基于植被指數(shù)估算天山牧區(qū)不同利用類型草地總產(chǎn)草量

劉 艷 ，聶 磊 ，楊 耘

（1. 中國氣象局烏魯木齊沙漠氣象研究所，烏魯木齊 830002；2. 中亞大氣科學(xué)研究中心，烏魯木齊 830002；3. 武漢大學(xué)測繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，武漢 430079；4. 長安大學(xué)地質(zhì)工程與測繪學(xué)院，西安 710054）

0 引 言

新疆現(xiàn)有牧草地總面積5 116.07萬hm2，占全國牧草地總面積的 19.52%[1]。北疆地區(qū)天然草地有效面積約2 377.52萬hm2，占全疆49.52 %，是新疆草原畜牧業(yè)的重要基地[2]。準(zhǔn)確及時(shí)的估算草原產(chǎn)草量對維護(hù)草原生態(tài)平衡、合理安排畜牧業(yè)生產(chǎn)和確定合理載畜量提供重要的科學(xué)依據(jù)等具有重要意義。草地地上生物量估算模型包括機(jī)理模型法、植被指數(shù)法等。定點(diǎn)數(shù)據(jù)-植被指數(shù)法模型簡單，在遙感影像光譜和空間分辨率較高情況下能宏觀連續(xù)監(jiān)測生物量動態(tài)變化且該方法需要輸入數(shù)據(jù)較少[3-6]，機(jī)理模型法適用范圍較廣但參數(shù)校正工作量大且在某些情況下某些參數(shù)無法校正[7-9]。新疆牧草產(chǎn)量估算研究主有：90年代初開展的NOAA/AVHRR衛(wèi)星數(shù)據(jù)和天然草地牧草產(chǎn)量關(guān)系模型研究[2,10-14]；李建龍等[15]綜合利用1991-1996年新疆天山北坡阜康縣內(nèi)不同草地類型實(shí)測草地可食產(chǎn)量、環(huán)境與遙感資料，采用 3S集成技術(shù)對天然草地估產(chǎn)進(jìn)行研究；王新欣等[16]采用2006年6-10月地面測產(chǎn)數(shù)據(jù)和同步MODIS遙感數(shù)據(jù)集對天山北坡烏魯木齊不同牧草類型進(jìn)行估產(chǎn)模型研究；錢育蓉等[17]利用遙感分類結(jié)果和產(chǎn)量估測模型集合分析了阜康市近20 a（1990、1999和2008）草地總面積和總產(chǎn)量趨勢變化。

這些研究存在以下問題：研究區(qū)域有限且集中分布在天山北坡的烏魯木齊（南郊）、阜康和阿勒泰；模型采樣點(diǎn)較少；研究分析方法局限于在一個(gè)觀測年內(nèi)對不同牧草類型（高寒草甸、山地草甸、山地草原、草甸草原、山地荒漠草原、草原化荒漠、平原荒漠、鹽生草甸）逐月產(chǎn)量變化進(jìn)行分析和單一牧草類型產(chǎn)量的遙感估算。

新疆天山山區(qū)地形復(fù)雜、氣候差異顯著、草地空間異質(zhì)性非常明顯，天山西、中、東 3段草地類型繁多且分布零散?，F(xiàn)有研究表明，在草地植被類型復(fù)雜區(qū)域很難使用單一模型快速實(shí)施全區(qū)域基于定點(diǎn)產(chǎn)量/生物量數(shù)據(jù)和植被指數(shù)的產(chǎn)量/生物量遙感估產(chǎn)[18-20]。因此，本文綜合考慮天山山區(qū)草地植被垂直帶結(jié)構(gòu)差異特征及不同植被指數(shù)對草地生長及其產(chǎn)量的影響，利用 MODIS MOD13Q1數(shù)據(jù)，選取遙感估產(chǎn)較有效的歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、差值植被指數(shù)（difference vegetation index，DVI）、增強(qiáng)植被指數(shù)（enhanced vegetation index，EVI）和土壤調(diào)節(jié)植被指數(shù)（soil adjusted vegetation index，SAVI）[18,21-25]4種植被指數(shù)，結(jié)合新疆牧草利用類型分區(qū)矢量數(shù)據(jù)，在覆蓋天山南北坡4個(gè)牧草利用類型分區(qū)內(nèi)，分別建立4種植被指數(shù)及其組合與地面實(shí)測總產(chǎn)草量線性或非線性關(guān)系回歸方程，選用擬合決定系數(shù)最高的某一植被指數(shù)或其組合指數(shù)與草地總產(chǎn)草量的回歸方程作為草地產(chǎn)量預(yù)測模型。

