葉表面偏振反射測量對冬小麥氮含量高光譜估算的提升

林 沂，劉思遠，晏 磊，馮海寬，趙帥陽，趙紅穎*

1.北京大學(xué)地球與空間科學(xué)學(xué)院空間信息集成與3S工程應(yīng)用北京市重點實驗室，北京 100871 2.北京農(nóng)業(yè)信息技術(shù)研究中心，北京 100097

引 言

氮元素是植被的生命元素，是陸地碳氮循環(huán)動力學(xué)的基本要素之一，其含量可有效反映陸地生態(tài)系統(tǒng)狀況。冬小麥等農(nóng)作物中的氮含量可作為評估長勢、健康狀況和產(chǎn)量的重要指標，其實時監(jiān)測有利于提高肥料利用率和減少環(huán)境污染[1]。傳統(tǒng)的測氮方法成本較高、耗時耗力，同時對作物具有破壞性，而高光譜遙感為各個生長時期農(nóng)作物氮含量的監(jiān)測提供了高效便捷的途徑[2]。

遙感反演植被氮含量的方法可分為三類，即光譜回歸法、植被指數(shù)法和輻射傳輸模型法[3]。由于輻射傳輸模型法參數(shù)眾多、形式復(fù)雜，效率、精度等表現(xiàn)有時反而不如經(jīng)驗或半經(jīng)驗類方法；光譜回歸法直接利用植被光譜反射率或其各種變換形式作為自變量，往往表現(xiàn)為構(gòu)建氮含量的多元回歸模型，常用方法包括逐步回歸法、連續(xù)統(tǒng)去除、光譜導(dǎo)數(shù)法、偏最小二乘回歸法、小波分析、神經(jīng)網(wǎng)絡(luò)等[3-5]。偏最小二乘回歸可大幅消除高光譜自變量高度共線性的問題，且篩選出的少量潛在因子有效避免了過擬合回歸，因此廣泛應(yīng)用于植被氮含量高光譜估算[1,4]。植被指數(shù)法利用不同波段之間的組合構(gòu)建植被指數(shù)，并利用模型建立氮含量與一個或多個指數(shù)的關(guān)系，這種方法在地面測量、機載和星載遙感模式[6]均被證明有較好的預(yù)測結(jié)果。此外，氮在植被中部分存在于葉綠素，相應(yīng)蛋白質(zhì)的吸收譜段集中在短波紅外[5]，因此短波紅外是反演植被氮含量極具潛力的譜段。

然而在冠層光譜探測過程中，傳感器接收到的能量不僅包含光線在植株葉、莖等器官內(nèi)部多次散射后被探測到的能量，也包含光線在葉片表面發(fā)生鏡面反射而沒有進入器官內(nèi)部的能量[7]；只有前者包含植株的生物化學(xué)組分含量信息，而后者只與葉片表面的結(jié)構(gòu)與光學(xué)特性相關(guān)[8]。因此，目前的常規(guī)遙感觀測直接利用冠層反射率對植被生化含量(如氮含量)進行遙感估算存在較大不確定性，應(yīng)考慮將表面反射去除。而表面鏡面反射光為部分偏振光，利用偏振遙感手段可以達到部分去除葉表面直接反射的目的。

Li等[9]通過實驗室環(huán)境下的偏振測量證明去除葉表面直接鏡面反射會提升葉片葉綠素和類胡蘿卜素的反演精度。本工作通過田間作物冠層的偏振測量，利用光譜回歸法和植被指數(shù)法，分別討論部分偏振反射對冬小麥植株氮含量(plant nitrogen content,PNC)高光譜估算的影響，并與現(xiàn)有考慮表面反射方法的有效性和穩(wěn)定性進行比較，為去除表面反射并用以提升植被氮含量遙感反演精度提供參考。

1 實驗部分

1.1 偏振光譜采集與數(shù)據(jù)處理

1.1.1 冠層光譜采集與預(yù)處理

冬小麥冠層的偏振-高光譜測量在北京市昌平區(qū)小湯山國家精準農(nóng)業(yè)示范基地內(nèi)的試驗田(40.18°N,116.44°E)進行。實驗覆蓋了冬小麥的四個主要生長期，分別為拔節(jié)期(2017年4月12日)，挑旗期(2017年4月26日)，開花期(2017年5月11日)和灌漿期(2017年5月26日)。

