HJ- 1A上搭载有超光谱成像仪(hyperspectral imaging radiometer,HSI)传感器。其空间分辨率为100 m,工作光谱谱段115个,光谱范围459—956 nm。相比于EO- 1 Hyperion、MODIS等传感器,其光谱监测性能有所提高,从而有效提高了对地物信息的提取能力,适用于植被生长状况、生化组分信息等多种专题研究[18]。

研究采用了2014年7月覆盖研究区的HSI高光谱图像,轨道号为11/65和12/65。对高光谱图像依次进行了格式转换、绝对辐亮度值转换、大气校正和几何精校正等数据预处理。采用ENVI的FLAASH模型(fast line-of-sight atmospheric analysis of spectral hypercubes)进行图像的大气校正。以TM为参考影像,使用二次多项式法进行了图像的几何精校正,校正误差控制在0.5个像元,得到归一化地表反射率图像。

3 研究方法

3.1 高光谱参量选取

本文基于单波段和高光谱植被指数,进行湿地芦苇光合参数最大羧化速率的回归分析。单波段光谱采用ASD光谱辐射仪测量获取的高光谱数据(400—2350 nm波谱范围)。高光谱植被指数采用了两种基本类型的指数,分别为简单比值指数(SR)和归一化差值指数(ND)：

(1)

(2)

式中,Rλ1为波段λ1的反射率,Rλ2为波段λ2的反射率,λ1≠λ2。在本研究中,在400—2350nm波谱范围内(去除波段除外),采用了由此波谱区间内任意两个波段构建的SR和ND高光谱指数。

3.2 基于bootstrap的PLSR模型

本研究采用了bootstrap技术结合偏最小二乘回归模型(PLSR)的回归建模方法。

bootstrap技术是利用有限的样本进行随机、等概率、有放回的多次重复抽样,建立起足以代表母体样本分布之新样本,从而实现扩大样本容量进行数据模拟。因此,基于再抽样和数据模拟的bootstrap技术,能够有效提高所建模型的估算精度[19]。

本研究在MATLAB平台上完成建模的编程计算。具体建模步骤包括：基于原始样本数据采用PLSR回归建模方法构建估算模型,获得初始回归系数集；在原始数据集中随机抽取一个样本点(yi(1),xi1(1),xi2(1),…,xip(1)),记录其值后再放回原始数据集,重复n次,得到一个bootstrap样本：

(3)

x是自变量数据,y是因变量数据；基于bootstrap样本S(1),采用PLSR回归建模方法,建立估算模型：

(4)

β是回归系数；重复(3)、(4)步骤,得到估算模型回归系数组,构建基于bootstrap样本的回归系数集；计算基于bootstrap样本的回归系数与初始回归系数差值的绝对值,取绝对值的90%分位点作为拒绝域的临界值；比较回归系数的绝对值与临界值,判断其是否通过显著性检验；将经过显著性检验的自变量在原数据集上重新构建PLSR估算模型；重复上述步骤,直到所有变量均通过显著性检验。

3.3 模型建立及精度验证

研究采用4种方法构建湿地芦苇叶片最大羧化速率估算模型：(1)采用线性回归建立单波段与芦苇叶片Vcmax的回归模型；(2)采用线性回归建立SR高光谱指数与芦苇叶片Vcmax的回归模型；(3)采用线性回归建立ND高光谱指数与芦苇叶片Vcmax的回归模型；(4)采用基于bootstrap PLSR模型建立预处理后光谱与芦苇叶片Vcmax的回归模型。

所建模型估算精度评价指标选用了R2(决定系数)、RMSECV(交叉验证均方根误差)和RPD。研究基于留一交叉算法(leave-one-out)计算RMSECV。即对有N个样本的原始数据,每个步骤取出其中的1个样本,只使用其余N-1个样本建立预测模型,用以预测被取出的样本值。这个过程一直重复至每个样本都被取出1次。本文计算标准差(SD)与RMSECV的比值作为RPD值。

