遥感定量反演农作物叶绿素的现状与发展

黄祥 周蕊 王茜等

摘要 叶绿素是农作物生长过程中重要的生理参数，其含量是评价农作物长势的重要指标。利用定量遥感技术对农作物叶绿素含量进行反演，可辅助大面积农作物长势监测、产量预测等。总结并分析了近几年遥感定量反演叶绿素的主要研究成果，表明物理模型法更具普适性，适宜大面积农作物叶绿素含量反演，是未来定量遥感发展的重要方向，但是有待辐射传输机理的进一步完善；统计模型法是目前应用最广的反演模型，但是无明确物理意义，探索通过不同光谱特征量组合来改善模型普适性，减弱环境因素影响，对提升当前统计模型反演精度有重要意义。

关键词 农作物；定量遥感；叶绿素含量

中图分类号 S127 文献标识码

A 文章编号 0517-6611（2018）32-0192-03

The Status and Development of Quantitative Retrieval of Crop Chlorophyll by Remote Sensing

HUANG Xiang，ZHOU Rui，WANG Qian et al （Agricultural Science and Technology Information Center，Chongqing Academy of Agricultural Sciences，Chongqing 401329）

Abstract Chlorophyll is an important physiological parameter in the growing process of crops，and its content is an important index to evaluate crop growth.The quantitative remote sensing technique can be used to invert the chlorophyll content of crops，which can be used to monitor the growth of largeareas of crops.We summarized and analyzed the main research results of quantitative retrieval of chlorophyll by remote sensing in recent years，and showed that the physical model method was more universal and suitable for the inversion of chlorophyll content of largearea crops，which was an important direction for the future development of quantitative remote sensing，but depended on further improvement of radiation transmission mechanism.The statistical model method was the most widely used inversion model at present，but it had no clear physical significance.By combining different spectral features，it can improve the universality of the model，reduce the influence of environmental factors，and improve the accuracy of statistical model inversion results.

Key words Crop；Quantitative remote sensing；Chlorophyll content

基金项目 重庆市科研院所绩效激励引导专项（cstc2017jxjl00014）。

作者简介 黄祥（1988—），男，四川绵阳人，助理工程师，硕士，从事遥感信息提取研究。*通讯作者，副研究员，硕士，从事农业遥感数据分析与应用研究。

收稿日期 2018-09-18

叶绿素是植物进行光合作用的重要物质，其含量是反映植被生長阶段以及营养状况的重要参数[1]，对于作物长势监测、产量预测、病虫害监测等具有重要的意义。常用的叶绿素含量测定方法是采用叶绿素速测仪测量叶绿素含量的相对值，如SPAD-502，它针对具体叶片进行测量，是样本点数据，而不是田块尺度的叶绿素面状分布数据，应用受限。遥感技术以其简便快速、灵敏准确、非破坏性等优点，为区域尺度大范围的作物叶绿素含量监测提供了有效途径，它被广泛应用于农作物生化参数的估算。当前关于叶绿素含量遥感反演已经取得了较大进展，其反演方法主要包括统计模型法、物理模型法和耦合模型法[2]。该研究详细介绍了当前遥感反演农作物叶绿素含量的常见模型，比较了不同模型的优缺点，讨论了叶绿素含量估算模型的适用情况和发展趋势。

1 统计模型法

统计模型法又称经验模型法，是基于叶绿素含量与光谱特征量间的相关性，运用统计分析方法，得到叶绿素反演模型。光谱特征量包括植被指数、基于位置信息的光谱特征量、基于面积信息的光谱特征量。叶绿素含量通过地面实测得到，而光谱数据处理方法包括比值法、微分法等。常见的光谱特征量见表1。常用统计分析方法包括传统回归分析法，比如一元线性回归方法、多元回归方法、指数回归分析、幂函数回归分析等；神经网络法；支持向量机分析；偏最小二乘回归分析；主成分回归分析；随机森林算法等。反演模型的精度评价通常基于决定系数（R2）、均方根误差（RMSE）等指标进行评价。其中，R2越接近1越好，RMSE值越小越好。

