塔里木河下游蘆葦生物量遙感估算模型研建

牛 婷，李 霞，林海軍，趙 釗，董道瑞

(1.新疆農業大學草業與環境學院，烏魯木齊 830052;2.新疆水利水電勘察設計研究院，烏魯木齊 830000)

塔里木河下游蘆葦生物量遙感估算模型研建

牛 婷1，2，李 霞1，林海軍1，趙 釗1，董道瑞1

(1.新疆農業大學草業與環境學院，烏魯木齊 830052;2.新疆水利水電勘察設計研究院，烏魯木齊 830000)

在對塔里木河下游大西海子水庫周邊蘆葦生物量實地調查基礎上，使用同期TM數據建立了蘆葦生物量遙感估算模型。結果表明:TM1～5、TM7的灰度值和垂直植被指數(PVI)、亮度植被指數(BVI)及歸一化差值植被指數(NDVI)與蘆葦生物量實測值顯著相關;生物量遙感估算模型中非線性回歸模型的擬合精度高于線性回歸模型。NDVI在一元線性、非線性回歸模型中的擬合精度最高，TM4的擬合精度最低;多元逐步回歸比一元線性、一元非線性回歸擬合度精度高。若僅考慮簡單、可靠、便于生產部門使用，基于PVI、NDVI的一元線性模型和基于TM1的一元非線性模型是較好的選擇。

生物量;估算模型;塔里木河;遙感;蘆葦

0 引言

塔里木河(以下簡稱塔河)下游指恰拉—臺特瑪湖區段。1972年塔河自大西海子水庫下游365 km河道徹底斷流，河畔植被大片死亡，兩大沙漠趨于合攏［1］。2000—2010年，黨中央和國務院組織了10次生態輸水，挽救日益衰敗的天然植被，遏制了生態劣變趨勢，使塔河下游河畔重現綠色。

植被生物量估算是塔河下游生態系統恢復監測的重要內容之一。張宏鋒等［2］2004年對塔河下游斷流河道的7個地下水監測斷面和19個植被樣地進行實地監測和資料分析，得出灌木生物量在空間分布的變化特征。與傳統的生物量估算方法相比，遙感方法可快速、準確、無破壞地對生物量進行估算，對生態系統進行長期、定量的宏觀監測。近年來國內許多學者利用從衛星遙感數據獲取的各種植被指數估算牧草的生物量。杜自強等［3］利用地面觀測資料結合同期的陸地衛星TM數據，分析了植被指數與草地地上生物量的相關關系，進而建立基于差值植被指數(DVI)的山丹縣草地地上生物量估算模型; 李聰等［4］、王正興等［5］和徐多等［6］通過對典型區實地采樣，分別得到與EOS/MODIS影像資料時相一致的草地地上生物量數據，分析了歸一化差值植被指數(NDVI)和增強植被指數(EVI)與草地生物量的相關關系，建立了基于上述植被指數的新疆天山北坡烏魯木齊南郊草地、內蒙古錫林郭勒草地和西藏藏北高原草地的地上生物量估測模型。

雖然有關用遙感方法估測植被生物量的文章較多，但有關分布在塔河下游輸水區水文條件較好區段的主要草本植物——蘆葦的生物量遙感估算模型的文章尚未見報道。本文根據地面實測數據，確定與之相關性較好的遙感參數和波段，構建了蘆葦生物量遙感估算模型，為研究區大面積蘆葦生境評估提供了依據;并將為荒漠區植被生物量的遙感估測與監測提供技術支持，為輸水效益及生態恢復狀況評價提供參考。

1 研究區概況

研究區位于塔河下游，N40°05'～ 40°43'、E87°36'～88°13'間，屬典型的暖溫帶大陸性干旱氣候，降水稀少，年均降水量20～50 mm，蒸發量2500～3000 mm，相對濕度平均在50% ～45%，空氣極度干燥;多風沙和浮塵天氣，年平均氣溫10～12℃，無霜期175～195 d。天然林植被表層(0～30 cm內)為風沙土、沙土，其他土壤類型為草甸土、胡楊林土、檉柳林土、荒漠土等［7］。流域廣泛分布著胡楊(Populus euphratica)、檉柳(Tamarix spp.)、鈴鐺刺(Halimodendron halodendron)、鹽穗木(Halocnemum caspica)、蘆葦(Phragmites australis)等植物，沿塔河形成斷斷續續、寬窄不一的由喬、灌、草組成的植被帶［8］。自2000年至今，采用逐次間歇性輸水方式，曾10次從大西海子水庫泄洪閘下泄水量達23.09×108m3，下泄水大多消耗于植被分布的主要區域——大西海子—阿拉干區段。研究區就位于塔河下游蘆葦主要分布區段的大西海子水庫—阿克敦斷面。

