青藏高原草地生物量遥感动态监测

方 金，黄晓东，王 玮，于 惠，马琳雅，梁天刚

(兰州大学草地农业科技学院 农业部草地农业生态系统学重点实验室，甘肃 兰州 730020)

草地占地球陆地面积的40.5%，在全球碳循环中具有十分重要的作用[1]。在我国，天然草地的面积占国土面积的42.05%[2]。天然草地是青藏高原牧区非常重要的可更新资源，它不仅是草地畜牧业的物质载体，而且在维持区域生态环境方面具有重大意义[3]。近年来，草地荒漠化、沙化等草地退化问题越来越严重[4]。因此，对草地生物量研究显得尤为重要。草地生物量的遥感监测与传统方法相比，具有效率高、速度快、成本低且不伤害植株的优点[5]。目前，草地生物量的遥感监测已经成为一个热门课题，草地地上生物量的估算为确定合理的草地载畜量提供了科学依据[6-9]，并且在保障畜牧业生产发展和保护生态环境方面具有重要意义。

随着遥感技术的发展，草地遥感估产技术和方法也将继续发展，基于遥感数据和方法的草地估产模型更加趋于成熟，其应用也将向草原生态系统、草地退化监测、草地植被生长监测等领域扩展[10]。中分辨率成像光谱仪 (moderate resolution imaging spectroradiometer,MODIS)资料主要应用于土地覆盖、土地利用、植被生态和自然灾害监测[11-14]等方面。近几年，利用MODIS资料开展的生物量的遥感监测方面的科学研究也越来越全面。梁天刚等[15]利用2006-2008 年甘南牧区草地调查资料和Terra/MODIS 每日地表反射率产品MOD09GA，建立了草地地上生物量遥感反演模型，分析了甘南州及各县草地资源在2001-2008 年期间的各旬、月和年的生物量及理论载畜量变化动态。冯蜀青等[16]利用EOS/MODIS进行牧草产量监测，建立了牧草产量监测模型，该模型可用于监测青海省牧草生长状况，并对牧草产量变化进行评价，为畜牧业生产提供决策依据。徐希孺和金丽芳[17]利用NOAA资料较好地推算了内蒙古锡林郭勒盟的草地生物量。杨英莲等[18]指出，牧草产量和MODIS增强型植被指数 (enhanced vegetation index,EVI) 之间有较高的相关性，并且得出利用指数函数建立产量模型效果较好。另外，生长旺季建立的模型相关性明显好于生长初期或末期[19]。渠翠平等[20]比较了利用增强型植被指数和归一化植被指数 (normalized difference vegetation index,NDVI) 反演生物量的优缺点，发现在反演生物量时增强型植被指数要优于归一化植被指数。

本研究主要分析不同植被盖度下NDVI、EVI与生物量之间的相关性，建立基于不同植被盖度下NDVI和EVI的草地生物量估测模型，并分析选取出最优模型，用来估测青藏高原地区的草地生物量，为合理利用青藏高原牧区草地资源提供科学依据。

1 研究区域概况

研究区草地类型主要包括低地草甸类、高寒草甸类、高寒草原类、高寒灌丛类、山地草甸类、温性草原类、温性荒漠类、沼泽草甸类、高寒荒漠类等。其牧草品质优良具有高蛋白、高脂肪、高无氮浸出物及高产热值和低纤维素“四高一低”的特点，已成为我国发展草地畜牧业的主要基地之一[21-22]。同时，青藏高原草地是世界唯一的高寒生物种质资源库，高原生物具有强大的抗逆基因和特殊种性，由于该地区海拔高、气候恶劣及草地生态系统的低效、脆弱等特性，一经破坏，则极易丧失而且无法补救[23-24]。所以，利用遥感技术对该地区草地生物量进行监测，具有极其重要的意义，可以为进一步改善青藏高原草地生态系统提供科学依据。

图1 青海省样点分布图

2 数据的获取与处理

2.1MODIS数据的获取 MODIS是美国国家宇航局(National Aeronautics and Space Administration，NASA)发射的地球观测系统(earth observing system，EOS)中最主要的传感器之一，有36个离散光谱波段，每条轨道扫描宽度约2 300 km，地面分辨率为250、500、1 000 m。由于MODIS的光谱分布和数据特点，近年来已受到国内外许多学者的广泛关注，利用MODIS数据在土地覆盖、冰雪变化、荒漠化监测、沙尘监测以及地表净辐射和病虫害监测等方面开展了大量的研究[25-27]。本研究所使用的MODIS植被指数数据(MOD13A3)均来自对地观测系统数据共享平台(EOS data gateway)，空间分辨率为1 km，每个月生成一幅数字合成图像，时间序列为2002-2008年，共计84幅EVI和84幅NDVI数字图像。

