基于DART模型的鹽地堿蓬植被指數(shù)飽和問題分析

趙健順，李 微，王文碩，劉旭龍，孫 悅，閆 涵，高天一

(大連海洋大學(xué)海洋科技與環(huán)境學(xué)院，大連 116023)

鹽地堿蓬是遼河口濱海濕地內(nèi)重要先鋒植物和主要優(yōu)勢物種之一，在固碳增匯、調(diào)節(jié)氣候和保障生態(tài)安全等方面發(fā)揮著重要的作用[1-3].植被指數(shù)(vegetation index，VI)作為反映植被長勢的最佳指示參數(shù)[4-6]，被廣泛用于植被信息遙感提取.吳濤[7-8]基于實測數(shù)據(jù)，發(fā)現(xiàn)SAVI(soil adjusted vegetation index)和 MSAVI(modefied adjusted vegetation index)與鹽地堿蓬葉面積指數(shù)(leaf area index，LAI)的相關(guān)關(guān)系最好；而鹽地堿蓬生物量與PVI(perpendicular vegetation index)、SAVI和MSAVI的相關(guān)性最好，并驗證了PVI、SAVI和MSAVI適用于高覆蓋度鹽地堿蓬生物量反演.李微[9]將基于模擬Landsat-8 OLI數(shù)據(jù)的TSAVI(transformed soil adjusted vegetation index)與地面實測生物量進行回歸分析，發(fā)現(xiàn)TSAVI與不同密度下鹽地堿蓬的生物量均顯著相關(guān).牟蒙[10]基于實測數(shù)據(jù)，選擇了8種植被指數(shù)及敏感波段構(gòu)建鹽地堿蓬生物量定量反演模型，發(fā)現(xiàn)NDVI(normalized diference vegetation index)、RVI(ratio vegetation index)和 TSAVI 適合反演鹽地堿蓬生物量.因此運用植被指數(shù)進行鹽地堿蓬生物量的相關(guān)研究已有一定成果.然而植被指數(shù)隨著植被覆蓋度的增加會出現(xiàn)飽和問題.楊嘉[11]發(fā)現(xiàn)在植被覆蓋度高的闊葉林和針葉林，NDVI飽和現(xiàn)象嚴重，飽和閾值為0.8；而EVI(enhanced vegetation index)表現(xiàn)良好.Dasvishzadeh[12]提出植被指數(shù)對LAI的敏感性隨著 LAI 的增加逐漸降低直至飽和，并且不同植被飽和點不同.但目前缺少對鹽地堿蓬群落相關(guān)植被指數(shù)飽和問題的討論分析，因此本研究對此問題進行探討，對于相關(guān)研究具有一定借鑒意義.

鹽地堿蓬群落自然環(huán)境脆弱、極易被破壞，同時野外采樣難度大，因此樣本數(shù)量較少，而數(shù)值模擬(物理模型模擬)可以很大程度上彌補實測數(shù)據(jù)不足的問題，且具有更為明確的物理意義.DART(discrete anisotropic radiative transfer)模型是由法國 CESBIO 實驗室開發(fā)的基于K-K模型發(fā)展而來的計算機模擬模型，是最具綜合性的三維輻射傳輸模型之一[13]，該模型是一款基于三維輻射傳輸理論的前向模型，可模擬不同場景和結(jié)構(gòu)參數(shù)下的復(fù)雜3D場景[14]及輻射傳輸過程，得到各個波段和方向上的反射率等物理量，全面地考慮了地面植被要素空間分布的差異性，是其他模型沒有涉及到的，其模擬的可靠性得到學(xué)界認可.當前，DART模型在植被方面的研究主要集中在森林的模擬分析[15-19]，對于濕地植被的研究資料較少，曾毓燕[20]基于DART模型模擬了崇明東灘濕地不同密度及等比例混合場景下蘆葦及互花米草的冠層反射率，并分析了葉片和冠層葉綠素含量變化對植被指數(shù)的影響，而對于鹽地堿蓬的相關(guān)研究目前未見報道.因此本文利用DART模型構(gòu)建不同LAI鹽地堿蓬群落場景，研究TSAVI、NDVI、RVI等8種植被指數(shù)(VIs)對鹽地堿蓬LAI的抗飽和性及敏感性，篩選出更優(yōu)的植被指數(shù)，為鹽地堿蓬LAI的遙感估算提供一定理論依據(jù).

