基于高光譜特征參數荒漠草原生物量估測研究

殷曉飛，王春光，王海超，張文霞，宗哲英，張海軍

(1.內蒙古農業大學 機電工程學院，呼和浩特 010018；2.呼和浩特職業學院 機電工程學院，呼和浩特 010051)

0 引言

草地生物量是單位面積內牧草積累的物質質量，是草地生態系統的重要指標之一。草地生物量常采用模型法和經驗法進行估測，但費時費力，不利于大面積開展且具有一定的破壞性[1]。高光譜遙感具有視野宏觀、動態的特點，是進行大尺度草地動態監測最為有效的工具之一，能夠實現草地類型識別、草地退化監測、植物生物化學參數檢測及植被覆蓋度、含水率、葉面積指數的估算。高光譜遙感已被廣泛應用于草地生物量的估算，M. Mirik等對美國懷俄明州黃石國家公園的地面植物總量進行了估算[2]；F. Fava等證明了高光譜數據在冠層水平上估算干草草生物量和植物多樣性指標的潛力[3]；MA. Cho比較了偏最小二乘回歸、歸一化植被指數、紅邊位置對草地的生物量估算精度，結果表明偏最小二乘回歸的精度最高[4]；安海波等對內蒙古烏蘭察布市四子王旗和呼和浩特市和林格爾縣天然和人工草地冠層光譜數據和生物量進行分析，發現估算草地生物量最佳估算模型為優化后的歸一化光譜指數[5]；胥慧等利用高光譜遙感對秋季干枯牧草生物量進行研究，發現高光譜特征參數和草地生物量具有較高的相關性[6]；段敏杰等對西藏北部高寒草原的光譜反射率和植被生物量進行測量分析，得出不同放牧強度下地上生物量和光譜植被指數之間存在顯著相關性[7]；孫成明等運用回歸分析方法分析歸一化植被指數與生物量的相關關系，構建了南方草地地上生物量的光譜估算模型[8]；吳建付等利用高光譜遙感進行了草地分類和生物量估測等研究[9]；劉占宇等對內蒙古自治區錫林郭勒盟的天然草地進行了高光譜遙感地面觀測[10]。

關于草地生物量的高光譜遙感估測模型因研究時間、區域、草地類型和光譜指數選擇不同而有所差別。從目前研究現狀來看，針對鄂爾多斯荒漠草原建立草地生物量高光譜遙感估測模型還未見相關報道。因此，利用近地面高光譜在不同退化梯度下估算鄂爾多斯荒漠草原草地生物量，能夠為開展草地生態效益評價、退牧還草效益檢測和航空遙感精細解譯提供技術支持，促進高光譜遙感技術在草地定量檢測中的應用，為合理制定草地載畜量提供科學依據。

1 試驗部分

1.1 研究區概況

研究區位于內蒙古自治區鄂爾多斯市西部鄂托克旗境內，東經106°41′-108°54′，北緯38°18′-40°11′，平均海拔1 800m，年降水量為250mm，主要集中于7～9月，年均氣溫6.4℃；境內地貌以波狀高原為主，西北高，東南低；天然草地以溫性荒漠草原為主，草地資源總面積為197.5萬hm2，可利用面積為174.7萬hm2，占草場總面積的88.43%。

1.2 試驗設計

根據李博提出的草地退化分級理論及相關專家多年實踐經驗[11]，結合氣象資料，從鄂托克旗選出4個樣點，放牧強度基本一致，土壤類型均為棕鈣土。依草地干旱及利用程度由東向西劃分為對照(CK)、輕度退化(LD)、中度退化(MD)和重度退化(HD)[12]。 試驗區內主要植被包括狹葉錦雞兒(Caraganastenophylla)、短花針茅(Stipabreviflora)、冷篙(Artemisiafrigida)、無芒隱子草(Cleistogenessongorica)、豬毛菜(Salsolacollina)和砂藍刺(Echinopsgmelini)等。

