文章信息
- 田艳林, 刘贤赵, 毛德华, 王宗明, 李延峰, 高长春
- TIAN Yanlin, LIU Xianzhao, MAO Dehua, WANG Zongming, LI Yanfeng, GAO Changchun.
- 基于MODIS数据的松嫩平原西部芦苇湿地地上生物量遥感估算
- Remote sensing estimation of the aboveground biomass of reed wetland in the Western Songnen Plain, China, based on MODIS data
- 生态学报[J]. 2016, 36(24): 8071-8080
- Acta Ecologica Sinica[J]. 2016, 36(24): 8071-8080
- http://dx.doi.org/10.5846/stxb201505110959
-
文章历史
- 收稿日期: 2015-05-11
- 网络出版日期: 2016-04-12
2. 中国科学院东北地理与农业生态研究所, 中国科学院湿地生态与环境重点实验室, 长春 130102
2. Key Laboratory of Wetland Ecology and Environment, Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China
湿地作为一种重要的生态系统类型,约占地球表面积的6.2%—7.6%[1],是自然界最富生物多样性的生态景观和人类最重要的自然资源之一。它不仅可以维护地区和全球的生态平衡,同时也为多种动植物提供重要的栖息地[2]。湿生植被作为湿地生态系统的重要组成部分,其地上生物量(aboveground biomass,AGB)是表征生态环境质量的关键指标[3]。芦苇湿地是一种适应性广、抗逆性强的独特湿地生态系统,在维系湿地生态系统稳定、保护珍稀鸟类资源等方面具有举足轻重的作用[4-5]。对区域芦苇湿地地上生物量进行定期监测和定量评估,对湿地生态系统管理和湿地资源可持续利用,具有重要意义[6]。
随着遥感技术的发展,国内外学者利用各种遥感数据进行湿地监测和湿地植被生物量估算研究[7-10]。如童庆禧等[11]在利用高光谱图像定量提取植被生理参数的基础上,对鄱阳湖湿地植被生物量进行了估算;Schmid等[12]结合多源遥感影像,实现了湿地的分类和动态变化监测;李凤秀等[13] 建立了洪河自然保护区苔草湿地植被生物量估算模型。目前多数研究都是基于单一时相遥感影像,利用像元分类方法提取湿地信息,并未考虑湿地植被的季相差异,使分类结果难以满足精度要求;湿地植被生物量的估算研究也多是基于同一生物量估算模型进行不同植被类型生物量的拟合。当前,对于芦苇湿地这一重要湿地类型,根据不同光谱植被指数对生物量的敏感性差异而建立遥感估算模型的研究尚不多见。因此,基于多时相中等空间分辨率遥感影像,进行芦苇湿地空间分布信息提取,比较不同光谱植被指数对芦苇AGB的敏感性,选择最优植被指数进行芦苇AGB遥感估算的工作十分必要。
我国的芦苇湿地主要分布在东北、华北、西南和青藏高原等地区[14-15]。松嫩平原西部地处我国东北核心区域,是我国芦苇湿地的重要分布区[16],其作为水陆之间的生物保护带,不仅为东亚候鸟南北迁徙提供了重要的栖息场所,而且在调蓄洪水、防洪排涝、美化环境、丰富社会自然资源等方面具有重要作用。然而,目前对松嫩平原生物量的研究多集中在草地生产力和芦苇生态学方面[17-18],针对该区芦苇湿地分布信息提取及地上生物量反演与估算的报道十分匮乏。本文基于Landsat8 OLI影像和MODIS数据,进行松嫩平原西部芦苇湿地空间分布信息提取,并进行湿地植被AGB遥感估算,以期为区域湿地生态系统管理和芦苇湿地资源的合理利用提供科学依据。
1 数据获取与研究方法 1.1 研究区概况松嫩平原西部(44°00′—48°35′N,121°36′—126°36′E)位于中国东北地区中部的半干旱半湿润的农牧过渡带[19],行政区划上包括黑、吉两省西部共22个市县(图 1),总面积1.01×105 km2,属中温带季风气候。温度在空间上呈现自北向南的递增趋势[20],年均温度4—6℃,无霜期136—163 d;年降水量350—650 mm,降水集中在6—8月,且自东向西递减,年均蒸发量(1923 mm)远大于降水量。该区地貌类型以山前倾斜平原、低平原以及部分河谷平原为主;植被类型主要有草原、草甸、疏林草原和沼泽湿地[14]。研究区内有扎龙、莫莫格、查干湖、向海和大布苏5个国家级湿地自然保护区,其中扎龙湿地和向海湿地在1992年分别被列为国际重要湿地名录(编号:No.549和No.548),莫莫格湿地在2013年被列为国际重要湿地(编号:No.2188)。上述保护区为典型的盐碱化沼泽湿地,湿地内部的河流沿岸、水库及湖泊周围芦苇广布。
