數(shù)據(jù)融合技術在提高NPP估算精度中的應用

黃登成，張麗，尹曉利，3，王昆，3

1.遼寧工程技術大學測繪與地理科學學院，遼寧阜新 123000

2.中國科學院數(shù)字地球重點實驗室，中國科學院遙感與數(shù)字地球研究所，北京 100094

3.山東科技大學測繪科學與工程學院，山東青島 266590

數(shù)據(jù)融合技術在提高NPP估算精度中的應用

黃登成1，2，張麗2，尹曉利2，3，王昆2，3

1.遼寧工程技術大學測繪與地理科學學院，遼寧阜新 123000

2.中國科學院數(shù)字地球重點實驗室，中國科學院遙感與數(shù)字地球研究所，北京 100094

3.山東科技大學測繪科學與工程學院，山東青島 266590

1 引言

植被對全球氣候的形成和調(diào)節(jié)起著重要的作用，因此植被的動態(tài)監(jiān)測對全球氣候變化的研究具有重要的意義。植被凈初級生產(chǎn)力（Net Primary Productivity，NPP）作為自然狀態(tài)下植被利用程度的重要指標，是指植物在單位時間單位面積上由光合作用產(chǎn)生的有機物質總量中扣除自養(yǎng)呼吸后的剩余部分（Lieth&Wittaker，1975），反映了植被群落在自然環(huán)境條件下的生產(chǎn)能力，也表征了生態(tài)系統(tǒng)的質量狀況，并且是判定生態(tài)系統(tǒng)碳匯和調(diào)節(jié)生態(tài)過程的主要因子[1]。NPP的動態(tài)監(jiān)測有助于闡明大氣CO2濃度增加、全球氣候變化以及氮和磷沉降增加對陸地植被過程的作用機制，更好地預測未來植被生產(chǎn)力的變化以及其對碳循環(huán)的影響[2]。現(xiàn)有的NPP估算模型大體分為氣候生產(chǎn)力模型、生理生態(tài)過程模型、光能利用率模型和生態(tài)遙感耦合模型四類[3]。CASA（Carnegie-Ames-Stanford Approach）模型作為光能利用率模型之一，具有簡單、所需的輸入?yún)?shù)較少、可操作性強等眾多優(yōu)點。光能利用率模型是基于遙感的NPP估算模型，其優(yōu)點之一就是能夠直接利用遙感數(shù)據(jù)作為輸入數(shù)據(jù)，而CASA模型作為光能利用率模型的代表，遙感數(shù)據(jù)同樣是其獲得輸入數(shù)據(jù)的主要手段。

隨著遙感技術的發(fā)展，獲取數(shù)據(jù)的精度也有很大的提高，但是遙感衛(wèi)星獲取數(shù)據(jù)的時空分辨率還是不足以同時達到在空間和時間上精確監(jiān)測植被動態(tài)變化的目的。美國陸地資源衛(wèi)星Landsat數(shù)據(jù)（30 m）已經(jīng)在土地利用/覆蓋監(jiān)測等方面取得了極其廣泛的應用，然而其16天的重訪周期及云污染等限制了該影像在地表快速動態(tài)變化監(jiān)測中的應用，特別是在植被的動態(tài)變化監(jiān)測中。由于植被在生長季的變化很快，需要更高時間分辨率的遙感影像對其進行動態(tài)監(jiān)測。高時序MODIS影像具有半天至一天的重訪周期，然而該數(shù)據(jù)的低空間分辨率限制了其在植被監(jiān)測中的高空間精度NPP估算中的應用。因此結合這兩種影像的優(yōu)勢，生成具有Landsat中空間分辨率和MODIS高時間分辨率的影像，對于提高植被NPP估算精度及其動態(tài)監(jiān)測具有實際意義。

