基于多源遥感数据的草地生物量反演

雷 瑛，刘园园

(1.甘肃省基础地理信息中心，甘肃 兰州730030；2.中国地质调查局自然资源综合调查指挥中心，北京100055)

0 引言

草地分布在全球范围内,是陆地生态系统的核心组成部分。我国草地资源极其丰富,其覆盖国土面积的比例高达60%以上,天然草地在陆地面积中占据了41.7%的比例[1]。草地蕴含着巨大的生物储量,对于维护生态平衡、碳汇、水循环、改善土壤性质、维护草原生态系统、指导放牧决策等都具有重要意义[2]。维持草地生物储量的稳定,对于生态环境的健康和持续发展起到积极的促进作用。

1960年新发明的遥感技术被人们用在草原出草量变化的监测[3]。80年代起,利用美国国家海洋大气局的第三代实用气象观测卫星TIROS-N/NOAA所采集的遥感数据,国外已开始对草原植被盖度进行监测研究;利用美国国家航空航天局(National Aeronautics and Space Administration,NASA)的陆地卫星(Landsat)主题成像仪(TM)数据对阿根廷的草退化进行了研究[4]。80年代初,我国引入了遥感技术,使我国的草原生态研究取得了一定进展。赵冰茹等[5]利用美国宇航局研制的中分辨率成像光谱仪系列的归一化植被指数(Normalized Digital Vegetation Index,NDVI)。何矣等[6]采用线性回归方法探讨了美国陆地卫星计划的第八颗卫星(Landsat8)影像与地上生物量之间的关系。传统的监测手段依赖人工上报,频次不高,不够及时;仅依靠单一卫星遥感数据进行遥感反演应用存在很多局限。

有学者认为,尝试多源卫星遥感数据的协同反演,可以克服单一卫星情况下遥感图像中出现多云雾等不可抗力因素的干扰,同时也消除了原始遥感数据的缺陷和噪声,对遥感图像融合有着很大的帮助[7]。近年来,作物生长评估地类变化监测等领域用多时间分辨率遥感图像融合取得了成功。例如,文献[8-9]利用时间分辨率更高的中分辨率成像光谱仪(Moderate-resolution Imaging Spectroradiometer,MODIS)多光谱图像和空间分辨率更高的Landsat多光谱图像进行融合,在农作物的产量监测和长势分析中得到了成功的应用。在模型的选择方面,除了常用的多元回归模型,还可以用机器学习等其他方法对此进行计算,其中,随机森林(Random Forest,RF)算法表现出最佳的性能,达到了0.85的高精度[10]。虽然上述方法不同程度尝试提升生物量反演的成功率及精度,但是由于遥感数据时间序列连续性低及构建经验关系的地面采样数据稀疏导致的反演成功率及精度的问题仍有待进一步提升,而这一问题在高分辨率遥感领域更为突出。

随着遥感技术的发展,较高影像分辨率和较短成像周期在生物量定量估测中起到了重要作用。Landsat8采用陆地成像仪(Operational Land Imager,OLI)作为传感器类型,其时间分辨率为16 d,空间分辨率为30 m,可获得更多无云的高品质影像,从而提高对地球环境的认知和保护能力[11-12],在全球变化监测中具有重要作用。我国首个高分辨率卫星高分一号(GF-1),标志着我国卫星技术的重大进步,它搭载全色和多光谱2台组合相机,重访周期短、时相多,在农业生态环境观测中起到重要作用[13]。高分四号(GF-4)卫星发射至36 000 km的地球同步轨道上,卫星搭载了50 m分辨率的可见光、400 m分辨率的中波红外相机,通过凝视成像光学相机进行高空对地观测,该技术具备在特定区域长期保持静止观测的能力,可广泛应用于灾害风险预警预报、林火灾害监测、地震构造信息提取和气象天气监测等多个领域[14]。基于当前遥感数据反演草原生物量面临的问题,结合大量在轨且具有高分辨率的各种光学卫星观测,本文将利用Landsat8、GF-1、GF-4和环境数据,通过多源数据方案初步提升星基遥感参数,比如NDVI时间序列的连续性;然后,通过地理学第一理论思想,将稀疏的、空间不一致的地面采样数据与目标位置的遥感参数建立空间对应关系,从而构建具有较好时空连续性的星基遥感参数时间序列与地面采样生物量时间序列的时空匹配。

