作为中国干旱区湖泊湿地的最典型之一的艾比湖湿地自然保护区位于天山北坡^[8], 研究区位于准噶尔盆地西部, 博尔塔拉蒙古自治州境内(44° 30'— 45° 09'N, 82° 36'— 83° 50'E), 总面积约2 670.85 km²。 该地区地貌类型及景观多样, 年日照时数约2 790 h, 年温度均值为7 ℃左右。 保护区内物种多样性低, 荒漠植被种类约380种, 其中优势种主要以耐盐碱性的梭梭、 柽柳、 花花柴、 骆驼刺等为主^[9]。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 研究区示意图及样点分布图Fig.1 Location of study area and sampling distribution

2016年丰水期(5月), 对艾比湖湿地自然保护区进行调研共采集了60个样品。 采集植被的叶片记录鲜重(fresh weights, FW)。 将采集回来的植被叶片, 使用便携式光谱仪人工光源对每个植被进行光谱曲线测定, 350~2 500 nm的光谱范围, 3 nm的分辨率。 首先白板校正, 然后进行光谱测定, 最后利用光谱仪的后处理软件View Spec Pro将每个样点的光谱数据进行均值计算, 得出的光谱曲线定义为该点的光谱曲线。 同时将植被叶片放入烘箱, 70 ℃下进行干燥至恒重, 并记录干重(dry weight, DW), 最后计算植被叶片相对含水量^[10](relative water content, RWC%)公式如式(1)

RWC=100%×(FW-DW)FW(1)

植被水分指数一般由参考波段和特征波段组成, 是反映植被在900~2 500 nm范围内植被叶片含水量变化及光谱反射率的响应变化。 通常是以选取的波段进行相比和归一化形式表达。 参考波段通常选择与含水量相关性较弱的光谱波段, 例如820和860 nm等波段。 特征波段通常以与植被含水量相关性较大的波段为依据, 900~1 300 nm谱区和1 500~2 500 nm谱区内选取特征波段。 在900~1 300 nm区间内, 一般选取970, 1 200与1 240 nm作为水分特征波段。 在1 500~2 500 nm区间内, 水分吸收带主要位于中红外与远红外如: 1 450, 1 640和2 130 nm等波段^[11]。 因此, 选取八种植被水分指数如表1所示。

表1

Table 1

表1(Table 1)

表1 植被指数计算公式 Table 1 Vegetation index formula Vegetation index Calculation formula Literature MSI MSI=R1 600/R820 [12] WI WI=R900/R970 [13] SRWI SRWI=R860/R1 240 [14] NDWI1 200 NDWI1 200=(R860-R1 200)/(R860+R1 200) [15] NDWI1 240 NDWI1 240=(R860-R1 240)/(R860+R1 240) [16] NDWI1 640 NDWI1 640=(R860-R1 640)/(R860+R1 640) [17] NMDI NMDI=(R860-(R1 640-R2 130))/ (R860+(R1 640-R2 130)) [18] GVMI GVMI=((R820+0.1)-(R1 600+0.02))/ ((R820+0.1)+(R1 600+0.02)) [19]

表1 植被指数计算公式 Table 1 Vegetation index formula

本文选取模型评价指标中的决定系数(R)来检验模型精度^[20], 其中

R=∑i=1n(Xi-X̅)(Yi-Y̅)∑i=1n(Xi-X̅)2∑i=1n(Yi-Y̅)2(2)RMSE=∑(yoi-ysi)2n(3)

其中, n为采样点个数; X_i和Y_i分别为i值的自变量值和因变量值; X̅为均值, Y̅为因变量的均值。

基于Viñ a^[21]等的Noise Equivalent(NE)方法8种植被水分指数对植被叶片相对含水量的敏感性进行分析。

NE=RMSE(VI.vs.RWC)[d(VI)/d(RWC)](4)

其中VI为植被指数, RWC为植被叶片含水量; d(VI)/d(RWC)表示植被叶片相对含水量与植被水分指数相关性最好, 所建立回归模型的一阶导数, RMSE为均方根误差。 NE值的大小表明着该指数对含水量的敏感性的大小。

