基于航空多参数遥感的滨海湿地植物固碳能力研究

赵国凤; 方彦奇; 陈浩峰; 严维兵; 黄岩; 陈伟

doi:10.6046/zrzyyg.2024072

自然资源遥感 >

2025 , Vol. 37 >Issue 4: 88 - 98

DOI: https://doi.org/10.6046/zrzyyg.2024072

技术应用

基于航空多参数遥感的滨海湿地植物固碳能力研究

赵国凤 ^,¹^,² ,
方彦奇 ¹^,² ,
陈浩峰 ¹^,² ,
严维兵 ¹ ,
黄岩 ^,¹^,²^,³ ,
陈伟 ¹^,²

展开

1.江苏省地质勘查技术院,南京 210049
2.江苏省航空对地探测与智能感知工程研究中心,南京 210049
3.南京理工大学,南京 210094

黄岩(1985-),男,高级工程师,主要从事航空对地探测与智能感知技术研究。Email: huangyan_jlu@163.com。

赵国凤(1985-),女,高级工程师,主要从事航空对地探测技术研究。Email: xiaozhao0428@126.com。

Copy editor: 陈庆

收稿日期: 2024-02-22

修回日期: 2024-05-29

网络出版日期: 2026-06-03

基金资助

江苏省地质局科技创新项目“基于多参数遥感开展滨海湿地植物固碳能力快速调查研究”(2021KY14)

江苏省自然发展专项资金(海洋科技创新)项目“黄海湿地生态岸线调查与保护关键技术研究”(JSZRHYKJ202115)

收起

Exploring carbon sequestration capacities of coastal wetland plants based on multi-parameter airborne remote sensing

ZHAO Guofeng ^,¹^,² ,
FANG Yanqi ¹^,² ,
CHEN Haofeng ¹^,² ,
YAN Weibing ¹ ,
HUANG Yan ^,¹^,²^,³ ,
CHEN Wei ¹^,²

Expand

1. Geological Exploration Technology Institute of Jiangsu Province, Nanjing 210049, China
2. Jiangsu Province Engineering Research Center of Airborne Detecting and Intelligent Perceptive Technology, Nanjing 210049, China
3. Nanjing University of Science & Technology, Nanjing 210094, China

Received date: 2024-02-22

Revised date: 2024-05-29

Online published: 2026-06-03

Fold

摘要

文章以江苏省滨海湿地为例,通过卫星遥感、航空多参数遥感等方法估算滨海湿地主要植被生物量,并计算其固碳能力。结果表明: ①基于航空高光谱数据完成研究区地物精细分类,提取了地表覆盖分类信息共11类,植被覆盖率约76%,人类活动区域面积占比约1.5%; ②基于航空多参数方法反演植被生物量模型精度高于卫星遥感方法,其决定系数大于0.8,均方根误差为0.25; ③通过航空多参数遥感方法计算得到研究区内互花米草与芦苇的地上固碳能力分别为0.41 kg/m²和0.58 kg/m²。研究显示,航空多参数遥感方法能准确获取湿地植被种类及固碳能力,可为研究湿地生态系统的碳循环和生境现状提供重要评价参数,精准服务湿地资源调查。

关键词： 航空高光谱遥感; 航空多参数遥感; 固碳能力; 植被地上生物量; 遥感

本文引用格式

赵国凤 , 方彦奇 , 陈浩峰 , 严维兵 , 黄岩 , 陈伟 . 基于航空多参数遥感的滨海湿地植物固碳能力研究[J]. 自然资源遥感, 2025 , 37(4) : 88 -98 . DOI: 10.6046/zrzyyg.2024072

Abstract

This study investigated the coastal wetland of Jiangsu Province. Using methods such as satellite remote sensing and airborne multi-parameter remote sensing, this study estimated the biomass of dominant plants and estimated their carbon sequestration capacities. Based on fine-scale classification of surface features achieved using airborne hyperspectral data, this study extracted 11 land cover types. The vegetation cover was approximately 76%, and zones with human activities accounted for about 1.5% of the study area. The model for vegetation biomass inversion using the multi-parameter airborne remote sensing demonstrated higher accuracy than that based on satellite remote sensing, with a coefficient of determination (R²) greater than 0.8 and a root mean square error (RMSE) of 0.25. As calculated using the multi-parameter airborne remote sensing, Spartina alterniflora and reed within the study area exhibited aboveground carbon sequestration capacities of 0.41 kg/m² and 0.58 kg/m², respectively. This study demonstrates that the multi-parameter airborne remote sensing method can accurately determine vegetation types in wetlands and carbon sequestration capacity, thus providing crucial assessment parameters for research on the carbon cycle of the ecosystem and the current status of habitats within wetlands and precisely serving wetland resource surveys.

