基于植被指数估算天山牧区不同利用类型草地总产草量

刘 艳 ，聂 磊 ，杨 耘

（1. 中国气象局乌鲁木齐沙漠气象研究所，乌鲁木齐 830002；2. 中亚大气科学研究中心，乌鲁木齐 830002；3. 武汉大学测绘遥感信息工程国家重点实验室，武汉 430079；4. 长安大学地质工程与测绘学院，西安 710054）

0 引 言

新疆现有牧草地总面积5 116.07万hm2，占全国牧草地总面积的 19.52%[1]。北疆地区天然草地有效面积约2 377.52万hm2，占全疆49.52 %，是新疆草原畜牧业的重要基地[2]。准确及时的估算草原产草量对维护草原生态平衡、合理安排畜牧业生产和确定合理载畜量提供重要的科学依据等具有重要意义。草地地上生物量估算模型包括机理模型法、植被指数法等。定点数据-植被指数法模型简单，在遥感影像光谱和空间分辨率较高情况下能宏观连续监测生物量动态变化且该方法需要输入数据较少[3-6]，机理模型法适用范围较广但参数校正工作量大且在某些情况下某些参数无法校正[7-9]。新疆牧草产量估算研究主有：90年代初开展的NOAA/AVHRR卫星数据和天然草地牧草产量关系模型研究[2,10-14]；李建龙等[15]综合利用1991-1996年新疆天山北坡阜康县内不同草地类型实测草地可食产量、环境与遥感资料，采用 3S集成技术对天然草地估产进行研究；王新欣等[16]采用2006年6-10月地面测产数据和同步MODIS遥感数据集对天山北坡乌鲁木齐不同牧草类型进行估产模型研究；钱育蓉等[17]利用遥感分类结果和产量估测模型集合分析了阜康市近20 a（1990、1999和2008）草地总面积和总产量趋势变化。

这些研究存在以下问题：研究区域有限且集中分布在天山北坡的乌鲁木齐（南郊）、阜康和阿勒泰；模型采样点较少；研究分析方法局限于在一个观测年内对不同牧草类型（高寒草甸、山地草甸、山地草原、草甸草原、山地荒漠草原、草原化荒漠、平原荒漠、盐生草甸）逐月产量变化进行分析和单一牧草类型产量的遥感估算。

新疆天山山区地形复杂、气候差异显著、草地空间异质性非常明显，天山西、中、东 3段草地类型繁多且分布零散。现有研究表明，在草地植被类型复杂区域很难使用单一模型快速实施全区域基于定点产量/生物量数据和植被指数的产量/生物量遥感估产[18-20]。因此，本文综合考虑天山山区草地植被垂直带结构差异特征及不同植被指数对草地生长及其产量的影响，利用 MODIS MOD13Q1数据，选取遥感估产较有效的归一化植被指数（normalized difference vegetation index，NDVI）、差值植被指数（difference vegetation index，DVI）、增强植被指数（enhanced vegetation index，EVI）和土壤调节植被指数（soil adjusted vegetation index，SAVI）[18,21-25]4种植被指数，结合新疆牧草利用类型分区矢量数据，在覆盖天山南北坡4个牧草利用类型分区内，分别建立4种植被指数及其组合与地面实测总产草量线性或非线性关系回归方程，选用拟合决定系数最高的某一植被指数或其组合指数与草地总产草量的回归方程作为草地产量预测模型。

1 材料与方法

1.1 研究区概况

新疆牧草利用类型具有14个分区（引自自治区草原所），因地势地貌和气候差异牧草类型格局呈垂直分布、空间差异显著且品种较多。新疆天山山区草地类型广泛，有新疆大叶苜蓿、北疆苜蓿、奇台无芒雀麦、巩乃斯木地肤和伊犁蒿等，因天山北坡东西跨度特别大，山体特征和在大气环流中所处的位置不同，承受西来水汽程度差别较大，草地植被的垂直带结构在西、中、东 3段存在明显的差异。研究区集中在天山南北坡（41.14°～45.45°N，79.89°～95.84°E），覆盖 4 个牧草利用类型分区（图 1），分别为：Ⅰ区，天山北坡西段—伊犁河谷草原畜牧业区；Ⅱ区，天山南坡中段高山盆地草地限牧恢复区；Ⅲ区，天山北坡中段山地草原限牧恢复区；Ⅳ区，天山北坡东段山间盆地草原限牧恢复区。4个分区在类型上具有一定的典型性和完整性，在空间分布上具有一定的连续性。因此，该研究区具有一定的代表性，可以更好用于开展遥感草地产量估算。

