基于植被指数的四川理塘县草地生物量反演
基于地表温度-植被指数特征空间的土壤干旱监测
基于地表温度-植被指数特征空间的土壤干旱监测李润林;董鹏程;王瑜;汪晓斌【摘要】以张掖市甘州区绿洲为研究区,采用5期遥感影像(2011~2015年),运用ENVI 5.2提取归一化植被指数(NDVI)、改进型土壤调节植被指数(MSAVI)和地表温度(Ts),构建Ts-NDV I和Ts-MSAVI特征空间,对比分析两种特征空间.结果表明,Ts-MSAVI特征空间的干边和湿边斜率均小于0,这与前人的研究干边斜率是负值,湿边斜率是正值的结论有所不同.Ts-NDVI和Ts-MSAVI这两种特征空间具有相同的趋势,其中2012、2013、2014年这3年两种特征空间系数r2较高,其余2年系数r2较低.整体而言,Ts-NDV I特征空间的干湿边系数相比Ts-MSAVI特征空间的干湿边系数要高,稳定性好.从TV DI旱情等级分布图上可以得出2012年的受旱面积最大,干旱和重旱面积占总面积的70.39%,2013年干旱情况最严重,重干旱面积为1611.972 km2,重旱面积占到总面积的43.5%,2014年干旱程度开始缓解,轻旱、干旱和重旱面积开始降低,湿润和正常面积开始增加,2015年干旱程度得到全面缓解,湿润和正常面积占到总面积的21.9%,但是干旱和重旱面积比重依然很大,说明张掖市甘州区绿洲旱情依然很严峻.%Selecting oasis of Ganzhou district as the study area in Zhangye city,using ENVI 5.2 software to extact normalized difference vegetation(NDVI),modified soil adjusted vegetation index(MSAVI)and temperature of surface(Ts),Ts-NDVI feature space and Ts-MSAVI feature space were built. The two feature spaces were compared and analyzed. The results showed that the slope of dry-edge and wet-edge of Ts-MSAVI feature space was less than 0,which was not consistent with the previous research. The previous research thinked the dry-edge slope was negative and the wet edge slope was positive. The feature space of Ts-NDVI and Ts-MSAVI had the same trend. The r2 coefficient of two feature spaces was higher in the three years of 2012,2013 and 2013,and the r2 coefficient of the other two years was lower. On the whole,the wet-edge coefficient of the Ts-NDVI feature space was higher than that of the Ts-MSAVI feature space,and the stability was good. From the TV DI drought severity map,it could be concluded that the drought area was the largest in 2012,the drought and heavy drought area accounted for 70.39% of the total area. In 2013,the drought was the most serious,the area of heavy drought was 1611.972 km2,the area of heavy drought occupied 43.5% of the total area and the degree of drought in 2014 was lightened. And heavy drought area began to decrease,wet and normal area began to increase. In 2015,the degree of drought had been fully relieved, wet and normal area accounted for 21.9% of the total area. But the proportion of drought and heavy drought area was still great, indicating that the drought of Ganzhou district oasis in Zhangye city was still very serious.【期刊名称】《湖北农业科学》【年(卷),期】2017(056)016【总页数】7页(P3060-3066)【关键词】干旱;归一化植被指数(TVDI);改进型土壤调节植被指数(MSAVI);地表温度;张掖市甘州区【作者】李润林;董鹏程;王瑜;汪晓斌【作者单位】农业部兰州黄土高原生态环境重点野外科学观测实验站,兰州730050;中国农业科学院兰州畜牧与兽药研究所,兰州 730050;农业部兰州黄土高原生态环境重点野外科学观测实验站,兰州 730050;中国农业科学院兰州畜牧与兽药研究所,兰州 730050;农业部兰州黄土高原生态环境重点野外科学观测实验站,兰州 730050;中国农业科学院兰州畜牧与兽药研究所,兰州 730050;农业部兰州黄土高原生态环境重点野外科学观测实验站,兰州 730050;中国农业科学院兰州畜牧与兽药研究所,兰州 730050【正文语种】中文【中图分类】TP79;X43干旱是世界上许多重大自然灾害之一，在各种自然灾害中，旱灾对农业生产的影响最大。
植被指数在典型草原生物量遥感估测应用中的问题探讨
元线性 模 型和指 数模 型之 间是否存 在某 种趋 势 。通 过 对 以上 ３个 问题 的探 讨 ， 方 面尝 试 阐述 估 产模 型 差 异 一 的可能 原 因—— 生 物量 范 围差 异 ； 另一 方面为 以后草 地生 物量遥 感估测 提 供技术上 的理 论依 据及方 法指 导 。
１ 材 料 与 方 法
合 有效 生 物量 的变 化 比较敏 感 ， 此后植 被 指数 就被 广泛 应用 于生 物量 的遥感 估 测 ， 至今 已发 展 了 ４ 种 植 被 指 ０余
数 ， 中应 用 最为广 泛 的是 ＮＤＶＩ 。虽 然大 多数 植 被 指数 都 可 应 用 于遥 感 估 产 ， 不 同环 境 下 的效 果 存在 其 ＿ ２ 但 争 论 ＿ ｏ， 今 尚未 明确各 种植 被指 数 问的相 互关 系及 其适 用 范 围 。 ２ ］至 ３
地 。最 后 ， 与建模 的样 方共 有 ６ 参 ０个 。 在遥 感数 据方 面 ， 了与 地面调 查数 据在 时间上 匹配 ， 为 购置 了 ２ ０ ０ ５年 ８月 １ ５日的 陆地卫 星 （ ａ ｄ ａ５ ＴＭ） Ｌ ｎ ｓｔ ，
数 字 图像 。利 用 Ｐ Ｉ Ｃ 软件对 影像 进行 大气校 正 、 何校 正后 ， 算各 植被 指数 的值 ， 利用 各样 地记 录 的 ＧＰ 几 计 并 Ｓ定
能地 避免 非典 型草 原景 观 的干 扰 ， 除 了一 些 靠 近农 剔
田或 者小 叶锦鸡 儿 （ ａ ａ ａ ａｍｉ ｏ ｈ ｌ ） Ｃ ｒｇ ｎ ｃ ｐ ｙｉ 斑块 的样 ｒ ａ
图 １ 研 究 区地 理 位 置 及 样 点 分 布 图
Ｆｉ ． Ｔｈ ｏ ａ ｉ ｎ ｆ ｓ ｕｄ ｒ ａ ａ ｄ ａ ｐｌｓ ｇ１ ｅ ｌ ｃ ｔｏ ｏ ｔ ｙ ａ ｅ ｎ ｓ ｍ ｅ
遥感技术毕业论文文献
遥感技术毕业论文文献分享一点自己关于论文写作的心得吧，其实论文只要肯花时间，从题目、提纲入手多修改应该不难的。
要是有时间，多看看高手的，之前师兄介绍的莫文网，上面有很多我们专业的老师，都不错的，很耐心。
也有同学直接让他们写的，质量还不错。
关键的一点，切忌不可抄袭哦！遥感技术毕业论文文献：多时相热红外遥感技术在电路板元件故障判定中的应用城市热岛效应成因的研究与分析利用高分辨率遥感影像进行1：1万土地利用现状信息更新的研究以台州椒江区为例潮白河湿地功能变化分析及环境保护对策研究基于遥感和GIS技术的淮安市土地利用变化研究基于环境减灾卫星的土地利用遥感监测研究基于三维GIS技术的地震灾情场景模拟系统近二十年来梁子湖菰群落动态变化的遥感应用研究3S技术在达县土地利用/覆被动态监测中的应用研究3S技术在四川省生态环境动态监测中的应用西南农牧交错带生态环境遥感现状调查与质量评价进贤县建设用地变化遥感监测研究基于RS的大庆市土壤盐渍化监测动态分析卫星遥感监测渤海辽东湾海冰变化规律的研究怒江流域泸水地区地质灾害评价的遥感技术应用太湖地区地质构造的遥感技术分析遥感技术在太原西山煤田地质灾害调查中的应用航测遥感技术在内蒙古滕格尔坳陷可地浸砂岩型铀矿勘查中的应用研究基于地物波谱数据库的分类识别研究基于遥感技术的湖泊叶绿素a动态监测及改善空间制图详度的研究IKONOS影像在城市绿地信息提取中的应用基于遥感影像的土地利用动态变化监测与预测模型研究理塘草地退化及遥感生物量监测模型研究长清县土地资源生产力、生产潜力及耕地增产潜力评价研究区域生态系统服务功能重要性研究基于国产卫星的浙江省环杭州湾地区城市建成区扩展宏观监测塔里木河流域生态环境遥感监测研究基于混合智能模型的湿地资源遥感监测技术研究森林植物多样性遥感监测应用研究基于人工神经网络的遥感影像模式分类研究遥感震害指数与地面调查震害指数关系的定量研究基于遥感数据的乌梁素海水质参数及湿地演化反演研究吉林省西部土地盐碱化的遥感监测基于神经网络的遥感影像识别不同区域湿地信息提取的遥感技术应用研究利用MODIS遥感技术监测浙江省森林火燃料湿度的时空动态基于高光谱遥感技术的变量施肥算法及机理研究遥感技术应用于土壤盐渍化动态监测基于高光谱遥感技术的作物营养诊断初步研究热红外遥感技术在亚东格尔木锡铁山热环境中的应用基于遥感技术的若尔盖高原地区湿地生态系统健康评价地理信息系统和遥感技术应用于肾综合征出血热流行病学研究遥感技术在水文地质勘察中的应用基于遥感信息的流域生态系统健康评价基于RS的地震灾害生态环境影响评价南京市溧水县稻田土壤全氮的遥感估测基于遥感和GIS的土地适宜性评价研究利用归一化植被指数评价酿酒葡萄地块内生长势差异性汶川地震区地质灾害易发性快速区划与制图东亚飞蝗生境的遥感分类研究。
基于遥感和无人机数据的草地NDVI影响因子多尺度分析
基于遥感和无人机数据的草地NDVI影响因子多尺度分析潘影; 张燕杰; 武俊喜; 张宪洲; 余成群【期刊名称】《《草地学报》》【年(卷),期】2019(027)006【总页数】8页(P1766-1773)【关键词】西藏; 无人机; 遥感; 植被指数; 多尺度【作者】潘影; 张燕杰; 武俊喜; 张宪洲; 余成群【作者单位】中国科学院地理科学与资源研究所北京100101; 大理大学农学与生物科学学院大理671003; 中国科学院地理科学与资源研究所生态系统网络观测与模拟重点实验室北京100101【正文语种】中文【中图分类】S812.3植被是生态系统中最重要的组成部分，联系着土壤、大气等圈层，影响着生态系统中养分、水分以及碳循环等生态过程；同时，植被能够减弱风力和水力对土壤的侵蚀，很大程度上决定着防风固沙、土壤保持等生态系统服务[1]；植被能够改变地表反照率和蒸散发，从而影响局地、区域气候，提供气候调节服务[2,3]；植被也是生态系统中重要的碳库，影响着碳固定和碳吸收等生态系统功能[4]。
因此，对植被进行空间上的监测并分析植被变化驱动因子，对了解生态环境现状和理解不同驱动力下的生态过程有很大的促进作用。
归一化植被指数(Normalized Difference Vegetation Index，NDVI)是反映植被生长状态和生产力的定量指标。
由于遥感技术的兴起与成熟，各种植被指数都被用来反映植被状况，其中NDVI是被应用最广泛的植被指数之一[5,6]。
NDVI是基于多光谱遥感影像中的红光波段和近红外波段计算得出，可直接反映植被的茂密程度，同时也与一些植物生物物理参数如净初级生产力(Net primary production，NPP)、叶面积指数(Leaf area index，LAI)等相关联[7]。
由于红光通道的易饱和性以及算法上的局限等因素，NDVI指数在高植被覆盖区容易饱和；即随着植被茂密程度增加，NDVI却无法同步增长[7]。
三江源区高寒草地地上生物量遥感反演模型的建立中期报告
三江源区高寒草地地上生物量遥感反演模型的建立
中期报告
本研究旨在建立三江源区高寒草地地上生物量（AGB）遥感反演模型。
针对该区环境特点和遥感数据所存在的问题，选取MODIS和Landsat TM遥感数据进行精度评估，选择了多种地面因子数据进行模型构建。
本文介绍了研究的中期进展，包括数据处理和分析结果。
第一部分介绍了数据的采集和处理。
选择了2013年的MODIS NDVI 和Landsat TM数据，并进行了预处理，包括云去除和空间分割。
同时，采集了地面野外调查数据，包括AGB和地面因子数据（如高程、气候数据、土壤类型等）。
第二部分主要讲述了模型的构建。
我们首先选择了单变量线性回归模型，分别使用了NDVI、植被指数（VI）和地面因子数据进行建模，并通过残差分析和验证数据的平均误差检验模型效果。
然后，结合多元线性回归模型进行拟合，进一步探究与AGB和地面因子的相关性，优化预测方程模型。
第三部分介绍了模型的精度评估。
我们使用2017年的MODIS和Landsat TM数据进行了交叉验证，并对预测模型的误差进行分析。
结果表明，因为野外调查数据的缺失，模型精度得到了一定的限制，并存在一定的空间异质性。
综上，本研究基于NDVI和地面因子数据，通过单变量和多元线性回归模型建立了高寒草地AGB的遥感反演模型，为该区域的生态环境评价提供了一定的参考依据。
未来的研究会更加完善数据集，提高精度评估水平，进一步优化模型以提高精度。
《2024年内蒙古典型草原植被地上生物量遥感反演》范文
《内蒙古典型草原植被地上生物量遥感反演》篇一一、引言内蒙古作为我国重要的草原生态系统，其植被地上生物量的研究对于理解草原生态系统的功能、动态变化以及应对气候变化具有重要意义。
随着遥感技术的不断发展，利用遥感数据进行植被地上生物量的反演已经成为一个重要的研究领域。
本文旨在探讨内蒙古典型草原植被地上生物量的遥感反演方法，为草原生态系统的保护和管理提供科学依据。
二、研究区域与数据本研究区域选择内蒙古典型草原地区，该地区具有丰富的草原资源和独特的生态环境。
研究数据主要包括遥感数据和地面实测数据。
遥感数据包括多时相、多光谱的卫星遥感数据和无人机遥感数据，地面实测数据包括植被类型、地上生物量等。
三、遥感反演方法（一）遥感数据预处理首先，对遥感数据进行预处理，包括辐射定标、大气校正、图像增强等步骤，以提高数据的信噪比和清晰度。
（二）植被指数计算选取合适的植被指数，如归一化植被指数（NDVI）、增强型植被指数（EVI）等，进行计算和分析。
这些植被指数能够反映植被的生长状况和生态系统的健康程度。
（三）生物量反演模型构建根据地面实测数据和遥感数据，构建生物量反演模型。
模型采用多元线性回归、神经网络等方法，通过分析植被指数与地上生物量的关系，建立反演模型。
（四）模型验证与优化利用独立样本对模型进行验证和优化，通过比较模型预测值与实际值的差异，对模型进行修正和优化，提高模型的精度和可靠性。
四、结果与分析（一）反演结果通过遥感反演方法，得到了内蒙古典型草原地区不同时相的地上生物量分布图。
结果表明，草原地上生物量在不同季节和不同地区存在显著差异。
（二）结果分析对反演结果进行分析，探讨了草原地上生物量与气候、土壤、人为活动等因素的关系。
结果表明，气候因素对草原地上生物量的影响最为显著，同时，人为活动也会对草原生态系统造成一定影响。
此外，不同植被类型的地上生物量也存在差异。
五、讨论与结论（一）讨论本研究存在一定局限性，如遥感数据的分辨率、大气校正的准确性等因素可能影响反演结果的精度。
基于红光和近红外反射光谱特征参数反演草地地上生物量
