全 文 :书植被指数在典型草原生物量遥感估测
应用中的问题探讨
张艳楠1,牛建明1,2,张庆1,杨艳1,董建军1
(1.内蒙古大学生命科学学院,内蒙古 呼和浩特010021;2.中美生态、能源及可持续性科学研究中心,内蒙古 呼和浩特010021)
摘要:遥感技术兴起于20世纪60年代初,随后被广泛应用于草地遥感估产研究,通过不同尺度数据之间建立植被
指数—生物量函数关系来完成由点及面的转换。本研究选用了14种常用于草地估产的植被指数,对内蒙古锡林
浩特市白音锡勒典型草原分别建立植被指数—干重、植被指数—鲜重的回归模型并对14种植被指数进行DCA分
析发现,1)鲜重及干重应用在草地生物量遥感估测中均是可行的,但干重效果要优于鲜重,考虑到实验条件限制,
鲜重具有更广泛的应用;2)DCA排序的第一、二轴分别代表土壤、大气的影响,且土壤是影响植被指数最主要的因
子;DCA排序将14个植被指数分为4类,综合排除了土壤及大气影响的一类植被指数,也就是归一化差异植被指
数及由其衍生的土壤调整植被指数、修改型土壤调整植被指数效果最好;3)经验数据显示:当生物量低于370g/m2
时,建立的估产模型都是一元线性的;当生物量在370~720g/m2 时,一元线性模型和指数模型的模拟效果都很
好;当生物量高于720g/m2 时,估产模型都是指数的,因此,随着生物量范围的增大,模型逐渐由一元线性趋近于
指数模型。
关键词:草地估产;植被指数;DCA排序;模型趋势
中图分类号:S812.29 文献标识码:A 文章编号:10045759(2012)01022910
遥感技术兴起于20世纪60年代初,由于其具有宏观、快速、准确、动态等优点,因此被广泛应用于估产[13]、
土地利用动态监测[46]、水质评价[79]、灾害监测[1012]等方面。随着遥感技术的发展,20世纪70年代后期遥感信
息作为变量被引入到估产模型中[13],研究者结合农学知识和环境因素预测农作物、草地产量等。我国草地卫星
遥感研究始于20世纪80年代初[14],研究区多集中在我国新疆北部[1518]和内蒙古地区[1922],现已建立了大量的
遥感估产模型,目前,遥感技术(RS)、地理信息系统技术(GIS)和全球定位技术(GPS)与地面测点的结合己成为
大尺度草产量动态监测的主要手段。
遥感估产是以植被指数为主要输入变量的基于像元的数理统计回归分析方法,通过不同尺度数据之间建立
函数关系来完成由点及面的转换[23]。植被指数由卫星不同波段数据组合而成,由于其包含90%以上的植被信
息[24],且与植物生物量等很多植被要素之间存在强相关性[25],因此植被指数可以较好地反映植物的生长状况及
空间分布。Tucker[26]于1979年发现归一化差异植被指数(normalizeddifferencevegetationindex,NDVI)对光
合有效生物量的变化比较敏感,此后植被指数就被广泛应用于生物量的遥感估测,至今已发展了40余种植被指
数[27],其中应用最为广泛的是NDVI[28]。虽然大多数植被指数都可应用于遥感估产,但不同环境下的效果存在
争论[29,30],至今尚未明确各种植被指数间的相互关系及其适用范围。
关于草地估产的研究很多,所建立的植被指数—生物量模型迥异,模型基本为线性模型和非线性模
型[16,3133],主要包括一元线性模型、指数模型、对数模型、二次模型等。由于其生态学意义不明确及次数过高的多
项式模型容易过度拟合[34],因此二次及其以上多项式模型使用较少,一元线性模型和指数模型是较为成熟且应
用最广泛的类型[22]。Wu和Levin[3537]认为尺度是导致生态模型差异的一个主要原因,那么随着生物量范围的
第21卷 第1期
Vol.21,No.1
草 业 学 报
ACTAPRATACULTURAESINICA
229-238
2012年2月
收稿日期:20101101;改回日期:20110106
基金项目:国家科技支撑计划课题(2011BAC07B01),国家自然科学基金(31060320,30760158),高等学校博士学科点专项科研基金
(20070126004),“现代农业产业技术体系建设专项资金”及“内蒙古草地生态学重点实验室-省部共建国家重点实验室培育基地项
目(200702)”资助。
作者简介:张艳楠(1986),女,内蒙古赤峰人,在读硕士。Email:yannan59@sina.com
通讯作者。Email:jmniu2005@163.com
变化,一元线性模型和指数模型是否会因此具有不同的适用范围。
综上所述,本研究选用了14种常用于草地估产的植被指数,对内蒙古锡林浩特市白音锡勒典型草原进行生
物量遥感估测,拟解决如下3个问题:1)干重或鲜重均常用于草地生物量遥感估测,二者效果优劣如何;2)14种
植被指数之间关系如何,在草地生物量遥感估测中哪(几)种植被指数效果最优;3)随着生物量范围的逐渐增大,
一元线性模型和指数模型之间是否存在某种趋势。通过对以上3个问题的探讨,一方面尝试阐述估产模型差异
的可能原因———生物量范围差异;另一方面为以后草地生物量遥感估测提供技术上的理论依据及方法指导。
1 材料与方法
图1 研究区地理位置及样点分布图
犉犻犵.1 犜犺犲犾狅犮犪狋犻狅狀狅犳狊狋狌犱狔犪狉犲犪犪狀犱狊犪犿狆犾犲狊
1.1 研究区概况
研究区位于东经116.0304°~116.7901°、北纬
43.6920°~44.2659°(图1),地处内蒙古高原中东部锡
