基于STARFM 的草地地上生物量遥感估测研究
——以甘肃省夏河县桑科草原为例
2022-06-11张玉琢杨志贵于红妍张强杨淑霞赵婷许画画孟宝平吕燕燕
张玉琢,杨志贵,于红妍,张强,杨淑霞,赵婷,许画画,孟宝平*,吕燕燕
(1. 南通大学脆弱生态研究所,地理科学学院,江苏 南通 226007;2. 祁连山国家公园青海服务保障中心,青海 西宁 810001;3. 甘肃省环境监测中心站,甘肃 兰州 730020)
草地地上生物量(above ground biomass,AGB)通常是指草地地上部分植被干重[1],是陆地生态系统碳循环的重要组成部分[2],其时空格局分布可以反映草地生态系统功能和状态的变化特征[3]。在实际生产活动中,草地AGB 的变化可以用来监测草地放牧程度,土地利用变化及早期草地退化预警[4]。因此,构建精确的地上生物量估测模型对草地管理、草畜平衡、草地生长状况评估和生态环境保护具有非常重要的科学意义[5−7]。
青藏高原地区地形复杂,气候环境独特,传统地面实测方法难以获取高寒草地AGB 真实空间分布状况。遥感因其具有全局、经济、速度快、负载大量信息等特点[8],被广泛应用于大尺度草地生物量估测研究[9]。草地地上生物量估测中常用到的中低分辨率遥感资料主要有AVHRR、MODIS、ASTER 和SPOT 卫星上搭载的VEGETATION,中高分辨率遥感资料主要包括Landsat 系列卫星上搭载的MSS、TM、ETM+及OLI,环境减灾系列HJ-2A/2B CCD,高分系列卫星(GF1/GF6 WFV),资源卫星和Sentinel 卫星等。Williamson 等[10]结合Landsat MSS 卫星遥感资料和实测草地地上生物量数据,反演了澳大利亚半干旱地区草地地上生物量,为该地区火灾预警和草地植被生长监测提供了科学依据。Verbesselt 等[11]利用SPOT VEGETATION 遥感资料估测了南非克鲁格国家公园萨瓦拉草原的植被生物量和含水量情况,从而为南非热带草原生态系统的火灾风险评估提供参考依据。徐斌等[12]基于MODIS NDVI 数据和全国草地地上生物量调查数据,分别构建了我国6 大牧区草地地上生物量估测模型,模型估测精度总体上接近80%。孟宝平等[13]用MODIS、Landsat 8 OLI 和HJ-1A/1B CCD 等遥感资料的NDVI 对高寒草甸生物量估测精度进行对比分析,结果表明,基于Landsat 8 OLI NDVI 对数模型估算的估测误差最小,RMSE 仅为31.33 kg·hm−2。
长期以来,使用Landsat MSS、TM、ETM+和OLI 等较高分辨率的卫星资料(30 m)在草地AGB 监测中有较高的精度,但受过境时间(16 d)、覆盖范围(185 km×185 km)和云雨等天气因素的严重制约,无法获取到持续长时间序列、大范围高质量卫星影像。而MODIS 等遥感资料空间分辨率较低(250~1000 m),在草地AGB 的估测研究中尚存在较大误差[14],但其拥有较高的时间分辨率(每天)和相对广阔的空间覆盖面积(幅宽达2330 km),非常适合应用在分布辽阔的草地及其动态变化监测上。近年来,随着遥感数据融合算法的发展,多源遥感数据融合产品在植被遥感监测中得到了广泛应用,尤其是时空适应反射率融合算法(spatial and temporal adaptive reflection fusion model,STARFM)[15]。如赵艳丽等[16]基于Landsat TM 和MODIS 反射率产品,利用STARFM 算法获取了高时序特征的TM 数据,对内蒙古呼伦贝尔呼伦湖湿地不同地物类别的分类研究表明,该方法得到的TM 时序数据集对研究区不同地物类别具有较高的预测能力,尤其适用于在湿地这类反射特点实时变化相对不大的地区。田罗[17]以MODIS NDVI 和Landsat(TM/OLI)NDVI 为数据源,结合STARFM 算法研究了2000−2015年隔湟水流域春小麦(Triticum aestivum)、青稞(Hordeum vulgare)和油菜(Brassica napus)3 种作物空间分布信息,并对流域内农作物种植构造的时间空间演变进行了探究。