基于HJ-1A/1B数据的高寒草地牧草营养动态监测模型

王 迅，刘书杰，张晓卫，郝力壮，赵月平，王万邦

(1.青海省高原放牧家畜营养与生态国家重点实验室培育基地，西宁 810086;2.青海省高原放牧家畜营养与饲料科学重点实验室，西宁 810016)

0 引言

草地畜牧业是青藏高原三江源区草地生态系统的重要组成部分，该区发展草地生态畜牧业的前提是草畜平衡[1]。目前，草地数量载畜量[2]仍为研究草畜平衡的通用方法，但是三江源区暖季和冷季的草地营养载畜量相差大[3]，致使草地数量载畜量无法真正反映草畜平衡情况。林莉等[4]将营养平衡模式加入到草畜平衡的研究中，结果表明冷季与暖季载畜量相差近10倍，且草地数量载畜量高估了草场载畜能力，将数量和营养载畜量共同考虑才能更客观地反映草地载畜能力。然而目前仍是以草原站点监测数据计算的载畜量为主，如何动态监测草地生物量与营养输出量从而确定合理的载畜量，已成为亟待解决的问题。

利用高光谱数据进行草地综合监测的研究使牧草生化成分的遥感估测成为可能。Thoma等[5]研究了NOAA-NDVI与Montana地区草场监测点牧草活存量、残存量及现存总氮量的关系，结果表明遥感技术可较好地预测牧草的产草量和营养价值。Mitchell等[6]基于偏多元回归方法通过高光谱遥感反演了半干旱灌丛的冠层N素含量，但裸地噪音较大。大量研究表明[7-10]，基于遥感技术可反演草地生物量和草地粗蛋白含量，尤其利用高光谱数据和近红外技术的反演精度较高。然而截至目前，基于卫星遥感技术建立全年草地牧草指标的反演模型及草地牧草生长全年粗蛋白含量反演模型的报道仍很少。

本研究利用我国环境减灾卫星HJ-1A/1B的多时相、多光谱CCD数据，探索基于遥感指数估测草地牧草青草期、枯黄期、枯草期及返青期的生物量和粗蛋白营养物质输出量，建立相关模型并验证精度，为三江源区草地放牧管理和维持草畜平衡提供基础数据。

1 材料和数据处理

1.1 试验区概况

试验区位于青海省玉树县，地处 E 96°1′50.3″，N 32°6′2.7″，草场植被多为高寒草甸类，草地植被均匀，建种群包括矮嵩草、线叶嵩草、针茅、草地早熟禾、羊茅、黄花棘豆、珠芽蓼、小嵩草和赖草等。植被覆盖度40%～100%。

1.2 样品采集与处理

先将试验区设置为9个样地，于2011年4—12月的每月下旬在每个样地内均匀而随机地采集3个1.0 m ×1.0 m 样方，齐地面刈割，记录鲜重、风干重，粉碎过筛(1.0 mm)，在青海省高原放牧家畜营养与生态国家重点实验室培育基地，利用半微量凯氏定氮法进行粗蛋白质(crude protein，CP)测定。样方在空间上均匀分布，突出代表性和典型性。在牧草群落一致性较好的样地内设置2～3个，在植被比较复杂及分布不均匀的区域设置4～6个，以最大程度地代表高寒草甸典型草地类型。青草期、枯黄期、枯草期和返青期分别选7，10，12和4月下旬数据[11]。

1.3 数据处理

2008年9月，HJ-1A和HJ-1B星发射成功，在2颗卫星上各装载了2台完全相同的CCD相机，以星下点对称放置，平分视场、并行观测，联合完成对地刈幅宽度为720 km、空间分辨率为30 m，4个谱段的推扫成像，实现了对陆面的多种遥感参数的综合探测[12]。选择少云无风时刻的CCD图像，然后对其进行数据定标、大气校正和几何纠正，均方根误差小于1个像元。

2 研究方法

2.1 植被指数选择

从大量植被指数[13-15]中选择8种植被指数(表1)进行对比;最终挑选能较好地剔除噪音的植被指数用于反演草地牧草生物量和粗蛋白含量。

表1 用于模型的植被指数及公式Tab.1 Vegetation indices and formula used for models

2.2 模型建立

在方法模型的实际应用中，模型精度是对比分析的基础和前提。天然草地牧草生物量和粗蛋白含量在不同牧草品种中存在较大差异，同时植物体内不同部分的粗蛋白含量也存在较大差异。随着植被的生长，草地牧草叶绿素含量、生化含量和叶片内部结构发生了变化，植被光谱吸收反射特征也发生了较大变化。如何通过植被光谱特性的变化反演草地牧草4期的粗蛋白和生物量就显得尤为重要。

