黄河源区高寒草甸群落高度遥感模拟与评价

引用本文

殷建鹏, 高金龙, 冯琦胜, 葛静, 孟宝平, 杨淑霞, 梁天刚, 孟小平. 黄河源区高寒草甸群落高度遥感模拟与评价. 草业科学, 2018,35(4): 737-748
Yin Jian-peng, Gao Jin-long, Feng Qi-sheng, Ge Jing, Meng Bao-ping, Yang Shu-xia, Liang Tian-gang, Meng Xiao-ping. Simulation and evaluation of forage height in alpine meadow grassland in headwaters of the Yellow River. Pratacultural Science, 2018,35(4): 737-748. 复制到剪切板

Doi: 10.11829/j.issn.1001-0629.2017-0251
Permissions

《草业科学》编辑部

黄河源区高寒草甸群落高度遥感模拟与评价

殷建鹏^1,², 高金龙^1,², 冯琦胜^1,², 葛静^1,², 孟宝平^1,², 杨淑霞^1,², 梁天刚^1,², 孟小平³

1.草地农业生态系统国家重点实验室兰州大学草地农业科技学院,甘肃兰州 730020

2.农业部草牧业创新重点实验室,甘肃兰州 730020

3.陇西县马营滩小学,甘肃定西 748105

通讯作者:梁天刚(1967-),男,甘肃崇信人,教授,博导,博士,研究方向为草地遥感与地理信息系统。E-mail:[email protected]

第一作者:殷建鹏(1994-),男,甘肃张掖人,在读硕士生,研究方向为草地遥感与地理信息系统。E-mail:[email protected]

收稿日期: 2017-05-17 接受日期: 2017-09-04

资助项目: 国家自然科学基金(31702175、31372367、31672484); 长江学者和创新团队发展计划资助(IRT_17R50); 中央高校基本科研业务费(lzujbky-2016-186)

摘要

草层高度是反映草地生长状况的重要指标之一,与草地地上生物量的监测及载畜力的评估具有紧密联系。目前,对我国天然草地群落高度的监测尚缺乏精确的遥感方法。本研究以黄河源区高寒草甸为研究区,分别基于MODIS植被指数、冠层高度模型以及草地冠层高光谱反射率,构建了高寒草甸草地群落高度的估算模型,并对模型精度进行了评价。结果表明,1)12种MODIS植被指数中,NDVI对草层高度的变化最为敏感,其4种回归模型的 R²均较低,介于0.203~0.241,NDVI指数模型( y=0.789e^3.186 ^x,R²=0.241)的拟合效果最好,但反演误差较大(RMSE=4.2 cm,CVRMSE=45.7%);2)冠层高度模型在黄河源地区高寒草甸试验区的反演精度较低(RMSE=5.8 cm,CVRMSE=62.1%),实际应用误差较大;3)高寒草甸群落高度与519.4-583.17 nm波段之间的冠层光谱反射率存在显著负相关关系( P<0.05),基于光谱位置变量R'_510.59的线性模型( y=-156.375 x+20.384)相对最优( R²=0.489,RMSE=3.5 cm),较适合反演高寒草甸群落的草层高度。

关键词: 黄河源区; 群落高度; 植被指数; 冠层高度模型; 高光谱反射率

中图分类号:Q948.15 文献标志码:A 文章编号:1001-0629(2018)04-0737-12

Simulation and evaluation of forage height in alpine meadow grassland in headwaters of the Yellow River

Yin Jian-peng^1,², Gao Jin-long^1,², Feng Qi-sheng^1,², Ge Jing^1,², Meng Bao-ping^1,², Yang Shu-xia^1,², Liang Tian-gang^1,², Meng Xiao-ping³

1.State Key Laboratory of Grassland and Agro-ecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, Gansu, China

2.Key Laboratory of Grassland Livestock Industry Innovation, Ministry of Agriculture, Lanzhou 730020, Gansu, China

3.Primary school of Mayingtan, Dingxi 748105, Gansu, China

Corresponding author: Liang Tian-gang E-mail:[email protected]

Abstract

Canopy height in grassland is an important factor for reflecting growth status, and is closely related to monitoring of aboveground biomass and grazing capacity evaluation as well. Presently, accurate remote sensing methods for monitoring canopy height in natural grassland communities are still lacking. In this study, height estimation models based on MODIS vegetation indices, canopy height model, and grassland hyperspectral reflectance were established, and assessed in the source region of the Yellow River, individually. The results showed that: 1) NDVI was most sensitive to grassland canopy height in 12 MODIS vegetation indices. However, the R² values of four regression models derived from NDVI were low, which were 0.203~0.241. The NDVI exponential model ( y=0.789e^3.186 ^x,R²=0.241) had the best fitting effect; however, inversion error was greater (RMSE=4.2 cm, CVRMSE = 45.7%); 2) The accuracy of the canopy height model in alpine meadow was low (RMSE=5.8 cm, CVRMSE=62.1%); 3) There was a significant negative correlation between height of alpine meadow community and canopy spectral reflectance ranging within 519.4~583.17 nm band ( P<0.05). The linear model y=-156.375 x+20.384 ( R²=0.489, RMSE=3.5 cm) based on R'_510.59 was suitable for estimating the grassland canopy height in alpine meadows.

Key words: source region of the Yellow River; grassland canopy height; vegetation index; canopy height model; hyperspectral reflectance

文章图片

草层高度在草地资源管理中具有重要的作用, 其与生物量、载畜力、采食率、牧草净初级生产力、草地营养状况等有明显的相关性^[1]。传统的野外草地资源监测中对草层高度的调查大多以尺具测量为主, 该方法不仅耗时费力, 而且无法反映大范围的草地草层高度的时空分布及变化情况。近年来, 随着“ 3S” 技术的飞速发展, 特别是遥感技术具有多平台、多层次、多波段、多时相、短周期、低价格等特点^[2], 已逐步成为草地资源监测的重要方法, 可以在不同空间尺度上针对草地地上生物量、草地盖度及群落高度等生物物理指标进行动态监测^[3]。

在草层高度的遥感监测方面, 国内外学者已经从微波遥感、植被指数以及植被冠层光谱反射率等多方面进行了研究, 研究主要集中在面积较小、物种数目较少、群落结构简单以及地势比较平坦的栽培草地。例如, Hill等^[4]研究发现, 机载合成孔径雷达(synthetic aperture radar, SAR)C、L波段的反向散射与草层高度之间存在显著的相关关系, 并结合雷达影像制作了草层高度分布图。Small等^[5]利用GPS卫星波段的反射信号研究了信噪比(SNR)与植被季节性生长的关系, 结果证明GPS多波段信号对植被的高度十分敏感, 可以用来估测除森林之外的绝大多数植被类型的高度, 表明微波遥感在估测植被高度方面有一定的潜力。He等^[6]研究发现, 利用SPOT4卫星数据产品中改进土壤调节植被指数(adjusted transformed soil-adjusted vegetation index, ATSAVI)计算得到的草地叶面积指数(leaf area index, LAI)与草层高度有显著的线性相关关系(R²=0.58)。Buffet和Dger^[7]发现, 草地冠层光谱780与677 nm波段处的反射率之差与草层高度有一定相关性, 而Capolupo等^[8]研究牧草冠层反射率与草层高度的相关性后认为, 窄波段归一化红边指数(normalized difference red edge, NDRE)可以较好地反映草层高度的变化。随着科技的进步及牧草生产精细化管理的需求, 拥有更高分辨率、更高准确率的遥感新技术被应用到了牧草生产中。Kaizu等^[9]利用3D激光扫描仪测量草地冠层与地面的高度之差并估算草层高度, 发现估测值与实测值之间的相关系数达到0.62。Fricke等^[10]使用超声波距离传感器(altrasonic distance sensor, ADS)实现了混播栽培草地草层高度的高精度测量与地上生物量估产。Pittman^[11]比较了测距激光传感器与超声波距离传感器测量草层高度的精度, 发现前者的精度明显高于后者。

相较于栽培草地, 我国天然草地面积辽阔、物种组成复杂、地势高低起伏, 情况较为复杂。目前, 国内学者主要采用MODIS植被指数、冠层高光谱反射率等遥感方法对我国天然草地的盖度、营养水平以及地上生物量等指标进行监测^{[12, 13, 14, 15, 16]}, 只有少数学者对天然草地草层高度遥感监测方面进行过研究。Wang等^[17]利用机载激光雷达传感器(light detection and ranging, LiDAR)对呼伦贝尔草原的草层高度进行监测, 估测值与实测值的拟合系数达到0.583, 均方根误差(root mean square error, RMSE)达到4.9 cm。Chen等^[18]在利用地表能量平衡系统(surface energy balance systern, SEBS)模型估算青藏高原地区地表蒸散量时提出一种适用于大尺度非均匀地表、基于NDVI的植被冠层高度反演公式, 该公式估测天然草地草层高度的精度还有待进一步考证。由于我国天然草地的特殊性, 实现对天然草地草层高度的精确监测仍是一个巨大的挑战。

