毛烏素沙地南緣草地地上生物量遙感反演模型研究

摘要 以毛烏素沙地南緣草地為研究對象，利用2023年7和8月獲得的草地地上生物量數據和同期Landsat8 OLI影像，提取歸一化植被指數（NDVI）、比值植被指數（RVI）、差值植被指數（DVI）、轉換型植被指數（TVI）4種植被指數，并與地上生物量進行相關分析，建立回歸模型，同時驗證模型的準確度。結果表明：4種植被指數與地上生物量均呈極顯著相關，RVI的相關系數高達0.914，其次是NDVI。最優模型為二次多項式回歸模型，最差模型為指數回歸模型。地上生物量實測值和預測值的平均誤差系數為16.23%，回歸擬合精度為83.77%。二次多項式回歸模型監測草地地上生物量效果最佳。

關鍵詞 地上生物量；植被指數；草地；遙感監測；毛烏素沙地

中圖分類號 S127" 文獻標識碼 A" 文章編號 0517-6611（2025）03-0053-05

doi：10.3969/j.issn.0517-6611.2025.03.011

開放科學（資源服務）標識碼（OSID）：

Study on Remote Sensing Inversion Model of Above ground Biomass in Grassland on the Southern Edge of MuUs Sandy Land

CHEN Li jia，WEN Li ming，LU Qian et al

（Yinchuan Livestock Technology Promotion Service Center， Yinchuan， Ningxia 750001）

Abstract Based on the study of the grassland in south fringe of MuUs sandy land，normalized vegetation index （NDVI）， ratio vegetation index （RVI）， difference vegetation index （DVI） and transformation vegetation index （TVI） were extracted using grassland above ground biomass data and Landsat8 OLI image which were acquired in July and August，2023.The correlation analysis was made between the four vegetation indexes and above ground biomass，and regression models were established.Meanwhile，the accuracy of the model was verified.The results showed that there was an extremely significant correlation between the four vegetation indexes and above ground biomass，with a correlation coefficient of 0.914 for RVI， followed by NDVI.The optimal model was a quadratic polynomial regression model， and the worst model was an exponential regression model. The average error coefficient between the measured and predicted values of above ground biomass was 16.23%， and the regression fitting accuracy was 83.77%. The quadratic polynomial regression model had the best effect on monitoring the above ground biomass of grassland.

Key words Above ground biomass;Vegetation index;Grassland;Remote sensing monitoring;MuUs sandy land

作者簡介 陳麗佳（1988—），女，寧夏銀川人，畜牧師，碩士，從事畜禽飼草利用及草地地上生物量遙感估算研究。

收稿日期 2024-03-19；修回日期 2024-04-28

草地地上生物量（above ground biomass，AGB）是表征植被生長狀況、固碳潛力的重要指標，可以有效衡量草地生產功能，是草地利用決策和資源管理的基礎^［1-2］。毛烏素草地地上生物量遙感反演對于維持生態系統平衡具有重要作用。草地地上生物量監測是合理利用草地資源，掌握草原生態演替過程的重要依據。但是，實時觀測草地地上生物量信息需要耗費大量的人力物力，亟需借助遙感、數學等工具進行間接觀測^［3］。精準高效地估測AGB對科學評估天然草地載畜量和草地生態系統功能等具有重要意義。

利用遙感技術估測草地生物量，并對草地植被進行動態監測具有一定的優越性。如高宏元^［4］利用連續3年（2019—2021年）的野外觀測數據和地面高光譜遙感數據及Sentinel-2衛星的MSI圖像，分析不同生育時期和不同利用程度的高寒草甸光譜特征，構建了天然草地AGB的遙感反演模型，研究門源縣天然草地AGB的時空分布特征；黃家興等^［5］利用Sentinel-2和Landsat8數據，計算5種植被指數，與野外實測AGB建立草地AGB遙感估算模型，比較不同估算模型的反演精度，為研究區草地AGB合理估算和放牧管理提供科學依據；宋柯馨等^［6］利用MODIS數據和野外實測AGB，通過構建參數模型和非參數模型，最終確定KNN模型可為大尺度區域草地AGB遙感估測提供參考；Fu等^［7］基于Landsat/TM和MODIS衛星影像，評估草地載畜量、生物量、植被覆蓋度以及草地退化動態；Zhang等^［8］使用多時相Landsat影像評估青藏高原草地退化的空間異質性及動態變化；高彥哲等^［9］利用Landsat影像分析蒙古高原植被指數與水文變化之間的關系。人工智能（AI）技術的應用逐漸普及，如深度學習模型結合多源遙感數據，對草地類型、動態趨勢分類更精確。遙感技術結合多樣化的分析手段，為草地生態管理和保護提供強有力的科學依據。筆者利用2023年7—8月鹽池縣典型草地AGB，結合同期遙感影像，從遙感技術與草地科學相結合的角度出發，選取歸一化植被指數（NDV）^［10］、比值植被指數（RVI）、差值植被指數（DVI）、轉換型植被指數（TVI）^［11-12］作為分析對象，探討其與草地地上生物量之間的相關性，并進一步建立衛星遙感植被指數與草地地上生物量之間的統計模型，為毛烏素沙地南緣草地地上生物量遙感反演模型的建立提供科學依據。

