基于荧光辐射传输模型的叶绿素含量荧光遥感估算方法研究

Reseach on Fluorescence Remote Sensing Estimation Method of Chlorophyll Content Based on Fluorescence Radiation Transfer Model

摘要

叶绿素作为植物光合作用的主体，在监测植被生长状态，评估固碳能力方面发挥着巨大的作用。遥感技术作为一种高效低成本的对地观测技术，能够通过叶片反射光谱特征实现叶绿素含量（chlorophyll content,Cab，含量为面密度）的估算。然而，叶片光谱会受到叶片含水量、叶细胞结构等影响，从而降低遥感估算Cab的精度。而日光诱导叶绿素荧光（solar-induced chlorophyll fluorescence,SIF）遥感是直接探测叶绿素激发荧光信息，其变化特征与Cab直接相关，在Cab估算中有巨大的潜力。为此，以荧光辐射传输模型（soil canopy observation,photo-chemistry and energy fluxes,SCOPE）为工具，通过敏感性分析确定Cab荧光敏感波段，并建立基于荧光光谱的Cab估算模型，最后利用实测数据验证模型的鲁棒性。研究结果表明，700、730 nm分别为叶绿素高、低敏感波段(SIF₇₀₀、SIF₇₃₀),760 nm为叶绿素高相关性波段(SIF₇₆₀)，以此3波段建立基于荧光比值的Cab估算模型，其中，以SIF₇₆₀与SIF₇₀₀的荧光比值建模精度最优，决定系数R²为0.998 1，均方根误差（root mean square error,RMSE）为0.043 5μg/cm²。SIF₇₀₀与SIF₇₃₀荧光比值和Cab的建模精度最低，但R²和RMSE也分别达到了0.904 8和0.088 6μg/cm²。利用实测数据独立样本对上述3种估算方法进行验证，SIF₇₆₀/SIF₇₃₀估算结果表现最佳，RMSE为0.210 8μg/cm²,SIF₇₀₀/SIF₇₃₀次之，RMSE为0.345 4μg/cm²，但呈现出整体高估现象；SIF₇₆₀/SIF₇₀₀估算结果与实测数据偏差较大，RMSE为0.743 5μg/cm²。综上，SIF₇₆₀/SIF₇₃₀构建的比值植被指数在估算Cab过程中不仅能够保证很好的建模精度，同时又表现出极佳的鲁棒性。研究结果为利用叶绿素荧光遥感手段进行叶片生化参数估算提供技术参考。

Abstract

As the main part of plant photosynthesis， chlorophyll plays an important role in monitoring vegetation growth and evaluating the capacity of carbon sequestration. Remote sensing technology， which is a high efficiency and low cost earth observation technology， can realize the estimation of chlorophyll content by leaf reflection spectrum characteristics. However， the accuracy of chlorophyll content estimation will be reduced due to the influence of leaf water content and leaf cell structure on leaf spectrum. Solar-induced chlorophyll fluorescence （SIF） is a technology of detecting the fluorescence information of chlorophyll excited fluorescence signal and the variation of fluorescence signal is directly related to chlorophyll content， which has great potential in chlorophyll content estimation. In this study， the fluorescence sensitive band of chlorophyll content was determined by sensitivity analysis using the fluorescence radiation transfer model SCOPE （Soil Canopy Observation， Photo-chemistry and Energy fluxes） and the chlorophyll content estimation model was established based on the fluorescence spectrum. Finally， the robustness of the model was verified by the measured data. The results showed that 700 nm and 730 nm were the highest and lowest sensitive bands of chlorophyll content， respectively. The band of 760 nm was the highest correlated band of chlorophyll content. The chlorophyll content estimation model were established based on the indices of fluorescence ratio of these three bands. SIF₇₆₀/SIF₇₀₀ had the best modeling accuracy with the R² of 0.998 1 and root mean square error （RMSE） of 0.043 5 μg/cm². The accuracy of SIF₇₀₀/SIF₇₃₀ and chlorophyll content （Cab） was the lowest in three models with R² and RMSE 0.904 8 and 0.088 6 μg/cm²， respectively. Independent samples of measured data were used to verify the above three estimated methods. SIF₇₆₀/SIF₇₃₀ had the best estimation results， with RMSE of 0.210 8 μg/cm²， followed by SIF₇₀₀/SIF₇₃₀， with RMSE of 0.345 4 μg/cm². But estimated model by using SIF₇₀₀/SIF₇₃₀ showed an overall overestimating results. The estimated results of SIF₇₆₀/SIF₇₀₀ showed a different results compared with measured data with RMSE of 0.743 5 μg/cm². In summary， the ratio vegetation index calculated by SIF₇₆₀/SIF₇₃₀ showed higher accuracy of modeling and excellent robustness of chlorophyll content estimation. Relevant studies provide technical references for the estimation of leaf biochemical parameters by chlorophyll fluorescence remote sensing technology.

