植被生物量高光谱遥感监测研究进展-莱森光学

0引言

在陆地生态系统中，森林、草地和作物生态系统占了很大的比重，通过对森林、草地和作物等不同生态系统下的植物生物量进行长期的监测与研究，可以从区域至全球尺度上了解和掌握气候变化与碳循环的发展变化过程及土地质量情况。传统方法估测植被生物量需要以大量实地调查数据为基础，需要耗费大量的人力和物力，且所能达到的时效性和空间尺度有限：同时应用收获法对植被生物量进行测定，对当地的植被具有一定的破坏性。

在过去的30多年间，高光谱技术已经广泛地应用在植被叶面积指数（LAI）、生物量、叶绿素含量等生物物理化学属性的精确定量化研究，出现了诸多能够准确估测植物属性的新方法。我国在高光谱遥感研究方面起步晚，随着环境与减灾小卫星、天宫一号目标飞行器、系列高分卫星的发射，其搭载的我国自主研发的成像光谱仪获取的数据已经应用于科学研究生产活动，因此了解国内外关于植被生物量的反演现状和发展，对我国应用高光谱遥感在植被生物量方面的研究有重要意义。本文从高光谱反演生物量的数据源、反演模型方法及高光谱遥感技术估测植被生物量应用中的不足3个方面，对其进行总结并展望。

高光谱技术在植被生物量估测中的应用

1.1高光谱遥感数据源

高光谱数据源包括非成像高光谱数据与成像光谱数据。非成像的高光谱数据通常采用地物光谱仪获取。地物光谱仪多为肩背型或手持型，其具有以下优点：

1）操作方法简单。采集光谱数据过程中，将探头对准植物叶片或冠层数秒钟就可获取植被光谱数据，无线和蓝牙传输技术的应用实现了光谱仪与配套的数据采集电脑间数据实时无线传输，给野外数据采集工作带来了极大的方便。

2）光谱分辨率高。所获取的植物叶片或冠层的非成像高光谱数据是研究中主要的数据源。地面光谱数据结合实测的叶绿素含量、植被叶面积指数和生物量等植被生物物理与生物化学参数，可以研究这些植被属性与光谱变量之间的关系，构建相应的反演模型：同时地物光谱仪可以为相关成像光谱数据的应用提供先验性的理论支持。成像光谱仪除了可以获取地物的空间信息，其每个像元都包含相应地物的连续光谱信息，因此在研究地物空间关系的同时，还可以对地物在光谱上所反映的信息进行提取。成像光谱仪系统按搭载平台可以分为航空平台与航天平台。

1.2参数回归模型

应用光学遥感技术进行生物量的反演研究中，参数回归模型是最为常用的方法。通过分析植被指数、光谱特征参数与植被地上生物量间的数学关系，构建植被指数、光谱特征参数与生物量的拟合方程。反演方程的形式分为线性方程或非线性方程，如指数函数、幂函数及多项式方程：通过比较模型的拟合系数R2、均方根误差（RMSE）以及相对误差（RE）的大小评价模型的反演能力。

1.2.1植被指数模型

植被指数能够在一定程度上减少受土壤反射、太阳角度和大气等因素造成的干扰，增强光谱特征与植被生物量之间的敏感性，因此植被指数为构建生物量反演模型的主要参数之一。目前研究中应用的植被指数有比值植被指数（SR）、归一化植被指数（NDVI）、土壤调整指数（SAVI）、三角形植被指数（TVI）、叶绿素吸收率指数（MCARI）、光化学植被指数（PRI）等数10种。然而传统的宽波段遥感植被指数在植被覆盖度较高的条件下存在饱和问题，文献的研究表明利用高光谱遥感数据构建的植被指数可以在植被密度较高的条件下对草地生物量进行精确的反演，在一定程度上解决植被指数饱和问题。利用高光谱遥感数据波段数多的优势可以探寻对生物量敏感的最优波段组合，一些研究将所有波段的反射率值代入植被指数公式构成高光谱植被指数，并逐一与生物量进行相关分析，绘制出决定系数与波段组合之间的矩阵图，通过矩阵图可以清晰表达与生物量相关性最大处的波段。

卫星数据反演中国EVI

“红边”为植被反射曲线的重要特征之一，选取“红边”范围内的波段反射率值构建植被指数，以此为参数构建生物量的反演模型，可以对生物量进行较为精确的预测。文献发现位于红边内的波长763nm和670nm是对生物量敏感的两个波段，组成高光谱NDVI和比值指数（RVI），基于波段深度参数建立棉花地上鲜生物量5种单变量线性和非线性函数模型，其中RVI的指数函数模型可以较精确地反演棉花地上鲜生物量。文献也表明“红边”波长范围内的反射率构建的RVI模型可以对大豆的生物量进行准确反演。文献利用环境减灾卫星HJ-1A的高光谱数据，研究了高寒牧区草地生物量的高光谱遥感预测模型，依据生物量与9种植被指数间的一元线性回归分析的结果，认为通过NDVI与SR构建的生物量反演模型适合研究区草地植被生物量的动态监测。在有关植被生物量的研究中，敏感波段多在可见光波段以及近红外波段范围内。而文献对研究区的高光谱遥感数据进行分析后，组成了一个新的高光谱植被指数GnyLi：

