極干旱區(qū)稀疏荒漠植被地上生物量遙感估算

葉靜蕓， 吳 波,2， 賈曉紅,2， 費兵強,2， 高君亮，成 龍,2， 龐營軍,2， 姚 斌,2， 孔德庸

（1.中國林業(yè)科學(xué)研究院荒漠化研究所，北京 100091；2.國家林業(yè)和草原局荒漠生態(tài)系統(tǒng)與全球變化重點實驗室，北京 100091；3.中國林業(yè)科學(xué)研究院沙漠林業(yè)實驗中心，內(nèi)蒙古 磴口 015200；4.韶關(guān)學(xué)院，廣東 韶關(guān) 512005）

我國干旱區(qū)總面積約為2.15×106km2，約占國土面積的22%。包括新疆全境、甘肅河西走廊地區(qū)和內(nèi)蒙古阿拉善盟及寧夏賀蘭山以西地區(qū)［1］?；哪脖恢饕植加诟珊祬^(qū)，以旱生、超旱生的小喬木、灌木、半灌木和小半灌木為建群種，是衡量荒漠生態(tài)系統(tǒng)健康狀況的重要指征［2-3］。

植被地上生物量是指單位面積內(nèi)所有地上植物的總重量，通常以鮮重或干重表示，其估算方法一直是生態(tài)環(huán)境監(jiān)測領(lǐng)域的研究熱點［4-5］。傳統(tǒng)的植被地上生物量測算主要依靠地面樣方調(diào)查，雖然精度高，但費時費力、實施困難，對于復(fù)雜生態(tài)系統(tǒng)存在一定局限，只適用于小尺度研究［6］。與傳統(tǒng)方法相比，遙感技術(shù)在植被空間異質(zhì)性識別和不同時相植被信息獲取等方面的優(yōu)勢，使其成為大尺度植被地上生物量估算的主要手段［6-9］。

近年來，光學(xué)遙感植被信息提取技術(shù)被廣泛應(yīng)用于森林和草原植被，但是在荒漠植被中應(yīng)用較少［10］。這一方面是由于荒漠植被結(jié)構(gòu)簡單、低矮稀疏、單位面積地上生物量非常低，傳感器對稀疏荒漠植被的敏感性弱，通用遙感模型的估算精度低；另一方面在提取荒漠植被信息過程中容易出現(xiàn)背景（主要是土壤）信息對目標(biāo)信號的“污染”，進(jìn)一步降低了遙感模型的估算精度。為了解決植被信息提取精度較低的問題，Cunliffe等［11］在小尺度范圍內(nèi)，利用無人機遙感影像構(gòu)建改進(jìn)的多端元光譜分解模型來提取干旱區(qū)植被覆蓋度，取得了較好的效果。Yan等［12］在毛烏素沙地采用Landsat TM 和MODIS 遙感數(shù)據(jù)，綜合分析了歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、土壤調(diào)節(jié)植被指數(shù)（SAVI）、修正的土壤調(diào)節(jié)植被指數(shù)（MSAVI）5 種植被指數(shù)與植被覆蓋度的相關(guān)性，結(jié)果顯示MSAVI 與稀疏的沙地植被覆蓋度的相關(guān)性更高。葉靜蕓等［13］采用QuickBird遙感數(shù)據(jù)，基于地面調(diào)查數(shù)據(jù)，對烏蘭布和沙漠東北緣荒漠-綠洲過渡帶的植被地上生物量進(jìn)行了估算，發(fā)現(xiàn)采用RVI線性模型估算荒漠植被地上生物量效果較好。在植被地上生物量模型方面，Zandler等［14］利用多種方法對塔吉克斯坦帕米爾高原東部稀疏荒漠植被的地上生物量估算結(jié)果進(jìn)行比較后發(fā)現(xiàn)，套索回歸（LASSO）的估算效果最好。綜上所述，空間分辨率更高的遙感數(shù)據(jù)和不斷優(yōu)化的數(shù)據(jù)分析方法可以有效提高稀疏荒漠植被遙感信息提取的精度。

