基于多源遥感数据的高寒草地生物量反演模型精度——以夏河县桑科草原试验区为例

孟宝平，陈思宇，崔 霞，冯琦胜，梁天刚

(1.草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州 730020；2.兰州大学西部环境教育部重点实验室 兰州大学资源与环境学院，甘肃 兰州730000)

MENG Bao-ping1, CHEN Si-yu1, CUI Xia2, FENG Qi-sheng1, LIANG Tian-gang1

(1.State Key Laboratory of Grassland Agro-ecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China;2.Key Laboratory of Western China’s Environmental Systems(Ministry of Education), College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China)

基于多源遥感数据的高寒草地生物量反演模型精度
——以夏河县桑科草原试验区为例

孟宝平1，陈思宇1，崔 霞2，冯琦胜1，梁天刚1

(1.草地农业生态系统国家重点实验室 兰州大学草地农业科技学院，甘肃 兰州 730020；2.兰州大学西部环境教育部重点实验室 兰州大学资源与环境学院，甘肃 兰州730000)

基于MODIS、Landsat-8 OLI和HJ-1A/1B CCD卫星遥感资料，结合2013-2014年甘南州夏河县桑科草原试验区野外实测数据，建立了高寒草地地上生物量遥感反演模型，筛选出基于不同遥感资料植被指数的生物量最优反演模型，比较分析了生物量最优模型的空间效应。同时，分析了2000-2013年基于MODIS植被指数估算的试验区产草量的年际变化特征。结果表明，草地生物量最优反演模型为基于Landsat-8 OLI NDVI数据的对数模型(y=727.54lnx1+495.23，R2=0.772，RMSE=31.333 kg DM·hm-2)；在30和250 m空间分辨率下，基于MODIS NDVI及EVI、Landsat-8 OLI NDVI和HJ-1A/1B CCD NDVI最优模型估算的生物量均高于实测生物量，其中Landsat-8 OLI NDVI数据估算的草地生物量与实测生物量值最接近；2000-2013年试验区草地总生物量整体上具有显著增加的趋势(R2=0.590 7，P<0.001)，平均增加速率达50.57 kg DM·hm-2·a-1。

遥感资料；生物量反演模型；精度验证；生物量变化

MENG Bao-ping1, CHEN Si-yu1, CUI Xia2, FENG Qi-sheng1, LIANG Tian-gang1

(1.State Key Laboratory of Grassland Agro-ecosystems, College of Pastoral Agriculture Science and Technology, Lanzhou University, Lanzhou 730020, China;2.Key Laboratory of Western China’s Environmental Systems(Ministry of Education), College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China)

草地是陆地上最大的生态系统，约占全球陆地总面积的24%，是全球生态环境的重要屏障[1]。我国草地总面积约为392.83万km2，占我国陆地面积的41.7%[2]。草地具有调节气候、保护生物多样性、水土保持和维护生态平衡等生态服务功能[3]；同时，在发展畜牧业和促进牧区经济发展方面均有重大的作用[4]。

草地生物量是草地生长状况和生态环境评价的重要指标之一[5]。准确地估测草地生物量一直是从事草地畜牧业研究人员不懈探索的目标[6]，同时也是研究草地碳循环的基本出发点[7-8]。经过几十年的传承和延续，草地生物量估测有了长足的发展，从最初仅靠样方调查的传统模式到现在结合3S技术的监测模式，草地生物量的监测更为准确[9]。遥感是3S技术的重要数据来源，具有宏观、快速、经济、信息量大、对草地破坏小等特点[10]，能够客观、及时地对大范围草地生长状况进行监测[11-12]。因此，利用卫星遥感资料获取陆地表面草地植被生物量信息，模拟、分析和评价草地资源现状，对畜牧业生产和牧区可持续发展具有重要的意义[13-14]。