3.4 基于高光谱图像的湿地芦苇最大羧化速率空间分布估算

湿地植被最大羧化速率空间分布的获取,有利于较为精确地描述其空间变化状况,改进区域或全球尺度湿地生态系统生产力与碳收支模型中光合参数的精度。

在本文使用的4种方法中,选取一种适宜的湿地芦苇最大羧化速率估算方法,将该方法应用于HSI高光谱图像。从经过预处理的HSI图像上,提取73个采样区域对应像素的反射光谱曲线。将73组样本数据(包括从图像上提取的反射光谱曲线和测量计算获取的Vcmax),随机分成2组,包括建模样本数据(n=50)和验证样本数据(n=23)。基于建模样本数据,构建芦苇Vcmax估算模型,获取研究区湿地芦苇最大羧化速率空间分布图。基于验证样本数据,采用R2和RMSE对Vcmax估算精度进行评价。

4 结果与分析

4.1 研究区湿地芦苇光合生理参数特征

野外实验测量在7月进行,研究区芦苇长势较好,种群密度92株/m2,平均株高2.68 m,叶面积指数3.64 m2/m2。从表1可以看出,芦苇光饱和点和光补偿点之间的光能利用区间较宽,这导致芦苇具有较高的生产力。芦苇叶片较高的光饱和点和光补偿点,也从一方面表明了其属于不耐荫的阳性植物[20]。从各光合生理参数指标综合来看,研究区湿地芦苇呈现较强的光合能力。

4.2 湿地芦苇叶片光谱特征

图2为经实验测量获取的芦苇叶片平均反射光谱曲线。曲线中剔除了水分吸收带、大气影响以及噪声干扰较大的部分。曲线呈现出绿色植物叶片的一般光谱特征：在可见光波段,在叶绿素等色素吸收和反射作用影响下,叶片光谱反射率值较低,在542 nm存在明显的反射峰,在683 nm存在明显的吸收谷；在近红外波段,683—760 nm波段范围呈现“红边”特征,760—1335 nm波段之间光谱反射率值较高,在1063 nm达到峰值,这是叶片细胞结构高反射率影响所致；在短波红外(SWIR)波段,受叶片含水量的影响,光谱反射率值降低,以1450、1950 nm为中心形成了水分吸收带。

表1 乌梁素海湿地芦苇叶片光合生理参数

图2 湿地芦苇叶片平均反射光谱曲线 Fig.2 The spectral curve of the average reflectance for reed leaves in wetlands

4.3 湿地芦苇叶片最大羧化速率估算精度对比

表2为本文中采用的4种方法估算芦苇叶片Vcmax的结果及精度评价指标对比。图3为采用上述4种方法构建芦苇叶片Vcmax估算模型,入选较高估算精度的波段或波段组合,进行Vcmax估算值与测量值比较。总体来看,最高估算精度产生于基于bootstrap PLSR模型的Vcmax估算建模方法(R2=0.87,RMSECV=3.90,RPD=2.72)。ND高光谱指数的Vcmax估算精度(R2介于0.85—0.79),高于SR高光谱指数的估算精度(R2介于0.80—0.74)。基于单波段构建的Vcmax线性估算模型精度最低(R2介于0.55—0.48)。

RPD常被用来评价预测模型的精度。一些研究根据估算结果总结出,RPD值越大预测模型的估算能力越好。当RPD>2时表示模型具有较好的预测能力；2>RPD>1.4时表示模型的估算结果可以被接受,存在改进空间；RPD<1.4时说明模型预测的可靠性在减小；RPD<1时表示模型预测能力较差,不能应用于样本估算[21]。在本研究中,基于bootstrap PLSR模型、ND高光谱指数、SR高光谱指数中的657和794波段组合(表2),其RPD值均超过2,说明这些估算方法可以获得精度较高的芦苇叶片Vcmax预测值。

本研究中所采用的bootstrap技术结合PLSR回归建模方法,获取了芦苇叶片Vcmax的最高估算精度。 在本文中,采用了基于bootstrap的PLSR回归建模方法,利用bootstrap技术可以有效提高估算模型精度,证明bootstrap和PLSR结合的建模方法,适用于基于高光谱数据的芦苇叶片Vcmax估算。但是,存在的问题是,在类似生态和地理参数光谱估算研究中,通常使用整个光谱测量波段数据(包括上千个波段),这导致在PLSR模型中,部分光谱变量对估算变量不具有重要性影响(例如,影响系数接近于0)或者负影响[11]。当空间尺度由局地测量上升至宽尺度遥感应用时,可利用的波段数量较为有限,需要较多成分变量的PLSR建模方法将导致较大估算误差。因此,基于宽波段星载光谱数据时,PLSR并不是理想的建模方法,其应用会受到该问题的限制,而光谱指数的应用却更为普遍。

