基于HJ－1高光譜影像的黃河口蘆葦和堿蓬生物量估測模型研究

任廣波，張 杰，汪偉奇，耿延杰，陳妍君，馬 毅

（1.國家海洋局 第一海洋研究所，山東 青島 266063；2.中國海洋大學(xué) 信息科學(xué)與工程學(xué)院，山東 青島 266063）

0 引言

遙感已經(jīng)作為一種不可或缺的手段在植被生物量監(jiān)測中發(fā)揮了重要的作用［1－6］。歸一化差值植被指數(shù)（NDVI）［7］因被發(fā)現(xiàn)具有對植被光合作用敏感的特點(diǎn)，同時(shí)與植被生物量有較高的相關(guān)性［8］，而廣泛地應(yīng)用于生物量的遙感估測［6，9－11］。至今，在 NDVI的基礎(chǔ)上，主要基于美國陸地衛(wèi)星影像數(shù)據(jù)，發(fā)展了幾十種可用于植被生物量估測的植被指數(shù)［9］，但這些指數(shù)普遍都有其適用的影像或者區(qū)域［12－15］，在不同環(huán)境下的應(yīng)用效果存在爭議［16］。同時(shí)，以上植被指數(shù)多是基于寬波段的陸地衛(wèi)星遙感數(shù)據(jù)而發(fā)展的，寬波段運(yùn)算結(jié)果容易造成高葉面積指數(shù)區(qū)域的飽和［17－18］，以及無法獲得更精細(xì)生物量變化情況的問題［19－20］。另外，除植被指數(shù)，在反射率曲線中描述植被葉綠素吸收和反射特點(diǎn)的紅邊（REP）指數(shù)也常被應(yīng)用于植被的生物量估算［6，21－22］。

隨著高光譜遙感手段的發(fā)展和普及，在寬波段植被指數(shù)的基礎(chǔ)上，窄波段植被指數(shù)得到了研究和發(fā)展［22］，很多研究證實(shí)了窄波段植被指數(shù)在植被生物量、葉片含水量和葉面積指數(shù)監(jiān)測方面的實(shí)用性［23－28］。但窄波段的高光譜遙感數(shù)據(jù)特別是衛(wèi)星高光譜數(shù)據(jù)在濕地生物量監(jiān)測方面也存在一些不足［29］，包括空間分辨率低易導(dǎo)致的光譜混合和圖像信噪比不高等。這在一定程度上影響了基于遙感的生物量監(jiān)測的精度，但目前這仍是一種行之有效的生物量監(jiān)測手段，特別是對于空間范圍較大和難以進(jìn)入進(jìn)行實(shí)地測量的區(qū)域。

受數(shù)據(jù)源等的限制，目前基于高光譜遙感手段在黃河三角洲開展的蘆葦和堿蓬生物量監(jiān)測研究的工作不多，特別是基于國產(chǎn)HJ－1高光譜數(shù)據(jù)的濕地生物量研究還處于起步階段。本文將基于該高光譜遙感數(shù)據(jù)，應(yīng)用目前有報(bào)道的常用的7種窄波段植被指數(shù)和2種紅邊指數(shù)，以黃河三角洲濱海濕地為研究區(qū)，開展其對主要植被類型蘆葦和堿蓬的生物量估測能力評價(jià)，探索適用于該區(qū)域蘆葦和堿蓬HJ－1高光譜生物量監(jiān)測的光譜指數(shù)。

1 研究區(qū)概況

研究區(qū)域位于我國最年輕的土地——黃河三角洲（圖1），該區(qū)域生態(tài)環(huán)境受自然和人為影響嚴(yán)重，生態(tài)資源寶貴而脆弱，河口區(qū)特別是自然保護(hù)區(qū)范圍內(nèi)濕地變化劇烈。該區(qū)域范圍廣闊且大部分區(qū)域難以實(shí)地觀測，遙感是主要的監(jiān)測手段之一。蘆葦和堿蓬是黃河三角洲濱海濕地中主要的植被類型，其分布最為廣泛且多大面積連片分布，是丹頂鶴和黑嘴鷗等黃河三角洲自然保護(hù)區(qū)主要保護(hù)水禽的主要棲息地。開展研究區(qū)蘆葦和堿蓬的生物量遙感估測研究，對該區(qū)域生態(tài)環(huán)境評估、濕地規(guī)劃和保護(hù)都具有重要意義。

