基于HJ－1高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究

任广波，张 杰，汪伟奇，耿延杰，陈妍君，马 毅

（1.国家海洋局 第一海洋研究所，山东 青岛 266063；2.中国海洋大学 信息科学与工程学院，山东 青岛 266063）

0 引言

遥感已经作为一种不可或缺的手段在植被生物量监测中发挥了重要的作用［1－6］。归一化差值植被指数（NDVI）［7］因被发现具有对植被光合作用敏感的特点，同时与植被生物量有较高的相关性［8］，而广泛地应用于生物量的遥感估测［6，9－11］。至今，在 NDVI的基础上，主要基于美国陆地卫星影像数据，发展了几十种可用于植被生物量估测的植被指数［9］，但这些指数普遍都有其适用的影像或者区域［12－15］，在不同环境下的应用效果存在争议［16］。同时，以上植被指数多是基于宽波段的陆地卫星遥感数据而发展的，宽波段运算结果容易造成高叶面积指数区域的饱和［17－18］，以及无法获得更精细生物量变化情况的问题［19－20］。另外，除植被指数，在反射率曲线中描述植被叶绿素吸收和反射特点的红边（REP）指数也常被应用于植被的生物量估算［6，21－22］。

随着高光谱遥感手段的发展和普及，在宽波段植被指数的基础上，窄波段植被指数得到了研究和发展［22］，很多研究证实了窄波段植被指数在植被生物量、叶片含水量和叶面积指数监测方面的实用性［23－28］。但窄波段的高光谱遥感数据特别是卫星高光谱数据在湿地生物量监测方面也存在一些不足［29］，包括空间分辨率低易导致的光谱混合和图像信噪比不高等。这在一定程度上影响了基于遥感的生物量监测的精度，但目前这仍是一种行之有效的生物量监测手段，特别是对于空间范围较大和难以进入进行实地测量的区域。

受数据源等的限制，目前基于高光谱遥感手段在黄河三角洲开展的芦苇和碱蓬生物量监测研究的工作不多，特别是基于国产HJ－1高光谱数据的湿地生物量研究还处于起步阶段。本文将基于该高光谱遥感数据，应用目前有报道的常用的7种窄波段植被指数和2种红边指数，以黄河三角洲滨海湿地为研究区，开展其对主要植被类型芦苇和碱蓬的生物量估测能力评价，探索适用于该区域芦苇和碱蓬HJ－1高光谱生物量监测的光谱指数。

1 研究区概况

研究区域位于我国最年轻的土地——黄河三角洲（图1），该区域生态环境受自然和人为影响严重，生态资源宝贵而脆弱，河口区特别是自然保护区范围内湿地变化剧烈。该区域范围广阔且大部分区域难以实地观测，遥感是主要的监测手段之一。芦苇和碱蓬是黄河三角洲滨海湿地中主要的植被类型，其分布最为广泛且多大面积连片分布，是丹顶鹤和黑嘴鸥等黄河三角洲自然保护区主要保护水禽的主要栖息地。开展研究区芦苇和碱蓬的生物量遥感估测研究，对该区域生态环境评估、湿地规划和保护都具有重要意义。

图1 研究区与现场数据采集站点位置Fig.1 Study area and field work locations

2 数据源与方法

2.1 遥感数据

选择HJ－1A高光谱遥感影像（HSI）作为本研究的遥感数据源，其光谱范围为459～956nm，共有115个波段，由于该数据采用的是法布里－珀罗干涉成像原理，其每个波段的宽度都不一致，其中前79个波段宽度小于5nm，最宽的近红外波段也小于9nm。该影像的空间分辨率为100m。

所用的HJ－1HSI影像获取时间为2013年9月1日，与现场光谱采集时间相差20d，该时间处于秋分前后，可认为此时芦苇和碱蓬生物量随时间的变化已很小。

采用ENVI软件中FLAASH大气校正模块所使用的MODTRAN4辐射传输模型对影像进行大气校正，校正后的影像像元值由DN值转换为反射率。以2013年7月15日成像的Landsat 8OLI图像为参考，对HJ－1高光谱影像进行了几何校正，校正均方根误差小于0.5个像元。

