王梦佳,孙睿*,刘喆，4,辛晓平,刘刚,张蕾,乔晨



基于遥感数据的呼伦贝尔草原放牧强度研究

王梦佳1，2，3,孙睿1，2，3*,刘喆1，2，3，4,辛晓平5*,刘刚1，2，3,张蕾1，2，3,乔晨1，2，3

(1.遥感科学国家重点实验室，北京 100875；2.北京师范大学地理科学学部遥感科学与工程研究院，北京 100875；3.环境遥感与数字城市北京市重点实验室，北京 100875；4.西北师范大学地理与环境科学学院，甘肃 兰州 730070；5.呼伦贝尔草原生态系统国家野外科学观测研究站，中国农业科学院资源区划所，北京 100081)

呼伦贝尔草甸草原是我国主要的畜牧业基地，放牧强度直接影响着该草原生态系统的稳定和可持续发展。本文首先建立了研究区草地地上生物量的遥感估算经验模型，然后结合净初级生产力(NPP)，研究了草地放牧强度估算方法；基于该方法，利用2014年6月到7月多期Landsat遥感数据计算谢尔塔拉牧场草地地上生物量变化和放牧强度。研究结果表明：所使用方法可较好用于放牧强度的估算，估算结果与实际情况基本吻合，决定系数R2达0.7996；谢尔塔拉牧场的公共放牧区放牧强度范围为1～2.5 Au/hm2，属于过度放牧状态，重度放牧区多位于小型湖泊周围和草地面积较少但牛相对较多的生产队，轻度放牧区多位于围封地；将尺度扩展到海拉尔区分析：所使用方法能够准确地将轻度、中度和重度放牧区分开，且海拉尔区东北方向的放牧强度明显高于西南地区。

遥感数据；呼伦贝尔草原；生物量；净初级生产力；放牧强度

草原生态系统是全球分布最广、最重要的陆地生态系统类型之一，在物质和能量循环过程中起着不可忽视的作用。呼伦贝尔草甸草原是我国主要的畜牧业养殖基地，草原总面积为997.3万hm2，养牛业一直是该地区的主体产业。因此放牧强度与草地生长量的关系直接影响着该草原生态系统的稳定和可持续发展。但是近些年，由于人类活动和过度放牧的强烈干扰，草原退化日渐加剧[1]。牲畜对牧草的啃食结果直接表现在草地地上生物量和草原生产力的变化，不同的放牧强度会使草地生物量表现出不同的特征。禁牧或轻度放牧易造成资源浪费，不利于畜牧业和当地经济的发展；而过度放牧又会引起草地退化，不利于可持续发展。故保持合理放牧对草原资源的利用尤为重要，这就对大面积监测草原放牧情况提出要求。

有关放牧强度的研究主要集中于不同放牧强度对草原植被群落特征和草地生产力多样性的影响[2-6]。遥感数据由于观测范围大、重复性好，也被用于放牧强度的估算，但比较少，如刘岩[7]利用前后两期的LAI比值计算放牧强度等级，该方法在一定程度上解释了锡林格勒草场放牧强度的分布。刘爱军等[8]研究发现在牧草生长季节，天然草原各旬度的利用强度与植被指数旬度变动系数呈反比，并在此基础上计算了锡林郭勒盟草原不同时期不同区域的放牧等级。以上研究都仅仅局限于定性判定草原的放牧强度。谢芮等[9]利用MODIS数据建立了NDVI 差值与放牧强度之间的回归分析模型，并定量估算了内蒙古地区各草地类型的放牧强度，模型假设研究区牧草长势相同，这种假设适合长势均一的草原，但对于生长状况差异较显著的草地，利用该方法计算放牧强度容易产生较大误差。

本文以呼伦贝尔市谢尔塔拉牧场作为试验区，通过考虑牧草的不同长势，结合净初级生产力(net primary productivity，简称NPP)遥感产品，建立放牧强度估算方法，进而获取研究区放牧强度分布图，为促进草地畜牧业可持续发展提供科学依据。