本文构建了从遥感参数到地面实测草地生物量的经验模型,实现了基于多源遥感数据的大范围草地生物量的景区估算。研究内容包括以下几个部分:第一部分分析了当前草地生物量研究的进展和面临的问题,针对问题提出解决方案;第二部分介绍了研究数据、理论基础、研究方法和研究流程;第三部分对实验结果进行验证及评价,讨论不同方法的优缺点,确定本文方法的特点;第四部分讨论了本文的创新点,明确了存在的不足,并提出未来的工作重点。

1 材料与方法

1.1 研究区概况

研究区位于青海省黄南藏族自治州河南蒙古族自治县(河南县)境内,平均海拔3 650 m,此处阳光充沛、辐射强度高、热量较低、气温差异显著。研究区位于高寒气候区,受地形影响,气候空间分布不均衡。夏季湿润,冬季干冷,平均气温在-1.35 ℃左右,该地区年均日照2 530～3 100 h,而年降雨量则平均达到579.50 mm[15]。由于气候条件的差异,研究区植被类型也呈现出空间分布的不均衡性,中西部以高寒草甸和高寒草原为主,而东部以山地草甸为主。整体上属于典型的高寒草地,频繁发生自然灾害和极端天气,导致生态系统的脆弱性和易损性增加,同时对气候变化表现出高度敏感性,进而引发草地年际产量的剧烈波动。为保护好生态环境,促进经济发展,需要建立完善的草原生态系统监测预警体系。为确保草原生态系统的可持续发展,必须建立一套完备的监测预警机制,以保障生态环境的健康和经济的繁荣。研究区草场面积65.62万hm2,草场可利用面积60.88万hm2,占草场面积的92.78%,在全国范围内属于典型的生态脆弱带之一,是我国重要的畜牧业基地。因为人类活动的频繁和气候变暖等因素的影响,草原的生态系统已经遭受了严重的破坏,其中以草地沙化和盐渍化最为突出,是影响牧区生态安全的重要因素之一。在高寒草甸、山地草甸、灌丛草甸、沼泽草甸和疏林草甸五大草场类型中,天然草场总面积的94.19%被山地草甸和灌丛草甸2种草场类型所占据。

1.2 数据来源

1.2.1 草原生物量样方数据

本文实测数据样品的采集时间为2018年5—8月,根据行政区划、植被类型和坡度坡向等需要,共获得193个地面实测样本数据,包括经纬度、海拔高度、行政区划、地貌类型、坡度、植被种类、土壤类型等信息,在每个样点选取大小为50 cm×50 cm的随机样方,齐地剪取所有地上植被,获取地上生物量鲜重,将样本带回并放入75 ℃恒温烘箱中40 h烘干至恒重后称干重,计算单位面积地上生物量。样方的分布情况如图1所示,样方基本信息如表1、图2和图3所示。

图1 研究区范围示意及实测样方分布(影像采用已处理的成像时间为2018-08-24的GF-1全彩色影像)Fig.1 Map of the study area and the distribution of mea-sured sample plots (The image used is a pre-processed full-color image from GF-1 satellite,captured on August 24, 2018)

表1 实测样方信息

图2 实测样方土壤分布Fig.2 Distribution of measured soil samples

图3 实测样方采集时间统计图Fig.3 Statistical diagram of measured data collection time

1.2.2 遥感数据获取与处理

本文根据遥感影像数据的特点,利用3种遥感影像数据,分别为Landsat8、GF-1、GF-4遥感卫星。为了保证影像数据成像时间与地面数据调查时间尽量一致,研究选取了2018年5—8月覆盖研究区实测点及全域、云量≤30%的多源遥感影像,共11景,遥感卫星的具体信息如表2所示。利用遥感图像处理平台(ENVI)软件,对遥感影像的相关数据实施预处理,多源遥感影像数据处理为NDVI的效果如图4所示[16]。

表2 遥感卫星信息

(a)Landsat8 OLI NDVI (2018-05-09)

(b)GF-4 NDVI (2018-05-15)

(c)Landsat8 OLI NDVI (2018-05-25)

(d)Landsat8 OLI NDVI (2018-06-10)

(e)Landsat8 OLI NDVI (2018-06-26)

(f)Landsat8 OLI NDVI (2018-07-12)

(g)GF-4 NDVI (2018-07-16)

(h)Landsat8 OLI NDVI (2018-07-28)

(i)Landsat8 OLI NDVI (2018-08-13)

(j)GF-1 NDVI (2018-08-24)