試驗田分為16個緊鄰的冬小麥樣區(qū)(如圖1)，包括2個品種和4個氮素水平。2個品種為輪選167和京冬18；4個氮素水平分別為未施尿素(0，N1)、195 kg·hm-2尿素(1/2正常，N2)、390kg·hm-2尿素(正常，N3)、585 kg·hm-2尿素(3/2正常，N4)；如此處理并設(shè)置2個重復(fù)(1—8區(qū)和9—16區(qū))，得到16個樣區(qū)。實驗測量了不同時期共計48個樣本(拔節(jié)期16個區(qū)，挑旗期8個區(qū)，開花期16個區(qū)，灌漿期8個區(qū))的冬小麥光譜與偏振光譜，測量均在天空晴朗無云的條件下進行。

光譜測量所采用的儀器為ASD SpecField 3 便攜式地物光譜儀，探測光纖視場角為25°，可獲取1 nm光譜分辨率的350～2 500 nm光譜。各生長期的光譜測量集中在上午10:00—11:00，16個區(qū)的無偏與偏振測量在0.5 h內(nèi)完成。測量方向為天底方向，探頭距冠層頂端約40 cm，得到約17 cm直徑的探測視場。測量過程中使用的白板為99%反射率的標準白板。在探頭前安裝可旋轉(zhuǎn)的偏振片可得到不同旋轉(zhuǎn)角度下的偏振態(tài)光譜，偏振片材質(zhì)為光學(xué)方解石，消光比為100 000∶1；玻片架型號為GCM-0902M，用以固定并旋轉(zhuǎn)偏振片。

圖1 研究區(qū)不同狀況的樣田Fig.1 Sample fields with different situations

測量得到的冠層反射光譜為天底方向的雙向反射率因子(bidirectional reflectance factor,BRF)，即在同樣的入射光照條件下，天底方向探測到的冠層輻亮度與同一時刻99%白板輻亮度的比值。由于大氣水分吸收，探測信號在1 350～1 400與1 800～1 950 nm的噪聲較大，儀器自身信號在2 350～2 500 nm之間也有較大噪聲，因此將這三部分譜段的BRF去除；采用3階多項式和35點平滑的Savitzky-Golay濾波對光譜進行平滑，最終得到1 798個波段的BRF。

1.1.2 偏振數(shù)據(jù)處理與偏振效應(yīng)剔除

光纖探測到的輻射可分為偏振部分和非偏振部分。對應(yīng)于BRF，則可表示為

BRF=pBRF+dBRF

(1)

其中，偏振反射率(polarized BRF,pBRF)定義為探測到的輻射中，偏振部分所對應(yīng)的反射率因子；散射反射率(diffused BRF,dBRF)則表示非偏振部分所對應(yīng)的反射率因子，因此dBRF即為部分去除表面反射的部分，且相對于BRF，dBRF應(yīng)與植株生化組分含量更加相關(guān)。

實驗測量和偏振效應(yīng)剔除基于以下假設(shè)：

探測視場范圍內(nèi)不可避免的存在少量土壤背景，由于密集的冠層遮蓋，這些背景全部為陰影土壤。

陰影土壤所產(chǎn)生的反射輻射為非陽光直射下的多次散射輻射，是非偏振的；而偏振只產(chǎn)生于陽光直射下的單次鏡面反射，與光照葉面積相關(guān)[10]，因此實驗中的偏振反射信息僅來自于陽光在冠層表面(主要是葉表)發(fā)生的鏡面反射，不來自土壤背景。

pBRF由BRF與偏振度(degree of polarization,DOP)的乘積得到，因此若已知DOP，則dBRF可直接由下式得到

dBRF=BRF·(1-DOP)

(2)

利用偏振片進行偏振光譜探測的過程即為獲取DOP的過程。從地物表面反射而來的光I經(jīng)過主光軸與振動方向夾角(即偏振片的任意旋轉(zhuǎn)角)為φ的偏振片時，其光強I(φ)的改變可以用式(3)表示

