基于HJ-1A卫星数据的高寒草地氮素评估-以青海省贵南县及玛沁县高寒草地为例

高金龙，孟宝平，杨淑霞，冯琦胜，崔霞，梁天刚*

(1.草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州 730020；2.兰州大学西部环境教育部重点实验室，甘肃 兰州 730000)



基于HJ-1A卫星数据的高寒草地氮素评估-以青海省贵南县及玛沁县高寒草地为例

高金龙1，孟宝平1，杨淑霞1，冯琦胜1，崔霞2，梁天刚1*

(1.草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州 730020；2.兰州大学西部环境教育部重点实验室，甘肃 兰州 730000)

基于HJ-1A HSI卫星遥感资料，结合2014年青海省玛沁县、贵南县研究区高寒草地野外实测数据，建立了高寒草地氮素含量的估测模型，并对模型进行了精度评价，筛选出最优反演模型，分析了研究区高寒草地氮素的空间分布。结果表明，1)高寒草地HSI的原始光谱反射率、一阶导数光谱反射率及去包络线光谱反射率与地面实测氮素含量有一定的相关性，特别是吸收特征波段1(750.95～791.95 nm)和吸收特征波段3(889.03～921.30 nm)与氮素含量具有显著的相关性；2)基于吸收特征波段1构建的波段深度指数BD767.99可以较好的估测研究区高寒草地氮素含量，利用此变量拟合的线性回归模型可以解释研究区高寒草地氮素含量变化的44%，模型估测精度可达81.6%；3)贵南研究区氮素含量的空间变异较大，整体而言，西北部和西南部地区氮素含量较高，东北部地区氮素含量较低；玛沁研究区氮素含量的空间变异较小，草地氮素含量水平整体较低。

高寒草地；牧草品质；遥感监测；估测模型

我国拥有多种草地类型，其中高寒草地类的面积最大，约占全国草地面积的16.22%[1]。高寒草地牧草品质不仅与草地的生产、可持续利用及畜牧业的发展密切相关，而且和牧民的经济收入紧密联系。牧草营养品质和地上生物量对研究放牧家畜与野生动物的空间分布、采食模式和种群动态具有重要的参考价值[2-3]。因此，快速、精确地监测草地营养物质含量的空间分布特征及动态变化规律对指导天然草地合理利用和有效管理具有十分重要的意义。

随着草地遥感技术的应用与发展，基于实验室模拟、野外调查、卫星影像及机载高光谱等数据对草地养分含量的估测以及空间分布特征图的绘制已日渐成熟。在基于高光谱数据的草地营养品质研究方面，Mutanga等[4]在草地养分含量的遥感估测方面做了大量研究，发现红光范围内的光谱吸收特征与叶片氮素浓度具有很强的相关性，使用归一化波段深度指数(normalized band depth index，NBDI)可以估测鲜草叶片化学物质浓度[5]，在冠层水平上野牛草(Buchloedactyloides)的氮素含量与红边位置713和725 nm处的斜率和振幅有很强的相关性[6]，并且基于高分辨率遥感图像HyMap首次在冠层水平上绘制出了南非萨瓦纳天然草地氮素含量分布图[7]。Ramoelo等[8]基于RapidEye卫星影像对南非东北部地区两个牧场的产草量和氮素含量进行了评估，并基于植被指数绘制了牧草冠层氮素含量和地上生物量的空间分布图，该研究发现高光谱遥感数据的红边波段具有评估牧草质量和品质的潜力，利用植被指数和辅助数据可以绘制牧草养分空间分布图。Knox等[9]利用航空高光谱遥感资料(carnegie airborne observatory，CAO)及神经网络方法研究了旱季非洲热带稀树大草原草地牧草的纤维、P及N含量，研究结果表明高光谱遥感监测模型可解释N含量变化的41%。Kokaly等[10]基于去包络线的光谱吸收特征法估测了干叶中氮素等营养成分含量，结果表明该方法对氮素含量的建模效果较好，可应用于其他植被氮素等化学成分含量的估测。Ramoelo等[11]基于WorldView-2卫星影像和随机森林模型，监测了南非东北部草地的氮素含量，总体结果表明基于红边位置的植被指数和随机森林模型可以解释草地和树木中超过89%的叶N浓度，同时也指出含红边波段的高分辨率遥感资料可以监测草地叶N浓度。王迅等[12]基于HJ-1A HSI数据对高寒草地牧草生物量和营养成分含量进行了建模估测，结果表明比值植被指数(ratio vegetation index, RVI)与草地生物量、粗蛋白等含量显著相关。

