基于TSAVI的OLI模拟数据翅碱蓬生物量反演研究

李 微，牟 蒙，陈官滨，刘伟男，刘 远，刘长发

1.大连海洋大学海洋科技与环境学院, 辽宁 大连 116023 2.辽宁省高校近岸环境科学与技术重点实验室，辽宁 大连 116023

基于TSAVI的OLI模拟数据翅碱蓬生物量反演研究

李 微1，2，牟 蒙1，陈官滨1，刘伟男1，刘 远1，2，刘长发1，2

1.大连海洋大学海洋科技与环境学院, 辽宁 大连 116023 2.辽宁省高校近岸环境科学与技术重点实验室，辽宁 大连 116023

翅碱蓬是辽东湾北部滨海湿地一种典型的植被，其生物量的评估对了解滨海湿地生态系统生产力，生态系统机构和功能的形成具有十分重要的作用。而翅碱蓬覆盖度不均一，特别是自然状态下的覆盖度较低，土壤背景影响严重。将基于模拟Landsat 8 OLI数据的转换型土壤调整指数(transformed soil adjusted vegetation index，TSAVI)作为自变量，与地面实测生物量进行回归分析，构建了翅碱蓬群落生物量反演模型。结果表明：TSAVI(红光600～687 nm，近红外820～880 nm)与生物量的相关性显著，相关系数在0.9左右，最高相关系数可达0.92； 线性、二次多项式优于对数、指数和幂模型，模型拟合优度r2都为0.83，再结合模型的F值和运算效率，认为线性模型是反演成熟翅碱蓬生物量的最优模型。最后，实现了研究区域Landsat 8 OLI卫星遥感数据翅碱蓬群落生物量反演及模型验证，估算值和实测值的相关系数r为0.962，平均相对误差为0.106，翅碱蓬覆盖度越大，相对误差越低，覆盖度低的翅碱蓬生物量反演的相对误差在0.18左右，表明所建立的线性反演模型在高、低覆盖度时均具有良好的反演精度； 此外，还人为地将模型中土壤线系数a和b引入±5%扰动，扰动后的反演结果平均相对误差比较稳定，相关系数有所降低，但都在0.9以上，表明所建立反演模型具有较好的稳定性。

生物量； 转换型土壤调整指数； Landsat 8 OLI； 反演算法

引 言

湿地是陆地生态系统的重要组成部分，湿地植被生物量是评价湿地碳吸收能力的一个重要指标[1]。利用常规手工方法统计生物量，对于小面积区域来说精度比较高，但是对于大空间尺度乃至于全球范围来说，工作量巨大、过程复杂，无法满足对植被生物量的动态监测。遥感技术其观测范围广，重复周期短，空间分辨率高，而被广泛用于植被生物量的监测中。目前利用遥感方法进行生物量估算主要通过植被指数法，该法被广泛运用在反演草地[2]、森林[3-5]、农作物[6-7]的生物量上。它比用单波段来探测植被更具有灵敏性，且与植被生物量等很多植被要素之间存在较强的相关性[8]。

翅碱蓬，辽东湾北部滨海湿地的典型植被，具有药用、食用、生态和景观价值，还具有维持湿地生态系统正常演替、防风消浪等功能，反演其生物量对监测翅碱蓬的生长状况及其所在区域生态系统具有重要意义。鉴于翅碱蓬群落的地理分布特点，人工监测较为困难，目前关于翅碱蓬生物量的研究资料较少，仅见吴涛等[9]就盖度大于75%翅碱蓬进行了生物量的遥感估算。而翅碱蓬覆盖度不均一，天然翅碱蓬覆盖度较小，土壤背景对光谱数据影响较大，本文将引入了土壤线概念的基于转换型土壤调整指数(TSAVI)作为生物量估算的自变量，来构建翅碱蓬生物量回归分析模型，并利用遥感数据反演了研究区域内翅碱蓬的生物量分布，为保护翅碱蓬群落及其所在的滨海湿地生态系统提供依据。

1 数据准备

1.1 地面数据

2013年9月26、27日在辽东湾北部辽河口国家级自然保护区内的单一翅碱蓬群落随机布点29个，并在相近的裸土上布点57个。每个样点面积为1 m×1 m。当天天气状况良好(晴朗、无风、少云)。