林郭勒盟的东南部,属锡林郭勒高原东南部低山丘陵
区的边缘部分,海拔1000~1500m。该区属于中温
带大陆性气候,冬季严寒漫长,夏季短暂凉爽,春秋季
多大风天气。研究区植被类型以典型草原为主,其中
以大针茅(犛狋犻狆犪犵狉犪狀犱犻狊)、羊草(犔犲狔犿狌狊犮犺犻狀犲狀狊犻狊)草
原占绝对优势。另外,在研究区的东部低山区分布着
以线叶菊(犉犻犾犻犳狅犾犻狌犿狊犻犫犻狉犻犮狌犿)、贝加尔针茅(犛狋犻狆犪
犫犪犻犮犪犾犲狀狊犻狊)和羊草建群的禾草杂类草草甸草原。此
外,在河漫滩及低洼处,有以芨芨草(犃犮犺狀犪狋犺犲狉狌犿
狊狆犾犲狀犱犲狀狊)、寸草苔(犆犪狉犲狓犱狌狉犻狌狊犮狌犾犪)等为主的盐生
和湿生草甸。
1.2 数据获取
2005年8月中旬,对研究区域进行了植被调查,
设置65个样地,每个样地采集3个1m×1m样方,记
录样方内所有植物的指标,如高度、密度等,并沿地面
分类剪取样方内植物,带回室内称取每种植物的鲜重,
后经烘干处理(65℃,24h)得到干重数据。为了尽可
能地避免非典型草原景观的干扰,剔除了一些靠近农
田或者小叶锦鸡儿(犆犪狉犪犵犪狀犪犿犻犮狉狅狆犺狔犾犻犪)斑块的样
地。最后,参与建模的样方共有60个。
在遥感数据方面,为了与地面调查数据在时间上匹配,购置了2005年8月15日的陆地卫星(Landsat5,TM)
数字图像。利用PCI软件对影像进行大气校正、几何校正后,计算各植被指数的值,并利用各样地记录的GPS定
位坐标,提取对应样地的各类植被指数。
1.3 植被指数选取
总结前人工作,从文献中选取常用于草地估产的14种植被指数。计算公式见表1。
1.4 数据分析
利用SPSS软件,分别建立各种植被指数与鲜重、干重的回归模型。在本研究中的回归模型选用一元线性、
指数函数、幂函数、对数函数4类。利用犜检验对鲜、干重的回归模型进行分析,检验两类回归模型之间是否具
有显著性差异。
利用Canoco软件中的DCA分析对所选用的14种植被指数进行排序和分类比较。
收集了国内公开发表利用15个以上样本建立一元线性或指数模型的文献,提取其生物量范围及对应的估产
模型函数类型,进行Logistic回归分析。Logistic回归分析是一种对二分类因变量(因变量Y取值有2种可能,0
032 ACTAPRATACULTURAESINICA(2012) Vol.21,No.1
或1)进行回归分析,经常采用非线性分类的统计方法。因为该方法具有变量解释性强、简单的特点,在本研究中
借助该方法对生物量范围及对应的估产模型函数类型进行回归分析,以期发现随草地生物量范围的增大,估产模
型可能出现的趋势。由于国内大部分工作都是针对鲜重的估测,且已发表的文献很少会给出生物量值,故本研究
只收集到21个鲜重模型[28,5260]。
表1 植被指数计算公式
犜犪犫犾犲1 犞犲犵犲狋犪狋犻狅狀犻狀犱犲狓犳狅狉犿狌犾犪
植被指数
Vegetation
index
名称
Designation
公式
Formula
来源
Origin
ARVI 大气阻抗植被指数Atmosphericalyresistantvegetationindex 犜犕4-犜犕3+θ
(犜犕1-犜犕3)
犜犕4+犜犕3-θ(犜犕1-犜犕3)
[38]
DVI 差值植被指数Differencevegetationindex 犜犕4-犜犕3 [39]
EVI 增强型植被指数Enhancedvegetationindex
犜犕4-犜犕3
犜犕4-犆1犜犕3+犆2犜犕1+犔
(1+犔) [40]
GNDVI 绿色归一化植被指数Greennormalizeddifferencevegetationindex 犜犕4-犜犕2犜犕4+犜犕2
[41]
IPVI 近红外百分比值植被指数Infraredpercentagevegetationindex 犜犕4犜犕4+犜犕3
[42]
MSAVI 修改型土壤调整植被指数 Modifiedsoiladjustedvegetationindex 2犜犕4+1- (2犜犕4+1)
2-8(犜犕4-犜犕3槡 )
2
[43]
NDVI 归一化差异植被指数Normalizeddifferencevegetationindex 犜犕4-犜犕3犜犕4+犜犕3
[44]
OSAVI 优化型土壤调整植被指数Optimizedsoiladjustedvegetationindex 犜犕4-犜犕3犜犕4+犜犕3+犡
[45]
PVI 垂直植被指数Perpendicularvegetationindex (0.335犜犕4-0.149犜犕3)2+(0.335犜犕3-0.852犜犕4)槡 2 [46]
RDVI 重归一化植被指数Renormalizeddifferencevegetativeindex 犖犇犞犐×槡 犚犞犐 [47]
RVI 比值植被指数Ratiovegetationindex 犜犕4犜犕3
[48]
SAVI 土壤调整植被指数Soiladjustedvegetationindex
(1+犔1)(犜犕4-犜犕3)
(犜犕4+犜犕3+犔1)
[49]
TVI 转换型植被指数Transformedvegetationindex 犖犇犞犐+0.槡 5 [50]
II 红外指数Infraredindex 犜犕5犜犕7
[51]
TMi:第i波段值Thevalueoftheithband;θ=1,犔=6,犆1=7.5,犆2=1,犡=0.16,犔1=0.5.