1.2 地面样方数据及处理

草地总产草量地面调查在2009-2015年7-8月份进行。根据草地类型空间分布特征和面积大小，在天山山区草地植被空间分布均一、具有代表性的典型地段设计了235块调查样地，样地内布设3个样方，共计获取705个采样点，覆盖天山山区31个县/市。草本及矮小灌木草原样方，布设样方为正方形1 m ×1 m大小，若样地植被分布呈斑块状或者较为稀疏，将样方扩大到2～4 m2。样地内具有灌木及高大草本植物，且数量较多或分布较为均匀，布设样方可为正方形（10 m×10 m），也可为长方形（20 m×5 m）。全部齐地割取测量地上生物量。样地基本特征调查中主要记录样地所隶属行政区、草地类型、地形、季节利用方式和利用状况等。利用GPS测定样方经纬度和海拔，同时在样方内采用常规植被调查法测定植物种数、植被盖度、群落平均高度及总地上生物量等指标。地面样方数据质量会影响遥感估算模型的准确性[26]，通过对不同草地类型的多年平均总产草量进行比较，在数据建模前对采样数据进行了严格的检验和验证（根据GPS记录经纬度提取对应各个指数数据上的植被指数值，将临近样方内多年平均草地总产草量和植被指数值进行匹配，剔除过大或过小的采样点），剔除不具代表性的异常样本，最终剩下485个样方数据用于建模和验证(图2)。

图1 新疆牧草利用类型及研究区域位置示意图Fig.1 Location map of herbage use type and study area in Xinjiang

图2 2009‒2015年7月底至8月初草地总产量样点位置分布图Fig.2 Spatial distribution of sampling points of total production of herbage from the end of July to the beginning of August during the years of 2009-2015

1.3 遥感数据及处理

遥感数据为 MODIS/MOD13Q1数据（空间分辨率250 m，时间分辨率16 d），数据格式EOS-HDF，正弦曲线投影，时间序列为2009-2015年7-8月，共计84幅云量小于10%的遥感影像。数据处理包括MODIS MRT工具（MODIS Reprojection Tools）批量完成HDF-TIF格式转换和定义投影（WGS84）；Python编程批量生成NDVI、EVI、DVI和SAVI序列数据并用最大值合成法(maximum value composition，MVC)[27-28]合成 2009-2015年 7-8月NDVI、EVI、DVI和SAVI指数数据，得到生长季最大植被指数集。由于在计算SAVI须根据实际情况确定土壤调节系数 L（0～1），当 L=0时，表示植被覆盖度为零；当L=1时，表示土壤背景的影响为零，植被覆盖度很高。研究成果表明，在草地SAVI计算中，L=0.5时可以较好地消除土壤反照率[28-29]。因此，本文 L选取 0.5。根据草地总产草量485个采样点记录GPS经纬度数据，提取采样点对应 NDVI、DVI、SAVI、EVI植被指数数值，建立植被指数与对应草原样方采样总产草量（鲜质量）数据集。

1.4 产草量估算模型的构建及验证

根据建立的植被指数与对应草原样方采样总产草量（鲜质量）数据集，在分析天山南北坡每个分区内样方采样点总产草量与植被指数NDVI、DVI、SAVI、EVI散点关系的基础上，运用回归分析分别构建线性、指数函数、幂函数以及多项式等一元回归模型。经过 F检验之后，根据回归方程的决定系数（R2）确定每个分区内各个植被指数估算产草量的最优模型[29]。

