生物量遥感估测模型

在构建估测模型前，利用遥感图像提取遥感特征参数，分析各遥感参数与样点地上植被生物量的相关性，以相关系数较大且显著的遥感参数为自变量，以样点地上植被生物量为因变量，应用逐步回归方法建立植被生物量多元线性回归遥感估测模型，对比分析各回归模型的相对误差和决定系数，选择植被生物量最优估测模型。

采用ENVI4.7的Band Math模块计算2000年、2005年、2010年、2014年的银川平原湿地的植被指数、3个波段及复合波段的值，利用纹理分析中的灰度共生矩阵法提取8个纹理特征，利用主成分分析法提取3个主成分特征值。遥感因子计算完成后将图像导入到ARCGIS10.0中，利用空间分析模块中的提取数据ExtractMultiValues to Point工具，用样点的经纬度提取采样点的各遥感参数值。

通过分析遥感参数与样点地上生物量的相关关系，构建银川平原沼泽、河流、湖泊、人工四类湿地生物量多元逐步回归估测模型，然后构建地下生物量与地上生物量之间的线性关系，最后基于地上、地下生物量的关系构建银川平原湿地总生物量估测模型，利用调整的决定系数和相对误差为评价指标评价拟合效果，用野外同期采样的剩余数据对模型进行验证。

建立多元逐步回归模型的自变量有：遥感数据（OLI8 TM 3、4、5波段及复合波段值）、3个主成分（PC1、PC2、PC3）、相关的植被指数（NDVI、RVI、DVI、RDVI、MSAVI、SAVI、OSAVI）及其纹理特征值（ME、VA、EN、SK、HO、CON、DI、EN）共21个自变量。本研究采用2000年、2005年、2010年、2014年4期覆盖银川平原湿地的TM遥感影像及经过辐射定标和大气校正后的TM波段数据，计算7个植被指数，然后将波段数据进行主成分分析，生成PC1、PC2及PC3（3个主成分携带了原始光谱波段信息量的96.71%，其中PC1的方差贡献为78.2%）[110，125]。纹理特征信息采用灰度共生矩阵（Gray-Level Co-occurrence Matrix，GLCM）的纹理分析方法，提取第一主成分图像的8个纹理测度，窗口大小取3×3。