摘要 以毛烏素沙地南緣草地為研究對象，利用2023年7和8月獲得的草地地上生物量數(shù)據(jù)和同期Landsat8 OLI影像，提取歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、轉(zhuǎn)換型植被指數(shù)（TVI）4種植被指數(shù)，并與地上生物量進(jìn)行相關(guān)分析，建立回歸模型，同時(shí)驗(yàn)證模型的準(zhǔn)確度。結(jié)果表明：4種植被指數(shù)與地上生物量均呈極顯著相關(guān)，RVI的相關(guān)系數(shù)高達(dá)0.914，其次是NDVI。最優(yōu)模型為二次多項(xiàng)式回歸模型，最差模型為指數(shù)回歸模型。地上生物量實(shí)測值和預(yù)測值的平均誤差系數(shù)為16.23%，回歸擬合精度為83.77%。二次多項(xiàng)式回歸模型監(jiān)測草地地上生物量效果最佳。

關(guān)鍵詞 地上生物量；植被指數(shù)；草地；遙感監(jiān)測；毛烏素沙地

中圖分類號 S127" 文獻(xiàn)標(biāo)識碼 A" 文章編號 0517-6611（2025）03-0053-05

doi：10.3969/j.issn.0517-6611.2025.03.011

開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Study on Remote Sensing Inversion Model of Above ground Biomass in Grassland on the Southern Edge of MuUs Sandy Land

CHEN Li jia，WEN Li ming，LU Qian et al

（Yinchuan Livestock Technology Promotion Service Center， Yinchuan， Ningxia 750001）

Abstract Based on the study of the grassland in south fringe of MuUs sandy land，normalized vegetation index （NDVI）， ratio vegetation index （RVI）， difference vegetation index （DVI） and transformation vegetation index （TVI） were extracted using grassland above ground biomass data and Landsat8 OLI image which were acquired in July and August，2023.The correlation analysis was made between the four vegetation indexes and above ground biomass，and regression models were established.Meanwhile，the accuracy of the model was verified.The results showed that there was an extremely significant correlation between the four vegetation indexes and above ground biomass，with a correlation coefficient of 0.914 for RVI， followed by NDVI.The optimal model was a quadratic polynomial regression model， and the worst model was an exponential regression model. The average error coefficient between the measured and predicted values of above ground biomass was 16.23%， and the regression fitting accuracy was 83.77%. The quadratic polynomial regression model had the best effect on monitoring the above ground biomass of grassland.

Key words Above ground biomass;Vegetation index;Grassland;Remote sensing monitoring;MuUs sandy land

作者簡介 陳麗佳（1988—），女，寧夏銀川人，畜牧師，碩士，從事畜禽飼草利用及草地地上生物量遙感估算研究。

收稿日期 2024-03-19；修回日期 2024-04-28

草地地上生物量（above ground biomass，AGB）是表征植被生長狀況、固碳潛力的重要指標(biāo)，可以有效衡量草地生產(chǎn)功能，是草地利用決策和資源管理的基礎(chǔ)^［1-2］。毛烏素草地地上生物量遙感反演對于維持生態(tài)系統(tǒng)平衡具有重要作用。草地地上生物量監(jiān)測是合理利用草地資源，掌握草原生態(tài)演替過程的重要依據(jù)。但是，實(shí)時(shí)觀測草地地上生物量信息需要耗費(fèi)大量的人力物力，亟需借助遙感、數(shù)學(xué)等工具進(jìn)行間接觀測^［3］。精準(zhǔn)高效地估測AGB對科學(xué)評估天然草地載畜量和草地生態(tài)系統(tǒng)功能等具有重要意義。

