生态学报  2017, Vol. 37 Issue (17): 5722-5731

文章信息

王光镇, 王静璞, 邹学勇, 王周龙, 宗敏
WANG Guangzhen, WANG Jingpu, ZOU Xueyong, WANG Zhoulong, ZONG Min.
基于像元三分模型的锡林郭勒草原光合植被和非光合植被覆盖度估算
Estimation of fractional cover of photosynthetic and non-photosynthetic vegetation in the Xilingol steppe region using the NDVI-DFI model
生态学报. 2017, 37(17): 5722-5731
Acta Ecologica Sinica. 2017, 37(17): 5722-5731
http://dx.doi.org/10.5846/stxb201606101111

文章历史

收稿日期: 2016-06-10
网络出版日期: 2017-04-24
基于像元三分模型的锡林郭勒草原光合植被和非光合植被覆盖度估算
王光镇 1, 王静璞 1, 邹学勇 2, 王周龙 1, 宗敏 1     
1. 鲁东大学资源与环境工程学院, 烟台 264025;
2. 北京师范大学地表过程与资源生态国家重点实验室, 北京 100875
摘要: 定量的估算草原光合植被覆盖度(fPV)和非光合植被覆盖度(fNPV)对草原畜牧业和土地荒漠化具有重要的意义。以锡林郭勒盟西乌珠穆沁旗为研究区,以MODIS 500 m分辨率地表反射率产品MOD09GHK为数据源,采用干枯燃料指数(DFI)指数构建NDVI-DFI像元三分模型估算了锡林郭勒草原的fPVfNPV,并分析了锡林郭勒草原fPVfNPV的动态变化。研究结果表明:锡林郭勒草原NDVI-DFI特征空间表现为三角形,与理论上的概念模型基本一致,符合像元三分模型的基本假设;NDVI-DFI像元三分模型适用于对草原黄枯期NPV的监测,对草原生长期NPV监测并不十分敏感;利用NDVI-DFI像元三分模型估算的fPVfNPV动态变化与牧草物候发育特征相吻合,可以有效的估算典型草原地区fPVfNPV值,进一步将其应用于长时间序列的典型草原fPVfNPV动态变化分析。
关键词: NDVI-DFI模型     光合植被     非光合植被     动态分析    
Estimation of fractional cover of photosynthetic and non-photosynthetic vegetation in the Xilingol steppe region using the NDVI-DFI model
WANG Guangzhen 1, WANG Jingpu 1, ZOU Xueyong 2, WANG Zhoulong 1, ZONG Min 1     
1. College of Resource and Environment Engineering, Ludong University, Yantai 264025, China;
2. State Key Laboratory of Earth Surface Process and Resource Ecology, Beijing Normal University, Beijing 100875, China
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 resolving fPV, fNPV, and fBS in the Xilingol steppe region with MODIS-Terra daily surface reflectance data at 500 m resolution (MOD09GHK). Fractional cover of fPV, fNPV, and fBS was 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 of fPV and fNPV. 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 of fPV and fNPV was 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 of fPV and fNPV in the Xilingol steppe regions.
Key words: NDVI-DFI model     photosynthetic vegetation (PV)     non-photosynthetic vegetation (NPV)     dynamic changes    

草地是全球分布最广的陆地生态系统类型之一, 占到全球陆地表面积的26%[1]。草地植被可以分为光合植被(PV)和非光合植被(NPV), PV和NPV在草原生态系统中扮演着重要的角色, 影响着生态系统的碳储存、CO2交换量、植被生产力和地表能量平衡, 是衡量地表植被覆盖状况的重要指标[2-3]。其中, NPV(枯落物、作物茬等)可以减缓地表土壤侵蚀, 增加土壤有机质, 减缓地表径流和营养物质流失[4], 提高土壤质量。此外NPV是草原火灾发生的重要影响因子[5-7]

地面采样获取植被覆盖度是最准确的手段, 但这种方法费时费力, 而且难以大范围的开展。遥感技术的发展为大范围快速准确获取草原地区植被覆盖度和长时间序列的植被分析提供了新的技术手段[7]。光学传感器利用PV在红光和近红外波段的光谱特征可以估算其覆盖度。如何估算NPV的覆盖度, 特别是如何将NPV从裸土(BS)背景中提取出来是目前未能解决的关键问题[8]

