孟寶平，崔霞，楊淑霞，高金龍，胡遠寧，陳思宇，梁天剛*

(1.草地農業(yè)生態(tài)系統國家重點實驗室，蘭州大學草地農業(yè)科技學院，甘肅 蘭州 730020；2.蘭州大學西部環(huán)境教育部重點實驗室，蘭州大學資源與環(huán)境學院，甘肅 蘭州730000)

?

基于Landsat 8 OLI和MODIS數據的高寒草地蓋度升尺度效應研究
——以夏河縣?？撇菰囼瀰^(qū)為例

孟寶平1，崔霞2，楊淑霞1，高金龍1，胡遠寧1，陳思宇1，梁天剛1*

(1.草地農業(yè)生態(tài)系統國家重點實驗室，蘭州大學草地農業(yè)科技學院，甘肅 蘭州 730020；2.蘭州大學西部環(huán)境教育部重點實驗室，蘭州大學資源與環(huán)境學院，甘肅 蘭州730000)

摘要：基于Landsat 8 OLI和MODIS衛(wèi)星遙感資料，結合2013-2014年甘南州夏河縣?？撇菰囼瀰^(qū)野外實測蓋度數據，對草地蓋度敏感的OLI波段及其組合指數進行了篩選，構建并確立了試驗區(qū)基于MODIS植被指數的草地蓋度反演模型，探討了不同空間升尺度方式對草地蓋度的空間效應。結果表明，1)OLI比值植被指數r(Band7/Band5)對草地蓋度的響應最敏感，基于該指數的草地蓋度最優(yōu)反演模型為yoli=-270.064xoli+115.987(R2=0.833，P<0.001)；2)基于MODIS MEVI和Landsat 8 OLI比值植被指數r(30 m)反演的蓋度重采樣數據(250 m)的對數模型為最優(yōu)草地蓋度評估模型(R2=0.795，P<0.001)，其決定系數較MODIS MEVI與基于農業(yè)多光譜照相機(agricultural digital camera，ADC)的蓋度數據建立的回歸模型高(R2=0.706)，絕對誤差和相對誤差較低；3)基于OLI和MODIS植被指數的3種草地蓋度回歸模型(方法1～3)精度均優(yōu)于直接使用MODIS植被指數建立的回歸模型(方法4)；方法3利用OLI 比值指數r反演蓋度(30 m)，將其升尺度至250 m，再反演蓋度構建的對數模型的精度最高(R2=0.795)，其次依次為方法2構建的模型(R2=0.760)、方法1構建的模型(R2=0.730)和方法4構建的模型(R2=0.706)。

關鍵詞：Landsat 8 OLI；MODIS；敏感波段；蓋度反演；空間升尺度

植被蓋度是指樣地中全部植物個體地上部分(包括葉、莖、枝等)的垂直投影面積占樣地總面積的百分比[1]，是植被生長狀況的直觀量化指標[2]，能夠表征生態(tài)系統植被群落生長狀況及生態(tài)環(huán)境質量[3]，對其精確量化在土壤侵蝕[4-5]、水土保持[6-9]、陸-氣相互作用[10]和荒漠化治理[11-12]等諸多研究中至關重要。因此，建立高精度植被蓋度估算模型對相關領域研究具有十分重要的意義。

目前，根據蓋度測量的空間尺度大小可將草地蓋度測量方法分為傳統的地面測量法和遙感監(jiān)測法。傳統地面測量中常用目視估測法、采樣法和儀器法，以傳統的樣方尺度(50 cm×50 cm 或1 m×1 m)進行觀測，測量精度高，尤其是儀器法中的數碼照相機方法，是目前地面測量中精度最高的測量方法[13-14]；遙感監(jiān)測方法包括經驗模型(精度依賴于地面樣方實測數據)、植被指數、像元分解模型、森林郁閉度制圖模型(forest canopy density mapping model，FCD)、決策樹分類和神經網絡等方法。地面測量方法由于受地表空間異質性和人為主觀性的影響很難擴展到整個區(qū)域，此方法估算的大范圍植被蓋度狀況精度較低，但基于照相機的草地樣方尺度的植被蓋度精度較高，可為遙感反演建模和精度驗證提供基礎數據[15-16]。遙感測量的優(yōu)勢在于可以頻繁和持久的提供多種時空尺度的地表面狀信息，這對傳統的以稀疏離散點為基礎的對地觀測手段而言是一場革命性的變化[17]。由于地表植被分布具有空間異質性，用極其有限代表性的地面觀測蓋度數據驗證中分辨率遙感反演的面上信息，對遙感反演的植被蓋度的真實性檢驗帶來很大困難。此外，植被蓋度遙感反演模型的構建不僅需要遙感影像反射率數據，也需要野外觀測的蓋度數據，采樣點的空間代表性及測量誤差會影響模型反演的精度[17-18]。為了研究不同遙感資料之間的空間尺度效應，王海賓[19]使用Bottom-up方法建立森林蓋度經驗模型，分析了森林蓋度的空間變化規(guī)律。劉良云[20]探討了草地葉面積指數由高分辨率小像素影像升尺度為低分辨率大像素時，“先反演再平均”與“先平均再反演”兩種方法之間的空間效應及其差異。早在20世紀80年代，學者們對Landsat MSS衛(wèi)星資料各波段反射率對地表植被蓋度信息敏感性已做了大量研究[21-24]。隨著科學技術的不斷發(fā)展，Landsat從1972年第一顆陸地衛(wèi)星(Landsat-1)發(fā)射到2013年Landsat 8 的運行已有40多年歷史[25-27]。Landsat 8較Landsat 5和Landsat 7有了很多改進[28-29]，針對其不同波段及其組合指數對草地植被蓋度的敏感性研究尚鮮有報道。

