下载:
-
植物叶片发育过程一般可分为原基形成、初级形态和次生形态等3个阶段[1]。在原基形成阶段，叶原基的顶端分生组织有较高浓度的生长素和细胞分裂素[2]。一般而言，新展开的叶子有较低的净光合速率与较高的暗呼吸速率和低传导的二氧化碳转移[3]。在初级形态阶段，叶片生长、细胞分裂、光合速率达到最高水平。在次生形态阶段，细胞停止增殖，叶片停止生长[4]。据报道，在番茄Solanum lycopersicum叶片成熟过程中，其总类胡萝素含量呈指数形式增加[5]；在板栗Castanea millissima和紫丁香Syringa oblata叶片发育过程中，叶绿素含量也逐渐增加[6-7]。借助于光合膜的能量通量理论提出的“JIP分析法”[8]，可以观察到植物叶片发育不同阶段的PSⅡ氧化还原状态和电子传递链末端电子受体间的PSⅠ受体侧的效率[9]，植物叶片光合能量转换过程获得更清晰的认识。在早春期间，毛竹Phyllostachys edulis具有显著的爆发式生长特性已经获得深入研究[10-12]，但是与毛竹竹秆爆发式生长相对应的叶片放叶至展叶过程中，有关光合色素、光化学效率及光合能力的变化特征尚未开展研究。为此，本研究以毛竹为研究对象，利用叶绿素荧光分析技术等，研究毛竹从叶片放叶至展叶过程中的光合色素质量分数、光合速率及光合激发能分配，试图阐明毛竹叶片发育过程中光合结构和功能的变化规律，为毛竹林的科学管理提供理论依据。
-
在浙江省临安市的毛竹林试验基地，选择生长健壮的2年生毛竹5株，1株为1个独立实验。从2015年4月20日幼叶展叶时开始取样测定，隔5 d取样1次，至2015年5月20日止共取样6次。
-
根据ARNON[13]的方法略做修改，称取毛竹叶片0.2 g，剪碎后置于带盖的试管中，加5.0 mL体积分数为80%的丙酮溶液在暗处浸提48 h，分别在470，645和663 nm处测定其光密度D（λ）值，参考LICHTENTHALER[14]的方法，计算叶绿素a，叶绿素b和类胡萝卜素的质量分数。取样1次·株-1，5次重复。
-
光响应曲线用Li-6400XT便携式光合仪（Li-COR，美国）中自动测定程序light-curve测定。测定时，设定的光合有效辐射强度为: 2 000，1 800，1 600，1 400，1 200，1 000，800，500，300，200，100，50，0 μmol·m-2·s-1，二氧化碳摩尔分数为370 μmol·mol-1，温度为25 ℃。根据直角双曲线修正模型拟合计算光饱和点（LSP）和光补偿点（LCP）等光合指标。选取5株，测定1次·株-1，5次重复。
-
快速叶绿素荧光动力学曲线采用非调制式叶绿素荧光仪（Yaxin-1161型）测定。测定前，叶片先暗适应20 min，然后用3 000 μmol·m-2·s-1饱和蓝闪光照射1 s，以10 μs（2 ms之前）和1 ms（2 ms之后）的间隔记录荧光信号，即可测得叶绿素荧光动力学参数。重复5次·处理-1。叶绿素荧光动力学参数的计算参考STRASSER等[15]的计算方法。暗适应下PSⅡ最大量子产率φPo=Fv /Fm=（Fm-Fo）/Fm；捕获的激子能电子传递的效率φO≡ETO /TRO=（1-VJ）；用于热耗散的量子比率φDo≡1-φPo =（Fo /Fm）；单位面积反应中心数目RC /CSO =（Fv /Fm）×（VJ /Mo）×Fo；单位反应中心耗散掉的能量DIO /RC＝（ABS /RC）-（TRO /RC），其中：TRO /RC= Mo·（1/VJ）表示单位反应中心捕获的用于还原PSⅡ电子受体蛋白QA的能量；ABS /RC=Mo（Fv /Fm）/VJ表示单位反应中心复合体吸收的能量；ETO /RC =Mo×（1/VJ）×φo表示用于电子传递的能量；Mo=4×（F300μs-Fo）/（Fm-Fo）表示荧光曲线的相对初始斜率；VJ =（FJ-Fo）/（Fm-Fo）表示2 ms时的可变荧光。上述公式中，Fm表示暗适应后的最大荧光强度；Fo表示暗适应后的最小荧光强度；F300μs表示在暗适应后照光300 μs时的荧光强度；FJ表示在暗适应后照光2 ms时的荧光强度。
-
数据均为5次重复的平均值±标准误差，利用Origin 8软件进行统计分析和作图。采用One-Way ANOVA方法进行统计检验和最小显著差异法（LSD）多重比较（P＜0.05）。
-
随着毛竹叶片展开天数的增加，毛竹叶片叶绿素a，叶绿素b和类胡萝卜素质量分数不断增加（表 1）。在展叶后第15天时，毛竹叶片中的叶绿素a，叶绿素b和类胡萝卜素质量分数比第5天时分别增加了233.8%，253.8%和142.1%。在第15天后，叶绿素a，叶绿素b和类胡萝卜素基本保持不变。由此说明在叶片发育进程中，第15天时，毛竹叶发育成熟，成熟叶片的叶绿素质量分数比幼叶多。此外，说明随着毛竹叶片发育进程推进，光合色素质量分数不断增加。
表 1 毛竹发育过程中光合色素质量分数变化
Table 1. Change of the pigment content in bamboo development processes
