高寒牧草葉面積的冬季衰減過程與估算

摘要：本研究利用2020年8月—2021年4月天然草地野外逐月葉面積指數(shù)（Leaf area index，LAI）的封育觀測(cè)試驗(yàn)，探究自然條件下高寒牧草葉面積冬季變化特征，結(jié)果表明：當(dāng)年8月至次年4月，LAI總體呈現(xiàn)先降后穩(wěn)的變化特征，且大致以11月為界，分為8—11月的衰減階段與12月—次年4月的穩(wěn)定維持兩個(gè)階段。而衰減階段又可區(qū)分為8—10月的快速下降時(shí)期與10—11月的緩慢下降時(shí)段，其中，降幅度最大的9—10月，LAI降幅可達(dá)29.5%。青藏高原地區(qū)冬季牧草的這種階段衰減變化特征，明顯有異于我國(guó)北方地區(qū)?；贚AI冬季衰減過程，構(gòu)建了三次多項(xiàng)式估算方程（R2=0.99，Plt;0.001），并據(jù)此提出了冬季LAI逐月衰減變化查找表。進(jìn)一步，在不同植被指數(shù)LAI估算能力對(duì)比基礎(chǔ)上，建立了EVI和GF衛(wèi)星的高寒牧草LAI遙感估算模型，實(shí)現(xiàn)了時(shí)空變化特征的遙感反演與估算。

關(guān)鍵詞：葉面積指數(shù);冬季;衰減規(guī)律;衛(wèi)星遙感;青藏高原

中圖分類號(hào)：Q945 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0435（2023）08-2436-10

The Temporal Pattern of Leaf Area Index in Withered Procedure and its

Estimation in Winter in Qinghai-Tibet Plateau

XIAO Qiang-zhi1， XU Wei-xin1*， DAI Na1， WANG Qi-yu1， LI Quan-ping2，

DUAN Xu-hui1， LIANG Hao1

（1. Chengdu University of Information Technology， Chengdu， Sichuan Province 610225， China; 2. HaiBei Haiyan Meteorological

Administration， Haibei， Qinghai Province 812200， China）

Abstract：To research the winter variation characteristics of leaf area index（LAI） of alphine grassland under natural conditions，monthly field observation experiments were conducted in a natural grassland enclosure area in Xihai Town，Haibei Tibetan Autonomous Prefecture，Qinghai Province during August 2020 to April 2021. The results showed that the LAI generally showed a change characteristic of first decreasing and then stabilizing from August of that year to the next April，and it is roughly divided into two stages：the attenuation stage from August to November and the stable maintenance stage from December to next April with the November as the boundary. The decay stages can be divided into a rapid decline period from August to October and a slow decline period from October to November，the biggest drop was appeared in September-October with a monthly drop of 29.5%. The characteristics of the attenuation stage change of grassland LAI in winter in the Qinghai-Tibet Plateau were obviously different from those in the grassland in northern China. Based on the attenuation process of LAI in winter，a cubic polynomial estimation equation was constructed （R2=0.99，Plt;0.00），and a look-up table for the monthly attenuation change of LAI in winter was proposed. Further，the LAI estimation capabilities of different vegetation indices were compared，the LAI remote sensing estimation model for alpine grassland based on Enhanced Vegetation Index and GF satellites was established and remote sensing inversion and estimation of LAI temporal and spatial variation characteristics were realized.

Key words：Leaf area index;Winter;Attenuation procedure;Satellite remote sensing;Qinghai-Tibet Plateau

葉面積指數(shù)（Leaf area index，LAI） 與植被蒸騰作用、光能截獲、光合速率、凈初級(jí)生產(chǎn)力等密切相關(guān)，是反應(yīng)植被長(zhǎng)勢(shì)狀況的重要參數(shù)，也是分析植被長(zhǎng)勢(shì)和預(yù)測(cè)產(chǎn)量的重要依據(jù)［1-2］。LAI對(duì)植被與大氣之間的能量、水分和二氧化碳交換有重要影響，是植被凈初級(jí)生產(chǎn)力、水和養(yǎng)分利用以及碳平衡主要影響因子［3］。冬季，枯草不具有光合作用、植被蒸騰等功能，但其作為植被冠層結(jié)構(gòu)、干物質(zhì)累積、地表陸面結(jié)構(gòu)等關(guān)鍵參數(shù)，仍是眾多生態(tài)系統(tǒng)模型、水碳循環(huán)模型的關(guān)鍵輸入變量［4］，其動(dòng)態(tài)變化表達(dá)了植被與大氣界面物質(zhì)、能量交換過程［5］，指示了地表植被生長(zhǎng)狀況和植被覆蓋時(shí)空特征［6］?？萋湮锓e累與分解是生態(tài)系統(tǒng)物質(zhì)循環(huán)和能量流動(dòng)主要環(huán)節(jié)，是全球碳收支重要組成部分［7-8］，也是碳轉(zhuǎn)移重要階段［9］，對(duì)草地生產(chǎn)力和物種組成有很大影響［10］，從而為生態(tài)系統(tǒng)管理服務(wù)［11］。從生態(tài)學(xué)功能上來說，枯草的存在，可以改變地表水文生態(tài)及陸氣間能量交換過程，并通過調(diào)節(jié)植物群落以及土壤微環(huán)境水、熱狀況，對(duì)土壤理化性質(zhì)、土壤肥力和植被生產(chǎn)力等產(chǎn)生重要影響，也對(duì)維持生態(tài)系統(tǒng)碳、氮平衡具有重要意義［12］。因此，冬季LAI作為地上生物存量、陸表過程、碳平衡估算中一個(gè)重要參數(shù)，具有明確的生態(tài)學(xué)意義與研究?jī)r(jià)值。