表2 4种方法估算乌梁素海湿地芦苇叶片最大羧化速率结果和评价指标对比

Table 2 The results of estimating maximum carboxylation rate of reed leaves in Wuliangsuhai wetland using 4 methods and the comparisons of evaluation indicators (n=73)

构建Vcmax估算模型方法MethodsofconstructingVcmaxestimationmodels入选估算波段/nmSelectedestimationbands评价指标EvaluationindicesR2RMSECVRPD单波段Singleband696(a)2142(b)713(c)0．550．510．487．347．808．091．461．381．31SR高光谱指数SRhyperspectralvegetationindex657，794(a)645，734(b)462，2178(c)0．800．760．745．075．795．732．071．831．87ND高光谱指数NDhyperspectralvegetationindex675，1504(a)702，756(b)460，2053(c)0．850．830．794．114．555．012．582．352．11基于bootstrapPLSR模型BasedonbootstrapPLSRmodel12(成分个数)0．873．902．72

入选估算波段一列,下标a、b、c分别代表在同一种估算芦苇叶片Vcmax的方法中,综合各估算精度评价指标,并且考虑实际应用中特征波段经常发生偏移,以及星载波段的设置,a为估算精度最高的入选波段,b和c为估算精度较高的入选波段;R2: 决定系数 determination coefficient; RMSECV: 交叉验证均方根误差 root mean square error of cross-validation; RPD: the ratio of performance to deviation

图3 4种方法对芦苇叶片Vcmax最高精度的估算值与测量值比较Fig.3 Measured versus estimated Vcmax with the highest accuracy for reed leaves based on four kinds of estimation methods (n=73)

归一化植被指数(NDVI[705, 750])、光化学植被指数(PRI[531, 570])等,在已有研究中证明了其估算植被光合参数的可行性[22]。本研究中,采用了ND形式和SR形式的高光谱指数,估算湿地芦苇叶片Vcmax。值得注意的是,ND形式中标记为b的高光谱指数,利用了702和756 nm波段,这与上文提及的705和750 nm波段较为接近,这两个波段被认为与植被叶片叶绿素含量相关性较高,而叶绿素含量在很大程度上决定了叶片的光合能力[23]。尤其是在星载光谱数据中,相近的这两对波段可能各自位于同一卫星波段中。探索高光谱指数对植被光合参数(例如,最大羧化速率、最大光合电子传递速率等)的估算研究,有利于在不同尺度上开展其时空变化监测及对环境影响因素的响应。

表2显示,入选估算波段分别位于蓝光(460、462 nm)、红光(645、657、675、696 nm)、近红外(702、713、734、756、794 nm)、SWIR波段(1504、2053、2142、2178 nm)。其中,696、702、713、734、756 nm位于近红外波段的“红边”区域。可以看出,主要入选估算波段位于红外、近红外、SWIR光谱范围。一些研究证明,许多中心位于红光和近红外的波段在植被叶片和冠层光合参数的指示方面具有潜能[24]。表2中,ND[702, 756]、SR[657, 794]和SR[645, 734]即为此类高光谱指数,它们表现出了对芦苇叶片Vcmax较好的估算能力。在本研究中,一些SWIR波段也显示出能够指示芦苇叶片的Vcmax。Rubisco在SWIR波段存在几个较宽的光谱吸收特征波段,主要位于1500、1680、1740、1940、2050、2170、2290、2470 nm波段[25]。另一方面,叶片中氮素的30%—50%分配于蛋白质核酮糖- 1,5-二磷酸羧化酶/加氧酶(Rubisco)中,叶片氮素状态与净光合速率显著相关[25]。而氮素在SWIR波段的吸收波段中心位置,主要位于1510、1940、2060、2180、2300、2350 nm[5]。将Rubisco、氮素吸收特征波段和表2中入选估算波段相对比,在SWIR波段,入选的1504、2053、2178 nm与前两者相应的吸收特征波段较为接近。一些研究表明,SWIR波段的入选有利于提高预测模型的估算精度,主要源于其独特的光谱特性[5],这在本文中也有所体现。

