基于像元三分模型的錫林郭勒草原光合植被和非光合植被覆蓋度估算

王光鎮,王靜璞,*, 鄒學勇,王周龍,宗 敏

1 魯東大學資源與環境工程學院, 煙臺 264025 2 北京師范大學地表過程與資源生態國家重點實驗室, 北京 100875

基于像元三分模型的錫林郭勒草原光合植被和非光合植被覆蓋度估算

王光鎮1,王靜璞1,*, 鄒學勇2,王周龍1,宗 敏1

1 魯東大學資源與環境工程學院, 煙臺 264025 2 北京師范大學地表過程與資源生態國家重點實驗室, 北京 100875

定量的估算草原光合植被覆蓋度(fPV)和非光合植被覆蓋度(fNPV)對草原畜牧業和土地荒漠化具有重要的意義。以錫林郭勒盟西烏珠穆沁旗為研究區,以MODIS 500 m分辨率地表反射率產品MOD09GHK為數據源,采用干枯燃料指數(DFI)指數構建NDVI-DFI像元三分模型估算了錫林郭勒草原的fPV和fNPV,并分析了錫林郭勒草原fPV和fNPV的動態變化。研究結果表明：錫林郭勒草原NDVI-DFI特征空間表現為三角形,與理論上的概念模型基本一致,符合像元三分模型的基本假設；NDVI-DFI像元三分模型適用于對草原黃枯期NPV的監測,對草原生長期NPV監測并不十分敏感；利用NDVI-DFI像元三分模型估算的fPV和fNPV動態變化與牧草物候發育特征相吻合,可以有效的估算典型草原地區fPV和fNPV值,進一步將其應用于長時間序列的典型草原fPV和fNPV動態變化分析。

NDVI-DFI模型；光合植被；非光合植被；動態分析

Abstract： The quantitative estimation of fractional cover of photosynthetic vegetation (fPV), non-photosynthetic vegetation (fNPV), and bare soil (fBS) is critical for grassland animal husbandry and land desertification. Remote sensing is an important tool for estimating the fractional cover of vegetation as a key descriptor of grassland ecosystem function. Developing tools that allow for monitoring of vegetation in space and time is a key step needed to improve management of grassland. The present study describes a method for resolvingfPV,fNPV, andfBSin the Xilingol steppe region with MODIS-Terra daily surface reflectance data at 500 m resolution (MOD09GHK). Fractional cover offPV,fNPV, andfBSwas quantified with MOD09GHK data by calculating the Normalized Difference Vegetation Index (NDVI) and the Dead Fuel Index (DFI) and applying a linear unmixing technique. We concurrently analyzed the dynamic change of Xilingol typical grassland offPVandfNPV. Five MODIS images were acquired on April 5, May 30, July 31, August 21, and November 26 in 2014. The approach assumes that cover fractions are made up of a simple mixture of photosynthetic vegetation, non-photosynthetic vegetation, and bare soil. In the present study, one important assumption in our method is that the mixing of fractional cover in NDVI and DFI is linear. DFI is a four-band index that takes into account the differences in spectral features among DFI, photosynthetic vegetation, and bare soil in the VIS-NIR and SWIR wavelength regions, in which the slope of NPV from MODIS band 6 to 7 lies between those of photosynthetic vegetation and bare soil. The correlation between fraction of NPV and DFI was linear. Different end-member extraction methods, including the Pixel Purity Index (PPI) method and 2D scatter plot, were adopted to retrieve the end-member values of photosynthetic vegetation, non-photosynthetic vegetation, and bare soil from NDVI and DFI. The NDVI-DFI feature space follows a triangular distribution, where the vertices represent photosynthetic vegetation, non-photosynthetic vegetation, and bare soil, meeting the essential requirements of the linear unmixing model. NDVI and CAI were calculated for each image and the pixels located close to the vertices of the triangle were located. The spatial location of the pixels identified as pure by the PPI operation and located close to the vertices of the NDVI/DFI triangle was examined by using high resolution imagery (Landsat- 8 OLI). Subsequently, we found that vegetation fractional cover can be successfully resolved with MODIS data by combining the NDVI-DFI model. The NDVI-DFI model is suitable for dry season grassland period monitoring of NPV, whereas the grassland growing NPV monitoring is not very sensitive. Additionally, the temporal dynamic offPVandfNPVwas confirmed to be consistent with the phonological seasonal change in natural grasslands. The NDVI-DFI model can be applied to the quantitative estimation of fractional cover of non-photosynthetic vegetation (fNPV) that is critical for grassland desertification monitoring, soil erosion, and grassland grazing. Therefore, the NDVI-DFI model can be used to monitor the temporal and spatial variations offPVandfNPVin the Xilingol steppe regions.