Graphical abstract

关键词

日光诱导叶绿素荧光 / 荧光敏感波段 / 叶绿素含量 / SCOPE模型 / 遥感 / 模型

Key words

Solar-induced chlorophyll fluorescence （SIF） / sensitive bands of fluorescence / chlorophyll content / SCOPE model / remote sensing / modeling

0 引言

叶绿素作为光合作用的主要色素，通过吸收太阳能并将其转化为化学能进行光合作用，在植被生长和生存中起着关键作用，是植被中最重要的色素之一。叶绿素含量（Chlorophyll content，Cab，含量为面密度）对环境变化十分敏感，是评估植被生长状态的重要指标^［1］，所以准确地估算叶绿素含量对于研究植物长势、评价植物健康状况至关重要^［2］。鉴于叶绿素在植物光合作用中的重要地位，其含量的精确测定成为了科研界广泛关注的焦点。

除传统的测量方法之外，众多学者已深入探索了利用遥感技术进行Cab的估算。遥感技术具有低成本、高时空分辨率和多模态等优势，可以被应用到Cab的估算研究中。Cab的估测方法有很多，如采用叶绿素吸收指数（transformed chlorophyll absorption reflectance index，TCARI）^［3］、归一化差异植被指数（normalized difference vegetation index，NDVI）^［4］和地面叶绿素指数（meris terrestrial chlorophyll index，MTCI）^［5］等建立Cab的遥感估算模型，进行Cab的估算研究。但因地物光谱特征表征的是植物表面反射的光，会受光照条件、叶片结构和健康状况的影响^［6］，此外，大气条件^［7］、观测几何和地形^［8］等因素会对地物反射光谱造成影响，增加反射率观测数据的随机误差，降低Cab的估算精度，限制遥感技术在Cab估算中的应用。

荧光特征是植物特有的光化学特性。植物在进行光合作用过程中，植被吸收的太阳光部分被光合色素吸收并将其转化为化学能进行光合作用，部分以热耗散的形式，部分则是以荧光的形式释放^［9］。日光诱导叶绿素荧光（solar-induced chlorophyll fluorescence，SIF）是在太阳光的照射下，植物通过吸收短波辐射后由光系统在波长为640~850 nm重新发射出的荧光光谱信号^［10］，荧光作为光合作用的副产物，直接与叶绿素等植物色素含量有关。相较于光学遥感，SIF测量的是植被内部由于叶绿素吸收光后在特定波长产生的光，所以其更多地反映了Cab特征和光合作用的状态，可以直接反映植物Cab的特征^［11］、植被光合作用能力，以及监测植被的生理状况^［12］。研究表明，红色和近红外波段处的SIF₆₉₀与SIF₇₃₅（波段为735 nm时的SIF）之间的比率与Cab密切相关，在红色和近红外波段下，任何可以改变Cab的情况都会影响上述荧光比率^［13］。Zhang等^［14］使用荧光图像中提取的荧光强度来预测高粱的Cab，模型的拟合精度R²为0.79。Zhou等^［15］收集了3个水稻数据集和1个油菜籽数据集，使用冠层荧光产率（SIF yield，SIFY）指数构建Cab的估算模型，结果表明，基于SIFY的模型在小样本的情况下表现出更好的估算精度（平均拟合精度（R²）为0.68，标准误差（RMSE）为13.23 μg/cm²）。相比之下，基于反射率的迁移模型需要充分学习训练集中的特征以保持良好的预测能力，而基于SIFY的模型在差异样本数据集中表现出相对一致的预测性能。陈洁^［16］基于植被指数组合和连续投影算法（successive projections algorithm，SPA）、竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS）、随机森林算法（random forest，RF）3种算法提取出荧光的特征波段数据分别建立支持向量机（support vector machines，SVM）、基于种群的搜索算法优化支持向量估算模型（particle swarm optimization-Support vector machines，PSO-SVM）、基于遗传算法优化支持向量机估算模型（genetic algorithm-Support vector machines，GA-SVM）3种Cab支持向量机估算模型，结果显示基于CARS提取特征波段所建立的GA-SVM模型为所有模型中的最优Cab估算模型，训练集R²为0.719、RMSE为0.234 μg/cm²，验证集R²为0.725、RMSE为0.225 μg/cm²。已有研究表明，SIF在植被Cab的遥感估算上具有巨大的潜能，但因数据、研究方法不同，SIF在Cab敏感特征的筛选、模型的稳定性、模型的鲁棒性，以及探索如何通过机理模型和试验数据提高SIF估算Cab的准确性等方面仍需进一步地开展细致的工作。

综上，本研究拟通过光合作用和能量通量的土壤冠层观测模型（soil canopy observation，photo-chemistry and energy fluxes，SCOPE）结合实测数据构建Cab的SIF估算模型，并分析模型的鲁棒性。首先使用SCOPE模型模拟不同叶绿素水平下的叶片SIF光谱，再利用模拟实验室模型（simulation laboratory，SimLab）分析叶片层次生化参数对SIF的敏感性并筛选出对叶绿素高敏感波段的SIF波段；在此基础上探索SIF与Cab的相关关系，构建基于荧光光谱的Cab估算方法，最后利用实测数据进行模型可靠性验证。相关研究为利用SIF进行叶片Cab及其他生化参数估算提供参考。

