全 文 ：书犇犗犐：１０．１１６８６／犮狔狓犫２０１５４３３ 犺狋狋狆：／／犮狔狓犫．犾狕狌．犲犱狌．犮狀
孟宝平，崔霞，杨淑霞，高金龙，胡远宁，陈思宇，梁天刚．基于Ｌａｎｄｓａｔ８ＯＬＩ和 ＭＯＤＩＳ数据的高寒草地盖度升尺度效应研究———以夏河县桑科
草原试验区为例．草业学报，２０１６，２５（７）：１１２．
ＭＥＮＧＢａｏＰｉｎｇ，ＣＵＩＸｉａ，ＹＡＮＧＳｈｕＸｉａ，ＧＡＯＪｉｎＬｏｎｇ，ＨＵＹｕａｎＮｉｎｇ，ＣＨＥＮＳｉＹｕ，ＬＩＡＮＧＴｉａｎＧａｎｇ．Ｓｃａｌｉｎｇｕｐｍｅｔｈｏｄｏｌｏｇｙｆｏｒａｌｐｉｎｅ
ｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅｍｏｎｉｔｏｒｉｎｇｂａｓｅｄｏｎＬａｎｄｓａｔ８ＯＬＩａｎｄＭＯＤＩＳｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａ：ＡｃａｓｅｓｔｕｄｙｉｎＸｉａｈｅＳａｎｇｋｅｇｒａｓｓｌａｎｄ．ＡｃｔａＰｒａｔａｃｕｌｔｕｒａｅ
Ｓｉｎｉｃａ，２０１６，２５（７）：１１２．
基于犔犪狀犱狊犪狋８犗犔犐和 犕犗犇犐犛数据的高寒草地盖度
升尺度效应研究———以夏河县桑科草原试验区为例
孟宝平１，崔霞２，杨淑霞１，高金龙１，胡远宁１，陈思宇１，梁天刚１
（１．草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州７３００２０；２．兰州大学
西部环境教育部重点实验室，兰州大学资源与环境学院，甘肃 兰州７３００００）
摘要：基于Ｌａｎｄｓａｔ８ＯＬＩ和 ＭＯＤＩＳ卫星遥感资料，结合２０１３－２０１４年甘南州夏河县桑科草原试验区野外实测盖
度数据，对草地盖度敏感的ＯＬＩ波段及其组合指数进行了筛选，构建并确立了试验区基于 ＭＯＤＩＳ植被指数的草
地盖度反演模型，探讨了不同空间升尺度方式对草地盖度的空间效应。结果表明，１）ＯＬＩ比值植被指数狉（Ｂａｎｄ７／
Ｂａｎｄ５）对草地盖度的响应最敏感，基于该指数的草地盖度最优反演模型为狔ｏｌｉ＝－２７０．０６４狓ｏｌｉ＋１１５．９８７（犚２＝
０．８３３，犘＜０．００１）；２）基于 ＭＯＤＩＳＭＥＶＩ和Ｌａｎｄｓａｔ８ＯＬＩ比值植被指数狉（３０ｍ）反演的盖度重采样数据（２５０ｍ）
的对数模型为最优草地盖度评估模型（犚２＝０．７９５，犘＜０．００１），其决定系数较 ＭＯＤＩＳＭＥＶＩ与基于农业多光谱照
相机（ａｇｒｉｃｕｌｔｕｒａｌｄｉｇｉｔａｌｃａｍｅｒａ，ＡＤＣ）的盖度数据建立的回归模型高（犚２＝０．７０６），绝对误差和相对误差较低；３）
基于ＯＬＩ和 ＭＯＤＩＳ植被指数的３种草地盖度回归模型（方法１～３）精度均优于直接使用 ＭＯＤＩＳ植被指数建立的
回归模型（方法４）；方法３利用ＯＬＩ比值指数狉反演盖度（３０ｍ），将其升尺度至２５０ｍ，再反演盖度构建的对数模
型的精度最高（犚２＝０．７９５），其次依次为方法２构建的模型（犚２＝０．７６０）、方法１构建的模型（犚２＝０．７３０）和方法４
构建的模型（犚２＝０．７０６）。
关键词：Ｌａｎｄｓａｔ８ＯＬＩ；ＭＯＤＩＳ；敏感波段；盖度反演；空间升尺度　　
犛犮犪犾犻狀犵狌狆犿犲狋犺狅犱狅犾狅犵狔犳狅狉犪犾狆犻狀犲犵狉犪狊狊犾犪狀犱犮狅狏犲狉犪犵犲犿狅狀犻狋狅狉犻狀犵犫犪狊犲犱狅狀犔犪狀犱狊犪狋８
犗犔犐犪狀犱犕犗犇犐犛狉犲犿狅狋犲狊犲狀狊犻狀犵犱犪狋犪：犃犮犪狊犲狊狋狌犱狔犻狀犡犻犪犺犲犛犪狀犵犽犲犵狉犪狊狊犾犪狀犱
ＭＥＮＧＢａｏＰｉｎｇ１，ＣＵＩＸｉａ２，ＹＡＮＧＳｈｕＸｉａ１，ＧＡＯＪｉｎＬｏｎｇ１，ＨＵＹｕａｎＮｉｎｇ１，ＣＨＥＮＳｉＹｕ１，
ＬＩＡＮＧＴｉａｎＧａｎｇ１
１．犛狋犪狋犲犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犌狉犪狊狊犾犪狀犱犃犵狉狅犲犮狅狊狔狊狋犲犿狊，犆狅犾犾犲犵犲狅犳犘犪狊狋狅狉犪犾犃犵狉犻犮狌犾狋狌狉犲犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔，犔犪狀狕犺狅狌犝狀犻
狏犲狉狊犻狋狔，犔犪狀狕犺狅狌７３００２０，犆犺犻狀犪；２．犓犲狔犔犪犫狅狉犪狋狅狉狔狅犳犠犲狊狋犲狉狀犆犺犻狀犪’狊犈狀狏犻狉狅狀犿犲狀狋犪犾犛狔狊狋犲犿狊（犕犻狀犻狊狋狉狔狅犳犈犱狌犮犪狋犻狅狀），犆狅犾犾犲犵犲
狅犳犈犪狉狋犺犪狀犱犈狀狏犻狉狅狀犿犲狀狋犪犾犛犮犻犲狀犮犲狊，犔犪狀狕犺狅狌犝狀犻狏犲狉狊犻狋狔，犔犪狀狕犺狅狌７３００００，犆犺犻狀犪
犃犫狊狋狉犪犮狋：ＴｈｉｓｒｅｓｅａｒｃｈｕｓｅｄｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｏｆＭＯＤＩＳａｎｄＬａｎｄｓａｔ８ＯＬＩ，ｃｏｍｂｉｎｅｄｗｉｔｈｇｒｏｕｎｄｏｂｓｅｒ
ｖａｔｉｏｎｓｄｕｒｉｎｇ２０１３ａｎｄ２０１４ｉｎＸｉａｈｅＳａｎｇｋｅｇｒａｓｓｌａｎｄ，ＧａｎｓｕＰｒｏｖｉｎｃｅ．Ｂｏｔｈｉｎｄｉｖｉｄｕａｌｂａｎｄｓａｎｄｃｏｍｂｉｎａ
ｔｉｏｎｓｏｆｂａｎｄｓｏｆＬａｎｄｓａｔ８ＯＬＩｗｅｒｅｔｅｓｔｅｄ，ｗｉｔｈａｖｉｅｗｔｏｓｅｌｅｃｔｉｎｇｂａｎｄｃｏｍｂｉｎａｔｉｏｎｓｓｅｎｓｉｔｉｖｅｔｏｇｒａｓｓｌａｎｄ
第２５卷　第７期
Ｖｏｌ．２５，Ｎｏ．７
草　业　学　报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ 　　
１－１２
２０１６年７月
收稿日期：２０１５０９１４；改回日期：２０１５１１１６
基金项目：国家自然科学基金项目（３１３７２３６７，３１２２８０２１，４１４０１４７２），农业部公益性行业（农业）科研专项项目（２０１２０３００６）和长江学者和创新团
队发展计划（ＩＲＴ１３０１９）资助。
作者简介：孟宝平（１９８９），男，甘肃陇西人，在读博士。Ｅｍａｉｌ：ｍｅｎｇｂｐ０９＠ｌｚｕ．ｅｄｕ．ｃｎ
通信作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅｍａｉｌ：ｔｇｌｉａｎｇ＠ｌｚｕ．ｅｄｕ．ｃｎ
ｃｏｖｅｒａｇｅ．Ｔｈｅｎ，ｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅｉｎｖｅｒｓｉｏｎｍｏｄｅｌｓｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎＭＯＤＩＳｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｄａｔａ．
Ａｔｔｈｅｓａｍｅｔｉｍｅ，ｔｈｅｓｐａｔｉａｌｓｃａｌｅｅｆｆｅｃｔｗａｓａｎａｌｙｚｅｄｗｉｔｈａ３０ｍｒｅｓｏｌｕｔｉｏｎａｎｄｕｐｓｃａｌｅｄｔｏ２５０ｍｒｅｓｏｌｕｔｉｏｎ
ｆｏｒｓｐｅｃｔｒａｌｒｅｆｌｅｃｔａｎｃｅ，ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ａｎｄｅｓｔｉｍａｔｅｄｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅ．Ｉｔｗａｓｆｏｕｎｄｔｈａｔ：１）ｔｈｅｒａｔｉｏｏｆ
Ｂａｎｄ７／Ｂａｎｄ５ｏｆｔｈｅＯＬＩｄａｔａｗａｓｔｈｅｍｏｓｔｓｅｎｓｉｔｉｖｅｃｏｍｂｉｎａｔｉｏｎｆｏｒｄｅｔｅｃｔｉｎｇｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅ，ａｎｄｔｈｅｂｅｓｔ
ｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅｉｎｖｅｒｓｉｏｎｍｏｄｅｌｗａｓｔｈｅｌｉｎｅａｒｆｕｎｃｔｉｏｎ：狔ｏｌｉ＝－２７０．０６４狓ｏｌｉ＋１１５．９８７，犚２＝０．８３３，犘＜
０．００１；２）Ｔｈｅｂｅｓｔｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅｉｎｖｅｒｓｉｏｎｍｏｄｅｌｗａｓｔｈｅｌｏｇａｒｉｔｈｍｉｃｍｏｄｅｌ（狔＝６４．１６０ｌｎ（狓ＭＥＶＩ）＋
１３６．９２７，犚２＝０．７９５，犘＜０．００１），ｗｈｉｃｈｗａｓｅｓｔａｂｌｉｓｈｅｄｂｙｕｓｉｎｇＭＯＤＩＳＭＥＶＩａｎｄｕｐｓｃａｌｉｎｇｒａｔｉｏｉｎｄｅｘｏｆ
ＯＬＩ．ＴｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｆｉｔｗａｓｈｉｇｈｅｒｔｈａｎｆｏｒｔｈｅｍｏｄｅｌｓｂａｓｅｄｏｎＭＯＤＩＳＭＥＶＩａｎｄＡｇｒｉｃｕｌｔｕｒａｌＤｉｇｉｔａｌ
