新疆伊犁地区草地植被地上生物量遥感反演

张旭琛，朱华忠，钟华平*，程耀东,靳瑰丽，邵小明

(1.兰州交通大学，甘肃 兰州 730070；2.中国科学院地理科学与资源研究所，北京 100101；3.新疆农业大学，新疆 乌鲁木齐 830052；4.中国农业大学，北京 100083)



新疆伊犁地区草地植被地上生物量遥感反演

张旭琛1,2，朱华忠2，钟华平2*，程耀东1,靳瑰丽3，邵小明4

(1.兰州交通大学，甘肃 兰州 730070；2.中国科学院地理科学与资源研究所，北京 100101；3.新疆农业大学，新疆 乌鲁木齐 830052；4.中国农业大学，北京 100083)

本文以伊犁地区146个草地样地调查数据为基础，结合遥感及气象数据，进行草地植被地上生物量与NDVI、EVI、海拔、年均降水、年均气温、积温、干燥度、湿润指数等因子的回归分析。并通过各因子对地上生物量影响权重参数分析和加权融合，运用ArcGIS软件，反演分析了新疆伊犁地区草地植被地上生物量的空间分布特征。结果表明,新疆伊犁地区草地平均产草量约为704.96 kg/hm2，与20世纪80年代全国草地调查数据相比，产草量有所下降。草地植被地上生物量与各项因子具有较好的相关性，反演结果与伊犁地区的地形、地貌、气候特征基本吻合，反映了伊犁地区草地植被的空间分布特征。地上生物量反演结果得到验证，预测值与实测值之间相关系数(R2)为0.8532；均方根误差(RMSE)为216.559 kg/hm2，偏离度为22.92%，可以为新疆伊犁地区草地资源合理利用与评价提供参考。

草地植被；地理信息系统；地上生物量；遥感反演

长期以来，生态系统生产力一直是生态学研究的一个重要方向[1]。在草地生态研究领域，长期的定位研究和不同区域草地资源的大量调查，为草地生态系统结构功能与生产力评价提供了基础[2-3]。并且基于不同基础数据，国内许多学者对我国草地植被总生物量(或碳储量)进行了估算[4-8]，同时基于遥感模型还给出了我国草地植被生物量的空间分布格局[9]。但是，由于受研究方法、数据来源、观测资料等条件的限制，全国草地植被生物量的估算还存在很大的不确定性[10]。并且随着草地资源调查向草地生态系统功能评价发展，传统的草地群落学方法逐渐满足不了在区域尺度上对草地动态监测和草地生态环境评价研究的需求。在时效性方面跟不上草地动态监测的节奏，在区域研究上又遇到数据尺度转换带来的不确定性瓶颈。与传统的草地生态学方法相比，草地遥感技术能够获取全时段与草地植被相关的遥感数据信息，弥补时效性和全面性的不足。

早期的草地生物量遥感反演多采用NOAA/AVHRR数据计算归一化植被指数(NDVI)来监测草地植被生产力的动态变化，认为牧草生长期的地上生物量与NDVI密切相关[11]。随着遥感数据的不断完善，更多的学者利用Landsat TM和NOAA/AVHRR结合，建立NDVI与草地生物量之间的回归模型，来监测植物生长和生物量估算[12-13]。进一步促进了我国草地植被生物量研究的发展[14-17]，也奠定了对草地动态监测和草地生态系统功能评价的基础[18-26]。特别是随着高光谱遥感技术的应用，高光谱遥感数据、TM/ETM、MODIS数据和植被指数方法在植被生态监测方面得到广泛应用，在地面植被遥感与应用研究中表现出强大优势[27-30]。

