章文龍，曾從盛,3,*，高燈州，胡偉芳，陳曉艷，林 偉

(1. 福建師范大學(xué)地理科學(xué)學(xué)院， 福州 350007； 2. 福建師范大學(xué)亞熱帶濕地研究中心，福州 350007；3. 濕潤亞熱帶生態(tài)地理過程教育部重點(diǎn)實(shí)驗(yàn)室， 福州 350007)

閩江河口濕地秋茄葉綠素含量高光譜遙感估算

章文龍1,2，曾從盛1,2,3,*，高燈州1,2，胡偉芳1,2，陳曉艷1，林 偉1

(1. 福建師范大學(xué)地理科學(xué)學(xué)院， 福州 350007； 2. 福建師范大學(xué)亞熱帶濕地研究中心，福州 350007；3. 濕潤亞熱帶生態(tài)地理過程教育部重點(diǎn)實(shí)驗(yàn)室， 福州 350007)

葉綠素含量是表征植被脅迫狀態(tài)的一個(gè)重要指示因子，同時(shí)也是其它生化參數(shù)估算的重要基礎(chǔ)，對(duì)其進(jìn)行遙感反演具有重要意義。選取閩江口秋茄(Kandeliacandel)作為研究對(duì)象，分別于2013年4月和7月采集葉片，室內(nèi)測(cè)定其葉片正面和反面反射光譜，同時(shí)測(cè)定其葉綠素含量(單位面積含量和單位質(zhì)量含量)。選取13個(gè)常用參數(shù)進(jìn)行敏感性分析，并進(jìn)一步選取與葉綠素相關(guān)系數(shù)較高的參數(shù)建立估算模型。結(jié)果表明，秋茄葉片反面反射率高于正面，尤其在綠光波段和近紅外波段部分區(qū)域(1450—2450 nm)表現(xiàn)較為明顯。對(duì)所選取的大部分參數(shù)而言，其與單位面積葉綠素含量的相關(guān)系數(shù)要高于與單位質(zhì)量葉綠素含量的相關(guān)系數(shù)；基于正面光譜計(jì)算的光譜參數(shù)與葉綠素含量的相關(guān)系數(shù)要高于基于反面光譜計(jì)算的光譜參數(shù)。估算與驗(yàn)證模型結(jié)果進(jìn)一步表明，TCARI、Vog1、Vog2和Vog3能較好的估算不同生長期秋茄葉片的葉綠素含量。此外，在使用GM、Carter2和PSSRb 估算葉片葉綠素含量時(shí)，可以適當(dāng)考慮反面光譜的應(yīng)用。這些結(jié)果也預(yù)示著利用高光譜遙感數(shù)據(jù)估算秋茄葉片葉綠素含量是可行的，并且具有較高的估算精度。

葉綠素；高光譜；秋茄；閩江口

紅樹林是濱?；蚝涌跐竦刂匾纳鷳B(tài)系統(tǒng)，在防風(fēng)消浪、促淤保灘、固岸護(hù)堤、凈化海水和空氣等方面發(fā)揮重要作用。葉綠素含量是表征植被脅迫狀態(tài)的一個(gè)重要指示因子[1]，同時(shí)也是其它生化參數(shù)估算的重要基礎(chǔ)。利用高光譜遙感數(shù)據(jù)建立濕地植被葉綠素含量的估算模型，對(duì)濕地生態(tài)系統(tǒng)的健康狀態(tài)動(dòng)態(tài)監(jiān)測(cè)、恢復(fù)重建以及管理等都具有重要意義。