Ｃａｍｅｒａｐｉｃｔｕｒｅｓ（犚２＝０．７０６），ａｎｄｉｔｓａｖｅｒａｇｅａｂｓｏｌｕｔｅｅｒｒｏｒａｎｄａｖｅｒａｇｅｒｅｌａｔｉｖｅｅｒｒｏｒｗｅｒｅｌｏｗｅｒ．３）Ｔｈｅａｃ
ｃｕｒａｃｙｏｆｔｈｅｌｏｇａｒｉｔｈｍｉｃｍｏｄｅｌ（犚２＝０．７９５）ｂａｓｅｄｏｎＭＯＤＩＳＭＥＶＩａｎｄｕｐｓｃａｌｉｎｇｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅｕｓｉｎｇａ
ｒａｔｉｏｉｎｄｅｘ（Ｂａｎｄ７／Ｂａｎｄ５）ｏｆＯＬＩｗａｓｈｉｇｈｅｒｔｈａｎｏｔｈｅｒｍｏｄｅｌｓ．
犓犲狔狑狅狉犱狊：Ｌａｎｄｓａｔ８ＯＬＩ；ＭＯＤＩＳ；ｓｅｎｓｉｔｉｖｅｃｏｍｂｉｎａｔｉｏｎｏｆｂａｎｄｓ；ｃｏｖｅｒｉｎｖｅｒｓｉｏｎｍｏｄｅｌ；ｓｐａｔｉａｌｕｐｓｃａｌｉｎｇ
植被盖度是指样地中全部植物个体地上部分（包括叶、茎、枝等）的垂直投影面积占样地总面积的百分比［１］，
是植被生长状况的直观量化指标［２］，能够表征生态系统植被群落生长状况及生态环境质量［３］，对其精确量化在土
壤侵蚀［４５］、水土保持［６９］、陆－气相互作用［１０］和荒漠化治理［１１１２］等诸多研究中至关重要。因此，建立高精度植被
盖度估算模型对相关领域研究具有十分重要的意义。
目前，根据盖度测量的空间尺度大小可将草地盖度测量方法分为传统的地面测量法和遥感监测法。传统地
面测量中常用目视估测法、采样法和仪器法，以传统的样方尺度（５０ｃｍ×５０ｃｍ 或１ｍ×１ｍ）进行观测，测量精
度高，尤其是仪器法中的数码照相机方法，是目前地面测量中精度最高的测量方法［１３１４］；遥感监测方法包括经验
模型（精度依赖于地面样方实测数据）、植被指数、像元分解模型、森林郁闭度制图模型（ｆｏｒｅｓｔｃａｎｏｐｙｄｅｎｓｉｔｙ
ｍａｐｐｉｎｇｍｏｄｅｌ，ＦＣＤ）、决策树分类和神经网络等方法。地面测量方法由于受地表空间异质性和人为主观性的影
响很难扩展到整个区域，此方法估算的大范围植被盖度状况精度较低，但基于照相机的草地样方尺度的植被盖度
精度较高，可为遥感反演建模和精度验证提供基础数据［１５１６］。遥感测量的优势在于可以频繁和持久的提供多种
时空尺度的地表面状信息，这对传统的以稀疏离散点为基础的对地观测手段而言是一场革命性的变化［１７］。由于
地表植被分布具有空间异质性，用极其有限代表性的地面观测盖度数据验证中分辨率遥感反演的面上信息，对遥
感反演的植被盖度的真实性检验带来很大困难。此外，植被盖度遥感反演模型的构建不仅需要遥感影像反射率
数据，也需要野外观测的盖度数据，采样点的空间代表性及测量误差会影响模型反演的精度［１７１８］。为了研究不同
遥感资料之间的空间尺度效应，王海宾［１９］使用Ｂｏｔｔｏｍｕｐ方法建立森林盖度经验模型，分析了森林盖度的空间
变化规律。刘良云［２０］探讨了草地叶面积指数由高分辨率小像素影像升尺度为低分辨率大像素时，“先反演再平
均”与“先平均再反演”两种方法之间的空间效应及其差异。早在２０世纪８０年代，学者们对ＬａｎｄｓａｔＭＳＳ卫星
资料各波段反射率对地表植被盖度信息敏感性已做了大量研究［２１２４］。随着科学技术的不断发展，Ｌａｎｄｓａｔ从
１９７２年第一颗陆地卫星（Ｌａｎｄｓａｔ１）发射到２０１３年 Ｌａｎｄｓａｔ８的运行已有４０多年历史［２５２７］。Ｌａｎｄｓａｔ８较
Ｌａｎｄｓａｔ５和Ｌａｎｄｓａｔ７有了很多改进［２８２９］，针对其不同波段及其组合指数对草地植被盖度的敏感性研究尚鲜有
报道。
如何既能保证地面采样点盖度精确性，又能克服采样点空间代表性和不同遥感资料之间的空间效应，将采样
点的点状盖度信息扩展到更大空间区域，是遥感监测植被盖度研究中急需解决的问题。目前，在草地植被盖度监
测中，基于高分辨率影像的盖度反演精度较高，但其覆盖面积较中低分辨率影像小，并且受时间分辨率和云等因
素影响，不能够应用于长时间序列的大区域研究；基于中低分辨率影像的草地盖度反演精度较低，但其覆盖区域
广阔，数据时间序列较长且连续，适用于长时间序列的大区域研究。为了在较大范围内得到高精度的草地盖度时
２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．７
空动态变化信息，本研究以夏河县桑科试验区为例，基于农业多光谱照相机（ａｇｒｉｃｕｌｔｕｒａｌｄｉｇｉｔａｌｃａｍｅｒａ，ＡＤＣ）的
草地盖度数据及Ｌａｎｄｓａｔ８ＯＬＩ影像，研究对草地盖度敏感的波段及其组合指数，建立基于中分辨率成像光谱仪
（ｍｏｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ，ＭＯＤＩＳ）ＥＶＩ、ＮＤＶＩ和由 ＯＬＩ影像不同升尺度方法得到的
２５０ｍ空间分辨率数据的盖度反演模型，以期探索结合高分辨率遥感数据提高低分辨遥感资料反演草地盖度模
拟精度的方法。
１　材料与方法
１．１　研究区概况
夏河县试验区位于该县桑科乡央吉社区（图１），地理位置为１０２°２３′－１０２°２６′Ｅ，３５°５′－３５°７′Ｎ，试验区总
面积１１ｋｍ２，南北长约３．８６ｋｍ，东西长约２．７７ｋｍ，平均海拔３０５０ｍ。试验区内共有５个样区，根据试验目的
不同，１～５号样区依次为天然草地人工改良区（主要进行补播试验，面积约为１９．３８ｈｍ２），天然草地合理利用技
术集成创新与示范区（为放牧利用试验地，面积约为１６．０６ｈｍ２），试验的对照组（面积约７．５２ｈｍ２），优质饲草生
产技术集成创新与示范区（封育草地，面积约１９．３０ｈｍ２），天然畜产品生产加工技术与营销模式集成与示范研究
区（人工施肥试验地，面积在５个样区中最大，约为９９．１０ｈｍ２，占总试验区面积的６１．５５％）。试验区天然草地类
型为高寒草甸，主要优势牧草有高山嵩草（犓狅犫狉犲狊犻犪狆狔犵犿犪犲犪）、垂穗披碱草（犈犾狔犿狌狊狀狌狋犪狀狊）、羊茅（犉犲狊狋狌犮犪狅狏犻
狀犪）、早熟禾（犘狅犪犪狀狀狌犪）、郦氏洽草（犓狅犲犾犲狉犻犪犾犻狋狏犻狀狅狑犻犻）、黄芪（犃狊狋狉犪犵犪犾狌狊犿犲犿犫狉犪狀犪犮犲狌狊）等，主要毒杂草有黄
帚橐吾（犔犻犵狌犾犪狉犻犪狏犻狉犵犪狌狉犲犪）、火绒草（犔犲狅狀狋狅狆狅犱犻狌犿犼犪狆狅狀犻犮狌犿）、委陵菜（犘狅狋犲狀狋犻犾犾犪犮犺犻狀犲狀狊犻狊）、马先蒿（犘犲
犱犻犮狌犾犪狉犻狊ｓｐｐ．）等［３０３１］。放牧家畜以牦牛、甘加羊为主。试验区常年寒冷湿润，属大陆性高原温带季风气候［３２］，
年平均气温２．１℃，年均降水量为５８０ｍｍ。
１．２　地面观测数据
野外实测数据采集于２０１３年８月和２０１４年７－１０月，总计５次。样地设置在试验区内草地生长状况均一
的区域（图１），２０１３年在１～５号试验区内选取大小为３０ｍ×３０ｍ 样地１４个，每个样地内随机布设３个
０．５ｍ×０．５ｍ样方，以３个样方盖度平均值作为该样地的草地盖度。同时，利用手持ＧＰＳ设备，在试验区内采
集了２０个地面控制点（ｇｒｏｕｎｄｃｏｎｔｒｏｌｐｏｉｎｔ，ＧＣＰ），记录了经度、纬度和高程等信息，用于Ｌａｎｄｓａｔ卫星影像的
几何精校正。为了更加准确的获取与遥感数据匹配的地面实测数据，２０１４年在试验区布设了１３个固定样地（图
２），每个样地采用５点法布设样方（图３），以整个样地的中心点作为第一个样方，再选取４个角点作为其余４个
样方，用ＡＤＣ拍摄各样方相片，并记录草地类型、优势种等指标，以５个样方盖度平均值作为该样地的草地盖度。
每个样方草地植被盖度信息通过ＡＤＣ拍摄的相片处理获得。同时，利用ＤＪＩ无人机携带的ＧｏＰｒｏＨｅｒｏ３＋相
机在各样地中心点拍摄图像（大小与Ｌａｎｄｓａｔ８卫星 ＯＬＩ遥感数据的像元一致，为３０ｍ×３０ｍ，分辨率约２
ｃｍ），用于草地盖度反演模型的精度验证。
１．３　Ｌａｎｄｓａｔ８ＯＬＩ数据预处理
Ｌａｎｄｓａｔ８ＯＬＩ数据来源于美国地质勘探局（ｕｎｉｔｅｄＳｔａｔｅｓｇｅｏｌｏｇｉｃａｌｓｕｒｖｅｙ，ＵＳＧＳ）网站，本项研究检索并
下载了覆盖夏河县试验区无云影像５景（表１）。
在ＥＮＶＩ５．０软件中对ＯＬＩ数据进行处理，利用ＲａｄｉｏｍｅｔｒｉｃＣａｌｉｂｒａｔｉｏｎ模块、ＦＬＡＡＳＨＡｔｍｏｓｐｈｅｒｉｃＣｏｒ
ｒｅｃｔｉｏｎ模块和Ｒｅｇｉｓｔｒａｔｉｏｎ下的ＩｍａｇｅｔｏＩｍａｇｅ模块对ＯＬＩ影像分别进行辐射定标、大气校正和几何精校正，
并将影像投影定义为 ＷＧＳ＿１９８４＿ＵＴＭ＿ＺＯＮＥ＿４７Ｎ。利用ＢａｎｄＭａｔｈ模块计算Ｌａｎｄｓａｔ８ＯＬＩ不同波段组合
