基于高光谱特征参数荒漠草原生物量估测研究

殷晓飞，王春光，王海超，张文霞，宗哲英，张海军

(1.内蒙古农业大学 机电工程学院，呼和浩特 010018；2.呼和浩特职业学院 机电工程学院，呼和浩特 010051)

0 引言

草地生物量是单位面积内牧草积累的物质质量，是草地生态系统的重要指标之一。草地生物量常采用模型法和经验法进行估测，但费时费力，不利于大面积开展且具有一定的破坏性[1]。高光谱遥感具有视野宏观、动态的特点，是进行大尺度草地动态监测最为有效的工具之一，能够实现草地类型识别、草地退化监测、植物生物化学参数检测及植被覆盖度、含水率、叶面积指数的估算。高光谱遥感已被广泛应用于草地生物量的估算，M. Mirik等对美国怀俄明州黄石国家公园的地面植物总量进行了估算[2]；F. Fava等证明了高光谱数据在冠层水平上估算干草草生物量和植物多样性指标的潜力[3]；MA. Cho比较了偏最小二乘回归、归一化植被指数、红边位置对草地的生物量估算精度，结果表明偏最小二乘回归的精度最高[4]；安海波等对内蒙古乌兰察布市四子王旗和呼和浩特市和林格尔县天然和人工草地冠层光谱数据和生物量进行分析，发现估算草地生物量最佳估算模型为优化后的归一化光谱指数[5]；胥慧等利用高光谱遥感对秋季干枯牧草生物量进行研究，发现高光谱特征参数和草地生物量具有较高的相关性[6]；段敏杰等对西藏北部高寒草原的光谱反射率和植被生物量进行测量分析，得出不同放牧强度下地上生物量和光谱植被指数之间存在显着相关性[7]；孙成明等运用回归分析方法分析归一化植被指数与生物量的相关关系，构建了南方草地地上生物量的光谱估算模型[8]；吴建付等利用高光谱遥感进行了草地分类和生物量估测等研究[9]；刘占宇等对内蒙古自治区锡林郭勒盟的天然草地进行了高光谱遥感地面观测[10]。

关于草地生物量的高光谱遥感估测模型因研究时间、区域、草地类型和光谱指数选择不同而有所差别。从目前研究现状来看，针对鄂尔多斯荒漠草原建立草地生物量高光谱遥感估测模型还未见相关报道。因此，利用近地面高光谱在不同退化梯度下估算鄂尔多斯荒漠草原草地生物量，能够为开展草地生态效益评价、退牧还草效益检测和航空遥感精细解译提供技术支持，促进高光谱遥感技术在草地定量检测中的应用，为合理制定草地载畜量提供科学依据。

1 试验部分

1.1 研究区概况

研究区位于内蒙古自治区鄂尔多斯市西部鄂托克旗境内，东经106°41′-108°54′，北纬38°18′-40°11′，平均海拔1 800m，年降水量为250mm，主要集中于7～9月，年均气温6.4℃；境内地貌以波状高原为主，西北高，东南低；天然草地以温性荒漠草原为主，草地资源总面积为197.5万hm2，可利用面积为174.7万hm2，占草场总面积的88.43%。

1.2 试验设计

根据李博提出的草地退化分级理论及相关专家多年实践经验[11]，结合气象资料，从鄂托克旗选出4个样点，放牧强度基本一致，土壤类型均为棕钙土。依草地干旱及利用程度由东向西划分为对照(CK)、轻度退化(LD)、中度退化(MD)和重度退化(HD)[12]。 试验区内主要植被包括狭叶锦鸡儿(Caraganastenophylla)、短花针茅(Stipabreviflora)、冷篙(Artemisiafrigida)、无芒隐子草(Cleistogenessongorica)、猪毛菜(Salsolacollina)和砂蓝刺(Echinopsgmelini)等。

