高光谱遥感在反演植被生理参数的应用综述

2017-06-23 08:39刘浩
关键词:叶绿素含量

刘浩

【摘 要】高光谱分辨率遥感技术是近20年来人类在对地观测方面取得的重大技术突破之一,也是当前及未来几十年内的遥感前沿技术。由于其具有光谱分辨率高、数据丰富等独特性能,因而在环境保护、地质找矿、植物生长监测等许多方面有着广泛应用。高光谱分辨率遥感在植被生理参数监测中主要有以下几方面应用:植物中氮素含量;叶绿素含量;水含量。

【Abstract】 Hyperspectral remote sensing technology, being one of the most important breakthroughs acquired in the field of earth observation by human in the recent 20 years, is an advancing technology of remote sensing in the next decades. It has the special qualities of high spectral resolution ,plentiful data etc., so it can be extensively applied in environment protection, deposit exploration, vegetation monitoring and so on. The application of hyperspectral remote sensing in monitoring physiological parameters of vegetation mainly has the following aspects:nitrogen content in plants, chlorophyll content, ;water content.

【關键词】高光谱遥感;植物生理参数;氮素含量;叶绿素含量;水含量

【Keywords】 hyperspectral remote sensing; plant physiological parameters; nitrogen content in plants; chlorophyll content;water content

【中图分类号】P23 【文献标志码】A 【文章编号】1673-1069(2017)05-0182-03

1 引言

获取植物生理参数的传统方法是将植物带回到实验室进行化学和生物分析,这个过程需要花费巨大的人力物力成本,因此,我们探索是否可以应用新的技术来结合具体微生物复垦技术特点,以简化这些烦琐而且花费成本巨大的实验。利用高光谱扫描叶片来进行反演植物内部生理生化参数(氮磷钾等)含量,能够获得地物连续平滑的光谱曲线,并且可以捕捉到非常敏感微小的差异。

随着高光谱遥感技术的快速发展及其数据处理与分析方法的不断进步,与传统的生理生化实验相比,利用高光谱遥感数据反演植物生理生化参数在现实中会得到为更广泛的应用,高光谱遥感目前也正在成为观测植物长势和诊断植物病虫害的重要方法。

叶片中的氮素、叶绿素、水等含量与叶片反射率有着密切联系。可以用数学方法进行叶片生化组分含量的预测研究。随着高光谱遥感技术的发展,高光谱数据在作物生理参数诊断中所起的作用越来越受到人们的重视。

2 高光谱遥感技术在作物生化参数诊断中的应用

高光谱分辨率遥感技术的发展是20世纪末最后20年中人类在对地观测方面所取得的重大技术突破之一,也是当前及今后几十年内的遥感前沿技术。国际遥感界将光谱分辨率达纳米(nm)数量级范围内的遥感技术称为高光谱(HypersPectral)遥感。其光谱分辨率高,并具有波段多、信息量丰富的特点。常规的作物生化参数的获取方法是将样本从大田运输到实验室进行测定,这种方法费时、费力,且具有破坏性。近年来,随着高光谱技术的发展,由于其具有简便、快速、大面积、非破坏性等特点,在作物参数反演中发挥着重要且独特的作用,便携式高光谱仪通过测定作物的反射率、吸收率和透射率来对生化参数进行测定,可反演的参数主要有叶绿素含量、全氮含量、水含量等[4]。

3 监测生理参数的应用

3.1 氮素测定

氮素是植物内许多重要有机化合物的组成成分,是植物细胞原生质中的基本物质。蛋白质、叶绿素和核酸的合成都离不开氮元素[5],例如蛋白质的多少直接影响植物的生长发育,酶就是蛋白质的一种,缺少酶这种催化剂,植物生长必然要受到影响。

氮肥是植被施肥中最不可或缺也是最普遍的肥料,而由于缺乏能够准确、快速、方便、经济诊断植物氮素营养水平的方法,如果施肥过量则会导致成本增加,污染环境;施肥过少则会导致植物缺乏养料,生长发育不正常,从而导致收成受损[6]。