1 材料与方法

1.1 研究区概况

研究区位于呼伦贝尔草甸草原生态系统野外观测试验站(HGERS，简称呼伦贝尔站)及周边，该试验站位于呼伦贝尔市海拉尔区谢尔塔拉牧场，在呼伦贝尔市中心的东北方向。研究区地理纬度为N 49°00′-49°30′，经度为E 119°20′-120°20′，海拔为600～700 m，属温带半干旱大陆性气候。年降水量为350～400 mm，降水多集中在7-9月，该地区2014年属于雨水充足的年份，年平均气温为-5～-2 ℃，最高、最低气温分别为36和-48 ℃；研究区土壤主要以栗钙土和黑钙土为主，草地类型为羊草(Leymuschinensis)和杂类草草甸草原，主要物种有贝加尔针茅草(Stipabaicalensis)、羊草、唐松草(Thalictrumaquilegifolium)、麻花头(Serratulacentauroides)、冷蒿(Artemisiafrigida)、斜茎黄芪(Astragalusadsurgens)、百合(Liliaceae)、冰草(Agropyroncristatum)、蒙古葱(Alliummongolicum)等[1]。

1.2 实验设计

生物量的地面采集试验过程中，首先对研究区进行分块，选取若干样地，样地需尽可能分布均匀并且覆盖不同植被生长状况的草地，最终选取47个样地(图1)；然后在每块样地中用直径为0.72 m的呼啦圈圈草，呼啦圈内的草需全部齐地割取测量地上生物量，然后装袋、烘干、称重，测量生物量干重。每个样地分别选择3个样方测量生物量干重，最后取平均值表示该样点的地上生物量干重。地上生物量干重获取时间为2014年7月1日-2014年7月4日。

图1 地上生物量采样点分布Fig.1 Spatial distribution of sampling sites for aboveground biomass

实际放牧强度数据采集包括两种方式，第一种是走访谢尔塔拉牧场总部获取相关统计数据，另一种是深入研究区观察和计算实际放牧情况。方案一，获取2014年各生产队公共放牧区的面积和牛羊的数量，然后计算各队公共放牧区的实际放牧强度(表1)。其中以500 kg的肉牛为一个牲畜单位，根据农业行业标准《NY/T 635-2015 天然草地合理载畜量的计算》羊的日食牧草量按牛的1/7计算。方案二，主要收集围封区、湿地周边、当地禁忌区的位置信息和放牧情况。

1.3 数据来源与处理

为尽可能地与地面实测生物量和放牧试验同步，本实验选取遥感数据如表2。

由于2014年7月2日影像中有云层干扰，为获取质量较高的影像，本实验对该期影像进行去云处理[10-14]，然后对3幅影像进行几何校正、辐射定标和大气校正等预处理操作。ETM+影像中的条带并未覆盖研究区，该影像经过预处理后可直接使用。本实验利用GLASS数据[15-17]生成的1 km空间分辨率的NPP产品计算研究期间草原生长量。

2 结果与分析

2.1 构建地上生物量估算模型

表1 谢尔塔拉牧场放牧情况Table 1 The grazing information of Xeltala pasture

表2 研究所用遥感数据Table 2 The remote sensing data used in the study

草地地上生物量的估算已有大量的研究，包括辐射传输模型、植被指数法、综合法和高光谱方法[18-23]。植被指数法模型简单，在遥感影像光谱和空间分辨率较高情况下能够宏观连续监测生物量的动态变化，并且该方法需要输入的数据较少[24]。本实验采用植被指数估算生物量，选用的植被指数有比值植被指数(ratio vegetation index,简称RVI)，归一化植被指数(normalized difference vegetation index,简称NDVI)，增强植被指数(enhanced vegetation index,简称EVI)，计算公式分别如下：

(1)

(2)

(3)

其中，ρnir、ρred和ρblue分别表示Landsat影像中近红外、红光和蓝光波段的反射率。

利用2014年7月2日的植被指数与地面实测地上生物量建立模型，选择的拟合模型包括线性模型、指数模型、对数模型和幂指数模型。地上生物量的采样点共有47个，本实验选用30个点建模，17个点验证。利用3种植被指数建立的回归模型结果如表3。

