黄河源区高寒草甸群落高度遥感模拟与评价

殷建鹏，高金龙，冯琦胜，葛 静，孟宝平，杨淑霞，梁天刚,孟小平

(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.农业部草牧业创新重点实验室，甘肃 兰州 730020； 3.陇西县马营滩小学，甘肃 定西 748105)

草层高度在草地资源管理中具有重要的作用，其与生物量、载畜力、采食率、牧草净初级生产力、草地营养状况等有明显的相关性[1]。传统的野外草地资源监测中对草层高度的调查大多以尺具测量为主，该方法不仅耗时费力，而且无法反映大范围的草地草层高度的时空分布及变化情况。近年来，随着“3S”技术的飞速发展，特别是遥感技术具有多平台、多层次、多波段、多时相、短周期、低价格等特点[2]，已逐步成为草地资源监测的重要方法，可以在不同空间尺度上针对草地地上生物量、草地盖度及群落高度等生物物理指标进行动态监测[3]。

在草层高度的遥感监测方面，国内外学者已经从微波遥感、植被指数以及植被冠层光谱反射率等多方面进行了研究，研究主要集中在面积较小、物种数目较少、群落结构简单以及地势比较平坦的栽培草地。例如，Hill等[4]研究发现，机载合成孔径雷达(synthetic aperture radar，SAR)C、L波段的反向散射与草层高度之间存在显著的相关关系，并结合雷达影像制作了草层高度分布图。Small等[5]利用GPS卫星波段的反射信号研究了信噪比(SNR)与植被季节性生长的关系，结果证明GPS多波段信号对植被的高度十分敏感，可以用来估测除森林之外的绝大多数植被类型的高度，表明微波遥感在估测植被高度方面有一定的潜力。He等[6]研究发现，利用SPOT4卫星数据产品中改进土壤调节植被指数(adjusted transformed soil-adjusted vegetation index，ATSAVI)计算得到的草地叶面积指数(leaf area index，LAI)与草层高度有显著的线性相关关系(R2=0.58)。Buffet和Dger[7]发现，草地冠层光谱780与677 nm波段处的反射率之差与草层高度有一定相关性，而Capolupo等[8]研究牧草冠层反射率与草层高度的相关性后认为，窄波段归一化红边指数(normalized difference red edge，NDRE)可以较好地反映草层高度的变化。随着科技的进步及牧草生产精细化管理的需求，拥有更高分辨率、更高准确率的遥感新技术被应用到了牧草生产中。Kaizu等[9]利用3D激光扫描仪测量草地冠层与地面的高度之差并估算草层高度，发现估测值与实测值之间的相关系数达到0.62。Fricke等[10]使用超声波距离传感器(altrasonic distance sensor，ADS)实现了混播栽培草地草层高度的高精度测量与地上生物量估产。Pittman[11]比较了测距激光传感器与超声波距离传感器测量草层高度的精度，发现前者的精度明显高于后者。

相较于栽培草地，我国天然草地面积辽阔、物种组成复杂、地势高低起伏，情况较为复杂。目前，国内学者主要采用MODIS植被指数、冠层高光谱反射率等遥感方法对我国天然草地的盖度、营养水平以及地上生物量等指标进行监测[12-16]，只有少数学者对天然草地草层高度遥感监测方面进行过研究。Wang等[17]利用机载激光雷达传感器(light detection and ranging，LiDAR)对呼伦贝尔草原的草层高度进行监测，估测值与实测值的拟合系数达到0.583，均方根误差(root mean square error，RMSE)达到4.9 cm。Chen等[18]在利用地表能量平衡系统(surface energy balance systern,SEBS)模型估算青藏高原地区地表蒸散量时提出一种适用于大尺度非均匀地表、基于NDVI的植被冠层高度反演公式，该公式估测天然草地草层高度的精度还有待进一步考证。由于我国天然草地的特殊性，实现对天然草地草层高度的精确监测仍是一个巨大的挑战。