Key words： airborne hyperspectral remote sensing; airborne multi-parameter remote sensing; carbon sequestration capacity; aboveground biomass; remote sensing

0 引言

滨海湿地处于海陆生态系统交界处,具有较高的生产力、较缓慢的有机质降解速率和丰富的生物多样性,是缓解全球变暖的有效蓝色碳汇^[1]。滨海湿地的植物通过光合作用来捕获大气中的CO₂转化为有机碳,并将其固定在植物体内或土壤中,固碳能力显著高于全国乃至全球陆地植被的平均水平^[2-3]。目前,湿地植物固碳能力研究主要为样地实测法和基于遥感信息估测法。其中样地实测法广泛应用于小尺度生物量估测,受时间、人力等客观因素影响,一些地面复杂区域还难以进入,同时存在以“点”测量反演“面”特征的问题。而基于遥感方法可以及时快速准确地获取滨海湿地内目标物的地物特征,实现从“点”到“面”对地物的全覆盖^[4-5],可开展大范围区域甚至人迹罕至区域的调查监测,如Aslan等^[6]采用Landsat8等多种遥感数据估算和监测广阔潮间带和沿海平原区域的红树林空间分布和生物量情况。

近年来,高光谱遥感和激光雷达(light detection and ranging,LiDAR)技术发展越来越成熟,广泛用于湿地植物种类识别和植被生物量反演中。高光谱遥感拥有上百个窄波段,具有较高的光谱分辨率,能够提供更为丰富的信息; LiDAR能穿透植被盖层,直接获取高精度三维地形信息,进而获取地表植物的垂直结构形态,增强了对植被群落的认知和识别能力。柴颖等^[7]和Pride等^[8]基于高光谱遥感识别湿地植物种类; Ecarnot等^[9]通过提取光谱空间中的详细信息并削弱干扰因素的影响,定量地获取植被反射光谱间的微小差异,提升生物量反演精度; Estornell等^[10]使用LiDAR调查了地中海生态系统中的灌木植被并估算其生物量。最近的研究表明,利用高光谱影像、LiDAR数据等多参数遥感数据融合反演地表覆被生物量,其结果精度比单一影像更高^[11-12]。Luo等^[13]和杨思睿等^[14]利用航空高光谱与LiDAR数据相结合的方法进行地物精细分类并反演湿地芦苇地上生物量; Pang等^[15]和Latifi等^[16]将机载LiDAR点云与高光谱影像融合来估测森林生物量,相比单一数据其估算结果更优; Wang等^[17]和Jensen等^[18]也利用LiDAR和高光谱数据快速准确地估计了沿海湿地植被地上生物量。因此,将LiDAR数据与高光谱数据相结合,在提高地上生物量估算精度方面具有很大的潜力。

目前,基于遥感的植被生物量反演模型主要有物理模型和统计模型^[19]。He等^[20]基于冠层辐射传输模型建立了叶面积指数和干物质含量查找表,由二者乘积获得植被生物量; 孙凤娟等^[21]建立基于四尺度几何光学模型的植被生物量遥感估算方法; Wan等^[22]和苟芳珍等^[23]分别通过随机森林模型、支持向量回归模型反演了湿地植被地上生物量,经验证,二者决定系数R²分别为0.72和0.81; Yang等^[24]以三江源草地为研究对象,通过反向传播(back propagation,BP)神经网络模型进行生物量反演,与传统多因素回归模型相比,具有更高的精度。物理模型是基于多个植被参数阐释电磁波与植被相互作用的光学物理过程,并模拟植被冠层反射率^[25],其普适性较强,但效率低、过程复杂、精度较低,需要较多的实测数据才能得到植被生物量; 统计模型是建立遥感因子与植被生物量之间的经验关系,其反演精度受实测数据限制,适用于特定时间、地区与数据源。

基于卫星平台进行调查需要卫星正好过境且气候条件较好(如无云遮挡等),而采用航空高光谱遥感和机载LiDAR技术开展滨海湿地植被生物量及固碳情况调查和监测,具有机动、灵活、便捷的特点,可获取特定时间特定区域的高空间分辨率和高光谱分辨率的实时数据。当然随着无人机技术的发展,采用无人机多光谱影像、地面激光扫描技术和高光谱影像进行遥感监测的研究也越来越普遍^[26-27]。

本文以江苏省滨海湿地为例,通过航空高光谱、机载LiDAR以及卫星遥感等多参数遥感方法获取地物的高精度三维空间数据、高光谱分辨率遥感数据和高空间分辨率影像数据,调查滨海湿地植被种类结构分布,建立基于多参数遥感方法的滨海湿地主要植被生物量反演模型,筛选最优模型计算其固碳能力。

1 研究区概况及数据源

1.1 研究区概况

本文研究区为江苏省盐城市大丰区海岸带(图1),包括江苏省盐城市湿地珍禽自然保护区及其南部周边区域,是我国目前保留完好的原生盐沼湿地。研究区地势较为平坦,高程变化小。该区处于北亚热带,受海洋性、大陆性气候的影响,多年平均气温为14℃,四季分明,雨量充沛,无霜期长。受潮水淹没时间和盐度变化等的影响,本区滨海湿地的植被空间上形成了相对稳定的带状分布格局,由海洋至陆地表现为光滩、互花米草群落、碱蓬群落、芦苇群落等^[28]。大多数植被在成熟期生长较为茂盛,如芦苇、互花米草等植株高度都在1~3 m左右,密度约为100~300株/m²。

显示原图|下载原图ZIP|生成PPT

图1 研究区位置图

Fig.1 Sketch map of the study area

1.2 数据采集及预处理

本次工作采用江苏省地质勘查技术院自主集成的多参数航空遥感系统(multi-parameter airborne remote sensing system,MARSS)(图2),其中A为MARSS,B为飞行监控屏幕,C为地面监控中心,D为地面监控屏,E为地面高光谱成像仪,F为地面全球定位系统(global positioning system,GPS)基站。成像光谱仪由国产可见光+短波红外(400~2 500 nm)航空高光谱成像仪、RIEGL VUX-240型激光雷达及配套的组合导航系统,飞行平台采用了B350型直升机。2022年9—10月,在研究区开展了直升机载航空多参数遥感数据采集,飞行高度600 m,完成面积161.25 km²。地面光谱采样使用美国ASD公司生产的FieldSpec 4地物光谱仪(350~2 500 nm)。卫星遥感工作采用2022年10月26日Landsat9 OLI-2数据,影像完全覆盖整区且影像质量良好。