2.2 现场数据

2013年9月21日至30日，开展了针对研究区芦苇和碱蓬生物量监测的现场测量工作（采样点位置见图1），采集了单位面积的地上植被植株，经专用烘干设备烘干后，称其重量，作为植被的生物量值。

植被样本采集时，选择面积较大（＞1hm2）且分布均匀的芦苇和碱蓬生长区域，覆盖该区域的HJ－1高光谱影像至少有1个像元为纯像元，在每个纯像元覆盖区域随机选择并割取4个1m2的地上部分植株，用透气性好的牛皮纸袋保存，防止其腐烂变质。回实验室后，立即在专用植被烘干柜中进行烘干，每一个样本都在专用烘干容器中以80℃的恒温持续脱水24h以上，直到植被样本重量不再减少，称重并记录作为该样本的地上干生物量。应用以上方法，共采集了35个样本，经质量控制后用于本研究的样本共28个，其中芦苇17个、碱蓬11个。上述样本中，19个样本用于拟合估测模型（芦苇和碱蓬分别有12个和7个），9个样本留作模型检验。

2.3 光谱指数与相关性分析

2.3.1 窄波段植被指数

选择了7种常见于植被生物物理化学性质监测的窄波段植被指数，包括 SRI、NDVI、NVI、TVI、TCARI、OSAVI和MSAVI，这7种植被指数都有成功应用到某些具体高光谱遥感影像数据和研究区域的先例。关于上述植被指数的计算公式和相关说明见表1。

对于SRI和NDVI两种植被指数，因其应用最为广泛，适合于各种不同的遥感影像数据，故并未给出具体的针对具有较高光谱分辨率的高光谱遥感影像应用时的波段选择方案。本研究采用遍历组合的方式，按顺序分别从红光波段和近红外波段覆盖的高光谱波段中选择一对波段计算SRI和NDVI，然后针对每一个波段组合都会给出一个相关性评估结果，从这些结果中选择相关性最高的，即能较好估测植被生物量的波段组合。其它5种植被指数均根据相关参考文献的工作给出了具体的波段位置。

表1 窄波段植被指数和红边指数Tab.1 Narrow band vegetation indices and red edge position indices

2.3.2 红边指数

常用的高光谱植被监测的红边指数包括3种：线性插值法［6］，拉格朗日插值法［35］和线性外推法［6］。其中拉格朗日插值法即计算700nm到750nm左右范围的一阶导数最大值处的光谱值，但由于在该位置处HJ－1高光谱数据的波段宽度接近6nm，故一般的光谱差别并不能明显地表现出来，即红边位置在5 nm以内的都可能会呈现同一个红边计算结果，因而本研究中仅用线性插值法和线性外推法计算现场样本采集处高光谱图像像元的红边指数。所选的2种红边指数的计算公式和相关说明见表1。

2.3.3 相关性分析

研究采用单变量线性回归分析和多变量线性回归分析的方法评估图像计算得到的植被指数和红边指数与植被生物量之间的相关性，进而评价其估测能力。

由于芦苇和碱蓬的生物物理化学性质差别较大，故对芦苇和碱蓬分别评价。评价结果采用决定系数R2和显著性水平p来表征。

多变量分析时，仅选取单变量分析时出现较高相关性的光谱指数参与分析。利用独立样本对回归模型进行检验。

3 结果与分析

3.1 单变量生物量估测能力分析

3.1.1 SRI和NDVI最佳估测波段选择

根据TM3（红光波段，620～690nm）和TM4（近红外波段，760～900nm）的波段范围，分别选择HJ－1高光谱影像在红光的18个红光波段和在近红外的13个波段（因830～900nm的HJ－1高光谱影像信噪比较低，故不使用），共计234个波段组合，分别开展与芦苇和碱蓬的生物量相关性分析，得到如图2所示的相关性指标分布图。并针对每种植被选择3个相关性最好的组合（表2）。