KeyWords: NDVI-DFI model; photosynthetic vegetation (PV); non-photosynthetic vegetation (NPV); dynamic changes

草地是全球分布最廣的陸地生態系統類型之一,占到全球陸地表面積的26%[1]。草地植被可以分為光合植被(PV)和非光合植被(NPV),PV和NPV在草原生態系統中扮演著重要的角色,影響著生態系統的碳儲存、CO2交換量、植被生產力和地表能量平衡,是衡量地表植被覆蓋狀況的重要指標[2-3]。其中,NPV(枯落物、作物茬等)可以減緩地表土壤侵蝕,增加土壤有機質,減緩地表徑流和營養物質流失[4],提高土壤質量。此外NPV是草原火災發生的重要影響因子[5- 7]。

地面采樣獲取植被覆蓋度是最準確的手段,但這種方法費時費力,而且難以大范圍的開展。遙感技術的發展為大范圍快速準確獲取草原地區植被覆蓋度和長時間序列的植被分析提供了新的技術手段[7]。光學傳感器利用PV在紅光和近紅外波段的光譜特征可以估算其覆蓋度。如何估算NPV的覆蓋度,特別是如何將NPV從裸土(BS)背景中提取出來是目前未能解決的關鍵問題[8]。

與PV明顯的“峰”和“谷”光譜特征相比,NPV與BS在可見光-近紅外波段(400—1100 nm)處具有相似的反射率曲線,僅在反射率絕對值上有所差異,因而難以利用多光譜遙感數據估算NPV的覆蓋度[9-10]。研究表明,基于高光譜數據的CAI指數已成功應用到NPV覆蓋度的估算[2, 11- 14]。然而,高光譜數據成本較高,可獲取數據有限,難以應用于長期的監測,制約了CAI指數的應用范圍。因此,需要尋找一種多光譜植被指數估算NPV覆蓋度,充分利用多光譜數據(比如TM,MODIS)大范圍、高時效性、低成本的優勢。

目前在利用遙感技術監測非光合植被覆蓋度領域,國內外開展了廣泛的研究[5, 8, 15-16]。曹鑫等根據NPV在MODIS數據1、2、6和7波段的光譜特征,提出了應用于多光譜數據的干枯燃料指數(DFI),初步驗證了DFI指數估算fNPV的潛力[17]。隨后曹鑫等人將DFI指數應用到亞洲草原地區火災風險敏感性模型,證實了DFI指數估算fNPV的潛力[18]。Guerschman等人基于NDVISWIR32(MODIS第7和6波段)像元三分模型,較好的估算了澳大利亞稀疏草原fPV和fNPV的時空分布[11]。此外,李濤等人以Hyperion高光譜數據為數據源,基于NDVI-CAI像元三分模型對錫林郭勒草原放牧試驗區fPV和fNPV的時空動態分布進行了估算,研究表明估算的fPV和fNPV的季節變化與牧草物候發育特征相吻合。因此,有必要探討以多光譜植被指數為基礎的NDVI-DFI像元三分模型在亞洲草原地區的適宜性,進一步將其推廣到其他區域。

為此,本文以錫林郭勒盟西烏珠穆沁旗典型草原為研究區,以MODIS 500 m分辨率地表反射率產品MOD09GHK為數據源,嘗試采用DFI指數替代SWIR32的NDVI-DFI像元三分模型估算錫林郭勒草原的fPV和fNPV,并分析錫林郭勒典型草原fPV和fNPV的時空變化。

