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