从决定系数R2的大小和分布看，对于芦苇，NDVI和SRI指数与生物量之间的相关性在不同波段组合间的相对大小值较为相似（图2a和2c），同样的情况也出现在对碱蓬的相关性分析结果中（图2b和2d）。这说明两种指数对于描述植被的生物量具有相似的能力。整体上，2种植被SRI指数与生物量的相关性大于NDVI指数与生物量的相关性，但描述相关性的决定系数值在同一种植被的两种指数间浮动却不一致，对于芦苇浮动了约0.1，而对于碱蓬，仅浮动了0.01。说明针对所使用的 HJ－1高光谱遥感图像，SRI指数对研究区芦苇和碱蓬的生物量具有更好的反映能力。相比于芦苇，碱蓬的2种植被指数在不同波段组合时相互之间波动较大，反映了碱蓬的2种植被指数与生物量之间的相关性对于波段的敏感性，即变换一个波段可能会导致相关性的急剧下降，即使对于高光谱这种相邻波段具有较高相关性的图像而言。

图2 相关性指数分布图Fig.2 The R2 measures distribution graphs

对比图2中的4幅相关性指数分布曲面图，高值区域均分布在曲面的边缘，这说明在所选波段的组合中，并不一定能得到最高的相关性结果。对于芦苇，更高的相关性波段组合可能出现在小于628nm的红光波段和大于834nm的近红外波段的组合中，但由于所用的HJ－1高光谱遥感影像在834nm之后信噪比较低，故未使用。而对于碱蓬，更高的相关性波段组合可能出现在大于687nm和小于620nm的红光波段与808nm的近红外波段的组合中，但由于这个范围已经超出了红光的范畴，为统一标准，在本研究中不作考虑。

表2 芦苇和碱蓬的SRI和NDVI指数中与各自生物量相关性最好的前3个波段组合及决定系数Tab.2 R2and corresponding bands combinations with the best three relativity for SRI and NDVI indices and their respective biomass of reeds and suaeda

由于红光和近红外波段范围取值的限制，表2中所给出的具有最高相关性的波段组合由于处于图1中所示的边缘位置，因而可能并非最优的组合。对于NDVI和SRI指数，碱蓬取得了一致较好的相关性，而且显著性水平均小于0.01，这在一定程度上得益于碱蓬在黄河三角洲湿地中的连续均匀分布情况好于芦苇。因为芦苇是喜淡水植被，而黄河三角洲特别是潮滩湿地以广盐性环境为主，更适合于碱蓬的生长和广泛连续分布。

3.1.2 光谱指数生物量估测能力评价

根据表2，选择SRI和NDVI指数中与植被生物量相关性最好的波段组合，对于芦苇，分别选择635 nm、827nm波段组合和635nm、782nm波段组合；而对于碱蓬，则2种指数都选择692nm、807nm波段组合。利用上述2种植被指数与之外的5种窄波段植被指数以及2种红边指数，综合评价其与黄河三角洲湿地植被芦苇和碱蓬的相关性，即估测能力评价。相关性分析细节如表3所示。

表3 光谱指数生物量单变量估测模型Tab.3 Single variable estimation models of spectral indices and biomass

对于芦苇和碱蓬，上述9类光谱指数中决定系数大于0.4的各有2个和3个。而对于决定系数小于0.3的植被指数，可以认为其与植被生物量相关性极小或不相关，或者称没有对植被生物量的估测能力。

与芦苇生物量相关性较好的指数有SRI和REP＿linear interpolation。对于SRI指数，其意义是红光波段值与近红外波段值的比值，一般情况下，该值应与植被的叶绿素含量呈负相关，但回归模型却呈正相关。原因是在黄河三角洲区域，长势较好的芦苇普遍生长在有淡水蓄积的区域，在覆盖度不高的情况下，水体的光谱易在像元的光谱混合中对植被光谱造成影响，故而出现正相关的情况。同时，芦苇的这种生长特点造成了其NDVI指数出现了负相关。对于REP＿linear interpolation指数，其表征的是植被反射率光谱红边的位置，通过分析发现，该指数是本文所用的估测芦苇生物量的光谱指数中估测能力最强的。