从以上可以看出,研究精确、高效、实时地监测植物氮素含量的方法对于植物的生长状况监测具有至关重要的意义。基于此,很多学者提出不同条件下采用高光谱分析技术,提取植物氮素信息的方法。

目前作物氮素含量高遥感反演常采用的方法是基于高光谱敏感波段反射率或光谱植被指数的经验统计关系法[7]。孔维平[8]等利用ASD地物光谱仪,获取大豆叶片整个生理周期的高光谱数据,应用一阶微分光谱,衍生出基于光谱面积变量(A678-697)为自变量的幂函数模型,并以此为对照处理的大豆全氮最佳反演模型,该模型决定系数R2为0.81,EMSE和RE分别为0.33和7.59%。同时也衍生出基于光谱特征参数(A1605-1608-A1685-1709)为自变量,叶片全氮为因变量,决定系数R2为0.63,均方差(RMSE)分别为0.23和4.95%的模型。Feng等[8]发现将原始光谱进行一阶微分处理计算出红边区域的双峰面积可增加其与冬小麦叶片全氮含量的相关性,Li等[9]使用前人研究提出的可见光波段光谱指数,基于偏最小二乘回归方法对冬小麦叶片氮素含量进行了估测。Fava等[10]使用ASD地物光谱仪对地中海地区草地的光谱进行采集,发现近红外波段775-820 nm和红边位置附近波段740-770 nm的比值植被指数与草地的氮素浓度有较好的相关性。陈书琳 [11]等在不同接菌处理条件下,对大豆叶片全氮含量做了相关性分析,并采用地物光谱仪,获取大豆成熟发育时期的高光谱数据,利用原始光谱,衍生出基于光谱位置的分析方法,以688nm和503nm处反射率的差值作为自变量,叶片全氮(TN)含量为因变量,分析结果表明:全氮含量与TN含量呈显著的正相关(R=0.8723**,n=39), 其模型决定系数R2为0.559,EMSE为0.669。

由此可见,利用高光谱的反射特征以及衍生出的特征参数可以实时、动态、高效地监测植物的氮素含量。

3.2 叶绿素测定

叶绿素可吸收光能,在植物进行光合作用的过程中必不可少,同时也是光合作用能力、植物生长发育阶段的指数器[12-13]。目前国内外研究人员针对高光谱遥感诊断叶绿素含量开展了大量研究。

房贤一[14]以蒙阴县果园的苹果树为试验材料,连续 2 年测定了苹果冠层光谱反射率和冠层叶绿素含量,分析了冠层叶绿素含量与光谱反射率之间的相关关系,并计算了 400~1000nm 任意两波段组合而成的 RVI、DVI、NDVI 和 RDVI,分析了它们与冠层叶绿素含量的关系,以逐步回归分析做比较,建立了苹果冠层叶绿素含量监测模型。建立苹果冠层叶绿素含量及冠层光谱特征参量间的定量关系模型,以促进高光谱技术在苹果树精准施肥以及快速、无损长势监测中的应用发展,结果表明我们采用多元逐步回归方法建立起来的模型的苹果冠层叶绿素含量监测效果较好。Moran等[15]研究表明叶绿素含量与波段700 nm附近的光谱反射率有很好的相关性,潘蓓[16]等利用ASD Fieldspec3 光谱仪,测定春梢停止生长期苹果冠层高光谱反射特性,对原始光谱进行一阶微分处理,与苹果叶绿素含量进行相关性分析以寻找与叶绿素含量相关性强的敏感波段,通过分析敏感区域400~1350nm范围内所有两波段组合的植被指数,选择最佳植被指数并建立苹果冠层叶绿素含量估测模型。结果表明:①苹果冠层叶绿素含量的敏感波段区域为400~1350nm。②利用筛选得到的植被指数CCI(D794/D763)构建的估测模型能较好地估测苹果冠层叶绿素含量。③以CCI(D794/D763)指数为自变量的估测模型CCC=6.409+1.89R3+1.587R2-7.779R的预测效果最佳。因此,利用高光谱遥感技术能够快速、精确地对苹果冠层叶绿素含量进行定量化反演,为监测苹果生长特性提供理论依据。

