遥感估算

遥感估算（精选五篇）

遥感估算 篇1

1 传统的森林生物量估算方法

生物量的传统研究方法主要有二氧化碳平衡法 (气体交换法) 、微气象场法 (昼夜曲线法) 、收获法和生物量转换因子连续函数法[3]。

1.1 二氧化碳平衡法

二氧化碳平衡法是将森林生态系统的叶、枝、干和土壤等组分封闭在不同的气室内, 根据气室内CO2浓度变化计算各个组分的光合速率与呼吸速率, 进而推算出整个生态系统二氧化碳的流动和平衡量[4]。

1.2 微气象场法

微气象场法则与风向、风速和温度等因子测定相结合, 通过测定从地表到林冠上层CO2浓度的垂直梯度变化来估算生态系统CO2的输入和输出量[3]。

1.3 收获法

直接收获法是对森林生物量研究的最可行的方法。森林收获法全球普遍采用的研究方法, 森林收获法可以大致分为3类:皆伐法、平均木法和相对生长法[5]。

1.3.1 皆伐法

皆伐法是将一定单位面积上的林木, 逐个的伐倒后测定其各部分 (树干、枝、叶、果和根系等) 的鲜重, 并换算成干重, 将各部分的重量合计, 即为单株树木的生物量。将各个单株生物量相加, 得到林分的乔木层生物量。而对林下植物则设置若干小样方进行皆伐收割, 最后根据样地面积和样地内林分的生物量确定单位面积生物量。

1.3.2 平均木法

平均木法是根据样地每木调查的资料计算出全部立木的平均胸高断面积, 选出代表该样地最接近这个平均值的数株标准木, 伐倒后求出平均木的生物量, 再乘以该林分单位面积上的株数, 得单位面积上林分乔木层的生物量, 进而得出不同的林分生物量。这种方法比较适用于林木大小具有小的或中等离散度的正态频率分布的林分。

1.3.3 相对生长法

相对生长法是在样地每木调查基础上, 根据林木的径级分配, 按径级选取大小不同的标准木, 根据标准木调查方法, 测定林木的各种生物量, 再根据林木的各种生物量与某一测树学指标之间存在的相关关系, 利用数理统计拟合回归方程。在森林群落中, 胸径是最容易测定的因子, 一般都尽量利用这个因子作自变量来推算其他因子[6]。

1.4 生物量因子连续函数法

生物量转换因子法 (Biomass expansion factor, BEF) 是将单一不变的生物量平均转换因子改为分龄级的转换因子, 以更加准确地估算区域或国家的森林生物量[7]。

方精云[8,9]等根据中国的实际情况提出用树干材积推算生物量的方法, 对Brown等和Schroeder建立的BEF=-a V-b模型进行了改进, 建立了“换算因子连续函数法”。

在式中, 当蓄积量很大时 (成熟林) , BEF趋向恒定值a;蓄积量很小时 (幼龄林) , BEF很大。此公式中林分蓄积量与生物量之间存在良好的相关关系, 利用它与林分生物量之间的关系推算生物量就消除了森林类型、年龄、立地条件和林分密度等诸多因素的影响。具有普遍性, 并且由该式可以非常简单地实现由样地调查向区域推算的尺度转换。

2 基于各种数据源估算森林生物量

传统的森林生物量研究要以实测数据为基础, 需要进行大量的实地调查, 其在精度和尺度上都有一定的局限性, 不能及时地反映大面积宏观生态系统的动态变化及生态环境状况, 无法满足现实中的需要。随着遥感技术的普及, 利用遥感技术和地理信息系统等先进技术手段可以快速、准确、无破坏地估算从林分到区域等不同空间尺度的森林生物量, 对生态系统进行宏观监测。

生物量的遥感估算多利用红波段和近红外波段的组合即植被指数 (Vegetation Indices) 和叶面积指数 (LAI) 及植被覆盖度等的关系, 推断出植被指数与生物量之间的关系进而求得生物量[10]。在森林生物量的研究中, 常用的遥感数据源主要包括光学遥感、热红外遥感、微波遥感和高光谱遥感等。

2.1 光学遥感和热红外遥感

在可见光至红外光波谱段, 植物的反射光谱曲线具有显著的特征, 但是不同类型的植物之间反射光谱特性曲线存在着一定的差异, 即使是同一种植物, 也由于其生长状态的不同, 使其在各个波段的反射率发生变化[11], 因此可以利用植物的这一光谱特性, 监测植被状况及其变化动态。卫星遥感数据中属于这一类的主要有Landsat TM数据、MSS数据、SPOT数据以及NOAA AVHRR数据等。最初, 人们利用Landsat MSS数据来监测植被的叶面积指数和活体生物量[12]。后来, 更多的是利用Landsat TM和NOAA AVHRR数据来监测植被生长和生物量[13]。Hame等[13]结合地面调查数据、TM数据和AVHRR数据, 对数百万平方公里欧洲森林生物量进行了准确的估算。Lefsky等[14]利用地面调查数据和TM数据对美国Eas Maryland落叶林的地上部分生物量进行了估算。Boyd等[15]对喀麦隆的热带森林生物量的遥感研究表明, 中红外植被指数与热带森林植被的总生物量具有较好的相关性, 其相关系数为0.47。在国内, 郭志华等[16]通过样方调查获取森林材积, 借助于全球定位系统技术为调查样方准确定位。根据Landsat TM数据7个波段信息及其线形与非线形组合, 应用逐步回归技术分别建立估算针叶林和阔叶林材积的最优光谱模型, 进而确定了粤西及附近地区的森林生物量。马泽清等[17]利用TM数据对江西千烟洲地区的湿地松林生物量估算, 建立了生物量多元回归模型。

2.2 合成孔径雷达 (SAR)

合成孔径雷达是在真实孔径侧视雷达的基础上发展起来的, 克服了真实孔径雷达受到天线长度限制而无法较大幅度地提高分辨率的困难[18]。在森林生物量研究中, 由于可见光及红外光只和绿叶生物量产生反应, 而微波具有穿透树冠的能力, 不仅能和树叶发生作用, 而且能和森林生物量的主体—树干和树枝发生作用, 因此微波遥感为森林生物量全面和精确估测提供了可行的工具。

