摘要：草地生物量是草地生態(tài)系統(tǒng)的重要參數(shù)，草原冠層植被光譜的復(fù)雜性使得長期評估草場生長狀況成為一種挑戰(zhàn)。目前少有研究對內(nèi)蒙典型草原原始光譜信息進(jìn)行深度探索，探討地物光譜信息對地上生物量估算的影響。本研究于2017年7月至2018年8月使用ASD Field Spec3 野外便攜式高光譜儀采集內(nèi)蒙古錫林郭勒毛登牧場的草地冠層高光譜數(shù)據(jù)，分析草地的反射光譜曲線來表征植被變化的趨勢。同時(shí)采用光譜預(yù)處理方法結(jié)合多種高光譜模型選出最優(yōu)預(yù)測模型。結(jié)果表明：（1）從對比不同的廣義線性擬合模型（Generalize linear model， GLM）的預(yù)測精度來看，最佳的高光譜建模方法為，選取SDrSDb為變量的最佳模型為y=-3.795 3x2+60.065x-78.455（x為SDrSDb，y是估算的地上生物量鮮重），擬合R2=0.662，預(yù)測R2=0.302。（2）高光譜變量與地上生物量干重之間分析中，選擇SDr-SDySDr+SDy作為變量的最佳模型為y=7.744e3.434 9x（x為SDr-SDbSDr+SDb，y是估算的地上生物量干重），擬合R2=0.559；預(yù)測R2=0.304。該研究結(jié)果對草地生物量高光譜預(yù)測建模具有科學(xué)價(jià)值。

關(guān)鍵詞：地上生物量；植被指數(shù)；高光譜；典型草原；反演模型

中圖分類號：S812.8""" 文獻(xiàn)標(biāo)識碼：A""""" 文章編號：1007-0435（2024）07-2234-11

doi：10.11733/j.issn.1007-0435.2024.07.024

引用格式：

孫煜焱， 董建軍， 王秀梅.基于ASD地物光譜儀反演錫林郭勒典型草原地上生物量模型研究［J］.草地學(xué)報(bào)，2024，32（7）：2234-2244

SUN Yu-yan， DONG Jian-jun， WANG Xiu-mei.Hyperspectral Inversion of above-ground biomass model of typical steppe in Xilin Gol based on ASD the Ground Object［J］.Acta Agrestia Sinica，2024，32（7）：2234-2244

收稿日期：2023-11-28；修回日期：2024-03-02

基金項(xiàng)目：內(nèi)蒙古自治區(qū)直屬高校基本科研業(yè)務(wù)費(fèi)項(xiàng)目（JY20220108）；內(nèi)蒙古自治區(qū)自然科學(xué)基金（2022LHMS03006）；內(nèi)蒙古工業(yè)大學(xué)人才項(xiàng)目博士科研啟動金（DC2300001284）；基于高光譜技術(shù)的天然草地生物物理參數(shù)監(jiān)測及建模研究（2021MS03082）資助

作者簡介：

孫煜焱（1999-），女，滿族，吉林長春人，碩士研究生，主要從事環(huán)境信息系統(tǒng)、高光譜遙感、環(huán)境遙感研究，E-mail：1179039672@qq.com；*通信作者Author for correspondence，E-mail：wxm2023@imut.edu.cn

Hyperspectral Inversion of Above-ground Biomass model of Typical Steppe in

Xilin Gol Based on ASD the Ground Object

SUN Yu-yan1， DONG Jian-jun2， WANG Xiu-mei1*

（1. School of Resources and Environmental Engineering， Inner Mongolia University of Technology， Hohhot， Inner Mongolia 010051， China;

2. College of Ecology and Environment， Inner Mongolia University， Hohhot， Inner Mongolia 010021， China）

Abstract：Grassland biomass is an important parameter of grassland ecosystem， and the complexity of grassland canopy vegetation spectrum makes it a challenge to evaluate grassland growth status in a long term. However， at present， few studies have deeply explored the original spectral information of typical grasslands in Inner Mongolia， and discussed the impact of spectral information of surface objects on the estimation of existing above ground biomass. In this study， ASD Field Spec3 portable spectrometer was used to collect the canopy height spectral data of grassland in Lemaudeng Pasture， Xilin Gul， Inner Mongolia from July 2017 to August 2018， and the reflectance spectral curve of grassland was analyzed to characterize the trend of vegetation change. At the same time， the optimal prediction model is selected by spectral preprocessing method combined with various hyperspectral models. The results showed that： （1） From the perspective of comparing the prediction accuracy of different GLM generalize linear models， the best hyperspectral modeling method is select SDrSDb， the best model for the variable is y=-3.795 3x2+60.065x-78.455（x is SDrSDb， y is the estimated fresh weight of aboveground biomass）， fitted R2 =0.662， Predicted R2=0.302. （2） In the analysis between hyperspectral variables and above-ground biomass dry weight， select SDr-SDySDr+SDy. The best model as a variable is y=7.744e3.4349x （x is SDr-SDbSDr+SDb， y is the estimated dry weight of above-ground biomass）， fitted R2=0.559， Predicted R2=0.304. The results of this study have scientific value for hyperspectral prediction modeling of grassland biomass.

