楊曉蕪 宋敬茹

(華北理工大學(xué)礦業(yè)工程學(xué)院，河北 唐山 063210)

引言

地上生物量(AGB)是評價植被作物生長發(fā)育和營養(yǎng)狀況的重要參數(shù)，其變化能夠直接表征植被光合作用的能力，也是評價某一生態(tài)系統(tǒng)健康狀況的關(guān)鍵指標(biāo)[1,2]。濕地植被生物量，作為濕地生態(tài)系統(tǒng)固碳能力的評價指標(biāo)，發(fā)揮著重要作用。傳統(tǒng)生物量測量方法耗費(fèi)大量人力物力和時間，存在明顯的局限性，且會對采樣調(diào)查區(qū)域造成嚴(yán)重破壞，而使用遙感影像數(shù)據(jù)可彌補(bǔ)傳統(tǒng)方法在空間全局觀以及采集樣品的時效性，為濕地植被生物量反演提供大量有用波段信息[3]。許多學(xué)者從不同的光學(xué)遙感數(shù)據(jù)、反演回歸模型以及植被指數(shù)等方面促進(jìn)濕地植被生物量的研究進(jìn)展。

隨著多源遙感的不斷發(fā)展，利用多源遙感數(shù)據(jù)與實(shí)測生物量協(xié)同反演已成為趨勢。目前利用多源遙感數(shù)據(jù)反演濕地植被生物量干重的研究仍較少，于彩芬等運(yùn)用Person相關(guān)系數(shù)和回歸分析法構(gòu)建互花米草生物量回歸模型，表明互花米草的生物量可用相關(guān)性較高的形態(tài)指標(biāo)進(jìn)行回歸建模分析[4]；聞馨基于LiDAR、S2等提取的特征變量，隨用隨機(jī)森林算法實(shí)現(xiàn)漳江口紅樹林生物量的準(zhǔn)確估算[5]；神祥金等利用實(shí)地調(diào)查數(shù)據(jù)結(jié)合全國沼澤濕地分布數(shù)據(jù)集，在全國尺度估算草木沼澤植被生物量[6]。因此，本文選取黃河三角洲為研究區(qū)，采用一元非線性回歸、多元線性回歸以及多元逐步回歸構(gòu)建該區(qū)域濕地植被生物量的估算模型，為分析黃河三角洲植被空間分布規(guī)律，探求植被生物量與各因素的定量關(guān)系，對濕地生態(tài)系統(tǒng)恢復(fù)以及生物多樣保護(hù)提供數(shù)據(jù)支持，對研究濕地生態(tài)環(huán)境有重要意義。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

黃河三角洲自然保護(hù)區(qū)位于黃河入?？谔?N37°35′～38°12′，E118°33′～119°20′)，北臨渤海，東靠萊州灣[7]。整個保護(hù)區(qū)包括位于現(xiàn)行黃河入?？诎鍓K和在1976年改道的黃河故道入?？谔幇鍓K，總面積153000hm2，是世界上土地面積增長最快的自然保護(hù)區(qū)[8]。海岸線呈弧形，長度為131km，平均氣溫為11.9℃，年平均日照總時數(shù)為2781.7h，年平均降水量為592.2mm，雨熱同期，土壤類型豐富，沿黃河流向分布有潮土、鹽化潮土和潮鹽土等，植被類型以自然植被為主，濕地類型有淤泥質(zhì)海灘、河口水域、草本沼澤和灌叢沼澤等[9]。

1.2 數(shù)據(jù)獲取

1.2.1 野外數(shù)據(jù)采集

本次在黃河三角洲自然保護(hù)區(qū)淤泥質(zhì)海灘和草本沼澤濕地內(nèi)共采集43個樣點(diǎn)，樣點(diǎn)的選擇沿黃河及道路兩側(cè)，遵循交通可達(dá)性原則，樣方設(shè)置為1m×1m。在植被分布均勻地方隨機(jī)取樣，記錄樣方內(nèi)的株數(shù)，并齊地收割植株地上部分，立即稱其鮮重，取每個樣方內(nèi)植被的1∶5的比例裝入密封袋內(nèi)，貼上標(biāo)簽后帶回實(shí)驗(yàn)室[10-12]。放入恒溫箱中烘干，在80℃的溫度下持續(xù)烘12h后取出稱重，記錄稱重結(jié)果，確定選取比例的植被生物量干重，經(jīng)過比例換算，確定樣方植被的地上生物量干重，見表1。

表1 生物量干重值

1.2.2 遙感影像數(shù)據(jù)

本文使用同期Landsat-8遙感影像數(shù)據(jù)，利用ENVI對影像進(jìn)行輻射定標(biāo)大氣校正等，將各波段DN值轉(zhuǎn)換為地表反射率，提取各樣點(diǎn)對應(yīng)像元波段值，本研究選取6個波段值以及7種植被指數(shù)構(gòu)建遙感變量庫，用于后續(xù)的建模分析，見表2。

表2 遙感變量計算公式

1.3 方法

1.3.1 相關(guān)性分析

相關(guān)性分析是描述自變量和因變量之間相關(guān)關(guān)系程度的常用統(tǒng)計方法。本文采用皮爾遜相關(guān)系數(shù)法(-1～1)[13]。|0.8～1|表示變量間高度相關(guān)；|0.5～0.8|為顯著緊密相關(guān)；|0.3～0.5|為實(shí)相關(guān)關(guān)系；|0.0～0.3|為微相關(guān)關(guān)系。公式：

(1)