时间/d 叶绿素a/(mg·g-1) 叶绿素b/(mg·g-1) 类胡萝卜素/(mg·g-1) 叶绿素总和/(mg·g-1) 叶绿素a/叶绿素b 5 0.65 ± 0.11 e 0.26 ± 0.11 e 0.19 ± 0.03 d 0.91 ± 0.21 d 2.68 ± 0.65 b 10 1.25 ± 0.14 d 0.41 ± 0.02 d 0.33 ± 0.06 c 1.67 ± 0.12 c 3.04 ± 0.44 a 15 1.87 ± 0.24 c 0.71 ± 0.17 c 0.46 ± 0.03 b 2.58 ± 0.40 b 2.63 ± 0.21 b 20 2.27 ± 0.37 b 0.91 ± 0.26 b 0.54 ± 0.18 a 3.18 ± 0.38 a 2.49 ± 0.67 c 25 2.52 ± 0.03 a 1.03 ± 0.11 a 0.60 ± 0.02 a 3.55 ± 0.09 a 2.48 ± 0.31 c 30 2.55 ± 0.06 a 1.05 ± 0.05 a 0.59 ± 0.03 a 3.61 ± 0.10 a 2.43 ± 0.06 c 说明:每个值均为平均值±标准误 (n=5)。根据LSD测验 (P < 0.05)，不同小写字母表示叶绿素a，叶绿素b和类胡萝卜素的 -
衡量叶片光合能力的重要指标是最大净光合速率。研究表明：2年生毛竹的叶片在6个不同的发育阶段，其净光合速率都有变化（图 1）。随着毛竹叶发育进程天数的增加，净光合速率呈缓慢上升趋势，在第15天到第20天时，净光合速率达到最大值，约为9 μmol·m-2·s-1；在20 d以后的一段时间里，净光合速率呈上下波动，趋于稳定状态。表明毛竹叶在第15天到第20天之间的光合能力是最强的。
图 1 毛竹不同发育时期的光响应曲线
Figure 1. Light curver during leaf development processes of Phyllostachys edulis
-
叶片发育过程中各个时期的快速叶绿素荧光诱导动力学曲线（图 2）表明，叶片发育过程中各个时期的快速叶绿素荧光诱导动力学曲线均具有O，J，I，P相等的典型特征位点。随着叶片的发育，快速叶绿素荧光诱导动力学曲线的形状发生了变化，在初期的O相，叶片各个发育阶段的差异不明显，从J相开始，I相和P相荧光随叶片发育进程逐渐升高，叶片各个发育阶段的差异逐渐增大，在I相和P相表现出明显的差异。
图 2 毛竹叶片发育过程中快速叶绿素焚光诱导动力学曲线的变化
Figure 2. Changes in chlorophyll fluorescence transient during leaf development processes of Ph. edulis
-
毛竹叶片发育过程中PSⅡ反应中心数和活性反应中心数变化（图 3）表明，叶片发育过程中叶片单位面积含有的PSⅡ反应中心的数量（RC/CSo）和活性反应中心数（RC/ABS）逐渐增加，发育到第15天，RC/CSo升高了14.2%；RC/ABS升高了54.4%。由此表明在叶片发育过程中，有活性的反应中心增加更快。
图 3 毛竹叶片发育过程PSⅡ反应中心数和活性反应中心数变化
Figure 3. Changes in PSⅡ reacyion center numbers and activity reaction center numbers during leaf development of Phyllostachys esulis
-
毛竹叶片发育过程PSⅡ反应中心能量分配的变化（图 4）表明，在叶片发育过程中，PSⅡ单位反应中心吸收的光能（ABS/RC）和用于还原QA的能量（TRo/RC）逐渐降低，在5~15 d下降速度较快，在第15天后趋于稳定。ETo/RC数值保持平稳，表明在叶片发育过程中用于电子传递的能量变化不大。DIO/RC在5~15 d迅速减少，15 d后稳定在较低的水平，表明在叶片发育过程中单位反应中心的能量耗散越来越少，在15 d后叶片发育完成，维持较低的能量耗散。
图 4 毛竹叶片发育过程PSⅡ反应中心能量分配的变化
Figure 4. Changes in PSⅡ reacyion center energy allocation during leaf development of Ph. edulis
-
图 5表示毛竹叶片发育过程PSⅡ受体侧的变化。随着叶片的发育成熟，Mo不断减少说明在叶片发育过程中QA被还原的速率迅速升高，QA完全被还原所需要的能量下降。最大光化学效率（φPo）上升最少，基本稳定；φEo和ψO的变化规律一致，在5~15 d间上升较快，而在15~30 d趋于稳定，表明叶片发育过程中PSⅡ受体侧QA下游的电子传递接收的能量无论绝对值还是占总能量的比例都是不断升高的，φEo的上升表明在叶片发育过程中用于QA下游电子传递的量子不断增加，ψO的上升表明叶片发育过程中PSⅡ反应中心捕获的激子中用于QA下游电子传递的激子占捕获激子总数的比例不断增加。
图 5 毛竹叶片发育过程PSⅡ受体侧的变化
Figure 5. Changes in PSⅡ receptor side during leaf development of Ph. edulis
-
叶绿素主要作用是植物吸收和传递光能，类胡萝卜素的作用是吸收光能传递给中心色素叶绿素a，保护叶绿素免遭光氧化伤害[16]。一般情况下，植物叶片从幼叶伸出到完全扩展成熟的发育过程中，首先需要建立光能吸收与转换的机构，然后再逐渐完善气孔功能和羧化功能[17]。毛竹叶片叶绿素a，叶绿素b和类胡萝卜素质量分数均随叶片发育呈增加趋势。毛竹叶片在生长初期，各种色素质量分数都较低，随着叶片的发育，各种色素质量分数都在不断形成而增加，但由于叶绿素a比叶绿素b增加的幅度小，导致叶片中叶绿素a/叶绿素b值的降低。叶绿素b具有吸收和传递光能的作用，有利于叶片吸收更多的光能。可见毛竹在叶片发育过程中，通过叶绿素循环调节自身叶绿素a /叶绿素b比值的对策，适应外界环境中光的变化[18]。
