基于植被指数的北京军都山荆条灌丛生物量反演研究

高明亮，宫兆宁,*，赵文吉，高 阳，胡 东

(1. 三维信息获取与应用教育部重点实验室， 北京 100048；2. 资源环境与地理信息系统北京市重点实验室，北京 100048)

基于植被指数的北京军都山荆条灌丛生物量反演研究

高明亮1，宫兆宁1,*，赵文吉1，高 阳1，胡 东2

(1. 三维信息获取与应用教育部重点实验室， 北京 100048；2. 资源环境与地理信息系统北京市重点实验室，北京 100048)

基于环境卫星数据提取10种植被指数，辅以资源三号卫星数据提取的高精度数字高程模型(DEM)等数据，结合实地野外采样数据，以北京军都山为试验区采用最小二乘回归模型拟合植被指数与荆条灌丛冠层生物量的定量关系，并利用拟合结果对研究区灌从冠层生物量进行了反演估算，生成研究区荆条及其伴生灌丛生物量空间分布图。结果表明，文中所建立的多元线性回归模型在研究区具有较好的反演精度和预测能力。其模型显著性为显著(α<0.01)，相关系数为0.856，标准误差为58.5 g/m2；预测标准误差为98.1 g/m2，决定系数为0.865。通过对研究区荆条灌丛的冠层生物量进行遥感估算，提出了一种利用遥感技术监测灌木群落生物量的新思路。

植被指数; 荆条灌丛; 生物量; 回归分析; 卫星数据

生物量是衡量生态系统生产力的重要指标，对于生态系统结构形成与发展具有重要的影响。灌木是生态系统的重要组成类型之一，是宝贵的生物资源。此外，灌木是干旱半干旱地区和山区的主要树种，也是平原地区城市绿化的重要伴生树种。灌木耐寒旱且繁殖能力强，无论土壤肥瘠，环境干湿都能生长，因此在保持水土、防风固沙以及涵养水源等生态建设中扮演重要的角色，在生态保护、恢复和重建中起着重要作用。灌木生物量是衡量灌木群落发展和生态系统研究的重要内容，是生态系统物质循环及能量转换研究的重要基础，具有重要研究价值。2012年6月至8月的野外生态调查结果表明，荆条及其伴生灌丛是北京山区阳坡分布数量最多、面积最广的典型灌木优势种，研究荆条及其伴生灌丛的生物量分布情况对于研究山区植被演替规律及山区生态循环与能量交换有重要的现实意义。

长期以来，国内外学者的研究重点在于森林和草本生物量的遥感反演和估算[1- 4]，或者是灌木本身的生理化学特征[5- 7]，而对灌木生物量测定方法的研究大都仍停留在样方法、平均木法、相对生长法、数量化方法等传统的估算方法[8- 9]。此外，对于通过哪种方法测定的生物量和建立的预测模型效果较好，目前没有明确的结论。究其根源，是由于灌木具有特殊的形态和群落结构，使得其生物量在空间结构上既区别于乔木又不同于草本植物。灌木株高较低，丛生，没有明显的主干，无法利用乔木生物量估算方法计算单株生物量。此外，灌木比草本高大，水平分布呈现不连续不均匀的特征，无法采用普通的整体样方收获法计算生物量。近年来，随着环境问题的日益凸显，越来越多的学者意识到灌丛这一特殊生态群落对生态环境的重要影响以及其潜在的科研价值，将遥感等技术手段引入到灌木群落及其生长环境的监测和相关研究中。David等[10]综合多光谱、多角度以及多时相遥感数据集对阿拉斯加地区0.5 m以上灌木冠层进行制图，通过对不同分辨率、不同类型影像建立回归树模型，发现基于多光谱影像的结果优于多角度以及多时相数据结果，同时,基于高空间分辨率数据的模型通常具有较高的精度。Estornell等[11]基于光探测与测量(LiDAR)数据和航拍数据，采用逐步回归的方法估算了地中海地林区灌丛生物量，结果表明LiDAR和航拍数据可以很好地用于估算灌丛生物量，并进行生物量及体积分布制图。鉴于灌木群落特有的结构形态及其分布特征，本文避开了由于灌木植株结构差异造成的困难，综合多种光谱指数作为反演指标，采用最小二乘回归拟合的方法对北京军都山区荆条灌丛的冠层生物量进行估算，提出了一种灌木群落生物量遥感反演的新思路。

