该类方法主要是利用逐步回归、偏最小二乘法、主成分分析等光谱变量筛选方法, 筛选出与某个理化参量密切相关的若干波段, 在降低光谱波段维度的同时, 尽可能保留有效信息构建光谱变量与理化参量之间的回归模型, 并且基于此模型, 利用未参与建模的样本数据对模型精度、预测能力和泛化能力进行评价^[22]。这种方法具有简单、易行等优点, 通常都能获得较为理想的估测精度。由于天然草地较高的物种丰富度和复杂的地形地貌, 利用卫星遥感数据和野外地物光谱观测资料进行牧草理化参量的估测时, 光谱波段的选择易受数据本身局限性的影响, 模型一般缺乏普适性和鲁棒性^{[23, 24]}。

(1)特征变量法:该方法主要是提取光谱曲线上的一些吸收谷或反射峰特征, 并将其参量化, 再建立与某个理化参量之间的经验模型。表1列出了常用的光谱特征变量, 其中在植被理化参量反演方面, 应用最为广泛的光谱特征是绿色植被所特有的“ 红边” , 与之相关的光谱变量包括红边位置、红边幅值和红边斜率等。相关研究已证明, 绿色植被的叶绿素、氮素以及生物量等参数与上述红边参量之间具有很强的相关性^{[25, 26, 27]}。除此之外, 一些量化的光谱吸收特征, 比如吸收位置、吸收深度、吸收宽度以及吸收对称性等, 也可以用于植被理化参量的反演^[28]。在不同的生态区域和生育时期, 光谱变量对特定理化参量的敏感性也会发生变化, 所以究竟哪些光谱变量对牧草营养成分的反演更为有效, 还需要结合研究区实际情况开展研究。已有的研究表明, 发展多变量的植被参量反演模型是可行的, 可以克服草地时空异质性和光谱变量的局限性。值得注意的是, 在野外自然条件下, 某些易受大气水汽和植被叶片水分影响的波段的光谱吸收特征容易被水分吸收所淹没, 在实际应用中应尽量避免水分吸收带来的影响。

表1

Table 1

表1(Table 1)

表1 常用的高光谱特征变量 Table 1 Common hyperpectral feature variables

表1 常用的高光谱特征变量 Table 1 Common hyperpectral feature variables

(2)光谱指数法:该方法主要将两个或者多个特征波段按照线性或非线性的方式进行组合, 构成对特定理化参量敏感的光谱指数, 主要反映植被在可见光、近红外波段的光谱反射率与土壤背景之间的差异。表2列出了一些常用的高光谱植被指数。高光谱遥感数据具有大量的窄波段和较高的光谱分辨率, 这为发展一个针对特定理化参数敏感而对于大气、土壤等背景不敏感的植被指数提供了便利和优势。在植被理化参量反演方面, NDVI可消除部分大气和太阳高度角的影响, 对土壤背景的变化也很敏感, 可用于估算植被的生物量、色素含量、植被盖度、氮素等理化参数, 但是NDVI在草地盛草期存在饱和现象; REP、NDVI705、mSR705和VOG等基于红边构建的植被指数可以很好地反映绿色植被的红边信息, 与植被叶片氮素、叶绿素等含量密切相关, 通常用于植被缺素症的诊断和氮素含量的空间分布制图; SAVI和OSAVI可以在很大程度上避免土壤背景等因素的影响, 从而对理化参数的反演提供更多有效的信息; SR、DVI和RDVI可以有效地响应可见光与近红外之间的差异, 对草地地上部分生物量和群落盖度有较好的敏感性; NDNI和NRI可以有效地估测植被冠层的氮素含量; PRI和SIPI对植被色素的变化非常敏感, 尤其是在不同的生育时期。事实上, 受植被高光谱遥感影响因子的复杂性和多样化, 不同植被指数对不同理化参量的敏感性也存在时空上的差异, 要改进或发展一个具有广泛适用性的高光谱指数仍然是未来研究的一个热点^{[29, 30, 31]}。

表2

Table 2

表2(Table 2)