本研究以黄河源地区高寒草甸为研究对象，通过分析MODIS植被指数和草地高光谱反射率数据与高寒草甸群落草层高度之间的相关关系，重点研究探索：1)12种MODIS植被指数对草层高度变化的敏感程度，分析研究区高寒草甸群落高度反演模型的适用性；2)利用MOD09GA和野外观测数据，验证基于SEBS研究提出的冠层高度模型是否适合反演高寒草甸群落的草层高度，并对其精度进行评价；3)分析高寒草甸群落高度与其冠层高光谱反射率之间的相关关系，并筛选出典型光谱特征波段，构建草层高度反演模型。以期实现对高寒草甸草层高度的准确监测，为草地资源生长状况的综合评价提供科学依据。

1 材料与方法

1.1 研究区概况

黄河源区是三江源生态自然保护区的重要组成部分，位于青海省东部，覆盖果洛藏族自治州及周边玛多、称多等县的部分地区，介于95°30′-103°30′ E，32°05′-36°30′ N，总面积约12.2万km2[19]。黄河源区地处青藏高原东缘，海拔变化差异较大，介于2 568～6 264 m，平均海拔4 217 m[19]。黄河源区属高原山地气候，年降水量在262.2～772.8 mm，降水主要集中在6-9月，占全年降水的75%～90%，年均光照时数2 567.4 h[20]，年平均气温-5.38～4.14 ℃。从我国的植被分区看，黄河源区主要属于青藏高原高寒植被区，主要植被类型有高寒草甸、高寒草原、沼泽等，在局部高海拔地带分布有垫状植被和流石滩稀疏植被，植被稀疏低矮[21]。

在黄河源区东部贵南县、玛沁县、河南县及久治县典型高寒草甸区设立试验区(图1)，试验区高寒草甸植被群落主要以小嵩草(Kobresiapygmaea)、藏蒿草(K.tibetica)、矮嵩草(K.humilis)、线叶嵩草(K.capilifolia)和针茅(Stipacapillata)等为优势种。

1.2 数据来源及预处理

1.2.1草地群落高度数据 野外调查时间为2014年8月上旬和2015年8月上旬，根据高寒草甸植被特征，在试验区选择草地植被空间分布均一、有代表性的地段设置样地。其中，2014年在贵南县设置样地10块，玛沁县设置样地7块，2015年在河南县设置样地2块，久治县设置样地2块，共设置样地21个，大小为100 m×100 m。在样地中选用9点法布设0.5 m×0.5 m的样方，记录草层高度、盖度等指标，以9个样方的平均草层高度代表该样地的群落高度。

1.2.2草地植被冠层高光谱反射率数据 光谱数据的采集利用荷兰Avantes公司制造的AvaField-3便携式高光谱地物波谱仪，其光谱范围为300-2 500 nm，其中300-1100nm的光谱分辨率为1.4nm，光谱采样间隔为0.6 nm；1 100-2 500 nm的光谱分辨率为15 nm，光谱采样间隔为6 nm。光谱采集尽量选择在少云或者无云、光照条件良好的时间段进行，每块样地中选择9点法对角线处的5个样方进行高光谱数据采集，采集参数设置时间为100 ms，测量后及时进行白板校正，每个样点重复测量10次。

图1 黄河源东部试验区样地分布图Fig. 1 Distribution of sampling sites in the eastern region of the Yellow River

使用Viewer 7.0软件对每个样点的多次重复测量值进行平均处理，得到各样点的光谱反射率数据。由于光谱反射率存在一定的噪声，通过Origin 9.0数据分析软件的Savitzky-Golay卷积平滑法(即S-G滤波)对光谱数据进行平滑滤波处理[22]，经反复测试，在滤波参数移动窗口宽度及多项式次数的优化上选择11和5，这种方法可有效消除噪声，提高信噪比，但不会改变信号的形状。由于350-1 500和1 500-2 500 nm之间的光谱采样间隔不一致，为保证数据的整齐度及后期的数据分析，在Origin 9.0数据分析软件中采用Linear插值法，插值后生成原始光谱曲线。为有效降低或消除土壤等背景对冠层光谱的影响[23]，提高光谱数据的多重共线性，突出地物的光谱吸收和反射特征，在ENVI 5.0遥感图像处理软件中利用一阶微分插件及去包络线插件对原始光谱数据进行处理，得到一阶微分光谱和去包络线光谱。

