MODIS遙感產(chǎn)品在三江源地區(qū)草產(chǎn)量估測(cè)中的應(yīng)用

曹西鳳, 孫林, 趙子飛, 韓曉峰, 顏明捷

(1.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，青島 266590；2.山東科技大學(xué)數(shù)學(xué)與系統(tǒng)科學(xué)學(xué)院，青島 266590；3.山東地質(zhì)測(cè)繪院，濟(jì)南 250000)

0 引言

三江源地區(qū)地處干旱半干旱區(qū)，其草地面積占我國(guó)草地總面積的30%左右；草場(chǎng)的生長(zhǎng)不僅決定著畜牧業(yè)的發(fā)展，也深刻影響著三江源地區(qū)生態(tài)系統(tǒng)的平衡；合理精確地預(yù)測(cè)草場(chǎng)牧草產(chǎn)量可為引導(dǎo)畜牧業(yè)生產(chǎn)、合理利用草地資源及維持生態(tài)平衡提供保證[1]。

傳統(tǒng)的牧草估產(chǎn)以站點(diǎn)實(shí)測(cè)居多，采用的方法有“雙重采樣法”及“割重法”等，基于站點(diǎn)實(shí)測(cè)可以得到較高的草場(chǎng)估測(cè)精度，但時(shí)間周期長(zhǎng)，且人力物力利用率低，不適合于像三江源地區(qū)這樣面積較大、地表結(jié)構(gòu)較復(fù)雜區(qū)域的牧草估產(chǎn)[2]。隨著遙感技術(shù)的發(fā)展，草產(chǎn)量估算開(kāi)啟了新時(shí)代，研究人員發(fā)展了多種草場(chǎng)草產(chǎn)量估測(cè)模型。目前采用的主要方法有基于植被特征參量的遙感統(tǒng)計(jì)方法和基于氣象因子的草產(chǎn)量預(yù)測(cè)方法2類(lèi)。全球氣象衛(wèi)星為草產(chǎn)量的估測(cè)提供了豐富的資料，使草產(chǎn)量模型從一元模型發(fā)展到了多元模型，從一階多項(xiàng)式過(guò)渡到了高階多項(xiàng)式，模型精確度逐漸提高[3-5]。但是，已有的草產(chǎn)量估算的研究大多在氣候溫和、降水適中且草產(chǎn)量監(jiān)測(cè)站點(diǎn)較多的地區(qū)進(jìn)行，牧草產(chǎn)量的估測(cè)精度較高，結(jié)果驗(yàn)證也較為簡(jiǎn)便。而在我國(guó)的西北部地區(qū)，如三江源地區(qū)，因位于高寒地帶，面積廣闊、人跡罕至、同一時(shí)間內(nèi)大范圍數(shù)據(jù)獲取困難、監(jiān)測(cè)站點(diǎn)較少、實(shí)測(cè)數(shù)據(jù)缺乏且相關(guān)性較大，使得模型建立困難，擬合精度不高。盡管部分研究建立了某些氣象因子與草產(chǎn)量之間的聯(lián)系，對(duì)草產(chǎn)量精度的提高起到了一定推動(dòng)作用[6-7]，但仍缺乏遙感數(shù)據(jù)與氣象數(shù)據(jù)的綜合使用，未從對(duì)草產(chǎn)量變化產(chǎn)生影響的直接因素與間接因素入手，更加合理地解釋草產(chǎn)量的變化趨勢(shì)。此外，隨著國(guó)家對(duì)保護(hù)生態(tài)環(huán)境工作的重視，已開(kāi)展的省級(jí)、縣級(jí)草產(chǎn)量統(tǒng)計(jì)數(shù)據(jù)不斷增多，而應(yīng)用較少。

