基于植被指數的北京軍都山荊條灌叢生物量反演研究

高明亮，宮兆寧,*，趙文吉，高 陽，胡 東

(1. 三維信息獲取與應用教育部重點實驗室， 北京 100048；2. 資源環境與地理信息系統北京市重點實驗室，北京 100048)

基于植被指數的北京軍都山荊條灌叢生物量反演研究

高明亮1，宮兆寧1,*，趙文吉1，高 陽1，胡 東2

(1. 三維信息獲取與應用教育部重點實驗室， 北京 100048；2. 資源環境與地理信息系統北京市重點實驗室，北京 100048)

基于環境衛星數據提取10種植被指數，輔以資源三號衛星數據提取的高精度數字高程模型(DEM)等數據，結合實地野外采樣數據，以北京軍都山為試驗區采用最小二乘回歸模型擬合植被指數與荊條灌叢冠層生物量的定量關系，并利用擬合結果對研究區灌從冠層生物量進行了反演估算，生成研究區荊條及其伴生灌叢生物量空間分布圖。結果表明，文中所建立的多元線性回歸模型在研究區具有較好的反演精度和預測能力。其模型顯著性為顯著(α<0.01)，相關系數為0.856，標準誤差為58.5 g/m2；預測標準誤差為98.1 g/m2，決定系數為0.865。通過對研究區荊條灌叢的冠層生物量進行遙感估算，提出了一種利用遙感技術監測灌木群落生物量的新思路。

植被指數; 荊條灌叢; 生物量; 回歸分析; 衛星數據

生物量是衡量生態系統生產力的重要指標，對于生態系統結構形成與發展具有重要的影響。灌木是生態系統的重要組成類型之一，是寶貴的生物資源。此外，灌木是干旱半干旱地區和山區的主要樹種，也是平原地區城市綠化的重要伴生樹種。灌木耐寒旱且繁殖能力強，無論土壤肥瘠，環境干濕都能生長，因此在保持水土、防風固沙以及涵養水源等生態建設中扮演重要的角色，在生態保護、恢復和重建中起著重要作用。灌木生物量是衡量灌木群落發展和生態系統研究的重要內容，是生態系統物質循環及能量轉換研究的重要基礎，具有重要研究價值。2012年6月至8月的野外生態調查結果表明，荊條及其伴生灌叢是北京山區陽坡分布數量最多、面積最廣的典型灌木優勢種，研究荊條及其伴生灌叢的生物量分布情況對于研究山區植被演替規律及山區生態循環與能量交換有重要的現實意義。

長期以來，國內外學者的研究重點在于森林和草本生物量的遙感反演和估算[1- 4]，或者是灌木本身的生理化學特征[5- 7]，而對灌木生物量測定方法的研究大都仍停留在樣方法、平均木法、相對生長法、數量化方法等傳統的估算方法[8- 9]。此外，對于通過哪種方法測定的生物量和建立的預測模型效果較好，目前沒有明確的結論。究其根源，是由于灌木具有特殊的形態和群落結構，使得其生物量在空間結構上既區別于喬木又不同于草本植物。灌木株高較低，叢生，沒有明顯的主干，無法利用喬木生物量估算方法計算單株生物量。此外，灌木比草本高大，水平分布呈現不連續不均勻的特征，無法采用普通的整體樣方收獲法計算生物量。近年來，隨著環境問題的日益凸顯，越來越多的學者意識到灌叢這一特殊生態群落對生態環境的重要影響以及其潛在的科研價值，將遙感等技術手段引入到灌木群落及其生長環境的監測和相關研究中。David等[10]綜合多光譜、多角度以及多時相遙感數據集對阿拉斯加地區0.5 m以上灌木冠層進行制圖，通過對不同分辨率、不同類型影像建立回歸樹模型，發現基于多光譜影像的結果優于多角度以及多時相數據結果，同時,基于高空間分辨率數據的模型通常具有較高的精度。Estornell等[11]基于光探測與測量(LiDAR)數據和航拍數據，采用逐步回歸的方法估算了地中海地林區灌叢生物量，結果表明LiDAR和航拍數據可以很好地用于估算灌叢生物量，并進行生物量及體積分布制圖。鑒于灌木群落特有的結構形態及其分布特征，本文避開了由于灌木植株結構差異造成的困難，綜合多種光譜指數作為反演指標，采用最小二乘回歸擬合的方法對北京軍都山區荊條灌叢的冠層生物量進行估算，提出了一種灌木群落生物量遙感反演的新思路。

