高寒牧草葉面積的冬季衰減過程與估算

摘要：本研究利用2020年8月—2021年4月天然草地野外逐月葉面積指數（Leaf area index，LAI）的封育觀測試驗，探究自然條件下高寒牧草葉面積冬季變化特征，結果表明：當年8月至次年4月，LAI總體呈現先降后穩的變化特征，且大致以11月為界，分為8—11月的衰減階段與12月—次年4月的穩定維持兩個階段。而衰減階段又可區分為8—10月的快速下降時期與10—11月的緩慢下降時段，其中，降幅度最大的9—10月，LAI降幅可達29.5%。青藏高原地區冬季牧草的這種階段衰減變化特征，明顯有異于我國北方地區?；贚AI冬季衰減過程，構建了三次多項式估算方程（R2=0.99，Plt;0.001），并據此提出了冬季LAI逐月衰減變化查找表。進一步，在不同植被指數LAI估算能力對比基礎上，建立了EVI和GF衛星的高寒牧草LAI遙感估算模型，實現了時空變化特征的遙感反演與估算。

關鍵詞：葉面積指數;冬季;衰減規律;衛星遙感;青藏高原

中圖分類號：Q945 文獻標識碼：A 文章編號：1007-0435（2023）08-2436-10

The Temporal Pattern of Leaf Area Index in Withered Procedure and its

Estimation in Winter in Qinghai-Tibet Plateau

XIAO Qiang-zhi1， XU Wei-xin1*， DAI Na1， WANG Qi-yu1， LI Quan-ping2，

DUAN Xu-hui1， LIANG Hao1

（1. Chengdu University of Information Technology， Chengdu， Sichuan Province 610225， China; 2. HaiBei Haiyan Meteorological

Administration， Haibei， Qinghai Province 812200， China）

Abstract：To research the winter variation characteristics of leaf area index（LAI） of alphine grassland under natural conditions，monthly field observation experiments were conducted in a natural grassland enclosure area in Xihai Town，Haibei Tibetan Autonomous Prefecture，Qinghai Province during August 2020 to April 2021. The results showed that the LAI generally showed a change characteristic of first decreasing and then stabilizing from August of that year to the next April，and it is roughly divided into two stages：the attenuation stage from August to November and the stable maintenance stage from December to next April with the November as the boundary. The decay stages can be divided into a rapid decline period from August to October and a slow decline period from October to November，the biggest drop was appeared in September-October with a monthly drop of 29.5%. The characteristics of the attenuation stage change of grassland LAI in winter in the Qinghai-Tibet Plateau were obviously different from those in the grassland in northern China. Based on the attenuation process of LAI in winter，a cubic polynomial estimation equation was constructed （R2=0.99，Plt;0.00），and a look-up table for the monthly attenuation change of LAI in winter was proposed. Further，the LAI estimation capabilities of different vegetation indices were compared，the LAI remote sensing estimation model for alpine grassland based on Enhanced Vegetation Index and GF satellites was established and remote sensing inversion and estimation of LAI temporal and spatial variation characteristics were realized.

Key words：Leaf area index;Winter;Attenuation procedure;Satellite remote sensing;Qinghai-Tibet Plateau

葉面積指數（Leaf area index，LAI） 與植被蒸騰作用、光能截獲、光合速率、凈初級生產力等密切相關，是反應植被長勢狀況的重要參數，也是分析植被長勢和預測產量的重要依據［1-2］。LAI對植被與大氣之間的能量、水分和二氧化碳交換有重要影響，是植被凈初級生產力、水和養分利用以及碳平衡主要影響因子［3］。冬季，枯草不具有光合作用、植被蒸騰等功能，但其作為植被冠層結構、干物質累積、地表陸面結構等關鍵參數，仍是眾多生態系統模型、水碳循環模型的關鍵輸入變量［4］，其動態變化表達了植被與大氣界面物質、能量交換過程［5］，指示了地表植被生長狀況和植被覆蓋時空特征［6］。枯落物積累與分解是生態系統物質循環和能量流動主要環節，是全球碳收支重要組成部分［7-8］，也是碳轉移重要階段［9］，對草地生產力和物種組成有很大影響［10］，從而為生態系統管理服務［11］。從生態學功能上來說，枯草的存在，可以改變地表水文生態及陸氣間能量交換過程，并通過調節植物群落以及土壤微環境水、熱狀況，對土壤理化性質、土壤肥力和植被生產力等產生重要影響，也對維持生態系統碳、氮平衡具有重要意義［12］。因此，冬季LAI作為地上生物存量、陸表過程、碳平衡估算中一個重要參數，具有明確的生態學意義與研究價值。

