基于MODIS逐日地表反射率数据的青南地区草地生长状况遥感监测研究

杨淑霞，张文娟，冯琦胜，孟宝平，高金龙，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. 青海省草原总站，青海 西宁 810000)



基于MODIS逐日地表反射率数据的青南地区草地生长状况遥感监测研究

杨淑霞1，张文娟2，冯琦胜1，孟宝平1，高金龙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. 青海省草原总站，青海 西宁 810000)

大范围草地生长状况遥感监测对研究草地变化动态和草地畜牧业的管理具有重要意义。利用2010-2013年的草地外业调查数据和EOS Terra MODIS每日地表反射率产品MOD09GA，采用空间分析方法分别计算了生长季(5-9月)草地NDVImax,EVImax,NDVImean和EVImean4种植被指数，探讨了这4种植被指数与草地地上生物量之间的遥感反演模型，分析了青南地区草地生长季多年NDVI平均值空间分布特征；根据所选的最优模型反演了青南牧区近10年(2004-2013年)的草地地上生物量，统计分析了地上生物量的空间变化特征。结果表明，青南地区多年NDVI平均值和草地地上生物量总体上均具有由西北向东南逐渐增加的空间分布特点。不同草地类型的生物量差异显著。近10年来山地草甸类的生物量最高，达1280 kg DW/hm2；其次为高寒草甸类、温性草原类、温性荒漠类和沼泽类，生物量介于244.9～902.4 kg DW/hm2；高寒草甸草原类、高寒荒漠类和高寒荒漠草原类生物量较小，在65 kg DW/hm2以下。海拔对生物量具有明显的影响，在3500 m以上地区的草地生物量随海拔的升高而减小。当海拔介于3500～4000 m，最大生物量达1358.8 kg DW/hm2；海拔介于4000～4500 m，生物量小于920 kg DW/hm2；海拔介于4500～5000 m，生物量为574.2 kg DW/hm2；海拔大于5500 m，生物量仅为94.4 kg DW/hm2。统计分析近10年间的NDVI变化趋势发现，三江源地区的黄河、长江和湄公河三大流域及各行政区的草地植被生长状况以轻度改善和改善为主，总体趋于良好。

青南地区；草地地上生物量；NDVI；遥感监测

草地是陆地生态系统的重要组成部分，在生态环境保护、水土流失防治等方面起着举足轻重的作用[1-2]。它不仅是发展国民经济的物质基础，还是维护陆地生态环境的天然屏障[3]。草地地上生物量(above ground biomass, AGB)是衡量天然草地生产力高低的重要参数[4],准确评价草地生物量对草地资源的合理利用，草地在全球碳循环中的作用及其与气候变化之间的互作机制具有重要作用[5-6]。草地生产力作为草地生态系统的物质基础，在一定程度上影响着生态系统的结构和功能[7]。草地生物量的研究为草地灾害管理、野生动物分布状况评价、生物多样性的研究以及维持生态系统平衡分析可提供重要的参考依据[8]。因此，开展草地地上部分生物量动态监测研究，对草畜平衡动态分析及天然草地资源的合理利用具有重要意义。

自20世纪80年代以来，国内外众多学者在草地地上生物量评估方面已开展了许多研究工作。周鑫等[9]利用新疆伊犁地区2012年7-8月草地外业调查资料与同期的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer，MODIS)数据，分析了增强型植被指数(enhanced vegetation index，EVI)和归一化植被指数(normalized difference vegetation index，NDVI)与实测草地地上生物量的一元线性、指数和二次多项式回归模型，结果表明，以EVI建立的二次多项式回归模型最优，拟合模型平均估产精度达92.19%。周宇庭等[10]利用2010和2011年6-9月高寒蒿草草甸群落地上生物量数据和同期的MODIS数据，建立了西藏自治区拉萨当雄高寒草甸的地上生物量遥感估算模型。结果表明，在所有模拟模型中EVI的线性模型模拟效果最好，在预测方面，幂函数模型最好，线性模型次之，其平均误差分别仅为9.76%和10.8%。成平[11]利用2008年7月覆盖若尔盖地区的TM数据，提取NDVI、RVI、SAVI、MSAVI、PVI和GVI 6种植被指数，与同期地上生物量进行分析的结果表明，RVI与地上生物量幂函数模型的模拟效果最好，决定系数R2达0.8177，拟合精度达93.20%。除多等[12]利用西藏高原中部2004年5-9月草地植被生长期的实测地上生物量，结合同期的MODIS 16d合成产品MOD13Q1 NDVI和EVI 数据，对草地生长期地上生物量遥感监测模型的结果表明，MODIS NDVI的指数函数模型(R2=0.778，P<0.001)是估算西藏高原中部草地地上生物量的最优模型。除多等[13]根据2004年8-9月草地植被地面观测资料结合同期的EOS/MODIS卫星遥感数据建立了藏北高原草地地上生物量、绿色干物质与EOS/MODIS NDVI和EVI之间的关系，结果表明藏北高原草地地上生物量与NDVI和EVI之间的相关系数为0.793和0.706。Gao等[14]对内蒙古锡林郭勒草原的研究结果表明，幂函数模型(R2=0.62)的均方根误差和相对误差最低(RMSE=22.92 g/m2,REE=0.27)，模型精度可达78%。Ma等[15]利用锡林郭勒MODIS 数据与野外实测数据构建NDVI与地上生物量及地下生物量的关系，并探索了气候因子对这些变量的影响，结果表明，每年地上生物量与生长季降水呈正相关关系(R2=0.82，P<0.001)，但是与生长季温度关系不显著(R2=0.61，P=0.003)，气候因子影响地上生物量的空间分布，随着生长季降水的增加，地上生物量增加，随着温度的增加，生物量减小。Barrachina等[16]以庇里牛斯山的草甸和草原为研究区，利用Landsat-5TM遥感数据计算的指数(植被指数和湿润度指数)分别与实测生物量构建生物量模型，结果表明，2008和2009年夏季中期的R2、RMSE和pe分别为0.76，95 g/m2及27%；夏季末期的R2、RMSE和pe分别为0.74，128 g/m2及36%，结果表明植被指数和湿润度指数与生物量的关系密切。

