全 文 ：书基于野外观测和犜犕数据的锡林浩特典型
草原 犕犗犇犐犛／犔犃犐产品验证
王圆圆１，王猛２，３，李贵才１，王军邦２，杨忠东１，戎志国１
（１．中国气象局中国遥感卫星辐射测量和定标重点开放实验室 国家卫星气象中心，北京１０００８１；
２．中国科学院地理科学与资源研究所，北京１００１０１；３．中国科学院研究生院，北京１０００４９）
摘要：通过２００８年夏季生长季的３期ＬＡＩ野外观测和ＴＭ 图像的处理分析，对锡林浩特国家观象台附近２４ｋｍ２
典型草原区的 ＭＯＤＩＳ／ＬＡＩ产品精度从时空２种维度进行了评估。结果显示，在时间维度上，ＭＯＤＩＳ／ＬＡＩ产品可
以较为准确的体现草地植被生长轨迹；在空间维度上，ＭＯＤＩＳ／ＬＡＩ产品与ＴＭ／ＬＡＩ反演结果有相似的变化趋势。
以ＴＭ／ＬＡＩ结果为参考真值，ＭＯＤＩＳ／ＬＡＩ产品的相对均方根误差约为２４％，并存在１０．８％的正偏差，表明有一定
程度的高估。误差分析结果显示，ＭＯＤＩＳ／ＬＡＩ产品精度主要受到土壤背景光谱以及地表均匀程度的影响，在ＬＡＩ
较小的区域，以及在草地空间异质性因受人类活动而增强的７月初和８月末，ＭＯＤＩＳ／ＬＡＩ产品误差更大。
关键词：ＭＯＤＩＳ／ＬＡＩ产品；ＴＭ／ＥＴＭ＋数据；典型草原
中图分类号：Ｓ８１２．３ 文献标识码：Ａ 文章编号：１００４５７５９（２０１１）０４０２５２０９
叶面积影响着植物光合、土壤呼吸、地表蒸散等生物物理过程，是重要的植被结构参数［１３］。遥感具有大范
围、准实时、多尺度获取陆表参数的优势［４］。中分辨率成像光谱仪（ｍｏｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅ
ｔｅｒ，ＭＯＤＩＳ）叶面积指数（ｌｅａｆａｒｅａｉｎｄｅｘ，ＬＡＩ）产品自发布以来就受到了多学科研究人员的密切关注，并被作为
关键参数输入到遥感、植被、生态、气候等领域的模型或模式中［５］。
ＭＯＤＩＳ／ＬＡＩ产品的应用效果受制于产品质量，因此产品精度的独立验证非常重要；同时，产品精度验证也
将积极促进反演算法的改进［６］。ＭＯＤＩＳ／ＬＡＩ产品验证的难点在于无法直接从地表获取同等像元尺度（１ｋｍ×１
ｋｍ）上的观测，因此高空间分辨率数据常被作为中间桥梁，将地表的单点观测转换至区域结果。验证方法通常包
括３个步骤：１）野外观测获取ＬＡＩ；２）利用高空间分辨率遥感图像反演ＬＡＩ；３）将高空间分辨率ＬＡＩ尺度转换至
低空间分辨率，和ＭＯＤＩＳ／ＬＡＩ产品进行对比。截至到目前，已有不少国内外学者都做过ＭＯＤＩＳ／ＬＡＩ产品验证
工作，但由于研究区域不同，这些验证工作得出的结论也不尽相同。Ｃｏｈｅｎ等［７，８］曾利用ＥＴＭ＋（ｅｎｈａｎｃｅｄｔｈｅ
ｍａｔｉｃｍａｐｐｅｒ）图像和地表实测ＬＡＩ值，验证了北美４种不同植被覆盖区域（农田、草原、针叶林、混交林）的 ＭＯ
ＤＩＳ／ＬＡＩ产品，发现与旧版算法（Ｃｏｌｅｃｔｉｏｎ３）相比，新版算法（Ｃｏｌｅｃｔｉｏｎ４）可明显改善农田和草原植被覆盖区
的ＬＡＩ估算精度，但是仍然高估了森林地区的ＬＡＩ；Ｃｏｈｅｎ等［７］在文章中还探讨了不同空间尺度下ＬＡＩ与 ＭＯ
ＤＩＳ反射率（波段１～７）之间的相关性，提出在反演算法中增加短波红外信息，将有助于提高ＬＡＩ反演精度。
Ｐｉｓｅｋ和Ｃｈｅｎ［９］也针对北美地区 ＭＯＤＩＳ／ＬＡＩ产品开展了验证研究，得出 ＭＯＤＩＳ／ＬＡＩ产品的相对绝对误差中
值变化范围为３４％～８８％，并发现当ＬＡＩ处于高值区时，产品值的波动较大；他们认为增加亚像元地表覆盖信
息，或森林植被的聚集指数信息，或林下的背景光谱信息可以改善ＬＡＩ产品的反演精度；Ａｂｕｅｌｇａｓｉｍ等［１０］在加
拿大森林覆盖地区，验证了３种ＬＡＩ产品［分别基于 ＭＯＤＩＳ，ＳＰＯＴ４／ＶＧＴ（ｓａｔｅｌｉｔｅｐｏｕｒｌ’ｏｂｓｅｒｖａｔｉｏｎｄｅｌａ
ｔｅｒｒｅ，ＶＥＧＥＴＡＴＩＯＮｐｒｏｄｕｃｔ）和ＰＯＬＤＥＲ１（ＰＯＬａｒｉｚａｔｉｏｎａｎｄｄｉｒｅｃｔｉｏｎａｌｉｔｙｏｆｔｈｅｅａｒｔｈ’ｓｒｅｆｌｅｃｔａｎｃｅｓ）遥感
数据生成］，结果显示ＶＧＴ／ＬＡＩ产品与实测结果更为接近，另２种ＬＡＩ产品精度较低，他们提出为改善产品质
量，很有必要在ＬＡＩ反演算法中增加区域调节因素。Ｆｅｎｓｈｏｌｔ等［１１］针对塞内加尔地区的Ｓａｖａｎｎａ草原进行了
２５２－２６０
２０１１年８月
草 业 学 报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ
第２０卷 第４期
Ｖｏｌ．２０，Ｎｏ．４
收稿日期：２０１００６１１；改回日期：２０１００７３１
基金项目：公益性行业科研专项［ＧＹＨＹ（ＱＸ）２００７６９，ＧＹＨＹ２００９０６０３６］和国家自然科学基金（４０５０１０４８）资助。
作者简介：王圆圆（１９８１），女，安徽六安人，助研，博士。Ｅｍａｉｌ：ｗａｎｇｙｕａｎｙ＠ｃｍａ．ｇｏｖ．ｃｎ
通讯作者。Ｅｍａｉｌ：ｌｉｇｃ＠ｃｍａ．ｇｏｖ．ｃｎ
