雙臺河口國際重要濕地蘆葦地上生物量遙感估算

梁建平， 馬大喜， 毛德華， 王宗明

(1.江西理工大學建筑與測繪工程學院,贛州　341000； 2.中國科學院東北地理與農業生態研究所,濕地生態與環境重點實驗室,長春　130102)

?

雙臺河口國際重要濕地蘆葦地上生物量遙感估算

梁建平1,2， 馬大喜1， 毛德華2， 王宗明2

(1.江西理工大學建筑與測繪工程學院,贛州341000； 2.中國科學院東北地理與農業生態研究所,濕地生態與環境重點實驗室,長春130102)

摘要：基于多時相的Landsat8OLI衛星遙感數據，采用面向對象的分類方法，提取雙臺河口國際重要濕地蘆葦分布信息。通過對歸一化植被指數(normalizeddifferencevegetationindex，NDVI)等6個植被指數與野外實測蘆葦地上生物量數據間的統計分析，比較不同植被指數對蘆葦地上生物量的敏感性，構建雙臺河口國際重要濕地蘆葦地上生物量遙感反演模型； 應用該模型對蘆葦地上生物量進行遙感反演以及空間格局分析。結果表明： 雙臺河口國際重要濕地蘆葦分布面積為4.39×104hm2，約占該研究區總面積32.96%； 選取的6個植被指數均與蘆葦地上生物量顯著相關(p<0.05)，其中，以NDVI為變量的冪指數形式的估算模型為蘆葦地上生物量遙感估算最優模型，模擬精度為79%,決策系數為0.76； 雙臺河口國際重要濕地蘆葦地上生物量呈東高西低和北高南低的分布格局，其平均地上生物量為4 785.5g/m2，總地上生物量為2.06×106t； 本研究結果可為雙臺河口國際重要濕地生態系統管理和生物多樣性保護提供數據支持與科學指導。

關鍵詞：蘆葦濕地； 地上生物量； 面向對象方法； 植被指數； 雙臺河口國際重要濕地

0引言

濕地是地球上重要的生態系統之一，其獨特的生態環境不僅為大量野生動植物提供了適宜的生存空間，在控制水土流失、調節氣候、降解污染及蓄水防旱等[1-2]方面也發揮了不可替代的作用。蘆葦是濕地生態系統的主要植被類型之一，在我國北方常以優勢群落的形式廣泛分布[3-4]。除具有濕地生態系統的典型生態功能之外，蘆葦因其較高的經濟價值還可為人類的生產生活提供多種寶貴資源[5]。然而，由于受到人類活動和全球氣候變化的疊加影響，蘆葦濕地生態系統遭到不同程度的破壞。蘆葦地上生物量是濕地生態系統運行的物質基礎，是濕地科學研究中重要的生態系統質量參數之一，可作為衡量濕地生態系統健康的重要指標，直接反映蘆葦的生長狀況。由此，如何快速且準確地估算蘆葦地上生物量并進行評估分析，為蘆葦濕地生態系統的管理提供科學支撐，是濕地科學研究中的熱點話題。

隨著遙感技術應用的不斷深入，基于遙感反演和制圖對濕地地上生物量進行估算的研究已經得到廣泛開展[6-14]。以往研究多數集中于濕地分布的提取和僅選擇單一植被指數對濕地生物量進行估算。例如，Sophie等[6]利用NOAA數據獲取歸一化植被指數(normalizeddifferencevegetationindex，NDVI)，進而估算安第斯地區濕地植被生物量。多源遙感影像的不斷豐富和不同植被指數的發展，為更準確地進行濕地植被制圖和生物量估算提供了有力支持。Zheng等[7]應用Landsat7ETM+影像數據提取NDVI、修正土壤調整植被指數(modifiedsoil-adjustedvegetationindex，MSAVI)等5個植被指數，對威斯康星州北部的植被進行生物量評估,其中NDVI為參數的估算模型最優，并得到研究區的總生物量為3.3×106t； 王慶等[8]綜合利用LandsatTM光學影像和ENVISATASAR雷達影像數據對濕地植被空間分布范圍進行提取，并在此基礎上運用NDVI，比值植被指數(ratiovegetationindex，RVI)和差值植被指數(differencevegetationindex，DVI)3個指數進行統計回歸模型建立，對鄱陽湖濕地植被的生物量進行了反演，獲得了鄱陽湖濕地生物量。國內外學者針對不同地區的濕地植被進行生物量反演的研究逐步增多。吳濤等[9]利用不同植被指數對雙臺河口的翅堿蓬進行空間分布制圖和生物量反演模型構建，并在此基礎上分析了翅堿蓬的變化規律，成為重要濕地植被群落遙感建模估算的典型案例。以往的研究對濕地植被的空間分布制圖和生物量反演模型構建的進一步探索起到重要的推動作用，但是遙感分類方法大多采用基于像元的傳統遙感分類方法，針對典型群落的濕地類型，如蘆葦濕地，在遙感信息提取方面，與基于面向對象的分類方法相比具有一定的弊端。