為了驗證數(shù)據(jù)融合技術在提高NPP估算精度中的應用潛力，本文首先采用目前比較流行的STARFM數(shù)據(jù)融合算法分別對250 m和500 m的MODIS-NDVI數(shù)據(jù)和30 m的TM-NDVI數(shù)據(jù)進行融合來獲得較高時空分辨率的NDVI數(shù)據(jù)，即30 m融合NDVI數(shù)據(jù)（同時具有MODIS數(shù)據(jù)時間分辨率和TM數(shù)據(jù)空間分辨率）。之后利用1 000 m、500 m、250 m的MODIS-NDVI和30 m融合NDVI作為CASA模型的輸入數(shù)據(jù)之一，分別對錫林浩特地區(qū)進行不同空間分辨率尺度的NPP估算，并通過對估算NPP和實測地上生物量進行對比分析，來驗證數(shù)據(jù)尺度對NPP估算精度帶來的影響及融合NDVI在提高NPP估算精度的應用潛力。

2 數(shù)據(jù)和方法

2.1 數(shù)據(jù)來源

本文進行NPP估算所需要的數(shù)據(jù)主要有NDVI、氣象數(shù)據(jù)（包括溫度、降雨）、太陽輻射數(shù)據(jù)。實驗驗證時還使用了地面實測地上生物量數(shù)據(jù)，其主要參數(shù)及來源如下所述。

NDVI數(shù)據(jù)：1 000 m、500 m、250 m空間分辨率的NDVI數(shù)據(jù)來源于美國地質勘探局MODIS產(chǎn)品，30 m空間分辨率的NDVI數(shù)據(jù)則是由500 m（或者250 m）分辨率的MODIS-NDVI數(shù)據(jù)和30m的TM-NDVI數(shù)據(jù)通過時空適應性反射率融合模型（Spatial and Temporal Adaptive Reflectance Fusion Model，STARFM）進行數(shù)據(jù)融合獲得。

氣象和太陽輻射數(shù)據(jù)：氣象數(shù)據(jù)來源于中國氣象科學數(shù)據(jù)共享服務網(wǎng)所提供的2011年1月至12月的月值數(shù)據(jù)，數(shù)據(jù)內(nèi)容為月降水量、月平均氣溫、月總太陽輻射。在NPP估算時需要用到空間氣象及太陽輻射數(shù)據(jù)由點氣象數(shù)據(jù)進行插值得到。

地面實測地上生物量數(shù)據(jù)采集于2011年6～7月份。在內(nèi)蒙古錫林浩特地區(qū)選取比較均一的草地，共測得69個樣地地上生物量。

2.2 方法

2.2.1 CASA模型

CASA模型中NPP的估算可以由植物的光合有效輻射（APAR）和實際光能利用率（ε）兩個因子來表示，其估算公式如下：

式中，APAR(x,t)表示像元x在t月吸收的光合有效輻射（gC·m－2·month－1），ε(x,t)表示像元x在t月的實際光能利用率（gC·MJ－1）。

式中，SOL(x,t)表示t月在像元x處的太陽總輻射量（gC·m－2·month－1），F(xiàn)PAR(x,t)為植被層對入射光合有效輻射的吸收比例，常數(shù)0.5表示植被所能利用的太陽有效輻射（波長為0.4～0.7 μm）占太陽總輻射的比例。

對于FPAR的估算的方法有很多種，最常見的有如下兩種方法[4]：

方法一：在一定范圍內(nèi)，F(xiàn)PAR與NDVI之間存在著線性關系（Ruimy&Saugier，1994），這一關系可以根據(jù)某一直被類型NDVI的最大值和最小值以及所對應的FPAR最大值和最小值來確定。

式中，NDVIi,max和NDVIi,min分別對應第i種植被類型的NDVI最大和最小值。

方法二：經(jīng)驗證，F(xiàn)PAR與比值植被指數(shù)（SR）也存在著較好的線性關系（Field et al.，1995；Los et al.，1994），可由以下公式表示：

式中，F(xiàn)PARmin和FPARmax的取值與植被類型無關，分別為0.001和0.95；SRi,max和SRi,min分別對應第i種植被類型NDVI的95%和5%下側百分位數(shù)，SR(x,t)由以下公式表示：

通過對以上兩種FPAR的估算方法可以看出，F(xiàn)PAR的估算精度都與NDVI有著直接或間接的關系。因此，NDVI數(shù)據(jù)的精度將影響到FPAR估算的精度，進而對NPP的估算產(chǎn)生影響。因此本文意在通過融合方法獲得高精度的NDVI數(shù)據(jù)以提高NPP的估算精度，并利用改進后的CASA模型[5]來估算錫林浩特地區(qū)草地NPP。