基于红光和近红外反射光谱特征参数反演草地地上生物量罗媛;谢堂民;龙显静;冯树林;陈功【摘要】From June to October 2013,the mixed pasture (Pennisetum clandestinum and Trifolium repens ) was selected to estimate the aboveground biomass through building the estimating model by measuring the cano-py spectral reflectance of the pasture and analyzing the relationship between biomass and reflectance of special wavelengths,red edge parameter and vegetation indices.Results showed that there were significant relationships between spectral reflectance in red band and pasture aboveground biomass.Reflectance at red valley could be significantly decreased and reflectance at 850.0 nm could be significantly increased by increased biomass from June 1 1 to October 12.Reflectance of red band and vegetation index RVI as well as vegetation index NDVI could be used for estimating pasture fresh forage and dry matter yield,but the most suitable vegetative indices varied with the season and forage yield.RVI was better used in June and NDVI was better in October.%2013年6~10月测定东非狼尾草+白三叶混播草地冠层反射光谱和地上生物量；分析红光波段和近红外波段反射光谱特征参数与牧草鲜重及干物质之间的相关关系；构建并检验基于红光单波段和植被指数(NDVI 、RVI 、DVI )反演草地地上生物量回归模型。
川西高原植被NDVI变化研究
地球科学与环境工程河南科技Henan Science and Technology总第807期第13期2023年7月收稿日期：2023-03-23基金项目：国家级大学生创新创业训练计划项目（202110628028）；沱江流域高质量发展研究中心项目（TJGZL2020-06；TJGZL2022-15）。
作者简介：程博（2002—），男，本科生，研究方向：环境科学。
通信作者：姚昆（1991—），男，硕士，讲师，研究方向：生态遥感。
川西高原植被NDVI 变化研究程博周显洋姚昆的的克牛喻磊樊骁（西昌学院资源与环境学院，四川西昌615000）摘要：【目的】为较全面掌握川西高原植被NDVI 动态变化及驱动因素。
【方法】以MODIS-NDVI 为基础数据，借助Sen+MK 和地理探测器模型对其2000—2020年变化规律展开探讨。
【结果】①川西高原植被NDVI 整体呈现自西南向东北方向倾斜，植被NDVI 数值整体相对更高；②近20年，全域植被NDVI 数值无显著变化趋势的地区全域面积占比约75%；③高程、年平均气温和土壤类型主导了川西高原植被NDVI 的空间布局，解释力在35%以上。
【结论】川西高原近20年植被整体生长状态良好，自然因素对其植被空间布局的影响显著。
关键词：植被NDVI ；地理探测器；川西高原中图分类号：Q948文献标志码：A文章编号：1003-5168（2023）13-0094-05DOI ：10.19968/ki.hnkj.1003-5168.2023.13.019Study on NDVI Changes of Vegetation in Western Sichuan PlateauCHENG BoZHOU Xianyang YAO Kun DIDI Keniu YU Lei FAN Xiao（School of Resources and Environment,Xichang University,Xichang 615000,China ）Abstract:[Purposes ]This paper aims to comprehensively understand the NDVI dynamic changes anddriving factors of vegetation in the western Sichuan plateau.[Methods ]This study conducted a discus⁃sion on its change rules from 2000to 2020based on MODIS-NDVI data,using Sen+MK and geographic detector models.[Findings ]The results are as follows:①The NDVI values of vegetation on the western Sichuan plateau as a whole show a slope from southwest to northeast,and the NDVI values of vegetation are relatively higher as a whole;②In the past 20years,the area with no significant change trend in NDVI values of vegetation throughout the region accounts for about 75%；③Elevation,annual average temperature,and soil type are the dominant factors affecting the NDVI spatial layout of vegetation in the study area,with an explanatory power of over 35%.[Conclusions ]The overall growth of vegetation on the western Sichuan plateau in the past 20years is good,and natural factors have a significant impact onits spatial layout of vegetation.Keywords:vegetation NDVI;geographic detectors;western sichuan plateau0引言植被是陆地生态系统的重要组成部分之一，是实现土壤、大气和能量进行物质交换的重要“纽带”［1-2］。
《2024年内蒙古典型草原植被地上生物量遥感反演》范文
《内蒙古典型草原植被地上生物量遥感反演》篇一一、引言内蒙古作为我国典型的草原地区，其植被地上生物量的研究对于了解草原生态系统的结构和功能具有重要意义。
随着遥感技术的不断发展，利用遥感数据进行植被地上生物量的反演已成为研究热点。
本文旨在探讨内蒙古典型草原植被地上生物量的遥感反演方法，以期为草原生态保护和可持续发展提供科学依据。
二、研究区域与数据本研究区域选取内蒙古典型草原，涵盖了多种草地类型。
数据来源包括遥感数据和地面实测数据。
遥感数据包括多时相、多光谱的卫星和无人机遥感影像，地面实测数据包括植被高度、叶面积指数、生物量等相关参数。
三、方法与技术（一）遥感数据处理遥感数据处理包括影像预处理、植被指数计算等步骤。
首先，对遥感影像进行辐射定标、大气校正等预处理，以提高数据的准确性。
然后，计算归一化植被指数（NDVI）等植被指数，以反映植被的生长状况。
（二）地上生物量反演模型根据前人研究成果和实地调查数据，建立地上生物量与遥感数据之间的数学模型。
通过对比不同模型的反演精度，选择最优模型进行地上生物量的反演。
四、结果与分析（一）遥感数据与地上生物量的关系通过分析遥感数据与地上生物量的关系，发现NDVI等植被指数与地上生物量之间存在显著的正相关关系。
这表明遥感数据可以有效地反映草原植被的生长状况和地上生物量。
（二）反演模型的精度评价采用地面实测数据对反演模型进行验证，结果表明所选模型的反演精度较高，可以有效地反映草原植被的地上生物量。
同时，对比不同模型的反演结果，发现某些模型在特定区域的反演效果更佳。
（三）空间分布特征通过反演得到的草原植被地上生物量空间分布图，可以看出内蒙古典型草原植被地上生物量的空间分布特征。
在不同草地类型、不同海拔、不同坡度等条件下，植被地上生物量存在显著的差异。
五、讨论与展望本研究通过遥感反演方法，得到了内蒙古典型草原植被地上生物量的空间分布特征。
然而，仍存在一些不足之处，如模型普适性有待提高、反演精度有待进一步提升等。
植被光谱物候参量反演算法
植被光谱物候参量反演算法植被光谱物候参量反演算法通常利用植被的光谱反射率和植被指数等信息来反演植被的生物量、叶面积指数(LAI)、叶绿素含量等物候参数。
以下是常见的反演算法和模型：1、多元线性回归模型(MLR)：该模型基于地面实测的植被光谱数据和对应的生物物理参数（例如LAI、叶绿素含量等），建立光谱参数和生物物理参数之间的多元线性回归关系，利用该模型来预测未知区域的生物物理参数。
2、支持向量机(SVM)：SVM是一种二分类模型，可以用于解决回归问题。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用SVM建立光谱与生物物理参数之间的非线性关系，然后利用该模型预测未知区域的光谱物候参量。
3、随机森林回归(RFR)：随机森林是一种基于集成学习的模型，可以用于解决回归问题。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用随机森林建立光谱与生物物理参数之间的非线性关系，然后利用该模型预测未知区域的光谱物候参量。
4、岭回归(RRR)：岭回归是一种处理共线性数据的线性回归方法，可以用于解决回归问题。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用岭回归建立光谱与生物物理参数之间的线性关系，然后利用该模型预测未知区域的光谱物候参量。
5、人工神经网络(ANN)：ANN是一种黑箱模型，可以模拟复杂的非线性关系。
在植被光谱物候参量反演中，可以将光谱数据和对应的生物物理参数作为训练数据，利用ANN建立光谱与生物物理参数之间的非线性关系，然后利用该模型预测未知区域的光谱物候参量。
以上是常见的植被光谱物候参量反演算法和模型，具体应用需要根据实际情况选择合适的算法或模型。
不同植被指数和无人机航高对草地盖度估测精度的影响
11-19草 业 科 学第 38 卷第 1 期1/2021PRATACULTURAL SCIENCE Vol.38, No.1DOI: 10.11829/j.issn.1001-0629.2020-0115伏帅，张勇辉，李佳吕，王萌榛，彭璐，冯琦胜，梁天刚. 不同植被指数和无人机航高对草地盖度估测精度的影响. 草业科学, 2021, 38(1): 11-19.FU S, ZHANG Y H, LI J L, WANG M Z, PENG L, FENG Q S, LIANG T G. Influence of different vegetation indices and heights of UAVs on the accuracy of grassland coverage estimation. Pratacultural Science, 2021, 38(1): 11-19.不同植被指数和无人机航高对草地盖度估测精度的影响伏 帅，张勇辉，李佳吕，王萌榛，彭 璐，冯琦胜，梁天刚（兰州大学草地农业生态系统国家重点实验室 / 兰州大学农业农村部草牧业创新重点实验室 /兰州大学草地农业教育部工程研究中心 / 兰州大学草地农业科技学院，甘肃 兰州 730020）摘要：搭载高清数码相机的无人机在草地资源调查等方面具有成本低廉、机动性高、观察范围大等突出优势，拥有广阔的发展前景。
本研究使用小型无人机(unmanned aerial vehicle, UAV)、手机相机等设备获取草地盖度数据，选用植被因子指数(vegetative index, VEG)、超绿指数(excess green index, ExG)、超绿超红差分指数(excess green minus excess red index, ExGR)和绿叶指数(green leaf index, GLI) 4种基于可见光的植被指数提取草地盖度信息，从无人机航高、草地盖度水平等方面分析各植被指数的适用性。
草地植被指数及生物量的遥感估测
ｔ ｓ ｆ ｅｅａ ｏ ｄ ｘＮ Ｖ （ｎ ｒ ａｉ ｄ ｄｆ ｒｎ ｅｖｇｔ ｉｎｉｄ ｘ ｎ Ｖ ｒｔ ｅ ｅ ｔ ｎ ｉ－ ｉ ｇｔ ｉｎｉ ｅ Ｄ Ｉ ｏｍ ｌｅ ｉｅｅｃ ｅｅａ ｏ ｎ ｅ ）ａ ｄＲ Ｉ（ａ ｏｖｇｔ ｉ ｃｏ ｖ ｔ ｎ ｚ ｆ ｔ ｉ ａｏ ｎ
维普资讯
第２ 卷 １
２０ ０６年
第 ３期
６月
云南农业大学学报
Ｊｕ ｎ ｌ ｆ ｎ ａ ｒ ｕ ｕБайду номын сангаас ｉｅｓ ｙ ｏ ｒ ａ ｏ Ｙｕ ｎ ｎ Ａｇｉ ｈ ｒｌＵｎｖ ｒｉ ｅ ｔ
Ｖ １ １ Ｎｏ ３ ０ ．２ ．
Ｊ ｎ 【ｌ ｕ ．２ｘ６
Ａｂ ｔａ ｔ ｎ ｔｉ ｐ ｐ ｒ ｔ ｓｍａｎｙｒｎ ｂ ｃ ｈ ｒ ｒ ｈ ｓ ｓｏ ａ ｔｒ ｃｅ ｃ ｅ ｔ ｅ ｓｎ ｓｒ ｃ ：Ｉ ｈｓ ａ ｅ ，ｉ ｗａ ｉｌ ｕ ａ ｋ ｔｅｐ ｍａｙｐ ａｅ ｆ ｓｕｅ ｓｉｎ ｅ ｒｍｏｅ ｓｎ ｉｇ ｉ ｐ
ｔｃ ｎ ｌ ｇ ｎ ｒｅ ｙ ｉ ｔ ｄ ｃ ｄ ｔ ｅ ｓ ｅ ｔａ ｅ ｅ ｔ ｎ ｃ ａ ａ ｔｒｓｉｓ ｏ ｒ ｓｌ ｎ ｌｎ ｓ Ｂ ｓ ｅ ｔ ｅ ｈ ｏｏ ｙ ａ ｄ ｂ ｆ ｎ ｒ ｕ ｅ ｈ ｐ ｃｒ ｌ ｒ ｆ ｃ ｉ ｈ ｒ ｃｅ ｔ ｆｇ ａ ｓ ｄ ｐ ａ ｔ． ｅ ｉ ｓ ｉ ｉ ｌ ｏ ｌ ｏ ｉ ｃ ａ ｄ
ｄｘ ．Ｆｎｌ ａ ｉ ｕｓｄｔｅｒｌｉ ｓｉ ｂｔｅｎｖｇｔｉｎｉｄｘａｄｇ ｓｌ ｄｂｏ ａｓ ｎｔｅ ｅ） ｉａｙｉｗ ｓ ｓ ｓ ａｏ ｈｐ ｅｗ ｅ ｅｅ ｔ ｅ ｎ ｒ ｓ ｎ ｉｍ ｓ．Ｉ ｌ ｔ ｄ ｃ ｅ ｈ ｅ ｔｎ ａｏ ｎ ａ ａ ｈ
ｆ ｌ ｆ ｓｉ ｔ ｎ ｆ ｒｇａ ｓ ｎ ｉｌ ｍａ ｙ ｒ ｓ ａ ｃ ｅ ｎ ｉａ ｅ ｈ ｔｔｅ ａ ｐ ｉ ａｉｎ ｏ ｅ ｅ ａｉｎ Ｎ ｉ ｄ ｏ ｔ ｅ ｅ ｍａ ｉ ｒ ｓｌ ｄ ｙ ｅｄ， ｎ ｅ ｅ ｒ ｈ ｓｉ ｄ ｃ ｔｄ ｔ ａ ｐ ｌ ｔ ｆ ｇ ｔｔ ＤＶ１ ｏ ｏ ａ ｈ ｃ ｏ ｖ ｏ
无人机多光谱数据反演叶面积指数方法研究
对本文的可见光和近红外波段几乎没有影响，所以本
文中的这些参数取固定值；叶面积指数 LAI 和观测角
Oza 的变化对光谱曲线的影响很大,从而可以利用此模
型进行 LAI 的定量反演。
2.1.2
模型反演
玉米属于水平型比较均一的植被，所以本文采用
PROSAIL 模型进行叶面积指数的反演。简单来说，本
文利用无人机获取的多光谱影像，以玉米为研究对
便、快捷、实时性强的特点，使得利用航空遥感进行
叶面指数反演得到了迅猛发展，如 Berni
[1-2]
利用航拍数
象，利用顾及敏感性分析的 prosail 模型和统计模型进
行玉米叶面积指数反演的研究,为无人机作为植被评估
据联合叶子水平辐射传输模型 （PROSPECT），灌顶盖
area index inversion from UAV multi-spectral images. The inversion results show that R2 of PROSAIL model is 0.79, and R2 of GNDVI model
is 0.82.The experiment shows that UAV multi-spectral images can be used to invert corn leaf area index, and the effect is good.
