基于TM影像剖析川西北理塘草地生物量与植被指数的内在关联

基于TM影像剖析川西北理塘草地生物量与植被指数的内在关联一、引言1.1研究背景与意义1.1.1研究背景草地生态系统作为陆地生态系统的重要组成部分，在全球生态平衡中扮演着关键角色。它不仅为众多野生动植物提供了栖息地，维护着生物多样性，还在调节气候、保持水土、净化空气等方面发挥着不可替代的作用。据统计，草地生态系统占全球陆地面积的20%，在中国，这一比例更是高达40%，其重要性不言而喻。草地生态系统通过植物的光合作用固定二氧化碳，将太阳能转化为化学能，为整个生态系统提供能量基础。同时，草地植被的根系能够固定土壤，防止水土流失，对维持土壤肥力和生态环境的稳定具有重要意义。川西北理塘草地位于青藏高原东南缘，平均海拔4300多米，年平均气温仅为3℃，冬季漫长，日照量大，是我国重要的高寒草地分布区之一。这里拥有广袤的草原，如毛垭草原等，其独特的地理位置和气候条件孕育了丰富的生物多样性。然而，近年来，由于全球气候变化以及不合理的人类活动，如过度放牧、非法开垦等，理塘草地面临着严重的生态威胁。研究表明，过去几十年间，该地区气温呈明显上升趋势，降水量也发生了显著变化，导致草地退化现象日益严重。草地退化不仅使得草地的生态功能下降，还影响了当地畜牧业的可持续发展。据调查，理塘县部分区域的草地植被覆盖度大幅降低，产草量减少，一些优质牧草种类逐渐被劣质杂草替代，严重影响了草地的质量和生态服务功能。及时、准确地监测草地生物量对于了解草地生态系统的健康状况和变化趋势至关重要。传统的草地生物量监测方法主要依赖于实地采样和调查，这种方式虽然能够获取较为准确的数据，但存在诸多局限性。一方面，实地采样需要耗费大量的人力、物力和时间，尤其是在像川西北理塘这样地域广阔、地形复杂的地区，实地调查的难度和成本更是大大增加。另一方面，传统方法获取的数据往往只能代表局部区域的情况，难以反映整个草地生态系统的全貌。随着遥感技术的飞速发展，利用遥感影像监测草地生物量成为了一种趋势。遥感技术具有宏观、快速、动态监测等优势，能够在短时间内获取大面积的地表信息，为草地生物量的监测提供了新的手段。通过分析遥感影像中的光谱信息，可以提取与草地生物量相关的植被指数，进而建立草地生物量与植被指数之间的关系模型，实现对草地生物量的快速估算。尽管利用遥感技术监测草地生物量取得了一定的进展，但目前仍存在一些问题。不同的植被指数对草地生物量的敏感程度不同，如何选择最适合的植被指数以及如何提高植被指数与草地生物量之间的相关性，仍然是研究的重点和难点。此外，由于草地生态系统的复杂性，受到地形、气候、土壤等多种因素的影响，建立的关系模型往往存在一定的局限性，其精度和通用性有待进一步提高。在川西北理塘草地这样特殊的生态环境下，地形起伏较大，气候条件多变，土壤类型复杂，这些因素都会对草地生物量的估算产生影响，使得准确监测草地生物量变得更加困难。1.1.2研究意义本研究聚焦于基于TM影像探究川西北理塘草地生物量与植被指数的关系，具有多方面重要意义。从区域生态保护角度而言，准确掌握理塘草地生物量状况及变化趋势，能为生态保护策略制定提供科学依据。通过研究，可深入了解草地生态系统的健康状况，及时发现草地退化等生态问题的早期迹象。如依据生物量变化确定生态脆弱区域，进而针对性地实施生态修复工程，像在退化严重区域开展种草植灌等措施，有助于恢复草地植被，增强草地生态系统的稳定性和抗干扰能力，维护区域生态平衡。对于畜牧业发展，草地生物量是衡量草地载畜能力的关键指标。精确估算生物量，能帮助牧民合理规划放牧规模和时间，避免过度放牧导致草地退化。以理塘县为例，当地畜牧业是重要经济支柱，依据生物量数据，牧民可优化放牧策略，在生物量充足区域适当增加牲畜数量，在生物量较低区域减少放牧强度，实现草地资源的可持续利用，保障畜牧业的稳定发展，提高牧民收入。在完善草地遥感监测方法层面，本研究有助于深化对草地生物量与植被指数关系的认识。通过对比分析不同植被指数与生物量的相关性，筛选出最适宜理塘草地的植被指数，优化生物量估算模型，提高估算精度。这不仅能为理塘草地生物量监测提供更可靠的技术手段，还能为其他类似地区的草地遥感监测提供参考和借鉴，推动草地遥感监测技术的发展和应用。1.2国内外研究现状在草地生物量监测领域，遥感技术凭借其独特优势已成为重要研究手段。国外方面，早在上世纪70年代，美国就开始利用遥感数据对草原进行监测。近年来，研究人员借助先进的传感器，如Landsat系列卫星搭载的TM、ETM+等传感器，获取了大量高分辨率的遥感影像。通过对这些影像的分析，结合地面实测数据，建立了多种草地生物量估算模型。例如，在非洲的稀树草原，研究人员利用MODIS数据计算归一化植被指数（NDVI），并与地面生物量数据进行相关性分析，发现NDVI与草地生物量在一定程度上具有显著的正相关关系，从而实现了对该地区草地生物量的初步估算。在欧洲，一些学者运用高光谱遥感技术，对草地植被的精细光谱特征进行研究，通过提取特定的光谱波段组合，构建了更为精准的生物量估算模型，提高了估算精度。国内在草地生物量遥感监测方面起步相对较晚，但发展迅速。从上世纪80年代开始，我国科研人员逐渐开展相关研究。近年来，随着国产卫星的发展，如高分系列卫星，为草地生物量监测提供了丰富的数据来源。在青藏高原地区，研究人员利用高分一号卫星影像，结合地形、气候等环境因子，采用多元线性回归模型和机器学习算法，对高寒草地生物量进行估算。结果表明，机器学习算法在考虑多种环境因素的情况下，能够更准确地估算草地生物量。在内蒙古草原，学者们通过长时间序列的遥感数据，分析了草地生物量的时空变化规律，发现降水量和温度是影响草地生物量变化的主要气候因素，而放牧强度则是重要的人为因素。在植被指数与草地生物量关系研究方面，归一化植被指数（NDVI）是最早被广泛应用的植被指数之一。大量研究表明，在草地生物量较低时，NDVI与生物量具有较好的线性关系，但当生物量达到一定程度后，由于植被冠层的饱和效应，NDVI对生物量的敏感性降低，出现“平台效应”。为了克服这一问题，增强型植被指数（EVI）被提出，它通过引入蓝光波段和大气校正参数，减少了大气和土壤背景的影响，在一定程度上提高了对高生物量草地的监测能力。比值植被指数（RVI）也常被用于草地生物量监测，它对植被生长状况较为敏感，但受环境因素影响较大。此外，还有一些新型植被指数不断被提出，如土壤调节植被指数（SAVI）、修正型土壤调节植被指数（MSAVI）等，它们在不同程度上考虑了土壤背景、植被覆盖度等因素，在特定的草地生态环境中表现出更好的性能。当前研究虽取得诸多成果，但仍存在不足。在数据源方面，不同传感器获取的遥感数据存在分辨率、光谱范围等差异，数据融合和尺度转换技术有待进一步完善，以充分发挥多源数据的优势。在模型构建上，现有的关系模型大多基于特定区域和时间的实测数据，普适性较差，难以在不同生态环境和时空条件下准确应用。草地生态系统受多种因素影响，如何全面考虑地形、土壤、气候、放牧等因素对生物量的综合作用，建立更加完善的模型，仍是研究的难点。