4.4 研究区湿地芦苇最大羧化速率空间分布

图4 基于高光谱图像HSI的湿地芦苇最大羧化速率估算值与测量值比较(n=23)Fig.4 Measured versus estimated maximum carboxylation rate of wetland reeds based on HSI hyperspectral image

图5 研究区湿地芦苇最大羧化速率空间分布 Fig.5 The spatial distribution of reed maximum carboxylation rate in the wetland of study area

本文采用的高光谱遥感图像为HJ- 1A HSI,其光谱范围为459—956 nm。根据该高光谱图像的波谱覆盖范围,以及实际推广应用的可行性和实用性,选择ND高光谱指数中具有较高Vcmax估算精度的入选波段702和756 nm,即采用ND[702, 756]高光谱指数估算芦苇Vcmax。

图4为根据23组验证样本数据的空间位置,从研究区湿地芦苇最大羧化速率空间分布图(图5)上提取的估算值与测量值对比。图4显示,估算值与测量值之间存在较好的相关性(R2=0.80,RMSE=4.74)。结果表明,高光谱指数ND[702, 756]以较好的精度估算了湿地芦苇最大羧化速率的变化,即基于光谱特征的植被指数可以较为精确地估算湿地植被最大羧化速率。

图5为基于高光谱指数ND[702, 756]、50组建模样本数据和线性回归模型,获取的研究区湿地芦苇最大羧化速率空间分布图。湿地芦苇最大羧化速率估算值介于62.3—94.8之间,平均值为76.7 μmol m-2s-1。在乌梁素海湿地的研究区,北部和东部沿岸地区呈现芦苇最大羧化速率的高值区。在这些区域,芦苇生长密集度大,而且单个植株长势旺盛。

5 结论

本文主要研究结论为：

(1)基于芦苇叶片测量光谱和高光谱遥感图像HSI,所获取的植被光谱特征和高光谱植被指数,可用于以较高精度估算湿地芦苇最大羧化速率,从而获得湿地植被最大羧化速率的空间分布。

(2)用于估算湿地芦苇叶片Vcmax的4种方法中,最高估算精度产生于基于bootstrap PLSR模型的Vcmax估算建模方法(R2=0.87,RMSECV=3.90,RPD=2.72)。ND高光谱指数的Vcmax估算精度高于SR高光谱指数的估算精度。单波段的Vcmax估算精度最低。

(3)基于高光谱遥感图像HSI,采用ND[702, 756]高光谱指数估算芦苇Vcmax,获取了研究区湿地芦苇最大羧化速率空间分布图。经验证,估算值与测量值之间存在较好的相关性(R2=0.80,RMSE=4.74)。

(4)估算湿地芦苇叶片Vcmax的入选估算波段,主要位于蓝光(460、462 nm)、红光(645、657、675、696 nm)、近红外(702、713、734、756、794 nm)、SWIR波段(1504、2053、2142、2178 nm)。其中,696、702、713、734、756 nm位于近红外波段的“红边”区域。

(5)对比Rubisco、氮素吸收特征波段和本文获得的Vcmax入选估算波段,在SWIR波段,入选的1504、2053、2178 nm与前两者相应的吸收特征波段较为接近。

植被最大羧化速率是表征植被光合能力的重要光合参数。植被光合作用过程不仅与植物自身的生理生态特性(包括叶片构造、叶龄、叶位等)有密切关系,还受到环境因素的影响(包括光照、温度、水分、CO2浓度、土壤养分等)。随着遥感空间技术的发展,已存在的多种传感器可以在不同空间和时间尺度上持续提供海量的地物光谱信息,如此大数据的光谱数据有助于精确捕捉植被光合参数的时空变化。

[1] Houborg R, Cescatti A, Migliavacca M, Kustas W P. Satellite retrievals of leaf chlorophyll and photosynthetic capacity for improved modeling of GPP. Agricultural and Forest Meteorology, 2013, 177: 10- 23.