Key words：Above-ground biomass;Vegetation index;Hyperspectral;Typical grassland;Inversion model

草原是一種重要的植被類型，約占地球陸地面積的40%，是陸地生態(tài)系統(tǒng)的重要組成部分，在碳循環(huán)和氣候變化中起著至關(guān)重要的作用。草地還具有重要的生態(tài)和經(jīng)濟(jì)功能，包括生物多樣性保護(hù)、氣候調(diào)節(jié)和牲畜飼料供應(yīng)［1-2］。草地退化是一個(gè)全球性的問題，對農(nóng)業(yè)生產(chǎn)構(gòu)成長期威脅，特別是在內(nèi)蒙古地區(qū)。未來草地退化的風(fēng)險(xiǎn)將更加突出。隨著人口的增長，人們?yōu)榱藵M足發(fā)展需要而開發(fā)更多的土地，隨之而來的是草地退化導(dǎo)致的土壤板結(jié)、肥力下降、酸堿失衡和土壤退化等后果。隨著草量的減少，畜牧業(yè)的發(fā)展也變得更加困難。因此，對草地地上生物量進(jìn)行動態(tài)監(jiān)測，及時(shí)定量把握，對草地合理開發(fā)利用和保持灌區(qū)生態(tài)可持續(xù)發(fā)展具有重要意義。草地生物量不只是地上生物量（也稱地上現(xiàn)存生物量，現(xiàn)存生物量），還有地下生物量。評價(jià)草地系統(tǒng)狀態(tài)的關(guān)鍵指標(biāo)之一是地上生物量（Aboveground biomass，AGB）。

遙感作為監(jiān)測區(qū)域地上生物量這項(xiàng)技術(shù)已被許多研究認(rèn)可。利用遙感方法對區(qū)域草地地上生物量進(jìn)行監(jiān)測是需要建立可靠的估算模型［3］，這樣不僅有利于草地管理，而且有助于模擬地上生物量反演的過程。對于遙感數(shù)據(jù)源來說，與多光譜數(shù)據(jù)相比，高光譜數(shù)據(jù)有更多的光譜波段可供選擇。因此，為了建立更可靠的分析模型，本研究選擇高光譜數(shù)據(jù)作為數(shù)據(jù)源。一般來說，高光譜遙感數(shù)據(jù)可分為實(shí)驗(yàn)室實(shí)測光譜數(shù)據(jù)、現(xiàn)場實(shí)測光譜數(shù)據(jù)和成像光譜儀獲得的高光譜數(shù)據(jù)。實(shí)驗(yàn)室光譜測量和野外光譜測量都屬于近高光譜遙感數(shù)據(jù)獲取方法。高光譜成像光譜儀有多個(gè)波段，可以用來反映草地的精細(xì)特征，這就具有了光譜積分的特點(diǎn)。Hertel D等［3］發(fā)現(xiàn)808 nm和677 nm的反射率計(jì)算出的簡單比值可以用來評估亞高山和高寒草地的地上生物量。Hansen等［4］評估了歸一化植被指數(shù)（NDVI）中綠色生物量與所有兩波段組合之間的關(guān)系，發(fā)現(xiàn)了一些與生物量估算高度相關(guān)的分組波段（主要在680～750 nm的紅邊光譜區(qū)域）。Mutanga等［5］發(fā)現(xiàn)，從位于紅邊的波長計(jì)算的植被指數(shù)可以很好地估計(jì)高冠層密度下的牧草生物量。Liang等［6］計(jì)算NDVI、EVI、RVI等12種植被指數(shù)以建立三江源區(qū)高寒草地生物量回歸模型，結(jié)果發(fā)現(xiàn)NDVI與高寒草地AGB的相關(guān)性最佳，模型精度最優(yōu)良。Filella等［7］在對地中海灌木叢的一項(xiàng)研究中，發(fā)現(xiàn)從900和679 nm處的反射率計(jì)算的NDVI對生物量和物候變化都很敏感。Xie等［8］提出了一種新的基于物理的PROSAIL模型反演方法。結(jié)果表明：測定的AGB值與實(shí)測AGB值具有較好的一致性（R2=0.87，RMSE=14.29）。在Google Earth Engine平臺上實(shí)現(xiàn)了他們的方法，并生成了覆蓋青藏高原的日和月AGB產(chǎn)品，時(shí)間跨度為2000—2021年。這些研究表明，我們可以利用高光譜來估算地上生物量。然而，目前少有針對原始光譜信息進(jìn)行深入研究，以探討地物光譜信息對地上生物量估算的影響。因此，本研究的目的是通過對草地冠層高光譜曲線特征分析，從而建立基于地面高光譜遙感的內(nèi)蒙典型草原最佳AGB反演模型，為草原AGB監(jiān)測提供了可靠的建模框架。

