柽柳是柽柳科属的一种小灌木或乔木，具有独特的生态学特性，具备耐干旱、耐盐碱的特质，是滨海湿地植被中的典型物种，多生长在潮间带和潮上带。柽柳在保护海岸、改良滩涂等方面发挥着巨大的作用，还是良好的薪炭和建筑材料。国民经济与社会发展“十三五”规划明确提出实施“南红北柳”湿地修复工程，在北方沿海种植柽柳植被，开展海岸带生态系统修复工作，这凸显了柽柳在滨海湿地保护中的核心作用。山东省昌邑县国家海洋生态特别保护区是以天然柽柳为主要保护对象的海洋保护区，生长大片茂盛的柽柳林，开展其遥感监测对于掌握柽柳现状和变化有着重要意义。

林地地上生物量的估测方法可以分为三类：地面实测法、综合模型法和遥感监测法。地面实测法估算精度高，但是劳动强度大、周期长、成本高，并对环境造成破坏，而且不利于生物量空间分布和变化的大面积监测。综合模型法，其形式多种多样，需要输入大量的生物学特征参数，当参数资料不完整时，生物量的估测精度难以保证^[1-3]；一些学者结合植被结构参数和实测生物量数据，构建了生物量估算模型，其中Khalid Mahmood和M Ismail Chughtai等^[4]选用植株高度、茎围、主要阀杆高度、主分支数量和冠幅形状特征参数对植被的生物量进行了评估，但是估算对象并非只有柽柳，还有赤桉、阿拉伯金合欢和柔黄花牧豆树；Evanglista^[5]等选择柽柳平均株高和平均冠幅面积作为因子，通过回归分析方法，建立了5种柽柳生物量估算模型；Stabler^[6]利用Evanglista等研究的第一种模型计算了俄克拉荷马州西北到东南断面柽柳的地上生物量；我国陈加利、姜喜等^[7]选取地径、植株高度、地径与株高乘积、地径平方与株高乘积、植冠体积作为变量，对柽柳的生物量估算模型进行了讨论；努尔比亚·阿布力米提、努尔巴依·阿布都沙力克等^[8]和赵振勇、王让会等^[9]分别采用Evangelista等开发的柽柳生物量模型和标准株法对柽柳地上生物量进行了估算。近年来，遥感技术得到快速发展，生物量遥感监测法日趋成熟，该方法具有快速、大面积、多尺度等特点，应用较为广泛^[10-13]，但是针对柽柳地上生物量估算研究不是很多，张华、张勃等^[14]利用GeoEye-1遥感影像，结合样点生物学特性，建立估算模型，计算了黑河下游柽柳地上部分的生物量；董道瑞^[15]以研究区的现地调查数据、GPS数据、地下水埋深监测数据和10 a ALOS卫星数据为数据源，对塔里木河下游胡杨、柽柳生物量的空间分布格局进行了研究；紧接着杨帆，张绘芳等^[16]基于董道瑞的估算模型，使用QuickBird影像，通过人机交互方法，提取柽柳的冠幅，估算了黑河下游柽柳种群地上生物量。以上研究，柽柳多集中分布于内陆地区，对滨海湿地柽柳关注较少。

本文对柽柳地上生物量估算模型的构建、模型选取和遥感大面积空间反演进行了比较系统的研究。利用国产高分一号卫星WFV1遥感数据，选取NDVI(normalized difference vegetation index)、DVI(difference vegetation index)、RVI(ratio difference vegetation index)、SAVI(soil-adjusted vegetation index)、MSAVI(modified soil adjusted vegetation index)等5种常用的植被指数，结合现场采集的生物量数据，通过相关性分析，遴选敏感的植被指数，在此基础上构建柽柳地上生物量与敏感的植被指数的映射关系，得出柽柳地上生物量最佳估算模型，并以昌邑国家海洋生态特别保护区为例开展模型应用。

1   材料与方法

1.1   研究区概况

山东省昌邑国家级海洋生态特别保护区，地处渤海莱州湾南岸，中心坐标为37°06′15″N, 119°22′00″E，总面积29.3 km²(图 1)。保护区生长有大片茂盛的柽柳，生物种类繁多，生态类型多样，生态景观奇特，其中集中分布的柽柳面积达2020 hm²，在我国北方沿海实属罕见，是全国惟一的以天然柽柳生态系统为主要保护和管理对象的国家级海洋特别保护区。

