芦苇叶片含水量的光谱响应特征分析 下载: 523次
1 引 言
湿地是地球上具有多种功能的独特生态系统,不仅具有巨大的经济社会效益,还具有调节区域气候、均化洪水、净化水质、保持物种多样性等功能[1]。干旱区湿地在我国湿地中占有较大的比重,主要分布在江河源头、绿洲、河滩、内陆湖滨等生态敏感带,对维护干旱地区生态环境起着重要作用[2]。
艾比湖湿地自然保护区位于新疆北部准噶尔盆地西南,属于典型的干旱区湖泊湿地,在维护区域生态平衡,提供珍稀动植物栖息地和保护生物多样性等方面具有非常重要的作用[3]。芦苇作为湿地生态系统的基本组分,其群落特征的变化能够反映出生长环境的状况。芦苇叶片水分含量约为40%~80%,水分是控制植被光合作用、呼吸作用以及生物量的主要因素,水分缺失会直接影响植物生理生化过程和形态结构,从而影响植物的生长和发育[4]。因此,及时准确监测或诊断芦苇叶片的含水量对反映芦苇的生理状况,以及对火灾、旱灾和生态安全的监测有重要的意义。
传统的监测和估算植被含水量的多种野外实测方法,由于受空间和时间的局限,测得的植被含水量只反映采样点周边较小空间和较短时间内的状况;同时,传统方法一般具有事后性和破坏性,在空间和时间上无法满足快速、实时、准确、无损的诊断要求,难以大面积应用[5]。而根据光谱测定进行植被含水量的分析与反演,无疑为解决传统植被含水量监测问题提供了一种有效途径。在植被水分遥感研究中,冠层温度法是诊断作物水分状况的重要手段[6]。随后研究人员相继提出参考温度法[7]、威迫积温法[8]、作物缺水指标法[9]等,在植被水分遥感监测方面取得较大的成就。目前,高光谱技术在反演荒漠植物的含水率[10]、小麦的水分状况[11-14]、土壤水分[15-16]等方面,得到了广泛应用。对高光谱技术研究表明,有效、无损地检测土壤有机质的重要前提是通过在适当的微分窗口尺度下从一阶导数光谱提取特征参数[17]。因此,在一定范围的微分窗口内,通过选取合适的窗口尺度来辨别光谱对植物含水量的响应波段,提取最优的光谱特征参数来表征植物含水量的变化,是值得研究的问题。本研究对芦苇叶片原始光谱及其平滑处理后的光谱进行了对数和导数的变换,之后分析了在不同微分窗口尺度下芦苇叶片一阶导数对含水量变化的响应特征,同时提取特征参数表征植物含水量,旨在为干旱区湿地植被实现有效、准确、快速、大范围地遥感监测提供支持。
2 研究区概括
艾比湖湿地自然保护区(44°30'~45°09'N,82°36'~80°50'E)位于新疆维吾尔自治区内,是准噶尔盆地西部最低洼地和水盐汇聚中心,总面积为2670.85 km2,属典型温带大陆性干旱气候[3]。研究区年均气温为5 ℃,多年平均降水量为105.17 mm,潜在蒸发量为1315 mm,降水量年内分配不均,夏多冬少,气候极端干燥,降水稀少。
艾比湖湿地自然保护区是我国内陆干旱区独特的生物基因宝库,因其处于阿拉山口主风道区,该地区形成了盐湖、沼泽、沙漠、盐漠等多种地类,由此形成了多种植被群落,其中包括旱生、盐生、沙生、湿生、水生等植被类群,芦苇是该地区典型的盐生植被代表[18]。
3 材料与方法
3.1 芦苇叶片光谱测定
芦苇叶片光谱反射率的测定采用美国Analytical Spectral Device (ASD)公司生产的FieldSpec3便携式光谱仪,波段范围为350~2500 nm。其中350~1000 nm光谱采样间隔为1.4 nm,光谱分辨率为3 nm;1000~2500 nm光谱采样间隔为2 nm,光谱分辨率为10 nm。于2013年5月15日对艾比湖湿地自然保护区鸭子湾芦苇群落随机设置10 m×10 m 的样方进行芦苇叶片的野外光谱测量。野外测量选择晴朗无风的时间,测量时间为当地时间10:00~14:00,至少每20 min利用白板进行1次优化。测量时选择芦苇的第一片完全展开叶,探头距离叶片中间部位约为5 cm,保证探头的视野范围落在叶片上,每株芦苇测定10次,取平均值作为该样本代表性光谱曲线。
3.2 芦苇叶片含水量测定
在样地内取光谱测定的芦苇叶片,装入封口袋,立即称鲜重、贴标签,芦苇叶片光谱测定与含水量测定所用叶片样品一一对应。样品带回实验室内,装入纸袋中,使用电热恒温鼓风箱,先将温度调至100 ℃~105 ℃杀青15 min,然后将温度调至80 ℃,烘至恒重并称其干重,鲜重与干重的差值与鲜重之比即为芦苇叶片含水率[10]。40个芦苇样本中,含水率最大值为70.39%,最小值为35.44%,平均值为57.28%。
3.3 数据处理
赵钊等[10]通过研究古尔邦通古特沙漠南缘典型荒漠植被含水量的光谱表达特征区段,认为1374~1534 nm是荒漠植被对水分最为敏感波段,因而本文把1374~1534 nm作为芦苇叶片含水量响应波段,对每个样品采集的光谱进行平均。实验在1374~1534 nm波段对芦苇叶片光谱进行对数和导数变换,以加强因芦苇叶片含水量的变化所产生的光谱响应差异,对数变化采用的计算公式为[17]