遼寧省雙臺河口國際重要濕地是亞洲東北部重要的水禽棲息地。濕地植被的優勢群落為蘆葦，其長勢關系著大量水禽和珍貴鳥類生存以及以蘆葦為產業的區域經濟發展。蘆葦地上生物量的高低對維持區域經濟可持續發展和生物多樣性具有重要的意義。近年來，由于受石油工業、水產養殖及耕墾等[15-16]人類活動和氣候變化的影響，該濕地中蘆葦的生長遭受了不同程度的破壞，濕地保護與經濟發展的矛盾日漸突出。因此，如何在經濟快速發展的背景下，對該區濕地資源進行合理的開發利用和保護管理，關系著區域生態平衡和安全。以往研究工作由于受到數據獲取和傳統基于像元分類方法的限制，對該濕地蘆葦分布提取及地上生物量反演的研究相對匱乏，對區域濕地生態系統的管理和保護未能形成有效的支撐。

本文以雙臺河口國際重要濕地為研究區，采用2014年多時相的LandsatOLI衛星影像為遙感數據源，結合地面實測數據，應用面向對象的遙感解譯方法開展研究區蘆葦空間分布制圖； 進而比較不同植被指數對實測蘆葦地上生物量的敏感性，構建蘆葦地上生物量的遙感估算模型，進行蘆葦地上生物量反演與分析，以期為該濕地區蘆葦研究以及蘆葦濕地保護提供基礎數據，對區域蘆葦濕地生態系統的保護與管理提供科學依據。

1數據源及方法

1.1研究區概況

雙臺河口國際重要濕地(《拉姆塞爾公約》編號： 1441)在E121°23′～122°29′，N40°39′N～41°27′之間，處于遼寧省盤錦市境內遼河三角洲的核心部位，遼河平原南部，瀕臨渤海灣，分為實驗區、緩沖區和核心區(圖1)。區域總面積為12.8×104hm2，氣候屬于溫帶大陸性半濕潤季風氣候，年平均氣溫為8.4 ℃～8.6 ℃，年降水量611.6～640mm，平均潛在蒸發量為1 699.6mm。區域地勢較為平坦，海拔為0～4m。土壤主要有草甸土、鹽土、沼澤土和水稻土等類型，主要植被類型為蘆葦、菖蒲和翅堿蓬[17]。雙臺河口濕地不僅擁有東北最大的葦場，為珍稀鳥類與動物提供棲息地和繁殖場所； 同時是由翅堿蓬構成的全國面積最大的 “紅海灘”，是雙臺河口的主要旅游景區； 該區還具有豐富的石油資源，是區域經濟發展的主要類型。

圖1　研究區位置圖

1.2遙感數據預處理

本研究選取的遙感信息源為Landsat8衛星的OLI影像，其重訪周期為16d，空間分辨率為30m。影像數據的質量是生物量反演的重要保障，選取2014年3個時相云層覆蓋率為0且能覆蓋整個研究區域的衛星影像，軌道號為120/031和120/032。每景影像分別選取了3個不同時相，分別為5月、8月和9月。利用ENVI軟件對原始的影像進行輻射定標、運用FLAASH模塊大氣校正處理、幾何糾正，并且控制誤差在0.5個像元以內[18]。

盤錦地區3—4月份冰雪開始融化，5月份濕地具有大量的積水，此時利用紅外圖像可快速準確區分出濕地與非濕地的界限，9月份影像濕地植被與其他植被的光譜差異明顯。本研究采用5月與9月份的影像相結合來進行濕地分布信息提取。8月份是蘆葦生長最旺盛的季節，所以 8月份影像主要用于生物量建模與反演。

