植被指数在典型草原生物量遥感估测应用中的问题探讨

张艳楠，牛建明，2＊，张庆，杨艳，董建军

（1.内蒙古大学生命科学学院，内蒙古 呼和浩特010021；2.中美生态、能源及可持续性科学研究中心，内蒙古 呼和浩特010021）

遥感技术兴起于20世纪60年代初，由于其具有宏观、快速、准确、动态等优点，因此被广泛应用于估产［1－3］、土地利用动态监测［4－6］、水质评价［7－9］、灾害监测［10－12］等方面。随着遥感技术的发展，20世纪70年代后期遥感信息作为变量被引入到估产模型中［13］，研究者结合农学知识和环境因素预测农作物、草地产量等。我国草地卫星遥感研究始于20世纪80年代初［14］，研究区多集中在我国新疆北部［15－18］和内蒙古地区［19－22］，现已建立了大量的遥感估产模型，目前，遥感技术（RS）、地理信息系统技术（GIS）和全球定位技术（GPS）与地面测点的结合己成为大尺度草产量动态监测的主要手段。

遥感估产是以植被指数为主要输入变量的基于像元的数理统计回归分析方法，通过不同尺度数据之间建立函数关系来完成由点及面的转换［23］。植被指数由卫星不同波段数据组合而成，由于其包含90%以上的植被信息［24］，且与植物生物量等很多植被要素之间存在强相关性［25］，因此植被指数可以较好地反映植物的生长状况及空间分布。Tucker［26］于1979年发现归一化差异植被指数（normalized difference vegetation index，NDVI）对光合有效生物量的变化比较敏感，此后植被指数就被广泛应用于生物量的遥感估测，至今已发展了40余种植被指数［27］，其中应用最为广泛的是NDVI［28］。虽然大多数植被指数都可应用于遥感估产，但不同环境下的效果存在争论［29，30］，至今尚未明确各种植被指数间的相互关系及其适用范围。

关于草地估产的研究很多，所建立的植被指数—生物量模型迥异，模型基本为线性模型和非线性模型［16，31－33］，主要包括一元线性模型、指数模型、对数模型、二次模型等。由于其生态学意义不明确及次数过高的多项式模型容易过度拟合［34］，因此二次及其以上多项式模型使用较少，一元线性模型和指数模型是较为成熟且应用最广泛的类型［22］。Wu和Levin［35－37］认为尺度是导致生态模型差异的一个主要原因，那么随着生物量范围的变化，一元线性模型和指数模型是否会因此具有不同的适用范围。

综上所述，本研究选用了14种常用于草地估产的植被指数，对内蒙古锡林浩特市白音锡勒典型草原进行生物量遥感估测，拟解决如下3个问题：1）干重或鲜重均常用于草地生物量遥感估测，二者效果优劣如何；2）14种植被指数之间关系如何，在草地生物量遥感估测中哪（几）种植被指数效果最优；3）随着生物量范围的逐渐增大，一元线性模型和指数模型之间是否存在某种趋势。通过对以上3个问题的探讨，一方面尝试阐述估产模型差异的可能原因——生物量范围差异；另一方面为以后草地生物量遥感估测提供技术上的理论依据及方法指导。

1 材料与方法

1.1 研究区概况

研究区位于东经116.0304°～116.7901°、北纬43.6920°～44.2659°（图1），地处内蒙古高原中东部锡林郭勒盟的东南部，属锡林郭勒高原东南部低山丘陵区的边缘部分，海拔1 000～1 500m。该区属于中温带大陆性气候，冬季严寒漫长，夏季短暂凉爽，春秋季多大风天气。研究区植被类型以典型草原为主，其中以大针茅（Stipagrandis）、羊草（Leymuschinensis）草原占绝对优势。另外，在研究区的东部低山区分布着以线叶菊（Filifoliumsibiricum）、贝加尔针茅（Stipa baicalensis）和羊草建群的禾草杂类草草甸草原。此外，在河漫滩及低洼处，有以芨芨草（Achnatherum splendens）、寸草苔（Carexduriuscula）等为主的盐生和湿生草甸。