Peters[18]基于Landsat 和MODIS 遥感资料,利用STARFM 算法合成2000−2015年30 m 空间分辨率和16 d 时间分辨率的NDVI 植被指数数据集,从而分析了入侵物种野葛(Pueraria montana)物候动态变化情况。以上研究均表明,STARFM 将Landsat 高空间分辨率和MODIS 高时间分辨率的优势结合起来,生成了具有长时间序列的高空间分辨率遥感反射率数据,解决了时空数据融合的难题。然而,STARFM 算法在高寒草地地上生物量遥感估测中的应用尚鲜有报道。
此外,STARFM 算法采用了邻近相似像元的信息作为参考,对高分辨率影像像元值进行预测,即以预测像元为中心,根据像元值相似程度、空间距离以及时间距离作为选择依据,在滑动窗口内寻找预测像元的相似点,并对所有相似像元附以一定的权值,最终获得中间预测像元的值,在整个图像上进行卷积运算,从而获得整幅影像的预测值。在对多源遥感资料进行融合运算时,还存在数据量大,运行速度慢等特点[19]。自2008年美国地质勘探局(United States Geological Survey,USGS)开放了Landsat 影像后,谷歌开发了基于云运算的集成开发环境Google Earth Engine(GEE)以便于调用地球引擎API(application programming interface)。GEE 囊括了Landsat和MODIS 等免费多源遥感资料,集成了上千台服务器,所有的进程和计算都即时运行[20],在并行运算和大数据算法下使得数据分析速度较单一服务器快40~1000 倍[19]。因其优越的运算性能,GEE 已在全球植被遥感观测中得到广泛的应用,Patel 等[21]基于GEE,使用不同的规范化光谱向量在全球范围分类城市大小。Lobell 等[22]通过GEE 应用Landsat 数据预估了美国玉米(Zea mays)和大豆(Glycine max)的产量。Hansen 等[20]通过GEE 绘制了全球森林覆盖地图。
基于上述因素考虑,以青藏高原东部的甘南地区典型研究区高寒草甸AGB 为研究对象,基于时间序列Landsat 系列遥感资料和MODIS 植被指数产品MOD13Q1 数据,结合GEE 平台,采用STARFM 融合算法,探索研究区高时空分辨率植被指数的快速构建方法,并构建高寒草甸草地AGB 遥感反演模型,分析研究区草地AGB时空动态变化趋势,从而为高寒草甸草地AGB 快速、精确监测研究提供科学依据,同时也为研究区草畜平衡和可持续发展提供理论基础。
1 材料与方法
1.1 研究区概况
研究区位于青藏高原东缘的甘南藏族自治州夏河县桑科乡央吉社区(图1a,地理坐标为102°23′−102°26′E,35°05′−35°07′N),东西长2.77 km,南北长3.86 km,总面积1.61 km2。研究区年平均温度是2.10 ℃,海拔3050 m,年降水量为580 mm,隶属大陆性高原温带季风气候。研究区包括5 块样区,每块样区因利用方式和处理措施各异,植被群落和草地生物量有较大差异(图1b)。其中,1 号样区为划破草皮+补播的人工改良草地,2 号样区为放牧利用草地,3 号样区为未施加培育草地(即对照样地),4 号样区为鼠丘补播草地,5 号样区为施肥草地。研究区内原生态草地类别为高寒草甸,垂穗披碱草(Elymus nutans)为其区域优势植被物种。放牧家畜以甘加羊、牦牛为主。
1.2 野外采样数据