1 數據獲取與方法

1.1 研究區概況

研究區位于北緯40°14′—40°47′、東經115 °58′—116 °50′之間，覆蓋昌平區北部、延慶縣東北部、懷柔區中南部以及密云縣西部共2617.44 km2的范圍(圖1 )。山區氣候屬溫帶半濕潤大陸性季風氣候，溫度和降水隨海拔變化明顯，年均溫度在2—11 ℃左右，年均降水450—660 mm。土壤以褐土為主，其次是山地棕壤和山地草甸土。植被以櫟屬(Quercus)、椴屬(Tilia)、白蠟樹屬(Fraxinus)、槭屬(Acer)、楊屬(Populus)等次生落葉闊葉林，以及油松(Pinustabulaeformis)、側柏(Biotaorientalis)等溫性針葉林為主；灌叢以荊條(Vitexnegundo)、三椏繡線菊(Spiraeatrilobata)、螞蚱腿子(Myripnoisdioica)和大花溲疏(Deutziagrandiflora)等為主，常為多優勢種混生分布，典型的有荊條+酸棗灌叢、荊條+山杏+三椏繡線菊灌叢、荊條+山杏+平榛灌叢、荊條+三椏繡線菊+螞蚱腿子灌叢等。

1.2 數據獲取

1.2.1 遙感影像數據

研究采用的遙感影像數據是2012年8月獲取的HJ- 1A衛星CCD(Charge-coupled Device，電荷耦合元件)多光譜影像以及同時期的資源三號衛星影像。HJ- 1A衛星CCD相機星下點空間分辨率為30 m，掃描幅寬360 km(單臺)，光譜范圍覆蓋包括藍色波段(0.43 —0.52 μm)、綠色波段(0.52—0.60 μm)、紅色波段(0.63—0.69 μm)以及近紅外波段(0.76—0.90 μm)。研究表明HJ衛星CCD多光譜數據可以滿足植被指數提取和相關研究的要求[12- 13]。資源三號衛星影像包括分辨率為2.1 m的正視全色數據，分辨率為3.5 m的前視、后視全色數據以及分辨率為5.8 m的正視多光譜數據。資源三號測繪衛星圖像分辨率高、圖像幾何精度和定位精度較高，具有1∶50000比例尺立體測圖能力。

圖1 研究區位置示意圖Fig.1 Location of study area schematic plot

1.2.2 樣點布設及地面實測數據

野外實地生物量采集于2012年8月進行，屬于全國生態環境十年變化(2000—2010年)遙感調查與評估項目的一部分工作。2012年6月開展的全國生態環境十年變化(2000—2010年)遙感調查與評估工作持續近3個月，實際核查點1206個(圖2中列出了研究區內的部分)，采集生物量樣本超過240個，覆蓋北京市全境，主要集中在北部山區。核查內容包括覆蓋類型、覆蓋度、優勢種群、植被功能、周圍環境描述，并進行拍照；如果是山區則增加坡度、坡向、海拔、土壤類型、土壤厚度、基巖等地質描述。野外核查過程中記錄GPS行經路線，無法到達的地方通過同時期的高分衛星影像如Quickbird、Worldview- 2等進行估計。

圖2 野外實地采樣樣地分布Fig.2 The distribution of sample districts

野外實地生物量采集數據用于生物量反演模型的擬合及模型預測精度的檢驗。根據灌叢分布的區域特征及灌叢分布范圍的大小，綜合考慮海拔分布特點按照不同灌叢類型進行樣方的設定，樣區分布見圖2。在海拔200 m到1500 m范圍內，選定荊條+酸棗灌叢樣地11個，荊條+三椏繡線菊叢樣地9個，荊條+山杏灌叢樣地10個，共布設30個100 m×100 m的樣地。每個樣地內布設3個30 m×30 m的樣區，每個樣區內布設3個10 m×10 m的小樣方進行生物量采集，以保證每個樣區對應遙感影像的一個像元大小(圖2c)。由于野外地形因素和天氣條件的限制，研究區內最終實際布設樣區60個，得到有效數據48組。