2 结果与分析
2.1 估产模型的建立
估产模型是建立自变量与因变量之间简单的回归模型,在本研究中自变量狓为各植被指数,因变量狔为鲜
重或干重。建立估产模型前,先要对植被指数及生物量进行相关性分析,其目的是检验两者之间关系的密切程
度,以及是否可根据所测样本数据来推断总体情况。本研究中的14种植被指数与鲜重、干重对应的相关系数如
表2。可见,除EVI、PVI外,其余12种植被指数均与鲜重、干重显著相关,故利用这12种植被指数来建立草地
估产模型是可行的。
132第21卷第1期 草业学报2012年
表2 植被指数与草地生物量间的相关系数
犜犪犫犾犲2 犜犺犲犮狅狉狉犲犾犪狋犻狅狀犮狅犲犳犳犻犮犻犲狀狋犫犲狋狑犲犲狀狏犲犵犲狋犪狋犻狅狀犻狀犱犲狓犪狀犱犵狉犪狊狊犾犪狀犱犫犻狅犿犪狊狊
项目Item 犖犇犞犐 犈犞犐 犘犞犐 犗犛犃犞犐 犕犛犃犞犐 犐犐 犜犞犐 犛犃犞犐 犚犇犞犐 犐犘犞犐 犌犖犇犞犐 犇犞犐 犃犚犞犐 犚犞犐
鲜重Freshweight0.614 0.288 0.148 0.6140.612 0.416 0.6130.6140.6140.6140.454 0.390 0.383 0.614
干重Dryweight 0.730 0.324 0.147 0.7300.724 0.5140.7280.7300.7320.7300.550 0.441 0.4900.736
:在0.01水平上显著相关;:在0.05水平上显著相关。
:Significantlycorrelatedatthe0.01level;:Significantlycorrelatedatthe0.05level.
在相关性分析的基础上,对12种植被指数和草地生物量进行回归分析,分别建立植被指数与干重、鲜重之间
的回归模型(表3)。通过对不同模型测算结果的比较与分析,可以看出,指数模型是4种回归模型当中拟合精度
最好的,其次依次为幂函数模型、一元线性回归模型,最差的是对数函数模型。
依据干重建立的回归模型的犚2 均比鲜重的要高,而且对鲜、干重建立的模型效果进行犜检验后,发现两者
差异显著(犘<0.01)。
表3 估产模型
犜犪犫犾犲3 犢犻犲犾犱犲狊狋犻犿犪狋犻狅狀犿狅犱犲犾
植被指数
Vegetationindex
函数类型
Function
干重Dryweight
模型 Model 犚2
鲜重Freshweight
模型 Model 犚2
NDVI 线性Linear 狔=824.676狓-105.389 0.533 狔=1833.207狓-225.244 0.377
对数Logarithmic 狔=206.344ln狓+390.442 0.508 狔=463.550ln狓+883.336 0.367
幂Powerfunction 狔=1333.900狓121.906 0.550 狔=3017.992狓1.911 0.449
指数Exponential 狔=13.992e7.536狓 0.565 狔=31.489e7.531狓 0.457
OSAVI 线性Linear 狔=825.681狓-105.344 0.533 狔=1835.577狓-225.180 0.377
对数Logarithmic 狔=206.344ln狓+390.735 0.508 狔=463.584ln狓+884.037 0.367
幂Powerfunction 狔=1337.301狓1.906 0.550 狔=3026.053狓1.911 0.448
指数Exponential 狔=13.999e7.545狓 0.565 狔=31.502e7.540狓 0.457
MSAVI 线性Linear 狔=651.375狓-157.338 0.524 狔=1454.861狓-343.656 0.374
对数Logarithmic 狔=256.066ln狓+340.863 0.502 狔=576.611ln狓+773.132 0.364
幂Powerfunction 狔=847.085狓2.369 0.545 狔=1917.499狓2.378 0.445
指数Exponential 狔=8.614e5.977狓 0.560 狔=19.307e5.983狓 0.455
II 线性Linear 狔=202.525狓-263.932 0.264 狔=432.931狓-544.954 0.173
对数Logarithmic 狔=390.879ln狓-129.171 0.273 狔=839.895ln狓-259.636 0.180
幂Powerfunction 狔=10.546狓3.675 0.306 狔=24.037狓3.652 0.245
指数Exponential 狔=2.998e1.899狓 0.295 狔=6.986e1.880狓 0.234
TVI 线性Linear 狔=1435.861狓-1142.167 0.530 狔=3197.858狓-2535.235 0.376
对数Logarithmic 狔=1248.202ln狓+281.432 0.526 狔=2785.111ln狓+635.989 0.375
