本研究在宝天曼森立生态定位站设置的2块样地内进行了2年的野外观测试验, 在2块样地内随机选取生长状况良好的锐齿栎, 用自制的采枝器在每株上部相近的高度位置取3个向阳的枝条, 枝条取下后迅速插入水中, 每枝条选取3片健康叶分别测定反射光谱5次并取平均值。叶片光谱测量采用美国ASD公司生产的FieldSpec 4地物光谱辐射仪自带的叶片夹与植物探头进行, 光谱测量范围为350~2 500 nm。叶片的反射光谱采集完成后, 将枝条上的叶片立刻取下标记并放入装有冰袋的保温箱内, 带回生态站, 以液氮冷冻保存。试验时间为2014年6~10月和2015年5~10月, 每月重复测定1次。

采用分光光度计法测定每组叶片样本的叶绿素和类胡萝卜素含量^[16]。

本研究利用叶片的色素含量及比率与光谱反射率的相关分析确定色素的敏感波段, 通过色素敏感波段的光谱反射率组合构建光谱指数, 并与叶片光合色素含量建立关系, 同时对比分析前人提出的色素敏感的光谱指数(表 1)在本研究中的应用效果, 以期找到用于估算锐齿栎叶片色素含量及比率的反射光谱指数。研究利用2014年的反射光谱数据与叶片色素数据建立色素估算模型, 基于2015年的数据, 采用均方根差(RMSE)、平均相对误差(RE)、估算精度(E-R²)和准确度(以Slope表示) 4个统计指标对所筛选的光谱指数及其估算模型进行测试和检验。

表 2显示了本文中用于建模及检验的样本集叶片色素含量的统计结果: Chl a含量的变化区间分别为0.841~3.30 mg·g^-1和0.913~3.11 mg·g^-1, 变异系数分别为28.7%和25.1%;Chl含量的变化区间分别为1.11~4.91 mg·g^-1和1.24~4.40 mg·g^-1, 变异系数分别为22.3%和22.4%;Car含量的变化区间分别为0.297~0.511 mg·g^-1和0.278~0.529 mg·g^-1, 变异系数分别为9.85%和13.3%;Car/Chl的变化区间分别为0.0818~0.294和0.101~0.272, 变异系数分别为28.8%和17.8%;数据显示样本的代表性较好。

图 1所示2014年和2015年不同样地内锐齿栎叶片平均色素含量及比率在生长季的变化情况。在整个生长季内, 相同时间段内叶片平均色素含量及比率差异不明显; 而在生长季的不同观测时期则有明显变化趋势。5~6月份, 叶片Chl a、Chl b、Chl和Car含量逐渐上升, 表明在此时期内叶片处于形态和功能的建成期, 叶片的各种色素都在储备; 7~8月份, 叶片Chl a、Chl b、Chl和Car含量保持在较高水平, 表明此时期叶片的生理功能已经成熟健全, 叶片色素含量高; 9~10月份, 叶片Chl a、Chl b、Chl和Car含量则开始呈现下降走势, 这表明叶片开始衰老, 叶片内的色素不断分解(图 1A, 图 1B, 图 1C, 图 1D)。Car/Chl在生长季内呈现出与色素含量指标相反的变化规律(图 1E)。

图  1  锐齿栎叶片色素含量及比率在生长季的变化(平均值±标准差)

Figure 1.  Changes in pigment content andits ratioof leaves during the growing season(MEAN±SD).

同一时期样地内不同色素含量的锐齿栎叶片样本的反射光谱特征具有一定的相似性, 本节以2014年的一株锐齿栎的叶片样本为对象, 每月选取一片叶的光谱反射率为代表绘制成图(图 2), 来说明在生长季的不同时期, 不同色素含量的锐齿栎叶片的反射光谱特征。图 2显示叶片的光谱反射率在350~750 nm可见光区随着叶片Chl a、Chl b和Car含量的增加而明显降低, 而在750~1 400 nm近红外波段, 叶片光谱反射率的变化与叶片色素含量没有明显的规律性。由此可见, 叶片色素含量变化对可见光区光谱反射率的影响最大, 这为研究利用反射光谱技术反演锐齿栎叶片光合含量及比率提供了依据。

图  2  不同色素含量(mg·g^-1)水平锐齿栎叶片的光谱反射率特征

Figure 2.  Reflectance characteristics of leaves at different pigment content levels

