融合数据在草地生物量估算中的应用
尹晓利1,2, 张丽2, 许君一1, 刘良云2
1.山东科技大学测绘科学与工程学院,青岛 266590
2.中国科学院遥感与数字地球研究所数字地球重点实验室,北京 100094
通讯作者:张 丽(1975-),女,博士,副研究员,主要从事植被遥感和土地资源调查方面的研究。E-mail:lizhang@ceode.ac.cn

第一作者简介: 尹晓利(1987-),女,硕士研究生,主要从事遥感应用方面的研究。E-mail:yinxiaoli6525@163.com

摘要

为实现草地生物量的实时高精度监测,将时空适应性反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM)融合后的数据引入到草地生物量估算模型中,以提高该模型的精度。以内蒙古锡林浩特市为研究区,首先采用STARFM融合MODIS和Landsat TM数据,同时对比分析反射率和NDVI输入数据的融合效果,认为直接融合NDVI数据得到的高分辨率NDVI产品的精度更高; 然后,基于融合后高精度的NDVI数据与实测生物量建立多种生物量估算模型; 通过统计比较得到最优生物量估算模型——指数模型; 最后,基于融合后NDVI与原始MODIS NDVI数据分别作为自变量建立指数模型,以验证融合数据提高生物量估算模型精度的能力。研究表明,基于融合后NDVI的生物量估算模型决定系数 R2由0.761提高到0.832, 均方根误差由32.521 g/m2降低到28.653 g/m2,证明融合NDVI数据提高了生物量估算模型的精度。

关键词: 数据融合; NDVI; 锡林浩特; 生物量估算模型
中图分类号:TP79 文献标志码:A 文章编号:1001-070X(2013)04-0147-08 doi: 10.6046/gtzyyg.2013.04.24
Application of fused data to grassland biomass estimation
YIN Xiaoli1,2, ZHANG Li2, XU Junyi1, LIU Liangyun2
1. College of Geomatics, Shandong University of Science and Technology, Qingdao 266590, China
2. Key Laboratory of Digital Earth Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100094, China
Abstract

In order to realize the real-time and high-precision monitoring of grassland biomass, the authors established a biomass estimation model for grasslands based on the fused data from the spatial and temporal adaptive reflectance fusion model (STARFM) in this study. Firstly, the authors introduced the STARFM model to fuse the MODIS and the Landsat TM data in Xilin Hot, Inner Mongolia. It was found that NDVI is a better input data for STARFM to achieve high-precision NDVI through comparing reflectance data and NDVI data. The most efficient statistical model, an exponential model, was chosen for estimating biomass based on the high-precision NDVI and the field survey data. Finally, two exponential models were set up respectively, with the fused NDVI and the original MODIS NDVI as independent variables. It was found that R2 increased from 0.761 to 0.832 and RMSE decreased from 32.521g/m2 to 28.653 g/m2 after using the fused NDVI. The results obtained by the authors prove that the fused NDVI can improve the accuracy of the grassland biomass estimation.

Keyword: data fusion; NDVI; Xilin Hot; biomass estimation model
0 引言

草场生物量的精确估算对于充分利用有限的草场资源、制定科学规划、有效地开展轮牧规划、防止草场沙化及提高草场的载畜量都有十分重要的意义[1]。目前, 草场生物量估算主要依赖于站点观测和地面调查, 但其难以快速、实时地掌握大范围草场区的生物量状况, 制约着草原畜牧业科学管理[2]。遥感观测以宏观性强、时空分辨率高、实时反应快、成本低廉等优势, 逐渐应用于草场资源调查与评价、草场生物量及草场灾害的监测与评估等方面[3]。国内外利用植被指数进行生物量模型的研究很多, 大多数采用植被指数与地面生物量建立回归模型。Todd等[4]利用TM数据估算了美国矮草草原地上部分生物量; 张连义等[5]利用MODIS数据估算了锡林郭勒盟草地生物量。其中以基于NDVI的模型最为常见[6], 高精度的NDVI数据成为生物量估算精度提高的重要因子。

