全 文 ：书藏北典型高寒草甸地上生物量的遥感估算模型
周宇庭１，２，付刚１，２，沈振西１，张宪洲１，武建双１，２，李云龙１，２，杨鹏万１，２
（１．中国科学院地理科学与资源研究所 生态系统网络观测与模拟重点实验室 拉萨高原生态系统研究站，
北京１００１０１；２．中国科学院大学，北京１０００４９）
摘要：本研究利用２０１０和２０１１年６－９月高寒嵩草草甸群落地上生物量数据和同期的中分辨率成像光谱仪（ｍｏｄ
ｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ，ＭＯＤＩＳ）影像数据，建立了西藏自治区拉萨当雄高寒草甸的地上生物量
遥感估算模型。在探讨群落地上生物量与归一化植被指数（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ，ＮＤＶＩ）、增强
型植被指数（ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ，ＥＶＩ）以及地表水分指数（ｌａｎｄｓｕｒｆａｃｅｗａｔｅｒｉｎｄｉｃｅｓ，ＬＳＷＩ）相关关系的基
础上，构建了群落地上生物量与各指数的线性或非线性（包括对数函数、二次多项式、三次多项式、幂函数、增长曲
线、指数函数）估算模型，并进行了模型验证。结果表明，１）３个指数中ＥＶＩ的模拟效果最好，ＮＤＶＩ次之，ＬＳＷＩ最
差；２）所有模型中线性模型的模拟效果最好，ＥＶＩ的线性模型为：狔＝１７４．２２５狓，犚２＝０．９７５，犘＜０．００１，ＮＤＶＩ的线
性模型为：狔＝１１５．４７８狓，犚２＝０．９５６，犘＜０．００１；３）在预测效果方面，幂函数模型最好，线性模型次之，其平均误差
分别仅为９．７６％和１０．８％，因此，两者都可以用于高寒草甸群落地上生物量的模拟。
关键词：藏北；地上生物量；高寒草甸；遥感；估算模型
中图分类号：Ｓ８１２；Ｑ９４５．７９　　文献标识码：Ａ　　文章编号：１００４５７５９（２０１３）０１０１２０１０
　　生物量是一定气候条件下植物光合作用的产物，它在一定程度上反映了植物将光能转化为化学能的能力大
小［１，２］。植被生物量反映了生态系统植被生产力的大小，是生态系统功能和结构稳定性的重要指标，是草地生态
系统研究中估计草地长势和进行草地生态系统评价的重要参数之一［３］。草地地上生物量既可以为畜牧业发展提
供物质基础，同时在维护区域生态环境和维持生态美感方面具有重要意义［４］。草地地上生物量的估算能为以草
定畜政策提供科学依据，以实现畜牧业的可持续发展和草地生态系统功能的稳定［５，６］。
小尺度的区域地上生物量数据在野外一般采用收获法获取，但对于大尺度上的地上生物量获取则很难完全
用收获法实现，而且其时间分辨率即重复观测的时间间隔会很长。因此在较大尺度上建立遥感数据与地面观测
数据之间的关系，从而实现较大尺度的地上生物量估计，同时达到对地上生物量动态观测的目的就显得很有意
义。早在８０年代初期，国外就开展了地上生物量的遥感模拟研究［４］。其中比较常见的遥感参数有归一化植被指
数（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ，ＮＤＶＩ）、比值植被指数（ｒａｔｉｏｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＲＶＩ）、增强型植被指
数（ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ，ＥＶＩ）、植被状态指数（ｖｅｇｅｔａｔｉｏｎｃｏｎｄｉｔｉｏｎｉｎｄｅｘ，ＶＣＩ）、差值植被指数（ｄｉｆｆｅｒ
ｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＤＶＩ）、垂直植被指数（ｐｅｒｐｅｎｄｉｃｏｌａｒｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＰＶＩ）、土壤调整植被指数（ｓｏｉｌａｄ
ｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＳＡＶＩ）等［１，３，７９］。常见的遥感数据源有ＮＯＡＡ／ＡＶＨＲＲ（ａｄｖａｎｃｅｄｖｅｒｙｈｉｇｈｒｅｓｏｌｕｔｉｏｎ
ｒａｄｉｏｍｅｔｅｒ）、ＭＳＳ（ｍｕｌｔｉｓｐｅｃｔｒａｌｓｃａｎｎｅｒ）、ＴＭ （ｔｈｅｍａｔｉｃｍａｐｐｅｒ）、ＥＴＭ （ｅｎｈａｎｃｅｄｔｈｅｍａｔｉｃｍａｐｐｅｒ）、ＳＰＯＴ５
（ｓａｔｅｌｉｔｅｐｒｏｂａｔｏｉｒｅｐｕｒ１ｏｂｓｅｒｖａｔｉｏｎｄｅｌａｔｅｒｒｅ５）、ＭＯＤＩＳ（ｍｏｄｅｒａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｉｎｇｓｐｅｃｔｒｏｒａｄｉｏｍｅｔｅｒ）
等，这些数据资料大部分都可以免费获取，可以大大降低应用成本［３，７１２］。利用 ＭＯＤＩＳ数据的ＮＤＶＩ和ＥＶＩ产
品模拟地上生物量的研究也见报道，例如李霞［４］利用ＭＯＤＩＳ的ＮＤＶＩ和ＥＶＩ模拟了北疆地区草地地上生物量，
取得了较好的效果；王正兴等［７］利用ＭＯＤＩＳ增强型植被指数反演了锡林郭勒草原草地地上生物量，王莺等［１３］利
用 ＭＯＤＩＳ植被指数模拟了２００６－２００７年甘南地区地上部分干物质产量。陆地表面水分指数（ＬＳＷＩ，ｌａｎｄｓｕｒ
ｆａｃｅｗａｔｅｒｉｎｄｉｃｅｓ）是Ｘｉａｏ等［１４］在２００４年提出来的，有研究表明ＬＳＷＩ对叶片水分含量的变化敏感［１５］，其反应
１２０－１２９
２０１３年２月
　　　草　业　学　报　　　
　　　ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ　　　
第２２卷　第１期
Ｖｏｌ．２２，Ｎｏ．１
收稿日期：２０１１１２１６；改回日期：２０１２０２１６
