梁建平， 馬大喜， 毛德華， 王宗明

(1.江西理工大學(xué)建筑與測繪工程學(xué)院,贛州　341000； 2.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所,濕地生態(tài)與環(huán)境重點實驗室,長春　130102)

?

雙臺河口國際重要濕地蘆葦?shù)厣仙锪窟b感估算

梁建平1,2， 馬大喜1， 毛德華2， 王宗明2

(1.江西理工大學(xué)建筑與測繪工程學(xué)院,贛州341000； 2.中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所,濕地生態(tài)與環(huán)境重點實驗室,長春130102)

摘要：基于多時相的Landsat8OLI衛(wèi)星遙感數(shù)據(jù)，采用面向?qū)ο蟮姆诸惙椒ǎ崛‰p臺河口國際重要濕地蘆葦分布信息。通過對歸一化植被指數(shù)(normalizeddifferencevegetationindex，NDVI)等6個植被指數(shù)與野外實測蘆葦?shù)厣仙锪繑?shù)據(jù)間的統(tǒng)計分析，比較不同植被指數(shù)對蘆葦?shù)厣仙锪康拿舾行?，?gòu)建雙臺河口國際重要濕地蘆葦?shù)厣仙锪窟b感反演模型； 應(yīng)用該模型對蘆葦?shù)厣仙锪窟M(jìn)行遙感反演以及空間格局分析。結(jié)果表明： 雙臺河口國際重要濕地蘆葦分布面積為4.39×104hm2，約占該研究區(qū)總面積32.96%； 選取的6個植被指數(shù)均與蘆葦?shù)厣仙锪匡@著相關(guān)(p<0.05)，其中，以NDVI為變量的冪指數(shù)形式的估算模型為蘆葦?shù)厣仙锪窟b感估算最優(yōu)模型，模擬精度為79%,決策系數(shù)為0.76； 雙臺河口國際重要濕地蘆葦?shù)厣仙锪砍蕱|高西低和北高南低的分布格局，其平均地上生物量為4 785.5g/m2，總地上生物量為2.06×106t； 本研究結(jié)果可為雙臺河口國際重要濕地生態(tài)系統(tǒng)管理和生物多樣性保護(hù)提供數(shù)據(jù)支持與科學(xué)指導(dǎo)。

關(guān)鍵詞：蘆葦濕地； 地上生物量； 面向?qū)ο蠓椒ǎ?植被指數(shù)； 雙臺河口國際重要濕地

0引言

濕地是地球上重要的生態(tài)系統(tǒng)之一，其獨特的生態(tài)環(huán)境不僅為大量野生動植物提供了適宜的生存空間，在控制水土流失、調(diào)節(jié)氣候、降解污染及蓄水防旱等[1-2]方面也發(fā)揮了不可替代的作用。蘆葦是濕地生態(tài)系統(tǒng)的主要植被類型之一，在我國北方常以優(yōu)勢群落的形式廣泛分布[3-4]。除具有濕地生態(tài)系統(tǒng)的典型生態(tài)功能之外，蘆葦因其較高的經(jīng)濟(jì)價值還可為人類的生產(chǎn)生活提供多種寶貴資源[5]。然而，由于受到人類活動和全球氣候變化的疊加影響，蘆葦濕地生態(tài)系統(tǒng)遭到不同程度的破壞。蘆葦?shù)厣仙锪渴菨竦厣鷳B(tài)系統(tǒng)運行的物質(zhì)基礎(chǔ)，是濕地科學(xué)研究中重要的生態(tài)系統(tǒng)質(zhì)量參數(shù)之一，可作為衡量濕地生態(tài)系統(tǒng)健康的重要指標(biāo)，直接反映蘆葦?shù)纳L狀況。由此，如何快速且準(zhǔn)確地估算蘆葦?shù)厣仙锪坎⑦M(jìn)行評估分析，為蘆葦濕地生態(tài)系統(tǒng)的管理提供科學(xué)支撐，是濕地科學(xué)研究中的熱點話題。

