基于高光谱遥感的沉香冠层重要参数估测研究

陈小花,陈宗铸,雷金睿,吴庭天,李苑菱

(1.海南省林业科学研究院(海南省红树林研究院),海口 571100；2.海口市湿地保护工程技术研究开发中心,海口 571100)

冠层叶绿素含量(Canopy Chlorophyll Content,CCC)即单位土地面积的叶绿素含量,包含了叶片叶绿素含量、生物量和叶面积指数等理化参量,可表达植被群体光合生产量和群体长势特征[1-2]。其中,叶绿素含量和叶面积指数是监测、评价植被健康状况的重要生理生化参数[3]。高光谱遥感技术由于其波段多且窄的特点,能直接对植被进行微弱光谱差异的定量分析,在为植被生理参数的定量化诊断时,因能提供简便、快速、有效、非破坏性的数据采集和处理方法,在植被遥感研究与应用中表现出强大优势,成为研究地表植被地学强有力的技术手段[4]。从当前研究情况来看,对植被光谱信息的获取多倾向于采用无人机多光谱、地物高光谱和卫星高光谱等各类光谱仪和传感器等手段,进而实现对叶绿素含量等植被参数的预测[5-8]。

人工神经网络(Artificial Neural Network,ANN)作为一种由大量简单神经元广泛相互联接而成的非线性映射或自适应动力系统,能有效解决遥感图像处理中常见的困难,被广泛应用于遥感图像分析与处理领域。BP(Back Propagation)神经网络是ANN人工神经中的一种,具有并行处理、非线性、容错性、自适应和自学习的特点,在数据拟合与模拟中有较大优越性。近年来,高光谱遥感和人工神经网络结合应用已成为一大研究热点和发展趋势,在对果蔬[9-11]、粮食作物[12-14]、植被[15-16]等叶绿素含量和叶面积指数的检测和评估中取得了较好效果。于跃等[17]构建了基于偏最小二乘回归(Partial Least Squares Regression,PLSR)、支持向量机(Support Vector Machines,SVM)和BP神经网络的高光谱反演模型,得到BP神经网络对水稻叶片叶绿素相对含量(SPAD)的预测效果最好；崔小涛等[18]研究得出利用多元线性逐步回归遗传算法优化BP神经网络模型,估算油菜叶片SPAD值更为准确；彭晓伟等[19]构建了基于偏最小二乘法和BP 神经网络反演模型的高光谱反演模型,得到BP神经网络对叶绿素含量建模效果最优；王克晓等[20]研究得出利用BP神经网络算法对油菜叶片叶绿素含量估测效果较好；林杰等[21]提出了一种基于反向传播神经网络模型反演长时间序列叶面积指数(Leaf Area Index,LAI)的办法,且反演效果很好；向洪波[22]研究得出,BP神经网络模型估算LAI的精度达到84%。

海南沉香是乡土珍稀树种,用途广泛、品质优良,对其冠层叶绿素含量进行精准估测,对实现沉香的优质高产具有重大意义。为此,本项目以海南种植的沉香树为实验样本,获取6a生沉香树叶片高光谱数据进行分析,在构建较优的高光谱特征参数的同时,结合不同的建模方法,对沉香叶片叶绿素含量进行估测,旨在探索建立估算效果较好的沉香树叶片叶绿素含量高光谱反演模型,以期为海南沉香的长势诊断提供有力的技术支撑。

1 材料与方法

1.1 研究区概况

选择海南省林业科学研究院(海南省红树林研究院)云龙科研基地作为试验地,该基地位于海口市云龙镇,距离海口市中心30km,交通便利,总占地面积26.48hm2。基地累计培育降香黄檀(Dalbergiaodorifera)、土沉香(Aquilariasinensis)、坡垒(Hopeahainanensis)、海南紫荆木(Madhucahainanensis)、陆均松(Dacrydiumpierrei)、鸡毛松(Podocarpusimbricatus)、海南苏铁(Cycashainanensis)等30余种林木。本项目选择6a生、长势均一且无病虫害的沉香林作为研究对象,将试验区均匀划分成小块样地(5m×5m),选择样地内生长健康的沉香树作为光谱采集样木,每隔两个月获取冠层标准枝,用于测定光谱信息和叶绿素含量。

1.2 地物光谱信息采集

于2021年11月—2022年5月,采用便携式高光谱非成像光谱仪(PSR-1100f)对沉香叶片光谱曲线进行采集,共采集3次。以获取采样点真实的光谱特征,用于确定遥感波段范围。该仪器能够测量的光谱波长范围在320nm～1 100nm之间,数据间的间隔为1.5nm,光谱分辨率是3.2nm。冠层光谱测定选择在晴朗无云、无风天气,测定时段在10:00—14:00时,测量时传感器探头垂直向下,对准冠层叶片。光谱采样以10采样光谱,每次记录10个光谱,以平均值作为植株光谱反射值。为减少大气变化影响,在每组测量前后及时进行标准白板校正。

1.3 参数测定方法

叶绿素含量(Chlorophyll Content,Chl)测定:采用TYS-B叶绿素测定仪测量每片叶子的SPAD值,对采摘的试验林冠层枝条或幼苗冠层均测量8～10次,取平均SPAD值作为测量目标叶绿素的相对浓度。