圖1 研究區(qū)與現(xiàn)場數(shù)據(jù)采集站點(diǎn)位置Fig.1 Study area and field work locations

2 數(shù)據(jù)源與方法

2.1 遙感數(shù)據(jù)

選擇HJ－1A高光譜遙感影像（HSI）作為本研究的遙感數(shù)據(jù)源，其光譜范圍為459～956nm，共有115個(gè)波段，由于該數(shù)據(jù)采用的是法布里－珀羅干涉成像原理，其每個(gè)波段的寬度都不一致，其中前79個(gè)波段寬度小于5nm，最寬的近紅外波段也小于9nm。該影像的空間分辨率為100m。

所用的HJ－1HSI影像獲取時(shí)間為2013年9月1日，與現(xiàn)場光譜采集時(shí)間相差20d，該時(shí)間處于秋分前后，可認(rèn)為此時(shí)蘆葦和堿蓬生物量隨時(shí)間的變化已很小。

采用ENVI軟件中FLAASH大氣校正模塊所使用的MODTRAN4輻射傳輸模型對影像進(jìn)行大氣校正，校正后的影像像元值由DN值轉(zhuǎn)換為反射率。以2013年7月15日成像的Landsat 8OLI圖像為參考，對HJ－1高光譜影像進(jìn)行了幾何校正，校正均方根誤差小于0.5個(gè)像元。

2.2 現(xiàn)場數(shù)據(jù)

2013年9月21日至30日，開展了針對研究區(qū)蘆葦和堿蓬生物量監(jiān)測的現(xiàn)場測量工作（采樣點(diǎn)位置見圖1），采集了單位面積的地上植被植株，經(jīng)專用烘干設(shè)備烘干后，稱其重量，作為植被的生物量值。

植被樣本采集時(shí)，選擇面積較大（＞1hm2）且分布均勻的蘆葦和堿蓬生長區(qū)域，覆蓋該區(qū)域的HJ－1高光譜影像至少有1個(gè)像元為純像元，在每個(gè)純像元覆蓋區(qū)域隨機(jī)選擇并割取4個(gè)1m2的地上部分植株，用透氣性好的牛皮紙袋保存，防止其腐爛變質(zhì)?；貙?shí)驗(yàn)室后，立即在專用植被烘干柜中進(jìn)行烘干，每一個(gè)樣本都在專用烘干容器中以80℃的恒溫持續(xù)脫水24h以上，直到植被樣本重量不再減少，稱重并記錄作為該樣本的地上干生物量。應(yīng)用以上方法，共采集了35個(gè)樣本，經(jīng)質(zhì)量控制后用于本研究的樣本共28個(gè)，其中蘆葦17個(gè)、堿蓬11個(gè)。上述樣本中，19個(gè)樣本用于擬合估測模型（蘆葦和堿蓬分別有12個(gè)和7個(gè)），9個(gè)樣本留作模型檢驗(yàn)。

2.3 光譜指數(shù)與相關(guān)性分析

2.3.1 窄波段植被指數(shù)

選擇了7種常見于植被生物物理化學(xué)性質(zhì)監(jiān)測的窄波段植被指數(shù)，包括 SRI、NDVI、NVI、TVI、TCARI、OSAVI和MSAVI，這7種植被指數(shù)都有成功應(yīng)用到某些具體高光譜遙感影像數(shù)據(jù)和研究區(qū)域的先例。關(guān)于上述植被指數(shù)的計(jì)算公式和相關(guān)說明見表1。

