全 文 ：第３２卷　第４期
２　０　１　４年１　２月
海　　洋　　学　　研　　究
ＪＯＵＲＮＡＬ　ＯＦ　ＭＡＲＩＮＥ　ＳＣＩＥＮＣＥＳ
Ｖｏｌ．３２　Ｎｏ．４
Ｄｅｃ．，２　０　１　４
任广波，张杰，汪伟奇，等．基于 ＨＪ－１高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究［Ｊ］．海洋学研究，２０１４，３２（４）：２７－３４，
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－９０９Ｘ．２０１４．０４．００４．
ＲＥＮ　Ｇｕａｎｇ－ｂｏ，ＺＨＡＮＧ　Ｊｉｅ，ＷＡＮＧ　Ｗｅｉ－ｑｉ，ｅｔ　ａｌ．Ｒｅｅｄｓ　ａｎｄ　ｓｕａｅｄａ　ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ＨＪ－１ｈｙｐｅｒｓｐｅｃｔａｌ　ｉｍａｇｅ
ｉｎ　ｔｈｅ　Ｙｅｌｏｗ　Ｒｉｖｅｒ　Ｅｓｔｕａｒｙ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｍａｒｉｎｅ　Ｓｃｉｅｎｃｅｓ，２０１４，３２（４）：２７－３４，ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－９０９Ｘ．２０１４．０４．００４．
收稿日期：２０１４－０５－１４　　　　修回日期：２０１４－０９－０４
基金项目：国家自然科学基金青年基金项目资助（４１２０６１７２）；国家海洋局第一海洋研究所基本科研业务费项目资助（ＧＹ０２－２０１２Ｇ１２）
作者简介：任广波（１９８３－），男，山东济宁市人，主要从事海岛海岸带高分辨率遥感技术与应用方面的研究。Ｅ－ｍａｉｌ：ｒｅｎｇｕａｎｇｂｏ＠１２６．ｃｏｍ
基于ＨＪ－１高光谱影像的黄河口芦苇和碱蓬
生物量估测模型研究
任广波１，张　杰１，汪伟奇２，耿延杰２，陈妍君２，马　毅１
（１．国家海洋局 第一海洋研究所，山东 青岛　２６６０６３；２．中国海洋大学 信息科学与工程学院，山东 青岛　２６６０６３）
摘　要：湿地植被的生物量是湿地生态评价、保护和利用的重要基础数据，遥感技术已经成为湿地生
物量高效、准确监测的重要手段。基于２０１３年９月的 ＨＪ－１高光谱遥感影像，应用准同步现场踏勘数
据，通过单变量线性回归和多变量线性回归的方法，针对７种常用的窄波段植被指数和２种红边指数
对黄河口芦苇和碱蓬生物量（地上干重）的估测能力进行了评价。结果表明：（１）单光谱指数变量情况
下，对于芦苇，选择近红外８２７ｎｍ波段和红６３５ｎｍ波段简单植被指数（ＳＲＩ）和线性插值红边指数
（ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ）取得了最佳的单变量回归结果，决定系数分别达到０．４２和０．５８；对于碱
蓬，选择近红外８０７ｎｍ波段和红６９２ｎｍ波段的归一化差值植被指数（ＮＤＶＩ）、ＳＲＩ和优化的土壤校
正植被指数（ＯＳＡＶＩ）取得了较好的回归结果，决定系数分别达到０．６０，０．５９和０．４７；（２）多光谱指数
变量情况下，以在单变量回归分析中取得较好结果的ＳＲＩ和ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ指数为变量，
芦苇得到了与其生物量之间决定系数为０．７１的高相关性；同时，以ＮＤＶＩ、ＳＲＩ和ＯＳＡＶＩ为变量，与
碱蓬生物量的决定系数达到了０．６６。
关键词：生物量遥感；ＨＪ－１高光谱；植被指数；红边指数
中图分类号：ＴＰ７５　　　　　　文献标识码：Ａ　　　　　　文章编号：１００１－９０９Ｘ（２０１４）０４－００２７－０８
Ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００１－９０９Ｘ．２０１４．０４．００４
０　引言
遥感已经作为一种不可或缺的手段在植被生物量
监测中发挥了重要的作用［１－６］。归一化差值植被指数
（ＮＤＶＩ）［７］因被发现具有对植被光合作用敏感的特点，同
时与植被生物量有较高的相关性［８］，而广泛地应用于生
物量的遥感估测［６，９－１１］。至今，在ＮＤＶＩ的基础上，主要
基于美国陆地卫星影像数据，发展了几十种可用于植被
生物量估测的植被指数［９］，但这些指数普遍都有其适用
的影像或者区域［１２－１５］，在不同环境下的应用效果存在争
议［１６］。同时，以上植被指数多是基于宽波段的陆地卫星
遥感数据而发展的，宽波段运算结果容易造成高叶面积
指数区域的饱和［１７－１８］，以及无法获得更精细生物量变化
情况的问题［１９－２０］。另外，除植被指数，在反射率曲线中描
述植被叶绿素吸收和反射特点的红边（ＲＥＰ）指数也常被
应用于植被的生物量估算［６，２１－２２］。
随着高光谱遥感手段的发展和普及，在宽波段植
被指数的基础上，窄波段植被指数得到了研究和发
展［２２］，很多研究证实了窄波段植被指数在植被生物
量、叶片含水量和叶面积指数监测方面的实用
性［２３－２８］。但窄波段的高光谱遥感数据特别是卫星高
光谱数据在湿地生物量监测方面也存在一些不
足［２９］，包括空间分辨率低易导致的光谱混合和图像
信噪比不高等。这在一定程度上影响了基于遥感的
生物量监测的精度，但目前这仍是一种行之有效的生
物量监测手段，特别是对于空间范围较大和难以进入
进行实地测量的区域。
受数据源等的限制，目前基于高光谱遥感手段在
黄河三角洲开展的芦苇和碱蓬生物量监测研究的工
作不多，特别是基于国产 ＨＪ－１高光谱数据的湿地生
物量研究还处于起步阶段。本文将基于该高光谱遥
感数据，应用目前有报道的常用的７种窄波段植被指
数和２种红边指数，以黄河三角洲滨海湿地为研究
区，开展其对主要植被类型芦苇和碱蓬的生物量估测
能力评价，探索适用于该区域芦苇和碱蓬 ＨＪ－１高光
谱生物量监测的光谱指数。
１　研究区概况
研究区域位于我国最年轻的土地———黄河三角洲
（图１），该区域生态环境受自然和人为影响严重，生态
资源宝贵而脆弱，河口区特别是自然保护区范围内湿
地变化剧烈。该区域范围广阔且大部分区域难以实地
观测，遥感是主要的监测手段之一。芦苇和碱蓬是黄
河三角洲滨海湿地中主要的植被类型，其分布最为广
泛且多大面积连片分布，是丹顶鹤和黑嘴鸥等黄河三
角洲自然保护区主要保护水禽的主要栖息地。开展研
究区芦苇和碱蓬的生物量遥感估测研究，对该区域生
态环境评估、湿地规划和保护都具有重要意义。
图１　研究区与现场数据采集站点位置
Ｆｉｇ．１　Ｓｔｕｄｙ　ａｒｅａ　ａｎｄ　ｆｉｅｌｄ　ｗｏｒｋ　ｌｏｃａｔｉｏｎｓ
