基于MODIS逐日地表反射率數據的青南地區草地生長狀況遙感監測研究

楊淑霞，張文娟，馮琦勝，孟寶平，高金龍，梁天剛*

(1.草地農業生態系統國家重點實驗室，蘭州大學草地農業科技學院，甘肅 蘭州 730020； 2. 青海省草原總站，青海 西寧 810000)

?

基于MODIS逐日地表反射率數據的青南地區草地生長狀況遙感監測研究

楊淑霞1，張文娟2，馮琦勝1，孟寶平1，高金龍1，梁天剛1*

(1.草地農業生態系統國家重點實驗室，蘭州大學草地農業科技學院，甘肅 蘭州 730020； 2. 青海省草原總站，青海 西寧 810000)

大范圍草地生長狀況遙感監測對研究草地變化動態和草地畜牧業的管理具有重要意義。利用2010-2013年的草地外業調查數據和EOS Terra MODIS每日地表反射率產品MOD09GA，采用空間分析方法分別計算了生長季(5-9月)草地NDVImax,EVImax,NDVImean和EVImean4種植被指數，探討了這4種植被指數與草地地上生物量之間的遙感反演模型，分析了青南地區草地生長季多年NDVI平均值空間分布特征；根據所選的最優模型反演了青南牧區近10年(2004-2013年)的草地地上生物量，統計分析了地上生物量的空間變化特征。結果表明，青南地區多年NDVI平均值和草地地上生物量總體上均具有由西北向東南逐漸增加的空間分布特點。不同草地類型的生物量差異顯著。近10年來山地草甸類的生物量最高，達1280 kg DW/hm2；其次為高寒草甸類、溫性草原類、溫性荒漠類和沼澤類，生物量介于244.9～902.4 kg DW/hm2；高寒草甸草原類、高寒荒漠類和高寒荒漠草原類生物量較小，在65 kg DW/hm2以下。海拔對生物量具有明顯的影響，在3500 m以上地區的草地生物量隨海拔的升高而減小。當海拔介于3500～4000 m，最大生物量達1358.8 kg DW/hm2；海拔介于4000～4500 m，生物量小于920 kg DW/hm2；海拔介于4500～5000 m，生物量為574.2 kg DW/hm2；海拔大于5500 m，生物量僅為94.4 kg DW/hm2。統計分析近10年間的NDVI變化趨勢發現，三江源地區的黃河、長江和湄公河三大流域及各行政區的草地植被生長狀況以輕度改善和改善為主，總體趨于良好。

青南地區；草地地上生物量；NDVI；遙感監測

草地是陸地生態系統的重要組成部分，在生態環境保護、水土流失防治等方面起著舉足輕重的作用[1-2]。它不僅是發展國民經濟的物質基礎，還是維護陸地生態環境的天然屏障[3]。草地地上生物量(above ground biomass, AGB)是衡量天然草地生產力高低的重要參數[4],準確評價草地生物量對草地資源的合理利用，草地在全球碳循環中的作用及其與氣候變化之間的互作機制具有重要作用[5-6]。草地生產力作為草地生態系統的物質基礎，在一定程度上影響著生態系統的結構和功能[7]。草地生物量的研究為草地災害管理、野生動物分布狀況評價、生物多樣性的研究以及維持生態系統平衡分析可提供重要的參考依據[8]。因此，開展草地地上部分生物量動態監測研究，對草畜平衡動態分析及天然草地資源的合理利用具有重要意義。

自20世紀80年代以來，國內外眾多學者在草地地上生物量評估方面已開展了許多研究工作。周鑫等[9]利用新疆伊犁地區2012年7-8月草地外業調查資料與同期的中分辨率成像光譜儀(moderate-resolution imaging spectroradiometer，MODIS)數據，分析了增強型植被指數(enhanced vegetation index，EVI)和歸一化植被指數(normalized difference vegetation index，NDVI)與實測草地地上生物量的一元線性、指數和二次多項式回歸模型，結果表明，以EVI建立的二次多項式回歸模型最優，擬合模型平均估產精度達92.19%。周宇庭等[10]利用2010和2011年6-9月高寒蒿草草甸群落地上生物量數據和同期的MODIS數據，建立了西藏自治區拉薩當雄高寒草甸的地上生物量遙感估算模型。結果表明，在所有模擬模型中EVI的線性模型模擬效果最好，在預測方面，冪函數模型最好，線性模型次之，其平均誤差分別僅為9.76%和10.8%。成平[11]利用2008年7月覆蓋若爾蓋地區的TM數據，提取NDVI、RVI、SAVI、MSAVI、PVI和GVI 6種植被指數，與同期地上生物量進行分析的結果表明，RVI與地上生物量冪函數模型的模擬效果最好，決定系數R2達0.8177，擬合精度達93.20%。除多等[12]利用西藏高原中部2004年5-9月草地植被生長期的實測地上生物量，結合同期的MODIS 16d合成產品MOD13Q1 NDVI和EVI 數據，對草地生長期地上生物量遙感監測模型的結果表明，MODIS NDVI的指數函數模型(R2=0.778，P<0.001)是估算西藏高原中部草地地上生物量的最優模型。除多等[13]根據2004年8-9月草地植被地面觀測資料結合同期的EOS/MODIS衛星遙感數據建立了藏北高原草地地上生物量、綠色干物質與EOS/MODIS NDVI和EVI之間的關系，結果表明藏北高原草地地上生物量與NDVI和EVI之間的相關系數為0.793和0.706。Gao等[14]對內蒙古錫林郭勒草原的研究結果表明，冪函數模型(R2=0.62)的均方根誤差和相對誤差最低(RMSE=22.92 g/m2,REE=0.27)，模型精度可達78%。Ma等[15]利用錫林郭勒MODIS 數據與野外實測數據構建NDVI與地上生物量及地下生物量的關系，并探索了氣候因子對這些變量的影響，結果表明，每年地上生物量與生長季降水呈正相關關系(R2=0.82，P<0.001)，但是與生長季溫度關系不顯著(R2=0.61，P=0.003)，氣候因子影響地上生物量的空間分布，隨著生長季降水的增加，地上生物量增加，隨著溫度的增加，生物量減小。Barrachina等[16]以庇里牛斯山的草甸和草原為研究區，利用Landsat-5TM遙感數據計算的指數(植被指數和濕潤度指數)分別與實測生物量構建生物量模型，結果表明，2008和2009年夏季中期的R2、RMSE和pe分別為0.76，95 g/m2及27%；夏季末期的R2、RMSE和pe分別為0.74，128 g/m2及36%，結果表明植被指數和濕潤度指數與生物量的關系密切。

