基于高分一號(hào) WFV衛(wèi)星影像的黃河口濕地草本植被生物量估算模型研究

濱海濕地在維護(hù)生物多樣性/保持區(qū)域生態(tài)平衡等方面發(fā)揮著重要的作用[1, 2]。濕地植被生物量是生態(tài)閾值確定、固碳能力評(píng)估和生態(tài)功能評(píng)價(jià)的重要參數(shù)[3, 4]，準(zhǔn)確開(kāi)展濱海濕地植被生物量評(píng)估及其變化監(jiān)測(cè)，是合理地開(kāi)展濱海濕地保護(hù)和恢復(fù)工作的前提。濱海濕地環(huán)境復(fù)雜，大部分區(qū)域難以進(jìn)入，遙感技術(shù)是解決這一問(wèn)題的重要手段。黃河口濕地地物復(fù)雜多樣，是多種珍貴鳥(niǎo)類的棲息地，開(kāi)展該區(qū)域植被生物量遙感反演研究具有重要意義。

衛(wèi)星遙感作為一種濕地植被生物量監(jiān)測(cè)手段，發(fā)揮了重要作用[5-7]，目前基于遙感影像的濕地植被生物量算模型，主要是結(jié)合不同的植被指數(shù)和現(xiàn)場(chǎng)生物量數(shù)據(jù)，建立生物量估算模型。如基于Landsat TM數(shù)據(jù)，李旭文等建立了DVI與太湖梅梁湖灣藍(lán)藻生物量濕重之間的一元線性模型[8]。傅新等基于HJ-1 CCD遙感數(shù)據(jù)和濱海濕地堿蓬生物量實(shí)測(cè)數(shù)據(jù)，建立了黃河三角洲濕地翅堿蓬生長(zhǎng)初期的生物量濕重遙感估算模型[9]。李爽等結(jié)合Landsat TM圖像和實(shí)測(cè)樣地生物量數(shù)據(jù)，開(kāi)展了洪河濕地自然保護(hù)區(qū)濕地植被烏拉苔草的生物量估算模型研究[10]。李仁東等建立了鄱陽(yáng)湖濕地植被生物量采樣數(shù)據(jù)與ETM4波段的一元線性相關(guān)模型[11]。濕地生物量遙感模型研究主要采用的遙感數(shù)據(jù)源是TM影像和其它高光譜影像，其空間分辨率相對(duì)較低，獲取周期長(zhǎng)。而具有高空間分辨率、高時(shí)間分辨率和寬刈幅的高分一號(hào)(GF-1)衛(wèi)星影像為開(kāi)展黃河口濕地典型植被生物量遙感反演的模型研究提供了數(shù)據(jù)支持。

本文以GF-1 WFV多光譜影像為數(shù)據(jù)源，計(jì)算NDVI、SR、SAVI、MSAVI、GBNDVI和DVI 6種常用植被指數(shù)，結(jié)合現(xiàn)場(chǎng)植被地上干生物量實(shí)測(cè)數(shù)據(jù)，建立黃河口濕地草本植被地上干生物量遙感估算模型。

1 研究區(qū)

研究區(qū)為黃河口濕地(119°3′E-119°13′E，37°43′N-37°50′N)(見(jiàn)圖1)，位于我國(guó)最年輕的土地--黃河三角洲，面積約230 km2。黃河三角洲國(guó)家級(jí)自然保護(hù)區(qū)核心區(qū)就位于此，該區(qū)域有蘆葦、翅堿蓬、大米草、荻草等多種草本植被，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，大部分區(qū)域環(huán)境復(fù)雜，難以進(jìn)入，遙感成為對(duì)該區(qū)域開(kāi)展監(jiān)測(cè)的一種重要手段。

