冷若琳，張瑤瑤，謝建全，李芙凝，胥 剛，崔 霞

（1. 蘭州大學資源環(huán)境學院西部環(huán)境教育部重點實驗室，甘肅 蘭州 730000；2. 草地農業(yè)生態(tài)系統(tǒng)國家重點實驗室 /蘭州大學草地農業(yè)科技學院，甘肅 蘭州 730020）

草地生態(tài)系統(tǒng)是除森林、苔原和農田生態(tài)系統(tǒng)之外的最主要陸地生態(tài)系統(tǒng)，是重要的畜牧業(yè)生產基地和生態(tài)屏障，為家養(yǎng)牲畜和野生動物提供了棲息地[1]。草地植被覆蓋度(fractional vegetation cover，F(xiàn)VC)能夠定量描述地表草類植物覆蓋情況及生長狀況，在植被蒸騰、光合作用、土壤水分蒸發(fā)、水土流失等變化中都是一個重要的影響因子[2]。

估測草地植被覆蓋度的傳統(tǒng)方法是地面測量法，但是由于不同區(qū)域空間異質性的影響，很難對大范圍的草地植被覆蓋度進行精準估測[3]。遙感技術的發(fā)展為草地植被覆蓋度的估測提供了新的技術手段，尤其為大范圍快速和準確估測提供了可能。近幾十年來，開展了大量的基于遙感技術估算草地植被覆蓋度的研究，但這些研究大多是關注生長季綠色植被覆蓋度，對草地非生長季植被覆蓋度的遙感估算研究甚少。

草地非生長季植被是指在非生長季(11月到次年4月之間)出現(xiàn)的不能進行光合作用的草地植被。甘南州草地超載過牧現(xiàn)象較為嚴重，尤其是在冬春季草畜矛盾尤為突出[4]，在整個非生長季，牲畜都要以冬季牧場飼草作為主要的飼料來源，很多地區(qū)家畜出現(xiàn)“夏壯、秋肥、冬弱、春死亡”的現(xiàn)象，冬春季節(jié)嚴重缺草造成牲畜掉膘和死亡是制約牧區(qū)草地畜牧業(yè)發(fā)展的瓶頸，在確定牧區(qū)載畜量時，不僅要依據飼草總產量，同時也要考慮季節(jié)變化的影響。監(jiān)測草地非生長季植被的空間分布狀況與時間動態(tài)對冬季飼草貯備、計算牧區(qū)季節(jié)載畜量等問題都有重要意義，可以為當地畜牧業(yè)發(fā)展提供科學依據，有利于甘南州畜牧業(yè)可持續(xù)發(fā)展。

由于草地非生長季植被中所含纖維素、半纖維素以及木質素等非結構組分在1.7、2.1以及2.35 μm波段附近的光譜吸收相對深度與裸土不同[5]，可為草地非生長季植被覆蓋度遙感估算提供理論基礎。由于高光譜數據含有豐富的地物光譜信息，Daughtry和Craig[6]基于高光譜數據建立的纖維素吸收指數(cellulose absorption index，CAI)有效估算了農作物秸稈殘茬覆蓋度，目前CAI是估算非光合植被覆蓋度的最佳指標。但是計算CAI指數所需要的高光譜數據目前只來源于少數衛(wèi)星(如EO-1 Hyperion)、機載成像光譜儀(airborne visible infrared imaging spectrometer，AVIRIS)以及地物光譜儀，可獲得性差。Serbin等[7]利用ASTER數據建立了短波紅外歸一化殘留指數(the shortwave infrared normalized difference residue index，SINDIR)，可 以代替CAI進行草地非生長季植被覆蓋度監(jiān)測，但是由于ASTER數據時間分辨率較低，且每景數據覆蓋面積小，并不適合區(qū)域范圍的植被監(jiān)測。

