国土资源遥感, 2019, 31(3): 234-241 doi: 10.6046/gtzyyg.2019.03.29

技术应用

基于MODIS数据的典型草原非光合植被覆盖度估算

柴国奇, 王静璞,, 王光镇, 韩柳, 王周龙

鲁东大学资源与环境工程学院,烟台 264025

Estimation of fractional cover of non-photosynthetic vegetation in typical steppe based on MODIS data

CHAI Guoqi, WANG Jingpu,, WANG Guangzhen, HAN Liu, WANG Zhoulong

College of Resource and Environment Engineering, Ludong University, Yantai 264025, China

通讯作者: 王静璞(1987-),女,博士,讲师,主要从事植被遥感监测、沙漠化过程方面的研究。Email:wangjp@ldu.edu.cn。

责任编辑: 陈理

收稿日期: 2018-07-25   修回日期: 2018-09-25   网络出版日期: 2019-09-15

基金资助: 国家自然科学基金青年项目“基于DFI指数的典型草原非光合植被覆盖度遥感估算及动态变化研究”.  41701005
山东省自然科学基金项目“基于像元三分模型的光合/非光合植被覆盖度遥感估算”共同资助.  ZR2017PD006

Received: 2018-07-25   Revised: 2018-09-25   Online: 2019-09-15

作者简介 About authors

柴国奇(1993-),男,硕士研究生,主要从事植被遥感监测方面的研究。Email:chaiqige@163.com.。 。

摘要

非光合植被(non-photosynthetic vegetation,NPV)在草原生态系统中扮演了重要角色,影响着生态系统的碳、水和能量的流动与循环。定量掌握草原非光合植被覆盖度(fractional cover of non-photosynthetic vegetation,fNPV)信息对草地资源的科学有效利用以及生态环境保护具有重要意义。以内蒙古自治区锡林郭勒典型草原为研究区,运用线性回归分析方法,建立基于MODIS (MCD43A4)数据构建的多种非光合植被指数(non-photosynthetic vegetation indices,NPVIs)和野外实测fNPV数据的反演模型,并对模型的估算结果进行验证。研究结果表明,基于MODIS数据构建的NPVIs与fNPV的相关性较好,相关性依次为: DFI,SWIR32,NDTI,STI,NDI7,NDI5及NDSVI; DFI指数反演fNPV模型的估算精度较高,可用于典型草原地区大范围fNPV的快速监测。

关键词： MCD43A4 ; 非光合植被 ; 非光合植被指数 ; 典型草原

Abstract

Non-photosynthetic vegetation (NPV) is an important component of grassland ecosystem, which affects the flow and cycle of carbon, water and energy in the ecosystem. It is of great significance to quantitatively grasp the fractional cover of non-photosynthetic vegetation (fNPV) information for the scientific and effective utilization of grassland resources and the protection of the ecological environment. Taking the typical steppe of Xilingol in Inner Mongolia as the research area and using the regression analysis method, the authors used a variety of non-photosynthetic vegetation indices (NPVIs) based on MODIS (MCD43A4) data and field measured fNPV data to invert the fNPV model and evaluated the estimation effect of the model. The results show that the NPVIs based on MODIS data have a good correlation with fNPV. The correlations are as follows: DFI, SWIR32, NDTI, STI, NDI7, NDI5 and NDSVI. The DFI index inversion fNPV model has higher estimation accuracy. It can be applied to the rapid monitoring of large scale fNPV in typical steppe.

Keywords： MCD43A4 ; non-photosynthetic vegetation ; non-photosynthetic vegetation indices ; typical steppe

PDF (2455KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

柴国奇, 王静璞, 王光镇, 韩柳, 王周龙. 基于MODIS数据的典型草原非光合植被覆盖度估算. 国土资源遥感[J], 2019, 31(3): 234-241 doi:10.6046/gtzyyg.2019.03.29

CHAI Guoqi, WANG Jingpu, WANG Guangzhen, HAN Liu, WANG Zhoulong. Estimation of fractional cover of non-photosynthetic vegetation in typical steppe based on MODIS data. REMOTE SENSING FOR LAND & RESOURCES[J], 2019, 31(3): 234-241 doi:10.6046/gtzyyg.2019.03.29

0 引言

草地作为全球分布最广的植被类型之一,在陆地生态系统碳循环中起着重要作用[1]。从功能角度看,草地植被可以分为光合植被(photosynthetic vegetation,PV)和非光合植被(non-photosynthetic vegetation,NPV)2类,其中NPV主要指枯草、枯叶、枯枝、枯干和凋落物等[2]。NPV作为草原生态系统的重要组成部分,是衡量地表植被覆盖状况的重要参数[3,4]。NPV不仅能够减缓地表径流和蒸发,保持水土和营养物质,增加土壤水分渗透和有机质含量,提高土壤湿度和温度,改善土壤质量[5,6,7],而且能影响生态系统的碳、水和能量的流动与循环[8]。另外,NPV在火灾风险和频率、风和水侵蚀等方面也起着关键作用[9]。因此,及时准确地掌握草原非光合植被覆盖度(fractional cover of non-photosynthetic vegetation,fNPV)信息对草地资源的合理利用以及草原生态系统的监测和保护具有重要的应用价值。