(1. Henan Water Survey Co., LTD, University, Zhengzhou 450003, China)
Abstract: Taking corn in the Qingdao area as research object, we used PROSAIL model and vegetation index model to study the method of leaf
基于归一化指数（NDVI）的植被覆盖度分级研究——以贵州省为例
基于归⼀化指数（NDVI）的植被覆盖度分级研究——以贵州省为例基于归⼀化指数（N D V I)的植被覆盖度分级研究----以贵州省为例袁⼠聪⾕甫刚(贵阳⽣产⼒促进中⼼，贵阳5500〇2)摘要：⼟地植被覆盖度是反映⼟地利⽤变化的⼀个重要指标，但传统的研究⽅法需要耗⽤⼤量的⼈⼒与物⼒进⾏采点分析。
本⽂以贵州省为例，以CBERS2遥感影象为数据源，利⽤遥感与地理信息系统技术，根据归⼀化植被指数（NDVI)可提供植被反射重要信息的原理，通过建模反演植被覆盖度，利⽤遥感与地理信息系统软件，得出⼟地植被覆盖度数据与专题地图。
利⽤NDVI研究贵州省的植被覆盖度是切实可⾏的技术。
关键词：NDVI;归⼀化植被指数;植被覆盖度;贵州省中图分类号：X87 ⽂献标志码：AA study on vegetation coverage based on NDVI---taking Gui Zhou Province as an exampleYuan Shicong,Gu Pugang(Productivity Promotion Centre of Guiyang, Guiyang 550002)Abstract ：Vegetation coverage is an important index reflecting the land use change. Employing tradi-tional method, however, needs to consume massive manpower and materials for conducting sampling and analyzing. By employing remote sensing and geographic information system technology and using CBERS2 remote sensing image as the data pool, this research conducted an inversion calculation of vegetation coverage of Guizhou Province through modeling based on the theory that NDVI ( normalized difference vegetation index) can provide important information of vegetation reflection. Both land coverage data and thematic map were finally obtained thanks to the support of remote sensing and ge-ographic information system software. The results show that calculation of vegetation coverage of Guizhou Province using NDVI is feasible.Keywords ：normalized difference vegetation index ；vegetation coverage ；Guizhou Province⼟地覆盖是指⾃然营造物和⼈⼯建筑物所覆盖的地表诸要素的综合体,包括地表植被、⼟壤、湖泊、沼泽湿地及各种建筑物（如道路等），具有特定的时间和空间属性，其形态和状态可在多种时空尺度上变化[1]。
中国草地植被生物量及其空间分布格局
中国草地植被生物量及其空间分布格局一、概述草地生态系统是陆地生态系统分布最广的生态系统类型之一，在全球变化中的作用越来越受到重视。
本文利用中国草地资源清查资料，并结合同期的遥感影像，建立了基于最新修正的归一化植被指数（NDVI）的我国草地植被生物量估测模型，并利用该模型研究了我国草地植被生物量及其空间分布特征。
研究结果表明，草地植被地上生物量与当年最大NDVI值具有很好的相关关系，两者可以用幂函数很好地拟合。
我国草地植被总地上生物量为16 TgC，主要集中在北方干旱、半干旱地区和青藏高原总地下生物量为60 TgC，是地上生物量的15倍而总生物量是176 TgC，占世界草地植被的7，其平均密度约等于24 gCm，低于世界平均水平。
我国草地植被单位面积地上生物量水平分布趋势为：东南地区高，西北地区低，与水热条件的分布趋势一致从垂直分布看，在海拔1350m 和3750m处分别出现了波谷和波峰，与我国特有的三级阶梯地势有着密切的关系。
我国草地植被生物量为森林的14左右，显著大于世界平均水平，说明我国草地在碳平衡中的贡献相对较大。
1. 研究背景和意义草地作为地球上分布最广的植被类型之一，在全球生态系统中占有举足轻重的地位。
中国作为世界上草地资源最为丰富的国家之一，其草地植被的生物量及其空间分布格局对于理解国家乃至全球碳循环、水循环以及生物多样性保护等方面都具有重要意义。
受气候变化、人类活动等多重因素的影响，草地生态系统面临着巨大的压力和挑战，其生物量的动态变化及空间分布格局亦发生相应调整。
系统地开展中国草地植被生物量及其空间分布格局的研究，不仅有助于深入认识草地生态系统的结构与功能，而且对于制定科学的草地管理政策、促进草地资源的可持续利用具有重要的实践指导价值。
本研究旨在通过综合分析现有数据和资料，结合遥感技术和地面观测手段，系统地评估中国草地植被的生物量及其空间分布格局，揭示其变化特征及其驱动机制。
研究结果将为我国草地生态系统的科学管理和生态保护提供基础数据和理论支撑，同时也可为全球草地生态系统的相关研究提供参考和借鉴。
青藏高原草地生态系统的生物量、花、和物候的遥感研究的开题报告
青藏高原草地生态系统的生物量、花、和物候的遥
感研究的开题报告
一、背景
青藏高原草地是青藏高原上相对分布广泛的生态系统之一，其生物量、花、物候等生态信息对于区域生态环境的保护和管理具有重要意义。
传统的调查方法受制于野外条件的限制，采样难度大、覆盖面积小、不
易重复，因此采用遥感技术进行生态调查具有优势和必要性。
二、研究内容
1.生物量遥感研究
通过遥感技术获取青藏高原草地的植被覆盖度和植被指数信息，结
合实地测定的植被生物量数据，建立植被生物量遥感模型，并研究生物
量空间分布规律和时间变化趋势。
2.花遥感研究
利用遥感技术获取青藏高原草地的植被指数和彩色图像信息，结合
实地调查的植物花期数据，建立植物花期遥感模型，并进行花期时空分
布分析。
3.物候遥感研究
通过遥感技术获取青藏高原草地的植被指数和地表温度信息，根据
不同植被物种生长的温度和光照要求，建立物候遥感模型，并研究物候
时空变化规律和影响因素。
三、研究方法
本研究将利用广角相机、高光谱遥感和地理信息系统等多源遥感数据，结合实地调查数据，运用回归分析、时序分析和统计分析等方法，
建立青藏高原草地生态系统的生物量、花、物候遥感模型，并进行时空分析和验证。
四、研究意义
本研究将揭示青藏高原草地的生态系统类型、生物量、花、物候等信息，为区域生态保护和管理提供科学依据，同时也为生态遥感技术在高原草地生态系统调查和监测中的应用提供借鉴。
青藏高原草地地上生物量估算
第４４卷第７期２０２４年４月生态学报ＡＣＴＡＥＣＯＬＯＧＩＣＡＳＩＮＩＣＡＶｏｌ．４４，Ｎｏ．７Ａｐｒ．，２０２４基金项目：第二次青藏高原综合科学考察研究项目（２０１９ＱＺＫＫ０１０６）收稿日期：２０２３⁃０５⁃１９；㊀㊀网络出版日期：２０２４⁃０１⁃１２∗通讯作者Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ．Ｅ⁃ｍａｉｌ：ｒｅｎｈｏｎｇｒｕｉ＠ｔｙｕｔ．ｅｄｕ．ｃｎＤＯＩ：１０．２０１０３／ｊ．ｓｔｘｂ．２０２３０５１９１０６０姚雨微，任鸿瑞．青藏高原草地地上生物量估算．生态学报，２０２４，４４（７）：３０４９⁃３０５９．ＹａｏＹＷ，ＲｅｎＨＲ．ＥｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ．ＡｃｔａＥｃｏｌｏｇｉｃａＳｉｎｉｃａ，２０２４，４４（７）：３０４９⁃３０５９．青藏高原草地地上生物量估算姚雨微，任鸿瑞∗太原理工大学测绘科学与技术系，太原㊀０３００２４摘要：及时准确评估草地产草量对草地资源的科学管理和可持续发展具有重要意义㊂青藏高原自然环境特殊，气候差异显著，地形复杂，仅依靠遥感信息准确监测草地地上生物量（ＡｂｏｖｅｇｒｏｕｎｄＢｉｏｍａｓｓ，ＡＧＢ）变化有较大限制㊂基于青藏高原草地ＡＧＢ野外实测数据与Ｌａｎｄｓａｔ遥感影像，探索了植被指数表征草地ＡＧＢ信息的有效性，评估了气象和地形信息对准确估算草地ＡＧＢ的影响，综合利用气象㊁地形和遥感信息，在新一代地球科学数据和分析应用平台（ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ）上构建了梯度增强回归树草地ＡＧＢ估算模型，绘制了青藏高原多年草地ＡＧＢ空间分布图㊂结果表明：（１）基于单因素遥感因子的线性回归模型仅能解释８％ ４０％的草地ＡＧＢ变化情况，其中绿色归一化植被指数（ＧｒｅｅｎＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ，ＧＮＤＶＩ）对草地ＡＧＢ解释能力较强（４０％）㊂（２）基于遥感因子构建的梯度增强回归树模型测试集Ｒ２为０．５７㊂分别添加气象㊁地形信息，模型对草地ＡＧＢ的估测准确性有所提升，测试Ｒ２为０．６２和０．６３㊂（３）基于气象㊁地形和遥感因子的多因素估测模型能够提高草地ＡＧＢ估测精度，经递归特征消除法优选后，基于１３个特征变量的梯度增强回归树模型拟合效果最好（训练数据集Ｒ２＝０．７９，ＲＭＳＥ＝４３．４２ｇ／ｍ２，Ｐ＜０．０１；测试数据集Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１），可以解释６６％草地ＡＧＢ变化情况㊂（４）２０１０年青藏高原平均ＡＧＢ为９４．５８ｇ／ｍ２，２０１５年９３．６３ｇ／ｍ２，２０２０年１００．７８ｇ／ｍ２㊂青藏高原西北部草地ＡＧＢ较低，东南部草地ＡＧＢ较高，整体呈现自西北向东南逐渐增加的分布格局㊂研究结果为准确估算青藏高原草地产草量和碳储量等研究提供重要参考㊂关键词：青藏高原；草地地上生物量；梯度增强回归树；遥感ＥｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕＹＡＯＹｕｗｅｉ，ＲＥＮＨｏｎｇｒｕｉ∗ＤｅｐａｒｔｍｅｎｔｏｆＧｅｏｍａｔｉｃｓ，ＴａｉｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｔａｉｙｕａｎ０３００２４，ＣｈｉｎａＡｂｓｔｒａｃｔ：Ｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅａｓｓｅｓｓｍｅｎｔｏｆｇｒａｓｓｐｒｏｄｕｃｔｉｏｎｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｔｏｔｈｅｓｃｉｅｎｔｉｆｉｃｍａｎａｇｅｍｅｎｔａｎｄｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｇｒａｓｓｌａｎｄｒｅｓｏｕｒｃｅｓ．ＴｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｈａｓｓｐｅｃｉａｌｌｙｎａｔｕｒａｌｅｎｖｉｒｏｎｍｅｎｔｗｉｔｈｓｉｇｎｉｆｉｃａｎｔｃｌｉｍａｔｅｄｉｆｆｅｒｅｎｃｅｓａｎｄｃｏｍｐｌｅｘｔｏｐｏｇｒａｐｈｙ．Ｔｈｅｒｅａｒｅｍａｊｏｒｌｉｍｉｔａｔｉｏｎｓｉｎｒｅｌｙｉｎｇｏｎｌｙｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｆｏｒｍａｔｉｏｎｔｏａｃｃｕｒａｔｅｌｙｍｏｎｉｔｏｒｃｈａｎｇｅｓｉｎａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ（ＡＧＢ）ｉｎｇｒａｓｓｌａｎｄｓ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｂａｓｅｄｏｎｔｈｅｇｒａｓｓｌａｎｄＡＧＢｆｉｅｌｄｍｅａｓｕｒｅｍｅｎｔｄａｔａａｎｄＬａｎｄｓａｔｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ，ｔｈｅｖａｌｉｄｉｔｙｏｆｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｉｎｃｈａｒａｃｔｅｒｉｚｉｎｇｇｒａｓｓｌａｎｄＡＧＢｉｎｆｏｒｍａｔｉｏｎｗａｓｅｘｐｌｏｒｅｄ，ａｎｄｔｈｅｉｎｆｌｕｅｎｃｅｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｔｏｐｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎｏｎａｃｃｕｒａｔｅｅｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓａｓｓｅｓｓｅｄ．Ｂａｓｅｄｏｎｔｈｅｍｅｔｅｏｒｏｌｏｇｉｃａｌ，ｔｏｐｏｇｒａｐｈｉｃ，ａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｄａｔａ，ｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅｍｏｄｅｌｓｆｏｒｅｓｔｉｍａｔｉｎｇｇｒａｓｓｌａｎｄＡＧＢｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｏｎａｎｅｗｇｅｎｅｒａｔｉｏｎｏｆｅａｒｔｈｓｃｉｅｎｃｅｄａｔａａｎｄａｎａｌｙｓｉｓａｐｐｌｉｃａｔｉｏｎｐｌａｔｆｏｒｍ（ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ），ａｎｄｔｈｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｍｕｌｔｉ－ｙｅａｒｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓｍａｐｐｅｄ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔ：（１）Ｔｈｅｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｂａｓｅｄｏｎｓｉｎｇｌｅｒｅｍｏｔｅｓｅｎｓｉｎｇｆａｃｔｏｒｃｏｕｌｄｏｎｌｙｅｘｐｌａｉｎ８％ ４０％ｏｆｔｈｅｃｈａｎｇｅｓｉｎｇｒａｓｓｌａｎｄＡＧＢ，ａｍｏｎｇｗｈｉｃｈｔｈｅｇｒｅｅｎｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＧＮＤＶＩ）ｗａｓｍｏｒｅｃａｐａｂｌｅｏｆｅｘｐｌａｉｎｉｎｇｇｒａｓｓｌａｎｄＡＧＢ（４０％）．（２）Ｔｈｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅｍｏｄｅｌｃｏｎｓｔｒｕｃｔｅｄｗｉｔｈｒｅｍｏｔｅｓｅｎｓｉｎｇｆａｃｔｏｒｓ０５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀ｈａｄａｎＲ２ｏｆ０．５７ｆｏｒｔｈｅｔｅｓｔｄａｔａｓｅｔ．Ｗｉｔｈｔｈｅａｄｄｉｔｉｏｎｏｆｍｅｔｅｏｒｏｌｏｇｉｃａｌｉｎｆｏｒｍａｔｉｏｎａｎｄｔｏｐｏｇｒａｐｈｉｃｉｎｆｏｒｍａｔｉｏｎ，ｒｅｓｐｅｃｔｉｖｅｌｙ，ｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｆｏｒｅｓｔｉｍａｔｉｎｇｔｈｅｇｒａｓｓｌａｎｄＡＧＢｗａｓｉｍｐｒｏｖｅｄ，ｗｉｔｈｔｈｅｔｅｓｔｄａｔａｓｅｔＲ２ｏｆ０．６２ａｎｄ０．６３．（３）Ｔｈｅｍｕｌｔｉ－ｆａｃｔｏｒｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｃｏｕｐｌｅｄｗｉｔｈｍｅｔｅｏｒｏｌｏｇｉｃａｌｆａｃｔｏｒｓ，ｔｏｐｏｇｒａｐｈｉｃｆａｃｔｏｒｓ，ａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｆａｃｔｏｒｓｃｏｕｌｄｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｔｈｅａｃｃｕｒａｃｙｏｆｇｒａｓｓｌａｎｄＡＧＢｅｓｔｉｍａｔｉｏｎ．Ａｆｔｅｒｏｐｔｉｍｉｚａｔｉｏｎｂｙｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎｍｅｔｈｏｄ，ｔｈｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅｍｏｄｅｌｂａｓｅｄｏｎ１３ｆｅａｔｕｒｅｖａｒｉａｂｌｅｓｈａｄｔｈｅｂｅｓｔｆｉｔｔｉｎｇｅｆｆｅｃｔ（ｔｒａｉｎｉｎｇｄａｔａｓｅｔ：Ｒ２＝０．７９，ＲＭＳＥ＝４３．４２ｇ／ｍ２，Ｐ＜０．０１；ｔｅｓｔｉｎｇｄａｔａｓｅｔ：Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１），ｗｈｉｃｈｃｏｕｌｄｅｘｐｌａｉｎ６６％ｏｆｇｒａｓｓｌａｎｄＡＧＢｖａｒｉａｔｉｏｎ．（４）ＴｈｅａｖｅｒａｇｅｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓ９４．５８ｇ／ｍ２ｉｎ２０１０，９３．６３ｇ／ｍ２ｉｎ２０１５，ａｎｄ１００．７８ｇ／ｍ２ｉｎ２０２０．ＴｈｅｇｒａｓｓｌａｎｄＡＧＢｉｎｔｈｅｎｏｒｔｈｗｅｓｔｅｒｎｐａｒｔｏｆｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｗａｓｌｏｗｅｒ，ａｎｄｔｈｅｇｒａｓｓｌａｎｄＡＧＢｉｎｔｈｅｓｏｕｔｈｅａｓｔｅｒｎｐａｒｔｗａｓｈｉｇｈｅｒ．Ｔｈｅｏｖｅｒａｌｌｄｉｓｔｒｉｂｕｔｉｏｎｐａｔｔｅｒｎｓｈｏｗｅｄａｇｒａｄｕａｌｉｎｃｒｅａｓｅｆｒｏｍｎｏｒｔｈｗｅｓｔｔｏｓｏｕｔｈｅａｓｔ．ＴｈｅｒｅｓｅａｒｃｈｒｅｓｕｌｔｓｐｒｏｖｉｄｅｉｍｐｏｒｔａｎｔｒｅｆｅｒｅｎｃｅｓｆｏｒｓｔｕｄｉｅｓｓｕｃｈａｓｔｈｅａｃｃｕｒａｔｅｅｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄｙｉｅｌｄａｎｄｃａｒｂｏｎｓｔｏｒａｇｅｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ．ＫｅｙＷｏｒｄｓ：ｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ；ｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ；ｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｒｅｇｒｅｓｓｉｏｎｔｒｅｅ；ｒｅｍｏｔｅｓｅｎｓｉｎｇ草地是陆地生态系统的重要组成部分，在生物多样性保护和畜牧业经济中发挥着关键作用［１ ２］㊂草地地上生物量（ＡｂｏｖｅｇｒｏｕｎｄＢｉｏｍａｓｓ，ＡＧＢ）是表征植被生长状况㊁固碳潜力的重要指标，可以有效衡量草地生产功能，是草地利用决策和资源管理的基础［３ ４］㊂明晰草地ＡＧＢ现状对草地资源管理和生态保护具有重要意义㊂目前，草地ＡＧＢ监测方法主要包括传统的地面测量和遥感监测㊂地面测量即直接收割法，通过割草㊁干燥㊁称重获得ＡＧＢ，但需要耗费大量时间与人力，部分地区容易受地形和环境制约，不适合用于长时间序列㊁大区域尺度的生物量估算［５］㊂遥感监测以其宏观性㊁综合性等特点，克服了地面测量的不足，被视为大范围监测的有效工具［６］㊂早期的草地ＡＧＢ遥感监测主要是构建植被指数与实测草地ＡＧＢ的经验关系，并根据该关系反演区域尺度的草地ＡＧＢ［７］㊂植被指数是通过对植被在不同波段部分的反射率数据进行组合和计算获得［８ ９］，可以有效反映植被生长状况和变化信息㊂常用的植被指数有归一化差值植被指数（ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＮＤＶＩ）［１０］㊁增强型植被指数（ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＥＶＩ）［１１］和土壤调整植被指数（ｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ，ＳＡＶＩ）［１２］等㊂但植被指数自身局限性可能会影响ＡＧＢ估算准确性，例如在覆盖度高的草地上，ＮＤＶＩ敏感性降低，易出现饱和现象［１３］㊂此外，草地ＡＧＢ的变化受外部环境因素影响较大［１４］㊂因此基于单因素的回归模型在估算草地生物量时存在一定的误差和不确定性㊂对于具有多种变量的模型，机器学习模型比传统的回归模型更适用［１５ １６］㊂机器学习模型可以整合草地ＡＧＢ的多种影响因素，学习高度复杂的非线性映射，从而获得更好的拟合结果［１７］㊂与传统的回归模型相比，梯度增强回归树是一种更强大的经验建模算法㊂梯度增强回归树是一种迭代决策树，利用加性模型和前向分布算法将若干个弱学习器组合成强学习器［１８］㊂该模型可灵活处理各种数据，预测性能好，模型复杂度较低，泛化能力较强［１９］㊂Ｙａｎｇ等［２０］探索了三种机器学习方法，分别是人工神经网络㊁多元自适应回归样条和梯度增强回归树来建立估算模型，结果表明梯度增强回归树是生成１ｋｍ空间分辨率的全球森林ＡＧＢ分布图的最优模型，模型验证Ｒ２达到０．９０㊂Ｙｕ等［１８］对比了梯度增强回归树㊁随机森林和极端随机树三种模型在生成中国三江源地区１９８２ ２０１８年草地ＡＧＢ数据集方面的有效性，结果表明梯度增强回归树模型精度最高㊂以上研究表明梯度增强回归树模型在估算草地ＡＧＢ方面具有很大潜力㊂青藏高原是世界上最高的独特自然地理单元，有 地球第三极 之称，是我国重要的生态安全屏障，也是全球气候变化的敏感区［２１ ２２］㊂草地是青藏高原的主要生态系统，由于青藏高原特殊的自然环境以及多年来气候变化和人类活动影响，草地生态系统十分脆弱，局部退化严重［１，１７，２３］㊂及时准确的估算青藏高原草地ＡＧＢ能够为草地资源的可持续管理提供参考意义㊂然而青藏高原地形地貌复杂多样，气候差异显著［２４］，基于单一植被指数的回归模型无法准确反映青藏高原生态环境的影响㊂环境因素与草地ＡＧＢ密切相关［２５］，地形影响土壤湿度㊁土壤有机质含量㊁接收的太阳辐射强度和温度，间接影响到物种生长和草地ＡＧＢ分布格局［２６］㊂降水气温等关键因素的变化将会影响物种的分解㊁蒸散和光合作用等生理生态过程从而影响草地ＡＧＢ［２７］㊂因此构建基于气象㊁地形和遥感因子的多因素模型是准确估算青藏高原草地ＡＧＢ的可能途径㊂为此，本研究将青藏高原草地作为研究区，借助ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ（ＧＥＥ）平台，探索遥感植被指数表征草地ＡＧＢ信息的有效性，评估气象㊁地形信息对草地ＡＧＢ估算的影响，构建基于气象㊁地形和遥感因子的青藏高原草地ＡＧＢ估算模型 梯度增强回归树，实现青藏高原草地ＡＧＢ空间分布制图，为准确估算青藏高原草地产草量提供重要依据㊂１㊀材料与方法１．１㊀研究区域青藏高原地处２６ʎ００ᶄ１２ᵡ ３９ʎ４６ᶄ５０ᵡＮ，７３ʎ１８ᶄ５２ᵡ １０４ʎ４６ᶄ５９ᵡＥ之间，面积约为２５７．２４万ｋｍ２，占中国陆地面积的２６．８％［２８］，主要分布在西藏自治区㊁青海省㊁甘肃省㊁四川省㊁云南省和新疆维吾尔自治区㊂其地势西北高，东南低，平均海拔在４０００ｍ以上，气候敏感独特，东南部温暖湿润，西北部寒冷干旱㊂由于气候变化和地形特征的共同作用，青藏高原植被类型复杂，其中草地为主要植被类型，草地空间分布数据（图１）来源于全球３０ｍ地表覆盖数据产品ＧｌｏｂｅＬａｎｄ３０［２９ ３０］㊂图１㊀青藏高原草地ＡＧＢ样点分布图Ｆｉｇ．１㊀ＤｉｓｔｒｉｂｕｔｉｏｎｏｆｇｒａｓｓｌａｎｄＡＧＢｓａｍｐｌｅｓｉｔｅｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕＡＧＢ：地上生物量ＡｂｏｖｅｇｒｏｕｎｄＢｉｏｍａｓｓ１．２㊀数据来源与处理１．２．１㊀草地ＡＧＢ数据本研究中青藏高原草地ＡＧＢ野外样点数据共２１０个（图１），主要来源包括：（１）野外实测，共１３个㊂野外调查时间在２０１９年８月，选择物种组成均匀㊁地势平整㊁面积足够的典型样地，记录经纬度㊁海拔和主要植被类型等信息，根据代表性原则在每个样地中均匀布设３个样方，样方大小为１ｍˑ１ｍ，将样方中的地上部分沿地面刈割，除去附着的土壤等杂物后，烘干至恒重，该样地草地ＡＧＢ即为３个样方的干重取平均值㊂（２）文献查阅㊂基于中国知网（ｈｔｔｐｓ：／／ｗｗｗ．ｃｎｋｉ．ｎｅｔ／）和Ｗｅｂｏｆｓｃｉｅｎｃｅ（ｈｔｔｐｓ：／／ｗｗｗ．ｗｅｂｏｆｓｃｉｅｎｃｅ．ｃｏｍ／），以 草地生物量 生产力 Ａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓ 为关键词检索，筛选样本点必须包含准确的采样时间㊁经纬度坐标和１５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀植被类型，共收集到符合标准且公开发表的学术论文３４篇，实测样点１９７个㊂文献中样点采样时间为２００４ ２０２０年７ ８月，采样通常选择地势平坦且具有空间代表性的草地样地，其中布设２ ９个重复样方，样方大小为０．２５ｍˑ０．２５ｍ １ｍˑ１ｍ，将样方内的草地地上部分齐地面刈割，放入烘箱烘干，称其干重㊂１．２．