基于HJ-1A衛星數據的高寒草地氮素評估-以青海省貴南縣及瑪沁縣高寒草地為例

高金龍，孟寶平，楊淑霞，馮琦勝，崔霞，梁天剛*

(1.草地農業生態系統國家重點實驗室，蘭州大學草地農業科技學院，甘肅 蘭州 730020；2.蘭州大學西部環境教育部重點實驗室，甘肅 蘭州 730000)

?

基于HJ-1A衛星數據的高寒草地氮素評估-以青海省貴南縣及瑪沁縣高寒草地為例

高金龍1，孟寶平1，楊淑霞1，馮琦勝1，崔霞2，梁天剛1*

(1.草地農業生態系統國家重點實驗室，蘭州大學草地農業科技學院，甘肅 蘭州 730020；2.蘭州大學西部環境教育部重點實驗室，甘肅 蘭州 730000)

基于HJ-1A HSI衛星遙感資料，結合2014年青海省瑪沁縣、貴南縣研究區高寒草地野外實測數據，建立了高寒草地氮素含量的估測模型，并對模型進行了精度評價，篩選出最優反演模型，分析了研究區高寒草地氮素的空間分布。結果表明，1)高寒草地HSI的原始光譜反射率、一階導數光譜反射率及去包絡線光譜反射率與地面實測氮素含量有一定的相關性，特別是吸收特征波段1(750.95～791.95 nm)和吸收特征波段3(889.03～921.30 nm)與氮素含量具有顯著的相關性；2)基于吸收特征波段1構建的波段深度指數BD767.99可以較好的估測研究區高寒草地氮素含量，利用此變量擬合的線性回歸模型可以解釋研究區高寒草地氮素含量變化的44%，模型估測精度可達81.6%；3)貴南研究區氮素含量的空間變異較大，整體而言，西北部和西南部地區氮素含量較高，東北部地區氮素含量較低；瑪沁研究區氮素含量的空間變異較小，草地氮素含量水平整體較低。

高寒草地；牧草品質；遙感監測；估測模型

我國擁有多種草地類型，其中高寒草地類的面積最大，約占全國草地面積的16.22%[1]。高寒草地牧草品質不僅與草地的生產、可持續利用及畜牧業的發展密切相關，而且和牧民的經濟收入緊密聯系。牧草營養品質和地上生物量對研究放牧家畜與野生動物的空間分布、采食模式和種群動態具有重要的參考價值[2-3]。因此，快速、精確地監測草地營養物質含量的空間分布特征及動態變化規律對指導天然草地合理利用和有效管理具有十分重要的意義。

隨著草地遙感技術的應用與發展，基于實驗室模擬、野外調查、衛星影像及機載高光譜等數據對草地養分含量的估測以及空間分布特征圖的繪制已日漸成熟。在基于高光譜數據的草地營養品質研究方面，Mutanga等[4]在草地養分含量的遙感估測方面做了大量研究，發現紅光范圍內的光譜吸收特征與葉片氮素濃度具有很強的相關性，使用歸一化波段深度指數(normalized band depth index，NBDI)可以估測鮮草葉片化學物質濃度[5]，在冠層水平上野牛草(Buchloedactyloides)的氮素含量與紅邊位置713和725 nm處的斜率和振幅有很強的相關性[6]，并且基于高分辨率遙感圖像HyMap首次在冠層水平上繪制出了南非薩瓦納天然草地氮素含量分布圖[7]。Ramoelo等[8]基于RapidEye衛星影像對南非東北部地區兩個牧場的產草量和氮素含量進行了評估，并基于植被指數繪制了牧草冠層氮素含量和地上生物量的空間分布圖，該研究發現高光譜遙感數據的紅邊波段具有評估牧草質量和品質的潛力，利用植被指數和輔助數據可以繪制牧草養分空間分布圖。Knox等[9]利用航空高光譜遙感資料(carnegie airborne observatory，CAO)及神經網絡方法研究了旱季非洲熱帶稀樹大草原草地牧草的纖維、P及N含量，研究結果表明高光譜遙感監測模型可解釋N含量變化的41%。Kokaly等[10]基于去包絡線的光譜吸收特征法估測了干葉中氮素等營養成分含量，結果表明該方法對氮素含量的建模效果較好，可應用于其他植被氮素等化學成分含量的估測。Ramoelo等[11]基于WorldView-2衛星影像和隨機森林模型，監測了南非東北部草地的氮素含量，總體結果表明基于紅邊位置的植被指數和隨機森林模型可以解釋草地和樹木中超過89%的葉N濃度，同時也指出含紅邊波段的高分辨率遙感資料可以監測草地葉N濃度。王迅等[12]基于HJ-1A HSI數據對高寒草地牧草生物量和營養成分含量進行了建模估測，結果表明比值植被指數(ratio vegetation index, RVI)與草地生物量、粗蛋白等含量顯著相關。

