基于植被指數估算天山牧區不同利用類型草地總產草量

劉 艷 ，聶 磊 ，楊 耘

（1. 中國氣象局烏魯木齊沙漠氣象研究所，烏魯木齊 830002；2. 中亞大氣科學研究中心，烏魯木齊 830002；3. 武漢大學測繪遙感信息工程國家重點實驗室，武漢 430079；4. 長安大學地質工程與測繪學院，西安 710054）

0 引 言

新疆現有牧草地總面積5 116.07萬hm2，占全國牧草地總面積的 19.52%[1]。北疆地區天然草地有效面積約2 377.52萬hm2，占全疆49.52 %，是新疆草原畜牧業的重要基地[2]。準確及時的估算草原產草量對維護草原生態平衡、合理安排畜牧業生產和確定合理載畜量提供重要的科學依據等具有重要意義。草地地上生物量估算模型包括機理模型法、植被指數法等。定點數據-植被指數法模型簡單，在遙感影像光譜和空間分辨率較高情況下能宏觀連續監測生物量動態變化且該方法需要輸入數據較少[3-6]，機理模型法適用范圍較廣但參數校正工作量大且在某些情況下某些參數無法校正[7-9]。新疆牧草產量估算研究主有：90年代初開展的NOAA/AVHRR衛星數據和天然草地牧草產量關系模型研究[2,10-14]；李建龍等[15]綜合利用1991-1996年新疆天山北坡阜康縣內不同草地類型實測草地可食產量、環境與遙感資料，采用 3S集成技術對天然草地估產進行研究；王新欣等[16]采用2006年6-10月地面測產數據和同步MODIS遙感數據集對天山北坡烏魯木齊不同牧草類型進行估產模型研究；錢育蓉等[17]利用遙感分類結果和產量估測模型集合分析了阜康市近20 a（1990、1999和2008）草地總面積和總產量趨勢變化。

這些研究存在以下問題：研究區域有限且集中分布在天山北坡的烏魯木齊（南郊）、阜康和阿勒泰；模型采樣點較少；研究分析方法局限于在一個觀測年內對不同牧草類型（高寒草甸、山地草甸、山地草原、草甸草原、山地荒漠草原、草原化荒漠、平原荒漠、鹽生草甸）逐月產量變化進行分析和單一牧草類型產量的遙感估算。

新疆天山山區地形復雜、氣候差異顯著、草地空間異質性非常明顯，天山西、中、東 3段草地類型繁多且分布零散。現有研究表明，在草地植被類型復雜區域很難使用單一模型快速實施全區域基于定點產量/生物量數據和植被指數的產量/生物量遙感估產[18-20]。因此，本文綜合考慮天山山區草地植被垂直帶結構差異特征及不同植被指數對草地生長及其產量的影響，利用 MODIS MOD13Q1數據，選取遙感估產較有效的歸一化植被指數（normalized difference vegetation index，NDVI）、差值植被指數（difference vegetation index，DVI）、增強植被指數（enhanced vegetation index，EVI）和土壤調節植被指數（soil adjusted vegetation index，SAVI）[18,21-25]4種植被指數，結合新疆牧草利用類型分區矢量數據，在覆蓋天山南北坡4個牧草利用類型分區內，分別建立4種植被指數及其組合與地面實測總產草量線性或非線性關系回歸方程，選用擬合決定系數最高的某一植被指數或其組合指數與草地總產草量的回歸方程作為草地產量預測模型。

1 材料與方法

1.1 研究區概況

新疆牧草利用類型具有14個分區（引自自治區草原所），因地勢地貌和氣候差異牧草類型格局呈垂直分布、空間差異顯著且品種較多。新疆天山山區草地類型廣泛，有新疆大葉苜蓿、北疆苜蓿、奇臺無芒雀麥、鞏乃斯木地膚和伊犁蒿等，因天山北坡東西跨度特別大，山體特征和在大氣環流中所處的位置不同，承受西來水汽程度差別較大，草地植被的垂直帶結構在西、中、東 3段存在明顯的差異。研究區集中在天山南北坡（41.14°～45.45°N，79.89°～95.84°E），覆蓋 4 個牧草利用類型分區（圖 1），分別為：Ⅰ區，天山北坡西段—伊犁河谷草原畜牧業區；Ⅱ區，天山南坡中段高山盆地草地限牧恢復區；Ⅲ區，天山北坡中段山地草原限牧恢復區；Ⅳ區，天山北坡東段山間盆地草原限牧恢復區。4個分區在類型上具有一定的典型性和完整性，在空間分布上具有一定的連續性。因此，該研究區具有一定的代表性，可以更好用于開展遙感草地產量估算。