對于SRI和NDVI兩種植被指數(shù)，因其應(yīng)用最為廣泛，適合于各種不同的遙感影像數(shù)據(jù)，故并未給出具體的針對具有較高光譜分辨率的高光譜遙感影像應(yīng)用時(shí)的波段選擇方案。本研究采用遍歷組合的方式，按順序分別從紅光波段和近紅外波段覆蓋的高光譜波段中選擇一對波段計(jì)算SRI和NDVI，然后針對每一個(gè)波段組合都會給出一個(gè)相關(guān)性評估結(jié)果，從這些結(jié)果中選擇相關(guān)性最高的，即能較好估測植被生物量的波段組合。其它5種植被指數(shù)均根據(jù)相關(guān)參考文獻(xiàn)的工作給出了具體的波段位置。

表1 窄波段植被指數(shù)和紅邊指數(shù)Tab.1 Narrow band vegetation indices and red edge position indices

2.3.2 紅邊指數(shù)

常用的高光譜植被監(jiān)測的紅邊指數(shù)包括3種：線性插值法［6］，拉格朗日插值法［35］和線性外推法［6］。其中拉格朗日插值法即計(jì)算700nm到750nm左右范圍的一階導(dǎo)數(shù)最大值處的光譜值，但由于在該位置處HJ－1高光譜數(shù)據(jù)的波段寬度接近6nm，故一般的光譜差別并不能明顯地表現(xiàn)出來，即紅邊位置在5 nm以內(nèi)的都可能會呈現(xiàn)同一個(gè)紅邊計(jì)算結(jié)果，因而本研究中僅用線性插值法和線性外推法計(jì)算現(xiàn)場樣本采集處高光譜圖像像元的紅邊指數(shù)。所選的2種紅邊指數(shù)的計(jì)算公式和相關(guān)說明見表1。

2.3.3 相關(guān)性分析

研究采用單變量線性回歸分析和多變量線性回歸分析的方法評估圖像計(jì)算得到的植被指數(shù)和紅邊指數(shù)與植被生物量之間的相關(guān)性，進(jìn)而評價(jià)其估測能力。

由于蘆葦和堿蓬的生物物理化學(xué)性質(zhì)差別較大，故對蘆葦和堿蓬分別評價(jià)。評價(jià)結(jié)果采用決定系數(shù)R2和顯著性水平p來表征。

多變量分析時(shí)，僅選取單變量分析時(shí)出現(xiàn)較高相關(guān)性的光譜指數(shù)參與分析。利用獨(dú)立樣本對回歸模型進(jìn)行檢驗(yàn)。

3 結(jié)果與分析

3.1 單變量生物量估測能力分析

3.1.1 SRI和NDVI最佳估測波段選擇

根據(jù)TM3（紅光波段，620～690nm）和TM4（近紅外波段，760～900nm）的波段范圍，分別選擇HJ－1高光譜影像在紅光的18個(gè)紅光波段和在近紅外的13個(gè)波段（因830～900nm的HJ－1高光譜影像信噪比較低，故不使用），共計(jì)234個(gè)波段組合，分別開展與蘆葦和堿蓬的生物量相關(guān)性分析，得到如圖2所示的相關(guān)性指標(biāo)分布圖。并針對每種植被選擇3個(gè)相關(guān)性最好的組合（表2）。

