高光谱遥感的发展始于20世纪末, 由于具有高分辨率等特性, 其在对植被特征参数进行计算方面大大优于常规多光谱遥感, 甚至能完成常规遥感方法所不能完成的某些植被特征的计算, 如“红边”特征、“绿峰”特征和导数光谱等[1-2], 因此, 利用高光谱技术进行地表植被无损伤探测的理论与技术得到了长足发展。目前, 有关植被高光谱的研究多集中在农作物及大区域生长植被方面, 众多学者利用高光谱对水稻[3-4]、冬小麦[5-6]、玉米[7]、棉花[8-9]和大豆[10]等农作物的光谱特征进行分析。有关荒漠化地区植被高光谱研究方面也取得了一些研究成果, 曹巍等[11]、郝芳芳等[12]、李海东等[13]对荒漠化地区草甸、草原植被的高光谱特性进行了研究, 王鹏龙等[14]分析了腾格里沙漠地区典型植被含水率与地物光谱的关系。有研究[15-16]表明, 利用高光谱遥感数据能准确地反映植被生长状态、光谱特征及不同植被光谱的差异, 可以精准地获取一些植被的定量生化指标, 准确地反演叶面积指数、生物量和覆盖度等植被参数。
不同植被在单时相影像上的光谱特征相似性较高或易受背景地物的干扰, 会出现“异物同谱”现象, 严重影响植被识别精度, 而利用多时相遥感影像可以最大限度地发现植被与背景地物的差异, 充分利用植被不同生育期的物候信息, 能够精细地获取植被信息[17-18]。刘吉凯等[19]利用多时相Landsat 8 OLI遥感数据, 基于地物光谱特征和归一化植被指数(normalized difference vegetation index, NDVI, INDV)的时序数据, 采用决策树分类模型识别提取了新疆温宿县多种作物种植结构。张健康等[20]利用13幅时序MODIS影像提取增强型植被指数(EVI), 辅助TM影像来监测黑龙港地区作物的生长发育状况, 取得了较高的解译精度。近年来, 在科尔沁地区, 针对高光谱数据反演沙生植被参数、植被分类及各种模型的建立等方面的研究, 大多采用夏季植被生长旺盛期测量的数据, 段瑞鲁等[21]对典型沙生植被光谱特征数据进行了匹配研究; 岳喜元等[22]分析了4种固沙植被的光谱特性, 并构建了光谱-生物量模型, 但这些研究并不能扩展应用到其他时期, 也不能很好地刻画沙生植被不同生长发育阶段的光谱差异及物候特征。
采用美国ASD(Analytical Spectral Device)公司生产的FieldSpec 4便携式光谱仪对科尔沁黄柳(Salix flavida)、冷蒿(Artemisia frigida)、麻黄(Herbal ephedrae)、差巴嘎蒿(Artemisia halodeudrou)和小叶锦鸡儿(Caragana microphylla)5种典型沙生植被的光谱进行测量, 对其特征进行提取分析, 并对它们不同生长期的光谱进行求导和连续统去除, 分析它们之间的相似度和差异性, 进而研究它们不同生长发育阶段的光谱差异及物候特征, 并构建对应的NDVI, 通过比较分析选出植被遥感解译和分类的适宜时期、波段和遥感参数, 为科尔沁沙地不同类型植被多时相遥感的识别与监测以及遥感影像的精细判读提供依据。
1 研究区概况研究区位于内蒙古自治区通辽市科尔沁左翼后旗阿古拉镇吉力吐嘎查, 地理坐标为43°18′48″~43°21′24″ N, 122°33′00″~122°41′00″ E, 地处科尔沁沙地的东南缘, 面积为55 km2(图 1)。该区属温带大陆性季风气候区, 年平均气温为6.6 ℃, 多年平均降水量为389 mm, 且主要集中在6—9月, 直径为20 cm的蒸发皿年平均水面蒸发量为1 412 mm, 年平均相对湿度为55.8%, 属典型的半干旱荒漠化农牧交错地区, 地貌特点为沙丘、草甸和农田相间分布。区内植被种类较多, 经实地调查主要有差巴嘎蒿、黄柳、小叶锦鸡儿、黄花蒿(Artemisia auuua)、麻黄、沙蓬(Agriophyllum squarrosum)、大籽蒿(Artemisia sieversiaua)、冷蒿、雾冰草(Bassia dasyphylla)、茨葵草(Ceuchrus echiuatus)以及杨树(Populus simouii)、榆树(Ulmus pumila)等150余种植被。
|
图 1 研究区地理位置、地貌特征和光谱测点布设 Figure 1 Geographic location, landscape features and layout of spectral measuring point in the study area |
在研究区沿着122°34′48″ E、122°37′36″ E和122°39′00″ E 3条经度带, 纬度自43°18′54″ N开始, 大致每隔12″划分生态点, 在综合考虑每个生态点地形地貌、土壤质地及植被状况的基础上, 选取其中的22个点作为光谱测试点(图 1)。测试时, 每个生态点同种植被选择3~5个样品(方), 其中, 样品(方)的选择要求长势及大小均匀, 覆盖度相差不大, 且每个样方设置3个固定测点。于2015年5月中旬到9月下旬进行测定, 涵盖了沙生植被的生长初期(5月中旬)、成熟期(6—8月初)和衰落期(9月)3个时期, 共实施6次(麻黄在9月下旬被少花蒺藜所掩盖, 共实施5次), 每次测量所选样品(方)固定, 以保证不同季节光谱特性变化具有可比性, 详见表 1。
|
表 1 5种典型沙生植被光谱采集状况 Table 1 Spectra collection of the five types of psammo-vegetation |
光谱测试:采用美国ASD公司生产的FieldSpec 4便携式光谱仪, 其波段值范围为350~2 500 nm, 其中, 350~1 000 nm波段光谱采样间隔(波段宽)为1.4 nm, 光谱分辨率为3 nm; >1 000~2 500 nm波段光谱采样间隔为2 nm, 光谱分辨率为10 nm。
光谱测定方法和过程参照文献[23-24]:(1) 测试在试验日的10:30—14:00之间进行, 以保证太阳的高度和照度。(2) 试验日要保证天气晴朗, 光照稳定, 并避开阴影和邻近的运动物体, 风力≤3级。(3) 在测试前对光谱仪进行调试、检验和比对, 对参考板进行检验, 以保证测试结果的准确性。(4) 测试前先用白板进行定标, 白板应水平放置, 倾斜角＜10°。(5) 探头距离植被冠层高度固定在l m, 每个样品(方)测定15次, 经算术平均后得到该植被的实际反射光谱数据, 避开个别误差带来的不确定性, 以保证数据的精确度。
