礦區(qū)植被物化參數(shù)高光譜遙感估算研究

盧 霞

(淮海工學(xué)院測繪工程學(xué)院,江蘇連云港 222005）

礦區(qū)植被物化參數(shù)高光譜遙感估算研究

盧 霞

(淮海工學(xué)院測繪工程學(xué)院,江蘇連云港 222005）

基于高光譜遙感數(shù)據(jù) Hyperion和植物冠層反射光譜,應(yīng)用指數(shù)法、回歸統(tǒng)計法和基于光譜位置變量的方法對礦區(qū)植被生物量和葉綠素濃度(SPAD）進(jìn)行估算。結(jié)果表明:植被指數(shù)R752/R548與植物鮮重相關(guān)性最高,相關(guān)系數(shù)為0. 88;選用植物像元光譜,基于植被指數(shù)R752/R548,利用三次函數(shù)法構(gòu)建植物鮮重估算模型精度較高,多重判定系數(shù)R2達(dá)0. 883;植被指數(shù)DVI[752,640]與植物干重相關(guān)性最高,相關(guān)系數(shù)為0. 42;基于植被指數(shù)DVI[752,640],應(yīng)用線性回歸法構(gòu)建植被干重估算模型精度較低,多重判定系數(shù)R2為0. 177;基于四點(diǎn)內(nèi)插法提取的紅邊位置與葉綠素濃度顯著相關(guān),相關(guān)系數(shù)為0. 433;Datt(1）和Datt(2）植被指數(shù)與葉綠素濃度存在顯著相關(guān),相關(guān)系數(shù)分別為0.871和0. 868;基于紅邊位置(REP）、Datt(1）和Datt(2）植被指數(shù)構(gòu)建植物葉綠素濃度估算模型精度較高,多重判定系數(shù)R2分別為0.814、0.805和0.781。應(yīng)用高光譜遙感技術(shù)可有效地檢測礦區(qū)受損生態(tài)環(huán)境下的植被,為礦區(qū)植物生態(tài)修復(fù)工程提供本底資料。

受損生態(tài)環(huán)境;高光譜遙感;植物物化參數(shù);估算模型

礦區(qū)開采必然造成生態(tài)環(huán)境受損,礦區(qū)土地整理、土地復(fù)墾是恢復(fù)受損生態(tài)系統(tǒng)的基本前提,礦區(qū)植被群落的快速有序演替則是生態(tài)系統(tǒng)修復(fù)中一項重要生態(tài)工程。因此,要求掌握礦區(qū)植被受損狀況,而光譜分析和植被生態(tài)遙感則是研究礦區(qū)植被營養(yǎng)狀況快速有效的方法之一。高光譜遙感(Hyperspectral Remote Sensing）是指利用很多窄的電磁波段獲取物體有關(guān)數(shù)據(jù)的技術(shù),已經(jīng)成功應(yīng)用在地質(zhì)學(xué)、海洋、大氣和環(huán)境遙感以及農(nóng)業(yè)等領(lǐng)域。高光譜遙感在礦區(qū)植被方面的研究主要有:張杰林等[1]介紹了高光譜遙感技術(shù)在煤礦區(qū)環(huán)境監(jiān)測中的應(yīng)用方法和思路;遲光宇[2]等利用德興礦區(qū)周圍植被反射光譜的異常或藍(lán)移情況間接監(jiān)測礦區(qū)的土壤污染、水污染和大氣污染,取得一定成果;M ars等[3]利用高光譜遙感數(shù)據(jù)AV IRIS和數(shù)字高程數(shù)據(jù)監(jiān)測礦區(qū)富含硒元素的水污染情況;Smith等[4]利用紅邊范圍內(nèi)725 nm與702 nm的導(dǎo)數(shù)比值,通過分析長期油氣滲漏對土壤上植被的影響監(jiān)測管道滲漏情況;甘甫平等[5]利用685 nm附近的最大吸收深度劃分了礦區(qū)植被污染情況;盧霞等[6]基于高光譜分辨率數(shù)據(jù)應(yīng)用紅邊參數(shù)之紅邊位置研究礦區(qū)植被重金屬脅迫狀況;Lu等[7]利用 Hyperion數(shù)據(jù)探討了礦區(qū)生態(tài)脅迫下氮素含量的定量遙感反演。以上主要集中在礦區(qū)污染研究,對礦區(qū)典型植被的營養(yǎng)狀況研究相對較少;在提取污染方面,大都采用單變量參數(shù)法,而忽略了參數(shù)成圖、基于光譜位置變量和物理光學(xué)模型方法的應(yīng)用。本文利用高光譜遙感圖像 Hyperion和地面實測植物反射光譜及測試的植物SPAD值、生物量和全氮含量,綜合利用單變量參數(shù)法、回歸統(tǒng)計和曲線模擬方法構(gòu)建礦區(qū)植物物化參數(shù)高光譜遙感估算模型,并運(yùn)用參數(shù)成圖技術(shù)得到礦區(qū)植物物化參數(shù)豐度分布,揭示其空間分異規(guī)律,為礦區(qū)生態(tài)系統(tǒng)修復(fù)提供技術(shù)支撐。

