锡林格勒典型植被类型光谱特征

鹿琳琳，李庆亭，张熙，2，刘玲玲，隋悦

（1.中国科学院遥感与数字地球研究所数字地球重点实验室，北京100094；2.山东科技大学测绘科学与工程学院，山东青岛266590）

锡林格勒典型植被类型光谱特征

鹿琳琳1，李庆亭1，张熙1，2，刘玲玲1，隋悦1

（1.中国科学院遥感与数字地球研究所数字地球重点实验室，北京100094；2.山东科技大学测绘科学与工程学院，山东青岛266590）

内蒙古草原是全球变化研究的热点区域。遥感是进行大尺度草地动态监测最为有效的工具。为基于遥感数据的草地分类识别和动态变化监测提供依据，该文以锡林格勒盟的典型植被类型为研究对象，采集冠层反射率光谱数据，分析其波形和植被指数光谱特征。研究结果表明：红边面积、红边斜率以及680nm附近的叶绿素吸收谷特征参量，能够有效区分不同密度的草地和农业植被。归一化植被指数NDVI、绿度归一化植被指数GNDVI和优化调节植被指数OSAVI的变化趋势一致，能够反映植被绿度信息，适宜于监测植被长势。

遥感；光谱特征；植被指数；红边；草地

0 引 言

草地是全球陆地生态系统的主要类型之一，它与森林和海洋并列为地球的三大碳库，在全球变化研究中占有重要地位。内蒙古草原地处欧亚大陆腹地，地域辽阔，占全国草原总面积的22%，是温带草原的代表性类型。该区域气候干旱、生态系统脆弱，对气候变化响应十分敏感，作为全球变化陆地样带所在地，内蒙古草原一直以来都是全球变化研究的热点区域［1］。上个世纪以来，人口的持续增长为草地生态系统带来沉重压力。草地过度开垦，乱砍滥挖、超载放牧等破坏草地的生态平衡，内蒙古草原出现严重的沙化退化现象［2－3］。

遥感数据具有视野宏观、动态的特点，是进行大尺度草地动态监测最为有效的工具之一。高光谱遥感数据能够实现草地类型的精细划分，进而监测草场退化状况。地面光谱的测量和光谱特征分析能够为基于高光谱数据的植被的精细分类和动态监测提供辅助信息，是植被遥感的基础［4－5］。娜日苏等［6］测定锡林郭勒盟西乌珠穆沁旗低山丘陵草甸草原植物群落，分析发现群落光谱反射率随退化程度的加深而增强。Yamano等［7］测量内蒙古锡林格勒地区的大针茅、羊草、芨芨草和小叶锦鸡儿的地面光谱，分析光谱特征，发现基于能够区分4种草类的反射峰区，提出利用该特征监测草地退化。王焕炯等［8］测量叶片、冠层和群落尺度的光谱，通过参量化光谱特征差异，准确区分了的内蒙古呼伦贝尔温性草原几种退化指示草本植物。植被指数（Vegetation Index，VI）是利用多光谱数据，经线性或非线性组合构成的能反映植被生长状况和分布的各种指数的总称。长时间序列的植被指数变化能够反映草场变化，实现草场的动态监测［9－10］。植被指数类型多样，均存在一定的局限性和适用性。如基于红和近红外波段比值的归一化植被指数（Normalized Difference Vegetation Index，NDVI），当草地的生物量或叶面积指 数 较 大 时，就 达 到 一 个 饱 和 水 平［11－12］。Mutanga等［13］利用改进归一化植被指数（Modified Normalized Difference Vegetation Index，MNDVI），比值植被指数（Simple Ratio，SR）和调整植被指数（Transformed Vegetation Index，TVI）估算野水牛草（Cenchrus ciliaris）的生物量，发现SR与生物量相关性最大。Li等［14］比较了北美落叶阔叶林区MODIS的NDVI、EVI、LAI植被指数，指出由NDVI确定的植被返青期更优。但结合地面光谱测量，评价各种植被指数在监测草原长势动态中的适用性的研究较少。

考虑到草地类型的多样性和代表性，本研究选取锡林格勒盟为研究区域。通过该区域典型植被类型冠层的野外光谱测量和光谱特征分析，为基于遥感数据的草地分类识别和动态变化监测提供基础，为内蒙草原的科学管理、开发和可持续利用提供依据。

