喀斯特山區草地地上生物量遙感估測

陳全+周忠發+魏小島+

摘要：由于喀斯特山區地表破碎，環境異質性強，影像上混合像元現象嚴重，增加了草地地上生物量遙感估測的難度。以Ｌａｎｄｓａｔ ＥＴＭ＋為數據源，將光譜混合分析技術應用于喀斯特山區草地地上生物量的遙感估測中，分析了基于線性混合分解模型分解的草地分量與實測草地地上生物量的相關關系，進而構建了喀斯特山區草地地上生物量估測模型為■＝２ ４５１．１５８ｘ－２８０．４６１（ｒ２＝０．８０１ ２），驗證結果總體精度可達８５％以上。基于光譜混合分析建立的草地地上生物量估測模型提高了喀斯特山區草地地上生物量遙感估測的精度，為喀斯特山區草地生長狀況調查與監測提供了技術支持。

關鍵詞：喀斯特山區；草地地上生物量；遙感估測；光譜混合分析

中圖分類號：Ｓ１２７；Ｓ８１２．５文獻標識碼：Ａ文章編號：0439－８114（２０14）09－2013-04

Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｋａｒｓｔ Ｍｏｕｎｔａｉｎ Ｇｒａｓｓｌａｎｄ Ａｂｏｖｅｇｒｏｕｎｄ Ｂｉｏｍａｓｓ Ｂａｓｅｄ ｏｎ Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ

ＣＨＥＮ Ｑｕａｎ１，２， ＺＨＯＵ Ｚｈｏｎｇ－ｆａ１，２， ＷＥＩ Ｘｉａｏ－ｄａｏ１，２

（１． Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｏｕｔｈ Ｃｈｉｎａ Ｋａｒｓｔ， Ｇｕｉｚｈｏｕ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｇｕｉｙａｎｇ ５５０００１， Ｃｈｉｎａ；

２． Ｔｈｅ Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ Ｉｎｃｕｂａｔｉｏｎ Ｂａｓｅ ｆｏｒ Ｋａｒｓｔ Ｍｏｕｎｔａｉｎ Ｅｃｏｌｏｇｙ Ｅｎｖｉｒｏｎｍｅｎｔ ｏｆ Ｇｕｉｚｈｏｕ Ｐｒｏｖｉｎｃｅ， Ｇｕｉｙａｎｇ ５５０００１， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅ ｇｒａｓｓｌａｎｄ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｐａｒｔ ｏｆ ｔｈｅ Ｋａｒｓｔ ｍｏｕｎｔａｉｎ ｅｃｏｓｙｓｔｅｍｓ in Ｓｏｕｔｈern Ｃｈｉｎａ and ｔｈｅ ｂａｓｉｓ ｏｆ protecting ｔｈｅ ｋａｒｓｔ ｍｏｕｎｔａｉｎｏｕｓ ｅｃｏｌｏｇｉｃａｌ ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ ｄｅｖｅｌｏｐing ｏｆ ｇｒａｓｓｌａｎｄ ａｎｉｍａｌ ｈｕｓｂａｎｄｒｙ． Ｉｎ ｔｙｐｉｃａｌ ｋａｒｓｔ ｍｏｕｎｔａｉｎ ａｒｅａ，ｔｈｅ ｃｏｍｐｌｅｘ ａｎｄ ｂｒｏｋｅｎ ｇｒｏｕｎｄ ｓｕｒｆａｃｅ ｌｅａｄｓ ｔｏ ｓｅｒｉｏｕｓ ｍｉｘｅｄ ｐｉｘｅｌ ｐｈｅｎｏｍｅｎｏｎ． Lｉｎｅａｒ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ model was used ｔｏ ｅｓｔｉｍａｔｅ ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｂａｓｅｄ ｏｎ Ｌａｎｄｓａｔ ＥＴＭ＋ ｉｍａｇｅ．Ｔｈｅ results showed ｔｈａｔ ｔｈｅ ｇｒａｓｓｌａｎｄ ｆｒａｃｔｉｏｎ ｅｘｔｒａｃｔｅｄ with ｔｈｅ ｌｉｎｅａｒ ｍｉｘｅｄ ｍｏｄｅｌ ｈａd ｏｂｖｉｏｕｓ ｌｉｎｅａｌ ｃｏｒｒｅｌａｔｉｏｎ ｗｉｔｈ ｔｈｅ ｆｉｅｌｄ ｄａｔａ ｍｅａｓｕｒｅｄ． Ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｃａｎ ｂｅ ｅｘｐｒｅｓｓｅｄ ｂｙ ｔｈｅ ｅｑｕａｔｉｏｎ ■＝２ ４５１．１５８ｘ－２８０．４６１（ｒ２＝０．８０１ ２）． Ｔｈｅ ａｃｃｕｒａｃｙ ｖａｌｉｄａｔｉｏｎ ｓｈｏｗed ｔｈａｔ ｔｈｅ ｏｖｅｒａｌｌ ａｃｃｕｒａｃｙ was ａｂｏｖｅ ８５％． Ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ of ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｗｈｉｃｈ ｂａｓｅｄ ｏｎ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ model ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ａｃｃｕｒａｃｙ ｉｎ ｋａｒｓｔ ｍｏｕｎｔａｉｎｏｕｓ ａｒｅａ． Ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｐｒｏｖｉｄｅ ｔｅｃｈｎｉｃａｌ ｓｕｐｐｏｒｔ ｆｏｒ ｓｕｒｖｅｙing ａｎｄ ｍｏｎｉｔｏｒｉｎｇ the growth of ｋａｒｓｔ ｍｏｕｎｔａｉｎｏｕｓ ｇｒａｓｓ．