1.3 冠層光譜測量

采用美國ASD(Analytical Spectral Devices)公司便攜式高光譜儀器(350～1830nm)。其中，350～1 000nm光譜采樣間隔為1.4nm，光譜分辨率為3nm；1 000～1 830nm光譜采樣間隔為2nm，光譜分辨率為10nm。光譜測定在2014-2016年每年7月和8月選擇晴朗無云無風天氣，于10：00-14:00進行測定。采集數據前，先使用軟件程序進行白板校正與去除暗電流操作，光譜采集探頭視場角為25°；采集冠層數據時探頭垂直于植被冠層上方，高度根據采樣植被冠層大小計算確定，每組樣品每間隔1s連續采集10次，將10次光譜平均后作為本組光譜數據。草地冠層反射光譜在草地類型、植被蓋度、植物水分、土壤類型和大氣狀況等多種因素作用下形成綜合的反射光譜。本文選取試驗樣地不同退化梯度下典型植物狹葉錦雞兒、短花針茅，退化指示植物無芒隱子草和冷蒿的草地類型進行光譜測量和數據采集。

1.4 生物量測定

光譜數據采集后，在光譜測量區域正下方，將50cm×50cm樣方內的植物鮮樣用剪刀齊地面剪下，按種類分別裝入自封袋，使用計量單位為1‰g天平立即其稱鮮重，并貼標簽。

1.5 高光譜特征參數提取

高光譜特征參數是從原始光譜、一階微分光譜提取的基于高光譜位置變量、面積變量和植被指數變量等3種類型共19種特征參數，如表1所示。

2 結果與分析

2.1 草地生物量與高光譜變量相關分析

2.1.1 草地生物量與原始光譜相關分析

草地生物量與原始光譜相關分析如圖1所示。波長小于759nm時，原始光譜反射率與草地生物量呈負相關，在673nm相關系數達到最大，相關系數為-0.759，形成一個波谷；波長在759～943nm之間時，光譜反射率與草地生物量呈正相關，但相關性較差；波長在944～1 349nm和1 418～1 798nm之間時，原始光譜反射率與草地生物量呈負相關，波長在1 460nm時達到最大，相關系數為-0.709；波長在350～739nm和1 144～1 798nm之間時光譜反射率和草地生物量之間的相關系數均達到極顯著性檢驗水平。

表1 高光譜特征參數的定義和描述

續表1

————表示P≤0.05顯著相關(r=-0.079)水平線；——表示P≤0.01極顯著相關(r=-0.103)水平線。

圖1 草地生物量與原始光譜相關分析

Fig.1 Correlation Analysis of Grassland Biomass and Primitive Spectrum

2.1.2 草地生物量與一階微分光譜變量相關分析

反射率采用光譜微分技術處理提取一階微分，能夠有效地消除大氣效應、陰影和土壤等對植被環境的影響，更好地反映植物本質特征，增強光譜曲線在坡度上的細微變化。草地生物量與一階微分光譜變量相關分析如圖2所示。

————表示P≤0.05顯著相關(r=±0.080)水平線；——表示P≤0.01極顯著相關(r=±0.104)水平線。

圖2 草地生物量與一階微分光譜相關分析

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

草地生物量與一階微分光譜之間在508～531nm和679～760nm呈正相關，達到極顯著性檢驗水平；在710nm，相關系數達0.812，且為全波段范圍內相關系數最大值，位于紅邊范圍；草地生物量與一階微分光譜之間在421～505nm和535～673nm呈負相關，達到極顯著性檢驗水平；在568nm，相關系數達-0.789；草地生物量與一階微分光譜之間在其余光譜階段相關性較差。