综上所述，在草地品质的卫星遥感评估方面，目前国内外许多学者的研究大多集中在草地冠层光谱吸收特征分析、草地生物量及养分含量的建模与估测及空间分布图的绘制等方面，虽然取得了一些研究成果，但是我国自主研发的环境与灾害监测预报卫星(HJ-1A/1B)的超光谱成像仪(hyperspectral imager，HSI)对高寒草地营养成分的遥感监测及其空间分布格局的研究尚鲜有报道。

基于以上原因，本研究基于HJ-1A HSI数据，并结合研究区高寒草地盛草期的野外实测数据，重点探索研究高寒草地氮素的估测模型以及其空间分布特征，以期为我国高寒草地品质评估提供理论依据。

1　材料与方法

1.1研究区概况

本试验以青海省贵南县、玛沁县高寒草地作为典型研究区(图1)。玛沁县高寒草地研究区位于东经100°12′-100°18′，北纬34°21′-34°29′，属高原大陆性气候，主要优势植物有矮生嵩草(Kobresiapygmaea)、针茅(Stipacapillata)、苔草(Carextristachya)等，盛草期植被覆盖度在80%～100%之间。贵南县高寒草地试验区位于东经100°43′-100°50′，北纬35°27′-35°31′，属高原大陆性气候，主要建群种有小嵩草(Kobresiapygmaea)、矮生嵩草、冷地早熟禾(Poacrymophila)、针茅、苔草等，植被覆盖度为80%～95%。

1.2地面实测资料

野外实测数据的采集时间为2014年7月中旬，贵南、玛沁县核心试验区样地分布如图1所示，共均匀布设了27块样地(玛沁县14块，贵南县13块)，样地大小为100 m×100 m，每块样地按照九点法[13]设置9个0.5 m×0.5 m样方。对每个样方采用传统的采样方法测定了植被盖度、草层高度及地上生物量等指标，将样方中草样剪下装袋，带回实验室65 ℃烘至恒重后测定其生物量干重，并将各样方草样粉碎、均匀混合处理之后，用化学分析方法对草样中的营养元素进行定量分析。氮素含量的测定使用H2SO4-H2O2消煮+蒸馏法。最后，计算出每块样地的地上生物量干重、氮素含量等指标。

图1　贵南县和玛沁县核心研究区及样地空间分布Fig.1　The spatial distribution of core experimental area and sampling sites in Guinan and Maqin counties

1.3HJ-1A HSI数据及预处理

本研究中选取可以覆盖贵南、玛沁县核心研究区的HJ-1A卫星HSI高光谱影像2景。HSI影像数据来源于中国资源卫星应用中心网站(http://218.247.138.121/DSSPlatform/index.html)，成像时间分别为2015年7月13日和2015年7月10日，影像空间分辨率为100 m，光谱范围450～950 nm，共115个波段；HSI影像经辐射定标、大气校正和几何精校正(均方根误差小于一个像素)，对校正后的HSI影像分别进行求导数处理和去包络线处理。转换数据格式后，在ArcGIS中分别提取3种影像(校正后原始影像、一阶导数影像、去包络线影像)对应采样点处的光谱反射率，并对光谱反射率进行Savitzky-Golay卷积平滑滤波(即S-G滤波)处理，以消除噪声影响。

