img

官方微信

遥感技术与应用, 2019, 34(4): 839-846 doi: 10.11873/j.issn.1004-0323.2019.4.0839

基于灰色系统理论的植被物理参数与极化分解参数的关联分析

以鄱阳湖湿地为例

李春江,1,2, 沈国状,2, 张继超1

1. 辽宁工程技术大学 测绘与地理科学学院,辽宁 阜新 123000

2. 中国科学院遥感与数字地球研究所 数字地球重点实验室,北京 100094

Correlation Analysis of Vegetation Physical Parameters and Polari-zation Decomposition Parameters based on Grey System Theory:A Case Study in Poyang Lake Wetland

Li Chunjiang,1,2, Shen Guozhuang,2, Zhang Jichao1

1. School of Geomatics, Liaoning Technology University, Fuxin 123000, China

2. Key Laboratory of Digital Earth, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China

通讯作者: 沈国状(1980-),男,河北秦皇岛人,博士,副研究员,主要从事雷达遥感方面的研究。E-mail:shengz@radi.ac.cn

收稿日期: 2018-05-08   修回日期: 2018-08-11   网络出版日期: 2019-09-19

基金资助: 国家自然科学基金青年项目.  41401483
国家自然科学基金重大项目.  41590852

Received: 2018-05-08   Revised: 2018-08-11   Online: 2019-09-19

作者简介 About authors

李春江(1994-),男,内蒙古赤峰人,硕士研究生,主要从事微波遥感反演研究E-mail:2215190526@qq.com , E-mail:2215190526@qq.com

摘要

结合灰色系统理论,基于3期(2013、2015和2016年)鄱阳湖湿地植被物理参数数据和RADARSAT-2极化SAR影像数据,分别建立植被生物量、极化分解分量与鄱阳湖植被物理参数的关系模型,并分析不同植被物理参数对生物量积累的贡献和对极化分解分量的影响。结果表明:在植被生长旺盛初期阶段到旺盛稳定阶段,对植被生物量积累贡献较大的主要是植株参数和下垫面参数,对极化分解分量影响较大的主要是下垫面参数和茎秆参数,并根据各阶段较大关联度数据合理地分析和确定了野外采样参数。

关键词: 灰色关联 ; 极化SAR ; 极化分解 ; 鄱阳湖 ; 湿地植被 ; 物理参数 ; 生物量

Abstract

Based on the Grey System Theory, combing the three periods (2013, 2015, and 2016) of the RADARSAT-2 Polarimetric SAR (PolSAR) data and the vegetation physical parameters data collected from Poyang Lake wetland, we established the relationship model for the vegetation physical parameters with vegetation biomass and the polarization decomposition components, respectively. We analyzed the contribution of different vegetation physical parameters to biomass accumulation and their influence on polarization decomposition components. The results show that from the vegetation growing faster to slower stage, the plant parameters and underlying surface parameters are the main factors that contribute to the vegetation biomass accumulation. The main effective factors for the polarization decomposition components are the land surface parameters and the stem parameters.The parameters of field sampling are analyzed and determined based on the larger correlation degree data at each stage.

Keywords: Grey correlation ; Polarimetric SAR ; Polarization decomposition ; Poyang lake ; Wetland vegetation ; Physical parameters ; Biomass

PDF (3603KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李春江, 沈国状, 张继超. 基于灰色系统理论的植被物理参数与极化分解参数的关联分析. 遥感技术与应用[J], 2019, 34(4): 839-846 doi:10.11873/j.issn.1004-0323.2019.4.0839

Li Chunjiang, Shen Guozhuang, Zhang Jichao. Correlation Analysis of Vegetation Physical Parameters and Polari-zation Decomposition Parameters based on Grey System Theory:A Case Study in Poyang Lake Wetland. Remote Sensing Technology and Application[J], 2019, 34(4): 839-846 doi:10.11873/j.issn.1004-0323.2019.4.0839

1 引 言

湿地植被生物量是湿地生态系统吸收碳能力的一种评价指标,因此湿地生态系统影响着全球的气候变化[1]。湿地生态系统中的主要植被为湿生植被,通过系统中湿生植被的生物量来衡量系统的生产力就成为一种有效手段[2]。区域植被生物量的大小直接反映植被的生长状况和区域生态健康程度,同时还是区域植被生长繁殖过程中的一个重要生理参数。

地上生物量的变化主要取决于植被的生长变化,在鄱阳湖湿地研究区,主要以灰化苔草为主。灰化苔草植被生长周期较短,茎秆、叶片等物理参数变化较快,在不同阶段对生物量的贡献不同。何池全[3]、杨永兴等[4]和于旭光[5]在湿地植被的变化研究中都指出生物量的变化和植被物理参数的变化有着紧密的关系。研究生物量与影响因素之间关系的方法很多,主要利用统计分析理论方法,其中包括回归分析法[6,7]和主成分分析法[8,9],还有一些因受环境因素[10,11,12,13]、气候因素[14,15,16]、物理化学性质[17,18,19,20]等各方面影响的限制,不能有效区分影响因子对生物量累积作用贡献的大小。以上统计方法主要适用于影响因子较少且关系简单的情况,对于影响因子较多、关系复杂的数据则难以取得较好的结果。灰色关联分析法是在灰色关联理论指导下,根据参数序列曲线几何形状的相似度来分析参数紧密度的方法,可以根据相似度来判定参数与参数间的关系[21]。灰色关联以其对数据接受性较强、处理数据间关系较完备的特点,广泛应用于经济、农业、生态和教育等领域。