显示原图|下载原图ZIP|生成PPT

图2 多参数航空遥感系统组成图

Fig. 2 Composition diagram of MARSS

本文对航空高光谱原始数据进行了辐射校正、几何校正、图像拼接和反射率转换等预处理和处理工作^[29-30],获得了本区高光谱遥感影像及反射率值。另外,对LiDAR数据进行了点云解算、筛选、滤波和分类等处理,形成数字高程模型和数字表面模型,并获得研究区的植物株高数据。地面采集的互花米草、芦苇植物样经现场测量和送实验室测试,取得当期地上部分含水量分别为58.90%和33.62%,碳转换系数分别为0.37和0.41。

2 研究方法

本文分别采用卫星遥感方法和航空多参数遥感方法进行植被地上生物量建模反演,对比分析选择最优结果,进而计算研究区植被的固碳能力,主要工作流程见图3。

显示原图|下载原图ZIP|生成PPT

图3 工作流程图

Fig.3 Workflow chart

本文在模型构建中采用多元线性回归(multiple linear regression-enter,MLR-Enter)、偏最小二乘回归(partial least squares regression,PLSR)和支持向量回归(support vector regression,SVR)3种方法进行建模。MLR-Enter用于建立多个自变量和一个因变量之间的线性关系模型,由于自变量之间可能存在多重共线性,多采用逐步回归法^[31]。PLSR是一种多因变量对多自变量的回归方法,通过提取相互独立的主成分,在最大程度保留自变量信息的同时,实现对因变量的较好解释^[32]。SVR是支持向量机的一个重要分支^[33],用于解决建模问题,它通过非线性映射φ(·)将输入空间映射到高维特征空间,并在特征空间中求取最优线性函数。由于高维特征空间的维数可能是无穷维,且非线性映射φ(·)的具体表达式通常未知,因此采用满足Mercer条件的核函数κ(x_i,x_j)=

φ (x i) T

φ(x_j)进行计算,其中κ(x_i,x_j)是核函数。通过非线性映射的内积代替非线性映射的直接计算,可明显简化计算过程。

以应用最为广泛的ε-不敏感SVR(ε-SVR)为例,它采用ε-不敏感损失函数,使得SVR模型的解具有稀疏性,并对异常样本有一定抑制作用,损失函数定义为:

(1)L(y,f(x))=L(|y-f(x)|_ε),

(2)|y-f(x)|_ε=

0, | y - f (x) | ≤ ε | y - f (x) | - ε, | y - f (x) | > ε

。

设训练样本集

{(x i, y j)} i = 1 n

,其中n为训练样本集个数,输入x_i∈R^d为第i个样本的特征向量(d为维度),输出y_i∈R为第i个样本的真实值。ε-SVR可以表示为约束优化问题。通过引入拉格朗日乘子,得到对偶形式:

(3)$ \begin{array}{c} \min \left(\frac{1}{2} \sum_{i=1}^{n} \sum_{j=1}^{n}\left(a_{i}-a_{i}^{*}\right)\left(a_{j}-a_{j}^{*}\right) \kappa\left(x_{i}, x_{j}\right)+\right. \\ \left.\varepsilon \sum_{i=1}^{n}\left(a_{i}+a_{i}^{*}\right)-\sum_{i=1}^{n} y_{i}\left(a_{i}-a_{i}^{*}\right)\right), \end{array}$

约束条件为:

(4)

∑ i = 1 n (a i - a i *) = 0 0 ≤ a i, a i * ≤ C, i = 1,2, …, n

式中:

a i *

和a_i为第i个样本的拉格朗日乘子;

a j *

和a_j为第j个样本的拉格朗日乘子; ε≥0为不敏感参数,定义误差容忍阈值; κ(x_i,x_j)为满足Mercer条件的核函数; C为正则化参数。

求解凸二次优化问题,得到SVR模型,公式为:

(5)f(x)=

∑ i = 1 n

(a_i

- a i *

)κ(x_i,x_j)+b,

式中b为常数,为偏置项。

本文使用R²和均方根误差(root mean square error,RMSE)进行反演精度评价,公式分别为:

(6)R²=1-

∑ (y - y^) 2 ∑ (y - y ¯) 2

(7)RMSE=

1 n ∑ i = 1 n (y - y^) 2

式中: y为实测值;

y^

为预测值;

y ¯

为实测平均值; n为样本数。

湿地植被的固碳能力是指湿地植被年净初级生产力相对应的固碳能力。它以湿地植物的有机质生产过程(光合作用)为基础,根据光合作用反应过程中植物生物量的干质量乘以对应的碳转换因子^[3]而得,计算公式为:

(8)C_i=p×A_i×Q_i,

式中: C_i为第i类湿地植被当年固碳量; p为碳转换系数; A_i为第i类湿地植被的面积; Q_i为第i类湿地植被的生物量。

3 结果与分析

3.1 地物分类结果

本文采用支持向量机法开展地物精细分类,将区内主要植被群落分布划分出来。提取结果见图4,包括11类地表覆盖分类信息,分别为碱蓬、裸土、道路、房屋、水体、芦苇、互花米草、藻类、树、草类和农作物。从分类结果可以看出研究区地表分布主要以芦苇和互花米草为主,占比分别为40.38%和30.27%,是本文主要研究对象; 其次是水,占比17.06%。本区植被覆盖率约76%,人类活动区域面积占比约1.5%,说明湿地受人类活动干扰少,保护较好。经统计本次总体分类精度为85.12%,Kappa系数为0.826 8。

