葛靜，孟寶平，楊淑霞，高金龍，殷建鵬，張仁平，馮琦勝，梁天剛

(草地農(nóng)業(yè)生態(tài)系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅 蘭州 730020)

?

基于ADC和MODIS遙感數(shù)據(jù)的高寒草地地上生物量監(jiān)測(cè)研究
——以黃河源區(qū)為例

葛靜，孟寶平，楊淑霞，高金龍，殷建鵬，張仁平，馮琦勝，梁天剛*

(草地農(nóng)業(yè)生態(tài)系統(tǒng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，蘭州大學(xué)草地農(nóng)業(yè)科技學(xué)院，甘肅 蘭州 730020)

利用2015-2016年8月采集的黃河源區(qū)草地生物量數(shù)據(jù)和MODIS衛(wèi)星遙感資料，結(jié)合農(nóng)業(yè)多光譜相機(jī)(agricultural digital camera，ADC)獲取的植被指數(shù)數(shù)據(jù)，比較分析3種ADC植被指數(shù)(NDVIADC、SAVIADC和GNDVIADC)與野外實(shí)測(cè)草地地上生物量(above-ground biomass，AGB)數(shù)據(jù)的相關(guān)性，篩選出適合構(gòu)建草地AGB反演模型的ADC植被指數(shù)；結(jié)合MODIS NDVI(記作NDVIMOD)構(gòu)建草地地上生物量反演模型，采用留一法交叉驗(yàn)證方法評(píng)價(jià)各模型精度，確立適宜模擬研究區(qū)草地AGB的最優(yōu)模型；并利用NDVIADC校正NDVIMOD，獲得高分辨率、高精度的草地AGB遙感監(jiān)測(cè)改進(jìn)模型。結(jié)果表明，1)基于ADC獲取的3種植被指數(shù)中，NDVIADC與高寒草地地上生物量關(guān)系最為密切，其次為SAVIADC，擬合效果最差的是GNDVIADC；2)基于NDVIADC建立的草地AGB監(jiān)測(cè)模型的精度(RMSEP介于383.55～393.18 kg DW/hm2；r范圍為0.65～0.66)遠(yuǎn)高于NDVIMOD的模型精度(RMSEP介于421.08～427.00 kg DW/hm2；r范圍為0.55～0.58)，NDVIADC反演得到的草地AGB更接近于黃河源區(qū)草地實(shí)際生物量，且相較于NDVIADC，NDVIMOD的樣本值整體偏高；3)在NDVIADC構(gòu)建的4類(lèi)模型中，線性和乘冪模型模擬研究區(qū)草地AGB的能力較好，但線性模型精度更高(y=3248.93×NDVIADC-305.59，RMSEP=383.55 kg DW/hm2，r=0.66)，該模型為黃河源區(qū)草地生物量的估測(cè)提供了一個(gè)新型且易操作的方法；4)NDVIADC與NDVIMOD相關(guān)性較高，利用NDVIADC校正NDVIMOD可以改進(jìn)草地AGB遙感反演模型，優(yōu)化模型為y=2455.54×NDVIMOD-301.69。該模型可在大尺度范圍內(nèi)估測(cè)黃河源區(qū)的草地生物量，且模型精度接近于地表測(cè)量法的監(jiān)測(cè)精度。

黃河源區(qū);草地地上生物量;歸一化差值植被指數(shù);農(nóng)業(yè)多光譜相機(jī);MODIS;反演模型

黃河源區(qū)位于青藏高原東北部，是中國(guó)淡水資源的重要來(lái)源，源頭的徑流量接近黃河流域總流量的35%，對(duì)我國(guó)北方地區(qū)的生態(tài)安全起著重要的保障作用[1]。黃河源區(qū)覆蓋面積大約為12.20×104km2[2]，土地覆被類(lèi)型包括高寒草甸、永久凍土和積雪等[3]，其中草地約占源區(qū)總面積的80%，是該區(qū)最重要的土地覆被類(lèi)型[4]。草地生態(tài)系統(tǒng)對(duì)于保護(hù)源區(qū)的生物多樣性、保持水土和維護(hù)生態(tài)平衡具有重大的生態(tài)作用，同時(shí)，青藏高原的草地碳庫(kù)被認(rèn)為是世界上最重要的碳庫(kù)之一，占全球陸地生物圈土壤碳儲(chǔ)量的10%，在陸地碳循環(huán)中扮演著關(guān)鍵的角色[5]。然而，該地區(qū)生態(tài)環(huán)境脆弱，對(duì)氣候變化的響應(yīng)十分敏感[6]。自19世紀(jì)以來(lái)，黃河源區(qū)年平均氣溫急劇增長(zhǎng)，數(shù)十年間涌現(xiàn)出眾多的環(huán)境問(wèn)題，如：生物多樣性減少、凍土退化、湖泊和濕地萎縮、土地荒漠化、水土流失和草地退化等[7-9]。因此，黃河源區(qū)草地生態(tài)屏障功能的恢復(fù)，是當(dāng)前區(qū)域碳收支及全球變化研究中的一個(gè)熱點(diǎn)問(wèn)題，吸引了國(guó)際社會(huì)的廣泛關(guān)注。

地上生物量(above-ground biomass，AGB)指植物地上部分光合產(chǎn)物的積累量，對(duì)草地生態(tài)系統(tǒng)而言，AGB是表征區(qū)域碳循環(huán)的關(guān)鍵指標(biāo)之一，準(zhǔn)確地估測(cè)草地地上生物量可以為草地資源的可持續(xù)管理以及放牧活動(dòng)提供科學(xué)有效的指導(dǎo)信息[10-11]。因此，構(gòu)建高精度的AGB反演模型，對(duì)評(píng)估草地生產(chǎn)力、草畜平衡和草地退化等具有重要的意義[12]。目前，測(cè)量地上生物量主要有地表實(shí)測(cè)和遙感反演兩種基本途徑[13]。地表實(shí)測(cè)法通常基于樣方尺度進(jìn)行測(cè)量，大量的外業(yè)觀測(cè)數(shù)據(jù)是生物量模型構(gòu)建和精度評(píng)價(jià)的前提條件。但是，傳統(tǒng)的地表實(shí)測(cè)法只能在很小的空間尺度范圍內(nèi)提供植被結(jié)構(gòu)和分布狀況的變化信息，雖然觀測(cè)精度較高，但費(fèi)時(shí)、費(fèi)力、缺少宏觀性，還受到地形、交通等諸多因素的限制，不適合大范圍的草地生物量估測(cè)[14]。遙感估測(cè)法主要利用衛(wèi)星影像資料獲取植被指數(shù)(vegetation index，VI)，同時(shí)結(jié)合地面實(shí)測(cè)資料，反演AGB統(tǒng)計(jì)模型[15-17]。目前，歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)是各類(lèi)遙感植被指數(shù)中應(yīng)用最廣泛的一種[18-19]，特別是生長(zhǎng)季節(jié)合成的NDVI可以捕獲植被整個(gè)生長(zhǎng)季的動(dòng)態(tài)，是區(qū)域草地生物量監(jiān)測(cè)和評(píng)價(jià)的理想指標(biāo)之一[20-23]。并且，基于NDVI改進(jìn)的土壤調(diào)節(jié)植被指數(shù)(soil-adjusted vegetation index，SAVI)使用率也很高，其優(yōu)點(diǎn)是減小了土壤背景和植被冠層的影響，這一點(diǎn)在植被覆蓋度較低的區(qū)域得到了很好的體現(xiàn)[24-25]。遙感監(jiān)測(cè)法的優(yōu)點(diǎn)是衛(wèi)星數(shù)據(jù)覆蓋范圍廣，數(shù)據(jù)處理高效準(zhǔn)確，且不受地域限制[26]。然而，天然草地牧草種類(lèi)繁多，空間異質(zhì)性強(qiáng)，導(dǎo)致基于衛(wèi)星數(shù)據(jù)提取的植被指數(shù)隨著地域的差異具有較大的變化，反演的生物量遙感模型在部分地區(qū)穩(wěn)定性差[27-29]。相較于地表實(shí)測(cè)法而言，草地AGB遙感監(jiān)測(cè)法的估測(cè)精度降低。