1.3實測蘆葦地上生物量數據獲取與處理

本研究于2014年8月對研究區預設采樣點，對區域蘆葦地上生物量進行樣本采集。具體方法為： 每個樣地隨機選取3個樣點，利用取樣框隨機取得1m×1m的樣方，利用GPS記錄采樣點的經度、緯度和高程。齊地面進行收割樣方內的所有蘆葦，然后進行裝袋標記稱重，統計濕生物量。后期實驗室處理時將樣品放入對應標記牛皮紙袋中，在65℃環境下烘干至恒重，稱量每個樣品的干生物量。將3個小樣方的干生物量取平均值，作為樣地蘆葦地上生物量。利用ArcGIS將采集的41個樣地的地上生物量數據錄入到對應的GPS點中，生成點圖層，建立地理空間數據庫。其中，結合空間分布情況隨機選取30個實測數據作為建模訓練樣本，剩余的11個實測數據作為模型驗證樣本。

1.4蘆葦分布信息提取

研究區的主要濕地類型為人工濕地與自然濕地。人工濕地包括水庫/坑塘、運河/水渠和水田。自然濕地包括河流、蘆葦濕地和翅堿蓬濕地。利用野外實地調查數據、依據《濕地公約》的規定，并參照現有研究[6,9]的做法，結合研究區的土地覆蓋類型與本次研究的目的，建立了該區的土地覆蓋分類系統： 建設用地、蘆葦濕地、翅堿蓬濕地、旱地、水田、居住地、交通用地、運河/水渠、水庫/坑塘。

以2014年覆蓋研究區的多時相影像作為主要數據源，利用面向對象分類軟件eCognition對研究區的蘆葦分布信息進行提取。應用面向對象濕地分類方法[19]主要可以分為以下3個步驟： ①基于面向對象的分類軟件，利用多尺度分割(multi-resolutionsegmentation)算法，得到同質對象； ②區分濕地與其他地物，提取濕地分布信息； ③對濕地進行詳細區分，提取蘆葦沼澤分布信息。

結合野外實地調查數據(210個)和從GoogleEarth的高空間分辨率(大于2.5m)的圖像上獲取的169個覆蓋所有土地覆蓋類型驗證點。從中隨機選取260個，參照分割后的影像將其導入eCognition軟件中，通過驗證點對應的地物提取不同地物類型的參數信息，反復該過程，直到獲得能準確地區分出蘆葦與其他地物的閾值為止。本文利用歸一化差值植被指數(NDVI)、歸一化水體指數(normalizeddifferencewaterindex,NDWI)[20]、OLI影像的第3波段(B3)和第4波段(B4)反射率及二者的比值(B4/B3)構建分類規則集，結合目視人工解譯對蘆葦濕地分布信息進行提取，具體流程如圖2所示。

圖2　蘆葦分布信息提取流程圖

混淆矩陣[21]是評價圖像解譯結果精度的主要算法。本研究通過建立混淆矩陣方法來評估蘆葦信息提取的精度。

1.5遙感反演方法

參考國內外提取生物量的研究方法，結合研究區域內的植被覆蓋特點，選取與生物量相關的6個常用植被光譜指數：NDVI，DVI，RVI，MSAVI，增強型植被指數(enhancedvegetationindex，EVI)和優化土壤調整植被指數(optimizedsoiladjustedvegetationindex，OSAVI)。計算公式如表1所示。利用ArcGIS軟件提取各樣地中心點周圍3像元×3像元的不同植被指數的平均值，將選取建模訓練樣本的蘆葦生物量實測數據與相應的植被指數進行相關分析和回歸分析，比較不同植被指數對生物量數據的敏感性?；谙嚓P系數和可決系數(R2)選擇最佳植被指數和最優回歸曲線，進行蘆葦地上生物量反演建模； 用選取的模型驗證樣本數據進行模型評價和驗證。

表1　研究中采用的植被指數[12,22]

①式中： Rnir表示近紅外波段反射率值； Rred表示紅光波段反射率值; Rblue表示藍光波段反射率值。

2結果與分析

2.1蘆葦分布信息提取及制圖分析

2.1.1蘆葦信息提取精度評價

基于預留的119個地面實際調查點與遙感提取的土地覆蓋類型結果建立混淆矩陣。驗證蘆葦提取信息精度的結果顯示： 蘆葦的制圖精度為90%，用戶精度為92%； 研究區土地覆蓋類型總體分類精度為87%，Kappa系數為0.82。說明本研究的分類精度較好，實現分類參數的閾值對蘆葦分布信息提取有較好的效果，能夠滿足本研究的需求。