新疆伊犁地区作为我国重点牧区，是我国草地遥感研究最活跃的地区之一。包括草地分类体系[31]，草地产草量遥感动态监测[32-35]，草地退化等方面的研究[36-37]，为新疆草地遥感研究奠定了基础。杨红飞等[38]关于新疆草地生态系统净初级生产力方面进行了研究，从数据多元化、模型应用、到草地生产力时空格局分析，把握了新疆草地遥感研究的总体水平。然而，多数研究认为：运用MODIS- NDVI对草原植被状况进行模型估测的方法，尽管能够合理地表征植被的状况，但很难获得植被投影盖度产量的真值，表现为NDVI对高植被区具有较低的灵敏度[39]。如在相同的NDVI取值中，高寒草甸和山地草甸生物量有着不一样的表达，需要有草地类型梯度变化分析的参与。因此，利用草地类型遥感光谱特征，辅以海拔、坡向、坡度、水、热、土壤等因子对草地的影响分析，对解决草地类型由于“同谱异物、同物异谱”现象而不易区分的难题是可行的[40]。这种多尺度与空间统计分析方法的结合也逐渐成为草地遥感研究的热点[41]。

本研究则以MODIS数据为基础，辅以海拔、年降水、年均气温、积温、干燥度、湿润指数等数据，对新疆伊犁地区草地植被地上生物量反演进行初步尝试，为探讨新疆草地植被地上生物量的分布规律提供参考。

1 材料与方法

1.1 研究区概况

伊犁州地处东经80°09′42″-84°56′50″，北纬42°14′16″-45°50′30″，位于欧亚大陆腹地新疆天山北坡西部山区的伊犁河谷。属温带大陆性气候，年平均气温10.4℃，年日照时数2870 h，年降水量417.6 mm，是新疆最湿润的地区。伊犁河谷自然条件优越，农、牧业发展优势显著，农畜产品丰富，是新疆的粮仓和全国著名的牧区[42]。天然草场资源丰富，总面积约2×107hm2。

1.2 野外调查与采样

根据对伊犁地区草地类型的分布特点、草地利用方式、利用强度等方面的综合评估，在全区范围内进行146个草地样地的设置，于2013年7月-9月对全部样地进行实地定位，并对样地进行样方调查与采样(图1)。

对草地样地用GPS记录并保留每一样地的路径信息(航迹)，详细记录其经纬度坐标、海拔、地形、植被类型、群落名称、利用方式、利用强度等信息，并对样地的景观、群落及物种进行拍照和编号。依据代表性原则，选择代表整个样地植被、地形及土壤等特征的地段，设置3个样方，调查样方内所有草本植物的总盖度、群落高度、地上生物量、凋落物生物量和地下生物量，并进行草地表层土壤容重调查，分层采集土壤分析样品。

地上生物量用收获法将样方内植物所有绿色部分用剪刀齐地面剪取，分物种按样方分别装进信封袋，带回室内，在65℃下烘干后称重。样品量较多时，在野外先称总鲜重，然后取部分鲜样品，称其鲜重后分装信封袋，带回室内，烘干称重，获得干重系数，换算成样方地上生物量干重。样方面积为1 m×1 m，3个重复。

凋落物：在做完地上生物量的样方内，用手将地表当年的凋落物和立枯捡起，小心去除凋落物上附着的细土粒，按样方分别装入信封内，用铅笔做好标记。在野外称量鲜重后带回室内，在65℃下烘干后称量干重。

地下生物量：在做完凋落物的样方内，清理样方土壤表面的残留物和杂质，用内径为66 mm的土钻按0～10 cm、10～20 cm、20～30 cm分层采集土壤样品3钻，分层混合后按样方分装在0.37 mm的尼龙袋纱袋中，并用塑料标签写好样方号和层次，带回室内或在野外有条件的河流进行漂洗，将漂洗后的净根系样品分装信封，用铅笔做好标记，在65℃烘箱烘至恒重后称量干重，并换算成1 m×1 m样方的地下生物量。

1.3 数据来源及处理

本文涉及的基础数据包括90 m数字高程模型(DEM)栅格数据，多年平均的500 m空间分辨率的气候栅格数据，2011年250 m空间分辨率的MODIS数据，以及新疆伊犁地区146个样地的调查数据。