采用逐步回归分析方法建立每个分区内植被指数组合与实测草地总产草量的线性回归方程（式1）。

式中xi是各个植被指数，ai为回归系数。运用逐步回归分析法确定进入回归模型的植被指数时，需对植被指数进行共线性检验，采用方差膨胀因子（variance inflation factor，VIF）指标，当VIF大于7.5时，说明变量（植被指数）间存在较强的共线性，则应移除相应变量去除变量间的共线性[29]。

表1 各分区不同植被指数与草地总产草量（鲜质量）的最优回归模型Table 1 Optimal regression model between different vegetation index and measured total yield of herbage

采用留一交叉验证（leave-one-out cross validation，LOOCV）对草地总产草量（鲜质量）遥感模型模拟结果进行验证[30-31]。假设有n个样本，从中选择1个观测值作为验证数据，其他 1n-个样本作为训练样本来建立回归模型，如此重复n次，用n个验证结果均值来衡量模型模拟精度。每个模型精度由均方根误差（root mean square error，RMSE）（式2）及决定系数R2评价。

式中yi表示第i个样方草地总产草量（鲜质量）的实测值（kg/hm2）， ˆiy表示第i个样方草地总产草量（鲜质量）的模型模拟值（kg/hm2），n是观测样本总数。RMSE值越低表明回归模型越精确。

2 结果与分析

2.1 单一植被指数与实测草地总产草量最优回归模型

利用2009-2015年7-8月植被指数与地面实测草地总产草量建立模型，拟合模型包括线性和指数、多项式和幂函数4类模型。采用上述4类回归模型，分析各类植被指数与草地总产草量（鲜质量）的回归分析结果，根据R2最接近1的准则，列出了4个分区不同植被指数最优回归模型结果，如表1所示。

根据表 1中各分区各个植被指数的最优拟合模型，可以得出如下结论：

从植被指数类型看，发现同一区域采用不同植被指数估算草地总产草量（鲜质量），其拟合决定系数R2差异显著；同一植被指数类型在不同分区估算草地总产草量时，因各分区草地植被盖度不同拟合决定系数R2也表现出一定的差异性；采用NDVI估算草地总产草量（鲜质量），在 4个分区均具有很好的估算能力，I、II、III这3个分区中，其模型检验指标RMSE值都是最小，精度最高。

从回归方程类型看，选取R2最接近1的回归方程，发现 4个分区内多项式方程、乘幂方程和指数方程拟合决定系数 R2比线性回归方程的 R2高；不同分区 RMSE差异显著，最大RMSE值出现在I区，达5 857.943 kg/hm2，最小RMSE值出现在III区，仅为616.487kg/hm2，同一分区不同指数-草地总产草量（鲜质量）回归方程最大RMSE值差异出现在I区，达1 789.139 kg/hm2。

从各个分区应用不同植被指数类型看，分区 I采用指数模型进行草地总产草量（鲜质量）-NDVI拟合时R2较大，为0.586；分区II草地总产草量-植被指数拟合回归检验结果显示，除DVI外，EVI、NDVI、SAVI估算草地总产草量模型拟合决定系数R2都较高，均大于0.50，EVI、NDVI、SAVI都可用于草地产量监测。草地总产草量（鲜质量）-SAVI多项式回归方程R2最大，为0.634，NDVI预估能力高于EVI。分区III应用4类植被指数进行草地总产草量（鲜质量）-植被指数拟合决定系数 R2整体较低，草地总产草量（鲜质量）-NDVI多项式拟合决定系数 R2值最大，也仅为 0.302。原因在于，天山北坡中段山地草地垂直带谱较为完整，由山地荒漠-山地荒漠草原(含有片段草原化荒漠)-山地草原-山地草甸草原-山地草甸(含亚高山草甸)-高寒草甸构成。该区域地面采样点时间较为集中、样点数据偏少，但涉及研究空间范围大且草地类型复杂等这些因素造成该区草地总产草量-植被指数拟合R2整体偏低，分区 IV所有植被指数估算草地总产草量模型的拟合决定系数R2都较高，在所有分区中是最高的，均大于0.55，其中采用EVI估算模型的R2达到最大 0.738。草地总产草量（鲜质量）-EVI和草地总产草量（鲜质量）-DVI多项式回归方程拟合决定系数 R2较高，明显优于 NDVI-草地总产草量（鲜质量）指数回归方程和NDVI-草地总产草量（鲜质量）指数回归方程。原因是IV区草地植被覆盖度高、土壤背景影响几乎可以忽略，采用消除土壤影响的SAVI植被指数反而限制了草地总产量估算的准确性。