[2] 闫霜, 张黎, 景元书, 何洪林, 于贵瑞. 植物叶片最大羧化速率与叶氮含量关系的变异性. 植物生态学报, 2014, 38(6): 640- 652.

[3] 张彦敏, 周广胜. 植物叶片最大羧化速率对多因子响应的模拟. 科学通报, 2012, 57(13): 1112- 1118.

[4] Wullschleger S D. Biochemical limitations to carbon assimilation in C3plants-a retrospective analysis of theA/Cicurves from 109 species. Journal of Experimental Botany, 1993, 44(5): 907- 920.

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

[6] Soudani K, Hmimina G, Dufrêne E, Berveiller D, Delpierre N, Ourcival J M, Rambal S, Joffre R. Relationships between photochemical reflectance index and light-use efficiency in deciduous and evergreen broadleaf forests. Remote Sensing of Environment, 2014, 144: 73- 84.

[7] Wu C Y, Niu Z, Gao S. The potential of the satellite derived green chlorophyll index for estimating midday light use efficiency in maize, coniferous forest and grassland. Ecological Indicators, 2012, 14(1): 66- 73.

[8] Raymond Hunt Jr E, Doraiswamy P C, McMurtrey J E, Daughtry C S T, Perry E M, Akhmedov B. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 103- 112.

[9] Dillen S Y, de Beeck M O, Hufkens K, Buonanduci M, Phillips N G. Seasonal patterns of foliar reflectance in relation to photosynthetic capacity and color index in two co-occurring tree species,QuercusrubraandBetulapapyrifera. Agricultural and Forest Meteorology, 2012, 160: 60- 68.

[10] Jin P B, Wang Q, Iio A, Tenhunen J. Retrieval of seasonal variation in photosynthetic capacity from multi-source vegetation indices. Ecological Informatics, 2012, 7(1): 7- 18.

[11] Serbin S P, Dillaway D N, Kruger E L, Townsend P A. Leaf optical properties reflect variation in photosynthetic metabolism and its sensitivity to temperature. Journal of Experimental Botany, 2012, 63(1): 489- 502.

[12] Gamon J A, Bond B. Effects of irradiance and photosynthetic downregulation on the photochemical reflectance index in Douglas-fir and ponderosa pine. Remote Sensing of Environment, 2013, 135: 141- 149.

[13] 孙惠民, 何江, 吕昌伟, 高兴东, 樊庆云, 薛红喜. 乌梁素海氮污染及其空间分布格局. 地理研究, 2006, 25(6): 1003- 1012.

[14] Farquhar G D, Von Caemmerer S, Berry J A. A biochemical model of photosynthetic CO2assimilation in leaves of C3species. Planta, 1980, 149(1): 78- 90.

[15] Brooks A, Farquhar G D. Effect of temperature on the CO2/O2specificity of ribulose- 1, 5-bisphosphate carboxylase/oxygenase and the rate of respiration in the light. Planta, 1985, 165(3): 397- 406.

[16] Von Caemmerer S, Evans J R, Hudson G S, Andrews T J. The kinetics of ribulose- 1, 5-bisphosphate carboxylase/oxygenase in vivo inferred from measurements of photosynthesis in leaves of transgenic tobacco. Planta, 1994, 195(1): 88- 97.

[17] Harley P C, Tenhunen J D. Modeling the photosynthetic response of C3leaves to environmental factors // Boote K J, Loomis R S, eds. Modeling Crop Photosynthesis-from Biochemistry to Canopy. Geneva: American Society of Agronomy, 1991: 17- 39.

[18] 陈雪洋, 蒙继华, 吴炳方, 朱建军, 杜鑫. 基于HJ星高光谱数据红边参数的冬小麦叶面积指数反演. 中国科学: 信息科学, 2011, 41(增刊): 213- 220.

[19] 王惠文, 吴载斌, 孟洁. 偏最小二乘回归的线性与非线性方法. 北京: 国防工业出版社, 2006: 267- 274.

[20] 付为国, 李萍萍, 卞新民, 吴沿友, 曹秋玉. 镇江北固山湿地芦苇光合日变化的研究. 西北植物学报, 2006, 26(3): 496- 501.

