论文部分内容阅读
高寒草地牧草生化信息的高效、精确获取是草地资源可持续利用和草地畜牧业科学发展的基础。传统化学分析方法获取牧草生化参量费时费力、成本巨大,多光谱遥感受有限的光谱通道及不连续宽波段的制约,通常局限于草地生物物理指标的宏观研究。高光谱遥感技术的快速发展及其在植被生化参数监测方面的普遍应用,为高寒草地牧草关键营养成分和重要生长参数的估测提供了新的契机和挑战。本研究以青藏高原东缘高寒草地作为研究对象,以连续多年草地野外观测试验为依托,综合运用高光谱遥感、数理统计分析及机器学习建模等技术手段,分析了不同生育期牧草冠层光谱的变化特征,实现了牧草生长发育所需氮(N)、磷(P)营养成分和生长状况重要评价指标碳氮比(C:N)、氮磷比(N:P)的遥感估测。旨在改进牧草生化参数的高光谱遥感监测方法,为研究区草地资源的合理利用以及草畜营养平衡研究提供一定的理论依据。主要研究结果如下:(1)牧草在营养生长阶段(青草期至盛草期),冠层光谱反射率在可见光区域逐渐降低,在近红外(near infrared,NIR)区域显著增加;随着牧草逐渐枯黄(盛草期至枯黄期),冠层光谱在可见光区域反射增强,在NIR区域反射降低;当牧草完全枯黄时,冠层光谱反射率近似于土壤的光谱曲线,表现为在350~1350 nm区域缓慢升高,无明显的吸收或反射特征。整体上,随着牧草生育期的推进(6-11月),红边区域内红边位置首先向长波方向移动,而后向短波方向移动,红边幅值逐渐减小;红光区域内吸收深度逐渐减小,吸收位置变化不大。(2)光谱变量对不同生育期牧草N含量估测的适用性存在差异,构建的牧草生长和繁殖时期的N含量反演模型的估测精度(R~2介于0.58~0.68之间)优于牧草枯黄时期(R~2=0.23)。在植被指数、吸收波段、红边参数和吸收特征组成的38个光谱变量中,一些对叶绿素和N比较敏感的光谱变量(如NDNI、VOG、PRI、SIPI和REP等)在牧草的营养生长和生殖生长阶段对N含量估测起重要作用,SAVI、OSAVI、BDR和NBDI在牧草枯黄阶段对N含量的估测有很大贡献。(3)高光谱波段与地形地貌、土壤、植被、气象等因子相结合,可以提高高寒草地生态系统中牧草P含量的估测精度。一阶导数(first derivative,FD)和去包络线光谱相较于原始光谱可以提取更多的P敏感波段,这些波段主要位于NIR和短波近红外(shortwave infrared,SWIR)区域。与牧草P含量呈极显著相关(R≥0.196,P<0.01)的因子有经度、海拔、月平均温度、表层土壤沙粒含量、粘粒含量和沙粒粘粒比,其中经度和月平均温度对牧草P含量的估测较为重要。FD光谱的重要波段结合支持向量机(support vector machine,SVM)算法构建的最优牧草P含量反演模型(R~2=0.67,RMSE=0.0472%),可以解释高寒草地P含量变化的88%。(4)已知的蛋白质、叶绿素、N及含碳化合物的特征吸收波段(KBs)在估测牧草C:N方面具有很好的表现(R~2介于0.70~0.80之间);提取于草地冠层光谱中红光和红边区域的重要波段(IBs)对牧草C:N比估测具有显著的贡献(R~2介于0.77~0.80)。相较于单独使用IBs和KBs构建的牧草P含量估测模型,二者的组合(CBs)可以提高牧草C:N的估测精度(R~2可提高0.01~0.02),进一步对CBs进行优化可以避免模型出现饱和效应。最优牧草C:N反演模型呈现出了理想的估测精度(R~2=0.82,RMSE=5.5308),可以解释不同生育期(5-11月)牧草C:N变化的85%~92%。(5)利用Sentinel-2 MSI光谱波段和植被指数估测牧草N:P是切实可行的。在盛草期,对N:P估测比较敏感的波段主要分布在NIR和SWIR区域,NDII和RECI2对N:P估测有较大的贡献;在枯草期,除NIR和SWIR区域的光谱波段对N:P估测有一定贡献之外,一些位于红光和红边区域的波段也对牧草N:P估测有显著的影响,NDWI、RECI2、NDRE1和NDRE2是对N:P估测较为重要的前4个植被指数。在草地盛草期(7月)和枯草期(11月),相较于单独使用优化的光谱波段或植被指数构建的N:P模型的估测精度,将二者组合之后的N:P模型的估测精度(R~2)分别为0.49和0.59,提高了0.06和0.04。