此外，对于草地生物量的垂直分布特征以及不同植被类型生物量的精准监测研究相对较少，需要进一步加强探索。1.3研究目标与内容1.3.1研究目标本研究旨在借助TM影像这一强大工具，深入剖析川西北理塘草地生物量与植被指数之间的内在关系。通过对理塘草地的多期TM影像进行处理和分析，结合实地调查获取的草地生物量数据，筛选出对理塘草地生物量响应最为敏感的植被指数，为后续的生物量估算提供可靠的指标。同时，运用数学建模方法，建立适合理塘草地的生物量估算模型，并对模型进行精度验证和优化，以提高草地生物量估算的准确性和可靠性。本研究致力于为川西北理塘草地的生态监测和可持续管理提供科学、高效的技术手段和理论依据，推动该地区草地生态系统的保护和合理利用。1.3.2研究内容数据获取与预处理：收集理塘草地研究区域的多期TM影像数据，涵盖不同季节和年份，以获取草地植被生长的动态信息。同时，收集同期的气象数据，如降水、气温等，以及地形数据，包括海拔、坡度、坡向等，这些环境数据对于分析草地生物量的影响因素至关重要。对TM影像进行辐射定标，将影像的数字量化值（DN值）转换为地表实际的辐射亮度值，消除传感器自身特性和大气传输过程对辐射量的影响。进行大气校正，去除大气分子散射、吸收以及气溶胶散射等因素对影像的干扰，使影像能够真实反映地表植被的光谱特征。通过几何校正，纠正影像由于卫星轨道偏差、地球曲率、地形起伏等因素导致的几何变形，使影像的地理位置与实际地理坐标精确匹配，为后续的分析提供准确的数据基础。植被指数提取：在完成数据预处理后，基于TM影像的多光谱波段数据，计算多种常见的植被指数，如归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、土壤调节植被指数（SAVI）、修正型土壤调节植被指数（MSAVI）等。深入分析不同植被指数的原理和特点，NDVI通过近红外波段与红光波段的差值和和值之比，突出植被的反射特征，对植被覆盖度和生物量有较好的指示作用，但在高植被覆盖度下易出现饱和现象；EVI引入蓝光波段和大气校正参数，减少了大气和土壤背景的影响，对高生物量草地的监测能力有所提高；RVI对植被生长状况较为敏感，但受环境因素影响较大；SAVI和MSAVI则考虑了土壤背景和植被覆盖度等因素，在不同草地生态环境中表现出不同的性能。对比不同植被指数在理塘草地的表现，为筛选最佳植被指数提供依据。草地生物量测定：在研究区域内，依据草地类型、地形地貌和植被分布等因素，采用随机抽样与分层抽样相结合的方法，设置多个具有代表性的样地。样地的选择应充分考虑不同生态条件下草地生物量的差异，确保能够全面反映研究区域的草地状况。在每个样地内，使用专业的测量工具，如剪刀、天平秤等，按照标准的采样方法，测定草地地上生物量。对于地下生物量的测定，采用挖掘法或土钻法获取土壤样品，通过洗根、分拣、烘干称重等步骤，准确测定地下生物量。同时，详细记录样地的地理位置、植被种类、盖度、高度等信息，为后续的数据分析提供全面的实地数据支持。相关性分析与模型建立：将提取的植被指数与实测的草地生物量数据进行相关性分析，计算不同植被指数与生物量之间的相关系数，明确各植被指数与生物量的相关程度和变化趋势。通过相关性分析，筛选出与草地生物量相关性最高的植被指数作为关键指标。基于筛选出的关键植被指数，运用线性回归、非线性回归等数学方法，建立草地生物量与植被指数的估算模型。考虑到草地生态系统的复杂性，尝试引入地形、气候、土壤等环境因子，构建多元回归模型，以提高模型的精度和解释能力。对比不同模型的性能，选择最优的生物量估算模型。模型验证与精度评估：利用未参与模型建立的独立样本数据，对构建的生物量估算模型进行验证。将模型预测的生物量与实地实测的生物量进行对比分析，采用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）等指标，评估模型的精度和可靠性。RMSE反映了模型预测值与真实值之间的平均误差程度，MAE衡量了预测值与真实值之间绝对误差的平均值，R²则表示模型对生物量变化的解释能力。根据验证结果，对模型进行必要的调整和优化，进一步提高模型的估算精度，使其能够更准确地应用于川西北理塘草地生物量的监测和评估。1.4研究方法与技术路线1.4.1研究方法数据收集：收集研究区域内的多期LandsatTM影像数据，确保数据覆盖不同季节和年份，以获取草地植被生长的动态信息。同时，收集同期的气象数据，包括降水、气温、日照时数等，以及地形数据，如海拔、坡度、坡向等，这些环境数据对于分析草地生物量的影响因素至关重要。此外，还收集了研究区域的土地利用类型、土壤类型等相关数据，为后续的研究提供全面的数据支持。实地调查：在研究区域内，根据草地类型、地形地貌和植被分布等因素，采用随机抽样与分层抽样相结合的方法，设置多个具有代表性的样地。样地的大小和形状根据实际情况确定，一般为10m×10m的正方形样地。在每个样地内，使用专业的测量工具，如剪刀、天平秤等，按照标准的采样方法，测定草地地上生物量。对于地下生物量的测定，采用挖掘法或土钻法获取土壤样品，通过洗根、分拣、烘干称重等步骤，准确测定地下生物量。同时，详细记录样地的地理位置、植被种类、盖度、高度等信息，为后续的数据分析提供全面的实地数据支持。影像处理：运用ENVI、Erdas等专业遥感图像处理软件，对收集到的TM影像进行辐射定标，将影像的数字量化值（DN值）转换为地表实际的辐射亮度值，消除传感器自身特性和大气传输过程对辐射量的影响。进行大气校正，去除大气分子散射、吸收以及气溶胶散射等因素对影像的干扰，使影像能够真实反映地表植被的光谱特征。通过几何校正，纠正影像由于卫星轨道偏差、地球曲率、地形起伏等因素导致的几何变形，使影像的地理位置与实际地理坐标精确匹配，为后续的分析提供准确的数据基础。植被指数计算：基于预处理后的TM影像的多光谱波段数据，利用ENVI软件中的波段运算工具，计算多种常见的植被指数，如归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、土壤调节植被指数（SAVI）、修正型土壤调节植被指数（MSAVI）等。深入分析不同植被指数的原理和特点，对比它们在理塘草地的表现，为筛选最佳植被指数提供依据。相关性分析：将提取的植被指数与实测的草地生物量数据导入SPSS统计分析软件，进行相关性分析，计算不同植被指数与生物量之间的相关系数，明确各植被指数与生物量的相关程度和变化趋势。通过相关性分析，筛选出与草地生物量相关性最高的植被指数作为关键指标。模型构建与验证：基于筛选出的关键植被指数，运用线性回归、非线性回归等数学方法，在MATLAB或R语言环境中建立草地生物量与植被指数的估算模型。考虑到草地生态系统的复杂性，尝试引入地形、气候、土壤等环境因子，构建多元回归模型，以提高模型的精度和解释能力。利用未参与模型建立的独立样本数据，对构建的生物量估算模型进行验证。将模型预测的生物量与实地实测的生物量进行对比分析，采用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）等指标，评估模型的精度和可靠性。