基金项目：国家自然基金项目（４１１７１０８４，４０７７１１２１）和国家科技支撑计划项目（２００７ＢＡＣ０６Ｂ０１，２０１０ＢＡＥ００７３９０３）资助。
作者简介：周宇庭（１９８６），男，湖北天门人，在读硕士。Ｅｍａｉｌ：ｔｉｎｇｙｕｚｈｏｕ．ｚｈｏｕ＠１６３．ｃｏｍ
通讯作者。Ｅｍａｉｌ：ｓｈｅｎｚｘ＠ｉｇｓｎｒｒ．ａｃ．ｃｎ
了水分对光合作用的影响，因此可以预期ＬＳＷＩ与地上生物量存在一定的相关关系。但是利用ＬＳＷＩ进行的相
关研究多集中在森林生态系统，而对于草地生态系统尤其是高寒草甸方面的应用本研究尚属首例［１４，１６］。
用于群落地上生物量的估算模型有多种，包括光能利用率模型、生态过程模型、气候因子回归模型、基于植被
指数的统计模型等，各模型都有广泛的研究先例［１７，１８］。如王莺等［１３］和高清竹等［１９］分别利用ＣＡＳＡ模型模拟了
藏北地区和甘南地区的草地初级生产力。曾慧卿等［２０］应用ＢＩＯＭＥ－ＢＧＣ（ＢｉｏＧｅｏｃｈｅｍｉｃａｌＣｙｃｌｅｓ）模型估算
了１９９３－２００４年红壤丘陵区湿地松林总第一性生产力（ＧＰＰ，ｇｒｏｓｓｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ）和净第一性生产力
（ＮＰＰ，ｎｅｔｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｖｉｔｙ），并分析了ＧＰＰ和ＮＰＰ的年际变化对气候的响应以及未来气候变化情景下的
ＧＰＰ、ＮＰＰ响应。冯险峰［２１］利用ＢＥＰＳ（ｂｏｒｅａｌｅｃｏｓｙｓｔｅｍｓｐｒｉｍａｒｙｓｉｍｕｌａｔｏｒ）模型估算了我国２００１年陆地生态
系统ＮＰＰ。付刚等［２］研究了藏北高原高寒草甸地上生物量与气候因子的关系。黄德青等［２２］比较研究了祁连山
北坡天然草地地上生物量与土壤水分关系。王红岩等［３］利用ＳＰＯＴ５影像进行了丰宁县地上生物量的估测研
究。杜自强等［２３］建立了山丹县草地地上生物量遥感模型。本研究拟采用此法，以 ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ等指数为
自变量估算当雄草原的地上生物量，建立地上生物量的遥感估算模型。
高寒草甸是青藏高原广泛分布的典型植被类型之一，面积约１．２×１０６ｋｍ２，是亚洲中部高寒地区乃至世界
高寒地区极具代表性的植被［２４，２５］。高寒草甸的典型类型藏北嵩草沼泽草甸和高山嵩草草甸优势种都为优良牧
草，且广泛分布于海拔３２００～５３００ｍ，因此，高寒草甸地上生物量对西藏自治区的畜牧业发展至关重要。当雄
草原植被属于典型的高寒嵩草草甸植被，建群种有高山嵩草（犓狅犫狉犲狊犻犪狆狔犵犿犪犲犪）、矮嵩草（犓狅犫狉犲狊犻犪犺狌犿犻犾犻狊）、
丝颖针茅（犛狋犻狆犪犮犪狆犻犾犾犪犮犲犪），伴生种有多种密丛生嵩草，本类草甸由于超载过牧而退化，针茅类入侵较多，常形
成草原草甸，群落盖度约８０％。目前由于人类活动的加剧，藏北牧区超载放牧现象十分严重，草地利用压力很
大，造成大面积的草场退化，因此对类似于当雄草原这种典型高寒草甸植被的地上生物量研究显得很有必
要［２，２４，２５］。本研究以高寒草甸地上生物量遥感模拟为目的，利用 ＭＯＤＩＳ的 ＭＹＤ０９Ａ１数据为遥感数据源，计算
了ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ等指数，结合同一时期采集的地上生物量数据，研究各指数与地上生物量的定量关系，并通
过预测值与验证样地实测值的对比，筛选出适宜高寒草甸的最佳地上生物量估算模型。
１　材料与方法
１．１　研究地概况
研究区域（３０°３０′～３０°３２′Ｎ，９１°０３′～９１°０４′Ｅ）位于西藏自治区拉萨当雄草原站，地处念青唐古拉山的南
缘，属丘间盆地类型，地势平坦。当雄县素有拉萨北大门之称，平均海拔４２００ｍ，位于藏北藏南的交错地带。该
地区属于高原性季风气候区，没有明显的四季之分。降水量有明显的季节之分，８５．１％降水集中在生长季节的
６－８月份。冰冻期较长，持续３个月（１１月至翌年１月）。土壤类型为高寒草甸土，土壤厚度约为３０～５０ｃｍ。植
被类型属于典型的高寒嵩草草甸植被。植物根系主要分布在０～２０ｃｍ有机质含量较高的土层内［２，１８，２４，２６］。
１．２　样地布设及地上生物量的采集
在当雄草原站选择草地植被空间分布比较均一，可以代表较大范围草地植被的典型区域布设样地。共布设
了３块样地，其中２块样地用于模型构建，１块样地用于模型验证，每块样地的经纬度以及海拔见表１。在２０１０
和２０１１年的６－９月采用收获法获取群落地上生物量数据。每次采样时，在每块样地随机选取５个０．５ｍ×０．５
ｍ的样方收集地上生物量，取５个样方的均值作为群落地上生物量。植物样品在６５℃恒温条件下烘干４８ｈ后称
重，精度为０．００１ｇ［２，１７］。
表１　研究样地以及模型精度评价样地的经纬度、海拔和数据采集年份
犜犪犫犾犲１　犜犺犲犾狅狀犵犻狋狌犱犲／犾犪狋犻狋狌犱犲，犪犾狋犻狋狌犱犲犪狀犱犱犪狋犪犪犮狇狌犻狊犻狋犻狅狀狋犻犿犲犳狅狉狋犺犲狊狋狌犱狔
犪狉犲犪犪狀犱狋犺犲狆犾狅狋狊狅犳狋犺犲犿狅犱犲犾犪犮犮狌狉犪犮狔犪狀犪犾狔狊犻狊
项目
Ｉｔｅｍ
研究地点
Ｓｔｕｄｙａｒｅａ
编号
Ｃｏｄｅｎａｍｅ
经度
Ｌｏｎｇｉｔｕｄｅ（°）
纬度
Ｌａｔｉｔｕｄｅ（°）
海拔
Ａｌｔｉｔｕｄｅ（ｍ）
年份
Ｙｅａｒ
模型构建 Ｍｏｄｅｌｂｕｉｌｄｉｎｇ 拉萨当雄县Ｄａｍｘｕｎｇ，Ｌｈａｓａ 样地１Ｐｌｏｔ１ ９１．０６ ３０．５２ ４５１３ ２０１０，２０１１
样地２Ｐｌｏｔ２ ９１．０５ ３０．５３ ４６９３ ２０１０，２０１１
模型验证 Ｍｏｄｅｌｖａｌｉｄａｔｉｏｎ 拉萨当雄县Ｄａｍｘｕｎｇ，Ｌｈａｓａ 样地３Ｐｌｏｔ３ ９１．０７ ３０．５０ ４３１３ ２０１０，２０１１