國(guó)內(nèi)外對(duì)植被LAI季節(jié)變化過程的研究起步較早，早在20世紀(jì)80年代，王信理［13］提出了水稻生長(zhǎng)期LAI的Logistic修正模型。然而，LAI季節(jié)變化研究主要集中于大規(guī)模種植作物，以水稻［14］，玉米［15］，棉花［16］為主，LAI季節(jié)變化與產(chǎn)量在存在顯著相關(guān)關(guān)系［17］，結(jié)合作物生育期內(nèi)不同營(yíng)養(yǎng)水平建立產(chǎn)量估算模型［18］。高寒草甸牧草LAI生長(zhǎng)期內(nèi)類似于作物，高寒草甸5月—8月中旬為L(zhǎng)AI增長(zhǎng)期，8月中旬以后LAI增長(zhǎng)速率減緩，植物進(jìn)入枯黃期［19］。高寒牧草生長(zhǎng)季LAI先增大，在達(dá)到最高值后減小的特征規(guī)律明顯［20］。高延鋒等［21］發(fā)現(xiàn)祁連山東部4類草地LAI在5月至9月呈現(xiàn)相似的單峰型季節(jié)規(guī)律，而孫建文等［22］用三次函數(shù)擬合牧草生長(zhǎng)期LAI季節(jié)動(dòng)態(tài)變化。植物生長(zhǎng)存在生長(zhǎng)期、成熟期、衰敗期的周期性過程［23］，作物作為周期性種植植物，其存在播種、收割等規(guī)則行為。然而，高寒草甸天然牧草不會(huì)完全收割，其部分留存、自然衰敗的過程，完全不同于作物［24］，即使葉片葉綠素含量降為零，植物由綠變黃，最終導(dǎo)致葉片死亡，葉面積仍然存留［25］。現(xiàn)有LAI變化研究，主要關(guān)注植被生長(zhǎng)期的葉面積變化動(dòng)態(tài)，收割等方式使得作物可以視為沒有衰敗期。值得注意的是，高寒草甸生長(zhǎng)后期的自然衰敗期，其葉面積狀態(tài)及其變化過程與規(guī)律的研究鮮有報(bào)道。因此，進(jìn)行自然條件下LAI動(dòng)態(tài)變化過程的觀測(cè)研究，不僅可以一定程度上填補(bǔ)這一研究領(lǐng)域的不足，而且對(duì)自然狀態(tài)下牧草衰減過程的認(rèn)識(shí)、生態(tài)系統(tǒng)各參數(shù)的協(xié)同變化規(guī)律、以及不同時(shí)間牧草存量的監(jiān)測(cè)均有重要意義。

衛(wèi)星遙感技術(shù)的發(fā)展，估算LAI的遙感輻射傳輸模型得到廣泛應(yīng)用。利用植被指數(shù)推算生長(zhǎng)期LAI的研究大量涌現(xiàn)［26］，結(jié)合地面高光譜數(shù)據(jù)，基于LAI與光譜相關(guān)關(guān)系進(jìn)行葉面積指數(shù)反演也取得了應(yīng)用性的進(jìn)展［27］，為結(jié)合神經(jīng)網(wǎng)絡(luò)的LAI反演提供了更全面的認(rèn)識(shí)［28］。王雅鑫等［29］基于MODIS衛(wèi)星LAI產(chǎn)品揭示了內(nèi)蒙古烏蘭察布市草地植被全年LAI在1月—8月不斷上升，9月—12月不斷下降的特征。王利等［30］指出黑河流域植被LAI變化表現(xiàn)為雙峰現(xiàn)象，在次年2月LAI下降至最低且3—4月保持穩(wěn)定。這些研究揭示了我國(guó)北方不同地區(qū)牧草LAI連續(xù)變化的一些關(guān)鍵規(guī)律與特征。Delegid等［31］提出兩步反演法，根據(jù)SWIR區(qū)域區(qū)分綠色與衰老植被，構(gòu)建不同植被指數(shù)估算模型分別完成綠色和衰老植被LAI估算，為衰老植被LAI估算提供了新思路。也有學(xué)者利用GPR模型，基于Sentinel-2的高時(shí)空分辨率對(duì)綠色與衰老植被的區(qū)分能力，訓(xùn)練綠色和衰老植被LAI的估算模型［32］，為枯黃植被LAI監(jiān)測(cè)提供了理論基礎(chǔ)。然而，針對(duì)青藏高原地區(qū)LAI冬半年過程變化的研究尚未見報(bào)告，且現(xiàn)有的研究，基本上建立在已有MODIS衛(wèi)星LAI產(chǎn)品序列的數(shù)據(jù)分析上，缺乏地面觀測(cè)數(shù)據(jù)的支持與同步驗(yàn)證，其數(shù)據(jù)的準(zhǔn)確性與地域的適用性未得到較好證實(shí)。因此，有必要基于地面實(shí)測(cè)數(shù)據(jù)，進(jìn)行青藏高原高寒牧草LAI冬季衰減過程及其變化規(guī)律的研究，建立實(shí)際牧草變化與衛(wèi)星植被指數(shù)關(guān)系的同時(shí)，揭示高寒牧草冬季葉面積衰減變化的特征規(guī)律，為研究牧草自然衰減過程多要素協(xié)同變化關(guān)系提供關(guān)鍵參數(shù)，并為遙感反演與模型構(gòu)建提供地基驗(yàn)證數(shù)據(jù)與基礎(chǔ)。

1 材料與方法

1.1 數(shù)據(jù)

1.1.1 試驗(yàn)場(chǎng)概括 本研究野外試驗(yàn)場(chǎng)位于中國(guó)氣象局海北牧業(yè)氣象試驗(yàn)站，試驗(yàn)場(chǎng)處于青藏高原東北部青海湖畔青海省海北藏族自治州西海鎮(zhèn)（36°57′N，100°51′E），海拔高度3 140 m，地勢(shì)平坦，試驗(yàn)站總占地面積400公頃。草地類型為典型高寒草地，優(yōu)勢(shì)物種為矮生嵩草（Kobresia humilis Sergievskaya）和西北針茅（Stipa sareptana A.K. Becker）。試驗(yàn)場(chǎng)屬高原大陸性氣候，太陽輻射強(qiáng)烈、晝夜溫差大，年平均氣溫1.3℃左右，年日照時(shí)數(shù)2 858 h左右，年降水量413.8 mm左右。

試驗(yàn)場(chǎng)建于天然放牧草場(chǎng)。為了模擬和保證牧草自然干枯衰減的環(huán)境與過程，圍欄封育100 m×200 m天然放牧草地作為試驗(yàn)場(chǎng)，即在當(dāng)年6月至次年4月通過封育管理，進(jìn)行冬季牧草衰減過程的野外觀測(cè)，試驗(yàn)期前后，則恢復(fù)自然放牧狀態(tài)。