2.2.2 STARFM方法

STARFM方法基于同一時間(t1)獲取的MODIS、Landsat影像和另一時間(t2)獲取的MODIS數(shù)據(jù)，通過計算影像間空間分布的差異，實現(xiàn)t2時刻的Landsat影像尺度的預測。在忽略配準誤差、大氣校正誤差的情況下，單一地物類型的均質區(qū)域在t1時刻的MODIS影像可以由同時間的Landsat影像加權平均得到，考慮到兩者不同的光譜和時間分辨率，以及成像時光照條件有差異，它們的反射率會有一定的偏差ε1。假設(xi,yi)處的地表覆蓋類型和各項系統(tǒng)誤差不隨時間變化，那么ε1也就恒定，這樣t2時刻的Landsat影像反射率就能由該時刻的MODIS影像以及t1時刻的Landsat、MODIS影像求得[6-7]，公式如下：

式中L和M分別代表Landsat和MODIS影像的像元值。

實際上地表的地物類型往往較復雜，僅利用該處單對像元的信息預測不出t2時刻的Landsat反射率。若將鄰近的具有相同光譜特征的均質像元作為輔助信息，則能極大的提高預測準確度。選取以預測像元為中心的鄰域窗口，并利用權重函數(shù)W對窗口內(nèi)像元進行卷積運算，確定中心像元的預測值，然后在整幅影像上滑動卷積窗口，得到預測影像。計算公式如下：

其中ω為滑動窗口的寬度，L(xω/2,yω/2,t2)為t2時刻滑動窗口中心像元的像元值。權重函數(shù)Wijk決定了滑動窗口內(nèi)各像元對預測值貢獻的大小，算法依據(jù)光譜距離(Sij)、時間距離(Tij)、空間距離(Dij)三項來確定權重函數(shù)。由于STARFM算法實現(xiàn)的是不同傳感器、不同時空分辨率的遙感影像，該算法的實現(xiàn)需要考慮更多的問題，如與中心像元具有相似光譜特征的鄰域像元選取，權重函數(shù)的實現(xiàn)形式，以及異常候選像元剔除等[8]，具體流程見圖1。

圖1 STARFM算法流程圖

（1）候選像元的選取。利用光譜特征相似的鄰域像元才能確保選擇正確的輔助信息，因此采用閾值法來選取候選像元，即將與中心像元的光譜之差小于閾值的鄰域像元作為候選像元，該像元滿足下式：

式中V表示像元值，σ(B)為B波段窗口內(nèi)圖像的標準差，n為窗口內(nèi)地物類別數(shù)。閾值法具有局部適應性，選擇標準隨著滑動窗口的位置變化而不同，局部相似像元的選取失敗并不會影像整幅影像預測的準確性。

（2）異常像元的剔除。根據(jù)Landsat和MODIS反射率產(chǎn)品的質量評價數(shù)據(jù)掩膜，剔除質量差的候選像元，合格的像元滿足下式：

（3）權重函數(shù)實現(xiàn)。在確定權重函數(shù)時，有如下假設：①同一地物類別區(qū)域的MODIS影像反射率隨時間變化的值與Landsat相同；②在從基準時間到預測時間這段時期內(nèi)，變化越小的像元提供的輔助信息越可靠；③距離中心像元越近的像元提供的輔助信息越可靠。基于以上三種假設，定義組合距離：

組合距離越大的像元權重越小，因此定義函數(shù)權重為組合距離的倒數(shù)，歸一化后得權重函數(shù)表達式：

3 實驗及結果分析

3.1 實驗區(qū)介紹

圖2 實驗區(qū)遙感影像

研究區(qū)錫林浩特市位于東經(jīng)115°13'～117°06'，北緯43°02'～44°52'，地處錫林郭勒草原腹地。市境南北長208 km，東西長143 km，總面積18 750 km2。擁有“草原明珠”之稱的錫林浩特草原，生態(tài)資源很豐富，草場類型齊全，畜牧業(yè)發(fā)達，具有發(fā)展現(xiàn)代畜牧業(yè)的基礎條件，是國家重要的綠色畜產(chǎn)品生產(chǎn)基地。錫林浩特草原以典型草原[9]為主體，該地區(qū)冬季受蒙古高原氣流控制，寒冷干燥；夏季受季風影響，較為溫暖和濕潤。地帶性植被主要為大針茅、羊草。