综上所述，由于我国草地资源分布广，空间异质性强，因此草地生物量监测主要依赖高时间分辨率及中度空间分辨率的MODIS资料，但是，在现有的草地地上生物量监测方面，还存在植被指数和监测模型的筛选及地面实测草地样方与MODIS植被指数产品在时空尺度上难以匹配等问题。

基于以上因素，本研究以青南地区作为研究区，结合2010-2013年的地面实测数据，采用Terra/MODIS的每日地表反射率产品MOD09GA数据与测产资料时相一致的植被指数数据，分析MOD09GA计算的生长季草地植被指数与生物量之间的相关关系，建立适合青南地区草地地上生物量遥感动态监测模型，分析草地生物量时空动态变化，为大范围的草地生物量监测提供科学依据。

1　材料与方法

1.1研究区概况

青南地区位于青藏高原腹地，地理位置介于100°53′ E-102°16′ E，34°05′ N-34°55′ N，青南地区是青海省的主要牧区，是我国黄河、长江、澜沧江三大水系发源地，素有“中国水塔”之称。该区隶属3个自治州，包括14个纯牧业县，草原面积2098.97万hm2，其中可利用面积1787.44 万hm2。平均海拔在4000 m以上，年平均气温-5.6～4.9 ℃，年降水量615.5 mm，多集中在6-9月，夏季短暂，牧草生长期短，植物长势低矮，产草量低，冷季长达7～8个月，草地类型主要由高寒草甸类和高寒干草原类组成[17]。

1.2数据来源与预处理

1.2.1草地外业观测数据草地地面观测数据来源于青海省草原总站，野外调查时间为2010-2013年牧草生长季。 依据青南牧区的地形地貌、草地类型空间分布特点，样地设置主要选择在草地植被空间分布比较均一的区域。每个样地设置2～3个1 m×1 m的样方，共计736个样地(图1)。在进行草地监测时，主要记录草层高度、盖度、可食牧草生物量和总产草量等特征数据以及每个样点隶属的行政区、草地类型、坡度、坡向、草地利用状况及观测点的经度、纬度和海拔，考虑到地面测产数据的异常值可能会影响估算模型的准确性，因此在地面样方数据整理过程中，对处于同一像元内的地面观测样点的生物量数据进行了合并处理，用它们的平均值来代表与该像元对应的地面实测的草地生物量。

图1　2013年研究区采样点分布Fig.1　The spatial distribution of the in situ observations in the study area

1.2.2MODIS遥感数据遥感数据来自NASA MODIS 陆地产品组开发的Terra卫星每日地表反射率产品MOD09GA。该产品包括空间分辨率为500 m的 MODIS 1-7通道每日地表反射率数据。本研究使用了近10年(2004-2013年)草地生长季(5-9月)MODIS 1-7通道的地表反射率数据。数据格式为EOS-HDF，覆盖研究区的逐日产品在全球正弦曲线投影(sinusoidal projection，SIN)系统中编号为h25v05和h26v05两景图像，共计3306幅数字图像。

1.2.3MOD09GA数据预处理MOD09GA数据预处理主要包括以下环节： 1)使用MRT(MODIS Reprojection Tool)，将MOD09GA图像进行数据格式和地图投影转换，将HDF转换为Tiff格式，将SIN地图投影转换为WGS84坐标系统。2) 在ArcGIS软件中将Tiff转为Grid格式，结合青南地区行政分区、草地资源类型、地面调查样点等数据库，采用MODIS NDVI和EVI的计算公式(1)和(2)，分别计算出每日NDVI和EVI数字图像。为了减少阴天、云层等因素对植被指数的影响，应用ArcGIS空间分析工具分别对MODIS逐日NDVI和EVI图像进行逐年生长季最大值和平均值合成处理，生成青南地区2004-2013年生长季NDVI和EVI的最大值及平均值数字图像，并提取与地面实测样点相对应像元的逐年NDVI和EVI合成数据，分别记为NDVImax、EVImax、NDVImean和EVImean。

NDVI=(NIR-RED)/(NIR+RED)

(1)

(2)

式中，NIR、RED和BLUE分别为近红外波段、红光波段和蓝光波段经过大气校正的地表反射率值；L=1，为土壤调节参数；参数C1和C2分别为6.0和7.5。

1.3草地地上生物量遥感监测模型构建与精度评价

利用SPSS软件的回归分析方法，统计分析植被指数与地面测产数据之间的相关关系，分别构建基于青南地区草地生物量干重和MODIS植被指数(NDVImax、EVImax、NDVImean和EVImean)之间的线性、指数、对数和乘幂4种模型，分别利用决定系数(R2)和均方根误差(RMSE)比较分析不同模型的模拟精度，选取适合于青南地区草地生物量反演的最优植被指数及模型。

