天山北坡草地盖度高光谱遥感估算

陈 佼，张 丽

(新疆土壤与植物生态过程实验室，新疆农业大学草业与环境科学学院，新疆 乌鲁木齐 830052)

天山北坡草地盖度高光谱遥感估算

陈 佼，张 丽

(新疆土壤与植物生态过程实验室，新疆农业大学草业与环境科学学院，新疆 乌鲁木齐 830052)

以天山北坡乌鲁木齐县甘沟乡为研究区，利用美国SVC HR-768便携式光谱仪采集25块样方的高光谱数据，并测定对应样方中草地盖度，分析草地盖度与原始光谱、一阶微分光谱和高光谱特征变量之间的相关关系；采用回归统计的方法，基于高光谱位置变量、高光谱面积变量和高光谱植被指数变量构建草地盖度的估测模型，并进行模型精度评价。结果表明，研究区草地盖度与植被冠层光谱反射率相关性较强的波段范围为354-704、1 420-1 481和1 904-2 512 nm；基于一阶微分光谱和高光谱植被指数构建的估测模型能更好地反演草地盖度。通过模型检验，确定基于560 nm的光谱一阶微分模型y=-384.153x+72.096可作为草地盖度的最优估测模型，模型均方根误差为7.344%，估算精度为90.343%。

新疆草地；高光谱遥感；估测模型；草地盖度；地物光谱仪；微分光谱；高光谱变量

新疆是我国主要的牧区之一，草地面积分布较广[1]。其中，天然草地面积5.7×107hm2，可利用草地面积4.8×107hm2，是宝贵、经济、可更新的自然资源[2]。由于新疆特殊的地形地貌，沿北部的阿尔泰山经过中部的天山到南部的昆仑山，草地分布表现出明显地带性特征[3]。植被种类、盖度、生物量、反照率、叶面积指数等是描述草地的主要生物物理参数[4]。但植被盖度是指区域内植被的垂直投影面积占区域面积的百分比[5]。植被覆盖度不高已成为影响中国西北地区生态好转的主要因素之一，植被覆盖稀疏的自然生态特征、人类不适当的土地开垦和超载放牧，极易造成土地退化和荒漠化，因此，开展草地资源，特别是天然草地植被覆盖度的研究具有重要的生态和社会意义[6]。

早期植被盖度的测定以采样、仪器、目视估测等传统的地面观测方法为主[7]，随着遥感技术的发展，基于植被指数的遥感反演研究越来越多[8]。有些学者将两种方法结合起来，即将传统的地面观测植被盖度数据用作遥感反演的验证数据，从而提高研究和建模精度[9]。目前,国内外3S技术在草地盖度估算上的应用主要体现在利用TM、MODIS和NOAA/AVHRR等多光谱影像提取出的植被指数对植被盖度进行反演，从而进一步对生态环境进行评估[10-12]。然而，与多光谱数据相比，高光谱数据包含近似连续的地物光谱信息，因此识别地物覆盖的能力得到更大提升[13]，且高光谱遥感数据受背景光谱变化影响较小[14]。目前草地高光谱遥感的研究主要集中于反演草地生物量和利用高光谱遥感影像结合植被指数对草地盖度进行估测，如，利用甘南草原草地的高光谱数据和草地生物量数据对草地地上生物量进行估算，结果表明，基于特征参数D723的对数回归模型估算精度较高[15]；利用甘南牧区2006-2008年的MODIS数据结合草地外业调查资料，建立草地地上生物量鲜重的估算模型，发现基于增强型植被指数(EVI)的草地生物量估算模型精度最高[16]；采集内蒙古锡林郭勒草原30个样地的高光谱数据并从中提取光谱特征参数，利用主成分分析的方法，发现可见光波段与干草生物量之间的相关性最好[17]；利用环境与灾害监测预报小卫星(HJ-1A/1B)影像结合野外实测数据，对疏勒河上游植被盖度随生长季的变化特征进行分析发现，植被盖度与NDVI之间相关性较好[4]。但基于地面实测高光谱数据及其变化形式对植被盖度进行定量分析的研究国内还较少。

新疆具有典型的大陆性气候特征，由于干旱少雨，草地资源成为新疆自然生态的主体，对新疆的生态和经济有着重要意义。但是关于新疆草地盖度的高光谱遥感估算研究还较少。因此，本研究利用新疆天山北坡天然草地的冠层高光谱遥感数据和草地盖度数据，对两者之间的相关关系进行分析并选取最佳参数建立估算模型，以期为天山北坡草地质量的监测与评价提供科学依据。