3.2 STARFM實驗與分析

為了驗證STARFM融合NDVI影像的效果，本文在研究區(qū)域內(nèi)用MODIS和TM影像做了融合實驗和精度驗證分析。該實驗區(qū)地表覆蓋類型主要為草地，還有少部分水域、裸地以及建筑用地，遙感影像圖如圖2所示。其中（a）、（b）和（c）分別為2010年8月31日的250 m和500 m分辨率的MODIS-NDVI影像以及30 m分辨率TM-NDVI影像，（d）、（e）和（f）為與（a）、（b）和（c）相對應的2011年8月5日NDVI影像。此實驗以圖2（a）、（b）、（c）影像為基準，利用（d）、（e）影像預測與（c）相應的30 m分辨率TM影像（如圖3所示），并以8月5日真實TM-NDVI影像（圖2（f））為融合結果的驗證數(shù)據(jù)。

圖3 融合結果圖

兩種不同尺度的MODIS數(shù)據(jù)與TM數(shù)據(jù)融合結果如圖3所示，其中（a）為尺度為250 m的MODIS與TM影像融合后得到的2011-08-05的TM（30 m）影像；（b）為尺度為500 m的MODIS與TM影像融合后的2011-08-05的TM（30 m）影像。STARFM方法通過計算不同時間影像間空間分布的差異，實現(xiàn)融合預測，因此不同尺度MODIS數(shù)據(jù)對融合結果具有不同影響。

此實驗將預測影像圖3（a）、圖3（b）與實際觀測影像圖2（f）進行統(tǒng)計對比分析（結果見表1），并驗證了圖3（a）、（b）的預測精度。如表1所示，預測影像（圖3（a）、（b））與實際觀測影像（圖2（f））的均值、標準偏差、熵值、平均梯度相似度極高。并且實測影像（圖2（f））與預測影像（圖3（a）、（b））的平均差值、絕對差值普遍較小，相關系數(shù)高達0.85和0.82，這與前期相關研究[10]的結論具有一致性，表明預測結果具有實用性。

實驗還對預測影像做了散點圖分析，如圖4所示。（a）、（b）為250 m-MODIS和500 m-MODIS分別與TM影像進行融合所得到的影像與實際觀測影像散點圖（橫坐標為實際觀測影像）。通過觀察發(fā)現(xiàn)預測影像與觀測影像所有像元值大致相同，其NDVI值均集中在0.3～0.6，且高度集中在y=x直線附近，說明實驗區(qū)預測影像與觀測影像具有高度一致性，可以用來做后續(xù)的研究處理。

3.3 NPP估算實驗及對比分析

實驗分別用1 000 m、500 m、250 m、500 m+30 m（由500 m分辨率的MODIS-NDVI和30 m分辨率的TM-NDVI通過STARFM融合獲得）、250 m+30 m（由250 m分辨率的MODIS-NDVI和30 m分辨率的TM-NDVI通過STARFM融合獲得）的NDVI數(shù)據(jù)及與各NDVI數(shù)據(jù)相應尺度的氣象、太陽輻射等數(shù)據(jù)來估算錫林浩特地區(qū)2011年草地NPP。經(jīng)過本文的實驗發(fā)現(xiàn)基于幾種數(shù)據(jù)尺度的估算結果均表明2011年錫林浩特地區(qū)草地NPP年平均值大于250 gCm－2yr－1（其空間分布如圖5所示），略大于李剛等[11]估算的2003年內(nèi)蒙古年NPP的均值（＞200 gCm－2yr－1），但是與張峰等[12]提出的內(nèi)蒙古NPP在逐年增加的研究成果具有很好的吻合性。從NPP空間分布可以看出，錫林浩特地區(qū)草地的NPP總體上由西北向東南逐步遞增，這與錫林浩特地區(qū)水熱條件限制基本一致。從區(qū)域分布上看，NPP高值主要集中在該地區(qū)的東南部，其年NPP大于350 gCm－2yr－1，而西部和北部則相對較少，整個西部地區(qū)的年NPP幾乎處于300 gCm－2yr－1以下。

