基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究——以黄河源区为例

葛静，孟宝平，杨淑霞，高金龙，殷建鹏，张仁平，冯琦胜，梁天刚

(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)



基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究
——以黄河源区为例

葛静，孟宝平，杨淑霞，高金龙，殷建鹏，张仁平，冯琦胜，梁天刚*

(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)

利用2015-2016年8月采集的黄河源区草地生物量数据和MODIS卫星遥感资料，结合农业多光谱相机(agricultural digital camera，ADC)获取的植被指数数据，比较分析3种ADC植被指数(NDVIADC、SAVIADC和GNDVIADC)与野外实测草地地上生物量(above-ground biomass，AGB)数据的相关性，筛选出适合构建草地AGB反演模型的ADC植被指数；结合MODIS NDVI(记作NDVIMOD)构建草地地上生物量反演模型，采用留一法交叉验证方法评价各模型精度，确立适宜模拟研究区草地AGB的最优模型；并利用NDVIADC校正NDVIMOD，获得高分辨率、高精度的草地AGB遥感监测改进模型。结果表明，1)基于ADC获取的3种植被指数中，NDVIADC与高寒草地地上生物量关系最为密切，其次为SAVIADC，拟合效果最差的是GNDVIADC；2)基于NDVIADC建立的草地AGB监测模型的精度(RMSEP介于383.55～393.18 kg DW/hm2；r范围为0.65～0.66)远高于NDVIMOD的模型精度(RMSEP介于421.08～427.00 kg DW/hm2；r范围为0.55～0.58)，NDVIADC反演得到的草地AGB更接近于黄河源区草地实际生物量，且相较于NDVIADC，NDVIMOD的样本值整体偏高；3)在NDVIADC构建的4类模型中，线性和乘幂模型模拟研究区草地AGB的能力较好，但线性模型精度更高(y=3248.93×NDVIADC-305.59，RMSEP=383.55 kg DW/hm2，r=0.66)，该模型为黄河源区草地生物量的估测提供了一个新型且易操作的方法；4)NDVIADC与NDVIMOD相关性较高，利用NDVIADC校正NDVIMOD可以改进草地AGB遥感反演模型，优化模型为y=2455.54×NDVIMOD-301.69。该模型可在大尺度范围内估测黄河源区的草地生物量，且模型精度接近于地表测量法的监测精度。

黄河源区;草地地上生物量;归一化差值植被指数;农业多光谱相机;MODIS;反演模型

黄河源区位于青藏高原东北部，是中国淡水资源的重要来源，源头的径流量接近黄河流域总流量的35%，对我国北方地区的生态安全起着重要的保障作用[1]。黄河源区覆盖面积大约为12.20×104km2[2]，土地覆被类型包括高寒草甸、永久冻土和积雪等[3]，其中草地约占源区总面积的80%，是该区最重要的土地覆被类型[4]。草地生态系统对于保护源区的生物多样性、保持水土和维护生态平衡具有重大的生态作用，同时，青藏高原的草地碳库被认为是世界上最重要的碳库之一，占全球陆地生物圈土壤碳储量的10%，在陆地碳循环中扮演着关键的角色[5]。然而，该地区生态环境脆弱，对气候变化的响应十分敏感[6]。自19世纪以来，黄河源区年平均气温急剧增长，数十年间涌现出众多的环境问题，如：生物多样性减少、冻土退化、湖泊和湿地萎缩、土地荒漠化、水土流失和草地退化等[7-9]。因此，黄河源区草地生态屏障功能的恢复，是当前区域碳收支及全球变化研究中的一个热点问题，吸引了国际社会的广泛关注。

地上生物量(above-ground biomass，AGB)指植物地上部分光合产物的积累量，对草地生态系统而言，AGB是表征区域碳循环的关键指标之一，准确地估测草地地上生物量可以为草地资源的可持续管理以及放牧活动提供科学有效的指导信息[10-11]。因此，构建高精度的AGB反演模型，对评估草地生产力、草畜平衡和草地退化等具有重要的意义[12]。目前，测量地上生物量主要有地表实测和遥感反演两种基本途径[13]。地表实测法通常基于样方尺度进行测量，大量的外业观测数据是生物量模型构建和精度评价的前提条件。但是，传统的地表实测法只能在很小的空间尺度范围内提供植被结构和分布状况的变化信息，虽然观测精度较高，但费时、费力、缺少宏观性，还受到地形、交通等诸多因素的限制，不适合大范围的草地生物量估测[14]。遥感估测法主要利用卫星影像资料获取植被指数(vegetation index，VI)，同时结合地面实测资料，反演AGB统计模型[15-17]。目前，归一化差值植被指数(normalized difference vegetation index，NDVI)是各类遥感植被指数中应用最广泛的一种[18-19]，特别是生长季节合成的NDVI可以捕获植被整个生长季的动态，是区域草地生物量监测和评价的理想指标之一[20-23]。并且，基于NDVI改进的土壤调节植被指数(soil-adjusted vegetation index，SAVI)使用率也很高，其优点是减小了土壤背景和植被冠层的影响，这一点在植被覆盖度较低的区域得到了很好的体现[24-25]。遥感监测法的优点是卫星数据覆盖范围广，数据处理高效准确，且不受地域限制[26]。然而，天然草地牧草种类繁多，空间异质性强，导致基于卫星数据提取的植被指数随着地域的差异具有较大的变化，反演的生物量遥感模型在部分地区稳定性差[27-29]。相较于地表实测法而言，草地AGB遥感监测法的估测精度降低。