1 研究區與數據預處理

1.1 研究區概況

圖1 研究區位置及植被類型Fig.1 The location of study area and vegetation type

研究區為錫林郭勒盟西烏珠穆沁旗(116°21′—119°31′E,43°57′—45°23′N),位于錫林郭勒盟東北部(圖1)。西烏珠穆沁旗土地遼闊,自然資源極為豐富。全旗草場面積20290 km2,占土地面積的88%,其中一半以上為典型草原。東部分布有山地,低山丘陵和波狀高平原相間分布在中北部地區,嘠亥額勒蘇沙地呈帶狀分布在中部地區。西烏珠穆沁旗海拔835—1957 m,是我國典型的溫帶草原區,屬于大陸性半干旱草原氣候。四季分明,春季多風,夏季暖濕,秋冬寒冷干燥。年平均氣溫1℃,最冷月(1月)平均氣溫-19.5℃,最熱月(7月)平均氣溫19.5℃。年均降水量345 mm左右,80%集中于生長季6—9月份。光照資源比較豐富,全年光照為2900 h。按照植被類型分布,可分為典型草原、草甸草原、灌叢、農業植被和森林植被5種類型。

1.2 數據及預處理

中分辨率成像光譜儀(MODIS)搭載在Terra和Aqua兩顆衛星上,是美國地球觀測系統(EOS)計劃中用于觀測全球生物和物理過程的重要儀器。它具有36個中等分辨率水平(0.25—1μm)的光譜波段,每1—2d對地球表面觀測1次。MOD09GHK為陸地2級標準數據產品,內容為表面反射,空間分辨率為500 m。MOD09GHK提供了1—7波段每日柵格化二級數據產品(L2G),投影為正弦曲線投影。500 m科學數據集提供了1—7波段的反射率、質量評價、觀測圖層、觀測數量和250 m掃描信息。本文從https://ladsweb.nascom.nasa.gov網站獲取到2014年4月5日、5月30日、7月31日、8月21日和11月26日共5期MOD09GHK影像。

MOD09GHK產品已經過定位和定標處理,首先利用MODIS Reprojection Tool工具重投影為Albers Conical Equal Area,坐標系轉換為WGS- 84。然后利用ENVI 5.2軟件Layer Stacking工具波段組合,并利用行政邊界矢量數據裁剪出研究區范圍。最后用閾值法對影像中的云和水作掩膜處理。

2 研究方法

2.1 DFI指數

曹鑫等人總結了NPV和BS在MODIS波段范圍內的光譜特征：(1)NPV和BS在650 nm(Band 1)和850 nm(Band 2)處反射率曲線變化較平緩,并且高于 PV；(2)在Band 6波段,NPV的反射率低于PV,高于BS,而在Band 7波段,NPV的反射率高于PV,但低于BS；(3)NPV和BS的光譜曲線特征相似(圖2)。基于以上特征提出了干枯燃料指數(DFI)[17]：

(1)

式中,B1,B2,B6,B7分別代表MODIS第1,2,6和7波段。為了擴大DFI值的差異性,DFI擴大了100倍。此外,為避免云和水體的影響而產生異常值,對其進行掩膜處理。

2.2 NDVI-DFI像元三分模型

NDVI-DFI像元三分模型假設像元由PV、NPV和BS 3個組分組成,其NDVI和DFI指數符合線性關系(公式1—5),并且端元的NDVI和DFI指數不隨時間變化。理想情況下,影像的NDVI-DFI特征空間會表現為三角形(圖3)：PV的NDVI值高、DFI值低,位于三角形的右側中部；NPV的NDVI值低、DFI值高,位于三角形的左上角；BS的NDVI值、DFI值均很低,位于三角形的左下角。

圖2 PV、NPV、BS端元平均光譜曲線Fig.2 Mean reflectance spectra of PV, NPV and BS endmemberPV(Photosynthetic Vegetation)、NPV(Non-photosynthetic Vegetation)和BS(Bare Soil)分別代表光合植被、非光合植被和裸土;灰色條帶區域為MODIS波段位置

圖3 NDVI-DFI像元三分模型 Fig.3 Tri-endmember linear mixture model with the Normalized Difference Vegetation Index(NDVI)and Dead Fuel Index(DFI)PV、NPV、BS分別為光合植被、非光合植被和裸土,三角形內部代表混合像元