遥感技术的发展为大范围快速、准确地获取fNPV信息以及进行连续观测提供了有效的技术手段。近几十a来,国内外学者针对fNPV的遥感估算方法已开展了不少研究,并取得了一定的研究进展[2-5,10-15]。Daughtry等[5]针对NPV在2 100 nm附近波段的吸收特征构建的高光谱纤维素吸收指数(cellulose absorption index,CAI)表现较好,其与fNPV显著相关(决定系数R2=0.89)。但由于高光谱数据难以获取,无法满足大规模估算fNPV的需求[16,17],如EO-1 Hyperion传感器已超期运行且幅宽仅有7.5 km,面临着大范围长期监测的适用性难题[18,19]。因此,研究者们开始挖掘多光谱数据对fNPV的估算潜力,如利用TM数据构建归一化差异指数(normalized difference index,NDI)[10]、归一化差异耕作指数(normalized difference tillage index,NDTI)[20]以及归一化差异衰老植被指数(normalized difference senescent vegetation index,NDSVI)[21]等来反演fNPV,然而这些指数容易受到土壤背景的影响,且不适用于草原地区PV,NPV和裸土(bare soil,BS)3种组分都存在情况下的fNPV估算[3,11]。因此Guerschman等[2]提出了基于MODIS数据B7和B6波段的比值指数(shortwave infrared ratio,SWIR32),结合归一化植被指数(normalized difference vegetation index,NDVI)构建三元线性混合模型比较准确地估算了澳大利亚草原地区的fNPV; Cao等[11]提出基于MODIS波段的干枯燃料指数(dead fuel index,DFI)估算PV,NPV和BS这3种组分混合情况下的fNPV,结果表明DFI指数与fNPV相关性较好(R2=0.95)。但Cao等[11]的研究中混合场景覆盖度是利用端元平均光谱通过光谱混合模型模拟得到的,并不是真实的混合场景覆盖度,因此DFI指数表征野外真实混合场景fNPV的有效性有待进一步验证。

MODIS数据具备大范围、高时效、低成本等优势,已成为草地资源监测的重要数据源[1,22]。由于大多数基于MODIS数据构建的非光合植被指数(non-photosynthetic vegetation indices,NPVIs)相对较新,目前将这些指数应用于草原地区开展fNPV大范围监测的研究还较少。为此,本文选取锡林郭勒典型草原为研究区,以MCD43A4产品为数据源,比较基于MODIS数据构建的几种NPVIs指数与fNPV之间的相关关系,建立NPVIs指数反演fNPV模型并进行精度验证,以期能够找到适用于典型草原地区大范围应用的fNPV监测方法。

1 研究区概况及数据源

1.1 研究区概况

研究区位于内蒙古自治区锡林郭勒盟(E113°30'~120°00',N43°15'~46°41'),包含锡林浩特市、东乌珠穆沁旗、西乌珠穆沁旗和阿巴嘎旗(图1),海拔在800~1 400 m之间。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区及实测样地位置

Fig.1   Study area and sampling location


锡林郭勒草原属于中温带半干旱大陆性季风气候区,四季分明,气温偏低,年平均气温0~3 ℃,无霜期90~120 d; 雨季短促,年平均降水量为295 mm,由东南向西北递减,主要集中在夏季和秋季。研究区地貌以波状高平原为主,由东南向西北方向倾斜,东、南部为大兴安岭和阴山山脉延伸余脉的交错地段; 西、北部地形平坦,为高原草场; 土壤以风沙土为主,部分地区有栗钙土、粽钙土; 地带性植被由草甸草原向典型草原、荒漠草原过渡,植被群落中主要有羊草、大针茅、克氏针茅和蒿类(冷蒿和变蒿)等。

1.2 野外数据获取

2017年9月28日—10月3日在研究区内开展了野外地面观测实验。此时正处于植被黄枯期,采集的数据为实测样地PV,NPV和BS覆盖度数据。本次实验共获得49个样地数据(图1),具体设置方法为: 首先在研究区相对平坦均质的地区选择一个500 m×500 m大小的样地,对样地点编号并在样地中心通过手持全球定位系统(global positioning system,GPS)记录相应的地理位置信息以及样地植被情况和地貌特征; 其后在每个样地内布设3~5个0.5 m×0.5 m的小样方,取所有小样方植被覆盖度的平均值作为该样地最终的植被覆盖度。与此同时,在样地中心布设一个20 m×20 m的大样方,用于与较高空间分辨率影像对应。每个0.5 m×0.5 m小样方植被覆盖度测算采用照相法[23],利用数码相机于样方中心点正上方1.5 m处垂直拍摄2张照片,记录每个小样方对应的照片编号以及样方内植被信息。

在测算小样方植被覆盖度前,首先通过ENVI5.3软件切除照片中非样方部分。照片剩余样方部分用于进行植被覆盖度的测算,根据照片的RGB值采集PV,NPV和BS这3类地物的训练样本(阴影划分为BS类别); 然后利用监督分类中的最大似然分类法(maximum likelihood classification,MLC)对RGB照片进行分类,并结合目视解译方法判定分类结果的精度,最后根据NPV的像元数量统计出各个样方的fNPV,取2次统计结果的平均值作为该样方最终的植被覆盖度[13]。

1.3 遥感影像获取及其预处理

1.3.1 MODIS数据

MODIS数据采用经过双向反射分布函数(bidirectional reflectance distribution function,BRDF)校正处理为天顶方向观测的地表反射率(nadir BRDF adjusted reflectance,NBAR)产品数据MCD43A4(V006),NBAR使用16 d内的数据来计算BRDF效应并对反射率数据进行归一化处理。MCD43A4(V006)提供了包括可见光、近红外和短波红外的B1—B7波段每日栅格化L3级数据产品,投影为正弦曲线投影,空间分辨率为500 m。通过LP DAAC网站(https: //lpdaac.usgs.gov)获取到研究区2017年9月30日无云覆盖的MCD43A4产品数据。

MCD43A4产品已经过几何精纠正、辐射定标和大气校正等处理,因此仅需对数据进行投影转换、图像拼接与裁剪处理即可。具体处理步骤如下: 首先,利用MRT (MODIS reprojection tools)工具将下载的数据进行投影转换,将地图投影转换为WGS 84椭球的Albers Conical Equal Area投影,同时完成影像的拼接和重采样; 然后,通过ENVI 5.3软件利用研究区边界矢量数据裁剪出研究区范围; 最后,采用阈值法对影像中水体像元进行掩模处理[24]。