野外采样点布设如图1b 和表1 所示,在研究区内选择13 个与MOD13Q1 植被指数产品栅格所对应的区域作为外业观测样地,范围大小为250 m×250 m。每个观测样地中选取30 m×30 m 范围作为样方采样点布设区(图2)并且在每个设置区域4 个角点和中心点设置0.5 m×0.5 m 大小的样方5 个。2013−2016年间,每年7月初至8月底开展野外观测工作,该时间段内研究区草地处于生长旺季。4年来开展野外观测4 次,观测样地48 个,样方240 个(表1)。每个样方中AGB 采集采用齐地面刈割的方法,收集草地群落全部地上部分,采集的样品置于透气的布袋,带回实验室在64 ℃恒定温度的烘箱中烘干至恒重,利用电子天平称重并记录每个样方草地生物量干重,以同一样地中所有样方的草地生物量干重的平均值表征样地草地生物量情况,用于后期草地生物量预估模型的建立。除此之外,采样记录的内容包括采样点的经度、纬度、地面高程、海拔高度、覆盖面积、草地地上部分生物量等指标。此外,在研究内随机选取20 个地面控制点,用于后期卫星遥感资料的几何精校正。
表1 研究区遥感影像及外业调查时间Table 1 Date remote sensing image and field survey
图1 研究区概况Fig.1 Overview of the study areaa 为研究区位置;b 为草地AGB 采样点分布;c、d 和e 分别为研究区2013年8月8日Landsat 8 OLI 真彩色合成图像以及Landsat 8 OLI 和MOD13Q1 NDVI 植被指数。a is the location of the study area;b is the distribution of AGB sampling sites in grassland;c,d and e are the real-color composite images of Landsat 8 OLI,NDVI of Landsat 8 OLI and MOD13Q1 in the study area on August 8,2013.
图2 研究区采样点分布Fig.2 Distribution of sample sites in the study area
1.3 遥感数据获取及其预处理
本研究所涉及的遥感数据包括MODIS MOD13Q1 NDVI 植被指数产品和Landsat 8 OLI 卫星遥感数据资料,两种遥感数据资料收集和预处理均在谷歌地球引擎平台(Google Earth Engine,GEE)上云处理完成,利用JavaScript 语言整理搜集2000−2016年所有Landsat 影像及与其过境时间对应的MODIS NDVI 植被指数产品数据。在实现数据融合之前,对MODIS、Landsat 和数据质量进行检测,以去除云及阴影对运算结果的影响。研究区内被云、雪或阴影区域作为低质量的栅格被裁剪。本研究中,根据低质量栅格比例,将低质量栅格占比高于5%的MODIS 和Landsat 数据对不参与融合运算。研究区数据统计结果如图3 所示,共收集394 对数据对,其中Landsat 低质量栅格数小于5%的影像144 景,大于5%的影像124 景,缺失影像126 景。最终将两类遥感资料的投影转化为Albers,以供后期数据融合使用。
图3 MODIS 和Landsat 影像数据Fig.3 MODIS and Landsat image data
1.4 STARFM 算法
遥感数据的融合主要采用时空适应反射率融合算法(spatial and temporal adaptive reflectance fusion model,STARFM)[15],该算法首先通过同一时间(t1)的MODIS 和Landsat 影像,获取影像空间分布的差异,再结合另外一个时间(t2)的低分辨率影像MODIS 对Landsat 进行预测,在预测过程中采用滑动窗口来减少低分辨率遥感数据像元边界的问题,利用给空间距离、光谱距离和时间距离赋权重值的办法,获取滑动窗口中心像元值。其计算过程可用如下公式表达:
式 中:(xi,yi)为 像 元 点 坐 标,w表示活动窗口的 栅 格 数,L(xw2,yw2,t2)表示t2时刻Landsat NDVI 的预测值,M(xi,yj,t2)表示t2时刻MODIS NDVI 的值,L(xi,yj,t1)表示t1时刻Landsat NDVI 的值,M(xi,yj,t1)表示t1时刻MODIS NDVI 的值。Wijk表示权重,即滑动窗口w内像元对预测值的贡献,由光谱距离(Sijk)、时间距离(Tijk)、空间距离(Dijk)3 项来确定,其计算公式为:
本研究中使用R 语言下利用STARFM v.1.2.1 算法[15]生成2000−2016年空间分辨率为30 m,时间分辨率为16 d 的高分辨率NDVI 植被指数产品,所有数据的融合均在GEE 云端完成,供下一步草地地上生物量遥感估测模型的构建和动态反演使用。
1.5 生物量模型构建及其精度检验
将研究区实地采样的生物量数据作为因变量,与生物量采样时间所对应的Landsat NDVI(NDVILandsat)、MODIS NDVI(NDVIMODIS)和融合后NDVI(NDVISTARFM)产品分别作为自变量,使用SPSS 统计分析软件分别将基于NDVILandsat、NDVIMODIS和NDVISTARFM的线性、对数、指数和乘幂4 类回归模型进行构建。本研究使用留一法交叉验证(leave-one-out cross validation,LOOCV)的方法来评估单因素参数模型的表现能力,该方法可以有效地泛化模型。将所有的自变量及其对应的因变量以等样本数n的方式分为n份,进行交叉验证,每次选取1/n的样本作为测试数据集,用来验证模型的估测能力,剩下的样本作为训练集用来构建草地生物量估测模型。利用每次测试集来验证训练集模型的误差,每次构建模型后利用测试集数据计算模型预测值与观测值之间R2和均方根误差(root mean square error,RMSE),重复选取测试集和训练集n次,直到所有的样本都在测试集和训练集中出现为止,模型的估测能力用n次运算得到的R2和RMSE 的平均值表示,R2值越大,RMSE 越小,模型的精度越高。其中RMSE 的计算公式为:
式中:yi为测试集草地地上生物量观测值,y′i为测试集草地地上生物量预测值,地上生物量值的单位为kg·hm−2。
此外,由于研究区面积较小,且各样地内草地生长状况比较单一,变化较小。因此,本研究以2013 与2016年全部样点的生物量的平均值作为真实值计算出5 个研究区的总生物量。将处于不同遥感资料下的AGB 反演模型得出的结果作为反演值,分别计算绝对误差和相对误差,在不相同的3 种模型下分别评价整个研究区及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如下:
式中:Δ 代表生物量的绝对误差,x代表模型计算的总生物量,l表示来源地面实测点计算的生物量,δ 表示相对误差(%),生物量值的单位为kg·hm−2。
1.6年际动态变化分析
基于1.3 和1.4 中NDVILandsat、NDVIMODIS和NDVISTARFM的研究区最优草地生物量估测模型,计算2000−2016年每年生长季最大AGB,并利用Slope 变化趋势分析法分析了17年来草地最大生物量年际动态变化趋势[23]。Slope 计算公式如下:
式中:i表示年份,取值范围为1~17,Biomassi表示第i年生长季最大草地生物量,n表示累计观察的年份为17。
2 结果与分析
2.1 研究区实测生物量与对应植被指数统计分析
2013−2016年研究区实测草地AGB 及其所对应3 种植被指数统计性分析结果如表2 所示,研究区内NDVILandsat、NDVIMODIS和NDVISTARFM3 类植被指数变化情况相似,标准偏差(standard deviation,STD)介于0.08~0.11 之间,变异系数(coefficient of variation,CV)介于0.13~0.17 之间,3 类植被指数中,NDVILandsat的平均值最大,为0.77,其次依次为NDVIMODIS和NDVISTARFM。而研究区内草地地上生物量随着气候和生长期的变化产生剧烈的变化,4年来STD 高达972.60 kg·hm−2,CV 为0.42。生物量最高达3997.33 kg·hm−2,最小仅为745.52 kg·hm−2,平均值为2299.30 kg·hm−2。
表2 研究区植被指数和草地生物量统计性描述Table 2 Statistical description of vegetation index and grassland biomass in the study area