2.2地面样方数据的获取 野外调查样点主要分布在青海省(图1)。分别于2005年8-9月和2006年的8-9月期间，共计调查样地389个、样方646个，样地设置主要选择在草地植被空间分布比较均一、可以代表较大范围的典型地段。每个样地内设置1～3个1 m×1 m的样方，在植被群落一致性较好的样地内设置1～2个，当样地植被比较复杂分布不均匀时，设置2～3个。在每个样方内，记录样点的隶属行政区、草地类型、坡度、坡向和利用状况等，同时利用GPS测定样方的经纬度和海拔，并在样方内采用常规植被调查法测定植被盖度、草层平均高度、植物种数、不可食牧草种数、总产草量和可食牧草产量等。

2.3植被指数数据的处理 MODIS植被指数的计算公式如下所示。

归一化差值植被指数计算公式：

(1)

式中，ρNIR和ρRed分别为经过大气校正的近红外和红光通道的反射值。NDVI可以消除大部分与仪器定标、太阳角、地形、云阴影和大气条件有关辐照度的变化，增强对植被的响应能力，是目前已有的40多种植被指数中应用最广的一种。尽管NDVI得到广泛的应用，但许多研究也表明，NDVI也受到定标和仪器特性、云和云影、大气、双向反射率、土壤及叶冠背景、高生物量区饱和等因素影响，其应用受到限制[28]。

增强型植被指数其计算公式：

(2)

式中,ρNIR、ρRed和ρBlue分别为经过大气校正的地面反射率；L=1，为土壤调节参数；C1和C2分别为6.0和7.5，可通过Blue修正大气对Red的影响。

EVI对原始数据经过较好的大气校正，所以EVI的设计避免了基于比值的植被指数的饱和问题。同时，利用蓝光和红光对气溶胶散射存在的差异，采用“抗大气植被指数”可进一步减小气溶胶的影响，采用“土壤调节植被指数”可减少土壤背景的影响，耦合以上两种植被指数，开发了同时减少大气和土壤背景影响的增强型植被指数[29]。EVI的合成，是以数据质量为基础，优先选择晴天时传感器视角小的像元。EVI在这些方面的改进，为遥感定量研究提供了更好的基础。

利用MODIS数据重投影工具软件(MODIS reprojection tools，MRT)，将下载的数据进行格式和地图投影转换，同时完成图像的空间拼接。在ArcMap软件中使用双线性差值方法提取各样方位置点对应的MODIS影像的EVI和NDVI值，并对提出的EVI和NDVI值作归一化处理。

2.4草地生物量遥感监测模型的建立与验证 主要研究方法包括：1)建立地面实测数据不同盖度下生物量与两种植被指数的散点图，模拟出关系最强函数公式。2)利用ArcMap中的ToolBox中的MOD工具，建立生物量遥感监测模型，并计算生成研究区模拟生物量影像。3)计算各样点对应的实测值和模拟值之差，通过比较其绝对平均误差和绝对标准差确定最优模型。4)利用最优模型反演草地地上生物量，生成研究区2002-2008年逐月平均生物量数字图像。

3 结果与讨论

3.1NDVI和EVI与草地地上生物量的相关性 对草地盖度进行分段，在每级植被盖度下，分别建立了NDVI和EVI与2006年8-9月实测数据之间的反演模型(表1)。结果表明，两种植被指数和草地生物量的相关性随着草地盖度的增大而逐渐变强，说明草地盖度是影响草地生物量遥感建模的关键因子之一；当草地盖度很低(小于20%)时，NDVI与草地生物量的相关性要强于EVI；当盖度大于20%时，EVI与草地生物量之间的相关性明显强于NDVI。通过上述结果可以确定，增强型植被指数的算法在减少大气和土壤背景影响后的确优于NDVI。因此，本研究利用EVI建立研究区草地地上生物量监测模型，用以反演研究区草地的生物量。

3.2模型的精度分析 利用反演模型(表1)，分别计算研究区基于EVI值的2005年8月草地模拟生物量，将模拟值与2005年8月地面实测值进行比较，并对该组数据进行统计分析(表2)。结果表明，不同植被盖度下模型反演值与实测值的绝对平均误差介于1 699.9～3 439.2 kg/hm2，当研究区植被盖度为90%～99%时，反演值的绝对平均误差最小；绝对标准差介于1 696.8～2 427.6 kg/hm2，当盖度为100%时，绝对标准差最小。虽然当盖度为100%时最大差值与最小差值都比较高，但是标准误差更能反映对比结果的可靠性，而且比平均误差更能表现数值的离散程度，所以本研究选取绝对标准差值最小的模型作为研究区草地地上生物量反演的最优模型(表2)，即：y=17 891x1.714 0，R2=0.542。