中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer，MODIS)具有大空間性、高時效性以及低成本等特點[8]，可用于草地非生長季植被覆蓋度研究。長久以來學者們一直試圖挖掘多光譜遙感數據(如TM、MODIS等)在草地非生長季植被覆蓋度監(jiān)測方面的潛力。Van Deventer等[9]首次提出利用TM數據5和7波段組成土壤耕作指數(soil tillage index，STI)和 歸 一 化 差 異 耕 作 指 數(normalized difference tillage index，NDTI)來對土壤特性進行分類，十幾年后Kergoat等[8]將STI指數與草地非生長季植被覆蓋度以及生物量聯(lián)系起來，并證明TM短波紅外(shortwave infrared，SWIR) 1.6與2.1 μm波段在監(jiān)測非光合植被方面有很大優(yōu)勢。任鴻瑞等[10]基于MODIS的SWIR波段建立了與CAI高度相關的NDTI指數，證明SWIR兩個波段組合成的指數可以替代CAI進行草地非生長季植被生物量監(jiān)測。曹鑫等[11]在STI的基礎上，基于MODIS數據中綠色植被-非光合植被-土壤3種組分混合物的光譜特性建立了干枯燃料指數(dead fuel index，DFI)，并證明其對與綠色植被混合的草地非生長季植被覆蓋度具有較好的估測能力。

由于SWIR1、2組成的指數可以替代CAI，有效估算草地非生長季植被覆蓋度[8,10,12]，那么眾多植被指數中哪一種最適于非光合植被覆蓋度的監(jiān)測？對于常用的兩種多光譜數據源(MODIS、Landsat)，在甘南草地非生長季植被覆蓋度監(jiān)測中的適用性如何？

為此，本研究比較了基于不同空間分辨率遙感數據(Landsat8 OLI、MODIS)的9種植被指數估算甘南州草地非生長季植被覆蓋度的能力，分析草地實測數據與多種植被指數之間的相關關系，根據精度驗證結果篩選出甘南草地非生長季植被覆蓋度最優(yōu)反演模型，并分析甘南州2018年草地4月 -5月植被覆蓋度空間分布特征，以期為甘南州草地非生長季載畜量計算和植被動態(tài)監(jiān)測提供依據。

1 材料與方法

1.1 研究區(qū)概況

甘南藏族自治州地處甘肅省西南部，位于黃土高原的西部和青藏高原東北邊緣的過渡地帶，地理坐標100°46′-104°44′ E，33°06′-36°10′ N[3-4,13-14]。州內海拔1 000～4 900 m，多數地區(qū)大于3 000 m，大部分區(qū)域屬于高原大陸性氣候，年均降水量400～800 mm，年均溫度1～3 ℃，年均日照時長2 200～2 400 h，自西北向東南逐漸降低[4,15]。甘南州南部為岷迭山區(qū)，氣候溫和，是全省重要的林區(qū)之一；東部為丘陵山地，高寒陰濕；西北部為廣闊的草甸草原，牧草豐茂，草地面積約為2.063 × 106hm2，占甘南州土地總面積的67.64%，其中可以利用的 草 地 面 積 為2.495 × 106hm2，占 草 地 總 面 積 的95.86%[13-16]。高寒草甸、高寒灌叢草甸、溫性草甸草原、溫性草原、沼澤、暖性草叢、低平地草甸是甘南州的主要草地類型，瑪曲、碌曲、夏河、合作4個縣(市)為甘南州的主要牧區(qū)[15]。

1.2 數據獲取

1.2.1 地面實測數據獲取

野外實測數據采集于2018年4月25日-29日進行，在甘南州主要牧區(qū)(瑪曲縣、碌曲縣、夏河縣、合作市)選擇地勢較為平坦、具有代表性的典型群落地段設置樣地，共獲得13個樣地數據和65個樣方數據(圖1)，樣地大小為60 m × 60 m，在每個樣地四角及中心點設置一個樣方，利用大疆精靈無人機Phantom 3 Professional設置航線垂直對地進行拍攝，獲取每個樣方的照片(圖2)，每個樣地獲取5個樣方照片，無人機飛行高度為30 m[15]。每個樣方的經緯度從無人機拍攝的照片上獲取，樣地的位置為中心樣方經緯度。