表1 實測與預測影像對比分析表

圖4 預測影像與觀測影像散點圖

圖5 2011年錫林浩特地區(qū)NPP空間分布及地面實測點

圖6 6～7月份地上生物量觀測值與不同尺度NPP估算值的關系

通過地面實測站點坐標（共69個地面站點）分別提取6～7月份不同空間分辨率數(shù)據(jù)的NPP估算值，然后與同月份地上生物量做相關性分析，其散點圖如圖6所示。圖6表示6～7月份采集的地上生物量分別和同月份1 000 m、500 m、250 m和30 m融合NDVI四種數(shù)據(jù)尺度（5種數(shù)據(jù)源）NPP估算值之間的關系。由圖6（a）、（b）、（c）可以看出500 m空間分辨率的數(shù)據(jù)估算出的NPP與實測地上生物量間的相關性最好(r=0.884)，其次是250 m空間分辨率的數(shù)據(jù)。盡管250 m數(shù)據(jù)具有較高分辨率，但是可能由于其NDVI數(shù)據(jù)噪音比較大等原因，導致其NPP估算精度較500 m數(shù)據(jù)的精度低。由圖6（b）和（d），（c）和（e）兩兩對比，可以看出30 m融合NDVI與實測地上生物量間的相關性較好。如針對500 m MODISNDVI和TM-NDVI的融合數(shù)據(jù)，NPP估算值與實測地上生物量間的相關性r達到了0.915（d），較500 m MODISNDVI數(shù)據(jù)估算NPP值有較大的提高（r增加了0.03）；250 m MODIS-NDVI和TM-NDVI融合數(shù)據(jù)NPP估算值與實測地上生物量間的相關性（r）達到了0.895（e），較250 m MODIS-NDVI數(shù)據(jù)估算NPP值有較大的提高（r增加了0.02）。因此，隨著輸入數(shù)據(jù)空間分辨率的提高，NPP估算精度也在提高，即基于MODIS和TM數(shù)據(jù)融合的較高時空分辨率的NDVI數(shù)據(jù)對提高NPP估算精度有較大的應用潛力。

此外，在圖6中的各圖還可看出：（1）草地NPP的月估算值達到一定程度時（＞180 gCm－2month－1）不再增加，這可能是由于NDVI的飽和現(xiàn)象引起的[13-16]。在前面的CASA模型介紹中已經(jīng)提到NPP與NDVI有著直接或間接的關系。當NDVI達到飽和時，由NDVI計算而來的FAPAR會處于一定的極限范圍內(nèi)，使得該月NPP估算值達到該值后將不再增加，也即達到最大值（或極值），如圖6中的現(xiàn)象所示。NDVI的飽和現(xiàn)象極大影響了在植被高覆蓋度地區(qū)NPP的估算精度，因此在后續(xù)的NPP估算中需要充分考慮NDVI的飽和問題。（2）500 m空間分辨率的MODIS-NDVI及其30 m融合NDVI數(shù)據(jù)估算的NPP與實測地上生物量的相關性要比250 m分辨率的MODIS-NDVI及其30 m融合NDVI數(shù)據(jù)估算的NPP與實測地上生物量的相關性高，引起這一現(xiàn)象的原因可能有：①所采用的250 m MODIS遙感影像可能受云層、大氣等因素影響較大，導致250 m的NDVI數(shù)據(jù)具有較高的噪聲，在NPP的估算中產(chǎn)生比較大的誤差。②與本文使用的地表覆蓋類型數(shù)據(jù)的空間分辨率（500 m）有關，地表覆蓋類型數(shù)據(jù)的精度也是影響NPP估算的因素之一[17]。