与PV明显的“峰”和“谷”光谱特征相比, NPV与BS在可见光-近红外波段(400—1100 nm)处具有相似的反射率曲线, 仅在反射率绝对值上有所差异, 因而难以利用多光谱遥感数据估算NPV的覆盖度[9-10]。研究表明, 基于高光谱数据的CAI指数已成功应用到NPV覆盖度的估算[2, 11-14]。然而, 高光谱数据成本较高, 可获取数据有限, 难以应用于长期的监测, 制约了CAI指数的应用范围。因此, 需要寻找一种多光谱植被指数估算NPV覆盖度, 充分利用多光谱数据(比如TM, MODIS)大范围、高时效性、低成本的优势。

目前在利用遥感技术监测非光合植被覆盖度领域, 国内外开展了广泛的研究[5, 8, 15-16]。曹鑫等根据NPV在MODIS数据1、2、6和7波段的光谱特征, 提出了应用于多光谱数据的干枯燃料指数(DFI), 初步验证了DFI指数估算fNPV的潜力[17]。随后曹鑫等人将DFI指数应用到亚洲草原地区火灾风险敏感性模型, 证实了DFI指数估算fNPV的潜力[18]。Guerschman等人基于NDVI\\SWIR32(MODIS第7和6波段)像元三分模型, 较好的估算了澳大利亚稀疏草原fPVfNPV的时空分布[11]。此外, 李涛等人以Hyperion高光谱数据为数据源, 基于NDVI-CAI像元三分模型对锡林郭勒草原放牧试验区fPVfNPV的时空动态分布进行了估算, 研究表明估算的fPVfNPV的季节变化与牧草物候发育特征相吻合。因此, 有必要探讨以多光谱植被指数为基础的NDVI-DFI像元三分模型在亚洲草原地区的适宜性, 进一步将其推广到其他区域。

为此, 本文以锡林郭勒盟西乌珠穆沁旗典型草原为研究区, 以MODIS 500 m分辨率地表反射率产品MOD09GHK为数据源, 尝试采用DFI指数替代SWIR32的NDVI-DFI像元三分模型估算锡林郭勒草原的fPVfNPV, 并分析锡林郭勒典型草原fPVfNPV的时空变化。

1 研究区与数据预处理 1.1 研究区概况

研究区为锡林郭勒盟西乌珠穆沁旗(116°21′—119°31′E, 43°57′—45°23′N), 位于锡林郭勒盟东北部(图 1)。西乌珠穆沁旗土地辽阔, 自然资源极为丰富。全旗草场面积20290 km2, 占土地面积的88%, 其中一半以上为典型草原。东部分布有山地, 低山丘陵和波状高平原相间分布在中北部地区, 嘠亥额勒苏沙地呈带状分布在中部地区。西乌珠穆沁旗海拔835—1957 m, 是我国典型的温带草原区, 属于大陆性半干旱草原气候。四季分明, 春季多风, 夏季暖湿, 秋冬寒冷干燥。年平均气温1℃, 最冷月(1月)平均气温-19.5℃, 最热月(7月)平均气温19.5℃。年均降水量345 mm左右, 80%集中于生长季6—9月份。光照资源比较丰富, 全年光照为2900 h。按照植被类型分布, 可分为典型草原、草甸草原、灌丛、农业植被和森林植被5种类型。

图 1 研究区位置及植被类型 Fig. 1 The location of study area and vegetation type
1.2 数据及预处理

中分辨率成像光谱仪(MODIS)搭载在Terra和Aqua两颗卫星上, 是美国地球观测系统(EOS)计划中用于观测全球生物和物理过程的重要仪器。它具有36个中等分辨率水平(0.25—1μm)的光谱波段, 每1—2d对地球表面观测1次。MOD09GHK为陆地2级标准数据产品, 内容为表面反射, 空间分辨率为500 m。MOD09GHK提供了1—7波段每日栅格化二级数据产品(L2G), 投影为正弦曲线投影。500 m科学数据集提供了1—7波段的反射率、质量评价、观测图层、观测数量和250 m扫描信息。本文从https://ladsweb.nascom.nasa.gov网站获取到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产品已经过定位和定标处理, 首先利用MODIS Reprojection Tool工具重投影为Albers Conical Equal Area, 坐标系转换为WGS-84。然后利用ENVI 5.2软件Layer Stacking工具波段组合, 并利用行政边界矢量数据裁剪出研究区范围。最后用阈值法对影像中的云和水作掩膜处理。