1 研究区和方法

1.1 研究区概况

研究区域位于黑龙江尚志市辖帽儿山实验林场（127°30′~127°34′E，45°20′~45°25′N），属于长白山系统张广才岭西坡的一部分，是低山丘陵地区。该区植物区系属于长白山植物区系，现有林分类型包括原始地带性顶极群落经过破坏和演替后形成不同阶段的天然次生林和人工栽植的林分。主要乔木树种包括山杨（Populus davidiana）、白桦（Betula platyphylla）、水曲柳（Fraxinus mandshurica）、黄檗（Phellodendron amurense）、胡桃楸（Juglans mandshurica）、蒙古栎（Quercus mongolica）、色木槭（Acer mono）、紫椴（Tilia amurensis）、落叶松（Larix olgensis）和红松（Pinus koraiensis）等，研究区域采样如图1所示。

本试验主要选取阔叶树种为白桦（Betula platyphylla）、紫椴（Tilia amurensis）、胡桃楸（Juglans mandshurica）、黄檗（Phellodendron amurense）、蒙古栎（Quercus mongolica）、水曲柳（Fraxinus mandshurica）、山杨（Populus davidiana）和春榆（Ulmus davidiana var. japonica）；针叶树种为红松（Pinus koraiensis）、落叶松（Larix gmelinii）和樟子松（Pinus sylvestris var. mongholica），共计11种东北地区常见树种作为试验对象，每个树种选取2~3株长势良好，无病虫害的健康树木作为样木，记录每株样木的树种信息。每株样木根据冠幅大小分成上、中、下3层，在各层的东、西、南、北4个方位共设置12个采样点，随机取采样点外层树枝上长势较好的叶片10~12片，而后立即放入塑封袋，排净空气，放入置有冰袋的保温箱中。采集的鲜叶样品即刻带回实验室进行叶绿素荧光光谱数据采集和Cab的测量工作。叶绿素荧光光谱的测定参见下节。采集过荧光光谱的叶片样品经剪碎研磨等处理后，采用丙酮萃取法测量其Cab，具体方法详见参考文献［17］。

1.2 叶片叶绿素荧光光谱测量

使用美国ASD公司的FieldSpec Handheld2和FluoWat叶夹进行叶片反射及荧光光谱测量工作。FieldSpec Handheld2型光谱仪，工作波段覆盖325~1 075 nm，光谱测量的分辨率为1 nm。结合配有滤光片的FluoWat叶夹装置，测量叶片的发射荧光。滤光片的作用旨在剔除650~800 nm波段的入射光。采用HLG-150光纤光源模拟太阳光，以诱导方式收集叶绿素荧光光谱数据。

测量过程中，每个叶片样品测量5~10条有效光谱，数据收集完毕后，利用Handheld2光谱仪随附的ViewSpec pro软件，对原始采集的原始数据进行处理，将多次测量的平均值作为样品最终的叶绿素荧光光谱。

鉴于叶绿素荧光现象主要集中于红光及近红外波段，本研究首先剔除噪声显著且信息冗余的边缘波段（即325~649 nm及801~1 075 nm），仅聚焦于650~800 nm的关键波段进行深入的研究与分析。不同树种类型的叶绿素荧光光谱曲线如图2所示。

1.3 叶片生化特征分析

对所采集样本的生化参数按树种（针叶78，阔叶222）依照3个采样层进行分层统计分析，结果见表1。阔叶树种在树冠上层叶片Cab最高，为26.342 μg/cm²，在中层最低，为20.071 μg/cm²；对于针叶树种，Cab在树木下层叶片最高，为12.440 μg/cm²，在上层最低，为11.270 μg/cm²。对于阔叶树种，其含水量在树木上层叶片最高，为115.528 μg/cm²，树木中层最低，为111.112 μg/cm²；对于针叶树种，Cab在树木中层叶片最高，为179.672 μg/cm²，在下层最低，为152.301 μg/cm²。对于阔叶树种，其干物质面密度在树木上层叶片最高，为0.282 μg/cm²，树木下层最低，为0.254 μg/cm²；对于针叶树种，Cab在树木中层叶片最高，为2.145 μg/cm²，在下层最低，为1.167 μg/cm²。

1.4 研究方法

有研究结果表明，\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{690}}/\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{735}}（SIF₆₉₀、SIF₇₃₅为波段690、735 nm的荧光发射值，以此类推）与叶片Cab密切相关，而被选波段分别为荧光发射辐射的峰值和不受荧光影响的波段，从而最大限度地放大荧光光谱的参数敏感性^［18-19］。也有学者试图通过反射率的比值R_{\mathrm{686}}/R_{\mathrm{630}}、R_{\mathrm{690}}/R_{\mathrm{630}}和R_{\mathrm{740}}/R_{\mathrm{800}}（R₆₈₆表示波段686 nm时的反射率，以此类推R₆₃₀、R₆₉₀、R₇₄₀、R₈₀₀）量化SIF，从而实现森林生化参数的估算^{［20- 21］}。由于SIF大部分光谱特征可以用Cab进行解释，所以综合以上工作选取荧光比值\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{1}}/\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{2}}，进行Cab估算模型构建，并探究荧光比值估算树木Cab可行性。其中\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{1}}选取对Cab较为敏感波长，\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{2}}选取对Cab敏感度较低的波长。