快速叶绿素荧光诱导动力学曲线包含大量有关光合原初光化学反应的信息，能更好地反映植物叶片光合机构的状况[19]。在毛竹叶片发育过程中，PSⅡ反应中心吸收的光量子将电子传递到电子传递链中QA下游的电子受体的概率（φEo），以及捕获的激子将电子传递到电子传递链中QA-下游的电子受体的概率（ψO）逐渐上升。该结果表明：毛竹叶片发育过程中，PSⅡ受体侧PQ库被还原的能力急剧上升，库容增大，QA自身氧化还原越来越容易，导致受体侧电子传递畅通，毛竹叶片的PSⅡ反应中心功能逐渐完善，光合能力逐渐增强。
在毛竹叶片发育过程中，叶片单位面积上有活性的反应中心（RC /CSo）的数量明显增加，PSⅡ的光能转化效率升高，单位反应中心吸收（ABS /RC）和捕获（TRo /RC）的光能在叶片发育过程明显降低。ABS/RC和TRo /RC降低，减少了单位反应中心的激发压，而单位PSⅡ反应中心的光化学反应活性（ETo /RC）几乎没有变化。表明毛竹在叶片发育过程中，PSⅡ中有活性的反应中心数目逐渐增加，活性反应中心捕获的光能优先保证推动PSⅡ电子传递（ETo/RC）[20]。φPo是PS Ⅱ最大光化学量子产量，其大小反映了PS Ⅱ反应中心内原初光能的转换效率（最大PS Ⅱ的光能转换效率），φPo在非胁迫条件下变化极小，在受到环境胁迫时，随胁迫的增大而降低[21]。本研究中，毛竹叶片发育过程φPo无显著变化，表明毛竹在叶片发育过程中，环境胁迫不明显。
综上所述，毛竹在叶片发育过程中，叶绿素质量分数和净光合速率逐渐增加，15 d叶片发育完成，PSⅡ反应中心的功能逐渐完善，能够充分利用毛竹群落生境的光能资源。
Photosynthetic characteristics in the development process of Phyllostachys edulis
-
摘要: 运用植物气体交换测定和叶绿素荧光测定等分析技术，测定分析毛竹Phyllostachys edulis叶片发育过程中的色素质量分数、光响应进程和叶绿素荧光参数的变化特征。结果表明：① 毛竹叶片从幼叶生长到叶片成熟的各发育阶段，叶绿素质量分数和净光合速率不断增加而趋于稳定，叶片对光能的捕获和利用能力也随之增强。② 叶片从伸出到成熟，叶片的最大光化学效率（φPo）的变化不明显。③ 毛竹叶片经放叶、展叶至第15天，PSⅡ反应中心数不断增加，其数量约升高54.4%。④ PSⅡ电子受体蛋白QA被还原的速率和还原需要的能量不断减少，用于推动QA下游电子传递的能量不断增加。因此，毛竹叶片光合功能从幼叶形成至第15天完全展叶，叶片发育趋于完善，表明毛竹叶片具备正常的光合生理功能，可以充分利用毛竹群落生境的光能资源。Abstract: Using gas exchange and chlorophyll fluorescence technologies, changes in the net photosynthetic rate, pigment content, and chlorophyll fluorescence parameters of bamboo (Phyllostachys edulis) leaves were tested. Results showed that 1) as young bamboo leaves grew to maturity, in different developmental stages, the chlorophyll content and net photosynthetic rate increased, as did the light energy capture and utilization ability. 2) From leaf out to maturity, the maximum photochemical efficiency of leaves (φPo) did not change. 3) Also, for bamboo leaves, from leaf out to 15 d, the PS Ⅱ reaction center number increased about 54.4%. 4) The rate at which the PS Ⅱ receptor side primary quinone electron acceptor (QA) decreased and the energy required for reduction continuously decreased with the energy used to drive the QA downstream electron transfer increasing. Therefore, bamboo leaf photosynthetic functions from the time the young leaves formed to after 15 d of fully expanded leaves tended to be optimal, and leaves of Ph. edulis with normal photosynthetic physiological functions could make full use of the habitat community's solar energy resources.