1.4草地植被时序空间变化分析

利用一元线性趋势分析方法，通过计算NDVI的年际变化率(SLOPE),分析2004-2013年青南地区逐像元(500 m×500 m)草地植被的变化趋势，研究草地植被的生长状况。若SLOPE>0[18-19]则表示植被生物量呈增加趋势，植被生长状况良好；若SLOPE<0，则表示植被的生物量呈减少趋势，植被生长状况变差。SLOPE的计算公式如下所示：

(3)

式中,SLOPE表示一元线性方程的回归斜率；NDVIi表示第i年生长季NDVI值；n为监测时间段的累积年数，本研究中n=10，i为1到n。

为了更进一步探讨草地生长状况的空间分布格局，依据SLOPE大小划分为恶化(<-0.01)、轻度恶化(-0.01～-0.001)、稳定(-0.001～0.001)、轻度改善(0.001～0.01)和改善(>0.01),并对青南牧区按流域(长江流域、黄河流域和湄公河流域)和行政区分别进行统计分析。

标准差[19]是衡量一组地理数据与平均值的离散程度。标准差越大，说明统计变量距离研究时段内的平均值越远。本研究通过计算NDVI标准差来分析青南地区近10年逐像元(500 m×500 m)植被的波动特征。标准差反映的是植被变化的幅度，而SLOPE则表示变化的方向。标准差的计算公式为：

(4)

式中，NDVIi表示第i年的NDVI值，NDVI表示多年平均NDVI值，n为监测时间段的累积年数，i表示从1到n。

2　结果与分析

2.1青南牧区草地NDVI的空间变化

2.1.1青南牧区多年NDVI平均值的空间分布格局图2是近10年(2004-2013)青南地区NDVI平均值的空间分布格局。从该图可以看出，青南牧区NDVI总体呈现出由东南向西北逐渐减少的趋势。NDVI的高值区主要集中分布在青南牧区东部的贵南、泽库、同德和河南等县，另一个高值区出现在青南地区的东南部。NDVI值由中部向西北和西南方向逐渐减少。NDVI低值区主要出现在玛多县的东北和西北部，治多县的西北部和格尔木代管县的西北和西南部。究其原因发现，NDVI的变化与海拔关系密切，高海拔地区气候寒冷干燥，气温低，热量成为植被生长的主要限制性因素。高海拔地区土壤多为砾石和粗砂，对牧草的生长具有很大的影响，土壤肥力偏低，微生物活动比较弱，有机质积累强而分解缓慢，土壤养分供应不足，海拔越高的地方，NDVI越小，NDVI与海拔呈非正态分布，高海拔地区植被生长状况普遍较差，NDVI值偏低。

2.1.2青南牧区NDVI年际变化趋势图3和图4分别为2004-2013年青南牧区三大流域(长江、黄河和湄公河流域)和各个行政区的草地NDVI年际变化趋势。可以看出，青南牧区NDVI年际变化趋势在空间上的分布存在明显的差异。从三大流域和各个行政区的草地NDVI年际变化趋势看，总体上青南牧区的草地NDVI呈上升趋势，上升趋势由西北向东南逐渐递增。草地植被以轻微改善和改善为主，表明随着国家西部大开发、生态恢复工程及相关项目的实施，该地区草地植被恢复成效显著。

统计分析长江流域、湄公河流域和黄河流域植被NDVI的变化(表1)发现，近10年三大流域草地植被变化的总体趋势以轻度改善为主。其中，长江流域轻度改善所占比重最大，约为70.07%，其次为湄公河流域和黄河流域，分别为66.14%和60.97%。黄河流域14.65%的草地面积保持稳定，其次为湄公河流域和长江流域，分别为13.30%和10.42%。三大流域草地恶化的面积所占比重比较小，依次为0.01%,0.01% 和0.22%。湄公河流域12.38%的草地呈轻度恶化现象，其次为长江流域和黄河流域。总体而言，三大流域草地以轻度改善为主，恶化面积所占比重比较小，草地植被生长状况良好。

表2是青南地区各行政区草地NDVI变化趋势统计分析结果。从该表可以看出，青南牧区近10年各行政区草地以轻度改善为主，轻度改善所占比重普遍在50%以上，改善面积存在较大差异，其中轻度改善比重大于70%的县分别为格尔木代管区、治多、达日、贵南，其中，贵南所占比重最大，达79.49%；轻度改善大于60%的县分别为泽库、班玛、久治、玉树、杂多、称多、囊谦、曲麻莱；轻度改善小于60%的县分别为河南、同德、兴海、玛沁、甘德、玛多。改善草地的比重也存在着较大差异，其中玛多县改善最多，达28.61%；改善比重介于10%～21%的县包括同德、兴海、达日、杂多、称多、曲麻莱和格尔木代管区；其余县所占比重均小于10%。

轻度恶化所占比重也存在着显著差异性。甘德县22.28%的草地呈现轻度恶化现象，轻度恶化介于10%～20%之间的分别为玛沁、久治、玉树、兴海、河南、班玛等县；其他县轻度恶化基本小于10%。恶化的草地所占比重普遍比较少，除治多县(0.17%)和玛多县(0.93%)的草地出现恶化，其他恶化草地所占比重不足0.1%，其中泽库县、河南县、贵南县、甘德县、达日县、久治县、杂多县和称多县未出现恶化现象。草地稳定状态大于20%的县包括河南、玛沁、甘德、久治；稳定比重介于10%～20%之间的县包括泽库、同德、兴海、班玛、玉树、杂多、治多、称多和囊谦；小于10%的县包括贵南、达日县、玛多县、曲麻莱县和格尔木代管区。总体来说，青南地区草地以轻度改善为主，有少量不同程度的恶化，草地生长状况良好。