1 数据获取与方法

1.1 研究区概况

研究区位于北纬40°14′—40°47′、东经115 °58′—116 °50′之间，覆盖昌平区北部、延庆县东北部、怀柔区中南部以及密云县西部共2617.44 km2的范围(图1 )。山区气候属温带半湿润大陆性季风气候，温度和降水随海拔变化明显，年均温度在2—11 ℃左右，年均降水450—660 mm。土壤以褐土为主，其次是山地棕壤和山地草甸土。植被以栎属(Quercus)、椴属(Tilia)、白蜡树属(Fraxinus)、槭属(Acer)、杨属(Populus)等次生落叶阔叶林，以及油松(Pinustabulaeformis)、侧柏(Biotaorientalis)等温性针叶林为主；灌丛以荆条(Vitexnegundo)、三桠绣线菊(Spiraeatrilobata)、蚂蚱腿子(Myripnoisdioica)和大花溲疏(Deutziagrandiflora)等为主，常为多优势种混生分布，典型的有荆条+酸枣灌丛、荆条+山杏+三桠绣线菊灌丛、荆条+山杏+平榛灌丛、荆条+三桠绣线菊+蚂蚱腿子灌丛等。

1.2 数据获取

1.2.1 遥感影像数据

研究采用的遥感影像数据是2012年8月获取的HJ- 1A卫星CCD(Charge-coupled Device，电荷耦合元件)多光谱影像以及同时期的资源三号卫星影像。HJ- 1A卫星CCD相机星下点空间分辨率为30 m，扫描幅宽360 km(单台)，光谱范围覆盖包括蓝色波段(0.43 —0.52 μm)、绿色波段(0.52—0.60 μm)、红色波段(0.63—0.69 μm)以及近红外波段(0.76—0.90 μm)。研究表明HJ卫星CCD多光谱数据可以满足植被指数提取和相关研究的要求[12- 13]。资源三号卫星影像包括分辨率为2.1 m的正视全色数据，分辨率为3.5 m的前视、后视全色数据以及分辨率为5.8 m的正视多光谱数据。资源三号测绘卫星图像分辨率高、图像几何精度和定位精度较高，具有1∶50000比例尺立体测图能力。

图1 研究区位置示意图Fig.1 Location of study area schematic plot

1.2.2 样点布设及地面实测数据

野外实地生物量采集于2012年8月进行，属于全国生态环境十年变化(2000—2010年)遥感调查与评估项目的一部分工作。2012年6月开展的全国生态环境十年变化(2000—2010年)遥感调查与评估工作持续近3个月，实际核查点1206个(图2中列出了研究区内的部分)，采集生物量样本超过240个，覆盖北京市全境，主要集中在北部山区。核查内容包括覆盖类型、覆盖度、优势种群、植被功能、周围环境描述，并进行拍照；如果是山区则增加坡度、坡向、海拔、土壤类型、土壤厚度、基岩等地质描述。野外核查过程中记录GPS行经路线，无法到达的地方通过同时期的高分卫星影像如Quickbird、Worldview- 2等进行估计。

图2 野外实地采样样地分布Fig.2 The distribution of sample districts

野外实地生物量采集数据用于生物量反演模型的拟合及模型预测精度的检验。根据灌丛分布的区域特征及灌丛分布范围的大小，综合考虑海拔分布特点按照不同灌丛类型进行样方的设定，样区分布见图2。在海拔200 m到1500 m范围内，选定荆条+酸枣灌丛样地11个，荆条+三桠绣线菊丛样地9个，荆条+山杏灌丛样地10个，共布设30个100 m×100 m的样地。每个样地内布设3个30 m×30 m的样区，每个样区内布设3个10 m×10 m的小样方进行生物量采集，以保证每个样区对应遥感影像的一个像元大小(图2c)。由于野外地形因素和天气条件的限制，研究区内最终实际布设样区60个，得到有效数据48组。

在每个样方区域内统计优势物种、株丛数目，剪取一株丛的冠层枝叶混合承重，并做记录，记录内容包括样方编号、样区中心点GPS坐标、样方中心点GPS坐标、优势灌木种、株丛数目、采样鲜重、样方株丛数、株高、多度、叶面积指数(LAI)等，并拍摄鱼眼照片。然后将每个样区内所有样方采集的样本混合，取100 g放入自封袋中并标记样区号，带回实验室恒温烘干并记录净重，计算出含水率μi。最后根据公式(1)将采样鲜重换算为干重，并记录。最终记录结果为样区内干生物量单位面积均值，单位为g/m2。

i=1,2,…,48;j=1,2,3

(1)