I(φ)=0.5(I+Qcos2φ+Usin2φ)

(3)

式(3)中，I，Q和U為描述光的偏振態(tài)的三個Stokes矢量，分別代表反射光的光強、水平方向的線偏振光分量和45°方向的線偏振光分量。Stokes矢量的第四個分量為右旋圓偏振光分量V，但圓偏振分量在自然光中可忽略不計。由此可知，當(dāng)旋轉(zhuǎn)偏振片為至少任意三個角度探測后，即可獲得Stokes矢量。本文利用Fessenkov方法，即令φ取任意相對方向的0°，60°，120°三個角度計算得到Stokes矢量，進而得到偏振度DOP

(4)

偏振反射率在可見光至短波紅外譜段具有光譜不變特性[7]，即其只取決于葉片表面光學(xué)特性而不隨波長變化；而實驗所用的偏振片在可見光范圍(約400～700 nm)可保持較高的偏振探測精度，700 nm之后的探測信號噪聲較大，因此使用450～650 nm范圍內(nèi)pBRF的均值作為350～2 500 nm全波段的偏振反射率。

1.2 冬小麥植株氮含量測定

在各生長期的各樣區(qū)破壞性選取具有代表性的20株冬小麥，進行器官分離后放入烘干箱在105 ℃殺青30 min，然后在80 ℃烘干48 h以上至干重恒定，最后對各器官進行稱重、粉碎，采用凱式定氮儀對作物各器官進行氮質(zhì)量分數(shù)測定。PNC由以下步驟確定：

(1) 計算各器官(葉、莖、穗，其中拔節(jié)、挑旗兩期無穗)的氮累積量，如：葉氮累計量=葉氮含量×葉生物量；

(2) 計算植株氮累計量=葉氮累積量+莖氮累積量+穗氮累積量；

(3) 計算植株氮含量：PNC=植株氮累積量/(葉生物量+莖生物量+穗生物量)。

1.3 植被氮含量遙感估算模型

分別評估表面偏振反射對光譜回歸法和植被指數(shù)(vegetation index,VI)法植被氮含量估算的影響。光譜回歸法中使用的是間隔偏最小二乘回歸(interval partial least square,iPLSR)。

1.3.1 間隔偏最小二乘回歸

與偏最小二乘回歸(PLSR)相比，iPLSR將全波段等分為若干個間隔，以這些間隔對因變量分別進行PLSR回歸的交叉驗證均方根誤差(root mean square error of cross validation,RMSECV)作為判據(jù)，篩選出RMSECV小于全波段PLSR的RMSECV的間隔，可表達為

int_selected=find(RMSECVint_p≤RMSECVglobal),

p=1,…,s

其中，int_selected為篩選出的間隔集合，s為設(shè)定的總間隔數(shù)，RMSECVint_p表示第p個間隔的誤差，RMSECVglobal表示全波段PLSR的誤差。進而，再利用int_selected對應(yīng)的波段進行最后的偏最小二乘回歸

(5)

(6)

式中y和x分別代表n個樣本因變量(本工作n=48)和篩選出的m維自變量；tik表示由高光譜提取的潛在因子，其數(shù)量為r；βk和β0分別為關(guān)于潛在因子的回歸系數(shù)與截距；wkj為各潛在因子tik對于m維自變量的權(quán)重。應(yīng)注意到，這里使用的m個自變量選自篩選出的間隔所包含的波段，而不再是全部1 798個波段，因此iPLSR可有效避免使用對因變量回歸誤差較大的“噪聲波段”，進而獲得比偏最小二乘回歸更高的預(yù)測精度。

根據(jù)表面反射的光譜不變特性，光譜一階導(dǎo)數(shù)也能消除表面反射及土壤背景影響[5]，因此，偏振方法與光譜一階導(dǎo)數(shù)法的PNC估算結(jié)果也將加以比較。分別將1 798個BRF光譜值，和1795個BRF一階導(dǎo)數(shù)光譜值(first derivative BRF,derBRF)在iPLSR算法中分為40個間隔，每個間隔有44或45個光譜值，如表1。