随着遥感技术的不断发展，农业多光谱数码相机(agricultural digital camera，ADC)因其能够提供更多的精细光谱信息而逐渐成为遥感领域观测地表植被强有力的工具[30-33]。该相机操作简单灵活，方便携带[30,32]。可以快速提取地表植被NDVI、SAVI和归一化绿波段差值植被指数(normalized green difference vegetation index，GNDVI)等指数，而且在实际使用中可以达到更高的空间分辨率[34-35]。同时，相对于卫星传感器而言，ADC直接获取地物的光谱信息，受大气的影响低，得到的植被指数更加准确[36]。研究表明，基于ADC获取的植被指数与作物长势、产量及病虫害等关系密切，因此ADC是精准农业领域中极具前途的数据收集传感器[37-45]。Swain等[37]和Saberioon等[36]研究发现Tetracam ADC获取的植被指数与水稻(Oryzasativa)冠层的叶绿素和氮含量之间存在良好的相关性，因此认为Tetracam ADC是一种确定水稻营养状态的新型工具。Mazzetto等[40]利用Tetracam ADC检测了葡萄(Vitisvinifera)园植被冠层的反射率，结果证明多光谱图像可以提供葡萄园精准栽培所需的重要信息。Yi等[34]和任世龙等[46]基于多光谱相机对青藏高原高寒草甸的盖度进行了测量和精度评价，结果显示ADC监测法不仅准确快捷，而且可以避免目视估测法的主观性。姬秋梅等[47]认为ADC是一种经济实用的测定草地干物质量的方法，且ADC拍摄的图像可以显示导致误差的各种因素，同时提出ADC测定法必须借助采样保证其准确度。杨鹏万等[48]利用藏北高寒草甸2012年6-9月的生物量数据和ADC植被指数构建了研究区的AGB估算模型，并评价各模型精度，最终得出多光谱相机可以准确估算高寒草甸地上生物量的结论。上述研究均体现出便携式多光谱相机在地表植被测量中具有较高的准确度。然而，该方法也存在传统地表估测法费时、费力、缺少宏观性以及地域受限的缺点。如何能在克服以上缺点的同时满足高精度的草地AGB测量是需要深入探讨的科学问题。因此，本研究试图将地表测量法(ADC)和遥感监测法(卫星数据)的优点相结合，从而实现草地AGB高精度、大面积的动态监测。

基于以上考虑，本研究利用2015-2016年8月黄河源区的ADC多光谱图像和MOD13Q1植被指数产品提取了采样点处的ADC植被指数和MODIS植被指数，分别与野外实测样点草地AGB数据之间构建反演模型，比较不同方法建立的模型间的差异，确立适宜模拟研究区草地AGB的最优模型。进一步分析了不同来源植被指数的相关性，并利用ADC植被指数校正MODIS植被指数，改进卫星遥感模型，从而获得高分辨率、高精度的草地AGB反演模型，最终实现ADC地表遥感和卫星航空遥感两者优势的有效结合，以期为大面积草地植被的动态变化研究提供科学依据。

1 材料与方法

1.1 研究区概况

黄河源区位于青海省东部95°50′45″-103°28′9″ E与32°12′11″-35°48′7″ N之间[49]，地表径流量约占黄河流域总流量的35%，是青藏高原生态安全的重要保障[1]。其行政主体位于青海省果洛藏族自治州，覆盖面积大约为12.20×104km2[2]，包括甘德、曲麻莱、贵南、玛沁、河南、泽库、同德和班玛8个县的整体以及称多、玛多、兴海、达日和久治县的部分地区。源区平均海拔约4217 m，大部分地区海拔范围在4193～5245 m，形成了该区域年均气温低、日温差大、降水季节性变化剧烈和太阳辐射强的气候特点[1,6]。年平均降水量为420 mm，且超过2/3的降水发生在6-9月，占全年总降水量的75%～90%[50]，属于青藏高原亚寒带半干旱和半湿润区[51]。黄河源区的典型植被类型为高寒草原、高寒草甸和高寒灌丛，在我国植被分区中被划分为青藏高原高寒植被区[52]。

图1 黄河源区DEM与2015-2016年采样点分布图Fig.1 Digital elevation model (DEM) and spatial distribution of 2015-2016 sampling points in Yellow River headwater region

1.2 DEM数据

本研究使用V2版ASTER GDEM数据，数据时期是2009年，空间分辨率为30 m，TIFF数据类型。ASTER GDEM V2全球数字高程数据于2015年1月6日正式发布，可以通过地理空间数据云(http://www.gscloud.cn/)平台免费下载使用。下载的全球DEM数据可利用ArcMap软件下的Extract by Mask工具将其按照研究区形状裁剪出来。

1.3 地面实测资料

地面实测数据的野外调查时间为2015年8月1-12日和2016年7月30日-8月12日，选择地势平坦、生长状况均一的典型草地植物群落设置样地，面积大小规定为100 m×100 m。样地内采用5点法布设样方[53]，即选取样地中心点作为第一个样方，4个角点依次设置为其余样方，样方大小为0.5 m×0.5 m。2015-2016年间总计调查样地87个(图1)，拍摄多光谱图像435张，记录内容包括ADC照片编号、样地名称、样方经纬度及高程信息，同时针对草地AGB鲜重进行采样，带回室内在65 ℃烘箱烘干48 h后称取样方的干物质产量，最终以5个样方AGB干重的平均值代表整个样地的地上生物量。

1.4 植被指数来源及处理方法

1.4.1 基于ADC获取的植被指数 Tetracam ADC(Tetracam Inc, Chatsworth, CA, USA)是一种地表远程传感器，可以捕获植被绿(520～600 nm)、红(630～690 nm)和近红外(760～920 nm)3个光谱波段的反射率，分别与Landsat TM的第2、3和4波段相当。野外取样时，以距离样方1 m的高度平行于地面拍摄，耗时3～5 s，在此高度下，实际视野范围为0.8 m×0.6 m，图像的空间分辨率为3 mm。获取同一批次相片前，首先要拍摄白色聚四氟乙烯标定板，以减少边际效应，校准照片可用来产生图像处理所需的纠正参数。ADC拍摄的照片可以达到320万(2048×1536)像素，以DCM格式储存在闪存卡内，并能以JPEG或BMP等格式输入计算机，照片需要按照样方框大小裁剪，目的是削减边缘畸变造成的误差。裁剪后的图像通过该相机附带的PixelWrench 2软件进行处理，得到样方的NDVI、SAVI和GNDVI指数(式1、2和3)。分别记作NDVIADC、SAVIADC和GNDVIADC，最后以每一样地所有样方植被指数的平均值作为该样地的植被指数值。