-
土地利用是城市发展规划及资源开发利用的关键信息，同时也是区域土地利用变化研究的重要基础[1]。然而高原山区的遥感影像自动分类相比其他地形区而言，传统的遥感分类方法在分类精度上受各方面因素影响，难以满足研究需求[2]。传统的监督分类方法和非监督分类方法，是基于像元的数理统计法，地物分类时考虑的主要为像元的光谱信息，对遥感影像的形状、纹理及空间关系等利用不够充分[3]，容易发生“同物异谱”和“同谱异物”。近年来，国内外许多学者尝试利用不同类型遥感影像来提高土地利用分类精度，在遥感影像的使用上多以Landsat和Modis系列的中低分辨率数据为主，分类精度经常受到影像空间分辨率的限制，在地物破碎的区域提取草地、水塘和小规模村庄等时存在较大的局限性[4]。近年来采用高分辨率卫星作为实验数据的分类研究逐年增多[5-7]，高分辨率影像可利用清晰的地物几何特征和纹理等信息，具有覆盖范围大、重访周期短、定量化探测等优点，但影像成本较高，获取难度较大[8]。哨兵二号遥感卫星最高的空间分辨率可达10 m，与传统遥感数据相比，Sentinel-2A遥感数据新增加的4个红边波段与叶绿素含量关系紧密[9]。在地物提取分类研究领域中，近年来有众多学者运用红边波段进行湿地提取[10]、作物识别[11]、地物类型划分[12]等方面的研究，均取得了较好的效果。随着计算机和3S技术的发展，遥感研究的逐渐深入，新的分类方法不断涌现，如多重滤波[13]、面向对象分类法[14]、模糊分类法[15]、随机森林分类法[16]、神经网络法[17]等。尽管这些分类方法在不同程度上均提高了分类精度，然而在分类结果中依然存在着或多或少的“椒盐效应”[18]。本研究以云南省大理市为研究区域，以Sentinel-2A遥感影像为数据源，提出一种面向对象特征与决策树规则相结合的分类方法，依靠多维遥感信息复合技术，充分利用地物的光谱特征[19]、几何结构和纹理等提高遥感影像在大理市不同土地利用类型的区分效果，可探索提高高原山区分类精度的有效途径。
1. 研究区概况
云南省大理市地处云贵高原，大理州中部，25°25′~25°58′N，99°58′~100°27′E，总面积为1 815 km2，基础海拔1 000 m以上，地面起伏较大，地形以山地为主，其中山地面积为1 278.8 km2，山区、半山区面积达70.5%。总体特征是西北高，东南低，四周高，中间低。研究区地处盆地，中部是洱海，被四周的高山环抱，西部是苍山，东侧为马尾山，四周山坡均朝向洱海。
2. 研究方法
2.1 数据来源与预处理
本研究使用的Sentinel-2数据源通过欧空局的哥白尼数据中心下载，辅助数据包括2.5 m天地图影像数据和从地理空间数据云获取的大理市行政边界矢量数据。利用欧洲航天局(ESA)官方提供的SNAP软件和sen2cor插件对下载的原始影像进行大气校正，得到L2A级数据，采用最近邻插值法将波段重采样为10 m分辨率，基于ENVI软件对其进行几何校正。因高原山区云雾较多，为降低影像云覆盖对分类精度影响，将2020年1月1日至12月31日大理市Sentinel-2A影像最小云量进行年度多时相合成，通过大理市行政边界矢量数据对遥感影像数据进行裁剪。
2.2 土地利用分类体系
土地利用分类标准在参照GB/T 21010—2017《土地利用现状分类标准》[20]的基础上结合高原山区各方面特征，将研究区分为七大类，选出准确可靠的7个类型样本，进行样本间的分离度计算，计算结果如表1所示。
表 1 各种类型地物样本组合的Jeffries-Matusita距离Table 1 Jeffries Matusita distance of various types of feature sample combinations土地利用类型 分离度 土地利用类型 分离度 林地-农田 1.953 农田-其他 1.994 林地-水体 2.000 水体-草地 1.993 林地-草地 1.895 水体-建设用地 2.000 林地-建设用地 1.998 水体-冰川积雪 1.998 林地-冰川积雪 1.995 水体-其他 1.996 林地-其他 1.994 草地-建设用地 1.996 农田-水体 1.983 草地-冰川积雪 1.997 农田-草地 1.894 草地-其他 1.996 农田-建设用地 1.993 建设用地-冰川积雪 1.992 农田-冰川积雪 1.993 建设用地-其他 1.983 冰川积雪-其他 1.990 2.3 面向对象特征的决策树分类
2.3.1 决策树分类模型粗分类
为能充分利用基于像素和面向对象分类方法优势，组合方法已被广泛应用于土地利用分类领域[21]。QUEST决策树从运算速度和分类精度方面均衡考量，优于其他决策树方法[22]。利用面向对象特征的遥感分类方法，可结合研究对象的光谱、形状、纹理、空间关系等不同属性信息，将相同性质的像元组成为基本处理单元“对象”完成分类[23]。对研究区各地物类型的光谱特征、纹理特征和几何特征分析后，以第3绿光波段、第8近红外波段、第4红波段和第11短波红外为特征波段，再提取农田、草地、冰川积雪和其他等4个不同类别地类的面向对象特征，根据各特征建立分类规则进行建模。构建面向对象特征与QUEST决策树相结合的分类模型，如图1所示。
①水体区域提取。基于研究区实地情况，本研究采取归一化差异水体指数(NDWI)方法[24]将研究区水体部分划分出来。根据对样本数据的初步分析以及人工判读，先将QUEST决策树分类条件设置为NDWI＞0.4125。②植被区域提取。因为Sentinel-2数据的优势是在红边范围含有3个波段的数据，且研究区是典型的高原山区，全域植被覆盖率较高，所以归一化植被指数(NDVI)能从影像中更加有效地提取植被区域[25]。以此为基础将决策树分类条件设置为NDVI＞0.312 5，可将植被区域与非植被区域分离开，且不与水体区域混淆。再通过设置NDVI指数范围阙值，进一步将植被中的农田、草地分类条件设置为0.312 5＜NDVI＜0.654 3，林地则设置为0.654 3＜NDVI＜1.000 0。③非植被区域提取。将研究区的水体和植被两大类提取成功后，其余部分则为非植被区域。为了进一步将建筑用地从非植被区域提取出来，在前几步的基础上又计算了归一化建筑指数(NDBI)，并将QUEST决策树分类条件设置为NDBI＞0，发现此时可将研究区大部分建设用地从非植被区域提取出来。
2.3.2 面向对象特征的细分类
面向对象可充分利用各对象的各类特征信息，本研究使用了面向对象的光谱特征、几何特征和纹理特征，其定义如表2所示。