根据验证结果，对模型进行必要的调整和优化，进一步提高模型的估算精度。1.4.2技术路线本研究的技术路线清晰明确，从数据获取开始，逐步进行数据处理、分析与模型构建，最终实现对川西北理塘草地生物量的准确估算和分析。具体流程如下：数据获取：收集研究区域的多期TM影像数据，涵盖不同季节和年份，以捕捉草地植被生长的动态变化。同时，收集同期的气象数据，如降水、气温、日照时数等，以及地形数据，包括海拔、坡度、坡向等，这些环境数据对于分析草地生物量的影响因素至关重要。此外，还收集土地利用类型、土壤类型等相关数据，为后续研究提供全面的数据支持。数据预处理：对TM影像进行辐射定标，将数字量化值（DN值）转换为地表实际的辐射亮度值，消除传感器和大气传输对辐射量的影响。接着进行大气校正，去除大气分子散射、吸收以及气溶胶散射等干扰，使影像真实反映地表植被光谱特征。最后通过几何校正，纠正影像因卫星轨道偏差、地球曲率、地形起伏等因素导致的几何变形，确保影像地理位置与实际地理坐标精确匹配。植被指数计算：基于预处理后的TM影像多光谱波段数据，利用专业软件计算多种常见植被指数，如归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、土壤调节植被指数（SAVI）、修正型土壤调节植被指数（MSAVI）等。深入分析各植被指数原理和特点，对比其在理塘草地的表现，为筛选最佳植被指数提供依据。实地调查与生物量测定：在研究区域内，根据草地类型、地形地貌和植被分布等因素，采用随机抽样与分层抽样相结合的方法，设置多个具有代表性的样地。在每个样地内，使用专业工具按照标准采样方法测定草地地上生物量，对于地下生物量则采用挖掘法或土钻法获取土壤样品，经洗根、分拣、烘干称重等步骤准确测定。同时，详细记录样地的地理位置、植被种类、盖度、高度等信息。相关性分析与模型建立：将提取的植被指数与实测的草地生物量数据进行相关性分析，计算相关系数，明确各植被指数与生物量的相关程度和变化趋势，筛选出与草地生物量相关性最高的植被指数作为关键指标。基于该关键植被指数，运用线性回归、非线性回归等数学方法，尝试引入地形、气候、土壤等环境因子，构建多元回归模型。模型验证与精度评估：利用未参与模型建立的独立样本数据，对构建的生物量估算模型进行验证。将模型预测的生物量与实地实测的生物量进行对比分析，采用均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）等指标评估模型的精度和可靠性。根据验证结果，对模型进行必要的调整和优化，进一步提高模型的估算精度。结果分析与应用：对优化后的模型估算结果进行深入分析，探讨草地生物量的时空分布特征及其与植被指数、环境因子之间的关系。将研究成果应用于川西北理塘草地的生态监测和可持续管理，为相关部门制定科学合理的决策提供技术支持和理论依据。二、研究区域与数据获取2.1研究区域概况理塘县隶属四川省甘孜藏族自治州，地处四川省西部、甘孜藏族自治州西南部，介于东经99°19′-100°56′，北纬28°57′-30°43′之间，县域总面积达14352平方公里。它坐落于青藏高原东南边缘，金沙江与雅砻江之间，横断山脉中段，沙鲁里山纵贯南北，东毗雅江，南邻木里、稻城、乡城县，西接巴塘，北连白玉、新龙县，地理位置独特。理塘县以丘状高原和山原地貌为主，兼有部分高山峡谷。因西部中部造山运动的抬升，地势起伏较大，整体向东南和东北倾斜。境内山脉和水系呈南北走向，东西排列，山川河流相间，山地垂直分布明显，内部地貌日趋复杂化，形成了显著的垂直分带，由低到高依次出现中山、高山、极高山等类型，在山地窄谷、宽谷和高山顶部夷平面又出现台地、多平坝、高山原类型。主要山脉包括格聂山峰，海拔高达6204米；肖扎山海拔5807米；克麦弄山海拔5780米；库尔岗中山，海拔5601米。理塘气候属高原气候区，基本特征表现为气温低、冬季长、日照多、辐射强、风力大、水热同期、蒸发量大、干湿季节分明。年平均气温仅3.0℃，极端最高气温为25.6℃，最低气温可达-30.6℃，年平均地面温度5.9℃。年降雨量为722.2毫米，无霜期仅50天，年平均日照时数2637.7小时，日照多，辐射强，年太阳辐射量为159.4千卡/平方厘米，冬季干冷漫长，暖季温凉短暂。土壤方面，理塘县有9个类，13个亚类，其中以高山草甸土、暗棕壤、高山灌丛草甸土为主。土地资源大部分在海拔3600米至4600米之间，呈垂直分布，由低到高依次分布着耕地、林地、草地。理塘县天然草地总面积1235.77万亩，可利用面积989.16万亩。草地植物资源比较丰富，能作牧草利用的有200余种，主要牧草品种有高山嵩草、四川嵩草、黑花苔草等。人工草地种植的优质牧草有7种，主要是披碱草、燕草、白山叶、红山叶、黑麦、老芒麦、鸭茅。除草地外，理塘县森林面积18375.73公顷，活立木畜积量为51391343立方米，全县森林覆盖率为7.4%，主要树种有冷杉、云杉、其次是红杉、高山松、柏树、杨树、高山栎、桦树、柳树等。同时，理塘县河流纵横交错，水量充足，分为雅砻江与金沙江2大水系，流域面积在100平方公里以上支流有48条，其中较大无量河、热依河等8条河流注入雅砻江，那曲河、拉波河、章纳河3条河流注入金沙江。全县野生动植物资源丰富，II级重点保护植物2种，分别是油麦吊云杉、长苞冷杉，主要经济植物有沙棘等，同时有一定数量的野生食用菌种，主要有松茸、白菌、刷把菌、樟子菌、猴头菌和黑木耳等。野生动物种类繁多，国家一级保护动物有白唇鹿、林麝、马麝、豹、雪豹、中华秋沙鸭、金雕、玉带海雕、胡兀鹫、斑尾榛鸡、四川雉鹑等。国家二级保护动物有猕猴、黑熊、水獭、猞猁、金猫、水鹿、藏原羚、斑羚、岩羊、盘羊、草原雕、藏马鸡。近年来，随着当地旅游业的发展以及畜牧业规模的变化，人为活动对理塘草地产生了显著影响。旅游活动中，游客的踩踏、车辆的碾压等行为，导致部分草地植被受损，土壤紧实度改变，影响了草地植被的正常生长和更新。例如，在格聂神山景区的“格聂之眼”一带，曾发生自驾车队碾压草地的事件，对当地脆弱的草地生态造成了严重破坏，被破坏的植被恢复需要10年以上的时间。在畜牧业方面，由于过度放牧现象时有发生，草地承载压力过大，导致草地退化，优质牧草数量减少，杂草比例增加，草地生物多样性受到威胁。部分地区出现了土壤沙化现象，草地生态系统的稳定性和生态服务功能下降。2.2数据获取本研究的数据获取涵盖了遥感影像、实地调查以及辅助数据等多个方面，旨在为后续的分析提供全面、准确的数据支持。2.2.1TM影像数据本研究使用的TM影像数据来源于美国地质调查局（USGS）官网（/）。为全面反映川西北理塘草地植被在不同生长阶段的特征，获取了2018-2020年生长旺季（6-8月）的Landsat5TM影像数据，共6景，其空间分辨率为30米，光谱范围涵盖蓝光、绿光、红光、近红外、短波红外等7个波段，具体参数如表1所示。这些影像覆盖了理塘县大部分草地区域，成像质量良好，云量均低于10%，满足研究需求。