基于HJ-1A/1B數(shù)據(jù)的高寒草地牧草營(yíng)養(yǎng)動(dòng)態(tài)監(jiān)測(cè)模型

王 迅，劉書(shū)杰，張曉衛(wèi)，郝力壯，趙月平，王萬(wàn)邦

(1.青海省高原放牧家畜營(yíng)養(yǎng)與生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，西寧 810086;2.青海省高原放牧家畜營(yíng)養(yǎng)與飼料科學(xué)重點(diǎn)實(shí)驗(yàn)室，西寧 810016)

0 引言

草地畜牧業(yè)是青藏高原三江源區(qū)草地生態(tài)系統(tǒng)的重要組成部分，該區(qū)發(fā)展草地生態(tài)畜牧業(yè)的前提是草畜平衡[1]。目前，草地?cái)?shù)量載畜量[2]仍為研究草畜平衡的通用方法，但是三江源區(qū)暖季和冷季的草地營(yíng)養(yǎng)載畜量相差大[3]，致使草地?cái)?shù)量載畜量無(wú)法真正反映草畜平衡情況。林莉等[4]將營(yíng)養(yǎng)平衡模式加入到草畜平衡的研究中，結(jié)果表明冷季與暖季載畜量相差近10倍，且草地?cái)?shù)量載畜量高估了草場(chǎng)載畜能力，將數(shù)量和營(yíng)養(yǎng)載畜量共同考慮才能更客觀地反映草地載畜能力。然而目前仍是以草原站點(diǎn)監(jiān)測(cè)數(shù)據(jù)計(jì)算的載畜量為主，如何動(dòng)態(tài)監(jiān)測(cè)草地生物量與營(yíng)養(yǎng)輸出量從而確定合理的載畜量，已成為亟待解決的問(wèn)題。

利用高光譜數(shù)據(jù)進(jìn)行草地綜合監(jiān)測(cè)的研究使牧草生化成分的遙感估測(cè)成為可能。Thoma等[5]研究了NOAA-NDVI與Montana地區(qū)草場(chǎng)監(jiān)測(cè)點(diǎn)牧草活存量、殘存量及現(xiàn)存總氮量的關(guān)系，結(jié)果表明遙感技術(shù)可較好地預(yù)測(cè)牧草的產(chǎn)草量和營(yíng)養(yǎng)價(jià)值。Mitchell等[6]基于偏多元回歸方法通過(guò)高光譜遙感反演了半干旱灌叢的冠層N素含量，但裸地噪音較大。大量研究表明[7-10]，基于遙感技術(shù)可反演草地生物量和草地粗蛋白含量，尤其利用高光譜數(shù)據(jù)和近紅外技術(shù)的反演精度較高。然而截至目前，基于衛(wèi)星遙感技術(shù)建立全年草地牧草指標(biāo)的反演模型及草地牧草生長(zhǎng)全年粗蛋白含量反演模型的報(bào)道仍很少。

本研究利用我國(guó)環(huán)境減災(zāi)衛(wèi)星HJ-1A/1B的多時(shí)相、多光譜CCD數(shù)據(jù)，探索基于遙感指數(shù)估測(cè)草地牧草青草期、枯黃期、枯草期及返青期的生物量和粗蛋白營(yíng)養(yǎng)物質(zhì)輸出量，建立相關(guān)模型并驗(yàn)證精度，為三江源區(qū)草地放牧管理和維持草畜平衡提供基礎(chǔ)數(shù)據(jù)。

1 材料和數(shù)據(jù)處理

1.1 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于青海省玉樹(shù)縣，地處 E 96°1′50.3″，N 32°6′2.7″，草場(chǎng)植被多為高寒草甸類(lèi)，草地植被均勻，建種群包括矮嵩草、線葉嵩草、針茅、草地早熟禾、羊茅、黃花棘豆、珠芽蓼、小嵩草和賴(lài)草等。植被覆蓋度40%～100%。