研究以廣義線性模型為基礎(chǔ)，分析野外實(shí)測數(shù)據(jù)與草地冠層光譜數(shù)據(jù)。并通過模型的準(zhǔn)確性和穩(wěn)定性，建立了草原AGB遙感反演模型。本文選擇內(nèi)蒙古錫林郭勒盟毛登牧場作為研究區(qū)域，利用高光譜技術(shù)反演地上生物量，包括土地控制實(shí)驗(yàn)、確定地上生物量的高光譜特征；基于ASD地物光譜儀監(jiān)測模型反演內(nèi)蒙古典型草原的地上生物量。

1" 材料與方法

1.1" 野外監(jiān)測樣地試驗(yàn)點(diǎn)

本研究是在內(nèi)蒙古錫林郭勒毛登牧場（圖1）進(jìn)行的，該地區(qū)主要由羊草（ Leymus chinensis）群落、大針茅（Stipa grandis）群落、糙隱子草（Cleistogenes squarrosa Trin.）群落和克氏針茅（Stipa krylovii Roshev.）群落等四種典型群落類型組成。其中羊草、大針茅和糙隱子草［9-10］是草原中的優(yōu)勢植物種類，土壤類型主要是典型的栗鈣土。

本研究進(jìn)行了放牧樣地的控制試驗(yàn)（見圖2）。試驗(yàn)區(qū)域分為三個(gè)主要區(qū)域，并對每個(gè)區(qū)域進(jìn)行了三次重復(fù)。每個(gè)大區(qū)域又細(xì)分為9個(gè)小區(qū)塊，每塊面積為33.3 m×33.3 m。這些小區(qū)塊被標(biāo)記為T0～T8，其中T0作為對照組，不進(jìn)行放牧；T1進(jìn)行全季放牧，從5月到9月進(jìn)行5次放牧；T2在5月和7月進(jìn)行2次放牧；T3在6月和8月進(jìn)行2次放牧；T4在7月和9月進(jìn)行2次放牧；T7在6月進(jìn)行放牧，T8為刈割。每次放牧?xí)r，對草地控制留茬高度為6 cm，這是終止放牧的標(biāo)準(zhǔn)。

1.2" 高光譜數(shù)據(jù)獲取

高光譜測定采用美國ASD（Analytical Spectral Devices）公司的ASD Field Spec3野外便攜式高光譜儀［11］，它能夠快速無損地獲取波長范圍為350～2 500 nm的光譜。在測量草地的高光譜數(shù)據(jù)時(shí)，必須保證光譜輻射光譜的正常工作，才能準(zhǔn)確地反映草地管層的光譜反射信息。加載儀器啟動系統(tǒng)后，每次采集光譜前先用白板校準(zhǔn)，儀器探頭垂直向下。

要盡量保證在高光照強(qiáng)度和無云天氣下采集數(shù)據(jù)，避免光照強(qiáng)度等外部因素對實(shí)驗(yàn)數(shù)據(jù)的影響。在云層覆蓋的情況下，有必要等待云層散去后才能繼續(xù)采集，同時(shí)需要再次測量白板進(jìn)行標(biāo)定，以保證數(shù)據(jù)準(zhǔn)確性［12］。本研究將光譜采集的10個(gè)光譜數(shù)據(jù)設(shè)為一個(gè)集合，每一次數(shù)據(jù)采集儀器將記錄10條冠層反射率光譜曲線［13］，計(jì)算平均光譜反射率作為最終的數(shù)據(jù)。

首先利用ASD來測量布設(shè)的靶標(biāo)布反射率光譜曲線，之后在Spectronon Pro軟件中依據(jù)ASD測量的光譜數(shù)據(jù)將圖像輻射率數(shù)據(jù)轉(zhuǎn)化為反射率圖像。影像數(shù)據(jù)進(jìn)行幾何校正的處理，首先，在Georectify Airborne Datacube軟件中對高光譜圖像數(shù)據(jù)進(jìn)行處理。依據(jù)大疆精靈4拍攝的圖像通過ArcMap軟件的Mosaic工具進(jìn)行鑲嵌樣地區(qū)域的整幅圖像。

1.3" 高光譜特征參數(shù)及提取方法

在高光譜系統(tǒng)中包括大量的波段，有助于應(yīng)用與目標(biāo)參數(shù)關(guān)系密切的窄波段信息從而發(fā)展新的方法或改進(jìn)傳統(tǒng)方法來監(jiān)測草地特性，通常的方法是將高光譜位置變量和原始光譜導(dǎo)數(shù)轉(zhuǎn)換后提取的面積變量，而本研究基于高光譜變量有如下特征參數(shù)：

基于高光譜位置變量有6個(gè)：藍(lán)邊位置λb和紅邊位置λr分別對應(yīng)著490～530 nm和680～760 nm內(nèi)一階導(dǎo)數(shù)光譜最大值對應(yīng)的波長［14］（nm）；黃邊幅值Dy和紅邊幅值Dr分別對應(yīng)著560～640 nm和680～760 nm內(nèi)一階導(dǎo)數(shù)光譜最大值［15］；紅谷反射率ρr：波長650～690 nm范圍內(nèi)最小波段反射率；紅谷位置λo：波長650～690 nm范圍內(nèi)最小波段反射率對應(yīng)的波長（nm）。

