基于环境卫星数据的黄河湿地植被生物量反演研究

高明亮，赵文吉，* ，宫兆宁，赫晓慧

(1．首都师范大学三维信息获取与应用教育部重点实验室，资源环境与地理信息系统北京市重点实验室，资源环境与旅游学院，北京 100048;2．郑州大学水利与环境学院，郑州 450001)

湿生植被是湿地生态系统的重要组成部分，其生物量是衡量湿地生态系统初级生产力的主要指标之一［1］。同时，植被是湿地生态系统运行的能量基础和物质来源，是度量植被结构和功能变化的重要指标。利用现代遥感技术可以快速、有效地提取湿地的植被生物量信息，直观地反映湿地植被的生长状态和发展变化，对湿地生态环境监测和保护具有重要意义。

基于植被指数的植被生物量反演是目前大面积生物量估算的主要方法。童庆禧等［2］开展了湿地植被成像光谱研究，对鄱阳湖湿地进行植被光谱识别分类与生物量制图;Zheng等［3-6］曾对植被指数反演LAI(叶面积指数)展开过相关研究，结果表明LAI与多种植被指数具有良好的相关性，并得到不同植被指数反演LAI的估算模型;李仁东［7］等基于Landsat ETM数据估算鄱阳湖湿地植被生物量，研究不同植被指数及遥感影像第一主成分与实地采样生物量数据的相关性，并建立相关性模型估算鄱阳湖2000年4月的植被生物量;吴涛［8］、陈鹏飞［9］等分别用一元回归方法估算辽东湾双台子河口湿地翅碱蓬和呼伦贝尔草地地上生物量;Foody［10-12］等分别基于TM、HJ-1A及SPOT影像数据结合线性回归模型估算森林生物量;Susan等［13-16］多位国内外研究者都曾基于不同的遥感数据，采用不同的回归分析方法得到植被指数与不同植被生物量之间的关系模型，并且形成了比较成熟的计算体系，即采用一元线性或曲线模型来拟合不同植被指数与生物量之间的的关系，并对估算结果进行精度评价，从而估算研究区域的植被生物总量或者生成研究区域的植被生物量空间分布图;Aurélie［17］等研究基于分类树算法的湿地监测方法，认为不同季节应采用不同的植被指数作为指示因子;王立海［18］等采用引入地形因子的增强型B-P神经网络建立了森林生物量非线性遥感模型，生成了总体精度为88．04%的研究区域森林生物量定量分布图。姚延娟［19］等研究遥感模型多参数反演的相互影响机理，分析了反演过程中参与反演的未知参数的个数、参与反演的每个参数的敏感性及各个参数敏感性之间的相关性。用单一植被指数作为输入因子，在拟合中覆盖度植被生物量时，具有较高的精度和灵敏度，而在植被覆盖不均匀的区域，其预测结果存在较大误差，不能准确地反映真实的生物量信息。研究在此基础上综合多种植被光谱指数作为输入因子，采用MLRM拟合生物量分布，在一定程度上提高了基于植被光谱指数的生物量估算方法的精度和可靠性。

1 数据获取与方法

1．1 研究区域概况

郑州黄河湿地自然保护区位于黄河中下游交界区域，水域辽阔，滩涂广布，湿地类型多样，是我国中部地区湿地生物多样性分布的重要地区和河流湿地中最具代表性的地区之一，也是我国鸟类重要的繁殖地、越冬地和我国候鸟迁徙的三大重要通道之一。保护区地理坐标在北纬34°48'—35°06'，东经112°48'—114°14'之间属暖温带大陆性季风气候区，年平均气温14．2℃，年平均日照为2366 h，平均无霜期227 d，年均降水量为616 mm，年均蒸发量1664．2 mm。保护区内植被种类丰富，有维管束植物80科284属598种。其中木本植物有38种，草本植物560种。主要植被类型有水生植被、沙生植被、盐生植被、防护林和果木林植被等。

