APP下载

基于遥感技术的甘南牧区草地植被状况多年动态

2015-04-08李亚刚李文龙刘尚儒秦兰兰

草业科学 2015年5期
关键词:甘南盖度植被指数

李亚刚,李文龙,刘尚儒,秦兰兰

(1.草地农业生态系统国家重点实验室 兰州大学草地农业科技学院,甘肃 兰州730020;2.甘肃省水利水电学校,甘肃 兰州730021;3.兰州大学资源环境学院,甘肃 兰州730000)

甘南位于青藏高原东南边缘,是青藏高原、黄土高原这两大高原之间的过渡带,环境特殊,分布有多种类型的自然植被,对气候和环境变化的响应比较敏感,该地区也是甘肃省主要的天然草地分布区和牧业基地,因此对于甘南地区草地变化状况进行动态监测,对于该地生态环境变化和社会经济发展都具有重要的意义。

植被盖度是描述地表植被覆盖状况的重要指标,也是衡量生态系统状态的重要参数,可以用来指示生态系统变化;同时草地作为一种可被人类利用的自然资源,有其数量属性,草地面积是衡量其数量属性的重要指标;草地地上生物量是一个重要的植被状态参数,对其进行估算不仅对草地生态系统的物质与能量循环有着重要的意义,同时也直接影响对地表植被的利用。遥感技术具有快速实时、大面积、经济、非破坏性等特点,已被广泛应用在草地动态研究中,其中植被指数作为监测植被生长的一个重要指标应用最为广泛。近年来,对甘南高寒草地的生态变化和畜牧生产等方面的研究很多,主要集中在植被覆盖度、草畜平衡与草地生产力、生态健康与生态服务等方面,如基于MODIS 遥感数据研究甘南草地覆盖度变化及其驱动因素,分析甘南草地的生态服务功能、生态承载力、生态风险评价及决策[1-9];估算甘南草地的产草量,同时利用载畜量数据,对甘南草地的草畜平衡及其调控进行研究[2,10-17];通 过 对T M 遥 感 影 像 的 解 译 研 究 了 玛 曲县的草地沙化情况[18];基于GIS技术和草地综合顺序分类法,研究甘南草地类型并绘制甘南草地类型图;在分析甘南地区不同类型草地的生产和生态服务功能的基础上,提出了按不同功能区分类经营的策略[19-20]。对甘南草地状况的研究已经有很多,内容也很丰富,但是很多研究在草地遥感监测指标的选取上都比较单一,主要选用归一化植被指数(Nor malized Difference Vegetation Index,NDVI)和增强型植被指数(Enhanced Vegetation Index,EVI),然 而,对于垂直植被指数(Perpendicular Vegetation Index,PVI)在甘南草地遥感监测中是否适用以及效果如何还未见报道。

针对以上问题,本研究的目标主要包括以下两个方面:1)使用PVI,并与NDVI比较,探讨其在甘南草地遥感监测中的适用性及其精度,2)以草地盖度、面积和地上生物量为主要监测指标,对近12年间的甘南草地生长状况做全面连续的遥感监测研究,从草地的生态和资源属性两方面说明甘南草地的变化状况,以期为甘南牧区生态保护和畜牧业生产提供科学依据。

1 研究数据与方法

1.1 研究区概况

甘南藏族自治州地处青藏高原东北边缘,位于甘肃省西南部(图1),地理坐标范围为100°46-104°44′E,33°06-36°10′N,包括临潭、卓尼、迭部、舟曲、夏河、玛曲、碌曲以及合作共7县1市,全州总土地面积383.12万h m2,是甘肃省重要的畜牧业生产基地,也是全国主要的少数民族聚居地之一。境内平均海拔3 369 m,地形复杂,地势西高东低,以山地和高原为主。年均降水量400~800 mm,多年年均温在1~3 ℃,高寒阴湿,为典型的高原大陆性气候。境内草地类型有高寒灌丛草甸、高寒草甸、温性草甸草原、低平地草甸、暖性草丛和沼泽等。是黄河上游重要的水源补给区,具有水源涵养、水土保持、维持生物多样性等重要功能,在维护黄河流域水资源和生态安全方面具有不可替代的作用[1-5]。