1 數(shù)據(jù)獲取與預(yù)處理

1.1 遙感成像數(shù)據(jù)的獲取與預(yù)處理

本文遙感成像數(shù)據(jù)主要有2006年6月15日的EO-1 Hyperion數(shù)據(jù)、多時相的 TM數(shù)據(jù)、2003年0.5 m空間分辨率的航片數(shù)據(jù)。研究區(qū)域選在北京門頭溝礦區(qū)。對 EO-1 Hyperion數(shù)據(jù)進(jìn)行數(shù)據(jù)獲取、數(shù)據(jù)有效波段選擇、像元到絕對輻射值的轉(zhuǎn)換、壞線修復(fù)、垂直條紋去除、圖像光譜重建、裁剪及幾何校正等處理,對多時相的 TM數(shù)據(jù)進(jìn)行輻射校正、幾何校正和圖像裁剪等預(yù)處理。因航片數(shù)據(jù)已完成幾何精校正,其預(yù)處理主要是將北京地方城市坐標(biāo)系統(tǒng)轉(zhuǎn)換為北京54坐標(biāo)系,與其他兩種數(shù)據(jù)源投影系統(tǒng)保持一致。在對高光譜和多光譜遙感數(shù)據(jù)進(jìn)行幾何校正時,利用航片作為輔助數(shù)據(jù),驗證幾何校正的精度,同時保證了不同遙感數(shù)據(jù)源之間較高的配準(zhǔn)精度。

在獲取EO-1 Hyperion數(shù)據(jù)的同時,利用背掛式ASD FieldSpec-FRTM光譜儀同步測試了北京門頭溝礦區(qū)周圍典型植被的冠層反射光譜,測試時間為10時至14時,天氣晴朗。利用View SpecPro軟件對每個樣點(diǎn)的多個光譜反射率樣本曲線進(jìn)行平均,以平均值作為樣本點(diǎn)的光譜。

1.2 非遙感數(shù)據(jù)的獲取與預(yù)處理

非遙感數(shù)據(jù)主要包括葉綠素濃度(SPAD）、植物樣本采集點(diǎn)的空間定位信息(GPS位置）;另外對獲取的植物樣本測試了鮮重、干重和全氮含量,進(jìn)而通過植物的鮮重和干重計算其含水量。