自20世纪80年代以来，国内外学者在利用遥感数据估测草地生物量方面已开展了很多研究工作，随着科技的发展，可用于草地监测的遥感卫星不断增加，多种遥感数据已被广泛使用。除多等[15]利用每月两次的野外调查资料及对应的中分辨率成像光谱仪(Moderate Resolution Imaging Spectroradiometer，MODIS)植被指数，以GIS空间数据处理技术和统计分析方法为手段，建立了西藏高寒草甸、高寒草原和温性草原3种典型草地类型的地上生物量遥感估算模型。Yu等[16]利用中分辨率MODIS NDVI和地理空间数据研究了青海省果洛州草地生物量和载畜量。任安才[17]利用TM遥感影像计算的植被指数反演川西北理塘草地植被生物量，结果表明，TM RVI能够很好地反演草地植被的生物量。Fu等[18]利用MODIS NDVI和总初级生产力产品估测了四川省的草地生物量，发现改进的植被指数对草地生物量的估测精度高达85.6%。杨飞等[19]比较分析了HJ-1A CCD和TM数据，发现HJ-1A CCD NDVI估算我国北方草地LAI和生物量的精度明显优于TM NDVI。由此可见，随着遥感技术的发展，用以研究草地生物量的卫星遥感资料较多，这为监测草地植被生物量及其变化趋势提供了重要基础。然而，在同一地区基于不同遥感资料所建立的生物量反演模型精度存在较大的差异。因此，在生物量反演模型的建立方面还存在着选用哪种遥感资料，选取哪种植被指数等问题[20]。同时，众多研究表明，较高分辨率的遥感资料反演的草地生物量较中低分辨率遥感资料精度高，但对这种差别仅限于定性的描述，对不同空间分辨率的遥感资料估算生物量的精度差异的研究却鲜有报道。

基于以上原因，本项研究利用HJ-A/B CCD和Landsat-8 OLI的NDVI数据及MODIS的NDVI、EVI数据，结合地面实测资料，构建夏河县试验区草地地上生物量反演模型，并利用决定系数、均方根误差(Root-Mean-Square Error，RMSE)、绝对误差及相对误差等指标分析模型的精度，确定试验区草地生物量最优遥感反演模型。在0.5、1、30和250 m不同的空间分辨率下，比较分析基于不同遥感资料最优模型反演的生物量与真实生物量之间的差异。此外，基于2000-2013年MODIS遥感资料和相应的最优模型，反演并分析2000-2013年草地生物量及其动态变化，以期为更加科学有效地监测草地植被提供科学依据。

1 材料与方法

1.1 研究区概况

夏河县试验区位于该县桑科乡央吉社区(图1)，地理位置为102°23′-102°26′ E，35°05′-35°07′ N，试验区总面积约1.61 km2，南北长约3.86 km，东西长约2.77 km，平均海拔3 050 m。根据试验目的不同，将试验区划分为5个样区，具体如下：1号样区进行补播试验，面积约19.38 hm2，为天然草地人工改良区；2号样区为放牧利用试验地，主要进行天然草地合理利用技术集成创新与示范，面积约16.06 hm2；3号样区为试验的对照组，面积约7.52 hm2；4号样区为封育草地，为优质饲草生产技术集成创新与示范区，面积约19.30 hm2；5号样区为人工施肥试验地，是草-畜高效转化关键技术集成创新与示范区，主要开展天然畜产品生产加工技术与营销模式集成与示范研究，面积在5个样区中最大，约为99.10 hm2，占总试验区面积的61.55%。试验区天然草地类型为高寒草甸，优势植物种为垂穗披碱草(Elymusnutans)。放牧家畜以牦牛、甘加羊为主。试验区属大陆性高原温带季风气候，年平均气温2.1 ℃，年均降水量为580 mm。

1.2 地面实测资料

野外实测数据的采集时间为2013年8月5-13日和2014年7月27日-8月1日，试验区样点分布如图1所示，共布设了90个样点，样方大小为0.5 m×0.5 m。采样记录的内容包括草地植被叶面积指数、植被盖度、草层高度、草地地上部分生物量鲜重及经64℃烘箱中烘干至恒重后的草地地上生物量干重等指标。其中，叶面积指数通过LAI 2000植物冠层分析仪获得，草地植被盖度通过农业多光谱照相机(Agricultural Digital Camera，ADC)采集的草地样方相片经过处理和计算获得。另外，在试验区内采集了20个地面控制点(Ground Control Point，GCP)，记录内容为经度、纬度和高程等信息，用于卫星影像的几何精校正。