综合考虑灰色关联法对多影响因子、复杂数据关系分析的优势,本研究借助灰色关联法,以鄱阳湖湿地处于旺盛阶段的植被的物理参数数据和Radarsat-2极化SAR数据为主体,分别建立物理参数与生物量和极化分解分量的关联模型并进行分析,根据模型计算结果得到其与生物量以及极化分解分量的关联度,进而揭示植被物理参数对生物量积累的贡献能力;根据其与极化分解分量的关系,还能确定植被与雷达信号的作用过程。本文旨在通过建立生物量-植被物理参数-极化分解分量之间的关系模型,综合确定影响生物量积累的主要参数,为确定生物量反演模型简化方法提供新的思路,深化极化SAR数据在湿地植被物理参数(LAI等)、生物量反演中的应用。

2 研究区及数据

2.1 研究区概况

鄱阳湖地处长江中下游南岸,江西省北部,与南昌、九江、上饶市相邻。上承赣、抚、信、饶、修五河之水,通常水位约15 m,湖区南北长约173 km,东西最宽为74 km[22]。正常水位情况下,湖区宽阔,湖水面积达3 914 km2,容积可达到300亿m3。鄱阳湖属于亚热带潮湿的季风气候,是一个吞吐性、过水性、季节性、易变性湖泊,独特的易变性使得鄱阳湖湿地生态系统不同于其他湿地系统,由于湖区蓄水量的变化使之在陆地系统和湖泊系统之间交替变化。湖区植被类型众多,其中灰化苔草植被是湿地中分布最广、覆盖度最大的植被类型,覆盖度一般为60%~95%[23,24,25,26]。影像范围内灰化苔草覆盖度高达95%,因此选取灰化苔草植被作为鄱阳湖的研究目标具有一定的可靠性和科学性。

灰化苔草为根茎丛生草本植物,生长于近水处,茎秆纤细,叶片呈线状。生长周期约为80 d,按季节可分为春草和秋草两种,春草2月开始发芽,生长到5月份,进入5月鄱阳湖丰水期时,水面逐渐上升,渐渐淹没植被,导致植被进入休眠期或者死亡;秋草9月开始萌发新芽并生长至12月份,湖水上涨时枯萎。春草在3月下旬进入高速生长期,在4月中旬达到顶峰,同时生物量的积累也在4月初达到了最大值[5]。根据采样时间和实地情况可以判断2016年采样时间为旺盛初期,2015年为从旺盛初期到旺盛稳定的过渡期,2013年则约为旺盛稳定期。

2.2 数据获取

本研究数据包括极化SAR影像数据和野外实地采样数据。雷达影像数据为Radarsat-2全极化单视复(Single-Look Complex,SLC)数据,工作波段为C波段,包括HH、HV、VH、VV四极化,获取日期分别为2013年4月7日、2015年4月4日和2016年3月19日,影像的处理与信息的提取工作主要利用PolSARpro软件完成。野外数据采集与影像获取同步进行,采集时间分别为2013年4月6日~9日、2015年4月3日~8日、2016年3月18日~22日,每期各采集18组实验数据。同时野外采样期间遵循如下4条采样原则:①植被大面积存在,且分布均匀,具有一定的代表性;②样区没有外界人为因素的破坏;③能保证通过步行或者驾车到达;④能保证采样时的安全[2]。结合湿地实际情况,并保证采集数据的真实合理性,每个采样点选定0.5 m见方的区域并开展样本采集工作。在采样点区域内选定3个有代表性的位置测定土壤含水量,并把这3个位置确认为三个独立小组,每小组取3株灰化苔草进行详细采样[27]。采集包括植被的株高、叶片长度、宽度、厚度、茎秆高度和茎叶夹角等一系列物理参数并记录周围情况,对每小组的三株数据进行均值处理后,再对范围内的3个采样点位数据进行均值处理,即得到该范围数据的代表值,最后将植被从根部剪下并标号,称重即得到植被湿重(鲜重),同时使用GARMIN GPS60导航仪记录采样点坐标。收集整理好的样本放入烤箱杀青后,设定温度为100 ℃ 烘干12小时至恒重状态,得到植被干重,即植被(地上)生物量。

3 研究方法

通过研究鄱阳湖湿地植被物理参数与生物量和Radarsat-2影像极化分解分量之间的关联性来进行分析。对于植被生物量数据,分析植被物理参数与生物量的关联性,并以关联度作为评判依据分析植被物理参数对生物量积累的贡献;对于Radarsat-2影像数据,分析影像Freeman-Durden极化分解分量与植被物理参数的关联性,根据关联度确定植被物理参数与雷达信号的作用机制,深入分析植被结构对雷达信号的影响,联合植被物理参数与生物量的关联度共同确定对生物量积累影响较大的参数。

