全 文 ：第 6卷 第 1期
2 0 0 8年 3月
湿　地　科　学WETLAND　SCIENCE Vol.6　No.1March, 2 0 0 8
收稿日期:2007-11-16;修订日期:2008-01-10
基金项目:中国科学院知识创新重要方向性项目(KZCX3-SW-356)和松嫩平原湿地植被参数高光谱定量遥感研究项目(C08Y46)资助。
作者简介:李凤秀(1980-),男,河南省信阳人 ,硕士研究生,主要研究方向为植被的高光谱生理参数反演。E-mail:lfx.edu.pop@126.com
　＊通讯作者:张　柏 ,研究员。 E-mail:zhangbai@neigae.ac.cn
洪河自然保护区乌拉苔草生物量高光谱遥感估算模型
李凤秀 1, 2 ,张　柏1＊ ,刘殿伟 1 ,宋开山 1
(1.中国科学院东北地理与农业生态研究所 ,吉林 长春 130012;2.中国科学院研究生院 ,北京 100049)
摘要:尝试用不同方法构建洪河自然保护区湿地植被乌拉苔草(Carexmeyeriana)的高光谱植被指数 , 建立水上
鲜 /干生物量高光谱估算模型 ,并比较了不同模型的反演精度。通过实测不同覆盖度和水深状况下乌拉苔草的
冠层高光谱反射率与水上生物量的数据 ,采用高光谱可见光—近红外波段及其微分光谱波段(350 ～ 1 050 nm)
逐波段构建 FNDVI、FRVI、FDVI、FDNDVI、FDRVI、FDDVI植被指数 , 分别找出与水上鲜生物量和干生物量具有
最佳相关性波段组合的植被指数 ,建立乌拉苔草水上生物量的最佳估算模型 , 并对比分析了反射率光谱植被指
数(FNDVI、FRVI、FDVI)模型和微分光谱植被指数(FDNDVI、FDRVI、FDDVI)模型的反演精度。结果显示 , 微分
光谱与乌拉苔草水上生物量的相关性比反射率光谱好;微分光谱植被指数与乌拉苔草水上生物量的相关性比反
射率光谱植被指数好 , 尤其以微分光谱植被指数 FDRVI与 FDNDVI建立的二次函数模型反演乌拉苔草的水上
鲜生物量和干生物量的效果最好 ,精度分别达 74.9%、71.4%, 其均方根误差分别为 0.074 4和 0.026 2,通过了
p<0.01极显著验证。这表明 , 采用微分光谱植被指数 FDRVI、FDNDVI对乌拉苔草水上鲜生物量和干生物量的
估算可以取得较高的预测精度。
关 键 词:高光谱;乌拉苔草;生物量;植被指数;洪河自然保护区
中图分类号:X16;X144　文献标识码:A　文章编号:1672-5948(2008)01-051-09
　　湿地植被群落的生物量不仅是衡量湿地生态
系统健康状况的重要指标 ,估算多种植冠功能过程
的重要参数 ,也是研究湿地生态系统物质循环 、能
量流动和生产力的基础 。选择不同时空尺度上的
典型湿地植被的生理参数进行系统性研究 ,不仅可
以及时掌握湿地生态系统的动态变化 ,为湿地生态
系统价值评价提供重要参数 [ 1] ,同时也能作为湿
地生态系统基本生态价位的划分标准 ,并为湿地生
态系统的恢复 、重建以及管理提供科学依据。
传统的地上生物量测算方法主要是通过样方调
查 ,采取收割等方法 ,不但费时费力 ,具有破坏性 ,而
且很难做到动态大面积检测等缺点。常规遥感如航
空航天遥感技术 ,特别是卫星遥感技术具有宏观性 、
多时相性 、多波段性和综合性等特点 ,利用遥感技术
进行草地产量的定量检测 、大面积湿地资源生物量
的估算 ,可以节省大量的人力 、物力和时间 [ 2] ,在一
定程度上弥补了传统检测方法的不足。
近年来 ,随着高光谱分辨率遥感的应用 ,使得
遥感能在光谱维上展开 ,可以直接对地物进行微弱
光谱差异的定量分析 ,在植被遥感研究与应用中表
现出强大的优势[ 3] 。利用高光谱反射率数据展开
叶面积指数 、覆盖度和生物量估算等植被生理特性
的研究 ,是进行植被动态监测和遥感估产的必要条
件[ 4] 。宋开山等人以神经网络方法准确预测了玉
米(Zeamays)地上鲜生物量 [ 5] ;唐延林[ 6] 、王秀
珍[ 7]等以多元回归的方法分析了水稻(Oryzasati-
va)的高光谱红边参数与鲜生物量和干生物量之间