表1 iPLSR 40個光譜間隔信息Table 1 The parameters for 40 intervals of iPLSR

1.3.2 植被指數(shù)

從比值類(simple ratio,SR)、歸一化差分類(normalized differential,ND)和其他相關(guān)類三類典型植被指數(shù)中[9,11-12]，分別選取幾種常用的具有代表性的指數(shù)(表2)，作為PNC的預(yù)測因子，并評價偏振反射對其估算效果的影響。同時，改進植被指數(shù)(modified VI,mVI)mSR和mND[11]考慮到了葉片表面反射，并將445 nm處的植被冠層反射率作為表面反射率進行剔除。因此，也比較了偏振方法與mSR和mND對PNC的估算效果。

表2 7個植被指數(shù)及定義Table 2 Seven vegetation indexes and their definitions

其他相關(guān)類指數(shù)為考慮其他因素且被證明與植株氮含量相關(guān)的、又不屬于前二類的植被指數(shù)，包括優(yōu)化土壤可調(diào)植被指數(shù)OSAVI[4]，和考慮到短波紅外N吸收波段的歸一化氮指數(shù)NDNI[3]。

1.3.3 精度評價與驗證

光譜回歸法中，采用4折系統(tǒng)化交叉驗證法的均方根誤差RMSECV作為iPLSR中篩選波段的判據(jù)與評價估算精度的指標，并以相關(guān)系數(shù)(Cor)表示預(yù)測值與測量值的關(guān)系；植被指數(shù)法中，利用模型決定系數(shù)(R2)和相對均方根誤差(relative RMSE,RRMSE)評價模型精度。

2 結(jié)果與討論

2.1 全波段反射率與PNC的相關(guān)性分析

冠層BRF在可見光與短波紅外譜段與PNC呈現(xiàn)顯著負相關(guān)關(guān)系(虛線代表0.05顯著性水平)，其中在可見光范圍較明顯(0.6

剔除表面偏振反射后，全波段dBRF與PNC的相關(guān)性整體趨勢未變，但在吸收較強的可見光譜段，其對于PNC的相關(guān)性有較明顯的提升(圖2)，如在藍光波段，相關(guān)系數(shù)Cor由0.68提升至0.72；而在其他譜段，相關(guān)性僅存在微小的提升。

圖2 PNC與BRF，dBRF，derBRF光譜的相關(guān)系數(shù)Fig.2 Correlation coefficients between PNC,BRF,dBRF and derBRF

一階導(dǎo)光譜derBRF與PNC的相關(guān)性在整個譜段無明顯規(guī)律，相關(guān)波段的數(shù)量也較BRF有所減少，主要集中在可見光和短波紅外的部分區(qū)域，且部分相關(guān)波段的相關(guān)性明顯強于BRF(在短波紅外1 750 nm處Cor可達0.9)。

2.2 光譜回歸法

2.2.1 去除偏振對iPLSR模型估算能力的提升

對于BRF和dBRF光譜，iPLSR篩選出的間隔相同，間隔編號為2，3，4，6，27，29和30，對應(yīng)的波長為395～529，575～619，1 571～1 615和1 661～1 750 nm，共308個波段(即式(6)中m=308)，主要集中于可見光和短波紅外譜段，這與氮存在的主要場所葉綠素和蛋白質(zhì)的吸收譜段吻合。以去除偏振反射后的dBRF光譜為例(圖3，每個誤差棒下的數(shù)字代表利用該間隔進行PLSR時利用的潛在因子)，其全譜段PLSR誤差RMSECVglobal為0.40%(圖中虛線)，篩選出的7個間隔的RMSECVint_p如表3，說明利用這些間隔進行PNC的估算將有效降低誤差。

圖3 dBRF光譜40個間隔的RMSECV分布與篩選Fig.3 RMSECV distribution and selection of 40 intervals using dBRF