4 結束語

為了驗證融合NDVI影像在提高NPP估算精度的應用潛力，本文首先利用STARFM融合方法對實驗區(qū)內(nèi)MODIS和30 m TM遙感影像進行了數(shù)據(jù)融合處理，獲得了30 m分辨率且具有MODIS影像時間分辨率的融合NDVI。然后將多種尺度數(shù)據(jù)和融合得到的30m分辨率數(shù)據(jù)作為CASA模型的輸入數(shù)據(jù)之一，估算了錫林浩特地區(qū)草地NPP，并通過與地上實測生物量做了對比分析，發(fā)現(xiàn)融合NDVI在NPP估算時具有較高的精度。實驗結果表明隨著CASA模型輸入數(shù)據(jù)空間精度的提高，NPP估算精度也隨之增加，并且基于融合NDVI估算NPP的結果優(yōu)于原始MODIS-NDVI數(shù)據(jù)，即融合NDVI在提高植被NPP估算中具有較好的效果。因此，在還不能通過遙感技術直接同時獲取具有較高時空分辨率遙感數(shù)據(jù)的條件下，由數(shù)據(jù)融合算法得到的同時具有MODIS時間分辨率和TM空間分辨率的較高時空分辨率的遙感影像可以為植被動態(tài)變化監(jiān)測的有效數(shù)據(jù)來源。

[1]張峰，周廣勝，王玉輝.基于CASA模型的內(nèi)蒙古典型草原植被凈初級生產(chǎn)力動態(tài)模擬[J].植物生態(tài)學報，2008，32（4）：786-797.

[2]樸世龍，方精云.1982～1999年青藏高原植被凈第一性生產(chǎn)力及其時空變化[J].自然資源學報，2002，17（3）：373-380.

[3]張美玲，陳全功，蔣文蘭，等.基于草地綜合順序分類法的CASA模型改進[J].中國草地學報，2011，33（4）：5-11.

[4]朱文泉，潘耀忠，張錦水.中國陸地植被凈初級生產(chǎn)力遙感估算[J].植物生態(tài)學報，2007，31（3）：413-424.

[5]朱文泉.中國陸地生態(tài)系統(tǒng)植被凈初級生產(chǎn)力遙感估算及其與氣候變化關系的研究[D].北京：北京師范大學，2005.

[6]Gao F，Masek J，Schwaller M，et al.On the blending of the Landsat and MODIS surface reflectance：Predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience and Remote Sensing，2006，44：2207-2218.

[7]Hilker T，Wulder M A.Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model[J].RemoteSensingofEnvironment，2009，113：1988-1999.

[8]Zhu Xiaolin，Chen Jin，Gao Feng，et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote Sensing of Environment，2010，114：2610-2623.

[9]樸世龍，方精云.中國草地植被生物量及其空間分布格局[J].植物生態(tài)學報，2004，28（4）：491-498.

[10]Walker J J，de Beurs K M，Wynne R H，et al.Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology[J].Remote Sensing of Environment，2012，117：381-393.

[11]李剛，辛曉平，王道龍，等.改進CASA模型在內(nèi)蒙古草地生產(chǎn)力估算中的應用[J].生態(tài)學雜志，2007，26（12）：2100-2106.

[12]張峰，周廣勝，王玉輝.基于CASA模型的內(nèi)蒙古典型草原植被凈初級生產(chǎn)力動態(tài)模擬[J].植物生態(tài)學報，2008，32（4）：786-797.

[13]米兆榮，張耀生，趙新全，等.NDVI和EVI在高寒草地牧草鮮質量估算和植被動態(tài)監(jiān)測中的比較[J].草業(yè)科學，2010，27（6）：13-19.

[14]楊嘉，郭鈮，黃蕾諾，等.西北地區(qū)MODIS-NDVI指數(shù)飽和問題分析[J].高原氣象，2008，27（4）：896-903.

[15]郭鈮.植被指數(shù)及其研究進展[J].干旱氣象，2003，21（4）：71-75.

[16]李紅軍，鄭力，雷玉平，等.基于EOS/MODIS數(shù)據(jù)的NDVI與EVI比較研究[J].地理科學進展，2007，26（1）：26-32.

[17]Yu Deyong，Piao Shilong.Modelling net primary productivity of terrestrial ecosystems in East Asia based on an improved CASA ecoystem model[J].International Journal of Remote Sensing，2009，30（18）：4851-4866.

[18]朱文泉，潘耀忠.基于GIS和RS的區(qū)域陸地植被NPP估算——以中國內(nèi)蒙古為例[J].遙感學報，2005，9（3）：300-307.

[19]孫睿，朱啟疆.陸地植被凈第一性生產(chǎn)力及季節(jié)變化研究[J].地理學報，2000，55（1）：36-45.

