高明亮，宮兆寧,*，趙文吉，高 陽，胡 東

(1. 三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100048；2. 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048)

基于植被指數(shù)的北京軍都山荊條灌叢生物量反演研究

高明亮1，宮兆寧1,*，趙文吉1，高 陽1，胡 東2

(1. 三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室， 北京 100048；2. 資源環(huán)境與地理信息系統(tǒng)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100048)

基于環(huán)境衛(wèi)星數(shù)據(jù)提取10種植被指數(shù)，輔以資源三號(hào)衛(wèi)星數(shù)據(jù)提取的高精度數(shù)字高程模型(DEM)等數(shù)據(jù)，結(jié)合實(shí)地野外采樣數(shù)據(jù)，以北京軍都山為試驗(yàn)區(qū)采用最小二乘回歸模型擬合植被指數(shù)與荊條灌叢冠層生物量的定量關(guān)系，并利用擬合結(jié)果對(duì)研究區(qū)灌從冠層生物量進(jìn)行了反演估算，生成研究區(qū)荊條及其伴生灌叢生物量空間分布圖。結(jié)果表明，文中所建立的多元線性回歸模型在研究區(qū)具有較好的反演精度和預(yù)測(cè)能力。其模型顯著性為顯著(α<0.01)，相關(guān)系數(shù)為0.856，標(biāo)準(zhǔn)誤差為58.5 g/m2；預(yù)測(cè)標(biāo)準(zhǔn)誤差為98.1 g/m2，決定系數(shù)為0.865。通過對(duì)研究區(qū)荊條灌叢的冠層生物量進(jìn)行遙感估算，提出了一種利用遙感技術(shù)監(jiān)測(cè)灌木群落生物量的新思路。

植被指數(shù); 荊條灌叢; 生物量; 回歸分析; 衛(wèi)星數(shù)據(jù)

生物量是衡量生態(tài)系統(tǒng)生產(chǎn)力的重要指標(biāo)，對(duì)于生態(tài)系統(tǒng)結(jié)構(gòu)形成與發(fā)展具有重要的影響。灌木是生態(tài)系統(tǒng)的重要組成類型之一，是寶貴的生物資源。此外，灌木是干旱半干旱地區(qū)和山區(qū)的主要樹種，也是平原地區(qū)城市綠化的重要伴生樹種。灌木耐寒旱且繁殖能力強(qiáng)，無論土壤肥瘠，環(huán)境干濕都能生長(zhǎng)，因此在保持水土、防風(fēng)固沙以及涵養(yǎng)水源等生態(tài)建設(shè)中扮演重要的角色，在生態(tài)保護(hù)、恢復(fù)和重建中起著重要作用。灌木生物量是衡量灌木群落發(fā)展和生態(tài)系統(tǒng)研究的重要內(nèi)容，是生態(tài)系統(tǒng)物質(zhì)循環(huán)及能量轉(zhuǎn)換研究的重要基礎(chǔ)，具有重要研究?jī)r(jià)值。2012年6月至8月的野外生態(tài)調(diào)查結(jié)果表明，荊條及其伴生灌叢是北京山區(qū)陽坡分布數(shù)量最多、面積最廣的典型灌木優(yōu)勢(shì)種，研究荊條及其伴生灌叢的生物量分布情況對(duì)于研究山區(qū)植被演替規(guī)律及山區(qū)生態(tài)循環(huán)與能量交換有重要的現(xiàn)實(shí)意義。

長(zhǎng)期以來，國(guó)內(nèi)外學(xué)者的研究重點(diǎn)在于森林和草本生物量的遙感反演和估算[1- 4]，或者是灌木本身的生理化學(xué)特征[5- 7]，而對(duì)灌木生物量測(cè)定方法的研究大都仍停留在樣方法、平均木法、相對(duì)生長(zhǎng)法、數(shù)量化方法等傳統(tǒng)的估算方法[8- 9]。此外，對(duì)于通過哪種方法測(cè)定的生物量和建立的預(yù)測(cè)模型效果較好，目前沒有明確的結(jié)論。究其根源，是由于灌木具有特殊的形態(tài)和群落結(jié)構(gòu)，使得其生物量在空間結(jié)構(gòu)上既區(qū)別于喬木又不同于草本植物。灌木株高較低，叢生，沒有明顯的主干，無法利用喬木生物量估算方法計(jì)算單株生物量。此外，灌木比草本高大，水平分布呈現(xiàn)不連續(xù)不均勻的特征，無法采用普通的整體樣方收獲法計(jì)算生物量。近年來，隨著環(huán)境問題的日益凸顯，越來越多的學(xué)者意識(shí)到灌叢這一特殊生態(tài)群落對(duì)生態(tài)環(huán)境的重要影響以及其潛在的科研價(jià)值，將遙感等技術(shù)手段引入到灌木群落及其生長(zhǎng)環(huán)境的監(jiān)測(cè)和相關(guān)研究中。David等[10]綜合多光譜、多角度以及多時(shí)相遙感數(shù)據(jù)集對(duì)阿拉斯加地區(qū)0.5 m以上灌木冠層進(jìn)行制圖，通過對(duì)不同分辨率、不同類型影像建立回歸樹模型，發(fā)現(xiàn)基于多光譜影像的結(jié)果優(yōu)于多角度以及多時(shí)相數(shù)據(jù)結(jié)果，同時(shí),基于高空間分辨率數(shù)據(jù)的模型通常具有較高的精度。Estornell等[11]基于光探測(cè)與測(cè)量(LiDAR)數(shù)據(jù)和航拍數(shù)據(jù)，采用逐步回歸的方法估算了地中海地林區(qū)灌叢生物量，結(jié)果表明LiDAR和航拍數(shù)據(jù)可以很好地用于估算灌叢生物量，并進(jìn)行生物量及體積分布制圖。鑒于灌木群落特有的結(jié)構(gòu)形態(tài)及其分布特征，本文避開了由于灌木植株結(jié)構(gòu)差異造成的困難，綜合多種光譜指數(shù)作為反演指標(biāo)，采用最小二乘回歸擬合的方法對(duì)北京軍都山區(qū)荊條灌叢的冠層生物量進(jìn)行估算，提出了一種灌木群落生物量遙感反演的新思路。