幂Powerfunction 狔=482.419狓11.448 0.562 狔=1084.831狓11.454 0.456
指数Exponential 狔=13.145e0.001狓 0.564 狔=13.144e0.002狓 0.457
SAVI 线性Linear 狔=551.867狓-105.244 0.532 狔=1227.052狓-225.037 0.377
对数Logarithmic 狔=206.343ln狓+307.688 0.508 狔=463.650ln狓+697.522 0.367
幂Powerfunction 狔=620.944狓1.905 0.550 狔=1402.294狓1.911 0.448
指数Exponential 狔=14.015e5.042狓 0.564 狔=31.531e5.039狓 0.457
232 ACTAPRATACULTURAESINICA(2012) Vol.21,No.1
续表3 Continued
植被指数
Vegetationindex
函数类型
Function
干重Dryweight
模型 Model 犚2
鲜重Freshweight
模型 Model 犚2
RDVI 线性Linear 狔=410.319狓-164.540 0.535 狔=909.887狓-355.187 0.377
对数Logarithmic 狔=269.260ln狓+220.786 0.520 狔=602.215ln狓+501.201 0.372
幂Powerfunction 狔=277.258狓2.476 0.557 狔=623.711狓2.479 0.453
指数Exponential 狔=8.195e3.742狓 0.565 狔=18.495e3.735狓 0.457
IPVI 线性Linear 狔=1649.357狓-930.068 0.533 狔=3666.419狓-2058.454 0.377
对数Logarithmic 狔=1037.537ln狓+589.080 0.529 狔=2311.664ln狓+1320.910 0.376
幂Powerfunction 狔=8057.081狓9.502 0.563 狔=18106.586狓9.503 0.457
指数Exponential 狔=0.007e15.073狓 0.565 狔=0.017e15.061狓 0.457
GNDVI 线性Linear 狔=846.769狓-162.792 0.303 狔=1846.586狓-340.922 0.206
对数Logarithmic 狔=281.583ln狓+430.087 0.301 狔=618.155ln狓+956.509 0.208
幂Powerfunction 狔=1625.093狓2.447 0.289 狔=3561.815狓2.425 0.230
指数Exponential 狔=9.400e7.358狓 0.290 狔=21.673e7.281狓 0.230
DVI 线性Linear 狔=3.099狓+22.161 0.194 狔=7.235狓+47.368 0.152
对数Logarithmic 狔=102.307ln狓-230.754 0.207 狔=242.513ln狓-555.629 0.166
幂Powerfunction 狔=5.259狓0.886 0.197 狔=10.395狓0.924 0.174
指数Exponential 狔=47.064e0.027狓 0.185 狔=102.553e0.028狓 0.161
ARVI 线性Linear 狔=222.149狓-271.368 0.240 狔=354.050狓+28.531 0.147
对数Logarithmic 狔=117.665ln狓+164.724 0.251 狔=247.420ln狓+369.799 0.159
幂Powerfunction 狔=169.151狓1.138 0.298 狔=374.420狓1.097 0.225
指数Exponential 狔=35.226e1.628狓 0.275 狔=83.341e1.554狓 0.203
RVI 线性Linear 狔=222.149狓-271.368 0.541 狔=489.744狓-587.023 0.377
对数Logarithmic 狔=383.380ln狓-95.470 0.530 狔=850.731ln狓-202.352 0.377
幂Powerfunction 狔=15.368狓3.498 0.565 狔=34.628狓3.493 0.457
指数Exponential 狔=3.155e2.015狓 0.565 狔=7.186e2.007狓 0.454
2.2 DCA分析
以14个植被指数在60个样地中的值为数据源进行DCA分析,取得了较好的效果,第1轴和第2轴的贡献
率分别为51.4%和0.9%,前2轴的累计贡献率达52.3%。
DCA排序可以将植被指数划分为4类:Ⅰ:1,4,5,6,7,8,9,10,11,14;Ⅱ:2,12;Ⅲ:3;Ⅳ:13(图2)。
2.3 模型趋势