Ｋｅｙ ｗｏｒｄｓ： kａｒｓｔ mountain； ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ； ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｅｓｔｉｍａｔｉｏｎ； ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ ａｎａｌｙｓｉｓ

草地是中國南方喀斯特山區脆弱生態系統的重要組成部分，是維持喀斯特山區生態平衡的最后一道屏障，同時也是喀斯特山區生態環境保護與發展草地畜牧業的基礎。草地植被地上生物量能客觀反映草地固碳能力與草地載畜能力的大小，是衡量草地資源的重要指標，也是進行草業規劃、生態評價、草原退化監測的基礎［１］。開展喀斯特山區草地地上生物量的遙感估測，對保護喀斯特山區脆弱生態環境與實現草地畜牧業的可持續發展，以及推動定量遙感在喀斯特復雜背景下的應用均具有重要的科學及現實意義。綜合國內外已有研究［２－５］可以發現，草地資源遙感估測的研究多數都是通過對遙感數據的波段組合或利用遙感數據計算出的各種植被指數與草地地上生物量進行相關分析，建立經驗模型，并推廣模型以求取大范圍區域的草地地上生物量。然而，在自然條件復雜的喀斯特山區，受遙感影像空間分辨率影響，圖像中的一個像元往往由多個地物組分構成，內部空間異質性很強，草地分布破碎，其植被指數受巖石、土壤影響強烈，基于植被指數對喀斯特山區草地地上生物量進行遙感估測誤差明顯。光譜混合分析法能夠較好地解決混合像元的問題，將其引入草地地上生物量的估測，可以有效提高定量遙感的精度。

研究選擇貴州省黔南布依族苗族自治州的獨山縣兔場鎮作為研究區域。獨山縣兔場鎮石漠化退耕還林（草）與草地畜牧業綜合治理小區位于東經１０７°５１′－１０７°６５′，北緯２５°９１′－２６°０１′之間，地處貴州高原向廣西丘陵盆地過渡的斜坡地帶，境內巖溶地貌發育，地貌類型復雜多樣，以山地為主，其間交錯分布有少量的丘陵、壩地，面積１０６．２ ｋｍ２，平均海拔１ ０７５ ｍ，屬于中亞熱帶濕潤季風氣候區，年平均氣溫１３．６ ℃，年均降水量１ ４６８ ｍｍ，適宜天然草地生長［６］。選擇Ｌａｎｄｓａｔ ＥＴＭ＋影像為數據源，將光譜混合分析技術應用到喀斯特山區草地地上生物量的估測中，分析了基于線性混合分解模型分解的草地分量與實測草地地上生物量的相關關系，進而建立了喀斯特山區草地地上生物量估測模型。

１數據獲取與預處理

１．１影像數據獲取與預處理

選用的遙感影像為２０１１年９月２５日獲取的Ｌａｎｄｓａｔ ＥＴＭ＋影像，軌道號為１２６／４２，太陽高度角５５．５６°，云量較少，影像質量較好。使用ＥＮＶＩ ４．８軟件對影像進行去條帶處理之后，以１∶５００００地形圖為基準，均勻選取控制點，利用多項式模型對影像進行幾何精校正，校正后圖像均方根誤差在０．４５個像元以內，滿足精度要求。精校正后的影像經輻射定標后，采用Ｌａｎｄｓａｔ ＦＬＡＡＳＨ進行大氣校正，得到除熱紅外波段后的其他５個波段的地表反射率［７］。

１．２地面數據采集

研究于２０１１年９月初至9月中旬在研究區開展草地資源地面調查工作，考慮到喀斯特山區草地分布的生境條件與植被類型，選取具有代表性的面積為２０ ｍ×２０ ｍ的不同草地類型樣區２０個，在其中共布設了８０塊樣地，樣地大小１ ｍ×１ ｍ，樣地均選取在樣區內草地植被長勢較均一的位置。齊地面刈割樣地內草本植物，稱取鮮重，統計作為該樣地草地地上生物量。樣地采用ＧＰＳ定位，經緯度定位數據精度優于２ ｍ，高程數據精度優于５ ｍ。樣地基礎信息調查主要錄入樣地經緯度、海拔、地形、坡度、土壤巖性、草地類型等信息，同時還采集了研究區典型地物的光譜數據，為光譜混合分析提供數據。使用的光譜儀型號為ＧＥＲ１５００，波長范圍３５０～１ ０５０ ｎｍ。

