許政勇，孫斌，張王菲，李毅夫，閆紫鈺，岳巍，滕思翰，4

（1. 西南林業(yè)大學(xué)林學(xué)院，云南 昆明 650224；2. 中國林業(yè)科學(xué)研究院資源信息研究所，北京 100091；3. 國家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室 北京 100091；4. 內(nèi)蒙古自治區(qū)大數(shù)據(jù)中心，內(nèi)蒙古 呼和浩特 010000）

草地生態(tài)系統(tǒng)是世界上分布較廣泛的生態(tài)系統(tǒng)類型之一，在全球碳循環(huán)以及氣候調(diào)節(jié)中具有十分重要的作用［1-2］。草地地上生物量（aboveground biomass，AGB）不僅能反映草地的生長狀況與土壤肥力，還能調(diào)節(jié)當(dāng)?shù)貧夂?，促進(jìn)碳氧平衡，同時在草地生態(tài)系統(tǒng)的物質(zhì)循環(huán)與能量流動中也起著重要作用。而在干旱半干旱區(qū)，植被覆蓋比較稀疏，再加上過度放牧與氣候等因素，草地沙化加快，同時，隨著氣候變化與人類活動的影響，干旱半干旱地區(qū)的草地逐漸出現(xiàn)了灌叢化，草地灌叢化已成為干旱半干旱區(qū)最為主要的生態(tài)問題之一［3］。因此，及時快速的監(jiān)測出灌叢化草原植被地上生物量，空間分布與動態(tài)變化對保護(hù)全球草地生態(tài)系統(tǒng)與研究全球碳循環(huán)有著重要的意義。

傳統(tǒng)灌叢化草原地上生物量調(diào)查方法（齊地刈割法）是調(diào)查精度最高的方法，但是其所花費(fèi)時間較長，費(fèi)用也比較高，同時對草地進(jìn)行刈割，會對草地進(jìn)行破壞，不利于草地再生，也不能大范圍估測出草地AGB，有許多局限性，目前，通過遙感技術(shù)來估測灌叢化草原植被AGB 被認(rèn)為是最有潛力與最有效的方法?；谶b感估測技術(shù)來估測灌叢化草原植被AGB 的方法主要有兩類，一類是參數(shù)模型法，以植被指數(shù)法為代表，主要是在遙感影像上提取各種植被指數(shù)，然后以此為自變量與實(shí)測生物量構(gòu)建單因素或多因素線性模型，從而估測得到植被AGB。如，Kawamura 等［4］以內(nèi)蒙古錫林郭勒草原的Terra/MODIS 圖像為基礎(chǔ)，發(fā)現(xiàn)研究區(qū)的歸一化植被指數(shù)與實(shí)測的草地生物量兩者之間存在著非常顯著的相關(guān)關(guān)系。Ren 等［5］針對干旱地區(qū)土壤背景因素的影響，改進(jìn)了土壤調(diào)節(jié)植被指數(shù)（soil adjusted vegetation index，SAVI），并用于干旱區(qū)草地AGB 的反演。郭超凡等［6］分析了18 種典型植被指數(shù)與生物量的擬合關(guān)系，通過精度評價和敏感性分析確定了不同植被指數(shù)模型的適用范圍，并提出基于多植被指數(shù)模型的協(xié)同估算方案來提高草地生物量的制圖精度；另一類是非參數(shù)模型方法，如利用機(jī)器學(xué)習(xí)的方法，但是機(jī)器學(xué)習(xí)需要大量樣本數(shù)據(jù)作為基礎(chǔ)，若研究樣本數(shù)據(jù)量較小，模型的準(zhǔn)確性就會受到一定的影響［7］，同時，機(jī)器學(xué)習(xí)的方法也是以常見植被指數(shù)作為特征變量從而建立復(fù)雜非線性估測模型，而且其“黑箱”操作只是將它們復(fù)雜的作用過程通過一些訓(xùn)練數(shù)據(jù)集的模擬來表現(xiàn)，難以反映生物量與遙感參數(shù)之間的機(jī)理過程［8］。