因为野外草地高光谱测量的不定性因素较多，且高寒草地不同植被类型及其结构存在较大差异等原因，1 100-2 500 nm之间的光谱数据出现了较大的噪声，考虑到研究植被特征光谱常用波段大多分布在可见光和近红外区域，故本研究使用350-1 100 nm波段范围内的反射率数据来研究对草层高度敏感的特征波段。

1.2.3卫星遥感数据 所用遥感数据为来自美国国家航空航天局(National Aeronautics and Space Administration，NASA)的地球观测系统数据及信息系统网站的MODIS地表反射率产品MOD09GA。该产品是逐日地表反射率值，包含了MODIS 1-7通道的反射率数据，已经对大气、气溶胶及薄卷云的影响进行了校正，地面分辨率为500 m。本研究使用了2014年8月和2015年8月覆盖黄河源区的MOD09GA影像，在全球正弦投影系统中的空间编号为h25v05和h26v05，数据格式为EOS-HDF。

数据预处理过程如下：1)使用MODIS投影转换工具MRT(MODIS Reprojection Tool)软件，对MOD09GA逐日地表反射率数据进行投影转换等处理，将正弦曲线投影转换为Albers地图投影，椭球体选用WGS84，用最邻近法进行重采样，最后输出的影像文件格式为GeoTIFF，得到MOD09GA 1-7波段的逐日反射率数据；2)在ArcGIS软件中分别计算NDVI、EVI、SAVI、MSAVI、OSAVI、SATVI和RVI，以及B7/B2、B2-B7、B7/B5、B5/B7和(B5-B7)/(B5+B7)这12种植被指数的每日数据(表1)，利用最大值合成(MVC)方法，合成2014年8月和2015年8月的月最大植被指数数据；3)分别提取样地的植被指数值；4)按照黄河源主要草地类型分别统计NDVI最大值和最小值等统计指标。

1.3 群落高度反演模型的构建及评价

1.3.1植被指数反演模型 将野外实测样地草层高度数据与MODIS植被指数数据进行配对后，得到有效数据21组，以每个样地对应的12种植被指数数值分别为自变量，样地实测平均草层高度为因变量，在SPSS软件中分别构建线性模型、指数模型、乘幂模型、对数模型，并根据每种模型的决定系数(R2)对模型的精度进行评价，确定对高寒草甸群落高度变化较为敏感的植被指数及相对最优反演模型。

1.3.2冠层高度模型 Chen等[18]提出的植被冠层高度反演公式如下：

(1)

式(1)中：HC为草层高度，HCmin和HCmax是实地测量草层高度中的最小值和最大值，NDVImin和NDVImax分别指高寒草甸试验区样地对应NDVI中的最小值和最大值。

1.3.3光谱反射率反演模型 分析原始光谱反射率、一阶微分反射率以及去包络线反射率与样地实测草层高度之间的相关关系，并且通过相关系数检验确定显著性检验的临界值，选取与草层高度显著相关的特征波段作为自变量，以草层高度为因变量，在SPSS软件中建立回归模型，并对模型的精度进行评价，从中选择估算高寒草甸草层高度的最优模型，探索草地冠层光谱反射率与草层高度之间的内在规律。

1.3.4不同草层高度估算模型的精度评价 以均方根误差(RMSE)及平均平方根离差系数(CVRMSE)[31]作为模型评价指标，综合评价基于植被指数的反演模型、冠层高度模型及光谱反射率反演模型的精度，从中选出适合黄河源高寒草甸的草层高度反演最优模型。其中，RMSE常被用来量化模型的精度[9]，RMSE越小，估测值与实测值之间的相关系数r越接近1，模型的精度越高。CVRMSE则是反映模型估测值分布情况的指标，如果CVRMSE<10%，则表示模拟效果优良；如果10%≤CVRMSE<20%，则表明模拟效果好；如果20%≤CVRMSE<30%，则表明模拟效果一般；如果CVRMSE≥30%，则表明模拟效果差。另外，将变异系数(CV)作为反映试验区21块样地观测值的变异程度。CV、RMSE及CVRMSE的计算公式如下：

表1 植被指数计算公式Table 1 Equations for seven vegetation indices

NIR，近红外波段；R，红外波段；SWIR1，短红外波段；SWIR2，中红外波段；在EVI计算公式中，C1=6，C2=7.5，L=1；在SAVI和SATVI计算公式中，L=0.5。

NIR denotes the near-infrared band, and R denotes the red band. In the equation of EVI, C1=6, C2=7.5, and L=1; in the equations of SAVI and SATVI equations, L=0.5.