2.3 光谱数据处理方法首先, 利用ASD便携式光谱仪携带的光谱处理软件ViewSpec Pro Version 6.0将所测样地经平均后的光谱反射率以美国信息交换标准代码(American Standard Code for Information Interchange, ASCII)格式输出, 再采用Excel 2013和ENVI 5.1软件进行处理。笔者研究中, 由于>900 nm波长范围内的噪声明显, 而剔除该波段对后续植被指数的计算无影响, 故选择350~900 nm波段的植被反射光谱进行分析。为突出5种沙生植被不同生长期的光谱差异和物候特征, 需对高光谱数据进行光谱特征提取, 采用的主要方法有微分法和连续统去除法[25-26]。
2.3.1 微分法微分后的光谱能有效消除不同光谱数据间的系统误差, 削弱大气背景噪声的影响, 放大植被光谱曲线在坡度上的微小变化, 有效提取沙生植被的波长位置、深度和宽度等吸收参量, 更好地反映沙生植被不同生长期的本质特性。光谱数据处理方法[27]一阶微分法计算公式为
| $ \dot R({\lambda _i}) = \left[ {R({\lambda _{i + 1}}) - R({\lambda _i})} \right]/\Delta {\lambda _i}。$ | (1) |
式(1) 中, Ṙ(λi)为波长λi和λi+1之间的一阶微分光谱; R(λi)为第i个波长的原始光谱反射率; R(λi+1)为第i+1个波长的原始光谱反射率; Δλi为λi+1和λi之间的差值。
2.3.2 连续统去除法(CR)连续统去除法通过将反射光谱吸收强烈部分的波段特征进行转换, 从而进行光谱吸收特征分析和光谱特征波段选择[28]。所谓的连续统指一条连接光谱上选取波段间的吸收起点和吸收终点的线[26], 该方法能很好地消除土壤背景和光照条件的影响, 放大植被光谱在可见光处的2个吸收谷, 有利于分析植被的吸收特征。当直线确定后, 连续统去除光谱线的计算公式为
| $ {R_{\rm{c}}}({\lambda _i}) = \frac{{R({\lambda _i})}}{{{R_{\rm{H}}}({\lambda _i})}}。$ | (2) |
式(2) 中, Rc(λi)为波长λi处的连续统去除值; R(λi)为波长λi处的光谱反射率; RH(λi)为波长λi处直线的光谱反射率。
根据连续统去除后的曲线, 进一步计算2个波段400~530和550~730 nm处的吸收深度〔Db(λi)〕、吸收峰面积(A), 其计算公式[29]分别为
| $ {D_{\rm{b}}}({\lambda _i}) = 1 - {R_{\rm{c}}}({\lambda _i}), $ | (3) |
| $ A = \int_{{\lambda _{\rm{s}}}}^{{\lambda _{\rm{e}}}} {{R_{\rm{c}}}({\lambda _i})} 。$ | (4) |
式(3)~(4) 中, Db(λi)为波长λi处的波段深度; λs和λe分别为吸收起点和终点的波长，nm。
2.4 NDVI的提取NDVI能够反映在可见光、近红外波段反射上植被与土壤背景之间的差异, 具有较强的植被监测能力, 且随着时间的变化NDVI与植被的物候信息呈现一定的规律性, 常用于监测植被生长状态、植被覆盖度、叶面积指数和生物量等, 能有效反映植被在不同季节的生长状况[19, 30]。为便于今后与Landsat 8影像融合, 选用与Landsat 8 NDVI一致的光谱数据来计算INDV, 其公式为
| $ {I_{{\rm{NDV}}}} = \left( {{\rho _{\rm{n}}} - {\rho _{\rm{r}}}} \right)/\left( {{\rho _{\rm{n}}} + {\rho _{\rm{r}}}} \right)。$ | (5) |
式(5) 中, ρn为植被近红外波段(845~885 nm)处光谱反射率平均值; ρr为植被红光波段(630~680 nm)处光谱反射率平均值。
3 结果与分析 3.1 5种典型沙生植被光谱曲线特征的比较5种典型沙生植被不同生长时期的平均光谱反射率见图 2。图 2显示, 5种沙生植被光谱在形态上大致相同, 但不同种类植被叶片内部结构有所差异, 导致光谱差异显著[31]。为便于今后与遥感影像融合, 重点针对600~690、750~900 nm这2个较大差异波段处的光谱特征进行分析。
|
图 2 5种典型沙生植被不同时期的平均光谱反射率 Figure 2 Mean spectral reflectances of the 5 types of psammo-vegetation relative to gowth period |
在波长600~690 nm范围内, 几乎是叶绿素吸收最强的光谱带, 也是红光区域中具有最强光合活性的光谱带。在这个波段范围内, 植被的光合速率最大, 同时对植被覆盖度及植被的健康状况极为敏感。5种植被平均光谱反射率由高到低依次为差巴嘎蒿(0.067 0)、冷蒿(0.059 3)、麻黄(0.059 0)、黄柳(0.053 7) 和小叶锦鸡儿(0.045 6)。差巴嘎蒿反射率最高, 可能是由于该地区差巴嘎蒿叶片呈小裂片丝状条形、植被受沙地反射率影响较大所致; 小叶锦鸡儿反射率最低, 可能与它的植株较大、叶绿素含量高有关。差巴嘎蒿和小叶锦鸡儿较易与其他植被相区分, 而冷蒿和麻黄的反射率在该波段内未呈现明显差异。
在750 nm附近是一个相对平坦、反射率较高的区域, 它主要由植被叶片的细胞结构所决定。在波长750~900 nm范围内, 平均光谱反射率由高到低依次为冷蒿(0.361)、麻黄(0.339)、黄柳(0.311)、小叶锦鸡儿(0.295) 和差巴嘎蒿(0.274)。冷蒿反射率最大, 可能与它的叶片密生营养有关, 差巴嘎蒿反射率最小, 两者较易于同其他植被相区分。
在波长680 nm附近有一个明显的吸收谷, 这是由于植被叶片中红色素对红光的吸收所致。对波段原始光谱一阶求导, 结果见图 3。由图 3可知, 在近红外波段680~760 nm处植被反射光谱陡峭上升, 形成植被“红边”, 这是绿色植被具有的一个诊断性反射光谱特征[32], 5种沙生植被平均光谱的“红边”参数见表 2。结合图 3和表 2可知, 麻黄的“红边”位置(Rp)最大, 位于721 nm处, 最易于与其他植被相区分, 这可能与所选样方中麻黄生长密集、覆盖度较高和叶绿素含量较高有关, 冷蒿的“红边”幅值(Dr)和“红边”面积(Sr)最大, 差巴嘎蒿的Dr和Sr最小, 易于与其他植被相区分。黄柳和小叶锦鸡儿在近红外波段的平均光谱反射率和“红边”参数均较接近, 不能将其区分出来。
|