1.1.2 試驗(yàn)觀測(cè)方案 2020年8月—2021年4月期間，每月月末開展一次牧草光譜觀測(cè)與采樣工作，共完成9次采樣，采樣盡量以30天為周期選擇合適天氣條件等時(shí)機(jī)展開。試驗(yàn)場(chǎng)內(nèi)選定相距60 m以上的2個(gè)長(zhǎng)勢(shì)較好區(qū)域作為采樣區(qū)，選擇100%覆蓋的牧草樣方。每次采樣均在各采樣區(qū)前次采樣點(diǎn)位臨近區(qū)域內(nèi)開展，以增強(qiáng)可比性并注意避免踐踏，以保證下次采樣的自然狀態(tài)。

為增加樣本數(shù)量與不同覆蓋程度的梯度，設(shè)計(jì)了一種梯度采樣方式。即將50 cm×50 cm標(biāo)準(zhǔn)樣方以10 cm等分再分為25個(gè)子樣方。每10 cm×10 cm子樣方為剪草采樣單位（圖1），以50 cm×50 cm標(biāo)準(zhǔn)樣方為覆蓋100%，而每個(gè)10 cm×10 cm子樣方占標(biāo)準(zhǔn)樣方的4%覆蓋度，若剪取了第一個(gè)子樣方，則覆蓋度降低為96%，剪取第二個(gè)子樣方時(shí)，覆蓋度為92%，且采樣完成后隨即進(jìn)行光譜觀測(cè)，以此類推。將第1，3，7子樣方作為L(zhǎng)AI觀測(cè)樣方，進(jìn)行葉面積的統(tǒng)計(jì)與分析，并以該3個(gè)子樣方LAI平均值指示該標(biāo)準(zhǔn)樣方的葉面積指數(shù)，以增加數(shù)據(jù)的穩(wěn)定性，減少天然牧草隨機(jī)分布不均的誤差。

1.1.3 牧草葉片相片數(shù)據(jù)集 采用收割直接觀測(cè)法，進(jìn)行葉面積指數(shù)的觀測(cè)。每月收割兩個(gè)樣區(qū)內(nèi)第1，3，7子樣方牧草葉片分別均勻平鋪至A3紙上，注意減少葉片間的重疊。利用數(shù)碼相機(jī)垂直拍攝，編號(hào)并獲取各子樣方多個(gè)拍攝葉片相片。每個(gè)子樣方因葉片數(shù)量不等，試驗(yàn)期間共建立了54個(gè)子樣方共612個(gè)牧草葉片相片數(shù)據(jù)。圖2以2020年8月31日及2021年3月29日某一子樣方部分拍攝葉片示意試驗(yàn)觀測(cè)到的夏季與冬季相片數(shù)據(jù)。

1.1.4 GF-1衛(wèi)星影像 高分一號(hào)衛(wèi)星（GF-1）作為中國(guó)高分辨率對(duì)地觀測(cè)系統(tǒng)的首發(fā)星，突破了高空間分辨率、多光譜與寬覆蓋相結(jié)合的光學(xué)遙感等關(guān)鍵技術(shù)，實(shí)現(xiàn)了高空間分辨率與大幅寬的結(jié)合［33］。其搭載了2 m全色相機(jī)、8 m和16 m多光譜相機(jī)，其中多光譜影像包含藍(lán)、綠、紅和近紅外4個(gè)波段，在中國(guó)資源衛(wèi)星應(yīng)用中心網(wǎng)站（http：//www.cresda.com/）獲取到青海省海北藏族自治州西海鎮(zhèn)試驗(yàn)場(chǎng)2020年8月28日、2020年9月18日、2020年10月29日、2020年11月24日的16 m WFV多光譜影像。對(duì)GF-1影像進(jìn)行預(yù)處理，包括輻射定標(biāo)、大氣校正和正射校正等。

1.2 方法

1.2.1 LAI圖像識(shí)別法 數(shù)字圖像由若干網(wǎng)格狀排列的像素組成的，每個(gè)像素有寬度與高度兩個(gè)方向上的分辨率，由此可以計(jì)算每個(gè)像素占據(jù)圖像的面積，統(tǒng)計(jì)圖像的像素?cái)?shù)可計(jì)算出圖像的面積［34］。因此，用數(shù)碼相機(jī)獲得待測(cè)葉片平面圖像，統(tǒng)計(jì)圖像中葉片所占的像素?cái)?shù)，乘以每個(gè)像素所占的實(shí)際面積就可以計(jì)算出葉片面積［35］。

對(duì)每月收集到的牧草葉片相片進(jìn)行裁剪、亮度調(diào)節(jié)等預(yù)處理，裁剪出A3紙張的邊界范圍并對(duì)相片進(jìn)行幾何校正，使相片為垂直正射相片，調(diào)整相片亮度，最大程度顯示相片中牧草葉片的細(xì)節(jié)以利于葉片識(shí)別，統(tǒng)計(jì)A3紙張像素總數(shù)。經(jīng)相片預(yù)處理后，相片中只有色差較大的綠、黃牧草與白色紙張，設(shè)定一個(gè)閾值，對(duì)相片二值化處理，由此可將葉片部分完整提取，提取效果如圖3所示。再利用像素統(tǒng)計(jì)工具，對(duì)提取出的葉片部分，統(tǒng)計(jì)葉片像素?cái)?shù)并統(tǒng)計(jì)A3紙張范圍內(nèi)像素?cái)?shù)。

葉面積指數(shù)計(jì)算公式：

LAI=（C1/C2）×（S1/S2）（1）

式中：LAI為葉面積指數(shù)，C1為葉片像素總數(shù)，C2為A3紙張像素總數(shù)，S1為A3紙張實(shí)際面積大小，S2為子樣方面積大小。

1.2.2 植被指數(shù) 植被指數(shù)（Vegetation index，VI）是根據(jù)地物波譜特征，對(duì)遙感影像波段進(jìn)行線性組合，進(jìn)而增強(qiáng)地物信息，增加地物的區(qū)分度［36］。以試驗(yàn)區(qū)內(nèi)實(shí)際采樣以及實(shí)驗(yàn)室獲取LAI為基礎(chǔ)，結(jié)合高分衛(wèi)星遙感數(shù)據(jù)，計(jì)算獲得逐月NDVI（Normalized difference vegetation index），RVI（Ratio vegetation index），EVI（Enhanced vegetation index），ARVI（Atmospherically resistant vegetation index）4種植被指數(shù)（表1）進(jìn)行牧草LAI的估算研究。