(2)

(3)

(4)

2 结果与分析

2.1 基于MODIS植被指数的草层高度估算

12种植被指数与黄河源区高寒草甸典型试验区草层高度的回归统计结果(表2)表明，除NDVI之外，其余11种植被指数的回归模型均未通过显著水平为0.05的F检验，这表明，NDVI对高寒草甸的草层高度最为敏感，基本上可以反映黄河源地区高寒草甸群落高度的时空变化状况。在NDVI构建的4种回归模型中，指数模型的拟合决定系数(R2=0.241)明显高于乘幂模型(R2=0.221)、线性模型(R2=0.217)及对数模型(R2=0.203)，说明该模型对草层高度的估测能力相对较优。该模型的估测值与实测值之间的相关系数r达到0.51，RMSE仅为4.2 cm，CVRMSE为45.7%(表3)，估测精度一般。

2.2 基于冠层高度模型的草层高度估算

盛草期野外实地测量的21块高寒草甸样地的草层高度与相应NDVI的统计结果(表4)表明，高寒草甸试验区草层高度的变异系数较大，而NDVI的变异系数较小，这表明不同样地之间的草层高度有较大的差异，但各样地植被的长势较为均一。高寒草甸试验区NDVImin和NDVImax分别为0.526和0.871。

将NDVImin和NDVImax代入冠层高度公式(1)中，得到高寒草甸试验区草层高度的估测值，估测样地草层高度与实测样地草层高度之间的相关系数仅为0.33，冠层高度模型的RMSE达到5.8 cm。

表2 MODIS植被指数与草层高度的回归分析结果Table 2 Results from regression analysis results of MODIS vegetation indices and grassland canopy height

n=21;*表示显著性相关(P<0.05)，表3同。

n=21; *indicate significantly correlation at the 0.05 level, similarly for Table 3.

表3 基于NDVI的草层高度最优模型的估计参数及估测精度Table 3 Estimation parameters and accuracy of grassland canopy height optimal model derived from NDVI

表4 试验区样地草层高度与相应的MODIS NDVI统计结果Table 4 Statistical results of grassland canopy height and MODIS NDVI

2.3 基于草地冠层高光谱反射数据的草层高度估算

从黄河源区典型高寒草甸的原始光谱曲线(图2)可以看出，高寒草甸的光谱反射曲线(350-1 100 nm)与健康植被波谱曲线特征相似，可见光560和675 nm左右处形成明显的“绿峰”和“红谷”，这是由草地植被冠层中色素反射绿光及强烈吸收红光的特性所决定的。受到草地冠层叶片细胞结构的影响[16]，700-800 nm间反射率急增，形成一个陡坡；在800-1 100 nm范围内，植被光谱曲线的反射率高达20%～60%，主要是光在叶片内部及叶片间的多次散射造成的[32]。

由高寒草甸草层高度与草地原始光谱、一阶微分光谱及去包络线光谱反射率之间的相关系数曲线(图3)可以看出，在519.4-583.17 nm之间，原始光谱反射率与草层高度之间呈现明显的负相关关系(P<0.05)，在549.87 nm处相关性最高，达到-0.59(P<0.01)。一阶微分光谱反射率与群落高度的相关性高于原始光谱，366.31 nm波段处的一阶微分反射率与草层高度呈显著正相关关系，相关系数达0.64(P<0.01)，510.59-511.18 nm波段之间的一阶微分光谱反射率与草层高度之间具有显著的负相关关系，相关系数的绝对值均在0.6以上(P<0.01)，510.59 nm波段的一阶微分光谱反射率与草层高度负相关系数最大，达-0.69(P<0.01)。775.34-775.91 nm波段范围的去包络线光谱反射率与草层高度的相关系数绝对值大于0.5(P<0.05)，775.91 nm波段处的负相关系数最大，达-0.54。

