《REMOTE SENS ENVIRON》--基于S185高光谱数据消除冠层光谱土壤背景影响实现叶片叶绿素含量监测

摘要

     叶片叶绿素含量（LCC）是反映叶片氮素状态和光合作用能力的重要指标。与物理模型相比，基于植被指数的经验模型在估算LCC时，受叶面积指数（LAI）等冠层结构的影响，其通用性经常受到质疑。最近的一项研究提出了LAI不敏感叶绿素指数（LICI），并建立了一个基于LICI估算LCC的半经验模型，该模型既继承了物理模型的鲁棒性，又继承了经验模型的简单性。然而，目前尚不清楚这样一个简单的模型是否像物理模型一样准确和通用。在此，该研究采用了一种创新的方法来解析LAI和LCC对LICI的混淆效应，发现LICI与LCC有很强的相关性，而与LAI边缘显著。此外，该研究发现LICI对土壤背景敏感，因此提出了一种自动且不需土壤背景先验信息的土壤和植被光谱分离（3SV）算法。通过3SV算法去除土壤贡献的反射率后，得到植被贡献的反射率（CRv）。模型模拟表明，土壤背景对CRv反演的LICI的影响在很大程度上被消除，因此该指数被认为是土壤去除的。利用多种植被类型、年份、站点和观测平台的综合数据，对比基于MatrixVI的物理模型和基于MERIS陆地叶绿素指数（MTCI）的半经验模型，对基于土壤去除LICI模型估算LCC的准确性和通用性进行了评价。当等效湿润土壤含量<0.7时，利用基于土壤去除LICI模型估算LCC，作物数据集的均方根误差（RMSE）为6.22~6.87 μg/cm²，多生态系统数据集的RMSE为10.68 μg/cm²。尽管还需要进一步研究来减轻土壤对基于LICI的模型在稀疏植被上的影响，但这项研究对于将其潜在应用扩展到全球，并在新兴高光谱时代推进LCC监测系统的发展具有重要意义。 

验证区域

图1 2019年(A)和2021年(B)中国野外试验取样地点(红十字为采样点)

图2 国家生态观测网络采样点(各站点的主要植被类型如图)

研究过程

图3 作物数据集LAI与LCC的关系(灰线: LAI和LCC的第12.5、25、37.5、50、62.5、75和87.5百分位值; 灰圈: 原始数据; 红十字: 灰框定义的每个子空间的平均值)

图4 4SAIL模型的湿土和干土反射光谱((A): 400~2500 nm; (B): 470~800 nm)

图5 (A)叶绿素和类胡萝卜素的总比吸收系数(SAC); (B)黑土背景下PROSAIL模型模拟的植被反射率(Rv); (C)干土反射率(Rs); (D)LSMM模型模拟的冠层反射率(Rc)

图6 从冠层反射率(Rc)中去除土壤反射率(CRs)得到植被贡献反射率(CRv)的过程

图8 类似于图7的模型模拟

图9 由原始反射率计算的不同土壤类型(黑土、湿土和干土)和土壤组分(fs)下VIs变化范围((A): LICI; (B): MTCI; (C): RERI705; (D): RERI783; (E-H): 类似于(A-D)的由去除土壤反射率计算的VIs)

图10 利用原始反射率模拟不同土壤组分(fS)和干土组分(fDS)下LCC的RMSE((A): 基于LICI的半经验模型; (B): 基于MTCI的半经验模型; (C): 基于MatrixVI的物理模型; (D-F): 与(A-C)中原始反射率相比，去除土壤反射率降低RMSE(ΔRMSE))

图11 利用植被贡献反射率(CRv)基于LICI模型(A-C)、MTCI模型(D-F)和MatrixVI模型(G-I)估算地面(第一列)、无人机(第二列)和卫星(第三列)三个观测平台上作物LCC与实测LCC散点图

图12 基于LICI模型(A-C)、MTCI模型(D-F)和MatrixVI模型(G-H)估算2017年小麦在0 kg/hm²(N0，第一列)、150 kg/hm²(N1，第二列)和300 kg/hm²(N2，第三列)3种氮素处理下LCC和实测LCC的季节(拔节期(JT)、孕穗期(BT)、抽穗期(HD)、开花期(AT)和灌浆期(FL))变化