２光譜混合分析的草地信息提取

２．１光譜混合模型的選擇

國內外對遙感光譜混合分析（Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ａｎａｌｙｓｉｓ，ＳＭＡ）的研究已較成熟，研究和發展了多種混合光譜分解模型，其中線性光譜混合模型（Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ，ＬＳＭＭ）因具有一定的理論依據、試驗驗證基礎、一定的精度保證和可操作性強而被廣泛應用，是最常用的一種模型［８］。

線性光譜混合模型（ＬＳＳＭ）定義像元在某一光譜波段的反射率（亮度值）是由構成像元的端元的反射率（亮度值）以其所占像元面積比例為權重系數的線性組合。可用以下公式計算：

Ｒｉλ＝■ｆkｉＣｋλ＋εｉλ（１）

■ｆkｉ＝１（ｋ＝１，２，…，ｎ）（２）

０≤ｆkｉ≤１（３）

式中，Ｒｉλ為第λ波段第ｉ像元的光譜反射率； ｆkｉ為對應于ｉ像元的第ｋ個基本組分（端元）所占的分量值；Ｃｋλ為第ｋ個基本組分在第λ波段的光譜反射率； εｉλ為殘余誤差值（即光譜的非模型化部分）；ｎ為基本組分的數目。公式（２）、（３）為ＬＳＳＭ的限制條件。模型計算的結果表現為各端元豐度圖像和以均方根誤差表示的殘余誤差圖像。

評價模型用殘差εｉλ或均方根誤差ＲＭＳＥ表示：

ＲＭＳＥ＝［■（εｉλ）２／ｎ］１／２ （４）

２．２端元選取

在ＬＳＭＭ模型中，端元（Ｅｎｄ－ｍｅｍｂｅｒ）的選取是成功進行光譜混合分析的關鍵。不當的端元選取將導致噪聲、不穩定解和不正確的豐度圖像［９］。

端元組分光譜的確定有多種途徑，可以從地物光譜數據庫中選取，從圖像自身的像元光譜中獲得或者從外部數據源中提取端元等［１０］。喀斯特山區海拔較高，常年多云雨難以及時獲取高質量的遙感影像數據，影像上相同物質的光譜曲線與實驗室光譜曲線匹配難度較大。而從影像自身選出的組分更易于獲得且具有與數據相同的度量尺度，同時參考對地面調查所獲得的草地光譜信息的分析。本研究選擇通過分析影像的光譜特征并結合地面調查光譜數據的方法來進行純凈像元的提取。首先，對多光譜影像進行最小噪聲分離變換（ＭＮＦ）分離噪聲，對基于ＭＮＦ變換結果的前3個分量進行純凈像元指數（ＰＰＩ）計算，將可能是純凈像元的像元集導入Ｎ維可視化分析器進行分析，參考地面光譜數據，確定純凈像元，最終將各類端元對應像元的平均反射率作為該類端元的反射率。通過光譜分析，并參考喀斯特山區土地覆蓋特點，最終選擇的端元分別為：①草地端元②林地端元③裸土端元④水體等低反射率端元⑤居民點、裸巖等高反射率端元。各類端元的光譜反射率特征曲線如圖１所示。

２．３線性光譜混合分解結果

基本組分端元及其光譜特征確定以后，基于獲取的端元光譜特征，采用全受限的ＬＳＭＭ對Landsat ＥＴＭ＋影像進行分解，得到草地分量圖。圖２為光譜混合分析的圖像結果，圖２ａ為草地端元分量圖。在光譜分解結果中，白色或較亮顏色表示像元中該端元組分比例較高，相反，黑色或較暗顏色則表示像元中該端元組分的比例較低。均方根誤差ＲＭＳＥ是評價ＬＳＭＭ 模型的一個重要指標，均方根誤差越小分類計算的準確性就越高。圖２ｆ為應用線性模型分解求解過程產生的各像元ＲＭＳＥ圖像，其中最大的均方根誤差僅有０．００５，小于０．００３的均方根誤差占到了９６．２％，表明此次光譜混合分解較成功［１１］。

３草地地上生物量遙感估測結果

３．１建立估測模型

本研究于２０１１年９月初至９月中旬在研究區開展草地資源地面調查工作，地面調查時間與影像獲取時間基本同步，共布設８０塊樣地，考慮到之后估測模型的精度驗證，１６塊樣地數據不參與建模。利用ＳＰＳＳ１９．０軟件對研究區６４個樣地調查所得草地植被地上生物量數據與線性分解得到的草地分量進行相關分析發現，二者相關系數為０．８９６，呈顯著相關關系，因而可通過對得到的草地分量進行變換得到草地地上生物量。