表 2 面向对象特征定义表Table 2 Object oriented feature definition类别 特征 定义和公式 光谱特征 光谱均值 斑块内像素光谱均值 纹理特征 纹理特征 灰度共生矩阵(GLCM，包括5×5卷积模板内的均值、方差、同质性、熵值、对比度、二阶矩、相关性) 几何特征 面积 斑块总面积 延伸率 最大直径与最小直径比值 矩形形状参数 矩形形状度量值(Rect)=面积/(最大直径×最小直径) 本研究采用多尺度分割算法进行影像分割，共设置了一个分割层次，主要目的是将农田与草地、冰川积雪与其他进行区分。在确保影像分类精度的前提下进行多次实验，最终结果表明：分割尺度设置为30较为适宜，此时，各个分类对象均有较好的可分离性，且各个对象内部的同质性较高。再根据相邻对象的纹理特征和内部一致性确定归并尺度，对分割好的原始影像进行迭代归并，进一步完成相邻同类对象的归并。经多次实验，确定的归并尺度为65最为适宜。①草地与农田的面向对象特征。草地与农田相比，具有规则的几何形状，同时，草地与农田的光谱均值也有一定差异。所以，可将农田的对象筛选条件设置为：面积＞3 000 m2，矩形形状参数＞0.3，光谱均值＞3 000 nm，余下不满足设定的农田筛选条件的地区为草地。②冰川积雪与其他的面向对象特征。其他用地类型延伸率较小且形状不规则，光谱均值也有较大差异，而冰川积雪大都分布于苍山高海拔地区，且连续性高，面积较大。所以为将两者区分开来，设定其他用地的筛选条件为：延伸率＜3.5，1 210 nm＜光谱均值(第4波段)＜1 360 nm，1 225 nm＜光谱均值(第3波段)＜1 335 nm，1 400 nm＜光谱均值(第2波段)＜1 465 nm ，符合该条件的区域可判定为其他用地，余下不满足设定条件的则为冰川积雪。
2.4 其他分类方法
本研究还运用了最大似然分类法、ISODATA法与面向对象特征决策树法进行比较。ISODATA法分类与最大似然法均未引入面向对象特征，ISODATA法使用ENVI 5.3软件，选择IsoData分类器，预设22个类别和最大迭代次数为10进行分类计算，最后通过目视识别分类结果合并为本研究的7个类别。最大似然法基于ENVI 5.3软件使用ROIS方法定义7类训练样本进行分类。面向对象特征决策树分类使用IDL8.5结合ENVI 5.3编程实现。
2.5 精度评定
为了检验研究区影像分类解译结果的可信度，通过野外调查和2.5 m精度的天地图相结合的方式目视判读检验研究区各个样本点的真实土地利用类别，采用误差矩阵方法进行检验。在研究区内利用ArcGIS软件随机生成500个检验样本点，各地类验证点个数如表3所示。
表 3 各地类验证点个数Table 3 Number of verification points of each class土地利用类型 天地图验证点个数 野外调查验证点个数 水体 94 5 林地 68 58 建设用地 54 6 农田 67 18 草地 89 8 冰川积雪 13 0 其他 16 4 3. 结果与分析
3.1 不同分类方法空间分布比较
将3个分类结果与同期高分辨率天地图影像进行叠加对比(图2)：ISODATA法相比前2种方法虽然显示结果较差，但具有明显特征的地物基本都能被识别出来，冰川积雪与建筑用地因光谱特征类似，从而产生了部分混淆。最大似然分类和面向对象决策树分类得到的研究区地物分布与天地图影像显示结果基本一致。但是，由于高原山区草地和部分农田分布较为破碎，且研究区地表植被覆盖度较高，所以利用最大似然方法提取的某些林地、草地和面积较小的农田会产生部分混淆。而面向对象决策树分类由于构建特征指数将不同地物差异放大，且引入了面向对象特征，更有利于决策规则的制定，所以提取的结果在空间表现上相比与其他分类方法更合理。
图 2 基于不同分类方法得到的大理市2020年土地利用类型示意图Figure 2 Land use type map of Dali City in 2020 based on different classification methods对3种土地利用分类方法各地类的面积进行统计，并与欧空局公布的2020年10 m分辨率土地利用数据进行验证对比。结果如图3所示：面向对象特征的决策树法提取的研究区内林地面积最大，其次是农田、草地、水体、建设用地和冰川积雪，面积最小的为其他用地：3种分类方法中此方法结果与研究区的实际情况最为符合。 ISODATA法基于机器学习，在地物分布较为破碎的区域，机器学习的效果会受样本中噪声的影响，产生过拟合现象。最大似然法是基于统计分析的原理，可减轻样本中噪声的影响，提取结果在空间分布上也更为合理。面向对象特征的决策树法以对象为处理单元，充分利用研究对象的光谱、形状、纹理、空间关系等不同属性信息，所以提取的结果与实际情况最为接近。
3.2 不同地类的方法适用性比较
为进一步比较不同方法下各类地物的提取差异，采用2.5 m天地图的500个样点结合野外调查对3种方法的分类结果进行验证，利用误差矩阵分析得到的分类结果进行精度评价，结果如表4所示。从制图精度角度看，ISODATA法制图精度由高到低依次是其他、建设用地、水体、林地、农田、冰川积雪和草地，其中精度最高的其他为89.37%，最低的草地仅为58.00%。对于用户精度，ISODATA法的水体用户精度最高，为97.44%。余下的地类用户精度由高到低分别为林地、其他、冰川积雪、草地、建设用地和农田。从以上2个精度对比来看，林地和水体的分类精度最高，建设用地、草地、冰川积雪和其他分类精度也较高，农田分类精度较低。分析认为，由于水体的光谱特性相对单一，误分状况较少。而林地、农田和草地三者误分与互相之间光谱特性重合有较大关系。建设用地的误分区域主要分布在洱海周边和建成区周围的裸地，因裸地和房屋具有相似的高反射特性，主要误分为建设用地和草地，草地和冰川积雪误分为建设用地由光谱特性相近导致。
表 4 ISODATA法遥感解译误差矩阵Table 4 ISODATA remote sensing interpretation error matrix土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 93 0 3 0 4 0 0 100 93.00 建设用地 0 67 0 7 5 5 3 87 77.01 农田 16 2 47 0 2 1 7 75 62.67 水体 0 0 0 76 2 0 0 78 97.44 草地 3 0 0 3 29 2 0 37 78.38 其他 0 4 2 0 8 71 0 85 83.53 冰川积雪 0 2 6 0 0 0 30 38 78.95 分类样本数 112 75 58 86 50 79 40 500 制图精度/％ 83.04 89.33 81.03 88.37 58.00 89.37 75.00 由表5可得：基于最大似然法的水体制图精度最高，为94.79%，余下6个地类制图精度由高到低分别为林地、草地、其他、农田、冰川积雪和建设用地。用户精度最高的地类是水体，为100.00%，其他地类用户精度由高到低分别是林地、建设用地、草地、农田、其他和冰川积雪。冰川积雪精度最低，仅为66.67%。通过分析认为，水体的光谱特性较为单一，极少出现误分。充分利用不同类型的光谱表现特征和周边地理环境，所以林地和农田区分度较好，但和草地仍有部分混淆。部分建设用地位于山区，受周边地理环境影响较大，加之城区建设用地光谱特征较为复杂。农田误分主要是误分为林地、草地和建设用地，由于前三者均属于绿色植被，在气温湿度均较好的情况下，选择样本时会经常造成3类间的误分。与建设用地的误分由于山区农田与建设用地交错分布，难以分辨。其他地类误分为建设用地由于两者具有相似的高反射特性，极易造成混淆。