1.2 数据来源及研究方法 1.2.1 芦苇湿地分布信息提取及精度验证在对研究区不同季相遥感影像特征进行比较分析的基础上,确定各地物类型存在显著季相差异的多季相影像组合。通常3—4幅影像(多分布在5—10月份)即可区分大部分地物类型[21]。本文选取3期美国地质调查局(USGS)(http://glovis.usgs.gov/)发布的空间分辨率为30 m的Landsat8 OLI影像(时间分别是2014年6月4日、2014年8月7日和2014年9月24日),采用遥感图像处理软件ENVI5.1,对影像进行辐射定标、大气校正(FLAASH模块)处理,并以研究区1∶10万地形图为底图,进行几何精校正(校正误差控制在0.5个像元内)之后,利用8月份生物量旺季的影像区分湿地植被与其他地物类型,同时根据6月初和9月末芦苇与其他湿地植被的明显差异区分出芦苇信息,在eCognition8.6软件的支持下对影像进行多尺度分割,经反复尝试确定最佳分割尺度;然后通过野外获取的验证点所对应的地物斑块,提取不同地物类型的各种分类参数(各种指数、波段反射率等)信息。以此为依据,确定区分湿地植被与其他地物类型的分类参数组合(NDVI、NDWI和纹理特征等)及其阈值,基于此建立规则集,结合目视判读法,提取景观类型信息,并根据研究需要对提取的地物类型进行归并,得到芦苇空间分布信息。最后,利用2013—2014年5—9月在松嫩平原西部野外采集获得的427个土地覆盖野外调查验证点(其中湿地芦苇验证点224个),通过混淆矩阵法对松嫩平原西部提取的地物类型信息进行精度验证,验证点分布如图 2所示。
1.2.2 芦苇地上生物量野外观测与处理
本研究中,芦苇AGB取样于2014年7—8月,在芦苇生长的最大生物量季节进行。即先根据研究区芦苇分布特征及生长密度分割结果,选取91个代表一个MODIS像元大小范围的典型样地进行采样,每个样地即为一个样点。具体方法为:每个样点利用取样框随机取得3个1 m×1 m的样方,齐地割下样方内所有芦苇植株的地上部分,并用手持GPS接收仪测定每个样点的经纬度,并记录采样点的环境背景情况(如有无明显人为干扰等);然后将样品带回实验室自然风干1 d后,放置于65℃温度下烘干至恒重,并以精度为0.02克的电子秤称重,将3个小样方的干生物量取平均值,计算芦苇单位面积的干物质量,作为该样点的芦苇地上生物量。
1.2.3 遥感植被指数的选取及处理根据研究区特点,参考国内外植被地上生物量遥感反演的相关成果[22-24],本研究选取归一化差异植被指数(NDVI)、比值植被指数(RVI)、修改型土壤调整植被指数(MSAVI)、增强型植被指数(EVI)和加权差分植被指数(QSXWDVI)来参与反演研究区内芦苇的地上生物量。为使所用的植被指数与采样时间同步,这里采用2014年7月28日—8月13日NASA/EOSLPDAAC数据分发中心(https://wist.echo.nasa.gov)开发的MOD13Q1数据集(空间分辨率为250 m,时间分辨率为16 d)。利用MODIS处理软件MODIS Reprojection Tools(MRT)对原始数据集进行投影变换、格式转换和拼接处理后,根据NASA/MODIS提出的统一算法式(1)、式(2),计算NDVI和EVI,RVI、MSAVI和WDVI利用MODIS光谱带中的红色波段和近红外波段反射率数据,分别按式(3)—式(5)进行计算:
(1) |
(2) |
(3) |
(4) |
(5) |
从植被指数数据和样点实测AGB量数据所组成的样本序列中,随机选取71个样点数据(总样点91个)利用统计软件SPSS19.0进行相关分析和一元曲线回归分析,得到以各植被指数为自变量的芦苇AGB遥感估算一元曲线回归模型(SCRM),通过比较决定系数R2,筛选出最优模型进行芦苇AGB遥感估算。然后,利用预留的20个实测样点AGB数据与建立的遥感估算模型计算的AGB进行比较,通过均方根误差(RMSE)和估算精度(Accuracy)对模型进行精度分析。RMSE和Accuracy的计算公式如下:
(6) |
(7) |
式中,RMSE为均方根误差;Accuracy为估算精度;Yi为实测芦苇地上生物量(g/m2);Yi′为芦苇地上生物量估算值(g/m2);
在面向对象的多季相遥感分类方法的基础上,通过比较研究区不同季相的影像特征,提取得到松嫩平原西部芦苇分布信息。利用野外采集的验证点与提取的信息通过混淆矩阵法对提取结果进行分析,发现松嫩平原西部土地覆盖分类的总体精度为86.89%,其中湿地芦苇分类准确的样点为201个,芦苇信息提取的用户精度和制图精度均达到较高水平,能满足本研究的需要(表 1)。
分类结果 Classification Results | 地表真实类型 Ground Truth | |||||
水体 Water | 草本湿地 (非芦苇) Herb Wetland (not-reed) | 芦苇 Reed | 其他植被 Other vegetation | 合计 Total | 用户精度 User accuracy/% | |
水体Water | 56 | 2 | 0 | 0 | 58 | 96.55 |
草本湿地(非芦苇)Herb Wetland (not-reed) | 0 | 72 | 13 | 4 | 89 | 80.90 |
芦苇Reed | 0 | 21 | 201 | 2 | 224 | 89.73 |
其他植被Other Vegetation | 0 | 5 | 9 | 42 | 56 | 75.00 |
合计Total | 56 | 100 | 223 | 48 | 427 | |
制图精度Producer Accuracy/% | 100 | 72.00 | 90.13 | 87.50 | ||
总体精度 Overall Accuracy/% 86.89 Kappa=0.7966 |
松嫩平原西部芦苇分布如图 3所示,芦苇主要分布于研究区北部的扎龙湿地自然保护区,在研究区的南部分布相对稀少;且在沿河流及湖泊等水量充足的区域,芦苇分布最为集中,而在距离河、湖偏远的地区,芦苇分布相对较少。
结果表明,松嫩平原西部芦苇总面积为1653 km2,5个典型湿地保护区内的芦苇分布面积达1313 km2,约占松嫩平原西部芦苇总面积的79.5%,其中分布在研究区中北部的扎龙湿地,现有芦苇面积占71.3%(表 2)。
区域 Region | 面积Area/km2 | % |
扎龙自然保护区 Zhalong Nature Reserve | 1178 | 71.3 |
莫莫格自然保护区 Momoge Nature Reserve | 59 | 3.6 |
查干湖自然保护区Chagan Lake Nature Reserve | 51 | 3.1 |
向海自然保护区 Xianghai Nature Reserve | 22 | 1.3 |
大布苏自然保护区 Dabusu Nature Reserve | 3 | 0.2 |
其他区域 Other regions | 340 | 20.6 |
松嫩平原西部 Western Songnen Plain | 1653 | 100 |
通过对不同光谱植被指数与芦苇AGB进行相关分析(71个样本),结果发现:芦苇AGB与其同期的5种植被指数均极显著相关(表 3),但不同的植被指数与AGB之间的相关程度不同,即不同的植被指数对AGB变化表现出不同的敏感性。其中,芦苇AGB与RVI、EVI间的相关系数均达到0.68以上,表明RVI、EVI指数对芦苇AGB的敏感性较强,能很好的反映芦苇AGB的变化情况。5种植被指数敏感性由大到小依次为:RVI> EVI > WDVI > NDVI> MSAVI,这意味着选择合适的植被指数可用于芦苇AGB遥感反演模型的构建。
植被指数Vegetation indices | EVI | MSAVI | NDVI | WDVI | RVI | |
芦苇地上生物量 | 相关性 Correlation | 0.683** | 0.538** | 0.605** | 0.670** | 0.689** |
Reed AGB | 显著性 Significance | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 |