叶面积指数(LAI)测定:为避免手工测量的局限性,采用Li-COR公司的植物冠层分析仪LAI-2200C进行,测量过程中为避免受太阳直射光影响,选择阴天、日出、日落等时段进行测量,并保证与光谱测量时间间隔不超过48h。选取90°遮盖帽,每个样本点测量前,先测量天空光记录为A值,然后在沉香林冠层下测量并记录为B值,通过软件FV2200 1.0进行LAI测算。

以上两个参数的采集时间、次数与地面光谱采集保持一致。

1.4 模型构建方法

为了建立沉香树冠层叶绿素含量反演模型,同时验证反演模型的精度,需要保证地面实测数据与高光谱数据相关联。在每次采集地物光谱数据时,同步进行地面样品采集。考虑到试验均一性和可操作性,每次试验在划分的样地内找长势均匀处取样。

相关性分析法能够将光谱参量与含量值进行关系紧密程度的评价,有利于发现光谱的作用机理,寻找特征光谱参量。相关性分析计算过程为:1)将实测值与光谱参量进行相关性统计,确定完全相关、不完全相关和不相关关系；2)确定相关的方向为正相关或负相关；3)确定相关形式是线性或非线性相关；4)计算光谱参量对含量的影响程度,是单相关还是复相关。

本研究采用R语言,实现BP神经网络预测,把多个波段的反射率作为输入矢量来预测沉香树叶绿素含量随光谱反射率的变化。

2 结果与分析

2.1 基于光谱遥感的沉香试验林叶绿素含量反演研究

2.1.1光谱反射率与沉香树叶绿素含量的相关分析

图1是所有采集的光谱反射率与对应沉香树叶绿素含量的相关分析。可以看出,沉香树叶绿素含量与320～500nm之间的冠层光谱反射率存在负相关关系,最大负相关指数为0.50；沉香树叶绿素含量与500～695nm之间的冠层光谱反射率则存在正相关关系,最大相关指数达到0.48；沉香树叶绿素含量与750～1050nm之间的光谱反射率则存在明显的负相关关系,而且在整个近红外平台区,相关系数的变化较为平稳,保持在0.55左右；在695～750nm之间,光谱反射率与沉香树叶绿素含量之间的相关关系变化较大,由明显的正相关变为明显的负相关。

图1 沉香树叶绿素含量与光谱反射率的相关分析

2.1.2特征波段与沉香树叶绿素含量的回归分析

采用相关性分析方法。假设叶片的叶绿素含量与高光谱仪所采集的个别波段数据反射率值紧密相关,则从中挑出相关性最高的几个波段,通过挑选相关性最高的前5个波段的反射率来建立相应的模型:

y=a×x1+b×x2+c×x3+d×x4+e×x5+f

(1)

式中:a,b,c,d,e为模型的系数；y为叶绿素含量；x1,…,x5为叶绿素含量相关性最高的前5个波段的反射率；f为常数。

求算叶绿素含量与全部波段的相关系数。通过对相关系数绝对值排序,确定5个波段分别为760,761,759,765,764nm。最终计算得出的多元回归系数是0.714,P<0.01,而5个波段的回归系数分别为-311.176,232.945,129.960,-69.490,17.503,截距为77.889。四舍五入后,整理出叶绿素含量回归方程为:

y叶绿素含量=-311.176×b760+232.945×b761+129.960×b759-69.490×b765+17.503×b764+77.889

(2)

散点图如图2所示:

图2 基于特征波段建立的回归模型的预测Chl与实测值之间的关系

2.1.3沉香树叶绿素含量的BP神经网络模拟

由图2可以发现,基于特征波段建立的回归模型的预测Chl与实测值所构成的散点呈不规则落在1∶1线的两侧,确定系数R2为0.713 9。而图3显示的基于BP神经网络建立的回归模型的预测chl与实测值所构成的散点基本落在1∶1线上和线的两侧,确定系数R2为0.946 7。以上结果表明,BP神经网络模型运行效果良好,存在少数低估或高估现象,但不明显。

图3 基于BP神经网络建立的回归模型的预测Chl与实测值之间的关系

2.2 基于光谱遥感的沉香试验林叶面积指数反演研究

2.2.1光谱反射率与沉香树叶面积LAI的相关分析

图4是所有采集的光谱反射率与对应沉香树叶面积的相关分析。可以看出,沉香树LAI与320～497nm之间的冠层光谱反射率存在正相关关系,相关系数均低于0.45；沉香树LAI与498～695nm之间的冠层光谱反射率则存在负相关关系,最大负相关指数达到0.47；沉香树LAI与760～1 050nm之间的光谱反射率则存在明显的正相关关系,而且在整个近红外平台区,相关系数的变化较为平稳,保持在0.55左右；在695～760nm之间,光谱反射率与沉香树LAI之间的相关关系变化较大,由明显的负相关变为明显的正相关。