1.2.3 模型構(gòu)建 采用數(shù)理統(tǒng)計(jì)回歸進(jìn)行高寒冬季牧草LAI估算模型構(gòu)建。以牧草LAI為因變量，以月份和植被指數(shù)為自變量，分別采用線性、三次多項(xiàng)式、冪函數(shù)與指數(shù)函數(shù)回歸分析，具體計(jì)算方式參見［37］。模型精度驗(yàn)證采用決定系數(shù)（R2）、簡(jiǎn)化的卡方檢定（Reduced Chi-Sqr）、相對(duì)誤差（RE）、均方根誤差（RMSE）。

2 結(jié)果與分析

2.1 葉面積指數(shù)提取

2.1.1 LAI數(shù)據(jù)序列 采用2.2.1中LAI圖像識(shí)別法，統(tǒng)計(jì)得到各月每個(gè)子樣方內(nèi)的葉片總面積，每月2個(gè)觀測(cè)樣方中第1，3，7子樣方共可獲6個(gè)LAI數(shù)據(jù)樣本，2020年8月—2021年4月9月間共獲得54個(gè)LAI觀測(cè)數(shù)據(jù)樣本（圖4）。從圖4中可以看出，2020年8月觀測(cè)樣方2中第1子樣方LAI數(shù)據(jù)異常偏大，明顯偏離于其他子樣方平均狀態(tài)以及其他各月樣本間收斂狀態(tài)。因此，其后的計(jì)算分析中，剔除該子樣方數(shù)據(jù)。其他子樣方間數(shù)據(jù)分布方差較小，因此，最終獲得2020—2021年牧草枯落過程共53個(gè)LAI數(shù)據(jù)樣本。

2.1.2 牧草枯干過程與特征 圖5展示了2020年8月—2021年4月間逐月所有樣方LAI平均值及其同步觀測(cè)期牧草樣方相片。從圖中容易看出，牧草葉面積變化過程總體呈先降后穩(wěn)的特征。2020年8—11月，葉面積指數(shù)呈明顯逐月下降趨勢(shì)，LAI的數(shù)值從8月的4.55降至9月的4.07，并在10月出現(xiàn)了最大降幅，降幅到達(dá)全年降幅的29.5%，且LAI值從9月的4.07降至10月的2.87，月際降幅達(dá)41%。10—11月LAI仍處于下降階段，但降幅明顯減弱，月降幅不足20%。11月—次年4月，葉面積指數(shù)變化較小且相對(duì)穩(wěn)定，LAI值總體上穩(wěn)定在2.47左右。

從不同月份觀測(cè)樣方的牧草野外現(xiàn)場(chǎng)相片看，LAI最高的8月，對(duì)應(yīng)樣方完全為綠草覆蓋。9月LAI略微降低，樣方內(nèi)牧草綠度明顯減少，但干、鮮草混合特征明顯。葉片表面性狀也表現(xiàn)出一定程度的萎縮蜷曲、以及葉傾角下降、直立牧草數(shù)量減少的特征。10月，樣方內(nèi)牧草已轉(zhuǎn)變?yōu)橐钥莶轂橹鞯臓顟B(tài)，牧草顏色雖然相比11月較深，仍混雜有尚未完全干枯牧草，但樣方內(nèi)絕大部分牧草已基本變枯，葉片進(jìn)一步萎縮蜷曲。11月，從圖中可以看出，樣方內(nèi)牧草已全部呈干枯狀態(tài)，牧草完全變黃，葉片幾乎盡數(shù)蜷縮。11月后，雖然受觀測(cè)樣方選樣差異的影響，相片中牧草立地狀態(tài)相差較大，但樣方內(nèi)牧草顏色均呈明顯的枯黃色，牧草全部處于枯干萎縮狀態(tài)。樣方內(nèi)8月—次年4月間牧草顏色、立地狀態(tài)、葉片蜷曲萎縮性狀的變化，直接對(duì)應(yīng)了LAI數(shù)值隨時(shí)間變化的過程，也直觀反映了葉面積指數(shù)與自然條件下牧草葉片隨時(shí)間變化的對(duì)應(yīng)關(guān)系。

2.2 牧草LAI衰減規(guī)律

為消除不同觀測(cè)時(shí)間樣方選擇差異及觀測(cè)誤差的影響，更好地描述LAI變化趨勢(shì)，對(duì)逐月LAI進(jìn)行三點(diǎn)滑動(dòng)平均與曲線擬合（圖6）。從滑動(dòng)平均曲線容易看出，自綠草至枯草過渡變化的8—11月LAI下降趨勢(shì)顯著，即青藏高原牧草葉面積的衰減主要發(fā)生在8—11月間，且牧草衰減的速率不同時(shí)期也存在一定差別，從圖6可以發(fā)現(xiàn)，牧草最主要的衰減過程發(fā)生在9—10月，表明這一時(shí)期是青藏高原高寒牧草的主要衰減干枯時(shí)期。11月—次年4月，LAI滑動(dòng)平均曲線處于穩(wěn)定期，并有弱的逐月減小趨勢(shì)。

進(jìn)一步，通過多項(xiàng)式擬合來定量分析LAI變化趨勢(shì)及其程度。8月—次年4月LAI最佳多項(xiàng)式擬合曲線（R2=0.95），也反映了高寒牧草葉面積8—11月快速連續(xù)下降、11月—次年4月穩(wěn)定略降的總體變化特征。以11月為界，8—11月分段線性擬合的結(jié)果表明，該時(shí)段內(nèi)LAI線性變化的特征顯著，線性擬合方程的達(dá)到0.96，通過0.001的顯著性檢驗(yàn)水平，雖然樣本數(shù)量偏少，但仍指示了這一時(shí)期LAI變化處于顯著持續(xù)下降過程。8—11月線性變化趨勢(shì)的斜率達(dá)到了-0.76，表明這一時(shí)期LAI月際間平均下降速率可達(dá)到0.76/月，相對(duì)于8月的起始最大葉面積，每月LAI的降幅可達(dá)到20%。整個(gè)8月—次年4月LAI的總下降數(shù)值中，8—11月的LAI降幅約占全季降幅的90%。11月—次年4月，分段線性R2擬合的斜率僅為-0.10，但其方程擬合的僅為0.37，該時(shí)期線性變化特征不明顯，但LAI處于當(dāng)年最低的相對(duì)穩(wěn)定波動(dòng)變化的時(shí)期。

