基于灰色系统理论的植被物理参数与极化分解参数的关联分析-以鄱阳湖湿地为例

1、基于灰色系统理论的植被物理参数与极化分解参数的关联分析以鄱阳湖湿地为例摘要：结合灰色系统理论，基于3期（2013、2015和2016年）鄱阳湖湿地植被物理参数数据和 RADARSAT-2极化SAR影像数据，分别建立植被生物量、极化分解分量与鄱阳湖植被物理参数 的关系模型，并分析不同植被物理参数对生物量积累的贡献和对极化分解分量的影响。结果表 明：在植被生长旺盛初期阶段到旺盛稳定阶段，对植被生物量积累贡献较大的主要是植株参数和 下垫面参数，对极化分解分量影响较大的主要是下垫面参数和茎秆参数，并根据各阶段较大关联 度数据合理地分析和确定了野外采样参数。关键词：灰色关联；极化SAR；极化分解；鄱阳湖

2、；湿地植被；物理参数；生物量1 引 言湿地植被生物量是湿地生态系统吸收碳能力 的一种评价指标，因此湿地生态系统影响着全球的 气候变化邮。湿地生态系统中的主要植被为湿生植 被，通过系统中湿生植被的生物量来衡量系统的生 产力就成为一种有效手段。区域植被生物量的大 小直接反映植被的生长状况和区域生态健康程度， 同时还是区域植被生长繁殖过程中的一个重要生 理参数。地上生物量的变化主要取决于植被的生长变 化，在鄱阳湖湿地研究区，主要以灰化苔草为主。 灰化苔草植被生长周期较短，茎秆、叶片等物理参 数变化较快，在不同阶段对生物量的贡献不同。何 池全、杨永兴等和于旭光国在湿地植被的变化研 究中都指出生物量的变

3、化和植被物理参数的变化 有着紧密的关系。研究生物量与影响因素之间关 系的方法很多，主要利用统计分析理论方法，其中 包括回归分析法16-71和主成分分析法8-91，还有一些 因受环境因素10-131、气候因素14-161、物理化学性 质17-201等各方面影响的限制，不能有效区分影响因 子对生物量累积作用贡献的大小。以上统计方法 主要适用于影响因子较少且关系简单的情况，对于 影响因子较多、关系复杂的数据则难以取得较好的 结果。灰色关联分析法是在灰色关联理论指导下， 根据参数序列曲线几何形状的相似度来分析参数 紧密度的方法，可以根据相似度来判定参数与参数 间的关系211。灰色关联以其对数据接受性较

4、强、处 理数据间关系较完备的特点，广泛应用于经济、农 业、生态和教育等领域。综合考虑灰色关联法对多影响因子、复杂数据 关系分析的优势，本研究借助灰色关联法，以鄱阳 湖湿地处于旺盛阶段的植被的物理参数数据和Ra- darsat-2极化SAR数据为主体，分别建立物理参数 与生物量和极化分解分量的关联模型并进行分析， 根据模型计算结果得到其与生物量以及极化分解 分量的关联度，进而揭示植被物理参数对生物量积 累的贡献能力；根据其与极化分解分量的关系，还 能确定植被与雷达信号的作用过程。本文旨在通 过建立生物量-植被物理参数-极化分解分量之间 的关系模型，综合确定影响生物量积累的主要参 数，为确定生物量

5、反演模型简化方法提供新的思 路，深化极化SAR数据在湿地植被物理参数（LAI 等）、生物量反演中的应用。2研究区及数据2.1研究区概况鄱阳湖地处长江中下游南岸，江西省北部，与 南昌、九江、上饶市相邻。上承赣、抚、信、饶、修五 河之水，通常水位约15 m，湖区南北长约173 km，东 西最宽为74 km221o正常水位情况下，湖区宽阔，湖 水面积达3 914 km2,容积可达到300亿m3。鄱阳湖 属于亚热带潮湿的季风气候，是一个吞吐性、过水 性、季节性、易变性湖泊，独特的易变性使得鄱阳湖 湿地生态系统不同于其他湿地系统，由于湖区蓄水 量的变化使之在陆地系统和湖泊系统之间交替变 化。湖区植被类型

