基于DART模型的盐地碱蓬植被指数饱和问题分析

赵健顺，李 微，王文硕，刘旭龙，孙 悦，闫 涵，高天一

(大连海洋大学海洋科技与环境学院，大连 116023)

盐地碱蓬是辽河口滨海湿地内重要先锋植物和主要优势物种之一，在固碳增汇、调节气候和保障生态安全等方面发挥着重要的作用[1-3].植被指数(vegetation index，VI)作为反映植被长势的最佳指示参数[4-6]，被广泛用于植被信息遥感提取.吴涛[7-8]基于实测数据，发现SAVI(soil adjusted vegetation index)和 MSAVI(modefied adjusted vegetation index)与盐地碱蓬叶面积指数(leaf area index，LAI)的相关关系最好；而盐地碱蓬生物量与PVI(perpendicular vegetation index)、SAVI和MSAVI的相关性最好，并验证了PVI、SAVI和MSAVI适用于高覆盖度盐地碱蓬生物量反演.李微[9]将基于模拟Landsat-8 OLI数据的TSAVI(transformed soil adjusted vegetation index)与地面实测生物量进行回归分析，发现TSAVI与不同密度下盐地碱蓬的生物量均显著相关.牟蒙[10]基于实测数据，选择了8种植被指数及敏感波段构建盐地碱蓬生物量定量反演模型，发现NDVI(normalized diference vegetation index)、RVI(ratio vegetation index)和 TSAVI 适合反演盐地碱蓬生物量.因此运用植被指数进行盐地碱蓬生物量的相关研究已有一定成果.然而植被指数随着植被覆盖度的增加会出现饱和问题.杨嘉[11]发现在植被覆盖度高的阔叶林和针叶林，NDVI饱和现象严重，饱和阈值为0.8；而EVI(enhanced vegetation index)表现良好.Dasvishzadeh[12]提出植被指数对LAI的敏感性随着 LAI 的增加逐渐降低直至饱和，并且不同植被饱和点不同.但目前缺少对盐地碱蓬群落相关植被指数饱和问题的讨论分析，因此本研究对此问题进行探讨，对于相关研究具有一定借鉴意义.

盐地碱蓬群落自然环境脆弱、极易被破坏，同时野外采样难度大，因此样本数量较少，而数值模拟(物理模型模拟)可以很大程度上弥补实测数据不足的问题，且具有更为明确的物理意义.DART(discrete anisotropic radiative transfer)模型是由法国 CESBIO 实验室开发的基于K-K模型发展而来的计算机模拟模型，是最具综合性的三维辐射传输模型之一[13]，该模型是一款基于三维辐射传输理论的前向模型，可模拟不同场景和结构参数下的复杂3D场景[14]及辐射传输过程，得到各个波段和方向上的反射率等物理量，全面地考虑了地面植被要素空间分布的差异性，是其他模型没有涉及到的，其模拟的可靠性得到学界认可.当前，DART模型在植被方面的研究主要集中在森林的模拟分析[15-19]，对于湿地植被的研究资料较少，曾毓燕[20]基于DART模型模拟了崇明东滩湿地不同密度及等比例混合场景下芦苇及互花米草的冠层反射率，并分析了叶片和冠层叶绿素含量变化对植被指数的影响，而对于盐地碱蓬的相关研究目前未见报道.因此本文利用DART模型构建不同LAI盐地碱蓬群落场景，研究TSAVI、NDVI、RVI等8种植被指数(VIs)对盐地碱蓬LAI的抗饱和性及敏感性，筛选出更优的植被指数，为盐地碱蓬LAI的遥感估算提供一定理论依据.

1 研究区概况

辽河口滨海湿地(121°23′～122°29′ E，40°39′～41°27′ N)位于我国渤海辽东湾北部，辽河入海口处，地处辽宁省盘锦市境内(图1).区域内的典型植被群落为芦苇、水稻和盐地碱蓬[21].其中盐地碱蓬为一年生耐盐湿生草本植被，是重要的先锋植物和主要优势物种之一，主要分布于辽河东、西两岸，具有药用、食用、生态和景观价值，还具有维持湿地生态系统正常演替、防风消浪等功能[9].但近年来湿地内生态环境受自然和人为双重影响，宝贵的生态资源变得脆弱.