表3 植被指数与地上生物量回归模型结果Table 3 The results of vegetation index and aboveground biomass regression model

以上结果均满足P<0.01的显著性检验，其中NDVI的幂指数模型决定系数最高，误差较小，故本实验选用该模型估算生物量，模型验证结果如图2所示，决定系数R2达到0.4213。同时将该模型应用到2014年6月16日和2014年7月26日两期遥感影像中，共得到3期草地地上生物量分布图(图3)。

图2 模型验证结果Fig.2 The result of model validation

从估算生物量分布图中可以看出，3期地上生物量逐渐增加，2014年6月16日生物量多分布在40～80 g C/m2，2014年7月2日生物量多分布在40～90 g C/m2，2014年7月26日生物量多分布在60～100 g C/m2，符合呼伦贝尔草原牧草生长的规律。并且，2014年6月16日草地生物量空间差异较明显，而2014年7月26日草原生物量空间分布较均一。但由于放牧对牧草的影响，存在部分像元后期生物量较前期生物量小的情况。

图3 三期地上生物量估算结果Fig.3 The estimated aboveground biomass of 3 periodsa：2014年6月16日，b：2014年7月2日，c：2014年7月26日。a.June 16,2014;b.July 2,2014;c.July 26,2014.

2.2 降尺度估算牧草生长量

图4 2014年6月16日与2014年7月26日两期NDVI均值与NPP的关系Fig.4 The relationship between the mean NDVI and NPP from June 16 to July 26 in 2014

一定时间段内牧草的生长量是牧草净初级生产力的积累减去枯死和脱落损失的生物量[24]，故草地生物量的生长可由NPP计算得到。本研究使用由GLASS数据产品估算的1 km空间分辨率NPP数据计算草地生长。前人研究结果表明在一定范围内，NPP与NDVI之间存在一定线性关系[25-26]，故利用NDVI数据与NPP建立回归关系。具体过程如下：(1)计算6月16日和7月26日两期NDVI的平均值；(2)将上一步得到的30 m空间分辨率的NDVI均值数据聚合到1 km；(3)计算6月16日到7月26日期间40 d的累加NPP；(4)建立NPP与聚合后NDVI的关系如图4。经过线性拟合，可得模型。

NPP=252.757×NDVI-0.573

(5)

然后根据公式(5)计算出研究区6月16到7月26日期间40 d的30 m空间分辨率的牧草生长量。

2.3 估算呼伦贝尔草原放牧强度

一段时间，草地地上生物量的变化是牧草的生长和牲畜啃食共同作用的结果，有如下关系。

Cb=NPPab-GI×g×d

(6)

其中：Cb表示d天地上生物量的实际增长量，NPPab表示d天牧草地上净初级生产力，g表示单位牲畜一天的食草量，d表示天数。

2.2节计算的NPP数据为地上地下总生产力，需要估算地上生产力。根据White等[27]对全球草原生产力的分析和公婷婷等[28]在呼伦贝尔草原的研究，结合呼伦贝尔草原温带半干旱的气候特点，本研究按地上与地下生产力为1∶1的关系计算地上生产力。单位牲畜每天的啃食量取17 kg干草，由农业行业标准《NY/T 635-2015 天然草地合理载畜量的计算》和当地牧民经验得到。然后根据公式(6)计算出研究站周边区域的放牧强度，空间分布如图5。

图5 放牧强度分布图Fig.5 The distribution map of grazing intensitya：谢尔塔拉镇，b：海拉尔区，EP:围封地，UG:轻度放牧区，TOX:谢尔塔拉镇，HR:海拉尔河，L：湖泊，G1:1队，G6:6队，G11:11队。a:Xeltala;b:Hailaer;EP:Enclosed places;UG:Under grazing area;TOX:The town of Xeltala;HR:Hailar River;L:Lake;G1:Group 1;G6:Group 6;G11:Group 11.