的关系;Cho等人以偏二乘法分析了高光谱植被指
数和红边参数草地生物量之间的关系 [ 8] 。但是 ,
在国内外利用高光谱遥感数据进行湿地生物量估
算的研究鲜见报道。
本文利用野外实测乌拉苔草 (Carexmeyeri-
ana)高光谱数据及水上生物量数据 ,通过构建乌
拉苔草的高光谱反射率数据和导数数据的不同植
被指数 ,分析其与地上生物量的相关性 ,为湿地植
被长势监测和评估提供依据。
DOI :10.13248/j.cnki.wet landsci.2008.01.005
　 52　 湿　　地　　科　　学 6卷
1　研究区概况
研究区位于黑龙江洪河国家级自然保护区 ,地
处黑龙江省三江平原腹地 ,同江市与抚远县交界
处 , 总 面 积 21 835.7 hm2。地 理 位 置 为
47°42′18″N～ 47°52′00″N, 133°34′38″E～ 133°46′29″
E,是中国沼泽湿地的集中分布区之一 [ 9] 。洪河保
护区植被的主要种类组成属于长白植物区系 ,以沼
泽化草甸和沼泽植被为主 ,多水的过湿环境为沼泽
生和湿生植被的生长繁衍提供了有利条件。构成
该区植被的建群植物 、优势植物和主要伴生植物 ,
都是能适应水多的沼生 、湿地植物和少数中生植
物 ,主要以多种苔草(Carexsp.)、小叶章(Deyeuxia
angustifolia)、丛桦 (Betulafruticosa)、沼柳 (Salix
brachypoda)等为主 [ 10] 。
2　数据和方法
由于乌拉苔草生长在湿地水浅的区域 ,鲜生物
量的测量受到水的影响比较小 ,因此本文选择乌拉
苔草来进行研究 。在生长期内对乌拉苔草进行了
2次冠层光谱和生物量测定 ,依次为 2007年 6月
7 ～ 9日(生长期)和 8月 15日 、17日 、19日 、20日
(枯黄期)。观测点均匀的分部于实验区 、缓冲区
和核心区内的乌拉苔草群落。
2.1　数据采集
采用美国分析光谱仪器公司(AnalyticalSpec-
tralDevices, ASD公司)生产的 ASDFieldSpec野外
便携式高光谱仪 ,在 350 ～ 1 050 nm波长范围内进
行连续测量 ,经升级后采样间隔为 1 nm,光谱分辨
率 3 nm,视场角 25°,共 700个波段。选择晴朗无
风天气 , 9:00 ～ 15:00进行测试 。传感器探头垂直
向下 ,与冠层顶约 1.5 m的距离 ,观测范围直径为
0.66m。每个样方大小为 1m×1m,采集 10个冠
层光谱 ,取其平均值作为该观测点的光谱反射值 ,
测量过程中及时进行标准白板校正 ,共采集 18组
乌拉苔草光谱数据和生物量数据。
2.2　地上生物量的测定
冠层光谱和叶面积测定之后 ,把对应的 1m×
1m的样方内的乌拉苔草贴根部割下 ,利用随身携
带的天平立即对鲜生物量进行称量 ,然后带回实验
室置于 105 ℃烘箱中烘烤 30 min,在以 70 ℃恒温
烘干 ,当两次测重(相隔 1 h)相差≤5‰时 ,不再烘
烤 ,称其干重。
2.3　高光谱数据处理方法
2.3.1　光谱微分技术
对反射光谱进行一阶微分计算 ,其公式 [ 11]为:
ρ′(λi)=[ ρ(λi+1)-ρ(λi-1)] /2Δλ (1)
式中 , λi为每个波段的波长;ρ′(λi)为 λi的一
阶微分光谱;Δλ是波长 λi+1到 λi的间距 。
2.3.2　光谱植被指数
植被指数又称光谱绿度值 ,通常是用红光波
段(R)和近红外(IR)波段通过数学运算进行线
性或非线性组合得到的数值 ,用以表征地表植被
的数量分配和质量情况 。它与植物的覆盖度 ,叶
面积指数及生物量大小有很大关系 [ 12] 。目前常
用的植被指数有:差值植被指数 (DVI=IR-
R),比值指数(RVI=IR/R),归一化指数 NDVI=
(IR-R)/(IR+R)等 ,其中 IR为 0.76 ～ 0.9μm
近红外波段的反射比;R为 0.63 ～ 0.69 μm红光
波段的反射比 [ 13 ～ 15] 。但是 NDVI、RVI和 DVI都
是基于近红外与红光波段构建的植被指数 ,没有
考虑可见光—近红外波段以外的其他波段组合 ,