(2)

式中,B2、B1分別代表MODIS第2和第1波段。

VM=∑[fiVi]=[fPVVPV+fNPVVNPV+fBSVBS]

(3)

DM=∑[fiDi]=[fPVDPV+fNPVDNPV+fBSDBS]

(4)

∑fi=[fPV+fNPV+fBS]=1

(5)

式中,VM代表MODIS數據的NDVI,DM代表MODIS的DFI,f代表百分比(%),fPV、fNPV和fBS分別代表像元內相應組分所占的比例,VPV/DPV、VNPV/DNPV和VBS/DBS分別代表NDVI/DFI端元的特征值。

Cx=0(-0.2

(6)

Cx=1(1

(7)

Cy=Cy/(Cy+Cz)

(8)

Cz=Cz/(Cy+Cz)

(9)

Cx=Cy=Cz=0(Cx<-0.2orCx>1.2)

(10)

式中,Cx為混合像元分解后覆蓋度在之外的端元類型,Cx和Cy為另外兩種端元類型。公式10將異常值(Cx<-0.2 orCx>1.2)標記為無效值。

采用公式3—5對MODIS影像進行分解,分布在三角形內部的像元各組分比例在[0,1]內；采用公式6—10對分布在三角形外部的異常像元進行處理。最終獲得研究區的fPV和fNPV估算值。

2.3 端元特征值的確定

PV、NPV和BS端元特征值的確定是NDVI-DFI像元三分模型分解成功的關鍵。本文采用純凈像元指數法結合二維散點圖的方法來確定端元特征值。

根據NDVI和DFI指數的計算公式,計算5期MOD09GHK影像的NDVI和DFI指數,并利用ENVI 5.2二維散點圖功能繪制NDVI-DFI特征空間圖。

純凈像元指數法(Pixel Purity Index method,簡稱PPI)：在ENVI 5.2平臺上,首先對MODIS影像進行MNF變換,選擇累積貢獻率達98.89%的前6個分量來計算PPI指數。然后設定迭代次數為2000,閾值系數為2.5,產生像元純度指數PPI。最后將PPI > 5且又靠近特征空間圖頂點的像元作為純凈端元,取各個頂點純凈端元的平均指數值作為相應端元的特征值。此外,選用同期Landsat- 8 OLI中高分辨率影像通過交互式目視判別驗證三角形頂點處是否存在純凈像元。

2.4fPV和fNPV的估算

基于NDVI-DFI像元三分模型,采用PPI指數方法確定端元的特征值,利用ENVI 5.2擴展工具Triangular Linear Spectral Unmixing對5期MOD09GHK影像進行分解,并繪制fPV、fNPV和fBS的RGB合成圖。

研究fPV和fNPV的時空變化,可以反映草原地區牧草的物候發育特征,對草原地區荒漠化的研究具有重要的現實意義。本文選擇研究區內受人類活動較小的典型草原作為感興趣區,以均值來代表感興趣區的fPV和fNPV,進而分析fPV和fNPV的季節性變化。

3 結果分析

3.1 端元特征值及NDVI-DFI特征空間圖分析

繪制出5期MOD09GHK影像的NDVI-DFI特征空間圖(圖4)。

圖4 五期影像NDVI-DFI特征空間圖Fig.4 Feature space of NDVI and DFI綠色、紅色和藍色圓圈分別代表PV、NPV和BS端元的位置

選用同期Landsat- 8 OLI中高分辨率影像通過交互式目視判別驗證了三角形頂點可以作為純凈像元。最后采用PPI指數法確定了相應端元的特征值(表1)。

表1 五期影像PV、NPV、BS端元特征值

NDVI: 歸一化植被指數Normalized Difference Vegetation Index;DFI: 干枯燃料指數Dead Fuel Index；PV: Photosynthetic Vegetation; NPV: 光合植被、非光合植被Non-photosynthetic Vegetation;BS: 和裸土Bare Soil