植被指數(shù)通過(guò)少量波段組合的信息，反映植物生長(zhǎng)狀況、植被覆蓋、生物量及作物產(chǎn)量，在國(guó)內(nèi)外草產(chǎn)量的估測(cè)和預(yù)報(bào)中應(yīng)用較廣且精度較高。常用的植被指數(shù)有比值植被指數(shù)(ratio vegetation index, RVI)、歸一化差值植被指數(shù)(normalized difference vegetation index, NDVI)、增強(qiáng)型植被指數(shù)(enhanced vegetation index, EVI)、土壤調(diào)節(jié)植被指數(shù)(soil-adjusted vegetation index, SAVI)、修正土壤調(diào)整植被指數(shù)(modified soil-adjusted vegetation index, MSAVI)等[8-13]。本文綜合考慮了多種植被指數(shù)及氣候狀況對(duì)草產(chǎn)量的影響，結(jié)合多元線性回歸及偏最小二乘回歸(partial least squares regression, PLS)理論，提出了基于多種MODIS產(chǎn)品的牧草產(chǎn)量預(yù)測(cè)方法，用于三江源地區(qū)草地草產(chǎn)量的評(píng)估，結(jié)合三江源地區(qū)草地生態(tài)監(jiān)測(cè)站點(diǎn)實(shí)測(cè)的草產(chǎn)量數(shù)據(jù)，進(jìn)行草產(chǎn)量預(yù)測(cè)，并驗(yàn)證了其預(yù)測(cè)精度。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)概況

三江源地區(qū)(E89°45′～102°23′，N31°39′～36°12′)位于我國(guó)青海省的南部，因地處長(zhǎng)江、黃河、瀾滄江的源頭而得名(圖1)。行政區(qū)域包含4個(gè)藏族自治州(玉樹(shù)、果洛、海南、黃南)的16個(gè)縣及格爾木市唐古拉鄉(xiāng)。該區(qū)河網(wǎng)稠密，河流眾多。區(qū)內(nèi)以青藏高原氣候系統(tǒng)為主，冷熱兩季交替，干濕兩季分明，降水空間分布不均勻。地形以山地為主，平均海拔3 500～4 800 m，面積廣闊，西北部有少量冰川分布。草場(chǎng)主要分布于該區(qū)東南部，面積約占全區(qū)總面積的70%左右，分布不均勻，自東向西草產(chǎn)量呈遞減趨勢(shì)。草場(chǎng)類(lèi)型眾多，有植被覆蓋度較低的高原寬谷荒漠草場(chǎng)、中等植被覆蓋度的高山草甸草場(chǎng)、高植被覆蓋度的山谷稀疏森林草場(chǎng)和湖盆灘地草甸草場(chǎng)等。

圖1 研究區(qū)地理位置示意圖

1.2 數(shù)據(jù)源介紹

遙感數(shù)據(jù)源為MODIS中等空間分辨率成像光譜儀數(shù)據(jù)。MODIS通過(guò)其0.4～14 μm的36個(gè)光譜通道實(shí)現(xiàn)全光譜范圍覆蓋，空間分辨率包含3個(gè)等級(jí)：250 m，500 m和1 000 m，每1～2 d即可實(shí)現(xiàn)一次全球覆蓋。本文選取的MODIS產(chǎn)品數(shù)據(jù)包含：MCD12Q1——土地覆蓋類(lèi)型(Land_Cover_Type1, LC)、MOD11A2——地表溫度(land surface temperature, LST)&發(fā)射率(Emissivity)、MOD13A2——NDVI&EVI、MOD15A2——葉面積指數(shù)(leaf area index, LAI)&光合有效輻射吸收比率(fraction of absorbed photosynthetically active radiation, FPAR)、MOD17A2——總初級(jí)生產(chǎn)力(gross primary productivity, GPP)共140景，上述MODIS陸地產(chǎn)品數(shù)據(jù)的詳細(xì)信息如表1所示。產(chǎn)品數(shù)據(jù)的存儲(chǔ)格式均為HDF，參考橢球?yàn)閃GS 1984橢球，投影為中國(guó)地區(qū)Albers投影。