式中：R900、R1050分别为近红外和短波红外波段范围内的反射率最大处的波长：R955、R1220分别为近红外和短波红外波段范围内的反射率最小处的波长。

利用GnyLi植被指数构建的冬小麦生物量的回归模型，在对比常规的植被指数NRI、REP、OSAVI、TCI和NDVI的生物量反演模型后发现：基于GnyLi指数的生物量反演模型可以更好地对点尺度或区域尺度的冬小麦的生物量进行估测。

1.2.2光谱特征变量模型

尽管大部分研究中，植被指数为反演方程的主要参数，但是植被指数只是离散的光谱波段组合，并没有发挥高光谱遥感数据在波段上连续的特性，因此如何应用高光谱遥感数据连续的特性，提取光谱特征参数构建植被生物量反演模型为研究的另一个方向。

光谱导数（微分）技术是提取与植被生物量相关光谱变量的主要方法，“红边”与“红边位置”是与植被生物物理和生物化学属性密切相关的典型位置变量。因此基于“红边”波段范围内反射率及其变换形式和“红边位置”为参数构建生物量的反演模型是研究中常用的方法。目前的研究中提取“红边位置”的方法有：①“红边”反射率曲线一阶导数最大处对应的波段位置：②线性四点内插法：③反高斯曲线逼近：④线性外推法：⑤多项式拟合法。通过不同的方法得到的“红边位置”与植被属性相关性存在差异。文献确定780nm处的光谱反射率（F780）的对数形式和719nm处的光谱反射率一阶微分值（D719）的乘幂形式是预测陇中黄土高原地区春小麦地上鲜生物量的最佳模型变量。文献通过对甘南地区4种主要类型的草地生物量与光谱参数数据分析后，发现“红边”范围内的波长723nm光谱反射率一阶微分值构建的对数回归模型估算精度较高。已有研究表明以“红边位置”构建的生物量反演模型优于植被指数模型。文献对意大利马耶拉国家公园内地中海高山草地的高光谱遥感数据与生物量之间的相关性进行分析后发现，NDVI、MSAVI、NDWI、SARVI等植被指数不能准确地对年际生物量进行估测，而基于“红边位置”的线性外推模型可以很好地预测草地生物量。

利用光谱导数技术提取的“蓝边”“红边”和“黄边”的光谱位置、光谱面积变量以及光谱微分组成的植被指数，也可以对植被生物量进行有效的反演。文献对水稻地上鲜生物量的高光谱数据研究后，发现“蓝边”内一阶微分的总和（490~530nm）与“红边”内一阶微分的总和（680~780nm）构成的比值植被指数为变量的模型，作为高光谱估算地上鲜生物量的最佳模型。在对内蒙古干旱半干旱草地生物量的研究中，文献发现“红边”反射率曲线的面积参数反演模型优于植被指数生物量反演模型，更适用于干旱半干旱草地生物量的反演。在高光谱遥感对湿地植被生物量的反演研究中，文献发现微分光谱植被指数可以较精确地估测乌拉苔草水上鲜生物量和干生物量。植被反射率曲线经过应用连续统去除法转换后，可以增强光谱吸收特征与植被属性相关程度。文献利用经过连续统去除法后的反射率值分别构建波段深度（BD）、波段深度比（BDR）、归一化波段深度指数（NDBI）和归一化面积波段深度（BDA），并建立与生物量之间的回归模型，基于波段深度的生物量反演模型可以获得较好的预测精度。

1.3非参数回归模型

植被指数和光谱特征变量为参数的生物量反演模型，可以对生物量进行有效地反演，但该方法并没有直接应用反射率参与建模，而是借助了植被指数和“红边位置”等光谱特征参数构建生物量的反演模型。因此如何不用筛选特殊波段来构建参数反演模型，而是直接利用反射率值构建生物量的反演模型，多元数学模型方法的应用为生物量的准确反演提供了理论支持。

逐步回归模型每一步回归递推都会去除与因变量相关性最小的自变量，最后的输出结果可以最优化地表示反射率与植被属性的关系。文献通过对冠层尺度的草地高光谱遥感数据运用数学回归的方法研究后发现，以840、1132、1579、1769和2012nm这5个原始高光谱波段反射率为变量构建的生物量逐步回归估算方程，估算精度为91.6%。文献研究表明以518、1205、1235和1710nm这4个原始高光谱波段反射率为变量构建的生物量逐步回归估算方程，其估算精度优于基于高光谱植被指数为参数生物量反演模型。在应用多元回归模型进行生物量反演的研究中，需注意到高光谱数据的共线性问题，如文献发现基于原始反射率二阶导数构建的六波段多元优化窄波段反射率模型在水稻拔节期的预测精度最高。除了多元回归模型在生物量研究中的应用外，偏最小二乘回归方法不仅可以解决高光谱数据之间共线性的问题，还可以对植被生物量进行精确的反演。文献采用稀疏矩阵的偏最小二乘回归模型以及植被反射曲线的一阶微分数据，对瑞典甜菜的鲜生物量进行准确反演。相比较基于植被指数的生物量反演模型，文献研究表明偏最小二乘回归模型可以取得更好的预测效果。

