基于Landsat 8 OLI和MODIS数据的高寒草地盖度升尺度效应研究——以夏河县桑科草原试验区为例

孟宝平，崔霞，杨淑霞，高金龙，胡远宁，陈思宇，梁天刚*

(1.草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州 730020；2.兰州大学西部环境教育部重点实验室，兰州大学资源与环境学院，甘肃 兰州730000)



基于Landsat 8 OLI和MODIS数据的高寒草地盖度升尺度效应研究
——以夏河县桑科草原试验区为例

孟宝平1，崔霞2，杨淑霞1，高金龙1，胡远宁1，陈思宇1，梁天刚1*

(1.草地农业生态系统国家重点实验室，兰州大学草地农业科技学院，甘肃 兰州 730020；2.兰州大学西部环境教育部重点实验室，兰州大学资源与环境学院，甘肃 兰州730000)

摘要：基于Landsat 8 OLI和MODIS卫星遥感资料，结合2013-2014年甘南州夏河县桑科草原试验区野外实测盖度数据，对草地盖度敏感的OLI波段及其组合指数进行了筛选，构建并确立了试验区基于MODIS植被指数的草地盖度反演模型，探讨了不同空间升尺度方式对草地盖度的空间效应。结果表明，1)OLI比值植被指数r(Band7/Band5)对草地盖度的响应最敏感，基于该指数的草地盖度最优反演模型为yoli=-270.064xoli+115.987(R2=0.833，P<0.001)；2)基于MODIS MEVI和Landsat 8 OLI比值植被指数r(30 m)反演的盖度重采样数据(250 m)的对数模型为最优草地盖度评估模型(R2=0.795，P<0.001)，其决定系数较MODIS MEVI与基于农业多光谱照相机(agricultural digital camera，ADC)的盖度数据建立的回归模型高(R2=0.706)，绝对误差和相对误差较低；3)基于OLI和MODIS植被指数的3种草地盖度回归模型(方法1～3)精度均优于直接使用MODIS植被指数建立的回归模型(方法4)；方法3利用OLI 比值指数r反演盖度(30 m)，将其升尺度至250 m，再反演盖度构建的对数模型的精度最高(R2=0.795)，其次依次为方法2构建的模型(R2=0.760)、方法1构建的模型(R2=0.730)和方法4构建的模型(R2=0.706)。

关键词：Landsat 8 OLI；MODIS；敏感波段；盖度反演；空间升尺度

植被盖度是指样地中全部植物个体地上部分(包括叶、茎、枝等)的垂直投影面积占样地总面积的百分比[1]，是植被生长状况的直观量化指标[2]，能够表征生态系统植被群落生长状况及生态环境质量[3]，对其精确量化在土壤侵蚀[4-5]、水土保持[6-9]、陆-气相互作用[10]和荒漠化治理[11-12]等诸多研究中至关重要。因此，建立高精度植被盖度估算模型对相关领域研究具有十分重要的意义。

目前，根据盖度测量的空间尺度大小可将草地盖度测量方法分为传统的地面测量法和遥感监测法。传统地面测量中常用目视估测法、采样法和仪器法，以传统的样方尺度(50 cm×50 cm 或1 m×1 m)进行观测，测量精度高，尤其是仪器法中的数码照相机方法，是目前地面测量中精度最高的测量方法[13-14]；遥感监测方法包括经验模型(精度依赖于地面样方实测数据)、植被指数、像元分解模型、森林郁闭度制图模型(forest canopy density mapping model，FCD)、决策树分类和神经网络等方法。地面测量方法由于受地表空间异质性和人为主观性的影响很难扩展到整个区域，此方法估算的大范围植被盖度状况精度较低，但基于照相机的草地样方尺度的植被盖度精度较高，可为遥感反演建模和精度验证提供基础数据[15-16]。遥感测量的优势在于可以频繁和持久的提供多种时空尺度的地表面状信息，这对传统的以稀疏离散点为基础的对地观测手段而言是一场革命性的变化[17]。由于地表植被分布具有空间异质性，用极其有限代表性的地面观测盖度数据验证中分辨率遥感反演的面上信息，对遥感反演的植被盖度的真实性检验带来很大困难。此外，植被盖度遥感反演模型的构建不仅需要遥感影像反射率数据，也需要野外观测的盖度数据，采样点的空间代表性及测量误差会影响模型反演的精度[17-18]。为了研究不同遥感资料之间的空间尺度效应，王海宾[19]使用Bottom-up方法建立森林盖度经验模型，分析了森林盖度的空间变化规律。刘良云[20]探讨了草地叶面积指数由高分辨率小像素影像升尺度为低分辨率大像素时，“先反演再平均”与“先平均再反演”两种方法之间的空间效应及其差异。早在20世纪80年代，学者们对Landsat MSS卫星资料各波段反射率对地表植被盖度信息敏感性已做了大量研究[21-24]。随着科学技术的不断发展，Landsat从1972年第一颗陆地卫星(Landsat-1)发射到2013年Landsat 8 的运行已有40多年历史[25-27]。Landsat 8较Landsat 5和Landsat 7有了很多改进[28-29]，针对其不同波段及其组合指数对草地植被盖度的敏感性研究尚鲜有报道。

