基于高光谱的祁连山东段灌丛生物量估测模型构建

1、基于高光谱的祁连山东段灌丛生物量估测模型构建摘要：以青藏高原祁连山东段的优势灌丛金露梅otentilla fruticosa )、杜鹃(Rhododendrcm sim- sii )、高山柳(Sail cupularis)为研究对象，依据野外实地采集的植物高光谱数据和生物量数据，选取特 征波段构建高光谱植被指数，利用单因素回归法分别建立了 5种植被指数(NDVI#RVI#DVI# GNDVI、 PRI)与生物量的4种估测模型(线性、指数、对数、多项式),并对模型的拟合效果进行精度验证结果表 明：灌丛生物量与NDVI和GNDVI的相关性较高(R-(Q. 8),多项式模型拟合效果优于线性模型、指数

2、 模型、对数模型利用GNDVI构建的高寒灌丛生物量的多项式拟合估测模型模拟精度最高，拟合效果 最好,复相关系数R- =0. 884 9,为最优模型%构建高寒灌丛生物量估测模型，对准确估测青藏高原高寒 灌丛的生物量具有重要的现实意义，同时可为青藏高原其他植物生物量的估测以及青藏高原的保护提 供理论参考关键词：高光谱数据植被指数；灌丛生物量；估测模型高光谱遥感数据涵盖了非常丰富的空间信息、光 谱信息和辐射信息，具有综合的应用价值口*。近些年 来随着高光谱遥感技术的发展，这项技术已经成为许 多领域的重要监测方法，包括大气圈、海洋研究、植被 生态、矿产地质、水体研究、军事侦探和考古研究等 领域，其中利

3、用高光谱遥感技术进行植被信息的动 态监测引起了广大研究人员的极大关注。例如: 利用高光谱对植被光谱特征、植物光谱识别性、植 物生物量)5*、植被叶绿素含量等进行分析与研究， 所得结果为现代农业领域的相关研究提供了宝贵的 借鉴经验。高寒灌丛的灌木种类繁多、面积大、分布广我 国的高寒灌丛在青藏高原高寒草地生态系统中不可或 缺)8*,在调节生态环境功能中具有重要作用，在资源利 用中也有广泛的用途，例如：灌丛植物可用作医药原材 料，观赏花卉，也有部分灌丛植物作为青藏高原牲畜的 食物来源。因此，及时监测高寒灌丛的系统稳定状况, 尤其是监测灌丛生物量的状况，对于青藏高原生态环 境保护具有非常重要的意义。植

4、被指数能够较好地体现出植物的生长发育情况 以及空间分布状况。由于它与多种植被因素密切相 关，因此结合植被指数来定量估测植被生物量成为草 地生产力研究的重要方法之一。贾学勤等11通过 多种植被指数与偏最小二乘回归(Partial Least Squares Regression, PLSR)方法构建了估测模型，研 究冬小麦地上干生物量的动态变化。孙世泽等的 研究表明，利用回归分析方法根据不同的植被类型和 草地类型来构建模型估测生物量时，比值与植被指数 (Ratio Vegetation Index,RVI)的拟合效果最好，模型 精度达到了 75% $李园园等此的研究表明，用幂函数 与归一化植被指

5、数(NormalizedDifferenceVegetation Index,NDVI)构建的估测模型效果最好，在估测梭梭 地上生物量的大小时，该模型精度达到了 82% $本研究以东祁连山3种高寒灌丛优势群落为研究 对象，在灌丛生长旺盛期，通过实地调查灌丛群落分布 和形态特征，采集灌丛野外光谱数据，分析不同灌丛的 高光谱特征曲线，探讨灌丛光谱植被指数与生物量的变 化关系，构建灌丛生物量估测模型，以期为实现青藏高 原高寒灌丛植物和群落的遥感分类和动态监测以及青 藏高原的生态环境保护规划提供科学的依据。1材料和方法1. 1 试验地概况试验地位于甘肃省祁连山东段马牙雪山景区内。 该地区气候潮湿寒冷，

6、年平均气温)0. 9C，其中7月 温度最高，保持在1520C，年日照时数为2 600 h,特 别是79月的日照积累时长约占全年的一半$该地 区光照充足，太阳辐射较强，早晚温差很大，冷热分布 比较均匀$该地区降水量主要集中在79月，土壤有 机质含量高，植物生长旺盛、种类繁多，植物生长周期 约为3个月%1.&$试验地主要的草原类型有高寒草甸 类草原、山地草甸类草原、温性草原类草原，而金露梅、 杜鹃和高山柳是该地区常见的优势高寒灌丛%项(表1) $表1祁连山东段3种优势灌丛植物及其特征Table 1 Three dominant shrubs and their characteristics in