２　数据源与方法
２．１　遥感数据
选择 ＨＪ－１Ａ高光谱遥感影像（ＨＳＩ）作为本研究
的遥感数据源，其光谱范围为４５９～９５６ｎｍ，共有１１５
个波段，由于该数据采用的是法布里－珀罗干涉成像
原理，其每个波段的宽度都不一致，其中前７９个波段
宽度小于５ｎｍ，最宽的近红外波段也小于９ｎｍ。该
影像的空间分辨率为１００ｍ。
所用的 ＨＪ－１ＨＳＩ影像获取时间为２０１３年９月
１日，与现场光谱采集时间相差２０ｄ，该时间处于秋
分前后，可认为此时芦苇和碱蓬生物量随时间的变化
已很小。
采用ＥＮＶＩ软件中ＦＬＡＡＳＨ大气校正模块所使
用的 ＭＯＤＴＲＡＮ４辐射传输模型对影像进行大气校
正，校正后的影像像元值由ＤＮ值转换为反射率。以
２０１３年７月１５日成像的Ｌａｎｄｓａｔ　８ＯＬＩ图像为参
考，对 ＨＪ－１高光谱影像进行了几何校正，校正均方根
误差小于０．５个像元。
２．２　现场数据
２０１３年９月２１日至３０日，开展了针对研究区芦
苇和碱蓬生物量监测的现场测量工作（采样点位置见
图１），采集了单位面积的地上植被植株，经专用烘干
设备烘干后，称其重量，作为植被的生物量值。
植被样本采集时，选择面积较大（＞１ｈｍ２）且分
布均匀的芦苇和碱蓬生长区域，覆盖该区域的 ＨＪ－１
高光谱影像至少有１个像元为纯像元，在每个纯像元
覆盖区域随机选择并割取４个１ｍ２ 的地上部分植
株，用透气性好的牛皮纸袋保存，防止其腐烂变质。
回实验室后，立即在专用植被烘干柜中进行烘干，每
一个样本都在专用烘干容器中以８０℃的恒温持续脱
水２４ｈ以上，直到植被样本重量不再减少，称重并记
录作为该样本的地上干生物量。应用以上方法，共采
集了３５个样本，经质量控制后用于本研究的样本共
２８个，其中芦苇１７个、碱蓬１１个。上述样本中，１９
个样本用于拟合估测模型（芦苇和碱蓬分别有１２个
和７个），９个样本留作模型检验。
２．３　光谱指数与相关性分析
２．３．１　窄波段植被指数
选择了７种常见于植被生物物理化学性质监测
的窄波段植被指数，包括 ＳＲＩ、ＮＤＶＩ、ＮＶＩ、ＴＶＩ、
ＴＣＡＲＩ、ＯＳＡＶＩ和 ＭＳＡＶＩ，这７种植被指数都有成
功应用到某些具体高光谱遥感影像数据和研究区域
·８２· 海　洋　学　研　究 ３２卷４期
的先例。关于上述植被指数的计算公式和相关说明
见表１。
对于ＳＲＩ和ＮＤＶＩ两种植被指数，因其应用最为
广泛，适合于各种不同的遥感影像数据，故并未给出
具体的针对具有较高光谱分辨率的高光谱遥感影像
应用时的波段选择方案。本研究采用遍历组合的方
式，按顺序分别从红光波段和近红外波段覆盖的高光
谱波段中选择一对波段计算ＳＲＩ和ＮＤＶＩ，然后针对
每一个波段组合都会给出一个相关性评估结果，从这
些结果中选择相关性最高的，即能较好估测植被生物
量的波段组合。其它５种植被指数均根据相关参考
文献的工作给出了具体的波段位置。
表１　窄波段植被指数和红边指数
Ｔａｂ．１　Ｎａｒｒｏｗ　ｂａｎｄ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ　ａｎｄ　ｒｅｄ　ｅｄｇｅ　ｐｏｓｉｔｉｏｎ　ｉｎｄｉｃｅｓ
指数 公式 说明 参考文献
ＳＲＩ ρｒｅｄ／ρｎｉｒ
Ｓｉｍｐｌｅ　Ｒａｔｉｏ　ｉｎｄｅｘ
简单植被指数，ｒｅｄ和ｎｉｒ波段选择ＴＭ３和ＴＭ４覆盖光谱范围内的波段
文献［３０］
ＮＤＶＩ （ρｎｉｒ－ρｒｅｄ）／（ρｎｉｒ＋ρｒｅｄ）
Ｎｏｒｍａｌｉｚｅｄ　ｄｉｆｆｅｒｅｎｃｅ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ
监测植被生长活动的季节性变化，ｒｅｄ和ｎｉｒ波段的选择与ＳＲＩ一致
文献［７］
ＮＶＩ （ρ７７７－ρ７４３）／ρ７６３
Ｎｅｗ　Ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ
改进了ＮＤＶＩ对生物量的监测能力
文献［３１］
窄波段植
被指数
ＴＶＩ
１
２
［ρ７５０－ρ（ ）５５０ × λ７５０－λ（ ）５５０ ＋
ρ６７０－ρ（ ）５５０ × λ６７０－λ（ ）５５０ ＋
ρ７５０－ρ（ ）６７０ × λ７５０－λ（ ）６７０ ］
Ｔｒｉａｎｇｕｌａｒ　Ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ
描述绿反射峰、红吸收峰和近红外反射峰之间三角的面积
文献［３２］
ＴＣＡＲＩ　 ３ （ρ７００－ρ６７０）－０．２（ρ７００－ρ５５０）ρ
７００
ρ（ ）［ ］６７０
Ｔｒａｎｓｆｏｒｍｅｄ　Ａｂｓｏｒｐｔｉｏｎ　ｉｎ　Ｒｅｆｌｅｃｔａｎｃｅ　ｉｎｄｅｘ
与植物色素的光合作用相关
文献［３３］
ＯＳＡＶＩ　 １．１６ ρ８００－ρ（ ）６７０ ／ ρ８００＋ρ６７０＋０．（ ）１６
Ｏｐｔｉｍｉｚｅｄ　Ｓｏｉｌ－Ａｄｊｕｓｔｅｄ　Ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ
对植被生长的土壤环境不敏感
文献［３４］
ＭＳＡＶＩ ２ρ８３１＋１＋ （２ρ８３１＋１）
２－８（ρ８３１－ρ６６５槡 ）
２
Ｍｏｄｉｆｉｅｄ　Ｓｏｉｌ－Ａｄｊｕｓｔｅｄ　Ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘ
同时对大气和土壤不敏感
文献［１４］
ＲＥＰ＿ｌｉｎｅａｒ
ｉｎｔｅｒｐｏｌａｔｉｏｎ
６９５＋４５ ρ６６５＋ρ７８６－２ρ６９５２（ρ７４０－ρ６９５（ ））
Ｔｈｅ　ｌｉｎｅａｒ　ｆｏｕｒ－ｐｏｉｎｔ　ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｍｅｔｈｏｄ
在７００ｎｍ到７４０ｎｍ之间反射率曲线最大一阶导数处的波长
文献［６］
红边指数
ＲＥＰ＿ｌｉｎｅａｒ
ｅｘｔｒａｐｏｌａｔｉｏｎ
ρ７３２－ρ７０３＋ｍ１×７０３－ｍ２×７３２
ｍ１－ｍ２
ｍ１＝ρ７０３
－ρ６７２
７０３－６７２
，ｍ２＝ρ７７８
－ρ７３２
７７８－７３２
Ｔｈｅ　ｌｉｎｅａｒ　ｅｘｔｒａｐｏｌａｔｉｏｎ　ｔｅｃｈｎｉｑｕｅ
一阶导数曲线上过６７２ｎｍ、７０３ｎｍ两点和７３２ｎｍ、７７８ｎｍ两点直线
的交点位置波长
文献［６］
　　注：表内公式中的ρ为植被类型的光谱反射率；λ表示波长，单位为ｎｍ
２．３．２　红边指数
常用的高光谱植被监测的红边指数包括３种：线
性插值法［６］，拉格朗日插值法［３５］和线性外推法［６］。
