巴宜区为西藏林芝地区下辖县, 位于29° 21'— 30° 15'N, 93° 27'— 95° 17'E, 地处西藏东南部、 雅鲁藏布江北岸、 尼洋河下游, 雅鲁藏布江与尼洋河流经境内并在此相汇。 巴宜区平均海拔为3 300 m, 海拔最高为7 294 m, 最低处仅为1 190 m, 境内多高山峡谷。 因海拔落差较大, 土壤特征呈寒、 温、 热带的垂直分布, 海拔4 800 m以上为高山寒漠土, 海拔高度浮动在4 000~4 800 m之间的主要是高山草原草甸土, 山地灌丛草甸土分布的海拔高度是3 600~4 200 m; 山地灰棕壤和灰化土分布在海拔2 400~4 000 m; 黄棕壤分布在海拔2 400 m以下。 林芝县森林植被受海拔和气候的影响, 在分布上呈明显的规律性变化特点。 在海拔2 600 m多处见有成片分布的乔松成林, 以高山松、 高山栎为主, 在海拔2 400~4 000 m之间由于气候温凉湿润, 主要分布的是亚高山温带针叶林, 建群树种主要是林芝云杉、 高山松等。 高山寒温带灌丛草原带分布于海拔4 000~4 800 m之间, 此带气候较寒冷湿润, 以雪层杜鹃等灌木为主。 本研究选取典型的高山松、 高山栎、 林芝云杉和雪层杜鹃作为研究对象。

选取巴宜区分布广泛的林芝云杉, 高山栎, 高山松和雪层杜鹃作为研究树种, 此四类植被类型覆盖面积超过林芝县总植被分布的80%。 在巴宜区同一树种的土壤环境, 海拔高程相差无几, 因此各取10个样点(图1)采集植物叶片。 本研究通过测定不同植被类型的叶片光谱反射率, 与实地测量该地区的水源涵养能力构建回归模型, 利用叶片的光谱的信息定量表达在不同植被条件下的水源涵养能力。 植被的光谱反射率在400~2 500 mm内包含多种植物特征信息, 同时, 遥感影像也能采集类似波段的特征信息。 结合高光谱遥感影像, 反演整个研究区内植被水源涵养能力。 本实验于2019年6月中旬正午采集叶片, 根据林分郁闭度和分布状况在每个样点内选择五株标准株, 采集叶片20片, 采样期间确定该样点采集的叶片为本实验设定的单一树种的叶片, 不存在其他植被叶片, 均匀采集健康成熟的叶片样本放入提前准备的干净的采集袋中, 采集完成后立即带回实验室测定相关指标。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 植被类型及采样点分布位置Fig.1 Vegetation type and distribution location of sampling points

叶片光谱反射率的测定采用ASD光谱仪(Analytical Spectral Device)(如图2所示), ASD光谱仪的具体参数为: 波长范围300~2 500 nm, 采样间隔为1 nm, 视场角为30° 。 光谱数据采集步骤依次为: 优化光谱仪→ 扫描白板→ 调整透射模式→ 探头垂直于叶片表面上方5 cm处→ 开始运行→ 读数稳定后保存数值, 每隔15 min重新优化校正。 光谱仪扫描时间间隔为0.1 s, 输出曲线为10条原始光谱的自动平均(为避免环境光线折射影响操作过程中, 采集人员身着浅色亚麻材质工作服进行)。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 光谱仪测定叶片光谱示意图Fig.2 Schematic diagram of spectrometer measuring leaf spectrum

对不同植被类型水源涵养能力的测定包括: 林冠层水源涵养能力测定、 枯落物层含水量测定和土壤含水量测定^{[11, 12]}。

1.4.1 林冠层截流量测定

大气降水量理论上是林内穿透降雨量、 林冠层截流量和树干茎流量之和。 大气降水在落到林冠层后的第一次再分配可以用式(1)表达

P=P'+G+I(1)

式(1)中, P为大气降水量; P'为林内穿透雨量; G为树干茎流量; I为林冠截流量。

1.4.2 枯落物持水量测定

在样点内设置1 m× 1 m的枯落物调查样方, 在样方内随机选取3个点用以测定枯落物未分解层和半分解层的厚度和总厚度, 取其平均值。 收集该单位面积的枯落物装入自封袋中, 带回实验室称重, 并取部分样本在95 ℃的条件下烘干, 称重后求平均值推算1 hm²的枯落物储量。

