基于ADC和MODIS遙感數(shù)據(jù)的高寒草地地上生物量監(jiān)測研究
——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)

?

基于ADC和MODIS遙感數(shù)據(jù)的高寒草地地上生物量監(jiān)測研究
——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)

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，結合農業(yè)多光譜相機(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)與野外實測草地地上生物量(above-ground biomass，AGB)數(shù)據(jù)的相關性，篩選出適合構建草地AGB反演模型的ADC植被指數(shù)；結合MODIS NDVI(記作NDVIMOD)構建草地地上生物量反演模型，采用留一法交叉驗證方法評價各模型精度，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)測改進模型。結果表明，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)測模型的精度(RMSEP介于383.55～393.18 kg DW/hm2；r范圍為0.65～0.66)遠高于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)草地實際生物量，且相較于NDVIADC，NDVIMOD的樣本值整體偏高；3)在NDVIADC構建的4類模型中，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)草地生物量的估測提供了一個新型且易操作的方法；4)NDVIADC與NDVIMOD相關性較高，利用NDVIADC校正NDVIMOD可以改進草地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估測黃河源區(qū)的草地生物量，且模型精度接近于地表測量法的監(jiān)測精度。

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

黃河源區(qū)位于青藏高原東北部，是中國淡水資源的重要來源，源頭的徑流量接近黃河流域總流量的35%，對我國北方地區(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型[4]。草地生態(tài)系統(tǒng)對于保護源區(qū)的生物多樣性、保持水土和維護生態(tài)平衡具有重大的生態(tài)作用，同時，青藏高原的草地碳庫被認為是世界上最重要的碳庫之一，占全球陸地生物圈土壤碳儲量的10%，在陸地碳循環(huán)中扮演著關鍵的角色[5]。然而，該地區(qū)生態(tài)環(huán)境脆弱，對氣候變化的響應十分敏感[6]。自19世紀以來，黃河源區(qū)年平均氣溫急劇增長，數(shù)十年間涌現(xiàn)出眾多的環(huán)境問題，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，是當前區(qū)域碳收支及全球變化研究中的一個熱點問題，吸引了國際社會的廣泛關注。

地上生物量(above-ground biomass，AGB)指植物地上部分光合產物的積累量，對草地生態(tài)系統(tǒng)而言，AGB是表征區(qū)域碳循環(huán)的關鍵指標之一，準確地估測草地地上生物量可以為草地資源的可持續(xù)管理以及放牧活動提供科學有效的指導信息[10-11]。因此，構建高精度的AGB反演模型，對評估草地生產力、草畜平衡和草地退化等具有重要的意義[12]。目前，測量地上生物量主要有地表實測和遙感反演兩種基本途徑[13]。地表實測法通?；跇臃匠叨冗M行測量，大量的外業(yè)觀測數(shù)據(jù)是生物量模型構建和精度評價的前提條件。但是，傳統(tǒng)的地表實測法只能在很小的空間尺度范圍內提供植被結構和分布狀況的變化信息，雖然觀測精度較高，但費時、費力、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[14]。遙感估測法主要利用衛(wèi)星影像資料獲取植被指數(shù)(vegetation index，VI)，同時結合地面實測資料，反演AGB統(tǒng)計模型[15-17]。目前，歸一化差值植被指數(shù)(normalized difference vegetation index，NDVI)是各類遙感植被指數(shù)中應用最廣泛的一種[18-19]，特別是生長季節(jié)合成的NDVI可以捕獲植被整個生長季的動態(tài)，是區(qū)域草地生物量監(jiān)測和評價的理想指標之一[20-23]。并且，基于NDVI改進的土壤調節(jié)植被指數(shù)(soil-adjusted vegetation index，SAVI)使用率也很高，其優(yōu)點是減小了土壤背景和植被冠層的影響，這一點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)測法的優(yōu)點是衛(wèi)星數(shù)據(jù)覆蓋范圍廣，數(shù)據(jù)處理高效準確，且不受地域限制[26]。然而，天然草地牧草種類繁多，空間異質性強，導致基于衛(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]。相較于地表實測法而言，草地AGB遙感監(jiān)測法的估測精度降低。

