文字：马宏亮 摄影：张少彬、沈高云 摄像：王源
>>>人物名片
彭漪，遥感信息工程学院教师。2006年和2008年分别获武汉大学学士学位和硕士学位,2012年获美国内布拉斯加大学博士学位。2012年-2013年期间，担任美国马里兰大学地理科学系初级研究员。研究兴趣为定量环境遥感，近期的主要研究方向为利用遥感光谱数据来监测农作物的生长发育情况和健康状态，以辅助精细农业。在Remote Sensing of Environment, Agricultural and Forest Meteorology等杂志发表SCI文章18篇。
>>>报告现场
2016年12月29日19:30，彭漪做客GeoScience Café第149期学术交流活动，介绍了博士期间成果以及现阶段研究兴趣点，并分享了自己对于定量遥感的理解。从NDVI饱和的现象，到叶绿素的光谱特点以及GPP的估算，彭漪和大家分享了定量遥感的魅力，让大家获益匪浅。
一个指数“饱和”的故事
做科研时，不管哪个领域，都有一个假设和前提。植被遥感的假设是：植被的绿度或者生物量的变化会导致光谱反射率的变化，而这种光谱信号可以被传感器所探测到。叶子由黄到绿，其光谱信号发生了变化，且变化有差异，这种差异即可被我们利用。
在日常实验中，面对众多的植被指数,如何选择波段？彭漪以自己做过的实验为例进行了解释。
图1.a.叶子采样图
| 
图1.b.叶子光谱曲线
|
研究一个指数，最重要的是要掌握它的规律。实验采用由黄到绿的叶子（如图1.a），并获得它们的光谱曲线（如图1.b）。可以看到，最上面一条线是叶子颜色最黄的光谱曲线，最下面一条是颜色最绿的叶子的光谱曲线。多次实验表明，叶子由黄变绿时，可见光波段的反射率在不断降低，而近红外的反射率在不断升高。联系到植被本身，可见光是植被色素吸收的主体，而近红外的变化则和叶子的散射有关。
具体来看，图1.b中，在蓝波段光谱曲线（蓝色覆盖）基本上重叠到一起，没有过多的变化；红波段区域，叶子由黄变成嫩绿时，反射率突然大幅度下降，因此红波段经常被用来检测新生植被。但是叶子由嫩绿继续变化到深绿时，红波段的反射率就基本上重叠了。因此可以总结如下：蓝波段对叶绿素是饱和的，红波段对中低浓度的叶绿素不饱和，而对中高浓度的叶绿素是饱和的。绿波段和红边波段的反射率相差较大，易于区分，我们构造植被指数，就是要利用这种反射率相差较大的波段。
植被指数是将高光谱的数据转换成一个值，并通过该值来突出植被的特性。已有的大部分植被指数的构造是利用近红外的升高和可见光的降低，其目的就是希望增强这种强升高和降低之间的对比，来突出植被的特性。基于这一点，1974年Dr.Rouse在其博士期间提出了归一化植被指数（NDVI）并一举成名。
然而NDVI是否完美呢？很多研究已经发现，中高浓度叶绿素时的NDVI达到了饱和状态（如图2.a）。在农作物上表现为(如图2.b)，绿度在0~2范围时，NDVI随之增大，农作物由枯萎到生长；当绿度在3~5范围时，NDVI趋于稳定，虽然此时NDVI值显示农作物生长发育健康，但是仍有已经受到轻度或者中度胁迫的可能，该情况下NDVI就无法用于区分植被生长态势。在精细农业中，如果农民发现NDVI值降低，说明农作物受损或即将枯萎，此时需要研究人员及时找到解决方法。
图2.a.NDVI随植被绿度变化曲线
| 
图2.b.农作物样本图
|
对于问题的解决，彭漪介绍到，最大的难题在于问题的发现，被发现之后解决一般不需要很长的时间。对于中高浓度叶绿素，既然红波段饱和，那么为什么不用不饱和的绿波段和红边波段呢？ 于是便有了Green NDVI和Red edge NDVI的提出：