２㊀数据资料遥感资料采用空间分辨率为３０ｍ，时间分辨率为１６ｄ的Ｌａｎｄｓａｔ遥感卫星数据，包括Ｌａｎｄｓａｔ５㊁Ｌａｎｄｓａｔ７和Ｌａｎｄｓａｔ８㊂１９８４年３月发射的陆地卫星项目第五颗卫星，即Ｌａｎｄｓａｔ５卫星，携带ＴＭ传感器㊂１９９９年４月发射的Ｌａｎｄｓａｔ７卫星，与Ｌａｎｄｓａｔ５在空间分辨率和光谱特性方面基本一致㊂该卫星携带ＥＴＭ＋传感器，较ＴＭ传感器多了一个１５ｍ空间分辨率的全色波段㊂２０１３年２月发射的Ｌａｎｄｓａｔ８ＯＬＩ传感器较ＥＴＭ＋传感器新增了深蓝和卷云波段，波段光谱范围划分更加精细㊂Ｌａｎｄｓａｔ５ＴＭ㊁Ｌａｎｄｓａｔ７ＥＴＭ＋和Ｌａｎｄｓａｔ８ＯＬＩ各个波段的具体信息见表１㊂实测草地ＡＧＢ样点采样时间为２００４ ２０２０年７ ８月，对应的影像选取时间分别为２００４ ２０１１（Ｌａｎｄｓａｔ５ＴＭ）㊁２０１２（Ｌａｎｄｓａｔ７ＥＴＭ＋）和２０１３ ２０２０（Ｌａｎｄｓａｔ８ＯＬＩ），通过ＧＥＥ平台获取Ｌａｎｄｓａｔ影像，经去云㊁裁剪等处理后，根据样点采样时间提取相应的单波段反射率值和植被指数数据，由于去云后导致部分影像数据不完整，选取采样时间临近的影像代替㊂表１㊀Ｌａｎｄｓａｔ５ＴＭ㊁Ｌａｎｄｓａｔ７ＥＴＭ＋和Ｌａｎｄｓａｔ８ＯＬＩ波段信息Ｔａｂｌｅ１㊀Ｌａｎｄｓａｔ５ＴＭ，Ｌａｎｄｓａｔ７ＥＴＭ＋ａｎｄＬａｎｄｓａｔ８ＯＬＩｂａｎｄｉｎｆｏｒｍａｔｉｏｎ波段描述ＢａｎｄｄｅｓｃｒｉｐｔｉｏｎＬａｎｄｓａｔ５ＴＭＬａｎｄｓａｔ７ＥＴＭ＋Ｌａｎｄｓａｔ８ＯＬＩ波段号Ｂａｎｄｎｕｍｂｅｒ波谱范围／μｍＢａｎｄｒａｎｇｅ波段号Ｂａｎｄｎｕｍｂｅｒ波谱范围／μｍＢａｎｄｒａｎｇｅ波段号Ｂａｎｄｎｕｍｂｅｒ波谱范围／μｍＢａｎｄｒａｎｇｅ蓝波段Ｂｌｕｅ１０．４５ ０．５２１０．４５ ０．５２２０．４５ ０．５１绿波段Ｇｒｅｅｎ２０．５２ ０．６０２０．５２ ０．６０３０．５３ ０．５９红波段Ｒｅｄ３０．６３ ０．６９３０．６３ ０．６９４０．６４ ０．６７近红外波段ＮＩＲ４０．７７ ０．９０４０．７７ ０．９０５０．８５ ０．８８短波红外１波段ＳＷＩＲ１５１．５５ １．７５５１．５５ １．７５６１．５７ １．６５短波红外２波段ＳＷＩＲ２７２．０８ ２．３５７２．０８ ２．３５７２．１１ ２．２９㊀㊀ＮＩＲ：近红外波段ｎｅａｒｉｎｆｒａｒｅｄｂａｎｄ；ＳＷＩＲ１：短波红外１波段ｓｈｏｒｔｗａｖｅｉｎｆｒａｒｅｄ１ｂａｎｄ；ＳＷＩＲ２：短波红外２波段ｓｈｏｒｔｗａｖｅｉｎｆｒａｒｅｄ２ｂａｎｄ辅助数据包括地形（高程㊁坡度㊁坡向）和气象（年平均气温㊁年降水量）资料㊂高程数据来自ＳｈｕｔｔｌｅＲａｄａｒＴｏｐｏｇｒａｐｈｙＭｉｓｓｉｏｎ（ＳＲＴＭ），空间分辨率为３０ｍ，由云计算平台ＧＥＥ提供㊂坡度和坡向数据通过高程数据计算生成㊂气象数据来自国家科技基础条件平台 国家地球系统科学数据中心（ｈｔｔｐ：／／ｗｗｗ．ｇｅｏｄａｔａ．ｃｎ）的逐月气温㊁降水数据，空间分辨率为１０００ｍ［３１］㊂下载２００４ ２０２０年逐月气象数据，对每年１２个月份的气温数据取平均值得到年平均气温，１２个月份的降水数据求和得到年降水量，将结果重采样至３０ｍ空间分辨率，提取与各样点采样年份相对应的年平均气温和年降水量㊂１．３㊀研究方法１．３．１㊀建模变量集构建研究构建的建模变量集共包含２０个变量，其中遥感数据包括单波段反射率Ｂｌｕｅ㊁Ｇｒｅｅｎ㊁Ｒｅｄ㊁ＮＩＲ㊁ＳＷＩＲ１和ＳＷＩＲ２（表１），常用植被指数ＮＤＶＩ㊁ＥＶＩ㊁ＧＮＤＶＩ㊁ＮＩＲＶ㊁ＲＶＩ㊁ＳＡＶＩ㊁ＤＶＩ㊁ＯＳＡＶＩ和ＭＳＡＶＩ（表２）㊂地形数据包括高程（ｄｅｍ）㊁坡度（ｓｌｏｐｅ）和坡向（ａｓｐｅｃｔ）㊂气象数据包括年平均气温（ｔｅｍｐｅｒａｔｕｒｅ）和年降水量（ｐｒｅｃｉｐｉｔａｔｉｏｎ）㊂１．３．２㊀变量筛选特征变量间的多重共线性会影响模型预测精度，而且过多的特征变量会使模型更加复杂，计算效率低㊂为提高模型准确性，本研究选用递归特征消除法（ＲＦＥ）优选特征变量，将所有变量输入到模型中进行训练，根据模型给出的特征变量重要性，删除最差的特征，用剩下的特征变量继续输入模型训练，再删除最差的特征，重复上述步骤，直至所有特征都被删除，根据删除特征的顺序，得到最优特征子集㊂２５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀表２㊀本研究采用的植被指数Ｔａｂｌｅ２㊀Ｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｕｓｅｄｉｎｔｈｉｓｓｔｕｄｙ植被指数Ｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ公式Ｆｏｒｍｕｌａｓ引用Ｒｅｆｅｒｅｎｃｅｓ归一化差值植被指数Ｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＮＤＶＩ）ＮＤＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋Ｒｅｄ［１０］增强型植被指数Ｅｎｈａｎｃｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＥＶＩ）ＥＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋６Ｒｅｄ－７．５Ｂｌｕｅ＋１ˑ２．５［１１］绿色归一化植被指数Ｇｒｅｅｎｎｏｒｍａｌｉｚｅｄｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＧＮＤＶＩ）ＧＮＤＶＩ＝ＮＩＲ－ＧｒｅｅｎＮＩＲ＋Ｇｒｅｅｎ［３２］植被近红外反射率指数Ｖｅｇｅｔａｔｉｏｎｎｅａｒ⁃ｉｎｆｒａｒｅｄｒｅｆｌｅｃｔａｎｃｅｉｎｄｅｘ（ＮＩＲＶ）ＮＩＲｖ＝ＮＩＲ－ＲｅｄＮＩＲ＋ＲｅｄˑＮＩＲ［３３］比值植被指数Ｒａｔｉｏｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＲＶＩ）ＲＶＩ＝ＮＩＲＲｅｄ［３４］土壤调整植被指数Ｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＳＡＶＩ）ＳＡＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋Ｒｅｄ＋０．５ˑ（１＋０．５）［１２］差值植被指数Ｄｉｆｆｅｒｅｎｃｅｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＤＶＩ）ＤＶＩ＝ＮＩＲ－Ｒｅｄ［３５］优化土壤调整植被指数Ｏｐｔｉｍｉｚｅｄｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＯＳＡＶＩ）ＯＳＡＶＩ＝ＮＩＲ－ＲｅｄＮＩＲ＋Ｒｅｄ＋０．１６［３６］修改型土壤调节植被指数Ｍｏｄｉｆｉｅｄｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＭＳＡＶＩ）ＭＳＡＶＩ＝（２ˑＮＩＲ＋１）－（２ˑＮＩＲ＋１）２－８ˑ（ＮＩＲ－Ｒｅｄ）２［３７］１．３．３㊀模型构建梯度增强回归树（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇＲｅｇｒｅｓｓｉｏｎＴｒｅｅ，ＧＢＲＴ）［３８］是基于集成学习中Ｂｏｏｓｔｉｎｇ算法的一种改进㊂基本思想是以回归树作为弱学习器，每个学习器的训练都是基于上一个学习器的预测偏差结果，沿着减少残差的梯度方向构建新的学习器，从而使预测偏差不断减小，模型精度提高，经过多次迭代后，最终结果由所有学习器互相联系得到［１９，３９］㊂ＧＢＲＴ能够适应复杂的非线性关系，产生具有竞争力㊁高度鲁棒㊁可解释的程序，尤其适用于挖掘冗杂的数据［３８］㊂本研究利用ＧＥＥ平台提供的ＧＢＲＴ算法估算草地ＡＧＢ㊂为提高草地ＡＧＢ估测准确性，分别建立遥感㊁遥感＋气象㊁遥感＋地形㊁遥感＋气象＋地形四种ＧＢＲＴ模型㊂基于实测ＡＧＢ样点，提取对应采样时间的遥感㊁地形和气象信息，用于模型训练㊂并结合递归特征消除法筛选最优变量，比较每种ＧＢＲＴ模型变量筛选前后的精度㊂经反复训练选取拟合效果最好的模型反演青藏高原草地ＡＧＢ空间分布㊂１．３．４㊀精度评价选择样点数据的７０％作为训练集，３０％作为测试集，选用五折交叉验证进行准确性评估㊂同时，选取决定系数Ｒ２（ＣｏｅｆｆｉｃｉｅｎｔｏｆＤｅｔｅｒｍｉｎａｔｉｏｎ）和均方根误差ＲＭＳＥ（ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ）对模型拟合效果进行精度评价㊂Ｒ２＝１－ðｎｉ＝１（ｙｉ－ｙ＾ｉ）２ðｎｉ＝１（ｙｉ－ｙ）２（１）ＲＭＳＥ＝ðｎｉ＝１（ｙｉ－ｙ＾ｉ）２ｎ（２）式中，ｙｉ为第ｉ个样点的实测草地ＡＧＢ；ｙ＾ｉ为第ｉ个样点的估测草地ＡＧＢ； ｙ为实测草地ＡＧＢ的平均值；ｎ为实测样点个数㊂２㊀研究结果２．１㊀实测草地ＡＧＢ统计分析㊀㊀青藏高原实测草地ＡＧＢ统计分析结果表明（表３）：２１０个实测样点的ＡＧＢ值在草地生长季存在一定差３５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀异，最小值为２．９５ｇ／ｍ２㊁最大值为４４０．４６ｇ／ｍ２㊁平均值为１３５．０９ｇ／ｍ２，变异系数为０．７０㊂其中，文献收集样点共１９７个，ＡＧＢ平均值为１３４．８９ｇ／ｍ２，变异系数为０．７１㊂野外实测样点共１３个，ＡＧＢ最大值为３３６．９５ｇ／ｍ２㊁最小值为３１．１３ｇ／ｍ２㊁平均值为１３８．１２ｇ／ｍ２㊂表３㊀草地ＡＧＢ观测值的统计分析Ｔａｂｌｅ３㊀ＳｔａｔｉｓｔｉｃａｌａｎａｌｙｓｉｓｏｆｇｒａｓｓｌａｎｄＡＧＢｏｂｓｅｒｖａｔｉｏｎｓ样点数据Ｓａｍｐｌｅｄａｔａｓｅｔ平均值Ａｖｅｒａｇｅ／（ｇ／ｍ２）最大值Ｍａｘｉｍｕｍ／（ｇ／ｍ２）最小值Ｍｉｎｉｍｕｍ／（ｇ／ｍ２）标准差Ｓｔａｎｄａｒｄｄｅｖｉａｔｉｏｎ／（ｇ／ｍ２）变异系数Ｃｏｅｆｆｉｃｉｅｎｔｏｆｖａｒｉａｎｃｅ文献收集数据Ｄａｔａｆｒｏｍｌｉｔｅｒａｔｕｒｅ１３４．８９４４０．４６２．９５９５．３００．７１野外实测数据Ｄａｔａｆｒｏｍｆｉｅｌｄｓｕｒｖｅｙ１３８．１２３３６．９５３１．１３７７．６２０．５６总计Ｔｏｔａｌ１３５．０９４４０．４６２．９５９４．３１０．７０图２㊀单变量与实测草地ＡＧＢ的关系Ｆｉｇ．２㊀ＲｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｓｉｎｇｌｅｖａｒｉａｂｌｅｓａｎｄｍｅａｓｕｒｅｄｇｒａｓｓｌａｎｄＡＧＢＮＩＲ：近红外波段；ＳＷＩＲ１：短波红外１波段；ＳＷＩＲ２：短波红外２波段；ＧＮＤＶＩ：绿色归一化植被指数；ＥＶＩ：增强型植被指数；ＮＤＶＩ：归一化差值植被指数；ＤＶＩ：差值植被指数；ＲＶＩ：比值植被指数；ＮＩＲＶ：植被近红外反射率指数；ＳＡＶＩ：土壤调整植被指数；ＯＳＡＶＩ：优化土壤调整植被指数；ＭＳＡＶＩ：修改型土壤调节植被指数２．２㊀单变量回归分析将单变量与实测草地ＡＧＢ进行线性回归分析，对比分析结果如下（图２）㊂除坡度㊁坡向和年平均气温外，其余变量均通过显著性检验（Ｐ＜０．０１）㊂遥感因子与草地ＡＧＢ间的决定系数Ｒ２在０．０８ ０．４０范围内，其中，ＧＮＤＶＩ与ＡＧＢ之间相关性最高，Ｒ２为０．４０㊂ＮＤＶＩ（Ｒ２＝０．３９）估算ＡＧＢ的能力略低于ＧＮＤＶＩ，ＮＩＲ与ＡＧＢ相关性最低，Ｒ２为０．０８㊂气象和地形因子中，年降水量㊁高程与ＡＧＢ之间相关性较高，Ｒ２分别为０．２８和０．１２㊂经比较，ＧＮＤＶＩ与ＡＧＢ的拟合效果较好，但仅能解释青藏高原４０％的草地ＡＧＢ变化㊂２．３㊀模型性能评估基于ＧＥＥ平台构建的遥感㊁遥感＋气象㊁遥感＋地形㊁遥感＋气象＋地形四种ＧＢＲＴ模型性能如表４㊁表５所４５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀示㊂未经过ＲＦＥ特征优选之前（表４），基于全部遥感因子构建的ＧＢＲＴ模型测试Ｒ２为０．５５，ＲＭＳＥ为６１．７５ｇ／ｍ２㊂较基于单一植被指数的回归模型精度有明显提高，可解释５５％草地ＡＧＢ变化情况㊂在遥感因子的基础上分别添加气象㊁地形因子，两种模型的测试Ｒ２分别为０．５９和０．６０㊂综合遥感㊁气象和地形数据后，模型测试精度达到０．６２，ＲＭＳＥ为５６．４９ｇ／ｍ２，模型性能得到了有效提升㊂基于ＲＦＥ优选的特征变量构建的ＧＢＲＴ模型精度优于输入全部变量的模型㊂由表５可知，以ＧＮＤＶＩ㊁Ｇｒｅｅｎ㊁ＳＷＩＲ２㊁ＥＶＩ㊁ＮＤＶＩ㊁ＤＶＩ㊁Ｒｅｄ㊁ＳＷＩＲ１㊁ＮＩＲ㊁Ｂｌｕｅ㊁ＳＡＶＩ和ＭＳＡＶＩ为输入变量的遥感模型测试Ｒ２为０．５７，ＲＭＳＥ为６０．２７ｇ／ｍ２㊂基于筛选后特征变量构建的遥感＋气象㊁遥感＋地形模型性能提高，测试Ｒ２分别为０．６２和０．６３，ＲＭＳＥ分别降低３．９３ｇ／ｍ２和４．４９ｇ／ｍ２㊂以ＧＮＤＶＩ㊁ｐｒｅｃｉｐｉｔａｔｉｏｎ㊁ｓｌｏｐｅ㊁ｔｅｍｐｅｒａｔｕｒｅ㊁ｄｅｍ㊁ａｓｐｅｃｔ㊁ＳＷＩＲ２㊁ＥＶＩ㊁Ｂｌｕｅ㊁Ｇｒｅｅｎ㊁ＮＩＲ㊁ＳＡＶＩ和ＳＷＩＲ１为基础构建的遥感＋气象＋地形ＧＢＲＴ模型，测试集Ｒ２为０．６６，ＲＭＳＥ为５３．６４ｇ／ｍ２，比经过特征筛选后的遥感ＧＢＲＴ模型估测精度提高了０．０９，ＲＭＳＥ降低了６．６３ｇ／ｍ２，模型训练集Ｒ２也从０．７０提高至０．７９㊂表４㊀未经过特征筛选的ＧＢＲＴ模型评估Ｔａｂｌｅ４㊀ＥｖａｌｕａｔｉｏｎｏｆＧＢＲＴｍｏｄｅｌｓｗｉｔｈｏｕｔｆｅａｔｕｒｅｆｉｌｔｅｒｉｎｇ输入变量Ｉｎｐｕｔｖａｒｉａｂｌｅｓ测试数据Ｔｅｓｔｉｎｇｄａｔａｓｅｔ训练数据Ｔｒａｉｎｉｎｇｄａｔａｓｅｔ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ遥感Ｒ０．５５６１．７５＜０．０１０．６７５４．７２＜０．０１遥感＋气象Ｒ＋Ｍ０．５９５８．９９＜０．０１０．７０５１．７８＜０．０１遥感＋地形Ｒ＋Ｔ０．６０５７．６６＜０．０１０．７０５２．６０＜０．０１遥感＋气象＋地形Ｒ＋Ｍ＋Ｔ０．６２５６．４９＜０．０１０．７４４８．３７＜０．