式中:λ为波长,范围为1374~1534 nm;R(λ)为波长位于λ处芦苇叶片原始光谱的反射率;A(λ)为波长位于λ处对数变换后的芦苇叶片光谱值。导数变换的公式为[17]
式中:
3.4 相关性分析
线性相关分析是分析两种因素关联性大小的一种数学统计方法。两种因素的相关性表明两种因素的关联程度,关联度越大,两种因素的相关性越大,关系越密切;反之,表明关系越远。相关性分析运算结果值介于-1~1之间,当相关性值>0,表明两种因素为正相关;当相关性值<0,表明两种因素为负相关。相关性分析运算结果值的绝对值离1越近,说明这两种因素的相关性越大,两种因素相关性分析结果值的绝对值越接近于0,表明这两种因素的相关性越小[19]。
4 结果与讨论
4.1 导数变换对含水量不同的芦苇叶片光谱响应特征的影响
依据(1)式和(2)式求出在不同尺度的微分窗口下(
图 1. 不同尺度的微分窗口对芦苇叶片一阶导数光谱响应特征的影响。(a) =5;(b) =10; (c) =15; (d) =20
Fig. 1. Effects of different differential window scales on first derivative spectral response characteristics of reed leaves. (a) =5;(b) =10; (c) =15; (d) =20
图 2. 不同尺度的微分窗口对芦苇叶片一阶导数光谱与含水量相关系数的影响。(a) =5; (b) =10; (c) =15; (d) =20
Fig. 2. Effects of different differential window scales on correlation coefficient of reed leaf first derivative spectra and water content. (a) =5; (b) =10; (c) =15; (d) =20
在
式中:
图 3. 不同尺度的微分窗口对特征参数的相关系数的影响。(a)平滑前; (b)平滑后
Fig. 3. Effects of different differential window scales on the correlation coefficients of characteristic parameters. (a) Before smoothing; (b) after smoothing
4.2 微分窗口尺度下平滑去噪后一阶导数光谱响应特征的影响
为了深入研究微分窗口尺度对芦苇叶片一阶导数光谱的影响,本实验对芦苇叶片原始光谱数据用Savitzky-Golay平滑法处理,平滑处理后再根据(1)式和(2)式,求出不同微分窗口尺度下,含水量不同的芦苇叶片的一阶导数光谱值,结果如
式中:
图 4. 不同尺度的微分窗口对平滑后芦苇叶片一阶导数光谱响应特征的影响。(a) =5; (b) =10; (c) =15; (d) =20
Fig. 4. Effects of different differential window scales on the first derivative spectral response characteristics of reed leaves after smoothing. (a) =5; (b) =10; (c) =15; (d) =20
4.3 讨论
芦苇叶片原始光谱与含水量的相关系数在1374~1534 nm内为-0.33~0.01,相关系数小,不适用于提取特征波段和芦苇叶片含水量的估算。进行微分窗口的导数变换,可以提高光谱数据与含水量的相关性,但是选取合适的微分窗口尺度,是从一阶导数光谱中提取特征参数定量检测芦苇叶片含水量的重要前提。经过微分窗口变换,光谱与叶片含水量的相关性有所提高,在
5 结 论
本文提出一种提取最优的光谱特征参数来表征植物含水量的方法。通过对芦苇叶片原始光谱及其平滑处理后的光谱进行导数的变换,分析了在不同微分窗口尺度下芦苇叶片一阶导数对含水量变化的响应特征,同时提取光谱特征参数表征芦苇叶片含水量。随着微分窗口的扩大,芦苇叶片光谱噪声得到了有效去除,并得到了芦苇叶片含水量的光谱的波段范围,提高了表征叶片含水量的光谱的精确性,减少了提取特征波段数量,提升了建立叶片含水量与光谱特征响应的效率。
今后进行芦苇叶片含水量的高光谱估算可以选取1460~1500 nm内的光谱数据用于建立估算模型。采用一元线性回归、多元线性逐步回归方法和偏最小二乘法方法建立芦苇叶片含水量高光谱估算模型,通过精度对比确定适合芦苇叶片含水量的最优模型,为芦苇叶片含水量定量遥感估算提供有效支撑,这将是下一步研究工作的重点。
[1] 严承高, 张明祥. 中国湿地植被及其保护对策[J]. 湿地科学, 2005, 3(3): 210-215
Yan C G, Zhang M X. Wetland vegetation in China and its conservation advices[J]. Wetland Science, 2005, 3(3): 210-215.