1 數(shù)據(jù)獲取與方法

1.1 研究區(qū)概況

研究區(qū)位于北緯40°14′—40°47′、東經(jīng)115 °58′—116 °50′之間，覆蓋昌平區(qū)北部、延慶縣東北部、懷柔區(qū)中南部以及密云縣西部共2617.44 km2的范圍(圖1 )。山區(qū)氣候?qū)贉貛О霛駶?rùn)大陸性季風(fēng)氣候，溫度和降水隨海拔變化明顯，年均溫度在2—11 ℃左右，年均降水450—660 mm。土壤以褐土為主，其次是山地棕壤和山地草甸土。植被以櫟屬(Quercus)、椴屬(Tilia)、白蠟樹屬(Fraxinus)、槭屬(Acer)、楊屬(Populus)等次生落葉闊葉林，以及油松(Pinustabulaeformis)、側(cè)柏(Biotaorientalis)等溫性針葉林為主；灌叢以荊條(Vitexnegundo)、三椏繡線菊(Spiraeatrilobata)、螞蚱腿子(Myripnoisdioica)和大花溲疏(Deutziagrandiflora)等為主，常為多優(yōu)勢(shì)種混生分布，典型的有荊條+酸棗灌叢、荊條+山杏+三椏繡線菊灌叢、荊條+山杏+平榛灌叢、荊條+三椏繡線菊+螞蚱腿子灌叢等。

1.2 數(shù)據(jù)獲取

1.2.1 遙感影像數(shù)據(jù)

研究采用的遙感影像數(shù)據(jù)是2012年8月獲取的HJ- 1A衛(wèi)星CCD(Charge-coupled Device，電荷耦合元件)多光譜影像以及同時(shí)期的資源三號(hào)衛(wèi)星影像。HJ- 1A衛(wèi)星CCD相機(jī)星下點(diǎn)空間分辨率為30 m，掃描幅寬360 km(單臺(tái))，光譜范圍覆蓋包括藍(lán)色波段(0.43 —0.52 μm)、綠色波段(0.52—0.60 μm)、紅色波段(0.63—0.69 μm)以及近紅外波段(0.76—0.90 μm)。研究表明HJ衛(wèi)星CCD多光譜數(shù)據(jù)可以滿足植被指數(shù)提取和相關(guān)研究的要求[12- 13]。資源三號(hào)衛(wèi)星影像包括分辨率為2.1 m的正視全色數(shù)據(jù)，分辨率為3.5 m的前視、后視全色數(shù)據(jù)以及分辨率為5.8 m的正視多光譜數(shù)據(jù)。資源三號(hào)測(cè)繪衛(wèi)星圖像分辨率高、圖像幾何精度和定位精度較高，具有1∶50000比例尺立體測(cè)圖能力。

圖1 研究區(qū)位置示意圖Fig.1 Location of study area schematic plot

1.2.2 樣點(diǎn)布設(shè)及地面實(shí)測(cè)數(shù)據(jù)

野外實(shí)地生物量采集于2012年8月進(jìn)行，屬于全國(guó)生態(tài)環(huán)境十年變化(2000—2010年)遙感調(diào)查與評(píng)估項(xiàng)目的一部分工作。2012年6月開展的全國(guó)生態(tài)環(huán)境十年變化(2000—2010年)遙感調(diào)查與評(píng)估工作持續(xù)近3個(gè)月，實(shí)際核查點(diǎn)1206個(gè)(圖2中列出了研究區(qū)內(nèi)的部分)，采集生物量樣本超過240個(gè)，覆蓋北京市全境，主要集中在北部山區(qū)。核查內(nèi)容包括覆蓋類型、覆蓋度、優(yōu)勢(shì)種群、植被功能、周圍環(huán)境描述，并進(jìn)行拍照；如果是山區(qū)則增加坡度、坡向、海拔、土壤類型、土壤厚度、基巖等地質(zhì)描述。野外核查過程中記錄GPS行經(jīng)路線，無法到達(dá)的地方通過同時(shí)期的高分衛(wèi)星影像如Quickbird、Worldview- 2等進(jìn)行估計(jì)。

圖2 野外實(shí)地采樣樣地分布Fig.2 The distribution of sample districts

野外實(shí)地生物量采集數(shù)據(jù)用于生物量反演模型的擬合及模型預(yù)測(cè)精度的檢驗(yàn)。根據(jù)灌叢分布的區(qū)域特征及灌叢分布范圍的大小，綜合考慮海拔分布特點(diǎn)按照不同灌叢類型進(jìn)行樣方的設(shè)定，樣區(qū)分布見圖2。在海拔200 m到1500 m范圍內(nèi)，選定荊條+酸棗灌叢樣地11個(gè)，荊條+三椏繡線菊叢樣地9個(gè)，荊條+山杏灌叢樣地10個(gè)，共布設(shè)30個(gè)100 m×100 m的樣地。每個(gè)樣地內(nèi)布設(shè)3個(gè)30 m×30 m的樣區(qū)，每個(gè)樣區(qū)內(nèi)布設(shè)3個(gè)10 m×10 m的小樣方進(jìn)行生物量采集，以保證每個(gè)樣區(qū)對(duì)應(yīng)遙感影像的一個(gè)像元大小(圖2c)。由于野外地形因素和天氣條件的限制，研究區(qū)內(nèi)最終實(shí)際布設(shè)樣區(qū)60個(gè)，得到有效數(shù)據(jù)48組。