首先记录样方所在的经纬度、样方内植株高度、盖度等信息； 其次利用美国ASD公司生产的FieldSpec HH手持便携式地物光谱仪测量翅碱蓬和裸土的样方地面光谱(10:00am—14:00pm)； 然后针对植被样点收集样方内所有植株地上部分，清洗后除去植株上水分，现场统计湿重，并将样本装入采样袋； 最后置于实验室恒温干燥箱中85 ℃烘干至恒重，迅速称量其干质量，即生物量。

1.2 卫星数据预处理

以Landsat卫星多光谱影像为数据源，该卫星系列从1972年发射成功至今，已发射成功8颗陆地资源卫星，其中Landsat 8于2013年发射成功。选择与地面采样时间相近的2013-9-28的OLI 1B级数据(来源于USGS网站)，并进行了遥感图像预处理(几何校正，辐射校正，大气校正以及裁切处理)和决策树分类操作，提取了研究区域翅碱蓬的地理分布信息，见图1。其中图1(a)为Landsat 8 OLI遥感数据真彩色合成影像，其中暗红色部分为翅碱蓬，图1(b)为提取的翅碱蓬地理分布，其中绿色部分为翅碱蓬。

图1 翅碱蓬群落地理分布

2 模型构建

2.1 TSAVI及其与生物量敏感性分析

Kauth等[10]在1976年提出了土壤线的概念。在NIR-R构成的二维平面直角坐标中，土壤的反射率大致沿着Y=X直线分布，这种线性关系即土壤线。土壤线能较好描述该种土壤的光学特征，有助于了解土壤和植被的理化性质和生态特征，目前许多常用的植被指数都借助了这一概念。由于翅碱蓬覆盖度不均一，覆盖度较低的区域不到10%，土壤背景对植被指数影响非常大，因此选取了基于土壤线的转换型土壤调整指数TSAVI[11]，以期消除土壤背景的影响。将红光波段(600～760 nm)和近红外波段(761～880 nm)的光谱数据一一组合计算TSAVI，见式(1)：

(1)

其中RNIR和RRed代表翅碱蓬在近红外波段和红光波段的反射率；a和b为土壤线系数，利用与翅碱蓬样方对应的近红外波段和红光波段裸土样方的地面反射率，通过线性模型拟合土壤线，来获取a和b。

基于地面实测数据进行翅碱蓬光谱反射率及其植被指数TSAVI与生物量的相关性分析(见图2)，以寻找翅碱蓬生物量反演的光谱特征及其敏感波段。由图2(a)可知，翅碱蓬地面光谱反射率与生物量在440～700 nm呈现负相关，在700～880 nm呈现正相关，相关系数r最高为0.754 4。由图2(b)可见，植被指数TSAVI与生物量的相关系数曲线在1.05×104(对应红光600～687 nm，近红外820～880 nm)之前较平稳，且相关系数r较高，在0.9左右，最高可达0.92，较原始反射率和生物量的相关系数有较大提高，相关性显著，因此将红光600～687 nm，近红外820～880 nm作为TSAVI反演翅碱蓬生物量的特征波段。

图2 反射率和TSAVI与翅碱蓬实测生物量的相关系数曲线图

2.2 卫星反演模型构建

2.2.1 遥感定量模型

利用ASD实测的地面光谱数据和Landsat 8 OLI波谱响应曲线来模拟翅碱蓬和裸土样方的卫星遥感反射率，转换方法见式(2)，进而构建翅碱蓬植被生物量的卫星反演模型。

(2)

式中，Y为模拟的遥感反射率(单位：sr-1)；n为Landsat 8 OLI 4、5波段的光谱分辨率；Rrs, i为地面实测的遥感反射率(单位：sr-1)；wi为Landsat 8 OLI 4、5波段对应的波谱响应函数，无量纲。Landsat 8 OLI红光波段(Band4: 640～670 nm)与近红外波段(Band5: 850～880 nm)模拟后的遥感反射率分别为RNIR和RRed； 基于裸土样方的OLI模拟数据，通过线性拟合确定土壤线系数a=0.791，b=0.043。

将地面实测生物量与模拟的卫星数据进行回归分析，分别构建了线性、对数、二次多项式、指数、幂5种生物量反演模型(表1)。

从表1可以看出，5种模型的拟合优度r2都在0.8以上，线性模型和二次多项式模型的最高，r2均等于0.83。5个模型在0.001置信水平上均非常显著，其中线性模型的显著程度(F值)相对较高，再结合模型的计算效率，本文认为基于TSAVI的线性回归分析模型是翅碱蓬生物量卫星反演的最优模型。

