喀斯特山区草地地上生物量遥感估测

陈全+周忠发+魏小岛+

摘要：由于喀斯特山区地表破碎，环境异质性强，影像上混合像元现象严重，增加了草地地上生物量遥感估测的难度。以Ｌａｎｄｓａｔ ＥＴＭ＋为数据源，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遥感估测中，分析了基于线性混合分解模型分解的草地分量与实测草地地上生物量的相关关系，进而构建了喀斯特山区草地地上生物量估测模型为■＝２ ４５１．１５８ｘ－２８０．４６１（ｒ２＝０．８０１ ２），验证结果总体精度可达８５％以上。基于光谱混合分析建立的草地地上生物量估测模型提高了喀斯特山区草地地上生物量遥感估测的精度，为喀斯特山区草地生长状况调查与监测提供了技术支持。

关键词：喀斯特山区；草地地上生物量；遥感估测；光谱混合分析

中图分类号：Ｓ１２７；Ｓ８１２．５文献标识码：Ａ文章编号：0439－８114（２０14）09－2013-04

Ｅｓｔｉｍａｔｉｏｎ ｏｆ Ｋａｒｓｔ Ｍｏｕｎｔａｉｎ Ｇｒａｓｓｌａｎｄ Ａｂｏｖｅｇｒｏｕｎｄ Ｂｉｏｍａｓｓ Ｂａｓｅｄ ｏｎ Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ

ＣＨＥＮ Ｑｕａｎ１，２， ＺＨＯＵ Ｚｈｏｎｇ－ｆａ１，２， ＷＥＩ Ｘｉａｏ－ｄａｏ１，２

（１． Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｓｏｕｔｈ Ｃｈｉｎａ Ｋａｒｓｔ， Ｇｕｉｚｈｏｕ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｇｕｉｙａｎｇ ５５０００１， Ｃｈｉｎａ；

２． Ｔｈｅ Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ Ｉｎｃｕｂａｔｉｏｎ Ｂａｓｅ ｆｏｒ Ｋａｒｓｔ Ｍｏｕｎｔａｉｎ Ｅｃｏｌｏｇｙ Ｅｎｖｉｒｏｎｍｅｎｔ ｏｆ Ｇｕｉｚｈｏｕ Ｐｒｏｖｉｎｃｅ， Ｇｕｉｙａｎｇ ５５０００１， Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅ ｇｒａｓｓｌａｎｄ ｉｓ ａｎ ｉｍｐｏｒｔａｎｔ ｐａｒｔ ｏｆ ｔｈｅ Ｋａｒｓｔ ｍｏｕｎｔａｉｎ ｅｃｏｓｙｓｔｅｍｓ in Ｓｏｕｔｈern Ｃｈｉｎａ and ｔｈｅ ｂａｓｉｓ ｏｆ protecting ｔｈｅ ｋａｒｓｔ ｍｏｕｎｔａｉｎｏｕｓ ｅｃｏｌｏｇｉｃａｌ ｅｎｖｉｒｏｎｍｅｎｔ ａｎｄ ｄｅｖｅｌｏｐing ｏｆ ｇｒａｓｓｌａｎｄ ａｎｉｍａｌ ｈｕｓｂａｎｄｒｙ． Ｉｎ ｔｙｐｉｃａｌ ｋａｒｓｔ ｍｏｕｎｔａｉｎ ａｒｅａ，ｔｈｅ ｃｏｍｐｌｅｘ ａｎｄ ｂｒｏｋｅｎ ｇｒｏｕｎｄ ｓｕｒｆａｃｅ ｌｅａｄｓ ｔｏ ｓｅｒｉｏｕｓ ｍｉｘｅｄ ｐｉｘｅｌ ｐｈｅｎｏｍｅｎｏｎ． Lｉｎｅａｒ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ model was used ｔｏ ｅｓｔｉｍａｔｅ ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｂａｓｅｄ ｏｎ Ｌａｎｄｓａｔ ＥＴＭ＋ ｉｍａｇｅ．Ｔｈｅ results showed ｔｈａｔ ｔｈｅ ｇｒａｓｓｌａｎｄ ｆｒａｃｔｉｏｎ ｅｘｔｒａｃｔｅｄ with ｔｈｅ ｌｉｎｅａｒ ｍｉｘｅｄ ｍｏｄｅｌ ｈａd ｏｂｖｉｏｕｓ ｌｉｎｅａｌ ｃｏｒｒｅｌａｔｉｏｎ ｗｉｔｈ ｔｈｅ ｆｉｅｌｄ ｄａｔａ ｍｅａｓｕｒｅｄ． Ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ ｃａｎ ｂｅ ｅｘｐｒｅｓｓｅｄ ｂｙ ｔｈｅ ｅｑｕａｔｉｏｎ ■＝２ ４５１．１５８ｘ－２８０．４６１（ｒ２＝０．８０１ ２）． Ｔｈｅ ａｃｃｕｒａｃｙ ｖａｌｉｄａｔｉｏｎ ｓｈｏｗed ｔｈａｔ ｔｈｅ ｏｖｅｒａｌｌ ａｃｃｕｒａｃｙ was ａｂｏｖｅ ８５％． Ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｍｏｄｅｌ of ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ ｗｈｉｃｈ ｂａｓｅｄ ｏｎ ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ model ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ａｃｃｕｒａｃｙ ｉｎ ｋａｒｓｔ ｍｏｕｎｔａｉｎｏｕｓ ａｒｅａ． Ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｐｒｏｖｉｄｅ ｔｅｃｈｎｉｃａｌ ｓｕｐｐｏｒｔ ｆｏｒ ｓｕｒｖｅｙing ａｎｄ ｍｏｎｉｔｏｒｉｎｇ the growth of ｋａｒｓｔ ｍｏｕｎｔａｉｎｏｕｓ ｇｒａｓｓ．