０１㊀㊀Ｒ：遥感Ｒｅｍｏｔｅｓｅｎｓｉｎｇ；Ｒ＋Ｍ：遥感＋气象Ｒｅｍｏｔｅｓｅｎｓｉｎｇ＋Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ；Ｒ＋Ｔ：遥感＋地形Ｒｅｍｏｔｅｓｅｎｓｉｎｇ＋Ｔｏｐｏｇｒａｐｈｉｃ；Ｒ＋Ｍ＋Ｔ：遥感＋气象＋地形Ｒｅｍｏｔｅｓｅｎｓｉｎｇ＋Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ＋Ｔｏｐｏｇｒａｐｈｉｃ；Ｒ２：决定系数ｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａｔｉｏｎ；ＲＭＳＥ：均方根误差ｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ；Ｐ：拟合优度Ｐ值Ｐ⁃ｖａｌｕｅ表５㊀经过特征筛选的ＧＢＲＴ模型评估Ｔａｂｌｅ５㊀ＥｖａｌｕａｔｉｏｎｏｆＧＢＲＴｍｏｄｅｌｓｗｉｔｈｆｅａｔｕｒｅｆｉｌｔｅｒｉｎｇ变量类别Ｖａｒｉａｂｌｅｔｙｐｅ输入变量Ｉｎｐｕｔｖａｒｉａｂｌｅｓ测试数据Ｔｅｓｔｉｎｇｄａｔａｓｅｔ训练数据Ｔｒａｉｎｉｎｇｄａｔａｓｅｔ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ决定系数Ｒ２均方根误差ＲＭＳＥ／（ｇ／ｍ２）Ｐ遥感ＲＧＮＤＶＩ，Ｇｒｅｅｎ，ＳＷＩＲ２，ＥＶＩ，ＮＤＶＩ，ＤＶＩ，Ｒｅｄ，ＳＷＩＲ１，ＮＩＲ，Ｂｌｕｅ，ＳＡＶＩ，ＭＳＡＶＩ０．５７６０．２７＜０．０１０．７０５２．１６＜０．０１遥感＋气象Ｒ＋ＭＧＮＤＶＩ，ＥＶＩ，ｐｒｅｃｉｐｉｔａｔｉｏｎ，ＳＷＩＲ２，ｔｅｍｐｅｒａｔｕｒｅ，Ｇｒｅｅｎ０．６２５６．３４＜０．０１０．７５４７．９１＜０．０１遥感＋地形Ｒ＋ＴＧＮＤＶＩ，ｓｌｏｐｅ，Ｇｒｅｅｎ，ＥＶＩ，ｄｅｍ，ａｓｐｅｃｔ，ＳＷＩＲ２，ＭＳＡＶＩ０．６３５５．７８＜０．０１０．７７４６．１０＜０．０１遥感＋气象＋地形Ｒ＋Ｍ＋ＴＧＮＤＶＩ，ｐｒｅｃｉｐｉｔａｔｉｏｎ，ｓｌｏｐｅ，ｔｅｍｐｅｒａｔｕｒｅ，ｄｅｍ，ａｓｐｅｃｔ，ＳＷＩＲ２，ＥＶＩ，Ｂｌｕｅ，Ｇｒｅｅｎ，ＮＩＲ，ＳＡＶＩ，ＳＷＩＲ１０．６６５３．６４＜０．０１０．７９４３．４２＜０．０１经综合考虑气象㊁地形及遥感数据和通过ＲＦＥ特征优选后，模型拟合精度逐步提高㊂以ＧＮＤＶＩ㊁ｐｒｅｃｉｐｉｔａｔｉｏｎ㊁ｓｌｏｐｅ㊁ｔｅｍｐｅｒａｔｕｒｅ㊁ｄｅｍ㊁ａｓｐｅｃｔ㊁ＳＷＩＲ２㊁ＥＶＩ㊁Ｂｌｕｅ㊁Ｇｒｅｅｎ㊁ＮＩＲ㊁ＳＡＶＩ和ＳＷＩＲ１为基础构建的ＧＢＲＴ模型具有最佳性能，可解释青藏高原草地ＡＧＢ６６％的变化（测试数据集Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１）㊂由该模型估测的草地ＡＧＢ与实测草地ＡＧＢ的线性关系以及数据分布情况（图３），可得两者线性关系较好，但实测ＡＧＢ中有些较高的值被估计的偏低，存在低估情况㊂从数据分布而言，实测ＡＧＢ分布范围大于估测草地ＡＧＢ，实测ＡＧＢ数据四分位数范围在５０ １８０ｇ／ｍ２，估测ＡＧＢ数据四分位数范围在８０ １６０ｇ／ｍ２㊂两者在中位数㊁平均数上具有相似的分布特征㊂５５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀图３㊀实测ＡＧＢ与最优ＧＢＲＴ模型估测ＡＧＢ之间的线性关系和小提琴图Ｆｉｇ．３㊀ＬｉｎｅａｒａｎｄｖｉｏｌｉｎｐｌｏｔｓｂｅｔｗｅｅｎｔｈｅｍｅａｓｕｒｅｄＡＧＢａｎｄｔｈｅｅｓｔｉｍａｔｅｄＡＧＢｆｒｏｍｔｈｅｏｐｔｉｍａｌＧＢＲＴｍｏｄｅｌ２．４㊀青藏高原草地ＡＧＢ估算基于最优ＧＢＲＴ模型反演了青藏高原２０１０㊁２０１５和２０２０年草地ＡＧＢ空间分布图（图４），草地ＡＧＢ平均值范围为９３．６３ １００．７８ｇ／ｍ２，分别是２０１０年９４．５８ｇ／ｍ２，２０１５年９３．６３ｇ／ｍ２，２０２０年１００．７８ｇ／ｍ２㊂青藏高原草地ＡＧＢ整体呈现东南高，西北低的空间格局㊂其中，西藏自治区阿里地区草地ＡＧＢ较低，２０１０年基本小于６０ｇ／ｍ２，２０１５㊁２０２０年ＡＧＢ有明显上升；青海省果洛藏族自治州南部㊁黄南藏族自治州和四川省西北部草地ＡＧＢ相对较高，与实际空间分布基本一致㊂图４㊀青藏高原２０１０㊁２０１５和２０２０年草地ＡＧＢ空间分布图Ｆｉｇ．４㊀ＳｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｇｒａｓｓｌａｎｄＡＧＢｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕｉｎ２０１０，２０１５ａｎｄ２０２０３㊀讨论３．１㊀最优ＧＢＲＴ模型分析㊀㊀研究［４０ ４１］表明草地ＡＧＢ受到多种环境因素影响，其中，气象㊁地形因素与草地生长状况密不可分㊂青藏６５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀高原气候敏感㊁地形险峻㊁生态环境复杂，为提高草地ＡＧＢ估算准确度，基于遥感㊁气象和地形信息构建了ＧＢＲＴ模型，测试集Ｒ２达到０．６６，表明构建多因素模型能够更好的解释草地ＡＧＢ变化情况㊂这一研究结果与Ｌｉａｎｇ等［４２］㊁Ｔａｎｇ等［１６］一致，Ｌｉａｎｇ等［４２］基于地理位置（经度㊁纬度）和草地覆盖度构建了三江源地区多因素非线性回归模型，与基于ＮＤＶＩ的最佳单因素模型相比，模型ＲＭＳＥ降低了２０％㊂Ｔａｎｇ等［１６］基于经度㊁植被指数㊁光照和土壤因子等环境变量构建随机森林模型估算黄河流域草地ＡＧＢ，结果表明，该模型性能高于ＮＤＶＩ构建的单变量回归模型㊂图５㊀最优ＧＢＲＴ模型中特征变量重要性㊀Ｆｉｇ．５㊀ＩｍｐｏｒｔａｎｃｅｏｆｆｅａｔｕｒｅｖａｒｉａｂｌｅｓｉｎｔｈｅｏｐｔｉｍａｌＧＢＲＴｍｏｄｅｌ㊀图５为最优ＧＢＲＴ模型中特征变量重要性排序，重要性得分越高，说明该特征对模型估算结果贡献越大㊂遥感因子特征重要性占比６２．０６％，其中，ＧＮＤＶＩ最高，该指数使用绿波段代替了ＮＤＶＩ中的红波段，对叶绿素含量更加敏感，赵翊含等［４３］研究表明由绿波段构建的植被指数对高寒草地ＡＧＢ有重要作用㊂气象与地形因子特征重要性占比３７．９４％，年降水量特征重要性最高，说明年降水量与ＡＧＢ密切相关㊂大量研究也表明［１７，４４］在青藏高原地区，降水比气温对草地ＡＧＢ影响更大㊂气象㊁地形信息是影响草地ＡＧＢ的重要环境因素，降水影响土壤含水量㊁空气湿度，温度影响植被的光合作用㊁蒸腾作用㊁呼吸作用［２７］，地形主要影响气温㊁湿度和光照度［２６］，以及影响土壤中物质㊁能量的再分配影响植被生长㊂因此，综合考虑了气象㊁地形和遥感多个因素的最优ＧＢＲＴ模型计算效率高，预测准确性强，在估算青藏高原草地ＡＧＢ方面具有良好应用前景㊂３．２㊀青藏高原草地ＡＧＢ比较本研究使用最优ＧＢＲＴ模型反演了三年青藏高原草地ＡＧＢ，空间变化呈现自西北向东南方向增加的趋势，研究结果与Ｚｈａｎｇ等［４１］㊁金哲人等［４５］一致㊂ＡＧＢ平均值范围为９３．６３ １００．７８ｇ／ｍ２，略高于Ｚｅｎｇ等［１７］（７７．１２ｇ／ｍ２），与Ｚｈａｎｇ等［４１］（１０２．４０ｇ／ｍ２）最为接近㊂研究［１７，４１］表明过去十几年青藏高原草地ＡＧＢ呈上升趋势，本研究中ＡＧＢ平均值虽有较小波动，总体仍呈上升趋势㊂不同研究中存在ＡＧＢ估算差异的原因可能是：数据来源不同，包括实测ＡＧＢ数据㊁遥感影像数据等㊂Ｚｅｎｇ等［１７］研究所用遥感数据是空间分辨率为２５０ｍ的ＭＯＤＩＳ数据，与本研究中数据空间分辨率不同㊂机器学习模型效果易受样点数量和分布情况影响［４６］㊂而且，不同研究所用模型不同，也会导致估算差异［４７］㊂本研究中最优ＧＢＲＴ模型具有较高的精度，但机器学习模型性能依赖于训练数据㊂由于交通不便和海拔限制，青藏高原西北部样点较少，这可能会影响该区域草地ＡＧＢ估算的准确性；此外，ＡＧＢ样点大多收集于不同文献，尽管操作人员在测量时严格遵守了相关规范，但不同研究的测量方法㊁样本选择可能存在不同，实测数据中的不确定性可能会导致估算误差㊂未来可继续扩大样点数量，尝试不同的深度学习算法及特征优选方法，提升草地ＡＧＢ遥感监测和建模的准确性㊂４㊀结论本研究利用ＧＥＥ平台和机器学习算法，结合详实的２００４ ２０２０年期间青藏高原实测草地ＡＧＢ数据，评估了基于不同特征变量构建的ＧＢＲＴ模型的性能，估算了青藏高原草地ＡＧＢ，得到主要结论如下：（１）基于单一遥感因子的线性回归模型性能较差，仅能解释草地ＡＧＢ变化的８％ ４０％㊂基于全部遥感因子构建的ＧＢＲＴ模型测试数据集Ｒ２为０．５５㊂７５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀８５０３㊀生㊀态㊀学㊀报㊀㊀㊀４４卷㊀（２）基于遥感＋气象㊁遥感＋地形的ＧＢＲＴ模型拟合效果较好，经ＲＦＥ特征筛选后，测试数据集Ｒ２分别为０．６２和０．６３，对草地ＡＧＢ的解释能力有所增强㊂（３）在青藏高原地区，基于气象㊁地形和遥感信息构建ＧＢＲＴ模型能够有效提高草地ＡＧＢ估算精度，模型验证表明，Ｒ２＝０．６６，ＲＭＳＥ＝５３．６４ｇ／ｍ２，Ｐ＜０．０１，估测值与实测值吻合性较好，适用于青藏高原草地ＡＧＢ模拟㊂（４）利用最优ＧＢＲＴ模型反演青藏高原草地ＡＧＢ分布图，呈现东南高，西北低的空间格局㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀ＹａｎｇＳＸ，ＦｅｎｇＱＳ，ＬｉａｎｇＴＧ，ＬｉｕＢＫ，ＺｈａｎｇＷＪ，ＸｉｅＨＪ．Ｍｏｄｅｌｉｎｇｇｒａｓｓｌａｎｄａｂｏｖｅ⁃ｇｒｏｕｎｄｂｉｏｍａｓｓｂａｓｅｄｏｎａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｔｈｅＴｈｒｅｅ⁃ＲｉｖｅｒＨｅａｄｗａｔｅｒｓＲｅｇｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１８，２０４：４４８⁃４５５．［２］㊀ＺｈｏｕＷ，ＬｉＨＲ，ＸｉｅＬＪ，ＮｉｅＸＭ，ＷａｎｇＺ，ＤｕＺＰ，ＹｕｅＴＸ．Ｒｅｍｏｔｅｓｅｎｓｉｎｇｉｎｖｅｒｓｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｂａｓｅｄｏｎｈｉｇｈａｃｃｕｒａｃｙｓｕｒｆａｃｅｍｏｄｅｌｉｎｇ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０２１，１２１：１０７２１５．［３］㊀焦翠翠，于贵瑞，陈智，何念鹏．基于遥感反演的１９８２ ２０１５年中国北方温带和青藏高原高寒草地地上生物量空间数据集．中国科学数据，２０１９，４（１）：３５⁃４９．［４］㊀ＪｏｂｂáｇｙＥＧ，ＳａｌａＯＥ．ＣｏｎｔｒｏｌｓｏｆｇｒａｓｓａｎｄｓｈｒｕｂａｂｏｖｅｇｒｏｕｎｄｐｒｏｄｕｃｔｉｏｎｉｎｔｈｅＰａｔａｇｏｎｉａｎｓｔｅｐｐｅ．ＥｃｏｌｏｇｉｃａｌＡｐｐｌｉｃａｔｉｏｎｓ，２０００，１０（２）：５４１⁃５４９．［５］㊀ＪｏｂｂａｇｙＥＧ，ＳａｌａＯＥ，ＰａｒｕｅｌｏＪＭ．ＰａｔｔｅｒｎｓａｎｄｃｏｎｔｒｏｌｓｏｆｐｒｉｍａｒｙｐｒｏｄｕｃｔｉｏｎｉｎｔｈｅＰａｔａｇｏｎｉａｎｓｔｅｐｐｅ：ａｒｅｍｏｔｅｓｅｎｓｉｎｇａｐｐｒｏａｃｈ．Ｅｃｏｌｏｇｙ，２００２，８３（２）：３０７⁃３１９．［６］㊀修晓敏，周淑芳，陈黔，蒙继华，董文全，杨广斌，李晓松．基于ＧｏｏｇｌｅＥａｒｔｈＥｎｇｉｎｅ与机器学习的省级尺度零散分布草地生物量估算．测绘通报，２０１９（３）：４６⁃５２，７５．［７］㊀葛静．中国北方地区草地地上生物量遥感估测及变化分析研究［Ｄ］．兰州：兰州大学，２０２２．［８］㊀ＲｅｎＨＲ，ＺｈｏｕＧＳ，ＺｈａｎｇＸＳ．ＥｓｔｉｍａｔｉｏｎｏｆｇｒｅｅｎａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｆｄｅｓｅｒｔｓｔｅｐｐｅｉｎＩｎｎｅｒＭｏｎｇｏｌｉａｂａｓｅｄｏｎｒｅｄ⁃ｅｄｇｅｒｅｆｌｅｃｔａｎｃｅｃｕｒｖｅａｒｅａｍｅｔｈｏｄ．ＢｉｏｓｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，２０１１，１０９（４）：３８５⁃３９５．［９］㊀姜怡忻．协同多源卫星遥感数据的草地生物量反演方法研究［Ｄ］．成都：电子科技大学，２０２２．［１０］㊀ＴｕｃｋｅｒＣＪ．Ｒｅｄａｎｄｐｈｏｔｏｇｒａｐｈｉｃｉｎｆｒａｒｅｄｌｉｎｅａｒｃｏｍｂｉｎａｔｉｏｎｓｆｏｒｍｏｎｉｔｏｒｉｎｇｖｅｇｅｔａｔｉｏｎ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９７９，８（２）：１２７⁃１５０．［１１］㊀ＨｕｅｔｅＡ，ＤｉｄａｎＫ，ＭｉｕｒａＴ，ＲｏｄｒｉｇｕｅｚＥＰ，ＧａｏＸ，ＦｅｒｒｅｉｒａＬＧ．ＯｖｅｒｖｉｅｗｏｆｔｈｅｒａｄｉｏｍｅｔｒｉｃａｎｄｂｉｏｐｈｙｓｉｃａｌｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅＭＯＤＩＳｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３（１／２）：１９５⁃２１３．［１２］㊀ＨｕｅｔｅＡＲ．Ａｓｏｉｌ⁃ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＳＡＶＩ）．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９８８，２５（３）：２９５⁃３０９．［１３］㊀ＲｅｎＨ，ＦｅｎｇＧ．