復(fù)雜地形草地植被碳儲量遙感估算研究進展

夏安全,王艷芬,2,郝彥賓,2,胡容海,王 芳,吳文超,崔驍勇,2,*

1 中國科學(xué)院大學(xué)生命科學(xué)學(xué)院, 北京 100049 2 中國科學(xué)院青藏高原地球科學(xué)卓越創(chuàng)新中心, 北京 100101 3 中國科學(xué)院大學(xué)資源與環(huán)境學(xué)院, 北京 100049

陸地生態(tài)系統(tǒng)碳循環(huán)是全球碳收支的重要組成部分,每年可從大氣中固定約3.2 Gt C(1 Gt=1015g),主要儲存在土壤(1500—2400 Gt C)、植被(450—650 Gt C)和凍土碳庫(約1700 Gt C)中[1]。草地作為重要的陸地生態(tài)系統(tǒng)類型,覆蓋了全球40%的陸地表面(不包括南極洲和格陵蘭島),分布在多個地質(zhì)和氣候區(qū),其碳庫占陸地生態(tài)系統(tǒng)碳儲量的34%[2]。在草地生態(tài)系統(tǒng)中,盡管土壤儲存了大部分的碳,但其來源主要是草地植被通過凋落物、根系殘體和分泌物等方式輸入[3]。準確估算草地植被碳儲量是評估草地植被對大氣CO2的固定能力和對土壤碳庫貢獻的基礎(chǔ)[4-5]。

復(fù)雜地形的定義是：在海拔低于500 m時高差大于100 m的區(qū)域;海拔介于500—2500 m時高差大于300 m或坡度大于5°的區(qū)域;海拔高于2500 m時高差大于500 m或坡度大于10°的區(qū)域[6]。其定義尺度多介于局地(local)和區(qū)域(regional)尺之間[7]。復(fù)雜地形的基本特征是垂直高差較大,因而地形起伏,坡向雜亂。這一基本特征影響復(fù)雜地形上的水熱特征,如溫度和太陽輻射隨海拔變化[8],太陽輻射和土壤溫濕度受坡向影響[9-10],地表徑流、入滲和土壤侵蝕等因坡度分異[11]。不同的水熱特征營造出不同的微氣候,進而形成了復(fù)雜地形特有的生態(tài)系統(tǒng)結(jié)構(gòu)和功能[12]。

草地生物量和草地面積是草地植被碳儲量估算的關(guān)鍵因子[13],大尺度上兩者的估算主要通過遙感方法來實現(xiàn),如草地生物量的空間分布和動態(tài)變化多是借助遙感影像信息(反射率、植被指數(shù)、葉面積指數(shù)等)和地面實測生物量,通過經(jīng)驗建模[14]、物理反演[15]、結(jié)合植被生長過程模型模擬[16]等方法進行估算;草地面積多是由土地覆蓋產(chǎn)品或植被分類圖中草地的像元數(shù)目和分辨率相乘計算得到[17]。草地植被碳儲量的遙感估算已經(jīng)廣泛應(yīng)用于平坦地形并且估算精度理想,但鑒于復(fù)雜地形這一迥異于平地的幾何形態(tài)特征和水熱特征,遙感影像信息的準確性和估算方法的適用性在復(fù)雜地形面臨諸多挑戰(zhàn)：① 遙感數(shù)據(jù)產(chǎn)品和氣象數(shù)據(jù)產(chǎn)品受到地形起伏影響,存在地形效應(yīng),不能真實反映地物或地表信息[18];② 土地覆被數(shù)據(jù)或植被分類圖等遙感產(chǎn)品忽視了地形起伏對草地面積的影響,低估草地面積[17];③ 現(xiàn)有分辨率的氣象數(shù)據(jù)難以與復(fù)雜地形上的微氣候精確匹配[19];④ 復(fù)雜地形的幾何特征和水熱特征使得植被的生長策略和生長狀況與平地有較大差異[9-10],降低了遙感-過程模型的模擬精度[20]和經(jīng)驗統(tǒng)計模型的擬合精度[21];⑤ 遙感影像地形效應(yīng)的大小和碳儲量估算模型的穩(wěn)定性更易受到遙感影像尺度選擇的影響[22-23]等?；诖?本文主要從遙感估算方法入手,結(jié)合各方法中所需的遙感和生態(tài)參數(shù),對：(1)草地植被碳儲量遙感估算及其在復(fù)雜地形上的適用性;(2)復(fù)雜地形植被碳儲量遙感估算的數(shù)據(jù)選擇;(3)復(fù)雜地形下遙感影像地形效應(yīng)的去除和尺度選擇等3個方面進行整理,以期為準確估算復(fù)雜地形區(qū)草地植被碳儲量提供參考。