图2 21块样地植被冠层(350-1 100 nm)光谱曲线Fig. 2 Vegetation canopy spectral curves (350-1 100 nm) of 21 sample plots

选取原始光谱、一阶微分光谱及去包络线光谱相关性曲线中相关系数|r|>0.5的波段作为特征波段，并构建光谱参量与草层高度进行回归分析(表5)。可以看出，高寒草甸冠层高光谱反射率与群落高度之间的最优反演模型是“蓝边”波段内以510.59 nm波段的一阶微分值为自变量的线性模型(y=-156.375x+20.384，R2=0.489)，其反演精度较高，RMSE为3.5 cm，估测值与实测值相关系数r达到0.70(P<0.01)。

2.4 模型的精度比较与评价

本研究共采用3种方法对黄河源区高寒草甸群落的高度进行估测，3种方法的估测精度不尽相同。从典型试验区(21个样地)的估测结果(表6)可以看出，这3种模型的RMSE从大到小依次是冠层高度模型、NDVI指数模型、高光谱模型，而估测值与实测值之间的相关系数r从大到小依次为高光谱模型、NDVI指数模型、冠层高度模型。

3种模型的估测效果(图4)显示，模型的估测准确度从高到低依次为高光谱模型(R2=0.488 8)、NDVI指数模型(R2=0.258 4)、冠层高度模型(R2=0.109 9)。其中，冠层高度模型的估测值大多数落在1∶1直线上方(图4b)，说明该模型的估测值相较于真实值偏大；而NDVI指数模型和高光谱模型的估测值均匀分布在1∶1直线两侧(图4a和c)；综合考虑，这3种模型的大多数估测值与1∶1直线的偏离程度较大，并且估测值的离散程度也较大，而出现这种分布情况是因为这3种模型的CVRMSE均大于30%。尽管如此，高光谱模型相较于NDVI指数模型和冠层高度模型有较低的CVRMSE(37.2%)，比后两种模型更适合反演高寒草甸群落的高度。

3 讨论与结论

在NDVI、EVI、SAVI、MSAVI、OSAVI、SATVI和RVI，以及B7/B2、B2-B7、B7/B5、B5/B7和(B5-B7)/(B5+B7)这12种植被指数中，仅有NDVI可以反映高寒草甸群落高度的变化情况。NDVI构建的4种模型(线性、指数、对数及乘幂)的决定系数(R2)均较低，介于0.203～0.241，其构建的指数模型y=0.789e3.186x相对最优，但R2仅为0.241，RMSE达4.2 cm。该模型的反演精度与Liang等[33]在青南牧区建立的基于EVI反演草层高度的乘幂模型相似(R2=0.249 6，RMSE=7.02 cm)，说明利用MODIS植被指数估测高寒草地群落高度的误差较大。而引起这些误差的主要原因在于MODIS植被指数与草层高度之间没有较为密切的联系。其次，地面样方实测数据与卫星遥感数据的匹配性问题也是误差来源之一：1)时间上的匹配性问题。野外地面观测样点的调查是在8月初盛草期进行的，由于光学卫星遥感数据受云层等天气状况的极大限制，大多数地面样地的调查时间与卫星成像时间无法完全匹配，最大值合成法计算的MODIS植被指数与样方调查时间也有差异。2)空间上的匹配问题。本研究中野外调查样地的面积较小，为100 m×100 m的样地，与所用的500 m空间分辨率的MODIS产品有一定差异，普遍存在混合像元情况，因此基于MODIS植被指数的回归模型精度较差。

图3 高寒草甸原始光谱、一阶微分光谱、去包络线光谱与草层高度的相关系数Fig. 3 Correlation coefficient between the canopy height and original spectrum, and the first-order differential spectrum and continuum removed spectral reflectance curve in the alpine meadow