采用室内浸泡法测定枯落物的最大持水率、 最大持水量、 最大拦蓄量、 有效拦蓄量和最大吸湿比。 本研究以可以维持较长时间的水量— — 有效拦蓄量作为枯落物持水量。

1.4.3 土壤含水量测定

分别在样地内采用“ 机械分层取土法” 对土壤剖面进行挖掘, 分别在0~20, 20~40和40~60 cm处采用容积为100 cm³的环刀重复取原状土, 保证土壤各层结构不受破坏, 将采集的原状土带回实验室, 按照常规方法进行测量。 利用环刀浸泡法测定土壤容重、 非毛管孔隙度、 毛管孔隙度、 土壤初渗速率等。 计算土壤有效含水量公式

W=1000ph(2)

式(2)中, W为土壤有效含水量, p为非毛管孔隙度, h为土层厚度。

除实验组200个标准株数据外, 随机选取四种植被各30个验证样点作为验证数据, 测定林冠层截流量、 枯落物层含水量和土壤含水量。

选取2019年6月的Sential-2影像进行遥感反演, 夏季植被覆盖度较高, 遥感影像能充分反映不同树种间的影像差异。 Sential-2影像有13个波段, 其中4个波段的空间分辨率为10 m, 6个波段的空间分辨率为20 m, 3个波段的空间分辨率为60 m。 在获取影像信息时, 受到大气中水分、 气溶胶等因素的影响, 导致波段噪声增大, 信息模糊。 因此, 对影像进行了辐射定标、 大气校正和几何校正, 以消除噪声, 减少相邻像素之间的辐射干扰, 最终得到与表面真实反射率相似的影像^[13]。

2.1.1 植被原始光谱特征

如图3所示, 林芝县四种主要植被的反射光谱呈现出一定的规律性, 在近红外到中红外波段(1 380~3 500 nm), 具有两个明显的反射峰和三个吸收谷, 两个反射峰的波长在1 650~1 700和2 200~2 300 nm两个范围内, 反射峰中间即为三个吸收谷, 植被的反射光谱这段波长区间反映叶片自身的含水量, 三个吸收谷即为水吸收带。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同植被叶片反射光谱曲线Fig.3 Reflectance spectrum curve of different vegetation leaves

对比四种植被的光谱反射特征, 杜鹃作为四种主要植被中唯一一个灌丛植物, 其光谱与另外三种植被相比, 波动范围更小, 反射峰的峰值和吸收谷的谷值波动较弱, 整体反射率分布在0.05~0.35之间, 没有较为明显的波动。 高山栎作为高寒地带的落叶阔叶乔木, 反射率在四种植被中最大, 波峰波谷间差异明显, 除可见光波段外, 大部分波段反射率在0.1~0.6之间。 高山松和林芝云杉作为高寒山区的针叶林, 相比于高山栎, 波峰波谷的过度更加平滑, 且反射率比高山栎小, 其中林芝云杉的反射率为四种植被中最小。 可见光波段中四种植被差异较小, 肉眼可见的色彩差别体现的并不明显, 在近红外波段, 高山栎和高山松的反射率明显大于其他两种植被, 说明高山栎作为落叶阔叶林, 其细胞结构对近红外波段具有较强的反射效果, 针叶林和灌木对于近红外光吸收能力较强。 近红外到中红外波段, 反射光谱主要反映叶片对于水的吸收效果, 三个吸收谷是叶片中的水对该波段电磁波所形成的, 反射率越低, 则叶片中的水量越多, 因此此波段的反射率能充分体现叶片自身的含水量。

2.1.2 植被一阶导数光谱特征

研究表明, 一阶导数光谱可以较好地消除大部分背景噪声对光谱的影响, 减少光谱采集过程中大气对光的散射与吸收。 “ 三边” 参数是一阶导数光谱中的重要参量。 红边、 黄边、 蓝边是植被光谱曲线的特征点和区域, 通过计算反射光谱的一阶导数得到三边参数, 光谱数据的一阶导数处理能够消除一些背景噪声。 对于红边, 提取680~750 nm范围内反射率比一阶导数的最大值作为红边的斜率, 对应于最大值的波长代表红边位置。 蓝色边缘(490~530 nm)和黄色边缘(550~580 nm)的定义与红色边缘的定义相似。

图4显示了在不同植被经过一阶导数处理的叶片平均光谱反射曲线的变化。 不同植被在蓝边和黄边没有明显位置差异, 但在红边位置, 高山栎和高山松的红边斜率明显大于林芝云杉和雪层杜鹃, 说明高山栎和高山松叶片的叶绿素含量较高, 雪层杜鹃的红边位置相较于另外三种植被呈现出略微“ 蓝移” , 说明灌丛植物与乔木类植物相比, 红边位置有所差异。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同植被类型的一阶导数光谱曲线 (a): 一阶导数光谱曲线; (b): 反射光谱三边参数Fig.4 First derivative spectral curve of different vegetation types (a): First derivative spectral curve; (b): Reflectance spectrum trilateral parameters

