基于Landsat 8 OLI數(shù)據(jù)的砒砂巖區(qū)生物量遙感估算

劉雨晴, 閆 峰, 陳俊翰

(中國林業(yè)科學研究院 荒漠化研究所, 北京 100091)

在全球變暖的背景下，地球表層系統(tǒng)內(nèi)的碳匯(源)和碳循環(huán)過程等問題引起了國際社會的密切關注[1-3]。作為土壤—植被—大氣循環(huán)系統(tǒng)中的重要紐帶，植被通過光合作用和呼吸作用將大氣中CO2進行轉化和固定，對調節(jié)大氣中CO2濃度、減緩溫室效應具有重要意義。植被的地上生物量(Above ground biomass，AGB)是表征植被生命活動的重要指示因子，一般是指植物的枝、葉、花等在土壤以上的生物量，在植被生物量碳匯評價中應用廣泛[4-5]。傳統(tǒng)AGB測算方法主要是通過樣方調查采用收割的方式進行，這在實際操作中體現(xiàn)出費時、費力、效率低下等缺點，無法準確實現(xiàn)宏觀AGB定量監(jiān)測。遙感技術使信息的獲取從傳統(tǒng)的“點”測量向“面”測量有了質的飛躍，在一定程度上彌補了傳統(tǒng)AGB監(jiān)測方法的不足，被認為是實現(xiàn)大面積AGB快速監(jiān)測估算的一項切實可行的高科技手段，并具有廣闊的應用前景[6-7]。在植被AGB遙感估算研究方面，Todd等[8]利用Landsat TM數(shù)據(jù)計算的歸一化植被指數(shù)NDVI、綠度植被指數(shù)GVI等光譜指數(shù)，估算了科羅拉多東部的短草草原的生物量。Zheng等[9]采用Landsat ETM+數(shù)據(jù)研究了NDVI與松樹林AGB之間的關系并對北威斯康星松林的生物量進行了估算。Battude等[10]采用Sentinel高時空分辨率數(shù)據(jù)進行了玉米的生物量和產(chǎn)量估算。國內(nèi)學者在生物量遙感估算研究方面，牛志春等[11]利用多種植被指數(shù)建立青海湖環(huán)湖地區(qū)草地生物量遙感監(jiān)測模型，并比較多種模型優(yōu)劣。劉沁茹等[12]分析多光譜地表參數(shù)與低分辨率遙感數(shù)據(jù)森林AGB統(tǒng)計關系，建立降尺度模型并實現(xiàn)森林AGB高分辨率向低分辨率轉變。葛靜等[13]利用黃河源區(qū)草地生物量數(shù)據(jù)和MODIS衛(wèi)星遙感資料，結合農(nóng)業(yè)多光譜相機ADC數(shù)據(jù)建立草地AGB反演模型，對黃河源區(qū)高寒草地的生物量進行了監(jiān)測。劉莉等[14]利用Landsat 8數(shù)據(jù)與實測濕地AGB數(shù)據(jù)，通過生物量模型分析黃河三角洲自然保護區(qū)濕地植被生物量分布規(guī)律。綜觀當前生物量遙感估算研究成果，發(fā)現(xiàn)已有研究主要集中在森林、草原、農(nóng)田等生態(tài)系統(tǒng)，對荒漠生態(tài)系統(tǒng)研究相對較少[7]，加強荒漠生態(tài)系統(tǒng)AGB估算研究對于全面評價地球表層系統(tǒng)碳匯變化意義重大。

砒砂巖區(qū)作為我國荒漠生態(tài)系統(tǒng)中的重要地理單元，由于砒砂巖成巖程度低、沙粒間膠結程度差、結構強度低，遇水如泥、遇風成砂，水土流失非常嚴重[15]。鄂爾多斯高原是砒砂巖分布最典型地區(qū)，也是黃河粗泥沙主要來源，生態(tài)環(huán)境脆弱性問題十分突出[16]。隨著黃河流域生態(tài)環(huán)境保護上升為重大國家戰(zhàn)略，研究砒砂巖區(qū)植被生物量變化對于全面評估砒砂巖區(qū)生態(tài)環(huán)境狀況，積極推進黃河流域生態(tài)環(huán)境治理具有積極意義[17]。因此，本研究擬采用2019年Landsat 8數(shù)據(jù)對鄂爾多高原砒砂巖區(qū)植被AGB進行遙感估算，為科學了解黃河流域砒砂巖區(qū)碳匯實況和完善荒漠生態(tài)系統(tǒng)生物量遙感估算方法提供技術支持。

