基于隨機森林回歸的草場植被蓋度反演模型研究
——以新疆阿勒泰地區布爾津縣為例

陳 妍, 宋豫秦,*,王 偉

1 北京大學環境科學與工程學院, 北京 100871 2 中國環境科學研究院生物多樣性研究中心,北京 100012

我國是草地資源大國,但多年來的超載過牧、荒地過度開墾和濫挖亂采致使草場植被覆蓋度大幅下降,水土流失和沙漠化日趨嚴重,牧區經濟發展及草地生態系統的健康因此受到了嚴重威脅[1]。研究草場變化規律是揭示草場退化驅動力以及風險評估的基礎,在缺乏長期監測數據的情況下,借助衛星遙感影像不失為有效的方法。當前可用的遙感數據一般為氣象衛星NOAA的1km分辨率AVHRR數據[2- 3],terra和aqua衛星的250m分辨率MODIS數據[4- 5]和陸地衛星Landsat系列數據。早期研究多采用分辨率較低的AVHRR數據,MODIS數據雖具有較高的完整性,但仍難以滿足長時間序列研究的需求。Landsat系列衛星自1975年開始已有7顆衛星相繼運行,且其30m的分辨率相較于AVHRR和MODIS來說優勢明顯,因而被目前不少研究者所關注。

利用遙感影像研究草場變化趨勢大致可分為兩種思路,其一是通過監督或非監督分類,分析草場分布或面積的變化[6- 8],然而面積增減只能體現宏觀變化,難以反映某一具體區域在時間序列上的退化或恢復情況;其二是利用光譜信息計算植被指數,通過植被指數變化直接表征生態系統的變化趨勢[9- 11],相對而言,這類方法的主要優勢是將研究對象精確至像元尺度。然而干旱半干旱地區植被蓋度低,植被光譜信息弱,植被指數往往非常小,在這種情況下用其變化情況說明草場生態的改善或惡化往往意義不大。而利用植被指數反演植被蓋度不失為一種可行的替代思路。植被蓋度計算主要可通過線性光譜混合模型[12- 14]和回歸模型兩種方法實現。前者一般應用于缺乏地面監測數據的情況之下,其核心是獲得純像元下的地物光譜值。但在實際應用中,特別是植被蓋度較低的草地生態系統中,典型光譜值很難獲得,且計算誤差較大[15]。因此,在具備地面監測數據的情況下,一般通過植被指數與植被蓋度直接的相關關系建立參數模型,反演植被蓋度,其中線性回歸模型應用最為廣泛[16- 17]。然而以往的研究多未充分考慮參數回歸苛刻的假設條件,以及多元回歸對變量間非共線性的要求,這無疑會降低反演模型的可靠性。解決此問題的途徑之一是尋求預測效果達到甚至超越參數模型的非參數方法。作為目前預測效果最好的非參數回歸模型之一,隨機森林模型與參數回歸等方法相比,無需對變量的正態性和獨立性等假設條件進行檢驗,同時也不需要考慮多變量的共線問題[18],且運算高效、結果準確,在環境以及生態學等領域都有著廣泛應用[19- 22]。在草場研究方面,隨機森林雖曾用于植被分類[23],但作為回歸模型的應用則幾屬空白。

數據源是保證反演模型可靠性的前提,長時間序列研究會不可避免地使用到來自不同傳感器的光譜信息,而對于Landsat系列衛星標準數據產品而言,同一時間段內從不同傳感器所提取的光譜信息會存在一定差異,需要對非同源數據進行校正以及標準化處理[24- 25]。但目前草場方面已有的研究既沒有定量分析傳感器差異對反演結果造成的影響,也沒有計算校正和標準化處理對反演結果的改進效果。

鑒此,本文利用Landsat系列衛星TM,ETM+以及OLI的影像和植被蓋度地面監測數據建立基于隨機森林回歸的草場植被蓋度反演模型,并將反演結果與線性回歸結果進行比對,探討其優越性。繼之將其應用于基于多源數據的草場植被蓋度變化趨勢分析,并探討該方法的不確定性,以期為干旱半干旱地區長時間序列的草場變化研究提供方法支持。