而植被的生理参数有可能对其他波段构建的植
被指数更加敏感 ,本文尝试以全波段构建的植被
指数与生物量做相关分析 。本文采用的植被指
数见表 1。
表 1　重新定义的植被指数
Table1　RedefinitionofVegetationIndices
名称
全波段归一化
植被指数
(FNDVI)
全波段差值
植被指数
(FDVI)
全波段比值
植被指数
(FRVI)
全波段微分归
一化植被指数
(FDNDVI)
全波段微分差值
植被指数
(FDDVI)
全波段微分比
之植被指数
(FDRVI)
公式 Rj-RiRj+Ri Rj-Ri
Rj
Ri
R′j-R′i
R′j+R′i R
′i-R′j R
′j
R′i
　注:Ri, Rj表示 i, j波段地物光谱反射率 , R′i, R′j为波段地物微分光谱反射率 ,其中 j>i。
　1期 李凤秀等:洪河自然保护区乌拉苔草生物量高光谱遥感估算模型 53　
3　结果与分析
3.1　乌拉苔草水上生物量与反射率光谱和微分光
谱的相关分析
采用多元统计分析方法 ,得到乌拉苔草反射率
光谱 、微分光谱(350 ～ 1 050nm)与水上鲜生物量 、
干生物量的相关系数曲线(图 1)。由图 1a可知 ,
乌拉苔草冠层反射率与水上鲜生物量在 350 ～ 716
nm波段呈负相关 , 相关系数在 678 nm处达到最
大 ,形成一个波谷;波长大于 718nm,冠层光谱反射
率数据与水上鲜生物量呈正相关 ,相关系数在 772
nm处达到最大 ,形成了一个平台。乌拉苔草冠层
反射率光谱与水上干生物量相关性曲线同鲜生物
量曲线相似 ,在可见光—近红外(350 ～ 1 050 nm)
波段均为负相关 ,形成一个 -0.3 ～ 0的负相关低值
区 。对乌拉苔草冠层反射率光谱与水上生物量相
关性分析发现 ,无论是反射率光谱与鲜生物量 ,还
是反射率光谱与干生物量的相关性都没有达到显
著性水平。水上鲜生物量和干生物量与一阶微分
光谱相关系数曲线步调趋于一致 ,以 0为中心 ,在
-0.63 ～ 0.52之间波动 ,其中在看见光(350 ～ 494
nm)和近红外(760 ～ 1 050nm)波段 ,鲜生物量和干
生物量与一阶微分光谱的相关系数波动幅度比较
大;在可见光(494 ～ 760 nm)波段 ,鲜生物量和干生
物量与一阶微分的相关性比较稳定(图 1b)。
对比分析乌拉苔草的反射率光谱 、微分光谱与
水上鲜生物量和干生物量的关系可知 ,微分光谱与
水上鲜生物量和干生物量的相关性明显好于反射
率光谱 ,并且微分光谱部分波段与水上鲜生物量和
干生物量的相关性达到显著性检验水平 ,甚至达到
极显著性验证水平(图 1c、图 1d)。微分光谱与水
上鲜生物量和干生物量波长最大相关系数分别发
生在 628 nm、994 nm,达 -0.629、 -0.556。
3.2　乌拉苔草水上生物量的高光谱遥感估算模型
3.2.1　植被指数 FNDVI、FRVI和 FDVI与水上生
物量的相关分析
图 2是基于可见光 -近红外全波段构建的
图 1　洪河自然保护区乌拉苔草水上生物量与冠层反射率光谱 、微分光谱的相关关系
Fig.1　Correlationbetweenreflectance, derivativeandbiomassofCarexmeyerianainHongheNatureReserve
　 54　 湿　　地　　科　　学 6卷
　　　　注:2nm间隔高光谱数据各个波段的 FNDVI与生物量的相关性曲线 , x轴表示不同波段组合的
FNDVI的个数(顺序是各波段与其后每个波段做归一化处理)。(图 4与此相同)。
Note:ThecorrelationcurvebetweenFNDVIandbiomassof2nmintervalhyperspectraldatainvarious
bands, XaxesrepresentstheamountsofFNDVI(inorder:Separatelyuseseachwavebanddealnormalized
processingwithitafterwavebands)(thesameinFig.4).