隨著遙感技術的不斷發(fā)展，農業(yè)多光譜數(shù)碼相機(agricultural digital camera，ADC)因其能夠提供更多的精細光譜信息而逐漸成為遙感領域觀測地表植被強有力的工具[30-33]。該相機操作簡單靈活，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)，而且在實際使用中可以達到更高的空間分辨率[34-35]。同時，相對于衛(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)更加準確[36]。研究表明，基于ADC獲取的植被指數(shù)與作物長勢、產量及病蟲害等關系密切，因此ADC是精準農業(yè)領域中極具前途的數(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性，因此認為Tetracam ADC是一種確定水稻營養(yǎng)狀態(tài)的新型工具。Mazzetto等[40]利用Tetracam ADC檢測了葡萄(Vitisvinifera)園植被冠層的反射率，結果證明多光譜圖像可以提供葡萄園精準栽培所需的重要信息。Yi等[34]和任世龍等[46]基于多光譜相機對青藏高原高寒草甸的蓋度進行了測量和精度評價，結果顯示ADC監(jiān)測法不僅準確快捷，而且可以避免目視估測法的主觀性。姬秋梅等[47]認為ADC是一種經(jīng)濟實用的測定草地干物質量的方法，且ADC拍攝的圖像可以顯示導致誤差的各種因素，同時提出ADC測定法必須借助采樣保證其準確度。楊鵬萬等[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)構建了研究區(qū)的AGB估算模型，并評價各模型精度，最終得出多光譜相機可以準確估算高寒草甸地上生物量的結論。上述研究均體現(xiàn)出便攜式多光譜相機在地表植被測量中具有較高的準確度。然而，該方法也存在傳統(tǒng)地表估測法費時、費力、缺少宏觀性以及地域受限的缺點。如何能在克服以上缺點的同時滿足高精度的草地AGB測量是需要深入探討的科學問題。因此，本研究試圖將地表測量法(ADC)和遙感監(jiān)測法(衛(wèi)星數(shù)據(jù))的優(yōu)點相結合，從而實現(xiàn)草地AGB高精度、大面積的動態(tài)監(jiān)測。

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)產品提取了采樣點處的ADC植被指數(shù)和MODIS植被指數(shù)，分別與野外實測樣點草地AGB數(shù)據(jù)之間構建反演模型，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。進一步分析了不同來源植被指數(shù)的相關性，并利用ADC植被指數(shù)校正MODIS植被指數(shù)，改進衛(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，最終實現(xiàn)ADC地表遙感和衛(wèi)星航空遙感兩者優(yōu)勢的有效結合，以期為大面積草地植被的動態(tài)變化研究提供科學依據(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、同德和班瑪8個縣的整體以及稱多、瑪多、興海、達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)性變化劇烈和太陽輻射強的氣候特點[1,6]。年平均降水量為420 mm，且超過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區(qū)[51]。黃河源區(qū)的典型植被類型為高寒草原、高寒草甸和高寒灌叢，在我國植被分區(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)時期是2009年，空間分辨率為30 m，TIFF數(shù)據(jù)類型。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，可以通過地理空間數(shù)據(jù)云(http://www.gscloud.cn/)平臺免費下載使用。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。

1.3 地面實測資料

地面實測數(shù)據(jù)的野外調查時間為2015年8月1-12日和2016年7月30日-8月12日，選擇地勢平坦、生長狀況均一的典型草地植物群落設置樣地，面積大小規(guī)定為100 m×100 m。樣地內采用5點法布設樣方[53]，即選取樣地中心點作為第一個樣方，4個角點依次設置為其余樣方，樣方大小為0.5 m×0.5 m。2015-2016年間總計調查樣地87個(圖1)，拍攝多光譜圖像435張，記錄內容包括ADC照片編號、樣地名稱、樣方經(jīng)緯度及高程信息，同時針對草地AGB鮮重進行采樣，帶回室內在65 ℃烘箱烘干48 h后稱取樣方的干物質產量，最終以5個樣方AGB干重的平均值代表整個樣地的地上生物量。