在每個(gè)樣方區(qū)域內(nèi)統(tǒng)計(jì)優(yōu)勢(shì)物種、株叢數(shù)目，剪取一株叢的冠層枝葉混合承重，并做記錄，記錄內(nèi)容包括樣方編號(hào)、樣區(qū)中心點(diǎn)GPS坐標(biāo)、樣方中心點(diǎn)GPS坐標(biāo)、優(yōu)勢(shì)灌木種、株叢數(shù)目、采樣鮮重、樣方株叢數(shù)、株高、多度、葉面積指數(shù)(LAI)等，并拍攝魚眼照片。然后將每個(gè)樣區(qū)內(nèi)所有樣方采集的樣本混合，取100 g放入自封袋中并標(biāo)記樣區(qū)號(hào)，帶回實(shí)驗(yàn)室恒溫烘干并記錄凈重，計(jì)算出含水率μi。最后根據(jù)公式(1)將采樣鮮重?fù)Q算為干重，并記錄。最終記錄結(jié)果為樣區(qū)內(nèi)干生物量單位面積均值，單位為g/m2。

i=1,2,…,48;j=1,2,3

(1)

式中，wij為第i個(gè)樣區(qū)第j個(gè)樣方的采樣鮮重，nij為第i個(gè)樣區(qū)第j個(gè)樣方內(nèi)的株叢數(shù)，μi為第i個(gè)樣區(qū)的植被含水率，Wi為該樣區(qū)單位面積植被生物量干重。

所有樣區(qū)最終的記錄數(shù)據(jù)分別按照試驗(yàn)用途和灌叢類型進(jìn)行分組。采用分層抽樣方法，最終選取其中36組數(shù)據(jù)用于擬合生物量模型，其余12組數(shù)據(jù)用于模型預(yù)測(cè)精度的檢驗(yàn)。

1.2.3 其他數(shù)據(jù)

研究準(zhǔn)備的其他數(shù)據(jù)包括：2006年北京地區(qū)植被分類圖，2010年北京地區(qū)植被分布圖，2012年北京市植被分布圖及植被資源規(guī)劃資料以及2012年北京部分山區(qū)高分辨率衛(wèi)星影像。需要說明的是，2010年和2012年的植被分布圖是粗略的紙質(zhì)圖樣，精度及分辨率有待考證，只用作分類時(shí)的參考數(shù)據(jù)。在進(jìn)行研究區(qū)灌叢提取時(shí)主要基于2006年北京地區(qū)植被分類圖和野外調(diào)查結(jié)果作為樣本選取的依據(jù)。

1.3 數(shù)據(jù)處理方法及流程

1.3.1 遙感影像數(shù)據(jù)處理

本次研究的遙感影像數(shù)據(jù)處理包括遙感影像預(yù)處理及植被指數(shù)提取、DEM系列數(shù)據(jù)提取3個(gè)部分。首先根據(jù)絕對(duì)輻射定標(biāo)參數(shù)對(duì)分別對(duì)環(huán)境衛(wèi)星遙感影像和資源三號(hào)衛(wèi)星遙感影像進(jìn)行輻射定標(biāo)，將各波段像元亮度值(DN)值轉(zhuǎn)為表觀輻射亮度；鑒于影像獲取時(shí)研究區(qū)上空晴朗無云，采用(FLAASH)大氣校正模塊對(duì)影像進(jìn)行大氣校正，得到反射率圖像；然后結(jié)合1∶50000地形圖和采樣點(diǎn)(作為地面控制點(diǎn))對(duì)影像進(jìn)行正射校正，誤差控制在0.5個(gè)像元以內(nèi)；之后對(duì)影像進(jìn)行裁剪，得到研究區(qū)影像。最后利用資源三號(hào)衛(wèi)星前、后視全色波段影像提取得到10 m精度的DEM數(shù)據(jù)，并生成坡度坡向和山體陰影數(shù)據(jù)，用于面向?qū)ο蠓诸愄崛∏G條及其伴生灌叢分布。

遙感影像上的植被信息，主要是通過綠色植物葉片和植被冠層的光譜特性及其變化差異反映的。不同光譜波段所獲得的植被信息與植被的不同要素或某種特征狀態(tài)有各種不同的相關(guān)性。因此，在建立遙感生物量方程時(shí)，選定適合該區(qū)域該季節(jié)的遙感指示因子就顯得極為重要。考慮到灌叢群落的分布和立體結(jié)構(gòu)的特點(diǎn)，其植被指數(shù)易受到土壤背景的影響，研究選取10種植被指數(shù)(表1)進(jìn)行反演模型的擬合。

1.2.5 荊條灌叢分布提取

荊條灌叢分布的提取基于2006年北京市植被分類圖和野外調(diào)查結(jié)果。將植被分類圖中除灌木之外的類型全部剔除；然后基于資源三號(hào)衛(wèi)星前后視全色波段影像提取得到10 m精度DEM數(shù)據(jù)，進(jìn)而分別提取得到10 m精度坡度、坡向數(shù)據(jù)以及山體陰影數(shù)據(jù)；根據(jù)地理上對(duì)陽坡陰坡的劃分，陽坡一般為南、西南、西、西北，據(jù)此利用DEM和坡度、坡向數(shù)據(jù)，通過山體陰影數(shù)據(jù)及通視分析方法，將灌叢分布劃分為若干子區(qū)域；結(jié)合研究區(qū)的地理分布特征和野外生態(tài)調(diào)查結(jié)果，綜合3個(gè)方面的數(shù)據(jù)采用面向?qū)ο蠓诸惙椒ㄌ崛〉玫焦鄥卜植紖^(qū)域，通過設(shè)置閾值范圍和對(duì)象特征參數(shù)，成功地剔除了陰影、溝谷、純陰坡、以及梯田果林等干擾因素，得到2012年8月研究區(qū)荊條灌叢及其伴生灌叢分布結(jié)果(圖3)。

表1 本研究中用到的植被光譜指數(shù)