為了提高稀疏荒漠植被地上生物量的估算精度，本研究以庫姆塔格沙漠南部阿爾金山北麓山前戈壁區(qū)為研究區(qū)，從遙感數(shù)據(jù)源和模型方法2個方面進(jìn)行探索和嘗試，以建立更加準(zhǔn)確、實用的稀疏荒漠植被地上生物量遙感估算方法，以期為干旱區(qū)荒漠生態(tài)系統(tǒng)碳儲量估算和荒漠化監(jiān)測提供科學(xué)依據(jù)。

1 研究區(qū)概況

研究區(qū)位于阿爾金山北麓洪積扇平原，北接庫姆塔格沙漠和庫魯克塔格山，總面積為9397.25 km2，地理位置介于39°09′～39°50′N與90°55′～94°28′E之間，海拔1400～2900 m，地勢南高北低，東高西低（圖1）。根據(jù)2017—2020年的觀測，研究區(qū)年降水量大約在50～180 mm 之間，在空間上由東向西遞減，由南向北遞減。降水多集中在5—7 月，常常形成洪水，使洪積扇上溝壑縱橫。在地勢較低的溝床內(nèi)主要分布有霸王（Zygophyllum xanthoxylon）、裸果木（Gymnocarpos przewalskii）和膜果麻黃（Ephedra przewalskii）等灌木，局部地段分布有零星的鹽生草（Halogeton glomeratus）、刺沙蓬（Salsola ruthenica）和霧冰藜（Bassia dasyphylla）等一年生草本植物，群落蓋度大多在10%～20%之間，灌木植株高度一般小于1 m，草本植物高度一般不超過10 cm；在地勢較高的溝岸地段主要分布著合頭藜（Sympegma regelii）、紅砂（Reaumuria soongarica）等灌木，群落蓋度在10%以下，許多地段甚至在1%以下，植株高度大多為10～50 cm；在洪積扇北部沙漠邊緣地帶分布有梭梭（Haloxylon ammodendron）、沙拐棗（Calligonum mongolicum）、檉柳（Tamarix ramosissima）等灌木，群落蓋度大約10%～20%，植株高度有時可達(dá)2.0～2.5 m［15-16］。該地區(qū)荒漠植被的植物群落組成、物種多樣性和生物量的空間異質(zhì)性均處于較高水平，對采用遙感方法進(jìn)行植被生物量的準(zhǔn)確估算提出了挑戰(zhàn)。

圖1 研究區(qū)位置以及樣方分布Fig.1 Location of the study area and distribution of plots

2 數(shù)據(jù)與方法

2.1 地面樣方調(diào)查

2017 年9 月，采用樣帶與樣方相結(jié)合的方法進(jìn)行野外調(diào)查。根據(jù)阿爾金山北麓戈壁區(qū)山前荒漠植被分布的垂直地帶性特征，在研究區(qū)的東西方向每隔20～50 km 設(shè)置一條南北方向樣帶。沿著樣帶方向每隔3 km 設(shè)置一個30 m×30 m 的樣方。調(diào)查的12條樣帶和100個樣方的具體分布（圖1）。調(diào)查內(nèi)容包括每個樣方的地貌特征、土壤特征、海拔和中心點GPS 坐標(biāo)與植被生長狀況，測量并記錄樣方內(nèi)每株灌木植物的基徑（D，cm）、冠幅長軸（C1，cm）和冠幅短軸（C2，cm）、株高（H，cm），以及每個植株的相對位置。參考《全國生態(tài)狀況調(diào)查評估技術(shù)規(guī)范——荒漠生態(tài)系統(tǒng)野外觀測》中的荒漠植被采樣方法［17］。在研究區(qū)內(nèi)分不同植物種選取若干株不同大小的健康植株，分別測量其基徑、株高、冠幅長軸和冠幅短軸，然后整株貼地剪下，稱其鮮重后取樣帶回實驗室，在80 ℃通風(fēng)干燥箱內(nèi)烘干48 h稱重，經(jīng)計算得到植株地上生物量干重。少量樣方有草本植物分布，在有草本植物分布的樣方內(nèi)，在樣方任意1 條對角線的兩端和中間各取1 個1 m×1 m的小樣方，采用收割法測定小樣方內(nèi)所有草本植物地上生物量鮮重，并采樣帶回實驗室，在80 ℃通風(fēng)干燥箱內(nèi)烘干48 h稱重，經(jīng)計算得到每個小樣方草本植物地上生物量干重。