1 材料與方法

1.1 研究區(qū)概況

新疆牧草利用類型具有14個(gè)分區(qū)（引自自治區(qū)草原所），因地勢地貌和氣候差異牧草類型格局呈垂直分布、空間差異顯著且品種較多。新疆天山山區(qū)草地類型廣泛，有新疆大葉苜蓿、北疆苜蓿、奇臺無芒雀麥、鞏乃斯木地膚和伊犁蒿等，因天山北坡東西跨度特別大，山體特征和在大氣環(huán)流中所處的位置不同，承受西來水汽程度差別較大，草地植被的垂直帶結(jié)構(gòu)在西、中、東 3段存在明顯的差異。研究區(qū)集中在天山南北坡（41.14°～45.45°N，79.89°～95.84°E），覆蓋 4 個(gè)牧草利用類型分區(qū)（圖 1），分別為：Ⅰ區(qū)，天山北坡西段—伊犁河谷草原畜牧業(yè)區(qū)；Ⅱ區(qū)，天山南坡中段高山盆地草地限牧恢復(fù)區(qū)；Ⅲ區(qū)，天山北坡中段山地草原限牧恢復(fù)區(qū)；Ⅳ區(qū)，天山北坡東段山間盆地草原限牧恢復(fù)區(qū)。4個(gè)分區(qū)在類型上具有一定的典型性和完整性，在空間分布上具有一定的連續(xù)性。因此，該研究區(qū)具有一定的代表性，可以更好用于開展遙感草地產(chǎn)量估算。

1.2 地面樣方數(shù)據(jù)及處理

草地總產(chǎn)草量地面調(diào)查在2009-2015年7-8月份進(jìn)行。根據(jù)草地類型空間分布特征和面積大小，在天山山區(qū)草地植被空間分布均一、具有代表性的典型地段設(shè)計(jì)了235塊調(diào)查樣地，樣地內(nèi)布設(shè)3個(gè)樣方，共計(jì)獲取705個(gè)采樣點(diǎn)，覆蓋天山山區(qū)31個(gè)縣/市。草本及矮小灌木草原樣方，布設(shè)樣方為正方形1 m ×1 m大小，若樣地植被分布呈斑塊狀或者較為稀疏，將樣方擴(kuò)大到2～4 m2。樣地內(nèi)具有灌木及高大草本植物，且數(shù)量較多或分布較為均勻，布設(shè)樣方可為正方形（10 m×10 m），也可為長方形（20 m×5 m）。全部齊地割取測量地上生物量。樣地基本特征調(diào)查中主要記錄樣地所隸屬行政區(qū)、草地類型、地形、季節(jié)利用方式和利用狀況等。利用GPS測定樣方經(jīng)緯度和海拔，同時(shí)在樣方內(nèi)采用常規(guī)植被調(diào)查法測定植物種數(shù)、植被蓋度、群落平均高度及總地上生物量等指標(biāo)。地面樣方數(shù)據(jù)質(zhì)量會影響遙感估算模型的準(zhǔn)確性[26]，通過對不同草地類型的多年平均總產(chǎn)草量進(jìn)行比較，在數(shù)據(jù)建模前對采樣數(shù)據(jù)進(jìn)行了嚴(yán)格的檢驗(yàn)和驗(yàn)證（根據(jù)GPS記錄經(jīng)緯度提取對應(yīng)各個(gè)指數(shù)數(shù)據(jù)上的植被指數(shù)值，將臨近樣方內(nèi)多年平均草地總產(chǎn)草量和植被指數(shù)值進(jìn)行匹配，剔除過大或過小的采樣點(diǎn)），剔除不具代表性的異常樣本，最終剩下485個(gè)樣方數(shù)據(jù)用于建模和驗(yàn)證(圖2)。

圖1 新疆牧草利用類型及研究區(qū)域位置示意圖Fig.1 Location map of herbage use type and study area in Xinjiang

圖2 2009?2015年7月底至8月初草地總產(chǎn)量樣點(diǎn)位置分布圖Fig.2 Spatial distribution of sampling points of total production of herbage from the end of July to the beginning of August during the years of 2009-2015