圖3 北京山區(qū)灌木群落分布Fig.3 The distribution of shrub in Beijing mountainous area

1.2.6 雙線性內(nèi)插提取采樣點(diǎn)參數(shù)

植被指數(shù)圖像中，一個(gè)混合像元的值代表一個(gè)樣區(qū)內(nèi)(30 m×30 m)混合植被指數(shù)值。由于采樣點(diǎn)數(shù)據(jù)是矢量結(jié)構(gòu)，各樣本點(diǎn)植被指數(shù)值取其所在植被指數(shù)圖像上對(duì)應(yīng)像元值進(jìn)行雙線性內(nèi)插的結(jié)果。配合生物量采集以30 m×30 m為統(tǒng)計(jì)單元，以保證反演結(jié)果的可靠性。如圖2c樣方區(qū)域中心點(diǎn)取值采用雙線性插值算法得到。

雙線型內(nèi)插值算法充分利用了源圖中虛擬點(diǎn)四周的4個(gè)真實(shí)存在的像素值來共同決定目標(biāo)圖中的一個(gè)像素值(圖4)，其算法描述如下：

對(duì)于一個(gè)目的像素，設(shè)置坐標(biāo)通過反向變換得到的浮點(diǎn)坐標(biāo)為(i+u，j+v) (其中i、j均為浮點(diǎn)坐標(biāo)的整數(shù)部分，u、v為浮點(diǎn)坐標(biāo)的小數(shù)部分，是取值[0，1)區(qū)間的浮點(diǎn)數(shù))，則這個(gè)像素的值f(i+u，j+v) 可由原圖像中坐標(biāo)為 (i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)所對(duì)應(yīng)的周圍4個(gè)像素的值決定，即：

f(i+u,j+v)=(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1)

(2)

式中，f(i，j)表示源圖像(i，j)處的的像素值，以此類推。

圖4 雙線性內(nèi)插算法示意圖Fig.4 Schematic plot of bilinear interpolation

1.4 回歸模型及精度評(píng)價(jià)

采用回歸擬合方法估算生物量，將單一植被指數(shù)作為自變量采用最小二乘擬合的方法得到一個(gè)線性或者非線性方程的方法已被廣泛應(yīng)用[24- 26]。此外，研究表明，處于生長(zhǎng)狀態(tài)的植被干生物量與多種植被指數(shù)存在相關(guān)關(guān)系[27- 29]。綜合考慮多種植被指數(shù)最優(yōu)組合來預(yù)測(cè)或者估算生物量，更具有實(shí)際意義。

回歸分析是研究一個(gè)變量(被解釋變量)關(guān)于另

一個(gè)(些)變量(解釋變量)的具體依賴關(guān)系的計(jì)算方法和理論。研究選取多元線性模型(公式3)，將灌叢冠層生物量抽象為一種現(xiàn)象，將各種植被指數(shù)抽象為多個(gè)不同影響因子，并嘗試采用回歸模型來解釋它們的定量關(guān)系。

其中，作為輸入變量植被指數(shù)的篩選是多元線性模型建立的關(guān)鍵。其遵循的準(zhǔn)則為：(1)所選用植被指數(shù)與生物量呈密切相關(guān)性；(2)所選用植被指數(shù)之間具有一定的互斥性，其相互間相關(guān)程度不應(yīng)高于與生物量之間的相關(guān)程度；(3)生物量實(shí)地采樣值具有完整的統(tǒng)計(jì)數(shù)據(jù)，其預(yù)測(cè)值容易確定。

Y=b0+b1x1+b2x2+···+bkxk+ε

(3)

式中，b0，b1，b2，…，bk為k+1個(gè)待定參數(shù)，ε為隨機(jī)誤差。

灌木群落葉生物量反演模型擬合結(jié)果精度評(píng)價(jià)指標(biāo)選用相關(guān)系數(shù)法。相關(guān)系數(shù)法包括求解相關(guān)系數(shù)(預(yù)測(cè)決定系數(shù))r、精度(或系統(tǒng)誤差)SE及均方根誤差RMSE等。

1.5 技術(shù)流程

研究采取的主要技術(shù)流程見圖5，主要包括5個(gè)部分：荊條灌叢分布提?。贿b感數(shù)據(jù)預(yù)處理及植被光譜指數(shù)提?。坏孛娌蓸訑?shù)據(jù)的處理；模型擬合及精度評(píng)價(jià)；荊條灌叢冠層生物量分布制圖。

2 結(jié)果及討論

2.1 生物量反演

研究采用回歸分析方法，利用(3)式對(duì)北京山區(qū)灌木群落葉生物量進(jìn)行擬合，在要求誤差平方和(∑(εi)2)為最小的前提下，用最小二乘法求解參數(shù)。經(jīng)正態(tài)分布檢驗(yàn)，因數(shù)據(jù)不服從正態(tài)分布，故相關(guān)分析時(shí)采用Kendall相關(guān)系數(shù)，將10組植被指數(shù)數(shù)據(jù)與生物量實(shí)測(cè)結(jié)果進(jìn)行相關(guān)分析及篩選。結(jié)果表明NDVI、OSAVI、MTVI2、GNDVI、NLI、MSAVI、RDVI以及IPVI與灌叢冠層生物量具有顯著相關(guān)關(guān)系，TVI和MSR數(shù)據(jù)與生物量相關(guān)關(guān)系不顯著；NDVI與MSAVI、GNDVI、MTVI2、MSR、RDVI、IPVI以及OSAVI有顯著相關(guān)關(guān)系，同時(shí)OSAVI、MSAVI與其他植被指數(shù)之間也存在顯著相關(guān)關(guān)系(表3 )。