显示原图|下载原图ZIP|生成PPT

图4 地物分类结果图

Fig.4 Classification results of land cover types

3.2 航空多参数遥感生物量反演结果

3.2.1 模型选择

本文分别基于高光谱相关波段、多种植被指数、高光谱全谱段3个角度结合LiDAR数据,使用MLR-Enter,PLSR和SVR进行建模,选取最佳模型分别对芦苇、互花米草进行生物量建模。

1)基于高光谱相关波段和株高的生物量建模。不同波长值下的样本互花米草、芦苇生物量与反射率值的皮尔森相关系数如图5所示。本文中互花米草选择448.4 nm,491.9 nm,520.9 nm,569.3 nm,685.5 nm和733.9 nm波段作为相关波段,芦苇选择450.8 nm,540.3 nm,634.7 nm,649.2 nm,750.8 nm和850.0 nm波段作为相关波段。将上述波长值分别对应的样品光谱反射率和株高数据作为自变量,进行生物量计算建模。

显示原图|下载原图ZIP|生成PPT

图5 互花米草和芦苇在不同波长值下植物生物量相关系数图

Fig.5 Correlation coefficients of biomass between Spartina alterniflora and reed at different wavelength values

2)基于多种植被指数和株高的生物量建模。通过分析植被和土壤的光谱特征后选取18个植被指数(表1)来估算互花米草和芦苇的生物量,建立以植被指数和株高数据为自变量的生物量预测模型。

表1 植被指数计算公式

Tab.1 Formula for calculating vegetation index

序号	植被指数	公式
X₁	归一化植被指数 NDVI	NDVI=(R₈₀₀-R₆₇₀)/(R₈₀₀+R₆₇₀)
X₂	改进叶绿素吸收指数 MCARI	MCARI=[(R₇₀₀-R₆₇₀)-0.2(R₇₀₀-R₅₀₀)](R₇₀₀/R₆₇₀)
X₃	转换叶绿素吸收指数 TCARI	TCARI=3[(R₇₀₀-R₆₇₀)-0.2(R₇₀₀-R₅₀₀)](R₇₀₀/R₆₇₀)
X₄	改进型土壤调整植被指数 MSAVI	MSAVI=0.5[2R₈₀₀+1- $(2 R 800 + 1) 2 - 8 (R 800 - R 670)$ ]
X₅	增强型植被指数 EVI	EVI=2.5(R₈₀₀-R₆₇₀)/(R₈₇₀+6R₆₇₀-7.5R₄₄₀+1)
X₆	土壤调整植被指数 SAVI	SAVI=1.5(R₈₀₀-R₆₇₀)/(R₈₀₀-R₆₇₀+0.5)
X₇	优化型土壤调整植被指数 OSAVI	OSAVI=(1+0.16)(R₈₀₀-R₆₇₀)/(R₈₀₀-R₆₇₀+0.16)
X₈	改进三角植被指数2 MTVI2	MTVI2=1.5[1.2(R₈₀₀-R₅₅₀)-2.5(R₆₇₀-R₅₅₀)]/ $(2 R 800 + 1) 2 - (6 R 800 - 5 R 670) - 0.5$
X₉	简单比值植被指数 SR	SR=R₈₀₀/R₆₈₀
X₁₀	陆地叶绿素指数 MTCI	MTCI=(R₇₅₀-R₇₁₀)/(R₇₁₀-R₆₈₀)
X₁₁	TCARI/OSAVI	—
X₁₂	红边归一化植被指数 NDVI₇₅₀	NDVI₇₅₀=(R₇₅₀-R₇₀₅)/(R₇₅₀+R₇₀₅)
X₁₃	改进红边比值植被指数 mSR₇₅₀	mSR₇₅₀=(R₇₅₀-R₄₄₅)/(R₇₀₅-R₄₄₅)
X₁₄	改进红边归一化植被指数 mNDVI₇₅₀	mNDVI₇₅₀=(R₇₅₀-R₇₀₅)/(R₇₅₀+R₇₀₅-2R₄₄₅)
X₁₅	红边指数 VOGI	VOGI=R₇₄₀/R₇₂₀
X₁₆	结构不敏感指数 SIPI	SIPI=(R₈₀₀-R₄₅₀)/(R₈₀₀+R₆₈₀)
X₁₇	生理反射植被指数 PRI	PRI=(R₅₇₀-R₅₃₁)/(R₅₇₀+R₅₃₁)
X₁₈	改进叶绿素吸收指数 MCARI2	MCARI2=1.5[2.5(R₈₀₀-R₆₇₀)-1.3(R₈₀₀-R₅₅₀)]/ $[(2 R 800 + 1) 2 - (6 R 800 - 5 R 670)] - 0.5$

3)基于高光谱全谱段和株高的生物量建模。对全谱段反射率进行一阶导数、二阶导数、倒数的对数、倒数的一阶导和对数的一阶导5种处理。将全谱段光谱及数学变换后的数据和株高数据作为自变量,进行生物量预测模型建模分析,其中,二阶导数处理后的数据作为自变量的模型结果较好,因此仅展示该数据的建模结果。由于高光谱全谱段数据量大且共线性较强,因此不采用MLR-Enter模型。

对比分析互花米草的上述8种模型结果,其R²和RMSE如表2所示,S-M1至S-M3的训练集、验证集的R²均小于0.65,且RMSE较大; S-M4至S-M7训练集的R²有所提升,但验证集的R²较小,RMSE较大; S-M8的R²较大且RMSE较小,说明拟合效果较好。互花米草生物量各模型的实测值和预测值的相关散点图见图6。

