高明亮，趙文吉，* ，宮兆寧，赫曉慧

(1．首都師范大學三維信息獲取與應用教育部重點實驗室，資源環(huán)境與地理信息系統(tǒng)北京市重點實驗室，資源環(huán)境與旅游學院，北京 100048;2．鄭州大學水利與環(huán)境學院，鄭州 450001)

濕生植被是濕地生態(tài)系統(tǒng)的重要組成部分，其生物量是衡量濕地生態(tài)系統(tǒng)初級生產力的主要指標之一［1］。同時，植被是濕地生態(tài)系統(tǒng)運行的能量基礎和物質來源，是度量植被結構和功能變化的重要指標。利用現(xiàn)代遙感技術可以快速、有效地提取濕地的植被生物量信息，直觀地反映濕地植被的生長狀態(tài)和發(fā)展變化，對濕地生態(tài)環(huán)境監(jiān)測和保護具有重要意義。

基于植被指數(shù)的植被生物量反演是目前大面積生物量估算的主要方法。童慶禧等［2］開展了濕地植被成像光譜研究，對鄱陽湖濕地進行植被光譜識別分類與生物量制圖;Zheng等［3-6］曾對植被指數(shù)反演LAI(葉面積指數(shù))展開過相關研究，結果表明LAI與多種植被指數(shù)具有良好的相關性，并得到不同植被指數(shù)反演LAI的估算模型;李仁東［7］等基于Landsat ETM數(shù)據(jù)估算鄱陽湖濕地植被生物量，研究不同植被指數(shù)及遙感影像第一主成分與實地采樣生物量數(shù)據(jù)的相關性，并建立相關性模型估算鄱陽湖2000年4月的植被生物量;吳濤［8］、陳鵬飛［9］等分別用一元回歸方法估算遼東灣雙臺子河口濕地翅堿蓬和呼倫貝爾草地地上生物量;Foody［10-12］等分別基于TM、HJ-1A及SPOT影像數(shù)據(jù)結合線性回歸模型估算森林生物量;Susan等［13-16］多位國內外研究者都曾基于不同的遙感數(shù)據(jù)，采用不同的回歸分析方法得到植被指數(shù)與不同植被生物量之間的關系模型，并且形成了比較成熟的計算體系，即采用一元線性或曲線模型來擬合不同植被指數(shù)與生物量之間的的關系，并對估算結果進行精度評價，從而估算研究區(qū)域的植被生物總量或者生成研究區(qū)域的植被生物量空間分布圖;Aurélie［17］等研究基于分類樹算法的濕地監(jiān)測方法，認為不同季節(jié)應采用不同的植被指數(shù)作為指示因子;王立海［18］等采用引入地形因子的增強型B-P神經(jīng)網(wǎng)絡建立了森林生物量非線性遙感模型，生成了總體精度為88．04%的研究區(qū)域森林生物量定量分布圖。姚延娟［19］等研究遙感模型多參數(shù)反演的相互影響機理，分析了反演過程中參與反演的未知參數(shù)的個數(shù)、參與反演的每個參數(shù)的敏感性及各個參數(shù)敏感性之間的相關性。用單一植被指數(shù)作為輸入因子，在擬合中覆蓋度植被生物量時，具有較高的精度和靈敏度，而在植被覆蓋不均勻的區(qū)域，其預測結果存在較大誤差，不能準確地反映真實的生物量信息。研究在此基礎上綜合多種植被光譜指數(shù)作為輸入因子，采用MLRM擬合生物量分布，在一定程度上提高了基于植被光譜指數(shù)的生物量估算方法的精度和可靠性。