圖5 整體技術(shù)流程Fig.5 Total technique flowcharts

NDVIMSAVIGNDVIMTVI2MSRRDVIIPVIOSAVINLITVI生物量BiomassNDVI1．0000．650?0．876??0．855??0．651?0．735?0．894??0．915??0．4020．1450．791?MSAVI1．0000．612?0．5400．871??0．6060．955??0．866??0．695?0．1970．782?GNDVI1．0000．5000．798?0．730?0．826??0．877??0．807?0．640?0．763?MTVI21．0000．756?0．4080．835??0．796?0．3500．4180．826??MSR1．0000．703?0．609?0．965??0．628?0．4980．699?RDVI1．0000．655?0．738?0．715?0．4510．825??IPVI1．0000．947??0．605?0．5000．817??OSAVI1．0000．699?0．5030．810??NLI1．0000．5110．753?TVI1．0000．664?生物量Biomass1．000

*表示在α=0.05下顯著 Correlation is significant at the 0.05 level; **表示在α=0.01下顯著 Correlation is significant at the 0.01 level

前文提到，多元回歸模型建立必須遵循4條準(zhǔn)則。綜合表3中的分析結(jié)果，為保證樣本變量相互獨(dú)立且低相關(guān)，剔除與其他植被指數(shù)普遍存在相關(guān)關(guān)系的NDVI、OSAVI和MSAVI，選取TVI、MTVI2、GNDVI、NLI、MSR、RDVI以及IPVI7種植被指數(shù)進(jìn)行回歸擬合建立生物量模型，得到擬合結(jié)果見(4)式。從表4中模型的各項(xiàng)評(píng)價(jià)指標(biāo)來看，決定系數(shù)R2為0.856，標(biāo)準(zhǔn)誤差SE達(dá)到58.5 g/m2，顯著性Sig.為顯著水平，說明擬合模型具有良好的魯棒性，可以較好地表達(dá)植被指數(shù)與灌木群落葉生物量的定量關(guān)系。Y=-104253.387-85482.063GNDVI+377776.959IPVI+7694.928MSR-114067.876MTVI2-48852.631NLI-9672.167RDVI+8054.238TVI

(4)

表4 模型匯總及ANOVA*

*ANOVA: 方差分析(Analysis of Variance)，又稱“變異數(shù)分析”或“F檢驗(yàn)” ;**表示在α=0.01下顯著

2.2 預(yù)測(cè)精度檢驗(yàn)及生物量空間分布制圖

根據(jù)得到的最優(yōu)擬合模型建模進(jìn)行灌木群落冠層生物量反演，得到北京山區(qū)灌木群落冠層生物量結(jié)果。提取12組采樣點(diǎn)植被指數(shù)數(shù)據(jù)，并結(jié)合12組樣本點(diǎn)實(shí)地采樣數(shù)據(jù)進(jìn)行反演模型預(yù)測(cè)精度檢驗(yàn)。從圖6中可以看出，總體樣本點(diǎn)分布均落在1∶1等值線附近，擬合Y=X等值線的平均剩余殘差平方和Chi2/Dof為8905.97808，R2為0.865，其中一次項(xiàng)系數(shù)P1誤差為±0.10105，常數(shù)項(xiàng)P2誤差為±89.13644，反演結(jié)果與實(shí)測(cè)值標(biāo)準(zhǔn)誤差SE為98.1 g/m2。此外，估算生物量數(shù)據(jù)點(diǎn)呈現(xiàn)一定程度的離散，在高值和低值區(qū)域出現(xiàn)了一定的偏離?？傮w上來說，研究得到的多元線性模型對(duì)研究區(qū)荊條灌叢冠層生物量反演結(jié)果具有較好的預(yù)測(cè)能力。根據(jù)得到的反演模型對(duì)研究區(qū)灌木群落冠層生物量進(jìn)行預(yù)測(cè)估算，得到2012年8月研究區(qū)荊條灌叢冠層生物量空間分布見圖7。

圖6 實(shí)際生物量與預(yù)測(cè)結(jié)果對(duì)比Fig.6 Comparison between predicted and actual leaf biomass

圖7中冠層生物量分布規(guī)律與實(shí)際的灌叢群落分布具有相似的特征，總體呈中心向四周遞減的分布規(guī)律。研究區(qū)中部位于懷柔密云交界一帶，多為森林公園或風(fēng)景名勝區(qū)且海拔較高，日照充足，因而灌叢生長(zhǎng)茂盛，株高較高，荊條、酸棗等灌叢株高達(dá)到1.8 m，山杏、鵝耳櫪等株高可達(dá)2.5 m以上。同時(shí)，冠層具有多層結(jié)構(gòu)，密度及覆蓋度較大。研究區(qū)東部位于密云水庫西側(cè)，受到密云水庫的影響，多草本植物以及喬木分布，灌叢優(yōu)勢(shì)不明顯，分布較為稀疏加之草本植物的的混生使此處區(qū)域的生物量反演結(jié)果偏大。昌平北部的山區(qū)海拔較低，灌叢主要以荊條、三椏繡線菊、酸棗以及野瑞香、螞蚱腿子為主，植株矮小且株叢分布較為稀疏。特別是東北部，由于海拔較低，受人類活動(dòng)影響較大，植被破壞嚴(yán)重，地表較多土壤裸露。研究區(qū)西北部區(qū)域位于延慶縣東北部，平均海拔500 m以上，多陽坡半陽坡，日照充足且水資源豐富，適宜植被生長(zhǎng)，灌叢以荊條、山杏、酸棗、平榛、三椏繡線菊等為主，株叢密度較高，在低山地區(qū)廣有分布。

圖7 2012年8月北京山區(qū)灌木群落葉生物量分布結(jié)果Fig.7 Spatial distribution of shrub leaf biomass in Beijing mountainous area