在每個樣方區域內統計優勢物種、株叢數目，剪取一株叢的冠層枝葉混合承重，并做記錄，記錄內容包括樣方編號、樣區中心點GPS坐標、樣方中心點GPS坐標、優勢灌木種、株叢數目、采樣鮮重、樣方株叢數、株高、多度、葉面積指數(LAI)等，并拍攝魚眼照片。然后將每個樣區內所有樣方采集的樣本混合，取100 g放入自封袋中并標記樣區號，帶回實驗室恒溫烘干并記錄凈重，計算出含水率μi。最后根據公式(1)將采樣鮮重換算為干重，并記錄。最終記錄結果為樣區內干生物量單位面積均值，單位為g/m2。

i=1,2,…,48;j=1,2,3

(1)

式中，wij為第i個樣區第j個樣方的采樣鮮重，nij為第i個樣區第j個樣方內的株叢數，μi為第i個樣區的植被含水率，Wi為該樣區單位面積植被生物量干重。

所有樣區最終的記錄數據分別按照試驗用途和灌叢類型進行分組。采用分層抽樣方法，最終選取其中36組數據用于擬合生物量模型，其余12組數據用于模型預測精度的檢驗。

1.2.3 其他數據

研究準備的其他數據包括：2006年北京地區植被分類圖，2010年北京地區植被分布圖，2012年北京市植被分布圖及植被資源規劃資料以及2012年北京部分山區高分辨率衛星影像。需要說明的是，2010年和2012年的植被分布圖是粗略的紙質圖樣，精度及分辨率有待考證，只用作分類時的參考數據。在進行研究區灌叢提取時主要基于2006年北京地區植被分類圖和野外調查結果作為樣本選取的依據。

1.3 數據處理方法及流程

1.3.1 遙感影像數據處理

本次研究的遙感影像數據處理包括遙感影像預處理及植被指數提取、DEM系列數據提取3個部分。首先根據絕對輻射定標參數對分別對環境衛星遙感影像和資源三號衛星遙感影像進行輻射定標，將各波段像元亮度值(DN)值轉為表觀輻射亮度；鑒于影像獲取時研究區上空晴朗無云，采用(FLAASH)大氣校正模塊對影像進行大氣校正，得到反射率圖像；然后結合1∶50000地形圖和采樣點(作為地面控制點)對影像進行正射校正，誤差控制在0.5個像元以內；之后對影像進行裁剪，得到研究區影像。最后利用資源三號衛星前、后視全色波段影像提取得到10 m精度的DEM數據，并生成坡度坡向和山體陰影數據，用于面向對象分類提取荊條及其伴生灌叢分布。

遙感影像上的植被信息，主要是通過綠色植物葉片和植被冠層的光譜特性及其變化差異反映的。不同光譜波段所獲得的植被信息與植被的不同要素或某種特征狀態有各種不同的相關性。因此，在建立遙感生物量方程時，選定適合該區域該季節的遙感指示因子就顯得極為重要。考慮到灌叢群落的分布和立體結構的特點，其植被指數易受到土壤背景的影響，研究選取10種植被指數(表1)進行反演模型的擬合。

1.2.5 荊條灌叢分布提取

荊條灌叢分布的提取基于2006年北京市植被分類圖和野外調查結果。將植被分類圖中除灌木之外的類型全部剔除；然后基于資源三號衛星前后視全色波段影像提取得到10 m精度DEM數據，進而分別提取得到10 m精度坡度、坡向數據以及山體陰影數據；根據地理上對陽坡陰坡的劃分，陽坡一般為南、西南、西、西北，據此利用DEM和坡度、坡向數據，通過山體陰影數據及通視分析方法，將灌叢分布劃分為若干子區域；結合研究區的地理分布特征和野外生態調查結果，綜合3個方面的數據采用面向對象分類方法提取得到灌叢分布區域，通過設置閾值范圍和對象特征參數，成功地剔除了陰影、溝谷、純陰坡、以及梯田果林等干擾因素，得到2012年8月研究區荊條灌叢及其伴生灌叢分布結果(圖3)。

表1 本研究中用到的植被光譜指數

圖3 北京山區灌木群落分布Fig.3 The distribution of shrub in Beijing mountainous area

1.2.6 雙線性內插提取采樣點參數

植被指數圖像中，一個混合像元的值代表一個樣區內(30 m×30 m)混合植被指數值。由于采樣點數據是矢量結構，各樣本點植被指數值取其所在植被指數圖像上對應像元值進行雙線性內插的結果。配合生物量采集以30 m×30 m為統計單元，以保證反演結果的可靠性。如圖2c樣方區域中心點取值采用雙線性插值算法得到。