研究区域位于郑州黄河湿地自然保护区范围内，地处郑州市北部、新乡市及焦作市南部，以黄河大堤作为南北边界(图 1)。地理坐标在北纬 34°54'—35°05'，东经 113°15'—114°06' 之间，总面积为 47374 hm2。研究区域植被分布较均匀，由黄河沿岸至滩区混杂分布着香蒲等挺水植物群落，茅草、艾蒿、马唐、狗尾草等常见草本植物群落(多为丛生)，及柽柳等小型灌木。研究对象为香蒲、芦苇、水蜈蚣、水蓼等典型湿生挺水植物以及马塘、狗尾草等为主的植物群落，约占研究区域植被的80%—90%，为研究区域的优势种群。

图1 研究区位置示意图Fig．1 Location of study area schematic plot

1．2 数据获取

1．2．1 遥感影像数据

研究的基础数据选用2010年8月16日获取的HJ-1A卫星CCD2多光谱影像，在选取同步影像时，考虑到数据质量和云层遮盖影响，与地面采样有4d的时差。影像覆盖山西省东南部、河北省南部、河南省北部及山东省西部区域。

HJ-1A卫星CCD相机星下点空间分辨率为30 m，扫描幅宽360 km(单台)，光谱范围覆盖包括蓝色波段(0．43 —0．52 μm)、绿色波段(0．52—0．60 μm)、红色波段(0．63—0．69 μm)以及近红外波段(0．76—0．90 μm)，可以满足植被指数提取和相关研究的要求。HJ-1A卫星具高时空分辨率，建有配套地面系统，可以快速高效地实现数据接收、处理和分发，同时具有应急快速处理能力和快速存取能力。研究充分利用国产卫星数据特征优势，对推广国产卫星数据产品应用具有重要意义［20］。

1．2．2 样点布设及地面实测数据

地面生物量采集于2010年8月20日进行，野外实地调查采样数据将用于反演模型的拟合及其精度和预测能力的检验。根据研究区植被生长密度分割结果，考虑到植被分布特征，沿南北方向设若干列30 m×30 m的样区，每个样区内根据植被株丛分布划定若干1 m×1 m有代表性的样点，最终共选取样区45个。涉及的植被类型以香蒲、芦苇水蜈蚣等挺水植物以及马塘、狗尾草等植物群落为主，占到样本总量的90%左右，是具有代表性的优势种群。样区分布见图2。

图2 实地样区位置分布图Fig．2 The distribution of sample districts

在每个样点区域内齐地剪取地上生物量，然后将同一个样区所有样点的采样混合后进行称重，并作记录，记录内容包括样区编号、中心点GPS坐标、植被种类、样本鲜重、距河岸距离、高程、株高、盖度等。然后将每个样区内采集的样本分别取100 g放入自封袋中并标记样区号，带回实验室恒温烘干并记录净重，计算出含水率μi。最后通过公式(1)将样点鲜重换算成为样点净重(干重)。最终每个样区植被生物量记录结果为样区干生物量单位面积均值(g/m2):

式中，wi1、wi2、wi3为第i个样区内n个样本植被的鲜重，μi为第i个样区样本植被含水率，Wi为该样区样本植被生物量净重(干重)。

将所有样点的记录数据按照样区均匀分布的原则划分为两个组。选取1—33号样区33个样本组数据结合其植被指数用于拟合生物量模型，剩余的34—45号12个样区样本组数据用于对模型预测精度进行检验。

1．3 数据处理方法及流程

1．3．1 数据处理

本次研究的数据处理包括遥感数据的处理及地面实地采样数据的处理两部分。首先根据绝对辐射定标系数对影像进行辐射定标，将各波段DN(像元亮度值)值转为表观辐射亮度;鉴于影像获取时研究区上空晴朗无云，选取改进的暗像元法［21］大气校正模型计算并获得大气校正参数，综合表观辐射量度图像和大气校正参数建模，得到反射率图像;然后采用多项式法对影像进行几何校正，误差控制在0．5个像元以内;最后沿黄河大堤对影像进行裁剪，得到研究区域影像。