SCOPE模型作为一个集辐射传输原理与能量守恒定律于一体的综合框架，因其能准确地模拟SIF现象及其昼夜变化特征，被广泛地应用到叶绿素荧光遥感的理论与方法研究中。本研究通过调整和改变叶片生化参数，利用SCOPE模型的Fluspect模块模拟叶片的辐射传输和荧光发射矩阵^［22］。Fluspect模块在模拟荧光时需要输入叶片的层结构、干物质面密度、水含量、Cab，具体输入参数及范围见表2。参考表2参数设置，输入SCOPE模型进行模拟，共获取了137组数据建立。利用SCOPE模型模拟的SIF与实际测量的SIF如图3所示。由图3可以看出模拟结果与实测数据具有很好的一致性。

SimLab模型可以评估系统的输入参数对输出结果的影响程度。SimLab包括参数扫描（Parameter sweep）、单因素敏感性分析（One-factor-at-a-time sensitivity analysis）、原效应方法（Morris）、索尔波方法（Sobol）、蒙特卡罗方法（Monte carlo）等多种敏感性分析方法。因Morris方法可以考虑参数之间的相互作用和非线性关系，因此本研究采用Morris方法分析荧光光谱的参数敏感性。

利用敏感性分析确定Cab影响高敏感区和低敏感区，再结合SCOPE模拟数据，构建Cab荧光光谱分析模型，最后利用实测数据集评价模型的可靠性和稳定性。

2 结果与分析

2.1 SCOPE模拟参数敏感性分析

借助Simlab模型的分析框架和SCOPE模型的模拟数据，分析650~800 nm这一特定的叶片荧光光谱区间内，叶片结构及生化参数在太阳光诱导叶绿素荧光波段的敏感度。叶片层面生化组分对SIF响应的细致敏感性，具体结果如图4所示，叶片干物质面密度在675、725 nm处分别有2个敏感峰，在 700 nm处有个敏感谷，在760~800 nm则趋于平缓，且敏感性0.3；叶片含水量在675、720nm处有敏感峰，在700 nm处存在敏感谷，在760~800 nm敏感性趋于平缓，为0.07；叶片层结构特征在675、730 nm处分别有敏感峰值，在700 nm处有敏感谷值，在760~800 nm敏感性曲线趋于平缓，为0.12；叶片Cab在700 nm处有敏感峰值，在730 nm处存在敏感谷值，760~800 nm敏感性趋于稳定，为0.8。在700 nm波长处叶片层结构、叶片含水量和叶片干物质面密度的敏感性最小，而Cab的变化在此敏感性处于峰值；在730 nm处叶片层结构、叶片含水量和叶片干物质面密度敏感性最高，Cab的变化对荧光特征的敏感性最低；在760~800 nm波段处，叶片生化特征改变对荧光特征的敏感性趋于平稳，叶片层结构敏感性值为0.12，叶片干物质面密度为0.3，叶片含水量为0.07，Cab为0.8，Cab在4个因素中敏感性处于最高。基于上述分析，为精确估算Cab，本研究筛选了3种荧光比值指标，分别为SIF₇₀₀与SIF₇₃₀的比值（SIF₇₀₀/SIF₇₃₀）、SIF₇₆₀与SIF₇₃₀的比值（SIF₇₆₀/SIF₇₃₀），以及SIF₇₆₀与SIF₇₀₀的比值（SIF₇₆₀/SIF₇₀₀），这些方法旨在提升Cab荧光估算的精度。

2.2 基于模拟数据的Cab估算结果

选择与Cab相关性最高的荧光波段和敏感性分析中对Cab敏感性最高，而其他因素敏感性最小的波段，构建分析Cab的荧光指数。通过构造基于这 2个特定波长（即SIF₇₀₀/SIF₇₃₀、SIF₇₆₀/SIF₇₃₀及SIF₇₆₀/SIF₇₀₀）的SIF比值，能够有效地削弱非目标参数对试验结果造成的潜在干扰。本研究利用SCOPE模 型对137组数据进行详尽的荧光模拟分析，结果如图5—图7所示（R_MSE为均方根误差）。

由图5可知，利用SCOPE模型模拟荧光， 将700、730nm处的荧光值SIF₇₀₀/SIF₇₃₀与相对应的Cab经过幂函数拟合，拟合结果为y=\mathrm{0.028}\mathrm{8}{x}^{-\mathrm{5.843}\mathrm{7}}；R²=0.904 8；R_MSE=0.088 6 μg/cm²，偏差小；呈显著相关。

由图6可知，经过SCOPE模型模拟所得荧光进行760、730 nm波段的荧光进行比值与相应Cab的拟合结果。SIF₇₆₀/SIF₇₃₀与Cab呈线性关系：y=\mathrm{172.213}\mathrm{0}x-\mathrm{111.378}\mathrm{0}；R²为0.994 8，拟合效果好；R_MSE=0.052 8 μg/cm²；呈显著相关。