綜上所述，由于我國草地資源分布廣，空間異質性強，因此草地生物量監測主要依賴高時間分辨率及中度空間分辨率的MODIS資料，但是，在現有的草地地上生物量監測方面，還存在植被指數和監測模型的篩選及地面實測草地樣方與MODIS植被指數產品在時空尺度上難以匹配等問題。

基于以上因素，本研究以青南地區作為研究區，結合2010-2013年的地面實測數據，采用Terra/MODIS的每日地表反射率產品MOD09GA數據與測產資料時相一致的植被指數數據，分析MOD09GA計算的生長季草地植被指數與生物量之間的相關關系，建立適合青南地區草地地上生物量遙感動態監測模型，分析草地生物量時空動態變化，為大范圍的草地生物量監測提供科學依據。

1　材料與方法

1.1研究區概況

青南地區位于青藏高原腹地，地理位置介于100°53′ E-102°16′ E，34°05′ N-34°55′ N，青南地區是青海省的主要牧區，是我國黃河、長江、瀾滄江三大水系發源地，素有“中國水塔”之稱。該區隸屬3個自治州，包括14個純牧業縣，草原面積2098.97萬hm2，其中可利用面積1787.44 萬hm2。平均海拔在4000 m以上，年平均氣溫-5.6～4.9 ℃，年降水量615.5 mm，多集中在6-9月，夏季短暫，牧草生長期短，植物長勢低矮，產草量低，冷季長達7～8個月，草地類型主要由高寒草甸類和高寒干草原類組成[17]。

1.2數據來源與預處理

1.2.1草地外業觀測數據草地地面觀測數據來源于青海省草原總站，野外調查時間為2010-2013年牧草生長季。 依據青南牧區的地形地貌、草地類型空間分布特點，樣地設置主要選擇在草地植被空間分布比較均一的區域。每個樣地設置2～3個1 m×1 m的樣方，共計736個樣地(圖1)。在進行草地監測時，主要記錄草層高度、蓋度、可食牧草生物量和總產草量等特征數據以及每個樣點隸屬的行政區、草地類型、坡度、坡向、草地利用狀況及觀測點的經度、緯度和海拔，考慮到地面測產數據的異常值可能會影響估算模型的準確性，因此在地面樣方數據整理過程中，對處于同一像元內的地面觀測樣點的生物量數據進行了合并處理，用它們的平均值來代表與該像元對應的地面實測的草地生物量。

圖1　2013年研究區采樣點分布Fig.1　The spatial distribution of the in situ observations in the study area

1.2.2MODIS遙感數據遙感數據來自NASA MODIS 陸地產品組開發的Terra衛星每日地表反射率產品MOD09GA。該產品包括空間分辨率為500 m的 MODIS 1-7通道每日地表反射率數據。本研究使用了近10年(2004-2013年)草地生長季(5-9月)MODIS 1-7通道的地表反射率數據。數據格式為EOS-HDF，覆蓋研究區的逐日產品在全球正弦曲線投影(sinusoidal projection，SIN)系統中編號為h25v05和h26v05兩景圖像，共計3306幅數字圖像。

1.2.3MOD09GA數據預處理MOD09GA數據預處理主要包括以下環節： 1)使用MRT(MODIS Reprojection Tool)，將MOD09GA圖像進行數據格式和地圖投影轉換，將HDF轉換為Tiff格式，將SIN地圖投影轉換為WGS84坐標系統。2) 在ArcGIS軟件中將Tiff轉為Grid格式，結合青南地區行政分區、草地資源類型、地面調查樣點等數據庫，采用MODIS NDVI和EVI的計算公式(1)和(2)，分別計算出每日NDVI和EVI數字圖像。為了減少陰天、云層等因素對植被指數的影響，應用ArcGIS空間分析工具分別對MODIS逐日NDVI和EVI圖像進行逐年生長季最大值和平均值合成處理，生成青南地區2004-2013年生長季NDVI和EVI的最大值及平均值數字圖像，并提取與地面實測樣點相對應像元的逐年NDVI和EVI合成數據，分別記為NDVImax、EVImax、NDVImean和EVImean。

NDVI=(NIR-RED)/(NIR+RED)

(1)

(2)

式中，NIR、RED和BLUE分別為近紅外波段、紅光波段和藍光波段經過大氣校正的地表反射率值；L=1，為土壤調節參數；參數C1和C2分別為6.0和7.5。

1.3草地地上生物量遙感監測模型構建與精度評價

利用SPSS軟件的回歸分析方法，統計分析植被指數與地面測產數據之間的相關關系，分別構建基于青南地區草地生物量干重和MODIS植被指數(NDVImax、EVImax、NDVImean和EVImean)之間的線性、指數、對數和乘冪4種模型，分別利用決定系數(R2)和均方根誤差(RMSE)比較分析不同模型的模擬精度，選取適合于青南地區草地生物量反演的最優植被指數及模型。