1.3.2 Landsat8 OLI数据

Landsat8 OLI数据从美国地质调查局网站下载(https: //glovis.usgs.gov),获取时间为2017年10月5日,研究区内基本无云。由于Landsat8 OLI数据已经过几何纠正,因此只需对其进行辐射定标和大气校正即可。影像预处理主要利用ENVI 5.3软件,采用OLI传感器的辐射定标参数对原始影像进行辐射定标,然后通过FLAASH模型对影像进行大气校正,最终得到地表真实反射率。此外,为了去除水体对指数计算的影响,采用水体指数法对影像上的水体进行掩模处理。

2 研究方法

2.1 NPVIs

2.1.1 基于等效于TM的MODIS波段构建的指数

目前,常用的NPVIs大多数基于TM影像构建且多为NDI[25],如NDI5,NDI7,NDTI和NDSVI等指数。而在可见光—近红外—短波红外波段(400~2 500 nm)范围内,MODIS的B1,B2,B3,B4,B6,B7波段分别与Landsat5 TM的B3,B4,B1,B2,B5,B7波段对应。已有研究表明,基于不同TM波段构建的NDI5,NDI7,NDTI,NDSVI及土壤耕作指数(soil tillage index,STI)同样适用于等效的MODIS波段[19],计算公式分别为

NDI5=(B2-B6)/(B2+B6) ,
NDI7=(B2-B7)/(B2+B7) ,
NDTI=(B6-B7)/(B6+B7) ,
NDSVI=(B6-B1)/(B6+B1) ,
STI=B6/B7 ,

式中B1,B2,B6和B7分别为MODIS数据B1,B2,B6和B7波段的反射率。

2.1.2 基于MODIS波段构建的指数

DFI与SWIR32指数[2,11]计算公式分别为

DFI=100×(1-B7B6)×B1B2 ,
SWIR32=B7B6 ,

其中,为了扩大DFI差异性,将DFI值扩大了100倍。

利用ENVI5.3软件中的band math工具根据式(1)—(7)对各个NPVIs指数进行波段组合计算。在ArcGIS10.2软件中利用地面实测样地经纬度信息提取各样地相对应的NPVIs指数值。

2.2 模型建立与验证

2.2.1 相关分析

将提取的NPVIs指数的计算值与fNPV实测值进行相关性分析,检验二者之间关系的相关程度,通过差异显著性选择相关性较好的NPVIs指数用来建立遥感估算模型。本研究利用SPSS统计软件进行相关性分析,再根据结果分析筛选最佳估算模型。

2.2.2 模型建立与验证

对49个样地的fNPV实测值从大到小排列后,按照隔二取一的模式选取建模样本(33个)与验证样本(16个); 然后采用线性回归分析方法,建立以NPVIs指数为自变量和fNPV实测值为因变量的遥感估算模型。模型验证选用R2、均方根误差(root mean square error,RMSE)和相对误差(relative error,RE)作为评价指标,R2越大、RMSE和RE越小,说明fNPV估算模型验证结果越好。其计算公式分别为

RMSE=1n∑i=1n(xi-yi)2,n=1,…,16 ,
RE=RMSEy-×100% ,

式中: RMSE为均方根误差; RE为相对误差; xi为估测值; yi为实测值; y-为验证样本实测平均值; n为样地数。

2.2.3 最优模型的稳定性验证

基于MODIS数据的fNPV估算模型稳定性验证的思路是利用线性回归方法建立较高空间分辨率的影像数据(Landsat8 OLI)和地面实测fNPV (20 m×20 m大样方)的关系,进而得到较高空间分辨率的fNPV分布结果; 再以此为基础,通过ENVI5.3软件将较高空间分辨率的数据按照像元简单平均的重采样方式尺度上推到MODIS数据500 m的空间分辨率[26,27]; 最后随机布设验证点,进行对比分析。另外,虽然Landsat8 OLI空间分辨率30 m略大于20 m大样方,但由于样方设置在相对均匀的区域,所以这种差别基本不会在fNPV估算中造成影响; 本文选用Landsat8 OLI数据估算fNPV适用性较好的NDTIOLI指数[14],计算公式为

NDTIOLI=B6OLI-B7OLIB6OLI+B7OLI ,

式中B6OLI和B7OLI分别为Landsat8 OLI数据B6和B7波段的反射率。

3 结果与分析

3.1 NPVIs指数与fNPV的相关性

本研究对选择的7种NPVIs指数DFI,SWIR32,STI,NDTI,NDI7,NDI5,NDSVI及研究区内49个样地的fNPV实测值进行相关性分析,结果如表1所示。NPVIs指数与研究区fNPV实测值之间的相关分析中除了NDI5和NDSVI相关性相对较差之外,其余5个指数与fNPV实测值均存在着较好的相关性,相关性系数R绝对值均大于0.64,达到极显著相关水平(P<0.01)。其中DFI的相关性最好,R可达0.77; SWIR32次之,R为-0.72; NDI7相关性较低,R仅为0.64。DFI,SWIR32和NDTI与fNPV实测值的高相关性表明,利用NPVIs指数构建典型草原地区fNPV估算模型是基本可行的。

表1   NPVIs指数与fNPV实测值的相关性

Tab.1  Correlation between NPVIs and fNPV

NPVIs指数RP
DFI0.77P<0.01
SWIR32-0.72P<0.01
NDTI0.71P<0.01
STI0.69P<0.01
NDI70.64P<0.01
NDI50.43P<0.05
NDSVI0.37P<0.05

新窗口打开| 下载CSV


3.2 NPVIs指数构建fNPV反演模型

3.2.1 模型构建

采用线性回归分析方法,将遥感影像提取的NPVIs指数(DFI,STI,NDTI,NDI7和SWIR32)与研究区33个建模样本的fNPV实测值进行模型构建(表2)。由于NDI5和NDSVI与fNPV实测值的相关性相对较差,故在建立模型时去除。

表2   NPVIs指数与fNPV之间的反演模型

Tab.2  Inversion models of non-photosynthetic vegetation index and fNPV

NPVIs指数回归方程R2P
DFIy=0.048 7x-0.188 30.57P<0.01
SWIR32y=-1.824 4x+1.841 30.50P<0.01
NDTIy=2.808 8x+0.067 30.48P<0.01
STIy=1.025 2x-0.904 80.46P<0.01
NDI7y=1.473x+0.445 80.42P<0.01