1.3 遙感數(shù)據(jù)及處理

遙感數(shù)據(jù)為 MODIS/MOD13Q1數(shù)據(jù)（空間分辨率250 m，時(shí)間分辨率16 d），數(shù)據(jù)格式EOS-HDF，正弦曲線投影，時(shí)間序列為2009-2015年7-8月，共計(jì)84幅云量小于10%的遙感影像。數(shù)據(jù)處理包括MODIS MRT工具（MODIS Reprojection Tools）批量完成HDF-TIF格式轉(zhuǎn)換和定義投影（WGS84）；Python編程批量生成NDVI、EVI、DVI和SAVI序列數(shù)據(jù)并用最大值合成法(maximum value composition，MVC)[27-28]合成 2009-2015年 7-8月NDVI、EVI、DVI和SAVI指數(shù)數(shù)據(jù)，得到生長季最大植被指數(shù)集。由于在計(jì)算SAVI須根據(jù)實(shí)際情況確定土壤調(diào)節(jié)系數(shù) L（0～1），當(dāng) L=0時(shí)，表示植被覆蓋度為零；當(dāng)L=1時(shí)，表示土壤背景的影響為零，植被覆蓋度很高。研究成果表明，在草地SAVI計(jì)算中，L=0.5時(shí)可以較好地消除土壤反照率[28-29]。因此，本文 L選取 0.5。根據(jù)草地總產(chǎn)草量485個(gè)采樣點(diǎn)記錄GPS經(jīng)緯度數(shù)據(jù)，提取采樣點(diǎn)對應(yīng) NDVI、DVI、SAVI、EVI植被指數(shù)數(shù)值，建立植被指數(shù)與對應(yīng)草原樣方采樣總產(chǎn)草量（鮮質(zhì)量）數(shù)據(jù)集。

1.4 產(chǎn)草量估算模型的構(gòu)建及驗(yàn)證

根據(jù)建立的植被指數(shù)與對應(yīng)草原樣方采樣總產(chǎn)草量（鮮質(zhì)量）數(shù)據(jù)集，在分析天山南北坡每個(gè)分區(qū)內(nèi)樣方采樣點(diǎn)總產(chǎn)草量與植被指數(shù)NDVI、DVI、SAVI、EVI散點(diǎn)關(guān)系的基礎(chǔ)上，運(yùn)用回歸分析分別構(gòu)建線性、指數(shù)函數(shù)、冪函數(shù)以及多項(xiàng)式等一元回歸模型。經(jīng)過 F檢驗(yàn)之后，根據(jù)回歸方程的決定系數(shù)（R2）確定每個(gè)分區(qū)內(nèi)各個(gè)植被指數(shù)估算產(chǎn)草量的最優(yōu)模型[29]。

采用逐步回歸分析方法建立每個(gè)分區(qū)內(nèi)植被指數(shù)組合與實(shí)測草地總產(chǎn)草量的線性回歸方程（式1）。

式中xi是各個(gè)植被指數(shù)，ai為回歸系數(shù)。運(yùn)用逐步回歸分析法確定進(jìn)入回歸模型的植被指數(shù)時(shí)，需對植被指數(shù)進(jìn)行共線性檢驗(yàn)，采用方差膨脹因子（variance inflation factor，VIF）指標(biāo)，當(dāng)VIF大于7.5時(shí)，說明變量（植被指數(shù)）間存在較強(qiáng)的共線性，則應(yīng)移除相應(yīng)變量去除變量間的共線性[29]。

表1 各分區(qū)不同植被指數(shù)與草地總產(chǎn)草量（鮮質(zhì)量）的最優(yōu)回歸模型Table 1 Optimal regression model between different vegetation index and measured total yield of herbage

采用留一交叉驗(yàn)證（leave-one-out cross validation，LOOCV）對草地總產(chǎn)草量（鮮質(zhì)量）遙感模型模擬結(jié)果進(jìn)行驗(yàn)證[30-31]。假設(shè)有n個(gè)樣本，從中選擇1個(gè)觀測值作為驗(yàn)證數(shù)據(jù)，其他 1n-個(gè)樣本作為訓(xùn)練樣本來建立回歸模型，如此重復(fù)n次，用n個(gè)驗(yàn)證結(jié)果均值來衡量模型模擬精度。每個(gè)模型精度由均方根誤差（root mean square error，RMSE）（式2）及決定系數(shù)R2評價(jià)。

式中yi表示第i個(gè)樣方草地總產(chǎn)草量（鮮質(zhì)量）的實(shí)測值（kg/hm2）， ?iy表示第i個(gè)樣方草地總產(chǎn)草量（鮮質(zhì)量）的模型模擬值（kg/hm2），n是觀測樣本總數(shù)。RMSE值越低表明回歸模型越精確。

2 結(jié)果與分析

2.1 單一植被指數(shù)與實(shí)測草地總產(chǎn)草量最優(yōu)回歸模型

利用2009-2015年7-8月植被指數(shù)與地面實(shí)測草地總產(chǎn)草量建立模型，擬合模型包括線性和指數(shù)、多項(xiàng)式和冪函數(shù)4類模型。采用上述4類回歸模型，分析各類植被指數(shù)與草地總產(chǎn)草量（鮮質(zhì)量）的回歸分析結(jié)果，根據(jù)R2最接近1的準(zhǔn)則，列出了4個(gè)分區(qū)不同植被指數(shù)最優(yōu)回歸模型結(jié)果，如表1所示。