從決定系數(shù)R2的大小和分布看，對于蘆葦，NDVI和SRI指數(shù)與生物量之間的相關(guān)性在不同波段組合間的相對大小值較為相似（圖2a和2c），同樣的情況也出現(xiàn)在對堿蓬的相關(guān)性分析結(jié)果中（圖2b和2d）。這說明兩種指數(shù)對于描述植被的生物量具有相似的能力。整體上，2種植被SRI指數(shù)與生物量的相關(guān)性大于NDVI指數(shù)與生物量的相關(guān)性，但描述相關(guān)性的決定系數(shù)值在同一種植被的兩種指數(shù)間浮動卻不一致，對于蘆葦浮動了約0.1，而對于堿蓬，僅浮動了0.01。說明針對所使用的 HJ－1高光譜遙感圖像，SRI指數(shù)對研究區(qū)蘆葦和堿蓬的生物量具有更好的反映能力。相比于蘆葦，堿蓬的2種植被指數(shù)在不同波段組合時(shí)相互之間波動較大，反映了堿蓬的2種植被指數(shù)與生物量之間的相關(guān)性對于波段的敏感性，即變換一個(gè)波段可能會導(dǎo)致相關(guān)性的急劇下降，即使對于高光譜這種相鄰波段具有較高相關(guān)性的圖像而言。

圖2 相關(guān)性指數(shù)分布圖Fig.2 The R2 measures distribution graphs

對比圖2中的4幅相關(guān)性指數(shù)分布曲面圖，高值區(qū)域均分布在曲面的邊緣，這說明在所選波段的組合中，并不一定能得到最高的相關(guān)性結(jié)果。對于蘆葦，更高的相關(guān)性波段組合可能出現(xiàn)在小于628nm的紅光波段和大于834nm的近紅外波段的組合中，但由于所用的HJ－1高光譜遙感影像在834nm之后信噪比較低，故未使用。而對于堿蓬，更高的相關(guān)性波段組合可能出現(xiàn)在大于687nm和小于620nm的紅光波段與808nm的近紅外波段的組合中，但由于這個(gè)范圍已經(jīng)超出了紅光的范疇，為統(tǒng)一標(biāo)準(zhǔn)，在本研究中不作考慮。

表2 蘆葦和堿蓬的SRI和NDVI指數(shù)中與各自生物量相關(guān)性最好的前3個(gè)波段組合及決定系數(shù)Tab.2 R2and corresponding bands combinations with the best three relativity for SRI and NDVI indices and their respective biomass of reeds and suaeda

由于紅光和近紅外波段范圍取值的限制，表2中所給出的具有最高相關(guān)性的波段組合由于處于圖1中所示的邊緣位置，因而可能并非最優(yōu)的組合。對于NDVI和SRI指數(shù)，堿蓬取得了一致較好的相關(guān)性，而且顯著性水平均小于0.01，這在一定程度上得益于堿蓬在黃河三角洲濕地中的連續(xù)均勻分布情況好于蘆葦。因?yàn)樘J葦是喜淡水植被，而黃河三角洲特別是潮灘濕地以廣鹽性環(huán)境為主，更適合于堿蓬的生長和廣泛連續(xù)分布。

3.1.2 光譜指數(shù)生物量估測能力評價(jià)

根據(jù)表2，選擇SRI和NDVI指數(shù)中與植被生物量相關(guān)性最好的波段組合，對于蘆葦，分別選擇635 nm、827nm波段組合和635nm、782nm波段組合；而對于堿蓬，則2種指數(shù)都選擇692nm、807nm波段組合。利用上述2種植被指數(shù)與之外的5種窄波段植被指數(shù)以及2種紅邊指數(shù)，綜合評價(jià)其與黃河三角洲濕地植被蘆葦和堿蓬的相關(guān)性，即估測能力評價(jià)。相關(guān)性分析細(xì)節(jié)如表3所示。

表3 光譜指數(shù)生物量單變量估測模型Tab.3 Single variable estimation models of spectral indices and biomass

對于蘆葦和堿蓬，上述9類光譜指數(shù)中決定系數(shù)大于0.4的各有2個(gè)和3個(gè)。而對于決定系數(shù)小于0.3的植被指數(shù)，可以認(rèn)為其與植被生物量相關(guān)性極小或不相關(guān)，或者稱沒有對植被生物量的估測能力。