在广泛查阅国内近几年以鲜重为因变量建立的草地估产模型研究的基础上,利用Logistic回归分析探讨生
物量范围与模型类型之间的关系,结果(图3)表明,当生物量低于370g/m2 时,建立的估产模型都是一元线性
的;当生物量在370~720g/m2 时,一元线性模型和指数模型的模拟效果都很好;当生物量高于720g/m2 时,估
产模型都是指数的,即生物量较低时,模型为一元线性;随生物量的增加,估产模型由一元线性逐渐发展为线性和
指数共存;当生物量足够大时,模型呈指数函数(图3,犘<0.05)。
3 讨论
植物的叶绿素可以吸收太阳辐射的蓝光、红光,而叶片结构反射近红外,故利用植被在红光与近红外波段的
反射率对其生物量、LAI、覆盖度等特征进行度量。本研究中植被指数与鲜重、干重之间回归效果均较好(表3),
因此,分别以两者为因变量建立的模型都是可行的。但是犜检验发现以鲜重、干重为因变量分别建立的估产模
型效果差异显著(犘<0.01),且干重的回归效果要好于鲜重(犚2干重>犚2鲜重),因此,以干重为因变量的估产模型的
332第21卷第1期 草业学报2012年
效果要比鲜重的好。究其原因,植物叶绿素含量是度量植物光合作用能力及干物质积累的重要指标,且植被遥感
信息最能直接指示干物质的积累[61],使用干重进行遥感估测排除了鲜重中水分的干扰,因此,生物量遥感估测中
干重回归效果优于鲜重。但干重数据来源于烘干条件下(65℃,24h),在实际应用中,其应用受到一定的条件限
制,故此,在建立估产模型时,应根据研究目的及实验条件对干重、鲜重做出合理的选择。
图2 14种植被指数犇犆犃排序结果图
犉犻犵.2 犇犆犃狅狉犱犻狀犪狋犻狅狀犱犻犪犵狉犪犿狅犳14狏犲犵犲狋犪狋犻狅狀犻狀犱犻犮犲狊
1:NDVI;2:EVI;3:PVI;4:OSAVI;5:MSAVI;6:II;7:TVI;8:SAVI;9:RDVI;10:IPVI;11:GNDVI;12:DVI;13:ARVI;14:RVI.
图3 生物量-估产模型犔狅犵犻狊狋犻犮分析趋势图
犉犻犵.3 犜犺犲狋狉犲狀犱狊狅犳犅犻狅犿犪狊狊犲狊狋犻犿犪狋犻狅狀犿狅犱犲犾犪犫狅狌狋犔狅犵犻狊狋犻犮犪狀犪犾狔狊犻狊
-1:线性模型Linearmodel;1:指数模型Exponentialmode.
影响植被指数的因子包括生物因子和物理因子两大类[62],如植物含水量、大气、土壤、传感器等。在本研究
中,利用的是同一时期的地面资料和遥感资料,因此可以排除传感器因素。沿第1轴对植被指数进行分析发现:
SAVI、MSAVI能够消除或减弱土壤的噪声[38];RVI受土壤背景的影响,当植被覆盖不够浓密时,它的分辨能力
也很弱,只有在植被覆盖浓密的情况下效果最好;相对于RVI,PVI消除土壤背景干扰的能力较好[63]。因此,第1
轴反映了土壤对植被指数的影响,且离原点越远,受土壤的影响就越小。沿第2轴对植被指数分析发现:RVI对
大气影响敏感,EVI基于土壤和大气的影响是相互作用的事实,引入一个反馈项来同时对二者进行订正[64];AR
VI在红光波段完成大气自我校正,其对大气的敏感性比NDVI小4倍[62];故第2轴反映了大气对植被指数的影
响,且离原点越远,受大气的影响就越小。由于第1轴解释了51.4%的变量,即土壤对植被指数有相当大的影
响,土壤亮度是影响植被指数的重要因素[65],许多植被指数的发展就为了控制土壤的影响。
在选取植被指数时应最大限度地排除各种干扰,但大气和土壤的影响是相互的,消除其中的一个可能会增加
另一个[66],只有对二者同时进行订正才能得到比较准确的估算结果。在DCA排序图中,位于对角线上及其附近
的植被指数是综合排除了土壤、大气的影响,并且距离原点越远,受土壤、大气综合影响越小,NDVI、OSAVI、SA
VI、DVI等分布在对角线附近,受土壤、大气的影响较小,有助于建立较为准确、合理的估产模型。在实际应用
432 ACTAPRATACULTURAESINICA(2012) Vol.21,No.1
中,植被指数没有一个统一的值,其研究结果经常不一致[67],因此对植被指数的取舍要相当谨慎,尽量避免重复
使用同一类的植被指数,要对比不同类型的植被指数,以便找到模型效果最好的植被指数。就典型草原遥感估产
而言,Ⅰ类的大部分指数效果要高于其他几类,NDVI的效果最好。
空间异质性由斑块和梯度复合而成,可导致生态模型随不同空间尺度、等级尺度变异[3537],大部分草地估产
模型都是针对某一草地类型建立的,由于区域、植被类型的不同造成植被指数-生物量的模型结果差异很大[68]。
本研究统计了近年已发表的有关鲜重的估产模型,发现随着生物量的增大,模型逐渐由一元线性趋近于指数,当
生物量足够大时,建立的估产模型是趋于指数的,当生物量范围较小时,就只能表现整个趋势上的一部分,其他模
型对这部分生物量范围的拟合效果可能会高于指数模型。在本研究中,生物量是517.12g/m2,处于中等生物量
范围,指数模型效果好。
参考文献:
[1] 申广荣,王人潮.植被光谱遥感数据的研究现状及其展望[J].浙江大学学报(农业与生命科学版),2001,27(6):682690.
