数据融合技术在提高NPP估算精度中的应用

黄登成，张丽，尹晓利，3，王昆，3

1.辽宁工程技术大学测绘与地理科学学院，辽宁阜新 123000

2.中国科学院数字地球重点实验室，中国科学院遥感与数字地球研究所，北京 100094

3.山东科技大学测绘科学与工程学院，山东青岛 266590

数据融合技术在提高NPP估算精度中的应用

黄登成1，2，张丽2，尹晓利2，3，王昆2，3

1.辽宁工程技术大学测绘与地理科学学院，辽宁阜新 123000

2.中国科学院数字地球重点实验室，中国科学院遥感与数字地球研究所，北京 100094

3.山东科技大学测绘科学与工程学院，山东青岛 266590

1 引言

植被对全球气候的形成和调节起着重要的作用，因此植被的动态监测对全球气候变化的研究具有重要的意义。植被净初级生产力（Net Primary Productivity，NPP）作为自然状态下植被利用程度的重要指标，是指植物在单位时间单位面积上由光合作用产生的有机物质总量中扣除自养呼吸后的剩余部分（Lieth&Wittaker，1975），反映了植被群落在自然环境条件下的生产能力，也表征了生态系统的质量状况，并且是判定生态系统碳汇和调节生态过程的主要因子[1]。NPP的动态监测有助于阐明大气CO2浓度增加、全球气候变化以及氮和磷沉降增加对陆地植被过程的作用机制，更好地预测未来植被生产力的变化以及其对碳循环的影响[2]。现有的NPP估算模型大体分为气候生产力模型、生理生态过程模型、光能利用率模型和生态遥感耦合模型四类[3]。CASA（Carnegie-Ames-Stanford Approach）模型作为光能利用率模型之一，具有简单、所需的输入参数较少、可操作性强等众多优点。光能利用率模型是基于遥感的NPP估算模型，其优点之一就是能够直接利用遥感数据作为输入数据，而CASA模型作为光能利用率模型的代表，遥感数据同样是其获得输入数据的主要手段。

随着遥感技术的发展，获取数据的精度也有很大的提高，但是遥感卫星获取数据的时空分辨率还是不足以同时达到在空间和时间上精确监测植被动态变化的目的。美国陆地资源卫星Landsat数据（30 m）已经在土地利用/覆盖监测等方面取得了极其广泛的应用，然而其16天的重访周期及云污染等限制了该影像在地表快速动态变化监测中的应用，特别是在植被的动态变化监测中。由于植被在生长季的变化很快，需要更高时间分辨率的遥感影像对其进行动态监测。高时序MODIS影像具有半天至一天的重访周期，然而该数据的低空间分辨率限制了其在植被监测中的高空间精度NPP估算中的应用。因此结合这两种影像的优势，生成具有Landsat中空间分辨率和MODIS高时间分辨率的影像，对于提高植被NPP估算精度及其动态监测具有实际意义。

为了验证数据融合技术在提高NPP估算精度中的应用潜力，本文首先采用目前比较流行的STARFM数据融合算法分别对250 m和500 m的MODIS-NDVI数据和30 m的TM-NDVI数据进行融合来获得较高时空分辨率的NDVI数据，即30 m融合NDVI数据（同时具有MODIS数据时间分辨率和TM数据空间分辨率）。之后利用1 000 m、500 m、250 m的MODIS-NDVI和30 m融合NDVI作为CASA模型的输入数据之一，分别对锡林浩特地区进行不同空间分辨率尺度的NPP估算，并通过对估算NPP和实测地上生物量进行对比分析，来验证数据尺度对NPP估算精度带来的影响及融合NDVI在提高NPP估算精度的应用潜力。

2 数据和方法

2.1 数据来源

本文进行NPP估算所需要的数据主要有NDVI、气象数据（包括温度、降雨）、太阳辐射数据。实验验证时还使用了地面实测地上生物量数据，其主要参数及来源如下所述。

NDVI数据：1 000 m、500 m、250 m空间分辨率的NDVI数据来源于美国地质勘探局MODIS产品，30 m空间分辨率的NDVI数据则是由500 m（或者250 m）分辨率的MODIS-NDVI数据和30m的TM-NDVI数据通过时空适应性反射率融合模型（Spatial and Temporal Adaptive Reflectance Fusion Model，STARFM）进行数据融合获得。