从放牧强度分布图5a可以看出呼伦贝尔市谢尔塔拉牧场的放牧强度范围大致为1～2.5 Au/hm2，与实际放牧情况基本相符，属于过度放牧状态。由该牧场实际放牧情况可知(表1)，不同生产队的放牧强度大小不一，6 队、11 队和1 队放牧强度依次增加，在估算的结果图中也能够较明显地将3 种等级的放牧强度区分开。高放牧区除了位于牛多地少的生产队，还分布在小型湖泊周边，该地区能够满足牲畜对饮水的需求。低放牧区多位于围封打草场区，另外在海拉尔河周边放牧强度也较小，据当地居民介绍湿地周边的植被高度和物种不适合放牧。从更大范围放牧强度分布图(图5b)来看，呼伦贝尔市海拉尔区东北方向的放牧强度明显高于西南地区，分布图能够直观地展现放牧强度的地区差异。但对于低放牧区存在一定程度的低估现象，如在部分超低放牧区，模型估算放牧强度结果为0。

图6 放牧强度验证图Fig.6 The validation of grazing intensity

2.4 放牧强度真实性检验

根据厂部2014年统计资料各队公共放牧区的面积和牲畜头数计算每个队公共放牧区的放牧强度，然后在估算的放牧强度分布图中随机采若干点进行验证。收集到的年鉴数据共包括谢尔塔拉镇7个队的放牧数据，每个队随机采集3～5个点，共有30个验证点。另外，实地考察谢尔塔拉镇的其他区域，包括围封区，湿地周边，坡度较陡的坡地，当地禁忌区，有20个验证点，共计50个验证点。验证结果如图6。

由验证结果可知，该方法能够较准确地估算谢尔塔拉镇和海拉尔区的放牧强度，验证结果决定系数达0.7996，基本能将轻度、中度和重度放牧区分开。但部分放牧区存在一定低估现象，一方面可能由于计算实际放牧强度时，未成年牲畜列入成年牲畜考虑，导致实际放牧强度偏高；另一方面是在估算草地地上生产力时存在一定误差。降水影响草地地上地下生物量的分配，王艳芬等[29]的研究结果表明降水充足的年份地上生物量占总量的比例会明显增多。2014年6、7月份呼伦贝尔市降水充足，按照文献中的比例计算地上生产力时在一定程度上会低估地上生物量，进而导致放牧强度部分低估的结果。另外，在低放牧区有两个点存在明显高估现象，这两点位于道路两旁，单个像元包含多种地类，混合像元引起估算误差。

3 讨论

综上所述，在前人研究的基础上引入草地净初级生产力数据后，放牧强度的估算精度有一定程度的提高。将估算放牧强度与实际放牧强度进行对比验证R2达0.7996，故在考虑牧草的不同长势情况下，该方法具有更高的普适性，能应用于更大范围的放牧强度估算实验。本文计算了小范围谢尔塔拉牧场和较大范围海拉尔区的放牧强度，结果显示该方法不仅能将轻度、中度和重度放牧区分开，在放牧强度数值上也有一定参考价值。对于部分放牧区存在一定低估现象，一方面在计算实际放牧强度时，未成年牲畜列入成年牲畜考虑，导致实际放牧强度偏高；另一方面因为2014年6、7月份呼伦贝尔市雨水充足，计算的地上生产力结果较实际偏低，从而引起放牧强度低估现象。由于本研究使用数据的空间范围和时间范围有限，没有验证该方法在更大范围、更长时间下的适用性。故收集更大范围的多年数据，构建更加普适性的模型是下一步要做的工作。

4 结论

放牧是草原生态系统最主要的干扰因素之一，牲畜对草地的啃食以及践踏影响草原环境，改变原有生态系统的结构和功能。为保证草原的可持续利用，需要对草原放牧强度进行控制，遥感方法建立估算模型具有简单方便、可大面积计算草原放牧强度的优势，相比逐县区人工调研方法大大节省成本。本研究利用Landsat数据计算多期草地生物量，NPP数据计算牧草生长，最后计算研究区草原放牧强度。主要结论如下。