1 研究区域与数据采集

1.1 研究区域

锡林郭勒盟位于内蒙古自治区中部偏东，是一个以高平原为主体、兼有多种地貌单元的草地区，地势南北高、中间低。中温带半干旱大陆性气候类型，冬季寒冷，夏季炎热，降水不均，雨热同期。土壤类型多样，草地资源类型广泛，覆盖典型草原、草甸草原、荒漠草原的各个亚类。本研究采集光谱数据的地区位于锡林浩特市南部和正蓝旗的北部，以温带典型草原和荒漠草原为主，优势植物有羊草（Leymus chinensis）、大针茅（Stipagrandis）、克式针茅（Stipa krylovii）、脚苔草（Carex pediformis）、星毛委陵菜（Potentilla acaulis）、冷蒿（Artemisia frigid）等。农业以旱作为主，主要种植的农作物有小麦、莜麦、马铃薯、玉米及胡麻等。根据研究样区的植被覆盖状况，选择围封区，放牧区，过度放牧区，农业区4种代表性样区中的7种主要植被类型，稀疏草地，中等密度草地，高密度草地，小麦田，莜麦田，玉米田，马铃薯田，于2010年7月底8月初对植被进行冠层光谱测量和采样。在这个时间范围，研究区域植被除小麦田以外，多处于旺盛生长的时期。光谱采集样区典型植被类型的物候期见表1。为避免其他植被的干扰，草地均选取了羊草为建群种的区域进行光谱采集。

表1 典型植被类型物候期

1.2 数据采集

本次测量采用美国ASD公司生产的FieldSpec Pro型便携式光谱仪，所使用的波段范围为400nm～2500nm。光谱仪采样间隔在350nm～1000nm范围内为1.4nm，在1000nm～2500nm范围内为2nm，数据输出时均重采样为1nm间隔。野外地物光谱测量选择在晴朗天气进行，风力约1～2级，观测时间为10∶00～15∶00（北京时间）之间。每个样区随机选择10～20个不同的、均匀的、有代表性的面积为0.5m×0.5m样点进行光谱测量。测量规范遵守探头垂直向下观测，距离观测植被冠层顶部约1m，对同一种地物10次测量后对光谱曲线进行平均。光谱采集之后，记录样点地理坐标，利用皮尺测量冠层高度，相机垂直向下采集实地照片，用于计算植被覆盖度。对于能够进行生物量采样的自然植被，收割样点内所有的地上生物量，利用电子天平对鲜生物量进行称量。地上鲜生物量被定义为单位面积内所有植株的湿基质量，单位为g／m2。测量样点的基本情况及测量结果如表2和3所示，实地照片如图1所示。

表2 典型自然植被类型采样站点

表3 典型农业植被类型采样站点

图1 采样站点实地照片

2 光谱特征分析

2.1 不同植被类型的反射光谱特征比较

根据光谱测量结果，典型植被类型反射光谱曲线均保有绿色植物主要的反射光谱响应特征，选取400nm～900nm波长范围进行分析，如图2所示。主要表现为，叶绿素强烈吸收蓝光和红光，在480nm可见光波段和680nm左右的蓝光和红光区形成吸收谷，分别称为“蓝谷”和“红谷”，反射率一般在0.05～0.10和0.10～0.15之间；对绿光吸收较弱，在蓝谷和红谷之间（520nm～600nm）出现反射峰（绿峰），峰顶位于550nm附近，反射率一般在0.10～0.20之间；在近红外波段呈现强烈的反射，从700nm到760nm光谱反射值随波长的增加而急剧升高，反射曲线具有陡而接近于直线的形态，在680nm～750nm光谱区间急剧上升，形成一个反射陡坡，称为“红边”［15］；从760nm开始光谱反射值缓慢增加。其中，680nm附近的红谷波段，马铃薯田反射率最低，其次是玉米田，稀疏草地反射率最高。在光谱采集的7月底8月初，马铃薯处于开花期，这时块茎快速增长，光合作用需求旺盛，相应的叶面积也达到高峰值，样地内植株也非常稠密。玉米植株处于拔节－大喇叭口期，茎叶生长旺盛。而小麦处于成熟收获期，部分茎干叶已经枯黄，莜麦处于抽穗灌浆期。4种农业植被类型相比，玉米和马铃薯田在680nm和800nm～900nm波段表现出较为明显的绿色植物反射光谱特征。800nm～900nm波段，玉米反射率最高，其次是马铃薯田；浓密草地、中等密度草地和稀疏草地相比较，浓密草地反射率最高，稀疏草地反射率最低。此时羊草处于开花期和成熟期之间，高度和盖度都有逐渐增加的趋势，并将于8月中下旬达到峰值。根据地面光谱测量结果，随密度的增加，草地的反射光谱特征也更加明显。