如何既能保证地面采样点盖度精确性，又能克服采样点空间代表性和不同遥感资料之间的空间效应，将采样点的点状盖度信息扩展到更大空间区域，是遥感监测植被盖度研究中急需解决的问题。目前，在草地植被盖度监测中，基于高分辨率影像的盖度反演精度较高，但其覆盖面积较中低分辨率影像小，并且受时间分辨率和云等因素影响，不能够应用于长时间序列的大区域研究；基于中低分辨率影像的草地盖度反演精度较低，但其覆盖区域广阔，数据时间序列较长且连续，适用于长时间序列的大区域研究。为了在较大范围内得到高精度的草地盖度时空动态变化信息，本研究以夏河县桑科试验区为例，基于农业多光谱照相机(agricultural digital camera，ADC)的草地盖度数据及Landsat 8 OLI影像，研究对草地盖度敏感的波段及其组合指数，建立基于中分辨率成像光谱仪(moderate resolution imaging spectroradiometer，MODIS)EVI、NDVI和由OLI影像不同升尺度方法得到的250 m空间分辨率数据的盖度反演模型，以期探索结合高分辨率遥感数据提高低分辨遥感资料反演草地盖度模拟精度的方法。

1材料与方法

1.1研究区概况

夏河县试验区位于该县桑科乡央吉社区(图1)，地理位置为102°23′-102°26′ E，35°5′-35°7′ N，试验区总面积11 km2，南北长约3.86 km，东西长约2.77 km，平均海拔3050 m。试验区内共有5个样区，根据试验目的不同，1～5号样区依次为天然草地人工改良区(主要进行补播试验，面积约为19.38 hm2)，天然草地合理利用技术集成创新与示范区(为放牧利用试验地，面积约为16.06 hm2)，试验的对照组(面积约7.52 hm2)，优质饲草生产技术集成创新与示范区(封育草地，面积约19.30 hm2)，天然畜产品生产加工技术与营销模式集成与示范研究区(人工施肥试验地，面积在5个样区中最大，约为99.10 hm2，占总试验区面积的61.55%)。试验区天然草地类型为高寒草甸，主要优势牧草有高山嵩草(Kobresiapygmaea)、垂穗披碱草(Elymusnutans)、羊茅(Festucaovina)、早熟禾(Poaannua)、郦氏洽草(Koelerialitvinowii)、黄芪(Astragalusmembranaceus)等，主要毒杂草有黄帚橐吾(Ligulariavirgaurea)、火绒草(Leontopodiumjaponicum)、委陵菜(Potentillachinensis)、马先蒿(Pedicularisspp.)等[30-31]。放牧家畜以牦牛、甘加羊为主。试验区常年寒冷湿润，属大陆性高原温带季风气候[32]，年平均气温2.1 ℃，年均降水量为580 mm。

1.2地面观测数据

野外实测数据采集于2013年8月和2014年7-10月，总计5次。样地设置在试验区内草地生长状况均一的区域(图1)，2013年在1～5号试验区内选取大小为30 m×30 m样地14个，每个样地内随机布设3个0.5 m×0.5 m样方，以3个样方盖度平均值作为该样地的草地盖度。同时，利用手持GPS设备，在试验区内采集了20个地面控制点(ground control point，GCP)，记录了经度、纬度和高程等信息，用于Landsat卫星影像的几何精校正。为了更加准确的获取与遥感数据匹配的地面实测数据，2014年在试验区布设了13个固定样地(图2)，每个样地采用5点法布设样方(图3)，以整个样地的中心点作为第一个样方，再选取4个角点作为其余4个样方，用ADC拍摄各样方相片，并记录草地类型、优势种等指标，以5个样方盖度平均值作为该样地的草地盖度。每个样方草地植被盖度信息通过ADC拍摄的相片处理获得。同时，利用DJI无人机携带的GoPro Hero 3+相机在各样地中心点拍摄图像(大小与Landsat 8 卫星OLI遥感数据的像元一致，为30 m×30 m，分辨率约2 cm)，用于草地盖度反演模型的精度验证。

1.3Landsat 8 OLI数据预处理

Landsat 8 OLI数据来源于美国地质勘探局(united States geological survey，USGS)网站，本项研究检索并下载了覆盖夏河县试验区无云影像5景(表1)。

在ENVI 5.0软件中对OLI数据进行处理，利用Radiometric Calibration模块、FLAASH Atmospheric Correction模块和Registration下的Image to Image模块对OLI影像分别进行辐射定标、大气校正和几何精校正，并将影像投影定义为WGS_1984_UTM_ZONE_47N。利用Band Math模块计算Landsat 8 OLI不同波段组合指数，利用Sample工具提取采样点对应的各波段及其组合指数的像元值。

1.4MODIS13Q1数据预处理

本项研究选用美国国家宇航局MODIS 16 d最大合成NDVI和EVI植被指数产品(MOD13Q1)，时间序列为2013年8月和2014年7-10月，空间分辨率为250 m，轨道号为h26v05，共计10景影像。使用最大值合成方法(maximum value composition，MVC)，合成了2013年8月和2014年7-10月的月最大归一化植被指数(maximum normalized difference vegetation index, MNDVI)和月最大增强型植被指数(maximum enhanced vegetation index, MEVI)数据。

图1　夏河县试验区地理位置、草地类型及2014年8月29日资源3号卫星真彩色合成影像Fig.1　Location, grassland type and ZY-3 real color composite image of experimental area in Xiahe county on the August 29th in 2014