常用于雷达图像的波段及中心频率为X-波段 (10GHz, 3.0 cm) 、C-波段 (5.3GHz, 5.6 cm) 、L-波段 (1.25GHz, 24 cm) , P-波段 (0.44GHz, 65 cm) 。研究表明, 不同波段的雷达数据对森林生物量的敏感度不同, 雷达后向散射对森林生物量的敏感性或相关性随着波长的增加而增加, 即P-波段与生物量的关系最为密切, 而C-波段则较差[19]。这是由于在X-波段, 其反射源只是冠层上部小树枝及树叶, 当森林到达一定阶段后, 其顶部的变化不会太大, C-波段的波束也不能透过冠层, 特别是对于较成熟的森林, L-波段可透过较厚的冠层, 而P-波段则可能直接反映树干的情况, 因此P-波段与生物量具有最强的相关性, 且其动态变化范围也最大。Harrll[20]曾指出, 合成孔径雷达 (SAR) 在区域或局部尺度的生物量监测、生物量分布等领域是一种非常有希望、有前途的工具, 能获取生物量计算所需的主要参数 (密度、胸径、高度和年龄等) 。我国的863项目设立的“星载SAR森林应用研究”开展了星载SAR对森林蓄积量估算的研究, 也取得了一些成果[21]。

2.3 高光谱遥感

传统的多光谱遥感只是在几个离散的波段, 以不同的波段宽度 (常为100~200 nm) 来获取图像, 这样就丢失了对地物识别有用的大量光谱吸收特征信息。而高光谱遥感波段宽度一般小于10 nm, 它可以将光谱波段在某一特定光谱域进行细分, 从而获得多波段的详实、连续的光谱信息, 这些光谱可以很好地描述植被特征。归一化植被指数 (NDVI) , 叶面积指数 (LAI) 和吸收光合有效辐射 (APAR) 是高光谱遥感中3个最主要的分析植被特征的指数。童庆禧等[22]建立了LAI及生物量与高光谱遥感图像的植被因子之间的理论模型。张良培等[23]利用高光谱对APAR和生物量进行了估算。Thenkabail等[24]则研究了最适多窄波段反射系数OMNBR (Optimum Multiple Narrow Band Reflectivity) 、窄波段NDVI、窄波段TSAVI以及NDVI (宽波段) 和作物特征的关系, 指出窄波段模型要比宽波段模型更好。

2.4 激光雷达遥感

激光雷达即激光探测与测距, 属于主动式辐射传感器, 从原理上, 激光雷达包括发射 (激光) 和接收 (激光) 两大部分。激光器通常以脉冲方式工作, 通过精确测定激光脉冲回波的时延来测定距离。扫描激光 (scanning lidar) 通过加大激光束的足迹 (footprint) , 使激光具有快速、准确地穿透云层的能力, 因此其光束能在云层中传播, 可以观测许多地表特征和低空大气现象。

国外许多研究已经证明机载小光斑雷达数据在森林资源调查中的重要性, 通过激光扫描数据可以准确地估测林分特征, 如树高、胸高断面积以及林分蓄积量。Lefsky等[14]根据植被材积及生物量与高度的关系, 发现运用激光雷达信号可以很好地估算森林生物量。Popescu等[25]用小光斑雷达数据和多光谱数据进行小样区 (0.017ha) 水平的材积和生物量的估测, 研究首先用局部最大值法得到单株木树高和冠幅, 然后用回归模型计算胸径和胸高断面积, 根据已有的生物量和材积计算公式分别计算其生物量和材积。在国外已经有了许多此类研究, 但是, 国内激光雷达在林业应用领域的研究则刚刚起步。

3 结语

由于遥感技术以宏观、综合、快速、动态、准确的优势为森林生物量研究、环境变化监测乃至全球变化研究提供了先进的探测与研究手段, 因此遥感技术已成为地上大面积范围内森林生物量估算的有力工具, 所以遥感技术的发展推动了森林生物量的研究, 使森林生物量的研究范围、研究精度和实时性都得到了大大的提高。但是, 利用遥感技术测算森林生物量是一个复杂的过程, 光学遥感、热红外遥感、微波遥感和高光谱遥感的森林生物量估算各有其优缺点, 所建立的模型和所选择的数据源并不是任何时期、任何区域都适用, 都应该根据研究区域的实际情况来改进生物量模型和选择合适的遥感数据源。比如在模型建立期间对所在的样地内实施间伐、造林等经营措施, 则遥感数据与样地信息不匹配, 建立的估算模型的精度会大大受到影响。因此, 基于遥感技术的森林生物量的估算需要运用多种技术, 综合多种方法, 使估算模型达到最优。

摘要：遥感技术已被广泛应用于植被和生态系统的定量研究中, 特别是利用遥感技术快速准确地估算森林生物量已取得了突破性的进展。综述了遥感技术在森林生物量估算中的现状, 分析了各种遥感数据源在森林生物量估算中的优缺点, 并简要总结了遥感技术在森林生物量估算应用方面的发展趋势。

遥感估算 篇2

通过对8月19日太湖Hyperion高光谱遥感数据的处理和分析,文章首先采用比值和一阶微分处理技术进行了叶绿素a浓度的`估算.为了弥补此两种方法在模型的适用性和通用性方面的不足,本文尝试了利用混合光谱分析模型进行太湖水体叶绿素a浓度的提取和成图.实验结果说明高光谱遥感数据Hyperion可以进行水体叶绿素a浓度的监测,并且作为高光谱处理技术之一的混合光谱分析技术是水体叶绿素a浓度估算的另一条佳径.

作 者：闻建光 肖青 杨一鹏 柳钦火 周艺 WEN Jianguang XIAO Qing YANG Yipeng LIU Qinhuo ZHOU Yi 作者单位：闻建光,柳钦火,周艺,WEN Jianguang,LIU Qinhuo,ZHOU Yi(中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101)

肖青,XIAO Qing(中国科学院遥感应用研究所遥感科学国家重点实验室,北京,100101;核工业北京地质研究院遥感重点实验室,北京,100029)

杨一鹏,YANG Yipeng(中国环境监测总站,北京,100029)

遥感估算 篇3

对产草量的研究最初主要是通过大量的地面样方抽样调查, 动用人力物力较大且耗时较长。随着遥感技术的发展, 为草原产草量的研究提供了新的技术手段。遥感监测的优势突显, 被科研工作者大量的应用。特别是近年, 卫星数据的时间分辨率和空间分辨率的大幅提高, 为大尺度, 多时相的动态研究提供便利[4]。其中, MODIS—NDVI数据是应用最广泛, 反映植被信息敏感且比较稳定的植被指数, 其时空分辨率可以较好地满足宏观尺度草原植被的时空变化特征。许多学者对草原产草量做了研究, 然而不少研究中[5,6,7]地面样地的建模和验证数据较少, 模型的可靠性和精度难以保障;多数的研究是主要针对个别年份的草原产草量估算, 对草原产草量进行年际变化的研究相对缺乏, 同时产草量地域性强, 受到当时气候 (气温、降水等) 的影响较大, 不同地域, 模型缺乏普适性, 大多研究是针对一个行政区划, 而非一个自然地理区域。鉴于此, 本文针对锡林河流域自然分布带的多年生物量动态变化展开研究。

