劉 莉,韓 美,劉玉斌,潘 彬

山東師范大學,地理與環(huán)境學院, 濟南 250014

黃河三角洲自然保護區(qū)濕地植被生物量空間分布及其影響因素

劉 莉,韓 美*,劉玉斌,潘 彬

山東師范大學,地理與環(huán)境學院, 濟南 250014

以黃河三角洲自然保護區(qū)為研究區(qū)域,以野外實測濕地植被地上生物量數(shù)據(jù)、Landsat- 8影像數(shù)據(jù)和土壤各因子檢測數(shù)據(jù)為數(shù)據(jù)源,通過分析各遙感因子與實測植被生物量的相關關系,建立生物量模型,進行生物量的定量反演。通過研究生物量與土壤、水環(huán)境因子的關系,篩選影響生物量的關鍵因子,進而分析生物量的空間分布規(guī)律。結果表明：濕地植被地上生物量的干重與各遙感因子的相關性較高；以NDVI、EVI、MSAVI、DVI、RVI、Band1、Band2、Band3、Band4、Band6共10個因子作為自變量建立的反演模型最優(yōu)；反演計算的生物量干重分為5個等級區(qū),最低的1級區(qū)和最高的5級區(qū)面積較小,為82.23、72.16 km2,分別占研究區(qū)濕地植被總面積的13.35%、11.71%。生物量干重適中的2、3、4級區(qū)所占面積較大,為211.99、136.39、113.29 km2,分別占研究區(qū)濕地植被總面積的34.41%、22.14%、18.39%；在各環(huán)境因子中水深對蘆葦生物量干重影響最大,土壤含水率對堿蓬生物量干重影響最大,水、鹽條件是導致優(yōu)勢種植被生物量干重出現(xiàn)空間分異的主導因素；植被生物量干重呈現(xiàn)由陸向海減小,由黃河河道兩岸向外遞減的趨勢。

黃河三角洲；濕地植被生物量；遙感；反演模型；空間分布

濕地與森林、海洋并稱為全球最具生產力的三大生態(tài)系統(tǒng),雖然與后兩者相比濕地在全球景觀生態(tài)系統(tǒng)中占有較小的比例,但卻起著無可替代的生態(tài)作用,有“地球之腎”、“物種基因庫”之稱。濕地植被生物量是指單位面積內實存生活植被的有機質總量,是衡量植被生產力水平的重要指標,更是描述濕地生態(tài)系統(tǒng)物質循環(huán)和能量流動過程、評價濕地生態(tài)功能價值和濕地生態(tài)系統(tǒng)健康狀況的重要基礎數(shù)據(jù)。

黃河三角洲自然保護區(qū)地處黃河下游入?？谔?是以保護新生濕地生態(tài)系統(tǒng)和珍稀瀕危鳥類為主的濕地類型自然保護區(qū)。保護區(qū)于1992年10月經(jīng)國務院批準建立；1993年,被中國人與生物圈國家委員會批準加入“中國人與生物圈自然保護區(qū)網(wǎng)絡”；1996年,被濕地國際亞太組織批準加入“東亞-澳大利西亞涉禽遷徙保護區(qū)網(wǎng)絡”；2013年,被國際濕地公約秘書處列入“國際重要濕地名錄”[9]。該保護區(qū)處于河、海、陸交互地帶,長期受黃河水沙變化、尾閭擺動及海水入侵、波浪侵蝕等復雜多變因素的交互影響,使其呈現(xiàn)生境類型多樣、空間分異明顯、新生濕地不斷增長、生態(tài)系統(tǒng)脆弱等特點,形成了其特定的植被生物量空間分布規(guī)律,具有極高的科研價值[10]。但過去關于黃河三角洲濕地的研究大多集中在濕地動態(tài)變化[11- 13]、濕地生態(tài)評價[14-18]、濕地生物多樣性調查[19-20]及濕地生態(tài)修復[21-22]等方面。關于濕地植被生物量空間分布與環(huán)境因子關系的研究相對較少[23-24],且多側重于遙感反演模型的構建[25-28],在模型構建中選擇的遙感影像及參數(shù)都不盡相同,反演對象多為單一物種[23-24,27],反演精度尚有待提高[29]。到目前為止尚未見關于黃河三角洲自然保護區(qū)濕地植被生物量空間分布及其與環(huán)境因子關系的相關論文發(fā)表。基于此,本文以野外實測濕地植被地上生物量數(shù)據(jù)、Landsat- 8影像數(shù)據(jù)和土壤各因子檢測數(shù)據(jù)為基礎,通過分析各遙感因子與實測植被生物量之間的關系,構建生物量反演模型,計算濕地植被的地上生物量并生成相應的生物量空間分布圖,分析植被生物量的空間分布規(guī)律,探究其與環(huán)境因子間的相互關系。該研究對于深化濕地形成、演化、發(fā)展研究,更好地監(jiān)控自然保護區(qū)濕地生態(tài)系統(tǒng)的變化,保護新生濕地生態(tài)系統(tǒng)和珍稀瀕危鳥類具有重要的理論和現(xiàn)實意義[30-31]。