1.4 植被指數(shù)來源及處理方法

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個光譜波段的反射率，分別與Landsat TM的第2、3和4波段相當。野外取樣時，以距離樣方1 m的高度平行于地面拍攝，耗時3～5 s，在此高度下，實際視野范圍為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定板，以減少邊際效應，校準照片可用來產生圖像處理所需的糾正參數(shù)。ADC拍攝的照片可以達到320萬(2048×1536)像素，以DCM格式儲存在閃存卡內，并能以JPEG或BMP等格式輸入計算機，照片需要按照樣方框大小裁剪，目的是削減邊緣畸變造成的誤差。裁剪后的圖像通過該相機附帶的PixelWrench 2軟件進行處理，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L=1。研究表明，在草地SAVI計算中，L值取0.5時，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)是美國航空航天局對地觀測系統(tǒng)數(shù)據(jù)與信息系統(tǒng)(NASA’S earth observing system data and information system，EOSDIS)開發(fā)的植被指數(shù)產品，包含空間分辨率250 m、16 d最大合成的NDVI和增強型植被指數(shù)(enhanced vegetation index，EVI)數(shù)據(jù)及產品質量等信息。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)所有采樣點的MOD13Q1數(shù)據(jù)，影像軌道號為h26v05。利用MODIS數(shù)據(jù)重投影工具(MODIS reprojection tools，MRT)提取影像的NDVI，并將其轉化為TIF格式，之后通過ArcMap軟件的Extract Multi Values to Points工具提取采樣點處的NDVI值，記作NDVIMOD。

1.5 反演模型的構建與驗證

2015和2016年野外科考共計調查87個樣地，剔除落在研究區(qū)之外的采樣點和明顯異常的樣本數(shù)據(jù)，獲得草地AGB有效樣點數(shù)據(jù)84個。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，實測草地AGB為因變量，分別建立線性、對數(shù)、指數(shù)和乘冪4類回歸模型。采用Origin 8.5軟件制作散點圖，并結合留一法交叉驗證方法(leave-one-out cross validation，LOOCV)評價模型精度。模型的預測能力由均方根誤差(root-mean-square error of prediction,RMSEP)以及實測值與模型反演值之間的相關系數(shù)r來衡量，RMSEP用于量化模型精度，r用來評估模型的準確性[56-58]。RMSEP的計算公式如下:

(4)

式中：E(yi)表示第i個實測值；yi為第i個模型預測值；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；相關系數(shù)r越接近于1，說明模型準確性越高[40]。

2 結果與分析

2.1 草地AGB與ADC各項植被指數(shù)的相關性比較分析

黃河源區(qū)2015-2016年盛草期的ADC植被指數(shù)與草地AGB回歸分析結果(表1)表明，NDVIADC與高寒草地地上生物量之間的關系最為密切(R2=0.4414，P<0.01)，其次為SAVIADC，而GNDVIADC與草地AGB的相關性則有明顯降低。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)盛草期的草地生長狀況良好，生物量、蓋度和多度等指標均達到較高水平，大多數(shù)區(qū)域土壤本身的影響幾乎可以忽略，這可能是導致研究區(qū)SAVI預測草地AGB的能力不如NDVI的主要原因。GNDVI與農作物的葉綠素含量高度相關，可用來確定水稻、小麥(Triticumaestivum)、玉米(Zeamays)等谷物生長階段的氮素吸收狀況[60-61]，但表1結果顯示，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果，本研究只選取模擬效果最好的NDVIADC進行后續(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)計分析

各縣樣本數(shù)據(jù)的統(tǒng)計分析結果(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，整體波動較大；NDVIADC最大值為0.6393，最小值為0.1920，總體標準偏差較大(0.1056)；NDVIMOD平均值的范圍是0.3289～0.8356，標準偏差為0.1066，且各縣NDVIMOD的最大值、最小值及均值都明顯高于NDVIADC的對應值。河南、達日、久治和貴南縣的平均生物量較高(均大于1400 kg DW/hm2)，生物量標準偏差達452.1344～697.6292 kg DW/hm2，數(shù)據(jù)離散程度較大，同時以上4個縣NDVIADC的平均值(均大于0.50)和NDVIMOD的平均值(均大于0.65)也達到較高水平，其中貴南縣生物量的標準偏差在各縣中最大，其NDVIADC和NDVIMOD的標準偏差也為各縣中最大值。同德和興海縣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，興海縣AGB、NDVIADC和NDVIMOD的標準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，均通過了顯著性水平為0.01的F檢驗。