图2 典型植被类型的反射光谱

2.2 波形特征及识别参数设计

波形特征是指植物叶冠的波谱形态特征，一般是指波谱反射峰、吸收峰和波形的变化，即波形陡坡斜率变化以及波谱反射峰、吸收峰特别是叶绿素吸收谷和水吸收谷的吸收深度等特征。本研究主要分析了红边效应特征和叶绿素吸收而产生的波形特征。

红边定义为680nm～750nm波长范围内反射率光谱一阶微分最大值所对应的波长，又称红边位置。其他衍生出来的红边特征参量还有红边斜率、红边面积等。其中，红边斜率是红边位置对应的一阶微分值；红边面积是680nm～750nm波长范围内的反射率光谱对波长的积分值。红边位置通常由一阶导数最大值的光谱位置来确定，但是直接求导往往会放大噪声。根据植被在680nm～800nm波长范围非常近似于倒高斯函数［16］，通常采用倒高斯模型定量分析植被红边特性，模拟植被地物在680nm～780nm的反射率光谱，从而提取出“红边”的波长位置。具体处理为，首先利用最小二乘法进行倒高斯函数拟合，然后求导等方法确定红边特征参量。选择680nm～780nm光谱范围的反射率红边进行倒高斯模型模拟，计算得到不同植被类型的红边特征参量如表4所示。典型植被类型红边面积和红边斜率差别较大。其中玉米田的红边斜率最高达0.0078，玉米田的红边面积也最大。莜麦田红边斜率最低，只有0.0013。中密度草地和稀疏草地的红边斜率近似，草地随着密度的增加，红边斜率和红边面积均逐渐增大叶绿素吸收特征主要用叶绿素最大吸收的深度来表示，是反映植物生长状况的光谱指数。光谱吸收特征的量化往往建立在包络线去除和归一化的光谱曲线上。用于描述地物光谱吸收特征的常用指标包括：吸收位置（absorption position），在光谱吸收谷中，反射率最低处的波长；吸收深度（absorption depth），反射率最低点到归一化包络线的距离；吸收宽度（absorption width），最大吸收深度一半处的光谱带宽；对称性（absorption asymmetry），以过吸收位置的垂线为界线，右边区域面积与左边区域面积比值的以10为底的对数。本研究主要分析了680nm附近的叶绿素吸收谷。对7种植被类型的光谱曲线去除包络线之后，计算吸收特征，结果如表5所示。吸收深度由植被叶片中的叶绿素含量和植被相对于土壤背景的覆盖度共同决定。根据吸收特征分析结果，小麦田吸收谷深度最大，吸收谷宽度最大，具有最强烈的吸收特征，而莜麦田具有最弱的吸收特征，吸收谷宽度最小。处于成熟期的小麦已经大部分枯黄，叶绿素含量较低，叶绿素吸收谷已经不能正确的反映其冠层的叶绿素含量。3种不同密度的草地类型中，中等密度的草地具有最强的吸收特征，而高密度草地吸收特征最弱。与实地照片比对，可以看出不同样地的羊草处于不同的生长阶段。浓密草地接近成熟期，部分已经枯黄，而中等密度草地生长旺盛，虽然盖度小于浓密草地，但表现出显著的叶绿素吸收特征。7种植被的对称性均为负值，也就是吸收位置右边面积均小于左边面积。小麦田对称性最强，莜麦田不对称性最强。由此可见，除反映植被冠层的叶绿素含量之外，680nm处的叶绿素吸收谷特征综合了成熟期植被的复杂影响。

表4 典型植被类型的红边效应特征指标

表5 典型植被类型的吸收特征

根据植被的红边特征，可以构建识别这几种植被类型的参数归一化植被指数

式中，R750为750nm处的光谱反射率，代表了红边右肩的反射特征，R670为670nm处的光谱反射率，代表了红边左端的反射特征。

基于地面测量光谱的吸收谷特征分析，对于处于生长期的几种植被类型，可以根据光谱特征差异，如基于遥感影像提取680nm附近的吸收谷宽度和深度，实现有效区分。而植被进入成熟期或枯黄期之后，就难以利用叶绿素吸收特征进行分类识别。

