全 文 ：书２００２－２０１０年青藏高原植被含水量
微波遥感动态监测
陈思宇，于惠，冯琦胜，梁天刚
（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）
摘要：水分是衡量植被生理状态和形态结构的重要参数。青藏高原在区域生态环境和全球气候变化等方面扮演重
要角色，但对其在植被含水量时空变化动态及其与气候的关系方面缺乏系统研究。基于２３６个地面样方实测数据
和ＡＭＳＲＥ每日亮温数据，利用留一法交叉验证方法确立了青藏高原植被含水量的遥感反演模型。同时，估算了
青藏高原植被含水量空间分布，分析了２００２－２０１０年植被含水量的时间动态及其与气候变化的关系，结果表明，
１）微波极化指数（ＭＰＩ）优于微波植被指数（ＭＶＩ），１８ＧＨｚ的 ＭＰＩ乘幂模型犃犠犆＝１２８．９３×犕犘犐－０．６７可以很好地
反映植被绝对含水量（ＡＷＣ）空间变化动态；２）青藏高原７月份日植被含水量由西北向东南呈带状递增的趋势。其
中，西北部至中部的大部分地区植被含水量主要集中在８００ｋｇ／ｈｍ２ 以下，东南部植被含水量较西北地区明显增
加，主要集中在８００～４０００ｋｇ／ｈｍ２ 之间；３）多年平均月际间的植被含水量存在明显的空间异质性，其变差系数具
有由西向东逐渐增加的趋势；４）温度和降水与植被含水量之间具有一定的相关关系，其中降水对植被含水量的影
响存在明显的滞后性。
关键词：青藏高原；微波指数；植被含水量；时空变化；留一法
中图分类号：Ｓ８１２０５；Ｓ１２７　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１３）０５０００１１０
犇犗犐：１０．１１６８６／ｃｙｘｂ２０１３０５０１　　
　　水分是衡量植被生理状态和形态结构的重要参数，植物的光合作用、呼吸作用和生物量受叶片水分的控制，
水分亏缺会直接影响植物的生长、产量与品质［１］。青藏高原作为亚洲乃至北半球气候变化的“感应器”和“敏感
区”，在区域生态环境和全球气候变化等方面扮演重要角色，是我国和世界上重要的生态安全屏障［２６］。因此，准
确地模拟和估算青藏高原植被含水量，对研究陆地生态系统，指导畜牧业的生产，有效地评价自然群落的干旱状
况，预测草原火灾具有重要意义［７］。
近年来，国外学者利用光学遥感在研究植物水含量方面做了大量的工作。许多研究表明，植物水分对近红外
（７００～１３００ｎｍ）、短波红外（１３００～３０００ｎｍ）和热红外（６０００～１５０００ｎｍ）波段比较敏感［８１２］。基于水分对红
外波段的吸收特性，通常采用近红外－短波红外通道监测植物水分状况。但是，光学遥感容易受植被本身、环境
条件和气候等多种因素的影响［１３］。目前植被含水量遥感估算多选用多日合成的遥感资料，难以及时监测植被含
水量的动态变化。同时，在植被含水量模型构建以及开展区域应用研究过程中，还存在选用哪种指数，何种类型
的模型以及光学遥感自身局限性对模型的影响等问题。被动微波遥感数据受地表粗糙度和环境影响较小，不受
太阳辐射、大气、云层等因素的限制，具有高时间分辨率、双极化等优势［１４，１５］，恰好弥补了光学遥感存在的不足。
此外，迄今为止，有关利用被动微波遥感数据监测植被含水量动态的研究，还鲜见报导。
基于以上因素，本研究试图利用ＡＭＳＲＥ每日亮温数据构建适合青藏高原地区的植被水分含量监测模型，
估算分析２００２－２０１０年青藏高原草地植被含水量时空变化特征，为有效评价青藏高原草地干旱状况，及时预测
草原火灾研究提供科学依据。
第２２卷　第５期
Ｖｏｌ．２２，Ｎｏ．５
草　业　学　报
ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ 　　
１－１０
２０１３年１０月
收稿日期：２０１１１１２９；改回日期：２０１２０１０４
基金项目：国家自然科学基金项目（３０９７２１３５，４１０７１３４２），教育部高等学校科技创新工程重大项目培育资金项目（７０８０８９）和国家科技支撑计划
项目（２００９ＢＡＣ５３Ｂ０１）资助。
作者简介：陈思宇（１９８７），女，甘肃定西人，在读硕士。Ｅｍａｉｌ：ｃｈｅｎｓｙ＿１０＠ｌｚｕ．ｅｄｕ．ｃｎ
通讯作者。Ｅｍａｉｌ：ｔｇｌｉａｎｇ＠ｌｚｕ．ｅｄｕ．ｃｎ
１　材料与方法
１．１　研究区概况
青藏高原地域辽阔，处于２６°１０′～３９°３０′Ｎ，７３°１８′～１０４°４６′Ｅ之间，包括西藏、青海、云南西北部、四川西
部、甘肃西部以及新疆南部，土地总面积约为２５７×１０４ｋｍ２，约占我国国土面积的２６％［１６］。青藏高原海拔高、地
形复杂，水热状况也随海拔地形的不同而差异很大，形成了独特的高原气候特征：太阳辐射量达０．５８６～０．７９５
ＭＪ／（ｃｍ２·ａ），大部分地区年日照时数在２８００ｈ以上；气温低，年均气温为１．３７℃；大部分地区年降水量在
２００～５００ｍｍ之间，温度、降水量的空间分布极不均匀，由东南向西北呈逐渐减小的趋势，干湿季分明，雨热同
期［１７，１８］。
图１　青藏高原气象台站和草地植被野外调查样点分布图
犉犻犵．１　犜犺犲犱犻狊狋狉犻犫狌狋犻狅狀狅犳犿犲狋犲狅狉狅犾狅犵犻犮犪犾狊狋犪狋犻狅狀狊犪狀犱犵狉犪狊狊犾犪狀犱狊犪犿狆犾犻狀犵狊犻狋犲狊犻狀犙犻狀犵犺犪犻－犜犻犫犲狋犪狀犘犾犪狋犲犪狌
　
１．２　研究数据与方法