图1 夏河县试验区地理位置、草地类型及Landsat-8 真彩色合成影像

1.3 MODIS植被指数数据预处理

植被指数数据选用美国国家宇航局MOD13Q1产品的16 d最大合成NDVI和EVI，时间为2000年1月至2013年12月，空间分辨率为250 m，轨道号为h26v05，共计336景影像。为了分析草地生物量的月季和年际变化特征，本项研究使用最大值合成方法(Maximum Value Composition，MVC)，合成了2000-2013年的月最大NDVI和增强型植被指数(Enhanced Vegetation Index，EVI)及年最大EVI数据(MEVI)。

具体处理包括以下主要步骤：1)利用MODIS数据重投影工具(MODIS Reprojection Tools，MRT)，对MODIS数据进行转格式和定义投影。将HDF文件转为TIF格式，定义投影为WGS84；2)在ArcMap中将TIF转换为GRID格式，使用ArcInfo工作站将投影转为Albers Krasovsky，空间分辨率定义为250 m。在ArcMap下，利用Cell Statistics工具分别得到2000-2013年每年的MEVI和8月份的月最大合成EVI和NDVI数据，并分别提取与90个地面采样点对应的月最大合成EVI和NDVI值。

1.4 Landsat-8 OLI和HJ-1A/1B CCD数据处理及植被指数的计算

Landsat-8 OLI数据来源于美国地质勘探局网站，本项研究下载了覆盖夏河县试验区2013年8月8日和2014年7月26日的Landsat-8 OLI的2景卫星影像；HJ-1A/1B CCD数据来源于中国资源卫星应用中心(网址http://www.cresda.com/n16/index.html)，选取2013年8月和2014年7月覆盖整个试验区且整体云量在5%以下的影像各1景(表1)。

OLI和CCD数据均在ENVI 5.0软件中进行处理，利用Radiometric Calibration模块、Registration下的Image to Image模块和FLAASH Atmospheric Correction模块对OLI和CCD影像分别进行辐射定标、几何精校正和大气校正，并将影像投影定义为WGS_1984_UTM_ZONE_47N，利用Mosaicking模块对Landsat-8 OLI影像进行拼接处理，利用Band Math模块计算Landsat-8 OLI和HJ-1A/1B CCD的NDVI值，并提取与地面采样点对应像素的NDVI值。

表1 Landsat-8 OLI和HJ-1A/1B CCD数据列表

1.5 生物量反演模型的建立及精度评价

将夏河县试验区地面实测的90个样点的生物量干重数据作为因变量，将HJ-1A/1B NDVI、Landsat-8 OLI NDVI、MODIS NDVI和MODIS EVI分别作为自变量，利用SPSS软件分别建立Landsat-8 OLI NDVI、HJ-1A/1B NDVI和MODIS13Q1 NDVI及EVI的线性、指数、对数和乘幂4类回归模型。采用均方根误差 (Root-Mean-Square Error，RMSE)和决定系数(R2)分析模型的精度，选取生物量的最优反演模型。RMSE的数值越低，表明回归模型越精确[21]；R2越接近于1，表示模型的参考价值越高。

此外，由于试验区面积较小，样区内草地生长状况比较均一，因此，本研究使用试验区内各样区所有样点生物量的平均值分别计算出5个样区的总生物量作为真值，将基于不同遥感资料的生物量反演模型计算的结果作为反演值，分别计算绝对误差和相对误差，评价不同模型对整个试验区及5个样区的总生物量估测精度。绝对误差和相对误差的计算公式为：

Δ=|x-l|

(1)

δ=(Δ/l)×100%

(2)

