基于TSAVI的OLI模擬數(shù)據(jù)翅堿蓬生物量反演研究

李 微，牟 蒙，陳官濱，劉偉男，劉 遠(yuǎn)，劉長(zhǎng)發(fā)

1.大連海洋大學(xué)海洋科技與環(huán)境學(xué)院, 遼寧 大連 116023 2.遼寧省高校近岸環(huán)境科學(xué)與技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116023

基于TSAVI的OLI模擬數(shù)據(jù)翅堿蓬生物量反演研究

李 微1，2，牟 蒙1，陳官濱1，劉偉男1，劉 遠(yuǎn)1，2，劉長(zhǎng)發(fā)1，2

1.大連海洋大學(xué)海洋科技與環(huán)境學(xué)院, 遼寧 大連 116023 2.遼寧省高校近岸環(huán)境科學(xué)與技術(shù)重點(diǎn)實(shí)驗(yàn)室，遼寧 大連 116023

翅堿蓬是遼東灣北部濱海濕地一種典型的植被，其生物量的評(píng)估對(duì)了解濱海濕地生態(tài)系統(tǒng)生產(chǎn)力，生態(tài)系統(tǒng)機(jī)構(gòu)和功能的形成具有十分重要的作用。而翅堿蓬覆蓋度不均一，特別是自然狀態(tài)下的覆蓋度較低，土壤背景影響嚴(yán)重。將基于模擬Landsat 8 OLI數(shù)據(jù)的轉(zhuǎn)換型土壤調(diào)整指數(shù)(transformed soil adjusted vegetation index，TSAVI)作為自變量，與地面實(shí)測(cè)生物量進(jìn)行回歸分析，構(gòu)建了翅堿蓬群落生物量反演模型。結(jié)果表明：TSAVI(紅光600～687 nm，近紅外820～880 nm)與生物量的相關(guān)性顯著，相關(guān)系數(shù)在0.9左右，最高相關(guān)系數(shù)可達(dá)0.92； 線性、二次多項(xiàng)式優(yōu)于對(duì)數(shù)、指數(shù)和冪模型，模型擬合優(yōu)度r2都為0.83，再結(jié)合模型的F值和運(yùn)算效率，認(rèn)為線性模型是反演成熟翅堿蓬生物量的最優(yōu)模型。最后，實(shí)現(xiàn)了研究區(qū)域Landsat 8 OLI衛(wèi)星遙感數(shù)據(jù)翅堿蓬群落生物量反演及模型驗(yàn)證，估算值和實(shí)測(cè)值的相關(guān)系數(shù)r為0.962，平均相對(duì)誤差為0.106，翅堿蓬覆蓋度越大，相對(duì)誤差越低，覆蓋度低的翅堿蓬生物量反演的相對(duì)誤差在0.18左右，表明所建立的線性反演模型在高、低覆蓋度時(shí)均具有良好的反演精度； 此外，還人為地將模型中土壤線系數(shù)a和b引入±5%擾動(dòng)，擾動(dòng)后的反演結(jié)果平均相對(duì)誤差比較穩(wěn)定，相關(guān)系數(shù)有所降低，但都在0.9以上，表明所建立反演模型具有較好的穩(wěn)定性。

生物量； 轉(zhuǎn)換型土壤調(diào)整指數(shù)； Landsat 8 OLI； 反演算法

引 言

濕地是陸地生態(tài)系統(tǒng)的重要組成部分，濕地植被生物量是評(píng)價(jià)濕地碳吸收能力的一個(gè)重要指標(biāo)[1]。利用常規(guī)手工方法統(tǒng)計(jì)生物量，對(duì)于小面積區(qū)域來說精度比較高，但是對(duì)于大空間尺度乃至于全球范圍來說，工作量巨大、過程復(fù)雜，無法滿足對(duì)植被生物量的動(dòng)態(tài)監(jiān)測(cè)。遙感技術(shù)其觀測(cè)范圍廣，重復(fù)周期短，空間分辨率高，而被廣泛用于植被生物量的監(jiān)測(cè)中。目前利用遙感方法進(jìn)行生物量估算主要通過植被指數(shù)法，該法被廣泛運(yùn)用在反演草地[2]、森林[3-5]、農(nóng)作物[6-7]的生物量上。它比用單波段來探測(cè)植被更具有靈敏性，且與植被生物量等很多植被要素之間存在較強(qiáng)的相關(guān)性[8]。