对2014年所有叶片的色素含量及比率与对应的光谱反射率(n=150)进行总体相关分析, 以色素和光谱反射率的相关系数与波长为坐标绘制成图, 得到图 3。结果显示, 波长小于730 nm的光谱反射率与叶片Chl a、Chl b、Chl和Car含量呈现负相关, 其中, 在绿光黄光区及红边区域, 叶片Chl a、Chl b和Chl含量与光谱反射率的负相关达到较高水平(r < -0.70), 叶片Car含量与光谱反射率的负相关达到r < -0.46水平, Chl a、Chl b和Chl相关性最好的波段分别为550 nm (r_{Chl a}=-0.815, r_{Chl b}=-0.769, r_Chl=-0.833)和705 nm (r_{Chl a}=-0.823, r_{Chl b} = -0.767, r_Chl=-0.837), Car相关性最好的波段分别为510 nm (r_Car = -0.51)和531 nm (r_Car = -0.49)。与其他色素含量指标不同, 叶片Car/Chl与波长小于730 nm的光谱反射率呈正相关, 在绿光黄光区及红边区域, 正相关达到较高水平(r_Car/Chl > 0.82), 相关性最好的波段为570 nm (r_Car/Chl = 0.85)和705 nm (r_Car/Chl = 0.86)。在近红外区域, Chl b、Chl和Car/Chl与光谱的相关性达到了0.01的极显著水平, Chl a和Car与光谱的相关性不显著; 而在短波红外区域, 色素含量与光谱反射率的相关性较差且不稳定。从整体上看, Car与反射光谱的相关性明显低于其他色素含量指标。由此可见, 绿光黄光及红边区域与锐齿栎叶片色素含量的关系密切, 而近红外波段对色素含量变化的敏感性不高但稳定, 通过对这几个区域反射光谱信息的充分挖掘, 有助于构建用于锐齿栎叶片色素含量监测的适宜光谱指数。

图  3  锐齿栎叶片色素含量及比率与光谱反射率数据的相关性(n=150)

Figure 3.  The correlation between leaf pigment content, its ratio and spectral reflectance(n=150).

本研究利用2014年锐齿栎叶片光谱反射率与色素含量及比率的相关分析得到的单一色素敏感波段, 在可见光区和近红外区域选取参考波段, 参照前人的模式和方法构建了归一化差值指数ND₇₀₅估算Chl a的含量, 归一化差值指数ND₈₀₀估算Chl b的含量, 改良的归一化差值指数mND₈₀₀估算Chl的含量, 简单比值指数SR₅₃₀估算Car的含量, 改良的生理反射指数mPRI估算Car/Chl。其中, ND₇₀₅用于Chl a含量估算的线性S-R²和非线性S-R²分别为0.746和0.778, ND₈₀₀用于Chl b含量估算的线性S-R²和非线性S-R²分别为0.631和0.758, mND₈₀₀用于Chl含量估算的线性S-R²和非线性S-R²分别为0.820和0.851, SR₅₃₀用于Car含量估算的线性S-R²和非线性S-R²分别为0.341和0.362, mPRI用于Car/Chl含量估算的线性S-R²和非线性S-R²分别为0.872和0.876(表 3)。基于2014年不同样地的反射光谱和色素试验数据, 图 4展示了本研究构造的光谱指数对锐齿栎叶片各种光合色素含量及比率的线性和非线性拟合结果。

图  4  锐齿栎叶片色素含量及比率与光谱指数的线性和非线性关系(n=150)

Figure 4.  The linear and non-linear relationships between leaf pigment content, its ratio andspectral index (n=150).