1.4草地植被時序空間變化分析

利用一元線性趨勢分析方法，通過計算NDVI的年際變化率(SLOPE),分析2004-2013年青南地區逐像元(500 m×500 m)草地植被的變化趨勢，研究草地植被的生長狀況。若SLOPE>0[18-19]則表示植被生物量呈增加趨勢，植被生長狀況良好；若SLOPE<0，則表示植被的生物量呈減少趨勢，植被生長狀況變差。SLOPE的計算公式如下所示：

(3)

式中,SLOPE表示一元線性方程的回歸斜率；NDVIi表示第i年生長季NDVI值；n為監測時間段的累積年數，本研究中n=10，i為1到n。

為了更進一步探討草地生長狀況的空間分布格局，依據SLOPE大小劃分為惡化(<-0.01)、輕度惡化(-0.01～-0.001)、穩定(-0.001～0.001)、輕度改善(0.001～0.01)和改善(>0.01),并對青南牧區按流域(長江流域、黃河流域和湄公河流域)和行政區分別進行統計分析。

標準差[19]是衡量一組地理數據與平均值的離散程度。標準差越大，說明統計變量距離研究時段內的平均值越遠。本研究通過計算NDVI標準差來分析青南地區近10年逐像元(500 m×500 m)植被的波動特征。標準差反映的是植被變化的幅度，而SLOPE則表示變化的方向。標準差的計算公式為：

(4)

式中，NDVIi表示第i年的NDVI值，NDVI表示多年平均NDVI值，n為監測時間段的累積年數，i表示從1到n。

2　結果與分析

2.1青南牧區草地NDVI的空間變化

2.1.1青南牧區多年NDVI平均值的空間分布格局圖2是近10年(2004-2013)青南地區NDVI平均值的空間分布格局。從該圖可以看出，青南牧區NDVI總體呈現出由東南向西北逐漸減少的趨勢。NDVI的高值區主要集中分布在青南牧區東部的貴南、澤庫、同德和河南等縣，另一個高值區出現在青南地區的東南部。NDVI值由中部向西北和西南方向逐漸減少。NDVI低值區主要出現在瑪多縣的東北和西北部，治多縣的西北部和格爾木代管縣的西北和西南部。究其原因發現，NDVI的變化與海拔關系密切，高海拔地區氣候寒冷干燥，氣溫低，熱量成為植被生長的主要限制性因素。高海拔地區土壤多為礫石和粗砂，對牧草的生長具有很大的影響，土壤肥力偏低，微生物活動比較弱，有機質積累強而分解緩慢，土壤養分供應不足，海拔越高的地方，NDVI越小，NDVI與海拔呈非正態分布，高海拔地區植被生長狀況普遍較差，NDVI值偏低。

2.1.2青南牧區NDVI年際變化趨勢圖3和圖4分別為2004-2013年青南牧區三大流域(長江、黃河和湄公河流域)和各個行政區的草地NDVI年際變化趨勢。可以看出，青南牧區NDVI年際變化趨勢在空間上的分布存在明顯的差異。從三大流域和各個行政區的草地NDVI年際變化趨勢看，總體上青南牧區的草地NDVI呈上升趨勢，上升趨勢由西北向東南逐漸遞增。草地植被以輕微改善和改善為主，表明隨著國家西部大開發、生態恢復工程及相關項目的實施，該地區草地植被恢復成效顯著。

統計分析長江流域、湄公河流域和黃河流域植被NDVI的變化(表1)發現，近10年三大流域草地植被變化的總體趨勢以輕度改善為主。其中，長江流域輕度改善所占比重最大，約為70.07%，其次為湄公河流域和黃河流域，分別為66.14%和60.97%。黃河流域14.65%的草地面積保持穩定，其次為湄公河流域和長江流域，分別為13.30%和10.42%。三大流域草地惡化的面積所占比重比較小，依次為0.01%,0.01% 和0.22%。湄公河流域12.38%的草地呈輕度惡化現象，其次為長江流域和黃河流域。總體而言，三大流域草地以輕度改善為主，惡化面積所占比重比較小，草地植被生長狀況良好。

表2是青南地區各行政區草地NDVI變化趨勢統計分析結果。從該表可以看出，青南牧區近10年各行政區草地以輕度改善為主，輕度改善所占比重普遍在50%以上，改善面積存在較大差異，其中輕度改善比重大于70%的縣分別為格爾木代管區、治多、達日、貴南，其中，貴南所占比重最大，達79.49%；輕度改善大于60%的縣分別為澤庫、班瑪、久治、玉樹、雜多、稱多、囊謙、曲麻萊；輕度改善小于60%的縣分別為河南、同德、興海、瑪沁、甘德、瑪多。改善草地的比重也存在著較大差異，其中瑪多縣改善最多，達28.61%；改善比重介于10%～21%的縣包括同德、興海、達日、雜多、稱多、曲麻萊和格爾木代管區；其余縣所占比重均小于10%。

輕度惡化所占比重也存在著顯著差異性。甘德縣22.28%的草地呈現輕度惡化現象，輕度惡化介于10%～20%之間的分別為瑪沁、久治、玉樹、興海、河南、班瑪等縣；其他縣輕度惡化基本小于10%。惡化的草地所占比重普遍比較少，除治多縣(0.17%)和瑪多縣(0.93%)的草地出現惡化，其他惡化草地所占比重不足0.1%，其中澤庫縣、河南縣、貴南縣、甘德縣、達日縣、久治縣、雜多縣和稱多縣未出現惡化現象。草地穩定狀態大于20%的縣包括河南、瑪沁、甘德、久治；穩定比重介于10%～20%之間的縣包括澤庫、同德、興海、班瑪、玉樹、雜多、治多、稱多和囊謙；小于10%的縣包括貴南、達日縣、瑪多縣、曲麻萊縣和格爾木代管區。總體來說，青南地區草地以輕度改善為主，有少量不同程度的惡化，草地生長狀況良好。