Biomass: retrieved biomass，TSAVI=0.791(RNIR-0.791RRed-0.043)/(0.791RNIR+RRed-0.034)

2.2.2 模型反演结果精度分析

利用2013年的9月28日的Landsat 8 OLI数据和2013年9月26、27日采集的地面数据进行模型精度验证。基于TSAVI的最优遥感定量反演模型进行卫星数据的翅碱蓬生物量反演，经统计2013年研究区域内翅碱蓬生物量总和为3.63×106kg，翅碱蓬分布及其生物量情况见图3。从放大图中的颜色对比我们可以清晰的看到翅碱蓬生物量较低的区域和生物量较高的区域。

基于卫星数据的翅碱蓬生物量反演算法精度验证，如图4和表2所示。OLI数据空间分辨率为30 m，卫星图像上一个像元可能包含多个地面采样点，因此图表中实测值为落在单个像元内的所有样方(每个样方面积为1 m2)的单位生物量均值×单个像元的面积(900 m2)，估算值为单个像元卫星数据反演的生物量。

将估算值和实测值进行相关性分析，二者的相关系数r为0.962(p<0.001)，平均相对误差为0.106，这表明所构建的生物量反演模型具有良好的反演精度。

由表2可知，当覆盖度越高，生物量值越大时，相对误差越低，而生物量越小(覆盖度越小)时，所建模型估算结果高于实测值，相对误差在0.18左右，表明本模型对覆盖度低、生物量较小的翅碱蓬群落仍具有适用性。总体来说，随着翅碱蓬覆盖度(生物量)的增加，差值的趋势变小，反演精度有所提高，这也与吴涛等提出的盖度大于75%的翅碱蓬反演效果较好的结论相符。

2.2.3 基于土壤线系数扰动的误差敏感性分析

考虑到土壤线系数直接影响模型自变量TSAVI的数值，为了验证土壤线系数误差对反演结果的影响，检验土壤线系数a和b的鲁棒性及所构建模型的稳定性，人为地将算法中土壤线系数a和b引入±5%的扰动，共设计了四种偏差情形，见表3。

图4 翅碱蓬生物量反演算法精度验证

表2 翅碱蓬生物量反演模型精度检验

注：像元序号按照实测值从小到大排列。

Note: Pixel number sorted by in-sity value in ascending order

如表3所示，引入扰动后的反演结果相关系数有所降低，但都在0.9以上，而平均相对误差比较稳定，其中增加和减少5%时基本保持不变，另外两种情形的反演误差波动也不大，表明土壤线系数a和b具有一定鲁棒性，在一定程度上也说明模型的稳定性。

表3 基于土壤系数扰动的反演模型平均相对误差变化

3 结 论

利用地面数据和卫星遥感数据，建立了针对Landsat 8 OLI数据的翅碱蓬生物量反演模型。研究发现：(1) TSAVI(红光600～687 nm，近红外820～880 nm)与生物量的相关性显著，相关系数值在0.9左右，最高相关系数可达0.92，可以将其作为翅碱蓬生物量反演的自变量； (2)基于回归分析的五种反演模型拟合优度r2都在0.8以上，结合模型的r2、显著程度(F值)和计算效率，认为线性模型是利用TSAVI反演翅碱蓬生物量的最佳模型； (3) 基于OLI数据的生物量反演及模型验证，估算值和实测值的相关系数r为0.962，相对误差为0.106，而生物量越小(覆盖度越小)时，所建模型估算结果高于实测值，相对误差在0.18左右，表明所建立的线性反演模型在高、低覆盖度时均具有良好的反演精度； (4)基于土壤系数扰动的误差敏感性分析表明土壤系数具有一定的鲁棒性，也在一定程度上说明模型的稳定性。

致谢：感谢所有参加地面数据采集的工作人员。感谢USGS网站提供遥感数据。

[1] Shen Guozhuang, Liao Jingjuan, Guo Huadong, et al.Journal of Applied Remote Sensing，2015, 9: 096077.

[2] WU Jun-ru, GAO Zhi-hai, LI Zeng-yuan, et al(吴俊君，高志海，李增元，等).Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2014, 34(3): 751.

