基于STARFM 的草地地上生物量遙感估測研究
——以甘肅省夏河縣桑科草原為例

張玉琢，楊志貴，于紅妍，張強，楊淑霞，趙婷，許畫畫，孟寶平*，呂燕燕

（1. 南通大學脆弱生態研究所，地理科學學院，江蘇 南通 226007；2. 祁連山國家公園青海服務保障中心，青海 西寧 810001；3. 甘肅省環境監測中心站，甘肅 蘭州 730020）

草地地上生物量（above ground biomass，AGB）通常是指草地地上部分植被干重［1］，是陸地生態系統碳循環的重要組成部分［2］，其時空格局分布可以反映草地生態系統功能和狀態的變化特征［3］。在實際生產活動中，草地AGB 的變化可以用來監測草地放牧程度，土地利用變化及早期草地退化預警［4］。因此，構建精確的地上生物量估測模型對草地管理、草畜平衡、草地生長狀況評估和生態環境保護具有非常重要的科學意義［5?7］。

青藏高原地區地形復雜，氣候環境獨特，傳統地面實測方法難以獲取高寒草地AGB 真實空間分布狀況。遙感因其具有全局、經濟、速度快、負載大量信息等特點［8］，被廣泛應用于大尺度草地生物量估測研究［9］。草地地上生物量估測中常用到的中低分辨率遙感資料主要有AVHRR、MODIS、ASTER 和SPOT 衛星上搭載的VEGETATION，中高分辨率遙感資料主要包括Landsat 系列衛星上搭載的MSS、TM、ETM+及OLI，環境減災系列HJ-2A/2B CCD，高分系列衛星（GF1/GF6 WFV），資源衛星和Sentinel 衛星等。Williamson 等［10］結合Landsat MSS 衛星遙感資料和實測草地地上生物量數據，反演了澳大利亞半干旱地區草地地上生物量，為該地區火災預警和草地植被生長監測提供了科學依據。Verbesselt 等［11］利用SPOT VEGETATION 遙感資料估測了南非克魯格國家公園薩瓦拉草原的植被生物量和含水量情況，從而為南非熱帶草原生態系統的火災風險評估提供參考依據。徐斌等［12］基于MODIS NDVI 數據和全國草地地上生物量調查數據，分別構建了我國6 大牧區草地地上生物量估測模型，模型估測精度總體上接近80%。孟寶平等［13］用MODIS、Landsat 8 OLI 和HJ-1A/1B CCD 等遙感資料的NDVI 對高寒草甸生物量估測精度進行對比分析，結果表明，基于Landsat 8 OLI NDVI 對數模型估算的估測誤差最小，RMSE 僅為31.33 kg·hm?2。

長期以來，使用Landsat MSS、TM、ETM+和OLI 等較高分辨率的衛星資料（30 m）在草地AGB 監測中有較高的精度，但受過境時間（16 d）、覆蓋范圍（185 km×185 km）和云雨等天氣因素的嚴重制約，無法獲取到持續長時間序列、大范圍高質量衛星影像。而MODIS 等遙感資料空間分辨率較低（250～1000 m），在草地AGB 的估測研究中尚存在較大誤差［14］，但其擁有較高的時間分辨率（每天）和相對廣闊的空間覆蓋面積（幅寬達2330 km），非常適合應用在分布遼闊的草地及其動態變化監測上。近年來，隨著遙感數據融合算法的發展，多源遙感數據融合產品在植被遙感監測中得到了廣泛應用，尤其是時空適應反射率融合算法（spatial and temporal adaptive reflection fusion model，STARFM）［15］。如趙艷麗等［16］基于Landsat TM 和MODIS 反射率產品，利用STARFM 算法獲取了高時序特征的TM 數據，對內蒙古呼倫貝爾呼倫湖濕地不同地物類別的分類研究表明，該方法得到的TM 時序數據集對研究區不同地物類別具有較高的預測能力，尤其適用于在濕地這類反射特點實時變化相對不大的地區。田羅［17］以MODIS NDVI 和Landsat（TM/OLI）NDVI 為數據源，結合STARFM 算法研究了2000?2015年隔湟水流域春小麥（Triticum aestivum）、青稞（Hordeum vulgare）和油菜（Brassica napus）3 種作物空間分布信息，并對流域內農作物種植構造的時間空間演變進行了探究。Peters［18］基于Landsat 和MODIS 遙感資料，利用STARFM 算法合成2000?2015年30 m 空間分辨率和16 d 時間分辨率的NDVI 植被指數數據集，從而分析了入侵物種野葛（Pueraria montana）物候動態變化情況。以上研究均表明，STARFM 將Landsat 高空間分辨率和MODIS 高時間分辨率的優勢結合起來，生成了具有長時間序列的高空間分辨率遙感反射率數據，解決了時空數據融合的難題。然而，STARFM 算法在高寒草地地上生物量遙感估測中的應用尚鮮有報道。