1.1 植被指数

植被指数从数学角度而言也属于光谱衍生参数，但部分植被指数能弱化土壤、大气、光照几何特性等干扰信息，有利于提高叶绿素含量的估算精度。叶绿素对不同波长入射光的吸收、散射和反射不同，通过一个叶绿素弱吸收波段对一个叶绿素强吸收波段进行校正，可以获得更适宜叶绿素反演的植被指数[3]。Sims等[4]通过引入蓝波段反射率对比值植被指数进行改造，构造了绿波段叶绿素指数、红边波段、叶绿素指数，实验证明改进后的植被指数可以提升叶绿素含量估算精度。孙勃岩等[5]对冬小麦冠层叶绿素质量分数和冠层光谱特征进行田间实测，利用实测叶绿素含量分数与7种植被指數，分别运用传统回归分析方法和BP神经网络方法搭建冬小麦叶绿素质量分数的反演模型，结合实测数据进行反演精度分析，结果表明传统回归模型中基于新型植被指数NVI构建验证模型的精度最高：R2为0.637 1， RMSE为2.007 8；基于BP神经网络构建验证模型的精度：R2为0.704 8，RMSE为1.744 6。显然基于BP神经网络的反演模型精度优于其他7种基于植被指数的传统回归模型。贺英等[6]利用搭载数码相机的轻小型无人机，采集研究区玉米RGB影像，使用土壤调节植被指数对研究区影像进行分割，基于分割前后的影像分别提取15种常见的可见光植被指数，运用传统回归分析法和随机森林算法构建玉米冠层SPAD值估算模型，结果表明将数码相机影像用于玉米叶绿素含量的估测是可行的。王烁等[7]选择对叶绿素含量响应敏感的波段构成的13种植被指数以及从原始光谱波段400～2 000 nm中相隔10 nm提取的光谱反射率，计算所有可能的两两反射率比值，得到比值光谱指数，结合实测棉花叶片叶绿素相对含量，运用传统回归分析方法进行建模。模型精度验证结果表明，二次回归模型最优，植被指数构建的验证模型最高精度：R2为0.785；比值光谱指数构建的验证模型精度：R2为1.000。章文龙等[8]提取了13种光谱植被指数，运用传统回归分析方法，构建了秋茄叶绿素含量估算模型。李粉玲等[9]基于15种常见植被指数，运用传统回归分析方法和随机森林回归算法构建了冬小麦不同生育期叶片叶绿素含量估算模型。Rondeaux等[10]提出了优化土壤调节植被指数来减弱土壤对冠层尺度叶绿素含量估算的影响，结果表明该指数在不同覆盖度下都能取得很好的反演结果。Liu等[11]建立了增强植被指数，通过引入蓝波段以增强植被信号，校正土壤背景影响，结果表明在植被茂密区反演作物叶绿素能取得较好的效果。

1.2 光谱曲线特征

光谱曲线特征的提取通常是运用光谱微分法，比如光谱曲线一阶导数的最值、光谱曲线包围的面积等。Gitelson等[12]研究表明红边参数与叶绿素之间有密切的统计关系，决定系数高于0.9；黄文江等[13]利用红边位置参数估算了冬小麦叶片叶绿素含量，决定系数高于0.7。杨可明等[14]实测玉米叶片叶绿素含量和叶片光谱数据，利用包络线去除和光谱微分法提取叶片光谱曲线特征参数，将光谱特征参数与不同植被指数结合，进行主成分分析，提取前4个主分量，作为小波神经网络的输入因子，反演得到玉米叶片叶绿素含量，结果表明小波神经网络模型的决定系数为0.742 1，高于BP神经网络模型的0.706 7，其预测精度比BP神经网络更好。余蛟洋等[15]利用地面实测苹果叶片光谱反射率，提取了17种光谱特征参数，采用传统回归分析法和BP神经网络构建了苹果各生育期叶片叶绿素含量估算模型，结果表明BP神经网络表现最优。李媛媛等[16]利用光谱微分法基于原始实测光谱曲线，提取11种叶片光谱曲线特征参数，运用BP神经网络、偏最小二乘回归、主成分回归、传统回归等分析法，建立了玉米叶片叶绿素含量估算模型，并比较了不同模型模拟结果，结果表明BP神经网络模型预测精度最高。