2.1.2蘆葦空間分布及統計特征

基于LandsatOLI遙感影像，利用面向對象的分類方法提取研究區土地覆蓋信息，結果如圖3所示。研究區域內的濕地植被主要為蘆葦，其主要沿著雙臺河道兩側分布，西側明顯多于東側。統計結果顯示： 2014年蘆葦面積為4.39×104hm2。其中核心區內的蘆葦面積為1.36×104hm2，緩沖區內的面積為1.74×104hm2，實驗區蘆葦面積為1.27×104hm2。

圖3　2014年遼寧雙臺河口國際重要濕地蘆葦分布

2.2蘆葦地上生物量反演模型構建與評價

2.2.1基于不同植被指數比較的蘆葦地上生物量反演模型構建

統計分析方法具有簡單、快捷和精度較高的特性。利用統計分析進行植被指數與生物量之間建立估算模型的方法已經得到廣泛應用。利用SPSS軟件[23]分析實測地上生物量與提取的6個變量之間的相關，驗證與生物量之間關系程度最密切的自變量，并與生物量進行一元回歸或者多元線性回歸。具體方法如下： 從41個采樣點中挑出選好的建模訓練樣本(30個)，利用樣點對應的生物量與其對應的各個變量進行回歸模型構建： 分別構建了線性模型、指數模型、冪指數模型。對比出最優的模型，并對其進行驗證。最后，通過絕對誤差、相對誤差和估算精度對選取的模型精度進行評價[24]。通過對比分析后得出NDVI指數與生物量之間的相關性最好，如表2所示。通過回歸分析選出最優的雙臺河口蘆葦生物量的擬模型為

y=686.32e3.029NDVI， R2=0.788 2 。

(1)

與此相似，牛婷等[25]以NDVI植被指數對塔里木河下游的蘆葦生物量進行評估，發現其估算精度高達82.07%，說明NDVI更適合蘆葦生物量的反演研究。李延峰等[26]利用植被指數對東北地區蘆葦地上生物量建模得出NDVI與地上生物量擬合較好，二者呈線性關系

y=4 029.6NDVI-433.71 ，

(2)

可能是地區與降水量不同的影響，導致蘆葦長勢存在差異。

表2　基于植被指數的蘆葦生物量的反演模型

2.2.2蘆葦生物量反演模型精度評價

將模型驗證樣本(11個)的NDVI值帶入最優模型，得到對應點的生物量的模擬值。將模擬值與實測值進行對比后，計算相對誤差結果為20.73%，說明模型的估算精度可以達到79%，模型估算的效果相對較好(圖4)，可以用來估算保護區蘆葦的生物量空間格局分布。

圖4　2014年盤錦雙臺河口國際重要濕地

2.3蘆葦地上生物量空間制圖與分析

通過最優模型與NDVI數據進行反演和制圖得出研究區內蘆葦地上生物量的空間分布圖(圖5)。

圖5　2014年遼寧雙臺河口國際重要濕地蘆葦

蘆葦地上生物量分布特征為東北高于西南。蘆葦生物量較高的地方主要分布在東北部，原因在于雙臺河從北部流經研究區，為濕地提供較為充足的水源，也為蘆葦生長提供了良好的保障； 從圖中可以看出，蘆葦長勢較好的地區無人居住； 道路分布較為稀少； 幾乎沒有油田的分布。而生物量相對較低的西南部位遠離雙臺河主河道； 分布比較密集道路和油田。由于道路以及油田的存在對濕地整體景觀格局造成嚴重破壞，阻礙了濕地格局的能量相互傳遞； 而且該部位靠近含鹽量較高的海邊，具有大量的水產養殖用地，旅游景區“紅海灘”也分布在沿海地區，給濕地帶來較大的負面影響； 石油大量的開采也會導致石油污染，對該區的蘆葦生長具有較大抑制作用； 因而該部位的生物量相對較低[15]。

研究區蘆葦平均地上生物量為4 785.5 g/m2，而王丹等[27]對蘇州太湖濕地的蘆葦生物量研究，發現太湖的蘆葦生物量為2 219.5 g/m2，可能是降水量、水深和地域不同對蘆葦生長的影響會有所不同[28]。研究區內蘆葦總生物量為2.06×106t，核心區蘆葦平均地上生物量為4 808.02 g/m2； 緩沖區蘆葦平均地上生物量為4 782.427 g/m2； 實驗區蘆葦平均地上生物量為4 764.66 g/m2。由此看出核心區的蘆葦長勢最好，其次是緩沖區，最后為實驗區。