此外，STARFM 算法采用了鄰近相似像元的信息作為參考，對高分辨率影像像元值進行預測，即以預測像元為中心，根據像元值相似程度、空間距離以及時間距離作為選擇依據，在滑動窗口內尋找預測像元的相似點，并對所有相似像元附以一定的權值，最終獲得中間預測像元的值，在整個圖像上進行卷積運算，從而獲得整幅影像的預測值。在對多源遙感資料進行融合運算時，還存在數據量大，運行速度慢等特點［19］。自2008年美國地質勘探局（United States Geological Survey，USGS）開放了Landsat 影像后，谷歌開發了基于云運算的集成開發環境Google Earth Engine（GEE）以便于調用地球引擎API（application programming interface）。GEE 囊括了Landsat和MODIS 等免費多源遙感資料，集成了上千臺服務器，所有的進程和計算都即時運行［20］，在并行運算和大數據算法下使得數據分析速度較單一服務器快40～1000 倍［19］。因其優越的運算性能，GEE 已在全球植被遙感觀測中得到廣泛的應用，Patel 等［21］基于GEE，使用不同的規范化光譜向量在全球范圍分類城市大小。Lobell 等［22］通過GEE 應用Landsat 數據預估了美國玉米（Zea mays）和大豆（Glycine max）的產量。Hansen 等［20］通過GEE 繪制了全球森林覆蓋地圖。

基于上述因素考慮，以青藏高原東部的甘南地區典型研究區高寒草甸AGB 為研究對象，基于時間序列Landsat 系列遙感資料和MODIS 植被指數產品MOD13Q1 數據，結合GEE 平臺，采用STARFM 融合算法，探索研究區高時空分辨率植被指數的快速構建方法，并構建高寒草甸草地AGB 遙感反演模型，分析研究區草地AGB時空動態變化趨勢，從而為高寒草甸草地AGB 快速、精確監測研究提供科學依據，同時也為研究區草畜平衡和可持續發展提供理論基礎。

1 材料與方法

1.1 研究區概況

研究區位于青藏高原東緣的甘南藏族自治州夏河縣桑科鄉央吉社區（圖1a，地理坐標為102°23′?102°26′E，35°05′?35°07′N），東西長2.77 km，南北長3.86 km，總面積1.61 km2。研究區年平均溫度是2.10 ℃，海拔3050 m，年降水量為580 mm，隸屬大陸性高原溫帶季風氣候。研究區包括5 塊樣區，每塊樣區因利用方式和處理措施各異，植被群落和草地生物量有較大差異（圖1b）。其中，1 號樣區為劃破草皮+補播的人工改良草地，2 號樣區為放牧利用草地，3 號樣區為未施加培育草地（即對照樣地），4 號樣區為鼠丘補播草地，5 號樣區為施肥草地。研究區內原生態草地類別為高寒草甸，垂穗披堿草（Elymus nutans）為其區域優勢植被物種。放牧家畜以甘加羊、牦牛為主。