１２１第２２卷第１期 草业学报２０１３年
１．３　遥感数据源及数据处理
本研究以 ＭＯＤＩＳ的 ＭＹＤ０９Ａ１数据产品为遥感数据源，该产品主要包括 ＭＯＤＩＳ传感器１～７波段的地表
反射率数据和各个波段的质量控制数据，同时还包括反射率数据状态质量保证数据。其时间分辨率为８ｄ，所包
含的７个波段分别对应可见光波段的红波段（６２０～６７０ｎｍ）、蓝波段（４５９～４７９ｎｍ）、绿波段（５４５～５６５ｎｍ），２
个近红外波段（８４１～８７６ｎｍ，１２３０～１２５０ｎｍ）和２个短波红外波段（１６２８～１６５２ｎｍ，２１０５～２１５５ｎｍ），其中
１、２波段的空间分辨率为２５０ｍ，３～７波段的空间分辨率为５００ｍ。本研究利用了红波段（６２０～６７０ｎｍ）、近红
外波段（８４１～８７６ｎｍ）、蓝波段（４５９～４７９ｎｍ）和短波红外波段（１６２８～１６５２ｎｍ）分别计算了归一化植被指数、
增强型植被指数和陆地表面水分指数。计算公式如下：
犖犇犞犐＝ρ狀犻狉－ρ狉犲犱
ρ狀犻狉＋ρ狉犲犱
（１）
犈犞犐＝犌× ρ狀犻狉－ρ狉犲犱
ρ狀犻狉＋犆１×ρ狉犲犱－犆２×ρ犫犾狌犲＋犔
（２）
犔犛犠犐＝ρ狀犻狉－ρ狊狑犻狉
ρ狀犻狉＋ρ狊狑犻狉
（３）
式中，ρ狉犲犱、ρ狀犻狉和ρ犫犾狌犲分别是 ＭＯＤＩＳ传感器第１，２和３波段的数据，而ρ狊狑犻狉是第６波段的数据，ρ为大气层顶或经
大气纠正的地表反射率。ＥＶＩ计算公式中系数犌＝２．５，犆１＝６，犆２＝７．５，犔＝１，其中犆１ 和犆２ 是气溶胶等大气影
响物的校正系数；犔为背景（土壤）调整系数［７，１１］。
１．４　模型构建
ＭＯＤＩＳ的数据产品 ＭＯＤ１３Ａ１中虽包含ＮＤＶＩ和ＥＶＩ，但其时间分辨率为１６ｄ，因此，在与同期的地面生
物量数据进行匹配时，其时间分辨率较小，即时间尺度较大。而采用８ｄ分辨率的产品数据，就可以保证地上生
物量的采样时间与遥感数据的获取时间最大相差不超过３ｄ，尽可能地减小由于遥感数据采样时间与地面实测数
据观测时间不匹配对研究造成的影响。通过对遥感图像资料的探查发现Ｔｅｒｒａ平台（上午星）在本研究区域的影
像质量较差，尤其是在用于模型构建的２块样地的图像质量更是如此。搭载在Ａｑｕａ平台（下午星）上的遥感器
获得的 ＭＹＤ０９Ａ１的原始数据质量比 ＭＯＤ０９Ａ１好，且两者包含的波段一样，故采用 ＭＹＤ０９Ａ１作为遥感数据
源。在数据处理过程中结合质量控制数据，将成像质量不好的点剔除以提高模拟的精度。
以样地１和样地２的 ＭＹＤ０９Ａ１产品为数据源，结合研究中提到的ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ计算公式，计算出各
样地在不同时期的植被指数和陆表水分指数。分析地上生物量与各指数之间的相关性，同时确定用于模型模拟
的各种回归模型。统计分析采用ＳＰＳＳ１７．０进行，评价模型的模拟效果时以拟合优度系数犚２ 和显著性水平犘
值作为主要评价指标。绘图采用作图软件ＳｉｇｍａＰｌｏｔ１０．０［２７］。
１．５　模型验证
选择模拟效果较好的指数和相关模型对验证样地的地上生物量进行预测，将预测值与地面实测值进行比较，
计算预测的相对误差和平均误差，计算公式如下：
相对误差＝｜
实测值－预测值｜
实测值 ×１００％ （４）
平均误差＝∑
相对误差
犖 ×１００％
（５）
式中，实测值为在验证样地采集的地上生物量，预测值为利用统计分析软件，结合预测效果较好的指数和其模型
得到的地上生物量估计值，犖 为参与预测的样本数目。同时利用统计软件进行配对狋检验，以此推断预测值与实
测值是否存在显著差异。
２　结果与分析
２．１　高寒草甸群落气候因子比较分析
２０１０年和２０１１年气候差异较大，最大差异出现在８月中下旬，这一时期空气温度、相对湿度、土壤温度、土
壤湿度均存在较大差异（图１）。２年的土壤湿度在整个生长季都有较大差别，最大差值出现在８月份，为２１．８％，
２２１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．１
２０１１年６－８月份的土壤湿度比２０１０年高至少５％，但９月份的土壤水分则是２０１０年比２０１１年高至少１０％，而
这一时期植物生长放缓，需水量不大，尤其到９月中旬降雪以后植物地上部分基本死亡。土壤湿度在６－８月份
大部分时间呈现较大差异，最大温差为１０．０５℃，整体表现为２０１０年的土壤温度高于２０１１年。空气温度和相对
湿度均在６月上中旬和８月中旬到９月中旬存在显著差异，其余时间差异不明显。６月上旬空气温度为２０１１年
高于２０１０年，且温差较大，可达到１０℃左右，相对湿度与空气温度表现相反，而６月中旬则是２０１０年的空气温
度高于２０１１年，相对湿度２０１１年高于２０１０年。８月中旬到９月中旬空气温度为２０１１年高于２０１０年，相对湿度
则呈现相反规律。综合２０１０年和２０１１年整个生长季的气候因子变化可知，在生长季初期２０１１年的空气温度高
于２０１０年，且土壤湿度也有同样的趋势，这就为植物在生长初期提供了较好的生长条件；在生长季后期空气温度
也是２０１１年高于２０１０年，有利于生物量的积累和生长季的延长。从气候因子分析可以预期２０１１年的群落地上
生物量将高于２０１０年。
图１　２０１０年和２０１１年生长季节空气温度、相对湿度、土壤温度、土壤湿度的变化
犉犻犵．１　犆犺犪狀犵犲狅犳犪犻狉狋犲犿狆犲狉犪狋狌狉犲，狉犲犾犪狋犻狏犲犿狅犻狊狋狌狉犲，狊狅犻犾狋犲犿狆犲狉犪狋狌狉犲犪狀犱狊狅犻犾犿狅犻狊狋狌狉犲
犱狌狉犻狀犵狋犺犲犵狉狅狑犻狀犵狊犲犪狊狅狀犻狀２０１０犪狀犱２０１１
２．２　群落地上生物量与各指数的相关性
根据统计分析的相关知识，对于小样本，利用ＳｈａｐｉｒｏＷｉｌｋ检验是否服从正态分布。检验结果其显著性水
平α为０．５６８，在０．０１水平上拒绝总体服从正态分布的假设，即总体不服从正态分布，因此采用Ｓｐｅａｒｍａｎ相关