2 植物物化參數(shù)高光譜遙感估算模型構(gòu)建

本文僅介紹葉綠素濃度SPAD和生物量的高光譜遙感估算模型,有關(guān)植物全氮含量的高光譜遙感估算模型見文獻(xiàn)[7]。

2.1 植被物化參數(shù)與冠層反射光譜的相關(guān)分析

2.1.1 植被生物量與冠層反射光譜相關(guān)分析 依據(jù)野外植物樣本采集的 GPS位置,在經(jīng)過預(yù)處理后的EO-1 Hyperion遙感影像上進(jìn)行對應(yīng)像元的選取,共篩選出14個像元光譜;在此基礎(chǔ)上,提取了17個單光譜特征參量,分別是比值植被指數(shù)RVI、歸一化植被指數(shù)NDVI、重歸一化差值植被指數(shù)RDVI、比值植被指數(shù)R750/R550和R700/R550、三角植被指數(shù)TVI等。將這些光譜特征變量與植物樣本的鮮重、干重進(jìn)行相關(guān)分析(表1）,發(fā)現(xiàn)光譜特征單變量與植被鮮重的相關(guān)性遠(yuǎn)高于與干重的相關(guān)性。另外,在這些光譜特征變量中,與植被鮮重相關(guān)性最高的是R752/R548植被指數(shù),相關(guān)系數(shù)達(dá)0. 88;與植被干重相關(guān)性最高的是差值植被指數(shù)DVI[752,640],但相關(guān)系數(shù)僅為0.42。

表1 生物量與特征單變量相關(guān)系數(shù)Table 1 The correlation coefficients between biomassand spectral characteristic parameters

2.1.2 植被葉綠素濃度與冠層反射光譜的相關(guān)分析 本文基于植被冠層反射光譜,利用四點(diǎn)內(nèi)插法提取各植物樣本的紅邊位置REP,并選取典型植被指數(shù)葉綠素吸收比值指數(shù)(CARI）、Datt(1）和Datt(2）、特殊色素簡單比值指數(shù)(PSSR）、特殊色素歸一化指數(shù)(PSND）、一階導(dǎo)數(shù)綠色植被指數(shù)(1DZ_DGVI）和二階導(dǎo)數(shù)綠色植被指數(shù)(2DZ_DGVI）作為光譜特征變量。計算紅邊位置時,參數(shù)λ1、λ2、λ3和λ4分別為670 nm、700 nm、740 nm和780 nm,紅邊參數(shù)REP計算結(jié)果如表2所示,不同類型的植被紅邊位置主要分布在714.9206～720.6486,最大差異為5.728。將計算出的植物樣本的紅邊位置及植被指數(shù)與對應(yīng)樣本的SPAD值進(jìn)行相關(guān)分析(表3）,發(fā)現(xiàn)紅邊位置與葉綠素濃度SPAD值在0.05顯著水平上高度相關(guān),相關(guān)系數(shù)為0.433,植被指數(shù)中僅有Datt(1）和Datt(2）與葉綠素濃度SPAD值在0.05顯著水平上高度相關(guān),相關(guān)系數(shù)分別為0.871和0.868,其他植被指數(shù)與葉綠素濃度SPAD值相關(guān)性不顯著。

表2 利用四點(diǎn)內(nèi)插法提取紅邊參數(shù) REP結(jié)果統(tǒng)計Table 2 The REP results extracted by linear four-point interpolation technique

表3 光譜特征變量與植物樣本葉綠素濃度的相關(guān)性Table 3 The correlation between vegetation SPAD and spectral characteristics variables

2.2 植物物化參數(shù)高光譜遙感估算模型構(gòu)建

2.2.1 植物鮮重高光譜遙感估算 根據(jù)相關(guān)系數(shù)進(jìn)行變量的選擇和剔除,從而實現(xiàn)數(shù)據(jù)的提煉與壓縮,并判斷出最適合的基于單變量的礦區(qū)植被生物量高光譜遙感估算模型。植被指數(shù)R752/R548與礦區(qū)植物鮮重的估算散點(diǎn)圖如圖1所示,可以看出利用三次函數(shù)能較好地估算礦區(qū)植物鮮重。基于植被指數(shù)R752/R548反演植物鮮重的高光譜遙感模型如式(1）、式(2）所示,模型精度R2高達(dá)0.883。