图 3 5种典型沙生植被不同生长时期的平均光谱一阶导数 Figure 3 Mean spectral first order derivatives of the 5 types of psammo-vegetation relative to growth period |
|
|
表 2 5种沙生植被不同生长时期平均光谱的“红边”幅值 Table 2 Mean "red-edge" amplitudes of the spectra of the five types of psammo-vegetation relative to growth period |
由图 4可知, 5种沙生植被反射光谱的形状及其随生长期推移的变化趋势大致相同, 但又各有差异。在波长550 nm附近, 5种典型沙生植被光合效率低, 叶片吸收较少, 是叶绿素的绿色强反射峰区, 即为“绿峰”, 最大光谱反射率所对应的波长即“绿峰”位置(Gp), 这个波长对应的反射率即为“绿峰”幅值(Dg)。“红谷”位置(Rv)指在650~690 nm范围内, 最小光谱反射率对应的波长, 这个波长对应的反射率即为“红谷”幅值(Dr-v)。可见，光波段处的“绿峰”和“红谷”是植被光谱具有的主要特性。
|
图 4 不同生长时期5种典型沙生植被的光谱反射率 Figure 4 Spectral reflectances of the five types of psammo-vegetation relative to growth period |
在05-15, 植被处于生长初期, 麻黄、黄柳和小叶锦鸡儿的光谱曲线已呈现明显的植被特征, 冷蒿和差巴嘎蒿的光谱曲线植被特征并不明显, 没有出现对应的“绿峰”和“红谷”, 这是因为在5月中旬差巴嘎蒿处在萌芽期, 植被叶片较小, 而冷蒿的植被叶片是从底部开始萌发, 导致它们的植被光谱特性并不明显。随发育期的推移, 植被持续生长, 在6、7月达到高峰期, 此时, 叶绿素含量较高, 5种沙生植被对红光的吸收不断增强, 在光谱曲线上表现为“红谷”幅值不断减小, 其中, 麻黄和差巴嘎蒿的Dr-v在06-22最小, 分别为0.076 1和0.046 9;黄柳和冷蒿的Dr-v在07-18最小, 分别为0.036 9和0.029 7;小叶锦鸡儿的Dr-v却在09-02最小, 值为0.034 8, 这可能是因为小叶锦鸡儿的生长周期较长, 9月初植被叶片依然含有较高的叶绿素。
在波段750~900 nm处, 随生长期的推移, 黄柳、冷蒿、差巴嘎蒿和小叶锦鸡儿4种沙生植被的光谱反射率先增高, 并均在06-22达到最大; 随后, 其光谱反射率降低, 并均在09-27达到最小。由图 4可知, 麻黄在近红外波段处的光谱反射率在05-15最大, 这是因为麻黄在生长初期受沙地背景的影响较大所致, 随后, 其光谱反射率的变化趋势与其他4种植被大体相同。5种沙生植被光谱反射率的最大值由大到小依次为冷蒿(0.476)、麻黄(0.430)、黄柳(0.377)、小叶锦鸡儿(0.337) 和差巴嘎蒿(0.309)。
由表 3可知, 从春季到夏季, 植被处于生长期, 黄柳、冷蒿、麻黄和小叶锦鸡儿的Gp持续向蓝光方向偏移, 差巴嘎蒿的Gp持续停留在553 nm处; 从夏季到秋季, 植被处于衰退期, 叶绿素含量持续下降, 5种典型沙生植被的Gp均不同程度地向红光方向偏移, 到9月末均有较大偏移。比较5种沙生植被Dg的最大值从大到小依次为麻黄(0.166 0)、冷蒿(0.108 0)、小叶锦鸡儿(0.103 0)、黄柳(0.096 1) 和差巴嘎蒿(0.072 4)。5种沙生植被不同时期的Rv并不具有明显的规律, 其对应的Dr-v最小值从小到大依次为冷蒿(0.029 7)、小叶锦鸡儿(0.034 8)、黄柳(0.036 9)、差巴嘎蒿(0.046 9) 和麻黄(0.076 1)。
|
|
表 3 不同生长时期5种典型沙生植被光谱的“绿峰”和“红谷”参数 Table 3 Spectral "green peak" and "red valley" of the five types of psammo-vegetation relative to growth period |
综上可以得出, 麻黄在05-15的Gp和Dg均最大, 易于同其他植被相区分, 冷蒿和差巴嘎蒿在05-15的光谱曲线的植被特性并不明显, 区别于其他3种植被。冷蒿在06-22的近红外波段反射率明显大于其他4种植被, 且在07-18的Dr-v最小, 能较好地同其他植被相区分。
3.2.2 不同生长时期5种典型沙生植被的光谱一阶导数进一步分析5种沙生植被不同时期光谱的“红边”特性, 5种沙生植被光谱的“红边”参数见表 4。对680~760 nm光谱范围的光谱反射率进行一阶求导(图 5)。
|
|
表 4 不同生长时期5种沙生植被光谱的“红边”参数 Table 4 Spectral "red-edge" parameters of the five types of psammo-vegetation relative to growth period |
|
图 5 不同生长时期5种沙生植被的光谱一阶导数 Figure 5 Spectral first-order derivatives of the five types of psammo-vegetation relative to growth period 麻黄在9月下旬被少花蒺藜所掩盖，缺09－27数据。 |
由图 5可知, 黄柳、冷蒿、麻黄和小叶锦鸡儿4种沙生植被光谱的“红边”具有明显的“双峰”现象, 且“次峰”波长大于“主峰”波长, 这与大多数绿色植被的“红边”相似; 而差巴嘎蒿光谱的“红边”尽管也呈现“双峰”现象, 但“次峰”不太明显。在生长初期, 冷蒿和差巴嘎蒿“红边”区并没有明显的“双峰”现象, 这也说明它们在5月中旬光谱的植被特性并不明显, 反射率受干枯枝条等的影响较大。
随着生长期的推进, 生物量增加, 叶面积指数增大, 土壤背景对冠层光谱的影响减小, “双峰”现象越来越明显, 其中, 黄柳、冷蒿、差巴嘎蒿和小叶锦鸡儿均在06-22达到最大, 麻黄在07-18达到最大; 之后, 随着植被下部叶片开始变黄、脱落, “双峰”现象又逐渐减弱, 到09-27(麻黄除外)“双峰”现象已不明显。
表 4显示, 随着植被生长越来越旺盛, 植被光合作用能力增强, 黄柳、麻黄和小叶锦鸡儿的植被叶片对红光吸收增强, 出现“红边红移”现象, 表明植被持续生长。5种沙生植被的Rp均在夏季达到最大或较大, 而由于研究区2015年7、8月出现持续干旱, 导致植被缺水严重, 叶片部分枯死, 因此, 5种沙生植被的“红边”位置在7、8月均略有波动, 但差别不大。由表 4还可看出, 5种沙生植被到一定时期均出现“红边平台”现象, 其中, 黄柳和冷蒿在09-27均出现“红边蓝移”现象, 而差巴嘎蒿和小叶锦鸡儿在09-27仍持续处在“红边平台”位置, 这说明差巴嘎蒿和小叶锦鸡儿的生长周期比黄柳和冷蒿更长。