1.3 冠层光谱测量

采用美国ASD(Analytical Spectral Devices)公司便携式高光谱仪器(350～1830nm)。其中，350～1 000nm光谱采样间隔为1.4nm，光谱分辨率为3nm；1 000～1 830nm光谱采样间隔为2nm，光谱分辨率为10nm。光谱测定在2014-2016年每年7月和8月选择晴朗无云无风天气，于10：00-14:00进行测定。采集数据前，先使用软件程序进行白板校正与去除暗电流操作，光谱采集探头视场角为25°；采集冠层数据时探头垂直于植被冠层上方，高度根据采样植被冠层大小计算确定，每组样品每间隔1s连续采集10次，将10次光谱平均后作为本组光谱数据。草地冠层反射光谱在草地类型、植被盖度、植物水分、土壤类型和大气状况等多种因素作用下形成综合的反射光谱。本文选取试验样地不同退化梯度下典型植物狭叶锦鸡儿、短花针茅，退化指示植物无芒隐子草和冷蒿的草地类型进行光谱测量和数据采集。

1.4 生物量测定

光谱数据采集后，在光谱测量区域正下方，将50cm×50cm样方内的植物鲜样用剪刀齐地面剪下，按种类分别装入自封袋，使用计量单位为1‰g天平立即其称鲜重，并贴标签。

1.5 高光谱特征参数提取

高光谱特征参数是从原始光谱、一阶微分光谱提取的基于高光谱位置变量、面积变量和植被指数变量等3种类型共19种特征参数，如表1所示。

2 结果与分析

2.1 草地生物量与高光谱变量相关分析

2.1.1 草地生物量与原始光谱相关分析

草地生物量与原始光谱相关分析如图1所示。波长小于759nm时，原始光谱反射率与草地生物量呈负相关，在673nm相关系数达到最大，相关系数为-0.759，形成一个波谷；波长在759～943nm之间时，光谱反射率与草地生物量呈正相关，但相关性较差；波长在944～1 349nm和1 418～1 798nm之间时，原始光谱反射率与草地生物量呈负相关，波长在1 460nm时达到最大，相关系数为-0.709；波长在350～739nm和1 144～1 798nm之间时光谱反射率和草地生物量之间的相关系数均达到极显著性检验水平。

表1 高光谱特征参数的定义和描述

续表1

————表示P≤0.05显著相关(r=-0.079)水平线；——表示P≤0.01极显著相关(r=-0.103)水平线。

图1 草地生物量与原始光谱相关分析

Fig.1 Correlation Analysis of Grassland Biomass and Primitive Spectrum

2.1.2 草地生物量与一阶微分光谱变量相关分析

反射率采用光谱微分技术处理提取一阶微分，能够有效地消除大气效应、阴影和土壤等对植被环境的影响，更好地反映植物本质特征，增强光谱曲线在坡度上的细微变化。草地生物量与一阶微分光谱变量相关分析如图2所示。

————表示P≤0.05显著相关(r=±0.080)水平线；——表示P≤0.01极显著相关(r=±0.104)水平线。

图2 草地生物量与一阶微分光谱相关分析

Fig.2 The Correlation Analysis of Grassland Biomass and first derivative spectra

草地生物量与一阶微分光谱之间在508～531nm和679～760nm呈正相关，达到极显著性检验水平；在710nm，相关系数达0.812，且为全波段范围内相关系数最大值，位于红边范围；草地生物量与一阶微分光谱之间在421～505nm和535～673nm呈负相关，达到极显著性检验水平；在568nm，相关系数达-0.789；草地生物量与一阶微分光谱之间在其余光谱阶段相关性较差。