3.1 灰色关联理论

灰色关联即基于灰色关联度矩阵的系统分析方法,即目标参数和比较参数个数均不唯一时,无法判别相互之间关系,就需要根据关联矩阵中比较参数对目标参数的关联度大小分析影响因素的主、次要作用。本研究以灰色系统理论为基础,依据灰色关联分析方法建立两部分模型,一部分为生物量与植被物理参数的关联分析模型,另一部分为植被物理参数与影像极化分解分量的关联分析模型。具体实现过程如下:

(1)选取目标序列X0(k)和比较序列Xi(k),第一部分目标序列为生物量参数,比较序列为植被物理参数;第二部分目标序列为植被物理参数,比较序列为影像极化分解分量。

(2)归一化数据:使用标准差法,对目标序列和比较序列进行无量纲处理,便于对数据进行比较分析。

(3)对目标序列与比较序列之间的关联系数进行计算。

εi(k)=minimink|X0(k)-Xi(k)|+ρmaximaxk|X0(k)-Xi(k)|X0(k)-Xi(k)|+ρmaximaxk|X0(k)-Xi(k)

其中:εi(k)为目标序列与比较序列的关联系数,其中ρ为分辨系数,ρ=0.5。

(4)关联度即在关联系数的基础上取均值,则有:

γi=1nk=1nεi(k)

其中:γi表示关联度,n表示比较参数的数量。

3.2 植被物理参数整合

野外采集的数据包括植被密度、植被含水量、土壤含水量、茎秆层高度、茎秆长度、茎秆直径、叶片长度、叶片厚度、叶片宽度、茎叶夹角、叶片数和植株密度共计12个植被物理参数,以及1个生物量参数。为提高数据分析效率和可信度,将数据按类型进行分类,植被含水量作为植被的介质参数,土壤含水量作为植被下垫面参数,植被密度、叶片数以及茎叶夹角作为植株参数。其余参数进行组合计算,植被高度、茎秆直径和茎秆层高度以及茎秆长度经植被高度×(茎秆直径/2)²×π组合为茎秆体积作为茎秆参数,其中π取3.14。叶片的长度、宽度、厚度则经叶长×叶宽×叶厚×参数h组合为叶片体积作为叶片参数。参数h与植被叶片形状有关[5]。参数h取值范围为0.5~1,叶片形状越接近矩形则参数越接近1,反之越接近三角形则趋于0.5。研究区灰化苔草叶片修长呈长扁椭圆形,经实际数据计算其叶片长宽比约为7.0,确定参数h=0.75进行后续计算分析。12个物理参数经过整合减少为7个,其中2016年由于植被处于旺盛初期,茎叶夹角较小,经过探讨论证,对研究结果影响较小,所以未采集。

3.3 Freeman-Durden极化分解

全极化影像数据包含地物的各种反射能量信息,通过极化分解的方法可以根据地物的不同散射机制,快速有效的提取出地物结构等信息[28]。针对目标分布情况,极化分解分为相干分解和非相干分解[29]。研究区内目标地物分布广泛且均匀,故采用非相干目标分解方法Freeman-Durden目标极化分解方法。Freeman-Durden分解是基于实际的物理散射模型进行分解,通过分解可以获得三种散射分量:单次散射分量、二次散射分量和体散射分量[30]

使用PolSARpro软件在预处理后的影像上进行极化分解,可得到三种散射分量,分别为单次散射分量Freeman-Odd、二次散射分量Freeman-Dbl和体散射分量Freeman-Vol。经过地理编码处理后3期数据展示如图1所示,其中RGB三通道分别为二次散射分量、体散射分量和单次散射分量。

图1

图1   研究区极化分解及采样点位图

Fig.1   Map of study area sampling plots and polarization decomposition


根据采样点坐标提取相应极化分解分量能量值,绘制了各期极化分解分量能量值的散点图,如图2所示。

图2

图2   极化分解分量能量值散点图

Fig.2   Scatter plots of the polarization decomposition components energy value


由散点图可发现3期极化分解分量能量值总体有逐渐增大趋势。每期数据中有体散射分量能量值与单次散射分量能量值较为接近,与二次散射分量能量值相差较大;按照年比较则有2015年和2016年各散射能量值大小相近,2013年的能量值最小。统计各期采样点散射分量能量值的均值和方差如表1所示。

表1   极化分解分量能量值均值

Table 1  Average of polarization decomposition components energy

时间二次散射体散射单次散射
均值/方差均值/方差均值/方差
2013.04.070.01/0.010.08/0.020.02/0.02
2015.04.040.03/0.040.16/0.070.08/0.06
2016.03.190.01/0.010.20/0.090.16/0.14

新窗口打开| 下载CSV


表1中数据对比可见,从2016年至2013年,即植被是相对于从植被旺盛初期到旺盛稳定期,主要散射分量的能量值在逐渐减小,植被生长状态趋于稳定,高度和密度接近饱和,所以差异性较小,散射分量方差也因此变小。2015年与2013年采样时间接近,2015年与2013年能量值之间的差异比2016年与2015年之间的差异大,由于植被高度和密度变化导致发生二次散射的情况较多,所以2015年处于过渡期的植被二次散射分量能量值相比其他两期较大,由散射分量能量值的差异引起的散射分量方差与均值有相同的变化趋势。整体来看,植被覆盖度较高,散射以体散射为主,且越接近生长阶段后期,方差越小,表明散射分量能量值越相近。3期数据的散射分量关系为体散射分量>单次散射分量>二次散射分量[31,32]

