0引言

在陸地生態系統中，森林、草地和作物生態系統占了很大的比重，通過對森林、草地和作物等不同生態系統下的植物生物量進行長期的監測與研究，可以從區域至全球尺度上了解和掌握氣候變化與碳循環的發展變化過程及土地質量情況。傳統方法估測植被生物量需要以大量實地調查數據為基礎，需要耗費大量的人力和物力，且所能達到的時效性和空間尺度有限：同時應用收獲法對植被生物量進行測定，對當地的植被具有一定的破壞性。

在過去的30多年間，高光譜技術已經廣泛地應用在植被葉面積指數（LAI）、生物量、葉綠素含量等生物物理化學屬性的精確定量化研究，出現了諸多能夠準確估測植物屬性的新方法。我國在高光譜遙感研究方面起步晚，隨著環境與減災小衛星、天宮一號目標飛行器、系列高分衛星的發射，其搭載的我國自主研發的成像光譜儀獲取的數據已經應用于科學研究生產活動，因此了解國內外關于植被生物量的反演現狀和發展，對我國應用高光譜遙感在植被生物量方面的研究有重要意義。本文從高光譜反演生物量的數據源、反演模型方法及高光譜遙感技術估測植被生物量應用中的不足3個方面，對其進行總結并展望。

高光譜技術在植被生物量估測中的應用

1.1高光譜遙感數據源

高光譜數據源包括非成像高光譜數據與成像光譜數據。非成像的高光譜數據通常采用地物光譜儀獲取。地物光譜儀多為肩背型或手持型，其具有以下優點：

1）操作方法簡單。采集光譜數據過程中，將探頭對準植物葉片或冠層數秒鐘就可獲取植被光譜數據，無線和藍牙傳輸技術的應用實現了光譜儀與配套的數據采集電腦間數據實時無線傳輸，給野外數據采集工作帶來了極大的方便。

2）光譜分辨率高。所獲取的植物葉片或冠層的非成像高光譜數據是研究中主要的數據源。地面光譜數據結合實測的葉綠素含量、植被葉面積指數和生物量等植被生物物理與生物化學參數，可以研究這些植被屬性與光譜變量之間的關系，構建相應的反演模型：同時地物光譜儀可以為相關成像光譜數據的應用提供先驗性的理論支持。成像光譜儀除了可以獲取地物的空間信息，其每個像元都包含相應地物的連續光譜信息，因此在研究地物空間關系的同時，還可以對地物在光譜上所反映的信息進行提取。成像光譜儀系統按搭載平臺可以分為航空平臺與航天平臺。

1.2參數回歸模型

應用光學遙感技術進行生物量的反演研究中，參數回歸模型是最為常用的方法。通過分析植被指數、光譜特征參數與植被地上生物量間的數學關系，構建植被指數、光譜特征參數與生物量的擬合方程。反演方程的形式分為線性方程或非線性方程，如指數函數、冪函數及多項式方程：通過比較模型的擬合系數R2、均方根誤差（RMSE）以及相對誤差（RE）的大小評價模型的反演能力。

1.2.1植被指數模型

植被指數能夠在一定程度上減少受土壤反射、太陽角度和大氣等因素造成的干擾，增強光譜特征與植被生物量之間的敏感性，因此植被指數為構建生物量反演模型的主要參數之一。目前研究中應用的植被指數有比值植被指數（SR）、歸一化植被指數（NDVI）、土壤調整指數（SAVI）、三角形植被指數（TVI）、葉綠素吸收率指數（MCARI）、光化學植被指數（PRI）等數10種。然而傳統的寬波段遙感植被指數在植被覆蓋度較高的條件下存在飽和問題，文獻的研究表明利用高光譜遙感數據構建的植被指數可以在植被密度較高的條件下對草地生物量進行精確的反演，在一定程度上解決植被指數飽和問題。利用高光譜遙感數據波段數多的優勢可以探尋對生物量敏感的最優波段組合，一些研究將所有波段的反射率值代入植被指數公式構成高光譜植被指數，并逐一與生物量進行相關分析，繪制出決定系數與波段組合之間的矩陣圖，通過矩陣圖可以清晰表達與生物量相關性最大處的波段。

衛星數據反演中國EVI

“紅邊”為植被反射曲線的重要特征之一，選取“紅邊”范圍內的波段反射率值構建植被指數，以此為參數構建生物量的反演模型，可以對生物量進行較為精確的預測。文獻發現位于紅邊內的波長763nm和670nm是對生物量敏感的兩個波段，組成高光譜NDVI和比值指數（RVI），基于波段深度參數建立棉花地上鮮生物量5種單變量線性和非線性函數模型，其中RVI的指數函數模型可以較精確地反演棉花地上鮮生物量。文獻也表明“紅邊”波長范圍內的反射率構建的RVI模型可以對大豆的生物量進行準確反演。文獻利用環境減災衛星HJ-1A的高光譜數據，研究了高寒牧區草地生物量的高光譜遙感預測模型，依據生物量與9種植被指數間的一元線性回歸分析的結果，認為通過NDVI與SR構建的生物量反演模型適合研究區草地植被生物量的動態監測。在有關植被生物量的研究中，敏感波段多在可見光波段以及近紅外波段范圍內。而文獻對研究區的高光譜遙感數據進行分析后，組成了一個新的高光譜植被指數GnyLi：