結合5期NDVI-DFI特征空間圖(圖4),隨著草原生長季(5—9月)的到來,呈現出NDVI值逐漸增大和DFI值逐漸減小的趨勢,反之,草原黃枯期(10—4月)時,NDVI開始逐漸減小而DFI值逐漸增大。NDVI值的范圍為0—0.9左右,DFI值的范圍為5—30左右。研究表明,NPV的反射率隨時間而降低,即新鮮的NPV反射率較高,而對于長期的NPV(基底枯落物)反射率較低。11月26日NPV的DFI值為26.028,而4月5日NPV的DFI值為22.686(表1),此后DFI值繼續降低。

值得注意的是,7月31日和8月21日(圖4)的NDVI-DFI特征空間圖并沒有表現為理想的三角形。首先,這兩個時期PV和NPV的DFI指數值相對其他時期都較低(表1),端元之間的差異有所減小。其次,由于草原生長期大量PV的存在,使得NPV和BS被覆蓋,進而導致DFI指數值較低(5—18左右)。分析其原因,可能是由于NPV隨時間的分解導致反射率的降低；PV與NPV相互重疊,交錯分布,使得DFI值被低估。以上內容有待于后續的研究。這說明,NDVI-DFI像元三分模型對草原生長季NPV的監測不是十分敏感；從另一個角度來看,草原生長期NPV量比較少,而草原黃枯期會存在大量的NPV,地表覆蓋的NPV可以減緩土壤侵蝕,減緩地表徑流并增加土壤有機質含量[4],因此可以利用NDVI-DFI像元三分模型對草原黃枯期土地荒漠化、土壤侵蝕和草原放牧等進行監測。

3.2fPV和fNPV估算結果

應用像元三分模型對MOD09GHK影像進行分解,得到錫林郭勒草原fPV、fNPV和fBS的RGB合成圖(圖5)。從圖中可以發現,錫林郭勒草原西烏旗地區4月和11月被大量的NPV和BS所覆蓋,西烏旗東南部為低山丘陵,主要植被類型為林地,因此fPV較高；5月份時fPV開始增加,而fNPV開始減小；7、8月份錫林郭勒草原生長期來臨,大量PV的存在使得fPV明顯增加,但中西部地區(主要為波狀高平原、嘠亥額勒蘇沙地)仍主要以NPV和BS為主。總體上來看,西烏旗草原黃枯期除東南部分布有PV外,其他地區主要以NPV和BS為主；而草原生長期東部地區fPV明顯增加。

西烏旗草原地區,夏季氣溫高降水較多,牧草生長旺盛,fPV高；隨著秋冬季的來臨,大量的PV進入黃枯期,fNPV開始增加。此時,草原地區覆蓋有大量的NPV,而火災的發生會導致fNPV的降低。據1957—1993年的資料統計,每年的3—6月、9—11月是火災的高發期[19],因此有必要進一步研究火災對fNPV的影響。

3.3fPV和fNPV季節性變化

通過對感興趣區fPV和fNPV的分析,模型估算的fPV和fNPV的季節性變化同牧草物候發育特征相吻合。選擇西烏旗地區受人為及牲畜影響較小的草地(圖5中黑色方框內)為感興趣區,以均值代表感興趣區,分析fPV和fNPV季節性變化。從圖6中可以發現：4月份草原地區分布大量的NPV,基本呈現荒蕪狀態,NDVI值較低,DFI值較高,fNPV高達77.44%,fPV為6.33%,這也使得每年4月份是草原火災高發期；4月中下旬,由于氣溫升高,草原開始返青,返青20d后進入積極生長期；5月30日時,NDVI值逐漸增加,DFI值逐漸下降,fPV開始增加到21.60%,fNPV下降到66%；多數牧草在7月中旬左右達到最大強度的生長,在7月31日時,NDVI值高于DFI值,fPV高于fNPV；牧草成熟期一般發生在8月份,在8月21日時,NDVI值達到0.6,DFI值為10左右,此時fPV高達74.43%,fNPV為23.48%；到了冬季11月份,草原地區被大量NPV覆蓋,恢復到荒蕪狀態,此時NDVI值下降到0.2以下,DFI值高達25,fNPV為72.95%,fPV為11.33%。