1.4技术路线

本研究基于HJ-1A HSI卫星遥感资料，结合研究区野外实测数据，旨在建立高寒草地氮素的最优反演模型，并反演氮素的空间分布，以期评估研究区高寒草地品质状况。研究技术路线如图2所示。

图2　研究技术路线Fig.2　The research technical flow chart

2　结果与分析

2.1地面实测数据描述性统计及数据集选取

对研究区27块样地的氮素含量数据进行了描述性统计分析(表1)，结果显示，研究区草地氮素含量平均值为20.33 g/kg，最小值为7.60 g/kg，最大值为28.70 g/kg，标准偏差为5.13 g/kg。

表1　研究区高寒草地氮素含量描述性统计

本研究在试验区布设了27块样地，每块样地设置9个采样点，共243个采样点。在建立氮素含量估测模型时，以样地为基础，随机选择18块样地作为建模数据集，剩余9块样地作为验证数据集，采用决定系数(R2)和均方根误差(RMSE)来评估预测模型精度。

2.2高寒草地高光谱特征分析

从图3可以看出，基于HJ-1A HSI提取出的高寒草地原始光谱反射率曲线(图3A)在可见光、近红外区大致符合健康绿色植物的波谱曲线。在可见光波段560和675 nm 左右，由于草地植被中以叶绿素为主的色素对红光的强烈吸收而对绿光的反射，形成了“绿峰”和“红光低谷”；受草地冠层叶片细胞结构的影响，在700～750 nm间形成了一个反射率急剧增高的陡坡，并在750～930 nm之间形成了一个高反射率平台。在这个平台上可以明显看出存在3个主要的吸收特征波段，特征波段1(750.95～791.95 nm)，特征波段2(791.95～851.74 nm)和特征波段3(889.03～921.30 nm)，对应的吸收位置分别为767.99，824.09和896.69 nm。

图3B是基于HSI一阶导数影像提取出的对应采样点处的反射率曲线，可以看出研究区高寒草地红边位置为740.01 nm，各样地红边幅值均不相同，最高为0.0094。对HSI影像进行导数处理，可以增强光谱曲线在坡度上的细微变化，这种变化可能与植被生物化学吸收特征有关[14]。图3C是基于HSI去包络线影像提取出的对应采样点处的反射率曲线。去包络线法是一种很有用的光谱分析技术，它可以使地物的光谱吸收和反射特征更加突出，并且可以将其归一到一个统一的光谱背景上，有利于特征波段的提取[15]。

图3　高寒草地原始光谱(A)、一阶微分光谱(B)和去包络线(C)光谱反射率曲线Fig.3　The curves of original (A), first-order differential (B) and continuum removed (C) spectral reflectance in alpine grassland mq01～mq14为玛沁县样地编号，gn01～gn13为贵南县样地编号。mq01-mq14 is sample number of Maqin，gn01-gn13 is sample number of Guinan.

2.3氮素与高光谱数据相关性分析

图4为建模样地氮素含量与高寒草地原始光谱(A)、一阶导数光谱(B)和去包络线光谱(C)反射率之间的相关系数曲线，可以看出：高寒草地原始光谱与氮素含量的相关性不理想，特征波段不明显；在904.88～921.30 nm波段内，氮素含量与一阶导数光谱反射率之间的相关系数均在0.5以上(P<0.05)，呈显著负相关关系，在913.02 nm处的相关系数最大，达0.58；在762.23～779.79 nm波段内，氮素含量与去包络线光谱反射率之间呈显著负相关关系，相关系数均在0.5以上(P<0.05)，在767.99 nm处相关系数最大，为0.66；在889.03～904.88 nm波段内，氮素含量与去包络线光谱反射率之间呈显著正相关关系，相关系数均在0.5以上(P<0.05)，在896.89 nm处相关系数最大，达0.61。

