濱海濕地在維護(hù)生物多樣性/保持區(qū)域生態(tài)平衡等方面發(fā)揮著重要的作用[1, 2]。濕地植被生物量是生態(tài)閾值確定、固碳能力評估和生態(tài)功能評價的重要參數(shù)[3, 4]，準(zhǔn)確開展濱海濕地植被生物量評估及其變化監(jiān)測，是合理地開展濱海濕地保護(hù)和恢復(fù)工作的前提。濱海濕地環(huán)境復(fù)雜，大部分區(qū)域難以進(jìn)入，遙感技術(shù)是解決這一問題的重要手段。黃河口濕地地物復(fù)雜多樣，是多種珍貴鳥類的棲息地，開展該區(qū)域植被生物量遙感反演研究具有重要意義。

衛(wèi)星遙感作為一種濕地植被生物量監(jiān)測手段，發(fā)揮了重要作用[5-7]，目前基于遙感影像的濕地植被生物量算模型，主要是結(jié)合不同的植被指數(shù)和現(xiàn)場生物量數(shù)據(jù)，建立生物量估算模型。如基于Landsat TM數(shù)據(jù)，李旭文等建立了DVI與太湖梅梁湖灣藍(lán)藻生物量濕重之間的一元線性模型[8]。傅新等基于HJ-1 CCD遙感數(shù)據(jù)和濱海濕地堿蓬生物量實測數(shù)據(jù)，建立了黃河三角洲濕地翅堿蓬生長初期的生物量濕重遙感估算模型[9]。李爽等結(jié)合Landsat TM圖像和實測樣地生物量數(shù)據(jù)，開展了洪河濕地自然保護(hù)區(qū)濕地植被烏拉苔草的生物量估算模型研究[10]。李仁東等建立了鄱陽湖濕地植被生物量采樣數(shù)據(jù)與ETM4波段的一元線性相關(guān)模型[11]。濕地生物量遙感模型研究主要采用的遙感數(shù)據(jù)源是TM影像和其它高光譜影像，其空間分辨率相對較低，獲取周期長。而具有高空間分辨率、高時間分辨率和寬刈幅的高分一號(GF-1)衛(wèi)星影像為開展黃河口濕地典型植被生物量遙感反演的模型研究提供了數(shù)據(jù)支持。

本文以GF-1 WFV多光譜影像為數(shù)據(jù)源，計算NDVI、SR、SAVI、MSAVI、GBNDVI和DVI 6種常用植被指數(shù)，結(jié)合現(xiàn)場植被地上干生物量實測數(shù)據(jù)，建立黃河口濕地草本植被地上干生物量遙感估算模型。

1 研究區(qū)

研究區(qū)為黃河口濕地(119°3′E-119°13′E，37°43′N-37°50′N)(見圖1)，位于我國最年輕的土地--黃河三角洲，面積約230 km2。黃河三角洲國家級自然保護(hù)區(qū)核心區(qū)就位于此，該區(qū)域有蘆葦、翅堿蓬、大米草、荻草等多種草本植被，生態(tài)環(huán)境受自然和人為影響嚴(yán)重，生態(tài)資源寶貴而脆弱，大部分區(qū)域環(huán)境復(fù)雜，難以進(jìn)入，遙感成為對該區(qū)域開展監(jiān)測的一種重要手段。

圖1 研究區(qū)與采樣站點Fig.1 Study area and the sample sites

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)與處理

選用2013年10月5日獲取的GF-1 WFV衛(wèi)星多光譜遙感影像，相關(guān)參數(shù)如表1所示。

采用ENVI軟件中FLAASH大氣校正模塊對影像進(jìn)行大氣校正。結(jié)合2005和2014年兩次現(xiàn)場調(diào)查測量的高精度影像控制點，對GF-1多光譜影像進(jìn)行了幾何校正，校正中誤差小于0.5個象元。

2.2 現(xiàn)場數(shù)據(jù)

2013年9月24日至10月2日，開展了研究區(qū)典型草本植被生物量現(xiàn)場獲取。在盡量滿足空間分布均勻的要求下，獲取了35個站點植被單位面積的地上部分生物量樣本。在生物量樣本獲取時，選擇分布均勻的草本植被生長區(qū)，且位于影像純像元覆蓋區(qū)、具有區(qū)域特征的1 m×1 m的樣方，割取植被地上植株，去掉干枯部分，放入吸水透氣性好的牛皮紙袋，帶回實驗室。在105 ℃下殺青30 min，80 ℃條件下恒溫烘干直至恒重，稱重獲得現(xiàn)場站點地上部分草本植被干生物量。經(jīng)過后期質(zhì)量控制，選擇24個站點的樣本用于本文研究，其中17個樣本用于模型構(gòu)建，7個樣本用于模型驗證。