表2 互花米草生物量的建模结果精度评价

Tab.2 Accuracy evaluation of biomass model results for Spartina alterniflora

模型			R²		RMSE
数据	方法	编号	训练	验证	训练	验证
基于高光谱相关波段	MLR-Enter	S-M1	0.518 7	0.406 1	1.101 5	0.916 1
	PLSR	S-M2	0.526 9	0.354 3	0.658 4	0.649 7
	SVR	S-M3	0.619 9	0.520 9	0.524 6	0.505 2
基于多种植被指数	MLR-Enter	S-M4	0.631 6	0.389 8	1.152 7	1.048 4
	PLSR	S-M5	0.636 9	0.461 6	0.576 8	0.653 9
	SVR	S-M6	0.643 8	0.512 0	0.490 5	0.529 5
基于高光谱全谱段二阶导数	PLSR	S-M7	0.673 0	0.504 1	0.547 4	0.587 8
基于高光谱全谱段二阶导数	SVR	S-M8	0.929 3	0.825 4	0.223 6	0.306 9

显示原图|下载原图ZIP|生成PPT

图6 互花米草生物量模型实测值与预测值散点图

Fig.6 Scatter plot of the measured and predicted values of Spartina alterniflora models

对比分析芦苇的8种模型发现(表3),R-M1至R-M6验证集R²很小,且RMSE较大; R-M7和R-M8的R²较大、RMSE较小,说明拟合效果较好。芦苇生物量各模型的实测值和预测值的相关散点图见图7。

表3 芦苇生物量的建模结果精度评价

Tab.3 Accuracy evaluation of biomass model results for reed

模型			R²		RMSE
数据	方法	编号	训练	验证	训练	验证
基于高光谱相关波段	MLR-Enter	R-M1	0.656 5	0.155 7	1.243 9	1.803 5
	PLSR	R-M2	0.618 5	0.223 8	0.633 4	1.411 2
	SVR	R-M3	0.663 6	0.255 6	0.486 5	0.910 9
基于多种植被指数	MLR-Enter	R-M4	0.623 3	0.315 8	1.228 3	2.523 4
	PLSR	R-M5	0.475 8	0.280 8	0.742 5	1.333 6
	SVR	R-M6	0.384 0	0.259 7	0.776 7	0.795 9
基于高光谱全谱段二阶导数	PLSR	R-M7	0.908 7	0.585 7	0.309 8	0.889 2
基于高光谱全谱段二阶导数	SVR	R-M8	0.919 3	0.839 4	0.095 1	0.399 7

显示原图|下载原图ZIP|生成PPT

图7 芦苇生物量模型实测值与预测值散点图

Fig.7 Scatter plot of the measured and predicted values of reed models

综上所述,S-M8和R-M8具有良好的内部拟合效果,还兼具外部预测的能力。因此本文确定基于全谱段光谱反射率二阶导数的互花米草、芦苇生物量的SVR模型为最优预测模型。

3.2.2 生物量反演结果

基于高光谱与实测株高数据的生物量预测模型,对研究区互花米草、芦苇进行生物量反演,结果见图8。从图中可以看出,本区整体植被生物量是东部明显高于西部,且沿水系、河沟边处的植被生物量较高。经统计分析,互花米草地上生物量反演结果分布在2.26~2.92 kg/m²之间的占88.71%,总生物量为127 191.36 t; 芦苇生物量反演结果分布在1.22~2.60 kg/m²之间的占91.37%,总生物量为123 850.22 t。反演结果分布与实际采样结果分布相符。在已知单个像元对应生物量值和像元个数的基础上,运用相应的乘式算法,得出研究区内植被总生物量为25.10万t。

显示原图|下载原图ZIP|生成PPT

图8 航空多参数遥感方法的植被生物量反演结果

Fig.8 Results of aboveground biomass inversion by airborne multi-parameter remote sensing

3.3 卫星遥感生物量反演结果

本文方法为基于卫星数据将遥感影像与同期野外调查的植被地上生物量数据相结合,提取表征植被地上生物量特征的遥感因子,即植被指数,作为生物量估测模型的建模因子构建生物量反演模型。反演结果如图9所示。研究区植被地上生物量由陆至海表现为由低到高的趋势。其中地上生物量水平主要集中在1.55 kg/m²,所占比重为27.76%,分布面积约为34.3 km²,主要分布在保护区中部低洼地段,植被类型以芦苇和碱蓬为主。在本区东部海岸线处,特别是潮沟发育处,地上生物量表现为较高水平,而在鱼塘坑塘等人工建设区则为低水平地上生物量。通过对研究区植被地上生物量的空间分布特征进行分析,认为植被类型、地形及水文条件不同会使得植被地上生物量空间分布格局存在明显差异。经统计,2022年研究区植被总生物量为24.36 万t,生物量反演结果范围在0.68~3.33 kg/m²之间的占比为87.2%。

显示原图|下载原图ZIP|生成PPT

图9 卫星遥感方法的植被生物量反演结果

Fig.9 Results of aboveground biomass inversion by satellite remote sensing

3.4 综合分析讨论

3.4.1 对比分析

根据上文所述结果,对比分析基于卫星遥感、航空多参数遥感方法获得的植被地上生物量反演结果发现: 在数据分辨率方面,本次采用的卫星数据空间分辨率为30 m,航空多参数数据空间分辨率为1 m; 从2种方法反演的结果可以看出,二者反演结果整体趋势一致,基于卫星遥感方法侧重于宏观表达,基于航空多参数遥感方法则能够更加精细地表达结果内容; 从2种方法建立的反演模型精度来看,基于卫星遥感方法的模型R²为0.6,RMSE为0.75,而基于航空多参数遥感方法建立的模型R²大于0.8,RMSE为0.25,后者建立的反演模型精度高于前者; 在反演结果精度方面,2种方法的样本反演结果如图10所示,航空多参数遥感方法的样本反演结果与样本实测值更接近。