當(dāng)前關(guān)于葉綠素高光譜估算研究已經(jīng)取得較大進(jìn)展，其估算方法大致包括3種：回歸分析法、物理模型法和光譜參數(shù)法。其中光譜參數(shù)法在構(gòu)建指數(shù)時(shí)一定程度考慮了其物理機(jī)制，同時(shí)所需波段較少，而被廣泛利用[1]。但盡管如此，各光譜指數(shù)受到植被種類、發(fā)育階段及背景環(huán)境等多種因素影響[2]，其對(duì)不同植被、不同生長期的敏感性及內(nèi)在的理論解釋等仍有待進(jìn)一步深入研究。目前，常見的光譜參數(shù)包括：高光譜的位置變量、高光譜面積變量、可見光比值指數(shù)、可見/紅外比值指數(shù)、紅邊反射率植被指數(shù)和紅邊導(dǎo)數(shù)指數(shù)等[1, 3- 4]。為更深入理解各光譜參數(shù)的物理機(jī)制，部分學(xué)者利用PROSPECT+SAIL模型，基于實(shí)測(cè)數(shù)據(jù)對(duì)各參數(shù)的葉片結(jié)構(gòu)敏感性進(jìn)行探討，發(fā)現(xiàn)部分紅邊反射率比值植被指數(shù)對(duì)葉片結(jié)構(gòu)變化比較不敏感，并可以較好的估算葉綠素含量[1]。孟慶野等[2]通過模擬和實(shí)測(cè)進(jìn)一步發(fā)現(xiàn)用紅谷代替670 nm可以一定程度上提高TCARI的估算精度。以往這些研究主要是基于葉片正面的室內(nèi)光譜或者冠層光譜，對(duì)葉片的反面光譜特征關(guān)注較少。然而，在實(shí)際工作中，葉片反面光譜也是葉片的重要組成部分，且其與葉片正面的結(jié)構(gòu)存在較大差異(特別是顏色和氣孔分布)。因此有必要加強(qiáng)基于葉片反面光譜對(duì)葉綠素含量反演的研究，并將其與正面光譜的反演結(jié)果進(jìn)行比較。此外，目前常用的葉綠素單位量綱包括單位面積葉綠素含量和單位質(zhì)量葉綠素含量兩種，在秋茄葉片葉綠素含量遙感估算時(shí)以哪種量綱表征更為合適，也有待進(jìn)一步研究。此外，從研究的對(duì)象來看，已有研究主要集中在農(nóng)作物、森林植被及少量濕地植被[3,5- 10]，對(duì)秋茄(Kandeliacandel)葉綠素含量的高光譜遙感估算相對(duì)匱乏。綜上所述，通過測(cè)定閩江河口不同生長期秋茄葉片葉綠素含量與葉片正反面光譜，選取13個(gè)參數(shù)建立相應(yīng)的估算模型，并分析各參數(shù)對(duì)生長期及葉片結(jié)構(gòu)的敏感性，以期為實(shí)現(xiàn)濕地紅樹林生態(tài)系統(tǒng)健康狀況遙感監(jiān)測(cè)提供科學(xué)參考依據(jù)。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

鱔魚灘濕地是閩江口最大的天然洲灘濕地，具有較高的生物多樣性，其地理坐標(biāo)26°00′36″—26°03′42″ N，119°34′12″—119°41′40″ E。區(qū)內(nèi)受潮汐作用影響顯著，屬正規(guī)半日潮；氣候?qū)倌蟻啛釒c中亞熱帶過渡帶，暖熱濕潤，年均氣溫為19.3 ℃，年平均降水量1380 mm左右，年均降水日數(shù)為153 d；土壤為濱海鹽土和沙土，pH值偏酸性[11]。濕地植被主要有秋茄、蘆葦(Phragmitesaustralis)、短葉茳芏(CyperusmalaccensisLam.var.brevifolius Bocklr)、藨草(Scirpustriqueter)和互花米草(Spartinaalterniflora)等。秋茄葉片為橢圓形，長度約為8—10 cm，寬度約為4—7 cm。

1.2 研究方法

1.2.1 樣品采集

以閩江口鱔魚灘濕地紅樹科秋茄(樹齡約為7 a)作為研究對(duì)象，分別于2013年4月20日和7月20日采樣，每次采樣時(shí)選取不同植株的新葉和成熟葉，葉片采集后立即放入保溫箱，并在4 h內(nèi)送回實(shí)驗(yàn)室，進(jìn)一步清理葉片表面塵埃，用于室內(nèi)光譜和葉綠素含量測(cè)定。