與蘆葦生物量相關(guān)性較好的指數(shù)有SRI和REP＿linear interpolation。對于SRI指數(shù)，其意義是紅光波段值與近紅外波段值的比值，一般情況下，該值應(yīng)與植被的葉綠素含量呈負(fù)相關(guān)，但回歸模型卻呈正相關(guān)。原因是在黃河三角洲區(qū)域，長勢較好的蘆葦普遍生長在有淡水蓄積的區(qū)域，在覆蓋度不高的情況下，水體的光譜易在像元的光譜混合中對植被光譜造成影響，故而出現(xiàn)正相關(guān)的情況。同時(shí)，蘆葦?shù)倪@種生長特點(diǎn)造成了其NDVI指數(shù)出現(xiàn)了負(fù)相關(guān)。對于REP＿linear interpolation指數(shù)，其表征的是植被反射率光譜紅邊的位置，通過分析發(fā)現(xiàn)，該指數(shù)是本文所用的估測蘆葦生物量的光譜指數(shù)中估測能力最強(qiáng)的。

與堿蓬生物量相關(guān)性較好的光譜指數(shù)包括SRI、NDVI和OSAVI。不同于蘆葦，在黃河三角洲區(qū)域，堿蓬多生長在濕度較低的灘涂上，分布面積大且均勻，其生物量應(yīng)與表征植被葉綠素含量的指標(biāo)呈正相關(guān)，通過分析，相關(guān)性最好的上述3種指數(shù)在葉綠素含量的表征意義上均與堿蓬生物量呈正相關(guān)。同時(shí)，不論是堿蓬還是蘆葦，OSAVI的表現(xiàn)都比TCARI優(yōu)秀，原因是OSAVI實(shí)際上是TCARI與土壤調(diào)節(jié)植被指數(shù)的結(jié)合，其作用是在植被覆蓋度不高的區(qū)域降低裸露土壤的影響。

經(jīng)過獨(dú)立樣本檢驗(yàn)，對于蘆葦和堿蓬，決定系數(shù)較高的回歸模型，其獨(dú)立檢驗(yàn)樣本的平均相對誤差也表現(xiàn)較好（見表3中的粗體數(shù)字部分）。

3.2 多變量生物量估測能力分析

分別選擇在單變量植被生物量估測能力分析中與蘆葦和堿蓬生物量具有較高相關(guān)性的SRI和REP＿linear interpolation等2個(gè)以及 SRI、NDVI和OSAVI等3個(gè)指數(shù)，開展多變量的植被生物量光譜指數(shù)估測能力分析，分析結(jié)果如表4所示。

表4 光譜指數(shù)生物量多變量估測模型Tab.4 Multiple variable estimation models of spectral indices and biomass

經(jīng)過多變量線性回歸分析，發(fā)現(xiàn)光譜指數(shù)對蘆葦和堿蓬的生物量估測能力都有了進(jìn)一步的提高，決定系數(shù)分別達(dá)到了0.71和0.66，而經(jīng)獨(dú)立樣本檢驗(yàn)，其平均相對誤差相比于單變量擬合估測模型有了進(jìn)一步的降低（表4）。同時(shí)，對于蘆葦，2個(gè)光譜指數(shù)變量的回歸分析相關(guān)性明顯高于堿蓬的3個(gè)光譜指數(shù)，盡管這3個(gè)光譜指數(shù)在單變量分析中都取得了比蘆葦高的相關(guān)性。另外，從相關(guān)性的顯著性水平上，堿蓬也遜于蘆葦，這可能是因?yàn)閴A蓬樣本不足的原因。

4 討論

基于9種窄波段光譜指數(shù)，分析了其對于黃河口HJ－1高光譜遙感影像中蘆葦和堿蓬植被生物量的估測能力，發(fā)現(xiàn)對于兩種植被分別都有部分指數(shù)可較好地實(shí)現(xiàn)生物量的估測。但還存在一系列需要探討的問題，包括：