表1 MODIS陸地產(chǎn)品數(shù)據(jù)信息

2 MODIS數(shù)據(jù)處理

選取研究區(qū)2009年4月中旬—10月初期間11期140景數(shù)據(jù)，通過(guò)MODIS 投影工具(MODIS reprojection tool,MRT)進(jìn)行了數(shù)據(jù)批量預(yù)處理，并基于ArcGIS軟件建模，對(duì)數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)分析。

對(duì)各草地監(jiān)測(cè)站區(qū)域內(nèi)MODIS產(chǎn)品數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，得到NDVI,EVI，LAI，F(xiàn)PAR和GPP因子在各生長(zhǎng)期的均值及整個(gè)生長(zhǎng)期內(nèi)的LST均值。預(yù)處理結(jié)果包含研究區(qū)2009年第113—273天共11期草地生長(zhǎng)期內(nèi)的6種MODIS產(chǎn)品監(jiān)測(cè)數(shù)據(jù)，前5種因子分別如圖2—6所示。

(a) 第113日 (b) 第129日 (c) 第145日

(d) 第161日 (e) 第177日 (f) 第193日

(g) 第209日 (h) 第225日 (i) 第241日

(j) 第257日 (k) 第273日

(a) 第113日 (b) 第129日 (c) 第145日

(d) 第161日 (e) 第177日 (f) 第193日

(g) 第209日 (h) 第225日 (i) 第241日

(j) 第257日 (k) 第273日

(d) 第161日 (e) 第177日 (f) 第193日

(g) 第209日 (h) 第225日 (i) 第241日

(j) 第257日 (k) 第273日

(a) 第113日 (b) 第129日 (c) 第145日

(g) 第209日 (h) 第225日 (i) 第241日

(j) 第257日 (k) 第273日

(a) 第113日 (b) 第129日 (c) 第145日

(d) 第161日 (e) 第177日 (f) 第193日

(j) 第257日 (k) 第273日

由圖2可知，NDVI越高，草越旺盛，生長(zhǎng)狀況越好，反之，植被越稀疏，生長(zhǎng)狀況越弱。時(shí)間上，由初夏到秋末NDVI總體呈先增后減趨勢(shì)，研究區(qū)中部尤為明顯，第145—161天NDVI大幅度增加；空間上，東部處于勻速增加階段，西部較穩(wěn)定。

由圖3可知，在時(shí)間上，由初夏到秋末EVI總體呈現(xiàn)先增后減的趨勢(shì)；空間上，研究區(qū)東南部EVI值高于西北部，且在植被生長(zhǎng)過(guò)程中西北部EVI變化緩慢。

由圖4可知，LAI越大，單位面積內(nèi)植被葉片數(shù)量越多。時(shí)間上，由初夏到秋末LAI總體呈上升趨勢(shì)；空間上，東西差異較大，在三江源地區(qū)西部區(qū)域相對(duì)穩(wěn)定，處于較低水平，中部和東部地區(qū)都有明顯的上升趨勢(shì)。

由圖5可知，F(xiàn)PAR越大，草對(duì)光能的利用率越高；反之，草對(duì)光能的利用率越小；光能利用率的高低間接影響著草產(chǎn)量的分布。在時(shí)間上，由初夏到秋末FPAR總體呈先增后減趨勢(shì)，在研究區(qū)中部區(qū)域尤為突出；空間上，西部光能利用率偏低。隨時(shí)間推移，中南部地區(qū)逐漸向光能利用率高的水平過(guò)渡，增長(zhǎng)趨勢(shì)明顯。

由圖6可知，GPP越大，植被光合作用固定有機(jī)物含量越高；反之，植被光合作用固定有機(jī)物含量越低。在時(shí)間上，由初夏到秋末GPP總體呈先增后減趨勢(shì)；空間上，西部GPP偏低，東部光能利用率高，變化不明顯。