ＭＯＤＩＳ／ＬＡＩ产品验证，认为产品可以较好体现植被的季相变化，但存在高估，幅度为２％～１５％。从目前已经完
成的 ＭＯＤＩＳ／ＬＡＩ产品验证工作来看，学者们较为关注浓密植被和生长旺季［７９］，因为在上述条件下，基于辐射传
输理论反演ＬＡＩ的主程序经常无法获取有效值，继而求助基于归一化植被指数 ＮＤＶＩ（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅ
ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ）的后备程序，但ＮＤＶＩ在ＬＡＩ值较高的情况下存在饱和，使反演结果具有很大不确定性。饱和
现象固然对ＬＡＩ反演有重要影响，土壤背景也是一个不容忽视的关键因素［１１，１２］，尤其是在植被覆盖较为稀疏的
地区，可是当前针对这类区域的ＭＯＤＩＳ／ＬＡＩ产品验证工作还比较少；此外，在已有很多研究中，验证多是基于区
域ＬＡＩ均值的时间序列展开的，较少有空间格局的对比。
本研究以冠层开放、覆盖稀疏的内蒙古锡林浩特典型草原区为研究对象，通过在２００８年夏季开展的３次野
外观测试验，获取大量样方ＬＡＩ，与ＴＭ（ｔｈｅｍａｔｉｃｍａｐｐｅｒ）／ＥＴＭ＋光谱数据建立相关，生成高精度的ＬＡＩ分布
图，从时间和空间２个维度上对ＭＯＤＩＳ／ＬＡＩ产品进行验证，并探讨了其误差分布特征。研究结果对于了解该地
区的 ＭＯＤＩＳ／ＬＡＩ产品质量具有重要意义，对前人ＬＡＩ验证研究亦是很好的补充。
１ 材料与方法
１．１ 研究区和样方布设
研究区位于内蒙古自治区锡林浩特市东北部２５ｋｍ处的锡林浩特国家气候观象台野外站，面积大约２４
ｋｍ２，海拔约１０００ｍ（图１）。该区为半干旱气候，冬季受蒙古高压气流控制，寒冷干燥，夏季受季风影响，较为温
暖湿润，年均气温０．５～１．０℃，无霜期约１００ｄ，年均降水３５０ｍｍ，集中在６－９月［１３］。从植被类型上来看，该区
是亚欧大陆的典型草原区，建群种以克氏针茅（犛狋犻狆犪犽狉狔犾狅狏犻犻）、羊草（犔犲狔犿狌狊犮犺犻狀犲狀狊犻狊）为主。土壤为栗钙土。
图１ 犜犕假彩色合成图像（２００８年８月２５日）上研究区８０个样方（黄点）示意图
犉犻犵．１ 犐犾狌狊狋狉犪狋犻狅狀狅犳８０狆犾狅狋狊（狔犲犾狅狑狆狅犻狀狋狊）狅犳狋犺犲狊狋狌犱狔犪狉犲犪狅狀犜犕犳犪犾狊犲犮狅犿狆狅狊犻狋犲犻犿犪犵犲（犪犮狇狌犻狉犲犱狅狀犃狌犵狌狊狋２５，２００８）
白色格网表示等经纬度投影下 ＭＯＤＩＳ／ＬＡＩ产品像元Ｔｈｅｗｈｉｔｅｇｒｉｄｓ（１ｋｍ×１ｋｍ）ａｒｅｔｈｅｐｉｘｅｌｓｏｆＭＯＤＩＳ／ＬＡＩｐｒｏｄｕｃｔ
研究区中立有ＣＯ２ 涡度塔（Ｎ４４°０８′３１．２″，Ｅ１１６°１８′４２．５″），海拔１１５８ｍ。按照循环采样的模式［１４］，在涡
度塔周围布设了８０个２５ｍ×２５ｍ样方（如图１中黄点）。循环采样是一种非常高效的采样方式，在降低了采样
频率的条件下，仍然能够在不同采样距离上保持采样密度，避免了在相同采样距离上的多余采样。具体的采样方
案见表１，在每一个循环长度上，最优的采样位置是能够实现以最少的取样数目，提供足够量的相差不同距离的
３５２第２０卷第４期 草业学报２０１１年
数据对数。本研究以涡度塔为中心，沿东西和南北方
向分别采用５／２１和４／１３的采样设计方案，采样的基
本步长是２５ｍ，循环长度分别是２１和１３基本步长
处，分别在０，１，４，１４，１６和０，１，３，９基本步长的倍数
处设置采样点（图２）。在通量贡献区约９５０ｍ×５５０
ｍ的区域上，共设置８０个采样点（受围栏和道路的影
响，实际有效样方数为７８个）。
除了上述８０个密集样方，另有２０个２５ｍ×２５ｍ
样方随机分布在涡度塔周围５ｋｍ×５ｋｍ范围内，以
准确获取整个研究区ＬＡＩ的数据变异特征。样方通
过经纬仪和激光测距仪精确定位，在样方的４个角点
设置木桩作为标志。每个样方内分别在４个角和中心
位置设置５个０．５ｍ×０．５ｍ的亚样方。计算ＬＡＩ
时，将５个亚样方的平均值作为样方的值。
表１ 循环采样方案的选点方式［１４］
犜犪犫犾犲１ 犇犻犳犳犲狉犲狀狋狊犪犿狆犾犻狀犵狊犮犺犲犿犲狊犫犪狊犲犱
狅狀犮狔犮犾犻犮狊犪犿狆犾犻狀犵犱犲狊犻犵狀
循环方式
Ｃｙｃｌｅ
ｄｅｆｉｎｉｔｉｏｎ
循环长度
Ｃｙｃｌｅ
ｌｅｎｇｔｈ
采样点数
Ｓａｍｐｌｉｎｇｐｏｉｎｔ
ｎｕｍｂｅｒ
采样位置
Ｓａｍｐｌｉｎｇ
ｐｏｓｉｔｉｏｎ
１／１ １ １ ０
２／３ ３ ２ ０，１
３／７ ７ ３ ０，１，３
４／１３ １３ ４ ０，１，３，９
５／２１ ２１ ５ ０，１，４，１４，１６
６／３１ ３１ ６ ０，１，３，８，１２，１８
７／３７ ３７ ７ ０，１，６，１０，１７，２３，３５
图２ 基于循环采样的８０个样方的空间分布格局
犉犻犵．２ 犔犪狔狅狌狋狅犳狋犺犲８０狆犾狅狋狊犻狀狊狋狌犱狔狉犲犵犻狅狀犫犪狊犲犱狅狀犮狔犮犾犻犮狊犪犿狆犾犻狀犵犱犲狊犻犵狀
亚样方内的ＬＡＩ通过称重收割法进行测量。具体做法是，用０．５ｍ×０．５ｍ的样方框，把植物按针茅、羊草、
