王 雪 王文辉 李 栋 姚 霞 朱 艳 曹卫星 程 涛

二向反射和方向半球反射光谱差异及其对小麦叶片叶绿素含量反演的影响

王 雪 王文辉 李 栋 姚 霞 朱 艳 曹卫星 程 涛*

南京农业大学国家信息农业工程技术中心 / 江苏省信息农业重点实验室 / 农业农村部农作物系统分析与决策重点实验室 / 智慧农业教育部工程研究中心 / 现代作物生产省部共建协同创新中心, 江苏南京 210095

二向反射率因子(bidirectional reflectance factor, BRF)和方向半球反射率因子(directional-hemispherical reflectance factor, DHRF)是反射光谱的两种形式, 但在生化参数监测过程中, 多数研究忽略了BRF和DHRF光谱的差异及其对叶片叶绿素含量(leaf chlorophyll content, LCC)反演的影响。本研究以不同品种、密度及氮素处理的小麦田间小区试验为基础, 在叶片尺度获取了BRF和DHRF光谱, 并计算相应的植被指数和小波系数, 建立了基于植被指数和小波系数的LCC监测模型, 定量分析BRF和DHRF光谱、植被指数和小波系数的差异及其对LCC反演的影响。结果表明, 1) BRF和DHRF随LCC变化趋势一致, 但两种光谱存在显著差异, 且BRF光谱值高于DHRF光谱值; 2)在一定程度上, 应用植被指数和小波系数均可消除BRF和DHRF光谱差异的影响, 其中归一化红边植被指数(normalized differential red edge vegetation index, NDRE)和红边叶绿素指数(red edge chlorophyll index, CIred-edge)可以消除BRF和DHRF光谱差异的影响(2=0.930), 但小波系数的性能要优于植被指数(2=0.995); 3) 基于DHRF光谱的植被指数和小波系数对LCC的估测能力优于BRF光谱, 所有植被指数中NDRE反演效果最好(DHRF:2=0.957; BRF:2=0.938; All:2=0.892), 第4尺度765 nm处的小波系数WF (4, 675)反演LCC的效果优于NDRE (DHRF:2=0.985; BRF:2=0.971; All:2=0.973), 且WF (4, 675)消除BRF和DHRF光谱差异对LCC反演的影响能力强于NDRE (WF(4, 675):2=0.973; NDRE:2=0.892)。综上所述, BRF和DHRF光谱存在差异, 且这种差异不能直接忽略。研究明确了BRF和DHRF光谱的差异, 为构建基于BRF和DHRF光谱的统一模型及提升冠层尺度LCC精确反演提供理论基础。

小麦; 二向反射; 方向半球反射; 叶片叶绿素含量; 植被指数; 小波系数

小麦是我国主要的粮食作物之一, 其高的产量和品质是保障我国的粮食安全重要前提[1]。作为作物光合作用强弱的重要指标, 叶绿素是体现小麦长势状况及产量高低的重要参数[2]。而叶片叶绿素含量(leaf chlorophyll content, LCC)作为叶绿素的重要的表现形式, 与叶片氮浓度密切相关[3]。因此实时、精准监测小麦LCC对实现小麦精准水肥管理尤为必要。

遥感技术具有非破坏性、无接触监测的特点[3-4], 已经成为作物生长参数监测的重要工具。LCC的遥感监测主要在叶片尺度和冠层尺度两个方面[5]。在冠层尺度, 虽然许多学者发现利用遥感方法可有效反演LCC, 且冠层尺度LCC监测的应用价值更大, 但受作物冠层结构(例如叶面积指数、叶倾角等)的影响, LCC反演精度通常不高[6-7], 还难以直接应用。相反, 叶片尺度的LCC遥感监测不受冠层结构和外部环境的影响, 精度很高, 应用条件比较成熟。因此, 叶片尺度的LCC监测不仅可以揭示反射率与LCC的机理性关系, 而且为提升冠层尺度LCC估测精度提供理论基础和技术支撑。

国内外许多研究已经在叶片尺度探究LCC和反射率之间的关系[3-4,8], 例如童倩倩等分析百香果叶片LCC和光谱信号的关系[9]; Yoder等[10]分析了叶片尺度光谱信号反演LCC的理论基础。虽然上述研究已表明光谱反射率可以反演LCC[8,11], 但大多数研究忽略二向反射率因子(bidirectional reflectance factor, BRF)和方向半球反射率因子(directional- hemispherical reflectance factor, DHRF)光谱的差异对LCC反演的影响[4]。已有研究表明BRF和DHRF光谱均可用于LCC估测[3,12-13], 但是两种光谱差异多大, 且这种差异是否影响LCC反演精度还未可知。虽然已有少数研究已经证明BRF和DHRF光谱存在差异, 但他们更关注如何消除这种差异[3], 对BRF和DHRF光谱差异如何影响LCC反演精度缺乏系统研究。因此, 定量分析BRF和DHRF光谱差异对LCC反演精度的影响尤为必要。