利用遙感技術(shù)估測草地生物量，并對草地植被進(jìn)行動(dòng)態(tài)監(jiān)測具有一定的優(yōu)越性。如高宏元^［4］利用連續(xù)3年（2019—2021年）的野外觀測數(shù)據(jù)和地面高光譜遙感數(shù)據(jù)及Sentinel-2衛(wèi)星的MSI圖像，分析不同生育時(shí)期和不同利用程度的高寒草甸光譜特征，構(gòu)建了天然草地AGB的遙感反演模型，研究門源縣天然草地AGB的時(shí)空分布特征；黃家興等^［5］利用Sentinel-2和Landsat8數(shù)據(jù)，計(jì)算5種植被指數(shù)，與野外實(shí)測AGB建立草地AGB遙感估算模型，比較不同估算模型的反演精度，為研究區(qū)草地AGB合理估算和放牧管理提供科學(xué)依據(jù)；宋柯馨等^［6］利用MODIS數(shù)據(jù)和野外實(shí)測AGB，通過構(gòu)建參數(shù)模型和非參數(shù)模型，最終確定KNN模型可為大尺度區(qū)域草地AGB遙感估測提供參考；Fu等^［7］基于Landsat/TM和MODIS衛(wèi)星影像，評估草地載畜量、生物量、植被覆蓋度以及草地退化動(dòng)態(tài)；Zhang等^［8］使用多時(shí)相Landsat影像評估青藏高原草地退化的空間異質(zhì)性及動(dòng)態(tài)變化；高彥哲等^［9］利用Landsat影像分析蒙古高原植被指數(shù)與水文變化之間的關(guān)系。人工智能（AI）技術(shù)的應(yīng)用逐漸普及，如深度學(xué)習(xí)模型結(jié)合多源遙感數(shù)據(jù)，對草地類型、動(dòng)態(tài)趨勢分類更精確。遙感技術(shù)結(jié)合多樣化的分析手段，為草地生態(tài)管理和保護(hù)提供強(qiáng)有力的科學(xué)依據(jù)。筆者利用2023年7—8月鹽池縣典型草地AGB，結(jié)合同期遙感影像，從遙感技術(shù)與草地科學(xué)相結(jié)合的角度出發(fā)，選取歸一化植被指數(shù)（NDV）^［10］、比值植被指數(shù)（RVI）、差值植被指數(shù)（DVI）、轉(zhuǎn)換型植被指數(shù)（TVI）^［11-12］作為分析對象，探討其與草地地上生物量之間的相關(guān)性，并進(jìn)一步建立衛(wèi)星遙感植被指數(shù)與草地地上生物量之間的統(tǒng)計(jì)模型，為毛烏素沙地南緣草地地上生物量遙感反演模型的建立提供科學(xué)依據(jù)。

1 資料與方法

1.1 研究區(qū)概況

研究區(qū)域位于毛烏素沙地南部邊緣的鹽池縣，屬于毛烏素沙地與荒漠草原的過渡區(qū)域，處于106°51′36″～107°30′23″E、37°10′29″～38°05′22″N，海拔1 297～1 793 m。年降水量250～350 mm，主要集中在7—9月；年平均氣溫7.9 ℃，極端最高氣溫34.9 ℃，極端最低氣溫-24.2 ℃，年無霜期165 d^［13］。鹽池縣天然草原生態(tài)修復(fù)成效顯著，天然草原面積32.166萬hm2，草原綜合植被蓋度達(dá)到58.5%，占全縣土地面積的55%^［14］。研究區(qū)地帶性土壤以灰鈣土為主，非地帶性土壤包括風(fēng)沙土、潮土、鹽土、新積土、堆墊土等。植被以荒漠草原為主。