1 研究区概况

锡林河是锡林郭勒盟草原区重要的内陆河, 发源于大兴安岭南段西麓的克什克腾旗嘎松山台地, 大体沿东南-西北走向, 流经白音锡勒牧场及锡林浩特市, 向北止于阿巴嘎旗的西北端, 注入白音诺尔, 全长约175km。地理坐标为北纬43°26′~44°39′, 东经115°32′~117°12′, 总面积为1118513hm2。该流域是联合国教科文组织认定的国际生物保护区, 全流域的范围均处于典型草原地带, 该流域的植被类型除了分布有典型草原外, 还分布有草甸草原亚型 (流域的东南部) 和干草原亚型 (流域的西北部) 。属温带半干旱大陆性季风气候, 年均温度为0.3~0.5℃, 最低温度-21.6℃, 最高温度18.8℃, 年均降水量为350mm, 东南向西北降水量逐渐减少, 年内分布不均, 70%的降雨量集中在6~8月;蒸发量1700mm;锡林河流域水资源总量为4×108m3/a, 地下水水资源量为3.8×108m3/a, 年平均流量只有0.2×108m3, 流域平均径流深度约为5.5mm/a。锡林河流域的径流系数仅为0.02, 降水对径流的贡献不大, 河水应该主要依靠地下水来补给[8]。流域土壤以栗钙土为主, 约占该流域总面积的86.4%, 兼有黑钙土、栗钙土、风沙土和草甸土等[9]。

2 材料与方法

2.1 地面样方数据

本研究使用的地面样方, 采样时间为2010~2013年的7~8月, 草本及矮小灌木植物样方大小为1m×1m, 灌木和高 大草本植 物样方为10m×10m, 测定时记录取样点的经纬度、海拔高度, 测量植物的盖度、高度和生物量信息。植物种主要包括:羊草 (Leymuschinensis Trin.) 、针茅 (Stipacapillata Linn.) 、苔草 (Carextristachya) 、芨芨草 (Achnatherumsplendens) 、盐爪爪 (Kalidiumfoliatum Pall.Moq.) 、红砂 (Reaumuriasoongorica) 等草本及灌木植物。对草本及矮小灌木植物样方产草量, 采用样方内全部植物齐地面刈割后称重;对灌木和高大草本植物样方产草量, 采用测量样方内各种灌丛植物标准株 (丛) 产量和面积的方法进行。

2.2 遥感数据处理

本研究使用的遥感数据来源于美国国家航空航天局 (NASA) 官方网站下载的MODIS-NDVI 16天合成产品数据 (MOD13) , 时间为2000~2013年每年7月中旬~8月下旬, 空间分辨率为250m。通过16天合成的MODIS-NDVI产品数据进行最大值合成、几何校正、拼接得到研究区2000~2013年的NDVI分布图。在植被覆盖率低的地区, NDVI值受下垫面的影响较大, 因此只考虑NDVI平均值大于等于0.1的像元 (方精云, 2003) 。根据地面样方数据的采集时间和地理坐标信息, 利用地理信息系统 (GIS) 技术从对应时间段的NDVI分布图中提取每个样方点1km范围内的NDVI均值, 建立NDVI与对应草原样方鲜草重量数据库。

2.3 单位面积产草量模型的建立及验证

根据2010~2013年调查的地面样方数据整理筛选出29取样点的产草量数据, 用GIS方法提取与地面样方相对应年份 (2010~2013年) 地上植被生长旺盛期 (7月中旬~8月下旬) 的NDVI最大值合成数据, 建立鲜草产量—NDVI数据库并构建地面——遥感相结合的估产模型。在分析锡林河流域草原区样方鲜草产量和NDVI散点关系的基础上, 运用回归分析构建了指数、一元线性、对数回归模型。经过F检验和T检验之后, 根据方程的决定系数 (R2) 来选取最优模型。结果表明, 线性模型方程均有较好的相关关系, 建模的决定系数均在0.6以上, 达到了0.01的显著水平, 其线性函数的相关关系最优, 其决定系数为0.611, 方程显著性检验F值最大 (图1) 。通过综合比较选用线性数作为产草量的遥感估算模型。采用预留的样方数据对模型的精度进行验证。采用均方根误差 (RMSE) 和平均相对误差 (REE) 2个指标检验模型精度[10]。计算公式如下:

验证结果表明, 基于NDVI的幂函数模型预测的产草量与实测样方产量值间有较好的对应关系, 图中各点 总体分布 在1:1线周围 , RMSE为459.9kg/hm2, REE为0.22, 模型精度为80%, 基本可以进行实际应用。

2.4 气象数据

气候数据来源于中国气象科学数据共享服务网 (http://cdc.cma.gov.cn/) 提供的2000~2013年锡林浩特站的降水和温度资料, 分析气候因素与锡林郭勒盟产草量的时空变化关系。

3 结果与分析

3.1 产草量时空分布

通过使用优选的线性函数模型估算锡林河流域2000~2013年13年间的产草量, 可以看出锡林河流域草原产草量分布具有明显的时间差异和空间分布差异 (图2) , 西北部地区草原产草量单产通常较低, 单产干重小于250kg/hm2, 由西北向东南草原产草量单产逐渐增加;东南部处于浑善达克沙地边缘, 国家近年退耕还林还草工程以及京津源风沙治理工程的实施, 沙地植被得到恢复和保护, 草原产草量提高。总体上, 锡林河流域产草量的空间分布呈东南高-西北低的空间分布规律。

kg/hm2

产草量年际间变化明显 (表1) , 2000~2013年13年间锡林河流域产草量有明显的波动变化, 图3中虚线为锡林河流域产草量多年平均值, 多年平均产草量为1001kg/hm2。从2000~2013年, 其中5年产草量大于平均值, 产量峰值出现在2012年;8年产草量小于平均值;2005年产草量与多年平均产草量较为接近。平均变化范围介于350~1900kg/hm2之间, 变异系数为51.6%。13年间该区域产草量总体呈波动上升趋势。