隨著遙感技術(shù)的不斷發(fā)展，農(nóng)業(yè)多光譜數(shù)碼相機(jī)(agricultural digital camera，ADC)因其能夠提供更多的精細(xì)光譜信息而逐漸成為遙感領(lǐng)域觀測(cè)地表植被強(qiáng)有力的工具[30-33]。該相機(jī)操作簡(jiǎn)單靈活，方便攜帶[30,32]?？梢钥焖偬崛〉乇碇脖籒DVI、SAVI和歸一化綠波段差值植被指數(shù)(normalized green difference vegetation index，GNDVI)等指數(shù)，而且在實(shí)際使用中可以達(dá)到更高的空間分辨率[34-35]。同時(shí)，相對(duì)于衛(wèi)星傳感器而言，ADC直接獲取地物的光譜信息，受大氣的影響低，得到的植被指數(shù)更加準(zhǔn)確[36]。研究表明，基于ADC獲取的植被指數(shù)與作物長(zhǎng)勢(shì)、產(chǎn)量及病蟲(chóng)害等關(guān)系密切，因此ADC是精準(zhǔn)農(nóng)業(yè)領(lǐng)域中極具前途的數(shù)據(jù)收集傳感器[37-45]。Swain等[37]和Saberioon等[36]研究發(fā)現(xiàn)Tetracam ADC獲取的植被指數(shù)與水稻(Oryzasativa)冠層的葉綠素和氮含量之間存在良好的相關(guān)性，因此認(rèn)為T(mén)etracam ADC是一種確定水稻營(yíng)養(yǎng)狀態(tài)的新型工具。Mazzetto等[40]利用Tetracam ADC檢測(cè)了葡萄(Vitisvinifera)園植被冠層的反射率，結(jié)果證明多光譜圖像可以提供葡萄園精準(zhǔn)栽培所需的重要信息。Yi等[34]和任世龍等[46]基于多光譜相機(jī)對(duì)青藏高原高寒草甸的蓋度進(jìn)行了測(cè)量和精度評(píng)價(jià)，結(jié)果顯示ADC監(jiān)測(cè)法不僅準(zhǔn)確快捷，而且可以避免目視估測(cè)法的主觀性。姬秋梅等[47]認(rèn)為ADC是一種經(jīng)濟(jì)實(shí)用的測(cè)定草地干物質(zhì)量的方法，且ADC拍攝的圖像可以顯示導(dǎo)致誤差的各種因素，同時(shí)提出ADC測(cè)定法必須借助采樣保證其準(zhǔn)確度。楊鵬萬(wàn)等[48]利用藏北高寒草甸2012年6-9月的生物量數(shù)據(jù)和ADC植被指數(shù)構(gòu)建了研究區(qū)的AGB估算模型，并評(píng)價(jià)各模型精度，最終得出多光譜相機(jī)可以準(zhǔn)確估算高寒草甸地上生物量的結(jié)論。上述研究均體現(xiàn)出便攜式多光譜相機(jī)在地表植被測(cè)量中具有較高的準(zhǔn)確度。然而，該方法也存在傳統(tǒng)地表估測(cè)法費(fèi)時(shí)、費(fèi)力、缺少宏觀性以及地域受限的缺點(diǎn)。如何能在克服以上缺點(diǎn)的同時(shí)滿足高精度的草地AGB測(cè)量是需要深入探討的科學(xué)問(wèn)題。因此，本研究試圖將地表測(cè)量法(ADC)和遙感監(jiān)測(cè)法(衛(wèi)星數(shù)據(jù))的優(yōu)點(diǎn)相結(jié)合，從而實(shí)現(xiàn)草地AGB高精度、大面積的動(dòng)態(tài)監(jiān)測(cè)。

基于以上考慮，本研究利用2015-2016年8月黃河源區(qū)的ADC多光譜圖像和MOD13Q1植被指數(shù)產(chǎn)品提取了采樣點(diǎn)處的ADC植被指數(shù)和MODIS植被指數(shù)，分別與野外實(shí)測(cè)樣點(diǎn)草地AGB數(shù)據(jù)之間構(gòu)建反演模型，比較不同方法建立的模型間的差異，確立適宜模擬研究區(qū)草地AGB的最優(yōu)模型。進(jìn)一步分析了不同來(lái)源植被指數(shù)的相關(guān)性，并利用ADC植被指數(shù)校正MODIS植被指數(shù)，改進(jìn)衛(wèi)星遙感模型，從而獲得高分辨率、高精度的草地AGB反演模型，最終實(shí)現(xiàn)ADC地表遙感和衛(wèi)星航空遙感兩者優(yōu)勢(shì)的有效結(jié)合，以期為大面積草地植被的動(dòng)態(tài)變化研究提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)概況

黃河源區(qū)位于青海省東部95°50′45″-103°28′9″ E與32°12′11″-35°48′7″ N之間[49]，地表徑流量約占黃河流域總流量的35%，是青藏高原生態(tài)安全的重要保障[1]。其行政主體位于青海省果洛藏族自治州，覆蓋面積大約為12.20×104km2[2]，包括甘德、曲麻萊、貴南、瑪沁、河南、澤庫(kù)、同德和班瑪8個(gè)縣的整體以及稱(chēng)多、瑪多、興海、達(dá)日和久治縣的部分地區(qū)。源區(qū)平均海拔約4217 m，大部分地區(qū)海拔范圍在4193～5245 m，形成了該區(qū)域年均氣溫低、日溫差大、降水季節(jié)性變化劇烈和太陽(yáng)輻射強(qiáng)的氣候特點(diǎn)[1,6]。年平均降水量為420 mm，且超過(guò)2/3的降水發(fā)生在6-9月，占全年總降水量的75%～90%[50]，屬于青藏高原亞寒帶半干旱和半濕潤(rùn)區(qū)[51]。黃河源區(qū)的典型植被類(lèi)型為高寒草原、高寒草甸和高寒灌叢，在我國(guó)植被分區(qū)中被劃分為青藏高原高寒植被區(qū)[52]。

圖1 黃河源區(qū)DEM與2015-2016年采樣點(diǎn)分布圖Fig.1 Digital elevation model (DEM) and spatial distribution of 2015-2016 sampling points in Yellow River headwater region

1.2 DEM數(shù)據(jù)

本研究使用V2版ASTER GDEM數(shù)據(jù)，數(shù)據(jù)時(shí)期是2009年，空間分辨率為30 m，TIFF數(shù)據(jù)類(lèi)型。ASTER GDEM V2全球數(shù)字高程數(shù)據(jù)于2015年1月6日正式發(fā)布，可以通過(guò)地理空間數(shù)據(jù)云(http://www.gscloud.cn/)平臺(tái)免費(fèi)下載使用。下載的全球DEM數(shù)據(jù)可利用ArcMap軟件下的Extract by Mask工具將其按照研究區(qū)形狀裁剪出來(lái)。