1 材料与方法

1.1 研究区介绍

研究区甘沟乡位于天山北坡乌鲁木齐县境内，与乌鲁木齐市相距约56 km，属于温带大陆性干旱气候。该区春秋两季较短，冬夏两季较长，昼夜温差大。年平均降水量为194 mm，最暖的7、8月平均气温为25.7 ℃，最冷的1月平均气温为-15.2 ℃。极端气温最高为47.8 ℃，最低为-41.5 ℃。研究区主要草地类型是以广泛分布的镰芒针茅(Stipacaucasica)、苔草(Carextristachya)和蒿子(Seriphidiumtransiliense)为主要优势种的荒漠草原和以羊茅(Festucaovina)、针茅(Stipacapillata)和苔草为主要优势种的典型草原。

1.2 草地样本调查

调查时间为2014年5月下旬，在研究区内随机布设了1 m×1 m样方25个，对每个样方内的植被采用针刺法测定盖度，收割地上的植被，称鲜重，用卷尺测量植株的高度。

1.3 高光谱数据采集

使用美国SVC HR-768便携式光谱仪及其软件对新疆天山北坡草原植物群落的光谱进行采集与分析处理。SVC HR-768便携式光谱仪技术参数如下：光谱范围在350-2 500 nm，通道数为768，在350-1 000 nm光谱范围内光谱分辨率≤3.5 nm；在1 000-1 500 nm和1 500-2 100 nm光谱范围内光谱分辨率均≤16 nm，最小积分时间为1 ms。在晴朗干燥、微风无云天气的12:00-15:00，分别测定白板和各草地样方的光谱数据。对每个样方的光谱测量进行记录，同时重复多次以减少随机噪声的影响，去异常线后取均值作为该草地样方的反射光谱。采用SVC HR-768光谱仪配套软件对原始草地光谱数据进行降噪处理，用九点移动平均法对光谱曲线进行平滑去噪处理，使数据具有更好的连续性。

1.4 数据处理与分析

荒漠草原植被稀疏，光谱反射率受土壤的影响较大，对后续的分析也会造成影响，而对光谱曲线进行微分处理可以快速明确光谱曲线的特征点，有利于植被信息的提取，所以本研究对采集到的光谱数据进行一阶微分处理[18]：

R′(λi)=[R(λi+1)-R(λi-1)]/2Δλ.

式中：λi为inm 波段的波长，R′(λi) 为反射率在λi的一阶微分，R(λi+1) 为波长λi+1处的植物光谱反射率，R(λi-1)为波长λi-1处的植物光谱反射率，Δλ是波长λi+1到波长λi的间隔。

1.5 建模与验证数据集选取

本研究共测量了25块样方的高光谱数据及盖度数据，从中随机抽取18块样方用来建立天然草地盖度的估算模型，使用另外7块样方验证估算模型的精度。

2 结果与分析

2.1 草地光谱特征分析

草地的光谱反射率由于受大气、土壤、水分等因素的影响并不是单纯的植被光谱反射率。植被类型、大气状况、土壤质地、水分含量等因素都会对草地的光谱反射率产生影响，所以草地光谱特性是植被及其所在环境的综合反映[19]。

研究显示，不同盖度的草地光谱曲线虽然在局部区域存在较大差异，但是总体趋势一致(图1)。这是因为叶片色素含量、叶片结构、叶片面积大小、含水量等因素的不同会使植被的光谱反射率产生差异，但由于产生光谱反射的要素相同，所以其光谱反射率曲线总体趋势一致[20]。草地光谱在350-490 nm波段范围内较为平缓，反射率也较低，在2%～15%；在490-700 nm波段范围内有明显的两谷一峰特征：在550 nm附近有一个反射峰，反射率大概在3%～20%，在500 nm和680 nm附近分别有一个反射谷，这是由于在550 nm波长附近叶绿素对绿光的强烈反射和此波段范围内叶绿素对红光和蓝光的强烈吸收所致。在680-760 nm波段范围内，由于叶绿素对红光的强烈吸收和在叶片内部近红外光发生多次散射导致强烈的反射[21]，草地的光谱反射率迅速增加。在近红外波段(760-925 nm)，呈现出连续的强反射(10%～35%)，这是因为红外波段的光在呈水溶胶状态的叶绿素和叶肉内海绵组织的作用下具有强烈的反射[22]。在760-1 300 nm波段植被反射强烈，除低盖度(44%)草地光谱曲线以外，其余4条曲线都有两个明显的波峰和波谷，第1个波峰在1 085 nm附近，第2个波峰在1 280 nm附近。在1 350-1 450和1 870-1 930 nm波段附近为植被的水吸收带。在1 660、1 840和2 205 nm附近有明显反射峰，反射率分别在15%～35%、15%～35%和10%～40%。当植被盖度发生变化时，其对应的草地光谱反射率也发生变化，基本趋势为植被盖度越高，反射率越低。