2.3 討論

通過對(duì)比分析10種植被指數(shù)與生物量的相關(guān)關(guān)系，表明在植被冠層密度適中的情況下， NDVI等比值型差值植被指數(shù)可以有效地預(yù)測(cè)地表植被覆蓋特征；但植被冠層過于稀疏時(shí)，背景信號(hào)(如土壤、裸巖等)會(huì)嚴(yán)重后果影響植被指數(shù)計(jì)算結(jié)果；而當(dāng)植被冠層過于濃密，植被指數(shù)值又會(huì)趨于飽和，這是因?yàn)楫?dāng)植被冠層變得濃密時(shí)，綠光和紅光波段的反射率變化不大，而近紅外波段的反射率會(huì)持續(xù)增加[30]。20世紀(jì)末，國(guó)外學(xué)者基于NDVI提出了土壤調(diào)節(jié)植被指數(shù)(SAVI&OSAVI)用以減小土壤背景影響，但前提是必須得知植被冠層密度。而在實(shí)際條件下，很難預(yù)先得知植被冠層密度，因此難以對(duì)其進(jìn)行優(yōu)化。研究表明，相對(duì)于其他植被指數(shù)而言，TVI和MTVI2等修正型植被指數(shù)具有較高的信噪比(SNR, Signal-to-Noise Ratio)，增強(qiáng)了植被動(dòng)態(tài)響應(yīng)能力，并且可以明顯弱化土壤背景的影響。

由于灌木群落分布不連續(xù)、不均勻的特點(diǎn)，加之特殊的立體結(jié)構(gòu)特征，在遙感影像中混合像元容易受到土壤背景的影響。由于灌木群落耐寒旱能力強(qiáng)，在海拔較高土壤貧瘠的地區(qū)也有分布，在此區(qū)域的灌木群落葉片的反射率極易受到土壤和巖石背景的影響。因此利用植被光譜指數(shù)進(jìn)行灌木群落葉生物量反演，NDVI以及GNDVI等植被指數(shù)由于受到土壤背景的干擾，與生物量的相關(guān)關(guān)系不是很明顯；而IPVI、RDVI和MTVI2在一定程度上削弱了土壤背景的影響。總體看來，由于部分地區(qū)巖石裸露，削弱了植被的響應(yīng)能力，致使植被指數(shù)值偏低，造成局部值偏低；而由于灌木群落株叢枝葉立體分布的影響，部分地區(qū)實(shí)際采樣值偏大，造成部分地區(qū)估測(cè)值偏高。

3 結(jié)論

灌木群落對(duì)生態(tài)環(huán)境構(gòu)成和能量循環(huán)具有重要影響，研究基于環(huán)境衛(wèi)星數(shù)據(jù)和野外實(shí)地采樣統(tǒng)計(jì)數(shù)據(jù)，利用回歸分析模型來描述植被光譜指數(shù)與荊條灌叢冠層生物量的定量關(guān)系，估算了2012年8月北京山區(qū)灌木群落葉生物量空間分布，結(jié)論如下：

(1)MTVI2、RDVI、IPVI以及OSAVI與研究區(qū)灌木群落葉生物量具有較好的相關(guān)關(guān)系，相關(guān)系數(shù)分別為0.826、0.825、0.817和0.810，表明三者不僅增強(qiáng)了對(duì)山地植被的響應(yīng)能力，而且明顯削弱環(huán)境背景的影響。

(2)由TVI、MTVI2、GNDVI、NLI、MSR、RDVI以及IPVI 7個(gè)參數(shù)擬合的多元線性模型具有較好的精度和預(yù)測(cè)能力，能夠較好地用于估算荊條灌叢冠層生物量。其模型顯著性為顯著(α<0.01)，模型決定系數(shù)為0.856，標(biāo)準(zhǔn)誤差為58.5 g/m2。

(3)生物量回歸模型的局限性在于其受制于特殊的時(shí)間和環(huán)境條件，以及野外采樣的季節(jié)。在不同的季節(jié)、不同地域條件下，得到的模型有明顯的區(qū)別。經(jīng)過選取不同樣本組合進(jìn)行試驗(yàn)，本文提出的多元線性模型估算生物量結(jié)果與實(shí)際野外采樣數(shù)據(jù)各項(xiàng)評(píng)價(jià)指標(biāo)變化不大，表明在一定時(shí)間和地域條件下，提出的方法具有一定的可重復(fù)性。

致謝：此次野外數(shù)據(jù)采樣方案制定及實(shí)施得到北京市環(huán)保局環(huán)境檢測(cè)中心、二十一世紀(jì)空間技術(shù)應(yīng)用股份有限公司以及重點(diǎn)實(shí)驗(yàn)室各位同學(xué)的幫助，衛(wèi)星數(shù)據(jù)和相關(guān)參數(shù)的獲取得到國(guó)家測(cè)繪地理信息局衛(wèi)星測(cè)繪應(yīng)用中心以及中國(guó)資源衛(wèi)星應(yīng)用中心的大力支持，特此致謝。

[1] Tian X, Su Z B, Chen E X, Li Z Y, van der Tol C, Guo J P, He Q S. Reprint of: Estimation of forest above-ground biomass using multi-parameter remote sensing data over a cold and arid area. International Journal of Applied Earth Observation and Geoinformation, 2012, 17: 102- 110.

[2] Claverie M, Demarez V, Duchemin B, Hagolle O, Ducrot D, Marais-Sicre C, Dejoux J F, Huc M, Keravec P, Béziat P, Fieuzal R, Ceschia E, Dedieu G. Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data. Remote Sensing of Environment, 2012, 124: 844- 857.

[3] Bénié G B, Kaboré S S, Go?ta K, Courel M F. Remote sensing-based spatio-temporal modeling to predict biomass in Sahelian grazing ecosystem. Ecological Modelling, 2005, 184(2/4): 341- 354.

[4] Gao M L, Zhao W J, Gong Z N, He X H. The study of vegetation biomass inversion based on the HJ satellite data in Yellow River wetland. Acta Ecologica Sinica, 2013, 33(2): 542- 553.

[5] Du N, Zhang X R, Wang W, Chen H, Tan X F, Wang R Q, Guo W H. Foliar phenotypic plasticity of a warm-temperate shrub, Vitex negundo var. Heterophylla, to different light environments in the field. Acta Ecologica Sinica, 2011, 31(20): 6049- 6059.