Ａｒｅｓｏｉｌ⁃ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｂｅｔｔｅｒｔｈａｎｓｏｉｌ⁃ｕｎａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｆｏｒａｂｏｖｅ⁃ｇｒｏｕｎｄｇｒｅｅｎｂｉｏｍａｓｓｅｓｔｉｍａｔｉｏｎｉｎａｒｉｄａｎｄｓｅｍｉ⁃ａｒｉｄｇｒａｓｓｌａｎｄｓ？ＧｒａｓｓａｎｄＦｏｒａｇｅＳｃｉｅｎｃｅ，２０１５，７０（４）：６１１⁃６１９．［１４］㊀ＡｌｉＩ，ＣａｗｋｗｅｌｌＦ，ＤｗｙｅｒＥ，ＢａｒｒｅｔｔＢ，ＧｒｅｅｎＳ．Ｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｇｒａｓｓｌａｎｄｓ：ｆｒｏｍｏｂｓｅｒｖａｔｉｏｎｔｏｍａｎａｇｅｍｅｎｔ．ＪｏｕｒｎａｌｏｆＰｌａｎｔＥｃｏｌｏｇｙ，２０１６，９（６）：６４９⁃６７１．［１５］㊀ＩｄｏｗｕＳ，ＳａｇｕｎａＳ，ÅｈｌｕｎｄＣ，ＳｃｈｅｌéｎＯ．Ａｐｐｌｉｅｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇ：ｆｏｒｅｃａｓｔｉｎｇｈｅａｔｌｏａｄｉｎｄｉｓｔｒｉｃｔｈｅａｔｉｎｇｓｙｓｔｅｍ．ＥｎｅｒｇｙａｎｄＢｕｉｌｄｉｎｇｓ，２０１６，１３３：４７８⁃４８８．［１６］㊀ＴａｎｇＲ，ＺｈａｏＹＴ，ＬｉｎＨＬ．Ｓｐａｔｉｏ⁃ｔｅｍｐｏｒａｌｖａｒｉａｔｉｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｉｎｔｈｅｈｅａｄｗａｔｅｒｏｆｔｈｅＹｅｌｌｏｗＲｉｖｅｒｂａｓｅｄｏｎｍａｃｈｉｎｅｌｅａｒｎｉｎｇ．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（１７）：３４０４．［１７］㊀ＺｅｎｇＮ，ＲｅｎＸＬ，ＨｅＨＬ，ＺｈａｎｇＬ，ＺｈａｏＤ，ＧｅＲ，ＬｉＰ，ＮｉｕＺＥ．ＥｓｔｉｍａｔｉｎｇｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｏｎｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕｕｓｉｎｇａｒａｎｄｏｍｆｏｒｅｓｔａｌｇｏｒｉｔｈｍ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０１９，１０２：４７９⁃４８７．［１８］㊀ＹｕＲＹ，ＹａｏＹＪ，ＷａｎｇＱ，ＷａｎＨＷ，ＸｉｅＺＪ，ＴａｎｇＷＪ，ＺｈａｎｇＺＰ，ＹａｎｇＪＭ，ＳｈａｎｇＫ，ＧｕｏＸＺ，ＢｅｉＸＹ．Ｓａｔｅｌｌｉｔｅ⁃ｄｅｒｉｖｅｄｅｓｔｉｍａｔｉｏｎｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｉｎｔｈｅｔｈｒｅｅ⁃ｒｉｖｅｒｈｅａｄｗａｔｅｒｓｒｅｇｉｏｎｏｆＣｈｉｎａｄｕｒｉｎｇ１９８２⁃２０１８．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２１，１３（１５）：２９９３．［１９］㊀张宏鸣，刘雯，韩文霆，刘全中，宋荣杰，侯贵河．基于梯度提升树算法的夏玉米叶面积指数反演．农业机械学报，２０１９，５０（５）：２５１⁃２５９．［２０］㊀ＹａｎｇＬ，ＬｉａｎｇＳＬ，ＺｈａｎｇＹＺ．Ａｎｅｗｍｅｔｈｏｄｆｏｒｇｅｎｅｒａｔｉｎｇａｇｌｏｂａｌｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｍａｐｆｒｏｍｍｕｌｔｉｐｌｅｈｉｇｈ⁃ｌｅｖｅｌｓａｔｅｌｌｉｔｅｐｒｏｄｕｃｔｓａｎｄａｎｃｉｌｌａｒｙｉｎｆｏｒｍａｔｉｏｎ．ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２０，１３：２５８７⁃２５９７．［２１］㊀李红英，张存桂，汪生珍，马伟东，刘峰贵，陈琼，周强，夏兴生，牛百成．近４０年青藏高原植被动态变化对水热条件的响应．生态学报，２０２２，４２（１２）：４７７０⁃４７８３．［２２］㊀周广胜，任鸿瑞，刘通，周莉，汲玉河，宋兴阳，吕晓敏．一种基于地形⁃气候⁃遥感信息的区域植被制图方法及其在青藏高原的应用．中ｈｔｔｐ：／／ｗｗｗ．ｅｃｏｌｏｇｉｃａ．ｃｎ国科学：地球科学，２０２３，５３（２）：２２７⁃２３５．［２３］㊀王采娥，黄梅，王文银，李子好，张涛，马林，白彦福，王彦龙，施建军，龙瑞军，刘玉，王晓丽，马玉寿，尚占环．三江源区高寒坡地退化植物群落多样性和地上生物量沿海拔梯度的变化特征．生态学报，２０２２，４２（９）：３６４０⁃３６５５．［２４］㊀牛慧兰，任鸿瑞．青藏高原草地非光合植被覆盖度时空动态．草业科学，２０２２，３９（８）：１５２１⁃１５３０．［２５］㊀ＧｅＪ，ＨｏｕＭＪ，ＬｉａｎｇＴＧ，ＦｅｎｇＱＳ，ＭｅｎｇＸＹ，ＬｉｕＪ，ＢａｏＸＹ，ＧａｏＨＹ．ＳｐａｔｉｏｔｅｍｐｏｒａｌｄｙｎａｍｉｃｓｏｆｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｉｔｓｄｒｉｖｉｎｇｆａｃｔｏｒｓｉｎＮｏｒｔｈＣｈｉｎａｏｖｅｒｔｈｅｐａｓｔ２０ｙｅａｒｓ．ＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔ，２０２２，８２６：１５４２２６．［２６］㊀ＳｈｏｋｏＣ，ＭｕｔａｎｇａＯ，ＤｕｂｅＴ．ＲｅｍｏｔｅｌｙｓｅｎｓｅｄＣ３ａｎｄＣ４ｇｒａｓｓｓｐｅｃｉｅｓａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｖａｒｉａｂｉｌｉｔｙｉｎｒｅｓｐｏｎｓｅｔｏｓｅａｓｏｎａｌｃｌｉｍａｔｅａｎｄｔｏｐｏｇｒａｐｈｙ．ＡｆｒｉｃａｎＪｏｕｒｎａｌｏｆＥｃｏｌｏｇｙ，２０１９，５７（４）：４７７⁃４８９．［２７］㊀郭亚奇．气候变化对青藏高原植被演替和生产力影响的模拟［Ｄ］．北京：中国农业科学院，２０１２．［２８］㊀张镱锂，李炳元，郑度．论青藏高原范围与面积．地理研究，２００２，２１（１）：１⁃８．［２９］㊀ＪｕｎＣ，ＢａｎＹＦ，ＬｉＳＮ．ＯｐｅｎａｃｃｅｓｓｔｏＥａｒｔｈｌａｎｄ⁃ｃｏｖｅｒｍａｐ．Ｎａｔｕｒｅ，２０１４，５１４（７５２３）：４３４．［３０］㊀陈军，陈晋，廖安平．全球地表覆盖遥感制图．北京：科学出版社，２０１６．［３１］㊀ＰｅｎｇＳＺ，ＤｉｎｇＹＸ，ＬｉｕＷＺ，ＬｉＺ．１ｋｍｍｏｎｔｈｌｙｔｅｍｐｅｒａｔｕｒｅａｎｄｐｒｅｃｉｐｉｔａｔｉｏｎｄａｔａｓｅｔｆｏｒＣｈｉｎａｆｒｏｍ１９０１ｔｏ２０１７．ＥａｒｔｈＳｙｓｔｅｍＳｃｉｅｎｃｅＤａｔａ，２０１９，１１（４）：１９３１⁃１９４６．［３２］㊀ＧｉｔｅｌｓｏｎＡＡ，ＫａｕｆｍａｎＹＪ，ＭｅｒｚｌｙａｋＭＮ．ＵｓｅｏｆａｇｒｅｅｎｃｈａｎｎｅｌｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇｏｆｇｌｏｂａｌｖｅｇｅｔａｔｉｏｎｆｒｏｍＥＯＳ⁃ＭＯＤＩＳ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９６，５８（３）：２８９⁃２９８．［３３］㊀ＢａｄｇｌｅｙＧ，ＦｉｅｌｄＣＢ，ＢｅｒｒｙＪＡ．Ｃａｎｏｐｙｎｅａｒ⁃ｉｎｆｒａｒｅｄｒｅｆｌｅｃｔａｎｃｅａｎｄｔｅｒｒｅｓｔｒｉａｌｐｈｏｔｏｓｙｎｔｈｅｓｉｓ．ＳｃｉｅｎｃｅＡｄｖａｎｃｅｓ，２０１７，３（３）：ｅ１６０２２４４．［３４］㊀ＪｏｒｄａｎＣＦ．Ｄｅｒｉｖａｔｉｏｎｏｆｌｅａｆ⁃ａｒｅａｉｎｄｅｘｆｒｏｍｑｕａｌｉｔｙｏｆｌｉｇｈｔｏｎｔｈｅｆｏｒｅｓｔｆｌｏｏｒ．Ｅｃｏｌｏｇｙ，１９６９，５０（４）：６６３⁃６６６．［３５］㊀ＲｉｃｈａｒｄｓｏｎＡＪ，ＷｉｅｇａｎｄＣＬ．Ｄｉｓｔｉｎｇｕｉｓｈｉｎｇｖｅｇｅｔａｔｉｏｎｆｒｏｍｓｏｉｌｂａｃｋｇｒｏｕｎｄｉｎｆｏｒｍａｔｉｏｎ．ＰｈｏｔｏｇｒａｍｍｅｔｒｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９７７，４３（１２）：１５４１⁃１５５２．［３６］㊀ＲｏｎｄｅａｕｘＧ，ＳｔｅｖｅｎＭ，ＢａｒｅｔＦ．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｓｏｉｌ⁃ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９６，５５（２）：９５⁃１０７．［３７］㊀ＱｉＪ，ＣｈｅｈｂｏｕｎｉＡ，ＨｕｅｔｅＡＲ，ＫｅｒｒＹＨ，ＳｏｒｏｏｓｈｉａｎＳ．Ａｍｏｄｉｆｉｅｄｓｏｉｌａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９９４，４８（２）：１１９⁃１２６．［３８］㊀ＦｒｉｅｄｍａｎＪＨ．Ｇｒｅｅｄｙｆｕｎｃｔｉｏｎａｐｐｒｏｘｉｍａｔｉｏｎ：ａｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａｃｈｉｎｅ．ＴｈｅＡｎｎａｌｓｏｆＳｔａｔｉｓｔｉｃｓ，２００１，２９（５）：１１８９⁃１２３２．［３９］㊀李建更，张尹，刘迎春．基于核梯度提升树的森林高度估测方法．北京工业大学学报，２０２１，４７（１０）：１１１３⁃１１２１．［４０］㊀ＭｅｎｇＢＰ，ＬｉａｎｇＴＧ，ＹｉＳＨ，ＹｉｎＪＰ，ＣｕｉＸ，ＧｅＪ，ＨｏｕＭＪ，ＬｖＹＹ，ＳｕｎＹ．Ｍｏｄｅｌｉｎｇａｌｐｉｎｅｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｂａｓｅｄｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍ：ａｃａｓｅｓｔｕｄｙｉｎｅａｓｔｏｆｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕ，Ｃｈｉｎａ．ＩＥＥＥＪｏｕｒｎａｌｏｆＳｅｌｅｃｔｅｄＴｏｐｉｃｓｉｎＡｐｐｌｉｅｄＥａｒｔｈＯｂｓｅｒｖａｔｉｏｎｓａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２０，１３：２９８６⁃２９９５．［４１］㊀ＺｈａｎｇＸＺ，ＬｉＭ，ＷｕＪＳ，ＨｅＹＴ，ＮｉｕＢ．ＡｌｐｉｎｅｇｒａｓｓｌａｎｄａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｔｈｅｏｒｅｔｉｃａｌｌｉｖｅｓｔｏｃｋｃａｒｒｙｉｎｇｃａｐａｃｉｔｙｏｎｔｈｅＴｉｂｅｔａｎＰｌａｔｅａｕ．ＪｏｕｒｎａｌｏｆＲｅｓｏｕｒｃｅｓａｎｄＥｃｏｌｏｇｙ，２０２２，１３（１）：１２９⁃１４１．［４２］㊀ＬｉａｎｇＴＧ，ＹａｎｇＳＸ，ＦｅｎｇＱＳ，ＬｉｕＢＫ，ＺｈａｎｇＲＰ，ＨｕａｎｇＸＤ，ＸｉｅＨＪ．Ｍｕｌｔｉ⁃ｆａｃｔｏｒｍｏｄｅｌｉｎｇｏｆａｂｏｖｅ⁃ｇｒｏｕｎｄｂｉｏｍａｓｓｉｎａｌｐｉｎｅｇｒａｓｓｌａｎｄ：ａｃａｓｅｓｔｕｄｙｉｎｔｈｅＴｈｒｅｅ⁃ＲｉｖｅｒＨｅａｄｗａｔｅｒｓＲｅｇｉｏｎ，Ｃｈｉｎａ．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１６，１８６：１６４⁃１７２．［４３］㊀赵翊含，侯蒙京，冯琦胜，高宏元，梁天刚，贺金生，钱大文．基于Ｌａｎｄｓａｔ８和随机森林的青海门源天然草地地上生物量遥感估算．草业学报，２０２２，３１（７）：１⁃１４．［４４］㊀ＺｈｕＸＹ，ＨｏｕＪＨ，ＬｉＭＸ，ＸｕＬ，ＬｉＸ，ＬｉＹ，ＣｈｅｎｇＣＪ，ＺｈａｏＷＺ，ＨｅＮＰ．Ｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆｖｅｇｅｔａｔｉｏｎｂｉｏｍａｓｓａｎｄｉｔｓｅｎｖｉｒｏｎｍｅｎｔａｌｒｅｓｐｏｎｓｅｏｎＱｉｎｇｈａｉ⁃ＴｉｂｅｔＰｌａｔｅａｕ：ｉｎｔｅｎｓｉｖｅｇｒｉｄ⁃ｆｉｅｌｄｓｕｒｖｅｙ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０２３，１４９：１１０１６７．［４５］㊀金哲人，冯琦胜，王瑞泾，梁天刚．基于ＭＯＤＩＳ数据与机器学习的青藏高原草地地上生物量研究．草业学报，２０２２，３１（１０）：１⁃１７．［４６］㊀ＧａｏＸＸ，ＤｏｎｇＳＫ，ＬｉＳ，ＸｕＹＤ，ＬｉｕＳＬ，ＺｈａｏＨＤ，ＹｅｏｍａｎｓＪ，ＬｉＹ，ＳｈｅｎＨ，ＷｕＳＮ，ＺｈｉＹＬ．ＵｓｉｎｇｔｈｅｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌａｎｄｖａｌｉｄａｔｅｄＭＯＤＩＳｗｉｔｈｔｈｅｆｉｅｌｄｓｐｅｃｔｒｏｍｅｔｅｒｍｅａｓｕｒｅｍｅｎｔｐｒｏｍｏｔｅｔｈｅａｃｃｕｒａｃｙｏｆｅｓｔｉｍａｔｉｎｇａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓａｎｄｃｏｖｅｒａｇｅｏｆａｌｐｉｎｅｇｒａｓｓｌａｎｄｓｏｎｔｈｅＱｉｎｇｈａｉ⁃ＴｉｂｅｔａｎＰｌａｔｅａｕ．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０２０，１１２：１０６１１４．［４７］㊀宋柯馨，蒋馥根，胡宗达，吕云兵，龙依，邓目丽，陈松，孙华．西藏自治区草地地上生物量遥感反演研究．生态学报，２０２３，４３（１３）：５６００⁃５６１３．９５０３㊀７期㊀㊀㊀姚雨微㊀等：青藏高原草地地上生物量估算㊀。
《2024年内蒙古典型草原植被地上生物量遥感反演》范文