[2] 董正武, 赵晓英, 高翔, 等. 退化湿地恢复中植物群落的变化: 以艾比湖精河入湖口为例[J]. 草业科学, 2011, 28(3): 426-430.
Dong Z W, Zhao X Y, Gao X, et al. Dynamic of plant community in rehabilitating wetland:a case study in Jinghe River Estuary[J]. Pratacultural Science, 2011, 28(3): 426-430.
[3] 陈蜀江, 侯平, 李文华. 新疆艾比湖湿地自然保护区综合科学考察[M]. 乌鲁木齐: 新疆科学技术出版社, 2006.
Chen S J, Hou P, Li W H. Ebinur lake wetland nature reserve scientific expedition and research[M]. Urumqi: Xinjiang Science &Technology Press, 2006.
[4] 张佳华, 符淙斌, 王长耀. 遥感信息结合植物光合生理特性研究区域作物产量水分胁迫模型[J]. 大气科学, 2000, 24(5): 683-693.
Zhang J H, Fu C B, Wang C Y. A study of region crop yield model influenced by water deficit based on remote sensing information and crop photosynthetic physiological characteristic[J]. Scientia Atmospherica Sinica, 2000, 24(5): 683-693.
[5] 李玉霞, 杨武年, 童玲, 等. 基于光谱指数法的植被含水量遥感定量监测及分析[J]. 光学学报, 2009, 29(5): 1403-1407.
[6] Tanner C B. Plant temperatures 1[J]. Agronomy Journal, 1963, 55(2): 210-211.
[7] Zhang R H. A new model for estimating crop water deficiency based on infrared information[J]. Science in China B, 1987, 30(4): 413-425.
[8] Idso S B, Jackson R D, Reginato R J. Canopy temperature as a crop yields[J]. Water Resource Research,1981,17(11):33-38.
[9] Jackson R D, Idso S B, Reginato R J, et al. Canopy temperature as a crop water stress indicator[J]. Water Resources Research, 1981, 17(4): 1133-1138.
[10] 赵钊, 李霞, 尹业彪, 等. 荒漠植物含水量的光谱特征分析[J]. 光谱学与光谱分析, 2010, 30(9): 2500-2503.
[11] 田庆久, 宫鹏, 赵春江, 等. 用光谱反射率诊断小麦水分状况的可行性分析[J]. 科学通报, 2000, 45(24): 2645-2650.
Tian Q J, Gong P, Zhao C J, et al. Feasibility analysis of the water status of wheat leaves diagnosed by the spectral reflectance[J]. Chinese Science Bulletin, 2000, 45(24): 2645-2650.
[12] 王纪华, 赵春江, 郭晓维, 等. 用光谱反射率诊断小麦叶片水分状况的研究[J]. 中国农业科学, 2001, 34(1): 104-107.
Wang J H, Zhao C J, Guo X W, et al. Study on the water status of the wheat leaves diagnosed by the spectral reflectance[J]. Scientia Agricultura Sinica, 2001, 34(1): 104-107.
[13] 张雪红, 田庆久, 沈润平. 冬小麦冠层光谱的方向性特征分析[J]. 光谱学与光谱分析, 2010, 30(6): 1600-1605.
[15] 蔡亮红, 丁建丽. 基于高光谱多尺度分解的土壤含水量反演[J]. 激光与光电子学进展, 2018, 55(1): 013001.
[16] 包青岭, 丁建丽, 王敬哲. 利用随机森林方法优选光谱特征预测土壤水分含量[J]. 激光与光电子学进展, 2018, 55(11): 113002.
[17] 刘炜, 常庆瑞, 郭曼, 等. 不同尺度的微分窗口下土壤有机质的一阶导数光谱响应特征分析[J]. 红外与毫米波学报, 2011, 30(4): 316-321.
[18] 贺帅兵, 胡文革, 靳希桐, 等. 艾比湖湿地芦苇根际土壤氨氧化古菌的多样性和群落结构[J]. 微生物学报, 2019, 59(8): 1576-1585.
He S B, Hu W G, Jin X T, et al. Diversity and community structure of ammonia oxidizing archaea in rhizosphere soil of reed in Ebinur Lake Wetland[J]. Acta Microbiologica Sinica, 2019, 59(8): 1576-1585.
[19] 方国松, 何海燕. 统计学[M]. 广州: 华南理工大学出版社, 2017: 137.
Fang G S, He H Y. Statistics[M]. Guangzhou: South China University of Technology Press, 2017: 137.
[20] 宋玉, 塔西甫拉提·特依拜, 李崇博, 等. 荒漠胡杨叶片含水率的高光谱反演[J]. 西北农业学报, 2016, 25(2): 311-316.
Song Y, Tashpolat T, Li C B, et al. Spectral characteristics model of desert populus euphratica leaves' water content[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2016, 25(2): 311-316.
Article Outline
侯艳军, 董琳琳. 芦苇叶片含水量的光谱响应特征分析[J]. 激光与光电子学进展, 2021, 58(3): 0330005. Hou Yanjun, Dong Linlin. Analysis on Spectrum Feature for Water Content of Phragmites Reed Leaf[J]. Laser & Optoelectronics Progress, 2021, 58(3): 0330005.