毛乌素沙地南缘草地地上生物量遥感反演模型研究
作者： 陈丽佳 温利明 路乾 刘维平 陈亚飞 王小龙 陆颖 丛帅 徐誉彰 任永丽
摘要 以毛乌素沙地南缘草地为研究对象，利用2023年7和8月获得的草地地上生物量数据和同期Landsat8 OLI影像，提取归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）、转换型植被指数（TVI）4种植被指数，并与地上生物量进行相关分析，建立回归模型，同时验证模型的准确度。结果表明：4种植被指数与地上生物量均呈极显著相关，RVI的相关系数高达0.914，其次是NDVI。最优模型为二次多项式回归模型，最差模型为指数回归模型。地上生物量实测值和预测值的平均误差系数为16.23%，回归拟合精度为83.77%。二次多项式回归模型监测草地地上生物量效果最佳。
关键词 地上生物量；植被指数；草地；遥感监测；毛乌素沙地
中图分类号 S127 文献标识码 A 文章编号 0517-6611（2025）03-0053-05
doi：10.3969/j.issn.0517-6611.2025.03.011
开放科学（资源服务）标识码（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
作者简介 陈丽佳（1988—），女，宁夏银川人，畜牧师，硕士，从事畜禽饲草利用及草地地上生物量遥感估算研究。
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）是表征植被生长状况、固碳潜力的重要指标，可以有效衡量草地生产功能，是草地利用决策和资源管理的基础［1-2］。毛乌素草地地上生物量遥感反演对于维持生态系统平衡具有重要作用。草地地上生物量监测是合理利用草地资源，掌握草原生态演替过程的重要依据。但是，实时观测草地地上生物量信息需要耗费大量的人力物力，亟需借助遥感、数学等工具进行间接观测［3］。精准高效地估测AGB对科学评估天然草地载畜量和草地生态系统功能等具有重要意义。
利用遥感技术估测草地生物量，并对草地植被进行动态监测具有一定的优越性。如高宏元［4］利用连续3年（2019—2021年）的野外观测数据和地面高光谱遥感数据及Sentinel-2卫星的MSI图像，分析不同生育时期和不同利用程度的高寒草甸光谱特征，构建了天然草地AGB的遥感反演模型，研究门源县天然草地AGB的时空分布特征；黄家兴等［5］利用Sentinel-2和Landsat8数据，计算5种植被指数，与野外实测AGB建立草地AGB遥感估算模型，比较不同估算模型的反演精度，为研究区草地AGB合理估算和放牧管理提供科学依据；宋柯馨等［6］利用MODIS数据和野外实测AGB，通过构建参数模型和非参数模型，最终确定KNN模型可为大尺度区域草地AGB遥感估测提供参考；Fu等［7］基于Landsat/TM和MODIS卫星影像，评估草地载畜量、生物量、植被覆盖度以及草地退化动态；Zhang等［8］使用多时相Landsat影像评估青藏高原草地退化的空间异质性及动态变化；高彦哲等［9］利用Landsat影像分析蒙古高原植被指数与水文变化之间的关系。人工智能（AI）技术的应用逐渐普及，如深度学习模型结合多源遥感数据，对草地类型、动态趋势分类更精确。遥感技术结合多样化的分析手段，为草地生态管理和保护提供强有力的科学依据。笔者利用2023年7—8月盐池县典型草地AGB，结合同期遥感影像，从遥感技术与草地科学相结合的角度出发，选取归一化植被指数（NDV）［10］、比值植被指数（RVI）、差值植被指数（DVI）、转换型植被指数（TVI）［11-12］作为分析对象，探讨其与草地地上生物量之间的相关性，并进一步建立卫星遥感植被指数与草地地上生物量之间的统计模型，为毛乌素沙地南缘草地地上生物量遥感反演模型的建立提供科学依据。
1 资料与方法
1.1 研究区概况
研究区域位于毛乌素沙地南部边缘的盐池县，属于毛乌素沙地与荒漠草原的过渡区域，处于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；年平均气温7.9 ℃，极端最高气温34.9 ℃，极端最低气温-24.2 ℃，年无霜期165 d［13］。盐池县天然草原生态修复成效显著，天然草原面积32.166万hm2，草原综合植被盖度达到58.5%，占全县土地面积的55%［14］。研究区地带性土壤以灰钙土为主，非地带性土壤包括风沙土、潮土、盐土、新积土、堆垫土等。植被以荒漠草原为主。
1.2 研究方法
根据高志海［15］的研究，地面反射率对植被的冠层结构特性更加敏感，适合用于提取植被遥感信息，该研究对遥感影像进行几何精校正。采用手持GPS采集14个地面控制点。在ArcGIS 10中转换为shape文件，然后在ERDAS中对遥感影像采用3次多项式进行位置校正几何精纠正，灰度采用3次卷积内插法计算，最后获得标准影像，图像校正的均方根误差在0.5个像元以内［16］。对遥感影像进行融合、拼接、裁切，提取NDVI、RVI、DVI、TVI这4种植被指数，并与实测地上生物量进行相关分析，共建立20种回归模型，同时对模型进行精度验证。