1 數(shù)據(jù)獲取與方法

1.1 研究區(qū)域概況

圖1 研究區(qū)位置、范圍及樣點分布圖 Fig.1 Location range and sample distribution map of the study area

黃河三角洲濕地保護區(qū)位于新、老黃河入?？趦蓚?地理坐標為118°32.981′—119°20.450′E,37°34.768′—38°12.310′N,總面積15.3萬hm2,其中核心區(qū)面積59419 hm2,緩沖區(qū)面積11233 hm2,實驗區(qū)面積82348 hm2。整個保護區(qū)分兩部分,分別為1996年到現(xiàn)行黃河入海口部分(即圖1中的北區(qū))和1976到1996年黃河刁口河流路入?？诓糠?圖1中的南區(qū))。

自然保護區(qū)獨特的地理位置使其兼受河、海、陸交互作用,造就了獨特的生態(tài)系統(tǒng)特點,成為研究河口濕地生態(tài)系統(tǒng)形成、演化、發(fā)展規(guī)律的重要基地。其特點表現(xiàn)在：(1)新生性。在黃河徑流泥沙和海洋動力共同作用下,河口尾閭不斷淤積延伸、擺動改道、循環(huán)演變,新生濕地不斷出現(xiàn)；(2)脆弱性。濕地生態(tài)系統(tǒng)發(fā)育層次低,處于物質和能量、結構和功能的非均衡狀態(tài),缺乏自我調節(jié)能力,抵抗外界干擾能力差；(3)重要性。該自然保護區(qū)是東北亞內陸—環(huán)西太平洋和東亞—澳大利西亞兩大鳥類遷徙路線的重要中轉站、越冬地和繁殖地；(4)多樣性。自然保護區(qū)濕地生境類型多樣,有大面積的深水蘆葦、淺灘水塘、岸邊草叢、林地、農田、水產養(yǎng)殖塘、淺海水域、灘涂等,為許多動植物,特別是鳥類提供了適宜的繁殖地。保護區(qū)內物種資源豐富,有淡水浮游植物8門、41科、97屬,291種；海洋浮游植物4門、116種；維管束植物46科、128屬、195種。魚類19目、58科、191種；兩棲動物3科、6種；爬行動物6科,10種；哺乳動物7目、15科、25種；鳥類19目、64科、367種[32]。(5)空間分異性。多樣的生境類型,使?jié)竦刂脖痪哂忻黠@的空間分異性。在靠近黃河河岸的生境中,由于淡水供應充足,土壤鹽分較低,聚集了大量的中生和濕生植被,植被蓋度大。而在靠近海灘的區(qū)域,由于地勢低洼,受海水影響強烈,土壤鹽度較高,僅有少量耐鹽植物存活。以下將通過植被生物量的空間差異來探討濕地植被與環(huán)境因子的關系。

1.2 數(shù)據(jù)獲取

1.2.1 遙感影像數(shù)據(jù)

本文使用的遙感影像為2014年7月20日的Landsat- 8 OLI數(shù)據(jù),OLI陸地成像儀有9個波段,空間分辨率為30米,不僅包括了ETM+傳感器所有的波段而且對原波段進行了調整,新增了兩個波段：第1波段藍色波段(0.433—0.453 μm),用于海岸帶的觀測,第9波段短波紅外波段(1.360—1.390 μm),用于云檢測。同時,OLI第5波段(0.845—0.885 μm)排除了0.825 μm處水汽吸收的影響,第8波段的范圍變窄,植被和非植被在全色圖像上反差加大,能更好的對植被進行識別。鑒于影像具有這些特征,滿足本研究對植被指數(shù)的提取及對影像數(shù)據(jù)的要求。

1.2.2 樣點布設及實驗數(shù)據(jù)