(1)

(2)

(3)

式中：NIR、R和G分别表示ADC近红、红和绿波段的反射率[25,54-55]。L是随着植被密度变化的参数，取值范围是0～1，若植被覆盖度很高，则L=0，SAVI=NDVI，相反植被覆盖度很低时L=1。研究表明，在草地SAVI计算中，L值取0.5时，能较好的消除土壤反射率[25,31]，因此本研究中L=0.5。

1.4.2 基于MOD13Q1卫星遥感数据获取的植被指数 MOD13Q1遥感数据是美国航空航天局对地观测系统数据与信息系统(NASA’S earth observing system data and information system，EOSDIS)开发的植被指数产品，包含空间分辨率250 m、16 d最大合成的NDVI和增强型植被指数(enhanced vegetation index，EVI)数据及产品质量等信息。分别下载2015和2016年7月30日-8月15日期间成像且能覆盖研究区所有采样点的MOD13Q1数据，影像轨道号为h26v05。利用MODIS数据重投影工具(MODIS reprojection tools，MRT)提取影像的NDVI，并将其转化为TIF格式，之后通过ArcMap软件的Extract Multi Values to Points工具提取采样点处的NDVI值，记作NDVIMOD。

1.5 反演模型的构建与验证

2015和2016年野外科考共计调查87个样地，剔除落在研究区之外的采样点和明显异常的样本数据，获得草地AGB有效样点数据84个。本研究在SPSS 19.0软件中利用回归分析法建立草地AGB与各类植被指数之间的回归模型，即以NDVIADC、SAVIADC、GNDVIADC和NDVIMOD依次作为自变量，实测草地AGB为因变量，分别建立线性、对数、指数和乘幂4类回归模型。采用Origin 8.5软件制作散点图，并结合留一法交叉验证方法(leave-one-out cross validation，LOOCV)评价模型精度。模型的预测能力由均方根误差(root-mean-square error of prediction,RMSEP)以及实测值与模型反演值之间的相关系数r来衡量，RMSEP用于量化模型精度，r用来评估模型的准确性[56-58]。RMSEP的计算公式如下:

(4)

式中：E(yi)表示第i个实测值；yi为第i个模型预测值；n是有效样本数，在本研究中n=84。RMSEP越低，回归模型越精确；相关系数r越接近于1，说明模型准确性越高[40]。

2 结果与分析

2.1 草地AGB与ADC各项植被指数的相关性比较分析

黄河源区2015-2016年盛草期的ADC植被指数与草地AGB回归分析结果(表1)表明，NDVIADC与高寒草地地上生物量之间的关系最为密切(R2=0.4414，P<0.01)，其次为SAVIADC，而GNDVIADC与草地AGB的相关性则有明显降低。已有研究表明，SAVI主要是在植被覆盖度较低、土壤背景影响显著的区域具有优化NDVI的作用[16,59]，而黄河源区盛草期的草地生长状况良好，生物量、盖度和多度等指标均达到较高水平，大多数区域土壤本身的影响几乎可以忽略，这可能是导致研究区SAVI预测草地AGB的能力不如NDVI的主要原因。GNDVI与农作物的叶绿素含量高度相关，可用来确定水稻、小麦(Triticumaestivum)、玉米(Zeamays)等谷物生长阶段的氮素吸收状况[60-61]，但表1结果显示，该指数并不能很好地反映黄河源区盛草期高寒草地生物量的空间变化状况。基于以上结果，本研究只选取模拟效果最好的NDVIADC进行后续与NDVIMOD的比较分析。

2.2 黄河源区各县草地生物量及NDVI数据统计分析

各县样本数据的统计分析结果(表2)表明，盛草期的草地生物量总体平均值为1320.33 kg DW/hm2，干重介于232.00～2697.60 kg DW/hm2，整体波动较大；NDVIADC最大值为0.6393，最小值为0.1920，总体标准偏差较大(0.1056)；NDVIMOD平均值的范围是0.3289～0.8356，标准偏差为0.1066，且各县NDVIMOD的最大值、最小值及均值都明显高于NDVIADC的对应值。河南、达日、久治和贵南县的平均生物量较高(均大于1400 kg DW/hm2)，生物量标准偏差达452.1344～697.6292 kg DW/hm2，数据离散程度较大，同时以上4个县NDVIADC的平均值(均大于0.50)和NDVIMOD的平均值(均大于0.65)也达到较高水平，其中贵南县生物量的标准偏差在各县中最大，其NDVIADC和NDVIMOD的标准偏差也为各县中最大值。同德和兴海县生物量显著低于其他各县，其中同德县草地AGB、NDVIADC和NDVIMOD的平均值均为各县中最小值，兴海县AGB、NDVIADC和NDVIMOD的标准偏差也在各县中处于较低的水平，数据离散程度较低。

表1 黄河源区ADC植被指数(x)与草地AGB(y)回归分析结果(n=84)Table 1 Regression results between the ADC vegetation indices (x) and grassland AGB (y) in Yellow River headwater region (n=84)

注：R2为草地AGB回归模型的决定系数；AGB为草地地上生物量，单位为kg DW/hm2；NDVI：归一化差值植被指数；SAVI：土壤调节植被指数；GDNVI：归一化绿波段差值植被指数；**P<0.01，均通过了显著性水平为0.01的F检验。

Note:R2is the determination coefficient of the grassland AGB regression model; AGB: Grassland above ground biomass, the unit is kg DW/ha; NDVI: Normalized difference vegetation index; SAVI: Soil-adjusted vegetation index; GDNVI: Normalized green difference vegetation index; **P<0.01, all indices pass theFtest at the 0.01 significance level.

表2 黄河源区各县样本数据描述性统计分析Table 2 Descriptive statistics of sample data of different counties in Yellow River headwater region

注：NDVIADC为基于农业多光谱数码相机(ADC)获取的归一化差值植被指数；NDVIMOD为基于MOD13Q1提取的归一化差值植被指数。下同。

Note: NDVIADCis the normalized difference vegetation index-based ADC; NDVIMODis the normalized difference vegetation index-based MOD13Q1. The same below.

