張 超 余哲修 黃 田 張 一 羅恒春 牛曉花

( 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650233)

濕地植被是濕地的重要組成部分之一，對(duì)濕地植被生物量的監(jiān)測(cè)和評(píng)價(jià)，可以衡量濕地生態(tài)系統(tǒng)的健康狀況，進(jìn)而深入研究濕地生態(tài)系統(tǒng)碳循環(huán)、氮循環(huán)、凈初級(jí)生產(chǎn)力等[1-2]。高原濕地是濕地科學(xué)領(lǐng)域研究的熱點(diǎn)問(wèn)題之一，位于滇西北的高原分布有許多獨(dú)特的濕地，其生境復(fù)雜、物種多樣性豐富，并且生態(tài)系統(tǒng)脆弱，人為活動(dòng)自然因素的影響已造成生態(tài)系統(tǒng)破壞和濕地資源喪失，因此對(duì)高原濕地植被生物量的演變狀況進(jìn)行及時(shí)、準(zhǔn)確的監(jiān)測(cè)和評(píng)價(jià)顯得至關(guān)重要[3-5]。

傳統(tǒng)的濕地植被生物量估算主要靠人工實(shí)地布設(shè)樣方，收割采集，既費(fèi)時(shí)費(fèi)力，又具有破壞性，并且濕地以水體或沼澤為主，環(huán)境較為復(fù)雜，部分區(qū)域難以實(shí)地設(shè)置樣方采集植被[6-7]，利用遙感技術(shù)對(duì)濕地植被的生物量進(jìn)行調(diào)查估算，能夠減少人力物力的耗費(fèi)，相比傳統(tǒng)調(diào)查方法，對(duì)濕地生態(tài)系統(tǒng)的研究能發(fā)揮更多的價(jià)值。高光譜遙感具有波段數(shù)量多、光譜分辨率高、光譜連續(xù)等特點(diǎn)，可以獲取地物豐富的反射光譜信息[8]，對(duì)高光譜數(shù)據(jù)的變換可以減少背景、光照等因素的影響，能夠更好地提取地物光譜特征，一些植被的光譜反射率經(jīng)過(guò)不同的數(shù)學(xué)變換后，可以增強(qiáng)光譜與其生理生化參量的相關(guān)性，從而利用高光譜數(shù)據(jù)定量反演植被的理化參數(shù)[9-11]?；诟吖庾V數(shù)據(jù)估測(cè)濕地植被生物量在國(guó)內(nèi)外已被成熟應(yīng)用，如Sun等[12]利用多種高光譜植被指數(shù)對(duì)洪河濕地優(yōu)勢(shì)植物地面鮮生物量估測(cè)，ATSAVI指數(shù)與鮮生物量的相關(guān)系數(shù)達(dá)0.85（P＜0.01）；Adam等[13]基于隨機(jī)森林回歸，利用高光譜構(gòu)建的NDVI和EVI對(duì)iSimangaliso濕地公園的莎葉草（Cyperus papyrus）生物量進(jìn)行估測(cè)，最高R2為0.90；Luo等[14]結(jié)合激光雷達(dá)和高光譜數(shù)據(jù)對(duì)張掖國(guó)家濕地公園的蘆葦（Phragmites australis）生物量進(jìn)行估測(cè)，研究表明，結(jié)合LiDAR和高光譜數(shù)據(jù)估測(cè)的精度比單獨(dú)使用高光譜數(shù)據(jù)精度提高了16.5%；李偉娜[15]利用CHRIS數(shù)據(jù)估測(cè)了隆寶灘濕地植被生物量，得出基于+36°VInew為自變量建立的指數(shù)模型估測(cè)鮮生物量效果最佳；盧霞等[16]通過(guò)高光譜數(shù)據(jù)構(gòu)建了窄波段植被指數(shù)，估測(cè)了三洋港濕地堿蓬（Suaeda glauca）的地上鮮生物量，得出基于構(gòu)建的線性回歸模型精度最高。