不同时期5种沙生植被的Dr和Sr值均在夏季达到最大, 且Dr达到最大的时期与Sr达到最大的时期一致。随着植被生长的推移, Dr和Sr整体的变化规律均呈先增大后减小, 5种沙生植被的Sr在09-02均有较明显的减小。5种植被Dr和Sr的最大值由大到小依次均为冷蒿、黄柳、小叶锦鸡儿、麻黄和差巴嘎蒿。
利用植被生长初期的“红边”特性, 可以将冷蒿和差巴嘎蒿区分于其他3种植被, 结合9月末的Rp, 可以有效区分冷蒿和差巴嘎蒿。进一步比较黄柳、麻黄和小叶锦鸡儿可知, 麻黄在05-15的Dr和Sr值均大于黄柳和小叶锦鸡儿, 易于区分; 在9月末, 小叶锦鸡儿的3个“红边”参数均明显大于黄柳, 同样也易于区分。
3.2.3 不同生长时期5种典型沙生植被的光谱连续统去除为抑制土壤背景, 扩大光谱弱吸收特征信息, 在对光谱特征提取的研究中常采用连续统去除法[26], 对不同生长时期5种沙生植被的光谱反射率进行连续统去除(图 6)。在可见光波段, 5种沙生植被的反射曲线均有2个明显的吸收谷, 一个是位于490 nm附近的蓝光波段, 另一个是位于675 nm附近的红光波段。对包络线去除后的光谱曲线进行进一步计算, 得到490和675 nm附近的吸收深度, 以及蓝光波段(400~530 nm)和红光波段(550~730 nm)处的吸收峰面积(图 7)。
|
图 6 不同生长时期5种沙生植被的光谱连续统去除 Figure 6 Spectral continuum removal of the five types of psammo-vegetation relative to growth period |
|
图 7 不同生长时期5种沙生植被的光谱特征比较 Figure 7 Comparison of the five types of psammo-vegetation in spectral characteristics relative to growth period |
由图 6~7可知, 在整个生育期, 5种沙生植被的叶绿素在红光波段处的吸收明显比蓝光波段处强烈, 吸收深度也比蓝光波段处深。在生长初期, 冷蒿和差巴嘎蒿在波长490和675 nm附近的吸收深度变化较大, 如图 7(a)~(b)所示, 表现为斜率较大, 这是由差巴嘎蒿和冷蒿在5月中旬的生长特性和冠层结构所决定的; 麻黄的吸收深度变化斜率较小, 且在05-15的吸收深度大于其他4种植被, 这同样也说明了麻黄的萌芽期早于其他4种植被, 到5月中旬, 麻黄的植被特征较其他4种植被更加明显。随着植被的生长, 5种沙生植被在490和675 nm附近的吸收深度均呈先不断增加, 到某一时期(均在夏季)达到最大, 随后逐渐减小。
麻黄、差巴嘎蒿和小叶锦鸡儿的吸收深度均在06-22达到最大, 冷蒿在07-18达到最大, 黄柳在08-04达到最大, 比较红蓝光波段处最大吸收深度由高到低大致依次为冷蒿、麻黄、小叶锦鸡儿、黄柳和差巴嘎蒿。在夏季, 黄柳、冷蒿、差巴嘎蒿和小叶锦鸡儿的吸收深度值变化并不明显, 且均在9月末下降的斜率达到最大; 而麻黄在06-22之后同时期的吸收深度下降斜率明显大于其他4种沙生植被, 这可能是因为麻黄果实的成熟期恰好处于7—8月, 果实呈红色、导数反射率偏高所致。
由图 7(c)~(d)可知, 随着植被生长期的推移, 5种沙生植被吸收峰面积(A)的变化趋势与吸收深度的变化趋势恰好相反, 在整个生育期, 红光波段处的吸收峰面积(A-r)均明显低于蓝光波段处。5种沙生植被在蓝光波段(400~530 nm)和红光波段(550~730 nm)的吸收峰面积均表现为先不断减小, 到某一时期达到最小, 随后逐渐增大。
5种沙生植被的吸收峰面积在05-15差异较大, 其中, 麻黄最小, 最易于同其他植被相区分, 小叶锦鸡儿和黄柳在红光波段(550~730 nm)处的吸收峰面积与其他植被的差值较大, 同样易于区分; 差巴嘎蒿和冷蒿的吸收峰面积均大于其他3种植被, 而冷蒿的吸收峰面积在夏季最小, 差巴嘎蒿的吸收峰面积在秋季明显大于小叶锦鸡儿, 易于区分。5种沙生植被吸收峰面积达到最小的时期与吸收深度达到最大的时期一致, 且其吸收峰面积之间的变化更加明显, 因此, 利用吸收峰面积进行植被识别能达到更好的效果。
3.2.4 不同生长时期5种典型沙生植被的NDVI比较不同生长时期5种沙生植被的NDVI时间序列曲线见图 8。由图 8可知, 随着植被生长期的推移, 5种沙生植被NDVI值的变化趋势与吸收深度的变化趋势大体相同。在植被生长初期, 5种沙生植被的NDVI值均增大, 其中, 冷蒿和差巴嘎蒿的NDVI增幅大于其他3种植被, 且均在07-18达到最大, 随后逐渐减小。在植被生长旺盛期, 5种沙生植被的NDVI值变化不大, 其中, 黄柳、麻黄和小叶锦鸡儿的NDVI值均有微小浮动, 麻黄的NDVI值均小于其他4种植被。在植被生长衰退期, 5种沙生植被的NDVI值均明显减小, 其中, 小叶锦鸡儿减小幅度最小, 且在09-27, 小叶锦鸡儿的NDVI值大于其他4种植被。5种沙生植被NDVI值达到最大的时期与吸收深度达到最大的时期相同, 5种沙生植被NDVI的最大值由大到小依次为冷蒿(0.84)、小叶锦鸡儿(0.78)、黄柳(0.77)、差巴嘎蒿(0.72) 和麻黄(0.63)。
|
图 8 不同生长时期5种沙生植被的NDVI Figure 8 NDVI of the five types of psammo-vegetation relative to growth period |
从05-15—06-22, 小叶锦鸡儿的NDVI均大于其他4种植被, 易于同其他植被相区分。从7月初到09-02, 冷蒿的NDVI明显大于其他4种植被, 麻黄的NDVI明显小于其他4种植被, 这些特征使其易于同其他植被相区分。在09-27, 差巴嘎蒿的NDVI小于黄柳、冷蒿和小叶锦鸡儿, 同样也易于区分。
3.2.5 5种典型沙生植被的光谱参数识别高光谱遥感在电磁波谱的可见光、近红外和中红外波段范围内, 能够获取分辨率达纳米级的连续图谱数据, 可以大幅度提高荒漠化植被识别精度, 很好地弥补干旱半干旱气候条件下微波及传统宽波段遥感数据对植被覆盖度和生物量较低且分布不连续地区生态系统过程探测的不敏感性。5种沙生植被不同生长时期的识别参数见表 5。由表 5可知, 不同生长时期的“红边”参数、“吸收”参数和时序NDVI数据能够更加充分地利用植被不同生育期的物候信息, 精细地获取植被信息, 其识别植被的效果明显好于其他参数。利用遥感影像进行植被识别, 由于不同植被在单时相影像上的光谱特征相似性较高或易受背景地物的干扰, 会出现“异物同谱”现象, 严重影响植被识别的精度, 而利用多时相遥感影像可以最大限度地发现植被与背景地物的差异, 充分利用植被不同生育期的物候信息, 精细地获取植被信息。因此, 在对研究区植被进行分类时, 应选取春季(植被生长初期)和秋季中晚期(植被生长衰退期)的多时相遥感影像进行联合解译会取得更好的效果。