图4　氮素与高寒草地原始(A)、一阶(B)、去包络线(C)光谱相关性分析Fig.4　The correlation relationship between the nitrogen content and the original (A), first-order differential (B) and continuum removed (C) spectral reflectance curve in alpine grassland

2.4特征波段选择及回归变量构建

基于上述结果，并结合高寒草地光谱的3个主要吸收特征波段(750.95～791.95 nm, 791.95～851.74 nm和889.03～921.30 nm)，分析可知吸收特征波段1和吸收特征波段3与氮素含量有显著的相关性，可基于此构建不同类型的回归变量，以建立高寒草地氮素含量的估测模型(表2)。

2.5氮素估测模型建立

以高寒草地氮素相关变量为自变量，对应样地的实测氮素含量为因变量，通过SPSS 17.0软件进行回归分析和F检验，构建草地氮素含量与回归变量之间的拟合模型，结果如表3所示。

2.6氮素模型精度评价及最佳模型筛选

由表3可知，共有11个模型通过了F检验，达到了极显著性水平。回归方法简单易用，但是经常出现“过渡拟合”现象[16]。当选择的波段数较多而建模样本较少时，极易发生这种现象，而且产生误差的可能性也会提高[17]。使用验证数据集对模型进行评价，可以选择出精度较高和随机误差较小的模型。本文利用9块样地的数据作为验证数据集，对上述11个估测模型进行验证，结果如表4所示。

在11个N素含量估测模型中，拟合决定系数R2变动范围为0.271～0.440，平均值为0.35，说明所选氮素模型总体上是比较理想的。其中，基于BD767.99所构建的氮素含量估测模型Y=361.855×BD767.99-8.964相对于其他模型，拟合R2较高(0.440)，估测R2也相对较高(0.390)，均方根误差(RMSE)和相对误差(RE)均较小，分别为4.040 g/kg和18.40%，可以达到良好的预测效果，所以选择此估测模型作为高寒草地氮素含量的最佳估测模型。考虑到本研究中样地数量的局限性，利用9块样地的实测数据验证上述模型，结果可能存在一定的不确定性，尚需进一步完善。

2.7高寒草地氮素空间反演

根据上述研究结果，贵南县、玛沁县高寒草地氮素含量的最佳估测模型是(式1)：

Y=361.855×BD767.99-8.964 (R2=0.440，RMSE=4.040 g/kg，RE=18.40%)

(1)

式中，Y为氮素含量(g/kg)，BD767.99表示767.99 nm处的波段深度。

由于波段深度BD=1-Rc(表3)，所以氮素含量的最佳反演模型可写为(式2)：

Y=288.76-301.084×Rc767.99

(2)

式中，Y为氮素含量(g/kg)，Rc767.99表示去包络线光谱在767.99 nm处对应的反射率值。

基于本研究中高寒草地氮素含量的最佳反演模型，利用ArcMap 10.2绘制了2014年7月中旬玛沁县、贵南县研究区高寒草地氮素(图5)的空间分布图。

表2　氮素特征波段选择及回归变量构建

注：表中R0表示去包络线反射率值，BDmax表示最大波段深度。

Note: R0indicate the value of continuum, BDmaxindicate the maximum of band depth.

表3　高寒草地氮素含量估测模型

注：**表示极显著水平(P<0.01)，模型中X表示回归变量，Y表示对应的氮素含量。

Note: ** indicate significantly correlation at the level of 0.01,Xindicate regression variables andYindicate the corresponding nitrogen content.