１．２．１　地面实测资料　野外调查工作集中在２００５－２００７年的７－８月间，主要针对青海、西藏、新疆、甘肃和四
川等５省区，共计调查２９２个样地（图１）。在研究区内相邻草地类型的过渡区域和草地类型的中心区域选取典
型群落地段，样地面积大于１００ｈｍ２，每处样地分别设置２～４个１ｍ×１ｍ样方。采样记录内容包括ＧＰＳ定位
的经纬度数据、植被覆盖度、植被高度、丰度、地上产草量鲜重以及在６５℃烘箱中烘干４８ｈ后测定的干物质量。
另外，选取位于青藏高原地区的８５个基本标准气象站的月平均温度和月降水量，时间序列为２００２－２００７年的
５－１０月。
１．２．２　遥感数据　ＡＭＳＲＥ（ＡｄｖａｎｃｅｄＭｉｃｒｏｗａｖｅＳｃａｎｎｉｎｇＲａｄｉｏｍｅｔｅｒＥａｒｔｈＯｂｓｅｒｖｉｎｇＳｙｓｔｅｍ）是搭载在
Ａｑｕａ卫星上于２００２年５月发射升空的改进型微波辐射扫描仪，可用于观测陆地、海洋和大气的水和能量循环变
化。ＡＭＳＲＥ传感器在６．９～８９．０ＧＨｚ范围内有６个工作频段，并且都具有双极化方式，每天根据过境时间的
不同又有升轨和降轨２次数字图像，共计每日可获取１２个通道的亮温数据。
２ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
本研究使用了北半球ＡＭＳＲＥＬ２Ａ级数据，通过美国国家雪冰数据中心（ＮａｔｉｏｎａｌＳｎｏｗａｎｄＩｃｅＤａｔａＣｅｎ
ｔｅｒ，ＮＳＩＤＣ）网站订购下载。投影格式为北半球可扩展的等面积地球格网（ＥＡＳＥＧｒｉｄ＿ｎｏｒｔｈ），空间分辨率２５
ｋｍ，时间序列为２００２年６－１０月以及２００３－２０１０年的５－１０月的升轨亮温数据，总计１７９１幅数字图像。由于
逐日ＡＭＳＲＥ数据存在裂隙，将经过转投影和重采样处理［１９］的亮温数据的裂隙部分用前一天数据代替，得到无
裂隙的２ｄ合成亮温图像，用于植被指数和含水量的计算。
１．３　微波指数及植被含水量算法
１．３．１　微波指数算法　基于高阶积分方程模型（ａｄｖａｎｃｅｄｉｎｔｅｇｒａｌｅｑｕａｔｉｏｎｍｏｄｅｌ，ＡＩＥＭ）和辐射传输模型（ωτ
模型），根据植被对于微波信号具有去极化作用这一特点，推导出微波植被指数（ｍｉｃｒｏｗａｖｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，
ＭＶＩ）和微波极化指数（ｍｉｃｒｏｗａｖｅｐｏｌａｒｉｚａｔｉｏｎｉｎｄｅｘ，ＭＰＩ）［２０２２］。公式如下：
犕犞犐＝犜犅狏
（犳２）－犜犅犺（犳２）
犜犅狏（犳１）－犜犅犺（犳１）
（１）
犕犘犐＝ 犜犅狏－犜犅犺１
２
（犜犅狏＋犜犅犺）
（２）
式（１）中，犜犅狏（犳２）、犜犅犺（犳２）分别为频率犳２ 的垂直和水平极化的亮温值，犜犅狏（犳１）、犜犅犺（犳１）分别为频率犳１ 的垂
直和水平极化亮温值。犳１、犳２ 是亮温数据中的相邻频率（犳２＞犳１）。式（２）中，犜犅狏、犜犅犺分别是同一频率的垂直和
水平极化的亮温值。
本研究计算了基于６、１０和１８ＧＨｚ３种频率的微波植被指数（ＭＶＩ）和微波极化指数（ＭＰＩ），分别记作 ＭＶＩ
（６，１０）、ＭＶＩ（１０，１８）、ＭＰＩ（６）、ＭＰＩ（１０）和 ＭＰＩ（１８）。
１．３．２　植被含水量计算方法　使用地面样方观测的干重和鲜重可以计算植被含水量，通常有绝对含水量（ａｂｓｏ
ｌｕｔｅｗａｔｅｒｃｏｎｔｅｎｔ，ＡＷＣ）和相对含水量（ｒｅｌａｔｉｖｅｗａｔｅｒｃｏｎｔｅｎｔ，ＲＷＣ）２种表示方法。相对含水量（％）又分为
相对鲜重含水量（ＲＷＣｏｆｆｒｅｓｈｗｅｉｇｈｔ，ＲＷＣｆ）和相对干重含水量（ＲＷＣｏｆｄｒｙｗｅｉｇｈｔ，ＲＷＣｄ）［２３］。
犃犠犆＝犉犠－犇犠 （３）
犚犠犆犳＝
犉犠－犇犠
犉犠
（４）
犚犠犆犱＝犉犠－犇犠犇犠
（５）
式中，ＦＷ 表示植物鲜重（ｇ／ｍ２），ＤＷ表示植物风干重（ｇ／ｍ２）。
１．４　基于微波指数的植被含水量反演模型建立与验证
根据Ｓｈｉ等［２４］的研究，微波信号易受射频干扰（ｒａｄｉｏｆｒｅｑｕｅｎｃｙｉｎｔｅｒｆｅｒｅｎｃｅ，ＲＦＩ）影响，相邻频率间的信号
易产生不规则的梯度变化，导致计算出的微波指数异常。为了减少ＲＦＩ对数据的影响，按照表１所列出的条件
对不合理亮温数据进行了剔除。同时，统计２００５－２００７年野外实测样点，剔除明显异常的记录，最终得到有效样
本记录２３６条，用于建立青藏高原植被 ＡＷＣ和ＲＷＣｄ 及ＲＷＣｆ与５种微波指数 ＭＶＩ（６，１０）、ＭＶＩ（１０，１６）、
ＭＰＩ（６）、ＭＰＩ（１０）、ＭＰＩ（１８）之间的线性、指数、对数和乘幂回归模型。
表１　受射频干扰影响的亮温数据的筛选条件
犜犪犫犾犲１　犆狉犻狋犲狉犻犪犳狅狉犱犲狋犲犮狋犻狀犵狌狀犲狓狆犲犮狋犲犱狊犻犵狀犪犾狊犱狌犲狋狅狊狋狉狅狀犵犚犉犐
条件Ｃｒｉｔｅｒｉａ 剔除条件Ｔｅｓｔｃｒｉｔｅｒｉａ 作用Ｆｕｎｃｔｉｏｎ
１ 犜犅狏＜犜犅犺 去除ＲＦＩ对水平极化通道造成的影响。Ｇｅｔｒｉｄｏｆｔｈｅｄａｔａｉｎｈｏｒｉｚｏｎｔａｌｐｏｌａｒｉｚａｔｉｏｎｃｈａｎ
ｎｅｌｄｕｅｔｏＲＦＩ．
２ 犜犅狆（高频 Ｈｉｇｈｆｒｅｑｕｅｎｃｙ）－犜犅狆（低频
Ｌｏｗｆｒｅｑｕｅｎｃｙ）≤－５
去除因ＲＦＩ干扰，相邻频率的亮温数据间呈负向梯度的亮温值。Ｇｅｔｒｉｄｏｆｔｈｅｏｂｓｅｒｖｅｄ
ｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅｓｏｆｉｒｒｅｇｕｌａｒｆｒｅｑｕｅｎｃｙｇｒａｄｉｅｎｔｄｕｅｔｏＲＦＩ．