1 數(shù)據(jù)獲取與方法

1．1 研究區(qū)域概況

鄭州黃河濕地自然保護區(qū)位于黃河中下游交界區(qū)域，水域遼闊，灘涂廣布，濕地類型多樣，是我國中部地區(qū)濕地生物多樣性分布的重要地區(qū)和河流濕地中最具代表性的地區(qū)之一，也是我國鳥類重要的繁殖地、越冬地和我國候鳥遷徙的三大重要通道之一。保護區(qū)地理坐標在北緯34°48'—35°06'，東經(jīng)112°48'—114°14'之間屬暖溫帶大陸性季風氣候區(qū)，年平均氣溫14．2℃，年平均日照為2366 h，平均無霜期227 d，年均降水量為616 mm，年均蒸發(fā)量1664．2 mm。保護區(qū)內植被種類豐富，有維管束植物80科284屬598種。其中木本植物有38種，草本植物560種。主要植被類型有水生植被、沙生植被、鹽生植被、防護林和果木林植被等。

研究區(qū)域位于鄭州黃河濕地自然保護區(qū)范圍內，地處鄭州市北部、新鄉(xiāng)市及焦作市南部，以黃河大堤作為南北邊界(圖 1)。地理坐標在北緯 34°54'—35°05'，東經(jīng) 113°15'—114°06' 之間，總面積為 47374 hm2。研究區(qū)域植被分布較均勻，由黃河沿岸至灘區(qū)混雜分布著香蒲等挺水植物群落，茅草、艾蒿、馬唐、狗尾草等常見草本植物群落(多為叢生)，及檉柳等小型灌木。研究對象為香蒲、蘆葦、水蜈蚣、水蓼等典型濕生挺水植物以及馬塘、狗尾草等為主的植物群落，約占研究區(qū)域植被的80%—90%，為研究區(qū)域的優(yōu)勢種群。

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

1．2 數(shù)據(jù)獲取

1．2．1 遙感影像數(shù)據(jù)

研究的基礎數(shù)據(jù)選用2010年8月16日獲取的HJ-1A衛(wèi)星CCD2多光譜影像，在選取同步影像時，考慮到數(shù)據(jù)質量和云層遮蓋影響，與地面采樣有4d的時差。影像覆蓋山西省東南部、河北省南部、河南省北部及山東省西部區(qū)域。

HJ-1A衛(wèi)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)，可以滿足植被指數(shù)提取和相關研究的要求。HJ-1A衛(wèi)星具高時空分辨率，建有配套地面系統(tǒng)，可以快速高效地實現(xiàn)數(shù)據(jù)接收、處理和分發(fā)，同時具有應急快速處理能力和快速存取能力。研究充分利用國產衛(wèi)星數(shù)據(jù)特征優(yōu)勢，對推廣國產衛(wèi)星數(shù)據(jù)產品應用具有重要意義［20］。

1．2．2 樣點布設及地面實測數(shù)據(jù)

地面生物量采集于2010年8月20日進行，野外實地調查采樣數(shù)據(jù)將用于反演模型的擬合及其精度和預測能力的檢驗。根據(jù)研究區(qū)植被生長密度分割結果，考慮到植被分布特征，沿南北方向設若干列30 m×30 m的樣區(qū)，每個樣區(qū)內根據(jù)植被株叢分布劃定若干1 m×1 m有代表性的樣點，最終共選取樣區(qū)45個。涉及的植被類型以香蒲、蘆葦水蜈蚣等挺水植物以及馬塘、狗尾草等植物群落為主，占到樣本總量的90%左右，是具有代表性的優(yōu)勢種群。樣區(qū)分布見圖2。

圖2 實地樣區(qū)位置分布圖Fig．2 The distribution of sample districts

在每個樣點區(qū)域內齊地剪取地上生物量，然后將同一個樣區(qū)所有樣點的采樣混合后進行稱重，并作記錄，記錄內容包括樣區(qū)編號、中心點GPS坐標、植被種類、樣本鮮重、距河岸距離、高程、株高、蓋度等。然后將每個樣區(qū)內采集的樣本分別取100 g放入自封袋中并標記樣區(qū)號，帶回實驗室恒溫烘干并記錄凈重，計算出含水率μi。最后通過公式(1)將樣點鮮重換算成為樣點凈重(干重)。最終每個樣區(qū)植被生物量記錄結果為樣區(qū)干生物量單位面積均值(g/m2):