表1 青海地区的草地生物量与EVI和NDVI之间的关系

表2 青海省不同盖度下模型精度分析

3.3模型的反演与分析 利用研究区最优生物量反演模型模拟并分析研究区不同类型草地的逐月平均生物量。研究区4月份牧草开始返青，7-8月是全年牧草的生长旺季，达到盛草期，月平均生物量最高达到6 089.7 kg/hm2(图2)。7-8月研究区日照时数较长，雨水充沛，因此是适合草地生长和放牧的最佳时期。9月之后牧草进入枯黄期，生物量逐渐下降，到10月末达到最小值。从11月到次年的4月是草地的枯萎期，此时研究区草地生物量均低于2 000.0 kg/hm2。植被进入生长期后，由于草地类型的不同，月平均生物量也开始出现了分层。高寒灌丛类、山地草甸类、高寒草原类为第1层，月平均生物量相对其他类型较高；剩下的高寒草甸类、高寒草甸草原类、山地草原类、温性草原类、沼泽草地类这5种草地类型的月平均生物量为第2层；低地草甸类、温性荒漠类是研究区月平均生物量相对较低的第3层，生产力水平较弱。

因为研究区每年8月为草地的盛草季，草地的生物量达到最大，因此选取2002-2008年每年8月的不同草地类型平均生物量来反映研究区2002-2008年草地生物量变化动态。对不同草地类型的平均生物量曲线进行分析(图3)，结果表明，研究区不同草地类型盛草季地上生物量也表现出不同的生产力水平，其中，高寒灌丛类、高寒草甸类、山地草甸类以及高寒草甸草原类的生产力水平较高，2002-2008年，生物量均超过了3 000 kg/hm2；高寒草原类、山地草原类、温性草原类以及沼泽草甸类的生产力水平较低，地上生物量在1 800～3 400 kg/hm2；低地草甸类与温性荒漠类的生产力水平最低，地上生物量都小于1 300 kg/hm2。不同草地类型生物量的年季变化略有不同，在2002-2008年，生产力较高的草地类型都表现出生物量先上升后下降的趋势，从2007年开始，高寒灌丛类和高寒草甸类生物量下降尤为剧烈；生产力水平较低的几类草地类型，虽然生物量表现出明显的年季震荡，但生产力水平基本上保持稳定，没有发生明显的变化；生产力水平最低的低地草甸类和温性荒漠类，生物量基本上没有发生变化，表现比较稳定。综上所述，生产力水平越高，草地类型的年季变化越剧烈，说明该种类型的草地类型受气候变化的影响越大；生产力水平越低的草地类型，则对气候变化的敏感度较低。当然，草地生产力水平的下降，还受到其他方面的影响，比如过度放牧、人为干扰、不合理的利用方式等，还需要深入研究。

图2 青海省不同草地类型生物量月季反演图

图3 2002-2008年青海省不同草地类型生物量年度变化

利用最优模型和青藏高原2008年8月EVI的影像反演出青藏高原2008年8月生物量的图(图4)，按照青藏高原草地资源等级将产量分为如下7个等级，<750、750～1 500、1 500～3 000、3 000～4 500、4 500～6 000、6 000～7 500、>7 500 kg/hm2。研究区生物量的分布具有连续性，且自西北向东南方向生物量呈逐渐增加的趋势。西北大部分区域生物量小于750 kg/hm2，从西北往东南生物量逐渐增加，东南大部分地区生物量普遍在4 500～6 000 kg/hm2。而生物量高于6 000 kg/hm2的区域相对比较少，主要分布在东南边界区域。参考研究区的草地类型资料，研究区西北方向主要是生产力较弱的高寒荒漠类、高寒荒漠草原类和裸地，因此草产量少也是符合实际的；中间部分主要为高寒草原类、高寒草甸类和高寒草甸草原类，这几类草地类型相对高寒荒漠和高寒荒漠草原类的产草量要高；而东边及东南方向大部分为温性草原类、山地草甸类、高寒灌草丛类和低地草甸类等产草量较高的草地类型。研究区生物量反演图像基本上反映了不同草地类型的分布状况，而且能够很好地反映该地区的草地生长情况。

4 结论与展望

本研究表明，植被指数与草地生物量的相关性随着草地盖度的增大，两者的相关性逐渐增强，而且EVI与草地生物量的相关性强于NDVI。建立不同盖度下EVI与草地生物量的相关模型，并利用地面实测资料对所有模型进行精度验证，选取了研究区最优草地生物量反演模型，并利用模型计算出了研究区2002-2008年逐月平均生物量，研究结果很好地反映了草地的生长状况。对不同草地类型的生物量的对比分析表明，研究区不同草地类型按照生产力水平可以大致分为3层，生产力水平越高，年季变化越明显，说明该类草地对气候变化较敏感；生产力水平较低的草地类型对气候变化较不敏感。

图4 青藏高原2008年8月生物量反演图

此次地面调查数据主要选在牧草生长的旺季(8-9月)，对建立生物量反演模型存在一定的不确定性。植被在一年的生长过程中受到很多因素的影响，比如气候、降水量、光照等，所以在以后的研究中应该逐月对草地进行采样调查，由此建立的模型将更具科学性。气象数据以及放牧管理数据的引入，也会对草地生产力水平变化的原因做出很好的解释。

[1]王娓，彭书时，方精云.中国北方天然草地的生物量分配及其对气候的响应[J].干旱区研究，2008，25(1):90-97.