利用BRF與dBRF中篩選出的波段，分別進行48個樣區(qū)PNC的偏最小二乘建模，并進行估算和精度評價，得到的PNC預(yù)測結(jié)果如圖4(a)和(b)?？梢钥闯?，去除偏振反射后，預(yù)測-測量值的Cor由0.93升至0.96，RMSECV則由0.30%降至0.23%，誤差減小幅度為23%，證明了去除偏振反射的方法對冬小麥PNC的估算能力具有提升作用。此外，通過利用iPLSR，RMSECVBRF和RMSECVdBRF相比于RMSECVglobal有顯著降低的同時，對于7個篩選間隔的RMSECVint_p也有優(yōu)化，這證明了iPLSR用于PNC回歸的有效性。

2.2.2 光譜導(dǎo)數(shù)法PNC估算

利用derBRF進行iPLSR的過程中，篩選出的是編號為2，3，27，29和30的間隔，對應(yīng)波長為395～484，1 571～1 615和1 661～1 750 nm，共220個波段。由于derBRF對于PNC的相關(guān)波段較少(圖2)，篩選出的波段也較BRF與dBRF的少，但相關(guān)波段的分布與BRF與dBRF一致，集中在藍光波段與短波紅外波段，再次證明了這些譜段用于PNC遙感估算的適用性。利用derBRF進行PNC估算的預(yù)測-測量值Cor為0.95，RMSE為0.25%[圖4(c)]，證明相對于BRF光譜(RMSE=0.30%)，derBRF達到了抑制背景噪聲和表面反射的影響的效果，估算能力具有明顯提升，但估算效果依然不如剔除表面偏振反射的dBRF光譜(RMSE=0.23%)。

圖4 光譜回歸法進行PNC估算的預(yù)測-測量值及其回歸分析(a)：BRF；(b)：dBRF；(c)：derBRFFig.4 PNC estimation-measurement plots and their regression analysis(a)：BRF；(b)：dBRF；(c)：derBRF

表3 篩選出的間隔及間隔的RMSECVTable 3 Selected intervals and corresponding RMSECV

2.3 植被指數(shù)法

2.3.1 各生長期VI估算適用性

類似于光譜回歸法，首先將4個生長期的48個樣區(qū)光譜計算得到的7個VI，統(tǒng)一進行PNC-VI的一元線性模型構(gòu)建，得到的7個PNC-VI模型中僅ND680(NRI)與NDNI的R2大于0.5，有較好的模型可決性；而其余6個VI及4個mVI的模型可決性較差(0.07≤R2≤0.49，表4)。但以ND705_BRF的PNC-VI為例，雖然整體線性模型決定系數(shù)僅為0.36，但拔節(jié)與挑旗期、開花與灌漿期有明顯的線性聚集現(xiàn)象，對兩類分別進行線性回歸后模型可決系數(shù)升至0.51和0.76(圖5)，這是由于在挑旗期和開花期之間(5月初至中旬)，冬小麥經(jīng)歷了抽穗階段，由拔節(jié)和挑旗期的無穗狀態(tài)轉(zhuǎn)為開花和灌漿期的有穗狀態(tài)，使得植株的形態(tài)結(jié)構(gòu)發(fā)生變化(圖5)。因此，利用VI進行冬小麥PNC估算時，不宜將所有生長期的VI統(tǒng)一進行建模，而應(yīng)考慮植株形態(tài)。

表4 所有生長期各類PNC-VI模型精度Table 4 Accuracy of PNC-VI models in all of growth periods

*表示模型關(guān)系在0.01水平下顯著(下同)

* Significant at 0.01 level (the same below)

圖5 所有生長期；拔節(jié)、挑旗期；開花、灌漿期的PNC-ND705_BRF線性模型Fig.5 PNC-ND705_BRF linear models for the growth stages of jointing,flagging,flowering and grain-filling

2.3.2 去除偏振對分期VI模型估算能力的提升

利用BRF與dBRF分別對拔節(jié)、挑旗期和開花、灌漿期構(gòu)建PNC-VI線性模型，結(jié)果見表5與表6。從BRF來看，開花、灌漿期的VI模型決定性較好，R2普遍高于0.65，其中ND680(NDVI)，ND705和OSAVI的模型R2分別達到0.78,0.76和0.77，且RRMSE在11%以內(nèi)，適合作為PNC的預(yù)測因子。相較而言，拔節(jié)、挑旗期的VI模型R2較低，普遍在0.4～0.55之間，但依然可以體現(xiàn)一定的決定性，RRMSE均在14%以內(nèi)。其中SR705與NDNI的模型決定系數(shù)分別為0.51和0.54，且RRMSE小于13%，適合選做拔節(jié)、挑旗期的PNC預(yù)測因子。