根據(jù)表 1中各分區(qū)各個(gè)植被指數(shù)的最優(yōu)擬合模型，可以得出如下結(jié)論：

從植被指數(shù)類型看，發(fā)現(xiàn)同一區(qū)域采用不同植被指數(shù)估算草地總產(chǎn)草量（鮮質(zhì)量），其擬合決定系數(shù)R2差異顯著；同一植被指數(shù)類型在不同分區(qū)估算草地總產(chǎn)草量時(shí)，因各分區(qū)草地植被蓋度不同擬合決定系數(shù)R2也表現(xiàn)出一定的差異性；采用NDVI估算草地總產(chǎn)草量（鮮質(zhì)量），在 4個(gè)分區(qū)均具有很好的估算能力，I、II、III這3個(gè)分區(qū)中，其模型檢驗(yàn)指標(biāo)RMSE值都是最小，精度最高。

從回歸方程類型看，選取R2最接近1的回歸方程，發(fā)現(xiàn) 4個(gè)分區(qū)內(nèi)多項(xiàng)式方程、乘冪方程和指數(shù)方程擬合決定系數(shù) R2比線性回歸方程的 R2高；不同分區(qū) RMSE差異顯著，最大RMSE值出現(xiàn)在I區(qū)，達(dá)5 857.943 kg/hm2，最小RMSE值出現(xiàn)在III區(qū)，僅為616.487kg/hm2，同一分區(qū)不同指數(shù)-草地總產(chǎn)草量（鮮質(zhì)量）回歸方程最大RMSE值差異出現(xiàn)在I區(qū)，達(dá)1 789.139 kg/hm2。

從各個(gè)分區(qū)應(yīng)用不同植被指數(shù)類型看，分區(qū) I采用指數(shù)模型進(jìn)行草地總產(chǎn)草量（鮮質(zhì)量）-NDVI擬合時(shí)R2較大，為0.586；分區(qū)II草地總產(chǎn)草量-植被指數(shù)擬合回歸檢驗(yàn)結(jié)果顯示，除DVI外，EVI、NDVI、SAVI估算草地總產(chǎn)草量模型擬合決定系數(shù)R2都較高，均大于0.50，EVI、NDVI、SAVI都可用于草地產(chǎn)量監(jiān)測。草地總產(chǎn)草量（鮮質(zhì)量）-SAVI多項(xiàng)式回歸方程R2最大，為0.634，NDVI預(yù)估能力高于EVI。分區(qū)III應(yīng)用4類植被指數(shù)進(jìn)行草地總產(chǎn)草量（鮮質(zhì)量）-植被指數(shù)擬合決定系數(shù) R2整體較低，草地總產(chǎn)草量（鮮質(zhì)量）-NDVI多項(xiàng)式擬合決定系數(shù) R2值最大，也僅為 0.302。原因在于，天山北坡中段山地草地垂直帶譜較為完整，由山地荒漠-山地荒漠草原(含有片段草原化荒漠)-山地草原-山地草甸草原-山地草甸(含亞高山草甸)-高寒草甸構(gòu)成。該區(qū)域地面采樣點(diǎn)時(shí)間較為集中、樣點(diǎn)數(shù)據(jù)偏少，但涉及研究空間范圍大且草地類型復(fù)雜等這些因素造成該區(qū)草地總產(chǎn)草量-植被指數(shù)擬合R2整體偏低，分區(qū) IV所有植被指數(shù)估算草地總產(chǎn)草量模型的擬合決定系數(shù)R2都較高，在所有分區(qū)中是最高的，均大于0.55，其中采用EVI估算模型的R2達(dá)到最大 0.738。草地總產(chǎn)草量（鮮質(zhì)量）-EVI和草地總產(chǎn)草量（鮮質(zhì)量）-DVI多項(xiàng)式回歸方程擬合決定系數(shù) R2較高，明顯優(yōu)于 NDVI-草地總產(chǎn)草量（鮮質(zhì)量）指數(shù)回歸方程和NDVI-草地總產(chǎn)草量（鮮質(zhì)量）指數(shù)回歸方程。原因是IV區(qū)草地植被覆蓋度高、土壤背景影響幾乎可以忽略，采用消除土壤影響的SAVI植被指數(shù)反而限制了草地總產(chǎn)量估算的準(zhǔn)確性。

2.2 植被指數(shù)組合與實(shí)測草地總產(chǎn)草量的線性回歸方程

采用逐步回歸分析方法建立每個(gè)分區(qū)內(nèi)植被指數(shù)組合與實(shí)測草地總產(chǎn)草量的線性回歸方程（表2）。

表2 植被指數(shù)與實(shí)測總產(chǎn)草量線性回歸方程模型結(jié)果Table 2 Results of linear regression equation between vegetation index and measured total yield of herbage