气候数据包括1957-2010年多年平均的年均气温(Ta)、年平均降水量(Pa)、≥0℃年积温、≥10℃年积温、干燥度、湿润指数等500 m空间分辨率栅格数据。数据由中国科学院遥感所提供，经过Foxpro预处理的全国气象站点的气象数据在Arc/Info中转为站点的图层(coverage)，再利用反向距离加权平均的方法内插出全国空间分辨率为500 m×500 m的栅格数据。

遥感数据所用250 m空间分辨率MODIS数据为来自美国地质调查(USGS)的归一化植被指数(NDVI)与增强型植被指数(EVI)每16 d数据产品(MOD13Q1)。数据覆盖的时间范围为2011年7月至8月与2012年7月至8月。MODIS NDVI和EVI采用16 d最大值合成方法(maximum value composite，MVC)生成，利用ArcMap软件进行格式转换、拼接、投影转换和再拼接，生成气候数据与投影坐标数据相一致。

1.4 分析方法

将新疆伊犁地区146个样地调查的地上生物量数据通过K-S检验，地上生物量数据符合正态分布，采用SPSS 17.0对数据进行统计分析。同时，根据野外调查的146个草地样地的地理坐标，提取相应样地的NDVI、EVI、海拔、年均气温、年降水、≥0℃年积温、≥10℃年积温、干燥度、湿润指数等数值，与地上生物量生成数据集，用于地上生物量与各因素之间的相关回归分析。

将146个样地数据分为2组，约2/3数据经归类平均化后，进行地上生物量与各因素之间的相关回归分析和建立回归方程。同时，运用主成分分析法，分析各要素对地上生物量影响权重参数，构建多数据源的综合评价模型(1)。最后采用ArcGIS软件进行插值分析，反演1 km分辨率的新疆伊犁地区草地植被地上生物量的空间分布图。另1/3数据用于对最终反演结果进行验证。

(1)

式中，P表示为地上生物量，i为生态因子，Wi为某生态因子对地上生物量的影响权重参数，Yi为某生态因子与地上生物量的回归方程。

反演精度评价方法主要选择均方根误差(RMSE)、偏离度(E)和线性回归的复相关系数(R2)来评价反演预测值与实测值之间的可信度。

(2)

(3)

2 结果与分析

2.1 新疆伊犁地区草地植被地上生物量统计分析

根据草地样方调查数据统计分析，146个草地样地主要包含有低地草甸、高寒草甸、山地草甸、温性草甸草原、温性草原、温性荒漠化草原、温性草原化荒漠和温性荒漠8个主要草地类型(表1)。新疆伊犁地区草地平均产草量约为704.96 kg/hm2，其中低地草甸产草量最高，高寒草甸产草量最低；打草场平均产草量在1278.37 kg/hm2以上；放牧场(含温性草原、温性草甸草原、山地草甸)平均产草量在625.6 kg/hm2左右；荒漠类草原(温性荒漠草原、温性草原化荒漠、温性荒漠)平均产草量在374.70 kg/hm2左右；高寒草甸平均产草量在213.6 kg/hm2左右，与20世纪80年代全国草地调查数据相比，产草量有下降趋势。

表1 伊犁地区2013年主要草地类型地上生物量统计结果

2.2 草地植被地上生物量与各要素回归分析

根据相关性统计分析表明，新疆伊犁地区草地植被地上生物量与NDVI、EVI、海拔、年降水、年均气温、积温、干燥度、湿润指数等要素之间复相关系数(R2)平均达0.7，有较强的相关性。从图2中可以看到：地上生物量随着年降水量、 NDVI和EVI的增加逐渐升高； 与海拔、 湿润指数、年均气温、 ≥0℃年积温、≥10℃年积温、干燥度的增加呈∩型变化趋势。这与新疆伊犁地区草地类型分布规律相吻合，在海拔1050 m以下，主要为温性荒漠化草原或温性荒漠，地上生物量较低；在海拔3000 m以上，平均气温与积温较低，地上生物量也较低；在海拔1500～2500 m，主要分布有山地草甸、草甸草原，多为打草场，相对而言地上生物量较高。