系数分析地上生物量、ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ的相关性。相关分析表明，群落地上生物量与ＮＤＶＩ、ＥＶＩ和ＬＳＷＩ都
存在显著或极显著相关（表２）。其中ＥＶＩ与群落地上生物量的相关系数值最大，为０．８８７，达到了极显著水平；
ＮＤＶＩ与群落地上生物量的相关性也达到了极显著水平，相关系数为０．８０４；ＬＳＷＩ与群落地上生物量的相关性
３２１第２２卷第１期 草业学报２０１３年
最小，为０．５３７，且没有达到极显著相关。
２．３　群落地上生物量的单因子线性或非线性回归模
型的建立
剔除一些异常样本后，利用ＳＰＳＳ１７．０的曲线估
计功能建立群落地上生物量与ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ回
归模型，包括线性模型、对数模型、二次多项式模型、三
次多项式模型、幂函数模型、增长模型、指数模型等（表
３）。对于线性模型常数项不显著的情况，在模型中排
除常数项后重新拟合，发现方程和系数的显著性都达
到了０．００１水平。３个指数中ＥＶＩ在各个模型中的模
表２　地上生物量与植被指数的秩相关性分析
犜犪犫犾犲２　犃狀犪犾狔狊犻狊狅犳犛狆犲犪狉犿犪狀’狊狉犺狅犮狅狉狉犲犾犪狋犻狅狀犫犲狋狑犲犲狀
犪犫狅狏犲犵狉狅狌狀犱犫犻狅犿犪狊狊犪狀犱狏犲犵犲狋犪狋犻狅狀犻狀犱犻犮犲狊
项目Ｉｔｅｍ 生物量Ｂｉｏｍａｓｓ ＮＤＶＩ ＥＶＩ
ＮＤＶＩ ０．８０４
ＥＶＩ ０．８８７ ０．８８５
ＬＳＷＩ ０．５３７ ０．６０５ ０．７４５
　和分别代表显著性达到０．０５和０．０１水平。
　ａｎｄｉｎｄｉｃａｔｅｓｉｇｎｉｆｉｃａｎｔｃｏｒｒｅｌａｔｉｏｎａｔｔｈｅ０．０５ｌｅｖｅｌａｎｄ０．０１
ｌｅｖｅｌ，ｒｅｓｐｅｃｔｉｖｅｌｙ．
拟效果都是最好的，其犚２ 值都在０．７以上；犘值也都达到了０．００１的水平；ＮＤＶＩ模拟的结果也较好，犚２ 最小值
也在０．６以上，但是在各个模型中的表现都不如ＥＶＩ；ＬＳＷＩ的模拟效果最差，最大的犚２ 仅为０．３４１。从各模型
的拟合效果来看，利用线性模型进行ＮＤＶＩ和ＥＶＩ模拟地上生物量的拟合效果都是最好的，犚２ 都达到０．９以
上；其次是幂函数模型，其在ＮＤＶＩ和ＥＶＩ拟合时的犚２ 分别为０．６５７和０．８０６（表３）；利用增长模型和指数模型
进行ＬＳＷＩ模拟地上生物量的效果相同且最好，但其犚２ 值都只有０．３４１；增长模型和指数模型对各指数模拟地
上生物量的效果相同，这说明了两者在数学上的等同关系。二次多项式模型和三次多项式模型的模拟结果中都
有某些系数不显著，故此二者不适合于ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ对地上生物量的遥感模拟，因此本研究不采纳其模拟
结果。对数模型和幂函数模型要求自变量为正值，而本研究中的ＬＳＷＩ有多个为负值的样本点，因此，达不到模
型的要求，不能建立地上生物量与ＬＳＷＩ的对数和幂函数模型。
对比模拟结果（图２），有以下结论：１）在选择植被指数进行高寒草甸地上生物量的遥感模拟时，ＥＶＩ为最好
的植被指数，ＮＤＶＩ也能获得较好的拟合结果，但是效果不如ＥＶＩ；２）在选择拟合模型时，应优先选择线性模型和
幂函数模型，而二次多项式模型和三次多项式模型都应该不予考虑，增长模型和指数模型选用一个即可，因为二
者在数学上等价；３）在评价模型的拟合效果时要综合考虑多方面的因素，在考虑方程的拟合优度系数犚２ 和显著
性水平犘的同时，要考虑方程各个系数的显著性水平。
２．４　回归模型的验证
根据群落地上生物量与ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ的模拟结果，选择ＥＶＩ为模型验证的参数指标。预测模型选用
线性模型、对数模型、幂函数模型、增长模型，排除二次曲线模型、三次多项式模型和与增长模型等价的指数模型。
首先以ＥＶＩ为变量建立的线性函数、对数函数、幂函数、增长函数为预测模型，结合验证样地的ＥＶＩ数据得
到预测值，同时得到的还有预测上限和预测下限。然后将实测值与预测值进行配对样本狋检验，以此判断两者之
间是否存在显著差异。最后根据公式（４）和公式（５）计算相对误差和平均估计精度。狋检验结果表明，利用ＥＶＩ
线性模型、对数模型、幂函数模型模拟的群落地上生物量预测值与群落地上生物量观测值之间都无显著性差异，
其概率水平犘分别为０．０９６，０．７６３，０．０８０，即在显著性水平α为０．０５时，认为预测值与实测值总体不存在显著
差异。用增长模型进行预测时，其预测值与实测值之间差异的概率水平犘＝０．０２５，在０．０５的显著性水平上认为
预测值与实测值存在显著性差异，说明增长模型的预测效果较差。
图３反映了利用ＥＶＩ建立的各模型预测的绝对误差和相对误差，可以看出幂函数模型有最好的预测效果，
对数模型的预测效果最差，其预测值与实测值的最大差距能达到１１．５ｇ／ｍ２。线性模型和幂函数模型的预测相
对误差比较相近，对数模型的相对误差变化较大。从预测的平均误差来看，幂函数模型的平均误差最小，为
９．７６％；线性模型的平均误差为１０．８％；增长模型和对数模型的平均误差分别为１３．８６％和２８．８９％。可见幂函
数模型和线性模型都能很好的预测群落地上生物量；增长模型预测的平均误差虽然也较小，但是其预测值与实测
值之间存在显著差异，因此不能用于预测；对数模型的预测结果不够稳定，波动性太大，也不适合于预测。验证结
果表明线性模型和幂函数模型不仅有较好的模拟效果，也有很好的预测效果，幂函数模型的预测效果相对较线性
模型的预测效果好。
４２１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．１