图1 不同植被盖度下的草地光谱曲线Fig. 1 Spectrum curves of grassland at different vegetation coverage levels

2.2 天然草地盖度与高光谱数据相关性分析

2.2.1 天然草地盖度与原始光谱相关性分析 从研究区内草地盖度和草地原始光谱曲线之间的关系(图2)可以看出，在可见光波段，草地原始光谱曲线与草地盖度的相关系数小于0；波长在354-704 nm之间，相关性达到极显著水平(P<0.01)；波长在674 nm处相关系数绝对值最大，相关系数为-0.906。在1 046-1 086 nm波长范围内相关系数大于0，未达到显著水平(P>0.05)；在长波近红外(1 100-2 526 nm)区域，草地原始光谱曲线与草地盖度相关系数为负值，在1 420-1 481、1 904-2 512 nm波长范围内，相关性通过极显著性检验(P<0.01)；波长在2 485 nm处相关系数绝对值最大，相关系数为-0.904。

2.2.2 天然草地盖度与一阶微分光谱相关性分析 对天山北坡草地光谱数据进行一阶微分处理并分析其与草地盖度的相关性，结果显示(图3)，一阶微分光谱与盖度在556-576、1 086-1 141、1 266-1 436、2 333-2 399 nm波段均呈显著负相关关系(P<0.05)，相关系数的绝对值均大于0.83。在556-576 nm波段内，560 nm处的相关系数绝对值达到最大，为-0.975；在1 086-1 141 nm波段内，1 093 nm处的相关系数值达到最大，为0.973；在1 266-1 436 nm波段内，1 321 nm处的相关系数绝对值达到最大，为-0.987；在2 333-2 399 nm波段内，2 361 nm处的相关系数绝对值达到最大，为-0.990。

2.2.3 天然草地盖度与高光谱特征变量相关性分析 本研究主要选取高光谱位置变量、高光谱面积变量和高光谱植被指数变量3种形式的特征变量(表1)。

为了筛选出构建盖度模型的最佳高光谱变量，分析各高光谱特征变量与盖度之间的相关性(表2)。植被盖度与高光谱位置变量Dr、Rg和Rr的相关系数绝对值较大，均通过极显著检验水平(P<0.01)，其中特征变量Dr与草地盖度的相关系数最大，为0.958；植被盖度与高光谱面积变量SDr和SDy的相关系数绝对值均较大，通过极显著性检验水平(P<0.01)；植被盖度与植被指数变量VI3、VI5和VI6的相关系数均大于0，通过极显著检验水平(P<0.01)。在全部14个变量中，特征变量SDr与植被盖度的相关系数最大，为0.972。植被盖度与Db、SDb和VI4的相关系数未通过显著性检验(P>0.05)，说明当植被盖度发生变化时，这3个高光谱特征变量没有发生显著变化。

图2 草地盖度与原始光谱相关性分析Fig. 2 Correlation analysis of grassland coverage and the original spectrum

图3 草地盖度与一阶微分光谱相关性分析Fig. 3 The correlation relationship between grassland coverage and the first-order differential spectrum表1 高光谱特征变量及定义算法Table 1 Hyperspectral characteristic variables and definition algorithms