本研究以大理劍湖濕地為研究區(qū)，選取劍湖濕地分布最多的茭草（Zizania latifolia）為研究對(duì)象，結(jié)合實(shí)測(cè)茭草的生物量和茭草反射光譜數(shù)據(jù)，通過(guò)不同的光譜變換分析，建立光譜變量和鮮生物量的估算模型。旨在探討利用高光譜反演濕地植被生理生化參數(shù)的可行性，從而為濕地生態(tài)系統(tǒng)的研究提供參考。

1 研究區(qū)概況

劍湖濕地位于云南省大理白族自治州劍川縣境內(nèi)，地處東經(jīng) 99°55′，北緯 26°28′，總面積約7.5 km2，平均海拔2 186 m，湖面積6.23 km2，平均水深2.7 m，最大水深6.0 m。劍湖濕地植被類型包括：草叢沼澤型群系4個(gè)，漂浮植物型、浮葉植物型、沉水植物型群系10個(gè)。沉水植被是劍湖濕地植被中分布面積最廣、類型最豐富、多樣性程度最高的類型。劍湖濕地共有維管植物443種，其中蕨類植物10科14屬20種，種子植物102科267屬423種，在102科中，裸子植物3科3屬4種，被子植物99科264屬419種。劍湖濕地植被以茭草的分布面積為最大。

2 材料與方法

2.1 數(shù)據(jù)采集與處理

以生長(zhǎng)健康的茭草為研究對(duì)象，選擇植被的生長(zhǎng)季采樣，采樣時(shí)間為2017年7月27日?，F(xiàn)地確定采樣點(diǎn)位置時(shí)，每個(gè)采樣點(diǎn)間隔大于200 m，共設(shè)置33個(gè)樣地（圖1），528個(gè)樣方，共采集茭草反射光譜曲線1 320條。

樣地大小為1 m×1 m，將整個(gè)樣地劃分為16個(gè)0.25 m×0.25 m的小樣方，每個(gè)樣地選取3個(gè)樣方實(shí)測(cè)光譜，每個(gè)樣地選取1個(gè)樣方，采用皆伐法采集樣品，采集樣本后現(xiàn)場(chǎng)放置于便攜式電子天平（精度0.01 g）稱量。

圖1 研究區(qū)位置及采樣點(diǎn)分布Fig. 1 Sketch map of location of study area and sample points distribution

利用ASD Field Spec 3野外光譜儀采集光譜數(shù)據(jù)（波長(zhǎng)為350～2 500 nm）。測(cè)量在晴朗、無(wú)風(fēng)、少云條件下進(jìn)行，測(cè)量時(shí)間10：00—15：00。光譜采樣時(shí)，將茭草葉片展平，儀器探頭垂直于葉片，每個(gè)樣本測(cè)量30次光譜，視實(shí)際環(huán)境隨時(shí)對(duì)儀器定標(biāo)。測(cè)量光譜時(shí)，受空氣水汽、太陽(yáng)光強(qiáng)度、儀器本身等影響，光譜曲線部分譜段存在噪聲和毛刺，使用ASD光譜儀配套的ViewSpec Pro軟件將測(cè)量誤差較大及不理想的曲線剔除；在篩選數(shù)據(jù)之后對(duì)剩余數(shù)據(jù)進(jìn)行平滑和去噪處理，并分別對(duì)每個(gè)樣點(diǎn)測(cè)量的光譜數(shù)據(jù)求平均光譜；剔除噪聲集中的1 350～1 400、1 750～1 950 nm和2 350～2 500 nm 3個(gè)波段范圍；去噪后對(duì)光譜進(jìn)行平滑處理，使用Savitzky-Golay法對(duì)光譜曲線平滑[17]。

