近日，南京农业大学国家信息农业工程技术中心（以下简称“中心”）在国际顶级遥感期刊《Remote Sensing of Environment》发表了题为“Assessing a soil-removed semi-empirical model for estimating leaf chlorophyll content”的研究论文，报道了中心在冠层尺度叶片叶绿素含量光谱监测普适性模型构建和土壤影响消除方面的重要进展。
叶绿素含量是反映作物光合能力与氮素营养状况的重要指标。如何利用冠层反射光谱准确无损监测叶片叶绿素含量（Leaf chlorophyll content, LCC，µg/cm2），一直是国际农情遥感监测领域的研究热点。基于特定波段反射率组合的光谱指数，比如本团队前期构建的新型叶绿素指数（LICI），在冠层尺度作物LCC高精度监测方面表现出明显优势。然而，该指数对其它植被类型LCC的估算能力还不清楚。此外，LICI受土壤背景的影响较大，在植被稀疏地区或者作物生长前期对叶绿素的敏感性较低，估算精度不高，难以满足大面积多时期遥感监测的应用需求。
传统土壤影响消除方法所需参数较多、过程较为复杂，比如需要提取纯净植被和土壤的光谱与丰度，会引起额外的不确定性。为简化土壤影响消除过程，该研究基于土壤与植被反射光谱形状的显著差异，创建了机理明确的土壤植被组分光谱分解算法（Spectralseparation of soil and vegetation, 3SV）。基于植物反射光谱学原理，植被组分反射率在477 nm和677 nm两个波段间差异较小，而土壤反射率在440-800 nm光谱区间近似线性递增，因此，477 nm和677 nm两个波段间的冠层混合（植被+土壤）反射率差异主要由土壤组分决定，基于这两个波段推算出土壤组分信息。3SV算法不需要先验知识，土壤影响消除过程简洁明了、自动化程度高。应用3SV算法消除土壤影响（比如作物前期土壤背景比例较大），估算的LCC与实测LCC一致性更好，减轻了由土壤背景导致的高估现象。
3SV算法消除土壤影响实例（A：原始冠层光谱；B：模拟土壤组分光谱；C：消除土壤信号后的植被组分光谱）
应用3SV算法前后小麦LCC估算值和实测值的季节变化趋势比较
（Rc和CRv分别代表原始冠层和消除土壤信号后的植被组分光谱）
该研究利用地面、无人机和卫星平台获取的作物与其他植被类型实测数据，验证了3SV算法在消除土壤影响和提高LCC估算精度方面的能力。结合LICI和3SV算法，作物数据集LCC的估算误差为6.22 µg/cm2，多物种数据集LCC的估算误差最低为10.40µg/cm2，明显低于消除土壤背景前的估算误差（14.26 µg/cm2）。同时，本研究采用的LCC半经验估算模型由辐射传输模型模拟数据集得到，综合了机理模型的通用性和经验模型的实用性，建模过程不需要实测数据，具有很好的普适性，适用于多种植被类型的LCC估算。该研究系统评估了土壤背景对LCC光谱估算的影响机制，巧妙地融合了3SV算法和基于LICI的半经验模型，对于叶片叶绿素含量全球遥感产品研制和高通量智能化监测具有重要价值。
不同尺度应用3SV算法前后稻麦LCC估算性能比较：（A）地面、（B）无人机、（C）卫星
（Rc和CRv分别代表原始冠层和消除土壤信号后的植被组分光谱，图中数值为估算误差RMSE）
不同土壤覆盖度条件下应用3SV算法前后LCC估算性能比较：（A）0-0.1、（B）0.1-0.2、
（C）0.2-0.3、（D）0.3-0.4
（Rc和CRv分别代表原始冠层和消除土壤信号后的植被组分光谱，图中数值为估算误差RMSE）
该研究由中心与加拿大多伦多大学合作完成，中心钟山青年研究员李栋博士为论文第一作者，朱艳教授和程涛教授为共同通讯作者，多伦多大学Jing M. Chen教授为合作作者。中心在国家重点研发计划项目、国家自然科学基金、国家博士后基金、江苏省卓越博士后计划，以及现代作物生产省部共建协同创新中心等平台的资助下，近五年在Remote Sensing of Environment上发表4篇叶片叶绿素含量监测机理与方法方面的论文，在叶片镜面反射效应、冠层结构和土壤背景影响消除方面开展了系统性研究，显著提升了叶片叶绿素含量光谱估算模型的准确性、机理性和普适性，该研究也是自新型叶绿素指数（LICI）提出后在冠层尺度取得的又一重要成果。
论文链接：
https://doi.org/10.1016/j.rse.2022.113284
近五年叶片叶绿素含量监测机理论文链接：
https://doi.org/10.1016/j.rse.2020.111985
https://doi.org/10.1016/j.rse.2019.111240
https://doi.org/10.1016/j.rse.2017.12.013