基于美国陆地资源卫星的潮滩湿地生物量反演技术方法研究
——以横沙东滩潮滩湿地为例

◎ 袁思齐，姚 彬

上海向明中学，上海 200020

海岸带湿地生态系统具有防风减灾、维护生物多样性、降解污染物、净化水质等作用[1]。近年来，受海平面上升、风暴潮等自然灾害以及港口工程、围垦工程、人类养殖及房地产开发等影响，导致我国部分海岸带湿地面积减少，面临退化的风险[2]。

上海湿地面积占市域面积的23.5%[3]，保护上海湿地生态系统对维护上海地区的生态平衡和生态安全、实现人与自然和谐发展，具有极为重要的意义。

随着遥感技术的飞速发展和广泛应用，利用遥感信息来研究植被生物量是一个重要的技术手段，可用于湿地植被生物量的获取，适合大范围湿地植被监测。就湿地植被生物量遥感估算模型而言，苟芳珍[4]等利用资源三号（ZY-3）卫星多光谱影像数据，建立了植被指数与苏干湖湿地生物量的一元线性模型。高燕[5]等以无人机及卫星影像为基础，建立了实测生物量与红波段的多项式回归模型。张殿岱[6]等利用Landsat 8 OLI 影像，针对乔木、灌木、草本及农作物分别建立了不同遥感信息变量与生物量之间的关系。赵慧芳[7]等基于MODIS-NDVI 数据结合野外调查，构建了青海省草地地上生物量遥感估算模型。牛志春[8]等利用TM 遥感影像和同期的野外实测数据，对青海湖环湖地区草地植被生物量进行估算，建立了RVI 与草地植被生物量湿重的一元三次曲线回归模型。韩爽[9]等以盐城湿地自然保护区核心区的ETM+图像数据和同期野外实测的31 个样方地上生物量干重、湿重数据为数据源，分析遥感信息变量与湿地植被地上生物量干重、湿重的相关关系，发现生物量干重、湿重反演效果最好的R2（拟合优度）为0.775 和0.736。

遥感植被指数与生物量的数学模型存在一定的地域性，即不同地域的植物长势及种类存在着巨大的差异。如何建立上海本土湿地生态系统生物量遥感反演模型，成为亟需解决的科研课题。

1 研究区概况

横沙岛及其东侧延展潮滩是长江口四大潮滩之一。自20 世纪50 年代起，横沙东滩陆续成为横沙岛的延伸部分。以122°00′E 为界，将横沙东滩分成两部分，西部的白条子沙及其以东的浅水水域，称横沙东滩；东部为横沙浅滩，两者地貌上的分界线为横沙东滩窜沟。横沙东滩主要的植被类型有芦苇、藨草、香蒲等。

2 材料与方法

2.1 野外数据获取

研究小组使用的数据为横沙东滩野外实测生物量数据及遥感影像数据。卫星影像数据为从美国地质调查局（United States Geological Survey，USGS）下载的Landsat 8 影像，从长江口过境时间为2021 年8 月19日，条带、行编号分别为118、38。该景影像云层覆盖少、影像质量高。为确保影像时间与实际采样时间对应，研究小组首先在2021年8 月1 9日前后对横沙东滩湿地进行了为期5 天的地面调查，共调查样点40 个。其中香蒲样点13 个、芦苇样点22个、藨草样点5 个。然后分别对40 个样点设置植物样方（30 m×30 m），每个样方随机分布3个1 m×1 m 的小样方。在植物调查过程中记录湿地植物种类以及经纬度，并对各个小样方植被地上部分进行取样称其湿重；将野外带回的植物样本放置于80℃烘箱烘24 h，称其干重。最后将3 个1 m×1 m 小样方的湿重与干重的均值乘以900作为整个样方（30m×30 m）植被的湿重与干重。

2.2 遥感影像处理

研究小组对卫星影像的处理使用Envi 5.3软件，处理过程中使用辐射定标与大气校正去除大气散射对遥感影像的影响，利用研究区的矢量文件对卫星影像进行裁剪及几何校正。以2021 年校正影像为基准，对其他几个年份的影像进行配准，所有卫星影像几何校正误差不超过0.5 个像元。

2.3 建模因子的选择

研究小组选取的建模因子除了Landsat 8 不同波段的反射率（OLI1至OLI7），还使用Envi 5.3计算了三类植被指数，分别为归一化植物指数（NDVI）、差值植被指数（DVI）及比值植被指数（RVI）。各类反射率及植被指数的计算公式如表1 所示。

表1 建模因子参数表

2.4 反演模型的建立及精度评价

研究小组随机选择32 个野外调查样方数据，利用回归拟合方法分别构建10 种遥感信息变量与生物量的量化因子（干重、湿重）的一元线性、一元曲线及多元曲线回归模型。通过R2对生物量反演模型进行精度评价，R2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R2的值越小，说明回归直线对观测值的拟合程度越差。最后研究小组将剩余的8 个样方数据用于回归显著性检验。