將各個(gè)遙感監(jiān)測(cè)因子在每個(gè)生長(zhǎng)期的均值導(dǎo)出統(tǒng)計(jì)數(shù)據(jù)為自變量X，其中包含11個(gè)時(shí)期的上述5種MODIS產(chǎn)品及整個(gè)生長(zhǎng)期內(nèi)的LST均值共56個(gè)解釋因子。草地監(jiān)測(cè)站2009年6—8月實(shí)測(cè)草產(chǎn)量為因變量Y，共3個(gè)被解釋因子。

3 草產(chǎn)量模擬方法

3.1 多元線性回歸

多元線性回歸分析是用于模擬一個(gè)被解釋變量與多個(gè)解釋變量之間的關(guān)系模型，主要根據(jù)樣本的觀測(cè)值估計(jì)回歸模型中各個(gè)解釋變量的系數(shù)，其中最常用的方法為最小二乘估計(jì)。

多元線性回歸的基本形式為

Yi=a1X1i+a2X2i+a3X3i+…+akXki+bi，

(1)

式中：Yi為第i個(gè)樣本的被解釋變量；a1，a2，...，ak為k個(gè)回歸系數(shù)；X1i，X2i，…，Xki為k個(gè)解釋變量；bi為回歸常數(shù)。

對(duì)于每個(gè)樣本構(gòu)建式(1)所示方程，即

(2)

再根據(jù)最小二乘法，即誤差平方和最小原則，求得回歸方程各個(gè)系數(shù)，得到產(chǎn)量預(yù)測(cè)模型。

3.2 PLS

與多元線性回歸模型不同的是，PLS考慮了變量之間的相關(guān)性，通過(guò)提取變量的主成分削弱變量之間的相互影響，使模擬結(jié)果更可靠。

PLS與主成分分析類(lèi)似，都是通過(guò)自變量與權(quán)陣的加權(quán)和得到幾個(gè)正交分量進(jìn)行降維，在具體的提取及系數(shù)確定過(guò)程中有所差別。該方法首先對(duì)原始解釋因子進(jìn)行分析，得到一階成分。一階成分擁有對(duì)所選解釋因子的最大解釋能力；將所得第一個(gè)成分對(duì)解釋因子擬合后的殘差作為新的解釋因子，得到二階成分。以相同的方式循環(huán)操作，得到更高階成分，用于對(duì)草產(chǎn)量的擬合。通過(guò)成分的提取可消除解釋因子之間的相關(guān)性，減弱部分解釋因子噪聲的干擾，使擬合精度有所提高。PLS主要計(jì)算步驟如下：

1)將站點(diǎn)實(shí)測(cè)草產(chǎn)量數(shù)據(jù)定義為一個(gè)n維列變量Yn×1，提取的自變量定義為矩陣Xn×m，將Xn×m和Yn×1進(jìn)行中心化處理得到新的變量X0和Y0，即

Y=(y1,y2,…,yn)T

(3)

(4)

2)提取X0第一個(gè)主成分分量α1，即

α1=X0a1

(5)

式中a1為單位特征向量，可由拉格朗日定理求得。

3)建立X0與Y0對(duì)α1的回歸，即

(6)

式中：P1和Q1分別為X0和Y0的回歸系數(shù)向量；X1和Y1為回歸一次后的殘差矩陣。

4)循環(huán)輸出結(jié)果。用X1和Y1代替X0和Y0提取二階成分α2，直至提取r個(gè)成分。其中，階數(shù)r通過(guò)“交叉有效性”來(lái)確定，最終回歸方程為

(7)

3.3 精度評(píng)價(jià)原理

為定量化描述預(yù)測(cè)結(jié)果的好壞，選取決定系數(shù)(R2)、期望誤差(expect error,EE)和均方根誤差(root mean square error,RMSE)進(jìn)行精度驗(yàn)證,表達(dá)式分別為

(8)

EE=±0.2YieldMeasured

(9)

(10)