1.2 野外采樣數據

野外采樣點布設如圖1b 和表1 所示，在研究區內選擇13 個與MOD13Q1 植被指數產品柵格所對應的區域作為外業觀測樣地，范圍大小為250 m×250 m。每個觀測樣地中選取30 m×30 m 范圍作為樣方采樣點布設區（圖2）并且在每個設置區域4 個角點和中心點設置0.5 m×0.5 m 大小的樣方5 個。2013?2016年間，每年7月初至8月底開展野外觀測工作，該時間段內研究區草地處于生長旺季。4年來開展野外觀測4 次，觀測樣地48 個，樣方240 個（表1）。每個樣方中AGB 采集采用齊地面刈割的方法，收集草地群落全部地上部分，采集的樣品置于透氣的布袋，帶回實驗室在64 ℃恒定溫度的烘箱中烘干至恒重，利用電子天平稱重并記錄每個樣方草地生物量干重，以同一樣地中所有樣方的草地生物量干重的平均值表征樣地草地生物量情況，用于后期草地生物量預估模型的建立。除此之外，采樣記錄的內容包括采樣點的經度、緯度、地面高程、海拔高度、覆蓋面積、草地地上部分生物量等指標。此外，在研究內隨機選取20 個地面控制點，用于后期衛星遙感資料的幾何精校正。

表1 研究區遙感影像及外業調查時間Table 1 Date remote sensing image and field survey

圖1 研究區概況Fig.1 Overview of the study areaa 為研究區位置；b 為草地AGB 采樣點分布；c、d 和e 分別為研究區2013年8月8日Landsat 8 OLI 真彩色合成圖像以及Landsat 8 OLI 和MOD13Q1 NDVI 植被指數。a is the location of the study area；b is the distribution of AGB sampling sites in grassland；c，d and e are the real-color composite images of Landsat 8 OLI，NDVI of Landsat 8 OLI and MOD13Q1 in the study area on August 8，2013.

圖2 研究區采樣點分布Fig.2 Distribution of sample sites in the study area

1.3 遙感數據獲取及其預處理

本研究所涉及的遙感數據包括MODIS MOD13Q1 NDVI 植被指數產品和Landsat 8 OLI 衛星遙感數據資料，兩種遙感數據資料收集和預處理均在谷歌地球引擎平臺（Google Earth Engine，GEE）上云處理完成，利用JavaScript 語言整理搜集2000?2016年所有Landsat 影像及與其過境時間對應的MODIS NDVI 植被指數產品數據。在實現數據融合之前，對MODIS、Landsat 和數據質量進行檢測，以去除云及陰影對運算結果的影響。研究區內被云、雪或陰影區域作為低質量的柵格被裁剪。本研究中，根據低質量柵格比例，將低質量柵格占比高于5%的MODIS 和Landsat 數據對不參與融合運算。研究區數據統計結果如圖3 所示，共收集394 對數據對，其中Landsat 低質量柵格數小于5%的影像144 景，大于5%的影像124 景，缺失影像126 景。最終將兩類遙感資料的投影轉化為Albers，以供后期數據融合使用。

圖3 MODIS 和Landsat 影像數據Fig.3 MODIS and Landsat image data

1.4 STARFM 算法

遙感數據的融合主要采用時空適應反射率融合算法（spatial and temporal adaptive reflectance fusion model，STARFM）［15］，該算法首先通過同一時間（t1）的MODIS 和Landsat 影像，獲取影像空間分布的差異，再結合另外一個時間（t2）的低分辨率影像MODIS 對Landsat 進行預測，在預測過程中采用滑動窗口來減少低分辨率遙感數據像元邊界的問題，利用給空間距離、光譜距離和時間距離賦權重值的辦法，獲取滑動窗口中心像元值。其計算過程可用如下公式表達：