1.2 樣品采集與處理

先將試驗(yàn)區(qū)設(shè)置為9個(gè)樣地，于2011年4—12月的每月下旬在每個(gè)樣地內(nèi)均勻而隨機(jī)地采集3個(gè)1.0 m ×1.0 m 樣方，齊地面刈割，記錄鮮重、風(fēng)干重，粉碎過(guò)篩(1.0 mm)，在青海省高原放牧家畜營(yíng)養(yǎng)與生態(tài)國(guó)家重點(diǎn)實(shí)驗(yàn)室培育基地，利用半微量凱氏定氮法進(jìn)行粗蛋白質(zhì)(crude protein，CP)測(cè)定。樣方在空間上均勻分布，突出代表性和典型性。在牧草群落一致性較好的樣地內(nèi)設(shè)置2～3個(gè)，在植被比較復(fù)雜及分布不均勻的區(qū)域設(shè)置4～6個(gè)，以最大程度地代表高寒草甸典型草地類(lèi)型。青草期、枯黃期、枯草期和返青期分別選7，10，12和4月下旬?dāng)?shù)據(jù)[11]。

1.3 數(shù)據(jù)處理

2008年9月，HJ-1A和HJ-1B星發(fā)射成功，在2顆衛(wèi)星上各裝載了2臺(tái)完全相同的CCD相機(jī)，以星下點(diǎn)對(duì)稱(chēng)放置，平分視場(chǎng)、并行觀測(cè)，聯(lián)合完成對(duì)地刈幅寬度為720 km、空間分辨率為30 m，4個(gè)譜段的推掃成像，實(shí)現(xiàn)了對(duì)陸面的多種遙感參數(shù)的綜合探測(cè)[12]。選擇少云無(wú)風(fēng)時(shí)刻的CCD圖像，然后對(duì)其進(jìn)行數(shù)據(jù)定標(biāo)、大氣校正和幾何糾正，均方根誤差小于1個(gè)像元。

2 研究方法

2.1 植被指數(shù)選擇

從大量植被指數(shù)[13-15]中選擇8種植被指數(shù)(表1)進(jìn)行對(duì)比;最終挑選能較好地剔除噪音的植被指數(shù)用于反演草地牧草生物量和粗蛋白含量。

表1 用于模型的植被指數(shù)及公式Tab.1 Vegetation indices and formula used for models

2.2 模型建立

在方法模型的實(shí)際應(yīng)用中，模型精度是對(duì)比分析的基礎(chǔ)和前提。天然草地牧草生物量和粗蛋白含量在不同牧草品種中存在較大差異，同時(shí)植物體內(nèi)不同部分的粗蛋白含量也存在較大差異。隨著植被的生長(zhǎng)，草地牧草葉綠素含量、生化含量和葉片內(nèi)部結(jié)構(gòu)發(fā)生了變化，植被光譜吸收反射特征也發(fā)生了較大變化。如何通過(guò)植被光譜特性的變化反演草地牧草4期的粗蛋白和生物量就顯得尤為重要。

本研究選用以下2種方法對(duì)草地牧草生物量和粗蛋白含量進(jìn)行反演:①建立y′=ax+b模型，其中y′為牧草生物量或粗蛋白含量的估測(cè)值，x為植被指數(shù)，此模型簡(jiǎn)稱(chēng)為“直接模型”;②建立Y′=aX+b模型，其中Y′為牧草生物量或粗蛋白含量的估測(cè)值，X為青草期草地牧草生物量或粗蛋白，此模型簡(jiǎn)稱(chēng)為“間接模型”。

將數(shù)據(jù)按2∶1分組，2/3用于建模，1/3用于模型精度驗(yàn)證。樣點(diǎn)光譜均取該樣點(diǎn)的4鄰近像元的均值。最后通過(guò)復(fù)相關(guān)系數(shù)R2和均方根誤差RMSE進(jìn)行模型精度評(píng)價(jià)，即

