基于HJ-1A/1B數據的高寒草地牧草營養動態監測模型

王 迅，劉書杰，張曉衛，郝力壯，趙月平，王萬邦

(1.青海省高原放牧家畜營養與生態國家重點實驗室培育基地，西寧 810086;2.青海省高原放牧家畜營養與飼料科學重點實驗室，西寧 810016)

0 引言

草地畜牧業是青藏高原三江源區草地生態系統的重要組成部分，該區發展草地生態畜牧業的前提是草畜平衡[1]。目前，草地數量載畜量[2]仍為研究草畜平衡的通用方法，但是三江源區暖季和冷季的草地營養載畜量相差大[3]，致使草地數量載畜量無法真正反映草畜平衡情況。林莉等[4]將營養平衡模式加入到草畜平衡的研究中，結果表明冷季與暖季載畜量相差近10倍，且草地數量載畜量高估了草場載畜能力，將數量和營養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監測數據計算的載畜量為主，如何動態監測草地生物量與營養輸出量從而確定合理的載畜量，已成為亟待解決的問題。

利用高光譜數據進行草地綜合監測的研究使牧草生化成分的遙感估測成為可能。Thoma等[5]研究了NOAA-NDVI與Montana地區草場監測點牧草活存量、殘存量及現存總氮量的關系，結果表明遙感技術可較好地預測牧草的產草量和營養價值。Mitchell等[6]基于偏多元回歸方法通過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]，基于遙感技術可反演草地生物量和草地粗蛋白含量，尤其利用高光譜數據和近紅外技術的反演精度較高。然而截至目前，基于衛星遙感技術建立全年草地牧草指標的反演模型及草地牧草生長全年粗蛋白含量反演模型的報道仍很少。

本研究利用我國環境減災衛星HJ-1A/1B的多時相、多光譜CCD數據，探索基于遙感指數估測草地牧草青草期、枯黃期、枯草期及返青期的生物量和粗蛋白營養物質輸出量，建立相關模型并驗證精度，為三江源區草地放牧管理和維持草畜平衡提供基礎數據。

1 材料和數據處理

1.1 試驗區概況

試驗區位于青海省玉樹縣，地處 E 96°1′50.3″，N 32°6′2.7″，草場植被多為高寒草甸類，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、小嵩草和賴草等。植被覆蓋度40%～100%。

1.2 樣品采集與處理

先將試驗區設置為9個樣地，于2011年4—12月的每月下旬在每個樣地內均勻而隨機地采集3個1.0 m ×1.0 m 樣方，齊地面刈割，記錄鮮重、風干重，粉碎過篩(1.0 mm)，在青海省高原放牧家畜營養與生態國家重點實驗室培育基地，利用半微量凱氏定氮法進行粗蛋白質(crude protein，CP)測定。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設置2～3個，在植被比較復雜及分布不均勻的區域設置4～6個，以最大程度地代表高寒草甸典型草地類型。青草期、枯黃期、枯草期和返青期分別選7，10，12和4月下旬數據[11]。

1.3 數據處理

2008年9月，HJ-1A和HJ-1B星發射成功，在2顆衛星上各裝載了2臺完全相同的CCD相機，以星下點對稱放置，平分視場、并行觀測，聯合完成對地刈幅寬度為720 km、空間分辨率為30 m，4個譜段的推掃成像，實現了對陸面的多種遙感參數的綜合探測[12]。選擇少云無風時刻的CCD圖像，然后對其進行數據定標、大氣校正和幾何糾正，均方根誤差小于1個像元。

2 研究方法

2.1 植被指數選擇

從大量植被指數[13-15]中選擇8種植被指數(表1)進行對比;最終挑選能較好地剔除噪音的植被指數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

在方法模型的實際應用中，模型精度是對比分析的基礎和前提。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，同時植物體內不同部分的粗蛋白含量也存在較大差異。隨著植被的生長，草地牧草葉綠素含量、生化含量和葉片內部結構發生了變化，植被光譜吸收反射特征也發生了較大變化。如何通過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種方法對草地牧草生物量和粗蛋白含量進行反演: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值，x為植被指數，此模型簡稱為“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值，X為青草期草地牧草生物量或粗蛋白，此模型簡稱為“間接模型”。

將數據按2∶1分組，2/3用于建模，1/3用于模型精度驗證。樣點光譜均取該樣點的4鄰近像元的均值。最后通過復相關系數R2和均方根誤差RMSE進行模型精度評價，即

式中:y′為草地牧草生物量或粗蛋白的估測值;y為對應的實測值;n為樣點數。

3 結果與分析

3.1 光譜特征分析

典型健康綠色牧草在紅波段(B3)呈現強吸收谷，而在近紅外波段(B4)呈現高反射峰，這種光譜特征是草地動態遙感監測的理論基礎。基于CCD數據草地牧草光譜不同波段(B1，B2，B3和B4)的反射率如圖1所示，可以看出研究區牧草在4—12月間，B4的反射率呈現先增后降趨勢，其中7月最高，而可見光部分的藍、綠和紅波段(分別為B1，B2和B3)與B4的光譜呈現相反趨勢，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一致性，表現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 牧草營養動態變化