1 草地植被碳儲量遙感估算及其在復(fù)雜地形上的適用性

草地植被碳儲量遙感估算的核心是識別不同類型的草地,分別測算各類型草地生物量和面積[13]。這一目標的實現(xiàn)需要以準確的遙感影像信息和適用的估算方法為支撐,因此,本部分首先整理了我國草地植被碳儲量估算的研究(表1),在此基礎(chǔ)上分析草地生物量和草地面積的遙感估算方法及各方法所需遙感和生態(tài)參數(shù)在復(fù)雜地形的適用性。需要注意的是,相較某一時刻生物量,年最大生物量能更好地表征植被的固碳能力[36],但由于地下生物量的遙感測定相對困難,因此多以當年群落地上生物量最大時的總生物量來表征植被碳儲量,本文中草地生物量亦以此表征;在草地植被碳儲量估算中常引入凈初級生產(chǎn)力(Net Primary Productivity, NPP),在不考慮動物采食的情況下,草地NPP、年最大生物量和草地植被碳儲量的關(guān)系如圖1所示。

表1 不同研究草地面積、年最大生物量及估算方法的比較

圖1 草地NPP、年最大生物量與植被碳儲量的關(guān)系

1.1 草地生物量的遙感估算

1.1.1遙感經(jīng)驗?zāi)Ｐ?/p>

遙感經(jīng)驗?zāi)Ｐ凸浪阒脖簧锪康姆椒ㄓ袃深?一是利用遙感影像的反射率或者植被指數(shù)與地面實測生物量擬合建立數(shù)學(xué)模型,通過易獲取的遙感數(shù)據(jù),來推算草地植被的生物量或NPP[14, 35];二是基于光能利用率模型,根據(jù)光合有效輻射和光能利用率來估算NPP[37]。

兩類方法在平坦地區(qū)的應(yīng)用相對成熟,發(fā)展了解決其不足之處的替代方案。針對歸一化植被指數(shù)(Normalized Difference Vegetation Index, NDVI)隨著植被覆蓋度升高而逐漸“飽和”的問題,可在高覆蓋區(qū)采用增強型植被指數(shù)(Enhanced Vegetation Index, EVI)以避免生物量或NPP被低估[38];針對每年地上生物量峰值期的推算問題,可將研究區(qū)NPP遙感產(chǎn)品(如MOD17)中各像元之和最大時對應(yīng)的日期作為生物量峰值期,在該日期前后所測的生物量則根據(jù)地上生物量動態(tài),取合適的系數(shù)進行修正[4, 14]。

在復(fù)雜地形區(qū),遙感影像質(zhì)量和建模因子影響遙感經(jīng)驗?zāi)Ｐ偷墓浪憔?。遙感影像質(zhì)量主要受云和地形效應(yīng)的影響[18, 39-40],考慮云的普遍性,本部分重點論述遙感影像的地形效應(yīng)和建模因子的選擇。

建立和應(yīng)用遙感估算模型需要假設(shè)同種植被在長勢相同時,其地表反射率也相同或接近,但是在復(fù)雜地形下這一假設(shè)不能成立,原因在于遙感影像存在嚴重的地形效應(yīng)——植被陽坡反射率明顯高于陰坡反射率[41]。若用復(fù)雜地形區(qū)的“病態(tài)”反射率數(shù)據(jù)建立模型,將其擴展到區(qū)域內(nèi)的平坦地形時就會產(chǎn)生極大的誤差;同理,以同區(qū)域平坦地形區(qū)建立的遙感經(jīng)驗估算模型也難以擴展到復(fù)雜地形區(qū)[42]。遙感植被指數(shù)是以地表反射率為基礎(chǔ)計算得到的,因此在復(fù)雜地形下也存在相似的地形扭曲問題。不同波段的地形敏感性也不相同,其中近紅外波段比紅光波段更易受地形影響,原因在于紅光有更強的天空漫反射,因而削弱了地形的影響[43]。葉面積指數(shù)(Leaf Area Index, LAI)是描述植被冠層結(jié)構(gòu)和功能的常用指標,是碳循環(huán)模擬的關(guān)鍵參數(shù)[6]。但由于上坡向和下坡向的路徑長度不同,導(dǎo)致上坡向冠層間隙率小而下坡向冠層間隙率大,因而遙感反演的LAI也存在地形效應(yīng),其大小隨坡度的增大而增大,在坡度小于30°時基本可忽略不計,而當坡度大于30°,地形效應(yīng)會是LAI間接測量的一個中等誤差源[44-45]。