式中:y′為草地牧草生物量或粗蛋白的估測(cè)值;y為對(duì)應(yīng)的實(shí)測(cè)值;n為樣點(diǎn)數(shù)。

3 結(jié)果與分析

3.1 光譜特征分析

典型健康綠色牧草在紅波段(B3)呈現(xiàn)強(qiáng)吸收谷，而在近紅外波段(B4)呈現(xiàn)高反射峰，這種光譜特征是草地動(dòng)態(tài)遙感監(jiān)測(cè)的理論基礎(chǔ)?；贑CD數(shù)據(jù)草地牧草光譜不同波段(B1，B2，B3和B4)的反射率如圖1所示，可以看出研究區(qū)牧草在4—12月間，B4的反射率呈現(xiàn)先增后降趨勢(shì)，其中7月最高，而可見(jiàn)光部分的藍(lán)、綠和紅波段(分別為B1，B2和B3)與B4的光譜呈現(xiàn)相反趨勢(shì)，先降后升，其中以8月最低。綜合分析后可得牧草在6—9月中光譜特性具有明顯的典型植被光譜特征，其余月份(4，5，10—12月)的植被光譜特征不夠典型，與干枯植被或裸露干土壤呈現(xiàn)一致性，表現(xiàn)為干枯植被和裸露干土壤的混合光譜。

圖1 牧草的反射光譜特征Fig.1 Reflectance spectral characteristics of grassland

3.2 牧草營(yíng)養(yǎng)動(dòng)態(tài)變化

草地牧草生物量和粗蛋白月份變化動(dòng)態(tài)如圖2所示?？梢钥闯?，牧草生物量和粗蛋白全年以7—8月份的青草期最大，返青期、枯黃期和枯草期急劇降低，總體變化較為平緩?？蔹S期、枯草期和返青期的生物量和粗蛋白含量?jī)H為青草期的25%，19%，13%和24%，19%，11%。草地牧草全年粗蛋白含量最大相差約9倍。粗蛋白含量是冷季草畜平衡的重要調(diào)控因子，因此在草地牧草粗蛋白含量對(duì)草畜平衡表現(xiàn)為瓶頸的季節(jié)中(特別是在粗蛋白含量最小時(shí))，草地牧草生物量和粗蛋白的動(dòng)態(tài)監(jiān)測(cè)有著重要意義。

圖2 牧草生物量和粗蛋白變化Fig.2 Dynamic of grassland biomass and CP

3.3 牧草生物量、粗蛋白與植被指數(shù)相關(guān)性分析

草地光譜特征、植被指數(shù)與營(yíng)養(yǎng)指標(biāo)的相關(guān)分析是后期反演的基礎(chǔ)。分別選用返青期、青草期、枯黃期和枯草期的牧草鮮重和粗蛋白含量2個(gè)營(yíng)養(yǎng)指標(biāo)所對(duì)應(yīng)的4個(gè)時(shí)期的8種植被指數(shù)和光譜B1—B4波段，建立牧草地上生物量、粗蛋白含量與光譜指數(shù)間的相關(guān)關(guān)系(圖3)。

圖3 牧草4期生物量、粗蛋白與植被指數(shù)相關(guān)性分析Fig.3 Correlate analysis between vegetation indices and grassland biomass，CP

從圖3可以看出:①返青期與枯黃期，光譜波段、植被指數(shù)與生物量和粗蛋白的相關(guān)性具有相近趨勢(shì);光譜波段都是從負(fù)相關(guān)到正相關(guān)，生物量和粗蛋白在返青期以與B4波段相關(guān)系數(shù)最高，分別達(dá)0.611和0.616;在枯黃期以與B1波段負(fù)相關(guān)性最顯著，分別達(dá) -0.694和 -0.546;植被指數(shù)在2個(gè)時(shí)期皆以與BNDVI相關(guān)性最高，生物量和粗蛋白在返青期分別達(dá)0.741和0.752，枯黃期分別達(dá)0.607和0.560;②青草期，B4波段與各植被指數(shù)均有較高的相關(guān)性;③枯草期，光譜波段和植被指數(shù)與生物量和粗蛋白均表現(xiàn)出較低的相關(guān)性，生物量和粗蛋白相關(guān)系數(shù)的絕對(duì)值均低于0.4，其中與GNDVI負(fù)相關(guān)最顯著，生物量和粗蛋白的相關(guān)系數(shù)均為 -0.370。