类型Type高光谱变量Hyperspectralvariables定义或算法Definitionoralgorithms高光谱位置变量HyperspectrallocationvariableDb蓝边内一阶微分光谱中的最大值,蓝边覆盖490-530nmlargestfirst-orderdifferentialvalueinthebluerange(490-530nm)Dy黄边内一阶微分光谱中的最大值,黄边覆盖550-582nmlargestfirst-orderdifferentialvalueintheyellowedge(550-582nm)Dr红边内一阶微分光谱中的最大值,红边覆盖680-780nmlargestfirst-orderdifferentialvalueintherededge(680-780nm)Rg绿峰反射率,即波长510-560nm范围内最大的波段反射率greenpeakreflectance,maxreflectanceoftheoriginalspectrumat510-560nmRr红谷反射率,即波长640-680nm范围内最小的波段反射率redvalleyreflectance,maxreflectanceoftheoriginalspectrumat640-680nm高光谱面积变量HyperspectralareavariableSDb蓝边波长范围内一阶微分波段值的总和sumoffirst-orderderivativesinblueedgeSDy黄边波长范围内一阶微分波段值的总和sumoffirst-orderderivativesinyellowedgeSDr红边波长范围内一阶微分波段值的总和sumoffirst-orderderivativesinrededge高光谱植被指数HyperspectralvegetationindexVI1Rg/Rr,绿峰反射率(Rg)与红谷反射率(Rr)的比值Rg/Rr,ratioofthegreenpeakreflectance(Rg)andtheredvalleyreflectance(Rr)VI2(Rg-Rr)/(Rg+Rr),绿峰反射率(Rg)与红谷反射率(Rr)的归一化值(Rg-Rr)/(Rg+Rr),thenormalizedvalueofthegreenpeakreflectance(Rg)andtheredvalleyreflectance(Rr)VI3SDr/SDb,红边内一阶微分的总和(SDr)与蓝边内一阶微分的总和(SDb)的比值SDr/SDb,ratioofthesumoffirst-orderderivativesintherededge(SDr)andthesumoffirst-orderderivatives(SDb)intheblueedgeVI4SDr/SDy,红边内一阶微分的总和(SDr)与黄边内一阶微分的总和(SDy)的比值SDr/SDy,ratioofthesumoffirst-orderderivativesintherededge(SDr)andthesumoffirst-orderderivatives(SDb)intheyellowedge.VI5(SDr-SDb)/(SDr+SDb),红边内一阶微分的总和(SDr)与蓝边内一阶微分的总和(SDb)的归一化值(SDr-SDb)/(SDr+SDb),thenormalizedvalueofthesumoffirst-orderderivativesintherededge(SDr)andthesumofthefirst-orderderivativesintheblueedge(SDb)VI6(SDr-SDy)/(SDr+SDy),红边内一阶微分的总和(SDr)与黄边内一阶微分的总和(SDy)的归一化值(SDr-SDb)/(SDr+SDb),thenormalizedvalueofthesumoffirst-orderderivativesintherededge(SDr)andthesumofthefirst-orderderivativesintheblueedge(SDb)

表2 高光谱特征变量与草地盖度之间的相关系数Table 2 Correlation coefficient between hyperspectral characteristic variables and grassland coverage

注：*显著相关(P<0.05)，**极显著相关(P<0.01)。

Note: * and ** indicate significant correlation at the 0.05 and 0.01 levels, respectively.

2.3 天然草地盖度的高光谱遥感估算模型构建

对高光谱参数与草地盖度的相关性和显著性进行比较，以相关系数的绝对值大于0.95，且达到0.01显著相关的高光谱参量作为自变量，对应的草地盖度数据作为因变量，通过SPSS 20.0软件进行回归分析，并进行F检验，构建草地盖度与高光谱参量之间的拟合模型，然后依据拟合决定系数大小，从中选出了相对较好的估算模型(表3)，较高的R2>0.9，说明所选模型可以用于估算天然草地盖度。

2.4 天然草地盖度估算模型精度分析

利用草地高光谱数据和实测草地盖度对构建的单变量线性模型进行精度分析可知，所选估算模型相对误差均小于15%，均方根误差均小于10%，说明上述5个估算模型均能较好地预测草地盖度。其中，一阶微分光谱在560 nm处构建的线性回归模型相对于其它估测模型，拟合R2较高(图4)，均方根误差和相对误差相对较小，分别为7.344%和9.657%，调整R2较高(0.942),而均方根误差和相对误差均较低,预测结果也较为理想，因此，基于草地光谱的一阶微分模型y=-384.153x+72.096可作为草地盖度的最佳估测模型。

表3 草地盖度高光谱估算模型及其精度评价Table 3 Hyperspectral estimation models for grassland coverage

3 讨论

本研究对天山北坡天然草地原始光谱反射率、一阶微分光谱反射率与草地盖度的相关关系进行分析发现，草地盖度与原始光谱相关性较强(r>0.7)的波段范围是354-717、1 420-1 481、1 904-2 512 nm，与一阶微分光谱相关性较强的波段556-576、1 266-1436、2333-2399 nm，且基于一阶微分光谱曲线560、1 321和2 361 nm波段处的反射率值的估算模型能够较好估测草地盖度，这与内蒙古自治区锡林郭勒盟的天然草地盖度估算的研究结果[6]相似，两者之间的微小差异可能由多方面因素引起，仪器的选择、采样时间、研究区的基本环境、植被高度、植被叶片构造的不同，都会给研究结果带来一定的影响[23-25]。