基于高光譜面積變量有3個(gè)：藍(lán)邊面積SDb、黃邊面積SDy、紅邊面積SDr分別對應(yīng)著490～530 nm，560～640 nm和680～760 nm內(nèi)一階導(dǎo)數(shù)光譜的積分［16］。

基于高光譜植被指數(shù)的變量有4個(gè)： SDrSDb和SDrSDy 分別對應(yīng)著紅邊面積（SDr）與藍(lán)邊面積（SDb）和紅邊面積（SDr）與黃邊面積（SDy） 的比值；SDr-SDbSDr+SDb 和SDr-SDySDr+SDy 分別對應(yīng)著紅邊面積（SDr）與藍(lán)邊面積（SDb） 和紅邊面積（SDr） 與黃邊面積（SDy） 的歸一化值。

1.4" 高光譜數(shù)據(jù)處理方法

1.4.1" 草地冠層高光譜特征分析" 在草地冠層光譜的研究中，為了便于對其進(jìn)行混合光譜分解和光譜匹配［17］，需要對光譜數(shù)據(jù)進(jìn)行變換［18-19］。

常見的高光譜變換方法包括導(dǎo)數(shù)、一階、二階導(dǎo)數(shù)、對數(shù)變換等，它們是高光譜數(shù)據(jù)處理中常用的方式［20-21］（公式1，公式2）。在高光譜傳感器設(shè)計(jì)過程中，每個(gè)波段的帶寬一般都不是固定的。光譜微分處理技術(shù)將波段帶寬的變化量表示為所增加信息量的函數(shù)。那么當(dāng)兩個(gè)相鄰波段的差別不是很大時(shí)，可僅用一個(gè)波段來描述基本的地理空間現(xiàn)象盡管我們可以計(jì)算高階導(dǎo)數(shù)，但是一階和二階導(dǎo)數(shù)在光譜特征識別方面則更加普遍來對光譜數(shù)據(jù)進(jìn)行預(yù)處理［22-23］。經(jīng)過一階、二階導(dǎo)數(shù)、對數(shù)變換后［24］，可以減少由于光照條件變化引起的影響［25］（公式3，公式4）。

ρ′（λi）=dρ（λi）dλ=ρ（λi+1）-ρ（λi-1）2Δλ（1）

二階導(dǎo)數(shù)光譜：

ρ′（λi）=d2ρ（λi）dλ2=ρ′（λi+1）-ρ′（λi-1）2Δλ=ρ（λi+2）-2ρ（λi）+ρ（λi-2）4（Δλ）2（2）

式中，ρ（λi）是波長λi的光譜值，Δλ是波長λi-1到λi的差值。

［logρ（λi）］′=dlogρ（λi）dλ=1ρ（λi）ln10×dρ（λi）dλ（3）

［log1ρ］′= dlog1ρλidλ=-1ρλiln10×dρλidλ（4）

式中，λi是波段i的波長值、ρ（λi）是波長λi的光譜值。

1.4.2" AGB干鮮重與原始光譜數(shù)據(jù)的相關(guān)性分析" 在將提取到的信息用于實(shí)際應(yīng)用之前需要進(jìn)行精度評估。例如，用于估算大量變量的決策支持模型，模型的精度需要使用獨(dú)立的驗(yàn)證數(shù)據(jù)集進(jìn)行評估［26］。其中有：決定系數(shù)（R2）、預(yù)測和交叉驗(yàn)證的均方根誤差（RMSE）、以及預(yù)測標(biāo)準(zhǔn)差。Pearson相關(guān)系數(shù)用于衡量兩組數(shù)據(jù)之間的線性相關(guān)性，其取值范圍介于［-1，1］之間，值越大，表示線性相關(guān)性越強(qiáng)［27-28］。相關(guān)系數(shù)公式如下：

ri=Cov（R，Biomass）" DR" D（Biomass））=∑Nn=1Rni-R-iBiomassn-Biomass-" ∑Nn=1Rni-Ri-2∑Nn=1（Biomassn-Biomass-）2（5）

式中，ri為植被鮮重/干重AGB與高光譜變量，i為波段序號，Rni為第n個(gè)樣方植被地上鮮生物量第i波段的高光譜變量，R-i為N個(gè)樣方植被干/鮮AGB在i波段高光譜變量的平均值。

1.5" 模型驗(yàn)證和精度評價(jià)

根據(jù)前人研究結(jié)果，模型的精度主要通過以下三個(gè)參數(shù)來進(jìn)行評價(jià)：均方根誤差（RMSE）、平均相對估計(jì)誤差（REE）、決定系數(shù)（R2）保留樣本為總樣本的20%。具體計(jì)算公式（6～8）如下：