2.3 方法

利用ERDAS軟件，計算GF-1 WFV衛(wèi)星數(shù)據(jù)歸一化植被指數(shù)(NDVI)[12]、簡單比值植被指數(shù)(SRI)[13]、土壤調(diào)節(jié)植被指數(shù)(SAVI)[14]、修正土壤調(diào)節(jié)植被指數(shù)(MSAVI)[15]、考慮綠光改進(jìn)的植被指數(shù)GBNDVI[16]和差值植被指數(shù)DVI[8]共6種多光譜遙感影像生物量反演中常用的植被指數(shù)，將其與地上草本植被干生物量相結(jié)合，進(jìn)行線性、指數(shù)、對數(shù)和冪回歸模型分析，建立基于各植被指數(shù)的地上干生物量估算模型，確定最佳估算模型。表2給出了6種植被指數(shù)及其計算公式。

注：ρNIP、ρRed、ρGreen和ρBlue分別為GF-1 WFV衛(wèi)星數(shù)據(jù)某一像元在近紅外、紅、綠和藍(lán)光波段的反射率。

3 結(jié)果與分析

基于GF-1 WFV數(shù)據(jù)的黃河口濕地草本植被地上干生物量遙感估算模型結(jié)果如表3所示。

由表3可看出，黃河口濕地草本植被地上干生物量與基于GF-1 WFV衛(wèi)星數(shù)據(jù)獲取的各植被指數(shù)均顯著相關(guān)(P<0.001)。由于基于GF-1 WFV數(shù)據(jù)獲取的GBNDVI指數(shù)中有負(fù)值，故沒有相應(yīng)的對數(shù)回歸模型和冪回歸模型?；?種植被指數(shù)的地上生物量反演型共有22種，其中各反演模型中最佳模型分別為基于NDVI和GBNDVI的指數(shù)回歸模型以及基于DVI、SRI、SAVI、和MSAVI的冪回歸模型。

各生物量反演模型的R2都在0.65附近上下波動(見圖2 a)，基于各植被指數(shù)獲取的冪回歸模型(除GBNDVI)R2整體比較大，都大于0.73。不同植被指數(shù)對應(yīng)的線性回歸模型和對數(shù)回歸模型的R2最接近，最大差值小于0.1，但其R2整體偏低。指數(shù)回歸模型對應(yīng)不同植被指數(shù)的R2變化最劇烈，其中對應(yīng)NDVI最大為0.7537，對應(yīng)SRI的最小為0.6455。由圖2b可以看出，各生物量反演模型的MRE都在50%上下波動，其中基于NDVI的生物量最佳反演模型MRE最小，為23.9%?；谕恢脖恢笖?shù)(除NDVI和GBNDVI)的各生物量反演模型中，對數(shù)回歸模型的MRE最大，冪回歸模型的最小，線性回歸模型和指數(shù)回歸模型的位于它們中間。

表3 黃河口濕地草本植被地上干生物量估算模型(平均相對誤差:%)Tab.3 aboveground dry vegetation biomass estimation models in the Yellow River estuary wetland(MRE: %)

注：“*”植被指數(shù)和地上干生物量顯著相關(guān)(P<0.001)；“-”植被指數(shù)有負(fù)數(shù)，無相應(yīng)的回歸模型；加粗模型為基于4種植被指數(shù)分別得到的最佳回歸模型。

(a)決定系數(shù)隨植被指數(shù)變化 (b)平均相對誤差隨植被指數(shù)變化圖2 基于不同植被指數(shù)的各回歸模型決定系數(shù)和平均相對誤差Fig.2 Coefficient of determination and MRE based on different kinds of vegetation indices

考慮各模型的決定系數(shù)R2和平均相對誤差MRE，易知基于NDVI和GBNDVI建立的生物量最佳反演模型都是指數(shù)回歸模型，其R2分別為0.7537和0.7524，MRE分別為23.9%和25.0%，基于DVI、SRI、SAVI和MSAVI得到的生物量最佳反演模型都是冪回歸模型，其R2分別為0.7524、0.7378、0.7541和0.7701，MRE分別為46.0%、26.0%、46.0%和53.4%。在得到的6種最佳生物量反演模型中R2都滿足R2>0.7，按大小排序為MSAVI>SAVI>NDVI>DVI>SRI>GBNDVI?；贛SAVI得到的冪回歸模型R2最大，為0.77，而基于SRI建立的最佳生物量反演型最小為0.7378。各生物量最佳反演模型中，MRE都小于54%，最小的為23.9%，按由小到大排序為NDVI

4 結(jié)論與討論

基于GF-1 WFV多光譜衛(wèi)星數(shù)據(jù)，計算得到NDVI、SRI、SAVI、MSAVI、GBNDVI和DVI 6種植被指數(shù)，結(jié)合現(xiàn)場采樣確定的黃河口濕地地上草本植被生物量數(shù)據(jù)，進(jìn)行線性、指數(shù)、對數(shù)和冪等4種模型的回歸分析，得到22種生物量反演模型，分析了各種反演模型的決定系數(shù)和平均相對誤差，確定了基于各種植被指數(shù)的最佳生物量估算模型，結(jié)論如下：

(1)基于NDVI和GBNDVI的最佳生物量估算模型都為指數(shù)函數(shù)模型，基于其它植被指數(shù)的最佳生物量估算模型都是冪函數(shù)模型(P<0.001)。