1 研究區(qū)概況

研究區(qū)地處鄂爾多斯高原，主要位于38°59′—39°40′N，109°59′—110°44′E，是我國砒砂巖的主要分布區(qū)之一，也是我國北方農(nóng)牧交錯帶的生態(tài)脆弱區(qū)，主要包括內(nèi)蒙古自治區(qū)伊金霍洛旗、準格爾旗，陜西省神木縣、府谷縣。氣候類型為中溫帶大陸性氣候，受季風影響，冬季多西北風，漫長而寒冷，夏季受偏南暖濕氣流影響，雨熱同期，春季多風少雨，秋季涼爽。四季分明，無霜期較長，日照充足[18]。多年平均氣溫6.2～8.7℃，累計夏季平均日較差12.2℃，冬季平均日較差14.4℃；年降水量340～420 mm，降水主要集中在6月和8月，占年總降水量的64%，降水量在空間分布上體現(xiàn)為自東南向西北逐漸遞減的特征。年日照時數(shù)為2 740～3 100 h，植被類型獨特，以荒漠草原群落、典型草原群落、沙生植物群落、局部灘地植被為主[19]；土壤類型以栗鈣土、棕鈣土、灰鈣土、灰漠土和潮土為主[20]。

2 研究數(shù)據(jù)與方法

2.1 研究數(shù)據(jù)

研究中采用Landsat 8 OLI遙感影像(Path/Row：127/33)，影像成像時間為2019年8月23日。影像成像期研究區(qū)自然植被生長旺盛，AGB基本處于其年內(nèi)最大值狀態(tài)。所選影像研究區(qū)上空無云層遮擋，成像質量良好。對影像采用基于MODTRAN4模型的FLAASH模塊進行輻射校正和大氣校正，校正中選用中緯度夏季大氣模型及鄉(xiāng)村氣溶膠模型，獲得研究區(qū)各波段的地物反射率數(shù)值。

在地面生物量調查方面，2019年8月在研究區(qū)開展地面植被調查和生物量測定試驗。在生物量調查時選擇有代表性的樣地設置10 m×10 m樣方，在每個樣方內(nèi)部選擇3個1 m×1 m的小樣方并用GPS記錄采樣點的位置。在采集樣方內(nèi)齊于地面上方植物的莖葉部分，并稱重記錄裝袋，將每一個樣地所采集的植物帶回實驗室，在54℃的烘箱內(nèi)進行烘干至重量不再變化時，取3個小樣方測量值的平均值為該樣地的AGB，植被調查共獲取47個有效地面樣方生物量數(shù)據(jù)。

2.2 研究方法

利用遙感各波段間線性或者非線性相互組合成的植被指數(shù)可反映植被的綠色植被葉面積指數(shù)、植被覆蓋度、綠色生物量等90%以上的植被信息，利用植被指數(shù)探測研究區(qū)內(nèi)AGB具有較高靈敏性[21-22]。在眾多的植被指數(shù)中，NDVI(歸一化植被指數(shù))是目前最常見應用最廣泛的植被指數(shù)，通過對紅與近紅外波段進行歸一化處理，能較好反映植被空間分布狀況與生長狀況。RVI(比值植被指數(shù))計算較為簡單，易操作性使得該植被指數(shù)應用較為廣泛。SAVI(土壤調節(jié)植被指數(shù))[23]在NDVI基礎上加入了土壤調節(jié)因子，減少了土壤背景影響。而MSAVI(修正土壤調節(jié)植被指數(shù))[24]不但可以消除土壤背景，還適合于植被覆蓋度不同的下墊面。本研究中選擇應用較為廣泛的NDVI，RVI，SAVI和MSAVI研究砒砂巖區(qū)AGB遙感估算能力差異。

(1)

(2)

(3)

(4)