表 5 最大似然法遥感解译误差矩阵Table 5 Maximum likelihood remote sensing interpretation error matrix土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 119 0 0 0 2 0 0 121 98.35 建设用地 3 51 2 5 1 2 0 64 79.69 农田 6 4 61 0 4 4 1 80 76.25 水体 0 0 0 91 0 0 0 91 100.00 草地 5 4 7 0 55 0 3 74 74.32 其他 0 14 2 0 0 36 0 52 69.23 冰川积雪 1 4 0 0 1 0 12 18 66.67 分类样本数 134 77 72 96 63 42 16 500 制图精度/％ 88.81 66.23 84.72 94.79 87.30 85.71 75.00 由表6可以看出：基于面向对象特征决策树法中的水体制图精度仍是最高，为93.94%，其他地类制图精度由高到低分别是林地、农田、草地、建设用地、其他和冰川积雪。冰川积雪虽然精度最低，但仍达76.92%。面向对象特征决策树法制图精度由高到低分别是水体、其他、林地、冰川积雪、草地、农田和建设用地，其中用户精度最高的水体为95.88%，最低的建设用地精度为83.61%。分析认为，误分情况主要是由于决策树粗分类时3个指数的参数设置原因。农田和草地之间的部分误分也与面向对象特征参数设置有关，此方法分类中冰川积雪和其他2个地类无错分现象，由此看出面向对象特征参数设置较为适合。
表 6 面向对象特征决策树法遥感解译误差矩阵Table 6 Remote sensing interpretation error matrix of object-oriented feature decision tree method土地利用类型 林地 建设用地 农田 水体 草地 其他 冰川积雪 参考样本数 用户精度/％ 林地 118 0 2 0 5 0 0 125 94.40 建设用地 0 51 3 3 1 2 1 61 83.61 农田 4 2 76 0 4 1 2 89 85.39 水体 1 2 0 93 1 0 0 97 95.88 草地 3 3 4 3 86 0 0 99 86.87 其他 0 1 0 0 0 17 0 18 94.44 冰川积雪 0 1 0 0 0 0 10 11 90.91 分类样本数 126 60 85 99 97 20 13 500 制图精度/％ 93.65 85.00 89.41 93.94 88.66 85.00 76.92 以上精度分析可以看出，面向对象特征决策树法相比于其他方法在农田、草地、建设用地和其他这4类分类精度上有了显著提高，且在高原山区特有地类冰川积雪的信息提取上也有较好的适用性。而对于研究区水域和林地的提取来说，最大似然法的适用性更好。
3.3 不同分类方法总体精度比较
一般总体精度在80%以上可以认为精度良好，表7表明：3种分类方法分类精度良好。其中，ISODATA法总体分类精度最低，但也满足基本分类需求，总体分类精度为82.60%，Kappa系数为79.40%；其次是最大似然法，总体分类精度较ISODATA法略有提高，总体分类精度为85.00%，Kappa系数为81.90%，但最大似然法基于机器学习的提取方法也可能会带来过拟合效应，导致提取精度偏高；面向对象特征决策树分类方法精度最高，总体分类精度可达90.20%，Kappa系数为87.95%，说明此方法的分类结果与实际情况最为贴近，更加适用于高原山区土地利用分类。
表 7 3种分类方法比较Table 7 Comparison of three classification methods分类方法 总体分类精度/% Kappa系数/% ISODATA法分类 82.60 79.40 最大似然法分类 85.00 81.90 面向对象特征决策树法 90.20 87.95 4. 结论
本研究结果表明：①从地物空间分布上看，面向对象与决策树相结合的方法得到的最终分类结果与同期高分辨率天地图影像较为一致，表明与地物的实际分布情况更为接近。②从地类方法适用性角度来看，最大似然分类法在水域和林地的提取上适用性较好，面向对象特征决策树法在农田和草地、建设用地和其他这些光谱特征较为相似的地类区分度较好。在高原山地特有的地类冰川积雪提取上也表现出了极大的优越性。③从不同方法总体分类精度角度看，面向对象特征的决策树法在大理市的土地利用信息提取中效果最好，总体分类精度和Kappa系数分别为90.20%和87.95%，较传统的最大似然法和ISODATA法分类精度均有提升，可实现大理市土地利用的高精度提取。
本研究在进行大理市土地利用分类时，利用先粗分类再进一步细分类的思想，将面向对象特征与决策树规则相结合，粗分类先设计决策树分类规则，在决策树基础上进行类别的细分类，此方法可避免区域之间的混淆问题，反映了提高遥感影像分类精度的一个方法，具有良好的应用前景[26]。面向对象特征辅助决策树分类，其分类精度和准确性虽有提高，但与欧空局面积仍存在一定的出入，说明分类过程中仅提取面向对象特征辅助是不够的。因此，在今后的计算机分类过程中，需进一步加强遥感影像计算机自动解译的研究，充分利用地物形状、纹理、空间关系、空间位置等特征，对影像进行综合评判，提高影像的分类精度。
-
图 1 毛竹不同发育时期的光响应曲线
Figure 1 Light curver during leaf development processes of Phyllostachys edulis
图 2 毛竹叶片发育过程中快速叶绿素焚光诱导动力学曲线的变化
Figure 2 Changes in chlorophyll fluorescence transient during leaf development processes of Ph. edulis
图 3 毛竹叶片发育过程PSⅡ反应中心数和活性反应中心数变化