2.3 单因素驱动下的新疆伊犁地区草地植被地上生物量反演

根据地上生物量与NDVI、EVI、海拔、年降水、年均气温、积温、干燥度、湿润指数等要素的回归方程，通过Spatial Analyst工具-地图代数-栅格计算器，反演出伊犁草地植被地上生物量(图3)。

从图中可以看到，根据海拔、年均气温、≥0℃年积温、≥10℃年积温、NDVI、EVI等要素的地上生物量反演结果有很好效果。而年降水量、干燥度、湿润指数等要素地上生物量反演的效果不是很理想，主要与年降水量、干燥度、湿润指数等基础数据的质量有关。

图2 地上生物量与不同要素的回归分析

图3 单因素的地上生物量反演

续图3 单因素的地上生物量反演Continued Fig.3 The above-ground biomass inversed with each factor

要素Factor权重参数Weightingparameters要素Factor权重参数Weightingparameters海拔Altitude0.300干燥度Aridity0.025年均气温Averageannualtemperature0.150湿润指数Humidityindex0.025≥0℃年积温≥0℃temperature0.0508月EVI指数EVIindexinAugust0.025≥10℃年积温≥10℃temperature0.0258月NDVI指数NDVIindexinAugust0.300年均降雨Averageannualrainfall0.100

2.4 地上生物量综合反演

图4 草地地上生物量综合反演结果Fig.4 The above-ground biomass of grassland with integrated model

为了平衡各要素对地上生物量的影响，运用主成分分析法，分析了NDVI、EVI、海拔、年降水、年均气温、积温、干燥度、湿润指数等各项因子对地上生物量影响权重参数，融合各因子对伊犁地上生物量贡献(表2)。采用加权统计分析方法，运用ArcGIS软件进行插值分析，反演1 km分辨率的新疆伊犁地区草地植被地上生物量的空间分布图(图4)。

从反演的地上生物量空间分布图分析，新疆伊犁地区草地植被地上生物量呈明显的地带性分布规律：高海拔地带的高寒草甸产草量在500 kg/hm2左右；低海拔地带的荒漠化草原和温性荒漠产草量在500 kg/hm2以下；海拔为1500～2000 m的半山地带的山地草甸和草甸草原产草量在1300 kg/hm2左右。昭苏县、特克斯县、新源县以及尼勒克县地上生物量分布较高；而霍城县、察布查尔锡伯自治县、巩留县以及伊宁县处在河谷地带，地上生物量较低。

通过对反演的地上生物量数据进行频度统计分析(图5)，反演数据符合正态分布。最高值为1839.34 kg/hm2，频度分布最大值的地上生物量为1200～1300 kg/hm2，而500 ～1600 kg/hm2的地上生物量数据占总生物量的88%，与伊犁地区草地平均地上生物基本吻合。

2.5 新疆伊犁地区草地植被地上生物量反演结果验证

本文用另一组57个样地的样方数据与反演数据进行相关性分析(图6)。结果表明，其散点分布基本聚集在1∶1周边，估计值与实测值之间的相关系数R2=0.8532；相关方程斜率为1.0039，趋近于1。方差分析结果，F值为319.785，P<0.001，表明回归极显著。估计值与实测值之间的均方根误差(RMSE)为216.559 kg/hm2，总体偏离约为22.9257%，平均预测精度达80%。

图5 地上生物量频度分布Fig.5 Frequency distribution of the above-ground biomass

图6 反演数据与实测数据相关关系Fig.6 Relationship of the simulated data with the measured data

3 结论

1)调查统计分析表明，新疆伊犁地区草地植被地上生物量平均704.96 kg/hm2，与第一次全国草地资源调查产草量比较：山地草甸、草甸草原、温性草原、打草场产草量趋于稳定；而荒漠草原、温性荒漠及高寒草甸产草量有下降趋势。