圖1 研究區(qū)與采樣站點(diǎn)Fig.1 Study area and the sample sites

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)與處理

選用2013年10月5日獲取的GF-1 WFV衛(wèi)星多光譜遙感影像，相關(guān)參數(shù)如表1所示。

采用ENVI軟件中FLAASH大氣校正模塊對(duì)影像進(jìn)行大氣校正。結(jié)合2005和2014年兩次現(xiàn)場(chǎng)調(diào)查測(cè)量的高精度影像控制點(diǎn)，對(duì)GF-1多光譜影像進(jìn)行了幾何校正，校正中誤差小于0.5個(gè)象元。

2.2 現(xiàn)場(chǎng)數(shù)據(jù)

2013年9月24日至10月2日，開(kāi)展了研究區(qū)典型草本植被生物量現(xiàn)場(chǎng)獲取。在盡量滿足空間分布均勻的要求下，獲取了35個(gè)站點(diǎn)植被單位面積的地上部分生物量樣本。在生物量樣本獲取時(shí)，選擇分布均勻的草本植被生長(zhǎng)區(qū)，且位于影像純像元覆蓋區(qū)、具有區(qū)域特征的1 m×1 m的樣方，割取植被地上植株，去掉干枯部分，放入吸水透氣性好的牛皮紙袋，帶回實(shí)驗(yàn)室。在105 ℃下殺青30 min，80 ℃條件下恒溫烘干直至恒重，稱重獲得現(xiàn)場(chǎng)站點(diǎn)地上部分草本植被干生物量。經(jīng)過(guò)后期質(zhì)量控制，選擇24個(gè)站點(diǎn)的樣本用于本文研究，其中17個(gè)樣本用于模型構(gòu)建，7個(gè)樣本用于模型驗(yàn)證。

2.3 方法

利用ERDAS軟件，計(jì)算GF-1 WFV衛(wèi)星數(shù)據(jù)歸一化植被指數(shù)(NDVI)[12]、簡(jiǎn)單比值植被指數(shù)(SRI)[13]、土壤調(diào)節(jié)植被指數(shù)(SAVI)[14]、修正土壤調(diào)節(jié)植被指數(shù)(MSAVI)[15]、考慮綠光改進(jìn)的植被指數(shù)GBNDVI[16]和差值植被指數(shù)DVI[8]共6種多光譜遙感影像生物量反演中常用的植被指數(shù)，將其與地上草本植被干生物量相結(jié)合，進(jìn)行線性、指數(shù)、對(duì)數(shù)和冪回歸模型分析，建立基于各植被指數(shù)的地上干生物量估算模型，確定最佳估算模型。表2給出了6種植被指數(shù)及其計(jì)算公式。

注：ρNIP、ρRed、ρGreen和ρBlue分別為GF-1 WFV衛(wèi)星數(shù)據(jù)某一像元在近紅外、紅、綠和藍(lán)光波段的反射率。

3 結(jié)果與分析

基于GF-1 WFV數(shù)據(jù)的黃河口濕地草本植被地上干生物量遙感估算模型結(jié)果如表3所示。

由表3可看出，黃河口濕地草本植被地上干生物量與基于GF-1 WFV衛(wèi)星數(shù)據(jù)獲取的各植被指數(shù)均顯著相關(guān)(P<0.001)。由于基于GF-1 WFV數(shù)據(jù)獲取的GBNDVI指數(shù)中有負(fù)值，故沒(méi)有相應(yīng)的對(duì)數(shù)回歸模型和冪回歸模型。基于6種植被指數(shù)的地上生物量反演型共有22種，其中各反演模型中最佳模型分別為基于NDVI和GBNDVI的指數(shù)回歸模型以及基于DVI、SRI、SAVI、和MSAVI的冪回歸模型。

各生物量反演模型的R2都在0.65附近上下波動(dòng)(見(jiàn)圖2 a)，基于各植被指數(shù)獲取的冪回歸模型(除GBNDVI)R2整體比較大，都大于0.73。不同植被指數(shù)對(duì)應(yīng)的線性回歸模型和對(duì)數(shù)回歸模型的R2最接近，最大差值小于0.1，但其R2整體偏低。指數(shù)回歸模型對(duì)應(yīng)不同植被指數(shù)的R2變化最劇烈，其中對(duì)應(yīng)NDVI最大為0.7537，對(duì)應(yīng)SRI的最小為0.6455。由圖2b可以看出，各生物量反演模型的MRE都在50%上下波動(dòng)，其中基于NDVI的生物量最佳反演模型MRE最小，為23.9%?；谕恢脖恢笖?shù)(除NDVI和GBNDVI)的各生物量反演模型中，對(duì)數(shù)回歸模型的MRE最大，冪回歸模型的最小，線性回歸模型和指數(shù)回歸模型的位于它們中間。