其中拉格朗日插值法即计算７００ｎｍ到７５０ｎｍ左右
范围的一阶导数最大值处的光谱值，但由于在该位置
处ＨＪ－１高光谱数据的波段宽度接近６ｎｍ，故一般的
光谱差别并不能明显地表现出来，即红边位置在５
ｎｍ以内的都可能会呈现同一个红边计算结果，因而
本研究中仅用线性插值法和线性外推法计算现场样
本采集处高光谱图像像元的红边指数。所选的２种
红边指数的计算公式和相关说明见表１。
２．３．３　相关性分析
研究采用单变量线性回归分析和多变量线性回
归分析的方法评估图像计算得到的植被指数和红边
指数与植被生物量之间的相关性，进而评价其估测
能力。
由于芦苇和碱蓬的生物物理化学性质差别较大，
故对芦苇和碱蓬分别评价。评价结果采用决定系数
Ｒ２ 和显著性水平ｐ来表征。
多变量分析时，仅选取单变量分析时出现较高相
关性的光谱指数参与分析。利用独立样本对回归模
型进行检验。
３　结果与分析
３．１　单变量生物量估测能力分析
３．１．１　ＳＲＩ和ＮＤＶＩ最佳估测波段选择
根据ＴＭ３（红光波段，６２０～６９０ｎｍ）和ＴＭ４（近
红外波段，７６０～９００ｎｍ）的波段范围，分别选择 ＨＪ－１
高光谱影像在红光的１８个红光波段和在近红外的１３
个波段（因８３０～９００ｎｍ的 ＨＪ－１高光谱影像信噪比
较低，故不使用），共计２３４个波段组合，分别开展与
芦苇和碱蓬的生物量相关性分析，得到如图２所示的
·９２·任广波 等：基于 ＨＪ－１高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究
相关性指标分布图。并针对每种植被选择３个相关
性最好的组合（表２）。
从决定系数Ｒ２ 的大小和分布看，对于芦苇，
ＮＤＶＩ和ＳＲＩ指数与生物量之间的相关性在不同波
段组合间的相对大小值较为相似（图２ａ和２ｃ），同样
的情况也出现在对碱蓬的相关性分析结果中（图２ｂ
和２ｄ）。这说明两种指数对于描述植被的生物量具
有相似的能力。整体上，２种植被ＳＲＩ指数与生物
量的相关性大于 ＮＤＶＩ指数与生物量的相关性，但
描述相关性的决定系数值在同一种植被的两种指数
间浮动却不一致，对于芦苇浮动了约０．１，而对于碱
蓬，仅浮动了０．０１。说明针对所使用的 ＨＪ－１高光
谱遥感图像，ＳＲＩ指数对研究区芦苇和碱蓬的生物
量具有更好的反映能力。相比于芦苇，碱蓬的２种
植被指数在不同波段组合时相互之间波动较大，反
映了碱蓬的２种植被指数与生物量之间的相关性对
于波段的敏感性，即变换一个波段可能会导致相关
性的急剧下降，即使对于高光谱这种相邻波段具有
较高相关性的图像而言。
对比图２中的４幅相关性指数分布曲面图，高值
区域均分布在曲面的边缘，这说明在所选波段的组合
中，并不一定能得到最高的相关性结果。对于芦苇，
更高的相关性波段组合可能出现在小于６２８ｎｍ的红
光波段和大于８３４ｎｍ的近红外波段的组合中，但由
于所用的 ＨＪ－１高光谱遥感影像在８３４ｎｍ之后信噪
比较低，故未使用。而对于碱蓬，更高的相关性波段
组合可能出现在大于６８７ｎｍ和小于６２０ｎｍ的红光
波段与８０８ｎｍ的近红外波段的组合中，但由于这个
范围已经超出了红光的范畴，为统一标准，在本研究
中不作考虑。
图２　相关性指数分布图
Ｆｉｇ．２　Ｔｈｅ　Ｒ２　ｍｅａｓｕｒｅｓ　ｄｉｓｔｒｉｂｕｔｉｏｎ　ｇｒａｐｈｓ
·０３· 海　洋　学　研　究 ３２卷４期
表２　芦苇和碱蓬的ＳＲＩ和ＮＤＶＩ指数中与各自生物量
相关性最好的前３个波段组合及决定系数
Ｔａｂ．２　Ｒ２ａｎｄ　ｃｏｒｒｅｓｐｏｎｄｉｎｇ　ｂａｎｄｓ　ｃｏｍｂｉｎａｔｉｏｎｓ　ｗｉｔｈ　ｔｈｅ
ｂｅｓｔ　ｔｈｒｅｅ　ｒｅｌａｔｉｖｉｔｙ　ｆｏｒ　ＳＲＩ　ａｎｄ　ＮＤＶＩ　ｉｎｄｉｃｅｓ　ａｎｄ　ｔｈｅｉｒ
ｒｅｓｐｅｃｔｉｖｅ　ｂｉｏｍａｓｓ　ｏｆ　ｒｅｅｄｓ　ａｎｄ　ｓｕａｅｄａ
植被类型 植被指数类型 红光波段／ｎｍ 近红外波段／ｎｍ　 Ｒ２
芦苇 ＳＲＩ
ＮＤＶＩ
６３５　 ８２７　 ０．４２＊＊
６３５　 ８３４　 ０．４１
６３９　 ８２７　 ０．４０
６３５　 ７８２　 ０．３２
６３５　 ７８８　 ０．３１
６３９　 ７８８　 ０．３１
碱蓬 ＳＲＩ
ＮＤＶＩ
６９２　 ８０７　 ０．５９＊＊
６９２　 ８１４　 ０．５７＊＊
６９２　 ８０１　 ０．５５＊＊
６９２　 ８０７　 ０．６０＊＊
６９２　 ８１４　 ０．５８＊＊
６９２　 ８０１　 ０．５６＊＊
　　注：＊＊表示两者在小于０．０１的显著性水平上相关
　　由于红光和近红外波段范围取值的限制，表２中
所给出的具有最高相关性的波段组合由于处于图１
中所示的边缘位置，因而可能并非最优的组合。对于
ＮＤＶＩ和ＳＲＩ指数，碱蓬取得了一致较好的相关性，
而且显著性水平均小于０．０１，这在一定程度上得益
于碱蓬在黄河三角洲湿地中的连续均匀分布情况好
于芦苇。因为芦苇是喜淡水植被，而黄河三角洲特别
是潮滩湿地以广盐性环境为主，更适合于碱蓬的生长
和广泛连续分布。
３．１．２　光谱指数生物量估测能力评价
根据表２，选择ＳＲＩ和ＮＤＶＩ指数中与植被生物
量相关性最好的波段组合，对于芦苇，分别选择６３５
ｎｍ、８２７ｎｍ波段组合和６３５ｎｍ、７８２ｎｍ波段组合；而
对于碱蓬，则２种指数都选择６９２ｎｍ、８０７ｎｍ波段组
合。利用上述２种植被指数与之外的５种窄波段植
被指数以及２种红边指数，综合评价其与黄河三角洲
湿地植被芦苇和碱蓬的相关性，即估测能力评价。相
关性分析细节如表３所示。
表３　光谱指数生物量单变量估测模型
Ｔａｂ．３　Ｓｉｎｇｌｅ　ｖａｒｉａｂｌｅ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌｓ　ｏｆ　ｓｐｅｃｔｒａｌ　ｉｎｄｉｃｅｓ　ａｎｄ　ｂｉｏｍａｓｓ
植被类型 光谱指数 线性回归模型 决定系数 （Ｒ２） ｐ 检验点平均相对误差 （％）
芦苇 ＳＲＩ　 ３　３１９．２×ＳＲＩ－５９４　 ０．４２　 ０．００７　 ４５．９
ＮＤＶＩ －４　５９７．５×ＮＤＶＩ＋２　９０６．６　 ０．３２　 ０．０２３　 ６６．４
ＮＶＩ －３　０８０．８×ＮＶＩ＋１　５８２．２　 ０．０５　 ０．４１５　 ６２９．６
ＴＶＩ －１１９．５×ＴＶＩ＋３　１１８．５　 ０．２９　 ０．０３３　 ９３．５
ＴＣＡＲＩ －２３　３２３．７×ＴＣＡＲＩ＋２　４４８．７　 ０．２２　 ０．０６６　 ６３．１
ＯＳＡＶＩ －５　２９８．２×ＯＳＡＶＩ＋２　７８９．５　 ０．２５　 ０．０４６　 ９０．２
ＭＳＡＶＩ　 ７　４６８．６×ＭＳＡＶＩ－８　０７５．２　 ０．１１　 ０．２２５　 １１１．５
ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ －１７．７×ＲＥＰ＋１４　０３２．２　 ０．５８　 ０．００１　 ４２．４
ＲＥＰ＿ｌｉｎｅａｒ　ｅｘｔｒａｐｏｌａｔｉｏｎ　 １．２×ＲＥＰ＋５１４．７　 ０．０２　 ０．６０４　 ２２５．７
碱蓬 ＳＲＩ －４　９６７．２×ＳＲＩ＋４　６００．３　 ０．５９　 ０．００６　 ４９．８
ＮＤＶＩ　 ８　４３１．０×ＮＤＶＩ－８８１．７　 ０．６０　 ０．００４　 ４４．５
ＮＶＩ　 ９　４８５．０×ＮＶＩ＋９２７．５　 ０．１９　 ０．１７６　 ７７．７
ＴＶＩ　 １５４．９×ＴＶＩ－７９０．０　 ０．１２　 ０．３０５　 ７２．８
ＴＣＡＲＩ　 ５　４７７．７×ＴＣＡＲＩ＋６２０．８　 ０．０４　 ０．５７３　 １１５．８
ＯＳＡＶＩ　 ８　８７５．１×ＯＳＡＶＩ－２２６．１　 ０．４７　 ０．０２０　 ７４．０
ＭＳＡＶＩ －２　５２３．８×ＭＳＡＶＩ＋３　９９５．５　 ０．０６　 ０．４６９　 １１０．６
ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ －１９．５×ＲＥＰ＋１４　９８４．２　 ０．０４　 ０．５４２　 １３４．８
ＲＥＰ＿ｌｉｎｅａｒ　ｅｘｔｒａｐｏｌａｔｉｏｎ　 ０．１８×ＲＥＰ＋５６７．６　 ０．００２　 ０．８７６　 ５６４．９
　　注：检验点平均相对误差，即检验样本的实际干重与样本拟合干重之间相对误差的平均值
　　对于芦苇和碱蓬，上述９类光谱指数中决定系数
大于０．４的各有２个和３个。而对于决定系数小于
０．３的植被指数，可以认为其与植被生物量相关性极
小或不相关，或者称没有对植被生物量的估测能力。
与芦苇生物量相关性较好的指数有ＳＲＩ和ＲＥＰ
＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ。对于ＳＲＩ指数，其意义是红光
波段值与近红外波段值的比值，一般情况下，该值应
与植被的叶绿素含量呈负相关，但回归模型却呈正相
关。原因是在黄河三角洲区域，长势较好的芦苇普遍
生长在有淡水蓄积的区域，在覆盖度不高的情况下，
水体的光谱易在像元的光谱混合中对植被光谱造成
影响，故而出现正相关的情况。同时，芦苇的这种生
长特点造成了其 ＮＤＶＩ指数出现了负相关。对于
ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ指数，其表征的是植被反射
·１３·任广波 等：基于 ＨＪ－１高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究
率光谱红边的位置，通过分析发现，该指数是本文所
用的估测芦苇生物量的光谱指数中估测能力最强的。
与碱蓬生物量相关性较好的光谱指数包括ＳＲＩ、
ＮＤＶＩ和ＯＳＡＶＩ。不同于芦苇，在黄河三角洲区域，碱蓬
多生长在湿度较低的滩涂上，分布面积大且均匀，其生物
量应与表征植被叶绿素含量的指标呈正相关，通过分析，
相关性最好的上述３种指数在叶绿素含量的表征意义上
均与碱蓬生物量呈正相关。同时，不论是碱蓬还是芦苇，
ＯＳＡＶＩ的表现都比ＴＣＡＲＩ优秀，原因是ＯＳＡＶＩ实际上
是ＴＣＡＲＩ与土壤调节植被指数的结合，其作用是在植被
覆盖度不高的区域降低裸露土壤的影响。
经过独立样本检验，对于芦苇和碱蓬，决定系数
较高的回归模型，其独立检验样本的平均相对误差也
表现较好（见表３中的粗体数字部分）。
３．２　多变量生物量估测能力分析
分别选择在单变量植被生物量估测能力分析中
与芦苇和碱蓬生物量具有较高相关性的ＳＲＩ和ＲＥＰ
＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ 等 ２ 个以及 ＳＲＩ、ＮＤＶＩ和
ＯＳＡＶＩ等３个指数，开展多变量的植被生物量光谱指
数估测能力分析，分析结果如表４所示。
表４　光谱指数生物量多变量估测模型
Ｔａｂ．４　Ｍｕｌｔｉｐｌｅ　ｖａｒｉａｂｌｅ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌｓ　ｏｆ　ｓｐｅｃｔｒａｌ　ｉｎｄｉｃｅｓ　ａｎｄ　ｂｉｏｍａｓｓ
植被类型 光谱指数 线性回归模型 决定系数 （Ｒ２） ｐ 检验点平均相对误差（％）
芦苇
ＳＲＩ
ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ
１　８６４．２×ＳＲＩ－１２．５×ＲＥＰ＋９　４３０．３　 ０．７１　 ０．００１　 ３６．９
碱蓬
ＳＲＩ
ＮＤＶＩ
ＯＳＡＶＩ
６１　７０９．７×ＳＲＩ＋３０　０５３．５×ＮＤＶＩ－８　１６０．９×
ＯＳＡＶＩ－２９　６５８．１
０．６６　 ０．０４７　 ４１．１
　　经过多变量线性回归分析，发现光谱指数对芦苇
和碱蓬的生物量估测能力都有了进一步的提高，决定
系数分别达到了０．７１和０．６６，而经独立样本检验，其
平均相对误差相比于单变量拟合估测模型有了进一
步的降低（表４）。同时，对于芦苇，２个光谱指数变量
的回归分析相关性明显高于碱蓬的３个光谱指数，尽
管这３个光谱指数在单变量分析中都取得了比芦苇
高的相关性。另外，从相关性的显著性水平上，碱蓬
也逊于芦苇，这可能是因为碱蓬样本不足的原因。
４　讨论
基于９种窄波段光谱指数，分析了其对于黄河口
ＨＪ－１高光谱遥感影像中芦苇和碱蓬植被生物量的估
测能力，发现对于两种植被分别都有部分指数可较好
地实现生物量的估测。但还存在一系列需要探讨的
问题，包括：
（１）ＨＪ－１高光谱遥感图像的质量整体不高。星
载高光谱成像传感器普遍具有光谱分辨率和空间分
辨率都不高的特点，虽然 ＨＪ－１高光谱传感器基于干
涉原理得到了相对较高的光谱分辨率，但这也在很大
程度上降低了另外２个重要指标：信噪比和空间分辨
率。图３是本文所用的 ＨＪ－１高光谱影像的信噪比评
估结果，其大部分波段的信噪比都处于３０以下的低
水平。同时，１００ｍ的空间分辨率决定了在多数情况
下，尤其是地物景观尺度较小的黄河三角洲区域，光
谱混合将成为制约其对地物高精度监测的主要因素
之一。这在很大程度上也影响到了本文的结果，如芦
苇因其空间尺度普遍较小而导致的遥感影像像元光
谱混合致使在该像元处现场采集的植被生物量数据
无法保证对整个像元的代表性。故 ＨＪ－１高光谱遥感
影像比较适合于较大区域尺度中较大景观尺度植被
类型的生物量监测。