式 中：(xi，yi)為 像 元 點 坐 標，w表示活動窗口的 柵 格 數，L(xw2，yw2，t2)表示t2時刻Landsat NDVI 的預測值，M(xi，yj，t2)表示t2時刻MODIS NDVI 的值，L(xi，yj，t1)表示t1時刻Landsat NDVI 的值，M(xi，yj，t1)表示t1時刻MODIS NDVI 的值。Wijk表示權重，即滑動窗口w內像元對預測值的貢獻，由光譜距離（Sijk）、時間距離（Tijk）、空間距離（Dijk）3 項來確定，其計算公式為：

本研究中使用R 語言下利用STARFM v.1.2.1 算法［15］生成2000?2016年空間分辨率為30 m，時間分辨率為16 d 的高分辨率NDVI 植被指數產品，所有數據的融合均在GEE 云端完成，供下一步草地地上生物量遙感估測模型的構建和動態反演使用。

1.5 生物量模型構建及其精度檢驗

將研究區實地采樣的生物量數據作為因變量，與生物量采樣時間所對應的Landsat NDVI（NDVILandsat）、MODIS NDVI（NDVIMODIS）和融合后NDVI（NDVISTARFM）產品分別作為自變量，使用SPSS 統計分析軟件分別將基于NDVILandsat、NDVIMODIS和NDVISTARFM的線性、對數、指數和乘冪4 類回歸模型進行構建。本研究使用留一法交叉驗證（leave-one-out cross validation，LOOCV）的方法來評估單因素參數模型的表現能力，該方法可以有效地泛化模型。將所有的自變量及其對應的因變量以等樣本數n的方式分為n份，進行交叉驗證，每次選取1/n的樣本作為測試數據集，用來驗證模型的估測能力，剩下的樣本作為訓練集用來構建草地生物量估測模型。利用每次測試集來驗證訓練集模型的誤差，每次構建模型后利用測試集數據計算模型預測值與觀測值之間R2和均方根誤差（root mean square error，RMSE），重復選取測試集和訓練集n次，直到所有的樣本都在測試集和訓練集中出現為止，模型的估測能力用n次運算得到的R2和RMSE 的平均值表示，R2值越大，RMSE 越小，模型的精度越高。其中RMSE 的計算公式為：

式中：yi為測試集草地地上生物量觀測值，y′i為測試集草地地上生物量預測值，地上生物量值的單位為kg·hm?2。

此外，由于研究區面積較小，且各樣地內草地生長狀況比較單一，變化較小。因此，本研究以2013 與2016年全部樣點的生物量的平均值作為真實值計算出5 個研究區的總生物量。將處于不同遙感資料下的AGB 反演模型得出的結果作為反演值，分別計算絕對誤差和相對誤差，在不相同的3 種模型下分別評價整個研究區及5 個樣區的總生物量估測精度。絕對誤差和相對誤差的計算公式如下：

式中：Δ 代表生物量的絕對誤差，x代表模型計算的總生物量，l表示來源地面實測點計算的生物量，δ 表示相對誤差（%），生物量值的單位為kg·hm?2。

1.6年際動態變化分析

基于1.3 和1.4 中NDVILandsat、NDVIMODIS和NDVISTARFM的研究區最優草地生物量估測模型，計算2000?2016年每年生長季最大AGB，并利用Slope 變化趨勢分析法分析了17年來草地最大生物量年際動態變化趨勢［23］。Slope 計算公式如下：

式中：i表示年份，取值范圍為1～17，Biomassi表示第i年生長季最大草地生物量，n表示累計觀察的年份為17。

2 結果與分析

2.1 研究區實測生物量與對應植被指數統計分析

2013?2016年研究區實測草地AGB 及其所對應3 種植被指數統計性分析結果如表2 所示，研究區內NDVILandsat、NDVIMODIS和NDVISTARFM3 類植被指數變化情況相似，標準偏差（standard deviation，STD）介于0.08～0.11 之間，變異系數（coefficient of variation，CV）介于0.13～0.17 之間，3 類植被指數中，NDVILandsat的平均值最大，為0.77，其次依次為NDVIMODIS和NDVISTARFM。而研究區內草地地上生物量隨著氣候和生長期的變化產生劇烈的變化，4年來STD 高達972.60 kg·hm?2，CV 為0.42。生物量最高達3997.33 kg·hm?2，最小僅為745.52 kg·hm?2，平均值為2299.30 kg·hm?2。