2.2 光譜變換方法

光譜變換后可以降低背景環(huán)境、光照和大氣散射等對(duì)光譜的影響，以凸顯植被生化參數(shù)對(duì)光譜吸收帶來(lái)的差異。本研究中進(jìn)行了24種光譜變換，見表1。

包絡(luò)線去除能有效增強(qiáng)波段的光譜吸收和反射特征，有利于提取特征波段[18]。對(duì)數(shù)變換可以增強(qiáng)可見光波段的差異，還有利于降低光照變化引起的乘性因素影響[19-20]。倒數(shù)變換有利于增強(qiáng)光譜在可見光波段的差異[21]。導(dǎo)數(shù)變換可以去除部分背景、噪聲等對(duì)光譜的影響，在一定程度上還能凸顯不同物質(zhì)光譜特征的細(xì)微差別[22-24]。

連續(xù)小波變換能夠提取植被反射光譜局部吸收特征信息[25-26]，不同尺度的變換有助于提取各植物的細(xì)節(jié)信息和全局信息[27]。選擇合適的小波基函數(shù)和變換尺度可使其具有凸顯光譜曲線局部吸收和反射特征的能力，有利于光譜和植被理化參數(shù)的分析[28]。本研究選取 MexicanHat 小波基函數(shù)，其在時(shí)域和頻率都有很好的局部化[29]，并在8 個(gè)尺度（21、22、23、24、25、26、27、28）下對(duì)光譜曲線進(jìn)行分析。

2.3 模型構(gòu)建方法

分析各種光譜反射率變換值與生物量的相關(guān)性，篩選出與生物量相關(guān)性高的變量建立其估算模型。在所有樣本中，隨機(jī)選擇80%用于建模，其余20%作為檢驗(yàn)數(shù)據(jù)。分別用單變量回歸和多元線性逐步回歸建立模型，常用的單變量擬合模型見表2。多元逐步回歸分析將每個(gè)自變量逐個(gè)引入模型，最終保留對(duì)因變量解釋顯著的自變量。

表1 光譜變換方法及表達(dá)式Table 1 The methods and expressions of spectral transformation

表2 單變量擬合模型Table 2 Single variable fitting models

2.4 模型檢驗(yàn)

采用決定系數(shù)（R2）、均方根誤差（RMSE）、預(yù)估精度（P）和相對(duì)分析誤差（RPD）評(píng)價(jià)模型精度。模型決定系數(shù)是衡量建模效果優(yōu)劣的常用指標(biāo)，是衡量模型所推算的估算值與真實(shí)值間的差異化程度，決定系數(shù)在0 ～ 1之間，值越大模型預(yù)測(cè)精度越高。均方根誤差可以反映估算數(shù)值偏離實(shí)測(cè)值的程度，RMSE值越小模型的精度越高。預(yù)估精度能反映出模型的平均預(yù)估能力。相對(duì)分析誤差可以用來(lái)檢驗(yàn)估算模型的穩(wěn)定性及預(yù)測(cè)能力。RPD＞2時(shí)，表明模型估測(cè)效果較好；1.4＜RPD＜2時(shí)，表明模型估測(cè)效果一般；RPD＜1.4時(shí)，表明模型不能用于估測(cè)[30-31]。計(jì)算方法分別見式（1）～（4）。

式中：yi為第i個(gè)樣本的實(shí)測(cè)值，為第i個(gè)樣本的估算值，為所有樣本實(shí)測(cè)值的平均值，n為樣本總數(shù)，SD為樣本標(biāo)準(zhǔn)差。