图2　2004-2013年青南地区草地植被生长季NDVI平均值空间分布Fig.2　Spatial distribution of average annual NDVI values in Qingnan Plateau during the period from 2004-2013

图3　2003-2014年青南牧区三大流域植被NDVI变化趋势Fig.3　NDVI variation trends in the Three River Headwaters of Qingnan region during the period from 2003 to 2014

图4　2004-2013年青南牧区各行政区植被NDVI变化趋势Fig.4　NDVI variation trends in different counties in Qingnan region during the period from 2003 to 2014

表1　2004-2013年青南牧区三大流域植被NDVI趋势变化

表2　2003-2014年青南地区不同县草地变化趋势

2.1.3青南牧区NDVI的波动状况图5表示青南牧区2004-2013年NDVI标准差空间分布格局。从该图来看，草地植被年际波动最大的地区主要分布在青南牧区东部及中部地区，这些地区的植被生长状况年际间具有很大的变化；而青南牧区西北部及中部的NDVI标准差变化较小，说明草地植被年际变化小，草地基本保持稳定。结合青南牧区草地NDVI变化趋势可以看出，近年来青南牧区东部地区草地NDVI呈上升趋势，并且草地植被生长状况波动较大。

2.2草地地上生物量反演模型及精度评价

生物量统计模型主要有线性和非线性模型。但是，由于各个研究区自然条件和植被生理特征存在差异，导致不同地区反演模型也存在较大差异。本研究通过SPSS软件，统计分析了基于生长季NDVImax、EVImax、NDVImean和EVImean4种植被指数与青南牧区草地地上生物量实测值之间的线性、指数、对数和乘幂模型。表3分别列出了模拟模型的拟合度和决定系数。由该表可以看出：植被指数NDVImax(R2=0.371)、NDVImean(R2=0.284)、EVImean(R2=0.287)和EVImax(R2=0.212)的乘幂模型均优于其他3种模型。在各种模型中，NDVImax(R2=0.371)的乘幂模型的决定系数最高，拟合效果最好。从精度评价的结果(表4)可以看出，4种植被指数的乘幂模型的决定系数基本高于其他模型，均方根误差较低。这说明基于植被指数NDVImax构建的乘幂模型反演的草地地上生物量与实测值最接近，能够很好地模拟青南牧区的草地地上生物量。因此，青南牧区草地地上生物量的最优模型为：

y=2028.773x2.556R2=0.371

式中，y为草地地上生物量(kg DW/hm2)；x为年最大MODIS NDVI值。

图5　2004-2013年青南牧区多年NDVI变化的标准差空间分布Fig.5　Spatial distribution of standard deviation of NDVI variation in Qingnan region during the period from 2004 to 2013

表3　青南牧区不同草地植被指数与草地地上生物量回归模型比较

2.3青南牧区草地产草量的空间变化特征

青南牧区2003-2014年草地产草量存在显著的区域性差异。为了详细分析草地产草量的空间变化特征，依据海拔变化特点，分别对青南地区海拔<3500 m、3500～4000 m、4000～4500 m、4500～5000 m、5000～5500 m和>5500 m的6个分区和不同草地类型分布区的生物量变化进行了统计分析(表5，6)。

表4　青南牧区草地植被指数与草地地上生物量反演模型精度评价

表5　2003-2014年青南地区不同海拔分区的平均草地地上生物量统计

由表5可知，近10年间青南地区各分区生物量存在较大差异，其中高程介于3500～4000 m分区的草地生物量高于其他5个分区，在每个高程分区中，2010年的生物量最大。高程小于3500 m分区的生物量介于716.6～1025.7 kg DW/hm2，其中近10年平均值为857.27 kg DW/hm2；高程介于3500～4000 m分区的生物量介于1164.2～1358.8 kg DW/hm2，平均值为1225.52 kg DW/hm2；高程介于4000～4500 m分区的生物量介于721.0～914.8 kg DW/hm2，近10年平均值为797.4 kg DW/hm2。高程大于5500 m时，生物量降到最低，仅为61.5～94.4 kg DW/hm2，平均值为75.14 kg DW/hm2。总体来说，青南地区的草地生物量随着海拔的升高而减少。

从表6可以看出，不同草地类型的生物量存在很大差异。在近10年期间各类草地的生物量在2010年均达到最大值，其中山地草甸类的生物量高于其他草地类型，其最大值达1280 kg DW/hm2，平均值为1163 kg DW/hm2，其次为高寒草甸类、温性草原类、温性荒漠草原类和温性荒漠类，生物量介于376～902 kg DW/hm2，高寒草甸类平均值为752 kg DW/hm2，温性草原类的平均值为722 kg DW/hm2，温性荒漠草原类的平均值为615 kg DW/hm2，温性荒漠类的平均值为493 kg DW/hm2。沼泽类生物量介于245～333 kg DW/hm2，平均值为288 kg DW/hm2；高寒草甸草原类、高寒荒漠类和高寒荒漠草原类生物量较小，在65 kg DW/hm2以下。