以上研究都是基于常見植被指數(shù)為特征變量與實(shí)測植被AGB 構(gòu)建參數(shù)或非參數(shù)模型，從而反演灌叢化草原植被AGB［9-10］。植被指數(shù)是利用綠色植被對電磁波的反射和吸收特性，將各個波段進(jìn)行組合，從而體現(xiàn)出植被信息［11］，然而，在干旱半干旱區(qū)，植被覆蓋稀疏，受土壤背景噪聲影響較大，植被指數(shù)表現(xiàn)出對植被的區(qū)分力不足，加之灌叢相比草本，具有一定高度，而光學(xué)遙感不具備穿透性，只能監(jiān)測其表面信息，致使在灌叢化草原中使用現(xiàn)有常見植被指數(shù)所建立的AGB 估算模型在植被不同覆蓋程度下表現(xiàn)極不穩(wěn)定。如，孫斌等［12］以GF-1 和Landsat TM 為數(shù)據(jù)源，使用植被指數(shù)法估算荒漠地區(qū)植被AGB 時，發(fā)現(xiàn)植被AGB 估算精度低，表現(xiàn)不穩(wěn)定，無法滿足高精度估算要求。于惠等［13］基于MODIS SWIR 數(shù)據(jù)對干旱區(qū)草地AGB 進(jìn)行反演，受土壤背景噪聲影響，常見植被指數(shù)所構(gòu)建的AGB 反演模型預(yù)測精度也普遍偏低。為了解決這個問題，本研究選取錫林郭勒盟草原為研究區(qū)，擬利用Sentinel-2 數(shù)據(jù)3 個紅邊波段的優(yōu)勢，以三角形植被指數(shù)（triangular vegetation index，TVI）為基礎(chǔ)，對TVI進(jìn)行優(yōu)化，提出構(gòu)建一種新的植被指數(shù)草地三角形植被指數(shù)（grassland triangular vegetation index，GTVI），使其能夠準(zhǔn)確反映不同土壤噪聲影響下植被的生長情況，然后用于構(gòu)建干旱半干旱灌叢化草原植被AGB 估算模型。研究結(jié)果可為干旱半干旱區(qū)灌叢化草原植被AGB 遙感監(jiān)測和草地資源的保護(hù)提供科學(xué)的理論依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

錫林郭勒盟草原地處中國正北方，內(nèi)蒙古自治區(qū)中部，是距京津冀經(jīng)濟(jì)圈最近的草原牧區(qū)，地理位置為42°02′-46°52′ N，111°13′-117°06′ E（圖1）［3］。錫林郭勒盟屬北部溫帶大陸性氣候，其主要?dú)夂蛱攸c(diǎn)是風(fēng)大、干旱與寒冷，草原面積約17.96 萬hm2，年平均氣溫4.5 °C，年平均降水量335.7 mm［14］，由東南向西北遞減，年蒸發(fā)量為1500～2700 mm，無霜期110～130 d，其平均海拔在800～1800 m，地勢總體呈南高北低，由東南方向東北方整體傾斜［15］。該地區(qū)天然草地主要以針茅（Stipa capillata）、冷蒿（Artemisia frigida）、糙隱子草（Cleistogenes squarrosa）和砂韭（Allium bidentatum）為優(yōu)勢種；灌木以小葉錦雞兒（Caragana microphylia）為優(yōu)勢種。

圖1 研究區(qū)位置及樣點(diǎn)分布Fig.1 Study area location and sample distribution

1.2 采樣點(diǎn)的選取與生物量測定

于2022 年7 月26 日-8 月13 日采集地上生物量（AGB）數(shù)據(jù)，一共采集62 個樣地?cái)?shù)據(jù)，包括40 個草本植被樣地?cái)?shù)據(jù)和22 個灌叢植被樣地?cái)?shù)據(jù)。根據(jù)整個錫林郭勒盟的灌草分布類型特點(diǎn)與利用方式，布設(shè)樣地大小為40 m×40 m，其中在草本植被樣地中，每個樣地選取2 個隨機(jī)樣方，樣方大小布設(shè)為1 m×1 m；在灌叢植被樣地中，使用“標(biāo)準(zhǔn)樣方”法［16］對灌叢取樣，每個樣地選取2～3 個隨機(jī)樣方，樣方大小布設(shè)為0.5 m×0.5 m，實(shí)測使用實(shí)時動態(tài)測量（real-time kinematic，RTK）記錄樣地中心的坐標(biāo)。草本植被和灌叢植被樣方內(nèi)的生物量獲取用羊毛剪將樣方內(nèi)所有綠色部分齊地面剪下（圖2）裝袋編號，并稱其鮮重，最后帶回實(shí)驗(yàn)室65 °C 恒溫烘干48 h 后稱重，最后取每個樣地里樣方的平均值作為樣地點(diǎn)的生物量。