气象和太阳辐射数据：气象数据来源于中国气象科学数据共享服务网所提供的2011年1月至12月的月值数据，数据内容为月降水量、月平均气温、月总太阳辐射。在NPP估算时需要用到空间气象及太阳辐射数据由点气象数据进行插值得到。

地面实测地上生物量数据采集于2011年6～7月份。在内蒙古锡林浩特地区选取比较均一的草地，共测得69个样地地上生物量。

2.2 方法

2.2.1 CASA模型

CASA模型中NPP的估算可以由植物的光合有效辐射（APAR）和实际光能利用率（ε）两个因子来表示，其估算公式如下：

式中，APAR(x,t)表示像元x在t月吸收的光合有效辐射（gC·m－2·month－1），ε(x,t)表示像元x在t月的实际光能利用率（gC·MJ－1）。

式中，SOL(x,t)表示t月在像元x处的太阳总辐射量（gC·m－2·month－1），FPAR(x,t)为植被层对入射光合有效辐射的吸收比例，常数0.5表示植被所能利用的太阳有效辐射（波长为0.4～0.7 μm）占太阳总辐射的比例。

对于FPAR的估算的方法有很多种，最常见的有如下两种方法[4]：

方法一：在一定范围内，FPAR与NDVI之间存在着线性关系（Ruimy&Saugier，1994），这一关系可以根据某一直被类型NDVI的最大值和最小值以及所对应的FPAR最大值和最小值来确定。

式中，NDVIi,max和NDVIi,min分别对应第i种植被类型的NDVI最大和最小值。

方法二：经验证，FPAR与比值植被指数（SR）也存在着较好的线性关系（Field et al.，1995；Los et al.，1994），可由以下公式表示：

式中，FPARmin和FPARmax的取值与植被类型无关，分别为0.001和0.95；SRi,max和SRi,min分别对应第i种植被类型NDVI的95%和5%下侧百分位数，SR(x,t)由以下公式表示：

通过对以上两种FPAR的估算方法可以看出，FPAR的估算精度都与NDVI有着直接或间接的关系。因此，NDVI数据的精度将影响到FPAR估算的精度，进而对NPP的估算产生影响。因此本文意在通过融合方法获得高精度的NDVI数据以提高NPP的估算精度，并利用改进后的CASA模型[5]来估算锡林浩特地区草地NPP。

2.2.2 STARFM方法

STARFM方法基于同一时间(t1)获取的MODIS、Landsat影像和另一时间(t2)获取的MODIS数据，通过计算影像间空间分布的差异，实现t2时刻的Landsat影像尺度的预测。在忽略配准误差、大气校正误差的情况下，单一地物类型的均质区域在t1时刻的MODIS影像可以由同时间的Landsat影像加权平均得到，考虑到两者不同的光谱和时间分辨率，以及成像时光照条件有差异，它们的反射率会有一定的偏差ε1。假设(xi,yi)处的地表覆盖类型和各项系统误差不随时间变化，那么ε1也就恒定，这样t2时刻的Landsat影像反射率就能由该时刻的MODIS影像以及t1时刻的Landsat、MODIS影像求得[6-7]，公式如下：

式中L和M分别代表Landsat和MODIS影像的像元值。

实际上地表的地物类型往往较复杂，仅利用该处单对像元的信息预测不出t2时刻的Landsat反射率。若将邻近的具有相同光谱特征的均质像元作为辅助信息，则能极大的提高预测准确度。选取以预测像元为中心的邻域窗口，并利用权重函数W对窗口内像元进行卷积运算，确定中心像元的预测值，然后在整幅影像上滑动卷积窗口，得到预测影像。计算公式如下：

其中ω为滑动窗口的宽度，L(xω/2,yω/2,t2)为t2时刻滑动窗口中心像元的像元值。权重函数Wijk决定了滑动窗口内各像元对预测值贡献的大小，算法依据光谱距离(Sij)、时间距离(Tij)、空间距离(Dij)三项来确定权重函数。由于STARFM算法实现的是不同传感器、不同时空分辨率的遥感影像，该算法的实现需要考虑更多的问题，如与中心像元具有相似光谱特征的邻域像元选取，权重函数的实现形式，以及异常候选像元剔除等[8]，具体流程见图1。