4 模型建立與分析

4.1 多元線性回歸模型

使用多元線性回歸方法進(jìn)行草產(chǎn)量模擬。針對(duì)不同月份影響因素的差異性，分別與選取當(dāng)月實(shí)測(cè)值相關(guān)性較大的5個(gè)參量作為解釋變量，建立解釋變量與實(shí)測(cè)值的多元線性回歸模型。具體模型如表2所示，3個(gè)月的草產(chǎn)量實(shí)際值分別表示為Y1，Y2，Y3；解釋變量表示為Xab的形式，以XFPAR129為例，表示第129天的FPAR產(chǎn)品作為解釋變量之一，其中FPAR為MODIS的產(chǎn)品名，129為數(shù)據(jù)獲取日期(年積日)。3個(gè)不同時(shí)間段擬合結(jié)果不同,在不同時(shí)間段，對(duì)草產(chǎn)量影響占主導(dǎo)地位的因素也不同。

表2 多元線性回歸模型

4.2 PLS模型

4.2.1 累計(jì)解釋能力與交叉有效性

為去除各個(gè)解釋因子之間的相關(guān)性，對(duì)解釋因子進(jìn)行了成分提取。對(duì)于提取的成分要對(duì)解釋因子具有最大解釋能力，即能概括性地表達(dá)解釋因子中所包含的信息。以提取的成分為跳板建立草產(chǎn)量解釋因子與實(shí)測(cè)草產(chǎn)量之間的關(guān)系。

在草產(chǎn)量估計(jì)中，從解釋因子中提取多個(gè)主成分，分析這些成分與草產(chǎn)量的關(guān)系。圖7顯示前8個(gè)主成分分量的累計(jì)解釋能力，分別為從Comp[1]～Comp[8]，R2Y為選取主成分與草產(chǎn)量的解釋能力，R2Y的值越趨近于1，擬合數(shù)據(jù)越準(zhǔn)確；Q2為成分與模型的交叉有效性，Q2越接近于1，預(yù)測(cè)效果越好。

圖7 主成分分量累計(jì)解釋能力

用于模擬分析的成分個(gè)數(shù)增多，累計(jì)解釋能力增加，模型交叉有效性先呈上升的趨勢(shì)，之后成分?jǐn)?shù)繼續(xù)增加，擬合精度不再發(fā)生較大變化。如果用于模型擬合的成分?jǐn)?shù)逐漸增多時(shí)，就意味著綜合成分對(duì)模型的解釋性越強(qiáng)，所包含解釋因子的信息量也就越豐富，模型擬合精度相應(yīng)就會(huì)得到提升；但當(dāng)成分?jǐn)?shù)達(dá)到一定程度，包含信息量達(dá)到飽和，成分?jǐn)?shù)繼續(xù)增加，信息量的變化不再像之前那樣明顯。預(yù)測(cè)精度隨成分個(gè)數(shù)的增加，擬合精度迅速增加，之后逐漸趨于平衡。在主成分分量對(duì)模型的累計(jì)解釋能力>80%且交叉有效性>60%的前提下，選取前5個(gè)主成分分量進(jìn)行最終草產(chǎn)量預(yù)測(cè)。

4.2.2X與Y的相關(guān)關(guān)系

將56個(gè)解釋因子作為解釋變量，2009年6—8月草產(chǎn)量作為被解釋變量。選用解釋變量與被解釋變量的一階主成分為代表，驗(yàn)證草產(chǎn)量與解釋因子之間的相關(guān)性。一階主成分相比于其他數(shù)據(jù)能較完整地概括數(shù)據(jù)的信息，對(duì)復(fù)雜的數(shù)據(jù)進(jìn)行降維。采用t[1]/u[1]平面圖可以判斷兩者的相關(guān)關(guān)系(圖8)，其中橫坐標(biāo)為解釋因子的一階成分t[1]，縱坐標(biāo)為草產(chǎn)量一階主成分u[1]，從總體趨勢(shì)中可以看出模型選取的6種MODIS產(chǎn)品與草產(chǎn)量之間存在較好的相關(guān)性，t[1]/u[1]平面圖表明用PLS實(shí)現(xiàn)草產(chǎn)量估算是可行的。