2 建模準備

2.1 遙感數據選取與預處理

以成像時間為2010年8月13日的TM圖像數據為生物量估算模型的基礎數據源，該圖像在研究區域內沒有云覆蓋，質量較好。對圖像數據進行了輻射精校正;根據1∶10萬地形圖、采用二元二次多項式糾正法對圖像數據進行幾何糾正和配準;并對TM6進行了重采樣處理，圖像中心星下點糾正誤差小于0.1個像元，邊緣糾正誤差小于0.3個像元，可以滿足分析精度要求。利用 ArcGIS軟件提取TM1～7各波段的灰度(DN)值。

目前所使用的植被指數多達幾十種，根據已有的研究［9］，本文利用 ERDAS和地理信息系統軟件Arc/Info提取了比值植被指數(RVI)、歸一化差值植被指數(NDVI)、差值植被指數(DVI)、垂直植被指數(PVI)、綠度植被指數(GVI)、亮度植被指數(BVI)和濕度植被指數(WVI)等7種植被指數。

2.2 樣地調查及實測生物量計算

根據塔河下游輸水河道兩側不同的地下水埋深梯度［10］，在大西海子水庫—阿克敦斷面沿垂直河道0～50 m、50～165 m、165～500 m、500～750 m 、750～1000 m、1000～1250 m和1250～1500 m共7個離河距離布設樣地，每個離河距離布設3個樣地，共布設42個大小為30 m×30 m的樣地(其中35個樣地為建模數據，7個樣地為模型驗證數據)。為便于建立遙感數據與地面實測數據的對應關系，使用GPS對每個樣地進行了準確定位。

在每個樣地內四角和中心點各選取1 m×1 m的樣方，割取地上生物量，用1‰電子天平對鮮生物量稱重，根據樣地內5個1 m×1 m樣方數據求得單位面積平均地上生物量鮮重(kg/m2);并計算出每個樣地的平均生物量鮮重。

3 模型建立

3.1 實測生物量與遙感數據相關分析

利用SPSS 13.0軟件對遙感數據(TM圖像灰度值和7種植被指數)與地面對應位置樣地實測生物量數據進行了相關性分析，結果見圖1。

圖1 生物量與遙感數據相關系數Fig.1 Map of the correlation coefficient between biomass and remote sensing data

如圖1所示，實測生物量與 TM1～5、TM7和NDVI、PVI、BVI在 0.01 顯著水平上的相關系數從大到小依次為:TM1、NDVI、TM2、TM3、BVI、PVI、TM4、TM5和TM7，與其余遙感參數的相關性均不顯著。其中 TM1～3、TM5和 TM7與生物量呈負相關，NDVI、BVI、PVI和TM4與生物量呈正相關。TM1～7波段對蘆葦信息識別都有很好的效果，其中TM1與生物量的相關性最強(在0.01顯著水平上的相關系數 R=0.89)，TM6與生物量的相關性最弱(R=0.35)，因此將 TM1 ～ TM5、TM7 選入回歸分析。對于植被指數，因PVI、BVI和NDVI均與生物量顯著相關，故都被選入回歸分析。

3.2 生物量模型建立

3.2.1 實測生物量與遙感數據回歸分析

利用實測生物量數據與TM1～5和TM7波段數據進行線性與非線性回歸分析，用最小二乘法對TM各單波段數據與生物量的散點數據進行擬合(擬合結果如表1所示)。TM1與生物量線性回歸擬合度最高，擬合函數為模型1，相關系數 R=0.888;TM7與生物量擬合度最低，擬合函數為模型6，相關系數 R=0.694。

表1 遙感數據與生物量一元線性回歸模型Tab.1 One element linear regression model for the remote sensing data and biomass