图３　ＨＪ－１Ａ高光谱影像的各波段信噪比
Ｆｉｇ．３　Ｔｈｅ　ｓｉｇｎａｌ－ｎｏｉｓｅ　ｒａｔｉｏ　ｖａｌｕｅｓ　ｏｆ　ｅａｃｈ　ｂａｎｄ　ｏｆ　ＨＪ－１
ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ
（２）窄波段植被指数具有影像和区域的局限性。
如ＣＵＲＲＡＮ［３６］和ＧＯＢＲＯＮ　ｅｔ　ａｌ［３７］指出的，基于经
验统计的植被指数都普遍具有研究区域和所用遥感
数据的依赖性。以此推断，如 ＮＶＩ、ＴＶＩ、ＴＣＡＲＩ、
ＭＳＡＶＩ和ＲＥＰ＿ｌｉｎｅａｒ　ｅｘｔｒａｐｏｌａｔｉｏｎ等５种光谱指
数未在本文的相关性分析中取得好的结果，很大程度
·２３· 海　洋　学　研　究 ３２卷４期
上因为所引用的公式是相关的研究者在特定区域使
用特定遥感数据所统计分析得到的，而这些公式以及
所选择使用的波段并不能在本文所选择的研究区域
和遥感数据上也具有好的效果。
（３）样本数量有限。基于统计的线性回归对参与
回归的样本数量要求较高，这可通过回归分析的显著
性指标表现出来。本文中，不论单变量回归分析还是
多变量分析 ，因为芦苇的样本数量要多于碱蓬，故其
显著性指标都优于碱蓬。特别是当碱蓬利用３种各
自都在单变量分析中优于芦苇的指数参与分析时，多
变量分析结果反而劣于芦苇。
５　结论
分别应用单变量和多变量回归分析方法，评价了
９种常用的光谱指数对黄河口 ＨＪ－１高光谱芦苇和碱
蓬生物量的估测能力，得到以下主要结论：
（１）单变量情况下，对于芦苇，选择近红外８２７
ｎｍ波段和红６３５ｎｍ波段简单植被指数（ＳＲＩ）和线
性插值红边指数（ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ）取得了
最佳的单变量回归结果，决定系数分别达到了０．４２
（ｐ＜０．０１）和０．５８（ｐ＜０．０１）；对于碱蓬，选择近红外
８０７ｎｍ波段和红６９２ｎｍ波段的归一化差值植被指数
（ＮＤＶＩ）、ＳＲＩ和优化的土壤校正植被指数（ＯＳＡＶＩ）取
得了较好的回归结果，决定系数分别达到了０．６０（ｐ＜
０．０１）、０．５９（ｐ＜０．０１）和０．４７（ｐ＜０．０３）。
（２）多变量情况下，以在单变量回归分析中取得
较好结果的ＳＲＩ和 ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ为变
量，芦苇得到了决定系数为０．７１（ｐ ＜０．０１）的高相
关性；同时，以ＮＤＶＩ、ＳＲＩ和ＯＳＡＶＩ为变量，与碱蓬
生物量的相关系数达到了０．６６（ｐ＜０．０５）。
参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：
［１］ＲＩＣＨＡＲＤＳＯＮ　Ａ，ＷＩＥＧＡＮＤ　Ｃ，ＡＲＫＩＮ　Ｇ，ｅｔ　ａｌ．Ｒｅｍｏｔｅｌｙ－ｓｅｎｓｅｄ
ｓｐｅｃｔｒａｌ　ｉｎｄｉｃａｔｏｒｓ　ｏｆ　ｓｏｒｇｈｕｍ　ｄｅｖｅｌｏｐｍｅｎｔ　ａｎｄ　ｔｈｅｉｒ　ｕｓｅ　ｉｎ　ｇｒｏｗｔｈ
ｍｏｄｅｌｉｎｇ［Ｊ］．Ａｇｒｉｃｕｌｔｕｒａｌ　Ｍｅｔｅｏｒｏｌｏｇｙ，１９８２，２６（１）：１１－２３．
［２］ＥＶＥＲＩＴＴ　Ｊ，ＥＳＣＯＢＡＲ　Ｄ，ＲＩＣＨＡＲＤＳＯＮ　Ａ．Ｅｓｔｉｍａｔｉｎｇ
ｇｒａｓｓｌａｎｄ　ｐｈｙｔｏｍａｓｓ　ｐｒｏｄｕｃｔｉｏｎ　ｗｉｔｈ　ｎｅａｒ－ｉｎｆｒａｒｅｄ　ａｎｄ　ｍｉｄ－ｉｎｆｒａ－
ｒｅｄ　ｓｐｅｃｔｒａｌ　ｖａｒｉａｂｌｅｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，１９８９，
３０（３）：２５７－２６１．
［３］ＡＮＤＥＲＳＯＮ　Ｇ，ＨＡＮＳＯＮ　Ｊ，ＨＡＡＳ　Ｒ．Ｅｖａｌｕａｔｉｎｇ　Ｌａｎｄｓａｔ
Ｔｈｅｍａｔｉｃ　Ｍａｐｐｅｒ　ｄｅｒｉｖｅｄ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ　ｆｏｒ　ｅｓｔｉｍａｔｉｎｇ　ａｂｏｖｅ－
ｇｒｏｕｎｄ　ｂｉｏｍａｓｓ　ｏｎ　ｓｅｍｉａｒｉｄ　ｒａｎｇｅｌａｎｄｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ，１９９３，４５（２）：１６５－１７５．
［４］ＷＹＬＩＥ　Ｂ，ＭＥＹＥＲ　Ｄ，ＴＩＥＳＺＥＮ　Ｌ，ｅｔ　ａｌ．Ｓａｔｅｌｉｔｅ　ｍａｐｐｉｎｇ　ｏｆ
ｓｕｒｆａｃｅ　ｂｉｏｐｈｙｓｉｃａｌ　ｐａｒａｍｅｔｅｒｓ　ａｔ　ｔｈｅ　ｂｉｏｍｅ　ｓｃａｌｅ　ｏｖｅｒ　ｔｈｅ　Ｎｏｒｔｈ
Ａｍｅｒｉｃａｎ　ｇｒａｓｓｌａｎｄｓ：Ａ　ｃａｓｅ　ｓｔｕｄｙ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉ－
ｒｏｎｍｅｎｔ，２００２，７９（２）：２６６－７８．
［５］ＬＵ　Ｄｅｎｇ－ｓｈｅｎｇ．Ｔｈｅ　ｐｏｔｅｎｔｉａｌ　ａｎｄ　ｃｈａｌｅｎｇｅ　ｏｆ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ－
ｂａｓｅｄ　ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，２００６，２７（７）：１　２９７－１　３２８．
［６］ＣＨＯ　Ｍ，ＳＫＩＤＭＯＲＥ　Ａ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｐｒｅｄｉｃｔｏｒｓ　ｆｏｒ　ｍｏｎｉｔｏｒｉｎｇ
ｂｉｏｍａｓｓ　ｐｒｏｄｕｃｔｉｏｎ　ｉｎ　Ｍｅｄｉｔｅｒｒａｎｅａｎ　ｍｏｕｎｔａｉｎ　ｇｒａｓｓｌａｎｄｓ：Ｍａｊｅｌ－
ｌａ　Ｎａｔｉｏｎａｌ　Ｐａｒｋ，Ｉｔａｌｙ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓ－
ｉｎｇ，２００９，３０（２）：４９９－５１５．
［７］ＲＯＵＳＥ　Ｊ．Ｍｏｎｉｔｏｒｉｎｇ　ｔｈｅ　ｖｅｒｎａｌ　ａｄｖａｎｃｅｍｅｎｔ　ａｎｄ　ｒｅｔｒｏｇｒａｄａｔｉｏｎ
（ｇｒｅｅｎｗａｖｅ　ｅｆｆｅｃｔ）ｏｆ　ｎａｔｕｒａｌ　ｖｅｇｅｔａｔｉｏｎ［Ｒ］∥ＮＡＳＡ／ＧＳＦＣ　Ｔｙｐｅ
ＩＩＩ　Ｆｉｎａｌ　Ｒｅｐｏｒｔ．Ｇｒｅｅｎｂｅｌｔ，ＭＤ，１９７４：３７１－３７３．
［８］ＴＵＣＫＥＲ　Ｃ　Ｊ．Ｒｅｄ　ａｎｄ　ｐｈｏｔｏｇｒａｐｈｉｃ　ｉｎｆｒａｒｅｄ　ｌｉｎｅａｒ　ｃｏｍｂｉｎａｔｉｏｎｓ
ｆｏｒ　ｍｏｎｉｔｏｒｉｎｇ　ｖｅｇｅｔａｔｉｏｎ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，