如何既能保證地面采樣點蓋度精確性，又能克服采樣點空間代表性和不同遙感資料之間的空間效應，將采樣點的點狀蓋度信息擴展到更大空間區(qū)域，是遙感監(jiān)測植被蓋度研究中急需解決的問題。目前，在草地植被蓋度監(jiān)測中，基于高分辨率影像的蓋度反演精度較高，但其覆蓋面積較中低分辨率影像小，并且受時間分辨率和云等因素影響，不能夠應用于長時間序列的大區(qū)域研究；基于中低分辨率影像的草地蓋度反演精度較低，但其覆蓋區(qū)域廣闊，數據時間序列較長且連續(xù)，適用于長時間序列的大區(qū)域研究。為了在較大范圍內得到高精度的草地蓋度時空動態(tài)變化信息，本研究以夏河縣桑科試驗區(qū)為例，基于農業(yè)多光譜照相機(agricultural digital camera，ADC)的草地蓋度數據及Landsat 8 OLI影像，研究對草地蓋度敏感的波段及其組合指數，建立基于中分辨率成像光譜儀(moderate resolution imaging spectroradiometer，MODIS)EVI、NDVI和由OLI影像不同升尺度方法得到的250 m空間分辨率數據的蓋度反演模型，以期探索結合高分辨率遙感數據提高低分辨遙感資料反演草地蓋度模擬精度的方法。

1材料與方法

1.1研究區(qū)概況

夏河縣試驗區(qū)位于該縣?？凄l(xiāng)央吉社區(qū)(圖1)，地理位置為102°23′-102°26′ E，35°5′-35°7′ N，試驗區(qū)總面積11 km2，南北長約3.86 km，東西長約2.77 km，平均海拔3050 m。試驗區(qū)內共有5個樣區(qū)，根據試驗目的不同，1～5號樣區(qū)依次為天然草地人工改良區(qū)(主要進行補播試驗，面積約為19.38 hm2)，天然草地合理利用技術集成創(chuàng)新與示范區(qū)(為放牧利用試驗地，面積約為16.06 hm2)，試驗的對照組(面積約7.52 hm2)，優(yōu)質飼草生產技術集成創(chuàng)新與示范區(qū)(封育草地，面積約19.30 hm2)，天然畜產品生產加工技術與營銷模式集成與示范研究區(qū)(人工施肥試驗地，面積在5個樣區(qū)中最大，約為99.10 hm2，占總試驗區(qū)面積的61.55%)。試驗區(qū)天然草地類型為高寒草甸，主要優(yōu)勢牧草有高山嵩草(Kobresiapygmaea)、垂穗披堿草(Elymusnutans)、羊茅(Festucaovina)、早熟禾(Poaannua)、酈氏洽草(Koelerialitvinowii)、黃芪(Astragalusmembranaceus)等，主要毒雜草有黃帚橐吾(Ligulariavirgaurea)、火絨草(Leontopodiumjaponicum)、委陵菜(Potentillachinensis)、馬先蒿(Pedicularisspp.)等[30-31]。放牧家畜以牦牛、甘加羊為主。試驗區(qū)常年寒冷濕潤，屬大陸性高原溫帶季風氣候[32]，年平均氣溫2.1 ℃，年均降水量為580 mm。

1.2地面觀測數據

野外實測數據采集于2013年8月和2014年7-10月，總計5次。樣地設置在試驗區(qū)內草地生長狀況均一的區(qū)域(圖1)，2013年在1～5號試驗區(qū)內選取大小為30 m×30 m樣地14個，每個樣地內隨機布設3個0.5 m×0.5 m樣方，以3個樣方蓋度平均值作為該樣地的草地蓋度。同時，利用手持GPS設備，在試驗區(qū)內采集了20個地面控制點(ground control point，GCP)，記錄了經度、緯度和高程等信息，用于Landsat衛(wèi)星影像的幾何精校正。為了更加準確的獲取與遙感數據匹配的地面實測數據，2014年在試驗區(qū)布設了13個固定樣地(圖2)，每個樣地采用5點法布設樣方(圖3)，以整個樣地的中心點作為第一個樣方，再選取4個角點作為其余4個樣方，用ADC拍攝各樣方相片，并記錄草地類型、優(yōu)勢種等指標，以5個樣方蓋度平均值作為該樣地的草地蓋度。每個樣方草地植被蓋度信息通過ADC拍攝的相片處理獲得。同時，利用DJI無人機攜帶的GoPro Hero 3+相機在各樣地中心點拍攝圖像(大小與Landsat 8 衛(wèi)星OLI遙感數據的像元一致，為30 m×30 m，分辨率約2 cm)，用于草地蓋度反演模型的精度驗證。

1.3Landsat 8 OLI數據預處理

Landsat 8 OLI數據來源于美國地質勘探局(united States geological survey，USGS)網站，本項研究檢索并下載了覆蓋夏河縣試驗區(qū)無云影像5景(表1)。

在ENVI 5.0軟件中對OLI數據進行處理，利用Radiometric Calibration模塊、FLAASH Atmospheric Correction模塊和Registration下的Image to Image模塊對OLI影像分別進行輻射定標、大氣校正和幾何精校正，并將影像投影定義為WGS_1984_UTM_ZONE_47N。利用Band Math模塊計算Landsat 8 OLI不同波段組合指數，利用Sample工具提取采樣點對應的各波段及其組合指數的像元值。

1.4MODIS13Q1數據預處理

本項研究選用美國國家宇航局MODIS 16 d最大合成NDVI和EVI植被指數產品(MOD13Q1)，時間序列為2013年8月和2014年7-10月，空間分辨率為250 m，軌道號為h26v05，共計10景影像。使用最大值合成方法(maximum value composition，MVC)，合成了2013年8月和2014年7-10月的月最大歸一化植被指數(maximum normalized difference vegetation index, MNDVI)和月最大增強型植被指數(maximum enhanced vegetation index, MEVI)數據。