表2 研究區植被指數和草地生物量統計性描述Table 2 Statistical description of vegetation index and grassland biomass in the study area

2.2 生物量估算模型及精度檢驗

基于LOOCV 檢驗的NDVILandsat、NDVIMODIS和NDVISTARFM3 類植被指數所構建的線性、對數、乘冪和指數模型的精度情況如表3 所示。在4 類模型中，由乘冪模型所建立的草地生物量預估模型精度最高，該模型R2介于0.24～0.76，RMSE 介于634.83～937.79 kg·hm?2，其次精度由高到低依次為指數模型和對數模型，而線性模型精度最低，R2介于0.17～0.65，RMSE 介于586.72～917.21 kg·hm?2。3 類植被指數中，基于NDVILandsat的4 類模型精度均優于NDVIMODIS和NDVISTARFM所對應的模型，R2介于0.65～0.76，RMSE 介于576.76～665.32 kg·hm?2，其次為NDVISTARFM和NDVIMODIS。所有模型中基于NDVILandsat的乘冪模型精度最高，R2達0.76，RMSE 為634.83 kg·hm?2；其次為基于NDVISTARFM的乘冪模型，R2為0.58，RMSE 為795.62 kg·hm?2；而基于NDVIMODIS最佳草地生物量預估模型在3 類植被指數中最低，R2僅為0.24，RMSE 高達937.79 kg·hm?2（表3）。

表3 研究區草地生物量回歸模型精度檢驗Table 3 Accuracy validation of biomass regression models in study area

對3 種植被指數的最佳草地生物量估測模型參數估計進行T 檢驗和回歸顯著性F檢驗，結果如表4 所示。3 種植被指數的最佳預估模型全通過了顯著性水平P＜0.001 的F檢驗和T 檢驗，3 種植被指數中最優預估模型公式如表5 所示。

表4 最優反演模型參數T 檢驗和回歸顯著性F 檢驗Table 4 T test and F test for optimal inversion model

表5 基 于NDVILandsat、NDVIMODIS 和NDVISTARFM 最 優AGB 估 測模型Table 5 The optimal AGB estimation model based on NDVILandsat，NDVIMODIS and NDVISTARFM

2.3 研究區生物量反演模型精度驗證

如表6 所示，對于整個研究區而言，基于NDVILandsat最優估測模型估算的草地AGB 絕對誤差和相對誤差均最小，分別為3.45萬kg 和7.75%，其次為基于NDVISTARFM的最優估測模型反演結果，其絕對誤差和相對誤差分別為5.75萬kg 和15.95%。而基于NDVIMODIS最優估測模型的反演結果精度最低，其絕對誤差達9.89萬kg，相對誤差達22.22%。就5 個樣區而言，1～4 號樣區內基于NDVISTARFM最優估測模型的反演誤差最小，其次依次為基于NDVILandsat和NDVIMODIS的最優估測模型；而5 號樣區中基于NDVILandsat最優估測模型反演誤差最小，其次為基于NDVISTARFM和NDVIMODIS的最優估測模型反演誤差。

表6 基于NDVILandsat、NDVIMODIS和NDVISTARFM最優估測模型的研究區草地產草量的精度評價Table 6 Accuracy evaluation of the inversion biomass based on NDVILandsat，NDVIMODIS and NDVISTARFM