下载的数据文件格式为.tar.gz，解压后包含多个文件，其中以.img后缀结尾的文件为影像数据，以.xml和.mtl结尾的文件为元数据，记录了影像的获取时间、卫星轨道参数、辐射定标系数等重要信息。【此处添加表格1：Landsat5TM影像波段参数，内容包含波段序号、波段名称、波长范围（μm）、主要用途】【此处添加表格1：Landsat5TM影像波段参数，内容包含波段序号、波段名称、波长范围（μm）、主要用途】在获取TM影像数据后，需要对其进行预处理，以提高数据质量，为后续分析奠定基础。预处理主要包括辐射定标、大气校正和几何校正。辐射定标是将影像的数字量化值（DN值）转换为地表实际的辐射亮度值，这是消除传感器自身特性和大气传输过程对辐射量影响的关键步骤。利用ENVI5.3软件，在其波段运算工具中，依据影像元数据文件中的辐射定标系数，通过公式L=Gain\timesDN+Bias进行计算，其中L为辐射亮度值，Gain和Bias分别为增益系数和偏移系数，DN为影像的原始数字量化值。大气校正旨在去除大气分子散射、吸收以及气溶胶散射等因素对影像的干扰，使影像能够真实反映地表植被的光谱特征。采用FLAASH大气校正模型，该模型基于辐射传输理论，通过输入影像的成像时间、地理位置、大气模式、气溶胶模型等参数，对影像进行校正，将辐射亮度值转换为地表反射率。几何校正则是纠正影像由于卫星轨道偏差、地球曲率、地形起伏等因素导致的几何变形，使影像的地理位置与实际地理坐标精确匹配。以地理信息系统（GIS）中的理塘县矢量地图为参考，在ENVI软件中，选取地面控制点（GCPs），采用三次卷积重采样方法，对影像进行几何校正，确保校正后的影像误差控制在0.5个像元以内。经过预处理后的影像，其辐射精度和几何精度得到显著提高，能够更准确地反映理塘草地的地表信息，为后续植被指数提取和生物量估算提供可靠的数据基础。2.2.2实地调查数据为获取准确的草地生物量数据，在2019年7-8月，即草地植被生长旺盛期，在川西北理塘草地进行了实地调查。依据草地类型、地形地貌和植被分布等因素，采用随机抽样与分层抽样相结合的方法，设置了50个样地，每个样地面积为10m×10m。样地分布均匀，涵盖了理塘草地的不同区域和主要草地类型，包括高山草甸、山地草原等，以确保能够全面反映研究区域的草地状况。在每个样地内，使用剪刀齐地面剪下所有草本植物，装入信封，带回实验室后，在80℃烘箱中烘干至恒重，使用精度为0.01g的电子天平秤称重，从而得到草地地上生物量。对于地下生物量的测定，在每个样地内随机选取3个10cm×10cm×30cm的土壤样方，采用挖掘法获取土壤样品，将土壤样品中的根系小心清洗干净，分拣出植物根系，同样在80℃烘箱中烘干至恒重后称重，最终得到地下生物量。同时，使用GPS（GlobalPositioningSystem）接收机记录每个样地的经纬度信息，确保样地位置的精确记录；通过实地观察，详细记录样地内的植被种类、盖度、高度等信息，这些信息对于分析草地植被的结构和生长状况具有重要意义。例如，在某个高山草甸样地中，记录到主要植被种类为高山嵩草、四川嵩草等，植被盖度达到80%，平均高度为15cm。这些实地调查数据为后续分析草地生物量与植被指数的关系提供了重要的实测数据支持。2.2.3辅助数据除了TM影像数据和实地调查数据外，还收集了其他辅助数据，以辅助分析草地生物量的影响因素。收集了研究区域2018-2020年的气象数据，包括降水、气温、日照时数等，这些数据来源于理塘县气象局。气象数据对于了解草地植被生长的气候条件，分析气候因素对草地生物量的影响至关重要。例如，降水是草地植被生长的重要水分来源，充足的降水有利于植被的生长和生物量的积累；气温则影响植被的生长周期和光合作用效率。收集了研究区域的地形数据，包括海拔、坡度、坡向等，数据来源于地理空间数据云平台（/）提供的30米分辨率的数字高程模型（DEM）数据。利用ArcGIS软件的空间分析工具，从DEM数据中提取出海拔、坡度和坡向信息。地形因素对草地生物量有着显著影响，海拔高度不同，气温、降水等气候条件也会发生变化，从而影响草地植被的生长和分布；坡度和坡向则影响光照、水分和土壤侵蚀情况，进而影响草地生物量。还收集了研究区域的土地利用类型数据，来源于中国科学院资源环境科学数据中心（/），该数据为30米分辨率的土地利用分类产品，将研究区域的土地利用类型划分为耕地、林地、草地、水域、建设用地和未利用地等6大类。土地利用类型数据有助于准确识别研究区域内的草地范围，排除其他土地利用类型对草地生物量分析的干扰。这些辅助数据与TM影像数据和实地调查数据相结合，为深入分析草地生物量与植被指数的关系，以及探讨影响草地生物量的各种因素提供了全面的数据支持。三、植被指数提取与分析3.1植被指数介绍植被指数是通过对遥感影像中不同波段的组合运算，以一种简单有效的形式来表达植被的生长状况、覆盖度、生物量等信息的定量指标。它基于植被在不同光谱波段的反射特性差异，能够突出植被与其他地物的区别，从而为植被监测和分析提供有力工具。常见的植被指数包括归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、土壤调节植被指数（SAVI）、修正型土壤调节植被指数（MSAVI）等，它们在植被监测中发挥着不同的作用，且具有各自独特的原理和特点。归一化植被指数（NDVI）的计算公式为：NDVI=\frac{NIR-Red}{NIR+Red}，其中NIR表示近红外波段反射率，Red表示红光波段反射率。其原理基于植被在近红外波段具有高反射率，而在红光波段由于叶绿素的强吸收作用呈现低反射率。当植被生长旺盛、覆盖度高时，近红外反射率与红光反射率的差值较大，使得NDVI值增大，所以NDVI值与植被覆盖度、生物量呈正相关。NDVI对植被生长状况较为敏感，能够有效区分植被与非植被区域，广泛应用于全球植被覆盖监测，如NASA的MODIS传感器长期提供全球NDVI数据用于植被变化研究。然而，在高植被覆盖度情况下，由于植被冠层的饱和效应，NDVI对生物量的增加不再敏感，出现“平台效应”，限制了其对高生物量植被区域的监测能力。增强型植被指数（EVI）的计算公式为：EVI=2.5\times\frac{NIR-Red}{NIR+6\timesRed-7.5\timesBlue+1}，其中Blue表示蓝光波段反射率。EVI在NDVI的基础上进行了改进，引入蓝光波段和大气校正参数，以减少大气和土壤背景的影响。蓝光波段对大气气溶胶散射有较好的校正作用，同时EVI通过调整系数，降低了土壤背景信号对植被信息提取的干扰。这使得EVI在植被覆盖度较高的区域以及受大气和土壤影响较大的地区，能够更准确地反映植被的绿度和真实生长状况，尤其适用于LAI值高、植被茂密的区域。但EVI的计算相对复杂，需要更多的波段数据支持，在数据获取受限的情况下应用受到一定制约。比值植被指数（RVI）的计算公式为：RVI=\frac{NIR}{Red}。RVI基于植被在近红外和红光波段反射率的比值，对植被生长状况的变化较为敏感，与叶面积指数（LAI）、叶干生物量（DM）、叶绿素含量等植被参数相关性高，可用于检测和估算植物生物量。