1 研究區域

布爾津縣位于新疆西北部阿勒泰地區,屬阿爾泰山脈西南麓,介于86°25′—88°6′E,47°22′—49°11′N之間,總面積10369km2。境內景觀異質性強,北部山區最高蜂海拔4374m,中部為低山丘陵、河谷地帶,南部為低平戈壁灘，海拔最低處僅為436m(圖1)。全縣生態系統多樣,北部山區兼具水源涵養與生物多樣性保護的功能,南部荒漠生態系統肩負防風固沙的生態功能。草地資源豐富,各類草地類型均有分布,農業以畜牧為主,放牧方式仍屬傳統游牧。當前北部林區載畜量快速增加,林牧矛盾突出,南部以荒漠植被為主,生態環境脆弱,生態保護形勢更加嚴峻。豐富而多樣的草場分布特征,不僅可使草場植被蓋度反演模型為分析當地草場歷史變化趨勢乃至制定草場保護和畜牧業生產政策奠定基礎,同時也可為其他地區的各類草場研究提供一定借鑒。

2 數據獲取與預處理

為了建立基于隨機森林回歸的草場植被蓋度反演模型,本文所用之數據主要包括基于地面調查的草場蓋度數據和衛星遙感影像。

植被蓋度地面調查數據來源于布爾津縣畜牧獸醫局草原站提供的2010、2011、2013、2014、2015年6—9月的草本、半灌木及矮小灌木草原樣方調查表。調查樣地涵蓋全縣8個典型草場類型,即低平地草甸、高寒草甸、山地草甸、溫性草甸草原、溫性草原化荒漠、溫性荒漠以及溫性荒漠草原。依據典型性原則,樣方在能夠代表整個樣地草原植被、地形及土壤等特征的區域隨機布設,監測樣地共計205個,分布及類型如圖1所示,每個樣地設置3個樣方,樣方大小為1m×1m,監測結果用3個樣方的平均值表示。部分監測點位雖然超越了縣界,但并未超越本文所用的遙感影像范圍,因此本文將此類監測點也納入分析范圍。植被蓋度是由目測法測定的樣方內植物地上部分垂直投影面積占樣方面積的比率,監測頻次為每年一次。

遙感數據為下載自美國地質調查局(U.S. Geological Survey)網站(http://glovis.usgs.gov/)的Landsat系列衛星遙感影像,整個縣域需要兩景影像覆蓋,行帶號分別為144/26、144/27,影像時間及傳感器信息如表1所示。

本文所使用的每一景影像都包含有目前此類研究通用的一級標準數據產品(簡稱L1數據)以及經過校正和標準化處理的地表反射率數據產品(簡稱SR數據),用以定量研究傳感器差異對反演結果的影響。

本文的研究對象為草場,因此需要對影像進行監督分類,提取出草場范圍。首先,利用ENVI 5.1軟件對2015年Landsat8 OLI的兩景 L1影像(144/27、144/27)分別進行剪裁、輻射定標、融合以及FLAASH大氣校正等預處理。其次初步將影像定義為林地、草地、荒地、水體、冰雪區五大類型,分別劃定訓練樣本,通過最大似然法進行分類。經過分類后處理,以Google Earth Pro.的高分辨率影像為基礎,劃定驗證樣本,通過混肴矩陣計算分類精度。兩景影像(144/27、144/27)的總體分類精度分別為97.7705%和98.8749%,Kappa系數分別為0.9692和0.9642。合并草地、荒地兩種類型的區域,通過目視解譯去除其中的耕地和建設用地區域,得到布爾津縣草場分布范圍(圖2)。

表1 遙感影像信息列表

圖1 研究區地形及監測點位分布圖 Fig.1 Elevation and monitoring points′ distribution of study area