隨著遙感技術(shù)應(yīng)用的不斷深入，基于遙感反演和制圖對濕地地上生物量進(jìn)行估算的研究已經(jīng)得到廣泛開展[6-14]。以往研究多數(shù)集中于濕地分布的提取和僅選擇單一植被指數(shù)對濕地生物量進(jìn)行估算。例如，Sophie等[6]利用NOAA數(shù)據(jù)獲取歸一化植被指數(shù)(normalizeddifferencevegetationindex，NDVI)，進(jìn)而估算安第斯地區(qū)濕地植被生物量。多源遙感影像的不斷豐富和不同植被指數(shù)的發(fā)展，為更準(zhǔn)確地進(jìn)行濕地植被制圖和生物量估算提供了有力支持。Zheng等[7]應(yīng)用Landsat7ETM+影像數(shù)據(jù)提取NDVI、修正土壤調(diào)整植被指數(shù)(modifiedsoil-adjustedvegetationindex，MSAVI)等5個植被指數(shù)，對威斯康星州北部的植被進(jìn)行生物量評估,其中NDVI為參數(shù)的估算模型最優(yōu)，并得到研究區(qū)的總生物量為3.3×106t； 王慶等[8]綜合利用LandsatTM光學(xué)影像和ENVISATASAR雷達(dá)影像數(shù)據(jù)對濕地植被空間分布范圍進(jìn)行提取，并在此基礎(chǔ)上運用NDVI，比值植被指數(shù)(ratiovegetationindex，RVI)和差值植被指數(shù)(differencevegetationindex，DVI)3個指數(shù)進(jìn)行統(tǒng)計回歸模型建立，對鄱陽湖濕地植被的生物量進(jìn)行了反演，獲得了鄱陽湖濕地生物量。國內(nèi)外學(xué)者針對不同地區(qū)的濕地植被進(jìn)行生物量反演的研究逐步增多。吳濤等[9]利用不同植被指數(shù)對雙臺河口的翅堿蓬進(jìn)行空間分布制圖和生物量反演模型構(gòu)建，并在此基礎(chǔ)上分析了翅堿蓬的變化規(guī)律，成為重要濕地植被群落遙感建模估算的典型案例。以往的研究對濕地植被的空間分布制圖和生物量反演模型構(gòu)建的進(jìn)一步探索起到重要的推動作用，但是遙感分類方法大多采用基于像元的傳統(tǒng)遙感分類方法，針對典型群落的濕地類型，如蘆葦濕地，在遙感信息提取方面，與基于面向?qū)ο蟮姆诸惙椒ㄏ啾染哂幸欢ǖ谋锥恕?/p>

遼寧省雙臺河口國際重要濕地是亞洲東北部重要的水禽棲息地。濕地植被的優(yōu)勢群落為蘆葦，其長勢關(guān)系著大量水禽和珍貴鳥類生存以及以蘆葦為產(chǎn)業(yè)的區(qū)域經(jīng)濟(jì)發(fā)展。蘆葦?shù)厣仙锪康母叩蛯S持區(qū)域經(jīng)濟(jì)可持續(xù)發(fā)展和生物多樣性具有重要的意義。近年來，由于受石油工業(yè)、水產(chǎn)養(yǎng)殖及耕墾等[15-16]人類活動和氣候變化的影響，該濕地中蘆葦?shù)纳L遭受了不同程度的破壞，濕地保護(hù)與經(jīng)濟(jì)發(fā)展的矛盾日漸突出。因此，如何在經(jīng)濟(jì)快速發(fā)展的背景下，對該區(qū)濕地資源進(jìn)行合理的開發(fā)利用和保護(hù)管理，關(guān)系著區(qū)域生態(tài)平衡和安全。以往研究工作由于受到數(shù)據(jù)獲取和傳統(tǒng)基于像元分類方法的限制，對該濕地蘆葦分布提取及地上生物量反演的研究相對匱乏，對區(qū)域濕地生態(tài)系統(tǒng)的管理和保護(hù)未能形成有效的支撐。

本文以雙臺河口國際重要濕地為研究區(qū)，采用2014年多時相的LandsatOLI衛(wèi)星影像為遙感數(shù)據(jù)源，結(jié)合地面實測數(shù)據(jù)，應(yīng)用面向?qū)ο蟮倪b感解譯方法開展研究區(qū)蘆葦空間分布制圖； 進(jìn)而比較不同植被指數(shù)對實測蘆葦?shù)厣仙锪康拿舾行裕瑯?gòu)建蘆葦?shù)厣仙锪康倪b感估算模型，進(jìn)行蘆葦?shù)厣仙锪糠囱菖c分析，以期為該濕地區(qū)蘆葦研究以及蘆葦濕地保護(hù)提供基礎(chǔ)數(shù)據(jù)，對區(qū)域蘆葦濕地生態(tài)系統(tǒng)的保護(hù)與管理提供科學(xué)依據(jù)。