剔除表面偏振反射后，模型R2和RRMSE的表現(xiàn)均有小幅優(yōu)化，開花、灌漿期中ND680(NDVI)，ND705和OSAVI的模型R2分別提升為0.79，0.77和0.78，RRMSE也有0.2%左右的降低；拔節(jié)、挑旗期的SR705與NDNI的模型R2分別提升至0.52和0.55，RRMSE同樣有所降低。mVI的預(yù)測模型表現(xiàn)較不穩(wěn)定，模型誤差除在拔節(jié)、挑旗期的SR705和ND705表現(xiàn)為優(yōu)于dBRF光譜對應(yīng)的VI以外，其他情況均不如后者。相反，dBRF-VI在所有三類植被指數(shù)中的預(yù)測決定性和誤差均優(yōu)于BRF-VI光譜，雖然dBRF光譜只是去除部分表面反射，但已經(jīng)體現(xiàn)出較好的穩(wěn)定性。

表5 拔節(jié)、開花期各類PNC-VI模型精度Table 5 PNC-VI model accuracy for jointing and flagging stages

表6 開花、灌漿期各類PNC-VI模型精度Table 6 PNC-VI model accuracy for flowing and grain-filling stages

2.4 討論

偏振反射的光譜不變性使得pBRF在植被強反射譜段所占比例小，而在植被吸收譜段占比較大(圖6)。植被的吸收譜段集中于可見光和短波紅外區(qū)域，它們的主要吸收物質(zhì)分別為葉綠素和干物質(zhì)，因而這兩譜段的反射光是與這些物質(zhì)內(nèi)的元素(如氮)作用后的結(jié)果，導(dǎo)致這兩個區(qū)段的反射率與PNC有較強的相關(guān)性(圖2)，用于估算PNC時誤差較小(圖3)。偏振反射在可見光譜段(350～700 nm)平均占總反射的5%～18%(最高可達45%)，在短波紅外的1 400～1 700 nm平均占比3%，在1 900～2 300 nm平均占比7%(最高達25%)，因而吸收波段的偏振效應(yīng)不可忽略，甚至可能在可見光反射中起主導(dǎo)作用。在這些譜段中剔除偏振效應(yīng)，實際上是從純化和糾正植被反射光譜的角度更客觀的認識植被生化物質(zhì)對光的吸收量的過程，這對于植被生化組分反演十分重要。

圖6 偏振反射在總反射中所占比例的平均值-標準差Fig.6 Average-standard deviation plot of proportion of polarized reflection in general reflection

445 nm反射率被當(dāng)做表面反射在本工作被證實具有較大的局限性，因為445 nm同時為葉綠素和類胡蘿卜素的吸收峰[12]，445 nm反射率雖然被表面反射主導(dǎo)，但真正從葉片內(nèi)部反射出的能量很大程度上指示了葉綠素和類胡蘿卜素的含量，進而反映了生化元素組分含量。因此剔除表面反射能完全保留這部分具有生化指示作用的反射能量，這也是偏振探測相對于mVI在預(yù)測PNC方面的優(yōu)勢所在。同時，圖2中展示的dBRF相對于BRF的氮含量相關(guān)性在藍光譜段的較顯著提升，也正是由于445 nm附近的BRF由偏振反射主導(dǎo)造成。根據(jù)菲涅爾反射定律，對于視場內(nèi)勻質(zhì)性較好的表面，表面反射可由偏振反射率精確預(yù)估，此方法已用于室內(nèi)測量偏振反射對葉片組分含量估算的影響評估[9]。而本研究的探測視場內(nèi)為結(jié)構(gòu)復(fù)雜的冬小麥冠層，其葉片傾角取向任意，直接考慮入射-觀測幾何并由偏振反射率估算得到表面反射率具有很大不確定性，因此并未考慮完全去除表面反射，而是僅評估偏振反射部分帶來的影響。同時應(yīng)注意到，是天底方向?qū)嶒炦M行的的冠層反射率因子測量，而偏振反射率在天底方向較小(<4%)，因此在精度方面(尤其是植被指數(shù)法)帶來的小幅提升合情合理。偏振反射會隨入射-觀測相位角的增大而顯著增大[7]，因此會給前向觀測尤其是大角度觀測帶來更大影響。實際遙感過程往往無法控制觀測在天底方向進行，因此偏振探測勢必能為植被參量反演精度帶來更大提升。