图1 STARFM算法流程图

（1）候选像元的选取。利用光谱特征相似的邻域像元才能确保选择正确的辅助信息，因此采用阈值法来选取候选像元，即将与中心像元的光谱之差小于阈值的邻域像元作为候选像元，该像元满足下式：

式中V表示像元值，σ(B)为B波段窗口内图像的标准差，n为窗口内地物类别数。阈值法具有局部适应性，选择标准随着滑动窗口的位置变化而不同，局部相似像元的选取失败并不会影像整幅影像预测的准确性。

（2）异常像元的剔除。根据Landsat和MODIS反射率产品的质量评价数据掩膜，剔除质量差的候选像元，合格的像元满足下式：

（3）权重函数实现。在确定权重函数时，有如下假设：①同一地物类别区域的MODIS影像反射率随时间变化的值与Landsat相同；②在从基准时间到预测时间这段时期内，变化越小的像元提供的辅助信息越可靠；③距离中心像元越近的像元提供的辅助信息越可靠。基于以上三种假设，定义组合距离：

组合距离越大的像元权重越小，因此定义函数权重为组合距离的倒数，归一化后得权重函数表达式：

3 实验及结果分析

3.1 实验区介绍

图2 实验区遥感影像

研究区锡林浩特市位于东经115°13'～117°06'，北纬43°02'～44°52'，地处锡林郭勒草原腹地。市境南北长208 km，东西长143 km，总面积18 750 km2。拥有“草原明珠”之称的锡林浩特草原，生态资源很丰富，草场类型齐全，畜牧业发达，具有发展现代畜牧业的基础条件，是国家重要的绿色畜产品生产基地。锡林浩特草原以典型草原[9]为主体，该地区冬季受蒙古高原气流控制，寒冷干燥；夏季受季风影响，较为温暖和湿润。地带性植被主要为大针茅、羊草。

3.2 STARFM实验与分析

为了验证STARFM融合NDVI影像的效果，本文在研究区域内用MODIS和TM影像做了融合实验和精度验证分析。该实验区地表覆盖类型主要为草地，还有少部分水域、裸地以及建筑用地，遥感影像图如图2所示。其中（a）、（b）和（c）分别为2010年8月31日的250 m和500 m分辨率的MODIS-NDVI影像以及30 m分辨率TM-NDVI影像，（d）、（e）和（f）为与（a）、（b）和（c）相对应的2011年8月5日NDVI影像。此实验以图2（a）、（b）、（c）影像为基准，利用（d）、（e）影像预测与（c）相应的30 m分辨率TM影像（如图3所示），并以8月5日真实TM-NDVI影像（图2（f））为融合结果的验证数据。

图3 融合结果图

两种不同尺度的MODIS数据与TM数据融合结果如图3所示，其中（a）为尺度为250 m的MODIS与TM影像融合后得到的2011-08-05的TM（30 m）影像；（b）为尺度为500 m的MODIS与TM影像融合后的2011-08-05的TM（30 m）影像。STARFM方法通过计算不同时间影像间空间分布的差异，实现融合预测，因此不同尺度MODIS数据对融合结果具有不同影响。

此实验将预测影像图3（a）、图3（b）与实际观测影像图2（f）进行统计对比分析（结果见表1），并验证了图3（a）、（b）的预测精度。如表1所示，预测影像（图3（a）、（b））与实际观测影像（图2（f））的均值、标准偏差、熵值、平均梯度相似度极高。并且实测影像（图2（f））与预测影像（图3（a）、（b））的平均差值、绝对差值普遍较小，相关系数高达0.85和0.82，这与前期相关研究[10]的结论具有一致性，表明预测结果具有实用性。

实验还对预测影像做了散点图分析，如图4所示。（a）、（b）为250 m-MODIS和500 m-MODIS分别与TM影像进行融合所得到的影像与实际观测影像散点图（横坐标为实际观测影像）。通过观察发现预测影像与观测影像所有像元值大致相同，其NDVI值均集中在0.3～0.6，且高度集中在y=x直线附近，说明实验区预测影像与观测影像具有高度一致性，可以用来做后续的研究处理。

