孫 劍，杜 忠，林用智，王 杰

（西華師范大學(xué)地理科學(xué)學(xué)院, 四川 南充 637009）

草地資源具有重要的經(jīng)濟(jì)價(jià)值和生態(tài)功能，在畜牧業(yè)發(fā)展、生物多樣性保護(hù)、緩解全球氣候變化等方面起著至關(guān)重要的作用[1-4]。青藏高原的高寒天然草地受人類干擾和氣候變化的影響較大。近年來，供水不足、過度放牧、草地利用率低下等原因?qū)е赂吆莸爻霈F(xiàn)了不同程度退化現(xiàn)象[5]。灌叢化的加重，導(dǎo)致牧草生產(chǎn)減少，草地生態(tài)系統(tǒng)逐步遭到破壞。因此，利用遙感技術(shù)進(jìn)行大面積、及時(shí)有效地評(píng)估草地地上生物量(aboveground biomass, AGB)，對(duì)高寒草地及青藏高原生境質(zhì)量的保護(hù)具有重要現(xiàn)實(shí)意義。

目前，光學(xué)遙感數(shù)據(jù)已被廣泛用于基于統(tǒng)計(jì)模型的生物量估算[6-7]。但光學(xué)影像易受云霧影響，使得傳感器無法準(zhǔn)確獲取地物信息，且在中度或高度的植被密度中存在過飽和問題[8]。相較于光學(xué)傳感器，合成孔徑雷達(dá)(synthetic aperture radar, SAR)波長較長，不受云霧影響，對(duì)地表植被有一定的穿透性，能較為準(zhǔn)確地獲取植被的結(jié)構(gòu)信息。因此，SAR 數(shù)據(jù)逐漸成為草地生物量研究中的重要數(shù)據(jù)源[9]。Moreau 和Toan[10]發(fā)現(xiàn)C 波段雷達(dá)數(shù)據(jù) ERSSAR 的后向散射系數(shù)對(duì)植被生物量很敏感，并與草地生物量之間建立對(duì)數(shù)統(tǒng)計(jì)回歸模型，反演了安第斯?jié)竦啬敛萆锪俊antos 等[11]使用P 波段多極化AirSAR 數(shù)據(jù)，采用指數(shù)模型和多項(xiàng)式模型成功反演了巴西亞馬遜河流域熱帶雨林的主生林和次生林植被生物量。隨著遙感技術(shù)和研究方法的發(fā)展，有效地結(jié)合光學(xué)數(shù)據(jù)和微波數(shù)據(jù)的優(yōu)勢(shì)，利用經(jīng)驗(yàn)?zāi)Ｐ?、多元線性回歸等方法反演植被生物量已成為一種研究趨勢(shì)。同時(shí)，高空間分辨率的SAR 和多光譜數(shù)據(jù)為提升AGB 反演精度提供了更多可能性，如歐空局(https://www.esa.int/)哨兵系列衛(wèi)星數(shù)據(jù)，其中Sentinel-1 為SAR 數(shù)據(jù)，Sentinel-2 為多光譜數(shù)據(jù)，兩者分辨率可增強(qiáng)到10 m，適用于AGB 的估算[12]。潘磊等[13]結(jié)合Sentinel-1 與Sentinel-2 數(shù)據(jù)，以福建省三明市將樂國有林場(chǎng)為研究區(qū)，利用多元線性逐步回歸方法，探索聯(lián)合Sentinel-1 與Sentinel-2 在估算森林AGB 方面的優(yōu)勢(shì)，其調(diào)整決定系數(shù)(R2adj)達(dá)到了0.575，相較于僅使用Sentinel-2數(shù)據(jù)提升了0.064。而Chang 和Shoshany[14]結(jié)合Sentinel-2 NDVI及Sentinel-1 VH 極化的后向散射系數(shù)建立的半經(jīng)驗(yàn)物理模型，聯(lián)合估算了地中海灌木林AGB，融合模型的決定系數(shù)(R2)達(dá)到了0.866，也取得了很好的反演精度。綜上，基于僅使用光學(xué)數(shù)據(jù)或微波數(shù)據(jù)估算草地AGB 已有大量研究，但多模態(tài)數(shù)據(jù)和相應(yīng)特征參數(shù)的選擇對(duì)草地AGB 反演建模仍有發(fā)展空間，另外關(guān)于草地AGB 估算的研究方法多種多樣，但旨在對(duì)比分析不同模型反演精度和區(qū)別的研究較少。