表３　地上生物量与归一化植被指数、增强型植被指数以及地表水分指数的线性或非线性回归分析
犜犪犫犾犲３　犚犲犵狉犲狊狊犻狅狀犪狀犪犾狔狊犻狊犫犲狋狑犲犲狀犪犫狅狏犲犵狉狅狌狀犱犫犻狅犿犪狊狊犪狀犱犖犇犞犐，犈犞犐犪狀犱犔犛犠犐，狉犲狊狆犲犮狋犻狏犲犾狔
模型
Ｍｏｄｅｌ
植被指数
Ｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ
方程
Ｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎｓ
犚２ 犘 备注
Ｎｏｔｅ
线性
Ｌｉｎｅａｒ
ＮＤＶＩ 狔＝１１５．４７８狓 ０．９５６ ＜０．００１ 不含常数项的结果 Ｒｅｓｕｌｔｓｗｉｔｈｏｕｔｃｏｎｓｔａｎｔｔｅｒｍ
ＥＶＩ 狔＝１７４．２２５狓 ０．９７５ ＜０．００１ 不含常数项的结果 Ｒｅｓｕｌｔｓｗｉｔｈｏｕｔｃｏｎｓｔａｎｔｔｅｒｍ
ＬＳＷＩ 狔＝８３．９４狓＋４８．４９６ ０．２７９ ０．０２９
对数
Ｌｏｇａｒｉｔｈｍｉｃ
ＮＤＶＩ 狔＝４１．１３７ｌｎ狓＋８６．６００ ０．６１６ ＜０．００１
ＥＶＩ 狔＝４５．１８６ｌｎ狓＋１０８．２１６ ０．７３９ ＜０．００１
ＬＳＷＩ － ＬＳＷＩ负值太多，未达拟合条件 Ｃａｎｎｏｔｍｅｅｔｔｈｅｆｉｔ
ｔｉｎｇｒｅｑｕｉｒｅｍｅｎｔｓｆｏｒｔｏｏｍａｎｙｎｅｇａｔｉｖｅＬＳＷＩｖａｌｕｅｓ
二次曲线
Ｑｕａｄｒａｔｉｃ
ＮＤＶＩ 狔＝－１０９．２０７狓２＋１９７．８３５狓－１３．０８５ ０．６２１ ０．００１ 各个系数不显著，不采纳 Ｔｈｅｃｏｅｆｆｉｃｉｅｎｔｓａｒｅｎｏｔｓｉｇ
ｎｉｆｉｃａｎｔ，ｎｏｔａｄｏｐｔ
ＥＶＩ 狔＝１９０．７７５狓２＋７７．９３６狓＋１０．６４２ ０．７７０ ＜０．００１ 各个系数不显著，不采纳 Ｔｈｅｃｏｅｆｆｉｃｉｅｎｔｓａｒｅｎｏｔｓｉｇ
ｎｉｆｉｃａｎｔ，ｎｏｔａｄｏｐｔ
ＬＳＷＩ 狔＝－３１４．９０１狓２＋８８．７５５狓＋５２．０１ ０．３５７ ０．０４５ 二次项系数不显著，不采纳 Ｔｈｅｑｕａｄｒａｔｉｃｃｏｅｆｆｉｃｉｅｎｔ
ｉｓｎｏｔｓｉｇｎｉｆｉｃａｎｔ，ｎｏｔａｄｏｐｔ
三次多项式
Ｃｕｂｉｃ
ＮＤＶＩ 狔＝－４４２．３４５狓３＋４６６．８５５狓２－
４５．９５２狓＋１８．６４６
０．６２６ ０．００４ 各个系数不显著，不采纳 Ｔｈｅｃｏｅｆｆｉｃｉｅｎｔｓａｒｅｎｏｔｓｉｇ
ｎｉｆｉｃａｎｔ，ｎｏｔａｄｏｐｔ
ＥＶＩ － 拟合方程与二次曲线一样 Ｔｈｅｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎｉｓ
ｔｈｅｓａｍｅｗｉｔｈｑｕａｄｒａｔｉｃｅｑｕａｔｉｏｎ
ＬＳＷＩ 狔＝ －１９５６．６７７狓３＋１８１．０５３狓２＋
２３３．１１９狓＋４０．０３７
０．３６０ ０．１１２ 只有常数项显著，不采纳 Ｏｎｌｙｔｈｅｃｏｎｓｔａｎｔｔｅｒｍｉｓ
ｓｉｇｎｉｆｉｃａｎｔ，ｎｏｔａｄｏｐｔ
幂函数
Ｐｏｗｅｒ
ＮＤＶＩ 狔＝１０８．１８狓０．９３４ ０．６５７ ＜０．００１
ＥＶＩ 狔＝１７９．７４１狓１．０３９ ０．８０６ ＜０．００１
ＬＳＷＩ － ＬＳＷＩ负值太多，未达拟合条件 Ｃａｎｎｏｔｍｅｅｔｔｈｅｆｉｔ
ｔｉｎｇｒｅｑｕｉｒｅｍｅｎｔｓｆｏｒｔｏｏｍａｎｙｎｅｇａｔｉｖｅＬＳＷＩｖａｌｕｅｓ
增长模型
Ｇｒｏｗｔｈ
ＮＤＶＩ 狔＝ｅ２．２４狓＋２．８８６ ０．６０６ ＜０．００１
ＥＶＩ 狔＝ｅ４．０６２狓＋２．６８４ ０．７９１ ＜０．００１
ＬＳＷＩ 狔＝ｅ２．０４３狓＋３．８２ ０．３４１ ０．０１４
指数
Ｅｘｐｏｎｅｎｔｉａｌ
ＮＤＶＩ 狔＝１７．９２８ｅ２．２４狓 ０．６０６ ＜０．００１
ＥＶＩ 狔＝１４．６４６ｅ４．０６２狓 ０．７９１ ＜０．００１
ＬＳＷＩ 狔＝４５．５８７ｅ２．０４３狓 ０．３４１ ０．０１４
３　讨论
３．１　群落地上生物量的估算模型
相比光能利用率模型、生态过程模型、气候因子回归模型等方法而言，以植被指数为核心的遥感估算模型具
有较高的时空分辨率、对地表植被叶绿素含量敏感、成本低等优点，在越来越多遥感数据可以免费使用的今天，其
优势越来越明显。植被在不同波段的光谱特征能反应植被的不同要素或者某种特征的差异，植被指数利用多个
光谱波段的反射率经分析运算（线性或非线性组合方式），产生对于植被长势、生物量等有一定指示意义的数值。
这是利用植被指数进行地上生物量估算的理论基础。直接建立植被指数与地上生物量的相关关系，利用这种相
关性进行区域估算屡见报道。杜自强等［２３］建立了山丹县草地地上生物量的遥感估算模型，建立了ＤＶＩ与地上
生物量的线性估算模型，其犚２ 为０．７５８９，本研究利用了ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ三种指数，取得了更好的效果，其中
５２１第２２卷第１期 草业学报２０１３年
图２　犖犇犞犐和犈犞犐的线性模型和幂函数模型拟合
犉犻犵．２　犔犻狀犲犪狉犳犻狋狋犻狀犵犪狀犱狆狅狑犲狉犳犻狋狋犻狀犵狅犳犖犇犞犐犪狀犱犈犞犐
图３　各模型预测绝对误差与相对误差
犉犻犵．３　犜犺犲犪犫狊狅犾狌狋犲犲狉狉狅狉犪狀犱狉犲犾犪狋犻狏犲犲狉狉狅狉狅犳犲犪犮犺犿狅犱犲犾狆狉犲犱犻犮狋犻狅狀
　各组柱状图上数字表示相对误差，单位％ Ｔｈｅｎｕｍｂｅｒｕｐｏｎｅａｃｈｂａｒｃｈａｔｓｈｏｗｓｔｈｅｒｅｌａｔｉｖｅｅｒｒｏｒａｎｄｔｈｅｕｎｉｔｉｓ％．ａ：线性模型预测效果Ｔｈｅｒｅ
ｓｕｌｔｏｆｌｉｎｅａｒｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ；ｂ：对数模型预测效果Ｔｈｅｒｅｓｕｌｔｏｆｌｏｇａｒｉｔｈｍｉｃｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ；ｃ：幂函数模型预测效果Ｔｈｅｒｅｓｕｌｔｏｆｐｏｗｅｒｐｒｅｄｉｃ