3.3 NPP估算实验及对比分析

实验分别用1 000 m、500 m、250 m、500 m+30 m（由500 m分辨率的MODIS-NDVI和30 m分辨率的TM-NDVI通过STARFM融合获得）、250 m+30 m（由250 m分辨率的MODIS-NDVI和30 m分辨率的TM-NDVI通过STARFM融合获得）的NDVI数据及与各NDVI数据相应尺度的气象、太阳辐射等数据来估算锡林浩特地区2011年草地NPP。经过本文的实验发现基于几种数据尺度的估算结果均表明2011年锡林浩特地区草地NPP年平均值大于250 gCm－2yr－1（其空间分布如图5所示），略大于李刚等[11]估算的2003年内蒙古年NPP的均值（＞200 gCm－2yr－1），但是与张峰等[12]提出的内蒙古NPP在逐年增加的研究成果具有很好的吻合性。从NPP空间分布可以看出，锡林浩特地区草地的NPP总体上由西北向东南逐步递增，这与锡林浩特地区水热条件限制基本一致。从区域分布上看，NPP高值主要集中在该地区的东南部，其年NPP大于350 gCm－2yr－1，而西部和北部则相对较少，整个西部地区的年NPP几乎处于300 gCm－2yr－1以下。

表1 实测与预测影像对比分析表

图4 预测影像与观测影像散点图

图5 2011年锡林浩特地区NPP空间分布及地面实测点

图6 6～7月份地上生物量观测值与不同尺度NPP估算值的关系

通过地面实测站点坐标（共69个地面站点）分别提取6～7月份不同空间分辨率数据的NPP估算值，然后与同月份地上生物量做相关性分析，其散点图如图6所示。图6表示6～7月份采集的地上生物量分别和同月份1 000 m、500 m、250 m和30 m融合NDVI四种数据尺度（5种数据源）NPP估算值之间的关系。由图6（a）、（b）、（c）可以看出500 m空间分辨率的数据估算出的NPP与实测地上生物量间的相关性最好(r=0.884)，其次是250 m空间分辨率的数据。尽管250 m数据具有较高分辨率，但是可能由于其NDVI数据噪音比较大等原因，导致其NPP估算精度较500 m数据的精度低。由图6（b）和（d），（c）和（e）两两对比，可以看出30 m融合NDVI与实测地上生物量间的相关性较好。如针对500 m MODISNDVI和TM-NDVI的融合数据，NPP估算值与实测地上生物量间的相关性r达到了0.915（d），较500 m MODISNDVI数据估算NPP值有较大的提高（r增加了0.03）；250 m MODIS-NDVI和TM-NDVI融合数据NPP估算值与实测地上生物量间的相关性（r）达到了0.895（e），较250 m MODIS-NDVI数据估算NPP值有较大的提高（r增加了0.02）。因此，随着输入数据空间分辨率的提高，NPP估算精度也在提高，即基于MODIS和TM数据融合的较高时空分辨率的NDVI数据对提高NPP估算精度有较大的应用潜力。

此外，在图6中的各图还可看出：（1）草地NPP的月估算值达到一定程度时（＞180 gCm－2month－1）不再增加，这可能是由于NDVI的饱和现象引起的[13-16]。在前面的CASA模型介绍中已经提到NPP与NDVI有着直接或间接的关系。当NDVI达到饱和时，由NDVI计算而来的FAPAR会处于一定的极限范围内，使得该月NPP估算值达到该值后将不再增加，也即达到最大值（或极值），如图6中的现象所示。NDVI的饱和现象极大影响了在植被高覆盖度地区NPP的估算精度，因此在后续的NPP估算中需要充分考虑NDVI的饱和问题。（2）500 m空间分辨率的MODIS-NDVI及其30 m融合NDVI数据估算的NPP与实测地上生物量的相关性要比250 m分辨率的MODIS-NDVI及其30 m融合NDVI数据估算的NPP与实测地上生物量的相关性高，引起这一现象的原因可能有：①所采用的250 m MODIS遥感影像可能受云层、大气等因素影响较大，导致250 m的NDVI数据具有较高的噪声，在NPP的估算中产生比较大的误差。②与本文使用的地表覆盖类型数据的空间分辨率（500 m）有关，地表覆盖类型数据的精度也是影响NPP估算的因素之一[17]。