表4　高寒草地氮素含量估测模型精度评价

图5　贵南县(A)、玛沁县(B)高寒草地研究区氮素含量空间分布Fig.5　The spatial distribution of nitrogen content in the research area of alpine grassland in Guinan (A) and Maqin (B) County

3　讨论

3.1高寒草地氮素含量估测模型

对HJ-1A HSI影像提取出的研究区高寒草地原始光谱反射率曲线、一阶导数光谱反射率曲线及去包络线光谱反射率曲线进行特征提取，并分析3种光谱曲线与地面实测氮素含量的相关性，发现吸收特征波段1(750.95～791.95 nm)和吸收特征波段3(889.03～921.30 nm)与氮素含量具有明显的相关性。基于吸收特征1和吸收特征3构建的波段深度指数(BD767.99)可以较好的估测研究区高寒草地氮素含量。

本研究分析所得研究区高寒草地氮素的吸收特征波段主要集中在红光波段(750～760 nm)和短波近红外波段(760～792 nm，889～921 nm)，与已有研究有一定相似性，但存在差异。付彦博[18]对制种紫花苜蓿(Medicagosativa)主要生理指标的高光谱反演研究发现以760和810 nm构建的植被指数DVI(760,810)与苜蓿现蕾期叶片的氮含量具有很好的相关性。Ramoelo等[19]的研究也证明窄波段比值、红边位置、910和1020 nm处的吸收特征与叶氮含量的预测显著相关。这些研究与本研究结果类似。但是，Mutanga[20]对天然牧草营养品质高光谱的研究发现，牧草中氮素含量与高光谱敏感的波段大多分布在红光区域(680～760 nm)，在该区域所选择的很多波段与植被生化物质含量显著相关。Ramoelo等[8]对萨王纳草地品质的研究发现基于红边波段的高光谱遥感数据具有评估牧草质量和品质的潜力。Clevers等[21]的研究也发现红边位置(700～750 nm)与牧草叶绿素和氮素含量的相关性较强。本研究所得氮素吸收特征波段在红光或红边范围内分布较少，原因一方面可能是HJ-1A HSI影像空间分辨率(100 m)较低，传感器所获取的地物像元多为混合像元，从而提取出的草地光谱为混合光谱(植被、土壤、阴影等)，在分析其与草地氮素含量相关关系时可能会受到一定影响。另一方面可能是草地植被群落物种组成、草层高度、植被冠层形态结构、理化组成、叶片颜色及组织构造的不同，草地植被的光谱反射率会存在一定的差别，同一种营养素的吸收特征可能会被掩盖或突显。

3.2高寒草地氮素含量空间分布

本研究基于HJ-1A HSI数据绘制出了贵南县、玛沁县研究区高寒草地氮素的空间分布特征图(图5)。可以看出，贵南研究区氮素含量的空间变异较大，整体而言，西北部和西南部地区氮素含量较高，东北部地区氮素含量较低。导致此分布的原因可能是东北部地区距离公路和居民区近，交通便利，大多数草地被开垦为农田，草地营养水平较低。玛沁研究区氮素含量的空间变异较小，草地营养水平整体较低。造成这种空间分布特征的原因一方面可能是因为本研究选取的覆盖玛沁县研究区的HJ-1A HSI影像云量较高，在氮素含量的模型估测及空间反演上存在一定偏差。另一方面，玛沁县为青海省果洛藏族自治州州府所在地，人口众多，畜牧业发达，县城周边草地受放牧、建筑等影响较大，草地营养状况较差。

4　结论

本研究基于HJ-1A HSI遥感资料，建立了贵南县、玛沁县研究区高寒草地氮素的反演模型，并绘制出了研究区氮素的空间分布图，主要得出以下结论：

1)对研究区原始HSI影像、一阶导数HSI影像及去包络线HSI影像提取出的高寒草地原始光谱反射率曲线、一阶导数光谱反射率曲线及去包络线光谱反射率曲线进行特征提取，并分析3种光谱曲线与地面实测氮素含量的相关性，发现吸收特征1(750.95～791.95 nm)和吸收特征3(889.03～921.30 nm)与氮素含量具有明显的相关性。

2)综合评价各回归变量，发现基于吸收特征1构建的波段深度指数(BD767.99)可以较好的估测研究区高寒草地氮素含量，利用此变量拟合的线性回归模型Y=361.855×BD767.99-8.964 (R2=0.440，RMSE=4.040 g/kg，RE=18.40%)可以解释研究区高寒草地氮素含量变化的44%，模型估测精度为81.6%。

3)贵南研究区氮素含量的空间变异较大，整体而言，西北部和西南部地区氮素含量较高，东北部地区氮素含量较低；玛沁研究区氮素含量的空间变异较小，草地氮素含量水平整体较低。

[1]Xu P, Hu Z Z, Zhu J Z,etal. Grassland Resource Survey and Planning[M]. Beijing: China Agriculture Press, 2000.