3.4 后向散射系数提取

为了较好地分析植被结构对雷达信号的影响,根据野外测量点位坐标提取各期影像数据的后向散射系数(σHH、σHV、σVV),绘制后向散射系数散点图,如图3所示。

图3

图3   极化后向散射系数散点图

Fig.3   Scatter plots of the polarization backscattering coefficient


综合3期数据的散点图发现后向散射系数随着时间的增加逐渐变大,且2015年和2016年数值整体相近。统计各期18组后向散射系数的均值和方差如表2所示。

表2   极化后向散射系数均值

Table 2  Average of polarization backscattering coefficient

时间VVHVHH
均值/方差均值/方差均值/方差
2013.04.07-17.93/2.78-22.56/2.19-15.19/1.84
2015.04.04-13.93/2.28-19.65/2.22-11.44/2.88
2016.03.19-12.58/2.33-19.25/2.38-10.21/3.34

新窗口打开| 下载CSV


根据表中数据纵向比较发现:2016年为植被生长旺盛初期,植被高度较旺盛过渡期较矮,茎叶夹角也小,冠层对电磁波衰减作用较小,后向散射系数较大;2015年植被处于生长过渡阶段,生长茂盛,叶片密度逐渐增大,后向散射系数相比旺盛稳定期较大;2013年植被处于生长旺盛稳定期,植被生长完全、叶片层茂盛,冠层衰减作用较大,导致后向散射系数较小;由于后向散射系数明显的差异性导致方差较大。随着植被生长缓慢并趋于稳定,方差逐渐减小,但2013年植被后向散射系数受环境影响,后向散射系数大小跨度较大,因此方差相比于2015年有所增加。横向比较发现同时期数据有σHHVVHV,由于VV极化雷达信号受植被冠层影响而产生的衰减较HH极化更为严重,所以有σHHVV[33]。茎秆与水表面组合构成二面体使信号发生二次反射,导致σHV更小[34]。接近成熟期的植被,随着水面的上升,生长变得缓慢,茎秆干物质含量逐渐下降,挺水能力减弱。受风和水的波动影响,植被容易出现弯曲倒伏等情况,导致雷达后向散射系数有所降低[35]

4 结果与分析

4.1 生物量与植被物理参数的关联分析

以生物量作为目标参数,植被物理参数作为比较参数进行关联分析,根据关联度数值发现2013年与植被生物量关联度值最大的是叶片参数为0.75,最小的是植被含水量,为0.69;2015年与植被生物量的关联度值最大的是土壤含水量参数为0.83,最小的是叶片数参数,为0.74;2016年与植被生物量的关联度值最大的是植被密度参数为0.75,最小的是植被含水量参数为0.66。将所有的物理参数与生物量的关联度进行比较,得到关联度顺序如表3所示。

表3   物理参数与生物量关联度顺序(降序)

Table 3  Ordination of grey correlation between physical parameters and biomass(descending)

采集时间采样环境生长阶段关联度顺序
2013.04.06~09有出穗、直立旺盛稳定期叶片参数>植株密度>叶片数>茎秆参数>土壤含水量>茎叶夹角>植被含水量
2015.04.03~08倒伏、芦苇遮挡过渡期土壤含水量>茎叶夹角>茎秆参数>叶片参数>植被含水量>植株密度>叶片数
2016.03.18~22烧过、倒伏旺盛初期植株密度>叶片数>茎秆参数>叶片参数>土壤含水量>植被含水量

新窗口打开| 下载CSV


综合来看,在植被旺盛阶段的不同时期,灰化苔草植被的物理参数对生物量的贡献不同。由植被生长变化阶段分析即从2016至2013年的顺序进行分析。

旺盛初期阶段,植株参数与生物量的关联度较大,植株参数代表着植被基本状态,也是此时生物量积累的主要影响因素,其次茎秆和叶片参数作为植被的主体物质,并没有发挥主要作用,所以也不是生物量积累的最主要因素,下垫面参数和植被介质参数此时影响不大。

过渡期阶段,植株参数基本稳定,下垫面参数是最直接促进植被生长的物质基础,为植被进行光合呼吸作用提供能量,也带动了植被茎秆和叶片的增长扩大,所以此时土壤含水量对生物量积累的影响最大,其次是被下垫面参数带动的植被茎秆、叶片参数等,最后是植株参数。

进入旺盛稳定期,植被生长增速,渐进成熟的植被叶片是生物量的主要影响因素,其次是稳定的植株参数,此时土壤含水量进一步增加,对部分植被的根茎产生负作用,导致生物量出现衰退缩减的现象,相对于植被本身的茎秆、叶片参数,下垫面参数和介质参数对生物量影响相对较小。