為了進一步分析草地地上生物量與草地分量之間的定量關系，采用一元線性回歸模型、指數函數、對數函數、冪函數等對二者進行模擬預測分析。對不同模型測算結果的比較與分析結果表明，基于草地分量的一元線性回歸模型擬合精度最高。喀斯特山區草地地上生物量最優擬合模型為：

■＝２ ４８１．１５８ｘ－２８０．４６１（r２＝０．８０１ ２）（５）

式中，ｙ為草地秋季當年地上生物量（ｇ／ｍ２），ｘ為草地分量。二者的線性擬合圖見圖3。

３．２模型精度驗證

為評價草地地上生物量估測模型的應用精度，通過野外同期采樣的另外１６個樣地數據與模型估算的數據進行比較，并利用誤差統計公式［公式（６）］對回歸模型的精度進行綜合評價［１２］。

Ｆ＝（Ｌ■－Ｌ■／Ｌ■）×１００%（６）

式中Ｆ為相對誤差，Ｌ■和Ｌ■分別代表地面實測的草地地上生物量和經模型反演得到的數值。結果（表１）表明，模擬值同實測值之間的相對誤差為５．３６％～２４．６２％，平均相對誤差為１３．２９％，模型的總體精度達到８５％以上，說明利用線性光譜分解提取的草地分量建立的一元線性回歸模型能較好地反映草地地上植被生物量狀況，能夠滿足喀斯特山區中尺度的草地地上生物量估算。

４結論

受喀斯特山區地形破碎、環境差異大、遙感影像空間分辨率和混合像元的限制等因素影響，利用傳統的植被指數方法對喀斯特山區草地地上生物量進行遙感估測誤差明顯。將光譜混合分析技術應用于喀斯特山區草地地上生物量的估測研究，通過線性光譜分解，得到符合研究區環境特征的端元光譜和各分量的豐度，利用得到的草地分量與地面樣地調查所得草地地上生物量數據進行回歸，建立了草地地上生物量估測的線性回歸模型■＝２４８１．１５８ｘ－２８５０．４６１（ｒ２＝０．８０１ ２），基于地面同期調查數據的精度驗證也顯示利用光譜混合模型進行喀斯特山區草地地上生物量估測的精度可達８５％以上，能夠滿足喀斯特山區的草地地上生物量的估算。因此，基于光譜混合分析對喀斯特山區草地地上生物量進行遙感估測是可行的。

參考文獻：

［１］ 董永平，吳新宏，戎郁萍，等．草原遙感監測技術［Ｍ］．北京：化學工業出版社，２００５．

［２］ 查勇，ＧＡＯ Ｊ，倪紹祥．國際草地資源遙感研究新進展［Ｊ］．地理科學進展，２００３，２２（６）：６０７－６１７．

［３］ 徐斌，楊秀春，陶偉國，等．中國草原產草量遙感監測［Ｊ］．生態學報，２００７，２７（２）：４０５－４１３．

［４］ 楊秀春，徐斌，朱曉華，等．北方農牧交錯帶草原產草量遙感監測模型［Ｊ］．地理研究，２００７，２６（２）：２１３－２２１．

［５］ 王靜，郭鈮，王振國，等．甘南草地地上部生物量遙感監測模型［Ｊ］．干旱氣象，２０１０，２８（２）：１２８－１３３．

［６］ 熊康寧，陳永畢，陳滸，等．點石成金——貴州石漠化治理技術與模式［Ｍ］．貴陽：貴州科學技術出版社，２０１１．

［７］ 趙英時．遙感應用分析原理與方法［Ｍ］．北京：科學出版社，２００３．

［８］ ＡＳＮＥＲ Ｇ， ＬＯＢＥＬＬ Ｄ． Ａ ｂｉｏｇｅｏｐｈｙｓｉｃａｌ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｅｄ ＳＷＩＲ ｕｎｍｉｘｉｎｇ ｏｆ ｓｏｉｌｓ ａｎｄ ｖｅｇｅｔａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：９９－１１２．

［９］ ＧＩＬＡＢＥＲＴ Ｍ Ａ． Ａｎ ａｔｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｔｒｉｅｖａｌ ｏｆ ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ ｆｒｏｍ ＴＭ ｉｍａｇｅｓ［Ｊ］． Ｉｎｔ Ｊ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９４，１５（１０）：２０６５－２０８６．