[2]Dube T, Mutanga O. Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in uMgeni catchment, South Africa. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101: 36-46.

[3]Gu Y, Wylie B K. Developing a 30-m grassland productivity estimation map for central Nebraska using 250-m MODIS and 30-m Landsat-8 observations. Remote Sensing of Environment, 2015, 171: 291-298.

[4]Mutanga O, Skidmore A K, van Wieren S. Discriminating tropical grass (Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry. ISPRS Journal of Photogrammetry and Remote Sensing, 2003, 57(4): 263-272.

[5]Mutanga O, Skidmore A K, Kumar L,etal. Estimating tropical pasture quality at canopy level using band depth analysis with continuum removal in the visible domain. International Journal of Remote Sensing, 2005, 26(6): 1093-1108.

[6]Mutanga O, Skidmore A K. Red edge shift and biochemical content in grass canopies. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(1): 34-42.

[7]Mutanga O, Skidmore A K. Hyperspectral band depth analysis for a better estimation of grass biomass (Cenchrusciliaris) measured under controlled laboratory conditions. International Journal of Applied Earth Observation and Geoinformation, 2004, 5(2): 87-96.

[8]Ramoelo A, Cho M A, Mathieu R,etal. Estimating grass nutrients and biomass as an indicator of rangeland (forage) quality and quantity using remote sensing in Savanna ecosystems[C]//9th International Conference of the African Association of Remote Sensing and the Environment. Eljadida, Morocco: AARSE, 2012.

[9]Knox N M, Skidmore A K, Prins H H T,etal. Dry season mapping of savanna forage quality, using the hyperspectral Carnegie Airborne Observatory sensor. Remote Sensing of Environment, 2011, 115(6): 1478-1488.

[10]Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, 1999, 67(3): 267-287.

[11]Ramoelo A, Cho M A, Mathieu R,etal. Monitoring grass nutrients and biomass as indicators of rangeland quality and quantity using random forest modelling and WorldView-2 data. International Journal of Applied Earth Observation and Geoinformation, 2014, 43: 43-54.

[12]Wang X, Liu S J, Jia H F,etal. Study on the nutrition of alpine meadow based on hyperspectral data. Spectroscopy and Spectral Analysis, 2012, 32(10): 2780-2784.

[13]Foulkes J N, White I A, Sparrow B D,etal. AusPlots-Rangelands monitoring site stratification and survey methods within TERN (Terrestrial Ecosystem Research Network)[R]. Discussion Paper, Terrestrial Ecosystem Research Network, Adelaide, 2011.

[14]Tong Q X, Zhang B, Zheng L F. Hyperspectral Remote Sensing-Theory, Technology and Application[M]. Beijing: Higher Education Press, 2006.

[15]Bai J W, Zhao Y C, Zhang B,etal. Study on the classification methods of the hyperspectral image based on the continuum removed. Computer Engineering and Applications, 2003, 39(13): 88-90.

[16]Pu R L, Gong P. Hyperspectral Remote Sensing and Application[M]. Beijing: Higher Education Press, 2000.

[17]Wang X Z, Huang J F, Li Y M,etal. The study on multi-spectral remote sensing estimation models about LAI of rice. Remote Sensing Technology and Application, 2003, 18(2): 57-65.

[18]Fu Y B. Main Physiological Indicators of Hyperspectral Inversion in Alfalfa Seed Production[D]. Vrumchi: Xinjiang Agricultural University, 2013.