（1）HJ－1高光譜遙感圖像的質(zhì)量整體不高。星載高光譜成像傳感器普遍具有光譜分辨率和空間分辨率都不高的特點(diǎn)，雖然HJ－1高光譜傳感器基于干涉原理得到了相對較高的光譜分辨率，但這也在很大程度上降低了另外2個(gè)重要指標(biāo)：信噪比和空間分辨率。圖3是本文所用的HJ－1高光譜影像的信噪比評估結(jié)果，其大部分波段的信噪比都處于30以下的低水平。同時(shí)，100m的空間分辨率決定了在多數(shù)情況下，尤其是地物景觀尺度較小的黃河三角洲區(qū)域，光譜混合將成為制約其對地物高精度監(jiān)測的主要因素之一。這在很大程度上也影響到了本文的結(jié)果，如蘆葦因其空間尺度普遍較小而導(dǎo)致的遙感影像像元光譜混合致使在該像元處現(xiàn)場采集的植被生物量數(shù)據(jù)無法保證對整個(gè)像元的代表性。故HJ－1高光譜遙感影像比較適合于較大區(qū)域尺度中較大景觀尺度植被類型的生物量監(jiān)測。

圖3 HJ－1A高光譜影像的各波段信噪比Fig.3 The signal－noise ratio values of each band of HJ－1 hyperspectral image

（2）窄波段植被指數(shù)具有影像和區(qū)域的局限性。如 CURRAN［36］和 GOBRON et al［37］指出的，基于經(jīng)驗(yàn)統(tǒng)計(jì)的植被指數(shù)都普遍具有研究區(qū)域和所用遙感數(shù)據(jù)的依賴性。以此推斷，如 NVI、TVI、TCARI、MSAVI和REP＿linear extrapolation等5種光譜指數(shù)未在本文的相關(guān)性分析中取得好的結(jié)果，很大程度上因?yàn)樗玫墓绞窍嚓P(guān)的研究者在特定區(qū)域使用特定遙感數(shù)據(jù)所統(tǒng)計(jì)分析得到的，而這些公式以及所選擇使用的波段并不能在本文所選擇的研究區(qū)域和遙感數(shù)據(jù)上也具有好的效果。

（3）樣本數(shù)量有限?；诮y(tǒng)計(jì)的線性回歸對參與回歸的樣本數(shù)量要求較高，這可通過回歸分析的顯著性指標(biāo)表現(xiàn)出來。本文中，不論單變量回歸分析還是多變量分析 ，因?yàn)樘J葦?shù)臉颖緮?shù)量要多于堿蓬，故其顯著性指標(biāo)都優(yōu)于堿蓬。特別是當(dāng)堿蓬利用3種各自都在單變量分析中優(yōu)于蘆葦?shù)闹笖?shù)參與分析時(shí)，多變量分析結(jié)果反而劣于蘆葦。

5 結(jié)論

分別應(yīng)用單變量和多變量回歸分析方法，評價(jià)了9種常用的光譜指數(shù)對黃河口HJ－1高光譜蘆葦和堿蓬生物量的估測能力，得到以下主要結(jié)論：

（1）單變量情況下，對于蘆葦，選擇近紅外827 nm波段和紅635nm波段簡單植被指數(shù)（SRI）和線性插值紅邊指數(shù)（REP＿linear interpolation）取得了最佳的單變量回歸結(jié)果，決定系數(shù)分別達(dá)到了0.42（p＜0.01）和0.58（p＜0.01）；對于堿蓬，選擇近紅外807nm波段和紅692nm波段的歸一化差值植被指數(shù)（NDVI）、SRI和優(yōu)化的土壤校正植被指數(shù)（OSAVI）取得了較好的回歸結(jié)果，決定系數(shù)分別達(dá)到了0.60（p＜0.01）、0.59（p ＜0.01）和0.47（p ＜0.03）。

（2）多變量情況下，以在單變量回歸分析中取得較好結(jié)果的SRI和REP＿linear interpolation為變量，蘆葦?shù)玫搅藳Q定系數(shù)為0.71（p＜0.01）的高相關(guān)性；同時(shí)，以NDVI、SRI和OSAVI為變量，與堿蓬生物量的相關(guān)系數(shù)達(dá)到了0.66（p＜0.05）。

（References）：

［1］RICHARDSON A，WIEGAND C，ARKIN G，et al.Remotely－sensed spectral indicators of sorghum development and their use in growth modeling［J］.Agricultural Meteorology，1982，26（1）：11－23.