图4 草地盖度估算模型检验Fig. 4 Precision test of the prediction model for cover of grassland

注：Ⅰ、Ⅱ、Ⅲ为光谱一阶微分线性模型，Ⅳ为Dr一元线性模型， Ⅴ为SDr一元线性模型。

Note: In figures Ⅰ, Ⅱ, and Ⅲ, the linear models are based on the first derivation. In figure Ⅳ, linear models are based on Dr. In figure Ⅴ, linear models are based on SDr.

本研究通过对天然草地原始光谱和一阶微分光谱与草地盖度的相关关系和估算模型进行对比分析发现，基于一阶微分光谱敏感波段的估算模型能更好地对草地盖度进行估测。这可能是因为盖度较低的植被高光谱受下垫面土壤的影响，红边特征减弱[27]。一些研究结果也表明,对植被光谱数据进行一阶微分处理能更加有效地提取植被信息[28-30]。

近几十年来遥感技术被广泛应用于草地监测，但用于估测草地盖度的植被指数大多由宽波段计算得出，易受土壤背景等条件的影响,而且用宽波段计算的植被指数很可能忽略掉一些主要信息。相较而言，高光谱遥感数据从细节刻画地物光谱[31]，其高光谱分辨率的特点，能够提高探测植被精细光谱信息的准确性[26]。但同时，由于高光谱反射率对植被种类、生育期和不同的环境条件等非常敏感，为了减小误差并将研究结论推广到实际应用中，还需要在更多地区扩大试验规模，对不同时间段各种类型的草地的高光谱特性及其估算模型进行研究。

4 结论

本研究分析了天然草地原始光谱、一阶微分光谱和高光谱特征参数与草地盖度之间的相关关系，主要得出以下结论：1)与“蓝边”参数、“黄边”参数和植被指数相比，“红边”参数与草地盖度的相关关系相对较高，以参数Dr和SDr为变量建立的单变量线性估算模型相对误差也较小。2)基于草地光谱的一阶微分模型y=-384.153x+72.096可作为本研究区草地盖度的最佳估测模型。均方根误差和相对误差均较小,分别为7.344%和9.657%。3)本研究区位于西北干旱半干旱区域，植被盖度低，相对于以“红边”参数为变量的估算模型，基于一阶微分光谱敏感波段建立的估算模型能够更好地对草地盖度进行估测。4)高光谱反射率对植被种类、生育期和不同的环境条件等非常敏感，将研究结论推广应用还需要进一步扩大研究区域和试验规模，对更多类型和不同时间段的草地的高光谱特性和估算模型进行研究。

References:

[1] 胥静,武红旗,蒋平安,盛建东.新疆典型草地土壤光谱特征研究.草地学报,2014,22(5):980-985. Xu J,Wu H Q,Jiang P A,Sheng J D.Soil spectral property of Xinjiang grassland.Acta Agrestia Sinica，2014,22(5):980-985.(in Chinese)

[2] 阿布都热合曼·哈力克,杨金龙.新疆草地生态价值及其可持续开发利用的研究.干旱区资源与环境,2006,20(5):197-200. Abdirahma·Halik,Yang J L.Study of the ecological value and sustainable exploitation andutilization of Xinjiang grassland.Journal of Arid Land Resources and Environment，2006,20(5):197-200.(in Chinese)

[3] 杨红飞,刚成诚,穆少杰,章超斌,周伟,李建龙.近10年新疆草地生态系统净初级生产力及其时空格局变化研究.草业学报,2014,23(3):39-50. Yang H F,Gang C C,Mu S J,Zhang C B,Zhou W,Li J L.Analysis of the spatio-temporal variation in the net primary productivity of grassland during the past 10 years in Xinjiang.Acta Prataculturae Sinica，2014,23(3):39-50.(in Chinese)

[4] 陈建军,宜树华,任世龙,秦彧,王晓云.疏勒河上游高寒草地植被盖度反演及精度评价.草业科学,2014,31(1):56-65. Chen J J,Yi S H,Ren S L,Qin Y,Wang X Y.Retrieval of fractional vegetation cover of alpline grassland and the efficiency of remote sensing retrieval in the upper of Shule River basin.Pratacultural Science，2014,31(1):56-65.(in Chinese)