[2] 樊锦召,吕玉华.应用气象卫星资料估算草场产草量方法的研究[J].干旱区资源与环境,1990,(3):2328.
[3] 王莺,夏文韬,梁天刚,等.基于 MODIS植被指数的甘南草地净初级生产力时空变化研究[J].草业学报,2010,19(1):
201210.
[4] 张宏斌,杨桂霞,黄青,等.呼伦贝尔草甸草原景观格局时空演变分析———以海拉尔及周边地区为例[J].草业学报,2009,
18(1):134143.
[5] RaoKS,PantR.Landusedynamicsandlandscapechangepatterninatypicalmicrowatershedinthemidelevationzonecen
tralHimalaya,India[J].AgricultureEcosystems&Environment,2001,86(2):113123.
[6] ShenRP,KheoruenromneI.MonitoringlandusedynamicsinChanthaburiProvinceofThailandusingdigitalremotelysensed
images[J].Pedosphere,2003,13(2):157164.
[7] 周勇,范业宽,王庆云,等.湖泊水环境质量评价的研究进展[J].环境科学进展,1998,6(2):5055.
[8] CarpenterDJ,CarpenterSM.Modelinginlandwaterqualityusinglandsatdata[J].RemoteSensingofEnviormnent,1983,
13:345352.
[9] KoponenS,UlininenJ.LakewaterqualityclassificationwithairbornehyperspectralspectrometerandsimulatedMERISdata[J].Re
moteSensingofEnvironment,2002,79:5159.
[10] 于惠,冯琦胜,张学通,等.基于AMSRE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.
[11] 何建邦,田国良.中国重大自然灾害监测与评估信息系统的建设与应用[J].自然灾害学报,1996,5(3):17.
[12] 闫峰,李茂松,王艳姣,等.遥感技术在农业灾害监测中的应用[J].自然灾害学报,2006,15(6):132136.
[13] 陶伟国,徐斌,杨秀春.草原产草量遥感估算方法发展趋势及影响因素[J].草业学报,2007,16(2):18.
[14] 牛志春,倪绍祥.青海湖地区草地植被生物量遥感监测模型[J].地理学报,2003,58(5):695702.
[15] 李建龙,黄敬峰,蒋平.不同类型草地监测与估产遥感指标和光学模型建立的研究[J].新疆环境保护,1996,18(2):34
39.
[16] 黄敬峰,王秀珍,胡新博.新疆北部不同类型天然草地产草量遥感监测模型[J].中国草地,1999,(1):711.
[17] 李建龙,戴若兰,任继周.遥感技术在新疆阜康县草地估产中的应用研究[J].中国草地,1998,(1):1114.
[18] 黄敬峰,王人潮,胡新博.新疆北部天然草地产草量遥感监测预测模型研究[J].浙江农业大学学报,1999,25(2):125
129.
[19] 徐希孺,金丽芳,赁常恭,等.利用NOAACCT估算内蒙古草场产草量的原理和方法[J].地理学报,1985,40(4):333
346.
[20] 史培军,李博,李忠厚,等.大面积草地遥感估产技术研究———以内蒙古锡林郭勒草原估产为例[J].草地学报,1994,
12(1):913.
[21] 裴浩,敖艳红.利用极轨气象卫星遥感监测草地生产力的研究─以内蒙古乌拉盖地区为例[J].干旱区资源与环境,1999,
13(4):5664.
532第21卷第1期 草业学报2012年
[22] 赵冰茹,刘闯,刘爱军,等.利用 MODISNDVI进行草地估产研究———以内蒙古锡林郭勒草地为例[J].草业科学,2004,
21(8):1215.
[23] 彭晓鹃,邓孺孺,刘小平.遥感尺度转换研究进展[J].地理与地理信息科学,2004,20(5):614.
[24] BaretF,GuyotG,MajorDJ.TSAVI:AvegetationindexwhichminimizessoilbrightnesseffectsonLAIandAPARestima
tion[A].Proceeingsofthe12thCanadianSymposiumonRemoteSensing[C].Canada:Vancouver,1989:13551358.
[25] 朴世龙,方精云,贺金生,等.中国草地植被生物量及其空间分布格局[J].植物生态学报,2004,28(4):491498.
[26] TuckerCJ.Redandphotographicinfraredlinearcombinationsformonitoringvegetation[J].RemoteSensingofEnviron
ment,1979,8:127150.
[27] 王宏,李晓兵,余弘青.基于 NOAA/AVHRRNDVI监测中国北方典型草原生长季及变化[J].植物生态学报,2006,
30(3):365474.
[28] 陶伟国,徐斌,刘丽军,等.不同利用状况下草原遥感估产模型[J].生态学杂志,2007,26(3):332337.
