梁博明，劉 新，郝媛媛，楚 彬，唐莊生

（甘肅農(nóng)業(yè)大學(xué)草業(yè)學(xué)院，草業(yè)生態(tài)系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，國(guó)家林業(yè)草原高寒草地鼠害防控工程技術(shù)研究中心，甘肅 蘭州 730070）

土地荒漠化嚴(yán)重威脅著人類的生存環(huán)境，制約著全球社會(huì)和經(jīng)濟(jì)的穩(wěn)定發(fā)展，受到國(guó)內(nèi)外學(xué)者的高度重視。中國(guó)是世界上荒漠分布廣、面積大、危害嚴(yán)重的國(guó)家之一［1］。第五次全國(guó)荒漠化和沙化土地監(jiān)測(cè)結(jié)果顯示，中國(guó)荒漠化土地面積2.61×106km2，占國(guó)土面積的27.20%［2］，近4×108人口受到荒漠化的影響［3］。中、美、加國(guó)際合作項(xiàng)目研究表明，我國(guó)因荒漠化造成的直接經(jīng)濟(jì)損失約為每年5.41×1010元人民幣［4］。

在荒漠區(qū)，地上生物量是反映植被生長(zhǎng)發(fā)育狀況的重要指標(biāo)，對(duì)植被準(zhǔn)確估產(chǎn)和品質(zhì)測(cè)定具有重要作用。因此，準(zhǔn)確獲取植被地上生物量信息對(duì)植被長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量估算、植被區(qū)維護(hù)與治理等具有重要意義。傳統(tǒng)的植被地上生物量測(cè)量多是破壞性取樣，費(fèi)時(shí)費(fèi)力，難以滿足生態(tài)環(huán)境中對(duì)大面積地上生物量準(zhǔn)確及時(shí)估測(cè)的需求。多光譜遙感監(jiān)測(cè)具有快速、準(zhǔn)確、無破壞性等特點(diǎn)，已廣泛應(yīng)用于植被地上生物量的快速獲?。?］。植被指數(shù)是不同遙感光譜波段間的線性或非線性組合，主要反映植被在可見光、近紅外波段反射與土壤背景之間差異的指標(biāo)，各個(gè)植被指數(shù)在一定條件下能用來定量說明植被的生長(zhǎng)狀況［6］，而建立植被指數(shù)與植被地上生物量的估算模型已廣泛應(yīng)用于現(xiàn)實(shí)研究中。葉靜蕓等［7］利用樣方調(diào)查數(shù)據(jù)和Quick Bird 影像數(shù)據(jù)對(duì)烏蘭布和沙漠東北緣荒漠-綠洲過渡帶植被地上生物量的研究表明，比值植被指數(shù)（Ratio Vegetation Index，RVI）線性模型估算荒漠植被地上生物量的效果最好（R2=0.82，RMSEP=15.07）；陳琪等［8］為了分析內(nèi)蒙古阿拉善盟草地地上生物量的時(shí)空分布規(guī)律，構(gòu)建了1981—2000 年NOAA（National Oceanic and Atmospheric Administration，美國(guó)國(guó)家海洋和大氣管理局）NDVI（Normalized Difference Vegetation Index，歸一化植被指數(shù)）、2001—2018年MODIS（Moderateresolution Imaging Spectroradiometer，中分辨率成像光譜儀）NDVI 遙感數(shù)據(jù)產(chǎn)品和實(shí)測(cè)地上生物量的關(guān)系模型，發(fā)現(xiàn)冪函數(shù)的相關(guān)性最優(yōu)，模型精度可達(dá)78%；Wu等［9］基于天宮一號(hào)高光譜數(shù)據(jù)的荒漠化地區(qū)稀疏植被生物量估測(cè)中，SAVI（Soil-Adjusted Vegetation Index，土壤調(diào)節(jié)植被指數(shù)）的一元線性模型R2高于NDVI；楊麗萍等［10］在內(nèi)蒙古額濟(jì)納的研究表明，基于OSAVI（Optimization Soil-adjusted Vegetation Index，優(yōu)化型土壤調(diào)節(jié)植被指數(shù)）的TVDI（Temperature Vegetation Dryness Index，溫度植被干旱指數(shù)）是研究土壤水分反演的最佳模型，可以間接反應(yīng)研究區(qū)地上生物量的分布狀況；張錦麗等［11］研究表明，利用Lanndsat-8 OLI 影像提取的植被指數(shù)DVI（Difference Vegetation Index，差值植被指數(shù)）與研究區(qū)地上生物量實(shí)測(cè)數(shù)據(jù)具有相關(guān)性。由此可知，數(shù)據(jù)源、研究區(qū)、植被指數(shù)以及擬合關(guān)系等都是決定植被地上生物量信息提取模型的因素。