冠层高度模型在黄河源区高寒草甸试验区的适用性较差。本研究经过验证，该模型估测高寒草甸草层高度的精度较低，存在明显的高估现象，R2也仅为0.109 9，RMSE高达5.8 cm。导致此结果的主要原因可以归结为以下两个方面：首先，该模型中变量NDVI的值易受MODIS混合像元因素的影响；其次，NDVImin和NDVImax的取值也会影响估测的精度。本研究只评价了冠层高度模型在高寒草甸上的适用性，该模型在其他草地类型上的适用性还需要进一步探索。

表5 高光谱参量描述及草层高度估测模型Table 5 Hyperspectral parameter description and estimation models

*表示在0.05水平显著相关(P<0.05)，**表示在0.01水平显著相关(P<0.01)。表6同。

* and ** indicate significantly correlation at 0.05 and 0.01 level, respectively; similarly for Table 6.

表6 典型试验区3种模型的估测精度Table 6 Estimation accuracy of three models in typical study area

图4 NDVI指数模型(a)、冠层高度模型(b)及高光谱模型(c)的草层高度估测值与实测值的拟合结果Fig. 4 Results of fitting results of the grassland canopy height estimation and the measured values of NDVI exponential model (a), canopy height model (b) and hyperspectral model (c)

高寒草甸群落519.4～583.17 nm原始光谱反射率与草层高度之间呈现显著的负相关关系(|r|≥0.5，P<0.05)，在549.87 nm处的相关性最高，相关系数达到-0.59(P<0.01)。选取多种光谱参量构建的回归模型之中，以510.59 nm波段一阶微分值为自变量的线性模型y=-156.375x+20.384相对最优(R2=0.489，RMSE=3.5 cm)，估测值与实测值之间的相关系数r达到0.70，精度较高。高寒草甸550 nm左右是“绿峰”的形成区，该波长范围内的植被冠层反射率对叶绿素含量比较敏感[34]。在正常情况下，植被在可见光波段的反射率主要受叶绿素的影响[32]，植被群落在可见光波段范围内的反射率都小于裸地，而在近红外波段及红外波段植被群落的反射率大于裸地[35]。因此，随着草地群落高度的降低，冠层结构也会发生改变，一般植被叶绿素含量会减少，草地光谱在可见光波段范围内的反射率会变大，逐渐接近纯裸地的反射率。这个结果与孙红等[36]发现的冬小麦(Triticumaestivum)在特定的生长期冠层反射率与小麦高度呈反比的结论相似。本研究只分析了可见光及短波近红外波段的冠层光谱反射率与草层高度之间的相关关系，其他波段冠层光谱反射率与草层高度之间的关系还需要进一步研究。

参考文献References:

[1] 安渊,闫志坚.利用草层高度管理大针茅草原的方法初探.北京:中国国际草业发展大会暨中国草原学会代表大，2002.

An Y,Yan Z J.Research on the way of managingStipagrandissteppa applying sward height.Beijing:China International Grass Industry Development Conference and China Grassland Society Congress,2002.(in Chinese)

[2] 张军.多时相图像检测方法及其在毁伤评估系统中的应用.上海:上海交通大学硕士学位论文,2008.

Zhang J.Processing method of multi-temporal remote sensing images and the use in damage assessment.Master Thesis.Shanghai:Shanghai Jiao Tong University,2008.(in Chinese)

[3] Kallenbach R L.Describing the dynamic:Measuring and assessing the value of plants in the pasture.Crop Science,2015,55(6):2531-2539.

[4] Hill M J,Donald G E,Vickery P J.Relating radar backscatter to biophysical properties of temperate perennial grassland.Remote Sensing of Environment,1999,67(1):15-31.

[5] Small E E,Larson K M,Braun J J.Sensing vegetation growth with reflected GPS signals.Geophysical Research Letters,2010,37(12):245-269.

[6] He Y H,Guo X L,Wilmshurst J F.Reflectance measures of grassland biophysical structure.International Journal of Remote Sensing,2009,30(10):2509-2519.

[7] Buffet D,Oger R.Characterisation of grassland canopy using CASI-SASI hyperspectral imagery.Bruges,Belgium:CASI-SWIR 2002 Workshop-Belspo-STEREO Program,2003.