1.2.2 葉片光譜測(cè)定

葉片室內(nèi)反射光譜用美國ASD (Analytica Spectra Devices., Inc)公司生產(chǎn)的FieldSpec2500進(jìn)行測(cè)定，測(cè)量波段范圍為350—2500 nm，其中在350—1000 nm光譜分辨率為3 nm，光譜間隔為1.4 nm；在1000—2500 nm光譜分辨率為10 nm，光譜間隔為2 nm。根據(jù)秋茄葉片形狀特征，選取寬度大于5 cm的葉片，利用BRDF系統(tǒng)建立相應(yīng)的測(cè)試環(huán)境：探頭垂直向下，視場(chǎng)角25°，距離葉片樣品表面約為10 cm，光源使用光譜儀配套的功率為50 W的鹵素?zé)?，入射天頂角設(shè)置為45°，入射方位角0°，觀測(cè)天頂角0°。測(cè)定時(shí)，將葉片展平放置于對(duì)采集波段接近全吸收的工作臺(tái)上，先測(cè)定葉片正面的反射光譜，然后將葉片反向，測(cè)定同一個(gè)部位的反面光譜，為確保測(cè)量精度，每次測(cè)定保存8條光譜，15 min進(jìn)行1次白板校正。

1.2.3 葉片色素含量測(cè)定與計(jì)算

測(cè)定完葉片正面和反面反射光譜后，用自制打孔器(半徑R約為2 cm)取樣，并稱重記錄為W1，之后去除主要葉脈，葉脈重記錄為W2；將去除葉脈后的葉片剪碎，稱取兩份，每份0.20 g，分別加入少量無水乙醇及少量石英砂和碳酸鈣粉，將其研磨成勻漿，至組織發(fā)白，用無水乙醇將所有溶液洗入離心管，在4000 轉(zhuǎn)/min條件下離心5 min，最后將上清液移入25 mL容量瓶定容(此法可有效減少過濾造成葉綠素殘留和分解的損失)。最后用紫外可見分光光度計(jì)測(cè)量665 nm和649 nm處的吸光度，依據(jù)以下公式計(jì)算葉綠素濃度[12]：

Chla(mg/L)=13.95×D665-6.88×D649

Chlb(mg/L)=24.96×D665-7.32×D649

Chlt(mg/g)=(Chla+Chlb)×V/M

式中，Chla和Chlb分別為提取液中葉綠素a和葉綠素b濃度；Chlt(mg/g)為單位質(zhì)量葉綠素的含量，Chlt(μg/cm2)表示單位面積葉綠素含量；D649和D665分別為649 nm與665 nm 吸光度；V為定容的體積(mL)；M為測(cè)定樣品重(g)；W1和W2分別指打孔器采集樣品總重(g)和葉脈重量(g)；R為打孔器半徑(cm)。

1.2.4 統(tǒng)計(jì)分析

利用ViewSpecPro軟件計(jì)算光譜反射率計(jì)算；用SPSS 17.0計(jì)算Pearson相關(guān)系數(shù)；用Origin 8.0作圖。

1.2.5 光譜參數(shù)定義

選取常用的可見光比值植被指數(shù)(NPCI和PRI1)，可見/近紅外比值指數(shù)(NDVI、Lic2、TCARI、MCRAI和PSSRa)和紅邊反射率植被指數(shù)(Vog1、Vog2、Vog3、GM、Catter2和CI)共13個(gè)參數(shù)用于秋茄葉片葉綠素含量估算，各參數(shù)定義如表1所示。

1.2.6 檢驗(yàn)方法

根據(jù)測(cè)定的樣本數(shù)及其葉綠素含量大小，隨機(jī)挑選出約1/4的測(cè)定樣本用于檢驗(yàn)。其中2013年4月建模樣本為57，檢驗(yàn)樣本為16；2013年7月建模樣本為35，檢驗(yàn)樣本為12。為衡量各參數(shù)的估算精度，分別選取相關(guān)系數(shù)(r)、決定系數(shù)(r2)和均方根誤差(RMSE)作為評(píng)價(jià)指標(biāo)。在樣本數(shù)相同的條件下，一般認(rèn)為r和r2越大越好，RMSE越小越好，RMSE的計(jì)算公式如下：