与碱蓬生物量相关性较好的光谱指数包括SRI、NDVI和OSAVI。不同于芦苇，在黄河三角洲区域，碱蓬多生长在湿度较低的滩涂上，分布面积大且均匀，其生物量应与表征植被叶绿素含量的指标呈正相关，通过分析，相关性最好的上述3种指数在叶绿素含量的表征意义上均与碱蓬生物量呈正相关。同时，不论是碱蓬还是芦苇，OSAVI的表现都比TCARI优秀，原因是OSAVI实际上是TCARI与土壤调节植被指数的结合，其作用是在植被覆盖度不高的区域降低裸露土壤的影响。

经过独立样本检验，对于芦苇和碱蓬，决定系数较高的回归模型，其独立检验样本的平均相对误差也表现较好（见表3中的粗体数字部分）。

3.2 多变量生物量估测能力分析

分别选择在单变量植被生物量估测能力分析中与芦苇和碱蓬生物量具有较高相关性的SRI和REP＿linear interpolation等2个以及 SRI、NDVI和OSAVI等3个指数，开展多变量的植被生物量光谱指数估测能力分析，分析结果如表4所示。

表4 光谱指数生物量多变量估测模型Tab.4 Multiple variable estimation models of spectral indices and biomass

经过多变量线性回归分析，发现光谱指数对芦苇和碱蓬的生物量估测能力都有了进一步的提高，决定系数分别达到了0.71和0.66，而经独立样本检验，其平均相对误差相比于单变量拟合估测模型有了进一步的降低（表4）。同时，对于芦苇，2个光谱指数变量的回归分析相关性明显高于碱蓬的3个光谱指数，尽管这3个光谱指数在单变量分析中都取得了比芦苇高的相关性。另外，从相关性的显著性水平上，碱蓬也逊于芦苇，这可能是因为碱蓬样本不足的原因。

4 讨论

基于9种窄波段光谱指数，分析了其对于黄河口HJ－1高光谱遥感影像中芦苇和碱蓬植被生物量的估测能力，发现对于两种植被分别都有部分指数可较好地实现生物量的估测。但还存在一系列需要探讨的问题，包括：

（1）HJ－1高光谱遥感图像的质量整体不高。星载高光谱成像传感器普遍具有光谱分辨率和空间分辨率都不高的特点，虽然HJ－1高光谱传感器基于干涉原理得到了相对较高的光谱分辨率，但这也在很大程度上降低了另外2个重要指标：信噪比和空间分辨率。图3是本文所用的HJ－1高光谱影像的信噪比评估结果，其大部分波段的信噪比都处于30以下的低水平。同时，100m的空间分辨率决定了在多数情况下，尤其是地物景观尺度较小的黄河三角洲区域，光谱混合将成为制约其对地物高精度监测的主要因素之一。这在很大程度上也影响到了本文的结果，如芦苇因其空间尺度普遍较小而导致的遥感影像像元光谱混合致使在该像元处现场采集的植被生物量数据无法保证对整个像元的代表性。故HJ－1高光谱遥感影像比较适合于较大区域尺度中较大景观尺度植被类型的生物量监测。

图3 HJ－1A高光谱影像的各波段信噪比Fig.3 The signal－noise ratio values of each band of HJ－1 hyperspectral image

（2）窄波段植被指数具有影像和区域的局限性。如 CURRAN［36］和 GOBRON et al［37］指出的，基于经验统计的植被指数都普遍具有研究区域和所用遥感数据的依赖性。以此推断，如 NVI、TVI、TCARI、MSAVI和REP＿linear extrapolation等5种光谱指数未在本文的相关性分析中取得好的结果，很大程度上因为所引用的公式是相关的研究者在特定区域使用特定遥感数据所统计分析得到的，而这些公式以及所选择使用的波段并不能在本文所选择的研究区域和遥感数据上也具有好的效果。

（3）样本数量有限。基于统计的线性回归对参与回归的样本数量要求较高，这可通过回归分析的显著性指标表现出来。本文中，不论单变量回归分析还是多变量分析 ，因为芦苇的样本数量要多于碱蓬，故其显著性指标都优于碱蓬。特别是当碱蓬利用3种各自都在单变量分析中优于芦苇的指数参与分析时，多变量分析结果反而劣于芦苇。