2.2 樣方地上生物量估算

異速生長模型法是估算灌木地上生物量的有效方法，可以減少對植被的破壞［18］。基于地面樣方調(diào)查數(shù)據(jù)，分別以每種灌木的基徑（D，cm）、冠面積（A=πC1C2/4，cm2）、株高（H，cm）和植株體積（V=AH，cm3）為預(yù)測變量，構(gòu)建異速生長方程，并選取決定系數(shù)（R2）和平均絕對誤差（MAE）作為比較和評判異速生長方程擬合效果的指標(biāo)。計算公式如下：

式中：n為樣本個數(shù)；yi為單株灌木的生物量實測值（g）；y?i為單株灌木的生物量估測值（g）；yˉi為每種灌木的生物量實測平均值（g）。

比較估算結(jié)果，每種灌木的異速生長方程擬合度均達(dá)到了極顯著水平。其中泡泡刺（Nitraria sphaerocarpa）、旱蒿（Artemisia xerophytica）、梭梭和檉柳的最佳預(yù)測變量為V；沙拐棗、膜果麻黃、裸果木、紅砂、合頭藜和霸王的最佳預(yù)測變量為A，其最優(yōu)異速生長方程見表1。

表1 灌木植物的最優(yōu)異速生長方程Tab.1 Best allometric model of shrub plants

根據(jù)每個樣方調(diào)查數(shù)據(jù)和灌木異速生長方程以及小樣方草本植物地上生物量調(diào)查數(shù)據(jù)，對每個樣方的地上生物量進(jìn)行計算，計算結(jié)果用于荒漠植被地上生物量遙感估算。

2.3 遙感數(shù)據(jù)處理

2.3.1Landsat-OLI 遙感數(shù)據(jù)處理 Landsat-OLI 數(shù)據(jù)由美國地質(zhì)勘探局網(wǎng)站下載（https://earthexplorer.usgs.gov/），獲取時間是2017 年9 月26 日，覆蓋于阿爾金山北麓山前戈壁區(qū)，空間分辨率30 m。Landsat-OLI數(shù)據(jù)包含可見光（VIS）、近紅外（NIR）和短紅外（SWIR）等9 個光譜波段。Landsat-OLI 數(shù)據(jù)是經(jīng)過陸地衛(wèi)星生態(tài)系統(tǒng)干擾自適應(yīng)處理系統(tǒng)處理后的地表反射率產(chǎn)品，可直接用于遙感特征參數(shù)的計算。

2.3.2WorldView-3 遙感數(shù)據(jù)處理 WorldView-3數(shù)據(jù)獲取時間為2016 年6 月28 日，覆蓋面積381 km2，空間分辨率2.5 m，包含藍(lán)光（Blue）、綠光（Green）、紅光（RED）和NIR波段。根據(jù)課題組在地面樣方附近山麓地帶設(shè)置的自動氣象站（距World-View-3 遙感影像覆蓋區(qū)域西部邊緣約10 km）的觀測數(shù)據(jù)，2016年降水量75.5 mm，2017年降水量56.8 mm；該地區(qū)氣候極端干旱，荒漠植物生長緩慢，1 a內(nèi)植被生物量變化很小。遙感影像數(shù)據(jù)獲取與地面樣方調(diào)查之間的時間差異不會給植被地上生物量估算結(jié)果帶來顯著影響。

在ENVI 5.3環(huán)境中，利用數(shù)據(jù)元文件對原始的WorldView-3 數(shù)據(jù)進(jìn)行輻射定標(biāo)；通過高光譜遙感數(shù)據(jù)的大氣糾正模塊（FLAASH）對WorldView-3 數(shù)據(jù)進(jìn)行大氣校正；利用影像的正射校正文件（PRC）和全球定位系統(tǒng)（GPS）差分定位對影像進(jìn)行幾何精校正，誤差可以控制在2 m 以內(nèi)；提取遙感特征參數(shù)［19］。