式中:ρNIR為近紅外反射率；ρR為可見光紅波段反射率；L為土壤調節(jié)系數(shù),一般取0.5。

砒砂巖區(qū)地處荒漠生態(tài)系統(tǒng)植被稀疏，在Landsat 8 OLI像元尺度水平上地物的空間異質性依然十分明顯。在地面生物量測定地理定位中受衛(wèi)星信號和GPS靈敏度差異等因素的影響，真實地理位置和GPS定位之間存在一定的誤差。在遙感影像方面，遙感系統(tǒng)中成像系統(tǒng)本身以及圖像幾何校正也會使影像產(chǎn)生誤差。濾波處理能有效抑制圖像噪聲并在一定程度上降低地表異質性的影響，在砒砂巖區(qū)AGB遙感估算中采用空間濾波的方法，以減小空間異質性和衛(wèi)星系統(tǒng)定位誤差對生物量遙感估算精度的影響。因此，本研究在地上生物量遙感估算中，首先比較分析多種植被指數(shù)與地面實測AGB之間的相關性，其次選用與AGB相關性較高的植被指數(shù)，研究其經(jīng)不同濾波處理后與AGB之間相關性變化，最后選擇相關性最高的植被指數(shù)與地面實測AGB建立統(tǒng)計回歸模型，在模型誤差分析的基礎上最終實現(xiàn)AGB遙感估算。

3 結果與分析

3.1 生物量與植被指數(shù)的相關性

把經(jīng)大氣校正后的遙感影像的各波段反射率帶入公式(1)—(4)分別計算研究區(qū)的NDVI，RVI，SAVI和MSAVI等植被指數(shù)，并分析4種植被指數(shù)與準實時測定的AGB的相關性(圖1)。結果表明NDVI和RVI在p<0.05水平上與AGB顯著相關，其相關系數(shù)分別為0.371，0.361；SAVI和MSAVI在p<0.01水平上與AGB顯著相關，其相關系數(shù)分別為0.626，0.665。4種常用的植被指數(shù)中AGB-MSAVI和AGB-SAVI相關性明顯高于AGB-NDVI和AGB-RVI，其中AGB-MSAVI的相關性最為顯著。因此，本研究在砒砂巖區(qū)AGB遙感估算中選擇MSAVI與地面實測生物量做進一步的建模分析。

圖1 4種植被指數(shù)與AGB空間散點圖

3.2 植被指數(shù)的濾波處理

遙感影像濾波處理在一定程度上能夠較好地減少影像噪聲，圖像常用的空間濾波處理主要有低通濾波(Low Pass Filter,LPF)、中值濾波(Median Filter,MF)、高通濾波(High Pass Filter,HPF)等方式。低通濾波屬于頻率域算法，可以增強圖像的某些頻率特征，改變地物目標與鄰域或者背景之間的灰度反差，能濾除圖像中高頻部分，模糊圖像的邊緣及尖銳噪聲。高斯低通濾波相對于理想低通濾波可以濾掉由于孤立的單點噪聲而引起的灰度偏差而抑制圖像的“振鈴”現(xiàn)象。中值濾波具有抑制噪聲(尤其是脈沖噪聲)和保護邊緣的特征，通過取中值方法賦予濾波核中心新值，在隨機信號處理中效果明顯[25]。高通濾波與低通濾波相反，圖像處理中通過濾除圖像中低頻部分實現(xiàn)噪聲去除。這些濾波均有平滑效果，能對影像進行平滑處理，減少影像空間異質性，減小定位誤差的影響?？臻g濾波一般是通過濾波器在空域上使用空間卷積技術在原圖上移動活動窗口進行局部運算，通過建立一個含有由系數(shù)矩陣或者權重因子矩陣構成的移動窗口，大小一般為奇數(shù)個像元，如3×3，5×5，7×7等。

鄂爾多斯高原砒砂巖區(qū)地表裸露地較多，影像噪聲主要表現(xiàn)為高頻噪聲較強，分別對MSAVI影像采用高斯低通濾波(Gaussian Low Pass Filter,GLPF)、低通濾波、中值濾波3種濾波方式，并按濾波窗口3×3，5×5，7×7進行計算。后文分析中以3×3，5×5，7×7濾波核高斯低通濾波處理的MSAVI分別表示為MSAVI_GLPF3，MSAVI_GLPF5和MSAVI_GLPF7，3×3，5×5，7×7濾波核低通濾波處理的MSAVI分別表示為MSAVI_LPF3，MSAVI_LPF5和MSAVI_LPF7，3×3，5×5，7×7濾波核中值濾波處理的MSAVI分別表示為MSAVI_MF3，MSAVI_MF5和MSAVI_MF7。