[19]Ramoelo A, Skidmore A K, Cho M A,etal. Non-linear partial least square regression increases the estimation accuracy of grass nitrogen and phosphorus using in situ hyperspectral and environmental data. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 27-40.

[20]Mutanga O. Hyperspectral Remote Sensing of Tropical Grass Quality and Quantity[D]. Enschede: Wageningen University, 2004: 111.

[21]Clevers J, Büker C. Feasibility of the red edge index for the detection of nitrogen deficiency[C]//Proceedings of the 5th International Colloquium - Physical Measurements and Signatures in Remote Sensing, Courchevel. France: European Space Agency, 1991.

[1]许鹏, 胡自治, 朱进忠, 等.草地资源调查规划学[M]. 北京: 中国农业出版社, 2000.

[12]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. 光谱学与光谱分析, 2012, 32(10): 2780-2784.

[14]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.

[15]白继伟, 赵永超, 张兵, 等. 基于包络线消除的高光谱图像分类方法研究. 计算机工程与应用, 2003, 39(13): 88-90.

[16]浦瑞良, 宮鹏. 高光谱遥感及其应用[M]. 北京: 高等教育出版社, 2000.

[17]王秀珍, 黄敬峰, 李云梅, 等. 水稻叶面积指数的多光谱遥感估算模型研究. 遥感技术与应用, 2003, 18(2): 57-65.

[18]付彦博. 制种紫花苜蓿主要生理指标高光谱反演[D]. 乌鲁木齐: 新疆农业大学, 2013.

Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing

GAO Jin-Long1, MENG Bao-Ping1, YANG Shu-Xia1, FENG Qi-Sheng1, CUI Xia2, LIANG Tian-Gang1*

1.State Key Laboratory of Grassland Agro-ecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China；2.National Laboratory of Western China’s Environmental System, Lanzhou University, Lanzhou 730000, China

Using data sourced from a hyper-spectrum imager (HSI) from an environmental mitigation satellite (HJ-1A) and ground observation during 2014 in Maqin and Guinan Counties, Qinghai Province, inversion models were established for estimating the nitrogen (N) content of alpine grassland. The optimal inversion model was selected and the spatial distribution map of grassland N was analyzed in the study area. The results showed that there was a correlation between N and the original spectral reflectance, the first-order differential spectral reflectance and the continuum removed spectral reflectance of the original hyper-spectral image, and significant correlations between grassland N content and absorption feature band one (750.95-791.95 nm) and absorption feature band three (889.03-921.3 nm) were also found. The band depth index BD767.99 was able to estimate N content with the greatest accuracy; the linear model was able to explain over 44% of the variation in N content. The spatial variation of N content in Guinan County was large; generally N content was higher in northwest and southwest than in the northeast. The spatial variation of grassland N content in Maqin County was low and grassland N content was also low.

alpine rangeland; forage nutrition monitoring; hyperspectral remote sensing; estimation model

10.11686/cyxb2015576

2015-12-28；改回日期：2016-03-07

国家自然科学基金项目(31372367，41401472)和青海省科技支撑项目(2013-N-146-4)资助。

高金龙(1991-)，男，甘肃永昌人，在读硕士。E-mail: rslabjinlong@163.com

Corresponding author. E-mail: tgliang@lzu.edu.cn

http://cyxb.lzu.edu.cn

高金龙，孟宝平，杨淑霞，冯琦胜，崔霞，梁天刚. 基于HJ-1A卫星数据的高寒草地氮素评估-以青海省贵南县及玛沁县高寒草地为例. 草业学报, 2016, 25(10): 11-20.

GAO Jin-Long, MENG Bao-Ping, YANG Shu-Xia, FENG Qi-Sheng, CUI Xia, LIANG Tian-Gang. Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing. Acta Prataculturae Sinica, 2016, 25(10): 11-20.