**在 0.01 水平上显著相关; EVI:增强型植被指数Enhanced vegetation index; MSAVI:修改型土壤调整植被指数Modified soil adjusted vegetation index; NDVI:归一化差异植被指数Normalized difference vegetation index; WDVI:加权差分植被指数Weighted difference vegetation index; RVI:比值植被指数Ratio vegetation index |
表 4列出基于5种植被指数与芦苇AGB拟合的一元回归模型。从表 4中可以看出,利用EVI、WDVI、RVI、NDVI等植被指数拟合的一元曲线回归模型(SCRM)均达到较好的拟合效果。在所选的线性模型、指数模型、二次项模型和幂指数模型中,5种植被指数与芦苇AGB拟合的指数模型效果较好。其中,EVI的拟合效果最好,其决定系数R2达0.55;WDVI次之,R2为0.52,拟合效果最差的是MSAVI,R2系数仅为0.43。
方程类型 Function type | 植被指数 Vegetation index | 回归模型 Regression model | 决定系数(R2) Decision coefficient | 样本数 Sample number |
线性模型 | EVI | y=1457.4x+8.5 | 0.47 | 71 |
Linear model | WDVI | y=2491.4x+47.755 | 0.45 | 71 |
RVI | y=94.265x+89.43 | 0.48 | 71 | |
NDVI | y=1070.9x-168.36 | 0.37 | 71 | |
MSAVI | y=966.2x-231.38 | 0.29 | 71 | |
指数模型 | EVI | y=166.4e2.99x | 0.55 | 71 |
Exponential model | WDVI | y=181.72e5.0616x | 0.52 | 71 |
RVI | y=204.13e0.1843x | 0.51 | 71 | |
NDVI | y=105.61e2.3413x | 0.49 | 71 | |
MSAVI | y=84.002e2.2324x | 0.43 | 71 | |
二次项模型 | EVI | y=3288.4x2 - 568.53x+280.31 | 0.51 | 71 |
Quadratic term model | WDVI | y=8119.3x2 - 265.95x+250.35 | 0.48 | 71 |
RVI | y=2.162x2 + 73.642x+132.34 | 0.48 | 71 | |
NDVI | y=2513.4x2 - 1518.4x+426.44 | 0.46 | 71 | |
MSAVI | y=2175.8x2 - 1499.6x+351.96 | 0.40 | 71 | |
幂指数模型 | EVI | y=1026.1 x0.6998 | 0.49 | 71 |
Power index model | WDVI | y=1507.8x0.6703 | 0.47 | 71 |
RVI | y=175.03x0.69 | 0.51 | 71 | |
NDVI | y=721.41x0.9073 | 0.41 | 71 | |
MSAVI | y=561.31x0.6642 | 0.27 | 71 |
针对拟合效果最好的EVI指数模型,利用预留的验证点,通过预测误差(均方根误差)和预测精度(估算精度)进行精度评价,实测值与估算值对比结果如图 4,EVI指数拟合的指数模型达到较高的估算精度,实测值与估算值的回归系数达0.85(P<0.01),其预测误差为60.9g/m2,预测精度达到86.7%。综合考虑5种植被指数对生物量的敏感程度,可以认为利用EVI构建的遥感估算指数模型y=166.4e2.99×EVI具有较好、较稳定的估算能力,可应用于松嫩平原西部芦苇AGB的遥感定量估算。