指数，利用Ｓａｍｐｌｅ工具提取采样点对应的各波段及其组合指数的像元值。
１．４　ＭＯＤＩＳ１３Ｑ１数据预处理
本项研究选用美国国家宇航局 ＭＯＤＩＳ１６ｄ最大合成ＮＤＶＩ和ＥＶＩ植被指数产品（ＭＯＤ１３Ｑ１），时间序列
为２０１３年８月和２０１４年７－１０月，空间分辨率为２５０ｍ，轨道号为ｈ２６ｖ０５，共计１０景影像。使用最大值合成方
法（ｍａｘｉｍｕｍｖａｌｕｅｃｏｍｐｏｓｉｔｉｏｎ，ＭＶＣ），合成了２０１３年８月和２０１４年７－１０月的月最大归一化植被指数
３第２５卷第７期 草业学报２０１６年
（ｍａｘｉｍｕｍｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＭＮＤＶＩ）和月最大增强型植被指数（ｍａｘｉｍｕｍｅｎｈａｎｃｅｄ
ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＭＥＶＩ）数据。
图１　夏河县试验区地理位置、草地类型及２０１４年８月２９日资源３号卫星真彩色合成影像
犉犻犵．１　犔狅犮犪狋犻狅狀，犵狉犪狊狊犾犪狀犱狋狔狆犲犪狀犱犣犢３狉犲犪犾犮狅犾狅狉犮狅犿狆狅狊犻狋犲犻犿犪犵犲狅犳犲狓狆犲狉犻犿犲狀狋犪犾犪狉犲犪犻狀犡犻犪犺犲犮狅狌狀狋狔狅狀狋犺犲犃狌犵狌狊狋２９狋犺犻狀２０１４
图２　夏河县试验区２０１４年７－１０月样方位置分布示意图
犉犻犵．２　犜犺犲狊犮犺犲犿犪狋犻犮犱犻犪犵狉犪犿狅犳狇狌犪犱狉犪狋犱犲狊犻犵狀犱狌狉犻狀犵犑狌犾狔－犗犮狋狅犫犲狉犻狀２０１４犻狀犲狓狆犲狉犻犿犲狀狋犪犾犪狉犲犪，犡犻犪犺犲犮狅狌狀狋狔
４ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．７
　　对影像进行以下处理：１）利用 ＭＯＤＩＳ数据重投影
图３　样地和样方设置图
犉犻犵．３　犜犺犲犱犲狊犻犵狀犳狅狉狆犾狅狋犪狀犱狇狌犪犱狉犪狋
　
工具（ＭＯＤＩＳｒｅｐｒｏｊｅｃｔｉｏｎｔｏｏｌｓ，ＭＲＴ），对 ＭＯＤＩＳ
数据进行转格式和定义投影。将 ＨＤＦ文件转为ＴＩＦ
格式，定义投影为 ＷＧＳ８４；２）在 ＡｒｃＭａｐ中将投影转
为 ＷＧＳ＿１９８４＿ＵＴＭ＿ＺＯＮＥ＿４７Ｎ，空间分辨率定义为
２５０ｍ。在ＡｒｃＭａｐ中，利用ＣｅｌＳｔａｔｉｓｔｉｃｓ工具分别
得到２０１３年８月和２０１４年７－１０月的 ＭＮＤＶＩ和
ＭＥＶＩ。
１．５　基于Ｌａｎｄｓａｔ８ＯＬＩ的草地盖度反演模型的建
立与精度评价
Ｌａｎｄｓａｔ８ＯＬＩ的Ｂａｎｄ６主要用于地表温度反
演［３３３６］。除 该 波 段 外，本 研 究 将 ＯＬＩ的 单 波 段
Ｂａｎｄ１～Ｂａｎｄ５和Ｂａｎｄ７及其两两相加、相减、相比和
归一化组合指数（共计１５４项）作为自变量，将试验区
基于ＡＤＣ图像的样地草地植被盖度作为因变量，利用ＳＰＳＳ软件分别分析各波段及其组合指数与草地植被盖度
之间的线性回归模型，并筛选出相关系数较高的前１０个组合指数或波段，然后通过ＳＰＳＳ软件估算前１０个波段
组合指数或波段的线性、对数、指数和乘幂模型的参数，将ＤＪＩ拍摄的３９景样地影像（２０１４年８－１０月）计算的
盖度数据作为真实值，以各模型估算值作为反演值，分别计算草地盖度反演模型的平均绝对误差和平均相对误
差，检验各种模型精度，从而确立３０ｍ空间分辨率的草地盖度最优遥感反演模型。
Δ＝
∑
狀
犻＝１
Δ犻
狀 ＝
∑
狀
犻＝１
｜狓犻－犾犻｜
狀
（１）
δ＝
∑
狀
犻＝１
（Δ犻／犾犻）
狀 ×１００
（２）
式中，Δ表示整个试验区草地盖度的平均绝对误差，Δ犻表示某一样地草地盖度的绝对误差，狓犻表示某一样地模型
计算的草地盖度，犾犻表示基于ＡＤＣ相片（或无人机图像）计算的草地盖度，δ表示平均相对误差（％）。犻表示某一
样地，狀表示样地数目。
表１　犔犪狀犱狊犪狋８犗犔犐影像及外业调查数据列表
犜犪犫犾犲１　犜犺犲犾犻狊狋狅犳犔犪狀犱狊犪狋８犗犔犐犪狀犱犵狉狅狌狀犱狅犫狊犲狉狏犪狋犻狅狀犱犪狋犪
影像时间
Ｄａｔｅｏｆｓａｔｅｌｉｔｅｉｍａｇｅｓ
（年／月／日 Ｙｅａｒ／ｍｏｎｔｈ／ｄａｙ）
传感器类型
Ｓｅｎｓｏｒ
ｔｙｐｅ
行列号
Ｐａｔｈａｎｄ
ｒｏｗ
外业采样时间
Ｓａｍｐｌｉｎｇｔｉｍｅ
（年／月／日 Ｙｅａｒ／ｍｏｎｔｈ／ｄａｙ）
基于ＡＤＣ的样地
Ｐｌｏｔｂａｓｅｄｏｎ
ＡＤＣｄａｔａ
基于ＤＪＩ的样地
Ｐｌｏｔｂａｓｅｄｏｎ
ＤＪＩｄａｔａ
２０１３／０８／０８ Ｌａｎｄｓａｔ８ＯＬＩ １３１／３６ ２０１３／０８／０５１３ １４ －
２０１４／０７／２６ Ｌａｎｄｓａｔ８ＯＬＩ １３１／３６ ２０１４／０７／２４３１ １３ －
２０１４／０８／２７ Ｌａｎｄｓａｔ８ＯＬＩ １３１／３６ ２０１４／０８／１４１８ １３ １３
２０１４／０９／２８ Ｌａｎｄｓａｔ８ＯＬＩ １３１／３６ ２０１４／０９／２８２９ １３ １３
２０１４／１０／１４ Ｌａｎｄｓａｔ８ＯＬＩ １３１／３６ ２０１４／１０／２０２３ １３ １３
１．６　基于 ＭＯＤＩＳ数据的草地盖度反演模型的构建
本项研究采用Ｆａｚａｋａｓ［３７］提出的Ｂｏｔｔｏｍｕｐ方法，建立草地植被盖度反演模型。首先，利用较高空间分辨率
遥感数据（Ｌａｎｄｓａｔ８ＯＬＩ）反演草地盖度，再通过升尺度途径建立较低空间分辨率遥感数据（ＭＯＤＩＳ）的草地盖
５第２５卷第７期 草业学报２０１６年
度反演模型，并探讨不同升尺度方法对草地盖度反演精度的影响。本研究分别基于ＯＬＩ３０ｍ空间分辨率敏感
波段反射率、敏感波段组合指数和基于敏感波段组合指数反演的草地盖度，分别采用双线性重采样方法得到ＯＬＩ
２５０ｍ空间分辨率草地盖度数据，构建经过较高空间分辨率遥感数据（Ｌａｎｄｓａｔ８ＯＬＩ）校正的基于 ＭＯＤＩＳ影像
的草地盖度反演模型。这３种计算草地盖度的方法分别简记为方法１、方法２和方法３。方法１是将 ＯＬＩ的
Ｂａｎｄ７和Ｂａｎｄ５升尺度至２５０ｍ，计算Ｂａｎｄ７／Ｂａｎｄ５，再结合ＭＯＤＩＳ的月最大植被指数反演草地盖度；方法２通
过计算ＯＬＩ比值指数Ｂａｎｄ７／Ｂａｎｄ５（３０ｍ），将其升尺度至２５０ｍ，再结合ＭＯＤＩＳ的月最大植被指数反演草地盖
度；方法３利用ＯＬＩ比值指数 （Ｂａｎｄ７／Ｂａｎｄ５）反演草地盖度（３０ｍ），将其升尺度至２５０ｍ，再结合 ＭＯＤＩＳ的月
最大植被指数反演草地盖度（图４）。除此之外，草地盖度估算的第４种方法为基于 ＭＯＤＩＳ数据的传统方法，即
利用ＡＤＣ相片计算的盖度数据和 ＭＯＤＩＳ植被指数数据直接建立盖度回归模型，反演草地盖度。
将ＤＪＩ拍摄的３９幅样地影像（２０１４年８－１０月）计算的盖度数据作为真实值，以４种算法计算的草地盖度作
为反演值，分别计算４种算法的平均绝对误差和平均相对误差（式１和２），分析各种算法的模拟精度，从而确立
２５０ｍ空间分辨率的草地盖度最优遥感反演模型。
图４　基于 犕犗犇犐犛植被指数的草地盖度反演模型的４种构建方法
犉犻犵．４　犉狅狌狉犵狉犪狊狊犾犪狀犱犮狅狏犲狉犻狀狏犲狉狊犻狅狀犿犲狋犺狅犱狊犫犪狊犲犱狅狀犕犗犇犐犛狏犲犵犲狋犪狋犻狅狀犻狀犱犲狓
　
２　结果与分析
２．１　基于ＯＬＩ３０ｍ分辨率数据的试验区草地盖度模型比较分析
根据ＯＬＩ不同波段及其组合指数和试验区草地盖度之间的线性回归模型的决定系数犚２ 和均方根误差
（ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ，ＲＭＳＥ），筛选出的前１０个波段组合指数或敏感波段依次为：Ｂａｎｄ７／Ｂａｎｄ５、（Ｂａｎｄ５－
Ｂａｎｄ７）／（Ｂａｎｄ５＋Ｂａｎｄ７）、（Ｂａｎｄ３－Ｂａｎｄ４）／（Ｂａｎｄ３＋Ｂａｎｄ４）、Ｂａｎｄ３－Ｂａｎｄ４、（Ｂａｎｄ３－Ｂａｎｄ７）／（Ｂａｎｄ３＋
Ｂａｎｄ７）、Ｂａｎｄ２＋Ｂａｎｄ５、Ｂａｎｄ１＋Ｂａｎｄ５、Ｂａｎｄ３＋Ｂａｎｄ５、Ｂａｎｄ５和Ｂａｎｄ５＋Ｂａｎｄ７（表２）。其中，Ｂａｎｄ５及所有波
６ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．７
段组合指数的回归方程均达极显著水平（犘＜０．００１），决定系数介于０．６３３～０．８３３之间，均方根误差介于
６．２４１％～９．２５４％之间。常见植被指数ＮＤＶＩ和草地盖度之间的相关系数并没有出现在前１０个波段组合中，其
决定系数为０．６２７，ＲＭＳＥ达９．３２７％，精度较前１０个组合的线性模型差。波段比值指数Ｂａｎｄ７／Ｂａｎｄ５与草地