表1 高光譜參數(shù)定義

2 結(jié)果與分析

2.1 秋茄葉片正反面反射光譜特征比較

為對(duì)比秋茄葉片正反面光譜特征，將其正面光譜和反面光譜求算平均值，結(jié)果如圖1所示。圖1表明，不同生長期秋茄葉片正面反射光譜均表現(xiàn)為典型的植被光譜特征：在綠光波段出現(xiàn)綠峰，然后紅光波段出現(xiàn)谷值，近紅外波段出現(xiàn)明顯的反射平臺(tái)。對(duì)比秋茄葉片正反面光譜特征表明，無論在4月還是7月，反面光譜均要高于正面光譜，特別是在綠光波段和近紅外波段的部分區(qū)域表現(xiàn)的尤為明顯(1450—2450 nm)。

圖1 秋茄葉片正面與反面反射光譜特征Fig.1 The spectral characteristics of leaf front and leaf back of K. candel

2.2 光譜參數(shù)與葉綠素含量相關(guān)關(guān)系

為分析不同光譜參數(shù)估算葉綠素的敏感性，將不同生長期、正反面光譜計(jì)算的參數(shù)與葉綠素含量(單位面積葉綠素含量和單位質(zhì)量葉綠素含量)做相關(guān)分析(表2)。表2表明，無論基于正面光譜還是反面光譜，所選取的光譜參數(shù)與秋茄葉綠素含量基本都達(dá)到顯著(P<0.05)或極顯著相關(guān)(P<0.01)。且對(duì)大部分參數(shù)而言，其與單位面積葉綠素含量的相關(guān)系數(shù)要優(yōu)于與單位質(zhì)量葉綠素含量的相關(guān)系數(shù)。

從對(duì)季節(jié)和正反面光譜的敏感性看，各光譜參數(shù)表現(xiàn)不盡相同。當(dāng)以單位面積葉綠素含量作為計(jì)算單位時(shí)，對(duì)正反面光譜敏感的光譜參數(shù)有TCARI、GM、Carter2、MCARI、PSSR和NPCI，其中基于正面光譜計(jì)算的TCARI、MCARI和NPCI與葉綠素含量的相關(guān)系數(shù)要高于基于反面光譜計(jì)算的；GM、Carter2和PSSRb則與之相反。Vog1、Vog2 和Vog3對(duì)生長期和正反面光譜敏感性均較低，且與葉綠素含量具有較高的相關(guān)系數(shù)。PRI1、CI、NDVI和Lic2在4月份對(duì)正反面光譜不敏感，在7月則較為敏感。

當(dāng)以單位質(zhì)量葉綠素含量作為計(jì)算單位時(shí)，基于正面光譜計(jì)算的大部分光譜參數(shù)與葉綠素的相關(guān)系數(shù)要高于基于反面光譜的，但在不同生長期各參數(shù)對(duì)正反面光譜的敏感性略有不同。此外，對(duì)于部分參數(shù)而言，在葉綠素含量高光譜估算時(shí)可以適當(dāng)考慮反面光譜的應(yīng)用。

表2 葉綠素含量與高光譜參數(shù)的相關(guān)系數(shù)