图1 研究区及采样点示意图Fig.1 Research location and field sampling sites

1.2 数据介绍

本研究所用数据包括:地面实测数据、遥感影像资料、甘南州基础地理信息图件资料。地面实测数据来自2007-2012年每年7-8月期间甘南天然草地的野外调查,调查样地设置在植被群落均匀一致的典型地段,每个样地设置3个样方,采用常规调查方法测定草地盖度、草层平均高度、地上部分生物量、群落组成等,用高精度手持GPS设备记录样方的经纬度和海拔信息,共获得了680个样点的实测数据。遥感影像资料使用的是由美国航天航空局(National Aeronautics and Space Ad ministration,NASA)提供的 MODIS 地表反射率产品(MOD09 Q1)和土地利用/覆盖产品(MCD12 Q1),MOD09 Q1产品包含红光和近红外波段的空间分辨率为250 m 的8 d合成3级数据产品,投影为正弦曲线投影,每一个MOD09 Q1象元包含了8 d之内最有可能的L2G 观测数值,尽量考虑高观测覆盖、低视角、无云及云的阴影以及气溶胶浓度的影响,并对大气、气溶胶及薄卷云的影响进行了校正;MCD12Q1产品提供了逐年IGBP(International Geosphere-Biosphere Program)土地利用/覆盖数据,空间分辨率为500 m,根据一年的Terra和Aqua的观测数据,描述土地覆盖的类型。采用5种不同的土地覆盖分类方案,信息提取主要技术是监督决策树分类,其中的IGBP 的全球植被分类方案包含了17个主要土地覆盖类型,其中包括11个自然植被类型,3个土地开发和镶嵌的地类和3个非草木土地类型定义类。本研究使用了覆盖研究区全境的行列号为h26v05的数字影像,数据格式为EOS-HDF,时间序列为2001-2012年。甘南州基础地理信息图件主要有甘南藏族自治州行政区划图、甘南藏族自治州草地类型图等数据集,数据来源于国家基础地理信息中心网站(http://ngcc.sbsm.gov.cn)。

1.3 研究方法

1.3.1 草地范围的提取 基于MCD12 Q1数据集中的IGBP土地覆盖分类数据,本研究将IGBP 划分的甘南州土地覆盖被合并为草地、林地、耕地、其他4种类型,将非草地部分去除后只对土地覆盖中的草地部分分析研究。在计算草地面积时,只统计土地覆盖类型中的草地部分即可得到草地面积。合并方法如表1所示。

表1 MCD12Q1类型归并方法Table 1 Conflation of land cover types

1.3.2 植被指数的计算 本研究中主要用到了NDVI和PVI。

NDVI植被指数的建立是基于植被在红光和近红外波段具有较大反射率反差的光谱特征这一理论。随着植被生长,在红光波段反射的能量降低,同时在近红外波段的能量增加,因此常采用红光和近红外波段这两个或两个以上通道的反射数据组合来建立植被指数。被定义为近红外波段与可见光红波段反射率数值之差与这两个波段反射率之和的比值,NDVI值的范围在-1到1之间。在MODIS数据中的计算公式[3]为:

式中,CH 2为近红外波段的反射率,CH1为可见光红光波段的反射率。

NDVI在植被遥感方面得到了广泛的应用,但也有许多研究表明,NDVI容易受到土壤背景和高覆盖度植被区域饱和的影响,其应用会受到一定的限制[21]。为了减弱土壤背景的影响,Richar dson和Weigand[22]基于土壤线的概念提出了PVI,将其定义为地物在可见光红光波段和近红外波段的反射率值组成的点对(R,NIR)到土壤线的几何距离,PVI自提出后在国内外得到了广泛地应用,主要用于反演地表植被状况(植被盖度、产草量、叶面积指数等),研究表明,PVI能够较好地消除观测场大部分的土壤背景影响[23]。因为PVI是基于点对(R,NIR)与土壤线的距离定义的,因此对于PVI的计算来说,第一步就是求出土壤线的参数。