另外孙江涛[17]等探究利用高光谱遥感技术来监测不同施磷水平下接種菌根对植物生长的影响规律,通过高光谱扫描实验以及室内样品化验,获得4个不同施磷水平状况下玉米的高光谱反射率、叶片的叶绿素含量、植株生物量等数据。对高光谱数据进行导数光谱计算和连续统去除处理,得到以不同玉米叶绿素含量差异的光谱特征参数为自变量,以叶绿素含量为因变量的线性或非线性回归模型,接菌处理玉米叶绿素含量所有的反演模型中,以REP为变量构建的线性模型具有较高的拟合精度和反演效果,检验决定系数R2为0.753,对照处理的玉米叶绿素含量的所有反演模型中,以RG为变量构建的指数模型的拟合度最高达0.927,检验决定系数为0.834.吉海彦[18]等使用ASD便携式光谱仪和LI-COR 1800型积分球,在350-1 650nm的光谱范围内,测量冬小麦叶片在不同生长期的反射光谱,用偏最小二乘方法建立了冬小麦叶片叶绿素含量与反射光谱的定量分析模型。在400~750nm的光谱范围,建立了叶绿素含量与反射光谱的模型,结果显示叶绿素的预测值与真实值的相关系数为01898,相对标准偏差为1316%。在光谱范围为1400~1600nm的农业生产中,这些结果是非常令人满意的。

3.3 水含量

叶片含水量是反映作物生理特性的一个重要参数,含水量的变化会影响作物对氮的利用以及叶片碳交换速率,从而影响碳循环和能量收支,以及作物产量。因此,选择适宜的

含水量反演指标评估旱情的发生、发展和变化情况,对进行相应的抗旱准备和采取及时的抗旱措施具有重要的指导作用。

Inoue等[19]研究发现大气对近红外水分吸收波段影响较大,因此不适合在高空遥感中用于评估植被的水分情况;在野外光谱采集中要充分考虑大气中水汽的影响,选择晴朗、能见度高且大气比较干燥的天气,以减少水汽对波段1450 nm处水分吸收峰的影响。Pietro等[20]提出全球植被营养指数GVMI,使得相对含水量的反演从局部扩展到了整体;另外王纪华[21]等应用地物光谱仪探讨了小麦叶片含水量对近红外(NIR)波段光谱吸收特征参量的影响,结果表明: 1165~1185nm间的光谱反射率与小麦叶片的含水量呈显著负相关,而且该波段在大气窗口之内,受大气层水的干扰较小,可作为航空或卫星遥感探测指标应用。由此根据大量观测数据建立了叶片含水量与吸收深度及吸收面积间的线性相关关系和回归方程式,从而提出一种利用光谱反射率诊断小麦叶片水分状况的遥感方法。

4 结语

高光谱遥感凭借其充分利用地物光谱特征的特点为农作物研究提供了新的平台[22],与传统的多光谱遥感或宽波段遥感相比,高光谱遥感不仅能比较真实全面地反映各类植被的光谱特征及其差异,还能实现对某些植被生化参数的定量测定。因此,可以运用高光谱遥感技术进行低耗、高效、实时、无损地植被生理参数监测,从而实现对植物生长状况的监测和评估。

应用高光谱遥感技术可以监测植物的氮含量、叶绿素含量、水含量,清晰地了解植物的生理参数,为判断植物的生长状况提供参考,并为农业生产进行定量施肥提供依据。

【参考文献】

【1】程一松,胡春胜等.氮素胁迫下的冬小麦高光谱特征提取与分析[J].资源科学,2003,25(1):86-93.