1.3 地面實(shí)測(cè)資料

地面實(shí)測(cè)數(shù)據(jù)的野外調(diào)查時(shí)間為2015年8月1-12日和2016年7月30日-8月12日，選擇地勢(shì)平坦、生長(zhǎng)狀況均一的典型草地植物群落設(shè)置樣地，面積大小規(guī)定為100 m×100 m。樣地內(nèi)采用5點(diǎn)法布設(shè)樣方[53]，即選取樣地中心點(diǎn)作為第一個(gè)樣方，4個(gè)角點(diǎn)依次設(shè)置為其余樣方，樣方大小為0.5 m×0.5 m。2015-2016年間總計(jì)調(diào)查樣地87個(gè)(圖1)，拍攝多光譜圖像435張，記錄內(nèi)容包括ADC照片編號(hào)、樣地名稱(chēng)、樣方經(jīng)緯度及高程信息，同時(shí)針對(duì)草地AGB鮮重進(jìn)行采樣，帶回室內(nèi)在65 ℃烘箱烘干48 h后稱(chēng)取樣方的干物質(zhì)產(chǎn)量，最終以5個(gè)樣方AGB干重的平均值代表整個(gè)樣地的地上生物量。

1.4 植被指數(shù)來(lái)源及處理方法

1.4.1 基于ADC獲取的植被指數(shù) Tetracam ADC(Tetracam Inc, Chatsworth, CA, USA)是一種地表遠(yuǎn)程傳感器，可以捕獲植被綠(520～600 nm)、紅(630～690 nm)和近紅外(760～920 nm)3個(gè)光譜波段的反射率，分別與Landsat TM的第2、3和4波段相當(dāng)。野外取樣時(shí)，以距離樣方1 m的高度平行于地面拍攝，耗時(shí)3～5 s，在此高度下，實(shí)際視野范圍為0.8 m×0.6 m，圖像的空間分辨率為3 mm。獲取同一批次相片前，首先要拍攝白色聚四氟乙烯標(biāo)定板，以減少邊際效應(yīng)，校準(zhǔn)照片可用來(lái)產(chǎn)生圖像處理所需的糾正參數(shù)。ADC拍攝的照片可以達(dá)到320萬(wàn)(2048×1536)像素，以DCM格式儲(chǔ)存在閃存卡內(nèi)，并能以JPEG或BMP等格式輸入計(jì)算機(jī)，照片需要按照樣方框大小裁剪，目的是削減邊緣畸變?cè)斐傻恼`差。裁剪后的圖像通過(guò)該相機(jī)附帶的PixelWrench 2軟件進(jìn)行處理，得到樣方的NDVI、SAVI和GNDVI指數(shù)(式1、2和3)。分別記作NDVIADC、SAVIADC和GNDVIADC，最后以每一樣地所有樣方植被指數(shù)的平均值作為該樣地的植被指數(shù)值。

(1)

(2)

(3)

式中：NIR、R和G分別表示ADC近紅、紅和綠波段的反射率[25,54-55]。L是隨著植被密度變化的參數(shù)，取值范圍是0～1，若植被覆蓋度很高，則L=0，SAVI=NDVI，相反植被覆蓋度很低時(shí)L=1。研究表明，在草地SAVI計(jì)算中，L值取0.5時(shí)，能較好的消除土壤反射率[25,31]，因此本研究中L=0.5。

1.4.2 基于MOD13Q1衛(wèi)星遙感數(shù)據(jù)獲取的植被指數(shù) MOD13Q1遙感數(shù)據(jù)是美國(guó)航空航天局對(duì)地觀測(cè)系統(tǒng)數(shù)據(jù)與信息系統(tǒng)(NASA’S earth observing system data and information system，EOSDIS)開(kāi)發(fā)的植被指數(shù)產(chǎn)品，包含空間分辨率250 m、16 d最大合成的NDVI和增強(qiáng)型植被指數(shù)(enhanced vegetation index，EVI)數(shù)據(jù)及產(chǎn)品質(zhì)量等信息。分別下載2015和2016年7月30日-8月15日期間成像且能覆蓋研究區(qū)所有采樣點(diǎn)的MOD13Q1數(shù)據(jù)，影像軌道號(hào)為h26v05。利用MODIS數(shù)據(jù)重投影工具(MODIS reprojection tools，MRT)提取影像的NDVI，并將其轉(zhuǎn)化為T(mén)IF格式，之后通過(guò)ArcMap軟件的Extract Multi Values to Points工具提取采樣點(diǎn)處的NDVI值，記作NDVIMOD。

1.5 反演模型的構(gòu)建與驗(yàn)證

2015和2016年野外科考共計(jì)調(diào)查87個(gè)樣地，剔除落在研究區(qū)之外的采樣點(diǎn)和明顯異常的樣本數(shù)據(jù)，獲得草地AGB有效樣點(diǎn)數(shù)據(jù)84個(gè)。本研究在SPSS 19.0軟件中利用回歸分析法建立草地AGB與各類(lèi)植被指數(shù)之間的回歸模型，即以NDVIADC、SAVIADC、GNDVIADC和NDVIMOD依次作為自變量，實(shí)測(cè)草地AGB為因變量，分別建立線性、對(duì)數(shù)、指數(shù)和乘冪4類(lèi)回歸模型。采用Origin 8.5軟件制作散點(diǎn)圖，并結(jié)合留一法交叉驗(yàn)證方法(leave-one-out cross validation，LOOCV)評(píng)價(jià)模型精度。模型的預(yù)測(cè)能力由均方根誤差(root-mean-square error of prediction,RMSEP)以及實(shí)測(cè)值與模型反演值之間的相關(guān)系數(shù)r來(lái)衡量，RMSEP用于量化模型精度，r用來(lái)評(píng)估模型的準(zhǔn)確性[56-58]。RMSEP的計(jì)算公式如下:

(4)

式中：E(yi)表示第i個(gè)實(shí)測(cè)值；yi為第i個(gè)模型預(yù)測(cè)值；n是有效樣本數(shù)，在本研究中n=84。RMSEP越低，回歸模型越精確；相關(guān)系數(shù)r越接近于1，說(shuō)明模型準(zhǔn)確性越高[40]。

2 結(jié)果與分析

2.1 草地AGB與ADC各項(xiàng)植被指數(shù)的相關(guān)性比較分析

黃河源區(qū)2015-2016年盛草期的ADC植被指數(shù)與草地AGB回歸分析結(jié)果(表1)表明，NDVIADC與高寒草地地上生物量之間的關(guān)系最為密切(R2=0.4414，P<0.01)，其次為SAVIADC，而GNDVIADC與草地AGB的相關(guān)性則有明顯降低。已有研究表明，SAVI主要是在植被覆蓋度較低、土壤背景影響顯著的區(qū)域具有優(yōu)化NDVI的作用[16,59]，而黃河源區(qū)盛草期的草地生長(zhǎng)狀況良好，生物量、蓋度和多度等指標(biāo)均達(dá)到較高水平，大多數(shù)區(qū)域土壤本身的影響幾乎可以忽略，這可能是導(dǎo)致研究區(qū)SAVI預(yù)測(cè)草地AGB的能力不如NDVI的主要原因。GNDVI與農(nóng)作物的葉綠素含量高度相關(guān)，可用來(lái)確定水稻、小麥(Triticumaestivum)、玉米(Zeamays)等谷物生長(zhǎng)階段的氮素吸收狀況[60-61]，但表1結(jié)果顯示，該指數(shù)并不能很好地反映黃河源區(qū)盛草期高寒草地生物量的空間變化狀況?；谝陨辖Y(jié)果，本研究只選取模擬效果最好的NDVIADC進(jìn)行后續(xù)與NDVIMOD的比較分析。