图1 研究区地理位置及样点分布图Fig.1 The location of study area and samples

1.2 数据获取

2005年8月中旬，对研究区域进行了植被调查，设置65个样地，每个样地采集3个1m×1m样方，记录样方内所有植物的指标，如高度、密度等，并沿地面分类剪取样方内植物，带回室内称取每种植物的鲜重，后经烘干处理（65℃，24h）得到干重数据。为了尽可能地避免非典型草原景观的干扰，剔除了一些靠近农田或者小叶锦鸡儿（Caraganamicrophylia）斑块的样地。最后，参与建模的样方共有60个。

在遥感数据方面，为了与地面调查数据在时间上匹配，购置了2005年8月15日的陆地卫星（Landsat5，TM）数字图像。利用PCI软件对影像进行大气校正、几何校正后，计算各植被指数的值，并利用各样地记录的GPS定位坐标，提取对应样地的各类植被指数。

1.3 植被指数选取

总结前人工作，从文献中选取常用于草地估产的14种植被指数。计算公式见表1。

1.4 数据分析

利用SPSS软件，分别建立各种植被指数与鲜重、干重的回归模型。在本研究中的回归模型选用一元线性、指数函数、幂函数、对数函数4类。利用T检验对鲜、干重的回归模型进行分析，检验两类回归模型之间是否具有显著性差异。

利用Canoco软件中的DCA分析对所选用的14种植被指数进行排序和分类比较。

收集了国内公开发表利用15个以上样本建立一元线性或指数模型的文献，提取其生物量范围及对应的估产模型函数类型，进行Logistic回归分析。Logistic回归分析是一种对二分类因变量（因变量Y取值有2种可能，0或1）进行回归分析，经常采用非线性分类的统计方法。因为该方法具有变量解释性强、简单的特点，在本研究中借助该方法对生物量范围及对应的估产模型函数类型进行回归分析，以期发现随草地生物量范围的增大，估产模型可能出现的趋势。由于国内大部分工作都是针对鲜重的估测，且已发表的文献很少会给出生物量值，故本研究只收集到21个鲜重模型［28，52－60］。

表1 植被指数计算公式Table 1 Vegetation index formula

2 结果与分析

2.1 估产模型的建立

估产模型是建立自变量与因变量之间简单的回归模型，在本研究中自变量x为各植被指数，因变量y为鲜重或干重。建立估产模型前，先要对植被指数及生物量进行相关性分析，其目的是检验两者之间关系的密切程度，以及是否可根据所测样本数据来推断总体情况。本研究中的14种植被指数与鲜重、干重对应的相关系数如表2。可见，除EVI、PVI外，其余12种植被指数均与鲜重、干重显著相关，故利用这12种植被指数来建立草地估产模型是可行的。

表2 植被指数与草地生物量间的相关系数Table 2 The correlation coefficient between vegetation index and grassland biomass

在相关性分析的基础上，对12种植被指数和草地生物量进行回归分析，分别建立植被指数与干重、鲜重之间的回归模型（表3）。通过对不同模型测算结果的比较与分析，可以看出，指数模型是4种回归模型当中拟合精度最好的，其次依次为幂函数模型、一元线性回归模型，最差的是对数函数模型。

依据干重建立的回归模型的R2均比鲜重的要高，而且对鲜、干重建立的模型效果进行T检验后，发现两者差异显著（P＜0.01）。

续表3 Continued

2.2 DCA分析

以14个植被指数在60个样地中的值为数据源进行DCA分析，取得了较好的效果，第1轴和第2轴的贡献率分别为51.4%和0.9%，前2轴的累计贡献率达52.3%。

DCA 排序可以将植被指数划分为4类：Ⅰ：1，4，5，6，7，8，9，10，11，14；Ⅱ：2，12；Ⅲ：3；Ⅳ：13（图2）。

2.3 模型趋势

在广泛查阅国内近几年以鲜重为因变量建立的草地估产模型研究的基础上，利用Logistic回归分析探讨生物量范围与模型类型之间的关系，结果（图3）表明，当生物量低于370g／m2时，建立的估产模型都是一元线性的；当生物量在370～720g／m2时，一元线性模型和指数模型的模拟效果都很好；当生物量高于720g／m2时，估产模型都是指数的，即生物量较低时，模型为一元线性；随生物量的增加，估产模型由一元线性逐渐发展为线性和指数共存；当生物量足够大时，模型呈指数函数（图3，P＜0.05）。