知母（犃狀犲犿犪狉狉犺犲狀犪犪狊狆犺狅犱犲犾狅犻犱犲狊）、沙葱（犃犾犾犻狌犿犿狅狀犵狅犾犻犮狌犿）、杂类草分别齐根剪下带回实验室称量鲜重，
７０℃下烘４８ｈ，获取样方内每个物种的干重，物种干重与比叶面积（ＳＬＡ，ｓｐｅｃｉｆｉｃｌｅａｆａｒｅａ）相乘即可得到物种叶
面积指数，样方内所有物种的叶面积指数相加可得样方的总叶面积指数。为测量ＳＬＡ，每物种取１０个叶片样
本，平铺到扫描仪上进行扫描，扫描时使羊草、知母等宽叶植物尽量展开，针茅、葱等针状的或者卷曲的植物，直接
用投影面积进行测量。扫描图片用 Ｍａｔｌａｂ软件进行计算，得到叶片面积，叶片面积除以叶片干重，即可获取每个
物种的ＳＬＡ。
４５２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．４
１．２ 数据及研究方法
２００８年夏季，国家卫星气象中心组织相关工作人员进行了３次野外观测试验，时间分别为７月初（７月２－７
日），７月末（７月２０－２６日）和８月末（８月２５－３０日）。７月初，草场处于快速生长早期，７月末，草场属于生长
最旺盛时期，到８月末，针茅开始出现抽穗，部分草场已开始收割。
根据野外观测时间，购买了２幅ＴＭ影像（获取时间分别为２００８年７月８日和２００８年８月２５日），下载１
幅ＥＴＭ＋影像（获取时间为２００８年８月１日，ｈｔｔｐ：／／ｇｌｏｖｉｓ．ｕｓｇｓ．ｇｏｖ）。总计３幅影像，图像轨道号为１２４／２９，
在研究区域上空均是无云晴空（ＥＴＭ＋图像上则不存在数据丢失线）。首先对３幅影像进行了几何精纠正
（ＲＭＳＥ＜０．５像元）；其次，根据头文件信息做了辐射定标，获得表观反射比；最后，是大气纠正工作，由于２００８
年７月８日获取了ＣＥ３１８观测数据和探空资料，可知气溶胶光学厚度为０．３０，大气水汽含量为２．０１８ｇ／ｃｍ２，因
此利用６ｓ模型（ｓｅｃｏｎｄｓｉｍｕｌａｔｉｏｎｏｆａｓａｔｅｌｉｔｅｓｉｇｎａｌｉｎｔｈｅｓｏｌａｒｓｐｅｃｔｒｕｍ）对该天ＴＭ影像作了大气校正，通
过向６ｓ模型输入图像获取时间、太阳天顶角、太阳方位角、气溶胶光学厚度、大气水汽含量、表观反射比、地表高
程等参数，即可获得除去大气吸收、散射等影响的真实地表反射率。鉴于在８月１日和８月２５日都没有大气探
测资料，同时为了保证多时相图像数据在光谱上的一致性，该２日内的图像利用稳定目标进行了相对的大气校
正［１５］，选择的稳定目标包括具有低反射特性的水体和高反射特性的锡林浩特机场跑道，假设这２种地物的反射
率在短时间内不发生变化，建立表观反射比和地表反射率的线性回归方程，即可反推其他地物的地表反射率。
图３ 犕犗犇犐犛／犔犃犐产品验证流程
犉犻犵．３ 犉犾狅狑犮犺犪狉狋狅犳犕犗犇犐犛／犔犃犐狆狉狅犱狌犮狋狏犪犾犻犱犪狋犻狅狀
ａ：基于密集采样区的 ＭＯＤＩＳ／ＬＡＩ产品验证 ＭＯＤＩＳ／ＬＡＩｖａｌｉｄａｔｉｏｎｔｈｒｏｕｇｈｃｏｍｐａｒｉｓｏｎｗｉｔｈｆｉｅｌｄｍｅａｓｕｒｅｍｅｎｔｓ；ｂ：基于 ＴＭ／ＬＡＩ反演结果的
ＭＯＤＩＳ／ＬＡＩ产品验证 ＭＯＤＩＳ／ＬＡＩｖａｌｉｄａｔｉｏｎｔｈｒｏｕｇｈｃｏｍｐａｒｉｓｏｎｗｉｔｈＴＭ／ＬＡＩｉｎｖｅｒｓｉｏｎｒｅｓｕｌｔｓ
５５２第２０卷第４期 草业学报２０１１年
针对 ＭＯＤＩＳ／ＬＡＩ产品（８ｄ合成、１ｋｍ空间分辨率），下载了１０期数据，时间跨度是从第１６９天至第２４１
天，包括了整个夏季生长季。
本研究分２种途径验证 ＭＯＤＩＳ／ＬＡＩ产品，一个是时间序列的分析，直接对比８０个密集采样区的样方ＬＡＩ
观测值与 ＭＯＤＩＳ／ＬＡＩ产品（图３ａ），这样做可以直观看到２种不同观测尺度对研究区ＬＡＩ的刻画特征，虽然从
空间上来看有不妥之处，但因为地表采样数量较多，对时间序列比较的影响不大；另一个是空间格局的分析，以１
ｋｍＴＭ／ＬＡＩ反演结果为参照，和研究区内 ＭＯＤＩＳ／ＬＡＩ产品进行逐像元的对比（图３ｂ），虽然有不少学者建议，
考虑到定位的不确定性，应该在图像分割后对比目标之间的ＬＡＩ［１６］，由于研究区为均匀草地，不存在其他土地覆
盖类型，对定位错误的敏感性较低，因此采取逐像元对比是可行的。
２ 结果与分析
２．１ 密集采样区对比分析结果
经过检查，发现 ＭＯＤＩＳ／ＬＡＩ产品质量控制参数（ＱＣ）在研究区内均为０，说明ＬＡＩ反演值的可信度很高。
密集采样区在产品图像上跨越了４个相邻像元（图１），其平均值和标准差见图４中蓝线所示，从中可以看出，
ＭＯＤＩＳ／ＬＡＩ产品时间序列可较好反映草地植被在生长季由稀疏到茂密的生长过程；从６月下旬－７月初，ＬＡＩ
迅速增加，由０．４上升到１以上，到８月下旬，ＬＡＩ回落至０．７左右。
地表实测ＬＡＩ（图４中红线所示）同样也表现出开始迅速增加而后缓慢下降的趋势，其和 ＭＯＤＩＳ／ＬＡＩ均值
的吻合程度在７月初最好，在７月末和８月末，偏离程度较大，而且偏离的方向也不一致，７月末，ＭＯＤＩＳ／ＬＡＩ产