國內外對植被LAI季節變化過程的研究起步較早，早在20世紀80年代，王信理［13］提出了水稻生長期LAI的Logistic修正模型。然而，LAI季節變化研究主要集中于大規模種植作物，以水稻［14］，玉米［15］，棉花［16］為主，LAI季節變化與產量在存在顯著相關關系［17］，結合作物生育期內不同營養水平建立產量估算模型［18］。高寒草甸牧草LAI生長期內類似于作物，高寒草甸5月—8月中旬為LAI增長期，8月中旬以后LAI增長速率減緩，植物進入枯黃期［19］。高寒牧草生長季LAI先增大，在達到最高值后減小的特征規律明顯［20］。高延鋒等［21］發現祁連山東部4類草地LAI在5月至9月呈現相似的單峰型季節規律，而孫建文等［22］用三次函數擬合牧草生長期LAI季節動態變化。植物生長存在生長期、成熟期、衰敗期的周期性過程［23］，作物作為周期性種植植物，其存在播種、收割等規則行為。然而，高寒草甸天然牧草不會完全收割，其部分留存、自然衰敗的過程，完全不同于作物［24］，即使葉片葉綠素含量降為零，植物由綠變黃，最終導致葉片死亡，葉面積仍然存留［25］?，F有LAI變化研究，主要關注植被生長期的葉面積變化動態，收割等方式使得作物可以視為沒有衰敗期。值得注意的是，高寒草甸生長后期的自然衰敗期，其葉面積狀態及其變化過程與規律的研究鮮有報道。因此，進行自然條件下LAI動態變化過程的觀測研究，不僅可以一定程度上填補這一研究領域的不足，而且對自然狀態下牧草衰減過程的認識、生態系統各參數的協同變化規律、以及不同時間牧草存量的監測均有重要意義。

衛星遙感技術的發展，估算LAI的遙感輻射傳輸模型得到廣泛應用。利用植被指數推算生長期LAI的研究大量涌現［26］，結合地面高光譜數據，基于LAI與光譜相關關系進行葉面積指數反演也取得了應用性的進展［27］，為結合神經網絡的LAI反演提供了更全面的認識［28］。王雅鑫等［29］基于MODIS衛星LAI產品揭示了內蒙古烏蘭察布市草地植被全年LAI在1月—8月不斷上升，9月—12月不斷下降的特征。王利等［30］指出黑河流域植被LAI變化表現為雙峰現象，在次年2月LAI下降至最低且3—4月保持穩定。這些研究揭示了我國北方不同地區牧草LAI連續變化的一些關鍵規律與特征。Delegid等［31］提出兩步反演法，根據SWIR區域區分綠色與衰老植被，構建不同植被指數估算模型分別完成綠色和衰老植被LAI估算，為衰老植被LAI估算提供了新思路。也有學者利用GPR模型，基于Sentinel-2的高時空分辨率對綠色與衰老植被的區分能力，訓練綠色和衰老植被LAI的估算模型［32］，為枯黃植被LAI監測提供了理論基礎。然而，針對青藏高原地區LAI冬半年過程變化的研究尚未見報告，且現有的研究，基本上建立在已有MODIS衛星LAI產品序列的數據分析上，缺乏地面觀測數據的支持與同步驗證，其數據的準確性與地域的適用性未得到較好證實。因此，有必要基于地面實測數據，進行青藏高原高寒牧草LAI冬季衰減過程及其變化規律的研究，建立實際牧草變化與衛星植被指數關系的同時，揭示高寒牧草冬季葉面積衰減變化的特征規律，為研究牧草自然衰減過程多要素協同變化關系提供關鍵參數，并為遙感反演與模型構建提供地基驗證數據與基礎。

1 材料與方法

1.1 數據

1.1.1 試驗場概括 本研究野外試驗場位于中國氣象局海北牧業氣象試驗站，試驗場處于青藏高原東北部青海湖畔青海省海北藏族自治州西海鎮（36°57′N，100°51′E），海拔高度3 140 m，地勢平坦，試驗站總占地面積400公頃。草地類型為典型高寒草地，優勢物種為矮生嵩草（Kobresia humilis Sergievskaya）和西北針茅（Stipa sareptana A.K. Becker）。試驗場屬高原大陸性氣候，太陽輻射強烈、晝夜溫差大，年平均氣溫1.3℃左右，年日照時數2 858 h左右，年降水量413.8 mm左右。

試驗場建于天然放牧草場。為了模擬和保證牧草自然干枯衰減的環境與過程，圍欄封育100 m×200 m天然放牧草地作為試驗場，即在當年6月至次年4月通過封育管理，進行冬季牧草衰減過程的野外觀測，試驗期前后，則恢復自然放牧狀態。