［１０］ 李曉松，李增元，吳波，等．基于光譜混合分析的毛烏素沙地油蒿群落覆蓋度提取［Ｊ］．遙感學報，２００７，１１（６）：９２３－９３０．

［１１］ 李素，李文正，周建軍，等．遙感影像混合像元分解中的端元選擇方法綜述［Ｊ］．地理與地理信息科學，２００７，２３（５）：３５－３８．

［１２］ 梁天剛，崔霞，馮琦勝，等．２００１－２００８年甘南牧區草地地上生物量與載畜量遙感動態監測［Ｊ］．草業學報，２００９，１８（６）：１２－２２．

２光譜混合分析的草地信息提取

２．１光譜混合模型的選擇

國內外對遙感光譜混合分析（Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ａｎａｌｙｓｉｓ，ＳＭＡ）的研究已較成熟，研究和發展了多種混合光譜分解模型，其中線性光譜混合模型（Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ，ＬＳＭＭ）因具有一定的理論依據、試驗驗證基礎、一定的精度保證和可操作性強而被廣泛應用，是最常用的一種模型［８］。

線性光譜混合模型（ＬＳＳＭ）定義像元在某一光譜波段的反射率（亮度值）是由構成像元的端元的反射率（亮度值）以其所占像元面積比例為權重系數的線性組合。可用以下公式計算：

Ｒｉλ＝■ｆkｉＣｋλ＋εｉλ（１）

■ｆkｉ＝１（ｋ＝１，２，…，ｎ）（２）

０≤ｆkｉ≤１（３）

式中，Ｒｉλ為第λ波段第ｉ像元的光譜反射率； ｆkｉ為對應于ｉ像元的第ｋ個基本組分（端元）所占的分量值；Ｃｋλ為第ｋ個基本組分在第λ波段的光譜反射率； εｉλ為殘余誤差值（即光譜的非模型化部分）；ｎ為基本組分的數目。公式（２）、（３）為ＬＳＳＭ的限制條件。模型計算的結果表現為各端元豐度圖像和以均方根誤差表示的殘余誤差圖像。

評價模型用殘差εｉλ或均方根誤差ＲＭＳＥ表示：

ＲＭＳＥ＝［■（εｉλ）２／ｎ］１／２ （４）

２．２端元選取

在ＬＳＭＭ模型中，端元（Ｅｎｄ－ｍｅｍｂｅｒ）的選取是成功進行光譜混合分析的關鍵。不當的端元選取將導致噪聲、不穩定解和不正確的豐度圖像［９］。

端元組分光譜的確定有多種途徑，可以從地物光譜數據庫中選取，從圖像自身的像元光譜中獲得或者從外部數據源中提取端元等［１０］。喀斯特山區海拔較高，常年多云雨難以及時獲取高質量的遙感影像數據，影像上相同物質的光譜曲線與實驗室光譜曲線匹配難度較大。而從影像自身選出的組分更易于獲得且具有與數據相同的度量尺度，同時參考對地面調查所獲得的草地光譜信息的分析。本研究選擇通過分析影像的光譜特征并結合地面調查光譜數據的方法來進行純凈像元的提取。首先，對多光譜影像進行最小噪聲分離變換（ＭＮＦ）分離噪聲，對基于ＭＮＦ變換結果的前3個分量進行純凈像元指數（ＰＰＩ）計算，將可能是純凈像元的像元集導入Ｎ維可視化分析器進行分析，參考地面光譜數據，確定純凈像元，最終將各類端元對應像元的平均反射率作為該類端元的反射率。通過光譜分析，并參考喀斯特山區土地覆蓋特點，最終選擇的端元分別為：①草地端元②林地端元③裸土端元④水體等低反射率端元⑤居民點、裸巖等高反射率端元。各類端元的光譜反射率特征曲線如圖１所示。

２．３線性光譜混合分解結果

基本組分端元及其光譜特征確定以后，基于獲取的端元光譜特征，采用全受限的ＬＳＭＭ對Landsat ＥＴＭ＋影像進行分解，得到草地分量圖。圖２為光譜混合分析的圖像結果，圖２ａ為草地端元分量圖。在光譜分解結果中，白色或較亮顏色表示像元中該端元組分比例較高，相反，黑色或較暗顏色則表示像元中該端元組分的比例較低。均方根誤差ＲＭＳＥ是評價ＬＳＭＭ 模型的一個重要指標，均方根誤差越小分類計算的準確性就越高。圖２ｆ為應用線性模型分解求解過程產生的各像元ＲＭＳＥ圖像，其中最大的均方根誤差僅有０．００５，小于０．００３的均方根誤差占到了９６．２％，表明此次光譜混合分解較成功［１１］。

３草地地上生物量遙感估測結果

３．１建立估測模型

本研究于２０１１年９月初至９月中旬在研究區開展草地資源地面調查工作，地面調查時間與影像獲取時間基本同步，共布設８０塊樣地，考慮到之后估測模型的精度驗證，１６塊樣地數據不參與建模。利用ＳＰＳＳ１９．０軟件對研究區６４個樣地調查所得草地植被地上生物量數據與線性分解得到的草地分量進行相關分析發現，二者相關系數為０．８９６，呈顯著相關關系，因而可通過對得到的草地分量進行變換得到草地地上生物量。