綜上所述，在草地品質的衛星遙感評估方面，目前國內外許多學者的研究大多集中在草地冠層光譜吸收特征分析、草地生物量及養分含量的建模與估測及空間分布圖的繪制等方面，雖然取得了一些研究成果，但是我國自主研發的環境與災害監測預報衛星(HJ-1A/1B)的超光譜成像儀(hyperspectral imager，HSI)對高寒草地營養成分的遙感監測及其空間分布格局的研究尚鮮有報道。

基于以上原因，本研究基于HJ-1A HSI數據，并結合研究區高寒草地盛草期的野外實測數據，重點探索研究高寒草地氮素的估測模型以及其空間分布特征，以期為我國高寒草地品質評估提供理論依據。

1　材料與方法

1.1研究區概況

本試驗以青海省貴南縣、瑪沁縣高寒草地作為典型研究區(圖1)?，斍呖h高寒草地研究區位于東經100°12′-100°18′，北緯34°21′-34°29′，屬高原大陸性氣候，主要優勢植物有矮生嵩草(Kobresiapygmaea)、針茅(Stipacapillata)、苔草(Carextristachya)等，盛草期植被覆蓋度在80%～100%之間。貴南縣高寒草地試驗區位于東經100°43′-100°50′，北緯35°27′-35°31′，屬高原大陸性氣候，主要建群種有小嵩草(Kobresiapygmaea)、矮生嵩草、冷地早熟禾(Poacrymophila)、針茅、苔草等，植被覆蓋度為80%～95%。

1.2地面實測資料

野外實測數據的采集時間為2014年7月中旬，貴南、瑪沁縣核心試驗區樣地分布如圖1所示，共均勻布設了27塊樣地(瑪沁縣14塊，貴南縣13塊)，樣地大小為100 m×100 m，每塊樣地按照九點法[13]設置9個0.5 m×0.5 m樣方。對每個樣方采用傳統的采樣方法測定了植被蓋度、草層高度及地上生物量等指標，將樣方中草樣剪下裝袋，帶回實驗室65 ℃烘至恒重后測定其生物量干重，并將各樣方草樣粉碎、均勻混合處理之后，用化學分析方法對草樣中的營養元素進行定量分析。氮素含量的測定使用H2SO4-H2O2消煮+蒸餾法。最后，計算出每塊樣地的地上生物量干重、氮素含量等指標。

圖1　貴南縣和瑪沁縣核心研究區及樣地空間分布Fig.1　The spatial distribution of core experimental area and sampling sites in Guinan and Maqin counties

1.3HJ-1A HSI數據及預處理

本研究中選取可以覆蓋貴南、瑪沁縣核心研究區的HJ-1A衛星HSI高光譜影像2景。HSI影像數據來源于中國資源衛星應用中心網站(http://218.247.138.121/DSSPlatform/index.html)，成像時間分別為2015年7月13日和2015年7月10日，影像空間分辨率為100 m，光譜范圍450～950 nm，共115個波段；HSI影像經輻射定標、大氣校正和幾何精校正(均方根誤差小于一個像素)，對校正后的HSI影像分別進行求導數處理和去包絡線處理。轉換數據格式后，在ArcGIS中分別提取3種影像(校正后原始影像、一階導數影像、去包絡線影像)對應采樣點處的光譜反射率，并對光譜反射率進行Savitzky-Golay卷積平滑濾波(即S-G濾波)處理，以消除噪聲影響。