1.3.2 回歸方法

從遙感變量庫中隨機(jī)選取32個樣點(diǎn)數(shù)據(jù)作為訓(xùn)練樣本，分別建立一元非線性回歸、多元線性回歸[14]以及多元逐步回歸模型[15]。多元線性回歸相對于單個變量能更有效地進(jìn)行預(yù)測或估計。多元逐步回歸逐一將自變量引入方程，剔除顯著性不大的變量，建立最優(yōu)回歸模型，可以更好更合理地反映自變量與因變量間的關(guān)系。

Y=b0+b1x1+b2x2+b3x3+…+bpxp

(2)

式中，Y為因變量；b0為常數(shù)項(xiàng)；xi(i=1，…，p)為p個自變量；bi為回歸系數(shù)。

1.3.3 精度評價指標(biāo)

精度評價指標(biāo)用于評定模型的優(yōu)劣程度，選取決定系數(shù)(R2)、均方根誤差(RMSE)、平均絕對誤差(MAE)3個指標(biāo)進(jìn)行模型精度驗(yàn)證。R2值越接近1，表明模型擬合程度越好，RMSE值越小、MAE值越小，表明估測精度越高，計算公式如下：

(3)

(4)

2 結(jié)果

2.1 相關(guān)性分析

表3、表4為波段、植被指數(shù)與植被生物量干重的相關(guān)系數(shù)。大多數(shù)波段與生物量干重呈負(fù)相關(guān)，各植被指數(shù)與植被生物量干重呈正相關(guān)，且均在0.01水平上顯著相關(guān)。植被生物量干重與波段相關(guān)系數(shù)大小排序?yàn)锽4>B5>B2>B1>B3>B6，植被生物量干重與植被指數(shù)相關(guān)系數(shù)大小排序?yàn)镹DVI>ARVI>SAVI>EVI>DVI>RVI>PVI。綜合表3、表4可得，各植被指數(shù)與植被生物量干重的相關(guān)性要強(qiáng)于波段與植被生物量干重的相關(guān)性。

表3 生物量干重與波段的相關(guān)系數(shù)

表4 生物量干重與植被指數(shù)的相關(guān)系數(shù)

2.2 回歸結(jié)果分析

2.2.1 一元非線性回歸

本文所建立一元非線性回歸包括對數(shù)函數(shù)、倒數(shù)函數(shù)、二次函數(shù)、三次函數(shù)等模型，最終選取最優(yōu)模型如表5所示。由表5得出，當(dāng)波段B5為自變量時，判別系數(shù)最大的是三次模型R2=0.677，RMSE=360.015g·m-2；當(dāng)DVI為自變量時，判別系數(shù)最大的是三次模型R2=0.629，RMSE=385.874g·m-2。綜合上述各曲線模型，以B5為自變量建立的三次模型判別系數(shù)最大，這與以DVI作為自變量建立的模型相比，判別系數(shù)略大，擬合精度也比線性模型好，但是為了進(jìn)一步提高擬合精度，還需進(jìn)行多元線性以及多元逐步模型的回歸分析。

表5 一元非線性回歸最優(yōu)估算模型

2.2.2 多元線性回歸

本文采用的多元線性回歸模型能定量全面衡量多個遙感變量對生物量估算的影響，模型以多個自變量建立擬合方程，將9個變量參與建模，植被生物量干重為因變量。最終選取變量主要由紅邊波段與植被指數(shù)構(gòu)成，說明這些變量對生物量具有較好的敏感性。盡管部分遙感變量因子與生物量干重相關(guān)性較弱，但仍對因變量有所影響。為得到最優(yōu)模型，逐一篩選自變量，最終都得到模型y=1175.43+892.19×B4+2308.12×NDVI+1335.95×RVI-58.77×SAVI-167.91×ARVI-2389.36×EVI，R2=0.662，RMSE=404.92g·m-2。與一元非線性回歸模型相比，模型擬合優(yōu)度不如以波段B5為自變量的一元回歸模型，因此還需要用其他方法對模型進(jìn)一步優(yōu)化。

2.2.3 多元逐步回歸

在進(jìn)行多元逐步回歸時，采用步進(jìn)、輸入以及后退等方法，其中步進(jìn)最終選取自變量為NDVI、PVI，模型R2=0.578，RMSE=404.26g·m-2；輸入法中自變量最終留下B1、B2、B3、B4、B5、B6、NDVI、RVI、ARVI和EVI共10個變量，模型R2=0.725，RMSE=383.33g·m-2；后退法中自變量最終留下B2、B3、NDVI、EVI共4個變量，模型R2=0.72，RMSE=341.58g·m-2。綜合考慮模型穩(wěn)定性與誤差，最終選取后退法建立的生物量估算回歸模型。

表6 多元逐步回歸最優(yōu)模型

3 結(jié)論

本文采用一元非線性回歸、多元線性回歸以及多元逐步回歸對黃河三角洲生態(tài)自然保護(hù)區(qū)分別進(jìn)行回歸分析。經(jīng)模型結(jié)果及精度評定，可以發(fā)現(xiàn)，5個波段、7個植被指數(shù)與植被生物量干重均達(dá)到0.01顯著水平，植被指數(shù)與生物量干重的相關(guān)性明顯高于波段值；以植被指數(shù)與波段值結(jié)合的自變量，利用逐步回歸估算生物量干重效果最好；3種模型中以B2、B3、NDVI、EVI為自變量達(dá)到最優(yōu)估算效果，R2=0.72，RMSE=341.58g·m-2；多元逐步回歸模型擬合精度最高，優(yōu)于一元非線性回歸和多元線性回歸模型。本研究可為黃河三角洲自然保護(hù)區(qū)濕地植被生物量估算提供一定的數(shù)據(jù)支持，為進(jìn)一步探究回歸分析在生物量估算領(lǐng)域提供一定的參考價值。