(k)Landsat8 OLI NDVI (2018-08-29)

1.2.3 其他数据

考虑到气候因素对当地高寒植被的影响,收集了当地2018年的气象数据作为变量参与RF模型的拟合中。所使用的气象数据包括气温(Temperature,Tem)、降水(Precipitation,Pre)、湿润度指数(K)、实际蒸散量(Actual Evapotranspiration,EVP)和辐射干燥度(Radiation Dryness Index,RDI)五类。环境变量的处理方法为:从2018年青海省气象台站下载逐日降雨量、气温、经度、纬度和海拔等数据;将逐日数据经过处理,转化为逐月数据。其中,降雨量被处理成总和值,而气温则处理成平均值;使用专业气象插值软件ANUSPIN4.36将气象数据插值为研究区的数据;用地理信息平台(ArcGIS10.2)处理研究区数据,得到研究区2018年的气象数据集。

采用数字高程模型(Dynamic Effect Model,DEM)作为高程数据源和气象数据空间插值的协变量,以实现更高级别的数据处理和分析。地理高程数据集——Shuttle Radar Topography Mission 3(SRTM3)提供了DEM数据,其空间分辨率达到了90 m。具体处理方法为:首先,从网站上下载得到包含中国全部地上国土的DEM图像,格式为hgt;然后,在ArcGIS10.2中对全部图像进行格式转换,将其转换为.geotiff格式,并拼合成一幅新的图像;最后,使用研究区边界剪裁得到研究区的DEM数据。环境变量和DEM信息如表3所示。

表3 环境变量

1.3 研究方法与路线

本文基于Landsat8和GF-1/4多源遥感数据融合技术,获取时序精度较高时空连续性及空间分辨率的NDVI时间序列,通过时空匹配方法与各样地实测草地生物量建立时空对应关系,分别拟合草地生物量反演模型并检验拟合精度,进而估算研究区的草场生物量,并讨论草地生物量的时空分布规律。具体包括以下几个步骤:① 星基NDVI时间序列与地面样方草地生物量的时空匹配,分析通过时空匹配方法建立的2个参数的时间序列的相关性是否满足反演精度需要;② 进行生物量模型构建;③ 基于地理学第一定律思想,尝试将构建的各个生物量反演模型推广到整个空间范围,实现区域草地生物量反演。技术路线如图5所示。

图5 技术路线Fig.5 Technical roadmap

1.3.1 多源卫星驱动的NDVI与稀疏样方数据时间序列的时空匹配

NDVI时序建立及与实测样方草原生物量的匹配植被指数是根据植被反射波段的特性算出能够体现地表植物生长状况的指标,计算方便。从草地地上生物量估算出发,植被指数需要满足以下条件:波段反射率对绿色植被足够敏感;红光受到叶片吸收,波段反射率处于低值;在近红外波段,叶片对近红外光反射相较其他波段更强。有研究结果表明, NDVI和比值植被指数(Ratio Vegetation Index,RVI)对绿色植被变化灵敏,能较好地反映出草地的覆盖度、生物量,与地上净初级生物量相关性较好[17]。根据实测生物量样点坐标信息以及实测数据的获取时间,排除大气、云层、土壤等环境因素的影响,本文主要应用NDVI作为自变量参与草地生物量模型拟合。NDVI的计算方法如下:

NDVI=(NIR-R)/(NIR+R) ,

(1)

式中:NDVI为归一化植被指数,R为红光波段的地表反射率,NIR为近红外波段的地表反射率[18]。

基于式(1)计算获取了研究区2018年5—8月的高分辨率NDVI数据时间序列;然而样方草原生物量数据因人工低效导致无法与NDVI时间序列在相同空间位置实现高时间频率的匹配,导致2个问题:① 生物量估算模型的构建效率低下;② 基于样方草原生物量模型的构建如何推广到更大区域。

本文引入时空匹配模型,通过该模型,在研究区构建单个网格像元为0.2 m×0.2 m的格网,如图6所示。将网格内的样方生物量与同时刻同位置的NDVI(Landsat8和GFs 16 m)数据进行匹配;基于地理学第一定律,认为0.2 m像元内的植被反映的物候特性相同,包括其NDVI与生物量的物候变化规律。

图6 构建研究区格网(影像采用已处理的成像时间为2018-08-24的GF-1全彩色影像)Fig.6 Creating a grid network for the study area (The image used is a pre-processed full-color image from GF-1 satellite, captured on Au- gust 24, 2018)