1數(shù)據(jù)源及方法

1.1研究區(qū)概況

雙臺河口國際重要濕地(《拉姆塞爾公約》編號： 1441)在E121°23′～122°29′，N40°39′N～41°27′之間，處于遼寧省盤錦市境內(nèi)遼河三角洲的核心部位，遼河平原南部，瀕臨渤海灣，分為實驗區(qū)、緩沖區(qū)和核心區(qū)(圖1)。區(qū)域總面積為12.8×104hm2，氣候?qū)儆跍貛Т箨懶园霛駶櫦撅L(fēng)氣候，年平均氣溫為8.4 ℃～8.6 ℃，年降水量611.6～640mm，平均潛在蒸發(fā)量為1 699.6mm。區(qū)域地勢較為平坦，海拔為0～4m。土壤主要有草甸土、鹽土、沼澤土和水稻土等類型，主要植被類型為蘆葦、菖蒲和翅堿蓬[17]。雙臺河口濕地不僅擁有東北最大的葦場，為珍稀鳥類與動物提供棲息地和繁殖場所； 同時是由翅堿蓬構(gòu)成的全國面積最大的 “紅海灘”，是雙臺河口的主要旅游景區(qū)； 該區(qū)還具有豐富的石油資源，是區(qū)域經(jīng)濟(jì)發(fā)展的主要類型。

圖1　研究區(qū)位置圖

1.2遙感數(shù)據(jù)預(yù)處理

本研究選取的遙感信息源為Landsat8衛(wèi)星的OLI影像，其重訪周期為16d，空間分辨率為30m。影像數(shù)據(jù)的質(zhì)量是生物量反演的重要保障，選取2014年3個時相云層覆蓋率為0且能覆蓋整個研究區(qū)域的衛(wèi)星影像，軌道號為120/031和120/032。每景影像分別選取了3個不同時相，分別為5月、8月和9月。利用ENVI軟件對原始的影像進(jìn)行輻射定標(biāo)、運用FLAASH模塊大氣校正處理、幾何糾正，并且控制誤差在0.5個像元以內(nèi)[18]。

盤錦地區(qū)3—4月份冰雪開始融化，5月份濕地具有大量的積水，此時利用紅外圖像可快速準(zhǔn)確區(qū)分出濕地與非濕地的界限，9月份影像濕地植被與其他植被的光譜差異明顯。本研究采用5月與9月份的影像相結(jié)合來進(jìn)行濕地分布信息提取。8月份是蘆葦生長最旺盛的季節(jié)，所以 8月份影像主要用于生物量建模與反演。

1.3實測蘆葦?shù)厣仙锪繑?shù)據(jù)獲取與處理

本研究于2014年8月對研究區(qū)預(yù)設(shè)采樣點，對區(qū)域蘆葦?shù)厣仙锪窟M(jìn)行樣本采集。具體方法為： 每個樣地隨機(jī)選取3個樣點，利用取樣框隨機(jī)取得1m×1m的樣方，利用GPS記錄采樣點的經(jīng)度、緯度和高程。齊地面進(jìn)行收割樣方內(nèi)的所有蘆葦，然后進(jìn)行裝袋標(biāo)記稱重，統(tǒng)計濕生物量。后期實驗室處理時將樣品放入對應(yīng)標(biāo)記牛皮紙袋中，在65℃環(huán)境下烘干至恒重，稱量每個樣品的干生物量。將3個小樣方的干生物量取平均值，作為樣地蘆葦?shù)厣仙锪?。利用ArcGIS將采集的41個樣地的地上生物量數(shù)據(jù)錄入到對應(yīng)的GPS點中，生成點圖層，建立地理空間數(shù)據(jù)庫。其中，結(jié)合空間分布情況隨機(jī)選取30個實測數(shù)據(jù)作為建模訓(xùn)練樣本，剩余的11個實測數(shù)據(jù)作為模型驗證樣本。

1.4蘆葦分布信息提取

研究區(qū)的主要濕地類型為人工濕地與自然濕地。人工濕地包括水庫/坑塘、運河/水渠和水田。自然濕地包括河流、蘆葦濕地和翅堿蓬濕地。利用野外實地調(diào)查數(shù)據(jù)、依據(jù)《濕地公約》的規(guī)定，并參照現(xiàn)有研究[6,9]的做法，結(jié)合研究區(qū)的土地覆蓋類型與本次研究的目的，建立了該區(qū)的土地覆蓋分類系統(tǒng)： 建設(shè)用地、蘆葦濕地、翅堿蓬濕地、旱地、水田、居住地、交通用地、運河/水渠、水庫/坑塘。

以2014年覆蓋研究區(qū)的多時相影像作為主要數(shù)據(jù)源，利用面向?qū)ο蠓诸愜浖Cognition對研究區(qū)的蘆葦分布信息進(jìn)行提取。應(yīng)用面向?qū)ο鬂竦胤诸惙椒╗19]主要可以分為以下3個步驟： ①基于面向?qū)ο蟮姆诸愜浖?，利用多尺度分?multi-resolutionsegmentation)算法，得到同質(zhì)對象； ②區(qū)分濕地與其他地物，提取濕地分布信息； ③對濕地進(jìn)行詳細(xì)區(qū)分，提取蘆葦沼澤分布信息。

