彭 羽,王 越,馬江文,范 敏,白 嵐,周 濤

1 中央民族大學(xué)生命與環(huán)境科學(xué)學(xué)院, 北京 100081 2 北京師范大學(xué)地表過程與資源生態(tài)國家重點(diǎn)實(shí)驗(yàn)室, 北京 100875

遙感可以為群落物種組成、生態(tài)系統(tǒng)結(jié)構(gòu)參數(shù)及其時(shí)空變化的研究提供豐富的信息。利用遙感技術(shù)進(jìn)行植物多樣性估測,較傳統(tǒng)樣方調(diào)查法具有速度快、成本低、范圍大等優(yōu)勢。因此,遙感技術(shù)逐漸成為研究生物多樣性的重要工具[1- 3]。目前利用遙感進(jìn)行植物多樣性估測,基本可分為兩種方法：一是通過電磁波遙感信息直接評(píng)估單個(gè)物種、種群和物種多樣性;二是將遙感數(shù)據(jù)和環(huán)境參數(shù)應(yīng)用到物種多樣性預(yù)測模型中,對(duì)物種多樣性進(jìn)行間接估測[4- 5]。

在直接估測中,機(jī)載遙感技術(shù)應(yīng)用于植物物種的直接識(shí)別。Valérie等采用兩組航空照片分別鑒定出309種樹冠,鑒定樹種正確率高達(dá)87%[6]。Akasheh等利用機(jī)載多光譜數(shù)字圖像(Airborne multi-spectral digital images,空間分辨率為0.5 m)為Rio Grande River河岸帶植被的物種分布進(jìn)行制圖[7]。在光譜信息分析方面,NDVI(Normalized Difference Vegetation Index,NDVI)被廣泛應(yīng)用于植物多樣性的估測[8- 12]。NDVI標(biāo)準(zhǔn)差與植物物種豐富度有顯著相關(guān)性[3]。基于NDVI的EVI指數(shù)更適合于指示半干旱環(huán)境的植物多樣性[13- 14]。其他基于NDVI改進(jìn)的指數(shù)還有EVI (Enhanced Vegetation Index)[15], IRI(Infra Red Index), MIRI(Middle Infra Red Index)[16- 17], ARVI (Atmosphere Resistance Vegetation Index), SAVI (Soil Adjusted Vegetation Index)[15]等。由于這些光譜植被指數(shù)只應(yīng)用較窄的電磁波段的遙感信息,因此植物多樣性預(yù)測精度受到一定限制[16- 17]。含有更高波譜分辨率的傳感器逐漸得到開發(fā)和利用。高光譜數(shù)據(jù),擁有上百至數(shù)百個(gè)波段信息,涵蓋可見光到近紅外、中紅外和遠(yuǎn)紅外,為植物多樣性的高精度監(jiān)測評(píng)估提供了可能。但是,如何從大量的光譜數(shù)據(jù)中篩選關(guān)鍵信息,也成為高光譜植物多樣性指數(shù)估測的重要挑戰(zhàn)。

研究發(fā)現(xiàn),采用線性回歸模型篩選敏感波段數(shù)據(jù),能夠較好地利用光譜數(shù)據(jù)預(yù)測物種多樣性指數(shù)[18]。近年來,采用主成分分析法降低多光譜數(shù)據(jù)的冗余度,提取光譜主成分來擬合植物多樣性,也起到了很好的效果[19]。多元線性逐步回歸分析,能夠從大量的變量因子中篩選出少數(shù)的重要變量因子,已經(jīng)廣泛的應(yīng)用于植物營養(yǎng)元素含量[20]、光合生理生態(tài)[21]和地上生物量[22]的遙感分析。為此,本研究基于前人的研究結(jié)果,應(yīng)用相關(guān)性分析、主成分分析和經(jīng)驗(yàn)波段選擇法,篩選敏感波段,對(duì)選擇的敏感波段進(jìn)行多元逐步線性回歸,比較不同方法的擬合效果,探索高光譜數(shù)據(jù)對(duì)于植物物種多樣性估測的應(yīng)用潛力,為植物多樣性的遙感估測提供參考。

1 研究地點(diǎn)