1.3.2 生物量估算模型构建

(1)基于时间序列的一元回归模型

一元回归模型预测草地生物量与植被指数之间存在的关系,与多元回归模型相比,一元回归模型更容易理解和解释。通过简化模型,可以减少模型错误,更好地理解数据模式和趋势。

在建立草地生物量一元线性模型中,选定像元生物量作为因变量,选取遥感影像提取的NDVI作为自变量,利用EXCEL散点图分别拟合一元回归模型,一元回归方程为:

f(xNDVI)=kxNDVI+b,

(2)

式中:xNDVI为NDVI的值,k、b为参数,可以通过散点图拟合获取。

本文采用了十折交叉验证法来提高模型的精确度和适用性。具体方法是将样本集按照1∶1的比例分成训练集和测试集,共有98个样本用于训练集,95个样本用于测试集,利用上述公式建立实地采样数据和变量之间的一元回归模型,各时点影像对应的一元回归模型公式如表4所示。

表4 一元回归模型构建结果

(2)RF模型

RF模型是分类器,其输出的类别是由个别树输出的类别的众数而定。

针对一个输入样本,N棵树所呈现的分类结果数量为N。在这种情况下,如何对其进行选择和排序是非常重要的问题。在此情形下,对其进行筛选和排列是一项至关重要的任务。为了解决这个问题,提出了一种基于RF的聚类方法来帮助用户确定最适合的类。RF综合了所有的分类投票结果,筛选出投票次数最多的类别作为最终的输出,这一引导聚集算法(Bagging)的理念在实践中得到了广泛的应用,本文采用Bagging算法的公式如下:

(3)

式中:M为数据集的规模,m为样本个数,x为环境、植被指数等变量因子。

RF能够避免过度拟合的问题,并且能够很好地适应数据的变化,让预测精度更高并且还能让泛化能力更强[19-20]。

本文使用RF模型来建立生态环境反演模型,通过2.1节中环境变量与实测草地生物量的相关性分析可以看出,环境变量与研究区生物量的相关性较大,该模型包括气象因子、地形因子和植被因子等10个环境变量。本文以随机1∶1的比例构建实测数据训练集和测试集,选取Lansat8、GF-1、GF-4卫星遥感参与建模。

1.3.3 估算区域草地生物量

基于地理学第一定律,为了计算大区域草地生物量,将研究区划分为较小的网格,计算一个网格中心点与样本点中最近的点之间的距离,利用最小距离空间插值的方法,将样本点对应位置的反演模型扩展到每个网格,用已知点的草地生物估算模型计算最近距离网格的草地生物量,进而估算整个研究区的草地生物量分布情况。最小距离计算如下:

(4)

式中:(x1,y1)为草原生物量模型坐标位置变量,(x2,y2)为目标像元的位置变量。当d最小时,使用距离目标像元最近的草原生物量模型驱动目标像元的草原生物量。

1.4 模型精度评价

决定系数(R2)和均方根误差(RMSE)是2个广泛使用的评估模型优劣的指标,有助于对模型的性能进行定量评估。通过对这2个参数的比较,对2种方法在模拟研究中的优缺点进行了评估,并通过实例分析验证了其结果的合理性。衡量模型对观测数据的解释能力,可以采用R2来衡量其拟合程度,这一指标能够反映出模型的适用性。同时还可根据实际应用需要,确定最佳参数值,使其具有更好的效果。在不同的环境条件下,对该模型进行了模拟实验。R2的取值被限制在[0,1]。在不同的情形下,R2所蕴含的意义是多种多样的。随着R2值的增加,模型对观测数据的拟合程度得到了显著提升,从而有效增强了其预测能力。本文将以具体案例为例,探讨如何运用最小二乘支持向量机回归算法进行模型构建和预测。一项衡量模型预测值与实际值差异的指标是RMSE,当RMSE减小时,模型预测结果与实际结果之间的误差将减小,从而提升了模型的预测能力。为了保证该指标能够达到较高的数值,就需要根据具体的应用条件确定合理的权重系数和最小二乘估计量的参数估计参数。通过计算,得出了在不同精度要求下选择最优权重系数和加权最小二乘估计参数的方法,为研究提供了有益的参考。为了验证这些选择方法的有效性,本文分别对2种常用的最小二乘法——直接法和间接法作了对比分析。R2和RMSE的计算如下:

(5)

(6)