1.4技術路線

本研究基于HJ-1A HSI衛星遙感資料，結合研究區野外實測數據，旨在建立高寒草地氮素的最優反演模型，并反演氮素的空間分布，以期評估研究區高寒草地品質狀況。研究技術路線如圖2所示。

圖2　研究技術路線Fig.2　The research technical flow chart

2　結果與分析

2.1地面實測數據描述性統計及數據集選取

對研究區27塊樣地的氮素含量數據進行了描述性統計分析(表1)，結果顯示，研究區草地氮素含量平均值為20.33 g/kg，最小值為7.60 g/kg，最大值為28.70 g/kg，標準偏差為5.13 g/kg。

表1　研究區高寒草地氮素含量描述性統計

本研究在試驗區布設了27塊樣地，每塊樣地設置9個采樣點，共243個采樣點。在建立氮素含量估測模型時，以樣地為基礎，隨機選擇18塊樣地作為建模數據集，剩余9塊樣地作為驗證數據集，采用決定系數(R2)和均方根誤差(RMSE)來評估預測模型精度。

2.2高寒草地高光譜特征分析

從圖3可以看出，基于HJ-1A HSI提取出的高寒草地原始光譜反射率曲線(圖3A)在可見光、近紅外區大致符合健康綠色植物的波譜曲線。在可見光波段560和675 nm 左右，由于草地植被中以葉綠素為主的色素對紅光的強烈吸收而對綠光的反射，形成了“綠峰”和“紅光低谷”；受草地冠層葉片細胞結構的影響，在700～750 nm間形成了一個反射率急劇增高的陡坡，并在750～930 nm之間形成了一個高反射率平臺。在這個平臺上可以明顯看出存在3個主要的吸收特征波段，特征波段1(750.95～791.95 nm)，特征波段2(791.95～851.74 nm)和特征波段3(889.03～921.30 nm)，對應的吸收位置分別為767.99，824.09和896.69 nm。

圖3B是基于HSI一階導數影像提取出的對應采樣點處的反射率曲線，可以看出研究區高寒草地紅邊位置為740.01 nm，各樣地紅邊幅值均不相同，最高為0.0094。對HSI影像進行導數處理，可以增強光譜曲線在坡度上的細微變化，這種變化可能與植被生物化學吸收特征有關[14]。圖3C是基于HSI去包絡線影像提取出的對應采樣點處的反射率曲線。去包絡線法是一種很有用的光譜分析技術，它可以使地物的光譜吸收和反射特征更加突出，并且可以將其歸一到一個統一的光譜背景上，有利于特征波段的提取[15]。

圖3　高寒草地原始光譜(A)、一階微分光譜(B)和去包絡線(C)光譜反射率曲線Fig.3　The curves of original (A), first-order differential (B) and continuum removed (C) spectral reflectance in alpine grassland mq01～mq14為瑪沁縣樣地編號，gn01～gn13為貴南縣樣地編號。mq01-mq14 is sample number of Maqin，gn01-gn13 is sample number of Guinan.

2.3氮素與高光譜數據相關性分析

圖4為建模樣地氮素含量與高寒草地原始光譜(A)、一階導數光譜(B)和去包絡線光譜(C)反射率之間的相關系數曲線，可以看出：高寒草地原始光譜與氮素含量的相關性不理想，特征波段不明顯；在904.88～921.30 nm波段內，氮素含量與一階導數光譜反射率之間的相關系數均在0.5以上(P<0.05)，呈顯著負相關關系，在913.02 nm處的相關系數最大，達0.58；在762.23～779.79 nm波段內，氮素含量與去包絡線光譜反射率之間呈顯著負相關關系，相關系數均在0.5以上(P<0.05)，在767.99 nm處相關系數最大，為0.66；在889.03～904.88 nm波段內，氮素含量與去包絡線光譜反射率之間呈顯著正相關關系，相關系數均在0.5以上(P<0.05)，在896.89 nm處相關系數最大，達0.61。