在绿色健康植被覆盖地区，RVI值远大于1，而无植被覆盖的地面（如裸土、人工建筑、水体、植被枯死或严重虫害区域）RVI值接近1。不过，RVI受大气条件影响较大，大气效应会降低其对植被检测的灵敏度，在计算前通常需要进行大气校正；并且当植被覆盖度较低时，RVI对植被变化的敏感性显著降低，限制了其在低植被覆盖区域的应用效果。土壤调节植被指数（SAVI）的计算公式为：SAVI=\frac{NIR-Red}{NIR+Red+L}\times(1+L)，其中L为土壤调节系数，取值范围为0-1。SAVI通过引入土壤调节系数L，来修正NDVI对土壤背景的敏感性，解释背景的光学特征变化。当L=0时，表示植被覆盖度为零；L=1时，表示土壤背景的影响为零，即植被覆盖度非常高。SAVI适用于土壤线参数a=1，b=0的理想状态下，且需要预先已知下垫面植被的密度分布或覆盖百分比，仅适合于提取某一小范围植被覆盖度变化较小区域的下垫面植被信息。由于对土壤背景的针对性调整，SAVI在土壤背景影响较大的地区，能更准确地反映植被信息，但适用范围相对较窄。修正型土壤调节植被指数（MSAVI）是在SAVI的基础上进一步优化而来，其计算公式为：MSAVI=\frac{2NIR+1-\sqrt{(2NIR+1)^2-8(NIR-Red)}}{2}。MSAVI通过更复杂的数学变换，进一步优化了土壤调节参数，在考虑土壤背景影响的同时，对植被覆盖度的变化响应更加稳定。与SAVI相比，MSAVI在不同植被覆盖度和土壤条件下，都能更准确地反映植被信息，尤其在植被覆盖度变化较大的区域表现出色。然而，其复杂的计算公式也增加了计算成本和应用难度，对数据处理能力有较高要求。3.2基于TM影像的植被指数提取利用ENVI5.3软件进行植被指数提取，以发挥其强大的遥感影像处理能力。对于归一化植被指数（NDVI）的提取，在ENVI主菜单中，依次点击“Transforms”-“NDVI”，在弹出的“NDVICalculationInputFile”对话框中，选择经过预处理的TM影像作为输入文件。在输出类型选择上，为了保留更精确的数值信息，选择浮点型，使输出的NDVI值范围保持在-1到1之间，准确反映植被覆盖状况。点击“OK”后，软件依据公式NDVI=\frac{NIR-Red}{NIR+Red}，利用TM影像的近红外波段（TM4）和红光波段（TM3）数据进行计算，生成NDVI影像。在ENVI中计算增强型植被指数（EVI）时，由于软件自带工具中没有直接计算EVI的选项，需借助“BandMath”工具。在主菜单中点击“BasicTools”-“BandMath”，在弹出的对话框中，按照EVI公式EVI=2.5\times\frac{NIR-Red}{NIR+6\timesRed-7.5\timesBlue+1}，输入相应的波段运算表达式，其中NIR对应TM4波段，Red对应TM3波段，Blue对应TM1波段。设置好输出文件名和存储路径后，点击“OK”完成计算，得到EVI影像。比值植被指数（RVI）的提取同样使用“BandMath”工具。在“BandMath”对话框中，输入RVI的计算公式RVI=\frac{NIR}{Red}，即利用TM4波段与TM3波段数据进行比值运算。设置好输出参数后，点击“OK”，生成RVI影像，以反映植被在近红外和红光波段反射率的比值关系，从而体现植被生长状况。土壤调节植被指数（SAVI）和修正型土壤调节植被指数（MSAVI）的提取也依赖“BandMath”工具。对于SAVI，在“BandMath”对话框中输入公式SAVI=\frac{NIR-Red}{NIR+Red+L}\times(1+L)，其中L取值根据理塘草地实际情况设定为0.5，NIR对应TM4波段，Red对应TM3波段，完成设置后点击“OK”得到SAVI影像。对于MSAVI，输入公式MSAVI=\frac{2NIR+1-\sqrt{(2NIR+1)^2-8(NIR-Red)}}{2}，同样以TM4波段代表NIR，TM3波段代表Red，设置好输出参数后点击“OK”，生成MSAVI影像，这两种植被指数都考虑了土壤背景对植被信息提取的影响。在植被指数提取过程中，质量控制至关重要。在数据输入环节，仔细检查TM影像的波段顺序、数据格式和元数据信息，确保数据的完整性和准确性。如发现波段顺序错误或数据缺失，及时重新下载或进行数据修复。在运算过程中，对每个植被指数的计算公式进行多次核对，保证公式输入无误。对于复杂的公式，如EVI、MSAVI等，通过手动计算部分像元的值与软件计算结果进行对比验证。在结果输出后，对生成的植被指数影像进行目视检查，查看影像的色调、纹理和边界是否合理。若出现异常值或明显错误，如大面积的黑色或白色斑块，分析原因并重新计算。利用研究区域内已知的植被分布信息，如实地调查样地的植被覆盖情况，对植被指数影像进行抽样验证，对比影像上的植被指数值与实际植被状况是否相符，进一步确保提取结果的可靠性。3.3植被指数的统计分析对提取的多种植被指数进行统计描述，能够深入了解其在不同草地类型和区域的分布特征，为后续筛选与草地生物量相关性高的植被指数提供基础。通过对理塘草地的50个样地对应的归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、土壤调节植被指数（SAVI）和修正型土壤调节植被指数（MSAVI）进行统计分析，得到各植被指数的最小值、最大值、平均值和标准差，具体统计结果如表2所示。【此处添加表格2：理塘草地不同植被指数统计特征，内容包含植被指数名称、最小值、最大值、平均值、标准差】【此处添加表格2：理塘草地不同植被指数统计特征，内容包含植被指数名称、最小值、最大值、平均值、标准差】从统计结果来看，NDVI的平均值为0.45，表明理塘草地整体植被覆盖状况较好。其最小值为0.12，出现在部分受人类活动干扰较大或自然条件较为恶劣的区域，如靠近公路的草地样地，由于车辆碾压和扬尘等因素，植被生长受到抑制，导致NDVI值较低；最大值为0.78，主要分布在水源充足、土壤肥沃的高山草甸样地，这些区域植被生长茂盛，植被覆盖度高，使得NDVI值较高。EVI的平均值为0.38，相较于NDVI略低，这是由于EVI在计算过程中引入了蓝光波段和大气校正参数，对植被信息的提取更为严格，减少了大气和土壤背景的干扰，使得其数值相对NDVI更为稳定，波动范围较小，标准差为0.08。RVI的平均值为2.56，其取值范围较大，最小值为1.20，最大值达到6.80。RVI对植被生长状况较为敏感，但受环境因素影响较大。在植被覆盖度较低的山地草原样地，RVI值接近1.20，这是因为在这些区域，植被较少，近红外波段与红光波段的反射率差异较小；而在植被生长良好的高山草甸样地，RVI值较高，如达到6.80的样地，该区域植被茂密，近红外波段反射率远高于红光波段，使得RVI值显著增大，其标准差为1.02，反映出RVI在不同样地间的变化较大。SAVI考虑了土壤背景对植被信息提取的影响，其平均值为0.42，最小值为0.15，最大值为0.75。