新窗口打开| 下载CSV


从表2可知,5种NPVIs指数与fNPV实测值所建立的线性回归模型均能通过极显著性相关水平(P<0.01)的F检验,R2在0.42~0.57之间。5种NPVIs中,DFI反演模型的拟合效果最好,R2为0.57; 其次是SWIR32指数; STI,NDTI以及NDI7指数R2均小于0.50,且都与DFI差距较大,其中NDI7的拟合效果较不理想,R2仅为0.42。通过各NPVIs指数与fNPV实测值间的相关系数及反演模型的拟合R2可以看出,相比于其他几种指数,DFI指数反演模型的拟合效果更好,能够有效模拟fNPV的变化规律。

3.2.2 模型精度评价

利用野外同期实测样地的另外16个验证样本作为实测数据与各NPVIs指数反演模型得到的fNPV估算结果进行比较,评价不同NPVIs反演模型的估算精度,检验不同模型在典型草原地区的适用性(表3)。

表3   NPVIs指数反演fNPV模型精度评价结果

Tab.3  Accuracy evaluation results of different models

NPVIs指数R2RMSERE/%
DFI0.630.098 726.73
SWIR320.540.110 229.83
NDTI0.530.112 530.46
STI0.500.115 631.29
NDI70.400.128 134.69

新窗口打开| 下载CSV


从表3中可以看出,fNPV估算模型中利用DFI指数反演模型得到的估测值和实测值相关性最好,R2为0.63,RMSE与RE在5种NPVIs指数中也是最小的,RE为26.73%; SWIR32的估算效果稍次于DFI,RE为29.83%; NDTI介于SWIR32与STI之间,其RMSE与RE也均介于SWIR32与STI之间; NDI7指数的效果最差,其误差也较大,RE为34.69%。

各NPVIs指数反演模型的预测值与实测值散点图如图2所示。从图2中可以看出SWIR32,NDTI,STI及NDI7指数的反演模型高估了fNPV的低值部分,预测值位于Y=X线的上方较多,尤其是NDI7估算模型高估现象最为严重。从散点图相关方程式可知,DFI指数斜率更接近于1,且R2较大,其估算结果比较接近实测值。通过比较分析验证模型的R2和斜率,总体上看DFI指数反演模型(R2=0.63,RMSE=0.098 7,RE=26.73%)的估算效果优于其他4种NPVIs指数,fNPV预测值和实测值比较接近于Y=X线附近,这说明该模型具有较好的适用性,在典型草原地区fNPV估算方面更具优势,能够满足估算的需要。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   不同fNPV估算模型预测值与实测值散点图

Fig.2   Scatter plots of different fNPV estimated models between predicted value and measured value


3.3 最优NPVIs指数反演fNPV模型的稳定性验证

通过获得的2017年10月5日Landsat8 OLI影像提取出NDTIOLI指数并与fNPV实测值(20 m×20 m大样方)进行回归分析,其拟合R2为0.58(P<0.01),RMSE为0.092 9,表明该模型拟合程度较高,估算误差较小,可保证Landsat8 OLI估算fNPV的准确性。

为进一步验证最优反演模型的稳定性,采用NDTIOLI指数回归模型计算得到Landsat8 OLI(30 m空间分辨率)的fNPV并将尺度上推到500 m空间分辨率; 随机布设50个验证点,将尺度一致的OLI-fNPV与DFI指数反演fNPV模型的估算结果MODIS-fNPV进行对比分析(图3)。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   研究区OLI-fNPV与MODIS-fNPV对比

Fig.3   Comparison between OLI-fNPV and MODIS-fNPV


从散点图可以看出散点均匀分布在Y=X线附近,误差比较小,说明OLI-fNPV与MODIS-fNPV具有较好的一致性,进一步表明DFI指数反演fNPV模型的稳定性较好。

3.4 fNPV的空间分布特征

通过上述分析,DFI指数反演fNPV模型在研究区估算精度最高且稳定性较好。因此,利用其与fNPV间的线性回归模型进行反演,即

fNPV=0.048 7 DFI-0.188 3 ,

式中fNPV为fNPV预测值。

该模型R2为0.57。研究区2017年9月30日的fNPV空间分布如图4所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   研究区fNPV分布

Fig.4   Distribution of fNPV in study area


从图4中可以看出9月末fNPV总体的分布特征与本次野外调查基本一致,从西南到东北fNPV值逐渐增大,整体呈现东北高西南低的趋势。分级统计典型草原地区的fNPV(表4),主要介于(0.4,0.6]之间,像元个数大约占研究区的44.61%,这些像元主要分布在降水较多的东部; 而在降水相对较少的西部,大部分地区小于0.2。

表4   2017年9月30日各个fNPV等级所占百分比

Tab.4  Area percent of each fNPV grade on Sep.30,2017

fNPV像元数/个百分比/%
[0,0.2]44 07710.12
(0.2,0.4]132 31030.38
(0.4,0.6]194 32944.61
(0.6,0.8]62 84714.43
(0.8,1]2 0110.46

新窗口打开| 下载CSV


4 讨论

4.1 不同NPVIs指数与fNPV间相关性差异

本研究探讨了几种由MODIS多光谱数据提取的NPVIs指数对典型草原地区fNPV的监测效果。研究表明,常用的遥感估算模型中NPVIs指数与fNPV实测值的相关性均达到显著相关水平,相关性由大到小为: DFI>SWIR32>NDTI>STI>NDI7>NDI5>NDSVI。NDI指数虽然与fNPV具有线性关系,但受BS背景的影响较大[10]; NDTI指数能够增强NPV与BS的差异,具有较好的稳定性[14,28],但容易受到PV的影响,从而掩盖了NPV的信息[29]; SWIR32与STI同样受PV的干扰较大[19]; DFI指数的表现优于NDI,NDTI,STI,SWIR32以及NDSVI等指数,原因在于DFI相较于其他几种指数利用了更多的波段(B1,B2,B6和B7)参与运算,一定程度上减少了BS背景效应的影响,提高了估算精度; 并且DFI指数是基于PV,NPV和BS这3种组分都存在的条件下建立的,能够较准确估算PV,NPV以及BS这3种组分混合情况下草原地区的fNPV[11]。