**P<0.01，*P<0.05

2.3 葉綠素含量估算與驗(yàn)證

2.3.1 葉綠素含量估算模型

表2分析表明對(duì)于大部分參數(shù)而言，光譜參數(shù)與單位面積葉綠素含量具有較高相關(guān)系數(shù)，且基于正面光譜所計(jì)算的參數(shù)與葉綠素含量的相關(guān)系數(shù)也相對(duì)較高。因此，以單位面積葉綠素含量為計(jì)算單位，以正面光譜作為參數(shù)計(jì)算光譜，并進(jìn)一步選擇相關(guān)系數(shù)較高的參數(shù)(TCARI、Vog1、Vog2 和Vog3)作為估算參數(shù)，分別用線性、對(duì)數(shù)和指數(shù)模型進(jìn)行回歸分析，嘗試建立秋茄葉綠素含量估算模型。在建立模型之前，為檢驗(yàn)?zāi)Ｐ偷木?，將樣本分成兩個(gè)部分，一部分用于訓(xùn)練，一部分用于檢驗(yàn)，模型估算結(jié)果和檢驗(yàn)結(jié)果如表3所示。表3表明，基于正面光譜計(jì)算的TCARI、Vog1、Vog2和Vog3均能較好的估算秋茄葉片單位面積葉綠素含量，其中TCARI與葉綠素含量主要呈對(duì)數(shù)或指數(shù)關(guān)系，而Vog1、Vog2和Vog3與葉綠素含量則主要表現(xiàn)為線性或?qū)?shù)關(guān)系。綜合分析估算模型和檢驗(yàn)?zāi)Ｐ偷膔2和RMSE，Vog1和Vog2估算精度略高于其它兩個(gè)參數(shù)，并且它們對(duì)生長期敏感性較低。結(jié)合葉片的葉綠素含量變化幅度來看，當(dāng)樣本中葉綠素含量變化幅度較大時(shí)，Vog3可能有較好的估算效果。此外，為進(jìn)一步闡明葉綠素含量與光譜參數(shù)的關(guān)系，以Vog1為例，繪制其最佳擬合曲線圖，結(jié)果如圖2所示。

表3 葉綠素含量估算與驗(yàn)證模型

所有估算模型和驗(yàn)證模型均通過置信水平為0.01的檢驗(yàn)；T：訓(xùn)練樣本，V：驗(yàn)證樣本

圖2 基于Vog1葉綠素最佳估算模型Fig.2 The best chlorophyll content estimation model based on Vog1

2.3.2 葉綠素含量估算模型驗(yàn)證

表3分析表明Vog1和Vog2能較高的估算秋茄葉綠素含量，且對(duì)生長期敏感性較低，并以Vog1為例獲取最佳估算模型散點(diǎn)圖。在此，利用驗(yàn)證樣本對(duì)Vog1的估算精度進(jìn)一步驗(yàn)證，結(jié)果如圖3所示。圖3可以看出，無論是2013年4月，還是7月，Vog1均能根據(jù)建立的模型對(duì)驗(yàn)證樣本進(jìn)行較好的預(yù)測(cè)。

圖3 基于Vog1葉綠素的預(yù)測(cè)模型Fig.3 Validation of models for chlorophyll content estimation based on Vog1

3 結(jié)論與討論

(1)秋茄葉片反面反射率高于正面，尤其在綠光波段和近紅外波段部分區(qū)域(1450—2450 nm)表現(xiàn)較為明顯。產(chǎn)生這一現(xiàn)象的原因可能是葉片反面有較為發(fā)達(dá)的氣孔組織，從而形成許多空腔，在此條件下，使得其具有更大的反射表面，最終導(dǎo)致葉片反面反射率高于正面反射率。

(2)本研究認(rèn)為利用室內(nèi)實(shí)測(cè)高光譜遙感數(shù)據(jù)估算秋茄葉片葉綠素含量時(shí)，以單位面積葉綠素含量表征時(shí)具有更好的估算精度。這一現(xiàn)象可以從輻射傳輸理論得到解釋。一般認(rèn)為，光線在葉片的消光作用分為散射和吸收，其分散和吸收程度與光線在葉片內(nèi)通過的光程有關(guān)，而葉片表面的光澤又與單位面積內(nèi)的散射吸收物質(zhì)直接相關(guān)[21]。另一方面，不同葉片或同一葉片的不同部位，其葉片厚度也并非均質(zhì)的，即使有葉片質(zhì)量相同，但其表面積卻不盡相同，從而使得單位質(zhì)量葉綠素反演的精度受到影響。

(3)TCARI、Vog1、Vog2和Vog3可以較好的用于秋茄葉片葉綠素估算。之前學(xué)者嘗試?yán)肞ROSPECT+SAIL模型，基于實(shí)測(cè)數(shù)據(jù)對(duì)各參數(shù)的葉片結(jié)構(gòu)敏感性進(jìn)行的探討，研究結(jié)果證明Vog對(duì)葉片結(jié)構(gòu)變化比較不敏感[1,21]。本研究中Vog在估算秋茄葉片葉綠素時(shí)也得到類似的結(jié)論。TCARI雖然對(duì)秋茄葉片正反面光譜敏感，但其在不同季節(jié)，基于正面光譜其均有較高的估算精度。