圖2 野外實(shí)測場景Fig.2 Photos of field measurement

1.3 遙感影像數(shù)據(jù)的獲取與預(yù)處理

本研究使用的遙感影像為Sentinel-2 號數(shù)據(jù)，包含了13 個波段，其最高分辨率達(dá)10 m，重返周期為5 d，幅寬為290 km，其獨(dú)有的3 個紅邊波段對于植被多種理化參量的變化敏感，可以衍生出更多具有不同生態(tài)學(xué)意義的植被指數(shù)［17］，很適合用于干旱半干旱區(qū)草地地上生物量的估算研究。Sentinel-2 號數(shù)據(jù)下載自歐洲航天局哥白尼數(shù)據(jù)中心（https：//scihub.copernicus.eu）。根據(jù)實(shí)際野外調(diào)查樣點(diǎn)的位置與時間，本次研究直接獲取了能覆蓋樣地點(diǎn)生長季的10 幅Sentinel-2 號L2A 級數(shù)據(jù)，L2A 級數(shù)據(jù)在L1C 級數(shù)據(jù)基礎(chǔ)上進(jìn)行大氣校正和地形校正等一系列處理［18］。因此L2A 級數(shù)據(jù)可直接獲取大氣底層反射率數(shù)據(jù)，為方便后期提取樣地點(diǎn)反射率數(shù)據(jù)，本研究使用SNAP 軟件將10 景影像重采樣至10 m，最后導(dǎo)出為環(huán)境遙感處理系統(tǒng)（the environment for visualizing images，ENVI）可識別格式，在ENVI 中進(jìn)行影像的鑲嵌與植被指數(shù)計(jì)算。

同時為方便后續(xù)草本植被和灌叢植被樣區(qū)的選擇，本研究還獲取了部分GF2-PMS 數(shù)據(jù)和無人機(jī)影像數(shù)據(jù)。GF2-PMS 數(shù)據(jù)下載自中國資源衛(wèi)星應(yīng)用中心陸地觀測衛(wèi)星數(shù)據(jù)服務(wù)平臺，獲取時間與野外調(diào)查時間相對應(yīng)；無人機(jī)影像數(shù)據(jù)獲取于2022 年7 月26 日-8月13 日，在陽光充足，天氣晴朗條件下航高垂直于地面30 m 對草本植被和灌叢植被進(jìn)行拍攝。

1.4 研究方法

1.4.1 TVI 構(gòu)建理論 擬以Broge 等［19］提出的三角形植被指數(shù)（TVI） 構(gòu)建理論為基礎(chǔ)，在固定綠波段位置作為三角形的一個頂點(diǎn)后，通過組合不同的紅、紅邊與近紅波段的位置來調(diào)節(jié)三角形面積（圖3），進(jìn)而評估分析三角形面積變化對干旱半干旱地區(qū)草本植被和灌叢植被AGB 估算結(jié)果敏感程度的基礎(chǔ)上，提出用于干旱半干旱地區(qū)草本植被和灌叢植被AGB 估算的最優(yōu)波段組合TVI，初步建立用于草本植被和灌叢植被AGB 估算的植被指數(shù)。

圖3 TVI 構(gòu)建理論Fig. 3 Schematic diagram of triangular vegetation index（TVI） construction

TVI 計(jì)算公式為：

式中：R550、R670和R750分別代表了綠、紅、近紅這3 個波段的反射率，TVI 計(jì)算值即為植被反射光譜曲線上綠、紅和近紅這3 個波段所圍成的三角形面積。通過分析三角形植被指數(shù)構(gòu)建原理可知，通過固定A 點(diǎn)，移動△ABC 頂點(diǎn)B 與C 的位置（如移動到D1或者D2）可以通過改變?nèi)切蚊娣e，從而調(diào)節(jié)TVI 對預(yù)測植被生物量變化的敏感性。