研究區(qū)位于渾善達(dá)克沙地中部內(nèi)蒙古自治區(qū)正藍(lán)旗(42°55′—43°5′N;115°10′—115°35′E)。正藍(lán)旗共包含3個(gè)鎮(zhèn)、8個(gè)蘇木和3個(gè)國營牧場,2016年草場面積占到了72.3%,植被種類相對(duì)豐富。該區(qū)屬于中溫帶半干旱大陸性季風(fēng)氣候,主要由固定沙丘、半固定沙丘、流動(dòng)沙丘和丘間低地、濕地等景觀組成 (圖1)。研究區(qū)植物物種多以沙生草本植物為主。

2 研究方法

2.1 植物群落調(diào)查及指數(shù)分析

本研究在2017年7月到8月在渾善達(dá)克沙地中部內(nèi)蒙古正藍(lán)旗進(jìn)行,在固定沙丘、半固定沙丘、流動(dòng)沙丘及低地4種生境的代表性區(qū)域共選取8個(gè)樣地(圖1),樣地大小為30 m×30 m。每個(gè)樣地沿對(duì)角線設(shè)置15個(gè)直徑為0.8 m的圓形草本樣方,共計(jì)120個(gè)樣方。每個(gè)樣方進(jìn)行GPS定位,統(tǒng)計(jì)每一樣方內(nèi)草本植物的種類、數(shù)量、高度和蓋度等數(shù)據(jù),計(jì)算植物多樣性指數(shù)。本文采用常用的4個(gè)物種多樣性指數(shù)：豐富度(Richness,R)、Shannon-Wiener指數(shù)(H)、Simpson優(yōu)勢度指數(shù)(D)、Pielou均勻度指數(shù)(E)。各樣地植物群落參數(shù)見表1。

圖1 研究地點(diǎn)及樣地示意圖Fig.1 The map shows study area and sample locations

樣地序號(hào)Sample location code優(yōu)勢物種Dominant species樣方平均H指數(shù)Average H at plot level樣方平均蓋度Average cover at plot level1沙蒿(Artemisia desertorum),沙米(Ajriophyllum squarrosum)0.7836.2232沙蒿(Artemisia desertorum),冷蒿(Artemisia frigida)1.26215.0513沙蒿(Artemisia desertorum),冰草(Agropyron cristatum)1.83636.1134扁穗苔草(Blysmocarex nudicarpa),拂子茅(Calamagrostis epigeios)2.27247.7835沙蒿(Artemisia desertorum),褐沙蒿(Artemisia halodendron)0.5755.0766沙蒿(Artemisia desertorum),冷蒿(Artemisia frigida)0.83212.3347灰綠藜(Chenopodium glaucum),冰草(Agropyron cristatum)1.75531.6758扁穗苔草(Blysmocarex nudicarpa),披堿草(Elymus dahuricus)2.06344.806

2.2 高光譜數(shù)據(jù)采集與處理

采用手持式地物光譜儀FieldSpec H2 (ASD Corp., U.S.A.)采集各個(gè)樣方的冠層光譜。儀器光譜范圍為325—1075 nm,光譜分辨率為3 nm,采樣間隔為1 nm。光譜測量在風(fēng)力小于3級(jí)的晴朗天氣下進(jìn)行,采集時(shí)間為北京時(shí)間10:00—15:00。測量人員著黑色服裝,避免遮擋陽光,減少光譜干擾。光譜傳感器探頭垂直向下,保持在冠層上方1.8 m內(nèi),確保冠層充滿儀器的視場角,每一樣本重復(fù)測量10次取均值。測量前均同步測量參考白板反射的輻射光譜用于標(biāo)定,并定時(shí)進(jìn)行系統(tǒng)優(yōu)化,以消除環(huán)境變化所帶來的影響。

將獲得的高光譜數(shù)據(jù)經(jīng)濾波和去除噪音后,根據(jù)下式計(jì)算一階微分反射比(FD)。

FD=(Rλ(j+1)-Rλ(j))/Δλ

式中,FD是波段j和j+1之間中點(diǎn)處波長值為i的一階微分反射比,Rλ(j)是波段j的反射率,Rλ(j+1)是波段j+1的反射率,Δλ是波長j到j(luò)+1的間隔。FD分析用以消除土壤等環(huán)境背景值的影響,提取不同植物群落的光譜特征[23- 24],用于擬合植物物種多樣性指數(shù)。