式中，wij为第i个样区第j个样方的采样鲜重，nij为第i个样区第j个样方内的株丛数，μi为第i个样区的植被含水率，Wi为该样区单位面积植被生物量干重。

所有样区最终的记录数据分别按照试验用途和灌丛类型进行分组。采用分层抽样方法，最终选取其中36组数据用于拟合生物量模型，其余12组数据用于模型预测精度的检验。

1.2.3 其他数据

研究准备的其他数据包括：2006年北京地区植被分类图，2010年北京地区植被分布图，2012年北京市植被分布图及植被资源规划资料以及2012年北京部分山区高分辨率卫星影像。需要说明的是，2010年和2012年的植被分布图是粗略的纸质图样，精度及分辨率有待考证，只用作分类时的参考数据。在进行研究区灌丛提取时主要基于2006年北京地区植被分类图和野外调查结果作为样本选取的依据。

1.3 数据处理方法及流程

1.3.1 遥感影像数据处理

本次研究的遥感影像数据处理包括遥感影像预处理及植被指数提取、DEM系列数据提取3个部分。首先根据绝对辐射定标参数对分别对环境卫星遥感影像和资源三号卫星遥感影像进行辐射定标，将各波段像元亮度值(DN)值转为表观辐射亮度；鉴于影像获取时研究区上空晴朗无云，采用(FLAASH)大气校正模块对影像进行大气校正，得到反射率图像；然后结合1∶50000地形图和采样点(作为地面控制点)对影像进行正射校正，误差控制在0.5个像元以内；之后对影像进行裁剪，得到研究区影像。最后利用资源三号卫星前、后视全色波段影像提取得到10 m精度的DEM数据，并生成坡度坡向和山体阴影数据，用于面向对象分类提取荆条及其伴生灌丛分布。

遥感影像上的植被信息，主要是通过绿色植物叶片和植被冠层的光谱特性及其变化差异反映的。不同光谱波段所获得的植被信息与植被的不同要素或某种特征状态有各种不同的相关性。因此，在建立遥感生物量方程时，选定适合该区域该季节的遥感指示因子就显得极为重要。考虑到灌丛群落的分布和立体结构的特点，其植被指数易受到土壤背景的影响，研究选取10种植被指数(表1)进行反演模型的拟合。

1.2.5 荆条灌丛分布提取

荆条灌丛分布的提取基于2006年北京市植被分类图和野外调查结果。将植被分类图中除灌木之外的类型全部剔除；然后基于资源三号卫星前后视全色波段影像提取得到10 m精度DEM数据，进而分别提取得到10 m精度坡度、坡向数据以及山体阴影数据；根据地理上对阳坡阴坡的划分，阳坡一般为南、西南、西、西北，据此利用DEM和坡度、坡向数据，通过山体阴影数据及通视分析方法，将灌丛分布划分为若干子区域；结合研究区的地理分布特征和野外生态调查结果，综合3个方面的数据采用面向对象分类方法提取得到灌丛分布区域，通过设置阈值范围和对象特征参数，成功地剔除了阴影、沟谷、纯阴坡、以及梯田果林等干扰因素，得到2012年8月研究区荆条灌丛及其伴生灌丛分布结果(图3)。

表1 本研究中用到的植被光谱指数

图3 北京山区灌木群落分布Fig.3 The distribution of shrub in Beijing mountainous area

1.2.6 双线性内插提取采样点参数

植被指数图像中，一个混合像元的值代表一个样区内(30 m×30 m)混合植被指数值。由于采样点数据是矢量结构，各样本点植被指数值取其所在植被指数图像上对应像元值进行双线性内插的结果。配合生物量采集以30 m×30 m为统计单元，以保证反演结果的可靠性。如图2c样方区域中心点取值采用双线性插值算法得到。

双线型内插值算法充分利用了源图中虚拟点四周的4个真实存在的像素值来共同决定目标图中的一个像素值(图4)，其算法描述如下：

对于一个目的像素，设置坐标通过反向变换得到的浮点坐标为(i+u，j+v) (其中i、j均为浮点坐标的整数部分，u、v为浮点坐标的小数部分，是取值[0，1)区间的浮点数)，则这个像素的值f(i+u，j+v) 可由原图像中坐标为 (i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)所对应的周围4个像素的值决定，即：

f(i+u,j+v)=(1-u)(1-v)f(i,j)+(1-u)vf(i,j+1)+u(1-v)f(i+1,j)+uvf(i+1,j+1)

(2)

式中，f(i，j)表示源图像(i，j)处的的像素值，以此类推。

图4 双线性内插算法示意图Fig.4 Schematic plot of bilinear interpolation

1.4 回归模型及精度评价

采用回归拟合方法估算生物量，将单一植被指数作为自变量采用最小二乘拟合的方法得到一个线性或者非线性方程的方法已被广泛应用[24- 26]。此外，研究表明，处于生长状态的植被干生物量与多种植被指数存在相关关系[27- 29]。综合考虑多种植被指数最优组合来预测或者估算生物量，更具有实际意义。