隨著模型中引入植被指數(shù)類型（變量）的增加，線性回歸方程擬合決定系數(shù)R2值逐漸增大。在天山北坡東段山間盆地草原限牧恢復(fù)區(qū)（IV區(qū)）采用 EVI+SAVI+NDVI組合，天山南坡中段高山盆地草地限牧恢復(fù)區(qū)（II區(qū)）采用EVI+SAVI組合提高了線性模型的擬合決定系數(shù)R2值。

對植被指數(shù)及其組合的最佳子集中的各變量進(jìn)行共線性檢查，根據(jù)VIF的值小于7.5，時(shí)自變量之間不存在多重共線性的判識原則，天山北坡西段-伊犁河谷草原畜牧業(yè)區(qū)采用單一EVI指數(shù)，天山北坡中段山地草原限牧恢復(fù)區(qū)應(yīng)用單一 NDVI指數(shù)進(jìn)行遙感估算也可以達(dá)到較高的估算精度。

2.3 討 論

在采用單一植被指數(shù)確定估算區(qū)域總產(chǎn)草量的最優(yōu)回歸模型分析中，天山北坡西段—伊犁河谷草原畜牧業(yè)區(qū)（I區(qū)）采用DVI、EVI指數(shù)建模時(shí)其擬合決定系數(shù)R2略低于NDVI，模型檢驗(yàn)精度也低于NDVI。原因是該區(qū)域植被覆蓋度高、土壤背景影響幾乎可以忽略，采用消除土壤影響的 SAVI植被指數(shù)反而限制了草地產(chǎn)量估算的準(zhǔn)確性。對于天山南坡中段高山盆地草地限牧恢復(fù)區(qū)（II區(qū)）而言，基于植被指數(shù)估算草地總產(chǎn)草量模型擬合決定系數(shù)R2都較高，說明這些指數(shù)都可用于草地產(chǎn)量監(jiān)測；采用 SAVI的估算模型其擬合決定系數(shù) R2高于采用NDVI的估算模型，但是模型精度低于NDVI估算模型的精度，這表明采用消除土壤影響的SAVI植被指數(shù)在該區(qū)域也會限制草地產(chǎn)量估算的準(zhǔn)確性。天山北坡中段（III區(qū)）山地草地垂直帶譜較為完整，由山地荒漠-山地荒漠草原(含有片段草原化荒漠)-山地草原-山地草甸草原-山地草甸(含亞高山草甸)-高寒草甸構(gòu)成。該區(qū)域地面采樣點(diǎn)時(shí)間較為集中、樣點(diǎn)數(shù)據(jù)偏少，但涉及研究空間范圍大且草地類型復(fù)雜等這些因素造成該區(qū)草地總產(chǎn)草量（鮮質(zhì)量）- 植被指數(shù)擬合R2整體偏低，模型檢驗(yàn)精度RMSE在數(shù)值上最小。天山北坡東段山間盆地草原限牧恢復(fù)區(qū)（IV區(qū)）草地植被相對稀疏，在該區(qū)內(nèi)所有植被指數(shù)估算模型的R2值都較高，說明在草地植被相對稀疏的地區(qū)，所有植被指數(shù)都可用于草地產(chǎn)量監(jiān)測。

4個(gè)分區(qū)總體看，多項(xiàng)式方程、冪函數(shù)和指數(shù)方程這類非線性回歸模型擬合決定系數(shù)R2比線性回歸方程高，表明非線性回歸方程可以提高遙感估產(chǎn)的精度。各個(gè)分區(qū)的RMSE值差異顯著，但是各個(gè)分區(qū)的植被類型、覆蓋度以及采樣點(diǎn)的設(shè)置情況不同，導(dǎo)致分區(qū)間的精度自然有較大的差異。因此，RMSE指標(biāo)僅可作為每個(gè)分區(qū)內(nèi)模型的評價(jià)。

在植被指數(shù)組合確定估算區(qū)域總產(chǎn)草量的線性回歸模型分析中，隨著模型中引入植被指數(shù)類型（變量）的增加，擬合決定系數(shù)R2值逐漸增大。這是由于單一植被指數(shù)在估產(chǎn)時(shí)均存在一定的缺陷，而幾種植被指數(shù)的組合可實(shí)現(xiàn)信息互補(bǔ)。因此，引入植被指數(shù)的組合使得線性統(tǒng)計(jì)模型的草地估產(chǎn)精度高于單一植被指數(shù)。

在植被覆蓋度較低的天山北坡東段山間盆地草原限牧恢復(fù)區(qū)（IV區(qū)），采用指數(shù)模型，SAVI與草地總產(chǎn)草量擬合的R2很高，這與前人研究[32-34]結(jié)論一致。而在天山北坡西段-伊犁河谷草原畜牧業(yè)區(qū)（I區(qū)）和天山南坡中段高山盆地草地限牧恢復(fù)區(qū)（II區(qū)），采用NDVI進(jìn)行草地總產(chǎn)草量預(yù)測，其精度高于SAVI，這是因?yàn)樵搮^(qū)域草地生長狀況良好，植被覆蓋度高，使得土壤特征對遙感植被指數(shù)的影響很小，利用 NDVI更能反映該研究區(qū)的草地總產(chǎn)草量。此外，對于高寒草地生物量NDVI/SAVI反演以及通過消除土壤影響使MSAVI相對NDVI偏大或偏小這一結(jié)論也與前人研究一致[35-36]。