[5] 温庆可,张增祥,刘斌,乔竹萍.草地覆盖度测算方法研究进展.草业科学,2009,26(12):30-36. Wen Q K,Zhang Z X,Liu B,Qiao Z P.Research progress in grassland fractional coverage estimation methods.Pratacultural Science，2009,26(12):30-36.(in Chinese)

[6] 刘占宇,黄敬峰,吴新宏,董永平,王福民,刘朋涛.天然草地植被覆盖度的高光谱遥感估算模型.应用生态学报,2006,17(6):997-1002. Liu Z Y,Huang J F,Wu X H,Dong Y P,Wang F M,Liu P T.Hyperspectral remote sensing estimation models on vegetation coverage of natural grassland.Chinese Journal of Applied Ecology,2006,17(6):997-1002.(in Chinese)

[7] 顾祝军,曾志远.遥感植被盖度研究.水土保持研究,2005,12(2):18-21. Gu Z J,Zeng Z Y.Overview of researches on vegetation coverage in remote sensing.Research of Soil and Water Conservation,2005,12(2):18-21.(in Chinese)

[8] 曹旭娟,干珠扎布,梁艳,高清竹,张勇,李玉娥,万运帆,旦久罗布.基于NDVI的藏北地区草地退化时空分布特征分析.草业学报,2016,25(3):1-8. Cao X J,Ganjurjav,Liang Y,Gao Q Z,Zhang Y,Li Y E,Wan Y F,Danjiuluobu.Temporal and spatial distribution of grassland degradation in northern Tibet based on NDVI.Acta Prataculturae Sinica,2016,25(3):1-8.(in Chinese)

[9] 马琳雅,崔霞,冯琦胜,梁天刚.2001-2011年甘南草地植被覆盖度动态变化分析.草业学报,2014,23(4):1-9. Ma L Y,Cui X,Feng Q S,Liang T G.Dynamic changes of grassland vegetation coverage from 2001 to 2011 in Gannan prefecture.Acta Prataculturae Sinica,2014,23(4):1-9.(in Chinese)

[10] 许旭,李晓兵,梁涵玮,黄玲梅.内蒙古温带草原区植被盖度变化及其与气象因子的关系.生态学报,2010,30(14):3733-3743. Xu X,Li X B,Liang H W,Huang L M.Change in vegetation coverage and its relationship with climate factors in temperate steppe,Inner Mongolia.Acta Ecologica Sinica,2010,30(14):3733-3743.(in Chinese)

[11] 何雅枫,花立民,邸利.不同植被指数反映地表植被覆盖度的比较分析——以甘肃河西走廊地区为例.中国农学通报,2014,30(19):45-50. He Y F,Hua L M,Di L.Comparative analysis on the reflection effect of the vegetation on the earth’s surface by different vegetation indices:A case study in Hexi Corridor.Chinese Agricultural Science Bulletin,2014,30(19):45-50.(in Chinese)

[12] 史世莲,章文波,王国燕.北京地区植被盖度提取及其分布变化研究.遥感技术与应用,2014,29(5):866-872. Shi S L,Zhang W B,Wang G Y.The measurement of vegetation coverage and the analysis of seasonal change in Beijing.Remote Sensing Technology and Application,2014,29(5):866-872.(in Chinese)

[13] 杨国鹏,余旭初,冯伍法,刘伟,陈伟.高光谱遥感技术的发展与应用现状.测绘通报,2008(10):1-4. Yang G P,Yu X C,Feng W F,Liu W,Chen W.The development and application of hyperspectral RS technology.Bulletin of Surveying and Mapping,2008(10):1-4.(in Chinese)

[14] 李苗苗.植被覆盖度的遥感估算方法研究.北京:中国科学院研究生院遥感应用研究所硕士学位论文,2003. Li M M.The method of vegetation fraction estimation by remote sensing.Master Thesis.Beijing:Institute of Remote Sensing Applications Chinese Academy of Sciences,2003.(in Chinese)

[15] 张凯,郭铌,王润元,王小平,王静.甘南草地地上生物量的高光谱遥感估算研究.草业科学,2009,26(11):44-50. Zhang K,Guo N,Wang R Y,Wang X P,Wang J.Hyperspectral remote sensing estimation models for aboveground fresh biomass in Gannan grassland.Pratacultural Science,2009,26(11):44-50.(in Chinese)