3 結(jié)果與分析

3.1 光譜特征分析

3.1.1 簡(jiǎn)單數(shù)學(xué)變換后的高光譜特征

經(jīng)過(guò)9種簡(jiǎn)單數(shù)學(xué)變換后的光譜曲線見圖2。由圖2可知，9種光譜變換對(duì)茭草的光譜特征影響不同，變換前后的光譜曲線主要特征均表現(xiàn)在可見光和近紅外波段。包絡(luò)線去除變換后，可見光波段中葉綠素對(duì)綠光反射和紅光吸收的特征波段被明顯放大。平方根、立方根變換后反射率相比變換前有所增加，對(duì)數(shù)變換后的曲線反射率均變?yōu)樨?fù)值，但3類變換曲線形態(tài)趨勢(shì)變化較小。對(duì)數(shù)倒數(shù)、倒數(shù)對(duì)數(shù)、倒數(shù)平方根和倒數(shù)立方根變換后，曲線形態(tài)與變換前的曲線對(duì)稱，對(duì)數(shù)倒數(shù)變換后相比變換前更容易分析茭草反射光譜的特征波段。倒數(shù)變換后551 nm處的“綠峰”和671 nm處的“紅谷”特征被凸顯出來(lái)，藍(lán)光波段367 nm處的反射峰、短波紅外的1 449 nm和2 207 nm水汽吸收和反射相比變換前明顯突出，說(shuō)明經(jīng)過(guò)變換后的光譜更容易分析茭草光譜特征。

圖1 不同形式的光譜反射率簡(jiǎn)單數(shù)學(xué)變換Fig. 2 The different simple mathematical transformation of spectral reflectance

3.1.2 導(dǎo)數(shù)變換后的高光譜特征

經(jīng)過(guò)7種一階導(dǎo)數(shù)和7種二階導(dǎo)數(shù)變換后的光譜曲線見圖3～4。由圖3可知，茭草反射光譜經(jīng)過(guò)導(dǎo)數(shù)變換后，相比簡(jiǎn)單數(shù)學(xué)變換可以更明顯地表現(xiàn)出反射光譜特征。一階微分的光譜可以表現(xiàn)出植被的“三邊”參數(shù)特征，經(jīng)過(guò)對(duì)數(shù)一階微分、倒數(shù)一階微分、對(duì)數(shù)倒數(shù)一階微分和倒數(shù)對(duì)數(shù)一階微分變換后曲線波動(dòng)起伏變化較大，藍(lán)邊522 nm、黃邊571 nm和紅邊718 nm相比一階微分變換表現(xiàn)地更加明顯，而平方根一階微分和立方根一階微分變換的曲線形態(tài)和趨勢(shì)變化幅度較小，不能很好地突出可見光波段的光譜特征。在近紅外波段范圍，對(duì)數(shù)倒數(shù)一階微分相比其他變換，增強(qiáng)了760、850、910、960 nm和1 120 nm附近水和氧氣窄吸收帶的特征，近紅外波段的3個(gè)波峰和2個(gè)波谷能較好地表現(xiàn)出來(lái)。在1 400～1 750 nm的短波紅外波段，1 450 nm附近為含水分和二氧化碳的強(qiáng)吸收區(qū)域，在變換前的光譜曲線形態(tài)上表現(xiàn)為波谷，1 650 nm附近與植物所含水分的波譜特性有關(guān)，因此在1 650 nm附近表現(xiàn)為波峰，倒數(shù)一階微分、對(duì)數(shù)倒數(shù)一階微分和倒數(shù)對(duì)數(shù)一階微分3種變換突出了從波谷到波峰變化速率最快的1 500 nm附近的波段。

圖3 不同形式的光譜反射率一階導(dǎo)數(shù)變換Fig. 3 The first derivative transformation of spectral reflectance in different forms

圖4 為7種二階微分變換的曲線，光譜變換前1 950～2 350 nm波段主要的光譜特征由葉片細(xì)胞液、細(xì)胞膜和水分的影響形成，相比一階微分的波峰和波谷更多，在簡(jiǎn)單數(shù)學(xué)變換和一階微分變換后，1 950～2 350 nm的短波紅外波段特征沒(méi)有很好的表現(xiàn)出來(lái)，經(jīng)過(guò)倒數(shù)二階微分和對(duì)數(shù)倒數(shù)二階微分變換后凸顯出來(lái)，主要表現(xiàn)在2 060～2 170 nm和2 180～2 270 nm附近的范圍。