《内蒙古典型草原植被地上生物量遥感反演》篇一一、引言随着科技的不断进步，遥感技术作为一种高效的地球观测手段，已被广泛应用于多个领域，其中，草原生态环境的监测和评估显得尤为重要。
内蒙古自治区拥有典型的草原生态系统，其植被地上生物量的变化直接关系到草原生态系统的健康状况。
因此，本研究旨在利用遥感技术对内蒙古典型草原植被地上生物量进行反演，以期为草原生态保护和恢复提供科学依据。
二、研究区域与数据源本研究以内蒙古典型草原为研究区域，该区域地理位置优越，生态类型多样。
所采用的数据源为遥感数据，包括卫星遥感数据和无人机遥感数据。
卫星遥感数据具有覆盖范围广、获取周期短等优点，可获取大范围、连续的地面信息；无人机遥感数据则具有高分辨率、高精度等优势，可获取地面详细信息。
三、方法与技术本研究采用遥感反演技术对内蒙古典型草原植被地上生物量进行估算。
首先，对遥感数据进行预处理，包括辐射定标、大气校正等步骤，以提高数据的精度和可靠性。
其次，根据植被指数与地上生物量的关系，选取合适的植被指数（如NDVI、EVI 等），建立植被指数与地上生物量的回归模型。
最后，利用回归模型对遥感数据进行反演，得到植被地上生物量的空间分布情况。
四、结果与分析通过遥感反演技术，我们得到了内蒙古典型草原植被地上生物量的空间分布情况。
结果表明，不同地区的植被地上生物量存在显著差异，这与当地的气候、土壤、植被类型等因素密切相关。
此外，我们还发现，植被指数与地上生物量之间存在显著的线性关系，这为建立回归模型提供了依据。
通过对回归模型的分析，我们发现模型的精度较高，可有效估算植被地上生物量。
五、讨论与结论本研究利用遥感技术对内蒙古典型草原植被地上生物量进行了反演，取得了较好的结果。
然而，仍存在一些问题和挑战。
首先，遥感数据的精度和分辨率对反演结果的准确性有较大影响，因此，需要进一步提高遥感数据的精度和分辨率。
其次，植被指数与地上生物量之间的关系受多种因素影响，如气候、土壤、植被类型等，因此，需要进一步深入研究这些因素对反演结果的影响。
基于NDVI的西藏不同草地类型生物量回归建模分析
地类 型的平均鲜草生物量与平均年最大 Ｎ Ｖ 、 Ｄ Ｉ平均年降水量 等因子 的相关关系 。结果表明 ： 降水 量是鲜草 长势最重要 的 年
收 稿 日期 ：００— ５—１ ２１ ０ ８
ｍ／ 以下 ， 年降水量大部分集 中在 ５～ ｌ １ 且 ９月 的雨季 。西 藏高原地区特殊的地形 地貌及其 特有 的 日照 、 温度和 降 水等气候特征 ， 使其 形成独特 的植被 生态 系统。西藏草
本 文将 以 Ｓ Ｏ ／ Ｅ Ｅ Ａ ＩＮ获取 的多年平均年最 Ｐ Ｔ Ｖ Ｇ Ｔ ＴＯ
大 Ｎ Ｖ 为基础 ， 年 降水 量 、 均温 、 ＤＩ 结合 年 年积 温和海拔
高度建立西藏地 区不 同草地类 型鲜草生物量 的多元线性 回归估测模型 ， 并分析生物量大小 和各 因子 的相关关系。
１ 研 究 区和 数 据 来 源
第３ Ｏ卷 第 ３期
２１ ００年 ９月
高
原
山
地
气
象
研
究
Ｖ０ ． Ｏ Ｎｏ ３ １３ ．
Ｐｌｔ ａ ｎ ｕ ｔ ｔ ｏ ｏｏ ｙ Ｒｅ ｅ ｒ ｈ ａｅ ｕ ａ ｄ Ｍｏ ｎ Ｍｎ Ｍｅ ｅ ｒ ｌ ｇ ｓ ａ ｃ
Ｓ ｐ ． ０１ ｅ ｔ２ ０
文 章 编 号 ：６４— １４ ２ １ ）３— ０ ３—０ １７ ２ ８ （０ ０ Ｏ ０４ ５
１ １ 研 究区概 况 ．
Ｄｆ ｒ ｃ ｅｅ ｔ ｎ Ｉｄｘ Ｄ Ｉ 、 值 植 被 指 数 ｉｅ ｎｅ Ｖ ｇｔ ｉ ｎ ｅ ，Ｎ Ｖ ） 差 ｆｅ ａｏ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
TM 大气辐射校正
9 6S计算类型 两种计算类型：正演和反演。 正演即输入地表反射率和大气参数，估算传感器理论上 接收到的反射率值，为仿真； 反演即输入传感器接收到的实际大气顶层表观反射率值 和大气参数，反演地表反射率，即大气校正。 最终的校正结果以表格形式给出一系列吸收气体的下行、 上行吸收和气溶胶散射、瑞利散射的下行、上行散射。 除地表反射率值之外，还包括Xa，Xb，Xc三个校正系数： y=Xa*L-Xb acr=y/(1.+Xc*y) 其中L为传感器测量到的辐亮度，acr为大气校正后的反 射率值。 在精度要求较低，或是大气条件和下垫面变化不大的 情况下，即可利用上式对整个区域进行大气校正。
ESUN 为太阳常数，单位：W/(m2· sr· μm） θs为太阳天顶角，注意是太阳高度角的余角；
TM
D 为日地距离，可查询天文历；
亦可取1，误差<5% ； L 为入瞳处辐亮度。
6S辐射传输模型输入参数 几何条件 大气模式
气溶胶模式
气溶胶浓度 地物海拔高程 传感器高程 光谱条件 地表反射率 6S辐射传输模型
样方分布
样方数据 共调研39个样方的生物量与覆盖度，如表1所示。 草地生物量(鲜草重)集中在180～250g/m2范围。 植被覆盖度主要在45一55%范围内，草地生物量与覆盖度总体情 况偏低，这是由于调查时间为9月份，属牧草生长的中晚期。
表1 调查样方地上生物量表
3
影像数据及处理
影像数据
采用该区域2005年9月10日TM影像资料(Landsat5)，晴天， 云量小于5%，轨道号为132/039，空间分辨30mx30m。 获取的TM资料在4，3，2波段组合下，植被信息显示良好。
总体技术路线
2
生物量野外采样
样方设置原则
选择样方尽可能的代表整个区域的植被生长状况，在考虑 交通的便利性的同时，样方尽可能设在不同的地貌类型上， 以充分反映不同地势、地形条件下植被生长状况。 采用路线调查法和GPS地理定位。 样方分布于具有典型代表性的草地类型或草地利用变化的 地段
采样方法
用GPS(精度为5米)定位样地，保证实测样地地理位置的准 确性。 野外采样时间为2007年9月9日—9月12日，与TM数据摄影 时间(9月10日)保持同步。 实地调查了39个样地，每个样地为l00mx100m。根据TM影 像像元为30mx30m的特点，在每个样地中选择典型的1个样 (1mxlm)，采用收获法，以鲜草重作为样方的草地生物量数 据。
TM 大气辐射校正
TM 大气辐射校正
5 地物海拔高程 由于6S考虑到地物高程对大气散射的影响，因此需要输入 地物的高程信息来修正大气廓线中已经设定好的参数信息来 提高精度。 如：武汉地区的海拔高程一般在30m左右。
6 传感器高程 6S的应用范围已经被扩展到航空遥感影像，因此可以根 据航飞的高度输入传感器高程。 也可以设定为地面传感器和标准的星载传感器。 传感器高程设为-1000，表示星载传感器。
TM 大气辐射校正
几何校正
植被指数选取
根据TM数据特性与区域实际情况，选择了7种植被指数，对这7 种植被指数的来源与特点介绍如下:
植被指数计算
TM影像植被指数的提取是在ENVI4.3与Arcinfo9.l三个软件平台下 进行的，提取总流程为: a) 在ENVI4.3软件中分别提取NDVI、RVI、DVI、SAVI、MASVI、PVI 和GVI7种植被指数，结果如图，并在ENV14.3中，分别把灰度图 像保存为TIFF； b) 转入Arcinfo9.1把TIFF转为GRID，再调入样方坐标数据 (Shpfiles)，利用Arcinfo空间分析功能，从栅格影像图上提取 样方的植被指数属性数据，从而最终获取了调查样方的植被指 数值(表2)。
(地表反射率)
TM 大气辐射校正
TM 大气辐射校正
1.几何条件 (1)预设:GEOS、Landsat、AVHRR、SPOT卫星，输入月日、 过境标准时间、经纬度（南半球、西半球的经纬度为负值）等
(2)自定义:直接输入太阳天顶角太阳方位角观测天顶角和 观测方位角。
几何条件预设值取0表示自定义，根据卫星数据头文件中提 供的太阳高度角、太阳方位角和观测方位角输入。 由于一般卫星均为星下点观测，因此如果数据头文件中没 有特别告知，观测方位角一般可设为0。
TM植被指数灰度图
图 1 TM影像植被指数灰度图像
样方植被指数值
表 2 调查样方的植被指数值
4
植被指数与生物量相关分析
数据选取
本研究对实测生物量数据与植被指数值数据进行抽样。 抽样方式为分类抽样，是把随机抽样与统计分组结合在一 起的一种抽样方式。 先在39个样方数据中依据生物量样方数据进行分组，再在 各组随机抽样。 选取27个样方数据(见表3)进行相关分析。 剩余12个样方数据用于接下来的回归方程检验。
地貌、气候 地貌： 地貌类型为高原、高山与极高山，海拔2680—6240m，平均海拔 约4500m。 气候： 属青藏高原亚寒带季风气候，半湿润易干旱。气候的垂直变化明 显，雨季集中在6—9月，冬春多旱。 年平均温度3.1℃。 年均降水量722.5毫米左右，年均相对湿度57%，年均蒸发量为 1593.6毫米。
i 1 2 i i 1
n
n
样本相关系数r随着取样的不同会有所变化，受抽样误差的影响， 因此总体的相关系数需要经过正式的假设检验，才能做出比较可靠 的结论。
假设检验——t检验法
假定总体变量（X,Y)服从二元正态分布 N ( X , Y , X , Y , )
( X1, Y1 ),, ( X n , Yn ) 是来自该总体的一个随机样本。
根据成像时间设为中纬度夏季大气，也可以设为US62标准大气 廓线。
TM 大气辐射校正
3 气溶胶模式 （1）预设：7种标准气溶胶模式——无气溶胶、大陆型、城市 型、海洋表面型、废弃地区模型、生物燃烧模型和同温层模型； （2）自定义：气溶胶的组分或是分配函数、光线折射率等设定 气溶胶模式。
设为大陆型气溶胶。 4 气溶胶浓度 输入能见度或是550nm处的气溶胶光学厚度。 当输入能见度时，气溶胶的光学厚度通过一个标准的气溶胶廓 线来计算。当能见度小于5公里时，6S的计算结果误差较大。 取0，表示不输入大气能见度，而是由MOD04数据读取550nm气溶 胶光学厚度。该数据拉伸系数为1000，负数表示由邻近像元内插 获得，输入6S时需要除以1000，并取绝对值。
要检验的假设为
H0 : 0
H1 : 0
检验统计量为t，服从自由度为n-2的t分布
表3
散点图 为了进一步分析数据之间的内在联系(线性关系或非线性关系)，建 立了植被指数与草地生物量关系的散点图。
可见，草地生物量大致 随植被指数的增加而增 大，二者存在明显的相 关性。 不能看出到底成线性还 是非线性关系 也不明确哪种数学方程 最能表达两者的关系。
相关性变量
相关分析是研究两个或两个以上随机变量之间相互依存关系的 方向和密切程度的方法，直线相关用相关系数来表示，曲线相 关用相关指数来表示，多元相关用复相关系数表示。 设二维随机变量有二元分布（X,Y)，它可以视为总体；
相关系数的取值范围为一1≤R≤1，正值表示正相关，负值表示负 相关，绝对值的大小表示相关程度的高低。 当R=0时，回归变差为0，自变量的变动对总变差无影响，称为零 相关。 当|R|=1时，回归变差等于总变差，总变差的变化完全由自变量X 的变化引起，称为完全相关，自变量X与因变量Y的关系转化为确定 的函数关系。 当0<|R|<1时，自变量X的变动对总变差有部分影响，称为普通相 关。R的绝对值愈大，表示相关程度愈高。 当|R|≥0.8，|R2|≥0.64时，自变量x的变动对总变差的影响达到 一半以上，称为高度相关; 当|R|<0.3，|R2|<0.09时，自变量X的变动对总变差的影响少于9%， 称为低度相关; 当0.3<|R|<0.8时，自变量X的变动对总变差的影响程度在9%-64% 之间，称为中度相关。
TM 大气辐射校正
7 光谱条件 （1）预设：可以选取已经设定好的各个卫星波段。 （2）自定义：波段范围、波长、滤波函数。 光谱条件取0为自定义，按各传感器波段上下限的设置输入。 8 地表反射率 均匀地表、非均匀地表。
第一个参数0为假设地表为朗伯体；1则考虑BRDF参数，后 续需要定义对应的中心地物类型和环绕地物类型等。
它们独立且和总体(X,Y)的分布相同，则变量X和Y间的相关系数ρ， 可以由样本通过进行估计：
其中统计量R是随机变量(相关系数ρ本质上是常量)，它是ρ的一 致估计量(相合估计量)和渐进无偏估计量，称为样本相关系数或 Pearson相关系数。上式可以化为
该公式看上去复杂，但由于没有了“积差”，计算要简便得多。
Cov( X , Y ) Corr( X , Y ) Var ( X ) Var (Y )
称为相关系数或总体相关系数，常简记为ρ或ρXY 其中 Cov( X , Y ) E[( X E ( X ))(Y E(Y ))] 为协方差。
实际问题中，往往是从总体中随机地抽取容量为n的样本
( X1, Y1 ),, ( X n , Yn )
TM 大气辐射校正
2 大气模式 （1）预设：7种标准模式的大气——无气体吸收模式、热带地 区、中纬度夏季、中纬度冬季、亚寒带夏季、亚寒带冬季和美国 US62标准大气廓线；
（2）自定义：34层大气模式，海拔高度从0-25km每1km一个值， 从25-50km每5km一个值，在70km和100km处各一个值，所以可以选 择输入34*5个不同的值；或输入水蒸气和臭氧自定义。
草地植被
理塘县草地以高山草甸草地、高山灌丛草甸草地与高寒草丘沼泽草 地为主; 高山草地主要生长着高山篙草、四川篙草、羊茅、垂穗披碱草等;
高山灌丛草甸草地主要植被除了草本植物外有理塘杜鹃、毛喉杜鹃、 香柏、小叶金腊梅、川西锦鸡儿、西藏沙棘、细枝忍冬等; 高寒草丘沼泽草地主要有黑花苔草、灯心草、甘肃篙草、矮篙草、 藏篙草、发草、以及沙棘和高山柳等湿生植物，是沼泽与草甸的过 渡植物。