2.3.3遙感特征參數(shù)計算 選取單反射率波段和植被指數(shù)作為遙感特征參數(shù)，用于荒漠植被覆蓋區(qū)的提取和植被地上生物量回歸模型的構(gòu)建。單反射率波段中RED 和NIR 波段對荒漠植被的敏感性較強［20-21］；植被指數(shù)中RVI、NDVI 和MSAVI 對荒漠植被的敏感性更強［21-25］。因此，本研究采用的遙感特征參數(shù)有5個，即RED、NIR、RVI、NDVI和MSAVI。

公式（3）、公式（4）和公式（5）為植被指數(shù)的計算公式，式中RED和NIR分別表示紅光和近紅光反射率波段。

2.3.4無人機遙感數(shù)據(jù)處理 2020 年9 月26—30日，采用DJI 精靈4（RTK）無人機在WorldView-3 數(shù)據(jù)覆蓋區(qū)內(nèi)設(shè)置了一條樣帶進(jìn)行詳細(xì)調(diào)查，覆蓋區(qū)域內(nèi)的荒漠植被具有代表性。該樣帶南北向長11 km，東西向?qū)? km，由44 個1 km×1 km 的飛行單元組成（圖1）。為避免太陽入射角度太小而導(dǎo)致的地物陰影拖曳現(xiàn)象，拍攝時間選取在北京時間09:00—16:00 之間。飛行作業(yè)期間天氣晴好，云量極低，風(fēng)速很小，滿足無人機攝影測量平臺工作的要求；飛行高度為200 m，飛行速度9 m·s-1，航向重疊率80%，旁向重疊率75%；空間分辨率0.05 m。數(shù)據(jù)的平面坐標(biāo)系統(tǒng)為WGS84坐標(biāo)系，通用墨卡爾投影。無人機影像覆蓋區(qū)域的荒漠植被具有代表性，灌木冠幅一般大于20 cm，在無人機影像上可被精準(zhǔn)識別。

2.4 植被覆蓋區(qū)的提取與精度評價

2.4.1植被覆蓋區(qū)提取原理 利用像元二分法提取植被覆蓋區(qū)，以提高植被地上生物量模型估算精度［26］。其原理是假設(shè)地表信息由純植被和純土壤信息構(gòu)成，則與之相對應(yīng)的像元光譜信息也由一定覆蓋比例的純植被像元與純土壤像元構(gòu)成。表示為：

對公式（6）進(jìn)行變換，得到植被覆蓋度公式：

式中：FVC 為像元中純植被覆蓋面積的比例（植被覆蓋度）；S為像元的遙感特征參數(shù)值；Sveg和Ssoil分別為像元中純植被和純土壤像元的遙感特征參數(shù)值。

2.4.2植被和土壤分類 利用目視解譯從無人機遙感影像中提取純土壤像元分布區(qū)，其他像元對應(yīng)的區(qū)域則為植被覆蓋區(qū)［26-31］。通過非監(jiān)督分類方法對所有無人機影像進(jìn)行植被和土壤分類，拼接分類結(jié)果得到植被和土壤分類圖。圖2為一個地面調(diào)查樣方的無人機影像及其分類結(jié)果，樣方中心地理坐標(biāo)為39°20′34″N、91°59′4″E，大小為30 m×30 m。從圖2 可以看出，無人機影像能夠清晰地反映樣方內(nèi)低矮稀疏荒漠植被的冠層信息與純土壤像元信息。

圖2 樣方無人機影像及其分類結(jié)果Fig.2 Plot UAV image and its classification results

Landsat-OLI和WorldView-3影像的植被覆蓋區(qū)的提取方法一致。采用非監(jiān)督分類方法分別對遙感影像進(jìn)行植被和土壤分類；掩膜提取土壤覆蓋區(qū)；統(tǒng)計土壤覆蓋區(qū)遙感特征參數(shù)的累計頻率。對照無人機影像數(shù)據(jù)的植被和土壤分類結(jié)果并參考相關(guān)文獻(xiàn)，經(jīng)過反復(fù)調(diào)試，選取頻率累計表中累計頻率為5%的遙感特征參數(shù)作為純土壤像元Ssoil值，遙感特征參數(shù)累計頻率>5%的像元為植被覆蓋區(qū)域［26］。