［2］EVERITT J，ESCOBAR D，RICHARDSON A.Estimating grassland phytomass production with near－infrared and mid－infrared spectral variables［J］.Remote Sensing of Environment，1989，30（3）：257－261.

［3］ANDERSON G，HANSON J，HAAS R.Evaluating Landsat Thematic Mapper derived vegetation indices for estimating aboveground biomass on semiarid rangelands［J］.Remote Sensing of Environment，1993，45（2）：165－175.

［4］WYLIE B，MEYER D，TIESZEN L，et al.Satellite mapping of surface biophysical parameters at the biome scale over the North American grasslands：A case study［J］.Remote Sensing of Environment，2002，79（2）：266－78.

［5］LU Deng－sheng.The potential and challenge of remote sensingbased biomass estimation［J］.International Journal of Remote Sensing，2006，27（7）：1 297－1 328.

［6］CHO M，SKIDMORE A.Hyperspectral predictors for monitoring biomass production in Mediterranean mountain grasslands：Majella National Park，Italy［J］.International Journal of Remote Sensing，2009，30（2）：499－515.

［7］ROUSE J.Monitoring the vernal advancement and retrogradation（greenwave effect）of natural vegetation［R］∥NASA／GSFC Type III Final Report.Greenbelt，MD，1974：371－373.

［8］TUCKER C J.Red and photographic infrared linear combinations for monitoring vegetation［J］.Remote Sensing of Environment，1979，8（2）：127－150.

［9］WANG Hong，LI Xiao－bing，YU Hong－jing.Monitoring growing season of typical steppe in northern China based on NOAA／AVHRR NDVI data［J］.Acta Phytoecologica Sinica，2006，30（3）：356－374.

王宏，李曉兵，余弘婧.基于NOAA／AVHRR NDVI監(jiān)測中國北方典型草原的生長季及變化［J］.植物生態(tài)學(xué)報(bào)，2006，30（3）：365－374.

［10］TAO Wei－guo，XU Bin，LIU Li－jun，et al.Yield estimation model for different utilization status grassland based on remote sensing data［J］.Chinese Journal of Ecology，2007，26（3）：332－337.

陶偉國，徐斌，劉麗軍，等.不同利用狀況下草原遙感估產(chǎn)模型［J］.生態(tài)學(xué)雜志，2007，26（3）：332－337.

［11］KLEMAS V.Remote sensing of coastal wetland biomass：An overview ［J］.Journal of Coastal Research，2013，29（5）：1 016－1 028.

［12］HUETE A，JACKSON R.Soil and atmosphere influences on the spectra of partial canopies［J］.Remote Sensing of Environment，1988，25（1）：89－105.

［13］KAUFMAN Y J，TANRE D.Atmospherically resistant vegetation index（ARVI）for EOS－MODIS［J］.Geoscience and Remote Sensing，IEEE Transactions on，1992，30（2）：261－270.

［14］QI Jia－guo，CABOT F，MORAN M，et al.Biophysical parameter estimations using multidirectional spectral measurements［J］.Remote Sensing of Environment，1995，54（1）：71－83.

［15］TODD S，HOFFER R，MILCHUNAS D.Biomass estimation on grazed and ungrazed rangelands using spectral indices［J］.International Journal of Remote Sensing，1998，19（3）：427－438.