常用的NDVI数据大部分由MODIS和TM数据中提取, MODIS数据最高空间分辨率只有250 m; TM数据虽然有30 m空间分辨率, 但其受重访周期(16 d)及频繁的云污染等限制, 无法获取实时的生物量变化[7, 8, 9]。事实证明单独使用一种遥感数据很难获得适用的高精度NDVI数据[10], 因此, 数据融合技术成为一种选择。但IHS变换、主成分分析、小波变换等传统的数据融合技术融合结果无法归结到反射率, 无法提高NDVI精度。针对这一问题, Gao等[11]2006年建立了时空适应性反射率融合模型(spatial and temporal adaptive reflectance fusion model, STARFM)。该方法结合高时间分辨率的MODIS数据与高空间分辨率的TM数据, 在TM的空间分辨率上进行地表反射率的融合预测。该算法已在监测地物季节性变化[12], 提高蒸散、GPP分析精度[13]及提高分类精度等方面得到成功应用[14]

本文首先在内蒙古自治区锡林浩特市选取代表实验区, 基于STARFM融合算法, 对比分析MODIS与Landsat TM反射率及NDVI两种输入数据的融合效果, 以确定最优的融合输入数据; 然后基于融合的高精度NDVI与实测生物量建立最优的生物量估算模型, 以精确估算该地区的草地生物量。基于本文提出的生物量估算模型估算草原生物量, 可以实现牧草产量的实时动态高精度监测, 及时发现生物量的变化, 对进一步制定相关的放牧政策及调节草原载畜量都有重要参考价值。

1 研究区概况及数据源
1.1 研究区概况

锡林浩特市位于E 115° 13'~117° 06', N 43° 02'~44° 52'之间, 地处锡林郭勒草原腹地, 总面积约18 750 km2(图1)。锡林浩特草原以典型草原为主体[15], 冬季受蒙古高原气流控制, 寒冷干燥; 夏季受季风影响, 较为温暖和湿润。地带性植被主要为大针茅和羊草。

图1 研究区锡林浩特市地理位置及实测站点示意图Fig.1 Geographical position of study area Xilin Hot and the measured sites

1.2 数据源

数据融合所需要的数据主要有反射率数据和NDVI数据2类。建立生物量估算模型所需要的数据为融合NDVI数据及地面实测地上生物量数据。

500 m空间分辨率的反射率数据和NDVI数据来源于美国地质调查局MODIS产品, 30 m空间分辨率的反射率数据和NDVI数据来源于Landsat TM数据及其波段运算。为保证融合结果, 以上列举数据在进行试验前都通过严格的大气校正等预处理, 并进行了精确的配准。

本文融合的NDVI数据有2类: ①MODIS和TM先进行波段反射率数据融合, 再基于波段运算获取的NDVI; ②分别用MODIS和TM数据提取NDVI, 再进行NDVI数据融合所得到的新的NDVI。地面实测地上生物量数据采样时间选择在植被生长季2011年6— 7月份。在研究区内对群落结构、草地覆盖度及生态环境条件等各方面具有代表性的样地进行野外实测设定站点取样(如图1红点所示)。实测站点尽量避免选取受围栏、草地退化及放牧等人为因素影响的区域和过渡带, 以增加取样数据的代表性和可靠性。本研究共测得69个站点的有效生物量数据。

2 研究方法
2.1 基于STARFM方法的NDVI数据融合

2.1.1 STARFM方法原理

STARFM方法是基于已知时间(t0)获取的MODIS, TM图像和另一时间(tp)获取的MODIS图像, 计算图像之间空间分布的差异, 实现tp时刻的TM图像预测。在忽略配准误差及大气校正误差的情况下, 单一地物类型区域t0时刻的MODIS图像可以由同时间的TM图像加权平均得到。考虑到二者不同的光谱和时间分辨率, 以及成像时光照条件有差异, 它们的反射率会有一定的偏差ε 0。假设(xi, yi)处的地表覆盖类型和各项系统误差不随时间变化, 那么ε 0也就恒定, 这样tp时刻的TM图像反射率就能由该时刻的MODIS图像以及t0时刻的TM, MODIS图像求得, 如Gao等2006年提出[11]