３ 犕犞犐＜０ｏｒ犕犞犐＞１，ａｎｄ犕犘犐＞０ 去除因ＲＦＩ干扰造成的ＭＶＩ和ＭＰＩ的异常值。ＧｅｔｒｉｄｏｆｔｈｅＭＰＩｓａｎｄＭＶＩｓｂｅｉｎｇｏｕｔｏｆ
ｒａｎｇｅｄｕｅｔｏＲＦＩ．
３第２２卷第５期 草业学报２０１３年
　　采用留一法交叉验证方法（ｌｅａｖｅｏｎｅｏｕｔｃｒｏｓｓｖａｌｉｄａｔｉｏｎ，ＬＯＯＣＶ）对植被含水量模型的预测能力进行验
证。假设总体样本数为犖，从总体中选择单个观测值作为验证数据，使用剩余的犖－１个样本反演回归模型，用
该回归模型反演选出的单个验证数据的预测值，用于检验模型的精度，如此重复犖 次。每个模型的预测能力由
均方根误差（ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｏｆｐｒｅｄｉｃｔｉｏｎ，ＲＭＳＥＰ）以及模型预测值和验证值之间的相关系数狉决定。
两者都用来衡量模型的不确定性。ＲＭＳＥＰ可以量化模型的精度，而狉可评估模型的准确性［２５３０］。
犚犕犛犈犘＝
∑
狀
犻＝１
［犈（狔犻）－狔犻］２
槡 狀 （６）
式中，犈（狔犻）表示第犻个实际观测值，狔犻为模型反演出的第犻个预测值，狀是观测样本总数，ＲＭＳＥＰ数值越低，表
明回归模型越精确。相关系数狉越接近于１，表示模型精度越高［３１］。根据精度验证结果确立植被含水量最优遥
感反演模型。利用该模型和相应的微波指数模拟出青藏高原地区植被含水量，时间序列为２００２年６－１０月以及
２００３－２０１０年的５－１０月。
１．５　植被含水量时空动态分析
利用时间序列分析法分析２００５年７月植被含水量每２日变化动态［２６］，计算含水量每２日变化趋势系数。
根据Ｓｏｎｇ等［２７］的研究，对含水量变化趋势进行显著性检验。犉α（犽，狀－犽－１）是以犽为分子自由度，以狀－犽－１
为分母自由度的分布族。犉的表达式为：
犉＝ 犚
２
１－犚２×
狀－犽－１
犽
（７）
犉＞犉α（犽，狀－犽－１）表示含水量变化趋势通过置信度为α的犉 检验。由样本数据可知犽＝１、狀＝１５，因此
犉０．０１（１，１３）＝９．０７、犉０．０５（１，１３）＝４．６７。犚２ 为决定系数，即相关系数狉的平方值。由式（７）和犉０．０１及犉０．０５的值
可知，当犚２＞０．４１（即｜狉｜≥０．６４）时，通过置信度０．０１的犉检验（变化趋势极显著）；当０．２６＜犚２＜０．４１（即
０．５１＜｜狉｜＜０．６４）时，通过置信度０．０５的犉检验（变化趋势显著）；当犚２＜０．２６（即｜狉｜≤０．５１）时，含水量变化趋
势不显著。其中，当狉值为正表示增加趋势，为负则表示减少趋势。此外，通过计算２００２－２０１０年的５－１０月含
水量月变差系数［２８］，比较分析生长季内植被含水量的月际变化动态。
２　结果与分析
２．１　草地植被含水量遥感监测模型及精度评价
在建立青藏高原植被ＡＷＣ和ＲＷＣｄ 及ＲＷＣｆ与５种微波指数 ＭＶＩ（６，１０）、ＭＶＩ（１０，１６）、ＭＰＩ（６）、ＭＰＩ
（１０）、ＭＰＩ（１８）之间的线性、指数、对数和乘幂回归模型的基础上，对回归模型进行留一法交叉验证。表２是基于
５种微波指数构建的青藏高原植被含水量回归模型的精度评价结果。低频微波植被指数的犚２、狉均高于高频微
波植被指数，ＲＭＳＥＰ值均低于高频微波植被指数。由此可见，低频的微波植被指数与绝对含水量和相对含水量
之间的相关关系优于高频微波植被指数；对于微波极化指数而言，随着频率的升高，微波极化指数的犚２、狉值越
大，ＲＭＳＥＰ越小。这说明高频微波极化指数较低频微波极化指数能更好地反映植被水含量状况。比较２类微
波指数的犚２、狉和ＲＭＳＥＰ，发现１８ＧＨｚ的微波极化指数优于（６，１０ＧＨｚ）的微波植被指数。
比较 ＭＰＩ（１８）与绝对含水量的４种反演模型，犚２ 从大到小依次是乘幂、指数、对数和线性模型；ＲＭＳＥＰ值
从大到小依次是线性、对数、乘幂和指数模型，相关系数狉最大的是指数模型，其次为乘幂模型。总体来说，乘幂
模型的精度较高。
综上所述，１８ＧＨｚ微波极化指数模拟的植被含水量能够更好地反映研究区内植被含水量状况，这是因为微
波极化指数主要由植被的光学厚度τ和μ决定，而光学厚度τ主要受植被含水量的影响
［１３，２１］。ＭＰＩ（１８）与绝对
含水量的乘幂模型精度较高，能准确反映微波极化指数与植被绝对含水量之间的关系。而相对含水量与５种微
波指数之间的反演模型精度均较低，这与Ｄａｖｉｄｓｏｎ等［２３］的研究结果一致。
根据以上分析，青藏高原地区微波极化指数与含水量的最优模型可表示为：
犃犠犆＝１２８．９３×犕犘犐－０．６７ （８）
４ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
表２　青藏高原地区植被绝对含水量和相对含水量微波遥感模型精度评价结果
犜犪犫犾犲２　犃犮犮狌狉犪犮狔犪狊狊犲狊狊犿犲狀狋狅犳犿犻犮狉狅狑犪狏犲狉犲犿狅狋犲狊犲狀狊犻狀犵犿狅犱犲犾狊犪犫狅狌狋狏犲犵犲狋犪狋犻狅狀
犪犫狊狅犾狌狋犲犾狔狑犪狋犲狉犮狅狀狋犲狀狋犪狀犱狉犲犾犪狋犻狏犲狑犪狋犲狉犮狅狀狋犲狀狋
微波指数
Ｍｉｃｒｏｗａｖｅ
ｉｎｄｅｘ
模型
Ｍｏｄｅｌ
绝对含水量（ＡＷＣ）
Ａｂｓｏｌｕｔｅｌｙｗａｔｅｒｃｏｎｔｅｎｔ
犚２ ＲＭＳＥＰ 狉
相对含水量（ＲＷＣｄ）
Ｒｅｌａｔｉｖｅｗａｔｅｒｃｏｎｔｅｎｔｏｆｄｒｙｗｅｉｇｈｔ