圖1　夏河縣試驗區(qū)地理位置、草地類型及2014年8月29日資源3號衛(wèi)星真彩色合成影像Fig.1　Location, grassland type and ZY-3 real color composite image of experimental area in Xiahe county on the August 29th in 2014

圖2　夏河縣試驗區(qū)2014年7-10月樣方位置分布示意圖Fig.2　The schematic diagram of quadrat design during July-October in 2014 in experimental area, Xiahe county

對影像進行以下處理：1)利用MODIS數據重投影工具(MODIS reprojection tools，MRT)，對MODIS數據進行轉格式和定義投影。將HDF文件轉為TIF格式，定義投影為WGS84；2)在ArcMap中將投影轉為WGS_1984_UTM_ZONE_47N，空間分辨率定義為250 m。在ArcMap中，利用Cell Statistics工具分別得到2013年8月和2014年7-10月的MNDVI和MEVI。

圖3　樣地和樣方設置圖Fig.3　The design for plot and quadrat

1.5基于Landsat 8 OLI的草地蓋度反演模型的建立與精度評價

Landsat 8 OLI的Band6主要用于地表溫度反演[33-36]。除該波段外，本研究將OLI的單波段Band1～Band5和Band7及其兩兩相加、相減、相比和歸一化組合指數(共計154項)作為自變量，將試驗區(qū)基于ADC圖像的樣地草地植被蓋度作為因變量，利用SPSS軟件分別分析各波段及其組合指數與草地植被蓋度之間的線性回歸模型，并篩選出相關系數較高的前10個組合指數或波段，然后通過SPSS軟件估算前10個波段組合指數或波段的線性、對數、指數和乘冪模型的參數，將DJI拍攝的39景樣地影像(2014年8-10月)計算的蓋度數據作為真實值，以各模型估算值作為反演值，分別計算草地蓋度反演模型的平均絕對誤差和平均相對誤差，檢驗各種模型精度，從而確立30 m空間分辨率的草地蓋度最優(yōu)遙感反演模型。

(1)

(2)

式中，Δ表示整個試驗區(qū)草地蓋度的平均絕對誤差，Δi表示某一樣地草地蓋度的絕對誤差，xi表示某一樣地模型計算的草地蓋度，li表示基于ADC相片(或無人機圖像)計算的草地蓋度，δ表示平均相對誤差(%)。i表示某一樣地，n表示樣地數目。

表1　Landsat 8 OLI影像及外業(yè)調查數據列表Table 1　The list of Landsat-8 OLI and ground observation data

1.6基于MODIS數據的草地蓋度反演模型的構建

本項研究采用Fazakas[37]提出的Bottom-up方法，建立草地植被蓋度反演模型。首先，利用較高空間分辨率遙感數據(Landsat 8 OLI)反演草地蓋度，再通過升尺度途徑建立較低空間分辨率遙感數據(MODIS)的草地蓋度反演模型，并探討不同升尺度方法對草地蓋度反演精度的影響。本研究分別基于OLI 30 m空間分辨率敏感波段反射率、敏感波段組合指數和基于敏感波段組合指數反演的草地蓋度，分別采用雙線性重采樣方法得到OLI 250 m空間分辨率草地蓋度數據，構建經過較高空間分辨率遙感數據(Landsat 8 OLI)校正的基于MODIS影像的草地蓋度反演模型。這3種計算草地蓋度的方法分別簡記為方法1、方法2和方法3。方法1是將OLI的Band7和Band5升尺度至250 m，計算Band7/Band5，再結合MODIS的月最大植被指數反演草地蓋度；方法2通過計算OLI比值指數Band7/Band5(30 m)，將其升尺度至250 m，再結合MODIS的月最大植被指數反演草地蓋度；方法3利用OLI 比值指數 (Band7/Band5)反演草地蓋度(30 m)，將其升尺度至250 m，再結合MODIS的月最大植被指數反演草地蓋度(圖4)。除此之外，草地蓋度估算的第4種方法為基于MODIS數據的傳統方法，即利用ADC相片計算的蓋度數據和MODIS植被指數數據直接建立蓋度回歸模型，反演草地蓋度。

將DJI拍攝的39幅樣地影像(2014年8-10月)計算的蓋度數據作為真實值，以4種算法計算的草地蓋度作為反演值，分別計算4種算法的平均絕對誤差和平均相對誤差(式1和2)，分析各種算法的模擬精度，從而確立250 m空間分辨率的草地蓋度最優(yōu)遙感反演模型。

圖4　基于MODIS植被指數的草地蓋度反演模型的4種構建方法Fig.4　Four grassland cover inversion methods based on MODIS vegetation index

2結果與分析

2.1基于OLI 30 m分辨率數據的試驗區(qū)草地蓋度模型比較分析

根據OLI不同波段及其組合指數和試驗區(qū)草地蓋度之間的線性回歸模型的決定系數R2和均方根誤差(root mean square error，RMSE)，篩選出的前10個波段組合指數或敏感波段依次為：Band7/Band5、(Band5-Band7)/(Band5+Band7)、(Band3-Band4)/(Band3+Band4)、Band3-Band4、(Band3-Band7)/(Band3+Band7)、Band2+Band5、Band1+Band5、Band3+Band5、Band5和Band5+Band7(表2)。其中，Band5及所有波段組合指數的回歸方程均達極顯著水平(P<0.001)，決定系數介于0.633～0.833之間，均方根誤差介于6.241%～9.254%之間。常見植被指數NDVI和草地蓋度之間的相關系數并沒有出現在前10個波段組合中，其決定系數為0.627，RMSE達9.327%，精度較前10個組合的線性模型差。波段比值指數Band7/Band5與草地蓋度之間的線性相關系數最大，達0.833，均方根誤差最小，為6.241%。