雙線型內插值算法充分利用了源圖中虛擬點四周的4個真實存在的像素值來共同決定目標圖中的一個像素值(圖4)，其算法描述如下：

對于一個目的像素，設置坐標通過反向變換得到的浮點坐標為(i+u，j+v) (其中i、j均為浮點坐標的整數部分，u、v為浮點坐標的小數部分，是取值[0，1)區間的浮點數)，則這個像素的值f(i+u，j+v) 可由原圖像中坐標為 (i，j)、(i+1，j)、(i，j+1)、(i+1，j+1)所對應的周圍4個像素的值決定，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)表示源圖像(i，j)處的的像素值，以此類推。

圖4 雙線性內插算法示意圖Fig.4 Schematic plot of bilinear interpolation

1.4 回歸模型及精度評價

采用回歸擬合方法估算生物量，將單一植被指數作為自變量采用最小二乘擬合的方法得到一個線性或者非線性方程的方法已被廣泛應用[24- 26]。此外，研究表明，處于生長狀態的植被干生物量與多種植被指數存在相關關系[27- 29]。綜合考慮多種植被指數最優組合來預測或者估算生物量，更具有實際意義。

回歸分析是研究一個變量(被解釋變量)關于另

一個(些)變量(解釋變量)的具體依賴關系的計算方法和理論。研究選取多元線性模型(公式3)，將灌叢冠層生物量抽象為一種現象，將各種植被指數抽象為多個不同影響因子，并嘗試采用回歸模型來解釋它們的定量關系。

其中，作為輸入變量植被指數的篩選是多元線性模型建立的關鍵。其遵循的準則為：(1)所選用植被指數與生物量呈密切相關性；(2)所選用植被指數之間具有一定的互斥性，其相互間相關程度不應高于與生物量之間的相關程度；(3)生物量實地采樣值具有完整的統計數據，其預測值容易確定。

Y=b0+b1x1+b2x2+···+bkxk+ε

(3)

式中，b0，b1，b2，…，bk為k+1個待定參數，ε為隨機誤差。

灌木群落葉生物量反演模型擬合結果精度評價指標選用相關系數法。相關系數法包括求解相關系數(預測決定系數)r、精度(或系統誤差)SE及均方根誤差RMSE等。

1.5 技術流程

研究采取的主要技術流程見圖5，主要包括5個部分：荊條灌叢分布提取；遙感數據預處理及植被光譜指數提取；地面采樣數據的處理；模型擬合及精度評價；荊條灌叢冠層生物量分布制圖。

2 結果及討論

2.1 生物量反演

研究采用回歸分析方法，利用(3)式對北京山區灌木群落葉生物量進行擬合，在要求誤差平方和(∑(εi)2)為最小的前提下，用最小二乘法求解參數。經正態分布檢驗，因數據不服從正態分布，故相關分析時采用Kendall相關系數，將10組植被指數數據與生物量實測結果進行相關分析及篩選。結果表明NDVI、OSAVI、MTVI2、GNDVI、NLI、MSAVI、RDVI以及IPVI與灌叢冠層生物量具有顯著相關關系，TVI和MSR數據與生物量相關關系不顯著；NDVI與MSAVI、GNDVI、MTVI2、MSR、RDVI、IPVI以及OSAVI有顯著相關關系，同時OSAVI、MSAVI與其他植被指數之間也存在顯著相關關系(表3 )。

圖5 整體技術流程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下顯著 Correlation is significant at the 0.05 level; **表示在α=0.01下顯著 Correlation is significant at the 0.01 level

前文提到，多元回歸模型建立必須遵循4條準則。綜合表3中的分析結果，為保證樣本變量相互獨立且低相關，剔除與其他植被指數普遍存在相關關系的NDVI、OSAVI和MSAVI，選取TVI、MTVI2、GNDVI、NLI、MSR、RDVI以及IPVI7種植被指數進行回歸擬合建立生物量模型，得到擬合結果見(4)式。從表4中模型的各項評價指標來看，決定系數R2為0.856，標準誤差SE達到58.5 g/m2，顯著性Sig.為顯著水平，說明擬合模型具有良好的魯棒性，可以較好地表達植被指數與灌木群落葉生物量的定量關系。Y=-104253.387-85482.063GNDVI+377776.959IPVI+7694.928MSR-114067.876MTVI2-48852.631NLI-9672.167RDVI+8054.238TVI

(4)