回归分析是研究一个变量(被解释变量)关于另

一个(些)变量(解释变量)的具体依赖关系的计算方法和理论。研究选取多元线性模型(公式3)，将灌丛冠层生物量抽象为一种现象，将各种植被指数抽象为多个不同影响因子，并尝试采用回归模型来解释它们的定量关系。

其中，作为输入变量植被指数的筛选是多元线性模型建立的关键。其遵循的准则为：(1)所选用植被指数与生物量呈密切相关性；(2)所选用植被指数之间具有一定的互斥性，其相互间相关程度不应高于与生物量之间的相关程度；(3)生物量实地采样值具有完整的统计数据，其预测值容易确定。

Y=b0+b1x1+b2x2+···+bkxk+ε

(3)

式中，b0，b1，b2，…，bk为k+1个待定参数，ε为随机误差。

灌木群落叶生物量反演模型拟合结果精度评价指标选用相关系数法。相关系数法包括求解相关系数(预测决定系数)r、精度(或系统误差)SE及均方根误差RMSE等。

1.5 技术流程

研究采取的主要技术流程见图5，主要包括5个部分：荆条灌丛分布提取；遥感数据预处理及植被光谱指数提取；地面采样数据的处理；模型拟合及精度评价；荆条灌丛冠层生物量分布制图。

2 结果及讨论

2.1 生物量反演

研究采用回归分析方法，利用(3)式对北京山区灌木群落叶生物量进行拟合，在要求误差平方和(∑(εi)2)为最小的前提下，用最小二乘法求解参数。经正态分布检验，因数据不服从正态分布，故相关分析时采用Kendall相关系数，将10组植被指数数据与生物量实测结果进行相关分析及筛选。结果表明NDVI、OSAVI、MTVI2、GNDVI、NLI、MSAVI、RDVI以及IPVI与灌丛冠层生物量具有显著相关关系，TVI和MSR数据与生物量相关关系不显著；NDVI与MSAVI、GNDVI、MTVI2、MSR、RDVI、IPVI以及OSAVI有显著相关关系，同时OSAVI、MSAVI与其他植被指数之间也存在显著相关关系(表3 )。

图5 整体技术流程Fig.5 Total technique flowcharts

NDVIMSAVIGNDVIMTVI2MSRRDVIIPVIOSAVINLITVI生物量BiomassNDVI1．0000．650∗0．876∗∗0．855∗∗0．651∗0．735∗0．894∗∗0．915∗∗0．4020．1450．791∗MSAVI1．0000．612∗0．5400．871∗∗0．6060．955∗∗0．866∗∗0．695∗0．1970．782∗GNDVI1．0000．5000．798∗0．730∗0．826∗∗0．877∗∗0．807∗0．640∗0．763∗MTVI21．0000．756∗0．4080．835∗∗0．796∗0．3500．4180．826∗∗MSR1．0000．703∗0．609∗0．965∗∗0．628∗0．4980．699∗RDVI1．0000．655∗0．738∗0．715∗0．4510．825∗∗IPVI1．0000．947∗∗0．605∗0．5000．817∗∗OSAVI1．0000．699∗0．5030．810∗∗NLI1．0000．5110．753∗TVI1．0000．664∗生物量Biomass1．000

*表示在α=0.05下显著 Correlation is significant at the 0.05 level; **表示在α=0.01下显著 Correlation is significant at the 0.01 level

前文提到，多元回归模型建立必须遵循4条准则。综合表3中的分析结果，为保证样本变量相互独立且低相关，剔除与其他植被指数普遍存在相关关系的NDVI、OSAVI和MSAVI，选取TVI、MTVI2、GNDVI、NLI、MSR、RDVI以及IPVI7种植被指数进行回归拟合建立生物量模型，得到拟合结果见(4)式。从表4中模型的各项评价指标来看，决定系数R2为0.856，标准误差SE达到58.5 g/m2，显著性Sig.为显著水平，说明拟合模型具有良好的鲁棒性，可以较好地表达植被指数与灌木群落叶生物量的定量关系。Y=-104253.387-85482.063GNDVI+377776.959IPVI+7694.928MSR-114067.876MTVI2-48852.631NLI-9672.167RDVI+8054.238TVI

(4)