除反射率和植被指數(shù)等,地形遙感數(shù)據(jù)成為復(fù)雜地形上生物量經(jīng)驗建模中不可或缺的輔助數(shù)據(jù)[40]。地形信息(如海拔、坡度、坡向)可由數(shù)字高程模型(Digital Elevation Model, DEM)推算獲得。不同于反射率和植被指數(shù)等被動光學(xué)遙感成像產(chǎn)品,DEM由雷達干涉測量技術(shù)獲得,很少受地形效應(yīng)影響,是反射率和植被指數(shù)等遙感影像地形校正的基礎(chǔ)數(shù)據(jù)[41]。同時,地形對研究區(qū)水熱的再分配使得地形因子和生物量之間存在較好的相關(guān)關(guān)系。常學(xué)禮等[46]分析了NPP和地形因子的關(guān)系,發(fā)現(xiàn)地形極大地改變了NPP,其中海拔引起NPP變化幅度最大,坡度次之,坡向最小。孫慶齡等[47]對武陵山區(qū)植被NPP和地形因子之間進行統(tǒng)計分析,發(fā)現(xiàn)隨海拔的升高,NPP呈現(xiàn)先增加后降低的趨勢,植被NPP隨坡度的變化與其隨高程變化模式類似。機器學(xué)習(xí)可以充分利用地形及多源信息估算植被生物量,修曉敏等[48]基于Google Earth Engine與機器學(xué)習(xí)的方法,估算了省級尺度草地生物量,估算結(jié)果精度明顯高于單一NDVI估算的生物量。盡管地形因子與生物量相關(guān)性較好,但多數(shù)研究僅使用單一地形參數(shù)(如坡度、坡向、海拔等),并沒有考慮地形生態(tài)指標或者地形綜合指標。地形濕度指數(shù)(topographic wetness index, TWI)綜合考慮了地形和土壤特性對土壤水分分布的影響,可以較好地指示不同地形位置處土壤水分的干濕狀況[49]。在歐洲草地,Moeslund等[50]研究發(fā)現(xiàn)TWI與植被多樣性具有很好的相關(guān)關(guān)系,強調(diào)草地管理中不可忽視水文過程的影響。作為近年來的新興地形綜合指標,地形復(fù)雜度可全面、客觀地量化地形整體變化趨勢[51],對遙感像元光譜變化的解釋度高于單一地形因子[52],但該指標在草地生態(tài)系統(tǒng)應(yīng)用較少,僅有部分研究[53]應(yīng)用該指標進行生態(tài)系統(tǒng)服務(wù)評價。

1.1.2遙感物理模型

針對遙感影像的地形效應(yīng)問題,將地形校正后的真實光譜信息與實測生物量建立模型,可以使遙感經(jīng)驗?zāi)Ｐ偷木扔休^大的提高[54]。但是這種植被碳儲量的估算方法本質(zhì)上還是屬于經(jīng)驗性的方法,在空間、時間尺度上難以延伸和擴展[12, 42]。為此,如何將已有的反演植被碳儲量的遙感物理模型應(yīng)用到復(fù)雜地形上是當前備受關(guān)注的研究重點,已經(jīng)提出了一些值得嘗試的方向,如考慮局地地形對成像幾何的影響,將平坦地表的物理模型應(yīng)用到復(fù)雜地形[55];調(diào)整山地物理模型驅(qū)動數(shù)據(jù)的范圍,使之更符合山地的實際情況[56]等。但是總體上看,迄今并未發(fā)展出成熟的山地生態(tài)參數(shù)遙感物理模型。

1.1.3遙感-過程模型

相較于遙感經(jīng)驗?zāi)Ｐ秃瓦b感物理模型的瞬時性,遙感-過程模型的最大優(yōu)勢是能夠連續(xù)估算植被的NPP,有效反映NPP和植被碳儲量的動態(tài)變化[57]。遙感-過程模型以NDVI或LAI等遙感數(shù)據(jù)和氣象數(shù)據(jù)為主要遙感輸入?yún)?shù),通過模擬生態(tài)系統(tǒng)中與碳的收支直接相關(guān)的一系列過程,進而實現(xiàn)對植被NPP和碳儲量的模擬[58]。具體包括：太陽輻射轉(zhuǎn)化為土壤和植被冠層的感熱和潛熱,影響生態(tài)系統(tǒng)蒸散發(fā)和溫度變化;結(jié)合光照在冠層內(nèi)的輻射傳輸,氣孔調(diào)節(jié)對CO2吸收和對水分散失的控制,以及光合作用的羧化、電子傳遞和呼吸作用等關(guān)鍵過程。MODIS的NPP年產(chǎn)品是對上述過程的簡化,它通過遙感光能利用率模型來模擬大尺度上的總初級生產(chǎn)力,再基于LAI和比葉面積模擬根、莖、葉的維持呼吸和生長呼吸等生理過程,從而獲得日NPP估算值,累積即可實現(xiàn)年尺度NPP的估算[59]。在此過程中,將日尺度的呼吸轉(zhuǎn)化到年尺度以減小誤差。