圖2 草場范圍及抽樣點分布圖 Fig.2 Distribution of grassland and sampling points in study area

3 研究方法

3.1 隨機森林模型的建立與驗證

3.1.1 植被指數選擇

歸一化植被指數(NDVI)是草場退化研究中使用最為廣泛的植被指數[26- 28],本文首先選擇其作為模型的解釋變量之一。由于研究區南部大片區域為植被蓋度較低的溫性草原化荒漠、溫性荒漠以及溫性荒漠草原,僅使用NDVI作為解釋變量,反演效果可能并不能達到預期,必須考慮土壤背景的影響[29],因此進一步引入可用于修正土壤背景敏感性以及氣溶膠散射影響三個植被指數——土壤調節植被指數(SAVI)、修正土壤調節植被指數(MSAVI)、增強植被指數(EVI)。上述植被指數的計算方法如式1—式4所示,其中參數的選取依據了USGS發布的植被指數產品相關指南[30]。

(1)

(2)

(3)

(4)

3.1.2 模型建立

圖1中監測點位的植被蓋度數據分別來自2010、2011、2013、2014、2015年6—9月,經統計分析,在6—9月期間,植被蓋度并無顯著區別,因此在對應年份的6—9月中選擇云量最少的影像加以利用,即利用2010—2011年8月的TM影像和2013—2015年7月的OLI影像計算相應點位的4個植被指數。

利用R軟件在205組數數據(植被蓋度及其對應植被指數)中隨機抽取150組作為訓練數據用于模型建立。

隨機森林是由多棵相互沒有關聯的決策樹組成的集成決策樹,用{h(X,Θk),k=1, …}表示,其中X為輸入向量,{Θk}為獨立同分布隨機向量[31]。與經典回顧分析類似,隨機森林可以解釋多個自變量(X1、X2…Xk)對因變量Y的作用。此處將植被蓋度的實地監測值作為因變量Y,NDVI、SAVI、MSAVI和EVI作為自變量。隨機森林模型的建立通過調用R語言中“randomForests”程序包[32]來實現。該方法首先完成兩個隨機采樣過程,即通過自助法重采樣技術有放回的在150組訓練數據中重復隨機抽取150個訓練樣本,未被抽取到的數據被稱為“袋外”(out of bag)數據。再從NDVI、SAVI、MSAVI和EVI的4個變量中隨機選擇若干個變量(以mtry表示)建立決策樹,模型中mtry的省缺值一般為總變量的1/3,本文有4個變量,則mtry值為1。最后重復n次上述過程，生成由n棵決策樹組成的隨機森林,n值越大預測越好。隨著n值的增大,袋外數據誤差在顯著降低后會基本保持穩定。為了節省計算時間,n值保證袋外數據誤差穩定即可,本文n值取150。

模型輸出所有決策樹計算結果的均值,并通過計算“解釋方差百分比”來評定模型預測能力。對于各個自變量對因變量的影響程度,用方差增量以及節點純度增量兩個指標來定性表征。前者指將某一變量替換成隨機變量后對預測結果造成的影響,若用于替換的隨機變量顯著改變了方差,則認為原變量重要性很高;后者從同質性增加的角度去表征變量的重要性[33]。隨機森林模型的具體算法請參照Biau等[34]的文章。

為了將隨機森林回歸方法與傳統的線性回歸進行比較,本文采用同樣的訓練數據同時建立了植被蓋度與NDVI、SAVI、MSAVI和EVI的一元線性回歸及多元線性回歸模型。

3.1.3 模型驗證

利用205組數據經過隨機抽樣剩余的55組數據用于模型驗證。應用前文建立的隨機森林模型和各個線性回歸模型分別計算55個點位的植被蓋度預測值,并將實測值與預測值相減,根據差值分布情況比較模型的預測能力。此外,通過繪制殘差散點圖和正態Q-Q圖來檢驗線性回歸模型方差齊性以及殘差的正態性,并通過Kappa系數來判斷變量的共線性。

3.2 模型的應用及其不確定性分析

3.2.1 模型應用

利用ArcMap 10軟件在研究區域內隨機生成1000個相互間隔大于1km的點位,去除草場范圍之外的點位,得到草場抽樣點。為了研究模型在基于多源數據的植被蓋度反演領域的應用,本研究以2005—2008年ETM+影像、2009—2011年TM影像、2013—2015年OLI影像為基礎,分析2005—2015年間(除2012年),植被蓋度的變化趨勢。