1.2 地面樣方數據及處理

草地總產草量地面調查在2009-2015年7-8月份進行。根據草地類型空間分布特征和面積大小，在天山山區草地植被空間分布均一、具有代表性的典型地段設計了235塊調查樣地，樣地內布設3個樣方，共計獲取705個采樣點，覆蓋天山山區31個縣/市。草本及矮小灌木草原樣方，布設樣方為正方形1 m ×1 m大小，若樣地植被分布呈斑塊狀或者較為稀疏，將樣方擴大到2～4 m2。樣地內具有灌木及高大草本植物，且數量較多或分布較為均勻，布設樣方可為正方形（10 m×10 m），也可為長方形（20 m×5 m）。全部齊地割取測量地上生物量。樣地基本特征調查中主要記錄樣地所隸屬行政區、草地類型、地形、季節利用方式和利用狀況等。利用GPS測定樣方經緯度和海拔，同時在樣方內采用常規植被調查法測定植物種數、植被蓋度、群落平均高度及總地上生物量等指標。地面樣方數據質量會影響遙感估算模型的準確性[26]，通過對不同草地類型的多年平均總產草量進行比較，在數據建模前對采樣數據進行了嚴格的檢驗和驗證（根據GPS記錄經緯度提取對應各個指數數據上的植被指數值，將臨近樣方內多年平均草地總產草量和植被指數值進行匹配，剔除過大或過小的采樣點），剔除不具代表性的異常樣本，最終剩下485個樣方數據用于建模和驗證(圖2)。

圖1 新疆牧草利用類型及研究區域位置示意圖Fig.1 Location map of herbage use type and study area in Xinjiang

圖2 2009?2015年7月底至8月初草地總產量樣點位置分布圖Fig.2 Spatial distribution of sampling points of total production of herbage from the end of July to the beginning of August during the years of 2009-2015

1.3 遙感數據及處理

遙感數據為 MODIS/MOD13Q1數據（空間分辨率250 m，時間分辨率16 d），數據格式EOS-HDF，正弦曲線投影，時間序列為2009-2015年7-8月，共計84幅云量小于10%的遙感影像。數據處理包括MODIS MRT工具（MODIS Reprojection Tools）批量完成HDF-TIF格式轉換和定義投影（WGS84）；Python編程批量生成NDVI、EVI、DVI和SAVI序列數據并用最大值合成法(maximum value composition，MVC)[27-28]合成 2009-2015年 7-8月NDVI、EVI、DVI和SAVI指數數據，得到生長季最大植被指數集。由于在計算SAVI須根據實際情況確定土壤調節系數 L（0～1），當 L=0時，表示植被覆蓋度為零；當L=1時，表示土壤背景的影響為零，植被覆蓋度很高。研究成果表明，在草地SAVI計算中，L=0.5時可以較好地消除土壤反照率[28-29]。因此，本文 L選取 0.5。根據草地總產草量485個采樣點記錄GPS經緯度數據，提取采樣點對應 NDVI、DVI、SAVI、EVI植被指數數值，建立植被指數與對應草原樣方采樣總產草量（鮮質量）數據集。

1.4 產草量估算模型的構建及驗證

根據建立的植被指數與對應草原樣方采樣總產草量（鮮質量）數據集，在分析天山南北坡每個分區內樣方采樣點總產草量與植被指數NDVI、DVI、SAVI、EVI散點關系的基礎上，運用回歸分析分別構建線性、指數函數、冪函數以及多項式等一元回歸模型。經過 F檢驗之后，根據回歸方程的決定系數（R2）確定每個分區內各個植被指數估算產草量的最優模型[29]。

采用逐步回歸分析方法建立每個分區內植被指數組合與實測草地總產草量的線性回歸方程（式1）。

式中xi是各個植被指數，ai為回歸系數。運用逐步回歸分析法確定進入回歸模型的植被指數時，需對植被指數進行共線性檢驗，采用方差膨脹因子（variance inflation factor，VIF）指標，當VIF大于7.5時，說明變量（植被指數）間存在較強的共線性，則應移除相應變量去除變量間的共線性[29]。