Ｋｅｙ ｗｏｒｄｓ： kａｒｓｔ mountain； ｇｒａｓｓｌａｎｄ ａｂｏｖｅｇｒｏｕｎｄ ｂｉｏｍａｓｓ； ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｅｓｔｉｍａｔｉｏｎ； ｓｐｅｃｔｒａｌ ｍｉｘｔｕｒｅ ａｎａｌｙｓｉｓ

草地是中国南方喀斯特山区脆弱生态系统的重要组成部分，是维持喀斯特山区生态平衡的最后一道屏障，同时也是喀斯特山区生态环境保护与发展草地畜牧业的基础。草地植被地上生物量能客观反映草地固碳能力与草地载畜能力的大小，是衡量草地资源的重要指标，也是进行草业规划、生态评价、草原退化监测的基础［１］。开展喀斯特山区草地地上生物量的遥感估测，对保护喀斯特山区脆弱生态环境与实现草地畜牧业的可持续发展，以及推动定量遥感在喀斯特复杂背景下的应用均具有重要的科学及现实意义。综合国内外已有研究［２－５］可以发现，草地资源遥感估测的研究多数都是通过对遥感数据的波段组合或利用遥感数据计算出的各种植被指数与草地地上生物量进行相关分析，建立经验模型，并推广模型以求取大范围区域的草地地上生物量。然而，在自然条件复杂的喀斯特山区，受遥感影像空间分辨率影响，图像中的一个像元往往由多个地物组分构成，内部空间异质性很强，草地分布破碎，其植被指数受岩石、土壤影响强烈，基于植被指数对喀斯特山区草地地上生物量进行遥感估测误差明显。光谱混合分析法能够较好地解决混合像元的问题，将其引入草地地上生物量的估测，可以有效提高定量遥感的精度。

研究选择贵州省黔南布依族苗族自治州的独山县兔场镇作为研究区域。独山县兔场镇石漠化退耕还林（草）与草地畜牧业综合治理小区位于东经１０７°５１′－１０７°６５′，北纬２５°９１′－２６°０１′之间，地处贵州高原向广西丘陵盆地过渡的斜坡地带，境内岩溶地貌发育，地貌类型复杂多样，以山地为主，其间交错分布有少量的丘陵、坝地，面积１０６．２ ｋｍ２，平均海拔１ ０７５ ｍ，属于中亚热带湿润季风气候区，年平均气温１３．６ ℃，年均降水量１ ４６８ ｍｍ，适宜天然草地生长［６］。选择Ｌａｎｄｓａｔ ＥＴＭ＋影像为数据源，将光谱混合分析技术应用到喀斯特山区草地地上生物量的估测中，分析了基于线性混合分解模型分解的草地分量与实测草地地上生物量的相关关系，进而建立了喀斯特山区草地地上生物量估测模型。