1 研究區(qū)概況

遼河口濱海濕地(121°23′～122°29′ E，40°39′～41°27′ N)位于我國渤海遼東灣北部，遼河入?？谔帲靥庍|寧省盤錦市境內(nèi)(圖1).區(qū)域內(nèi)的典型植被群落為蘆葦、水稻和鹽地堿蓬[21].其中鹽地堿蓬為一年生耐鹽濕生草本植被，是重要的先鋒植物和主要優(yōu)勢物種之一，主要分布于遼河?xùn)|、西兩岸，具有藥用、食用、生態(tài)和景觀價值，還具有維持濕地生態(tài)系統(tǒng)正常演替、防風(fēng)消浪等功能[9].但近年來濕地內(nèi)生態(tài)環(huán)境受自然和人為雙重影響，寶貴的生態(tài)資源變得脆弱.

2 數(shù)據(jù)與研究方法

2.1 數(shù)據(jù)

2.1.1 數(shù)據(jù)獲取 2019年9月下旬在研究區(qū)域內(nèi)布設(shè)了21個大小為0.5 m×0.5 m的堿蓬群落樣方，如圖2(a)，對樣方進行光譜數(shù)據(jù)、群落及植株數(shù)據(jù)采集.光譜數(shù)據(jù)采用便攜式ASD (analyzed spectral devices)地物光譜儀進行數(shù)據(jù)采集.儀器光譜測量范圍為350～1 050 nm，光譜分辨率為1 nm，數(shù)據(jù)采集選擇在晴朗無云的時段(10:00 am—14:00 pm)進行，在測量之前先使用標準白板校正，避免陰影干擾，測量時儀器自動獲取同一樣方5條光譜，取平均值作為測量結(jié)果.手持光譜儀手槍式探頭垂直向下對準樣方，探頭距離樣方冠層高度約1 m，以獲取堿蓬群落冠層及附近裸土的光譜數(shù)據(jù).將鹽地堿蓬厚且細長的葉片堆疊在一個天鵝絨黑色背景的玻璃皿中，堆疊多層以保證葉片間縫隙被覆蓋，再利用ASD地物光譜儀測量鹽地堿蓬葉片反射率[22].堿蓬莖反射率采用紫外/可見光分光光度計測量.實測土壤光譜、鹽地堿蓬葉片及莖的光譜數(shù)據(jù)如圖2(b)所示.

圖1 研究區(qū)位置及采樣區(qū)域Fig.1 Study area location and sampling area distribution

在光度不強的早晨與黃昏利用Top-1300植物冠層分析儀進行樣方LAI測量.將魚眼鏡頭朝上依次放置在21個樣方內(nèi)堿蓬冠層下方的中心位置，背對著陽光進行測量，避免陽光直射.通過調(diào)整鏡頭焦距并使用配套軟件分析獲得LAI.每個樣方反復(fù)測量兩次，取平均值作為該樣方的實測LAI.同時在布設(shè)的樣方中隨機選取長勢良好的21株堿蓬進行植株生長數(shù)據(jù)測量，包含植株高度、根莖寬度、葉片長度、葉片寬度等.獲取的鹽地堿蓬群落及植株數(shù)據(jù)如表1所示.

2.1.2 場景構(gòu)建及數(shù)值模擬 鹽地堿蓬群落的場景構(gòu)建包括植株和場景兩部分.在植株建模方面，基于實測數(shù)據(jù)，利用3D Max軟件建立鹽地堿蓬的三維植株模型，所用數(shù)據(jù)為表1所有實測生長數(shù)據(jù)的平均值.

在場景構(gòu)建方面，DART模型的主要輸入?yún)?shù)包括三維植株模型和場景相關(guān)參數(shù)，包括太陽天頂角、方位角；觀測天頂角、方位角；場景大小及分辨率；下墊面等，具體參數(shù)如表2所示.將三維植株模型導(dǎo)入到DART模型中，定義植株各部分的光譜性質(zhì)并結(jié)合場景參數(shù)建立鹽地堿蓬群落場景.

圖2 堿蓬群落樣方(a)，實測鹽地堿蓬葉片、莖、冠層及土壤反射率(b)Fig.2 Suaeda salsa community quadrat(a)，and measured reflectance of Suaeda salsa leaf and stem，canopy and soil reflectance(b)

表1 鹽地堿蓬群落及植株數(shù)據(jù)Tab.1 Suaeda salsa community and plant data

模擬場景從0株～400株，以10株為步長，每個隨機樣方設(shè)5組，共得到205組相關(guān)數(shù)據(jù)，最后取平均值作為該隨機樣方的模擬數(shù)據(jù).模擬場景如圖3所示，場景內(nèi)植株及場景相關(guān)參數(shù)如表1、表2所示.