为了检验模型的可靠性, 利用2015年2块样地测定的数据, 对锐齿栎叶片色素含量及比率与反射光谱指数间的相关方程进行检验(表 3)。检验结果显示, 与前人提出的Chl a相关光谱指数相比, 基于ND₇₀₅建立的锐齿栎叶片Chl a含量线性和非线性监测模型的测试效果更好(图 5A, 图 5B), 观测值与估算值之间的E-R²分别达到0.717和0.677, 高于PSSRa、PSNDa和RARSa; RMSE分别为0.392 mg·g^-1和0.522 mg·g^-1, 与PSSRa、PSNDa和RARSa相差不大; RE分别为6.8%和8.2%, 与PSSRa、PSNDa和RARSa相差不大; Slope分别为0.962和1.156, 与RARSa相近但明显优于PSSRa和PSNDa。基于ND₈₀₀建立的叶片Chl b含量线性和非线性监测模型比前人提出的相关光谱指数的测试效果略好(图 5C, 图 5D), 观测值与估算值之间的E-R²分别为0.701和0.698, 稍高于PSSRb、PSNDb和RARSb; RMSE分别为0.282 mg·g^-1和0.315 mg·g^-1, RE分别为13.5%和13.8%, 两者与PSSRa、PSNDa和RARSa相差不大; Slope分别为0.861和1.095, 与PSSRb和RARSb相近但明显优于PSNDb。图 5E和图 5F显示基于mND₈₀₀建立的叶片Chl含量线性和非线性监测模型的测试效果较好, 观测值与估算值之间的E-R²分别为0.779和0.778, RMSE分别为0.555 mg·g^-1和0.569 mg·g^-1, RE分别为7.75%和7.56%, Slope分别为0.757和0.899;与前人提出光谱指数相比, 基于ND₇₀₅建立的线性和非线性监测模型的各项指标均明显高于NDVI, 与ND₇₀₅、mND₇₀₅相近, 模型的RE优于Green NDVI。基于SR₅₃₀建立的叶片Car含量线性和非线性监测模型的测试效果优于前人构造的光谱指数PSSRc、PSNDc、RARSc、CRI₅₅₀、CRI₇₀₀和mCRI(图 5G, 图 5H), 观测值与估算值之间的E-R²分别达到0.672和0.643;但SR₅₃₀与叶片Car含量的线性和非线性拟合精度S-R²仅为0.341和0.347, 且Slope远小于1;故认为本研究中反射光谱指数与叶片Car含量的关系较差。有研究认为利用反射光谱指数估测Car/Chl比估测Car绝对含量更为可靠^[7-17-18]。图 5I和图 5J显示基于mPRI建立的锐齿栎叶片Car/Chl线性和非线性监测模型的测试效果较好, 观测值与估算值之间的E-R²分别达到0.701和0.721, RMSE分别为0.016和0.015, RE分别为4.5%和4.2%, Slope分别为0.981和0.982;而前人提出的Car/Chl几个相关光谱指数中, PSRI和SIPI的估算效果不佳, 只有PRI估算效果较好, 拟合精度和准确度较高, 但都不及本研究新提出的mPRI表现优秀(表 3)。

图  5  基于光谱指数的锐齿栎叶片色素含量及比率的实测值与估算值比较(n=195), RE、RMSE, 同表 3

Figure 5.  Comparison between the predicted and observed leaf pigment contentand its ratio based on spectral index(n=195).RE、RMSE, see Table 3

高光谱遥感快速发展使得定量化植被的单一光合色素含量成为可能, 高光谱信息能帮助我们评估植物的生理状态, 估算植被生产力^[8]。植物叶片内的光合色素的含量不同, 其变化规律及影响因素错综复杂, Chl和Car的光谱吸收波段存在交叉重叠, 已有的基于光谱指数的估算模型对不同时期的不同类型植被的估算结果存在一定的差异。本研究综合分析了2014年和2015年不同样地的锐齿栎叶片的反射光谱与光合色素含量及比率之间的定量关系, 结果显示, 不同色素含量水平下锐齿栎叶片的光谱反射率有明显的规律性差异, 叶片光谱反射率与Chl a、Chl b、Chl和Car的含量在可见光的绿光黄光及红边区域表现为显著或极显著的负相关性, 与Car/Chl表现为极显著的正相关性; 在近红外和短波红外区域, 光谱反射率与色素的相关性不及可见光区。