式中：R900、R1050分別為近紅外和短波紅外波段范圍內的反射率最大處的波長：R955、R1220分別為近紅外和短波紅外波段范圍內的反射率最小處的波長。

利用GnyLi植被指數構建的冬小麥生物量的回歸模型，在對比常規的植被指數NRI、REP、OSAVI、TCI和NDVI的生物量反演模型后發現：基于GnyLi指數的生物量反演模型可以更好地對點尺度或區域尺度的冬小麥的生物量進行估測。

1.2.2光譜特征變量模型

盡管大部分研究中，植被指數為反演方程的主要參數，但是植被指數只是離散的光譜波段組合，并沒有發揮高光譜遙感數據在波段上連續的特性，因此如何應用高光譜遙感數據連續的特性，提取光譜特征參數構建植被生物量反演模型為研究的另一個方向。

光譜導數（微分）技術是提取與植被生物量相關光譜變量的主要方法，“紅邊”與“紅邊位置”是與植被生物物理和生物化學屬性密切相關的典型位置變量。因此基于“紅邊”波段范圍內反射率及其變換形式和“紅邊位置”為參數構建生物量的反演模型是研究中常用的方法。目前的研究中提取“紅邊位置”的方法有：①“紅邊”反射率曲線一階導數最大處對應的波段位置：②線性四點內插法：③反高斯曲線逼近：④線性外推法：⑤多項式擬合法。通過不同的方法得到的“紅邊位置”與植被屬性相關性存在差異。文獻確定780nm處的光譜反射率（F780）的對數形式和719nm處的光譜反射率一階微分值（D719）的乘冪形式是預測隴中黃土高原地區春小麥地上鮮生物量的最佳模型變量。文獻通過對甘南地區4種主要類型的草地生物量與光譜參數數據分析后，發現“紅邊”范圍內的波長723nm光譜反射率一階微分值構建的對數回歸模型估算精度較高。已有研究表明以“紅邊位置”構建的生物量反演模型優于植被指數模型。文獻對意大利馬耶拉國家公園內地中海高山草地的高光譜遙感數據與生物量之間的相關性進行分析后發現，NDVI、MSAVI、NDWI、SARVI等植被指數不能準確地對年際生物量進行估測，而基于“紅邊位置”的線性外推模型可以很好地預測草地生物量。

利用光譜導數技術提取的“藍邊”“紅邊”和“黃邊”的光譜位置、光譜面積變量以及光譜微分組成的植被指數，也可以對植被生物量進行有效的反演。文獻對水稻地上鮮生物量的高光譜數據研究后，發現“藍邊”內一階微分的總和（490~530nm）與“紅邊”內一階微分的總和（680~780nm）構成的比值植被指數為變量的模型，作為高光譜估算地上鮮生物量的最佳模型。在對內蒙古干旱半干旱草地生物量的研究中，文獻發現“紅邊”反射率曲線的面積參數反演模型優于植被指數生物量反演模型，更適用于干旱半干旱草地生物量的反演。在高光譜遙感對濕地植被生物量的反演研究中，文獻發現微分光譜植被指數可以較精確地估測烏拉苔草水上鮮生物量和干生物量。植被反射率曲線經過應用連續統去除法轉換后，可以增強光譜吸收特征與植被屬性相關程度。文獻利用經過連續統去除法后的反射率值分別構建波段深度（BD）、波段深度比（BDR）、歸一化波段深度指數（NDBI）和歸一化面積波段深度（BDA），并建立與生物量之間的回歸模型，基于波段深度的生物量反演模型可以獲得較好的預測精度。

1.3非參數回歸模型

植被指數和光譜特征變量為參數的生物量反演模型，可以對生物量進行有效地反演，但該方法并沒有直接應用反射率參與建模，而是借助了植被指數和“紅邊位置”等光譜特征參數構建生物量的反演模型。因此如何不用篩選特殊波段來構建參數反演模型，而是直接利用反射率值構建生物量的反演模型，多元數學模型方法的應用為生物量的準確反演提供了理論支持。

逐步回歸模型每一步回歸遞推都會去除與因變量相關性最小的自變量，最后的輸出結果可以最優化地表示反射率與植被屬性的關系。文獻通過對冠層尺度的草地高光譜遙感數據運用數學回歸的方法研究后發現，以840、1132、1579、1769和2012nm這5個原始高光譜波段反射率為變量構建的生物量逐步回歸估算方程，估算精度為91.6%。文獻研究表明以518、1205、1235和1710nm這4個原始高光譜波段反射率為變量構建的生物量逐步回歸估算方程，其估算精度優于基于高光譜植被指數為參數生物量反演模型。在應用多元回歸模型進行生物量反演的研究中，需注意到高光譜數據的共線性問題，如文獻發現基于原始反射率二階導數構建的六波段多元優化窄波段反射率模型在水稻拔節期的預測精度最高。除了多元回歸模型在生物量研究中的應用外，偏最小二乘回歸方法不僅可以解決高光譜數據之間共線性的問題，還可以對植被生物量進行精確的反演。文獻采用稀疏矩陣的偏最小二乘回歸模型以及植被反射曲線的一階微分數據，對瑞典甜菜的鮮生物量進行準確反演。相比較基于植被指數的生物量反演模型，文獻研究表明偏最小二乘回歸模型可以取得更好的預測效果。