2.3 植被指数特征分析

植被指数特征既是叶冠波谱特征的定量化表示，又能将冠层的波谱特征放大。本研究选择了4种常用的植被指数，分析植被波谱特征。4种类型的植被指数分别为模拟MODIS数据的宽波段归一化植被指数 NDVI，绿度归一化植被指数（Greenness Normalized Difference Vegetation Index，GNDVI），光化学反射指数（Photochemical Reflection Index，PRI）和优化土壤调节植被指数（Optimization of Soil－Adjusted Vegetation Index，OSAVI）。计算公式如下：

式中，R550，R570，R531，R800分别为550nm，570nm，531nm和800nm处的光谱反射率。NDVI依据MODIS搭载传感器的波段设置，Rnir为841nm～876nm波段的反射率积分，Rred为620nm～ 670nm波段的反射率积分。它基于植被光谱所特有的红光吸收谷和近红外反射峰肩部特征经比值归一化得到，可用于估算植被覆盖度、叶绿素含量、生物量等参数。其优势在于可以部分消除太阳高度角、传感器观测角和大气等的影响［17］，但对土壤背景较为敏感。对NDVI修正后，Gitelson等提出了不易饱和而且对叶绿素浓度变化更加敏感的GNDVI，由750nm和550nm处的反射率计算得到［18］。PRI能够探测植物叶片的叶黄素循环，并和其光能利用率密切相关［19］。OSAVI通过引入经验的土壤调节参数，尽量消除土壤背景变化对植被指数的影响［20］。

计算7种植被类型的植被指数，结果如表6所示。NDVI、GNDVI、OSAVI均能表现出不同密度的草地类型随着覆盖度的增加，而植被指数逐渐增大的趋势，是进行草地覆盖及退化监测较优的指标。NDVI和GNDVI的变化趋势对于各种植被类型均一致，小麦田、莜麦田、玉米田、马铃薯田植被指数值依次增加。在植被指数值最高的马铃薯田，NDVI也未出现饱和的现象。经过土壤背景调节后，玉米田OSAVI值大于马铃薯田。小麦田PRI最高，而玉米田最低。

表6 典型植被类型的指数特征

3 结束语

选取锡林郭勒盟典型植被类型作为研究对象，进行实地光谱测量和光谱特征分析，得到以下结论。

处于生长季的典型植被类型反射光谱曲线保有绿色植物的反射光谱响应特征。其中，680nm左右的红谷，马铃薯田反射率最低，稀疏草地反射率最高。800nm～900nm波段，玉米反射率最高，稀疏草地反射率最低；浓密草地、中等密度草地和稀疏草地相比较，浓密草地反射率最高。

典型植被类型红边面积和红边斜率差异较大。其中玉米田的红边斜率最大，而小麦田红边斜率最小。草地随着密度的增加，红边面积逐渐增大。680nm左右的叶绿素吸收谷，3种不同密度的草地类型中，中等密度的草地具有最强的吸收特征，而部分已枯黄的高密度草地吸收特征最弱。小麦田吸收谷深度最大，而莜麦田具有最弱的吸收特征。基于红边特征构建参数，可用于植被类型区分。

除PRI外，NDVI、GNDVI、OSAVI均能表现出不同草地类型随着覆盖度的增加，而植被指数逐渐增大的趋势。随植被类型变化，NDVI和GNDVI变化趋势完全一致。经土壤背景调节后，玉米田OSAVI值大于马铃薯田。小麦田PRI最高，而玉米田最低。

本研究基于地面光谱测量和分析，为基于高光谱遥感数据的草地分类及动态监测提供了参考依据。但内蒙古草原面积广阔，群落类型和结构多样，研究分析的植被类型较为单一。另一方面，野外测量的冠层波谱与高光谱影像的像元尺度的植被波谱存在差距。因此，更为丰富的地面光谱数据的采集，以及结合遥感图像的深入分析，对于遥感影像应用于草地监测具有重要意义。

参考文献：

［1］ 周广胜，王玉辉.全球生态学［M］.北京：气象出版社，2003.

［2］ TONG C，WU J，YONG S，et al.A landscape－scale assessment of steppe degradation in the Xilin River Basin，Inner Mongolia，China［J］.Journal of Arid Environments，2004，59（1）：133－149.

［3］ JIANG G，HAN X，WU J.Restoration and management of the Inner Mongolia Grassland requires a sustainable strategy［J］.Ambio，2006，35（5）：269－270.

［4］ MUTANGA O，SKIDMORE A K，PRINS H H T.Predicting in situ pasture quality in the Kruger National Park，South Africa using continuum removed absorption features［J］.Remote Sensing of Environment，2004，89（3）：393－408.