5 结论

分别应用单变量和多变量回归分析方法，评价了9种常用的光谱指数对黄河口HJ－1高光谱芦苇和碱蓬生物量的估测能力，得到以下主要结论：

（1）单变量情况下，对于芦苇，选择近红外827 nm波段和红635nm波段简单植被指数（SRI）和线性插值红边指数（REP＿linear interpolation）取得了最佳的单变量回归结果，决定系数分别达到了0.42（p＜0.01）和0.58（p＜0.01）；对于碱蓬，选择近红外807nm波段和红692nm波段的归一化差值植被指数（NDVI）、SRI和优化的土壤校正植被指数（OSAVI）取得了较好的回归结果，决定系数分别达到了0.60（p＜0.01）、0.59（p ＜0.01）和0.47（p ＜0.03）。

（2）多变量情况下，以在单变量回归分析中取得较好结果的SRI和REP＿linear interpolation为变量，芦苇得到了决定系数为0.71（p＜0.01）的高相关性；同时，以NDVI、SRI和OSAVI为变量，与碱蓬生物量的相关系数达到了0.66（p＜0.05）。

（References）：

［1］RICHARDSON A，WIEGAND C，ARKIN G，et al.Remotely－sensed spectral indicators of sorghum development and their use in growth modeling［J］.Agricultural Meteorology，1982，26（1）：11－23.

［2］EVERITT J，ESCOBAR D，RICHARDSON A.Estimating grassland phytomass production with near－infrared and mid－infrared spectral variables［J］.Remote Sensing of Environment，1989，30（3）：257－261.

［3］ANDERSON G，HANSON J，HAAS R.Evaluating Landsat Thematic Mapper derived vegetation indices for estimating aboveground biomass on semiarid rangelands［J］.Remote Sensing of Environment，1993，45（2）：165－175.

［4］WYLIE B，MEYER D，TIESZEN L，et al.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）：266－78.

［5］LU Deng－sheng.The potential and challenge of remote sensingbased biomass estimation［J］.International Journal of Remote Sensing，2006，27（7）：1 297－1 328.

［6］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.

［7］ROUSE J.Monitoring the vernal advancement and retrogradation（greenwave effect）of natural vegetation［R］∥NASA／GSFC Type III Final Report.Greenbelt，MD，1974：371－373.

［8］TUCKER C J.Red and photographic infrared linear combinations for monitoring vegetation［J］.Remote Sensing of Environment，1979，8（2）：127－150.

［9］WANG Hong，LI Xiao－bing，YU Hong－jing.Monitoring growing season of typical steppe in northern China based on NOAA／AVHRR NDVI data［J］.Acta Phytoecologica Sinica，2006，30（3）：356－374.

王宏，李晓兵，余弘婧.基于NOAA／AVHRR NDVI监测中国北方典型草原的生长季及变化［J］.植物生态学报，2006，30（3）：365－374.

［10］TAO Wei－guo，XU Bin，LIU Li－jun，et al.Yield estimation model for different utilization status grassland based on remote sensing data［J］.Chinese Journal of Ecology，2007，26（3）：332－337.

陶伟国，徐斌，刘丽军，等.不同利用状况下草原遥感估产模型［J］.生态学杂志，2007，26（3）：332－337.

［11］KLEMAS V.Remote sensing of coastal wetland biomass：An overview ［J］.Journal of Coastal Research，2013，29（5）：1 016－1 028.

［12］HUETE A，JACKSON R.Soil and atmosphere influences on the spectra of partial canopies［J］.Remote Sensing of Environment，1988，25（1）：89－105.

［13］KAUFMAN Y J，TANRE D.Atmospherically resistant vegetation index（ARVI）for EOS－MODIS［J］.Geoscience and Remote Sensing，IEEE Transactions on，1992，30（2）：261－270.