6、众多，其中灰化苔草植被是湿地 中分布最广、覆盖度最大的植被类型，覆盖度一般 为60%95%23-261。影像范围内灰化苔草覆盖度高 达95%，因此选取灰化苔草植被作为鄱阳湖的研究 目标具有一定的可靠性和科学性。灰化苔草为根茎丛生草本植物，生长于近水 处，茎秆纤细，叶片呈线状。生长周期约为80 d，按 季节可分为春草和秋草两种，春草2月开始发芽，生 长到5月份，进入5月鄱阳湖丰水期时，水面逐渐上 升，渐渐淹没植被，导致植被进入休眠期或者死亡； 秋草9月开始萌发新芽并生长至12月份，湖水上涨 时枯萎。春草在3月下旬进入高速生长期，在4月 中旬达到顶峰，同时生物量的积累也在4月初达到 了最大值51。

7、根据采样时间和实地情况可以判断 2016年采样时间为旺盛初期，2015年为从旺盛初期 到旺盛稳定的过渡期，2013年则约为旺盛稳定期。 2.2数据获取本研究数据包括极化SAR影像数据和野外实 地采样数据。雷达影像数据为Radarsat-2全极化单 视复（Single-Look Complex，SLC）数据，工作波段为 C波段，包括HH、HV、VH、VV四极化，获取日期分别 为2013年4月7日、2015年4月4日和2016年3月19 日，影像的处理与信息的提取工作主要利用PolSAR- pro软件完成。野外数据采集与影像获取同步进行，采 集时间分别为2013年4月6日9日、2015年4月3日

8、8日.2016年3月18日22日，每期各采集18组实 验数据。同时野外采样期间遵循如下4条采样原 则：植被大面积存在，且分布均匀，具有一定的代 表性；样区没有外界人为因素的破坏；能保证 通过步行或者驾车到达；能保证采样时的安全。 结合湿地实际情况，并保证采集数据的真实合理 性，每个采样点选定0.5 m见方的区域并开展样本 采集工作。在采样点区域内选定3个有代表性的位 置测定土壤含水量，并把这3个位置确认为三个独 立小组，每小组取3株灰化苔草进行详细采样271。 采集包括植被的株高、叶片长度、宽度、厚度、茎秆高 度和茎叶夹角等一系列物理参数并记录周围情况， 对每小组的三株数据进行均值处理后，再对

9、范围内 的3个采样点位数据进行均值处理，即得到该范围 数据的代表值，最后将植被从根部剪下并标号，称重 即得到植被湿重（鲜重），同时使用GARMIN GPS60导航仪记录采样点坐标。收集整理好的样本 放入烤箱杀青后，设定温度为100笆烘干12小时至 恒重状态，得到植被干重，即植被（地上）生物量。3研究方法通过研究鄱阳湖湿地植被物理参数与生物量 和Radarsat-2影像极化分解分量之间的关联性来进 行分析。对于植被生物量数据，分析植被物理参数 与生物量的关联性，并以关联度作为评判依据分析 植被物理参数对生物量积累的贡献；对于Radarsat- 2影像数据，分析影像Freeman-Durden极化

10、分解分 量与植被物理参数的关联性，根据关联度确定植被 物理参数与雷达信号的作用机制，深入分析植被结 构对雷达信号的影响，联合植被物理参数与生物量 的关联度共同确定对生物量积累影响较大的参数。3.1灰色关联理论灰色关联即基于灰色关联度矩阵的系统分析方法，即目标参数和比较参数个数均不唯一时，无 法判别相互之间关系，就需要根据关联矩阵中比较 参数对目标参数的关联度大小分析影响因素的主、 次要作用。本研究以灰色系统理论为基础，依据灰 色关联分析方法建立两部分模型，一部分为生物量 与植被物理参数的关联分析模型，另一部分为植被 物理参数与影像极化分解分量的关联分析模型。 具体实现过程如下：选取目标序列妇和

11、比较序列x(k)，第一 部分目标序列为生物量参数，比较序列为植被物理 参数；第二部分目标序列为植被物理参数，比较序 列为影像极化分解分量。归一化数据:使用标准差法，对目标序列和比 较序列进行无量纲处理,便于对数据进行比较分析。对目标序列与比较序列之间的关联系数进 行计算。eei(k )=min min Xo ( k )-X ( k ) |+ p max max ( k )-X ( k ) |X(k)-X(k )|+ p max max X(k)-X(k)1图1研究区极化分解及采样点位图图1研究区极化分解及采样点位图Fig.1 Map of study area sampling plots a