盖度之间的线性相关系数最大，达０．８３３，均方根误差最小，为６．２４１％。
表２　犗犔犐犅犪狀犱５及不同波段组合指数与草地盖度线性
回归模型的犚２ 和犚犕犛犈
犜犪犫犾犲２　犚２犪狀犱犚犕犛犈狅犳犾犻狀犲犪狉狉犲犵狉犲狊狊犻狅狀犿狅犱犲犾狊犫犲狋狑犲犲狀
犵狉犪狊狊犮狅狏犲狉犪犵犲犪狀犱犱犻犳犳犲狉犲狀狋犫犪狀犱犮狅犿犫犻狀犪狋犻狅狀
犻狀犱犲狓（犻狀犮犾狌犱犻狀犵犗犔犐犅犪狀犱５）
序号
Ｎｕｍｂｅｒ
指数
Ｉｎｄｅｘ
犚２ ＲＭＳＥ
（％）
１ Ｂａｎｄ７／Ｂａｎｄ５ ０．８３３ ６．２４１
２ （Ｂａｎｄ５－Ｂａｎｄ７）／（Ｂａｎｄ５＋Ｂａｎｄ７）０．８２１ ６．４６２
３ （Ｂａｎｄ３－Ｂａｎｄ４）／（Ｂａｎｄ３＋Ｂａｎｄ４）０．７７７ ７．２０５
４ Ｂａｎｄ３－Ｂａｎｄ４ ０．７５９ ７．５０６
５ （Ｂａｎｄ３－Ｂａｎｄ７）／（Ｂａｎｄ３＋Ｂａｎｄ７）０．７２０ ８．０８５
６ Ｂａｎｄ２＋Ｂａｎｄ５ ０．６６４ ８．８５７
７ Ｂａｎｄ１＋Ｂａｎｄ５ ０．６６４ ８．８５７
８ Ｂａｎｄ３＋Ｂａｎｄ５ ０．６５５ ８．９７１
９ Ｂａｎｄ５ ０．６５１ ９．０３１
１０ Ｂａｎｄ５＋Ｂａｎｄ７ ０．６３３ ９．２５４
１１ ＮＤＶＩ ０．６２７ ９．３２７
　，犘＜０．００１．下同 Ｔｈｅｓａｍｅｂｌｏｗ．
表３　犗犔犐犅犪狀犱５及不同波段组合指数反演草地
盖度的最优回归模型
犜犪犫犾犲３　犜犺犲犫犲狊狋狉犲犵狉犲狊狊犻狅狀犿狅犱犲犾犳狅狉犻狀狏犲狉狊犻狅狀
犵狉犪狊狊犾犪狀犱犮狅狏犲狉犫犪狊犲犱狅狀犱犻犳犳犲狉犲狀狋犫犪狀犱
犮狅犿犫犻狀犪狋犻狅狀犻狀犱犲狓犪狀犱犗犔犐犅犪狀犱５
指数
Ｉｎｄｅｘ
公式
Ｍｏｄｅｌ
犚２
Ｂａｎｄ７／Ｂａｎｄ５ 狔＝－２７０．０６４狓＋１１５．９８７ ０．８３３
（Ｂａｎｄ５－Ｂａｎｄ７）／（Ｂａｎｄ５＋Ｂａｎｄ７）狔＝１３２．７１４ｌｎ（狓）＋１１５．６８２ ０．７８２
（Ｂａｎｄ３－Ｂａｎｄ４）／（Ｂａｎｄ３＋Ｂａｎｄ４）狔＝３８．８８９狓＋８７．４６２ ０．７７７
Ｂａｎｄ３－Ｂａｎｄ４ 狔＝０．０７１狓＋８４．９２９ ０．７５９
（Ｂａｎｄ３－Ｂａｎｄ７）／（Ｂａｎｄ３＋Ｂａｎｄ７）狔＝３７．８３２狓＋８７．９５５ ０．７２０
Ｂａｎｄ２＋Ｂａｎｄ５ 狔＝３６．１１１ｌｎ（狓）－２０３．３１２ ０．６１９
Ｂａｎｄ１＋Ｂａｎｄ５ 狔＝３３．９１９ｌｎ（狓）－１８５．３１０ ０．６１９
Ｂａｎｄ３＋Ｂａｎｄ５ 狔＝４０．６２３ｌｎ（狓）－２４４．６３７ ０．６１１
Ｂａｎｄ５ 狔＝４２．８７８ｌｎ（狓）－２５９．０９８ ０．６０５
Ｂａｎｄ５＋Ｂａｎｄ７ 狔＝４８．６４８ｌｎ（狓）－３１０．５３８ ０．５８９
ＮＤＶＩ 狔＝１３０．８６１狓－１８．７６４ ０．６２７
　　表３列出了通过决定系数筛选出的前１０种波
段组合指数及基于 ＯＬＩＮＤＶＩ的草地盖度回归模
型。由该表可知，Ｂａｎｄ７／Ｂａｎｄ５、（Ｂａｎｄ３－Ｂａｎｄ４）／
（Ｂａｎｄ３＋ Ｂａｎｄ４）、Ｂａｎｄ３－ Ｂａｎｄ４、（Ｂａｎｄ３－
Ｂａｎｄ７）／（Ｂａｎｄ３＋Ｂａｎｄ７）以及ＮＤＶＩ的最优回归模
型形式为线性模型，而（Ｂａｎｄ５－Ｂａｎｄ７）／（Ｂａｎｄ５＋
Ｂａｎｄ７）、Ｂａｎｄ２＋Ｂａｎｄ５、Ｂａｎｄ１＋Ｂａｎｄ５、Ｂａｎｄ３＋
Ｂａｎｄ５、Ｂａｎｄ５和Ｂａｎｄ５＋Ｂａｎｄ７最优回归模型形式
为对数模型。
２．２　ＯＬＩ３０ｍ空间分辨率的草地盖度模型精度检
验
以２０１４年８月１５－１６日、９月２８－２９日以及
１０月２１－２２日期间无人机拍摄图像计算的盖度数
据为真值，检验基于 Ｌａｎｄｓａｔ８ＯＬＩ影像 ＮＤＶＩ、
Ｂａｎｄ５和９种波段组合指数反演的２０１４年８月２７
日、２０１４年９月２８日以及２０１４年１０月１４日的草
地盖度精度，结果如表４所示。其中，Ｂａｎｄ７／Ｂａｎｄ５
表４　犗犔犐犅犪狀犱５及不同波段组合指数的草地
盖度最优反演模型误差分析
犜犪犫犾犲４　犈狉狉狅狉犪狀犪犾狔狊犻狊犳狅狉犻狀狏犲狉狊犻狅狀犵狉犪狊狊犾犪狀犱犮狅狏犲狉犫犪狊犲犱狅狀
犗犔犐狑犻狋犺犱犻犳犳犲狉犲狀狋犫犪狀犱犮狅犿犫犻狀犪狋犻狅狀犻狀犱犲狓犪狀犱犅犪狀犱５
模型自变量
Ｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅ
平均绝对误差
Ａｖｅｒａｇｅａｂｓｏｌｕｔｅ
ｅｒｒｏｒ（Δ，％）
平均相对误差
Ａｖｅｒａｇｅｒｅｌａｔｉｖｅ
ｅｒｒｏｒ（δ，％）
Ｂａｎｄ７／Ｂａｎｄ５ ３．９７７９ ５．２２
（Ｂａｎｄ５－Ｂａｎｄ７）／（Ｂａｎｄ５＋Ｂａｎｄ７） ３．９８５８ ５．２７
（Ｂａｎｄ３－Ｂａｎｄ４）／（Ｂａｎｄ３＋Ｂａｎｄ４） ６．０４５８ ８．６７
Ｂａｎｄ３－Ｂａｎｄ４ ５．８６２７ ７．６４
（Ｂａｎｄ３－Ｂａｎｄ７）／（Ｂａｎｄ３＋Ｂａｎｄ７） ７．９１７４ １１．０２
Ｂａｎｄ２＋Ｂａｎｄ５ ７．７９５４ １０．４６
Ｂａｎｄ１＋Ｂａｎｄ５ ７．８３７８ １０．４８
Ｂａｎｄ３＋Ｂａｎｄ５ ７．８３０９ １０．５７
Ｂａｎｄ５ ７．６３９０ １０．３８
Ｂａｎｄ５＋Ｂａｎｄ７ ８．１０５８ １１．０３
ＮＤＶＩ ６．８６５５ ９．６１
７第２５卷第７期 草业学报２０１６年
表５　基于不同方法的试验区草地盖度回归模型
犜犪犫犾犲５　犚犲犵狉犲狊狊犻狅狀犿狅犱犲犾狊犳狅狉犵狉犪狊狊犾犪狀犱犮狅狏犲狉犫犪狊犲犱狅狀犱犻犳犳犲狉犲狀狋犿犲狋犺狅犱狊
方法 Ｍｅｔｈｏｄ 指数Ｉｎｄｅｘ 模型Ｆｕｎｃｔｉｏｎ 公式 Ｍｏｄｅｌ 犚２ Δ δ
方法１
Ｍｅｔｈｏｄ１
ＭＯＤＩＳＭＥＶＩ 线性Ｌｉｎｅａｒ 狔＝１４３．６２１狓＋２０．７８３ ０．７０３ ８．８１５ １５．１５５
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝３６．６６０ｅ１．８４４狓 ０．６５４ １０．１３０ １６．９１６
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝６２．４９３ｌｎ（狓）＋１３６．３７０ ０．７３０ ８．２５６ １４．２９２
乘幂Ｐｏｗｅｒ 狔＝１６２．７９７狓０．８１１ ０．６９４ ９．３９９ １６．３８１
ＭＯＤＩＳＭＮＤＶＩ 线性Ｌｉｎｅａｒ 狔＝１２８．５２１狓－３．３８８ ０．６６４ ９．３７７ １６．１５１
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝２６．５５２ｅ１．６６７狓 ０．６２９ １０．０１６ １７．８５３
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝８６．２８５ｌｎ（狓）＋１１８．０４０ ０．６８０ ９．３２４ １６．０７９
乘幂Ｐｏｗｅｒ 狔＝１２８．７２８狓１．１２９ ０．６５６ ９．６５８ １６．１７３
方法２
Ｍｅｔｈｏｄ２
ＭＯＤＩＳＭＥＶＩ 线性Ｌｉｎｅａｒ 狔＝１３４．４８４狓＋２４．４６１ ０．７５１ ８．７７８ １５．６２１
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝３９．４０７ｅ１．６７８狓 ０．７２０ １０．０９５ １７．４１９
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝５８．２３９ｌｎ（狓）＋１３２．５５８ ０．７６０ ８．１０４ １４．８１９
乘幂Ｐｏｗｅｒ 狔＝１５２．３０８狓０．７３１ ０．７３８ ９．３９０ １６．５２２
ＭＯＤＩＳＭＮＤＶＩ 线性Ｌｉｎｅａｒ 狔＝１２１．２３３狓＋１．１９７ ０．７２５ ９．０９９ １６．０６８
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝２９．２８８ｅ１．５２３狓 ０．７０４ ９．４３４ １６．４８８
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝８０．６５２ｌｎ（狓）＋１１５．５４９ ０．７２６ ９．０４０ １６．０６１
乘幂Ｐｏｗｅｒ 狔＝１２３．２３０狓１．０１７ ０．７１２ ９．２５３ １６．１６３
方法３
Ｍｅｔｈｏｄ３
ＭＯＤＩＳＭＥＶＩ 线性Ｌｉｎｅａｒ 狔＝１４７．７８０狓＋１８．０８６ ０．７７８ ８．４１５ １４．８２２