為獲取濕地植被樣方調查數(shù)據(jù)及土壤因子監(jiān)測數(shù)據(jù),課題組于2014年8月、2015年8月進行了實地調查取樣,時值濕地植被生長旺盛的季節(jié),能夠客觀反映植被的生長情況,并與本文所采用的遙感影像基本同期。本次共布設5條樣帶53個有效樣點和樣方,樣帶分別按由海向陸、由黃河河道向其兩側布設(圖1),目的是搞清濕地植被生物量由海向陸、由黃河河道向兩側的變化規(guī)律。草本植物樣方設置為1 m×1 m,在植被分布比較均勻的地方,隨機扔出1 m×1 m的PE膠管,利用手持GPS定位儀記錄樣方中心位置的地理坐標,統(tǒng)計樣方內的植被類型、蓋度、株高、株數(shù)等,然后齊地收割植株地上部分,立即稱其鮮重,取鮮重的1/3裝入密封袋,貼上標簽,帶回實驗室；每個樣點去其表層受人為干擾的土壤,挖取10 cm深度的土壤作為本次研究的土樣,裝入塑料袋內貼上標簽一并帶回實驗室。將帶回的鮮植物放入80℃的恒溫箱中持續(xù)烘8個小時后取出稱重,再次放入烘干箱中連續(xù)烘4小時,取出后稱重,直到前后兩次稱重的誤差小于1%時,確定樣方植被生物量干重。土壤是植物的載體,土壤中的鹽分、養(yǎng)分、水分條件直接影響著植物物種和生物量分布。鑒于此,本研究對野外取回的53個土樣的有機質、氮、磷、水溶性鹽、pH值、土壤含水率進行檢測,檢測方法均嚴格按照國家相關部門發(fā)布的行業(yè)標準進行,有機質執(zhí)行NY/T1121、氮執(zhí)行LY/T1228- 1999、磷執(zhí)行HJ 632- 2011、水溶性鹽執(zhí)行NY/T1121.16- 2006、pH值執(zhí)行NY/T 1377- 2007、土壤含水率執(zhí)行NY/T 52- 1987。需要說明的是土壤含水率本是隨機變化的指標,但考慮到研究區(qū)土壤類型僅潮土和鹽土兩類,受土壤結構影響,一般情況下潮土的含水率總是大于鹽土,所以在本區(qū)該指標具有相對穩(wěn)定性。

1.3 數(shù)據(jù)處理方法及流程

1.3.1 數(shù)據(jù)處理

遙感解譯是研究大區(qū)域植被生物量最先進、快捷的方法。本次采用2014年 7月20日的 Landsat- 8 OLI影像,因研究區(qū)地形平坦,無需地形校正,只進行輻射定標、FLAASH大氣校正和圖像不規(guī)則裁剪等處理,提取的遙感信息為各波段的反射率、各植被指數(shù)。Landsat- 8 OLI遙感影像共有11個波段,其中1—6波段對濕地植被較為敏感,因此選取了1—6波段進行各樣點的反射率提取,并選取差別較大的植被指數(shù)NDVI、EVI、MSAVI、DVI、RVI作為構建反演模型的指標[33],各指標名稱及計算公式[29]見表1。

表1 本文所用植被光譜指數(shù)表

ρNIR:近紅外波段,ρRED:是紅外波段,ρBLUE:藍波段

1.3.2 模型構建

多元線性回歸模型是當兩個或兩個以上自變量與因變量之間是線性關系時所進行的回歸分析[34]。本研究以多種植被指數(shù)作為自變量,植被生物量作為因變量建立多元線性回歸模型。設y為因變量(即本研究的生物量),x1,x2,…,xk為自變量(即本研究的植被指數(shù)),并且自變量與因變量之間為線性關系時,多元線性回歸模型為：

y=b0+b1x1+b2x2+…+bkxk+μ

(1)

式中,b0為常數(shù)項,b1,b2,…,bk為回歸系數(shù),μ為隨機誤差。

1.3.3 相關性分析

相關性分析是研究隨機變量之間相關關系的一種統(tǒng)計方法,相關系數(shù)的大小表示變量之間的相關性強弱[33-34]。本研究利用相關系數(shù)對遙感因子與植被生物量進行分析。計算公式為:

(2)

式中,R為相關系數(shù),xi、yi為自變量與因變量在各樣點的值,n為樣點個數(shù)。

1.3.4 預測吻合度

預測吻合度作為預測精度的一個衡量指標[35],其值越大,對應的預測模型精度越高,可用于檢驗生物量模型的精度,計算公式為：

(3)

1.3.5 平均殘差系數(shù)

平均殘差系數(shù)是預測值與實測值相對誤差系數(shù)的累積之和與觀測次數(shù)的比值[36],能很好的反映實測值與預測值的吻合度,也可用于驗證生物量模型的精度,計算公式為：

(4)