結(jié)合野外實地調(diào)查數(shù)據(jù)(210個)和從GoogleEarth的高空間分辨率(大于2.5m)的圖像上獲取的169個覆蓋所有土地覆蓋類型驗證點。從中隨機(jī)選取260個，參照分割后的影像將其導(dǎo)入eCognition軟件中，通過驗證點對應(yīng)的地物提取不同地物類型的參數(shù)信息，反復(fù)該過程，直到獲得能準(zhǔn)確地區(qū)分出蘆葦與其他地物的閾值為止。本文利用歸一化差值植被指數(shù)(NDVI)、歸一化水體指數(shù)(normalizeddifferencewaterindex,NDWI)[20]、OLI影像的第3波段(B3)和第4波段(B4)反射率及二者的比值(B4/B3)構(gòu)建分類規(guī)則集，結(jié)合目視人工解譯對蘆葦濕地分布信息進(jìn)行提取，具體流程如圖2所示。

圖2　蘆葦分布信息提取流程圖

混淆矩陣[21]是評價圖像解譯結(jié)果精度的主要算法。本研究通過建立混淆矩陣方法來評估蘆葦信息提取的精度。

1.5遙感反演方法

參考國內(nèi)外提取生物量的研究方法，結(jié)合研究區(qū)域內(nèi)的植被覆蓋特點，選取與生物量相關(guān)的6個常用植被光譜指數(shù)：NDVI，DVI，RVI，MSAVI，增強(qiáng)型植被指數(shù)(enhancedvegetationindex，EVI)和優(yōu)化土壤調(diào)整植被指數(shù)(optimizedsoiladjustedvegetationindex，OSAVI)。計算公式如表1所示。利用ArcGIS軟件提取各樣地中心點周圍3像元×3像元的不同植被指數(shù)的平均值，將選取建模訓(xùn)練樣本的蘆葦生物量實測數(shù)據(jù)與相應(yīng)的植被指數(shù)進(jìn)行相關(guān)分析和回歸分析，比較不同植被指數(shù)對生物量數(shù)據(jù)的敏感性?；谙嚓P(guān)系數(shù)和可決系數(shù)(R2)選擇最佳植被指數(shù)和最優(yōu)回歸曲線，進(jìn)行蘆葦?shù)厣仙锪糠囱萁＃?用選取的模型驗證樣本數(shù)據(jù)進(jìn)行模型評價和驗證。

表1　研究中采用的植被指數(shù)[12,22]

①式中： Rnir表示近紅外波段反射率值； Rred表示紅光波段反射率值; Rblue表示藍(lán)光波段反射率值。

2結(jié)果與分析

2.1蘆葦分布信息提取及制圖分析

2.1.1蘆葦信息提取精度評價

基于預(yù)留的119個地面實際調(diào)查點與遙感提取的土地覆蓋類型結(jié)果建立混淆矩陣。驗證蘆葦提取信息精度的結(jié)果顯示： 蘆葦?shù)闹茍D精度為90%，用戶精度為92%； 研究區(qū)土地覆蓋類型總體分類精度為87%，Kappa系數(shù)為0.82。說明本研究的分類精度較好，實現(xiàn)分類參數(shù)的閾值對蘆葦分布信息提取有較好的效果，能夠滿足本研究的需求。

2.1.2蘆葦空間分布及統(tǒng)計特征

基于LandsatOLI遙感影像，利用面向?qū)ο蟮姆诸惙椒ㄌ崛⊙芯繀^(qū)土地覆蓋信息，結(jié)果如圖3所示。研究區(qū)域內(nèi)的濕地植被主要為蘆葦，其主要沿著雙臺河道兩側(cè)分布，西側(cè)明顯多于東側(cè)。統(tǒng)計結(jié)果顯示： 2014年蘆葦面積為4.39×104hm2。其中核心區(qū)內(nèi)的蘆葦面積為1.36×104hm2，緩沖區(qū)內(nèi)的面積為1.74×104hm2，實驗區(qū)蘆葦面積為1.27×104hm2。