首先,剔除研究時段內落在云層和云影中的草場抽樣點,最終得到的356個點位用于本小節的抽樣分析(圖2)。其次,分別利用上述影像的L1和SR數據計算各個點位的NDVI、SAVI、MSAVI和EVI值,將其輸入3.1中建立的隨機森林模型,分別得到監測點位基于L1數據和SR數據的植被蓋度值。最后,將每年356個監測點位的植被蓋度預測值求平均,繪制出基于L1數據和SR數據的植被蓋度變化趨勢圖。

3.2.2 不確定性分析

由于2005—2015年間遙感影像源自3個不同的傳感器,而傳感器的差異會給反演結果帶來一定影響,因此本研究進一步應用下載自美國地質調查局地球資源觀察和科學中心(Earth Resources Observation and Science Center)的MODIS—MOD13Q1 V005數據集建立隨機森林模型,反演2005—2015年的植被蓋度。由于MODIS數據不存在傳感器差異問題,因此可將基于此數據反演出的植被蓋度變化趨勢作為參考,將3.2.1中得到的基于L1和SR數據的趨勢曲線與之相比較,變化趨勢越接近基于MODIS數據的反演結果,則說明該數據中不同傳感器給反演結果造成的誤差越小。

前文提到SR數據是L1數據經過校正和標準化處理的地表反射率數據產品,可在一定程度上克服傳感器的差異對結果帶來的影響。為了定量分析SR數據對反演結果的改進效果及不確定性,本研究進一步比對同一時期內,基于不同傳感器的反演結果之間存在的差異。

研究區范圍草場生長期內,同時具有TM和ETM+影像的時段是2009年8月,同時具有ETM+和OLI影像的時段是2015年7月和2016年8月。在草場抽樣點中去除09、15、16年3年內云層、云影中的點位以及ETM+數據中壞條帶中的點位后,剩余663個點位用于不確定分析。利用隨機森林模型分別計算同一時段基于不同傳感器的反演結果并相減,分別繪制基于L1數據和SR數據的TM—ETM+ 、OLI—ETM+的蓋度反演結果差異概率密度圖。

4 結果與討論

4.1 擬合結果

隨機森林模型的計算結果顯示,基于L1數據和SR數據而建立的隨機森林回歸模型輸出的解釋方差百分比分別為69.82%和72.42%,因此后者的預測效果優于前者;重要性方面,各個植被指數并未表現出明顯的差別(表2)。

表2 隨機森林回歸模型變量重要性

由于L1數據未經過標準化處理,TM和OLI數據計算的EVI值不在同一數量級,無法用于模型的建立；NDVI：歸一化植被指數,Normalized Difference Vegetation Index;SAVI：土壤調節植被指數,Soil Adjusted Vegetation Index;MSAVI：修正土壤調節植被指數,Modified Soil Adjusted Vegetation Index;EVI：增強植被指數,Enhanced Vegetation Index

本研究一共建立線性回歸模型23個,其中P值顯著的模型及相應參數如表3所示。由表3可知,對于一元線性回歸模型來說L1數據和SR數據的R2差別不大;對于多元回歸來說所有的L1數據都無法得到顯著結果;從R2的數值上來看SR數據的多元回歸的效果要明顯優于一元回歸。

4.2 模型比較

為了進一步分析上述模型的預測能力,本文將55個驗證點位的監測值和預測值作差,結果的分布情況如圖3所示。首先,雖然L1和SR數據的一元回歸效果在表3中無法通過R2判斷,但通過比較紅色和綠色箱線圖可明顯看出,SR數據實測值和預測值的差異明顯小于L1數據;第二,隨機森林回歸模型的預測能力略優于多元回歸模型,且這兩者明顯優于一元線性回歸;第三,所有線性回歸的結果較真實值來說普遍偏小,但隨機森林的預測偏差相對均衡。