图 2　洪河自然保护区乌拉苔草 FNDVI与生物量的相关分析
Fig.2　CorrelationcoeficientsbetweenbiomassandFNDVIofCarexmeyerianainHongheNatureReserve
FNDVI植被指数与鲜生物量和干生物量的相关性
分析。可见光—近红外(350 ～ 1 050 nm)波段构建
的 FNDVI植被指数与鲜生物量具有较好的相关
性 ,其中可见光 (526 ～ 552 nm)波段与可见光
(350 ～ 550nm)波段构建的 FNDVI植被指数以及
可见光(708 ～ 758 nm)波段与可见光(350 ～ 756
nm)波段的构建的 FNDVI植被指数与鲜生物量和
干生物量均为正相关;近红外波段构建的植被指数
与水上鲜生物量和干生物量以正相关为主。在构
建的所有植被指数中 ,与水上鲜生物量具有最佳相
关性的波段组合为 FNDVI(R484 , R486),相关系数达
-0.659;与干生物量具有最佳波段相关性的波段
组合为 FNDVI(R382 , R396), 相关系数达 -0.671。
无论是鲜生物量还是干生物量与最佳波段组合构
建的 FNDVI植被指数都具有最佳的二次多项式函
数拟合关系(图 3)。以其他常用波段和函数拟合
FNDVI与鲜生物量和干生物量的效果都没有该波
段组合和二次多项式函数理想。 FRVI和 FDVI与
水上鲜生物量和干生物量的相关分析与此类似 ,在
此不再重复论述 ,具体见表 2、表 3。
图 3　洪河自然保护区乌拉苔草的 FNDVI与生物量之间的拟合关系
Fig.3　FittedrelationshipbetweenbiomassandFNDVIofCarexmeyerianainHongheNatureReserve
3.2.2　植被指数 FDNDVI、FDRVI和 FDDVI与水
上生物量的相关分析
植被光谱是植被 、背景 、阴影 、湿度等复杂混合
反映 ,而且受到大气空间一定时相变化的影响 ,因
此不同的植被指数都有各自适用范围。湿地植被
光谱受到背景水 、腐殖质 、水中草根及历年遗留枯
　1期 李凤秀等:洪河自然保护区乌拉苔草生物量高光谱遥感估算模型 55　
表 2　洪河自然保护区乌拉苔草最佳波段构建的植被指数 FNDVI、FRVI、FDVI与
鲜生物量的拟合模型对比分析结果(n=18)
Table2　ThecomparisonoffunctionsbetweenfreshbiomassandFNDVI、FRVIandFDVIofCarexmeyeriana
constructedwiththebestwavelength(n=18)inHongheNatureReserve
植被指数 最佳波段 最佳回归模型 确定性系数 R2 线性模型 确定性系数 R2
FNDVI 484nm/486nm y=1 307.6x2 -22.313x+0.556 2 0.458 3 y=-22.783x+0.571 9 0.434 6
FRVI 484nm/486nm y=333.03x2 -677.25x+344.78 0.458 3 y=-11.384x+11.956 0.433 8
FDVI 364nm/396nm y=5 294.5x2 -60.584x+0.558 7 0.414 y=-65.618x+0.568 6 0.409
表 3　洪河自然保护区乌拉苔草最佳波段构建的植被指数 FNDVI、FRVI、FDVI与
干生物量的拟合模型对比分析结果(n=18)
Table3　ThecomparisonoffunctionsbetweendrybiomassandFNDVI、FRVIandFDVIofCarexmeyeriana
constructedwiththebestwavelength(n=18)inHongheNatureReserve
植被指数 最佳波段 最佳回归模型 确定性系数R2 线性模型 确定性系数 R2
FNDVI 382nm/396nm y=2.448 2x2 -0.881 8x+0.263 2 0.458 5 y=-0.855 3x+0.267 9 0.450 8
FRVI 376nm/396nm y=-1.063 5x2 +1.394 6x-0.041 1 0.456 4 y=-0.784 1x+1.071 9 0.452 9
FDVI 1 014nm/1 022nm y=3 192.1x2 -30.867x+0.295 5 0.513 7 y=-15.497x+0.290 2 0.407 4