1.1.2 試驗觀測方案 2020年8月—2021年4月期間，每月月末開展一次牧草光譜觀測與采樣工作，共完成9次采樣，采樣盡量以30天為周期選擇合適天氣條件等時機展開。試驗場內選定相距60 m以上的2個長勢較好區域作為采樣區，選擇100%覆蓋的牧草樣方。每次采樣均在各采樣區前次采樣點位臨近區域內開展，以增強可比性并注意避免踐踏，以保證下次采樣的自然狀態。

為增加樣本數量與不同覆蓋程度的梯度，設計了一種梯度采樣方式。即將50 cm×50 cm標準樣方以10 cm等分再分為25個子樣方。每10 cm×10 cm子樣方為剪草采樣單位（圖1），以50 cm×50 cm標準樣方為覆蓋100%，而每個10 cm×10 cm子樣方占標準樣方的4%覆蓋度，若剪取了第一個子樣方，則覆蓋度降低為96%，剪取第二個子樣方時，覆蓋度為92%，且采樣完成后隨即進行光譜觀測，以此類推。將第1，3，7子樣方作為LAI觀測樣方，進行葉面積的統計與分析，并以該3個子樣方LAI平均值指示該標準樣方的葉面積指數，以增加數據的穩定性，減少天然牧草隨機分布不均的誤差。

1.1.3 牧草葉片相片數據集 采用收割直接觀測法，進行葉面積指數的觀測。每月收割兩個樣區內第1，3，7子樣方牧草葉片分別均勻平鋪至A3紙上，注意減少葉片間的重疊。利用數碼相機垂直拍攝，編號并獲取各子樣方多個拍攝葉片相片。每個子樣方因葉片數量不等，試驗期間共建立了54個子樣方共612個牧草葉片相片數據。圖2以2020年8月31日及2021年3月29日某一子樣方部分拍攝葉片示意試驗觀測到的夏季與冬季相片數據。

1.1.4 GF-1衛星影像 高分一號衛星（GF-1）作為中國高分辨率對地觀測系統的首發星，突破了高空間分辨率、多光譜與寬覆蓋相結合的光學遙感等關鍵技術，實現了高空間分辨率與大幅寬的結合［33］。其搭載了2 m全色相機、8 m和16 m多光譜相機，其中多光譜影像包含藍、綠、紅和近紅外4個波段，在中國資源衛星應用中心網站（http：//www.cresda.com/）獲取到青海省海北藏族自治州西海鎮試驗場2020年8月28日、2020年9月18日、2020年10月29日、2020年11月24日的16 m WFV多光譜影像。對GF-1影像進行預處理，包括輻射定標、大氣校正和正射校正等。

1.2 方法

1.2.1 LAI圖像識別法 數字圖像由若干網格狀排列的像素組成的，每個像素有寬度與高度兩個方向上的分辨率，由此可以計算每個像素占據圖像的面積，統計圖像的像素數可計算出圖像的面積［34］。因此，用數碼相機獲得待測葉片平面圖像，統計圖像中葉片所占的像素數，乘以每個像素所占的實際面積就可以計算出葉片面積［35］。

對每月收集到的牧草葉片相片進行裁剪、亮度調節等預處理，裁剪出A3紙張的邊界范圍并對相片進行幾何校正，使相片為垂直正射相片，調整相片亮度，最大程度顯示相片中牧草葉片的細節以利于葉片識別，統計A3紙張像素總數。經相片預處理后，相片中只有色差較大的綠、黃牧草與白色紙張，設定一個閾值，對相片二值化處理，由此可將葉片部分完整提取，提取效果如圖3所示。再利用像素統計工具，對提取出的葉片部分，統計葉片像素數并統計A3紙張范圍內像素數。

葉面積指數計算公式：

LAI=（C1/C2）×（S1/S2）（1）

式中：LAI為葉面積指數，C1為葉片像素總數，C2為A3紙張像素總數，S1為A3紙張實際面積大小，S2為子樣方面積大小。

1.2.2 植被指數 植被指數（Vegetation index，VI）是根據地物波譜特征，對遙感影像波段進行線性組合，進而增強地物信息，增加地物的區分度［36］。以試驗區內實際采樣以及實驗室獲取LAI為基礎，結合高分衛星遙感數據，計算獲得逐月NDVI（Normalized difference vegetation index），RVI（Ratio vegetation index），EVI（Enhanced vegetation index），ARVI（Atmospherically resistant vegetation index）4種植被指數（表1）進行牧草LAI的估算研究。

1.2.3 模型構建 采用數理統計回歸進行高寒冬季牧草LAI估算模型構建。以牧草LAI為因變量，以月份和植被指數為自變量，分別采用線性、三次多項式、冪函數與指數函數回歸分析，具體計算方式參見［37］。模型精度驗證采用決定系數（R2）、簡化的卡方檢定（Reduced Chi-Sqr）、相對誤差（RE）、均方根誤差（RMSE）。