遥感影像上的植被信息，主要是通过绿色植物叶片和植被冠层的光谱特性及其变化差异而反映的。不同光谱波段所获得的植被信息与植被的不同要素或某种特征状态有各种不同的相关性。因此，在建立遥感生物量方程时，选定适合该区域该季节的遥感指示因子就显得极为重要。

研究选取 EVI、GNDVI、MSAVI、MTVI2、NDVI、OSAVI、RVI和 SAVI共 8 种常用植被光谱指数(表 1)作为研究对象。考虑到研究区优势种群占到植被总量的90%，且群落分布较为均匀，故认为植被指数图像中，一个混合像元的值代表地面一个样区内(30 m×30 m)混合植被指数。由于采样点数据是矢量结构，故各样本点的植被指数值取其所在植被指数图像上对应像元值。配合生物量统计结果为每个样区单位面积(1 m×1 m)混合植被干生物量的均值，以保证反演结果的可靠性。

表1 本研究中用到的植被光谱指数Table 1 Spectral vegetation index used in this study

1．3．2 SCRM 数学模型

采用回归拟合方法估算生物量，将单一植被指数作为自变量采用回归拟合的方法得到一个线性或者非线性方程(如SCRM)的方法已被广泛应用。SCRM(一元曲线回归模型)多用于拟合植被指数与生物量之间的曲线相关关系，主要采用指数模型或者高次方程，虽然模型拟合精度有所提高，但由于数学算法本身的原因，在植被覆盖不均匀区域，反演结果会出现较大误差。实际研究中常用多项式方程作为生物量SCRM的基本模型(公式(2))。

式中，Y为植被干生物量，x为植被指数，a0，a1，…，am为回归系数，ε为剩余误差。

研究采用函数逼近的方法来确定公式(2)中植被指数的次数，首先从一次多项式开始，直至多项式的剩余误差平方和小于某个给定的任意值为止。

1．3．3 MLRM 数学模型

这里引用的MLRM(多元线性回归模型)最早是为解决实际经济问题而定义的。在实际经济问题中，一个变量往往受到多个变量的影响，如家庭经济支出，后被引申到地理科学及数据统计领域［29］。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。实际应用中，为了保证模型具有优良的解释能力和预测效果，须遵循MLRM的变量选择准则。

用于拟合生物量MLRM数学模型的建立是研究探讨的核心。设y为因变量x1，x2，…，xk为自变量，并且自变量与因变量之间为线性关系时，则多元线性回归模型为:

公式(3)称为回归方程，式中b0为常数项，b1，b2，…，bk为回归系数，ε为随机误差。这里y对应于生物量，x对应于不同植被指数。b0+b1x1+b2x2+bkxk+ε设有n组样本点数据，其中xij表示xj在第i次的观测值，于是有:

式中，b0，b1，b2，…，bk为 k+1 个待定参数，ε1，ε2，…，εn为 n 个相互独立的且服从同一正态分布 ε—N(0，δ2)的随机变量。这里xij表示某一植被指数xj在第i个样本点的值，y1，y2，…，yn为各样本点实测生物量。公式(4)称为多元(k元)线性回归的数学模型。

课程标准提出识字教学要“力求识用结合”，课堂中，先从文本中习得，再进行当堂的指导运用，识字伴随着阅读的进程而展开，所学的生字就不容易混淆，容易巩固，也不显得枯燥，这样能激发学生学习汉字的兴趣和欲望。如《田家四季歌》教学最后，感受农民伯伯的辛苦与忙碌中，由“戴”字入手，从早忙到晚，农民伯伯在忙什么？再现前面学到的各种农活，再次体会到农民的辛苦，从而积累“披星戴月”这个成语。再由文中的“戴月光”引入到自身戴的东西，学生主动地找寻着在生活中的各种“戴”：戴围巾、戴红领巾、戴项链等等，在课堂上对“戴”进行了运用。学生就掌握扎实，也不会与“带”混淆了。