品值偏小，８月末，产品值则偏大。地表实测的ＬＡＩ还具有标准差高、变异系数大的特点，显示出样方尺度的ＬＡＩ
观测包含更多细节信息（表２），７月初地表实测ＬＡＩ变异系数明显高于其他２个时期。
表２ 密集采样区实测犔犃犐和 犕犗犇犐犛／犔犃犐比较
犜犪犫犾犲２ 犆狅犿狆犪狉犻狊狅狀犫犲狋狑犲犲狀狅犫狊犲狉狏犲犱犔犃犐犪狀犱犕犗犇犐犛／犔犃犐狆狉狅犱狌犮狋犪狋犻狀狋犲狀狊犻狏犲狊犪犿狆犾犲犪狉犲犪
生长时期
Ｇｒｏｗｔｈｓｔａｇｅ
实测ＬＡＩ（狀＝７８）
ＯｂｓｅｒｖｅｄＬＡＩ（狀＝７８）
平均值 Ｍｅａｎ 标准差Ｓｔｄ 变异系数ＣＶ
ＭＯＤＩＳ／ＬＡＩ（狀＝４）
平均值 Ｍｅａｎ 标准差Ｓｔｄ 变异系数ＣＶ
７月初（７月２－７日）ＥａｒｌｙＪｕｌｙ（Ｊｕｌｙ２－７） ０．６８００ ０．２６３２ ０．３８７１ ０．６５００ ０．０５７７ ０．０８８８
７月末（７月２０－２６日）ＬａｔｅＪｕｌｙ（Ｊｕｌｙ２０－２６） ０．９９５９ ０．２４６６ ０．２４７６ ０．８７５０ ０．０９５７ ０．１０９４
８月末（８月２５－３０日）ＬａｔｅＡｕｇｕｓｔ（Ａｕｇｕｓｔ２５－３０） ０．８８４９ ０．１９５０ ０．２２０３ ０．９７５０ ０．０５００ ０．０５１３
狀为样本数狀ｉｓｔｈｅｓａｍｐｌｅｓｉｚｅ．
２．２ 基于ＴＭ／ＬＡＩ反演结果的 ＭＯＤＩＳ／ＬＡＩ产品验证
通过对样方ＬＡＩ和ＴＭ各波段光谱以及植被指数进行相关分析后，发现ＬＡＩ与位于短波红外的第５波段
（中心波长１．６μｍ）相关性最好，但是相关系数的绝对值仍然不是很高，只有０．５。如果采用最小二乘法则会产
生方差压缩的问题，为了保持ＬＡＩ观测值的变异程度，采取了ＲＭＡ（ｒｅｄｕｃｅｄｍａｊｏｒａｘｉｓ）回归方法［１７］
犢＝（α＋β犡＋ε），α＝珚犢－（σ犢／σ狓）珡犡，β＝σ犢／σ狓
式中，犢 和犡 为因变量和自变量，α、β为系数，珚犢和珡犡 分别是犢 和犡 的均值，σ犢 和σ狓 是犢 和犡 的标准差。
图５显示了ＴＭ第５波段和ＬＡＩ的散点图以及回归式。利用该回归式可以得到３期的ＴＭ／ＬＡＩ分布图，将
其按照 ＭＯＤＩＳ／ＬＡＩ产品像元网格（等经纬度投影）进行平均，获取１ｋｍ空间分辨率的ＴＭ／ＬＡＩ结果，即可与
ＭＯＤＩＳ／ＬＡＩ产品进行逐像元的对比。
图６显示了 ＭＯＤＩＳ／ＬＡＩ和１ｋｍ空间分辨率ＴＭ／ＬＡＩ的散点图及线性拟合方程，可看出两者变化趋势一
致，具有较好的相关性（狉＝０．６），但是 ＭＯＤＩＳ／ＬＡＩ产品数值反差较小，值域为［０．４，１．１］，而ＴＭ／ＬＡＩ的数值值
域为［０．２，１．３］。从回归结果来看，ＬＡＩ较小的样本更偏离拟合线，说明 ＭＯＤＩＳ／ＬＡＩ的反演误差在草地覆盖稀
疏区会更大。表３中的误差统计结果也说明了这一点，当ＬＡＩ＞０．８５时，相对均方根误差为１９．６９％，而当
ＬＡＩ≤０．８５时，相对均方根误差达到４４．３６％。
６５２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．４
从不同时期的ＭＯＤＩＳ／ＬＡＩ产品来看，７月初和８
图４ 犕犗犇犐犛／犔犃犐产品时间序列（蓝色）和
地面实测犔犃犐（红色）对比
犉犻犵．４ 犆狅犿狆犪狉犻狊狅狀犫犲狋狑犲犲狀犕犗犇犐犛／犔犃犐狋犻犿犲
狊犲狉犻犲狊（犫犾狌犲）狑犻狋犺犳犻犲犾犱犿犲犪狊狌狉犲犿犲狀狋狊（狉犲犱）
月末的ＬＡＩ产品精度低于７月末（表４），这与草场的
均匀性有关。７月初是草地生长早期，上一年草场利
用活动对这一时期的草地格局仍有重要影响；这一时
期围封草地ＬＡＩ明显高于刈割区，草地有很强的空间
异质性（见表２中变异系数）。到７月末，上一年被刈
割的草场完全长出新草，自然因素尤其是地形及其对
降水的再分配，对空间格局的形成起到主导作用。由
于研究区地形平缓，草地生长比较均匀，加之草地生长
茂盛，ＬＡＩ值大，使得７月末的ＭＯＤＩＳ／ＬＡＩ产品精度
最高。到了８月末，又值草场收割时间，从 ＴＭ 影像
上可明显看出草地分布呈斑块状（图１），因为是拖拉
机收割作业，速度很快，草场的时空格局变化剧烈。而
ＭＯＤＩＳ／ＬＡＩ是８ｄ合成产品，因此用一期ＴＭ 影像
评估 ＭＯＤＩＳ／ＬＡＩ产品精度存在较大局限，也容易得
出产品精度较低的结论。
图５ 基于犜犕波段５的犔犃犐估算回归式
犉犻犵．５ 犛犮犪狋狋犲狉狆犾狅狋犪狀犱狉犲犵狉犲狊狊犻狅狀犾犻狀犲犫犲狋狑犲犲狀犜犕犫犪狀犱
５（１．６μ犿）犪狀犱犳犻犲犾犱犔犃犐犿犲犪狊狌狉犲犿犲狀狋狊
图６ 犕犗犇犐犛／犔犃犐与犜犕／犔犃犐的散点图
犉犻犵．６ 犛犮犪狋狋犲狉狆犾狅狋犫犲狋狑犲犲狀犕犗犇犐犛／犔犃犐
犪狀犱犜犕／犔犃犐
红点、绿点、蓝点分别表示７月初（７月２－７日），７月末（７月２０－２６日）和８月末（８月２５－３０日）的观测数据 Ｒｅｄ，ｇｒｅｅｎａｎｄｂｌｕｅｐｏｉｎｔｓｒｅｐｒｅ
ｓｅｎｔｏｂｓｅｒｖａｔｉｏｎｓｆｒｏｍｅａｒｌｙＪｕｌｙ（Ｊｕｌｙ２－７），ｌａｔｅＪｕｌｙ（Ｊｕｌｙ２０－２６）ａｎｄｌａｔｅＡｕｇｕｓｔ（Ａｕｇｕｓｔ２５－３０）ｒｅｓｐｅｃｔｉｖｅｌｙ