2 研究方法 2.1 DFI指数

曹鑫等人总结了NPV和BS在MODIS波段范围内的光谱特征:(1) NPV和BS在650 nm(Band 1) 和850 nm(Band 2) 处反射率曲线变化较平缓, 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的光谱曲线特征相似(图 2)。基于以上特征提出了干枯燃料指数(DFI)[17]

图 2 PV、NPV、BS端元平均光谱曲线 Fig. 2 Mean reflectance spectra of PV, NPV and BS endmember PV(Photosynthetic Vegetation)、NPV(Non-photosynthetic Vegetation)和BS(Bare Soil)分别代表光合植被、非光合植被和裸土; 灰色条带区域为MODIS波段位置
(1)

式中, B1, B2, B6, B7分别代表MODIS第1, 2, 6和7波段。为了扩大DFI值的差异性, DFI扩大了100倍。此外, 为避免云和水体的影响而产生异常值, 对其进行掩膜处理。

2.2 NDVI-DFI像元三分模型

NDVI-DFI像元三分模型假设像元由PV、NPV和BS 3个组分组成, 其NDVI和DFI指数符合线性关系(公式1—5), 并且端元的NDVI和DFI指数不随时间变化。理想情况下, 影像的NDVI-DFI特征空间会表现为三角形(图 3):PV的NDVI值高、DFI值低, 位于三角形的右侧中部;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。

图 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分别为光合植被、非光合植被和裸土, 三角形内部代表混合像元
(2)

式中, B2、B1分别代表MODIS第2和第1波段。

(3)
(4)
(5)

式中, VM代表MODIS数据的NDVI, DM代表MODIS的DFI, f代表百分比(%), fPVfNPVfBS分别代表像元内相应组分所占的比例, VPV/DPVVNPV/DNPVVBS/DBS分别代表NDVI/DFI端元的特征值。

(6)
(7)
(8)
(9)
(10)

式中, Cx为混合像元分解后覆盖度在之外的端元类型, CxCy为另外两种端元类型。公式10将异常值(Cx<-0.2 or Cx>1.2) 标记为无效值。

采用公式3—5对MODIS影像进行分解, 分布在三角形内部的像元各组分比例在[0, 1]内;采用公式6—10对分布在三角形外部的异常像元进行处理。最终获得研究区的fPVfNPV估算值。

2.3 端元特征值的确定

PV、NPV和BS端元特征值的确定是NDVI-DFI像元三分模型分解成功的关键。本文采用纯净像元指数法结合二维散点图的方法来确定端元特征值。

根据NDVI和DFI指数的计算公式, 计算5期MOD09GHK影像的NDVI和DFI指数, 并利用ENVI 5.2二维散点图功能绘制NDVI-DFI特征空间图。

纯净像元指数法(Pixel Purity Index method, 简称PPI):在ENVI 5.2平台上, 首先对MODIS影像进行MNF变换, 选择累积贡献率达98.89%的前6个分量来计算PPI指数。然后设定迭代次数为2000, 阈值系数为2.5, 产生像元纯度指数PPI。最后将PPI > 5且又靠近特征空间图顶点的像元作为纯净端元, 取各个顶点纯净端元的平均指数值作为相应端元的特征值。此外, 选用同期Landsat-8 OLI中高分辨率影像通过交互式目视判别验证三角形顶点处是否存在纯净像元。

2.4 fPVfNPV的估算

基于NDVI-DFI像元三分模型, 采用PPI指数方法确定端元的特征值, 利用ENVI 5.2扩展工具Triangular Linear Spectral Unmixing对5期MOD09GHK影像进行分解, 并绘制fPVfNPVfBS的RGB合成图。

研究fPVfNPV的时空变化, 可以反映草原地区牧草的物候发育特征, 对草原地区荒漠化的研究具有重要的现实意义。本文选择研究区内受人类活动较小的典型草原作为感兴趣区, 以均值来代表感兴趣区的fPVfNPV, 进而分析fPVfNPV的季节性变化。

3 结果分析 3.1 端元特征值及NDVI-DFI特征空间图分析

绘制出5期MOD09GHK影像的NDVI-DFI特征空间图(图 4)。

图 4 五期影像NDVI-DFI特征空间图 Fig. 4 Feature space of NDVI and DFI 绿色、红色和蓝色圆圈分别代表PV、NPV和BS端元的位置