2.3 LAI衰減過程預(yù)測(cè)模型

2.3.1 統(tǒng)計(jì)估算模型及查找表 本研究以8月—次年4月所有53個(gè)樣本為數(shù)據(jù)序列，以LAI月均值與時(shí)間序列為變量，進(jìn)行多種數(shù)理統(tǒng)計(jì)回歸模型的構(gòu)建，從中篩選出可用于估算和預(yù)測(cè)的模型。分別計(jì)算并檢驗(yàn)了線性、多項(xiàng)式、冪函數(shù)、指數(shù)函數(shù)4種統(tǒng)計(jì)回歸模型對(duì)LAI隨時(shí)間變化的模擬能力。從表2可以看出，三次多項(xiàng)式的R2為所有模型中最大，達(dá)到了0.99，且Reduced Chi-Sqr為0.05，為所有模型中最小。此外，三次多項(xiàng)式相對(duì)誤差為4.1%，均方根誤差為0.19，均為計(jì)算模型中最優(yōu)解，表明三次多項(xiàng)式具有最佳的估算模擬能力。因此，該多項(xiàng)式可以作為L(zhǎng)AI估算模型。

根據(jù)所選估算模型，x取值為［0，8］，對(duì)應(yīng)8月—次年4月?？梢杂?jì)算出8月—次年4月指定時(shí)間的枯草LAI值。事實(shí)上，如果將時(shí)間間隔縮小，我們可以計(jì)算得到更高時(shí)間分辨率的LAI隨時(shí)間變化的結(jié)果。本研究以5日為時(shí)間間隔，計(jì)算得到8月—次年4月牧草LAI 5日間隔的所有LAI數(shù)值（圖7），以該數(shù)據(jù)為高寒草甸牧草LAI冬季變化的查找表，則可實(shí)現(xiàn)通過夏季綠草估算不同時(shí)期冬季枯草LAI的目的。

2.3.2 基于植被指數(shù)的LAI衰減過程估算 逐一提取出2020年8月—2021年4月逐月野外地面觀測(cè)時(shí)間同步或準(zhǔn)同步時(shí)相GF-1/WFV衛(wèi)星地面2個(gè)采樣區(qū)對(duì)應(yīng)像元各波段反射率數(shù)值，并分別計(jì)算出逐月兩個(gè)樣方區(qū)GF衛(wèi)星像元處NDVI，RVI，EVI，ARVI值。根據(jù)已有研究表明，EVI能更好與LAI建立關(guān)系［38］，由此直接利用EVI進(jìn)行擬合。以樣方區(qū)1地面觀測(cè)LAI與對(duì)應(yīng)像元EVI計(jì)算值進(jìn)行回歸擬合建模，以樣方區(qū)2地面與對(duì)應(yīng)像元數(shù)據(jù)序列為驗(yàn)證數(shù)據(jù)序列，得到其公式如下：

y=6.85x2-4.29x+2.89（2）

基于EVI的回歸方程R2為0.95，且Reduced Chi-Sqr為0.06，說明基于EVI的二次多項(xiàng)式具有LAI衰減過程的模擬能力?；跇臃絽^(qū)2數(shù)據(jù)的對(duì)照檢驗(yàn)結(jié)果也得出了同一結(jié)論，EVI二次多項(xiàng)式的相對(duì)誤差和均方根誤差分別為14.6%與0.46。因此，以GF衛(wèi)星計(jì)算得到的EVI為自變量的二次多項(xiàng)式，可以用于基于衛(wèi)星數(shù)據(jù)進(jìn)行LAI衰減過程的估算，作為冬季牧草LAI變化的反演模型。

2.4 LAI衰減過程的時(shí)空動(dòng)態(tài)估算

青藏高原東北部青海湖北緣區(qū)域，選取包含試驗(yàn)場(chǎng)的草原樣帶區(qū)域進(jìn)行LAI遙感估算及其時(shí)空變化分析驗(yàn)證。根據(jù)（2）式計(jì)算GF-1衛(wèi)星2020年8月—2020年11月間不同時(shí)相逐像元LAI值。由于實(shí)測(cè)LAI與估算圖像直方圖表明LAI衰減后主要集中于2.0～2.5區(qū)間，因此將2.0～2.5區(qū)間以0.1為步長(zhǎng)進(jìn)行細(xì)分，2.5～5.5區(qū)間以0.5為步長(zhǎng)進(jìn)行計(jì)算結(jié)果的密度分割，得到4個(gè)時(shí)相GF衛(wèi)星LAI估算圖（圖8）。從8月的空間分布來看，樣帶內(nèi)LAI值在0～5.5之間，空間上分布不均。樣帶區(qū)域西部山地LAI值偏低，LAI值以2.0為主；中部覆蓋試驗(yàn)點(diǎn)的高寒草甸區(qū)，LAI值以4.0以上為主；東南角地區(qū)以城鎮(zhèn)區(qū)域?yàn)橹?，LAI分布不均勻，非植被區(qū)與植被區(qū)間雜。LAI的空間分布特征與該區(qū)域植被覆蓋度相一致。

從時(shí)間變化特征來看，8月LAI最高，最高值可達(dá)到5.0，9月LAI高值區(qū)域略微下降，下降至3.5左右，10月LAI下降快速，LAI均下降到2.5左右，11月LAI相對(duì)于10月變化較小，LAI下降至2.3左右。左部山地，8月—11月LAI變化較小均在2.2左右，10月觀測(cè)期內(nèi)部分區(qū)域有積雪覆蓋，LAI偏差較大。樣帶中部LAI從8月5.0左右下降至9月3.5左右，10月快速下降到2.5左右，11月略微下降至2.2左右。地面觀測(cè)場(chǎng)附近區(qū)域內(nèi)，8月LAI為5.0，9月下降為4.9，10月則迅速降至2.5，降幅顯著，至11月時(shí)，LAI相比上月僅減小0.2，9月的GF數(shù)據(jù)為月中致使8月至9月LAI變化并不明顯，不影響LAI總體變化。LAI的時(shí)間變化特征表現(xiàn)為，結(jié)合樣帶空間分布，LAI低值區(qū)的季節(jié)變化較小，高葉面積指數(shù)區(qū)的LAI隨時(shí)間的變化幅度明顯，這與牧草初始狀況及其變化規(guī)律相符。