本研究使用Sentinel-2 影像計(jì)算TVI，Sentinel-2 擁有3 個紅邊波段與2 個近紅外波段，為TVI 的構(gòu)建提供了豐富的組合，通過TVI 構(gòu)建原則，本次一共構(gòu)建出11 個TVI 組合，不同組合TVI 計(jì)算公式見表1。

表1 TVI 計(jì)算公式Table 1 Formula for calculating TVI

1.4.2 植被指數(shù)計(jì)算與GTVI 的構(gòu)建 通過計(jì)算現(xiàn)有十幾種常見的植被指數(shù)，探索其對土壤噪聲的敏感性，然后挑選出對土壤噪聲敏感的植被指數(shù)，進(jìn)一步對1.4.1 中初步優(yōu)選出來的最優(yōu)波段組合TVI 進(jìn)行優(yōu)化調(diào)節(jié)（公式2），使其能夠準(zhǔn)確反映不同土壤背景噪聲影響下植被的生長狀況。

式中：Ri與Rj分別代表篩選得到的最優(yōu)紅、紅邊和近紅波段組合的反射率；a、b 和c 為系數(shù)，通過確定Ri與Rj位置后確定；f(VI)為篩選得到的最敏感和最不敏感的植被指數(shù)比例化的結(jié)果。

本研究一共選用了現(xiàn)有常用的12 種植被指數(shù)，不同植被指數(shù)計(jì)算公式如下（表2），同時Sentinel-2 包含2 個短波紅外波段，由于中心波長在2190 nm 處的反射率與植被水分相關(guān)性優(yōu)于1610 nm 處的反射率［6］，因此本研究選用2190 nm 處的反射率作為植被指數(shù)計(jì)算的短波紅外波段。

表2 植被指數(shù)計(jì)算公式Table 2 Vegetation index formula

1.4.3 Ⅵ受土壤背景影響程度評價的方法 Qi 等［26］用一個統(tǒng)計(jì)量，即植被-土壤噪聲比（S/N ）來表示Ⅵ 抗土壤背景噪聲能力的大小，如下式表示：

本次研究中通過計(jì)算草本和灌叢等不同植被覆蓋下的各植被指數(shù)的2σ來表示土壤噪聲，即不同Ⅵ的2σ隨植被覆蓋度變化越大，則Ⅵ對土壤噪聲越敏感。為計(jì)算2σ，本研究分別基于分辨率為1 m 的GF2-PMS 遙感影像數(shù)據(jù)和野外實(shí)測獲取的無人機(jī)影像數(shù)據(jù)，選取了草本和灌叢不同植被覆蓋下的6 個不同覆蓋度的植被樣區(qū)，用于不同植被指數(shù)對土壤噪聲敏感性的研究，不同樣區(qū)大?。榇_保一個樣區(qū)內(nèi)存在植被完全覆蓋且具有足夠像元數(shù)使其統(tǒng)計(jì)具有一定意義的情況下，經(jīng)過多次重復(fù)試驗(yàn)，確定了研究區(qū)內(nèi)最佳樣區(qū)尺度，即像元數(shù)：26×26）及植被覆蓋情況如表3 和表4 所示。

表3 草本植被樣區(qū)大小及植被覆蓋情況Table 3 Characteristics of vegetation and herbaceous sample area size

其中各樣區(qū)的覆蓋度用像元二分模型（dimidiate pixel model，DPM）求出，即：

式中：fc為植被覆蓋度，NDVIV表示研究區(qū)植被完全覆蓋時的NDVI 值，NDVIS表示研究區(qū)裸地的NDVI 值，Qi等［26］認(rèn)為NDVIS的變化范圍一般為-0.1～0.2，因此采用一個確定值是不可取的，即使對同一場景圖像值也會有所變化。所以本研究選用10 次裸露地表的NDVI 的平均值0.074 作為NDVIS值，同樣，NDVIV值也會存在與NDVIS值類似的情況，這里選用10 次全植被覆蓋地表的NDVI 的平均值0.702 作為NDVIV值。