遙感-過程模型雖然機理明確,但由于復(fù)雜地形固有的環(huán)境特征,如高度異質(zhì)性的微氣候,多出現(xiàn)在山區(qū),其高海拔、低溫、強輻射和低CO2分壓等特殊環(huán)境條件,使得植被有著顯著不同于平地植被的光合和呼吸特征,并且在復(fù)雜地形區(qū)的研究相對匱乏,一些關(guān)鍵生態(tài)參數(shù)和指標需要通過大量實驗才能獲取,否則只能借鑒文獻統(tǒng)計的結(jié)果,薄弱的研究基礎(chǔ)更加劇了上述困難[60]。復(fù)雜地形區(qū),遙感-過程模型中易受地形影響的主要參數(shù)和指標如下：

(1)光合最適溫度。全球植被的光合最適溫度與生長季氣溫相近,都低于葉片的光合最適溫度[61],青藏高原高寒草地植被光合最適溫度最低,并且隨著海拔升高而下降,如矮嵩草在海拔3200 m處生長的光合適溫為25℃左右,海拔3985 m處為15℃左右[62]。但目前遙感-過程模型在模擬光合過程時通常設(shè)置單一最適溫度,并未考慮復(fù)雜地形下的海拔和微氣候差異導(dǎo)致的光合最適溫度的不同,如Chen等[11]應(yīng)用BEPS模型模擬山區(qū)植被NPP時,就假定所有海拔植物的最適溫度均為20℃,因而降低了NPP估算的準確度。

(2)土壤水分的模擬。對于水分限制的草地植被,植物的氣孔導(dǎo)度、光合作用和生長對土壤水分的變化很敏感[11]。當前過程模型中的土壤水移動大多只是考慮垂直向下的方向,而在復(fù)雜地形條件下,傾斜坡面成為主要的地形特征,土壤水的側(cè)向流動不容忽視[11]。有研究發(fā)現(xiàn),如果不考慮土壤水分的側(cè)向流動,就會高估山區(qū)的NPP;而耦合TerrainLab模型來模擬側(cè)向水流,NPP的估算精度明顯提高[11]。此外,高寒地區(qū)多年凍土的融化也為土壤水分提供了一個重要來源,它不僅可以直接為植被生長提供水分,而且還會通過微生物聚集產(chǎn)熱加劇土壤碳分解,提高地表大氣CO2濃度,間接影響植被的NPP[63]。

(3)復(fù)雜地形草地的放牧過程難以準確模擬。大量研究已經(jīng)證明放牧強度是影響草地退化程度和速度的主導(dǎo)因子之一,但現(xiàn)有的過程模型尚無法準確反映復(fù)雜地形草地放牧強度的時空差異及其對NPP估算的影響[16]。由于放牧強度的估計需要家畜數(shù)量的數(shù)據(jù),但是目前尚不能獲取草地家畜數(shù)量的實時數(shù)據(jù),因而在放牧模擬中基本上都是根據(jù)行政區(qū)域的家畜統(tǒng)計數(shù)據(jù),即使用區(qū)域(省、縣、市)內(nèi)所有牲畜的平均密度來代表研究區(qū)草地的放牧強度[64],這顯然與復(fù)雜地形草地的情況相去甚遠。同時,草地種類不同、質(zhì)量優(yōu)劣、離放牧點的距離遠近和地勢地形等都會導(dǎo)致家畜分布出現(xiàn)時空差異,成為制約復(fù)雜地形下過程模型模擬放牧的關(guān)鍵。

(4)復(fù)雜地形上植被類型和植被物候的空間差異加大,因而不同地理位置上可能有不同的群落類型[65],即使是同種群落生長狀況可能也不相同。有研究發(fā)現(xiàn)草地返青期主要受溫度控制,而枯黃期則受溫度和降水的雙重調(diào)控,因此隨著海拔的升高返青期推遲[66-67]、枯黃期提前[66]、生長期長度縮短[66-67]。坡向直接控制太陽輻射的入射量,進而影響地表溫度和土壤濕度,因此越是向陽的坡向,植被物候的改變就越明顯[66]。對包括薩王納(savanna)在內(nèi)的溫帶和熱帶山地植被的研究也觀察到了植被物候隨海拔變化的相同趨勢,并證實地形改變水分和光照條件,是山地植被物候時空格局的主要驅(qū)動因子,決定了生長季的起始和結(jié)束時間以及生長季長度[68-69]。

