基于高分一号 WFV卫星影像的黄河口湿地草本植被生物量估算模型研究

2014-08-27 01:18:56王建步,张杰,马
激光生物学报 2014年6期
关键词:黄河口草本植被指数

滨海湿地在维护生物多样性/保持区域生态平衡等方面发挥着重要的作用[1, 2]。湿地植被生物量是生态阈值确定、固碳能力评估和生态功能评价的重要参数[3, 4],准确开展滨海湿地植被生物量评估及其变化监测,是合理地开展滨海湿地保护和恢复工作的前提。滨海湿地环境复杂,大部分区域难以进入,遥感技术是解决这一问题的重要手段。黄河口湿地地物复杂多样,是多种珍贵鸟类的栖息地,开展该区域植被生物量遥感反演研究具有重要意义。

卫星遥感作为一种湿地植被生物量监测手段,发挥了重要作用[5-7],目前基于遥感影像的湿地植被生物量算模型,主要是结合不同的植被指数和现场生物量数据,建立生物量估算模型。如基于Landsat TM数据,李旭文等建立了DVI与太湖梅梁湖湾蓝藻生物量湿重之间的一元线性模型[8]。傅新等基于HJ-1 CCD遥感数据和滨海湿地碱蓬生物量实测数据,建立了黄河三角洲湿地翅碱蓬生长初期的生物量湿重遥感估算模型[9]。李爽等结合Landsat TM图像和实测样地生物量数据,开展了洪河湿地自然保护区湿地植被乌拉苔草的生物量估算模型研究[10]。李仁东等建立了鄱阳湖湿地植被生物量采样数据与ETM4波段的一元线性相关模型[11]。湿地生物量遥感模型研究主要采用的遥感数据源是TM影像和其它高光谱影像,其空间分辨率相对较低,获取周期长。而具有高空间分辨率、高时间分辨率和宽刈幅的高分一号(GF-1)卫星影像为开展黄河口湿地典型植被生物量遥感反演的模型研究提供了数据支持。

本文以GF-1 WFV多光谱影像为数据源,计算NDVI、SR、SAVI、MSAVI、GBNDVI和DVI 6种常用植被指数,结合现场植被地上干生物量实测数据,建立黄河口湿地草本植被地上干生物量遥感估算模型。

1 研究区

研究区为黄河口湿地(119°3′E-119°13′E,37°43′N-37°50′N)(见图1),位于我国最年轻的土地--黄河三角洲,面积约230 km2。黄河三角洲国家级自然保护区核心区就位于此,该区域有芦苇、翅碱蓬、大米草、荻草等多种草本植被,生态环境受自然和人为影响严重,生态资源宝贵而脆弱,大部分区域环境复杂,难以进入,遥感成为对该区域开展监测的一种重要手段。

图1 研究区与采样站点Fig.1 Study area and the sample sites

2 数据与方法

2.1 数据与处理

选用2013年10月5日获取的GF-1 WFV卫星多光谱遥感影像,相关参数如表1所示。

采用ENVI软件中FLAASH大气校正模块对影像进行大气校正。结合2005和2014年两次现场调查测量的高精度影像控制点,对GF-1多光谱影像进行了几何校正,校正中误差小于0.5个象元。

2.2 现场数据

2013年9月24日至10月2日,开展了研究区典型草本植被生物量现场获取。在尽量满足空间分布均匀的要求下,获取了35个站点植被单位面积的地上部分生物量样本。在生物量样本获取时,选择分布均匀的草本植被生长区,且位于影像纯像元覆盖区、具有区域特征的1 m×1 m的样方,割取植被地上植株,去掉干枯部分,放入吸水透气性好的牛皮纸袋,带回实验室。在105 ℃下杀青30 min,80 ℃条件下恒温烘干直至恒重,称重获得现场站点地上部分草本植被干生物量。经过后期质量控制,选择24个站点的样本用于本文研究,其中17个样本用于模型构建,7个样本用于模型验证。

2.3 方法

利用ERDAS软件,计算GF-1 WFV卫星数据归一化植被指数(NDVI)[12]、简单比值植被指数(SRI)[13]、土壤调节植被指数(SAVI)[14]、修正土壤调节植被指数(MSAVI)[15]、考虑绿光改进的植被指数GBNDVI[16]和差值植被指数DVI[8]共6种多光谱遥感影像生物量反演中常用的植被指数,将其与地上草本植被干生物量相结合,进行线性、指数、对数和幂回归模型分析,建立基于各植被指数的地上干生物量估算模型,确定最佳估算模型。表2给出了6种植被指数及其计算公式。