式中，wi1、wi2、wi3為第i個樣區(qū)內n個樣本植被的鮮重，μi為第i個樣區(qū)樣本植被含水率，Wi為該樣區(qū)樣本植被生物量凈重(干重)。

將所有樣點的記錄數(shù)據(jù)按照樣區(qū)均勻分布的原則劃分為兩個組。選取1—33號樣區(qū)33個樣本組數(shù)據(jù)結合其植被指數(shù)用于擬合生物量模型，剩余的34—45號12個樣區(qū)樣本組數(shù)據(jù)用于對模型預測精度進行檢驗。

1．3 數(shù)據(jù)處理方法及流程

1．3．1 數(shù)據(jù)處理

本次研究的數(shù)據(jù)處理包括遙感數(shù)據(jù)的處理及地面實地采樣數(shù)據(jù)的處理兩部分。首先根據(jù)絕對輻射定標系數(shù)對影像進行輻射定標，將各波段DN(像元亮度值)值轉為表觀輻射亮度;鑒于影像獲取時研究區(qū)上空晴朗無云，選取改進的暗像元法［21］大氣校正模型計算并獲得大氣校正參數(shù)，綜合表觀輻射量度圖像和大氣校正參數(shù)建模，得到反射率圖像;然后采用多項式法對影像進行幾何校正，誤差控制在0．5個像元以內;最后沿黃河大堤對影像進行裁剪，得到研究區(qū)域影像。

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而反映的。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(tài)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(qū)域該季節(jié)的遙感指示因子就顯得極為重要。

研究選取 EVI、GNDVI、MSAVI、MTVI2、NDVI、OSAVI、RVI和 SAVI共 8 種常用植被光譜指數(shù)(表 1)作為研究對象?？紤]到研究區(qū)優(yōu)勢種群占到植被總量的90%，且群落分布較為均勻，故認為植被指數(shù)圖像中，一個混合像元的值代表地面一個樣區(qū)內(30 m×30 m)混合植被指數(shù)。由于采樣點數(shù)據(jù)是矢量結構，故各樣本點的植被指數(shù)值取其所在植被指數(shù)圖像上對應像元值。配合生物量統(tǒng)計結果為每個樣區(qū)單位面積(1 m×1 m)混合植被干生物量的均值，以保證反演結果的可靠性。

表1 本研究中用到的植被光譜指數(shù)Table 1 Spectral vegetation index used in this study

1．3．2 SCRM 數(shù)學模型

采用回歸擬合方法估算生物量，將單一植被指數(shù)作為自變量采用回歸擬合的方法得到一個線性或者非線性方程(如SCRM)的方法已被廣泛應用。SCRM(一元曲線回歸模型)多用于擬合植被指數(shù)與生物量之間的曲線相關關系，主要采用指數(shù)模型或者高次方程，雖然模型擬合精度有所提高，但由于數(shù)學算法本身的原因，在植被覆蓋不均勻區(qū)域，反演結果會出現(xiàn)較大誤差。實際研究中常用多項式方程作為生物量SCRM的基本模型(公式(2))。

式中，Y為植被干生物量，x為植被指數(shù)，a0，a1，…，am為回歸系數(shù)，ε為剩余誤差。

研究采用函數(shù)逼近的方法來確定公式(2)中植被指數(shù)的次數(shù)，首先從一次多項式開始，直至多項式的剩余誤差平方和小于某個給定的任意值為止。

1．3．3 MLRM 數(shù)學模型

這里引用的MLRM(多元線性回歸模型)最早是為解決實際經(jīng)濟問題而定義的。在實際經(jīng)濟問題中，一個變量往往受到多個變量的影響，如家庭經(jīng)濟支出，后被引申到地理科學及數(shù)據(jù)統(tǒng)計領域［29］。事實上，一種現(xiàn)象常常是與多個因素相聯(lián)系的，由多個自變量的最優(yōu)組合共同來預測或估計因變量，比只用一個自變量進行預測或估計更有效，更符合實際。實際應用中，為了保證模型具有優(yōu)良的解釋能力和預測效果，須遵循MLRM的變量選擇準則。