表4 模型匯總及ANOVA*

*ANOVA: 方差分析(Analysis of Variance)，又稱“變異數分析”或“F檢驗” ;**表示在α=0.01下顯著

2.2 預測精度檢驗及生物量空間分布制圖

根據得到的最優擬合模型建模進行灌木群落冠層生物量反演，得到北京山區灌木群落冠層生物量結果。提取12組采樣點植被指數數據，并結合12組樣本點實地采樣數據進行反演模型預測精度檢驗。從圖6中可以看出，總體樣本點分布均落在1∶1等值線附近，擬合Y=X等值線的平均剩余殘差平方和Chi2/Dof為8905.97808，R2為0.865，其中一次項系數P1誤差為±0.10105，常數項P2誤差為±89.13644，反演結果與實測值標準誤差SE為98.1 g/m2。此外，估算生物量數據點呈現一定程度的離散，在高值和低值區域出現了一定的偏離。總體上來說，研究得到的多元線性模型對研究區荊條灌叢冠層生物量反演結果具有較好的預測能力。根據得到的反演模型對研究區灌木群落冠層生物量進行預測估算，得到2012年8月研究區荊條灌叢冠層生物量空間分布見圖7。

圖6 實際生物量與預測結果對比Fig.6 Comparison between predicted and actual leaf biomass

圖7中冠層生物量分布規律與實際的灌叢群落分布具有相似的特征，總體呈中心向四周遞減的分布規律。研究區中部位于懷柔密云交界一帶，多為森林公園或風景名勝區且海拔較高，日照充足，因而灌叢生長茂盛，株高較高，荊條、酸棗等灌叢株高達到1.8 m，山杏、鵝耳櫪等株高可達2.5 m以上。同時，冠層具有多層結構，密度及覆蓋度較大。研究區東部位于密云水庫西側，受到密云水庫的影響，多草本植物以及喬木分布，灌叢優勢不明顯，分布較為稀疏加之草本植物的的混生使此處區域的生物量反演結果偏大。昌平北部的山區海拔較低，灌叢主要以荊條、三椏繡線菊、酸棗以及野瑞香、螞蚱腿子為主，植株矮小且株叢分布較為稀疏。特別是東北部，由于海拔較低，受人類活動影響較大，植被破壞嚴重，地表較多土壤裸露。研究區西北部區域位于延慶縣東北部，平均海拔500 m以上，多陽坡半陽坡，日照充足且水資源豐富，適宜植被生長，灌叢以荊條、山杏、酸棗、平榛、三椏繡線菊等為主，株叢密度較高，在低山地區廣有分布。

圖7 2012年8月北京山區灌木群落葉生物量分布結果Fig.7 Spatial distribution of shrub leaf biomass in Beijing mountainous area

2.3 討論

通過對比分析10種植被指數與生物量的相關關系，表明在植被冠層密度適中的情況下， NDVI等比值型差值植被指數可以有效地預測地表植被覆蓋特征；但植被冠層過于稀疏時，背景信號(如土壤、裸巖等)會嚴重后果影響植被指數計算結果；而當植被冠層過于濃密，植被指數值又會趨于飽和，這是因為當植被冠層變得濃密時，綠光和紅光波段的反射率變化不大，而近紅外波段的反射率會持續增加[30]。20世紀末，國外學者基于NDVI提出了土壤調節植被指數(SAVI&OSAVI)用以減小土壤背景影響，但前提是必須得知植被冠層密度。而在實際條件下，很難預先得知植被冠層密度，因此難以對其進行優化。研究表明，相對于其他植被指數而言，TVI和MTVI2等修正型植被指數具有較高的信噪比(SNR, Signal-to-Noise Ratio)，增強了植被動態響應能力，并且可以明顯弱化土壤背景的影響。

由于灌木群落分布不連續、不均勻的特點，加之特殊的立體結構特征，在遙感影像中混合像元容易受到土壤背景的影響。由于灌木群落耐寒旱能力強，在海拔較高土壤貧瘠的地區也有分布，在此區域的灌木群落葉片的反射率極易受到土壤和巖石背景的影響。因此利用植被光譜指數進行灌木群落葉生物量反演，NDVI以及GNDVI等植被指數由于受到土壤背景的干擾，與生物量的相關關系不是很明顯；而IPVI、RDVI和MTVI2在一定程度上削弱了土壤背景的影響。總體看來，由于部分地區巖石裸露，削弱了植被的響應能力，致使植被指數值偏低，造成局部值偏低；而由于灌木群落株叢枝葉立體分布的影響，部分地區實際采樣值偏大，造成部分地區估測值偏高。

