塔里木河下游芦苇生物量遥感估算模型研建

牛 婷，李 霞，林海军，赵 钊，董道瑞

(1.新疆农业大学草业与环境学院，乌鲁木齐 830052;2.新疆水利水电勘察设计研究院，乌鲁木齐 830000)

塔里木河下游芦苇生物量遥感估算模型研建

牛 婷1，2，李 霞1，林海军1，赵 钊1，董道瑞1

(1.新疆农业大学草业与环境学院，乌鲁木齐 830052;2.新疆水利水电勘察设计研究院，乌鲁木齐 830000)

在对塔里木河下游大西海子水库周边芦苇生物量实地调查基础上，使用同期TM数据建立了芦苇生物量遥感估算模型。结果表明:TM1～5、TM7的灰度值和垂直植被指数(PVI)、亮度植被指数(BVI)及归一化差值植被指数(NDVI)与芦苇生物量实测值显著相关;生物量遥感估算模型中非线性回归模型的拟合精度高于线性回归模型。NDVI在一元线性、非线性回归模型中的拟合精度最高，TM4的拟合精度最低;多元逐步回归比一元线性、一元非线性回归拟合度精度高。若仅考虑简单、可靠、便于生产部门使用，基于PVI、NDVI的一元线性模型和基于TM1的一元非线性模型是较好的选择。

生物量;估算模型;塔里木河;遥感;芦苇

0 引言

塔里木河(以下简称塔河)下游指恰拉—台特玛湖区段。1972年塔河自大西海子水库下游365 km河道彻底断流，河畔植被大片死亡，两大沙漠趋于合拢［1］。2000—2010年，党中央和国务院组织了10次生态输水，挽救日益衰败的天然植被，遏制了生态劣变趋势，使塔河下游河畔重现绿色。

植被生物量估算是塔河下游生态系统恢复监测的重要内容之一。张宏锋等［2］2004年对塔河下游断流河道的7个地下水监测断面和19个植被样地进行实地监测和资料分析，得出灌木生物量在空间分布的变化特征。与传统的生物量估算方法相比，遥感方法可快速、准确、无破坏地对生物量进行估算，对生态系统进行长期、定量的宏观监测。近年来国内许多学者利用从卫星遥感数据获取的各种植被指数估算牧草的生物量。杜自强等［3］利用地面观测资料结合同期的陆地卫星TM数据，分析了植被指数与草地地上生物量的相关关系，进而建立基于差值植被指数(DVI)的山丹县草地地上生物量估算模型; 李聪等［4］、王正兴等［5］和徐多等［6］通过对典型区实地采样，分别得到与EOS/MODIS影像资料时相一致的草地地上生物量数据，分析了归一化差值植被指数(NDVI)和增强植被指数(EVI)与草地生物量的相关关系，建立了基于上述植被指数的新疆天山北坡乌鲁木齐南郊草地、内蒙古锡林郭勒草地和西藏藏北高原草地的地上生物量估测模型。

虽然有关用遥感方法估测植被生物量的文章较多，但有关分布在塔河下游输水区水文条件较好区段的主要草本植物——芦苇的生物量遥感估算模型的文章尚未见报道。本文根据地面实测数据，确定与之相关性较好的遥感参数和波段，构建了芦苇生物量遥感估算模型，为研究区大面积芦苇生境评估提供了依据;并将为荒漠区植被生物量的遥感估测与监测提供技术支持，为输水效益及生态恢复状况评价提供参考。

1 研究区概况

研究区位于塔河下游，N40°05'～ 40°43'、E87°36'～88°13'间，属典型的暖温带大陆性干旱气候，降水稀少，年均降水量20～50 mm，蒸发量2500～3000 mm，相对湿度平均在50% ～45%，空气极度干燥;多风沙和浮尘天气，年平均气温10～12℃，无霜期175～195 d。天然林植被表层(0～30 cm内)为风沙土、沙土，其他土壤类型为草甸土、胡杨林土、柽柳林土、荒漠土等［7］。流域广泛分布着胡杨(Populus euphratica)、柽柳(Tamarix spp.)、铃铛刺(Halimodendron halodendron)、盐穗木(Halocnemum caspica)、芦苇(Phragmites australis)等植物，沿塔河形成断断续续、宽窄不一的由乔、灌、草组成的植被带［8］。自2000年至今，采用逐次间歇性输水方式，曾10次从大西海子水库泄洪闸下泄水量达23.09×108m3，下泄水大多消耗于植被分布的主要区域——大西海子—阿拉干区段。研究区就位于塔河下游芦苇主要分布区段的大西海子水库—阿克敦断面。