表6　2003-2014年青南牧区不同草地类型地上生物量趋势变化

3　讨论

3.1青南地区草地植被生长状况

本研究利用MODIS逐日植被指数产品及草地外业观测数据，对青南地区草地生物量时空动态变化及草地生长状况分析的结果表明，近10年(2004-2013)以来青南地区草地局部恶化、整体恢复，以轻微改善为主，改善区主要集中在东部地区，其主要原因包括气候变化的影响和国家相关政策因素这2个方面。

已有研究表明，高海拔地区气候寒冷干燥，气温低，低温比水分更能限制植被的生长，热量是植被生长的限制性因子，高寒地区气温的升高能促进植被的生长[20]。张钛仁等[21]的研究表明,青南东部地区牧草的生长受制于热量条件，而青南西部地区牧草的生长受制于水分条件，年降水量越多，牧草产量越高；青南东部的半湿润地区，温度对产量的影响大于降水对产量的影响。在全球气候变暖的背景下，青南半湿润地区，随着气温的升高，牧草产量有所增加，在青南西部地区，气候变暖加重了水分的散失，牧草的生长发育受到阻碍，牧草产量下降。吕晓蓉等[22]的研究表明，气候暖干化趋势导致青藏高原东北部环境不断恶化，气候变暖，降水减少，地表蒸发量大，造成河流断流，湖泊沼泽干涸，草地退化，影响天然草地牧草生长。这与本研究的结果一致。从NDVI的时空变化状况可以看出，青南地区东南部的贵南飞地、河南、泽库和同德等县的草地好于西部地区的格尔木代管区、治多、杂多等县，这与气候的暖干化有很大的关系，气候的暖干化显著影响着草地的变化。

在21世纪初，党中央做出了实施西部大开发战略的重大决策，将生态环境作为根本和切入点。目前天然草地保护、退耕还林还草等重点工程为主要内容的大规模西部生态环境建设取得显著成效。中国乃至亚洲重要的生态环境和水源涵养区，青南地区的生态保护，关乎西北地区乃至全国的生态安全。三江源保护和建设工程实施近10年来，在较大的范围内开展了生态恢复和治理工作[23]。三江源自然保护区一期工程自2005年8月启动实施，于2013年10月完成，二期工程于2014年初开始实施。青南地区草地地上生物量近年来呈现恢复趋势，这表明该区域草地生态系统功能正在逐年提升，三江源区水源涵养功能将会进一步增强，这对提升研究区生态系统服务功能意义重大[24]。此外，研究结果进一步表明了三江源自然保护区一期工程实施成效的显著性和二期工程及时启动的必要性。

3.2草地生物量遥感监测算法

本研究结合大量的遥感资料、野外实测的草地生物量数据，建立了植被指数与生物量之间的关系，筛选出适合青南地区的最优模型。虽然由于遥感数据和实测数据之间存在空间尺度不匹配的问题，会引起遥感估算的生物量存在一定的误差，但与基于样方的生物量监测的传统方法相比，遥感估算不仅有更高的时效性，而且具有传统方法无法比拟的优势，如可以监测高寒无人区草地的变化动态等。张连义等[25]利用锡林郭勒实测的草地地上生物量与植被指数之间的相关关系，研究结果表明锡林郭勒草地总生物量估产的最优回归模型为基于植被指数NDVI的S曲线(y=e5.983-0.479/x，R2=0.685，P<0.001), 他的研究最终选用了指数模型作为锡林郭勒草地生物量的最优估算模型。目前，针对草地监测的遥感模型的研究很多，但由于研究区草地类型、生态环境及所用遥感数据的不同，植被指数和生物量反演模型存在较大的差异。韩波[26]利用三江源的实测样点生物量与其对应的植被指数NDVI和EVI进行模型拟合，最终确定植被指数EVI与地面实测样点构建的模型为最优模型(y=348.769x0.783，R2=0.655，P<0.001)。韩波[26]的研究时间为2005-2014年，与本研究的时间(2004-2013年)基本一致，生物量反演模型均为乘幂模型，反演的三江源区高寒草地地上生物量的空间分布格局也具有从东南向西北逐渐减少的变化趋势，本研究与此结果一致，但模型参数存在一定的差异，从而导致反演的生物量具有较大变化。导致这种现象的主要原因是研究区选用的遥感资料及地面实测数据不同，所建立的反演模型必然存在一定差异。韩波的研究所用的遥感数据为MOD13A1，其时空分辨率分别为16 d和500 m。野外数据采集时间为2012-2014年的7月底-8月初，采集样点包括41个高寒草甸和13个高寒草原。本研究选用的MOD09GA数据，为逐日反射率产品，具有更高的时间分辨率，所用的地面调查数据集中在2010-2013年牧草生长的盛草期(7-8月)，并且有更多的地面调查样点数据。大量研究表明，研究区草地及自然环境的差异，选用的遥感数据时间分辨率和空间分辨率、地面生物量测定方法和所选植被指数的不同，对生物量反演模型的构建均有较大的影响。牛志春等[27]研究利用TM 影像数据提取的5种植被指数与草地生物量的相关分析表明，不同植被指数与草地生物量存在较好的相关性，但不同植被指数与草地生物量相关性程度存在一定差别，其中，RVI与草地生物量相关性最好，其次为NDVI、SAVI与MSAVI，DVI与生物量的相关性最差。Yang等[28]的研究结合青藏高原2001-2004高寒草地地上生物量数据与增强型植被指数分析了地上生物量的空间分布特征，探究了地上生物量受到温度和降水的影响，结果表明，地上生物量随着生长季降水的增加而增加，与生长季温度的总体趋势不显著，气候干燥(降水量<200 mm)时，生物量与生长季温度呈负相关关系；除此之外，地上生物量还受到土壤结构的影响，生长季降水偏少使土壤含沙量增加，导致生物量的减少；土壤湿度的变化影响着草地的产草量，但是温度和土壤结构却影响着高海拔地区植被的生长。因此，改进地面观测样点的监测范围及其代表性(如采用无人机等技术)，提高卫星遥感监测资料与地面观测数据的时空匹配性，是未来改进草地生物量遥感反演模型精度的关键，也是草地遥感监测的重要内容之一。