表1 各分區不同植被指數與草地總產草量（鮮質量）的最優回歸模型Table 1 Optimal regression model between different vegetation index and measured total yield of herbage

采用留一交叉驗證（leave-one-out cross validation，LOOCV）對草地總產草量（鮮質量）遙感模型模擬結果進行驗證[30-31]。假設有n個樣本，從中選擇1個觀測值作為驗證數據，其他 1n-個樣本作為訓練樣本來建立回歸模型，如此重復n次，用n個驗證結果均值來衡量模型模擬精度。每個模型精度由均方根誤差（root mean square error，RMSE）（式2）及決定系數R2評價。

式中yi表示第i個樣方草地總產草量（鮮質量）的實測值（kg/hm2）， ?iy表示第i個樣方草地總產草量（鮮質量）的模型模擬值（kg/hm2），n是觀測樣本總數。RMSE值越低表明回歸模型越精確。

2 結果與分析

2.1 單一植被指數與實測草地總產草量最優回歸模型

利用2009-2015年7-8月植被指數與地面實測草地總產草量建立模型，擬合模型包括線性和指數、多項式和冪函數4類模型。采用上述4類回歸模型，分析各類植被指數與草地總產草量（鮮質量）的回歸分析結果，根據R2最接近1的準則，列出了4個分區不同植被指數最優回歸模型結果，如表1所示。

根據表 1中各分區各個植被指數的最優擬合模型，可以得出如下結論：

從植被指數類型看，發現同一區域采用不同植被指數估算草地總產草量（鮮質量），其擬合決定系數R2差異顯著；同一植被指數類型在不同分區估算草地總產草量時，因各分區草地植被蓋度不同擬合決定系數R2也表現出一定的差異性；采用NDVI估算草地總產草量（鮮質量），在 4個分區均具有很好的估算能力，I、II、III這3個分區中，其模型檢驗指標RMSE值都是最小，精度最高。

從回歸方程類型看，選取R2最接近1的回歸方程，發現 4個分區內多項式方程、乘冪方程和指數方程擬合決定系數 R2比線性回歸方程的 R2高；不同分區 RMSE差異顯著，最大RMSE值出現在I區，達5 857.943 kg/hm2，最小RMSE值出現在III區，僅為616.487kg/hm2，同一分區不同指數-草地總產草量（鮮質量）回歸方程最大RMSE值差異出現在I區，達1 789.139 kg/hm2。

從各個分區應用不同植被指數類型看，分區 I采用指數模型進行草地總產草量（鮮質量）-NDVI擬合時R2較大，為0.586；分區II草地總產草量-植被指數擬合回歸檢驗結果顯示，除DVI外，EVI、NDVI、SAVI估算草地總產草量模型擬合決定系數R2都較高，均大于0.50，EVI、NDVI、SAVI都可用于草地產量監測。草地總產草量（鮮質量）-SAVI多項式回歸方程R2最大，為0.634，NDVI預估能力高于EVI。分區III應用4類植被指數進行草地總產草量（鮮質量）-植被指數擬合決定系數 R2整體較低，草地總產草量（鮮質量）-NDVI多項式擬合決定系數 R2值最大，也僅為 0.302。原因在于，天山北坡中段山地草地垂直帶譜較為完整，由山地荒漠-山地荒漠草原(含有片段草原化荒漠)-山地草原-山地草甸草原-山地草甸(含亞高山草甸)-高寒草甸構成。該區域地面采樣點時間較為集中、樣點數據偏少，但涉及研究空間范圍大且草地類型復雜等這些因素造成該區草地總產草量-植被指數擬合R2整體偏低，分區 IV所有植被指數估算草地總產草量模型的擬合決定系數R2都較高，在所有分區中是最高的，均大于0.55，其中采用EVI估算模型的R2達到最大 0.738。草地總產草量（鮮質量）-EVI和草地總產草量（鮮質量）-DVI多項式回歸方程擬合決定系數 R2較高，明顯優于 NDVI-草地總產草量（鮮質量）指數回歸方程和NDVI-草地總產草量（鮮質量）指數回歸方程。原因是IV區草地植被覆蓋度高、土壤背景影響幾乎可以忽略，采用消除土壤影響的SAVI植被指數反而限制了草地總產量估算的準確性。