圖3　2014年遼寧雙臺河口國際重要濕地蘆葦分布

2.2蘆葦?shù)厣仙锪糠囱菽Ｐ蜆?gòu)建與評價

2.2.1基于不同植被指數(shù)比較的蘆葦?shù)厣仙锪糠囱菽Ｐ蜆?gòu)建

統(tǒng)計分析方法具有簡單、快捷和精度較高的特性。利用統(tǒng)計分析進(jìn)行植被指數(shù)與生物量之間建立估算模型的方法已經(jīng)得到廣泛應(yīng)用。利用SPSS軟件[23]分析實測地上生物量與提取的6個變量之間的相關(guān)，驗證與生物量之間關(guān)系程度最密切的自變量，并與生物量進(jìn)行一元回歸或者多元線性回歸。具體方法如下： 從41個采樣點中挑出選好的建模訓(xùn)練樣本(30個)，利用樣點對應(yīng)的生物量與其對應(yīng)的各個變量進(jìn)行回歸模型構(gòu)建： 分別構(gòu)建了線性模型、指數(shù)模型、冪指數(shù)模型。對比出最優(yōu)的模型，并對其進(jìn)行驗證。最后，通過絕對誤差、相對誤差和估算精度對選取的模型精度進(jìn)行評價[24]。通過對比分析后得出NDVI指數(shù)與生物量之間的相關(guān)性最好，如表2所示。通過回歸分析選出最優(yōu)的雙臺河口蘆葦生物量的擬模型為

y=686.32e3.029NDVI， R2=0.788 2 。

(1)

與此相似，牛婷等[25]以NDVI植被指數(shù)對塔里木河下游的蘆葦生物量進(jìn)行評估，發(fā)現(xiàn)其估算精度高達(dá)82.07%，說明NDVI更適合蘆葦生物量的反演研究。李延峰等[26]利用植被指數(shù)對東北地區(qū)蘆葦?shù)厣仙锪拷５贸鯪DVI與地上生物量擬合較好，二者呈線性關(guān)系

y=4 029.6NDVI-433.71 ，

(2)

可能是地區(qū)與降水量不同的影響，導(dǎo)致蘆葦長勢存在差異。

表2　基于植被指數(shù)的蘆葦生物量的反演模型

2.2.2蘆葦生物量反演模型精度評價

將模型驗證樣本(11個)的NDVI值帶入最優(yōu)模型，得到對應(yīng)點的生物量的模擬值。將模擬值與實測值進(jìn)行對比后，計算相對誤差結(jié)果為20.73%，說明模型的估算精度可以達(dá)到79%，模型估算的效果相對較好(圖4)，可以用來估算保護(hù)區(qū)蘆葦?shù)纳锪靠臻g格局分布。

圖4　2014年盤錦雙臺河口國際重要濕地

2.3蘆葦?shù)厣仙锪靠臻g制圖與分析

通過最優(yōu)模型與NDVI數(shù)據(jù)進(jìn)行反演和制圖得出研究區(qū)內(nèi)蘆葦?shù)厣仙锪康目臻g分布圖(圖5)。

圖5　2014年遼寧雙臺河口國際重要濕地蘆葦

蘆葦?shù)厣仙锪糠植继卣鳛闁|北高于西南。蘆葦生物量較高的地方主要分布在東北部，原因在于雙臺河從北部流經(jīng)研究區(qū)，為濕地提供較為充足的水源，也為蘆葦生長提供了良好的保障； 從圖中可以看出，蘆葦長勢較好的地區(qū)無人居?。?道路分布較為稀少； 幾乎沒有油田的分布。而生物量相對較低的西南部位遠(yuǎn)離雙臺河主河道； 分布比較密集道路和油田。由于道路以及油田的存在對濕地整體景觀格局造成嚴(yán)重破壞，阻礙了濕地格局的能量相互傳遞； 而且該部位靠近含鹽量較高的海邊，具有大量的水產(chǎn)養(yǎng)殖用地，旅游景區(qū)“紅海灘”也分布在沿海地區(qū)，給濕地帶來較大的負(fù)面影響； 石油大量的開采也會導(dǎo)致石油污染，對該區(qū)的蘆葦生長具有較大抑制作用； 因而該部位的生物量相對較低[15]。

研究區(qū)蘆葦平均地上生物量為4 785.5 g/m2，而王丹等[27]對蘇州太湖濕地的蘆葦生物量研究，發(fā)現(xiàn)太湖的蘆葦生物量為2 219.5 g/m2，可能是降水量、水深和地域不同對蘆葦生長的影響會有所不同[28]。研究區(qū)內(nèi)蘆葦總生物量為2.06×106t，核心區(qū)蘆葦平均地上生物量為4 808.02 g/m2； 緩沖區(qū)蘆葦平均地上生物量為4 782.427 g/m2； 實驗區(qū)蘆葦平均地上生物量為4 764.66 g/m2。由此看出核心區(qū)的蘆葦長勢最好，其次是緩沖區(qū)，最后為實驗區(qū)。

3結(jié)論

本文利用多時相遙感影像數(shù)據(jù)，采用面向?qū)ο蟮姆椒▽μJ葦濕地信息進(jìn)行提取，分析植被指數(shù)與蘆葦?shù)厣仙锪恐g的敏感性，利用最敏感的植被指數(shù)對研究區(qū)內(nèi)的蘆葦進(jìn)行空間反演，取得了較好效果，并得出以下主要結(jié)論：