表4 模型汇总及ANOVA*

*ANOVA: 方差分析(Analysis of Variance)，又称“变异数分析”或“F检验” ;**表示在α=0.01下显著

2.2 预测精度检验及生物量空间分布制图

根据得到的最优拟合模型建模进行灌木群落冠层生物量反演，得到北京山区灌木群落冠层生物量结果。提取12组采样点植被指数数据，并结合12组样本点实地采样数据进行反演模型预测精度检验。从图6中可以看出，总体样本点分布均落在1∶1等值线附近，拟合Y=X等值线的平均剩余残差平方和Chi2/Dof为8905.97808，R2为0.865，其中一次项系数P1误差为±0.10105，常数项P2误差为±89.13644，反演结果与实测值标准误差SE为98.1 g/m2。此外，估算生物量数据点呈现一定程度的离散，在高值和低值区域出现了一定的偏离。总体上来说，研究得到的多元线性模型对研究区荆条灌丛冠层生物量反演结果具有较好的预测能力。根据得到的反演模型对研究区灌木群落冠层生物量进行预测估算，得到2012年8月研究区荆条灌丛冠层生物量空间分布见图7。

图6 实际生物量与预测结果对比Fig.6 Comparison between predicted and actual leaf biomass

图7中冠层生物量分布规律与实际的灌丛群落分布具有相似的特征，总体呈中心向四周递减的分布规律。研究区中部位于怀柔密云交界一带，多为森林公园或风景名胜区且海拔较高，日照充足，因而灌丛生长茂盛，株高较高，荆条、酸枣等灌丛株高达到1.8 m，山杏、鹅耳枥等株高可达2.5 m以上。同时，冠层具有多层结构，密度及覆盖度较大。研究区东部位于密云水库西侧，受到密云水库的影响，多草本植物以及乔木分布，灌丛优势不明显，分布较为稀疏加之草本植物的的混生使此处区域的生物量反演结果偏大。昌平北部的山区海拔较低，灌丛主要以荆条、三桠绣线菊、酸枣以及野瑞香、蚂蚱腿子为主，植株矮小且株丛分布较为稀疏。特别是东北部，由于海拔较低，受人类活动影响较大，植被破坏严重，地表较多土壤裸露。研究区西北部区域位于延庆县东北部，平均海拔500 m以上，多阳坡半阳坡，日照充足且水资源丰富，适宜植被生长，灌丛以荆条、山杏、酸枣、平榛、三桠绣线菊等为主，株丛密度较高，在低山地区广有分布。

图7 2012年8月北京山区灌木群落叶生物量分布结果Fig.7 Spatial distribution of shrub leaf biomass in Beijing mountainous area

2.3 讨论

通过对比分析10种植被指数与生物量的相关关系，表明在植被冠层密度适中的情况下， NDVI等比值型差值植被指数可以有效地预测地表植被覆盖特征；但植被冠层过于稀疏时，背景信号(如土壤、裸岩等)会严重后果影响植被指数计算结果；而当植被冠层过于浓密，植被指数值又会趋于饱和，这是因为当植被冠层变得浓密时，绿光和红光波段的反射率变化不大，而近红外波段的反射率会持续增加[30]。20世纪末，国外学者基于NDVI提出了土壤调节植被指数(SAVI&OSAVI)用以减小土壤背景影响，但前提是必须得知植被冠层密度。而在实际条件下，很难预先得知植被冠层密度，因此难以对其进行优化。研究表明，相对于其他植被指数而言，TVI和MTVI2等修正型植被指数具有较高的信噪比(SNR, Signal-to-Noise Ratio)，增强了植被动态响应能力，并且可以明显弱化土壤背景的影响。

由于灌木群落分布不连续、不均匀的特点，加之特殊的立体结构特征，在遥感影像中混合像元容易受到土壤背景的影响。由于灌木群落耐寒旱能力强，在海拔较高土壤贫瘠的地区也有分布，在此区域的灌木群落叶片的反射率极易受到土壤和岩石背景的影响。因此利用植被光谱指数进行灌木群落叶生物量反演，NDVI以及GNDVI等植被指数由于受到土壤背景的干扰，与生物量的相关关系不是很明显；而IPVI、RDVI和MTVI2在一定程度上削弱了土壤背景的影响。总体看来，由于部分地区岩石裸露，削弱了植被的响应能力，致使植被指数值偏低，造成局部值偏低；而由于灌木群落株丛枝叶立体分布的影响，部分地区实际采样值偏大，造成部分地区估测值偏高。

3 结论

灌木群落对生态环境构成和能量循环具有重要影响，研究基于环境卫星数据和野外实地采样统计数据，利用回归分析模型来描述植被光谱指数与荆条灌丛冠层生物量的定量关系，估算了2012年8月北京山区灌木群落叶生物量空间分布，结论如下：