2 建模准备

2.1 遥感数据选取与预处理

以成像时间为2010年8月13日的TM图像数据为生物量估算模型的基础数据源，该图像在研究区域内没有云覆盖，质量较好。对图像数据进行了辐射精校正;根据1∶10万地形图、采用二元二次多项式纠正法对图像数据进行几何纠正和配准;并对TM6进行了重采样处理，图像中心星下点纠正误差小于0.1个像元，边缘纠正误差小于0.3个像元，可以满足分析精度要求。利用 ArcGIS软件提取TM1～7各波段的灰度(DN)值。

目前所使用的植被指数多达几十种，根据已有的研究［9］，本文利用 ERDAS和地理信息系统软件Arc/Info提取了比值植被指数(RVI)、归一化差值植被指数(NDVI)、差值植被指数(DVI)、垂直植被指数(PVI)、绿度植被指数(GVI)、亮度植被指数(BVI)和湿度植被指数(WVI)等7种植被指数。

2.2 样地调查及实测生物量计算

根据塔河下游输水河道两侧不同的地下水埋深梯度［10］，在大西海子水库—阿克敦断面沿垂直河道0～50 m、50～165 m、165～500 m、500～750 m 、750～1000 m、1000～1250 m和1250～1500 m共7个离河距离布设样地，每个离河距离布设3个样地，共布设42个大小为30 m×30 m的样地(其中35个样地为建模数据，7个样地为模型验证数据)。为便于建立遥感数据与地面实测数据的对应关系，使用GPS对每个样地进行了准确定位。

在每个样地内四角和中心点各选取1 m×1 m的样方，割取地上生物量，用1‰电子天平对鲜生物量称重，根据样地内5个1 m×1 m样方数据求得单位面积平均地上生物量鲜重(kg/m2);并计算出每个样地的平均生物量鲜重。

3 模型建立

3.1 实测生物量与遥感数据相关分析

利用SPSS 13.0软件对遥感数据(TM图像灰度值和7种植被指数)与地面对应位置样地实测生物量数据进行了相关性分析，结果见图1。

图1 生物量与遥感数据相关系数Fig.1 Map of the correlation coefficient between biomass and remote sensing data

如图1所示，实测生物量与 TM1～5、TM7和NDVI、PVI、BVI在 0.01 显著水平上的相关系数从大到小依次为:TM1、NDVI、TM2、TM3、BVI、PVI、TM4、TM5和TM7，与其余遥感参数的相关性均不显著。其中 TM1～3、TM5和 TM7与生物量呈负相关，NDVI、BVI、PVI和TM4与生物量呈正相关。TM1～7波段对芦苇信息识别都有很好的效果，其中TM1与生物量的相关性最强(在0.01显著水平上的相关系数 R=0.89)，TM6与生物量的相关性最弱(R=0.35)，因此将 TM1 ～ TM5、TM7 选入回归分析。对于植被指数，因PVI、BVI和NDVI均与生物量显著相关，故都被选入回归分析。

3.2 生物量模型建立

3.2.1 实测生物量与遥感数据回归分析

利用实测生物量数据与TM1～5和TM7波段数据进行线性与非线性回归分析，用最小二乘法对TM各单波段数据与生物量的散点数据进行拟合(拟合结果如表1所示)。TM1与生物量线性回归拟合度最高，拟合函数为模型1，相关系数 R=0.888;TM7与生物量拟合度最低，拟合函数为模型6，相关系数 R=0.694。

表1 遥感数据与生物量一元线性回归模型Tab.1 One element linear regression model for the remote sensing data and biomass