L(xi, yj, tp)=M(xi, yj, tp)+L(xi, yj, t0)-M(xi, yj, t0), (1)

式中: LM分别代表TM和MODIS图像的像元值; (xi, yj)表示TM和MODIS像元的位置。

实际上地表的地物类型往往较复杂, 仅利用该处单对像元的信息预测不出tp时刻的TM反射率。若将邻近的具有相同光谱特征的均质像元作为辅助信息, 则能极大地提高预测准确度。选取以预测像元为中心的邻域窗口, 并利用权重函数Wijk对窗口内像元进行卷积运算, 确定中心像元的预测值, 然后在整幅图像上滑动卷积窗口, 得到预测图像, 公式为

L(xω /2, yω /2, tp)= i=1ω j=1ω k=1nWijk[M(xi, yj, tp)+L(xi, yj, t0)-M(xi, yj, t0)], (2)

式中: ω 为滑动窗口的宽度; L(xω /2, yω /2, tp)为tp时刻滑动窗口中心像元的像元值[11]。权重函数Wijk决定了滑动窗口内各像元对预测值贡献的大小, 算法依据光谱距离、时间距离、空间距离3项来确定Wijk

STARFM对数据的预处理有很高的要求, 也存在一定的缺陷, 比如不能精准地预测复杂异构景观[16], 但本研究区, 大部分是草原, 虽存在异构景观, 但数量和范围有限, 仍可使用本方法。融合结果的选取有很多不同的依据, 本文通过实测生物量与融合NDVI的相关性分析, 选定最优的融合结果。

2.1.2 输入数据的选取

在锡林浩特选取代表区域对STARFM数据融合方法的适用性和精确度进行验证, 该代表试验区主要被草地覆盖, 其中含有部分河流及裸地, 总面积约576 km2(图2)。因TM数据部分被云覆盖, 可用量有限, 综合考虑TM数据的可用性及实测数据的时间, 选定2010-08-29及2011-08-02这2天的数据, 用2010-08-29的MODIS, TM及2011-08-02的MODIS数据, 预测2011-08-02的TM数据, 并与该天实测的TM数据比较分析融合方法的精度。

图2 STARFM红光波段融合的输入数据Fig.2 Input data of the STARFM for red band

本文有2组实验。实验一, 500 m空间分辨率的MODIS红光波段(red)、近红外波段(NIR)分别与30 m空间分辨率的TM红光波段(red)、近红外波段(NIR)反射率数据融合, 得到反射率数据后波段运算提取NDVI; 实验二, 500 m空间分辨率的MODIS NDVI与30 m空间分辨率的TM NDVI产品融合, 得到NDVI。

2.2 生物量估算模型的建立与测试

基于上述2类融合NDVI数据及实测生物量的相关性, 选取最优的NDVI参与建立生物量估算模型。首先选定适量的实测生物量作为训练样本, 建立线性及非线性(线性、二次、幂及指数)生物量回归分析模型, 剩余生物量作为验证样本进行验证, 以选定最优的回归分析模型。然后, 分别以原始MODIS NDVI数据及融合后NDVI数据作为自变量, 实测生物量作为因变量建立估算模型, 比较2个模型的精度。其中, 采用决定系数R2和均方根误差RMSE来衡量估算模型的性能及精度, R2越大, RMSE越小, 这说明模型的估算值与实测值拟合度越高。

3 结果分析
3.1 NDVI融合及精度分析

1)实验一: 从图2可以明显地看出MODIS数据的分辨率很低, 远不如TM数据能反应地物特征及其变化。用图2的3个数据作为STARFM输入数据, 预测2011-08-02的TM红波段反射率数据。比较该预测图像与实测图像(图3), 可以发现预测图像能准确区分地物, 且地物特征明显。