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝３５．３７０ｅ１．９０２狓 ０．７１３ ９．８４３ １６．７２１
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝６４．１６０ｌｎ（狓）＋１３６．９２７ ０．７９５ ７．８８０ １３．９０１
乘幂Ｐｏｗｅｒ 狔＝１６４．５６６狓０．８３６ ０．７４７ ９．２５２ １６．１３８
ＭＯＤＩＳＭＮＤＶＩ 线性Ｌｉｎｅａｒ 狔＝１２９．１３７狓－４．６２２ ０．７２８ ８．９６５ １６．１０４
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝２６．２０９ｅ１．６７３狓 ０．６７６ ９．１９６ １６．２１７
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝８５．７４１ｌｎ（狓）＋１１７．１００ ０．７３３ ８．２１１ １４．７６０
乘幂Ｐｏｗｅｒ 狔＝１２７．２５６狓１．１２０ ０．６９３ ９．１１３ １６．１７４
方法４
Ｍｅｔｈｏｄ４
ＭＯＤＩＳＭＥＶＩ 线性Ｌｉｎｅａｒ 狔＝１．２６８狓＋０．２８０ ０．６７１ １０．２３３ １７．８３６
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝０．３９８ｅ０．２５９９狓 ０．６４０ １０．２７４ １７．６３１
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝０．５６１ｌｎ（狓）＋１．３１３ ０．７０６ ９．６２８ １７．０７４
乘幂Ｐｏｗｅｒ 狔＝１．５１４狓０．７２７ ０．６７７ １０．２１９ １８．０７５
ＭＯＤＩＳＭＮＤＶＩ 线性Ｌｉｎｅａｒ 狔＝１．３０１狓－０．０４６ ０．６９５ １０．０５２ １７．８８６
指数Ｅｘｐｏｎｅｎｔｉａｌ 狔＝０．２６０ｅ１．６８７狓 ０．６７２ １０．２７３ １８．００１
对数Ｌｏｇａｒｉｔｈｍｉｃ 狔＝０．８６８ｌｎ（狓）＋１．１８４ ０．７００ ９．９１７ １７．４７７
乘幂Ｐｏｗｅｒ 狔＝１．２８２狓１．１２７ ０．６８７ １０．１７９ １７．９４７
反演的草地盖度精度最高，其平均绝对误差和相对误差最小，分别为３．９７７９％和５．２２％；Ｂａｎｄ５＋Ｂａｎｄ７反演的
草地盖度的精度最低，其平均绝对误差和相对误差最大，分别达８．１０５８％和１１．０３％。Ｂａｎｄ５和其他波段组合指
数的盖度反演精度由高到低依次为（Ｂａｎｄ５－Ｂａｎｄ７）／（Ｂａｎｄ５＋Ｂａｎｄ７）、Ｂａｎｄ３－Ｂａｎｄ４、（Ｂａｎｄ３－Ｂａｎｄ４）／
（Ｂａｎｄ３＋Ｂａｎｄ４）、ＮＤＶＩ、Ｂａｎｄ５、Ｂａｎｄ２＋Ｂａｎｄ５、Ｂａｎｄ３＋Ｂａｎｄ５、Ｂａｎｄ１＋Ｂａｎｄ５和（Ｂａｎｄ３－Ｂａｎｄ７）／（Ｂａｎｄ３＋
Ｂａｎｄ７）。从精度检验的结果可知，夏河县桑科试验区３０ｍ空间分辨率的草地盖度最优模型为基于ＯＬＩＢａｎｄ７／
Ｂａｎｄ５的线性模型：
狔ｏｌｉ＝－２７０．０６４狓ｏｌｉ＋１１５．９８７ （３）
式中，狔ｏｌｉ表示基于Ｌａｎｄｓａｔ８ＯＬＩＢａｎｄ７／Ｂａｎｄ５反演的草地盖度（％）；狓ｏｌｉ表示Ｌａｎｄｓａｔ８ＯＬＩ的比值植被指数
８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．７
Ｂａｎｄ７／Ｂａｎｄ５。
２．３　ＭＯＤＩＳ２５０ｍ空间分辨率的草地盖度反演模型构建及精度检验
将 ＭＯＤＩＳＭＮＤＶＩ、ＭＥＶＩ作为自变量，通过ＯＬＩＢａｎｄ７和Ｂａｎｄ５反射率数据及其３种不同处理方法（图
４）反演的盖度数据作为因变量，建立的线性、指数、对数和乘幂４类回归模型如表５所示。就４类模型而言，在利
用方法１～３构建的模型中，ＭＯＤＩＳＭＮＤＶＩ和 ＭＯＤＩＳＭＥＶＩ对数模型的平均绝对误差和平均相对误差均最
小，决定系数最大，模型的精度最高；其次为线性模型；指数模型的平均绝对误差和平均相对误差均最大，决定系
数最小；乘幂模型的平均绝对误差、平均相对误差和决定系数介于线性模型和指数模型之间，其精度仅优于指数
模型。在利用方法４构建的盖度模型中，基于 ＭＯＤＩＳＭＮＤＶＩ和 ＭＥＶＩ的对数模型的精度最高，与方法１～３
不同的是方法４中基于 ＭＯＤＩＳＭＥＶＩ构建的模型精度由高到低依次为对数、乘幂、线性和指数模型。就４种方
法而言，基于方法１～３构建的 ＭＯＤＩＳＭＥＶＩ的线性、指数、对数和乘幂模型精度均优于 ＭＯＤＩＳＭＮＤＶＩ对应
的模型，这说明 ＭＯＤＩＳＭＥＶＩ较 ＭＯＤＩＳＭＮＤＶＩ能更准确的模拟试验区草地盖度情况；利用方法４建立的
ＭＥＶＩ的对数模型的决定系数最高，平均绝对误差和平均相对误差最小，但其线性、指数和乘幂模型的决定系数
均小于 ＭＮＤＶＩ所对应的模型，平均绝对误差和平均相对误差均大于 ＭＮＤＶＩ所对应的模型。比较草地盖度的
４种反演方法发现，基于方法３构建的 ＭＯＤＩＳＭＥＶＩ对数模型的精度最高（犚２＝０．７９５，Δ＝７．８８０％，δ ＝
１３．９０１％），基于其他方法的对数模型的精度从高到低依次为方法２（犚２＝０．７６０，Δ＝８．１０４％，δ＝１４．８１９％）、方
法１（犚２＝０．７３０，Δ＝８．２５６％，δ＝１４．２９２％）和方法４（犚２＝０．７０６，Δ＝９．６２８％，δ＝１７．０７４％）。因而，基于
ＭＯＤＩＳ２５０ｍ空间分辨率的草地盖度最优反演模型为：
狔＝６４．１６０ｌｎ（狓ＭＥＶＩ）＋１３６．９２７ （４）
式中，狔表示基于Ｌａｎｄｓａｔ８ＯＬＩ数据及方法３反演的草地盖度与 ＭＯＤＩＳＭＥＶＩ之间的回归关系；狓ＭＥＶＩ表示
ＭＯＤＩＳＭＥＶＩ。
３　讨论
本研究表明Ｌａｎｄｓａｔ８ＯＬＩＢａｎｄ５与试验区草地盖度之间呈显著的正相关关系，ＯＬＩＢａｎｄ７则呈显著的负
相关关系，而波段组合指数Ｂａｎｄ７／Ｂａｎｄ５与试验区草地盖度呈极显著的负相关关系，其线性回归模型可以解释
试验区内草地盖度变化的８３．３％。这与众多学者的研究结果一致。Ｂａｎｄ５为近红外波段，其波长范围为
０．８４５～０．８８５μｍ，对地表植被反应敏感，与草地植被盖度之间呈现显著的正相关关系
［３８４０］。Ｂａｎｄ７为中红外波
段，其波长范围为２．１００～２．３００μｍ，对矿物、干草等地表信息反映敏感
［２１２４］，与地表植被信息之间呈现负相关关
系［２２２３］。
在利用不同升尺度方法和地面观测的盖度数据及 ＭＯＤＩＳＥＶＩ、ＮＤＶＩ建立的各类回归模型中，ＭＯＤＩＳＥＶＩ
的线性、对数、指数和乘幂模型的决定系数均高于 ＭＯＤＩＳＮＤＶＩ所对应的模型。这与马琳雅［４１］、黄晓东等［４２］对
甘南草地植被盖度研究的结果一致。ＭＯＤＩＳＮＤＶＩ在高植被覆盖区域容易饱和，这可能是导致基于 ＭＮＤＶＩ的
草地盖度模型精度较 ＭＥＶＩ差的主要原因［４３］。
方法１～３构建的草地盖度模型精度均优于方法４，说明较高空间分辨率的Ｌａｎｄｓａｔ８ＯＬＩ图像对中分辨率
ＭＯＤＩＳ数据的校正可以提高其反演草地盖度的精度；也表明试验区设置的样地大小（３０ｍ×３０ｍ）与Ｌａｎｄｓａｔ８
ＯＬＩ图像的空间分辨率相匹配，一个样地采用３～５个样点的采样方法较为合理，基于ＡＤＣ图像计算的３～５个
样点的草地盖度的平均值可以很好的代表一个样地内草地植被盖度的变化状况。然而，这种地面采样方法，与空
间分辨率为２５０ｍ×２５０ｍ的 ＭＯＤＩＳ植被指数的空间匹配性不够强，但使用Ｌａｎｄｓａｔ８ＯＬＩ图像及多种处理方
法可以提高 ＭＯＤＩＳ反演草地盖度的精度。就３种升尺度方法而言，其共同特点是草地盖度均使用了空间分辨
率为３０ｍ的Ｌａｎｄｓａｔ８ＯＬＩＢａｎｄ５、Ｂａｎｄ７反射率数据及其比值植被指数（Ｂａｎｄ７／Ｂａｎｄ５），是基于高分辨率小像
素尺度的遥感监测结果［２０］。其中，方法３建立的回归模型的精度最高，并且基于该方法构建的草地盖度最优模
型精度远大于其他方法建立的最优模型，其次为方法２，方法１的精度最差。基于方法１构建的 ＭＯＤＩＳＥＶＩ的
对数模型的精度最接近方法４直接建立的基于 ＭＯＤＩＳＥＶＩ与地面观测盖度数据的模型精度，这是因为方法１
９第２５卷第７期 草业学报２０１６年
和方法４均使用粗分辨率（２５０ｍ）的光谱反射率数据计算植被指数，是基于低分辨率大像素尺度的遥感监测结
果［２０］，导致其结果不同的原因除了来自地面采样点的空间代表性外，还与不同卫星传感器对草地盖度反应的灵
敏程度有很大关系。方法１和２之间的差异主要在于对遥感图像的重采样及植被指数计算的先后顺序不一样，