2.2 植被指數組合與實測草地總產草量的線性回歸方程

采用逐步回歸分析方法建立每個分區內植被指數組合與實測草地總產草量的線性回歸方程（表2）。

表2 植被指數與實測總產草量線性回歸方程模型結果Table 2 Results of linear regression equation between vegetation index and measured total yield of herbage

隨著模型中引入植被指數類型（變量）的增加，線性回歸方程擬合決定系數R2值逐漸增大。在天山北坡東段山間盆地草原限牧恢復區（IV區）采用 EVI+SAVI+NDVI組合，天山南坡中段高山盆地草地限牧恢復區（II區）采用EVI+SAVI組合提高了線性模型的擬合決定系數R2值。

對植被指數及其組合的最佳子集中的各變量進行共線性檢查，根據VIF的值小于7.5，時自變量之間不存在多重共線性的判識原則，天山北坡西段-伊犁河谷草原畜牧業區采用單一EVI指數，天山北坡中段山地草原限牧恢復區應用單一 NDVI指數進行遙感估算也可以達到較高的估算精度。

2.3 討 論

在采用單一植被指數確定估算區域總產草量的最優回歸模型分析中，天山北坡西段—伊犁河谷草原畜牧業區（I區）采用DVI、EVI指數建模時其擬合決定系數R2略低于NDVI，模型檢驗精度也低于NDVI。原因是該區域植被覆蓋度高、土壤背景影響幾乎可以忽略，采用消除土壤影響的 SAVI植被指數反而限制了草地產量估算的準確性。對于天山南坡中段高山盆地草地限牧恢復區（II區）而言，基于植被指數估算草地總產草量模型擬合決定系數R2都較高，說明這些指數都可用于草地產量監測；采用 SAVI的估算模型其擬合決定系數 R2高于采用NDVI的估算模型，但是模型精度低于NDVI估算模型的精度，這表明采用消除土壤影響的SAVI植被指數在該區域也會限制草地產量估算的準確性。天山北坡中段（III區）山地草地垂直帶譜較為完整，由山地荒漠-山地荒漠草原(含有片段草原化荒漠)-山地草原-山地草甸草原-山地草甸(含亞高山草甸)-高寒草甸構成。該區域地面采樣點時間較為集中、樣點數據偏少，但涉及研究空間范圍大且草地類型復雜等這些因素造成該區草地總產草量（鮮質量）- 植被指數擬合R2整體偏低，模型檢驗精度RMSE在數值上最小。天山北坡東段山間盆地草原限牧恢復區（IV區）草地植被相對稀疏，在該區內所有植被指數估算模型的R2值都較高，說明在草地植被相對稀疏的地區，所有植被指數都可用于草地產量監測。

4個分區總體看，多項式方程、冪函數和指數方程這類非線性回歸模型擬合決定系數R2比線性回歸方程高，表明非線性回歸方程可以提高遙感估產的精度。各個分區的RMSE值差異顯著，但是各個分區的植被類型、覆蓋度以及采樣點的設置情況不同，導致分區間的精度自然有較大的差異。因此，RMSE指標僅可作為每個分區內模型的評價。

在植被指數組合確定估算區域總產草量的線性回歸模型分析中，隨著模型中引入植被指數類型（變量）的增加，擬合決定系數R2值逐漸增大。這是由于單一植被指數在估產時均存在一定的缺陷，而幾種植被指數的組合可實現信息互補。因此，引入植被指數的組合使得線性統計模型的草地估產精度高于單一植被指數。

在植被覆蓋度較低的天山北坡東段山間盆地草原限牧恢復區（IV區），采用指數模型，SAVI與草地總產草量擬合的R2很高，這與前人研究[32-34]結論一致。而在天山北坡西段-伊犁河谷草原畜牧業區（I區）和天山南坡中段高山盆地草地限牧恢復區（II區），采用NDVI進行草地總產草量預測，其精度高于SAVI，這是因為該區域草地生長狀況良好，植被覆蓋度高，使得土壤特征對遙感植被指數的影響很小，利用 NDVI更能反映該研究區的草地總產草量。此外，對于高寒草地生物量NDVI/SAVI反演以及通過消除土壤影響使MSAVI相對NDVI偏大或偏小這一結論也與前人研究一致[35-36]。