(1)NDVI的幂指数模型估算研究区草地地上生物量效果较好，决定系数R2达0.6168，均方根误差RMSE为8.735 g C/m2。

(2)根据地上生物量的实际变化值和牧草生长量估算的谢尔塔拉牧场放牧强度大致为1～2.5 Au/hm2，与实际放牧情况相符，属于过度放牧状态。本文所建方法能够较准确地将轻度、中度和重度放牧区分开，高放牧区多位于牛多地少的生产队和小型湖泊周边，低放牧区位于围封草地和海拉尔河周边，且海拉尔区东北方向的放牧强度明显高于西南地区。

References：

[1] Yan R R,Xin X P,Zhang B H,etal.Influence of cattle grazing gradient on plant community characteristics in Hulunber meadow steppe.Chinese Journal of Grassland,2010,32(3):62-67.闫瑞瑞,辛晓平,张保辉,等.肉牛放牧梯度对呼伦贝尔草甸草原植物群落特征的影响.中国草地学报,2010,32(3):62-67.

[2] Zheng W,Dong Q M,Li S Q,etal.Impact of grazing intensities on community biodiversity and production of Alpine grassland in Qinghai lake region.Acta Agrestia Sinica,2012,20(6):1033-1038.郑伟,董全民,李世雄,等.放牧强度对环青海湖高寒草原群落物种多样性和生产力的影响.草地学报,2012,20(6):1033-1038.

[3] Wang M J,Han G D,Cui G W,etal.Effects of grazing intensity on the biodiversity and productivity of meadow steppe.Chinese Journal of Ecology,2010,29(5):862-868.王明君,韩国栋,崔国文,等.放牧强度对草甸草原生产力和多样性的影响.生态学杂志,2010,29(5):862-868.

[4] Wang M J.Effects of Different Grazing Intensities on Grassland Ecosystem Heath of Leymus Chinensis Meadow Steppe[D].Hohhot:Inner Mongolia Agricultural University,2008.王明君.不同放牧强度对羊草草甸草原生态系统健康的影响研究[D].呼和浩特:内蒙古农业大学,2008.

[5] Li W H,Zheng S X,Bai Y F.Effects of grazing intensity and topography on species abundance distribution in a typical steppe of Inner Mongolia.Chinese Journal of Plant Ecology,2014,38(2):178-187.李文怀,郑淑霞,白永飞.放牧强度和地形对内蒙古典型草原物种多度分布的影响.植物生态学报,2014,38(2):178-187.

[6] Wang X T,Zhang S H,Chen D D,etal.The effects of natural grazing intensity on plant community and soil nutrients in alpine meadow.Acta Agrestia Sinica,2010,18(4):510-516.王向涛,张世虎,陈懂懂,等.不同放牧强度下高寒草甸植被特征和土壤养分变化研究.草地学报,2010,18(4):510-516.

[7] Liu Y.Research on a Remote Sensed-based NPP Model and Environment Response for Semiarid Grassland Ecosystem[D].Beijing:Institute of Remote Sensing Application Chinese Academy of Sciences,2006.刘岩.半干旱草地NPP遥感模型和环境响应研究[D].北京:中国科学院遥感应用研究所,2006.

[8] Liu A J,Han J G.The study of method about monitoring grazing intensity in Xilingol Rangeland using RS data.Chinese Journal of Grassland,2007,29(2):317-320.刘爱军,韩建国.利用遥感技术监测锡林郭勒天然草原利用强度方法初探.中国草地学报,2007,29(2):317-320.

[9] Xie R,Wu X Q.Estimating grazing of Inner Mongolia Grassland by using remote sensing method.Acta Scientiarum Naturalium Universitatis Pekinensis:Natural Sciences Edition,2014,50(5):919-924.谢芮,吴秀芹.内蒙古草地放牧强度遥感估测.北京大学学报:自然科学版,2014,50(5):919-924.

[10] Moro G D,Halounova L.Haze removal for high-resolution satellite data:A case study.International Journal of Remote Sensing,2007,28(10):2187-2205.