12、nd polarization decomposition其中：e i( k )为目标序列与比较序列的关联系数，其 中p为分辨系数，p=0.5。关联度即在关联系数的基础上取均值， 则有：1Y i =习 e i ( k )n k =1其中：Yi表示关联度，n表示比较参数的数量。3.2植被物理参数整合野外采集的数据包括植被密度、植被含水量、 土壤含水量、茎秆层高度、茎秆长度、茎秆直径、叶 片长度、叶片厚度、叶片宽度、茎叶夹角、叶片数和 植株密度共计12个植被物理参数，以及1个生物量 参数。为提高数据分析效率和可信度，将数据按类 型进行分类，植被含水量作为植被的介质参数，土 壤含水量作为植被下垫面参

13、数，植被密度、叶片数 以及茎叶夹角作为植株参数。其余参数进行组合 计算，植被高度、茎秆直径和茎秆层高度以及茎秆 长度经植被高度X(茎秆直径/2)2Xn组合为茎秆体 积作为茎秆参数，其中n取3.14。叶片的长度、宽 度、厚度则经叶长X叶宽X叶厚X参数h组合为叶 片体积作为叶片参数。参数h与植被叶片形状有 关51o参数h取值范围为0.51，叶片形状越接近矩 形则参数越接近1,反之越接近三角形则趋于0.5。 研究区灰化苔草叶片修长呈长扁椭圆形，经实际数 据计算其叶片长宽比约为7.0,确定参数h=0.75进 行后续计算分析。12个物理参数经过整合减少为7 个，其中2016年由于植被处于旺盛初期，茎叶夹

14、角 较小，经过探讨论证，对研究结果影响较小，所以未 采集。3.3 Freeman-Durden 极化分解全极化影像数据包含地物的各种反射能量信 息，通过极化分解的方法可以根据地物的不同散射 机制，快速有效的提取出地物结构等信息281。针对 目标分布情况，极化分解分为相干分解和非相干分 解顷。研究区内目标地物分布广泛且均匀，故采用 非相干目标分解方法Freeman-Durden目标极化分 解方法。Freeman-Durden分解是基于实际的物理 散射模型进行分解，通过分解可以获得三种散射分 量：单次散射分量、二次散射分量和体散射分量301。使用PolSARpro软件在预处理后的影像上进 行极化分

15、解，可得到三种散射分量，分别为单次散 射分量Freeman-Odd、二次散射分量Freeman-Dbl 和体散射分量Freeman-Vol。经过地理编码处理后 3期数据展示如图1所示，其中RGB三通道分别为 二次散射分量、体散射分量和单次散射分量。根据采样点坐标提取相应极化分解分量能量值，绘制了各期极化分解分量能量值的散点图，如 图2所示。由散点图可发现3期极化分解分量能量值总体 有逐渐增大趋势。每期数据中有体散射分量能量 值与单次散射分量能量值较为接近，与二次散射分 量能量值相差较大；按照年比较则有2015年和2016 年各散射能量值大小相近，2013年的能量值最小。 统计各期采样点散射分量

16、能量值的均值和方差如 表1所示。表1中数据对比可见，从2016年至2013年，即 植被是相对于从植被旺盛初期到旺盛稳定期，主要表1极化分解分量能量值均值Table 1 Average of polarization decomposition compo-nents energy时间二次散射体散射单次散射均值/方差均值/方差均值/方差2013.04.070.01/0.010.08/0.020.02/0.022015.04.040.03/0.040.16/0.070.08/0.062016.03.190.01/0.010.20/0.090.16/0.14散射分量的能量值在逐渐减小，植被生长状态趋

17、于 稳定，高度和密度接近饱和，所以差异性较小，散射 分量方差也因此变小。2015年与2013年采样时间 接近，2015年与2013年能量值之间的差异比2016 年与2015年之间的差异大，由于植被高度和密度变 化导致发生二次散射的情况较多，所以2015年处于 过渡期的植被二次散射分量能量值相比其他两期 较大，由散射分量能量值的差异引起的散射分量方 差与均值有相同的变化趋势。整体来看，植被覆盖 度较高，散射以体散射为主，且越接近生长阶段后 期，方差越小，表明散射分量能量值越相近。3期数 据的散射分量关系为体散射分量单次散射分量 二次散射分量31-3213.4后向散射系数提取为了较好地分析植被结构