用于擬合生物量MLRM數(shù)學模型的建立是研究探討的核心。設y為因變量x1，x2，…，xk為自變量，并且自變量與因變量之間為線性關系時，則多元線性回歸模型為:

公式(3)稱為回歸方程，式中b0為常數(shù)項，b1，b2，…，bk為回歸系數(shù)，ε為隨機誤差。這里y對應于生物量，x對應于不同植被指數(shù)。b0+b1x1+b2x2+bkxk+ε設有n組樣本點數(shù)據(jù)，其中xij表示xj在第i次的觀測值，于是有:

式中，b0，b1，b2，…，bk為 k+1 個待定參數(shù)，ε1，ε2，…，εn為 n 個相互獨立的且服從同一正態(tài)分布 ε—N(0，δ2)的隨機變量。這里xij表示某一植被指數(shù)xj在第i個樣本點的值，y1，y2，…，yn為各樣本點實測生物量。公式(4)稱為多元(k元)線性回歸的數(shù)學模型。

課程標準提出識字教學要“力求識用結合”，課堂中，先從文本中習得，再進行當堂的指導運用，識字伴隨著閱讀的進程而展開，所學的生字就不容易混淆，容易鞏固，也不顯得枯燥，這樣能激發(fā)學生學習漢字的興趣和欲望。如《田家四季歌》教學最后，感受農民伯伯的辛苦與忙碌中，由“戴”字入手，從早忙到晚，農民伯伯在忙什么？再現(xiàn)前面學到的各種農活，再次體會到農民的辛苦，從而積累“披星戴月”這個成語。再由文中的“戴月光”引入到自身戴的東西，學生主動地找尋著在生活中的各種“戴”：戴圍巾、戴紅領巾、戴項鏈等等，在課堂上對“戴”進行了運用。學生就掌握扎實，也不會與“帶”混淆了。

式中，Y為因變量矩陣，這里對應于實測生物量矩陣;X為自變量矩陣，這里對應于各樣本點植被指數(shù);b為系數(shù)矩陣;ε'為隨機誤差。公式(5)稱為生物量MLRM的矩陣形式。

研究表明，處于生長狀態(tài)的植被干生物量與多種植被指數(shù)存在相關關系［30-33］。在進行生物量反演模型構建時，綜合考慮多種植被指數(shù)的最優(yōu)組合來預測或估算生物量，比只用一種植被指數(shù)進行預測或估計更準確，更具有實際意義。

研究將植被生物量抽象為一種現(xiàn)象，將各種植被指數(shù)抽象為多個不同影響因子，將植被生物量與植被指數(shù)的相關關系抽象成一種數(shù)學模型，并嘗試采用MLRM擬合方法來解釋它們的這種相關關系。

1．3．4 技術流程

研究處理流程主要包括3個部分:基礎遙感數(shù)據(jù)的預處理及植被光譜指數(shù)提取;地面采樣數(shù)據(jù)的處理篩選;模型擬合及精度評價。主要技術流程見圖3。其中，遙感數(shù)據(jù)預處理包括影像的輻射定標、大氣校正、幾何校正及影像裁剪，之后提取植被指數(shù);地面采樣數(shù)據(jù)通過換算為生物量干重單位面積均值;采用MLRM方法及SCRM方法分別對植被指數(shù)和生物量進行擬合，得到擬合模型并對其進行精度評價。然后通過對比選出最優(yōu)的擬合模型，估算研究區(qū)域植被總量，并繪制研究區(qū)域2010年8月植被生物量空間分布圖。