本研究选用以下2种方法对草地牧草生物量和粗蛋白含量进行反演:①建立y′=ax+b模型，其中y′为牧草生物量或粗蛋白含量的估测值，x为植被指数，此模型简称为“直接模型”;②建立Y′=aX+b模型，其中Y′为牧草生物量或粗蛋白含量的估测值，X为青草期草地牧草生物量或粗蛋白，此模型简称为“间接模型”。

将数据按2∶1分组，2/3用于建模，1/3用于模型精度验证。样点光谱均取该样点的4邻近像元的均值。最后通过复相关系数R2和均方根误差RMSE进行模型精度评价，即

式中:y′为草地牧草生物量或粗蛋白的估测值;y为对应的实测值;n为样点数。

3 结果与分析

3.1 光谱特征分析

典型健康绿色牧草在红波段(B3)呈现强吸收谷，而在近红外波段(B4)呈现高反射峰，这种光谱特征是草地动态遥感监测的理论基础。基于CCD数据草地牧草光谱不同波段(B1，B2，B3和B4)的反射率如图1所示，可以看出研究区牧草在4—12月间，B4的反射率呈现先增后降趋势，其中7月最高，而可见光部分的蓝、绿和红波段(分别为B1，B2和B3)与B4的光谱呈现相反趋势，先降后升，其中以8月最低。综合分析后可得牧草在6—9月中光谱特性具有明显的典型植被光谱特征，其余月份(4，5，10—12月)的植被光谱特征不够典型，与干枯植被或裸露干土壤呈现一致性，表现为干枯植被和裸露干土壤的混合光谱。

图1 牧草的反射光谱特征Fig.1 Reflectance spectral characteristics of grassland

3.2 牧草营养动态变化

草地牧草生物量和粗蛋白月份变化动态如图2所示。可以看出，牧草生物量和粗蛋白全年以7—8月份的青草期最大，返青期、枯黄期和枯草期急剧降低，总体变化较为平缓。枯黄期、枯草期和返青期的生物量和粗蛋白含量仅为青草期的25%，19%，13%和24%，19%，11%。草地牧草全年粗蛋白含量最大相差约9倍。粗蛋白含量是冷季草畜平衡的重要调控因子，因此在草地牧草粗蛋白含量对草畜平衡表现为瓶颈的季节中(特别是在粗蛋白含量最小时)，草地牧草生物量和粗蛋白的动态监测有着重要意义。

图2 牧草生物量和粗蛋白变化Fig.2 Dynamic of grassland biomass and CP

3.3 牧草生物量、粗蛋白与植被指数相关性分析

草地光谱特征、植被指数与营养指标的相关分析是后期反演的基础。分别选用返青期、青草期、枯黄期和枯草期的牧草鲜重和粗蛋白含量2个营养指标所对应的4个时期的8种植被指数和光谱B1—B4波段，建立牧草地上生物量、粗蛋白含量与光谱指数间的相关关系(图3)。

图3 牧草4期生物量、粗蛋白与植被指数相关性分析Fig.3 Correlate analysis between vegetation indices and grassland biomass，CP

从图3可以看出:①返青期与枯黄期，光谱波段、植被指数与生物量和粗蛋白的相关性具有相近趋势;光谱波段都是从负相关到正相关，生物量和粗蛋白在返青期以与B4波段相关系数最高，分别达0.611和0.616;在枯黄期以与B1波段负相关性最显著，分别达 -0.694和 -0.546;植被指数在2个时期皆以与BNDVI相关性最高，生物量和粗蛋白在返青期分别达0.741和0.752，枯黄期分别达0.607和0.560;②青草期，B4波段与各植被指数均有较高的相关性;③枯草期，光谱波段和植被指数与生物量和粗蛋白均表现出较低的相关性，生物量和粗蛋白相关系数的绝对值均低于0.4，其中与GNDVI负相关最显著，生物量和粗蛋白的相关系数均为 -0.370。

从以上分析得出，基于多光谱遥感的草地牧草营养估测，在青草期各植被指数和B4波段均有很好的相关性，而随着季节的变化，即青草期—枯黄期—返青期—枯草期，各植被指数和B4波段相关性降低，草地地上生物量和粗蛋白含量的能力下降，这可能与草地牧草叶绿素的含量、植被生化成分变化和结构变化有关，也与受植被在枯萎变化中干枯植被和地表土壤的干扰相关。这表明基于3S技术更适合在草地青草期进行草地生物量和粗蛋白监测。