圖 1 甘南州樣地分布圖Figure 1 Distribution map of the sampled land in Gannan

1.2.2 遙感數據獲取

圖 2 樣地和樣方設置圖(黑色正方形為樣方)Figure 2 Plot and quadrat design (The black square is the quadrat)

MODIS數據：采用Terra和Aqua衛(wèi)星結合的中分辨率成像光譜儀MODIS雙向反射分布函數和地表反射率產品MCD43A4[11,16]，該產品經過大氣分子散射、臭氧、氣溶膠及云處理，對MODIS 7個波段的數據均進行了大氣雙向反射和太陽高度矯正 以 及NBAR(Nadir BRDF Adjusted Reflectance)糾正，時間分辨率為1 d，空間分辨率為500 m[16]。該數據來自美國國家航空航天局(National Aeronautics and Space Administration，NASA)對 地 觀 測 系 統(tǒng) 數據共享平臺(EOS data gateway)，獲取從2018年4月25日-29日共5 d數據。

Landsat8 OLI數據：空間分辨率為30 m，時間分辨率為16 d，本研究中獲取與實測數據獲取時間相近的覆蓋研究區(qū)的2018年4月-5月的4期云量較少的影像(表1)。該數據在美國地質調查局(USGS，United States Geological Survey)官方網站下載[5]。

表 1 研究區(qū)Landsat遙感數據Table 1 Landsat data list of the research area

2 研究方法

2.1 非生長季植被覆蓋度信息提取

使用ENVI 5.3中監(jiān)督分類的方法，對無人機所拍攝到的每個樣方照片進行分類并提取非生長季植被覆蓋度數據。對于Landsat影像來說，由于其空間分辨率為30 m，因而每個樣方的大小都能與之匹配，共計獲取65個樣方的非生長季植被覆蓋度數據。對于MODIS數據需要將每個樣地內5個樣方的覆蓋度取平均值作為該樣地非生長季植被覆蓋度值與MODIS影像相匹配[5,15]，共計獲取13個樣地的非生長季植被覆蓋度數據。

2.2 遙感影像處理

MODIS影像數據用MRT(modis projection tool)軟件進行讀取[3]，并提取出其中7個波段的數據，同時轉換遙感影像的數據格式和地圖投影，最后利用ArcGIS提取樣地的波段數據以及質量數據，結合質量數據，對樣地所對應的像元反射率數據質量進行評價，剔除受云和氣溶膠影響較大的數據。

Landsat8 OLI影像數據用ENVI 5.3的Radiometric Calibration模塊和FLAASH Atmosphere Correction模塊分別對影像數據進行輻射定標與大氣校正處理，并提取出波段1～7的TIFF格式文件，在ENVI中進行波段計算，最終提取每個樣地所對應像元的相應反射率數據[15]。

2.3 植被指數計算

基于非光合植被在SWIR1、SWIR2波段反射率差異構建的植被指數在非生長季植被覆蓋度估算中得到了較為廣泛的應用[10-12]。同樣，也有研究表明，非光合植被在可見光波段的光譜差異也為可見光植被指數的構建創(chuàng)造了可能[17-19]。本研究總結了目前所提出的可用于草地非生長季植被覆蓋度估算的植被指數(表2)。根據提取的Landsat8 OLI、MODIS數據的對應波段數據，根據表2中的公式計算得到基于不同數據源的9種植被指數。