[16] 梁天刚,崔霞,冯琦胜,王莺,夏文韬.2001-2008年甘南牧区草地地上生物量与载畜量遥感动态监测.草业学报,2009,18(6):12-22. Liang T G,Cui X,Feng Q S,Wang Y,Xia W T.Remotely sensed dynamics monitoring of grassland above ground biomass and carrying capacity during 2001-2008 in Gannan pastoral area.Acta Prataculturae Sinica,2009,18(6):12-22.(in Chinese)

[17] 胥慧,包玉海,包刚,包玉龙.内蒙古典型草原干草生物量高光谱遥感估算研究.阴山学刊:自然科学版,2014,28(4):22-27. Xu H,Bao Y H,Bao G,Bao Y L.Typical grassland of Inner Mongolia hay biomass hyper-spectral remote sensing estimation research.Yinshan Academic Journal：Natural Science Edition,2014,28(4):22-27.(in Chinese)

[18] 武红旗,范燕敏,何晶,靳瑰丽,谢昀,柴大攀,何龙.不同粒径土壤的反射光谱对荒漠土壤有机质含量的响应.草地学报,2014,22(2):266-270. Wu H Q,Fan Y M,He J,Jin G L,Xie Y,Chai D P,He L.Response of soil hyperspectral characteristics of different particle sizes to soil organic matter.Acta Agrestia Sinica,2014,22(2):266-270.(in Chinese)

[19] 胡新博.草地光谱与牧草产量的相关分析.草食家畜,1996(4):43-47.

[20] 刘占宇,黄敬峰,吴新宏,董永平,王福民,刘朋涛.草地生物量的高光谱遥感估算模型.农业工程学报,2006,22(2):111-115. Liu Z Y,Huang J F,Wu X H,Dong Y P,Wang F M,Liu P T.Hyperspectral remote sensing estimation models for the grassland biomass.Transactions of the Chinese Society of Agricultural Engineering,2006,22(2):111-115.(in Chinese)

[21] 柴仲平,陈波浪,蒋平安,盛建东,李珊珊,刘茂,孟亚宾.库尔勒香梨叶片全钾含量高光谱估算模型研究.中国生态农业学报,2014,22(1):80-86. Chai Z P,Chen B L,Jiang P A,Sheng J D,Li S S,Liu M,Meng Y B.Hyperspectral estimation models for total potassium content of Kuerle fragrant pear leaves.Chinese Journal of Eco-Agriculture,2014,22(1):80-86.(in Chinese)

[22] Gitelson A A,Merzlyak M N,Lichtenthaler H K.Detection of red edge position and chlorophyll content by reflectance measurements near 700 nm.Journal of Plant Physiology,1996,148(3-4):501-508.

[23] 张金恒,王珂,王人潮.高光谱评价植被叶绿素含量的研究进展.上海交通大学学报：农业科学版,2003,21(1):74-80. Zhang J H,Wang K,Wang R C.Study on the hyperspectral remote sensing in estimate vegetation leaf chlorophyll content.Journal of Shanghai Jiaotong University:Argiculteral Science,2003,21(1):74-80.(in Chinese)

[24] 谭昌伟,王纪华,黄文江,刘良云,黄义德,严伟才.高光谱遥感在植被理化信息提取中的应用动态.西北农林科技大学学报：自然科学版,2005,33(5):151-156. Tan C W,Wang J H,Huang W J,Liu L Y,Huang Y D,Yan W C.A review of hyperspectral remote sensing application to extract biophysical and biochemical information of vegetation.Journal of Northwest Sci-Tech University of Agriculture and Forestry：Natural Science Edition,2005,33(5):151-156.(in Chinese)

[25] 刘畅,孙鹏森,刘世荣.植物反射光谱对水分生理变化响应的研究进展.植物生态学报,2016,40(1):80-91. Liu C,Sun P S,Liu S R.A review of plant spectral reflectance response to water physiological changes.Chinese Journal of Plant Ecology,2016,40(1):80-91.(in Chinese)

[26] 周磊,辛晓平,李刚,杨桂霞,张宏斌.高光谱遥感在草原监测中的应用.草业科学,2009,26(4):20-27. Zhou L,Xin X P,Li G,Yang G X,Zhang H B.Application progress on hyperspectral remote sensing in grassland monitoring.Pratacultural Science,2009,26(4):20-27.(in Chinese)