选用同期Landsat-8 OLI中高分辨率影像通过交互式目视判别验证了三角形顶点可以作为纯净像元。最后采用PPI指数法确定了相应端元的特征值(表 1)。

表 1 五期影像PV、NPV、BS端元特征值 Table1 The endmember value of PV, NPV and BS
端元
Endmember
4月5日5月30日7月31日8月21日11月26日
NDVIDFINDVIDFINDVIDFINDVIDFINDVIDFI
PV0.26717.5130.59211.7840.7638.0640.7199.6190.25319.203
NPV0.16922.6860.31418.5530.38615.5430.41816.2950.14226.028
BS0.1788.1830.2639.5690.33510.7330.38211.6060.1679.194
  NDVI:归一化植被指数Normalized Difference Vegetation Index; DFI:干枯燃料指数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

结合5期NDVI-DFI特征空间图(图 4), 随着草原生长季(5—9月)的到来, 呈现出NDVI值逐渐增大和DFI值逐渐减小的趋势, 反之, 草原黄枯期(10—4月)时, NDVI开始逐渐减小而DFI值逐渐增大。NDVI值的范围为0—0.9左右, DFI值的范围为5—30左右。研究表明, NPV的反射率随时间而降低, 即新鲜的NPV反射率较高, 而对于长期的NPV(基底枯落物)反射率较低。11月26日NPV的DFI值为26.028, 而4月5日NPV的DFI值为22.686(表 1), 此后DFI值继续降低。

值得注意的是, 7月31日和8月21日(图 4)的NDVI-DFI特征空间图并没有表现为理想的三角形。首先, 这两个时期PV和NPV的DFI指数值相对其他时期都较低(表 1), 端元之间的差异有所减小。其次, 由于草原生长期大量PV的存在, 使得NPV和BS被覆盖, 进而导致DFI指数值较低(5—18左右)。分析其原因, 可能是由于NPV随时间的分解导致反射率的降低;PV与NPV相互重叠, 交错分布, 使得DFI值被低估。以上内容有待于后续的研究。这说明, NDVI-DFI像元三分模型对草原生长季NPV的监测不是十分敏感;从另一个角度来看, 草原生长期NPV量比较少, 而草原黄枯期会存在大量的NPV, 地表覆盖的NPV可以减缓土壤侵蚀, 减缓地表径流并增加土壤有机质含量[4], 因此可以利用NDVI-DFI像元三分模型对草原黄枯期土地荒漠化、土壤侵蚀和草原放牧等进行监测。

3.2 fPVfNPV估算结果

应用像元三分模型对MOD09GHK影像进行分解, 得到锡林郭勒草原fPVfNPVfBS的RGB合成图(图 5)。从图中可以发现, 锡林郭勒草原西乌旗地区4月和11月被大量的NPV和BS所覆盖, 西乌旗东南部为低山丘陵, 主要植被类型为林地, 因此fPV较高;5月份时fPV开始增加, 而fNPV开始减小;7、8月份锡林郭勒草原生长期来临, 大量PV的存在使得fPV明显增加, 但中西部地区(主要为波状高平原、嘠亥额勒苏沙地)仍主要以NPV和BS为主。总体上来看, 西乌旗草原黄枯期除东南部分布有PV外, 其他地区主要以NPV和BS为主;而草原生长期东部地区fPV明显增加。

图 5 fPVfNPVfBS的RGB合成图 Fig. 5 The RGB image of fPV, fNPV and fBS 绿色代表光合植被覆盖度fPV, 红色代表非光合植被覆盖度fNPV, 蓝色代表裸土fBS, 白色为云和水掩膜的无效值, 黑色方框为感兴趣区

西乌旗草原地区, 夏季气温高降水较多, 牧草生长旺盛, fPV高;随着秋冬季的来临, 大量的PV进入黄枯期, fNPV开始增加。此时, 草原地区覆盖有大量的NPV, 而火灾的发生会导致fNPV的降低。据1957—1993年的资料统计, 每年的3—6月、9—11月是火灾的高发期[19], 因此有必要进一步研究火灾对fNPV的影响。