圖1 R752/R548與植物鮮重的遙感估算散點(diǎn)圖Fig.1 Scatter plot for R752/R548 and fresh weight

2.2.2 植物葉綠素濃度高光譜遙感估算模型的構(gòu)建 本文基于野外實測植物的反射光譜數(shù)據(jù),以紅邊位置REP為自變量,葉綠素濃度SPAD值為應(yīng)變量,進(jìn)行指數(shù)模擬,得到礦區(qū)植物葉綠素濃度高光譜遙感估算模型:

以REP為自變量、SPAD值為應(yīng)變量,構(gòu)建散點(diǎn)圖(圖3）,可以看出:紅邊參數(shù)與葉綠素濃度之間存在很強(qiáng)的相關(guān)性,模型估算精度較高。

圖3 以四點(diǎn)內(nèi)插法提取 REP與葉綠素濃度模擬Fig.3 Estimation for REP and SPAD by four-points interpolation method

建立的植被指數(shù)DVI[752,640]與植被干重線性回歸散點(diǎn)圖如圖2所示,可以看出,應(yīng)用植被指數(shù)DVI[752,640]估算植被干重精度不高。基于植被指數(shù)DVI[752,640]的植被干重高光譜遙感模型是:

由以上兩個估算模型可知,利用光譜特征參數(shù)R752/R548通過三階多項式匹配法反演礦區(qū)植被鮮重完全可行,但是利用植被指數(shù)DVI[752,640]估算植被干重時,估算模型多重判定系數(shù)R2較低。

圖2 植被指數(shù)DVI[752,640]與植被干重的線性回歸Fig.2 The scatter plot for DVI[752,640]and dry weight

Datt(1）植被指數(shù)與葉綠素濃度構(gòu)成的散點(diǎn)圖如圖4所示,以Datt(1）為自變量,以植物樣本實測葉綠素濃度值為應(yīng)變量,構(gòu)建基于Datt(1）的植被葉綠素濃度高光譜遙感估算模型為:

圖4 植被指數(shù)Datt(1）與葉綠素濃度模擬Fig.4 The simulation of Datt(1）and SPAD

Datt(2）植被指數(shù)與葉綠素濃度構(gòu)成的散點(diǎn)圖如圖5所示,并以Datt(2）為自變量,以植物樣本實測葉綠素濃度值為應(yīng)變量,構(gòu)建基于Datt(2）的植被葉綠素濃度高光譜遙感估算模型為:

圖5 植被指數(shù)Datt(2）與葉綠素濃度模擬Fig.5 The simulation of Datt(2）and SPAD

3 結(jié)論

為實現(xiàn)門頭溝區(qū)由資源型向生態(tài)型功能轉(zhuǎn)變,完成受損礦區(qū)生態(tài)環(huán)境下植物群落的快速有序演替,基于 Hyperion遙感數(shù)據(jù),應(yīng)用三次函數(shù)模擬、直線回歸、指數(shù)模擬和紅邊參數(shù)法構(gòu)建礦區(qū)植物鮮重和葉綠素濃度的遙感估算模型。與植物鮮重相關(guān)性最高的是R752/R548植被指數(shù),該植被指數(shù)反演植物鮮重的高光譜遙感模型精度較高,R2高達(dá)0.883。植被指數(shù)DVI[752,640]與植被干重建立的線性回歸模型精度較低,R2為0.177。利用四點(diǎn)內(nèi)插法構(gòu)建的植物葉綠素濃度(SPAD）高光譜遙感估算模型精度較高,R2達(dá)0.814。Datt(1）和Datt(2）植被指數(shù)與葉綠素濃度SPAD值存在顯著相關(guān)性,應(yīng)用指數(shù)法構(gòu)建的模型精度較高,R2分別為0.805和0.781。以上表明:利用高光譜遙感技術(shù)可有效地檢測礦區(qū)植被重要物化參數(shù),但模型構(gòu)建過程中由于植物樣本數(shù)偏少,模型驗證需要進(jìn)一步研究。

胡振琪教授給予本研究數(shù)據(jù)支持和幫助,康驚濤博士、李海霞碩士進(jìn)行了化學(xué)測試,此致謝忱!