2.3 基于NDVIADC和NDVIMOD构建的草地AGB监测模型比较分析

利用留一法检验各模型精度，结果(表3)显示，NDVIADC与草地AGB建立的4类反演模型中，不论是线性、对数、乘幂还是指数模型，其决定系数R2和交叉验证相关系数r均高于以NDVIMOD为自变量构建的4类草地AGB回归模型，而RMSEP值结果相反。由此说明，相较于NDVIMOD，NDVIADC与草地AGB的相关性更好，构建模型的拟合度、精度及预测准确度更高，更适合于模拟黄河源区高寒草地地上生物量。进一步比较分析基于NDVIADC构建的草地AGB模型可以看出，这4种模型的R2从大到小依次是乘幂、指数、线性和对数模型；RMSEP值由低到高的顺序为线性、乘幂、对数和指数模型，相关系数r最大的是线性模型，其次为乘幂模型。比较而言，线性模型具有最低的RMSEP值和最高的r值，因此精度最高，反演值最接近于真实值，而乘幂模型的拟合效果最优，模型精度仅次于线性模型。综上所述，这两种模型均能较好的模拟研究区草地AGB空间变化状况(图2)，但从增加模型精确度和减少模拟误差的角度出发，本研究最终确定以NDVIADC为自变量，草地AGB为因变量构建的线性模型为最优模型(式5)。

y=3248.9267x-305.5887

(5)

式中：y表示利用模型预测的草地AGB值；x代表NDVIADC值。

表3 NDVIADC、NDVIMOD(x)与草地AGB(y)回归模型精度评价结果(n=84)Table 3 Accuracy assessment for regression models between the NDVIADC, NDVIMOD (x) and grassland AGB (y) (n=84)

注：R2为草地AGB回归模型的决定系数；RMSEP是实际观测值与模型预测值的均方根误差，单位为kg DW/hm2；r代表实测值与模型反演值之间的相关系数；其中，所有模型P<0.01，均通过了显著性水平为0.01的F检验。

Note:R2is the determination coefficient of the grassland AGB regression model;RMSEPindicates root-mean-square error of the observed value and the model predictive value, the unit is kg DW/ha; And the correlation coefficient between the observed value and the inversional results of the model isr; Among, all models meet the condition forP<0.01, they are extremely significant correlation.

图2 NDVIADC(x)与草地AGB(y)建立的线性(a)和乘幂(b)回归模型(n=84)Fig.2 Linear (a) and power (b) regression models between the NDVIADC (x) and grassland AGB (y) (n=84)

2.4 基于NDVIADC校正的草地AGB卫星遥感反演模型

由表3可知，NDVIADC与草地AGB建立的线性、对数、指数和乘幂模型的R2、RMSEP及r3种指标的评价结果均优于NDVIMOD与草地AGB之间的同类模型。相比之下，NDVIADC与草地AGB回归模型的R2、r分别增加了35.07%～61.35%和12.50%～17.85%，RMSEP的减少范围为7.39%～9.05%，以NDVIADC构建的草地AGB模型的拟合度和精度更高，根据此模型反演的草地AGB预测值更接近于黄河源区草地的真实情况。同时，NDVIADC与NDVIMOD之间的相关系数达0.7628(P<0.01)(图3)，因此，利用NDVIADC对NDVIMOD校正后代入公式5，可得到经过NDVIADC校正的基于NDVIMOD的草地AGB遥感监测模型(式6)：

图3 NDVIMOD(x)与NDVIADC(y) 的线性回归模型(n=84)Fig.3 Linear regression model between the NDVIMOD(x) and NDVIADC (y) (n=84)

y=2455.5388x-301.6900

(6)

式中：y表示利用模型预测的草地AGB值；x是指NDVIMOD值。

3 讨论

本研究通过ADC多光谱照片计算得到的3种植被指数中，NDVI与高寒草地地上生物量之间存在良好的相关性，SAVI次之，但也可以达到比较好的效果，而GNDVI与草地AGB没有显著的相关性。这与杨鹏万等[48]对藏北高寒草甸盛草期生物量的研究结果相同，但与降水稀少、植被生长稀疏地区的生物量研究[16,59]结果相反。由此可见，在生长状况良好、植被覆盖度高、土壤背景影响几乎可以忽略的高寒草甸区域，SAVI预测草地AGB的能力不如NDVI，在Liang等[12]基于NDVI和SAVI的高寒草地生物量研究中也存在相同的关系。对于GNDVI，已有研究表明其与植被叶绿素含量关系密切[62]，而叶绿素含量并不能作为表征地上生物量的指标。因此，GNDVI不适合参与草地生物量估测模型的构建。

与NDVIMOD相比，NDVIADC估测黄河源区高寒草地地上生物量的精度明显提高。本研究利用NDVIADC校正NDVIMOD值，得到经过NDVIADC值校正的NDVIMOD草地AGB遥感监测模型，该模型可直接利用MODIS遥感数据提取植被指数值，具有数据覆盖范围广，获取成本低，且不受地域限制的特点，很好的弥补了ADC野外采集费时费力、缺少宏观性的缺点，利用以上改进模型可以实现对大尺度草地AGB的动态监测，且监测精确度近似于ADC地表测量法的估测水平。因此，构建融合不同尺度监测方法优点的改进模型是提高大面积草地AGB精准监测的新途径。

Chen等[23]列举了大量利用遥感植被指数构建牧草生物量估测模型的研究，证明NDVI与牧草生物量之间存在很高的相关性，而在本研究中，基于NDVI构建的草地AGB反演模型的R2值介于0.3075～0.5389之间，表明NDVI与生物量呈中等相关，这可能与本研究地面采样时间较为集中，样点数量偏少，但研究涉及的空间范围较大有关。因此，进一步研究仍需增加采样年限，在牧草生长季不同时期多次采样，保证数据的连续性，同时在研究区内均匀布设采样点，减少空间差异性，继续扩大样本数量，改进现有模型，从而减少建模的误差，增加模型可信度。