式中，Y为因变量矩阵，这里对应于实测生物量矩阵;X为自变量矩阵，这里对应于各样本点植被指数;b为系数矩阵;ε'为随机误差。公式(5)称为生物量MLRM的矩阵形式。

研究表明，处于生长状态的植被干生物量与多种植被指数存在相关关系［30-33］。在进行生物量反演模型构建时，综合考虑多种植被指数的最优组合来预测或估算生物量，比只用一种植被指数进行预测或估计更准确，更具有实际意义。

研究将植被生物量抽象为一种现象，将各种植被指数抽象为多个不同影响因子，将植被生物量与植被指数的相关关系抽象成一种数学模型，并尝试采用MLRM拟合方法来解释它们的这种相关关系。

1．3．4 技术流程

研究处理流程主要包括3个部分:基础遥感数据的预处理及植被光谱指数提取;地面采样数据的处理筛选;模型拟合及精度评价。主要技术流程见图3。其中，遥感数据预处理包括影像的辐射定标、大气校正、几何校正及影像裁剪，之后提取植被指数;地面采样数据通过换算为生物量干重单位面积均值;采用MLRM方法及SCRM方法分别对植被指数和生物量进行拟合，得到拟合模型并对其进行精度评价。然后通过对比选出最优的拟合模型，估算研究区域植被总量，并绘制研究区域2010年8月植被生物量空间分布图。

SCRM和MLRM拟合结果精度评价指标选用相关系数法及实测生物量方法。相关系数法包括求解相关系数(预测决定系数)r、精度(或系统误差)SE及均方根误差RMSE(公式(6)—(8))。实际生物量法是通过对研究区地物进行解译分类，聚类得到不同密度植被的面积，乘以各相应区域的样方单位面积实测平均生物量，然后进行求和得到研究区总的干生物量(公式(9))，将其结果与反演模型估算总生物量结果进行对比，计算其相对误差。

需要说明的是:相关系数r反映某一植被指数与生物量之间的相关关系，其取值范围为(-1，+1)。|r|越大，表明变量之间的线性相关程度越高，反之相关程度越低。当相关系数小于0时，称为负相关;大于0时，称为正相关;等于0时，称为零相关。

研究采用多种检验指标对MLRM拟合结果进行精度检验，在保证模型精度的基础上，进一步提高模型的预测能力，并用实地采样数据对其预测能力进行检验。

图3 整体技术流程图Fig．3 Total technique flowcharts

2 生物量反演及精度检验

2．1 生物量反演

SCRM方法拟合生物量采用回归分析法，利用(2)式对生物量进行拟合，在要求误差平方和 (∑ εi()2)为最小的前提下，用最小二乘法求解参数。各植被指数拟合生物量结果见表2。

输入植被指数的筛选是MLRM建立的关键。其遵循的准则为:(1)所选用植被指数与生物量呈密切相关性;(2)所选用植被指数之间具有一定的互斥性，其相互间相关程度不应高于与生物量之间的相关程度;(3)生物量实地采样值具有完整的统计数据，其预测值容易确定。

将33个样本点的光谱指数进行变量相关性分析及筛选，结果表明EVI、GNDVI、MSAVI、MTVI2、NDVI及RI符合互斥原则，且与生物量具有较好的相关关系，被选入MLRM作为模型拟合自变量;而SAVI、OSAVI因与NDVI存在较强线性关系被剔除。在要求误差平方和(∑ εi()2)为最小的前提下，用最小二乘法求解b0、b1、b2、b3、b4、b5和b6，得到6种植被指数对生物量的多元线性回归拟合结果:

2．2 精度检验

SCRM及MLRM拟合结果精度和预测能力检验采用相关系数法(公式(6)—(8))及实际生物量方法(公式(9))，分别选取模型拟合变量输入组33个、模型预测能力检验组12个样本点的实际采样值作为参考进行精度检验。SCRM及MLRM拟合生物量数据结果见附表(共45组)。SCRM及MLRM拟合模型精度及预测能力检验分别见表2和表3。