2.2 黃河源區(qū)各縣草地生物量及NDVI數(shù)據(jù)統(tǒng)計(jì)分析

各縣樣本數(shù)據(jù)的統(tǒng)計(jì)分析結(jié)果(表2)表明，盛草期的草地生物量總體平均值為1320.33 kg DW/hm2，干重介于232.00～2697.60 kg DW/hm2，整體波動(dòng)較大；NDVIADC最大值為0.6393，最小值為0.1920，總體標(biāo)準(zhǔn)偏差較大(0.1056)；NDVIMOD平均值的范圍是0.3289～0.8356，標(biāo)準(zhǔn)偏差為0.1066，且各縣NDVIMOD的最大值、最小值及均值都明顯高于NDVIADC的對(duì)應(yīng)值。河南、達(dá)日、久治和貴南縣的平均生物量較高(均大于1400 kg DW/hm2)，生物量標(biāo)準(zhǔn)偏差達(dá)452.1344～697.6292 kg DW/hm2，數(shù)據(jù)離散程度較大，同時(shí)以上4個(gè)縣NDVIADC的平均值(均大于0.50)和NDVIMOD的平均值(均大于0.65)也達(dá)到較高水平，其中貴南縣生物量的標(biāo)準(zhǔn)偏差在各縣中最大，其N(xiāo)DVIADC和NDVIMOD的標(biāo)準(zhǔn)偏差也為各縣中最大值。同德和興?？h生物量顯著低于其他各縣，其中同德縣草地AGB、NDVIADC和NDVIMOD的平均值均為各縣中最小值，興?？hAGB、NDVIADC和NDVIMOD的標(biāo)準(zhǔn)偏差也在各縣中處于較低的水平，數(shù)據(jù)離散程度較低。

表1 黃河源區(qū)ADC植被指數(shù)(x)與草地AGB(y)回歸分析結(jié)果(n=84)Table 1 Regression results between the ADC vegetation indices (x) and grassland AGB (y) in Yellow River headwater region (n=84)

注：R2為草地AGB回歸模型的決定系數(shù)；AGB為草地地上生物量，單位為kg DW/hm2；NDVI：歸一化差值植被指數(shù)；SAVI：土壤調(diào)節(jié)植被指數(shù)；GDNVI：歸一化綠波段差值植被指數(shù)；**P<0.01，均通過(guò)了顯著性水平為0.01的F檢驗(yàn)。

Note:R2is the determination coefficient of the grassland AGB regression model; AGB: Grassland above ground biomass, the unit is kg DW/ha; NDVI: Normalized difference vegetation index; SAVI: Soil-adjusted vegetation index; GDNVI: Normalized green difference vegetation index; **P<0.01, all indices pass theFtest at the 0.01 significance level.

表2 黃河源區(qū)各縣樣本數(shù)據(jù)描述性統(tǒng)計(jì)分析Table 2 Descriptive statistics of sample data of different counties in Yellow River headwater region

注：NDVIADC為基于農(nóng)業(yè)多光譜數(shù)碼相機(jī)(ADC)獲取的歸一化差值植被指數(shù)；NDVIMOD為基于MOD13Q1提取的歸一化差值植被指數(shù)。下同。

Note: NDVIADCis the normalized difference vegetation index-based ADC; NDVIMODis the normalized difference vegetation index-based MOD13Q1. The same below.

2.3 基于NDVIADC和NDVIMOD構(gòu)建的草地AGB監(jiān)測(cè)模型比較分析

利用留一法檢驗(yàn)各模型精度，結(jié)果(表3)顯示，NDVIADC與草地AGB建立的4類(lèi)反演模型中，不論是線性、對(duì)數(shù)、乘冪還是指數(shù)模型，其決定系數(shù)R2和交叉驗(yàn)證相關(guān)系數(shù)r均高于以NDVIMOD為自變量構(gòu)建的4類(lèi)草地AGB回歸模型，而RMSEP值結(jié)果相反。由此說(shuō)明，相較于NDVIMOD，NDVIADC與草地AGB的相關(guān)性更好，構(gòu)建模型的擬合度、精度及預(yù)測(cè)準(zhǔn)確度更高，更適合于模擬黃河源區(qū)高寒草地地上生物量。進(jìn)一步比較分析基于NDVIADC構(gòu)建的草地AGB模型可以看出，這4種模型的R2從大到小依次是乘冪、指數(shù)、線性和對(duì)數(shù)模型；RMSEP值由低到高的順序?yàn)榫€性、乘冪、對(duì)數(shù)和指數(shù)模型，相關(guān)系數(shù)r最大的是線性模型，其次為乘冪模型。比較而言，線性模型具有最低的RMSEP值和最高的r值，因此精度最高，反演值最接近于真實(shí)值，而乘冪模型的擬合效果最優(yōu)，模型精度僅次于線性模型。綜上所述，這兩種模型均能較好的模擬研究區(qū)草地AGB空間變化狀況(圖2)，但從增加模型精確度和減少模擬誤差的角度出發(fā)，本研究最終確定以NDVIADC為自變量，草地AGB為因變量構(gòu)建的線性模型為最優(yōu)模型(式5)。

y=3248.9267x-305.5887

(5)

式中：y表示利用模型預(yù)測(cè)的草地AGB值；x代表NDVIADC值。

表3 NDVIADC、NDVIMOD(x)與草地AGB(y)回歸模型精度評(píng)價(jià)結(jié)果(n=84)Table 3 Accuracy assessment for regression models between the NDVIADC, NDVIMOD (x) and grassland AGB (y) (n=84)

注：R2為草地AGB回歸模型的決定系數(shù)；RMSEP是實(shí)際觀測(cè)值與模型預(yù)測(cè)值的均方根誤差，單位為kg DW/hm2；r代表實(shí)測(cè)值與模型反演值之間的相關(guān)系數(shù)；其中，所有模型P<0.01，均通過(guò)了顯著性水平為0.01的F檢驗(yàn)。

Note:R2is the determination coefficient of the grassland AGB regression model;RMSEPindicates root-mean-square error of the observed value and the model predictive value, the unit is kg DW/ha; And the correlation coefficient between the observed value and the inversional results of the model isr; Among, all models meet the condition forP<0.01, they are extremely significant correlation.

圖2 NDVIADC(x)與草地AGB(y)建立的線性(a)和乘冪(b)回歸模型(n=84)Fig.2 Linear (a) and power (b) regression models between the NDVIADC (x) and grassland AGB (y) (n=84)

2.4 基于NDVIADC校正的草地AGB衛(wèi)星遙感反演模型

由表3可知，NDVIADC與草地AGB建立的線性、對(duì)數(shù)、指數(shù)和乘冪模型的R2、RMSEP及r3種指標(biāo)的評(píng)價(jià)結(jié)果均優(yōu)于NDVIMOD與草地AGB之間的同類(lèi)模型。相比之下，NDVIADC與草地AGB回歸模型的R2、r分別增加了35.07%～61.35%和12.50%～17.85%，RMSEP的減少范圍為7.39%～9.05%，以NDVIADC構(gòu)建的草地AGB模型的擬合度和精度更高，根據(jù)此模型反演的草地AGB預(yù)測(cè)值更接近于黃河源區(qū)草地的真實(shí)情況。同時(shí)，NDVIADC與NDVIMOD之間的相關(guān)系數(shù)達(dá)0.7628(P<0.01)(圖3)，因此，利用NDVIADC對(duì)NDVIMOD校正后代入公式5，可得到經(jīng)過(guò)NDVIADC校正的基于NDVIMOD的草地AGB遙感監(jiān)測(cè)模型(式6)：