3 讨论

植物的叶绿素可以吸收太阳辐射的蓝光、红光，而叶片结构反射近红外，故利用植被在红光与近红外波段的反射率对其生物量、LAI、覆盖度等特征进行度量。本研究中植被指数与鲜重、干重之间回归效果均较好（表3），因此，分别以两者为因变量建立的模型都是可行的。但是T检验发现以鲜重、干重为因变量分别建立的估产模型效果差异显著（P＜0.01），且干重的回归效果要好于鲜重（R2干重＞R2鲜重），因此，以干重为因变量的估产模型的效果要比鲜重的好。究其原因，植物叶绿素含量是度量植物光合作用能力及干物质积累的重要指标，且植被遥感信息最能直接指示干物质的积累［61］，使用干重进行遥感估测排除了鲜重中水分的干扰，因此，生物量遥感估测中干重回归效果优于鲜重。但干重数据来源于烘干条件下（65℃，24h），在实际应用中，其应用受到一定的条件限制，故此，在建立估产模型时，应根据研究目的及实验条件对干重、鲜重做出合理的选择。

图2 14种植被指数DCA排序结果图Fig.2 DCA ordination diagram of 14vegetation indices

图3 生物量－估产模型Logistic分析趋势图Fig.3 The trends of Biomass－estimation model about Logistic analysis

影响植被指数的因子包括生物因子和物理因子两大类［62］，如植物含水量、大气、土壤、传感器等。在本研究中，利用的是同一时期的地面资料和遥感资料，因此可以排除传感器因素。沿第1轴对植被指数进行分析发现：SAVI、MSAVI能够消除或减弱土壤的噪声［38］；RVI受土壤背景的影响，当植被覆盖不够浓密时，它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好；相对于RVI，PVI消除土壤背景干扰的能力较好［63］。因此，第1轴反映了土壤对植被指数的影响，且离原点越远，受土壤的影响就越小。沿第2轴对植被指数分析发现：RVI对大气影响敏感，EVI基于土壤和大气的影响是相互作用的事实，引入一个反馈项来同时对二者进行订正［64］；ARVI在红光波段完成大气自我校正，其对大气的敏感性比NDVI小4倍［62］；故第2轴反映了大气对植被指数的影响，且离原点越远，受大气的影响就越小。由于第1轴解释了51.4%的变量，即土壤对植被指数有相当大的影响，土壤亮度是影响植被指数的重要因素［65］，许多植被指数的发展就为了控制土壤的影响。

在选取植被指数时应最大限度地排除各种干扰，但大气和土壤的影响是相互的，消除其中的一个可能会增加另一个［66］，只有对二者同时进行订正才能得到比较准确的估算结果。在DCA排序图中，位于对角线上及其附近的植被指数是综合排除了土壤、大气的影响，并且距离原点越远，受土壤、大气综合影响越小，NDVI、OSAVI、SAVI、DVI等分布在对角线附近，受土壤、大气的影响较小，有助于建立较为准确、合理的估产模型。在实际应用中，植被指数没有一个统一的值，其研究结果经常不一致［67］，因此对植被指数的取舍要相当谨慎，尽量避免重复使用同一类的植被指数，要对比不同类型的植被指数，以便找到模型效果最好的植被指数。就典型草原遥感估产而言，Ⅰ类的大部分指数效果要高于其他几类，NDVI的效果最好。

空间异质性由斑块和梯度复合而成，可导致生态模型随不同空间尺度、等级尺度变异［35－37］，大部分草地估产模型都是针对某一草地类型建立的，由于区域、植被类型的不同造成植被指数－生物量的模型结果差异很大［68］。本研究统计了近年已发表的有关鲜重的估产模型，发现随着生物量的增大，模型逐渐由一元线性趋近于指数，当生物量足够大时，建立的估产模型是趋于指数的，当生物量范围较小时，就只能表现整个趋势上的一部分，其他模型对这部分生物量范围的拟合效果可能会高于指数模型。在本研究中，生物量是517.12g／m2，处于中等生物量范围，指数模型效果好。

［1］申广荣，王人潮.植被光谱遥感数据的研究现状及其展望［J］.浙江大学学报（农业与生命科学版），2001，27（6）：682－690.