Green NDVI = (NIR – Green ) / (NIR + Green)
Red edge NDVI = (NIR – Red edge) / (NIR + Red edge)
图3.a.NDVI变化图
|
图3.b.Green NDVI变化图
|
图3.c.Red edge NDVI变化图
|
可以看到，Green NDVI和Red edge NDVI有效改善了NDVI的饱和现象。原始NDVI在在绿度大于2时逐渐饱和，而Green NDVI在3之后饱和，Red edge NDVI在3.5左右才饱和。然而，对比几个指数的结果可以发现，饱和现象虽然得到改善但是依然存在。
选择不饱和波段之后饱和现象仍然存在，到底是为什么？彭漪介绍到，在观察NDVI原始的数学表达式时发现了归一化的问题。对于中高浓度的叶绿素来说，近红外反射率不断上升，接近50；而红光波段反射率不断下降到4左右。50和4的数量级之间相差不止10倍，两者不在一个数量级，所以这个原因也会导致指数出现饱和。因此，对于归一化指数来说，这是一个数学问题。
解决办法就是给原始NDVI公式中的近红外波段加一个系数，使得该波段与红光波段降为同一个数量级，即WDRVI指数的提出，由此饱和现象得到了明显改善。
WDRVI=(a * NIR – Red) / (a*NIR + Red); 0
植物叶绿素的光谱特性
谈到定量遥感的魅力，彭老师讲述了一下自己的看法：光谱曲线都是观察得到的，可是为什么会出现这种状况？比如说红波段会饱和，红边波段和绿波段不饱和的内在原因是什么？为此，彭漪讲述了自己的实验及其结果。
首先，将植物叶片进行研磨，用相应的化学试剂将色素提取出来。测量溶液中各种色素的光谱吸收率，如图4.a所示，叶绿素、类胡萝卜素、花青素等大部分色素的光谱吸收集中在蓝波段。叶绿素在红波段（670nm处）吸收系数也很高。因此，对于叶绿素来说，吸收系数最大的集中在红波段和蓝波段，这也是为什么早期的植被指数都喜欢围绕着这两个波段做文章。相比之下，绿波段的吸收系数则没那么高。
然而，当我们测量完整叶片的光谱吸收系数时，如图4.b所示，可以看到红波段和蓝波段和预想的一样很低，而在原来溶液中色素光谱吸收率比较低的绿波段和红边波段，此时吸收率却很高。这中间发生了什么？两种情况的区别在哪里？彭漪在报告中介绍到，叶子和溶液的区别在于叶片结构。
图4.a.溶液中各色素光谱吸收图
| 
图4.b.叶片光谱吸收图
|
叶片在进行光合作用时，不仅需要蓝光和红光，也需要绿光的帮助。图5为叶片的细胞壁结构，尽管叶绿素对于绿波段吸收系数很小，但是当光进入叶片结构中，与叶片细胞的细胞壁等发生了碰撞，使得能量不断衰减。类似于大气中，能量的吸收不仅和消光系数有光，还和其厚度有关，在叶片结构中，也存在这样一种“厚度”，它不是叶片实际的厚度，而是一种光学厚度。蓝波段和红波段的吸收系数本身较大，只要有一点叶绿素，能量就会发生较强的衰减，也很容易饱和；但是绿波段的吸收系数较小，其能量的衰减是通过细胞壁的增多而逐渐增大的，而细胞壁的增多反映出植被叶片的生长状态，这是一个较为缓慢的过程，最后才会出现不饱和的现象。这也在本质上对第一部分指数饱和的现象做了一部分解释。
图5细胞壁结构
|
因此，要达到区分叶绿素含量的目的，使用红边波段和绿波段更为有效，而不是按照通常的做法使用蓝波段和红波段。
在本部分，彭漪为大家介绍到，对植被测量来说，它本质上是一个生物驱动的测量过程。它不像人口增长、疾病传输等问题，有一些不为人知的模型。植被需要光合作用，这个过程需要吸收光，而吸收光导致的反射率降低现象就会被我们探测到。因此大家在选择波段时不要盲目，尽量从研究对象本身的特点出发。