3.3 fPVfNPV季节性变化

通过对感兴趣区fPVfNPV的分析, 模型估算的fPVfNPV的季节性变化同牧草物候发育特征相吻合。选择西乌旗地区受人为及牲畜影响较小的草地(图 5中黑色方框内)为感兴趣区, 以均值代表感兴趣区, 分析fPVfNPV季节性变化。从图 6中可以发现:4月份草原地区分布大量的NPV, 基本呈现荒芜状态, NDVI值较低, DFI值较高, fNPV高达77.44%, fPV为6.33%, 这也使得每年4月份是草原火灾高发期;4月中下旬, 由于气温升高, 草原开始返青, 返青20d后进入积极生长期;5月30日时, NDVI值逐渐增加, DFI值逐渐下降, fPV开始增加到21.60%, fNPV下降到66%;多数牧草在7月中旬左右达到最大强度的生长, 在7月31日时, NDVI值高于DFI值, fPV高于fNPV;牧草成熟期一般发生在8月份, 在8月21日时, NDVI值达到0.6, DFI值为10左右, 此时fPV高达74.43%, fNPV为23.48%;到了冬季11月份, 草原地区被大量NPV覆盖, 恢复到荒芜状态, 此时NDVI值下降到0.2以下, DFI值高达25, fNPV为72.95%, fPV为11.33%。

图 6 感兴趣区fPVfNPV变化图 Fig. 6 Temporal variation of fPV and fNPV in the interested region PV和NPV分别代表光合植被和非光合植被的覆盖度, NDVI和DFI分别代表归一化植被指数和干枯燃料指数
4 讨论

目前利用多光谱遥感影像从BS背景下分离出NPV是复杂而困难的[8, 20]。以往研究提出的基于TM影像的多光谱指数对干旱半干旱地区3种组分(PV、NPV、BS)存在的情况下并不适用[2, 17]。曹鑫等人通过分析PV、NPV和BS平均光谱曲线, 根据NPV和BS在MODIS波段范围内的光谱特征提出了DFI指数, 结果表明DFI指数在3种组分(PV、NPV、BS)存在的情况下具备区分NPV并估算fNPV的能力[17]

草原牧草主要经历返青期、抽穗期、开花期、成熟期和黄枯期5个阶段。牧草在返青期和黄枯期时, PV和NPV错综复杂, 相互重叠, 影响着表层植被的NDVI和DFI特征值, 进而影响估算fPVfNPV的精度。此外, 当PV转向NPV的过程中, 叶片水分和叶绿素下降, 而纤维素和木质素增多, NDVI值逐渐减小, DFI值逐渐增大。叶片水分、叶绿素、纤维素的含量变化过程对NDVI和DFI值的影响十分复杂, 从而加大估算fPVfNPV的难度[12]

纯净端元的提取及特征值确定直接影响到像元三分模型的估算精度。纯净像元指数是一种在多光谱和高光谱影像中寻找最纯净像元的一种方法[21]。PPI指数法对经过最小噪声分离(MNF)后的降维数据提取能够代表地物的最纯净像元, 可以确定纯净端元的空间位置, 结合散点图工具筛选像元, 可以提高精度。但是PPI指数法存在光谱异质性问题, 不足以代表端元光谱特征, 在端元的纯净像元较少时, 容易产生较大误差。

NDVI-DFI像元三分模型基于混合像元的NDVI和DFI指数符合线性相关这一前提。首先, 应用最为广泛的归一化植被指数NDVI是植被生长状态及植被覆盖度的最佳指示因子, 与植被覆盖度具有良好的相关性。其次, 曹鑫等人研究证实DFI指数与fNPV成线性相关[17], 并将DFI指数应用到评估内蒙古草原火灾风险研究[18]。因此, NDVI-DFI像元三分模型应用于估算典型草原植被覆盖度是合理的。但是对7、8月份特征空间图分析发现, NDVI-DFI像元三分模型适用于对草原黄枯期NPV的监测, 对草原生长期NPV监测并不十分敏感, 有待于进一步的研究。

值得注意的是, DFI指数也受到了其他因素的影响。由于不同植被类型、结构和土壤类型与湿度以及PV随时间分解的影响, 在SWIR波段范围, 光谱的差异也会不同[22-26]。研究表明, DFI指数对长期存在的基底枯落物并不敏感[17]。而基底枯落物在草原地区是普遍存在的, 因此需要进一步探讨对估算fNPV的影响。研究还发现大气层顶反射率也会影响DFI指数估算fNPV [17]。多种因素的影响需要进一步的研究, 以期将DFI指数推广到其他地区。