2.4 研究區草地AGB年際動態變化

基于NDVISTARFM和NDVIMODIS最優估測模型反演2000?2016年研究區年最大草地AGB，并分析其時空動態變化狀況，結果如圖4 所示。基于NDVISTARFM最佳估測模型的Slope 動態變化分析結果顯示，17年來研究區大部分草地AGB年增加量大于30 kg·hm?2，面積約占整個研究區面積的91.90%，主要分布在人類活動干擾較少的區域；年增加量在10～30 kg·hm?2之間的區域占整個研究區面積的3.82%，主要位于離居民地較遠的道路、河道和溝谷地區；區內年變化量保持基本不變和減少的區域分別占整個研究區面積的1.96%和2.30%，位于研究區內居民聚集區及其周邊地區。基于NDVIMODIS反演的草地AGB 在過去17年的變化趨勢空間分異誤差較大，且與NDVISTARFM最佳估測模型分析結果差異較大。基于NDVIMODIS最優估測模型計算的Slope 結果表明，研究區內35.60%的區域草地AGB 的年變化量處于10～30 kg·hm?2之間，年增量大于30 kg·hm?2的區域占3.53%。年變化量在?10～10 kg·hm?2之間的區域占46.71%，而年減少量在10 kg·hm?2以上的區域僅占14.14%。

圖4 基于NDVISTARFM和NDVIMODIS最優估測模型反演的草地AGB年最大值slope 動態變化Fig. 4 The slope dynamic variation of annual maximum grassland AGB based on the optimal estimation model of NDVISTARFM and NDVIMODISa 和b 分別為基于NDVIMODIS和NDVISTARFM 最優估測模型反演的草地AGB年最大值slope 動態變化；AGB年變化量單位為kg·hm?2·year?1。a and b are the slope dynamic variation of annual maximum grassland AGB based on the optimal estimation models of NDVIMODIS and NDVISTARFM，respectively；The unit of annual variation of aboveground biomass is kg·hm?2·year?1.

3 討論

3.1 MODIS NDVI 在高寒草地AGB 遙感估測中的局限性與展望

MODIS 數據因其具有較高的時間分辨率（每天）和空間覆蓋范圍（2330 km），在青藏高原高寒草地AGB 遙感估測中得到廣泛的應用［12，24?27］。然而受空間分辨率的影響（250～1000 m），在草地AGB 的估測研究中尚存在較大誤差［9，14］。因此，探索基于MODIS 數據高精度的草地生物量遙感估測新途徑，對于提高大區域草地遙感反演的精度具有重要意義［9］。本研究中，基于時空融合算法獲取了NDVISTARFM數據集，從而提高了MODIS NDVI 植被指數的空間分辨率，減少了土壤背景值對植被指數的影響，使研究區草地AGB 的總體預測精度提高了28.35%。除此之外，基于MODIS NDVI 的草地AGB 遙感估測模型的改進還可以從以下幾個方面開展：1）通過增加樣地內觀測樣方的數量和面積，來提高觀測樣地空間代表性，從而減少地面采樣與衛星影像像元之間空間尺度的不匹配性［23，28］；2）根據衛星影像成像時間，合理安排野外調查時間，盡可能減小地面調查與衛星影像獲取之間的時間差異；3）結合新的遙感觀測技術（如無人機高光譜遙感監測技術），加強草地植被群落光譜特征研究和窄波段遙感植被指數在草地AGB 遙感監測中的應用［29?30］；4）基于遙感植被指數、土壤、地形、氣候因子和生物物理指標等因子，結合多源統計模型和機器學習算法構建草地AGB 估算模型［14，31?32］。