7、 the Eastern Qilian Mountains植物名拉丁名科属特征杜鹃Rhododendron simsii杜鹃花科杜鹃花属叶片较绿，花瓣紫色，生长密集金露梅PotentHla fruticosa蔷薇科委陵菜属叶片两面均为绿色，且较圆，树皮垂直脱落高山柳Salix cupularis杨柳科柳属叶片呈椭圆形，两面无毛，叶柄淡黄色本研究选取金露梅、杜鹃、高山柳3种优势高寒灌 丛进行光谱的分析与生物量的模型估测%15& $1.2高光谱数据的获取本研究采用FieldSpeM便携式地物光谱仪实地采 集灌丛植物光谱数据$该光谱仪的波长为350-2 500 nm,包括可见光波段(380-780

8、nm)和近红外光波段 (7802 500 nm)$光谱在380-780 nm波段采样间 隔为1.4 nm,在7802 500 nm波段采样间隔为2. 0 nm$野外实地采样的时间为2017年7月11日至8月 3日，在晴天阳光充足且风力较小时，每天观测时间为 9：4513：45$调查样地为沿金强河流域设置的一个 宽10 km、长30 km的样带，该样地从海拔2 900 m的 河谷地带延伸至海拔3 600 m以上$在8个海拔梯度 (2 900、3 000、3 100、3 200、3 300、3 400、3 500、3 600 m)分别设置5个样方点采集灌丛光谱数据，每个样方 大小均为2 mX2 m

9、$测量时要确保光谱仪枪头与灌丛冠层垂直，确保 距离灌丛冠层50 cm左右，对样方内的每株灌丛进行 光谱采集,每株灌丛重复采集810次光谱数据，即同 一株灌丛采集到的光谱数据有4050条，每测完一株 数据均需重新进行白板标定$1.3生物量的获取高光谱数据采集完之后，根据标记好的位置坐标, 把样方内所有灌丛植株分别收割起来，存放到实验室 04C的恒温箱中，然后在65e的干燥箱烘干后，用 电子天平测干生物量(单位:g/m2 )$在本研究中，共 统计出59组生物量样本数据，其中随机选择45组样 本数据构建估算模型，用余下的14组数据进行模型精 度的检验$1.4高光谱数据处理用光谱仪自带的View Sp

10、ecPro软件对高光谱数 据进行预处理，首先将每种灌丛植物进行平滑降噪处 理，剔除噪声较大的数据，然后再利用软件中的自带公 式求取其余几组光谱反射率的平均值，即为灌丛的原 始反射率(Reflectance,REF) $对获取的原始反射率数据进行对比分析后，再结 合不同种类灌丛的结构特征、生长状况等特点，选取金 露梅的特征波段计算植被指数，利用植被指数构建灌 丛生物量的估测模型$1.5高光谱植被指数植被指数是根据植被光谱特性，利用遥感敏感光 谱波段进行不同组合而形成的，它可以综合体现出绿 色植被的生物量、叶面积指数、盖度、叶绿素含量等信 息#本研究主要选取以下几种与生物量密切相关的植 被指数来与

11、灌丛生物量进行相关性分析(表2)。表2高光谱植被指数及其计算公式Table 2 Hyperspectral vegetation index and theircalculation formul as植被指数计算公式&16归一化植被指数(ND VI)(，800 ，680)/(，800 +，680)比值植被指数(RVI)$60 /$80差值植被指数(DVI)860 $80绿度植被指数(GNDVI)(，800 =550)/( =800 + =550)光化学植被指数(PRI)(=570 =530 )/( =530 + =570 )1.6高光谱数据处理与分析首先根据观测样点的高光谱数据计算出植被指

12、数，然后在SPSS 20软件中进行数据分析，利用R语 言计算灌丛生物量与植被指数之间的Pearson相关系 数，选出与灌丛生物量相关性好的植被指数构建生物 量估测模型#最后采用决定系数(R2 )和均方根误差 (Root Mean Square Error,RMSE)来评价模型精度 #2结果与分析2.1不同灌丛植物间的光谱反射率分析3种灌丛植物的REF的光谱变化趋势基本一致, 波峰、波谷也几乎同时出现，金露梅的REF相对较高 (图1)。从350 nm开始，所有灌丛植物的REF都存 在短暂的下降趋势，且在400 nm附近出现了微小的波 谷；之后3种灌丛植物的REF开始增大，且在550 nm 附近出