圖8 t[1]/u[1]平面圖

4.2.3X對(duì)Y的解釋作用

草產(chǎn)量由多種解釋因子共同決定，地位較高的因子起決定性作用。用變量投影重要性指標(biāo)(variable importance for the projection, VIP)作為自變量對(duì)因變量的影響地位的測(cè)度，其中VIP平方和等于模型中因子的項(xiàng)數(shù)，因此平均VIP等于1。VIP越高變量貢獻(xiàn)值越高，對(duì)預(yù)測(cè)值的解釋能力越強(qiáng)。當(dāng)VIP<1時(shí)，該變量解釋能力較弱(圖9)。

解釋因子按重要性由高到低、從左到右進(jìn)行排序。其中對(duì)草產(chǎn)量影響最顯著的指標(biāo)是2009年第129天的LAI及2009年第129天的FPAR數(shù)據(jù)。從總體趨勢(shì)來(lái)看，植物生長(zhǎng)期內(nèi)GPP對(duì)草產(chǎn)量的影響較大，隨時(shí)間變化波動(dòng)小，NDVI，EVI和LAI對(duì)草產(chǎn)量的影響隨時(shí)間變化波動(dòng)大。

4.2.4t1/t2平面圖與T2橢圓

使用解釋因子前2個(gè)主成分分量t1和t2分別作為橫縱坐標(biāo)繪制其相關(guān)系數(shù)散點(diǎn)圖，其作用與主成分分析中的主平面圖類(lèi)似，圖10中樣本點(diǎn)越接近表明2個(gè)樣本在原自變量空間的高維性質(zhì)越相近。圖10中的橢圓為T(mén)2橢圓，為95%置信區(qū)間，橢圓中的采樣點(diǎn)分布越集中，表示原始樣本數(shù)據(jù)分布越均勻，誤差越小；分布越離散，則誤差越大。若有樣本點(diǎn)偏離范圍，處于橢圓外，可判定為異常值。由圖10可看出所選樣本的數(shù)據(jù)在T2橢圓中分布較為均勻，誤差較小，不存在異常值，因此所選因子構(gòu)建模型的估算結(jié)果與實(shí)測(cè)數(shù)據(jù)之間不會(huì)產(chǎn)生太大偏差，無(wú)需改動(dòng)。

圖10 t[1]/t[2]平面圖

4.2.5 數(shù)據(jù)重構(gòu)質(zhì)量

通過(guò)監(jiān)測(cè)點(diǎn)在X(Y)上的標(biāo)準(zhǔn)化模型距離檢查每個(gè)生態(tài)監(jiān)測(cè)站在X(Y)上的重構(gòu)質(zhì)量，可以對(duì)預(yù)測(cè)質(zhì)量進(jìn)行評(píng)估(圖11—12)，2幅圖的橫坐標(biāo)均為各個(gè)草地生態(tài)監(jiān)測(cè)站點(diǎn)，其中，圖11縱坐標(biāo)為監(jiān)測(cè)點(diǎn)在Y上的模型距離(DModY)；圖12縱坐標(biāo)為監(jiān)測(cè)點(diǎn)在X上的模型距離(DModX)。

圖11 監(jiān)測(cè)點(diǎn)在Y上的標(biāo)準(zhǔn)化模型距離

圖12 監(jiān)測(cè)點(diǎn)在X上的標(biāo)準(zhǔn)化模型距離

從圖11—12可以看出，雜多縣在Y上的DModY距離較大，囊謙縣在X上的DModX距離也處于游離狀態(tài)，表明兩者重構(gòu)質(zhì)量不理想。

4.2.6 預(yù)測(cè)結(jié)果

基于公式(7)得模型常數(shù)項(xiàng)如表3所示。

表3 模型常數(shù)項(xiàng)

為了更直觀地顯示各期產(chǎn)品對(duì)草產(chǎn)量的預(yù)測(cè)建模的含義解釋?zhuān)L制了2009年6月草產(chǎn)量模型的系數(shù)(圖13)，2009年7月和8月份類(lèi)似。