通过几个或多个光谱波段构建反射光谱指数可以减小或消除外部环境因素和叶片内部结构的影响, 放大植被的理化信息, 且光谱指数包括波段信息丰富, 明显提高了对植物理化信息的估算能力^{[9, 19]}, 因此, 光谱指数构建适宜的敏感光谱指数已成为遥感提取植被生化组分信息的重要方法^[7-11]。本研究利用2014年锐齿栎叶片光谱反射率与色素含量及比率的相关分析得到的特定色素敏感波段, 在可见光区和近红外区域选取参考波段, 参照前人的模式和方法分别构建了ND₇₀₅、ND₈₀₀、mND₈₀₀、SR₅₃₀、和mPRI来分别估算叶片Chl a、Chl b、Chl、Car的含量和Car/Chl。结果表明, 本文构建的单一色素相关光谱指数可以准确地估算锐齿栎叶片的Chl a、Chl b、Chl含量, 但叶片Car的含量的估算效果相对较差。文中所选的Chl相关光谱指数的敏感波段范围与Sims和Gamon(2002)对多个不同树种和功能型叶片Chl含量的研究结果相近^[1], 均在红边区域内, 说明红边波段组合的光谱指数估算锐齿栎叶片Chl含量具有较好的普适性; 所选的Car相关光谱指数的敏感波段范围与唐延林等(2004)对水稻Car含量的研究结果相近^[20], 但本研究中光谱指数对Car的估算效果不佳; mPRI对Car/Chl的估算效果优秀, 则说明利用反射光谱指数估测Car/Chl比估测Car绝对含量更为可靠^{[1, 17, 18]}。在构建光谱指数参考波段的选择中, 可见光和近红外波段的组合表现更好, 短波红外波段对叶片水分状况变化敏感, 锐齿栎在生长季的水分波动变化较大, 影响了短波红外波段作为参考波段的稳定性。

进一步分析了前人在其他植被上提出的相同或不同类型的色素敏感光谱指数在本文中的应用效果(表 3), 结果表明, RARSa对叶片Chl a含量的估算精度(E-R²)和准确度(Slope)均较高, 估算效果较好, 而PSSRa和PSNDa的估算效果不理想; PSSRb、PSNDb和RARSb对叶片Chl b含量的E-R²均较高, 但PSNDb的Slope明显不及PSSRb和RARSb; 所选光谱指数对叶片Chl含量的估算效果除NDVI外都比较理想; PSSRc、PSNDc、RARSc、CRI₅₀₀、CRI₇₀₀和mCRI对锐齿栎叶片Car含量的估算效果均较差; PRI对Car/Chl的估算效果明显优于PSRI和SIPI。前人提出的光谱指数对锐齿栎叶片Car含量的估算效果均表现不佳可能是由于这些光谱指数都是基于一种或几种特定的植被提出来, 其植物叶片样本的表层和内部结构可能与锐齿栎叶片存在较大差异; 另一可能的原因是植物叶片内的不同光合色素的含量不同, 其变化规律及影响因素错综复杂, 且Chl和Car的光谱吸收波段存在交叉重叠, 使得Car有关的有效光谱信息不易被区分开来。本研究通过有效的色素敏感光谱波段和参考波段的有机组合构建了反射光谱指数, 利用2015年的试验数据检验表明, 除Car外, 本研究新提出的反射光谱指数对锐齿栎叶片单一色素含量及比率的估算具有良好的准确性和稳定性, 这为锐齿栎叶片色素的无损监测及光合生产力评估提供了参考。

本研究在叶片尺度上采用叶夹式探测器配合内置稳定光源测定叶片的反射光谱, 且采样具有时间和空间上的异质性, 因而所建立的模型具有较好的可靠性, 但要提高模型的估测精度仍需进行大量的测试和检验。

本研究在2个样地进行了2年的野外观测试验, 在锐齿栎的生长季内同步测定了叶片的光谱反射率和色素含量, 分析了反射光谱与叶片色素含量及比率之间的定量关系。研究发现锐齿栎叶片的光谱反射率随叶片光合色素含量呈明显的规律性变化, 在可见光的绿光、黄光及红边区域, 光谱反射率与Chl a、Chl b、Chl和Car的含量表现为显著或极显著的负相关性, 与Car/Chl表现为极显著的正相关性; 在近红外和短波红外区域, 光谱反射率与色素的相关性不及可见光区。本研究构建的色素敏感光谱指数ND₇₀₅、ND₈₀₀、mND₈₀₀和mPRI可以准确地估算锐齿栎叶片的Chl a、Chl b、Chl含量和Car/Chl比率, 独立的试验数据检验表明估算值和实测值的拟合关系较好。此外, 由于锐齿栎叶片Car含量较低, 且Car的光谱吸收波段与Chl存在交叉重叠, 本研究未能开发出相关性高的Car光谱指数, 因此构造相关性高且稳定的Car光谱指数, 构建精确度高、普适性好的Car估算模型仍需要进一步开展研究。