圖4　氮素與高寒草地原始(A)、一階(B)、去包絡線(C)光譜相關性分析Fig.4　The correlation relationship between the nitrogen content and the original (A), first-order differential (B) and continuum removed (C) spectral reflectance curve in alpine grassland

2.4特征波段選擇及回歸變量構建

基于上述結果，并結合高寒草地光譜的3個主要吸收特征波段(750.95～791.95 nm, 791.95～851.74 nm和889.03～921.30 nm)，分析可知吸收特征波段1和吸收特征波段3與氮素含量有顯著的相關性，可基于此構建不同類型的回歸變量，以建立高寒草地氮素含量的估測模型(表2)。

2.5氮素估測模型建立

以高寒草地氮素相關變量為自變量，對應樣地的實測氮素含量為因變量，通過SPSS 17.0軟件進行回歸分析和F檢驗，構建草地氮素含量與回歸變量之間的擬合模型，結果如表3所示。

2.6氮素模型精度評價及最佳模型篩選

由表3可知，共有11個模型通過了F檢驗，達到了極顯著性水平。回歸方法簡單易用，但是經常出現“過渡擬合”現象[16]。當選擇的波段數較多而建模樣本較少時，極易發生這種現象，而且產生誤差的可能性也會提高[17]。使用驗證數據集對模型進行評價，可以選擇出精度較高和隨機誤差較小的模型。本文利用9塊樣地的數據作為驗證數據集，對上述11個估測模型進行驗證，結果如表4所示。

在11個N素含量估測模型中，擬合決定系數R2變動范圍為0.271～0.440，平均值為0.35，說明所選氮素模型總體上是比較理想的。其中，基于BD767.99所構建的氮素含量估測模型Y=361.855×BD767.99-8.964相對于其他模型，擬合R2較高(0.440)，估測R2也相對較高(0.390)，均方根誤差(RMSE)和相對誤差(RE)均較小，分別為4.040 g/kg和18.40%，可以達到良好的預測效果，所以選擇此估測模型作為高寒草地氮素含量的最佳估測模型。考慮到本研究中樣地數量的局限性，利用9塊樣地的實測數據驗證上述模型，結果可能存在一定的不確定性，尚需進一步完善。

2.7高寒草地氮素空間反演

根據上述研究結果，貴南縣、瑪沁縣高寒草地氮素含量的最佳估測模型是(式1)：

Y=361.855×BD767.99-8.964 (R2=0.440，RMSE=4.040 g/kg，RE=18.40%)

(1)

式中，Y為氮素含量(g/kg)，BD767.99表示767.99 nm處的波段深度。

由于波段深度BD=1-Rc(表3)，所以氮素含量的最佳反演模型可寫為(式2)：

Y=288.76-301.084×Rc767.99

(2)

式中，Y為氮素含量(g/kg)，Rc767.99表示去包絡線光譜在767.99 nm處對應的反射率值。

基于本研究中高寒草地氮素含量的最佳反演模型，利用ArcMap 10.2繪制了2014年7月中旬瑪沁縣、貴南縣研究區高寒草地氮素(圖5)的空間分布圖。

表2　氮素特征波段選擇及回歸變量構建

注：表中R0表示去包絡線反射率值，BDmax表示最大波段深度。

Note: R0indicate the value of continuum, BDmaxindicate the maximum of band depth.

表3　高寒草地氮素含量估測模型

注：**表示極顯著水平(P<0.01)，模型中X表示回歸變量，Y表示對應的氮素含量。

Note: ** indicate significantly correlation at the level of 0.01,Xindicate regression variables andYindicate the corresponding nitrogen content.