[11] Liang S,Fang H,Chen M.Atmospheric correction of landsat ETM+ land surface imagery.I.methods.IEEE Transactions on Geoscience &Remote Sensing,2001,39(11):2490-2498.

[12] Liang S,Fang H,Morisette J T,etal.Atmospheric correction of landsat ETM+ land surface imagery:II.validation and applications.IEEE Transactions on Geoscience &Remote Sensing,2002,40(12):1-10.

[13] Planchon O,Darboux F.A fast,simple and versatile algorithm to fill the depressions of digital elevation models.Catena,2002,46(2):159-176.

[14] Zhang Y,Guindon B,Cihlar J.An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images.Remote Sensing of Environment,2002,82(2-3):173-187.

[15] Xiao Z,Liang S,Wang J,etal.Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance.IEEE Transactions on Geoscience &Remote Sensing,2014,52(1):209-223.

[16] Xiao Z,Liang S,Sun R,etal.Estimating the fraction of absorbed photosynthetically active radiation from the MODIS data based GLASS leaf area index product.Remote Sensing of Environment,2015,171:105-117.

[17] Xiao Z,Wang T,Liang S,etal.Estimating the fractional vegetation cover from GLASS leaf area index product.Remote Sensing,2016,8(4):337.

[18] Ullah S,Si Y,Schlerf M,etal.Estimation of grassland biomass and nitrogen using MERIS data.International Journal of Applied Earth Observation &Geoinformation,2012,19(1):196-204.

[19] Xing Z R.Inversion of Leaf Area Index of Spring Wheat Based on Radiative Transfer Model and CHRIS Data[D].Qingdao:Shandong University of Science and Technology,2010.邢著荣.基于辐射传输模型和CHRIS数据反演春小麦LAI[D].青岛:山东科技大学,2010.

[20] Zhang J H,Fu C B.A study on relationships between remote sensing information and plant photosynthetic parameters in estimating biomass model.Acta Geodaeticaet Cartographica Sinica,1999,28(2):128-132.张佳华,符淙斌.生物量估测模型中遥感信息与植被光合参数的关系研究.测绘学报,1999,28(2):128-132.

[21] Ikeda H,Okamoto K,Fukuhara M.Estimation of aboveground grassland phytomass with a growth model using Landsat TM and climate data.International Journal of Remote Sensing,1999,20(20):2283-2294.

[22] Wu Lan T Y,Bao G,Wu Yun D L,etal.Hyper-spectral remote sensing estimates of aboveground biomass of grassland.Journal of Inner Mongolia Normal University:Natural Science Edition,2015,(5):660-666.乌兰吐雅,包刚,乌云德吉,等.草地地上生物量高光谱遥感估算研究.内蒙古师范大学学报:自然科学汉文版,2015,(5):660-666.

[23] Dai A H,Yu S X.Advances in the estimation of vegetation productivity and biomass with the aids of remote sensing.Chinese Journal of Ecology,2004,23(4):92-98.戴小华,余世孝.遥感技术支持下的植被生产力与生物量研究进展.生态学杂志,2004,23(4):92-98.

[24] Lou X T,Zeng Y,Wu B F.Advances in the estimation of aboveground biomass of forest using remote sensing.Remote Sensing for Land &Resources,2011,(1):1-8.娄雪婷,曾源,吴炳方.森林地上生物量遥感估测研究进展.国土资源遥感,2011,(1):1-8.

[25] Ruimy A,Saugier B,Dedieu G.Methodology for the estimation of terrestrial net primary production from remotely sensed data.Bulletin of the American Mathematical Society,1959,65(1959):67.

[26] Zhu W Q,Pan Y Z,Zhang J S.Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing.Chinese Journal of Plant Ecology,2007,31(3):413-424.朱文泉,潘耀忠,张锦水.中国陆地植被净初级生产力遥感估算.植物生态学报,2007,31(3):413-424.

[27] White M A,Thornton P E,Running S W,etal.Parameterization and sensitivity analysis of the BIOME-BGC terrestrial ecosystem model:net primary production controls.Earth Interactions,2000,4(3):1-84.