［16］MYNENI R B，HALL F G，SELLERS P J，et al.The interpretation of spectral vegetation indexes［J］.Geoscience and Remote Sensing，IEEE Transactions on，1995，33（2）：481－486.

［17］SELLERS P.Canopy reflectance，photosynthesis and transpiration［J］.International Journal of Remote Sensing，1985，6（8）：1 335－1 372.

［18］GAO Xiang，HUETE A R，NI Wen－ge，et al.Optical－biophysical relationships of vegetation spectra without background contamination［J］.Remote Sensing of Environment，2000，74（3）：609－620.

［19］BLACKBURN G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales：An evaluation of some hyperspectral approaches［J］.Remote Sensing of Environment，1998，66（3）：273－285.

［20］THENKABAIL P S，SMITH R B，DE PAUW E.Hyperspectral vegetation indices and their relationships with agricultural crop characteristics［J］.Remote Sensing of Environment，2000，71（2）：158－182.

［21］GILABERT M A，GANDíA S，MELIA J.Analyses of spectralbiophysical relationships for a corn canopy［J］.Remote Sensing of Environment，1996，55（1）：11－20.

［22］MUTANGA O，SKIDMORE A K.Narrow band vegetation indices overcome the saturation problem in biomass estimation［J］.International Journal of Remote Sensing，2004，25（19）：3 999－4 014.

［23］ADAM E，MUTANGA O，RUGEGE D.Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation：A review［J］.Wetlands Ecology and Management，2010，18（3）：281－296.

［24］WANG Ye－qiao.Remote sensing of coastal environment［M］.London：CRC Press，2010：261－280.

［25］PENGRA B W，JOHNSTON C A，LOVELAND T R.Mapping an invasive plant，Phragmites australis，in coastal wetlands using the EO－1Hyperion hyperspectral sensor［J］.Remote Sensing of Environment，2007，108（1）：74－81.

［26］ROSSO P，USTIN S，HASTINGS A.Mapping marshland vegetation of San Francisco Bay，California，using hyperspectral data［J］.International Journal of Remote Sensing，2005，26（23）：5 169－5 191.

［27］WANG Ye－qiao.Remote sensing of coastal environment［M］.London：CRC Press，2010：61－78.

［28］USTIN S L，ROBERTS D A，GAMON J A，et al.Using imaging spectroscopy to study ecosystem processes and properties［J］.BioScience，2004，54（6）：523－534.

［29］HIRANO A，MADDEN M，WELCH R.Hyperspectral image data for mapping wetland vegetation［J］.Wetlands，2003，23（2）：436－448.

［30］COHEN W B.Response of vegetation indices to changes in three measures of leaf water stress［J］.Photogrammetric Engineering＆ Remote Sensing，1991，57（2）：195－202.

［31］GUPTA R，VIJAYAN D，PRASAD T.New hyperspectral vegetation characterization parameters［J］.Advances in Space Research，2001，28（1）：201－206.

［32］BROGE N H，LEBLANC E.Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density［J］.Remote Sensing of Environment，2001，76（2）：156－172.

［33］KIM M S，DAUGHTRY C，CHAPPELLE E，et al.The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation［C］∥Proc.ISPRS'94，Val d'Isere，F(xiàn)rance，1994：299－306.

［34］DAUGHTRY C，WALTHALL C，KIM M，et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］.Remote Sensing of Environment，2000，74（2）：229－239.

［35］DAWSON T，CURRAN P.Technical note A new technique for interpolating the reflectance red edge position［J］.International Journal of Remote Sensing，1998，19（11）：2 133－2 139.

［36］CURRAN P J.Imaging spectrometry［J］.Progress in Physical Geography，1994，18（2）：247－266.

［37］GOBRON N，PINTY B，VERSTRAETE M M.Theoretical limits to the estimation of the leaf area index on the basis of visible and near－infrared remote sensing data［J］.Geoscience and Remote Sensing，IEEE Transactions on，1997，35（6）：1 438－1 445.