高寒草甸與內(nèi)蒙古荒漠草原LAI時(shí)空動(dòng)態(tài)變化存在不同，荒漠草原草地植被稀疏，LAI值總體較低［29］，LAI的衰減期為8月—12月，衰減過程變化相對(duì)平緩。高寒草地8月—11月為L(zhǎng)AI的衰減期，且衰減過程集中于8月與9月。這種變化與塞拉多地區(qū)草地LAI時(shí)空動(dòng)態(tài)變化也非常不同，塞拉多地區(qū)草地LAI分布于0～2.0，成熟期后，LAI進(jìn)入衰減期，第三月為快速衰減期［39］。從不同地區(qū)、不同草地類型LAI及其衰減規(guī)律的對(duì)比可以看出，青藏高原地區(qū)冬半年LAI變化過程具有顯著的獨(dú)特性。

3 討論

3.1 葉面積觀測(cè)精度驗(yàn)證

常見葉面積地面測(cè)量方法有剪草法和光學(xué)儀器測(cè)量法。剪草法可以精確獲取葉面積，但需要破壞性取草。光學(xué)儀器觀測(cè)則易受光照和植被類型的影響，存在一定偏差［40］。本研究從試驗(yàn)場(chǎng)刈割牧草，再將牧草平鋪至白紙上拍照保留相片，利用LAI圖像識(shí)別法，統(tǒng)計(jì)葉片像元并計(jì)算得到葉面積。數(shù)字圖像處理技術(shù)，可以更精確地提取葉片范圍并統(tǒng)計(jì)所點(diǎn)和面積，葉面積測(cè)量精度可以提高或達(dá)到像素級(jí)［34］。李任輝等［41］采取剪草法提取的葉片葉面積，與其他高精度系統(tǒng)測(cè)量值對(duì)比，具有精度高，變異系數(shù)小于0.51%的優(yōu)點(diǎn)。而該方法與葉面積儀法及剪草法所獲結(jié)果具有很好的一致性，與二者間相關(guān)系數(shù)分別達(dá)到0.962和0.949，說明采用剪草法不僅可保證很高的精度，同時(shí)也具有速度快的優(yōu)點(diǎn)［42］，LAI圖像識(shí)別法與傳統(tǒng)葉面積儀法、臺(tái)式葉面積儀法相關(guān)系數(shù)達(dá)到0.948和0.856，還具有造價(jià)低廉，可大批量室外測(cè)量，方便測(cè)量不規(guī)則葉片的優(yōu)點(diǎn)［43］。本研究用于拍照的相機(jī)像素達(dá)到1 400萬以上，識(shí)別精度保證在mm級(jí)，由于可剪取到樣方內(nèi)所有葉處，因此，所獲結(jié)果準(zhǔn)確度將明顯高于常用的LAI 2000等儀器觀測(cè)數(shù)據(jù)。枯草葉面積的觀測(cè)數(shù)據(jù)與可靠性具有較好地保證。

3.2 不同區(qū)域葉面積衰減規(guī)律差異性

青藏高原由于特殊的地理位置和氣候條件，造成當(dāng)?shù)刂脖簧L(zhǎng)衰老變化的特殊性［44］。葉面積通常表現(xiàn)為生長(zhǎng)季持續(xù)增長(zhǎng)，枯黃期逐漸衰減，但具有植被類型與一定的空間區(qū)域表現(xiàn)差異性［45］。本研究發(fā)現(xiàn)冬季枯草衰減過程可區(qū)分為8—10月快速下降和10—11月緩慢下降時(shí)段的明顯分段衰減特征。我們的8月LAI約為4.5的觀測(cè)結(jié)果與同區(qū)域已有研究8月最高值4.0相近［22］。然而，LAI枯黃期的變化特征，與內(nèi)蒙古荒漠草原地區(qū)的變化特征存在顯著差異，內(nèi)蒙地區(qū)牧草枯黃過程中LAI呈現(xiàn)逐月均勻衰減的特征［29］，這與我們研究發(fā)現(xiàn)的高寒地區(qū)階段性衰減規(guī)律明顯相異，這表明不同草原類型及地區(qū)，LAI在冬季的衰減過程上存在差異明顯。針對(duì)不同區(qū)域葉面積變化過程的研究，仍需要區(qū)分植被類型和區(qū)域，進(jìn)行針對(duì)性的觀測(cè)與分析。

3.3 不同植被指數(shù)估算能力對(duì)比

衛(wèi)星遙感已廣泛應(yīng)用于大面積LAI反演，已有研究表明植被指數(shù)中NDVI對(duì)綠色植被LAI靈敏，可以估算生長(zhǎng)期植被LAI。也有人指出，EVI綜合處理了土壤、大氣、生物量飽和問題，能夠更好與LAI建立關(guān)系［38］，針對(duì)冬小麥生育期內(nèi)LAI變化，利用EVI構(gòu)建的模型就取得了較好地效果［46］。為了探討不同植被指數(shù)在高寒冬季枯草LAI估算中的效果和能力，基于GF-1/WFV衛(wèi)星影像，通過四種植被指數(shù)線性、冪函數(shù)、指數(shù)及二次多項(xiàng)式擬合方程的精度評(píng)價(jià)，進(jìn)行了NDVI，RVI，EVI，ARVI四種植被指數(shù)LAI估算能力的對(duì)比。計(jì)算結(jié)果表明（表3），4種植被指數(shù)中基于EVI所建立的二次多項(xiàng)式R2達(dá)到了最高的0.95，且Reduced Chi-Sqr最低，為0.06，說明基于植被指數(shù)進(jìn)行LAI的遙感估算具有較好的準(zhǔn)確性。然而，EVI二次多項(xiàng)式的相對(duì)誤差和均方根誤差分別為14.6%與0.46，為所有模擬方程中擬合效果最好，說明基于EVI的二次多項(xiàng)式具有LAI衰減過程最優(yōu)的模擬能力。針對(duì)青藏高原高寒牧草冬季衰減過程中枯草LAI，EVI具有最優(yōu)估算能力，是進(jìn)行高寒冬季枯草遙感估算的最佳植被指數(shù)。

本文構(gòu)建的基于植被指數(shù)的高寒牧草冬季LAI估算模型能夠?qū)崿F(xiàn)8月—11月LAI時(shí)空變化特征估算，但針對(duì)于枯黃期內(nèi)，即12月—次年4月仍較難對(duì)其進(jìn)行估算，Delegid等［31］提出兩步反演法，結(jié)合植被指數(shù)完成衰老植被LAI估算，還有結(jié)合GPR模型訓(xùn)練出衰老植被LAI的估算模型也能實(shí)現(xiàn)枯黃期內(nèi)衰老植被LAI估算，為枯黃期LAI估算提供參考方向［32］。同時(shí)，模型模擬只適用于牧草干枯過程，無法估算牧草生長(zhǎng)季LAI，針對(duì)牧草生長(zhǎng)與枯黃全過程，仍需探究其LAI變化與估算研究。