2.3 數(shù)據(jù)分析方法

為了降低數(shù)據(jù)冗余,提取能夠反映植物多樣性的重要光譜信息,本文采用3種方法選擇高光譜敏感波段。(1)Pearson相關(guān)分析法,對(duì)采集得到的375—1025 nm間波段的FD值與該樣方的植物多樣性指數(shù)進(jìn)行雙變量相關(guān)性分析,篩選出顯著相關(guān)的波段。(2)主成分分析法(PCA),對(duì)采集的375—1025 nm波段的FD值進(jìn)行主成分分析,根據(jù)各個(gè)波段對(duì)主成分的權(quán)重系數(shù)確定敏感波段。(3)經(jīng)驗(yàn)波段選取法,應(yīng)用已有研究結(jié)果發(fā)現(xiàn)的對(duì)植物多樣性敏感波段,選擇這些經(jīng)驗(yàn)波段。

通過以上3種方法,分別篩選出待擬合的敏感波段。以敏感波段的FD值為自變量,植物多樣性指數(shù)為響應(yīng)變量,利用逐步回歸分析方法,將90個(gè)植物樣方高光譜數(shù)據(jù)和植物多樣性指數(shù)進(jìn)行回歸。對(duì)建立的多元逐步回歸方程進(jìn)行基于相關(guān)性(R2)、顯著性(P值)、殘差(RMSE)、共線性程度(VIF)和方程復(fù)雜性(變量數(shù))[25- 27]的比較,篩選出最優(yōu)的回歸方程。最后,利用最優(yōu)回歸模型,將30個(gè)未參與回歸建模的樣地高光譜數(shù)據(jù)代入,進(jìn)行植物多樣性的擬合,并與實(shí)際測得的多樣性指數(shù)進(jìn)行驗(yàn)證,評(píng)估回歸模型的質(zhì)量。濾波和FD在ViewSpec Pro 6.0 (Analytical Spectral Devices Inc., USA)中完成,相關(guān)分析、PCA和MSLR分析在SPSS 23.0和Excel 2010中完成。

3 結(jié)果與分析

3.1 相關(guān)性和主成分分析

相關(guān)性分析結(jié)果(表2)表明,與H指數(shù)顯著相關(guān)的波段最少,與R顯著相關(guān)的最多。與R和E指數(shù)顯著相關(guān)的波段多位于可見光和近紅外范圍,波段較寬;而與H和D指數(shù)顯著相關(guān)的波段相對(duì)較窄。

PCA 結(jié)果發(fā)現(xiàn),第一主成分(61.56%)和第二主成分(35.90%)能夠解釋光譜數(shù)據(jù)變異率的97.46%,因此第一、二主成分有足夠的代表性。為了降低數(shù)據(jù)冗余,本文根據(jù)不同波段數(shù)值在第一、二主成分線性組合中的權(quán)重系數(shù),進(jìn)一步篩選特征波段。為了篩選到個(gè)數(shù)較少而貢獻(xiàn)值較大的特征波段,本文參考特征波段數(shù)/樣方數(shù)<1的標(biāo)準(zhǔn)[28],從651個(gè)波段中選取了90個(gè)特征波段。波長范圍為500—658 nm,權(quán)重系數(shù)均在0.7065以上(圖2)。

表2 與植物多樣性指數(shù)相關(guān)性顯著的敏感波段

圖2 植物多樣性敏感波段在第一、第二主成分的權(quán)重系數(shù)Fig.2 The weight coefficients of sensitive wavebands in the first and second principle components

3.2 逐步線性回歸分析

以特征波段的FD值為自變量,植物多樣性指數(shù)為響應(yīng)變量,進(jìn)行逐步回歸分析,得到了136個(gè)逐步回歸方程。在進(jìn)行相關(guān)性(R2)、顯著性(P值)、殘差(RMSE)、共線性程度(VIF)和方程復(fù)雜性(變量數(shù))比較后,篩選出12個(gè)最優(yōu)回歸方程(表3)。在篩選出的12個(gè)逐步回歸方程中,相關(guān)性(R2)最高的為基于相關(guān)性波段分析的H指數(shù)回歸方程,共線性較高的為基于經(jīng)驗(yàn)波段的E指數(shù)回歸方程,但是12個(gè)回歸方程的共線性都很低(VIF<10)。這些回歸方程的顯著性和相關(guān)性較高,殘差值和共線性值較低,可以作為植物多樣性指數(shù)的擬合模型。

3.3 擬合效果驗(yàn)證

將篩選出來的12個(gè)最優(yōu)回歸方程,代入到另外30個(gè)植物樣方進(jìn)行驗(yàn)證。結(jié)果表明(圖3),回歸方程表現(xiàn)差異很大。對(duì)于通過主成分方法篩選出來的特征波段的回歸方程,擬合效果最好,其中H、D、E指數(shù)擬合顯著(r=0.40*,r=0.49**,r=0.65**)。而通過特征波段進(jìn)行逐步回歸的方程擬合效果較差,通過相關(guān)性波段進(jìn)行回歸的方程,僅有E指數(shù)擬合顯著。