4.2 植被物理参数与极化分解分量的关联分析

以植被物理参数为目标序列,Freeman-Durden极化分解得到的3个分量作为比较序列进行关联分析,在第一部分生物量-植被物理参数模型的程序中修改并增加比较参数与每一个目标参数进行关联分析的命令,即得到极化分解分量与每一个植被物理参数的关联度,关联度矩阵如表4所示。

表4   物理参数与极化分解分量关联度矩阵

Table 4  Matrix of grey correlation between physical parameters and polarization decomposition components

物理参数2013年2015年2016年
Freeman-DblFreeman-VolFreeman-OddFreeman-DblFreeman-VolFreeman-OddFreeman-DblFreeman-VolFreeman-Odd
植株密度0.700.610.710.720.680.720.720.640.67
植被含水量0.640.660.650.700.680.710.740.660.76
土壤含水量0.660.700.670.770.760.710.730.770.74
茎秆参数0.740.710.720.780.750.730.720.680.68
叶片参数0.730.670.710.770.730.700.710.690.69
叶片数0.680.700.730.690.690.690.670.700.66
茎叶夹角0.700.670.730.680.750.63

新窗口打开| 下载CSV


综合比较3期关联度数据,列出与极化分解分量关联度最大的前两个植被物理参数,如表5所示。

表5   与极化分解分量最大关联参数 polarization decomposition components

Table 5  The maximum correlation parameter with polarization decomposition components

时间Freeman-DblFreeman-VolFreeman-Odd
2013年

茎秆参数

叶片参数

茎秆参数

叶片数

叶片数

茎叶夹角

2015年

茎秆参数

叶片参数

土壤含水量

茎叶夹角

茎秆参数

植被密度

2016年

植被含水量

土壤含水量

土壤含水量

叶片数

植被含水量

土壤含水量

新窗口打开| 下载CSV


按植被生长变化进程进行分析即从2016年至2013年顺序,2016年采样时植被生长约60天,属于旺盛初期,下垫面参数和植被介质参数是决定植被后期生长情况的主要因素,也是使散射发生变化的主要参数,因此在该时期散射分量与植被介质参数和下垫面参数关联度较大;2015年采样时植被生长约70天,植株进一步增长变化,植被叶片扩展,植被冠层分布均匀且覆盖度增大,含水量较高的土壤与坚挺的植株构成二面角反射体,为二次散射和单次散射的发生铺设了条件,所以二次散射和单次散射与茎秆参数有较大关联度。同时进入植被冠层的信号由于冠层遮挡以及下垫面参数的作用发生多次散射,所以体散射与下垫面参数的关联度较大;2013年采样时植被生长近75 d,植被渐渐成熟且有出穗情况,密集的冠层对信号衰减作用增大,信号主要与植被冠层和茎秆发生作用,所以此时与散射分量关联度最大的主要为茎秆参数和叶片数参数。

表5中,每期数据的第二行表示与相应散射分量具有第二大关联度的参数,从整体变化发现,在2016年影像各散射分量与土壤含水量参数关联度较大,由于植被生长旺盛初期,植被高度较低,雷达信号穿透冠层后与植被下垫面作用情况较多;

在2015年仅体散射分量与土壤含水量的关联度较大,其余散射分量与植被茎秆参数和植株参数关联度较大,由于植被处于旺盛过渡期,植被覆盖度增大,冠层高度增加,雷达信号受植被影响较为严重,与下垫面参数作用较少;2013年植被处于旺盛稳定期,土壤含水量较大且接近饱和,植被高度也进一步增加,由于植被对雷达信号的衰减作用,导致雷达信号与下垫面参数作用机会较少,所以后向散射系数受下垫面参数影响较小,各散射分量与植被茎秆参数和植株参数关联度较大。

由此可知,由于植被结构形态的增长变化对雷达信号有不同程度的衰减作用,所以影像信息能反映植被密度和高度等结构的差异,通过极化分解获得的极化分解分量与植被物理参数建立的关联分析能表现出不同阶段植被各结构对信号的影响程度,通过关联度数据能更好地选择出反映植被结构状态的散射分量,对针对不同时期模拟生物量反演模型有一定的贡献。

5 结 语

在植被生长旺盛阶段的不同时期,植被物理参数对生物量积累的贡献不一致,且对影像极化分解分量的影响也具有一定的差异。

(1)在植被旺盛阶段的植被物理参数对生物量积累的影响不同。在植被生长旺盛初期阶段,植被差异性较小,植株参数是决定生物量大小的主要因素;在过渡期阶段,植被生长变化较快,下垫面参数为主要影响参数;旺盛稳定阶段,植被生长缓慢甚至出现停止以至于衰退的情况,此时叶片参数是生物量的主要影响因素。

(2)从旺盛初期到旺盛稳定期,对极化分解分量影响最大的参数主要由植被介质参数和下垫面参数转向植被茎秆参数和植株参数。其中在旺盛初期,植被相对较低,对散射分量影响较大的主要为植被介质参数和下垫面参数;过渡期阶段,植被冠层密度增大,茎秆参数和下垫面参数是散射分量的主要影响因素;旺盛稳定阶段,植被较高且密集,对信号衰减较为严重,植被茎秆参数和植株参数是散射分量的主要影响因素。