表2 高光谱植被指数 Table 2 Hyperspectral vegetation indexes

表2 高光谱植被指数 Table 2 Hyperspectral vegetation indexes

应用上述两种方法构建的理化参量统计模型均属于经验或半经验模型, 虽然简单易用但缺乏普适性和可移植性。因此, 基于辐射传输理论的物理模型反演方法也逐渐广泛应用于植被理化参数的反演^{[52, 53, 54, 55, 56, 57]}, 该方法在植被生长状况信息的提取方面具有良好的应用前景。通常来讲, 物理模型可分为冠层模型和叶片模型。叶片辐射传输模型如PROSPECT、LIBERTY和LEAFMOD等, 主要是通过模拟光在叶片内部传输和交互的规律, 从而用于构建叶片反射率和透射率的模型。

目前, 许多研究结果都表明利用物理模型的向后过程进行植被理化参数的反演还存在一定困难, 就植被生化参量而言, 这方面的研究仍然局限于水分和叶绿素含量等成分的反演。在植被冠层理化参量反演中应用最多的是PROSPECT模型, 该模型第一次提出是基于阔叶植被, 现在已广泛应用在针叶植被叶片的理化参量(如叶绿素、干物质、叶面积指数以及水分等)反演方面^{[58, 59, 60]}, 但是在叶片氮素、纤维素以及木质素等成分的反演中并没有得到很好的应用^{[61, 62]}。虽然LIBERTY模型可以反演植被中的木质素和纤维素, 但其反演精度和性能仍然需要进一步验证。实际上, 植被冠层结构和叶片的理化物质含量往往受到多种因素的影响, 若要获取高精度的反演结果, 需要将更多因素引入到模型中。因此, 利用物理模型对植被理化参量进行反演也存在一定的局限性和复杂性。

近年来, 国内外众多专家学者在草地牧草营养品质监测与评价方面的研究重点多集中在草地植被高光谱特征分析、牧草关键营养成分时空反演和模拟制图等方面, 并取得如下初步研究成果:

(1)在牧草叶片及冠层水平上, 发现了一些对牧草营养成分高度敏感的基于光谱面积、光谱位置和植被指数的高光谱遥感监测指标^{[27, 63, 64, 65]}。例如, 提出对牧草营养成分含量、冠层结构非常敏感的窄带绿度指数(如红边位置指数、红边归一化植被指数等), 发现可定量计算绿色植被在光合作用过程中对入射太阳光利用效率的光利用率指数(如光化学植被指数、结构不敏感色素指数和红绿比值指数), 构建出可估算植被冠层中营养成分相对含量的冠层营养成分指数, 如归一化氮素指数等。

(2)构建了天然草地牧草部分营养成分(如氮、磷、碳及纤维素等)的高光谱遥感反演模型, 在部分地区开展了牧草营养成分在时空尺度上的变化模拟与制图研究^{[18, 19, 66, 67, 68, 69]}。由于氮素含量在很大程度上决定着草地的营养品质, 通常是草食动物采食最受限制的养分之一。因此, 在牧草矿物质元素含量的高光谱研究方面, 有关叶片及冠层氮素含量的研究较为深入, 相关研究报道较多^{[70, 71, 72]}。

水分是植物细胞原生质的主要组分, 在植物的生理活动中有着重要的作用。高光谱反演技术凭借其快速、高效和无损的优势, 已成为评估植物含水量的重要方法。基于高光谱遥感数据, 建立植物水分含量与反射率光谱之间的回归模型是准确估算植被水分含量的前提^[73]。1971年, Thomas等^[74]初步探讨了光谱反射率与叶片含水率之间的关系, 结果表明叶片的相对含水率与1450和1930 nm处的反射率显著相关。Curran^[75]研究发现, 叶片水分的吸收作用可以用1450 nm附近的光谱吸收来表示。Carter^[76]和Dobrowski等^[77]的研究结果表明, 利用近红外波段的弱吸收峰(950~970 nm)可以有效地监测植物水分含量, 尤其是690和740 nm处的光谱反射率可以反映植被的水分胁迫状态。在其他种类植物试验中, 研究发现在1450 nm附近的波段, 其光谱反射率与叶片含水量之间也具有较高的相关性^{[78, 79, 80]}。刘良云等^[81]利用基于辐射传输理论的PROSPECT叶片光学模型, 探讨了叶片含水量与光谱反射率之间的相互关系, 发现975、1200、1450和1950 nm等处的光谱反射率是影响叶片含水量变化的主要因子。虽然PROSPECT模型可以表征叶片内部理化物质吸收对光谱的影响, 但是尚不能用其定量表述叶片表面和内部结构变化对叶片水分含量变化的响应。