犚２ ＲＭＳＥＰ 狉
相对含水量（ＲＷＣｆ）
Ｒｅｌａｔｉｖｅｗａｔｅｒｃｏｎｔｅｎｔｏｆｆｒｅｓｈｗｅｉｇｈｔ
犚２ ＲＭＳＥＰ 狉
ＭＶＩ（６，１０） 线性Ｌｉｎｅａｒ ０．３９ １３５７．９９ ０．６２ ０．０７ ０．９０ ０．２６ ０．０９ ０．１０ ０．３０
指数Ｅｘｐｏｎｅｎｔ ０．４４ １３６０．７０ ０．６３ ０．０９ ０．９０ ０．２７ ０．０８ ０．１０ ０．３０
对数Ｌｏｇａｒｉｔｈｍ ０．４０ １３５３．５７ ０．６３ ０．０７ ０．９０ ０．２７ ０．１０ ０．１０ ０．３１
乘幂Ｐｏｗｅｒ ０．４３ １３９１．６０ ０．６１ ０．１０ ０．９０ ０．９０ ０．０９ ０．１０ ０．３１
ＭＶＩ（１０，１８） 线性Ｌｉｎｅａｒ ０．０９ １６６３．７０ ０．２９ ０．００ ０．９３ ０．０３ ０．０１ ０．１０ ０．０８
指数Ｅｘｐｏｎｅｎｔ ０．１２ １６７１．５９ ０．３１ ０．０１ ０．９３ ０．０３ ０．０１ ０．１０ ０．０８
对数Ｌｏｇａｒｉｔｈｍ ０．０９ １６７０．０７ ０．３１ ０．００ ０．９３ ０．０６ ０．０１ ０．１０ ０．０９
乘幂Ｐｏｗｅｒ ０．１２ １６６９．９０ ０．３０ ０．０１ ０．９３ ０．０６ ０．０１ ０．１０ ０．０９
ＭＰＩ（６） 线性Ｌｉｎｅａｒ ０．２６ １４９０．４８ ０．５１ ０．０５ ０．９０ ０．２２ ０．０６ ０．１０ ０．２４
指数Ｅｘｐｏｎｅｎｔ ０．３７ １４４３．４７ ０．５７ ０．０６ ０．９１ ０．２４ ０．０５ ０．１０ ０．２５
对数Ｌｏｇａｒｉｔｈｍ ０．３１ １４５５．３０ ０．５６ ０．０８ ０．９０ ０．２８ ０．１０ ０．１０ ０．３１
乘幂Ｐｏｗｅｒ ０．３９ １４９６．９４ ０．５３ ０．１０ ０．９０ ０．２９ ０．０９ ０．１０ ０．３２
ＭＰＩ（１０） 线性Ｌｉｎｅａｒ ０．２９ １４６４．２７ ０．５４ ０．０５ ０．９０ ０．２２ ０．０６ ０．１０ ０．２５
指数Ｅｘｐｏｎｅｎｔ ０．４２ １３６１．３０ ０．６３ ０．０６ ０．９１ ０．２４ ０．０５ ０．１０ ０．２５
对数Ｌｏｇａｒｉｔｈｍ ０．４０ １３６６．５４ ０．６３ ０．０９ ０．８９ ０．３１ ０．１２ ０．１０ ０．３４
乘幂Ｐｏｗｅｒ ０．４８ １３８４．４９ ０．６２ ０．１２ ０．８９ ０．３２ ０．１０ ０．１０ ０．３５
ＭＰＩ（１８） 线性Ｌｉｎｅａｒ ０．２９ １４６９．８８ ０．５３ ０．０４ ０．９１ ０．２０ ０．０５ ０．１０ ０．２３
指数Ｅｘｐｏｎｅｎｔ ０．４４ １３２３．２２ ０．６６ ０．０５ ０．９２ ０．２１ ０．０５ ０．１０ ０．２３
对数Ｌｏｇａｒｉｔｈｍ ０．４３ １３２８．９２ ０．６４ ０．０８ ０．９０ ０．２９ ０．１１ ０．１０ ０．３３
乘幂Ｐｏｗｅｒ ０．５２ １３２６．９９ ０．６５ ０．１１ ０．８９ ０．３０ ０．１０ ０．１０ ０．３４
　注：犚２表示植被含水量模型的决定性系数；ＲＭＳＥＰ表示观测值与模型预测值的均方根误差；狉表示交叉验证相关系数。
　Ｎｏｔｅ：犚２ｉｎｄｉｃａｔｅｓｄｅｔｅｒｍｉｎａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔ；ＲＭＳＥＰｉｎｄｉｃａｔｅｓｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒｂｅｔｗｅｅｎｏｂｓｅｒｖｅｄｖａｌｕｅａｎｄｐｒｅ
ｄｉｃｔｅｄｖａｌｕｅ；狉ｉｎｄｉｃａｔｅｓｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆｃｒｏｓｓｖａｌｉｄａｔｉｏｎ．
２．２　青藏高原植被含水量时空分布特征
图２　２００５年５－１０月每２日含水量变化动态图
犉犻犵．２　犇狔狀犪犿犻犮狅犳狑犪狋犲狉犮狅狀狋犲狀狋狅犳犲狏犲狉狔
狋狑狅犱犪狔狊犳狉狅犿犕犪狔狋狅犗犮狋狅犫犲狉犻狀２００５
　
２．２．１　生长季内植被含水量每２日变化动态　根
据式（８），反演出青藏高原２００２年６－１０月以及
２００３－２０１０年的５－１０月每２日植被含水量，图２
为青藏高原２００５年５－１０月草甸草原区内各格网
单元平均每２日植被含水量变化动态。５月份草甸
植被处于生长初期，植物体内含水量较高，５月下旬
植被生长消耗植物体内水分，含水量下降；６月份随
着草甸植被的生长，含水量逐渐上升，在７－８月植
被进入生长旺季，相应的含水量达全年最大，９月份
以后，草甸植被逐渐停止生长开始枯黄，含水量有明
显的下降趋势。１０月份，草甸植被进入休眠期，含
水量无明显的变化趋势。
５第２２卷第５期 草业学报２０１３年
为了进一步了解青藏高原植被含水量空间分布格局，选取２００５年７月每２日植被含水量图像（共计１５幅），
计算出青藏高原植被含水量每２日平均值图像（图３）。青藏高原植被含水量由西北向东南呈带状递增趋势。其
中，西北部至中部的大部分区域，植被含水量较低，主要集中在８００ｋｇ／ｈｍ２ 以下；东南部较西北部地区植被含水
量明显增加，主要集中在８００～４０００ｋｇ／ｈｍ２ 之间，个别地区植被含水量达６０００ｋｇ／ｈｍ２。这可能是因为青藏高
原地势由西北向东南逐渐降低，同时受冬季西北环流、夏季印度西南季风和东南季风的影响，沿西北向东南方向