但是，本研究中，基于NDVI構(gòu)建草地總產(chǎn)草量R2值在0.250～0.620，表明NDVI與總產(chǎn)草量并非高度相關(guān)，而是呈中等相關(guān)，這與本研究中地面采樣點(diǎn)時(shí)間較為集中、樣點(diǎn)數(shù)據(jù)偏少，但涉及研究空間范圍又很大這些因素有關(guān)。也就是說，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。因此，需要在牧草生長季不同時(shí)期進(jìn)行多次采樣，均勻布設(shè)采樣點(diǎn)，空間尺度上和時(shí)間尺度上保障數(shù)據(jù)的有效性。

3 結(jié) 論

針對新疆天山牧區(qū)特殊的地形、氣候及環(huán)境條件，利用研究區(qū)2009-2015年7-8月MODIS歸一化植被指數(shù)（normalized difference vegetation index，NDVI）、差值植被指數(shù)（difference vegetation index，DVI）、增強(qiáng)植被指數(shù)（enhanced vegetation index，EVI）和土壤調(diào)節(jié)植被指數(shù)（soil adjusted vegetation index，SAVI）4種植被指數(shù)產(chǎn)品及其組合，開展了與同期地面實(shí)測草地總產(chǎn)草量數(shù)據(jù)回歸分析試驗(yàn)，得出如下結(jié)論：

1）不同植被指數(shù)和草地總產(chǎn)草量相關(guān)性呈現(xiàn)出一定的區(qū)域差異性。應(yīng)用同一植被指數(shù)在不同分區(qū)估算草地總產(chǎn)草量時(shí)，各分區(qū)草地植被蓋度不同其回歸方程擬合決定系數(shù) R2表現(xiàn)出顯著的差異性；4個(gè)分區(qū)應(yīng)用 NDVI估算草地總產(chǎn)草量（鮮質(zhì)量），時(shí)，I、II、III分區(qū)中模型檢驗(yàn)指標(biāo)RMSE值都是最小，說明其精度最高。

2）對于本研究而言，NDVI、DVI、EVI和SAVI都可用于草地總產(chǎn)草量遙感估算。采用指數(shù)模型這類非線型模型進(jìn)行草地總產(chǎn)草量-植被指數(shù)擬合時(shí)，精度高于線性模型，特別是低植被覆蓋區(qū)。DVI、SAVI這2類指數(shù)因考慮環(huán)境因素，應(yīng)用其估算草地總產(chǎn)量時(shí)需要考慮植被覆蓋狀況；

3）應(yīng)用多種植被指數(shù)線性組合進(jìn)行II、IV區(qū)草地產(chǎn)量估算時(shí)，發(fā)現(xiàn)隨著模型中引入植被指數(shù)類型（變量）的增加，線性回歸方程擬合決定系數(shù)R2值逐漸增大，模型檢驗(yàn)指標(biāo)RMSE低于單一指數(shù)-草地總產(chǎn)草量遙感估算的值。

降水和溫度等氣候因素及采樣時(shí)空間隔都會影響遙感估算草地生物量空間分布及其年際波動。因此，今后研究中將引入降水、溫度和日照實(shí)數(shù)等氣候因素，并在牧草生長季的不同時(shí)期進(jìn)行多次采樣，在空間尺度上均勻布設(shè)采樣點(diǎn)，以期減少建模誤差和提高模型精度。

[參 考 文 獻(xiàn)]

[1] 劉新平，呂曉. 新疆牧草地資源利用動態(tài)變化及其績效分析[J]. 干旱區(qū)地理(漢文版)，2009，32(1)：81－86.Liu Xinping, Lv Xiao. Dynamics and performance evaluation of grassland resources utilization in Xinjiang[J].Arid Land Geography, 2009，32(1): 81－86. (in Chinese with English abstract)

[2] 黃敬峰，胡新博. 新疆北部天然草地產(chǎn)草量遙感監(jiān)測預(yù)測模型研究[J]. 浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版)，1999,25(2)：125－129.Huang Jinfeng, Hu Xinbo. Studies on grass yield monitoring and predicting models of natural grassland using remote sensing data in Northern Xinjiang[J]. Journal of Zhejiang Agricultural University, 1999, 25(2): 125－129. (in Chinese with English abstract)

[3] Zhang L, Wylie B, Loveland T, et al. Evaluation and comparison of gross primary production estimates for the Northern Great Plains grasslands[J]. Remote Sensing of Environment, 2007, 106(2): 173－189.