4.2 最优反演fNPV模型选择

通过线性回归分析方法对锡林郭勒典型草原地区建立了一系列NPVIs指数反演fNPV模型,其中DFI指数反演模型精度较高(R2=0.63,RMSE=0.098 7),RE仅为26.73%。这与Cao等[30]基于MODIS09GA建立的草原地区反演模型研究结果相似,但仍存在一些差异,需要进一步研究。NDI,NDTI,STI以及SWIR32指数用于本研究区估算结果并不理想,主要原因在于这几种指数仅基于除PV以外的2种组分(NPV和BS)创建,或受BS背景影响大或受PV的干扰严重,限制了其在NPV,PV和BS这3种组分混合情况下的应用[31]。因此,选择DFI指数用于草原地区最优fNPV估算模型的构建。

DFI指数由Cao等[11]基于MODIS数据波段最先提出,用以估算PV,NPV和BS这3种组分混合情况下的fNPV,但是目前国内外利用该指数直接与MODIS影像构建经验模型估算fNPV还鲜有研究。本次研究证明了基于MODIS数据DFI指数能够有效估算典型草原地区的fNPV,并且精度较高。因此,借助于MODIS数据大范围监测、高时间分辨率的优势有必要进一步探究DFI用于fNPV时空动态变化监测的能力。

4.3 fNPV估算的复杂性和误差来源

利用遥感估算fNPV受到众多外部因素的影响,如水分吸收特征几乎能够完全掩盖NPV的光谱特征[19]。此外,不同BS类型、地表湿度和有机质含量等因素均影响NPV估算结果[25,32]。因此,遥感估算fNPV具有复杂性,需要对各种影响因素进一步分析,以更好地证明fNPV估算模型的稳定性和鲁棒性。

值得注意的是,由于野外实测数据与影像数据存在时间上不同步、样方植被覆盖度计算具有主观性的问题,这些数据误差也在一定程度上会影响估算精度。另外,本研究仅对一次实验结果进行了精度检验,样地数量相对较少且缺乏系统的地面真实性检验工作,再加上线性回归模型对实测数据的依赖性较高,模型的普适性并未得到充分的验证。因此,在后续的研究中将选取固定观测点对长时间序列的植被覆盖度情况进行连续观测,获取更多的地面实测样地数据,以更好地评价NPVIs指数估算典型草原地区fNPV的精度。

5 结论

本文以锡林郭勒典型草原为研究区,MODIS 500 m空间分辨率产品数据为数据源,对几种fNPV估算模型进行了对比分析和精度验证,得到如下主要结论:

1)基于MODIS影像构建的NPVIs指数与fNPV的相关性较好,达到显著相关水平(P<0.05),相关性依次为: DFI>SWIR32>NDTI>STI>NDI7>NDI5>NDSVI。

2)野外样地fNPV实测值验证表明,相比于其他NPVIs指数反演fNPV模型,DFI指数估算效果较好,fNPV估算的R2为0.63,RMSE为0.098 7,RE为26.73%,能够有效估算典型草原地区的fNPV。

3)基于DFI指数构建的fNPV反演模型为最佳模型,fNPV总体的分布规律与实际相吻合,可有效应用于典型草原地区黄枯期fNPV的快速监测。

参考文献

任鸿瑞, 周广胜, 张峰 , 等.

基于纤维素吸收指数(CAI)的内蒙古荒漠草原非绿色生物量估算

[J]. 科学通报, 2012,57(10):839-845.

DOI:10.1007/s11434-012-5016-3      Magsci     [本文引用: 2]

<p>植被非绿色生物量的准确估算对于陆地生态系统碳库存量的研究具有重要意义. 利用2009~2010年生长季内蒙古荒漠草原地面高光谱观测及相应的非绿色生物量资料, 分析研究了基于地面高光谱(ASD)、星载高光谱(Hyperion)、星载多光谱(MODIS)3种数据的纤维素吸收指数(cellulose absorption index, CAI)估算非绿色生物量的能力. 结果表明, 基于ASD和Hyperion数据的CAI可以较好地估算荒漠草原非绿色生物量, 相对误差分别为26.4%与26.6%; 归一化植被指数(MODIS<sub>2</sub>-MODIS<sub>5</sub>)/(MODIS<sub>2</sub>+MODIS<sub>5</sub>)与(MODIS<sub>6</sub>-MODIS<sub>7</sub>)/(MODIS<sub>6</sub>+MODIS<sub>7</sub>)和基于ASD数据的CAI之间的复相关系数高达0.884; 该MODIS指数组合估算非绿色生物量的相对误差为28.9%, 估算精度远高于基于TM数据的NDI(normalized difference index), SACRI(soil adjusted corn residue index)和MSACRI(modified soil adjusted crop residue)3个多光谱指数, 其相对误差超过了42%. 研究结果对于在区域尺度上利用遥感数据估算非绿色植被生物量提供了很好的思路.</p>

Ren H R, Zhou G S, Zhang F , et al.

Evaluating cellulose absorption index (CAI) for non-photosynthetic biomass estimation in the desert steppe of Inner Mongolia

[J]. China Science Bulletin, 2012,57(10):839-845.

Magsci     [本文引用: 2]

Guerschman J P, Hill M J, Renzullo L J , et al.

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

[J]. Remote Sensing of Environment, 2009,113(5):928-945.

[本文引用: 4]

Daughtry C S T, Hunt E R, Doraiswamy P C , et al.

Remote sensing the spatial distribution of crop residues

[J]. Agronomy Journal, 2005,97(3):864-874.