鉴于此, 本研究基于不同品种、行距及氮素水平的小麦田间试验, 获取了不同叶绿素含量的小麦叶片的BRF和DHRF光谱, 比较分析BRF和DHRF光谱差异并定量分析光谱差异对LCC反演的影响。本研究的主要目的如下: (1) 比较BRF和DHRF光谱及其衍生产品(植被指数和小波系数)的差异; (2) 定量分析BRF和DHRF光谱差异对LCC的影响。

1 材料与方法

1.1 试验设计

本研究在江苏省如皋市白蒲镇朱家桥村国家信息农业工程技术中心如皋基地(33°05′N, 120°53′E)进行2017—2018年小麦试验。试验区样地土质以壤土为主, 土壤有机质含量为12.95 g kg–1, 年均平均气温和年均降水量分别为14.6℃和1040 mm。试验小麦品种为生选6号(V1)和扬麦18 (V2)。基本苗数分别为2,400,000 hm–2(D1)和1,500,000 hm–2(D2)。共设3个施氮水平, 分别为0 kg hm–2(N0)、150 kg hm–2(N1)和300 kg hm–2(N2)。氮肥施用为氮含量为46%纯尿素, 其中氮肥50%作基肥, 50%拔节期肥; 基肥为磷肥(P2O5) 105 kg hm–2和钾肥(KCl 135 kg hm–2全部施用。试验共12种处理, 3次重复, 共计36个试验小区。小区长为6 m, 宽5 m, 面积为30 m2。本试验的叶绿素梯度由不同氮肥水平产生。其他管理措施同高产大田栽培。本研究的具体试验方案如图1所示。本研究于小麦拔节期在每个小区选取长势均匀的植株进行破坏性取样。每个小区选取3株小麦, 每株小麦获取顶一叶、顶二叶、顶三叶3片完全展开的叶片放于保温箱中用于室内光谱测试和叶绿素萃取。本研究仅选取拔节期(3月11日)作为采样关键生育期, 主要因为拔节期是小麦水肥精确管理关键节点, 对拔节期LCC监测有助于农学家掌控小麦生长状况, 合理安排水肥管理措施。

图1 试验小区分布图

V、D、N分别表示品种、密度、氮素处理。

V, D, and N represent variety, density, and nitrogen treatments, respectively.

1.2 数据获取

1.2.1 叶片光谱数据测试 大田采样后, 于室内测试采样叶片的BRF和DHRF光谱。两种类型光谱测试基于同一台FieldSpec Pro光谱仪, 分别依次搭载积分球(Analytical Spectral Devices, Boulder, CO, USA)和叶片夹(Analytical Spectral Devices, Boulder, CO, USA)。采用同一台光谱仪测试BRF和DHRF光谱, 可以避免不同仪器的波长飘移带来的不确定性。积分球测量得到的是DHRF光谱, 其主要反应叶片镜面反射和漫反射后在积分球内部多次反射后的信号, 其中叶片镜面反射信号的贡献较低; 而叶片夹测得为BRF光谱, 通过探头直接观测叶片的镜面反射和漫反射信号[3]。两种仪器测试的示意图如图2所示。BRF和DHRF光谱测试均进行标准白板校正, 且获取到的波长范围均为350～2500 nm, 光谱间隔为1 nm。为尽可能降低叶片生化组分变化对叶片反射率的影响, 积分球和叶片夹测试叶片反射光谱的间隔不超过30 min。每张叶片进行3次测试, 每个小区分别采集到9条BRF和DHRF光谱, 然后将采集到的光谱平均。本研究共获取36条小麦叶片的BRF和DHRF光谱作为试验样品。由于同步获取相同叶片BRF和DHRF光谱的工作量较大, 因此仅对拔节期的小麦叶片进行光谱测试。而由于两类光谱的测量来源于相同叶片, 光谱差异主要来源于不同测试方式产生的固有的观测几何效应, 且这种固有效应在不同生长期内均存在, 所以即使采用不同生长期数据, 也不改变本文的结果和结论。

图2 叶片光谱测试示意图:(A)积分球、(B)叶片夹

a: 摆放叶片; b: 为光谱仪; c: 为积分球光源; d: 为叶片夹光源; e: 为标准白板。FOV代表光谱仪裸光纤视场角。改编自Li等[3]。

a: a leaf holder; b: a spectrometer; c, d: represent the light sources for the integrating sphere and leaf clip; e: the standard white plate, respectively. FOV is the field of view for the bara fiber optics of the spectrometer. Adapted from Li et al.[3].