显示原图|下载原图ZIP|生成PPT

图10 航空多参数遥感与卫星遥感方法的样本反演结果散点图

Fig.10 Scatter plot of inversion results by airborne multi-parameter remote sensing and satellite remote sensing

根据前文所述,2种方法反演植被地上总生物量分别为24.36万t和25.10万t,结果在同一水平。同时,研究区互花米草和芦苇的地上生物量综合统计分析结果如图11所示。从图11可以发现卫星遥感方法反演地上生物量分布有1处峰值,而航空多参数遥感方法的反演结果中分布有2.11 kg/m²和2.61 kg/m² 2处峰值,且分别对应芦苇和互花米草分布峰值。因此,可针对不同工作需求选择不同的方法。在对一定区域范围内植被进行较为精确的调查时,航空多参数遥感方法的数据含有更多的地物相关信息,数据分辨率高,可对植被进行精细分类建模,取得较好的反演结果,能更好地反映生物量信息,具有较为明显的应用优势。

显示原图|下载原图ZIP|生成PPT

图11 2种方法反演的植被生物量结果统计图

Fig.11 Statistical graph of aboveground biomass inversion results by two methods

3.4.2 计算研究区固碳能力

研究区互花米草和芦苇的分布面积分别为47.15 km²和64.07 km²,航空多参数遥感方法计算其地上固碳量分别为19 294.93 t和34 331.28 t,合计53 626.21 t; 固碳能力分别为0.41 kg/m²和0.58 kg/m²,芦苇的地上固碳能力高于互花米草。全区固碳能力分布情况见图12,图中分布有2处峰值,前后分别对应芦苇和互花米草的分布峰值。同期互花米草和芦苇地面植物采样计算获得的固碳能力分别为0.44 kg/m²和0.56 kg/m²,航空多参数遥感方法反演计算的结果与其基本一致。

显示原图|下载原图ZIP|生成PPT

图12 研究区植被地上固碳能力反演结果统计图

Fig.12 Statistical chart of net carbon sequestration capacity inversion results

4 结论

1)采用基于国产设备的多参数航空遥感系统MARSS获取研究区161.25 km²的航空高光谱与激光雷达数据,并进行了地物分类,提取11类地表覆盖类型。研究区植被覆盖率约76%,主要以芦苇和互花米草为主,人类活动区域面积占比约1.5%。

2)分别基于高光谱相关波段、多种植被指数、高光谱全谱段等使用MLR—Enter,PLSR和SVR方法构建了互花米草、芦苇生物量反演模型。通过模型精度对比发现,基于全谱段光谱反射率二阶导数的互花米草、芦苇生物量的SVR预测模型为最优预测模型。

3)对比分析基于卫星遥感、航空多参数遥感方法反演估算的植被地上生物量结果发现: 二者反演结果整体趋势一致,后者的数据分辨率、反演模型精度、反演结果精度等均优于前者。卫星遥感方法侧重于宏观表达,方法体系更为成熟,适用于小尺度大范围; 航空多参数遥感数据含有更多的地物相关信息,数据分辨率高,可进行地物精细分类,能够更加精细地表达结果内容。

4)基于航空多参数遥感计算互花米草和芦苇当年固碳能力分别为0.41 kg/m²和0.58 kg/m²,芦苇的地上固碳能力高于互花米草,与同期地面植物采样计算获得的结果基本一致。本次计算全区总固碳量约为5.36万t。

5)针对滨海湿地植被的自然特点,本次采用的多参数遥感方法融合了LiDAR、航空高光谱,并辅以正射影像对滨海湿地的植被分类和植被生物量反演等展开研究,实现了从“点”到“面”对地物的全覆盖,建立了基于滨海湿地植被生长特征的分类别植被生物量反演模型,精确评估其固碳能力,为精准服务湿地资源调查、科学评价滨海湿地生态系统稳定性和碳储量估算提供重要的技术支撑和基础数据。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

[1]	曹磊, 宋金明, 李学刚, 等. 中国滨海盐沼湿地碳收支与碳循环过程研究进展[J]. 生态学报, 2013, 33(17):5141-5152. Cao L, Song J M, Li X G, et al. Research progresses in carbon budget and carbon cycle of the coastal salt marshes in China[J]. Acta Ecologica Sinica, 2013, 33(17):5141-5152.

[2]	杨谦敏, 袁丹萍, 邓存宝, 等. 碳中和背景下植物净固碳能力研究进展[J]. 生态学杂志, 2023, 42(6):1484-1496. Yang Q M, Yuan D P, Deng C B, et al. Research progress on net carbon sequestration capacity of plants under the background of carbon neutralization[J]. Chinese Journal of Ecology, 2023, 42(6):1484-1496.

[3]	叶思源, 赵广明, 裴绍峰, 等. 滨海湿地固碳能力评价技术与方法[M]. 武汉: 中国地质大学出版社, 2016:42-48. Ye S Y, Zhao G M, Pei S F, et al. Evaluation technology and method of carbon sequestration capacity of coastal wetlands[M]. Wuhan: China University of Geosciences Press, 2016:42-48.