分別建立GLPF，LPF和MF共3種濾波方式，以3×3，5×5，7×7濾波核尺度的MSAVI濾波數(shù)據(jù)與AGB建立二維空間散點圖(圖2)。分析不同濾波方式和濾波核處理后的MSAVI與地上實測生物量的相關性，結果表明GLPF，LPF和MF這3種濾波方式下不同濾波核尺度濾波處理后的MSAVI均在p<0.01水平上與AGB顯著相關，在濾波核尺度方面表現(xiàn)為3×3濾波核的濾波結果與實測AGB之間的相關性最好，其判定系數(shù)R2分別為0.475 7，0.431 9，0.395 0。在5×5與7×7濾波核水平下，AGB-MSAVI的相關性隨濾波核尺度的增加而相對降低，這應該和濾波核尺度的增大，MSAVI濾波平滑結果反而在一定程度上抑制了植被信息空間的差異性有關。GLPF，LPF和MF共3種濾波方式中，MSAVI_GLPF3，MSAVI_GLPF5和AGB的判定系數(shù)R2分別為0.475 7，0.459 7，均高于未經(jīng)濾波處理的AGB-MSAVI判定系數(shù)(R2=0.4416)。根據(jù)不同濾波方式和濾波核處理的MSAVI與實測AGB的相關性分析結果，本研究選用高斯低通濾波3×3處理后的MSAVI_GLPF3數(shù)據(jù)進行砒砂巖區(qū)AGB遙感估算建模。

3.3 模型建立

在眾多的統(tǒng)計回歸模型中，一元線性回歸模型具有計算簡單易于操作、表達更為直觀的優(yōu)點。因此，在砒砂巖區(qū)AGB遙感估算模型建立中，從地面實測的47個AGB樣本中隨機選擇30個樣本，結合同期MSAVI_GLPF3數(shù)據(jù)，建立AGB-MSAVI_GLPF3一元線性回歸模型：

AGB=1683.9×MSAVI_GLPF3-206.77
(R2=0.4183，p<0.01)

(5)

為了進一步檢驗建立的模型對于砒砂巖區(qū)AGB的實際估算能力差異，用預留的17個實測AGB數(shù)據(jù)作為檢驗樣本代入AGB-MSAVI_GLPF3模型。采用平均絕對誤差MAE、平均相對誤差MRE、均方根誤差RMSE進行AGB-MSAVI_GLPF3模型誤差分析。誤差分析結果表明：AGB-MSAVI_GLPF3模型的MAE，MRE和RMSE分別為2.743 3，0.134 1，58.598 3，AGB估算平均精度為86.59%，所建立的AGB-MSAVI_GLPF3模型能夠較好地實現(xiàn)鄂爾多斯砒砂巖區(qū)AGB遙感估算。

把研究區(qū)MSAVI進行按3×3濾波核進行高斯低通濾波處理后，代入生物量遙感估算模型(公式5)計算鄂爾多斯砒砂巖研究區(qū)AGB(圖3)。分析砒砂巖區(qū)AGB空間分布狀況，結果表明：2019年研究區(qū)平均AGB為180.07 g/m2，總AGB為922 415.21 t。不同等級AGB在空間份上存在較大的差異。研究區(qū)內(nèi)AGB相對低值區(qū)(AGB<50 g/m2)的面積占總面積比例為13.03%，地物類型為水體、半固定沙地以及建筑用地，主要分布在伊金霍洛旗東部、準格爾旗西南部和神木縣北部地區(qū)；AGB中值區(qū)(50 g/m2≤AGB<200 g/m2)的面積總占比為47.56%，AGB中值區(qū)的地物類型為固定沙地、草地和林地，主要分布在伊金霍洛旗中東部、準格爾旗西部和西南部和神木縣北部等地區(qū)；AGB高值區(qū)(AGB≥200 g/m2)的面積占比為39.41%，AGB高值區(qū)地物類型為林地、耕地，主要分布在府谷縣西部、神木縣中北部和準格爾旗西南部等地區(qū)。