2.2 生物量估算模型及精度检验
基于LOOCV 检验的NDVILandsat、NDVIMODIS和NDVISTARFM3 类植被指数所构建的线性、对数、乘幂和指数模型的精度情况如表3 所示。在4 类模型中,由乘幂模型所建立的草地生物量预估模型精度最高,该模型R2介于0.24~0.76,RMSE 介于634.83~937.79 kg·hm−2,其次精度由高到低依次为指数模型和对数模型,而线性模型精度最低,R2介于0.17~0.65,RMSE 介于586.72~917.21 kg·hm−2。3 类植被指数中,基于NDVILandsat的4 类模型精度均优于NDVIMODIS和NDVISTARFM所对应的模型,R2介于0.65~0.76,RMSE 介于576.76~665.32 kg·hm−2,其次为NDVISTARFM和NDVIMODIS。所有模型中基于NDVILandsat的乘幂模型精度最高,R2达0.76,RMSE 为634.83 kg·hm−2;其次为基于NDVISTARFM的乘幂模型,R2为0.58,RMSE 为795.62 kg·hm−2;而基于NDVIMODIS最佳草地生物量预估模型在3 类植被指数中最低,R2仅为0.24,RMSE 高达937.79 kg·hm−2(表3)。
表3 研究区草地生物量回归模型精度检验Table 3 Accuracy validation of biomass regression models in study area
对3 种植被指数的最佳草地生物量估测模型参数估计进行T 检验和回归显著性F检验,结果如表4 所示。3 种植被指数的最佳预估模型全通过了显著性水平P<0.001 的F检验和T 检验,3 种植被指数中最优预估模型公式如表5 所示。
表4 最优反演模型参数T 检验和回归显著性F 检验Table 4 T test and F test for optimal inversion model
表5 基 于NDVILandsat、NDVIMODIS 和NDVISTARFM 最 优AGB 估 测模型Table 5 The optimal AGB estimation model based on NDVILandsat,NDVIMODIS and NDVISTARFM
2.3 研究区生物量反演模型精度验证
如表6 所示,对于整个研究区而言,基于NDVILandsat最优估测模型估算的草地AGB 绝对误差和相对误差均最小,分别为3.45万kg 和7.75%,其次为基于NDVISTARFM的最优估测模型反演结果,其绝对误差和相对误差分别为5.75万kg 和15.95%。而基于NDVIMODIS最优估测模型的反演结果精度最低,其绝对误差达9.89万kg,相对误差达22.22%。就5 个样区而言,1~4 号样区内基于NDVISTARFM最优估测模型的反演误差最小,其次依次为基于NDVILandsat和NDVIMODIS的最优估测模型;而5 号样区中基于NDVILandsat最优估测模型反演误差最小,其次为基于NDVISTARFM和NDVIMODIS的最优估测模型反演误差。
表6 基于NDVILandsat、NDVIMODIS和NDVISTARFM最优估测模型的研究区草地产草量的精度评价Table 6 Accuracy evaluation of the inversion biomass based on NDVILandsat,NDVIMODIS and NDVISTARFM
2.4 研究区草地AGB年际动态变化