從以上分析得出，基于多光譜遙感的草地牧草營(yíng)養(yǎng)估測(cè)，在青草期各植被指數(shù)和B4波段均有很好的相關(guān)性，而隨著季節(jié)的變化，即青草期—枯黃期—返青期—枯草期，各植被指數(shù)和B4波段相關(guān)性降低，草地地上生物量和粗蛋白含量的能力下降，這可能與草地牧草葉綠素的含量、植被生化成分變化和結(jié)構(gòu)變化有關(guān)，也與受植被在枯萎變化中干枯植被和地表土壤的干擾相關(guān)。這表明基于3S技術(shù)更適合在草地青草期進(jìn)行草地生物量和粗蛋白監(jiān)測(cè)。

3.4 牧草生物量、粗蛋白與植被指數(shù)的直接關(guān)系

在相關(guān)性分析的基礎(chǔ)上，以植被指數(shù)NDVI，EVI以及另外2個(gè)相關(guān)性最大光譜波段分別為自變量，以草地牧草4期生物量和粗蛋白含量為因變量，分別建立一元線性、冪函數(shù)、對(duì)數(shù)和指數(shù)等形式的回歸模型，即“直接反演模型”，模擬分析2者之間的關(guān)系(圖4)。

圖4 牧草生物量和粗蛋白直接回歸分析Fig.4 Directly coefficient between grassland biomass and CP

從圖4看出:青草期的生物量和粗蛋白回歸模型均以S函數(shù)相關(guān)性最高，R2分別為0.716(顯著性水平 P ＜0.05)和0.639(P ＜0.05)，冪函數(shù)次之，R2分別為0.677(P ＜0.05)和0.618(P ＜0.05);返青期生物量和粗蛋白均以B4波段相關(guān)性最高，R2為分別0.514(P ＜0.05)和 0.561(P ＜0.05);枯黃期生物量以 B1波段相關(guān)性最高，R2為0.557(P＜0.05)，粗蛋白以 BNDVI相關(guān)性最好，R2為0.454(P＜0.05);枯草期生物量和粗蛋白均以GNDVI相關(guān)性最高，R2分別為 0.221(P ＞0.05)和0.217(P ＞0.05)。

青草期的生物量和粗蛋白反演模型EVI優(yōu)于NDVI，返青期和枯黃期的生物量和粗蛋白回歸度均低于青草期，但總體都為顯著回歸(P＜0.05)?？莶萜诘纳锪亢痛值鞍着c植被光譜均不存在顯著的回歸關(guān)系。這說(shuō)明草地牧草在青草期—枯黃期—枯草期的過(guò)程中，基于植被光譜反演生物量和粗蛋白的能力逐漸下降;而至枯草期，已無(wú)法通過(guò)植被多光譜來(lái)估測(cè)草地牧草生物量和粗蛋白含量。

3.5 牧草4期生物量和粗蛋白反演模型

如前所述，返青期、枯黃期和枯草期3個(gè)時(shí)期的牧地營(yíng)養(yǎng)與植被指數(shù)間無(wú)較好的相關(guān)性，為探討這3個(gè)時(shí)期牧草光譜特征和營(yíng)養(yǎng)變化間的關(guān)系，建立基于青草期的青草期—返青期、青草期—枯黃期和青草期—枯草期的牧草估測(cè)模型，即“間接反演模型”。選擇線性、二次多項(xiàng)式、指數(shù)、對(duì)數(shù)、冪函數(shù)、復(fù)合曲線和S函數(shù)進(jìn)行2者間的數(shù)據(jù)擬合分析，結(jié)果如表2和表3所示?？梢钥闯?，除枯黃期牧草生物量直接模型優(yōu)于間接模型，其余時(shí)期的生物量和粗蛋白指標(biāo)的間接模型均高于直接模型，尤其以枯草期的生物量和粗蛋白含量最為明顯。