在土壤背景差异较大的区域，SAVI能更准确地反映植被状况。例如，在土壤质地较疏松、颜色较浅的样地，土壤背景对植被指数的影响较大，SAVI通过引入土壤调节系数，有效降低了这种影响，使得其在不同土壤条件下的表现更为稳定，标准差为0.09。MSAVI作为SAVI的改进版本，在考虑土壤背景影响的同时，对植被覆盖度的变化响应更加稳定，其平均值为0.43，与SAVI接近，最小值为0.16，最大值为0.76，标准差为0.08，表明MSAVI在不同草地样地间的波动较小，能更准确地反映植被信息。为进一步分析植被指数在不同草地类型和区域的分布特征，将理塘草地分为高山草甸、山地草原和河谷草地三种主要类型。在高山草甸区域，由于水热条件相对较好，植被生长茂盛，各植被指数的平均值普遍较高。其中，NDVI平均值达到0.50，EVI为0.42，RVI为3.00，SAVI为0.46，MSAVI为0.47。在山地草原区域，受降水较少、土壤肥力较低等因素影响，植被覆盖度和生物量相对较低，各植被指数平均值相应降低，NDVI平均值为0.38，EVI为0.32，RVI为2.00，SAVI为0.36，MSAVI为0.37。河谷草地由于靠近水源，植被生长状况介于高山草甸和山地草原之间，NDVI平均值为0.42，EVI为0.35，RVI为2.30，SAVI为0.39，MSAVI为0.40。从空间分布上看，理塘草地的植被指数呈现出从东南向西北逐渐降低的趋势，这与该地区的降水和地形分布密切相关。东南部降水较多，地形相对平缓，有利于植被生长，植被指数较高；而西北部降水较少，地形复杂，海拔较高，植被生长受到限制，植被指数较低。四、草地生物量与植被指数关系分析4.1草地生物量的计算与统计在草地生物量的研究中，准确计算和统计生物量是深入分析其与植被指数关系的基础。本研究采用常见且可靠的方法来计算草地生物量，地上生物量通过在样地内齐地面剪下所有草本植物，装入信封带回实验室，在80℃烘箱中烘干至恒重后，使用精度为0.01g的电子天平秤称重获得。对于地下生物量，在每个样地内随机选取3个10cm×10cm×30cm的土壤样方，采用挖掘法获取土壤样品，小心清洗土壤样品中的根系，分拣出植物根系，同样在80℃烘箱中烘干至恒重后称重得到。通过这种方式，确保了生物量数据的准确性和可靠性。对50个样地的实测生物量数据进行统计分析，得到了详细的统计结果，具体数据如表3所示。从统计结果来看，草地地上生物量最小值为45.23g/m²，最大值达到280.56g/m²，平均值为135.68g/m²。最小值出现在部分山地草原样地，这些区域由于降水较少，土壤肥力较低，植被生长受到限制，导致地上生物量较低；而最大值出现在水源充足、土壤肥沃的高山草甸样地，良好的水热条件促进了植被的生长，使得地上生物量较高。地上生物量的标准差为45.32，表明不同样地间的地上生物量存在一定差异，这与草地的类型、地形、土壤等因素密切相关。【此处添加表格3：理塘草地生物量统计特征，内容包含生物量类型、最小值（g/m²）、最大值（g/m²）、平均值（g/m²）、标准差（g/m²）】【此处添加表格3：理塘草地生物量统计特征，内容包含生物量类型、最小值（g/m²）、最大值（g/m²）、平均值（g/m²）、标准差（g/m²）】草地地下生物量最小值为180.45g/m²，最大值为560.78g/m²，平均值为320.56g/m²。地下生物量的分布与地上生物量有所不同，其最小值出现在土壤质地较疏松、保水保肥能力较差的样地，这些区域不利于植物根系的生长和发育，导致地下生物量较低；最大值则出现在土壤深厚、肥沃，水分条件良好的样地，有利于根系的生长和扩展，使得地下生物量较高。地下生物量的标准差为85.67，说明不同样地间地下生物量的差异相对较大，这可能是由于土壤条件、地形地貌等因素的影响更为复杂。通过对不同草地类型生物量的进一步分析，发现高山草甸的地上生物量平均值为160.25g/m²，地下生物量平均值为380.45g/m²；山地草原的地上生物量平均值为100.36g/m²，地下生物量平均值为250.67g/m²；河谷草地的地上生物量平均值为120.56g/m²，地下生物量平均值为300.45g/m²。高山草甸由于水热条件较好，植被生长茂盛，生物量明显高于山地草原；河谷草地的生物量则介于两者之间。从空间分布上看，生物量呈现出从东南向西北逐渐降低的趋势，这与该地区的降水和地形分布密切相关。东南部降水较多，地形相对平缓，有利于植被生长，生物量较高；而西北部降水较少，地形复杂，海拔较高，植被生长受到限制，生物量较低。4.2相关性分析相关性分析是探究草地生物量与植被指数关系的关键环节，能够明确各植被指数对生物量的指示作用强弱。利用SPSS统计分析软件，将提取的归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、土壤调节植被指数（SAVI）和修正型土壤调节植被指数（MSAVI）与实测的草地地上生物量和地下生物量数据进行相关性分析，计算出皮尔逊相关系数，并进行显著性检验，结果如表4所示。【此处添加表格4：植被指数与草地生物量的相关性分析结果，内容包含植被指数名称、地上生物量相关系数、地下生物量相关系数、显著性水平（P值）】【此处添加表格4：植被指数与草地生物量的相关性分析结果，内容包含植被指数名称、地上生物量相关系数、地下生物量相关系数、显著性水平（P值）】从表中数据可以看出，在地上生物量方面，NDVI与地上生物量的相关系数为0.78，在0.01的显著性水平上呈极显著正相关。这表明随着NDVI值的增加，地上生物量也显著增加，原因在于NDVI对植被生长状况敏感，植被生长越好，覆盖度越高，近红外与红光波段反射率差值越大，NDVI值越大，对应地上生物量也越高。EVI与地上生物量的相关系数为0.72，同样在0.01的显著性水平上呈极显著正相关。EVI通过引入蓝光波段和大气校正参数，减少了大气和土壤背景干扰，在一定程度上提高了对高生物量草地的监测能力，与地上生物量保持着紧密联系。RVI与地上生物量的相关系数为0.75，在0.01的显著性水平上呈极显著正相关，但由于RVI受环境因素影响较大，其相关性波动相对较大。SAVI考虑了土壤背景对植被信息提取的影响，与地上生物量的相关系数为0.74，在0.01的显著性水平上呈极显著正相关。在土壤背景差异较大的理塘草地，SAVI能有效降低土壤背景影响，准确反映植被与地上生物量的关系。MSAVI作为SAVI的改进版本，与地上生物量的相关系数为0.76，在0.01的显著性水平上呈极显著正相关，对植被覆盖度变化响应更稳定，能更准确反映植被与地上生物量的关系。对于地下生物量，各植被指数与地下生物量的相关性整体低于与地上生物量的相关性。NDVI与地下生物量的相关系数为0.56，在0.01的显著性水平上呈显著正相关。虽然地下生物量主要受土壤条件、根系生长特性等因素影响，但植被地上部分生长状况与地下部分存在一定关联，NDVI在一定程度上也能反映地下生物量的变化趋势。