由图7可以看出，模拟荧光取760、700 nm处的荧光值进行比值SIF₇₆₀/SIF₇₀₀与Cab之间的拟合关系y=\mathrm{8.764}\mathrm{9}{\mathrm{e}}^{\frac{x}{\mathrm{1.846}\mathrm{7}}}-\mathrm{8.614}\mathrm{1}。SIF₇₆₀/SIF₇₀₀与Cab指数拟合效果较好，R²=0.998 1，R_MSE=0.043 5 μg/cm²；呈显著相关。

相较而言，SIF₇₆₀/SIF₇₀₀模型拟合的效果最好，R²=0.998 1，R_MSE=0.0435 μg/cm²，偏差最小；SIF₇₆₀/SIF₇₃₀次之，R²=0.994 8，R_MSE=0.052 8 μg/cm²；SIF₇₀₀/SIF₇₃₀精度最低，R²=0.904 8，R_MSE=0.088 6 μg/cm²，但也达到了模型拟合良好的结果。

2.3 实测数据的验证

2.2.1 实测数据整体验证及误差分析

根据模拟分析结论，结合实测荧光数据，运用上述3个模型（SIF₇₀₀/SIF₇₃₀、SIF₇₆₀/SIF₇₃₀、SIF₇₆₀/SIF₇₀₀）估算Cab。将这些估算结果与实测的Cab进行对比分析，评估各方法的有效性和准确性。具体结果如图8—图10所示。

图8为利用SIF₇₀₀/SIF₇₃₀波段构建的模型和实测荧光数据计算的Cab与实测数据的拟合结果及误差分析。由图8可知，该模型估算的Cab普遍低于实际测量的Cab，但两者拟合的标准误差（RMSE）较小，为0.345 4 μg/cm²，偏差较小。此模型在Cab低于20 μg/cm²时误差较大，超过20%，Cab大于20 μg/cm²时，误差较小，低于20%，但也不排除测量误差而导致数值大于20%。

图9为利用SIF₇₆₀/SIF₇₃₀波段构建的模型和实际荧光数据计算的Cab与实测Cab之间的拟合结果及其误差分析。由图9可知，利用SIF₇₆₀/SIF₇₃₀估算的Cab与实测的Cab拟合效果好，R²为0.985 6，RMSE为0.210 8 μg/cm²，整体偏差较小。但在Cab较大时估算结果出现了轻微的高估。当Cab低于5 μg/cm²时，此模型估算Cab会产生较大误差，在5~10 μg/cm²时，估算的Cab与实测Cab误差在20%~30%，当Cab大于10 μg/cm²时，估算的Cab产生的误差小于20%。

图10为利用SIF₇₆₀/SIF₇₀₀波段构建的模型和实际测量的荧光值估算的Cab及其产生的误差。由图10可知，利用SIF₇₆₀/SIF₇₀₀估算的Cab与实际测量的Cab偏差较大，RMSE为0.763 5 μg/cm²。此模型估算的Cab与实际测量结果产生的误差均很大。

综上所述，利用SIF₇₆₀/SIF₇₃₀波段构建的模型估算的结果效果最好，R²为0.985 6，RMSE为0.21 08 μg/cm²，偏差最小；SIF₇₀₀/SIF₇₃₀次之，R²为0.981 8，RMSE为0.345 4 μg/cm²；虽然SIF₇₆₀/SIF₇₀₀波段构建的模型精度最低，但R²和RMSE也分别达到了0.978 6和0.763 5 μg/cm²。

2.2.2 模型在不同林分类型间的可靠性验证及误差分析

为进一步验证模型的可用性，将实测数据分为阔叶树种和针叶树种，将阔叶树种和针叶树种的实测数据分别代入上述3种估算模型进行验证，评估模型对不同森林类型Cab估算的准确性，具体结果如图11—图13所示。

将实测荧光数据按阔叶、针叶分类并分析利用SIF₇₀₀/SIF₇₃₀波段构建的模型估算结果与实际测得的Cab之间的拟合关系及其误差。图11（a）和图11（b）分别为阔叶和针叶模型估算结果和实测Cab之间的散点图。对于阔叶来说，利用模型估算的结果要比实际测量的结果偏低，RMSE为0.369 6 μg/cm²。对于针叶来说，当Cab超过40 μg/cm²时估算结果呈现出高估情况，但总体RMSE为0.261 0 μg/cm²。图11（c）和图11（d）分别是阔叶和针叶模型估算值和实测值之间的误差。Cab小于25 μg/cm²的阔叶树种样本，呈现出较大的估算误差。而针叶树种当Cab在10~25μg/cm²时所产生的误差较低，表现出较好的估算精度。