[21] Anne N J P, Abd-Elrahman A H, Lewis D B, Hewitt N A. Modeling soil parameters using hyperspectral image reflectance in subtropical coastal wetlands. International Journal of Applied Earth Observation and Geoinformation, 2014, 33: 47- 56.

[22] 王莉雯, 卫亚星. 植被光能利用率高光谱遥感反演研究进展. 测绘与空间地理信息, 2015, 38(6): 15- 22.

[23] Wu C Y, Chen J M, Desai A R, Hollinger D Y, Altaf Arain M, Margolis H A, Gough C M, Staebler R M. Remote sensing of canopy light use efficiency in temperate and boreal forests of North America using MODIS imagery. Remote Sensing of Environment, 2012, 118: 60- 72.

[24] Inoue Y, Peuelas J, Miyata A, Mano M. Normalized difference spectral indices for estimating photosynthetic efficiency and capacity at a canopy scale derived from hyperspectral and CO2flux measurements in rice. Remote Sensing of Environment, 2008, 112(1): 156- 172.

[25] Elvidge C D. Visible and near infrared reflectance characteristics of dry plant materials. International Journal of Remote Sensing, 1990, 11(10): 1775- 1795.

Maximum carboxylation rates of reed in the Wuliangsuhai wetland using hyperspectral remote sensing

WEI Yaxing1,2,3,*, WANG Liwen1,2,3

1CenterforStudiesofMarineEconomyandSustainableDevelopment,LiaoningNormalUniversity,Dalian116029,China2LiaoningKeyLaboratoryofPhysicalGeographyandGeomatics,LiaoningNormalUniversity,Dalian116029,China3CollegeofUrbanandEnvironmentalScience,LiaoningNormalUniversity,Dalian116029,China

Studies on wetland vegetation productivity and their carbon sequestration potential are becoming an important focus of the global carbon cycle and global climate change research. The photosynthetic capacity of wetland vegetation can indicate the health status of its growth. In addition, an accurate estimate of maximum carboxylation rate (Vcmax) is important for accurately simulating wetland vegetation photosynthesis and carbon sequestration processes with a gas exchange model. Here, the wetland of Wuliangsuhai (Inner Mongolia) was chosen as the study area, and the photosynthetic parameters and spectral reflectance of reed leaves were measured. Based on the Farquhar model of photosynthesis, reed leafVcmaxvalues were calculated fromA-Cicurves, and subsequently standardized to 25 ℃. Estimation models ofVcmaxfor reed leaves in the wetland were constructed with a bootstrap PLSR model and single band and hyperspectral vegetation indices (e.g., simple ratio index (SR) and normalized difference index (ND)). Based on hyperspectral remote sensing images from HJ- 1A HSI, the bands of 702 and 756 nm, which had a higher estimation accuracy forVcmax, were selected from the ND hyperspectral indices. Subsequently, a spatial distribution map ofVcmaxfor wetland reed was acquired for the study area. The results showed that the spectral characteristics of wetland vegetation, combined with hyperspectral vegetation indices, could be used effectively to accurately estimate reedVcmaxin the wetland. The highest accuracy was produced from the modeling method based on a bootstrap PLSR model (R2=0.87,RMSECV=3.90,RPD=2.72). Furthermore, the accuracy ofVcmaxestimations from the ND hyperspectral indices was higher than that from the SR hyperspectral indices. Overall, the estimated values extracted from the spatial distribution map ofVcmaxhad a good correlation with the measured values (R2=0.80,RMSE=4.74).

maximum carboxylation rate; hyperspectral remote sensing; wetland vegetation photosynthesis; bootstrap PLSR; Wuliangsuhai wetland

国家自然科学基金项目(41271421)；教育部人文社会科学研究规划基金项目(14YJA630064)

2015- 09- 11;

日期:2016- 06- 13

10.5846/stxb201509111879

*通讯作者Corresponding author.E-mail: wyx9585@sina.com

卫亚星,王莉雯.乌梁素海湿地芦苇最大羧化速率的高光谱遥感.生态学报,2017,37(3):841- 850.

Wei Y X, Wang L W.Maximum carboxylation rates of reed in the Wuliangsuhai wetland using hyperspectral remote sensing.Acta Ecologica Sinica,2017,37(3):841- 850.