表2　OLI Band5及不同波段組合指數與草地蓋度線性 回歸模型的R2和RMSETable 2　R2 and RMSE of linear regression models between grass coverage and different band combination index (including OLI Band5)

**，P<0.001.下同 The same blow.

表3　OLI Band5及不同波段組合指數反演草地 蓋度的最優(yōu)回歸模型Table 3　The best regression model for inversion grassland cover based on different band combination index and OLI Band5

表3列出了通過決定系數篩選出的前10種波段組合指數及基于OLI NDVI的草地蓋度回歸模型。由該表可知，Band7/Band5、(Band3-Band4)/(Band3+Band4)、Band3-Band4、(Band3-Band7)/(Band3+Band7)以及NDVI的最優(yōu)回歸模型形式為線性模型，而(Band5-Band7)/(Band5+Band7)、Band2+Band5、Band1+Band5、Band3+Band5、Band5和Band5+Band7最優(yōu)回歸模型形式為對數模型。

2.2OLI 30 m空間分辨率的草地蓋度模型精度檢驗

以2014年8月15-16日、9月28-29日以及10月21-22日期間無人機拍攝圖像計算的蓋度數據為真值，檢驗基于Landsat 8 OLI影像NDVI、Band5和9種波段組合指數反演的2014年8月27日、2014年9月28日以及2014年10月14日的草地蓋度精度，結果如表4所示。其中，Band7/Band5

表4　OLI Band5及不同波段組合指數的草地 蓋度最優(yōu)反演模型誤差分析Table 4　Error analysis for inversion grassland cover based on OLI with different band combination index and Band5

表5　基于不同方法的試驗區(qū)草地蓋度回歸模型Table 5　Regression models for grassland cover based on different methods

反演的草地蓋度精度最高，其平均絕對誤差和相對誤差最小，分別為3.9779%和5.22%；Band5+Band7反演的草地蓋度的精度最低，其平均絕對誤差和相對誤差最大，分別達8.1058%和11.03%。Band5和其他波段組合指數的蓋度反演精度由高到低依次為(Band5-Band7)/(Band5+Band7)、Band3-Band4、(Band3-Band4)/(Band3+Band4)、NDVI、Band5、Band2+Band5、Band3+Band5、Band1+Band5和(Band3-Band7)/(Band3+Band7)。從精度檢驗的結果可知，夏河縣桑科試驗區(qū)30 m空間分辨率的草地蓋度最優(yōu)模型為基于OLI Band7/Band5的線性模型：

yoli=-270.064xoli+115.987

(3)

式中，yoli表示基于Landsat 8 OLI Band7/Band5反演的草地蓋度(%)；xoli表示Landsat8 OLI的比值植被指數Band7/Band5。

2.3MODIS 250 m空間分辨率的草地蓋度反演模型構建及精度檢驗

將MODIS MNDVI、MEVI作為自變量，通過OLI Band7和Band5反射率數據及其3種不同處理方法(圖4)反演的蓋度數據作為因變量，建立的線性、指數、對數和乘冪4類回歸模型如表5所示。就4類模型而言，在利用方法1～3構建的模型中，MODIS MNDVI和MODIS MEVI對數模型的平均絕對誤差和平均相對誤差均最小，決定系數最大，模型的精度最高；其次為線性模型；指數模型的平均絕對誤差和平均相對誤差均最大，決定系數最??；乘冪模型的平均絕對誤差、平均相對誤差和決定系數介于線性模型和指數模型之間，其精度僅優(yōu)于指數模型。在利用方法4構建的蓋度模型中，基于MODIS MNDVI和MEVI的對數模型的精度最高，與方法1～3不同的是方法4中基于MODIS MEVI構建的模型精度由高到低依次為對數、乘冪、線性和指數模型。就4種方法而言，基于方法1～3構建的MODIS MEVI的線性、指數、對數和乘冪模型精度均優(yōu)于MODIS MNDVI對應的模型，這說明MODIS MEVI較MODIS MNDVI能更準確的模擬試驗區(qū)草地蓋度情況；利用方法4建立的MEVI的對數模型的決定系數最高，平均絕對誤差和平均相對誤差最小，但其線性、指數和乘冪模型的決定系數均小于MNDVI所對應的模型，平均絕對誤差和平均相對誤差均大于MNDVI所對應的模型。比較草地蓋度的4種反演方法發(fā)現，基于方法3構建的MODIS MEVI對數模型的精度最高(R2=0.795，Δ=7.880%，δ=13.901%)，基于其他方法的對數模型的精度從高到低依次為方法2(R2=0.760，Δ=8.104%，δ=14.819%)、方法1(R2=0.730，Δ=8.256%，δ=14.292%)和方法4(R2=0.706，Δ=9.628%，δ=17.074%)。因而，基于MODIS 250 m空間分辨率的草地蓋度最優(yōu)反演模型為：

y=64.160ln(xMEVI)+136.927

(4)

式中，y表示基于Landsat 8 OLI數據及方法3反演的草地蓋度與MODIS MEVI之間的回歸關系；xMEVI表示MODIS MEVI。

3討論

本研究表明Landsat 8 OLI Band5與試驗區(qū)草地蓋度之間呈顯著的正相關關系，OLI Band7則呈顯著的負相關關系，而波段組合指數Band7/Band5與試驗區(qū)草地蓋度呈極顯著的負相關關系，其線性回歸模型可以解釋試驗區(qū)內草地蓋度變化的83.3%。這與眾多學者的研究結果一致。Band5為近紅外波段，其波長范圍為0.845～0.885 μm，對地表植被反應敏感，與草地植被蓋度之間呈現顯著的正相關關系[38-40]。Band7為中紅外波段，其波長范圍為2.100～2.300 μm，對礦物、干草等地表信息反映敏感[21-24]，與地表植被信息之間呈現負相關關系[22-23]。