[27] 钱育蓉,于炯,贾振红,杨峰,帕力旦·吐尔逊.新疆典型荒漠草地的高光谱特征提取和分析研究.草业学报,2013,22(1):157-166. Qian Y R,Yu J,Jia Z H,Yang F,Palidan·Tuerxun.Extraction and analysis of hyper-spectral data from typical desert grassland in Xinjiang.Acta Prataculturae Sinica,2013,22(1):157-166.(in Chinese)

[28] 潘蓓.苹果树冠层氮素、叶绿素及叶面积指数的高光谱估测.泰安:山东农业大学硕士学位论文,2013. Pan B.Hyperspectral estimation of apple tree canopy nitrogen,chlorophyll and LAI status.Master Thesis.Taian:Shandong Agricultural University,2013.(in Chinese)

[29] 熊鹰,刘波,岳跃民.基于ASD和FISS的植被叶片氮素含量反演研究.生态环境学报,2013,22(4):582-587. Xiong Y,Liu B,Yue Y M.Inversion of nitrogen content of plant leaves based on ASD and FISS.Ecology and Environmental Sciences,2013,22(4):582-587.(in Chinese)

[30] 高金龙,侯尧宸,白彦福,孟宝平,杨淑霞,胡远宁,冯琦胜,崔霞,梁天刚.基于高光谱数据的高寒草甸氮磷钾含量估测方法研究——以青海省贵南县及玛沁县高寒草甸为例.草业学报,2016,25(3):9-21. Gao J L,Hou Y C,Bai Y F,Meng B P,Yang S X,Hu Y N,Feng Q S,Cui X,Liang T G.Methods for estimating nitrogen,phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties,Qinghai Province.Acta Prataculturae Sinica,2016,25(3):9-21.(in Chinese)

[31] 张云霞,李晓兵,陈云浩.草地植被盖度的多尺度遥感与实地测量方法综述.地球科学进展,2003,18(1):85-93. Zhang Y X,Li X B,Chen Y H.Overview of field and multi-scale remote sensing measurement approaches to grassland vegetation coverage.Advances in Earth Science,2003,18(1):85-93.(in Chinese)

(责任编辑 王芳)

Estimating grassland coverage based on hyperspectral remote sensing in the northern Tianshan Mountains

Chen Jiao, Zhang Li

(Xinjiang Key Laboratory of Soil and Plant Ecological Processes, College of Grassland and Environmental Sciences, Xinjiang Agricultural University, Urumqi 830052, China)

By taking the Gan’gou Township in Urumqi County on the northern slope of the Tianshan Mountains as the study area, and using an America SVC HR-768 portable spectroradiometer, we collected hyperspectral data and corresponding grassland coverage data at 25 sites. Using these data, we analysed the correlation between grassland coverage and the original spectrum and the first-order differential spectrum and the hyperspectral characteristic variables. We also constructed a hyperspectral estimation model of grassland coverage by using regression methods based on the hyperspectral position variables, the hyperspectral area variables, and the hyperspectral vegetation index variables, and evaluated the accuracy of simulation models. The results showed that there was a strong correlation between grassland coverage and vegetation canopy reflectance in the spectral ranges of 354-704 nm, 1 420-1 481 nm, and 1 904-2 512 nm; the estimation models based on first-order differential spectrum and hyperspectral vegetation index variables can invert grassland coverage better. Model testing indicated that the first-derivate model based on 560 nmy=-384.153x+72.096 can be considered to be the best estimation model of grassland coverage, for which the root mean square error was 7.344% and the estimation accuracy was 90.343%.

Xinjiang grassland; hyperspectral remote sensing; estimating model; grassland coverage; spectroradiometer; differential spectrum; hyperspectral variables

Zhang Li E-mail:zhangli0628@163.com

10.11829/j.issn.1001-0629.2016-0403

2016-07-25 接受日期：2016-10-24

新疆草地资源与生态重点实验室开放课题(XJDX0209-2013-03);新疆土壤与植物生态过程实验室

陈佼(1994-),女,江苏南京人,在读本科生,主要从事遥感与GIS技术的应用研究。E-mail:948115529@qq.com

张丽(1977-),女,新疆奎屯人,讲师,博士,主要从事遥感与GIS技术的应用研究。E-mail:zhangli0628@163.com

S812-05

A

1001-0629(2017)1-0030-10*

陈佼，张丽.天山北坡草地盖度高光谱遥感估算.草业科学,2017,34(1)：30-39.

Chen J,Zhang L.Estimating grassland coverage based on hyperspectral remote sensing in the northern Tianshan Mountains.Pratacultural Science，2017,34(1)：30-39.