[29] MyneniRB,HalFB,SelersPJ,犲狋犪犾.Theinterpretationofspectralvegetationindices[J].IEEETransactionsonGeosci
enceandRemoteSensing,1995,33:481486.
[30] 李京,陈晋,袁清.应用 NOAA/AVHRR遥感资料对大面积草场进行产草量定量估算的方法研究[J].自然资源学报,
1994,9(4):365374.
[31] RoyPS,JonnaS,PantDN.EvaluationofgrasslandsandspectralreflectancerelationshiptoitsbiomassinKanhaNational
Park(M.P.)[J].IndialGeocartoInternational,1991,6:439451.
[32] PurevdorjT,TateishiR,IshiyamaT,犲狋犪犾.Relationshipbetweenpercentvegetationcoverandvegetationindices[J].Inter
nationalJournalofRemoteSensing,1998,19:35193535.
[33] 吕新龙.呼伦贝尔地区草甸草原初级生产力动态研究[J].中国草地,1994,(4):911.
[34] GaoJ.Quantificationofgrasslandproperties:howitcanbenefitfromgeoinformatictechnologies[J].InternationalJournalof
RemoteSensing,2006,27(7):13511365.
[35] LevinSA.Theproblemofpatternandscaleinecology[J].Ecology,1992,73:19431967.
[36] WuJG,LevinSA.Aspatialpatchdynamicmodelingapproachtopatternandprocessinanannualgrassland[J].Ecological
Monographs,1994,64:447464.
[37] WuJG,LoucksOL.Frombalanceofnaturetohierarchicalpatchdynamics:aparadigmshiftinecology[J].QuarterlyRe
viewofBiology,1995,70:439466.
[38] KaufmanYJ,TanreD.AtmosphericalyresistantVegetationindex(ARVI)forEOS-MODIS[J].IEEETransGeosciRe
moteSensing,1992,30:261270.
[39] RichardsonAJ,WiegandCL.Distinguishingvegetationfromsoilbackgroundinformation[J].PhotogrammetricEngineering
andRemoteSensing,1977,43(12):15411552.
[40] HueteAK,DidanT,MiuraEP,犲狋犪犾.OverviewoftheradiometricandbiophysicalperformanceoftheMODISvegetation
indices[J].RemoteSense,2002,83:195213.
[41] GitelsonAA,KaufmanYJ,MerzlyakMN.UseofagreenchannelinremotesensingofglobalvegetationfromEOSMODIS
[J].RemoteSensingofEnvironment,1996,58(3):289298.
[42] CrippenRE.Calculatingthevegetationindexfaster[J].RemoteSensingofEnvironment,1990,34(1):7173.
[43] QiJ,ChehbouniA,HueteAR,犲狋犪犾.Amodifiedsoiladjustedvegetationindex[J].RemoteSensingofEnvironment,1994,
48(2):119126.
[44] DeeringDW,RouseJW,HaasRH,犲狋犪犾.MeasuringforageproductionofgrazingunitsfromLandsatMSSdata[J].Pro
ceedingsofthe10thInternationalSymposiumonremotesensingofenvironment,1975:11691178.
[45] RondeauxG,StevenM,BaretF.Optimizationofsoiladjustedvegetationindices[J].RemoteSensingofEnvironment,1996,
55(2):95107.
[46] WiegandCL,RichardsonAJ,EscobarDE,犲狋犪犾.Vegetationindicesincropassessments[J].RemoteSensingofEnviron
ment,1991,35(23):105119.
[47] RoujeanJL,BreonFM.EstimatingPARabsorbedbyvegetationfrombidirectionalreflectancemeasurements[J].Remote
632 ACTAPRATACULTURAESINICA(2012) Vol.21,No.1
SensingofEnvironment,1995,51:375384.
[48] BirthGS,McVeyG.Measuringthecolorofgrowingturfwithareflectancespectroradiometer[J].AgronomyJournal,
1968,60:640643.
[49] HueteAR.Asoiladjustedvegetationindex(SAVI)[J].RemoteSensingofEnvironment,1988,25(3):295309.
[50] RouseJW,HaasRH,SchelJA,犲狋犪犾.Monitoringthevernaladvancementofretrogradationofnaturalvegetation[M].
USA:NationalAeronauticsandSpaceAdministration,GoddardSpaceFlightCenter(NASA/GSFC),1974.
[51] MusickHB,PeletierRE.Responsetosoilmoistureofspectralindexesderivedfrombidirectionalreflectanceinthematic
mapperwavebands[J].RemoteSensingofEnvironment,1988,25(2):167184.
[52] 王新欣.天山北坡中段典型草原区地上生物量遥感监测模型的建立[D].新疆:新疆农业大学,2008.
[53] 杨英莲,邱新法,殷青军.基于 MODIS增强型植被指数的青海省牧草产量估产研究[J].气象,2007,33(6):102106.
[54] 冯秀,仝川,张鲁,等.内蒙古白音锡勒牧场区域尺度草地退化现状评价[J].自然资源学报,2006,21(4):575583.