圖2 不同濾波處理MSAVI與AGB二維空間散點圖

圖3 2019年研究區(qū)AGB空間分布

4 討 論

一般情況下，不同地物的反射率存在一定的差異，根據(jù)植被的光譜特征，利用地物的可見光和近紅外等波段的反射率進行一定的線性和非線性組合，計算能夠進一步突出植被的葉綠素等信息，從而形成了數(shù)十種植被指數(shù)。植被指數(shù)是對地表植被狀況的簡單、有效和經(jīng)驗的度量，被廣泛應用于植被生長狀況、植被初級生產(chǎn)力和作物估產(chǎn)等方面，具有較廣的實用性。植被指數(shù)與AGB之間具有較好的相關性，能夠直接用以AGB的遙感估算。但是在荒漠生態(tài)系統(tǒng)AGB估算應用中，由于荒漠生態(tài)系統(tǒng)地表植被相對稀疏，地表裸露面積占比相對較多，地表異質性十分顯著。雖然NDVI是當前生態(tài)學研究中應用最為廣泛，但在荒漠生態(tài)系統(tǒng)AGB遙感估算中可能并不是效果最佳的植被指數(shù)。MSAVI和SAVI計算中在由于采用近紅外和紅光波段反射率的同時引入了土壤調節(jié)系數(shù)，在植被稀疏地區(qū)顯示出與AGB之間具有較高的相關性；MSAVI在運用中通過將SAVI中的常數(shù)L修改為變量函數(shù)L，從而增加了植被信號動態(tài)范圍，在荒漠化地區(qū)進一步減小土壤背景的影響，對于植被監(jiān)測表現(xiàn)出更高靈敏度，能夠較好地實現(xiàn)AGB遙感估算。植被指數(shù)與實測AGB之間的相關性研究結論與Yan等[26]在毛烏素沙地AGB遙感估算的結果相一致。

遙感影像在接收和獲取過程中存在噪聲，荒漠生態(tài)系統(tǒng)由于地表異質性顯著，遙感影像的噪聲問題較為明顯。遙感影像是由不同頻率的成分組成，在分析圖像信號的頻域特性時，一幅圖像的邊緣、跳躍部分以及顆粒噪聲代表圖像信號的高頻分量，而大面積的背景區(qū)則代表圖像信號的低頻分量。在荒漠生態(tài)系統(tǒng)中，GLPF，LPF和MF這3種濾波方式均實現(xiàn)了圖像的平滑降噪，濾波后的MSAVI與均在p<0.01水平上與AGB顯著相關，但是由于GLPF能夠濾除荒漠生態(tài)系統(tǒng)中的高頻噪聲，并能夠保持著大面積的背景植被信息，使GLPF處理的MSAVI與AGB的相關性高于LPF和MF濾波方式。此外，受到荒漠生態(tài)系統(tǒng)地表異質性顯著特征的影響，在3×3，5×5，7×7不同濾波尺度情況下，隨著濾波器尺度的增大，濾波圖像的過度平滑處理容易造成圖像對應的植被信息丟失，反而無法較好地實現(xiàn)AGB估算。因此，在荒漠生態(tài)系統(tǒng)AGB遙感估算的實際應用中，根據(jù)其地表的異質性實際情況，選擇合適的植被指數(shù)(如MSAVI)，并輔以合理濾波尺度的GLPF濾波方法十分重要。

5 結 論

(1) 在荒漠生態(tài)系統(tǒng)中，與NDVI，RVI和SAVI相比，MSAVI能夠更好地反演砒砂巖區(qū)的AGB，常用的NDVI在荒漠生態(tài)系統(tǒng)AGB估算中并不是效果最佳的植被指數(shù)。

(2) 高斯低通濾波能夠減小影像與地面實測AGB的空間對應誤差，采用實測AGB和同期高斯低通濾波按3×3濾波核處理后的MSAVI_GLPF3數(shù)據(jù)建立一元線性回歸模型，其MAE，MRE和RMSE分別為2.743 3 g/m2，13.41%，58.598 3，AGB估算平均精度為86.59%，建立的AGB-MSAVI_GLPF3模型能夠較好地實現(xiàn)砒砂巖區(qū)AGB遙感估算。

(3) 2019年砒砂巖研究區(qū)平均AGB為180.07 g/m2，總AGB為922 415.21 t。AGB低值區(qū)主要分布在伊金霍洛旗東部、準格爾旗西南部和神木縣北部；AGB中值區(qū)主要分布在伊金霍洛旗中東部、準格爾旗西部和西南部以及神木縣北部；AGB高值區(qū)主要分布在府谷縣西部、神木縣中北部和準格爾旗西南部。