2)新疆伊犁地区草地植被地上生物量与NDVI、EVI、海拔、年降水、年均气温、积温、干燥度、湿润指数等各项因子具有一定的相关性，相关系数R2平均达0.7以上；但单因子的地上生物量反演并不完全有较好的效果，这与各要素的原数据质量有关系。

3)采用多数据源对新疆伊犁地区草地植被地上生物量在空间上的反演，可以反映伊犁地区草地植被地上生物量的分布规律。反演结果得到检验，并通过与实测数据的验证，预测精度约80%，可以为新疆伊犁地区草地资源合理利用与评价提供参数。

[1] Fang J Y, Liu G H, Xu S L. Biomass and net production of forest vegetation in China. Acta Ecologica Sinica, 1996, 16(5): 479-508.

[2] Feng Z W, Wang X K, Wu G. The Biomass and Productivity of Forest Ecosystem China[M]. Beijing: Science Press, 1999: 1-6.

[3] The Ministry of Agriculture Animal Husbandry and Veterinary Department of The People’s Republic of China. Rangeland Resources of China[M]. Beijing: China Agriculture Press, 1994.

[4] Ni J. Carbon storage in terrestrial ecosystems of China: estimates at different spatial resolutions and their responses to climate change. Climatic Change, 2001, 49(3): 339-358.

[5] Ni J. Carbon storage in grasslands of China. Journal of Arid Environments, 2002, 50(2): 205-218.

[6] Fang J Y, Liu G H, Xu S L. Carbon Pool of Ecosystem Chinese[M]. Beijing: China Environment Science Press, 1996.

[7] Ni J. Forage yield-based carbon storage in grasslands of China. Climatic Change, 2004, 67(2-3): 237-246.

[8] Ni J. Estimating net primary productivity of grasslands from field biomass measurements in temperate northern China. Plant Ecology, 2004, 174(2): 217-234.

[9] Pu S L, Fang J Y, He J S,etal. Spatial distribution of grassland biomass in China. Acta Phytoecologica Sinica, 2004, 28(4): 491-498.

[10] Deng L, Shangguan Z P. Distribution of natural grassland biomass and its relationship with influencing factors in Shanxi. Acta Agrestia Sinica, 2012, 20(5): 825-835.

[11] Li J L, Jiang P, Liang T G. The developing processes, contents and prospects of grassland remote sensing science in China. Grassland of China, 1998, (3): 53-56.

[12] Peng S L, Guo Z H, Wang B S. Applications of RS and GIS on terrestrial vegetation ecology. Chinese Journal of Ecology, 1999, 18(5): 52-64.

[13] Lefsky M A, Harding D, Cohen W B,etal. Surface lidarremote sensing of basal area and biomass in deciduous forests of eastern Maryland, USA. Remote Sensing of Environment, 1998, 67(1): 83-90.

[14] Wang J W, Chen G. Vegetation index and biomass estimation for grassland. Journal of Yunnan Agricultural University, 2006, 21(3): 372-375.

[15] Beeri O, Phillips R, Hendrickson J,etal. Estimating forage quantity and quality using aerial hyperspectral imagery for northern mixed-grass prairie. Remote Sensing of Environment, 2007, 110(2): 216-225.

[16] Cho M A, Skidmore A, Corsi F,etal. Estimation of green grass/herb biomass from airborne hyperspectral imagery using spectral indices and partial least squares regression. International Journal of Applied Earth Observations and Geoinformation, 2007, 9(4): 414-424.

[17] Zhang Y N, Niu J M, Zhang Q,etal. A discussion on applications of vegetation index for estimating aboveground biomass of typical steppe. Acta Prataculturae Sinica, 2012, 21(1): 229-238.

[18] Huangfu J Y, Mao F X, Lu X S. Analysis of grassland resources in southwest China. Acta Prataculturae Sinica, 2012, 21(1): 75-82.

[19] Fan Y J, Hou X Y, Shi H X,etal. Effect of carbon cycling in grassland ecosystems on climate warming. Acta Prataculturae Sinica, 2012, 21(3): 294-302.