Figure 3 Changes in PSⅡ reacyion center numbers and activity reaction center numbers during leaf development of Phyllostachys esulis
图 4 毛竹叶片发育过程PSⅡ反应中心能量分配的变化
Figure 4 Changes in PSⅡ reacyion center energy allocation during leaf development of Ph. edulis
图 5 毛竹叶片发育过程PSⅡ受体侧的变化
Figure 5 Changes in PSⅡ receptor side during leaf development of Ph. edulis
表 1 毛竹发育过程中光合色素质量分数变化
Table 1. Change of the pigment content in bamboo development processes
时间/d 叶绿素a/(mg·g-1) 叶绿素b/(mg·g-1) 类胡萝卜素/(mg·g-1) 叶绿素总和/(mg·g-1) 叶绿素a/叶绿素b 5 0.65 ± 0.11 e 0.26 ± 0.11 e 0.19 ± 0.03 d 0.91 ± 0.21 d 2.68 ± 0.65 b 10 1.25 ± 0.14 d 0.41 ± 0.02 d 0.33 ± 0.06 c 1.67 ± 0.12 c 3.04 ± 0.44 a 15 1.87 ± 0.24 c 0.71 ± 0.17 c 0.46 ± 0.03 b 2.58 ± 0.40 b 2.63 ± 0.21 b 20 2.27 ± 0.37 b 0.91 ± 0.26 b 0.54 ± 0.18 a 3.18 ± 0.38 a 2.49 ± 0.67 c 25 2.52 ± 0.03 a 1.03 ± 0.11 a 0.60 ± 0.02 a 3.55 ± 0.09 a 2.48 ± 0.31 c 30 2.55 ± 0.06 a 1.05 ± 0.05 a 0.59 ± 0.03 a 3.61 ± 0.10 a 2.43 ± 0.06 c 说明:每个值均为平均值±标准误 (n=5)。根据LSD测验 (P < 0.05)，不同小写字母表示叶绿素a，叶绿素b和类胡萝卜素的 
下载: 导出CSV
-
[1] DONNELLY P M, BONETTA D, TSUKAYA H, et al. Cell cycling and cell enlargement in developing leaves of Arabidopsis[J]. Dev Biol, 1999, 215(2):407-419. [2] TRAAS J, MONÉGER F. Systems biology of organ initiation at the shoot apex[J]. Plant Physiol, 2010, 152(2):420-427. [3] CAI Z Q, SLOT M, FAN Z X. Leaf development and photosynthetic properties of three tropical tree species with delayed greening[J]. Photosynthetica, 2005, 43(1):91-98. [4] COSGROVE D J. Growth of the plant cell wall[J]. Nat Rev Mol Cell Biol, 2005, 6(11):850-861. [5] 李京, 惠伯棣, 裴凌鹏.番茄果实在成熟过程中类胡萝卜素含量的变化[J].中国食品学报, 2006, 6(2):122-125. LI Jing, HUI Bodi, PEI Lingpeng. Variation in the carotenoid amount of tomato fruit during ripening[J]. J Chin Inst Food Sci Technol, 2006, 6(2):122-125. [6] 孙山, 张立涛, 杨兴华, 等.板栗幼叶展叶过程的反射光谱和叶绿素荧光动力学[J].林业科学, 2009, 45(4):162-166. SUN Shan, ZHANG Litao, YANG Xinghua, et al. Spectral reflectance and chlorophyll fluorescemce kinetics of young leaves at the various stages of leaf expansion in field-grown chestnut plants[J]. Sci Silv Sin, 2009, 45(4):162-166. [7] 田野, 张会慧, 张秀丽, 等.紫丁香叶片发育过程中花色素苷含量与叶绿素荧光和激发能分配的关系[J].南京林业大学学报 (自然科学版), 2014, 38(1):59-64. TIAN Ye, ZHANG Huihui, ZHANG Xiuli, et al. The relationship between leaf anthocyanin content and chlorophyll fluorescence, as well as excited energy distribution during leaf expansion of Syringa oblata Lindl.[J]. J Nanjing For Univ Nat Sci Ed, 2014, 38(1):59-64. [8] STRASSER B J, STRASSER R J. Measuring fast fluorescence transients to address environmental questions:The JIP-test[M]//MATHIS P. Photosynthesis:from Light to Biosphere. Dordrecht:Kluwer Academic Publishers, 1995:977-980. [9] POLLASTRINI M, HOLLAND V, BRÜGGEMANN W, et al. Interactions and competition processes among tree species in young experimental mixed forests, assessed with chlorophyll fluorescence and leaf morphology[J]. Plant Biol, 2014, 16(2):323-331. [10] 李洪吉, 蔡先锋, 袁佳丽, 等.