[4]	崔丽娟, 马琼芳, 宋洪涛, 等. 湿地生态系统碳储量估算方法综述[J]. 生态学杂志, 2012, 31(10):2673-2680. Cui L J, Ma Q F, Song H T, et al. Estimation methods of wetland ecosystem carbon storage:A review[J]. Chinese Journal of Ecology, 2012, 31(10):2673-2680.

[5]	赵天舸, 于瑞宏, 张志磊, 等. 湿地植被地上生物量遥感估算方法研究进展[J]. 生态学杂志, 2016, 35(7):1936-1946. Zhao T G, Yu R H, Zhang Z L, et al. Estimation of wetland vegetation aboveground biomass based on remote sensing data:A review[J]. Chinese Journal of Ecology, 2016, 35(7):1936-1946.

[6]	Aslan A, Rahman A F, Warren M W, et al. Mapping spatial distribution and biomass of coastal wetland vegetation in Indonesian Papua by combining active and passive remotely sensed data[J]. Remote Sensing of Environment, 2016, 183:65-81.

[7]

柴颖, 阮仁宗, 柴国武, 等. 基于光谱特征的湿地植物种类识别[J]. 国土资源遥感, 2016, 28(3):86-90.doi:10.6046/gtzyyg.2016.03.14.

Chai

, Ruan

R Z

, Chai

G W

, et al. Species identification of wetland vegetation based on spectral characteristics[J]. Remote Sens-ing for Land and Resources, 2016, 28(3):86-90.doi: 10.6046/gtzyyg.2016.03.14.

[8]	Pride M, Priscilla M T, Gara T. Dominant wetland vegetation species discrimination and quantification using in situ hyperspectral data[J]. Transactions of the Royal Society of South Africa, 2020, 75(3):229-238.

[9]	Ecarnot M, Compan F, Roumet P. Assessing leaf nitrogen content and leaf mass per unit area of wheat in the field throughout plant cycle with a portable spectrometer[J]. Field Crops Research, 2013, 140:44-50.

[10]	Estornell J, Ruiz L A, Velázquez-Martí B, et al. Estimation of shrub biomass by airborne LiDAR data in small forest stands[J]. Forest Ecology and Management, 2011, 262(9):1697-1703.

[11]	Swatantran A, Dubayah R, Roberts D, et al. Mapping biomass and stress in the Sierra Nevada using LiDAR and hyperspectral data fusion[J]. Remote Sensing of Environment, 2011, 115(11):2917-2930.

[12]	虞海英. 融合机载LiDAR和高光谱数据的滨海湿生植被生物量反演方法研究[D]. 北京: 中国测绘科学研究院, 2015. Yu H Y. Research on estimation of coastal wetland vegetation above-ground biomass with airborne hyperspectral and LiDAR data[D]. Beijing: Chinese Academy of Surveying and Mapping, 2015.

[13]	Luo S Z, Wang C, Xi X H, et al. Retrieving aboveground biomass of wetland Phragmites australis (common reed) using a combination of airborne discrete-return LiDAR and hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation, 2017, 58:107-117.

[14]

杨思睿, 薛朝辉, 张玲, 等. 高光谱与LiDAR数据融合研究——以黑河中游张掖绿洲农业区精细作物分类为例[J]. 国土资源遥感, 2018, 30(4):33-40.doi:10.6046/gtzyyg.2018.04.06.

Yang

S R

, Xue

Z H

, Zhang

, et al. Fusion of hyperspectral and LiDAR data:A case study for refined crop classification in agricul-tural region of Zhangye Oasis in the middle reaches of Heihe River[J]. Remote Sensing for Land and Resources, 2018, 30(4):33-40.doi:10.6046/gtzyyg.2018.04.06.

[15]	Pang Y, Li Z Y. Subtropical forest biomass estimation using airborne LiDAR and hyperspectral data[J]. The International Archives of the Photogrammety,Remote Sensing and Spatial Information Sciences, 2016, XLI-B8:747-749.

[16]	Latifi H, Fassnacht F, Koch B. Forest structure modeling with combined airborne hyperspectral and LiDAR data[J]. Remote Sensing of Environment, 2012, 121:10-25.

[17]	Wang J, Liu Z, Yu H, et al. Mapping Spartina alterniflora biomass using LiDAR and hyperspectral data[J]. Remote Sensing, 2017, 9(6):589.

[18]	Jensen D, Cavanaugh K C, Simard M, et al. Integrating imaging spectrometer and synthetic aperture radar data for estimating wetland vegetation aboveground biomass in coastal Louisiana[J]. Remote Sensing, 2019, 11(21):2533.

[19]	赵燕红, 侯鹏, 蒋金豹, 等. 植被生态遥感参数定量反演研究方法进展[J]. 遥感学报, 2021, 25(11):2173-2197. Zhao Y H, Hou P, Jiang J B, et al. Progress in quantitative inversion of vegetation ecological remote sensing parameters[J]. National Remote Sensing Bulletin, 2021, 25(11):2173-2197.

[20]	He L, Li A, Yin G, et al. Retrieval of grassland aboveground biomass through inversion of the PROSAIL model with MODIS imagery[J]. Remote Sensing, 2019, 11(13):1597.

[21]	孙凤娟, 居为民, 方美红, 等. 基于四尺度几何光学模型的森林地上生物量遥感估算[J]. 遥感技术与应用, 2018, 33(6):1046-1055. Sun F J, Ju W M, Fang M H, et al. Retrieval of forest above ground biomass using 4-scale geometrical optical model and remote sens-ing data[J]. Remote Sensing Technology and Application, 2018, 33(6):1046-1055.