3 结果分析

3.1 生物量与遥感因子相关性分析

此次研究以湿地生物量的湿重、干重与10种遥感信息变量相关分析为基础，分析生物量干重、湿重与遥感信息变量之间的密切程度，以确定何种遥感因子作为最佳反演生物量的自变量。

3.1.1 一元线性回归模型

一元线性回归模型的拟合结果如表2所示。从表2 可知，几种植物指数（NDVI、DVI 及RVI）相较于其他变量的拟合效果好，OLI5 近红外波段拟合效果相对于其他OLI 变量的拟合效果好，这可能与绿色植物在近红外波段的光谱反射率高有关系。一元线性回归拟合结果最好的因变量为NDVI，其湿重与干重的R2值分别为0.707 4 与0.722 7。

3.1.2 一元曲线回归模型

为了更精确地拟合湿地生物量（湿重与干重）与遥感信息变量之间的关系，研究小组在统计分析软件spss 26.0中分别使用三次多项式函数、对数函数、指数函数及幂函数建立模型，部分数值取值超过函数自变量范围，导致部分变量无拟合公式。4种一元曲线回归模型中：（1）拟合效果最好的为三次多项式函数回归模型，其拟合结果也普遍大于一元线性回归函数，这说明三次多项式函数拟合结果比一元线性函数好；（2）归一化植被指数（NDVI）的拟合结果超过其他遥感信息参数，三次多项式函数中NDVI 拟合湿地植物湿重与干重的相关系数R2分别为0.752 与0.781 1，拟合程度最好，NDVI在反演长江口典型湿地植被生物量的效果比其他遥感信息变量好。

表2 一元线性回归模型表

3.1.3 多元线性回归分析

研究小组同时探究10 个遥感信息变量与生物量湿重及干重的关系，使用统计分析软件分析多元线性回归方程。湿重生物量与干重生物量的拟合关系如下：

湿重=-89.163＋0.021（OLI1）－0.008（OLI2）－0.009（OLI3）＋0.03（OLI4）－0.01（OLI5）＋0.04（OLI6）－0.05（OLI7）＋5.239（RVI）－1.58（NDVI）R2=0.164

干重=-7.382＋0.003（OLI1）－0.01（OLI2）－0.002（OLI3）＋0.01（OLI4）＋1.162（RVI）＋0.687（NDVI ）R2=0.211

由此可以看出，无论是湿重还是干重与几种遥感信息变量的拟合结果都不好，相关系数R2的值分别为 0.164与0.211，这是因为生物量只与部分遥感信息的密切程度高，如果统计上其他变量，会导致整体的回归精确度下降。

3.2 回归效果显著性检验

研究小组通过一元线性回归模型、一元曲线回归模型及多元线性回归模型对比发现，一元曲线回归模型中的三次多项式函数更适合横沙东滩潮滩湿地遥感生物量的反演，且最佳自变量因子为NDVI。为进一步确定遥感信息因子与实测植被地上生物量之间的回归关系，使用未参与建模的8 个实测样方数据对植被地上生物量估算模型进行回归效果显著性检验，得到生物量湿重与干重的P 值分别为0.005 和0.002，表明湿重与干重回归模型效果达到显著水平（P＜0.01）。R2分别为0.728 与0.737。

3.3 误差分析

由图1 可知，绝大多数实测数据分布在拟合曲线附近，但也有部分数值与拟合方程相差较远，导致这样的原因主要有：一是NDVI 本身与生物量的关系不是绝对的；二是用3 个1 m×1 m小样方生物量的平均值来代表30 m×30 m 的大样方本身就存在一定的误差，大样方内植被生长高度不一、种类不一，存在一定的偶然性；三是在同样盖度的情况下，不同植物种类的生物量也不同，即使是相同的物种，盖度相同，也会存在因高度不一致导致生物量不一致的现象。

4 结语

研究小组以横沙东滩潮滩湿地为研究对象，利用遥感影像和野外实测湿地生物量数据，分别对10 种遥感信息因子构建湿地地上生物量反演模型。显著性分析检验结果显示，三次多项式函数更适合横沙东滩潮滩湿地遥感生物量的反演，最佳自变量因子为NDVI，湿重与干重生物量反演的R2分别为0.752、0.781 1。模型验证的P 值分别为0.005 和0.002，表明湿重与干重回归模型效果达到显著水平（P＜0.01）。

图1 最佳模型拟合曲线图

此项目研究成果可以拓展为整个上海市的盐沼植被的生物量反演，因为上海地区的海岸带盐沼植物物种相似度较高，未来增加遥感解译物种，同时结合遥感信息变量可以做到全国海岸带盐沼植物生物量的快速反演，研究成果能为全国海岸带湿地的综合管理和保护提供参考。