杨鹏万等[48]的研究结果表明，运用ADC植被指数进行高寒草甸地上生物量的模拟时，应当优先选择以NDVI为自变量的线性模型，本研究筛选得到的最优模型结果与此相似，而在姬秋梅等[47]对西藏地区产草量的研究中，则认为基于NDVIADC的指数模型拟合效果最好。由此可以得出，草地生物量反演模型的形式和精度受到采样时间、研究区地理位置和环境、样点大小、数量及其代表性的影响，同时ADC照片计算软件、数据处理方法和人为误差等多种因素也给模型的精度带来一定的误差。并且，高寒草地牧草种类繁多，空间异质性强，导致基于卫星数据提取的植被指数随着地域的差异具有较大的变化。Liang等[12]在研究中指出，单纯采用某一遥感植被指数或其他单一指标的天然草地生物量遥感监测模型在部分地区存在稳定性差、精度低的问题，认为单一植被指数不足以作为生物量预测的独立因子。因此，他们提出了基于经度、纬度和草地盖度的多因素草地生物量反演模型，与基于NDVIMOD的单因素遥感模型相比，多因素模型的RMSEP可减小约13.28%。ADC拍摄的多光谱相片不仅可以提供植被绿、红和近红外波段的反射率，还可以通过PixelWrench 2软件计算获得目标地物的覆盖度。综合考虑以上因素，本研究下一步考虑利用经度、纬度和ADC设备获取的草地盖度等数据构建黄河源区草地AGB的多因素反演模型，以期改进现有基于NDVIADC建立的草地AGB反演模型，提出一种地域代表性强、操作方便、快速准确的草地AGB估测手段，进一步提高天然草地生物量的监测精度。

近年来，无人机(unmanned aerial vehicle，UAV)技术有着突飞猛进的发展，是地表测量和卫星遥感两者优势的完美结合，其体积小、质量轻、灵活性高，与卫星遥感一样可在高危地区探测。Curran等[63]研究了样方大小对地表测量结果的影响，证明样方尺寸是左右测量精度的重要因素，而UAV数据覆盖范围比ADC广，很好的克服了传统方法与卫星数据的空间匹配性问题，且其监测精度高达cm级，接近地表测量的精度水平，因此，今后进一步研究可以考虑将ADC设备搭载在无人机上进行数据采集，既节省了ADC地表测量的时间和劳力，也提高了测量精度，实现了大面积草地生物量的动态监测。

4 结论

本研究利用黄河源区2015-2016年8月拍摄的大量ADC多光谱照片提取NDVI、SAVI和GNDVI指数，结合NDVIMOD数据，分别与野外实测草地生物量数据进行回归分析，结果表明：

1)与SAVIADC、GNDVIADC和NDVIMOD相比，NDVIADC更适合于模拟黄河源区高寒草地地上生物量。

NDVIADC与高寒草地地上生物量关系最为密切(R2=0.4414，P<0.01)，SAVIADC模拟黄河源区草地AGB的能力也较好，但GNDVIADC的预测效果却不尽人意。因此，NDVIADC为3种ADC指数中最适宜构建草地AGB监测模型的植被指数。以草地AGB样点数据为因变量，NDVIADC和NDVIMOD分别作为自变量，构建4类回归模型，精度分析结果显示，基于NDVIADC构建的草地AGB模型的R2和r相比NDVIMOD各模型增加了35.07%～61.35%和12.50%～17.85%，RMSEP则减少了7.39%～9.05%，相较于NDVIMOD而言，NDVIADC与草地AGB的相关性明显提高，因此利用NDVIADC校正基于NDVIMOD构建的草地AGB遥感估测模型具有一定的意义。

2)基于NDVIADC的线性模型为黄河源区高寒草地地上生物量反演的最优模型。

在NDVIADC构建的4类模型中，线性模型的RMSEP值最小，相关系数r最大，最适合于模拟研究区草地AGB的状况，因此确定基于NDVIADC建立的草地AGB线性回归模型为最优模型(RMSEP=383.5485 kg DW/hm2，r=0.6644)，该模型为黄河源区草地生物量的测定提供了一个新型、易操作的方法。

3)NDVIADC可以校正Terra卫星MODIS数据高估NDVI数值的现象，从而校正NDVIMOD估测草地AGB的准确性。

NDVIADC与NDVIMOD样本数据统计结果显示，NDVIMOD样本值整体偏高，其可能高估了高寒草地的地上生物量。经验证NDVIADC与NDVIMOD相关性较高(r=0.7628)，因此NDVIADC可以用来校正NDVIMOD，从而获得经过NDVIADC校正的NDVIMOD草地AGB遥感反演模型：y=2455.5388x-301.6900。该模型能较好地模拟黄河源区草地AGB空间变化状况，数据提取方便、覆盖范围广，且模型精度优于单一遥感植被指数构建的生物量回归模型。

References：

[1] Chu H B, Wei J H, Li T J,etal. Application of support vector regression for mid-and long-term runoff forecasting in “Yellow River headwater” region. Procedia Engineering, 2016, 154: 1251-1257.

[2] Xie C W, Ding Y J, Liu S Y,etal. Comparison analysis of runoff change in the source regions of the Yangtze and Yellow Rivers. Journal of Glaciology & Geocryology, 2003, 25(4): 414-422. 谢昌卫, 丁永建, 刘时银, 等. 长江-黄河源寒区径流时空变化特征对比. 冰川冻土, 2003, 25(4): 414-422.

[3] Yang Q, Wu J, Li Y,etal. Using the particle swarm optimization algorithm to calibrate the parameters relating to the turbulent flux in the surface layer in the source region of the Yellow River. Agricultural and Forest Meteorology, 2017, 232: 606-622.

[4] White M A, Asner G P, Nemani R R,etal. Measuring fractional cover and leaf area index in arid ecosystems: digital camera, radiation transmittance, and laser altimetry methods. Remote Sensing of Environment, 2000, 74(1): 45-57.