草等的影响尤其严重 ,使得其反射率光谱与植物的
生理参数的相关性大大减弱。导数植被指数由于
它能压缩背景噪音对目标信号的影响或不理想的
低频信号 ,被应用在目前的高光谱遥感研究中 ,尤
其是在利用高光谱遥感提取植被化学成份信息方
面得到成功的应用[ 16] 。 FDNDVI、FDRVI和 FDDVI
是基于微分光谱基础上构建的植被指数 ,它们与水
上生物量表现出较好的相关性 。
从图 4可以看出 ,以可见光 —近红外微分波段
构建的植被指数与鲜生物量和干生物量都具有很
好的相关性 ,相关系数基本上以 -0.8 ～ 0.8之间
上下波动。在可见光—近红外构建的所有 FDND-
VI植被指数中 ,与鲜生物量具有最好相关性的波
段组合为 FDNDVI(R594 , R976),相关系数达 0.795,
与鲜生物量具有最好负相关性的波段组合为
FDNDVI(R930 , R954),相关系数达 -0.792;与干生
物量具有最好相关性的波段组合为 FDNDVI(R766 ,
R930),相关系数达 -0.834,与鲜生物量具有最好
正相关性的波段组合为 FDNDVI(R410 , R588),相关
系数达 0.744。总体上看 , FDNDVI(R594 , R976)与鲜
生物量有最佳相关性;FDNDVI(R766 , R930)与干生
物量有最佳相关性。 FDNDVI(R594 , R976)与鲜生物
量和 FDNDVI(R766 , R930)与干生物量之间都存在较
好的二次多项式函数拟合关系(图 5)。以其他常
用波段和函数来拟合 FDNDVI与鲜生物量和干生
物量的效果没有该波段和二次多项式函数理想 。
FDRVI和 FDDVI与鲜生物量和干生物量的相关分
析与此类似 ,具体见表 4、表 5。
3.3　乌拉苔草生物量高光谱遥感估算模型的精度
验证
通常精度评价标准可采用以下几种:
相关系数评价 [ 11] 。在光谱数据和生物物理 、
生物化学参数的相关及恢复分析种可用相关系数
(单 、复)的平方值(确定系数 R2)来评价两类数据
的相关性和预测结果之优劣 [ 17] 。
均方根误差 RMSE(RootMeanSquareEror)评
价。由单变量和多变量回归模型估计出的参数 ,其精
度可用均方根误差来评价 , RMSE计算公式[ 11]为:
RMSE= ∑
n
i=1
(Yi-yi)2
n (2)
式(2)中:Yi, yi分别为估算值和实测值 , i为
样点号 , n为样点数量 。
相对误差(%)评价 [ 17] :
相对误差 =∣(yi-Yi)∣ /yi×100% (3)
建立的模型不仅要求方程的显著性水平高 ,而且
要求数学表达形式简单 ,基于此原则 ,对所建立模型
的预测精度进行对比分析比较 ,结论如表 6、表 7。
　 56　 湿　　地　　科　　学 6卷
图 4　洪河自然保护区乌拉苔草 FDNDVI与生物量的相关分析
Fig.4　CorrelationbetweenbiomassandFDNDVIofCarexmeyerianainHongheNatureReserve
图 5　洪河自然保护区乌拉苔草的 FDNDVI与生物量之间的拟合关系
Fig.5　FittedrelationshipbetweenbiomassandFDNDVIofCarexmeyerianainHongheNaturReserve
表 4　洪河自然保护区乌拉苔草最佳波段构建的植被指数 FDNDVI、FDRVI、FDDVI
与鲜生物量的拟合模型对比分析结果(n=18)
Table4　ThecomparisonoffunctionsbetweenfreshbiomassandFDNDVI、FDRVIandFDDVIofCarexmeyeriana
constructedwiththebestwavelengthinHongheNatureReserve(n=18)
植被指数 最佳波段 最佳回归模型 确定性系数R2 线性模型 确定性系数 R2
FDNDVI 594nm/976nm y=-9E-05x2 +0.017 8x+0.489 0.633 1 y= 0.016 3x+0.489 9 0.632 5
FDRVI 1 032nm/1 038nm y= 6E-05x2 -0.002 6x+0.495 7 0.749 4 y=-0.004 6x+0.502 5 0.696 7
FDDVI 770nm/780nm y= 7E+06x2 -570.45x+0.454 3 0.660 8 y=-1708.8x+0.426 3 0.609 3