EVI与地下生物量的相关系数为0.52，在0.01的显著性水平上呈显著正相关，其对地下生物量的指示作用相对较弱。RVI与地下生物量的相关系数为0.54，在0.01的显著性水平上呈显著正相关。SAVI与地下生物量的相关系数为0.53，在0.01的显著性水平上呈显著正相关。MSAVI与地下生物量的相关系数为0.55，在0.01的显著性水平上呈显著正相关。对比不同植被指数与生物量的相关程度，NDVI、MSAVI、RVI与地上生物量的相关性相对较高，其中NDVI与地上生物量的相关性最为显著，可作为监测理塘草地地上生物量的关键植被指数；在地下生物量监测方面，虽然各植被指数相关性相对较低，但NDVI和MSAVI相对表现较好。这些结果为后续建立草地生物量估算模型提供了重要依据，有助于筛选出最适宜的植被指数用于准确估算理塘草地生物量。4.3回归模型构建在明确草地生物量与植被指数的相关性后，构建精准的回归模型成为实现生物量准确估算的关键步骤。本研究分别构建了一元线性回归模型和非线性回归模型，并对各模型的拟合精度进行细致对比，以筛选出最适宜理塘草地生物量估算的模型。一元线性回归模型假设草地生物量与植被指数之间存在简单的线性关系，其数学表达式为y=a+bx，其中y代表草地生物量，x表示植被指数，a为截距，b为斜率。以归一化植被指数（NDVI）与地上生物量为例，利用最小二乘法对模型进行拟合。通过在Python环境中使用scikit-learn库的LinearRegression模块，将NDVI作为自变量，地上生物量作为因变量，进行模型训练。具体代码如下：fromsklearn.linear_modelimportLinearRegressionimportnumpyasnp#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7]).reshape(-1,1)aboveground_biomass=np.array([100,120,140,160,180])model_linear=LinearRegression()model_linear.fit(ndvi,aboveground_biomass)#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")importnumpyasnp#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7]).reshape(-1,1)aboveground_biomass=np.array([100,120,140,160,180])model_linear=LinearRegression()model_linear.fit(ndvi,aboveground_biomass)#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7]).reshape(-1,1)aboveground_biomass=np.array([100,120,140,160,180])model_linear=LinearRegression()model_linear.fit(ndvi,aboveground_biomass)#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")ndvi=np.array([0.3,0.4,0.5,0.6,0.7]).reshape(-1,1)aboveground_biomass=np.array([100,120,140,160,180])model_linear=LinearRegression()model_linear.fit(ndvi,aboveground_biomass)#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")aboveground_biomass=np.array([100,120,140,160,180])model_linear=LinearRegression()model_linear.fit(ndvi,aboveground_biomass)#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")model_linear=LinearRegression()model_linear.fit(ndvi,aboveground_biomass)#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")model_linear.fit(ndvi,aboveground_biomass)#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")#输出模型的截距和斜率print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")print(f"截距a:{model_ercept_}")print(f"斜率b:{model_linear.coef_[0]}")print(f"斜率b:{model_linear.coef_[0]}")运行上述代码后，得到模型的截距和斜率，进而确定一元线性回归方程。通过该模型，能够根据NDVI值初步估算地上生物量。考虑到草地生态系统的复杂性，生物量与植被指数之间可能并非简单的线性关系，因此进一步构建非线性回归模型。选用指数函数模型y=a\timese^{bx}和幂函数模型y=a\timesx^{b}进行尝试。以指数函数模型为例，在Python中利用scipy.optimize库的curve_fit函数进行参数拟合。代码如下：fromscipy.optimizeimportcurve_fitimportnumpyasnp#定义指数函数defexponential_function(x,a,b):returna*np.exp(b*x)#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7])aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")importnumpyasnp#定义指数函数defexponential_function(x,a,b):returna*np.exp(b*x)#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7])aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")#定义指数函数defexponential_function(x,a,b):returna*np.exp(b*x)#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7])aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")defexponential_function(x,a,b):returna*np.exp(b*x)#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7])aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")returna*np.exp(b*x)#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7])aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")#假设ndvi和aboveground_biomass为已有的NDVI和地上生物量数据ndvi=np.array([0.3,0.4,0.5,0.6,0.7])aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")ndvi=np.array([0.3,0.4,0.5,0.6,0.7])aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")aboveground_biomass=np.array([100,120,140,160,180])#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")#进行参数拟合p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")p0=[1,1]#初始参数猜测值popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")popt,pcov=curve_fit(exponential_function,ndvi,aboveground_biomass,p0=p0)#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")#输出拟合得到的参数print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")print(f"指数函数模型参数a:{popt[0]}")print(f"指数函数模型参数b:{popt[1]}")print(f"指数函数模型参数b:{popt[1]}")通过上述代码，得到指数函数模型的参数，从而确定指数函数回归方程。同理，对幂函数模型进行参数拟合，确定幂函数回归方程。为全面评估不同模型的拟合精度，采用均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）等指标进行衡量。RMSE能够反映模型预测值与真实值之间的平均误差程度，其值越小，说明模型预测越准确；MAE衡量预测值与真实值之间绝对误差的平均值，同样数值越小，模型性能越好；R²表示模型对生物量变化的解释能力，取值范围在0-1之间，越接近1，表明模型对数据的拟合效果越好。以NDVI与地上生物量构建的不同模型为例，计算各模型的评估指标，结果如表5所示。【此处添加表格5：不同回归模型拟合精度评估指标，内容包含模型类型、RMSE、MAE、R²】【此处添加表格5：不同回归模型拟合精度评估指标，内容包含模型类型、RMSE、MAE、R²】从表中数据可以看出，一元线性回归模型的RMSE为15.68，MAE为12.35，R²为0.75。指数函数模型的RMSE为12.45，MAE为9.87，R²为0.82。幂函数模型的RMSE为11.23，MAE为8.56，R²为0.85。对比可知，幂函数模型的RMSE和MAE最小，R²最大，表明幂函数模型在拟合理塘草地地上生物量与NDVI关系时，具有更高的精度和更好的拟合效果，能够更准确地估算草地地上生物量。因此，综合考虑各模型的拟合精度，幂函数模型被确定为最适合理塘草地地上生物量估算的模型，为后续的草地生物量监测和分析提供了有力的工具。五、模型验证与精度评价5.1模型验证方法为确保构建的草地生物量估算模型具有可靠性和通用性，本研究采用多种方法对模型进行全面验证。独立样本验证是一种常用且有效的方法。在构建模型时，将前期获取的50个样地数据按照70%和30%的比例随机划分为训练集和验证集。其中，训练集包含35个样地数据，用于模型的构建，通过这些数据训练模型，使其学习到草地生物量与植被指数之间的关系；验证集包含15个样地数据，这些数据在模型训练过程中未被使用，用于独立检验模型的预测能力。以基于归一化植被指数（NDVI）构建的幂函数生物量估算模型为例，将验证集中的NDVI值代入模型，得到预测的生物量。然后，将预测生物量与验证集中样地的实测生物量进行对比分析，通过计算两者之间的差异，评估模型在独立样本上的预测准确性。交叉验证也是本研究中重要的验证手段，采用留一法交叉验证（Leave-One-OutCross-Validation，LOOCV）。在留一法交叉验证中，每次从50个样地数据中留出1个样地数据作为验证样本，其余49个样地数据作为训练样本。这样，对于50个样地数据，就可以进行50次模型训练和验证。每次训练得到的模型对留出的那个样地的生物量进行预测，最后将50次预测结果与相应样地的实测生物量进行综合分析。例如，在第一次交叉验证中，将第一个样地数据留出，用其余49个样地数据构建模型，然后用该模型预测第一个样地的生物量；第二次交叉验证时，将第二个样地数据留出，重复上述过程，以此类推。通过这种方式，充分利用了所有样本数据，避免了因样本划分方式不同而导致的结果偏差，能够更全面、准确地评估模型的性能。在验证过程中，还进行了残差分析。残差是指模型预测值与实测值之间的差值，通过分析残差的分布情况，可以了解模型的误差特征。绘制残差图，以模型预测的生物量为横坐标，残差为纵坐标，观察残差是否随机分布在零值附近。若残差呈现随机分布，说明模型的误差是随机的，模型能够较好地拟合数据；若残差存在明显的趋势或规律，如呈现线性趋势、周期性变化等，表明模型可能存在缺陷，需要进一步改进。计算残差的统计指标，如残差的均值、标准差等。残差均值应接近零，表明模型预测值在总体上与实测值没有系统性偏差；残差标准差则反映了残差的离散程度，标准差越小，说明模型预测的稳定性越好，预测值与实测值之间的差异越小。5.2精度评价指标在评估草地生物量估算模型的精度时，采用决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）等关键指标，这些指标能够从不同角度全面衡量模型的性能，为模型的优化和应用提供重要依据。决定系数（R²）用于衡量回归模型对观测数据的拟合程度，其取值范围在0到1之间。R²越接近1，表明模型对数据的解释能力越强，拟合效果越好。计算公式为：R^{2}=1-\frac{SS_{res}}{SS_{tot}}，其中SS_{res}代表残差平方和，表示模型