1.3.6 技術路線

主要包括野外采樣、實驗室分析、遙感數(shù)據(jù)預處理、模型構建和濕地生物量反演等部分。其中野外采樣包括土壤樣品采集和地上植被信息采集,經(jīng)過實驗室處理分析,得到植被生物量干重及土壤鹽分、養(yǎng)分、水分數(shù)據(jù)；遙感影像預處理包括輻射定標、大氣校正、幾何校正及影像裁剪,然后提取植被指數(shù)；模型構建過程中先對各遙感因子與植被生物量干重進行相關性分析,之后選取相關性大的遙感因子與43個樣點的植被生物量建立一元線性、一元非線性和多元線性回歸模型,預留10個樣點進行精度檢驗,篩選出最優(yōu)模型對植被生物量進行反演,生成研究區(qū)濕地生物量空間分布圖,總體技術路線見圖2。

圖2 生物量建模流程圖Fig.2 Biomass modeling flowchart

2 生物量反演與精度檢驗

2.1 生物量模型建立

在建立回歸模型之前為提高反演擬合的精度將水域、道路等非植被覆蓋區(qū)做了剔除處理,之后用SPSS進行各遙感因子與植被生物量干重的相關性分析,繪制遙感因子與植被生物量相關系數(shù)圖(圖3),從中選取相關性大的遙感因子與植被生物量建立一元線性、一元非線性、多元線性回歸模型,見表2(一元線性、一元非線性最優(yōu)模型及多元線性較優(yōu)和最優(yōu)模型)。

圖3 遙感因子與植被生物量相關系數(shù)圖 Fig.3 The correlation coefficient of remote sensing factors and vegetation biomass

由表2列出的一元線性、一元非線性最優(yōu)模型及多元線性較優(yōu)和最優(yōu)模型可見,在一元線性回歸模型中,以DVI為自變量建立的模型平均殘差系數(shù)為0.38,預測吻合度達56.58%,模型最優(yōu)；在一元非線性回歸模型中,以DVI為自變量建立的logistic曲線模型平均殘差系數(shù)為0.32,預測吻合度達58.39%,模型最優(yōu)；在多元線性回歸模型中,以NDVI、EVI、MSAVI、DVI、RVI、Band1、Band2、Band3、Band4、Band5作為自變量建立的模型,其平均殘差系數(shù)為0.09,預測吻合度達85.85%,模型精度較高,模型最優(yōu)。一元線性和一元非線性模型是基于單波段或單一植被指數(shù)對生物量進行的反演,但在植被覆蓋度不均勻時其精度和靈敏度會降低,不能真實、準確的反映生物量信息。多元線性回歸模型可將多個波段與多種植被光譜指數(shù)作為反演模型的指標,能在一定程度上提高生物量估算的精度和可靠性[5,37]。將表2中的多元最優(yōu)回歸模型代入ENVI5.1中的BandMath進行計算,生成植被生物量干重空間分布圖并按自然間斷點分類法(NaturalBreaks)劃分等級(表3,圖4，圖5)。 由表3可見,生物量干重最低的1級區(qū)和最高的5級區(qū)面積小,分別為82.23、72.16km2,各占整個濕地植被面積的13.35%、11.71%；較高的2、3、4級區(qū)所占面積較大,為211.99、136.39、113.29km2,占34.41%、22.14%、18.39%；濕地生物量高值區(qū)集中于河道兩側及農田和林地周圍的溝渠中,低值區(qū)多分布于水分條件差,土壤鹽分高的灘涂、荒地區(qū)。通過ArcGIS的分類統(tǒng)計算出整個研究區(qū)濕地植被地上生物量干重約為454916.14t。

2.2 生物量模型精度檢驗

由于一元線性和一元非線性模型精度低,所以僅對上述建立的多元線性回歸模型進行驗證,結合建模時保留的10個樣點,采用預測吻合度與平均殘差系數(shù)作為模型精度檢驗的指標,其中平均殘差系數(shù)越小,預測吻合度越高,表明模型精度越高,預測結果越準確,檢驗結果見表4。

表2 生物量反演模型

式中a=Band1,b=Band2,c=Band3,d= Band4,e= Band5,f= Band6,g=NDVI,h=DVI,i=RVI,j=MSAVI,k=EVI

表3 黃河三角洲自然保護區(qū)濕地不同分級植被生物量干重統(tǒng)計

B：植被生物量干重

表4 生物量MLRM模型精度檢驗

從表4可以看出,生物量MLRM模型的平均殘差系數(shù)為0.09,預測吻合度為85.85%,說明模型精度較高,可用于本研究區(qū)進行生物量反演。

3 生物量分布規(guī)律及其影響因子分析

3.1 濕地植被生物量空間分布規(guī)律

圖4 北部植被生物量干重空間分布圖 Fig.4 The space distribution of north wetland vegetation dry weight