1.3 植被指数结合光谱曲线特征

马文君等[17]提取了22种对叶绿素含量敏感的光谱指数和7种红边参数，结合棉花叶片叶绿素含量，运用传统回归分析方法和偏最小二乘回归法分别构建反演模型，对模型预测能力检验结果表明，传统回归模型的决定系数为0.530 0左右，而偏最小二乘回归模型为0.737 0。张卓然等[18]通过地面实测棉花叶片光谱反射率，提取6种植被指数和2种基于位置信息的光谱特征量，利用传统回归分析法和支持向量机分析法，构建棉花叶片SPAD值遥感估算模型，结果表明支持向量机模型估算精度更高。梁亮等[19]选择16种植被指数和2种光谱曲线特征，以最小二乘支持向量回归算法建立了小麦冠层叶绿素含量反演模型，结果表明红边位置指数在所选指数中的反演精度最高。田明璐等[20]利用高光谱无人机采集棉花高光谱影像，提取14种植被指数和13种光谱曲线特征，采用传统回归分析方法和偏最小二乘回归分析法，建立了6个叶绿素含量估算模型，结果表明使用与叶绿素相关性高的单一光谱特征量建模，可获得较高的建模精度和单点验证精度，但用于区域反演时，效果并不理想，因此，采用多个光谱特征量构建的模型具有更好的反演效果。

遥感监测作物叶绿素含量基于对叶绿素含量敏感的波段反射率差异，显然单一的光谱特征量未能充分利用各波段的差异信息，因此，对于区域遥感反演作物叶绿素含量，组合不同光谱特征量是一种重要方式，但是光谱特征量过多，将带来数据冗余，计算量大，模型复杂化。最佳的光谱特征组合需要权衡光谱特征数量和模型精度。

2 物理模型法

物理模型基于辐射传输机制，描述光在叶片、茎秆之间传输的光谱特性，具有明确的物理含义。当前广泛使用的物理模型是基于冠层的PROSAIL模型和基于叶片的PROSPECT模型，通过模拟不同叶绿素含量水平下作物冠层和叶片的光谱反射率，运用迭代数值优化法、人工神经网络、查找表算法、支持向量机算法等反演得到叶绿素含量。

2.1 针对叶片尺度的PROSPECT模型

Sun等[21]运用高光谱雷达数据，数据包含32个光谱通道，覆盖范围539～910 nm，融合光谱与空间探测能力。通过PROSPECT模型反演了水稻叶片叶绿素含量，作为对比，运用支持向量回归分析法，构建支持向量回归模型，表明这个光谱范围适合探测叶绿素含量，并且PROSPECT模型反演精度更高。

2.2 针对冠层尺度的PROSAIL模型

Croft等[22]基于光学遥感数据，使用PROSAIL辐射传输模型估算了黑云杉、糖枫树、桃杨树等植被冠层叶绿素含量，这些植被具有不同冠层郁闭度和冠层结构，结果表明由卫星图像反演得到的叶片叶绿素含量与实测叶绿素含量值有良好的关联，具有强烈的线性和可以忽略的偏差，基于中尺度分辨率影像和Landsat5影像的验证模型决定系数分别为0.62和0.65。Botha等[23]利用PROSAIL模型，基于马铃薯冠层光谱反射率反演叶片叶绿素含量，结果表明该模型能减少土壤反射率影响，反演精度较高。

农作物对光谱辐射的吸收、透射、反射受到多种因素影响，如叶片倾角、叶片结构、叶面积指数等，目前还无法精确描述光谱辐射的传输机制，因此，基于光谱辐射传输机制的物理模型模拟的农作物冠层或叶片辐射率与其真实辐射率间存在一定差异。

3 耦合模型

将统计模型和物理模型进行耦合，融合各自优势：统计模型，效率高，精度较理想，但是随时空改变而变化；物理模型，考虑作物生理参数对光谱反射率的影响，但模型过于复杂，参数太多，且参数间互相影响。因此，通过物理模型，模拟不同叶绿素含量下的光谱曲线，分析叶绿素含量与光谱曲线间的关系，比如优选植被指数、训练反演模型等，再根据实测作物光谱，利用统计模型进行叶绿素含量反演。耦合模型能够最大化统计模型的优势，同时避免物理模型存在的计算复杂、参数众多等缺点。

