免费文献传递   相关文献

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



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


[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 )

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