圖3 NDVIMOD(x)與NDVIADC(y) 的線性回歸模型(n=84)Fig.3 Linear regression model between the NDVIMOD(x) and NDVIADC (y) (n=84)

y=2455.5388x-301.6900

(6)

式中：y表示利用模型預(yù)測(cè)的草地AGB值；x是指NDVIMOD值。

3 討論

本研究通過(guò)ADC多光譜照片計(jì)算得到的3種植被指數(shù)中，NDVI與高寒草地地上生物量之間存在良好的相關(guān)性，SAVI次之，但也可以達(dá)到比較好的效果，而GNDVI與草地AGB沒(méi)有顯著的相關(guān)性。這與楊鵬萬(wàn)等[48]對(duì)藏北高寒草甸盛草期生物量的研究結(jié)果相同，但與降水稀少、植被生長(zhǎng)稀疏地區(qū)的生物量研究[16,59]結(jié)果相反。由此可見(jiàn)，在生長(zhǎng)狀況良好、植被覆蓋度高、土壤背景影響幾乎可以忽略的高寒草甸區(qū)域，SAVI預(yù)測(cè)草地AGB的能力不如NDVI，在Liang等[12]基于NDVI和SAVI的高寒草地生物量研究中也存在相同的關(guān)系。對(duì)于GNDVI，已有研究表明其與植被葉綠素含量關(guān)系密切[62]，而葉綠素含量并不能作為表征地上生物量的指標(biāo)。因此，GNDVI不適合參與草地生物量估測(cè)模型的構(gòu)建。

與NDVIMOD相比，NDVIADC估測(cè)黃河源區(qū)高寒草地地上生物量的精度明顯提高。本研究利用NDVIADC校正NDVIMOD值，得到經(jīng)過(guò)NDVIADC值校正的NDVIMOD草地AGB遙感監(jiān)測(cè)模型，該模型可直接利用MODIS遙感數(shù)據(jù)提取植被指數(shù)值，具有數(shù)據(jù)覆蓋范圍廣，獲取成本低，且不受地域限制的特點(diǎn)，很好的彌補(bǔ)了ADC野外采集費(fèi)時(shí)費(fèi)力、缺少宏觀性的缺點(diǎn)，利用以上改進(jìn)模型可以實(shí)現(xiàn)對(duì)大尺度草地AGB的動(dòng)態(tài)監(jiān)測(cè)，且監(jiān)測(cè)精確度近似于ADC地表測(cè)量法的估測(cè)水平。因此，構(gòu)建融合不同尺度監(jiān)測(cè)方法優(yōu)點(diǎn)的改進(jìn)模型是提高大面積草地AGB精準(zhǔn)監(jiān)測(cè)的新途徑。

Chen等[23]列舉了大量利用遙感植被指數(shù)構(gòu)建牧草生物量估測(cè)模型的研究，證明NDVI與牧草生物量之間存在很高的相關(guān)性，而在本研究中，基于NDVI構(gòu)建的草地AGB反演模型的R2值介于0.3075～0.5389之間，表明NDVI與生物量呈中等相關(guān)，這可能與本研究地面采樣時(shí)間較為集中，樣點(diǎn)數(shù)量偏少，但研究涉及的空間范圍較大有關(guān)。因此，進(jìn)一步研究仍需增加采樣年限，在牧草生長(zhǎng)季不同時(shí)期多次采樣，保證數(shù)據(jù)的連續(xù)性，同時(shí)在研究區(qū)內(nèi)均勻布設(shè)采樣點(diǎn)，減少空間差異性，繼續(xù)擴(kuò)大樣本數(shù)量，改進(jìn)現(xiàn)有模型，從而減少建模的誤差，增加模型可信度。

楊鵬萬(wàn)等[48]的研究結(jié)果表明，運(yùn)用ADC植被指數(shù)進(jìn)行高寒草甸地上生物量的模擬時(shí)，應(yīng)當(dāng)優(yōu)先選擇以NDVI為自變量的線性模型，本研究篩選得到的最優(yōu)模型結(jié)果與此相似，而在姬秋梅等[47]對(duì)西藏地區(qū)產(chǎn)草量的研究中，則認(rèn)為基于NDVIADC的指數(shù)模型擬合效果最好。由此可以得出，草地生物量反演模型的形式和精度受到采樣時(shí)間、研究區(qū)地理位置和環(huán)境、樣點(diǎn)大小、數(shù)量及其代表性的影響，同時(shí)ADC照片計(jì)算軟件、數(shù)據(jù)處理方法和人為誤差等多種因素也給模型的精度帶來(lái)一定的誤差。并且，高寒草地牧草種類(lèi)繁多，空間異質(zhì)性強(qiáng)，導(dǎo)致基于衛(wèi)星數(shù)據(jù)提取的植被指數(shù)隨著地域的差異具有較大的變化。Liang等[12]在研究中指出，單純采用某一遙感植被指數(shù)或其他單一指標(biāo)的天然草地生物量遙感監(jiān)測(cè)模型在部分地區(qū)存在穩(wěn)定性差、精度低的問(wèn)題，認(rèn)為單一植被指數(shù)不足以作為生物量預(yù)測(cè)的獨(dú)立因子。因此，他們提出了基于經(jīng)度、緯度和草地蓋度的多因素草地生物量反演模型，與基于NDVIMOD的單因素遙感模型相比，多因素模型的RMSEP可減小約13.28%。ADC拍攝的多光譜相片不僅可以提供植被綠、紅和近紅外波段的反射率，還可以通過(guò)PixelWrench 2軟件計(jì)算獲得目標(biāo)地物的覆蓋度。綜合考慮以上因素，本研究下一步考慮利用經(jīng)度、緯度和ADC設(shè)備獲取的草地蓋度等數(shù)據(jù)構(gòu)建黃河源區(qū)草地AGB的多因素反演模型，以期改進(jìn)現(xiàn)有基于NDVIADC建立的草地AGB反演模型，提出一種地域代表性強(qiáng)、操作方便、快速準(zhǔn)確的草地AGB估測(cè)手段，進(jìn)一步提高天然草地生物量的監(jiān)測(cè)精度。

近年來(lái)，無(wú)人機(jī)(unmanned aerial vehicle，UAV)技術(shù)有著突飛猛進(jìn)的發(fā)展，是地表測(cè)量和衛(wèi)星遙感兩者優(yōu)勢(shì)的完美結(jié)合，其體積小、質(zhì)量輕、靈活性高，與衛(wèi)星遙感一樣可在高危地區(qū)探測(cè)。Curran等[63]研究了樣方大小對(duì)地表測(cè)量結(jié)果的影響，證明樣方尺寸是左右測(cè)量精度的重要因素，而UAV數(shù)據(jù)覆蓋范圍比ADC廣，很好的克服了傳統(tǒng)方法與衛(wèi)星數(shù)據(jù)的空間匹配性問(wèn)題，且其監(jiān)測(cè)精度高達(dá)cm級(jí)，接近地表測(cè)量的精度水平，因此，今后進(jìn)一步研究可以考慮將ADC設(shè)備搭載在無(wú)人機(jī)上進(jìn)行數(shù)據(jù)采集，既節(jié)省了ADC地表測(cè)量的時(shí)間和勞力，也提高了測(cè)量精度，實(shí)現(xiàn)了大面積草地生物量的動(dòng)態(tài)監(jiān)測(cè)。

4 結(jié)論

本研究利用黃河源區(qū)2015-2016年8月拍攝的大量ADC多光譜照片提取NDVI、SAVI和GNDVI指數(shù)，結(jié)合NDVIMOD數(shù)據(jù)，分別與野外實(shí)測(cè)草地生物量數(shù)據(jù)進(jìn)行回歸分析，結(jié)果表明：