表2中可以看出，NDVI、OSAVI等拟合的曲线模型达到较高的精度，但是预测能力检验略有降低，预测能力分析结果见图4。可以看出预测生物量分布呈现不同程度的离散，特别是生物量值实测较高的地方出现了明显偏离，因此不能很好地反演生物量分布。

表2和表3的对比中可知，MLRM拟合生物量精度及预测能力检验结果均优于SCRM拟合生物量精度及预测能力检验结果，模型相关系数为0．9791，拟合精度达到29．8 g/m2，预测决定系数达0．8742，误差为49．9 g/m2。图5中各样本点数据均落在1∶1等值线周围，表明MLRM对湿地生物量反演结果有较好预测能力。

表2 SCRM拟合结果及精度检验Table 2 Comparison between Results of SCRM

表3 MLRM拟合结果及精度检验Table 3 Accuracy check results of MLRM

图4 不同SCRM拟合生物量预测结果对比图Fig．4 Comparison of predicted results between different models

图5 MLRM拟合生物量预测结果图Fig．5 Comparison between predicted and actual biomass by MLRM

MLRM拟合结果建模进行生物量反演，得到研究区植被生物量为6．849 199 t/hm2，反演得到生物量空间分布见图6。通过对研究区地物解译聚类将植被覆盖区域按植被生长密度分割为不同区域，采用实际生物量方法估算的生物量为6．525 450 t/hm2，两者相差0．323 749 t/hm2，相对误差为4．73%。

与图7地物分类结果进行对比，图6中黄河北岸村落周边的混合像元被很好地识别出来，村落的轮廓线清晰，道路纵横交错;此外，近年来黄河水量减少，增加了许多河心滩，其上生满了绿色植被，部分区域目测生物量覆盖甚至超过陆地表面，这在图6中也有所体现;MLRM拟合结果很好地区分开黄河南岸的丘陵地带植被和裸地，以及水田和旱地;这些均与实地调查情况相吻合。由此可见，基于MLRM和植被光谱指数及实地采样数据可以较为准确估算湿地生物量分布。

图6 MLRM反演生物量空间分布图Fig．6 Spatial distribution of biomass estimation by MLRM

图7 研究区地表覆盖分类结果图Fig．7 The classification of the land cover

3 结论与讨论

利用遥感技术反演湿地植被生物量，有利于对湿地植被资源进行实时监测和精准管理。本研究基于HJ-1A卫星CCD2影像和多种回归模型以郑州黄河湿地自然保护区为例对生物量进行反演计算。结论及讨论如下:

(1)基于环境减灾卫星数据提取植被指数，结合野外实地采样数据可以估算湿生植被生物量是可行的，同时为湿地植被监测及生态资源管理提供了一个有力工具，对于推动国产卫星数据在资源环境领域的应用具有重要意义。

(2)对于研究区湿地植被干生物量，MLRM拟合结果具有较好的精度和预测能力，能够较好地用于估算湿地植被生物量。其模型显著性检验为极显著，模型相关系数为0．9791，拟合精度达到29．8 g/m2;其模型预测结果系统误差为49．9 g/m2，预测决定系数为0．8742，均方根误差为67．2 g/m2，比传统的一元回归模型具有更高的精度和可靠性。估算研究区域2010年8月湿生植被生物量为6．849 199 t/hm2，与实际生物量法估算生物量结果相差0．323 749 t/hm2，相对误差为4．73%。

(3)经过选取不同样本组数据进行实验，本研究提出的采用MLRM拟合生物量方程方法所得到的结果与实际采样对比结果各项误差指标变化不大，表明本研究提出的方法具有一定的可复制性。

(4)混合像元的存在是影响反演精度的主要因素之一。为解决这一问题，根据研究区植被分布特点，选择分布相对均匀且有代表性的地块作为样区，调查组成混合像元的典型地物的比例［34-35］，并按照这一原则抽取样方。