１数据获取与预处理

１．１影像数据获取与预处理

选用的遥感影像为２０１１年９月２５日获取的Ｌａｎｄｓａｔ ＥＴＭ＋影像，轨道号为１２６／４２，太阳高度角５５．５６°，云量较少，影像质量较好。使用ＥＮＶＩ ４．８软件对影像进行去条带处理之后，以１∶５００００地形图为基准，均匀选取控制点，利用多项式模型对影像进行几何精校正，校正后图像均方根误差在０．４５个像元以内，满足精度要求。精校正后的影像经辐射定标后，采用Ｌａｎｄｓａｔ ＦＬＡＡＳＨ进行大气校正，得到除热红外波段后的其他５个波段的地表反射率［７］。

１．２地面数据采集

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，考虑到喀斯特山区草地分布的生境条件与植被类型，选取具有代表性的面积为２０ ｍ×２０ ｍ的不同草地类型样区２０个，在其中共布设了８０块样地，样地大小１ ｍ×１ ｍ，样地均选取在样区内草地植被长势较均一的位置。齐地面刈割样地内草本植物，称取鲜重，统计作为该样地草地地上生物量。样地采用ＧＰＳ定位，经纬度定位数据精度优于２ ｍ，高程数据精度优于５ ｍ。样地基础信息调查主要录入样地经纬度、海拔、地形、坡度、土壤岩性、草地类型等信息，同时还采集了研究区典型地物的光谱数据，为光谱混合分析提供数据。使用的光谱仪型号为ＧＥＲ１５００，波长范围３５０～１ ０５０ ｎｍ。

２光谱混合分析的草地信息提取

２．１光谱混合模型的选择

国内外对遥感光谱混合分析（Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ａｎａｌｙｓｉｓ，ＳＭＡ）的研究已较成熟，研究和发展了多种混合光谱分解模型，其中线性光谱混合模型（Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ，ＬＳＭＭ）因具有一定的理论依据、试验验证基础、一定的精度保证和可操作性强而被广泛应用，是最常用的一种模型［８］。

线性光谱混合模型（ＬＳＳＭ）定义像元在某一光谱波段的反射率（亮度值）是由构成像元的端元的反射率（亮度值）以其所占像元面积比例为权重系数的线性组合。可用以下公式计算：

Ｒｉλ＝■ｆkｉＣｋλ＋εｉλ（１）

■ｆkｉ＝１（ｋ＝１，２，…，ｎ）（２）

０≤ｆkｉ≤１（３）

式中，Ｒｉλ为第λ波段第ｉ像元的光谱反射率； ｆkｉ为对应于ｉ像元的第ｋ个基本组分（端元）所占的分量值；Ｃｋλ为第ｋ个基本组分在第λ波段的光谱反射率； εｉλ为残余误差值（即光谱的非模型化部分）；ｎ为基本组分的数目。公式（２）、（３）为ＬＳＳＭ的限制条件。模型计算的结果表现为各端元丰度图像和以均方根误差表示的残余误差图像。