3.4 牧草生物量、粗蛋白与植被指数的直接关系

在相关性分析的基础上，以植被指数NDVI，EVI以及另外2个相关性最大光谱波段分别为自变量，以草地牧草4期生物量和粗蛋白含量为因变量，分别建立一元线性、幂函数、对数和指数等形式的回归模型，即“直接反演模型”，模拟分析2者之间的关系(图4)。

图4 牧草生物量和粗蛋白直接回归分析Fig.4 Directly coefficient between grassland biomass and CP

从图4看出:青草期的生物量和粗蛋白回归模型均以S函数相关性最高，R2分别为0.716(显著性水平 P ＜0.05)和0.639(P ＜0.05)，幂函数次之，R2分别为0.677(P ＜0.05)和0.618(P ＜0.05);返青期生物量和粗蛋白均以B4波段相关性最高，R2为分别0.514(P ＜0.05)和 0.561(P ＜0.05);枯黄期生物量以 B1波段相关性最高，R2为0.557(P＜0.05)，粗蛋白以 BNDVI相关性最好，R2为0.454(P＜0.05);枯草期生物量和粗蛋白均以GNDVI相关性最高，R2分别为 0.221(P ＞0.05)和0.217(P ＞0.05)。

青草期的生物量和粗蛋白反演模型EVI优于NDVI，返青期和枯黄期的生物量和粗蛋白回归度均低于青草期，但总体都为显著回归(P＜0.05)。枯草期的生物量和粗蛋白与植被光谱均不存在显著的回归关系。这说明草地牧草在青草期—枯黄期—枯草期的过程中，基于植被光谱反演生物量和粗蛋白的能力逐渐下降;而至枯草期，已无法通过植被多光谱来估测草地牧草生物量和粗蛋白含量。

3.5 牧草4期生物量和粗蛋白反演模型

如前所述，返青期、枯黄期和枯草期3个时期的牧地营养与植被指数间无较好的相关性，为探讨这3个时期牧草光谱特征和营养变化间的关系，建立基于青草期的青草期—返青期、青草期—枯黄期和青草期—枯草期的牧草估测模型，即“间接反演模型”。选择线性、二次多项式、指数、对数、幂函数、复合曲线和S函数进行2者间的数据拟合分析，结果如表2和表3所示。可以看出，除枯黄期牧草生物量直接模型优于间接模型，其余时期的生物量和粗蛋白指标的间接模型均高于直接模型，尤其以枯草期的生物量和粗蛋白含量最为明显。

表2 牧草生物量、粗蛋白直接反演模型Tab.2 Directly retrieve models on grassland biomass and CP

表3 牧草生物量、粗蛋白间接反演模型Tab.3 Indirectly retrieve models on grassland biomass and CP

3.6 精度验证

基于以上模型，利用1/3的验证数据，将实测值和估测值对比，并比较均方根误差(RMSE)和复相关系数(R2)。如表4所示，直接模型在返青期、枯黄期和枯草期草地牧草生物量和粗蛋白含量反演精度均很低，对比直接和间接模型方法，间接模型的精度均显著高于直接模型(P＜0.05)，且粗蛋白反演精度高于生物量的反演精度。

表4 精度验证和比较Tab.4 Precision verified and comparison

4 结论与讨论

基于HJ-1A/1B多时相、多光谱数据，对天然草地牧草生物量和粗蛋白含量进行反演，精度相差较大，间接模型显著高于直接模型。因此基于直接模型反演青草期草地牧草生物量和粗蛋白含量，基于间接模型反演返青期、枯黄期和枯草期草地牧草生物量和粗蛋白含量是一种可行的方法。

草地牧草粗蛋白含量，全年最大相差约9倍，在草地牧草粗蛋白含量对草畜平衡表现为瓶颈的季节中，对其进行动态监测有着重要意义。应用多光谱数据可快速、及时地进行草地4期营养状况的反演，然而如何选择反演4期生物量和粗蛋白含量的高精度模型是进行监测的前提，此方法还需长时间序列数据的验证和改进，以便在大范围内得以更好的应用。如何发展一个通用的、可用于预测的模型，将成为下一步研究的重点。此外动态监测和预测，还需更多数据和实验的验证。

[1]蒋全民，王梦琳，任继周，等.草畜平衡:刻不容缓的百年方略[J].四川草原，2003(6):52-56.Jiang Q M，Wang M L，Ren J Z，et al.Livestock balance:Urgent centuries strategy[J].Journal of Sichuan Grassland，2003(6):52-56.

[2]金晓明，韩国栋.贝加尔针茅草地基况评价及载畜量估算[J].东北师大学报:自然科学版，2010(1):117-122.Jin X M，Han G D.Evaluation of rangeland condition and estimation of grazing capacity in Stipa baicalensis steppe[J].Journal of Northeast Normal University:Natural Science Edition，2010(1):117-122.