圖2　2004-2013年青南地區草地植被生長季NDVI平均值空間分布Fig.2　Spatial distribution of average annual NDVI values in Qingnan Plateau during the period from 2004-2013

圖3　2003-2014年青南牧區三大流域植被NDVI變化趨勢Fig.3　NDVI variation trends in the Three River Headwaters of Qingnan region during the period from 2003 to 2014

圖4　2004-2013年青南牧區各行政區植被NDVI變化趨勢Fig.4　NDVI variation trends in different counties in Qingnan region during the period from 2003 to 2014

表1　2004-2013年青南牧區三大流域植被NDVI趨勢變化

表2　2003-2014年青南地區不同縣草地變化趨勢

2.1.3青南牧區NDVI的波動狀況圖5表示青南牧區2004-2013年NDVI標準差空間分布格局。從該圖來看，草地植被年際波動最大的地區主要分布在青南牧區東部及中部地區，這些地區的植被生長狀況年際間具有很大的變化；而青南牧區西北部及中部的NDVI標準差變化較小，說明草地植被年際變化小，草地基本保持穩定。結合青南牧區草地NDVI變化趨勢可以看出，近年來青南牧區東部地區草地NDVI呈上升趨勢，并且草地植被生長狀況波動較大。

2.2草地地上生物量反演模型及精度評價

生物量統計模型主要有線性和非線性模型。但是，由于各個研究區自然條件和植被生理特征存在差異，導致不同地區反演模型也存在較大差異。本研究通過SPSS軟件，統計分析了基于生長季NDVImax、EVImax、NDVImean和EVImean4種植被指數與青南牧區草地地上生物量實測值之間的線性、指數、對數和乘冪模型。表3分別列出了模擬模型的擬合度和決定系數。由該表可以看出：植被指數NDVImax(R2=0.371)、NDVImean(R2=0.284)、EVImean(R2=0.287)和EVImax(R2=0.212)的乘冪模型均優于其他3種模型。在各種模型中，NDVImax(R2=0.371)的乘冪模型的決定系數最高，擬合效果最好。從精度評價的結果(表4)可以看出，4種植被指數的乘冪模型的決定系數基本高于其他模型，均方根誤差較低。這說明基于植被指數NDVImax構建的乘冪模型反演的草地地上生物量與實測值最接近，能夠很好地模擬青南牧區的草地地上生物量。因此，青南牧區草地地上生物量的最優模型為：

y=2028.773x2.556R2=0.371

式中，y為草地地上生物量(kg DW/hm2)；x為年最大MODIS NDVI值。

圖5　2004-2013年青南牧區多年NDVI變化的標準差空間分布Fig.5　Spatial distribution of standard deviation of NDVI variation in Qingnan region during the period from 2004 to 2013

表3　青南牧區不同草地植被指數與草地地上生物量回歸模型比較

2.3青南牧區草地產草量的空間變化特征

青南牧區2003-2014年草地產草量存在顯著的區域性差異。為了詳細分析草地產草量的空間變化特征，依據海拔變化特點，分別對青南地區海拔<3500 m、3500～4000 m、4000～4500 m、4500～5000 m、5000～5500 m和>5500 m的6個分區和不同草地類型分布區的生物量變化進行了統計分析(表5，6)。

表4　青南牧區草地植被指數與草地地上生物量反演模型精度評價

表5　2003-2014年青南地區不同海拔分區的平均草地地上生物量統計

由表5可知，近10年間青南地區各分區生物量存在較大差異，其中高程介于3500～4000 m分區的草地生物量高于其他5個分區，在每個高程分區中，2010年的生物量最大。高程小于3500 m分區的生物量介于716.6～1025.7 kg DW/hm2，其中近10年平均值為857.27 kg DW/hm2；高程介于3500～4000 m分區的生物量介于1164.2～1358.8 kg DW/hm2，平均值為1225.52 kg DW/hm2；高程介于4000～4500 m分區的生物量介于721.0～914.8 kg DW/hm2，近10年平均值為797.4 kg DW/hm2。高程大于5500 m時，生物量降到最低，僅為61.5～94.4 kg DW/hm2，平均值為75.14 kg DW/hm2。總體來說，青南地區的草地生物量隨著海拔的升高而減少。

從表6可以看出，不同草地類型的生物量存在很大差異。在近10年期間各類草地的生物量在2010年均達到最大值，其中山地草甸類的生物量高于其他草地類型，其最大值達1280 kg DW/hm2，平均值為1163 kg DW/hm2，其次為高寒草甸類、溫性草原類、溫性荒漠草原類和溫性荒漠類，生物量介于376～902 kg DW/hm2，高寒草甸類平均值為752 kg DW/hm2，溫性草原類的平均值為722 kg DW/hm2，溫性荒漠草原類的平均值為615 kg DW/hm2，溫性荒漠類的平均值為493 kg DW/hm2。沼澤類生物量介于245～333 kg DW/hm2，平均值為288 kg DW/hm2；高寒草甸草原類、高寒荒漠類和高寒荒漠草原類生物量較小，在65 kg DW/hm2以下。