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)計分析Table 2 Descriptive statistics of sample data of different counties in Yellow River headwater region

注：NDVIADC為基于農業(yè)多光譜數(shù)碼相機(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構建的草地AGB監(jiān)測模型比較分析

利用留一法檢驗各模型精度，結果(表3)顯示，NDVIADC與草地AGB建立的4類反演模型中，不論是線性、對數(shù)、乘冪還是指數(shù)模型，其決定系數(shù)R2和交叉驗證相關系數(shù)r均高于以NDVIMOD為自變量構建的4類草地AGB回歸模型，而RMSEP值結果相反。由此說明，相較于NDVIMOD，NDVIADC與草地AGB的相關性更好，構建模型的擬合度、精度及預測準確度更高，更適合于模擬黃河源區(qū)高寒草地地上生物量。進一步比較分析基于NDVIADC構建的草地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)、線性和對數(shù)模型；RMSEP值由低到高的順序為線性、乘冪、對數(shù)和指數(shù)模型，相關系數(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表示利用模型預測的草地AGB值；x代表NDVIADC值。

表3 NDVIADC、NDVIMOD(x)與草地AGB(y)回歸模型精度評價結果(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是實際觀測值與模型預測值的均方根誤差，單位為kg DW/hm2；r代表實測值與模型反演值之間的相關系數(shù)；其中，所有模型P<0.01，均通過了顯著性水平為0.01的F檢驗。

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、對數(shù)、指數(shù)和乘冪模型的R2、RMSEP及r3種指標的評價結果均優(yōu)于NDVIMOD與草地AGB之間的同類模型。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預測值更接近于黃河源區(qū)草地的真實情況。同時，NDVIADC與NDVIMOD之間的相關系數(shù)達0.7628(P<0.01)(圖3)，因此，利用NDVIADC對NDVIMOD校正后代入公式5，可得到經(jīng)過NDVIADC校正的基于NDVIMOD的草地AGB遙感監(jiān)測模型(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表示利用模型預測的草地AGB值；x是指NDVIMOD值。

3 討論

本研究通過ADC多光譜照片計算得到的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性，SAVI次之，但也可以達到比較好的效果，而GNDVI與草地AGB沒有顯著的相關性。這與楊鵬萬等[48]對藏北高寒草甸盛草期生物量的研究結果相同，但與降水稀少、植被生長稀疏地區(qū)的生物量研究[16,59]結果相反。由此可見，在生長狀況良好、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預測草地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系。對于GNDVI，已有研究表明其與植被葉綠素含量關系密切[62]，而葉綠素含量并不能作為表征地上生物量的指標。因此，GNDVI不適合參與草地生物量估測模型的構建。

與NDVIMOD相比，NDVIADC估測黃河源區(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NDVIADC值校正的NDVIMOD草地AGB遙感監(jiān)測模型，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，很好的彌補了ADC野外采集費時費力、缺少宏觀性的缺點，利用以上改進模型可以實現(xiàn)對大尺度草地AGB的動態(tài)監(jiān)測，且監(jiān)測精確度近似于ADC地表測量法的估測水平。因此，構建融合不同尺度監(jiān)測方法優(yōu)點的改進模型是提高大面積草地AGB精準監(jiān)測的新途徑。

Chen等[23]列舉了大量利用遙感植被指數(shù)構建牧草生物量估測模型的研究，證明NDVI與牧草生物量之間存在很高的相關性，而在本研究中，基于NDVI構建的草地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，這可能與本研究地面采樣時間較為集中，樣點數(shù)量偏少，但研究涉及的空間范圍較大有關。因此，進一步研究仍需增加采樣年限，在牧草生長季不同時期多次采樣，保證數(shù)據(jù)的連續(xù)性，同時在研究區(qū)內均勻布設采樣點，減少空間差異性，繼續(xù)擴大樣本數(shù)量，改進現(xiàn)有模型，從而減少建模的誤差，增加模型可信度。