图2　夏河县试验区2014年7-10月样方位置分布示意图Fig.2　The schematic diagram of quadrat design during July-October in 2014 in experimental area, Xiahe county

对影像进行以下处理：1)利用MODIS数据重投影工具(MODIS reprojection tools，MRT)，对MODIS数据进行转格式和定义投影。将HDF文件转为TIF格式，定义投影为WGS84；2)在ArcMap中将投影转为WGS_1984_UTM_ZONE_47N，空间分辨率定义为250 m。在ArcMap中，利用Cell Statistics工具分别得到2013年8月和2014年7-10月的MNDVI和MEVI。

图3　样地和样方设置图Fig.3　The design for plot and quadrat

1.5基于Landsat 8 OLI的草地盖度反演模型的建立与精度评价

Landsat 8 OLI的Band6主要用于地表温度反演[33-36]。除该波段外，本研究将OLI的单波段Band1～Band5和Band7及其两两相加、相减、相比和归一化组合指数(共计154项)作为自变量，将试验区基于ADC图像的样地草地植被盖度作为因变量，利用SPSS软件分别分析各波段及其组合指数与草地植被盖度之间的线性回归模型，并筛选出相关系数较高的前10个组合指数或波段，然后通过SPSS软件估算前10个波段组合指数或波段的线性、对数、指数和乘幂模型的参数，将DJI拍摄的39景样地影像(2014年8-10月)计算的盖度数据作为真实值，以各模型估算值作为反演值，分别计算草地盖度反演模型的平均绝对误差和平均相对误差，检验各种模型精度，从而确立30 m空间分辨率的草地盖度最优遥感反演模型。

(1)

(2)

式中，Δ表示整个试验区草地盖度的平均绝对误差，Δi表示某一样地草地盖度的绝对误差，xi表示某一样地模型计算的草地盖度，li表示基于ADC相片(或无人机图像)计算的草地盖度，δ表示平均相对误差(%)。i表示某一样地，n表示样地数目。

表1　Landsat 8 OLI影像及外业调查数据列表Table 1　The list of Landsat-8 OLI and ground observation data

1.6基于MODIS数据的草地盖度反演模型的构建

本项研究采用Fazakas[37]提出的Bottom-up方法，建立草地植被盖度反演模型。首先，利用较高空间分辨率遥感数据(Landsat 8 OLI)反演草地盖度，再通过升尺度途径建立较低空间分辨率遥感数据(MODIS)的草地盖度反演模型，并探讨不同升尺度方法对草地盖度反演精度的影响。本研究分别基于OLI 30 m空间分辨率敏感波段反射率、敏感波段组合指数和基于敏感波段组合指数反演的草地盖度，分别采用双线性重采样方法得到OLI 250 m空间分辨率草地盖度数据，构建经过较高空间分辨率遥感数据(Landsat 8 OLI)校正的基于MODIS影像的草地盖度反演模型。这3种计算草地盖度的方法分别简记为方法1、方法2和方法3。方法1是将OLI的Band7和Band5升尺度至250 m，计算Band7/Band5，再结合MODIS的月最大植被指数反演草地盖度；方法2通过计算OLI比值指数Band7/Band5(30 m)，将其升尺度至250 m，再结合MODIS的月最大植被指数反演草地盖度；方法3利用OLI 比值指数 (Band7/Band5)反演草地盖度(30 m)，将其升尺度至250 m，再结合MODIS的月最大植被指数反演草地盖度(图4)。除此之外，草地盖度估算的第4种方法为基于MODIS数据的传统方法，即利用ADC相片计算的盖度数据和MODIS植被指数数据直接建立盖度回归模型，反演草地盖度。

将DJI拍摄的39幅样地影像(2014年8-10月)计算的盖度数据作为真实值，以4种算法计算的草地盖度作为反演值，分别计算4种算法的平均绝对误差和平均相对误差(式1和2)，分析各种算法的模拟精度，从而确立250 m空间分辨率的草地盖度最优遥感反演模型。

图4　基于MODIS植被指数的草地盖度反演模型的4种构建方法Fig.4　Four grassland cover inversion methods based on MODIS vegetation index

2结果与分析

2.1基于OLI 30 m分辨率数据的试验区草地盖度模型比较分析

根据OLI不同波段及其组合指数和试验区草地盖度之间的线性回归模型的决定系数R2和均方根误差(root mean square error，RMSE)，筛选出的前10个波段组合指数或敏感波段依次为：Band7/Band5、(Band5-Band7)/(Band5+Band7)、(Band3-Band4)/(Band3+Band4)、Band3-Band4、(Band3-Band7)/(Band3+Band7)、Band2+Band5、Band1+Band5、Band3+Band5、Band5和Band5+Band7(表2)。其中，Band5及所有波段组合指数的回归方程均达极显著水平(P<0.001)，决定系数介于0.633～0.833之间，均方根误差介于6.241%～9.254%之间。常见植被指数NDVI和草地盖度之间的相关系数并没有出现在前10个波段组合中，其决定系数为0.627，RMSE达9.327%，精度较前10个组合的线性模型差。波段比值指数Band7/Band5与草地盖度之间的线性相关系数最大，达0.833，均方根误差最小，为6.241%。