R2=∑（y︿i-y-）2∑（yi-y-）2（6）

RMSE=∑（Yi-Y′i）2N（7）

REE=∑［（Yi-Y′i）/Y′i］2N（8）

式中，Yi為實(shí)際地上生物量（鮮重），Y′i為模型估算的地上生物量，N為樣本量。

2" 結(jié)果與分析

高光譜數(shù)據(jù)包含更豐富的地物光譜信息，波譜范圍全，光譜分辨率高，有利于地物的精細(xì)分類與識別［29］，正確選取對草原地上生物量最佳波段組合是提高擬合模型精度的關(guān)鍵［30］。本文對草地樣方數(shù)據(jù)與光譜反射率統(tǒng)計(jì)相關(guān)分析，建立草原地上生物量與光譜反射率相關(guān)系數(shù)曲線，分析最優(yōu)決定系數(shù)對應(yīng)最優(yōu)波段。通過相關(guān)分析后發(fā)現(xiàn)對內(nèi)蒙古典型草原地上生物量敏感波段及組合的高光譜特征變量等均通過0.01極顯著性水平，其中SDr-SDbSDr+SDb的歸一化值均最大，其次波長紅邊680～760 nm內(nèi)一階導(dǎo)數(shù)光譜SDrSDb的積分。但沒有出現(xiàn)明顯的綠峰反射率（ρg）與紅谷反射率（ρr），這與草地冠層植物群落集合體的混合光譜及土壤背景等影響有關(guān)。其次利用原始冠層光譜、一階導(dǎo)數(shù)光譜波段ρ678和ρ′737，建立廣義線性擬合模型，與傳統(tǒng)多光譜遙感估產(chǎn)相比擬合精度相對高，能有效的對典型草原進(jìn)行估產(chǎn)研究。

2.1" 高光譜數(shù)據(jù)的相關(guān)分析

2.1.1" AGB與高光譜特征變量的相關(guān)性分析" AGB干/鮮重與特征變量相關(guān)性分析如下：由表1、表2可知，地上生物量鮮重與Dy，Dr，λb，λr，SDb，SDy，SDr之間的相關(guān)系數(shù)均達(dá)到0.01顯著性檢驗(yàn)水平，但與變量Db，λy無顯著相關(guān)。地上生物量干重與Dy，λb，λr，SDb，SDy之間的相關(guān)系數(shù)均達(dá)到0.01顯著性檢驗(yàn)水平，但與光譜變量的相關(guān)系數(shù)未達(dá)到顯著性檢驗(yàn)水平。

2.1.2" AGB與高光譜植被指數(shù)的相關(guān)性分析" 由表3中可知，地上生物量鮮重與植被指數(shù)變量SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy之間的相關(guān)系數(shù)均達(dá)到0.01顯著性檢驗(yàn)水平。

由表4可知，地上生物量干重與植被指數(shù)變量SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy之間的相關(guān)系數(shù)均達(dá)到0.01顯著性檢驗(yàn)水平。

2.2" AGB的高光譜遙感估算模型

2.2.1" 基于敏感波段678和的估算模型" 通過草地冠層光譜分析及高光譜特征相關(guān)分析篩選出敏感波段，發(fā)現(xiàn)678 nm處出現(xiàn)最大負(fù)相關(guān)值，737 nm處出現(xiàn)最大正相關(guān)值。基于敏感波段本研究來進(jìn)行高光譜估產(chǎn)。

如圖3和表5所示，二次多項(xiàng)式模型的擬合結(jié)果優(yōu)于其它模型的擬合結(jié)果。圖3（a）中AGB鮮重越高，678 nm的反射率越小，兩者是負(fù)相關(guān)關(guān)系，而圖3（b）中AGB鮮重與737 nm處的一階導(dǎo)數(shù)光譜則呈正相關(guān)關(guān)系。表5中F值表示整個(gè)擬合方程的顯著性，F(xiàn)越大，表示方程越顯著，擬合程度也就越好。

由圖4和表6可知，非線性模型的擬合結(jié)果均優(yōu)于線性模型的擬合結(jié)果，其中圖4（a）中原始光譜反射率ρ678冪函數(shù)模型最優(yōu)。

2.2.2" 基于高光譜特征參數(shù)的估算模型" 建立AGB鮮重/干重的廣義線性模型（表7～8）。地上生物量鮮重以Dy，Dr，λb，λr，SDb，SDy，SDr擬合最優(yōu)模型為二次模型，并且相關(guān)系數(shù)均達(dá)到0.01顯著性檢驗(yàn)水平； 地上生物量干重以Dy，λb，λr 擬合最優(yōu)為冪函數(shù)、以SDb擬合最優(yōu)為二次函數(shù)、以SDy擬合最優(yōu)為指數(shù)函數(shù)。鮮重、干重以SDy，Dy擬合的最佳廣義線性模型擬合結(jié)果如圖5。