3.4 復(fù)雜性分析

高光譜擬合植物多樣性指數(shù)具有較高的復(fù)雜性,受多重因素影響。不同生境類型的光譜FD曲線表現(xiàn)不同(圖4)。流動(dòng)沙地FD曲線在400—680 nm處明顯高于其他3種沙地類型,在近紅外波段(680—760 nm),FD值表現(xiàn)為丘間低地>固定沙地>半固定沙地>流動(dòng)沙地。對(duì)實(shí)測值-擬合值相關(guān)性(圖4)的進(jìn)一步分析表明,植被蓋度適中的固定沙地R, H和D指數(shù)的擬合值準(zhǔn)確度較高,其中又以PCA波段選擇法擬合度較高。

4 討論與結(jié)論

特征波段選擇一直是高光譜遙感數(shù)據(jù)分析的中心問題。本文通過相關(guān)性分析法、PCA和經(jīng)驗(yàn)指數(shù)篩選法選擇了潛在的敏感波段,并經(jīng)進(jìn)一步的逐步回歸分析,選擇了少量的貢獻(xiàn)值最大的波段,進(jìn)行了擬合效果比較。相關(guān)性分析對(duì)高光譜數(shù)據(jù)每一個(gè)波段的FD值進(jìn)行了分析,縮小了波段范圍。相比其他方法建立的回歸方程,該方程變量的共線性程度最低,說明特征波段之間的冗余信息較少。但是該法在驗(yàn)證中表現(xiàn)為不穩(wěn)定,未能取得較好效果。其原因可能是由于數(shù)百個(gè)波段參數(shù)之間相關(guān)性分析中產(chǎn)生了交互影響效應(yīng),單個(gè)波段的貢獻(xiàn)難以通過相關(guān)性分析識(shí)別出來[20- 21]。說明相關(guān)性分析選擇的高相關(guān)波段,不一定是含有關(guān)鍵光譜信息的特征波段。而根據(jù)文獻(xiàn)研究篩選的敏感波段進(jìn)行擬合的結(jié)果也不理想。由于沒有直接利用高光譜數(shù)據(jù)模擬植物多樣性指數(shù)的相關(guān)研究,經(jīng)驗(yàn)波段選擇的依據(jù)多是空間分辨率高于3 m的機(jī)載高光譜遙感圖像的分析結(jié)果[22, 29- 30]。本文是基于微尺度(0.8 m)植物樣方的高光譜數(shù)據(jù)進(jìn)行的擬合分析,尺度的轉(zhuǎn)換以及傳感器的差異可能使選擇出來的特征波段難以適應(yīng)。多項(xiàng)研究結(jié)果表明,高空間分辨率的遙感數(shù)據(jù)能夠提高植物多樣性的模擬效果[31]。因此不同分辨率遙感影像篩選的特征波段范圍會(huì)有差異。與相關(guān)性分析和經(jīng)驗(yàn)法選擇波段相比,基于主成分分析法選擇特征波段的回歸方程得到了最好的多樣性指數(shù)預(yù)測值。主成分分析能夠識(shí)別少量的含有大量光譜特征信息的特征波段,在其他傳感器遙感數(shù)據(jù)研究中也取得較好效果[19],表現(xiàn)出較高的穩(wěn)定性。

圖4 不同生境沙地類型光譜FD曲線以及實(shí)測alpha多樣性指數(shù)與相關(guān)性分析、PCA和經(jīng)驗(yàn)波段法擬合多樣性指數(shù)之間的相關(guān)系數(shù)Fig.4 The FD curves of four kinds of sandy dunes, and the Pearson′s correlation coefficients between filed measured alpha-diversity indices and predicted values based on selected wavebands through correlation, PCA and empirical method, respectively*表示相關(guān)系數(shù)顯著性(P<0.05)