18、对雷达信号的影响, 根据野外测量点位坐标提取各期影像数据的后向 散射系数（。心、。小，绘制后向散射系数散点图, 如图3所示。(a) 2013 年(b) 2015 年(c) 2016图2Fig.2Scatter plots of the polarization decomposition components energy value图3极化后向散射系数散点图Fig.3 Scatter plots of the polarization backscattering coefficient极化分解分量能量值散点图04812 16 20点位(c) 2016 年综合3期数据的散点图发现后向散射系数

19、随着 时间的增加逐渐变大，且2015年和2016年数值整 体相近。统计各期18组后向散射系数的均值和方 差如表2所示。根据表中数据纵向比较发现：2016年为植被生 长旺盛初期，植被高度较旺盛过渡期较矮，茎叶夹 角也小，冠层对电磁波衰减作用较小，后向散射系 数较大；2015年植被处于生长过渡阶段，生长茂盛, 叶片密度逐渐增大，后向散射系数相比旺盛稳定期 较大；2013年植被处于生长旺盛稳定期，植被生长 完全、叶片层茂盛，冠层衰减作用较大，导致后向散 射系数较小；由于后向散射系数明显的差异性导致表2极化后向散射系数均值Table 2 Average of polarization backscat

20、tering coefficient时间VVHVHH均值/方差均值/方差均值/方差2013.04.07-17.93/2.78-22.56/2.19-15.19/1.842015.04.04-13.93/2.28-19.65/2.22-11.44/2.882016.03.19-12.58/2.33-19.25/2.38-10.21/3.34方差较大。随着植被生长缓慢并趋于稳定，方差逐 渐减小，但2013年植被后向散射系数受环境影响， 后向散射系数大小跨度较大，因此方差相比于2015 年有所增加。横向比较发现同时期数据有aQ , ffHy，由于VV极化雷达信号受植被冠层影响而产 生的衰减较HH极化

21、更为严重，所以有aHH”尸。 茎秆与水表面组合构成二面体使信号发生二次反射， 导致v更小1341。接近成熟期的植被，随着水面的上 升，生长变得缓慢，茎秆干物质含量逐渐下降，挺水能 力减弱。受风和水的波动影响，植被容易出现弯曲倒 伏等情况，导致雷达后向散射系数有所降低13514结果与分析4.1生物量与植被物理参数的关联分析以生物量作为目标参数，植被物理参数作为比 较参数进行关联分析，根据关联度数值发现2013年 与植被生物量关联度值最大的是叶片参数为0.75, 最小的是植被含水量，为0.69； 2015年与植被生物量 的关联度值最大的是土壤含水量参数为0.83，最小 的是叶片数参数，为0.74；

22、2016年与植被生物量的关 联度值最大的是植被密度参数为0.75，最小的是植 被含水量参数为0.66。将所有的物理参数与生物量 的关联度进行比较，得到关联度顺序如表3所示。表3物理参数与生物量关联度顺序(降序)Table 3 Ordination of grey correlation between physical parameters and biomass( descending)采集时间采样环境生长阶段关联度顺序2013.04.0609有出穗、直立旺盛稳定期叶片参数植株密度叶片数茎秆参数土壤含水量茎叶夹角植被含水量2015.04.0308倒伏、芦苇遮挡过渡期土壤含水量茎叶夹角茎秆参数

23、叶片参数植被含水量植株密度叶片数2016.03.1822烧过、倒伏旺盛初期植株密度叶片数茎秆参数叶片参数土壤含水量植被含水量综合来看，在植被旺盛阶段的不同时期，灰化 苔草植被的物理参数对生物量的贡献不同。由植 被生长变化阶段分析即从2016至2013年的顺序进 行分析。旺盛初期阶段，植株参数与生物量的关联度较 大，植株参数代表着植被基本状态，也是此时生物 量积累的主要影响因素，其次茎秆和叶片参数作为 植被的主体物质，并没有发挥主要作用，所以也不 是生物量积累的最主要因素，下垫面参数和植被介 质参数此时影响不大。过渡期阶段，植株参数基本稳定，下垫面参数 是最直接促进植被生长的物质基础，为植被进行