[5] Jiang C, Zhang L. Effect of ecological restoration and climate change on ecosystems: a case study in the three-rivers headwater region, China. Environmental Monitoring Assessment, 2016, 188(6): 1-20.

[6] Hu G, Yu L, Dong Z,etal. Holocene aeolian activity in the headwater region of the Yellow River, Northeast Tibet Plateau, China: A first approach by using OSL-dating. Catena, 2017, 149: 150-157.

[7] Guo W Q, Yang T B, Dai J G,etal. Vegetation cover changes and their relationship to climate variation in the source region of the Yellow River, China, 1990-2000. International Journal of Remote Sensing, 2008, 29(7): 2085-2103.

[8] Jin H J, Luo D L, Wang S L,etal. Spatiotemporal variability of permafrost degradation on the Qinghai-Tibet Plateau. Sciences In Cold and Arid Regions, 2011, 3(4): 281-305.

[9] Liu X D, Chen B D. Climatic warming in the Tibetan plateau during recent decades. International Journal of Climatology, 2000, 20(14): 1729-1742.

[10] Chen J, Gu S, Shen M G,etal. Estimating aboveground biomass of grassland having a high canopy cover: an exploratory analysis of in situ hyperspectral data. International Journal of Remote Sensing, 2009, 30(24): 6497-6517.

[11] Zhang B H, Zhang L, Xie D,etal. Application of synthetic NDVI time series blended from Landsat and MODIS data for grassland biomass estimation. Remote Sensing, 2015, 8(10): 1-21.

[12] Liang T G, Yang S X, Feng Q S,etal. Multi-factor modeling of above-ground biomass in alpine grassland: a case study in the three-river headwaters region, China. Remote Sensing of Environment, 2016, 186: 164-172.

[13] Lu D S. The potential and challenge of remote sensing-based biomass estimation. International Journal of Remote Sensing, 2006, 27(7): 1297-1328.

[14] Gao T, Yang X C, Jin Y X,etal. Spatio-temporal variation in vegetation biomass and its relationships with climate factors in the Xilingol grasslands, Northern China. PLoS One, 2013, 8(12): e83824.

[15] Gu Y X, Wylie B K. Developing a 30-m grassland productivity estimation map for central Nebraska using 250-m MODIS and 30-m Landsat-8 observations. Remote Sensing of Environment, 2015, 171: 291-298.

[16] Qu C P, Guan D X, Wang A Z,etal. Comparison of grassland biomass estimation models based on MODIS data. Chinese Journal of Ecology, 2008, 27(11): 2028-2032. 渠翠平, 关德新, 王安志, 等. 基于MODIS数据的草地生物量估算模型比较. 生态学杂志, 2008, 27(11): 2028-2032.

[17] Zhou Y T, Fu G, Shen Z X,etal. Estimation model of aboveground biomass in the Northern Tibet Plateau based on remote sensing date. Acta Prataculturae Sinica, 2013, 22(1): 120-129. 周宇庭, 付刚, 沈振西, 等. 藏北典型高寒草甸地上生物量的遥感估算模型. 草业学报, 2013, 22(1): 120-129.

[18] Craine J M, Nippert J B, Elmore A J,etal. Timing of climate variability and grassland productivity. Proceedings of the National Academy of Sciences of the United States of America, 2012, 109(9): 3401-3405.

[19] Li F, Zeng Y, Li X S,etal. Remote sensing based monitoring of interannual variations in vegetation activity in China from 1982 to 2009. Science China Earth Sciences, 2014, 57(8): 1800-1806.

[20] Becker-Reshef I, Vermote E, Lindeman M,etal. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data. Remote Sensing of Environment, 2010, 114(6): 1312-1323.

[21] Gu Y X, Wylie B K. Downscaling 250-m MODIS growing season NDVI based on multiple-date Landsat images and data mining approaches. Remote Sensing, 2015, 7(4): 3489-3506.

[22] Gu Y X, Wylie B K, Bliss N B. Mapping grassland productivity with 250 m eMODIS NDVI and SSURGO database over the Greater Platte River Basin, USA. Ecological Indicators, 2013, 24: 31-36.

[23] Chen F, Weber K T, Gokhale B. Herbaceous biomass estimation from SPOT 5 imagery in semiarid rangelands of Idaho. GIScience & Remote Sensing, 2011, 48(2): 195-209.

[24] Huete A R, Jackson R D, Post D F. Spectral response of a plant canopy with different soil backgrounds. Remote Sensing of Environment, 1985, 17(1): 37-53.

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

[26] Xu B, Yang X C, Tao W G,etal. MODIS-based remote-sensing monitoring of the spatiotemporal patterns of China’s grassland vegetation growth. International Journal of Remote Sensing, 2013, 34(11): 3867-3878.

[27] Porter T F, Chen C C, Long J A,etal. Estimating biomass on CRP pastureland: A comparison of remote sensing techniques. Biomass and Bioenergy, 2014, 66: 268-274.

[28] Reddersen B, Fricke T, Wachendorf M. A multi-sensor approach for predicting biomass of extensively managed grassland. Computers and Electronics in Agriculture, 2014, 109: 247-260.

[29] Ullah S, Si Y, Schlerf M,etal. Estimation of grassland biomass and nitrogen using MERIS data. International Journal of Applied Earth Observation and Geoinformation, 2012, 19: 196-204.

[30] Saberioon M M, Amim M S M, Aimrun W,etal. Multispectral images tetracam agriculture digital to estimate nitrogen and grain yield of rice at different growth stages. Philippine Agriculturist, 2013, 96(1): 108-112.

[31] Candiago S, Remondino F, De Giglio M,etal. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote Sensing, 2015, 7(4): 4026-4047.

[32] Fu G, Zhang X Z, Zhang Y J,etal. Experimental warming does not enhance gross primary production and above-ground biomass in the alpine meadow of Tibet. Journal of Applied Remote Sensing, 2013, 7(1): 073505.