本研究以黄河源地区高寒草甸为研究对象, 通过分析MODIS植被指数和草地高光谱反射率数据与高寒草甸群落草层高度之间的相关关系, 重点研究探索:1)12种MODIS植被指数对草层高度变化的敏感程度, 分析研究区高寒草甸群落高度反演模型的适用性; 2)利用MOD09GA和野外观测数据, 验证基于SEBS研究提出的冠层高度模型是否适合反演高寒草甸群落的草层高度, 并对其精度进行评价; 3)分析高寒草甸群落高度与其冠层高光谱反射率之间的相关关系, 并筛选出典型光谱特征波段, 构建草层高度反演模型。以期实现对高寒草甸草层高度的准确监测, 为草地资源生长状况的综合评价提供科学依据。

1 材料与方法

1.1 研究区概况

黄河源区是三江源生态自然保护区的重要组成部分, 位于青海省东部, 覆盖果洛藏族自治州及周边玛多、称多等县的部分地区, 介于95° 30'-103° 30' E, 32° 05'-36° 30' N, 总面积约12.2万km^2[19]。黄河源区地处青藏高原东缘, 海拔变化差异较大, 介于2 568~6 264 m, 平均海拔4 217 m^[19]。黄河源区属高原山地气候, 年降水量在262.2~772.8 mm, 降水主要集中在6-9月, 占全年降水的75%~90%, 年均光照时数2 567.4 h^[20], 年平均气温-5.38~4.14 ℃。从我国的植被分区看, 黄河源区主要属于青藏高原高寒植被区, 主要植被类型有高寒草甸、高寒草原、沼泽等, 在局部高海拔地带分布有垫状植被和流石滩稀疏植被, 植被稀疏低矮^[21]。

在黄河源区东部贵南县、玛沁县、河南县及久治县典型高寒草甸区设立试验区(图1), 试验区高寒草甸植被群落主要以小嵩草(Kobresia pygmaea)、藏蒿草(K. tibetica)、矮嵩草(K. humilis)、线叶嵩草(K. capilifolia)和针茅(Stipa capillata)等为优势种。

	Figure Option View Download New Window
	图1 黄河源东部试验区样地分布图Fig. 1 Distribution of sampling sites in the eastern region of the Yellow River

1.2 数据来源及预处理

1.2.1 草地群落高度数据野外调查时间为2014年8月上旬和2015年8月上旬, 根据高寒草甸植被特征, 在试验区选择草地植被空间分布均一、有代表性的地段设置样地。其中, 2014年在贵南县设置样地10块, 玛沁县设置样地7块, 2015年在河南县设置样地2块, 久治县设置样地2块, 共设置样地21个, 大小为100 m× 100 m。在样地中选用9点法布设0.5 m× 0.5 m的样方, 记录草层高度、盖度等指标, 以9个样方的平均草层高度代表该样地的群落高度。

1.2.2 草地植被冠层高光谱反射率数据光谱数据的采集利用荷兰Avantes公司制造的AvaField-3便携式高光谱地物波谱仪, 其光谱范围为300-2 500 nm, 其中300-1100nm的光谱分辨率为1.4nm, 光谱采样间隔为0.6 nm; 1 100-2 500 nm的光谱分辨率为15 nm, 光谱采样间隔为6 nm。光谱采集尽量选择在少云或者无云、光照条件良好的时间段进行, 每块样地中选择9点法对角线处的5个样方进行高光谱数据采集, 采集参数设置时间为100 ms, 测量后及时进行白板校正, 每个样点重复测量10次。

使用Viewer 7.0软件对每个样点的多次重复测量值进行平均处理, 得到各样点的光谱反射率数据。由于光谱反射率存在一定的噪声, 通过Origin 9.0数据分析软件的Savitzky-Golay卷积平滑法(即S-G滤波)对光谱数据进行平滑滤波处理^[22], 经反复测试, 在滤波参数移动窗口宽度及多项式次数的优化上选择11和5, 这种方法可有效消除噪声, 提高信噪比, 但不会改变信号的形状。由于350-1 500和1 500-2 500 nm之间的光谱采样间隔不一致, 为保证数据的整齐度及后期的数据分析, 在Origin 9.0数据分析软件中采用Linear插值法, 插值后生成原始光谱曲线。为有效降低或消除土壤等背景对冠层光谱的影响^[23], 提高光谱数据的多重共线性, 突出地物的光谱吸收和反射特征, 在ENVI 5.0遥感图像处理软件中利用一阶微分插件及去包络线插件对原始光谱数据进行处理, 得到一阶微分光谱和去包络线光谱。

因为野外草地高光谱测量的不定性因素较多, 且高寒草地不同植被类型及其结构存在较大差异等原因, 1 100-2 500 nm之间的光谱数据出现了较大的噪声, 考虑到研究植被特征光谱常用波段大多分布在可见光和近红外区域, 故本研究使用350-1 100 nm波段范围内的反射率数据来研究对草层高度敏感的特征波段。

1.2.3 卫星遥感数据所用遥感数据为来自美国国家航空航天局(National Aeronautics and Space Administration, NASA)的地球观测系统数据及信息系统网站的MODIS地表反射率产品MOD09GA。该产品是逐日地表反射率值, 包含了MODIS 1-7通道的反射率数据, 已经对大气、气溶胶及薄卷云的影响进行了校正, 地面分辨率为500 m。本研究使用了2014年8月和2015年8月覆盖黄河源区的MOD09GA影像, 在全球正弦投影系统中的空间编号为h25v05和h26v05, 数据格式为EOS-HDF。

数据预处理过程如下:1)使用MODIS投影转换工具MRT(MODIS Reprojection Tool)软件, 对MOD09GA逐日地表反射率数据进行投影转换等处理, 将正弦曲线投影转换为Albers地图投影, 椭球体选用WGS84, 用最邻近法进行重采样, 最后输出的影像文件格式为GeoTIFF, 得到MOD09GA 1-7波段的逐日反射率数据; 2)在ArcGIS软件中分别计算NDVI、EVI、SAVI、MSAVI、OSAVI、SATVI和RVI, 以及B7/B2、B2-B7、B7/B5、B5/B7和(B5-B7)/(B5+B7)这12种植被指数的每日数据(表1), 利用最大值合成(MVC)方法, 合成2014年8月和2015年8月的月最大植被指数数据; 3)分别提取样地的植被指数值; 4)按照黄河源主要草地类型分别统计NDVI最大值和最小值等统计指标。

表1 植被指数计算公式 Table 1 Equations for seven vegetation indices

植被指数 Vegetation indices	计算公式 Equation	参考文献 Reference
归一化植被指数(NDVI) Normalized difference vegetation index	NDVI= $\begin{matrix} \frac{NIR - R}{NIR + R} \end{matrix}$	[24]
增强型植被指数(EVI) Enhanced vegetation index	EVI= $\begin{matrix} \frac{NIR - R}{NIR + C_{1} R - C_{2} B + L} \end{matrix}$ × 2.5	[25]
土壤调节植被指数(SAVI) Soil-adjusted vegetation index	SAVI= $\begin{matrix} \frac{NIR - R}{NIR + R + L} \end{matrix}$ (1+L)	[26]
改进土壤调节植被指数(MSAVI) Modified soil-adjusted vegetation index	MSAVI= $\begin{matrix} \frac{2 NIR + 1 - \sqrt[]{{(2 NIR + 1)}^{2} - 8 (NIR - R)}}{2} \end{matrix}$	[27]
优化土壤调节植被指数(OSAVI) Optimized soil-adjusted vegetation index	OSAVI= $\begin{matrix} \frac{NIR - R}{NIR + R + 0.16} \end{matrix}$	[28]
总体土壤调节植被指数(SATVI) Soil adjusted total vegetation index	SATVI= $\begin{matrix} \frac{SWI R_{1} - R}{SWI R_{1} + R + L} \end{matrix}$ × (1+L)- $\begin{matrix} \frac{SWI R_{2}}{2} \end{matrix}$	[29]
比值植被指数(RVI) Ratio vegetation index	RVI=SWIR₂/SWIR₁=B7/B6	[30]

NIR denotes the near-infrared band, and R denotes the red band. In the equation of EVI, C₁=6, C₂=7.5, and L=1; in the equations of SAVI and SATVI equations, L=0.5.