1.2.2 叶片叶绿素含量获取 叶片BRF和DHRF光谱测试后, 利用Li-3000确定叶片面积(Area, cm2), 选取一株进行叶绿素测量。叶绿素测试的叶片先存放于超低温冰箱, 然后带回南京在国家信息农业工程技术中心室内实验室用酒精萃取(萃取液体积记为Vol)、紫外分光光度计测量得到叶绿素和叶绿素的浓度, 最终计算得到LCC, 具体公式如下:

式中, Con和Con分别为叶绿素和叶绿素的浓度。649和665是紫外分光光度计测量得到的649 nm和665 nm波长处的吸光度。本研究将每个小区获取到的9张叶片LCC进行平均, 共获取36个小区实测LCC值。

1.3 数据处理与分析

1.3.1 植被指数计算 根据前人的研究结果, 本研究选取4个对LCC敏感的植被指数定量分析BRF和DHRF光谱差异。归一化植被指数(Normalized Differential Vegetation Index, NDVI)、归一化红边植被指数(Normalized Differential Red Edge Vegetation Index, NDRE)、红边叶绿素指数(Red Edge Chlorophyll Index, CIred-edge)和叶面积指数不敏感叶绿素指数(Leaf Area Index-insensitive Chlorophyll Index, LICI)的具体公式如表1所示。

表1 常用的4种植被指数

R表示反射率, 数值代表反射率波长。

R: the reflectance and the number is the wavelength. NDVI: normalized differential vegetation index; NDRE: normalized differential red edge vegetation index; CIred-edge: red edge chlorophyll index; LICI: leaf area index-insensitive chlorophyll index.

1.3.2 小波系数计算 小波系数是高光谱数据经过小波变换后的结果, 现在常用于作物生长参数估测[4,17-18]。小波变换根据变换方式分为连续小波变换(continuous wavelet transform, CWT)和离散小波变换(discrete wavelet transform, DWT)[19-20], 其中CWT是基于线性变换的方法, 用于对连续数据进行分解, 其原理是将连续数据通过线性变化, 得到一系列多尺度的小波系数。本研究所用数据为光谱间隔为1 nm的连续高光谱, 满足CWT的计算条件, 可以将350～2500 nm光谱区间的反射率计算为小波系数。根据Li等[4]的研究可知第4尺度下提取的小波系数对叶绿素的敏感性最强, 因此本研究仅选用尺度4的小波系数对叶绿素进行反演。小波系数的具体计算过程如下:

1.3.3 模型构建与验证 为定量分析BRF和DHRF光谱的差异, 本研究采用成对检验和相关分析对反射率、植被指数和小波系数的差异性进行研究。计算和检验过程均在SPSS 20.0 (IBM, Chicago, IL, USA)软件中完成。本研究为了探究BRF和DHRF光谱差异对LCC估算的影响, 基于植被指数和小波系数建立LCC反演的简单线性模型。本研究应用留一交叉验证算法构建LCC估算模型。其方法的主要原理是将样本训练和验证次(为样本个数, 本研究中=36), 且每次建模,−1个样本作为建模样本进行迭代, 得到的一系列系数对剩余的一个样本进行验证[22]。本研究共计迭代36次。决定系数(coefficient of determination,2)、均方根误差(root mean square error, RMSE)等指标对模型的预测精度进行定量评估,2值越大, RMSE越小模型精度越高, 具体计算公式如下:

2 结果与分析

2.1 BRF和DHRF光谱的差异

2.1.1 基于BRF和DHRF光谱的反射率差异 为定量分析BRF和DHRF光谱的差异, 本研究选择对LCC敏感的可见近红外光谱区间(450～900 nm)的BRF和DHRF光谱反射率的平均值和不同LCC的BRF和DHRF光谱差值进行分析(图3)。图3-A表明BRF和DHRF光谱存在差异, 且BRF光谱值高于DHRF光谱值。由图3-B可知, 不同LCC的BRF和DHRF光谱差值存在差异, 除了LCC=32 g cm–2, LCC与差值反射率呈现负相关, 即随着LCC的增加,反射率差值逐渐降低。BRF和DHRF光谱差值在可见光区间最低, 但在550 nm处出现波峰。在红边和近红外区间, 光谱差值升高, 于750 nm处出现新的波峰, 而波谷主要出现在696 nm和750 nm左右, 760 nm后光谱差值保持稳定不变。

由表2可知, 不同LCC或氮梯度的BRF和DHRF光谱都存在显著差异(<0.01)。随着LCC和施氮量的增加, BRF和DHRF平均光谱差值降低, 不同LCC和施氮量的最低差值分别为0.031和0.044。不同LCC或氮梯度的BRF和DHRF光谱显著性差异表明, 在作物生长监测过程中, 不应忽略BRF和DHRF光谱的差异[3], 但不同LCC间的光谱差值差异较大, 这说明LCC大小会影响BRF和DHRF光谱的差异。

2.1.2 基于BRF和DHRF光谱的植被指数差异

就同一植被指数而言, 除LICI外, BRF和DHRF光谱反射率构建的植被指数存在显著差异(<0.05), 且前者数值低于后者(图4)。就植被指数的值域范围而言, 后者的波动范围大于前者。就不同植被指数而言, NDVI的差异最显著且值域范围差异最小, CIred-edge的值域范围最大。针对LICI、NDRE和CIred-edge的差异小于NDVI, 主要原因是红边波长处BRF和DHRF光谱差值较大, 这种大的差值会降低植被指数的差异。基于BRF和DHRF光谱构建的LICI差异不显著, 表明使用LICI可消除BRF和DHRF光谱差异的影响。