不同的草地类型对草原产草量的时空变化具有一定的影响。锡林河流域低地草甸类、山地草甸类、温性草甸草原类草地类型的变异系数在37%~51%之间 (表1) , 因为3种草地类型属于隐域性植被, 该类型的草地对水分条件较高, 在以温性典型草原类草地地区, 气候对草甸类植被影响较大, 特别在气候干旱的情况下, 草甸类草原区植被的生长弱于其他草地类型, 其年际间变化较大, 产草量保持能力弱, 绝对量上变化大, 变异系数相对较高。温性荒漠类、温性典型草原化荒漠类和温性荒漠草原类的变异系数在17%左右, 因为荒漠类草原多以旱生、强旱生的小灌木、灌木或多年生的小禾草植被为主, 抗干扰能力强, 处于干旱环境条件下, 受到水分条件的制约较小, 产草量年际间变化相对较小, 产草量保持能力较强。

3.2 产草量对气候变化的响应

图4为草原草量与年降水量年际变化趋势。结果显示, 产草量与年降水量存在明显的年际波动, 2003和2012年降水量明显多于其他年份, 其中, 2012年降水量达511.7mm。与之相对应, 2003和2012年产草量也高于其他年份, 其中, 2012年的产草量达到最高1899.4kg/hm2, 以上结果说明, 研究区的草原产草量与年降水量具有一定的正相关关系 (相关系数0.6) 。

同样, 研究区草原产草量的年际变化与年均温的年际变化具有负相关关系, 相关系数-0.60。锡林郭勒盟2000~2013年年均温在1.6~4.3℃之间, 其中2007年气温最高, 同期降水量偏少, 产草量也较低;2012年均温保持在1.6℃, 而同期草原产草量明显高于其他年份 (图5) 。但个别年份气温相对较低, 降水也相对较少, 所以年均产草量相对较小。多年平均产草量与年均温的显著负相关关系可能是年均温与年降水量呈显著负相关的一种反映, 高温年份的降水量较少, 由于蒸发旺盛, 水分成为影响产草量高低的限制因素, 使得产草量较低;低温年份降水量较多, 水分不构成限制因素, 使得产草量较高, 若降水量少, 同样水分成为影响产草量高低的限制因素。可见, 气温对产草量影响是间接的。降水是锡林河流域的产草量的主要气候影响因素。锡林河流域产草量的时空分布格局受到非生物因素和生物因素的共同影响[11]。草原产草量的时空变化与主要气候因素 (气温、降水) 关系密切, 特别是受降水量的时空变化影响显著。

4 结果与讨论

基于4年 (2010~2013年) 的地面样方调查数据结合同期的MODIS-NDVI建立的线性关系模型, 可以较好地模拟锡林河流域产草量与NDVI之间的相关关系, 构建的模型精度可达80%。与其他研究相比, 本研究采取统一的调查方法获取了多年样方产草量数据, 丰富的地面样方调查数据为草原产草量遥感估算模型和估算精度奠定了基础。

锡林河流域2000~2013年的草原产草量空间分布总体上呈东南向西北递减的格局, 总产草量年际间波动较大, 年平均产草量鲜重为1001kg/hm2。

近年, 许多学者运用多种方法估算了不同草地类型的地上生物量, 但结果存在一定的差异。例如马文红[12]、方精云[13]和Ni[14]等估算了荒漠草原、典型草原和草甸草原的生物量差异较大, 其原因可能是因采用的数据源不同, 估算方法不同;地面样方数据的采集数量和时间不同。本研究基于近几年大量野外调查实测数据资料, 翔实的地面调查资料和遥感数据为生物量估算提供了可靠的基础。

草原产草量的时空变化与主要气候因素 (气温、降水) 关系密切, 特别是受降水量的时空变化影响显著。同时, 土壤湿度和养分、牲畜啃食植物种等因素, 也影响着产草量的时空变化格局。同时管理模式和补偿机制直接影响到草场的经营模式。如2000年以来实施的国家退耕还林还草工程以及京津源风沙治理工程、草原舍饲禁牧等草原生态补偿政策项目的扶持, 草场利用方式由单一的放牧变成放牧、刈割、围封、轮牧等, 从而影响区域的草原产草量。本研究结论可以为有效地保护和利用草地资源、合理配置载畜量、分区域分类型进行科学管理和利用草地资源提供参考依据, 为建立合理的草原生态补偿机制、巩固草原生态建设成果和恢复草原生态环境提供有效的技术支持和保障。

但是, 遥感估产过程中还存在一些不确定的因素, 如草原产草量受到草原区的土壤、地形等环境因素及放牧、人口等各种人文因素的影响较大[15,16], 这些因素需要进一步的研究。

摘要：本研究以地面样方调查结合20002013年MODIS—NDVI数据, 建立样方生物量和遥感数据的关系模型, 反演锡林河流域产草量的时空分布。研究结果表明:建立的植被指数模型相关系数达到0.6以上, 模型精度为80%, 线性模型作为遥感估测应用可行;锡林河流域年平均产草量鲜重为1001kg/hm2, 空间分布呈现东南高-西北低的空间分布规律;20002013年, 产草量年际间变化大, 变异系数为51.6%, 产草量总体呈波动上升趋势。锡林河流域草原产草量的时空变化与主要气候因素 (气温、降水) 关系密切, 特别是受降水量的时空变化影响更为显著。本研究结论可以为有效地保护和利用草地资源、合理配置载畜量和恢复草原生态环境提供有效的技术支持和保障。

遥感估算 篇4

植被是环境重要组成因子, 是反映区域生态环境的最好标志之一, 也是土壤, 水文等要素的解译标志[1]。植被具有截留降雨、减缓径流、防沙治沙、保土固土等功能, 是维持生态环境、发挥有效生态效能的功能体, 快速、有效地获取植被覆盖的宏观状况, 对于维护生态环境的稳定性非常重要[2]。植被覆盖度是衡量地表植被状况的一个最重要的指标, 是区域生态系统环境变化的重要指标。因此, 获取地表植被覆盖及其变化信息, 对于揭示地表空间变化规律, 探讨变化的驱动因子, 分析评价区域生态环境具有重要现实意义[3]。而城市水源地植被对水源地在保持水土、涵养水源等生态效能方面起着关键作用, 城市水源地的生态与环境状况的优劣会直接影响到城市的水资源安全以及水源地控制区域的居民生产、生活水平, 因此对城市水源地植被保护显得异常重要, 对城市水源地的植被覆盖度的动态监测可以快速而宏观了解其植被状况以评价其生态环境质量。