方法１对ＯＬＩ图像的Ｂａｎｄ７及Ｂａｎｄ５的反射率先重采样后计算植被指数，方法２则相反，这可能是导致草地盖
度反演精度存在较大差异的重要原因。草地植被具有较大的空间异质性，对草地盖度敏感的遥感图像的反射率
及植被指数重采样引起的尺度效应、植被指数的空间异质性及盖度估算时的非线性计算方式等因素是造成草地
盖度反演误差的主要来源。
４　结论
本研究选取了夏河县桑科试验区２０１３－２０１４年间５次野外调查的草地数据，结合该时段Ｌａｎｄｓａｔ８ＯＬＩ和
ＭＯＤＩＳ数据，筛选分析了新一代Ｌａｎｄｓａｔ８ＯＬＩ对试验区草地盖度敏感的波段及其组合指数，并建立了试验区
基于Ｌａｎｄｓａｔ８ＯＬＩ敏感波段的盖度反演模型。在此基础上，通过使用多种数据处理及建模方法，确立了 ＭＯ
ＤＩＳＭＮＤＶＩ、ＭＥＶＩ与草地盖度之间的最优反演模型。结果表明，１）ＯＬＩ多光谱数据中Ｂ７／Ｂ５波段组合指数对
试验区草地盖度反应最为敏感，该指数与草地盖度之间的线性模型为试验区草地盖度的最优反演模型，决定系数
犚２ 达０．８３３，精度高达９４．７８％；２）与基于ＡＤＣ相片计算的盖度数据和 ＭＯＤＩＳ植被指数数据直接建立的最优
回归模型相比较，使用 ＯＬＩ数据及不同建模方法所建的草地盖度最优回归模型精度更高，犚２ 可提高０．００４～
０．１０７，平均绝对误差较后者减小了０．４３１％～１．８１７％，平均相对误差较后者减小０．９１０％～３．１７４％；３）在３种
升尺度方法中，基于方法３所建立的草地盖度的反演模型较其他２种升尺度方法建立的模型精度高，其中基于
ＭＯＤＩＳＭＥＶＩ的对数模型为试验区草地盖度的最优反演模型，其决定系数、平均绝对误差和平均相对误差分别
为０．７９５，７．８８０％和１３．９０１％。
犚犲犳犲狉犲狀犮犲狊：
［１］　ＺｈａｎｇＣＢ，ＬｉＪＬ，ＺｈａｎｇＹ，犲狋犪犾．ＡｑｕａｎｔｉｔａｔｉｖｅａｎａｌｙｓｉｓｍｅｔｈｏｄｆｏｒｍｅａｓｕｒｉｎｇｇｒａｓｓｌａｎｄｃｏｖｅｒａｇｅｂａｓｅｄｏｎＲＧＢｍｏｄｅｌ．
ＡｃｔａＰｒａｔａｃｕｌｔｕｒａｅＳｉｎｉｃａ，２０１３，２２（４）：２２０２２６．
［２］　ＺｈａｎｇＸＸ，ＺｈｕＱＫ，ＷｕＧＭ，犲狋犪犾．Ｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅａｓｓｅｓｓｍｅｎｔｂｙｄｉｇｉｔａｌｐｈｏｔｏｓ．ＪｏｕｒｎａｌｏｆＢｅｉｊｉｎｇＦｏｒｅｓｔｒｙＵｎｉｖｅｒ
ｓｉｔｙ，２００８，３０（１）：１６４１６９．
［３］　ＱｉｎＷ，ＺｈｕＱＫ，ＺｈａｎｇＸＸ，犲狋犪犾．Ｒｅｖｉｅｗｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｉｎｇａｎｄｉｔｓｍｅａｓｕｒｉｎｇａｎｄｃａｌｃｕｌａｔｉｎｇｍｅｔｈｏｄ．Ｊｏｕｒｎａｌｏｆ
ＮｏｒｔｈｗｅｓｔＳｃｉｅｎｃｅＴｅｃｈｎｏｌｏｇｙＵｎｉｖｅｒｓｉｔｙｏｆＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔ，２００６，３４（９）：１６３１７０．
［４］　ＤｅＲｏｏＡＰＪ，ＯｆｆｅｒｍａｎｓＲＪＥ，ＣｒｅｍｅｒｓＤＴ，犲狋犪犾．Ａｓｉｎｇｌｅｅｖｅｎｔｐｈｙｓｉｃａｌｙｂａｓｅｄｈｙｄｒｏｌｏｇｉｃａｌａｎｄｓｏｉｌｅｒｏｓｉｏｎｍｏｄｅｌｆｏｒ
ｄｒａｉｎａｇｅｂａｓｉｎｓＩ：Ｔｈｅｏｒｙ，ｉｎｐｕｔａｎｄｏｕｔｐｕｔ．ＨｙｄｒｏｌｏｇｉｃａｌＰｒｏｃｅｓｓｅｓ，１９９６，（１０）：１１０７．
［５］　ＱｉｎＷ，ＣａｏＷＨ，ＺｏｕＣＱ，犲狋犪犾．Ｅｒｏｓｉｏｎａｎｄｓｅｄｉｍｅｎｔｙｉｅｌｄｍｏｄｅｌｏｆｂｉｇａｎｄｍｉｄｄｌｅｓｃａｌｅｗａｔｅｒｓｈｅｄｉｎｌｏｅｓｓｐｌａｔｅａｕｃｏｎｓｉｄ
ｅｒｉｎｇｄｉｆｆｅｒｅｎｔｉａｔｉｏｎｂｅｔｗｅｅｎｕｐｐｅｒａｎｄｌｏｗｅｒｏｆｔｈｅｓｈｏｕｌｄｅｒｌｉｎｅｏｆｖａｌｅｙｓ．ＪｏｕｒｎａｌｏｆＢａｓｉｃＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０１５，
２３（１）：１２２９．
［６］　ＪｉａｏＪＹ，ＷａｎｇＷＺ．Ｔｈｅｂｅｎｅｆｉｔｓｏｆｒｕｎｏｆｆａｎｄｓｅｄｉｍｅｎｔｒｅｄｕｃｉｎｇ＆ｅｆｆｅｃｔｉｖｅｃｏｖｅｒｒａｔｅｆｏｒｓｏｉｌａｎｄｗａｔｅｒｃｏｎｓｅｒｖａｔｉｏｎｏｆａｒ
ｔｉｆｉｃｉａｌｇｒａｓｓｌａｎｄｏｎｌｏｅｓｓｐｌａｔｅａｕ．ＡｃｔａＡｇｒｅｓｔｉａＳｉｎｉｃａ，２００１，９（３）：１７６１８２．
［７］　ＺｈａｎｇＧＨ，ＬｉａｎｇＹＭ．Ａｓｕｍｍａｒｙｏｆｉｍｐａｃｔｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｏｎｓｏｉｌａｎｄｗａｔｅｒｃｏｎｓｅｒｖａｔｉｏｎｂｅｎｅｆｉｔ．ＲｅｓｅａｒｃｈｏｆＳｏｉｌ
ａｎｄＷａｔｅｒＣｏｎｓｅｒｖａｔｉｏｎ，１９９６，３（２）：１０４１１０．
［８］　ＢａｏＸＱ，ＨｅＪＬ，ＸｉｎｇＥＤ，犲狋犪犾．Ｓｃｉｅｎｃｅａｎｄｔｅｃｈｎｏｌｏｇｙｄｅｖｅｌｏｐｍｅｎｔｓｔｒａｔｅｇｙｏｆｇｒａｓｓｌａｎｄｓｏｉｌａｎｄｗａｔｅｒｃｏｎｓｅｒｖａｔｉｏｎ．
ＣｈｉｎａＷａｔｅｒＲｅｓｏｕｒｃｅｓ，２００８，２１：６６６８．
［９］　ＤｕＪＺ，ＷａｎｇＧＸ，ＬｉＹＳ．ＲａｔｅａｎｄｃａｕｓｅｓｏｆｄｅｇｒａｄａｔｉｏｎｏｆａｌｐｉｎｅｇｒａｓｓｌａｎｄｉｎｔｈｅｓｏｕｒｃｅｒｅｇｉｏｎｓｏｆｔｈｅＹａｎｇｔｚｅａｎｄＹｅｌｏｗ
Ｒｉｖｅｒｓｄｕｒｉｎｇｔｈｅｌａｓｔ４５ｙｅａｒｓ．ＡｃｔａＰｒａｔａｃｕｌｔｕｒａｅＳｉｎｉｃａ，２０１５，２４（６）：５１５．
［１０］　ＺｈａｏＪＣ，ＬｉｕＳＨ．ＲｅｓｅａｒｃｈｏｎｔｈｅｉｍｐａｃｔｏｆｖｅｇｅｔａｔｉｏｎｃｈａｎｇｅｏｎｌａｎｄａｔｍｏｓｐｈｅｒｅｃｏｕｐｌｉｎｇｓｔｒｅｎｇｔｈｉｎｎｏｒｔｈｗｅｓｔＣｈｉｎａ．
ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＧｅｏｐｈｙｓｉｃｓ，２０１５，５８（１）：４７６２．
［１１］　ＪｉＬ．ＲｅｍｏｔｅＳｅｎｓｉｎｇＭｏｎｉｔｏｒｉｎｇｏｆｔｈｅＤｅｇｒｅｅｏｆＧｒａｓｓｌａｎｄＤｅｓｅｒｔｉｆｉｃａｔｉｏｎａｎｄＡｎａｌｙｓｉｓＣｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆＶｅｇｅｔａｔｉｏｎａｎｄ
ＳｏｉｌＮｕｔｒｉｅｎｔｉｎＲｕｏｅｒｇａｉ［Ｄ］．Ｙａ’ａｎ：ＳｉｃｈｕａｎＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，２０１２．
［１２］　ＣａｏＮ，ＨａｎＹＪ，ＭａＮ．ＡｎａｌｙｓｉｓｏｆｔｈｅｄｅｓｅｒｔｉｆｉｃａｔｉｏｎａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒａｇｅｍｏｎｉｔｏｒｉｎｇｃｈａｎｇｅｓｉｎＹａｎｃｈｉｃｏｕｎｔｙＹａｎｃｈｉ
ｃｉｔｙａｓａｎｅｘａｍｐｌｅ．ＡｇｒｉｃｕｌｔｕｒｅＮｅｔｗｏｒｋＩｎｆｏｒｍａｔｉｏｎ，２０１３，（１０）：１２３１２５．
０１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．７
［１３］　ＧｕｏＳＭ．ＲｅｓｅａｒｃｈｏｆＶｅｇｅｔａｔｉｏｎＣｏｖｅｒａｇｅＤｉｓｔｒｉｂｕｔｉｏｎＣｈａｎｇｅｓｏｆＡｌｐｉｎｅＧｒａｓｓｌａｎｄＢａｓｅｄｏｎ３ｓＴｅｃｈｎｏｌｏｇｙ［Ｄ］．Ｌａｎｚｈｏｕ：
ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，２００９．
［１４］　ＣｈｅｎＺＧ，ＢａＴＮＣ，ＸｕＺＹ，犲狋犪犾．Ｍｅａｓｕｒｉｎｇｇｒａｓｓｌａｎｄｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｕｓｉｎｇｄｉｇｉｔａｌｃａｍｅｒａｉｍａｇｅｓ．ＡｃｔａＰｒａｔａｃｕｌｔｕｒａｅ
Ｓｉｎｉｃａ，２０１４，２３（６）：２０２７．
［１５］　ＣｈｅｎＪＪ，ＹｉＳＨ，ＲｅｎＳＬ，犲狋犪犾．Ｒｅｔｒｉｅｖａｌｏｆｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｏｆａｌｐｉｎｅｇｒａｓｓｌａｎｄａｎｄｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｒｅ
ｔｒｉｅｖａｌｉｎｔｈｅｕｐｐｅｒｏｆＳｈｕｌｅＲｉｖｅｒＢａｓｉｎ．ＰｒａｔａｃｕｌｔｕｒａｌＳｃｉｅｎｃｅ，２０１４，３１（１０）：５６６５．
［１６］　ＲｅｎＳＬ，ＹｉＳＨ，ＣｈｅｎＪＪ，犲狋犪犾．Ｃｏｍｐａｒｉｓｏｎｓｏｆａｌｐｉｎｅｇｒａｓｓｌａｎｄｆｒａｃｔｉｏｎａｌｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｅｓｔｉｍａｔｉｏｎｕｓｉｎｇｄｉｆｆｅｒｅｎｔｄｉｇｉｔ
ａｌｃａｍｅｒａｓａｎｄｄｉｆｆｅｒｅｎｔｉｍａｇｅａｎａｌｙｓｉｓｍｅｔｈｏｄ．ＰｒａｔａｃｕｌｔｕｒａｌＳｃｉｅｎｃｅ，２０１４，３１（６）：１００７１０１３．
［１７］　ＷａｎｇＷＴ，ＸｉｅＤＨ，ＬｉＸ Ｗ．Ｕｎｉｖｅｒｓａｌｓｃａｌｉｎｇｍｅｔｈｏｄｏｌｏｇｙｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｓｃｉｅｎｃｅｂｙｃｏｎｓｔｒｕｃｔｉｎｇｇｅｏｇｒａｐｈｉｃｔｒｅｎｄ
ｓｕｒｆａｃｅ．ＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１４，１８（６）：１１３９１１４７．
［１８］　ＬｉＸ Ｗ，ＷａｎｇＷ Ｔ．Ｐｒｏｓｐｅｃｔｓｏｎｆｕｔｕｒｅｄｅｖｅｌｏｐｍｅｎｔｓｏｆｑｕａｎｔｉｔａｔｉｖｅｒｅｍｏｔｅｓｅｎｓｉｎｇ．ＡｃｔａＧｅｏｇｒａｐｈｉｃａＳｉｎｉｃａ，２０１３，
６８（９）：１１６３１１６９．
［１９］　ＷａｎｇＨＢ．ＳｔｕｄｙｏｎＳｃａｌｅＴｒａｎｓｆｏｒｍａｔｉｏｎｏｆＦｏｒｅｓｔＣｏｖｅｒａｇｅａｎｄＬａｎｄＴｙｐｅＤｉｖｉｓｉｏｎＴｅｃｈｎｉｑｕｅ［Ｄ］．Ｂｅｉｊｉｎｇ：ＢｅｉｊｉｎｇＦｏｒ
ｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０１４．
［２０］　ＬｉｕＬＹ．Ｓｉｍｕｌａｔｉｏｎａｎｄｃｏｒｒｅｃｔｉｏｎｏｆｓｐａｔｉａｌｓｃａｌｉｎｇｅｆｆｅｃｔｓｆｏｒｌｅａｆａｒｅａｉｎｄｅｘ．ＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１４，１８（６）：
１１５８１１６９．
［２１］　ＣｈｅｎＹ，ＧｉｌｉｅｓｏｎＤ．ＥｖａｌｕａｔｉｏｎｏｆＬａｎｄｓａｔＴＭｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｆｏｒｅｓｔｉｍａｔｉｎｇｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｏｎｓｅｍｉａｒｉｄｒａｎｇｅｌａｎｄｓＡ
ｃａｓｅｓｔｕｄｙｆｒｏｍＡｕｓｔｒａｌｉａ．ＣａｎａｄｉａｎＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ：ＪｏｕｒｎａｌＣａｎａｄｉｅｎｄｅＴéｌéｄéｔｅｃｔｉｏｎ，２００９，３５（５）：１１７．
［２２］　ＰｉｃｋｕｐＧ，ＣｈｅｗｉｎｇＶＨ，ＮｅｌｓｏｎＤＪ，犲狋犪犾．ＥｓｔｉｍａｔｉｎｇｃｈａｎｇｅｓｉｎｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｏｖｅｒｔｉｍｅｉｎａｒｉｄｒａｎｇｅｌａｎｄｓｕｓｉｎｇＬａｎｄ
ｓａｔＭＳＳｄａｔａ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９３，４３（３）：２４３２６３．
［２３］　ＰｉｃｋｕｐＧ．Ａｓｉｍｐｌｅｍｏｄｅｌｆｏｒｐｒｅｄｉｃｔｉｎｇｈｅｒｂａｇｅｐｒｏｄｕｃｔｉｏｎｆｒｏｍｒａｉｎｆａｌｉｎｒａｎｇｅｌａｎｄｓａｎｄｉｔｓｃａｌｉｂｒａｔｉｏｎｕｓｉｎｇｒｅｍｏｔｅｌｙ
ｓｅｎｓｅｄｄａｔａ．ＪｏｕｒｎａｌｏｆＡｒｉｄＥｎｖｉｒｏｎｍｅｎｔｓ，１９９５，３０（２）：２２７２４５．
［２４］　ＦｏｒａｎＢＤ．ＤｅｔｅｃｔｉｏｎｏｆｙｅａｒｌｙｃｏｖｅｒｃｈａｎｇｅｗｉｔｈＬａｎｄｓａｔＭＳＳｏｎｐａｓｔｏｒａｌｌａｎｄｓｃａｐｅｓｉｎＣｅｎｔｒａｌＡｕｓｔｒａｌｉａ．ＲｅｍｏｔｅＳｅｎｓｉｎｇ
ｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９８７，２３（２）：３３３３５０．
［２５］　ＩｒｏｎｓＪＲ，ＤｗｙｅｒＪＬ，ＢａｒｓｉＪＡ，犲狋犪犾．ＴｈｅｎｅｘｔＬａｎｄｓａｔｓａｔｅｌｉｔｅ：Ｔｈｅｌａｎｄｓａｔｄａｔａｃｏｎｔｉｎｕｉｔｙｍｉｓｓｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ，２０１２，１２２：１１２１．
［２６］　ＣｈｕＱＷ，ＺｈａｎｇＨＱ，ＷｕＹＷ，犲狋犪犾．ＡｐｐｌｉｃａｔｉｏｎｒｅｓｅａｒｃｈｏｆＬａｎｄｓａｔ８．ＲｅｍｏｔｅＳｅｎｓｉｎｇＩｎｆｏｒｍａｔｉｏｎ，２０１３，２８（４）：１１０
１１４．
［２７］　ＬｉＸＷ，ＮｉｕＺＣ，ＪｉａｎｇＳ，犲狋犪犾．ＳｔｕｄｙｏｎｔｈｅｕｓａｇｅｏｆＬａｎｄｓａｔ８ｓａｔｅｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｉｎｅｃｏｌｏｇｉｃａｌｅｎｖｉｒｏｎｍｅｎｔ
ｍｏｎｉｔｏｒｉｎｇ．ＥｎｖｉｒｏｎｍｅｎｔａｌＭｏｎｉｔｏｒｉｎｇａｎｄＦｏｒｅｗａｒｎｉｎｇ，２０１３，５（６）：１５．
［２８］　ＺｈａｎｇＦＬ，ＧｏｕＢＣ，ＬｉＪＬ．ＱｕａｎｔｉｔａｔｉｖｅｓｔｕｄｙｏｆｖｅｇｅｔａｔｉｏｎａｎｄｎｏｎｖｅｇｅｔａｔｉｏｎＬａｎｄｓａｔ７ＥＴＭ＋ｗｉｔｈＬａｎｄｓａｔ８ＯＬＩ．
ＳｈａｎｘｉＡｒｃｈｉｔｅｃｔｕｒｅ，２０１４，４０（１１）：２４０２４１．
［２９］　ＸｕＨＱ，ＴａｎｇＦ．ＡｎａｌｙｓｉｓｏｆｎｅｗｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｆｉｒｓｔＬａｎｄｓａｔ８ｉｍａｇｅａｎｄｔｈｅｉｒｅｃｏｅｎｖｉｒｏｎｍｅｎｔａｌｓｉｇｎｉｆｉｃａｎｃｅ．Ａｃｔａ
ＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０１３，３３（１１）：３２４９３２５７．
［３０］　ＹａｎｇＹＢ，ＺｈａｎｇＹ．ＤｅｇｅｎｅｒａｔｉｏｎａｎｄｉｔｓｃｏｍｐｒｅｈｅｎｓｉｖｅｃｏｎｔｒｏｌｏｆｇｒａｓｓｌａｎｄｉｎＸｉａｈｅｃｏｕｎｔｙ．ＰｒａｔａｃｕｌｔｕｒａｌＳｃｉｅｎｃｅ，１９９９，
１６（６）：５０５６．
［３１］　ＧｕｏＨ Ｗ．ＰｒｏｂｌｅｍｓａｎｄｃｏｕｎｔｅｒｍｅａｓｕｒｅｓｆｏｒｌｉｖｅｓｔｏｃｋｈｕｓｂａｎｄｒｙｄｅｖｅｌｏｐｍｅｎｔｉｎＸｉａｈｅｃｏｕｎｔｙ．ＰｒａｔａｃｕｌｔｕｒｅａｎｄＡｎｉｍａｌ
Ｈｕｓｂａｎｄｒｙ，２００９，（１１）：６０６２．
［３２］　ＤｉｎｇＷＧ，ＬｅｉＱ，ＹａｎｇＱ．ＡｒｅｓｅａｒｃｈｏｎｔｈｅｍｏｔｉｖａｔｉｏｎｆｏｒｃｅｓｏｆｔｈｅｎａｔｕｒａｌｐａｓｔｕｒｅａｎｄｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｉｎＸｉａｈｅ
Ｃｏｕｎｔｙ．ＪｏｕｒｎａｌｏｆＡｒｉｄＬａｎｄＲｅｓｏｕｒｃｅｓａｎｄＥｎｖｉｒｏｎｍｅｎｔ，２００７，２１（１２）：８４８８．
［３３］　ＬｉＪ．ＡＳｔｕｄｙｏｆＬａｎｄＳｕｒｆａｃｅＴｅｍｐｅｒａｔｕｒｅＲｅｔｒｉｅｖａｌｆｏｒｔｈｅＲｅｇｉｏｎｏｆＣｈａｎｇｂａｉＭｏｕｎｔａｉｎｏｆＣｈｉｎａ［Ｄ］．Ｃｈａｎｇｃｈｕｎ：ＪｉｌｉｎＵ
ｎｉｖｅｒｓｉｔｙ，２００４．
［３４］　ＬａｎＪＳ，ＧｕｏＹ．ＡｒｅｓｅａｒｃｈｏｎｔｈｅａｌｇｏｒｉｔｈｍｏｆｅｑｕｉｖａｌｅｎｔｗａｖｅｌｅｎｇｔｈａｎｄｔｈｅｉｍｐａｃｔｔｏｔｈｅｒｅｔｒｉｅｖｅｄＬＳＢＴｂａｓｅｄｏｎＴＭ６．
ＲｅｍｏｔｅＩｎｆｏｒｍａｔｉｏｎ，２００６，（８８）：１０１３．
［３５］　ＹａｎｇＹＹ，ＳｈｉＺＴ，ＨｅＰ．ＡｎａｌｙｓｉｓｏｆｔｈｅｒｍａｌｅｎｖｉｒｏｎｍｅｎｔｏｆｔｈｅｍａｉｎｕｒｂａｎａｒｅａｏｆＫｕｎｍｉｎｇｂａｓｅｄｏｎｍｕｔｉｓｏｕｒｃｅｄａｔａ．
ＴｒｏｐｉｃａｌＧｅｏｇｒａｐｈｙ，２０１３，３３（１）：２１２７．
［３６］　ＬｉｎＹ．ＴｈｅＩｎｖｅｒｓｉｏｎｏｆＳｅａＳｕｒｆａｃｅＴｅｍｐｅｒａｔｕｒｅＢａｓｅｄｏｎＭｕｌｔｉｓｏｕｒｃｅＲｅｍｏｔｅＳｅｎｓｉｎｇ［Ｄ］．Ｓｈａｎｇｈａｉ：ＥａｓｔＣｈｉｎａＮｏｒｍａｌ