1)與SAVIADC、GNDVIADC和NDVIMOD相比，NDVIADC更適合于模擬黃河源區(qū)高寒草地地上生物量。

NDVIADC與高寒草地地上生物量關(guān)系最為密切(R2=0.4414，P<0.01)，SAVIADC模擬黃河源區(qū)草地AGB的能力也較好，但GNDVIADC的預(yù)測(cè)效果卻不盡人意。因此，NDVIADC為3種ADC指數(shù)中最適宜構(gòu)建草地AGB監(jiān)測(cè)模型的植被指數(shù)。以草地AGB樣點(diǎn)數(shù)據(jù)為因變量，NDVIADC和NDVIMOD分別作為自變量，構(gòu)建4類(lèi)回歸模型，精度分析結(jié)果顯示，基于NDVIADC構(gòu)建的草地AGB模型的R2和r相比NDVIMOD各模型增加了35.07%～61.35%和12.50%～17.85%，RMSEP則減少了7.39%～9.05%，相較于NDVIMOD而言，NDVIADC與草地AGB的相關(guān)性明顯提高，因此利用NDVIADC校正基于NDVIMOD構(gòu)建的草地AGB遙感估測(cè)模型具有一定的意義。

2)基于NDVIADC的線性模型為黃河源區(qū)高寒草地地上生物量反演的最優(yōu)模型。

在NDVIADC構(gòu)建的4類(lèi)模型中，線性模型的RMSEP值最小，相關(guān)系數(shù)r最大，最適合于模擬研究區(qū)草地AGB的狀況，因此確定基于NDVIADC建立的草地AGB線性回歸模型為最優(yōu)模型(RMSEP=383.5485 kg DW/hm2，r=0.6644)，該模型為黃河源區(qū)草地生物量的測(cè)定提供了一個(gè)新型、易操作的方法。

3)NDVIADC可以校正Terra衛(wèi)星MODIS數(shù)據(jù)高估NDVI數(shù)值的現(xiàn)象，從而校正NDVIMOD估測(cè)草地AGB的準(zhǔn)確性。

NDVIADC與NDVIMOD樣本數(shù)據(jù)統(tǒng)計(jì)結(jié)果顯示，NDVIMOD樣本值整體偏高，其可能高估了高寒草地的地上生物量。經(jīng)驗(yàn)證NDVIADC與NDVIMOD相關(guān)性較高(r=0.7628)，因此NDVIADC可以用來(lái)校正NDVIMOD，從而獲得經(jīng)過(guò)NDVIADC校正的NDVIMOD草地AGB遙感反演模型：y=2455.5388x-301.6900。該模型能較好地模擬黃河源區(qū)草地AGB空間變化狀況，數(shù)據(jù)提取方便、覆蓋范圍廣，且模型精度優(yōu)于單一遙感植被指數(shù)構(gòu)建的生物量回歸模型。

References：

[1] Chu H B, Wei J H, Li T J,etal. Application of support vector regression for mid-and long-term runoff forecasting in “Yellow River headwater” region. Procedia Engineering, 2016, 154: 1251-1257.

[2] Xie C W, Ding Y J, Liu S Y,etal. Comparison analysis of runoff change in the source regions of the Yangtze and Yellow Rivers. Journal of Glaciology & Geocryology, 2003, 25(4): 414-422. 謝昌衛(wèi), 丁永建, 劉時(shí)銀, 等. 長(zhǎng)江-黃河源寒區(qū)徑流時(shí)空變化特征對(duì)比. 冰川凍土, 2003, 25(4): 414-422.

[3] Yang Q, Wu J, Li Y,etal. Using the particle swarm optimization algorithm to calibrate the parameters relating to the turbulent flux in the surface layer in the source region of the Yellow River. Agricultural and Forest Meteorology, 2017, 232: 606-622.

[4] White M A, Asner G P, Nemani R R,etal. Measuring fractional cover and leaf area index in arid ecosystems: digital camera, radiation transmittance, and laser altimetry methods. Remote Sensing of Environment, 2000, 74(1): 45-57.

[5] Jiang C, Zhang L. Effect of ecological restoration and climate change on ecosystems: a case study in the three-rivers headwater region, China. Environmental Monitoring Assessment, 2016, 188(6): 1-20.

[6] Hu G, Yu L, Dong Z,etal. Holocene aeolian activity in the headwater region of the Yellow River, Northeast Tibet Plateau, China: A first approach by using OSL-dating. Catena, 2017, 149: 150-157.

[7] Guo W Q, Yang T B, Dai J G,etal. Vegetation cover changes and their relationship to climate variation in the source region of the Yellow River, China, 1990-2000. International Journal of Remote Sensing, 2008, 29(7): 2085-2103.

[8] Jin H J, Luo D L, Wang S L,etal. Spatiotemporal variability of permafrost degradation on the Qinghai-Tibet Plateau. Sciences In Cold and Arid Regions, 2011, 3(4): 281-305.

[9] Liu X D, Chen B D. Climatic warming in the Tibetan plateau during recent decades. International Journal of Climatology, 2000, 20(14): 1729-1742.

[10] Chen J, Gu S, Shen M G,etal. Estimating aboveground biomass of grassland having a high canopy cover: an exploratory analysis of in situ hyperspectral data. International Journal of Remote Sensing, 2009, 30(24): 6497-6517.

[11] Zhang B H, Zhang L, Xie D,etal. Application of synthetic NDVI time series blended from Landsat and MODIS data for grassland biomass estimation. Remote Sensing, 2015, 8(10): 1-21.

[12] Liang T G, Yang S X, Feng Q S,etal. 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.

[13] Lu D S. The potential and challenge of remote sensing-based biomass estimation. International Journal of Remote Sensing, 2006, 27(7): 1297-1328.

[14] Gao T, Yang X C, Jin Y X,etal. Spatio-temporal variation in vegetation biomass and its relationships with climate factors in the Xilingol grasslands, Northern China. PLoS One, 2013, 8(12): e83824.

[15] Gu Y X, Wylie B K. Developing a 30-m grassland productivity estimation map for central Nebraska using 250-m MODIS and 30-m Landsat-8 observations. Remote Sensing of Environment, 2015, 171: 291-298.

[16] Qu C P, Guan D X, Wang A Z,etal. Comparison of grassland biomass estimation models based on MODIS data. Chinese Journal of Ecology, 2008, 27(11): 2028-2032. 渠翠平, 關(guān)德新, 王安志, 等. 基于MODIS數(shù)據(jù)的草地生物量估算模型比較. 生態(tài)學(xué)雜志, 2008, 27(11): 2028-2032.

[17] Zhou Y T, Fu G, Shen Z X,etal. Estimation model of aboveground biomass in the Northern Tibet Plateau based on remote sensing date. Acta Prataculturae Sinica, 2013, 22(1): 120-129. 周宇庭, 付剛, 沈振西, 等. 藏北典型高寒草甸地上生物量的遙感估算模型. 草業(yè)學(xué)報(bào), 2013, 22(1): 120-129.

[18] Craine J M, Nippert J B, Elmore A J,etal. Timing of climate variability and grassland productivity. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(9): 3401-3405.

[19] Li F, Zeng Y, Li X S,etal. Remote sensing based monitoring of interannual variations in vegetation activity in China from 1982 to 2009. Science China Earth Sciences, 2014, 57(8): 1800-1806.

[20] Becker-Reshef I, Vermote E, Lindeman M,etal. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data. Remote Sensing of Environment, 2010, 114(6): 1312-1323.