在利用不同升尺度方法和地面觀測的蓋度數據及MODIS EVI、NDVI建立的各類回歸模型中，MODIS EVI的線性、對數、指數和乘冪模型的決定系數均高于MODIS NDVI所對應的模型。這與馬琳雅[41]、黃曉東等[42]對甘南草地植被蓋度研究的結果一致。MODIS NDVI在高植被覆蓋區(qū)域容易飽和，這可能是導致基于MNDVI的草地蓋度模型精度較MEVI差的主要原因[43]。

方法1～3構建的草地蓋度模型精度均優(yōu)于方法4，說明較高空間分辨率的Landsat 8 OLI圖像對中分辨率MODIS數據的校正可以提高其反演草地蓋度的精度；也表明試驗區(qū)設置的樣地大小(30 m×30 m)與Landsat 8 OLI圖像的空間分辨率相匹配，一個樣地采用3～5個樣點的采樣方法較為合理，基于ADC圖像計算的3～5個樣點的草地蓋度的平均值可以很好的代表一個樣地內草地植被蓋度的變化狀況。然而，這種地面采樣方法，與空間分辨率為250 m×250 m的MODIS植被指數的空間匹配性不夠強，但使用Landsat 8 OLI圖像及多種處理方法可以提高MODIS反演草地蓋度的精度。就3種升尺度方法而言，其共同特點是草地蓋度均使用了空間分辨率為30 m的Landsat 8 OLI Band5、Band7反射率數據及其比值植被指數(Band7/Band5)，是基于高分辨率小像素尺度的遙感監(jiān)測結果[20]。其中，方法3建立的回歸模型的精度最高，并且基于該方法構建的草地蓋度最優(yōu)模型精度遠大于其他方法建立的最優(yōu)模型，其次為方法2，方法1的精度最差。基于方法1構建的MODIS EVI的對數模型的精度最接近方法4直接建立的基于MODIS EVI與地面觀測蓋度數據的模型精度，這是因為方法1和方法4均使用粗分辨率(250 m)的光譜反射率數據計算植被指數，是基于低分辨率大像素尺度的遙感監(jiān)測結果[20]，導致其結果不同的原因除了來自地面采樣點的空間代表性外，還與不同衛(wèi)星傳感器對草地蓋度反應的靈敏程度有很大關系。方法1和2之間的差異主要在于對遙感圖像的重采樣及植被指數計算的先后順序不一樣，方法1對OLI圖像的Band7及Band5的反射率先重采樣后計算植被指數，方法2則相反，這可能是導致草地蓋度反演精度存在較大差異的重要原因。草地植被具有較大的空間異質性，對草地蓋度敏感的遙感圖像的反射率及植被指數重采樣引起的尺度效應、植被指數的空間異質性及蓋度估算時的非線性計算方式等因素是造成草地蓋度反演誤差的主要來源。

4結論

本研究選取了夏河縣桑科試驗區(qū)2013-2014年間5次野外調查的草地數據，結合該時段Landsat 8 OLI和MODIS數據，篩選分析了新一代Landsat 8 OLI對試驗區(qū)草地蓋度敏感的波段及其組合指數，并建立了試驗區(qū)基于Landsat 8 OLI敏感波段的蓋度反演模型。在此基礎上，通過使用多種數據處理及建模方法，確立了MODIS MNDVI、MEVI與草地蓋度之間的最優(yōu)反演模型。結果表明，1)OLI多光譜數據中B7/B5波段組合指數對試驗區(qū)草地蓋度反應最為敏感，該指數與草地蓋度之間的線性模型為試驗區(qū)草地蓋度的最優(yōu)反演模型，決定系數R2達0.833，精度高達94.78%；2)與基于ADC相片計算的蓋度數據和MODIS植被指數數據直接建立的最優(yōu)回歸模型相比較，使用OLI數據及不同建模方法所建的草地蓋度最優(yōu)回歸模型精度更高，R2可提高0.004～0.107，平均絕對誤差較后者減小了0.431%～1.817%，平均相對誤差較后者減小0.910%～3.174%；3)在3種升尺度方法中，基于方法3所建立的草地蓋度的反演模型較其他2種升尺度方法建立的模型精度高，其中基于MODIS MEVI的對數模型為試驗區(qū)草地蓋度的最優(yōu)反演模型，其決定系數、平均絕對誤差和平均相對誤差分別為0.795,7.880%和13.901%。

References：

[1]Zhang C B, Li J L, Zhang Y,etal. A quantitative analysis method for measuring grassland coverage based on RGB model. Acta Prataculturae Sinica, 2013, 22(4): 220-226.

[2]Zhang X X, Zhu Q K, Wu G M,etal. Vegetation coverage assessment by digital photos. Journal of Beijing Forestry University, 2008, 30(1): 164-169.

[3]Qin W, Zhu Q K, Zhang X X,etal. Review of vegetation covering and its measuring and calculating method. Journal of Northwest Science-Technology University of Agriculture and Forest, 2006, 34(9): 163-170.

[4]De Roo A P J, Offermans R J E, Cremers D T,etal. A single-event physically-based hydrological and soil erosion model for drainage basins I: Theory, input and output. Hydrological Processes, 1996, (10): 1107.

[5]Qin W, Cao W H, Zou C Q,etal. Erosion and sediment yield model of big and middle scale watershed in loess plateau considering differentiation between upper and lower of the shoulder line of valleys. Journal of Basic Science and Engineering, 2015, 23(1): 12-29.