|
|
表 5 5种沙生植被的识别参数 Table 5 Spectral identification parameters of the five types of psammo-vegetation |
对5种沙生植被不同时期平均光谱反射率进行比较, 提取近红外750~900 nm与短波红外600~690 nm两个较大差异波段[31, 33], 发现近红外波段处的差异明显大于短波红外波段处, 结合导数光谱的“红边”参数可以分离出冷蒿、麻黄和差巴嘎蒿, 但并不能很好地区分黄柳和小叶锦鸡儿。进一步分析了5种沙生植被不同时期的光谱特性。
在05-15, 冷蒿和差巴嘎蒿光谱曲线植被特征和“红边”区的“双峰现象”并不明显, 没有出现对应的“绿峰”和“红谷”, 这是因为在5月中旬差巴嘎蒿处在萌芽期, 植被叶片较小, 而冷蒿的植被叶片是从底部开始萌发的, 导致它们的植被光谱特性不明显; 差巴嘎蒿在整个生长期内并不具有明显的“双峰”, 麻黄在这一时期受沙地背景的影响较大, 其在近红外波段处的变化趋势与其他植被有所不同。
随着植被的生长, 不同时期5种沙生植被光谱的反射率变化趋势大致相同, 具有绿色植被光谱的共性[34-35], “绿峰”、“红边”和“吸收”参数均呈现明显的变化规律, 且不同植被对应的参数值均在夏季达最大(吸收峰面积在夏季达最小), 其中, 冷蒿和差巴嘎蒿在生长初期到旺盛期的变化尤为明显。
在夏季, 5种沙生植被的“红边”参数和“吸收”参数变化并不明显, 其中, 冷蒿和差巴嘎蒿的“红边”位置呈微弱向蓝光方向偏移态势, 这与唐延林等[36]、代辉等[37]的研究结果有所不同, 结合它们不同时期的原始光谱特征可知, 这可能是因为受到其生理特性、植被叶细胞和冠层结构等综合因素的影响。在7、8月和9月初, 5种沙生植被均出现“红边平台”现象, 其中, 差巴嘎蒿和小叶锦鸡儿在09-27依然持续处于“红边平台”位置, 而黄柳和冷蒿的“红边”位置在这一时期却出现“蓝移”现象, 这说明差巴嘎蒿和小叶锦鸡儿的生长周期比黄柳和冷蒿更长。黄柳、冷蒿、差巴嘎蒿和小叶锦鸡儿在夏季的吸收深度值变化并不明显, 且均在9月末下降的斜率达到最大; 而麻黄在06-22之后同时期的吸收深度下降斜率明显大于其他4种沙生植被。
提取5种沙生植被时序NDVI数据可知, 随着植被生长期的推移, 5种沙生植被的NDVI与吸收深度的变化趋势大体相同, 与吸收峰面积的变化趋势相反。对科尔沁典型沙生植被光谱特征和不同生长时期的光谱物候特性进行分析, 并提取植被分类遥感解译参数, 对研究沙生植被的理化性质、覆盖度以及植被的识别和分类都具有重要意义。研究区属典型的半干旱荒漠化农牧交错区, 植被类型复杂, 下垫面不均匀, 且受试验地野外工作环境和天气条件所限, 遥感地面工作基础比较薄弱, 缺乏多年实测数据的积累, 是笔者研究的不足之处。采用的微分法和连续统去除法虽在一定程度上消除了光谱噪声, 达到了区分植被的目的, 但由于高光谱遥感受仪器和环境等多方面影响, 如何更好地消除噪声, 选取和改进适合笔者研究区植被的基于遥感的物种识别模型来区分植被将是进一步研究的重点。同时, 卫星遥感数据由于存在重访周期长和光谱分辨率低等缺陷, 在融合地面高光谱数据时不可避免地存在一定误差。笔者将在后续的研究中探索多时相遥感影像和高光谱数据融合, 进而对荒漠化典型植被的物候特性进行波段识别、草地沙化退化监测和遥感反演模型的构建。
| [1] |
浦瑞良, 宫鹏. 高光谱遥感及其应用[M]. 北京: 高等教育出版社, 2000, 53. PU Rui-liang, GONG Peng. Hyperspectral Remote Sensing and Its Applications[M]. Beijing: Higher Education Press, 2000, 53. (  0) |
| [2] |
CHANDLER M. Pressure Changes in Tracheal Tube Cuffs[J]. Anaesthesia, 1986, 41(3): 287-293. DOI:10.1111/ana.1986.41.issue-3 ( 0) |
| [3] |
杨峰, 范亚民, 李建龙, 等. 高光谱数据估测稻麦叶面积指数和叶绿素密度[J]. 农业工程学报, 2010, 26(2): 237-243. YANG Feng, FAN Ya-min, LI Jian-long, et al. Estimating LAI and CCD of Rice and Wheat Using Hyperspectral Remote Sensing Data[J]. Transactions of the CSAE, 2010, 26(2): 237-243. ( 0) |
| [4] |
刘小军, 田永超, 姚霞, 等. 基于高光谱的水稻叶片含水量监测研究[J]. 中国农业科学, 2012, 45(3): 435-442. LIU Xiao-jun, TIAN Yong-chao, YAO Xia, et al. Monitoring Leaf Water Content Based on Hyperspectra in Rice[J]. Scientia Agricultura Sinica, 2012, 45(3): 435-442. ( 0) |
| [5] |
APARICIO N, VILLEGAS D, ARAUS J L, et al. Relationship Between Growth Traits and Spectral Vegetation Indices in Durum Wheat[J]. Crop Science, 2002, 42(5): 1547-1555. DOI:10.2135/cropsci2002.1547 ( 0) |
| [6] |
ZHAO D H, YANG T W, AN S Q. Effects of Crop Residue Cover Resulting From Tillage Practices on LAI Estimation of Wheat Canopies Using Remote Sensing[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 14(1): 169-177. DOI:10.1016/j.jag.2011.09.003 ( 0) |