１９７９，８（２）：１２７－１５０．
［９］ＷＡＮＧ　Ｈｏｎｇ，ＬＩ　Ｘｉａｏ－ｂｉｎｇ，ＹＵ　Ｈｏｎｇ－ｊｉｎｇ．Ｍｏｎｉｔｏｒｉｎｇ　ｇｒｏｗｉｎｇ
ｓｅａｓｏｎ　ｏｆ　ｔｙｐｉｃａｌ　ｓｔｅｐｐｅ　ｉｎ　ｎｏｒｔｈｅｒｎ　Ｃｈｉｎａ　ｂａｓｅｄ　ｏｎ　ＮＯＡＡ／
ＡＶＨＲＲ　ＮＤＶＩ　ｄａｔａ［Ｊ］．Ａｃｔａ　Ｐｈｙｔｏｅｃｏｌｏｇｉｃａ　Ｓｉｎｉｃａ，２００６，３０（３）：
３５６－３７４．
王宏，李晓兵，余弘婧．基于ＮＯＡＡ／ＡＶＨＲＲ　ＮＤＶＩ监测中国北方典
型草原的生长季及变化［Ｊ］．植物生态学报，２００６，３０（３）：３６５－３７４．
［１０］ＴＡＯ　Ｗｅｉ－ｇｕｏ，ＸＵ　Ｂｉｎ，ＬＩＵ　Ｌｉ－ｊｕｎ，ｅｔ　ａｌ．Ｙｉｅｌｄ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｆｏｒ
ｄｉｆｅｒｅｎｔ　ｕｔｉｌｉｚａｔｉｏｎ　ｓｔａｔｕｓ　ｇｒａｓｓｌａｎｄ　ｂａｓｅｄ　ｏｎ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｄａｔａ［Ｊ］．
Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎａｌ　ｏｆ　Ｅｃｏｌｏｇｙ，２００７，２６（３）：３３２－３３７．
陶伟国，徐斌，刘丽军，等．不同利用状况下草原遥感估产模型
［Ｊ］．生态学杂志，２００７，２６（３）：３３２－３３７．
［１１］ＫＬＥＭＡＳ　Ｖ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｏｆ　ｃｏａｓｔａｌ　ｗｅｔｌａｎｄ　ｂｉｏｍａｓｓ：Ａｎ　ｏｖｅｒ－
ｖｉｅｗ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｃｏａｓｔａｌ　Ｒｅｓｅａｒｃｈ，２０１３，２９（５）：１　０１６－１　０２８．
［１２］ＨＵＥＴＥ　Ａ，ＪＡＣＫＳＯＮ　Ｒ．Ｓｏｉｌ　ａｎｄ　ａｔｍｏｓｐｈｅｒｅ　ｉｎｆｌｕｅｎｃｅｓ　ｏｎ　ｔｈｅ
ｓｐｅｃｔｒａ　ｏｆ　ｐａｒｔｉａｌ　ｃａｎｏｐｉｅｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，
１９８８，２５（１）：８９－１０５．
［１３］ＫＡＵＦＭＡＮ　Ｙ　Ｊ，ＴＡＮＲＥ　Ｄ．Ａｔｍｏｓｐｈｅｒｉｃａｌｙ　ｒｅｓｉｓｔａｎｔ　ｖｅｇｅｔａ－
ｔｉｏｎ　ｉｎｄｅｘ（ＡＲＶＩ）ｆｏｒ　ＥＯＳ－ＭＯＤＩＳ［Ｊ］．Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ，１９９２，３０（２）：２６１－２７０．
［１４］ＱＩ　Ｊｉａ－ｇｕｏ，ＣＡＢＯＴ　Ｆ，ＭＯＲＡＮ　Ｍ，ｅｔ　ａｌ．Ｂｉｏｐｈｙｓｉｃａｌ　ｐａｒａｍｅ－
ｔｅｒ　ｅｓｔｉｍａｔｉｏｎｓ　ｕｓｉｎｇ　ｍｕｌｔｉｄｉｒｅｃｔｉｏｎａｌ　ｓｐｅｃｔｒａｌ　ｍｅａｓｕｒｅｍｅｎｔｓ［Ｊ］．
Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，１９９５，５４（１）：７１－８３．
［１５］ＴＯＤＤ　Ｓ，ＨＯＦＦＥＲ　Ｒ，ＭＩＬＣＨＵＮＡＳ　Ｄ．Ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ　ｏｎ
ｇｒａｚｅｄ　ａｎｄ　ｕｎｇｒａｚｅｄ　ｒａｎｇｅｌａｎｄｓ　ｕｓｉｎｇ　ｓｐｅｃｔｒａｌ　ｉｎｄｉｃｅｓ［Ｊ］．Ｉｎｔｅｒ－
ｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９８，１９（３）：４２７－４３８．
［１６］ＭＹＮＥＮＩ　Ｒ　Ｂ，ＨＡＬＬ　Ｆ　Ｇ，ＳＥＬＬＥＲＳ　Ｐ　Ｊ，ｅｔ　ａｌ．Ｔｈｅ　ｉｎｔｅｒｐｒｅ－
ｔａｔｉｏｎ　ｏｆ　ｓｐｅｃｔｒａｌ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｅｘｅｓ［Ｊ］．Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ，１９９５，３３（２）：４８１－４８６．
［１７］ＳＥＬＬＥＲＳ　Ｐ．Ｃａｎｏｐｙ　ｒｅｆｌｅｃｔａｎｃｅ，ｐｈｏｔｏｓｙｎｔｈｅｓｉｓ　ａｎｄ　ｔｒａｎｓｐｉｒａ－
ｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９８５，６（８）：
１　３３５－１　３７２．
［１８］ＧＡＯ　Ｘｉａｎｇ，ＨＵＥＴＥ　Ａ　Ｒ，ＮＩ　Ｗｅｎ－ｇｅ，ｅｔ　ａｌ．Ｏｐｔｉｃａｌ－ｂｉｏｐｈｙｓｉ－
ｃａｌ　ｒｅｌａｔｉｏｎｓｈｉｐｓ　ｏｆ　ｖｅｇｅｔａｔｉｏｎ　ｓｐｅｃｔｒａ　ｗｉｔｈｏｕｔ　ｂａｃｋｇｒｏｕｎｄ　ｃｏｎ－
ｔａｍｉｎａｔｉｏｎ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（３）：
６０９－６２０．
［１９］ＢＬＡＣＫＢＵＲＮ　Ｇ　Ａ．Ｑｕａｎｔｉｆｙｉｎｇ　ｃｈｌｏｒｏｐｈｙｌｓ　ａｎｄ　ｃａｒｏｔｅｎｉｏｄｓ　ａｔ　ｌｅａｆ
ａｎｄ　ｃａｎｏｐｙ　ｓｃａｌｅｓ：Ａｎ　ｅｖａｌｕａｔｉｏｎ　ｏｆ　ｓｏｍｅ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ａｐｐｒｏａｃｈｅｓ
·３３·任广波 等：基于 ＨＪ－１高光谱影像的黄河口芦苇和碱蓬生物量估测模型研究
［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，１９９８，６６（３）：２７３－２８５．
［２０］ＴＨＥＮＫＡＢＡＩＬ　Ｐ　Ｓ，ＳＭＩＴＨ　Ｒ　Ｂ，ＤＥ　ＰＡＵＷ　Ｅ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ
ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ　ａｎｄ　ｔｈｅｉｒ　ｒｅｌａｔｉｏｎｓｈｉｐｓ　ｗｉｔｈ　ａｇｒｉｃｕｌｔｕｒａｌ　ｃｒｏｐ
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７１
（２）：１５８－１８２．
［２１］ＧＩＬＡＢＥＲＴ　Ｍ　Ａ，ＧＡＮＤＡ　Ｓ，ＭＥＬＩＡ　Ｊ．Ａｎａｌｙｓｅｓ　ｏｆ　ｓｐｅｃｔｒａｌ－