式(1)、(2)中，Δ表示某一样区生物量的绝对误差，x表示模型计算的总生物量，l表示依据地面实测点计算的总生物量，δ表示相对误差(%)。

1.6 生物量反演模型的空间尺度效应评价

为了比较分析基于不同遥感资料的生物量反演模型的空间尺度效应，本研究对Landsat-8 OLI NDVI和HJ-1A/1B NDVI数据进行了升尺度处理，重采样为250 m空间分辨率；对MODIS13Q1 NDVI和EVI数据进行了降尺度处理，重采样为30 m空间分辨率。利用建立的最优草地生物量模型，分别计算整个试验区在30和250 m空间分辨率的平均生物量，利用试验区草地样方观测值计算的平均生物量作为真实生物量，计算反演值与真实值之间的平均误差，评价不同模型反演生物量的空间尺度效应。其误差计算公式为：

(3)

式(3)中，xi、yi分别表示实测草地生物量和反演的草地生物量；n表示样本总数。当P<0时，估算的生物量值小于真实值，为负向误差；当P>0时，估算的生物量值大于真实值，为正向误差。

1.7 草地生物量动态变化分析

由于Landsat-8 OLI 和HJ-1A/1B CCD的卫星影像受过境时间和云量的限制，无法获得长时间序列的高质量影像，因此，本研究根据试验区草地生物量反演模型精度评价的结果，选取基于MODIS植被指数的生物量最优生反演模型和2000-2013年间使用MVC方法合成的MEVI数据，反演了2000-2013年试验区草地植被生长季最大生物量，分析了14年来整个试验区及5块样区草地生长季最大生物量的变化趋势。

2 结果与分析

2.1 试验区草地生物量遥感反演模型构建

根据基于HJ-1A/1B NDVI、Landsat-8 OLI NDVI和MODIS NDVI、EVI和试验区实测草地地上生物量干重建立的回归模型(表2)可知，在4种遥感植被指数模型中，Landsat-8 OLI NDVI的线性(R2=0.756)、乘幂(R2=0.765)、指数(R2=0.747)和对数(R2=0.772)模型的决定系数均高于其他遥感资料，而RMSE较其他遥感资料低；HJ-1A/1B CCD NDVI模型的决定系数高于MODIS EVI，低于Landsat-8 OLI NDVI，RMSE介于MODIS EVI和Landsat-8 OLI NDVI之间；MODIS EVI模型的决定系数高于MODIS NDVI，RMSE低于MODIS NDVI。MODIS NDVI模型的决定系数最低，RMSE最高，说明该模型精度最差。从同一种卫星资料来看，Landsat-8 OLI NDVI对数模型决定系数最高，在α=0.01时，相关性呈极显著水平，但RMSE略高于线性、乘幂和指数模型；HJ-1A/1B CCD NDVI和MODIS EVI、NDVI的乘幂模型决定系数均高于其线性、指数和对数模型，同时，三者的对数模型的RMSE均小于其线性、指数和乘幂模型。由此可见，基于Landsat-8 OLI NDVI的对数模型是反演试验区草地生物量的最优模型为(式4):

表2 基于不同植被指数的夏河县试验区草地生物量回归模型

注：*，P<0.05，**，P<0.01.

y1=727.54lnx1+495.23

(4)

其中，y1表示基于Landsat-8 OLI NDVI数据反演的生物量(g DM·m-2)；x1表示Landsat-8 OLI NDVI。

基于HJ-1A/1B CCD NDVI、MODIS EVI和 NDVI资料的最优模型为：

y2=690.07x21.65

(5)

y3=505.25x31.04

(6)

y4=365.92x41.65

(7)

其中，y2、y2、y4分别表示基于HJ-1A/1B CCD NDVI、MODIS EVI和 NDVI数据反演的生物量；x2、x3和x4分别表示HJ-1A/1B CCD NDVI、MODIS EVI和 NDVI。