[6]Jiao J Y, Wang W Z. The benefits of runoff and sediment reducing & effective cover rate for soil and water conservation of artificial grassland on loess plateau. Acta Agrestia Sinica, 2001, 9(3): 176-182.

[7]Zhang G H, Liang Y M. A summary of impact of vegetation coverage on soil and water conservation benefit. Research of Soil and Water Conservation, 1996, 3(2): 104-110.

[8]Bao X Q, He J L, Xing E D,etal. Science and technology development strategy of grassland soil and water conservation. China Water Resources, 2008, 21: 66-68.

[9]Du J Z, Wang G X, Li Y S. Rate and causes of degradation of alpine grassland in the source regions of the Yangtze and Yellow Rivers during the last 45 years. Acta Prataculturae Sinica, 2015, 24(6): 5-15.

[10]Zhao J C, Liu S H. Research on the impact of vegetation change on land-atmosphere coupling strength in northwest China. Chinese Journal of Geophysics, 2015, 58(1): 47-62.

[11]Ji L. Remote Sensing Monitoring of the Degree of Grassland Desertification and Analysis Characteristics of Vegetation and Soil Nutrient in Ruoergai[D]. Ya’an: Sichuan Agricultural University, 2012.

[12]Cao N, Han Y J, Ma N. Analysis of the desertification and vegetation coverage monitoring changes in Yanchi county-Yanchi city as an example. Agriculture Network Information, 2013, (10): 123-125.

[13]Guo S M. Research of Vegetation Coverage Distribution Changes of Alpine Grassland Based on 3s Technology[D]. Lanzhou: Lanzhou University, 2009.

[14]Chen Z G, Ba T N C, Xu Z Y,etal. Measuring grassland vegetation cover using digital camera images. Acta Prataculturae Sinica, 2014, 23(6): 20-27.

[15]Chen J J, Yi S H, Ren S L,etal. Retrieval of vegetation cover of alpine grassland and the efficiency of remote sensing retrieval in the upper of Shule River Basin. Pratacultural Science, 2014, 31(10): 56-65.

[16]Ren S L, Yi S H, Chen J J,etal. Comparisons of alpine grassland fractional vegetation cover estimation using different digital cameras and different image analysis method. Pratacultural Science, 2014, 31(6): 1007-1013.

[17]Wang W T, Xie D H, Li X W. Universal scaling methodology in remote sensing science by constructing geographic trend surface. Journal of Remote Sensing, 2014, 18(6): 1139-1147.

[18]Li X W, Wang W T. Prospects on future developments of quantitative remote sensing. Acta Geographica Sinica, 2013, 68(9): 1163-1169.

[19]Wang H B. Study on Scale Transformation of Forest Coverage and Land Type Division Technique[D]. Beijing: Beijing Forestry University, 2014.

[20]Liu L Y. Simulation and correction of spatial scaling effects for leaf area index. Journal of Remote Sensing, 2014, 18(6): 1158-1169.

[21]Chen Y, Gillieson D. Evaluation of Landsat TM vegetation indices for estimating vegetation cover on semi-arid rangelands-A case study from Australia. Canadian Journal of Remote Sensing: Journal Canadien de Télédétection, 2009, 35(5): 1-17.

[22]Pickup G, Chewing V H, Nelson D J,etal. Estimating changes in vegetation cover over time in arid rangelands using Landsat MSS data. Remote Sensing of Environment, 1993, 43(3): 243-263.

[23]Pickup G. A simple model for predicting herbage production from rainfall in rangelands and its calibration using remotely-sensed data. Journal of Arid Environments, 1995, 30(2): 227-245.

[24]Foran B D. Detection of yearly cover change with Landsat MSS on pastoral landscapes in Central Australia. Remote Sensing of Environment, 1987, 23(2): 333-350.

[25]Irons J R, Dwyer J L, Barsi J A,etal. The next Landsat satellite: The landsat data continuity mission. Remote Sensing of Environment, 2012, 122: 11-21.

[26]Chu Q W, Zhang H Q, Wu Y W,etal. Application research of Landsat-8. Remote Sensing Information, 2013, 28(4): 110-114.

[27]Li X W, Niu Z C, Jiang S,etal. Study on the usage of Landsat 8 satellite remote sensing image in ecological environment monitoring. Environmental Monitoring and Forewarning, 2013, 5(6): 1-5.

[28]Zhang F L, Gou B C, Li J L. Quantitative study of vegetation and non-vegetation Landsat7 ETM+with Landsat8 OLI. Shanxi Architecture, 2014, 40(11): 240-241.

[29]Xu H Q, Tang F. Analysis of new characteristics of the first Landsat 8 image and their eco-environmental significance. Acta Ecologica Sinica, 2013, 33(11): 3249-3257.

[30]Yang Y B, Zhang Y. Degeneration and its comprehensive control of grassland in Xiahe county. Pratacultural Science, 1999, 16(6): 50-56.

[31]Guo H W. Problems and countermeasures for livestock husbandry development in Xiahe county. Prataculture and Animal Husbandry, 2009, (11): 60-62.

[32]Ding W G, Lei Q, Yang Q. A research on the motivation forces of the natural pasture and sustainable development in Xiahe County. Journal of Arid Land Resources and Environment, 2007, 21(12): 84-88.

[33]Li J. A Study of Land Surface Temperature Retrieval for the Region of Changbai Mountain of China[D]. Changchun: Jilin University, 2004.

[34]Lan J S, Guo Y. A research on the algorithm of equivalent wavelength and the impact to the retrieved LSBT based on TM6. Remote Information, 2006, (88): 10-13.