基于NDVISTARFM和NDVIMODIS最优估测模型反演2000−2016年研究区年最大草地AGB,并分析其时空动态变化状况,结果如图4 所示。基于NDVISTARFM最佳估测模型的Slope 动态变化分析结果显示,17年来研究区大部分草地AGB年增加量大于30 kg·hm−2,面积约占整个研究区面积的91.90%,主要分布在人类活动干扰较少的区域;年增加量在10~30 kg·hm−2之间的区域占整个研究区面积的3.82%,主要位于离居民地较远的道路、河道和沟谷地区;区内年变化量保持基本不变和减少的区域分别占整个研究区面积的1.96%和2.30%,位于研究区内居民聚集区及其周边地区。基于NDVIMODIS反演的草地AGB 在过去17年的变化趋势空间分异误差较大,且与NDVISTARFM最佳估测模型分析结果差异较大。基于NDVIMODIS最优估测模型计算的Slope 结果表明,研究区内35.60%的区域草地AGB 的年变化量处于10~30 kg·hm−2之间,年增量大于30 kg·hm−2的区域占3.53%。年变化量在−10~10 kg·hm−2之间的区域占46.71%,而年减少量在10 kg·hm−2以上的区域仅占14.14%。
图4 基于NDVISTARFM和NDVIMODIS最优估测模型反演的草地AGB年最大值slope 动态变化Fig. 4 The slope dynamic variation of annual maximum grassland AGB based on the optimal estimation model of NDVISTARFM and NDVIMODISa 和b 分别为基于NDVIMODIS和NDVISTARFM 最优估测模型反演的草地AGB年最大值slope 动态变化;AGB年变化量单位为kg·hm−2·year−1。a and b are the slope dynamic variation of annual maximum grassland AGB based on the optimal estimation models of NDVIMODIS and NDVISTARFM,respectively;The unit of annual variation of aboveground biomass is kg·hm−2·year−1.
3 讨论
3.1 MODIS NDVI 在高寒草地AGB 遥感估测中的局限性与展望
MODIS 数据因其具有较高的时间分辨率(每天)和空间覆盖范围(2330 km),在青藏高原高寒草地AGB 遥感估测中得到广泛的应用[12,24−27]。然而受空间分辨率的影响(250~1000 m),在草地AGB 的估测研究中尚存在较大误差[9,14]。因此,探索基于MODIS 数据高精度的草地生物量遥感估测新途径,对于提高大区域草地遥感反演的精度具有重要意义[9]。本研究中,基于时空融合算法获取了NDVISTARFM数据集,从而提高了MODIS NDVI 植被指数的空间分辨率,减少了土壤背景值对植被指数的影响,使研究区草地AGB 的总体预测精度提高了28.35%。除此之外,基于MODIS NDVI 的草地AGB 遥感估测模型的改进还可以从以下几个方面开展:1)通过增加样地内观测样方的数量和面积,来提高观测样地空间代表性,从而减少地面采样与卫星影像像元之间空间尺度的不匹配性[23,28];2)根据卫星影像成像时间,合理安排野外调查时间,尽可能减小地面调查与卫星影像获取之间的时间差异;3)结合新的遥感观测技术(如无人机高光谱遥感监测技术),加强草地植被群落光谱特征研究和窄波段遥感植被指数在草地AGB 遥感监测中的应用[29−30];4)基于遥感植被指数、土壤、地形、气候因子和生物物理指标等因子,结合多源统计模型和机器学习算法构建草地AGB 估算模型[14,31−32]。
3.2 STARFM 融合在本研究中的不足
常用的MODIS NDVI 数据时间分辨率较高,但空间分辨率低(分辨率低于250 m),生物量遥感估测模型精度低;Landsat NDVI 数据具有30 m 空间分辨率,生物量遥感估测模型精度高,但是重访周期长(16 d),且易受云雨等天气因素影响,无法获取连续时间序列的高质量植被指数数据集。因此结合多源遥感资料和数据融合算法是提高草地生物量遥感估测的重要途径。