(5)光合碳(NPP)分配。在所有地形條件下,碳分配策略均是影響草地植被和土壤碳儲量的重要指標。但是現(xiàn)有的遙感-過程模型中的光合產(chǎn)物分配模塊大多根據(jù)植被類型設(shè)置不同的分配規(guī)則,如森林、草地、農(nóng)田等類型[58, 70],部分模型進一步將草地區(qū)分為C3、C4,極少有模型對草地進行更明確的分類。實際上不同類型草地植物的碳分配策略不同,如植被的根冠比是寒溫帶草地略大于溫帶草地,但都遠大于熱帶和亞熱帶草地[71],我國高寒和溫性草地植被根冠比與冠層高度負相關(guān)[72];而且即使是同一種草地類型,碳的地上地下分配也可能有很大差別,如青藏高原高寒草甸中,以苔草為優(yōu)勢種的群落與以禾草為優(yōu)勢種的群落相比較,短期群落光合碳吸收能力相當,但是前者向根系轉(zhuǎn)移的碳顯著高于后者,根冠比是后者的2倍多[73]。凋落物是光合碳的另一個重要的分配去向,也是植被NPP向土壤有機碳儲量轉(zhuǎn)化的橋梁。不同草地植被NPP向凋落物分配的比例差異很大,如青藏高原高寒草甸略高于高寒草原(19.65%與14.76%)[4],都遠高于溫性草原和溫性草甸(1.51%與1.07%)[33]。

1.2 草地面積的遙感估算

草地面積是估算草地植被碳儲量和土壤碳儲量的關(guān)鍵指標。沈?；ǖ萚31]通過詳細的文獻綜述估算了中國的草地總面積,結(jié)果是280×104—393×104km2,但文中對草地面積的估算方法沒有做詳細的介紹。當前區(qū)域草地面積多是根據(jù)土地覆被產(chǎn)品估算的,將草地像元數(shù)目乘以像元分辨率計算得到。但是土地覆被產(chǎn)品僅依靠像元中的優(yōu)勢地物類別來確定像元地物類型,不能提供像元內(nèi)各類地物的面積比重,因而不同分辨率遙感影像計算出來的草地面積會存在很大差異。

隨著分類所用遙感影像分辨率和分類算法精度的提升,草地面積的估算也越來越準確。Gong等[74]基于實測地物波譜樣本與Sentinel-2影像,利用隨機森林分類器得到了全球10 m土地覆蓋度數(shù)據(jù)集。Zhang等[75]利用GlobCover2009地表覆蓋產(chǎn)品結(jié)合MOD09A1地表反射率產(chǎn)品,從中提取純凈地物類別的波譜并構(gòu)建了地物波譜庫用于分類,將分類影像升尺度到300 m后估算出中國草地面積為248×104km2。以上兩個研究案例均采用了時間序列定量遙感反演的方法,充分考慮地物在不同時相遙感影像的光譜差異,采集地物在多個時期的光譜特征構(gòu)建波譜庫,將待分類影像與波譜庫進行時相與位置信息匹配進行地物分類。對草地而言,時相可表征草地的物候期,待分類影像物候期與參考波譜物候期越接近,分類精度越高。遙感與生態(tài)規(guī)律相結(jié)合為估算草地面積提供了新思路。我國北方草地植被的分布主要受降水的限制,基于此,依據(jù)森林、草地到荒漠的降水量變化趨勢,方精云等[76]分析得到了草地區(qū)域的降水閾值,并通過降水和生長季NDVI的經(jīng)驗關(guān)系,將離散的降水信息反演到空間連續(xù)的植被冠層NDVI上,借助NDVI信息估算出中國北方草地的潛在分布區(qū),其面積為229.64×104km2。

上述方法多是將影像分類進而統(tǒng)計出草地像元或草地邊界,忽略了像元中地形的起伏狀態(tài),從而使得計算的草地面積小于真實草地面積。Chen和Arrouays[17]對世界土壤數(shù)據(jù)庫(Harmonized World Soil Database, HWSD)數(shù)據(jù)分析發(fā)現(xiàn),當像元中地形坡度小于20°時,像元真實面積與像元面積的比值在1.1以內(nèi);一旦坡度大于30°時,真實面積就會顯著大于像元面積,導(dǎo)致碳儲量嚴重低估。此外,當前的分類算法多是基于已有的草地分類標準,對草地類型的劃分較粗,如MCD12Q1數(shù)據(jù)對草地的最優(yōu)分類為草地、熱帶稀樹草原、木本熱帶稀樹草原三類[77],而植被碳密度的測定多是對應(yīng)于更下一級的草地類型,如高寒草原、高寒草甸等。草地分類級別不匹配也會在一定程度上影響碳儲量的估算。因此,很有必要采用高精度草地分類圖,將像元內(nèi)地形的起伏狀況考慮進去,重新估算復(fù)雜地形下各類草地的面積。

2 復(fù)雜地形植被碳儲量遙感估算方法中關(guān)鍵參量的數(shù)據(jù)選擇

2.1 植被數(shù)據(jù)