[35]Yang Y Y, Shi Z T, He P. Analysis of thermal environment of the main urban area of Kunming based on muti-source data. Tropical Geography, 2013, 33(1): 21-27.

[36]Lin Y. The Inversion of Sea Surface Temperature Based on Multi-source Remote Sensing[D]. Shanghai: East China Normal University, 2013.

[37]Fazakas Z. Volum and forest cover estimation over southern Sweden using AVHRR data calibrated with TM data. International Journal of Remote Sensing, 1996, 17(9): 1701-1709.

[38]Luo Y, Xu J H, Yue W Z. Research on vegetation indices based on the remote sensing images. Ecologic Science, 2005, 24 (1): 75-79.

[39]Kang Y J. The application for vegetation index on the grassland remote sensing. Technology & Industry, 2011, 6: 39-41.

[40]Jacques D C, Kergoat L, Hiernaux P,etal. Monitoring dry vegetation masses in semi-arid areas with MODISSWIR bands. Remote Sensing of Environment, 2014, 153: 40-49.

[41]Ma L Y. Spatio-Temporal Dynamic Changes of Grassland Vegetation Cover and Phenology in Gannan Prefecture[D]. Lanzhou: Lanzhou University, 2013.[42]Huang X D, Li X, Liang T G. Dynamics of MODIS vegetation indices and their relationship with meteorological factors for different grassland types on northern Xinjiang. Journal of Lanzhou University: Natural Sciences, 2007, 43(3): 42-47.

[43]Wang Z X, Liu C, Huet E A. From AVHRR-NDVI to MODIS-EVI: advances in vegetation index research. Acta Ecologica Sinica, 2003, 23(5): 979-987.

參考文獻：

[1]章超斌, 李建龍, 張穎, 等. 基于RGB模式的一種草地蓋度定量快速測定方法研究. 草業(yè)學報, 2013, 22(4): 220-226.

[2]張學霞, 朱清科, 吳根梅, 等. 數碼照相法估算植被蓋度. 北京林業(yè)大學學報, 2008, 30(1): 164-169.

[3]秦偉, 朱清科, 張學霞, 等. 植被蓋度及其測算方法研究. 西北農林科技大學學報(自然科學版), 2006, 34(9): 163-170.

[5]秦偉, 曹文洪, 左長清, 等. 考慮溝-坡分異的黃土高原大中流域侵蝕產沙模型. 應用基礎與工程科學學報, 2015, 23(1): 12-29.

[6]焦菊英, 王萬忠. 人工草地在黃土高原水土保持中的堿水減沙效益與有效蓋度. 草地學報, 2001, 9(3): 176-182.

[7]張光輝, 梁一民. 植被蓋度對水土保持功效影像的研究綜述. 水土保持研究, 1996, 3(2): 104-110.

[8]包小慶, 何京麗, 邢恩德, 等. 草地水土保持科技發(fā)展戰(zhàn)略. 中國水利, 2008, 21: 66-68.

[9]杜際增, 王根緒, 李元壽. 近45年長江黃河源區(qū)高寒草地退化特征及成因分析. 草業(yè)學報, 2015, 24(6): 5-15.

[10]趙靖川, 劉樹華. 植被變化對西北地區(qū)陸-氣耦合強度的影像. 地球物理學報, 2015, 58(1): 47-62.

[11]紀磊. 若爾蓋草地沙化程度的遙感監(jiān)測及其制備特征與土壤養(yǎng)分的分析[D]. 雅安: 四川農業(yè)大學, 2012.

[12]曹寧, 韓穎娟, 馬寧. 荒漠化及植被蓋度監(jiān)測變化分析. 農業(yè)網絡信息, 2013, (10): 123-125.

[13]郭述茂. 基于3s技術的高寒草地植被蓋度分布特征及動態(tài)變化研究[D]. 蘭州: 蘭州大學, 2009.

[14]陳祖剛, 巴圖娜存, 徐芝英, 等. 基于數碼相機的草地植被蓋度測量方法對比研究. 草業(yè)學報, 2014, 23(6): 20-27.

[15]陳建軍, 宜樹華, 任世龍, 等. 疏勒河上游高寒草地植被蓋度反演及精度評價. 草業(yè)科學, 2014, 31(10): 56-65.

[16]任世龍, 宜樹華, 陳建軍, 等. 基于不同數碼照相機和圖像處理方法的高寒草地植被蓋度估算的比較. 草業(yè)科學, 2014, 31(6): 1007-1013.

[17]王瑋婷, 謝東輝, 李小文. 構造地理要素趨勢面的尺度轉換普適性方法探討. 遙感學報, 2014, 18(6): 1139-1147.

[18]李小文, 王煒婷. 定量遙感尺度效應芻議. 地理學報, 2013, 68(9): 1163-1169.

[19]王海賓. 基于森林蓋度的尺度轉換及地類區(qū)劃方法研究[D]. 北京: 北京林業(yè)大學, 2014.

[20]劉良云. 葉面積指數遙感尺度效應與尺度糾正. 遙感學報, 2014, 18(6): 1158-1169.

[26]初慶偉, 張洪群, 吳業(yè)煒, 等. Landsat 8衛(wèi)星數據應用探討. 遙感信息, 2013, 28(4): 110-114.

[27]李旭文, 牛志春, 姜晟, 等. Landsat 8衛(wèi)星OLI遙感影像在生態(tài)環(huán)境監(jiān)測中的應用研究. 環(huán)境監(jiān)控與預警, 2013, 5(6): 1-5.

[28]張風霖, 緱變彩, 李靖琳. Landsat7 ETM+與Landsat8 OLI植被和非植被定量研究. 山西建筑, 2014, 40(11): 240-241.