3 結論

灌木群落對生態環境構成和能量循環具有重要影響，研究基于環境衛星數據和野外實地采樣統計數據，利用回歸分析模型來描述植被光譜指數與荊條灌叢冠層生物量的定量關系，估算了2012年8月北京山區灌木群落葉生物量空間分布，結論如下：

(1)MTVI2、RDVI、IPVI以及OSAVI與研究區灌木群落葉生物量具有較好的相關關系，相關系數分別為0.826、0.825、0.817和0.810，表明三者不僅增強了對山地植被的響應能力，而且明顯削弱環境背景的影響。

(2)由TVI、MTVI2、GNDVI、NLI、MSR、RDVI以及IPVI 7個參數擬合的多元線性模型具有較好的精度和預測能力，能夠較好地用于估算荊條灌叢冠層生物量。其模型顯著性為顯著(α<0.01)，模型決定系數為0.856，標準誤差為58.5 g/m2。

(3)生物量回歸模型的局限性在于其受制于特殊的時間和環境條件，以及野外采樣的季節。在不同的季節、不同地域條件下，得到的模型有明顯的區別。經過選取不同樣本組合進行試驗，本文提出的多元線性模型估算生物量結果與實際野外采樣數據各項評價指標變化不大，表明在一定時間和地域條件下，提出的方法具有一定的可重復性。

致謝：此次野外數據采樣方案制定及實施得到北京市環保局環境檢測中心、二十一世紀空間技術應用股份有限公司以及重點實驗室各位同學的幫助，衛星數據和相關參數的獲取得到國家測繪地理信息局衛星測繪應用中心以及中國資源衛星應用中心的大力支持，特此致謝。

[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, Go?ta 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.

參考文獻:

[4] 高明亮, 趙文吉, 宮兆寧, 赫曉慧. 基于環境衛星數據的黃河濕地植被生物量反演研究. 生態學報, 2013, 33(2): 542- 553.

[5] 杜寧, 張秀茹, 王煒, 陳華, 譚向峰, 王仁卿, 郭衛華. 荊條葉性狀對野外不同光環境的表型可塑性. 生態學報, 2011, 31(20): 6049- 6059.

[6] 尹志芳, 歐陽華, 徐興良, 宋明華, 段德玉, 張憲洲. 拉薩河谷灌叢草原與農田水熱平衡及植被水分利用特征. 地理學報, 2009, 64(3): 303- 314.

[7] 杜建會, 嚴平, 董玉祥. 干旱地區灌叢沙堆研究現狀與展望. 地理學報, 2010, 65(3): 339- 350.

[8] 袁素芬, 陳亞寧, 李衛紅, 劉加珍, 孟麗紅, 張麗華. 新疆塔里木河下游灌叢地上生物量及其空間分布. 生態學報, 2006, 26(6): 1818- 1824.

[9] 黎燕瓊, 鄭紹偉, 龔固堂, 陳俊華, 唐波, 朱自芳, 吳雪仙, 慕長龍. 不同年齡柏木混交林下主要灌木黃荊生物量及分配格局. 生態學報, 2010, 30(11): 2809- 2818.

[12] 陳鵬飛, 王卷樂, 廖秀英, 尹芳, 陳寶瑞, 劉睿. 基于環境減災衛星遙感數據的呼倫貝爾草地地上生物量反演研究. 自然資源學報, 2010, 25(7): 1122- 1131.

[24] 李仁東, 劉紀遠. 應用Landsat ETM數據估算鄱陽湖濕生植被生物量. 地理學報, 2001, 56(5): 532- 540.

[25] 吳濤, 趙冬至, 康建成, 張豐收, 程璐. 遼東灣雙臺子河口濕地翅堿蓬 (Suaedasalsa) 生物量遙感反演研究. 生態環境學報, 2011, 20(1): 24- 29.

[29] 郭玉川, 何英, 李霞. 基于MODIS的干旱區植被覆蓋度反演及植被指數優選. 國土資源遙感, 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

國家青年科學基金項目(41101404); 國家基礎測繪項目(2011A2001 ); 北京市教委科技計劃面上項目(KM201110028013 ); 博士基金項目(20111102110004)

2013- 04- 17;

2013- 09- 04

10.5846/stxb201304170725

*通訊作者Corresponding author.E-mail: gongzhn@163.com

高明亮，宮兆寧，趙文吉，高陽，胡東.基于植被指數的北京軍都山荊條灌叢生物量反演研究.生態學報,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.