2.2 植被指数组合与实测草地总产草量的线性回归方程

采用逐步回归分析方法建立每个分区内植被指数组合与实测草地总产草量的线性回归方程（表2）。

表2 植被指数与实测总产草量线性回归方程模型结果Table 2 Results of linear regression equation between vegetation index and measured total yield of herbage

随着模型中引入植被指数类型（变量）的增加，线性回归方程拟合决定系数R2值逐渐增大。在天山北坡东段山间盆地草原限牧恢复区（IV区）采用 EVI+SAVI+NDVI组合，天山南坡中段高山盆地草地限牧恢复区（II区）采用EVI+SAVI组合提高了线性模型的拟合决定系数R2值。

对植被指数及其组合的最佳子集中的各变量进行共线性检查，根据VIF的值小于7.5，时自变量之间不存在多重共线性的判识原则，天山北坡西段-伊犁河谷草原畜牧业区采用单一EVI指数，天山北坡中段山地草原限牧恢复区应用单一 NDVI指数进行遥感估算也可以达到较高的估算精度。

2.3 讨 论

在采用单一植被指数确定估算区域总产草量的最优回归模型分析中，天山北坡西段—伊犁河谷草原畜牧业区（I区）采用DVI、EVI指数建模时其拟合决定系数R2略低于NDVI，模型检验精度也低于NDVI。原因是该区域植被覆盖度高、土壤背景影响几乎可以忽略，采用消除土壤影响的 SAVI植被指数反而限制了草地产量估算的准确性。对于天山南坡中段高山盆地草地限牧恢复区（II区）而言，基于植被指数估算草地总产草量模型拟合决定系数R2都较高，说明这些指数都可用于草地产量监测；采用 SAVI的估算模型其拟合决定系数 R2高于采用NDVI的估算模型，但是模型精度低于NDVI估算模型的精度，这表明采用消除土壤影响的SAVI植被指数在该区域也会限制草地产量估算的准确性。天山北坡中段（III区）山地草地垂直带谱较为完整，由山地荒漠-山地荒漠草原(含有片段草原化荒漠)-山地草原-山地草甸草原-山地草甸(含亚高山草甸)-高寒草甸构成。该区域地面采样点时间较为集中、样点数据偏少，但涉及研究空间范围大且草地类型复杂等这些因素造成该区草地总产草量（鲜质量）- 植被指数拟合R2整体偏低，模型检验精度RMSE在数值上最小。天山北坡东段山间盆地草原限牧恢复区（IV区）草地植被相对稀疏，在该区内所有植被指数估算模型的R2值都较高，说明在草地植被相对稀疏的地区，所有植被指数都可用于草地产量监测。

4个分区总体看，多项式方程、幂函数和指数方程这类非线性回归模型拟合决定系数R2比线性回归方程高，表明非线性回归方程可以提高遥感估产的精度。各个分区的RMSE值差异显著，但是各个分区的植被类型、覆盖度以及采样点的设置情况不同，导致分区间的精度自然有较大的差异。因此，RMSE指标仅可作为每个分区内模型的评价。

在植被指数组合确定估算区域总产草量的线性回归模型分析中，随着模型中引入植被指数类型（变量）的增加，拟合决定系数R2值逐渐增大。这是由于单一植被指数在估产时均存在一定的缺陷，而几种植被指数的组合可实现信息互补。因此，引入植被指数的组合使得线性统计模型的草地估产精度高于单一植被指数。