哨兵（Sentinel）數(shù)據(jù)作為目前分辨率最高（多光譜10 m）的全球性開源數(shù)據(jù)［12］，在植被生物量提取方面相較于MODIS、Landsat等開源數(shù)據(jù)無疑具有更高的精度，但已有研究中利用其提取荒漠區(qū)植被生物量的研究相對(duì)較少。位于巴丹吉林沙漠和騰格里沙漠之間的民勤縣是典型的荒漠-綠洲生態(tài)系統(tǒng)，是荒漠植被生物量研究的理想場(chǎng)所。因此，本研究以民勤縣為研究區(qū)，基于Sentinel-2 數(shù)據(jù)構(gòu)建并篩選不同植被指數(shù)與實(shí)測(cè)地上生物量之間的最優(yōu)估算模型［13］，并評(píng)估民勤縣的植被生物量分布狀況，以期為荒漠區(qū)植被地上生物量快速提取研究提供參考。

1 數(shù)據(jù)與方法

1.1 研究區(qū)概況

以甘肅省民勤縣為研究區(qū)，地理坐標(biāo)（101°47′39″～104°57′3″E，38°0′39″ ～39°27′49″N，圖1），總面積1.58×106hm2，海拔1298～1936 m，地處河西走廊東北部，石羊河流域下游［14］。東西北三面被騰格里沙漠和巴丹吉林沙漠包圍，多年（1953—2021年）平均氣溫8.5 ℃，平均降水量114 mm，平均蒸發(fā)量2412 mm，屬于典型的溫帶大陸性干旱氣候。區(qū)域植被特征明顯、群落片層簡(jiǎn)單，以“灌草叢”為主［15］。由荒漠（沙漠）、荒漠-綠洲過渡帶和綠洲3 種西北干旱區(qū)典型的地表形態(tài)組成［16］，分布著綠洲灌區(qū)、荒漠平原區(qū)、沙漠區(qū)和山地4 種景觀，是典型的荒漠-綠洲生態(tài)系統(tǒng)［17-18］。

圖1 研究區(qū)地理位置及采樣點(diǎn)分布Fig.1 Location and distribution of sampling points in the study area

1.2 數(shù)據(jù)來源及預(yù)處理

1.2.1 野外實(shí)測(cè)數(shù)據(jù) 野外實(shí)測(cè)點(diǎn)主要位于荒漠-綠洲過渡帶［19］，為生態(tài)緩沖區(qū)［20］，兼顧兩地植被分布差異，盡可能涵蓋全縣植被類型［21-22］。采樣時(shí)間為植被茂盛期的2020年7月18—31日；同時(shí)為了與陸地衛(wèi)星遙感數(shù)據(jù)空間分辨率保持一致［23］，樣方大小設(shè)置為10 m×10 m，共64個(gè)采樣點(diǎn)（圖1）。在樣方內(nèi)按照五點(diǎn)采樣法設(shè)置1 m×1 m小樣方，記錄樣方內(nèi)植被信息（涉及18科、33屬、33種，分類地位見表1）后齊地面剪取5個(gè)小樣方內(nèi)植物并編號(hào)分類［14］，帶回實(shí)驗(yàn)室烘干后取干重平均值，乘100 得到百平方米面積上的地上生物量，因此試驗(yàn)中地上生物量統(tǒng)一單位為kg·(100m2)-1。

表1 樣方內(nèi)植物物種及其分類地位Tab.1 Species and taxonomic status in quadrat

1.2.2 遙感數(shù)據(jù) 選取2020年7—8月（以匹配地面實(shí)測(cè)數(shù)據(jù)）經(jīng)過預(yù)處理后的哨兵2號(hào)（Sentinel-2，表2）L2A級(jí)數(shù)據(jù)產(chǎn)品［23］（https:/scihub.copernicus.eu/）的6景影像（表3），并進(jìn)行影像鑲嵌、裁剪等預(yù)處理。

表2 哨兵2號(hào)數(shù)據(jù)波段特征Tab.2 Band characteristics of Sentinel-2 data

表3 研究區(qū)遙感影像數(shù)據(jù)列表Tab.3 List of remote sensing image data in the study area