[2]许鹏.草地资源调查与规划[M].北京：中国农业出版社，2000:137-138.

[3]刘艾，刘德福.我国草地生物量研究概述[J].内蒙古草业，2005，11(1):7-11.

[4]刘占宇，黄敬峰，吴新宏，等.草地生物量的高光谱遥感估算模型[J].农业工程学报，2006，22(2):111-115.

[5]王新欣，朱进忠，范燕敏，等.基于MODIS-NDVI的天山北坡中段草地动态估产模型研究[J].草业科学，2009，26(7):24-27.

[6]辛晓平，张保辉，李刚，等.1982-2003年中国草地生物量时空格局变化研究[J].自然资源学报，2009，24(9):1582-1592.

[7]李聪，肖继东，曹占洲，等.应用MODIS数据估算草地生物量[J].干旱区研究，2007，24(3):386-391.

[8]张凯，郭铌，王润元，等.甘南草地地上生物量的高光谱遥感估算研究[J].草业科学，2009，26(11):44-50.

[9]史培军，陈晋，王平，等.内蒙古锡林郭勒盟草地地上生物量估算的地学模型研究[A].中国北方草地畜牧业动态监测研究(一)[M].北京:中国农业科技出版社，1993:98-108.

[10]李海亮，赵军.草地遥感估产的原理与方法[J].草业科学，2009，26(3):34-38.

[11]柳海鹰，高吉喜，李政海.土地覆盖及土地利用遥感研究进展[J].国土资源遥感，2001(4):7-12.

[12]朱会义，何书金，张明.土地利用变化研究中的GIS空间分析方法及其应用[J].地理科学进展,2001(2):104-110.

[13]骆剑承，杨忠恩.利用NOAA-AVHRR资料对浙江省植被生态环境进行动态监测研究[J].国土资源遥感，1993(2):10-16.

[14]黄晓东，梁天刚.牧区雪灾遥感监测方法的研究[J].草业科学，2005，22(12):10-16.

[15]梁天刚，崔霞，冯琦胜，等.2001-2008年甘南牧区草地地上生物量与载畜量遥感动态监测[J].草业学报，2009，18(6):12-22.

[16]冯蜀青，刘青春，金义安，等.利用EOS/MODIS进行牧草产量监测的研究[J].青海草业，2004，13(3):6-10.

[17]徐希孺，金丽芳.利用NOAA-CCT估算内蒙古草场产草量的原理与方法[J].地理学报，1985，40(4):333-346.

[18]杨英莲，邱新法，殷青军.基于MODIS增强型植被指数的青海省牧草产量估产研究[J].气象，2007，33(6):102-106.

[19]王正兴，刘闯，Alfredo H E.植被指数研究进展：从AVHRR-NDVI到MODIS-EVI[J].生态学报，2003，23(1):979-987.

[20]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[J].生态学杂志，2008，27(11):2028-2032.

[21]张镱锂，李炳元，郑度.论青藏高原范围与面积[J].地理研究，2002，21(1)：1-7.

[22]鲍文.青藏高原草地资源发展面临的问题及战略选择[J].农业现代化研究，2009，30(1):20-23.

[23]赵新全，张耀生，周兴民.高寒草甸畜牧业可持续发展理论与实践[J].资源科学，2000，22(4):50-61.

[24]壬无怠.青藏高原草地生产发展战略商榷[J].科学·经济·社会，2002，18(11)：12-15.

[25]香宝，刘纪远.基于遥感和GIS的东亚土地覆盖年际变化研究[J].中国图像图形学报，2002，7(10):1017-1020.

[26]霍艾迪，张广军，武苏里，等.利用MODIS-NDVI进行厦华土地评价研究[J].干旱区农业研究，2008，26(2):154-158.

[27]戴昌达.植物病虫害的遥感探测[J].自然灾害学报，1992(2):40-46.

[28]李霞，崔霞，黄晓东，等.北疆不同草地类型MODIS植被指数的时空变化研究[J].草业科学，2007，24(9):5-11.

[29]Huete A,Didan K,Miura T,etal.Overview of the radiometric and biophysical performance of the MODIS vegetation index[J].Remote Sensing of Environment,2002,83:195-213.