由图5可知, 基于BRF和DHRF光谱构建的植被指数存在显著相关性,2均大于0.80。相关性强度不同, 针对NDRE和CIred-edge的相关性最强(2=0.93**), 针对NDVI的相关性最弱(2=0.80**)。具有红边的植被指数相差不大, 但2均大于0.91, 表明红边在消除BRF和DHRF光谱差异方面具有重要作用。就不同氮梯度而言, 具有红边的植被指数在高氮水平更能消除BRF和DHRF光谱差异。

2.1.3 基于BRF和DHRF光谱的小波系数差异

为定量分析由BRF和DHRF光谱计算的小波系数差异, 本研究选取4尺度450～900 nm之间的小波系数进行对比(图6)。由图6-A可知, BRF和DHRF光谱的小波系数随波长变化趋势一致, 但在波峰位置BRF光谱对应的小波系数高于DHRF光谱, 在波谷位置则相反, 主要归因于BRF光谱值总体高于DHRF光谱值。由两类小波系数的相关性可知, BRF和DHRF光谱的小波系数具有极强相关性(2=0.995**), 且两者的小波系数均分布在1∶1线附近, 说明小波系数受BRF和DHRF光谱差异的影响极小, 具有高鲁棒性。在不同施氮水平, 基于BRF和DHRF光谱的小波系数之间均不存在显著差异(> 0.05), 表明在相同氮水平下, 可以消除BRF和DHRF光谱差异的影响。

图3 BRF和DHRF光谱的差异

A: 积分球和叶片夹测得的平均反射率光谱; B: 叶片夹和积分球光谱的差值在不同叶绿素含量的变化规律。

A: the relationships of mean reflectance derived from BRF and DHRF spectra; B: the changes of different reflectance between BRF and DHRF spectra with various leaf chlorophyll content.

表2 不同LCC和氮梯度的BRF和DHRF光谱的成对t检验

LCC: 叶片叶绿素含量。

LCC: leaf chlorophyll content. N0: 0 kg hm–2; N1: 150 kg hm–2; N2: 300 kg hm–2.

图4 BRF和DHRF光谱的植被指数差异

不同小写字母为显著性差异(< 0.05)。

Different lowercase indicate that there are significant difference at< 0.05.

图5 BRF和DHRF构建的植被指数相关性

**:< 0.01.

图6 BRF和DHRF小波系数的关系

A: 小波系数差异; B: 小波系数相关性。

A: the difference of wavelet coefficient; B: the correction of wavelet coefficient.**:< 0.01.

表3 不同氮水平BRF和DHRF的小波系数成对t检验

缩写同表2。**:< 0.01. Other abbreviations are the same as those given in Table 2.

2.2 BRF和DHRF光谱差异对叶绿素反演的影响

为进一步分析BRF和DHRF光谱差异对LCC反演的影响, 本研究构建了基于不同植被指数的LCC反演模型。图7表明所有的植被指数与LCC呈正相关, 但不同植被指数反演LCC的能力存在差异, 其中NDVI的反演效果最差(DHRF:2=0.592, BRF:2=0.458), NDRE最好(DHRF:2=0.957, BRF:2=0.938)。就不同光谱而言, 除LICI外(DHRF:2=0.853, BRF:2=0.891), DHRF植被指数反演LCC的能力优于BRF植被指数。红边植被指数构建同时适用于BRF和DHRF光谱的模型的能力强于NDVI, NDRE和CIred-edge构建统一模型的能力最强(NDRE:2=0.892, CIred-edge:2=0.889), LICI次之(2=0.843)。这表明NDRE和CIred-edge等红边波段植被数在一定程度上可以消除BRF和DHRF带来的差异。

为探究BRF和DHRF光谱差异是否会影响小波系数反演LCC的能力, 本研究分析了450～900 nm范围第4尺度小波系数与LCC的相关性(图8)。由图8-A可知, 不同波长对应的小波系数反演LCC的能力存在差异。在450～900 nm范围内波峰和波谷交替变化, 且在655～681 nm、694～725 nm和738～784 nm光谱区间2值均大于0.8, 其中在694～725 nm和738～784 nm光谱区间2值大于0.9。在这2个光谱区间内DHRF小波系数反演LCC的能力优于BRF光谱。由于在2个红边区间的2值最高, 为确定哪个区间范围的小波系数反演LCC的能力更强, 本研究分别选取位于2个波峰位置的小波系数(WF (4, 720)和WF (4, 765))反演LCC (图8-B, C)。相较于WF (4, 720), WF (4, 765)反演LCC更强且受BRF和DHRF光谱差异更小(DHRF:2=0.985, BRF:2=0.971)。WF (4, 720)和WF (4, 765)均可构建统一模型, 但WF (4, 765)模型的精度更高(2=0.973), 表明738～784 nm光谱区间可以有效消除BRF和DHRF光谱差异的影响。