因此，本研究以紅原縣為研究區(qū)，聯(lián)合Sentinel-2數(shù)據(jù)、Sentinel-1 數(shù)據(jù)，利用多元線性回歸、半經(jīng)驗(yàn)物理模型等方式建立草地AGB 遙感反演模型，用留一交叉驗(yàn)證法對(duì)反演精度進(jìn)行評(píng)價(jià)，最終得到了紅原縣草地AGB，實(shí)現(xiàn)了紅原縣草地AGB 的數(shù)字制圖，以期為優(yōu)化AGB 遙感反演模型、青藏高原地區(qū)的草地保護(hù)與生態(tài)建設(shè)等提供科學(xué)依據(jù)和技術(shù)支持。

1 材料與方法

1.1 研究區(qū)概況

紅原縣地處四川省西北部、阿壩藏族羌族自治州的中部，位于101°51′～103°22′ E，31°51′～33°33′ N，屬青藏高原的東南緣。年平均氣溫為1.1 ℃，無明顯季節(jié)變化。境內(nèi)平均海拔3 500 m 左右，紅原縣地勢(shì)由東南向西北傾斜，地貌由山原向丘狀高原過渡，小盆地分布廣泛。紅原以寒草地和亞高山草地為主，境內(nèi)天然草地面積達(dá)77.6 × 104hm2，占縣境總面積的92.97%，屬純牧業(yè)縣[15]。

1.2 數(shù)據(jù)來源及預(yù)處理

1.2.1 樣本采集與處理

野外數(shù)據(jù)采集時(shí)間為2021 年8 月。共設(shè)置了10 個(gè)樣區(qū)(圖1)，樣區(qū)的大小為1 000 m × 1 000 m，每個(gè)樣區(qū)內(nèi)設(shè)置3～5 個(gè)樣點(diǎn)。由于樣區(qū)內(nèi)草種類型較多，且空間分布不均勻，在一個(gè)樣點(diǎn)(10 m × 10 m)大小范圍內(nèi)按等邊三角形布設(shè)3 個(gè)0.5 m × 0.5 m的樣方。實(shí)測(cè)時(shí)使用GPS 記錄3 個(gè)樣方中心(等邊三角形中心)坐標(biāo)，并記錄實(shí)測(cè)點(diǎn)位海拔、土壤類型和質(zhì)地、草樣本的株高等參數(shù)。草地AGB 的獲取方法：在設(shè)定樣方內(nèi)齊地刈割，并現(xiàn)場(chǎng)記錄其鮮重，返回實(shí)驗(yàn)室后用烘箱烘干至恒重，并記錄干草重，最后求取3 個(gè)樣方干草重量的平均值作為該樣點(diǎn)的生物量。本次在10 個(gè)樣區(qū)內(nèi)共設(shè)定132 個(gè)樣方，采集草地AGB 樣本共44 個(gè)，剔除數(shù)據(jù)處理過程中造成AGB 損失的數(shù)據(jù)，確定樣本數(shù)據(jù)40 個(gè)。從每個(gè)樣區(qū)均選取2～4 個(gè)樣點(diǎn)(共30 個(gè)樣點(diǎn))用于構(gòu)建反演模型，其余10 個(gè)樣點(diǎn)用于模型精度檢驗(yàn)。

圖1 研究區(qū)位置及樣區(qū)示意圖Figure 1 Location of the study area and schematic diagram of the sample area

1.2.2 遙感數(shù)據(jù)預(yù)處理

Sentinel-2 數(shù)據(jù)獲取及預(yù)處理。Sentinel-2 影像為光學(xué)影像，受云層干擾較大。本研究以紅原試驗(yàn)區(qū)域同一時(shí)期4 景云量較少的Sentinel-2 影像(云量 < 10%)為研究數(shù)據(jù)，數(shù)據(jù)來源于美國USGS 網(wǎng)站(https://earthexplorer.usgs.gov/)。使 用 歐 洲 空 間 局SNAP 8.0 對(duì)L2A 級(jí)數(shù)據(jù)(已經(jīng)過大氣校正)進(jìn)行超級(jí)分辨率增強(qiáng)，將影像分辨率增強(qiáng)至10 m，然后導(dǎo)入ENVI 5.3 進(jìn)行鑲嵌、裁剪等操作。處理完成后，使用B12、B8A、B2 波段合成顯示，結(jié)果如圖2(a)所示，從波段合成圖可看出研究區(qū)內(nèi)無大片云霧遮擋，色彩對(duì)比明顯，數(shù)據(jù)質(zhì)量較高。