表2 牧草生物量、粗蛋白直接反演模型Tab.2 Directly retrieve models on grassland biomass and CP

表3 牧草生物量、粗蛋白間接反演模型Tab.3 Indirectly retrieve models on grassland biomass and CP

3.6 精度驗(yàn)證

基于以上模型，利用1/3的驗(yàn)證數(shù)據(jù)，將實(shí)測(cè)值和估測(cè)值對(duì)比，并比較均方根誤差(RMSE)和復(fù)相關(guān)系數(shù)(R2)。如表4所示，直接模型在返青期、枯黃期和枯草期草地牧草生物量和粗蛋白含量反演精度均很低，對(duì)比直接和間接模型方法，間接模型的精度均顯著高于直接模型(P＜0.05)，且粗蛋白反演精度高于生物量的反演精度。

表4 精度驗(yàn)證和比較Tab.4 Precision verified and comparison

4 結(jié)論與討論

基于HJ-1A/1B多時(shí)相、多光譜數(shù)據(jù)，對(duì)天然草地牧草生物量和粗蛋白含量進(jìn)行反演，精度相差較大，間接模型顯著高于直接模型。因此基于直接模型反演青草期草地牧草生物量和粗蛋白含量，基于間接模型反演返青期、枯黃期和枯草期草地牧草生物量和粗蛋白含量是一種可行的方法。

草地牧草粗蛋白含量，全年最大相差約9倍，在草地牧草粗蛋白含量對(duì)草畜平衡表現(xiàn)為瓶頸的季節(jié)中，對(duì)其進(jìn)行動(dòng)態(tài)監(jiān)測(cè)有著重要意義。應(yīng)用多光譜數(shù)據(jù)可快速、及時(shí)地進(jìn)行草地4期營(yíng)養(yǎng)狀況的反演，然而如何選擇反演4期生物量和粗蛋白含量的高精度模型是進(jìn)行監(jiān)測(cè)的前提，此方法還需長(zhǎng)時(shí)間序列數(shù)據(jù)的驗(yàn)證和改進(jìn)，以便在大范圍內(nèi)得以更好的應(yīng)用。如何發(fā)展一個(gè)通用的、可用于預(yù)測(cè)的模型，將成為下一步研究的重點(diǎn)。此外動(dòng)態(tài)監(jiān)測(cè)和預(yù)測(cè)，還需更多數(shù)據(jù)和實(shí)驗(yàn)的驗(yàn)證。

[1]蔣全民，王夢(mèng)琳，任繼周，等.草畜平衡:刻不容緩的百年方略[J].四川草原，2003(6):52-56.Jiang Q M，Wang M L，Ren J Z，et al.Livestock balance:Urgent centuries strategy[J].Journal of Sichuan Grassland，2003(6):52-56.

[2]金曉明，韓國(guó)棟.貝加爾針茅草地基況評(píng)價(jià)及載畜量估算[J].東北師大學(xué)報(bào):自然科學(xué)版，2010(1):117-122.Jin X M，Han G D.Evaluation of rangeland condition and estimation of grazing capacity in Stipa baicalensis steppe[J].Journal of Northeast Normal University:Natural Science Edition，2010(1):117-122.

[3]郝力壯，劉書(shū)杰，吳克選，等.瑪多縣高山嵩草草地天然牧草營(yíng)養(yǎng)評(píng)定與載畜量研究[J].中國(guó)草地學(xué)報(bào)，2011(1):84-89.Hao L Z，Liu S J，Wu K X，et al.Study on the evaluation of grass nutrition and carrying capacity in alpine grassland of kobresia hastily in maduo county[J].Chinese Journal of Grassland，2011(1):84-89.

[4]林 莉，郝力壯，劉書(shū)杰，等.三江源區(qū)海南州高寒草地暖季草場(chǎng)生產(chǎn)力及載畜量研究[C]//第六次全國(guó)飼料營(yíng)養(yǎng)學(xué)術(shù)研討會(huì)論文集.楊凌:中國(guó)畜牧獸醫(yī)學(xué)會(huì)，2010:14.Lin L，Hao L Z，Liu S J，et al.Research on the grassland productiv-ity and carrying capacity of warm pasture of alpine meadow in Hainan Prefecture of Sanjiangyuan region[C]//The 6th national symposium on feed nutrition.Yangling:Chinese Asspciation of Animalscience and Veterinary Medicine，2010:14.