［2］樊锦召，吕玉华.应用气象卫星资料估算草场产草量方法的研究［J］.干旱区资源与环境，1990，（3）：23－28.

［3］王莺，夏文韬，梁天刚，等.基于MODIS植被指数的甘南草地净初级生产力时空变化研究［J］.草业学报，2010，19（1）：201－210.

［4］张宏斌，杨桂霞，黄青，等.呼伦贝尔草甸草原景观格局时空演变分析——以海拉尔及周边地区为例［J］.草业学报，2009，18（1）：134－143.

［5］Rao K S，Pant R.Land use dynamics and landscape change pattern in a typical micro watershed in the mid elevation zone central Himalaya，India［J］.Agriculture Ecosystems ＆ Environment，2001，86（2）：113－123.

［6］Shen R P，Kheoruenromne I.Monitoring land use dynamics in Chanthaburi Province of Thailand using digital remotely sensed images［J］.Pedosphere，2003，13（2）：157－164.

［7］周勇，范业宽，王庆云，等.湖泊水环境质量评价的研究进展［J］.环境科学进展，1998，6（2）：50－55.

［8］Carpenter D J，Carpenter S M.Modeling inland water quality using landsat data［J］.Remote Sensing of Enviormnent，1983，13：345－352.

［9］Koponen S，Ullininen J.Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data［J］.Remote Sensing of Environment，2002，79：51－59.

［10］于惠，冯琦胜，张学通，等.基于AMSR－E信息的北疆牧区雪深遥感监测模型方法初探［J］.草业学报，2009，18（4）：210－216.

［11］何建邦，田国良.中国重大自然灾害监测与评估信息系统的建设与应用［J］.自然灾害学报，1996，5（3）：1－7.

［12］闫峰，李茂松，王艳姣，等.遥感技术在农业灾害监测中的应用［J］.自然灾害学报，2006，15（6）：132－136.

［13］陶伟国，徐斌，杨秀春.草原产草量遥感估算方法发展趋势及影响因素［J］.草业学报，2007，16（2）：1－8.

［14］牛志春，倪绍祥.青海湖地区草地植被生物量遥感监测模型［J］.地理学报，2003，58（5）：695－702.

［15］李建龙，黄敬峰，蒋平.不同类型草地监测与估产遥感指标和光学模型建立的研究［J］.新疆环境保护，1996，18（2）：34－39.

［16］黄敬峰，王秀珍，胡新博.新疆北部不同类型天然草地产草量遥感监测模型［J］.中国草地，1999，（1）：7－11.

［17］李建龙，戴若兰，任继周.遥感技术在新疆阜康县草地估产中的应用研究［J］.中国草地，1998，（1）：11－14.

［18］黄敬峰，王人潮，胡新博.新疆北部天然草地产草量遥感监测预测模型研究［J］.浙江农业大学学报，1999，25（2）：125－129.

［19］徐希孺，金丽芳，赁常恭，等.利用NOAA－CCT估算内蒙古草场产草量的原理和方法［J］.地理学报，1985，40（4）：333－346.

［20］史培军，李博，李忠厚，等.大面积草地遥感估产技术研究——以内蒙古锡林郭勒草原估产为例［J］.草地学报，1994，12（1）：9－13.

［21］裴浩，敖艳红.利用极轨气象卫星遥感监测草地生产力的研究─以内蒙古乌拉盖地区为例［J］.干旱区资源与环境，1999，13（4）：56－64.

［22］赵冰茹，刘闯，刘爱军，等.利用MODIS－NDVI进行草地估产研究——以内蒙古锡林郭勒草地为例［J］.草业科学，2004，21（8）：12－15.