2.3 芦苇AGB遥感估算及空间格局 2.3.1 松嫩平原西部芦苇AGB遥感估算利用构建的EVI最优遥感反演模型,对松嫩平原西部芦苇AGB进行估算,得到芦苇AGB统计结果如表 5所示:从整个研究区来看,2014年8月该区芦苇总产量为6.14×105 t,芦苇平均AGB为372.1 g/m2,区域内最大值与最小值变幅达831.3 g/m2。对于各保护区而言,芦苇AGB最大值和最小值均出现在大布苏保护区,变幅最小的为向海保护区。各保护区芦苇平均AGB差异较小,除查干湖平均AGB略低于整个区域的平均水平外,其他几个保护区的平均AGB均在整个区域的平均值之上。扎龙自然保护区芦苇总产量最大,为4.38×105 t,占整个松嫩平原西部地区芦苇总产量的71.3%;而大布苏保护区总产量最小,仅为0.1×105 t(表 5)。
2.3.2 松嫩平原西部芦苇AGB分布格局基于EVI所构建的最优地上生物量遥感估算模型y=166.4e2.99×EVI反演得到松嫩平原西部芦苇AGB,空间分布制图如图 5。结合松嫩平原西部芦苇分布面积(图 3),可以发现:研究区北部的芦苇AGB总量大于南部。在5个自然保护区中,扎龙保护区内的芦苇AGB总量最高,且平均AGB从西北向东南呈现出递减的趋势,即在西北部单位面积内的芦苇长势较好;查干湖保护区内芦苇平均AGB值整体偏低,AGB较高的地区多分布在查干湖南部;莫莫格保护区的北部和西部芦苇AGB较高,表明芦苇长势较好,而在莫莫格中部和南部地区芦苇AGB相对偏低;向海保护区和大布苏保护区内芦苇AGB普遍较高,表明这些地区的芦苇生长旺盛,但在向海保护区的中部和大布苏保护区的边缘,芦苇AGB较低,这可能与边缘地区受到的人为活动干扰较强有关。
区域 Region | 最小值 Min/(g/m2) | 最大值 Max/(g/m2) | 变幅 Range/(g/m2) | 平均值 Mean/(g/m2) | 总量 Amount/(×104 t) |
扎龙自然保护区 Zhalong Nature Reserve | 155.5 | 736.4 | 581.0 | 372.4 | 43.8 |
莫莫格自然保护区 Momoge Nature Reserve | 184.1 | 679.0 | 494.9 | 373.0 | 2.1 |
查干湖自然保护区 Chagan Lake Nature Reserve | 147.9 | 706.7 | 558.8 | 369.8 | 1.9 |
向海自然保护区 Xianghai Nature Reserve | 205.9 | 695.2 | 489.3 | 469.7 | 1.0 |
大布苏自然保护区 Dabusu Nature Reserve | 147.6 | 866.8 | 719.2 | 454.1 | 0.1 |
松嫩平原西部 Western Songnen Plain | 135.1 | 966.3 | 831.3 | 372.1 | 61.4 |
3 讨论
目前,湿地遥感分类的传统方法分类精度通常不高,常用的湿地分类方法(如最大似然法)分类精度大多只有30%—60%[25-26]。尽管许多新的分类方法使分类效果明显提高,但大多数仍停留在只利用光谱信息,而对目标地物在遥感影像上的其他特征(如形状、纹理等)未能充分利用[27],并且普遍存在模型参数多、运算复杂等缺陷,从而在实际应用过程中出现“同物异谱”和“异物同谱”的现象。本文采用面向对象的遥感分类方法,借助对象光谱特征及空间特征,并利用多季相影像上不同植被特征的季相差异,较好地提取了松嫩平原西部芦苇湿地空间分布信息,其制图精度达90.13%。本研究的结果表明,利用面向对象的方法,对中等空间分辨率影像进行分类,可以有效提取芦苇空间分布信息,能够满足精度要求。
植被指数是一种简单而有效的光谱信号,不同光谱通道所获得的植被信息与植被的不同要素或某种特征状态的相关性不同[28]。因而,建立植被指数与植物生物量的数学模型,可以实现植物长势动态遥感监测和估产。王正兴等[29]对不同植被指数进行研究发现MODIS-EVI同时减少了大气和土壤噪音的影响,明显改善了高植被覆盖区内,植被指数与不同覆盖程度植被的线性关系。李红军等[30]应用数理统计和地统计学方法对NDVI和EVI比较分析表明EVI 很好的克服了NDVI在植被生长旺盛期容易达到饱和这一缺陷,比较真实地反映了植被的生长变化过程及研究区内植被的空间差异。本文选用了NDVI、EVI、RVI、MSAVI、WDVI 5种植被指数对芦苇AGB做敏感性分析,结果显示:不同的植被光谱指数对芦苇AGB的敏感性响应不同,RVI、EVI指数对芦苇AGB的敏感性较好,相关系数均达到0.68以上;WDVI、NDVI的敏感反应一般; MSAVI对芦苇AGB的敏感性最差,相关系数仅为0.538。这可能与植被光谱受到植被本身、生长环境、大气状况等多种因素影响,具有明显地域性和时效性有关[28],如研究区内芦苇生长的环境土壤水分含量较高,受土壤水分的影响,不同植被光谱指数在使用时具有不同的局限性[31],从而对植被生物量表现出不同的敏感反应;且研究区内芦苇分布较为集中,在高覆盖区,EVI对植被变化的敏感性更强。