| [7] |
陈国庆, 齐文增, 李振, 等. 不同氮素水平下超高产夏玉米冠层的高光谱特征[J]. 生态学报, 2010, 30(22): 6035-6043. CHEN Guo-qing, QI Wen-zeng, LI Zhen, et al. Analysis of Hyperspectral on Super High-Yielding Maize Under Different Nitrogen Levels[J]. Acta Ecologica Sinica, 2010, 30(22): 6035-6043. ( 0) |
| [8] |
王进, 李新建, 白丽, 等. 干旱区棉花冠层高光谱反射特征研究[J]. 中国农业气象, 2012, 33(1): 114-118. WANG Jin, LI Xin-jian, BAI Li, et al. Characteristics of Reflection Spectrum of Cotton Canopy in North Xinjiang[J]. Chinese Journal of Agrometeorology, 2012, 33(1): 114-118. ( 0) |
| [9] |
FITZGERALD G J, PINTER P J, HUNSAKER D J, et al. Multiple Shadow Fractions in Spectral Mixture Analysis of a Cotton Canopy[J]. Remote Sensing of Environment, 2005, 97(4): 526-539. DOI:10.1016/j.rse.2005.05.020 ( 0) |
| [10] |
吴琼, 齐波, 赵团结, 等. 高光谱遥感估测大豆冠层生长和籽粒产量的探讨[J]. 作物学报, 2013, 39(2): 309-318. WU Qiong, QI Bo, ZHAO Tuan-Jie, et al. A Tentative Study on Utilization of Canopy Hyperspectral Reflectance to Estimate Canopy Growth and Seed Yield in Soybean[J]. Acta Agronomica Sinica, 2013, 39(2): 309-318. DOI:10.7606/j.issn.1009-1041.2013.02.017 ( 0) |
| [11] |
曹巍, 邵全琴, 喻小勇, 等. 内蒙古不同利用方式温性草原植被光谱特征分析[J]. 草地学报, 2013, 21(2): 243-252. CAO Wei, SHAO Quan-qin, YU Xiao-yong, et al. Analysis of Spectral Characteristics of Inner Mongolia's Temperate Steppe in Different Use Patterns[J]. Acta Agrestia Sinica, 2013, 21(2): 243-252. DOI:10.11733/j.issn.1007-0435.2013.02.006 ( 0) |
| [12] |
郝芳芳, 陈艳梅, 高吉喜, 等. 河北坝上地区草地退化指示种的高光谱特征波段识别[J]. 生态与农村环境学报, 2016, 32(6): 1024-1029. HAO Fang-fang, CHEN Yan-mei, GAO Ji-xi, et al. Identification of Hyperspectra Characteristic Bands of Grassland Degradation Indicator Plant Species in Bashang Region of Hebei Province[J]. Journal of Ecology and Rural Environment, 2016, 32(6): 1024-1029. DOI:10.11934/j.issn.1673-4831.2016.06.025 ( 0) |
| [13] |
李海东, 沈渭寿, 刘波, 等. 西藏高寒河谷沙地不同演替阶段植被的高光谱特征[J]. 生态与农村环境学报, 2014, 30(4): 521-525. LI Hai-dong, SEHN Wei-shou, LIU Bo, et al. Hyperspectral Characteristics of Vegetations in Succession on Sandlot in Alpine Valleys of Tibet, China[J]. Journal of Ecology and Rural Environment, 2014, 30(4): 521-525. ( 0) |
| [14] |
王鹏龙, 张建明, 张春梅, 等. 腾格里沙漠典型植被含水率与地物光谱的关系分析[J]. 中国沙漠, 2013, 33(3): 737-742. WANG Peng-long, ZHANG Jian-ming, ZHANG Chun-mei, et al. The Relationships Between Spectral Features and Water Content of the Dominant Plant Species in the Tengger Desert[J]. Journal of Desert Research, 2013, 33(3): 737-742. DOI:10.7522/j.issn.1000-694X.2013.00106 ( 0) |
| [15] |
马维维, 巩彩兰, 胡勇, 等. 牧草品质的高光谱遥感监测模型研究[J]. 光谱学与光谱分析, 2015, 35(10): 2851-2855. MA Wei-wei, GONG Cai-lan, HU Yong, et al. Hyperspectral Remote Sensing Estimation Models for Pasture Quality[J]. Spectroscopy and Spectral Analysis, 2015, 35(10): 2851-2855. ( 0) |
| [16] |