NIR, 近红外波段; R, 红外波段; SWIR₁, 短红外波段; SWIR₂, 中红外波段; 在EVI计算公式中, C₁=6, C₂=7.5, L=1; 在SAVI和SATVI计算公式中, L=0.5。

表1 植被指数计算公式 Table 1 Equations for seven vegetation indices

1.3 群落高度反演模型的构建及评价

1.3.1 植被指数反演模型将野外实测样地草层高度数据与MODIS植被指数数据进行配对后, 得到有效数据21组, 以每个样地对应的12种植被指数数值分别为自变量, 样地实测平均草层高度为因变量, 在SPSS软件中分别构建线性模型、指数模型、乘幂模型、对数模型, 并根据每种模型的决定系数(R²)对模型的精度进行评价, 确定对高寒草甸群落高度变化较为敏感的植被指数及相对最优反演模型。

1.3.2 冠层高度模型 Chen等^[18]提出的植被冠层高度反演公式如下:

HC=HC_min+ $\begin{matrix} \frac{H C_{\max} - H C_{\min}}{NDV I_{\max} - NDV I_{\min}} \end{matrix}$ × (NDVI-NDVI_min) (1)

式(1)中:HC为草层高度, HC_min和HC_max是实地测量草层高度中的最小值和最大值, NDVI_min和NDVI_max分别指高寒草甸试验区样地对应NDVI中的最小值和最大值。

1.3.3 光谱反射率反演模型分析原始光谱反射率、一阶微分反射率以及去包络线反射率与样地实测草层高度之间的相关关系, 并且通过相关系数检验确定显著性检验的临界值, 选取与草层高度显著相关的特征波段作为自变量, 以草层高度为因变量, 在SPSS软件中建立回归模型, 并对模型的精度进行评价, 从中选择估算高寒草甸草层高度的最优模型, 探索草地冠层光谱反射率与草层高度之间的内在规律。

1.3.4 不同草层高度估算模型的精度评价以均方根误差(RMSE)及平均平方根离差系数(CVRMSE)^[31]作为模型评价指标, 综合评价基于植被指数的反演模型、冠层高度模型及光谱反射率反演模型的精度, 从中选出适合黄河源高寒草甸的草层高度反演最优模型。其中, RMSE常被用来量化模型的精度^[9], RMSE越小, 估测值与实测值之间的相关系数r越接近1, 模型的精度越高。CVRMSE则是反映模型估测值分布情况的指标, 如果CVRMSE< 10%, 则表示模拟效果优良; 如果10%≤ CVRMSE< 20%, 则表明模拟效果好; 如果20%≤ CVRMSE< 30%, 则表明模拟效果一般; 如果CVRMSE≥ 30%, 则表明模拟效果差。另外, 将变异系数(CV)作为反映试验区21块样地观测值的变异程度。CV、RMSE及CVRMSE的计算公式如下:

CV= $\begin{matrix} \frac{SD}{M} \end{matrix}$ 。 (2)

RMSE= $\begin{matrix} \sqrt[]{\frac{\overset{n}{\sum_{i = 1}} (H_{i} - Y_{i})^{2}}{n}} \end{matrix}$ 。 (3)

CVRMSE= $\begin{matrix} \frac{RMSE}{\bar{H}} \end{matrix}$ × 100% 。 (4)

式(2)中:SD表示试验区样地NDVI和草层高度的标准差, M表示试验区样地NDVI和草层高度的平均值。式(3)中:H_i表示第i个样地的估测草层高度, Y_i表示第i个样地的实测草层高度, n为总样地数; 式(4)中: $\begin{matrix} \bar{H} \end{matrix}$ 为实测总体草层高度的平均值。

2 结果与分析

2.1 基于MODIS植被指数的草层高度估算

12种植被指数与黄河源区高寒草甸典型试验区草层高度的回归统计结果(表2)表明, 除NDVI之外, 其余11种植被指数的回归模型均未通过显著水平为0.05的F检验, 这表明, NDVI对高寒草甸的草层高度最为敏感, 基本上可以反映黄河源地区高寒草甸群落高度的时空变化状况。在NDVI构建的4种回归模型中, 指数模型的拟合决定系数(R²=0.241)明显高于乘幂模型(R²=0.221)、线性模型(R²=0.217)及对数模型(R²=0.203), 说明该模型对草层高度的估测能力相对较优。该模型的估测值与实测值之间的相关系数r达到0.51, RMSE仅为4.2 cm, CVRMSE为45.7%(表3), 估测精度一般。

表2 MODIS植被指数与草层高度的回归分析结果 Table 2 Results from regression analysis results of MODIS vegetation indices and grassland canopy height

表3 基于NDVI的草层高度最优模型的估计参数及估测精度 Table 3 Estimation parameters and accuracy of grassland canopy height optimal model derived from NDVI

2.2 基于冠层高度模型的草层高度估算

盛草期野外实地测量的21块高寒草甸样地的草层高度与相应NDVI的统计结果(表4)表明, 高寒草甸试验区草层高度的变异系数较大, 而NDVI的变异系数较小, 这表明不同样地之间的草层高度有较大的差异, 但各样地植被的长势较为均一。高寒草甸试验区NDVI_min和NDVI_max分别为0.526和0.871。

表4 试验区样地草层高度与相应的MODIS NDVI统计结果 Table 4 Statistical results of grassland canopy height and MODIS NDVI

将NDVI_min和NDVI_max代入冠层高度公式(1)中, 得到高寒草甸试验区草层高度的估测值, 估测样地草层高度与实测样地草层高度之间的相关系数仅为0.33, 冠层高度模型的RMSE达到5.8 cm。

2.3 基于草地冠层高光谱反射数据的草层高度估算

从黄河源区典型高寒草甸的原始光谱曲线(图2)可以看出, 高寒草甸的光谱反射曲线(350-1 100 nm)与健康植被波谱曲线特征相似, 可见光560和675 nm左右处形成明显的“ 绿峰” 和“ 红谷” , 这是由草地植被冠层中色素反射绿光及强烈吸收红光的特性所决定的。受到草地冠层叶片细胞结构的影响^[16], 700-800 nm间反射率急增, 形成一个陡坡; 在800-1 100 nm范围内, 植被光谱曲线的反射率高达20%~60%, 主要是光在叶片内部及叶片间的多次散射造成的^[32]。

	Figure Option View Download New Window
	图2 21块样地植被冠层(350-1 100 nm)光谱曲线Fig. 2 Vegetation canopy spectral curves (350-1 100 nm) of 21 sample plots

由高寒草甸草层高度与草地原始光谱、一阶微分光谱及去包络线光谱反射率之间的相关系数曲线(图3)可以看出, 在519.4-583.17 nm之间, 原始光谱反射率与草层高度之间呈现明显的负相关关系(P< 0.05), 在549.87 nm处相关性最高, 达到-0.59(P< 0.01)。一阶微分光谱反射率与群落高度的相关性高于原始光谱, 366.31 nm波段处的一阶微分反射率与草层高度呈显著正相关关系, 相关系数达0.64(P< 0.01), 510.59-511.18 nm波段之间的一阶微分光谱反射率与草层高度之间具有显著的负相关关系, 相关系数的绝对值均在0.6以上(P< 0.01), 510.59 nm波段的一阶微分光谱反射率与草层高度负相关系数最大, 达-0.69(P< 0.01)。775.34-775.91 nm波段范围的去包络线光谱反射率与草层高度的相关系数绝对值大于0.5(P< 0.05), 775.91 nm波段处的负相关系数最大, 达-0.54。

	Figure Option View Download New Window
	图3 高寒草甸原始光谱、一阶微分光谱、去包络线光谱与草层高度的相关系数Fig. 3 Correlation coefficient between the canopy height and original spectrum, and the first-order differential spectrum and continuum removed spectral reflectance curve in the alpine meadow

选取原始光谱、一阶微分光谱及去包络线光谱相关性曲线中相关系数|r|> 0.5的波段作为特征波段, 并构建光谱参量与草层高度进行回归分析(表5)。可以看出, 高寒草甸冠层高光谱反射率与群落高度之间的最优反演模型是“ 蓝边” 波段内以510.59 nm波段的一阶微分值为自变量的线性模型(y=-156.375x+20.384, R²=0.489), 其反演精度较高, RMSE为3.5 cm, 估测值与实测值相关系数r达到0.70(P< 0.01)。

表5 高光谱参量描述及草层高度估测模型 Table 5 Hyperspectral parameter description and estimation models

变量 Variable	光谱参量 Spectral parameter	参量描述 Parameter description	回归方程 Regression equation	R²
光谱位置变量 Spectrum location variable	R_549.87	549.87 nm处光谱反射率 Spectral reflectance at 549.87 nm	y=-2.064x+25.770	0.349^*
			y=-13.720lnx+37.612	0.301_*
			y=360.359x^-1.855	0.371^*
			y=73.448e^-0.280x	0.434^{* *}

	R'_366.31	366.31 nm处光谱反射率一阶微分值 First-order differential spectral reflectance at 366.31 nm	y=28.279x+10.490	0.408^{* *}
	R'_366.31		y=8.910e^2.680^x	0.258^*
	R'_510.59	510.59 nm处光谱反射率一阶微分值 First-order differential spectral reflectance in 510.59 nm	y=-156.375x+20.384	0.489^{* *}
			y=-9.907lnx-17.447	0.472^{* *}
			y=0.325x^-1.183	0.474^{* *}
			y=29.707e^-18.615^x	0.487^*

	BD_775.91	775.91 nm处去包络线光谱的波段深度 Band depth of continuum removed spectrum at 775.91 nm	y=997.904x+6.877	0.254^*
			y=6.006e^115.126^x	0.237^*
			y=6.009x^-114.6	0.237^*

植被指数变量 Spectrum area variable	[362.15, 549.87]	$\begin{matrix} \frac{R_{549.87} - R_{362.15}}{R_{362.15} + R_{549.87}} \end{matrix}$	y=-18.048x+18.153	0.232^*
			y=-3.192lnx+6.226	0.190^*
			=5.752x^-0.412	0.148
			y=21.321e^-2.012^x	0.202^*

	[673.14, 549.87]	$\begin{matrix} \frac{R_{549.87} - R_{673.14}}{R_{549.87} + R_{673.14}} \end{matrix}$	y=-6.365x+11.080	0.022
			y=-1.352lnx+7.450	0.018
			y=7.112x^-0.085	0.005
			y=8.971e^-0.417^x	0.007

* and * * indicate significantly correlation at 0.05 and 0.01 level, respectively; similarly for Table 6.