SCRM和MLRM擬合結果精度評價指標選用相關系數(shù)法及實測生物量方法。相關系數(shù)法包括求解相關系數(shù)(預測決定系數(shù))r、精度(或系統(tǒng)誤差)SE及均方根誤差RMSE(公式(6)—(8))。實際生物量法是通過對研究區(qū)地物進行解譯分類，聚類得到不同密度植被的面積，乘以各相應區(qū)域的樣方單位面積實測平均生物量，然后進行求和得到研究區(qū)總的干生物量(公式(9))，將其結果與反演模型估算總生物量結果進行對比，計算其相對誤差。

需要說明的是:相關系數(shù)r反映某一植被指數(shù)與生物量之間的相關關系，其取值范圍為(-1，+1)。|r|越大，表明變量之間的線性相關程度越高，反之相關程度越低。當相關系數(shù)小于0時，稱為負相關;大于0時，稱為正相關;等于0時，稱為零相關。

研究采用多種檢驗指標對MLRM擬合結果進行精度檢驗，在保證模型精度的基礎上，進一步提高模型的預測能力，并用實地采樣數(shù)據(jù)對其預測能力進行檢驗。

圖3 整體技術流程圖Fig．3 Total technique flowcharts

2 生物量反演及精度檢驗

2．1 生物量反演

SCRM方法擬合生物量采用回歸分析法，利用(2)式對生物量進行擬合，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(shù)。各植被指數(shù)擬合生物量結果見表2。

輸入植被指數(shù)的篩選是MLRM建立的關鍵。其遵循的準則為:(1)所選用植被指數(shù)與生物量呈密切相關性;(2)所選用植被指數(shù)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(tǒng)計數(shù)據(jù)，其預測值容易確定。

將33個樣本點的光譜指數(shù)進行變量相關性分析及篩選，結果表明EVI、GNDVI、MSAVI、MTVI2、NDVI及RI符合互斥原則，且與生物量具有較好的相關關系，被選入MLRM作為模型擬合自變量;而SAVI、OSAVI因與NDVI存在較強線性關系被剔除。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b0、b1、b2、b3、b4、b5和b6，得到6種植被指數(shù)對生物量的多元線性回歸擬合結果:

2．2 精度檢驗

SCRM及MLRM擬合結果精度和預測能力檢驗采用相關系數(shù)法(公式(6)—(8))及實際生物量方法(公式(9))，分別選取模型擬合變量輸入組33個、模型預測能力檢驗組12個樣本點的實際采樣值作為參考進行精度檢驗。SCRM及MLRM擬合生物量數(shù)據(jù)結果見附表(共45組)。SCRM及MLRM擬合模型精度及預測能力檢驗分別見表2和表3。

表2中可以看出，NDVI、OSAVI等擬合的曲線模型達到較高的精度，但是預測能力檢驗略有降低，預測能力分析結果見圖4?？梢钥闯鲱A測生物量分布呈現(xiàn)不同程度的離散，特別是生物量值實測較高的地方出現(xiàn)了明顯偏離，因此不能很好地反演生物量分布。

表2和表3的對比中可知，MLRM擬合生物量精度及預測能力檢驗結果均優(yōu)于SCRM擬合生物量精度及預測能力檢驗結果，模型相關系數(shù)為0．9791，擬合精度達到29．8 g/m2，預測決定系數(shù)達0．8742，誤差為49．9 g/m2。圖5中各樣本點數(shù)據(jù)均落在1∶1等值線周圍，表明MLRM對濕地生物量反演結果有較好預測能力。

表2 SCRM擬合結果及精度檢驗Table 2 Comparison between Results of SCRM

表3 MLRM擬合結果及精度檢驗Table 3 Accuracy check results of MLRM

圖4 不同SCRM擬合生物量預測結果對比圖Fig．4 Comparison of predicted results between different models

圖5 MLRM擬合生物量預測結果圖Fig．5 Comparison between predicted and actual biomass by MLRM

MLRM擬合結果建模進行生物量反演，得到研究區(qū)植被生物量為6．849 199 t/hm2，反演得到生物量空間分布見圖6。通過對研究區(qū)地物解譯聚類將植被覆蓋區(qū)域按植被生長密度分割為不同區(qū)域，采用實際生物量方法估算的生物量為6．525 450 t/hm2，兩者相差0．323 749 t/hm2，相對誤差為4．73%。