2 結果與分析

2.1 葉面積指數提取

2.1.1 LAI數據序列 采用2.2.1中LAI圖像識別法，統計得到各月每個子樣方內的葉片總面積，每月2個觀測樣方中第1，3，7子樣方共可獲6個LAI數據樣本，2020年8月—2021年4月9月間共獲得54個LAI觀測數據樣本（圖4）。從圖4中可以看出，2020年8月觀測樣方2中第1子樣方LAI數據異常偏大，明顯偏離于其他子樣方平均狀態以及其他各月樣本間收斂狀態。因此，其后的計算分析中，剔除該子樣方數據。其他子樣方間數據分布方差較小，因此，最終獲得2020—2021年牧草枯落過程共53個LAI數據樣本。

2.1.2 牧草枯干過程與特征 圖5展示了2020年8月—2021年4月間逐月所有樣方LAI平均值及其同步觀測期牧草樣方相片。從圖中容易看出，牧草葉面積變化過程總體呈先降后穩的特征。2020年8—11月，葉面積指數呈明顯逐月下降趨勢，LAI的數值從8月的4.55降至9月的4.07，并在10月出現了最大降幅，降幅到達全年降幅的29.5%，且LAI值從9月的4.07降至10月的2.87，月際降幅達41%。10—11月LAI仍處于下降階段，但降幅明顯減弱，月降幅不足20%。11月—次年4月，葉面積指數變化較小且相對穩定，LAI值總體上穩定在2.47左右。

從不同月份觀測樣方的牧草野外現場相片看，LAI最高的8月，對應樣方完全為綠草覆蓋。9月LAI略微降低，樣方內牧草綠度明顯減少，但干、鮮草混合特征明顯。葉片表面性狀也表現出一定程度的萎縮蜷曲、以及葉傾角下降、直立牧草數量減少的特征。10月，樣方內牧草已轉變為以枯草為主的狀態，牧草顏色雖然相比11月較深，仍混雜有尚未完全干枯牧草，但樣方內絕大部分牧草已基本變枯，葉片進一步萎縮蜷曲。11月，從圖中可以看出，樣方內牧草已全部呈干枯狀態，牧草完全變黃，葉片幾乎盡數蜷縮。11月后，雖然受觀測樣方選樣差異的影響，相片中牧草立地狀態相差較大，但樣方內牧草顏色均呈明顯的枯黃色，牧草全部處于枯干萎縮狀態。樣方內8月—次年4月間牧草顏色、立地狀態、葉片蜷曲萎縮性狀的變化，直接對應了LAI數值隨時間變化的過程，也直觀反映了葉面積指數與自然條件下牧草葉片隨時間變化的對應關系。

2.2 牧草LAI衰減規律

為消除不同觀測時間樣方選擇差異及觀測誤差的影響，更好地描述LAI變化趨勢，對逐月LAI進行三點滑動平均與曲線擬合（圖6）。從滑動平均曲線容易看出，自綠草至枯草過渡變化的8—11月LAI下降趨勢顯著，即青藏高原牧草葉面積的衰減主要發生在8—11月間，且牧草衰減的速率不同時期也存在一定差別，從圖6可以發現，牧草最主要的衰減過程發生在9—10月，表明這一時期是青藏高原高寒牧草的主要衰減干枯時期。11月—次年4月，LAI滑動平均曲線處于穩定期，并有弱的逐月減小趨勢。

進一步，通過多項式擬合來定量分析LAI變化趨勢及其程度。8月—次年4月LAI最佳多項式擬合曲線（R2=0.95），也反映了高寒牧草葉面積8—11月快速連續下降、11月—次年4月穩定略降的總體變化特征。以11月為界，8—11月分段線性擬合的結果表明，該時段內LAI線性變化的特征顯著，線性擬合方程的達到0.96，通過0.001的顯著性檢驗水平，雖然樣本數量偏少，但仍指示了這一時期LAI變化處于顯著持續下降過程。8—11月線性變化趨勢的斜率達到了-0.76，表明這一時期LAI月際間平均下降速率可達到0.76/月，相對于8月的起始最大葉面積，每月LAI的降幅可達到20%。整個8月—次年4月LAI的總下降數值中，8—11月的LAI降幅約占全季降幅的90%。11月—次年4月，分段線性R2擬合的斜率僅為-0.10，但其方程擬合的僅為0.37，該時期線性變化特征不明顯，但LAI處于當年最低的相對穩定波動變化的時期。