4 結(jié)論

青藏高原高寒牧草LAI衰減規(guī)律明顯不同于我國(guó)北方地區(qū)，自當(dāng)年8月至次年4月呈現(xiàn)先降后穩(wěn)的總體變化特征，并大致以11月為界區(qū)分為8—11月的衰減階段與12月—次年4月的穩(wěn)定維持階段，而衰減過程又表現(xiàn)為8—10月的快速下降時(shí)期與10—11月的緩慢下降兩個(gè)時(shí)段。基于野外地面觀測(cè)數(shù)據(jù)建立了LAI冬季衰減規(guī)律的模擬回歸模型，模擬方程R2達(dá)到0.99（Plt;0.001），在此基礎(chǔ)上提出了每5日時(shí)間分辨率的冬半年高寒牧草LAI時(shí)間變化查找表。對(duì)比不同植被指數(shù)LAI估算能力，發(fā)現(xiàn)EVI指數(shù)具有高寒牧草冬季LAI變化過程最優(yōu)模擬能力，由此建立EVI和GF衛(wèi)星的高寒牧草LAI遙感估算模型。

參考文獻(xiàn)

［1］SAKAMOTO T，SHIBAYAMA M，KIMURA A，et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：872-882

［2］FANG H，LIANG S，HOOGENBOOM G. Integration of MODIS LAI and vegetation index products with the CSM-CERES-Maize model for corn yield estimation［J］. International Journal of Remote Sensing，2011，32（4）：1039-1065

［3］BREDA N. Leaf area index［J］. Encyclopedia of Ecology，2008：2148-2154

［4］WEI X，GU X，MENG Q，et al. Leaf area index estimation using Chinese GF-1 wide field view data in an agriculture region［J］. Sensors，2017，17（7）：1593

［5］ASNER G P，SCURLOCK J M，A. HICKE J. Global synthesis of leaf area index observations：implications for ecological and remote sensing studies［J］. Global Ecology and Biogeography，2003，12（3）：191-205

［6］烏日汗，紅雨，包剛，等. 2001—2016年內(nèi)蒙古植被物候變化及其對(duì)生產(chǎn)力的影響［J］. 草地學(xué)報(bào)，2019，27（6）：1685-1693

［7］AERTS R. The freezer defrosting：global warming and litter decomposition rates in cold biomes［J］. Journal of Ecology，2006，94（4）：713-724

［8］COUTEAUX M-M，BOTTNER P，BERG B. Litter decomposition，climate and liter quality［J］. Trends in Ecology Evolution，1995，10（2）：63-66

［9］REN H，ZHOU G，ZHANG F，et al. Evaluating cellulose absorption index （CAI） for non-photosynthetic biomass estimation in the desert steppe of Inner Mongolia［J］. Chinese Science Bulletin，2012，57（14）：1716-1722

［10］HENRY H A，BRIZGYS K，F(xiàn)IELD C B. Litter decomposition in a California annual grassland：interactions between photodegradation and litter layer thickness［J］. Ecosystems，2008，11（4）：545-554

［11］LI Z，GUO X. Remote sensing of terrestrial non-photosynthetic vegetation using hyperspectral，multispectral，SAR，and LiDAR data［J］. Progress in Physical Geography，2016，40（2）：276-304

［12］AERTS R，DE CALUWE H，BELTMAN B. Plant community mediated vs. nutritional controls on litter decomposition rates in grasslands［J］. Ecology，2003，84（12）：3198-3208

［13］王信理. 在作物干物質(zhì)積累的動(dòng)態(tài)模擬中如何合理運(yùn)用Logistic方程［J］. 農(nóng)業(yè)氣象，1986（1）：14-19

［14］何迷，李小波，黃靜，等. 水稻葉面積指數(shù)與產(chǎn)量關(guān)系研究進(jìn)展［J］. 農(nóng)學(xué)學(xué)報(bào)，2022，12（8）：1-5

［15］牛小桃，樊軍，王勝，等. 利用魚眼攝像機(jī)測(cè)量植被葉面積指數(shù)動(dòng)態(tài)變化［J］. 應(yīng)用生態(tài)學(xué)報(bào)，2018，29（10）：3183-3190

［16］蔣楠，戴建國(guó)，薛金利，等. 基于無人機(jī)可見光影像和卷積神經(jīng)網(wǎng)絡(luò)的棉花生長(zhǎng)參數(shù)監(jiān)測(cè)［J］. 石河子大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，39（3）：282-288

［17］王成孜，王尚明，張清霞，等. 氣候變暖背景下晚稻不同生育期葉面積指數(shù)變化及其與產(chǎn)量的關(guān)系［J］. 江西農(nóng)業(yè)學(xué)報(bào)，2021，33（6）：72-77

［18］岳延濱，黎瑞君，馮恩英，等. 不同氮素水平下辣椒葉面積指數(shù)動(dòng)態(tài)模型［J］. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，27（5）：157-168

［19］師生波，賁桂英，韓發(fā)，等. 青藏高原地區(qū)矮嵩草草甸植物群落生長(zhǎng)分析［J］. 生態(tài)學(xué)報(bào)，2001（6）：871-876

［20］王猛，李貴才，王軍邦. 典型草原通量塔通量貢獻(xiàn)區(qū)地上生物量和葉面積指數(shù)的時(shí)空變異［J］. 應(yīng)用生態(tài)學(xué)報(bào)，2011，22（3）：637-643

［21］高延鋒，儀律北，張法偉，等. 祁連山東段4類草地生態(tài)系統(tǒng)CO2通量與葉面積指數(shù)的關(guān)系研究［J］. 中國(guó)草地學(xué)報(bào)，2022，44（5）：1-8

［22］孫建文，李英年，宋成剛，等. 高寒矮嵩草草甸地上生物量和葉面積指數(shù)的季節(jié)動(dòng)態(tài)模擬［J］. 中國(guó)農(nóng)業(yè)氣象，2010，31（2）：230-234

［23］韓發(fā)，岳向國(guó)，師生波，等. 青藏高原幾種高寒植物的抗寒生理特性［J］. 西北植物學(xué)報(bào)，2005（12）：2502-2509