[33] Thayn J B. Assessing vegetation cover on the date of satellite-derived start of spring. Remote Sensing Letters, 2012, 3(8): 721-728.

[34] Yi S H, Zhou Z Y, Ren S L,etal. Effects of permafrost degradation on alpine grassland in a semi-arid basin on the Qinghai-Tibetan Plateau. Environmental Research Letters, 2011, 6(4): 045403-045409.

[35] Yi S H, Wang Z R, Xie X,etal. Estimation of fractional vegetation cover and its relation with permafrost in the upstream regions of Shule River Basin. Pratacultural Science， 2011, 28(3): 353-358. 宜树华, 王增如, 谢霞, 等. 高寒草地植被盖度估算及其与冻土的关系. 草业科学, 2011, 28(3): 353-358.

[36] Saberioon M M, Amin M S M, Gholizadeh A. Estimation of nitrogen of rice in different growth stages using Tetracam agriculture digital camera[C]//11th International Conference on Precision Agriculture. Indianapolis, Indiana, United States: Proceedings of the International Conference on Precision Agriculture, 2012.

[37] Swain K C, Thomson S J, Jayasuriya H P W. Adoption of an unmanned helicopter for low-altitude remote sensing to estimate yield and total biomass of a rice crop. Transactions of the Asabe, 2010, 53(1): 21-27.

[38] Swain K C, Zaman Q U, Swain K C,etal. Rice crop monitoring with unmanned helicopter remote sensing images[M]//Remote Sensing of Biomass-Principles and Applications. Rijeka, Croatia: InTech, 2012: 253-272.

[39] Xiang H, Tian L. An autonomous helicopter system for aerial image collection[C]//2007 American Society of Agricultural and Biological Engineers. Minneapolis, Minnesota: American Society of Agricultural and Biological Engineers Editorial Committees, 2007.

[40] Mazzetto F, Calcante A, Mena A. Comparing commercial optical sensors for crop monitoring tasks in precision viticulture. Journal of Agricultural Engineering, 2009, 40(1): 11-18.

[41] Thomson S J, Smith L A, Hanks J E. An instrumentation platform and GPS position latency issues for remote sensing on agricultural aircraft. Transactions of the Asabe, 2007, 50(1): 13-22.

[42] Aber J S, Aber S W, Buster L,etal. Challenge of infrared kite aerial photography: a digital update. Transactions of the Kansas Academy of Science, 2009, 112(1/2): 31-39.

[43] La Puma I P, Philippi T E, Oberbauer S F. Relating NDVI to ecosystem CO2exchange patterns in response to season length and soil warming manipulations in arctic Alaska. Remote Sensing of Environment, 2007, 109(2): 225-236.

[44] Fu G, Shen Z X, Zhong Z M. Initial response of normalized difference vegetation index, green normalized difference vegetation index and soil adjusted vegetation index to infrared warming in highland barley of the Tibet. Ecology & Environmental Sciences, 2015, 24(3): 365-371. 付刚, 沈振西, 钟志明. 西藏高原青稞三种植被指数对红外增温的初始响应. 生态环境学报, 2015, 24(3): 365-371.

[45] Yang G J, Li C C, Yu H Y,etal. UAV based multi-load remote sensing technologies for wheat breeding information acquirement. Transactions of the Chinese Society of Agricultural Engineering, 2015, 31(21): 184-190. 杨贵军, 李长春, 于海洋, 等. 农用无人机多传感器遥感辅助小麦育种信息获取. 农业工程学报, 2015, 31(21): 184-190.

[46] Ren S L, Yi S H, Chen J J,etal. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis methods. Pratacultural Science, 2014, 31(6): 1007-1013. 任世龙, 宜树华, 陈建军, 等. 基于不同数码相机和图像处理方法的高寒草地植被盖度估算的比较. 草业科学, 2014, 31(6): 1007-1013.

[47] Ji Q M, Quiroz R, Leon-Velarde C. Dry matter availability assessment in Tibetan grasslands using ground-level remotely-sensed data. Acta Agrestia Sinica, 2008, 16(1): 34-38. 姬秋梅, Quiroz Robeto, Leon-Velarde Calos. 应用数字照相机研究西藏草地产草量. 草地学报, 2008, 16(1): 34-38.

[48] Yang P W, Fu G, Li Y L,etal. Aboveground biomass assessment in the northern Tibet Plateau using ground-level remotely-sensed data. Pratacultural Science, 2014, 31(7): 1211-1217. 杨鹏万, 付刚, 李云龙, 等. 多光谱相机估算藏北高寒草甸地上生物量. 草业科学, 2014, 31(7): 1211-1217.

[49] Chen L Q, Liu C M, Yang S T,etal. Reproduction of precipitation in the source regions of Yellow River with remote sensing. China Environmental Science, 2006, 26(S1): 87-91. 陈利群, 刘昌明, 杨胜天, 等. 黄河源区降水遥感反演. 中国环境科学, 2006, 26(S1): 87-91.

[50] Song X, Yang G X, Yan C Z,etal. Driving forces behind land use and cover change in the Qinghai-Tibetan Plateau: a case study of the source region of the Yellow River, Qinghai Province, China. Environmental Earth Sciences, 2009, 59(4): 793-801.

[51] Li Q, Yang M X, Wan G N,etal. Spatial and temporal precipitation variability in the source region of the Yellow River. Environmental Earth Sciences, 2016, 75: 1-14.

[52] Yan Z L, Zhou H K, Liu W,etal. Preliminary discuss on grassland degradation in the source region of Yangtze and Yellow Rivers. Grassland of China, 2003, 25(1): 73-78. 严作良, 周华坤, 刘伟, 等. 江河源区草地退化状况及成因. 中国草地学报, 2003, 25(1): 73-78.

[53] Meng B P, Chen S Y, Cui X,etal. 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. Pratacultural Science, 2015, 32(11): 1730-1739. 孟宝平, 陈思宇, 崔霞, 等. 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. 草业科学, 2015, 32(11): 1730-1739.

[54] Tucker C J, Justice C O, Prince S D. Monitoring the grasslands of the Sahel 1984-1985. International Journal of Remote Sensing, 1986, 7(11): 1571-1581.