* 表示在0.05水平显著相关(P< 0.05), * * 表示在0.01水平显著相关(P< 0.01)。表6同。

表5 高光谱参量描述及草层高度估测模型 Table 5 Hyperspectral parameter description and estimation models

2.4 模型的精度比较与评价

本研究共采用3种方法对黄河源区高寒草甸群落的高度进行估测, 3种方法的估测精度不尽相同。从典型试验区(21个样地)的估测结果(表6)可以看出, 这3种模型的RMSE从大到小依次是冠层高度模型、NDVI指数模型、高光谱模型, 而估测值与实测值之间的相关系数r从大到小依次为高光谱模型、NDVI指数模型、冠层高度模型。

表6 典型试验区3种模型的估测精度 Table 6 Estimation accuracy of three models in typical study area

3种模型的估测效果(图4)显示, 模型的估测准确度从高到低依次为高光谱模型(R²=0.488 8)、NDVI指数模型(R²=0.258 4)、冠层高度模型(R²=0.109 9)。其中, 冠层高度模型的估测值大多数落在1:1直线上方(图4b), 说明该模型的估测值相较于真实值偏大; 而NDVI指数模型和高光谱模型的估测值均匀分布在1:1直线两侧(图4a和c); 综合考虑, 这3种模型的大多数估测值与1:1直线的偏离程度较大, 并且估测值的离散程度也较大, 而出现这种分布情况是因为这3种模型的CVRMSE均大于30%。尽管如此, 高光谱模型相较于NDVI指数模型和冠层高度模型有较低的CVRMSE(37.2%), 比后两种模型更适合反演高寒草甸群落的高度。

	Figure Option View Download New Window
	图4 NDVI指数模型(a)、冠层高度模型(b)及高光谱模型(c)的草层高度估测值与实测值的拟合结果Fig. 4 Results of fitting results of the grassland canopy height estimation and the measured values of NDVI exponential model (a), canopy height model (b) and hyperspectral model (c)

3 讨论与结论

在NDVI、EVI、SAVI、MSAVI、OSAVI、SATVI和RVI, 以及B7/B2、B2-B7、B7/B5、B5/B7和(B5-B7)/(B5+B7)这12种植被指数中, 仅有NDVI可以反映高寒草甸群落高度的变化情况。NDVI构建的4种模型(线性、指数、对数及乘幂)的决定系数(R²)均较低, 介于0.203~0.241, 其构建的指数模型y=0.789e^3.186^x相对最优, 但R²仅为0.241, RMSE达4.2 cm。该模型的反演精度与Liang等^[33]在青南牧区建立的基于EVI反演草层高度的乘幂模型相似(R²=0.249 6, RMSE=7.02 cm), 说明利用MODIS植被指数估测高寒草地群落高度的误差较大。而引起这些误差的主要原因在于MODIS植被指数与草层高度之间没有较为密切的联系。其次, 地面样方实测数据与卫星遥感数据的匹配性问题也是误差来源之一:1)时间上的匹配性问题。野外地面观测样点的调查是在8月初盛草期进行的, 由于光学卫星遥感数据受云层等天气状况的极大限制, 大多数地面样地的调查时间与卫星成像时间无法完全匹配, 最大值合成法计算的MODIS植被指数与样方调查时间也有差异。2)空间上的匹配问题。本研究中野外调查样地的面积较小, 为100 m× 100 m的样地, 与所用的500 m空间分辨率的MODIS产品有一定差异, 普遍存在混合像元情况, 因此基于MODIS植被指数的回归模型精度较差。

冠层高度模型在黄河源区高寒草甸试验区的适用性较差。本研究经过验证, 该模型估测高寒草甸草层高度的精度较低, 存在明显的高估现象, R²也仅为0.109 9, RMSE高达5.8 cm。导致此结果的主要原因可以归结为以下两个方面:首先, 该模型中变量NDVI的值易受MODIS混合像元因素的影响; 其次, NDVI_min和NDVI_max的取值也会影响估测的精度。本研究只评价了冠层高度模型在高寒草甸上的适用性, 该模型在其他草地类型上的适用性还需要进一步探索。

高寒草甸群落519.4~583.17 nm原始光谱反射率与草层高度之间呈现显著的负相关关系(|r|≥ 0.5, P< 0.05), 在549.87 nm处的相关性最高, 相关系数达到-0.59(P< 0.01)。选取多种光谱参量构建的回归模型之中, 以510.59 nm波段一阶微分值为自变量的线性模型y=-156.375x+20.384相对最优(R²=0.489, RMSE=3.5 cm), 估测值与实测值之间的相关系数r达到0.70, 精度较高。高寒草甸550 nm左右是“ 绿峰” 的形成区, 该波长范围内的植被冠层反射率对叶绿素含量比较敏感^[34]。在正常情况下, 植被在可见光波段的反射率主要受叶绿素的影响^[32], 植被群落在可见光波段范围内的反射率都小于裸地, 而在近红外波段及红外波段植被群落的反射率大于裸地^[35]。因此, 随着草地群落高度的降低, 冠层结构也会发生改变, 一般植被叶绿素含量会减少, 草地光谱在可见光波段范围内的反射率会变大, 逐渐接近纯裸地的反射率。这个结果与孙红等^[36]发现的冬小麦(Triticum aestivum)在特定的生长期冠层反射率与小麦高度呈反比的结论相似。本研究只分析了可见光及短波近红外波段的冠层光谱反射率与草层高度之间的相关关系, 其他波段冠层光谱反射率与草层高度之间的关系还需要进一步研究。

(责任编辑王芳)

The authors have declared that no competing interests exist.