2.1.3 草地生物量与高光谱特征参数相关分析

草地生物量与高光谱特征参数相关系数如表2所示。由表2可知：草地生物量与高光谱特征参数位置变量Dy、DR、Rg和Rr之间的相关系数较大，与Db、λy和λg之间的相关系数相对较小，上述变量均达到极显著性检验水平。草地生物量与高光谱特征参数面积变量之间的相关系数中，与SDb相关系数较小，与SDy和SDR相关系数较大，且SDy呈负相关，SDR呈正相关，均达到极显著性检验水平。草地生物量与高光谱特征参数植被指数变量之间的相关系数中，除SDR/SDy相关系数较小，其余相关系数都在0.7左右且都呈正相关，均达到极显著性检验水平。在所有的高光谱特征参数中，SDR/SDb与草地生物量的相关系数最大，达到0.792。草地生物量与λb、λR、λr、SDR/SDy的相关关系未达到显著检验水平，表明上述高光谱特征参数对草地生物量的变化并不敏感。

表2 草地生物量与高光谱特征参数相关系数

Table 2 Correlation coefficient between grassland biomass and hyperspectral characteristic parameters

特征参数相关系数特征参数相关系数特征参数相关系数Db0.418**λg-0.354**(Rg-Rr)/(Rg+Rr)0.720**λb-0.041Rr-0.752**SDR/SDb0.792**Dy-0.730**λr0.066SDR/SDy0.075λy0.509**SDb0.145**(SDR-SDb)/(SDR+SDb)0.699**DR0.608**SDy-0.780**(SDR-SDy)/(SDR+SDy)0.760**λR-0.130SDR0.785**Rg-0.701**Rg/Rr0.726**

*在0.05水平上显著相关，**在0.01水平上显著相关。

2.2 草地生物量高光谱遥感估测模型

为了对草地生物量进行估算和精度检验，将在荒漠草原不同退化梯度下所获取的600个样本的试验数据进行随机抽取，分为两组。第1组为建模样本(n=480)，用于进行回归分析；第2组为验证样本(n=120)，进行模型检验。为了进一步精确估算荒漠草原草地生物量，依据图1、图2和表2中相关系数分析，选取与草地生物量相关系数较大(大于0.7)且达到极显著水平(P<0.01)的原始光谱敏感波段、一阶微分光谱敏感波段和11种高光谱特征参数分别与草地生物量构建单变量线性与非线性的回归模型，如表3所示。

表3 草地生物量与原始光谱、一阶微分光谱变量、高光谱特征参数的线性和非线性回归方程决定系数

续表3

*在0.05水平上显著相关,**在0.01水平上显著相关。

2.2.1 单变量线性与非线性回归模型

选择原始光谱、一阶微分光谱变量与草地生物量相关系数最大波段R673、R′710，并从表2种选择相关系数较大(大于0.7)的Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb和(SDR-SDy)/(SDR+SDy)等9种高光谱特征参数，进行单变量线性与非线性回归，建立草地生物量估测模型。

由表3可知：原始光谱R673、一阶微分光谱R′710、9种高光谱特征参数与草地生物量的决定系数均通过0.01极显著性检验水平。R673、Dy、Rg、Rr、SDy、Rg/Rr和(Rg-Rr)/(Rg+Rr)最佳估测模型为二次多项式，决定系数均大于0.5；R′710、SDR和SDR/SDb最佳估测模型为幂函数，决定系数均大于0.7；(SDR-SDy)/(SDR+SDy)最佳估测模型为指数函数，其回归模型决定系数为0.729，且为单变量线性与非线性回归分析中高光谱特征参数与草地生物量最佳估测模型。

2.2.2 逐步回归模型

逐步回归分析方法是从众多自变量中有效选择重要变量的一种统计方法[13]。确定与生物量相关的高光谱特征参数时，草地生物量和光谱变量值作为输入变量，输出结果是一系列包含不同光谱变量的多元线性方程及对应的决定系数(R2)和回归方程检验值(F检验)。逐步回归方程表达式为