13、现第1个波峰,REF均接近0.2。在400-680 nm REF均呈现先上升后下降的趋势，但是变化趋势 并不相同，杜鹃和金露梅的REF出现了先急后缓再急 的上升趋势，而高山柳在400500 nm REF很低且几 乎不变，在500 nm以后才迅速升高,550680 nm, 3 种灌丛植物REF逐渐降低，且高山柳下降趋势最快, 杜鹃和金露梅趋势基本一致,3种灌丛植物的REF在 680 nm处出现第2个波谷。在680 nm的波谷之后,3 种灌丛植物的光谱曲线斜率非常大，在750 nm达到最 大，这是因为3种灌丛植物都出现了红边现象，这一波 段内金露梅的REF最大，为0. 607,然后依次为高山 柳(

14、0. 588)、杜鹃(0. 556)。在近红光波段(7801 500 nm)内,REF在0. 55 0. 65保持波动。780890 nm REF缓慢增加，之后 呈现降低趋势，在970 nm附近出现波谷。在1 060 nm、1 270 nm 出现 2 个反射波峰,1 200 nm、1 450 nm 各出现一个吸收波谷。到了中红外波段(1 5002 500 nm)后,REF整体上低于近红外波段的值，并且在 1 650 nm和2 225 nm附近出现2个波峰,1 800 nm和图1 3种灌丛植物的REF曲线Fig. 1 REF curves of three dominant shrubs2.2灌

15、丛生物量与植被指数的关系由Pearson相关系数(图2)可知，生物量与各个植 被指数均呈现显著的相关性，但是仍然存在着不同差 异，其中 GNDVI(Greenness Normalized Difference Vego tation Index)和NDVI的相关系数绝对值最大C2分别 达到了 0. 83 和 0. 85,其次是 PRI(Photochemical Reflec- tanceIndex)(0.77)!DVI(Dliierence Vegetatlon Index)(0. 65)和RVI(0. 58),且除了 RVI在0. 05水平上显著相关图2生物量与植被指数间的相关系数图Fi

16、g. 2 Correlation coefficient map between biomassand vegetation index外，其他4种植被指数都在0. 01水平上达到了极显著 相关。综上所述，本研究所选取的这几种植被指数可 以有效地来构建生物量的估测模型。2.3植被指数估测模型的构建利用GNDVI建立的灌丛生物量模型的拟合系数 R-均较高(R- 0. 7),而多项式模型在4种拟合方式 中最好，其中GNDVI拟合的效果最优(膏= 0.765 0),植被指数NDVI的多项式拟合和线性拟合 效果也较好,膏分别为0. 759 6和0. 705 6(表3)0GNDVI的RMSE平均值小于其

17、他3种植被指数 的值，其中指数模型与多项式模型相对较小，分别为 121. 857 9和121. 666 0 % NDVI植被指数模型中, RMSE值最小的是多项式模型,RMSE= 123. 058 7% RVI植被指数模型中，多项式拟合的RMSE值非常 高，均达到了 160以上；在DVI植被指数模型和PRI 植被指数模型中，多项式拟合的RMSE值均为最小， 分别是 143. 086 7,145. 145 7。以上分析表明，基于NDVI和GNDVI的线性模 型和多项式模型是反演研究区生物量较好的估测 模型。表3 单因素回归模型2.4模型精度的检验2.4模型精度的检验植被指数模型模型表达式R2RM

18、SE/(g - m2)NDVI线性模型y = 3 206. 9i1 285. 60 705 6136 168 4指数模型&=56. 998凌981410 699 6124 845 0对数模型& = 1 994. 4$,(i) + 1 667. 20 672 5143 634 5多项式模型&=9 304. 1i2 -882 1. 3i+256 0. 80.759 6123.058 7RVI线性模型& = 201. 1i 288. 020 572 7164 050 5指数模型& = 198. 59e0247 80 559 4162 072 7对数模型& = 1 036. 7ln(x) 934. 7

19、0 547 0168 912 1多项式模型&=30.412i2130. 38 + 585. 850.587 8161.141 2DVI线性模型&=1 352. 3i + 1 3460 537 7170 643 4指数模型&=1 491. 5e 1. 6780 529 1164 158 1对数模型&= 586. 3ln(x) +238. 690 604 3157 868 6多项式模型&= 5 325. 3i2 6 042. 9i+2 280. 20.675 0143.086 7GNDVI线性模型&=3014. 1i 936. 170 752 4124 892 3指数模型& = 91. 81!3

20、667 50 715 8121 857 9对数模型&=1 736. 4,8) + 17720 735 5129 080 3多项式模型& = 4 823. 7i2 2 690. 4i+ 720. 950.765 0121.666 0PRI线性模型&= 15 319i+762. 120 573 8163 843 5指数模型&=724. 37e_188910 561 1155 551 4多项式模型& = 400 358i2 15 085i + 700. 330.665 5145.145 7植被指数GNDVI进行的多项式拟合灌丛生物量的R2为了进一步验证估算模型是否有较高的精度，本 研究选择未参与模型