表2　OLI Band5及不同波段组合指数与草地盖度线性 回归模型的R2和RMSETable 2　R2 and RMSE of linear regression models between grass coverage and different band combination index (including OLI Band5)

**，P<0.001.下同 The same blow.

表3　OLI Band5及不同波段组合指数反演草地 盖度的最优回归模型Table 3　The best regression model for inversion grassland cover based on different band combination index and OLI Band5

表3列出了通过决定系数筛选出的前10种波段组合指数及基于OLI NDVI的草地盖度回归模型。由该表可知，Band7/Band5、(Band3-Band4)/(Band3+Band4)、Band3-Band4、(Band3-Band7)/(Band3+Band7)以及NDVI的最优回归模型形式为线性模型，而(Band5-Band7)/(Band5+Band7)、Band2+Band5、Band1+Band5、Band3+Band5、Band5和Band5+Band7最优回归模型形式为对数模型。

2.2OLI 30 m空间分辨率的草地盖度模型精度检验

以2014年8月15-16日、9月28-29日以及10月21-22日期间无人机拍摄图像计算的盖度数据为真值，检验基于Landsat 8 OLI影像NDVI、Band5和9种波段组合指数反演的2014年8月27日、2014年9月28日以及2014年10月14日的草地盖度精度，结果如表4所示。其中，Band7/Band5

表4　OLI Band5及不同波段组合指数的草地 盖度最优反演模型误差分析Table 4　Error analysis for inversion grassland cover based on OLI with different band combination index and Band5

表5　基于不同方法的试验区草地盖度回归模型Table 5　Regression models for grassland cover based on different methods

反演的草地盖度精度最高，其平均绝对误差和相对误差最小，分别为3.9779%和5.22%；Band5+Band7反演的草地盖度的精度最低，其平均绝对误差和相对误差最大，分别达8.1058%和11.03%。Band5和其他波段组合指数的盖度反演精度由高到低依次为(Band5-Band7)/(Band5+Band7)、Band3-Band4、(Band3-Band4)/(Band3+Band4)、NDVI、Band5、Band2+Band5、Band3+Band5、Band1+Band5和(Band3-Band7)/(Band3+Band7)。从精度检验的结果可知，夏河县桑科试验区30 m空间分辨率的草地盖度最优模型为基于OLI Band7/Band5的线性模型：

yoli=-270.064xoli+115.987

(3)

式中，yoli表示基于Landsat 8 OLI Band7/Band5反演的草地盖度(%)；xoli表示Landsat8 OLI的比值植被指数Band7/Band5。

2.3MODIS 250 m空间分辨率的草地盖度反演模型构建及精度检验

将MODIS MNDVI、MEVI作为自变量，通过OLI Band7和Band5反射率数据及其3种不同处理方法(图4)反演的盖度数据作为因变量，建立的线性、指数、对数和乘幂4类回归模型如表5所示。就4类模型而言，在利用方法1～3构建的模型中，MODIS MNDVI和MODIS MEVI对数模型的平均绝对误差和平均相对误差均最小，决定系数最大，模型的精度最高；其次为线性模型；指数模型的平均绝对误差和平均相对误差均最大，决定系数最小；乘幂模型的平均绝对误差、平均相对误差和决定系数介于线性模型和指数模型之间，其精度仅优于指数模型。在利用方法4构建的盖度模型中，基于MODIS MNDVI和MEVI的对数模型的精度最高，与方法1～3不同的是方法4中基于MODIS MEVI构建的模型精度由高到低依次为对数、乘幂、线性和指数模型。就4种方法而言，基于方法1～3构建的MODIS MEVI的线性、指数、对数和乘幂模型精度均优于MODIS MNDVI对应的模型，这说明MODIS MEVI较MODIS MNDVI能更准确的模拟试验区草地盖度情况；利用方法4建立的MEVI的对数模型的决定系数最高，平均绝对误差和平均相对误差最小，但其线性、指数和乘幂模型的决定系数均小于MNDVI所对应的模型，平均绝对误差和平均相对误差均大于MNDVI所对应的模型。比较草地盖度的4种反演方法发现，基于方法3构建的MODIS MEVI对数模型的精度最高(R2=0.795，Δ=7.880%，δ=13.901%)，基于其他方法的对数模型的精度从高到低依次为方法2(R2=0.760，Δ=8.104%，δ=14.819%)、方法1(R2=0.730，Δ=8.256%，δ=14.292%)和方法4(R2=0.706，Δ=9.628%，δ=17.074%)。因而，基于MODIS 250 m空间分辨率的草地盖度最优反演模型为：

y=64.160ln(xMEVI)+136.927

(4)

式中，y表示基于Landsat 8 OLI数据及方法3反演的草地盖度与MODIS MEVI之间的回归关系；xMEVI表示MODIS MEVI。

3讨论

本研究表明Landsat 8 OLI Band5与试验区草地盖度之间呈显著的正相关关系，OLI Band7则呈显著的负相关关系，而波段组合指数Band7/Band5与试验区草地盖度呈极显著的负相关关系，其线性回归模型可以解释试验区内草地盖度变化的83.3%。这与众多学者的研究结果一致。Band5为近红外波段，其波长范围为0.845～0.885 μm，对地表植被反应敏感，与草地植被盖度之间呈现显著的正相关关系[38-40]。Band7为中红外波段，其波长范围为2.100～2.300 μm，对矿物、干草等地表信息反映敏感[21-24]，与地表植被信息之间呈现负相关关系[22-23]。