y=p0+p1x1+p2x2+…+pixi

其中，y为因变量；xi为第i个自变量；p0为常数项；pi为y对应的偏回归系数。

将Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb、(SDR-SDy)/(SDR+SDy)等9个高光谱特征参数作为自变量，草地生物量作为因变量，进行逐步回归分析。步进条件为：当F的概率≤0.05时，变量输入；当F的概率≥0.10时，变量去除。分析结果决定系数最大时在选定的9个高光谱特征参数中只有4个变量入选，用于草地生物量估测模型的逐步回归方程如下：y=371.484+1713.954x1-2166.5x2+1207.404x3+5760.705x4。其中，x1为(Rg-Rr)/(Rg+Rr)、x2为Rg、x3为SDR、x4为SDy，其决定系数为0.709。可以看出：草地生物量的特征变量根据重要性由大到小依次是(Rg-Rr)/(Rg+Rr)、Rg、SDR和SDy。

2.2.3 BP神经网络回归模型

采用BP神经网络进行回归模型建立，网络共有输入层、中间层和输出层3层。将相关系数较高的Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb、(SDR-SDy)/(SDR+SDy)等9个高光谱特征参数作为神经网络的输入神经元，将草地生物量作为输出神经元，经过多次训练比较分析得到中间层神经元的个数为5。结果表明：估算值与实测值的决定系数R2为0.766，RMSE为40.19g/m2，相对误差为29.88%。模拟精度较逐步回归分析法有所提高。

2.2.4 草地生物量的高光谱遥感估测模型精度验证

上述表中挑选决定系数在0.7以上的回归方程，作为估测模型进行验证。模型精度通过估算值与实测值之间的决定系数R2、均方根误差RMSE(Root Mean Square Error)和相对误差RE(Relative Error)进行验证。最优的估测模型，应该估算值与实测值具有较高的决定系数(R2)，较小的均方根误差RMSE和相对误差RE。

草地生物量估测模型的精度验证如表5所示。从表5中可以看出：基于幂函数和指数函数单变量回归模型决定系数小于基于多变量逐步回归和BP神经网络。在预测的4种模型中，BP神经网络的多变量回归预测模型最优，此时草地生物量实测值与估算值决定系数最大，为0.766；均方根误差RMSE和相对误差RE值均最小，分别是40.19g/m2和29.88%。

表5 草地生物量估测模型的精度验证

为更直观反映各模型的预测效果，绘制草地生物量实测值与估算值1:1关系图，如图3所示。从图3中可以看出：BP神经网络估算值与实测值分布最接近1:1黑色实线。这说明，该模型预测效果最好。

图3 基于不同模型的草地生物量的实测值与估算值1:1分布图

3 结论与讨论

鄂尔多斯荒漠草原草地生物量与草地冠层原始光谱、一阶微分光谱和高光谱特征参数都显著相关。其中，在673nm波段，原始光谱与草地生物量相关系数为-0.759；在710nm波段，一阶微分光谱与草地生物量相关系数为0.812，Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb和(SDR-SDy)/(SDR+SDy)等9个高光谱特征参数与草地生物量相关系数均大于0.7，其中SDR/SDb相关系数最大，相关系数为0.792。

通过线性、非线性、逐步回归和BP神经网络等方法进行回归分析，选取最优估测模型进行验证分析。其中，BP神经网络回归模型决定系数最高，且均方根误差和相对误差最小，建立回归模型最好，决定系数R2为0.766，均方根误差RMSE为40.19g/m2,相对误差RE为29.88%。其中，逐步回归建立回归模型决定系数大于幂函数和指数函数，均方根误差小于幂函数和指数函数，但相对误差较大。

采用原始光谱、一阶微分光谱及高光谱特征参数等单变量构建的线性与非线性回归模型，在估算草地生物量时效果相对较差，而逐步回归和BP神经网络充分利用多种高光谱特征参数构建回归模型，弥补单变量信息相对较少的缺点，估算精度相对较好。其中，BP神经网络在荒漠草原草地生物量估算结果为最优。

利用草地冠层高光谱特征参数能够精确估测鄂尔多斯荒漠草原草地生物量，为鄂尔多斯荒漠草原的动态监测、草产估测、草地合理利用提供了科学有效的管理手段。