本文根据研究区芦苇分布集中的特点,选取91个典型性的样地,每个样地即为1个样点,每个样点均划定3个有代表性的样方,按照这一原则进行采样,以降低地面测量尺度与被验证像元尺度之间的不匹配问题对生物量反演精度的影响。在对不同植被指数与生物量之间构建的线性模型、指数模型、二次项模型和幂指数模型进行比较分析的基础上,选取最优模型对芦苇AGB进行估算和反演。结果显示,松嫩平原西部芦苇AGB具有明显的南高北低的空间分布差异。这可能与以下几个因素有关:(1)松嫩平原西部气温受纬度影响由北向南递增,降水量平均值呈现由东南向西北递减的空间分布格局,研究区内气候特点的差异,在一定程度上导致了芦苇AGB在空间上南高北低的分布格局;(2)不同地区河流、湖泊水位状况不同,使其土壤的养分存在一定差异,因而影响芦苇的长势;(3)芦苇长势的空间差异在一定程度上也受人类活动的影响,如围垦开荒、石油污染、工业废水、道路修建等,而不同地区人为活动的干扰程度不同。
4 结论本文以松嫩平原西部为研究区,利用多季相Landsat遥感影像实现了芦苇分布信息的精确提取;基于MODIS数据和野外实测数据,构建芦苇AGB遥感估算模型并进行芦苇AGB遥感反演。主要结论如下:(1)基于多季相遥感数据和面向对象分类方法提取研究区芦苇分布信息,松嫩平原西部芦苇分布面积为1653 km2,提取精度满足研究的需要。(2)基于MODIS数据源计算的5种植被指数,与芦苇AGB存在极显著相关性(P<0.01),但不同植被指数对地上生物量的敏感程度不同。受研究区内土壤水分以及芦苇集中分布的影响,使得EVI植被指数建立的指数回归模型(y=166.4e2.99×EVI)具有较好的拟合效果,估算精度达86.7%,表明利用合适的植被指数对芦苇AGB进行遥感反演可以达到较为理想的效果。(3)芦苇AGB遥感估算和反演的空间分布格局表明,松嫩平原西部芦苇AGB总量为6.14×105 t。芦苇平均AGB存在明显的空间差异,高值区主要分布在向海保护区和大布苏保护区内,整体呈现南高北低的分布格局。以上结果说明,基于多季相影像数据,采用面向对象的方法提取湿地芦苇信息,能够有效提高分类精度,是一种低成本且行之有效的湿地信息提取方法;利用植被指数开展景观尺度的芦苇AGB估算,对于区域湿地资源管理和科学利用具有重要的支撑作用。
[1] | Lehner B, Döll P. Development and validation of a global database of lakes, reservoirs and wetlands. Journal of Hydrology , 2004, 296 (1/4) : 1–22. |
[2] | 樊玉清, 王秀海, 孟庆生. 辽河口湿地芦苇群落退化过程中土壤营养元素和含盐量变化. 湿地科学 , 2013, 11 (1) : 35–40. |
[3] | 张德君, 高航, 杨俊, 席建超, 李雪铭. 基于GIS的南四湖湿地生态脆弱性评价. 资源科学 , 2014, 36 (4) : 874–882. |
[4] | 程嘉伟, 邓昶身, 鲁长虎. 苏州太湖湖滨人工种植和原生芦苇湿地鸟类群落. 动物学杂志 , 2014, 49 (3) : 347–356. |
[5] | 唐娜, 崔保山, 赵欣胜. 黄河三角洲芦苇湿地的恢复. 生态学报 , 2006, 26 (8) : 2616–2624. |
[6] | 欧阳志云, 王效科, 苗鸿. 中国陆地生态系统服务功能及其生态经济价值的初步研究. 生态学报 , 1999, 19 (5) : 607–613. |
[7] | 陈建, 王世岩, 毛战坡. 1976-2008年黄河三角洲湿地变化的遥感监测. 地理科学进展 , 2011, 30 (5) : 585–592. |
[8] | 任玉环, 刘亚岚, 许华, 刘旭东, 尹球. 基于环境一号小卫星CCD图像的滨海湿地监测研究. 遥感信息 , 2011 (3) : 27–32. |