３ 讨论
３．１ ＴＭ／ＬＡＩ估算模型
在ＴＭ光谱和ＬＡＩ的相关分析中，发现位于短波红外的第５波段（１．６μｍ）与ＬＡＩ的相关系数最大，这在其
他文献中也有提及［７，１８］。在植被冠层覆盖率低、地表背景对遥感观测信号有较大影响的情况下，近红外和ＮＤＶＩ
等参数与ＬＡＩ几乎无关，而短波红外则表现出很好的预测能力［１８，１９］。之所以可以用于估算ＬＡＩ是因为短波红
外对植被体内的液态水含量非常敏感，对于正常生长的多数植被而言，植被水分都是和ＬＡＩ紧密相关的［１２，２０］，这
一结论对于今后利用遥感手段监测典型草地生物物理参数具有重要指导作用。
７５２第２０卷第４期 草业学报２０１１年
表３ 研究区 犕犗犇犐犛／犔犃犐产品针对不同类型像元的误差统计（以犜犕／犔犃犐结果为真值）
犜犪犫犾犲３ 犈狉狉狅狉狊狋犪狋犻狊狋犻犮狊狅犳犕犗犇犐犛／犔犃犐狆狉狅犱狌犮狋犳狅狉犱犻犳犳犲狉犲狀狋狋狔狆犲狊狅犳狆犻狓犲犾狊狌狊犻狀犵犜犕／犔犃犐犪狊狋犺犲狉犲犳犲狉犲狀犮犲
误差
Ｅｒｒｏｒ
所有像元（狀＝７２）
Ａｌｔｈｅｐｉｘｅｌｓ
ＬＡＩ值≤０．８５的像元（狀＝４８）
ＯｎｌｙｐｉｘｅｌｓｗｈｏｓｅＬＡＩｖａｌｕｅｓ
≤０．８５ａｒｅｃｏｎｓｉｄｅｒｅｄ
ＬＡＩ值＞０．８５的像元（狀＝２４）
ＯｎｌｙｐｉｘｅｌｓｗｈｏｓｅＬＡＩｖａｌｕｅｓ
＞０．８５ａｒｅｃｏｎｓｉｄｅｒｅｄ
均方根误差Ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ） ０．２３８８ ０．２５２７ ０．２０８２
相对均方根误差ＲｅｌａｔｉｖｅＲＭＳＥ（％） ３２．６１ ４４．３６ １９．６９
狀为样本数狀ｉｓｔｈｅｓａｍｐｌｅｓｉｚｅ．
表４ 研究区不同时期 犕犗犇犐犛／犔犃犐产品误差统计（以犜犕／犔犃犐结果为真值）
犜犪犫犾犲４ 犈狉狉狅狉狊狋犪狋犻狊狋犻犮狊狅犳犕犗犇犐犛／犔犃犐狆狉狅犱狌犮狋犪狋犱犻犳犳犲狉犲狀狋犵狉狅狑狋犺狊狋犪犵犲狊狌狊犻狀犵犜犕／犔犃犐犪狊狋犺犲狉犲犳犲狉犲狀犮犲
误差
Ｅｒｒｏｒ
７月初（７月２－７日）
ＥａｒｌｙＪｕｌｙ（Ｊｕｌｙ２－７）
７月末（７月２０－２６日）
ＬａｔｅＪｕｌｙ（Ｊｕｌｙ２０－２６）
８月末（８月２５－３０日）
ＬａｔｅＡｕｇｕｓｔ（Ａｕｇｕｓｔ２５－３０）
均方根误差Ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ） ０．１９７９ ０．２０８４ ０．２９７５
相对均方根误差ＲｅｌａｔｉｖｅＲＭＳＥ（％） ３５．８９ ２１．１８ ４４．９５
３．２ ＭＯＤＩＳ／ＬＡＩ产品精度评价
以１ｋｍ分辨率ＴＭ／ＬＡＩ作为参照（即相对更准确的结果），评价ＭＯＤＩＳ／ＬＡＩ产品时发现，两者在空间上的
变化趋势比较一致。但是当ＬＡＩ较小时，ＭＯＤＩＳ／ＬＡＩ产品误差偏大，说明地表背景光谱干扰对产品精度有明
显影响。从均值来看，ＭＯＤＩＳ／ＬＡＩ产品的均值为０．８１，ＴＭ／ＬＡＩ的均值为０．７３，说明产品值存在１０．８％的正
偏差。
３．３ 与同类研究的比较
Ｆｅｎｓｈｏｌｔ等［１１］得出 ＭＯＤＩＳ／ＬＡＩ产品在草原高估２％～１５％，本研究得出的１０．８％高估水平与此具有一致
性。Ｃｏｈｅｎ等［８］提出，在叶片生物量较小的地方，ＭＯＤＩＳ／ＬＡＩ产品和地表实测结果的一致性更好，本研究结果
也印证了这一观点，这一方面可能是由产品算法自身特点决定的，另一方面可能与２００８年锡林浩特地区雨水较
多、草地长势良好、土壤裸露度较低有关。今后如果能在干旱年份也开展相关地表观测试验，将有助于更加全面
认识 ＭＯＤＩＳ／ＬＡＩ产品质量。
３．４ ＭＯＤＩＳ／ＬＡＩ产品误差分析
影响ＭＯＤＩＳ／ＬＡＩ产品质量的主要因素包括：１）用于建立查找地表的物理模型的不确定性；２）土地覆盖类型
的不确定性；３）地表反射率的不确定性。区域性的影响因素是后２个，考虑到研究区土地覆盖类型几乎全是草
地，对本研究结果影响最大的是地表反射率的不确定性。在７月初和８月末，草地异质性更高，地表反射率不确
定性增大，故导致了 ＭＯＤＩＳ／ＬＡＩ产品精度降低。
３．５ 关于研究区范围的选择
本研究野外试验的观测样方８０％分布于涡度塔周围１ｋｍ２ 范围内，另有２０％分布于涡度塔周围２５ｋｍ２ 范
围内，考虑到这种空间分布特征，选定了涡度塔周围２０～３０ｋｍ２ 作为研究区。虽然面积较小，但在该区域内，样
本观测频率在空间和时间上都很密集，足够的样本量确保了研究结论具有很高的可信度；此外，由于锡林浩特地
区的植被类型绝大部分为典型草原，结论在该区域也具有一定代表性。为了在更大空间范围上准确评估锡林浩
特地区的ＬＡＩ产品质量，需要在以后的野外试验中扩大采样点分布范围（不仅仅是涡度塔周围）、增加植被观测
类型（如在该地区东部，存在其他类型草地、灌木、森林等）。就目前所获得的试验数据而言，较小的验证区域较为
合理。
４ 结论