[4] Zhao M, Heinsch F A, Nemani R R, et al. Improvements of the MODIS terrestrial gross and net primary production global data set[J]. Remote Sensing of Environment, 2005,95(2): 164－176.

[5] 張連義，張靜祥，賽音吉亞，等. 典型草原植被生物量遙感監(jiān)測模型——以錫林郭勒盟為例[J]. 草業(yè)科學(xué)，2008，25(4)：31－36.Zhang Lianyi, Zhang Jingxiang, Sai Yinjiya, et al. Remote sensing monitoring model I for grassland vegetation biomass monitoring in typical steppe – a case study from Xilinguole[J]. Pratacultural Science, 2008，25(4)：31－36. (in Chinese with English abstract)

[6] Todd S W, Hoffer R M, Milchunas D G. Biomass estimation on grazed and ungrazed rangelands using spectral indices[J].International Journal of Remote Sensing, 1998, 19(3):427－438.

[7] Foereid B, H?gh-Jensen H. Carbon sequestration potential of organic agriculture in northern Europe: A modelling approach[J]. Nutrient Cycling in Agroecosystems, 2004,68(1): 13－24.

[8] 呂新苗，鄭度. 氣候變化對長江源地區(qū)高寒草甸生態(tài)系統(tǒng)的影響[J]. 長江流域資源與環(huán)境，2006，15(5)：603－607.Lv Xinmiao，Zheng Du. Impactsof global change on the alpine meadow ecosystem in the sourceregion of the Yangtze River[J]. Resources and Environment in the Yangtze Basin，2006，15(5)：603－607. (in Chinese with English abstract)

[9] 陳辰，王靖，潘學(xué)標(biāo)，等. 氣候變化對內(nèi)蒙古草地生產(chǎn)力影響的模擬研究[J]. 草地學(xué)報(bào)，2013，21(5)：850－860.Chen Chen，Wang Jing, Pan Xuebiao, et al. Simulation study regarding the impact of climate change on grass productivity in Inner Mongolia[J]. Acta Agrectir Sinica, 2013, 21(5): 850－860. (in Chinese with English abstract)

[10] 黃敬峰，馮振武. 天山北坡中段天然草場牧草產(chǎn)量遙感動態(tài)監(jiān)測模式[J]. 干旱區(qū)資源與環(huán)境，1993，8(2)：10－17.

[11] 黃敬峰，王秀珍. 天山北坡中東段天然草地光譜植被指數(shù)特征[J]. 山地學(xué)報(bào)，1999，17(2)：119－124.Huang Jingfeng, Wang Xiuzheng. The Characteristics of natural grassland spectral vegetation indices in eastern and middle part of Northern Tianshan Mountain[J]. Journal of Mountain Science, 1999，17(2): 119－124. (in Chinese with English abstract)

[12] 黃敬峰，王秀珍，王人潮，等. 天然草地牧草產(chǎn)量與氣象衛(wèi)星植被指數(shù)的相關(guān)分析[J]. 農(nóng)業(yè)現(xiàn)代化研究，2000，21(1)：33－36.Huang Jingfeng, Wang Xiuzhen, Wang Renchao, et al.Relation analysis beween the production of natural grassland and satallite vegetation indices[J]. Research of Agricultural Modernization, 2000, 21(1): 33－36. (in Chinese with English abstract)

[13] 黃敬峰，王秀珍，王人潮，等. 天然草地牧草產(chǎn)量遙感綜合監(jiān)測預(yù)測模型研究[J]. 遙感學(xué)報(bào)，2001，5(1)：69－74.Huang Jingfeng, Wang Xiuzhen, Wang Renchao, et al. A study on monitoring and predicting models of grass yield in natural grassland[J]. Journal of Remote Sensing, 2001, 5(1):69－74. (in Chinese with English abstract)

[14] 黃敬峰，蔡承俠. 利用NOAA/AVHRR資料監(jiān)測北疆天然草地生產(chǎn)力[J]. 草業(yè)科學(xué)，1999(5)：62－69.Huang Jingfeng, Cai chengxia. Using NOAA/AVHRR data monitoring natural grassland productivity in the northern Xinjiang Uygur autonomous region[J]. Pratacultural Science,1999(5): 62－69. (in Chinese with English abstract)

[15] 李建龍，蔣平，戴若蘭. RS，GPS和GIS集成系統(tǒng)在新疆北部天然草地估產(chǎn)技術(shù)中的應(yīng)用進(jìn)展[J]. 生態(tài)學(xué)報(bào)，1998，18(5)：504－510.Li Jianlong, Jiang Ping, Dai Ruolan. Advances in study on the remote sensing technology and gps and gis integration systems in estimating grassland yield applications in the north of Xinjiang, China[J]. Acta Ecologica Sinica, 1998，18(5): 504－510. (in Chinese with English abstract)