[8] Capolupo A,Kooistra L,Berendonk C,Boccia L,Suomalainen J.Estimating plant traits of grasslands from UAV-Acquired hyperspectral images:A comparison of statistical approaches.ISPRS International Journal of Geo-Information,2015,4(4):2792-2820.

[9] Kaizu Y,Jong M C,Kang T H.Grass height and yield estimation using a three-dimensional laser scanner.Environmental Control in Biology,2012,50(1):41-51.

[10] Fricke T,Richter F,Wachendorf M.Assessment of forage mass from grassland swards by height measurement using an ultrasonic sensor.Computers & Electronics in Agriculture,2011,9(2):142-152.

[11] Pittman J J.Height measurement and forage biomass estimation using laser and ultrasonic sensors from a mobile platform.Florida,USA:ASA,CSSA,& SSSA International Annual Meetings,2013.

[12] 冯琦胜,高新华,黄晓东,于惠,梁天刚.2001-2010年青藏高原草地生长状况遥感动态监测.兰州大学学报(自然科学版),2011,47(4):75-81.

Feng Q S,Gao X H,Huang X D,Yu H,Liang T G.Remote sensing dynamic monitoring of grass growth in Qinghai-Tibet plateau from 2001 to 2010.Journal of Lanzhou University (Natural Sciences),2011,47(4):75-81.(in Chinese)

[13] 李亚刚,李文龙,刘尚儒,秦兰兰.基于遥感技术的甘南牧区草地植被状况多年动态.草业科学,2015,32(5):675-685.

Li Y G,Li W L,Liu S R,Qin L L.Grassland vegetation dynamics over the years based on remote sensing technology in Gannan pastoral area.Pratacultaral Science,2015,32(5):675-685.(in Chinese)

[14] 陈佼,张丽.天山北坡草地盖度高光谱遥感估算.草业科学,2017,34(1):30-39.

Chen J,Zhang L.Estimating grassland coverage based on hyperspectral remote sensing in the northern Tianshan Mountains.Pratacultaral Science,2017,34(1):30-39.(in Chinese)

[15] 宋清洁,崔霞,张瑶瑶,孟宝平,高金龙,向宇轩.基于小型无人机与MODIS数据的草地植被覆盖度研究:以甘南州为例.草业科学,2017,34(1):40-50．

Song Q J,Cui X,Zhang Y Y,Meng B P,Gao J L,Xiang Y X.Grassland fractional vegetation cover analysis using small UVAs and MODIS:A case study in Gannan Prefecture.Pratacultaral Science,2017,34(1):40-50.(in Chinese)

[16] 高金龙,侯尧宸,白彦福,孟宝平,杨淑霞,胡远宁,冯琦胜,崔霞,梁天刚.基于高光谱数据的高寒草甸氮磷钾含量估测方法研究:以青海省贵南县及玛沁县高寒草甸为例.草业学报,2016,25(3):9-21.

Gao J L,Hou Y C,Bai Y F,Meng B P,Yang S X,Hu Y N,Feng Q S,Cui X,Liang T G.Methods for estimating nitrogen,phosphorus and potassium content based on hyperspectral data from alpine meadows in Guinan and Maqin Counties,Qinghai Province.Acta Prataculturae Sinica,2016,25(3):9-21.(in Chinese)

[17] Wang D L,Xin X P,Shao Q Q,Brolly M,Zhu Z L,Chen J.Modeling aboveground biomass in Hulunber grassland ecosystem by using unmanned aerial vehicle discrete lidar.Sensors,2017,17(1):180.

[18] Chen X L,Su Z B,Ma Y M,Yang K,Wen J,Zhang Y.An improvement of roughness height parameterization of the surface energy balance system (SEBS) over the Tibetan Plateau.Journal of Applied Meteorology & Climatology,2013,52(3):607-622.

[19] Chu H,Wei J,Li T,Jia K.Application of support vector regression for mid and long-term runoff forecasting in “Yellow River Headwater” region.Procedia Engineering,2016,154:251-1257.

[20] 徐晓桃.黄河源区NPP及植被水分利用效率时空特征分析.兰州:兰州大学硕士学位论文,2007.