[20] Liu J Y, Xu X L, Shao Q Q. The spatial and temporal characteristics of grassland degradation in the three-river headwaters region in Qinghai Province. Acta Geographica Sinica, 2008, 63(4): 364-376.

[21] Wang J B, Liu J Y, Shao Q Q,etal. Spatial-temporal patterns of net primary productivity for 1988-2004 based on GLOPEM-CEVSAmodel in the “three-river headwaters” region of Qinghai Province, China. Chinese Journal of Plant Ecology, 2009, 33(2): 254-269.

[22] Xu B, Yang X, Tao W,etal. MODIS-based remote sensing monitoring of grass production in China. International Journal of Remote Sensing, 2008, 29: 5313-5327.

[23] Jin Y, Yang X, Qiu J,etal. Remote sensing-based biomass estimation and its spatio-temporal variations in temperate grassland, Northern China. Remote Sensing, 2014, 6: 1496-1513.

[24] Song W, Jia H, Liu S,etal. A Remote Sensing Based Forage Biomass Yield Inversion Model of Alpine-cold Meadow during Grass-withering Period in Three-river Watersarea[C]. Beijing: IOP Publishing, 2014.

[25] Zhao F, Xu B, Yang X,etal. Remote sensing estimates of grassland aboveground biomass based on MODIS net primary productivity (NPP): A case study in the Xilingolgrassland of northern China. Remote Sensing, 2014, 6: 5368-5386.

[26] Xu D, Guo X, Li Z,etal. Measuring the dead component of mixed grassland with landsat imagery. Remote Sensing of Environment, 2014, 142: 33-43.

[27] Zhou L, Xin X P, Li G,etal. Application progress on hyperspectral remote sensing in grassland monitoring. Pratacultural Science, 2009, 26(4): 20-27.

[28] Zhang K, Guo N, Wang R Y,etal. Hyperspectral remote sensing estimation models for aboveground fresh biomass in Gannan grassland. Pratacultural Science, 2009, 26(11): 44-50.

[29] Chu D, Pubu C R, Deji Y Z,etal. Above-ground biomass estimate methods of grassland in the central Tibet. Journal of Mountain Science, 2013, 31(11): 664-671.

[30] Casas A, Riao D, Ustin S,etal. Estimation of water-related biochemical and biophysical vegetation properties using multitemporal airborne hyperspectral data and its comparison to MODIS spectral response. Remote Sensing of Environment, 2014, 148: 28-41.

[31] Qian Y R, Yang F, Yu J,etal. Vegetation index feature and spatial-temporal process analysis of desert grassland in the Fukang area of Xinjiang. Acta Prataculturae Sinica, 2013, 22(3): 25-32.

[32] Huang J F, Sang C Q, Feng Z W. The remote sensing dynamic monitoring model of the grass yield of natural grassland in the middle section of the Tianshan. Journal of Natural Resources, 1993, 8(1): 10-17.

[33] Liang T G, Chen Q G. Research on the dynamic monitoring model of grassland resources yield in Fukang county of Xinjiang. Remote Sensing Technology and Application, 1996, (1): 27-32.

[34] Zhao W Y, Li J L, Chen Y N. Changes of eco-capacity and ecological sustainability in the north Tianshan Mountains region: taking Fukang county as a case of study. Acta Ecologica Sinica, 2008, 28(9): 4363-4371.

[35] Qian Y R, Yang F, Li J L,etal. Yield and animal-feed balance of typical grassland in Xinjiang Fukang using 3S techniques. Pratacultural Science, 2013, 30(9): 1330-1337.

[36] Yang F, Qian Y R, Li J L,etal. Degradation characteristics and causes of desert grassland in the northern Tianshan Mountains. Journal of Natural Resources, 2011, 26(8): 1306-1314.

[37] Zhao W Y. Tianshan Mountains Desert Grassland Degradation Characteristics of Typical Mechanism and Recovery and Reconstruction Technology Research[D]. Nanjing: Nanjing University, 2006: 25.