圖2 Sentinel 影像預(yù)處理結(jié)果Figure 2 Results of Sentinel image pre-processing

Sentinel-1 數(shù)據(jù)獲取及預(yù)處理。Sentinel-1 衛(wèi)星由兩顆極軌衛(wèi)星A 星和B 星組成，搭載有C 波段的合成孔徑雷達(dá)(SAR)，其空間分辨率為10 m × 10 m，包含VH 和VV 兩種極化方式。為了減少由天氣因素、Sentinel-2 與Sentinel-1 過境時(shí)間不同而引起的誤差，選阿拉斯加數(shù)據(jù)中心(https://search.asf.alaska.edu/)提供的與Sentinel-2 同日過境的Sentinel-1 GRD 產(chǎn)品為研究數(shù)據(jù)，該影像覆蓋了整個(gè)研究區(qū)，并用SNAP 8.0 對(duì)GRD 數(shù)據(jù)進(jìn)行預(yù)處理和信息提取。將提取的VV、VH 極化的C 波段數(shù)據(jù)導(dǎo)入ENVI 5.3 進(jìn)行裁剪，并交叉合成顯示，結(jié)果如圖2(b)所示。

植被指數(shù)和葉面積指數(shù)。植被指數(shù)(vegetation index，VI)能反映植被生長和覆蓋狀況，可作為植被覆蓋及變化監(jiān)測(cè)的標(biāo)志[8]，能從宏觀上快速準(zhǔn)確地分析草地生長狀況。本研究從Sentinel-2A 影像中獲取了5 個(gè)植被指數(shù)(表1)。草地AGB 與植被指數(shù)之間有著良好的正相關(guān)關(guān)系[16]。因此，可用這5 個(gè)植被指數(shù)與實(shí)測(cè)樣本相結(jié)合，構(gòu)建AGB 估算模型。

表1 Sentinel-2 植被指數(shù)及計(jì)算公式Table 1 Sentinel-2 vegetation index and calculation formula

葉面積指數(shù)(leaf area index，LAI)是監(jiān)測(cè)植被生長狀況和預(yù)測(cè)產(chǎn)量的重要變量，也常被用于全球空間尺度的作物生長監(jiān)測(cè)、作物病蟲害監(jiān)測(cè)和產(chǎn)量估算等[17]。針對(duì)Sentinel-2 影像，SNAP 8.0 提供了特定的模塊來獲取葉面積指數(shù)，步驟如下：先將影像重采樣到10 m；再使用SNAP 8.0 內(nèi)置的生物物理處理器導(dǎo)出LAI。這個(gè)生物物理過程使用了Sentinel-2影像的8 個(gè)波段(B3、B4、B5、B6、B7、B8A、B11、B12)并考慮了太陽天頂角、方位角等參數(shù)。SNAP 反演的LAI 和實(shí)測(cè)的LAI 總體一致，表明可用于大規(guī)模的植被監(jiān)測(cè)[18-19]。

NIR代表Sentinel-2影像的B8 (近紅外)波段，RED代表B4 (紅)波段，BLUE代表B2 (藍(lán))波段，GREEN代表B3 (綠)波段。

NIR represents the B8 (Near Infrared) band of Sentinel-2 imagery; RED represents the B4 (Red) band; BLUE represents the B2 (Blue) band; GREEN represents the B3 (Green) band.