2 结果与分析

2.1 NDVI与实测草地生物量相关性分析

相关分析是研究2个要素相互间密切程度的一种常用的统计方法,为了选取地上生物量反演模型变量,将采用空间匹配以后的NDVI与生物量时间序列进行相关性分析,本文得到的2018年5—8月河南县实测样本的草地生物量与NDVI拟合情况如图7所示。

图7 实测样方数据与NDVI相关性分析图Fig.7 Correlation analysis between measured data and NDVI

图7建立了草地生物量与NDVI的相关性矩阵,分析了2018年5—8月河南县的实测草地生物量与NDVI的相关性, R2的平均值为0.479, RMSE为1.827 kg/km2,说明河南县草地生物量与NDVI之间存在较显著的正相关关系,同时表明,基于时间序列的NDVI与样方生物量相关性可靠,能够用于进一步的生物量评价,是河南县草地生物量反演的一种有效方法,有助于更好地监测和评估草地资源的利用和管理。

通过将环境变量与地上生物量进行相关性分析,选择相关性高的因子作为RF模型的变量,本文计算环境变量与实测草地生物量的相关性系数,结果如表5所示。

表5 环境变量因子与实测样本相关性分析Tab.5 Correlation analysis between environmental variable factors and measured samples

通过相关性分析发现,除了DEM、RDI与实测样本数据为负相关外,其余皆为正相关,Pre4-10、Tem4-10变量与实测样本数据的相关性较好,这些环境因子有助于更好地理解环境条件对草地生物量状况的影响,从而为生态环境监测和保护提供有力支持。

2.2 与RF方法的比较

本文对2018年5—8月获取的实测生物量数据进行筛选,在剔除异常值和离群值后,得到193个有效生物量数据参与模型的模拟,这就可以确定生物量估算模型,并对模型精度进行评价。采用一元回归模型和RF模型2种估算方法,对模型精度进行验证与评价,结果如表6所示。

表6 一元回归模型草地生物量反演精度

由表6可以看出,在一元线性的回归模型当中, R2平均值为0.75, RMSE平均值为1.10 kg/km2,RMSE相对较小,可信度高,可以说明以NDVI为自变量、训练样本草地生物量为因变量,按时空匹配拟合的模型效果较好、精度较高。同时,利用预留的95个样本用于测试集,用R2和RMSE对一元线性回归模型的数据结果进行验证,验证结果中, R2的平均值为0.49,RMSE平均值为3.50 kg/km2,测试模型的R2较训练集的稍低,总体拟合效果较好。

通过对数据的总体分析发现,按影像时间序列拟合的一元线性回归模型在6月反演生物量模型的精度更高,主要因为6月是一年中植被生长最旺盛的时期,植被生长的速度和稳定性都比其他月份更好,因此,模型对这一时期的生物量预测更加准确;同时,6月植被的生物量变化与其他生物量变化有较强的相关性,这使得模型能够更好地捕捉到生物量之间的相关性,从而提高模型精度;由于6月是植被生长的旺季,获取的影像数据往往具有较高的质量,模型在这一阶段的预测更加可靠。

表7为Landsat8、GF-1、GF-4遥感卫星RF模型反演后训练集和测试集的反演精度。

表7 RF模型草地生物量反演精度

通过表7可以发现,基于RF模型训练结果Landsat8卫星(R2=0.36,RMSE=11.46 kg/km2)的测试集精度相对GF-1卫星(R2=0.33,RMSE=25.911 kg/km2)、GF-4卫星(R2=0.17,RMSE=20.92 kg/km2)更好,但相关性较小。Landsat8训练集和测试集的RMSE最低,相比GF-1、GF-4表现更好。

利用2个估算模型拟合结果与实测生物量进行相关性分析,如图8和图9所示。

(a)一元线性回归模型拟合结果与实测生物量(0509)

(b)一元线性回归模型拟合结果与实测生物量(0515)

(c)一元线性回归模型拟合结果与实测生物量(0525)

(d)一元线性回归模型拟合结果与实测生物量(0610)

(e)一元线性回归模型拟合结果与实测生物量(0626)

(f)一元线性回归模型拟合结果与实测生物量(0712)

(g)一元线性回归模型拟合结果与实测生物量(0716)

(h)一元线性回归模型拟合结果与实测生物量(0728 )

(i)一元线性回归模型拟合结果与实测生物量(0813)

(j)一元线性回归模型拟合结果与实测生物量(0824)