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

[56] Song Y, Ma M, Veroustraete F. Comparison and conversion of AVHRR GIMMS and SPOT vegetation NDVI data in China. International Journal of Remote Sensing, 2010, 31(9): 2377-2392.

[57] Feng Q S, Gao X H. Application of excel in the experiment teaching of leave-one-out cross validation. Experimental Science and Technology, 2015, 13(2): 49-51. 冯琦胜, 高新华. Excel在留一法交叉验证实验教学中的作用. 实验科学与技术, 2015, 13(2): 49-51.

[58] Feng Q S, Gao X H, Huang X D,etal. Remote sensing dynamic monitoring of grass growth in Qinghai-Tibet Plateau from 2001 to 2010. Journal of Lanzhou University: Natural Sciences, 2011, 47(4): 75-81. 冯琦胜, 高新华, 黄晓东, 等. 2001-2010年青藏高原草地生长状况遥感动态监测. 兰州大学学报: 自然科学版, 2011, 47(4): 75-81.

[59] Gao Z H, Wei H D. Methods for subtracting vegetation information using vegetation index (VI) from TM images. Journal of Arid Land Resources & Environment, 1998, 12(3): 98-104. 高志海, 魏怀东. TM影像VI提取植被信息技术研究. 干旱区资源与环境, 1998, 12(3): 98-104.

[60] Moges S M, Raun W R, Mullen R W,etal. Evaluation of green, red, and near infrared bands for predicting winter wheat biomass, nitrogen uptake, and final grain yield. Journal of Plant Nutrition, 2005, 27(8): 1431-1441.

[61] Shanahan J F, Schepers J S, Francis D D,etal. Use of remote-sensing imagery to estimate corn grain yield. Agronomy Journal, 2001, 93(3): 583-589.

[62] Zhang W, Chen G, Long G Q,etal. Study on color evaluation of clean culture turf by hyperspectral parameter. Grassland & Turf, 2007, (5): 6-10. 张文, 陈功, 龙光强, 等. 利用高光谱参数评价单播草坪色泽的研究. 草原与草坪, 2007, (5): 6-10.

[63] Curran P J, Williamson H D. Sample size for ground and remotely sensed data. Remote Sensing of Environment, 1986, 20(1): 31-41.

Monitoring of above-ground biomass in alpine grassland based on agricultural digital camera and MODIS remote sensing data: A case study in the Yellow River Headwater Region

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, YIN Jian-Peng, ZHANG Ren-Ping, FENG Qi-Sheng, LIANG Tian-Gang*

StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China

We collected grassland biomass and MODIS satellite remote sensing data, and calculated vegetation indices (VIs) from data obtained by an agricultural digital camera (ADC) in the Yellow River Headwater Region (YRHR) in August of 2015-2016. We explored the correlations between each of three ADC vegetation indices (NDVIADC, SAVIADC, and GNDVIADC) and field-measured grassland above-ground biomass (AGB), and selected the optimal ADC vegetation index to construct an AGB inversion model. Grassland AGB inversion models based on ADC vegetation indices and MODIS NDVI (denoted as NDVIMOD) were constructed, and the accuracy of each model was evaluated by leave-one-out cross validation (LOOCV) to identify the optimal grassland AGB monitoring model. The NDVIADCwas used to correct the NDVIMODto obtain the optimized grassland AGB model with high resolution and accuracy. The results showed that: 1) among the three VIs-based ADC indices, the NDVIADCwas most closely related to the AGB of alpine grassland, followed by SAVIADCand GNDVIADC. 2) The NDVIADC-based AGB monitoring model (RMSEP: 383.55-393.18 kg DW/ha;r: 0.65-0.66) was more accurate than the NDVIMODmodel (RMSEP: 421.08-427.00 kg DW/ha;r: 0.55-0.58). Therefore, the grassland AGB inversion value from the NDVIADC-based model was much closer to the actual grassland AGB in YRHR, and the sampling values of NDVIMODwere higher than those of NDVIADCas a whole. 3) Among the four models based on NDVIADC, the linear and power models showed better performance in grassland AGB simulations. The linear model (y=3248.93×NDVIADC-305.59,RMSEP=383.55 kg DW/ha,r=0.66) was more accurate than the power model, and the linear model provided a novel and simple method to estimate grassland biomass in the study area.4) There was a strong correlation between NDVIADCand NDVIMOD; therefore, we could obtain an optimized grassland AGB model by using NDVIADCto correct NDVIMOD. The optimized model wasy=2455.54×NDVIMOD-301.69. This model could be used to estimate the grassland biomass in YRHR on a large scale, and its precision was close to that of the field measurements.

Yellow River headwater region; grassland above-ground biomass; normalized difference vegetation index; agricultural digital camera; MODIS; inversion model

10.11686/cyxb2017010

2017-01-09；改回日期：2017-03-14

国家自然科学基金项目(31672484，31372367，41401472)，中国气象局气候变化专项项目(CCSF201603)和长江学者创新团队发展计划(IRT13019)资助。

葛静(1992-)，女，甘肃平凉人，在读硕士。E-mail:gej12@lzu.edu.cn

*通信作者Corresponding author. E-mail: tgliang@lzu.edu.cn

http://cyxb.lzu.edu.cn

葛静, 孟宝平, 杨淑霞, 高金龙, 殷建鹏, 张仁平, 冯琦胜, 梁天刚. 基于ADC和MODIS遥感数据的高寒草地地上生物量监测研究——以黄河源区为例. 草业学报, 2017, 26(7): 23-34.

GE Jing, MENG Bao-Ping, YANG Shu-Xia, GAO Jin-Long, YIN Jian-Peng, ZHANG Ren-Ping, FENG Qi-Sheng, LIANG Tian-Gang. Monitoring of above-ground biomass in alpine grassland based on agricultural digital camera and MODIS remote sensing data: A case study in the Yellow River Headwater Region. Acta Prataculturae Sinica, 2017, 26(7): 23-34.