(1)MTVI2、RDVI、IPVI以及OSAVI与研究区灌木群落叶生物量具有较好的相关关系，相关系数分别为0.826、0.825、0.817和0.810，表明三者不仅增强了对山地植被的响应能力，而且明显削弱环境背景的影响。

(2)由TVI、MTVI2、GNDVI、NLI、MSR、RDVI以及IPVI 7个参数拟合的多元线性模型具有较好的精度和预测能力，能够较好地用于估算荆条灌丛冠层生物量。其模型显著性为显著(α<0.01)，模型决定系数为0.856，标准误差为58.5 g/m2。

(3)生物量回归模型的局限性在于其受制于特殊的时间和环境条件，以及野外采样的季节。在不同的季节、不同地域条件下，得到的模型有明显的区别。经过选取不同样本组合进行试验，本文提出的多元线性模型估算生物量结果与实际野外采样数据各项评价指标变化不大，表明在一定时间和地域条件下，提出的方法具有一定的可重复性。

致谢：此次野外数据采样方案制定及实施得到北京市环保局环境检测中心、二十一世纪空间技术应用股份有限公司以及重点实验室各位同学的帮助，卫星数据和相关参数的获取得到国家测绘地理信息局卫星测绘应用中心以及中国资源卫星应用中心的大力支持，特此致谢。

[1] Tian X, Su Z B, Chen E X, Li Z Y, van der Tol C, Guo J P, He Q S. Reprint of: Estimation of forest above-ground biomass using multi-parameter remote sensing data over a cold and arid area. International Journal of Applied Earth Observation and Geoinformation, 2012, 17: 102- 110.

[2] Claverie M, Demarez V, Duchemin B, Hagolle O, Ducrot D, Marais-Sicre C, Dejoux J F, Huc M, Keravec P, Béziat P, Fieuzal R, Ceschia E, Dedieu G. Maize and sunflower biomass estimation in southwest France using high spatial and temporal resolution remote sensing data. Remote Sensing of Environment, 2012, 124: 844- 857.

[3] Bénié G B, Kaboré S S, Goïta K, Courel M F. Remote sensing-based spatio-temporal modeling to predict biomass in Sahelian grazing ecosystem. Ecological Modelling, 2005, 184(2/4): 341- 354.

[4] Gao M L, Zhao W J, Gong Z N, He X H. The study of vegetation biomass inversion based on the HJ satellite data in Yellow River wetland. Acta Ecologica Sinica, 2013, 33(2): 542- 553.

[5] Du N, Zhang X R, Wang W, Chen H, Tan X F, Wang R Q, Guo W H. Foliar phenotypic plasticity of a warm-temperate shrub, Vitex negundo var. Heterophylla, to different light environments in the field. Acta Ecologica Sinica, 2011, 31(20): 6049- 6059.

[6] Yin Z F, Ouyang H, Xu X L, Song M H, Duan D Y, Zhang X Z. Water and heat balance and water use of shrub grassland and crop fields in Lhasa River Valley. Acta Geographica Sinica, 2009, 64(3): 303- 314.

[7] Du J H, Yan P, Dong Y X. The progress and prospects of Nebkhas in arid areas. Acta Geographica Sinica, 2010, 65(3): 339- 350.

[8] Yuan S F, Chen Y N, Li W H, Liu J Z, Meng L H, Zhang L H. Analysis of the aboveground biomass and spatial distribution of shrubs in the lower reaches of Tarim River, Xinjiang, China. Acta Ecologica Sinica, 2006, 26(6): 1818- 1824.

[9] Li Y Q, Zheng S W, Gong G T, Chen J H, Tang B, Zhu Z F, Wu X X, Mu C L. Biomass and its allocation of undergrowth Vitex negundo L. in different age classes of mixed cypress forest. Acta Ecologica Sinica, 2010, 30(11): 2809- 2818.

[10] Selkowitz D J. A comparison of multi-spectral, multi-angular, and multi-temporal remote sensing datasets for fractional shrub canopy mapping in Arctic Alaska. Remote Sensing of Environment, 2010, 114(7): 1338- 1352.

[11] Estornell J, Ruiz L A, Velázquez-Martí B, Hermosilla T. Estimation of biomass and volume of shrub vegetation using LiDAR and spectral data in a Mediterranean environment. Biomass and Bioenergy, 2012, 46: 710- 721.

[12] Chen P F, Wang J L, Liao X Y, Yin F, Chen B R, Liu R. Using data of HJ-1A/B satellite for Hulunbeier Grassland aboveground biomass estimation. Journal of Natural Resources, 2010, 25(7): 1122- 1131.

[13] Guo Z F, Chi H, Sun G Q. Estimating forest aboveground biomass using HJ- 1 Satellite CCD and ICESat GLAS waveform data. Science China: Earth Sciences, 2010, 53(S1): 16- 25.