[22]	Wan R R, Wang P, Wang X L, et al. Mapping aboveground biomass of four typical vegetation types in the Poyang Lake wetlands based on random forest modelling and landsat images[J]. Frontiers in Plant Science, 2019, 10:1281.

[23]	苟芳珍, 赵成章, 杨俊仓, 等. 苏干湖湿地植被地上生物量空间格局及其对水盐的响应[J]. 生态学报, 2021, 41(19):7774-7784. Gou F Z, Zhao C Z, Yang J C, et al. Spatial heterogeneity of above-ground biomass in Sugan Lake wetland vegetation[J]. Acta Ecolo-gica Sinica, 2021, 41(19):7774-7784.

[24]	Yang S X, Feng Q S, Liang T G, et al. Modeling grassland above-ground biomass based on artificial neural network and remote sens-ing in the Three-River Headwaters Region[J]. Remote Sensing of Environment, 2018, 204:448-455.

[25]	邹乐, 李欢, 章家保, 等. 滨海湿地植被地上生物量遥感反演[J]. 生态学报, 2023, 43(20):8532-8543. Zou Y, Li H, Zhang J B, et al. Inversion of aboveground biomass of saltmarshes in coastal wetland using remote sensing[J]. Acta Ecologica Sinica, 2023, 43(20):8532-8543.

[26]	孙世泽, 汪传建, 尹小君, 等. 无人机多光谱影像的天然草地生物量估算[J]. 遥感学报, 2018, 22(5):848-856. Sun S Z, Wang C J, Yin X J, et al. Estimating aboveground biomass of natural grassland based on multispectral images of unmanned aerial vehicles[J]. Journal of Remote Sensing, 2018, 22(5):848-856.

[27]	康孝岩, 张爱武, 庞海洋. 基于光谱重建优化的无人机高光谱影像估算牧草生物量[J]. 光谱学与光谱分析, 2021, 41(1):250-256. Kang X Y, Zhang A W, Pang H Y. Estimation of grassland aboveground biomass from UAV-mounted hyperspectral image by optimized spectral reconstruction[J]. Spectroscopy and Spectral Analysis, 2021, 41(1):250-256.

[28]	张华兵, 刘红玉, 郝敬锋, 等. 自然和人工管理驱动下盐城海滨湿地景观格局演变特征与空间差异[J]. 生态学报, 2012, 32(1):101-110. Zhang H B, Liu H Y, Hao J F, et al. Spatiotemporal characteristics of landscape change in the coastal wetlands of Yancheng caused by natural processes and human activities[J]. Acta Ecologica Sinica, 2012, 32(1):101-110.

[29]

修连存, 郑志忠, 杨彬, 等. 机载高光谱成像技术在长江经济带苏、皖、浙地区生态环境保护中的应用[J]. 中国地质, 2021, 48(5):1334-1356.

Xiu

L C

, Zheng

Z Z

, Yang

, et al. Application of airborne hyperspectral imaging technology to the ecological environment protection of Jiangsu,Anhui and Zhejiang Provinces at Yangtze River Economic Belt[J]. Geology in China, 2021, 48(5):1334-1356.

[30]	徐明钻, 梁森, 石剑龙, 等. 航空高光谱反演耕地土壤重金属分布特征——以苏北灌河地区为例[J]. 华东地质, 2021, 42(1):100-107. Xu M Z, Liang S, Shi J L, et al. Airborne hyperspectral inversion of heavy metal distribution in cultivated soil:A case study of the Guanhe Area,North Jiangsu Province[J]. East China Geology, 2021, 42(1):100-107.

[31]	何晓群, 刘文卿. 应用回归分析(第5版)[M]. 北京: 中国人民大学出版社, 2019:137-145. He X Q, Liu W Q. Applied regression analysis (5th edition)[M]. Beijing: China Renmin University Press, 2019:137-145.

[32]	王惠文, 吴载斌, 孟洁. 偏最小二乘回归的线性与非线性方法[M]. 北京: 国防工业出版社, 2006:42-59. Wang H W, Wu Z B, Meng J. Partial least-squares regression:Linear and nonlinear methods[M]. Beijing: National Defense Industry Press, 2006:42-59.

[33]	Smola A J, Schölkopf B. A tutorial on support vector regression[J]. Statistics and Computing, 2004, 14(3):199-222.

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract

0 引言

1 研究区概况及数据源

1.1 研究区概况

图1 研究区位置图

1.2 数据采集及预处理

图2 多参数航空遥感系统组成图

2 研究方法

图3 工作流程图

3 结果与分析

3.1 地物分类结果

图4 地物分类结果图

3.2 航空多参数遥感生物量反演结果

3.2.1 模型选择

图5 互花米草和芦苇在不同波长值下植物生物量相关系数图

表1 植被指数计算公式

表2 互花米草生物量的建模结果精度评价

图6 互花米草生物量模型实测值与预测值散点图

表3 芦苇生物量的建模结果精度评价

图7 芦苇生物量模型实测值与预测值散点图

3.2.2 生物量反演结果

图8 航空多参数遥感方法的植被生物量反演结果

3.3 卫星遥感生物量反演结果

图9 卫星遥感方法的植被生物量反演结果

3.4 综合分析讨论

3.4.1 对比分析

图10 航空多参数遥感与卫星遥感方法的样本反演结果散点图

图11 2种方法反演的植被生物量结果统计图

3.4.2 计算研究区固碳能力

图12 研究区植被地上固碳能力反演结果统计图

4 结论

参考文献