2.4 非生長季植被覆蓋度反演模型及精度評價

將9種植被指數作為自變量，基于無人機圖像的非生長季植被覆蓋度數據作為因變量，利用SPSS軟件分別計算各指數與非生長季植被覆蓋度之間線性、對數、乘冪以及指數回歸模型的參數。由于本研究中獲取的樣地數量較少，因而采用適用于樣地數量少的留一法交叉驗證法(leaveone-out cross-validation，LOOCV)，對預測誤差進行無偏差估計[25]。這種驗證方法每次從總樣本里面挑出一個樣本作為驗證集，余下的n-1個樣本建立回歸模型，用挑出的樣本驗證模型精度，進行n次運算后，得到全部樣本的RMSEP(root-mean-square error of prediction) (式1)和觀測值與模型預測結果之間的交叉系數(cross-validation r)。

表 2 用于非生長季植被覆蓋度估算的幾種主要植被指數Table 2 Several major vegetation indexes (VIs) used in estimating vegetation coverages in non-growing seasons

2.5 草地非生長季植被覆蓋度空間分布

利用最終確定的遙感監(jiān)測模型以及遙感數據，反演2018年4月-5月甘南州草地非生長季植被覆蓋度，并分析其空間分布特征。

3 結果與分析

3.1 不同植被指數與草地非生長季植被覆蓋度相關性分析

基于Landsat8 OLI與MODIS兩種數據源計算不同植被指數，對比9個指數與草地非生長季植被覆蓋度之間的相關系數r (表3)?？傮w來說基于Landsat8的植被指數與草地非生長季覆蓋度相關性較高，當顯著水平為0.01時，與覆蓋度達到極顯著的指數分別為NDTI、STI、Ratio、GRCI、BRCI，r介于0.569～0.638；當顯著水平為0.05時，與覆蓋度相關系數達到顯著的指數為NDVI、NDSVI、GNDVI；基于MODIS的植被指數與草地非生長季植被覆蓋度相關系數較低，NDTI、Ratio、STI、DFI這4個指數與覆蓋度顯著相關(P ＜ 0.05)，相關系數介于0.512～0.565，其中DFI與覆蓋度的相關性最佳，相關系數r達到0.565，其余指數與覆蓋度均無明顯關系。對比基于不同數據源的9種植被指數與草地非生長季植被覆蓋度之間的相關系數，在構建反演模型時選取了相關性均較為顯著的兩個指數：NDTI和STI (因Ratio與STI互為倒數，故本研究僅計算了STI)，同時由于DFI是專為MODIS數據設計的，且本研究基于MODIS的DFI與植被覆蓋度有顯著相關性，因此選取NDTI、STI和DFI這3種植被指數分別建立草地非生長季植被覆蓋度反演模型。

表 3 草地覆蓋度與植被指數之間的相關性比較Table 3 Comparison of correlation coefficients of FVC with VIs

3.2 基于不同數據源的反演模型對比

3.2.1 基于Landsat數據的非生長季植被覆蓋度反演模型構建及精度驗證

在基于Landsat 8 OLI數據的植被指數與覆蓋度進行回歸分析時，發(fā)現(xiàn)以植被指數為縱坐標、覆蓋度為橫坐標的散點圖中，非生長季植被覆蓋度相同或相近的位置，所對應的植被指數卻有所差別，采用Xu等[5]的方法將覆蓋度相同或相近點(相差5%以內)的植被指數進行平均(圖3)，可以將其他因素引起的植被指數差異最小化。

圖 3 覆蓋度相近的點所對應的3個植被指數平均前后對比Figure 3 Comparison of averaged before and after points with similar coverage

基于Landsat8 OLI的3種植被指數反演草地非生長季植被覆蓋度的模型方程及精度評價結果如表4所示。其中NDTI與覆蓋度呈極顯著相關，其線性模型的R2最高達到0.407，高于對數、乘冪以及指數模型的決定系數；基于NDTI的指數模型具有最小的RMSEP (12.805)及最高的交叉系數(0.672)，但是線性模型的R2遠大于指數模型(分別為0.407和0.352)。因此，甘南州基于Landsat8 OLI的草地非生長季植被覆蓋度最優(yōu)模型為基于NDTI的線性模型(R2= 0.407，RMSEP = 12.773，r = 0.638)：