1.2 研究方法

根據(jù)高志海^［15］的研究，地面反射率對植被的冠層結(jié)構(gòu)特性更加敏感，適合用于提取植被遙感信息，該研究對遙感影像進(jìn)行幾何精校正。采用手持GPS采集14個(gè)地面控制點(diǎn)。在ArcGIS 10中轉(zhuǎn)換為shape文件，然后在ERDAS中對遙感影像采用3次多項(xiàng)式進(jìn)行位置校正幾何精糾正，灰度采用3次卷積內(nèi)插法計(jì)算，最后獲得標(biāo)準(zhǔn)影像，圖像校正的均方根誤差在0.5個(gè)像元以內(nèi)^［16］。對遙感影像進(jìn)行融合、拼接、裁切，提取NDVI、RVI、DVI、TVI這4種植被指數(shù)，并與實(shí)測地上生物量進(jìn)行相關(guān)分析，共建立20種回歸模型，同時(shí)對模型進(jìn)行精度驗(yàn)證。

1.3 主要數(shù)據(jù)獲取

1.3.1

地面數(shù)據(jù)。在毛烏素沙地南緣5條主要流沙帶，測定地表植被蓋度狀況，植被蓋度≥75%定義為潛在退化草地，植被蓋度在55%～lt;75%為輕度退化草地，植被蓋度在35%～lt;55%為中度退化草地，植被蓋度在10%～lt;35%為嚴(yán)重退化草地，植被蓋度lt;10%為極嚴(yán)重退化草地。于2023年7—8月份，采用抽樣調(diào)查法進(jìn)行野外調(diào)查取樣。在研究區(qū)5種退化草地內(nèi)，選取樣地72個(gè)，分別設(shè)置60 m×60 m的樣地，重復(fù)3次。在固定樣地內(nèi)系統(tǒng)設(shè)置3個(gè)樣方（草本1 m×1 m，灌木10 m×10 m）。將出現(xiàn)漏記或錯(cuò)記的樣方測量表視為無效，最終獲得有效測量表72份。樣方分為2組：第1組為訓(xùn)練樣本，共40個(gè)，用于構(gòu)建評價(jià)模型；第2組為測試樣本，共32個(gè)，用于驗(yàn)證模型精度。

該研究計(jì)算的生物量為地上生物量，采用樣地調(diào)查收割法。將植物地上部分齊地面刈割，除去黏附的土壤后，在75 ℃的烘箱烘24 h，計(jì)算干物質(zhì)的量。

1.3.2

遙感數(shù)據(jù)。目前常用的遙感影像源有Landsat7TM/ETM+、Landsat8 OLI、SPOT、MODIS、中國國土資源衛(wèi)星等。就目前來說，探測植被指數(shù)遙感影像仍然以Landsat衛(wèi)星影像為最佳。該研究采用的Landsat8 OLI遙感數(shù)據(jù)來自中國科學(xué)院對地觀測與數(shù)字地球科學(xué)中心下載的3景影像數(shù)據(jù)，處理級別為Level 1，已完成輻射校正和大氣校正。條帶號、列帶號分別為第一景128/34，時(shí)間為2023年8月3日03：27；第二景129/33，時(shí)間為2023年8月3日03：27；第三景129/34，時(shí)間為2023年8月10日03：33。該研究所采集的遙感影像覆蓋整個(gè)研究區(qū)域，該數(shù)據(jù)主要用于鹽池縣草地生物量遙感反演模型的建立及其精度檢驗(yàn)。

2 結(jié)果與分析

2.1 地面樣地生物量

該研究采集了研究區(qū)7個(gè)村40個(gè)草地樣方的地上生物量、退化程度和植被蓋度，如表1所示。

2.2 植被指數(shù)提取

截至目前常用的植被指數(shù)有20多種，該研究將一些常用的植被指數(shù)匯總于表2，這些指數(shù)與植被蓋度、生物量等指標(biāo)具有較高的相關(guān)性。利用遙感分析軟件ENVI的Basic Tools模塊，通過Band Math命令對遙感影像進(jìn)行不同植被指數(shù)的計(jì)算。具體運(yùn)算公式如表2所示，其中，OLI4為紅波段，OLI5為近紅外波段。為保證植被指數(shù)的精度，公式中的數(shù)值必須轉(zhuǎn)化為浮點(diǎn)型。