［14］QI Jia－guo，CABOT F，MORAN M，et al.Biophysical parameter estimations using multidirectional spectral measurements［J］.Remote Sensing of Environment，1995，54（1）：71－83.

［15］TODD S，HOFFER R，MILCHUNAS D.Biomass estimation on grazed and ungrazed rangelands using spectral indices［J］.International Journal of Remote Sensing，1998，19（3）：427－438.

［16］MYNENI R B，HALL F G，SELLERS P J，et al.The interpretation of spectral vegetation indexes［J］.Geoscience and Remote Sensing，IEEE Transactions on，1995，33（2）：481－486.

［17］SELLERS P.Canopy reflectance，photosynthesis and transpiration［J］.International Journal of Remote Sensing，1985，6（8）：1 335－1 372.

［18］GAO Xiang，HUETE A R，NI Wen－ge，et al.Optical－biophysical relationships of vegetation spectra without background contamination［J］.Remote Sensing of Environment，2000，74（3）：609－620.

［19］BLACKBURN G A.Quantifying chlorophylls and caroteniods at leaf and canopy scales：An evaluation of some hyperspectral approaches［J］.Remote Sensing of Environment，1998，66（3）：273－285.

［20］THENKABAIL P S，SMITH R B，DE PAUW E.Hyperspectral vegetation indices and their relationships with agricultural crop characteristics［J］.Remote Sensing of Environment，2000，71（2）：158－182.

［21］GILABERT M A，GANDÍA S，MELIA J.Analyses of spectralbiophysical relationships for a corn canopy［J］.Remote Sensing of Environment，1996，55（1）：11－20.

［22］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）：3 999－4 014.

［23］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.

［24］WANG Ye－qiao.Remote sensing of coastal environment［M］.London：CRC Press，2010：261－280.

［25］PENGRA B W，JOHNSTON C A，LOVELAND T R.Mapping an invasive plant，Phragmites australis，in coastal wetlands using the EO－1Hyperion hyperspectral sensor［J］.Remote Sensing of Environment，2007，108（1）：74－81.

［26］ROSSO P，USTIN S，HASTINGS A.Mapping marshland vegetation of San Francisco Bay，California，using hyperspectral data［J］.International Journal of Remote Sensing，2005，26（23）：5 169－5 191.

［27］WANG Ye－qiao.Remote sensing of coastal environment［M］.London：CRC Press，2010：61－78.

［28］USTIN S L，ROBERTS D A，GAMON J A，et al.Using imaging spectroscopy to study ecosystem processes and properties［J］.BioScience，2004，54（6）：523－534.

［29］HIRANO A，MADDEN M，WELCH R.Hyperspectral image data for mapping wetland vegetation［J］.Wetlands，2003，23（2）：436－448.

［30］COHEN W B.Response of vegetation indices to changes in three measures of leaf water stress［J］.Photogrammetric Engineering＆ Remote Sensing，1991，57（2）：195－202.

［31］GUPTA R，VIJAYAN D，PRASAD T.New hyperspectral vegetation characterization parameters［J］.Advances in Space Research，2001，28（1）：201－206.

［32］BROGE N H，LEBLANC E.Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density［J］.Remote Sensing of Environment，2001，76（2）：156－172.

［33］KIM M S，DAUGHTRY C，CHAPPELLE E，et al.The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation［C］∥Proc.ISPRS'94，Val d'Isere，France，1994：299－306.

［34］DAUGHTRY C，WALTHALL C，KIM M，et al.Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance［J］.Remote Sensing of Environment，2000，74（2）：229－239.

［35］DAWSON T，CURRAN P.Technical note A new technique for interpolating the reflectance red edge position［J］.International Journal of Remote Sensing，1998，19（11）：2 133－2 139.

［36］CURRAN P J.Imaging spectrometry［J］.Progress in Physical Geography，1994，18（2）：247－266.

［37］GOBRON N，PINTY B，VERSTRAETE M M.Theoretical limits to the estimation of the leaf area index on the basis of visible and near－infrared remote sensing data［J］.Geoscience and Remote Sensing，IEEE Transactions on，1997，35（6）：1 438－1 445.