與圖7地物分類結果進行對比，圖6中黃河北岸村落周邊的混合像元被很好地識別出來，村落的輪廓線清晰，道路縱橫交錯;此外，近年來黃河水量減少，增加了許多河心灘，其上生滿了綠色植被，部分區(qū)域目測生物量覆蓋甚至超過陸地表面，這在圖6中也有所體現(xiàn);MLRM擬合結果很好地區(qū)分開黃河南岸的丘陵地帶植被和裸地，以及水田和旱地;這些均與實地調查情況相吻合。由此可見，基于MLRM和植被光譜指數(shù)及實地采樣數(shù)據(jù)可以較為準確估算濕地生物量分布。

圖6 MLRM反演生物量空間分布圖Fig．6 Spatial distribution of biomass estimation by MLRM

圖7 研究區(qū)地表覆蓋分類結果圖Fig．7 The classification of the land cover

3 結論與討論

利用遙感技術反演濕地植被生物量，有利于對濕地植被資源進行實時監(jiān)測和精準管理。本研究基于HJ-1A衛(wèi)星CCD2影像和多種回歸模型以鄭州黃河濕地自然保護區(qū)為例對生物量進行反演計算。結論及討論如下:

(1)基于環(huán)境減災衛(wèi)星數(shù)據(jù)提取植被指數(shù)，結合野外實地采樣數(shù)據(jù)可以估算濕生植被生物量是可行的，同時為濕地植被監(jiān)測及生態(tài)資源管理提供了一個有力工具，對于推動國產衛(wèi)星數(shù)據(jù)在資源環(huán)境領域的應用具有重要意義。

(2)對于研究區(qū)濕地植被干生物量，MLRM擬合結果具有較好的精度和預測能力，能夠較好地用于估算濕地植被生物量。其模型顯著性檢驗為極顯著，模型相關系數(shù)為0．9791，擬合精度達到29．8 g/m2;其模型預測結果系統(tǒng)誤差為49．9 g/m2，預測決定系數(shù)為0．8742，均方根誤差為67．2 g/m2，比傳統(tǒng)的一元回歸模型具有更高的精度和可靠性。估算研究區(qū)域2010年8月濕生植被生物量為6．849 199 t/hm2，與實際生物量法估算生物量結果相差0．323 749 t/hm2，相對誤差為4．73%。

(3)經(jīng)過選取不同樣本組數(shù)據(jù)進行實驗，本研究提出的采用MLRM擬合生物量方程方法所得到的結果與實際采樣對比結果各項誤差指標變化不大，表明本研究提出的方法具有一定的可復制性。

(4)混合像元的存在是影響反演精度的主要因素之一。為解決這一問題，根據(jù)研究區(qū)植被分布特點，選擇分布相對均勻且有代表性的地塊作為樣區(qū)，調查組成混合像元的典型地物的比例［34-35］，并按照這一原則抽取樣方。

濕地是人類最重要的環(huán)境資本之一，也是自然界富有生物多樣性和較高生產力的生態(tài)系統(tǒng)，濕地的水陸過渡性使環(huán)境要素在濕地中的耦合和交匯作用復雜化，它對自然環(huán)境的反饋作用是多方面的。MLRM用作估算濕地植被生物量，具有超越傳統(tǒng)一元回歸模型的精度和預測能力，作為一種基于遙感技術的可靠的植被生物量檢測和反演手段，對生態(tài)資源管理和濕地生態(tài)環(huán)境保護具有重要意義。

［1］ Ouyang Z Y，Wang X K，Miao H．A primary study on Chinese terrestrial ecosystem services and their ecological-economic values．Acta Ecologica Sinica，1999，19(5):607-613．

［2］ Tong Q X，Zheng L F，Wang J N，Wang X J，Dong W D，Hu Y M，Dang S X．Study on imaging spectrometer remote sensing information for wetland vegetation．Journal of Remote Sensing，1997，1(1):50-57．