(3)由各阶段关联度数据可以确定相应阶段反演生物量过程中的主要影响参数,从而明确野外采样参数。在植被旺盛初期阶段采集数据应在注重采集植株参数的同时着重采集土壤含水量数据,同时要采集植株的重量以获得植被含水量数据;在植被旺盛过渡期,需以茎秆和叶片参数为主,植株参数和下垫面参数为辅;在旺盛稳定期,采样则以植被茎秆、叶片和植株参数为主,这一环节对野外采样工作具有一定的指导意义。研究区植被分布均匀且密度较大,所以植被覆盖区域体散射占优,二次散射为辅,为了更有效地反演生物量,还应在模型改进过程中增加影像极化分解分量,以通过增加对植被散射情况的精准刻画方式来提高生物量的反演精度。

本文研究结果符合植被生长变化的规律,已有的研究成果[3,4,5]充分佐证了本文结论的科学性和可靠性。本文取得的成果可以为植被生物量参数研究提供坚实的基础,同时也可以作为湿地植被反演模型进一步优化和数据采集机制改进的基础材料,更是丰富鄱阳湖植被物理参数方面的研究,还可以为拓宽以植被物理参数为基础的生物量反演领域提供科学思路。

参考文献

Li Wei , Mu Meng , Chen Guanbin , et al .

Research on Remote Sensing Inversion of Suaeda Salsa's Biomass based on TSAVI for OLI Band Simulation

[J].Spectroscopy and Spectral Analysis, 201636(5):1418-1422.

[本文引用: 1]

李微, 牟蒙, 陈官滨, .

基于TSAVI的OLI模拟数据翅碱蓬生物量反演研究

[J]. 光谱学与光谱分析, 201636(5):1418-1422.

[本文引用: 1]

Shen Guozhuang , Liao Jingjuan , Guo Huadong ,et al .

Retrieval of Biomass in Poyang Lake Wetland from Envisat ASAR Data

[J].Chinese High Technology Letters,2009,19(6):644-649.

[本文引用: 2]

沈国状, 廖静娟, 郭华东, .

基于Envisat ASAR数据的鄱阳湖湿地生物量反演研究

[J]. 高技术通讯, 200919(6):644-649.

[本文引用: 2]

He Chiquan .

The Biological Process of Carex Lasiocarpa Wetland in Sanjiang Plain: I.The Growing Law of Aboveground Biomass

[J].Grassland of China, 200123(4):12-17.

[本文引用: 2]

何池全 .

三江平原毛果苔草湿地生物过程——Ⅰ.种群地上生物量的增长规律

[J]. 中国草地,200123(4):12-17.

[本文引用: 2]

Yang Yongxing , Wang Shiyan , He Tairong , al et ,

Study on Plant Biomass and Its Seasonal Dynamics of Typical Wetland Ecosystem in the Sanjiang Plain

[J]. Grassland of China, 200224(1):2-8.

[本文引用: 2]

杨永兴, 王世岩, 何太蓉, .

三江平原典型湿地生态系统生物量及其季节动态研究

[J]. 中国草地, 200224(1):2-8.

[本文引用: 2]

Yu Xuguang .

Study on Ecological Processes of Carex CineraScens Kukenth in the Wetland of Poyang Lake

[D]. Nanchang: Jiangxi Normal University, 2010.

[本文引用: 4]

于旭光 .

鄱阳湖灰化苔草湿地生态过程研究

[D].南昌: 江西师范大学, 2010.

[本文引用: 4]

Zhang Yanlei , Kang Fengfeng , Han Hairong ,et al .

Analysis on Influence Factors of Undergrowth Vegetation Biomass in Pinus Tabulae from is Plantation in Mount Taiyue

[J].Journal of Central South University of Forestry& Technology, 201535(1):104-108.

[本文引用: 1]

张彦雷, 康峰峰, 韩海荣, .

太岳山油松人工林林下植被生物量影响因子分析

[J]. 中南林业科技大学学报, 201535(1):104-108.

[本文引用: 1]

Fu Gang , Zhou Yuting , Shen Zhenxi , et al .

Relationships between Aboveground Biomass and Climate Factors on Alpine Meadow in Northern Tibet

[J].Chinese Journal of Grassland, 201133(4):31-36.

[本文引用: 1]

付刚, 周宇庭, 沈振西, .

藏北高原高寒草甸地上生物量与气候因子的关系

[J]. 中国草地学报, 201133(4):31-36.

[本文引用: 1]

Yang Cunjian , Liu Jiyuan , Huang He ,et al .

Correlation Analysis of the Biomass of the Tropical Forest Vegetation, Meteorological Data and Topographical Data

[J].Geographical Research,200524(3):473-479.

[本文引用: 1]

杨存建, 刘纪远, 黄河, .

热带森林植被生物量与遥感地学数据之间的相关性分析

[J]. 地理研究, 200524(3):473-479.

[本文引用: 1]

Liu Jianquan , Li Jinjun , Hao Hu ,et al .