1 資料與方法

1.1 研究區概況

研究區域位于毛烏素沙地南部邊緣的鹽池縣，屬于毛烏素沙地與荒漠草原的過渡區域，處于106°51′36″～107°30′23″E、37°10′29″～38°05′22″N，海拔1 297～1 793 m。年降水量250～350 mm，主要集中在7—9月；年平均氣溫7.9 ℃，極端最高氣溫34.9 ℃，極端最低氣溫-24.2 ℃，年無霜期165 d^［13］。鹽池縣天然草原生態修復成效顯著，天然草原面積32.166萬hm2，草原綜合植被蓋度達到58.5%，占全縣土地面積的55%^［14］。研究區地帶性土壤以灰鈣土為主，非地帶性土壤包括風沙土、潮土、鹽土、新積土、堆墊土等。植被以荒漠草原為主。

1.2 研究方法

根據高志海^［15］的研究，地面反射率對植被的冠層結構特性更加敏感，適合用于提取植被遙感信息，該研究對遙感影像進行幾何精校正。采用手持GPS采集14個地面控制點。在ArcGIS 10中轉換為shape文件，然后在ERDAS中對遙感影像采用3次多項式進行位置校正幾何精糾正，灰度采用3次卷積內插法計算，最后獲得標準影像，圖像校正的均方根誤差在0.5個像元以內^［16］。對遙感影像進行融合、拼接、裁切，提取NDVI、RVI、DVI、TVI這4種植被指數，并與實測地上生物量進行相關分析，共建立20種回歸模型，同時對模型進行精度驗證。

1.3 主要數據獲取

1.3.1

地面數據。在毛烏素沙地南緣5條主要流沙帶，測定地表植被蓋度狀況，植被蓋度≥75%定義為潛在退化草地，植被蓋度在55%～lt;75%為輕度退化草地，植被蓋度在35%～lt;55%為中度退化草地，植被蓋度在10%～lt;35%為嚴重退化草地，植被蓋度lt;10%為極嚴重退化草地。于2023年7—8月份，采用抽樣調查法進行野外調查取樣。在研究區5種退化草地內，選取樣地72個，分別設置60 m×60 m的樣地，重復3次。在固定樣地內系統設置3個樣方（草本1 m×1 m，灌木10 m×10 m）。將出現漏記或錯記的樣方測量表視為無效，最終獲得有效測量表72份。樣方分為2組：第1組為訓練樣本，共40個，用于構建評價模型；第2組為測試樣本，共32個，用于驗證模型精度。

該研究計算的生物量為地上生物量，采用樣地調查收割法。將植物地上部分齊地面刈割，除去黏附的土壤后，在75 ℃的烘箱烘24 h，計算干物質的量。

1.3.2

遙感數據。目前常用的遙感影像源有Landsat7TM/ETM+、Landsat8 OLI、SPOT、MODIS、中國國土資源衛星等。就目前來說，探測植被指數遙感影像仍然以Landsat衛星影像為最佳。該研究采用的Landsat8 OLI遙感數據來自中國科學院對地觀測與數字地球科學中心下載的3景影像數據，處理級別為Level 1，已完成輻射校正和大氣校正。條帶號、列帶號分別為第一景128/34，時間為2023年8月3日03：27；第二景129/33，時間為2023年8月3日03：27；第三景129/34，時間為2023年8月10日03：33。該研究所采集的遙感影像覆蓋整個研究區域，該數據主要用于鹽池縣草地生物量遙感反演模型的建立及其精度檢驗。

2 結果與分析

2.1 地面樣地生物量

該研究采集了研究區7個村40個草地樣方的地上生物量、退化程度和植被蓋度，如表1所示。

2.2 植被指數提取

截至目前常用的植被指數有20多種，該研究將一些常用的植被指數匯總于表2，這些指數與植被蓋度、生物量等指標具有較高的相關性。利用遙感分析軟件ENVI的Basic Tools模塊，通過Band Math命令對遙感影像進行不同植被指數的計算。具體運算公式如表2所示，其中，OLI4為紅波段，OLI5為近紅外波段。為保證植被指數的精度，公式中的數值必須轉化為浮點型。