THENKABAIL P S, ENCLONA E A, ASHTON M S, et al. Hyperion, IKONOS, ALI, and ETM+ Sensors in the Study of African Rainforests[J]. Remote Sensing of Environment, 2004, 90(1): 23-43. DOI:10.1016/j.rse.2003.11.018 ( 0) |
| [17] |
屠星月, 赵冬玲. 多时相遥感影像农作物识别方法的分析[J]. 测绘通报, 2012(增刊1): 380-383. TU Xing-yue, ZHAO Dong-ling. The Analysis of Multitemporal Remote Sensing Image Crop Identification Method[J]. Bulletin of Surveying and Mapping, 2012(Suppl. 1): 380-383. ( 0) |
| [18] |
马丽, 徐新刚, 刘良云, 等. 基于多时相NDVI及特征波段的作物分类研究[J]. 遥感技术与应用, 2008, 23(5): 520-524. MA Li, XU Xin-gang, LIU Liang-yun, et al. Study on Crops Classification Based on Multi-Temporal NDVI and Characteristic Bands[J]. Remote Sensing Technology and Application, 2008, 23(5): 520-524. DOI:10.11873/j.issn.1004-0323.2008.5.520 ( 0) |
| [19] |
刘吉凯, 钟仕全, 梁文海. 基于多时相Landsat 8 OLI影像的作物种植结构提取[J]. 遥感技术与应用, 2015, 30(4): 775-783. LIU Ji-kai, ZHONG Shi-quan, LIANG Wen-hai. Extraction on Crops Planting Structure Based on Multi-Temporal Landsat 8 OLI lmages[J]. Remote Sensing Technology and Application, 2015, 30(4): 775-783. ( 0) |
| [20] |
张健康, 程彦培, 张发旺, 等. 基于多时相遥感影像的作物种植信息提取[J]. 农业工程学报, 2012, 28(2): 134-141. ZHANAG Jian-kang, CHENG Yan-pei, ZHANG Fa-wang, et al. Crops Planting Information Extraction Based on Multi-Temporal Remote Sensing Images[J]. Transactions of the CSAE, 2012, 28(2): 134-141. ( 0) |
| [21] |
段瑞鲁, 刘廷玺, 张圣微, 等. 科尔沁沙地典型沙丘植被光谱特征数据的匹配[J]. 干旱区研究, 2014, 31(4): 750-755. DUAN Rui-lu, LIU Ting-xi, ZHANG Sheng-wei, et al. Matching of Spectral Data of Typical Vegetation on Dune in the Horqin Sandy Land[J]. Arid Zone Research, 2014, 31(4): 750-755. ( 0) |
| [22] |
岳喜元, 常学礼, 刘良旭, 等. 科尔沁沙地几种固沙植被光谱-生物量模型构建与分析[J]. 中国沙漠, 2014, 34(6): 1496-1502. YUE Xi-yuan, CHANG Xue-li, LIU Liang-xu, et al. Spectrum-Biomass Models for Several Sand-Fixing Plant Species in the Horqin Sandy Land[J]. Journal of Desert Research, 2014, 34(6): 1496-1502. DOI:10.7522/j.issn.1000-694X.2013.00449 ( 0) |
| [23] |
刘焕军, 张柏, 张渊智, 等. 基于反射光谱特性的土壤分类研究[J]. 光谱学与光谱分析, 2008, 28(3): 624-628. LIU Huan-jun, ZHANG Bai, ZHANG Yuan-zhi, et al. Soil Taxonomy on the Basis of Reflectance Characteristics[J]. Spectroscopy and Spectral Analysis, 2008, 28(3): 624-628. ( 0) |
| [24] |
刘顺喜. 高光谱遥感土地利用信息提取技术研究: 以江苏宜兴试验区为例[D]. 北京: 北京林业大学, 2005. LIU Shun-xi.Land Use Information Extraction Technology Based on Hyperspectral Remote Sensing:Taking Yixing Area, Jiangsu Provice as Case Study[D].Beijing:Beijing Forestry University, 2005. http: //cdmd. cnki. com. cn/article/cdmd-10022-2006023098. htm ( 0) |
| [25] |
童庆禧, 张兵, 郑兰芬. 高光谱遥感:原理、技术与运用[M]. 北京: 高等教育出版社, 2006, 156-159. TONG Qing-xi, ZHANG Bing, ZHENG Lan-fen. Hyperspectral Remote Sensing:Principles, Techniques and Applications[M]. Beijing: Higher Education Press, 2006, 156-159. ( 0) |
| [26] |