1.4.4 植被指數(shù)適用性評價 將TVI 優(yōu)化后的植被指數(shù)GTVI 和其他植被指數(shù)與實(shí)測地上生物量構(gòu)建AGB估測模型。模型精度檢驗(yàn)采用留一交叉驗(yàn)證（leave-one-out cross validation，LOOCV）方法，留一交叉驗(yàn)證是指每次只留下一個樣本做測試集，其他樣本做訓(xùn)練集，如果有n個樣本，則需要訓(xùn)練n次，測試n次，評價指標(biāo)為交叉驗(yàn)證決定系數(shù)（coefficient of determination cross validation，）和交叉驗(yàn)證均方根誤差（root mean square error cross validation，RMSECV）值越大，RMSECV越小，則說明估測模型的精度越高［29-30］。

式中：pi為草地生物量的實(shí)測值為草地生物量的預(yù)測值為草地生物量實(shí)測值的平均值。

2 結(jié)果與分析

2.1 TVI 構(gòu)建與最優(yōu)選擇

為了直觀顯示不同組合的TVI 與實(shí)測草本植被AGB 和實(shí)測灌叢植被AGB 之間的關(guān)系，將不同組合的TVI與實(shí)測草本植被AGB 和實(shí)測灌叢植被AGB 之間線性擬合關(guān)系進(jìn)行匯總，如表5 所示。

從表5 可以看出，在以草本植被為主的區(qū)域中，基于綠R560、紅邊R705和近紅R865組合形成的TVI 與實(shí)測生物量擬合效果最好，R2達(dá)到了0.684，基于綠R560、紅邊R740和近紅R865組合形成的TVI 與實(shí)測生物量擬合效果最差，R2為0.033；而在以灌叢植被為主的區(qū)域中，基于綠R560、紅邊R783和近紅R842組合形成的TVI 與實(shí)測生物量擬合效果最好，R2達(dá)到了0.368，基于綠R560、紅邊R705和近紅R842組合形成的TVI 與實(shí)測生物量擬合效果最差，R2為0.029。綜合以上分析來看，在以草本植被為主的區(qū)域中，本研究最終選擇綠R560、紅邊R705和近紅R865為最優(yōu)TVI 組合，即TVI（綠R560、紅邊R705和近紅R865）對生物量最敏感；在以灌叢植被為主的區(qū)域中，最終選擇綠R560、紅邊R783和近紅R842組合為最優(yōu)TVI 組合，即TVI（綠R560、紅邊R783和近紅R842組合） 對生物量最敏感。

2.2 Ⅵ受土壤噪聲敏感性優(yōu)選

圖4 分別顯示了在草本植被樣區(qū)與灌叢植被樣區(qū)中不同植被指數(shù)的土壤噪聲（2δ）隨植被覆蓋度的變化情況。

圖4 不同Ⅵ獲取植被信息時的土壤噪聲2δ 隨植被覆蓋度的變化關(guān)系Fig.4 Variation of soil noises 2σ in extracting vegetation information with the vegetation coverage

根據(jù)不同Ⅵ獲取植被信息時的土壤噪聲2δ隨植被覆蓋度的變化關(guān)系（圖4），在草本植被樣區(qū)中，增強(qiáng)型植被指數(shù)（enhanced vegetation index，EVI）反映土壤噪聲最敏感，特別是在較低中等植被覆蓋區(qū)，其次是歸一化植被指數(shù)（normalized vegetation index，NDVI），而差值植被指數(shù)（difference vegetation index，DVI）反映土壤噪聲敏感性最弱。

而在灌叢植被樣區(qū)中，發(fā)現(xiàn)整體植被覆蓋度都比較低，小于草本植被樣區(qū)的覆蓋度，這是由于受灌叢入侵的影響，草本植被逐漸退化，灌叢植被多以叢狀分布，致使植被覆蓋度整體偏低，土壤背景噪聲更為顯著。雖然在覆蓋度15%～25%時差值植被指數(shù)（DVI）和歸一化差異紅外指數(shù)（normalized difference infrared index，NDII）的2δ與植被覆蓋度變化比較快，但是從整體上看，對土壤噪聲最為敏感的植被指數(shù)是修正土壤調(diào)節(jié)植被指數(shù)（modified soil adjusted vegetation index，MSAVI），其次是綠度植被指數(shù)（green normalized difference vegetative index，GNDVI），對土壤噪聲最不敏感的植被指數(shù)是比值植被指數(shù)（rational vegetation index，RVI）。