(2)基于高分一號WFV衛(wèi)星數(shù)據(jù)獲取的6種植被指數(shù)與黃河口濕地草本植被地上干生物量建立的最佳估算模型決定系數(shù)都滿足R2>0.7，MRE<54%，其中R2最大為0.77，按由大到小排序為MSAVI > SAVI > NDVI > DVI > SRI > GBNDVI；MRE最小為23.9%，按由小到大排序為NDVI < GBNDVI< SRI < DVI=SAVI< MSAVI。

由于黃河口濕地環(huán)境復(fù)雜，很多地方無法直接進(jìn)入，難以獲取更多的現(xiàn)場生物量樣本；在下一步工作中，將結(jié)合植被生長參數(shù)和生長環(huán)境等要素，開展有限樣本條件下的生物量遙感模型研究。

[1] WOODWARD R T， WUI Y S．The economic value of wetland services: a meta-analysis [J]．Ecological Economics， 2001， 37(2):257-270．

[2] 楊永興. 國際濕地科學(xué)研究的主要特點、進(jìn)展與展望 [J]. 地理科學(xué)進(jìn)展， 2002， 21(3):111-120.

YANG Yongxing．Main characteristics， progress and prospect of international wetland science Research [J]. Process in Geography， 2002， 21(2):111-120．

[3] 崔保山， 賀強(qiáng)， 趙欣勝. 水鹽環(huán)境梯度下翅堿蓬(Suaeda salsa)的生態(tài)閾值 [J]. 生態(tài)學(xué)報， 2008, 28(4):1408-1418.

CUI Baoshan， HE Qiang， ZHAO Xinsheng． Researches on the ecological thresholds ofSuaedasalsato the environmental gradients of water table depth and soil salinity [J]．Acta Ecologica Sinica， 2008， 28(4):1408-1418．

[4] 劉國華， 馬克明， 傅伯杰， 等. 岷江干旱河谷主要灌叢類型地上生物量研究 [J]. 生態(tài)學(xué)報， 2003, 23(9):1757-1764．

LIU Guohua, MA Keming, FU Bojie,etal．Aboveground biomass of main shrubs in dry valley of Minjiang River [J]．Acta Ecologica Sinica， 2003， 23(9):1757-1764．

[5] WYLIE B, MEYER D, TIESZEN L,etal. Satellite mapping of surface biophysical parameters at the biome scale over the North American grasslands:a case study [J]. Remote Sensing of Environment, 2002, 79(2):266-278.

[6] LU D. The potential and challenge of remote sensing‐based biomass estimation [J]. International journal of remote sensing, 2006, 27(7):1297-1328.

[7] CHO M, SKIDMORE A. Hyperspectral predictors for monitoring biomass production in Mediterranean mountain grasslands:Majella National Park, Italy [J]. International Journal of Remote Sensing, 2009, 30(2):499-515.

[8] 李旭文， 季耿善， 楊靜. 太湖梅梁湖灣藍(lán)藻生物量遙感估算 [J]. 國土資源遙感， 1995， 2：23-28

LI Xuwen， JI Gengshan， YANG Jing．Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing [J]．Remote Sensing for Land and Resources， 1995， 2:23-28．

[9] 傅新， 劉高煥， 黃翀, 等. 濕地翅堿蓬生物量遙感估算模型 [J]. 生態(tài)學(xué)報， 2012， 32(17):5355-5362.

FU Xin， LIU Gaohuan， HUANG Chong，etal. Remote sensing estimation models ofSuaedasalsabiomass in the coastal wetland [J]．Acta Ecologica Sinica， 2012， 32(17):5355-5362．

[10] 李爽. 洪河自然保護(hù)區(qū)濕地植被地上生物量遙感估算研究 [D]. 北京：首都師范大學(xué)， 2009.

LI Shuang. The remote sensing estimation and analysis of aboveground biomass of vegetation in Honghe wetland nature reserve [D]. Beijing:Capital Normal University, 2009.

[11] 李仁東， 劉紀(jì)遠(yuǎn). 應(yīng)用Landsat ETM數(shù)據(jù)估算鄱陽湖濕生植被生物量 [J]. 地理學(xué)報， 2001， 56(5):532-540．

LI Rendong, LIU Jiyuan．An estimation of wetland vegetation biomass in the Poyang Lake using Landsat ETM data [J]．Acta Geographica Sinica， 2001， 56(5):532-540．

[12] ROUSE J. Monitoring vegetation systems in the Great Plains with ERTS [R]. NASA. Goddard Space Flight Center 3d ERTS-1 Symp, 1974.

[13] JORDAN C F. Derivation of leaf-area index from quality of light on the forest floor [J]. Ecology, 1969, 50(4):663-666.

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

[15] QI J, CHEHBOUNI A, HUETE A,etal. A modified soil adjusted vegetation index [J]. Remote Sensing of Environment, 1994, 48(2):119-126.

[16] ADAM E, MUTANGA O, RUGEGE D. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation:A review [J]. Wetlands Ecology and Management, 2010, 18(3):281-296.