土壤线也叫土壤亮度线,由Kaut h 和Tho mas[24]在研究土壤的光谱特征时提出,指在以可见光红光波段反射率值或DN(Digital Nu mber)值为横轴,以土壤近红外波段反射率值或DN 值为纵轴组成的二维坐标系中,土壤光谱数据基本上沿着一条直线分布,呈现一种线性关系[25]:

式中,R 为红光波段反射率,NIR 为近红外波段反射率,a、b分别为土壤线的斜率和截距(图2)。

对于土壤线的提取,传统方法是基于地面实测的土壤光谱数据或者遥感影像纯净土壤像元通过线性拟合得到,大多时候传统方法获取数据会有较大困难,所以后来发展出了多种从遥感影像的近红外波段和可见光红光波段的反射率值或DN 值组成的散点图中自动提取土壤线的算法,这些算法得到的土壤线参数跟传统方法得到的几乎一致[26]。本研究中采用徐丹丹等[26]改进后的自动提取算法获得土壤线参数。

1.3.3 基于像元二分模型的植被覆盖度遥感估算方法 像元二分模型假设像元只由植被和非植被两部分构成,一个像元的光谱信息只由这两组分因子线性合成,它们各自在像元中所占的面积比率即为各因子的权重,其中植被覆盖部分占像元的百分比即为该像元的植被覆盖度[27]。其数学表达式为:

式中,S 为像元信息,Ssoil为土壤部分的光谱信息,Sveg为植被部分的光谱信息,Fc为植被覆盖度。像元二分模型以遥感信息为基础,但该模型并没有规定使用何种遥感信息,只要所采用的遥感信息与植被覆盖度具有较好的线性关系就符合该模型要求,因此NDVI、PVI[28]均符合该模型的要求,得到如下表达式:

由此可得到植被覆盖度的计算公式为:

从以上两式可以看出,要得到植被覆盖度Fc,NDVIveg、NDVIsoil、PVIveg、PVIsoil的 确 定 是 关 键。根据朱晓丽等[7]、Gut man和Ignatov[29]、Zeng等[30]的论证,NDVIveg、NDVIsoil分别取NDVI概率表中由小到大分布最接近0.5%和99.5%位置处的NDVI值,PVIsoil、PVIveg的取值方法参考NDVIveg、NDVIsoil的方法。

1.3.4 草地地上生物量遥感监测模型 利用草地采样样方数据,结合同时相的MODIS NDVI 和PVI数据,构建了甘南草地鲜重与两种植被指数之间的线性、对数、二次多项式、幂、生长曲线模型、指数函数模型,构建模型的过程中选取一半的样方数据用来构建模型,其余一半样方数据用于模型的精度评价。使用如下误差统计公式对模型的精度进行评价[9],选取误差最小的模型作为最终的草地生物量估算模型。

式中,LS为实测值,LF为反演值。

2 结果与分析

2.1 土壤线自动提取结果

本研究从选用的全部160余幅遥感影像中随机采集样点,得到了8 000个由可见光红光波段和近红外波段DN(Digital Nu mber)值组成的随机点对(R,NIR),最终得到土壤线结果如图2所示。

图2 2000-2012年甘南MODIS影像自动提取土壤线Fig.2 Automated soil line of MODIS i mages in Gannan(2000-2012)

2.2 基于像元二分法的盖度估算结果精度评价

在本研究中,为选择估算植被盖度最合适的植被指数,使用341 个实测样点盖度值对NDVI和PVI两种植被指数估算结果的精度做了验证。结果表明,NDVI的估算误差范围为0.04%~31.29%,PVI的误差范围为0.40~67.83%,NDVI的误差分布范围小于PVI;NDVI估测盖度的平均误差为11.857 8%,PVI 估 测 盖 度 的 平 均 误 差 为30.841 6%;NDVI和PVI估算结果都较实测值偏小,NDVI总体低9.36%,PVI总体低30.61%。在不同盖度范围内的平均误差如表2所示,由此可以看出,NDVI对植被盖度的估算达到了很高的精度,且明显优于PVI,因此,本研究最终确定选用NDVI估算草地植被覆盖度。