24、光 合呼吸作用提供能量，也带动了植被茎秆和叶片的 增长扩大，所以此时土壤含水量对生物量积累的影 响最大，其次是被下垫面参数带动的植被茎秆、叶 片参数等，最后是植株参数。进入旺盛稳定期，植被生长增速，渐进成熟的 植被叶片是生物量的主要影响因素，其次是稳定的 植株参数，此时土壤含水量进一步增加，对部分植 被的根茎产生负作用，导致生物量出现衰退缩减的 现象，相对于植被本身的茎秆、叶片参数，下垫面参 数和介质参数对生物量影响相对较小。4.2植被物理参数与极化分解分量的关联分析以植被物理参数为目标序歹列，Freeman-Durden 极化分解得到的3个分量作为比较序列进行关联分 析，在第一部分生物量-植

25、被物理参数模型的程序 中修改并增加比较参数与每一个目标参数进行关 联分析的命令，即得到极化分解分量与每一个植被 物理参数的关联度，关联度矩阵如表4所示。综合比较3期关联度数据，列出与极化分解分量 关联度最大的前两个植被物理参数，如表5所示。按植被生长变化进程进行分析即从2016年至 2013年顺序，2016年采样时植被生长约60天，属于 旺盛初期，下垫面参数和植被介质参数是决定植被 后期生长情况的主要因素，也是使散射发生变化的 主要参数，因此在该时期散射分量与植被介质参数 和下垫面参数关联度较大；2015年采样时植被生长 约70天，植株进一步增长变化，植被叶片扩展，植被 冠层分布均匀且覆盖度增

26、大，含水量较高的土壤与 坚挺的植株构成二面角反射体，为二次散射和单次 散射的发生铺设了条件，所以二次散射和单次散射 与茎秆参数有较大关联度。同时进入植被冠层的 信号由于冠层遮挡以及下垫面参数的作用发生多 次散射，所以体散射与下垫面参数的关联度较大；表5与极化分解分量最大关联参数Table 5 The maximum correlation parameter withpolarization decomposition com ponents时间Freem an-DblFreeman-V olFreem an-Odd2013 年茎秆参数茎秆参数叶片数叶片参数叶片数茎叶夹角2015 年茎秆参数土

27、壤含水量茎秆参数叶片参数茎叶夹角植被密度2016 年植被含水量土壤含水量植被含水量土壤含水量叶片数土壤含水量物理参数2013 年2015 年2016 物理参数2013 年2015 年2016 年Freeman-DblFreeman-VolF reem an-OddF ree m an-DblFreemanVolFreemanOddF reem an-DblF reem an-VolF reem an-Odd植株密度0.700.610.710.720.680.720.720.640.67植被含水量0.640.660.650.700.680.710.740.660.76土壤含水量0.660.700

28、.670.770.760.710.730.770.74茎秆参数0.740.710.720.780.750.730.720.680.68叶片参数0.730.670.710.770.730.700.710.690.69叶片数0.680.700.730.690.690.690.670.700.66茎叶夹角0.700.670.730.680.750.63表4物理参数与极化分解分量关联度矩阵Table 4 Matrix of grey correlation between physical parameters and polarization decomposition components在表5中

29、，每期数据的第二行表示与相应散射 分量具有第二大关联度的参数，从整体变化发现， 在2016年影像各散射分量与土壤含水量参数关联 度较大，由于植被生长旺盛初期，植被高度较低，雷 达信号穿透冠层后与植被下垫面作用情况较多；在2015年仅体散射分量与土壤含水量的关联 度较大，其余散射分量与植被茎秆参数和植株参数 关联度较大，由于植被处于旺盛过渡期，植被覆盖 度增大，冠层高度增加，雷达信号受植被影响较为 严重，与下垫面参数作用较少；2013年植被处于旺 盛稳定期，土壤含水量较大且接近饱和，植被高度 也进一步增加，由于植被对雷达信号的衰减作用， 导致雷达信号与下垫面参数作用机会较少，所以后 向散射系数受下垫面参数影响较小，各散射分量与 植被茎秆参数和植株参数关联度较大。由此可知，由于植被结构形态的增长变化对雷 达信号有不同程度的衰减作用，所以影像信息能反 映植被密