评价模型用残差εｉλ或均方根误差ＲＭＳＥ表示：

ＲＭＳＥ＝［■（εｉλ）２／ｎ］１／２ （４）

２．２端元选取

在ＬＳＭＭ模型中，端元（Ｅｎｄ－ｍｅｍｂｅｒ）的选取是成功进行光谱混合分析的关键。不当的端元选取将导致噪声、不稳定解和不正确的丰度图像［９］。

端元组分光谱的确定有多种途径，可以从地物光谱数据库中选取，从图像自身的像元光谱中获得或者从外部数据源中提取端元等［１０］。喀斯特山区海拔较高，常年多云雨难以及时获取高质量的遥感影像数据，影像上相同物质的光谱曲线与实验室光谱曲线匹配难度较大。而从影像自身选出的组分更易于获得且具有与数据相同的度量尺度，同时参考对地面调查所获得的草地光谱信息的分析。本研究选择通过分析影像的光谱特征并结合地面调查光谱数据的方法来进行纯净像元的提取。首先，对多光谱影像进行最小噪声分离变换（ＭＮＦ）分离噪声，对基于ＭＮＦ变换结果的前3个分量进行纯净像元指数（ＰＰＩ）计算，将可能是纯净像元的像元集导入Ｎ维可视化分析器进行分析，参考地面光谱数据，确定纯净像元，最终将各类端元对应像元的平均反射率作为该类端元的反射率。通过光谱分析，并参考喀斯特山区土地覆盖特点，最终选择的端元分别为：①草地端元②林地端元③裸土端元④水体等低反射率端元⑤居民点、裸岩等高反射率端元。各类端元的光谱反射率特征曲线如图１所示。

２．３线性光谱混合分解结果

基本组分端元及其光谱特征确定以后，基于获取的端元光谱特征，采用全受限的ＬＳＭＭ对Landsat ＥＴＭ＋影像进行分解，得到草地分量图。图２为光谱混合分析的图像结果，图２ａ为草地端元分量图。在光谱分解结果中，白色或较亮颜色表示像元中该端元组分比例较高，相反，黑色或较暗颜色则表示像元中该端元组分的比例较低。均方根误差ＲＭＳＥ是评价ＬＳＭＭ 模型的一个重要指标，均方根误差越小分类计算的准确性就越高。图２ｆ为应用线性模型分解求解过程产生的各像元ＲＭＳＥ图像，其中最大的均方根误差仅有０．００５，小于０．００３的均方根误差占到了９６．２％，表明此次光谱混合分解较成功［１１］。

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：

■＝２ ４８１．１５８ｘ－２８０．４６１（r２＝０．８０１ ２）（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＝０．８０１ ２），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，ＧＡＯ Ｊ，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］ ＡＳＮＥＲ Ｇ， ＬＯＢＥＬＬ Ｄ． Ａ ｂｉｏｇｅｏｐｈｙｓｉｃａｌ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｅｄ ＳＷＩＲ ｕｎｍｉｘｉｎｇ ｏｆ ｓｏｉｌｓ ａｎｄ ｖｅｇｅｔａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：９９－１１２．

［９］ ＧＩＬＡＢＥＲＴ Ｍ Ａ． Ａｎ ａｔｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｔｒｉｅｖａｌ ｏｆ ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ ｆｒｏｍ ＴＭ ｉｍａｇｅｓ［Ｊ］． Ｉｎｔ Ｊ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，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．

２光谱混合分析的草地信息提取

２．１光谱混合模型的选择

国内外对遥感光谱混合分析（Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ａｎａｌｙｓｉｓ，ＳＭＡ）的研究已较成熟，研究和发展了多种混合光谱分解模型，其中线性光谱混合模型（Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ，ＬＳＭＭ）因具有一定的理论依据、试验验证基础、一定的精度保证和可操作性强而被广泛应用，是最常用的一种模型［８］。

线性光谱混合模型（ＬＳＳＭ）定义像元在某一光谱波段的反射率（亮度值）是由构成像元的端元的反射率（亮度值）以其所占像元面积比例为权重系数的线性组合。可用以下公式计算：

Ｒｉλ＝■ｆkｉＣｋλ＋εｉλ（１）

■ｆkｉ＝１（ｋ＝１，２，…，ｎ）（２）

０≤ｆkｉ≤１（３）

式中，Ｒｉλ为第λ波段第ｉ像元的光谱反射率； ｆkｉ为对应于ｉ像元的第ｋ个基本组分（端元）所占的分量值；Ｃｋλ为第ｋ个基本组分在第λ波段的光谱反射率； εｉλ为残余误差值（即光谱的非模型化部分）；ｎ为基本组分的数目。公式（２）、（３）为ＬＳＳＭ的限制条件。模型计算的结果表现为各端元丰度图像和以均方根误差表示的残余误差图像。