為了進一步分析草地地上生物量與草地分量之間的定量關系，采用一元線性回歸模型、指數函數、對數函數、冪函數等對二者進行模擬預測分析。對不同模型測算結果的比較與分析結果表明，基于草地分量的一元線性回歸模型擬合精度最高。喀斯特山區草地地上生物量最優擬合模型為：

■＝２ ４８１．１５８ｘ－２８０．４６１（r２＝０．８０１ ２）（５）

式中，ｙ為草地秋季當年地上生物量（ｇ／ｍ２），ｘ為草地分量。二者的線性擬合圖見圖3。

３．２模型精度驗證

為評價草地地上生物量估測模型的應用精度，通過野外同期采樣的另外１６個樣地數據與模型估算的數據進行比較，并利用誤差統計公式［公式（６）］對回歸模型的精度進行綜合評價［１２］。

Ｆ＝（Ｌ■－Ｌ■／Ｌ■）×１００%（６）

式中Ｆ為相對誤差，Ｌ■和Ｌ■分別代表地面實測的草地地上生物量和經模型反演得到的數值。結果（表１）表明，模擬值同實測值之間的相對誤差為５．３６％～２４．６２％，平均相對誤差為１３．２９％，模型的總體精度達到８５％以上，說明利用線性光譜分解提取的草地分量建立的一元線性回歸模型能較好地反映草地地上植被生物量狀況，能夠滿足喀斯特山區中尺度的草地地上生物量估算。

４結論

受喀斯特山區地形破碎、環境差異大、遙感影像空間分辨率和混合像元的限制等因素影響，利用傳統的植被指數方法對喀斯特山區草地地上生物量進行遙感估測誤差明顯。將光譜混合分析技術應用于喀斯特山區草地地上生物量的估測研究，通過線性光譜分解，得到符合研究區環境特征的端元光譜和各分量的豐度，利用得到的草地分量與地面樣地調查所得草地地上生物量數據進行回歸，建立了草地地上生物量估測的線性回歸模型■＝２４８１．１５８ｘ－２８５０．４６１（ｒ２＝０．８０１ ２），基于地面同期調查數據的精度驗證也顯示利用光譜混合模型進行喀斯特山區草地地上生物量估測的精度可達８５％以上，能夠滿足喀斯特山區的草地地上生物量的估算。因此，基于光譜混合分析對喀斯特山區草地地上生物量進行遙感估測是可行的。

參考文獻：

［１］ 董永平，吳新宏，戎郁萍，等．草原遙感監測技術［Ｍ］．北京：化學工業出版社，２００５．

［２］ 查勇，ＧＡＯ Ｊ，倪紹祥．國際草地資源遙感研究新進展［Ｊ］．地理科學進展，２００３，２２（６）：６０７－６１７．

［３］ 徐斌，楊秀春，陶偉國，等．中國草原產草量遙感監測［Ｊ］．生態學報，２００７，２７（２）：４０５－４１３．

［４］ 楊秀春，徐斌，朱曉華，等．北方農牧交錯帶草原產草量遙感監測模型［Ｊ］．地理研究，２００７，２６（２）：２１３－２２１．

［５］ 王靜，郭鈮，王振國，等．甘南草地地上部生物量遙感監測模型［Ｊ］．干旱氣象，２０１０，２８（２）：１２８－１３３．

［６］ 熊康寧，陳永畢，陳滸，等．點石成金——貴州石漠化治理技術與模式［Ｍ］．貴陽：貴州科學技術出版社，２０１１．

［７］ 趙英時．遙感應用分析原理與方法［Ｍ］．北京：科學出版社，２００３．

［８］ ＡＳＮＥＲ Ｇ， ＬＯＢＥＬＬ Ｄ． Ａ ｂｉｏｇｅｏｐｈｙｓｉｃａｌ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｅｄ ＳＷＩＲ ｕｎｍｉｘｉｎｇ ｏｆ ｓｏｉｌｓ ａｎｄ ｖｅｇｅｔａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：９９－１１２．

［９］ ＧＩＬＡＢＥＲＴ Ｍ Ａ． Ａｎ ａｔｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｔｒｉｅｖａｌ ｏｆ ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ ｆｒｏｍ ＴＭ ｉｍａｇｅｓ［Ｊ］． Ｉｎｔ Ｊ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９４，１５（１０）：２０６５－２０８６．