图3 红波段实测图像与预测图像对比Fig.3 Comparison of actual observation and prediction product of red band

图4图3实测值(a)与预测值(b)二者的绝对差值图; 图5图3实测值(a)与预测值(b)二者的散点密度分布图。

图4 实测与预测图像的绝对差值图Fig.4 Absolute difference map of actual observation and prediction product

图5 实测与预测图像散点密度分布Fig.5 Scatter plots of the actual observation and prediction product

图4可见, 预测图像与实测图像差值很小, 且大部分集中在0值附近。由散点密度分布图5可见, 预测值与实测值大致集中在1:1线附近。这些都说明该融合结果能准确体现地物的信息, 足以作为高精度数据进入后期分析研究。

同理, 使用2010-08-29的MODIS, TM近红外波段及2011-08-02的MODIS近红外波段反射率数据预测2011-08-02的TM近红外波段反射率数据, 将其结果与前面预测该时间的红光波段数据进行波段运算, 最终得到以反射率为输入数据预测的2011-08-02的NDVI数据(图6 (a))。

2)实验二: 借助STARFM使用2010-08-29的MODIS和TM NDVI产品、2011-08-02的MODIS NDVI产品作为输入数据, 最终得到以NDVI为输入数据预测的2011-08-02的NDVI数据(图6 (b))。为比较预测效果的优劣, 提取2011-08-02的TM NDVI图像(图6 (c))作为实测图像。比较实测图像与预测图像, 可以发现预测值能准确区分地物, 且特征明显。在复杂异构景观交界处有模糊现象, 但都在可接受误差范围内。同时, 将2种预测图像分别与实测图像做绝对差值以发现预测图像的偏差, 如图7所示。

图6 基于NDVI数据的预测图像及实测图像对比图Fig.6 Comparison of the actual observation and prediction products for NDVI

图7 实测与预测图像的绝对差值Fig.7 Absolute difference maps of actual observation and prediction product

图7(a)为图6中预测图像(a)与实测图像(c)所做的绝对差值; 图7(b)为图6中预测图像(b)与实测图像(c)所做的绝对差值。由绝对差值图可见, 预测值与实测值差值很小, 且大部分集中在0值附近, 说明该融合结果与实测图像十分相似, 能准确体现地物的变化信息。比较图7还可以发现图7(a)的值更小, 更接近于0值。

由对应的散点密度分布图8可知, 预测值与实测值大致集中在1:1线附近, 这说明该融合结果能准确体现地物的信息。同时, 面积较小的地物可以被看作突变地物, 与其附近地物构成复杂异构地物, 在该预测方法中会有较大的差异, 这与理论是相符合的, 但是这些小的差异并不影响后面的生物量估算。

图8 实测与预测图像散点密度分布Fig.8 Scatter plots of the actual observation and prediction product

为进一步验证数据融合的精度, 选用多个统计评价指标进一步验证, 如表1所示。

表1 融合精度评价 Tab.1 Evaluation of fusion accuracy

表1中, Pre_NDVI_RE为反射率数据波段融合后提取NDVI, 即实验一的结果; Pre_NDVI_NDNDVI数据融合得到的预测NDVI, 即实验二的结果。均值反映了图像的平均亮度, 融合后图像的亮度均值与原图像越接近, 说明其扭曲度越小; 标准偏差反映了图像灰度相对于灰度平均值的离散情况, 其值越大, 图像灰度级分布越分散, 图像的反差也就越大, 能够反映更多的信息; 图像熵值是衡量图像信息量丰富程度的指标, 其值越大, 图像包含的平均信息量越多; 平均梯度可以敏感地反映图像对微小细节反差表达的能力, 其值越大越有利于图像的目视解译; 平均差值及绝对差值则直接反映了融合图像与实测数据的差值。