注:ρNIP、ρRed、ρGreen和ρBlue分别为GF-1 WFV卫星数据某一像元在近红外、红、绿和蓝光波段的反射率。

3 结果与分析

基于GF-1 WFV数据的黄河口湿地草本植被地上干生物量遥感估算模型结果如表3所示。

由表3可看出,黄河口湿地草本植被地上干生物量与基于GF-1 WFV卫星数据获取的各植被指数均显著相关(P<0.001)。由于基于GF-1 WFV数据获取的GBNDVI指数中有负值,故没有相应的对数回归模型和幂回归模型。基于6种植被指数的地上生物量反演型共有22种,其中各反演模型中最佳模型分别为基于NDVI和GBNDVI的指数回归模型以及基于DVI、SRI、SAVI、和MSAVI的幂回归模型。

各生物量反演模型的R2都在0.65附近上下波动(见图2 a),基于各植被指数获取的幂回归模型(除GBNDVI)R2整体比较大,都大于0.73。不同植被指数对应的线性回归模型和对数回归模型的R2最接近,最大差值小于0.1,但其R2整体偏低。指数回归模型对应不同植被指数的R2变化最剧烈,其中对应NDVI最大为0.7537,对应SRI的最小为0.6455。由图2b可以看出,各生物量反演模型的MRE都在50%上下波动,其中基于NDVI的生物量最佳反演模型MRE最小,为23.9%。基于同一植被指数(除NDVI和GBNDVI)的各生物量反演模型中,对数回归模型的MRE最大,幂回归模型的最小,线性回归模型和指数回归模型的位于它们中间。

表3 黄河口湿地草本植被地上干生物量估算模型(平均相对误差:%)Tab.3 aboveground dry vegetation biomass estimation models in the Yellow River estuary wetland(MRE: %)

注:“*”植被指数和地上干生物量显著相关(P<0.001);“-”植被指数有负数,无相应的回归模型;加粗模型为基于4种植被指数分别得到的最佳回归模型。

(a)决定系数随植被指数变化 (b)平均相对误差随植被指数变化图2 基于不同植被指数的各回归模型决定系数和平均相对误差Fig.2 Coefficient of determination and MRE based on different kinds of vegetation indices

考虑各模型的决定系数R2和平均相对误差MRE,易知基于NDVI和GBNDVI建立的生物量最佳反演模型都是指数回归模型,其R2分别为0.7537和0.7524,MRE分别为23.9%和25.0%,基于DVI、SRI、SAVI和MSAVI得到的生物量最佳反演模型都是幂回归模型,其R2分别为0.7524、0.7378、0.7541和0.7701,MRE分别为46.0%、26.0%、46.0%和53.4%。在得到的6种最佳生物量反演模型中R2都满足R2>0.7,按大小排序为MSAVI>SAVI>NDVI>DVI>SRI>GBNDVI。基于MSAVI得到的幂回归模型R2最大,为0.77,而基于SRI建立的最佳生物量反演型最小为0.7378。各生物量最佳反演模型中,MRE都小于54%,最小的为23.9%,按由小到大排序为NDVI

4 结论与讨论

基于GF-1 WFV多光谱卫星数据,计算得到NDVI、SRI、SAVI、MSAVI、GBNDVI和DVI 6种植被指数,结合现场采样确定的黄河口湿地地上草本植被生物量数据,进行线性、指数、对数和幂等4种模型的回归分析,得到22种生物量反演模型,分析了各种反演模型的决定系数和平均相对误差,确定了基于各种植被指数的最佳生物量估算模型,结论如下:

(1)基于NDVI和GBNDVI的最佳生物量估算模型都为指数函数模型,基于其它植被指数的最佳生物量估算模型都是幂函数模型(P<0.001)。

(2)基于高分一号WFV卫星数据获取的6种植被指数与黄河口湿地草本植被地上干生物量建立的最佳估算模型决定系数都满足R2>0.7,MRE<54%,其中R2最大为0.77,按由大到小排序为MSAVI > SAVI > NDVI > DVI > SRI > GBNDVI;MRE最小为23.9%,按由小到大排序为NDVI < GBNDVI< SRI < DVI=SAVI< MSAVI。

由于黄河口湿地环境复杂,很多地方无法直接进入,难以获取更多的现场生物量样本;在下一步工作中,将结合植被生长参数和生长环境等要素,开展有限样本条件下的生物量遥感模型研究。

[1] WOODWARD R T, WUI Y S.The economic value of wetland services: a meta-analysis [J].Ecological Economics, 2001, 37(2):257-270.