对于植被覆盖度的测算方法大致经历了简单目测估算、仪器实地测量和遥感解译分析3个阶段。传统的对于植被覆盖度的测算方法不能满足大范围、高效率、高时效的动态监测, 遥感技术为植被覆盖度的测量提供了一个新的发展方向, 尤其是为大范围的植被覆盖度监测提供了可能。鉴于遥感技术在植被覆盖度研究中的重要地位, 越来越多的专家学者围绕区域植被并以植被覆盖度为监测指标, 展开了一系列研究。汪明霞、王卫东在对植被覆盖度的提取方法研究中总结出目前常用的计算植被覆盖度的方法, 包括地表实测方法和遥感监测方法, 其中地表实测法有目估法、采样法、仪器法、模型法等。遥感检测方法有回归模型法、植被指数法、像元分解模型法等[4]。H.Larsson分别由TM遥感监测图像、多光谱监测图像和SPOT5遥感监测图像估算了阿拉伯地区森林的NDVI值, 并得到了精度较高的统计模型[5]。马明国等利用AVHRR数据有效的动态监测中国西北植被覆盖度在近21年间的年际变化, 并模拟了其变化趋势[6]。一些研究也表明利用遥感监测方法估算植被覆盖度具有非常理想的效果。

研究区属于城市水源地保护区, 是工农业发展及人民生活的保障。近年来由于气候以及人为因素的影响, 研究区植被恢复受阻或遭到不同程度的破坏。再者, 迄今为止还未有专家学者对该区域进行植被覆盖度的变化分析的研究, 因此对渔洞水库流域进行植被覆盖度变化分析的研究变得尤为重要。

1 研究区概况

渔洞水库距昭通市区17.94km, 属金沙江水系, 控制流域面积709km2, 水库地势自西北向东南倾斜, 地形陡峻, 河谷深切。流域平均宽度8.8km, 平均海拔2240m, 最低海拔1 871m, 最高海拔4 040m。气候属亚热带、暖温带共存的高原季风立体气候, 年平均气温12.6 ℃, 1月平均气温2 ℃, 7月平均气温19.8℃, 极端最低气温-13.3℃, 极端最高气温33.5℃, ≥年平均日照1 900h, 年平均降雨量760mm。该流域包含永善县部分西部地区, 昭阳区中部地区以及鲁甸县东北部地区, 经纬度范围为 (103.31°E~103.61°E, 27.18°N ~27.58°N) , 如图1所示。

2 数据来源与处理

(1) 数据来源。选取美国USGS网站1996-2012年间同一时期6个时相landsat5和landsat7号卫星的TM/ETM数据 (轨道号为129, 41) , 影像获取时间分别为1996年1月16日、2000年1月11日、2004年1月30日、2008年1月9日、2010年3月19日以及2012年2月5日。这6景TM/ETM影像云覆盖量几乎为零, 并且获取时间都处于冬季, 植被生长状况相近, 能够降低由于气候、降雨等自然因素引起的季节性差异对植被长势的影响, 可以极大地提高研究的可靠性。另外从国际科学数据服务平台获取研究区30m分辨率的DEM数据提取流域边界以及水系。

(2) 数据预处理。遥感影像需针对不同用途做相应的处理, 本研究利用TM/ETM影像在ENVI4.8 软件中进行提取NDVI并计算植被覆盖度的操作中, 需对影像进行几何校正、图像融合、图像裁剪、直方图匹配等图像预处理, 此外还需进行辐射定标、大气校正, 具体操作参照参考文献[7]进行。

3 植被覆盖度计算

遥感估算植被覆盖度的关键在于:一是植被指数 (Vegeta-tion Index, VI) 的选择;二是植被指数与植被覆盖度之间转换关系的确定。对植被覆盖度进行遥感调查制图时, 通常利用归一化植被指数 (Normalized Difference Vegetation Index, ND-VI) 来建立其与植被覆盖度关系来进行[2]。众多专家学者在利用TM/ETM影像计算植被覆盖度所采用的方法是通过ND-VI像元二分模型来计算, 并取得令人满意的结果, 因此本研究利用所选6个时相TM/ETM遥感影像为数据源, 以归一化植被指数 (NDVI) 像元二分法为植被覆盖度估算模型, 计算出研究区不同时期的植被覆盖度。

3.1 归一化植被指数 (NDVI) 计算

植被指数 (VI) 指从多光谱遥感数据中提取的有关地表植被覆盖状况的定量数值, 通常是用红波段和近红外波段通过数学运算, 进行线性或非线性组合后得到[8]。植被指数是单位像元内的植被类型、覆盖形态、生长状况等的综合反映, 其大小取决于叶面积指数LAI (垂直密度) 和植被覆盖度Fvc (Fractional vegetation coverage) 等要素[9]。常用于植被覆盖度遥感监测的植被指数有:比值植被指数 (Ration Vegetation Index, RVI) 、归一化植被指数 (NDVI) 、差值植被指数 (DifferenceVegetation Index, DVI) 和正交植被指数 (Perpendicular Vegetation Index, PVI) 等[1]。目前最常用的表征植被状况的指标是NDVI, 它与植被覆盖度、生物量、叶面积指数密切相关, 能够反映植被的繁茂程度, 在一定程度上能够代表地表植被覆盖的变化, 完全能够用于研究区域甚至全球植被的时空变化[10]。

归一化植被指数 (NDVI) , 定义为近红外波段NIR (0.7~1.1μm) 与可见光红波段R (0.4~0.7μm) 数值之差和这两个波段数值之和的比值, 计算公式是:

NDVI值的范围是-1~1, 一般绿色植被区的范围是0.2~0.8[7]。

3.2 基于NDVI的植被覆盖度估算

目前, 大多数研究中均以归一化植被指数来计算植被覆盖度, 计算结果是可靠的。Bradley将NDVI与植被覆盖度作线性相关分析, 肯定了NDVI与植被覆盖度有良好的相关性[11]。植被覆盖度与NDVI植被指数的定量关系正是利用像元二分模型原理而得, 即任意像元的遥感信息理论上由纯植被和纯土壤所贡献, 参照文献[12]的方法, 公式如下:

式中:Fvc为植被覆盖度;NDVI为单位像元归一化植被指数值;NDVImin、NDVImax分别为最小、最大归一化植被指数值。

NDVImax代表研究区域内由全植被覆盖的单位像元的归一化植被指数值, 对于大多数类型的裸地表面, NDVImin理论上应该接近0, 并且是不易变化的, 但由于受地形、图像阴影等众多因素影响, NDVImin会随着空间而变化, 其变化范围一般为-0.1~0.2[11]。