表4　高寒草地氮素含量估測模型精度評價

圖5　貴南縣(A)、瑪沁縣(B)高寒草地研究區氮素含量空間分布Fig.5　The spatial distribution of nitrogen content in the research area of alpine grassland in Guinan (A) and Maqin (B) County

3　討論

3.1高寒草地氮素含量估測模型

對HJ-1A HSI影像提取出的研究區高寒草地原始光譜反射率曲線、一階導數光譜反射率曲線及去包絡線光譜反射率曲線進行特征提取，并分析3種光譜曲線與地面實測氮素含量的相關性，發現吸收特征波段1(750.95～791.95 nm)和吸收特征波段3(889.03～921.30 nm)與氮素含量具有明顯的相關性。基于吸收特征1和吸收特征3構建的波段深度指數(BD767.99)可以較好的估測研究區高寒草地氮素含量。

本研究分析所得研究區高寒草地氮素的吸收特征波段主要集中在紅光波段(750～760 nm)和短波近紅外波段(760～792 nm，889～921 nm)，與已有研究有一定相似性，但存在差異。付彥博[18]對制種紫花苜蓿(Medicagosativa)主要生理指標的高光譜反演研究發現以760和810 nm構建的植被指數DVI(760,810)與苜蓿現蕾期葉片的氮含量具有很好的相關性。Ramoelo等[19]的研究也證明窄波段比值、紅邊位置、910和1020 nm處的吸收特征與葉氮含量的預測顯著相關。這些研究與本研究結果類似。但是，Mutanga[20]對天然牧草營養品質高光譜的研究發現，牧草中氮素含量與高光譜敏感的波段大多分布在紅光區域(680～760 nm)，在該區域所選擇的很多波段與植被生化物質含量顯著相關。Ramoelo等[8]對薩王納草地品質的研究發現基于紅邊波段的高光譜遙感數據具有評估牧草質量和品質的潛力。Clevers等[21]的研究也發現紅邊位置(700～750 nm)與牧草葉綠素和氮素含量的相關性較強。本研究所得氮素吸收特征波段在紅光或紅邊范圍內分布較少，原因一方面可能是HJ-1A HSI影像空間分辨率(100 m)較低，傳感器所獲取的地物像元多為混合像元，從而提取出的草地光譜為混合光譜(植被、土壤、陰影等)，在分析其與草地氮素含量相關關系時可能會受到一定影響。另一方面可能是草地植被群落物種組成、草層高度、植被冠層形態結構、理化組成、葉片顏色及組織構造的不同，草地植被的光譜反射率會存在一定的差別，同一種營養素的吸收特征可能會被掩蓋或突顯。

3.2高寒草地氮素含量空間分布

本研究基于HJ-1A HSI數據繪制出了貴南縣、瑪沁縣研究區高寒草地氮素的空間分布特征圖(圖5)。可以看出，貴南研究區氮素含量的空間變異較大，整體而言，西北部和西南部地區氮素含量較高，東北部地區氮素含量較低。導致此分布的原因可能是東北部地區距離公路和居民區近，交通便利，大多數草地被開墾為農田，草地營養水平較低。瑪沁研究區氮素含量的空間變異較小，草地營養水平整體較低。造成這種空間分布特征的原因一方面可能是因為本研究選取的覆蓋瑪沁縣研究區的HJ-1A HSI影像云量較高，在氮素含量的模型估測及空間反演上存在一定偏差。另一方面，瑪沁縣為青海省果洛藏族自治州州府所在地，人口眾多，畜牧業發達，縣城周邊草地受放牧、建筑等影響較大，草地營養狀況較差。

4　結論

本研究基于HJ-1A HSI遙感資料，建立了貴南縣、瑪沁縣研究區高寒草地氮素的反演模型，并繪制出了研究區氮素的空間分布圖，主要得出以下結論：

1)對研究區原始HSI影像、一階導數HSI影像及去包絡線HSI影像提取出的高寒草地原始光譜反射率曲線、一階導數光譜反射率曲線及去包絡線光譜反射率曲線進行特征提取，并分析3種光譜曲線與地面實測氮素含量的相關性，發現吸收特征1(750.95～791.95 nm)和吸收特征3(889.03～921.30 nm)與氮素含量具有明顯的相關性。

2)綜合評價各回歸變量，發現基于吸收特征1構建的波段深度指數(BD767.99)可以較好的估測研究區高寒草地氮素含量，利用此變量擬合的線性回歸模型Y=361.855×BD767.99-8.964 (R2=0.440，RMSE=4.040 g/kg，RE=18.40%)可以解釋研究區高寒草地氮素含量變化的44%，模型估測精度為81.6%。

3)貴南研究區氮素含量的空間變異較大，整體而言，西北部和西南部地區氮素含量較高，東北部地區氮素含量較低；瑪沁研究區氮素含量的空間變異較小，草地氮素含量水平整體較低。

[1]Xu P, Hu Z Z, Zhu J Z,etal. Grassland Resource Survey and Planning[M]. Beijing: China Agriculture Press, 2000.