评价模型用残差εｉλ或均方根误差ＲＭＳＥ表示：

ＲＭＳＥ＝［■（εｉλ）２／ｎ］１／２ （４）

２．２端元选取

在ＬＳＭＭ模型中，端元（Ｅｎｄ－ｍｅｍｂｅｒ）的选取是成功进行光谱混合分析的关键。不当的端元选取将导致噪声、不稳定解和不正确的丰度图像［９］。

端元组分光谱的确定有多种途径，可以从地物光谱数据库中选取，从图像自身的像元光谱中获得或者从外部数据源中提取端元等［１０］。喀斯特山区海拔较高，常年多云雨难以及时获取高质量的遥感影像数据，影像上相同物质的光谱曲线与实验室光谱曲线匹配难度较大。而从影像自身选出的组分更易于获得且具有与数据相同的度量尺度，同时参考对地面调查所获得的草地光谱信息的分析。本研究选择通过分析影像的光谱特征并结合地面调查光谱数据的方法来进行纯净像元的提取。首先，对多光谱影像进行最小噪声分离变换（ＭＮＦ）分离噪声，对基于ＭＮＦ变换结果的前3个分量进行纯净像元指数（ＰＰＩ）计算，将可能是纯净像元的像元集导入Ｎ维可视化分析器进行分析，参考地面光谱数据，确定纯净像元，最终将各类端元对应像元的平均反射率作为该类端元的反射率。通过光谱分析，并参考喀斯特山区土地覆盖特点，最终选择的端元分别为：①草地端元②林地端元③裸土端元④水体等低反射率端元⑤居民点、裸岩等高反射率端元。各类端元的光谱反射率特征曲线如图１所示。

２．３线性光谱混合分解结果

基本组分端元及其光谱特征确定以后，基于获取的端元光谱特征，采用全受限的ＬＳＭＭ对Landsat ＥＴＭ＋影像进行分解，得到草地分量图。图２为光谱混合分析的图像结果，图２ａ为草地端元分量图。在光谱分解结果中，白色或较亮颜色表示像元中该端元组分比例较高，相反，黑色或较暗颜色则表示像元中该端元组分的比例较低。均方根误差ＲＭＳＥ是评价ＬＳＭＭ 模型的一个重要指标，均方根误差越小分类计算的准确性就越高。图２ｆ为应用线性模型分解求解过程产生的各像元ＲＭＳＥ图像，其中最大的均方根误差仅有０．００５，小于０．００３的均方根误差占到了９６．２％，表明此次光谱混合分解较成功［１１］。

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：

■＝２ ４８１．１５８ｘ－２８０．４６１（r２＝０．８０１ ２）（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＝０．８０１ ２），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，ＧＡＯ Ｊ，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］ ＡＳＮＥＲ Ｇ， ＬＯＢＥＬＬ Ｄ． Ａ ｂｉｏｇｅｏｐｈｙｓｉｃａｌ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｅｄ ＳＷＩＲ ｕｎｍｉｘｉｎｇ ｏｆ ｓｏｉｌｓ ａｎｄ ｖｅｇｅｔａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：９９－１１２．

［９］ ＧＩＬＡＢＥＲＴ Ｍ Ａ． Ａｎ ａｔｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｔｒｉｅｖａｌ ｏｆ ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ ｆｒｏｍ ＴＭ ｉｍａｇｅｓ［Ｊ］． Ｉｎｔ Ｊ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，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．

２光谱混合分析的草地信息提取

２．１光谱混合模型的选择

国内外对遥感光谱混合分析（Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ａｎａｌｙｓｉｓ，ＳＭＡ）的研究已较成熟，研究和发展了多种混合光谱分解模型，其中线性光谱混合模型（Ｌｉｎｅａｒ Ｓｐｅｃｔｒａｌ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ，ＬＳＭＭ）因具有一定的理论依据、试验验证基础、一定的精度保证和可操作性强而被广泛应用，是最常用的一种模型［８］。

线性光谱混合模型（ＬＳＳＭ）定义像元在某一光谱波段的反射率（亮度值）是由构成像元的端元的反射率（亮度值）以其所占像元面积比例为权重系数的线性组合。可用以下公式计算：