非線性回歸分析結果如表2所示，TM1與生物量非線性回歸擬合度最高，擬合函數為模型A，相關系數R=0.898;TM5與生物量擬合度最低，擬合函數為模型E，相關系數R=0.705。

表2 遙感數據與生物量一元非線性回歸模型Tab.2 One element nonlinear regression model for the remote sensing data and biomass

從表1和表2中還可以看出實測生物量數據與PVI、NDVI和BVI植被指數的回歸分析結果:對于線性回歸，NDVI擬合度最高，擬合函數為模型8，相關系數R=0.831;PVI擬合度最低，擬合函數為模型7，相關系數R=0.738。對于非線性回歸，依然是NDVI擬合度最高，擬合函數為模型H，相關系數R=0.925;BVI與生物量線性回歸擬合度最低，擬合函數為模型I，相關系數R=0.846。

從總體來看，非線性回歸的擬合度比線性回歸的擬合度高。

3.2.2 實測生物量與遙感參數多元回歸分析

在SPSS 13.0軟件環境下進行逐步回歸，篩選自變量，對所得自變量進行多元回歸分析(表3)。

表3 遙感數據與生物量多元線性回歸模型Tab.3 Multiple linear regression model for the remote sensing data and biomass

根據上述9個變量、35組樣方數據，以顯著水平0.05作為挑選和剔除變量的條件，對影響生物量的因子進行逐步回歸，得到回歸模型Ⅰ;用向后剔除法篩選出回歸模型Ⅱ;根據相關性分析，選擇自變量與因變量相關系數絕對值較大的自變量分別為TM1、TM2、TM3、TM4、TM5、NDVI、PVI和 BVI，分別以顯著性水平0.05作為挑選和剔除變量的條件，再用向后剔除法回歸分析，篩選出回歸模型Ⅲ和模型Ⅳ;最后選擇與因變量顯著相關的自變量 TM1、TM2、TM3、TM4、TM5、TM7、NDVI、PVI和 BVI，用強迫引入法進行回歸分析，得出回歸模型Ⅴ。各模型中，模型Ⅴ的擬合度最高(R=0.968)，自變量有6 個，分別為 TM1、TM2、TM4、TM5、PVI和NDVI;模型Ⅳ次之(R=0.966)，自變量有5 個，分別是 TM1、TM2、TM5、PVI和 NDVI; 再次為模型Ⅲ(R=0.961，自變量為 TM1、TM5、PVI和 NDVI)、模型Ⅱ(R=0.944，自變量為 TM1、TM5 和 NDVI)和模型Ⅰ(R=0.932，自變量為 TM1 和 TM5)。

3.3 模型精度驗證

為評價模型應用精度和條件，用野外同期采樣的另外7個實測生物量的數據與生物量模型估算的數據進行比較，并計算其誤差系數(誤差系數=(估算值－實測值)/實測值;平均誤差系數=∑︱誤差系數︱/誤差項數)。通過實測生物量驗證，3種生物量模型估算數據的誤差情況見圖2。

圖2 不同生物量估測模型誤差對比Fig.2 Error comparison among different biomass estimation models

如圖2所示，不同生物量模型的總體精度均達到70%以上。其中，一元線性回歸模型(圖2(a))中基于NDVI(模型8)、PVI(模型7)和BVI(模型9)的生物量估測模型誤差較小，其估測精度分別為79.99%、79.96%和79.74%; 一元非線性回歸模型(圖2(b))中基于 NDVI(模型 H)、PVI(模型 G)和BVI(模型 I)的生物量估測模型精度分別為79.99%、79.96%和 79.87%，基于 TM1(模型 A)的生物量估測模型精度為79.91%，可見一元非線性回歸模型的估算精度均高于一元線性模型精度;多元線性回歸模型(圖2(c))中基于TM1、TM2、TM5、PVI和NDVI(模型Ⅳ)的生物量估測模型誤差最小、精度最高(達 82.07%)。

4 結論

(1)實測蘆葦生物量與TM單波段DN值和植被指數之間的良好的相關性，是蘆葦生物量遙感監測模型建立的基礎。

(2)分別采用一元線性回歸模型、一元非線性回歸模型對蘆葦生物量和遙感數據進行回歸分析表明，一元非線性回歸模型的擬合精度較一元線性回歸模型有一定提高。基于NDVI的一元線性回歸模型和一元非線性回歸模型擬合精度最佳，基于TM4的各類模型的擬合精度最差。