圖13 2009年6月草產(chǎn)量估算模型系數(shù)

從圖13可以看出，建立的草產(chǎn)量預(yù)測(cè)模型中各個(gè)解釋因子的系數(shù)，零值以下為負(fù)，以上為正，當(dāng)系數(shù)為正時(shí)，說(shuō)明該解釋因子與草產(chǎn)量成正相關(guān)；當(dāng)系數(shù)為負(fù)時(shí)，說(shuō)明該解釋因子與草產(chǎn)量成負(fù)相關(guān)，相關(guān)系數(shù)越高，說(shuō)明該因子越重要。總體結(jié)果與VIP重要性指標(biāo)分析基本吻合。

4.2.7 精度驗(yàn)證

為檢驗(yàn)草產(chǎn)量估測(cè)模型的魯棒性，基于2009年數(shù)據(jù)建立的草產(chǎn)量預(yù)測(cè)模型，使用2011年的數(shù)據(jù)進(jìn)行精度驗(yàn)證。以2011年預(yù)測(cè)草產(chǎn)量為X軸、實(shí)測(cè)草產(chǎn)量為Y軸繪制實(shí)測(cè)草產(chǎn)量與預(yù)測(cè)草產(chǎn)量之間散點(diǎn)圖(圖14)，可以直觀對(duì)比預(yù)測(cè)模型的精度和擬合穩(wěn)定性。圖14中分別為2011年6—8月多元線性回歸分析結(jié)果和PLS分析結(jié)果，黑色虛線表示草產(chǎn)量EE，處于虛線以上的點(diǎn)表示草產(chǎn)量預(yù)測(cè)值高于期望值，虛線以下的點(diǎn)表示預(yù)測(cè)值低于期望值，虛線之間的點(diǎn)表示滿足期望誤差。在草產(chǎn)量預(yù)測(cè)值/實(shí)測(cè)值散點(diǎn)圖中，利用PLS構(gòu)建草產(chǎn)量預(yù)測(cè)模型體現(xiàn)了很好的穩(wěn)定性，總體上能反應(yīng)兩者的線性關(guān)系，與多元線性回歸相比，PLS具有較高的R2(0.829～0.878)和較低的RMSE(42.457～93.674 kg·hm-2)。

(a) 6月多元線性回歸結(jié)果 (b) 6月PLS結(jié)果

(c) 7月多元線性回歸結(jié)果 (d) 7月PLS結(jié)果

(e) 8月多元線性回歸結(jié)果 (f) 8月PLS結(jié)果

5 結(jié)論

本研究以MODIS產(chǎn)品數(shù)據(jù)(NDVI，EVI，F(xiàn)PAR，LAI，GPP，LST)為數(shù)據(jù)源，基于多元線性回歸法與偏最小二乘回歸(PLS)分別建立了2009年6—8月的三江源地區(qū)草產(chǎn)量預(yù)測(cè)模型，并用2011年相應(yīng)數(shù)據(jù)進(jìn)行了驗(yàn)證，結(jié)果表明:

1)基于PLS的草產(chǎn)量預(yù)測(cè)模型對(duì)該地區(qū)的適用性高于多元線性回歸，整體呈現(xiàn)出較好的相關(guān)性。

2)基于PLS，利用MODIS產(chǎn)品數(shù)據(jù)可以有效地實(shí)現(xiàn)三江源地區(qū)草產(chǎn)量估算。解決了三江源地區(qū)因子間相關(guān)性較大、環(huán)境惡劣、樣本少且采樣困難的問(wèn)題。

3)在研究所選取的MODIS 產(chǎn)品中，草產(chǎn)量與GPP及LAI的相關(guān)性較大。

4)草產(chǎn)量預(yù)測(cè)結(jié)果以6月份效果最佳，其中R2為0.878，均方根誤差為42.457 kg/hm2。

志謝：感謝國(guó)家地球系統(tǒng)科學(xué)數(shù)據(jù)共享平臺(tái)提供的數(shù)據(jù)資源。