表1中可以看出, 2种融合结果都有较高的精度, 其均值、标准偏差、熵、平均梯度与实测图像的相似度都极高, 平均差值及绝对差值都较小, 2种融合结果与实测图像的相关系数分别达到了0.66和0.75, 这与前期研究的相关系数约0.8[17]的结论一致, 这表明预测结果具有实用性。同时不同的衡量指标选择出的最优结果是不同的, 这就需要根据后期的研究最终选定合适的融合方法及融合数据。

3.2 生物量估算模型建立及精度分析

为验证STARFM融合方法在研究区的适用性, 根据实测生物量的采集时间(2011年6— 7月), 用STARFM融合方法获取对应时间的全区NDVI, 如表2所示。

表2 不同NDVI与生物量相关系数 Tab.2 Correlation coefficient of different NDVI images and biomass

表中, MODIS_RE为MODIS反射率数据波段运算得到NDVI; MODIS_ND为MODIS NDVI产品提取的NDVI。分别计算4种情况与对应点实测生物量的相关系数, 在通过0.01显著性检验的情况下, 以NDVI作为输入数据融合得到的预测NDVI与生物量的相关系数最高达0.917, 因此选取NDVI为输入数据融合后的NDVI结果, 进行生物量模型估算。研究区共采集69个有效生物量数据, 从中任取47个作为训练样本, 剩余22个作为验证样本, 对NDVI与样地生物量进行一元线性及曲线回归分析, 得到自变量NDVI与生物量遥感估算模型(表3)。

表3 基于NDVI的生物量估算模型 Tab.3 Accuracy assessment for the biomass estimation models based on NDVI

表3中的统计数据可以看出, 总体来说, 指数模型在训练样本及验证样本中R2最大且RMSE最小, 说明该指数估算模型在该地区的估算精度最高, 这与杨英莲等[18]在青海省的研究结果一致, 因此本文选定指数估算模型。为进一步验证融合数据是否提高了生物量估算精度, 本文选取所有实测样本分别用融合NDVI数据及原始MODIS NDVI数据进行指数回归分析, 如图9所示。

图9 生物量估算模型对照图Fig.9 Comparison of biomass estimation models

融合后NDVI作为自变量的生物量估算模型(图9(a))R2=0.832, RMSE=28.653 g/m2, 而原始的MODIS NDVI作为自变量的生物量估算模型(图9(b))R2=0.761, RMSE=32.521 g/m2, 可见, 融合数据提高了生物量估算精度。从模型估算值与实测值的结果(图10)中可见, 模型估算值与实测值均匀分布在1:1线的附近, 说明生物量估算模型精度高。以融合后NDVI作为自变量的模型得到的估算值与实测值的拟合线“ 融合” 线R2=0.788。以原始MODIS NDVI数据作为自变量的模型得到的估算值与实测值的拟合线“ MODIS” 线R2=0.746。并且“ 融合” 线比“ MODIS” 线的散点更集中分布在1:1线附近, 说明融合后NDVI作为自变量的模型拟合精度更高, 证明融合数据提高了生物量估算精度。

图10 生物量实测值与模型估算值对照图Fig.10 Comparison of observed biomass and the modeled biomass

综上所述, 融合后NDVI数据作为自变量的指数生物量估算模型精度最高, 在研究区选取所有实测数据建立最优的生物量估算模型为

y=7.218e4.839x。 (3)

将该估算模型应用到整个研究区, 分别计算6— 7月的生物量数据, 结果如图11所示。根据本文的估算, 在整个锡林浩特市生物量空间分布可以看出: 草地的生物量总体上由西北向东南逐步递增, 这与锡林浩特地区水热条件限制基本一致; 从区域分布上看, 生物量高值主要集中在该地区的东南部, 其生物量分布密度略大于100 g/m2, 而西部和北部则相对较少, 整个西部地区的生物量分布密度几乎都小于50 g/m2, 结果与前期的相关研究是相似的[19, 20]; 7月比6月生物量增多, 这与生长季中生物量的变化趋势递增是相符合的。