毛竹快速生长期光合固碳特征及其与影响因素的关系[J].浙江农林大学学报, 2016, 33(1):11-16. LI Hongji, CAI Xianfeng, YUAN Jiali, et al. Photosynthetic carbon fixation in Phyllostachys edulis during its fast growth period[J]. J Zhejiang A & F Univ, 2016, 33(1):11-16. [11] 曾莹莹, 王玉魁, 蔡先锋, 等.毛竹林爆发式生长期立竹器官营养成分的动态变化[J].浙江农林大学学报, 2015, 32(2):372-377. ZENG Yingying, WANG Yukui, CAI Xianfeng, et al. Nutritional elements in organs of a Phyllostachys edulis stand during its fast growth period[J]. J Zhejiang A & F Univ, 2015, 32(2):372-377. [12] 袁佳丽, 温国胜, 张明如, 等.毛竹快速生长期的水势变化特征[J].浙江农林大学学报, 2015, 32(5):722-728. YUAN Jiali, WEN Guosheng, ZHANG Mingru, et al. Water potential with Phyllostachys edulis in its fast-growth periods[J]. J Zhejiang A & F Univ, 2015, 32(5):722-728. [13] ARNON D I. Copper enzymes in isolated chloroplasts[J]. Polyphenol Beta Vulgaris Plant Physiol, 1949, 24(1):1-15. [14] LICHTENTHALER H K. Chlorophylls and carotenoids:pigments of photosynthetic biomembranes[J]. Methods Enzymol, 1987, 148(1):350-382. [15] STRASSER R J, TSIMILL-MICHAEL M, SRIVASTAVA A. Analysis of the chlorophyll a fluorescence transient[G]//PAPAGEORGIOU G, GOVINDJEE. Advances in Photosynthesis and Respiration. Berlin:Springer, 2004:321-362. [16] TANAKA R, TANAKA A. Chlorophyll cycle regulates the construction and destruction of the light-harvesting complexes[J]. Biochim Biophys Acta, 2011, 1807(8):968-976. [17] OLSON J M. Photosynthesis in the Archean era[J]. Photosynth Res, 2006, 88(2):109-117. [18] ZHOU Yanhong, LAM H M, ZHANG Jianhua. Inhibition of photosynthesis and energy dissipation induced by water and high light stresses in rice[J]. J Exp Bot, 2007, 58(5):1207-1217. [19] HOLLAND V, KOLLER S, BRÜGGEMANN W. Insight into the photosynthetic apparatus in evergreen and deciduous European oaks during autumn senescence using OJIP fluorescence transient analysis[J]. Plant Biol, 2014, 16(4):801-808. [20] KALAJI H M, OUKARROUM A, ALEXANDROV V. et al. Identification of nutrient deficiency in maize and tomato plants by in vivo chlorophyll a fluorescence measurements[J]. Plant Physiol Biochem, 2014, 81(1):16-25. [21] DEMMIG-ADAMS B, LII W W A. Xanthophyll cycle and light stress in nature:uniform response to excess direct sunlight among higher plant species[J]. Planta, 1996, 198(3):460-470. 期刊类型引用(5)
1. 董亚坤，王钰，何紫玲，王鹏，赵昊，曾维军. 基于GEE的洱海流域土地利用/覆被分类算法对比研究. 西北林学院学报. 2024(01): 28-35 . 
百度学术2. 武英洁，冯勇，徐晓琳，刘思宇，朱辉. 典型遥感影像分类方法适用性分析. 现代电子技术. 2024(06): 137-141 . 百度学术3. 廖超明，云子恒，罗恒，韦媛媛，凌子燕，潘桂颖. 基于特征优选的喀斯特地区覆被信息提取及精度分析. 测绘通报. 2024(02): 45-50 . 百度学术4. 包塔娜，范文义. 基于集合卡尔曼滤波的帽儿山森林多源LAI产品重建及融合校正方法. 浙江农林大学学报. 2024(04): 841-849 . 本站查看5. 李艳，张帆. 基于Sentinel-2影像的厦门市茶园遥感提取. 亚热带植物科学. 2023(04): 327-335 . 百度学术其他类型引用(6)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.2017.03.008
点击查看大图
计量
- 文章访问数: 3126
- HTML全文浏览量: 648
- PDF下载量: 564
- 被引次数: 11