表 5　洪河自然保护区乌拉苔草最佳波段构建的植被指数 FDNDVI、FDRVI、FDDVI与
干生物量的拟合模型对比分析结果(n=18)
Table5　ThecomparisonoffunctionsbetweendrybiomassandFDNDVI、FDRVIandFDDVIofCarexmeyeriana
constructedwiththebestwavelengthinHongheNatureReserve(n=18)
植被指数 最佳波段 最佳回归模型 确定性系数R2 线性模型 确定性系数 R2
FDNDVI 766nm/930nm y= 4E-05x2 -0.002 4x+0.224 9 0.713 8 y=-0.003 3x+0.227 8 0.694 7
FDRVI 488nm/954nm y= 0.000 2x2 +0.001 7x+0.215 7 0.519 4 y= 0.005 1x+0.205 5 0.486 9
FDDVI 994nm/1 024nm y= 60 309x2 +41.39x+0.232 3 0.472 7 y= 80.646x+0.240 3 0.441 6
　1期 李凤秀等:洪河自然保护区乌拉苔草生物量高光谱遥感估算模型 57　
表 6　洪河自然保护区乌拉苔草鲜生物量高光谱估算模型的
精度验证比较(n=18)
Table6　Thecomparisonofprecisiontestresultsofhyperspectralmodels
forfreshbiomassofCarexmeyerianainHongheNatureReserve(n=18)
模型精度 FNDVI FRVI FDVI FDNDVI FDRVI FDDVI
最佳模型的相关系数(R2) 0.458 3＊＊ 0.458 3＊＊ 0.414＊＊ 0.633 1＊＊ 0.749 4＊＊ 0.660 8＊＊
线性模型的相关系数(R2) 0.4346 ＊＊ 0.433 8＊＊ 0.409＊＊ 0.632 5＊＊ 0.696 7＊＊ 0.609 3＊＊
最佳模型的误差均方根(RMSE) 0.071 6 0.071 7 0.074 4 0.058 9 0.048 7 0.056 8
线性模型的误差均方根(RMSE) 0.073 1 0.073 2 0.074 7 0.058 9 0.053 5 0.060 8
最佳模型相对误差% 7.82 7.96 8.92 8.77 6.70 7.41
线性模型相对误差% 8.41 8.42 9.30 8.68 8.28 9.29
　注:＊＊表示通过了 0.01极显著验证。
表 7　洪河自然保护区乌拉苔草干生物量高光谱估算模型的
精度验证比较(n=18)
Table7　Thecomparisonofprecisiontestresultsofhyperspectralmodelsfordrybiomass
ofCarexmeyerianainHongheNatureReserve(n=18)
模型精度 FNDVI FRVI FDVI FDNDVI FDRVI FDDVI
最佳模型的相关系数(R2) 0.458 5＊＊ 0.456 4＊＊ 0.513 7＊＊ 0.713 8＊＊ 0.519 4＊＊ 0.472 7＊＊
线性模型的相关系数(R2) 0.450 8＊＊ 0.452 9＊＊ 0.407 4＊＊ 0.694 7＊＊ 0.486 9＊＊ 0.441 6＊＊
最佳模型的误差均方根(RMSE) 0.036 0 0.036 1 0.034 2 0.026 2 0.035 0 0.035 6
线性模型的误差均方根(RMSE) 0.036 3 0.036 2 0.037 7 0.027 1 0.035 1 0.036 6
最佳模型相对误差% 11.25 10.49 9.80 7.08 10.56 9.82
线性模型相对误差% 11.61 10.58 12.40 7.05 10.01 10.83
　注:＊＊表示通过了 0.01极显著验证。
　　从表 6、表 7可知 ,虽然以最佳波段组合的
FNDVI、FRVI、FDVI、FDNDVI、FDRVI、FDDVI植被
指数与乌拉苔草水上鲜生物量和干生物量建立的
模型都能取得较好的预测精度 ,但是相比之下 ,微
分植被指数的效果更好 ,特别是以最佳波段组合的
FDRVI植被指数建立的二次函数模型与水上鲜生
物和以最佳波段组合的 FDNDVI植被指数建立的
二次函数模型与干生物量效果最佳 ,预测模型精度
分别达 74.9%、 71.4%, 均方根误差分别为