安徽省2009年8月安徽省植被指數

2、高光譜遙感反演植被生物量存在的問題

以上研究表明，應用高光譜遙感數據對植被生物量進行反演估算，通過對原始光譜反射率進行微分、對數等數學變換后，可以減弱非植被因素的影響，增強光譜數據與植被生物量之間的相關性：高光譜植被指數、光譜特征參數構建的植被地上生物量反演模型，可以較好地對研究區內的生物量進行估測，且建模方法簡單，不需要研究者對數學模型方法具有較高的知識水平，數據處理與計算過程快。而應用非參數回歸方法反演植被生物量利用了高光譜遙感數據光譜波段連續和波段數多的優勢，且多元數學模型優于傳統的一元回歸模型，因此構建的模型精度高于單變量的參數反演模型。

盡管高光譜遙感技術在植被生物量的反演研究中具有較好的應用效果，但依然存在以下問題：

1）高光譜遙感數據由于波段連續且波段數多，特別是成像光譜數據，每個像元都包含地物的空間信息和光譜信息，因此數據結構復雜、產生的數據量大，需要更高級的存儲格式：且相鄰波段之間存在相關性，數據結構冗余，在反演研究中會出現共線性的問題。高光譜遙感傳感器造價昂貴、使用成本高，應用成像光譜儀獲取地面高光譜遙感數據受限制因素較多，與多光譜遙感數據相比影像的覆蓋范圍有限。

2）從應用高光譜遙感技術研究植被生物量的對象來看，大多數研究集中在對結構、組成相對簡單的作物和草地生態系統植被生物量的反演。由于森林生態系統植物種類繁多、結構復雜，且由于受到樹木葉片的吸收與反射作用，以及高光譜遙感技術具有光學遙感穿通能力有限的不足，目前采用高光譜數據對森林生物量進行反演遇到的問題還比較多，如對林下生物量不能進行很好地預測，反演存在一定的技術難題。

3）目前有關植被生物量的高光譜研究，多以構建生物量的地面高光譜反演模型為目的，研究尺度較小：同時由于實際應用中受到大氣、水分、地面數據采樣時間與遙感影像獲取時間不同步等因素，以及由于非成像光譜儀與航空、航天成像光譜儀在獲取的地物光譜數據的光譜分辨率上的差異，航空、航天成像光譜儀獲取的研究區高光譜遙感影像數據存在混合像元的問題，因此利用地面高光譜數據建立的反演模型通常不能直接應用到航空、航天尺度的高光譜數據。另外由于研究區的植被組成、結構、自然條件的不同，造成了模型不具有通用性。受建模數據的影響，一些參數模型的估算精度低，應用較復雜的數學模型對生物量估算需要較強的數學基礎，建模難度大。

3、結語

結合本文對高光譜遙感技術在生物量研究中的應用現狀分析和不足，對今后應用高光譜遙感技術反演生物量研究進行展望：

1）構建植被指數、光譜特征變量的參數模型方法依然是今后應用高光譜遙感數據研究植被生物量的主要方法。研究的出發點在于對現有植被指數進行改進，構建新的植被指數，以及對反演模型、研究對象、研究區的橫向比較，特別是高光譜遙感技術與多光譜遙感反演模型間反演能力的比較。

2）將高光譜遙感數據在光譜維的優勢與合成孔徑雷達（SAR）、激光雷達（LiDAR）等主動式遙感穿透力強、受天氣影響因素小的特點相結合，融合與植被生物量相關的不同類型遙感變量對森林生態系統及其他類型生態系統的植被生物量進行精確反演。

3）利用高光譜遙感技術準確對地物進行分類的優勢，結合地面實測生物量數據構建不同植被的生物量反演模型，并將建立的模型應用到分類后的植被生物量填圖中，從而達到對研究區植被生物量的定性與定量研究的目的。

4）近地光譜數據生物量反演模型與成像光譜數據生物量反演模型的尺度轉換問題研究，將地物光譜儀的高光譜數據重采樣相應的成像光譜數據，利用重采樣后的光譜數據建立生物量反演模型，并嘗試應用到成像光譜數據中，繪制植被生物量分布圖。將整體研究區進行細化，構建不同研究面積的反演模型，并將反演模型由小的研究區逐級應用到大的研究區，并不斷對反演模型進行改進，最終得到研究區的整體生物量反演模型。

審核編輯 黃昊宇