圖5 fPV、fNPV和fBS的RGB合成圖Fig.5 The RGB image of fPV, fNPV and fBS綠色代表光合植被覆蓋度fPV,紅色代表非光合植被覆蓋度fNPV,藍色代表裸土fBS,白色為云和水掩膜的無效值,黑色方框為感興趣區

圖6 感興趣區fPV和fNPV變化圖Fig.6 Temporal variation of fPV and fNPV in the interested regionPV和NPV分別代表光合植被和非光合植被的覆蓋度,NDVI和DFI分別代表歸一化植被指數和干枯燃料指數

4 討論

目前利用多光譜遙感影像從BS背景下分離出NPV是復雜而困難的[8, 20]。以往研究提出的基于TM影像的多光譜指數對干旱半干旱地區3種組分(PV、NPV、BS)存在的情況下并不適用[2, 17]。曹鑫等人通過分析PV、NPV和BS平均光譜曲線,根據NPV和BS在MODIS波段范圍內的光譜特征提出了DFI指數,結果表明DFI指數在3種組分(PV、NPV、BS)存在的情況下具備區分NPV并估算fNPV的能力[17]。

草原牧草主要經歷返青期、抽穗期、開花期、成熟期和黃枯期5個階段。牧草在返青期和黃枯期時,PV和NPV錯綜復雜,相互重疊,影響著表層植被的NDVI和DFI特征值,進而影響估算fPV和fNPV的精度。此外,當PV轉向NPV的過程中,葉片水分和葉綠素下降,而纖維素和木質素增多,NDVI值逐漸減小,DFI值逐漸增大。葉片水分、葉綠素、纖維素的含量變化過程對NDVI和DFI值的影響十分復雜,從而加大估算fPV和fNPV的難度[12]。

純凈端元的提取及特征值確定直接影響到像元三分模型的估算精度。純凈像元指數是一種在多光譜和高光譜影像中尋找最純凈像元的一種方法[21]。PPI指數法對經過最小噪聲分離(MNF)后的降維數據提取能夠代表地物的最純凈像元,可以確定純凈端元的空間位置,結合散點圖工具篩選像元,可以提高精度。但是PPI指數法存在光譜異質性問題,不足以代表端元光譜特征,在端元的純凈像元較少時,容易產生較大誤差。

NDVI-DFI像元三分模型基于混合像元的NDVI和DFI指數符合線性相關這一前提。首先,應用最為廣泛的歸一化植被指數NDVI是植被生長狀態及植被覆蓋度的最佳指示因子,與植被覆蓋度具有良好的相關性。其次,曹鑫等人研究證實DFI指數與fNPV成線性相關[17],并將DFI指數應用到評估內蒙古草原火災風險研究[18]。因此,NDVI-DFI像元三分模型應用于估算典型草原植被覆蓋度是合理的。但是對7、8月份特征空間圖分析發現,NDVI-DFI像元三分模型適用于對草原黃枯期NPV的監測,對草原生長期NPV監測并不十分敏感,有待于進一步的研究。

值得注意的是,DFI指數也受到了其他因素的影響。由于不同植被類型、結構和土壤類型與濕度以及PV隨時間分解的影響,在SWIR波段范圍,光譜的差異也會不同[22- 26]。研究表明,DFI指數對長期存在的基底枯落物并不敏感[17]。而基底枯落物在草原地區是普遍存在的,因此需要進一步探討對估算fNPV的影響。研究還發現大氣層頂反射率也會影響DFI指數估算fNPV[17]。多種因素的影響需要進一步的研究,以期將DFI指數推廣到其他地區。

利用MOD09GHK產品估算fPV和fNPV,充分發揮了MODIS低成本、長時間、大范圍觀測的優勢。基于多光譜數據DFI指數的提出,進一步的將像元三分模型從高光譜數據推廣到多光譜數據。考慮到地面調查與遙感產品的尺度效應[27],MODIS空間分辨率太低(500 m×500 m),難以開展大范圍的地面調查以此將地面相對真值與遙感估算值相對應,本文不足之處是未能夠利用實測數據對模型估算結果進行檢驗,今后可以考慮以高分辨率遙感為橋梁,通過間接檢驗法進行產品檢驗,這也將是下一步研究的重點。NDVI-DFI像元三分模型在多光譜遙感中具有深遠的研究前景。