2.2 生物量反演模型的精度验证

对整个试验区而言，Landsat-8 OLI NDVI对数模型反演的2014年7月末整个试验区总生物量的绝对误差和相对误差均最小，分别为0.25万kg和0.62%(表3)；其次为基于HJ-1A/1B CCD NDVI乘幂模型的反演结果，其绝对误差为0.32万kg，相对误差为0.80%；MODIS EVI乘幂模型反演结果介于HJ-1A/1B CCD NDVI和MODIS NDVI乘幂模型之间，其相对误差和绝对误差分别为2.42万kg和6.06%；MODIS NDVI乘幂模型反演的结果误差最大，绝对误差和相对误差分别达2.59万kg和6.46%。就5个样区而言，基于MODIS EVI和NDVI估算的5个样区生物量的绝对误差和相对误差相近，基于MODISNDVI估算的生物量的绝对误差和相对误差除2号样区小于MODIS EVI的模型以外，其他样区均大于MODIS EVI，其反演的整个试验区总生物量相对误差较MODIS EVI大，二者之间差值为0.4百分点；Landsat-8 OLI NDVI和HJ-1A/1B CCD NDVI反演的生物量误差相近，其相对误差和绝对误差在2号样区和3号样区大于HJ-1A/1B CCD NDVI，其他样区均小于HJ-1A/1B CCD NDVI，整个试验区生物量相对误差较HJ-1A/1B CCD NDVI小0.18百分点。因此，在4类遥感反演模型中，基于Landsat-8 OLI NDVI的草地生物量干重模型的反演结果最接近实际情况。这与基于R2和RMSE评价指标得到的结果一致。

表3 基于不同遥感资料反演的夏河县桑科草原试验区草地生物量的精度评价结果

2.3 草地生物量反演的空间尺度效应分析

从4种生物量遥感反演模型(式4-式7)计算的草地生物量的误差(表4)可以看出，Landsat-8 OLI NDVI、HJ-1A/1B CCD NDVI和MODIS NDVI及EVI反演模型估算的生物量在30和250 m空间分辨率下均高估了试验区的草地生物量(2014年7月末试验区平均生物量为2 783.0 kg DM·hm-2)，并且空间分辨率30 m升尺度为250 m的Landsat-8 OLI NDVI估算的生物量误差小于HJ-1A/1B CCD NDVI和MODIS 植被指数在相应空间分辨率下估算的生物量误差。无论是将Landsat-8 OLI NDVI和HJ-1A/1B CCD NDVI升尺度为250 m分辨率，还是将MODIS EVI和NDVI降尺度为30 m分辨率，其估算值与真实值之间的误差均表现出增加趋势。其中，Landsat-8OLINDVI和HJ-1A/1B CCD NDVI升尺度为250 m空间分辨率后估算的生物量误差分别增加69.59和78.56 kg DM·hm-2，而MODIS NDVI和EVI降尺度为30 m空间分辨率后估算的生物量误差分别增加37.26和25.38 kg DM·hm-2。

表4 基于不同遥感资料反演的夏河县试验区草地生物量在不同空间分辨率上误差估算

2.4 试验区草地生物量动态变化特征

图2反映了基于MODIS EVI乘幂模型估算的2000-2013年试验区和各样区草地生长季最大生物量的年际变化趋势，统计分析结果表明，2000-2013年试验区草地长势变化比较剧烈，草地生物量整体上呈极显著的增加趋势(R2=0.590 7，P<0.001)，尤其是在2000-2007年间试验区草地生长季最大生物量增加趋势更加明显(R2=0.949 8，P<0.001)。其中，2000年试验区草地植被生长状况最差，试验区总生物量最低，为34.33万kg。2012年生长季最大生物量达到14年来最大值，为47.67万kg。

在5个样区中，1号样区最大生物量在2000-2013年间无显著变化趋势。2000-2013年2号样区的生物量呈现出显著的增加趋势(R2=0.377 1，P<0.05)。其中，在2001年的草地产量最低，为2.66万kg；2010年的草地总产量最高，达3.95万kg。3号样区在14年间呈极显著增加趋势(R2=0.778 6，P<0.001)，草地总生物量在2001年最低(1.41万kg)，2008年最高(1.93万kg)。4和5号样区草地生长季最大生物量变化情况和整个试验区的变化趋势相似。4号样区草地总生物量在2001年最低(3.98万kg)，5号样区草地总生物量在2000年最低(21.75万kg)，两个样区草地生物量均在2012年达最大值，分别为5.85万和31.69万kg；14年来整体呈极显著增加趋势，R2分别为0.589 5和0.587 7。