2.3 植被指數與地上生物量相關性分析

分析植被指數與草地地上生物量之間的相關性，旨在評估兩者關系的緊密程度，并驗證是否可依據樣本數據推測總體特性。對毛烏素沙地南緣Landsat8 OLI影像所提取的4種植被指數與實測地上生物量進行相關性分析，從表3可以看出，4種植被指數與地上生物量表現出良好的相關性，適合用于回歸分析，且利用Landsat8 OLI影像中的植被指數監測草地地上生物量是可行的。不同植被指數與地上生物量的相關性存在差異，其中RVI的相關性最高，相關系數為0.914；其次是NDVI，相關系數為0.807。

在確定了植被指數與草地地上生物量的相關性以后，建立了相應的植被指數與草地地上生物量間關系的散點圖（圖1）。從圖1可以看出，地上生物量與比值植被指數（RVI）的相關性較高，并可以建立二次多項式回歸模型，地上生物量與其他植被指數的相關性不是很明顯。

2.4 植被指數與地上生物量關系模型建立

該研究基于4個植被指數分別建立5個回歸模型，共建立基于各植被指數的地上生物量回歸模型20個，具體如表4所示，其中，y為草地地上生物量估測值，x為植被指數。

構建常用植被指數與草地地上生物量的5種線性和非線性回歸模型，從表4可以看出，在一元線性回歸模型中，RVI的擬合效果最佳，復相關系數（R2）為0.914，明顯高于其他植被指數；NDVI的擬合效果次之，R2為0.807；隨后是TVI，擬合效果最差的是DVI；其結果與相關性分析的結果一致。但通過對比分析發現，一元線性回歸模型的擬合精度仍有不足之處。二次多項式回歸模型中，擬合程度最好的是RVI，R2為0.940，各植被指數的擬合程度由高到低依次為RVIgt;TVIgt;NDVIgt;DVI，植被指數的R2均大于一元線性回歸模型對應的植被指數。因此，二次多項式回歸模型比一元線性回歸模型更適合用來監測鹽池縣草地地上生物量。由對數函數回歸模型、冪函數回歸模型、指數函數回歸模型可知，這3種回歸模型模擬效果均不如二次多項式回歸模型，擬合效果最差的是指數函數回歸模型。因此，二次多項式回歸模型比其他回歸模型更適合用來監測鹽池縣草地地上生物量。在二次多項式回歸模型中，RVI最能滿足草地地上生物量遙感監測的需要，但還需要進行進一步的模型精度檢驗。

2.5 二次多項式回歸模型驗證

為評估模型精度，選用RVI的二次多項式回歸模型（y=14.587x2+40.587x-5.620 4）進行驗證。利用未參與建模的32個樣方數據進行精度測試，并計算誤差系數^［20-21］：誤差系數=（預測值-實測值）/實測值×100%。

從各實測點的預測值與實測值的差值及誤差系數情況（表5）可以看出，誤差系數絕對值≤5%的樣方有6個，gt;5%～10%的樣方有5個，gt;10%～20%的樣方有13個，gt;20%～30%的樣方有3個，≥30%的樣方有5個。誤差系數為正的樣方有10個，平均誤差系數為19.35%，正誤差系數gt;30%的只有2個樣本。誤差系數為負的樣方有22個，平均誤差系數為-14.38%，負誤差系數gt;30%的有3個樣本。草地地上生物量實測值和預測值的平均誤差系數為-4.16%，回歸擬合精度為83.77%，由此可見，用遙感植被指數得到的統計模型可以用來監測鹽池縣草地地上生物量。

3 結論與討論

3.1 結論

（1）4種植被指數（RVI、NDVI、TVI、DVI）與草地地上生物量均表現出顯著相關性，通過植被指數與實測地上生物量建立數學模型監測草地地上生物量完全可行。

（2）一元線性回歸模型中，RVI與地上生物量的擬合程度最好，復相關系數（R2）為0.914，明顯高于其他植被指數。二次多項式回歸模型中，擬合程度最好的也是RVI，R2為0.940，擬合程度由高到低依次為RVIgt;TVIgt;NDVIgt;DVI。由對數函數回歸模型、冪函數回歸模型、指數函數回歸模型可知，其擬合效果最好的植被指數分別為RVI、TVI、TVI，模擬效果均不如二次多項式回歸模型。因此RVI的二次多項式回歸模型最能滿足草地地上生物量遙感監測的需要，即鹽池縣草地地上生物量和RVI的最優關系模型為y=14.587x2+40.587x-5.620 4。