[6] Yin Z F, Ouyang H, Xu X L, Song M H, Duan D Y, Zhang X Z. Water and heat balance and water use of shrub grassland and crop fields in Lhasa River Valley. Acta Geographica Sinica, 2009, 64(3): 303- 314.

[7] Du J H, Yan P, Dong Y X. The progress and prospects of Nebkhas in arid areas. Acta Geographica Sinica, 2010, 65(3): 339- 350.

[8] Yuan S F, Chen Y N, Li W H, Liu J Z, Meng L H, Zhang L H. Analysis of the aboveground biomass and spatial distribution of shrubs in the lower reaches of Tarim River, Xinjiang, China. Acta Ecologica Sinica, 2006, 26(6): 1818- 1824.

[9] Li Y Q, Zheng S W, Gong G T, Chen J H, Tang B, Zhu Z F, Wu X X, Mu C L. Biomass and its allocation of undergrowth Vitex negundo L. in different age classes of mixed cypress forest. Acta Ecologica Sinica, 2010, 30(11): 2809- 2818.

[10] Selkowitz D J. A comparison of multi-spectral, multi-angular, and multi-temporal remote sensing datasets for fractional shrub canopy mapping in Arctic Alaska. Remote Sensing of Environment, 2010, 114(7): 1338- 1352.

[11] Estornell J, Ruiz L A, Velázquez-Martí B, Hermosilla T. Estimation of biomass and volume of shrub vegetation using LiDAR and spectral data in a Mediterranean environment. Biomass and Bioenergy, 2012, 46: 710- 721.

[12] Chen P F, Wang J L, Liao X Y, Yin F, Chen B R, Liu R. Using data of HJ-1A/B satellite for Hulunbeier Grassland aboveground biomass estimation. Journal of Natural Resources, 2010, 25(7): 1122- 1131.

[13] Guo Z F, Chi H, Sun G Q. Estimating forest aboveground biomass using HJ- 1 Satellite CCD and ICESat GLAS waveform data. Science China: Earth Sciences, 2010, 53(S1): 16- 25.

[14] Deering D W, Haas R H, Rouse J W, Schell J A. Monitoring the Vernal Advancement of Retrogradation of Natural Vegetation. NASA/GSFC, Type Ⅲ, Final Report. Greenbelt, 1974.

[15] Qi J, Chehbouni A, Huete A R, Kerr Y H, Sorooshian S. A modified soil adjusted vegetation index. Remote Sensing of Environment, 1994, 48(2): 119- 126.

[16] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, 58(3): 289- 298.

[17] Haboudane D, Miller J R, Pattey E, Zarco-Tejada P J, Strachan I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 2004, 90(3): 337- 352.

[18] Chen J. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing, 1996, 22: 229- 242.

[19] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 1995, 51(3): 375- 384.

[20] Crippen R E. Calculating the vegetation index faster. Remote Sensing of Environment, 1990, 34(1): 71- 73.

[21] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 1996, 55(2): 95- 107.

[22] Goel N S, Qin W H. Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR: a computer simulation. Remote Sensing Reviews, 1994, 10(4): 309- 347.

[23] Broge N H, Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sensing of Environment, 2000, 76(2): 156- 172.

[24] Li R D, Liu J Y. An estimation of wetland vegetation biomass in the Poyang Lake using Landsat ETM Data. Acta Geographica Sinica, 2001, 56(5): 532- 540.

[25] Wu T, Zhao D Z, Kang J C, Zhang F S, Cheng L. Suaeda salsa dynamic remote monitoring and biomass remote sensing inversion in Shuangtaizi River estuary. Ecology and Environmental Sciences, 2011, 20(1): 24- 29.

[26] Barati S, Rayegani B, Saati M, Sharifi A, Nasri M. Comparison the accuracies of different spectral indices for estimation of vegetation cover fraction in sparse vegetated areas. The Egyptian Journal of Remote Sensing and Space Science, 2011, 14(1): 49- 56.

[27] Li X, Yeh A, Liu K, Wang S G. Inventory of mangrove wetlands in the Pearl River Estuary of China using remote sensing. Journal of Geographical Sciences, 2006, 16(2): 155- 164.

[28] Yang X C, Xu B, Jin Y X, Li J Y, Zhu X H. On grass yield remote sensing estimation models of China′s northern farming-pastoral Ecotone // Proceedings of 2012 International Conference on Environment Science (ICES 2012). Heidelberg: Springer, 2012: 281- 291.

[29] Guo Y C, He Y, Li X. Remote sensing inversion of vegetation coverage and optimization of vegetation index based on MODIS data in arid area. Remote Sensing for Land and Resources, 2011, (2): 115- 118.

[30] Liang S L. Quantitative Remote Sensing of Land Surfaces. New York: John Wiley & Sons, Inc, 2004.

參考文獻(xiàn):

[4] 高明亮, 趙文吉, 宮兆寧, 赫曉慧. 基于環(huán)境衛(wèi)星數(shù)據(jù)的黃河濕地植被生物量反演研究. 生態(tài)學(xué)報(bào), 2013, 33(2): 542- 553.

[5] 杜寧, 張秀茹, 王煒, 陳華, 譚向峰, 王仁卿, 郭衛(wèi)華. 荊條葉性狀對(duì)野外不同光環(huán)境的表型可塑性. 生態(tài)學(xué)報(bào), 2011, 31(20): 6049- 6059.

[6] 尹志芳, 歐陽華, 徐興良, 宋明華, 段德玉, 張憲洲. 拉薩河谷灌叢草原與農(nóng)田水熱平衡及植被水分利用特征. 地理學(xué)報(bào), 2009, 64(3): 303- 314.

[7] 杜建會(huì), 嚴(yán)平, 董玉祥. 干旱地區(qū)灌叢沙堆研究現(xiàn)狀與展望. 地理學(xué)報(bào), 2010, 65(3): 339- 350.