[38] Yang H F, Gang C C, Mu S J,etal. Analysis of the spatio-temporal variation in net primary productivity of grassland during the past 10 years in Xinjiang. Acta Prataculturae Sinica, 2014, 23(3): 39-50.

[39] Liang Y, Wei Y R, Liu A J. Based on MODIS-NDVI of the application of remote sensing in natural grassland of Inner Mongolia grassland vegetation conditions. Inner Mongolia Prataculture, 2009, 21(9): 40-44.

[40] Zhao L C, Liu R T, Yang R H,etal. Study on the remote sensing classification of grassland based on the topographic factors. Pratacultural Science, 2006, 23(12): 26-30.

[41] Zhang N. Scale issues in ecology: concepts of scale and analysis. Acta Ecologica Sinica, 2006, 26(7): 2340-2355.

[42] An S Z. Resources of grass family germplasm in Yili prefecture of Xinjiang and their evaluation. Grassland and Turf, 2001, (2): 15-19.

参考文献：

[1] 方精云, 刘国华, 徐嵩龄. 我国森林植被的生物量和净生产量. 生态学报, 1996, 16(5): 479-508.

[2] 冯宗伟, 王效科, 吴刚. 中国森林生态系统的生物量和生产力[M]. 北京: 科学出版社, 1999： 1-6.

[3] 中华人民共和国农业部畜牧兽医司. 中国草地资源数据[M]. 北京: 中国农业出版社, 1994.

[6] 方精云, 刘国华, 徐嵩龄. 中国陆地生态系统的碳库[M]. 北京: 中国环境科学出版社, 1996.

[9] 朴世龙, 方精云, 贺金生, 等. 中国草地植被生物量及其空间分布格局. 植物生态学报, 2004, 28(4): 491-498.

[10] 邓蕾, 上官周平. 陕西省天然草地生物量空间分布格局及其影响因素. 草地学报, 2012, 20(5): 825-835.

[11] 李建龙, 蒋平, 梁天刚. 我国草地遥感科学发展的轨迹、内涵及展望. 中国草地, 1998, (3): 53-56.

[12] 彭少麟, 郭志华, 王伯荪. RS和GIS在植被生态学中的应用及其前景. 生态学杂志, 1999, 18(5): 52-64.

[14] 王建伟, 陈功. 草地植被指数及生物量的遥感估测. 云南农业大学学报, 2006, 21(3): 372-375.

[17] 张艳楠, 牛建明, 张庆, 等. 植被指数在典型草原生物量遥感估测应用中的问题探讨. 草业学报, 2012, 21(1): 229-238.

[18] 皇甫江云, 毛凤显, 卢欣石. 中国西南地区的草地资源分析. 草业学报, 2012, 21(1): 75-82.

[19] 范月君, 侯向阳, 石红霄, 等. 气候变暖对草地生态系统碳循环的影响. 草业学报, 2012, 21(3): 294-302.

[20] 刘纪远, 徐新良, 邵全琴. 近30年来青海三江源地区草地退化的时空特征. 地理学报, 2008, 63(4): 364-376.

[21] 王军邦, 刘纪远, 邵全琴, 等. 基于遥感-过程耦合模型的1988～2004年青海三江源区净初级生产力模拟. 植物生态学报, 2009, 33(2): 254-269.

[27] 周磊, 辛晓平, 李刚, 等. 高光谱遥感在草原监测中的应用. 草业科学, 2009, 26(4): 20-27.

[28] 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. 草业科学, 2009, 26(11): 44-50.

[29] 除多, 普布次仁, 德吉央宗, 等. 西藏高原中部草地地上生物量遥感估算方法. 山地学报, 2013, 31(11): 664-671.

[31] 钱育蓉, 杨峰, 于炯, 等. 新疆阜康荒漠植被指数特征和时空过程分析. 草业学报, 2013, 22(3): 25-32.