通过计算变量投影重要性指标VIP(文中表示为V_VIP)来分析各植被指数对植被含水量预测模型的贡献。

VVIPj=p∑h=1mRd(Y, th)whj2∑h=1mRd(Y, th)(5)

式中, VVIPj为第j个自变量的指标投影重要性; p为自变量数量; m为基于PLSR的成分提取数目; t_h代表第h个成分(h=1, 2, 3, …, m); R_d(Y, t_h)为成分t_h对因变量Y的诠释能力; whj是轴w_h的第j个向量, 来计算x_j对组成成分t_h的边缘贡献率, w_h为矩阵 Xh-1TY_h-1 Yh-1TX_h-1的特征向量^[22]。

植被含水量的最大值为80.69%, 最低31%, 均值为60.59%, 说明存在显著性差异。 35个植被采样点根据聚类分析中欧氏距离方法将植被叶片相对含水量划分为三个等级如表2: 其中70.76%~80.69%为高(High-H)含水量; 53.27%~70.76%为中等(Medium-M)含水量; 31%~53.27%为低等(Low-L)含水量。

表2

Table 2

表2(Table 2)

表2 叶片相对含水量等级划分表 Table 2 Table of leaf relative water content High Medium Low RWC/% 70.76~80.9 53.27~70.76 31.00~53.27

表2 叶片相对含水量等级划分表 Table 2 Table of leaf relative water content

根据植被含水量等级划分表, 选取三条不同含水量植被的光谱曲线进行分析如图2所示。 其中波长在380~600 nm之间植被含水量越高, 反射率越高; 含水量中等的光谱曲线最低。 说明在此范围内影响光谱曲线高低的主要因子不是含水量。 当波长780~1 300 nm左右, 中等含水量的光谱曲线最高, 低等含水量反之。 波长在1 350~2 500 nm区间内, 高等含水量的光谱反射率> 中等含水量> 低等级含水量; 即植被叶片相对含水量越高反射率越低, 表明植被水分吸收带位于1 350~2 500 nm范围之间, 植被叶片含水量越高, 光谱吸收的能力越强, 则光谱曲线越低。 而在380~1 300 nm范围内没有相似的规律, 说明此波长范围内影响光谱变化的不只是含水量一个要素。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同植被叶片相对含水量的光谱曲线Fig.2 Spectra of leaves with different relative water contents

基于光谱指数和PLSR模型的VIP方法计算分析, 结果显示在不同的光谱指数应用中各指数在估算植被叶片含水量的重要性。 使用VIP方法进行光谱指数重要性评估时, 当波段VIP值大于1.0时, 说明该指数对估算植被叶片含水量具有重要的作用; 当指数的VIP值在0.5~1.0之间时, 说明该指数的预测重要性需要进一步研究, 这需要通过增加样本或根据其他条件进行判断; 当VIP值小于0.5时, 说明该指数不是预测植被叶片含水量的指数。 一般认为, 大于0.8的VIP值是预测植被叶片含水量的重要指数。 图3可以看出, 不同植被水分指数的VIP值差异不显著, 所选植被水分指数的VIP值都大于1, 说明作者所选指数在估算植被叶片含水量具有重要的作用, 其指数的估算能力相差不明显。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 基于不同植被指数的相对含水量估算指数的VIP重要性(红线代表VIP=0.8)Fig.3 The VIP values for estimating relative water content of reeds based on different vegetation spectral indices