为此，彭漪为大家分享了一个小故事。在一个关于农业遥感的小研讨会上，面对眼前大量叶绿素数据、高光谱数据以及其它各种数据，来自世界各地不同行业的专家分别采用了不同方法来建模：做工程的采用机器学习、支持向量机等方法，将所有数据都放进去；而一些学生物的则采用三波段模型（3-Band Model）。最后得出来的结果发现：虽然机器学习的效果能达到90%，但是三波段模型效果也能达到89%，就是说用了那么复杂的模型，其精度也并未提高多少。而且当变换数据之后，机器学习的精度就达不到理想的效果，而三波段模型仍然适用。以此为例，彭漪分享了自己对定量遥感的看法：在研究开始，重要的不是追求方法和模型的复杂，而是先把研究问题及对象的假设想清楚。
遥感对GPP的估算
农作物的GPP是指其单位时间内通过光合作用固定的有机碳总量，它对于农作物产量、全球碳循环和碳交易都很重要，因此也是目前的研究热点。常规测量农作物的GPP是通过实地观测塔来实现，然而其建造和维护费用较大，而且只能观测到某一块区域。现在可以利用遥感多尺度观测、数据免费等特点进行GPP的测量。
关于GPP的模型在1972年被提出，如公式所示，PARin表示入射光，fAPAR表示农作物所能吸收的光能比率，LUE代表农作物吸收单位光能转化为有机物的效率。
GPP = fAPAR × LUE × PARin
|
从遥感的角度，首先，对于fAPAR的模拟，大多数文献中的实验是通过NDVI来进行，它们之间确实有较好的关系，但也存在一定的饱和现象。LUE则一般通过查找表来进行输入，实际上它并不是一个常数，这也是需要改进的地方。
因而另一种思路就是认为这些参量和叶绿素有关，即不管玉米还是大豆，都用类似的公式来进行计算，叶绿素被认为是研究该问题中一个相对本质、通用的因素。实际操作中，可以采用相关植被指数（VI）来代表叶绿素。对于PARin的讨论，它有两个趋势，一个是高频变化；另一个是随着季节变化而下降的趋势，比如说夏天光照多，冬天光照少。我们所能得到的最大的光照，被定义为PARpotential。基于GPP=VI*PARin，利用Landsat数据对大豆和玉米进行计算，可以看到R2可以达到0.87和0.79左右。彭漪介绍到，这是自己最初的研究，可是随着进一步的观察，发现实验中仍然存在大量散乱点。
于是再回到最原始的GPP模型，彭漪在实验中假设LUE是常量，分析样本中GPP的变化量和PARin的变化量的关系时，发现两者的变化并不是完全一致的，甚至出现大量的散乱点。在假设光照下降但没有到影响植被光合作用的前提下，彭漪决定采取PARpotential来对GPP模型进行改进，结果发现取得了很好的效果。
最后，彭漪老师在报告的末尾勉励大家，做定量遥感时要注重研究对象的内在机理，并享受科学的一个过程。
>>>互动交流
观众A：您在环境遥感、农林气象等顶级杂志上发表了很多文章，请问关于写文章、发论文有没有经验可以分享？
彭漪：其实每次报告都被问到这个问题，我感觉确实不知道该如何回答。发文章是有一些技巧和经验在里面，但是我个人还是觉得，写论文是一个水到渠成的过程。大家可以看到在报告中的实验也没那么复杂，反而很常规，我们要做的是讲好一个完整的“故事”。我是2008年去美国读的博，到2011年才开始发文章。当然现在大家都很厉害，很多人低年级就发表了文章。但是我希望大家还是能够多体会Science给大家带来的乐趣，如果急着发论文、跑程序的话，很可能会错过很多东西。比如说在前面报告中，还没测到指数的饱和点以及在GPP估算中，PARin精度已经很高了，假如这个时候急着发文章，很可能就不会去深入思考以及做进一步提高，这样也失去了一次发很好文章的机会。