[28] Gong T T,Feng J C,Ma S,etal.Analysis of adaptation of productivity models and response of productivity to climate change on Hulunbuir grassland.Journal of The Central University for Nationalities:Natural Sciences Edition,2016,25(3):78-84.公婷婷,冯金朝,马帅,等.呼伦贝尔草地生产力模型适用性及对气候变化响应分析.中央民族大学学报:自然科学版,2016,25(3):78-84.

[29] Wang Y F,Wang S P.Influence of different stocking rates on belowground biomass in inner Mongolia steppe.Acta Agrestia Sinica,1999，(3):198-203.王艳芬,汪诗平.不同放牧率对内蒙古典型草原地下生物量的影响.草地学报,1999，(3):198-203.

A study of grazing intensity in the Hulunbuir grasslands using remote sensing

WANG Meng-Jia1,2,3,SUN Rui1,2,3*,LIU Zhe1,2,3,4,XIN Xiao-Ping5*,LIU Gang1,2,3,ZHANG Lei1,2,3,QIAO Chen1,2,3

1.StateKeyLaboratoryofRemoteSensingScience,Beijing100875,China;2.InstituteofRemoteSensingScienceandEngineering,FacultyofGeographicalScience,BeijingNormalUniversity,Beijing100875,China;3.BeijingKeyLaboratoryforRemoteSensingofEnvironmentandDigitalCity,Beijing100875,China;4.SchoolofGeographyofNorthwestNormalUniversity,Lanzhou730070,China;5.HulunbuirGrasslandEcosystemObservationandResearchStation,InstituteofAgricultureResourcesandRegionalPlanningofChineseAcademyofAgriculturalSciences,Beijing100081,China

The Hulunbuir meadow steppe,located in northeast China,is an important site for animal husbandry.The potential to further develop animal husbandry in this region is closely related to the growth of grass and to sustainable utilization of grasslands more generally.As a critical component of the grassland ecosystem,the intensity of grazing has become an important issue.In this study,remote sensing data,based on Landsat images,and Net Primary Productivity (NPP) data were collected from June to July 2014 and used to estimate grazing intensity in Xeltala pastures.Multi-image Landsat optical data was used to calculate aboveground biomass and biomass increments,while the NPP data was used to analyze grass growth.Unlike previous studies,this analysis used NPP data to take account of the heterogeneity of grassland conditions.The results indicate that this method is capable of accurately estimating grazing intensity,with aR2of 0.7996 when validated by measurements on the ground.Grazing intensity in the Xeltala pastures ranged from 1 to 2.5 Au/ha,with the latter being over-grazed.The local map suggested that heavy grazing areas were distributed around a small lake and in certain locations where abundant grass favoured concentrations of cattle.Light grazing areas,on the other hand,were located in enclosed places where the grass was reserved for winter supplies.Extending the study area to include the city of Hailaer,the grazing intensity map clearly demonstrated the variations between areas of light,moderate and over-grazing,with Hailaer in the southwest appearing as extremely lightly grazed compared to the northeastern meadows.

remote sensing data;Hulunbuir Grassland;biomass;net primary productivity;grazing intensity

10.11686/cyxb2016316 http://cyxb.lzu.edu.cn

王梦佳,孙睿,刘喆,辛晓平,刘刚,张蕾,乔晨.基于遥感数据的呼伦贝尔草原放牧强度研究.草业学报,2017,26(6):28-36.

WANG Meng-Jia,SUN Rui,LIU Zhe,XIN Xiao-Ping,LIU Gang,ZHANG Lei,QIAO Chen.A study of grazing intensity in the Hulunbuir grasslands using remote sensing.Acta Prataculturae Sinica,2017,26(6):28-36.

2016-08-19；改回日期：2016-11-03

国家科技支撑计划项目(2013BAC03B02)，国家自然科学基金(41471349)和中央高校基本科研业务费专项(2014kJJCA02)资助。

王梦佳(1993-)，女，河南漯河人，在读硕士。E-mail:wmeng_jia@163.com

*通信作者Corresponding author.E-mail:sunrui@bnu.edu.cn,xinxiaoping@caas.cn