图12为利用SIF₇₆₀/SIF₇₃₀构建的模型估算不同森林类型的Cab和实测含量之间的拟合关系和误差分析。图12（a）和图12（b）分别是利用SIF₇₆₀/SIF₇₃₀估算的阔叶和针叶树种的Cab与实测数据的拟合关系。由图12（a）可知，利用SIF₇₆₀/SIF₇₃₀估算的阔叶Cab和实际测量拟合效果好，R²为0.989 6，RMSE为0.184 2 μg/cm²，偏差小。由图12（b）可知，对于针叶树种模型估算结果略高于实际测量，产生的偏差相比于阔叶略大，RMSE为0.274 0 μg/cm²。图12（c）和图12（d）分别为阔叶和针叶树种估算结果的误差分布。对于阔叶树种，当Cab在5~20 μg/cm²时产生的误差低于30%，大于20 μg/cm²时，估算产生的误差低于20%，对于针叶，在Cab为5~30 μg/cm²时。整体估算的误差小于20%。

图13为利用SIF₇₆₀/SIF₇₀₀估算不同森林类型的Cab与实测值之间的拟合关系和误差分析。图13（a）和图13（b）分别为利用SIF₇₆₀/SIF₇₀₀估算的阔叶、针叶Cab和实测值之间的拟合结果。由图13可知，无论是阔叶还是针叶树种，利用SIF₇₆₀/SIF₇₀₀所得的估算值与实测值偏差均很大，RMSE分别为0.782 0、0.615 8 μg/cm²。利用SIF₇₆₀/SIF₇₀₀估算阔叶和针叶的Cab误差大于30%，估计误差较大。

综上所述，利用SIF₇₆₀/SIF₇₃₀波段构建的模型估算的结果效果最好，其中阔叶树种R²为0.989 6，针叶树种R²为0.968 0。阔叶和针叶树种的RMSE分别为0.184 2、0.274 0 μg/cm²，偏差最小；SIF₇₀₀/SIF₇₃₀次之，阔叶树种R²为0.983 5，针叶树种R²为0.973 0，阔叶和针叶树种的RMSE分别为0.369 6、0.261 0 μg/cm²；SIF₇₆₀/SIF₇₀₀构建模型估算精度最低，对于阔叶树种R²为0.978 9，针叶树种R²为0.975 9，阔叶和针叶树种的RMSE分别为0.782 0、0.615 8 μg/cm²，但这样的精度也能满足一定研究的需求。

3 讨论

3.1 基于SIF估算Cab相关研究比较

对比已有研究可以发现利用遥感技术估算Cab的工作主要聚焦于农作物领域，并通过Cab的估算解决作物估产等问题。如印玉明等^［23］计算了SIF指数基于线性回归和辐射传输模型2种方法建立Cab估算模型。在单叶尺度上，下行SIF指数与单叶Cab相关性最高，R²为0.77，该研究使用的SIF指数是基于荧光产量计算得到，该数据与荧光波段的数值是有差别的，且SIF指数与Cab相关性最高为0.77，略低于本研究所构建模型精度，本研究基于SIF₇₆₀/SIF₇₃₀波段构建模型拟合精度为0.985 6。同时在不同的森林类型的独立样本检验中都表现出极好的鲁棒性。Zhou等^［24］探索利用SIF和反射率的跨物种数据集构建估算Cab的鲁棒迁移学习模型，该研究使用C3植物数据集估算Cab，讨论了差异性样本的Cab估算精度。Lichtenthaler等^［18］研究表明\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{690}}/\mathrm{S}\mathrm{I}{\mathrm{F}}_{\mathrm{735}}变化与Cab关系存在较一致的对应关系，并且指出该指数能够用来进行Cab的估算。分析原因一方面来源于较科学的敏感性分析，从而能够筛选出特征波段。另外一方面，从光合作用机理角度来看Cab与叶绿素荧光之间关系密切，较高的Cab会使植物捕获更多的光能，进而导致荧光量子产出增多。基于此，荧光波段比值不仅能够直接反映Cab的变化，还可以为今后估算Cab的研究提供新思路。

3.2 模型误差分析

影响荧光的因素有植物生理参数和环境因子两类^［25］，其中，植物生理参数中的叶片结构会改变进入叶片内部结构，影响反射能量的大小，从而会影响荧光和光合作用的关系。由于光进入叶片内部的过程是十分复杂的，叶片内部的分子并不是均匀分布的^［26］，所以模型误差一方面是由于模型在模拟光进入叶片内部的复杂过程中存在偏差，所以造成估算的不稳定性。同时，环境因子包括空气温度、饱和水汽压、太阳天顶角和水分胁迫等因素同样会对叶片的生理生化特征产生影响，而这些因素对叶片的影响并不是单独存在的，通常是几个因素的连锁反应，而这些不确定性，可能导致激发荧光的差异性，从而对后续估算造成影响^［27］。

此外，由于实地测量数据包含多个树种叶片，由于树种类型其叶片形态和结构存在明显差异，如阔叶具有宽而平展的叶片并且叶脉复杂，而针叶具有细长而尖锐的叶片，其叶脉简单等差异，这些因素也会对结果产生影响，从而影响Cab和荧光之间的关系。而SCOPE模型并没有将叶片特征如此细化，所以树种的差异性可能也会导致SCOPE模型模拟的结果与实地测量得到的Cab和荧光模型之间关系产生差异，最终导致各种或大或小的误差。这些问题都需要进一步地深入研究。