[21] Gu Y X, Wylie B K. Downscaling 250-m MODIS growing season NDVI based on multiple-date Landsat images and data mining approaches. Remote Sensing, 2015, 7(4): 3489-3506.

[22] Gu Y X, Wylie B K, Bliss N B. Mapping grassland productivity with 250 m eMODIS NDVI and SSURGO database over the Greater Platte River Basin, USA. Ecological Indicators, 2013, 24: 31-36.

[23] Chen F, Weber K T, Gokhale B. Herbaceous biomass estimation from SPOT 5 imagery in semiarid rangelands of Idaho. GIScience & Remote Sensing, 2011, 48(2): 195-209.

[24] Huete A R, Jackson R D, Post D F. Spectral response of a plant canopy with different soil backgrounds. Remote Sensing of Environment, 1985, 17(1): 37-53.

[25] Huete A R. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 1988, 25(3): 295-309.

[26] Xu B, Yang X C, Tao W G,etal. MODIS-based remote-sensing monitoring of the spatiotemporal patterns of China’s grassland vegetation growth. International Journal of Remote Sensing, 2013, 34(11): 3867-3878.

[27] Porter T F, Chen C C, Long J A,etal. Estimating biomass on CRP pastureland: A comparison of remote sensing techniques. Biomass and Bioenergy, 2014, 66: 268-274.

[28] Reddersen B, Fricke T, Wachendorf M. A multi-sensor approach for predicting biomass of extensively managed grassland. Computers and Electronics in Agriculture, 2014, 109: 247-260.

[29] Ullah S, Si Y, Schlerf M,etal. Estimation of grassland biomass and nitrogen using MERIS data. International Journal of Applied Earth Observation and Geoinformation, 2012, 19: 196-204.

[30] Saberioon M M, Amim M S M, Aimrun W,etal. Multispectral images tetracam agriculture digital to estimate nitrogen and grain yield of rice at different growth stages. Philippine Agriculturist, 2013, 96(1): 108-112.

[31] Candiago S, Remondino F, De Giglio M,etal. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote Sensing, 2015, 7(4): 4026-4047.

[32] Fu G, Zhang X Z, Zhang Y J,etal. Experimental warming does not enhance gross primary production and above-ground biomass in the alpine meadow of Tibet. Journal of Applied Remote Sensing, 2013, 7(1): 073505.

[33] Thayn J B. Assessing vegetation cover on the date of satellite-derived start of spring. Remote Sensing Letters, 2012, 3(8): 721-728.

[34] Yi S H, Zhou Z Y, Ren S L,etal. Effects of permafrost degradation on alpine grassland in a semi-arid basin on the Qinghai-Tibetan Plateau. Environmental Research Letters, 2011, 6(4): 045403-045409.

[35] Yi S H, Wang Z R, Xie X,etal. Estimation of fractional vegetation cover and its relation with permafrost in the upstream regions of Shule River Basin. Pratacultural Science， 2011, 28(3): 353-358. 宜樹(shù)華, 王增如, 謝霞, 等. 高寒草地植被蓋度估算及其與凍土的關(guān)系. 草業(yè)科學(xué), 2011, 28(3): 353-358.

[36] Saberioon M M, Amin M S M, Gholizadeh A. Estimation of nitrogen of rice in different growth stages using Tetracam agriculture digital camera[C]//11th International Conference on Precision Agriculture. Indianapolis, Indiana, United States: Proceedings of the International Conference on Precision Agriculture, 2012.

[37] Swain K C, Thomson S J, Jayasuriya H P W. Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop. Transactions of the Asabe, 2010, 53(1): 21-27.

[38] Swain K C, Zaman Q U, Swain K C,etal. Rice crop monitoring with unmanned helicopter remote sensing images[M]//Remote Sensing of Biomass-Principles and Applications. Rijeka, Croatia: InTech, 2012: 253-272.

[39] Xiang H, Tian L. An autonomous helicopter system for aerial image collection[C]//2007 American Society of Agricultural and Biological Engineers. Minneapolis, Minnesota: American Society of Agricultural and Biological Engineers Editorial Committees, 2007.

[40] Mazzetto F, Calcante A, Mena A. Comparing commercial optical sensors for crop monitoring tasks in precision viticulture. Journal of Agricultural Engineering, 2009, 40(1): 11-18.

[41] Thomson S J, Smith L A, Hanks J E. An instrumentation platform and GPS position latency issues for remote sensing on agricultural aircraft. Transactions of the Asabe, 2007, 50(1): 13-22.

[42] Aber J S, Aber S W, Buster L,etal. Challenge of infrared kite aerial photography: a digital update. Transactions of the Kansas Academy of Science, 2009, 112(1/2): 31-39.

[43] La Puma I P, Philippi T E, Oberbauer S F. Relating NDVI to ecosystem CO2exchange patterns in response to season length and soil warming manipulations in arctic Alaska. Remote Sensing of Environment, 2007, 109(2): 225-236.

[44] Fu G, Shen Z X, Zhong Z M. Initial response of normalized difference vegetation index, green normalized difference vegetation index and soil adjusted vegetation index to infrared warming in highland barley of the Tibet. Ecology & Environmental Sciences, 2015, 24(3): 365-371. 付剛, 沈振西, 鐘志明. 西藏高原青稞三種植被指數(shù)對(duì)紅外增溫的初始響應(yīng). 生態(tài)環(huán)境學(xué)報(bào), 2015, 24(3): 365-371.

[45] Yang G J, Li C C, Yu H Y,etal. UAV based multi-load remote sensing technologies for wheat breeding information acquirement. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(21): 184-190. 楊貴軍, 李長(zhǎng)春, 于海洋, 等. 農(nóng)用無(wú)人機(jī)多傳感器遙感輔助小麥育種信息獲取. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(21): 184-190.

[46] Ren S L, Yi S H, Chen J J,etal. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis methods. Pratacultural Science, 2014, 31(6): 1007-1013. 任世龍, 宜樹(shù)華, 陳建軍, 等. 基于不同數(shù)碼相機(jī)和圖像處理方法的高寒草地植被蓋度估算的比較. 草業(yè)科學(xué), 2014, 31(6): 1007-1013.

[47] Ji Q M, Quiroz R, Leon-Velarde C. Dry matter availability assessment in Tibetan grasslands using ground-level remotely-sensed data. Acta Agrestia Sinica, 2008, 16(1): 34-38. 姬秋梅, Quiroz Robeto, Leon-Velarde Calos. 應(yīng)用數(shù)字照相機(jī)研究西藏草地產(chǎn)草量. 草地學(xué)報(bào), 2008, 16(1): 34-38.

[48] Yang P W, Fu G, Li Y L,etal. Aboveground biomass assessment in the northern Tibet Plateau using ground-level remotely-sensed data. Pratacultural Science, 2014, 31(7): 1211-1217. 楊鵬萬(wàn), 付剛, 李云龍, 等. 多光譜相機(jī)估算藏北高寒草甸地上生物量. 草業(yè)科學(xué), 2014, 31(7): 1211-1217.

[49] Chen L Q, Liu C M, Yang S T,etal. Reproduction of precipitation in the source regions of Yellow River with remote sensing. China Environmental Science, 2006, 26(S1): 87-91. 陳利群, 劉昌明, 楊勝天, 等. 黃河源區(qū)降水遙感反演. 中國(guó)環(huán)境科學(xué), 2006, 26(S1): 87-91.

[50] Song X, Yang G X, Yan C Z,etal. Driving forces behind land use and cover change in the Qinghai-Tibetan Plateau: a case study of the source region of the Yellow River, Qinghai Province, China. Environmental Earth Sciences, 2009, 59(4): 793-801.