[5]Thoma D P，Bailey D W，Long D S，et al.Short-term monitoring of rangeland forage conditions with AVHRR imagery-2002[J].Journal of Range Management.2002，55(4):383-389.

[6]Mitchell J J，Glenn N F，Sankey T T，et al.Remote sensing of sagebrush canopy nitrogen[J].Remote Sensing of Environment.2012，124:217-223.

[7]張 浩，胡 昊，陳 義，等.水稻葉片氮素及籽粒蛋白質(zhì)含量的高光譜估測(cè)模型[J].核農(nóng)學(xué)報(bào)，2012(1):135-140.Zhang H，Hu H，Chen Y，et al.Estimating nitrogen of rice leaf and protein of rice seed based on hyperspectral data[J].Acta Agriculture Nacleatae Sinica，2012(1):135-140.

[8]劉冰峰，李 軍，趙剛峰，等.夏玉米葉片全氮含量高光譜遙感估算模型研究[J].植物營(yíng)養(yǎng)與肥料學(xué)報(bào)，2012，18(4):813-824.Liu B F，Li J，Zhao G F，et al.Total nitrogen content estimation models of summer maize leaves using hyperspectral remote sensing[J].Plant Nutrition and Fertilizer Science，2012，18(4):813-824.

[9]劉 煒，常慶瑞，郭 曼，等.夏玉米可見(jiàn)/近紅外光小波主成分提取與氮素含量神經(jīng)網(wǎng)絡(luò)檢測(cè)[J].紅外與毫米波學(xué)報(bào)，2011，30(1):48-54.Liu W，Chang Q R，Guo M，et al.Detection of leaf nitrogen content of summer corn using visible/near infrared spectra[J].Journal of Infrared and Millimeter Waves，2011，30(1):48-54.

[10]王 迅，劉書(shū)杰，賈海峰，等.基于高光譜數(shù)據(jù)的高寒草地營(yíng)養(yǎng)狀況的研究[J].光譜學(xué)與光譜分析，2012，32(10):2780-2784.Wang X，Liu S J，Jia H F，et al.Study on the nutrition of alpine meadow based on hyperspectral data[J].Spectroscopy and Spectral Analysis，2012，32(10):2780-2784.

[11]劉書(shū)杰，王萬(wàn)邦，薛 白，等.不同物候期放牧牦牛采食量的研究[J].青海畜牧獸醫(yī)雜志，1997(2):5-9.Liu S J，Wang W B，Xue B，et al.The Determination of feed intake in different phenological period for grazing yaks[J].China Qinghai Journal of Animal and Veterinary Sciences，1997(2):5-9.

[12]Knox N M，Skidmore A K，Prins H H T，et al.Remote sensing of forage nutrients:Combining ecological and spectral absorption feature data[J].ISPRS Journal of Photogrammetry and Remote Sensing.2012，72:27-35.

[13]陶偉國(guó)，徐 斌，楊秀春.草原產(chǎn)草量遙感估算方法發(fā)展趨勢(shì)及影響因素[J].草業(yè)學(xué)報(bào)，2007，16(2):1-8.Tao W G，Xu B，Yang X C.Advances and factors affecting the estimation of grass production using remote sensing[J].Acta Prataculturae Sinica，2007，16(2):1-8.

[14]陳 拉，黃敬峰，王秀珍.不同傳感器的模擬植被指數(shù)對(duì)水稻葉面積指數(shù)的估測(cè)精度和敏感性分析[J].遙感學(xué)報(bào)，2008，12(1):143-151.Chen L，Huang J F，Wang X Z.Estimating accuracies and sensitivity analysis of regression models fitted by simulated vegetation indices of different sensors to rice LAI[J].Journal of Remote Sensing，2008，12(1):143-151.

[15]楊 峰，李建龍，錢(qián)育蓉，等.天山北坡典型退化草地植被覆蓋度監(jiān)測(cè)模型構(gòu)建與評(píng)價(jià)[J].自然資源學(xué)報(bào)，2012，27(8):1340-1348.Yang F，Li J L，Qian Y R，et al.Estimating vegetation coverage of typical degraded grassland in the northern Tianshan Mountains[J].Journal of Natural Resources，2012，27(8):1340-1348.