翅堿蓬，遼東灣北部濱海濕地的典型植被，具有藥用、食用、生態(tài)和景觀價(jià)值，還具有維持濕地生態(tài)系統(tǒng)正常演替、防風(fēng)消浪等功能，反演其生物量對(duì)監(jiān)測(cè)翅堿蓬的生長(zhǎng)狀況及其所在區(qū)域生態(tài)系統(tǒng)具有重要意義。鑒于翅堿蓬群落的地理分布特點(diǎn)，人工監(jiān)測(cè)較為困難，目前關(guān)于翅堿蓬生物量的研究資料較少，僅見吳濤等[9]就蓋度大于75%翅堿蓬進(jìn)行了生物量的遙感估算。而翅堿蓬覆蓋度不均一，天然翅堿蓬覆蓋度較小，土壤背景對(duì)光譜數(shù)據(jù)影響較大，本文將引入了土壤線概念的基于轉(zhuǎn)換型土壤調(diào)整指數(shù)(TSAVI)作為生物量估算的自變量，來構(gòu)建翅堿蓬生物量回歸分析模型，并利用遙感數(shù)據(jù)反演了研究區(qū)域內(nèi)翅堿蓬的生物量分布，為保護(hù)翅堿蓬群落及其所在的濱海濕地生態(tài)系統(tǒng)提供依據(jù)。

1 數(shù)據(jù)準(zhǔn)備

1.1 地面數(shù)據(jù)

2013年9月26、27日在遼東灣北部遼河口國(guó)家級(jí)自然保護(hù)區(qū)內(nèi)的單一翅堿蓬群落隨機(jī)布點(diǎn)29個(gè)，并在相近的裸土上布點(diǎn)57個(gè)。每個(gè)樣點(diǎn)面積為1 m×1 m。當(dāng)天天氣狀況良好(晴朗、無風(fēng)、少云)。

首先記錄樣方所在的經(jīng)緯度、樣方內(nèi)植株高度、蓋度等信息； 其次利用美國(guó)ASD公司生產(chǎn)的FieldSpec HH手持便攜式地物光譜儀測(cè)量翅堿蓬和裸土的樣方地面光譜(10:00am—14:00pm)； 然后針對(duì)植被樣點(diǎn)收集樣方內(nèi)所有植株地上部分，清洗后除去植株上水分，現(xiàn)場(chǎng)統(tǒng)計(jì)濕重，并將樣本裝入采樣袋； 最后置于實(shí)驗(yàn)室恒溫干燥箱中85 ℃烘干至恒重，迅速稱量其干質(zhì)量，即生物量。

1.2 衛(wèi)星數(shù)據(jù)預(yù)處理

以Landsat衛(wèi)星多光譜影像為數(shù)據(jù)源，該衛(wèi)星系列從1972年發(fā)射成功至今，已發(fā)射成功8顆陸地資源衛(wèi)星，其中Landsat 8于2013年發(fā)射成功。選擇與地面采樣時(shí)間相近的2013-9-28的OLI 1B級(jí)數(shù)據(jù)(來源于USGS網(wǎng)站)，并進(jìn)行了遙感圖像預(yù)處理(幾何校正，輻射校正，大氣校正以及裁切處理)和決策樹分類操作，提取了研究區(qū)域翅堿蓬的地理分布信息，見圖1。其中圖1(a)為L(zhǎng)andsat 8 OLI遙感數(shù)據(jù)真彩色合成影像，其中暗紅色部分為翅堿蓬，圖1(b)為提取的翅堿蓬地理分布，其中綠色部分為翅堿蓬。

圖1 翅堿蓬群落地理分布

2 模型構(gòu)建

2.1 TSAVI及其與生物量敏感性分析

Kauth等[10]在1976年提出了土壤線的概念。在NIR-R構(gòu)成的二維平面直角坐標(biāo)中，土壤的反射率大致沿著Y=X直線分布，這種線性關(guān)系即土壤線。土壤線能較好描述該種土壤的光學(xué)特征，有助于了解土壤和植被的理化性質(zhì)和生態(tài)特征，目前許多常用的植被指數(shù)都借助了這一概念。由于翅堿蓬覆蓋度不均一，覆蓋度較低的區(qū)域不到10%，土壤背景對(duì)植被指數(shù)影響非常大，因此選取了基于土壤線的轉(zhuǎn)換型土壤調(diào)整指數(shù)TSAVI[11]，以期消除土壤背景的影響。將紅光波段(600～760 nm)和近紅外波段(761～880 nm)的光譜數(shù)據(jù)一一組合計(jì)算TSAVI，見式(1)：

(1)