参考文献

文献选项

[1]	安渊, 闫志坚. 利用草层高度管理大针茅草原的方法初探. 北京: 中国国际草业发展大会暨中国草原学会代表大, 2002. An Y, Yan Z J. *Research on the way of managing Stipa grand is* steppa applying sward height*. Beijing: China International Grass Industry Development Conference and China Grassland Society Congress*, 2002. (in Chinese) [本文引用:1]
[2]	张军. 多时相图像检测方法及其在毁伤评估系统中的应用. 上海: 上海交通大学硕士学位论文, 2008. Zhang J. Processing method of multi-temporal remote sensing images and the use in damage assessment. Master Thesis. Shanghai: Shanghai Jiao Tong University, 2008. (in Chinese) [本文引用:1]
[3]	Kallenbach R L. Describing the dynamic: Measuring and assessing the value of plants in the pasture. Crop Science, 2015, 55(6): 2531-2539. [本文引用:1]
[4]	Hill M J, Donald G E, Vickery P J. Relating radar backscatter to biophysical properties of temperate perennial grassland . Remote Sensing of Environment, 1999, 67(1): 15-31. [本文引用:1]
[5]	Small E E, Larson K M, Braun J J. Sensing vegetation growth with reflected GPS signals. Geophysical Research Letters, 2010, 37(12): 245-269. [本文引用:1]
[6]	He Y H, Guo X L, Wilmshurst J F. Reflectance measures of grassland biophysical structure. International Journal of Remote Sensing, 2009, 30(10): 2509-2519. [本文引用:1]
[7]	Buffet D, Oger R. Characterisation of grassland canopy using CASI-SASI hyperspectral imagery. Bruges, Belgium: CASI-SWIR 2002 Workshop-Belspo-STEREO Program, 2003. [本文引用:1]
[8]	Capolupo A, Kooistra L, Berendonk C, Boccia L, Suomalainen J. Estimating plant traits of grassland s from UAV-Acquired hyperspectral images: A comparison of statistical approaches. ISPRS International Journal of Geo-Information, 2015, 4(4): 2792-2820. [本文引用:1]
[9]	Kaizu Y, Jong M C, Kang T H. Grass height and yield estimation using a three-dimensional laser scanner. Environmental Control in Biology, 2012, 50(1): 41-51. [本文引用:2]
[10]	Fricke T, Richter F, Wachendorf M. Assessment of forage mass from grassland swards by height measurement using an ultrasonic sensor. Computers & Electronics in Agriculture, 2011, 9(2): 142-152. [本文引用:1]
[11]	Pittman J J. Height measurement and forage biomass estimation using laser and ultrasonic sensors from a mobile platform. Florida, USA: ASA, CSSA, & SSSA International Annual Meetings, 2013. [本文引用:1]
[12]	冯琦胜, 高新华, 黄晓东, 于惠, 梁天刚. 2001-2010年青藏高原草地生长状况遥感动态监测. 兰州大学学报(自然科学版), 2011, 47(4): 75-81. Feng Q S, Gao X H, Huang X D, Yu H, Liang T G. Remote sensing dynamic monitoring of grass growth in Qinghai-Tibet plateau from 2001 to 2010. Journal of Lanzhou University (Natural Sciences), 2011, 47(4): 75-81. (in Chinese) [本文引用:1]
[13]	李亚刚, 李文龙, 刘尚儒, 秦兰兰. 基于遥感技术的甘南牧区草地植被状况多年动态. 草业科学, 2015, 32(5): 675-685. Li Y G, Li W L, Liu S R, Qin L L. Grassland vegetation dynamics over the years based on remote sensing technology in Gannan pastoral area. Pratacultaral Science, 2015, 32(5): 675-685. (in Chinese) [本文引用:1]
[14]	陈佼, 张丽. 天山北坡草地盖度高光谱遥感估算. 草业科学, 2017, 34(1): 30-39. Chen J, Zhang L. Estimating grassland coverage based on hyperspectral remote sensing in the northern Tianshan Mountains. Pratacultaral Science, 2017, 34(1): 30-39. (in Chinese) [本文引用:1]
[15]	宋清洁, 崔霞, 张瑶瑶, 孟宝平, 高金龙, 向宇轩. 基于小型无人机与MODIS数据的草地植被覆盖度研究: 以甘南州为例. 草业科学, 2017, 34(1): 40-50. Song Q J, Cui X, Zhang Y Y, Meng B P, Gao J L, Xiang Y X. Grassland fractional vegetation cover analysis using small UVAs and MODIS: A case study in Gannan Prefecture. Pratacultaral Science, 2017, 34(1): 40-50. (in Chinese) [本文引用:1]
[16]	高金龙, 侯尧宸, 白彦福, 孟宝平, 杨淑霞, 胡远宁, 冯琦胜, 崔霞, 梁天刚. 基于高光谱数据的高寒草甸氮磷钾含量估测方法研究: 以青海省贵南县及玛沁县高寒草甸为例. 草业学报, 2016, 25(3): 9-21. Gao J L, Hou Y C, Bai Y F, Meng B P, Yang S X, Hu Y N, Feng Q S, Cui X, Liang T G. Methods for estimating nitrogen, phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties, Qinghai Province. Acta Prataculturae Sinica, 2016, 25(3): 9-21. (in Chinese) [本文引用:2]
[17]	Wang D L, Xin X P, Shao Q Q, Brolly M, Zhu Z L, Chen J. Modeling aboveground biomass in Hulunber grassland ecosystem by using unmanned aerial vehicle discrete lidar. Sensors, 2017, 17(1): 180. [本文引用:1]
[18]	Chen X L, Su Z B, Ma Y M, Yang K, Wen J, Zhang Y. An improvement of roughness height parameterization of the surface energy balance system (SEBS) over the Tibetan Plateau. Journal of Applied Meteorology & Climatology, 2013, 52(3): 607-622. [本文引用:2]
[19]	Chu H, Wei J, Li T, Jia K. Application of support vector regression for mid and long-term runoff forecasting in “Yellow River Headwater” region. Procedia Engineering, 2016, 154: 251-1257. [本文引用:2]
[20]	徐晓桃. 黄河源区NPP及植被水分利用效率时空特征分析. 兰州: 兰州大学硕士学位论文, 2007. Xu X T. Spatial and temporal analysis of net primary productivity and water use efficiency in Yellow River Source Region. Master Thesis. Lanzhou: Lanzhou University, 2007. (in Chinese) [本文引用:1]
[21]	林琳, 金会军, 罗栋梁, 吕兰芝, 何瑞霞. 黄河源区高寒植被主要特征初探. 冰川冻土, 2014, 36(1): 230-236. Lin L, Jin H J, Luo D L, Lyu L Z, He R X. Preliminary study on major features of alpine vegetation in the source area of the Yellow River (SAYR). Journal of Glaciology and Geocryology, 2014, 36(1): 230-236. (in Chinese) [本文引用:1]
[22]	刘树深, 易忠胜. 基础化学计量学. 北京: 科学出版社, 1999. Liu S S, Yi Z S. Basic Stoichiometry. Beijing: Science Press, 1999. (in Chinese) [本文引用:1]
[23]	Demetriades-Shah T H, Steven M D, Clark J A. High resolution derivative spectra in remote sensing. Remote Sensing of Environment, 1990, 33(1): 55-64. [本文引用:1]
[24]	Tucker C J, Justice C O, Prince S D. Monitoring the grassland s of the Sahel 1984-1985. International Journal of Remote Sensing, 1986, 7(11): 1571-1581. [本文引用:1]
[25]	Huete A, Justice C, Liu H. Development of vegetation and soil indices for MODIS-EOS. Remote Sensing of Environment, 1994, 49(3): 224-234. [本文引用:1]
[26]	Huete A R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 1988, 27(3): 295-309. [本文引用:1]
[27]	Qi J, Chehbouni A, Huete A R, Kerr Y H, Sorooshian S. A modified soil adjusted vegetation index. Remote Sensing of Environment, 1994, 48: 119-126. [本文引用:1]
[28]	Steven M D. The sensitivity of the OSAVI vegetation index to observational parameters. Remote Sensing of Environment, 1998, 63(1): 49-60. [本文引用:1]
[29]	Qi J, Watson M C, Goodrich D. Remote sensing for grassland management in thearid southwest. Rangeland Ecology & management, 2005, 59(5): 530-540. [本文引用:1]
[30]	Guerschman J P, Hill M J, Renzullo L J, Barrett D J, Marks A S, Botha M E. Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO-1 Hyperion and MODIS sensors. Remote Sensing of Environment, 2009, 113: 928-945. [本文引用:1]
[31]	梁天刚, 林慧龙, 冯琦胜. 草地综合顺序分类系统研究进展. 南京: 江苏凤凰科学技术出版社, 2015. Liang T G, Lin H L, Feng Q S. Nanjing: Advance in Grassland Comprehensive Sequential Classification System. Nanjing: Jiangsu Fenghuang Science & Technology Press, 2015. (in Chinese) [本文引用:1]
[32]	马文勇, 王训明. 基于高光谱分析的草地叶绿素含量估算研究进展. 地理科学进展, 2016, 35(1): 25-34. Ma W Y, Wang X M. Progress on grassland chlorophyll content estimation by hyperspectral analysis. Progress in Geography, 2016, 35(1): 25-34. (in Chinese) [本文引用:2]
[33]	Liang T G, Yang S X, Feng Q S, Liu B K, Zhang R P, Huang X D, Xie H J. Multi-factor modeling of above-ground biomass in alpine grassland : A case study in the Three-River Headwaters Region, China. Remote Sensing of Environment, 2016, 186: 164-172. [本文引用:1]
[34]	刘淼. 不同营养水平冬小麦长势高光谱遥感监测. 杨凌: 西北农林科技大学硕士学位论文, 2016. Liu M. Winter wheat growth monitoring using hyperspectral remote sensing under different nutrition levels. Master Thesis. Yangling: Northwest A & F University, 2016. (in Chinese) [本文引用:1]
[35]	娜日苏, 苏和, 格根图. 退化草甸草原近地面光谱特征初探. 安徽农业科学, 2009, 38(6): 164-167. Narisu, Suhe, Gegentu. Preliminary study on the near-ground spectral characteristic of the degraded meadow grassland . Journal of Anhui Agricultural Sciences, 2009, 38(6): 164-167. (in Chinese) [本文引用:1]
[36]	孙红, 李民赞, 赵勇, 张彦蛾, 王晓敏, 李修华. 冬小麦生长期光谱变化特征与叶绿素含量监测研究. 光谱学与光谱分析, 2010, 30(1): 192-196. Sun H, Li M Z, Zhao Y, Zhang Y E, Wang X M, Li X H. The dpectral vharacteristics and chlorophyll content at winter wheat growth stages. Spectroscopy and Spectral Analysis, 2010, 30(1): 192-196. (in Chinese) [本文引用:1]

2002

0.0

安渊, 闫志坚. 利用草层高度管理大针茅草原的方法初探. 北京: 中国国际草业发展大会暨中国草原学会代表大, 2002.

, Yan Z

. Research on the way of managing Stipa grand is steppa applying sward height. Beijing: China International Grass Industry Development Conference and China Grassland Society Congress, 2002. (in Chinese)

本文研究了不同放牧率下大针茅草地草层高度的变化规律,探讨了草层高度与草群净初级生长量、现存量、采食率,以及与大针茅净生长高度、粗蛋白质含量和酸性洗涤纤维含量等草地管理指标的相关性,并依据不同时期草层高度与上述指标的关系,确定大针茅草原适宜放牧率的草层高度即7月初到8月中旬为 20.9~22.7cm,8月中旬到9月下旬为17.5~19.6cm之间.