(4)對(duì)于部分參數(shù)而言，利用高光譜遙感數(shù)據(jù)對(duì)其葉綠素進(jìn)行估算時(shí)可以適當(dāng)考慮反面光譜的應(yīng)用。如大部分情況下，基于反面光譜計(jì)算的GM、Carter2和PSSRb對(duì)秋茄葉片葉綠素估算精度要高于基于正面光譜的。

(5)NDVI和MCRAI對(duì)秋茄葉片葉綠素含量估算的精度相對(duì)較低。這主要是因?yàn)樗鼈儗?duì)葉片結(jié)構(gòu)較為敏感，且具有易飽和的特點(diǎn)，在葉綠素高于40 μg時(shí)，線性關(guān)系消失[21]。

(6)本研究主要是基于室內(nèi)實(shí)測(cè)光譜進(jìn)行秋茄葉綠素估算得到的初步結(jié)果。但在實(shí)際工作中利用遙感數(shù)據(jù)對(duì)秋茄葉綠素進(jìn)行估算時(shí)，其還受到葉片角度、冠層結(jié)構(gòu)和土壤背景等的影響，且光譜在大氣傳輸中也會(huì)一定程度受到影響。因此，所得的結(jié)果還有待進(jìn)一步驗(yàn)證。

[1] Yan C Y, Niu Z, Wang J H, Liu Y L, Huang W J. The assessment of spectral indices applied in chlorophyll content retrieval and a modified crop canopy chlorophyll content retrieval model. Journal of Remote Sensing, 2005, 9(6): 742- 750.

[2] Meng Q Y, Dong H, Qin Q M, Wang J L, Zhao J H. MTCARI: A kind of vegetation index monitoring vegetation leaf chlorophyll content based on hyperspectral remote sensing. Spectroscopy and Spectral Analysis, 2012, 32(8): 2218- 2222.

[3] Wang X Z. The Study on Spectral Remote Sensing Estimation Models about Bio-physical and Bio-chemical Parameters of Rice [D]. Hangzhou: Zhejiang University, 2001.

[4] Zarco-Tejada P J, Miller J R, Mohammed G H, Noland T L, Sampson P H. Canopy optical indices from infinite reflectance and canopy reflectance models for forest condition monitoring: application to hyperspectral CASI data // Proceedings of the IEEE 1999 International Geoscience and Remote Sensing Symposium. Hamburg: IEEE, 1999: 1878- 1881.

[5] Zarco-Tejada P J, Morales A, Testi L, Villalobos F J. Spatio-temporal patterns of chlorophyll fluorescence and physiological and structural indices acquired from hyperspectral imagery as compared with carbon fluxes measured with eddy covariance. Remote Sensing of Environment, 2013, 133: 102- 115.

[6] Boegh E, Houborg R, Bienkowski J F, Braban C F, Dalgaard T, Van Dijk N, Dragosits U, Holmes E, Magliulo V, Schelde K, Di Tommasi P, Vitale L, Theobald M R, Cellier P, Sutton M. Remote sensing of LAI, chlorophyll and leaf nitrogen pools of crop-and grasslands in five European landscapes. Biogeosciences Discussions, 2012, 9(8): 10149- 10205.

[7] Zarco-Tejada PJ, Miller J R, Morales A, Berjón A, Agüera J. Hyperspectral indices and model simulation for chlorophyll estimation in open-canopy tree crops. Remote Sensing of Environment, 2004, 90(4): 463- 476.

[8] Zhang X Z, Zheng G Q, Dai Y B, Li G Q, Hu F. Estimation models of summer maize leaf pigment content based on canopy reflectance spectra. Journal of Maize Sciences, 2010, 18(6): 55- 60.

[9] Zhao G F, Li J, Liu B F, Tahir M N. Monitoring model of leaf nitrogen content of winter wheat in guanzhong district by hyperspectral remote sensing. Journal of Triticeae Crops, 2012, 32(3): 530- 536.

