1 北华大学林学院, 吉林 吉林 132013
2 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430072
光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究, 而色素与色彩参数相关性研究也有学者探索。 但比较并优选分别以色彩参数值、 光谱参数值作为自变量与色素含量拟合出的模型, 还未见报道。 本实验以5种针叶树种为研究对象, 筛选蓝边幅值Db、 黄边幅值Dy、 红边幅值Dr、 绿峰幅值Rg、 红谷幅值Rr、 蓝边面积SDb、 黄边面积SDy、 红边面积SDr、 比值植被指数RVI、 差值植被指数DVI、 归一化植被指数NDVI 11种光谱植被参数作为该光谱分析的基础, 将实测针叶色彩参数值、 光谱参数值分别作为自变量, 采用多元线性逐步回归方法(SMLR)预估色素含量建立模型, 以R2、 RMSE为评价标准, 对比选出模型精度最高的参数组合应用于实践。 研究结果表明: (1) 树种间针叶色素含量、 色相参数值、 光谱反射率均存在一定差异(p<0.05)。 (2) 树种间针叶光谱反射率红松显著低于北美短叶松、 樟子松、 赤松(p<0.05), 针叶树种原始光谱在可见光波段500和680 nm附近呈现“蓝谷现象”和“红谷现象”, 在550和760 nm波段附近呈现“绿峰现象”和“红边现象”; 一阶微分光谱反射率在700 nm附近产生剧烈变化。 (3) 色素含量与色彩参数、 光谱反射率、 光谱特征参数存在显著线性关系。 (4) 花青素和叶绿素分别以L, a*和L, a*, b*, S色彩参数组合为自变量时, 拟合模型R2最高, 分别为0.588和0.638; 而类胡萝卜素、 叶绿素a、 叶绿素b都是以FD652, FD700, SDb, SDy, RVI, DVI和NDVI光谱参数组合为自变量时, 拟合模型R2最高, 分别为0.779, 0.786, 0.774。 该研究运用高光谱相机、 色彩色差仪、 紫外-可见分光光度仪实现了快速预估针叶色素含量, 在色彩参数值与光谱值都与色素含量存在显著相关性的基础上, 成功选出建立模型精度最高的参数组合, 在针叶树种色素预估时可以根据精度需求及研究条件选择不同方法和参数值。
针叶树种 色素含量 植物光谱 色彩参数 Conifer species Pigment content Plant spectrum Chromatic parameters
1 武汉大学测绘遥感信息工程国家重点实验室, 湖北 武汉 430079
2 中国科学院测量与地球物理研究所, 环境与灾害监测评估湖北省重点实验室, 湖北 武汉 430077
3 江西师范大学鄱阳湖湿地与流域研究教育部重点实验室, 江西 南昌 330022
叶面积指数(LAI)是目前最常用的农业生态监测指标, 可以为农作物的病虫害监测、 作物长势监测、 碳循环、 生物量估算及作物估产提供依据。 植被指数(VI)是卫星LAI产品生产的重要数据源, 但不同VIs对植被LAI的响应特征具有一定的差异性。 以江西省水稻为例, 基于实测光谱提取了水稻实测VIs, 结合实测LAI, 讨论了归一化植被指数(NDVI)、 增强型植被指数(EVI)、 土壤调节植被指数(SAVI)和修正的土壤调节植被指数(MSAVI)四种常见VIs对LAI的响应特征, 并与MODIS LAI备用算法的计算结果进行了对比分析, 研究了不同VIs用于LAI产品反演的可行性及存在的问题。 通过对不同实测VIs-LAI模型精度的评估, 分析其应用于LAI反演的适应性, 结果显示EVI, SAVI和MSAVI比NDVI有更好的适应性, 其中EVI效果最优。 此外, 通过对比MODIS LAI备用算法查找表, 发现针对MODIS LAI备用算法中草地与谷物作物这一地表覆盖大类, 在LAI>4时, NDVI出现饱和; 而实测水稻作物的NDVI在LAI>2时开始出现饱和; 且当NDVI相同时, 查找表LAI远大于实测LAI, MODIS备用算法中使用的地表覆盖产品分类过粗可能是造成这一结果的主要原因。 因此MODIS LAI备用算法在该区域水稻LAI监测中可能产生较大误差, 有必要改用其他VIs优化该备用算法。 通过对比分析四种VIs模型对LAI的预测误差, 发现EVI, SAVI和MSAVI精度明显优于NDVI, 基于EVI的模型平均预测误差仅为MODIS LAI备用算法的1/6, 基于实测NDVI反演算法的1/2, 因此设计基于EVI的LAI算法对LAI的反演精度有一定的提升空间。
叶面积指数 植被指数 水稻 响应 Leaf area index Vegetation indices Rice MODIS MODIS Response