3 讨论

草地生物量反演模型的精度不仅受地面采样点大小、数量及其代表性的影响，同时受卫星图像时空分辨率、传感器视角位置、图像增强、辐射校正和光谱校正方法等多种因素影响[22]。在本研究中，虽然筛选出桑科草原试验区的草地生物量遥感监测最优模型，但是由于地面采样时间的限制(仅为2013年和2014年)，该反演模型仍然存在一定的误差及不确定性。在今后研究中，可以考虑增加样点数量和观测时间，利用无人机遥感技术等方法解决地表样点观测的范围与对应的卫星图像像素大小之间的空间匹配问题，进一步提高遥感反演模型的精度[23-24]。

图2 夏河县试验区2000-2013年各样区草地生物量变化

尺度效应的研究结果表明，空间分辨率较高(30 m)的Landsat-8和HJ-1A/1B NDVI数据估算的生物量误差(15.8和20.49 kg DM·hm-2)远小于空间分辨率较低(250 m)的MODIS NDVI和EVI的估算误差(118.02和119.48 kg DM·hm-2)；在缩放比例相同的条件下，Landsat-8和HJ-1A/1B CCD NDVI升尺度引起的误差值的变化幅度较大，但整体而言其误差小于MODIS NDVI和EVI估算的生物量误差及其降尺度后的误差。由此可以推断，在升尺度和降尺度系数相同条件下，空间分辨率较高的遥感资料及其升尺度后估算的生物量误差远小于空间分辨率较低的遥感资料及其降尺度后估算的生物量误差。升尺度过程中误差增加的幅度远大于降尺度过程，这说明影响空间效应变化的因素不仅仅和草地生物量反演模型和高低分辨率的植被指数之间的尺度效应有关，还和植被指数自身存在的空间异质性有一定的关系。这个结论与刘云良[25]对锡林浩特草原叶面积指数遥感空间效应的研究结果一致。遥感影像分辨率越高，其对应的植被指数空间异质性越大，升尺度过程中误差增大的趋势就越大，反之则误差增大的趋势减小。

本研究表明，基于Landsat-8 OLI的遥感数据可较好地反演高寒牧区草地生物量，与美国Terra及Aqua卫星携带的MODIS遥感数据相比，Landsat-8 OLI卫星数据具有更高的空间分辨率，与我国环境减灾卫星遥感数据相比，Landsat-8 OLI陆地成像仪波段多达9个，并且包含了一个15 m分辨率、成像范围为185 km×185 km的全色波段。与ETM+相比，不仅包括了ETM+所有波段，而且在Band 5波段排除了0.825 μm处的水汽吸收影响，从而避免了大气吸收特征的干扰。此外，OLI新增蓝色波段 (Band 1，0.433-0.453 μm)和短波红外波段(Band 9，1.360-1.390 μm)可分别用于海岸带观测和云检测，并且OLI的近红外波段(Band 5)和短波红外波段(Band 9)与MODIS对应的波段接近，能够与基于MODIS长时间序列数据的相关研究相结合，开展草地植被的遥感监测。因此，Landsat-8 OLI卫星数据在我国草地监测研究和应用方面必将具有广阔的前景。

4 结论

本研究基于MODIS、HJ-A/B CCD和Landsat-8 OLI等遥感资料，建立了夏河县试验区草地生物量反演模型，筛选出基于不同遥感资料的生物量遥感反演最优模型，对试验区不同遥感反演模型模拟的草地单产和总产量与实测产草量精度进行了验证。结果表明，在4种遥感反演模型中，Landsat-8 OLI NDVI的对数模型估算的试验区总产量与实测产草量最为接近，反演精度最高，达99.38%。草地生物量受遥感数据的空间尺度效应的影响较大，在30和250 m空间分辨率下，4种遥感反演模型估算的草地生物量均高估了试验区的实际产草量。其中，MODIS NDVI 的乘幂模型反演的生物量误差最大，其次依次为MODIS EVI的乘幂模型、HJ-1A/1B CCD NDVI的乘幂模型和Landsat-8 OLI NDVI的对数模型。基于MOIDS EVI的乘幂模型估算的近14年(2000-2013年)夏河县桑科草原试验区草地生物量整体呈显著增加趋势(R2=0.590 7，P<0.001)，平均增加速率达50.57 kg DM·hm-2·a-1。其中，2000年试验区生物量最低(34.33万kg)，2012年试验区草地生物量最高(47.68万kg)。