在本文所建立的所有模型中,預測效果最好的是基于L1和SR數據的隨機森林模型,以及由變量SAVI-MSAVI建立的SR數據二元回歸模型。

表3 線性回歸模型結果

由于L1標準化處理,TM和OLI數據計算的EVI值不在同一數量級,無法用于模型的建立

圖3 植被蓋度的實測值與預測值差異Fig.3 The difference between monitoring values and predicted valuesNDVIL1：基于L1數據NDVI指數的線性回歸模型,Linear model based on NDVI from level 1 standard product;SAVIL1：基于L1數據SAVI指數的線性回歸模型,Linear model based on SAVI from level 1 standard product; MSAVIL1：基于L1數據MSAVI指數的線性回歸模型,Linear model based on MSAVI from level 1 standard product;NDVISR：基于SR數據NDVI指數的線性回歸模型,Linear model based on NDVI from surface reflectance product;SAVISR：基于SR數據SAVI指數的線性回歸模型,Linear model based on SAVI from surface reflectance product;MSAVISR：基于SR數據MSAVI指數的線性回歸模型,Linear model based on MSAVI from surface reflectance product;EVISR：基于SR數據EVI指數的線性回歸模型,Linear model based on EVI from surface reflectance product;SRSM：基于SR數據SAVI及MSAVI指數的線性回歸模型,Linear model based on SAVI and MSAVI from surface reflectance product;SRSE：基于SR數據SAVI及EVI指數的線性回歸模型,Linear model based on SAVI and EVI from surface reflectance product;SRNSE：基于SR數據NDVI、SAVI及EVI指數的線性回歸模型,Linear model based on NDVI,SAVI and EVI from surface reflectance product;rfL1：基于L1數據的隨機森林回歸模型,Random forest model based on level 1 standard product;rfSR：基于SR數據的隨機森林回歸模型,Random forest model based on surface reflectance product

圖4為SRSM方差齊性和殘差正態性檢驗結果。理想狀態下,殘差-擬合值關系圖上的點應隨機分布,而正態QQ圖中的點應分布于虛線之上,但SRSM模型并不能滿足其基本假設條件,特別是殘差的正態分布性。不僅如此,本研究所有其他的線性回歸模型也都不能很好的滿足其基本假設。此外,SRSM的各變量應滿足非共線性,即Kappa值小于100,但經過計算該模型的Kappa值高達5570。從對模型的診斷結果看,SRSM模型雖然預測效果較好,但應用于植被蓋度的反演存在較大的缺陷。

圖4 SRSM模型的假設檢驗 Fig.4 Hypotheses testing of SRSM modelSRSM：基于SR數據SAVI及MSAVI指數的線性回歸模型,Linear model based on SAVI and MSAVI from surface reflectance product

綜上,本文認為隨機森林模型相較于線性回歸模型來說不但不受諸多假設條件和非共線性要求的制約,并能達到更好的預測效果,因此更適合作為植被蓋度的反演模型。

4.3 2005—2015年草場植被蓋度變化趨勢及不確定性分析

圖5 基于MODIS、SR及L1數據的抽樣點蓋度平均值 Fig.5 Mean vegetation cover of sampling points based on MODIS, SR and L1 data L1： 一級標準數據產品Level1 Standard Data Product;SR: 經過校正和標準化處理的地表反射率數據產品Surface Reflectance Data Products,

基于L1、SR以及MODIS數據分別得到的草場蓋度平均值變化趨勢如圖5所示。除2006年之外,SR和L1數據反演得到的植被蓋度變化情況基本保持了一致的變化趨勢,但2005—2009年,也即數據源為ETM+的時間段內,基于L1的反演結果要明顯小于SR數據的反演結果。SR數據與不存在傳感器差異問題的MODIS數據反演所得的植被蓋度值相比,差異小于5%,但L1數據的偏差較大,ETM+數據的預測結果普遍偏小,2006年的植被蓋度均值甚至偏小超過20%。

為了分析傳感器差異給反演結果造成的影響,本文進一步對比了同一時期內源自不同傳感器光譜信息反演得到的植被蓋度,對比結果如圖6所示。該圖顯示了2009年ETM+數據與TM數據,以及2015—2016年ETM+數據與OLI數據分別反演得到的植被蓋度的差異。

圖6 同時段不同數據源的預測結果差異 Fig.6 Difference in predicted values based on different dada sources in the same periodSRrfETM_TM：SR數據基于ETM+傳感器與TM傳感器隨機森林反演結果的差異;SRrfETM_OLI：SR數據基于ETM+傳感器與OLI傳感器隨機森林反演結果的差異;L1rfETM_TM：L1數據基于ETM+傳感器與TM傳感器隨機森林反演結果的差異;L1rfETM_OLI：L1數據基于ETM+傳感器與OLI傳感器隨機森林反演結果的差異