在植被覆盖度较低的天山北坡东段山间盆地草原限牧恢复区（IV区），采用指数模型，SAVI与草地总产草量拟合的R2很高，这与前人研究[32-34]结论一致。而在天山北坡西段-伊犁河谷草原畜牧业区（I区）和天山南坡中段高山盆地草地限牧恢复区（II区），采用NDVI进行草地总产草量预测，其精度高于SAVI，这是因为该区域草地生长状况良好，植被覆盖度高，使得土壤特征对遥感植被指数的影响很小，利用 NDVI更能反映该研究区的草地总产草量。此外，对于高寒草地生物量NDVI/SAVI反演以及通过消除土壤影响使MSAVI相对NDVI偏大或偏小这一结论也与前人研究一致[35-36]。

但是，本研究中，基于NDVI构建草地总产草量R2值在0.250～0.620，表明NDVI与总产草量并非高度相关，而是呈中等相关，这与本研究中地面采样点时间较为集中、样点数据偏少，但涉及研究空间范围又很大这些因素有关。也就是说，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。因此，需要在牧草生长季不同时期进行多次采样，均匀布设采样点，空间尺度上和时间尺度上保障数据的有效性。

3 结 论

针对新疆天山牧区特殊的地形、气候及环境条件，利用研究区2009-2015年7-8月MODIS归一化植被指数（normalized difference vegetation index，NDVI）、差值植被指数（difference vegetation index，DVI）、增强植被指数（enhanced vegetation index，EVI）和土壤调节植被指数（soil adjusted vegetation index，SAVI）4种植被指数产品及其组合，开展了与同期地面实测草地总产草量数据回归分析试验，得出如下结论：

1）不同植被指数和草地总产草量相关性呈现出一定的区域差异性。应用同一植被指数在不同分区估算草地总产草量时，各分区草地植被盖度不同其回归方程拟合决定系数 R2表现出显著的差异性；4个分区应用 NDVI估算草地总产草量（鲜质量），时，I、II、III分区中模型检验指标RMSE值都是最小，说明其精度最高。

2）对于本研究而言，NDVI、DVI、EVI和SAVI都可用于草地总产草量遥感估算。采用指数模型这类非线型模型进行草地总产草量-植被指数拟合时，精度高于线性模型，特别是低植被覆盖区。DVI、SAVI这2类指数因考虑环境因素，应用其估算草地总产量时需要考虑植被覆盖状况；

3）应用多种植被指数线性组合进行II、IV区草地产量估算时，发现随着模型中引入植被指数类型（变量）的增加，线性回归方程拟合决定系数R2值逐渐增大，模型检验指标RMSE低于单一指数-草地总产草量遥感估算的值。

降水和温度等气候因素及采样时空间隔都会影响遥感估算草地生物量空间分布及其年际波动。因此，今后研究中将引入降水、温度和日照实数等气候因素，并在牧草生长季的不同时期进行多次采样，在空间尺度上均匀布设采样点，以期减少建模误差和提高模型精度。

[参 考 文 献]

[1] 刘新平，吕晓. 新疆牧草地资源利用动态变化及其绩效分析[J]. 干旱区地理(汉文版)，2009，32(1)：81－86.Liu Xinping, Lv Xiao. Dynamics and performance evaluation of grassland resources utilization in Xinjiang[J].Arid Land Geography, 2009，32(1): 81－86. (in Chinese with English abstract)

[2] 黄敬峰，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]. 浙江大学学报(农业与生命科学版)，1999,25(2)：125－129.Huang Jinfeng, Hu Xinbo. Studies on grass yield monitoring and predicting models of natural grassland using remote sensing data in Northern Xinjiang[J]. Journal of Zhejiang Agricultural University, 1999, 25(2): 125－129. (in Chinese with English abstract)

[3] Zhang L, Wylie B, Loveland T, et al. Evaluation and comparison of gross primary production estimates for the Northern Great Plains grasslands[J]. Remote Sensing of Environment, 2007, 106(2): 173－189.

[4] Zhao M, Heinsch F A, Nemani R R, et al. Improvements of the MODIS terrestrial gross and net primary production global data set[J]. Remote Sensing of Environment, 2005,95(2): 164－176.