ｂｉｏｐｈｙｓｉｃａｌ　ｒｅｌａｔｉｏｎｓｈｉｐｓ　ｆｏｒ　ａ　ｃｏｒｎ　ｃａｎｏｐｙ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ
ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，１９９６，５５（１）：１１－２０．
［２２］ＭＵＴＡＮＧＡ　Ｏ，ＳＫＩＤＭＯＲＥ　Ａ　Ｋ．Ｎａｒｒｏｗ　ｂａｎｄ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ
ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｓａｔｕｒａｔｉｏｎ　ｐｒｏｂｌｅｍ　ｉｎ　ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａ－
ｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００４，２５（１９）：３　９９９－４　０１４．
［２３］ＡＤＡＭ　Ｅ，ＭＵＴＡＮＧＡ　Ｏ，ＲＵＧＥＧＥ　Ｄ．Ｍｕｌｔｉｓｐｅｃｔｒａｌ　ａｎｄ　ｈｙ－
ｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｆｏｒ　ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ａｎｄ　ｍａｐｐｉｎｇ　ｏｆ　ｗｅｔ－
ｌａｎｄ　ｖｅｇｅｔａｔｉｏｎ：Ａ　ｒｅｖｉｅｗ［Ｊ］．Ｗｅｔｌａｎｄｓ　Ｅｃｏｌｏｇｙ　ａｎｄ　Ｍａｎａｇｅ－
ｍｅｎｔ，２０１０，１８（３）：２８１－２９６．
［２４］ＷＡＮＧ　Ｙｅ－ｑｉａｏ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｏｆ　ｃｏａｓｔａｌ　ｅｎｖｉｒｏｎｍｅｎｔ［Ｍ］．
Ｌｏｎｄｏｎ：ＣＲＣ　Ｐｒｅｓｓ，２０１０：２６１－２８０．
［２５］ＰＥＮＧＲＡ　Ｂ　Ｗ，ＪＯＨＮＳＴＯＮ　Ｃ　Ａ，ＬＯＶＥＬＡＮＤ　Ｔ　Ｒ．Ｍａｐｐｉｎｇ
ａｎ　ｉｎｖａｓｉｖｅ　ｐｌａｎｔ，Ｐｈｒａｇｍｉｔｅｓ　ａｕｓｔｒａｌｉｓ，ｉｎ　ｃｏａｓｔａｌ　ｗｅｔｌａｎｄｓ　ｕ－
ｓｉｎｇ　ｔｈｅ　ＥＯ－１Ｈｙｐｅｒｉｏｎ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｓｅｎｓｏｒ［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓ－
ｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００７，１０８（１）：７４－８１．
［２６］ＲＯＳＳＯ　Ｐ，ＵＳＴＩＮ　Ｓ，ＨＡＳＴＩＮＧＳ　Ａ．Ｍａｐｐｉｎｇ　ｍａｒｓｈｌａｎｄ　ｖｅｇｅｔａｔｉｏｎ
ｏｆ　Ｓａｎ　Ｆｒａｎｃｉｓｃｏ　Ｂａｙ，Ｃａｌｉｆｏｒｎｉａ，ｕｓｉｎｇ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｄａｔａ［Ｊ］．Ｉｎｔｅｒｎａ－
ｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，２００５，２６（２３）：５　１６９－５　１９１．
［２７］ＷＡＮＧ　Ｙｅ－ｑｉａｏ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｏｆ　ｃｏａｓｔａｌ　ｅｎｖｉｒｏｎｍｅｎｔ［Ｍ］．
Ｌｏｎｄｏｎ：ＣＲＣ　Ｐｒｅｓｓ，２０１０：６１－７８．
［２８］ＵＳＴＩＮ　Ｓ　Ｌ，ＲＯＢＥＲＴＳ　Ｄ　Ａ，ＧＡＭＯＮ　Ｊ　Ａ，ｅｔ　ａｌ．Ｕｓｉｎｇ　ｉｍａ－
ｇｉｎｇ　ｓｐｅｃｔｒｏｓｃｏｐｙ　ｔｏ　ｓｔｕｄｙ　ｅｃｏｓｙｓｔｅｍ　ｐｒｏｃｅｓｓｅｓ　ａｎｄ　ｐｒｏｐｅｒｔｉｅｓ
［Ｊ］．ＢｉｏＳｃｉｅｎｃｅ，２００４，５４（６）：５２３－５３４．
［２９］ＨＩＲＡＮＯ　Ａ，ＭＡＤＤＥＮ　Ｍ，ＷＥＬＣＨ　Ｒ．Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ
ｄａｔａ　ｆｏｒ　ｍａｐｐｉｎｇ　ｗｅｔｌａｎｄ　ｖｅｇｅｔａｔｉｏｎ［Ｊ］．Ｗｅｔｌａｎｄｓ，２００３，２３（２）：
４３６－４４８．
［３０］ＣＯＨＥＮ　Ｗ　Ｂ．Ｒｅｓｐｏｎｓｅ　ｏｆ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ　ｔｏ　ｃｈａｎｇｅｓ　ｉｎ　ｔｈｒｅｅ
ｍｅａｓｕｒｅｓ　ｏｆ　ｌｅａｆ　ｗａｔｅｒ　ｓｔｒｅｓｓ［Ｊ］．Ｐｈｏｔｏｇｒａｍｍｅｔｒｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ
＆Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９１，５７（２）：１９５－２０２．
［３１］ＧＵＰＴＡ　Ｒ，ＶＩＪＡＹＡＮ　Ｄ，ＰＲＡＳＡＤ　Ｔ．Ｎｅｗ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｖｅｇ－
ｅｔａｔｉｏｎ　ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ　ｐａｒａｍｅｔｅｒｓ［Ｊ］．Ａｄｖａｎｃｅｓ　ｉｎ　Ｓｐａｃｅ　Ｒｅ－
ｓｅａｒｃｈ，２００１，２８（１）：２０１－２０６．
［３２］ＢＲＯＧＥ　Ｎ　Ｈ，ＬＥＢＬＡＮＣ　Ｅ．Ｃｏｍｐａｒｉｎｇ　ｐｒｅｄｉｃｔｉｏｎ　ｐｏｗｅｒ　ａｎｄ
ｓｔａｂｉｌｉｔｙ　ｏｆ　ｂｒｏａｄｂａｎｄ　ａｎｄ　ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ　ｆｏｒ　ｅｓ－
ｔｉｍａｔｉｏｎ　ｏｆ　ｇｒｅｅｎ　ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ　ａｎｄ　ｃａｎｏｐｙ　ｃｈｌｏｒｏｐｈｙｌ　ｄｅｎｓｉｔｙ
［Ｊ］．Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２００１，７６（２）：１５６－１７２．
［３３］ＫＩＭ　Ｍ　Ｓ，ＤＡＵＧＨＴＲＹ　Ｃ，ＣＨＡＰＰＥＬＬＥ　Ｅ，ｅｔ　ａｌ．Ｔｈｅ　ｕｓｅ　ｏｆ
ｈｉｇｈ　ｓｐｅｃｔｒａｌ　ｒｅｓｏｌｕｔｉｏｎ　ｂａｎｄｓ　ｆｏｒ　ｅｓｔｉｍａｔｉｎｇ　ａｂｓｏｒｂｅｄ　ｐｈｏｔｏｓｙｎ－