由圖6的概率密度曲線可知,同一時段L1數據不同傳感器對計算結果差異巨大,特別是ETM+數據的預測結果普遍小于TM數據,上述結果與圖5的結論一致。從具體計算的數值來看：對于SR數據,幾乎90%的測試點位上不同傳感器對計算結果產生的影響都能落在(-10%,11%)的區間之中;但對于L1數據,90%測試點位的ETM+與OLI的差異落在(-30%,11%)范圍內,而ETM+與TM的差異更是落在了(-40%,9%)之中。由此可見,不同傳感器的差異在L1數據上表現的尤為突出,該數據不適于基于多元數據的草場植被蓋度變化趨勢研究,即便是經過校正以及標準化處理的SR數據,反演結果也存在約±10%的不確定性。

4.4 討論

就反演方法而言,以往類似的研究多基于相關分析線性回歸以及多項式模型[16- 17,35- 37],且模型的篩選通常僅僅通過P值以及決定系數R2來評判，而不對模型預測結果做進一步驗證。從本文的線性回歸結果看,L1數據和SR數據的一元線性模型都具有顯著性且R2水平相當,在以MSAVI作為解釋變量時,L1數據的擬合效果甚至要優于SR數據(表3)。但從圖3中可以清楚地看到前者的誤差要遠遠大于后者。可見,P值以及R2并未幫助研究者對比出SR數據的優越性。更為重要的是,上述模型都屬于參數估計類,若不對其基本假設進行驗證,就無法保證所得結論的可靠性。本研究顯示,所有的線性模型都未能通過方差齊性和殘差正態性檢驗。而遺憾的是,迄今大多數研究都忽略了這種統計學的基本要求。

需要強調的是,除了模型本身之外,數據源也是影響預測效果的重要因素。由圖5中基于MODIS數據反演得到的變化趨勢可知,近10年來草場蓋度的平均值總的變化幅度不足20%左右,而2006年L1數據反演所得之蓋度平均值與MODIS數據計算結果的偏差就已經超過了20%。該問題在圖6中體現得更加突出。這便意味著,傳感器差異帶來的影響甚至可能超過草場變化本身。雖然本研究所用的SR數據與傳統研究常用的L1數據相比,已經在一定程度是減少了這類影響[38],但仍未將其完全消除。因此,在涉及長時間序列草場植被變化以及驅動力的研究中,對這種影響進行量化就顯得尤為必要。

本文的局限性主要體現在以下幾個方面：首先,使用的實地監測數據為1m×1m樣方的測量值,而遙感影像為30m×30m精度,如果監測點周圍數10m范圍內不能保持均一性,擬合結果會因此受到影響;其次,本研究所涉及的草場種類眾多,但植被指數計算涉及的參數均采用了USGS網站提供產品指南中的推薦值,后續研究中應對不同類型草場分別設定參數,以提高結果的可靠程度;再次,本研究初步估算了2005—2015年草場蓋度的平均值,今后可進一步應用隨機森林模型分析草場植被蓋度的空間變化特征;最后,本文僅初步研究了傳感器差異給反演結果造成的影響,如何通過歸一化處理等方法減小這種差異將是未來研究中需要探索的問題。

5 結論

1) 本文通過隨機森林回歸方法建立了基于Landsat系列衛星數據的草場植被蓋度反演模型,并應用該模型分析了近10年來布爾津縣草場蓋度的變化趨勢。

2) 通過與線性回歸反演模型的對比可知,隨機森林回歸方法不但能規避線性回歸苛刻的假設條件,同時可超越絕大多數線性回歸模型的預測能力。

3) 模型不確定性方面,Landsat ETM+的標準數據反演得到的植被蓋度較之TM和OLI數據普遍偏小;地表反射率數據雖然可以大幅降低Landsat系列不同傳感器對反演結果的影響,但反演得到的植被蓋度仍存在(-10%,11%)的不確定性。

致謝：北京大學生命科學學院王昊老師提供MODIS數據,中國環境科學研究院張玉波博士和付剛在遙感影像處理方面給予幫助,大理大學東喜馬拉雅資源與環境研究所任國鵬老師為本研究提出建議,特此致謝。

參考文獻(References):

[1] 樊江文, 鐘華平, 陳立波, 張文彥. 我國北方干旱和半干旱區草地退化的若干科學問題. 中國草地學報, 2007, 29(5): 95- 101.