在利用不同升尺度方法和地面观测的盖度数据及MODIS EVI、NDVI建立的各类回归模型中，MODIS EVI的线性、对数、指数和乘幂模型的决定系数均高于MODIS NDVI所对应的模型。这与马琳雅[41]、黄晓东等[42]对甘南草地植被盖度研究的结果一致。MODIS NDVI在高植被覆盖区域容易饱和，这可能是导致基于MNDVI的草地盖度模型精度较MEVI差的主要原因[43]。

方法1～3构建的草地盖度模型精度均优于方法4，说明较高空间分辨率的Landsat 8 OLI图像对中分辨率MODIS数据的校正可以提高其反演草地盖度的精度；也表明试验区设置的样地大小(30 m×30 m)与Landsat 8 OLI图像的空间分辨率相匹配，一个样地采用3～5个样点的采样方法较为合理，基于ADC图像计算的3～5个样点的草地盖度的平均值可以很好的代表一个样地内草地植被盖度的变化状况。然而，这种地面采样方法，与空间分辨率为250 m×250 m的MODIS植被指数的空间匹配性不够强，但使用Landsat 8 OLI图像及多种处理方法可以提高MODIS反演草地盖度的精度。就3种升尺度方法而言，其共同特点是草地盖度均使用了空间分辨率为30 m的Landsat 8 OLI Band5、Band7反射率数据及其比值植被指数(Band7/Band5)，是基于高分辨率小像素尺度的遥感监测结果[20]。其中，方法3建立的回归模型的精度最高，并且基于该方法构建的草地盖度最优模型精度远大于其他方法建立的最优模型，其次为方法2，方法1的精度最差。基于方法1构建的MODIS EVI的对数模型的精度最接近方法4直接建立的基于MODIS EVI与地面观测盖度数据的模型精度，这是因为方法1和方法4均使用粗分辨率(250 m)的光谱反射率数据计算植被指数，是基于低分辨率大像素尺度的遥感监测结果[20]，导致其结果不同的原因除了来自地面采样点的空间代表性外，还与不同卫星传感器对草地盖度反应的灵敏程度有很大关系。方法1和2之间的差异主要在于对遥感图像的重采样及植被指数计算的先后顺序不一样，方法1对OLI图像的Band7及Band5的反射率先重采样后计算植被指数，方法2则相反，这可能是导致草地盖度反演精度存在较大差异的重要原因。草地植被具有较大的空间异质性，对草地盖度敏感的遥感图像的反射率及植被指数重采样引起的尺度效应、植被指数的空间异质性及盖度估算时的非线性计算方式等因素是造成草地盖度反演误差的主要来源。

4结论

本研究选取了夏河县桑科试验区2013-2014年间5次野外调查的草地数据，结合该时段Landsat 8 OLI和MODIS数据，筛选分析了新一代Landsat 8 OLI对试验区草地盖度敏感的波段及其组合指数，并建立了试验区基于Landsat 8 OLI敏感波段的盖度反演模型。在此基础上，通过使用多种数据处理及建模方法，确立了MODIS MNDVI、MEVI与草地盖度之间的最优反演模型。结果表明，1)OLI多光谱数据中B7/B5波段组合指数对试验区草地盖度反应最为敏感，该指数与草地盖度之间的线性模型为试验区草地盖度的最优反演模型，决定系数R2达0.833，精度高达94.78%；2)与基于ADC相片计算的盖度数据和MODIS植被指数数据直接建立的最优回归模型相比较，使用OLI数据及不同建模方法所建的草地盖度最优回归模型精度更高，R2可提高0.004～0.107，平均绝对误差较后者减小了0.431%～1.817%，平均相对误差较后者减小0.910%～3.174%；3)在3种升尺度方法中，基于方法3所建立的草地盖度的反演模型较其他2种升尺度方法建立的模型精度高，其中基于MODIS MEVI的对数模型为试验区草地盖度的最优反演模型，其决定系数、平均绝对误差和平均相对误差分别为0.795,7.880%和13.901%。

References：

[1]Zhang C B, Li J L, Zhang Y,etal. A quantitative analysis method for measuring grassland coverage based on RGB model. Acta Prataculturae Sinica, 2013, 22(4): 220-226.

[2]Zhang X X, Zhu Q K, Wu G M,etal. Vegetation coverage assessment by digital photos. Journal of Beijing Forestry University, 2008, 30(1): 164-169.

[3]Qin W, Zhu Q K, Zhang X X,etal. Review of vegetation covering and its measuring and calculating method. Journal of Northwest Science-Technology University of Agriculture and Forest, 2006, 34(9): 163-170.

[4]De Roo A P J, Offermans R J E, Cremers D T,etal. A single-event physically-based hydrological and soil erosion model for drainage basins I: Theory, input and output. Hydrological Processes, 1996, (10): 1107.

[5]Qin W, Cao W H, Zou C Q,etal. Erosion and sediment yield model of big and middle scale watershed in loess plateau considering differentiation between upper and lower of the shoulder line of valleys. Journal of Basic Science and Engineering, 2015, 23(1): 12-29.

[6]Jiao J Y, Wang W Z. The benefits of runoff and sediment reducing & effective cover rate for soil and water conservation of artificial grassland on loess plateau. Acta Agrestia Sinica, 2001, 9(3): 176-182.