湿地是人类最重要的环境资本之一，也是自然界富有生物多样性和较高生产力的生态系统，湿地的水陆过渡性使环境要素在湿地中的耦合和交汇作用复杂化，它对自然环境的反馈作用是多方面的。MLRM用作估算湿地植被生物量，具有超越传统一元回归模型的精度和预测能力，作为一种基于遥感技术的可靠的植被生物量检测和反演手段，对生态资源管理和湿地生态环境保护具有重要意义。

［1］ Ouyang Z Y，Wang X K，Miao H．A primary study on Chinese terrestrial ecosystem services and their ecological-economic values．Acta Ecologica Sinica，1999，19(5):607-613．

［2］ Tong Q X，Zheng L F，Wang J N，Wang X J，Dong W D，Hu Y M，Dang S X．Study on imaging spectrometer remote sensing information for wetland vegetation．Journal of Remote Sensing，1997，1(1):50-57．

［3］ Zheng D L，Radamacherb J，Chen J Q，Crow T，Bresee M，Moine J L，Ryu S R．Estimating above ground biomass using Landsat 7 ETM+data across a managed landscape in northern Wisconsin，USA．Remote Sensing of Environment，2004，93(3):402-411．

［4］ de Jong S M S，Pebesma E J，Lacaze B．Above-ground biomass assessment of mditerranean forests using airborne imaging spectrometry:the DAIS Peyne experiment．International Journal of Remote Sensing，2003，24(7):1505-1520．

［5］ Fang X Q，Zhang W C．The application of remotely sensed data to the estimation of the leaf area index．Remote Sensing For Land and Resources，2003，(3):58-62．

［6］ Liu Y B，Ju W M，Zhu G L，Chen J M，Xing B L，Zhu J F，Zhou Y L．Retrieval of leaf area index for different grasslands in Inner Mongolia prairie using remote sensing data．Acta Ecologica Sinica，2011，31(18):5159-9170．

［7］ 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．

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

［9］ 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．

［10］ Foody G M，Boyd D S，Cutler M E J．Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions．Remote Sensing of Environment，2003，85(4):463-474．

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

［12］ Soenen S A，Peddle D R，Hall R J，Coburn C A，Hall F G．Estimating aboveground forest biomass from canopy reflectance model inversion in mountainous terrain．Remote Sensing of Environment，2010，114(7):1325-1337．

［13］ 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 Sciences，2011，14(1):49-56．

［14］ Iryna Dronova，Peng G，Lin W．Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake，China．Remote Sensing of Environment，2011，115(12):3220-3236．

［15］ Newnham G J，Verbesselt J，Grant I F，Anderson S A J．Relative greenness index for assessing curing of grassland fuel．Remote Sensing of Environment，2011，115(6):1456-1463．

［16］ Chen L F，Gao Y H，Cheng Y，Wei Z，Xiao Q，Liu Q H，Yu T，Liu Q J，Gu X F，Tian G L．Biomass estimation and uncertainty analysis based on CBERS-02 CCD camera data and field measurement．Science in China Ser E:Engineering and Materials Science，2005，48(2):116-128．

［17］ Davranche A，Lefebvre G，Poulin B．Wetland monitoring using classification trees and SPOT-5 seasonal time series．Remote Sensing of Environment，2010，114(6):552-562．

［18］ Wang L H，Xing Y Q．Remote sensing estimation of natural forest biomass based on an artificial neural network．Chinese Journal of Applied Ecology，2008，19(2):261-266．

［19］ Yao Y J，Liu Q，Liu Q H，Li X W．Research on the mutual effect of the parameters on inversion of canopy reflectance model．Journal of Remote Sensing，2008，12(1):1-8．

［20］ Zhou Z，He L，Liu L M．Feasibility study for retrieval of chlorophyll-a concentration in Donghu Lake using HJ-1 A/B CCD data．Bulletin of Surveying and Mapping，2011，(3):11-14．