（3）通過對二次多項式回歸模型精度進行驗證可知其擬合精度達到83.77%，說明利用二次多項式回歸模型估算毛烏素沙地南緣草地地上生物量是可行的。

3.2 討論

（1）此次研究所采集的樣點數據較少，給草地地上生物量遙感監測模型的建立和檢驗帶來不利的影響，在以后的研究中，應增加采樣點，并且盡量使采樣點分布均勻，能代表整個研究區域的研究概況。

（2）查閱相關資料發現，MODIS數據、Rapideye衛星數據等在響應植被反射信息時遠不如Landsat衛星影像。所以逐年研究2014年及其以后的Landsat影像對草地地上生物量的反演很有必要。

（3）該研究所得出的最佳地上生物量遙感監測模型是二次多項式回歸模型，雖然此模型比其他模型更適合鹽池縣草地地上生物量的遙感監測，但是，草地地上生物量受多種因素的影響，今后應該多開展這方面的研究。

參考文獻

［1］ 焦翠翠，于貴瑞，陳智，等.基于遙感反演的1982—2015年中國北方溫帶和青藏高原高寒草地地上生物量空間數據集［J］.中國科學數據，2019，4（1）：35-49.

［2］" JOBBAGY E G，SALA O E.Controls of grass and shrub aboveground production in the Patagonian steppe［J］.Ecological application，2000，10（2）：541-549.

［3］ 張雨欣，黃健熙，金云翔，等.草地地上生物量估算模型研究進展［J］.草地學報，2022，30（4）：850-858.

［4］ 高宏元.青海省門源縣天然草地地上生物量的遙感估測研究［D］.蘭州：蘭州大學，2022.

［5］ 黃家興，吳靜，李純斌，等.基于Sentinel-2和Landsat8數據的天祝縣草地地上生物量遙感反演［J］.草地學報，2021，29（9）：2023-2030.

［6］ 宋柯馨，蔣馥根，胡宗達，等.西藏自治區草地地上生物量遙感反演研究［J］.生態學報，2023，43（13）：5600-5613.

［7］ FU J Y，PENG T，JIANG D，et al.Research progress and theoretical framework of multidimensional observation of grassland resources［J］.Resources science，2020，42（10）：1932-1943.

［8］ ZHANG C，YAN H M，YAO X J.Dynamic assessment of grass livestock balance in Gannan［J］.Journal of natural resources，2022，37（7）：1903-1917.

［9］ 高彥哲，阿拉騰圖婭，曇娜，等.2000—2020年蒙古高原湖泊變化及其影響因素分析［J］.干旱區地理，2023，46（2）：191-200.

［10］ TUCKER C J.Red and photographic infrared linear combinations for monitoring vegetation［J］.Remote sensing of environment，1979，8（2）：127-150.

［11］ 陳麗佳.鹽池縣草地退化及地上生物量遙感反演研究［D］.銀川：寧夏大學，2015.

［12］ 陳明華，柴鵬，陳文祥，等.不同植被指數估算植被覆蓋度的比較研究［J］.亞熱帶水土保持，2016，28（1）：1-4，56.

［13］ 李俠，李潮，蔣進平，等.鹽池縣不同沙化草地土壤特性［J］.草業科學，2013，30（11）：1704-1709.

［14］ 黃文廣，呼天明，于釗，等.寧夏鹽池縣天然草原生產力遙感監測［J］.寧夏農林科技，2010，51（5）：13，28.

［15］ 高志海.基于RS和GIS的綠洲植被與荒漠化動態研究［D］.北京：北京林業大學，2003.

［16］ ASNER G P，TOWNSEND A R，BUSTAMANTE M M C，et al.Pasture degradation in the central Amazon：Linking changes in carbon and nutrient cycling with remote sensing［J］.Global change biology，2004，10（5）：844-862.

［17］ ROUSE J W，JR，HAAS R H，DEERING D W，et al.Monitoring the vernal advancement and retrogradation（green wave effect）of natural vegetation［R］.NASA Special Report，1974.

［18］ BIRTH G S，MCVEY G R.Measuring the color of growing turf with a reflectance spectrophotometer［J］.Agronomy journal，1968，60（6）：640-643.

［19］ RICHARDSON A J，WIEGAND C L.Distinguishing vegetation from soil background information［J］.Photogrammetric engineering and remote sensing，1977，43（12）：1541-1552.

［20］ 鐘誠，何曉蓉，李輝霞.遙感技術在西藏那曲地區草地退化評價中的應用［J］.遙感技術與應用，2003，18（2）：99-102.

［21］ 干友民，成平，周純兵，等.若爾蓋亞高山草甸地上生物量與植被指數關系研究［J］.自然資源學報，2009，24（11）：1963-1972.