[14] Deering D W, Haas R H, Rouse J W, Schell J A. Monitoring the Vernal Advancement of Retrogradation of Natural Vegetation. NASA/GSFC, Type Ⅲ, Final Report. Greenbelt, 1974.

[15] Qi J, Chehbouni A, Huete A R, Kerr Y H, Sorooshian S. A modified soil adjusted vegetation index. Remote Sensing of Environment, 1994, 48(2): 119- 126.

[16] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, 58(3): 289- 298.

[17] Haboudane D, Miller J R, Pattey E, Zarco-Tejada P J, Strachan I B. Hyperspectral vegetation indices and novel algorithms for predicting green LAI of crop canopies: Modeling and validation in the context of precision agriculture. Remote Sensing of Environment, 2004, 90(3): 337- 352.

[18] Chen J. Evaluation of vegetation indices and a modified simple ratio for boreal applications. Canadian Journal of Remote Sensing, 1996, 22: 229- 242.

[19] Roujean J L, Breon F M. Estimating PAR absorbed by vegetation from bidirectional reflectance measurements. Remote Sensing of Environment, 1995, 51(3): 375- 384.

[20] Crippen R E. Calculating the vegetation index faster. Remote Sensing of Environment, 1990, 34(1): 71- 73.

[21] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 1996, 55(2): 95- 107.

[22] Goel N S, Qin W H. Influences of canopy architecture on relationships between various vegetation indices and LAI and FPAR: a computer simulation. Remote Sensing Reviews, 1994, 10(4): 309- 347.

[23] 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. Remote Sensing of Environment, 2000, 76(2): 156- 172.

[24] Li R D, Liu J Y. An estimation of wetland vegetation biomass in the Poyang Lake using Landsat ETM Data. Acta Geographica Sinica, 2001, 56(5): 532- 540.

[25] Wu T, Zhao D Z, Kang J C, Zhang F S, Cheng L. Suaeda salsa dynamic remote monitoring and biomass remote sensing inversion in Shuangtaizi River estuary. Ecology and Environmental Sciences, 2011, 20(1): 24- 29.

[26] Barati S, Rayegani B, Saati M, Sharifi A, Nasri M. Comparison the accuracies of different spectral indices for estimation of vegetation cover fraction in sparse vegetated areas. The Egyptian Journal of Remote Sensing and Space Science, 2011, 14(1): 49- 56.

[27] Li X, Yeh A, Liu K, Wang S G. Inventory of mangrove wetlands in the Pearl River Estuary of China using remote sensing. Journal of Geographical Sciences, 2006, 16(2): 155- 164.

[28] Yang X C, Xu B, Jin Y X, Li J Y, Zhu X H. On grass yield remote sensing estimation models of China′s northern farming-pastoral Ecotone // Proceedings of 2012 International Conference on Environment Science (ICES 2012). Heidelberg: Springer, 2012: 281- 291.

[29] Guo Y C, He Y, Li X. Remote sensing inversion of vegetation coverage and optimization of vegetation index based on MODIS data in arid area. Remote Sensing for Land and Resources, 2011, (2): 115- 118.

[30] Liang S L. Quantitative Remote Sensing of Land Surfaces. New York: John Wiley & Sons, Inc, 2004.

参考文献:

[4] 高明亮, 赵文吉, 宫兆宁, 赫晓慧. 基于环境卫星数据的黄河湿地植被生物量反演研究. 生态学报, 2013, 33(2): 542- 553.

[5] 杜宁, 张秀茹, 王炜, 陈华, 谭向峰, 王仁卿, 郭卫华. 荆条叶性状对野外不同光环境的表型可塑性. 生态学报, 2011, 31(20): 6049- 6059.

[6] 尹志芳, 欧阳华, 徐兴良, 宋明华, 段德玉, 张宪洲. 拉萨河谷灌丛草原与农田水热平衡及植被水分利用特征. 地理学报, 2009, 64(3): 303- 314.

[7] 杜建会, 严平, 董玉祥. 干旱地区灌丛沙堆研究现状与展望. 地理学报, 2010, 65(3): 339- 350.

[8] 袁素芬, 陈亚宁, 李卫红, 刘加珍, 孟丽红, 张丽华. 新疆塔里木河下游灌丛地上生物量及其空间分布. 生态学报, 2006, 26(6): 1818- 1824.

[9] 黎燕琼, 郑绍伟, 龚固堂, 陈俊华, 唐波, 朱自芳, 吴雪仙, 慕长龙. 不同年龄柏木混交林下主要灌木黄荆生物量及分配格局. 生态学报, 2010, 30(11): 2809- 2818.