表6　2003-2014年青南牧區不同草地類型地上生物量趨勢變化

3　討論

3.1青南地區草地植被生長狀況

本研究利用MODIS逐日植被指數產品及草地外業觀測數據，對青南地區草地生物量時空動態變化及草地生長狀況分析的結果表明，近10年(2004-2013)以來青南地區草地局部惡化、整體恢復，以輕微改善為主，改善區主要集中在東部地區，其主要原因包括氣候變化的影響和國家相關政策因素這2個方面。

已有研究表明，高海拔地區氣候寒冷干燥，氣溫低，低溫比水分更能限制植被的生長，熱量是植被生長的限制性因子，高寒地區氣溫的升高能促進植被的生長[20]。張鈦仁等[21]的研究表明,青南東部地區牧草的生長受制于熱量條件，而青南西部地區牧草的生長受制于水分條件，年降水量越多，牧草產量越高；青南東部的半濕潤地區，溫度對產量的影響大于降水對產量的影響。在全球氣候變暖的背景下，青南半濕潤地區，隨著氣溫的升高，牧草產量有所增加，在青南西部地區，氣候變暖加重了水分的散失，牧草的生長發育受到阻礙，牧草產量下降。呂曉蓉等[22]的研究表明，氣候暖干化趨勢導致青藏高原東北部環境不斷惡化，氣候變暖，降水減少，地表蒸發量大，造成河流斷流，湖泊沼澤干涸，草地退化，影響天然草地牧草生長。這與本研究的結果一致。從NDVI的時空變化狀況可以看出，青南地區東南部的貴南飛地、河南、澤庫和同德等縣的草地好于西部地區的格爾木代管區、治多、雜多等縣，這與氣候的暖干化有很大的關系，氣候的暖干化顯著影響著草地的變化。

在21世紀初，黨中央做出了實施西部大開發戰略的重大決策，將生態環境作為根本和切入點。目前天然草地保護、退耕還林還草等重點工程為主要內容的大規模西部生態環境建設取得顯著成效。中國乃至亞洲重要的生態環境和水源涵養區，青南地區的生態保護，關乎西北地區乃至全國的生態安全。三江源保護和建設工程實施近10年來，在較大的范圍內開展了生態恢復和治理工作[23]。三江源自然保護區一期工程自2005年8月啟動實施，于2013年10月完成，二期工程于2014年初開始實施。青南地區草地地上生物量近年來呈現恢復趨勢，這表明該區域草地生態系統功能正在逐年提升，三江源區水源涵養功能將會進一步增強，這對提升研究區生態系統服務功能意義重大[24]。此外，研究結果進一步表明了三江源自然保護區一期工程實施成效的顯著性和二期工程及時啟動的必要性。

3.2草地生物量遙感監測算法

本研究結合大量的遙感資料、野外實測的草地生物量數據，建立了植被指數與生物量之間的關系，篩選出適合青南地區的最優模型。雖然由于遙感數據和實測數據之間存在空間尺度不匹配的問題，會引起遙感估算的生物量存在一定的誤差，但與基于樣方的生物量監測的傳統方法相比，遙感估算不僅有更高的時效性，而且具有傳統方法無法比擬的優勢，如可以監測高寒無人區草地的變化動態等。張連義等[25]利用錫林郭勒實測的草地地上生物量與植被指數之間的相關關系，研究結果表明錫林郭勒草地總生物量估產的最優回歸模型為基于植被指數NDVI的S曲線(y=e5.983-0.479/x，R2=0.685，P<0.001), 他的研究最終選用了指數模型作為錫林郭勒草地生物量的最優估算模型。目前，針對草地監測的遙感模型的研究很多，但由于研究區草地類型、生態環境及所用遙感數據的不同，植被指數和生物量反演模型存在較大的差異。韓波[26]利用三江源的實測樣點生物量與其對應的植被指數NDVI和EVI進行模型擬合，最終確定植被指數EVI與地面實測樣點構建的模型為最優模型(y=348.769x0.783，R2=0.655，P<0.001)。韓波[26]的研究時間為2005-2014年，與本研究的時間(2004-2013年)基本一致，生物量反演模型均為乘冪模型，反演的三江源區高寒草地地上生物量的空間分布格局也具有從東南向西北逐漸減少的變化趨勢，本研究與此結果一致，但模型參數存在一定的差異，從而導致反演的生物量具有較大變化。導致這種現象的主要原因是研究區選用的遙感資料及地面實測數據不同，所建立的反演模型必然存在一定差異。韓波的研究所用的遙感數據為MOD13A1，其時空分辨率分別為16 d和500 m。野外數據采集時間為2012-2014年的7月底-8月初，采集樣點包括41個高寒草甸和13個高寒草原。本研究選用的MOD09GA數據，為逐日反射率產品，具有更高的時間分辨率，所用的地面調查數據集中在2010-2013年牧草生長的盛草期(7-8月)，并且有更多的地面調查樣點數據。大量研究表明，研究區草地及自然環境的差異，選用的遙感數據時間分辨率和空間分辨率、地面生物量測定方法和所選植被指數的不同，對生物量反演模型的構建均有較大的影響。牛志春等[27]研究利用TM 影像數據提取的5種植被指數與草地生物量的相關分析表明，不同植被指數與草地生物量存在較好的相關性，但不同植被指數與草地生物量相關性程度存在一定差別，其中，RVI與草地生物量相關性最好，其次為NDVI、SAVI與MSAVI，DVI與生物量的相關性最差。Yang等[28]的研究結合青藏高原2001-2004高寒草地地上生物量數據與增強型植被指數分析了地上生物量的空間分布特征，探究了地上生物量受到溫度和降水的影響，結果表明，地上生物量隨著生長季降水的增加而增加，與生長季溫度的總體趨勢不顯著，氣候干燥(降水量<200 mm)時，生物量與生長季溫度呈負相關關系；除此之外，地上生物量還受到土壤結構的影響，生長季降水偏少使土壤含沙量增加，導致生物量的減少；土壤濕度的變化影響著草地的產草量，但是溫度和土壤結構卻影響著高海拔地區植被的生長。因此，改進地面觀測樣點的監測范圍及其代表性(如采用無人機等技術)，提高衛星遙感監測資料與地面觀測數據的時空匹配性，是未來改進草地生物量遙感反演模型精度的關鍵，也是草地遙感監測的重要內容之一。