2 数据与研究方法

2.1 数据

2.1.1 数据获取 2019年9月下旬在研究区域内布设了21个大小为0.5 m×0.5 m的碱蓬群落样方，如图2(a)，对样方进行光谱数据、群落及植株数据采集.光谱数据采用便携式ASD (analyzed spectral devices)地物光谱仪进行数据采集.仪器光谱测量范围为350～1 050 nm，光谱分辨率为1 nm，数据采集选择在晴朗无云的时段(10:00 am—14:00 pm)进行，在测量之前先使用标准白板校正，避免阴影干扰，测量时仪器自动获取同一样方5条光谱，取平均值作为测量结果.手持光谱仪手枪式探头垂直向下对准样方，探头距离样方冠层高度约1 m，以获取碱蓬群落冠层及附近裸土的光谱数据.将盐地碱蓬厚且细长的叶片堆叠在一个天鹅绒黑色背景的玻璃皿中，堆叠多层以保证叶片间缝隙被覆盖，再利用ASD地物光谱仪测量盐地碱蓬叶片反射率[22].碱蓬茎反射率采用紫外/可见光分光光度计测量.实测土壤光谱、盐地碱蓬叶片及茎的光谱数据如图2(b)所示.

图1 研究区位置及采样区域Fig.1 Study area location and sampling area distribution

在光度不强的早晨与黄昏利用Top-1300植物冠层分析仪进行样方LAI测量.将鱼眼镜头朝上依次放置在21个样方内碱蓬冠层下方的中心位置，背对着阳光进行测量，避免阳光直射.通过调整镜头焦距并使用配套软件分析获得LAI.每个样方反复测量两次，取平均值作为该样方的实测LAI.同时在布设的样方中随机选取长势良好的21株碱蓬进行植株生长数据测量，包含植株高度、根茎宽度、叶片长度、叶片宽度等.获取的盐地碱蓬群落及植株数据如表1所示.

2.1.2 场景构建及数值模拟 盐地碱蓬群落的场景构建包括植株和场景两部分.在植株建模方面，基于实测数据，利用3D Max软件建立盐地碱蓬的三维植株模型，所用数据为表1所有实测生长数据的平均值.

在场景构建方面，DART模型的主要输入参数包括三维植株模型和场景相关参数，包括太阳天顶角、方位角；观测天顶角、方位角；场景大小及分辨率；下垫面等，具体参数如表2所示.将三维植株模型导入到DART模型中，定义植株各部分的光谱性质并结合场景参数建立盐地碱蓬群落场景.

图2 碱蓬群落样方(a)，实测盐地碱蓬叶片、茎、冠层及土壤反射率(b)Fig.2 Suaeda salsa community quadrat(a)，and measured reflectance of Suaeda salsa leaf and stem，canopy and soil reflectance(b)

表1 盐地碱蓬群落及植株数据Tab.1 Suaeda salsa community and plant data

模拟场景从0株～400株，以10株为步长，每个随机样方设5组，共得到205组相关数据，最后取平均值作为该随机样方的模拟数据.模拟场景如图3所示，场景内植株及场景相关参数如表1、表2所示.

表2 DART模型场景构建所需参数Tab.2 Input parameters of DART

图3 DART模型模拟场景(200株)Fig.3 DART model simulation scene (200 plants)

2.2 研究方法

2.2.1 植被指数 本文共选择了8种植被指数作为研究对象，其中NDVI和RVI对植被敏感度高、能削弱辐射误差[23]；PVI、TSAVI、MSAVI、SAVI和MVI[24](modified vegetation index)能消除或减弱土壤背景对植被反射率的影响[25]；EVI在一定程度上解决了NDVI在高植被覆盖区域饱和问题[26].相关计算方法参照经典植被指数的计算公式和方法，详见表3.

2.2.2 评价指标 本文通过调整LAI，研究不同LAI影响下模拟盐地碱蓬冠层反射率不同波长范围的抗饱和程度，采用敏感度S作为评价指标[27].敏感度S可以描述某一变量X0，在以ΔX为步长变化的过程中对结果的影响程度.以X0为参考点，敏感度S定义为：

(1)

式中，r(X0)为参考点X0处的植被指数值，ΔX为LAI变化值.假设增量一定，S越大，则变化越显著，抗饱和性越好.

VIs 和 LAI 的回归关系通常是线性或指数关系[28]，本研究所模拟得到的 LAI 数据介于0～2.71之间，因此选用线性回归作为标准模型进行分析，并采用决定系数(R2)及均方根误差(RMSE)作为精度评价指标.

表3 研究中用到的植被指数计算方法Tab.3 Vegetation index calculation method used in this study

3 结果分析与讨论

3.1 盐地碱蓬株数与LAI相关性分析

本研究通过调整盐地碱蓬株数进行盐地碱蓬群落场景的构建，建立的205个场景中，LAI范围是0～2.71，将其与场景内植株数进行相关性分析，见图4所示.

图4 盐地碱蓬株数与叶面积指数的相关性Fig.4 Correlation between numbers and LAI of Suaeda salsa

由图4可知，LAI与株数之间呈显著线性相关，R2为0.99，RMSE为0.008，因此本文基于LAI值进行不同生长密度下的盐地碱蓬植被指数饱和问题分析讨论.

3.2 植被指数敏感性分析

基于DART模型，盐地碱蓬群落不同植被指数随LAI变化如图5所示.