为验证植被指数和小波系数在不同光谱及氮梯度下反演LCC的稳定性, 进一步选取反演LCC最强的NDRE和WF (4, 765)进行精度检验(表4)。在不同光谱和氮梯度下, WF (4, 765)模型的验证精度均高于NDRE, 表明小波系数在LCC反演中具有比植被指数明显的优势。就不同类型的光谱而言, 基于DHRF光谱的NDRE和WF (4, 765)在反演LCC方面优于BRF光谱。不同氮梯度下, NDRE和WF (4, 765)反演LCC能力存在差异, 且随施氮量的增加, 模型稳定性增强, 但所有氮梯度结合的模型稳定性最强(BRF: NDRE,2=0.901, RMSE=2.041 μg cm–2, WF (4, 765),2=0.971, RMSE=1.513 μg cm–2; DHRF: NDRE,2=0.926, RMSE=1.8421 μg cm–2, WF (4, 765),2=0.985, RMSE=1.099 μg cm–2)。

图7 BRF和DHRF光谱构建的植被指数和LCC的关系

(图8)

A: 所有波长; B: WF (4, 720); C: WF (4, 765)。

A: all wavelet coefficient at the fourth scale; B: the wavelet coefficient with 720 band at the fourth scale; C: the wavelet coefficient with 765 band at the fourth scale.

表4 不同氮梯度BRF和DHRF构建的NDRE和WF (4, 765)在反演LCC中验证精度

BRF: 二向反射率因子; DHRF: 方向半球反射率因子。

**:< 0.01. NDRE: normalized differential red edge vegetation index; WF(4, 765): wavelet coefficient from 765 band at fourth scale:2: coefficient of determination; RMSE: root mean square error; BRF: bidirectional reflectance factor; DHRF: directional-hemispherical reflectance factor. Other abbreviations are the same as those given in Table 2.

3 讨论

3.1 BRF和DHRF光谱差异的产生原因

本研究从光谱反射率和植被指数分析BRF和DHRF光谱的差异。从光谱反射率而言, BRF和DHRF光谱变化趋势一致(图3), 且随LCC增加两者差值降低, 这可能与叶绿素的吸收特征有关[23-24]。BRF和DHRF光谱存在差异, 整体上BRF光谱值高于DHRF光谱值(图3-A), 这可能与BRF和DHRF光谱的测试原理有关[3]。利用积分球所得的是DHRF反射率, 光谱仪探头不是直接测得叶片的反射光, 而是镜面反射和漫反射光在积分球内多次反射后进入探头。而叶片夹测得的是BRF反射率, 是光谱仪探头直接测量叶片, 得到镜面反射和漫反射光直接进入探头, 这种测试导致二者相差一个镜面反射因子[3,24], 因此BRF和DHRF光谱存在系统差异, 不能相互替代。

就不同的植被指数而言, BRF和DHRF光谱构建的NDVI差异显著, 且BRF光谱构建的NDVI小于DHRF光谱(图4), 这可能与两种光谱在近红外和红光区间的差异有关。相较于NDVI, 由红边构建的植被指数在BRF和DHRF光谱上差异较小, 且所有红边植被指数的2值均高于0.91, 这充分说明红边在消除BRF和DHRF光谱差异中的潜力[25-28]。在消除BRF和DHRF光谱差异方面, 不同红边植被指数存在差异(图5), 红边和近红外组合的植被指数(NDRE和CIred-edge)优于2个红边组合的LICI, 这表明多个红边并不能有效消除BRF和DHRF光谱差异[6], 因此在今后植被指数构建中, 建议使用近红和红边构建的植被指数。鉴于NDRE在消除BRF和DHRF光谱差异方面的优势, 因此尽可能在作物生长参数监测中使用NDRE。

3.2 小波变换消除积BRF和DHRF光谱差异的优势

小波系数反映在不同尺度特定波长范围内的光谱变化情况, 现已广泛用于生长参数监测[14,17-18,30-32]。本研究应用连续小波变换对BRF和DHRF光谱计算小波系数, 并比较不同光谱的小波系数差异(图6)。研究发现在450～900 nm波长范围内二者平均小波系数相差不大, 这充分说明小波变换可以有效消除BRF和DHRF光谱的差异。因此, 小波变换可作为消除BRF和DHRF光谱差异最有效的方法。较之红边植被指数(NDRE:2=0.930), 小波系数消除光谱差异的能力最强(2=0.995), 这可能与小波系数的数学原理有关[18]。

本研究仅选取第4尺度的小波系数分析两类光谱差异, 主要因为前人研究表明第4尺度的小波系数与叶绿素含量密切相关[4], 且第4尺度是用于作物光谱信号提取的主要尺度之一, 其小波系数变化可以反映出作物光谱的变化, 进而为消除两类光谱差异奠定基础。本研究所选择的波长范围主要集中在450～900 nm之间, 主要因为该光谱区间包含了叶绿素的主要吸收特征, 已被广泛用于LCC估算。常用的无人机多光谱相机(例如法国Airphen相机和美国Red edgeM相机)[16,33]和一些主动传感器[34-35](例如美国的GreenSeeker和RapidSCAN CS-45), 均基于此波长范围设计, 并用于冠层尺度作物生长参数监测。因此, 选取可见光和近红外波长的小波系数, 用于分析BRF和DHRF光谱差异, 对从叶片升尺度到冠层及新仪器研发具有重要意义。