0.074 4、0.026 2,相对误差分别为 6.7%、7.08%,
都通过了 p<0.01的极显著水平。
4　结　论
本文通过分析乌拉苔草冠层反射率光谱 、一阶
微分光谱及其构建的植被指数(FNDVI、FRVI、FD-
VI、FDNDVI、FDRVI、FDDVI)与水上鲜生物量和干
生物量的相关关系 ,得出以下结论:
(1)微分光谱比原始光谱与湿地生物量具有
更好的相关性。利用微分技术能够对非光合作用
的背景进行压缩 ,使得由此估算到的生物量值更为
准确 、可靠 。
(2)选取对生物量敏感的波段组成高光谱植被
指数是提高模型预测精度的关键 ,在此基础上 ,可通
过定量模型反演乌拉苔草水上鲜生物量和干生物
量 ,为湿地植被的生长检测与评估提供量化指标。
(3)以最佳波段组合构建的植被指数拟合乌
拉苔草水上鲜生物量和干生物量 ,最佳模型是二次
函数模型 ,但是线性模型也能很好的拟合乌拉苔草
的水上鲜生物量和干生物量。
(4)对比分析反射光谱率植被指数(FNDVI、
FRVI、FDVI)和微分光谱植被指数(FDNDVI、FDR-
VI、FDDVI)与苔草的水上鲜生物量和干生物量的
　 58　 湿　　地　　科　　学 6卷
关系 ,发现微分光谱植被指数 (FDNDVI、FDRVI、
FDDVI)与乌拉苔草水上鲜生物量和干生物量的相
关性更好 ,其中微分光谱植被指数 FDRVI(R1 032
nm, R1 038 nm)与水上鲜生物量和微分光谱植被
指数 FDNDVI(R766 nm, R930 nm)与水上干生物
量的拟合效果最佳 , 预测精度分别达 74.9%、
71.4%,均方根误差分别为 0.074 4、0.026 2,相对
误差分别为 6.7%、7.08%,都通过了 p<0.01的
极显著水平 。
由于湿地环境的特殊性 ,乌拉苔草的反射率光
谱数据主要受到覆盖度 、背景水 、腐殖质 、草根等因
素的影响 ,并且初步结论是基于一个保护区一个年
份的观测数据 ,而且样本数量有限 ,故有待进一步
研究和探讨 。
致　谢:本文的数据在获取过程中得到中国科学院
东北地理与农业生态研究所易富科研究员 、王宗明
副研究员 、杨飞博士 、杜嘉博士 、刘焕军博士 、靳华
安硕士 、刘德燕博士 、王利博士的大力帮助 ,以及黑
龙江省洪河自然保护区和中国科学院三江平原沼
泽湿地生态实验站的大力支持 ,在此表示真诚的感
谢 。
参考文献
[ 1] 　潘耀忠 , 史培军 , 朱文泉, 等.中国陆地生态系统生态资产
遥感定量测量 [ J] .中国科学 D辑 , 2004, 34(4):375～ 384.
[ 2] 　任继周.草野科学研究方法 [ M] .北京:中国农业出版社 ,
1998, 319～ 322.
[ 3] 　BlackburnGA.1998.Quantifyingchlorophylsandcarotenoids
atleafandcanopyscales:anevaluationofsomehyperspectral
approaches[ J] .RemoteSensingofEnvironment, 66:273-285.
[ 4] 　刘占宇 , 黄敬峰 , 吴新宏 , 等.草地生物量的高光谱遥感估
算模型 [ J].农业工程学报 , 2006, 22(2):111～ 115.
[ 5] 　宋开山 , 张　柏 , 于　磊 , 等.玉米地上鲜生物量的高光谱
遥感模型研究 [ J] .农业系统科学与综合研究 , 2005, 21
(1):65～ 67.
[ 6] 　唐延林 , 王纪华 , 黄敬峰 , 等.水稻成熟过程中要广谱与叶
绿素 、类胡萝卜素的变化规律 [ J] .农业工程学报 , 2003, 19
(6):167～ 173.
[ 7] 　王秀珍 , 黄敬峰 , 黄敬峰 ,里云海 ,等.水稻地上鲜生物量的
高光谱遥感估算模型研究 [ J] .作物学报 , 2003, 29(6):
815 ～ 821.
[ 8] 　MosesAzongCho, AndrewSkidmore, FabioCorsi, etal.2007.
Estimationofgreengrass/herbbiomassfromairbornehyperspec-
tralimageryusingspectralindicesandpartialleastsquaresre-
gression[J] .InternationalJournalofAppliedEarthObservation
andGeoinformation, 9:414-424.