[5] 张连义，张静祥，赛音吉亚，等. 典型草原植被生物量遥感监测模型——以锡林郭勒盟为例[J]. 草业科学，2008，25(4)：31－36.Zhang Lianyi, Zhang Jingxiang, Sai Yinjiya, et al. Remote sensing monitoring model I for grassland vegetation biomass monitoring in typical steppe – a case study from Xilinguole[J]. Pratacultural Science, 2008，25(4)：31－36. (in Chinese with English abstract)

[6] Todd S W, Hoffer R M, Milchunas D G. Biomass estimation on grazed and ungrazed rangelands using spectral indices[J].International Journal of Remote Sensing, 1998, 19(3):427－438.

[7] Foereid B, Høgh-Jensen H. Carbon sequestration potential of organic agriculture in northern Europe: A modelling approach[J]. Nutrient Cycling in Agroecosystems, 2004,68(1): 13－24.

[8] 吕新苗，郑度. 气候变化对长江源地区高寒草甸生态系统的影响[J]. 长江流域资源与环境，2006，15(5)：603－607.Lv Xinmiao，Zheng Du. Impactsof global change on the alpine meadow ecosystem in the sourceregion of the Yangtze River[J]. Resources and Environment in the Yangtze Basin，2006，15(5)：603－607. (in Chinese with English abstract)

[9] 陈辰，王靖，潘学标，等. 气候变化对内蒙古草地生产力影响的模拟研究[J]. 草地学报，2013，21(5)：850－860.Chen Chen，Wang Jing, Pan Xuebiao, et al. Simulation study regarding the impact of climate change on grass productivity in Inner Mongolia[J]. Acta Agrectir Sinica, 2013, 21(5): 850－860. (in Chinese with English abstract)

[10] 黄敬峰，冯振武. 天山北坡中段天然草场牧草产量遥感动态监测模式[J]. 干旱区资源与环境，1993，8(2)：10－17.

[11] 黄敬峰，王秀珍. 天山北坡中东段天然草地光谱植被指数特征[J]. 山地学报，1999，17(2)：119－124.Huang Jingfeng, Wang Xiuzheng. The Characteristics of natural grassland spectral vegetation indices in eastern and middle part of Northern Tianshan Mountain[J]. Journal of Mountain Science, 1999，17(2): 119－124. (in Chinese with English abstract)

[12] 黄敬峰，王秀珍，王人潮，等. 天然草地牧草产量与气象卫星植被指数的相关分析[J]. 农业现代化研究，2000，21(1)：33－36.Huang Jingfeng, Wang Xiuzhen, Wang Renchao, et al.Relation analysis beween the production of natural grassland and satallite vegetation indices[J]. Research of Agricultural Modernization, 2000, 21(1): 33－36. (in Chinese with English abstract)

[13] 黄敬峰，王秀珍，王人潮，等. 天然草地牧草产量遥感综合监测预测模型研究[J]. 遥感学报，2001，5(1)：69－74.Huang Jingfeng, Wang Xiuzhen, Wang Renchao, et al. A study on monitoring and predicting models of grass yield in natural grassland[J]. Journal of Remote Sensing, 2001, 5(1):69－74. (in Chinese with English abstract)

[14] 黄敬峰，蔡承侠. 利用NOAA/AVHRR资料监测北疆天然草地生产力[J]. 草业科学，1999(5)：62－69.Huang Jingfeng, Cai chengxia. Using NOAA/AVHRR data monitoring natural grassland productivity in the northern Xinjiang Uygur autonomous region[J]. Pratacultural Science,1999(5): 62－69. (in Chinese with English abstract)

[15] 李建龙，蒋平，戴若兰. RS，GPS和GIS集成系统在新疆北部天然草地估产技术中的应用进展[J]. 生态学报，1998，18(5)：504－510.Li Jianlong, Jiang Ping, Dai Ruolan. Advances in study on the remote sensing technology and gps and gis integration systems in estimating grassland yield applications in the north of Xinjiang, China[J]. Acta Ecologica Sinica, 1998，18(5): 504－510. (in Chinese with English abstract)