其中RNIR和RRed代表翅堿蓬在近紅外波段和紅光波段的反射率；a和b為土壤線系數(shù)，利用與翅堿蓬樣方對(duì)應(yīng)的近紅外波段和紅光波段裸土樣方的地面反射率，通過線性模型擬合土壤線，來獲取a和b。

基于地面實(shí)測(cè)數(shù)據(jù)進(jìn)行翅堿蓬光譜反射率及其植被指數(shù)TSAVI與生物量的相關(guān)性分析(見圖2)，以尋找翅堿蓬生物量反演的光譜特征及其敏感波段。由圖2(a)可知，翅堿蓬地面光譜反射率與生物量在440～700 nm呈現(xiàn)負(fù)相關(guān)，在700～880 nm呈現(xiàn)正相關(guān)，相關(guān)系數(shù)r最高為0.754 4。由圖2(b)可見，植被指數(shù)TSAVI與生物量的相關(guān)系數(shù)曲線在1.05×104(對(duì)應(yīng)紅光600～687 nm，近紅外820～880 nm)之前較平穩(wěn)，且相關(guān)系數(shù)r較高，在0.9左右，最高可達(dá)0.92，較原始反射率和生物量的相關(guān)系數(shù)有較大提高，相關(guān)性顯著，因此將紅光600～687 nm，近紅外820～880 nm作為TSAVI反演翅堿蓬生物量的特征波段。

圖2 反射率和TSAVI與翅堿蓬實(shí)測(cè)生物量的相關(guān)系數(shù)曲線圖

2.2 衛(wèi)星反演模型構(gòu)建

2.2.1 遙感定量模型

利用ASD實(shí)測(cè)的地面光譜數(shù)據(jù)和Landsat 8 OLI波譜響應(yīng)曲線來模擬翅堿蓬和裸土樣方的衛(wèi)星遙感反射率，轉(zhuǎn)換方法見式(2)，進(jìn)而構(gòu)建翅堿蓬植被生物量的衛(wèi)星反演模型。

(2)

式中，Y為模擬的遙感反射率(單位：sr-1)；n為L(zhǎng)andsat 8 OLI 4、5波段的光譜分辨率；Rrs, i為地面實(shí)測(cè)的遙感反射率(單位：sr-1)；wi為L(zhǎng)andsat 8 OLI 4、5波段對(duì)應(yīng)的波譜響應(yīng)函數(shù)，無量綱。Landsat 8 OLI紅光波段(Band4: 640～670 nm)與近紅外波段(Band5: 850～880 nm)模擬后的遙感反射率分別為RNIR和RRed； 基于裸土樣方的OLI模擬數(shù)據(jù)，通過線性擬合確定土壤線系數(shù)a=0.791，b=0.043。

將地面實(shí)測(cè)生物量與模擬的衛(wèi)星數(shù)據(jù)進(jìn)行回歸分析，分別構(gòu)建了線性、對(duì)數(shù)、二次多項(xiàng)式、指數(shù)、冪5種生物量反演模型(表1)。

從表1可以看出，5種模型的擬合優(yōu)度r2都在0.8以上，線性模型和二次多項(xiàng)式模型的最高，r2均等于0.83。5個(gè)模型在0.001置信水平上均非常顯著，其中線性模型的顯著程度(F值)相對(duì)較高，再結(jié)合模型的計(jì)算效率，本文認(rèn)為基于TSAVI的線性回歸分析模型是翅堿蓬生物量衛(wèi)星反演的最優(yōu)模型。

Biomass: retrieved biomass，TSAVI=0.791(RNIR-0.791RRed-0.043)/(0.791RNIR+RRed-0.034)

2.2.2 模型反演結(jié)果精度分析

利用2013年的9月28日的Landsat 8 OLI數(shù)據(jù)和2013年9月26、27日采集的地面數(shù)據(jù)進(jìn)行模型精度驗(yàn)證。基于TSAVI的最優(yōu)遙感定量反演模型進(jìn)行衛(wèi)星數(shù)據(jù)的翅堿蓬生物量反演，經(jīng)統(tǒng)計(jì)2013年研究區(qū)域內(nèi)翅堿蓬生物量總和為3.63×106kg，翅堿蓬分布及其生物量情況見圖3。從放大圖中的顏色對(duì)比我們可以清晰的看到翅堿蓬生物量較低的區(qū)域和生物量較高的區(qū)域。

