²;验证RE分别为15.37、11.96、13.98、21.83、22.50%。冷蒿群落鲜草生物量建模R²分别为0.963、0.972、0.943、0.824、0.810;验证R²分别为0.980、0.974、0.974、0.885、0.822;验证RMSE分别为15.68、15.45、10.90、20.02、40.21g/m²;验证RE分别为10.00、9.52、13.34、19.03、25.72%。通过分析可知,基于不同群落草地类型建立的典型植物群落鲜草生物量估算模型,能够提高鄂尔多斯荒漠草原估产精度;并且在不同退化梯度下建立的典型植物群落鲜草生物量估算模型,估算精度和验证效果优于全范围内估算模型。（5）在不同退化梯度下和全范围内,分析典型植物植株冠层高光谱数据与植株含水率相关性,确定敏感光谱变量,采用单变量线性与非线性、逐步回归、BP神经网络建立和比较不同退化梯度下和全范围内典型植物植株含水率估算模型,确定了最优估算模型。（1）典型植物植株冠层光谱与植株含水率相关性最佳特征波段主要位于黄边位置,其次为红边位置。（2）狭叶锦鸡儿植株冠层光谱与植株含水率相关性最佳植被指数波段组合主要位于原始光谱和微分光谱的近红外波段,短花针茅植株、无芒隐子草植株和冷蒿植株则位于可见光波段。（3）不同退化梯度下和全范围内典型植物植株冠层高光谱特征参数与植株含水率的相关性变化较大。狭叶锦鸡儿和无芒隐子草植株含水率不适宜采用高光谱特征参数建立估算模型。（4）比较不同光谱变量、不同建模方法建立的不同退化梯度下和全范围内典型植物植株含水率估算模型可知,最优估算模型为基于植被指数建立的BP神经网络估算模型。狭叶锦鸡儿植株含水率建模R²分别为0.753、0.781、0.867、0.740、0.450;验证R²分别为0.876、0.612、0.850、0.676、0.437;验证RMSE分别为4.57、4.36、3.01、4.51、7.61%;验证RE分别为10.46、6.68、4.38、8.93、29.36%。短花针茅植株含水率建模R²分别为0.850、0.882、0.883、0.796、0.614;验证R²分别为0.843、0.846、0.878、0.815、0.736;验证RMSE分别为3.09、2.77、2.51、2.80、4.04%;验证RE分别为6.90、5.82、6.50、6.36、9.95%。无芒隐子草植株含水率建模R²分别为0.789、0.877、0.949、0.946、0.542;验证R²分别为0.827、0.816、0.966、0.976、0.690;验证RMSE分别为3.59、3.68、2.84、1.37、6.00%;验证RE分别为4.32、5.41、3.39、2.06、8.54%。冷蒿植株含水率建模R²分别为0.810、0.866、0.752、0.900、0.766;验证R²分别为0.927、0.842、0.960、0.935、0.802;验证RMSE分别为2.78、3.48、2.03、3.60、5.05%;验证RE分别为3.97、4.49、2.93、8.80、8.76%。综上所述,应用高光谱技术对鄂尔多斯荒漠草原不同退化梯度下和全范围内草地鲜草生物量、典型群落鲜草生物量和典型植物含水率建立基于植被指数BP神经网络最佳估算模型有效提高估算精度,为荒漠草原动态监测和退化防治提供理论依据和技术支持。

文章关键词:

论文分类号:S812

文章来源：《生物物理学报》 网址: http://www.swwlxb.cn/qikandaodu/2022/0130/762.html