Ｒｉλ＝■ｆkｉＣｋλ＋εｉλ（１）

■ｆkｉ＝１（ｋ＝１，２，…，ｎ）（２）

０≤ｆkｉ≤１（３）

式中，Ｒｉλ为第λ波段第ｉ像元的光谱反射率； ｆkｉ为对应于ｉ像元的第ｋ个基本组分（端元）所占的分量值；Ｃｋλ为第ｋ个基本组分在第λ波段的光谱反射率； εｉλ为残余误差值（即光谱的非模型化部分）；ｎ为基本组分的数目。公式（２）、（３）为ＬＳＳＭ的限制条件。模型计算的结果表现为各端元丰度图像和以均方根误差表示的残余误差图像。

评价模型用残差εｉλ或均方根误差ＲＭＳＥ表示：

ＲＭＳＥ＝［■（εｉλ）２／ｎ］１／２ （４）

２．２端元选取

在ＬＳＭＭ模型中，端元（Ｅｎｄ－ｍｅｍｂｅｒ）的选取是成功进行光谱混合分析的关键。不当的端元选取将导致噪声、不稳定解和不正确的丰度图像［９］。

端元组分光谱的确定有多种途径，可以从地物光谱数据库中选取，从图像自身的像元光谱中获得或者从外部数据源中提取端元等［１０］。喀斯特山区海拔较高，常年多云雨难以及时获取高质量的遥感影像数据，影像上相同物质的光谱曲线与实验室光谱曲线匹配难度较大。而从影像自身选出的组分更易于获得且具有与数据相同的度量尺度，同时参考对地面调查所获得的草地光谱信息的分析。本研究选择通过分析影像的光谱特征并结合地面调查光谱数据的方法来进行纯净像元的提取。首先，对多光谱影像进行最小噪声分离变换（ＭＮＦ）分离噪声，对基于ＭＮＦ变换结果的前3个分量进行纯净像元指数（ＰＰＩ）计算，将可能是纯净像元的像元集导入Ｎ维可视化分析器进行分析，参考地面光谱数据，确定纯净像元，最终将各类端元对应像元的平均反射率作为该类端元的反射率。通过光谱分析，并参考喀斯特山区土地覆盖特点，最终选择的端元分别为：①草地端元②林地端元③裸土端元④水体等低反射率端元⑤居民点、裸岩等高反射率端元。各类端元的光谱反射率特征曲线如图１所示。

２．３线性光谱混合分解结果

基本组分端元及其光谱特征确定以后，基于获取的端元光谱特征，采用全受限的ＬＳＭＭ对Landsat ＥＴＭ＋影像进行分解，得到草地分量图。图２为光谱混合分析的图像结果，图２ａ为草地端元分量图。在光谱分解结果中，白色或较亮颜色表示像元中该端元组分比例较高，相反，黑色或较暗颜色则表示像元中该端元组分的比例较低。均方根误差ＲＭＳＥ是评价ＬＳＭＭ 模型的一个重要指标，均方根误差越小分类计算的准确性就越高。图２ｆ为应用线性模型分解求解过程产生的各像元ＲＭＳＥ图像，其中最大的均方根误差仅有０．００５，小于０．００３的均方根误差占到了９６．２％，表明此次光谱混合分解较成功［１１］。

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：

■＝２ ４８１．１５８ｘ－２８０．４６１（r２＝０．８０１ ２）（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＝０．８０１ ２），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，ＧＡＯ Ｊ，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］ ＡＳＮＥＲ Ｇ， ＬＯＢＥＬＬ Ｄ． Ａ ｂｉｏｇｅｏｐｈｙｓｉｃａｌ ａｐｐｒｏａｃｈ ｆｏｒ ａｕｔｏｍａｔｅｄ ＳＷＩＲ ｕｎｍｉｘｉｎｇ ｏｆ ｓｏｉｌｓ ａｎｄ ｖｅｇｅｔａｔｉｏｎ［Ｊ］． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０００，７４（１）：９９－１１２．

［９］ ＧＩＬＡＢＥＲＴ Ｍ Ａ． Ａｎ ａｔｍｏｓｐｈｅｒｉｃ ｃｏｒｒｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｕｔｏｍａｔｉｃ ｒｅｔｒｉｅｖａｌ ｏｆ ｓｕｒｆａｃｅ ｒｅｆｌｅｃｔａｎｃｅ ｆｒｏｍ ＴＭ ｉｍａｇｅｓ［Ｊ］． Ｉｎｔ Ｊ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，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．