4 结束语

为了验证融合NDVI影像在提高NPP估算精度的应用潜力，本文首先利用STARFM融合方法对实验区内MODIS和30 m TM遥感影像进行了数据融合处理，获得了30 m分辨率且具有MODIS影像时间分辨率的融合NDVI。然后将多种尺度数据和融合得到的30m分辨率数据作为CASA模型的输入数据之一，估算了锡林浩特地区草地NPP，并通过与地上实测生物量做了对比分析，发现融合NDVI在NPP估算时具有较高的精度。实验结果表明随着CASA模型输入数据空间精度的提高，NPP估算精度也随之增加，并且基于融合NDVI估算NPP的结果优于原始MODIS-NDVI数据，即融合NDVI在提高植被NPP估算中具有较好的效果。因此，在还不能通过遥感技术直接同时获取具有较高时空分辨率遥感数据的条件下，由数据融合算法得到的同时具有MODIS时间分辨率和TM空间分辨率的较高时空分辨率的遥感影像可以为植被动态变化监测的有效数据来源。

[1]张峰，周广胜，王玉辉.基于CASA模型的内蒙古典型草原植被净初级生产力动态模拟[J].植物生态学报，2008，32（4）：786-797.

[2]朴世龙，方精云.1982～1999年青藏高原植被净第一性生产力及其时空变化[J].自然资源学报，2002，17（3）：373-380.

[3]张美玲，陈全功，蒋文兰，等.基于草地综合顺序分类法的CASA模型改进[J].中国草地学报，2011，33（4）：5-11.

[4]朱文泉，潘耀忠，张锦水.中国陆地植被净初级生产力遥感估算[J].植物生态学报，2007，31（3）：413-424.

[5]朱文泉.中国陆地生态系统植被净初级生产力遥感估算及其与气候变化关系的研究[D].北京：北京师范大学，2005.

[6]Gao F，Masek J，Schwaller M，et al.On the blending of the Landsat and MODIS surface reflectance：Predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience and Remote Sensing，2006，44：2207-2218.

[7]Hilker T，Wulder M A.Generation of dense time series synthetic Landsat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model[J].RemoteSensingofEnvironment，2009，113：1988-1999.

[8]Zhu Xiaolin，Chen Jin，Gao Feng，et al.An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote Sensing of Environment，2010，114：2610-2623.

[9]朴世龙，方精云.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.

[10]Walker J J，de Beurs K M，Wynne R H，et al.Evaluation of Landsat and MODIS data fusion products for analysis of dryland forest phenology[J].Remote Sensing of Environment，2012，117：381-393.

[11]李刚，辛晓平，王道龙，等.改进CASA模型在内蒙古草地生产力估算中的应用[J].生态学杂志，2007，26（12）：2100-2106.

[12]张峰，周广胜，王玉辉.基于CASA模型的内蒙古典型草原植被净初级生产力动态模拟[J].植物生态学报，2008，32（4）：786-797.

[13]米兆荣，张耀生，赵新全，等.NDVI和EVI在高寒草地牧草鲜质量估算和植被动态监测中的比较[J].草业科学，2010，27（6）：13-19.

[14]杨嘉，郭铌，黄蕾诺，等.西北地区MODIS-NDVI指数饱和问题分析[J].高原气象，2008，27（4）：896-903.

[15]郭铌.植被指数及其研究进展[J].干旱气象，2003，21（4）：71-75.

[16]李红军，郑力，雷玉平，等.基于EOS/MODIS数据的NDVI与EVI比较研究[J].地理科学进展，2007，26（1）：26-32.

[17]Yu Deyong，Piao Shilong.Modelling net primary productivity of terrestrial ecosystems in East Asia based on an improved CASA ecoystem model[J].International Journal of Remote Sensing，2009，30（18）：4851-4866.