Analysis on Biomass and Carbon Storage of Picea crassifolia Forest in Qilian Mountains and Its Influence Factors

[J]. Modern Agricultural Science and Technology,2017(12):140-143.

[本文引用: 1]

刘建泉, 李进军, 郝虎, .

祁连山青海云杉林生物量与碳储量及其影响因素分析

[J]. 现代农业科技,2017(12):140-143.

[本文引用: 1]

Yang Yuanhe , Rao Sheng , Hu Huifeng ,et al .

Plant Species Richness of Alpine Grasslands in Relation to Environmental Factors and Biomass on the Tibetan Plateau

[J]. Biodiversity Science, 200412(1):200-205.

[本文引用: 1]

杨元合, 饶胜, 胡会峰, .

青藏高原高寒草地植物物种丰富度及其与环境因子和生物量的关系

[J]. 生物多样性, 200412(1):200-205.

[本文引用: 1]

Wang Gang , Feng Yonglin , Zhang Jianshe , et al .

Analysis on Biomass of Different Vegetation Types and Impact Factors —A Case Study in Beichuan Nature Reserve

[J].Forest Resources Management, 2014(4):62-66.

[本文引用: 1]

王刚, 冯永林, 张建设, .

不同植被类型生物量与影响因子分析—以北川自然保护区为例

[J]. 林业资源管理, 2014(4):62-66.

[本文引用: 1]

Ning N , Yang Y , Hong J , et al .

Correlation between Grain Quality of Foxtail Millet (Setaria Italica [L.] P. Beauv.) and Environmental Factors on Multivariate Statistical Analysis

[J].Chilean Journal of Agricultural Research, 2017, 77(4): 303-310.

[本文引用: 1]

Pan W , Zheng P , Liang Y , et al .

The Influence of Key Environmental Variables on Phytoplankton Community Structure in the Estuary of Tidal Rivers Around Luoyuan Bay, China

[J]. Journal of Ocean University of China, 2017, 16(5):803-813.

[本文引用: 1]

Gai Ping , Bao Zhijuan , Zhang Jiejun , et al .

The Grey Analysis of Effects of Enviorment Factors on Aboveground Biomass of Phragm ites Communis

[J].Journal of Northeast Normal University(Natural Science Edition),2002,34(3):87-91.

[本文引用: 1]

盖平, 鲍智娟, 张结军, .

环境因素对芦苇地上部生物量影响的灰色分析

[J]. 东北师大学报(自然科学版), 2002,34(3):87-91.

[本文引用: 1]

Zhang Linhai , Zeng Congsheng , Tong Chuan .

Grey Connection Analysis on Biomass and Soil Environmental Factors of Dominant Plants in the Wetlands of Minjiang River Estuary

[J].Journal of Capital Normal University(Natural Science Edition), 2010,31(4):88-93.

[本文引用: 1]

张林海, 曾从盛, 仝川 .

闽江河口湿地优势植物生物量与土壤因子灰色关联分析

[J]. 首都师范大学学报(自然科学版),2010,31(4):88-93.

[本文引用: 1]

Li Xiruo , Zhang Jun , Zhang Caiqin .

Gray Correl Ationadvantage Analysis of the Meteorological Factors on the Growth Characteritics of Leymus Chinensis in Inner Mongolia

[J]. Journal of Inner Mongolia Agricultural University ( Natural Science Edition), 2015(6):161-166.

[本文引用: 1]

李茜若, 张军, 张彩琴, .

气象因子对内蒙古羊草生长特性影响的灰色关联优势分析

[J]. 内蒙古农业大学学报(自然科学版), 2015(6):161-166.

[本文引用: 1]

Duan Xiaonan , Wang Xiaoke , Ouyang Zhiyun , et al .

The Biomass of Phragmites Australis and Its Influencing Factors in Wuliansuhai

[J]. Chinese Journal of Plant Ecology,2004,28(2):246-251.

[本文引用: 1]

段晓男, 王效科, 欧阳志云, .

乌梁素海野生芦苇群落生物量及影响因子分析

[J]. 植物生态学报, 2004,28(2):246-251.

[本文引用: 1]

Orozco Aceves M , Tibbett M , Standish R J .

Correlation between Soil Development and Native Plant Growth in Forest Restoration after Surface Mining

[J]. Ecological Engineering, 2017, 106:209-218.

[本文引用: 1]

Liu W , Sun Z , Qu J , et al .

Correlation between Root Respiration and the Levels of Biomass and Glycyrrhizic Acid in Glycyrrhiza Uralensis

[J]. Experimental & Therapeutic Medicine, 2017, 14(3):2323-2328.

[本文引用: 1]

Xu Xiumei , Chen Jiaxi , Chai Fangying , et al .

Distribution of Phytoplankton in Waters and Comprehensive Evaluation of Water Quality in Duobukuer Nature Reserve

[J].Wetland Science,2017,15(3):457-463.

[本文引用: 1]

许秀梅, 陈佳喜, 柴方营, .

多布库尔自然保护区水体浮游植物分布及水质综合评价

[J]. 湿地科学,2017, 15(3):457-463.

[本文引用: 1]

Liu Sifeng .

Grey System Theory and Application

[M]. Beijing:Science Press,2010.