2.4.3植被覆蓋區(qū)提取與驗證 以無人機遙感數(shù)據(jù)的植被分類結(jié)果作為實測值，以遙感影像的分類結(jié)果作為預(yù)測值，利用Kappa 系數(shù)對分類結(jié)果進(jìn)行評價，計算公式如下：

式中：P0為實測值與預(yù)測值相同的像元數(shù)量；Pe為實測值與預(yù)測值不同的像元數(shù)量。

分別統(tǒng)計Landsat-OLI 和WorldView-3 遙感數(shù)據(jù)的5個特征參數(shù)影像的土壤覆蓋區(qū)像元信息。土壤覆蓋區(qū)內(nèi)累計頻率為5%的特征參數(shù)值代表純土壤像元信息，Landsat-OLI 遙感數(shù)據(jù)的5 個特征參數(shù)對應(yīng)的Ssoil值分別為0.27、0.31、1.13、0.06 和0.05，WorldView-3遙感數(shù)據(jù)的5個特征參數(shù)對應(yīng)的Ssoil值分別為0.26、0.22、1.11、0.04 和0.03。累計頻率>5%的像元覆蓋區(qū)域為植被覆蓋區(qū)。利用無人機遙感數(shù)據(jù)分別對Landsat-OLI 和WorldView-3 遙感數(shù)據(jù)的植被和土壤分類結(jié)果進(jìn)行精度評價。由表2 可知，Landsat-OLI的RVI分類效果最優(yōu)，其Kappa系數(shù)為0.77；WorldView-3 的NDVI 分類效果最優(yōu)，其Kappa 系數(shù)為0.95。分別采用最優(yōu)植被指數(shù)RVI 和NDVI 對研究區(qū)進(jìn)行植被覆蓋區(qū)的提取，World-View-3 影像覆蓋區(qū)域的植被覆蓋區(qū)面積為223 km2，Landsat-OLI 影像覆蓋區(qū)域的植被覆蓋區(qū)面積為3592 km2。在無人機影像覆蓋區(qū)隨機選取200個像元對植被覆蓋區(qū)提取結(jié)果進(jìn)行驗證，Landsat-OLI影像的植被覆蓋區(qū)提取精度為84.54%，WorldView-3影像的植被覆蓋區(qū)提取精度為91.26%。

表2 植被和土壤分類植被指數(shù)Tab.2 Vegetation indices for vegetation and soil classification

2.5 植被地上生物量遙感模型的構(gòu)建與驗證

將研究區(qū)內(nèi)100個樣方的中心點GPS坐標(biāo)疊加于Landsat-OLI影像上，從中隨機選取70%（n=70）的樣方用于模型構(gòu)建，其余30%（n=30）的樣方用于模型驗證。建立70 個樣方的植被地上生物量數(shù)據(jù)與Landsat-OLI 遙感影像上對應(yīng)像元的光譜特征值之間的回歸模型。100 個樣方中有21 個樣方分布于WorldView-3 影像覆蓋區(qū)，將這21 個樣方均分為84個15 m×15 m的小樣方。樣方內(nèi)所有植株的相對位置已知，可以準(zhǔn)確計算每個小樣方的植被地上生物量，將其中心點的GPS 坐標(biāo)疊加于WorldView-3 影像上，隨機選取70%（n=58）的小樣方，建立小樣方地上生物量數(shù)據(jù)與WorldView-3遙感特征參數(shù)之間的回歸模型，剩余30%的小樣方（n=26）用于回歸模型驗證。Townshend 等［30］研究表明，遙感數(shù)據(jù)驗證的最佳樣方大小為E=F（1+2L），其中E為樣方大小（m2），F(xiàn)為像元大小（m），L為像元幾何精度（m）。WorldView-3 遙感數(shù)據(jù)的像元大小為2.5 m，幾何精度2 m 以內(nèi)，則最佳樣方大小為12.5 m，其與15 m×15 m的小樣方大小相近。因此，樣方數(shù)據(jù)與遙感像元之間存在匹配關(guān)系。