楊鵬萬等[48]的研究結果表明，運用ADC植被指數(shù)進行高寒草甸地上生物量的模擬時，應當優(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)模型結果與此相似，而在姬秋梅等[47]對西藏地區(qū)產草量的研究中，則認為基于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間、研究區(qū)地理位置和環(huán)境、樣點大小、數(shù)量及其代表性的影響，同時ADC照片計算軟件、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一定的誤差。并且，高寒草地牧草種類繁多，空間異質性強，導致基于衛(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)或其他單一指標的天然草地生物量遙感監(jiān)測模型在部分地區(qū)存在穩(wěn)定性差、精度低的問題，認為單一植被指數(shù)不足以作為生物量預測的獨立因子。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PixelWrench 2軟件計算獲得目標地物的覆蓋度。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設備獲取的草地蓋度等數(shù)據(jù)構建黃河源區(qū)草地AGB的多因素反演模型，以期改進現(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、操作方便、快速準確的草地AGB估測手段，進一步提高天然草地生物量的監(jiān)測精度。

近年來，無人機(unmanned aerial vehicle，UAV)技術有著突飛猛進的發(fā)展，是地表測量和衛(wèi)星遙感兩者優(yōu)勢的完美結合，其體積小、質量輕、靈活性高，與衛(wèi)星遙感一樣可在高危地區(qū)探測。Curran等[63]研究了樣方大小對地表測量結果的影響，證明樣方尺寸是左右測量精度的重要因素，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)的空間匹配性問題，且其監(jiān)測精度高達cm級，接近地表測量的精度水平，因此，今后進一步研究可以考慮將ADC設備搭載在無人機上進行數(shù)據(jù)采集，既節(jié)省了ADC地表測量的時間和勞力，也提高了測量精度，實現(xiàn)了大面積草地生物量的動態(tài)監(jiān)測。

4 結論

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)，結合NDVIMOD數(shù)據(jù)，分別與野外實測草地生物量數(shù)據(jù)進行回歸分析，結果表明：

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的預測效果卻不盡人意。因此，NDVIADC為3種ADC指數(shù)中最適宜構建草地AGB監(jiān)測模型的植被指數(shù)。以草地AGB樣點數(shù)據(jù)為因變量，NDVIADC和NDVIMOD分別作為自變量，構建4類回歸模型，精度分析結果顯示，基于NDVIADC構建的草地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的相關性明顯提高，因此利用NDVIADC校正基于NDVIMOD構建的草地AGB遙感估測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構建的4類模型中，線性模型的RMSEP值最小，相關系數(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)草地生物量的測定提供了一個新型、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估測草地AGB的準確性。

NDVIADC與NDVIMOD樣本數(shù)據(jù)統(tǒng)計結果顯示，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)驗證NDVIADC與NDVIMOD相關性較高(r=0.7628)，因此NDVIADC可以用來校正NDVIMOD，從而獲得經(jīng)過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, 劉時銀, 等. 長江-黃河源寒區(qū)徑流時空變化特征對比. 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)學報, 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. 宜樹華, 王增如, 謝霞, 等. 高寒草地植被蓋度估算及其與凍土的關系. 草業(yè)科學, 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)對紅外增溫的初始響應. 生態(tài)環(huán)境學報, 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, 李長春, 于海洋, 等. 農用無人機多傳感器遙感輔助小麥育種信息獲取. 農業(yè)工程學報, 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, 宜樹華, 陳建軍, 等. 基于不同數(shù)碼相機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, 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. 應用數(shù)字照相機研究西藏草地產草量. 草地學報, 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, 付剛, 李云龍, 等. 多光譜相機估算藏北高寒草甸地上生物量. 草業(yè)科學, 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. 中國環(huán)境科學, 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. 嚴作良, 周華坤, 劉偉, 等. 江河源區(qū)草地退化狀況及成因. 中國草地學報, 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囼瀰^(qū)為例. 草業(yè)科學, 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在留一法交叉驗證實驗教學中的作用. 實驗科學與技術, 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狀況遙感動態(tài)監(jiān)測. 蘭州大學學報: 自然科學版, 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, 等. 利用高光譜參數(shù)評價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

國家自然科學基金項目(31672484，31372367，41401472)，中國氣象局氣候變化專項項目(CCSF201603)和長江學者創(chuàng)新團隊發(fā)展計劃(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)測研究——以黃河源區(qū)為例. 草業(yè)學報, 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.