图  1  研究区和现场实测样点分布

Fig.  1  The study area and stiu measured sample distribution map

下载: 全尺寸图片 幻灯片

1.2   数据来源

本文应用GF-1卫星WFV1影像开展柽柳地上生物量遥感估算，GF-1 WFV1影像空间分辨率为16 m，设有近红外(0.77 um~0.89 um)，红(0.63 um~0.69 um)，绿(0.52 um~0.59 um)和蓝(0.45 um~0.52 um)4个波段，覆盖山东省昌邑国家级海洋生态特别保护区的影像成像时间为2014年9月4日(遥感影像见图 1)，是当地典型的秋季。另外，选用SPOT 5 HRG全色影像作为配准数据源，该影像空间分辨率为2.5 m。

2014年8月10日至25日，开展了山东省昌邑国家级海洋生态特别保护区现场踏勘，根据区域柽柳长势和分布，均匀设置代表性的样点(见图 1)，采集了研究区柽柳地上生物量现场数据。使用高精度差分GPS定位到踏勘样点，以保障纯像元覆盖，并根据现场情况，在影像纯像元覆盖区内选取能够代表该区柽柳生长状况5 m×5 m的样方。对于少数地区柽柳分布难以保证纯像元覆盖的情况，采集数据时，根据现场情况，适当放大样方，并在样方内选取3棵能够代表该样方生长情况的柽柳，割取地上部分称重取样，将样本放入透气性良好的容器中，带回实验室立即将样本放入专用的烘干炉，105℃下杀青30 min，80℃恒温烘干至30 h，经质量控制和筛选，获得了19个柽柳样本地上部分的生物量，用于柽柳地上生物量遥感估算模型研究。

图  2  研究区柽柳现场与数据采集过程照片

Fig.  2  The field photos of Tamarix and data collection in study area

下载: 全尺寸图片 幻灯片

1.3   影像数据预处理

本文工作主要包括影像预处理、植被指数选取、遥感估算模型构建等三个方面，详细流程如图 3。应用ENVI软件开展遥感数据预处理，以SPOT 5影像为基准，选取同名点，对GF-1遥感影像进行几何校正，误差控制在0.5个像元。由于受大气或大气中其他物质的影响，遥感对地观测时，传感器接收到的信号受到了干扰，这就需要开展大气校正。大气校正所需参数包括图像中心经纬度、传感器类型、海拔高度、大气模型、气溶胶模型等参数，中心经纬度在校正时可以自动读取，传感器类型从影像头文件获取，使用ASTER全球30 m DEM数据，研究区紧邻潮间带，海拔高度取为0 km，大气模型根据成像时间和研究区位置取为中纬度夏季，气溶胶模型根据研究区状况定为乡村气溶胶模型。

图  3  柽柳地上生物量遥感估算模型研究技术路线

Fig.  3  The flow chart of Tamarix AGB remote sensing estimation

下载: 全尺寸图片 幻灯片

1.4   植被指数提取

本研究选取了5种估算林地生物量常用的植被指数，归一化植被指数NDVI(normalized difference vegetation index)、差值植被指数DVI(difference vegetation index)、比值植被指数RVI(ratio difference vegetation index)、土壤调节植被指数SAVI(soil-adjusted vegetation index)、修改型土壤调节植被指数MSAVI(modified soil adjusted vegetation index)。NDVI对植被覆盖度比较敏感；RVI对绿色植被状态敏感；环境植被指数DVI，也被称为差值植被指数，常用于植被生态环境监测；土壤调节植被指数SAVI能够最小化土壤的亮度变化，降低土壤背景对NDVI的影响，而且不需要对不同的土壤做其他纠正^[17-18]；修改型土壤调节植被指数MSAVI，是土壤调节植被指数SAVI的改进型，对不同植被的覆盖度和不同土壤背景的下垫面都适用，而且可以消除或减弱其影响。上述植被指数计算公式如表 1。

表  1  植被指数计算公式

Tab.  1  Vegetation index calculation formulas

下载: 导出CSV 

| 显示表格

根据表 1中的运算公式，完成NDVI、DVI、RVI、SAVI和MSAVI 5种植被指数的计算，得到相应的植被指数图像，将各采样站点的植被指数值提取出来，用作模型建立的基础数据。