［23］彭晓鹃，邓孺孺，刘小平.遥感尺度转换研究进展［J］.地理与地理信息科学，2004，20（5）：6－14.

［24］Baret F，Guyot G，Major D J.TSAVI：A vegetation index which minimizes soil brightness effects on LAI and APAR estimation［A］.Proceeings of the 12th Canadian Symposium on Remote Sensing［C］.Canada：Vancouver，1989：1355－1358.

［25］朴世龙，方精云，贺金生，等.中国草地植被生物量及其空间分布格局［J］.植物生态学报，2004，28（4）：491－498.

［26］Tucker C J.Red and photographic infrared linear combinations for monitoring vegetation［J］.Remote Sensing of Environment，1979，8：127－150.

［27］王宏，李晓兵，余弘青.基于NOAA／AVHRR NDVI监测中国北方典型草原生长季及变化［J］.植物生态学报，2006，30（3）：365－474.

［28］陶伟国，徐斌，刘丽军，等.不同利用状况下草原遥感估产模型［J］.生态学杂志，2007，26（3）：332－337.

［29］Myneni R B，Hall F B，Sellers P J，etal.The interpretation of spectral vegetation indices［J］.IEEE Transactions on Geoscience and Remote Sensing，1995，33：481－486.

［30］李京，陈晋，袁清.应用NOAA／AVHRR遥感资料对大面积草场进行产草量定量估算的方法研究［J］.自然资源学报，1994，9（4）：365－374.

［31］Roy P S，Jonna S，Pant D N.Evaluation of grasslands and spectral reflectance relationship to its biomass in Kanha National Park（M.P.）［J］.Indial Geocarto International，1991，6：439－451.

［32］Purevdorj T，Tateishi R，Ishiyama T，etal.Relationship between percent vegetation cover and vegetation indices［J］.International Journal of Remote Sensing，1998，19：3519－3535.

［33］吕新龙.呼伦贝尔地区草甸草原初级生产力动态研究［J］.中国草地，1994，（4）：9－11.

［34］Gao J.Quantification of grassland properties：how it can benefit from geoinformatic technologies［J］.International Journal of Remote Sensing，2006，27（7）：1351－1365.

［35］Levin S A.The problem of pattern and scale in ecology［J］.Ecology，1992，73：1943－1967.

［36］Wu J G，Levin S A.A spatial patch dynamic modeling approach to pattern and process in an annual grassland［J］.Ecological Monographs，1994，64：447－464.

［37］Wu J G，Loucks O L.From balance－of－nature to hierarchical patch dynamics：aparadigm shift in ecology［J］.Quarterly Review of Biology，1995，70：439－466.

［38］Kaufman Y J，Tanre D.Atmospherically resistant Vegetation index（ARVI）for EOS－MODIS［J］.IEEE Trans Geosci Remote Sensing，1992，30：261－270.

［39］Richardson A J，Wiegand C L.Distinguishing vegetation from soil background information［J］.Photogrammetric Engineering and Remote Sensing，1977，43（12）：1541－1552.

［40］Huete A K，Didan T，Miura E P，etal.Overview of the radiometric and biophysical performance of the MODIS vegetation indices［J］.Remote Sense，2002，83：195－213.

［41］Gitelson A A，Kaufman Y J，Merzlyak M N.Use of a green channel in remote sensing of global vegetation from EOS－MODIS［J］.Remote Sensing of Environment，1996，58（3）：289－298.

［42］Crippen R E.Calculating the vegetation index faster［J］.Remote Sensing of Environment，1990，34（1）：71－73.

［43］Qi J，Chehbouni A，Huete A R，etal.A modified soil adjusted vegetation index［J］.Remote Sensing of Environment，1994，48（2）：119－126.

［44］Deering D W，Rouse J W，Haas R H，etal.Measuring forage production of grazing units from Landsat MSS data［J］.Proceedings of the 10th International Symposium on remote sensing of environment，1975：1169－1178.

［45］Rondeaux G，Steven M，Baret F.Optimization of soil－adjusted vegetation indices［J］.Remote Sensing of Environment，1996，55（2）：95－107.