2.1.3 草地生物量與高光譜特征參數相關分析

草地生物量與高光譜特征參數相關系數如表2所示。由表2可知：草地生物量與高光譜特征參數位置變量Dy、DR、Rg和Rr之間的相關系數較大，與Db、λy和λg之間的相關系數相對較小，上述變量均達到極顯著性檢驗水平。草地生物量與高光譜特征參數面積變量之間的相關系數中，與SDb相關系數較小，與SDy和SDR相關系數較大，且SDy呈負相關，SDR呈正相關，均達到極顯著性檢驗水平。草地生物量與高光譜特征參數植被指數變量之間的相關系數中，除SDR/SDy相關系數較小，其余相關系數都在0.7左右且都呈正相關，均達到極顯著性檢驗水平。在所有的高光譜特征參數中，SDR/SDb與草地生物量的相關系數最大，達到0.792。草地生物量與λb、λR、λr、SDR/SDy的相關關系未達到顯著檢驗水平，表明上述高光譜特征參數對草地生物量的變化并不敏感。

表2 草地生物量與高光譜特征參數相關系數

Table 2 Correlation coefficient between grassland biomass and hyperspectral characteristic parameters

特征參數相關系數特征參數相關系數特征參數相關系數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水平上顯著相關，**在0.01水平上顯著相關。

2.2 草地生物量高光譜遙感估測模型

為了對草地生物量進行估算和精度檢驗，將在荒漠草原不同退化梯度下所獲取的600個樣本的試驗數據進行隨機抽取，分為兩組。第1組為建模樣本(n=480)，用于進行回歸分析；第2組為驗證樣本(n=120)，進行模型檢驗。為了進一步精確估算荒漠草原草地生物量，依據圖1、圖2和表2中相關系數分析，選取與草地生物量相關系數較大(大于0.7)且達到極顯著水平(P<0.01)的原始光譜敏感波段、一階微分光譜敏感波段和11種高光譜特征參數分別與草地生物量構建單變量線性與非線性的回歸模型，如表3所示。

表3 草地生物量與原始光譜、一階微分光譜變量、高光譜特征參數的線性和非線性回歸方程決定系數

續表3

*在0.05水平上顯著相關,**在0.01水平上顯著相關。

2.2.1 單變量線性與非線性回歸模型

選擇原始光譜、一階微分光譜變量與草地生物量相關系數最大波段R673、R′710，并從表2種選擇相關系數較大(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種高光譜特征參數，進行單變量線性與非線性回歸，建立草地生物量估測模型。

由表3可知：原始光譜R673、一階微分光譜R′710、9種高光譜特征參數與草地生物量的決定系數均通過0.01極顯著性檢驗水平。R673、Dy、Rg、Rr、SDy、Rg/Rr和(Rg-Rr)/(Rg+Rr)最佳估測模型為二次多項式，決定系數均大于0.5；R′710、SDR和SDR/SDb最佳估測模型為冪函數，決定系數均大于0.7；(SDR-SDy)/(SDR+SDy)最佳估測模型為指數函數，其回歸模型決定系數為0.729，且為單變量線性與非線性回歸分析中高光譜特征參數與草地生物量最佳估測模型。

2.2.2 逐步回歸模型

逐步回歸分析方法是從眾多自變量中有效選擇重要變量的一種統計方法[13]。確定與生物量相關的高光譜特征參數時，草地生物量和光譜變量值作為輸入變量，輸出結果是一系列包含不同光譜變量的多元線性方程及對應的決定系數(R2)和回歸方程檢驗值(F檢驗)。逐步回歸方程表達式為

y=p0+p1x1+p2x2+…+pixi

其中，y為因變量；xi為第i個自變量；p0為常數項；pi為y對應的偏回歸系數。

將Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb、(SDR-SDy)/(SDR+SDy)等9個高光譜特征參數作為自變量，草地生物量作為因變量，進行逐步回歸分析。步進條件為：當F的概率≤0.05時，變量輸入；當F的概率≥0.10時，變量去除。分析結果決定系數最大時在選定的9個高光譜特征參數中只有4個變量入選，用于草地生物量估測模型的逐步回歸方程如下：y=371.484+1713.954x1-2166.5x2+1207.404x3+5760.705x4。其中，x1為(Rg-Rr)/(Rg+Rr)、x2為Rg、x3為SDR、x4為SDy，其決定系數為0.709。可以看出：草地生物量的特征變量根據重要性由大到小依次是(Rg-Rr)/(Rg+Rr)、Rg、SDR和SDy。