但是，本研究中，基于NDVI構建草地總產草量R2值在0.250～0.620，表明NDVI與總產草量并非高度相關，而是呈中等相關，這與本研究中地面采樣點時間較為集中、樣點數據偏少，但涉及研究空間范圍又很大這些因素有關。也就是說，草地生物量反演模型的形式和精度受到采樣時間、研究區地理位置和環境、樣點大小、數量及其代表性的影響。因此，需要在牧草生長季不同時期進行多次采樣，均勻布設采樣點，空間尺度上和時間尺度上保障數據的有效性。

3 結 論

針對新疆天山牧區特殊的地形、氣候及環境條件，利用研究區2009-2015年7-8月MODIS歸一化植被指數（normalized difference vegetation index，NDVI）、差值植被指數（difference vegetation index，DVI）、增強植被指數（enhanced vegetation index，EVI）和土壤調節植被指數（soil adjusted vegetation index，SAVI）4種植被指數產品及其組合，開展了與同期地面實測草地總產草量數據回歸分析試驗，得出如下結論：

1）不同植被指數和草地總產草量相關性呈現出一定的區域差異性。應用同一植被指數在不同分區估算草地總產草量時，各分區草地植被蓋度不同其回歸方程擬合決定系數 R2表現出顯著的差異性；4個分區應用 NDVI估算草地總產草量（鮮質量），時，I、II、III分區中模型檢驗指標RMSE值都是最小，說明其精度最高。

2）對于本研究而言，NDVI、DVI、EVI和SAVI都可用于草地總產草量遙感估算。采用指數模型這類非線型模型進行草地總產草量-植被指數擬合時，精度高于線性模型，特別是低植被覆蓋區。DVI、SAVI這2類指數因考慮環境因素，應用其估算草地總產量時需要考慮植被覆蓋狀況；

3）應用多種植被指數線性組合進行II、IV區草地產量估算時，發現隨著模型中引入植被指數類型（變量）的增加，線性回歸方程擬合決定系數R2值逐漸增大，模型檢驗指標RMSE低于單一指數-草地總產草量遙感估算的值。

降水和溫度等氣候因素及采樣時空間隔都會影響遙感估算草地生物量空間分布及其年際波動。因此，今后研究中將引入降水、溫度和日照實數等氣候因素，并在牧草生長季的不同時期進行多次采樣，在空間尺度上均勻布設采樣點，以期減少建模誤差和提高模型精度。

[參 考 文 獻]

[1] 劉新平，呂曉. 新疆牧草地資源利用動態變化及其績效分析[J]. 干旱區地理(漢文版)，2009，32(1)：81－86.Liu Xinping, Lv Xiao. Dynamics and performance evaluation of grassland resources utilization in Xinjiang[J].Arid Land Geography, 2009，32(1): 81－86. (in Chinese with English abstract)

[2] 黃敬峰，胡新博. 新疆北部天然草地產草量遙感監測預測模型研究[J]. 浙江大學學報(農業與生命科學版)，1999,25(2)：125－129.Huang Jinfeng, Hu Xinbo. Studies on grass yield monitoring and predicting models of natural grassland using remote sensing data in Northern Xinjiang[J]. Journal of Zhejiang Agricultural University, 1999, 25(2): 125－129. (in Chinese with English abstract)

[3] Zhang L, Wylie B, Loveland T, et al. Evaluation and comparison of gross primary production estimates for the Northern Great Plains grasslands[J]. Remote Sensing of Environment, 2007, 106(2): 173－189.

[4] Zhao M, Heinsch F A, Nemani R R, et al. Improvements of the MODIS terrestrial gross and net primary production global data set[J]. Remote Sensing of Environment, 2005,95(2): 164－176.

[5] 張連義，張靜祥，賽音吉亞，等. 典型草原植被生物量遙感監測模型——以錫林郭勒盟為例[J]. 草業科學，2008，25(4)：31－36.Zhang Lianyi, Zhang Jingxiang, Sai Yinjiya, et al. Remote sensing monitoring model I for grassland vegetation biomass monitoring in typical steppe – a case study from Xilinguole[J]. Pratacultural Science, 2008，25(4)：31－36. (in Chinese with English abstract)

[6] Todd S W, Hoffer R M, Milchunas D G. Biomass estimation on grazed and ungrazed rangelands using spectral indices[J].International Journal of Remote Sensing, 1998, 19(3):427－438.