[8] 袁素芬, 陳亞寧, 李衛(wèi)紅, 劉加珍, 孟麗紅, 張麗華. 新疆塔里木河下游灌叢地上生物量及其空間分布. 生態(tài)學(xué)報(bào), 2006, 26(6): 1818- 1824.

[9] 黎燕瓊, 鄭紹偉, 龔固堂, 陳俊華, 唐波, 朱自芳, 吳雪仙, 慕長(zhǎng)龍. 不同年齡柏木混交林下主要灌木黃荊生物量及分配格局. 生態(tài)學(xué)報(bào), 2010, 30(11): 2809- 2818.

[12] 陳鵬飛, 王卷樂, 廖秀英, 尹芳, 陳寶瑞, 劉睿. 基于環(huán)境減災(zāi)衛(wèi)星遙感數(shù)據(jù)的呼倫貝爾草地地上生物量反演研究. 自然資源學(xué)報(bào), 2010, 25(7): 1122- 1131.

[24] 李仁東, 劉紀(jì)遠(yuǎn). 應(yīng)用Landsat ETM數(shù)據(jù)估算鄱陽湖濕生植被生物量. 地理學(xué)報(bào), 2001, 56(5): 532- 540.

[25] 吳濤, 趙冬至, 康建成, 張豐收, 程璐. 遼東灣雙臺(tái)子河口濕地翅堿蓬 (Suaedasalsa) 生物量遙感反演研究. 生態(tài)環(huán)境學(xué)報(bào), 2011, 20(1): 24- 29.

[29] 郭玉川, 何英, 李霞. 基于MODIS的干旱區(qū)植被覆蓋度反演及植被指數(shù)優(yōu)選. 國(guó)土資源遙感, 2011, (2): 115- 118.

The study ofVitexnegundoshrubs canopy biomass inversion in Beijing Jundu mountainous area based on vegetation indices

GAO Mingliang1, GONG Zhaoning1,*, ZHAO Wenji1, GAO Yang1, HU Dong2

1KeyLaboratoryof3DInformationAcquisitionandApplicationofMinistryofEducation,Beijing100048,China2KeyLaboratoryofResourcesEnvironmentandGISofBeijingMunicipal,Beijing100048,China

Biomass is an important indicator of ecosystem productivity, and it has a crucial influence on the formation and development of ecosystem structure. Shrubs are of the crucial component of the ecological system, and they are of great consequence to the ecological environment. In addition, shrubs are precious biological resources in arid and semi-arid region in the mountainous area, and shrubs are considerable associated tree species in the flat terrain area of urban at the same time. Actually, shrubs can grow well under drought and cold, no matter soil is luxuriant or not, dry or wet, that makes them play a major role in water and soil conservation, as well as ecological protection and restoration. Shrubs biomass is an important manifestation of the ecosystem productivity, and it has an enormous impact on the formation and development of the ecological system structure. Also, quantitative estimation of canopy biophysical variables, especially the biomass, is very crucial in different studies such as meteorology, agriculture and ecology. Meanwhile, remote sensing is an important data source to estimate the variables in large areas, and satellite based indices have been used in many researches to estimate biomass, leaf area index, and canopy cover. Today spectral signatures have been popular used in the remote sensing of vegetation variables. However, in areas of sparse vegetation covered, reflection of soil and rock can often greatly affect sensors′ response to the ground vegetation canopy reflection, especially in mountainous areas, that makes separation of vegetation signals difficult. In this paper the authors tried to extract 10 different vegetation indices, respectively based on the HJ satellite data, high accuracy DEM data from ZY-III satellite data to estimateVitexnegundocanopy biomass in the study area in Beijing Jundu Mountain area, combined with field sampling data. A least-squares regression fitting model is presented to express quantitative relationship between vegetation indices andVitexnegundocanopy biomass in the study area in Beijing Jundu Mountain area. The authors obtained a good fitting model through the contrast analysis of the different models. Then using the optimal result model to estimate theVitexnegundocanopy biomass and map the Vitex negundo canopy biomass distributions in the study area. The results show that the multiple linear regression model created in this paper has better retrieval accuracy and predictive capability, with a very significant correlation coefficient of 0.856, and standard error 58.5 g/m2, prediction standard error 98.1 g/m2, and the coefficient of determination was 0.865. However, biomass regression model is subject to the limitation of the season and environmental conditions. In the different seasons, with different geographical conditions, the results are different from one another. With different sample combinations, the proposed model results changed not much, which showed that in a certain time and geographical conditions, method proposed in this paper had a stable of repeatability. Remote sensing and estimation ofVitexnegundocanopy biomass in Beijing mountainous area, provide new ideas to the use of remote sensing technology in shrub community biomass monitoring, and have special meaning in the research into the evolution of ecological environment, as well as energy cycling.

vegetation indices;Vitexnegundoshrubs; biomass; regression analysis; satellite data

國(guó)家青年科學(xué)基金項(xiàng)目(41101404); 國(guó)家基礎(chǔ)測(cè)繪項(xiàng)目(2011A2001 ); 北京市教委科技計(jì)劃面上項(xiàng)目(KM201110028013 ); 博士基金項(xiàng)目(20111102110004)

2013- 04- 17;

2013- 09- 04

10.5846/stxb201304170725

*通訊作者Corresponding author.E-mail: gongzhn@163.com

高明亮，宮兆寧，趙文吉，高陽，胡東.基于植被指數(shù)的北京軍都山荊條灌叢生物量反演研究.生態(tài)學(xué)報(bào),2014,34(5):1178- 1188.

Gao M L, Gong Z N, Zhao W J, Gao Y, Hu D.The study ofVitexnegundoshrubs canopy biomass inversion in Beijing Jundu mountainous area based on vegetation indices.Acta Ecologica Sinica,2014,34(5):1178- 1188.