[2] 黃敬峰, 桑長青. 天山北坡中段天然草場牧草產量遙感動態監測模式. 干旱區資源與環境, 1993, 7(2): 53- 59.

[3] 李京, 陳晉, 袁清. 應用NOAA/AVHRR遙感資料對大面積草場進行產草量定量估算的方法研究. 自然資源學報, 1994, 9(4): 365- 368.

[4] Hmimina G, Dufrêne E, Pontailler J Y, Delpierre N, Aubinet M, Caquet B, De Grandcourt A, Burban B, Flechard C, Granier A, Gross P, Heinesch B, Longdoz B, Moureaux C, Ourcival J M, Rambal S, Saint André L, Soudani K. Evaluation of the potential of MODIS satellite data to predict vegetation phenology in different biomes: an investigation using ground-based NDVI measurements. Remote Sensing of Environment, 2013, 132: 145- 158.

[5] Geerken R, Batikha N, Celis D, DePauw E. Differentiation of rangeland vegetation and assessment of its status: field investigations and MODIS and SPOT VEGETATION data analyses. International Journal of Remote Sensing, 2005, 26(20): 4499- 4526.

[6] Chen S B, Rao P. Land degradation monitoring using multi-temporal Landsat TM/ETM data in a transition zone between grassland and cropland of northeast China. International Journal of Remote Sensing, 2008, 29(7): 2055- 2073.

[7] Feng Y, Lu Q, Tokola T, Liu H, Wang X. Assessment of grassland degradation in Guinan county, Qinghai Province, China, in the past 30 years. Land Degradation & Development, 2009, 20(1): 55- 68.

[8] Geerken R, Zaitchik B, Evans J P. Classifying rangeland vegetation type and coverage from NDVI time series using Fourier Filtered Cycle Similarity. International Journal of Remote Sensing, 2005, 26(24): 5535- 5554.

[9] Cai H Y, Yang X H, Xu X L. Human-induced grassland degradation/restoration in the central Tibetan Plateau: the effects of ecological protection and restoration projects. Ecological Engineering, 2015, 83: 112- 119.

[10] Wessels K J, Prince S D, Carroll M, Malherbe J. Relevance of rangeland degradation in semiarid northeastern South Africa to the nonequilibrium theory. Ecological Applications, 2007, 17(3): 815- 827.

[11] 魏小琴. 阿勒泰地區NDVI變化及其主要驅動因子分析[D]. 烏魯木齊: 新疆農業大學, 2015.

[12] R?der A, Udelhoven T, Hill J, Del Barrio G, Tsiourlis G. Trend analysis of Landsat-TM and -ETM+ imagery to monitor grazing impact in a rangeland ecosystem in Northern Greece. Remote Sensing of Environment, 2008, 112(6): 2863- 2875.

[13] Li J Y, Yang X C, Jin Y X, Yang Z, Huang W G, Zhao L N, Gao T, Yu H D, Ma H L, Qin Z H, Xu B. Monitoring and analysis of grassland desertification dynamics using Landsat images in Ningxia, China. Remote Sensing of Environment, 2013, 138: 19- 26.

[14] 楊強, 王婷婷, 陳昊, 王運動. 基于MODIS EVI數據的錫林郭勒盟植被覆蓋度變化特征. 農業工程學報, 2015, 31(22): 191- 198.

[15] 呂長春, 王忠武, 錢少猛. 混合像元分解模型綜述. 遙感信息, 2003, (3): 55- 58, 60- 60.

[16] 郭輝, 黃粵, 李向義, 包安明, 宋洋, 孟凡浩. 基于多尺度遙感數據的塔里木河干流地區植被覆蓋動態. 中國沙漠, 2016, 36(5): 1472- 1480.