[29]徐涵秋, 唐菲. 新一代Landsat系列衛(wèi)星:Landsat 8遙感影像新增特征及其生態(tài)環(huán)境意義. 生態(tài)學報, 2013, 33(11): 3249-3257.

[30]楊延彪, 張英. 夏河縣草地退化及綜合治理措施. 草業(yè)科學, 1999, 16(6): 50-56.

[31]郭宏偉. 夏河縣畜牧業(yè)發(fā)展面臨的問題及對策. 草業(yè)與畜牧, 2009, (11): 60-62.

[32]丁文廣, 雷青, 楊勤. 甘肅省夏河縣草地退化驅動力及可持續(xù)發(fā)展對策研究. 干旱區(qū)資源與環(huán)境, 2007, 21(12): 84-88.

[33]李建. 長白山地區(qū)地表溫度反演研究[D]. 長春: 吉林大學, 2004.

[34]蘭敬松, 郭躍. 針對TM6有效波長的計算方式及其對低溫反演的影像研究. 遙感信息(理論研究), 2006, (88): 10-13.

[35]楊云源, 史正濤, 何萍. 基于多元數據的昆明市主城區(qū)建筑區(qū)熱環(huán)境分析. 熱帶地理, 2013, 33(1): 21-27.

[36]林媛. 基于多元遙感的海水表面溫度反演研究-以樂清灣為例[D]. 上海: 華東師范大學, 2013.

[38]羅亞, 徐建華, 岳文澤. 基于遙感影像的植被指數研究方法述評. 生態(tài)科學, 2005, 24(1): 75-79.

[39]康耀江. 植被指數在草地遙感中的應用初探. 科技與產業(yè), 2011, 6: 39-41.

[41]馬琳雅. 甘南州草地植被覆蓋度與物候期時空變化動態(tài)特征[D]. 蘭州: 蘭州大學, 2013.

[42]黃曉東, 李霞, 梁天剛. 北疆地區(qū)不同草地類型MODIS植被指數變化動態(tài)及其與氣候因子的關系. 蘭州大學學報: 自然科學版, 2007, 43(3): 42-47.

[43]王正興, 劉闖, Huet E A. 植被指數研究進展:從AVHRR-NDVI到MODIS-EVI. 生態(tài)學報, 2003, 23(5): 979-987.

DOI：10.11686/cyxb2015433

*收稿日期：2015-09-14；改回日期：2015-11-16基金項目：國家自然科學

基金項目(31372367,31228021,41401472),農業(yè)部公益性行業(yè)(農業(yè))科研專項項目(201203006)和長江學者和創(chuàng)新團隊發(fā)展計劃(IRT13019)資助。

作者簡介：孟寶平(1989-)，男，甘肅隴西人，在讀博士。E-mail:mengbp09@lzu.edu.cn *通信作者Corresponding author. E-mail: tgliang@lzu.edu.cn

* 1Scaling-up methodology for alpine grassland coverage monitoring based on Landsat 8 OLI and MODIS remote sensing data: A case study in XiaheSangke grassland

MENG Bao-Ping1, CUI Xia2, YANG Shu-Xia1, GAO Jin-Long1, HU Yuan-Ning1, CHEN Si-Yu1,

LIANG Tian-Gang1*

1.StateKeyLaboratoryofGrasslandAgro-ecosystems,CollegeofPastoralAgricultureScienceandTechnology,LanzhouUniversity,Lanzhou730020,China; 2.KeyLaboratoryofWesternChina’sEnvironmentalSystems(MinistryofEducation),CollegeofEarthandEnvironmentalSciences,LanzhouUniversity,Lanzhou730000,China

Abstract:This research used remote sensing data of MODIS and Landsat 8 OLI, combined with ground observations during 2013 and 2014 in XiaheSangke grassland, Gansu Province. Both individual bands and combinations of bands of Landsat 8 OLI were tested, with a view to selecting band combinations sensitive to grassland coverage. Then, grassland coverage inversion models were established based on MODIS vegetation index data. At the same time, the spatial scale effect was analyzed with a 30 m resolution and up-scaled to 250 m resolution for spectral reflectance, vegetation index, and estimated grassland coverage. It was found that: 1) the ratio of Band7/Band5 of the OLI data was the most sensitive combination for detecting grassland coverage, and the best grassland coverage inversion model was the linear function: yoli=-270.064xoli+115.987, R2=0.833, P<0.001; 2) The best grassland coverage inversion model was the logarithmic model (y=64.160ln(xMEVI)+136.927, R2=0.795, P<0.001), which was established by using MODIS MEVI and up-scaling ratio index of OLI. The coefficient of fit was higher than for the models based on MODIS MEVI and Agricultural Digital Camera pictures (R2=0.706), and its average absolute error and average relative error were lower. 3) The accuracy of the logarithmic model (R2=0.795) based on MODIS MEVI and up-scaling grassland coverage using a ratio index (Band7/Band5) of OLI was higher than other models.

Key words:Landsat 8 OLI; MODIS; sensitive combination of bands; cover inversion model; spatial upscaling

http://cyxb.lzu.edu.cn

孟寶平， 崔霞， 楊淑霞， 高金龍， 胡遠寧， 陳思宇， 梁天剛. 基于Landsat 8 OLI和MODIS數據的高寒草地蓋度升尺度效應研究——以夏河縣?？撇菰囼瀰^(qū)為例. 草業(yè)學報, 2016, 25(7): 1-12.

MENG Bao-Ping, CUI Xia, YANG Shu-Xia, GAO Jin-Long, HU Yuan-Ning, CHEN Si-Yu, LIANG Tian-Gang. Scaling-up methodology for alpine grassland coverage monitoring based on Landsat 8 OLI and MODIS remote sensing data: A case study in XiaheSangke grassland. Acta Prataculturae Sinica, 2016, 25(7): 1-12.