植被指數(shù)作為表征植被長勢的關(guān)鍵參數(shù),對生物量和NPP的估算具有重要影響?，F(xiàn)階段學(xué)者主要依據(jù)反照率數(shù)據(jù)的精度和植被指數(shù)長時間序列的變化規(guī)律來判定植被指數(shù)產(chǎn)品的質(zhì)量,但是極少關(guān)注這些指數(shù)產(chǎn)品的地形效應(yīng),對哪些產(chǎn)品適用于復(fù)雜地形草地還缺少比較研究。表1顯示,NDVI和EVI是反映生物量信息最常用的植被指數(shù)。不同植被指數(shù)利用的波段和計算方法不同,對地形的敏感性也不一樣,其中EVI比NDVI更敏感。例如,Matsushita等[78]發(fā)現(xiàn)陰陽坡長勢相同的同種植被其EVI差異較大,但NDVI差異較小;Galv?o等[68]發(fā)現(xiàn)經(jīng)過地形校正后照光葉NDVI和EVI分別減少了1%和13%,而遮光葉的NDVI和EVI分別增加了14%和89%。總體來說,由于EVI的計算公式中含有常數(shù)項“L”,該項無法表示成波段比的形式,使得EVI存在較大的地形效應(yīng),與EVI類似的還有土壤調(diào)節(jié)植被指數(shù)(Soil Adjusted Vegetation Index, SAVI);而波段比形式的植被指數(shù),如NDVI和水分調(diào)節(jié)植被指數(shù)(Moisture Adjusted Vegetation Index, MAVI)等抗地形干擾能力較強,不易受到地形效應(yīng)的影響[78-79]。綜上,復(fù)雜地形植被指數(shù)的選擇應(yīng)綜合考慮各指數(shù)地形效應(yīng)的大小及其對植被覆蓋度和土壤的敏感性。建議在草地覆蓋度高的平緩地形區(qū),選擇EVI;在草地覆蓋度中等同時坡度不超過25°的起伏地形區(qū),選擇NDVI[43,79];當坡度較大時,所有植被指數(shù)均需地形校正[43]。

LAI常用于描述植被冠層結(jié)構(gòu)及功能,也是碳循環(huán)模擬的關(guān)鍵參數(shù)。然而,現(xiàn)有的遙感反演LAI的算法大部分沒有考慮地形效應(yīng)及其影響[6, 53]。直接驗證復(fù)雜地形區(qū)LAI產(chǎn)品的精度比較困難,迄今僅有一項可供參考的研究,其比較了由5種LAI產(chǎn)品分別計算的GPP與實測GPP的差異,發(fā)現(xiàn)草地中GLASS(Global Land Surface Satellite)和GEOV1(Geoland2 version 1)的LAI產(chǎn)品計算的GPP精度最高[6]。

2.2 地形數(shù)據(jù)

相較單一地形因子,TWI和地形復(fù)雜度能更好地表示研究區(qū)土壤水分情況和整體起伏情況。TWI的研究和使用已相對成熟。地形復(fù)雜度是評價地表起伏和褶皺程度的參數(shù),可以用地表粗糙度、地形起伏度、分形維數(shù)等對其進行描述和量化[51]。常見的地形復(fù)雜度表示方法主要有：起伏面積與投影面積之比,海拔標準差,坡度標準差,剖面曲率標準差,矢量色散,地形殘差標準差等[52]。通過對比上述方法的計算結(jié)果,Grohmann等[52]發(fā)現(xiàn)坡度標準差能準確識別坡面平滑區(qū)域和間斷區(qū)域,不易受到噪聲影響,更好表征地形地貌的整體特征。

2.3 氣象數(shù)據(jù)

氣象數(shù)據(jù)一般包括氣溫(日均溫、最低溫和最高溫)、降水、濕度、風速、太陽輻射、氣壓等,主要來自氣象站點的觀測值和站點間的插值[58]。復(fù)雜地形上太陽輻射的再分配使得地表水熱分布與平坦地形不同,因而在平坦地區(qū)常用的一般插值方法(如克里金、反距離)得到水、熱、光等氣候參數(shù),會大大降低模型模擬復(fù)雜地形下NPP和植被碳儲量的準確性,通常需要對氣象數(shù)據(jù)進行地形校正[20-21,80-81]或應(yīng)用MTCLIM[19, 82-83](Mountain Microclimate Simulation Model)進行模擬。表2總結(jié)了獲取應(yīng)用于復(fù)雜地形的氣象數(shù)據(jù)的4種方法,指出了各方法的原理及其優(yōu)缺點。