SLR、LASSO、RR 模型常被應(yīng)用于植被地上生物量的預(yù)測［32-33］。在R 語言環(huán)境中構(gòu)建回歸模型，利用“glmnet”包構(gòu)建遙感特征參數(shù)與植被地上生物量之間的回歸模型，并利用“sperrorest”包進(jìn)行模型的交叉驗證［34］。交叉驗證數(shù)據(jù)集被隨機分配至G（G=10）組，交叉驗證重復(fù)10 次，選取均方根誤差（RMSE）、標(biāo)準(zhǔn)偏差（SD）和均方根誤差百分比（RMSErel）作為模型精度的指標(biāo)，用于對比分析模型的回歸效果。RMSE用來衡量預(yù)測值與實測值之間的偏差；SD為各數(shù)據(jù)偏離平均數(shù)的距離；RMSErel為均方根的偏移。3項指標(biāo)越小表示模型的誤差越小。

式中：yi為第i個樣方植被地上生物量實測值（g·m-2）；y?i為第i個樣方植被地上生物量預(yù)測值（g·m-2）；yˉ為實測植被地上生物量的平均值（g·m-2）；n為模型中使用的樣方個數(shù)。

2.6 植被地上生物量遙感估算結(jié)果的修正

構(gòu)建WorldView-3 和Landsat-OLI 影像植被地上生物量分布數(shù)據(jù)之間的線性關(guān)系，通過該線性關(guān)系對基于Landsat-OLI 影像得到的阿爾金山北麓山前戈壁區(qū)的荒漠植被地上生物量分布圖進(jìn)行修正。

3 結(jié)果與分析

3.1 估算結(jié)果驗證

采用交叉驗證方法對所有樣方的估算結(jié)果進(jìn)行對比分析（表3）。WorldView-3 數(shù)據(jù)的反演效果明顯優(yōu)于Landsat-OLI，RMSE平均降低58.65 g·m-2，RMSErel平均降低了72.27%。LASSO、RR和SLR模型中，RR 模型的估算效果最好，其中WorldView-3 RR 模型的RMSErel 為44.68%，略優(yōu)于WorldView-3 SLR 模型的58.33%和WorldView-3 LASSO 模型的45.26%；Landsat-OLI RR模型的RMSErel為114.34%，略優(yōu)于Landsat-OLI SLR 模型的134.94%和Landsat-OLI LASSO模型的115.81%。

表3 植被地上生物量預(yù)測結(jié)果交叉驗證Tab.3 Result of cross-validated aboveground biomass in the samples

3.2 估算結(jié)果分析

利 用WorldView-3 RR 和Landsat-OLI RR 模型估算植被地上生物量，得到模型預(yù)測值與實測值的1:1 線性圖（圖3）。利用WorldView-3 RR 模型反演得到的植被地上生物量預(yù)測值與樣方實測值更貼近于1:1線，基于WorldView-3數(shù)據(jù)的估算效果明顯優(yōu)于Landsat-OLI RR。Landsat-OLI RR 模型植被地上生物量估算值基本上不隨實測值的變化而發(fā)生變化，表明Landsat-OLI遙感數(shù)據(jù)對于稀疏荒漠植被的敏感性非常低，在實際應(yīng)用中會使植被地上生物量估算結(jié)果出現(xiàn)較大偏差。

圖3 植被地上生物量實測值和預(yù)測值的1:1線性圖Fig.3 Scatterplots of measured and predicted aboveground biomass

在WorldView-3 數(shù)據(jù)覆蓋區(qū)內(nèi)隨機選取500 個像元，每個像元之間的距離不小于100 m，構(gòu)建WorldView-3 RR 和Landsat-OLI RR 植被地上生物量估算數(shù)據(jù)之間的線性關(guān)系，對Landsat-OLI RR 植被地上生物量估算結(jié)果進(jìn)行修正。WorldView-3 RR與Landsat-OLI RR估算值之間的關(guān)系式為（圖4）：