［24］王迅，劉書杰，張曉衛(wèi)，等. 基于HJ-1A/1B數(shù)據(jù)的高寒草地牧草營(yíng)養(yǎng)動(dòng)態(tài)監(jiān)測(cè)模型［J］. 國(guó)土資源遙感，2013，25（3）：183-188

［25］GREGERSEN P L，CULETIC A，BOSCHIAN L，et al. Plant senescence and crop productivity［J］. Plant Molecular Biology，2013，82（6）：603-622

［26］王磊，耿君，楊冉冉，等. 高分一號(hào)衛(wèi)星影像特征及其在草地監(jiān)測(cè)中的應(yīng)用［J］. 草地學(xué)報(bào)，2015，23（5）：1093-1100

［27］劉偉東，項(xiàng)月琴，鄭蘭芬，等. 高光譜數(shù)據(jù)與水稻葉面積指數(shù)及葉綠素密度的相關(guān)分析［J］. 遙感學(xué)報(bào)，2000（4）：279-283

［28］張潯潯，楊斌，吳淑瑩，等. 尼洋河流域植被特征時(shí)空變化及其對(duì)水熱的響應(yīng)［J］. 草地學(xué)報(bào)，2021，29（11）：2566-2576

［29］王雅鑫，巴雅爾，孫亞麗，等. 基于葉面積指數(shù)的荒漠草原動(dòng)態(tài)監(jiān)測(cè)［J］. 內(nèi)蒙古師范大學(xué)學(xué)報(bào)（自然科學(xué)漢文版），2019，48（4）：314-322

［30］王利，徐翠玲，蔣鎰竹. 黑河流域植被葉面積指數(shù)時(shí)空變化特征［J］. 水力發(fā)電，2021，47（10）：6-11，36

［31］DELEGIDO J，VERRELST J，RIVERA J P，et al. Brown and green LAI mapping through spectral indices［J］. International Journal of Applied Earth Observation and Geoinformation，2015，35：350-358

［32］AMIN E，VERRELST J，RIVERA-CAICEDO J P，et al. Prototyping Sentinel-2 green LAI and brown LAI products for cropland monitoring［J］. Remote Sensing of Environment，2021，255：112168

［33］賈玉秋，李冰，程永政，等. 基于GF-1與Landsat-8多光譜遙感影像的玉米LAI反演比較［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31（9）：173-179

［34］曹志剛，馮仲科，龍春玲，等. 基于數(shù)字?jǐn)z影與計(jì)算機(jī)圖形技術(shù)的植物葉面積測(cè)量方法［J］. 河北科技師范學(xué)院學(xué)報(bào)，2004（1）：39-41

［35］李樂，鐘迪，賈寶軍，等. 蒙古櫟葉面積的數(shù)字圖像法測(cè)定［J］. 西北林學(xué)院學(xué)報(bào)，2016，31（6）：96-103

［36］于璐，王迅，柴沙駝，等. 基于高分衛(wèi)星遙感的天然草地牧草營(yíng)養(yǎng)含量季節(jié)動(dòng)態(tài)反演的研究［J］. 草地學(xué)報(bào)，2020，28（2）：547-557

［37］戴聲佩，羅紅霞，鄭倩，等. 海南島橡膠林葉面積指數(shù)遙感估算模型比較研究［J］. 智慧農(nóng)業(yè)（中英文），2021，3（2）：45-54

［38］張素青，賈玉秋，程永政，等. 基于GF-1影像的水稻苗情長(zhǎng)勢(shì)監(jiān)測(cè)研究［J］. 河南農(nóng)業(yè)科學(xué)，2015，44（8）：173-176

［39］HOFFMANN W A，DA SILVA E R，MACHADO G C，et al. Seasonal leaf dynamics across a tree density gradient in a Brazilian savanna［J］. Ecosystem Ecology，2005，145（2）：306-315

［40］譚一波，趙仲輝. 葉面積指數(shù)的主要測(cè)定方法［J］. 林業(yè)調(diào)查規(guī)劃，2008（3）：45-48

［41］李任輝，趙仲輝，李家湘. 基于Photoshop軟件測(cè)量植物葉面積的白紙背景法［J］. 湖南林業(yè)科技，2016，43（1）：138-142，48

［42］宋英博. 數(shù)字圖像處理技術(shù)在葉面積測(cè)量中的應(yīng)用［J］. 農(nóng)學(xué)學(xué)報(bào)，2022，12（2）：73-75

［43］宋英博，郭偉，張洪權(quán)，等. 圖像處理技術(shù)在玉米葉面積測(cè)量中的實(shí)際應(yīng)用［J］. 農(nóng)學(xué)學(xué)報(bào)，2015，5（8）：111-114

［44］曹曉云，周秉榮，周華坤，等. 氣候變化對(duì)青藏高原植被生態(tài)系統(tǒng)的影響研究進(jìn)展［J］. 干旱氣象，2022，40（6）：1068-1080

［45］劉剛，桑宇星，趙茜，等. 生態(tài)系統(tǒng)模型模擬中國(guó)葉面積指數(shù)變化趨勢(shì)及驅(qū)動(dòng)因子的不確定性［J］. 遙感技術(shù)與應(yīng)用，2020，35（5）：1037-1046

［46］侯學(xué)會(huì)，王猛，梁守真，等. 基于GF-1數(shù)據(jù)的冬小麥不同生育期葉面積指數(shù)反演［J］. 山東農(nóng)業(yè)科學(xué)，2018，50（11）：148-153

（責(zé)任編輯 彭露茜）

收稿日期：2023-02-22；修回日期：2023-03-03

基金項(xiàng)目：四川省科技計(jì)劃項(xiàng)目（2022YFS0490）；青海省防災(zāi)減災(zāi)重點(diǎn)實(shí)驗(yàn)室開放基金項(xiàng)目（QFZ-2021-Z11）；西藏自治區(qū)科技計(jì)劃項(xiàng)目（XZ202102YD0012C）；內(nèi)蒙古自治區(qū)科技計(jì)劃項(xiàng)目（2021GG0019）；國(guó)家自然科學(xué)基金項(xiàng)目（41971328）資助

作者簡(jiǎn)介：肖強(qiáng)智（1998-），男，漢族，四川內(nèi)江人，碩士研究生，主要從事高寒枯草遙感方法研究，E-mail：qiangzhi_xiao@163.com；*通信作者Author for correspondence，E-mail：weixin.xu@cuit.edu.cn