［１０］ 李曉松，李增元，吳波，等．基于光譜混合分析的毛烏素沙地油蒿群落覆蓋度提取［Ｊ］．遙感學報，２００７，１１（６）：９２３－９３０．

［１１］ 李素，李文正，周建軍，等．遙感影像混合像元分解中的端元選擇方法綜述［Ｊ］．地理與地理信息科學，２００７，２３（５）：３５－３８．

［１２］ 梁天剛，崔霞，馮琦勝，等．２００１－２００８年甘南牧區草地地上生物量與載畜量遙感動態監測［Ｊ］．草業學報，２００９，１８（６）：１２－２２．

２光譜混合分析的草地信息提取

２．１光譜混合模型的選擇

國內外對遙感光譜混合分析（Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ａｎａｌｙｓｉｓ，ＳＭＡ）的研究已較成熟，研究和發展了多種混合光譜分解模型，其中線性光譜混合模型（Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ，ＬＳＭＭ）因具有一定的理論依據、試驗驗證基礎、一定的精度保證和可操作性強而被廣泛應用，是最常用的一種模型［８］。

線性光譜混合模型（ＬＳＳＭ）定義像元在某一光譜波段的反射率（亮度值）是由構成像元的端元的反射率（亮度值）以其所占像元面積比例為權重系數的線性組合。可用以下公式計算：

Ｒｉλ＝■ｆkｉＣｋλ＋εｉλ（１）

■ｆkｉ＝１（ｋ＝１，２，…，ｎ）（２）

０≤ｆkｉ≤１（３）

式中，Ｒｉλ為第λ波段第ｉ像元的光譜反射率； ｆkｉ為對應于ｉ像元的第ｋ個基本組分（端元）所占的分量值；Ｃｋλ為第ｋ個基本組分在第λ波段的光譜反射率； εｉλ為殘余誤差值（即光譜的非模型化部分）；ｎ為基本組分的數目。公式（２）、（３）為ＬＳＳＭ的限制條件。模型計算的結果表現為各端元豐度圖像和以均方根誤差表示的殘余誤差圖像。

評價模型用殘差εｉλ或均方根誤差ＲＭＳＥ表示：

ＲＭＳＥ＝［■（εｉλ）２／ｎ］１／２ （４）

２．２端元選取

在ＬＳＭＭ模型中，端元（Ｅｎｄ－ｍｅｍｂｅｒ）的選取是成功進行光譜混合分析的關鍵。不當的端元選取將導致噪聲、不穩定解和不正確的豐度圖像［９］。

端元組分光譜的確定有多種途徑，可以從地物光譜數據庫中選取，從圖像自身的像元光譜中獲得或者從外部數據源中提取端元等［１０］。喀斯特山區海拔較高，常年多云雨難以及時獲取高質量的遙感影像數據，影像上相同物質的光譜曲線與實驗室光譜曲線匹配難度較大。而從影像自身選出的組分更易于獲得且具有與數據相同的度量尺度，同時參考對地面調查所獲得的草地光譜信息的分析。本研究選擇通過分析影像的光譜特征并結合地面調查光譜數據的方法來進行純凈像元的提取。首先，對多光譜影像進行最小噪聲分離變換（ＭＮＦ）分離噪聲，對基于ＭＮＦ變換結果的前3個分量進行純凈像元指數（ＰＰＩ）計算，將可能是純凈像元的像元集導入Ｎ維可視化分析器進行分析，參考地面光譜數據，確定純凈像元，最終將各類端元對應像元的平均反射率作為該類端元的反射率。通過光譜分析，并參考喀斯特山區土地覆蓋特點，最終選擇的端元分別為：①草地端元②林地端元③裸土端元④水體等低反射率端元⑤居民點、裸巖等高反射率端元。各類端元的光譜反射率特征曲線如圖１所示。

２．３線性光譜混合分解結果

基本組分端元及其光譜特征確定以后，基于獲取的端元光譜特征，采用全受限的ＬＳＭＭ對Landsat ＥＴＭ＋影像進行分解，得到草地分量圖。圖２為光譜混合分析的圖像結果，圖２ａ為草地端元分量圖。在光譜分解結果中，白色或較亮顏色表示像元中該端元組分比例較高，相反，黑色或較暗顏色則表示像元中該端元組分的比例較低。均方根誤差ＲＭＳＥ是評價ＬＳＭＭ 模型的一個重要指標，均方根誤差越小分類計算的準確性就越高。圖２ｆ為應用線性模型分解求解過程產生的各像元ＲＭＳＥ圖像，其中最大的均方根誤差僅有０．００５，小于０．００３的均方根誤差占到了９６．２％，表明此次光譜混合分解較成功［１１］。

３草地地上生物量遙感估測結果

３．１建立估測模型

本研究于２０１１年９月初至９月中旬在研究區開展草地資源地面調查工作，地面調查時間與影像獲取時間基本同步，共布設８０塊樣地，考慮到之后估測模型的精度驗證，１６塊樣地數據不參與建模。利用ＳＰＳＳ１９．０軟件對研究區６４個樣地調查所得草地植被地上生物量數據與線性分解得到的草地分量進行相關分析發現，二者相關系數為０．８９６，呈顯著相關關系，因而可通過對得到的草地分量進行變換得到草地地上生物量。