2.2.1 植被水源涵养特征分析

巴宜区四种植被通过实验获取的林冠截流量、 枯落物持水量和土壤含水量如表1, 由植被的水源涵养能力林冠层截流量, 枯落物持水量及土壤水含量三者求和得到。 对比三种类型的水源涵养能力, 土壤含水量远大于林冠层截流量和枯落物持水量, 枯落物持水量最小。 其中, 雪层杜鹃作为唯一的灌木植物, 由于冠层高度无法与乔木类植物相比, 林冠层截流量也远小于其他几种植物, 雪层杜鹃的根系不够发达, 也不能固定太多的土壤水分, 因此雪层杜鹃的海拔水源涵养量为四种植被最小, 雪层杜鹃密集分布的地区多处于海拔较高的雪山高原, 无法生长高大乔木。 林芝云杉和高山松为针叶林, 相比于阔叶林高山栎, 林冠层截流较大, 枯落物持水量和土壤含水量较小, 总体统计, 水源涵养总量阔叶林大于针叶林。 乔木林冠层的截流功能较灌木丛对森林水文过程的影响更大, 一是由于乔木林冠具有较大的截流容量, 二是由于乔木林冠具有较大的空气动力学阻力, 从而具有较大的截流雨量蒸发速率, 而针叶林林冠截流量大于阔叶林是由于针叶林树种郁闭度相对较大, 且林冠枝叶空间分布均匀, 林冠枝叶量多, 与降水的接触面积大, 针叶植物的枝叶间狭小的空隙有益于降水在表面张力和重力的均衡作用下被植被截留; 另一方面, 针叶林具有较大的单位面积枝叶质量, 单位面积枝叶质量与最大容水量存在较为明显的正相关关系, 单位面积枝叶质量大, 森林群落地郁闭度会更高, 林冠结构一般会更复杂, 立体的冠层结构就可能容纳更多的水分。 阔叶林枯落物持水量最大是由于落叶植物林下的灌草层盖度较大, 能够稳定地提供一定数量的凋落物, 同时阔叶植物的生长较快, 因此枯落物持水量相对于针叶林较高。 阔叶林土壤含水量大于针叶林是由于针叶的枯落物储量小且叶片内富含难以分解的单宁等物质, 针叶林根系生长缓慢且以主根垂直生长为主, 另外, 针叶林内灌草植物覆盖度较低, 种类单一也影响着非毛细空隙的形成。

表1

Table 1

表1(Table 1)

表1 植被水源涵养量 Table 1 Vegetation water conservation(t· hm-2) 植被类型 林冠层 截流量 枯落物 持水量 土壤 含水量 水源涵 养总量 雪层杜鹃 13.54± 1.35 13.51± 2.39 158.69± 10.21 185.74± 12.21 林芝云杉 54.72± 3.21 15.36± 1.22 309.33± 28.97 379.41± 21.65 高山松 49.86± 2.53 17.74± 2.31 287.61± 15.88 355.21± 25.36 高山栎 30.33± 5.68 23.69± 1.11 450.97± 31.74 504.99± 42.11

表1 植被水源涵养量 Table 1 Vegetation water conservation(t· hm-2)

2.2.2 植被反射光谱参数与水源涵养相关性分析

植被光谱对于水源涵养的响应通过选取特定波段和组合指数进行计算, 对于参数的筛选, 主要选取以下三类: (1) 基础波段参数, 可见光波段的七种色彩波段、 反射光谱的一阶导数中的红边、 黄边和蓝边; (2) 能反映叶片含水量的波段和参数, 近红外到中红外的三个水吸收带、 454 nm、 668 nm、 1 446 nm、 1 664 nm、 1 924 nm、 归一化水体指数(NDWI)、 NDII、 WBI、 MSI等; (3) 反映主要影响水源涵养的植物自身信息的波段和参数, 反映植被自身生长情况的归一化植被指数(NDVI)、 反映植物单宁的波段(500~700 nm)、 反映植物表面蜡质的波段(500~675 nm)等。 将50个水源涵养量样本与表1中的参数进行相关性分析, 计算Pearson相关系数, 分析结果如表2。

表2

Table 2

表2(Table 2)