图5 不同叶面积指数的盐地碱蓬对植被指数的影响Fig.5 Effect of different LAI of Suaeda salsa on vegetation index

从图5可见，RVI随LAI的增加而降低，与LAI呈负相关，而其余植被指数均与LAI呈正相关.整体来看，MVI值最大，PVI和MSAVI值最小，3种指数变化幅度都很小；EVI和SAVI值很相近，变化幅度也不大；而RVI、NDVI和TSAVI变化幅度最大.其中TSAVI对LAI的变化最敏感，随着盐地碱蓬LAI的增大，TSAVI数值明显升高，近乎线性增长，能够区分出不同LAI下的盐地碱蓬；其次为RVI，当LAI小于1.72时，RVI随LAI的增大数值明显降低，当LAI大于1.72后数值增幅减小，大于2后表现出饱和状态；NDVI与TSAVI呈现相同的变化趋势，但在LAI小于2时数值上高于TSAVI，LAI大于2后，NDVI数值增幅减小，并出现饱和状态.总体来看，8种植被指数中TSAVI的抗饱和性最佳，其次为NDVI及RVI;当LAI<1.3时，EVI和SAVI表现出较好地抗饱和性，之后出现饱和；MVI、PVI及MSAVI这3种植被指数的抗饱和性最差，随LAI变化不明显.植被指数随LAI的敏感度变化见图6.

图6 不同叶面积指数的盐地碱蓬植被指数敏感度变化Fig.6 Sensitivity of Suaeda salsa vegetation index with different LAI

由图6可知，8种植被指数敏感度均随着LAI的增大而递减.其中RVI、NDVI及TSAVI的S值明显大于其他5种植被指数，并且LAI<0.68时，SRVI>SNDVI>STSAVI；0.68≤LAI<2时，敏感度SNDVI>SRVI>STSAVI；LAI≥2时，TSAVI最优，RVI和NDVI出现饱和现象.EVI、SAVI在LAI接近1.72时达到饱和状态.总体来看TSAVI、NDVI及RVI抗饱和性及敏感性最好；EVI、SAVI对LAI敏感性一般；剩余3种植被指数对LAI的敏感性及抗饱和性较弱.

对抗饱和性及敏感性最优的TSAVI、NDVI及RVI分别与LAI进行相关性分析，构建回归分析方程(见表4)，均通过0.01的显著性检验.

表4 LAI与植被指数的定量关系Tab.4 Quantitative relationships of vegetation fraction with the spectral indices

由表4可知，TSAVI相关性最高，R2=0.87，RMSE=0.354；NDVI次之，R2=0.82，RMSE=0.419；RVI略低，R2及RMSE分别为0.72、0.517.

综上所述，基于DART模型模拟结果，8种植被指数中TSAVI相对表现最优，无论是植被指数的变化趋势还是与LAI的线性关系，均表现出很好的抗饱和性和敏感性，能够区分出不同LAI下的盐地碱蓬群落；NDVI及RVI也表现出较好地抗饱和性和敏感性，且与TSAVI的差异不大，结合实测LAI的范围，同样适用于盐地碱蓬群落的相关研究；EVI及SAVI抗饱和性表现一般，适用于自然状态下中低密度的碱蓬群落；PVI、MVI及MSAVI表现最差，其敏感性低且易于饱和，随LAI的变化不明显，不适于盐地碱蓬的相关研究.因此，初步筛选出TSAVI、NDVI及RVI共3种较优植被指数.

4 结论

本研究针对辽河口滨海湿地本地物种盐地碱蓬，基于DART模型开展了植株模拟及场景构建.通过所建场景，探究分析LAI变化针对盐地碱蓬群落8种植被指数的饱和问题，评价各植被指数对LAI的抗饱和性和敏感性，研究表明：基于DART模型模拟结果，8种植被指数中TSAVI相对表现最好；NDVI及RVI次之；EVI、SAVI适用性一般；PVI、MVI及MSAVI适用性最差.通过相关性分析以及构建回归分析方程，并结合实测LAI数据，初步分析认为TSAVI、NDVI及RVI可以作为较强适用性植被指数来进行相关研究，能够区分不同LAI下的盐地碱蓬群落.

本文基于模型模拟数据对8种植被指数的饱和问题进行了探讨，但在模拟过程中未考虑大气环境对模拟场景的影响，因此模拟结果仅适用于经过大气校正后的遥感影像；其次在场景建模中，植被的物理及生化参数均根据成熟期的实测平均值得到，场景内植株叶片光谱一致，植株都是采用同一3D模型，而现实中植株生长形态存在差异；研究只模拟分析了成熟期的盐地碱蓬植被指数饱和问题，且对于生长繁茂的植被区域，由于环境复杂无法进入，缺少相关实测数据，不免存在一定的局限性，今后需要用更多的资料并结合地面实测数据对结果做进一步验证.