2.3 LAI衰減過程預測模型

2.3.1 統計估算模型及查找表 本研究以8月—次年4月所有53個樣本為數據序列，以LAI月均值與時間序列為變量，進行多種數理統計回歸模型的構建，從中篩選出可用于估算和預測的模型。分別計算并檢驗了線性、多項式、冪函數、指數函數4種統計回歸模型對LAI隨時間變化的模擬能力。從表2可以看出，三次多項式的R2為所有模型中最大，達到了0.99，且Reduced Chi-Sqr為0.05，為所有模型中最小。此外，三次多項式相對誤差為4.1%，均方根誤差為0.19，均為計算模型中最優解，表明三次多項式具有最佳的估算模擬能力。因此，該多項式可以作為LAI估算模型。

根據所選估算模型，x取值為［0，8］，對應8月—次年4月?？梢杂嬎愠?月—次年4月指定時間的枯草LAI值。事實上，如果將時間間隔縮小，我們可以計算得到更高時間分辨率的LAI隨時間變化的結果。本研究以5日為時間間隔，計算得到8月—次年4月牧草LAI 5日間隔的所有LAI數值（圖7），以該數據為高寒草甸牧草LAI冬季變化的查找表，則可實現通過夏季綠草估算不同時期冬季枯草LAI的目的。

2.3.2 基于植被指數的LAI衰減過程估算 逐一提取出2020年8月—2021年4月逐月野外地面觀測時間同步或準同步時相GF-1/WFV衛星地面2個采樣區對應像元各波段反射率數值，并分別計算出逐月兩個樣方區GF衛星像元處NDVI，RVI，EVI，ARVI值。根據已有研究表明，EVI能更好與LAI建立關系［38］，由此直接利用EVI進行擬合。以樣方區1地面觀測LAI與對應像元EVI計算值進行回歸擬合建模，以樣方區2地面與對應像元數據序列為驗證數據序列，得到其公式如下：

y=6.85x2-4.29x+2.89（2）

基于EVI的回歸方程R2為0.95，且Reduced Chi-Sqr為0.06，說明基于EVI的二次多項式具有LAI衰減過程的模擬能力?；跇臃絽^2數據的對照檢驗結果也得出了同一結論，EVI二次多項式的相對誤差和均方根誤差分別為14.6%與0.46。因此，以GF衛星計算得到的EVI為自變量的二次多項式，可以用于基于衛星數據進行LAI衰減過程的估算，作為冬季牧草LAI變化的反演模型。

2.4 LAI衰減過程的時空動態估算

青藏高原東北部青海湖北緣區域，選取包含試驗場的草原樣帶區域進行LAI遙感估算及其時空變化分析驗證。根據（2）式計算GF-1衛星2020年8月—2020年11月間不同時相逐像元LAI值。由于實測LAI與估算圖像直方圖表明LAI衰減后主要集中于2.0～2.5區間，因此將2.0～2.5區間以0.1為步長進行細分，2.5～5.5區間以0.5為步長進行計算結果的密度分割，得到4個時相GF衛星LAI估算圖（圖8）。從8月的空間分布來看，樣帶內LAI值在0～5.5之間，空間上分布不均。樣帶區域西部山地LAI值偏低，LAI值以2.0為主；中部覆蓋試驗點的高寒草甸區，LAI值以4.0以上為主；東南角地區以城鎮區域為主，LAI分布不均勻，非植被區與植被區間雜。LAI的空間分布特征與該區域植被覆蓋度相一致。

從時間變化特征來看，8月LAI最高，最高值可達到5.0，9月LAI高值區域略微下降，下降至3.5左右，10月LAI下降快速，LAI均下降到2.5左右，11月LAI相對于10月變化較小，LAI下降至2.3左右。左部山地，8月—11月LAI變化較小均在2.2左右，10月觀測期內部分區域有積雪覆蓋，LAI偏差較大。樣帶中部LAI從8月5.0左右下降至9月3.5左右，10月快速下降到2.5左右，11月略微下降至2.2左右。地面觀測場附近區域內，8月LAI為5.0，9月下降為4.9，10月則迅速降至2.5，降幅顯著，至11月時，LAI相比上月僅減小0.2，9月的GF數據為月中致使8月至9月LAI變化并不明顯，不影響LAI總體變化。LAI的時間變化特征表現為，結合樣帶空間分布，LAI低值區的季節變化較小，高葉面積指數區的LAI隨時間的變化幅度明顯，這與牧草初始狀況及其變化規律相符。

高寒草甸與內蒙古荒漠草原LAI時空動態變化存在不同，荒漠草原草地植被稀疏，LAI值總體較低［29］，LAI的衰減期為8月—12月，衰減過程變化相對平緩。高寒草地8月—11月為LAI的衰減期，且衰減過程集中于8月與9月。這種變化與塞拉多地區草地LAI時空動態變化也非常不同，塞拉多地區草地LAI分布于0～2.0，成熟期后，LAI進入衰減期，第三月為快速衰減期［39］。從不同地區、不同草地類型LAI及其衰減規律的對比可以看出，青藏高原地區冬半年LAI變化過程具有顯著的獨特性。