從圖4看出,自然保護區(qū)刁口河入?？诜謪^(qū)植被生物量干重呈現(xiàn)出南多北少,東多西少的分布趨勢。其中北部低值區(qū)分布在近海的淤泥質海灘,南部高值區(qū)分布在遠離海岸的灌叢沼澤和草本沼澤區(qū),東部高值區(qū)分布在生境改善恢復區(qū)內,植被生長受到人類活動影響顯著；西部低值區(qū)多分布在生態(tài)保育區(qū)內,受人類活動影響較小。一千二管理站中的黃河故道,植被生物量干重呈現(xiàn)由河道兩岸向外側遞減的趨勢。

從圖5看出,黃河76a以前入?？趨^(qū)的生物量干重整體上呈現(xiàn)由海向陸增加的趨勢,除了黃河故道兩側為高值區(qū)外,其余大面積為低值區(qū)。1976—1996年的黃河故道和96年后新生河道兩側的植被生物量都比較高,其中前者的植被生物量略高于后者,這與河道流路的早晚有關。綜上,植被生物量干重呈現(xiàn)由黃河河道向兩側、由陸向海遞減的空間分布格局。

3.2 植被生物量空間分布的影響因素

3.2.1 株高對植被生物量的影響

馮忠江[24]等指出,黃河三角洲蘆葦植株高度與水深成正相關,并解釋植被在進行光合作用時為了獲得更多的CO2,不斷的透出水面增長高度,因此可用蘆葦高度的變化反映水深狀況,分析蘆葦高度和蘆葦生物量的相關性能間接反映水深與蘆葦生物量的關系。

圖5 南部植被生物量干重空間分布圖Fig.5 The space distribution of south wetland vegetation dry weight

在SPSS中對蘆葦、堿蓬生物量濕重、干重與植株高度的相關性進行分析,得出蘆葦濕重與植株高度的相關系數(shù)R=0.480,蘆葦干重與植株高度的相關系數(shù)R=0.782,說明蘆葦生物量與植株高度呈中度正相關關系,水深對蘆葦生物量的影響顯著；堿蓬濕重與植株高度的相關系數(shù)R=0.278,堿蓬干重與植株高度的相關系數(shù)R=0.193,說明堿蓬生物量與植株高度呈輕度正相關,線性關系較弱,即堿蓬高度或者說水深對堿蓬生物量的貢獻不是特別明顯。

3.2.2 土壤因子對植被生物量的影響

通過優(yōu)勢種植被蘆葦和堿蓬的生物量干重與土壤各因子的相關性分析,得到如表5所示相關系數(shù)。

表5 蘆葦、堿蓬生物量干重與各土壤因子的相關系數(shù)

從表5可以看出,蘆葦干重與水溶性鹽總量、pH值成負相關,與有機質、氮、磷、含水率成正相關。從相關系數(shù)上看,蘆葦生物量干重與磷的相關性最小,與有機質、氮的相關性次之,與土壤含水率的相關性最大。表明磷對蘆葦生物量干重影響甚微,有機質和氮影響較弱,土壤含水率影響最大。保護區(qū)內的土壤為潮土和鹽土,潮土比鹽土含水率高,蘆葦更適應在堿性弱、含水率高的潮土中生長。

堿蓬干重與土壤有機質、氮、磷和pH值成正相關,而與水溶性鹽總量和土壤含水率成負相關。堿蓬是強耐鹽堿的植物,因而堿蓬干重與pH值成正相關,而與土壤含水率呈負相關?？傮w來看,蘆葦生物量干重和堿蓬生物量干重受土壤含水率影響最大,土壤含水率對蘆葦生長具有一定的促進作用,對堿蓬生長具有一定的抑制作用。

4 結論

(1)黃河三角洲濕地保護區(qū)位于新、老黃河入?？趦蓚?由于長期受黃河水沙變化、尾閭擺動及海水入侵、波浪侵蝕等復雜多變因素的交互影響,使其呈現(xiàn)生境類型多樣、空間分異明顯、新生濕地不斷增長、生態(tài)系統(tǒng)脆弱等特點,形成了特定的植被生物量空間分布規(guī)律,成為研究河口濕地生態(tài)系統(tǒng)形成、演化、發(fā)展規(guī)律的重要基地。