图4 沉香树叶面积与光谱反射率的相关分析

2.2.2特征波段与沉香树叶面积LAI的相关分析

采用相关性分析方法。假设叶片的叶面积指数,与高光谱仪所采集的个别波段数据反射率值紧密相关,则从中挑出相关性最高的几个波段,通过挑选相关性最高的前5个波段来建立相应的模型:

y=a×x1+b×x2+c×x3+d×x4+e×x5+f

(3)

式中:a,b,c,d,e为模型的系数；y为叶面积指数；x1,…,x5为叶面积指数相关性最高的前5个波段；f为常数。

求算叶面积指数与全部波段的相关系数。通过相关系数绝对值排序确定5个波段分别为778,777,779,776,782nm。最终计算得出的多元回归系数是0.738 2,P<0.05,而5个波段的回归系数分别为33.266,50.542,-59.067,-34.054,9.357,截距为1.348。四舍五入后,整理出叶绿素含量回归方程为:

yLAI=33.266×b778+50.542×b777-59.067×b779-34.054×b776+9.357×b782+1.348

(4)

散点图如图5所示:

图5 基于特征波段建立的回归模型的预测LAI与实测值之间的关系

2.2.3植被指数与沉香树叶面积LAI的回归分析

采用多元线性回归分析方法。根据文献资料,叶面积指数跟3个光谱指数有关,需要求解模型的系数,模型为:

y=a×EVI+b×NDCI-c×GNDVI+d

(5)

式中:a,b,c,d为模型的系数；y为叶面积指数；EVI,NDCI,GNDVI分别是增强型植被指数、归一化差值叶绿素指数和绿色归一化差值植被指数。计算公式分别为:

EVI=2.5×(Nir-R)/(Nir+6×R-7.5×R454+1)

(6)

NDCI=(R708-R665)/(R708+R665)

(7)

GNDVI=(Nir-G)/(Nir+G)

(8)

式中:Nir选择852nm,R选择672nm,G选择554nm。增强型植被指数、归一化差值叶绿素指数和绿色归一化差值植被指数计算结果如表1所示。

表1 植被指数计算结果

在Excel中,利用分析工具库建立归回方程,最终得到多元回归系数是0.656,P<0.01,而3个参量的回归系数分别3.717,-5.172,7.758,截距值为-7.337。四舍五入后,整理出叶面积指数方程为:

y叶面积指数=3.717×EVI-5.172×NDCI+7.758×GNDVI-7.337

(9)

2.2.4沉香树叶面积LAI的BP神经网络模拟

由图6可以发现,BP神经网络模型预测LAI与实测值所构成的散点基本落在1∶1线上。相较于前两种预测方法结果,BP神经网络模型运行效果较好,没有低估或高估现象的存在。

图6 基于BP神经网络建立的回归模型的预测LAI与实测值之间的关系

3 讨论与结论

关于开展植被叶绿素含量与光谱特征之间的定量关系已有不少报道。有研究指出,光谱信息过多或过少都会影响模型的精度和稳定性,其中光谱信息过少的模型容易导致模型受到背景因素的干扰而缺乏稳定性,而光谱信息过多的模型会导致模型复杂且易用性低[23]。各指标的预测模型精度因建模方法不同而存在差异,大多数学者研究得出PLSR模型的反演精度高于PCR模型[24-25]；PLSR和PCR模型的反演精度均远低于BP神经网络模型,原因在于基于BP神经网络模型在暗箱进行,不需要建立具体的数学模型,仿真性强,可以有效地解释非线性问题。

本研究开展了6a生海南沉香林叶片叶绿素含量对冠层光谱特征的影响。结果表明,沉香树冠层光谱反射率与沉香树叶绿素含量存在一定相关性,其中在320～500nm之间存在负相关,且相关程度呈逐渐下降；在500～695nm之间呈正相关,最高相关指数0.48(695nm处)；在695～750nm之间,由正相关变为负相关,之后趋于负相关稳定。采用相关性分析方法,最终确定近红外波段(760,761,759,765,764nm)处的光谱反射率与叶绿素含量关系最为密切。对比特征波段与BP神经网络模拟效果发现,基于BP神经网络建立的回归模型的预测Chl与实测值所构成的散点基本落在1∶1线上和线的两侧,确定系数R2为0.946 7,说明BP神经网络模拟效果最佳。

本研究还对叶面积指数进行了单波段相关分析、植被指数回归分析和BP神经网络模拟。相关结论表明,沉香树冠层光谱反射率与沉香树LAI存在一定相关性,其中在320～497nm之间存在正相关,且相关程度呈逐渐下降；在498～695nm之间呈负相关,其中最高负相关在695nm处；711～760nm之间,呈直线上升正相关,760nm之后趋于稳定；与LAI关系最为密切的光谱反射率落在778,777,779,776,782nm处；对比植被指数、特征波段和BP神经网络法的模拟结果,得出BP神经网络模拟的效果最佳,预测LAI与实测值所构成的散点基本落在1∶1线上,没有低估或高估现象的存在。

综上所述,高光谱技术结合BP神经网络法可以很好地监测沉香叶绿素含量和叶面积指数等参数值动态变化,为海南沉香规模化种植监测提供数据支持。