[本文引用: 2]

Daughtry C S T, Doraiswamy P C, Hunt E R , et al.

Remote sensing of crop residue cover and soil tillage intensity

[J]. Soil and Tillage Research, 2006,91(1-2):101-108.

[本文引用: 1]

Daughtry C S T, Hunt E R, McMurtrey J E .

Assessing crop residue cover using shortwave infrared reflectance

[J]. Remote Sensing of Environment, 2004,90(1):126-134.

[本文引用: 3]

Daughtry C S T .

Discriminating crop residues from soil by shortwave infrared reflectance

[J]. Agronomy Journal, 2001,93(1):125-131.

[本文引用: 1]

Henry H A L, Brizgys K, Field C B .

Litter decomposition in a California annual grassland:Interactions between photodegradation and litter layer thickness

[J]. Ecosystems, 2008,11(4):545-554.

[本文引用: 1]

Nagler P L, Inoue Y, Glenn E P , et al.

Cellulose absorption index (CAI) to quantify mixed soil-plant litter scenes

[J]. Remote Sensing of Environment, 2003,87(2-3):310-325.

[本文引用: 1]

Elmore A J, Asner G P, Hughes R F .

Satellite monitoring of vegetation phenology and fire fuel conditions in Hawaiian drylands

[J]. Earth Interactions, 2005,9(21):1-21.

[本文引用: 1]

Mcnairn H, Protz R .

Mapping corn residue cover on agricultural fields in Oxford County,Ontario,using thematic mapper

[J]. Canadian Journal of Remote Sensing, 1993,19(2):152-159.

[本文引用: 3]

Cao X, Chen J, Matsushita B , et al.

Developing a MODIS-based index to discriminate dead fuel from photosynthetic vegetation and soil background in the Asian steppe area

[J]. International Journal of Remote Sensing, 2010,31(6):1589-1604.

[本文引用: 6]

李涛, 李晓松, 李飞 .

基于Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算

[J]. 生态学报, 2015,35(11):3643-3652.

DOI:10.5846/stxb201308142075      Magsci    

掌握草原生态系统光合植被覆盖度(<i>f</i><sub>PV</sub>)与非光合植被覆盖度(<i>f</i><sub>NPV</sub>)时空动态对了解干旱半干旱草原生态系统特征(覆盖状况、火灾负载、载畜量、干扰及恢复等)及进行科学、有效地草地资源管理具有重要的意义。选取锡林郭勒典型草原为试验区,以Hypeiron高光谱数据为数据源,利用NDVI-CAI三元线性混合模型对试验区<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>的时空动态分布进行了估算,并对不同端元选择方法(最小包含端元特征法、纯净象元指数法和实测法)对估算结果的影响进行了比较分析。研究结果表明,NDVI-CAI三元线性混合模型是同时估测锡林郭勒草原<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>的有效方法,且估算的<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>的季节变化与牧草的物候发育特征相吻合。不同端元选择方法对估算精度具有一定的影响,其中基于最小包含端元特征法提取端元进行估算的精度最高,<i>f</i><sub>PV</sub>估算的均方根误差RMSE=4.57,估算精度EA=91.2%;<i>f</i><sub>NPV</sub>估算的RMSE=5.90,EA=67.91%(样本数<i>N</i>=52)。

Li T, Li X S, Li F .

Estimating fractional cover of photosynthetic vegetation and non-photosynthetic vegetation in the Xilingol steppe region with EO-1 Hyperion data

[J]. Acta Ecologica Sinica, 2015,35(11):3643-3652.

Magsci    

姬翠翠, 贾永红, 李晓松 , 等.

线性/非线性光谱混合模型估算白刺灌丛植被覆盖度

[J]. 遥感学报, 2016,20(6):1402-1412.

[本文引用: 1]

Ji C C, Jia Y H, Li X S , et al.

Research on linear and nonlinear spectral mixture models for estimating vegetation fractional cover of nitraria bushes

[J]. Journal of Remote Sensing, 2016,20(6):1402-1412.

[本文引用: 1]

李志婷, 王昌昆, 潘贤章 , 等.

基于模拟Landsat-8 OLI数据的小麦秸秆覆盖度估算

[J]. 农业工程学报, 2016,32(s1):145-152.

[本文引用: 2]

Li Z T, Wang C K, Pan X Z , et al.

Estimation of wheat residue cover using simulated Landsat-8 OLI datas

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(s1):145-152.

[本文引用: 2]

王光镇, 王静璞, 邹学勇 , 等.

基于像元三分模型的锡林郭勒草原光合植被和非光合植被覆盖度估算

[J]. 生态学报, 2017,37(17):5722-5731.

DOI:10.5846/stxb201606101111      Magsci     [本文引用: 1]

定量的估算草原光合植被覆盖度（<i>f</i><sub>PV</sub>）和非光合植被覆盖度（<i>f</i><sub>NPV</sub>）对草原畜牧业和土地荒漠化具有重要的意义。以锡林郭勒盟西乌珠穆沁旗为研究区，以MODIS 500 m分辨率地表反射率产品MOD09GHK为数据源，采用干枯燃料指数（DFI）指数构建NDVI-DFI像元三分模型估算了锡林郭勒草原的<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>，并分析了锡林郭勒草原<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>的动态变化。研究结果表明：锡林郭勒草原NDVI-DFI特征空间表现为三角形，与理论上的概念模型基本一致，符合像元三分模型的基本假设；NDVI-DFI像元三分模型适用于对草原黄枯期NPV的监测，对草原生长期NPV监测并不十分敏感；利用NDVI-DFI像元三分模型估算的<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>动态变化与牧草物候发育特征相吻合，可以有效的估算典型草原地区<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>值，进一步将其应用于长时间序列的典型草原<i>f</i><sub>PV</sub>和<i>f</i><sub>NPV</sub>动态变化分析。

Wang G Z, Wang J P, Zou X Y , et al.