表2 DART模型場景構(gòu)建所需參數(shù)Tab.2 Input parameters of DART

圖3 DART模型模擬場景(200株)Fig.3 DART model simulation scene (200 plants)

2.2 研究方法

2.2.1 植被指數(shù) 本文共選擇了8種植被指數(shù)作為研究對象，其中NDVI和RVI對植被敏感度高、能削弱輻射誤差[23]；PVI、TSAVI、MSAVI、SAVI和MVI[24](modified vegetation index)能消除或減弱土壤背景對植被反射率的影響[25]；EVI在一定程度上解決了NDVI在高植被覆蓋區(qū)域飽和問題[26].相關(guān)計算方法參照經(jīng)典植被指數(shù)的計算公式和方法，詳見表3.

2.2.2 評價指標 本文通過調(diào)整LAI，研究不同LAI影響下模擬鹽地堿蓬冠層反射率不同波長范圍的抗飽和程度，采用敏感度S作為評價指標[27].敏感度S可以描述某一變量X0，在以ΔX為步長變化的過程中對結(jié)果的影響程度.以X0為參考點，敏感度S定義為：

(1)

式中，r(X0)為參考點X0處的植被指數(shù)值，ΔX為LAI變化值.假設(shè)增量一定，S越大，則變化越顯著，抗飽和性越好.

VIs 和 LAI 的回歸關(guān)系通常是線性或指數(shù)關(guān)系[28]，本研究所模擬得到的 LAI 數(shù)據(jù)介于0～2.71之間，因此選用線性回歸作為標準模型進行分析，并采用決定系數(shù)(R2)及均方根誤差(RMSE)作為精度評價指標.

表3 研究中用到的植被指數(shù)計算方法Tab.3 Vegetation index calculation method used in this study

3 結(jié)果分析與討論

3.1 鹽地堿蓬株數(shù)與LAI相關(guān)性分析

本研究通過調(diào)整鹽地堿蓬株數(shù)進行鹽地堿蓬群落場景的構(gòu)建，建立的205個場景中，LAI范圍是0～2.71，將其與場景內(nèi)植株數(shù)進行相關(guān)性分析，見圖4所示.

圖4 鹽地堿蓬株數(shù)與葉面積指數(shù)的相關(guān)性Fig.4 Correlation between numbers and LAI of Suaeda salsa

由圖4可知，LAI與株數(shù)之間呈顯著線性相關(guān)，R2為0.99，RMSE為0.008，因此本文基于LAI值進行不同生長密度下的鹽地堿蓬植被指數(shù)飽和問題分析討論.

3.2 植被指數(shù)敏感性分析

基于DART模型，鹽地堿蓬群落不同植被指數(shù)隨LAI變化如圖5所示.

圖5 不同葉面積指數(shù)的鹽地堿蓬對植被指數(shù)的影響Fig.5 Effect of different LAI of Suaeda salsa on vegetation index

從圖5可見，RVI隨LAI的增加而降低，與LAI呈負相關(guān)，而其余植被指數(shù)均與LAI呈正相關(guān).整體來看，MVI值最大，PVI和MSAVI值最小，3種指數(shù)變化幅度都很小；EVI和SAVI值很相近，變化幅度也不大；而RVI、NDVI和TSAVI變化幅度最大.其中TSAVI對LAI的變化最敏感，隨著鹽地堿蓬LAI的增大，TSAVI數(shù)值明顯升高，近乎線性增長，能夠區(qū)分出不同LAI下的鹽地堿蓬；其次為RVI，當LAI小于1.72時，RVI隨LAI的增大數(shù)值明顯降低，當LAI大于1.72后數(shù)值增幅減小，大于2后表現(xiàn)出飽和狀態(tài)；NDVI與TSAVI呈現(xiàn)相同的變化趨勢，但在LAI小于2時數(shù)值上高于TSAVI，LAI大于2后，NDVI數(shù)值增幅減小，并出現(xiàn)飽和狀態(tài).總體來看，8種植被指數(shù)中TSAVI的抗飽和性最佳，其次為NDVI及RVI;當LAI<1.3時，EVI和SAVI表現(xiàn)出較好地抗飽和性，之后出現(xiàn)飽和；MVI、PVI及MSAVI這3種植被指數(shù)的抗飽和性最差，隨LAI變化不明顯.植被指數(shù)隨LAI的敏感度變化見圖6.