3 討論

3.1 葉面積觀測精度驗證

常見葉面積地面測量方法有剪草法和光學儀器測量法。剪草法可以精確獲取葉面積，但需要破壞性取草。光學儀器觀測則易受光照和植被類型的影響，存在一定偏差［40］。本研究從試驗場刈割牧草，再將牧草平鋪至白紙上拍照保留相片，利用LAI圖像識別法，統計葉片像元并計算得到葉面積。數字圖像處理技術，可以更精確地提取葉片范圍并統計所點和面積，葉面積測量精度可以提高或達到像素級［34］。李任輝等［41］采取剪草法提取的葉片葉面積，與其他高精度系統測量值對比，具有精度高，變異系數小于0.51%的優點。而該方法與葉面積儀法及剪草法所獲結果具有很好的一致性，與二者間相關系數分別達到0.962和0.949，說明采用剪草法不僅可保證很高的精度，同時也具有速度快的優點［42］，LAI圖像識別法與傳統葉面積儀法、臺式葉面積儀法相關系數達到0.948和0.856，還具有造價低廉，可大批量室外測量，方便測量不規則葉片的優點［43］。本研究用于拍照的相機像素達到1 400萬以上，識別精度保證在mm級，由于可剪取到樣方內所有葉處，因此，所獲結果準確度將明顯高于常用的LAI 2000等儀器觀測數據?？莶萑~面積的觀測數據與可靠性具有較好地保證。

3.2 不同區域葉面積衰減規律差異性

青藏高原由于特殊的地理位置和氣候條件，造成當地植被生長衰老變化的特殊性［44］。葉面積通常表現為生長季持續增長，枯黃期逐漸衰減，但具有植被類型與一定的空間區域表現差異性［45］。本研究發現冬季枯草衰減過程可區分為8—10月快速下降和10—11月緩慢下降時段的明顯分段衰減特征。我們的8月LAI約為4.5的觀測結果與同區域已有研究8月最高值4.0相近［22］。然而，LAI枯黃期的變化特征，與內蒙古荒漠草原地區的變化特征存在顯著差異，內蒙地區牧草枯黃過程中LAI呈現逐月均勻衰減的特征［29］，這與我們研究發現的高寒地區階段性衰減規律明顯相異，這表明不同草原類型及地區，LAI在冬季的衰減過程上存在差異明顯。針對不同區域葉面積變化過程的研究，仍需要區分植被類型和區域，進行針對性的觀測與分析。

3.3 不同植被指數估算能力對比

衛星遙感已廣泛應用于大面積LAI反演，已有研究表明植被指數中NDVI對綠色植被LAI靈敏，可以估算生長期植被LAI。也有人指出，EVI綜合處理了土壤、大氣、生物量飽和問題，能夠更好與LAI建立關系［38］，針對冬小麥生育期內LAI變化，利用EVI構建的模型就取得了較好地效果［46］。為了探討不同植被指數在高寒冬季枯草LAI估算中的效果和能力，基于GF-1/WFV衛星影像，通過四種植被指數線性、冪函數、指數及二次多項式擬合方程的精度評價，進行了NDVI，RVI，EVI，ARVI四種植被指數LAI估算能力的對比。計算結果表明（表3），4種植被指數中基于EVI所建立的二次多項式R2達到了最高的0.95，且Reduced Chi-Sqr最低，為0.06，說明基于植被指數進行LAI的遙感估算具有較好的準確性。然而，EVI二次多項式的相對誤差和均方根誤差分別為14.6%與0.46，為所有模擬方程中擬合效果最好，說明基于EVI的二次多項式具有LAI衰減過程最優的模擬能力。針對青藏高原高寒牧草冬季衰減過程中枯草LAI，EVI具有最優估算能力，是進行高寒冬季枯草遙感估算的最佳植被指數。

本文構建的基于植被指數的高寒牧草冬季LAI估算模型能夠實現8月—11月LAI時空變化特征估算，但針對于枯黃期內，即12月—次年4月仍較難對其進行估算，Delegid等［31］提出兩步反演法，結合植被指數完成衰老植被LAI估算，還有結合GPR模型訓練出衰老植被LAI的估算模型也能實現枯黃期內衰老植被LAI估算，為枯黃期LAI估算提供參考方向［32］。同時，模型模擬只適用于牧草干枯過程，無法估算牧草生長季LAI，針對牧草生長與枯黃全過程，仍需探究其LAI變化與估算研究。