(2)本文以野外實測濕地植被地上生物量數(shù)據(jù)、Landsat- 8影像數(shù)據(jù)和土壤各因子檢測數(shù)據(jù)為基礎,通過分析各遙感因子與實測植被生物量之間的關系,構建生物量反演模型,計算濕地植被的地上生物量并生成相應的生物量空間分布圖,分析植被生物量的空間分布規(guī)律,探究其與環(huán)境因子間的相互關系。該研究對于深化濕地形成、演化、發(fā)展研究,更好地監(jiān)控自然保護區(qū)濕地生態(tài)系統(tǒng)的變化,保護新生濕地生態(tài)系統(tǒng)和珍稀瀕危鳥類具有重要的理論和現(xiàn)實意義。

(3)運用一元線性、一元非線性和多元線性回歸建模,分析了判定系數(shù)大小、模型精度,得出以NDVI、EVI、MSAVI、DVI、RVI、Band1、Band2、Band3、Band4、Band6為自變量,以植被生物量干重為因變量建立的10元線性回歸模型判定系數(shù)最大,擬合精度最高。

因為一元線性和一元非線性模型是基于單波段或單一植被指數(shù)對生物量進行的反演,此兩種方法在植被覆蓋度不均勻時其精度和靈敏度會降低,不能真實、準確的反映生物量信息。多元線性回歸模型是將多個波段與多種植被光譜指數(shù)作為反演模型的指標,能在一定程度上提高生物量估算的精度和可靠性。同時,本文在建立回歸模型之前將水域、道路等非植被覆蓋區(qū)做了剔除處理,也在一定程度上提高了估算精度。

(4)研究區(qū)濕地植被地上生物量干重約為454916.14 t,因分布不均,自低到高劃為5級,最低的1級區(qū)和最高的5級區(qū)面積小,為82.23、72.16 km2,分別占整個濕地植被面積的13.35%、11.71%；較高的2、3、4級區(qū)所占面積較大,為211.99、136.39、113.29 km2,占34.41%、22.14%、18.39%；高值區(qū)集中在河道、溝渠兩側,低值區(qū)分布于水分條件差,土壤鹽分高的灘涂、荒地區(qū)。這是因為河道、溝渠兩側的生境中,淡水供應充足,土壤鹽分較低,聚集了大量的中生和濕生植被,植被蓋度大。而在靠近海灘的區(qū)域,由于地勢低洼,受海水影響強烈,土壤鹽度較高,僅有少量耐鹽植物存活。

(5)研究區(qū)濕地植被生物量干重呈現(xiàn)由陸向海、由黃河河道向兩側遞減的趨勢。植被生物量干重的空間分布格局與各環(huán)境因子有很大的關系,水深對優(yōu)勢種蘆葦生物量干重影響最大,土壤含水率對優(yōu)勢種堿蓬生物量干重影響最大。水、鹽條件是導致優(yōu)勢種植被生物量干重出現(xiàn)空間分異的主導因素。

[1] 王樹功, 黎夏, 周永章. 濕地植被生物量測算方法研究進展. 地理與地理信息科學, 2004, 20(5): 104- 109.

[2] 郝文芳, 陳存根, 梁宗鎖, 馬麗. 植被生物量的研究進展. 西北農林科技大學學報: 自然科學版, 2008, 36(2): 175- 182.

[4] 李仁東, 劉紀遠. 應用Landsat ETM數(shù)據(jù)估算鄱陽湖濕生植被生物量. 地理學報, 2001, 56(5): 532- 540.

[5] 黎夏, 葉嘉安, 王樹功, 劉凱, 劉小平, 錢峻屏, 陳曉越, 何執(zhí)兼, 覃朝鋒. 紅樹林濕地植被生物量的雷達遙感估算. 遙感學報, 2006, 10(3): 387- 396.

[6] 譚清梅, 劉紅玉, 張華兵, 王聰, 侯明行. 鹽城海濱濕地植被地上生物量遙感估算研究. 自然資源學報, 2013, 28(12): 2044- 2055.

[7] 葉春, 趙曉松, 吳桂平, 王曉龍, 劉元波. 鄱陽湖自然保護區(qū)植被生物量時空變化及水位影響. 湖泊科學, 2013, 25(5): 707- 714.

[8] 吳桂平, 葉春, 劉元波. 鄱陽湖自然保護區(qū)濕地植被生物量空間分布規(guī)律. 生態(tài)學報, 2015, 35(2): 361- 369.

[9] 張德靜, 東野廣成, 宋麗麗, 韓朝暉. 山東黃河三角洲自然保護區(qū)現(xiàn)狀及保護對策. 林業(yè)科技管理, 2004, (3): 31- 32.

[10] 崔保山, 楊志峰. 濕地生態(tài)系統(tǒng)健康的時空尺度特征. 應用生態(tài)學報, 2003, 14(1): 121- 125.

[11] 李秀娟, 趙庚星, 劉洪義, 欒新誠. 黃河清水溝改道以來河口新生濕地動態(tài)監(jiān)測研究. 自然資源學報, 2006, 21(2): 328- 332.