1.3 研究方法

1.3.1 回歸分析

回歸分析(regression analysis)是生物量遙感估測(cè)中使用較廣泛的分析方法，能夠表現(xiàn)兩個(gè)(多個(gè))相關(guān)變量間的定量關(guān)系。其中多元線性回歸模型(復(fù)線性回歸模型)通常用于研究一個(gè)因變量與多個(gè)自變量的函數(shù)關(guān)系。其數(shù)學(xué)表達(dá)式為：

式中：Y是因變量(生物量的值)，a0是常數(shù)項(xiàng)，X是自 變 量(遙 感 影 像 因 子)，X1,…,Xn是 隨 機(jī) 的 變 量，a1,…,an為回歸系數(shù)，C為誤差項(xiàng)。

逐步回歸的基本方法是將變量逐一引入模型，并對(duì)引入變量計(jì)算偏回歸平方和，經(jīng)檢驗(yàn)后剔除不顯著的自變量，從而建立最優(yōu)的多元線性回歸模型[20]。

1.3.2 半經(jīng)驗(yàn)物理模型構(gòu)建

半經(jīng)驗(yàn)物理模型綜合了經(jīng)驗(yàn)統(tǒng)計(jì)模型和物理模型的優(yōu)點(diǎn)。模型所用的參數(shù)既有經(jīng)驗(yàn)參數(shù)，又具有一定的物理意義，且模型表達(dá)也較為簡潔。在宏觀上，草地的分布較為密集，植被覆蓋度高。相較于Chang 和Shoshany[14]研究的灌木，紅原縣草地植被更淺，8 月份草層高度大部分介于0.15～0.45 m。因此，利用Sentinel-1 影像C 波段能穿透草層到達(dá)地表的特點(diǎn)，便能獲取草層的結(jié)構(gòu)信息。但草地上植被覆蓋度(fractional vegetation cover, FVC)的空間差異不大，故在灌木AGB 估算模型中調(diào)整FVC 參數(shù)為LAI，構(gòu)建了如下模型：

式中：AGB為預(yù)測(cè)草地AGB，f(S2)為根據(jù)Sentinel-2影像構(gòu)建的草地AGB 模型，f(S1)為根據(jù)Sentinel-1影像構(gòu)建的體積回歸函數(shù)，LAI 為葉面積指數(shù)，e為系數(shù)。

1.3.3 精度評(píng)價(jià)

用均方根誤差(root mean squared error，RMSE)、平均相對(duì)誤差(mean relative error，MRE)和決定系數(shù)(R2)來評(píng)價(jià)反演預(yù)測(cè)值與實(shí)測(cè)值之間的精度和可信度。

式中：Yi、Yi′分別為實(shí)測(cè)值、反演值，n為樣本數(shù)量，N為預(yù)留樣本數(shù)。R2反映反演值與實(shí)測(cè)AGB 之間的擬合程度，當(dāng)R2越趨近1，表示反演AGB 與實(shí)測(cè)AGB 相關(guān)性越好。

2 結(jié)果與分析

2.1 草地地上生物量的模型構(gòu)建

線性回歸模型。經(jīng)試驗(yàn)發(fā)現(xiàn)，研究區(qū)內(nèi)，Sentinel-1 VH dB 值與AGB 之間的相關(guān)性優(yōu)于VV dB 值與AGB 之間的相關(guān)性，于是采用VH dB 值構(gòu)建模型(表2)；將Sentinel-2 影像與采樣點(diǎn)位置相結(jié)合，提 取 出 對(duì) 應(yīng) 位 置 的NDVI、DVI、RVI、EVI、GNDVI，并結(jié)合實(shí)測(cè)生物量，采用最小二乘回歸的方法分別構(gòu)建紅原縣草地AGB 與上述各個(gè)植被指數(shù)之間的線性模型(表2)。

表2 回歸模型建模精度Table 2 Modeling accuracy of the regression model

結(jié)果顯示，基于單一指標(biāo)的線性回歸模型中，NDVI、RVI、GNDVI 以及LAI 與生物量之間有較高的擬合性，其中，RVI 模型的擬合性最高，決定系數(shù)R2達(dá)到0.61。多元回歸模型中，用Sentinel-2 影像提取的6 個(gè)因子建立的多元線性回歸六參數(shù)模型以及Sentinel-2 影像提取的6 個(gè)因子結(jié)合VH dB值建立的多元線性回歸七參數(shù)模型，都有著較好的擬合精度，在加入VH dB 值后，模型的R2提升了0.09，RMSE 減小了9.37 g·m-2，MRE 減小了21.82%。采用逐步回歸保留了RVI 和VH dB 值兩個(gè)參數(shù)，建立的模型相較于AGBRVI模型，決定系數(shù)R2提升了0.17，RMSE 減 小 了14.12 g·m-2，MRE 減 小 了26.56%。