1)采用面向?qū)ο蟮姆诸惙椒▽﹄p臺河口國際重要濕地的土地覆蓋信息進(jìn)行提取，結(jié)合分類參數(shù)閾值選取與人工目視解譯方法的精度較高，其精度達(dá)到90%以上。

2)2014年雙臺河口國際重要濕地內(nèi)蘆葦面積為4.39×104hm2，其中核心區(qū)內(nèi)蘆葦面積為1.36×104hm2； 緩沖區(qū)內(nèi)的面積為1.74×104hm2； 實驗區(qū)內(nèi)的蘆葦面積為1.27×104hm2。

3)比較實測地上生物量值與不同光譜植被指數(shù)間的相關(guān)性，發(fā)現(xiàn)NDVI與生物量所擬合的模型為雙臺河口國際重要濕地蘆葦?shù)厣仙锪窟b感估算最優(yōu)模型。該區(qū)平均地上生物量為4 785.5 g/m2，總地上生物量為2.06×106t，呈現(xiàn)出東高西低、北高南低的分布特征。

參考文獻(xiàn)(References)：

[1]江波,歐陽志云,苗鴻,等.海河流域濕地生態(tài)系統(tǒng)服務(wù)功能價值評價[J].生態(tài)學(xué)報,2011,31(8):2236-2244.

Jiang B,Ouyang Z Y,Miao H,et al.Ecosystem services valuation of the Haihe River basin wetlands[J].Acta Ecologica Sinica,2011,31(8):2236-2244.

[2]Keddy P A.Wetland Ecology:Principles and Conservation[M].Cambridge:Cambridge University Press,2000.

[3]劉興土.東北濕地[M].北京:科學(xué)出版社,2005.

Liu X T.Northeast Wetland[M].Beijing:Science Press,2005.

[4]呂憲國,王升忠,姜明,等.中國濕地與濕地研究[M].石家莊:河北科學(xué)技術(shù)出版社,2008.

Lyu X G,Wang S Z,Jiang M,et al.Study on Wetland and Wetland in China[M].Shijiazhuang:Hebei Science and Technology Publishing House,2008.

[5]王莉雯,衛(wèi)亞星.盤錦濕地凈初級生產(chǎn)力時空分布特征[J].生態(tài)學(xué)報,2012,32(19):6006-6015.

Wang L W,Wei Y X.Variation analysis about net primary productivity of the wetland in Panjin region[J].Acta Ecologica Sinica,2012,32(19):6006-6015.

[6]Moreau S,Bosseno R,Gu X F,et al.Assessing the biomass dynamics of Andean bofedal and totora high-protein wetland grasses from NOAA/AVHRR[J].Remote Sensing of Environment,2003,85(4):516-529.

[7]Zheng D L,Rademacher J,Chen J Q,et al.Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin,USA[J].Remote Sensing of Environment,2004,93(3):402-411.

[8]王慶,廖靜娟.基于Landsat TM和ENVISAT ASAR數(shù)據(jù)的鄱陽湖濕地植被生物量的反演[J].地球信息科學(xué)學(xué)報,2010,12(2):2282-2291.

Wang Q,Liao J J.Estimation of wetland vegetation biomass in the Poyang Lake area using Landsat TM and ENVISAT ASAR data[J].Journal of GEO-Information Science,2010,12(2):2282-2291.

[9]吳濤,趙冬至,康建成,等.遼東灣雙臺子河口濕地翅堿蓬(Suaeda salsa)生物量遙感反演研究[J].生態(tài)環(huán)境學(xué)報,2011,20(1):24-29.

Wu T,Zhao D Z,Kang J C,et al.Suaeda salsa dynamic remote monitoring and biomass remote sensing inversion in Shuangtaizi River estuary[J].Ecology and Environmental Sciences,2011,20(1):24-29.

[10]李旭文,季耿善,楊靜.太湖梅梁湖灣藍(lán)藻生物量的遙感估算[J].遙感信息,1995(1):35-38.

Li X W,Ji G S,Yang J.Estimating cyanophyta biomasss standing crops in meiliang gulf of Lake Taihu by satellite remote sensing[J].Remote Sensing Information,1995(1):35-38.

[11]Moreau S,Le Toan T.Biomass quantification of Andean wetland forages using ERS satellite SAR data for optimizing livestock management[J].Remote Sensing of Environment,2003,84(4):477-492.

[12]Van T K,Rayachhetry M B,Center T D.Estimating above-ground biomass of Melaleuca quinquenervia in Florida,USA[J].Journal of Aquatic Plant Management,2000,38(1):62-67.