ｔｉｏｎｍｏｄｅｌ；ｄ．指数模型预测效果 Ｔｈｅｒｅｓｕｌｔｏｆｅｘｐｏｎｅｎｔｉａｌｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌ．ＡＮＰＰ：Ａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ．
６２１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．１
ＮＤＶＩ和ＥＶＩ与地上生物量的线性估算犚２ 都在０．９以上，说明ＮＤＶＩ与ＥＶＩ较ＤＶＩ能更好的估算高寒草甸地
上生物量。本研究中ＥＶＩ对地上生物量的拟合效果较ＮＤＶＩ好，与王正兴等［７］在锡林郭勒草原的研究结果一
致。这也与两者的理论基础相符合，虽然ＥＶＩ和ＮＤＶＩ都受波段宽度与波段位置的影响，但ＥＶＩ较ＮＤＶＩ相比
进行了土壤背景调整和大气修正，因此模拟结果ＥＶＩ较好［２８］。王红岩等［３］利用 ＮＤＶＩ模拟草地地上生物量的
结果，其犚２ 为０．７９，也小于本研究的结果，这有可能是由于本研究的研究区域较小，植被覆盖比较均一造成的。
以上研究有一个普遍的现象就是ＮＤＶＩ和ＥＶＩ与地上生物量的线性拟合模型都存在常数项，这就是说当植被指
数为０时地上生物量不为０，而当ＮＤＶＩ和ＥＶＩ为０时，理论上地上生物量也应该为０。本研究在进行模型拟合
时发现线性拟合模型的常数项不显著，所以在排除常数项后进行了重新拟合。另外在本研究区域２０１０年与
２０１１年气候差异较大，且２０１１年的水温条件更适合于群落地上生物量的积累，也就是说２年的植被覆盖度将有
较大差异。因此，本研究利用了２０１０年与２０１０年２个生长季节的数据进行拟合，扩大了模型的适用范围。本研
究利用ＬＳＷＩ估算地上生物量的效果不好，这可能是由于ＬＳＷＩ对高寒草甸不敏感造成的。
以植被指数为核心的遥感估算模型虽然有很多优势，但是在其大范围应用之前应该对不同的植被类型进行
遥感估算模型的研究，确定合适的研究指标和研究手段。本研究的目的就是探讨藏北典型高寒草甸地上生物量
的最佳估算模型和指标，以期更精确的估算高寒草甸地上生物量，进而为合理载畜量的确定提供相关的基础数
据。当然利用植被指数构建的统计模型也有诸多限制，例如受制于建立模型时所采用的观测资料的时间尺度，只
适用于对现实生产力进行评估等。
３．２　遥感数据选取和遥感估算模型的评价
如今遥感技术进步飞快，各种空间分辨力和时间分辨率的遥感器数目繁多。在这些遥感数据中选择ＭＯＤＩＳ
数据作为数据源基于以下原因：１）ＭＯＤＩＳ数据的时间分辨率从天到年的都有，具有较大的选择余地，而且便于
在不同的时间尺度上进行研究；２）ＭＯＤＩＳ数据属于中空间分辨率数据，适合于区域和大尺度的研究；３）ＭＯＤＩＳ
产品种类多，既有现成的植被指数产品，也有不同波段的地表反射率数据，可以适合不同的研究目的；４）ＭＯＤＩＳ
数据可以免费使用，下载方便。最后选择 ＭＹＤ０９Ａ１作为数据源，其时间分辨率为８ｄ，符合进行地上生物量监
测的时间周期，因为在较短时间内地上生物量不会发生很大变化，但是采用１６ｄ分辨率的数据产品又显得监测
周期太长。ＭＯＤ０９Ａ１包含和 ＭＹＤ０９Ａ１同样的数据，但是 ＭＯＤ０９Ａ１在本研究区域的图像质量较差。综合本
研究的遥感数据选取过程可以得出：在选取 ＭＯＤＩＳ产品时应该兼顾时间分辨率与空间分辨率；在选定数据前应
该先探查其在实验区域的图像质量，同时确定使用的波段。此外，在数据处理过程中应该预先利用质量控制数据
剔除图像中数据质量不好的点。
对于遥感估算模型的评价应该从多方面进行，综合考虑拟合效果和预测效果等因素。本研究评价遥感估算
模型的拟合效果时，采用了被广泛使用的拟合优度系数犚２ 和显著性水平犘值作为主要评价指标，但是也考虑了
拟合模型各系数的显著性水平，如当常数项不显著时将其去掉后重新拟合或者不采纳模型的拟合结果。此外，本
研究参考拟合效果选取了预测指标，并采用绝对误差、相对误差、平均误差等指标综合评价了模型的预测效果。
在本研究中，ＥＶＩ幂函数模型验证效果比线性函数的效果好，这可能是由于验证样本较少造成的，而且两者之间
的差别并不显著。
４　结论
利用ＮＤＶＩ、ＥＶＩ、ＬＳＷＩ建立了藏北高寒草甸群落地上生物量的遥感估算模型，通过拟合优度检验和模型验
证发现ＮＤＶＩ与ＥＶＩ都能较好的模拟群落地上生物量，但是ＬＳＷＩ在藏北高寒草甸群落地上生物量的估算中效
果较差。１）地上生物量受气候因素的影响较大，且其对气候变化的反馈迅速，研究区域２０１１年群落地上生物量
高于２０１０年；２）在本研究区域内群落地上生物量与ＮＤＶＩ和ＥＶＩ的相关性分别为０．８８７和０．８０４，且都达到极
显著水平，与ＬＳＷＩ的相关性为０．５３７，达到显著性水平。ＮＤＶＩ和ＥＶＩ都与地上生物量有明显的线性或者幂函
数关系，ＬＳＷＩ与地上生物量无显著的回归关系；３）线性模型对于植被指数模拟地上生物量的效果最好，但是验
证结果表明幂函数模型的预测效果更稳健。
７２１第２２卷第１期 草业学报２０１３年
参考文献：
［１］　赵英时．遥感应用分析原理与方法［Ｍ］．北京：科学出版社，２００３：３７４３８２．
［２］　付刚，周宇庭，沈振西，等．藏北高原高寒草甸地上生物量与气候因子的关系［Ｊ］．中国草地学报，２０１１，３３（４）：３１３６．
［３］　王红岩，高志海，王?瑜，等．基于ＳＰＯＴ５遥感影像丰宁县植被地上生物量估测研究［Ｊ］．遥感技术应用，２０１０，２５（５）：６３９
６４６．
［４］　李霞．北疆地区草地地上生物量遥感监测研究［Ｄ］．兰州：兰州大学，２００８．
［５］　王小平，郭铌，张凯，等．甘南牧区草地地上生物量的高光谱遥感估算模型［Ｃ］．第２７届中国气象学会年会干旱半干旱区地