表2 NDVI和PVI盖度估算误差Table 2 The distribution of esti mation err or of coverage by NDVI and PVI %

2.3 草地植被盖度的动态变化

对甘南州2001-2012年间的植被盖度做了估算,并对其做了分级,分级标准参考国家《土地利用现状调查技术规程》和《草场资源调查技术规程》,将其划分为五级:一级高植被覆盖度(Fc≥70%)、二级较高植被覆盖度(50%≤Fc≤70%)、三级中等植被覆盖度(30%≤Fc≤50%)、四级较低植被覆盖度(10%≤Fc≤30%)、五级低植被覆盖度(Fc<10%)。

对比分析12年间草地植被覆盖度动态变化特征(图3),可以看出,每年植被覆盖度总体都在70%以上,2010年植被覆盖度达到最大值(76.63%),其次为2005、2012、2011 年,在75%~76%;2009、2007、2006、2004年植被覆盖度在74%~75%;2008、2003、2001、2002年在73%~74%,2002年植被覆盖度最小(73.21%)。12年间平均植被覆盖度为74.65%,最大与最小植被覆盖相差3.42个百分点,变异系数CV 为1.25%,年度变化幅度非常小。

图3 2001-2012年甘南草地植被盖度Fig.3 Vegetation cover age of grassland in Gannan(2001-2012)

图4 2001-2012甘南草地植被盖度分级所占比例Fig.4 Proportion of grassland with different coverage grades

从植被覆盖度的分级结果(图4)可以看出,一级覆盖度的草地所占比例最大,每年均在64%以上,其次是二级覆盖度草地,所占比例在20%左右,且一、二级覆盖度草地之和每年均大于90%,三、四、五级覆盖度草地所占比例之和低于10%,以三级覆盖度草地较多,四、五级覆盖度草地次之。分析各级覆盖度草地历年所占比例的变化情况发现,三、四、五级覆盖度草地每年所占比例基本保持平稳,其中以五级覆盖度草地所占比例年变化最小;一级和二级覆盖度草地所占比例变化较大,且变化趋势相反。

2.4 草地面积动态变化

对MCD12 Q1数据集中的IGBP地表覆盖的统计结果(表3、图5)表明,12 年内平均草地面积为327.27万h m2,占甘南总面积的85.47%。2001-2004年一直增加,2004 年达到最大,为338.18 万h m2;2004-2010年草地面积一直减少,2010 年降至最小,为317.53万h m2;随后草地面积又开始缓慢增加,草地面积的年际变异系数为2.10%,说明在12年内草地面积的总体变化较小。平均林地面积占甘南土地总面积的13.28%,具有与草地面积相反的变化趋势;平均耕地面积占甘南土地总面积的1.15%,呈现无规律的波动变化,其他非植被类型的面积在12年基本没有变化,占甘南土地总面积的0.11%左右,对甘南草地面积的变化无实质性影响。

表3 2001-2012年不同地表覆盖类型面积Table 3 Land area of different cover types(2001-2012)

图5 2001-2012年不同地表覆盖类型比例Fig.5 Propotion of different land cover types(2001-2012)

2.5 草地地上生物量遥感监测模型

对于所构建的草地地上生物量遥感监测模型的分析,结果表明(表4),指数函数对生物量与植被指数间相关关系的模拟要较其他函数表现更好,PVI与地上生物量鲜重的相关性大于NDVI与地上生物量鲜重的相关性,相关系数分别为0.691和0.560。

从表4的结果可以看出,PVI与地上生物量鲜重的指数模型即为草地地上生物量最优模型:

式中,Y 为地上生物量鲜重(kg·h m-2),X 为PVI值。

对该模型的结果用式(8)进行分析,使用341个样点的实测数据进行精度验证,结果表明,该模型的平均估产精度为70.48%,总体高估6.60%。估算误差在PVI的值域范围内均匀分布,误差的大小随PVI的变化不明显(图6)。本研究还对生物量鲜重与干重的关系做了分析,发现两者之间存在显著的线性关系(P<0.01)(图7),因此最终对地上生物量的度量用式(12)换算为风干重表示,以更准确地反映草地的生产力水平。