(3)采用2個或2個以上自變量的多元逐步回歸比利用一元線性和一元非線性方法建立方程的擬合度要高，模型 y=404.5 －1.92 TM1 －2.08 TM2 －0.51 TM5+1.4 PVI－167.57 NDVI的 R=0.966，精度達82.07%，是研究區最佳的蘆葦生物量遙感估測模型，能夠滿足中尺度的蘆葦生物量估算和環境監測要求。

(4)本著簡單、可靠、便于生產部門使用的原則可以認為，基于PVI和NDVI的一元線性模型7、模型8和基于TM1的一元非線性模型A是較好的選擇。

［1］李 霞，侯 平，董新光，等.新疆塔里木河下游應急輸水植被恢復階段分析［J］.生態學雜志，2005，24(12):1449 －1453.

［2］張宏鋒，陳亞寧，陳亞鵬，等.塔里木河下游植物群落的物種數量變化與生態系統動態研究［J］生態學雜志，2004，23(4):21－24.

［3］杜自強，王 建，沈宇丹.山丹縣草地地上生物量遙感估算模型［J］.遙感技術與應用，2006，21(4):338 －343.

［4］李 聰，肖繼東，曹占洲，等.應用MODIS數據估算草地生物量［J］.干旱區研究，2007，24(3):386 －391.

［5］王正興，劉 闖，趙冰茹，等.利用MODIS增強型植被指數反演草地地上生物量［J］.蘭州大學學報:自然科學版，2005，41(2):10－16.

［6］徐 多，姬秋梅，德吉央宗，等.利用EOS/MODIS數據估算西藏藏北高原地表草地生物量［J］.氣象學報，2007，65(4):612 －621.

［7］鄧銘江.塔里木河下游生態輸水及植被恢復遙感監測評價［J］.冰川凍土，2007，29(3):380 －386.

［8］李 霞，侯 平，楊鵬年.塔里木河下游胡楊對水分條件變化的響應［J］.干旱區研究，2006，23(1):26 －31.

［9］牛 婷，李 霞.塔里木河下游植被恢復遙感模型建立［J］.國土資源遙感，2008(2):79 －83.

［10］李 霞，侯 平，董新光.塔里木河下游斷流區胡楊密度調查與分析［J］.新疆農業大學學報，2003，26(4):41 －44.

The Construction of the Remote Sensing Estimation Models for Reed Biomass in the Lower Reaches of the Tarim River

NIU Ting1，2，LI Xia1，LIN Hai－ jun1，ZHAO Zhao1，DONG Dao － rui1
(1.College of Grass and Environment，Xinjiang Agricutural University，Urumqi 830052，China;2.Survey and Design Institute of Water Conservancy and Hydroelectric Power of Xinjiang，Urumqi 830000，China)

The remote sensing estimation models for reed biomass were established by using TM data and the field investigation of reed biomass around the Daxihaizi reservoir in the lower reaches of Tarim river.The results show that the gray values of TM1 ～5 and TM7，the perpendicular vegetation index(PVI)，the brightness vegetation index(BVI)and the normalized difference vegetation index(NDVI)are significantly related to the measured values of Phragmites australis biomass，the fitting precision of the nonlinear regression model is higher than that of the linear regression model，and NDVI has the highest precision in the regression models but TM4 has the lowest precision.The multiple stepwise regression has a higher fitting precision than ordinary regressions.The ordinary linear regressions based on PVI and NDVI and the ordinary nonlinear regression based on TM1 are the best options due to the characteristics of simplicity，reliability and convenience.

Biomass;Estimation model;Tarim River;Remote sensing;Reed

TP 751.1;X 171.4

A

1001－070X(2011)04－0042－04

2010－12－30;

2011－02－16

國家自然科學基金項目(編號:40961027)和新疆維吾爾自治區草地資源與生態實驗室共同資助。

牛 婷(1981－)，女，草業科學在讀博士研究生，主要從事資源環境方面的研究。

李 霞，教授，聯系電話:13659963246或0991－8763626，E－mail:xjlx782@126.com。

(責任編輯:劉心季)