粗纤维、粗脂肪和粗蛋白是评价牧草饲用价值和营养品质的重要指标。近些年来, 众多学者应用高光谱遥感技术在草地植被叶片水平、冠层水平和像元水平上对天然草地牧草粗蛋白、粗脂肪和粗纤维含量进行了大量的估测研究。Kokaly等^[82]利用包络线去除后的光谱特征参量估算了植物氮素、纤维素和木质素含量, 估测精度比较理想。王迅等^[83]基于HJ-1A HSI数据对青海省玉树县高寒草甸牧草生物量和部分营养成分含量进行了建模估测, 结果表明, 两波段的比值高光谱植被指数与草地生物量、粗蛋白、粗纤维和磷含量显著相关。其后续研究表明, 基于HJ-1A/1B多光谱CCD数据也可以较好地反演高寒草甸牧草生物量和粗蛋白含量, 高寒草甸牧草粗蛋白含量在返青期、青草期、枯黄期和枯草期变化很大, 在不同生育期的最大值相差约9倍^[83]。Thulin等^[65]利用HyMap和Hyperion图像, 并基于偏最小二乘回归建立了温带草原牧草中粗蛋白、消化率、木质素和纤维素的预测模型。结果表明, 特征波段的光谱区域主要位于叶绿素的吸收范围、红边区域及2000~2300 nm的木质素— 纤维素— 蛋白质吸收区域, 其中一些来源于1600~1800 nm的波段对氮素、蛋白质、木质素和纤维素比较敏感。马维维等^[84]的研究证明, 可以在冠层尺度上结合高光谱遥感技术和光谱小波分析方法来估测牧草理化参数。分析结果显示, 估算牧草中粗蛋白、粗脂肪和粗纤维含量的最佳回归模型分别是以Coiflets小波系数(scale=4, wave length=1209 nm)为自变量的二次多项式模型、以1668 nm波段光谱一阶导数为自变量的二次多项式模型和以918 nm波段光谱一阶导数为自变量的指数模型^[84]。张爱武等^[85]采用航空飞艇搭载自主集成高光谱成像系统获取了青海省海晏金银滩草原的高分辨率高光谱图像, 并使用不同建模方法构建了粗蛋白含量的反演模型, 结果表明, 与不同光谱变量相比, 微分光谱变量对牧草粗蛋白含量估测效果较好, R²均达到0.80以上; 与多元回归模型相比, 非线性回归模型精度高于对应的线性回归模型。

牧草中无氮浸出物含量和牧草的适口性、消化率密切相关, 是动物能量的主要来源。一般来说, 牧草中的无氮浸出物含量越高会有利于家畜对牧草的消化吸收。饲料养分常规分析不能直接得到饲料中无氮浸出物含量, 大多是通过公式(无氮浸出物=1-水分-灰分-粗蛋白质-粗脂肪-粗纤维)计算得到。粗灰分作为评价牧草营养品质的参考指标之一, 具有调节机体生理机能的作用。所以, 准确高效监测牧草中粗灰分的含量, 对其营养品质的定量评价也具有重要意义。目前, 利用高光谱遥感技术对牧草中无氮浸出物和粗灰分含量估测的研究较少, 原因可能是牧草中无氮浸出物和粗灰分的组成成分比较复杂, 导致其光谱吸收特征杂乱无序, 大多数光谱参量对它们的敏感程度较低。

基于高光谱遥感数据反演农作物的常规养分含量已广泛应用在玉米(Zea mays)、水稻(Oryza sativa)和小麦(Triticum aestivum)等大田作物, 烟草(Nicotiana tabacum)和葡萄(Vitis vinifera)等一些经济作物上, 但是在天然草地牧草营养品质反演方面仍然需要开展大量的研究。由于该方法估算植被养分含量具有快速有效且无损伤的特点, 应用前景十分广阔。