本工作基于一個全部陰影土壤背景的假設(shè)，因此多次散射的土壤背景不產(chǎn)生偏振效應(yīng)。但實際測量過程中無法避免視場內(nèi)零星的光照土壤出現(xiàn)，尤其是拔節(jié)、挑旗期冬小麥植株高度和葉片寬度有限，冠層也不如開花、灌漿期茂盛，光照土壤出現(xiàn)的概率較大，這也是造成拔節(jié)、挑旗期VI模型決定性較差的主要原因，同時也是偏振測量的主要誤差源。未來的類似研究應(yīng)更多考慮土壤這一誤差源并盡量規(guī)避其影響，或集中于測量光照和陰影條件下的土壤反射率因子，參考端元解混理論，考慮在總反射率中分離土壤效應(yīng)，得到更為純凈的植株冠層反射率，進而更加準確地評估表面反射對生化組分估算的影響以及偏振測量所帶來的精度提升。

3 結(jié) 論

偏振探測為利用常規(guī)遙感進行植被生化組分估算提供了提升精度的新手段?；诎喂?jié)、挑旗、開花、灌漿期共計48個冬小麥的地面偏振測量實驗與分析，得到以下結(jié)論：

(1)剔除表面偏振反射增強了冠層反射率BRF與植株氮含量PNC的相關(guān)性，這種增強在波長較短的可見光譜段較為明顯，在藍光波段相關(guān)系數(shù)由0.68提升至0.72，為光譜回歸法和植被指數(shù)法去除偏振反射提升精度提供了依據(jù)；

(2)光譜回歸法使用偏最小二乘回歸iPLSR進行PNC估算，利用剔除偏振反射率后的dBRF光譜進行回歸提升了BRF光譜回歸的精度，預(yù)測-測量值的相關(guān)系數(shù)由0.93提升至0.96，均方根誤差RMSE由0.30%降低至0.23%，誤差降低23%；且dBRF回歸結(jié)果強于同樣可以去除表面反射與背景噪聲的一階導(dǎo)光譜derBRF(Cor=0.95，RMSE=0.25%)；

(3)由于5月初的冬小麥抽穗過程，拔節(jié)、挑旗期與開花、灌漿期應(yīng)分開進行植被指數(shù)法PNC估算。使用三種類別的7種植被指數(shù)構(gòu)建PNC-VI模型，剔除表面偏振反射后的模型R2和相對均方根誤差RRMSE均有小幅的優(yōu)化，且由dBRF得到的VI估算結(jié)果優(yōu)于同樣考慮去除表面反射的mVI法；其中ND680(NDVI)，ND705和OSAVI適用于開花、灌漿期PNC估算；模型R2高于0.75，SR705與NDNI適用于拔節(jié)、灌漿期PNC估算，模型R2高于0.5；

(4)在植被冠層總反射中，偏振反射在植被吸收譜段可見光和短波紅外占比5%～20%，因而會對利用吸收譜段進行植被生化含量反演產(chǎn)生影響，考慮去除葉表面偏振反射會對反演精度帶來提升。

偏振遙感的引入為越來越精細的定量化農(nóng)業(yè)遙感需求提供了解決策略，有助于更加精確的植被BRDF模型構(gòu)建[13]。包括植被在內(nèi)的多種地表偏振特性的基礎(chǔ)數(shù)據(jù)積累與深入認知，也將從新的維度為生化組分含量反演等更多遙感生態(tài)應(yīng)用起到積極的作用。