［5］ 王锦地，李小文，张立新，等.我国典型地物标准波谱数据库建设［J］.遥感学报，2003，7（z）：13－16.

［6］ 娜日苏，苏和，格根图，等.内蒙古退化草甸草原近地面光谱特征的研究［J］.中国草地学报，2010，32（2）：66－70.

［7］ YAMANO H，CHEN J，TAMURA M.Hyperspectral identification of grassland vegetation in Xilinhot，Inner Mongolia，China［J］.International Journal of Remote Sensing，2003，24（15）：3171－3178.

［8］ 王焕炯，范闻捷，崔要奎，等.草地退化的高光谱遥感监测方法［J］.光谱学与光谱分析，2010，30（10）：2734－2738.

［9］ TUCKER C J，DREGNE H E，NEWCOMB W W.Expansion and contraction of the Sahara desert from 1980to 1990［J］.Science，1991，253：299－301.

［10］ HUANG S，SIEGERT F.Land cover classification optimized to detect areas at risk of desertification in North China based on SPOT VEGETATION imagery［J］.Journal of Arid Environments，2006，67（2）：308－327.

［11］ TUCKER C J.Asymptotic nature of grass canopy spectral reflectance［J］.Applied Optics，1977，16（5）：1151－1156.

［12］ SELLERS P J.Canopy reflectance，photosynthesis and transpiration［J］.International Journal of Remote Sensing，1985，6（8）：1335－1372.

［13］ MUTANGA O，SKIDMORE A K.Narrow band vegetation indices overcome the saturation problem in biomass estimation［J］.International Journal of Remote Sensing，2004，25（19）：3999－4014.

［14］ LI M，QU J J，HAO X.Investigating phenological changes using MODIS vegetation indices in deciduous broadleaf forest over continental U.S.during 2000－2008［J］.Ecological Informatics，2010，5（5）：410－417.

［15］ 童庆禧，张兵，郑兰芬.高光谱遥感－原理、技术与应用［M］.北京：高等教育出版社，2006.

［16］ MILLER J R，HARE E，WU J.Quantitative characterization of the vegetation red edge reflectance 1.An invertedgaussian reflectance model［J］.International Journal of Remote Sensing，1990，11（10）：1755－1773.

［17］ HUETE A，DIDAN K，MIURA T，et al.Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote Sensing of Environment，2002，83（1／2）：195－213.

［18］ GITELSON A，MERZLYAK M N.Spectral reflectance changes associate with autumn senescence of aesculus hippocastanum L.and acer platanoides L.leaves.Spectral features and relation to chlorophyll estimation［J］.Journal of Plant Physiology，1994，143（3）：286－292.

［19］ PENUELAS J，FILELLA I，GAMON J A.Assessment of photosynthetic radiation－use efficiency with spectral reflectance［J］.New Phytologist，1995，131（3）：291－296.

［20］ RONDEAUX G，STEVEN M，BARET F.Optimization of soil－adjusted vegetation indices［J］.Remote Sensing of Environment，1996，55（2）：95－107.

Spectral Feature of Representative Vegetations in Xilingol

LU Lin－lin1，LI Qing－ting1，ZHANG Xi1，2，LIU Ling－ling1，SUI Yue1
（1.Key Laboratory of Digital Earth Science，Institute of Remote Sensing and Digital Earth，Chinese Academy of Sciences，Beijing100094；2.College of Geomatics，Shandong University of Science and Technology，Qingdao 266590）

Inner Mongolia grassland is an important region for global change study.Remote sensing is an effective tool for large－scale grassland monitoring.To assist the classification and dynamic monitoring of grassland，reflectance spectra were measured and the spectral features were analyzed for representative vegetations in Xilingol.The results showed that red edge slopes，red edge areas and the absorption features of chlorophyll near 680nm differ a lot and can be used for classification of vegetation types.NDVI，GNDVI and OSAVI show the same changing trend for different vegetation types，which reflect the greenness of different vegetations and are appropriate for monitoring the growth condition.

remote sensing；spectral feature；vegetation index；red edge；grassland

10.3969／j.issn.1000－3177.2015.04.010

TP751

A

1000－3177（2015）140－0055－06

2013―01―11

2014―11―14

国家自然科学基金资助项目（41471369）。

鹿琳琳（1984—），女，副研究员，主要从事生态遥感与环境变化研究。

E－mail：lull＠radi.ac.cn