梁博明,劉 新,郝媛媛,楚 彬,唐莊生
(甘肅農(nóng)業(yè)大學草業(yè)學院,草業(yè)生態(tài)系統(tǒng)教育部重點實驗室,國家林業(yè)草原高寒草地鼠害防控工程技術研究中心,甘肅 蘭州 730070)
土地荒漠化嚴重威脅著人類的生存環(huán)境,制約著全球社會和經(jīng)濟的穩(wěn)定發(fā)展,受到國內(nèi)外學者的高度重視。中國是世界上荒漠分布廣、面積大、危害嚴重的國家之一[1]。第五次全國荒漠化和沙化土地監(jiān)測結果顯示,中國荒漠化土地面積2.61×106km2,占國土面積的27.20%[2],近4×108人口受到荒漠化的影響[3]。中、美、加國際合作項目研究表明,我國因荒漠化造成的直接經(jīng)濟損失約為每年5.41×1010元人民幣[4]。
在荒漠區(qū),地上生物量是反映植被生長發(fā)育狀況的重要指標,對植被準確估產(chǎn)和品質(zhì)測定具有重要作用。因此,準確獲取植被地上生物量信息對植被長勢監(jiān)測、產(chǎn)量估算、植被區(qū)維護與治理等具有重要意義。傳統(tǒng)的植被地上生物量測量多是破壞性取樣,費時費力,難以滿足生態(tài)環(huán)境中對大面積地上生物量準確及時估測的需求。多光譜遙感監(jiān)測具有快速、準確、無破壞性等特點,已廣泛應用于植被地上生物量的快速獲?。?]。植被指數(shù)是不同遙感光譜波段間的線性或非線性組合,主要反映植被在可見光、近紅外波段反射與土壤背景之間差異的指標,各個植被指數(shù)在一定條件下能用來定量說明植被的生長狀況[6],而建立植被指數(shù)與植被地上生物量的估算模型已廣泛應用于現(xiàn)實研究中。葉靜蕓等[7]利用樣方調(diào)查數(shù)據(jù)和Quick Bird 影像數(shù)據(jù)對烏蘭布和沙漠東北緣荒漠-綠洲過渡帶植被地上生物量的研究表明,比值植被指數(shù)(Ratio Vegetation Index,RVI)線性模型估算荒漠植被地上生物量的效果最好(R2=0.82,RMSEP=15.07);陳琪等[8]為了分析內(nèi)蒙古阿拉善盟草地地上生物量的時空分布規(guī)律,構建了1981—2000 年NOAA(National Oceanic and Atmospheric Administration,美國國家海洋和大氣管理局)NDVI(Normalized Difference Vegetation Index,歸一化植被指數(shù))、2001—2018年MODIS(Moderateresolution Imaging Spectroradiometer,中分辨率成像光譜儀)NDVI 遙感數(shù)據(jù)產(chǎn)品和實測地上生物量的關系模型,發(fā)現(xiàn)冪函數(shù)的相關性最優(yōu),模型精度可達78%;Wu等[9]基于天宮一號高光譜數(shù)據(jù)的荒漠化地區(qū)稀疏植被生物量估測中,SAVI(Soil-Adjusted Vegetation Index,土壤調(diào)節(jié)植被指數(shù))的一元線性模型R2高于NDVI;楊麗萍等[10]在內(nèi)蒙古額濟納的研究表明,基于OSAVI(Optimization Soil-adjusted Vegetation Index,優(yōu)化型土壤調(diào)節(jié)植被指數(shù))的TVDI(Temperature Vegetation Dryness Index,溫度植被干旱指數(shù))是研究土壤水分反演的最佳模型,可以間接反應研究區(qū)地上生物量的分布狀況;張錦麗等[11]研究表明,利用Lanndsat-8 OLI 影像提取的植被指數(shù)DVI(Difference Vegetation Index,差值植被指數(shù))與研究區(qū)地上生物量實測數(shù)據(jù)具有相關性。由此可知,數(shù)據(jù)源、研究區(qū)、植被指數(shù)以及擬合關系等都是決定植被地上生物量信息提取模型的因素。
哨兵(Sentinel)數(shù)據(jù)作為目前分辨率最高(多光譜10 m)的全球性開源數(shù)據(jù)[12],在植被生物量提取方面相較于MODIS、Landsat等開源數(shù)據(jù)無疑具有更高的精度,但已有研究中利用其提取荒漠區(qū)植被生物量的研究相對較少。位于巴丹吉林沙漠和騰格里沙漠之間的民勤縣是典型的荒漠-綠洲生態(tài)系統(tǒng),是荒漠植被生物量研究的理想場所。因此,本研究以民勤縣為研究區(qū),基于Sentinel-2 數(shù)據(jù)構建并篩選不同植被指數(shù)與實測地上生物量之間的最優(yōu)估算模型[13],并評估民勤縣的植被生物量分布狀況,以期為荒漠區(qū)植被地上生物量快速提取研究提供參考。