非线性回归分析结果如表2所示，TM1与生物量非线性回归拟合度最高，拟合函数为模型A，相关系数R=0.898;TM5与生物量拟合度最低，拟合函数为模型E，相关系数R=0.705。

表2 遥感数据与生物量一元非线性回归模型Tab.2 One element nonlinear regression model for the remote sensing data and biomass

从表1和表2中还可以看出实测生物量数据与PVI、NDVI和BVI植被指数的回归分析结果:对于线性回归，NDVI拟合度最高，拟合函数为模型8，相关系数R=0.831;PVI拟合度最低，拟合函数为模型7，相关系数R=0.738。对于非线性回归，依然是NDVI拟合度最高，拟合函数为模型H，相关系数R=0.925;BVI与生物量线性回归拟合度最低，拟合函数为模型I，相关系数R=0.846。

从总体来看，非线性回归的拟合度比线性回归的拟合度高。

3.2.2 实测生物量与遥感参数多元回归分析

在SPSS 13.0软件环境下进行逐步回归，筛选自变量，对所得自变量进行多元回归分析(表3)。

表3 遥感数据与生物量多元线性回归模型Tab.3 Multiple linear regression model for the remote sensing data and biomass

根据上述9个变量、35组样方数据，以显著水平0.05作为挑选和剔除变量的条件，对影响生物量的因子进行逐步回归，得到回归模型Ⅰ;用向后剔除法筛选出回归模型Ⅱ;根据相关性分析，选择自变量与因变量相关系数绝对值较大的自变量分别为TM1、TM2、TM3、TM4、TM5、NDVI、PVI和 BVI，分别以显著性水平0.05作为挑选和剔除变量的条件，再用向后剔除法回归分析，筛选出回归模型Ⅲ和模型Ⅳ;最后选择与因变量显著相关的自变量 TM1、TM2、TM3、TM4、TM5、TM7、NDVI、PVI和 BVI，用强迫引入法进行回归分析，得出回归模型Ⅴ。各模型中，模型Ⅴ的拟合度最高(R=0.968)，自变量有6 个，分别为 TM1、TM2、TM4、TM5、PVI和NDVI;模型Ⅳ次之(R=0.966)，自变量有5 个，分别是 TM1、TM2、TM5、PVI和 NDVI; 再次为模型Ⅲ(R=0.961，自变量为 TM1、TM5、PVI和 NDVI)、模型Ⅱ(R=0.944，自变量为 TM1、TM5 和 NDVI)和模型Ⅰ(R=0.932，自变量为 TM1 和 TM5)。

3.3 模型精度验证

为评价模型应用精度和条件，用野外同期采样的另外7个实测生物量的数据与生物量模型估算的数据进行比较，并计算其误差系数(误差系数=(估算值－实测值)/实测值;平均误差系数=∑︱误差系数︱/误差项数)。通过实测生物量验证，3种生物量模型估算数据的误差情况见图2。

图2 不同生物量估测模型误差对比Fig.2 Error comparison among different biomass estimation models

如图2所示，不同生物量模型的总体精度均达到70%以上。其中，一元线性回归模型(图2(a))中基于NDVI(模型8)、PVI(模型7)和BVI(模型9)的生物量估测模型误差较小，其估测精度分别为79.99%、79.96%和79.74%; 一元非线性回归模型(图2(b))中基于 NDVI(模型 H)、PVI(模型 G)和BVI(模型 I)的生物量估测模型精度分别为79.99%、79.96%和 79.87%，基于 TM1(模型 A)的生物量估测模型精度为79.91%，可见一元非线性回归模型的估算精度均高于一元线性模型精度;多元线性回归模型(图2(c))中基于TM1、TM2、TM5、PVI和NDVI(模型Ⅳ)的生物量估测模型误差最小、精度最高(达 82.07%)。

4 结论

(1)实测芦苇生物量与TM单波段DN值和植被指数之间的良好的相关性，是芦苇生物量遥感监测模型建立的基础。

(2)分别采用一元线性回归模型、一元非线性回归模型对芦苇生物量和遥感数据进行回归分析表明，一元非线性回归模型的拟合精度较一元线性回归模型有一定提高。基于NDVI的一元线性回归模型和一元非线性回归模型拟合精度最佳，基于TM4的各类模型的拟合精度最差。