5 結論

本文利用MODIS 500 m分辨率地表反射率產品MOD09GHK構建NDVI-DFI像元三分模型估算了錫林郭勒草原的fPV和fNPV,得到以下結論：

(1)錫林郭勒草原NDVI-DFI特征空間表現為三角形,與理論上的概念模型基本一致,符合像元三分模型的基本假設。NDVI-DFI像元三分模型可以估算錫林郭勒草原的fPV和fNPV。

(2)NDVI-DFI像元三分模型適用于對草原黃枯期fNPV的監測,對草原生長期fNPV監測并不十分敏感。NPV主要存在于草原黃枯期,生長期較少,利用NDVI-DFI像元三分模型估算草原黃枯期的fNPV,對草原土地荒漠化監測、土壤侵蝕和草原放牧具有重要的研究意義。

(3)基于MODIS 500 m分辨率地表反射率產品MOD09GHK,采用NDVI-DFI像元三分模型估算的fPV和fNPV動態變化與牧草物候發育特征相吻合,可以進一步應用于長時間序列的錫林郭勒草原fPV和fNPV時空動態變化。

[1] Schino G, Borfecchia F, Cecco LD, Dibari C, Iannetta M, Martini S, Pedroyyi F. Satellite estimate of grass biomass in a mountainous range in central Italy. Agroforestry Systems, 2003, 59(2): 157- 162.

[2] Daughtry C S T, Hunt E R Jr, Doraiswamy P C, McMurtrey J E. Remote Sensing the Spatial Distribution of Crop Residues. Agronomy Journal, 2005, 97(3): 864- 871.

[3] Daughtry C S T, Doraiswamy P C, Hunt E R Jr, Stern A J, McMurtrey J E, Prueger J H. Remote sensing of crop residue cover and soil tillage intensity. Soil and Tillage Research, 2006, 91(1/2): 101- 108.

[4] Daughtry C S T, Hunt E R Jr, McMurtrey J E. Assessing crop residue cover using shortwave infrared reflectance. Remote Sensing of Environment, 2004, 90(1): 126- 134.

[5] Elmore A J, Asner G P, Hughes R F. Satellite Monitoring of Vegetation Phenology and Fire Fuel Conditions in Hawaiian Drylands. Earth Interactions, 2005, 9(21): 1- 21.

[6] Jacques D C, Kergoat L, Hiernaux P, Mougin E, Defourny P. Monitoring dry vegetation masses in semi-arid areas with MODIS SWIR bands. Remote Sensing of Environment, 2014, 153: 40- 49.

[7] Xu D D, Guo X L, Li Z Q, Yang X H, Yin H. Measuring the dead component of mixed grassland with Landsat imagery. Remote Sensing of Environment, 2014, 142: 33- 43.

[8] Okin G S.Relative spectral mixture analysis-A multitemporal index of total vegetation cover. Remote Sensing of Environment, 2007, 106(4): 467- 479.

[9] Aase J K, Tanaka D L. Reflectances from Four Wheat Residue Cover Densities as Influenced by Three Soil Backgrounds. Agronomy Journal, 1991, 83(4): 753- 757.

[10] Biard F, Baret F. Crop residue estimation using multiband reflectance. Remote Sensing of Environment, 1997, 59(3): 530- 536.

[11] Guerschman J P, Hill M J, Renzullo L J, Barrett D J, Marks A S, Botha EJ. Estimating fractional cover of photosynthetic vegetation, non-photosynthetic vegetation and bare soil in the Australian tropical savanna region upscaling the EO- 1 Hyperion and MODIS sensors. Remote Sensing of Environment, 2009, 113(5): 928- 945.

[12] 李濤, 李曉松, 李飛. 基于Hyperion的錫林郭勒草原光合植被、非光合植被覆蓋度估算. 生態學報, 2015, 35(11): 3643- 3652.

[13] 任鴻瑞, 周廣勝, 張峰, 張新時. 基于纖維素吸收指數(CAI)的內蒙古荒漠草原非綠色生物量估算. 科學通報, 2012, 57(10): 839- 845.