Xu X T.Spatial and temporal analysis of net primary productivity and water use efficiency in Yellow River Source Region.Master Thesis.Lanzhou:Lanzhou University,2007.(in Chinese)

[21] 林琳,金会军,罗栋梁,吕兰芝,何瑞霞.黄河源区高寒植被主要特征初探.冰川冻土,2014,36(1):230-236.

Lin L,Jin H J,Luo D L,Lyu L Z,He R X.Preliminary study on major features of alpine vegetation in the source area of the Yellow River (SAYR).Journal of Glaciology and Geocryology,2014,36(1):230-236.(in Chinese)

[22] 刘树深,易忠胜.基础化学计量学.北京:科学出版社,1999.

Liu S S,Yi Z S.Basic Stoichiometry.Beijing:Science Press,1999.(in Chinese)

[23] Demetriades-Shah T H,Steven M D,Clark J A.High resolution derivative spectra in remote sensing.Remote Sensing of Environment,1990,33(1):55-64.

[24] Tucker C J,Justice C O,Prince S D.Monitoring the grasslands of the Sahel 1984-1985.International Journal of Remote Sensing,1986,7(11):1571-1581.

[25] Huete A,Justice C,Liu H.Development of vegetation and soil indices for MODIS-EOS.Remote Sensing of Environment,1994,49(3):224-234.

[26] Huete A R.A soil-adjusted vegetation index (SAVI).Remote Sensing of Environment,1988,27(3):295-309.

[27] Qi J,Chehbouni A,Huete A R,Kerr Y H,Sorooshian S.A modified soil adjusted vegetation index.Remote Sensing of Environment,1994,48:119-126.

[28] Steven M D.The sensitivity of the OSAVI vegetation index to observational parameters.Remote Sensing of Environment,1998,63(1):49-60.

[29] Qi J,Watson M C,Goodrich D.Remote sensing for grassland management in thearid southwest.Rangeland Ecology & management,2005,59(5):530-540.

[30] Guerschman J P,Hill M J,Renzullo L J,Barrett D J,Marks A S,Botha M E.Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO-1 Hyperion and MODIS sensors.Remote Sensing of Environment,2009,113:928-945.

[31] 梁天刚,林慧龙,冯琦胜.草地综合顺序分类系统研究进展.南京:江苏凤凰科学技术出版社,2015.

Liang T G,Lin H L,Feng Q S.Nanjing:Advance in Grassland Comprehensive Sequential Classification System.Nanjing:Jiangsu Fenghuang Science & Technology Press,2015.(in Chinese)

[32] 马文勇,王训明.基于高光谱分析的草地叶绿素含量估算研究进展.地理科学进展,2016,35(1):25-34.

Ma W Y,Wang X M.Progress on grassland chlorophyll content estimation by hyperspectral analysis.Progress in Geography,2016,35(1):25-34.(in Chinese)

[33] Liang T G,Yang S X,Feng Q S,Liu B K,Zhang R P,Huang X D,Xie H J.Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China.Remote Sensing of Environment,2016,186:164-172.

[34] 刘淼.不同营养水平冬小麦长势高光谱遥感监测.杨凌:西北农林科技大学硕士学位论文,2016.

Liu M.Winter wheat growth monitoring using hyperspectral remote sensing under different nutrition levels.Master Thesis.Yangling:Northwest A & F University,2016.(in Chinese)

[35] 娜日苏,苏和,格根图.退化草甸草原近地面光谱特征初探.安徽农业科学,2009,38(6):164-167.

Narisu,Suhe,Gegentu.Preliminary study on the near-ground spectral characteristic of the degraded meadow grassland.Journal of Anhui Agricultural Sciences,2009,38(6):164-167.(in Chinese)

[36] 孙红,李民赞,赵勇,张彦蛾,王晓敏,李修华.冬小麦生长期光谱变化特征与叶绿素含量监测研究.光谱学与光谱分析,2010,30(1):192-196.

Sun H,Li M Z,Zhao Y,Zhang Y E,Wang X M,Li X H.The dpectral vharacteristics and chlorophyll content at winter wheat growth stages.Spectroscopy and Spectral Analysis,2010,30(1):192-196.(in Chinese)