2.3 GTVI 構(gòu)建與模型精度檢驗(yàn)

將對土壤噪聲最為敏感和最不敏感的植被指數(shù)比例化，再按照1.4.2 中GTVI 構(gòu)建方法構(gòu)建草本植被GTVI和灌叢植被GTVI，最后分別將草本植被GTVI 和灌叢植被GTVI 與實(shí)測草本植被生物量和實(shí)測灌叢植被生物量構(gòu)建線性估測模型，并使用留一交叉驗(yàn)證對模型精度進(jìn)行檢驗(yàn)（圖5）。

圖5 優(yōu)化后植被指數(shù)GTVI 與生物量建模的留一交叉驗(yàn)證Fig.5 Leave-one-out cross validation results of optimized vegetation index GTVI and biomass modeling

由圖5 可知，在以草本植被為主的區(qū)域中，相比于TVI，GTVI 的提高了0.153、RMSECV減小了12.222 g·m-2；在以灌叢植被為主的區(qū)域中，相比于TVI，GTVI 的提高了0.029、RMSECV減小了1.684 g·m-2。綜合以上，無論在以草本植被為主的區(qū)域中還是在以灌叢植被為主的區(qū)域中，基于TVI 優(yōu)化后的植被指數(shù)GTVI 與實(shí)測生物量擬合后精度都有所上升，尤其在以草本植被為主的區(qū)域中精度明顯提升，而在以灌叢植被為主的區(qū)域中精度提升相對較小。

同時，進(jìn)一步將GTVI 與實(shí)測草本植被生物量和灌叢植被生物量構(gòu)建的AGB 估測模型與本研究中計(jì)算的現(xiàn)有常用的12 種植被指數(shù)所構(gòu)建的AGB 估測模型做對比，并使用留一交叉驗(yàn)證為模型進(jìn)行精度評價及回歸方程顯著性檢驗(yàn)（F表示統(tǒng)計(jì)量，P表示統(tǒng)計(jì)量F的概率值，表6）。

表6 草本植被樣地不同指數(shù)模型交叉驗(yàn)證Table 6 Cross validation result of different index models in herbaceous

在以草本植被為主的區(qū)域中（表6），相比現(xiàn)有常用的12 種植被指數(shù)，優(yōu)化后植被指數(shù)GTVI 與實(shí)測草本植被AGB 構(gòu)建的估測模型精度最高；在以灌叢植被為主的區(qū)域中（表7），相比現(xiàn)有常用的12 種植被指數(shù)，優(yōu)化后植被指數(shù)GTVI 與實(shí)測灌叢植被AGB 構(gòu)建的估測模型精度最高，回歸方程也表現(xiàn)出極顯著水平（P＜0.01），并且估測模型精度遠(yuǎn)高于現(xiàn)有常用的12 種植被指數(shù)所構(gòu)建的估測模型精度，說明相對于現(xiàn)有常用的12 種植被指數(shù)，優(yōu)化后植被指數(shù)GTVI 非常適用于干旱半干旱區(qū)灌叢植被AGB 的估算。綜合以上，無論是在以草本植被為主的區(qū)域中還是在以灌叢植被為主的區(qū)域中，優(yōu)化后的植被指數(shù)GTVI 與植被AGB 所構(gòu)建的估測模型精度都有所上升，證明優(yōu)化后的植被指數(shù)GTVI 在干旱半干旱區(qū)較其他現(xiàn)有常見植被指數(shù)與實(shí)測AGB 構(gòu)建模型，具有更高的精度。

表7 灌叢植被樣地不同指數(shù)模型交叉驗(yàn)證Table 7 Cross validation result of different index models in shrubs