3.3 限制LCC反演的主要因子

本研究从BRF和DHRF光谱差异和氮梯度两个方面, 定量评估影响LCC反演的主要限制因子。就植被指数而言, 红边构建的植被指数对LCC反演精度高于非红边植被指数(图7), 这与前人的结果一致[2,4,30]。红边植被指数的形式不同, 对叶绿素含量反演的影响也有差异, 且LICI的反演精度差于NDRE和CIred-edge, 这可能与红边植被指数设计的应用场景有关, 与红边波段个数没有直接关系。设计LICI的初衷, 主要用于消除冠层尺度叶面积指数对叶片叶绿素含量估算的影响[6], 而本研究是在叶片尺度, 不存在冠层结构的影响。DHRF光谱构建的植被指数对LCC反演能力优于BRF光谱, 这充分说明DHRF光谱在估测LCC的优势。NDRE和CIred-edge均可构建适用于BRF和DHRF光谱的统一模型, 且2均大于0.88。因此在今后LCC反演中, 推荐使用NDRE和CIred-edge进行反演, 以消除BRF和DHRF光谱差异的影响。不同波长对应的小波系数反演LCC的能力存在差异(图8), 其中红边(738～784 nm)最好, 这与前人的研究一致[4]。对比植被指数, 小波系数在建立统一模型方面具有更高的估测精度, 这充分表明连续小波变换可有效消除BRF和DHRF光谱差异的影响[3]。

就不同的氮水平而言, 虽然氮梯度差异引起BRF和DHRF光谱差异, 但是这种差异未对LCC的反演产生显著影响。尺度的差异可以解释这一现象。在冠层尺度, 氮肥水平影响小麦的长势, 即高氮肥的施用可降低土壤背景的比例, 进而影响光谱对LCC的反演[6]。而在叶片尺度, 高氮施用不会增加背景的影响, 但是高氮水平的植被指数和小波系数均高于低氮, 这表明高氮施用会增加作物光合效应, 进而增强光谱对LCC的敏感性。虽然DHRF光谱反演LCC的能力优于BRF, 但二者差异不大, 考虑到测试的成本及效率, 本研究建议应用BRF光谱。因为BRF光谱测试的叶片夹相较于积分球来说, 方便携带且造价低更低。

4 结论

本研究基于不同品种、氮水平和密度的小麦小区试验, 从植被指数和小波系数两个方面分析BRF和DHRF光谱的差异, 并定量评估光谱差异对LCC反演的影响。结果表明, BRF和DHRF光谱存在差异, 且BRF光谱值高于DHRF。相较于植被指数, 小波系数消除BRF和DHRF光谱差异的效果更好。就BRF和DHRF光谱差异对LCC反演的影响而言, 红边植被指数中的NDRE和小波系数中的WF (4, 765)可以消除光谱差异的影响, 且WF (4, 765)反演LCC和消除光谱差异的能力最强(BRF:2=0.971, RMSE=1.513 μg cm–2; DHRF:2=0.985, RMSE= 1.099 μg cm–2)。本研究结果从叶片尺度分析BRF和DHRF光谱差异, 为冠层尺度消除BRF和DHRF光谱差异和提高LCC反演精度奠定理论基础。

[1] Lyu Z F, Liu X J, Cao W X, Zhu Y. Climate change impacts on regional winter wheat production in main wheat production regions of China., 2013, 171: 234–248.

[2] Gitelson A A, Gritz Y, Merzlyak M N. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves., 2003, 160: 271–282.

[3] Li D, Tian L, Wan Z F, Jia M, Yao X, Tian Y C, Zhu Y, Cao W X, Cheng T. Assessment of unified models for estimating leaf chlorophyll content across directional-hemispherical reflectance and bidirectional reflectance spectra., 2019, 231: 111240.

[4] Dong L, Cheng T, Zhou K, Zheng H B, Yao X, Tain Y C, Zhu Y, Cao W X. WREP: a wavelet-based technique for extracting the red edge position from reflectance spectra for estimating leaf and canopy chlorophyll contents of cereal crops., 2017, 129: 103–117.

[5] Gitelson A A. Remote estimation of canopy chlorophyll content in crops., 2005, 32: 8403.

[6] Li D, Chen J M, Zhang X, Yan Y, Zhu J, Zheng H B, Zhou K, Yao X, Tian Y C, Zhu Y, Cheng T, Cao W X. Improved estimation of leaf chlorophyll content of row crops from canopy reflectance spectra through minimizing canopy structural effects and optimizing off-noon observation time., 2020, 248: 111985.

[7] Jay S, Maupas F, Bendoula R, Gorretta N. Retrieving LAI, chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing: comparison of vegetation indices and PROSAIL inversion for field phenotyping., 2017, 210: 33–46.

[8] Gitelson A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves., 1997, 18: 2691–2697.

[9] 童倩倩, 李莉婕, 赵泽英, 岳延滨, 刘海. 基于离散小波算法定量反演贵州百香果叶片叶绿素含量的研究. 西南农业学报, 2020, 33: 2927–2932.