【2】冯先伟,陈曦等.水分胁迫条件下棉花生理变化及其高光谱相应分析[J].干旱区地理,2004,27(2):250-255.

【3】杨吉龙,李家存等.高光谱分辨率遥感在植被监测中的应用综述[J].世界地质,2001,20(3):307-312.

【4】孔维平.干旱胁迫下接种菌根大豆生化参数高光谱反演研究[D]. 北京:中国矿业大学(北京)测绘与土地利用系,2015.

【5】余海洋.[高光谱遥感对微生物复垦植物及土壤理化参数的反演特性研究[D]. 北京:中国矿业大学(北京),2016.

【6】馮伟,朱艳等.小麦氮素积累动态的高光谱监测[J].中国农业科学,2008,41(7):1937-1946.

【7】赵春江.农业遥感研究与应用进展[J].农业机械学报,2014(12):277-293.

【8】Feng W, Guo B B, Wang Z J, et al. Measuring leaf nitrogen concentration in winter wheat using double-peak spectral reflection remote sensing data[J]. Field Crops Research, 2014, 159: 43-52.

【9】Li F, Mistele B, Hu Y, et al. Reflectance estimation of canopy nitrogen content in winter wheat using optimised hyperspectral spectral indices and partial least squares regression[J]. European Journal of Agronomy, 2014, 52: 198-209.

【10】Fava F,Colombo R, Bocchi S, et al. Identification of hyperspectral vegetation indices for mediterranean pasture characterization[J]. International Journal of Applied Earth Observation and Geoinformation,2009, 11(4): 233.

【11】陈书琳. 微生物复垦中植物及土壤理化参数的高光谱反演研究[D]. 北京:中国矿业大学(北京),2014.

【12】Collins W. Remote sensing of crop type and maturity[J]. Photogrammetric Engineering and Remote Sensing,1978.

【13】Steven M D, Clark J A. High spectral resolution indices for crop[A]. In application of remote sensing in agriculture[C].1990.

【14】房贤一,朱西存,等.基于高光谱的苹果盛果期冠层叶绿素含量监测研究[J].中国农业科学,2013,46(16):3504-3513.

【15】Moran JA, Mitchell AK, Goodmanson G, et al. Differentiation among effects of nitrogen fertilization treatments on conifer seedlings by foliar reflectance: a comparison of methods[J]. Tree Physoil, 2000, 20(16):1113-1120.

【16】潘蓓,赵庚星.利用高光谱植被指数估测苹果树冠层叶绿素含量[J].光谱学与光谱分析,2013,8(33):2203-2206.

【17】毕银丽,孙江涛,等.不同施磷水平下接种菌根玉米营养状况及光谱特征分析[J].煤炭学报,2016,41(5):1227-1235.

【18】吉海彦,王鹏新.冬小麦活体叶片叶绿素和水分含量与反射光谱的模型建立[J].光谱学与光谱分析,2007,3(3):514-516.

【19】Inoue, Y, Morinaga S, Shibayama M. Non-destructive estimation of water status of intact crop leaves based on spectral reflectance measurements[J]. Japanese Journal of Crop Science, 1993, 62: 462-469.

【20】Pietro Ceccato, Stephane Flasse, Stefano Tarantola, et al. Detecting vegetation leaf water content using reflectance in the optical domain[J]. Remote Sensing of Environment, 2001, 77:22-23.

【21】王纪华,赵春江.利用遥感方法诊断小麦叶片含水量的研究[J].华北农学报,2000,15(4):68-72.

【22】贺可勋,赵书河,等.水分胁迫对小麦光谱红边参数和产量变化的影响[J].光谱学与光谱分析,2013,33(8):2143-2147.

猜你喜欢
叶绿素含量
基于反射光谱的PCA及BP神经网络法预测甘蔗叶片叶绿素含量
棉花叶片叶绿素含量与纤维品质关系分析