2.3 植被指數(shù)與地上生物量相關(guān)性分析

分析植被指數(shù)與草地地上生物量之間的相關(guān)性，旨在評估兩者關(guān)系的緊密程度，并驗(yàn)證是否可依據(jù)樣本數(shù)據(jù)推測總體特性。對毛烏素沙地南緣Landsat8 OLI影像所提取的4種植被指數(shù)與實(shí)測地上生物量進(jìn)行相關(guān)性分析，從表3可以看出，4種植被指數(shù)與地上生物量表現(xiàn)出良好的相關(guān)性，適合用于回歸分析，且利用Landsat8 OLI影像中的植被指數(shù)監(jiān)測草地地上生物量是可行的。不同植被指數(shù)與地上生物量的相關(guān)性存在差異，其中RVI的相關(guān)性最高，相關(guān)系數(shù)為0.914；其次是NDVI，相關(guān)系數(shù)為0.807。

在確定了植被指數(shù)與草地地上生物量的相關(guān)性以后，建立了相應(yīng)的植被指數(shù)與草地地上生物量間關(guān)系的散點(diǎn)圖（圖1）。從圖1可以看出，地上生物量與比值植被指數(shù)（RVI）的相關(guān)性較高，并可以建立二次多項(xiàng)式回歸模型，地上生物量與其他植被指數(shù)的相關(guān)性不是很明顯。

2.4 植被指數(shù)與地上生物量關(guān)系模型建立

該研究基于4個(gè)植被指數(shù)分別建立5個(gè)回歸模型，共建立基于各植被指數(shù)的地上生物量回歸模型20個(gè)，具體如表4所示，其中，y為草地地上生物量估測值，x為植被指數(shù)。

構(gòu)建常用植被指數(shù)與草地地上生物量的5種線性和非線性回歸模型，從表4可以看出，在一元線性回歸模型中，RVI的擬合效果最佳，復(fù)相關(guān)系數(shù)（R2）為0.914，明顯高于其他植被指數(shù)；NDVI的擬合效果次之，R2為0.807；隨后是TVI，擬合效果最差的是DVI；其結(jié)果與相關(guān)性分析的結(jié)果一致。但通過對比分析發(fā)現(xiàn)，一元線性回歸模型的擬合精度仍有不足之處。二次多項(xiàng)式回歸模型中，擬合程度最好的是RVI，R2為0.940，各植被指數(shù)的擬合程度由高到低依次為RVIgt;TVIgt;NDVIgt;DVI，植被指數(shù)的R2均大于一元線性回歸模型對應(yīng)的植被指數(shù)。因此，二次多項(xiàng)式回歸模型比一元線性回歸模型更適合用來監(jiān)測鹽池縣草地地上生物量。由對數(shù)函數(shù)回歸模型、冪函數(shù)回歸模型、指數(shù)函數(shù)回歸模型可知，這3種回歸模型模擬效果均不如二次多項(xiàng)式回歸模型，擬合效果最差的是指數(shù)函數(shù)回歸模型。因此，二次多項(xiàng)式回歸模型比其他回歸模型更適合用來監(jiān)測鹽池縣草地地上生物量。在二次多項(xiàng)式回歸模型中，RVI最能滿足草地地上生物量遙感監(jiān)測的需要，但還需要進(jìn)行進(jìn)一步的模型精度檢驗(yàn)。

2.5 二次多項(xiàng)式回歸模型驗(yàn)證

為評估模型精度，選用RVI的二次多項(xiàng)式回歸模型（y=14.587x2+40.587x-5.620 4）進(jìn)行驗(yàn)證。利用未參與建模的32個(gè)樣方數(shù)據(jù)進(jìn)行精度測試，并計(jì)算誤差系數(shù)^［20-21］：誤差系數(shù)=（預(yù)測值-實(shí)測值）/實(shí)測值×100%。