式中：y表示基于Landsat 8 OLI NDTI反演的非生長季植被覆蓋度(%)；x表示基于Landsat 8 OLI的植被指數NDTI。

3.2.2 基于MODIS數據的非生長季植被覆蓋度反演模型構建及不同數據源結果對比

與Landsat8 OLI數據經過相同方法處理，建立基于MODIS的3種植被指數與草地非生長季植被覆蓋度的不同回歸模型如表4所示。其中基于DFI的反演模型在R2以及精度評價方面都明顯優(yōu)于STI與NDTI，基于DFI的指數模型R2和交叉系數最高，分別達到0.319和0.544；DFI線性模型RMSEP最小，為4.310。雖然DFI指數模型的RMSEP略高于線性模型，但是R2和交叉系數卻比后者大很多。因而，基于MODIS的草地非生長季植被覆蓋度最優(yōu)反演模型為指數模型：

式中：y表示基于MODIS DFI反演的非生長季植被覆蓋度(%)；x表示基于MODIS的植被指數DFI。

表 4 基于Landsat 8 OLI與MODIS的植被指數與覆蓋度反演模型及精度評價對比Table 4 Comparison of the inversion model and accuracy evaluation between VIs and FVC based on Landsa8 OLI and MODIS

對比基于Landsat 8 OLI與MODIS的植被指數與非生長季植被覆蓋度最優(yōu)反演模型(分別為Landsat NDTI線性模型與MODIS DFI指數模型)，發(fā)現(xiàn)Landsat NDTI與覆蓋度反演模型的相關系數(R2= 0.407)及交叉系數(r = 0.638)均大于后者(R2=0.319，r = 0.544)。MODIS DFI指數模型的RMSEP較小(RMSEP = 4.321)，但是Landsat NDTI與覆蓋度呈極顯著相關(MODIS DFI與覆蓋度僅為顯著相關)，且相關系數遠大于MODIS DFI。綜上所述，甘南州非生長季植被覆蓋度最優(yōu)反演模型為Landsat NDTI線性模型(式2)。

3.3 甘南州2018年4月- 5月植被覆蓋度空間分布

利用甘南州非生長季植被覆蓋度最優(yōu)反演模型，得到甘南州2018年4月-5月草地植被覆蓋度空間分布圖(圖4)。甘南州非生長季草地植被集中分布在西部合作、夏河、碌曲、瑪曲4個牧業(yè)縣中，東部草地植被覆蓋較少?？傮w上甘南州植被覆蓋度西部高、東部低，其中瑪曲縣草地植被覆蓋度最高，其西北部覆蓋度維持在60%以上；合作、夏河、碌曲大部分地區(qū)草地覆蓋度在20%～50%，夏河北部、合作中部以及瑪曲東南部少部分區(qū)域植被覆蓋度小于20%。

圖 4 甘南州地區(qū)2018年4月-5月非生長季的草地植被覆蓋度空間分布圖Figure 4 The spatial distribution map of grassland FVC in non-growing seasons from April to May, 2018, in Gannan

4 討論

目前對綠色植被覆蓋度的研究已經較為成熟，NDVI、EVI等植被指數經過多年驗證，是草地綠色植被生長狀態(tài)以及覆蓋度的最佳指示因子[27]。但是基于多光譜數據估測草地非生長季植被還處于起步階段，尚未找出具有普適性的最優(yōu)監(jiān)測指數。與綠色植被覆蓋度反演模型相比，草地非生長季植被覆蓋度反演模型的R2要低一些[3,13,15]。這是由于高寒草地在冬春季節(jié)雨雪充沛，降雪過后對土壤濕度有很大影響，土壤濕度是影響非生長季植被監(jiān)測的一個重要因素[27]。