4　結論

本研究利用MOD09GA產品的1-7波段反射率數據，分別計算了生長季草地的NDVI和EVI的最大值和平均值，利用2010-2013年外業觀測的草地地上生物量數據與MOD09GA的植被指數構建了青南地區草地生物量遙感反演模型，分析了青南地區草地地上生物量及NDVI的時空變化特征。獲得如下主要研究結果：1) 在4種植被指數中，反演草地生物量的乘冪模型的R2均高于其線性、對數和指數模型，其中基于NDVImax構建的乘冪模型(y=2028.773x2.556，R2=0.371)擬合效果優于其他植被指數，乘冪模型的R2最高，為0.371；對數函數的模型R2為0.361；線性R2為0.242，指數模型的R2為0.222。2)青南牧區草地生物量呈由西北向東南逐漸增加的空間分布格局。山地草甸類的生物量高于其他草地類型，10年(2004-2013年)期間，山地草甸類的生物量普遍在1000 kg DW/hm2以上，其中2010年的最大，為1280 kg DW/hm2；溫性草原類的生物量介于573.8～902.4 kg DW/hm2之間，生物量平均值為722 kg DW/hm2；高寒草甸的生物量介于681.2～849.2 kg DW/hm2；溫性荒漠類生物量介于375.7～632.6 kg DW/hm2，生物量平均值為492.66 kg DW/hm2；高寒荒漠類和高寒草甸草原類的生物量介于28.6～63.3 kg DW/hm2之間；高寒荒漠草原類的生物量小于28 kg DW/hm2，最大生物量僅為28.0 kg DW/hm2。海拔對生物量也具有重要影響，海拔小于3500 m，生物量最大為1025.7 kg DW/hm2；海拔介于3500～4000 m，生物量最大達1358.8 kg DW/hm2；海拔介于4000～4500 m時，生物量最大為914.8 kg DW/hm2；海拔介于4500～5000 m，生物量最大為574.2 kg DW/hm2；海拔介于5000～5500 m，生物量最大為219.9 kg DW/hm2；海拔大于5500 m，生物量僅為94.4 kg DW/hm2。隨著海拔的升高，生物量減少。3)青南牧區多年NDVI平均值呈由東南向西北逐漸減少的空間分布特征。統計分析近10年的長江流域、黃河流域和湄公河流域三大流域草地植被的變化趨勢表明，青南地區輕度改善的草地所占比重最大，長江流域達70.07%；其次為湄公河流域和黃河流域；湄公河草地改善所占比重僅為8.18%；湄公河流域12.38%的草地呈輕度惡化趨勢，長江流域輕度惡化的比重最小為8.52%，黃河流域為11.67%。三大流域草地穩定狀態比重均在10%以上；長江流域和湄公河流域惡化的比重不足0.1%，黃河流域惡化比重為0.22%。統計分析青南地區近10年來的草地變化趨勢表明：青南地區草地以輕度改善為主，草地改善存在較大的差異性，改善比重普遍在50%以上，貴南輕度改善比重達79.49%，瑪多縣28.61%的草地呈改善狀態，改善比重小于10%的縣占到了10個，河南縣僅占0.89%；輕度惡化所占比重的差異也較大，其中介于10%～23%的縣達到了9個，甘德縣為22.28%，其余縣小于10%，格爾木代管區為4%；18個縣區，惡化比重均比較小，除瑪多縣和治多縣的惡化比重分別占0.93%和0.17%，其他縣均不足0.1%。青南地區草地穩定狀態所占比重不盡相同，其中介于10%～27%的縣占到了13個，河南縣26.56%的草地保持穩定，其他縣均小于10%，瑪多縣近5.67%的草地保持穩定。

總體來說，青南地區草地具有局部惡化、整體恢復的特點，草地以輕度改善為主，草地植被生長狀況趨于良好。

References：

[1]Wang X X, Zhu J Z, Fan Y M,etal. Research on dynamics estimation models of grassland based on MODIS-NDVI in the middle section of northern hillside Tianshan Mountain. Pratacultural Science, 2009, 26(7): 24-27.

[2]Liu X Y, Long R J, Shang Z H,etal. Evaluation method of ecological services function and their value for grassland ecosystems. Acta Prataculturae Sinica, 2011, 20(1): 167-174.

[3]Li X. Remotely Sensed Monitoring of Grassland Aboveground biomass in Northern Xinjiang Area[D]. Lanzhou: Lanzhou University, 2008.

[4]Yu L P, Li F D, Li X Y,etal. RS, GIS and GPS based evaluation of desert grassland productivity in Ganzhou of Gansu Province. Grassland and Turf, 2008, 130(5): 36-39.

[5]Scurlock J M O, Johnson K, Olson R J,etalEstimating net primary productivity from grassland biomass dynamics measurements. Global Change Biology, 2002, 8(8): 736-753.

[6]Piao S L, Fang J Y, Huang Y,etal. The carbon balance of terrestrial ecosystems in China. China Basic Science, 2010, 458: 1009-1013.