半經(jīng)驗(yàn)物理模型。通過比較Sentinel-2 影像的5 個(gè)AGB 估算模型，選取最佳的AGBRVI模型，帶入公式(2)，替換f(S2)參數(shù)，再將公式(5)帶入公式(2)，替換參數(shù)f(S1)，便得到了一個(gè)包含5 個(gè)系數(shù)[其中f(S2)含兩個(gè)系數(shù)，f(S1)含兩個(gè)系數(shù)，再加上系數(shù)e]的半經(jīng)驗(yàn)物理模型，通過IDL 8.5 程序設(shè)計(jì)平臺(tái)，運(yùn)用曲線擬合方式，以30 個(gè)樣本作為訓(xùn)練數(shù)據(jù)，解算出5 個(gè)系數(shù)，分別為110.945、7.432 55、-21.071 6、-1.361 20、0.145 245,得 到 紅 原 縣 草 地AGB 估算模型[公式(6)]。結(jié)果顯示，基于Sentinel-2 和Sentinel-1 的半經(jīng)驗(yàn)物理模型，R2達(dá)到0.77，RMSE 為43.88 g·m-2，MRE 為11.00%。

2.2 模型反演生物量精度驗(yàn)證

為驗(yàn)證模型精度，本研究選用剩余的10 個(gè)樣本作為驗(yàn)證數(shù)據(jù)，并以Sentinel-2 多元回歸六參數(shù)模型、Sentinel-2 結(jié)合Sentinel-1 多元回歸七參數(shù)模型、Sentinel-2 結(jié)合Sentinel-1 逐步回歸模型以及半經(jīng)驗(yàn)物理模型4 個(gè)較優(yōu)草地AGB 反演模型為代表，獲取10 個(gè)樣本對(duì)應(yīng)的草地AGB 反演值，將其與實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比分析，使用誤差值與實(shí)測(cè)值的百分比大小來評(píng)價(jià)反演的精度。

在Sentinel-2 建立的多元回歸六參數(shù)模型中 (圖3)，反演值與實(shí)測(cè)值之間的誤差有7 個(gè)點(diǎn)在實(shí)測(cè)值的10%以內(nèi)，有兩個(gè)點(diǎn)在10%～20%，有1 個(gè)點(diǎn)在20%～30%，實(shí)測(cè)值與估測(cè)值對(duì)比分析結(jié)果的R2為0.644 8，RMSE 為37.32 g·m-2，MRE 為8.20%；以Sentinel-2 結(jié)合Sentinel-1 建立的多元線性回歸七參數(shù)模型，有4 個(gè)點(diǎn)在實(shí)測(cè)值的10%以內(nèi)，有5 個(gè)點(diǎn)在10%～20%，有1 個(gè)點(diǎn)在20%～30%，實(shí)測(cè)值與估測(cè)值對(duì)比分析結(jié)果的R2為0.714 5，RMSE 為38.99 g·m-2，MRE 為9.93%；以Sentinel-2 結(jié)合Sentinel-1 逐步回歸模型，模型的反演值與實(shí)測(cè)值之間的誤差有7 個(gè)點(diǎn)在實(shí)測(cè)值的10%以內(nèi)，有3 個(gè)點(diǎn)在10%～20%，實(shí)測(cè)值與估測(cè)值對(duì)比分析結(jié)果的R2為0.789 1，RMSE 為33.49 g·m-2，MRE 為8.11%；用Sentinel-2結(jié)合Sentinel-1 建立的半經(jīng)驗(yàn)物理模型，模型的反演值與實(shí)測(cè)值之間的誤差有5 個(gè)點(diǎn)在實(shí)測(cè)值的10%以內(nèi)，有5 個(gè)點(diǎn)在10%～20%，實(shí)測(cè)值與估測(cè)值對(duì)比分析結(jié)果的R2為0.821 4，RMSE 為36.89 g·m-2，MRE為8.37%。

圖3 模型反演生物量結(jié)果精度驗(yàn)證Figure 3 Accuracy validation of model retrieval biomass results