1.3 研究方法

1.3.1 植被指數(shù)選取及相關(guān)性分析 選取估算荒漠植被生物量較好的比值植被指數(shù)RVI［7］、應(yīng)用最為廣泛［24］的歸一化植被指數(shù)NDVI、對(duì)環(huán)境變化極為敏感且算法簡(jiǎn)單［25］的DVI、加入土壤調(diào)節(jié)系數(shù)L后可以減弱土壤背景影響［26］的土壤調(diào)節(jié)植被指數(shù)SAVI 以及適合于監(jiān)測(cè)耕地人工林［27］的優(yōu)化型土壤調(diào)節(jié)植被指數(shù)OSAVI 5 種植被指數(shù)，計(jì)算公式見表4，與實(shí)測(cè)地上生物量之間進(jìn)行Pearson 相關(guān)性分析后用于植被地上生物量的反演。

表4 植被指數(shù)及其計(jì)算公式Tab.4 Vegetation index and its calculation formula

1.3.2 最優(yōu)模型篩選及精度驗(yàn)證 為防止過度擬合［28］，設(shè)置64 個(gè)樣點(diǎn)數(shù)據(jù)中訓(xùn)練集與驗(yàn)證集比例為2:1［29-30］。

基于經(jīng)驗(yàn)統(tǒng)計(jì)法，構(gòu)建5種植被指數(shù)與實(shí)測(cè)地上生物量（訓(xùn)練集：43個(gè)樣點(diǎn)）之間的一元線性、對(duì)數(shù)、指數(shù)和二項(xiàng)式估算模型，并根據(jù)決定系數(shù)［31］R2（Coefficient of Determination）評(píng)估并篩選最優(yōu)估算模型。

再依據(jù)估算值與實(shí)測(cè)值（驗(yàn)證集：21個(gè)樣點(diǎn)）之間線性擬合的R2和均方根誤差RMSE（Root Mean Square Error）對(duì)最優(yōu)模型進(jìn)行精度評(píng)價(jià)。計(jì)算公式如下：

式中：n、i分別為數(shù)據(jù)個(gè)數(shù)第幾個(gè)數(shù)；Xˉ表示地上生物量實(shí)測(cè)的均值；Mi和Oi分別為地上生物量的估算值和觀測(cè)值。

1.3.3 研究區(qū)植被生物量反演 研究區(qū)群落整體植株矮小、植被稀疏，生物量低［32-33］，利用植被類型實(shí)地占比分布狀況［34］，結(jié)合植被間的共生關(guān)系［35］，按生物量大小劃分民勤縣植被分布狀況［36-38］（表5）。

2 結(jié)果與分析

2.1 植被指數(shù)與地上生物量的相關(guān)性

RVI、NDVI、DVI、SAVI 和OSAVI 5 種植被指數(shù)與植被地上生物量均呈顯著正相關(guān)關(guān)系（P＜0.05），相關(guān)系數(shù)為0.67～0.79（表6），均可用于植被地上生物量估算。

表6 5種植被指數(shù)與地上生物量的相關(guān)性Tab.6 Correlation between five vegetation indexes and aboveground biomass

2.2 最優(yōu)模型篩選

基于5種植被指數(shù)分別構(gòu)建地上生物量的一元線性、對(duì)數(shù)，指數(shù)和二項(xiàng)式估算模型（表7）?；赟AVI 的地上生物量模型效果表現(xiàn)最佳，4 種擬合方法的決定系數(shù)R2分別為0.62、0.21、0.73和0.76；NDVI 次之，R2分別為0.46、0.15、0.60 和0.63；RVI 4 種擬合方法的平均R2較大（0.53），僅次于SAVI（0.58），且對(duì)數(shù)估算模型是5種植被指數(shù)對(duì)數(shù)估算模型中最好的（R2=0.44），但指數(shù)和二項(xiàng)式2 種擬合方式均不及其他4 種指數(shù)；DVI 和OSAVI 最差。因此，基于SAVI 的二項(xiàng)式模型為估算民勤荒漠區(qū)植被地上生物量的最優(yōu)模型。

表7 基于遙感影像植被指數(shù)的地上生物量估算模型Tab.7 Estimation model of aboveground biomass based on vegetation index from remote sensing image

2.3 估算精度評(píng)價(jià)

由地上生物量估算值與驗(yàn)證集之間的線性擬合關(guān)系可知（圖2），決定系數(shù)R2為0.73，通過P＜0.05顯著性水平檢驗(yàn)，均方根誤差RMSE 為0.12，模型精度符合要求，可用于民勤荒漠植被地上生物量信息的提取。