式中,Y 为生物量干重,X 为生物量鲜重,单位为kg·h m-2。

表4 植被指数与地上生物量鲜重回归模型Table 4 Regression models bet ween vegetation indexs and fresh aboveground biomass in Gannan

图6 模型误差在PVI上的分布图Fig.6 Model err or distribution with PVI

图7 地上生物量鲜重与干重关系Fig.7 The relationship bet ween dry aboveground biomass and fresh abovegr ound biomass

2.6 地上生物量年动态变化

对比分析12年间草地地上生物量总量的变化特征(表5),可以看出,2002年甘南州年草地总干重产量达5.160×109kg,为12年中的最大值;其次为2005、2007、2012、2006年,分别为干重5.085×109、5.018×109、4.923×109、4.922×109kg;最低为2009年,全年地上生物量产量为干重4.449×109kg。年总干重产量12年间的平均值为4.805×109kg。产量最高年份比产量最低年份的年总产量高15.98%,变异系数为4.92%,差异较大。

3 讨论

3.1 草地覆盖度、面积、地上生物量估算

本研究对甘南牧区的草地覆盖度、面积、地上生物量的变化做了长时间的监测,选取两种植被指数(PVI和NDVI)反演植被的变化情况,首次在甘南地区草地植被遥感监测研究中引入PVI,并对其在甘南草地植被监测中的适用性及其精度做了探讨,结果发现,与NDVI相比,PVI在反演甘南地区草地地上生物量时表现更好,而在以像元二分模型估算草地植被覆盖度时NDVI更准确一些。在地上生物量的模拟中,NDVI和PVI的模拟结果都较实测值偏高,但PVI的总体精度要高于NDVI。该结果有可能是因为:野外实测样方时所选取的区域大多是植被生长旺盛的区域,在采样时虽力求样地的植被生长分布均匀,实际采样时很难保证在与遥感影像空间分辨率一致范围内植被生长状况的均匀一致,实际选取的样地大多位于影像像元内植被生长较好的区域,由此导致在用实测数据建立模型计算生物量时发生高估的情况。草地面积计算采用的是MODIS的MCD12 Q1土地利用/覆盖产品,根据夏文韬等[11]的研究,MCD12 Q1产品在甘南地区的草地分类制图精度为81.46%,用户精度为60%,其主要误差来源是将林地误判为草地。然而甘南地区林地面积所占比重不大,且大部分林地和灌丛林地是可以作为放牧地使用的,所以MCD12 Q1产品将部分林地划分为草地,对畜牧生产过程的影响是比较小的,使用MCD12 Q1产品统计甘南草地面积是可行的。由于均质性较差的低覆盖度草地受土壤背景和其他地物光谱噪声的影响,以及高覆盖度草地NDVI的饱和现象的影响[31-32],在使用基于NDVI的像元二分模型估算这两类草地盖度时,会导致误差偏大的现象。

3.2 与以往估算结果的比较

将本研究的结果与前人的研究结果做了比较,1)对于草地覆盖度的计算,本研究计算得到的2001-2012年甘南州的草地平均盖度为74.65%,马琳雅等[32]对甘南州2001-2011年的草地盖度计算的平均值为77.57%,两者结果基本一致,相差仅2.92个百分点。2)对草地地上生物量的计算,本研究得到的2001-2012年甘南州草地地上总鲜重平均值为1.521 2×1010kg,梁天刚等[9]对2001-2008年甘南草地地上生物量估算结果的平均值为1.093 1×1010kg,两者结果相差较大,可能一方面由于数据来源及选用的植被指数不同造成的,如本研究中生物量模拟选用的是250 m 空间分辨率的MOD09Q1产品计算得到的PVI指数,野外实测数据采集主要集中在2007-2012年,而梁天刚等[9]选用的是500 m 空间分辨率的MOD09 GA 产品计算得到的EVI指数,其外业调查数据的获取主要集中在2006-2008年;另一方面可能是对于草地范围的定义不同造成的,本研究草地范围的确定使用了MCD12 Q1土地利用/覆盖数据,而梁天刚等[9]使用了全国草地资源调查数据确定草地的范围,可能会导致在计算地上生物量时出现较大的差异。