圖6 不同葉面積指數(shù)的鹽地堿蓬植被指數(shù)敏感度變化Fig.6 Sensitivity of Suaeda salsa vegetation index with different LAI

由圖6可知，8種植被指數(shù)敏感度均隨著LAI的增大而遞減.其中RVI、NDVI及TSAVI的S值明顯大于其他5種植被指數(shù)，并且LAI<0.68時，SRVI>SNDVI>STSAVI；0.68≤LAI<2時，敏感度SNDVI>SRVI>STSAVI；LAI≥2時，TSAVI最優(yōu)，RVI和NDVI出現(xiàn)飽和現(xiàn)象.EVI、SAVI在LAI接近1.72時達到飽和狀態(tài).總體來看TSAVI、NDVI及RVI抗飽和性及敏感性最好；EVI、SAVI對LAI敏感性一般；剩余3種植被指數(shù)對LAI的敏感性及抗飽和性較弱.

對抗飽和性及敏感性最優(yōu)的TSAVI、NDVI及RVI分別與LAI進行相關(guān)性分析，構(gòu)建回歸分析方程(見表4)，均通過0.01的顯著性檢驗.

表4 LAI與植被指數(shù)的定量關(guān)系Tab.4 Quantitative relationships of vegetation fraction with the spectral indices

由表4可知，TSAVI相關(guān)性最高，R2=0.87，RMSE=0.354；NDVI次之，R2=0.82，RMSE=0.419；RVI略低，R2及RMSE分別為0.72、0.517.

綜上所述，基于DART模型模擬結(jié)果，8種植被指數(shù)中TSAVI相對表現(xiàn)最優(yōu)，無論是植被指數(shù)的變化趨勢還是與LAI的線性關(guān)系，均表現(xiàn)出很好的抗飽和性和敏感性，能夠區(qū)分出不同LAI下的鹽地堿蓬群落；NDVI及RVI也表現(xiàn)出較好地抗飽和性和敏感性，且與TSAVI的差異不大，結(jié)合實測LAI的范圍，同樣適用于鹽地堿蓬群落的相關(guān)研究；EVI及SAVI抗飽和性表現(xiàn)一般，適用于自然狀態(tài)下中低密度的堿蓬群落；PVI、MVI及MSAVI表現(xiàn)最差，其敏感性低且易于飽和，隨LAI的變化不明顯，不適于鹽地堿蓬的相關(guān)研究.因此，初步篩選出TSAVI、NDVI及RVI共3種較優(yōu)植被指數(shù).

4 結(jié)論

本研究針對遼河口濱海濕地本地物種鹽地堿蓬，基于DART模型開展了植株模擬及場景構(gòu)建.通過所建場景，探究分析LAI變化針對鹽地堿蓬群落8種植被指數(shù)的飽和問題，評價各植被指數(shù)對LAI的抗飽和性和敏感性，研究表明：基于DART模型模擬結(jié)果，8種植被指數(shù)中TSAVI相對表現(xiàn)最好；NDVI及RVI次之；EVI、SAVI適用性一般；PVI、MVI及MSAVI適用性最差.通過相關(guān)性分析以及構(gòu)建回歸分析方程，并結(jié)合實測LAI數(shù)據(jù)，初步分析認為TSAVI、NDVI及RVI可以作為較強適用性植被指數(shù)來進行相關(guān)研究，能夠區(qū)分不同LAI下的鹽地堿蓬群落.

本文基于模型模擬數(shù)據(jù)對8種植被指數(shù)的飽和問題進行了探討，但在模擬過程中未考慮大氣環(huán)境對模擬場景的影響，因此模擬結(jié)果僅適用于經(jīng)過大氣校正后的遙感影像；其次在場景建模中，植被的物理及生化參數(shù)均根據(jù)成熟期的實測平均值得到，場景內(nèi)植株葉片光譜一致，植株都是采用同一3D模型，而現(xiàn)實中植株生長形態(tài)存在差異；研究只模擬分析了成熟期的鹽地堿蓬植被指數(shù)飽和問題，且對于生長繁茂的植被區(qū)域，由于環(huán)境復(fù)雜無法進入，缺少相關(guān)實測數(shù)據(jù)，不免存在一定的局限性，今后需要用更多的資料并結(jié)合地面實測數(shù)據(jù)對結(jié)果做進一步驗證.