從各實(shí)測點(diǎn)的預(yù)測值與實(shí)測值的差值及誤差系數(shù)情況（表5）可以看出，誤差系數(shù)絕對值≤5%的樣方有6個(gè)，gt;5%～10%的樣方有5個(gè)，gt;10%～20%的樣方有13個(gè)，gt;20%～30%的樣方有3個(gè)，≥30%的樣方有5個(gè)。誤差系數(shù)為正的樣方有10個(gè)，平均誤差系數(shù)為19.35%，正誤差系數(shù)gt;30%的只有2個(gè)樣本。誤差系數(shù)為負(fù)的樣方有22個(gè)，平均誤差系數(shù)為-14.38%，負(fù)誤差系數(shù)gt;30%的有3個(gè)樣本。草地地上生物量實(shí)測值和預(yù)測值的平均誤差系數(shù)為-4.16%，回歸擬合精度為83.77%，由此可見，用遙感植被指數(shù)得到的統(tǒng)計(jì)模型可以用來監(jiān)測鹽池縣草地地上生物量。

3 結(jié)論與討論

3.1 結(jié)論

（1）4種植被指數(shù)（RVI、NDVI、TVI、DVI）與草地地上生物量均表現(xiàn)出顯著相關(guān)性，通過植被指數(shù)與實(shí)測地上生物量建立數(shù)學(xué)模型監(jiān)測草地地上生物量完全可行。

（2）一元線性回歸模型中，RVI與地上生物量的擬合程度最好，復(fù)相關(guān)系數(shù)（R2）為0.914，明顯高于其他植被指數(shù)。二次多項(xiàng)式回歸模型中，擬合程度最好的也是RVI，R2為0.940，擬合程度由高到低依次為RVIgt;TVIgt;NDVIgt;DVI。由對數(shù)函數(shù)回歸模型、冪函數(shù)回歸模型、指數(shù)函數(shù)回歸模型可知，其擬合效果最好的植被指數(shù)分別為RVI、TVI、TVI，模擬效果均不如二次多項(xiàng)式回歸模型。因此RVI的二次多項(xiàng)式回歸模型最能滿足草地地上生物量遙感監(jiān)測的需要，即鹽池縣草地地上生物量和RVI的最優(yōu)關(guān)系模型為y=14.587x2+40.587x-5.620 4。

（3）通過對二次多項(xiàng)式回歸模型精度進(jìn)行驗(yàn)證可知其擬合精度達(dá)到83.77%，說明利用二次多項(xiàng)式回歸模型估算毛烏素沙地南緣草地地上生物量是可行的。

3.2 討論

（1）此次研究所采集的樣點(diǎn)數(shù)據(jù)較少，給草地地上生物量遙感監(jiān)測模型的建立和檢驗(yàn)帶來不利的影響，在以后的研究中，應(yīng)增加采樣點(diǎn)，并且盡量使采樣點(diǎn)分布均勻，能代表整個(gè)研究區(qū)域的研究概況。

（2）查閱相關(guān)資料發(fā)現(xiàn)，MODIS數(shù)據(jù)、Rapideye衛(wèi)星數(shù)據(jù)等在響應(yīng)植被反射信息時(shí)遠(yuǎn)不如Landsat衛(wèi)星影像。所以逐年研究2014年及其以后的Landsat影像對草地地上生物量的反演很有必要。

（3）該研究所得出的最佳地上生物量遙感監(jiān)測模型是二次多項(xiàng)式回歸模型，雖然此模型比其他模型更適合鹽池縣草地地上生物量的遙感監(jiān)測，但是，草地地上生物量受多種因素的影響，今后應(yīng)該多開展這方面的研究。

參考文獻(xiàn)

［1］ 焦翠翠，于貴瑞，陳智，等.基于遙感反演的1982—2015年中國北方溫帶和青藏高原高寒草地地上生物量空間數(shù)據(jù)集［J］.中國科學(xué)數(shù)據(jù)，2019，4（1）：35-49.