表2 復(fù)雜地形氣象數(shù)據(jù)獲取的方法,原理及優(yōu)缺點

數(shù)據(jù)再分析也是獲取氣象數(shù)據(jù)的重要方法,它充分綜合了模型模擬的連續(xù)性和實測數(shù)據(jù)的準確性[88],在區(qū)域碳循環(huán)模擬上擁有不可比擬的優(yōu)勢。美國國家環(huán)境預(yù)報中心(NCEP)和大氣研究中心(NCAR)的NCEP/NCAR、美國國家環(huán)境預(yù)報中心和美國能源部(DOE)的NCEP/DOE、美國國家航空航天局(NASA)的NASA/DAO、歐洲中期數(shù)值預(yù)報中心(ECMWF)的RA-15/40、日本氣象廳(JMA)和電力中央研究所(CRIEPI)的JRA-25等是目前重要的氣象再分析數(shù)據(jù)來源[89]。Zhao等[90]比較了MODIS NPP產(chǎn)品對上述3種再分析氣象數(shù)據(jù)的敏感性,發(fā)現(xiàn)ECMWF數(shù)據(jù)得到的NPP精度最高,DAO次之,而NCEP由于對溫度和水汽壓差的低估使得精度最低,基于這三種氣象數(shù)據(jù)模擬出的全球NPP總量相差超過20 Pg C yr-1。要將再分析數(shù)據(jù)應(yīng)用于復(fù)雜地形,就需要考慮地形對溫度和降水的影響,如張方敏等[91]嘗試將NCEP與WorldClim(http://www.worldclim.org)數(shù)據(jù)相融合,以得到復(fù)雜地形區(qū)NPP估算模型所需的氣象資料。本文認為對于小區(qū)域復(fù)雜地形,最高分辨率達30″的WorldClim全球氣候格點數(shù)據(jù)集(http://worldclim.org/version2)具有很大的應(yīng)用前景,而氣象再分析數(shù)據(jù)(公里尺度分辨率)結(jié)合精細DEM降尺度以匹配研究區(qū)域的微地形,可以提高復(fù)雜地形上植被碳儲量研究所需氣象數(shù)據(jù)的質(zhì)量。

3 復(fù)雜地形遙感影像的尺度選擇與地形效應(yīng)去除

3.1 復(fù)雜地形遙感影像的尺度選擇

尺度效應(yīng)和尺度轉(zhuǎn)換是定量遙感中的熱點和難點問題,尺度效應(yīng)主要源于地表的異質(zhì)性[92],即不同尺度的混合像元包含的地物信息不同,因而有著不同的反射率[93],導(dǎo)致遙感影像與草地植被碳儲量的關(guān)系模型和模型精度隨尺度不同而存在差異[94-95]。復(fù)雜地形上尺度選擇更易影響遙感影像信息和實測數(shù)據(jù)的準確性,進而影響兩者構(gòu)建關(guān)系模型的精度,而實測數(shù)據(jù)的尺度多以影像尺度為參考,因此遙感影像的尺度選擇是復(fù)雜地形尺度選擇的核心。研究發(fā)現(xiàn),隨著遙感影像分辨率的粗化(如從30 m到1000 m),地形因子與植被指數(shù)的相關(guān)性逐漸增強[22],所構(gòu)建的地形與生態(tài)系統(tǒng)碳儲量關(guān)系模型的精度也有所提高。但不同遙感信息對草地生物量或碳儲量存在不同的作用尺度,單一地形因子中坡度、坡向、曲率的作用尺度一般小于100 m,景觀位置的作用尺度多大于100 m[7];TWI在局部和區(qū)域尺度均能顯著影響草地植被多樣性[50]。遙感影像自身信息的準確性也受尺度影響。比較不同尺度上地形復(fù)雜度指標,向量色散會隨著影像尺度增大而增加;地形殘差標準差突出局部尺度的特征但不能檢測區(qū)域尺度的起伏;高程標準差能準確識別坡折,探測區(qū)域尺度地形起伏[52]。

明確遙感影像的特征尺度,有利于構(gòu)建更加穩(wěn)定的草地碳儲量估算模型。特征尺度為像元中地物符合線性光譜混合模型,不存在交叉輻射或相互遮擋的最小分辨率[94]。當影像的分辨率優(yōu)于特征尺度時,由于光線遮擋和交叉輻射的影響,表現(xiàn)為地物非線性光譜混合現(xiàn)象,不同像元中同一地物的輻射亮度會存在很大的差異,以此輻射亮度或反射率與實測NPP數(shù)據(jù)建模將會大大降低擬合精度。當分辨率低于特征尺度時,地物由非線性混合轉(zhuǎn)為線性混合,像素間植被冠層垂直結(jié)構(gòu)差異消失,像素間不再存在相互遮擋或者交叉輻射相互抵消,到達植被冠層入射能量與到達水平地表的能量一致,此時影像像元的光譜特征才能代表植被群體的光學(xué)特征[94]。特征尺度與局部方差函數(shù)變程的物理內(nèi)涵一致,可用分辨率逐步粗化的遙感影像的局部方差來擬合曲線,當方差不再隨影像分辨率的粗化而降低時,對應(yīng)的分辨率即為遙感影像的特征尺度[96]。特征尺度與地物的形狀、分布有關(guān),如農(nóng)作物特征尺度一般為農(nóng)作物行距,森林的特征尺度與冠幅或株距基本一致[94]。