3 討論

本研究在探討Ⅵ受土壤噪聲敏感性優(yōu)選時發(fā)現(xiàn)，在以草本植被為主的區(qū)域中，低植被覆蓋區(qū)（fc＜20%）和高植被覆蓋區(qū)（fc≥60%）的土壤噪聲都比較小，較低植被覆蓋區(qū)（20%≤fc＜45%）和中等植被覆蓋區(qū)（45%≤fc＜60%）的土壤噪聲比較大，其原因主要是當(dāng)處于高植被覆蓋區(qū)時，土壤信息反射的不夠充分，而在低植被覆蓋區(qū)時，沒有足夠的植被傳遞植被冠層散射和土壤反射信息［31］；在以灌叢植被為主的區(qū)域中，也表現(xiàn)出類似的情況，即在較低植被覆蓋區(qū)的土壤噪聲大于在低植被覆蓋區(qū)的土壤噪聲。同時在以草本植被為主的區(qū)域中，該研究也顯示出NDVI 反映土壤噪聲的敏感性大于GNDVI、MSAVI、SAVI、DVI，這與張秀霞［32］的研究結(jié)果一致，證明了本次研究結(jié)果的準(zhǔn)確性。

針對現(xiàn)有常見植被指數(shù)在干旱半干旱的地區(qū)估測AGB 時所表現(xiàn)出的局限性，本研究提出對TVI 進(jìn)行優(yōu)化，從而得到新的植被指數(shù)GTVI，將GTVI 與實(shí)測植被AGB 構(gòu)建估測模型，無論是在以草本植被為主的區(qū)域中還是在以灌叢植被為主的區(qū)域中，其模型估測精度比現(xiàn)有常用的12 種植被指數(shù)構(gòu)建的估測模型精度高，其主要原因是優(yōu)化后的植被指數(shù)GTVI 相比現(xiàn)有常用的12 種植被指數(shù)，考慮了不同土壤背景噪聲的影響，使其能更準(zhǔn)確地反映出不同土壤背景噪聲下植被的生長狀況。同時在圖4 中發(fā)現(xiàn)處于中等植被覆蓋區(qū)時植被指數(shù)反映出的土壤噪聲大于其他區(qū)域，為進(jìn)一步說明GTVI 構(gòu)建AGB 估測模型的能力，以草本植被區(qū)域?yàn)槔?，將中等植被覆蓋區(qū)單獨(dú)提出，計(jì)算表6 中精度表現(xiàn)較好的3 個植被指數(shù)（EVI、GRVI 和GVMI）及GTVI，發(fā)現(xiàn)（表8）在中等植被覆蓋區(qū)中，GTVI 構(gòu)建的估測模型精度相對于其他植被指數(shù)，其模型估測精度提升的效果更加顯著且遠(yuǎn)大于其他區(qū)域，說明GTVI 確實(shí)能有效緩解土壤噪聲帶來的誤差，提高模型估測精度。

表8 中等植被覆蓋區(qū)GTVI 精度提升分析Table 8 Analysis of GTVI precision improvement in medium vegetation coverage area

深入研究還可發(fā)現(xiàn)，在以灌叢植被為主的區(qū)域中，現(xiàn)有常用的12 種植被指數(shù)及優(yōu)化后植被指數(shù)GTVI 構(gòu)建的估測模型精度都沒有在以草本植被為主的區(qū)域中構(gòu)建模型的精度高，而且在以灌叢植被為主的區(qū)域里，優(yōu)化后植被指數(shù)GTVI 相對于優(yōu)化前TVI，構(gòu)建模型時精度提升效果也不顯著，但優(yōu)化后的植被指數(shù)GTVI 所構(gòu)建的估測模型精度遠(yuǎn)高于現(xiàn)有常見的12 種植被指數(shù)所構(gòu)建的估測模型。分析原因可能是處于干旱半干旱區(qū)的灌叢植被更多表現(xiàn)出叢狀分布，且其結(jié)構(gòu)上與草本植被相比，具有一定高度，生物量又主要體現(xiàn)在枝和稈上，而光學(xué)遙感只能觀測其表面信息，難以觀測其枝和稈的信息［33］，致使最后模型估測結(jié)果較差，沒有草本植被估算模型效果好。另外，在可見光波內(nèi)，葉綠素對植物光譜的影響最大［11］，而該研究區(qū)內(nèi)灌叢植被在光學(xué)遙感影像中更多表現(xiàn)出枯黃色，使用植被指數(shù)不能完全體現(xiàn)其植被信息，也是致使灌叢植被估算模型精度低于草本植被估算模型精度的原因之一。因此針對灌叢生物量估算時，單純使用植被指數(shù)法精度有待提高，在今后的工作中可以考慮結(jié)合引入主動遙感里的后向散射系數(shù)，采用主被動協(xié)同遙感的方式對灌叢植被AGB 進(jìn)行估算，可能會有更好的結(jié)果。