由于获取的遥感影像中不可避免地存在着噪声, NDVImin与NDVImax并不能直接从NDVI灰度图统计出最大和最小值, 而是取给定置信度区间的最大值与最小值, 通过对TM/ETM数据提取的NDVI植被指数进行直方分布图分析, 在NDVI频率累积表上取一定频率的NDVI为NDVImin和ND-VImax[13]。置信度的取值主要由图像大小、图像清晰度等情况来决定[14]。本研究根据实际情况所取置信区间分别为累积频率为5%和95%, 所对应的NDVI值作为NDVImin和NDVImax的值。

4 结果与讨论

4.1 植被盖度分级标准及方法

杨胜天等依据不同的植被覆盖度值, 将其划分为高、中高、中、低覆盖类型, 当植被覆盖度大于75%时为高类;当植被覆盖度在60%~75% 之间时, 为中高类;当植被覆盖度在45% ~60%之间时, 为中类;当植被覆盖度小于45% 时, 为低类[15]。本研究参照前人的研究并结合研究区实测的植被覆盖度将每期渔洞水库流域植被覆盖度计算结果划分为5种级别:Ⅰ (0~0.1) , Ⅱ (0.1~0.25) , Ⅲ (0.25~0.4) , Ⅳ (0.4~0.6) 和Ⅴ (0.6~1) 。这5种级别分别对应五种类型的植被覆盖度, 即低植被覆盖度、中低植被覆盖度、中植被覆盖度、中高植被覆盖度和高植被覆盖度。对每一类型的植被覆盖度结果统计于表1中。

4.2 平均植被覆盖度的计算

平均植被覆盖度的变化直接反映了研究区域植被状况的优劣, 即平均植被覆盖度增加说明植被在总体上呈现增加的趋势, 平均植被覆盖度减少说明植被在总体上呈现减少的趋势。平均植被覆盖度能反映植被生物量的平均状况, 大多数植被覆盖度研究中以均值作为评价研究区植被覆盖情况的定量指标。平均植被覆盖度是指研究区每个像元所占总覆盖度的比例, 计算原理为植被覆盖度总和与研究区面积的比值, 用公式表示如下:

式中:n为像元个数;Fvci为第i个像元的植被覆盖度。

由于研究区水域面积比例不大, 约达到总流域面积的3.54%~5.18%, 对计算结果影响不大, 因此在计算中没有去除水域面积而是将水域作为总面积的子集进行计算。平均植被覆盖度的计算结果统计于表1中, 并作出平均植被覆盖度变化趋势图, 如图2所示。

4.3 不同时期平均植被覆盖度变化分析

从表1中的数据以及图2可得到如下结论:渔洞水库流域平均植被覆盖度呈先增加后减少的趋势, 转折点是2008年, 其中1996-2008年间, 平均植被覆盖度从0.306增加到0.376, 增加值为0.07, 且在这12年间平均植被覆盖度呈持续增长态势, 平均年增加约0.51%。2008-2012年间, 该区域平均植被覆盖度呈减少趋势, 从2008年的0.376减少至2012年的0.356, 平均年减少约0.50%, 仅2008-2010年, 平均植被覆盖度减少值为0.019, 而在2010-2012年间平均植被覆盖度变化不大。

4.4 植被覆盖度时空变化分析

根据以上分析结果, 将渔洞水库流域植被覆盖变化情况总结为两个重要时期, 将植被持续增加的时期叫做植被恢复期, 持续减少的时期叫做植被退化期, 并将这两个重要时期各级植被覆盖度变化情况进行对比, 并将结果统计于表2中。

表2中植被恢复期为1996-2008年, 植被退化期为2008-2012年, 变化总量为1996-2012年间植被覆盖度变化总量, 变化总量百分比为1996-2012年间植被覆盖度变化量占流域总面积的百分比。

从表2中可以看出1996-2012年间低植被覆盖度面积减少了39.182km2, 占流域总面积的5.536%, 变化幅度相对较大, 中低植被覆盖度面积减少了17.188km2, 中植被覆盖度面积增加了6.532km2, 中高植被覆盖度增加了13.51km2, 高植被覆盖度增加了36.328km2, 占流域总面积的5.133%。显然植被覆盖度呈明显的增加趋势。该区域在1996-2008年间植被恢复效果显著, 低植被覆盖度平均年下降面积为4.486km2, 高植被覆盖度平均年增加面积为3.883km2, 其他等级植被覆盖度变化较小;而2008年后植被处于退化趋势, 低植被覆盖度平均年增加面积为3.663km2, 高植被覆盖度平均年增加面积为2.567km2, 中低植被覆盖度面积有显著增加, 年平均增加面积为6.567km2, 其他等级植被覆盖度变化不大。

为了从空间上表达该研究区植被覆盖度变化情况, 根据植被覆盖度在1996-2012年间总体植被覆盖变化情况和植被恢复期与植被退化期的增减情况, 制作出植被覆盖度变化情况图, 如图3所示。

显而易见, 从图3可以知, 从总体上看, 在1996-2012年间, 该研究区植被覆盖度增加的区域主要集中在流域中部, 除少数局部地区外, 约58.11%的流域面积植被覆盖度都在增加。其中, 在1996-2008年间除少数边缘地区外大部分区域呈增加的趋势, 植被覆盖度减少区域主要集中在流域最南端、西北端以及渔洞水库库区。经统计计算得到1996-2008年间植被覆盖度减少的区域的面积为253.667km2, 植被覆盖度增加的区域的面积为431.716km2, 植被覆盖度不变的区域的面积为21.342km2。2008-2012年间该研究区植被覆盖度除少数区域增加外其余大部分区域减少, 并且局部地区呈连续的大面积减少状况, 植被覆盖度增加的区域的面积为334.571km2, 植被覆盖度减少的区域的面积为338.179km2, 而植被覆盖度不变的区域的面积为34.976km2。其中植被覆盖度不变的区域大多为水域, 主要在1996-2000年间变化, 水域面积由1996 年的约25.115km2增加为2000年的36.696km2, 增加面积约为流域面积的1.63%, 其他时间段变化不明显。

为了体现该研究区植被覆盖度变化区域的植被覆盖度等级状况, 特将植被恢复期与植被退化期两个重要时期的三期特征数据不同等级的植被覆盖度表现于图4中做对比分析。

1996年时低植被覆盖度区域主要集中于流域中部地区, 在1996-2008年间, 除少数特殊地域, 低植被覆盖度区域主要被中低植被覆盖度以及中植被覆盖度取代, 无植被或少植被区域明显减少, 而流域北部区域变化基本上无明显变化, 高植被覆盖度区域增加显著, 主要分布在流域东部、中偏西部以及东南部地区。在2008-2012年间, 流域西北部地区植被覆盖度等级有明显的下降情况, 而历年来高植被覆盖度集中的东部地区也呈现植被覆盖度等级明显下降的情况, 中部地区由中低植被覆盖度降为低植被覆盖度的区域很明显。