圖4 植被地上生物量回歸分析Fig.4 Regression analysis of aboveground biomass

式中：OLI 與WV 分別為Landsat-OLI RR 與World-View-3 RR模型的植被地上生物量預(yù)測值（g·m-2）。

3.3 植被地上生物量遙感估算

利用WorldView-3 RR 估算WorldView-3 影像覆蓋區(qū)的植被地上生物量，其均值為122.43 g·m-2（RMSErel=44.68%）（圖5a）；利用Landsat-OLI RR 估算WorldView-3 影像覆蓋區(qū)的植被地上生物量，其均值為84.59 g·m-2（RMSErel=114.34%）（圖5b）。Landsat-OLI RR的RMSErel比WorldView-3 RR高出69.66%。利用公式（12）對Landsat-OLI RR 模型估算結(jié)果修正，修正的植被地上生物量均值為90.35 g·m-2（RMSErel=83.16%）（圖5c）。修正方程在一定程度上提高了Landsat-OLI RR 模型的估算精度，RMSErel降低了31.18%。對比圖5b和圖5c可見，修正后的植被地上生物量分布更加“精細(xì)”。洪積扇戈壁表面因洪水而溝壑縱橫，受微地形影響植被分布空間異質(zhì)性較高，圖5c對植被地上生物量分布的空間異質(zhì)性刻畫得更加清晰。

圖5 WorldView-3遙感影像覆蓋區(qū)域植被地上生物量估算結(jié)果Fig.5 Estimation results of aboveground biomass in the area covered by WorldView-3 remote sensing data

利用Landsat-OLI RR模型估算研究區(qū)植被地上生物量，其均值為85.28 g·m-2（RMSErel=84.93%）（圖6a）。修正后的植被生物量均值為118.28 g·m-2（RMSErel=71.51%）（圖6b）。從植被地上生物量分布來看，圖6b的植被地上生物量分布格局與地面調(diào)查數(shù)據(jù)更為符合，南部海拔較高的山麓地區(qū)植被地上生物量較高，而北部接近于沙漠邊緣的海拔較低區(qū)域植被地上生物量較低。對比兩幅地上生物量分布圖可以發(fā)現(xiàn)，在植被地上生物量較低的93°00′E 附近地區(qū)和植被地上生物量普遍較高的94°20′E 附近地區(qū)，修正前后分別出現(xiàn)了高值變低和低值變高的現(xiàn)象，表明低植被地上生物量區(qū)域被高估和高植被地上生物量區(qū)域被低估的問題得到了一定程度的修正。

圖6 植被地上生物量估算結(jié)果Fig.6 Estimation results of aboveground biomass

4 結(jié)論

（1）遙感數(shù)據(jù)空間分辨率是影響稀疏荒漠植被地上生物量回歸模型估算精度的主要因素。與中空間分辨率Landsat-OLI遙感數(shù)據(jù)相比，基于高空間分辨率WorldView-3遙感數(shù)據(jù)建立的稀疏荒漠植被地上生物量估算模型估算精度更高。

（2）傳統(tǒng)的植被地上生物量回歸模型多是利用植被指數(shù)等遙感特征參數(shù)與地面數(shù)據(jù)的相關(guān)關(guān)系直接構(gòu)建。雖然采用該方法可能會得到較高的估算精度，但是遙感特征參數(shù)之間的共線問題會使模型的穩(wěn)定性降低。采用非線性的多元回歸方法SLR、LASSO和RR構(gòu)建遙感特征參數(shù)與地面樣方數(shù)據(jù)之間的回歸模型可以有效提高模型的穩(wěn)定性。

（3）提取稀疏荒漠植被信息時，采用高空間分辨率遙感數(shù)據(jù)的估算結(jié)果對中空間分辨率遙感數(shù)據(jù)的估算結(jié)果進(jìn)行修正，可以有效提高中空間分辨率遙感數(shù)據(jù)對稀疏荒漠植被信息的提取精度，并可以在具有相同自然條件的較大尺度上應(yīng)用。