4 结论

本研究以叶片Cab荧光光谱估算为主要研究内容，分析利用叶绿素荧光比值估算树木Cab的可行性。本研究选用700、730、760 nm波段的比值作为估算模型的输入因子，与Cab建立数学模型，实现利用SIF估算Cab。研究结果表明，3种估算模型具有较好的拟合效果，R²均在0.9以上，而利用独立的实测样本集进行模型鲁棒性验证时，发现利用SIF₇₆₀/SIF₇₃₀所得的估算结果与实测结果偏差最小，RMSE为0.210 8 μg/cm²，当Cab高于5 μg/cm²时产生的误差在20%~30%。在实际应用中，建议选用SIF₇₆₀/SIF₇₃₀进行植被叶片Cab的估算。本研究结果为利用SIF估算植被叶片Cab提供了参考，同时也为研究植物光合作用提供了新方向。

参考文献

[1] 冯海宽，陶惠林，赵钰，利用无人机高光谱估算冬小麦叶绿素含量［J］.光谱学与光谱分析，2022，42（11）：3575-3580.

[2] FENG H K， TAO H L， ZHAO Y，et al.Estimation of chlorophyll content in winter wheat based on UAV hyperspectral［J］.Spectroscopy and Spectral Analysis，2022，42（11）：3575-3580.

[3] 宫兆宁，赵雅莉，赵文吉，基于光谱指数的植物叶片叶绿素含量的估算模型［J］.生态学报，2014，34（20）：5736-5745.

[4] GONG Z N， ZHAO Y L， ZHAO W J，et al.Estimation model for plant leaf chlorophyll content based on the spectral index content［J］.Acta Ecologica Sinica，2014，34（20）：5736-5745.

[5] 孟庆野，董恒，秦其明，基于高光谱遥感监测植被叶绿素含量的一种植被指数MTCARI［J］.光谱学与光谱分析，2012，32（8）：2218-2222.

[6] MENG Q Y， DONG H， QIN Q M，et al.MTCARI：A kind of vegetation index monitoring vegetation leaf chlorophyll content based on hyperspectral remote sensing［J］.Spectroscopy and Spectral Analysis，2012，32（8）：2218-2222.

[7] 王福民，黄敬峰，王秀珍.水稻叶片叶绿素、类胡萝卜素含量估算的归一化色素指数研究［J］.光谱学与光谱分析，2009，29（4）：1064-1068.

[8] WANG F M， HUANG J F， WANG X Z.Normalized difference ratio pigment index for estimating chlorophyll and cartenoid contents of in leaves of rice［J］.Spectroscopy and Spectral Analysis，2009，29（4）：1064-1068.

[9] 何彩莲，郑顺林，周少猛，基于高光谱植被指数的马铃薯叶片叶绿素含量估测模型［J］.华南农业大学学报，2016，37（5）：45-49.

[10] HE C L， ZHENG S L， ZHOU S M，et al.Estimation models of chlorophyll contents in potato leaves based on hyperspectral vegetation indices［J］.Journal of South China Agricultural University，2016，37（5）：45-49.

[11] 冯锐，武晋雯，王宏博，玉米苗期干旱胁迫对关键生育期的光谱特征影响分析［J］.光谱学与光谱分析，2020，40（7）：2222-2234.

[12] FENG R， WU J W， WANG H B，et al.Influence of drought stress on maize in the seedling stage on spectral characteristics at the critical developmental stage［J］.Spectroscopy and Spectral Analysis，2020，40（7）：2222-2234.

[13] 陈春，刘成玉，张树清.基于地物光谱矢量空间的遥感图像大气影响校正［J］.中国科学：地球科学，2012，42（6）：962-968.

[14] CHEN C， LIU C Y， ZHANG S Q.Atmospheric correction of remote sensing imagery based on the surface spectrum′s vector space［J］.Science China Earth Sciences，2012，42（6）：962-968.

[15] 陈博，穆磊，张彪，地形条件对空间目标细致光谱辐射特性的影响［J］.红外与激光工程，2019，48（12）：255-262.

[16] CHEN B， MU L， ZHANG B，et al.Effects of terrain conditions on the detailed spectral radiation characteristics of the space target［J］.Infrared and Laser Engineering，2019，48（12）：255-262.

[17] 詹春晖，章钊颖，张永光.日光诱导叶绿素荧光辐射传输模型研究进展［J］.遥感学报，2020，24（8）：945-957.

[18] ZHAN C H， ZHANG Z Y， ZHANG Y G.Recent advances in the radiative transfer models of sun-induced chlorophyll fluorescence［J］.National Remote Sensing Bulletin，2020，24（8）：945-957.

[19] 章钊颖，王松寒，邱博，日光诱导叶绿素荧光遥感反演及碳循环应用进展［J］.遥感学报，2019，23（1）：37-52.

[20] ZHANG Z Y， WANG S H， QIU B，et al.Retrieval of sun-induced chlorophyll fluorescence and advancements in carbon cycle application［J］.National Remote Sensing Bulletin，2019，23（1）：37-52.

[21] 杨妮，邓树林，樊艳红，叶绿素荧光遥感反演及其农业监测应用研究进展［J］.江苏农业科学，2023，51（14）：1-13.