1.5   遥感估算模型构建

生物量与植被指数存在相关性，本文将采样点生物量与5种植被指数分别作相关分析，筛选出相关性显著的植被指数，以每种植被指数为自变量，柽柳地上生物量作因变量，选取线性、对数、二次多项式、三次多项式、幂函数、S型和指数函数等常用的数学模型进行单变量回归分析，采用遍历组合的方法随机选取样本数据进行估算模型的回归，选出决定系数最大的关系式作为最优遥感估算模型。精度检验采用平均相对误差MRE和均方根误差RMSE，计算公式如下：

式中：y_i为地上生物量的实测值；y′_i为地上生物量估算值；i为站点号；n为样本数量。

2   结果与讨论

2.1   植被指数与柽柳地上生物量相关分析

使用现场获取的柽柳样点地上生物量数据和遥感植被指数，开展5种植被指数与生物量数据的相关性分析，确定其显著性水平。使用遍历组合的方法，随机选取13个样点数据进行单变量线性和非线性回归，6个样点数据用于回归模型的精度检验。对于某一个植被指数的某一回归形式，样点共计有27132种组合方式，对每种组合方式，按顺序进行回归，选取回归模型决定系数最大且MRE和RMSE最小的模型，作为对应于某一植被指数和某一回归形式的最优模型。通过误差比较，选取RVI三次多项式模型为总体最优模型，用于研究区柽柳地上生物量遥感估算。

将19个样点的柽柳地上生物量数据与遥感植被指数进行相关性分析，结果如表 2和图 4。在0.01显著性水平上，4个植被指数NDVI、DVI、RVI和MSAVI与生物量显著相关，相关性从大到小的排序为：RVI＞NDVI＞DVI＞MSAVI；在0.05的显著性水平上植被指数SAVI与生物量显著相关。

表  2  植被指数与生物量的相关性分析结果

Tab.  2  The correlation analysis results of vegetation index and the biomass

下载: 导出CSV 

| 显示表格

图  4  植被指数与生物量散点分布

Fig.  4  The scatter diagram of vegetation index and AGB

下载: 全尺寸图片 幻灯片

2.2   生物量遥感估算模型回归分析

以各植被指数作自变量，生物量作因变量，将遍历分布确定的所有组合分别进行线性、对数、二次多项式、三次多项式、幂、S型和指数模型回归分析，统计筛选各模型的最大决定系数，结果如表 3。

表  3  柽柳地上生物量估算回归模型决定系数(R²)

Tab.  3  Regression mode decision coefficient of AGB estimation (R²)

下载: 导出CSV 

| 显示表格

由表 3可知，基于植被指数NDVI、DVI、SAVI、MSAVI的对数模型、线性模型、二次多项式模型和RVI的线性、对数模型，决定系数均小于0.5，这几种模型不适合估算柽柳植被的生物量。R²大于0.5的模型中，RVI三次模型的最大，为0.8183，最小的是SAVI的对数模型。估算模型为三次模型时，NDVI、RVI、MSAVI的R²最大，且均在0.7以上。估算模型分别为S型和指数模型时，植被指数DVI和SAVI的决定系数分别最大。植被指数与柽柳地上生物量的单变量回归模型决定系数分布趋势不一致，NDVI对应各模型决定系数按从大到小排序为：三次＞S型＞幂＞指数＞线性＞二次＞对数；DVI和RVI的生物量估算模型按R²从大到小的排序分别为：S型＞三次＞幂＞指数＞二次＞线性＞对数，三次＞二次＞S型＞线性＞幂＞指数＞对数；SAVI、MSAVI的模型决定系数由大到小的排序分别为：指数＞三次＞二次＞幂＞线性＞对数＞S型，三次＞S型＞幂＞指数＞二次＞线性＞对数。总体看来，通过植被指数反演生物量，建立回归模型，R²最大的模型为三次多项式、S型、指数。