4　结论

本研究利用MOD09GA产品的1-7波段反射率数据，分别计算了生长季草地的NDVI和EVI的最大值和平均值，利用2010-2013年外业观测的草地地上生物量数据与MOD09GA的植被指数构建了青南地区草地生物量遥感反演模型，分析了青南地区草地地上生物量及NDVI的时空变化特征。获得如下主要研究结果：1) 在4种植被指数中，反演草地生物量的乘幂模型的R2均高于其线性、对数和指数模型，其中基于NDVImax构建的乘幂模型(y=2028.773x2.556，R2=0.371)拟合效果优于其他植被指数，乘幂模型的R2最高，为0.371；对数函数的模型R2为0.361；线性R2为0.242，指数模型的R2为0.222。2)青南牧区草地生物量呈由西北向东南逐渐增加的空间分布格局。山地草甸类的生物量高于其他草地类型，10年(2004-2013年)期间，山地草甸类的生物量普遍在1000 kg DW/hm2以上，其中2010年的最大，为1280 kg DW/hm2；温性草原类的生物量介于573.8～902.4 kg DW/hm2之间，生物量平均值为722 kg DW/hm2；高寒草甸的生物量介于681.2～849.2 kg DW/hm2；温性荒漠类生物量介于375.7～632.6 kg DW/hm2，生物量平均值为492.66 kg DW/hm2；高寒荒漠类和高寒草甸草原类的生物量介于28.6～63.3 kg DW/hm2之间；高寒荒漠草原类的生物量小于28 kg DW/hm2，最大生物量仅为28.0 kg DW/hm2。海拔对生物量也具有重要影响，海拔小于3500 m，生物量最大为1025.7 kg DW/hm2；海拔介于3500～4000 m，生物量最大达1358.8 kg DW/hm2；海拔介于4000～4500 m时，生物量最大为914.8 kg DW/hm2；海拔介于4500～5000 m，生物量最大为574.2 kg DW/hm2；海拔介于5000～5500 m，生物量最大为219.9 kg DW/hm2；海拔大于5500 m，生物量仅为94.4 kg DW/hm2。随着海拔的升高，生物量减少。3)青南牧区多年NDVI平均值呈由东南向西北逐渐减少的空间分布特征。统计分析近10年的长江流域、黄河流域和湄公河流域三大流域草地植被的变化趋势表明，青南地区轻度改善的草地所占比重最大，长江流域达70.07%；其次为湄公河流域和黄河流域；湄公河草地改善所占比重仅为8.18%；湄公河流域12.38%的草地呈轻度恶化趋势，长江流域轻度恶化的比重最小为8.52%，黄河流域为11.67%。三大流域草地稳定状态比重均在10%以上；长江流域和湄公河流域恶化的比重不足0.1%，黄河流域恶化比重为0.22%。统计分析青南地区近10年来的草地变化趋势表明：青南地区草地以轻度改善为主，草地改善存在较大的差异性，改善比重普遍在50%以上，贵南轻度改善比重达79.49%，玛多县28.61%的草地呈改善状态，改善比重小于10%的县占到了10个，河南县仅占0.89%；轻度恶化所占比重的差异也较大，其中介于10%～23%的县达到了9个，甘德县为22.28%，其余县小于10%，格尔木代管区为4%；18个县区，恶化比重均比较小，除玛多县和治多县的恶化比重分别占0.93%和0.17%，其他县均不足0.1%。青南地区草地稳定状态所占比重不尽相同，其中介于10%～27%的县占到了13个，河南县26.56%的草地保持稳定，其他县均小于10%，玛多县近5.67%的草地保持稳定。

总体来说，青南地区草地具有局部恶化、整体恢复的特点，草地以轻度改善为主，草地植被生长状况趋于良好。

References：

[1]Wang X X, Zhu J Z, Fan Y M,etal. Research on dynamics estimation models of grassland based on MODIS-NDVI in the middle section of northern hillside Tianshan Mountain. Pratacultural Science, 2009, 26(7): 24-27.

[2]Liu X Y, Long R J, Shang Z H,etal. Evaluation method of ecological services function and their value for grassland ecosystems. Acta Prataculturae Sinica, 2011, 20(1): 167-174.

[3]Li X. Remotely Sensed Monitoring of Grassland Aboveground biomass in Northern Xinjiang Area[D]. Lanzhou: Lanzhou University, 2008.

[4]Yu L P, Li F D, Li X Y,etal. RS, GIS and GPS based evaluation of desert grassland productivity in Ganzhou of Gansu Province. Grassland and Turf, 2008, 130(5): 36-39.

[5]Scurlock J M O, Johnson K, Olson R J,etalEstimating net primary productivity from grassland biomass dynamics measurements. Global Change Biology, 2002, 8(8): 736-753.

[6]Piao S L, Fang J Y, Huang Y,etal. The carbon balance of terrestrial ecosystems in China. China Basic Science, 2010, 458: 1009-1013.