... 草层高度在草地资源管理中具有重要的作用,其与生物量、载畜力、采食率、牧草净初级生产力、草地营养状况等有明显的相关性^[1] ...

2008

0.0

张军. 多时相图像检测方法及其在毁伤评估系统中的应用. 上海: 上海交通大学硕士学位论文, 2008.

Zhang

. Processing method of multi-temporal remote sensing images and the use in damage assessment. Master Thesis. Shanghai: Shanghai Jiao Tong University, 2008. (in Chinese)

本文基于国防基础科研子课题:多源动态图像融合、系统评价及毁伤评估研究需求,重点开展多源多时相图像的变化检测研究,并以战场打击的多时相遥感图像为例,进行初步的毁伤评估研究。本文研究工作的主要目的是开发出有效快速的多时相遥感图像变化检测方法,并将之最终应用于毁伤评估体系中,即以计算机技术为手段,通过对不同时相遥感图像的处理,检测出图像中的各种几何目标特征,并针对感兴趣目标进行变化检测,从而达到毁伤评估的目的。遥感图像变化检测技术是遥感技术中最广泛最基本的应用之一,而将该技术应用于毁伤评估系统中,则是一个较新、发展较快的领域。本文作者通过对已有图像处理、变化检测算法的研究总结,经过对已有遥感图像的大量试验,所做的主要工作及主要创新有: 1.提出一种基于边缘增强的遥感图像检测技术,通过自行设定适当的矩阵算子对图像进行卷积锐化增强,再使用改进后的Sobel算子对图像进行边缘增强,从而达到检测出遥感图像中感兴趣区域特征的目的; 2.通过对已有图像纹理处理技术的研究总结,提出改进后的纹理处理方法,设定一组数学计算模型对图像进行运算处理,使图像中几何形状的边缘特征得到突出; 3.根据已有图像特性及毁伤评估的应用背景,在对已有变化检测技术研究总结的基础上,采用直接差图法,控制相应的变化检测阈值,对已处理的多时相遥感图像进行变化检测试验; 4.通过一定的判图标准,对变化检测结果进行初步的定量和定性毁伤评估分析。实际军事中应用的毁伤评估体系是一个非常复杂、全面的过程,它在针对性、实时性、有效性等方面都有着非常高的要求。经试验结果表明,本文中所提出的图像处理、变化检测技术,在上述各方面要求上,具备了在毁伤评估体系中的实用意义。

... 技术的飞速发展,特别是遥感技术具有多平台、多层次、多波段、多时相、短周期、低价格等特点^[2],已逐步成为草地资源监测的重要方法,可以在不同空间尺度上针对草地地上生物量、草地盖度及群落高度等生物物理指标进行动态监测^[3] ...

2015

0.0

1999

0.0

... 例如,Hill等^[4]研究发现,机载合成孔径雷达(synthetic aperture radar,SAR)C、L波段的反向散射与草层高度之间存在显著的相关关系,并结合雷达影像制作了草层高度分布图 ...

2010

0.0

... Small等^[5]利用GPS卫星波段的反射信号研究了信噪比(SNR)与植被季节性生长的关系,结果证明GPS多波段信号对植被的高度十分敏感,可以用来估测除森林之外的绝大多数植被类型的高度,表明微波遥感在估测植被高度方面有一定的潜力 ...

2009

0.0

... He等^[6]研究发现,利用SPOT4卫星数据产品中改进土壤调节植被指数(adjusted transformed soil-adjusted vegetation index,ATSAVI)计算得到的草地叶面积指数(leaf area index,LAI)与草层高度有显著的线性相关关系(R²=0 ...

2003

0.0

... Buffet和Dger^[7]发现,草地冠层光谱780与677 nm波段处的反射率之差与草层高度有一定相关性,而Capolupo等^[8]研究牧草冠层反射率与草层高度的相关性后认为,窄波段归一化红边指数(normalized difference red edge,NDRE)可以较好地反映草层高度的变化 ...

2015

0.0

2012

0.0

... Kaizu等^[9]利用3D激光扫描仪测量草地冠层与地面的高度之差并估算草层高度,发现估测值与实测值之间的相关系数达到0 ...

... 其中,RMSE常被用来量化模型的精度^[9],RMSE越小,估测值与实测值之间的相关系数r越接近1,模型的精度越高 ...

2011

0.0

... Fricke等^[10]使用超声波距离传感器(altrasonic distance sensor,ADS)实现了混播栽培草地草层高度的高精度测量与地上生物量估产 ...

2013

0.0

... Pittman^[11]比较了测距激光传感器与超声波距离传感器测量草层高度的精度,发现前者的精度明显高于后者 ...

2011

0.0

冯琦胜, 高新华, 黄晓东, 于惠, 梁天刚. 2001-2010年青藏高原草地生长状况遥感动态监测. 兰州大学学报(自然科学版), 2011, 47(4): 75-81.

Feng Q

, Gao X

, Huang X

, Yu

, Liang T

. Remote sensing dynamic monitoring of grass growth in Qinghai-Tibet plateau from 2001 to 2010. Journal of Lanzhou University (Natural Sciences), 2011, 47(4): 75-81. (in Chinese)

摘　要：基于1970个地面实测数据,结合MODIS EVI和NDVI数据,利用留一法交叉验证方法确定了适合青藏高原地区草地生长状况的遥感反演模型,估算了2001-2010年草地生物量干重空间分布格局,分析了近10年草地生物量变化动态.结果表明：青藏高原地区MODIS的NDVI较EVI能更好地估算草地生长状况,指数模型反演的草地鲜重和风干重精度最高,而盖度反演适合使用乘幂模型;确立了基于MODIS-NDVI的青藏高原地区草地鲜重、风干重和盖度反演模型;青藏高原地区2001-2010年草地地上生物量总体有增加趋势,但不显著;月际变化较大的草地类型主要有沼泽类、山地草甸类和高寒草甸类.

... 目前,国内学者主要采用MODIS植被指数、冠层高光谱反射率等遥感方法对我国天然草地的盖度、营养水平以及地上生物量等指标进行监测^{[12,13,14,15,16]},只有少数学者对天然草地草层高度遥感监测方面进行过研究 ...

2015

0.0

李亚刚, 李文龙, 刘尚儒, 秦兰兰. 基于遥感技术的甘南牧区草地植被状况多年动态. 草业科学, 2015, 32(5): 675-685.

Li Y

, Li W

, Liu S

, Qin L

. Grassland vegetation dynamics over the years based on remote sensing technology in Gannan pastoral area. Pratacultaral Science, 2015, 32(5): 675-685. (in Chinese)

2017

0.0

陈佼, 张丽. 天山北坡草地盖度高光谱遥感估算. 草业科学, 2017, 34(1): 30-39.

Chen

, Zhang

. Estimating grassland coverage based on hyperspectral remote sensing in the northern Tianshan Mountains. Pratacultaral Science, 2017, 34(1): 30-39. (in Chinese)

摘　要：以天山北坡乌鲁木齐县甘沟乡为研究区，利用美国SVCHR-768便携式光谱仪采集25块样方的高光谱数据，并测定对应样方中草地盖度，分析草地盖度与原始光谱、一阶微分光谱和高光谱特征变量之间的相关关系；采用回归统计的方法，基于高光谱位置变量、高光谱面积变量和高光谱植被指数变量构建草地盖度的估测模型，并进行模型精度评价。结果表明，研究区草地盖度与植被冠层光谱反射率相关性较强的波段范围为354—704、1420—148I和1904—2512nm；基于一阶微分光谱和高光谱植被指数构建的估测模型能更好地反演草地盖度。通过模型检验，确定基于560nm的光谱一阶微分模型y=-384．153x＋72．096可作为草地盖度的最优估测模型，模型均方根误差为7．344％，估算精度为90．343％。

2017

0.0

宋清洁, 崔霞, 张瑶瑶, 孟宝平, 高金龙, 向宇轩. 基于小型无人机与MODIS数据的草地植被覆盖度研究: 以甘南州为例. 草业科学, 2017, 34(1): 40-50.

Song Q

, Cui

, Zhang Y

, Meng B

, Gao J

, Xiang Y

. Grassland fractional vegetation cover analysis using small UVAs and MODIS: A case study in Gannan Prefecture. Pratacultaral Science, 2017, 34(1): 40-50. (in Chinese)

摘　要：以甘南州为研究区，采用Canon数码相机和小型无人机搭载相机在不同大小样方上获取草地植被覆盖度数码照片，结合2015年5月-10月的Terra／MODIS植被指数产品MOD13Q1，分析了增强型植被指数（EVI）和归一化植被指数（NDVI）与草地植被覆盖度之间的相关性，建立了研究区草地植被覆盖度的回归模型，并对模型进行了精度评价，筛选出甘南州草地植被覆盖度最优遥感反演模型，并对草地生长季时期覆盖度时空上的动态特征进行分析。结果表明，1）利用小型无人机搭载相机获取草地大样方植被数码照片的方法能用于地面草地覆盖度数据的获取；2）与NDVI相比，用EVI估算草地覆盖度更优，因此确定基于EVI构建的对数模型为甘南州草地植被覆盖度最优反演模型，模型精度可达88．00％；3）研究区2015年生长季草地植被覆盖度除了低平地草甸在8月达到最大值外，其它草地类型均在7月达到最大值；4）甘南州以中高植被覆盖度为主，主要分布在玛曲、碌曲、夏河以及合作四县市。整体而言，中西部和西南部区域草地覆盖度高于东部。通过精确草地植被覆盖度模型的建立，不仅有利于及时准确的了解草地植被覆盖度的时空分布状况和季节性动态变化，也有利于维护甘南州草地生态系统的持续稳定发展。

2016

0.0

高金龙, 侯尧宸, 白彦福, 孟宝平, 杨淑霞, 胡远宁, 冯琦胜, 崔霞, 梁天刚. 基于高光谱数据的高寒草甸氮磷钾含量估测方法研究: 以青海省贵南县及玛沁县高寒草甸为例. 草业学报, 2016, 25(3): 9-21.