(a)随机森林模型拟合结果与实测生物量(Landsat8)

(b)随机森林模型拟合结果与实测生物量(GF-1)

(c)随机森林模型拟合结果与实测生物量(GF-4)

通过图8一元回归模型拟合结果与实测生物量散点分布情况,以及图9 RF模型拟合结果与实测生物量散点分布情况可以看出,2种模型拟合的草地生物量与实测生物量分布较分散,但均具有一定的相关性。

对比上述一元回归模型及RF模型的精度可以发现,按时序构建的一元回归模型相比RF模型,R2更高,RMSE也相对较小,具有更高的模型精度,每个时刻具有较好的拟合结果,选取该模型,可更好地估算研究区在一个时间序列上的生物量。RF模型由于进入了更多的环境变量,能够避免过度拟合的问题,并且能够很好地适应数据的变化,但该模型的精度较低,因此,综合考虑,选定一元回归模型为反演研究区草地生物量模型。

2.3 反演河南县2018年生长季草地生物量

通过对研究区草地生物量模型精度的验证,选取一元回归模型作为估算研究区生物量的模型,利用1.3.3节的最近距离空间插值法,将反演模型导入到每个网格,估算整个研究区的草地生物量分布情况,如图10所示。

(a)研究区估算草地生物量(2018-05-09)

(b)研究区估算草地生物量(2018-05-15)

(c)研究区估算草地生物量 (2018-05-25)

(d)研究区估算草地生物量 (2018-06-10)

(e)研究区估算草地生物量(2018-06-26)

(f)研究区估算草地生物量(2018-07-12)

(g)研究区估算草地生物量(2018-07-16)

(h)研究区估算草地生物量(2018-07-28)

(i)研究区估算草地生物量(2018-08-13)

(k)研究区估算草地生物量 (2018-08-29)

由图10可以看出研究区域内显著的空间和时间层面上的差异。在空间维度上,草地的地上生物量会因地势的起伏而产生波动;而在时间维度上,草地的地上生物量会伴随着植被的发育和成熟而发生变动。每年的7—8月,植被步入成熟期,此时草地的生物量也将进入旺盛增长阶段。通过上图可以看到,生物量的估算也遵循了植被的生长规律。

综合分析研究区地形、地势和水土条件等因素,计算得到研究区内每个乡镇的年平均草地生物量,基本呈现自东向西、自东南向西北递减的趋势,与水热条件分布一致,如表8所示。

表8 研究区草地生物量统计

托叶玛乡(43.61 kg/km2)、赛尔龙乡(42.24 kg/km2)、柯生乡(41.94 kg/km2)、优干宁镇(41.38 kg/km2)、多松乡(40.62 kg/km2)、宁木特镇(39.65 kg/km2),其中托叶玛乡草地生物量较高的主要原因与该区域位于研究区东南方向的地理位置、水热条件分布较西北更好等因素有关。

3 结束语

本文聚焦于多源卫星遥感数据,从多源遥感数据融合切入,通过一个新颖的时空匹配方法将星基NDVI时间序列与稀疏的实测样方生物量数据建立时空对应的时间序列对,从而实现高精度草原生物量模型的构建;进一步地,基于地理学第一定律思想,将构建的草原生物量点模型推广到整个研究区,实现区域草原生物量的精确反演。通过验证,比较传统的时空不一致的卫星观测与实测样方数据拟合的方案(RF拟合方法),本文方法不但精度更加可靠,且实现了较精确的区域草原生物量估算,实现了河南县大区域草地生物量的时空分布制图,并对该区域草地生物量时空分布情况进行了分析。

通过本文,在草地生物量的估计方面,利用多源遥感数据对草地生物量进行反演,可以弥补传统单一多光谱遥感数据源的局限,提高草原遥感估产精度,为北方草原资源调查、监测、管理及合理利用提供有效技术支撑。

但由于本文的研究数据有限,可能无法代表整个草地生态系统的生物量分布情况。在研究中仅考虑了植被指数与生物量之间的关系,暂未考虑其他影响生物量的因素,如土壤类型、群落套件等,生物量反演模型的精度还有待进一步提高,以满足更精确的生物量估算需求。基于此,在本文的基础上,将进一步扩大研究区域,以获取更全面的草地生态系统生物量分布信息;引入其他影响因素,建立更完善的生物量估算模型;探索更高精度的遥感数据融合方法,以提高生物量反演模型的精度。