表2 植被反射光谱与水源涵养量相关性 Table 2 Correlation between vegetation reflectance spectrum and water conservation 参数 描述 雪层 杜鹃 林芝 云杉 高山松 高山栎 R400 紫光波段 0.359 0.246 0.355 0.329 R440 蓝光波段 0.243 0.237 0.298 0.267 R480 青光波段 0.341 0.339 0.356 0.374 R540 绿光波段, 可见光绿峰 0.357 0.457* 0.442* 0.449* R580 黄光波段 0.389 0.391 0.361 0.312 R600 橙光波段 0.277 0.324 0.339 0.341 R700 红光波段 0.167 0.258 0.22 0.303 SDr 红边 0.293 0.287 0.258 0.212 SDy 黄边 0.333 0.368 0.305 0.357 SDb 蓝边 0.316 0.289 0.226 0.303 R1 450 近红外波段水吸收带 -0.387 -0.355 -0.213 -0.372 R1 950 中红外波段水吸收带 -0.454* -0.488* -0.571* -0.488* R3 450 中红外波段水吸收带 -0.332 -0.371 -0.225 -0.301 NDWI 归一化水体指数 0.567* 0.49* 0.46* 0.467* NDVI 归一化植被指数 0.487* 0.471* 0.459* 0.466* LWI 叶面水含量指数 0.312 0.365 0.339 0.353 注: * 显著性水平达到0.05

表2 植被反射光谱与水源涵养量相关性 Table 2 Correlation between vegetation reflectance spectrum and water conservation

结合R₅₄₀, R_{1 950}, NDWI和NDVI四个指数, 对四种植被类型的水源涵养量分别进行多元线性回归。 模型的建立可表述为将水源涵养量构建成一个或一组函数, 并确定函数的各项参数^{[14, 15]}。 多元线性回归方程的一般表达为

y=β0+β1x1+β2x2+β3x3+…+βkxk+ε(3)

利用SPSS软件中的多元线性回归模型对水源涵养能力预测模型进行构建, 结果如表3, 林芝云杉、 高山松和高山栎的水源涵养与R₅₄₀, R_{1 950}, NDWI和NDVI四个指数均相关性较高, 而雪层杜鹃与R₅₄₀相关性不高, 故此, 雪层杜鹃的水源涵养预测模型仅考虑R_{1 950}, NDWI和NDVI三个指数。

表3

Table 3

表3(Table 3)

表3 不同植被水源涵养能力预测模型 Table 3 Prediction model for water conservation capacity of different vegetation 植被类型 拟合模型 林芝云杉 W=981.24R540-1 457.66R1 950+792.29NDWI+506.25NDVI-502.38 高山松 W=803.77R540-1 287.65R1 950+578.92NDWI+743.11NDVI-556.67 高山栎 W=1 245.75R540-530.45R1 950+638.21NDWI+744.21NDVI-634.77 雪层杜鹃 W=-878.66R1 950+754.37NDWI+375.92NDVI-366.86

表3 不同植被水源涵养能力预测模型 Table 3 Prediction model for water conservation capacity of different vegetation

以下载的2019年6月的Sential-2影像为基础, 利用水源涵养预测模型对同一时间内水源涵养量进行反演, 确定巴宜区水源涵养特征分布情况。

将四类植被反演的水源涵养分布数据进行叠加, 如图5所示, 具有较为明显的分布规律, 在海拔较低的雅鲁藏布江两侧和念青唐古拉山脚下的水源涵养量较高, 随着海拔和气候的变化, 植被的水源涵养能力逐步降低, 雅鲁藏布江附近的水源涵养区分布的较为零散, 区块化特征突出, 而在念青唐古拉山脚的水源涵养区较为集中。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 巴宜区森林生态系统水源涵养量分布Fig.5 Distribution of water conservation of forest ecosystem in Bayi district

研究随机选取四种植被各30个验证样点, 利用决定系数R²和均方根误差RMSE检验预测模型的稳定性及预测精度。 其中, R²是衡量变量间相关程度的指标, 一般来说R²越大, 其相关程度就越大; RMSE表征了预测值与实测值吻合度, 其值越小则模型的稳定性越高。 结果如图6(a)— (d)所示, 其中林芝云杉(a)的R²为0.819, RMSE为6.633; 高山松(b)的R²为0.786, RMSE为6.699; 高山栎(c)的R²为0.792, RMSE为5.867; 雪层杜鹃(d)的R²为0.728, RMSE为10.036。 结果反映水源涵养反演模型与实测数据具有较高的拟合度, 表明该模型能准确反映高寒地区植被水源涵养能力的的空间分布。

图6

Fig.6

Figure Option ViewDownloadNew Window

图6 水源涵养量预测模型精度验证 (a): 林芝云杉反演精度验证; (b): 高山松反演精度验证; (c): 高山栎反演精度验证; (d): 雪层杜鹃反演精度验证Fig.6 Accuracy verification of water conservation forecast model (a): Verification of picea likiangensis var. linzhiensis inversion accuracy; (b): Verification of Pimus densata inversion accuracy; (c): Verification of Quercus aquifolioides inversion accuracy; (d): Verification of Rhododendron nivale inversion accuracy