4.5 植被覆盖度变化原因分析

(1) 该研究区在植被恢复期间, 主要是由于气候、降雨等非人为因素的有利影响而使得植被获得生长的有利条件, 使得植被覆盖度增加;除此之外, 在此期间, 自1999年国家实施退耕还林 (草) 的植被建设工程对提高该流域植被覆盖起到积极的作用;另一方面, 由于人们环保意识及综合素质的提高, 对流域植被覆盖的提高也有积极作用。虽然在流域植被恢复期, 整体上看植被覆盖显著提高, 但局部地区也有减少的情况, 导致这种情况的原因是城镇建设, 耕地扩张等原因。

(2) 该研究区在植被退化期间, 主要原因是降雨不足, 其次某些局部地区退化严重, 可能原因是耕地扩张和城镇建设等原因造成的。

5 结语

以渔洞水库流域为例, 综合运用遥感与GIS技术, 利用植被覆盖度对该流域1996-2012 年间植被覆盖度动态变化进行了分析, 主要得到以下认识。

(1) 该区域1996-2012年16 年间, 平均植被覆盖度呈先增加后减少的趋势, 其中1996-2008年间, 平均植被覆盖度从0.306增加到0.376, 增加值为0.07, 平均年增加值为0.51%;2008-2012 年间, 该区域平均植被覆盖度从0.376 减少至0.356, 增加值为0.02, 平均年减少值约0.50%, 年增长率和年减少率基本持平。总体上这16年间平均植被覆盖度增加值为0.05, 仍然呈现增长趋势。

遥感估算 篇5

我国山区约占国土总面积的66.7%, 由于人类活动与气候变化的共同作用, 使得植被减少, 水土流失加剧, 土地荒漠化扩大, 山地灾害频发[1], 导致生态系统的格局、过程与功能发生改变[2]。另外, 植被是生态系统变化的重要指示剂。因此, 在这一背景下, 山区植被状况的监测及其对气候变化的响应是当前迫切需要研究的问题[3]。

净初级生产力NPP (Net Primary Productivity) , 表示植物在单位时间单位面积上由光合作用产生的有机物质总量中扣除自养呼吸后的剩余部分, 是生产者能用于生长、发育和繁殖的能量值, 反映了植物固定和转化光合产物的效率。NPP是判定植被生产能力大小、衡量生态系统碳汇能力高低和调节生态过程的重要指标[4~6]。因此, NPP的状况及其对气候变化响应的研究具有非常重要的意义。

20世纪60 年代以来, 国内外学者开始重视NPP的研究。国际地圈- 生物圈计划 (IGBP) 、全球变化与陆地生态系统 (GCTE) 和京都协定 (Kyoto Protocol) 均把植被的NPP值研究定为核心内容之一。近年来, 随着计算机和遥感技术的发展, 使区域甚至全球范围内的NPP估算成为可能。郑元润等[7], 根据叶面积指数、归一化植被指数建立了NPP遥感模型:NPP= -0.6394-67.064ln (1-NDVI) 。周才平[8]等将陆地生态系统模型 (TerrestrialEcosystem Model, TEM) 与MODIS数据相结合, 模拟了2001年青藏高原植被NPP的空间分布和季节变化特征。 朴世龙和方精云[9]利用1982~1999年的遥感数据, 通过CASA模型模拟了青藏高原NPP的时空变化特征。

通过分析可以看出, 一是现有模型模拟研究需大量的参数, 这些参数获取困难, 有的参数甚至需多年的收集才能保证其精度;二是多数模型采用气象数据作为输入, 气象站数量少, 通常进行空间插值运算后作为模型的参数输入, 会对模型模拟结果带来一定的不确定性;三是现有研究大多是基于整个青藏高原的大区域NPP模拟估算, 所利用的遥感数据的空间分辨率低 (1~10km) , 模拟的是像元尺度 (公里尺度) 的NPP状况, 这对于生物多样性复杂多样, 地形变化较大的区域NPP模拟精度明显不足。

因此, 本文利用LandSat 8 遥感数据 (空间分辨率为30m) , 运用回归分析法, 对尖扎县NPP值进行估算, 以期对生态系统多样性复杂, 地形变化大的县域尺度NPP的模拟估算提供简单易行的技术支持。

2 实验区及其数据

2.1 实验区

尖扎县位于青海省东南部, 黄南藏族自治州北部, 海拔1960~4614 m, 相对高差为2654 m, 年平均温度7.8 ℃, 年日照时数4432h, 年平均降水量350~400mm。县域相对高差大, 气候垂直分布明显, 形成川浅脑不同地域和气候特点的农牧业资源。全县现有耕地6.1万亩, 可利用草场面积189万亩, 森林面积134.11万亩, 境内有著名的坎布拉国家级森林公园。该县自然、人工生态系统丰富, 生态系统复杂多样, 是县域尺度山区NPP模拟估算的理想区域。

2.2 数据来源及预处理

2.2.1 NPP实测数据

2013年8月前往研究区进行实地调查, 总计取样35个 (其中18个用于建模, 17个用于验证) 。每处选取有代表性样地设置1个大样方 (10m × 10m) , 在大样方四角及中心位置各设置1个小样方 (1m × 1m) , 共计5个, 调查每个小样方内的地上生物量及经纬度等信息。鲜草带回后在65 ℃烘箱里烘干48h后测量干重。5个小样方的干重求平均, 按每2.2g干重约等于1g碳换算[10], 得到每个样地的草地NPP, 统一以碳 (gC/m2) 的形式表示。

2.2.2 遥感数据及处理

2013年2 月11 日, NASA成功发射了Landsat 8卫星。LandSat 8上携带了OLI (Operational Land Ima-ger, 陆地成像仪) 。遥感数据从USGS (http://earthex-plorer.usgs.gov/) 网站下载, 获取了2013 年5~10 月LandSat8OLI遥感影像。实验区草地等植被在8月底开始枯黄, 可以认为生态系统净初级生产力NPP 8 月达到全年最大。因此, 本文视该月的NPP在数值上等于全年NPP。为消除或减弱的地形影响, 遥感图像经过辐射地形校正, 从而使同类地物在阳坡和阴坡的地物反射率趋于一致。以最小值去除法进行大气校正。几何纠正, 采用二次多项式进行坐标转换, 用立方卷积法进行灰度重采样, 对坐标转换的精度控制在1 个象元内。NPP实测数据、遥感数据均转换为Albers等积圆锥投影。以上数据处理在ENVI5.1, ARCGIS10.2 软件平台下进行。