［3］ Zheng D L，Radamacherb J，Chen J Q，Crow T，Bresee M，Moine J L，Ryu S R．Estimating above ground biomass using Landsat 7 ETM+data across a managed landscape in northern Wisconsin，USA．Remote Sensing of Environment，2004，93(3):402-411．

［4］ de Jong S M S，Pebesma E J，Lacaze B．Above-ground biomass assessment of mditerranean forests using airborne imaging spectrometry:the DAIS Peyne experiment．International Journal of Remote Sensing，2003，24(7):1505-1520．

［5］ Fang X Q，Zhang W C．The application of remotely sensed data to the estimation of the leaf area index．Remote Sensing For Land and Resources，2003，(3):58-62．

［6］ Liu Y B，Ju W M，Zhu G L，Chen J M，Xing B L，Zhu J F，Zhou Y L．Retrieval of leaf area index for different grasslands in Inner Mongolia prairie using remote sensing data．Acta Ecologica Sinica，2011，31(18):5159-9170．

［7］ 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．

［8］ Wu T，Zhao D Z，Kang J C，Zhang F S，Cheng L．Suaeda salsa dynamic remote monitoring and biomass remote sensing inversionin Shuangtaizi River estuary．Ecology and Environmental Sciences，2011，20(1):24-29．

［9］ 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．

［10］ Foody G M，Boyd D S，Cutler M E J．Predictive relations of tropical forest biomass from Landsat TM data and their transferability between regions．Remote Sensing of Environment，2003，85(4):463-474．

［11］ Guo Z F，Chi H，Sun G Q．Estimating forest aboveground biomass using HJ-1 Satellite CCD and ICESat GLAS waveform data．Science in China:Earth Sciences，2010，53(1):16-25．

［12］ Soenen S A，Peddle D R，Hall R J，Coburn C A，Hall F G．Estimating aboveground forest biomass from canopy reflectance model inversion in mountainous terrain．Remote Sensing of Environment，2010，114(7):1325-1337．

［13］ 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 Sciences，2011，14(1):49-56．

［14］ Iryna Dronova，Peng G，Lin W．Object-based analysis and change detection of major wetland cover types and their classification uncertainty during the low water period at Poyang Lake，China．Remote Sensing of Environment，2011，115(12):3220-3236．

［15］ Newnham G J，Verbesselt J，Grant I F，Anderson S A J．Relative greenness index for assessing curing of grassland fuel．Remote Sensing of Environment，2011，115(6):1456-1463．

［16］ Chen L F，Gao Y H，Cheng Y，Wei Z，Xiao Q，Liu Q H，Yu T，Liu Q J，Gu X F，Tian G L．Biomass estimation and uncertainty analysis based on CBERS-02 CCD camera data and field measurement．Science in China Ser E:Engineering and Materials Science，2005，48(2):116-128．

［17］ Davranche A，Lefebvre G，Poulin B．Wetland monitoring using classification trees and SPOT-5 seasonal time series．Remote Sensing of Environment，2010，114(6):552-562．

［18］ Wang L H，Xing Y Q．Remote sensing estimation of natural forest biomass based on an artificial neural network．Chinese Journal of Applied Ecology，2008，19(2):261-266．

［19］ Yao Y J，Liu Q，Liu Q H，Li X W．Research on the mutual effect of the parameters on inversion of canopy reflectance model．Journal of Remote Sensing，2008，12(1):1-8．

［20］ Zhou Z，He L，Liu L M．Feasibility study for retrieval of chlorophyll-a concentration in Donghu Lake using HJ-1 A/B CCD data．Bulletin of Surveying and Mapping，2011，(3):11-14．

［21］ Zheng W，Zeng Z Y．Dark-object methods for atmospheric correction of remote sensing image．Remote Sensing For Land and Resources，2005，(1):8-11．

［22］ 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，F(xiàn)inal Report．Greenbelt，1974．