[1] Scurlock J M O，Johnson K，Olson R J.Estimating net primary productivity from grassland biomass dynamics measurements[J].Global Change Biology，2002，8(8):736-753.

[2] Xie G D，Zhang Y L，Lu C X，Zheng D，Cheng S K.Study on valuation of rangeland ecosystem services of China[J].Journal of Natural Resources，2001，16(1):47-53.

[3] Fry E L，Manning P，Allen D G P，Hurst A，Everwand G，Rimmler M，Power S A.Plant functional group composition modifies the effects of precipitation change on grassland ecosystem function[EB/OL].[2014-11-20]http://www.plosone.org/ article/ info% 3Adoi% 2F10.1371% 2Fjournal.pone.0057027# abstract0.

[4] 曹晔，王钟建.中国草地资源可持续利用问题研究[J].中国农村经济，1999(7)：19-22.

[5] Tsuyoshi A，Kensuke K.Grassland degradation in China:Methods of monitoring,management and restoration[EB/OL].[2014-11-27]http://onlinelibrary wiley.com/doi/10.1111/j.1744-697X.2007.00073.

[6] 胡新博.草地光谱与牧草产量的相关分析[J].草食家畜，1996(4):43-47.

[7] 高添.内蒙古草地植被碳储量的时空分布及水热影响分析[D].北京：中国农业科学院博士学位论文，2014.

[8] 杨婷婷.荒漠草原生物量动态及碳储量空间分布研究[D].呼和浩特：内蒙古农业大学博士学位论文，2014.

[9] 任继周，胡自治，陈全功.草地遥感应用动态与研究进展[J].草业科学，1996，13(1)：55-60

[10] 董建军.基于多源卫星数据的典型草原遥感估产研究——以锡林河流域为例[D].呼和浩特：内蒙古大学硕士学位论文，2014.

[11] 李媛，徐坤，谢应忠.遥感在草地生态系统中的应用现状[J].宁夏工程技术，2012，11(4)：390-395.

[12] 李建龙，王建华.我国草地遥感技术应用研究进展与前景展望[J].遥感技术与应用，1998，13(2):64-67.

[13] 吴海平，刘顺喜，黄世存.基于HJ-1A/B卫星CCD数据的土地宏观监测试验研究[J].遥感技术与应用,2009,24(6):788-793.

[14] 包明海.天然草地地上生物量动态监测与预测——以甘肃夏河县为例[D].兰州：甘肃农业大学硕士学位论文，2011.

[15] 除多，德吉央宗，姬秋梅，唐红.西藏高原典型草地地上生物量遥感估算[J].国土资源遥感，2013，25(3):43-50.

[16] Yu L,Zhou L,Liu W,Zhou H K.Using remote sensing and gis technologies to estimate grass yield and livestock carrying capacity of alpine grasslands in golog prefecture[J].Pedosphere，2010，20(3):342-351.

[17] 任安才.基于TM影像的川西北理塘草地生物量与植被指数关系研究[D].雅安：四川农业大学硕士学位论文，2008.

[18] Fu X Y,Tang C J,Zhang X X,Fu J Y,Jiang D.An improved indicator of simulated grassland production based on MODIS NDVI and GPP data:A case study in the Sichuan Province,China[J].Ecological Indicators，2014，40：102-108.

[19] 杨飞，王卷乐，陈鹏飞，姚作芳，诸云强，孙九林.HJ-1A CCD与TM数据及其估算草地LAI和鲜生物量效果比较分析[J].遥感学报，2012，16(5)：1000-1023.