草地牧草生物量和粗蛋白月份變化動態如圖2所示。可以看出，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。枯黃期、枯草期和返青期的生物量和粗蛋白含量僅為青草期的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控因子，因此在草地牧草粗蛋白含量對草畜平衡表現為瓶頸的季節中(特別是在粗蛋白含量最小時)，草地牧草生物量和粗蛋白的動態監測有著重要意義。

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、粗蛋白與植被指數相關性分析

草地光譜特征、植被指數與營養指標的相關分析是后期反演的基礎。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個營養指標所對應的4個時期的8種植被指數和光譜B1—B4波段，建立牧草地上生物量、粗蛋白含量與光譜指數間的相關關系(圖3)。

圖3 牧草4期生物量、粗蛋白與植被指數相關性分析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、植被指數與生物量和粗蛋白的相關性具有相近趨勢;光譜波段都是從負相關到正相關，生物量和粗蛋白在返青期以與B4波段相關系數最高，分別達0.611和0.616;在枯黃期以與B1波段負相關性最顯著，分別達 -0.694和 -0.546;植被指數在2個時期皆以與BNDVI相關性最高，生物量和粗蛋白在返青期分別達0.741和0.752，枯黃期分別達0.607和0.560;②青草期，B4波段與各植被指數均有較高的相關性;③枯草期，光譜波段和植被指數與生物量和粗蛋白均表現出較低的相關性，生物量和粗蛋白相關系數的絕對值均低于0.4，其中與GNDVI負相關最顯著，生物量和粗蛋白的相關系數均為 -0.370。

從以上分析得出，基于多光譜遙感的草地牧草營養估測，在青草期各植被指數和B4波段均有很好的相關性，而隨著季節的變化，即青草期—枯黃期—返青期—枯草期，各植被指數和B4波段相關性降低，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構變化有關，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。這表明基于3S技術更適合在草地青草期進行草地生物量和粗蛋白監測。

3.4 牧草生物量、粗蛋白與植被指數的直接關系

在相關性分析的基礎上，以植被指數NDVI，EVI以及另外2個相關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、對數和指數等形式的回歸模型，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函數相關性最高，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波段相關性最高，R2為0.557(P＜0.05)，粗蛋白以 BNDVI相關性最好，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)。枯草期的生物量和粗蛋白與植被光譜均不存在顯著的回歸關系。這說明草地牧草在青草期—枯黃期—枯草期的過程中，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，已無法通過植被多光譜來估測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個時期的牧地營養與植被指數間無較好的相關性，為探討這3個時期牧草光譜特征和營養變化間的關系，建立基于青草期的青草期—返青期、青草期—枯黃期和青草期—枯草期的牧草估測模型，即“間接反演模型”。選擇線性、二次多項式、指數、對數、冪函數、復合曲線和S函數進行2者間的數據擬合分析，結果如表2和表3所示。可以看出，除枯黃期牧草生物量直接模型優于間接模型，其余時期的生物量和粗蛋白指標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 精度驗證

基于以上模型，利用1/3的驗證數據，將實測值和估測值對比，并比較均方根誤差(RMSE)和復相關系數(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 精度驗證和比較Tab.4 Precision verified and comparison

4 結論與討論

基于HJ-1A/1B多時相、多光譜數據，對天然草地牧草生物量和粗蛋白含量進行反演，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草畜平衡表現為瓶頸的季節中，對其進行動態監測有著重要意義。應用多光譜數據可快速、及時地進行草地4期營養狀況的反演，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行監測的前提，此方法還需長時間序列數據的驗證和改進，以便在大范圍內得以更好的應用。如何發展一個通用的、可用于預測的模型，將成為下一步研究的重點。此外動態監測和預測，還需更多數據和實驗的驗證。

[1]蔣全民，王夢琳，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，韓國棟.貝加爾針茅草地基況評價及載畜量估算[J].東北師大學報:自然科學版，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，劉書杰，吳克選，等.瑪多縣高山嵩草草地天然牧草營養評定與載畜量研究[J].中國草地學報，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，劉書杰，等.三江源區海南州高寒草地暖季草場生產力及載畜量研究[C]//第六次全國飼料營養學術研討會論文集.楊凌:中國畜牧獸醫學會，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含量的高光譜估測模型[J].核農學報，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].植物營養與肥料學報，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/近紅外光小波主成分提取與氮素含量神經網絡檢測[J].紅外與毫米波學報，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，劉書杰，賈海峰，等.基于高光譜數據的高寒草地營養狀況的研究[J].光譜學與光譜分析，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]劉書杰，王萬邦，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，徐 斌，楊秀春.草原產草量遙感估算方法發展趨勢及影響因素[J].草業學報，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對水稻葉面積指數的估測精度和敏感性分析[J].遙感學報，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，錢育蓉，等.天山北坡典型退化草地植被覆蓋度監測模型構建與評價[J].自然資源學報，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.