[18]朱文泉，潘耀忠.基于GIS和RS的区域陆地植被NPP估算——以中国内蒙古为例[J].遥感学报，2005，9（3）：300-307.

[19]孙睿，朱启疆.陆地植被净第一性生产力及季节变化研究[J].地理学报，2000，55（1）：36-45.

[20]李伟，张国明，李兆君.东亚地区陆地生态系统净第一性生产力时空格局[J].生态学报，2008，28（9）：4173-4183.

[21]王磊，丁晶晶，季永华等.1981-2000年中国陆地生态系统NPP时空变化特征分析[J].江苏林业科技，2009，36（6）：1-5.

HUANG Dengcheng1，2,ZHANG Li2,YIN Xiaoli2，3,WANG Kun2，3

1.Institute of Surveying and Mapping,and Geographic Science,Liaoning Technical University,Fuxin,Liaoning 123000,China
2.Key Laboratory of Digital Earth,Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100094,China
3.College of Geomatics,Shandong University of Science and Technology,Qingdao,Shandong 266590,China

The current remote sensing data can not simultaneously satisfy the precise monitoring of vegetation productivity changes in both high temporal and spatial resolutions.In this study,application of an image fusion method to an ecosystem model for improving the accuracy of NPP evaluations is proposed.Firstly,the Spatial and Temporal Adaptive Reflectance Fusion Model（STARFM）is applied to get higher temporal and spatial resolution NDVI data（30 m）from the MODIS-NDVI and TM-NDVI images and then multi-scale Net Primary Productivity（NPP）of Xilinhot grasslands are estimated based on the CASA model using different scales of MODIS-NDVI data and the 30 m fusion data.The results indicate that the correlation between the model-estimated NPP and the measured aboveground biomass is gradually increased with the improvement of the resolution of the input NDVI data.The max correlation coefficient（r）reached 0.915.Additionally,the coefficient between the NPP estimations derived from fusion NDVI data and the observed biomass is higher than the coefficient of non-fusion image.The results also indicate that the accuracy of NPP estimations from fusion NDVI data is better than non-fusion NDVI data and the fusion NDVI image as the model input data can improve the accuracy of NPP estimations. Key words：data fusion;Spatial and Temporal Adaptive Reflectance Fusion Model（STARFM）;CASA model;Net Primary Productivity（NPP）

针对现有遥感数据不能同时满足在时间和空间上精确监测植被动态变化的问题，提出利用时空适应性反射率融合模型（STARFM）的方法对MODIS-NDVI和TM-NDVI影像数据进行融合处理获得30 m较高时空分辨率的融合NDVI影像，进而将多种尺度的MODIS-NDVI和融合NDVI数据分别输入到CASA模型，对锡林浩特地区进行植被净初级生产力（NPP）的多尺度估算。将不同尺度的NPP估算结果与地上生物量地面实测值进行验证比较，结果表明：随着输入NDVI空间分辨率的提高，NPP估算值与实测地上生物量之间的相关性也逐渐增大，r最大值达到了0.915。此外以融合NDVI影像作为输入数据之一的NPP估算值与实测地上生物量的相关性均比未融合NDVI的相关性高，说明融合NDVI估算NPP的效果较未融合NDVI好，并且以融合NDVI影像作为模型输入数据可提高NPP估算精度。

数据融合；时空适应性反射率融合模型；CASA模型；净初级生产力

CNKI网络优先出版：2013-04-18,http://www.cnki.net/kcms/detail/11.2127.TP.20130418.1618.016.html

HUANG Dengcheng,ZHANG Li,YIN Xiaoli,et al.Application of image fusion in improving NPP estimation accuracy.Computer Engineering and Applications,2014,50（22）：193-198.

A

TP391

10.3778/j.issn.1002-8331.1301-0034

国家科技支撑计划课题（No.2012BAH27B05）；中国科学院对地观测与数字地球科学中心主任创新基金（No.Y2ZZ19101B）。

黄登成（1987—），男，硕士，研究领域为植被遥感；张丽（1975—），通讯作者，女，博士，副研究员，研究领域为植被遥感。E-mail：lizhang@ceode.ac.cn

2013-01-06

2013-03-15

1002-8331（2014）22-0193-06