本研究通过２００８年夏季在锡林浩特典型草原区开展的３期ＬＡＩ观测试验，辅以ＴＭ／ＬＡＩ反演、尺度转换以
８５２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．４
及空间匹配，实现了从时空２个维度上验证了 ＭＯＤＩＳ／ＬＡＩ产品的数据质量。研究结果显示，尽管在典型草原
区，植被冠层开放，ＬＡＩ值偏小（ＬＡＩ＜２），但 ＭＯＤＩＳ／ＬＡＩ产品质量仍较令人满意：在时间维度上，可准确体现植
被的生长轨迹，在空间维度上，一定程度反映了地表变化的细节。误差分析结果显示，ＭＯＤＩＳ／ＬＡＩ产品相对均
方根误差约为２４％，在ＬＡＩ值较小或是草地均匀性较差的情况下，产品误差增加，表明土壤背景以及地表均匀程
度是该区域 ＭＯＤＩＳ／ＬＡＩ产品精度的主要影响因素，而这２个因素又与当地人类活动紧密相关。
致谢：王英舜、国振杰、师桂花、骆俊、陈洁、郑照军、毕研盟、陆其锋、武胜利、张勇、李元等同志参加了部分野外观
测，在此表示感谢！
参考文献：
［１］ ＢｅｒｔｅｒｒｅｔｃｈｅＭ，ＨｕｄａｋＡＴ，ＣｏｈｅｎＷＢ．Ｃｏｍｐａｒｉｓｏｎｏｆｒｅｇｒｅｓｓｉｏｎａｎｄｇｅｏｓｔａｔｉｓｔｉｃａｌｍｅｔｈｏｄｓｆｏｒｍａｐｐｉｎｇｌｅａｆａｒｅａｉｎｄｅｘ
（ＬＡＩ）ｗｉｔｈＬａｎｄｓａｔＥＴＭ＋ｄａｔａｏｖｅｒａｂｏｒｅａｌｆｏｒｅｓｔ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００５，９６：４９６１．
［２］ 周萍，刘国彬，薛?．草地生态系统土壤呼吸及其影响因素研究进展［Ｊ］．草业学报，２００９，１８（２）：１８４１９３．
［３］ 谢贤健，兰代萍，白景文．三种野生岩生草本植物的抗旱性综合评价［Ｊ］．草业学报，２００９，１８（４）：７５８０．
［４］ 梁天刚，崔霞，冯琦胜，等．２００１－２００８年甘南牧区草地地上生物量与载畜量遥感动态监测［Ｊ］．草业学报，２００９，１８（６）：
１２２２．
［５］ ＲｅｉｃｈＰ，ＴｕｒｎｅｒＤ，ＢｏｌｓｔａｄＰ．Ａｎａｐｐｒｏａｃｈｔｏｓｐａｔｉａｌｙｄｉｓｔｒｉｂｕｔｅｄｍｏｄｅｌｉｎｇｏｆｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎ（ＮＰＰ）ａｔｔｈｅｌａｎｄ
ｓｃａｐｅｓｃａｌｅａｎｄｉｔｓａｐｐｌｉｃａｔｉｏｎｉｎｖａｌｉｄａｔｉｏｎｏｆＥＯＳＮＰＰｐｒｏｄｕｃｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９９，７０：６９８１．
［６］ ＹａｎｇＷＺ，ＴａｎＢ，ＨｕａｎｇＤ，犲狋犪犾．ＭＯＤＩＳｌｅａｆａｒｅａｉｎｄｅｘｐｒｏｄｕｃｔｓ：Ｆｒｏｍｖａｌｉｄａｔｉｏｎｔｏａｌｇｏｒｉｔｈｍｉｍｐｒｏｖｅｍｅｎｔ［Ｊ］．ＩＥＥＥ
ＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００６，４４（７）：１８８５１８９７．
［７］ ＣｏｈｅｎＷＢ，ＭａｊｅｒｓｐｅｒｇｅｒＴＫ，ＹａｎｇＺＱ，犲狋犪犾．ＣｏｍｐａｒｓｉｏｎｏｆｌａｎｄｃｏｖｅｒａｎｄＬＡＩｅｓｔｉｍａｔｅｓｄｅｒｉｖｅｄｆｒｏｍＥＴＭ＋ａｎｄＭＯ
ＤＩＳｆｏｒｆｏｕｒｓｉｔｅｓｉｎＮｏｒｔｈＡｍｅｒｉｃａ：Ａｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔｏｆ２０００／２００１ｐｒｏｖｉｓｉｏｎａｌＭＯＤＩＳｐｒｏｄｕｃｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆ
Ｅｎｖｉｒｏｎｍｅｎｔ，２００３，８８：２３３２５５．
［８］ ＣｏｈｅｎＷＢ，ＭａｉｅｒｓｐｅｒｇｅｒＴＫ，ＴｕｒｎｅｒＤＰ，犲狋犪犾．ＭＯＤＩＳｌａｎｄｃｏｖｅｒａｎｄＬＡＩｃｏｌｅｃｔｉｏｎ４ｐｒｏｄｕｃｔｑｕａｌｉｔｙａｃｒｏｓｓｎｉｎｅｓｉｔｅｓｉｎ
ｔｈｅｗｅｓｔｅｒｎＨｅｍｉｓｐｈｅｒｅ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００６，４４：１８４３１８５７．
［９］ ＰｉｓｅｋＪ，ＣｈｅｎＪＭ．ＣｏｍｐａｒｉｓｏｎａｎｄｖａｌｉｄａｔｉｏｎｏｆＭＯＤＩＳａｎｄＶＥＧＥＴＡＴＩＯＮｇｌｏｂａｌＬＡＩｐｒｏｄｕｃｔｓｏｖｅｒｆｏｕｒＢｉｇｆｏｏｔｓｉｔｅｓｉｎ
ＮｏｒｔｈＡｍｅｒｉｃａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００７，１０９：８１９４．
［１０］ ＡｂｕｅｌｇａｓｉｍＲＡ，ＦｅｒｎａｎｄｅＲＡ，ＬｅｂｌａｎｃＳＧ．ＥｖａｌｕａｔｉｏｎｏｆｎａｔｉｏｎａｌａｎｄｇｌｏｂａｌＬＡＩｐｒｏｄｕｃｔｓｄｅｒｉｖｅｄｆｒｏｍｏｐｔｉｃａｌｒｅｍｏｔｅ
ｓｅｎｓｉｎｇｉｎｓｔｒｕｍｅｎｔｓｏｖｅｒＣａｎａｄａ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２００６，４４：１８７２１８８４．