[20] 方金.基于多元遥感数据的甘南牧区草地生物量遥感监测研究[D].兰州：兰州大学硕士学位论文，2014.

[21] 冯琦胜，高兴华，黄晓东，于惠，梁天刚.2001-2010年青藏高原草地生长状况遥感动态监测[J].兰州大学学报(自然科学版)，2011，47(4)：75-90.

[22] Yang F,Wang J L,Chen P F,Yao Z F,Zhu Y Q,Sun J L.Comparison of HJ-1A CCD and TM data and for estimating grass LAI and fresh biomass[J].Journal of Remote Sensing，2012，16(5):1000-1023.

[23] 马文红，杨元合，贺金生，曾辉，方精云.内蒙古温带草地生物量及其与环境因子的关系[J].中国科学C辑：生命科学，2008，1:84-92.

[24] 王新云，郭艺歌，何杰.基于多源遥感数据的草地生物量估算方法[J].农业工程学报，2014，30(11):159-167.

[25] 刘良云.叶面积指数遥感尺度效应与尺度纠正[J].遥感学报，2014，18(6)：1158-1168.

(责任编辑 武艳培)

本刊如有印装质量问题,请将原杂志寄回编辑部，由本部负责调换。

The accuracy of grassland vegetation biomass estimated model based onmulti-source remote sensing data——As a case of experimental area in Sangke grassland in Xiahe County

Based on the remote sensing data of MODIS, Landsat-8 OLI and HJ-1A/1B CCD combined with ground observation data during 2013 and 2014 in the experimental area of Xiahe County, Gansu Province, the alpine grassland biomass inversion models were established and evaluated, and the best inversion models based on different remote sensing vegetation indexes were selected. Meanwhile， the spatial and temporal variations of grassland biomass in experimental area from 2000 to 2013 were also analyzed. The results showed that the best grassland biomass inversion model was logarithmic function of Landsat-8 OLI NDVI data(y=727.54lnx1+495.23,R2=0.772，RMSE=31.333 kg DM·hm-2). With spatial resolution of 30 m and 250 m, estimated biomass based on MODIS NDVI, MODIS EVI, HJ-1A/1B CCD NDVI and Landsat-8 OLI NDVI, were all higher than ground observation biomass. The estimated biomass based on logarithmic function of Landsat-8 OLI NDVI was the most close to observation biomass. The total biomass in the experimental area had great changes from 2000 to 2013. As a whole, the total biomass of grassland has a significant increasing trend (R2= 0.590 7,P<0.001) from 2000 to 2013, and the average increasing rate reached to 50.57 kg DM ·hm-2·a-1.

remote sensing data; biomass inversion model; accuracy validation; variation of biomass

LIANG Tian-gang E-mail:tgliang@lzu.edu.cn

10.11829j.issn.1001-0629.2015-0015

孟宝平，陈思宇，崔霞，冯琦胜，梁天刚.基于多源遥感数据的高寒草地生物量反演模型精度——以夏河县桑科草原试验区为例[J].草业科学,2015,32(11):1730-1739.

MENG Bao-ping，CHEN Si-yu，CUI Xia，FENG Qi-sheng，LIANG Tian-gang.The accuracy of grassland vegetation biomass estimated model based on multi-source remote sensing data——As a case of experimental area in Sangke grassland in Xiahe County[J].Pratacultural Science，2015,32(11)：1730-1739.

2015-01-09 接受日期：2015-04-15

国家自然科学基金项目(31372367、41401472、31228021)；农业部公益性行业(农业)科研专项项目(201203006)

孟宝平(1989-)，男，甘肃陇西人，在读硕士生，研究方向为草地遥感与地理信息系统。E-mail:mengbp09@lzu.edu.cn

梁天刚(1967-)，男，甘肃崇信人，教授，博士，研究方向为草地遥感与地理信息系统。E-mail: tgliang@lzu.edu.cn

S812;S127

A

1001-0629(2015)11-1730-10