孙岩. 湿地植物高光谱特征分析与物种识别模型构建[D]. 北京: 清华大学, 2008. SUN Yan.Hyperspectral Characters and Species Identification Model About Wetland Plants[D].Beijing:Tsinghua University, 2008. http: //cdmd. cnki. com. cn/Article/CDMD-10003-2009083317. htm ( 0) |
| [27] |
李明赞. 光谱分析技术及其应用[M]. 北京: 科学出版社, 2006, 123. LI Ming-zan. Spectral Analysis Technology and Application[M]. Beijing: Science Press, 2006, 123. ( 0) |
| [28] |
张翼然, 宫兆宁, 赵文吉. 水分环境梯度下野鸭湖湿地典型植被光谱特征分析[J]. 光谱学与光谱分析, 2012, 32(3): 743-748. ZHANG Yi-ran, GONG Zhao-ning, ZHAO Wen-ji. Typical Plant Characteristics Analysis in Wild Duck Lake Along Water Environment Gradient[J]. Spectroscopy and Spectral Analysis, 2012, 32(3): 743-748. ( 0) |
| [29] |
杨凯, 沈渭寿, 刘波, 等. 那曲典型草地植被光谱特征分析[J]. 遥感技术与应用, 2014, 29(1): 40-45. YANG Kai, SHEN Wei-shou, LIU Bo, et al. Research on Spectral Reflectance Characteristics for Naqu Typical Grassland[J]. Remote Sensing Technology and Application, 2014, 29(1): 40-45. ( 0) |
| [30] |
FRIEDL M A, BRODLEY C E. Decision Tree Classification of Land Cover From Remotely Sensed Data[J]. Remote Sensing of Environment, 1997, 61(3): 399-409. DOI:10.1016/S0034-4257(97)00049-7 ( 0) |
| [31] |
施润和, 庄大方, 牛铮. 水稻叶片最优叶肉结构参数估算[J]. 遥感学报, 2007, 11(5): 626-631. SHI Run-he, ZHUANG Da-fang, NIU Zheng. Estimation of Optimal Mesophyll Structure Parameter of Rice Leaves[J]. .Journal of Remote Sensing, 2007, 11(5): 626-631. DOI:10.11834/jrs.20070587 ( 0) |
| [32] |
姚付启, 张振华, 杨润亚, 等. 基于红边参数的植被叶绿素含量高光谱估算模型[J]. 农业工程学报, 2009, 25(增刊2): 123-129. YAO Fu-qi, ZHANG Zhen-hua, YANG Run-ya, et al. Hyperspectral Models for Estimating Vegetation Chlorophyll Content Based on Red Edge Parameter[J]. Transactions of the CSAE, 2009, 25(Suppl. 2): 123-129. ( 0) |
| [33] |
郑长春. 水稻种植面积遥感信息提取研究[D]. 乌鲁木齐: 新疆农业大学, 2008. ZHENG Chang-chun.Study on Remote Sensing Information Extraction of Paddy Rice Planting Area[D].Urumqi:Xinjiang Agricultural University, 2008. http: //cdmd. cnki. com. cn/Article/CDMD-10758-2008066268. htm ( 0) |
| [34] |
MILLER J R, WU J Y, BOYER M G, et al. Seasonal Patterns in Leaf Reflectance Red-Edge Characteristics[J]. International Journal of Remote Sensing, 1991, 12(7): 1509-1523. DOI:10.1080/01431169108955186 ( 0) |
| [35] |
SHIBAYAMA M, AKIYAMA T. Estimating Grain Yield of Maturing Rice Canopies Using High Spectral Resolution Reflectance Measurements[J]. Remote Sensing of Environment, 1991, 36(1): 45-53. DOI:10.1016/0034-4257(91)90029-6 ( 0) |
| [36] |
唐延林, 黄敬峰, 王秀珍, 等. 水稻、玉米、棉花的高光谱及其红边特征比较[J]. 中国农业科学, 2004, 37(1): 29-35. TANG Yan-lin, HUANG Jing-feng, WANG Xiu-zhen, et al. Comparison of the Characteristics of Hyperspectra and the Red Edge in Rice, Corn and Cotton[J]. Chinese Agricultura Scienca, 2004, 37(1): 29-35. ( 0) |
| [37] |
代辉, 胡春胜, 程一松. 冬小麦冠层光谱红边特征分析[J]. 中国生态农业学报, 2007, 15(5): 80-83. DAI Hui, HU Chun-sheng, CHENG Yi-song. Red-Edge Characteristics of Winter Wheat Canopy Spectra[J]. Chinese Journal of Eco-Agriculture, 2007, 15(5): 80-83. ( 0) |