气相互作用分会场论文集，２０１０．
［６］　张凡，祁彪，温飞，等．不同利用程度高寒干旱草地碳储量的变化特征分析［Ｊ］．草业学报，２０１１，２０（４）：１１１８．
［７］　王正兴，刘闯，赵冰茹，等．利用 ＭＯＤＩＳ增强型植被指数反演草地地上生物量［Ｊ］．兰州大学学报：自然科学版，２００５，
４１（２）：１０１６．
［８］　ＰｒｉｎｃｅＳＤ，ＴｕｃｋｅｒＣＪ．ＳａｔｅｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｒａｎｇｅｌａｎｄｓｉｎＢｏｔｓｗａｎａＩＩ．ＮＯＡＡＡＶＨＲＲａｎｄｈｅｒｂａｃｅｏｕｓｖｅｇｅｔａｔｉｏｎ［Ｊ］．Ｉｎｔｅｒ
ｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９８６，７（１１）：１５５５１５７０．
［９］　ＪｕｓｔｉｃｅＣＯ，ＨｉｅｒｎａｕｘＰＨＹ．ＭｏｎｉｔｏｒｉｎｇｔｈｅｇｒａｓｓｌａｎｄｓｏｆｔｈｅＳａｈｅｌｕｓｉｎｇＮＯＡＡＡＶＨＲＲｄａｔａ：Ｎｉｇｅｒ１９８３［Ｊ］．Ｉｎｔｅｒｎａ
ｔｉｏｎａｌＪｏｕｒｎａｌｏｆＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９８６，７（１１）：１４７５１４９７．
［１０］　陈鹏飞，王卷乐，廖秀英，等．基于环境减灾卫星遥感数据的呼伦贝尔草地地上生物量反演研究［Ｊ］．自然资源学报，２０１０，
２５（７）：１１２２１１３１．
［１１］　ＬｉｕＨＱ，ＨｕｅｔｅＡ．ＡｆｅｅｄｂａｃｋｂａｓｅｄｍｏｄｉｆｉｃａｔｉｏｎｏｆｔｈｅＮＤＶＩｔｏｍｉｎｉｍｉｚｅｃａｎｏｐｙｂａｃｋｇｒｏｕｎｄａｎｄａｔｍｏｓｐｈｅｒｉｃｎｏｉｓｅ［Ｊ］．
ＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ，１９９５，３３（２）：４５７４６５．
［１２］　ＤｅｅｒｉｎｇＤＷ．Ｒａｎｇｅｌａｎｄｒｅｆｌｅｃｔａｎｃｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｍｅａｓｕｒｅｄｂｙａｉｒｃｒａｆｔａｎｄｓｐａｃｅｃｒａｆｔｓｅｎｓｏｒｓ［Ｄ］．ＣｏｌｅｇｅＳｔａｔｉｏｎ，Ｔｅｘａｓ：
ＴｅｘａｓＡ＆ ＭＵｎｉｖｅｒｓｉｔｙ，１９８４．
［１３］　王莺，夏文韬，梁天刚．基于ＣＡＳＡ模型的甘南地区草地净初级生产力时空动态遥感模拟［Ｊ］．草业学报，２０１１，２０（４）：３１６
３２４．
［１４］　ＸｉａｏＸ，ＨｏｌｉｎｇｅｒＤ，ＡｂｅｒＪ，犲狋犪犾．Ｓａｔｅｌｉｔｅｂａｓｅｄｍｏｄｅｌｉｎｇｏｆｇｒｏｓｓｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｉｎａｎｅｖｅｒｇｒｅｅｎｎｅｅｄｌｅｌｅａｆｆｏｒｅｓｔ［Ｊ］．Ｒｅ
ｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，８９（４）：５１９５３４．
［１５］　ＭａｋｉＭ，ＩｓｈｉａｈｒａＭ，ＴａｍｕｒａＭ．Ｅｓｔｉｍａｔｉｏｎｏｆｌｅａｆｗａｔｅｒｓｔａｔｕｓｔｏｍｏｎｉｔｏｒｔｈｅｒｉｓｋｏｆｆｏｒｅｓｔｆｉｒｅｓｂｙｕｓｉｎｇｒｅｍｏｔｅｌｙｓｅｎｓｅｄ
ｄａｔａ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００４，９０（４）：４４１４５０．
［１６］　张友水，谢元礼．ＭＯＤＩＳ影像的 ＮＤＶＩ和ＬＳＷＩ植被水分含量估算［Ｊ］．地理科学，２００８，２８（１）：７２７６．
［１７］　杨元合，饶胜，胡会峰，等．青藏高原高寒草地植物物种丰富度及其与环境因子和生物量的关系［Ｊ］．生物多样性，２００４，
１２（１）：２００２０５．
［１８］　徐玲玲．西藏高原高寒草甸净生态系统碳通量的观测与模拟及其对全球变化的响应［Ｄ］．北京：中国科学院地理科学与资源
研究所，２００６．
［１９］　高清竹，万运帆，李玉娥，等．基于ＣＡＳＡ 模型的藏北地区草地植被净第一性生产力及其时空格局［Ｊ］．应用生态学报，
２００７，１８（１１）：２５２６２５３２．
［２０］　曾慧卿，刘琪瞡，冯宗炜，等．基于ＢＩＯＭＥＢＧＣ模型的红壤丘陵区湿地松（犘犻狀狌狊犲犾犾犻狅狋狋犻犻）人工林 ＧＰＰ和 ＮＰＰ［Ｊ］．生态
学报，２００８，２８（１１）：５３１４５３２１．
［２１］　冯险峰．基于过程的中国陆地生态系统生产力和蒸散遥感研究［Ｄ］．北京：中国科学院地理科学与资源研究所，２００４．
［２２］　黄德青，于兰，张耀生，等．祁连山北坡天然草地地上生物量及其与土壤水分关系的比较研究［Ｊ］．草业学报，２０１１，２０（３）：
２０２７．
［２３］　杜自强，王建，沈宇丹．山丹县草地地上生物量遥感估算模型［Ｊ］．遥感技术与应用，２００６，２１（４）：３３８３４３．
［２４］　徐玲玲，张宪洲，石培礼，等．青藏高原高寒草甸生态系统净二氧化碳交换量特征［Ｊ］．生态学报，２００５，２５（８）：１９４８１９５２．
［２５］　付刚，沈振西，张宪洲，等．基于 ＭＯＤＩＳ影像的藏北高寒草甸的蒸散模拟［Ｊ］．草业学报，２０１０，１９（５）：１０３１１２．
［２６］　张冰松．藏北高寒草甸退化与恢复过程群落特征、生物量分配及土壤养分的变化［Ｄ］．北京：中国科学院地理科学与资源研
究所，２００９．
［２７］　薛薇．ＳＰＳＳ统计分析方法及应用［Ｍ］．北京：电子工业出版社，２００４．
８２１ ＡＣＴＡＰＲＡＴＡＣＵＬＴＵＲＡＥＳＩＮＩＣＡ（２０１３） Ｖｏｌ．２２，Ｎｏ．１
［２８］　刘睿，孙九林，张金区，等．中国北方草地覆被的 ＨＪ星ＮＤＶＩ校正研究［Ｊ］．草业学报，２０１１，２０（１）：１８９１９８．