基于衛(wèi)星數(shù)據(jù)的翅堿蓬生物量反演算法精度驗(yàn)證，如圖4和表2所示。OLI數(shù)據(jù)空間分辨率為30 m，衛(wèi)星圖像上一個(gè)像元可能包含多個(gè)地面采樣點(diǎn)，因此圖表中實(shí)測(cè)值為落在單個(gè)像元內(nèi)的所有樣方(每個(gè)樣方面積為1 m2)的單位生物量均值×單個(gè)像元的面積(900 m2)，估算值為單個(gè)像元衛(wèi)星數(shù)據(jù)反演的生物量。

將估算值和實(shí)測(cè)值進(jìn)行相關(guān)性分析，二者的相關(guān)系數(shù)r為0.962(p<0.001)，平均相對(duì)誤差為0.106，這表明所構(gòu)建的生物量反演模型具有良好的反演精度。

由表2可知，當(dāng)覆蓋度越高，生物量值越大時(shí)，相對(duì)誤差越低，而生物量越小(覆蓋度越小)時(shí)，所建模型估算結(jié)果高于實(shí)測(cè)值，相對(duì)誤差在0.18左右，表明本模型對(duì)覆蓋度低、生物量較小的翅堿蓬群落仍具有適用性。總體來說，隨著翅堿蓬覆蓋度(生物量)的增加，差值的趨勢(shì)變小，反演精度有所提高，這也與吳濤等提出的蓋度大于75%的翅堿蓬反演效果較好的結(jié)論相符。

2.2.3 基于土壤線系數(shù)擾動(dòng)的誤差敏感性分析

考慮到土壤線系數(shù)直接影響模型自變量TSAVI的數(shù)值，為了驗(yàn)證土壤線系數(shù)誤差對(duì)反演結(jié)果的影響，檢驗(yàn)土壤線系數(shù)a和b的魯棒性及所構(gòu)建模型的穩(wěn)定性，人為地將算法中土壤線系數(shù)a和b引入±5%的擾動(dòng)，共設(shè)計(jì)了四種偏差情形，見表3。

圖4 翅堿蓬生物量反演算法精度驗(yàn)證

表2 翅堿蓬生物量反演模型精度檢驗(yàn)

注：像元序號(hào)按照實(shí)測(cè)值從小到大排列。

Note: Pixel number sorted by in-sity value in ascending order

如表3所示，引入擾動(dòng)后的反演結(jié)果相關(guān)系數(shù)有所降低，但都在0.9以上，而平均相對(duì)誤差比較穩(wěn)定，其中增加和減少5%時(shí)基本保持不變，另外兩種情形的反演誤差波動(dòng)也不大，表明土壤線系數(shù)a和b具有一定魯棒性，在一定程度上也說明模型的穩(wěn)定性。

表3 基于土壤系數(shù)擾動(dòng)的反演模型平均相對(duì)誤差變化

3 結(jié) 論

利用地面數(shù)據(jù)和衛(wèi)星遙感數(shù)據(jù)，建立了針對(duì)Landsat 8 OLI數(shù)據(jù)的翅堿蓬生物量反演模型。研究發(fā)現(xiàn)：(1) TSAVI(紅光600～687 nm，近紅外820～880 nm)與生物量的相關(guān)性顯著，相關(guān)系數(shù)值在0.9左右，最高相關(guān)系數(shù)可達(dá)0.92，可以將其作為翅堿蓬生物量反演的自變量； (2)基于回歸分析的五種反演模型擬合優(yōu)度r2都在0.8以上，結(jié)合模型的r2、顯著程度(F值)和計(jì)算效率，認(rèn)為線性模型是利用TSAVI反演翅堿蓬生物量的最佳模型； (3) 基于OLI數(shù)據(jù)的生物量反演及模型驗(yàn)證，估算值和實(shí)測(cè)值的相關(guān)系數(shù)r為0.962，相對(duì)誤差為0.106，而生物量越小(覆蓋度越小)時(shí)，所建模型估算結(jié)果高于實(shí)測(cè)值，相對(duì)誤差在0.18左右，表明所建立的線性反演模型在高、低覆蓋度時(shí)均具有良好的反演精度； (4)基于土壤系數(shù)擾動(dòng)的誤差敏感性分析表明土壤系數(shù)具有一定的魯棒性，也在一定程度上說明模型的穩(wěn)定性。

致謝：感謝所有參加地面數(shù)據(jù)采集的工作人員。感謝USGS網(wǎng)站提供遙感數(shù)據(jù)。

[1] Shen Guozhuang, Liao Jingjuan, Guo Huadong, et al.Journal of Applied Remote Sensing，2015, 9: 096077.

[2] WU Jun-ru, GAO Zhi-hai, LI Zeng-yuan, et al(吳俊君，高志海，李增元，等).Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析), 2014, 34(3): 751.