[12] 崔保山, 劉興土. 黃河三角洲濕地生態(tài)特征變化及可持續(xù)性管理對策. 地理科學, 2001, 21(3): 250- 256.

[13] 葉慶華, 劉高煥, 姚一鳴, Russi M. 黃河三角洲新生濕地土地利用變化圖譜. 地理科學進展, 2003, 22(2): 141- 148.

[14] 崔保山, 李英華, 楊志峰. 基于管理目標的黃河三角洲濕地生態(tài)需水量. 生態(tài)學報, 2005, 25(3): 606- 614.

[15] 許學工, 林輝平, 付在毅, 布仁倉. 黃河三角洲濕地區(qū)域生態(tài)風險評價. 北京大學學報: 自然科學版, 2001, 37(1): 111- 120.

[16] 韓美, 李艷紅, 李海亭, 龐小平. 山東壽光沿海濕地生態(tài)系統(tǒng)健康診斷. 中國人口·資源與環(huán)境, 2006, 16(4): 78- 83.

[17] 韓美, 張曉慧. 黃河三角洲濕地主導生態(tài)服務功能價值估算. 中國人口·資源與環(huán)境, 2009, 19(6): 37- 43.

[18] Han M, Cui J L, Hao Z, Wang Y, Wang R Q. Eco-compensation of wetlands in Yellow River delta of Shandong Province, China. Chinese Geographical Science, 2012, 22(1): 119- 126.

[19] 夏江寶, 李傳榮, 許景偉, 劉立杰. 黃河三角洲灘涂濕地夏季大型底棲動物多樣性分析. 濕地科學, 2009, 7(4): 299- 305.

[20] 李峰, 謝永宏, 陳心勝, 鄧正苗, 李旭. 黃河三角洲濕地水生植物組成及生態(tài)位. 生態(tài)學報, 2009, 29(11): 6257- 6265.

[21] 單凱. 黃河三角洲自然保護區(qū)濕地生態(tài)恢復的原理、方法與實踐. 濕地科學與管理, 2007, 3(4): 16- 20.

[22] 何智娟, 黃錦輝, 潘軼敏, 張效艷. 黃河流域生態(tài)系統(tǒng)特征及下游生態(tài)修復實踐. 環(huán)境與可持續(xù)發(fā)展, 2010, 35(4): 9- 13.

[23] 牟曉杰, 孫志高, 劉興土. 黃河口濱岸潮灘不同生境下翅堿蓬生物量空間分形特征與磷營養(yǎng)動態(tài). 草業(yè)學報, 2012, 21(3): 45- 53.

[24] 馮忠江, 趙欣勝. 黃河三角洲蘆葦生物量空間變化環(huán)境解釋. 水土保持研究, 2008, 15(3): 170- 174.

[25] 丁蕾, 馬毅. 基于現(xiàn)場光譜的黃河口濕地蘆葦生物量估算模型研究. 海洋環(huán)境科學, 2015, 34(5): 718- 722, 728- 728.

[26] 吳天君, 張曦文, 赫曉慧. 基于CBERS的黃河濕地生物量反演研究. 測繪與空間地理信息, 2012, 35(5): 18- 19, 27- 27.

[27] 傅新, 劉高煥, 黃翀, 劉慶生. 濕地翅堿蓬生物量遙感估算模型. 生態(tài)學報, 2012, 32(17): 5355- 5362.

[28] 王建步, 張杰, 馬毅, 任廣波. 基于高分一號WFV衛(wèi)星影像的黃河口濕地草本植被生物量估算模型研究. 激光生物學報, 2014, 23(6): 604- 608.

[29] 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)學報, 2013, 33(2): 542- 553.

[30] Krebs C J. Ecology: The Experimental Analysis of Distribution and Abundance. 5th ed. San Francisco: Benjamin Cummings, 2001: 513- 536.

[31] 藍振江, 蔡紅霞, 曾濤, 王碩果, 郭海燕, 曾宗永. 九寨溝主要植物群落生物量的空間分布. 應用與環(huán)境生物學報, 2004, 10(3): 299- 306.

[32] 宋家敬, 劉月良, 朱書玉, 張俊, 陸峰. 山東黃河三角洲國家級自然保護區(qū)詳細規(guī)劃(2014—2020年). 山東黃河三角洲國家級自然保護區(qū)管理局, 2014: 47- 50.

[33] 楊存建, 劉紀遠, 黃河, 許輝熙, 黨承林. 熱帶森林植被生物量與遙感地學數(shù)據(jù)之間的相關性分析. 地理研究, 2005, 24(3): 473- 479.