為了進一步分析草地地上生物量與草地分量之間的定量關系，采用一元線性回歸模型、指數函數、對數函數、冪函數等對二者進行模擬預測分析。對不同模型測算結果的比較與分析結果表明，基于草地分量的一元線性回歸模型擬合精度最高。喀斯特山區草地地上生物量最優擬合模型為：

■＝２ ４８１．１５８ｘ－２８０．４６１（r２＝０．８０１ ２）（５）

式中，ｙ為草地秋季當年地上生物量（ｇ／ｍ２），ｘ為草地分量。二者的線性擬合圖見圖3。

３．２模型精度驗證

為評價草地地上生物量估測模型的應用精度，通過野外同期采樣的另外１６個樣地數據與模型估算的數據進行比較，并利用誤差統計公式［公式（６）］對回歸模型的精度進行綜合評價［１２］。

Ｆ＝（Ｌ■－Ｌ■／Ｌ■）×１００%（６）

式中Ｆ為相對誤差，Ｌ■和Ｌ■分別代表地面實測的草地地上生物量和經模型反演得到的數值。結果（表１）表明，模擬值同實測值之間的相對誤差為５．３６％～２４．６２％，平均相對誤差為１３．２９％，模型的總體精度達到８５％以上，說明利用線性光譜分解提取的草地分量建立的一元線性回歸模型能較好地反映草地地上植被生物量狀況，能夠滿足喀斯特山區中尺度的草地地上生物量估算。

４結論

受喀斯特山區地形破碎、環境差異大、遙感影像空間分辨率和混合像元的限制等因素影響，利用傳統的植被指數方法對喀斯特山區草地地上生物量進行遙感估測誤差明顯。將光譜混合分析技術應用于喀斯特山區草地地上生物量的估測研究，通過線性光譜分解，得到符合研究區環境特征的端元光譜和各分量的豐度，利用得到的草地分量與地面樣地調查所得草地地上生物量數據進行回歸，建立了草地地上生物量估測的線性回歸模型■＝２４８１．１５８ｘ－２８５０．４６１（ｒ２＝０．８０１ ２），基于地面同期調查數據的精度驗證也顯示利用光譜混合模型進行喀斯特山區草地地上生物量估測的精度可達８５％以上，能夠滿足喀斯特山區的草地地上生物量的估算。因此，基于光譜混合分析對喀斯特山區草地地上生物量進行遙感估測是可行的。

參考文獻：

［１］ 董永平，吳新宏，戎郁萍，等．草原遙感監測技術［Ｍ］．北京：化學工業出版社，２００５．

［２］ 查勇，ＧＡＯ Ｊ，倪紹祥．國際草地資源遙感研究新進展［Ｊ］．地理科學進展，２００３，２２（６）：６０７－６１７．

［３］ 徐斌，楊秀春，陶偉國，等．中國草原產草量遙感監測［Ｊ］．生態學報，２００７，２７（２）：４０５－４１３．

［４］ 楊秀春，徐斌，朱曉華，等．北方農牧交錯帶草原產草量遙感監測模型［Ｊ］．地理研究，２００７，２６（２）：２１３－２２１．

［５］ 王靜，郭鈮，王振國，等．甘南草地地上部生物量遙感監測模型［Ｊ］．干旱氣象，２０１０，２８（２）：１２８－１３３．

［６］ 熊康寧，陳永畢，陳滸，等．點石成金——貴州石漠化治理技術與模式［Ｍ］．貴陽：貴州科學技術出版社，２０１１．

［７］ 趙英時．遙感應用分析原理與方法［Ｍ］．北京：科學出版社，２００３．

［８］ ＡＳＮＥＲ Ｇ， ＬＯＢＥＬＬ Ｄ． Ａ ｂｉｏｇｅｏｐｈｙｓｉｃａｌ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｅｄ ＳＷＩＲ ｕｎｍｉｘｉｎｇ ｏｆ ｓｏｉｌｓ ａｎｄ ｖｅｇｅｔａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：９９－１１２．

［９］ ＧＩＬＡＢＥＲＴ Ｍ Ａ． Ａｎ ａｔｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｔｒｉｅｖａｌ ｏｆ ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ ｆｒｏｍ ＴＭ ｉｍａｇｅｓ［Ｊ］． Ｉｎｔ Ｊ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，１９９４，１５（１０）：２０６５－２０８６．

［１０］ 李曉松，李增元，吳波，等．基于光譜混合分析的毛烏素沙地油蒿群落覆蓋度提取［Ｊ］．遙感學報，２００７，１１（６）：９２３－９３０．

［１１］ 李素，李文正，周建軍，等．遙感影像混合像元分解中的端元選擇方法綜述［Ｊ］．地理與地理信息科學，２００７，２３（５）：３５－３８．

［１２］ 梁天剛，崔霞，馮琦勝，等．２００１－２００８年甘南牧區草地地上生物量與載畜量遙感動態監測［Ｊ］．草業學報，２００９，１８（６）：１２－２２．