特征尺度雖然為解決像元間地物的交叉輻射提供了解決思路,但在復(fù)雜地形區(qū)域的應(yīng)用仍有很大的局限性。不同于平地,地形的起伏結(jié)構(gòu)使得復(fù)雜地形上還存在垂直結(jié)構(gòu)上巨大的差異,加劇地物間加叉輻射影響[12]。結(jié)合上述特征尺度的特點,推測復(fù)雜地形區(qū)域的特征尺度可能遠大于研究區(qū)山體間距離的均值,這有待于我們后續(xù)驗證。

3.2 復(fù)雜地形的地形效應(yīng)去除

影像地形效應(yīng)的產(chǎn)生機理是因為使用了水平面的輻照度代替了陰、陽坡上的真實輻照度,而影像輻亮度是由陰、陽坡的真實輻照度作用于地表得到的,有差異的輻亮度除以無差異的輻照度,使得陰、陽坡地物反射率差異較大[41]。影像特征尺度的使用在一定程度上“平滑”地形起伏,消減地形效應(yīng)[78, 94,96],但也損失了部分陰陽坡的植被信息。地形校正是在原影像尺度上對復(fù)雜地形遙感影像進行輻照度校正,恢復(fù)陰、陽坡上真實的輻照度,使得陰、陽坡同種地物反射率相同或相近,最大限度保存陰、陽坡的植被和地形信息[41]。分析地形校正方法的主要文獻[18, 41,97-99]與實驗測定,發(fā)現(xiàn)C校正方法是目前相對簡單,且校正結(jié)果較理想的一種方法,可能適用于草地復(fù)雜地形區(qū)。

C校正由余弦校正發(fā)展而來,引入經(jīng)驗參數(shù)c來表征散射輻射。遙感影像不同波段有不同的c值,可根據(jù)各波段光譜數(shù)據(jù)和太陽入射角余弦值的線性關(guān)系計算得到。太陽入射角需由研究區(qū)地形的坡度、坡向和影像成像時太陽天頂角和方位角計算得出。綜合太陽入射角,太陽高度角以及校正系數(shù)c,即可實現(xiàn)研究區(qū)遙感影像的C校正[41, 97-99]。

4 結(jié)論

草地植被碳儲量遙感估算的核心是對草地每年最大生物量和草地面積的遙感估算。草地生物量的遙感估算方法較多,但現(xiàn)有方法在復(fù)雜地形區(qū)都存在不同程度的局限性。遙感影像的地形效應(yīng)、地形指標的選取等都制約了遙感經(jīng)驗?zāi)Ｐ偷木珳使浪?遙感物理模型涉及理論較多,開發(fā)周期較長,目前尚無成熟的可適用于復(fù)雜地形區(qū)的模型;遙感-過程耦合模型模擬復(fù)雜地形的生物量或NPP需要幾類關(guān)鍵參數(shù),包括植被碳分配、光合最適溫度、土壤水分、牲畜數(shù)量分布、植被物候等,當前還缺乏系統(tǒng)的實驗測定或可靠的參考數(shù)據(jù)。充分利用遙感影像的高空間和高時間分辨率的特點,通過機器學(xué)習(xí)等方法可以更加準確地進行土地利用分類,提取草地像元。但在復(fù)雜地形區(qū),草地面積的計算還需考慮草地像元的起伏度,減少草地面積的低估。

植被碳儲量遙感估算中多使用植被指數(shù)、地形、氣候等遙感數(shù)據(jù),但植被指數(shù)與氣象數(shù)據(jù)在復(fù)雜山區(qū)都存在一定的地形效應(yīng),而地形數(shù)據(jù)多以單一地形因子為主,不能全面、客觀地量化地形的整體變化趨勢。為提高模型抗地形干擾的性能,需要發(fā)展和選擇適用于復(fù)雜地形的植被指數(shù)和氣象數(shù)據(jù)。比值型植被指數(shù)比非比值型植被指數(shù)受地形干擾小,地形效應(yīng)小;GLASS和GEOV1的LAI產(chǎn)品更適用于山區(qū)草地碳估算;而TWI、地形復(fù)雜度等地形綜合指標可更好地表征地形影響下的土壤水分分布和地形整體復(fù)雜程度。除對氣象數(shù)據(jù)進行地形校正或MTCLIM模擬外,WorldClim全球氣候格點數(shù)據(jù)集等氣象再分析數(shù)據(jù)在復(fù)雜地形區(qū)也有一定的應(yīng)用前景。

復(fù)雜地形遙感影像幾乎都受到地形效應(yīng)的影響,對其進行地形校正可以消除或減弱地形效應(yīng)。在草地區(qū)域C地形校正方法相對簡單,校正結(jié)果比較理想。遙感影像與實測數(shù)據(jù)的建模尺度影響模型的穩(wěn)定性和精度,采用局部方差函數(shù)變程的方法,可確定遙感影像的特征尺度。