［2］" JOBBAGY E G，SALA O E.Controls of grass and shrub aboveground production in the Patagonian steppe［J］.Ecological application，2000，10（2）：541-549.

［3］ 張雨欣，黃健熙，金云翔，等.草地地上生物量估算模型研究進(jìn)展［J］.草地學(xué)報(bào)，2022，30（4）：850-858.

［4］ 高宏元.青海省門源縣天然草地地上生物量的遙感估測研究［D］.蘭州：蘭州大學(xué)，2022.

［5］ 黃家興，吳靜，李純斌，等.基于Sentinel-2和Landsat8數(shù)據(jù)的天祝縣草地地上生物量遙感反演［J］.草地學(xué)報(bào)，2021，29（9）：2023-2030.

［6］ 宋柯馨，蔣馥根，胡宗達(dá)，等.西藏自治區(qū)草地地上生物量遙感反演研究［J］.生態(tài)學(xué)報(bào)，2023，43（13）：5600-5613.

［7］ FU J Y，PENG T，JIANG D，et al.Research progress and theoretical framework of multidimensional observation of grassland resources［J］.Resources science，2020，42（10）：1932-1943.

［8］ ZHANG C，YAN H M，YAO X J.Dynamic assessment of grass livestock balance in Gannan［J］.Journal of natural resources，2022，37（7）：1903-1917.

［9］ 高彥哲，阿拉騰圖婭，曇娜，等.2000—2020年蒙古高原湖泊變化及其影響因素分析［J］.干旱區(qū)地理，2023，46（2）：191-200.

［10］ TUCKER C J.Red and photographic infrared linear combinations for monitoring vegetation［J］.Remote sensing of environment，1979，8（2）：127-150.

［11］ 陳麗佳.鹽池縣草地退化及地上生物量遙感反演研究［D］.銀川：寧夏大學(xué)，2015.

［12］ 陳明華，柴鵬，陳文祥，等.不同植被指數(shù)估算植被覆蓋度的比較研究［J］.亞熱帶水土保持，2016，28（1）：1-4，56.

［13］ 李俠，李潮，蔣進(jìn)平，等.鹽池縣不同沙化草地土壤特性［J］.草業(yè)科學(xué)，2013，30（11）：1704-1709.

［14］ 黃文廣，呼天明，于釗，等.寧夏鹽池縣天然草原生產(chǎn)力遙感監(jiān)測［J］.寧夏農(nóng)林科技，2010，51（5）：13，28.

［15］ 高志海.基于RS和GIS的綠洲植被與荒漠化動(dòng)態(tài)研究［D］.北京：北京林業(yè)大學(xué)，2003.

［16］ ASNER G P，TOWNSEND A R，BUSTAMANTE M M C，et al.Pasture degradation in the central Amazon：Linking changes in carbon and nutrient cycling with remote sensing［J］.Global change biology，2004，10（5）：844-862.

［17］ ROUSE J W，JR，HAAS R H，DEERING D W，et al.Monitoring the vernal advancement and retrogradation（green wave effect）of natural vegetation［R］.NASA Special Report，1974.

［18］ BIRTH G S，MCVEY G R.Measuring the color of growing turf with a reflectance spectrophotometer［J］.Agronomy journal，1968，60（6）：640-643.

［19］ RICHARDSON A J，WIEGAND C L.Distinguishing vegetation from soil background information［J］.Photogrammetric engineering and remote sensing，1977，43（12）：1541-1552.

［20］ 鐘誠，何曉蓉，李輝霞.遙感技術(shù)在西藏那曲地區(qū)草地退化評價(jià)中的應(yīng)用［J］.遙感技術(shù)與應(yīng)用，2003，18（2）：99-102.

［21］ 干友民，成平，周純兵，等.若爾蓋亞高山草甸地上生物量與植被指數(shù)關(guān)系研究［J］.自然資源學(xué)報(bào)，2009，24（11）：1963-1972.