圖4 不同形式的光譜反射率二階導(dǎo)數(shù)變換Fig. 4 The second derivative transformation of spectral reflectance in different forms

3.1.3 小波變換后的高光譜特征

經(jīng)過(guò)連續(xù)小波變換后的光譜數(shù)據(jù)見圖5。由圖5可知，原始光譜在8個(gè)尺度下分解，隨著分解尺度地增加，茭草的光譜曲線特征逐漸減弱。第1尺度下幾乎未表現(xiàn)出明顯的特征；第2～3尺度下表現(xiàn)出了“紅谷”的吸收特征；第4～6尺度下表現(xiàn)出了“綠峰”的反射特征、“紅谷”的吸收特征、近紅外波段的吸收谷和多重反射特征，以及短波紅外的水汽吸收特征；第7～8尺度下光譜數(shù)據(jù)逐漸失真，只能表現(xiàn)出茭草光譜的整體特征，而細(xì)節(jié)特征已經(jīng)丟失。從光譜分析方面來(lái)看，綜合比較8個(gè)尺度下的光譜特征，中等尺度的連續(xù)小波變換既能表現(xiàn)茭草光譜整體特征，同時(shí)又不丟失細(xì)節(jié)特征，第4～5尺度下的連續(xù)小波變換較適合分析原始光譜信號(hào)。從小波變換后的光譜值來(lái)看，分解尺度越高光譜值的絕對(duì)值越大，從波長(zhǎng)來(lái)看，光譜值較大的區(qū)域集中于近紅外波段，負(fù)值集中于可見光和短波紅外波段的水汽吸收部分。整體來(lái)看，較大和較小的小波系數(shù)代表了光譜低頻特征，說(shuō)明可見光和近紅外波段對(duì)低頻特征的響應(yīng)明顯。

3.2 生物量與變換光譜的相關(guān)性分析

通過(guò)光譜變換數(shù)據(jù)和生物量之間的相關(guān)性分析（圖6～7），可以篩選出與生物量相關(guān)性強(qiáng)的特征波段，構(gòu)建茭草生物量估算模型。由圖6可知，反射率、對(duì)數(shù)、倒數(shù)、平方根、立方根、對(duì)數(shù)倒數(shù)、倒數(shù)對(duì)數(shù)、倒數(shù)平方根和倒數(shù)立方根沒(méi)有任何波段的反射率值與生物量達(dá)到顯著相關(guān)水平。從曲線起伏形態(tài)上分析，導(dǎo)數(shù)變換相比簡(jiǎn)單數(shù)學(xué)變換波峰波谷明顯增加，并且正負(fù)值交替變動(dòng)較大，而二階微分相比一階微分起伏變化更強(qiáng)烈。從相關(guān)系數(shù)水平上看，在9種簡(jiǎn)單數(shù)學(xué)變換中，僅包絡(luò)線去除變換有43個(gè)波段的反射率與生物量達(dá)到顯著相關(guān)水平（P＜0.05）。在14種導(dǎo)數(shù)變換中，平方根二階變換后達(dá)到顯著水平的波段最多，共有191個(gè)波段的反射率值與生物量達(dá)到顯著相關(guān)水平（P＜0.05），二階微分變換達(dá)到極顯著相關(guān)水平（P＜0.01）的波段最多，共52個(gè)波段；相關(guān)性最高的波段為二階微分變換的1 615 nm，相關(guān)系數(shù)為-0.730。