[2]Dube T, Mutanga O. Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in uMgeni catchment, South Africa. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 101: 36-46.

[3]Gu Y, Wylie B K. Developing a 30-m grassland productivity estimation map for central Nebraska using 250-m MODIS and 30-m Landsat-8 observations. Remote Sensing of Environment, 2015, 171: 291-298.

[4]Mutanga O, Skidmore A K, van Wieren S. Discriminating tropical grass (Cenchrusciliaris) canopies grown under different nitrogen treatments using spectroradiometry. ISPRS Journal of Photogrammetry and Remote Sensing, 2003, 57(4): 263-272.

[5]Mutanga O, Skidmore A K, Kumar L,etal. Estimating tropical pasture quality at canopy level using band depth analysis with continuum removal in the visible domain. International Journal of Remote Sensing, 2005, 26(6): 1093-1108.

[6]Mutanga O, Skidmore A K. Red edge shift and biochemical content in grass canopies. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(1): 34-42.

[7]Mutanga O, Skidmore A K. Hyperspectral band depth analysis for a better estimation of grass biomass (Cenchrusciliaris) measured under controlled laboratory conditions. International Journal of Applied Earth Observation and Geoinformation, 2004, 5(2): 87-96.

[8]Ramoelo A, Cho M A, Mathieu R,etal. Estimating grass nutrients and biomass as an indicator of rangeland (forage) quality and quantity using remote sensing in Savanna ecosystems[C]//9th International Conference of the African Association of Remote Sensing and the Environment. Eljadida, Morocco: AARSE, 2012.

[9]Knox N M, Skidmore A K, Prins H H T,etal. Dry season mapping of savanna forage quality, using the hyperspectral Carnegie Airborne Observatory sensor. Remote Sensing of Environment, 2011, 115(6): 1478-1488.

[10]Kokaly R F, Clark R N. Spectroscopic determination of leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment, 1999, 67(3): 267-287.

[11]Ramoelo A, Cho M A, Mathieu R,etal. Monitoring grass nutrients and biomass as indicators of rangeland quality and quantity using random forest modelling and WorldView-2 data. International Journal of Applied Earth Observation and Geoinformation, 2014, 43: 43-54.

[12]Wang X, Liu S J, Jia H F,etal. Study on the nutrition of alpine meadow based on hyperspectral data. Spectroscopy and Spectral Analysis, 2012, 32(10): 2780-2784.

[13]Foulkes J N, White I A, Sparrow B D,etal. AusPlots-Rangelands monitoring site stratification and survey methods within TERN (Terrestrial Ecosystem Research Network)[R]. Discussion Paper, Terrestrial Ecosystem Research Network, Adelaide, 2011.

[14]Tong Q X, Zhang B, Zheng L F. Hyperspectral Remote Sensing-Theory, Technology and Application[M]. Beijing: Higher Education Press, 2006.

[15]Bai J W, Zhao Y C, Zhang B,etal. Study on the classification methods of the hyperspectral image based on the continuum removed. Computer Engineering and Applications, 2003, 39(13): 88-90.

[16]Pu R L, Gong P. Hyperspectral Remote Sensing and Application[M]. Beijing: Higher Education Press, 2000.

[17]Wang X Z, Huang J F, Li Y M,etal. The study on multi-spectral remote sensing estimation models about LAI of rice. Remote Sensing Technology and Application, 2003, 18(2): 57-65.

[18]Fu Y B. Main Physiological Indicators of Hyperspectral Inversion in Alfalfa Seed Production[D]. Vrumchi: Xinjiang Agricultural University, 2013.