以甘肅省民勤縣為研究區(qū),地理坐標(101°47′39″~104°57′3″E,38°0′39″ ~39°27′49″N,圖1),總面積1.58×106hm2,海拔1298~1936 m,地處河西走廊東北部,石羊河流域下游[14]。東西北三面被騰格里沙漠和巴丹吉林沙漠包圍,多年(1953—2021年)平均氣溫8.5 ℃,平均降水量114 mm,平均蒸發(fā)量2412 mm,屬于典型的溫帶大陸性干旱氣候。區(qū)域植被特征明顯、群落片層簡單,以“灌草叢”為主[15]。由荒漠(沙漠)、荒漠-綠洲過渡帶和綠洲3 種西北干旱區(qū)典型的地表形態(tài)組成[16],分布著綠洲灌區(qū)、荒漠平原區(qū)、沙漠區(qū)和山地4 種景觀,是典型的荒漠-綠洲生態(tài)系統(tǒng)[17-18]。
圖1 研究區(qū)地理位置及采樣點分布Fig.1 Location and distribution of sampling points in the study area
1.2.1 野外實測數(shù)據(jù) 野外實測點主要位于荒漠-綠洲過渡帶[19],為生態(tài)緩沖區(qū)[20],兼顧兩地植被分布差異,盡可能涵蓋全縣植被類型[21-22]。采樣時間為植被茂盛期的2020年7月18—31日;同時為了與陸地衛(wèi)星遙感數(shù)據(jù)空間分辨率保持一致[23],樣方大小設置為10 m×10 m,共64個采樣點(圖1)。在樣方內(nèi)按照五點采樣法設置1 m×1 m小樣方,記錄樣方內(nèi)植被信息(涉及18科、33屬、33種,分類地位見表1)后齊地面剪取5個小樣方內(nèi)植物并編號分類[14],帶回實驗室烘干后取干重平均值,乘100 得到百平方米面積上的地上生物量,因此試驗中地上生物量統(tǒng)一單位為kg·(100m2)-1。
表1 樣方內(nèi)植物物種及其分類地位Tab.1 Species and taxonomic status in quadrat
1.2.2 遙感數(shù)據(jù) 選取2020年7—8月(以匹配地面實測數(shù)據(jù))經(jīng)過預處理后的哨兵2號(Sentinel-2,表2)L2A級數(shù)據(jù)產(chǎn)品[23](https:/scihub.copernicus.eu/)的6景影像(表3),并進行影像鑲嵌、裁剪等預處理。
表2 哨兵2號數(shù)據(jù)波段特征Tab.2 Band characteristics of Sentinel-2 data
表3 研究區(qū)遙感影像數(shù)據(jù)列表Tab.3 List of remote sensing image data in the study area
1.3.1 植被指數(shù)選取及相關性分析 選取估算荒漠植被生物量較好的比值植被指數(shù)RVI[7]、應用最為廣泛[24]的歸一化植被指數(shù)NDVI、對環(huán)境變化極為敏感且算法簡單[25]的DVI、加入土壤調(diào)節(jié)系數(shù)L后可以減弱土壤背景影響[26]的土壤調(diào)節(jié)植被指數(shù)SAVI 以及適合于監(jiān)測耕地人工林[27]的優(yōu)化型土壤調(diào)節(jié)植被指數(shù)OSAVI 5 種植被指數(shù),計算公式見表4,與實測地上生物量之間進行Pearson 相關性分析后用于植被地上生物量的反演。
表4 植被指數(shù)及其計算公式Tab.4 Vegetation index and its calculation formula
1.3.2 最優(yōu)模型篩選及精度驗證 為防止過度擬合[28],設置64 個樣點數(shù)據(jù)中訓練集與驗證集比例為2:1[29-30]。
基于經(jīng)驗統(tǒng)計法,構建5種植被指數(shù)與實測地上生物量(訓練集:43個樣點)之間的一元線性、對數(shù)、指數(shù)和二項式估算模型,并根據(jù)決定系數(shù)[31]R2(Coefficient of Determination)評估并篩選最優(yōu)估算模型。
再依據(jù)估算值與實測值(驗證集:21個樣點)之間線性擬合的R2和均方根誤差RMSE(Root Mean Square Error)對最優(yōu)模型進行精度評價。計算公式如下:
式中:n、i分別為數(shù)據(jù)個數(shù)第幾個數(shù);Xˉ表示地上生物量實測的均值;Mi和Oi分別為地上生物量的估算值和觀測值。
1.3.3 研究區(qū)植被生物量反演 研究區(qū)群落整體植株矮小、植被稀疏,生物量低[32-33],利用植被類型實地占比分布狀況[34],結合植被間的共生關系[35],按生物量大小劃分民勤縣植被分布狀況[36-38](表5)。
RVI、NDVI、DVI、SAVI 和OSAVI 5 種植被指數(shù)與植被地上生物量均呈顯著正相關關系(P<0.05),相關系數(shù)為0.67~0.79(表6),均可用于植被地上生物量估算。
表6 5種植被指數(shù)與地上生物量的相關性Tab.6 Correlation between five vegetation indexes and aboveground biomass