［23］ Huete A R．A soil-adjusted vegetation index(SAVI)．Remote Sensing of Environment，1988，25(3):295-309．

［24］ Rondeaux G，Steven M，Baret F．Optimization of soil-adjusted vegetation indices．Remote Sensing of Environment，1996，55(2):95-107．

［25］ 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．

［26］ 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．

［27］ Haboudane D，Miller J R，Pattey E，Zarco-Tejada P J，lan Strachan 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．

［28］ Huete A，Justice C，Liu H．Development of vegetation and soil indices for MODIS-EOS．Remote Sensing of Environment，1994，49(3):224-234．

［29］ Xu J H．Mathematical Methods in Contemporary Geography．Beijing:Higher Education Press，2002:47-60．

［30］ Li X，Yeh Anthony，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．

［31］ Xiu C Y，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 2010 International Conference on Remote Sensing(ICRS 2010)，2010，(2):465-470．

［32］ 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．

［33］ Tao S，Wang P X．Retrieval of district evapotranspiration using remotely sensed biomass products//Environmental Science and Information Application Technology．Wuhan:IEEE，2009:466-469．

［34］ Zhou H，Wang B，Zhang L M．New scheme for decomposition of mixed pixels of remote sensing images．Journal of Infrared and Millimeter Waves，2005，24(6):463-466．

［35］ Liu L F，Wang B，Zhang L M．Decomposition of mixed pixels based on bayesian self-organizing map and gaussian mixture model．Pattern Recognition Letters，2009，30(9):820-826．

參考文獻:

［1］ 歐陽志云，王效科，苗鴻．中國陸地生態(tài)系統(tǒng)服務功能及其生態(tài)經(jīng)濟價值的初步研究．生態(tài)學報，1999，19(5):607-613．

［2］ 童慶禧，鄭蘭芬，王晉年，王向軍，董衛(wèi)東，胡遠滿，黨順行．濕地植被成像光譜遙感研究．遙感學報，1997，1(1):50-57．

［5］ 方秀琴，張萬昌．葉面積指數(shù)(LAI)的遙感定量方法綜述．國土資源遙感，2003，(3):58-62．

［6］ 柳藝博，居為民，朱高龍，陳鏡明，邢白靈，朱敬芳，周艷蓮．內蒙古不同類型草地葉面積指數(shù)遙感估算．生態(tài)學報，2011，31(18):5159-9170．

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

［8］ 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 (Suaeda salsa)生物量遙感反演研究．生態(tài)環(huán)境學報，2011，20(1):24-29．

［9］ 陳鵬飛，王卷樂，廖秀英，尹芳，陳寶瑞，劉睿．基于環(huán)境減災衛(wèi)星遙感數(shù)據(jù)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．

［18］ 王立海，邢艷秋．基于人工神經(jīng)網(wǎng)絡的天然林生物量遙感估測．應用生態(tài)學報，2008，19(2):261-266．

［19］ 姚延娟，劉強，柳欽火，李小文．遙感模型多參數(shù)反演相互影響機理的研究．遙感學報，2008，12(1):1-8．

［20］ 周正，何連，劉良明．基于HJ-1A/B CCD數(shù)據(jù)的東湖葉綠素a濃度反演可行性研究．測繪通報，2011，(3):11-14．

［21］ 鄭偉，曾志遠．遙感圖像大氣校正的黑暗像元法．國土資源遙感，2005，(1):8-11．

［29］ 徐建華．現(xiàn)代地理學中的數(shù)學方法．北京:高等教育出版社，2002:47-60．

［32］ 郭玉川，何英，李霞．基于MODIS的干旱區(qū)植被覆蓋度反演及植被指數(shù)優(yōu)選．國土資源遙感，2011，(2):115-118．

［34］ 周昊，王斌，張立明．一種新的遙感圖像混合像元分解方法．紅外與毫米波學報，2005，24(6):463-466．

附表 擬合生物量數(shù)據(jù)與實測數(shù)據(jù)/(g/m2)Accessories table Comparison between fitting results and actual data