[51] Li Q, Yang M X, Wan G N,etal. Spatial and temporal precipitation variability in the source region of the Yellow River. Environmental Earth Sciences, 2016, 75: 1-14.

[52] Yan Z L, Zhou H K, Liu W,etal. Preliminary discuss on grassland degradation in the source region of Yangtze and Yellow Rivers. Grassland of China, 2003, 25(1): 73-78. 嚴(yán)作良, 周華坤, 劉偉, 等. 江河源區(qū)草地退化狀況及成因. 中國(guó)草地學(xué)報(bào), 2003, 25(1): 73-78.

[53] Meng B P, Chen S Y, Cui X,etal. The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data-As a case of experimental area in Sangke grassland in Xiahe County. Pratacultural Science, 2015, 32(11): 1730-1739. 孟寶平, 陳思宇, 崔霞, 等. 基于多源遙感數(shù)據(jù)的高寒草地生物量反演模型精度——以夏河縣?？撇菰囼?yàn)區(qū)為例. 草業(yè)科學(xué), 2015, 32(11): 1730-1739.

[54] Tucker C J, Justice C O, Prince S D. Monitoring the grasslands of the Sahel 1984-1985. International Journal of Remote Sensing, 1986, 7(11): 1571-1581.

[55] Gitelson A A, Kaufman Y J, Merzlyak M N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sensing of Environment, 1996, 58(3): 289-298.

[56] Song Y, Ma M, Veroustraete F. Comparison and conversion of AVHRR GIMMS and SPOT vegetation NDVI data in China. International Journal of Remote Sensing, 2010, 31(9): 2377-2392.

[57] Feng Q S, Gao X H. Application of excel in the experiment teaching of leave-one-out cross validation. Experimental Science and Technology, 2015, 13(2): 49-51. 馮琦勝, 高新華. Excel在留一法交叉驗(yàn)證實(shí)驗(yàn)教學(xué)中的作用. 實(shí)驗(yàn)科學(xué)與技術(shù), 2015, 13(2): 49-51.

[58] Feng Q S, Gao X H, Huang X D,etal. 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. 馮琦勝, 高新華, 黃曉東, 等. 2001-2010年青藏高原草地生長(zhǎng)狀況遙感動(dòng)態(tài)監(jiān)測(cè). 蘭州大學(xué)學(xué)報(bào): 自然科學(xué)版, 2011, 47(4): 75-81.

[59] Gao Z H, Wei H D. Methods for subtracting vegetation information using vegetation index (VI) from TM images. Journal of Arid Land Resources & Environment, 1998, 12(3): 98-104. 高志海, 魏懷東. TM影像VI提取植被信息技術(shù)研究. 干旱區(qū)資源與環(huán)境, 1998, 12(3): 98-104.

[60] Moges S M, Raun W R, Mullen R W,etal. Evaluation of green, red, and near infrared bands for predicting winter wheat biomass, nitrogen uptake, and final grain yield. Journal of Plant Nutrition, 2005, 27(8): 1431-1441.

[61] Shanahan J F, Schepers J S, Francis D D,etal. Use of remote-sensing imagery to estimate corn grain yield. Agronomy Journal, 2001, 93(3): 583-589.

[62] Zhang W, Chen G, Long G Q,etal. Study on color evaluation of clean culture turf by hyperspectral parameter. Grassland & Turf, 2007, (5): 6-10. 張文, 陳功, 龍光強(qiáng), 等. 利用高光譜參數(shù)評(píng)價(jià)單播草坪色澤的研究. 草原與草坪, 2007, (5): 6-10.

[63] Curran P J, Williamson H D. Sample size for ground and remotely sensed data. Remote Sensing of Environment, 1986, 20(1): 31-41.

Monitoring of above-ground biomass in alpine grassland based on agricultural digital camera and MODIS remote sensing data: A case study in the Yellow River Headwater Region

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, YIN Jian-Peng, ZHANG Ren-Ping, FENG Qi-Sheng, LIANG Tian-Gang*

StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China

We collected grassland biomass and MODIS satellite remote sensing data, and calculated vegetation indices (VIs) from data obtained by an agricultural digital camera (ADC) in the Yellow River Headwater Region (YRHR) in August of 2015-2016. We explored the correlations between each of three ADC vegetation indices (NDVIADC, SAVIADC, and GNDVIADC) and field-measured grassland above-ground biomass (AGB), and selected the optimal ADC vegetation index to construct an AGB inversion model. Grassland AGB inversion models based on ADC vegetation indices and MODIS NDVI (denoted as NDVIMOD) were constructed, and the accuracy of each model was evaluated by leave-one-out cross validation (LOOCV) to identify the optimal grassland AGB monitoring model. The NDVIADCwas used to correct the NDVIMODto obtain the optimized grassland AGB model with high resolution and accuracy. The results showed that: 1) among the three VIs-based ADC indices, the NDVIADCwas most closely related to the AGB of alpine grassland, followed by SAVIADCand GNDVIADC. 2) The NDVIADC-based AGB monitoring model (RMSEP: 383.55-393.18 kg DW/ha;r: 0.65-0.66) was more accurate than the NDVIMODmodel (RMSEP: 421.08-427.00 kg DW/ha;r: 0.55-0.58). Therefore, the grassland AGB inversion value from the NDVIADC-based model was much closer to the actual grassland AGB in YRHR, and the sampling values of NDVIMODwere higher than those of NDVIADCas a whole. 3) Among the four models based on NDVIADC, the linear and power models showed better performance in grassland AGB simulations. The linear model (y=3248.93×NDVIADC-305.59,RMSEP=383.55 kg DW/ha,r=0.66) was more accurate than the power model, and the linear model provided a novel and simple method to estimate grassland biomass in the study area.4) There was a strong correlation between NDVIADCand NDVIMOD; therefore, we could obtain an optimized grassland AGB model by using NDVIADCto correct NDVIMOD. The optimized model wasy=2455.54×NDVIMOD-301.69. This model could be used to estimate the grassland biomass in YRHR on a large scale, and its precision was close to that of the field measurements.

Yellow River headwater region; grassland above-ground biomass; normalized difference vegetation index; agricultural digital camera; MODIS; inversion model

10.11686/cyxb2017010

2017-01-09；改回日期：2017-03-14

國(guó)家自然科學(xué)基金項(xiàng)目(31672484，31372367，41401472)，中國(guó)氣象局氣候變化專(zhuān)項(xiàng)項(xiàng)目(CCSF201603)和長(zhǎng)江學(xué)者創(chuàng)新團(tuán)隊(duì)發(fā)展計(jì)劃(IRT13019)資助。

葛靜(1992-)，女，甘肅平?jīng)鋈?，在讀碩士。E-mail:gej12@lzu.edu.cn

*通信作者Corresponding author. E-mail: tgliang@lzu.edu.cn

http://cyxb.lzu.edu.cn

葛靜, 孟寶平, 楊淑霞, 高金龍, 殷建鵬, 張仁平, 馮琦勝, 梁天剛. 基于ADC和MODIS遙感數(shù)據(jù)的高寒草地地上生物量監(jiān)測(cè)研究——以黃河源區(qū)為例. 草業(yè)學(xué)報(bào), 2017, 26(7): 23-34.

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, YIN Jian-Peng, ZHANG Ren-Ping, FENG Qi-Sheng, LIANG Tian-Gang. Monitoring of above-ground biomass in alpine grassland based on agricultural digital camera and MODIS remote sensing data: A case study in the Yellow River Headwater Region. Acta Prataculturae Sinica, 2017, 26(7): 23-34.