［21］ Zheng W，Zeng Z Y．Dark-object methods for atmospheric correction of remote sensing image．Remote Sensing For Land and Resources，2005，(1):8-11．

［22］ 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．

［23］ Huete A R．A soil-adjusted vegetation index(SAVI)．Remote Sensing of Environment，1988，25(3):295-309．

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

［25］ 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．

［26］ 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．

［27］ Haboudane D，Miller J R，Pattey E，Zarco-Tejada P J，lan Strachan 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．

［28］ Huete A，Justice C，Liu H．Development of vegetation and soil indices for MODIS-EOS．Remote Sensing of Environment，1994，49(3):224-234．

［29］ Xu J H．Mathematical Methods in Contemporary Geography．Beijing:Higher Education Press，2002:47-60．

［30］ Li X，Yeh Anthony，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．

［31］ Xiu C Y，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 2010 International Conference on Remote Sensing(ICRS 2010)，2010，(2):465-470．

［32］ 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．

［33］ Tao S，Wang P X．Retrieval of district evapotranspiration using remotely sensed biomass products//Environmental Science and Information Application Technology．Wuhan:IEEE，2009:466-469．

［34］ Zhou H，Wang B，Zhang L M．New scheme for decomposition of mixed pixels of remote sensing images．Journal of Infrared and Millimeter Waves，2005，24(6):463-466．

［35］ Liu L F，Wang B，Zhang L M．Decomposition of mixed pixels based on bayesian self-organizing map and gaussian mixture model．Pattern Recognition Letters，2009，30(9):820-826．

参考文献:

［1］ 欧阳志云，王效科，苗鸿．中国陆地生态系统服务功能及其生态经济价值的初步研究．生态学报，1999，19(5):607-613．

［2］ 童庆禧，郑兰芬，王晋年，王向军，董卫东，胡远满，党顺行．湿地植被成像光谱遥感研究．遥感学报，1997，1(1):50-57．

［5］ 方秀琴，张万昌．叶面积指数(LAI)的遥感定量方法综述．国土资源遥感，2003，(3):58-62．

［6］ 柳艺博，居为民，朱高龙，陈镜明，邢白灵，朱敬芳，周艳莲．内蒙古不同类型草地叶面积指数遥感估算．生态学报，2011，31(18):5159-9170．

［7］ 李仁东，刘纪远．应用Landsat ETM数据估算鄱阳湖湿生植被生物量．地理学报，2001，56(5):532-540．

［8］ 吴涛，赵冬至，康建成，张丰收，程璐．辽东湾双台子河口湿地翅碱蓬 (Suaeda salsa)生物量遥感反演研究．生态环境学报，2011，20(1):24-29．

［9］ 陈鹏飞，王卷乐，廖秀英，尹芳，陈宝瑞，刘睿．基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究．自然资源学报，2010，25(7):1122-1131．

［18］ 王立海，邢艳秋．基于人工神经网络的天然林生物量遥感估测．应用生态学报，2008，19(2):261-266．

［19］ 姚延娟，刘强，柳钦火，李小文．遥感模型多参数反演相互影响机理的研究．遥感学报，2008，12(1):1-8．

［20］ 周正，何连，刘良明．基于HJ-1A/B CCD数据的东湖叶绿素a浓度反演可行性研究．测绘通报，2011，(3):11-14．

［21］ 郑伟，曾志远．遥感图像大气校正的黑暗像元法．国土资源遥感，2005，(1):8-11．

［29］ 徐建华．现代地理学中的数学方法．北京:高等教育出版社，2002:47-60．

［32］ 郭玉川，何英，李霞．基于MODIS的干旱区植被覆盖度反演及植被指数优选．国土资源遥感，2011，(2):115-118．

［34］ 周昊，王斌，张立明．一种新的遥感图像混合像元分解方法．红外与毫米波学报，2005，24(6):463-466．

附表 拟合生物量数据与实测数据/(g/m2)Accessories table Comparison between fitting results and actual data