4 结论

本研究比较分析了NDVI和PVI在草地监测中的适用性,并且对甘南草地植被状况动态变化做了长期监测,结果表明:1)MODIS 垂直植被指数PVI的指数函数能够很好地模拟甘南牧区草地地上生物量,该模型的平均估产精度为70.48%,估算误差在PVI的值域范围内均匀分布,随PVI的变化不明显,可以较好地模拟整个生长季内的草地地上生物量变化动态。使用NDVI的像元二分模型能够很好地计算甘南牧区草地盖度,其平均误差只有11.86%。2)12年间甘南草地盖度均在70%以上,2010年草地覆盖度达到最大值(76.63%),2002年草地覆盖度最小(73.21%),且年际变化很小,盖度等级以一、二级草地为主,从草地盖度方面来评价甘南12年内草地总体状况优良。3)12年间甘南草地平均面积为327.27万h m2,草地面积最大为2004年的338.18 万h m2,最小为2010年的317.53 万h m2,12间草地面积变化很小。4)12年间平均地上年总干重为4.805×109kg,2002 年达到最大值5.160×109kg,2009年达到最小值4.449×109kg,相差15.98%,差异较大。按生物量分级结果来看,中等草地所占比例最大,从地上生物量方面评价甘南12年内的草地总体状况中等。5)结合遥感数据及方法,综合进行草地盖度、面积、生物量等的多年动态研究可以为大尺度草地的牧草管理和草地环境保护提供有效的数据支持和方法参考。

[1] 徐丹丹.甘南天然草地生态风险评价和预测[D].兰州:兰州大学硕士论文,2011.

[2] 薛中正.基于生态系统健康的甘南地区生态承载力评价及预警研究[D].兰州:兰州大学硕士论文,2011.

[3] 符淙斌,温刚,周嗣松,吕杰.我国大陆植被变化的气象卫星遥感[J].科学通报,1992(16):1486-1488.

[4] 王浩.基于遥感技术的高寒草地植被盖度动态变化与碳储量估测[D].兰州:兰州大学硕士论文,2012.

[5] 李文龙,薛中正,郭述茂,徐丹丹,范成勇,张晶.基于3S技术的玛曲县草地植被覆盖度变化及其驱动力[J].兰州大学学报:自然科学版,2010,46(1):85-90.

[6] 邹德富,冯琦胜,王莺,夏文韬,梁天刚.基于GIS的甘南地区草原综合顺序分类研究[J].草业科学,2011,28(1):31-36.

[7] 朱晓丽,李文龙,薛中正,许静,王浩.基于3S技术的甘南州生态健康与生态承载力耦合[J].草业科学,2011,28(6):65-71.

[8] 李文龙,苏敏,李自珍.甘南高寒草地放牧系统生态风险的AHP决策分析及管理对策[J].草业学报,2010,19(3):24-30.

[9] 梁天刚,崔霞,冯琦胜,王莺,夏文韬.2001-2008年甘南牧区草地地上生物量与载畜量遥感动态监测[J].草业学报,2009,18(6):12-22.

[10] 邹德富,冯琦胜,梁天刚.甘南地区植被类型及其NPP研究[J].遥感技术与应用,2011,26(5):577-583.

[11] 夏文韬,王莺,冯琦胜,梁天刚.甘南地区MODIS土地覆盖产品精度评价[J].草业科学,2010,27(9):15-22.

[12] 于惠,冯琦胜,陈思宇,韩兰英,黄晓东,梁天刚.基于微波植被指数的甘南草地生物量动态监测[J].兰州大学学报:自然科学版,2011,47(4):69-74.

[13] 王莺,夏文韬,梁天刚,王超.基于MODIS植被指数的甘南草地净初级生产力时空变化研究[J].草业学报,2010,19(1):201-210.