基于5種植被指數(shù)分別構建地上生物量的一元線性、對數(shù),指數(shù)和二項式估算模型(表7)?;赟AVI 的地上生物量模型效果表現(xiàn)最佳,4 種擬合方法的決定系數(shù)R2分別為0.62、0.21、0.73和0.76;NDVI 次之,R2分別為0.46、0.15、0.60 和0.63;RVI 4 種擬合方法的平均R2較大(0.53),僅次于SAVI(0.58),且對數(shù)估算模型是5種植被指數(shù)對數(shù)估算模型中最好的(R2=0.44),但指數(shù)和二項式2 種擬合方式均不及其他4 種指數(shù);DVI 和OSAVI 最差。因此,基于SAVI 的二項式模型為估算民勤荒漠區(qū)植被地上生物量的最優(yōu)模型。
表7 基于遙感影像植被指數(shù)的地上生物量估算模型Tab.7 Estimation model of aboveground biomass based on vegetation index from remote sensing image
由地上生物量估算值與驗證集之間的線性擬合關系可知(圖2),決定系數(shù)R2為0.73,通過P<0.05顯著性水平檢驗,均方根誤差RMSE 為0.12,模型精度符合要求,可用于民勤荒漠植被地上生物量信息的提取。
基于SAVI 二項式模型的民勤植被地上生物量空間分布(圖3)結果表明,民勤縣近2/3 區(qū)域為沙漠、戈壁等無植被區(qū)(66%);低植被區(qū)面積次之,占研究區(qū)面積的1/5,主要分布在民紅公路沿線以及綠洲外圍的沙漠和荒漠中;中植被區(qū)面積最小,僅為縣域面積的1/20,多分布在人工植被和高植被區(qū)域中天然植被的外圍;高植被區(qū)主要分布在紅崖山、環(huán)河、昌寧和南湖4大灌區(qū)(人工植被)以及青土湖、紅沙崗鎮(zhèn)西北部等區(qū)域(天然植被),占比不足10%。
圖3 基于SAVI二項式模型的研究區(qū)地上生物量空間分布Fig.3 Spatial distribution of aboveground biomass in the study area based on SAVI index binomial model
民勤地處騰格里沙漠與巴丹吉林沙漠的交接處,其土地干旱、植被稀疏[39]。植被地上生物量為體現(xiàn)植被生長狀況最重要的指標,其值的大小直接反應了該地區(qū)植被生長的優(yōu)劣[40]。為了能更好的反演地上生物量的分布狀況,研究采用了空間分辨率高、云量小的哨兵2 號遙感影像與植被地上生物量相結合的方式,估算荒漠區(qū)植被地上生物量。
通過對植被稀疏的荒漠區(qū)進行地上生物量提取分析,結果表明SAVI指數(shù)與地上生物量的相關性最好,模擬效果均優(yōu)于其他植被指數(shù),與馬中剛[41]對河北康??h和張錦麗等[42]對準噶爾盆地的荒漠區(qū)植被地上生物量反演研究結果一致。這是由于SAVI指數(shù)通過向NDVI指數(shù)的分母中引入土壤調(diào)節(jié)系數(shù)L,進一步降低了土壤背景變化對植被指數(shù)的影響。L是SAVI指數(shù)提取植被信息的關鍵,取值范圍為0~1,L=0 時,表示植被覆蓋為0,L=1 時,表示植被覆蓋度非常高。這與Huete等[43]提出的對于調(diào)整不同的L,SAVI 指數(shù)幾乎可以排除由土壤背景等因素所造成的植被指數(shù)變化的研究結果基本保持一致。
利用經(jīng)驗統(tǒng)計法,構建基于不同植被指數(shù)的地上生物量估算模型(一元線性、對數(shù),指數(shù)和二項式模型),并利用最優(yōu)模型進一步對地上生物量的空間分布展開研究。該模型方法參數(shù)輸入單一,計算簡單,經(jīng)常應用于遙感圖像數(shù)據(jù)與野外實測數(shù)據(jù)相結合的模型構建,因此,在本次研究中,取得的結果較為良好,同時也為荒漠地帶植被的地上生物量研究提供依據(jù)。
通過對民勤地區(qū)植被地上生物量與植被指數(shù)的研究,得出如下結論:
(1)RVI、NDVI、DVI、SAVI 和OSAVI 5 種植被指數(shù)與植被地上生物量均呈顯著正相關關系(P<0.05),且SAVI的相關性最高(r=0.79)。
(2)基于SAVI 指數(shù)的二項式模型是研究區(qū)地上生物量估算的最優(yōu)模型(R2=0.76),且精度較高(R2=0.73,RMSE=0.12)。
(3)民勤縣植被相對密集區(qū)主要分布于四大灌區(qū)(紅崖山、環(huán)河、昌寧、南湖)、青土湖周邊以及紅沙崗鎮(zhèn)西北區(qū)域,其他地域植被較為稀疏,無植被區(qū)[<0.005 kg·(100m2)-1]、低植被區(qū)[0.005~0.2 kg·(100m2)-1]、中植被區(qū)[0.2~0.5 kg·(100m2)-1]和高植被區(qū)[>0.5 kg·(100m2)-1]的占比分別為66%、21%、5%和8%。