牧草中主要的矿物质营养有碳、氮、磷、钾和钙等。矿质营养在植物生长发育过程中起非常重要的作用, 准确估测草地植被中矿质元素的含量, 明晰其空间分布特征, 对草地的可持续利用和有效管理以及提高牧草产量和品质都具有重要意义。随着高光谱遥感技术在草原监测方面的广泛应用, 大尺度、高精度反演天然草地牧草矿质元素含量已逐步变得成熟。1999年, Kokaly等^[82]使用地物光谱仪并基于波段深度分析方法估算了干旱区植被叶片中氮素等含量, 取得了较好的估测精度。Mutanga^[26]从2003年开始进行了一系列牧草营养高光谱遥感估测方面的研究, 主要研究结果显示, 在红边位置的窄波段植被指数相比于归一化差值植被指数能更精确的估测热带草原生物量, 基于包络线去除后的冠层光谱吸收特征, 可以准确地估算牧草中氮、磷、钾、钙、镁和钠的含量; 在冠层尺度上, 野牛草(Buchloe dactyloides)的氮素浓度与红边位置713和725 nm处的振幅和斜率具有显著的相关性^[27]; 红光范围内的光谱吸收特征与叶片氮素浓度具有很强的相关性^[86]。后续的研究结果进一步表明, 牧草叶片的红边位置与其生化物质含量(如氮素等)之间具有很好的相关性^{[27, 63, 64]}, 基于红边植被指数构建的叶片氮素等指标的估测模型具有较高的解释能力和精度; 包络线去除后的微分光谱反射率可以较好地评估热带萨王纳草地氮、磷和钾等元素含量^[63]。Ramoelo等^[87]研究发现利用牧草冠层高光谱遥感数据和非线性偏最小二乘方法, 结合环境变量(如气候因子和地形因子等)可以更好地监测草地氮素和磷素含量。随着机载和星载高光谱遥感系统的发展, Mutanga等^[64]于2004年首次在冠层水平上使用高光谱传感器HyMap绘制出了南非萨瓦纳天然草地氮素含量图, 并指出热带草地牧草叶片中的氮素含量是解释野生动植物分布的重要指标之一。此后, Beeri等^[18]在2007年也利用HyMap对美国西北部大草原的光合作用植被及非光合作用植被生物量及质量(C∶ N)进行了研究, 取得了突出的成果。

Ramoelo等^[68]利用RapidEye和WorldView-2卫星影像估测了南非东北部地区草地的草产量和氮素含量, 并通过植被指数反演得到了研究区草地生物量及冠层氮素含量的空间分布图。他们的研究结果表明, 利用草地植被冠层光谱的红边波段可以较好估测牧草营养成分含量, 植被指数结合相应辅助数据可以绘制牧草养分空间分布图^[68]; 基于可见光波段(包括红边波段)的植被指数构建的随机森林模型可以解释树木和草地叶片中超过89%的氮素含量和84%的草地年生物量, 使用含红边波段的高分辨率遥感资料可以监测草地叶片氮素含量^[67]。Knox等^[88]对克鲁格国家公园牧草氮、磷及纤维素含量的估测研究表明, 在不同的生长季节, 大尺度反演萨王纳草地牧草营养成分含量是可行的。纳钦^[89]利用非成像光谱仪测定了缘毛雀麦(Bromus cilitus)和紫花苜蓿(Medicago sativa)的冠层光谱, 分析了牧草营养成分含量与部分光谱波段之间的相关性, 并建立了牧草中叶绿素、氮素、磷素、钾素和中性洗涤纤维的估测模型, 其精度可达90%以上。高金龙等^[90]利用HJ-1A HSI影像和AvaField-3地物光谱仪数据估测了青海省贵南县、玛沁县的典型高寒草地牧草氮、磷和钾素含量, 研究结果发现其敏感波段多分布在红光区域(680~760 nm), 使用光谱位置变量R'708.88、R'704.85和R'697.36构建的拟合模型能够较好地估测高寒草甸氮、磷和钾素含量, 反演精度可以达到83%以上; 基于波段深度指数BD767.99构建的氮素估测模型可以解释研究区草地氮素含量变化的44%^[91]。Gao等^[71]基于高光谱遥感数据和机器学习算法对青藏高原东缘的高寒草地磷素含量进行了定量分析, 结果显示特征波段和环境因子的组合可以提高磷素含量的估测精度(R²=0.64, RMSE=0.0472%), 最优磷素含量的反演模型可以解释研究区草地磷素含量变化的88%。