[7]Zhang G H, Liang Y M. A summary of impact of vegetation coverage on soil and water conservation benefit. Research of Soil and Water Conservation, 1996, 3(2): 104-110.

[8]Bao X Q, He J L, Xing E D,etal. Science and technology development strategy of grassland soil and water conservation. China Water Resources, 2008, 21: 66-68.

[9]Du J Z, Wang G X, Li Y S. Rate and causes of degradation of alpine grassland in the source regions of the Yangtze and Yellow Rivers during the last 45 years. Acta Prataculturae Sinica, 2015, 24(6): 5-15.

[10]Zhao J C, Liu S H. Research on the impact of vegetation change on land-atmosphere coupling strength in northwest China. Chinese Journal of Geophysics, 2015, 58(1): 47-62.

[11]Ji L. Remote Sensing Monitoring of the Degree of Grassland Desertification and Analysis Characteristics of Vegetation and Soil Nutrient in Ruoergai[D]. Ya’an: Sichuan Agricultural University, 2012.

[12]Cao N, Han Y J, Ma N. Analysis of the desertification and vegetation coverage monitoring changes in Yanchi county-Yanchi city as an example. Agriculture Network Information, 2013, (10): 123-125.

[13]Guo S M. Research of Vegetation Coverage Distribution Changes of Alpine Grassland Based on 3s Technology[D]. Lanzhou: Lanzhou University, 2009.

[14]Chen Z G, Ba T N C, Xu Z Y,etal. Measuring grassland vegetation cover using digital camera images. Acta Prataculturae Sinica, 2014, 23(6): 20-27.

[15]Chen J J, Yi S H, Ren S L,etal. Retrieval of vegetation cover of alpine grassland and the efficiency of remote sensing retrieval in the upper of Shule River Basin. Pratacultural Science, 2014, 31(10): 56-65.

[16]Ren S L, Yi S H, Chen J J,etal. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis method. Pratacultural Science, 2014, 31(6): 1007-1013.

[17]Wang W T, Xie D H, Li X W. Universal scaling methodology in remote sensing science by constructing geographic trend surface. Journal of Remote Sensing, 2014, 18(6): 1139-1147.

[18]Li X W, Wang W T. Prospects on future developments of quantitative remote sensing. Acta Geographica Sinica, 2013, 68(9): 1163-1169.

[19]Wang H B. Study on Scale Transformation of Forest Coverage and Land Type Division Technique[D]. Beijing: Beijing Forestry University, 2014.

[20]Liu L Y. Simulation and correction of spatial scaling effects for leaf area index. Journal of Remote Sensing, 2014, 18(6): 1158-1169.

[21]Chen Y, Gillieson D. Evaluation of Landsat TM vegetation indices for estimating vegetation cover on semi-arid rangelands-A case study from Australia. Canadian Journal of Remote Sensing: Journal Canadien de Télédétection, 2009, 35(5): 1-17.

[22]Pickup G, Chewing V H, Nelson D J,etal. Estimating changes in vegetation cover over time in arid rangelands using Landsat MSS data. Remote Sensing of Environment, 1993, 43(3): 243-263.

[23]Pickup G. A simple model for predicting herbage production from rainfall in rangelands and its calibration using remotely-sensed data. Journal of Arid Environments, 1995, 30(2): 227-245.

[24]Foran B D. Detection of yearly cover change with Landsat MSS on pastoral landscapes in Central Australia. Remote Sensing of Environment, 1987, 23(2): 333-350.

[25]Irons J R, Dwyer J L, Barsi J A,etal. The next Landsat satellite: The landsat data continuity mission. Remote Sensing of Environment, 2012, 122: 11-21.

[26]Chu Q W, Zhang H Q, Wu Y W,etal. Application research of Landsat-8. Remote Sensing Information, 2013, 28(4): 110-114.

[27]Li X W, Niu Z C, Jiang S,etal. Study on the usage of Landsat 8 satellite remote sensing image in ecological environment monitoring. Environmental Monitoring and Forewarning, 2013, 5(6): 1-5.

[28]Zhang F L, Gou B C, Li J L. Quantitative study of vegetation and non-vegetation Landsat7 ETM+with Landsat8 OLI. Shanxi Architecture, 2014, 40(11): 240-241.

[29]Xu H Q, Tang F. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance. Acta Ecologica Sinica, 2013, 33(11): 3249-3257.

[30]Yang Y B, Zhang Y. Degeneration and its comprehensive control of grassland in Xiahe county. Pratacultural Science, 1999, 16(6): 50-56.

[31]Guo H W. Problems and countermeasures for livestock husbandry development in Xiahe county. Prataculture and Animal Husbandry, 2009, (11): 60-62.

[32]Ding W G, Lei Q, Yang Q. A research on the motivation forces of the natural pasture and sustainable development in Xiahe County. Journal of Arid Land Resources and Environment, 2007, 21(12): 84-88.

[33]Li J. A Study of Land Surface Temperature Retrieval for the Region of Changbai Mountain of China[D]. Changchun: Jilin University, 2004.

[34]Lan J S, Guo Y. A research on the algorithm of equivalent wavelength and the impact to the retrieved LSBT based on TM6. Remote Information, 2006, (88): 10-13.