表3 黃河口濕地草本植被地上干生物量估算模型(平均相對(duì)誤差:%)Tab.3 aboveground dry vegetation biomass estimation models in the Yellow River estuary wetland(MRE: %)

注：“*”植被指數(shù)和地上干生物量顯著相關(guān)(P<0.001)；“-”植被指數(shù)有負(fù)數(shù)，無(wú)相應(yīng)的回歸模型；加粗模型為基于4種植被指數(shù)分別得到的最佳回歸模型。

(a)決定系數(shù)隨植被指數(shù)變化 (b)平均相對(duì)誤差隨植被指數(shù)變化圖2 基于不同植被指數(shù)的各回歸模型決定系數(shù)和平均相對(duì)誤差Fig.2 Coefficient of determination and MRE based on different kinds of vegetation indices

考慮各模型的決定系數(shù)R2和平均相對(duì)誤差MRE，易知基于NDVI和GBNDVI建立的生物量最佳反演模型都是指數(shù)回歸模型，其R2分別為0.7537和0.7524，MRE分別為23.9%和25.0%，基于DVI、SRI、SAVI和MSAVI得到的生物量最佳反演模型都是冪回歸模型，其R2分別為0.7524、0.7378、0.7541和0.7701，MRE分別為46.0%、26.0%、46.0%和53.4%。在得到的6種最佳生物量反演模型中R2都滿足R2>0.7，按大小排序?yàn)镸SAVI>SAVI>NDVI>DVI>SRI>GBNDVI。基于MSAVI得到的冪回歸模型R2最大，為0.77，而基于SRI建立的最佳生物量反演型最小為0.7378。各生物量最佳反演模型中，MRE都小于54%，最小的為23.9%，按由小到大排序?yàn)镹DVI

4 結(jié)論與討論

基于GF-1 WFV多光譜衛(wèi)星數(shù)據(jù)，計(jì)算得到NDVI、SRI、SAVI、MSAVI、GBNDVI和DVI 6種植被指數(shù)，結(jié)合現(xiàn)場(chǎng)采樣確定的黃河口濕地地上草本植被生物量數(shù)據(jù)，進(jìn)行線性、指數(shù)、對(duì)數(shù)和冪等4種模型的回歸分析，得到22種生物量反演模型，分析了各種反演模型的決定系數(shù)和平均相對(duì)誤差，確定了基于各種植被指數(shù)的最佳生物量估算模型，結(jié)論如下：

(1)基于NDVI和GBNDVI的最佳生物量估算模型都為指數(shù)函數(shù)模型，基于其它植被指數(shù)的最佳生物量估算模型都是冪函數(shù)模型(P<0.001)。

(2)基于高分一號(hào)WFV衛(wèi)星數(shù)據(jù)獲取的6種植被指數(shù)與黃河口濕地草本植被地上干生物量建立的最佳估算模型決定系數(shù)都滿足R2>0.7，MRE<54%，其中R2最大為0.77，按由大到小排序?yàn)镸SAVI > SAVI > NDVI > DVI > SRI > GBNDVI；MRE最小為23.9%，按由小到大排序?yàn)镹DVI < GBNDVI< SRI < DVI=SAVI< MSAVI。

由于黃河口濕地環(huán)境復(fù)雜，很多地方無(wú)法直接進(jìn)入，難以獲取更多的現(xiàn)場(chǎng)生物量樣本；在下一步工作中，將結(jié)合植被生長(zhǎng)參數(shù)和生長(zhǎng)環(huán)境等要素，開(kāi)展有限樣本條件下的生物量遙感模型研究。

[1] WOODWARD R T， WUI Y S．The economic value of wetland services: a meta-analysis [J]．Ecological Economics， 2001， 37(2):257-270．

[2] 楊永興. 國(guó)際濕地科學(xué)研究的主要特點(diǎn)、進(jìn)展與展望 [J]. 地理科學(xué)進(jìn)展， 2002， 21(3):111-120.