(3)采用2个或2个以上自变量的多元逐步回归比利用一元线性和一元非线性方法建立方程的拟合度要高，模型 y=404.5 －1.92 TM1 －2.08 TM2 －0.51 TM5+1.4 PVI－167.57 NDVI的 R=0.966，精度达82.07%，是研究区最佳的芦苇生物量遥感估测模型，能够满足中尺度的芦苇生物量估算和环境监测要求。

(4)本着简单、可靠、便于生产部门使用的原则可以认为，基于PVI和NDVI的一元线性模型7、模型8和基于TM1的一元非线性模型A是较好的选择。

［1］李 霞，侯 平，董新光，等.新疆塔里木河下游应急输水植被恢复阶段分析［J］.生态学杂志，2005，24(12):1449 －1453.

［2］张宏锋，陈亚宁，陈亚鹏，等.塔里木河下游植物群落的物种数量变化与生态系统动态研究［J］生态学杂志，2004，23(4):21－24.

［3］杜自强，王 建，沈宇丹.山丹县草地地上生物量遥感估算模型［J］.遥感技术与应用，2006，21(4):338 －343.

［4］李 聪，肖继东，曹占洲，等.应用MODIS数据估算草地生物量［J］.干旱区研究，2007，24(3):386 －391.

［5］王正兴，刘 闯，赵冰茹，等.利用MODIS增强型植被指数反演草地地上生物量［J］.兰州大学学报:自然科学版，2005，41(2):10－16.

［6］徐 多，姬秋梅，德吉央宗，等.利用EOS/MODIS数据估算西藏藏北高原地表草地生物量［J］.气象学报，2007，65(4):612 －621.

［7］邓铭江.塔里木河下游生态输水及植被恢复遥感监测评价［J］.冰川冻土，2007，29(3):380 －386.

［8］李 霞，侯 平，杨鹏年.塔里木河下游胡杨对水分条件变化的响应［J］.干旱区研究，2006，23(1):26 －31.

［9］牛 婷，李 霞.塔里木河下游植被恢复遥感模型建立［J］.国土资源遥感，2008(2):79 －83.

［10］李 霞，侯 平，董新光.塔里木河下游断流区胡杨密度调查与分析［J］.新疆农业大学学报，2003，26(4):41 －44.

The Construction of the Remote Sensing Estimation Models for Reed Biomass in the Lower Reaches of the Tarim River

NIU Ting1，2，LI Xia1，LIN Hai－ jun1，ZHAO Zhao1，DONG Dao － rui1
(1.College of Grass and Environment，Xinjiang Agricutural University，Urumqi 830052，China;2.Survey and Design Institute of Water Conservancy and Hydroelectric Power of Xinjiang，Urumqi 830000，China)

The remote sensing estimation models for reed biomass were established by using TM data and the field investigation of reed biomass around the Daxihaizi reservoir in the lower reaches of Tarim river.The results show that the gray values of TM1 ～5 and TM7，the perpendicular vegetation index(PVI)，the brightness vegetation index(BVI)and the normalized difference vegetation index(NDVI)are significantly related to the measured values of Phragmites australis biomass，the fitting precision of the nonlinear regression model is higher than that of the linear regression model，and NDVI has the highest precision in the regression models but TM4 has the lowest precision.The multiple stepwise regression has a higher fitting precision than ordinary regressions.The ordinary linear regressions based on PVI and NDVI and the ordinary nonlinear regression based on TM1 are the best options due to the characteristics of simplicity，reliability and convenience.

Biomass;Estimation model;Tarim River;Remote sensing;Reed

TP 751.1;X 171.4

A

1001－070X(2011)04－0042－04

2010－12－30;

2011－02－16

国家自然科学基金项目(编号:40961027)和新疆维吾尔自治区草地资源与生态实验室共同资助。

牛 婷(1981－)，女，草业科学在读博士研究生，主要从事资源环境方面的研究。

李 霞，教授，联系电话:13659963246或0991－8763626，E－mail:xjlx782@126.com。

(责任编辑:刘心季)