[2] 杨永兴. 国际湿地科学研究的主要特点、进展与展望 [J]. 地理科学进展, 2002, 21(3):111-120.

YANG Yongxing.Main characteristics, progress and prospect of international wetland science Research [J]. Process in Geography, 2002, 21(2):111-120.

[3] 崔保山, 贺强, 赵欣胜. 水盐环境梯度下翅碱蓬(Suaeda salsa)的生态阈值 [J]. 生态学报, 2008, 28(4):1408-1418.

CUI Baoshan, HE Qiang, ZHAO Xinsheng. Researches on the ecological thresholds ofSuaedasalsato the environmental gradients of water table depth and soil salinity [J].Acta Ecologica Sinica, 2008, 28(4):1408-1418.

[4] 刘国华, 马克明, 傅伯杰, 等. 岷江干旱河谷主要灌丛类型地上生物量研究 [J]. 生态学报, 2003, 23(9):1757-1764.

LIU Guohua, MA Keming, FU Bojie,etal.Aboveground biomass of main shrubs in dry valley of Minjiang River [J].Acta Ecologica Sinica, 2003, 23(9):1757-1764.

[5] WYLIE B, MEYER D, TIESZEN L,etal. Satellite mapping of surface biophysical parameters at the biome scale over the North American grasslands:a case study [J]. Remote Sensing of Environment, 2002, 79(2):266-278.

[6] LU D. The potential and challenge of remote sensing‐based biomass estimation [J]. International journal of remote sensing, 2006, 27(7):1297-1328.

[7] CHO M, SKIDMORE A. Hyperspectral predictors for monitoring biomass production in Mediterranean mountain grasslands:Majella National Park, Italy [J]. International Journal of Remote Sensing, 2009, 30(2):499-515.

[8] 李旭文, 季耿善, 杨静. 太湖梅梁湖湾蓝藻生物量遥感估算 [J]. 国土资源遥感, 1995, 2:23-28

LI Xuwen, JI Gengshan, YANG Jing.Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing [J].Remote Sensing for Land and Resources, 1995, 2:23-28.

[9] 傅新, 刘高焕, 黄翀, 等. 湿地翅碱蓬生物量遥感估算模型 [J]. 生态学报, 2012, 32(17):5355-5362.

FU Xin, LIU Gaohuan, HUANG Chong,etal. Remote sensing estimation models ofSuaedasalsabiomass in the coastal wetland [J].Acta Ecologica Sinica, 2012, 32(17):5355-5362.

[10] 李爽. 洪河自然保护区湿地植被地上生物量遥感估算研究 [D]. 北京:首都师范大学, 2009.

LI Shuang. The remote sensing estimation and analysis of aboveground biomass of vegetation in Honghe wetland nature reserve [D]. Beijing:Capital Normal University, 2009.

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

LI Rendong, LIU Jiyuan.An estimation of wetland vegetation biomass in the Poyang Lake using Landsat ETM data [J].Acta Geographica Sinica, 2001, 56(5):532-540.

[12] ROUSE J. Monitoring vegetation systems in the Great Plains with ERTS [R]. NASA. Goddard Space Flight Center 3d ERTS-1 Symp, 1974.

[13] JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor [J]. Ecology, 1969, 50(4):663-666.

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

[15] QI J, CHEHBOUNI A, HUETE A,etal. A modified soil adjusted vegetation index [J]. Remote Sensing of Environment, 1994, 48(2):119-126.

[16] ADAM E, MUTANGA O, RUGEGE D. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation:A review [J]. Wetlands Ecology and Management, 2010, 18(3):281-296.

猜你喜欢
黄河口草本植被指数
毛铺草本酒
中华建设(2024年3期)2024-03-16 08:04:52
毛铺草本酒
中华建设(2023年10期)2023-10-07 05:23:04
跟您走向黄河口
黄河口的小康图景
金桥(2021年11期)2021-11-20 06:37:18
悠悠黄河口,浓浓黄河情
金桥(2021年11期)2021-11-20 06:37:08
彩墨绘草本
少儿美术(2020年8期)2020-11-06 05:21:38
AMSR_2微波植被指数在黄河流域的适用性对比与分析
河南省冬小麦产量遥感监测精度比较研究
主要植被指数在生态环评中的作用
西藏科技(2015年1期)2015-09-26 12:09:29
基于MODIS数据的植被指数与植被覆盖度关系研究