3.2 STARFM 融合在本研究中的不足

常用的MODIS NDVI 數據時間分辨率較高，但空間分辨率低（分辨率低于250 m），生物量遙感估測模型精度低；Landsat NDVI 數據具有30 m 空間分辨率，生物量遙感估測模型精度高，但是重訪周期長（16 d），且易受云雨等天氣因素影響，無法獲取連續時間序列的高質量植被指數數據集。因此結合多源遙感資料和數據融合算法是提高草地生物量遙感估測的重要途徑。Gao 等［15］結合高空間分辨率（185 m×185 m）的Landsat 和高時間分辨率（每天）的MODIS 建立了STARFM 時空適應性反射率融合模型，此方法將兩種來源的遙感數據進行地球表面反射率的融合估測，已經在監測地物季節性變化［33］，提高蒸散、總初級生產力（gross primary productivity，GPP）分析精度［34］及提高分類精度方面得到成功應用［35］。從圖5 中可以看出MODIS 數據的空間分辨率較低（圖5a），而Landsat 數據又時常受到云和陰影影響（圖5b），在STARFM 融合下，提高了植被指數空間分辨率，并且一定程度上改善了云雨及陰影干擾的問題（圖5c）。然而，就本研究而言，STARFM 算法在研究區草地AGB 估測中還存在一些不足和不確定性，首先本研究只探討了Landsat 和MODIS NDVI 融合數據產品，并未探討其他植被指數和波段對研究區草地AGB 的估測情況，Meng 等［9］的研究結果表明，研究區內MODIS EVI 對草地AGB 的估測精度更高。此外，孟寶平等［13］研究表明基于Landsat 8 OLI band7/band5 比值植被指數對高寒草甸植被比較敏感，然而本研究并沒有討論此類植被指數與MODIS 數據的融合產品對AGB 的估測情況，因此探索研究區內其他植被指數或敏感波段融合數據對草地生物量預測精度的作用是下一步研究的重點方向。其次，利用STARFM 對長時間序列數據進行融合運算時，數據量較大，運算速度較慢，對數據運算平臺要求較高，本研究基于前期研究經驗，選擇在GEE 平臺對數據進行云運算，大幅提高了數據處理進程。

圖5 3 種NDVI 對 比Fig.5 Three types of NDVI comparison（a）為MODIS NDVI，（b）為Landsat NDVI，（c）為融合后NDVI。（a）is MODIS NDVI，（b）is Landsat NDVI，（c）is NDVI after fusion.

3.3 樣區的絕對誤差和相對誤差的數據選擇

利用研究區各樣區內草地生物量總差來檢驗模型估測精度時，應選取草地生長狀況均一，具有代表性的樣區（利用單產乘以樣區面積作為整個樣區草地AGB 的真實值）。在本研究中，各樣區2013?2016年草地地上生物量統計性分析結果如表7 所示。結果表明，2015年各樣區內樣方的草地生物量STD 和CV 在4年內最低，該年產草量總體偏低，可能與氣候影響有關，僅為2263.90 kg·hm?2，屬于異常年份。故該年產草量不能作為驗證數據。此外，同時對比2013，2014 和2016年各樣地草地生物量狀況，2014年5 個樣區內樣方生物量的STD 和CV 值多大于2013 和2016年，故該年研究區內草地生長均勻程度不如2013 和2016年。因此，本研究僅選取2013 和2016年的實測數據去驗證模型反演產草量精度。

表7 各年份的實測數據統計性分析Table 7 Statistical analysis of measured data in each year

4 結論

本研究通過結合Landsat 和MODIS NDVI 數據，利用STARFM 時空數據融合算法和GEE 云計算平臺，生成了2000?2016年甘南州夏河縣研究區時間分辨率為16 d，空間分辨率為30 m 的NDVI 數據集合。在此基礎上建立了研究區高寒草甸AGB 估測模型，探討了高寒草甸AGB 時空動態變化狀況。主要得到以下結論：1）在基于NDVISTARFM的4 類遙感估測模型中，乘冪模型的精度最高，其R2和RMSE 分別為0.58 和795.62 kg·hm?2，相較于MODIS NDVI 所構建的最佳草地AGB 估測模型，R2提高了0.34，RMSE 減少了142.17 kg·hm?2；2）NDVISTARFM最優估測模型對草地產草量的估測精度次于NDVILandsat最佳估測模型，而優于NDVIMODIS最佳估測模型，其絕對誤差和預測精度分別為5.75萬kg 和84.05%；3）2000?2016年研究區草地生物量超出90%的區域展現出增加的變化趨勢，相較于MODIS NDVI 最優AGB 估測模型，基于NDVISTARFM最優估測模型可以精確、詳細的反演研究區草地生物量時空變化特征。