[3]郝力壮，刘书杰，吴克选，等.玛多县高山嵩草草地天然牧草营养评定与载畜量研究[J].中国草地学报，2011(1):84-89.Hao L Z，Liu S J，Wu K X，et al.Study on the evaluation of grass nutrition and carrying capacity in alpine grassland of kobresia hastily in maduo county[J].Chinese Journal of Grassland，2011(1):84-89.

[4]林 莉，郝力壮，刘书杰，等.三江源区海南州高寒草地暖季草场生产力及载畜量研究[C]//第六次全国饲料营养学术研讨会论文集.杨凌:中国畜牧兽医学会，2010:14.Lin L，Hao L Z，Liu S J，et al.Research on the grassland productiv-ity and carrying capacity of warm pasture of alpine meadow in Hainan Prefecture of Sanjiangyuan region[C]//The 6th national symposium on feed nutrition.Yangling:Chinese Asspciation of Animalscience and Veterinary Medicine，2010:14.

[5]Thoma D P，Bailey D W，Long D S，et al.Short-term monitoring of rangeland forage conditions with AVHRR imagery-2002[J].Journal of Range Management.2002，55(4):383-389.

[6]Mitchell J J，Glenn N F，Sankey T T，et al.Remote sensing of sagebrush canopy nitrogen[J].Remote Sensing of Environment.2012，124:217-223.

[7]张 浩，胡 昊，陈 义，等.水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型[J].核农学报，2012(1):135-140.Zhang H，Hu H，Chen Y，et al.Estimating nitrogen of rice leaf and protein of rice seed based on hyperspectral data[J].Acta Agriculture Nacleatae Sinica，2012(1):135-140.

[8]刘冰峰，李 军，赵刚峰，等.夏玉米叶片全氮含量高光谱遥感估算模型研究[J].植物营养与肥料学报，2012，18(4):813-824.Liu B F，Li J，Zhao G F，et al.Total nitrogen content estimation models of summer maize leaves using hyperspectral remote sensing[J].Plant Nutrition and Fertilizer Science，2012，18(4):813-824.

[9]刘 炜，常庆瑞，郭 曼，等.夏玉米可见/近红外光小波主成分提取与氮素含量神经网络检测[J].红外与毫米波学报，2011，30(1):48-54.Liu W，Chang Q R，Guo M，et al.Detection of leaf nitrogen content of summer corn using visible/near infrared spectra[J].Journal of Infrared and Millimeter Waves，2011，30(1):48-54.

[10]王 迅，刘书杰，贾海峰，等.基于高光谱数据的高寒草地营养状况的研究[J].光谱学与光谱分析，2012，32(10):2780-2784.Wang X，Liu S J，Jia H F，et al.Study on the nutrition of alpine meadow based on hyperspectral data[J].Spectroscopy and Spectral Analysis，2012，32(10):2780-2784.

[11]刘书杰，王万邦，薛 白，等.不同物候期放牧牦牛采食量的研究[J].青海畜牧兽医杂志，1997(2):5-9.Liu S J，Wang W B，Xue B，et al.The Determination of feed intake in different phenological period for grazing yaks[J].China Qinghai Journal of Animal and Veterinary Sciences，1997(2):5-9.

[12]Knox N M，Skidmore A K，Prins H H T，et al.Remote sensing of forage nutrients:Combining ecological and spectral absorption feature data[J].ISPRS Journal of Photogrammetry and Remote Sensing.2012，72:27-35.

[13]陶伟国，徐 斌，杨秀春.草原产草量遥感估算方法发展趋势及影响因素[J].草业学报，2007，16(2):1-8.Tao W G，Xu B，Yang X C.Advances and factors affecting the estimation of grass production using remote sensing[J].Acta Prataculturae Sinica，2007，16(2):1-8.

[14]陈 拉，黄敬峰，王秀珍.不同传感器的模拟植被指数对水稻叶面积指数的估测精度和敏感性分析[J].遥感学报，2008，12(1):143-151.Chen L，Huang J F，Wang X Z.Estimating accuracies and sensitivity analysis of regression models fitted by simulated vegetation indices of different sensors to rice LAI[J].Journal of Remote Sensing，2008，12(1):143-151.

[15]杨 峰，李建龙，钱育蓉，等.天山北坡典型退化草地植被覆盖度监测模型构建与评价[J].自然资源学报，2012，27(8):1340-1348.Yang F，Li J L，Qian Y R，et al.Estimating vegetation coverage of typical degraded grassland in the northern Tianshan Mountains[J].Journal of Natural Resources，2012，27(8):1340-1348.