Gao J

, Hou Y

, Bai Y

, Meng B

, Yang S

, Hu Y

, Feng Q

, Cui

, Liang T

. Methods for estimating nitrogen, phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties, Qinghai Province. Acta Prataculturae Sinica, 2016, 25(3): 9-21. (in Chinese)

摘　要：以青海省玛沁县和贵南县高寒草甸作为典型研究区，利用地物光谱仪采集了20块样地的高光谱数据，并测定了对应样地所有样方中牧草的养分含量，分析了牧草中氮磷钾素含量与冠层原始光谱反射率和一阶微分光谱反射率之间的相关关系；采用回归统计方法，基于光谱位置变量、光谱面积变量及植被指数变量构建了高寒草甸氮磷钾素的估测模型，并对模型进行了精度评价。结果表明，1）与原始光谱反射率曲线相比，一阶微分光谱反射率曲线能较好地反映牧草中N、P、K素所对应的敏感波段；2）高寒草甸牧草中N、P、K素含量与冠层高光谱相关性较强的波段大多分布在红光区域（680-760nm）；3）基于光谱位置变量构建的估测模型能更好地反演高寒草甸N、P、K素含量。其中，以光谱位置变量R′708.88为自变量的对数模型对氮素含量估测效果较好，R^2为0．67，估测精度达到83．56％；以光谱位置变量R′704.85为自变量的对数模型对磷素含量估测效果较好，R^2为0．55，估测精度达到92．15％；以光谱位置变量R′697.36为自变量的对数模型对钾素含量估测效果较好，R^2为0．86，估测精度达到82．44％。

... 受到草地冠层叶片细胞结构的影响^[16],700-800 nm间反射率急增,形成一个陡坡 ...

2017

0.0

... Wang等^[17]利用机载激光雷达传感器(light detection and ranging,LiDAR)对呼伦贝尔草原的草层高度进行监测,估测值与实测值的拟合系数达到0 ...

2013

0.0

... Chen等^[18]在利用地表能量平衡系统(surface energy balance systern,SEBS)模型估算青藏高原地区地表蒸散量时提出一种适用于大尺度非均匀地表、基于NDVI的植被冠层高度反演公式,该公式估测天然草地草层高度的精度还有待进一步考证 ...

... 2 冠层高度模型 Chen等^[18]提出的植被冠层高度反演公式如下: ...

2016

0.0

... 2万km^2[19] ...

... 黄河源区地处青藏高原东缘,海拔变化差异较大,介于2 568~6 264 m,平均海拔4 217 m^[19] ...

2007

0.0

徐晓桃. 黄河源区NPP及植被水分利用效率时空特征分析. 兰州: 兰州大学硕士学位论文, 2007.

Xu X

. Spatial and temporal analysis of net primary productivity and water use efficiency in Yellow River Source Region. Master Thesis. Lanzhou: Lanzhou University, 2007. (in Chinese)

随着西部人类活动强度的日益加剧,环境和生态受到的压力将愈来愈大,缺水或水土流失造成大范围的贫困。植被水分利用效率是联系植被生态系统碳循环和水分循环的重要变量,因而具有重要的生态学和水文学意义。为了更加合理高效地利用我国西部地区有限的水资源,需要我们更全面和深入地了解该地区不同植被生态系统水分利用效率特征,从而发现并推广耗水量低而生产力高的干旱区耐旱植被,为水资源的可持续利用打好基础。本文选用CASA模型(Carnegie Ames Stanford Approach),结合MODIS遥感数据产品,气象数据,植被数据和土壤数据,在ENVI环境下实现对黄河源区2001-2005年净初级生产力NPP的计算;根据NPP及潜在蒸散发PET计算植被水分利用效率WUE;分析NPP,WUE的空间分布和时间变化特征;对不同植被类型下的NPP和WUE特征进行分析;分析NPP和WUE与影响因子的相关性。研究结论如下: 1、以CASA模型为基础,结合MODIS遥感数据产品、地面气象资料和植被、土壤数据计算NPP,避免了统计模型以点代面的缺点,使NPP的估算更具科学性,且能实时地反映NPP时空变化;验证了CASA模型在黄河流域的可适用性。 2、从NPP空间分布来看,NPP总量主要集中在源区中下部位,其次为达日站点周围地区;果洛、久治、达日三站点之间分布较为零散;达日与果洛站点以上部位NPP总量很低,最低值区域为湖泊和无植被区域。 3、从NPP年际变化来看,在不同的区域有不同的响应。区域NPP年际变化中,2003年NPP年总量最大;年内变化中,基本上从3月开始快速增长,7月达最大值,9月以后快速减少。 4、从不同植被类型NPP来看,年际上有着不同的变化趋势。有的植被NPP一直处于增长趋势;大部分植被NPP在2001-2003年增长,2003-2005年下降;有的植被NPP变化处于波动状态;个别植被NPP在2004年达最大值。 5、从WUE年际变化来看,总体上呈上升趋势,2004年有所下降;年内变化中,WUE达到最大值基本在6月,7月下降较多,8月和9月有所回升,之后迅速下降。 6、WUE年际变化趋势与NPP年际变化趋势类似。不同植被类型中,具有较高WUE值的有三种沼泽,其他植被类型中温带落叶阔叶林最高,其次为栽培植被,温带草原,盐生草甸,高寒草甸等,WUE值最低的为湖泊和无植被地段。 7、分析源区NPP及WUE与NDVI、气温、降水、太阳辐射和海拔的相关性。发现NPP与NDVI的相关性最大,其次为气温,海拔,与降水和太阳辐射相关性较差;WUE是NPP与蒸散发的一个耦合结果,与NDVI的相关性最大,其次为太阳辐射,再次为降水量,气温,相关性最低为海拔。

... 4 h^[20],年平均气温-5 ...

2014

0.0

林琳, 金会军, 罗栋梁, 吕兰芝, 何瑞霞. 黄河源区高寒植被主要特征初探. 冰川冻土, 2014, 36(1): 230-236.

Lin

, Jin H

, Luo D

, Lyu L

, He R

. Preliminary study on major features of alpine vegetation in the source area of the Yellow River (SAYR). Journal of Glaciology and Geocryology, 2014, 36(1): 230-236. (in Chinese)

... 从我国的植被分区看,黄河源区主要属于青藏高原高寒植被区,主要植被类型有高寒草甸、高寒草原、沼泽等,在局部高海拔地带分布有垫状植被和流石滩稀疏植被,植被稀疏低矮^[21] ...

1999

0.0

... 0数据分析软件的Savitzky-Golay卷积平滑法(即S-G滤波)对光谱数据进行平滑滤波处理^[22],经反复测试,在滤波参数移动窗口宽度及多项式次数的优化上选择11和5,这种方法可有效消除噪声,提高信噪比,但不会改变信号的形状 ...

1990

0.0

... 为有效降低或消除土壤等背景对冠层光谱的影响^[23],提高光谱数据的多重共线性,突出地物的光谱吸收和反射特征,在ENVI 5 ...

1986

0.0

1994

0.0

1988

0.0

1994

0.0

1998

0.0

2005

0.0

2009

0.0

2015

0.0

... 4 不同草层高度估算模型的精度评价以均方根误差(RMSE)及平均平方根离差系数(CVRMSE)^[31]作为模型评价指标,综合评价基于植被指数的反演模型、冠层高度模型及光谱反射率反演模型的精度,从中选出适合黄河源高寒草甸的草层高度反演最优模型 ...

2016

0.0

马文勇, 王训明. 基于高光谱分析的草地叶绿素含量估算研究进展. 地理科学进展, 2016, 35(1): 25-34.

Ma W

, Wang X

. Progress on grassland chlorophyll content estimation by hyperspectral analysis. Progress in Geography, 2016, 35(1): 25-34. (in Chinese)

... 在800-1 100 nm范围内,植被光谱曲线的反射率高达20%~60%,主要是光在叶片内部及叶片间的多次散射造成的^[32] ...

... 在正常情况下,植被在可见光波段的反射率主要受叶绿素的影响^[32],植被群落在可见光波段范围内的反射率都小于裸地,而在近红外波段及红外波段植被群落的反射率大于裸地^[35] ...