然后对不同指数分别进行线性、 二次和三次函数拟合。 通过曲线拟合, 得出二次方程和三次方程是最适合的回归模型。 图4是根据变量投影重要性(VIP)超过大于0.8的8种现有植被指数与植被叶片含水量建立回归函数, 其中MSI, GVMI与植被含水量的非线性三次方程拟合最佳决定系数R²为0.657 5, GVMI决定系数为0.674 2; NDWI_{1 640}与植被含水量的非线性二次函数拟合次之, 决定系数R²为0.659 4。 线性回归函数总体上决定系数差别不明显, 其中WI建立的线性回归函数决定系数最高(R²=0.637 3)。 其次是NDWI_{1 200}建立的线性函数(R²=0.6293), NMDI建立的线性函数的决定系数最差(R²=0.606 6)。 WI, SRWI, NDWI_{1 200}, NDWI_{1 240}, NDWI_{1 640}, NMDI, GVMI与植被含水量呈正关系。 从图中可知WI指数的散点比MSI指数散点较为紧密, 但拟合方程MSI的决定系数大于WI的决定系数, 说明曲线拟合方法影响了决定系数的大小。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 叶片相对含水量与植被指数的关系Fig.4 Relationship between leaf relative water content and vegetation index

离散点的集中度反映模型精度的高低。 从图4中可知MSI与植被相对含水量之间的三次函数模型, 低等级的含水量样点分布较为分散, 而WI指数模型的低等级的含水量样点分布较为集中, 说明了影响MSI指数模型精度的是低等级样点的植被含水量。 NDWI_{1 200}, NDWI_{1 240}和NDWI_{1 640}决定系数依次增大, 从图4可知其中NDWI_{1 200}中等级含水量的样点偏离拟合曲线的点数最多, NDWI_{1 640}偏离拟合曲线的点数最少; 说明影响其精度差的是中等级的植被含水量样点。

根据Viñ a等的方法来检测植被水分指数的估算能力, 图5为八个植被水分指数的敏感性分析。 由图5(b)所示MSI在含水量30%~45%之间, 具有最低的NE值, 当植被含水量在45%~90%之间, GVMI的NE值最小。 说明植被含水量在30%~45%区间内, MSI指数最敏感, 45%~90%范围内, GVMI指数最敏感。 GNMI相关系数R²=0.674 2比MSI的相关系数R²=0.657 5大, 在含水量在30%~45%范围内MSI指数的NE值低于GVMI的NE值, 决定系数大说明在某个区间内具有较良好的估算能力, 在估算含水量时效果较好。 SRWI和NDWI_{1 200}的决定系数相差不大(R²=0.623 3和R²=0.629 3), 但NDWI_{1 200}指数的NE值低于SRWI指数的NE值, 这说明NE值与相关系数R有一定的响应关系。 NDWI_{1 240} 指数和NDWI_{1 640}指数NE值起伏较大, 其中NDWI_{1 640}指数NE值在含水量约35%~90%呈下降趋势, 说明模型估算能力趋于平稳, 综合比较所选植被水分指数, 不同的植被水分指数估算的能力稳定性不同。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 植被指数估算相对含水量的敏感性分析Fig.5 Noise equivalent of relative water content by spectral indices

根据已知植被含水量基于模型对高、 中、 低三个等级的植被叶片含水量进行误差分析。 由图6可知, 植被叶片高等级相对含水量占了28.33%, 中等级植被叶片含水量占40%, 低等级植被叶片含水量占31.67%。 而所选的植被水分指数GVMI和MSI估算的植被叶片相对含水量与实测的植被叶片相对含水量所占百分比相近, 其中GVMI估算的含水量比例和原始含水量均一致。 其次MSI指数对植被叶片低等级含水量所占百分比相一致均为31.67%, 说明GVMI适用于此研究区植被含水量的反演, 而MSI适用于该研究区低水平的植被叶片含水量。 误差相对较大的SRWI和NDWI_{1 200}指数估算的结果, 中等级所占百分比均超过50%误差在10%以上, 叶片高和低等级含水量估算结果整体偏小, 表明这四种植被指数适宜估算中等水平的含水量。 最后, NDWI_{1 240}和NDWI_{1 640}针对植被叶片高等级含水量估算的结果一致, 误差均在0~5%以内说明结果较为可靠。 也同时说明了NDWI_{1 240}和NDWI_{1 640}对含水量较高的植被有相同的估算能力。 综上所述, 不同的指数对不同水平含水量的植被估算相差较为明显。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 不同植被指数估算误差分析Fig.6 Estimation error analysis by different vegetation index