Gao 等[15]结合高空间分辨率(185 m×185 m)的Landsat 和高时间分辨率(每天)的MODIS 建立了STARFM 时空适应性反射率融合模型,此方法将两种来源的遥感数据进行地球表面反射率的融合估测,已经在监测地物季节性变化[33],提高蒸散、总初级生产力(gross primary productivity,GPP)分析精度[34]及提高分类精度方面得到成功应用[35]。从图5 中可以看出MODIS 数据的空间分辨率较低(图5a),而Landsat 数据又时常受到云和阴影影响(图5b),在STARFM 融合下,提高了植被指数空间分辨率,并且一定程度上改善了云雨及阴影干扰的问题(图5c)。然而,就本研究而言,STARFM 算法在研究区草地AGB 估测中还存在一些不足和不确定性,首先本研究只探讨了Landsat 和MODIS NDVI 融合数据产品,并未探讨其他植被指数和波段对研究区草地AGB 的估测情况,Meng 等[9]的研究结果表明,研究区内MODIS EVI 对草地AGB 的估测精度更高。此外,孟宝平等[13]研究表明基于Landsat 8 OLI band7/band5 比值植被指数对高寒草甸植被比较敏感,然而本研究并没有讨论此类植被指数与MODIS 数据的融合产品对AGB 的估测情况,因此探索研究区内其他植被指数或敏感波段融合数据对草地生物量预测精度的作用是下一步研究的重点方向。其次,利用STARFM 对长时间序列数据进行融合运算时,数据量较大,运算速度较慢,对数据运算平台要求较高,本研究基于前期研究经验,选择在GEE 平台对数据进行云运算,大幅提高了数据处理进程。
图5 3 种NDVI 对 比Fig.5 Three types of NDVI comparison(a)为MODIS NDVI,(b)为Landsat NDVI,(c)为融合后NDVI。(a)is MODIS NDVI,(b)is Landsat NDVI,(c)is NDVI after fusion.
3.3 样区的绝对误差和相对误差的数据选择
利用研究区各样区内草地生物量总差来检验模型估测精度时,应选取草地生长状况均一,具有代表性的样区(利用单产乘以样区面积作为整个样区草地AGB 的真实值)。在本研究中,各样区2013−2016年草地地上生物量统计性分析结果如表7 所示。结果表明,2015年各样区内样方的草地生物量STD 和CV 在4年内最低,该年产草量总体偏低,可能与气候影响有关,仅为2263.90 kg·hm−2,属于异常年份。故该年产草量不能作为验证数据。此外,同时对比2013,2014 和2016年各样地草地生物量状况,2014年5 个样区内样方生物量的STD 和CV 值多大于2013 和2016年,故该年研究区内草地生长均匀程度不如2013 和2016年。因此,本研究仅选取2013 和2016年的实测数据去验证模型反演产草量精度。
表7 各年份的实测数据统计性分析Table 7 Statistical analysis of measured data in each year
4 结论
本研究通过结合Landsat 和MODIS NDVI 数据,利用STARFM 时空数据融合算法和GEE 云计算平台,生成了2000−2016年甘南州夏河县研究区时间分辨率为16 d,空间分辨率为30 m 的NDVI 数据集合。在此基础上建立了研究区高寒草甸AGB 估测模型,探讨了高寒草甸AGB 时空动态变化状况。主要得到以下结论:1)在基于NDVISTARFM的4 类遥感估测模型中,乘幂模型的精度最高,其R2和RMSE 分别为0.58 和795.62 kg·hm−2,相较于MODIS NDVI 所构建的最佳草地AGB 估测模型,R2提高了0.34,RMSE 减少了142.17 kg·hm−2;2)NDVISTARFM最优估测模型对草地产草量的估测精度次于NDVILandsat最佳估测模型,而优于NDVIMODIS最佳估测模型,其绝对误差和预测精度分别为5.75万kg 和84.05%;3)2000−2016年研究区草地生物量超出90%的区域展现出增加的变化趋势,相较于MODIS NDVI 最优AGB 估测模型,基于NDVISTARFM最优估测模型可以精确、详细的反演研究区草地生物量时空变化特征。