[9] | Salem F, Kafatos M, El-Ghazawi T, Gomez R, Yang R X. Hyperspectral image assessment of oil-contaminated wetland. International Journal of Remote Sensing , 2005, 26 (4) : 811–821. DOI:10.1080/01431160512331316883 |
[10] | Hirano A, Madden M, Welch R. Hyperspectral image data for mapping wetland vegetation. Wetlands , 2003, 23 (2) : 436–448. DOI:10.1672/18-20 |
[11] | 童庆禧, 郑兰芬, 王晋年, 王向军, 董卫东, 胡远满, 党顺行. 湿地植被成象光谱遥感研究. 遥感学报 , 1997, 1 (1) : 50–57. |
[12] | Schmid T, Koch M, Gumuzzio J, Mather P M. A spectral library for a semi-arid wetland and its application to studies of wetland degradation using hyperspectral and multispectral data. International Journal of Remote Sensing , 2004, 25 (13) : 2485–2496. DOI:10.1080/0143116031000117001 |
[13] | 李凤秀, 张柏, 刘殿伟, 宋开山. 洪河自然保护区乌拉苔草生物量高光谱遥感估算模型. 湿地科学 , 2008, 6 (1) : 51–59. |
[14] | 刘兴土. 东北湿地. 北京: 科学出版社, 2005263–300. |
[15] | 吕宪国, 刘晓辉. 中国湿地研究进展-献给中国科学院东北地理与农业生态研究所建所50周年. 地理科学 , 2008, 28 (3) : 301–308. |
[16] | Yu X F, Grace M, Zou Y C, Yu X F, Lu X G, Wang G P. Surface sediments in the marsh-sandy land transitional area: sandification in the western Songnen Plain, China. PLoS One , 2014, 9 (6) : e99715. DOI:10.1371/journal.pone.0099715 |
[17] | 罗玲, 王宗明, 任春颖, 宋开山, 李晓燕. 基于MODIS数据的松嫩草原产草量遥感估算模型与空间反演. 农业工程学报 , 2010, 26 (5) : 182–187. |
[18] | 杨允菲, 李建东. 松嫩平原不同生境芦苇种群分株的生物量分配与生长分析. 应用生态学报 , 2003, 14 (1) : 30–34. |
[19] | Wang Z M, Song K S, Zhang B, Liu D W, Ren C Y, Luo L, Yang T, Huang N, Hu L J, Yang H J, Liu Z M. Shrinkage and fragmentation of grasslands in the West Songnen Plain, China. Agriculture Ecosystems & Environment , 2009, 129 (1/3) : 315–324. |
[20] | Wang Z M, Huang N, Luo L, Li X Y, Ren C Y, Song K S, Chen J M. Shrinkage and fragmentation of marshes in the West Songnen Plain, China, from 1954 to 2008 and its possible causes. International Journal of Applied Earth Observation and Geoinformation , 2011, 13 (3) : 477–486. DOI:10.1016/j.jag.2010.10.003 |