本研究選取了NDTI、STI、DFI這3個指數分別建立植被覆蓋度監(jiān)測模型。其中STI是由短波紅外兩波段簡單比值組合成的[26]，短波紅外波段光譜帶位于電磁波譜的吸水區(qū)附近，可用于增強枯黃植被的信號，當植被由綠色變?yōu)榭蔹S時，這些區(qū)域的光譜響應會由于葉組織中的水分流失而增加[21]，因此STI對草地非生長季植被覆蓋度有很好的響應。NDTI在STI的基礎上，采用歸一化算法能夠在一定程度上抵消大氣影響[9]，與本研究中基于Landsat8 OLI的NDTI反演模型精度略高于STI的結論一致。Cao等[11]通過分析綠色植被、非光合植被和裸土平均光譜曲線，根據其在MODIS波段范圍內的光譜特征提出了DFI指數。基于MODIS的DFI與草地非生長季植被覆蓋度具有良好的相關性，但是基于Landsat8 OLI的DFI與覆蓋度之間卻沒有這樣的規(guī)律，其根本原因是MODIS與Landsat8 OLI數據的波段設置存在差異。

利用Landsat8 OLI以及MODIS數據估算草地非生長季植被覆蓋度，充分發(fā)揮了多光譜遙感數據低成本、大范圍、長時間觀測的優(yōu)勢[23,28-29]。本研究表明，SWIR1、SWIR2兩波段對草地非生長季植被的監(jiān)測能力優(yōu)于可見光三波段(R、G、B)以及近紅外波段，反演草地非生長季植被覆蓋度的最優(yōu)指數是基于Landsat8 OLI的NDTI。

此外，由于研究區(qū)設置的樣方大小(30 m × 30 m)與Landsat8 OLI的空間分辨率更為匹配，MODIS數據空間異質性較大，60 m × 60 m的樣方不能很好的與其匹配，導致本研究中基于MODIS的植被指數整體上反演草地非生長季植被覆蓋度的能力與Landsat8 OLI相比較差。雖然地面樣方法與傳統(tǒng)測量方法具有高度相關性[3]，但是如何設置地面樣方使其與低分辨率遙感數據(500 m × 500 m)相匹配，提高地面樣方的代表性，是今后研究中需要解決的關鍵問題。目前對非生長季植被監(jiān)測存在模型適用范圍小、精度差等困難，由于不同植被類型、土壤濕度與類型以及非光合植被隨時間分解的影響，在短波紅外波段會產生光譜差異[28,30]。高海拔地區(qū)在非生長季期間的遙感影像會受到大氣、云以及雪的影響，多光譜遙感數據與野外實測數據在時間以及空間上不能完全對應，這些都是草地非生長季植被覆蓋度反演誤差的主要來源[27]。

5 結論

本研究選取了甘南州研究區(qū)2018年4月-5月野外調查的草地數據，結合該時段MODIS以及Landsat8 OLI遙感數據，對比了基于不同遙感數據的9種植被指數估算草地非生長季植被覆蓋度的能力，并建立了甘南州地區(qū)基于MODIS DFI以及Landsat NDTI的覆蓋度反演模型。在此基礎上，通過精度分析確立了用于估算草地非生長季植被覆蓋度的最優(yōu)反演模型，得出：

1)與MODIS數據相比，Landsat8 OLI空間分辨率更高，與多種植被指數呈顯著性相關，更適合用于甘南州草地非生長季植被覆蓋度估算。

2)基于Landsat8 OLI的NDTI指數對研究區(qū)草地非生長季植被覆蓋度反應最為敏感，NDTI與覆蓋度之間的線性模型為研究區(qū)草地非生長季植被覆蓋度的最優(yōu)反演模型(y = 1 432.074x-166.855)，決定系數R2為0.407，RMSEP為12.773。該模型可用于研究甘南州非生長季植被覆蓋度。

3)甘南州2018年4月-5月草地植被覆蓋度總體上西部高、東部低，其中瑪曲縣草地植被覆蓋度最高，其西北部覆蓋度維持在60%以上；合作、夏河、碌曲大部分地區(qū)草地覆蓋度在20%～50%，夏河北部、合作中部以及瑪曲東南部少部分區(qū)域植被覆蓋度小于20%。