[32] 黄敬峰, 桑长青, 冯振武, 等. 天山北坡中段天然草场牧草产量遥感动态监测模式. 自然资源学报, 1993, 8(1): 10-17.

[33] 梁天刚, 陈全功. 新疆阜康县草地资源产量动态监测模型的研究. 遥感技术与应用, 1996, (1): 27-32.

[34] 赵万宇, 李建龙, 陈亚宁. 天山北坡区域生态承载力与可持续发展. 生态学报, 2008, 28(9): 4363-4371.

[35] 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. 草业科学, 2013, 30(9): 1330-1337.

[36] 杨峰, 钱育蓉, 李建龙, 等. 天山北坡典型荒漠草地退化特征及其成因. 自然资源学报, 2011, 26(8): 1306-1314.

[37] 赵万羽. 天山典型荒漠草地退化特征、机理与恢复重建技术研究[D]. 南京: 南京大学, 2006: 25.

[38] 杨红飞, 刚成诚, 穆少杰, 等. 近10年新疆草地生态系统净初级生产力及其时空格局变化研究. 草业学报, 2014, 23(3): 39-50.

[39] 梁燕, 魏玉荣, 刘爱军. 基于MODIS- NDVI的草地遥感在内蒙古天然草原植被状况中的应用. 内蒙古草业, 2009, 21(9): 40-44.

[40] 赵连春, 刘荣堂, 杨予海, 等. 基于地形因子的草地遥感分类方法的研究. 草业科学, 2006, 23(12): 26-30.

[41] 张娜. 生态学中的尺度问题: 内涵与分析方法. 生态学报, 2006, 26(7): 2340-2355.

[42] 安沙舟. 新疆伊犁地区禾本科植物种质资源及其评价. 草原与草坪, 2001, (2): 15-19.

Assessment of above-ground Biomass of Grassland using remote sensing,Yili, Xinjiang

ZHANG Xu-Chen1,2, ZHU Hua-Zhong2, ZHONG Hua-Ping2*, CHENG Yao-Dong1, JIN Gui-Li3,SHAO Xiao-Ming4

1.LanzhouJiaotongUniversity,Lanzhou730070,China; 2.InstituteofGeographicalSciencesandNaturalResourcesResearch,ChineseAcademyofSciences,Beijing100101,China; 3.XinjiangAgriculturalUniversity,Urumchi830052,China; 4.ChinaAgriculturalUniversity,Beijing100083,China

The relationship between the above-ground biomass of grassland vegetation in Yili, Xinjiang (assessed with cut quadrats) and the normalized difference vegetation index (NDVI), enhanced vegetation index (EVI), altitude, annual precipitation, annual mean temperature, accumulated temperature and dryness and wetness indices was analyzed using regression. Subsequently, an ArcGIS interpolation method was used to map the spatial distribution of above ground biomass of the grassland. There was a strong relationship between above-ground biomass and the independent factors assessed; the multiple regression coefficient (R2) was 0.85 and the RMSE was 216.56 kg/ha. It was concluded that the simulation data used in the study could be used to reliably monitor and assess grassland productivity and dynamics.

grassland vegetation; GIS; above-ground biomass; remote sensing inversion

10.11686/cyxb2014478

http://cyxb.lzu.edu.cn

2014-11-25；改回日期：2015-04-07

科技基础性工作专项(2012FY111900-2)资助。

张旭琛(1989-)，女，甘肃陇西人，硕士。E-mail:312077807@ qq.com *通讯作者Corresponding author. E-mail: zhonghp@igsnrr.ac.cn

张旭琛, 朱华忠, 钟华平, 程耀东, 靳瑰丽, 邵小明. 新疆伊犁地区草地植被地上生物量遥感反演. 草业学报, 2015, 24(6): 25-34.

Zhang X C,Zhu H Z, Zhong H P, Cheng Y D, Jin G L, Shao X M. Assessment of above-ground Biomass of Grassland using remote sensing,Yili, Xinjiang. Acta Prataculturae Sinica, 2015, 24(6): 25-34.