2.4 植被生物量反演

基于SAVI 二項(xiàng)式模型的民勤植被地上生物量空間分布（圖3）結(jié)果表明，民勤縣近2/3 區(qū)域?yàn)樯衬?、戈壁等無植被區(qū)（66%）；低植被區(qū)面積次之，占研究區(qū)面積的1/5，主要分布在民紅公路沿線以及綠洲外圍的沙漠和荒漠中；中植被區(qū)面積最小，僅為縣域面積的1/20，多分布在人工植被和高植被區(qū)域中天然植被的外圍；高植被區(qū)主要分布在紅崖山、環(huán)河、昌寧和南湖4大灌區(qū)（人工植被）以及青土湖、紅沙崗鎮(zhèn)西北部等區(qū)域（天然植被），占比不足10%。

圖3 基于SAVI二項(xiàng)式模型的研究區(qū)地上生物量空間分布Fig.3 Spatial distribution of aboveground biomass in the study area based on SAVI index binomial model

3 討論

民勤地處騰格里沙漠與巴丹吉林沙漠的交接處，其土地干旱、植被稀疏［39］。植被地上生物量為體現(xiàn)植被生長(zhǎng)狀況最重要的指標(biāo)，其值的大小直接反應(yīng)了該地區(qū)植被生長(zhǎng)的優(yōu)劣［40］。為了能更好的反演地上生物量的分布狀況，研究采用了空間分辨率高、云量小的哨兵2 號(hào)遙感影像與植被地上生物量相結(jié)合的方式，估算荒漠區(qū)植被地上生物量。

通過對(duì)植被稀疏的荒漠區(qū)進(jìn)行地上生物量提取分析，結(jié)果表明SAVI指數(shù)與地上生物量的相關(guān)性最好，模擬效果均優(yōu)于其他植被指數(shù)，與馬中剛［41］對(duì)河北康保縣和張錦麗等［42］對(duì)準(zhǔn)噶爾盆地的荒漠區(qū)植被地上生物量反演研究結(jié)果一致。這是由于SAVI指數(shù)通過向NDVI指數(shù)的分母中引入土壤調(diào)節(jié)系數(shù)L，進(jìn)一步降低了土壤背景變化對(duì)植被指數(shù)的影響。L是SAVI指數(shù)提取植被信息的關(guān)鍵，取值范圍為0～1，L=0 時(shí)，表示植被覆蓋為0，L=1 時(shí)，表示植被覆蓋度非常高。這與Huete等［43］提出的對(duì)于調(diào)整不同的L，SAVI 指數(shù)幾乎可以排除由土壤背景等因素所造成的植被指數(shù)變化的研究結(jié)果基本保持一致。

利用經(jīng)驗(yàn)統(tǒng)計(jì)法，構(gòu)建基于不同植被指數(shù)的地上生物量估算模型（一元線性、對(duì)數(shù)，指數(shù)和二項(xiàng)式模型），并利用最優(yōu)模型進(jìn)一步對(duì)地上生物量的空間分布展開研究。該模型方法參數(shù)輸入單一，計(jì)算簡(jiǎn)單，經(jīng)常應(yīng)用于遙感圖像數(shù)據(jù)與野外實(shí)測(cè)數(shù)據(jù)相結(jié)合的模型構(gòu)建，因此，在本次研究中，取得的結(jié)果較為良好，同時(shí)也為荒漠地帶植被的地上生物量研究提供依據(jù)。

4 結(jié)論

通過對(duì)民勤地區(qū)植被地上生物量與植被指數(shù)的研究，得出如下結(jié)論：

（1）RVI、NDVI、DVI、SAVI 和OSAVI 5 種植被指數(shù)與植被地上生物量均呈顯著正相關(guān)關(guān)系（P＜0.05），且SAVI的相關(guān)性最高（r=0.79）。

（2）基于SAVI 指數(shù)的二項(xiàng)式模型是研究區(qū)地上生物量估算的最優(yōu)模型（R2=0.76），且精度較高（R2=0.73，RMSE=0.12）。

（3）民勤縣植被相對(duì)密集區(qū)主要分布于四大灌區(qū)（紅崖山、環(huán)河、昌寧、南湖）、青土湖周邊以及紅沙崗鎮(zhèn)西北區(qū)域，其他地域植被較為稀疏，無植被區(qū)［＜0.005 kg·(100m2)-1］、低植被區(qū)［0.005～0.2 kg·(100m2)-1］、中植被區(qū)［0.2～0.5 kg·(100m2)-1］和高植被區(qū)［＞0.5 kg·(100m2)-1］的占比分別為66%、21%、5%和8%。