2.2.3 BP神經網絡回歸模型

采用BP神經網絡進行回歸模型建立，網絡共有輸入層、中間層和輸出層3層。將相關系數較高的Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb、(SDR-SDy)/(SDR+SDy)等9個高光譜特征參數作為神經網絡的輸入神經元，將草地生物量作為輸出神經元，經過多次訓練比較分析得到中間層神經元的個數為5。結果表明：估算值與實測值的決定系數R2為0.766，RMSE為40.19g/m2，相對誤差為29.88%。模擬精度較逐步回歸分析法有所提高。

2.2.4 草地生物量的高光譜遙感估測模型精度驗證

上述表中挑選決定系數在0.7以上的回歸方程，作為估測模型進行驗證。模型精度通過估算值與實測值之間的決定系數R2、均方根誤差RMSE(Root Mean Square Error)和相對誤差RE(Relative Error)進行驗證。最優的估測模型，應該估算值與實測值具有較高的決定系數(R2)，較小的均方根誤差RMSE和相對誤差RE。

草地生物量估測模型的精度驗證如表5所示。從表5中可以看出：基于冪函數和指數函數單變量回歸模型決定系數小于基于多變量逐步回歸和BP神經網絡。在預測的4種模型中，BP神經網絡的多變量回歸預測模型最優，此時草地生物量實測值與估算值決定系數最大，為0.766；均方根誤差RMSE和相對誤差RE值均最小，分別是40.19g/m2和29.88%。

表5 草地生物量估測模型的精度驗證

為更直觀反映各模型的預測效果，繪制草地生物量實測值與估算值1:1關系圖，如圖3所示。從圖3中可以看出：BP神經網絡估算值與實測值分布最接近1:1黑色實線。這說明，該模型預測效果最好。

圖3 基于不同模型的草地生物量的實測值與估算值1:1分布圖

3 結論與討論

鄂爾多斯荒漠草原草地生物量與草地冠層原始光譜、一階微分光譜和高光譜特征參數都顯著相關。其中，在673nm波段，原始光譜與草地生物量相關系數為-0.759；在710nm波段，一階微分光譜與草地生物量相關系數為0.812，Dy、Rg、Rr、SDy、SDR、Rg/Rr、(Rg-Rr)/(Rg+Rr)、SDR/SDb和(SDR-SDy)/(SDR+SDy)等9個高光譜特征參數與草地生物量相關系數均大于0.7，其中SDR/SDb相關系數最大，相關系數為0.792。

通過線性、非線性、逐步回歸和BP神經網絡等方法進行回歸分析，選取最優估測模型進行驗證分析。其中，BP神經網絡回歸模型決定系數最高，且均方根誤差和相對誤差最小，建立回歸模型最好，決定系數R2為0.766，均方根誤差RMSE為40.19g/m2,相對誤差RE為29.88%。其中，逐步回歸建立回歸模型決定系數大于冪函數和指數函數，均方根誤差小于冪函數和指數函數，但相對誤差較大。

采用原始光譜、一階微分光譜及高光譜特征參數等單變量構建的線性與非線性回歸模型，在估算草地生物量時效果相對較差，而逐步回歸和BP神經網絡充分利用多種高光譜特征參數構建回歸模型，彌補單變量信息相對較少的缺點，估算精度相對較好。其中，BP神經網絡在荒漠草原草地生物量估算結果為最優。

利用草地冠層高光譜特征參數能夠精確估測鄂爾多斯荒漠草原草地生物量，為鄂爾多斯荒漠草原的動態監測、草產估測、草地合理利用提供了科學有效的管理手段。