[19]Ramoelo A, Skidmore A K, Cho M A,etal. Non-linear partial least square regression increases the estimation accuracy of grass nitrogen and phosphorus using in situ hyperspectral and environmental data. ISPRS Journal of Photogrammetry and Remote Sensing, 2013, 82: 27-40.

[20]Mutanga O. Hyperspectral Remote Sensing of Tropical Grass Quality and Quantity[D]. Enschede: Wageningen University, 2004: 111.

[21]Clevers J, Büker C. Feasibility of the red edge index for the detection of nitrogen deficiency[C]//Proceedings of the 5th International Colloquium - Physical Measurements and Signatures in Remote Sensing, Courchevel. France: European Space Agency, 1991.

[1]許鵬, 胡自治, 朱進忠, 等.草地資源調查規劃學[M]. 北京: 中國農業出版社, 2000.

[12]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. 光譜學與光譜分析, 2012, 32(10): 2780-2784.

[14]童慶禧, 張兵, 鄭蘭芬. 高光譜遙感: 原理, 技術與應用[M]. 北京: 高等教育出版社, 2006.

[15]白繼偉, 趙永超, 張兵, 等. 基于包絡線消除的高光譜圖像分類方法研究. 計算機工程與應用, 2003, 39(13): 88-90.

[16]浦瑞良, 宮鵬. 高光譜遙感及其應用[M]. 北京: 高等教育出版社, 2000.

[17]王秀珍, 黃敬峰, 李云梅, 等. 水稻葉面積指數的多光譜遙感估算模型研究. 遙感技術與應用, 2003, 18(2): 57-65.

[18]付彥博. 制種紫花苜蓿主要生理指標高光譜反演[D]. 烏魯木齊: 新疆農業大學, 2013.

Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing

GAO Jin-Long1, MENG Bao-Ping1, YANG Shu-Xia1, FENG Qi-Sheng1, CUI Xia2, LIANG Tian-Gang1*

1.State Key Laboratory of Grassland Agro-ecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China；2.National Laboratory of Western China’s Environmental System, Lanzhou University, Lanzhou 730000, China

Using data sourced from a hyper-spectrum imager (HSI) from an environmental mitigation satellite (HJ-1A) and ground observation during 2014 in Maqin and Guinan Counties, Qinghai Province, inversion models were established for estimating the nitrogen (N) content of alpine grassland. The optimal inversion model was selected and the spatial distribution map of grassland N was analyzed in the study area. The results showed that there was a correlation between N and the original spectral reflectance, the first-order differential spectral reflectance and the continuum removed spectral reflectance of the original hyper-spectral image, and significant correlations between grassland N content and absorption feature band one (750.95-791.95 nm) and absorption feature band three (889.03-921.3 nm) were also found. The band depth index BD767.99 was able to estimate N content with the greatest accuracy; the linear model was able to explain over 44% of the variation in N content. The spatial variation of N content in Guinan County was large; generally N content was higher in northwest and southwest than in the northeast. The spatial variation of grassland N content in Maqin County was low and grassland N content was also low.

alpine rangeland; forage nutrition monitoring; hyperspectral remote sensing; estimation model

10.11686/cyxb2015576

2015-12-28；改回日期：2016-03-07

國家自然科學基金項目(31372367，41401472)和青海省科技支撐項目(2013-N-146-4)資助。

高金龍(1991-)，男，甘肅永昌人，在讀碩士。E-mail: rslabjinlong@163.com

Corresponding author. E-mail: tgliang@lzu.edu.cn

http://cyxb.lzu.edu.cn

高金龍，孟寶平，楊淑霞，馮琦勝，崔霞，梁天剛. 基于HJ-1A衛星數據的高寒草地氮素評估-以青海省貴南縣及瑪沁縣高寒草地為例. 草業學報, 2016, 25(10): 11-20.

GAO Jin-Long, MENG Bao-Ping, YANG Shu-Xia, FENG Qi-Sheng, CUI Xia, LIANG Tian-Gang. Estimation of nitrogen content of alpine grassland in Maqin and Guinan Counties, Qinghai Province, using remote sensing. Acta Prataculturae Sinica, 2016, 25(10): 11-20.