利用MOD09GHK产品估算fPVfNPV, 充分发挥了MODIS低成本、长时间、大范围观测的优势。基于多光谱数据DFI指数的提出, 进一步的将像元三分模型从高光谱数据推广到多光谱数据。考虑到地面调查与遥感产品的尺度效应[27], MODIS空间分辨率太低(500 m×500 m), 难以开展大范围的地面调查以此将地面相对真值与遥感估算值相对应, 本文不足之处是未能够利用实测数据对模型估算结果进行检验, 今后可以考虑以高分辨率遥感为桥梁, 通过间接检验法进行产品检验, 这也将是下一步研究的重点。NDVI-DFI像元三分模型在多光谱遥感中具有深远的研究前景。

5 结论

本文利用MODIS 500 m分辨率地表反射率产品MOD09GHK构建NDVI-DFI像元三分模型估算了锡林郭勒草原的fPVfNPV, 得到以下结论:

(1) 锡林郭勒草原NDVI-DFI特征空间表现为三角形, 与理论上的概念模型基本一致, 符合像元三分模型的基本假设。NDVI-DFI像元三分模型可以估算锡林郭勒草原的fPVfNPV

(2) NDVI-DFI像元三分模型适用于对草原黄枯期fNPV的监测, 对草原生长期fNPV监测并不十分敏感。NPV主要存在于草原黄枯期, 生长期较少, 利用NDVI-DFI像元三分模型估算草原黄枯期的fNPV, 对草原土地荒漠化监测、土壤侵蚀和草原放牧具有重要的研究意义。

(3) 基于MODIS 500 m分辨率地表反射率产品MOD09GHK, 采用NDVI-DFI像元三分模型估算的fPVfNPV动态变化与牧草物候发育特征相吻合, 可以进一步应用于长时间序列的锡林郭勒草原fPVfNPV时空动态变化。

参考文献
[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. DOI:10.1023/A:1026308928874
[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. DOI:10.2134/agronj2003.0291
[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. DOI:10.1016/j.rse.2003.10.023
[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. DOI:10.1175/EI160.1
[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. DOI:10.1016/j.rse.2014.07.027
[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. DOI:10.1016/j.rse.2013.11.017
[8] Okin G S. Relative spectral mixture analysis-A multitemporal index of total vegetation cover. Remote Sensing of Environment, 2007, 106(4): 467–479. DOI:10.1016/j.rse.2006.09.018
[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. DOI:10.2134/agronj1991.00021962008300040020x
[10] Biard F, Baret F. Crop residue estimation using multiband reflectance. Remote Sensing of Environment, 1997, 59(3): 530–536. DOI:10.1016/S0034-4257(96)00125-3
[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. DOI:10.1016/j.rse.2009.01.006
[12] 李涛, 李晓松, 李飞. 基于Hyperion的锡林郭勒草原光合植被、非光合植被覆盖度估算. 生态学报, 2015, 35(11): 3643–3652.
[13] 任鸿瑞, 周广胜, 张峰, 张新时. 基于纤维素吸收指数(CAI)的内蒙古荒漠草原非绿色生物量估算. 科学通报, 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. DOI:10.1016/j.agrformet.2012.03.010
[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. DOI:10.1016/j.rse.2012.11.021
[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. DOI:10.1016/j.rse.2015.02.013
[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. DOI:10.1080/01431160903475274
[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. DOI:10.1080/01431161.2013.805280
[19] 傅泽强. 内蒙古干草原火灾时空分布动态研究. 内蒙古气象, 2001(1): 28–30.
[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. DOI:10.1016/S0034-4257(00)00126-7
[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. DOI:10.1016/S0034-4257(96)00122-8
[22] Elvidge C D. Visible and near infrared reflectance characteristics of dry plant materials. International Journal of Remote Sensing, 1990, 11(10): 1775–1795. DOI:10.1080/01431169008955129
[23] Daughtry C S T. Discriminating Crop Residues from Soil by Shortwave Infrared Reflectance. Agronomy Journal, 2001, 93(1): 125–131. DOI:10.2134/agronj2001.931125x
[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. DOI:10.1016/S0034-4257(99)00082-6
[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. DOI:10.1016/j.rse.2007.08.006
[27] 李小文, 王祎婷. 定量遥感尺度效应刍议. 地理学报, 2013, 69(9): 1163–1169. DOI:10.11821/dlxb201309001