[17] 馬中剛, 孫華, 王廣興, 林輝, 佘宇晨, 鄒琪. 基于Landsat 8-OLI的荒漠化地區植被覆蓋度反演模型研究. 中南林業科技大學學報, 2016, 36(9): 12- 18.

[18] 李欣海. 隨機森林模型在分類與回歸分析中的應用. 應用昆蟲學報, 2013, 50(4): 1190- 1197.

[19] Cutler D R, Edwards Jr T C, Beard K H, Cutler A, Hess K T, Gibson J, Lawler J J. Random forests for classification in ecology. Ecology, 2007, 88(11): 2783- 2792.

[20] 金宇, 周可新, 方穎, 劉欣. 基于隨機森林模型預估氣候變化對動物物種潛在生境的影響. 生態與農村環境學報, 2014, 30(4): 416- 422.

[21] 王盼, 陸寶宏, 張瀚文, 張巍, 孫銀鳳, 季妤. 基于隨機森林模型的需水預測模型及其應用. 水資源保護, 2014, 30(1): 34- 37, 89- 89.

[22] Rodríguez-Veiga P, Wheeler J, Louis V, Tansey K, Balzter H. Quantifying forest biomass carbon stocks from space. Current Forestry Reports, 2017, 3(1): 1- 18.

[23] Mansour K, Mutanga O. Classifying increaser species as an indicator of different levels of rangeland degradation using WorldView- 2 imagery. Journal of Applied Remote Sensing, 2012, 6(1): 063558.

[24] Chander G, Markham B L, Helder D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO- 1 ALI sensors. Remote Sensing of Environment, 2009, 113(5): 893- 903.

[25] Vogelmann J E, Gallant A L, Shi H, Zhu Z. Perspectives on monitoring gradual change across the continuity of Landsat sensors using time-series data. Remote Sensing of Environment, 2016, 185: 258- 270.

[27] Pattison R R, Jorgenson J C, Raynolds M K, Welker J M. Trends in NDVI and tundra community composition in the arctic of NE Alaska between 1984 and 2009. Ecosystems, 2015, 18(4): 707- 719.

[28] 毛志春, 宋宇, 李蒙蒙. 基于MODIS反演數據的河套地區荒漠化研究. 北京大學學報: 自然科學版, 2015, 51(6): 1102- 1110.

[29] Liu B, You G Y, Li R, Shen W S, Yue Y M, Lin N F. Spectral characteristics of alpine grassland and their changes responding to grassland degradation on the Tibetan Plateau. Environmental Earth Sciences, 2015, 74(3): 2115- 2123.

[30] USGS. Landsat surface reflectance-derived spectral indices, Version 3.3. 2016. [2016- 12- 13] https://landsat.usgs.gov/sites/default/files/documents/si_product_guide.pdf

[31] Breiman L. Random forests. Machine Learning, 2001, 45(1): 5- 32.

[32] Liaw A, Wiener M. Classification and regression by randomForest. R News, 2002, 2(3): 18- 22.

[33] Echeverry-Galvis M A, Peterson J K, Sulo-Caceres R. The social nestwork: tree structure determines nest placement in Kenyan weaverbird colonies. PLoS One, 2014, 9(2): e88761.

[34] Biau G, Scornet E. A random forest guided tour. TEST, 2016, 25(2): 197- 227.

[35] Brinkmann K, Dickhoefer U, Schlecht E, Buerkert A. Quantification of aboveground rangeland productivity and anthropogenic degradation on the Arabian Peninsula using Landsat imagery and field inventory data. Remote Sensing of Environment, 2011, 115(2): 465- 474.

[36] 萬紅梅, 李霞, 董道瑞. 基于多源遙感數據的荒漠植被覆蓋度估測. 應用生態學報, 2012, 23(12): 3331- 3337.

[37] 董建軍, 牛建明, 張慶, 康薩如拉, 韓芳. 基于多源衛星數據的典型草原遙感估產研究. 中國草地學報, 2013, 35(6): 64- 69.

[38] Claverie M, Vermote E F, Franch B, Masek J G. Evaluation of the Landsat- 5 TM and Landsat- 7 ETM+ surface reflectance products. Remote Sensing of Environment, 2015, 169: 390- 403.