1.3 主要数据获取
1.3.1
地面数据。在毛乌素沙地南缘5条主要流沙带，测定地表植被盖度状况，植被盖度≥75%定义为潜在退化草地，植被盖度在55%～<75%为轻度退化草地，植被盖度在35%～<55%为中度退化草地，植被盖度在10%～<35%为严重退化草地，植被盖度<10%为极严重退化草地。于2023年7—8月份，采用抽样调查法进行野外调查取样。在研究区5种退化草地内，选取样地72个，分别设置60 m×60 m的样地，重复3次。在固定样地内系统设置3个样方（草本1 m×1 m，灌木10 m×10 m）。将出现漏记或错记的样方测量表视为无效，最终获得有效测量表72份。样方分为2组：第1组为训练样本，共40个，用于构建评价模型；第2组为测试样本，共32个，用于验证模型精度。
该研究计算的生物量为地上生物量，采用样地调查收割法。将植物地上部分齐地面刈割，除去黏附的土壤后，在75 ℃的烘箱烘24 h，计算干物质的量。
1.3.2
遥感数据。目前常用的遥感影像源有Landsat7TM/ETM+、Landsat8 OLI、SPOT、MODIS、中国国土资源卫星等。就目前来说，探测植被指数遥感影像仍然以Landsat卫星影像为最佳。该研究采用的Landsat8 OLI遥感数据来自中国科学院对地观测与数字地球科学中心下载的3景影像数据，处理级别为Level 1，已完成辐射校正和大气校正。条带号、列带号分别为第一景128/34，时间为2023年8月3日03：27；第二景129/33，时间为2023年8月3日03：27；第三景129/34，时间为2023年8月10日03：33。该研究所采集的遥感影像覆盖整个研究区域，该数据主要用于盐池县草地生物量遥感反演模型的建立及其精度检验。
2 结果与分析
2.1 地面样地生物量
该研究采集了研究区7个村40个草地样方的地上生物量、退化程度和植被盖度，如表1所示。
2.2 植被指数提取
截至目前常用的植被指数有20多种，该研究将一些常用的植被指数汇总于表2，这些指数与植被盖度、生物量等指标具有较高的相关性。利用遥感分析软件ENVI的Basic Tools模块，通过Band Math命令对遥感影像进行不同植被指数的计算。具体运算公式如表2所示，其中，OLI4为红波段，OLI5为近红外波段。为保证植被指数的精度，公式中的数值必须转化为浮点型。
2.3 植被指数与地上生物量相关性分析
分析植被指数与草地地上生物量之间的相关性，旨在评估两者关系的紧密程度，并验证是否可依据样本数据推测总体特性。对毛乌素沙地南缘Landsat8 OLI影像所提取的4种植被指数与实测地上生物量进行相关性分析，从表3可以看出，4种植被指数与地上生物量表现出良好的相关性，适合用于回归分析，且利用Landsat8 OLI影像中的植被指数监测草地地上生物量是可行的。不同植被指数与地上生物量的相关性存在差异，其中RVI的相关性最高，相关系数为0.914；其次是NDVI，相关系数为0.807。
在确定了植被指数与草地地上生物量的相关性以后，建立了相应的植被指数与草地地上生物量间关系的散点图（图1）。从图1可以看出，地上生物量与比值植被指数（RVI）的相关性较高，并可以建立二次多项式回归模型，地上生物量与其他植被指数的相关性不是很明显。
2.4 植被指数与地上生物量关系模型建立
该研究基于4个植被指数分别建立5个回归模型，共建立基于各植被指数的地上生物量回归模型20个，具体如表4所示，其中，y为草地地上生物量估测值，x为植被指数。
构建常用植被指数与草地地上生物量的5种线性和非线性回归模型，从表4可以看出，在一元线性回归模型中，RVI的拟合效果最佳，复相关系数（R2）为0.914，明显高于其他植被指数；NDVI的拟合效果次之，R2为0.807；随后是TVI，拟合效果最差的是DVI；其结果与相关性分析的结果一致。但通过对比分析发现，一元线性回归模型的拟合精度仍有不足之处。二次多项式回归模型中，拟合程度最好的是RVI，R2为0.940，各植被指数的拟合程度由高到低依次为RVI>TVI>NDVI>DVI，植被指数的R2均大于一元线性回归模型对应的植被指数。因此，二次多项式回归模型比一元线性回归模型更适合用来监测盐池县草地地上生物量。由对数函数回归模型、幂函数回归模型、指数函数回归模型可知，这3种回归模型模拟效果均不如二次多项式回归模型，拟合效果最差的是指数函数回归模型。因此，二次多项式回归模型比其他回归模型更适合用来监测盐池县草地地上生物量。在二次多项式回归模型中，RVI最能满足草地地上生物量遥感监测的需要，但还需要进行进一步的模型精度检验。