由圖7可知，在所有變換中，小波變換后達(dá)到顯著相關(guān)水平的波段最多，1～7分解尺度下共有1 097個(gè)波段，其中179個(gè)波段達(dá)到極顯著相關(guān)水平（P＜0.01）。第1尺度變換下共172個(gè)波段達(dá)到顯著相關(guān)水平（P＜0.05），55個(gè)波段達(dá)到極顯著相關(guān)水平（P＜0.01），相關(guān)性最高的波段為第2尺度（1 617 nm），相關(guān)系數(shù)為0.734。說(shuō)明小波變換有利于篩選對(duì)生物量敏感的波段，并且能夠提高反射率與生物量之間的相關(guān)性。

3.3 生物量估算模型分析

通過(guò)不同形式變換的光譜反射率與生物量的相關(guān)性分析，保留相關(guān)性達(dá)到顯著水平的光譜變量用于建立估算模型，分別用包絡(luò)線去除、一階微分、二階微分、對(duì)數(shù)一階微分、對(duì)數(shù)二階微分、倒數(shù)一階微分、平方根一階微分、平方根二階微分、立方根一階微分、立方根二階微分、對(duì)數(shù)倒數(shù)一階微分、對(duì)數(shù)倒數(shù)二階微分、倒數(shù)對(duì)數(shù)一階微分、倒數(shù)對(duì)數(shù)二階微分和小波變換后的光譜特征波段為自變量。以生物量為因變量，建立茭草的生物量估算模型，擬合結(jié)果見表3。由表3可知，基于包絡(luò)線去除、對(duì)數(shù)一階微分、倒數(shù)一階微分、倒數(shù)二階微分、立方根一階微分和倒數(shù)對(duì)數(shù)一階微分的估算模型不能通過(guò)多元逐步線性回歸方法建立，僅能通過(guò)單變量回歸方法建立估算模型，說(shuō)明這6種形式的光譜變換對(duì)生物量敏感的波段數(shù)較少。

模型精度見表4。由表4可知，基于立方根二階微分變換的估算模型精度最高，R2＞0.8、P＞80%、RPD在2.0以上，說(shuō)明立方根二階微分變換后的特征波段構(gòu)建的回歸模型適用于茭草鮮生物量估測(cè)；一階微分、平方根一階微分、對(duì)數(shù)倒數(shù)一階微分雖然估測(cè)精度接近于70%，但R2＜0.5、RPD＜1.4，表明其不適用于鮮生物量的估算，其他單變量回歸模型相比一階微分、平方根一階微分、對(duì)數(shù)倒數(shù)一階微分估測(cè)效果更差，說(shuō)明單變量回歸模型不能對(duì)茭草鮮生物量進(jìn)行估測(cè)。綜合分析R2＞0.8的模型，基于立方根二階微分變換的多元回歸模型對(duì)茭草鮮生物量估測(cè)效果最佳，其次為倒數(shù)對(duì)數(shù)二階微分、對(duì)數(shù)二階微分和小波變換，同時(shí)可說(shuō)明小波變換雖然能提高波段對(duì)鮮生物量的相關(guān)性，但變換后仍然有部分光譜細(xì)節(jié)特征受到影響，因此基于連續(xù)小波變換的回歸模型估算效果略弱于基于二階導(dǎo)數(shù)變換的回歸模型。

圖5 不同尺度的光譜反射率連續(xù)小波變換Fig. 5 Continuous wavelet transformation of spectral reflectance under the different scales

圖6 簡(jiǎn)單數(shù)學(xué)變換和導(dǎo)數(shù)光譜值與茭草生物量的相關(guān)性分析Fig. 6 Correlation analysis of simple mathematical transformation and derivative spectral value with biomass of Z. latifolia

圖7 小波變換光譜值與與茭草生物量的相關(guān)性分析Fig. 7 Correlation analysis between wavelet transform spectral value and biomass of Z. latifolia

表3 不同光譜變換下的茭草生物量回歸模型Table 3 Regression models of Z. latifolia biomass under different spectral transformation