Estimation of fractional cover of photosynthetic and non-photosynthetic vegetation in the Xilingol steppe region using the NDVI-DFI model

[J]. Acta Ecologica Sinica, 2017,37(17):5722-5731.

Magsci     [本文引用: 1]

Li X, Zheng G, Wang J , et al.

Comparison of methods for estimating fractional cover of photosynthetic and non-photosynthetic vegetation in the Otindag Sandy Land using GF-1 wide-field view data

[J]. Remote Sensing, 2016,8(10):800.

[本文引用: 1]

王光镇, 王静璞, 邹学勇 , 等.

遥感技术估算非光合植被覆盖度研究综述

[J]. 遥感技术与应用, 2018,33(1):1-9.

[本文引用: 1]

Wang G Z, Wang J P, Zou X Y , et al.

A review on estimating fractional cover of non-photosynthetic vegetation by using remote sensing

[J]. Remote Sensing Technology and Application, 2018,33(1):1-9.

[本文引用: 1]

张淼, 李强子, 蒙继华 , 等.

作物残茬覆盖度遥感监测研究进展

[J]. 光谱学与光谱分析, 2011,31(12):3200-3205.

URL     [本文引用: 1]

作物残茬作为农田生态系统的重要组成部分， 影响着农田生态系统中的营养物质、 碳、 水和能量的流动与循环。 作物残茬覆盖度作为描述作物残茬数量和分布的重要指标， 对于农田生态系统C循环和全球气候变化均有实际意义， 具备重要的定量监测价值。 遥感技术具有准确、 经济、 快速大面积监测的能力， 因此利用遥感监测区域尺度的作物残茬覆盖度， 受到国内外学者的关注。 工作回顾总结了目前利用遥感监测作物残茬覆盖度的主要方法和最新研究进展， 并根据基本方法的差异以及数据源的不同， 从五个类别分别介绍了遥感监测原理与技术革新， 对每一类方法的优点和缺陷进行分析， 并提出了相应的改进措施。 最后对作物残茬覆盖度遥感监测方法的发展趋势进行了展望。

Zhang M, Li Q Z, Meng J H , et al.

Review of crop residue fractional cover monitoring with remote sensing

[J]. Spectroscopy and Spectral Analysis, 2011,31(12):3200-3205.

[本文引用: 1]

Jacques D C, Kergoat L, Hiernaux P , et al.

Monitoring dry vegetation masses in semi-arid areas with MODIS SWIR bands

[J]. Remote Sensing of Environment, 2014,153:40-49.

[本文引用: 4]

van Deventer A P, Ward A D, Gowda P H , et al.

Using thematic mapper data to identify contrasting soil plains and tillage practices

[J]. Photogrammetric Engineering and Remote Sensing, 1997,63(1):87-93.

[本文引用: 1]

Qi J, Marsett R, Heilman P , et al.

RANGES improves satellite-based information and land cover assessments in southwest United States

[J]. EOS Transactions American Geophysical Union, 2002,83(51):601-606.

[本文引用: 1]

刘春静, 张丽, 周宇 , 等.

中国新疆及中亚五国干旱区草地覆盖度反演与分析

[J]. 草业科学, 2016,33(5):861-870.

DOI:10.11829/j.issn.1001-0629.2015-0503      Magsci     [本文引用: 1]

干旱区的草地覆盖度较低,在光谱信息中表现较弱,增加了反演的难度。本研究在中国新疆及中亚五国干旱区对比4种植被覆盖度反演模型发现,像元二分模型能够较好地提取大范围内的植被覆盖度信息。在此基础上,反演2000―2013 年中国新疆及中亚五国干旱区草地覆盖度并分析草地状况。研究发现,中国新疆及中亚五国草地覆盖度区域性差异较大,整体呈现退化趋势,退化区域主要分布在哈萨克斯坦的北部和西北部地区以及部分流域地区。不同等级草地覆盖度变化趋势为中等、中高和高植被覆盖度的草地有向低、中低植被覆盖度的草地转换。从国家及地区角度分析,哈萨克斯坦草地显著退化,而中国中国新疆的草地覆盖度均值在平稳中显著增长。

Liu C J, Zhang L, Zhou Y , et al.

Retrieval and analysis of grassland coverage in arid Xinjiang,China and five countries of Central Asia

[J]. Pratacultural Science, 2016,33(5):861-870.

Magsci     [本文引用: 1]

吴林, 张元明 .

以数码照相法估算生物土壤结皮盖度

[J]. 中国沙漠, 2013,33(6):1810-1815.

DOI:10.7522/j.issn.1000-694X.2013.00269      Magsci     [本文引用: 1]

<p>生物土壤结皮(BSC)是由藻类、地衣、苔藓和土壤中微生物形成的一类有机复合体,是干旱荒漠地区主要的地表覆被类型。由于藻、地衣和苔藓呈非连续性斑块状分布,准确估算它们的盖度比较困难。传统的估算方法主要是样方法和遥感影像法,样方法在野外操作中虽然比较精确但是费时,遥感影像法虽然快速但是误差大。本文试图通过数码照相法获取BSC地表分布信息,然后利用最大似然监督分类法对苔藓结皮、地衣结皮和藻结皮盖度进行分类计算,并用野外原位调查进行验证。结果表明,本文采用的照相法与传统样方法的相关性达到了94.45%,照相法可以有效地用于BSC盖度的估算,提高了盖度估算的效率。</p>

Wu L, Zhang Y M .

Coverage estimation on biological soil crusts based on digital photos

[J]. Journal of Desert Research, 2013,33(6):1810-1815.

Magsci     [本文引用: 1]

张浩彬, 李俊生, 向南平 , 等.

基于MODIS地表反射率数据的水体自动提取研究

[J]. 遥感技术与应用, 2015,30(6):1160-1167.