4 結論

青藏高原高寒牧草LAI衰減規律明顯不同于我國北方地區，自當年8月至次年4月呈現先降后穩的總體變化特征，并大致以11月為界區分為8—11月的衰減階段與12月—次年4月的穩定維持階段，而衰減過程又表現為8—10月的快速下降時期與10—11月的緩慢下降兩個時段?；谝巴獾孛嬗^測數據建立了LAI冬季衰減規律的模擬回歸模型，模擬方程R2達到0.99（Plt;0.001），在此基礎上提出了每5日時間分辨率的冬半年高寒牧草LAI時間變化查找表。對比不同植被指數LAI估算能力，發現EVI指數具有高寒牧草冬季LAI變化過程最優模擬能力，由此建立EVI和GF衛星的高寒牧草LAI遙感估算模型。

參考文獻

［1］SAKAMOTO T，SHIBAYAMA M，KIMURA A，et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：872-882

［2］FANG H，LIANG S，HOOGENBOOM G. Integration of MODIS LAI and vegetation index products with the CSM-CERES-Maize model for corn yield estimation［J］. International Journal of Remote Sensing，2011，32（4）：1039-1065

［3］BREDA N. Leaf area index［J］. Encyclopedia of Ecology，2008：2148-2154

［4］WEI X，GU X，MENG Q，et al. Leaf area index estimation using Chinese GF-1 wide field view data in an agriculture region［J］. Sensors，2017，17（7）：1593

［5］ASNER G P，SCURLOCK J M，A. HICKE J. Global synthesis of leaf area index observations：implications for ecological and remote sensing studies［J］. Global Ecology and Biogeography，2003，12（3）：191-205

［6］烏日汗，紅雨，包剛，等. 2001—2016年內蒙古植被物候變化及其對生產力的影響［J］. 草地學報，2019，27（6）：1685-1693

［7］AERTS R. The freezer defrosting：global warming and litter decomposition rates in cold biomes［J］. Journal of Ecology，2006，94（4）：713-724

［8］COUTEAUX M-M，BOTTNER P，BERG B. Litter decomposition，climate and liter quality［J］. Trends in Ecology Evolution，1995，10（2）：63-66

［9］REN H，ZHOU G，ZHANG F，et al. Evaluating cellulose absorption index （CAI） for non-photosynthetic biomass estimation in the desert steppe of Inner Mongolia［J］. Chinese Science Bulletin，2012，57（14）：1716-1722

［10］HENRY H A，BRIZGYS K，FIELD C B. Litter decomposition in a California annual grassland：interactions between photodegradation and litter layer thickness［J］. Ecosystems，2008，11（4）：545-554

［11］LI Z，GUO X. Remote sensing of terrestrial non-photosynthetic vegetation using hyperspectral，multispectral，SAR，and LiDAR data［J］. Progress in Physical Geography，2016，40（2）：276-304

［12］AERTS R，DE CALUWE H，BELTMAN B. Plant community mediated vs. nutritional controls on litter decomposition rates in grasslands［J］. Ecology，2003，84（12）：3198-3208

［13］王信理. 在作物干物質積累的動態模擬中如何合理運用Logistic方程［J］. 農業氣象，1986（1）：14-19

［14］何迷，李小波，黃靜，等. 水稻葉面積指數與產量關系研究進展［J］. 農學學報，2022，12（8）：1-5

［15］牛小桃，樊軍，王勝，等. 利用魚眼攝像機測量植被葉面積指數動態變化［J］. 應用生態學報，2018，29（10）：3183-3190

［16］蔣楠，戴建國，薛金利，等. 基于無人機可見光影像和卷積神經網絡的棉花生長參數監測［J］. 石河子大學學報（自然科學版），2021，39（3）：282-288

［17］王成孜，王尚明，張清霞，等. 氣候變暖背景下晚稻不同生育期葉面積指數變化及其與產量的關系［J］. 江西農業學報，2021，33（6）：72-77

［18］岳延濱，黎瑞君，馮恩英，等. 不同氮素水平下辣椒葉面積指數動態模型［J］. 中國農業大學學報，2022，27（5）：157-168

［19］師生波，賁桂英，韓發，等. 青藏高原地區矮嵩草草甸植物群落生長分析［J］. 生態學報，2001（6）：871-876

［20］王猛，李貴才，王軍邦. 典型草原通量塔通量貢獻區地上生物量和葉面積指數的時空變異［J］. 應用生態學報，2011，22（3）：637-643

［21］高延鋒，儀律北，張法偉，等. 祁連山東段4類草地生態系統CO2通量與葉面積指數的關系研究［J］. 中國草地學報，2022，44（5）：1-8

［22］孫建文，李英年，宋成剛，等. 高寒矮嵩草草甸地上生物量和葉面積指數的季節動態模擬［J］. 中國農業氣象，2010，31（2）：230-234

［23］韓發，岳向國，師生波，等. 青藏高原幾種高寒植物的抗寒生理特性［J］. 西北植物學報，2005（12）：2502-2509

［24］王迅，劉書杰，張曉衛，等. 基于HJ-1A/1B數據的高寒草地牧草營養動態監測模型［J］. 國土資源遙感，2013，25（3）：183-188

［25］GREGERSEN P L，CULETIC A，BOSCHIAN L，et al. Plant senescence and crop productivity［J］. Plant Molecular Biology，2013，82（6）：603-622