[12] 陈鹏飞, 王卷乐, 廖秀英, 尹芳, 陈宝瑞, 刘睿. 基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究. 自然资源学报, 2010, 25(7): 1122- 1131.

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

[25] 吴涛, 赵冬至, 康建成, 张丰收, 程璐. 辽东湾双台子河口湿地翅碱蓬 (Suaedasalsa) 生物量遥感反演研究. 生态环境学报, 2011, 20(1): 24- 29.

[29] 郭玉川, 何英, 李霞. 基于MODIS的干旱区植被覆盖度反演及植被指数优选. 国土资源遥感, 2011, (2): 115- 118.

The study ofVitexnegundoshrubs canopy biomass inversion in Beijing Jundu mountainous area based on vegetation indices

GAO Mingliang1, GONG Zhaoning1,*, ZHAO Wenji1, GAO Yang1, HU Dong2

1KeyLaboratoryof3DInformationAcquisitionandApplicationofMinistryofEducation,Beijing100048,China2KeyLaboratoryofResourcesEnvironmentandGISofBeijingMunicipal,Beijing100048,China

Biomass is an important indicator of ecosystem productivity, and it has a crucial influence on the formation and development of ecosystem structure. Shrubs are of the crucial component of the ecological system, and they are of great consequence to the ecological environment. In addition, shrubs are precious biological resources in arid and semi-arid region in the mountainous area, and shrubs are considerable associated tree species in the flat terrain area of urban at the same time. Actually, shrubs can grow well under drought and cold, no matter soil is luxuriant or not, dry or wet, that makes them play a major role in water and soil conservation, as well as ecological protection and restoration. Shrubs biomass is an important manifestation of the ecosystem productivity, and it has an enormous impact on the formation and development of the ecological system structure. Also, quantitative estimation of canopy biophysical variables, especially the biomass, is very crucial in different studies such as meteorology, agriculture and ecology. Meanwhile, remote sensing is an important data source to estimate the variables in large areas, and satellite based indices have been used in many researches to estimate biomass, leaf area index, and canopy cover. Today spectral signatures have been popular used in the remote sensing of vegetation variables. However, in areas of sparse vegetation covered, reflection of soil and rock can often greatly affect sensors′ response to the ground vegetation canopy reflection, especially in mountainous areas, that makes separation of vegetation signals difficult. In this paper the authors tried to extract 10 different vegetation indices, respectively based on the HJ satellite data, high accuracy DEM data from ZY-III satellite data to estimateVitexnegundocanopy biomass in the study area in Beijing Jundu Mountain area, combined with field sampling data. A least-squares regression fitting model is presented to express quantitative relationship between vegetation indices andVitexnegundocanopy biomass in the study area in Beijing Jundu Mountain area. The authors obtained a good fitting model through the contrast analysis of the different models. Then using the optimal result model to estimate theVitexnegundocanopy biomass and map the Vitex negundo canopy biomass distributions in the study area. The results show that the multiple linear regression model created in this paper has better retrieval accuracy and predictive capability, with a very significant correlation coefficient of 0.856, and standard error 58.5 g/m2, prediction standard error 98.1 g/m2, and the coefficient of determination was 0.865. However, biomass regression model is subject to the limitation of the season and environmental conditions. In the different seasons, with different geographical conditions, the results are different from one another. With different sample combinations, the proposed model results changed not much, which showed that in a certain time and geographical conditions, method proposed in this paper had a stable of repeatability. Remote sensing and estimation ofVitexnegundocanopy biomass in Beijing mountainous area, provide new ideas to the use of remote sensing technology in shrub community biomass monitoring, and have special meaning in the research into the evolution of ecological environment, as well as energy cycling.

vegetation indices;Vitexnegundoshrubs; biomass; regression analysis; satellite data

国家青年科学基金项目(41101404); 国家基础测绘项目(2011A2001 ); 北京市教委科技计划面上项目(KM201110028013 ); 博士基金项目(20111102110004)

2013- 04- 17;

2013- 09- 04

10.5846/stxb201304170725

*通讯作者Corresponding author.E-mail: gongzhn@163.com

高明亮，宫兆宁，赵文吉，高阳，胡东.基于植被指数的北京军都山荆条灌丛生物量反演研究.生态学报,2014,34(5):1178- 1188.

Gao M L, Gong Z N, Zhao W J, Gao Y, Hu D.The study ofVitexnegundoshrubs canopy biomass inversion in Beijing Jundu mountainous area based on vegetation indices.Acta Ecologica Sinica,2014,34(5):1178- 1188.