3結論

本文利用多時相遙感影像數據，采用面向對象的方法對蘆葦濕地信息進行提取，分析植被指數與蘆葦地上生物量之間的敏感性，利用最敏感的植被指數對研究區內的蘆葦進行空間反演，取得了較好效果，并得出以下主要結論：

1)采用面向對象的分類方法對雙臺河口國際重要濕地的土地覆蓋信息進行提取，結合分類參數閾值選取與人工目視解譯方法的精度較高，其精度達到90%以上。

2)2014年雙臺河口國際重要濕地內蘆葦面積為4.39×104hm2，其中核心區內蘆葦面積為1.36×104hm2； 緩沖區內的面積為1.74×104hm2； 實驗區內的蘆葦面積為1.27×104hm2。

3)比較實測地上生物量值與不同光譜植被指數間的相關性，發現NDVI與生物量所擬合的模型為雙臺河口國際重要濕地蘆葦地上生物量遙感估算最優模型。該區平均地上生物量為4 785.5 g/m2，總地上生物量為2.06×106t，呈現出東高西低、北高南低的分布特征。

參考文獻(References)：

[1]江波,歐陽志云,苗鴻,等.海河流域濕地生態系統服務功能價值評價[J].生態學報,2011,31(8):2236-2244.

Jiang B,Ouyang Z Y,Miao H,et al.Ecosystem services valuation of the Haihe River basin wetlands[J].Acta Ecologica Sinica,2011,31(8):2236-2244.

[2]Keddy P A.Wetland Ecology:Principles and Conservation[M].Cambridge:Cambridge University Press,2000.

[3]劉興土.東北濕地[M].北京:科學出版社,2005.

Liu X T.Northeast Wetland[M].Beijing:Science Press,2005.

[4]呂憲國,王升忠,姜明,等.中國濕地與濕地研究[M].石家莊:河北科學技術出版社,2008.

Lyu X G,Wang S Z,Jiang M,et al.Study on Wetland and Wetland in China[M].Shijiazhuang:Hebei Science and Technology Publishing House,2008.

[5]王莉雯,衛亞星.盤錦濕地凈初級生產力時空分布特征[J].生態學報,2012,32(19):6006-6015.

Wang L W,Wei Y X.Variation analysis about net primary productivity of the wetland in Panjin region[J].Acta Ecologica Sinica,2012,32(19):6006-6015.

[6]Moreau S,Bosseno R,Gu X F,et al.Assessing the biomass dynamics of Andean bofedal and totora high-protein wetland grasses from NOAA/AVHRR[J].Remote Sensing of Environment,2003,85(4):516-529.

[7]Zheng D L,Rademacher J,Chen J Q,et al.Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin,USA[J].Remote Sensing of Environment,2004,93(3):402-411.

[8]王慶,廖靜娟.基于Landsat TM和ENVISAT ASAR數據的鄱陽湖濕地植被生物量的反演[J].地球信息科學學報,2010,12(2):2282-2291.

Wang Q,Liao J J.Estimation of wetland vegetation biomass in the Poyang Lake area using Landsat TM and ENVISAT ASAR data[J].Journal of GEO-Information Science,2010,12(2):2282-2291.

[9]吳濤,趙冬至,康建成,等.遼東灣雙臺子河口濕地翅堿蓬(Suaeda salsa)生物量遙感反演研究[J].生態環境學報,2011,20(1):24-29.

Wu T,Zhao D Z,Kang J C,et al.Suaeda salsa dynamic remote monitoring and biomass remote sensing inversion in Shuangtaizi River estuary[J].Ecology and Environmental Sciences,2011,20(1):24-29.

[10]李旭文,季耿善,楊靜.太湖梅梁湖灣藍藻生物量的遙感估算[J].遙感信息,1995(1):35-38.

Li X W,Ji G S,Yang J.Estimating cyanophyta biomasss standing crops in meiliang gulf of Lake Taihu by satellite remote sensing[J].Remote Sensing Information,1995(1):35-38.

[11]Moreau S,Le Toan T.Biomass quantification of Andean wetland forages using ERS satellite SAR data for optimizing livestock management[J].Remote Sensing of Environment,2003,84(4):477-492.