［26］王磊，耿君，楊冉冉，等. 高分一號衛星影像特征及其在草地監測中的應用［J］. 草地學報，2015，23（5）：1093-1100

［27］劉偉東，項月琴，鄭蘭芬，等. 高光譜數據與水稻葉面積指數及葉綠素密度的相關分析［J］. 遙感學報，2000（4）：279-283

［28］張潯潯，楊斌，吳淑瑩，等. 尼洋河流域植被特征時空變化及其對水熱的響應［J］. 草地學報，2021，29（11）：2566-2576

［29］王雅鑫，巴雅爾，孫亞麗，等. 基于葉面積指數的荒漠草原動態監測［J］. 內蒙古師范大學學報（自然科學漢文版），2019，48（4）：314-322

［30］王利，徐翠玲，蔣鎰竹. 黑河流域植被葉面積指數時空變化特征［J］. 水力發電，2021，47（10）：6-11，36

［31］DELEGIDO J，VERRELST J，RIVERA J P，et al. Brown and green LAI mapping through spectral indices［J］. International Journal of Applied Earth Observation and Geoinformation，2015，35：350-358

［32］AMIN E，VERRELST J，RIVERA-CAICEDO J P，et al. Prototyping Sentinel-2 green LAI and brown LAI products for cropland monitoring［J］. Remote Sensing of Environment，2021，255：112168

［33］賈玉秋，李冰，程永政，等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較［J］. 農業工程學報，2015，31（9）：173-179

［34］曹志剛，馮仲科，龍春玲，等. 基于數字攝影與計算機圖形技術的植物葉面積測量方法［J］. 河北科技師范學院學報，2004（1）：39-41

［35］李樂，鐘迪，賈寶軍，等. 蒙古櫟葉面積的數字圖像法測定［J］. 西北林學院學報，2016，31（6）：96-103

［36］于璐，王迅，柴沙駝，等. 基于高分衛星遙感的天然草地牧草營養含量季節動態反演的研究［J］. 草地學報，2020，28（2）：547-557

［37］戴聲佩，羅紅霞，鄭倩，等. 海南島橡膠林葉面積指數遙感估算模型比較研究［J］. 智慧農業（中英文），2021，3（2）：45-54

［38］張素青，賈玉秋，程永政，等. 基于GF-1影像的水稻苗情長勢監測研究［J］. 河南農業科學，2015，44（8）：173-176

［39］HOFFMANN W A，DA SILVA E R，MACHADO G C，et al. Seasonal leaf dynamics across a tree density gradient in a Brazilian savanna［J］. Ecosystem Ecology，2005，145（2）：306-315

［40］譚一波，趙仲輝. 葉面積指數的主要測定方法［J］. 林業調查規劃，2008（3）：45-48

［41］李任輝，趙仲輝，李家湘. 基于Photoshop軟件測量植物葉面積的白紙背景法［J］. 湖南林業科技，2016，43（1）：138-142，48

［42］宋英博. 數字圖像處理技術在葉面積測量中的應用［J］. 農學學報，2022，12（2）：73-75

［43］宋英博，郭偉，張洪權，等. 圖像處理技術在玉米葉面積測量中的實際應用［J］. 農學學報，2015，5（8）：111-114

［44］曹曉云，周秉榮，周華坤，等. 氣候變化對青藏高原植被生態系統的影響研究進展［J］. 干旱氣象，2022，40（6）：1068-1080

［45］劉剛，桑宇星，趙茜，等. 生態系統模型模擬中國葉面積指數變化趨勢及驅動因子的不確定性［J］. 遙感技術與應用，2020，35（5）：1037-1046

［46］侯學會，王猛，梁守真，等. 基于GF-1數據的冬小麥不同生育期葉面積指數反演［J］. 山東農業科學，2018，50（11）：148-153

（責任編輯 彭露茜）

收稿日期：2023-02-22；修回日期：2023-03-03

基金項目：四川省科技計劃項目（2022YFS0490）；青海省防災減災重點實驗室開放基金項目（QFZ-2021-Z11）；西藏自治區科技計劃項目（XZ202102YD0012C）；內蒙古自治區科技計劃項目（2021GG0019）；國家自然科學基金項目（41971328）資助

作者簡介：肖強智（1998-），男，漢族，四川內江人，碩士研究生，主要從事高寒枯草遙感方法研究，E-mail：qiangzhi_xiao@163.com；*通信作者Author for correspondence，E-mail：weixin.xu@cuit.edu.cn