气候由寒冷干旱和寒冷半干旱向暖温湿润逐渐过渡，相应的降水量由西北向东南递增，西北部年降水量仅为
３００～５００ｍｍ，而东南部可达２０００～３０００ｍｍ［２９，３０］。
图３　２００５年７月青藏高原植被含水量均值图
犉犻犵．３　犃狏犲狉犪犵犲狏犲犵犲狋犪狋犻狅狀狑犪狋犲狉犮狅狀狋犲狀狋犻狀犑狌犾狔２００５犻狀犙犻狀犵犺犪犻－犜犻犫犲狋犪狀犘犾犪狋犲犪狌
　
图４　２００５年７月青藏高原植被含水量每２日变化趋势
犉犻犵．４　犞犪狉犻犪狋犻狅狀狋狉犲狀犱狅犳狏犲犵犲狋犪狋犻狅狀狑犪狋犲狉犮狅狀狋犲狀狋狅犳犲狏犲狉狔狋狑狅犱犪狔狊犻狀犙犻狀犵犺犪犻－犜犻犫犲狋犪狀犘犾犪狋犲犪狌
６ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
　　青藏高原２００５年７月各格网单元的植被含水量每２日变化趋势如图４所示，根据显著性检验结果，将含水
量变化趋势分为极显著减少、显著减少、变化不显著、显著增加和极显著增加５个等级，可以看出７月份青藏高原
大部分地区每２日植被含水量无显著变化趋势，在西北部至中部植被含水量分布较低的部分地区，其含水量日变
化呈显著增加趋势，个别地区增加极显著。在西南部地区植被含水量的减少趋势极显著。
２．２．２　植被含水量月变化动态　为定量分析植被含
图５　２００２－２０１０年５－１０月植被含水量频度分布图
犉犻犵．５　犉狉犲狇狌犲狀犮狔犱犻狊狋狉犻犫狌狋犻狅狀狅犳狏犲犵犲狋犪狋犻狅狀狑犪狋犲狉犮狅狀狋犲狀狋犻狀
犕犪狔狋狅犗犮狋狅犫犲狉犳狉狅犿２００２狋狅２０１０　
水量月变化动态，将植被含水量分为５级（图５）。青
藏高原大部分地区的植被含水量主要集中在１０００
ｋｇ／ｈｍ２ 以下，约占青藏高原总面积的５４．３２％，在生
长季内随月份变化其植被面积呈先减少后增加的趋
势。自５月份开始，青藏高原大部分地区随着植被的
生长，植物含水量小于１０００ｋｇ／ｈｍ２ 的分布面积不断
减小，在８月份达到最小值，９月份植物体开始停止生
长，进入枯黄期，含水量逐渐下降，导致小于１０００
ｋｇ／ｈｍ２面积增加；其次为１０００～３０００ｋｇ／ｈｍ２ 等级，
约占青藏高原总面积的３０．９８％，随着时间无明显变
化趋势；而３０００～５０００、５０００～７０００和＞７０００
ｋｇ／ｈｍ２３个等级分别仅占青藏高原总面积的７．２９％，
５．３４％和２．０８％，这３个等级的面积随月份的变化呈先上升后下降的趋势，在８月份达到最大值。这些变化特
点与植被的生长周期性特征相吻合。
图６反映了２００２－２０１０年青藏高原各格网单元植被生长季内植物含水量９年的平均月际变化特征。青藏
高原植被含水量的月际变差系数由西向东呈逐渐增加的趋势，其月际变化动态呈现出明显的空间异质性。西部
地区植被含水量的月际变差系数小于０．０８，说明该地区植被含水量相对稳定，月变化趋势较小；中部地区含水量
变化较为复杂，其变差系数为０．０４～０．１２之间不等；东部地区植被含水量的月际变差系数较大，说明该地区植被
含水量的月际动态变化显著。这是由于青藏高原西部地区植被生物量和覆盖度较低，植被含水量随着时间波动
较小。而东部地区植被生物量较高，植被覆盖度好，相应地，其植被含水量随时间波动较大［３１，３２］。可以看出，植
被含水量月际变化与植被生物量、覆盖度等指标密切相关。此外，含水量变化的明显区域主要集中在青藏高原东
部地区，岭谷交错、地势起伏较大，该地区的植被生长变化更易受到自然因素的影响而在较小的水平距离内发生
较大的梯度变异［２９］。
２．３　植被含水量与气候因子的关系
植被在生长过程中受各种气候因子的影响，为更好地理解含水量动态变化与气候变化的关系，选取研究区内
植被类型分布均一的达日气象台站作为典型研究样点，分析了生长季内植被月平均含水量与月平均温度和月降
水量之间的关系（图７）。结果显示，２００２－２００７年，降水变化对植物含水量的影响存在明显的滞后性，滞后时间
介于１～２月之间。温度变化对含水量的滞后性影响不明显。这与张戈丽等［３３］与刘成林等［３４］的研究结果一致。
考虑到植被含水量的变化对温度和降水的变化的响应有一定的滞后作用，分别对植被含水量与当月平均温
度、上月平均温度、当月降水量和上月降水量进行相关性分析发现，植被含水量与当月平均温度、月降水量的决定
系数（犚２）分别是０．０９和０．１４，而植被含水量与上月平均温度、月降水的决定系数（犚２）分别是０．１２和０．２０。由
此可见，含水量与上月平均温度和月降水量的决定系数（犚２）均高于当月平均温度和月降水量，这与温度和降水
的变化对植被含水量的滞后影响相符合。但是二者的决定系数均较低，其可能原因是微波亮温数据空间分辨率
低（２５ｋｍ），气象台站获取的数据并不能完全代表６２５ｋｍ２ 范围内降水和温度的变化情况。
７第２２卷第５期 草业学报２０１３年
图６　青藏高原植被含水量月变差系数图
犉犻犵．６　犕狅狀狋犺犾狔犮狅犲犳犳犻犮犻犲狀狋狅犳狏犪狉犻犪狋犻狅狀犻狀犙犻狀犵犺犪犻－犜犻犫犲狋犪狀犘犾犪狋犲犪狌
　
图７　植被含水量与降水（犪）、月均温（犫）变化趋势图
犉犻犵．７　犞犪狉犻犪狋犻狅狀狋狉犲狀犱犫犲狋狑犲犲狀狆狉犲犮犻狆犻狋犪狋犻狅狀，狋犲犿狆犲狉犪狋狌狉犲犪狀犱狋犺犲狏犲犵犲狋犪狋犻狅狀狑犪狋犲狉犮狅狀狋犲狀狋
　图中Ｘ轴的时间序列分别为２００２年６－１０月，２００３－２００６年５－１０月和２００７年５，６，８月。ＴｉｍｅｓｅｒｉｅｓｏｆＸ－ａｘｉｓｉｓＪｕｎｅｔｏＯｃｔｏｂｅｒｉｎ２００２，