[7]Ni J. Forage Yield-Based Carbon Storage in Grasslands of China. Climatic Change, 2004, 67(2/3): 237-246.

[8]Hudak A T, Brockett B H. Mapping fire scars in a southern African savannah using Landsat imagery. International Journal of Remote Sensing, 2004, 25(16): 3231-3243.

[9]Zhou X, Sheng J D, Zhang W T,etal. Aboveground biomass inversion of grassland in Ili area using MODIS data. Acta Agrestia Sinica, 2015, 23(1): 27-33.

[10]Zhou Y T, Fu G, Shen Z X,etal. Estimation model of aboveground biomass in the Northern Tibet Plateau based on remote sensing data. Acta Prataculturae Sinica, 2013, 22(1): 120-129.

[11]Cheng P. Study on Grassland Degradations and Vegetation Indices-biomass Model of Ruoergai County Based on TM Image[D]. Chengdu: Sichuan Agricultural University, 2009.[12]Chu D, Ji Q M, Tang H,etal. Aboveground biomass estimation methods of grassland in the central Tibet. Journal of Mountain Science, 2013, 31(6): 664-671.

[13]Chu D, Dejiyangzong, Pubbciren,etal. Aboveground biomass in the North Tibet and estimate model using remote sensing data. Journal of Natural Resource, 2013, 28(11): 2000-2011.

[14]Gao T, Yang X, Jin Y,etal. Spatio-temporal variation in vegetation biomass and its relationships with climate factors in the Xilingol grasslands, Northern China. Plos One, 2013, 8(12): e83824.

[15]Ma W, Liu Z, Wang Z,etal. Climate change alters interannual variation of grassland aboveground productivity: evidence from a 22-year measurement series in the Inner Mongolian grassland. Journal of Plant Research, 2010, 123(4): 509-517.

[16]Barrachina M, Cristóbal J, Tulla A F. Estimating above-ground biomass on mountain meadows and pastures through remote sensing. International Journal of Applied Earth Observation & Geoinformation, 2015, 38: 184-192.

[17]Hao Y Q, Yu M S. The thinking and countermeasures of the grassland ecological animal husbandry construction in Qingnan region. Chinese Qinghai Journal of Animal and Veterinary Sciences, 2002, 32(4): 33-35.

[18]Sun Y L, Guo P. Spatiotemporal variation of vegetation coverage index in North China during the period from 1982 to 2006. Arid Zone Research, 2012, 29(2): 187-193.

[19]Wang T, Shen W T, Ouyang Y,etal. Characteristics of temporal and spatial variations in the grass growing season of Tibet during the period of 1982 to 2010. Acta Agrestia Sinica, 2014, 22(1): 46-51.

[20]Wang P L, Tang G L, Cao L J,etal. Surface air temperature variability and its relationship with altitude & latitude over the Tibetan Plateau in 1981-2010. Advances in Climate Change Research, 2012, 8(5): 313-319.

[21]Zhang T R, Yan L D, Zhang F,etal. The impacts of climate on the natural pasture grass in Qinghai Province. Plateau Meteorology, 2007, 26(4): 724-731.

[22]Lv X R, Lv X Y. Climate tendency analysis warming and drying in grassland of Northeast Qingzang Plateau of China. Grassland of China, 2002, 24(4): 8-13.

[23]Fan J W, Shao Q Q, Liu J Y,etal. Dynamics changes of grassland yield in Three River Headwater region from 1988 to 2005. Acta Agrestia Sinica, 2010, 18(1): 5-10.

[24]Qin H R, Kong Q X. Present situation of grassland eco-environment and countermeasures in Qingnan pasture area. Qinghai Prataculture, 2005, 14(1): 48-50.

[25]Zhang L Y, Bao L R, Erdunzhama,etal. Research on remote sensing models for monitoring grassland vegetation biomass in Xilinguole. Chinese Journal of Grassland, 2008, 30(1): 6-14.

[26]Han B. Modeling Aboveground biomass of Alpine Grassland in the Three-River Headwaters Region Based on Remote Sensing Data[D]. Hefei: Anhui University of Science &Technology, 2015.

[27]Niu Z C, Ni S X. Study on models for monitoring of grassland biomass around Qinghai Lake assisted by remote sensing. Acta Geographica Sinica, 2003, 58(5): 695-702.

[28]Yang Y H, Fang J Y, Pan Y D,etal. Aboveground biomass in Tibetan grasslands. Journal of Arid Environments, 2009, 73(1): 91-95.

[1]王新欣, 朱進忠, 范燕敏, 等. 基于MODIS NDVI的天山北坡終端草地動態估產模型研究. 草業科學, 2009, 26(7): 24-27.

[2]劉興元, 龍瑞軍, 尚占環, 等. 草地生態系統服務功能及其價值評估方法研究. 草業學報, 2011, 20(1): 167-174.

[3]李霞. 北疆地區草地生物量遙感監測[D]. 蘭州: 蘭州大學, 2008.

[4]俞聯平, 李發弟, 李新媛, 等. 基于3s技術的甘肅省甘州區荒漠草地生產力評價. 草原與草坪, 2008, 130(5): 36-39.

[9]周鑫, 盛建東, 張文太, 等. 基于 MODIS 數據的伊犁地區草地地上生物量反演. 草地學報, 2015, 23(1): 27-33.

[10]周宇庭, 付剛, 沈振西, 等. 藏北典型高寒草甸地上生物量的遙感估算模型. 草業學報, 2013, 22(1): 120-129.

[11]成平. 基于TM影像的若爾蓋草地退化及生物量模型研究[D]. 成都: 四川農業大學, 2009.

[12]除多, 姬秋梅, 唐洪, 等. 西藏高原中部草地地上生物量遙感估算方法. 山地學報, 2013， 31(6): 664-671.