犈狊狋犻犿犪狋犻狅狀犿狅犱犲犾狅犳犪犫狅狏犲犵狉狅狌狀犱犫犻狅犿犪狊狊犻狀狋犺犲犖狅狉狋犺犲狉狀犜犻犫犲狋犘犾犪狋犲犪狌犫犪狊犲犱狅狀狉犲犿狅狋犲狊犲狀狊犻狀犵犱犪狋犲
ＺＨＯＵＹｕｔｉｎｇ１，２，ＦＵＧａｎｇ１，２，ＳＨＥＮＺｈｅｎｘｉ１，ＺＨＡＮＧＸｉａｎｚｈｏｕ１，
ＷＵＪｉａｎｓｈｕａｎｇ１，２，ＬＩＹｕｎｌｏｎｇ１，２，ＹＡＮＧＰｅｎｇｗａｎ１，２
（１．ＬｈａｓａＰｌａｔｅａｕＥｃｏｓｙｓｔｅｍＲｅｓｅａｒｃｈＳｔａｔｉｏｎ，ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＥｃｏｓｙｓｔｅｍＮｅｔｗｏｒｋ
ＯｂｓｅｒｖａｔｉｏｎａｎｄＭｏｄｅｌｉｎｇ，ＩｎｓｔｉｔｕｔｅｏｆＧｅｏｇｒａｐｈｉｃＳｃｉｅｎｃｅａｎｄＮａｔｕｒａｌＲｅｓｏｕｒｃｅｓ
Ｒｅｓｅａｒｃｈ，Ｂｅｉｊｉｎｇ１００１０１，Ｃｈｉｎａ；２．ＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎｅｓｅＡｃａｄｅｍｙ
ｏｆＳｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ１０００４９，Ｃｈｉｎａ）
犃犫狊狋狉犪犮狋：Ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ（ＮＤＶＩ），ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ（ＥＶＩ）ａｎｄｌａｎｄｓｕｒ
ｆａｃｅｗａｔｅｒｉｎｄｉｃｅｓ（ＬＳＷＩ）ｗｅｒｅｃａｌｃｕｌａｔｅｄｂａｓｅｄｏｎＭＹＤ０９Ａ１ｄｕｒｉｎｇ２０１０－２０１１ｔｏｅｓｔｉｍａｔｅｔｈｅａｂｏｖｅｇｒｏｕｎｄ
ｂｉｏｍａｓｓ（ＡＮＰＰ）ｉｎｔｈｅＮｏｒｔｈｅｒｎＴｉｂｅｔＰｌａｔｅａｕｕｓｉｎｇｒｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓ．Ａｉｒｔｅｍｐｅｒａｔｕｒｅ，ａｉｒｍｏｉｓｔｕｒｅ，ｓｏｉｌ
ｔｅｍｐｅｒａｔｕｒｅａｎｄｓｏｉｌｍｏｉｓｔｕｒｅ ｗｅｒｅｃｏｍｐａｒｅｄｉｎ２０１０ａｎｄ２０１１ ｗｈｅｎｔｈｅｒｅ ｗａｓａｇｒｅａｔｄｉｆｆｅｒｅｎｃｅｉｎ
ａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｄｕｒｉｎｇｔｈｅｔｗｏｙｅａｒｓ．Ｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓｂｅｔｗｅｅｎａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｖｅｇｅｔａｔｉｏｎ
ｉｎｄｉｃｅｓｓｈｏｗｅｄｔｈａｔｓｉｎｇｌｅｆａｃｔｏｒｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌｗｏｕｌｄｂｅｓｕｆｆｉｃｉｅｎｔｔｏｒｅｆｌｅｃｔｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎ
ａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ．ＲｅｇｒｅｓｓｉｏｎａｎａｌｙｓｉｓｓｈｏｗｅｄｔｈａｔｂｏｔｈＮＤＶＩａｎｄＥＶＩｃｏｕｌｄｂｅ
ｕｓｅｄｔｏｅｓｔｉｍａｔｅａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ，ｈｏｗｅｖｅｒＬＳＷＩｐｅｒｆｏｒｍｅｄｒｅｌａｔｉｖｅｌｙｐｏｏｒ．Ｔｈｅｓｉｍｐｌｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ
ｍｏｄｅｌｂｅｓｔｒｅｆｌｅｃｔｅｄｔｈｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｗｈｉｌｅｔｈｅｐｏｗｅｒｆｉｔ
ｔｉｎｇｗａｓｎｏｔｑｕｉｔｅａｓｇｏｏｄａｓｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎ．ＴｈｅｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎＮＤＶＩ，ＥＶＩａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏ
ｍａｓｓｃａｎｂｅｅｘｐｒｅｓｓｅｄｂｙｔｈｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｅｑｕａｔｉｏｎ：ＡＮＰＰ＝１１５．４７８ＮＤＶＩ（犚２＝０．９５６，犘＜０．００１）ａｎｄ
ＡＮＰＰ＝１７４．２２５ＥＶＩ（犚２＝０．９７５，犘＜０．００１）．Ｒｅｓｕｌｔｓｏｆｖｅｒｉｆｉｃａｔｉｏｎｓｈｏｗｅｄｔｈａｔｔｈｅｐｏｗｅｒｍｏｄｅｌｈａｄａｂｅｔ
ｔｅｒｅｓｔｉｍａｔｉｎｇｃａｐａｂｉｌｉｔｙｔｈａｎｔｈｅｌｉｎｅａｒｍｏｄｅｌ．ＷｈｅｎｔｈｅｐｏｗｅｒｍｏｄｅｌｗａｓｕｓｅｄｔｏｅｓｔｉｍａｔｅＡＮＰＰ，ｔｈｅｒｅｌａ
ｔｉｖｅｅｒｒｏｒｗａｓ９．７６％ｃｏｍｐａｒｅｄｗｉｔｈ１０．８％ｆｏｒｔｈｅｌｉｎｅａｒｍｏｄｅｌ．Ｔｈｉｓｄｉｆｆｅｒｅｎｃｅｄｅｍｏｎｓｔｒａｔｅｄｔｈａｔｔｈｅｐｏｗｅｒ
ｍｏｄｅｌｍａｙｂｅｍｏｒｅｒｏｂｕｓｔｉｎｅｓｔｉｍａｔｉｎｇｔｈｅＡＮＰＰ．
犓犲狔狑狅狉犱狊：ＮｏｒｔｈｅｒｎＴｉｂｅｔＰｌａｔｅａｕ；ａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ；ａｌｐｉｎｅｍｅａｄｏｗ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ；ｅｓｔｉｍａｔｉｎｇｍｏｄｅｌ
９２１第２２卷第１期 草业学报２０１３年