2016

0.0

... 该模型的反演精度与Liang等^[33]在青南牧区建立的基于EVI反演草层高度的乘幂模型相似(R²=0 ...

2016

0.0

刘淼. 不同营养水平冬小麦长势高光谱遥感监测. 杨凌: 西北农林科技大学硕士学位论文, 2016.

Liu

. Winter wheat growth monitoring using hyperspectral remote sensing under different nutrition levels. Master Thesis. Yangling: Northwest A & F University, 2016. (in Chinese)

冬小麦作为重要的粮食作物,其供求矛盾影响着国家安全与稳定,因此,对冬小麦进行长势监测及估产研究具有重要意义。高光谱遥感作为一种非破坏性、快速、实时的监测手段,在冬小麦长势监测中具有重要应用价值。本文比较分析了不同营养水平冬小麦生长过程中冠层光谱及其叶绿素、叶面积指数、植株含水率和生物量干重等生理生化参数的变化特征,并尝试寻找最佳光谱参数实现利用高光谱数据对这些生理生化参数的反演,为区域农田环境和作物生长状况的实时动态监测提供科学的参考依据。研究取得的结果有:(1)相同的氮磷施肥水平下,前五期反射光谱曲线呈总体特征一致,只是存在数值上的差别,而灌浆期反射光谱曲线与前五期略有不同,成熟期冠层光谱曲线明显异于其他各生育期。在可见光波段范围内,灌浆期和成熟期光谱反射率大于之前各生育期,在约700-1200 nm波段范围内,成熟期光谱反射率最小,灌浆期高于成熟期但总体低于其他各生育期。而在约1200 nm之后,成熟期反射率值再次居于最高。(2)未施加氮肥和磷肥的情况下,在可见光波段和大于约1300 nm的波段范围内,反射光谱曲线高于其他养分施肥水平,而在绿色植被的近红外强反射波段范围内,未作施肥处理的小麦冠层反射光谱曲线低于其他处理水平。同一生育期不同氮磷施肥水平下,小麦冠层反射光谱曲线具有部分相似特征,在N3,P3水平下,在约760-1100 nm波段范围内反射率最高。(3)相同的氮磷施肥水平下,在冬小麦整个生育期SPAD值、叶面积指数、植株含水率和生物量干重总体均呈先升高后降低的趋势。而在同一生育期,不同的氮磷施肥水平下,SPAD值、叶面积指数、植株含水率和生物量干重随氮磷施肥量的增加而升高。(4)归一化植被指数与SPAD值具有相对较高的相关性,利用归一化植被指数进行SPAD值反演,建模决定系数及检验决定系数分别为0.4976、0.443。781 nm处的一阶微分值和比值植被指数与叶面积指数具有相对较高的相关性,利用781 nm处的一阶微分值进行叶面积指数反演,建模决定系数及检验决定系数分别为0.8067、0.8208,比利用比值植被指数反演进行叶面积指数反演效果更好。归一化水指数与植株含水率之间具有相对较高的相关性,利用归一化水指数进行植株含水率反演,建模决定系数及检验决定系数分别为0.5080、0.6424。1065 nm处的一阶微分值与生物量干重具有相对较高的相关性,利用1065 nm处的一阶微分值进行生物量干重反演,建模决定系数及检验决定系数分别为0.9387、0.8009。

... 的形成区,该波长范围内的植被冠层反射率对叶绿素含量比较敏感^[34] ...

2009

0.0

娜日苏, 苏和, 格根图. 退化草甸草原近地面光谱特征初探. 安徽农业科学, 2009, 38(6): 164-167.

Narisu, Suhe, Gegentu. Preliminary study on the near-ground spectral characteristic of the degraded meadow grassland . Journal of Anhui Agricultural Sciences, 2009, 38(6): 164-167. (in Chinese)

运用ISI921VF-256型地物光谱仪对内蒙古西乌旗哈日根台镇赛温都嘎查低山丘陵草甸草原的草群、裸地等进行光谱数据的提取,获得其反射率光谱特征.试验结果表明:不同地物的反射率不同,草甸草原草地群落的光谱反射曲线在可见光波段具有明显的峰谷特性,在近红外波段呈强反射;裸地的反射曲线在可见光区高于草地群落;在近红外区低于草地群落;在不同退化梯度下,草甸草原植物群落的光谱反射率,随着退化梯度的加强而增强;在同一退化梯度下,大针茅群落对可见光的反射率小于冷蒿群落,而对近红外光的反射率大于冷蒿群落;草甸草原的不同地物具有其不同的光谱特征,并随着退化程度的变化表现一定的差异. Abstract： ISI921VF-256 type ground object spectrometer was used to extract the spectral data of the grassland and bare land to obtain their reflectivity spectral characteristics. The experiment was carried out on the low mountain and hilly area meadow steppe in the Saiwundu Village, Hargentai Town, West Ujumqin Banner, Xilin Gol League, Inner Mongolia. The results showed that different ground objects had different reflectances, the spectral reflectance curve of the meadow steppe plant communities had obvious characteristics of peak and valley in the visible spectrum band, and had strong reflection in the near-infrared band. The reflection curve of the bare lands in the visible spectrum band was higher than that of the grassland communities, while in the near-infrared band it was lower than that of the grassland communities. Under different degradation gradients, the spectral reflectivity of the meadow steppe grassland communities increased with the enhancement of the degradation gradients. Under the same degradation gradient, the Stipa grandis communities had a lower visible light reflectivity and a higher near-infrared reflectivity than the Artemisia frigida communities; different ground objects on the meadow steppe have different spectrum characteristics, and show a certain discrepancies with the changes of the degradation level.

2010

0.0

孙红, 李民赞, 赵勇, 张彦蛾, 王晓敏, 李修华. 冬小麦生长期光谱变化特征与叶绿素含量监测研究. 光谱学与光谱分析, 2010, 30(1): 192-196.

Sun

, Li M

, Zhao

, Zhang Y

, Wang X

, Li X

. The dpectral vharacteristics and chlorophyll content at winter wheat growth stages. Spectroscopy and Spectral Analysis, 2010, 30(1): 192-196. (in Chinese)

在分析冬小麦生长期冠层反射光谱和叶绿素含量变化特征的基础上,对二者之间的相关性进行了研究.表明从小麦拔节期开始,冠层反射光谱在可见光区(400～750 nm)的反射率先降低而后升高,以孕穗期反射率最低;在近红外区(750～1 000nm)冠层反射率由拔节期至孕穗期反射率降低,然后开始上升.扬花期上升至最高点后又开始下降,直至乳熟期降至最低.冬小麦冠层反射率与叶绿素含量相关分析结果表明,冬小麦拔节期和孕穗期二者呈正相关,扬花期二者呈负相关;整个生长期中,孕穗期可见光区552 nm处反射率与叶绿素含最相关系数最大达0.89.依据冬小麦牛长期冠层反射光谱红边拐点位置,分别建市了拔节期叶绿素含量线性检测模型(R~2=0.92)和孕穗期二项式模型(R~2=0.91),用于冬小麦叶绿素含量的无损检测是可行的. Abstract： The canopy spectral reflectance and chlorophyll content of winter wheat were measured and analyzed in the whole growing season. The characteristics of canopy spectral reflectance indicated that the canopy spectral reflectance changed significantly at different stages. It decreased first and increased later with growth progress in the visible region (400-750 nm) after jointing stage, then the reflectance was lowest at booting stage. In near-infrared region (750-1 000 nm) the spectral reflectance climbed sharply. The canopy reflectance was declined at booting stage and rose to the highest point at flowering stage. It dropped to minimum level subsequently at milk-ripe stage. However, the spectral reflectance characteristics at jointing stage and booting stage were used to detect the chlorophyll content High correlation was observed between the canopy spectral reflectance and chlorophyll content The positive correlation of canopy spectral reflectance with chlorophyll content was found at jointing stage and booting stage. Because the plant spectral reflectance was effected by chlorophyll greatly in visible region, the correlation coefficient reached 0. 89 at 552 ran in booting stage. On the contrary, there was a negative correlation at flowering stage. Meanwhile, the red edge inflection point as one of the most important spectral parameters was analyzed at winter wheat growth stages based on the first derivative of reflectance spectra. The relation between the red edge inflection point and chlorophyll content was observed in each plot and the analysis results illustrated that the red edge inflection points could help detect the chlorophyll content at jointing stage and booting stage. The linear model of chlorophyll content with red edge inflection points was built at jointing stage (R~2 =0. 92). High correlation was found between thered edge inflection point and chlorophyll content at booting stage. It was showed that the binomial model (R~2 =0. 91) was better than linear model (R~2 =0. 73). It was indicated that using spectral analysis to detect the winter wheat chlorophyll content non-destructively was feasible. The obtained conclusions also provided theoretical basis for further researches on measuring methods of chlorophyll content in the field.

... 这个结果与孙红等^[36]发现的冬小麦(Triticum aestivum)在特定的生长期冠层反射率与小麦高度呈反比的结论相似 ...