[3] Aguirre-Salado C A, Trevio-Garza E J, Aguirre-Calderón O A, et al.Journal of Geographical Sciences，2012, 22(4): 669.

[4] LIU Fang, FENG Zhong-ke, ZHAO Fang, et al(刘 芳, 冯仲科, 赵 芳, 等).Journal of Northwest Forestry University(西北林学院学报), 2015, 30(3): 175.

[5] WANG Chang-wei, HU Yue-ming, SHEN De-cai, et al(王长委, 胡月明, 沈德才, 等).Bulletin of Surveying and Mapping(测绘通报), 2014，(12): 20.

[6] Masayasu Maki, Koki Homma.Remote Sensing，2014, (6): 4764.

[7] YU Lian-yu, CAI Huan-jie, YAO Fu-qi, et al(虞连玉, 蔡焕杰, 姚付启, 等).Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2015, 46(1): 231.

[8] PIAO Shi-long, FANG Jing-yun, HE Jin-sheng, et al(朴世龙, 方精云, 贺金生, 等).Chinese Journal of Plant Ecology(植物生态学报), 2004, 28(4): 491.

[9] WU Tao, ZHAO Dong-zhi, KANG Jian-cheng, et al(吴 涛, 赵冬至, 康建成, 等).Ecology and Environmental Sciences(生态环境学报), 2011, 20(1): 24.

[10] Kauth R J, Thomas G S.Proceedings of the Symposium on Machine Processing of Remotely Sensed Data, 1976.41.

[11] Baret F, Guyot G, Major D J.12th Canadian Symposium on Remote Sensing and IGRASS’90, 1989.10.

(Received Jan.19, 2016; accepted Mar.29, 2016)

Research on Remote Sensing Inversion of Suaeda Salsa’s Biomass Based on TSAVI for OLI Band Simulation

LI Wei1，2, MU Meng1, CHEN Guan-bin1, LIU Wei-nan1, LIU Yuan1，2, LIU Chang-fa1，2

1.Department of Marine Science and Environment, Dalian Ocean University, Dalian 116023， 2.Key Lab of Offshore Marine Environmental Research of Liaoning Higher Education, Dalian 116023, China

Suaeda salsa(S.salsa) is a typical vegetation of coastal wetland in the north of Liaodong Bay.The S.salsa biomass assessment plays an important role in understanding the ecosystem productivity of coastal wetland and the formation of ecosystem structure and function.Usually the S.salsa coverage is inhomogeneous.The low S.salsa coverage can be found at a natural condition, the soil background has a strong influence on S.salsa spectral data.The Transformed Soil Adjusted Vegetation Index (TSAVI) used as independent variable was derived by the Landsat 8 OLI simulation data.The S.salsa biomass inversion models were built based on the regression analysis of TSAVI and ground measured biomass in this study.The correlation between TSAVI (600～687, 820～880 nm) and biomass was significant, the correlation coefficient was about 0.9, up to 0.92.The results of linear and quadratic models were better than those of logarithmic, exponential and power models, the determination coefficient r2 of linear and quadratic models were 0.83.Combined with F value and operation efficiency, the linear model was the best option for mature S.salsa biomass inversion.The linear model was applied to invert the S.salsa biomass by using the Landsat 8 OLI data in the study area and it was further validated using in-situ data.The correlation coefficient between the in-situ value and retrieved value was 0.962, the relative error was 0.106.For higher S.salsa coverage, the relative error was lower.The relative error of the low-cover S.salsa biomass inversion was around 0.18.The results showed that the established model has good accuracy for different coverage.In addition, with the introduction of ±5% error of soil line parameters a and b, the average relative errors were relatively stable, and the correlation coefficients were reduced, but all the correlative coefficients were above 0.9.The results showed that the established model is stable.

Biomass; TSAVI; Landsat 8 OLI; Inversion algorithm

2016-01-19，

2016-03-29

国家海洋局海洋公益性行业科研专项(201305043)，辽宁省教育厅计划项目(L2015078)，地理国情监测国家测绘地理信息局重点实验室开放基金项目(2014NGCM20)资助

李 微，女，1980年生，大连海洋大学海洋科技与环境学院讲师 e-mail：liwei2009@dlou.edu.cn

X87

A

10.3964/j.issn.1000-0593(2016)05-1418-05