我在国外时的导师Gitelson几乎每隔一期都在RSE上发表文章，但是我在读博几年和他接触期间，观察他没有一篇文章是匆忙写完的。每一篇论文都要经过十几遍的反复修改。所以从这个角度来考虑，可能在文章技巧上给不了大家很好的建议。但是想告诉大家的是：如果有好的技巧，可能会发一篇好文章；但是有一个好的主题和好的故事的话，那么一定可以发一篇好文章。不知道给大家的导向对不对，但是还是希望大家在做实验时，慢一点，多观察数据认真想一想，是否能够发文章做到自己心中有数。
当然这不是说大家可以懒散，而是说真正投入进去，慢下来认真思考。当然，以上只是个人意见。
观众B：在精准农业实施中，美国的田块比较规整，作物也比较均一，所以采样也相对简单。但是中国却没有这样的条件，想请问一下彭老师对于在国内做精准农业采集相关数据有没有比较好的建议？
彭漪：这也是我们目前面临的问题。好的建议的话：首先采样还是要继续，不然没有地面数据；第二点就是可以选择一些对植被类型不敏感的指数；再一个就是尽量去农作物分布均一的大田中做实验。在实践中，我更加倾向于使用近景遥感的数据，尽量排除不相关因素的干扰。对不同植被分别建立模型，然后进行比较分析进而找出通用的模型，最后再将通用模型推广到大田中。当然，这些是我们需要克服的现实问题，在实践中还是需要和农民进行协商。
观众C：您对目前基于卫星数据的农业估产什么看法，从您的角度来看，这些可信度有多高？
彭漪：从在美国的遥感农作物估产来讲，可信度还是比较高的。但是对于国内的农业估产来讲，则面临很多问题，首先是国内田块的农作物没有那么均一。北方还好，南方则分布较分散的小田块。所以制约估产可信度的不一定是模型和方法，而首先应该是数据采集的问题。农业遥感前景很好，中国作为一个农业大国，这一块目前还没有得到较好的发展。
观众D：您在报告中的实验有基于叶绿素的，也有基于叶片的。同样在辐射传输模型中，叶片模型和冠层模型也是分开来研究的，想请问您一下这些有什么不同？
彭漪：叶片和冠层是明显不同的， “冠层就是一个大叶子”。比如说利用叶片估测叶绿素，绝大部分叶片利用三波段模型估测叶绿素都可以达到一个较高的精度。但是冠层则不行，它受叶子倾角、叶片的分布的影响。然而在实际操作中，特别是大田实验中，我们也不太可能去测量每一片叶子的叶倾角，这种情况下用冠层的光谱来进行反演，做法虽然简单，但我个人认为很实用。
彭漪作精彩报告
认真听讲
踊跃互动
彭漪（左二）与GeoScience Café团队成员合影留念
(编辑：肖珊)
GeoScience Café以“谈笑间成就梦想”为口号，采取最自由的交流方式，每期邀请1-4位报告人，针对自己正在进行的研究展开报告。每周五晚7:30，在测绘遥感信息工程国家重点实验室四楼休闲厅举行当期活动。报告内容不仅涉及一切与测绘有关的学科内容及学术方法，如测绘基础学科、地理信息系统、摄影测量与遥感、全球定位系统、激光雷达技术、信号处理，还包括地理信息科学以外的话题，如法律和艺术等。让任何感兴趣的人——不仅是地理信息相关专业的师生，还包括其他专业的师生，甚至是文科生——都可以听取报告，并当场向主讲嘉宾提问或者会后与其交流。
更多精彩内容(报告PPT、新闻稿及下期活动消息等)敬请关注Geoscience Café群(QQ群号：532362856)，微信公众号：GeoScienceCafe，新浪微博账号：GeoScienceCafe；优酷视频链接：http://v.youku.com/v_show/id_XMTkzNjQ3MjgyMA==.html?from=s1.8-1-1.2&spm=a2h0k.8191407.0.0
欢迎扫描二维码：