[3] Aguirre-Salado C A, Trevio-Garza E J, Aguirre-Calderón O A, et al.Journal of Geographical Sciences，2012, 22(4): 669.

[4] LIU Fang, FENG Zhong-ke, ZHAO Fang, et al(劉 芳, 馮仲科, 趙 芳, 等).Journal of Northwest Forestry University(西北林學(xué)院學(xué)報(bào)), 2015, 30(3): 175.

[5] WANG Chang-wei, HU Yue-ming, SHEN De-cai, et al(王長(zhǎng)委, 胡月明, 沈德才, 等).Bulletin of Surveying and Mapping(測(cè)繪通報(bào)), 2014，(12): 20.

[6] Masayasu Maki, Koki Homma.Remote Sensing，2014, (6): 4764.

[7] YU Lian-yu, CAI Huan-jie, YAO Fu-qi, et al(虞連玉, 蔡煥杰, 姚付啟, 等).Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機(jī)械學(xué)報(bào)), 2015, 46(1): 231.

[8] PIAO Shi-long, FANG Jing-yun, HE Jin-sheng, et al(樸世龍, 方精云, 賀金生, 等).Chinese Journal of Plant Ecology(植物生態(tài)學(xué)報(bào)), 2004, 28(4): 491.

[9] WU Tao, ZHAO Dong-zhi, KANG Jian-cheng, et al(吳 濤, 趙冬至, 康建成, 等).Ecology and Environmental Sciences(生態(tài)環(huán)境學(xué)報(bào)), 2011, 20(1): 24.

[10] Kauth R J, Thomas G S.Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, 1976.41.

[11] Baret F, Guyot G, Major D J.12th Canadian Symposium on Remote Sensing and IGRASS’90, 1989.10.

(Received Jan.19, 2016; accepted Mar.29, 2016)

Research on Remote Sensing Inversion of Suaeda Salsa’s Biomass Based on TSAVI for OLI Band Simulation

LI Wei1，2, MU Meng1, CHEN Guan-bin1, LIU Wei-nan1, LIU Yuan1，2, LIU Chang-fa1，2

1.Department of Marine Science and Environment, Dalian Ocean University, Dalian 116023， 2.Key Lab of Offshore Marine Environmental Research of Liaoning Higher Education, Dalian 116023, China

Suaeda salsa(S.salsa) is a typical vegetation of coastal wetland in the north of Liaodong Bay.The S.salsa biomass assessment plays an important role in understanding the ecosystem productivity of coastal wetland and the formation of ecosystem structure and function.Usually the S.salsa coverage is inhomogeneous.The low S.salsa coverage can be found at a natural condition, the soil background has a strong influence on S.salsa spectral data.The Transformed Soil Adjusted Vegetation Index (TSAVI) used as independent variable was derived by the Landsat 8 OLI simulation data.The S.salsa biomass inversion models were built based on the regression analysis of TSAVI and ground measured biomass in this study.The correlation between TSAVI (600～687, 820～880 nm) and biomass was significant, the correlation coefficient was about 0.9, up to 0.92.The results of linear and quadratic models were better than those of logarithmic, exponential and power models, the determination coefficient r2 of linear and quadratic models were 0.83.Combined with F value and operation efficiency, the linear model was the best option for mature S.salsa biomass inversion.The linear model was applied to invert the S.salsa biomass by using the Landsat 8 OLI data in the study area and it was further validated using in-situ data.The correlation coefficient between the in-situ value and retrieved value was 0.962, the relative error was 0.106.For higher S.salsa coverage, the relative error was lower.The relative error of the low-cover S.salsa biomass inversion was around 0.18.The results showed that the established model has good accuracy for different coverage.In addition, with the introduction of ±5% error of soil line parameters a and b, the average relative errors were relatively stable, and the correlation coefficients were reduced, but all the correlative coefficients were above 0.9.The results showed that the established model is stable.

Biomass; TSAVI; Landsat 8 OLI; Inversion algorithm

2016-01-19，

2016-03-29

國(guó)家海洋局海洋公益性行業(yè)科研專項(xiàng)(201305043)，遼寧省教育廳計(jì)劃項(xiàng)目(L2015078)，地理國(guó)情監(jiān)測(cè)國(guó)家測(cè)繪地理信息局重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目(2014NGCM20)資助

李 微，女，1980年生，大連海洋大學(xué)海洋科技與環(huán)境學(xué)院講師 e-mail：liwei2009@dlou.edu.cn

X87

A

10.3964/j.issn.1000-0593(2016)05-1418-05