[21] | 谢静. 基于多季相遥感信息的三江平原湿地信息提取[D]. 长春: 中国科学院研究生院(东北地理与农业生态研究所), 2013. http://www.cnki.com.cn/Article/CJFDTOTAL-STXB201424001.htm |
[22] | Lu D S, Chen Q, Wang G X, Liu L J, Li G Y, Moran E. A survey of remote sensing-based aboveground biomass estimation methods in forest ecosystems. International Journal of Digital Earth , 2014 (13) : 1–43. DOI:10.1080/17538947.2014.990526 |
[23] | Zhang G, Ganguly S, Nemani R R, White M A, Milesi C, Hashimoto H, Wang W L, Saatchi S, Yu Y F, Myneni R B. Estimation of forest aboveground biomass in California using canopy height and leaf area index estimated from satellite data. Remote Sensing of Environment , 2014, 151 (8) : 44–56. |
[24] | Mao D H, Wang Z M, Li L, Ma W H. Spatiotemporal dynamics of grassland aboveground net primary productivity and its association with climatic pattern and changes in Northern China. Ecological Indicators , 2014, 41 (6) : 40–48. |
[25] | Macalister C, Mahaxay M. Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and field survey data. Journal of Environmental Management , 2009, 90 (7) : 2130–2137. DOI:10.1016/j.jenvman.2007.06.031 |
[26] | Ozesmi S L, Bauer M E. Satellite remote sensing of wetlands. Wetlands Ecology and Management , 2002, 10 (5) : 381–402. DOI:10.1023/A:1020908432489 |
[27] | 史泽鹏, 马友华, 王玉佳, 马中文, 黄勤, 黄艳艳. 遥感影像土地利用/覆盖分类方法研究进展. 中国农学通报 , 2012, 28 (12) : 273–278. |
[28] | 高明亮, 赵文吉, 宫兆宁, 赫晓慧. 基于环境卫星数据的黄河湿地植被生物量反演研究. 生态学报 , 2013, 33 (2) : 542–553. |
[29] | 王正兴, 刘闯, HueteA. 植被指数研究进展:从AVHRR-NDVI到MODIS-EVI. 生态学报 , 2003, 23 (5) : 979–987. |
[30] | 李红军, 郑力, 雷玉平, 李春强, 周戡. 基于EOS/MODIS数据的NDVI与EVI比较研究. 地理科学进展 , 2007, 26 (1) : 26–32. |
[31] | Holzman M E, Rivas R, Piccolo M C. Estimating soil moisture and the relationship with crop yield using surface temperature and vegetation index. International Journal of Applied Earth Observation and Geoinformation , 2014, 28 (5) : 181–192. |