ＭａｙｔｏＯｃｔｏｂｅｒｄｕｒｉｎｇ２００３ａｎｄ２００６ａｎｄＭａｙ，ＪｕｎｅａｎｄＡｕｇｕｓｔｉｎ２００７，ｒｅｓｐｅｃｔｉｖｅｌｙ．
　
３　结论与展望
基于野外实测样方数据和卫星遥感资料，建立了基于微波指数的植被含水量回归模型，并通过留一法交叉验
证方法对模型进行了精度评价，分析了２００２－２０１０年间青藏高原草地植被含水量的分布、动态变化及其与气候
因子的关系。结果表明，基于１８ＧＨｚ的微波极化指数的乘幂模型可以很好地反映植被含水量变化状况；青藏高
原植被含水量由西北向东南呈带状递增的趋势，大部分地区植被含水量集中在１０００ｋｇ／ｈｍ２ 以下，主要分布在
西部至中部的大部分地区；部分地区植被含水量无明显的日变化趋势；植被含水量的月际变差系数由西向东逐渐
增加，其月动态变化呈现出明显的空间异质性。含水量－气候关系的分析结果表明，降水变化对含水量的影响存
在一定的滞后性，但受微波数据空间分辨率低等因素的影响，含水量与温度、降水的相关关系较差。
利用遥感信息反演植物水分是当前研究的热点，光学遥感在监测植被含水量的过程中易受植被本身、环境条
件和气候等多种因素的影响。微波遥感具有穿透能力，不受太阳照射、大气、云层、降雨等因素的限制，而 ＭＰＩ作
为描述植被的一个非常重要的参数在植被含水量和生物量监测过程中具有很大潜力，能够为反演植被下垫面的
８ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５
土壤信息提供条件。但被动微波的空间分辨率低（２５ｋｍ），像元均质性差，信号复杂。因此，提高微波传感器分
辨率，综合应用多源遥感资料，消除混合像元对微波数据的影响，提高模型和算法的适用范围，应是今后微波植被
含水量研究的重要方向。
参考文献：
［１］　王洁，徐瑞松，马跃良，等．植被含水量的遥感反演方法及研究进展［Ｊ］．遥感信息，２００８，（１）：１００１０５．
［２］　丁明军，张镱锂，刘林山，等．１９８２－２００９年青藏高原草地覆盖度时空变化特征［Ｊ］．自然资源学报，２０１０，２５（１２）：２１１４
２１２２．
［３］　张镱锂，李炳元，郑度．论青藏高原范围与面积［Ｊ］．地理研究，２００２，２１（１）：１８．
［４］　韩立辉，尚占环，任国华，等．青藏高原“黑土滩”退化草地植物和土壤对秃斑面积变化的响应［Ｊ］．草业学报，２０１１，２０（１）：
１６．
［５］　任继周，梁天刚，林慧龙，等．草地对全球气候变化的响应及其碳汇潜势研究［Ｊ］．草业学报，２０１１，２０（２）：１２２．
［６］　侯向阳，尹燕亭，丁勇．中国草原适应性管理研究现状与展望［Ｊ］．草业学报，２０１１，２０（２）：２６２２６９．
［７］　张佳华，许云，姚凤梅，等．植被含水量光学遥感估算方法研究进展［Ｊ］．中国科学：技术科学，２０１０，４０（１０）：１１２１１１２９．
［８］　ＫｒａｍｅｒＰＪ．ＷａｔｅｒＲｅｌａｔｉｏｎｓｏｆＰｌａｎｔｓ［Ｍ］．ＮｅｗＹｏｒｋ：ＮｅｗＹｏｒｋＰｒｅｓｓ，１９８３．
［９］　ＣａｒｔｅｒＧＡ．Ｒａｔｉｏｓｏｆｌｅａｆｒｅｆｌｅｃｔａｎｃｅｉｎｎａｒｒｏｗｗａｖｅｂａｎｄｓａｓｉｎｄｉｃａｔｏｒｓｏｆｐｌａｎｔｓｔｒｅｓｓ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅ
Ｓｅｎｓｉｎｇ，１９９４，１５（３）：６９７７０３．
［１０］　ＷｅｎＪ，ＪａｃｋｓｏｎＴＪ，ＢｉｎｄｌｉｓｈＲ，犲狋犪犾．ＲｅｔｒｉｅｖａｌｏｆｓｏｉｌｍｏｉｓｔｕｒｅａｎｄｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔｕｓｉｎｇＳＳＭ／Ｉｄａｔａｏｖｅｒａｃｏｒｎ
ａｎｄｓｏｙｂｅａｎｒｅｇｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＨｙｄｒｏｍｅｔｅｏｒｏｌｏｇｙ，２００５，６（６）：８５４８６３．
［１１］　ＪａｃｋｓｏｎＴＪ，ＣｈｅｎＤ，ＣｏｓｈＭ，犲狋犪犾．ＶｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔｍａｐｐｉｎｇｕｓｉｎｇＬａｎｄｓａｔｄａｔａｄｅｒｉｖｅｄｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅ
ｗａｔｅｒｉｎｄｅｘｆｏｒｃｏｒｎａｎｄｓｏｙｂｅａｎｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９２（４）：４７５４８２．
［１２］　ＵｓｔｉｎＳ，ＲｏｂｅｒｔｓＤＡ，ＰｉｎｚｏｎＪ，犲狋犪犾．Ｅｓｔｉｍａｔｉｎｇｃａｎｏｐｙｗａｔｅｒｃｏｎｔｅｎｔｏｆｃｈａｐａｒｒａｌｓｈｒｕｂｓｕｓｉｎｇｏｐｔｉｃａｌｍｅｔｈｏｄｓ［Ｊ］．Ｒｅ
ｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９８，６５（３）：２８０２９１．
［１３］　张钟军，孙国清，朱启疆．植被层对被动微波遥感土壤水分反演影响的研究［Ｊ］．遥感学报，２００４，８（３）：２０７２１３．
［１４］　郑有飞，徐芳，詹习武，等．基于ＡＭＳＲＥ数据的被动微波遥感干旱指数研究［Ｊ］．南京气象学院学报，２００９，３２（３）：１８９