［１１］ ＦｅｎｓｈｏｌｔＲ，ＳａｎｄｈｏｌｔＩ，ＳｃｈｕｌｔｚＲａｓｍｕｓｓｅｎＭ．ＥｖａｌｕａｔｉｏｎｏｆＭＯＤＩＳ／ＬＡＩ，ｆＡＰＡＲａｎｄｔｈｅｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｆＡＰＡＲａｎｄ
ＮＤＶＩｉｎａｓｅｍｉａｒｉｄｅｎｖｉｒｏｎｍｅｎｔｕｓｉｎｇｉｎｓｉｔｕｍｅａｓｕｒｅｍｅｎｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９１：４９０５０７．
［１２］ ＨｏｕｂｏｒｇＲ，ＳｏｅｇａａｒｄＨ，ＢｏｅｇｈＥ．Ｃｏｍｂｉｎｉｎｇｖｅｇｅｔａｔｉｏｎｉｎｄｅｘａｎｄｍｏｄｅｌｉｎｖｅｒｓｉｏｎｍｅｔｈｏｄｓｆｏｒｔｈｅｅｘｔｒａｃｔｉｏｎｏｆｋｅｙｖｅｇｅｔａ
ｔｉｏｎｂｉｏｐｈｙｓｉｃａｌｐａｒａｍｅｔｅｒｓｕｓｉｎｇＴｅｒｒａａｎｄＡｑｕａＭＯＤＩＳｒｅｆｌｅｃｔａｎｃｅｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００７，１０６：
３９５８．
［１３］ 李素英，李晓兵，莺歌，等．基于植被指数的典型草原区生物量模型———以内蒙古锡林浩特市为例［Ｊ］．植物生态学报，
２００７，３１：２３３１．
［１４］ ＢｕｒｒｏｗｓＳＮ，ＧｏｗｅｒＳＴ，ＣｌａｙｔｏｎＭＫ，犲狋犪犾．Ａｐｐｌｉｃａｔｉｏｎｏｆｇｅｏｓｔａｔｉｓｔｉｃｓｔｏｃｈａｒａｃｔｅｒｉｚｅｌｅａｆａｒｅａｉｎｄｅｘ（ＬＡＩ）ｆｒｏｍｆｌｕｘ
ｔｏｗｅｒｔｏｌａｎｄｓｃａｐｅｓｃａｌｅｓｕｓｉｎｇａｃｙｃｌｉｃｓａｍｐｌｉｎｇｄｅｓｉｇｎ［Ｊ］．Ｅｃｏｓｙｓｔｅｍｓ，２００５，５：６６７６７９．
［１５］ ＳｏｎｇＣ，ＷｏｏｄｃｏｃｋＣ，ＳｅｔｏＫ，犲狋犪犾．ＣｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｃｈａｎｇｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇＬａｎｄｓａｔＴＭｄａｔａ：ｗｈｅｎａｎｄｈｏｗｔｏｃｏｒｒｅｃｔａｔ
ｍｏｓｐｈｅｒｉｃｅｆｆｅｃｔｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００１，７５：２３０２４４．
［１６］ ＴｉａｎＹ，ＷｏｏｄｃｏｃｋＣＥ，ＷａｎｇＹ，犲狋犪犾．ＭｕｌｔｉｓｃａｌｅａｎａｌｙｓｉｓａｎｄｖａｌｉｄａｔｉｏｎｏｆｔｈｅＭＯＤＩＳＬＡＩｐｒｏｄｕｃｔⅠ．Ｕｎｃｅｒｔａｉｎｔｙａｓ
ｓｅｓｓｍｅｎｔ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３：４１４４３０．
［１７］ ＣｏｈｅｎＷＢ，ＭａｉｅｒｓｐｅｒｇｅｒＴＫ，ＧｏｗｅｒＳＴ，犲狋犪犾．ＡｎｉｍｐｒｏｖｅｄｓｔｒａｔｅｇｙｆｏｒｒｅｇｒｅｓｓｉｏｎｏｆｂｉｏｐｈｙｓｉｃａｌｖａｒｉａｂｌｅｓａｎｄＬａｎｄｓａｔ
ＥＴＭ＋ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００３，８４：５６１５７１．
９５２第２０卷第４期 草业学报２０１１年
［１８］ ＢｅｒｔｅｒｒｅｔｃｈｅＭ，ＨｕｄａｋＡＴ，ＣｏｈｅｎｍＷＢ，犲狋犪犾．ＣｏｍｐａｒｉｓｏｎｏｆｒｅｇｒｅｓｓｉｏｎａｎｄｇｅｏｓｔａｔｉｓｔｉｃａｌｍｅｔｈｏｄｓｆｏｒｍａｐｐｉｎｇＬｅａｆＡｒ
ｅａＩｎｄｅｘ（ＬＡＩ）ｗｉｔｈＬａｎｄｓａｔＥＴＭ＋ｄａｔａｏｖｅｒａｂｏｒｅａｌｆｏｒｅｓｔ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００５，９６：４９６１．
［１９］ ＴｕｎｅｒＤ，ＣｏｈｅｎＷ，ＫｅｎｎｅｄｙＲ，犲狋犪犾．ＲｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎＬＡＩａｎｄＬａｎｄｓａｔＴＭｓｐｅｃｔｒａｌｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓａｃｒｏｓｓｔｈｒｅｅ
ｔｅｍｐｅｒａｔｅｚｏｎｅｓｉｔｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９９，７０：５２６８．
［２０］ ＣｅｃｃａｔｏＰ，ＦｌａｓｓｅＳ，ＴａｒａｎｔｏｌａＳ，犲狋犪犾．Ｄｅｔｅｃｔｉｎｇｖｅｇｅｔａｔｉｏｎｌｅａｆｗａｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇｒｅｆｌｅｃｔａｎｃｅｉｎｔｈｅｏｐｔｉｃａｌｄｏｍａｉｎ［Ｊ］．
ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００１，７７：２２２３．