[13]黎夏,葉嘉安,王樹功,等.紅樹林濕地植被生物量的雷達(dá)遙感估算[J].遙感學(xué)報,2006,10(3):387-396.

Li X,Ye J A,Wang S G,et al.Estimating mangrove wetland biomass using radar remote sensing[J].Journal of Remote Sensing,2006,10(3):387-396.

[14]高明亮,趙文吉,宮兆寧,等.基于環(huán)境衛(wèi)星數(shù)據(jù)的黃河濕地植被生物量反演研究[J].生態(tài)學(xué)報,2013,33(2):542-553.

Gao M L,Zhao W J,Gong Z N,et al.The study of vegetation biomass inversion based on the HJ satellite data in Yellow River wetland[J].Acta Ecologica Sinica,2013,33(2):542-553.

[15]徐東霞,章光新.人類活動對中國濱海濕地的影響及其保護(hù)對策[J].濕地科學(xué),2007,5(3):282-288.

Xu D X,Zhang G X.Impact of human activities on coastal wetlands in China[J].Wetland Science,2007,5(3):282-288.

[16]陳克林,張小紅,呂詠.氣候變化與濕地[J].濕地科學(xué),2003,1(1):73-77.

Chen K L,Zhang X H,Lyu Y.Climate change and wetland[J].Wetland Science,2003,1(1):73-77.

[17]李延峰,毛德華,王宗明,等.雙臺河口國家級自然保護(hù)區(qū)蘆葦葉面積指數(shù)遙感反演與空間格局分析[J].濕地科學(xué),2014,12(2):163-169.

Li Y F,Mao D H,Wang Z M,et al.Remote sensing retrieval and spatial pattern analysis of leaf area index of Phragmites australis in Shuangtai estuary national nature reserve[J].Wetland Science,2014,12(2):163-169.

[18]孫俊杰,馬大喜,任春穎,等.基于多時相環(huán)境衛(wèi)星數(shù)據(jù)的南甕河流域濕地信息提取方法研究[J].濕地科學(xué),2013,11(1):60-67.

Sun J J,Ma D X,Ren C Y,et al.Method of extraction of wetlands information in Nanweng River Basin based on multi-temporal environment satellite images[J].Wetland Science,2013,11(1):60-67.

[19]謝靜,王宗明,毛德華,等.基于面向?qū)ο蠓椒ê投鄷r相HJ-1影像的濕地遙感分類——以完達(dá)山以北三江平原為例[J].濕地科學(xué),2012,10(4):429-438.

Xie J,Wang Z M,Mao D H,et al.Remote sensing classification of wetlands using object-oriented method and multi-season HJ-1 images:A case study in the Sanjiang Plain north of the Wandashan Mountain[J].Wetland Science,2012,10(4):429-438.

[20]宋小寧,趙英時.應(yīng)用MODIS衛(wèi)星數(shù)據(jù)提取植被-溫度-水分綜合指數(shù)的研究[J].地理與地理信息科學(xué),2004,20(2):13-17.

Song X N,Zhao Y S.Study on vegetation-temperature-water synthesis index using MODIS satellite data[J].Geography and Geo-Information Science,2004,20(2):13-17.

[21]賈明明,王宗明,張柏,等.綜合環(huán)境衛(wèi)星與MODIS數(shù)據(jù)的面向?qū)ο笸恋馗采w分類方法[J].武漢大學(xué)學(xué)報:信息科學(xué)版,2014,39(3):305-310.

Jia M M,Wang Z M,Zhang B,et al.Land cover classification of compositing HJ-1 and MODIS data based on object-based method[J].Geomatics and Information Science of Wuhan University,2014,39(3):305-310.

[22]Ji L,Wylie B K,Nossov D R,et al.Estimating aboveground biomass in interior Alaska with Landsat data and field measurements[J].International Journal of Applied Earth Observation and Geoinformation,2012,18:451-461.

[23]盧紋岱.SPSS統(tǒng)計分析[M].4版.北京:電子工業(yè)出版社,2010.

Lu W D.SPSS Statistical Analysis[M].4th ed.Beijing:Electronic Industry Press,2010.

[24]羅玲,王宗明,任春穎,等.基于MODIS數(shù)據(jù)的松嫩草原產(chǎn)草量遙感估算模型與空間反演[J].農(nóng)業(yè)工程學(xué)報,2010,26(5):182-187.

Luo L,Wang Z M,Ren C Y.Models for estimation grassland production and spatial inversion based on MODIS data in Songnen Plain[J].Transactions of the CSAE,2010,26(5):182-187.