[7] Foereid B, H?gh-Jensen H. Carbon sequestration potential of organic agriculture in northern Europe: A modelling approach[J]. Nutrient Cycling in Agroecosystems, 2004,68(1): 13－24.

[8] 呂新苗，鄭度. 氣候變化對長江源地區高寒草甸生態系統的影響[J]. 長江流域資源與環境，2006，15(5)：603－607.Lv Xinmiao，Zheng Du. Impactsof global change on the alpine meadow ecosystem in the sourceregion of the Yangtze River[J]. Resources and Environment in the Yangtze Basin，2006，15(5)：603－607. (in Chinese with English abstract)

[9] 陳辰，王靖，潘學標，等. 氣候變化對內蒙古草地生產力影響的模擬研究[J]. 草地學報，2013，21(5)：850－860.Chen Chen，Wang Jing, Pan Xuebiao, et al. Simulation study regarding the impact of climate change on grass productivity in Inner Mongolia[J]. Acta Agrectir Sinica, 2013, 21(5): 850－860. (in Chinese with English abstract)

[10] 黃敬峰，馮振武. 天山北坡中段天然草場牧草產量遙感動態監測模式[J]. 干旱區資源與環境，1993，8(2)：10－17.

[11] 黃敬峰，王秀珍. 天山北坡中東段天然草地光譜植被指數特征[J]. 山地學報，1999，17(2)：119－124.Huang Jingfeng, Wang Xiuzheng. The Characteristics of natural grassland spectral vegetation indices in eastern and middle part of Northern Tianshan Mountain[J]. Journal of Mountain Science, 1999，17(2): 119－124. (in Chinese with English abstract)

[12] 黃敬峰，王秀珍，王人潮，等. 天然草地牧草產量與氣象衛星植被指數的相關分析[J]. 農業現代化研究，2000，21(1)：33－36.Huang Jingfeng, Wang Xiuzhen, Wang Renchao, et al.Relation analysis beween the production of natural grassland and satallite vegetation indices[J]. Research of Agricultural Modernization, 2000, 21(1): 33－36. (in Chinese with English abstract)

[13] 黃敬峰，王秀珍，王人潮，等. 天然草地牧草產量遙感綜合監測預測模型研究[J]. 遙感學報，2001，5(1)：69－74.Huang Jingfeng, Wang Xiuzhen, Wang Renchao, et al. A study on monitoring and predicting models of grass yield in natural grassland[J]. Journal of Remote Sensing, 2001, 5(1):69－74. (in Chinese with English abstract)

[14] 黃敬峰，蔡承俠. 利用NOAA/AVHRR資料監測北疆天然草地生產力[J]. 草業科學，1999(5)：62－69.Huang Jingfeng, Cai chengxia. Using NOAA/AVHRR data monitoring natural grassland productivity in the northern Xinjiang Uygur autonomous region[J]. Pratacultural Science,1999(5): 62－69. (in Chinese with English abstract)

[15] 李建龍，蔣平，戴若蘭. RS，GPS和GIS集成系統在新疆北部天然草地估產技術中的應用進展[J]. 生態學報，1998，18(5)：504－510.Li Jianlong, Jiang Ping, Dai Ruolan. Advances in study on the remote sensing technology and gps and gis integration systems in estimating grassland yield applications in the north of Xinjiang, China[J]. Acta Ecologica Sinica, 1998，18(5): 504－510. (in Chinese with English abstract)

[16] 王新欣，朱進忠，范燕敏，等. 利用EOS/MODIS植被指數建立草地估產模型的研究[J]. 新疆農業科學，2008，45(5)：843－846.Wang Xinxin, Zhu Jinzhong, Fan Yanming, et al. Estimation model of establishing grassland with EOS/MODIS vegetation indexes[J]. Xinjiang Agricultural Sciences, 2008,45(5): 843 －846. (in Chinese with English abstract)

[17] 錢育蓉，楊峰，李建龍，等. 基于 3S的新疆阜康典型草地產草量及草畜平衡分析[J]. 草業科學，2013，30(9)：1330－1337.Qian Yurong, Yang Feng, Li Jianlong, et al. Yield and animal-feed balance of typical grassland in Xinjiang Fukang using 3S techniques[J]. Pratacultural Science, 2013, 30(9):1330－1337. (in Chinese with English abstract)

[18] Jin Y, Yang X, Qiu J, et al. remote sensing-based biomass estimation and its spatio-temporal variations in temperate grassland, Northern China[J]. Remote Sensing, 2014, 6(2):1496－1513.