[16] 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.Wang Xinxin, Zhu Jinzhong, Fan Yanming, et al. Estimation model of establishing grassland with EOS/MODIS vegetation indexes[J]. Xinjiang Agricultural Sciences, 2008,45(5): 843 －846. (in Chinese with English abstract)

[17] 钱育蓉，杨峰，李建龙，等. 基于 3S的新疆阜康典型草地产草量及草畜平衡分析[J]. 草业科学，2013，30(9)：1330－1337.Qian Yurong, Yang Feng, Li Jianlong, et al. Yield and animal-feed balance of typical grassland in Xinjiang Fukang using 3S techniques[J]. Pratacultural Science, 2013, 30(9):1330－1337. (in Chinese with English abstract)

[18] Jin Y, Yang X, Qiu J, et al. remote sensing-based biomass estimation and its spatio-temporal variations in temperate grassland, Northern China[J]. Remote Sensing, 2014, 6(2):1496－1513.

[19] Gao T, Xu B, Yang X C, et al. Using MODIS time series data to estimate aboveground biomass and its spatiotemporal variation in Inner Mongolia's grassland between 2001 and 2011[J]. Int. J. Remote Sens. 2013, 34: 7796－7810.

[20] Xu B, Yang X C, Tao W G, et al. MODIS-based remote sensing monitoring of grass production in China[J]. Int. J.Remote Sens, 2008, 29: 5313－5327.

[21] Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Acta Phytoecol. Sin. 2004, 28:491－498.

[22] Jin Y X, Bin X U, Yang X C, et al. Remote sensing dynamic estimation of grass production in Xilinguole, Inner Mongolia[J]. Scientia Sinica, 2011, 41(12): 1185－1195.

[23] Leisher C, Hess S, Boucher T M, et al. Measuring the impacts of community-based grasslands management in Mongolia's Gobi[J]. Plos One, 2012, 7(2): e30991.

[24] Ouyang W, Hao F H, Skidmore A K, et al. Integration of multi-sensor data to assess grassland dynamics in a Yellow River sub-watershed[J]. Ecological Indicators, 2012, 18: 163－170.

[25] Muukkonen P, Heiskanen J. Biomass estimation over a large area based on stand wise forest inventory data and ASTER and MODIS satellite data: A possibility to verify carbon inventories[J]. Remote Sensing of Environment, 2007,107(4): 617－624.

[26] 杨秀春，徐斌，朱晓华，等. 北方农牧交错带草原产草量遥感监测模型[J]. 地理研究，2007，26(2)：213－221.Yang Xiuchun, Xu Bin, Zhu Xiaohua, et al. Models of grass production based on remote sensing monitoring in northern agro-grazing ecotone[J]. Geographical Research，2007，26(2)：213－221. (in Chinese with English abstract)

[27] Yang Y H, Fang J Y, Pan Y D, et al. Aboveground biomass in Tibetan grasslands[J]. Journal of Arid Environments, 2009,73(1): 91－95.

[28] Zeng H, Jia G, Forbes B C. Shifts in Arctic phenology in response to climate and anthropogenic factors as detected from multiple satellite time series[J]. Environmental Research Letters, 2013, 8(3): 035036.

[29] 陈彦光. 基于Matlab的地理数据分析[M]. 北京：高等教育出版社, 2012.

[30] Olden J D, Jackson D A. Torturing data for the sake of generality: How valid are our regression models?[J].Ecoscience, 2000, 7(4): 501－510.

[31] 屈莎，李振海，邱春霞，等. 基于开花期氮素营养指标的冬小麦籽粒蛋白质含量遥感预测[J]. 农业工程学报, 2017,33(12): 186－193.Qu Sha, Li Zhenhai, Qiu Chunxia, et al. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 186－193. (in Chinese with English abstract)

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

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

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

[35] Liang T, Yang S, Feng Q, et al. Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China[J]. Remote Sensing of Environment, 2016, 186: 164－172.

[36] 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.Tao Weiguo，Xu Bing，Liu Lijun, et al. Yield estimation model for different utilization status grassland based on remote sensing data[J] . Chinese Journal of Ecology, 2007,26(3): 332－337. (in Chinese with English abstract)