１９５．
［１５］　张钟军，孙国清，张立新，等．被动微波遥感中一种基于辐射传输理论的植被层模型［Ｊ］．北京师范大学学报（自然科学版），
２００３，３９（５）：６９４７００．
［１６］　曹建军．青藏高原地区草地可持续利用研究［Ｄ］．兰州：兰州大学，２０１０：１４．
［１７］　张继承．基于ＲＳ／ＧＩＳ的青藏高原生态环境综合评价研究［Ｄ］．吉林：吉林大学，２００８：１６２４．
［１８］　陈钟．青藏高原天然草地综合顺序分类与遥感监测研究［Ｄ］．兰州：兰州大学，２０１０：５６．
［１９］　于惠，冯琦胜，张学通，等．基于ＡＭＳＲＥ信息的北疆牧区雪深遥感监测模型方法初探［Ｊ］．草业学报，２００９，１８（４）：２１０
２１６．
［２０］　ＳｈｉＪＣ，ＪａｃｋｓｏｎＴ，ＴａｏＪ，犲狋犪犾．Ｍｉｃｒｏｗａｖｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｄｅｒｉｖｅｄｆｒｏｍｓａｔｅｌｉｔｅｍｉｃｒｏｗａｖｅｒａｄｉｏｍｅｔｅｒｓ［Ｊ］．Ｇｅｏｓｃｉｅｎｃｅ
ａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇＳｙｍｐｏｓｉｕｍ，２００７，７：１４１２１４１５．
［２１］　毛克彪，唐华俊，周清波，等．ＡＭＳＲＥ微波极化指数与 ＭＯＤＩＳ植被指数关系研究［Ｊ］．国土资源遥感，２００７，（１）：２７３１．
［２２］　高峰，车涛，王介民，等．被动微波遥感指数及其应用［Ｊ］．遥感技术与应用，２００５，２０（６）：５５１５５７．
［２３］　ＤａｖｉｄｓｏｎＡ，ＷａｎｇＳ，ＷｉｌｍｓｈｕｒｓｔＪ．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｇｒａｓｓｌａｎｄｓｈｒｕｂｌａｎｄｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔｉｎｔｈｅｓｈｏｒｔｗａｖｅｄｏ
ｍａｉｎ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎａｎｄＧｅｏｉｎｆｏｒｍａｔｉｏｎ，２００６，８（４）：２２５２３６．
［２４］　ＳｈｉＪＣ，ＪａｃｋｓｏｎＴ，ＴａｏＪ，犲狋犪犾．Ｍｉｃｒｏｗａｖｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｆｏｒｓｈｏｒｔｖｅｇｅｔａｔｉｏｎｃｏｖｅｒｓｆｒｏｍｓａｔｅｌｉｔｅｐａｓｓｉｖｅｍｉｃｒｏｗａｖｅ
ｓｅｎｓｏｒＡＭＳＲＥ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００８，１１２（１２）：４２８５４３００．
［２５］　于惠，冯琦胜，陈思宇，等．基于微波植被指数的甘南草地生物量动态监测［Ｊ］．兰州大学学报（自然科学版），２０１１，４７（４）：
６９７４．
［２６］　冯敏玉，魏丽，胡逢喜，等．南昌地区近５５年的气温与降水变化分析［Ｊ］．江西农业大学学报，２００９，３１（４）：７８１７８４．
［２７］　ＳｏｎｇＹ，ＭａＭＧ，ＶｅｒｏｕｓｔｒａｅｔｅＦ．ＣｏｍｐａｒｉｓｏｎａｎｄｃｏｎｖｅｒｓｉｏｎｏｆＡＶＨＲＲＧＩＭＭＳａｎｄＳＰＯＴＶＥＧＥＴＡＴＩＯＮＮＤＶＩｄａｔａ
９第２２卷第５期 草业学报２０１３年
ｉｎＣｈｉｎａ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０１０，３１（９）：２３７７２３９２．
［２８］　黄晓东，李霞，梁天刚，等．北疆地区不同草地类型 ＭＯＤＩＳ植被指数变化动态及其气候因子的关系［Ｊ］．兰州大学学报（自
然科学版），２００７，４３（３）：４２４７．
［２９］　于伯华，吕昌河，吕婷婷，等．青藏高原植被覆盖变化的地域分异特征［Ｊ］．地理科学进展，２００９，２８（３）：３９１３９７．
［３０］　于海英，许建初．气候变化对青藏高原植被影响研究综述［Ｊ］．生态学杂志，２００９，２８（４）：７４７７５４．
［３１］　冯琦胜，高新华，黄晓东，等．２００１－２０１０年青藏高原草地生长状况模型遥感动态监测［Ｊ］．兰州大学学报（自然科学版），
２０１１，４７（４）：７５８１．
［３２］　方金，黄晓东，王玮，等．青藏高原草地生物量遥感动态监测［Ｊ］．草业科学，２０１１，２８（７）：１３４５１３５１．
［３３］　张戈丽，徐兴良，周才平，等．近３０年来呼伦贝尔地区草原植被变化对气候变化的响应［Ｊ］．地理学报，２０１１，６６（１）：４７
５８．
［３４］　刘成林，樊任华，武建军，等．锡林郭勒草原植被生长对降水相应的滞后性研究［Ｊ］．干旱区地理，２００９，３２（４）：５１２５１８．
犇狔狀犪犿犻犮犿狅狀犻狋狅狉犻狀犵狅犳狏犲犵犲狋犪狋犻狅狀狑犪狋犲狉犮狅狀狋犲狀狋犫犪狊犲犱狅狀犿犻犮狉狅狑犪狏犲狉犲犿狅狋犲狊犲狀狊犻狀犵
犻狀狋犺犲犙犻狀犵犺犪犻－犜犻犫犲狋犪狀犘犾犪狋犲犪狌狉犲犵犻狅狀犳狉狅犿２００２狋狅２０１０
ＣＨＥＮＳｉｙｕ，ＹＵＨｕｉ，ＦＥＮＧＱｉｓｈｅｎｇ，ＬＩＡＮＧＴｉａｎｇａｎｇ
（ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＧｒａｓｓｌａｎｄＡｇｒｏｅｃｏｓｙｓｔｅｍｓ，ＣｏｌｅｇｅｏｆＰａｓｔｏｒａｌＡｇｒｉｃｕｌｔｕｒｅＳｃｉｅｎｃｅ