[10] Williams G J. Estimating Chlorophyll Content in a Mangrove Forest Using a Neighbourhood Based Inversion Approach [D]. Enschede: University of Twente, 2012.

[11] Liu J Q. Research of Minjiang River Estuary wetland. Beijing: Science Press, 2006.

[12] Zou Q. Experiment Guidance of Plant Physiology. Beijng: China Agriculture Press, 2000.

[13] Vogelmann J, Rock B, Moss D. Red edge spectral measurements from sugar maple leaves. International Journal of Remote Sensing, 1993, 14(8): 1563- 1575.

[14] Gitelson A A, Merzlyak M N. Remote estimation of chlorophyll content in higher plant leaves. International Journal of Remote Sensing, 1997, 18(12): 2691- 2697.

[15] Blackburn G A. Spectral indices for estimating photosynthetic pigment concentrations: a test using senescent tree leaves. International Journal of Remote Sensing, 1998, 19(4): 657- 675.

[16] Carter G A. Ratios of leaf reflectances in narrow wavebands as indicators of plant stress. International Journal Remote Sensing, 1994, 15(3): 697- 703.

[17] Lichtenthaler H K, Gitelson A, Lang M. Non-destructive determination of chlorophyll content of leaves of a green and an aurea mutant of tobacco by reflectance measurements. Journal of Plant Physiology, 1996, 148(3/4): 483- 493.

[18] Daughtry C S T, Walthall C L, Kim M S, De Colstoun E B, McMurtrey J E III. Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment, 2000, 74(2): 229- 239.

[20] Gamon J A, Serrano L, Surfus J S. The photochemical reflectance index: an optical indicator of photosynthetic radiation use efficiency across species, functional types, and nutrient levels. Oecologia, 1997, 112(4): 492- 501.

[21] Niu Z, Wang C Y. Remote Sensing Applications for Carbon Cycle. Beijing: Science Press, 2008.

參考文獻(xiàn):

[1] 顏春燕, 牛錚, 王紀(jì)華, 劉良云, 黃文江. 光譜指數(shù)用于葉綠素含量提取的評(píng)價(jià)及一種改進(jìn)的農(nóng)作物冠層葉綠素含量提取模型. 遙感學(xué)報(bào), 2005, 9(6): 742- 750.

[2] 孟慶野, 董恒, 秦其明, 王金梁, 趙江華. 基于高光譜遙感監(jiān)測(cè)植被葉綠素含量的一種植被指數(shù) MTCARI. 光譜學(xué)與光譜分析, 2012, 32(8): 2218- 2222.

[3] 王秀珍. 水稻生物物理與生物化學(xué)參數(shù)的光譜遙感估算模型研究 [D]. 杭州: 浙江大學(xué), 2001.

[8] 張學(xué)治, 鄭國清, 戴廷波, 李國強(qiáng), 胡峰. 基于冠層反射光譜的夏玉米葉片色素含量估算模型研究. 玉米科學(xué), 2010, 18(6): 55- 60.

[9] 趙剛峰, 李軍, 劉冰峰, Tahir M N. 關(guān)中冬小麥葉片氮素含量高光譜遙感監(jiān)測(cè)模型. 麥類作物學(xué)報(bào), 2012, 32(3): 530- 536.

[11] 劉劍秋. 閩江河口濕地研究. 北京: 科學(xué)出版社, 2006.

[12] 鄒琦. 植物生理學(xué)實(shí)驗(yàn)指導(dǎo). 北京: 中國農(nóng)業(yè)出版社, 2000.

[21] 牛錚, 王長耀. 碳循環(huán)遙感基礎(chǔ)與應(yīng)用. 北京: 科學(xué)出版社, 2008.