2.2.3" 基于高光譜植被指數(shù)的估算模型" ASD高光譜數(shù)據(jù)與AGB（鮮重/干重）之間的建模分析中，高光譜植被指數(shù)與AGB均密切相關(guān)，通過野外采集的54個(gè)樣點(diǎn)數(shù)據(jù)建立模型。從表中選擇與AGB鮮重/干重的相關(guān)關(guān)系都選SDrSDb，SDrSDy，SDr-SDbSDr+SDb，SDr-SDySDr+SDy為自變量，建立最優(yōu)廣義線性模型（表9～10，圖6）?？梢钥闯?，在地上生物量鮮重以SDrSDb，SDr-SDbSDr+SDb，SDr-SDySDr+SDy擬合最優(yōu)為二次模型，SDrSDy為對數(shù)模型，在地上生物量干重以SDrSDb和SDrSDy 擬合最優(yōu)為冪函數(shù)， SDr-SDbSDr+SDb和SDr-SDySDr+SDy為指數(shù)函數(shù)。

2.3" AGB高光譜遙感估算模型反演精度分析

利用高光譜反射率和廣義線性模型分析，我們發(fā)現(xiàn)基于高光譜植被指數(shù)的估算模型精度最好，我們將對其估算模型進(jìn)行精度分析（如圖7）?？傮w而言，由實(shí)測和估算AGB之間線性關(guān)系的斜率，表明地上生物量估算模型相對穩(wěn)定，從而有效的克服了冠層光譜飽和現(xiàn)象，提高了地上生物量估算效果。

3" 討論

3.1" 草地冠層光譜分析

綜合比較地上鮮生物量與高光譜波段變量、植被指數(shù)變量回歸模型，以植被指數(shù)為自變量的回歸模型的擬合效果優(yōu)于以單個(gè)波段為自變量的回歸模型的擬合效果。對原始光譜進(jìn)行導(dǎo)數(shù)變換后發(fā)現(xiàn)草地冠層的一階導(dǎo)數(shù)可以消除土壤背景對冠層光譜影響。以往對草地葉片的研究多集中在光譜的單一變量上［31-33］，而對數(shù)據(jù)的綜合處理或?qū)ο嗨谱兞康哪Ｐ瓦M(jìn)行比較的研究較少［34-35］。

唐延林等［36］發(fā)現(xiàn)高光譜“紅邊”參數(shù)與水稻地上鮮/干生物量以及葉面積指數(shù)之間均存在極顯著相關(guān)。Mahlein等［37］利用特定的光譜植被指數(shù)評估了甜菜病害發(fā)展早期的三種真菌葉片病害。Feng等［38］使用單獨(dú)的植被指數(shù)以及植被指數(shù)與紅邊參數(shù)的組合分別建立冬小麥產(chǎn)量估算模型，結(jié)果表明，與單獨(dú)使用植被指數(shù)相比，使用植被指數(shù)和紅邊參數(shù)的組合實(shí)現(xiàn)了改進(jìn)的產(chǎn)量估計(jì)。這再次印證觀測“紅邊”參數(shù)在提取高光譜特征中表現(xiàn)的尤為重要。本研究對于草地冠層光譜進(jìn)行導(dǎo)數(shù)變換及高光譜特征變量相關(guān)分析，其次利用高光譜特征參數(shù)、波段ρ678和ρ′737建立廣義線性擬合模型（Generalize linear model， GLM）［22］。高光譜數(shù)據(jù)的擬合精度相對較高，它能夠有效地應(yīng)用于對典型草原的估產(chǎn)研究［39］。綜上所述，本研究清楚地表明，利用高光譜數(shù)據(jù)集和有效的判別算法，可以對草地地上生物量進(jìn)行估產(chǎn)。

3.2" 不同光譜特征變量的AGB模型分析

與傳統(tǒng)多光譜遙感反演生物量相比，本文所建立的高光譜特征參數(shù)，原始冠層光譜678 nm和一階導(dǎo)數(shù)光譜波段737 nm、高光譜特征變量和植被指數(shù)建立的AGB估產(chǎn)模型中精度更高，更有效進(jìn)行典型草原高光譜數(shù)據(jù)地上生物量反演［40］。高光譜遙感估測目前農(nóng)業(yè)方面應(yīng)用比較廣泛，提取敏感波段建立植被指數(shù)［41］，尋找關(guān)鍵波段建立反演模型，并取得了較好的成果。本文利用高光譜特征變量、高光譜植被指數(shù)、原始光譜反射率ρ678和一階導(dǎo)數(shù)光譜ρ′737等特征參數(shù)建立AGB的廣義線性模型。高光譜特征變量與AGB均以SDy擬合的最優(yōu)模型，R2分別為0.543，0.465。高光譜植被指數(shù)與AGB以SDrSDb，SDr-SDySDr+SDy自變量擬合模型最優(yōu)，R2分別為0.662，0.559。原始光譜反射率ρ678、一階導(dǎo)數(shù)光譜ρ′737 敏感波段建立的反演模型二次多項(xiàng)式和冪函數(shù)結(jié)果最優(yōu)。