表4 模型精度評(píng)價(jià)Table 4 Evaluation of model accuracy

續(xù)表4

4 結(jié)論與討論

通過(guò)在劍湖濕地實(shí)測(cè)茭草反射光譜，采集茭草樣本，并進(jìn)行現(xiàn)場(chǎng)稱量，對(duì)平滑處理后的茭草光譜曲線進(jìn)行了24種反射率變換。分析了各種變換與茭草鮮生物量的相關(guān)性，建立茭草鮮生物量估算模型，得出結(jié)論如下：

1）經(jīng)過(guò)不同形式的光譜變換后茭草的反射光譜特征更容易分析，特征波段能夠更明顯反映出來(lái)。對(duì)數(shù)倒數(shù)變換和倒數(shù)變換增強(qiáng)了可見光波段的特征；對(duì)數(shù)倒數(shù)一階微分變換增強(qiáng)了近紅外波段的特征；倒數(shù)二階微分和對(duì)數(shù)倒數(shù)二階微分增強(qiáng)了短波紅外的特征；4～5尺度的連續(xù)小波變換較適合分析原始光譜特征，既分析了整體特征，又保留了細(xì)節(jié)特征。

2）與生物量的相關(guān)性分析中，連續(xù)小波變換達(dá)到顯著相關(guān)水平的波段最多，8個(gè)分解尺度下共有1 097個(gè)波段，相關(guān)性最高的為（R1617，S2），相關(guān)系數(shù)為0.734；簡(jiǎn)單數(shù)學(xué)變換和導(dǎo)數(shù)變換中，二階微分變換達(dá)到極顯著相關(guān)水平的波段最多，共52個(gè)波段，相關(guān)系數(shù)最高為，相關(guān)系數(shù)為-0.730。

3）從構(gòu)建的16個(gè)鮮生物量估算模型分析，基于立方根二階微分變換的多元回歸模型對(duì)茭草鮮生物量估測(cè)效果最佳，R2、RMSE、P和RPD分別為0.88、1 044.90 g/m2、83.95%、2.64。

在未來(lái)研究中可以通過(guò)波段組合構(gòu)建植被指數(shù)、更高階的微分變換，或在一般數(shù)學(xué)變換的基礎(chǔ)上進(jìn)一步利用連續(xù)小波變換進(jìn)行光譜分析和篩選對(duì)鮮生物量敏感的波段，在建模方法上采用非參數(shù)方法進(jìn)一步研究探討茭草生物量的估算。從實(shí)地采樣方面來(lái)看，受現(xiàn)場(chǎng)環(huán)境限制和影響，采集的光譜雖然經(jīng)過(guò)預(yù)處理后能達(dá)到應(yīng)用要求，但在有條件的情況下應(yīng)使用室內(nèi)光源測(cè)定反射光譜，不僅環(huán)境時(shí)間可控，并且在水汽影響的波段有數(shù)據(jù)，使得光譜數(shù)據(jù)更完整。本研究通過(guò)不同的光譜變換提取與鮮生物量相關(guān)性高的光譜參量，參考徐新剛等[32]、付元元等[33]、鄧兵等[34]學(xué)者的研究，構(gòu)造植被指數(shù)或利用光譜曲線本身的特征參數(shù)與植被理化參數(shù)之間也有較高的相關(guān)性，因此今后可嘗試?yán)弥脖恢笖?shù)和光譜曲線特征參數(shù)進(jìn)行研究，以期得到可提高茭草鮮生物量估測(cè)精度的光譜參量。對(duì)于高光譜在濕地植被的理化參數(shù)的研究和應(yīng)用上，多數(shù)學(xué)者對(duì)平原濕地研究較多，而劍湖濕地作為高原濕地，植被生長(zhǎng)和濕地環(huán)境與平原濕地有所不同，未來(lái)還應(yīng)該對(duì)不同生長(zhǎng)期的茭草生物量進(jìn)行研究，從而提高篩選光譜變量、建立估算模型的效果。