21、估算的14组样本数据分别与上 述4种模型进行拟合分析，验证精度。1种估算模型的反演值和实测值之间的拟合系数 都较大(R20. 8),且拟合误差较小(图3)。4种模型的RMSE值依次为NDVI多项式拟合(95. 144 8)NDVI线性拟合(91. 993 8) GNDVI线性拟合(89. 231 3) (GNDVI 多项式拟合(80. 970 5)。其中 =0. 884 9 % R2 最大,RMSE 最小。即：夕=4 823. 7zGndvi2 )2 690. 4zgndvi + 721. 0 的估测精度最高，为 最优模型。3讨论3.1 3种优势灌丛的光谱反射率分析本研究发现,3种灌丛间的光谱

22、反射率曲线变化 趋势基本相同，但由于不同植物的叶片面积、形状、组2000 IIiiii02004006008001 0001 200实际值1000400NDVI多项式2004006008001 0001 200实际值120010002004006008001 0001 200实际值10004002002004006008001 0001 200实际值NDVI线性600400/?:=0.859 7CNDVI多项式,v=0.739 4x+225.65/? =0.884 9400GNDV俄性y=0.785 81+203.68/?：=0.855 5v=0.630 3x+239.71v=0.701 6x

23、+202.4正=0.806 9图3实际值与估测值的精度验证Fig. 3 The accuracy verification of actual value and estimated value织结构等不同，它们的反射光谱会有微小差异。灌丛 nm和680 nm附近的吸收谷分别由叶绿素吸收蓝光叶片的光谱特征反映出了灌丛与太阳辐射的相互作 用。在可见光波段(400-780 nm),存在于灌丛叶片 中的叶色素是影响REF变化的主要原因%*7&。在400 -480 nm,3种灌木植物的REF依次为：金露梅高 山柳(杜鹃，而杜鹃的REF在480 nm附近超过了高 山柳，之后3种灌木植物的REF依次为：金

24、露梅(杜 鹃高山柳。这与灌木植物叶片叶绿素含量、叶片结 构特征及生育期有很大关系。金露梅叶片两面均为绿 色，叶绿素含量非常高。在7-9月，金露梅也处在盛 花期，因此它的REF很高。杜鹃数量多，叶片密集，但 是叶片较小且厚，叶绿素含量不高，其REF值相对较 小。高山柳叶柄呈淡黄色，叶片为椭圆形，吸收面积较 大，叶绿素含量较低,REF不高。第1个波峰在550 nm附近出现，这一波段附近包含了可见光区域内的整 个绿光区和黄光区，太阳辐射吸收率低，反射率高，植 物叶片光合作用产物不能被全部利用，这也是植物叶 片呈现绿色的主要因素2000 IIiiii02004006008001 0001 200实际值

25、1000400NDVI多项式2004006008001 0001 200实际值120010002004006008001 0001 200实际值10004002002004006008001 0001 200实际值NDVI线性600400/?:=0.859 7CNDVI多项式,v=0.739 4x+225.65/? =0.884 9400GNDV俄性y=0.785 81+203.68/?：=0.855 5v=0.630 3x+239.71v=0.701 6x+202.4正=0.806 9图3实际值与估测值的精度验证Fig. 3 The accuracy verification of actu

26、al value and estimated value织结构等不同，它们的反射光谱会有微小差异。灌丛 nm和680 nm附近的吸收谷分别由叶绿素吸收蓝光在红边波段(700 nm)附近,3种灌从植物光谱反 射率非常低，在680 nm处第2次出现波谷，这一波段 包含了大部分红光和橙光，植物光合作用吸收能力最 强%19&。而在近红光波段(7801 500 nm)和中红外波 段(1 500-2 500 nm),先后出现两次较大的波谷，这 是灌丛里的水分以及风、大气对太阳辐射的吸收造成 的%20。3.2植被指数与灌丛生物量间估测模型的构建本研究发现，灌丛生物量与选取的植被指数显著 相关，其中NDVI、

27、GNDVI、PRI和DVI达到了极显著 相关,NDVI和GNDVI与灌丛生物量的相关系数的 绝对值均大于0.8。而梁建平等在反演双台河口国 际重要湿地芦苇地上生物量时选取了 6个植被指数构 建模型，分别为NDVI, DVI,RVI,增强型植被指数 (Enhanced Vegetation Index, EVI),优化土壤调整植 被指数(Optimized Soil Adjusted Vegetaton Index, OSAVI)和修正土壤调整植被指数(Modified Soil Adjusted Vegetation Index,MSAVI)，这 6 种植被指数与 生物量均达到了显著相关。本研究利用相关性较高的植被指数NDVI和zgndvi + 721. 0 (R2 = 0. 884 9)，其中 R2 表