總體上，上述的4 個(gè)模型總體精度均較好，在加入Sentinel-1 的影響因子后，與只用Sentinel-2 建立的多元回歸六參數(shù)模型相比，Sentinel-1 結(jié)合Sentinel-2 多元回歸七參數(shù)模型精度更高，可用于紅原縣地區(qū)草地AGB 的估算，為草地生物量提供精確的評(píng)估和研究。

2.3 試驗(yàn)區(qū)域草地反演地上生物量制圖

根據(jù)上述研究結(jié)果，采用模型反演精度較高的Sentinel-2 多元回歸六參數(shù)模型、Sentinel-2 結(jié)合Sentinel-1 多元回歸七參數(shù)模型、Sentinel-2 結(jié)合Sentinel-1 逐步回歸模型以及半經(jīng)驗(yàn)物理模型反演研究區(qū)8 月份草地AGB (圖4)。制圖結(jié)果與草地實(shí)際分布狀況一致，在紅原縣境內(nèi)大部分區(qū)域均有草地的分布，尤其以中北部丘狀高原最為典型。同時(shí)表現(xiàn)出明顯的空間分布差異：沙化地、裸地、水體內(nèi)草地AGB 接近于0；東南山原草地AGB 大部分低于100 g·m-2；4 種模型反演的生物量制圖結(jié)果整體一致，均能準(zhǔn)確展現(xiàn)紅原縣草地AGB 的空間分布及其差異。

3 討論

從紅原縣草地AGB 反演結(jié)果可以看出，草地AGB 較高值分布在中部和北部丘狀高原地區(qū)，其原因在于該區(qū)域有優(yōu)質(zhì)的牧草基地，為保護(hù)草地，合理利用草地資源，當(dāng)?shù)貙?shí)行草地圍欄，將草地劃分為冬夏兩季牧場(chǎng)，極大程度上減小了放牧壓力，有利于推進(jìn)牧場(chǎng)畜牧業(yè)可持續(xù)發(fā)展。東南山原草地AGB 較低，可能與東南山地海拔高差較大、地勢(shì)較陡有關(guān)，不利于牧草的生長。另外，在適合草地生長但草地AGB 較低的區(qū)域，建議合理確定載畜量，實(shí)行合理放牧，繼續(xù)加強(qiáng)防沙治沙、滅鼠種草等草地保護(hù)措施，研究不同栽種模式的固沙效果，改善土壤有機(jī)質(zhì)及土壤水分狀況。通過人力保護(hù)措施，使草地能夠繼續(xù)發(fā)揮防風(fēng)固沙、涵養(yǎng)水源、凈化空氣的作用，提高草地植被蓋度和草地生產(chǎn)力，實(shí)現(xiàn)紅原縣草地生態(tài)修復(fù)和畜牧業(yè)可持續(xù)發(fā)展。

本研究與前人的研究都證明了多光譜數(shù)據(jù)在估算AGB 方面有較強(qiáng)的應(yīng)用潛力[6-7]，但受遙感技術(shù)、數(shù)據(jù)質(zhì)量和建模方法等的限制，AGB 反演效果仍有提升空間。本研究中基于Sentinel-2 多光譜數(shù)據(jù)單一指標(biāo)的線性回歸模型能較好地反演AGB，結(jié)合Sentinel-1 與Sentinel-2 特征參數(shù)的反演模型能進(jìn)一步提升反演精度，但對(duì)于生物量較大的樣點(diǎn)，仍存在預(yù)測(cè)草地AGB 值小于實(shí)測(cè)草地AGB 值的問題(圖3)，可能是Sentinel-1 影像的C 波段對(duì)植被生長旺盛、植被覆蓋度較大區(qū)域的穿透能力有限，不能較好地解決Sentinel-2 多光譜影像反演生物量存在的過飽和問題。后續(xù)研究可以考慮使用波長更長的L 波段或P 波段來反演草地AGB。