本文優(yōu)選的光譜模型驗(yàn)證精度表現(xiàn)一般,其原因可能在于植物多樣性遙感反演的復(fù)雜性。首先,研究地點(diǎn)是沙質(zhì)草地,傳感器接受的植被信號(hào)受沙地強(qiáng)烈的反射光影響。本文篩選的主成分波段范圍為500—658 nm,也說明可見光是收集樣方光譜的主要部分。對(duì)于流動(dòng)沙地和半固定沙地,對(duì)FD值的影響更明顯,擬合精度不高。其次,研究地點(diǎn)生境多樣,復(fù)雜的環(huán)境條件也會(huì)降低模型準(zhǔn)確度。本研究地點(diǎn)為流動(dòng)沙地、半固定沙地、固定沙地和低地,樣方植被蓋度范圍為5%—48%,收集到的樣方光譜數(shù)據(jù)差異性較高。本研究也通過分析四種生境條件下光譜模型的擬合度,發(fā)現(xiàn)同一光譜模型在不同生境會(huì)表現(xiàn)出明顯的差異。為了開發(fā)適宜性廣的光譜模型,沒有區(qū)分不同生境分別建模。因?yàn)樵趯?shí)際應(yīng)用中,大面積的草地生態(tài)系統(tǒng)類型是多樣性生境類型的混合,研究的重點(diǎn)應(yīng)該是開發(fā)能夠擬合大面積生態(tài)系統(tǒng)的普適性的遙感模型,發(fā)揮遙感進(jìn)行大尺度植物多樣性指數(shù)估算的優(yōu)勢。其三,沙地植物群落多樣性的光譜特征,還受樣方土壤類型、土壤含水量、群落復(fù)雜性、群落蓋度、地表凋落物、植株陰影等因素的影響[32]。研究表明,群落不同植物的高度差異、物種多樣性組成以及群落分層特征都將影響群落的光譜特征。例如,相同物種組成的植物群落,由于植株間蓋度、發(fā)育階段和葉片傾角的不同,而呈現(xiàn)出不同的光譜多樣性指數(shù)[32]。本研究也表明,植被蓋度中等的固定沙地的植物多樣性指數(shù)模型擬合效果較好(圖4)。如何將這些影響因素全部納入高光譜模型,尚需開展系列控制條件下的大量定量實(shí)驗(yàn)研究。其四,不同植物多樣性指數(shù)的擬合效果也有差異。H, D, E指數(shù)擬合效果較好的原因,一是這些指數(shù)的計(jì)算考慮到了不同物種的多度,同時(shí)這些指數(shù)也不受取樣單位的影響,開發(fā)的光譜模型能夠反映這些特征。與之相反,物種豐富度的擬合效果較差。其原因可能是物種豐富度僅考慮單位樣方的種類數(shù)而沒有考慮其多度和比例[33],難以用光譜模型表達(dá)。一個(gè)樣方的植物群落光譜特征不僅受物種種類影響,也受物種組成比例的影響,因此豐富度指數(shù)與光譜模型的契合度較差。

由于植物物種多樣性空間分布具有尺度效應(yīng),不考慮尺度效應(yīng)分析生物多樣性可能會(huì)導(dǎo)致錯(cuò)誤的結(jié)論[19, 34]。遙感數(shù)據(jù)由于具有粒度效應(yīng)和幅度效應(yīng)[12, 35- 36],可以和植物多樣性空間尺度效應(yīng)結(jié)合起來進(jìn)行分析,探討適合于植物多樣性擬合的最優(yōu)粒度和幅度。從微尺度到大尺度的多尺度研究有利于消除一般規(guī)則下的錯(cuò)誤判斷,從而正確評(píng)估物種多樣性。隨著高分辨率高光譜衛(wèi)星影像和近地面無人機(jī)高光譜遙感技術(shù)的發(fā)展,高光譜遙感數(shù)據(jù)和影像直接監(jiān)測植物物種多樣性表現(xiàn)出了較大的應(yīng)用潛力。本文基于敏感波段選擇方法,比較了不同選擇方法光譜模型擬合效果的差異,為高光譜應(yīng)用于植物多樣性的遙感估測提供了初步參考。未來的研究可以利用不同空間尺度(從0.3 m到60 m的系列空間分辨率)的高光譜遙感數(shù)據(jù),對(duì)不同空間尺度的植物多樣性的遙感模型特征進(jìn)行比較,揭示植物多樣性遙感模型的尺度轉(zhuǎn)換機(jī)制。同時(shí),開展不同生境類型(流動(dòng)沙地、半流動(dòng)沙地、固定沙地和低地)、不同季節(jié)和不同群落條件(蓋度、生活型、高度)下植物多樣性光譜特征的時(shí)空差異研究,探究普適性廣和精確度高的遙感模型,促進(jìn)植物多樣性參數(shù)的快速和精準(zhǔn)估測。