Ｕｎｉｖｅｒｓｉｔｙ，２０１３．
［３７］　ＦａｚａｋａｓＺ．ＶｏｌｕｍａｎｄｆｏｒｅｓｔｃｏｖｅｒｅｓｔｉｍａｔｉｏｎｏｖｅｒｓｏｕｔｈｅｒｎＳｗｅｄｅｎｕｓｉｎｇＡＶＨＲＲｄａｔａｃａｌｉｂｒａｔｅｄｗｉｔｈＴＭｄａｔａ．Ｉｎｔｅｒｎａ
ｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９６，１７（９）：１７０１１７０９．
［３８］　ＬｕｏＹ，ＸｕＪＨ，ＹｕｅＷＺ．Ｒｅｓｅａｒｃｈｏｎｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｂａｓｅｄｏｎｔｈｅｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ．ＥｃｏｌｏｇｉｃＳｃｉｅｎｃｅ，２００５，２４
（１）：７５７９．
１１第２５卷第７期 草业学报２０１６年
［３９］　ＫａｎｇＹＪ．Ｔｈｅａｐｐｌｉｃａｔｉｏｎｆｏｒｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｏｎｔｈｅｇｒａｓｓｌａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇ．Ｔｅｃｈｎｏｌｏｇｙ＆Ｉｎｄｕｓｔｒｙ，２０１１，６：３９４１．
［４０］　ＪａｃｑｕｅｓＤＣ，ＫｅｒｇｏａｔＬ，ＨｉｅｒｎａｕｘＰ，犲狋犪犾．ＭｏｎｉｔｏｒｉｎｇｄｒｙｖｅｇｅｔａｔｉｏｎｍａｓｓｅｓｉｎｓｅｍｉａｒｉｄａｒｅａｓｗｉｔｈＭＯＤＩＳＳＷＩＲｂａｎｄｓ．
ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１４，１５３：４０４９．
［４１］　ＭａＬＹ．ＳｐａｔｉｏＴｅｍｐｏｒａｌＤｙｎａｍｉｃＣｈａｎｇｅｓｏｆＧｒａｓｓｌａｎｄＶｅｇｅｔａｔｉｏｎＣｏｖｅｒａｎｄＰｈｅｎｏｌｏｇｙｉｎＧａｎｎａｎＰｒｅｆｅｃｔｕｒｅ［Ｄ］．Ｌａｎｚｈｏｕ：
ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，２０１３．
［４２］　ＨｕａｎｇＸＤ，ＬｉＸ，ＬｉａｎｇＴＧ．ＤｙｎａｍｉｃｓｏｆＭＯＤＩＳｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓａｎｄｔｈｅｉｒｒｅｌａｔｉｏｎｓｈｉｐｗｉｔｈｍｅｔｅｏｒｏｌｏｇｉｃａｌｆａｃｔｏｒｓｆｏｒ
ｄｉｆｆｅｒｅｎｔｇｒａｓｓｌａｎｄｔｙｐｅｓｏｎｎｏｒｔｈｅｒｎＸｉｎｊｉａｎｇ．ＪｏｕｒｎａｌｏｆＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ：ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ，２００７，４３（３）：４２４７．
［４３］　ＷａｎｇＺＸ，ＬｉｕＣ，ＨｕｅｔＥＡ．ＦｒｏｍＡＶＨＲＲＮＤＶＩｔｏＭＯＤＩＳＥＶＩ：ａｄｖａｎｃｅｓｉｎｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｒｅｓｅａｒｃｈ．ＡｃｔａＥｃｏｌｏｇｉｃａ
Ｓｉｎｉｃａ，２００３，２３（５）：９７９９８７．
参考文献：
［１］　章超斌，李建龙，张颖，等．基于ＲＧＢ模式的一种草地盖度定量快速测定方法研究．草业学报，２０１３，２２（４）：２２０２２６．
［２］　张学霞，朱清科，吴根梅，等．数码照相法估算植被盖度．北京林业大学学报，２００８，３０（１）：１６４１６９．
［３］　秦伟，朱清科，张学霞，等．植被盖度及其测算方法研究．西北农林科技大学学报（自然科学版），２００６，３４（９）：１６３１７０．
［５］　秦伟，曹文洪，左长清，等．考虑沟－坡分异的黄土高原大中流域侵蚀产沙模型．应用基础与工程科学学报，２０１５，２３（１）：
１２２９．
［６］　焦菊英，王万忠．人工草地在黄土高原水土保持中的碱水减沙效益与有效盖度．草地学报，２００１，９（３）：１７６１８２．
［７］　张光辉，梁一民．植被盖度对水土保持功效影像的研究综述．水土保持研究，１９９６，３（２）：１０４１１０．
［８］　包小庆，何京丽，邢恩德，等．草地水土保持科技发展战略．中国水利，２００８，２１：６６６８．
［９］　杜际增，王根绪，李元寿．近４５年长江黄河源区高寒草地退化特征及成因分析．草业学报，２０１５，２４（６）：５１５．
［１０］　赵靖川，刘树华．植被变化对西北地区陆－气耦合强度的影像．地球物理学报，２０１５，５８（１）：４７６２．
［１１］　纪磊．若尔盖草地沙化程度的遥感监测及其制备特征与土壤养分的分析［Ｄ］．雅安：四川农业大学，２０１２．
［１２］　曹宁，韩颖娟，马宁．荒漠化及植被盖度监测变化分析．农业网络信息，２０１３，（１０）：１２３１２５．
［１３］　郭述茂．基于３ｓ技术的高寒草地植被盖度分布特征及动态变化研究［Ｄ］．兰州：兰州大学，２００９．
［１４］　陈祖刚，巴图娜存，徐芝英，等．基于数码相机的草地植被盖度测量方法对比研究．草业学报，２０１４，２３（６）：２０２７．
［１５］　陈建军，宜树华，任世龙，等．疏勒河上游高寒草地植被盖度反演及精度评价．草业科学，２０１４，３１（１０）：５６６５．
［１６］　任世龙，宜树华，陈建军，等．基于不同数码照相机和图像处理方法的高寒草地植被盖度估算的比较．草业科学，２０１４，
３１（６）：１００７１０１３．
［１７］　王玮婷，谢东辉，李小文．构造地理要素趋势面的尺度转换普适性方法探讨．遥感学报，２０１４，１８（６）：１１３９１１４７．
［１８］　李小文，王炜婷．定量遥感尺度效应刍议．地理学报，２０１３，６８（９）：１１６３１１６９．
［１９］　王海宾．基于森林盖度的尺度转换及地类区划方法研究［Ｄ］．北京：北京林业大学，２０１４．
［２０］　刘良云．叶面积指数遥感尺度效应与尺度纠正．遥感学报，２０１４，１８（６）：１１５８１１６９．
［２６］　初庆伟，张洪群，吴业炜，等．Ｌａｎｄｓａｔ８卫星数据应用探讨．遥感信息，２０１３，２８（４）：１１０１１４．
［２７］　李旭文，牛志春，姜晟，等．Ｌａｎｄｓａｔ８卫星ＯＬＩ遥感影像在生态环境监测中的应用研究．环境监控与预警，２０１３，５（６）：１
５．
［２８］　张风霖，缑变彩，李靖琳．Ｌａｎｄｓａｔ７ＥＴＭ＋与Ｌａｎｄｓａｔ８ＯＬＩ植被和非植被定量研究．山西建筑，２０１４，４０（１１）：２４０２４１．
［２９］　徐涵秋，唐菲．新一代Ｌａｎｄｓａｔ系列卫星：Ｌａｎｄｓａｔ８遥感影像新增特征及其生态环境意义．生态学报，２０１３，３３（１１）：３２４９
３２５７．
［３０］　杨延彪，张英．夏河县草地退化及综合治理措施．草业科学，１９９９，１６（６）：５０５６．
［３１］　郭宏伟．夏河县畜牧业发展面临的问题及对策．草业与畜牧，２００９，（１１）：６０６２．
［３２］　丁文广，雷青，杨勤．甘肃省夏河县草地退化驱动力及可持续发展对策研究．干旱区资源与环境，２００７，２１（１２）：８４８８．
［３３］　李建．长白山地区地表温度反演研究［Ｄ］．长春：吉林大学，２００４．
［３４］　兰敬松，郭跃．针对ＴＭ６有效波长的计算方式及其对低温反演的影像研究．遥感信息（理论研究），２００６，（８８）：１０１３．
［３５］　杨云源，史正涛，何萍．基于多元数据的昆明市主城区建筑区热环境分析．热带地理，２０１３，３３（１）：２１２７．
［３６］　林媛．基于多元遥感的海水表面温度反演研究－以乐清湾为例［Ｄ］．上海：华东师范大学，２０１３．
［３８］　罗亚，徐建华，岳文泽．基于遥感影像的植被指数研究方法述评．生态科学，２００５，２４（１）：７５７９．
［３９］　康耀江．植被指数在草地遥感中的应用初探．科技与产业，２０１１，６：３９４１．
［４１］　马琳雅．甘南州草地植被覆盖度与物候期时空变化动态特征［Ｄ］．兰州：兰州大学，２０１３．
［４２］　黄晓东，李霞，梁天刚．北疆地区不同草地类型 ＭＯＤＩＳ植被指数变化动态及其与气候因子的关系．兰州大学学报：自然科
学版，２００７，４３（３）：４２４７．
［４３］　王正兴，刘闯，ＨｕｅｔＥＡ．植被指数研究进展：从ＡＶＨＲＲＮＤＶＩ到 ＭＯＤＩＳＥＶＩ．生态学报，２００３，２３（５）：９７９９８７．
２１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１６） Ｖｏｌ．２５，Ｎｏ．７