[12]Van T K,Rayachhetry M B,Center T D.Estimating above-ground biomass of Melaleuca quinquenervia in Florida,USA[J].Journal of Aquatic Plant Management,2000,38(1):62-67.

[13]黎夏,葉嘉安,王樹功,等.紅樹林濕地植被生物量的雷達遙感估算[J].遙感學報,2006,10(3):387-396.

Li X,Ye J A,Wang S G,et al.Estimating mangrove wetland biomass using radar remote sensing[J].Journal of Remote Sensing,2006,10(3):387-396.

[14]高明亮,趙文吉,宮兆寧,等.基于環境衛星數據的黃河濕地植被生物量反演研究[J].生態學報,2013,33(2):542-553.

Gao M L,Zhao W J,Gong Z N,et al.The study of vegetation biomass inversion based on the HJ satellite data in Yellow River wetland[J].Acta Ecologica Sinica,2013,33(2):542-553.

[15]徐東霞,章光新.人類活動對中國濱海濕地的影響及其保護對策[J].濕地科學,2007,5(3):282-288.

Xu D X,Zhang G X.Impact of human activities on coastal wetlands in China[J].Wetland Science,2007,5(3):282-288.

[16]陳克林,張小紅,呂詠.氣候變化與濕地[J].濕地科學,2003,1(1):73-77.

Chen K L,Zhang X H,Lyu Y.Climate change and wetland[J].Wetland Science,2003,1(1):73-77.

[17]李延峰,毛德華,王宗明,等.雙臺河口國家級自然保護區蘆葦葉面積指數遙感反演與空間格局分析[J].濕地科學,2014,12(2):163-169.

Li Y F,Mao D H,Wang Z M,et al.Remote sensing retrieval and spatial pattern analysis of leaf area index of Phragmites australis in Shuangtai estuary national nature reserve[J].Wetland Science,2014,12(2):163-169.

[18]孫俊杰,馬大喜,任春穎,等.基于多時相環境衛星數據的南甕河流域濕地信息提取方法研究[J].濕地科學,2013,11(1):60-67.

Sun J J,Ma D X,Ren C Y,et al.Method of extraction of wetlands information in Nanweng River Basin based on multi-temporal environment satellite images[J].Wetland Science,2013,11(1):60-67.

[19]謝靜,王宗明,毛德華,等.基于面向對象方法和多時相HJ-1影像的濕地遙感分類——以完達山以北三江平原為例[J].濕地科學,2012,10(4):429-438.

Xie J,Wang Z M,Mao D H,et al.Remote sensing classification of wetlands using object-oriented method and multi-season HJ-1 images:A case study in the Sanjiang Plain north of the Wandashan Mountain[J].Wetland Science,2012,10(4):429-438.

[20]宋小寧,趙英時.應用MODIS衛星數據提取植被-溫度-水分綜合指數的研究[J].地理與地理信息科學,2004,20(2):13-17.

Song X N,Zhao Y S.Study on vegetation-temperature-water synthesis index using MODIS satellite data[J].Geography and Geo-Information Science,2004,20(2):13-17.

[21]賈明明,王宗明,張柏,等.綜合環境衛星與MODIS數據的面向對象土地覆蓋分類方法[J].武漢大學學報:信息科學版,2014,39(3):305-310.

Jia M M,Wang Z M,Zhang B,et al.Land cover classification of compositing HJ-1 and MODIS data based on object-based method[J].Geomatics and Information Science of Wuhan University,2014,39(3):305-310.

[22]Ji L,Wylie B K,Nossov D R,et al.Estimating aboveground biomass in interior Alaska with Landsat data and field measurements[J].International Journal of Applied Earth Observation and Geoinformation,2012,18:451-461.

[23]盧紋岱.SPSS統計分析[M].4版.北京:電子工業出版社,2010.

Lu W D.SPSS Statistical Analysis[M].4th ed.Beijing:Electronic Industry Press,2010.

[24]羅玲,王宗明,任春穎,等.基于MODIS數據的松嫩草原產草量遙感估算模型與空間反演[J].農業工程學報,2010,26(5):182-187.

Luo L,Wang Z M,Ren C Y.Models for estimation grassland production and spatial inversion based on MODIS data in Songnen Plain[J].Transactions of the CSAE,2010,26(5):182-187.

[25]牛婷,李霞,林海軍,等.塔里木河下游蘆葦生物量遙感估算模型研建[J].國土資源遙感,2011,23(4):42-45.doi:10.6046/gtzyyg.2011.04.08.