[7]Ni J. Forage Yield-Based Carbon Storage in Grasslands of China. Climatic Change, 2004, 67(2/3): 237-246.

[8]Hudak A T, Brockett B H. Mapping fire scars in a southern African savannah using Landsat imagery. International Journal of Remote Sensing, 2004, 25(16): 3231-3243.

[9]Zhou X, Sheng J D, Zhang W T,etal. Aboveground biomass inversion of grassland in Ili area using MODIS data. Acta Agrestia Sinica, 2015, 23(1): 27-33.

[10]Zhou Y T, Fu G, Shen Z X,etal. Estimation model of aboveground biomass in the Northern Tibet Plateau based on remote sensing data. Acta Prataculturae Sinica, 2013, 22(1): 120-129.

[11]Cheng P. Study on Grassland Degradations and Vegetation Indices-biomass Model of Ruoergai County Based on TM Image[D]. Chengdu: Sichuan Agricultural University, 2009.[12]Chu D, Ji Q M, Tang H,etal. Aboveground biomass estimation methods of grassland in the central Tibet. Journal of Mountain Science, 2013, 31(6): 664-671.

[13]Chu D, Dejiyangzong, Pubbciren,etal. Aboveground biomass in the North Tibet and estimate model using remote sensing data. Journal of Natural Resource, 2013, 28(11): 2000-2011.

[14]Gao T, Yang X, Jin Y,etal. Spatio-temporal variation in vegetation biomass and its relationships with climate factors in the Xilingol grasslands, Northern China. Plos One, 2013, 8(12): e83824.

[15]Ma W, Liu Z, Wang Z,etal. Climate change alters interannual variation of grassland aboveground productivity: evidence from a 22-year measurement series in the Inner Mongolian grassland. Journal of Plant Research, 2010, 123(4): 509-517.

[16]Barrachina M, Cristóbal J, Tulla A F. Estimating above-ground biomass on mountain meadows and pastures through remote sensing. International Journal of Applied Earth Observation & Geoinformation, 2015, 38: 184-192.

[17]Hao Y Q, Yu M S. The thinking and countermeasures of the grassland ecological animal husbandry construction in Qingnan region. Chinese Qinghai Journal of Animal and Veterinary Sciences, 2002, 32(4): 33-35.

[18]Sun Y L, Guo P. Spatiotemporal variation of vegetation coverage index in North China during the period from 1982 to 2006. Arid Zone Research, 2012, 29(2): 187-193.

[19]Wang T, Shen W T, Ouyang Y,etal. Characteristics of temporal and spatial variations in the grass growing season of Tibet during the period of 1982 to 2010. Acta Agrestia Sinica, 2014, 22(1): 46-51.

[20]Wang P L, Tang G L, Cao L J,etal. Surface air temperature variability and its relationship with altitude & latitude over the Tibetan Plateau in 1981-2010. Advances in Climate Change Research, 2012, 8(5): 313-319.

[21]Zhang T R, Yan L D, Zhang F,etal. The impacts of climate on the natural pasture grass in Qinghai Province. Plateau Meteorology, 2007, 26(4): 724-731.

[22]Lv X R, Lv X Y. Climate tendency analysis warming and drying in grassland of Northeast Qingzang Plateau of China. Grassland of China, 2002, 24(4): 8-13.

[23]Fan J W, Shao Q Q, Liu J Y,etal. Dynamics changes of grassland yield in Three River Headwater region from 1988 to 2005. Acta Agrestia Sinica, 2010, 18(1): 5-10.

[24]Qin H R, Kong Q X. Present situation of grassland eco-environment and countermeasures in Qingnan pasture area. Qinghai Prataculture, 2005, 14(1): 48-50.

[25]Zhang L Y, Bao L R, Erdunzhama,etal. Research on remote sensing models for monitoring grassland vegetation biomass in Xilinguole. Chinese Journal of Grassland, 2008, 30(1): 6-14.

[26]Han B. Modeling Aboveground biomass of Alpine Grassland in the Three-River Headwaters Region Based on Remote Sensing Data[D]. Hefei: Anhui University of Science &Technology, 2015.

[27]Niu Z C, Ni S X. Study on models for monitoring of grassland biomass around Qinghai Lake assisted by remote sensing. Acta Geographica Sinica, 2003, 58(5): 695-702.

[28]Yang Y H, Fang J Y, Pan Y D,etal. Aboveground biomass in Tibetan grasslands. Journal of Arid Environments, 2009, 73(1): 91-95.

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

[2]刘兴元, 龙瑞军, 尚占环, 等. 草地生态系统服务功能及其价值评估方法研究. 草业学报, 2011, 20(1): 167-174.

[3]李霞. 北疆地区草地生物量遥感监测[D]. 兰州: 兰州大学, 2008.

[4]俞联平, 李发弟, 李新媛, 等. 基于3s技术的甘肃省甘州区荒漠草地生产力评价. 草原与草坪, 2008, 130(5): 36-39.

[9]周鑫, 盛建东, 张文太, 等. 基于 MODIS 数据的伊犁地区草地地上生物量反演. 草地学报, 2015, 23(1): 27-33.

[10]周宇庭, 付刚, 沈振西, 等. 藏北典型高寒草甸地上生物量的遥感估算模型. 草业学报, 2013, 22(1): 120-129.

[11]成平. 基于TM影像的若尔盖草地退化及生物量模型研究[D]. 成都: 四川农业大学, 2009.

[12]除多, 姬秋梅, 唐洪, 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(6): 664-671.