YANG Yongxing．Main characteristics， progress and prospect of international wetland science Research [J]. Process in Geography， 2002， 21(2):111-120．

[3] 崔保山， 賀強(qiáng)， 趙欣勝. 水鹽環(huán)境梯度下翅堿蓬(Suaeda salsa)的生態(tài)閾值 [J]. 生態(tài)學(xué)報(bào)， 2008, 28(4):1408-1418.

CUI Baoshan， HE Qiang， ZHAO Xinsheng． Researches on the ecological thresholds ofSuaedasalsato the environmental gradients of water table depth and soil salinity [J]．Acta Ecologica Sinica， 2008， 28(4):1408-1418．

[4] 劉國(guó)華， 馬克明， 傅伯杰， 等. 岷江干旱河谷主要灌叢類型地上生物量研究 [J]. 生態(tài)學(xué)報(bào)， 2003, 23(9):1757-1764．

LIU Guohua, MA Keming, FU Bojie,etal．Aboveground biomass of main shrubs in dry valley of Minjiang River [J]．Acta Ecologica Sinica， 2003， 23(9):1757-1764．

[5] WYLIE B, MEYER D, TIESZEN L,etal. 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):266-278.

[6] LU D. The potential and challenge of remote sensing‐based biomass estimation [J]. International journal of remote sensing, 2006, 27(7):1297-1328.

[7] 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.

[8] 李旭文， 季耿善， 楊靜. 太湖梅梁湖灣藍(lán)藻生物量遙感估算 [J]. 國(guó)土資源遙感， 1995， 2：23-28

LI Xuwen， JI Gengshan， YANG Jing．Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing [J]．Remote Sensing for Land and Resources， 1995， 2:23-28．

[9] 傅新， 劉高煥， 黃翀, 等. 濕地翅堿蓬生物量遙感估算模型 [J]. 生態(tài)學(xué)報(bào)， 2012， 32(17):5355-5362.

FU Xin， LIU Gaohuan， HUANG Chong，etal. Remote sensing estimation models ofSuaedasalsabiomass in the coastal wetland [J]．Acta Ecologica Sinica， 2012， 32(17):5355-5362．

[10] 李爽. 洪河自然保護(hù)區(qū)濕地植被地上生物量遙感估算研究 [D]. 北京：首都師范大學(xué)， 2009.

LI Shuang. The remote sensing estimation and analysis of aboveground biomass of vegetation in Honghe wetland nature reserve [D]. Beijing:Capital Normal University, 2009.

[11] 李仁東， 劉紀(jì)遠(yuǎn). 應(yīng)用Landsat ETM數(shù)據(jù)估算鄱陽(yáng)湖濕生植被生物量 [J]. 地理學(xué)報(bào)， 2001， 56(5):532-540．

LI Rendong, LIU Jiyuan．An estimation of wetland vegetation biomass in the Poyang Lake using Landsat ETM data [J]．Acta Geographica Sinica， 2001， 56(5):532-540．

[12] ROUSE J. Monitoring vegetation systems in the Great Plains with ERTS [R]. NASA. Goddard Space Flight Center 3d ERTS-1 Symp, 1974.

[13] JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor [J]. Ecology, 1969, 50(4):663-666.

[14] HUETE A R. A soil-adjusted vegetation index (SAVI) [J]. Remote Sensing of Environment, 1988, 25(3):295-309.

[15] QI J, CHEHBOUNI A, HUETE A,etal. A modified soil adjusted vegetation index [J]. Remote Sensing of Environment, 1994, 48(2):119-126.

[16] 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.