犚犲狊犲犪狉犮犺狅狀狏犪犾犻犱犪狋犻狀犵犕犗犇犐犛／犔犃犐狆狉狅犱狌犮狋犻狀犪狋狔狆犻犮犪犾狊犲犿犻犪狉犻犱狊狋犲狆狆犲狅犳犡犻犾犻狀犺狅狋犻狀犖狅狉狋犺犲狉狀犆犺犻狀犪
ＷＡＮＧＹｕａｎｙｕａｎ１，ＷＡＮＧＭｅｎｇ２，３，ＬＩＧｕｉｃａｉ１，ＷＡＮＧＪｕｎｂａｎｇ２，
ＹＡＮＧＺｈｏｎｇｄｏｎｇ１，ＲＯＮＧＺｈｉｇｕｏ１
（１．ＫｅｙＬａｂｏｆＲａｄｉｏｍｅｔｒｉｃＣａｌｉｂｒａｔｉｏｎａｎｄＶａｌｉｄａｔｉｏｎｆｏｒＥｎｖｉｒｏｎｍｅｎｔａｌＳａｔｅｌｉｔｅｓ，ＣｈｉｎａＭｅｔｅｏｒｏｌｏｇｉｃａｌ
Ａｄｍｉｎｉｓｔｒａｔｉｏｎ（ＬＲＣＶＥＳ／ＣＭＡ），ＮａｔｉｏｎａｌＳａｔｅｌｉｔｅＭｅｔｅｏｒｏｌｏｇｉｃａｌＣｅｎｔｅｒ，Ｂｅｉｊｉｎｇ１０００８１，Ｃｈｉｎａ；
２．ＩｎｓｔｉｔｕｔｅｏｆＧｅｏｇｒａｐｈｉｃＳｃｉｅｎｃｅｓａｎｄＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓ，ＣＡＳ，Ｂｅｉｊｉｎｇ１００１０１，Ｃｈｉｎａ；
３．ＧｒａｄｕａｔｅＳｃｈｏｏｌｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００４９，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：ＭＯＤＩＳ／ＬＡＩｐｒｏｄｕｃｔｉｎａｔｙｐｉｃａｌｓｅｍｉａｒｉｄｓｔｅｐｐｅｏｆＸｉｌｉｎｈｏｔｉｎＮｏｒｔｈｅｒｎＣｈｉｎａｗａｓｖａｌｉｄａｔｅｄｂａｓｅｄ
ｏｎｔｈｒｅｅｃｏｍｐｒｅｈｅｎｓｉｖｅｆｉｅｌｄｓｕｒｖｅｙｓｗｈｉｃｈｗｅｒｅｃａｒｒｉｅｄｏｕｔｄｕｒｉｎｇＪｕｌｙ－Ａｕｇｕｓｔ２００８ｉｎｔｈｅｓｔｕｄｙａｒｅａ．ＬＡＩ
ｗａｓｍｅａｓｕｒｅｄｉｎ２５ｍ×２５ｍｐｌｏｔｓｂｙａｄｅｓｔｒｕｃｔｉｖｅｈａｒｖｅｓｔｍｅｔｈｏｄｏｆ８０ｉｎｔｅｎｓｉｖｅｐｌｏｔｓａｎｄ２０ｓｃａｔｔｅｒｅｄｐｌｏｔｓ．
ＴｈｒｅｅＴＭ／ＥＴＭ＋ｉｍａｇｅｓａｃｑｕｉｒｅｄｄｕｒｉｎｇｔｈｅｆｉｅｌｄｓｕｒｖｅｙｐｅｒｉｏｄｓｗｅｒｅｃｏｌｅｃｔｅｄａｎｄｐｒｏｃｅｓｓｅｄ．Ｔｈｅｖａｌｉｄａｔｉｏｎ
ｗｏｒｋｃｏｖｅｒｅｄｔｗｏｐａｒｔｓ：Ｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓａｎｄｓｐａｔｉａｌｐａｔｔｅｒｎａｎａｌｙｓｉｓ．Ｉｎｔｉｍｅｓｅｒｉｅｓａｎａｌｙｓｉｓ，ＭＯＤＩＳ／ＬＡＩ
ｔｒａｃｋｉｎｔｈｅｉｎｔｅｎｓｉｖｅｓａｍｐｌｉｎｇｒｅｇｉｏｎｅｘｔｒａｃｔｅｄｆｒｏｍＤＯＹ１６９ｔｏＤＯＹ２４１ｗｅｒｅｃｏｍｐａｒｅｄｗｉｔｈｇｒｏｕｎｄｍｅａｓ
ｕｒｅｄｖａｌｕｅｓ．Ｉｎｓｐａｔｉａｌｐａｔｔｅｒｎａｎａｌｙｓｉｓ，ＬＡＩｍａｐｗｉｔｈ３０ｍｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｗｅｒｅｆｉｒｓｔｄｅｒｉｖｅｄｂｙｂｕｉｌｄｉｎｇａ
ｒｅｇｒｅｓｓｉｏｎｌｉｎｅｂｅｔｗｅｅｎＬＡＩａｎｄＴＭｂａｎｄ５（１．６μｍ），ａｎｄｔｈｅｎａｇｇｒｅｇａｔｅｄｔｏ１ｋｍｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎｂａｓｅｄｏｎ
ＭＯＤＩＳｇｒｉｄｓ．ＲｅｓｕｌｔｓｉｎｄｉｃａｔｅｄｔｈａｔｉｎｔｈｅｔｅｍｐｏｒａｌｄｏｍａｉｎＭＯＤＩＳ／ＬＡＩｐｒｏｄｕｃｔｃａｎｃｏｒｒｅｃｔｌｙｒｅｆｌｅｃｔｇｒａｓｓ
ｇｒｏｗｔｈｔｒｅｎｄｓ；ＩｎｔｈｅｓｐａｔｉａｌｄｏｍａｉｎｉｔｓｈｏｗｅｄａｓｉｍｉｌａｒｐａｔｔｅｒｎｗｉｔｈＴＭ／ＬＡＩ（１ｋｍ）．ＵｓｉｎｇｔｈｅＴＭ／ＬＡＩａｓ
ｒｅｆｅｒｅｎｃｅ，ｔｈｅｒｅｌａｔｉｖｅＲＭＳＥｏｆＭＯＤＩＳ／ＬＡＩｗａｓａｂｏｕｔ２４％ａｎｄａｐｏｓｉｔｉｖｅｂｉａｓ（１０．８％）ｅｘｉｓｔｅｄ，ｓｕｇｇｅｓｔｉｎｇ
ｓｌｉｇｈｔｏｖｅｒｅｓｔｉｍａｔｉｏｎ．ＥｒｒｏｒｄｉｓｔｒｉｂｕｔｉｏｎａｎａｌｙｓｉｓｒｅｖｅａｌｅｄｔｈａｔｔｈｅＭＯＤＩＳ／ＬＡＩｐｒｏｄｕｃｔｗａｓｌｅｓｓａｃｃｕｒａｔｅｉｎ
ｒｅｇｉｏｎｓｗｉｔｈｌｏｗｅｒＬＡＩｖａｌｕｅｓ，ｐｒｏｂａｂｌｙｄｕｅｔｏｓｏｉｌｃｏｎｔａｍｉｎａｔｉｏｎ．Ｍｏｒｅｏｖｅｒ，ｔｈｅｒｅｌａｔｉｖｅＲＭＳＥｏｆｔｈｅＭＯ
ＤＩＳ／ＬＡＩｐｒｏｄｕｃｔｗａｓｈｉｇｈｅｒａｔｔｈｅｂｅｇｉｎｎｉｎｇｏｆＪｕｌｙａｎｄｔｈｅｅｎｄｏｆＡｕｇｕｓｔｗｈｅｎｔｈｅｈｅｔｅｒｏｇｅｎｅｉｔｙｏｆｇｒａｓｓ
ｃｏｖｅｒｉｎｃｒｅａｓｅｄａｓａｒｅｓｕｌｔｏｆｈｕｍａｎａｃｔｉｖｉｔｉｅｓ．
犓犲狔狑狅狉犱狊：ＭＯＤＩＳ／ＬＡＩｐｒｏｄｕｃｔ；ＴＭ／ＥＴＭ＋ｄａｔａ；ｔｙｐｉｃａｌｓｔｅｐｐｅ
０６２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１１） Ｖｏｌ．２０，Ｎｏ．４