[20]李偉，張國明，李兆君.東亞地區(qū)陸地生態(tài)系統(tǒng)凈第一性生產(chǎn)力時空格局[J].生態(tài)學報，2008，28（9）：4173-4183.

[21]王磊，丁晶晶，季永華等.1981-2000年中國陸地生態(tài)系統(tǒng)NPP時空變化特征分析[J].江蘇林業(yè)科技，2009，36（6）：1-5.

HUANG Dengcheng1，2,ZHANG Li2,YIN Xiaoli2，3,WANG Kun2，3

1.Institute of Surveying and Mapping,and Geographic Science,Liaoning Technical University,Fuxin,Liaoning 123000,China
2.Key Laboratory of Digital Earth,Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China
3.College of Geomatics,Shandong University of Science and Technology,Qingdao,Shandong 266590,China

The current remote sensing data can not simultaneously satisfy the precise monitoring of vegetation productivity changes in both high temporal and spatial resolutions.In this study,application of an image fusion method to an ecosystem model for improving the accuracy of NPP evaluations is proposed.Firstly,the Spatial and Temporal Adaptive Reflectance Fusion Model（STARFM）is applied to get higher temporal and spatial resolution NDVI data（30 m）from the MODIS-NDVI and TM-NDVI images and then multi-scale Net Primary Productivity（NPP）of Xilinhot grasslands are estimated based on the CASA model using different scales of MODIS-NDVI data and the 30 m fusion data.The results indicate that the correlation between the model-estimated NPP and the measured aboveground biomass is gradually increased with the improvement of the resolution of the input NDVI data.The max correlation coefficient（r）reached 0.915.Additionally,the coefficient between the NPP estimations derived from fusion NDVI data and the observed biomass is higher than the coefficient of non-fusion image.The results also indicate that the accuracy of NPP estimations from fusion NDVI data is better than non-fusion NDVI data and the fusion NDVI image as the model input data can improve the accuracy of NPP estimations. Key words：data fusion;Spatial and Temporal Adaptive Reflectance Fusion Model（STARFM）;CASA model;Net Primary Productivity（NPP）

針對現(xiàn)有遙感數(shù)據(jù)不能同時滿足在時間和空間上精確監(jiān)測植被動態(tài)變化的問題，提出利用時空適應性反射率融合模型（STARFM）的方法對MODIS-NDVI和TM-NDVI影像數(shù)據(jù)進行融合處理獲得30 m較高時空分辨率的融合NDVI影像，進而將多種尺度的MODIS-NDVI和融合NDVI數(shù)據(jù)分別輸入到CASA模型，對錫林浩特地區(qū)進行植被凈初級生產(chǎn)力（NPP）的多尺度估算。將不同尺度的NPP估算結果與地上生物量地面實測值進行驗證比較，結果表明：隨著輸入NDVI空間分辨率的提高，NPP估算值與實測地上生物量之間的相關性也逐漸增大，r最大值達到了0.915。此外以融合NDVI影像作為輸入數(shù)據(jù)之一的NPP估算值與實測地上生物量的相關性均比未融合NDVI的相關性高，說明融合NDVI估算NPP的效果較未融合NDVI好，并且以融合NDVI影像作為模型輸入數(shù)據(jù)可提高NPP估算精度。

數(shù)據(jù)融合；時空適應性反射率融合模型；CASA模型；凈初級生產(chǎn)力

CNKI網(wǎng)絡優(yōu)先出版：2013-04-18,http://www.cnki.net/kcms/detail/11.2127.TP.20130418.1618.016.html

HUANG Dengcheng,ZHANG Li,YIN Xiaoli,et al.Application of image fusion in improving NPP estimation accuracy.Computer Engineering and Applications,2014,50（22）：193-198.

A

TP391

10.3778/j.issn.1002-8331.1301-0034

國家科技支撐計劃課題（No.2012BAH27B05）；中國科學院對地觀測與數(shù)字地球科學中心主任創(chuàng)新基金（No.Y2ZZ19101B）。

黃登成（1987—），男，碩士，研究領域為植被遙感；張麗（1975—），通訊作者，女，博士，副研究員，研究領域為植被遙感。E-mail：lizhang@ceode.ac.cn

2013-01-06

2013-03-15

1002-8331（2014）22-0193-06