[本文引用: 1]

刘思峰 .

灰色系统理论及其应用

[M]. 北京:科学出版社, 2010.

[本文引用: 1]

Cui Lijuan , Zhao Xinsheng .

Researches on the Emergy Analysis of Poyanghu Wetland

[J]. Acta Ecologica Sinica, 2004(7):1480-1485.

[本文引用: 1]

崔丽娟, 赵欣胜 .

鄱阳湖湿地生态能值分析研究

[J]. 生态学报, 2004(7):1480-1485.

[本文引用: 1]

Ge Gang , Zhao Anna , Zhong Yiyong ,et al .

Patterns of Dominant Populations of Plants in Islets of Poyang Lake

[J].Wetland Science, 2011,9(1):19-25.

[本文引用: 1]

葛刚, 赵安娜, 钟义勇, .

鄱阳湖洲滩优势植物种群的分布格局

[J]. 湿地科学, 2011.9(1):19-25.

[本文引用: 1]

Zhang Lili , Yin Junxian , Jiang Yunzhong ,et al .

Relationship between Hydrological Conditions and Vegetation Communities in Poyang Lake National Nature Reserve of China

[J]. Advances in Water Science,2012,23(6):768-775.

[本文引用: 1]

张丽丽, 殷峻暹, 蒋云钟, .

鄱阳湖自然保护区湿地植被群落与水文情势关系

[J]. 水科学进展,2012,23(6):768-775.

[本文引用: 1]

Xu Jiaxing , Xu Ligang , Jiang Jiahu ,et al .

Change of Vegetation Community Structure and the Relationship between It and Soil Nutrients in Typical Beaches in Poyang Lake Area

[J].Wetland Science, 2013,11(2):186-191.

[本文引用: 1]

许加星, 徐力刚, 姜加虎, .

鄱阳湖典型洲滩植物群落结构变化及其与土壤养分的关系

[J]. 湿地科学, 2013,11(2):186-191.

[本文引用: 1]

Li Jing .

Distribution Characteristics and Analysis of Typical plants in the Nanjishan Wetland

[D]. Xinyu:Nanchang Institute of Technology,2017.

[本文引用: 1]

李静 .

南矶山湿地典型植物分布特征及分析

[D]. 新余:南昌工程学院,2017.

[本文引用: 1]

Tao Xu .

A Coherent Microwave Scattering Model and Biomass Inversion for Poyang Lake Wetland Vegetation

[D].Beijing: University of Chinese Academy of Sciences,2016.

[本文引用: 1]

许涛 .

鄱阳湖湿地植被相干散射模型研究及生物量反演

[D]. 北京:中国科学院大学, 2016.

[本文引用: 1]

Yang Zhi .

Rice Phenology Estimation and Parameter Retrieval based on Polarimetric Synthetic Aperture Radar (SAR)

[D].Beijing:University of Chinese Academy of Sciences, 2017.

[本文引用: 1]

杨知 .

基于极化SAR的水稻物候期监测与参数反演研究

[D]. 北京:中国科学院大学, 2017.

[本文引用: 1]

Huynen J R .

Phenomenological Theory of Radar Targets

[J].Electromagn etic Scattering, 1978:653-712.

[本文引用: 1]

Freeman A , Durden S L .

A Three-component Scattering Model for Polarimetric SAR Data

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3):963-973.

[本文引用: 1]

Wang Qing , Zeng Qiming , Liao Jingjuan .

Extraction and Application of Polarimetric Characteristic Parameters based on Polarimetric Decomposition

[J]. Remote Sensing for Land & Resources, 2012,24(3):103-110.

[本文引用: 1]

王庆, 曾琪明, 廖静娟 .

基于极化分解的极化特征参数提取与应用

[J]. 国土资源遥感, 2012,24(3):103-110.

[本文引用: 1]

Cheng Xiaoguang .

Research of Model-based Polarimetric SAR Decomposition Constrained for Nonnegative Eigenvalues

[D].Wuhan:Wuhan University,2014.

[本文引用: 1]

程晓光 .

特征值非负约束下的基于模型的极化SAR分解研究

[D].武汉: 武汉大学, 2014.

[本文引用: 1]

Shen Shuanghe , Yang Shenbin , Tan Bingxiang , et al .

Analysis on Temporal Behaviour of Rice Backscatter based on Envisat ASA R Images

[J]. Transactions of the Chinese Society of Agricultural Engineering,2009,25(Sup.2):130-136.

[本文引用: 1]

申双和, 杨沈斌, 李秉柏, .

基于Envisat ASAR数据的水稻时域后向散射特征分析

[J]. 农业工程 学报, 2009,25(增刊2):130-136.

[本文引用: 1]

Shao Y , Fan X , Liu H , et al .

Rice Monitoring and Production Estimation Using Multitemporal Radarsat

[J]. Remote sensing of Environment, 2001, 76(3): 310-325..

[本文引用: 1]

Toan T L , Ribbes F , Wang L , et al .

Rice Crop Mapping and Monitoring Using ERS-1 Data based on Experiment and Modeling Results

[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997,35(1):41-56.

[本文引用: 1]

/