ａｎｄＴｅｃｈｎｏｌｏｇｙ，ＬａｎｚｈｏｕＵｎｉｖｅｒｓｉｔｙ，Ｌａｎｚｈｏｕ７３００２０，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｗａｔｅｒｉｓａｎｉｍｐｏｒｔａｎｔｐａｒａｍｅｔｅｒｇｏｖｅｒｎｉｎｇｖｅｇｅｔａｔｉｏｎｐｈｙｓｉｏｌｏｇｉｃａｌｓｔａｔｕｓａｎｄｆｏｒｍａｔｉｏｎｓｔｒｕｃｔｕｒｅ．
ＴｈｅＱｉｎｇｈａｉ－ＴｉｂｅｔａｎＰｌａｔｅａｕｐｌａｙｓａｎｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｔｈｅｒｅｇｉｏｎａｌｅｃｏｌｏｇｉｃａｌｅｎｖｉｒｏｎｍｅｎｔａｎｄｇｌｏｂａｌｃｌｉｍａｔｅ
ｃｈａｎｇｅｓ，ｂｕｔｔｈｅｒｅｉｓａｌａｃｋｏｆｒｅｓｅａｒｃｈｏｎｓｐａｔｉａｌｔｅｍｐｏｒａｌｖａｒｉａｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔａｎｄｔｈｅｒｅｌａ
ｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｗａｔｅｒｃｏｎｔｅｎｔａｎｄｃｌｉｍａｔｉｃｆａｃｔｏｒｓ．Ｕｓｉｎｇｔｈｅ“ＬｅａｖｅＯｎｅＯｕｔＣｒｏｓｓＶａｌｉｄａｔｉｏｎ”（ＬＯＯＣＶ）
ｍｅｔｈｏｄ，ａｎｉｎｖｅｒｓｉｏｎｍｏｄｅｌｏｆｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔｗａｓｅｓｔａｂｌｉｓｈｅｄｉｎｔｈｅＱｉｎｇｈａｉ－ＴｉｂｅｔａｎＰｌａｔｅａｕｒｅｇｉｏｎ
ｂａｓｅｄｏｎ２３６ｏｂｓｅｒｖｅｄｄａｔａｗｉｔｈｃｏｒｒｅｓｐｏｎｄｉｎｇＡＭＳＲＥｄａｉｌｙｂｒｉｇｈｔｎｅｓｓｔｅｍｐｅｒａｔｕｒｅｄａｔａ．Ｂｙｓｉｍｕｌａｔｉｎｇｔｈｅ
ｄｉｓｔｒｉｂｕｔｉｏｎｏｆｗａｔｅｒｃｏｎｔｅｎｔｉｎｔｈｅＱｉｎｇｈａｉ－ＴｉｂｅｔａｎＰｌａｔｅａｕ，ｔｈｅｄｙｎａｍｉｃｖａｒｉａｔｉｏｎｓｏｆｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎ
ｔｅｎｔａｎｄｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｗａｔｅｒｃｏｎｔｅｎｔａｎｄｃｌｉｍａｔｉｃｆａｃｔｏｒｗｅｒｅａｎａｌｙｚｅｄｆｒｏｍ２００１ｔｏ２０１０．ＴｈｅＭｉ
ｃｒｏｗａｖｅＰｏｌａｒｉｚａｔｉｏｎＩｎｄｅｘ（ＭＰＩ）ｉｓｓｕｐｅｒｉｏｒｔｏｔｈｅｍｉｃｒｏｗａｖｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｉｎｔｈｉｓｒｅｇｉｏｎ，ａｎｄｔｈｅｐｏｗｅｒ
ｍｏｄｅｌｂａｓｅｄｏｎ１８ＧＨｚＭＰＩ犃犠犆＝１２８．９３×犕犘犐－０．６７ｈａｓｔｈｅｈｉｇｈｅｓｔａｃｃｕｒａｃｙ，ａｎｄｂｅｔｔｅｒｒｅｆｌｅｃｔｓｔｈｅｃｏｎｄｉ
ｔｉｏｎｏｆｔｈｅＡｂｓｏｌｕｔｅＶｅｇｅｔａｔｉｏｎＷａｔｅｒＣｏｎｔｅｎｔ（ＡＷＣ）．ＤａｉｌｙｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔｏｆｔｈｅＱｉｎｇｈａｉ－Ｔｉｂｅｔ
ａｎＰｌａｔｅａｕｉｎＪｕｌｙｓｈｏｗｓａｂｅｌｔｗｉｔｈａｎｉｎｃｒｅａｓｉｎｇｔｒｅｎｄｆｒｏｍｎｏｒｔｈｗｅｓｔｔｏｓｏｕｔｈｅａｓｔ，ｉｎｗｈｉｃｈｔｈｅｖｅｇｅｔａｔｉｏｎ
ｗａｔｅｒｃｏｎｔｅｎｔｉｓｍａｉｎｌｙｂｅｌｏｗ８００ｋｇ／ｈａｉｎｔｈｅｗｅｓｔｅｒｎａｎｄｃｅｎｔｒａｌｒｅｇｉｏｎｓ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｎｏｒｔｈｗｅｓｔ，ｔｈｅ
ｓｏｕｔｈｅａｓｔｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔｈａｓａｎｉｎｃｒｅａｓｅｄｔｒｅｎｄ，ｍａｉｎｌｙｂｅｔｗｅｅｎ８００ａｎｄ４０００ｋｇ／ｈａ．Ｔｈｅｉｎｔｅｒ
ｍｏｎｔｈｌｙｖａｒｉａｂｉｌｉｔｙｏｆｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔｈａｓｏｂｖｉｏｕｓｓｐａｔｉａｌｄｉｆｆｅｒｅｎｃｅｓｉｎｒｅｃｅｎｔｙｅａｒｓｗｈｉｃｈｉｎｃｒｅａｓｅｓ
ｆｒｏｍｗｅｓｔｔｏｅａｓｔｏｎｔｈｅＱｉｎｇｈａｉ－Ｔｉｂｅｔａｎｐｌａｔｅａｕ．Ｓｏｍｅｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎｔｅｍｐｅｒａｔｕｒｅ，ｐｒｅｃｉｐｉｔａｔｉｏｎａｎｄ
ｔｈｅｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔ，ｓｈｏｗａｈｙｓｔｅｒｅｓｉｓｒｅｓｐｏｎｓｅｔｏｒａｉｎｆａｌ．
犓犲狔狑狅狉犱狊：Ｑｉｎｇｈａｉ－ＴｉｂｅｔＰｌａｔｅａｕ；ｍｉｃｒｏｗａｖｅｉｎｄｅｘ；ｖｅｇｅｔａｔｉｏｎｗａｔｅｒｃｏｎｔｅｎｔ；ｓｐａｔｉｏｔｅｍｐｏｒａｌｖａｒｉａｔｉｏｎ；
ＬｅａｖｅＯｎｅＯｕｔＣｒｏｓｓＶａｌｉｄａｔｉｏｎ（ＬＯＯＣＶ）
０１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．５