[19] Gao T, Xu B, Yang X C, et al. Using MODIS time series data to estimate aboveground biomass and its spatiotemporal variation in Inner Mongolia's grassland between 2001 and 2011[J]. Int. J. Remote Sens. 2013, 34: 7796－7810.

[20] Xu B, Yang X C, Tao W G, et al. MODIS-based remote sensing monitoring of grass production in China[J]. Int. J.Remote Sens, 2008, 29: 5313－5327.

[21] Piao S L, Fang J Y, He J S, et al. Spatial distribution of grassland biomass in China[J]. Acta Phytoecol. Sin. 2004, 28:491－498.

[22] Jin Y X, Bin X U, Yang X C, et al. Remote sensing dynamic estimation of grass production in Xilinguole, Inner Mongolia[J]. Scientia Sinica, 2011, 41(12): 1185－1195.

[23] Leisher C, Hess S, Boucher T M, et al. Measuring the impacts of community-based grasslands management in Mongolia's Gobi[J]. Plos One, 2012, 7(2): e30991.

[24] Ouyang W, Hao F H, Skidmore A K, et al. Integration of multi-sensor data to assess grassland dynamics in a Yellow River sub-watershed[J]. Ecological Indicators, 2012, 18: 163－170.

[25] Muukkonen P, Heiskanen J. Biomass estimation over a large area based on stand wise forest inventory data and ASTER and MODIS satellite data: A possibility to verify carbon inventories[J]. Remote Sensing of Environment, 2007,107(4): 617－624.

[26] 楊秀春，徐斌，朱曉華，等. 北方農牧交錯帶草原產草量遙感監測模型[J]. 地理研究，2007，26(2)：213－221.Yang Xiuchun, Xu Bin, Zhu Xiaohua, et al. Models of grass production based on remote sensing monitoring in northern agro-grazing ecotone[J]. Geographical Research，2007，26(2)：213－221. (in Chinese with English abstract)

[27] Yang Y H, Fang J Y, Pan Y D, et al. Aboveground biomass in Tibetan grasslands[J]. Journal of Arid Environments, 2009,73(1): 91－95.

[28] Zeng H, Jia G, Forbes B C. Shifts in Arctic phenology in response to climate and anthropogenic factors as detected from multiple satellite time series[J]. Environmental Research Letters, 2013, 8(3): 035036.

[29] 陳彥光. 基于Matlab的地理數據分析[M]. 北京：高等教育出版社, 2012.

[30] Olden J D, Jackson D A. Torturing data for the sake of generality: How valid are our regression models?[J].Ecoscience, 2000, 7(4): 501－510.

[31] 屈莎，李振海，邱春霞，等. 基于開花期氮素營養指標的冬小麥籽粒蛋白質含量遙感預測[J]. 農業工程學報, 2017,33(12): 186－193.Qu Sha, Li Zhenhai, Qiu Chunxia, et al. Remote sensing prediction of winter wheat grain protein content based on nitrogen nutrition index at anthesis stage[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(12): 186－193. (in Chinese with English abstract)

[32] Huete A R. A soil-adjusted vegetation index (SAVI)[J].Remote Sensing of Environment, 1988, 25(3): 295－309.

[33] Huete A R, Jackson R D, Post D F. Spectral response of a plant canopy with different soil backgrounds. [J]. Remote Sensing of Environment, 1985, 17(1): 37－53.

[34] Candiago S, Remondino F, Giglio M D, et al. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images[J]. Remote Sensing,2015, 7(4): 4026－4047.

[35] Liang T, Yang S, Feng Q, et al. Multi-factor modeling of above-ground biomass in alpine grassland: A case study in the Three-River Headwaters Region, China[J]. Remote Sensing of Environment, 2016, 186: 164－172.

[36] 陶偉國，徐斌，劉麗軍，等. 不同利用狀況下草原遙感估產模型[J]. 生態學雜志，2007，26(3)：332－337.Tao Weiguo，Xu Bing，Liu Lijun, et al. Yield estimation model for different utilization status grassland based on remote sensing data[J] . Chinese Journal of Ecology, 2007,26(3): 332－337. (in Chinese with English abstract)