2.3   生物量遥感估算模型精度验证

根据表 3模型的决定系数R²，选出各植被指数对应模型决定系数最大的回归模型，作为初选的柽柳地上生物量遥感反演模型，利用未参与模型构建的样点数据开展精度验证，结果如表 4。根据表 4，MRE和RMSE从大到小的排序均为SAVI＞MSAVI＞DVI＞NDVI＞RVI。实测生物量和遥感估算生物量散点图见图 5。估算精度最高的是植被指数RVI的三次多项式模型，平均相对误差和均方根误差分别为4.66%，0.05 kg/m²。

表  4  模型反演精度验证

Tab.  4  Model inversion accuracy verification

下载: 导出CSV 

| 显示表格

图  5  实测生物量与估算生物量散点分布

Fig.  5  The scatter diagram of measured biomass and estimated biomass

下载: 全尺寸图片 幻灯片

从图 5可以看出，除RVI外，其他植被指数的估算值与实测值相差较大，主要因为地面状况复杂，个别地区柽柳分布密集，实测生物量高，固定的数学回归模型难以较准确地反演出这种特殊的值。由估算点和检验点的分布情况可以看出，相比其他植被指数，RVI点的分布最为集中，由检验点的分布状况得知，RVI估算值偏离实测值的程度最小，主要是因为本研究以2014年9月秋季的遥感影像为数据源，正值植被生长最茂盛的时期，RVI对绿色植被状态敏感，能很好的作为反演生物量的因子。

2.4   保护区柽柳地上生物量遥感估算模型应用

综合上述研究结果，RVI成为本文研究柽柳林植被地上生物量估算的最佳植被指数，RVI三次多项式是最优生物量遥感估算模型，其公式为：

式中：y表示估算的生物量；x表示植被指数RVI。应用GF-1卫星WFV1影像，经上述模型计算，反演得到2014年9月昌邑国家海洋生态特别保护区柽柳生物量空间分布图(图 6)。

图  6  2014年9月昌邑国家海洋生态特别保护区柽柳生物量空间分布

Fig.  6  AGB distribution of AGB of CHANG YI Tamarix National Special Marine Reserves (2014-09)

下载: 全尺寸图片 幻灯片

图 6显示，生物量为零的地区主要为裸地或柽柳植被异常稀少的区域，研究区中部、南部和北部柽柳林分布较密集，地上生物量较高，部分地区生物量高达4~6 kg/m²，平均在3~4 kg/m²之间，其他地区生物量集中在1 kg/m²左右。经区域统计计算，研究区柽柳林地上平均生物量为0.75 kg/m²，总生物量为15020 t。

2.5   讨论

结果表明，本文发展的柽柳生物量遥感估算模型存在一定的误差，可能的原因是研究区现场数据采集与遥感数据获取有半个月的时间差，虽然对于柽柳这种生长较慢的灌木来说，在短时间内生物量变动较小，这个时间差可以认为是同步，但是时间差还是存在的；根据野外踏勘情况发现研究区少部分柽柳分布不连续，在获取样地现场数据时采取了一定的方法，但是使用GF-1 WFV 16m空间分辨率遥感影像难以保证样地柽柳实现纯像元覆盖，由此产生的混合像元也是影响估算精度的一个因素。

本研究侧重于国产高分遥感影像的应用，提出了GF-1 WFV1柽柳生物量遥感估算模型，对以后国产高分数据的应用和柽柳生物量遥感估算研究有一定的借鉴意义，也为保护区柽柳保护和管理提供数据支撑。随着高分系列卫星种类的增多，基于更高空间分辨率和光谱分辨率国产卫星遥感数据的生物量估算研究将会得到进一步发展。

3   结论

(1) 植被指数NDVI、DVI、RVI和MSAVI在相关性0.01的水平上与生物量呈显著相关，SAVI在相关性0.05的水平上呈显著相关。

(2) 植被指数NDVI、DVI、RVI、SAVI、MSAVI对应决定系数最大的模型依次为三次多项式、S型、三次多项式、指数、三次多项式。

(3) 模型精度检验发现，RVI三次多项式回归模型的MRE、RMSE最小，为最优遥感估算模型。

(4) 应用RVI三次多项式回归模型进行柽柳地上生物量遥感反演，获得2014年9月昌邑柽柳林地上生物量空间分布状况，经统计计算，研究区柽柳林地上平均生物量为0.75 kg/m²，总的生物量为15020 t。