图11 估算生物量分布Fig.11 Distribution map of the modeled biomass

4 结论

本文以实时高精度监测草原生物量为目的, 以锡林浩特为实验区, 基于融合技术获得的高精度NDVI数据, 实现草原生物量的实时高精度监测。针对现有遥感数据的时空分辨率受限这一问题, 首先引入了STARFM融合方法以得到高精度NDVI, 再将高精度NDVI数据与实测生物量数据联合建立生物量估算模型。通过本文实验研究得出:

1)采用STARFM融合MODIS和TM数据得到的融合数据与实测TM平均差值最小为-0.000 7, 绝对差值仅0.068 3, 相关系数高达为0.75, 说明融合后30 m空间分辨率NDVI数据是可靠的。

2)基于原始NDVI数据作为输入数据的融合NDVI图像与实测TM NDVI图像的相关系数为0.75, 远高于基于反射率数据作为输入数据的融合图像与实测TM NDVI图像的相关系数0.66, 总体来说, NDVI作为融合输入数据, 融合效果更好。

3)在锡林浩特市, 基于融合后高精度NDVI及实测生物量分别建立多种回归模型, 其中指数模型R2最大且RMSE最小, 分别为0.85和27.286 g/m2, 认为指数模型为最佳的生物量估算模型。

4)以原始MODIS NDVI数据与融合后NDVI数据分别作为自变量, 建立指数模型, 发现R2由0.761提高到0.832, 而RMSE则由32.521 g/m2降低到28.653 g/m2, 因此融合后高精度NDVI数据可以提高生物量估算模型的精度。

当然由于地形及各种气象因素的制约, 也由于实测样本的获取时间及数量都有限, 本文得出的估算模型的普适性仍需进一步改进, 但本文的思想及方法将为未来相关研究提供一定的参考。

The authors have declared that no competing interests exist.