[13]除多, 德吉央宗, 普布次仁, 等. 藏北草地地上生物量及遥感监测模型研究. 自然资源学报, 2013, 28(11): 2000-2011.

[17]郝云晴, 于明胜. 青南牧区草地生态牧业建设的思考及对策. 青海畜牧兽医杂志, 2002, 32(4): 33-35.

[18]孙艳玲, 郭鹏. 1982-2006年华北植被指数时空变化特征. 干旱区研究, 2012, 29(2): 187-193.

[19]王涛, 沈渭涛, 欧阳琰, 等. 1982-2010年西藏草地生长季NDVI时空变化特征. 草地学报, 2014, 22(1): 46-51.

[20]王朋岭, 唐国利, 曹丽娟, 等. 1981-2010年青藏高原地区气温与高程及纬度的关系. 气候变化研究进展, 2012, 8(5): 313-319.

[21]张钛仁, 颜亮东, 张峰, 等. 气候变化对青海天然牧草影响研究. 高原气象, 2007, 26(4): 724-731.

[22]吕晓蓉, 吕晓英. 青藏高原东北部草地气候暖干化趋势分析. 中国草地, 2002, 24(4): 8-13.

[23]樊江文, 邵全琴, 刘纪远, 等. 1988-2005年三江源草地产草量变化动态分析. 草地学报, 2010, 18(1): 5-10.

[24]秦海蓉, 孔庆秀. 青南牧区草地生态环境现状及对策. 青海草业, 2005, 14(1): 48-50.

[25]张连义, 宝路如, 尔敦扎玛, 等. 锡林郭勒盟草地植被生物量遥感监测模型的研究. 中国草地学报, 2008, 30(1): 6-14.

[26]韩波. 三江源高寒草地地上生物量遥感反演模型的建立[D]. 合肥: 安徽理工大学, 2015.

[27]牛志春, 倪绍祥. 青海湖环湖地区草地植被生物量遥感监测模型. 地理学报, 2003, 58(5): 695-702.

Monitoring of grassland herbage accumulation by remote sensing using MODIS daily surface reflectance data in the Qingnan Region

YANG Shu-Xia1, ZHANG Wen-Juan2, FENG Qi-Sheng1, MENG Bao-Ping1, GAO Jin-Long1,LIANG Tian-Gang1*

1.StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China; 2.QinghaiProvinceGrasslandsStation,Xining810000,China

Monitoring of grassland herbage accumulation using remote sensing technology has a potentially important role in understanding seasonal changes in grasslands and optimizing animal husbandry and grazing management. In this study above ground biomass (AGB) and its spatial distribution was recorded using in-situ measurements during the growing seasons from 2010 to 2013 in southern Qinghai province, and regression models using in-situ AGB data and the corresponding daily surface reflectance product of Terra MODIS were established. The spatial analysis method was used to calculate four vegetation indices (NDVImax,EVImax,NDVImeanandEVImean) using MOD09GA data, and the accuracy of the inversion models was then analyzed, and the spatial distribution of the NDVI mean values in the previous 10 years characterized. With the algorithms optimized in this way, we estimated the aboveground grassland biomass and its spatial distribution for the previous 10 growing seasons. It was found that the aboveground biomass gradually increases from northwest to southeast, and different grassland types have characteristic biomass differences. The biomass of mountain meadow was highest among the grassland types included in this 10 year study, and reached 1280 kg DW/ha in 2010. The biomass of alpine meadow, warm steppe, warm desert and marsh ranged between 244.9 kg DW/ha and 902.4 kg DW/ha, The biomass values of alpine meadow grassland, alpine desert, and alpine desert grassland were much lower, and were below 65 kg DW/ha. The elevation had a marked effect on biomass, with grassland biomass decreasing with increasing elevation above 3500 m. At elevations between 3500 and 4000 meters, peak biomass was 1358.8 kg DW/ha; between 4000 and 4500 meters, the biomass was below 920 kg DW/ha, and between 4500 and 5000 meters the biomass averaged approximately 574.2 kg DW/ha. Above 5000 meters elevation, the biomass averaged approximately 94.4 kg DW/ha. The trend of NDVI mean values in last 10 years indicates that most regions in the Three River Headwater region (The Yellow River, The Yangtze River, and The Mekong River), which span different administrative areas, can be categorized as showing ‘mild improvement’ or ‘improvement’. Overall, the trend in grassland vegetation status is positive.

Qingnan region; aboveground biomass of grassland; NDVI; remote sensing monitoring

10.11686/cyxb2015455http://cyxb.lzu.edu.cn

杨淑霞, 张文娟, 冯琦胜, 孟宝平, 高金龙, 梁天刚. 基于MODIS逐日地表反射率数据的青南地区草地生长状况遥感监测研究. 草业学报, 2016, 25(8): 14-26.

YANG Shu-Xia, ZHANG Wen-Juan, FENG Qi-Sheng, MENG Bao-Ping, GAO Jin-Long, LIANG Tian-Gang. Monitoring of grassland herbage accumulation by remote sensing using MODIS daily surface reflectance data in the Qingnan Region. Acta Prataculturae Sinica, 2016, 25(8): 14-26.

2015-09-23；改回日期：2015-11-23

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)，长江学者和创新团队发展计划(IRT13019)资助。

杨淑霞(1983-)，女，甘肃宁县人，在读博士。E-mail: yangshx2014@lzu.edu.cn

Corresponding author. E-mail: tgliang@lzu.edu.cn