DOI:10.11873/j.issn.1004-0323.2015.6.1160      Magsci     [本文引用: 1]

<p>应用阈值法对遥感图像上的水体目标进行提取时,水陆分割阈值的确定是其难点。以MODIS地表反射率数据为数据源,首先统计大量MODIS地表反射率影像第6波段的水陆分割阈值的范围作为先验阈值范围；然后将历史存档的研究区水体边界矢量叠加到图像上,并且将矢量边界向外扩大一倍,使得扩大后的范围内的水体和陆地面积相当；最后统计扩大后区域的第6波段的灰度直方图,并寻找先验阈值范围内的最小值作为最佳的水陆分割阈值进行水体提取。克服了统计直方图双峰谷值作为分割阈值的传统方法容易受到地物复杂性及噪声影响的难题,使得水陆分割阈值的确定变得更加简单、高效,实现了针对遥感影像上水体目标的自动提取,大大提高了水体提取的效率。</p>

Zhang H B, Li J S, Xiang N P , et al.

A study of extracting water bodies automatically based on the MODIS surface reflectance data

[J]. Remote Sensing Technology and Application, 2015,30(6):1160-1167.

Magsci     [本文引用: 1]

Serbin G , Daughtry C S T,Hunt E R ,et al.

Effects of soil composition and mineralogy on remote sensing of crop residue cover

[J]. Remote Sensing of Environment, 2009,113(1):224-238.

[本文引用: 2]

唐世浩, 朱启疆, 孙睿 .

基于方向反射率的大尺度叶面积指数反演算法及其验证

[J]. 自然科学进展, 2006,16(3):331-337.

[本文引用: 1]

Tang S H, Zhu Q J, Sun R .

The inversion algorithm and its validation of coarse scale leaf area index based on the direction of the reflectivity

[J]. Progress in Natural Science, 2006,16(3):331-337.

[本文引用: 1]

孙晨曦, 刘良云, 关琳琳 , 等.

锡林浩特草原区域MODIS LAI产品真实性检验与误差分析

[J]. 遥感学报, 2014,18(3):518-536.

DOI:10.11834/jrs.20143097      Magsci     [本文引用: 1]

本文研究了LAI产品真实性检验的指标和方法，建立了LAI产品真实性检验的流程，将遥感产品真实性检验误差分解为模型误差、数据定量化差异和尺度效应3个方面。以内蒙古锡林浩特草原为研究区，结合实测数据和Landsat TM数据建立NDVI-LAI模型，得到LAI验证参考“真值”，据此“真值”按照本文的流程对MODIS LAI产品进行验证，分析了研究区MODIS LAI产品真实性检验的误差来源。研究表明，该研究区的MODIS LAI（MOD15A2）产品相对高估约25%。各个误差因素中，LAI遥感模型差异对于结果影响最大，MODIS LAI模型高估了该区域草地LAI（高估约44.2%）；数据定量差异的影响也比较大，MODIS地表反射率数据与Landsat TM地表反射率数据的差异造成了约16.2%的低估；尺度效应的影响较小，造成约3.1%的低估，其中NDVI-LAI模型的尺度效应带来2.4%的低估，NDVI数据的尺度效应造成约0.7%的低估。

Sun C X, Liu L Y, Guan L L , et al.

Validation and error analysis of the MODIS LAI product in Xilinhot grassland

[J]. Journal of Remote Sensing, 2014,18(3):518-536.

Magsci     [本文引用: 1]

于惠, 吴玉锋, 金毅 , 等.

基于MODIS SWIR数据的干旱区草地地上生物量反演及时空变化研究

[J]. 遥感技术与应用, 2017,32(3):524-530.

[本文引用: 1]

Yu H, Wu Y F, Jin Y , et al.

An approach for monitoring the aboveground biomass of grassland in arid areas based on MODIS SWIR bands

[J]. Remote Sensing Technology and Application, 2017,32(3):524-530.

[本文引用: 1]

Gelder B K, Kaleita A L, Cruse R M .

Estimating mean field residue cover on midwestern soils using satellite imagery

[J]. Agronomy Journal, 2009,101(3):635-643.

[本文引用: 1]

Cao X, Cui X, Yue M , et al.

Evaluation of wildfire propagation susceptibility in grasslands using burned areas and multivariate logistic regression

[J]. International Journal of Remote Sensing, 2013,34(19):6679-6700.

[本文引用: 1]

Ren H, Zhou G .

Estimating senesced biomass of desert steppe in Inner Mongolia using field spectrometric data

[J]. Agricultural and Forest Meteorology, 2012,161(4):66-71.

[本文引用: 1]

谢小燕, 刘咏梅, 李京忠 , 等.

黄土丘陵区林草地枯落层盖度遥感估算研究

[J]. 光谱学与光谱分析, 2016,36(7):2217-2223.

URL     [本文引用: 1]

枯落层盖度的定量估算对于植被防蚀功效的评价具有重要作用。 在陕北黄土丘陵沟壑区选取典型落叶林和退耕草地作为光谱测试样地, 通过室内和野外实验分析枯落层—土壤混合场景的光谱变化规律, 研究高光谱指数NDLI(normalized difference lignin index)和CAI(cellulose absorption index)估算枯落层盖度的有效性。 结果表明, 受颜色及含水量等因素的影响, 不同盖度枯落层—土壤混合场景的光谱反射率呈现不同的变化规律。 干和湿状态下, 随着枯落层盖度的增加混合场景的NDLI、 CAI指数值均呈现增大的趋势, CAI与枯落层盖度的相关性高于NDLI, R2最高为0.98(阔叶林和退耕草地干的混合场景), CAI能够更有效地估算枯落层盖度。 野外实测验证了室内实验结果, 退耕草地混合场景的CAI值与枯落层盖度相关性最高(R2=0.90), 野外条件下两种高光谱指数估算枯落层盖度的有效性均有一定程度的降低。 该研究为枯落层盖度的遥感定量反演提供了基础与依据。

Xie X Y, Liu Y M, Li J Z , et al.

Remote sensing estimation of plant litter cover based on the spectra of plant litter-soil mixed scenes

[J]. Spectroscopy and Spectral Analysis, 2016,36(7):2217-2223.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发