[1] 張杰林,曹代勇.高光譜遙感技術(shù)在煤礦區(qū)環(huán)境監(jiān)測中的應(yīng)用[J].自然災(zāi)害學(xué)報,2005,14(4）:158-162.

[2] 遲光宇,劉新會,劉素紅,等.環(huán)境污染監(jiān)測中的植物光譜效應(yīng)研究[J].環(huán)境科學(xué)與技術(shù),2005,28(增刊）:16-19.

[3] MARSJC,JAM ES K.Crow ley,mapping mine w astes and analyzing areasaffected by selenium-rich water runoff in southeast Idaho using AV IRIS imagery and digital elevation data[J].Remote Sensing of Environment,2003,84:422-436.

[4] SM ITH K L,STEV EN M D,COLLSJ J.Use of hyperspectral derivative ratios in the red-edge region to identify plant stress response to gas leaks[J].Remote Sensing of Environment,2004,92:207-217.

[5] 甘甫平,劉圣偉,周強(qiáng).德興銅礦礦山污染高光譜遙感直接識別研究[J].中國地質(zhì)大學(xué)學(xué)報(地球科學(xué)版）,2004,29(1）:119-126.

[6] 盧霞,劉少峰,鄭禮全.礦區(qū)植物重金屬脅迫高光譜分辨率數(shù)據(jù)分析[J].測繪科學(xué),2007,32(2）:111-113.

[7] LU X,HU Z Q,GUO L.Quantitative inverse modeling of nitrogen content from hyperion data under stress of exhausted coalmining sites[J].M ining Science and Technology,2009,19(1）:31-35.

Quantitative Estimation of Biophysical and Biochem ical Parameters under Damaged Ecological Environment in M in ing Area

LU Xia
(MarineTechnologyDepartment,SchoolofGeodesy&GeomaticsEngineering,HuaihaiInstituteofTechnology,Lianyungang222005,China）

In o rder to testify the availability of estimation of bio-chemical and bio-physical parametersof vegetation by using hyper-spectral remo te sensing,biomass and chlo rophyll concentration were estimated effectively by using index method,linear regression,and red edge method.Research results showed that there was the highest co rrelation between vegetation indexR752/R548 and pixel spectra extracted from Hyperion data,theRwas 0. 88;fresh weight estimation model by cubic function method was established and the p recision was very high and theR2could achieve 0.883.There was the highest correlation between vegetation indexDVI[752,640]and dry weight,coefficientRwas 0. 42;dry weight estimation model by linear regression method was established and the p recision was very low and theR2could achieve 0.177.The co rrelation between chlorophyll concentration and red edge position extracted by four-point interpolationmethod was very high and the coefficientRwas 0.433,w hile theRbetweenDatt(1）andDatt(2）and chlorophyll concentration were 0.871 and 0.868 respectively.The estimation models of chlorophyll concentration based on red edge,Datt(1）,andDatt(2）were constructed and theR2were 0.814,0.805,and 0.781.To sum up,it is feasible to quantitatively monito r the grow status by hyperspectral remote sensing and also p rovides plants restoration engineer w ith valuablematerials.

damaged ecological environment;hyperspectral remote sensing;biophysical and biochemical parameter;estimation model

TP 79;X171.4

A

1672-0504(2010）05-0037-04

2010-05- 29;

2010-08-16

江蘇省海洋資源開發(fā)研究院2009年科技開放基金項目(JSIMR09B08）;淮海工學(xué)院校級課題(Z2009008）

盧霞(1976-）,女,博士,講師,主要從事海岸帶生態(tài)環(huán)境遙感和高光譜遙感研究。E-mail:luxia1210@163.com