成果信息：

Lin, D., Jian, Y., Bowen, C. et al, Novel Combined Spectral Indices Derived from Hyperspectral and Laser-Induced Fluorescence LiDAR Spectra for Leaf Nitrogen Contents Estimation of Rice. Remote Sensing, 2020.

DOI: 10.3390/rs12010185.

团队成员：

杜霖，博士，154.com皇冠，特任副教授，硕士生导师，主要从事高光谱激光雷达及其植被遥感应用、环境遥感、植被数据融合、同化等方面的研究。（邮箱：dulin@cug.edu.cn）

龚威，武汉大学教授，博士生导师，测绘遥感信息工程国家重点实验室副主任，主要从事激光雷达、大气科学、辐射等方面研究。

杨健，154.com皇冠，特任副教授，硕士生导师，主要从事植被叶绿素荧光及激光激光雷达等方面的研究。

陈博文，武汉大学测绘遥感信息工程国家重点实验室，博士研究生，主要从事高光谱激光雷达三维点云获取及其在植被等地物分析中的应用。

研究背景和意义：

氮含量是水稻等农作物必须的营养元素，除大部分的氮元素组成植被叶片的主要器官外，有5-10%的氮含量存在于叶片的叶绿素当中参与植被的光合作用过程。因此对叶片氮含量（LNC）的准确估计对农作物长势、产量等研究至关重要。

现有的遥感手段中，高光谱激光雷达可以获得丰富的与植被叶绿素含量相关的信息，可间接用于LNC的精准分析。另外一种可以表征农作物生长状态的光谱特征是叶绿素荧光，它产生于光合作用的PSⅡ过程，且随着LNC变化，与其相关的一个重要参数-初级光能转换效率会随之改变。可见，反射光谱和荧光光谱是两个重要的可以反映植被LNC的光谱特征。为了充分结合二者在LNC分析中的优势，本研究设计了一种新型的高光谱-荧光激光雷达联合指数（NCI_H-F），用于水稻LNC的分析。

研究方法：

联合指数的构造形式为式（1），其中参数 代表反射-荧光光谱波段对LNC的贡献权重或者敏感度， 代表反射-荧光光谱特征。

                 （1）

对于参数 的确定论文主要通过两种方式，一种是基于散度分析的权重因子FW（式2），另一种是基于模型敏感性分析的多参数敏感度指数GSI（式4）。

                              （2）                          

                      （3）                                  

                （4）

基于上述构造过程，首先选择两个固定波段的光谱特征用于求解联合光谱指数（685nm和740nm），并利用ANN构建其与LNC的反演模型，并同时利用荧光光谱特征改进光合作用指数PRI_fraction（图1），比较LNC估计结果；随后依据权重值和敏感度指数对所有的反射荧光光谱波段关于LNC进行排序，选取前四个特征重复上述构造指数和ANN反演过程。

图1 研究方法流程图

实验结果：

表1，2是分别利用FW和GSI值构造NCI_H-F反演水稻LNC的结果，可以看到不同时期（年份）的数据对该指数的响应有所差别，但大部分的反演模型可以得到较为满意的结果。另外，与作者以前的工作相比，此联合光谱指数拥有更加优异的LNC估计结果（表3）。

表 1 基于FW值构建的NCI_H-F用于不同时期水稻LNC估计

表 2 基于GSI值构建的NCI_H-F用于不同时期水稻LNC估计

表3 与前期联合指数结果对比

在将特征波长进行重新排序后，选择出前四个波段用于构造联合指数，结果表明依据权重选择的波段相较于依据敏感度指数选择的波段更能有效表征水稻LNC（图2）；但是相较于使用固定波段特征（685nm和740nm），他们的反演能力没有明显的优势。

图 2 排序后的优先波段用于构造NCI_H-F并反演水稻LNC

研究结论：

联合反射-荧光光谱用于水稻LNC估计是一种非常有效的分析方法，本研究中的联合指数构造方法在充分考虑LNC与各波段相关性的基础上加以改进，极大地提高了反演模型的精度，为今后试验更加有效的光谱数据融合方法提供了一种思路。