[16] 王新欣，朱進(jìn)忠，范燕敏，等. 利用EOS/MODIS植被指數(shù)建立草地估產(chǎn)模型的研究[J]. 新疆農(nóng)業(yè)科學(xué)，2008，45(5)：843－846.Wang Xinxin, Zhu Jinzhong, Fan Yanming, et al. Estimation model of establishing grassland with EOS/MODIS vegetation indexes[J]. Xinjiang Agricultural Sciences, 2008,45(5): 843 －846. (in Chinese with English abstract)

[17] 錢育蓉，楊峰，李建龍，等. 基于 3S的新疆阜康典型草地產(chǎn)草量及草畜平衡分析[J]. 草業(yè)科學(xué)，2013，30(9)：1330－1337.Qian Yurong, Yang Feng, Li Jianlong, et al. Yield and animal-feed balance of typical grassland in Xinjiang Fukang using 3S techniques[J]. Pratacultural Science, 2013, 30(9):1330－1337. (in Chinese with English abstract)

[18] Jin Y, Yang X, Qiu J, et al. remote sensing-based biomass estimation and its spatio-temporal variations in temperate grassland, Northern China[J]. Remote Sensing, 2014, 6(2):1496－1513.

[19] Gao T, Xu B, Yang X C, et al. Using MODIS time series data to estimate aboveground biomass and its spatiotemporal variation in Inner Mongolia's grassland between 2001 and 2011[J]. Int. J. Remote Sens. 2013, 34: 7796－7810.

[20] Xu B, Yang X C, Tao W G, et al. MODIS-based remote sensing monitoring of grass production in China[J]. Int. J.Remote Sens, 2008, 29: 5313－5327.

[21] Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Acta Phytoecol. Sin. 2004, 28:491－498.

[22] Jin Y X, Bin X U, Yang X C, et al. Remote sensing dynamic estimation of grass production in Xilinguole, Inner Mongolia[J]. Scientia Sinica, 2011, 41(12): 1185－1195.

[23] Leisher C, Hess S, Boucher T M, et al. Measuring the impacts of community-based grasslands management in Mongolia's Gobi[J]. Plos One, 2012, 7(2): e30991.

[24] Ouyang W, Hao F H, Skidmore A K, et al. Integration of multi-sensor data to assess grassland dynamics in a Yellow River sub-watershed[J]. Ecological Indicators, 2012, 18: 163－170.

[25] Muukkonen P, Heiskanen J. Biomass estimation over a large area based on stand wise forest inventory data and ASTER and MODIS satellite data: A possibility to verify carbon inventories[J]. Remote Sensing of Environment, 2007,107(4): 617－624.

[26] 楊秀春，徐斌，朱曉華，等. 北方農(nóng)牧交錯(cuò)帶草原產(chǎn)草量遙感監(jiān)測模型[J]. 地理研究，2007，26(2)：213－221.Yang Xiuchun, Xu Bin, Zhu Xiaohua, et al. Models of grass production based on remote sensing monitoring in northern agro-grazing ecotone[J]. Geographical Research，2007，26(2)：213－221. (in Chinese with English abstract)

[27] Yang Y H, Fang J Y, Pan Y D, et al. Aboveground biomass in Tibetan grasslands[J]. Journal of Arid Environments, 2009,73(1): 91－95.

[28] Zeng H, Jia G, Forbes B C. Shifts in Arctic phenology in response to climate and anthropogenic factors as detected from multiple satellite time series[J]. Environmental Research Letters, 2013, 8(3): 035036.

[29] 陳彥光. 基于Matlab的地理數(shù)據(jù)分析[M]. 北京：高等教育出版社, 2012.

[30] Olden J D, Jackson D A. Torturing data for the sake of generality: How valid are our regression models?[J].Ecoscience, 2000, 7(4): 501－510.

[31] 屈莎，李振海，邱春霞，等. 基于開花期氮素營養(yǎng)指標(biāo)的冬小麥籽粒蛋白質(zhì)含量遙感預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2017,33(12): 186－193.Qu Sha, Li Zhenhai, Qiu Chunxia, et al. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 186－193. (in Chinese with English abstract)

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

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

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

[35] Liang T, Yang S, Feng Q, et al. Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China[J]. Remote Sensing of Environment, 2016, 186: 164－172.

[36] 陶偉國，徐斌，劉麗軍，等. 不同利用狀況下草原遙感估產(chǎn)模型[J]. 生態(tài)學(xué)雜志，2007，26(3)：332－337.Tao Weiguo，Xu Bing，Liu Lijun, et al. Yield estimation model for different utilization status grassland based on remote sensing data[J] . Chinese Journal of Ecology, 2007,26(3): 332－337. (in Chinese with English abstract)