4" 結(jié)論

利用ASD光譜儀測定了不同時(shí)期的AGB鮮重/干重。結(jié)果發(fā)現(xiàn)，干重形式的AGB對反演模型的擬合程度更好，基于高光譜植被指數(shù)在建立AGB估算模型時(shí)擬合程度更加優(yōu)良，模型更具有穩(wěn)定性。在廣義線性模型的分析中，將內(nèi)蒙古典型草原的地上生物量鮮重與高光譜變量特征值進(jìn)行比較，發(fā)現(xiàn)其與地上生物量鮮重之間密切相關(guān)。本研究通過高光譜傳感器獲得的反射率光譜和選取SDrSDb為變量的最佳模型為：y=-3.795 3x2+60.065x-78.455（x是SDrSDb，y是估算的地上生物量鮮重）。對于大部分變量，指數(shù)模型的擬合效果比線性模型更有效，擬合結(jié)果與預(yù)測結(jié)果加以比較，選擇擬合R2與預(yù)測R2為最大的模型作為高光譜變量的最佳模型為：y=7.744e3.4349x（x是SDr-SDbSDr+SDb，y是估算的地上生物量干重）。因此，本研究通過對草地地上生物量與高光譜數(shù)據(jù)之間建立聯(lián)系，并構(gòu)建了相關(guān)的估算模型來估算內(nèi)蒙古典型草原的地上生物量。

參考文獻(xiàn)

［1］" GAO X X，DONG S K，LI S，et al. Using the random forest model and validated MODIS with the field spectrometer measurement promote the accuracyof estimating aboveground biomass and coverage of alpine grasslands on the Qinghai-Tibetan Plateau［J］. Ecological Indicators，2019，112（C）：106114-106114

［2］" DAWEI X，CONG W，JIN C，et al. The superiority of the normalized difference phenology index （NDPI） for estimating grassland aboveground fresh biomass［J］. Remote Sensing of Environment，2021，264：112578

［3］" HERTEL D，THERBURG A，VILLALBA R. Above- and below-ground response by Nothofagus pumilio to climatic conditions at the transition from the steppe-forest boundary to the alpine treeline in southern Patagonia，Argentina［J］. Plant Ecology Diversity，2008，1（1）：21-33

［4］ "HANSEN P，SCHJOERRING J. Reflectance measurement of canopy biomass and nitrogen status in wheat crops using normalized difference vegetation indices and partial least squares regression［J］. Remote Sensing of Environment，2003，86（4）：542-553

［5］" MUTANGA O，SKIDMORE K A. Narrow band vegetation indices overcome the saturation problem in biomass estimation［J］. International Journal of Remote Sensing，2004，25（19）：3999-4014

［6］" LIANG T，YANG S，F(xiàn)ENG Q，et al. Multi-factor modeling of above-ground biomass in alpine grassland：A case study in the Three-River Headwaters Region，China［J］. Remote Sensing of Environment，2016，186：164-172

［7］" FILELLA I，PEUELAS J，LLORENS L，et al. Reflectance assessment of seasonal and annual changes in biomass and CO2uptake of a Mediterranean shrubland submitted to experimental warming and drought［J］. Remote Sensing of Environment，2004，90（3）：308-318

［8］" XIE J，WANG C，MA D，et al. Generating spatiotemporally continuous grassland aboveground biomass on the Tibetan Plateau through PROSAIL model inversion on Google Earth Engine ［J］. IEEE Transactions on Geoscience and Remote Sensing，2022，60：1-10

［9］" LYU X，LI X，GONG J，et al. Comprehensive grassland degradation monitoring by remote sensing in Xilinhot，Inner Mongolia，China［J］. Sustainability，2020，12（9）：3682

［10］閆敏，左合君，張曄，等.錫林浩特草原大針茅返青特征及其與氣象因子的關(guān)系［J］.生態(tài)環(huán)境學(xué)報(bào)，2019，28（7）：1307-1312

［11］劉昌華，方征，陳志超，等.ASD Field Spec3野外便攜式高光譜儀診斷冬小麥氮營養(yǎng)［J］.農(nóng)業(yè)工程學(xué)報(bào)，2018，34（19）：162-169

［12］高宏元，侯蒙京，葛靜，等.基于隨機(jī)森林的高寒草地地上生物量高光譜估算［J］.草地學(xué)報(bào)，2021，29（8）：1757-1768

［13］張勇.基于高光譜數(shù)據(jù)的草甸草原遙感估產(chǎn)研究［D］.呼和浩特：內(nèi)蒙古大學(xué)，2022：44-46

［14］李燕強(qiáng).不同冬小麥品種冠層光譜特征及其與農(nóng)學(xué)參數(shù)關(guān)系研究［D］.鄭州：河南農(nóng)業(yè)大學(xué)，2012：15-18

［15］孫鵬.三江源區(qū)不同退化梯度高寒草原植被高光譜特征研究［D］.蘭州：甘肅農(nóng)業(yè)大學(xué)，2018：33-35

［16］杜保佳.基于無人機(jī)高光譜影像的濕地植物群落分類與冠層氮素含量反演研究［D］.北京：中國科學(xué)院大學(xué)（中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所），2021：39-40

［17］易秋香.玉米主要生物物理和生物化學(xué)參數(shù)高光譜遙感估算模型研究［D］.烏魯木齊：新疆農(nóng)業(yè)大學(xué)，2005：29-30