[22] YANG N， DENG S L， FAN Y H，et al.Research progress of chlorophyll fluorescence retrieval by remote sensing and its application in agricultural monitoring［J］.Jiangsu Agricultural Sciences，2023，51（14）：1-13.

[23] 彭金龙，李萌，褚荣浩，日光诱导叶绿素荧光反演及其在植被环境胁迫监测中的研究进展［J］.江苏农业科学，2021，49（24）：29-40.

[24] PENG J L， LI M， CHU R H，et al.Research progress of sun-induced chlorophyll fluorescence inversion and its application in vegetation environmental stress monitoring［J］.Jiangsu Agricultural Sciences，2021，49（24）：29-40.

[25] LICHTENTHALER H K， RINDERLE U.The role of chlorophyll fluorescence in the detection of stress conditions in plants［J］.C R C Critical Reviews in Analytical Chemistry，1988，19（sup1）：S29-S85.

[26] ZHANG H， GE Y， XIE X，et al.High throughput analysis of leaf chlorophyll content in sorghum using RGB，hyperspectral，and fluorescence imaging and sensor fusion［J］.Plant Methods，2022，18（1）：60.

[27] ZHOU Y A， HUANG Z， ZHOU W，et al.Optimized transfer learning for chlorophyll content estimations across datasets of different species using sun-Induced chlorophyll fluorescence and reflectance［J］.Remote Sensing，2024，16（11）：1869.

[28] 陈洁.基于荧光光谱的植物叶绿素含量估算方法研究［D］.哈尔滨：东北林业大学，2023.

[29] CHEN J.Study on estimation method of plant chlorophyll content based on fluorescence spectrum［D］.Harbin：Northeast Forestry University，2023.

[30] 孙俊宝，王建新.樱桃叶绿素含量测定方法研究［J］.山西农业科学，2010，38（3）：18-19，33.

[31] SUN J B， WANG J X.Study on method for determination of chlorophyll in cherry leaves［J］.Journal of Shanxi Agricultural Sciences，2010，38（3）：18-19，33.

[32] LICHTENTHALER H K，HAK R， RINDERLE U.The chlorophyll fluorescence ratio F₆₉₀/F₇₃₀ in leaves of different chlorophyll content［J］.Photosynthesis Research，1990，25（3）：295-298.

[33] AGATI G， MAZZINGHI P， FUSI F，et al.The F₆₈₅/F₇₃₀ chlorophyll fluorescence ratio as a tool in plant physiology：Response to physiological and environmental factors^* ［J］.Journal of Plant Physiology，1995，145（3）：228-238.

[34] ZARCO-TEJADA P J， MILLER J R， MOHAMMED G H，et al.Vegetation stress detection through chlorophyll a+b estimation and fluorescence effects on hyperspectral imagery［J］.Journal of Environmental Quality，2002，31（5）：1433-1441.

[35] DOBROWSKI S Z， PUSHNIK J C， ZARCO-TEJADA P J，et al.Simple reflectance indices track heat and water stress-induced changes in steady-state chlorophyll fluorescence at the canopy scale［J］.Remote Sensing of Environment，2005，97（3）：403-414.

[36] YANG P， PRIKAZIUK E， VERHOEF W，et al.SCOPE 2.0：A model to simulate vegetated land surface fluxes and satellite signals［J］.Geoscientific Model Development，2021，14（7）：4697-4712.

[37] 印玉明，王永清，马春晨，利用日光诱导叶绿素荧光监测水稻叶片叶绿素含量［J］.农业工程学报，2021，37（12）：169-180.

[38] YIN Y M， WANG Y Q， MA C C，et al.Monitoring of chlorophyll content in rice canopy and single leaf using sun-induced chlorophyll fluorescence［J］.Transactions of the Chinese Society of Agricultural Engineering，2021，37（12）：169-180.

[39] ZHOU Y A， HUANG Z， ZHOU W，et al.Optimized transfer learning for chlorophyll content estimations across datasets of different species using sun-induced chlorophyll fluorescence and reflectance［J］.Remote Sensing，2024，16（11）：1869.

[40] 刘雷震，武建军，周洪奎，叶绿素荧光及其在水分胁迫监测中的研究进展［J］.光谱学与光谱分析，2017，37（9）：2780-2787.

[41] LIU L Z， WU J J， ZHOU H K，et al.Chlorophyll fluorescence and its progress in detecting water stress［J］.Spectroscopy and Spectral Analysis，2017，37（9）：2780-2787.

[42] FUKSHANSKY L， REMISOWSKY A M V， MCCLENDON J，et al.Absorption spectra of leaves corrected for scattering and distributional error：A radiative transfer and absorption statistics treatment［J］.Photochemistry and Photobiology，1993，57（3）：538-555.

[43] 钱新.基于叶绿素荧光遥感的植被干旱胁迫指数构建［D］.南京：南京大学，2019.

[44] QIAN X.Construction of vegetation drought stress index based on chlorophyll fluorescence remote sensing［D］.Nanjing：Nanjing University，2019.

基金资助

国家自然科学基金项目(32471855)