Niu T,Li X,Lin H J,et al.The construction of the remote sensing estimation models for reed biomass in the lower reaches of the Tarim River[J].Remote Sensing for Land and Resources,2011,23(4):42-45.doi:10.6046/gtzyyg.2011.04.08.

[26]李延峰.東北典型區蘆葦分布提取與地上生物量遙感估算[D].長春:中國科學院東北地理與農業生態研究所,2014.

Li Y F.Phragmites Australis Extraction and Aboveground Biomass Estimation in Typical Regions of Northeast China,Using Remote Sensing Technology[D].Changchun:Northeast Institute of Geography and Agroecology,Chinese Academy of Sciences,2014.

[27]王丹,張銀龍,龐博,等.蘇州太湖濕地蘆葦生物量與水深的動態特征研究[J].環境污染與防治,2010,32(7):49-54.

Wang D,Zhang Y L,Pang B,et al.Study on dynamic characteristics between the biomass of Phragmites communis and water depth at Taihu wetland in Suzhou[J].Environmental Pollution and Control,2010,32(7):49-54.

[28]趙文智,常學禮,李啟森,等.荒漠綠洲區蘆葦種群構件生物量與地下水埋深關系[J].生態學報,2003,23(6):1138-1146.

Zhao W Z,Chang X L,Li Q S,et al.Relationship between structural component biomass of reed population and ground water depth in desert oasis[J].Acta Ecologica Sinica,2003,23(6):1138-1146.

(責任編輯： 李瑜)

Remote sensing based estimation of Phragmites australis aboveground biomass in Shuangtai Estuary National Nature Reserve

LIANG Jianping1,2， MA Daxi1， MAO Dehua2， WANG Zongming2

(1. Jiangxi University of Science and Technology, Ganzhou 341000, China; 2. Key Laboratory of Wetland Ecology and Environment,NortheastInstituteofGeographyandAgroecology,ChineseAcademyofSciences,Changchun130102,China)

Abstract:With the object-oriented classification method, the spatial distribution of Phragmites australis was obtained based on multi-temporal Landsat8 OLI data covering Shuangtai Estuary National Nature Reserve. By analyzing the sensitivity between different vegetation indexes and aboveground biomass (AGB) of Phragmites australis, the retrieval model of AGB for Phragmites australis was developed. Furthermore, the spatial pattern of AGB for Phragmites australis was observed. The results showed that the area of Phragmites australis was 4.39×104hm2, accounting for 32.96% of the study area of the Shuangtai Estuary National Nature Reserve. Selecting NDVI as the variable for the power function, the authors formulated the optimal model for estimating AGB of Phragmites australis with an estimation accuracy of 79%. Average AGB of Phragmites australis was 4 785.5 g/m2and total AGB was 2.06×106t. High values of AGB were observed in the northeast part, while low AGB values in the southwest. The results obtained in this study would provide data to support wetland ecosystem management and scientific guidance for Shuangtai Estuary National Nature Reserve.

Keywords:Phragmites australis wetland; aboveground biomass; object-oriented classification; vegetation index; Shuangtai Estuary National Nature Reserve

doi:10.6046/gtzyyg.2016.03.10

收稿日期：2015-04-30；

修訂日期：2015-06-16

基金項目：國家自然科學基金項目“應用遙感信息定量區分氣候變化和人類活動對沼澤濕地植被NPP的影響”(編號： 41401502)和“基于優化植被指數的草本濕地植被凈初級生產力遙感估算”(編號： 41371403)共同資助。

中圖法分類號：TP79

文獻標志碼：A

文章編號：1001-070X(2016)03-0060-07

第一作者簡介：梁建平(1992-)，男，碩士研究生，主要從事濕地生態遙感的研究。Email: liangxiao318@sina.cn。

通信作者：毛德華(1987-)，男，助理研究員，主要從事濕地生態遙感的研究。Email: maodehua@iga.ac.cn。

引用格式： 梁建平，馬大喜，毛德華,等.雙臺河口國際重要濕地蘆葦地上生物量遙感估算[J].國土資源遙感,2016,28(3):60-66.(LiangJP，MaDX，MaoDH,etal.RemotesensingbasedestimationofPhragmitesaustralisabovegroundbiomassinShuangtaiEstuaryNationalNatureReserve[J].RemoteSensingforLandandResources,2016,28(3):60-66.)