經(jīng)驗(yàn)?zāi)Ｐ筒簧婕皺C(jī)理過程[21]，與簡單經(jīng)驗(yàn)統(tǒng)計(jì)模型相比，半經(jīng)驗(yàn)物理模型所需參數(shù)較多，但其以物理機(jī)理為依據(jù)，并結(jié)合區(qū)域特征性參數(shù)，能較好地反映區(qū)域?qū)嶋H情況。模型精度主要受自變量與因變量間相互關(guān)系的顯著程度的影響。如本研究中僅根據(jù)實(shí)測(cè)的草地AGB 參數(shù)與遙感影像特征參數(shù)構(gòu)建的經(jīng)驗(yàn)?zāi)Ｐ?，按照誤差最小的原則篩選出構(gòu)建模型所需的顯著相關(guān)性因子，從而得到較好的模型反演效果，這在前人的研究中有所體現(xiàn)[22-23]。而半經(jīng)驗(yàn)?zāi)Ｐ图染哂幸欢ǖ奈锢韺W(xué)意義，又通過引入經(jīng)驗(yàn)系數(shù)改進(jìn)模型假設(shè)的不足，進(jìn)而提升模型效果[24]。如Chang 和Shoshany[14]提出的基于植被的生長形態(tài)形成的融合生物量模型(半經(jīng)驗(yàn)物理模型)的準(zhǔn)確率較傳統(tǒng)的融合模型高14%左右。本研究也根據(jù)紅原縣的草地植被形態(tài)結(jié)構(gòu)調(diào)整了Chang 和Shoshany[14]構(gòu)建的反演模型中的FVC 參數(shù)，再結(jié)合草地植被的葉面積指數(shù)構(gòu)建了半經(jīng)驗(yàn)物理模型，從而達(dá)到和經(jīng)驗(yàn)?zāi)Ｐ偷韧男Ч?，證明了半經(jīng)驗(yàn)物理模型在草地AGB 反演中的實(shí)用性。

目前采用的反演模型相對(duì)傳統(tǒng)，建模的數(shù)據(jù)來源較單一，后續(xù)可以基于Lidar、SAR、多光譜影像等遙感數(shù)據(jù)，使用機(jī)器學(xué)習(xí)方法以多模態(tài)遙感信息融合方式進(jìn)行建模，挖掘多模態(tài)數(shù)據(jù)在估測(cè)草地地上生物量的潛力。另外，青藏高原東緣多為丘狀高原，區(qū)域內(nèi)濕地較多，地形起伏、土壤水分對(duì)雷達(dá)影像后向散射系數(shù)的影響較大，今后可根據(jù)研究區(qū)的實(shí)際情況，將地形、土壤水分的影響因素加入模型，進(jìn)一步細(xì)化草地地上及地下生物量的反演研究，這對(duì)紅原縣乃至整個(gè)青藏高原的草地生態(tài)質(zhì)量監(jiān)測(cè)及其固碳效應(yīng)研究等都具有重要意義。

4 結(jié)論

本研究以青藏高原東緣阿壩藏族自治州紅原縣為研究區(qū)，結(jié)合 Sentinel-1、Sentinel-2 主被動(dòng)遙感影像和實(shí)測(cè)樣地?cái)?shù)據(jù)，采用單一指標(biāo)線性回歸、多元線性回歸、逐步回歸及半經(jīng)驗(yàn)物理模型方式建模，對(duì)紅原縣草地AGB 的反演模型效果和空間分布進(jìn)行研究。結(jié)果表明：Sentinel-2 多光譜數(shù)據(jù)單一指標(biāo)線性回歸模型、Sentinel-2 多光譜數(shù)據(jù)多元線性回歸模型與草地AGB 之間有較高的擬合性；結(jié)合Sentinel-1影響因子VH dB 值建立的多元回歸模型能進(jìn)一步提高建模精度，多元線性回歸模型的模型精度R2從0.74 增加到了0.83；逐步回歸模型R2達(dá)到了0.78，RMSE 為42.21 g·m-2；半經(jīng)驗(yàn)物理模型R2達(dá)到了0.77，RMSE 為43.88 g·m-2，MRE 為11.00%，總體效果較好，精度可靠，可用于紅原縣草地AGB 的估算；草地AGB 制圖結(jié)果顯示，紅原縣草地AGB 在中部和北部丘狀高原地區(qū)較高(300 g·m-2以上區(qū)域較多)，東南山原草地AGB 較低(100 g·m-2以下區(qū)域較多)，沙化地、裸地、水體內(nèi)生物量接近于0。