[35]Yang Y Y, Shi Z T, He P. Analysis of thermal environment of the main urban area of Kunming based on muti-source data. Tropical Geography, 2013, 33(1): 21-27.

[36]Lin Y. The Inversion of Sea Surface Temperature Based on Multi-source Remote Sensing[D]. Shanghai: East China Normal University, 2013.

[37]Fazakas Z. Volum and forest cover estimation over southern Sweden using AVHRR data calibrated with TM data. International Journal of Remote Sensing, 1996, 17(9): 1701-1709.

[38]Luo Y, Xu J H, Yue W Z. Research on vegetation indices based on the remote sensing images. Ecologic Science, 2005, 24 (1): 75-79.

[39]Kang Y J. The application for vegetation index on the grassland remote sensing. Technology & Industry, 2011, 6: 39-41.

[40]Jacques D C, Kergoat L, Hiernaux P,etal. Monitoring dry vegetation masses in semi-arid areas with MODISSWIR bands. Remote Sensing of Environment, 2014, 153: 40-49.

[41]Ma L Y. Spatio-Temporal Dynamic Changes of Grassland Vegetation Cover and Phenology in Gannan Prefecture[D]. Lanzhou: Lanzhou University, 2013.[42]Huang X D, Li X, Liang T G. Dynamics of MODIS vegetation indices and their relationship with meteorological factors for different grassland types on northern Xinjiang. Journal of Lanzhou University: Natural Sciences, 2007, 43(3): 42-47.

[43]Wang Z X, Liu C, Huet E A. From AVHRR-NDVI to MODIS-EVI: advances in vegetation index research. Acta Ecologica Sinica, 2003, 23(5): 979-987.

参考文献：

[1]章超斌, 李建龙, 张颖, 等. 基于RGB模式的一种草地盖度定量快速测定方法研究. 草业学报, 2013, 22(4): 220-226.

[2]张学霞, 朱清科, 吴根梅, 等. 数码照相法估算植被盖度. 北京林业大学学报, 2008, 30(1): 164-169.

[3]秦伟, 朱清科, 张学霞, 等. 植被盖度及其测算方法研究. 西北农林科技大学学报(自然科学版), 2006, 34(9): 163-170.

[5]秦伟, 曹文洪, 左长清, 等. 考虑沟-坡分异的黄土高原大中流域侵蚀产沙模型. 应用基础与工程科学学报, 2015, 23(1): 12-29.

[6]焦菊英, 王万忠. 人工草地在黄土高原水土保持中的碱水减沙效益与有效盖度. 草地学报, 2001, 9(3): 176-182.

[7]张光辉, 梁一民. 植被盖度对水土保持功效影像的研究综述. 水土保持研究, 1996, 3(2): 104-110.

[8]包小庆, 何京丽, 邢恩德, 等. 草地水土保持科技发展战略. 中国水利, 2008, 21: 66-68.

[9]杜际增, 王根绪, 李元寿. 近45年长江黄河源区高寒草地退化特征及成因分析. 草业学报, 2015, 24(6): 5-15.

[10]赵靖川, 刘树华. 植被变化对西北地区陆-气耦合强度的影像. 地球物理学报, 2015, 58(1): 47-62.

[11]纪磊. 若尔盖草地沙化程度的遥感监测及其制备特征与土壤养分的分析[D]. 雅安: 四川农业大学, 2012.

[12]曹宁, 韩颖娟, 马宁. 荒漠化及植被盖度监测变化分析. 农业网络信息, 2013, (10): 123-125.

[13]郭述茂. 基于3s技术的高寒草地植被盖度分布特征及动态变化研究[D]. 兰州: 兰州大学, 2009.

[14]陈祖刚, 巴图娜存, 徐芝英, 等. 基于数码相机的草地植被盖度测量方法对比研究. 草业学报, 2014, 23(6): 20-27.

[15]陈建军, 宜树华, 任世龙, 等. 疏勒河上游高寒草地植被盖度反演及精度评价. 草业科学, 2014, 31(10): 56-65.

[16]任世龙, 宜树华, 陈建军, 等. 基于不同数码照相机和图像处理方法的高寒草地植被盖度估算的比较. 草业科学, 2014, 31(6): 1007-1013.

[17]王玮婷, 谢东辉, 李小文. 构造地理要素趋势面的尺度转换普适性方法探讨. 遥感学报, 2014, 18(6): 1139-1147.

[18]李小文, 王炜婷. 定量遥感尺度效应刍议. 地理学报, 2013, 68(9): 1163-1169.

[19]王海宾. 基于森林盖度的尺度转换及地类区划方法研究[D]. 北京: 北京林业大学, 2014.

[20]刘良云. 叶面积指数遥感尺度效应与尺度纠正. 遥感学报, 2014, 18(6): 1158-1169.

[26]初庆伟, 张洪群, 吴业炜, 等. Landsat 8卫星数据应用探讨. 遥感信息, 2013, 28(4): 110-114.

[27]李旭文, 牛志春, 姜晟, 等. Landsat 8卫星OLI遥感影像在生态环境监测中的应用研究. 环境监控与预警, 2013, 5(6): 1-5.

[28]张风霖, 缑变彩, 李靖琳. Landsat7 ETM+与Landsat8 OLI植被和非植被定量研究. 山西建筑, 2014, 40(11): 240-241.