［46］Wiegand C L，Richardson A J，Escobar D E，etal.Vegetation indices in crop assessments［J］.Remote Sensing of Environment，1991，35（2－3）：105－119.

［47］Roujean J L，Breon F M.Estimating PAR absorbed by vegetation from bidirectional reflectance measurements［J］.Remote Sensing of Environment，1995，51：375－384.

［48］Birth G S，McVey G.Measuring the color of growing turf with a reflectance spectroradiometer［J］.Agronomy Journal，1968，60：640－643.

［49］Huete A R.A soil－adjusted vegetation index（SAVI）［J］.Remote Sensing of Environment，1988，25（3）：295－309.

［50］Rouse J W，Haas R H，Schell J A，etal.Monitoring the vernal advancement of retrogradation of natural vegetation［M］.USA：National Aeronautics and Space Administration，Goddard Space Flight Center（NASA／GSFC），1974.

［51］Musick H B，Pelletier R E.Response to soil moisture of spectral indexes derived from bidirectional reflectance in thematic mapper wavebands［J］.Remote Sensing of Environment，1988，25（2）：167－184.

［52］王新欣.天山北坡中段典型草原区地上生物量遥感监测模型的建立［D］.新疆：新疆农业大学，2008.

［53］杨英莲，邱新法，殷青军.基于MODIS增强型植被指数的青海省牧草产量估产研究［J］.气象，2007，33（6）：102－106.

［54］冯秀，仝川，张鲁，等.内蒙古白音锡勒牧场区域尺度草地退化现状评价［J］.自然资源学报，2006，21（4）：575－583.

［55］王新欣，朱进忠，范燕敏，等.基于 MODIS－NDVI的天山北坡中段草地动态估产模型研究［J］.草业科学，2009，26（7）：24－27.

［56］武鹏飞.EOS／MODIS植被指数在草地生物量遥感估测中的应用［D］.乌鲁木齐：新疆农业大学，2003.

［57］张鲁.内蒙古白音锡勒牧场土地覆盖变化的景观格局分析及草地估产［D］.呼和浩特：内蒙古大学，2005.

［58］何涛.应用MODIS数据对荒漠草原生物量监测的研究［D］.北京：中国农业科学院，2006.

［59］王新欣，朱进忠，范燕敏，等.利用EOS／MODIS植被指数建立草地估产模型的研究［J］.新疆农业科学，2008，45（5）：843－846.

［60］干友民，成平，周纯兵，等.若尔盖亚高山草甸地上生物量与植被指数关系研究［J］.自然资源学报，2009，24（11）：1964－1972.

［61］何涛.荒漠草原生物量监测研究中植被指数选择的初步探讨［J］.内蒙古草业，2006，18（1）：35－37.

［62］Gamon J A.A narrow－waveband spectral index that tracks diurnal changes in photosynthetic efficiency［J］.Remote Sensing of Environment，1992，41：35－44.

［63］Kauth R J，Thomas G S.The tasseled cap－agraphic description of the spectral－temporal development of agriculture crops as seen by Landsat［A］.Symposium on Machine Processing of Remotely Sensed Data［C］.Indiana：Purdure University，West Lafayette，1976：41－51.

［64］王正兴，刘闯，Huete A R.植被指数研究进展：从 AVHRR－NDVI到 MODIS－EVI［J］.生态学报，2003，（5）：979－987.

［65］Escadafal R.Remote sensing of arid soil surface color with Landsat Thematic Mapper［J］.Advances in Space Research，1989，9（1）：1159－1163.

［66］Liu H Q，Huete A R.A feedback based modification of the NDVI to minimize canopy background and atmospheric noise［J］.IEEE Transactions Geoscience and Remote Sensing，1995，33：457－465.

［67］田永庆，闵祥军.植被指数研究进展［J］.地球科学进展，1998，13（4）：327－333.

［68］李素英，李晓兵，莺歌，等.基于植被指数的典型草原区生物量模型——以内蒙古锡林浩特市为例［J］.植物生态学报，2007，31（1）：23－31.