Tong Q Q, Li L J, Zhao Z Y, Yue Y B, Liu H. Quantitative inversion of chlorophyll content in passiflora edulis leaves based on discrete wavelete algorithm in Guizhou province., 2020, 33: 2927–2932 (in Chinese with English abstract).

[10] Yoder B J, Pettigrew-Crosby R E. Predicting nitrogen and chlorophyll content and concentrations from reflectance spectra (400–2500 nm) at leaf and canopy scales., 1995, 53: 199–211.

[11] 王浩云, 曹雪莲, 孙云晓, 闫明壮, 王江波, 徐焕良. 基于光学特性参数反演的绿萝叶绿素含量估测研究. 农业机械学报, 2021, 52(3): 202–209.

Wang H Y, Cao X L, Sun Y X, Yan M Z, Wang J B, Xu H L. Estimation of chlorophyll content of epipremnum aureum based on optical characteristic parameter inversion., 2021, 52(3): 202–209 (in Chinese with English abstract).

[12] Ma Z G, Chen X, Wang Q, Li P H, Jiapaer G L. Retrieval of leaf biochemical properties by inversed PROSPECT model and hyperspectral indices: an application topolymorphic leaves., 2012, 4: 52–62.

[13] Li P H, Wang Q. Retrieval of leaf biochemical parameters using PROSPECT inversion: a new approach for alleviating ill-posed problems., 2011, 49: 2499–2506.

[14] Chen J. A simple method for reconstructing a high-quality NDVI time-series data set based on the Savitzky-Golay filter., 2004, 91: 332–344.

[15] Barnes E M, Clarke T R, Richards S E, Colaizzi P D, Thompson T. Coincident Detection of Crop Water Stress, Nitrogen Status, and Canopy Density Using Ground Based Multispectral Data. Proceedings of the 5th International Conference on Precision Agriculture and other resource management July 16-19, 2000, Bloomington, MN USA 2000.

[16] Wang W H, Wu Y P, Zhang Q F, Zheng H B, Yao X, Zhu Y, Cao W X, Cheng T. AAVI: a novel approach to estimating leaf nitrogen concentration in rice from unmanned aerial vehicle multispectral imagery at early and middle growth stages., 2021, 14: 6716–6728.

[17] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Deriving leaf mass per area (LMA) from foliar reflectance across a variety of plant species using continuous wavelet analysis., 2014, 87: 28–38.

[18] Cheng T, Rivard B, Sánchez-Azofeifa A. Spectroscopic determination of leaf water content using continuous wavelet analysis., 2010, 115: 659–670.

[19] Huang J F, Blackburn G A. Optimizing predictive models for leaf chlorophyll concentration based on continuous wavelet analysis of hyperspectral data., 2011, 32: 9375–9396.

[20] 李辰, 王延仓, 李旭青, 杨秀峰, 顾晓鹤. 基于小波技术的冬小麦植株组分含水率估测模型. 农业机械学报, 2021, 52(3): 193–201.

Li C, Wang Y C, Li X Q, Yang X F, Gu X H. Quantitative inversion of water content of plant components in winter wheat based on wavelet technology,, 2021, 52(3): 193–201 (in Chinese with English abstract).

[21] 张骁, 闫岩, 王文辉, 郑恒彪, 姚霞, 朱艳, 程涛. 基于小波分析的水稻籽粒直链淀粉含量高光谱预测. 作物学报, 2021, 47: 1563–1580.

Zhang X, Yan Y, Wang W H, Zheng H B, Yao X, Zhu Y, Cheng T. Application of continuous wavelet analysis to laboratory reflectance spectra for the prediction of grain amylose content in rice., 2021, 47: 1563–1580 (in Chinese with English abstract).

[22] Yan G, Bo D, Zhu R S, Wu X T, Ma Y, Peng Y. Remote estimation of rapeseed yield with unmanned aerial vehicle (UAV) imaging and spectral mixture analysis., 2018, 14: 70.

[23] Croft H, Arabian J, Chen J M, Shang J L, Liu J G. Mapping within-field leaf chlorophyll content in agricultural crops for nitrogen management using Landsat-8 imagery., 2020, 21: 856–880.

[24] Zhang Y Q, Chen J M, Miller J R, Noland T L. Leaf chlorophyll content retrieval from airborne hyperspectral remote sensing imagery., 2008, 112: 3234–3247.

[25] 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., 2002, 81: 337–354.

[26] Main R, Cho M A, Mathieu R, Kennedy M M O, Ramoelo A, Koch S. An investigation into robust spectral indices for leaf chlorophyll estimation., 2011, 66: 751–761.

[27] Féret J B, François C, Gitelson A, Asner G P, Barry K M, Panigada C, Richardson A D, Jacquemoud S. Optimizing spectral indices and chemometric analysis of leaf chemical properties using radiative transfer modeling., 2011, 115: 2742–2750.