Estimating the chlorophyll content ofKandeliacandelbased on hyper-spectral remote sensing in the Min River Estuarine wetland

ZHANG Wenlong1,2, ZENG Congsheng1,2,3,*, GAO Dengzhou1,2, HU Weifang1,2, CHEN Xiaoyan1, LIN Wei1

1Schoolofgeographicalsciences,FujianNormalUniversity,Fuzhou350007,China2ResearchCenterofWetlandsinSubtropicalRegion,Fuzhou350007,China3KeyLaboratoryofHumidSubtropicalEco-geographicalProcess(FujianNormalUniversity),MinistryofEducation,Fuzhou350007,China

Kandeliacandelis widely distributed in tropical and subtropical region, and plays a key role in maintaining wetland function. Chlorophyll content is necessary for studying productivity and photosynthesis of vegetation, which can also indicates the healthy condition of vegetation living in a stressed environment. Remote sensing techniques offer timely, up-to-date, and relatively accurate information such as biomass, leaf area index and chlorophyll content of wetland vegetation. Although plenty research efforts on estimating chlorophyll content from spectral reectance measurements have been mainly focused on forest and crop ecosystems. However, very limited work has been done at wetland vegetation. The aim of this study was to estimate the chlorophyll content ofK.candelbased on hyper-spectral remote sensing data. This study was carried out in the Min River Estuary, which is one of the most important estuarine wetlands in Southeast China. The laboratory spectral reflectance ofK.candelleaves (front and back) was determined by ASD FieldSpec2500 in April, 2013 and July, 2013, and the leaf chlorophyll content (two dimensional) was measured simultaneously. Thirteen parameters including visible ratios (NPCI and PRI1), visible/NIR ratios (NDVI, Lic2, TCARI, MCRAI and PSSRa) and red edge reflectance-ratio (Vog1, Vog2, Vog3, GM, Catter2 and CI) indices, were used to establish the estimation models. The results showed that the reflectance of leaf back was higher than that of leaf front, especially more obvious in green band and part of the near infrared band (1450—2450 nm). The correlation coefficients between chlorophyll content and most of the parameters were higher when selecting area instead of quality as dimension. And the most of the parameters calculated by leaf front reflectance had higher correlation coefficient with chlorophyll content than that of leaf back. Besides, we also observed that Vog1, Vog2 and Vog3 not only had higher correlation coefficient with chlorophyll content, but were also slightly affected by leaf growth phase and structure. The limitations of using NDVI for estimation of chlorophyll content had been reported in the literature, and NDVI also had lower correlation coefficient with chlorophyll content ofK.candelleaves. Consequently, TCARI, Vog1, Vog2 and Vog3 calculated by leaf front reflectance and the chlorophyll content in per unit area were selected to establish the estimation and validation models. The root means square error (RMSE) of estimation models ranged from 4.93 μg/cm2to 10.24 μg/cm2, while it ranged from 4.17 μg/cm2to 9.56 μg/cm2in validation models. These results indicated that TCARI, Vog1, Vog2 and Vog3 were the most useful parameters to estimate the chlorophyll content ofK.candelduring different growth periods. In addition, GM, Carter2, PSSRb generally had higher correlation coefficient with chlorophyll content when they were calculated by leaf back reflectance, which indicated that we should consider using leaf back reflectance when we choose GM, Carter2, PSSRb to estimate chlorophyll content ofK.candelleaves. To some extent, it can be concluded that remote sensing technology could play a vital role in the chlorophyll content retrieval ofK.candelby laboratory spectral reflectance.

chlorophyll; hyper-spectral;Kandeliacandel; Min River Estuary

國家基礎(chǔ)科學(xué)人才培養(yǎng)基金(J1210067); 福建師范大學(xué)地理科學(xué)學(xué)院研究生創(chuàng)新基金

2013- 09- 26; 網(wǎng)絡(luò)出版日期:2014- 03- 13

10.5846/stxb201309262374

*通訊作者Corresponding author.E-mail: cszeng@fjnu.edu.cn

章文龍，曾從盛，高燈州，胡偉芳，陳曉艷，林偉.閩江河口濕地秋茄葉綠素含量高光譜遙感估算.生態(tài)學(xué)報(bào),2014,34(21):6190- 6197.

Zhang W L, Zeng C S, Gao D Z, Hu W F, Chen X Y, Lin W.Estimating the chlorophyll content ofKandeliacandelbased on hyper-spectral remote sensing in the Min River Estuarine wetland.Acta Ecologica Sinica,2014,34(21):6190- 6197.