［18］孔嘉鑫，張昭臣，張健.基于多源遙感數(shù)據(jù)的植物物種分類與識別：研究進(jìn)展與展望［J］.生物多樣性，2019，27（7）：796-812

［19］KIRRILLY P，RENEE B，TIMOTHY W，et al. Multi-temporal spectral reflectance of tropical savanna understorey species and implications for hyperspectral remote sensing［J］. International Journal of Applied Earth Observation and Geoinformation，2022，112：102870

［20］陳程，杜健民，楊紅艷.內(nèi)蒙古荒漠化草原植被高光譜特征提取與分析［J］.光學(xué)儀器，2018，40（6）：42-7

［21］高莎，林峻，馬濤，等.新疆巴音布魯克草原馬先蒿光譜特征提取與分析［J］.遙感技術(shù)與應(yīng)用，2018，33（5）：908-14

［22］劉琦.小麥條銹病潛育期遙感監(jiān)測及分子檢測技術(shù)研究［D］.北京：中國農(nóng)業(yè)大學(xué)，2016：31-32

［23］李嵐?jié)?冬油菜氮素營養(yǎng)高光譜特異性及定量診斷模型構(gòu)建與推薦追肥研究［D］.武漢：華中農(nóng)業(yè)大學(xué)，2018：64-71

［24］謝凱.基于高光譜遙感的水稻稻瘟病分級檢測技術(shù)［D］.長沙：湖南農(nóng)業(yè)大學(xué)，2017：20-22

［25］羅紅霞，闞應(yīng)波，王玲玲，等.基于高光譜遙感技術(shù)的農(nóng)作物病蟲害應(yīng)用研究現(xiàn)狀［J］.廣東農(nóng)業(yè)科學(xué)，2012，39（18）：76-80

［26］管立新.農(nóng)作物監(jiān)測高光譜遙感技術(shù)研究［D］.深圳：深圳大學(xué)，2018：28-30

［27］GUSTAVO A T，ARKO L，RICHARD R，et al. Perennial ryegrass biomass retrieval through multispectral UAV data［J］. Computers and Electronics in Agriculture，2022，193：106574

［28］YANG L，HAIKUAN F，JIBO Y，et al. Estimation of aboveground biomass of potatoes based on characteristic variables extracted from UAV Hyperspectral Imagery ［J］. Remote Sensing，2022，14（20）：5121

［29］楊哲海，韓建峰，宮大鵬，等.高光譜遙感技術(shù)的發(fā)展與應(yīng)用［J］.海洋測繪，2003（6）：55-58

［30］王福民，黃敬峰，王秀珍，等.波段位置和寬度對不同生育期水稻NDVI影響研究［J］. 遙感學(xué)報(bào)，2008（4）：626-632

［31］金梁，胡克林，田明明，等.夏玉米葉片分層氮素營養(yǎng)的高光譜診斷［J］.光譜學(xué)與光譜分析，2013，33（4）：1032-1037

［32］張樂勤，陳素平.基于偏最小二乘通徑分析方法的科技創(chuàng)新對用水效率邊際效應(yīng)的測度與分析［J］.水利水電科技進(jìn)展，2018，38（1）：55-62

［33］白麗敏，李粉玲，常慶瑞，等.結(jié)合SPA和PLS法提高冬小麥冠層全氮高光譜估算的精確度［J］. 植物營養(yǎng)與肥料學(xué)報(bào)，2018，24（5）：1178-1184

［34］羅批，郭繼昌，李鏘，等.基于偏最小二乘回歸建模的探討［J］.天津大學(xué)學(xué)報(bào)，2002（6）：783-786

［35］王宏博，趙梓淇，林毅，等.基于線性回歸算法的春玉米葉面積指數(shù)的冠層高光譜反演研究［J］.光譜學(xué)與光譜分析，2017，37（5）：1489-1496

［36］唐延林，王人潮，黃敬峰，等.不同供氮水平下水稻高光譜及其紅邊特征研究［J］.遙感學(xué)報(bào)，2004（2）：185-192

［37］MAHLEIN A，STEINER U，DEHNE H，et al. Spectral signatures of sugar beet leaves for the detection and differentiation of diseases［J］. Precision Agriculture，2010，11（4）：413-431

［38］HAIKUAN F，HUILIN T，YIGUANG F，et al. Comparison of winter wheat Yield Estimation based on Near-Surface Hyperspectral and UAV Hyperspectral Remote Sensing Data［J］. Remote Sensing，2022，14（17）：4158-4158

［39］王秀梅.內(nèi)蒙古典型草原植被地上生物量遙感反演［D］.呼和浩特：內(nèi)蒙古大學(xué)，2022：78-80

［40］童新，楊震雷，張亦然，等.基于不同階微分高光譜植被指數(shù)的牧區(qū)草場地上生物量估算［J］.草地學(xué)報(bào)，2022，30（9）：2438-2448

［41］文銅，柳小妮，紀(jì)童，等.基于植被指數(shù)的三江源高寒草地植物分類與識別方法研究［J］.草地學(xué)報(bào)，2022，30（7）：1811-1818

（責(zé)任編輯" 劉婷婷）