3草地地上生物量遥感估测结果
3.1建立估测模型
本研究于2011年9月初至9月中旬在研究区开展草地资源地面调查工作,地面调查时间与影像获取时间基本同步,共布设80块样地,考虑到之后估测模型的精度验证,16块样地数据不参与建模。利用SPSS19.0软件对研究区64个样地调查所得草地植被地上生物量数据与线性分解得到的草地分量进行相关分析发现,二者相关系数为0.896,呈显著相关关系,因而可通过对得到的草地分量进行变换得到草地地上生物量。
为了进一步分析草地地上生物量与草地分量之间的定量关系,采用一元线性回归模型、指数函数、对数函数、幂函数等对二者进行模拟预测分析。对不同模型测算结果的比较与分析结果表明,基于草地分量的一元线性回归模型拟合精度最高。喀斯特山区草地地上生物量最优拟合模型为:
■=2481.158x-280.461(r2=0.8012)(5)
式中,y为草地秋季当年地上生物量(g/m2),x为草地分量。二者的线性拟合图见图3。
3.2模型精度验证
为评价草地地上生物量估测模型的应用精度,通过野外同期采样的另外16个样地数据与模型估算的数据进行比较,并利用误差统计公式[公式(6)]对回归模型的精度进行综合评价[12]。
F=(L■-L■/L■)×100%(6)
式中F为相对误差,L■和L■分别代表地面实测的草地地上生物量和经模型反演得到的数值。结果(表1)表明,模拟值同实测值之间的相对误差为5.36%~24.62%,平均相对误差为13.29%,模型的总体精度达到85%以上,说明利用线性光谱分解提取的草地分量建立的一元线性回归模型能较好地反映草地地上植被生物量状况,能够满足喀斯特山区中尺度的草地地上生物量估算。
4结论
受喀斯特山区地形破碎、环境差异大、遥感影像空间分辨率和混合像元的限制等因素影响,利用传统的植被指数方法对喀斯特山区草地地上生物量进行遥感估测误差明显。将光谱混合分析技术应用于喀斯特山区草地地上生物量的估测研究,通过线性光谱分解,得到符合研究区环境特征的端元光谱和各分量的丰度,利用得到的草地分量与地面样地调查所得草地地上生物量数据进行回归,建立了草地地上生物量估测的线性回归模型■=2481.158x-2850.461(r2=0.8012),基于地面同期调查数据的精度验证也显示利用光谱混合模型进行喀斯特山区草地地上生物量估测的精度可达85%以上,能够满足喀斯特山区的草地地上生物量的估算。因此,基于光谱混合分析对喀斯特山区草地地上生物量进行遥感估测是可行的。
参考文献:
[1]董永平,吴新宏,戎郁萍,等.草原遥感监测技术[M].北京:化学工业出版社,2005.
[2]查勇,GAOJ,倪绍祥.国际草地资源遥感研究新进展[J].地理科学进展,2003,22(6):607-617.
[3]徐斌,杨秀春,陶伟国,等.中国草原产草量遥感监测[J].生态学报,2007,27(2):405-413.
[4]杨秀春,徐斌,朱晓华,等.北方农牧交错带草原产草量遥感监测模型[J].地理研究,2007,26(2):213-221.
[5]王静,郭铌,王振国,等.甘南草地地上部生物量遥感监测模型[J].干旱气象,2010,28(2):128-133.
[6]熊康宁,陈永毕,陈浒,等.点石成金——贵州石漠化治理技术与模式[M].贵阳:贵州科学技术出版社,2011.
[7]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.
[8]ASNERG,LOBELLD.AbiogeophysicalapproachforautomatedSWIRunmixingofsoilsandvegetation[J].RemoteSensingofEnvironment,2000,74(1):99-112.
[9]GILABERTMA.AnatmosphericcorrectionmethodfortheautomaticretrievalofsurfacereflectancefromTMimages[J].IntJRemoteSensing,1994,15(10):2065-2086.
[10]李晓松,李增元,吴波,等.基于光谱混合分析的毛乌素沙地油蒿群落覆盖度提取[J].遥感学报,2007,11(6):923-930.
[11]李素,李文正,周建军,等.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学,2007,23(5):35-38.
[12]梁天刚,崔霞,冯琦胜,等.2001-2008年甘南牧区草地地上生物量与载畜量遥感动态监测[J].草业学报,2009,18(6):12-22.
|