[29]徐涵秋, 唐菲. 新一代Landsat系列卫星:Landsat 8遥感影像新增特征及其生态环境意义. 生态学报, 2013, 33(11): 3249-3257.

[30]杨延彪, 张英. 夏河县草地退化及综合治理措施. 草业科学, 1999, 16(6): 50-56.

[31]郭宏伟. 夏河县畜牧业发展面临的问题及对策. 草业与畜牧, 2009, (11): 60-62.

[32]丁文广, 雷青, 杨勤. 甘肃省夏河县草地退化驱动力及可持续发展对策研究. 干旱区资源与环境, 2007, 21(12): 84-88.

[33]李建. 长白山地区地表温度反演研究[D]. 长春: 吉林大学, 2004.

[34]兰敬松, 郭跃. 针对TM6有效波长的计算方式及其对低温反演的影像研究. 遥感信息(理论研究), 2006, (88): 10-13.

[35]杨云源, 史正涛, 何萍. 基于多元数据的昆明市主城区建筑区热环境分析. 热带地理, 2013, 33(1): 21-27.

[36]林媛. 基于多元遥感的海水表面温度反演研究-以乐清湾为例[D]. 上海: 华东师范大学, 2013.

[38]罗亚, 徐建华, 岳文泽. 基于遥感影像的植被指数研究方法述评. 生态科学, 2005, 24(1): 75-79.

[39]康耀江. 植被指数在草地遥感中的应用初探. 科技与产业, 2011, 6: 39-41.

[41]马琳雅. 甘南州草地植被覆盖度与物候期时空变化动态特征[D]. 兰州: 兰州大学, 2013.

[42]黄晓东, 李霞, 梁天刚. 北疆地区不同草地类型MODIS植被指数变化动态及其与气候因子的关系. 兰州大学学报: 自然科学版, 2007, 43(3): 42-47.

[43]王正兴, 刘闯, Huet E A. 植被指数研究进展:从AVHRR-NDVI到MODIS-EVI. 生态学报, 2003, 23(5): 979-987.

DOI：10.11686/cyxb2015433

*收稿日期：2015-09-14；改回日期：2015-11-16基金项目：国家自然科学

基金项目(31372367,31228021,41401472),农业部公益性行业(农业)科研专项项目(201203006)和长江学者和创新团队发展计划(IRT13019)资助。

作者简介：孟宝平(1989-)，男，甘肃陇西人，在读博士。E-mail:mengbp09@lzu.edu.cn *通信作者Corresponding author. E-mail: tgliang@lzu.edu.cn

* 1Scaling-up methodology for alpine grassland coverage monitoring based on Landsat 8 OLI and MODIS remote sensing data: A case study in XiaheSangke grassland

MENG Bao-Ping1, CUI Xia2, YANG Shu-Xia1, GAO Jin-Long1, HU Yuan-Ning1, CHEN Si-Yu1,

LIANG Tian-Gang1*

1.StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China; 2.KeyLaboratoryofWesternChina’sEnvironmentalSystems(MinistryofEducation),CollegeofEarthandEnvironmentalSciences,LanzhouUniversity,Lanzhou730000,China

Abstract:This research used remote sensing data of MODIS and Landsat 8 OLI, combined with ground observations during 2013 and 2014 in XiaheSangke grassland, Gansu Province. Both individual bands and combinations of bands of Landsat 8 OLI were tested, with a view to selecting band combinations sensitive to grassland coverage. Then, grassland coverage inversion models were established based on MODIS vegetation index data. At the same time, the spatial scale effect was analyzed with a 30 m resolution and up-scaled to 250 m resolution for spectral reflectance, vegetation index, and estimated grassland coverage. It was found that: 1) the ratio of Band7/Band5 of the OLI data was the most sensitive combination for detecting grassland coverage, and the best grassland coverage inversion model was the linear function: yoli=-270.064xoli+115.987, R2=0.833, P<0.001; 2) The best grassland coverage inversion model was the logarithmic model (y=64.160ln(xMEVI)+136.927, R2=0.795, P<0.001), which was established by using MODIS MEVI and up-scaling ratio index of OLI. The coefficient of fit was higher than for the models based on MODIS MEVI and Agricultural Digital Camera pictures (R2=0.706), and its average absolute error and average relative error were lower. 3) The accuracy of the logarithmic model (R2=0.795) based on MODIS MEVI and up-scaling grassland coverage using a ratio index (Band7/Band5) of OLI was higher than other models.

Key words:Landsat 8 OLI; MODIS; sensitive combination of bands; cover inversion model; spatial upscaling

http://cyxb.lzu.edu.cn

孟宝平， 崔霞， 杨淑霞， 高金龙， 胡远宁， 陈思宇， 梁天刚. 基于Landsat 8 OLI和MODIS数据的高寒草地盖度升尺度效应研究——以夏河县桑科草原试验区为例. 草业学报, 2016, 25(7): 1-12.

MENG Bao-Ping, CUI Xia, YANG Shu-Xia, GAO Jin-Long, HU Yuan-Ning, CHEN Si-Yu, LIANG Tian-Gang. Scaling-up methodology for alpine grassland coverage monitoring based on Landsat 8 OLI and MODIS remote sensing data: A case study in XiaheSangke grassland. Acta Prataculturae Sinica, 2016, 25(7): 1-12.