参考文献
[1] 李建龙, 蒋平. 遥感技术在大面积天然草地估产和预报中的应用探讨[J]. 武汉测绘科技大学学报, 1998, 23(2): 153-158.
Li J L, Jiang P. The study on the remote sensing technology in estimating and forecasting grassland field applications[J]. Journal of Wuhan Technical University of Surveying and Mapping, 1998, 23(2): 153-158. [本文引用:1]
[2] 查勇, Gao J, 倪绍祥. 国际草地资源遥感研究新进展[J]. 地理科学进展, 2003, 22(6): 607-617.
Zha Y, Gao J, Ni S X. Most recent progress of international research on remote sensing of grassland resources[J]. Progress in Geography, 2003, 22(6): 607-617. [本文引用:1] [CJCR: 1.791]
[3] 程红芳, 章文波, 陈锋. 植被覆盖度遥感估算方法研究进展[J]. 国土资源遥感, 2008, 20(1): 13-18.
Cheng H F, Zhang W B, Chen F. Advances in researches on application of remote sensing method to estimating vegetation coverage[J]. Remote Sensing for Land and Resources, 2008, 20(1): 13-18. [本文引用:1]
[4] Todd S W, Hoffer R M, Milchunas D G. Biomass estimation on grazed and ungrazed rangeland s using spectral indices[J]. International Journal of Remote Sensing, 1998, 19(3): 427-438. [本文引用:1]
[5] 张连义, 宝路如, 尔敦扎玛, . 锡林郭勒盟草地植被生物量遥感监测模型的研究[J]. 中国草地学报, 2008, 30(1): 6-14.
Zhang L Y, Bao L R, Erdun Z M, et al. Research on remote sensing models for monitoring grassland vegetation biomass in Xilinguole[J]. Chinese Journal of Grassland , 2008, 30(1): 6-14. [本文引用:1] [CJCR: 1.16]
[6] Boelman N T, Stieglitz M, Rueth H M, et al. Response of NDVI, biomass, and ecosystem gas exchange to long-term warming and fertilization in wet sedge tundra[J]. Oecologia, 2003, 135(3): 414-421. doi: DOI:10.1007/s00442-003-1198-3. [本文引用:1] [JCR: 3.248]
[7] Asner G P. Cloud cover in Land sat of observations of the Brazilian Amazon[J]. International Journal of Remote Sensing, 2001, 22(18): 3855-3862. [本文引用:1]
[8] Jorgensen P V. Determination of cloud coverage over Denmark using Land sat MSS/TM and NOAA-AVHRR[J]. International Journal of Remote Sensing, 2000, 21(17): 3363-3368. doi: DOI:10.1080/014311600750019976. [本文引用:1]
[9] Ju J C, Roy D P. The availability of cloud-free Land sat ETM plus data over the conterminous United States and globally[J]. Remote Sensing of Environment, 2008, 112(3): 1196-1211. [本文引用:1] [JCR: 4.769]
[10] Price J C. How unique are spectral signatures?[J]. Remote Sensing of Environment, 1994, 49(3): 181-186. [本文引用:1] [JCR: 4.769]
[11] Gao F, Masek J G, Schwaller M, et al. On the blending of the Land sat and MODIS surface reflectance: Predicting daily Land sat surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(8): 2207-2218. [本文引用:3] [JCR: 2.933]
[12] Hilker T, Wulder M A, Coops N C, et al. Generation of dense time series synthetic Land sat data through data blending with MODIS using a spatial and temporal adaptive reflectance fusion model[J]. Remote Sensing of Environment, 2009, 113(9): 1988-1999. [本文引用:1] [JCR: 4.769]
[13] Devendra S. Generation and evaluation of gross primary productivity using Land sat data through blending with MODIS data[J]. International Journal of Applied Earth Observation and Geoinformation, 2011, 13(1): 59-69. [本文引用:1] [JCR: 2.539]
[14] Watts J D, Powell S L, Lawrence R L, et al. Improved classification of conservation tillage adoption using high temporal and synthetic satellite imagery[J]. Remote Sensing of Environment, 2011, 115(1): 66-75. [本文引用:1] [JCR: 4.769]
[15] 朴世龙, 方精云, 贺金生, . 中国草地植被生物量及其空间分布格局[J]. 植物生态学报, 2004, 28(4): 491-498.
Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Acta Phytoecologica Sinica, 2004, 28(4): 491-498. [本文引用:1]
[16] Zhu X L, Chen J, Gao F, et al. An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J]. Remote Sensing of Environment, 2010, 114(11): 2610-2623. doi: DOI:10.1016/j.rse.2010.05.032. [本文引用:1] [JCR: 4.769]
[17] Walker J J, de Beurs K M, Wynne R H, et al. Evaluation of Land sat and MODIS data fusion products for analysis of dryland forest phenology[J]. Remote Sensing of Environment, 2012, 117: 381-393. doi: DOI:10.1016/j.rse.2011.10.014. [本文引用:1] [JCR: 4.769]
[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): 102-107.
Yang Y L, Qiu X F, Yin Q J. Study on monitoring system of Qinghai grassland output based MODIS EVI data[J]. Meteorological Monthly, 2007, 33(6): 102-107. [本文引用:1] [CJCR: 2.221]
[19] 李素英, 李晓兵, 莺歌, . 基于植被指数的典型草原区生物量模型: 以内蒙古锡林浩特市为例[J]. 植物生态学报, 2007, 31(1): 23-31.
Li S Y, Li X B, Ying G, et al. Vegetation indexes biomass models for typical semi_arid steppe: A case study for Xilinhot in northern China[J]. Journal of Plant Ecology, 2007, 31(1): 23-31. [本文引用:1] [JCR: 2.284]
[20] Xie Y C, Sha Z Y, Yu M, et al. A comparison of two models with Land sat data for estimating above ground grassland biomass in Inner Mongolia, China[J]. Ecological Modelling, 2009, 220(15): 1810-1818. [本文引用:1] [JCR: 2.326]