[28] Maccioni A, Agati G, Mazzinghi P. New vegetation indices for remote measurement of chlorophylls based on leaf directional reflectance spectra., 2001, 61: 52–61.

[29] Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves., 1999, 20: 2741–2759.

[30] Cheng T, Ria O D, Ustin S L. Detecting diurnal and seasonal variation in canopy water content of nut tree orchards from airborne imaging spectroscopy data using continuous wavelet analysis., 2014, 143: 39–53.

[31] Cheng T, Rivard B, Sánchez-Azofeifa A G, Féret J B, Jacquemoud S, Ustin S L. Predicting leaf gravimetric water content from foliar reflectance across a range of plant species using continuous wavelet analysis., 2012, 169: 1134–1142.

[32] Cheng T, Rivard B, Sánchez-Azofeifa G A, Feng J, Calvo- polanco M. Continuous wavelet analysis for the detection of green attack damage due to mountain pine beetle infestation., 2010, 114: 899–910.

[33] Wang Y Y, Zhang K, Tang C L, Cao Q, Tian Y C, Zhu Y, Cao W X, Liu X J. Estimation of rice growth parameters based on linear mixed-effect model using multispectral images from fixed-wing unmanned aerial vehicles., 2019, 11: 1371.

[34] Li S Y, Liu X J, Tian Y C, Zhu Y, Cao Q. Comparison RGB digital camera with active canopy sensor based on UAV for rice nitrogen status monitoring. In: 2018 7th International Conference on Agro-geoinformatics, 2018. pp 1–6.

[35] Grohs D S, Bredemeier C, Mundstock C M, Poletto N. Model for yield potential estimation in wheat and barley using the GreenSeeker sensor., 2009, 29: 101–112.

Difference between bidirectional reflectance factor and directional-hemispherical reflectance factor spectra and its effect on the estimation of leaf chlorophyll content in wheat

WANG Xue, WANG Wen-Hui, LI Dong, YAO Xia, ZHU Yan, CAO Wei-Xing, and CHENG Tao*

National Engineering and Technology Center for Information Agriculture / Jiangsu Provincial Key Laboratory of Information Agriculture / Key Laboratory for Crop System Analysis and Decision Making, Ministry of Agriculture and Rural Affairs / Engineering Research Center for Intelligent Agriculture, Ministry of Education / Collaborative Innovation Center for Modern Crop Production co-sponsored by Province and Ministry, Nanjing 210095, Jiangsu, China

Bidirectional reflectance factor (BRF) and directional-hemispherical reflectance factor (DHRF) spectra are two common types of reflectance measurements. However, most studies ignored the differences between BRF and DHRF spectra and their effects on the estimation of leaf chlorophyll content (LCC) while monitoring the biochemical parameters of crops. In this study, we collected leaf-level data from field trials of winter wheat with different varieties, densities, and nitrogen rates. We calculated the vegetation indices (VIs) and wavelet coefficients (WCs) based on BRF and DHRF spectra and then established their relationships with LCC. Finally, we evaluated the ability of VIs and WCs in reducing the differences between BRF and DHRF spectra, and their effects on LCC estimation. Results were as follows: (1) changes in BRF and DHRF were consistent with the variation of LCC, but there were significant differences between the two types of spectra, and the reflectance in BRF was higher than that in DHRF. (2) To some extent, the use of either VIs or WCs could eliminate the influence of the differences between BRF and DHRF spectra. For example, the Normalized Differential Red Edge Vegetation Index (NDRE) and the Red Edge Chlorophyll Index (CIred-edge) could reduce this effect (2=0.930), but the performance of wavelet coefficients were better than those of NDRE and CIred-edge(2=0.995). (3) The performance of VIs and WCs based on DHRF data was better than that of BRF data for LCC estimation. NDRE was the best among all VIs evaluated (DHRF:2=0.957; BRF:2=0.938; All:2=0.892). Furthermore, the WC at the fourth scale of 765 nm [WF(4, 675)] was better than NDRE (DHRF:2=0.985; BRF:2=0.971; All:2=0.973), and it had a stronger ability to eliminate the influence of the spectral differences on LCC estimation than NDRE (WF (4, 675):2=0.973; NDRE:2= 0.892). In summary, there was a difference between BRF and DHRF data, and this difference could not be ignored directly. To some extent, the use of suitable VIs and WCs can eliminate the difference and improve the accuracy of LCC estimation. This study determined the differences between BRF and DHRF spectra of the same leaf samples of winter wheat, which provided a theoretical basis for establishing a unified model across BRF and DHRF spectra and improving the accurate estimation of LCC at the canopy level.

wheat; BRF; DHRF; leaf chlorophyll content; vegetation index; wavelet analysis

10.3724/SP.J.1006.2023.21005

本研究由国家自然科学基金项目(41871259)资助。

This study was supported by the National Natural Science Foundation of China (41871259).

程涛, E-mail: tcheng@njau.edu.cn

E-mail: wangxue@njau.edu.cn

2022-01-24;

2022-07-21;

2022-08-22.

URL: https://kns.cnki.net/kcms/detail/11.1809.S.20220822.1619.004.html

This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/)