ｔｈｅｔｉｃａｌｙ　ａｃｔｉｖｅ　ｒａｄｉａｔｉｏｎ［Ｃ］∥Ｐｒｏｃ．ＩＳＰＲＳ９４，Ｖａｌ　ｄＩｓｅｒｅ，
Ｆｒａｎｃｅ，１９９４：２９９－３０６．
［３４］ＤＡＵＧＨＴＲＹ　Ｃ，ＷＡＬＴＨＡＬＬ　Ｃ，ＫＩＭ　Ｍ，ｅｔ　ａｌ．Ｅｓｔｉｍａｔｉｎｇ　ｃｏｒｎ
ｌｅａｆ　ｃｈｌｏｒｏｐｈｙｌ　ｃｏｎｃｅｎｔｒａｔｉｏｎ　ｆｒｏｍ　ｌｅａｆ　ａｎｄ　ｃａｎｏｐｙ　ｒｅｆｌｅｃｔａｎｃｅ［Ｊ］．
Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　ｏｆ　Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（２）：２２９－２３９．
［３５］ＤＡＷＳＯＮ　Ｔ，ＣＵＲＲＡＮ　Ｐ．Ｔｅｃｈｎｉｃａｌ　ｎｏｔｅ　Ａ　ｎｅｗ　ｔｅｃｈｎｉｑｕｅ　ｆｏｒ
ｉｎｔｅｒｐｏｌａｔｉｎｇ　ｔｈｅ　ｒｅｆｌｅｃｔａｎｃｅ　ｒｅｄ　ｅｄｇｅ　ｐｏｓｉｔｉｏｎ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ
Ｊｏｕｒｎａｌ　ｏｆ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ，１９９８，１９（１１）：２　１３３－２　１３９．
［３６］ＣＵＲＲＡＮ　Ｐ　Ｊ．Ｉｍａｇｉｎｇ　ｓｐｅｃｔｒｏｍｅｔｒｙ［Ｊ］．Ｐｒｏｇｒｅｓｓ　ｉｎ　Ｐｈｙｓｉｃａｌ
Ｇｅｏｇｒａｐｈｙ，１９９４，１８（２）：２４７－２６６．
［３７］ＧＯＢＲＯＮ　Ｎ，ＰＩＮＴＹ　Ｂ，ＶＥＲＳＴＲＡＥＴＥ　Ｍ　Ｍ．Ｔｈｅｏｒｅｔｉｃａｌ　ｌｉｍ－
ｉｔｓ　ｔｏ　ｔｈｅ　ｅｓｔｉｍａｔｉｏｎ　ｏｆ　ｔｈｅ　ｌｅａｆ　ａｒｅａ　ｉｎｄｅｘ　ｏｎ　ｔｈｅ　ｂａｓｉｓ　ｏｆ　ｖｉｓｉｂｌｅ
ａｎｄ　ｎｅａｒ－ｉｎｆｒａｒｅｄ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｄａｔａ［Ｊ］．Ｇｅｏｓｃｉｅｎｃｅ　ａｎｄ　Ｒｅ－
ｍｏｔｅ　Ｓｅｎｓｉｎｇ，ＩＥＥＥ　Ｔｒａｎｓａｃｔｉｏｎｓ　ｏｎ，１９９７，３５（６）：１　４３８－１　４４５．
Ｒｅｅｄｓ　ａｎｄ　ｓｕａｅｄａ　ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｂａｓｅｄ　ｏｎ　ＨＪ－１
ｈｙｐｅｒｓｐｅｃｔａｌ　ｉｍａｇｅ　ｉｎ　ｔｈｅ　Ｙｅｌｏｗ　Ｒｉｖｅｒ　Ｅｓｔｕａｒｙ
ＲＥＮ　Ｇｕａｎｇ－ｂｏ　１，ＺＨＡＮＧ　Ｊｉｅ　１，ＷＡＮＧ　Ｗｅｉ－ｑｉ　２，ＧＥＮＧ　Ｙａｎ－ｊｉｅ　２，ＣＨＥＮ　Ｙａｎ－ｊｕｎ　２，ＭＡ　Ｙｉ　１
（１．Ｆｉｒｓｔ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｏｃｅａｎｏｇｒａｐｈｙ，ＳＯＡ，Ｑｉｎｇｄａｏ　２６６０６３，Ｃｈｉｎａ；２．Ｃｏｌｌｅｇｅ　ｏｆ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｓｃｉｅｎｃｅ
ａｎｄ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｏｃｅａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃｈｉｎａ，Ｑｉｎｇｄａｏ　２６６０６３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｗｅｔｌａｎｄ　ｖｅｇｅｔａｔｉｏｎ　ｂｉｏｍａｓｓ　ｉｓ　ｔｈｅ　ｂａｓｉｃ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｗｅｔｌａｎｄ　ｅｃｏｌｏｇｉｃａｌ　ａｓｓｅｓｓｍｅｎｔ，ｐｒｏｔｅｃｔｉｏｎ
ａｎｄ　ｕｔｉｌｉｚａｔｉｏｎ．Ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｈａｓ　ｂｅｃｏｍｅ　ｏｎｅ　ｏｆ　ｔｈｅ　ｍｏｓｔ　ｅｆｆｉｃｉｅｎｔ　ｔｅｃｈｎｏｌｏｇｉｅｓ　ｏｆ　ｗｅｔｌａｎｄ　ｂｉｏｍａｓｓ
ｍｏｎｉｔｏｒｉｎｇ．Ｕｔｉｌｉｚｉｎｇ　ｔｈｅ　ＨＪ－１ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｉｍａｇｅ　ｔｈａｔ　ａｃｑｕｉｒｅｄ　ｉｎ　Ｓｅｐｔｅｍｂｅｒ　２０１３ａｎｄ　ｔｈｅ
ｃｏｉｎｓｔａｎｔａｎｅｏｕｓ　ｆｉｅｌｄ　ｓｕｒｖｅｙ　ｄａｔａ，ｔｈｅ　ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ　ｃａｐａｂｉｌｉｔｉｅｓ　ｏｆ　７ｋｉｎｄｓ　ｏｆ　ｎａｒｒｏｗ－ｂａｎｄ　ｖｅｇｅｔａｔｉｏｎ
ｉｎｄｉｃｅｓ　ａｎｄ　２ｋｉｎｄｓ　ｏｆ　ｒｅｄ　ｅｄｇｅ　ｐｏｓｉｔｉｏｎ　ｉｎｄｉｃｅｓ　ｏｆ　ｒｅｅｄｓ　ａｎｄ　ｓｕａｅｄａ　ｉｎ　ｔｈｅ　Ｙｅｌｏｗ　Ｒｉｖｅｒ　Ｅｓｔｕａｒｙ　ｈａｖｅ　ｂｅｅｎ
ｓｔｕｄｉｅｄ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｒｅｖｅａｌ　ｔｈａｔ（１）Ｉｎ　ｓｉｎｇｌｅ　ｖａｒｉａｂｌｅ　ｅｓｔｉｍａｔｉｏｎ　ｍｏｄｅｌ　ｃａｓｅ，ｆｏｒ　ｒｅｅｄｓ，ｔｈｅ　ＳＲＩ　ｉｎｄｅｘ　ｗｉｔｈ
６３５ｎｍ　ａｎｄ　８２７ｎｍ　ｂａｎｄｓ　ａｎｄ　ＲＥＰ＿ｌｉｎｅａｒ　ｉｎｔｅｒｐｏｌａｔｉｏｎ　ｉｎｄｅｘ　ｇｅｔ　ｔｈｅ　ｂｅｓｔ　Ｒ２　ｍｅａｓｕｒｅｓ，ａｎｄ　ｆｏｒ　ｓｕａｅｄａ，ｔｈｅ
ＮＤＶＩ　ａｎｄ　ＳＲＩ　ｉｎｄｉｃｅｓ　ｗｉｔｈ　６９２ｎｍ　ａｎｄ　８０７ｎｍ　ｂａｎｄｓ　ａｎｄ　ＯＳＡＶＩ　ｉｎｄｅｘ　ｇｅｔ　ｔｈｅ　ｂｅｓｔ　ｂｉｏｍａｓｓ　ｅｓｔｉｍａｔｉｏｎ
ｒｅｓｕｌｔｓ．（２）Ｉｎ　ｍｕｌｔｉｐｌｅ　ｖａｒｉａｂｌｅ　ｃａｓｅ，ｆｏｒ　ｒｅｅｄｓ　ａｎｄ　ｓｕａｅｄａ，ｔｈｅ　Ｒ２　ｍｅａｓｕｒｅ　ｇｅｔ　０．７１ａｎｄ　０．６６ｒｅｓｐｅｃｔｉｖｅｌｙ．
Ｋｅｙ　ｗｏｒｄｓ：ｂｉｏｍａｓｓ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ；ＨＪ－１ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｉｍａｇｅ；ｖｅｇｅｔａｔｉｏｎ　ｉｎｄｉｃｅｓ；ｒｅｄ　ｅｄｇｅ　ｐｏｓｉｔｉｏｎ　ｉｎｄｉｃｅｓ
·４３· 海　洋　学　研　究 ３２卷４期