[25]牛婷,李霞,林海軍,等.塔里木河下游蘆葦生物量遙感估算模型研建[J].國土資源遙感,2011,23(4):42-45.doi:10.6046/gtzyyg.2011.04.08.

Niu T,Li X,Lin H J,et al.The construction of the remote sensing estimation models for reed biomass in the lower reaches of the Tarim River[J].Remote Sensing for Land and Resources,2011,23(4):42-45.doi:10.6046/gtzyyg.2011.04.08.

[26]李延峰.東北典型區(qū)蘆葦分布提取與地上生物量遙感估算[D].長春:中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所,2014.

Li Y F.Phragmites Australis Extraction and Aboveground Biomass Estimation in Typical Regions of Northeast China,Using Remote Sensing Technology[D].Changchun:Northeast Institute of Geography and Agroecology,Chinese Academy of Sciences,2014.

[27]王丹,張銀龍,龐博,等.蘇州太湖濕地蘆葦生物量與水深的動態(tài)特征研究[J].環(huán)境污染與防治,2010,32(7):49-54.

Wang D,Zhang Y L,Pang B,et al.Study on dynamic characteristics between the biomass of Phragmites communis and water depth at Taihu wetland in Suzhou[J].Environmental Pollution and Control,2010,32(7):49-54.

[28]趙文智,常學(xué)禮,李啟森,等.荒漠綠洲區(qū)蘆葦種群構(gòu)件生物量與地下水埋深關(guān)系[J].生態(tài)學(xué)報,2003,23(6):1138-1146.

Zhao W Z,Chang X L,Li Q S,et al.Relationship between structural component biomass of reed population and ground water depth in desert oasis[J].Acta Ecologica Sinica,2003,23(6):1138-1146.

(責(zé)任編輯： 李瑜)

Remote sensing based estimation of Phragmites australis aboveground biomass in Shuangtai Estuary National Nature Reserve

LIANG Jianping1,2， MA Daxi1， MAO Dehua2， WANG Zongming2

(1. Jiangxi University of Science and Technology, Ganzhou 341000, China; 2. Key Laboratory of Wetland Ecology and Environment,NortheastInstituteofGeographyandAgroecology,ChineseAcademyofSciences,Changchun130102,China)

Abstract:With the object-oriented classification method, the spatial distribution of Phragmites australis was obtained based on multi-temporal Landsat8 OLI data covering Shuangtai Estuary National Nature Reserve. By analyzing the sensitivity between different vegetation indexes and aboveground biomass (AGB) of Phragmites australis, the retrieval model of AGB for Phragmites australis was developed. Furthermore, the spatial pattern of AGB for Phragmites australis was observed. The results showed that the area of Phragmites australis was 4.39×104hm2, accounting for 32.96% of the study area of the Shuangtai Estuary National Nature Reserve. Selecting NDVI as the variable for the power function, the authors formulated the optimal model for estimating AGB of Phragmites australis with an estimation accuracy of 79%. Average AGB of Phragmites australis was 4 785.5 g/m2and total AGB was 2.06×106t. High values of AGB were observed in the northeast part, while low AGB values in the southwest. The results obtained in this study would provide data to support wetland ecosystem management and scientific guidance for Shuangtai Estuary National Nature Reserve.

Keywords:Phragmites australis wetland; aboveground biomass; object-oriented classification; vegetation index; Shuangtai Estuary National Nature Reserve

doi:10.6046/gtzyyg.2016.03.10

收稿日期：2015-04-30；

修訂日期：2015-06-16

基金項目：國家自然科學(xué)基金項目“應(yīng)用遙感信息定量區(qū)分氣候變化和人類活動對沼澤濕地植被NPP的影響”(編號： 41401502)和“基于優(yōu)化植被指數(shù)的草本濕地植被凈初級生產(chǎn)力遙感估算”(編號： 41371403)共同資助。

中圖法分類號：TP79

文獻(xiàn)標(biāo)志碼：A

文章編號：1001-070X(2016)03-0060-07

第一作者簡介：梁建平(1992-)，男，碩士研究生，主要從事濕地生態(tài)遙感的研究。Email: liangxiao318@sina.cn。

通信作者：毛德華(1987-)，男，助理研究員，主要從事濕地生態(tài)遙感的研究。Email: maodehua@iga.ac.cn。

引用格式： 梁建平，馬大喜，毛德華,等.雙臺河口國際重要濕地蘆葦?shù)厣仙锪窟b感估算[J].國土資源遙感,2016,28(3):60-66.(LiangJP，MaDX，MaoDH,etal.RemotesensingbasedestimationofPhragmitesaustralisabovegroundbiomassinShuangtaiEstuaryNationalNatureReserve[J].RemoteSensingforLandandResources,2016,28(3):60-66.)