[14] 张旭,冯琦胜,于惠,王玮,梁天刚.甘南牧区草畜供求动态变化与调控——以阿孜畜牧试验场为例[J].草业科学,2011,28(4):126-133.

[15] 王莺,夏文韬,梁天刚.基于CASA 模型的甘南地区草地净初级生产力时空动态遥感模拟[J].草业学报,2011,20(4):319-327.

[16] 刘兴元,冯琦胜,梁天刚,龙瑞军.甘南牧区草地生产力与载畜量时空动态平衡研究[J].中国草地学报,2010(1):101-108.

[17] 王莺,夏文韬,梁天刚,王超.基于MODIS植被指数的甘南草地生物量[J].兰州大学学报:自然科学版,2009,45(5):73-78,87.

[18] 袁宏波,王辉,李晓兵,陈智平.玛曲县天然草地沙化动态及现状分析[J].甘肃农业大学学报,2006(1):73-78.

[19] 郭正刚,高新华,刘兴元,梁天刚.甘南草地类型的生态经济价值与功能及其分类经营[J].山地学报,2004(6):17-22.

[20] 梁天刚,冯琦胜,夏文韬,崔霞.甘南牧区草畜平衡优化方案与管理决策[J].生态学报,2011,31(4):219-231.

[21] 方金,黄晓东,王玮,于惠,马琳雅,梁天刚.青藏高原草地生物量遥感动态监测[J].草业科学,2011,28(7):1345-1351.

[22] Richardson A J,Weigand C L.Distinguishing vegetation from soil background infor mation[J].Photogrammetric Engineering and Remote Sensing,1977,43(12):1541-1552.

[23] 秦其明,游林,赵越,赵少华,姚云军.基于二维光谱特征空间的土壤线自动提取算法[J].农业工程学报,2012,28(3):167-171.

[24] Kauth R J,Tho mas G S.The tasselled cap——A graphic description of the spectral-temporal develop ment of agricultural crops as seen by Landsat[A].LARS Sy mposia[C].West Lafayette,IN,USA:Purdue University,1976:159.

[25] 李开丽,倪绍祥,扶卿华.垂直植被指数及其解算方法[J].农机化研究,2005(02):84-86.

[26] 徐丹丹,李文龙,王迅,薛中正.垂直植被指数的计算和精度分析[J].兰州大学学报:自然科学版,2010,46(5):102-106.

[27] 梁顺林.定量遥感:理念与算法[M].北京:科学出版社,2013.392-395.

[28] 张玉书,班显秀,陈鹏狮,冯锐,纪瑞鹏,肖艳.应用NOAA/AVHRR 资料监测松毛虫危害研究初探[J].应用生态学报,2005,16(5):870-874.

[29] Gut man G,Ignatov A.The derivation of the green vegetation fraction from NOAA/AVHRR data for use in numerical weather prediction models[J].Inter national Jour nal of Remote Sensing,1998,19(8):1533-1543.

[30] Zeng X,Dickinson R E,Walker A,Shaikh M,DeFries R S,Qi J.Derivation and evaluation of global 1-k m fractional vegetation cover data for land modeling[J].Journal of Applied Meteorology,2000,39(6):826-839.

[31] 杨嘉,郭铌,黄蕾诺,贾建华.西北地区MODIS-NDVI指数饱和问题分析[J].高原气象,2008(4):896-903.

[32] 马琳雅,崔霞,冯琦胜,梁天刚.2001-2011年甘南草地植被覆盖度动态变化分析[J].草业学报,2014,23(4):1-9.

猜你喜欢

甘南盖度植被指数
甘南走读
甘南九章
甘南记
《去甘南》
黄山市近30 a植被盖度时空变化遥感分析
黄土高原地区植被盖度对产流产沙的影响
基于植被指数选择算法和决策树的生态系统识别
AMSR_2微波植被指数在黄河流域的适用性对比与分析
河南省冬小麦产量遥感监测精度比较研究
太白山太白茶资源状况研究