[34] 張景陽, 潘光友. 多元線性回歸與BP神經(jīng)網(wǎng)絡預測模型對比與運用研究. 昆明理工大學學報: 自然科學版, 2013, 38(6): 61- 67.

[35] 沈掌泉, 周斌, 孔繁勝, Bailey J S. 應用廣義回歸神經(jīng)網(wǎng)絡進行土壤空間變異研究. 土壤學報, 2004, 41(3): 471- 475.

[36] 王江浩, 葛詠. 遙感影像幾何校正的GCP殘差模擬分析. 遙感技術與應用, 2011, 26(2): 226- 232.

[37] 邢麗瑋, 李小娟, 李昂晟, 周德民. 基于高光譜與多光譜植被指數(shù)的洪河沼澤植被葉面積指數(shù)估算模型對比研究. 濕地科學, 2013, 11(3): 313- 319.

Spatial distribution of wetland vegetation biomass and its influencing factors in the Yellow River Delta Nature Reserve

LIU Li, HAN Mei*, LIU Yubin, PAN Bin

School of Geography and Environment, Shandong Normal University, Ji′nan 250014, China

The Yellow River Delta Nature Reserve is selected as the research area, and the wetland vegetation biomass data measured in the field, landsat- 8 image data acquired from the United States Geological Survey (USGS), and soil factor test data obtained by laboratory test were used as the data sources. The wetland vegetation biomass model has been established, and the quantitative biomass inversion model has been conducted by analyzing the correlation coefficient between Landsat- 8 images, vegetation indices, and biomass measured in the field. By studying the relationship between the wetland vegetation biomass and soil water environmental factors, the key factors affecting the vegetation biomass were selected, and the spatial distribution rules of wetland vegetation biomass were analyzed in the Yellow River Delta Nature Reserve. The results showed that the correlation between dry weight of wetland vegetation aboveground biomass and remote sensing factors (band and vegetation indices) is relatively higher. The optimal inversion model is established using 10 factors as independent variables, including 5 vegetation indices (normalized difference vegetation index, NDVI; environmental vulnerability index, EVI; modified soil-adjusted vegetation index, MSAVI; difference vegetation index, DVI; and ratio vegetation index, RVI) and 5 bands (Band1, Band2, Band3, Band4, and Band6). The dry weight of wetland vegetation biomass is obviously divided into five classes according to the inversion calculation in the Yellow River Delta Nature Reserve. The least dry weight of wetland vegetation biomass is categorized as Class 1, and the highest dry weight of wetland vegetation biomass is categorized as Class 5, both of which occupied small areas. Class 1 and Class 5 areas are 82.23 km2accounting for 13.35% and 72.16 km2accounting for 11.71% of the total area of wetland vegetation in the study area, respectively. Furthermore, the area of the other classes (Class 2, Class 3, and Class 4) is larger than Class 1 and Class 5, and their dry weight of wetland vegetation biomass is moderate. Moreover, Class 2, Class 3, and Class 4 areas are 211.99 km2accounting for 34.41%, 136.39 km2accounting for 22.14%, and 113.29 km2accounting for 18.39% of the total area of wetland vegetation in the study area, respectively. Among the environmental factors that affect the wetland vegetation biomass in the Yellow River Delta Nature Reserve, water depth has the greatest effect on the dry weight ofPhragmitesaustralisbiomass. In addition, soil water has the greatest effect on the dry weight ofSuaedaglaucabiomass. The complex interactions of river water, groundwater, and seawater led to the spatial variation of salinity. Water and salt conditions are the leading factors causing the spatial differences of the predominant dry weight of vegetation biomass in the Yellow River Delta Nature Reserve. The dry weight of vegetation biomass in the Yellow River Delta Nature Reserve tends to decrease from land to ocean from the river course of the Yellow River to both riverbanks.

Yellow River Delta; wetland biomass; remote sensing; inversion model; spatial distribution

國家自然科學基金面上項目(41371517)；山東省科技攻關計劃(2013GSF11706)

2015- 08- 24; 網(wǎng)絡出版日期:2017- 02- 23

10.5846/stxb201508241763

*通訊作者Corresponding author.E-mail: hanmei568568@126.com

劉莉,韓美,劉玉斌,潘彬.黃河三角洲自然保護區(qū)濕地植被生物量空間分布及其影響因素.生態(tài)學報,2017,37(13):4346- 4355.

Liu L, Han M, Liu Y B, Pan B.Spatial distribution of wetland vegetation biomass and its influencing factors in the Yellow River Delta Nature Reserve.Acta Ecologica Sinica,2017,37(13):4346- 4355.