汤旭光等[24]利用PROSAIL模型模拟了4个层次叶绿素含量下大豆冠层光谱反射率，表明叶绿素主要影响400～700 nm反射率。基于地面实测，选取400～700 nm全部波段进行小波分析，获取6个小波能量系数，再分别采用传统回归分析、神经网络以及偏最小二乘回归分析构建大豆叶绿素含量估算模型，结果表明引入小波分析法进行高光谱特征提取，构建叶绿素反演模型是可行且成功的。吕杰等[25]运用PROSPECT模型模拟了不同叶绿素含量下玉米叶片反射率，据此建立训练数据集，利用粒子群优化算法确定支持向量机回归参数，构建玉米叶片叶绿素含量估算模型，利用实测玉米叶片高光谱数据估算叶片叶绿素含量，结果表明基于该反演模型能准确预测玉米叶绿素含量。孟庆野等[26]基于PROSAIL模型模拟得到不同叶绿素含量下作物冠层光谱反射率，利用该反射率改进叶绿素吸收比率指数，再结合土壤背景调节指数，运用传统回归分析方法，建立了叶绿素估算模型，通过实测小麦冠层光谱和叶片叶绿素含量对模型进行了验证，表明改进后的叶绿素吸收比率指数模型的决定系数有了较大提升。

4 结论

统计模型只具有统计意义上的相关性，方法简单，无明确物理含义。作物地理环境差异使得遥感反演参数与作物生理参数不可避免地会随着地理环境的改变而变化，因此统计模型不可通用。物理模型难以准确描述辐射传输机制，影响因素较多，使用相对复杂，但是其不依赖于植被类型，具有普适性。目前，统计模型在农作物叶绿素含量的估算中应用最多，仍占主流。综上所述，物理模型因其对环境适应性更好，鲁棒性更强，更适合大面积监测，必然是一种发展趋势。物理模型随着辐射传输理论研究的不断改进，还有很大的进步空间，值得相关研究者进一步完善。此外，统计模型反演作物叶绿素含量具有方便、快捷、易操作的优势，通过不同特征量组合来提升反演精度是统计模型值得探索的一个方向。

参考文献

[1]

蒋金豹，陈云浩，黄文江.用高光谱微分指数估测条锈病胁迫下小麦冠层叶绿素密度[J].光谱学与光谱分析，2010，30（8）：2243-2247.

[2] 徐晋，蒙继华.农作物叶绿素含量遥感估算的研究进展与展望[J].遥感技术与应用，2016，31（1）：74-85.

[3] BLACKBURN G A.Hyperspectral remote sensing of plant pigments[J].Journal of experimental botany，2007，58（4）：855-867.

[4] SIMS D A，GAMON J A.Relationships between leaf pigment content and spectral reflectance across a wide range of species，leaf structures and developmental stages[J].Remote sensing of environment，2002，81（2）：337-354.

[5] 孙勃岩，常庆瑞，刘梦云.冬小麦冠层叶绿素质量分数高光谱遥感反演研究[J].西北农业学报，2017，26（4）：552-559.

[6] 贺英，邓磊，毛智慧，等.基于数码相机的玉米冠层 SPAD 遥感估算[J].中国农业科学，2018，51（15）：2886-2897.

[7] 王烁，常庆瑞，刘梦云，等.基于高光谱遥感的棉花叶片叶绿素含量估算[J].中国农业大学学报，2017，22（4）：16-27.

[8] 章文龙，曾从盛，高灯州，等.闽江河口湿地秋茄叶绿素含量高光谱遥感估算[J].生态学报，2014，34（21）：6190-6197.

[9] 李粉玲，王力，刘京，等.基于高分一号卫星数据的冬小麦叶片 SPAD 值遥感估算[J].农业机械学报，2015，46（9）：273-281.

[10] RONDEAUX G，STEVEN M，BARET F.Optimization of soiladjusted vegetation indices[J].Remote sensing of environment，1996，55（2）：95-107.

[11] LIU H Q，HUETE A.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise[J].IEEE Transactions on Geoscience & Remote Sensing，1995，33（2）：457-465.

[12] GITELSON A A，MERZLYAK M N，LICHTENTHALER H K.Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm[J].Journal of plant physiology，1996，148（3/4）：501-508.

[13] 黃文江，王纪华，刘良云，等.冬小麦红边参数变化规律及其营养诊断[J].遥感技术与应用，2003，18（4）：206-211.

[14] 杨可明，张婉婉，刘二雄，等.基于 PCA-WNN 的玉米叶片叶绿素含量遥感反演建模方法[J].西北农业学报，2016，25（5）：684-690.