在本研究中，計(jì)算的植被指數(shù)與實(shí)測樣點(diǎn)數(shù)據(jù)來自同一時期，即影像與采樣點(diǎn)時間前后不超過10 d，這有效地減小了模型模擬的誤差，但是本研究中樣點(diǎn)數(shù)據(jù)數(shù)量方面還有點(diǎn)欠缺，今后在條件允許的情況下應(yīng)當(dāng)適量添加樣點(diǎn)數(shù)據(jù)，以進(jìn)一步提高模型模擬數(shù)據(jù)的精度［34］。同時本研究中提出的基于TVI 優(yōu)化后植被指數(shù)GTVI 構(gòu)建生物量估測模型，理論上該方法也適用于其他植被理化參數(shù)的估測，如葉綠素、葉片含氮量和植被含水量等，但本研究中所提出的新方法針對其他植被理化參數(shù)的估測還有待今后進(jìn)一步研究。

4 結(jié)論

本研究以內(nèi)蒙古錫林郭勒盟天然灌叢化草原為研究區(qū)，基于Sentinel-2 遙感數(shù)據(jù)計(jì)算TVI 及現(xiàn)有常見的12種植被指數(shù)，并提出了一種優(yōu)化方法對TVI 進(jìn)行優(yōu)化構(gòu)建出新的植被指數(shù)GTVI，最后利用優(yōu)化后植被指數(shù)GTVI 和現(xiàn)有常見的12 種植被指數(shù)分別構(gòu)建單因素生物量估測模型，主要得出以下結(jié)論：

1）在以草本植被為主的區(qū)域中，基于綠R560、紅邊R705和近紅R865組合形成的TVI 與實(shí)測生物量擬合效果最好，R2達(dá)到了0.684；而在以灌叢植被為主的區(qū)域中，以基于綠R560、紅邊R783和近紅R842組合形成的TVI 與實(shí)測生物量擬合效果最好，R2達(dá)到了0.368，整體效果遠(yuǎn)低于草本植被樣區(qū)。

2）分析現(xiàn)有常用的12 種植被指數(shù)對土壤的噪聲敏感性結(jié)果表明，在以草本植被為主的區(qū)域中，增強(qiáng)型植被指數(shù)（EVI）對土壤噪聲表現(xiàn)最為敏感，差值植被指數(shù)（DVI）反映土壤噪聲敏感性最弱；而在以灌叢植被為主的區(qū)域，修正土壤調(diào)節(jié)植被指數(shù)（MSAVI）對土壤噪聲表現(xiàn)最為敏感，比值植被指數(shù)（RVI）反映土壤噪聲敏感性最弱。

3）無論是在以草本植被為主的區(qū)域中還是在以灌叢植被為主的區(qū)域中，基于TVI 優(yōu)化后的植被指數(shù)GTVI與植被AGB 構(gòu)建的估算模型精度都會有所上升。在以草本植被為主的區(qū)域中，相對于TVI，優(yōu)化后植被指數(shù)GTVI 構(gòu)建線性估算模型的提高了0.153、RMSECV減小了12.222 g·m-2；在以灌叢植被為主的區(qū)域中，相對于TVI，優(yōu)化后植被指數(shù)GTVI 構(gòu)建線性估算模型的提高了0.029、RMSECV減小了1.684 g·m-2。

4）進(jìn)一步使用優(yōu)化后植被指數(shù)GTVI 構(gòu)建的估測模型和現(xiàn)有常見的12 種植被指數(shù)構(gòu)建的估測模型做對比，GTVI 構(gòu)建的估測模型在草本植被和灌叢植被中都具有最高的精度。因此無論是在以草本植被為主的區(qū)域中還是在以灌叢植被為主的區(qū)域中，基于TVI 優(yōu)化后的植被指數(shù)GTVI 構(gòu)建的估測模型很大程度上可以提升灌草AGB 估測精度。