[14] Ren H R, Zhou G S. Estimating senesced biomass of desert steppe in Inner Mongolia using field spectrometric data. Agricultural and Forest Meteorology, 2012, 161: 66- 71.

[15] Okin G S, Clarke K D, Lewis M M. Comparison of methods for estimation of absolute vegetation and soil fractional cover using MODIS normalized BRDF-adjusted reflectance data. Remote Sensing of Environment, 2013, 130: 266- 279.

[16] Meyer T, Okin G S. Evaluation of spectral unmixing techniques using MODIS in a structurally complex savanna environment for retrieval of green vegetation, nonphotosynthetic vegetation, and soil fractional cover. Remote Sensing of Environment, 2015, 161: 122- 130.

[17] Cao X, Chen J, Matsushita B, Imura H. Developing a MODIS-based index to discriminate dead fuel from photosynthetic vegetation and soil background in the Asian steppe area. International Journal of Remote Sensing, 2010, 31(6): 1589- 1604.

[18] Cao X, Cui X H, Yue M, Chen J, Tanikawa H, Ye Y. Evaluation of wildfire propagation susceptibility in grasslands using burned areas and multivariate logistic regression. International Journal of Remote Sensing, 2013, 34(19): 6679- 6700.

[19] 傅澤強. 內蒙古干草原火災時空分布動態研究. 內蒙古氣象, 2001, (1): 28- 30, - 35.

[20] Asner G P,Lobell D B. A biogeophysical approach for automated SWIR unmixing of soils and vegetation. Remote Sensing of Environment, 2000, 74(1): 99- 112.

[21] Tompkins S, Mustard J F, Pieters C M, Forsyth D W. Optimization of endmembers for spectral mixture analysis. Remote Sensing of Environment, 1997, 59(3): 472- 489.

[22] Elvidge C D. Visible and near infrared reflectance characteristics of dry plant materials. International Journal of Remote Sensing, 1990, 11(10): 1775- 1795.

[23] Daughtry C S T. Discriminating Crop Residues from Soil by Shortwave Infrared Reflectance. Agronomy Journal, 2001, 93(1): 125- 131.

[24] Nagler P L, Inoue Y, Glenn E P, Russ A L, Daughtry C S T. Cellulose absorption index (CAI) to quantify mixed soil-plant litter scenes. Remote Sensing of Environment, 2003, 87(2/3): 310- 325.

[25] Nagler P L, Daughtry C S T, Goward S N. Plant litter and soil reflectance. Remote Sensing of Environment, 2000, 71(2): 207- 215.

[26] Daughtry C S T, Hunt E R Jr. Mitigating the effects of soil and residue water contents on remotely sensed estimates of crop residue cover. Remote Sensing of Environment, 2008, 112(4): 1647- 1657.

[27] 李小文, 王祎婷. 定量遙感尺度效應芻議. 地理學報, 2013, 69(9): 1163- 1169.

Estimationoffractionalcoverofphotosyntheticandnon-photosyntheticvegetationintheXilingolstepperegionusingtheNDVI-DFImodel

WANG Guangzhen1, WANG Jingpu1,*, ZOU Xueyong2, WANG Zhoulong1, ZONG Min1

1CollegeofResourceandEnvironmentEngineering,LudongUniversity,Yantai264025,China2StateKeyLaboratoryofEarthSurfaceProcessandResourceEcology,BeijingNormalUniversity,Beijing100875,China

國家自然科學基金重點項目(41330746)

2016- 06- 10; < class="emphasis_bold">網絡出版日期

日期:2017- 04- 24

10.5846/stxb201606101111

*通訊作者Corresponding author.E-mail: wjpu@mail.bnu.edu.cn

王光鎮,王靜璞, 鄒學勇,王周龍,宗敏.基于像元三分模型的錫林郭勒草原光合植被和非光合植被覆蓋度估算.生態學報,2017,37(17):5722- 5731.

Wang G Z, Wang J P, Zou X Y, Wang Z L, Zong M.Estimation of fractional cover of photosynthetic and non-photosynthetic vegetation in the Xilingol steppe region using the NDVI-DFI model.Acta Ecologica Sinica,2017,37(17):5722- 5731.