3 研究方法

3.1 NDVI计算

植被指数是不同遥感光谱波段间的线性和非线性组合, 可增强植被同其它地物间的差异, 强化植被特征, 从而反映绿色植被生物参数特征。NDVI (Normalized DifferenceVegetation Index) 即归一化植被指数, 标准差异植被指数) , 通常用于检测植被生长状态、植被覆盖度和消除部分辐射误差等, 其表达式为:

ρnir、ρred分别为LandSat8OLI遥感数据中为5波段 (0.845~0.885μm) 、4波段 (0.630~0.680μm) 。

3.2 NPP模型构建

根据文献[7]研究, 借助NDVI可以模拟估算净初级生产力NPP。本文利用归一化植被指数 (NDVI) 的线性、指数、幂运算, 分别与实测NPP进行相关性分析, 构建NPP遥感模型。

上述3种模式中, 对数模型相关系数最高, 指数模型最低。选用相关性最高的对数模型, 构建NPP遥感估算模型。

3.3 模型精度验证

模型模拟结果的精度检验是目前区域NPP模型研究的难点之一。模拟结果检验方法一般有两种:与实测数据对比和与其他模型模拟结果对比。本文采用第一种方法进行模型验证。对数模型模拟NPP结果与野外实测NPP的精度评价如表2所示。

从表2可以看出, 绝大多数相对误差在 ±20% 以内, 说明利用基于NDVI的对数模型能较好地反映研究区NPP状况。

4 实验结果与分析

4.1 NPP空间分布格局

根据建立的NPP遥感估算模型, 在ARCGIS10.2软件平台下, 得到2013年NPP分布如图1所示。

经GIS空间分析, 尖扎县NPP的空间分布格局是北部、东部、南部较低 (0~300C/m2a) 。黄河自西北向东南流经尖扎县东部, 县东部、北部位于黄河谷地南岸, 绝大部分为阴坡, 因此, 尖扎县东部、北部水热组合较差, 植被生长受限, NPP较低。南部为山地, NPP也较低。尖扎县中部, 海拔较低, 发育乔木、灌木、草地等多种植被类型, NPP较高, 特别是处于青藏高原和黄土高原交汇区域的坎布拉国家森林公园, 气候温湿, NPP最高。

4.2 NPP数量分布特征

经空间统计分析, 尖扎县NPP数量分布特征为:NPP为0, 占2.35%;NPP介于0~150gC/m2a之间, 占15.73%;NPP介于300~450 gC/m2a之间, 占27.87%;NPP介于450~600 gC/m2a之间, 占24.51%;NPP介于600~750gC/m2a之间, 占7.04%。由此可见, 尖扎县NPP值介于150~600gC/m2a之间, 占绝大多数, 为74.87%。2.35% 为无数据区, 包括水域与厚云覆盖区域。厚云覆盖区域导致NDVI无法提取, NPP也就无法估算, 本文将厚云覆盖像元的NPP统一作0处理。另外, 薄云覆盖区域, 导致地表植被反射率降低, NPP估算偏低。

5 结语

NPP遥感估算的主要优点是遥感技术可以提供植被和环境不同时间的空间连续数据, 数据具有的宏观性, 同步性, 实时性、经济性等特征。本文以NDVI作为草地NPP估算模型的遥感驱动因子, 并证实该估算模型能够运用于地形起伏较大区域的NPP估算, 其方法简便快捷, 能节约不少人力物力。

我国地形比较复杂, 山区约占66.7%, 广大山区的NPP遥感估算可以借鉴本文提出的简便估算方法。地形起伏对NPP的估算也有很大的影响, 为消除或减弱的地形影响, NPP遥感估算模型时, 对遥感数据进行辐射地形校正, 使同类植被在阳坡和阴坡的反射率趋于一致, 提高NPP估算精度;遥感图像质量受天气影响巨大, 云导致地表植被的反射率失真, NPP估算精度下降, 特别是厚云, 云覆盖像元的反射率不是地表植被等的真实反射率, NPP也就无法估算。因此, 构建NPP遥感驱动模型时要选择无云或云量少的影像, 对于云量少的影像需去云处理, 提高NPP估算精度;同时, 基于NDVI的NPP遥感估算模型, 没有考虑植被, 植被光合作用、呼吸作用以及温度、辐射和水分等因素, 因此, 应该考虑使用光能利用效率模型, 如CASA模型、GLO-PEM (Global production efficiency modeling) 等, 提高NPP估算精度。

摘要：指出了地形起伏对净初级生产力NPP的估算影响重大, 提出了一种山区NPP快速简便的估算方法。以青海省尖扎县为实验区, 利用LandSat8OLI数据获取的NDVI与实测NPP进行了回归分析, 构建了以NDVI为驱动因子的NPP遥感估算模型:NPP=-349.03ln (1-NDVI) -33.336, R2=0.7325。通过检验, 该模型能够运用于地形起伏较大区域的NPP估算, 其方法简便快捷, 能节约不少人力物力。

关键词：山区,NPP模型,NDVI指数,遥感模型

参考文献

[1]冉红梅, 唐治诚.中国山区生态环境现阶段面临的问题及对策[J].水土保持研究, 2004:11 (2) :180~182.

[2]郑度, 姚檀栋.青藏高原隆升与环境效应[M].北京:科学出版社, 2004:1~564.

[3]黄玫, 季劲钧, 彭莉莉.青藏高原1981~2000年植被净初级生产力对气候变化的响应[J].气候与环境研究, 2008, 13 (5) :608~617.

[4]蒋蕊竹, 李秀启, 朱永安.基于MODIS黄河三角洲湿地NPP与NDVI相关性的时空变化特征[J].生态学报, 2011, 31 (22) :6708~6716.

[5]张懿锂, 祁威, 周才平, 等.青藏高原高寒草地净初级生产力 (NPP) 时空分异[J].地理学报, 2013, 68 (9) :1197~1211.

[6]陈福军, 沈彦俊, 李倩, 等.中国陆地生态系统近30年NPP时空变化研究[J].地理科学, 2011, 31 (11) :1409~1414.

[7]郑元润, 周广胜.基于NDVI的中国天然森林植被净第一性生产力模型[J].植物生态学报, 2000, 24 (1) :9~12.

[8]周才平, 欧阳华, 王勤学, 等.青藏高原主要生态系统净初级生产力的估算[J].地理学报, 2004 (59) :74~79.

[9]朴世龙, 方精云.1982~1999年青藏高原植被净第一性生产力及其时空变化[J].自然资源学报, 2002 (17) :373~381.