安徽省2009年8月安徽省植被指数

2、高光谱遥感反演植被生物量存在的问题

以上研究表明，应用高光谱遥感数据对植被生物量进行反演估算，通过对原始光谱反射率进行微分、对数等数学变换后，可以减弱非植被因素的影响，增强光谱数据与植被生物量之间的相关性：高光谱植被指数、光谱特征参数构建的植被地上生物量反演模型，可以较好地对研究区内的生物量进行估测，且建模方法简单，不需要研究者对数学模型方法具有较高的知识水平，数据处理与计算过程快。而应用非参数回归方法反演植被生物量利用了高光谱遥感数据光谱波段连续和波段数多的优势，且多元数学模型优于传统的一元回归模型，因此构建的模型精度高于单变量的参数反演模型。

尽管高光谱遥感技术在植被生物量的反演研究中具有较好的应用效果，但依然存在以下问题：

1）高光谱遥感数据由于波段连续且波段数多，特别是成像光谱数据，每个像元都包含地物的空间信息和光谱信息，因此数据结构复杂、产生的数据量大，需要更高级的存储格式：且相邻波段之间存在相关性，数据结构冗余，在反演研究中会出现共线性的问题。高光谱遥感传感器造价昂贵、使用成本高，应用成像光谱仪获取地面高光谱遥感数据受限制因素较多，与多光谱遥感数据相比影像的覆盖范围有限。

2）从应用高光谱遥感技术研究植被生物量的对象来看，大多数研究集中在对结构、组成相对简单的作物和草地生态系统植被生物量的反演。由于森林生态系统植物种类繁多、结构复杂，且由于受到树木叶片的吸收与反射作用，以及高光谱遥感技术具有光学遥感穿通能力有限的不足，目前采用高光谱数据对森林生物量进行反演遇到的问题还比较多，如对林下生物量不能进行很好地预测，反演存在一定的技术难题。

3）目前有关植被生物量的高光谱研究，多以构建生物量的地面高光谱反演模型为目的，研究尺度较小：同时由于实际应用中受到大气、水分、地面数据采样时间与遥感影像获取时间不同步等因素，以及由于非成像光谱仪与航空、航天成像光谱仪在获取的地物光谱数据的光谱分辨率上的差异，航空、航天成像光谱仪获取的研究区高光谱遥感影像数据存在混合像元的问题，因此利用地面高光谱数据建立的反演模型通常不能直接应用到航空、航天尺度的高光谱数据。另外由于研究区的植被组成、结构、自然条件的不同，造成了模型不具有通用性。受建模数据的影响，一些参数模型的估算精度低，应用较复杂的数学模型对生物量估算需要较强的数学基础，建模难度大。

3、结语

结合本文对高光谱遥感技术在生物量研究中的应用现状分析和不足，对今后应用高光谱遥感技术反演生物量研究进行展望：

1）构建植被指数、光谱特征变量的参数模型方法依然是今后应用高光谱遥感数据研究植被生物量的主要方法。研究的出发点在于对现有植被指数进行改进，构建新的植被指数，以及对反演模型、研究对象、研究区的横向比较，特别是高光谱遥感技术与多光谱遥感反演模型间反演能力的比较。

2）将高光谱遥感数据在光谱维的优势与合成孔径雷达（SAR）、激光雷达（LiDAR）等主动式遥感穿透力强、受天气影响因素小的特点相结合，融合与植被生物量相关的不同类型遥感变量对森林生态系统及其他类型生态系统的植被生物量进行精确反演。

3）利用高光谱遥感技术准确对地物进行分类的优势，结合地面实测生物量数据构建不同植被的生物量反演模型，并将建立的模型应用到分类后的植被生物量填图中，从而达到对研究区植被生物量的定性与定量研究的目的。

4）近地光谱数据生物量反演模型与成像光谱数据生物量反演模型的尺度转换问题研究，将地物光谱仪的高光谱数据重采样相应的成像光谱数据，利用重采样后的光谱数据建立生物量反演模型，并尝试应用到成像光谱数据中，绘制植被生物量分布图。将整体研究区进行细化，构建不同研究面积的反演模型，并将反演模型由小的研究区逐级应用到大的研究区，并不断对反演模型进行改进，最终得到研究区的整体生物量反演模型。

审核编辑 黄昊宇