[13]除多, 德吉央宗, 普布次仁, 等. 藏北草地地上生物量及遙感監測模型研究. 自然資源學報, 2013, 28(11): 2000-2011.

[17]郝云晴, 于明勝. 青南牧區草地生態牧業建設的思考及對策. 青海畜牧獸醫雜志, 2002, 32(4): 33-35.

[18]孫艷玲, 郭鵬. 1982-2006年華北植被指數時空變化特征. 干旱區研究, 2012, 29(2): 187-193.

[19]王濤, 沈渭濤, 歐陽琰, 等. 1982-2010年西藏草地生長季NDVI時空變化特征. 草地學報, 2014, 22(1): 46-51.

[20]王朋嶺, 唐國利, 曹麗娟, 等. 1981-2010年青藏高原地區氣溫與高程及緯度的關系. 氣候變化研究進展, 2012, 8(5): 313-319.

[21]張鈦仁, 顏亮東, 張峰, 等. 氣候變化對青海天然牧草影響研究. 高原氣象, 2007, 26(4): 724-731.

[22]呂曉蓉, 呂曉英. 青藏高原東北部草地氣候暖干化趨勢分析. 中國草地, 2002, 24(4): 8-13.

[23]樊江文, 邵全琴, 劉紀遠, 等. 1988-2005年三江源草地產草量變化動態分析. 草地學報, 2010, 18(1): 5-10.

[24]秦海蓉, 孔慶秀. 青南牧區草地生態環境現狀及對策. 青海草業, 2005, 14(1): 48-50.

[25]張連義, 寶路如, 爾敦扎瑪, 等. 錫林郭勒盟草地植被生物量遙感監測模型的研究. 中國草地學報, 2008, 30(1): 6-14.

[26]韓波. 三江源高寒草地地上生物量遙感反演模型的建立[D]. 合肥: 安徽理工大學, 2015.

[27]牛志春, 倪紹祥. 青海湖環湖地區草地植被生物量遙感監測模型. 地理學報, 2003, 58(5): 695-702.

Monitoring of grassland herbage accumulation by remote sensing using MODIS daily surface reflectance data in the Qingnan Region

YANG Shu-Xia1, ZHANG Wen-Juan2, FENG Qi-Sheng1, MENG Bao-Ping1, GAO Jin-Long1,LIANG Tian-Gang1*

1.StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China; 2.QinghaiProvinceGrasslandsStation,Xining810000,China

Monitoring of grassland herbage accumulation using remote sensing technology has a potentially important role in understanding seasonal changes in grasslands and optimizing animal husbandry and grazing management. In this study above ground biomass (AGB) and its spatial distribution was recorded using in-situ measurements during the growing seasons from 2010 to 2013 in southern Qinghai province, and regression models using in-situ AGB data and the corresponding daily surface reflectance product of Terra MODIS were established. The spatial analysis method was used to calculate four vegetation indices (NDVImax,EVImax,NDVImeanandEVImean) using MOD09GA data, and the accuracy of the inversion models was then analyzed, and the spatial distribution of the NDVI mean values in the previous 10 years characterized. With the algorithms optimized in this way, we estimated the aboveground grassland biomass and its spatial distribution for the previous 10 growing seasons. It was found that the aboveground biomass gradually increases from northwest to southeast, and different grassland types have characteristic biomass differences. The biomass of mountain meadow was highest among the grassland types included in this 10 year study, and reached 1280 kg DW/ha in 2010. The biomass of alpine meadow, warm steppe, warm desert and marsh ranged between 244.9 kg DW/ha and 902.4 kg DW/ha, The biomass values of alpine meadow grassland, alpine desert, and alpine desert grassland were much lower, and were below 65 kg DW/ha. The elevation had a marked effect on biomass, with grassland biomass decreasing with increasing elevation above 3500 m. At elevations between 3500 and 4000 meters, peak biomass was 1358.8 kg DW/ha; between 4000 and 4500 meters, the biomass was below 920 kg DW/ha, and between 4500 and 5000 meters the biomass averaged approximately 574.2 kg DW/ha. Above 5000 meters elevation, the biomass averaged approximately 94.4 kg DW/ha. The trend of NDVI mean values in last 10 years indicates that most regions in the Three River Headwater region (The Yellow River, The Yangtze River, and The Mekong River), which span different administrative areas, can be categorized as showing ‘mild improvement’ or ‘improvement’. Overall, the trend in grassland vegetation status is positive.

Qingnan region; aboveground biomass of grassland; NDVI; remote sensing monitoring

10.11686/cyxb2015455http://cyxb.lzu.edu.cn

楊淑霞, 張文娟, 馮琦勝, 孟寶平, 高金龍, 梁天剛. 基于MODIS逐日地表反射率數據的青南地區草地生長狀況遙感監測研究. 草業學報, 2016, 25(8): 14-26.

YANG Shu-Xia, ZHANG Wen-Juan, FENG Qi-Sheng, MENG Bao-Ping, GAO Jin-Long, LIANG Tian-Gang. Monitoring of grassland herbage accumulation by remote sensing using MODIS daily surface reflectance data in the Qingnan Region. Acta Prataculturae Sinica, 2016, 25(8): 14-26.

2015-09-23；改回日期：2015-11-23

國家自然科學基金項目(31372367，31228021，41401472)，農業部公益性行業(農業)科研專項項目(201203006)，長江學者和創新團隊發展計劃(IRT13019)資助。

楊淑霞(1983-)，女，甘肅寧縣人，在讀博士。E-mail: yangshx2014@lzu.edu.cn

Corresponding author. E-mail: tgliang@lzu.edu.cn