[55] 王新欣,朱进忠,范燕敏,等.基于 MODISNDVI的天山北坡中段草地动态估产模型研究[J].草业科学,2009,26(7):
2427.
[56] 武鹏飞.EOS/MODIS植被指数在草地生物量遥感估测中的应用[D].乌鲁木齐:新疆农业大学,2003.
[57] 张鲁.内蒙古白音锡勒牧场土地覆盖变化的景观格局分析及草地估产[D].呼和浩特:内蒙古大学,2005.
[58] 何涛.应用 MODIS数据对荒漠草原生物量监测的研究[D].北京:中国农业科学院,2006.
[59] 王新欣,朱进忠,范燕敏,等.利用EOS/MODIS植被指数建立草地估产模型的研究[J].新疆农业科学,2008,45(5):
843846.
[60] 干友民,成平,周纯兵,等.若尔盖亚高山草甸地上生物量与植被指数关系研究[J].自然资源学报,2009,24(11):1964
1972.
[61] 何涛.荒漠草原生物量监测研究中植被指数选择的初步探讨[J].内蒙古草业,2006,18(1):3537.
[62] GamonJA.Anarrowwavebandspectralindexthattracksdiurnalchangesinphotosyntheticefficiency[J].RemoteSensing
ofEnvironment,1992,41:3544.
[63] KauthRJ,ThomasGS.Thetasseledcapagraphicdescriptionofthespectraltemporaldevelopmentofagriculturecropsas
seenbyLandsat[A].SymposiumonMachineProcessingofRemotelySensedData[C].Indiana:PurdureUniversity,West
Lafayette,1976:4151.
[64] 王正兴,刘闯,HueteAR.植被指数研究进展:从AVHRRNDVI到 MODISEVI[J].生态学报,2003,(5):979987.
[65] EscadafalR.RemotesensingofaridsoilsurfacecolorwithLandsatThematicMapper[J].AdvancesinSpaceResearch,
1989,9(1):11591163.
[66] LiuHQ,HueteAR.AfeedbackbasedmodificationoftheNDVItominimizecanopybackgroundandatmosphericnoise[J].
IEEETransactionsGeoscienceandRemoteSensing,1995,33:457465.
[67] 田永庆,闵祥军.植被指数研究进展[J].地球科学进展,1998,13(4):327333.
[68] 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(1):2331.
732第21卷第1期 草业学报2012年
犃犱犻狊犮狌狊狊犻狅狀狅狀犪狆狆犾犻犮犪狋犻狅狀狊狅犳狏犲犵犲狋犪狋犻狅狀犻狀犱犲狓犳狅狉犲狊狋犻犿犪狋犻狀犵犪犫狅狏犲犵狉狅狌狀犱犫犻狅犿犪狊狊狅犳狋狔狆犻犮犪犾狊狋犲狆狆犲
ZHANGYannan1,NIUJanming1,2,ZHANGQing1,YANGYan1,DONGJianjun1
(1.SchoolofLifeSciences,InnerMongoliaUniversity,Hohhot010021,China;2.SinoUSCenterfor
Conservation,EnergyandSustainabilityScienceinInnerMongolia,Hohhot010021,China)
犃犫狊狋狉犪犮狋:Remotesensingtechnologyemergedintheearly1960sandwaswidelyusedingrasslandyieldestima
tion.Estimationoftherelationshipbetweenvegetationindexandbiomassondifferentscaleswasalwaysused
tocompletetheconversionfrompointstosurface.Fourteenvegetationindiceswhichwerecommonlyusedin
grasslandyieldestimationwereselectedtoestablishregressionmodelsofvegetationindex-dryweightandveg
etationindex-freshweightintypicalgrasslandinBaiyinxil,Xilinhaote,InnerMongolia.TheDCAanalysisof
14vegetationindicesshowedthat:1)Itwasfeasibletousefreshweightanddryweightinremotesensingesti
mationofgrassbiomass,andthatalthoughdryweightwasbetterthanfreshweight,forreasonsofexperimen
talconditions,freshweighthadawiderrangeofapplications.2)ThefirstandsecondaxisofDCAanalysisre
presenttheeffectsofsoilandatmospherewithsoilthemostimportantfactorthataffectedvegetationindex;
DCAdivided14vegetationindicesinto4categories,andthecategorywhichgeneralyexcludedtheinfluencesof
soilandatmosphere(e.g.NDVI,SAVIandMSAVI)werethebest.3)Empiricaldatesshowedthatwhilethe
biomasswaslowerthan370g/m2,theyieldestimationmodelwasasimpleunitarylinearmodel,butwhenit
wasbetween370and720g/m2,thesimulationresultsofthelinearandtheexponentialmodelwerebothvery
good.Whenthebiomasswasgreaterthan720g/m2,theexponentialmodelwasthebestyieldestimationmod
el.Therefore,astherangeofbiomassincreases,theyieldestimationmodelshouldbegradualychangedfrom
asimplelinearmodeltoanexponentialmodel.
犓犲狔狑狅狉犱狊:grasslandyieldestimation;vegetationindex;DCAanalysis;exponentialtrend
832 ACTAPRATACULTURAESINICA(2012) Vol.21,No.1