[ 9] 　洪河自然保护区.湿地简介 [ EB/OL] .htp://www.sanjian-
gyx.com/danwei/honghebhq/gongzuodongtai.htm.
[ 10] 布东方 ,胡金明 ,周德民 ,等.不同水位梯度小叶章叶绿素含
量试验研究 [ J].湿地科学 , 2006, 4(3):227～ 232.
[ 11] 浦瑞良 , 宫　鹏.高光谱遥感及其应用 [ M].北京:高等教
育出版社 , 2000, 123～ 327.
[ 12] 张云霞 , 李晓兵 , 陈云浩.草地植被盖度的多尺度遥感与实
地测量方法综述 [ J] .地球科学进展 , 2003, 18(1):85 ～ 93.
[ 13] 李建龙 , 黄敬峰 , 王秀珍.草地遥感 [ M].北京:气象出版
社 , 1997.
[ 14] 龙瑞军 , 牟新待 , 陈　功.高山草地光谱反射特征及其估产
模式 [ J].草业科学 , 1994, (2):59～ 64.
[ 15] 邓良基.遥感基础与应用 [ M] .北京:中国农业出版社 ,
2002.
[ 16] 田庆久 , 闵详军.植被指数研究进展 [ J].地球科学进展 ,
1998, 13(4):327～ 333.
[ 17] 易秋香 ,黄敬峰 ,王秀珍 , 等.玉米全氮含量高光谱遥感估算
模型研究 [ J].农业工程学报 , 2006, 22(9):138 ～ 143.
　1期 李凤秀等:洪河自然保护区乌拉苔草生物量高光谱遥感估算模型 59　
HyperspectralRemoteSensingEstimationModelsfortheBiomass
ofCarexmeyerianainHongheNatureReserve
LIFeng-Xiu1, 2 , ZHANGBai1 , LIUDian-Wei1 , SONGKai-Shan1
(1.NortheastInstituteofGeographyandAgroecology, ChineseAcademyofSciences, Changchun130012, Jilin, P.R.China;
2.GraduateUniversityoftheChineseAcademyofSciences, Beijing100049, P.R.China)
Abstract:ToconstructthehyperspectralVegetationIndicesofwetlandvegetationCarexmeyerianainHongheNa-
tureReserve, diferentmethodswereusedtocomparetheofhyperspectralmodels, whichweresetupthevegeta-
tionindicesandabove-waterfreshbiomassanddrybiomassofCarexmeyeriana.Carexmeyerianawasplanted
undertheconditionofdiferentvegetationcoverageandwaterdepth, andCarexmeyerianacanopyreflectanceda-
tawascolectedwithASDspectroradiometer(350-1 050 nm).Firstly, toadopthyperspectralvisiblelight-
nearinfraredspectralandderivativespectralbands(350-1 050mm)toconstructthevegetationindicesofFND-
VI, FRVI, FDVI, FDNDVI, FDRVIandFDDVIonebyone;secondly, tofindoutrespectivelythebestband
foreachkindofvegetationindiceswhichhavethebestcorelatedwithabove-waterfreshbiomassanddrybio-
mass, andtoconstructtheoptimumestimationmodelofCarexmeyerianabiomass;finaly, tocompareandana-
lyzethepredictionprecisionbetweenreflectancevegetationindicesmodelsandderivativevegetationindicesmod-
elsrespectively.Itwasshownthat, corelationbetweenCarexmeyerianaabove-waterbiomassandderivative
spectrawasbeterthanthoseofreflectancespectra, andCarexmeyerianaabove-waterbiomassandderivative
vegetationindiceswerebeterthanthoseofreflectancevegetationindices.Especialy, ThebestCarexmeyeriana
above-waterbiomassmodelretrievedbyderivativevegetationindicesofFDRVIandFDNDVIwasquadratic
function, andtheaccuracyofestimationquadraticfunctionofabove-waterfreshbiomassanddrybiomaswith
thebestwavewentupto74.9%, 71.4%, theRootMeanSquareErrorwere0.074 4, 0.026 2 respectively,
whichwasqualifiedat0.01level.TheFDRVIandFDNDVIindicesestablishedbyhyperspectraldatacanhighly
predictiontheCarexmeyerianaabove-waterfreshbiomassanddrybiomass.
Keywords:hyperspectral;Carexmeyeriana;biomass;vegetationindex;HongheNatureReserve